यह अंग्रेज़ी मूल से अनुवाद है। संदर्भ के लिए अंग्रेज़ी संस्करण ही मान्य है। अंग्रेज़ी में पढ़ें
सार
कारोबार में AI की वैल्यू के बहुत-से प्रकाशित आंकड़े अनुमान होते हैं: हर काम पर बचे मिनटों की एक मानी हुई संख्या, जिसे काम की मात्रा और वेतन से गुणा किया जाता है। इनपुट शायद ही कभी उस कारोबार में मापे जाते हैं, और पाठक उन्हें जांच नहीं सकता। यह पेपर कारोबार के अपने रिकॉर्ड पर बना एक ज्यादा सख्त तरीका बताता है। यह दावे के तीन स्तर अलग करता है: ऐसा नतीजा जो किसी AI काम के बाद एक बताई गई अवधि के भीतर आया; ऐसा नतीजा जो कारोबार के अपने इतिहास से सामान्य उतार-चढ़ाव से ज्यादा अलग है; और ऐसा नतीजा जिसके बारे में रैंडम तरीके से चुने गए तुलना समूह के जरिए दिखाया गया हो कि वह AI काम की वजह से हुआ। हर स्तर के लिए यह कसौटी, जरूरी सैंपल और निष्कर्ष के मुख्य खतरे बताता है। यह बचे समय को कारोबार में ली गई टाइमिंग से मापता है, जिसमें समीक्षा और दोबारा किया गया काम भी गिना जाता है। यह मांगता है कि हर आंकड़ा अपना स्तर, वे रिकॉर्ड जिनसे वह आया, और वह क्या नहीं दिखाता, यह बताए। फिर पेपर MatruOS के अपने आंकड़ों की तुलना इस तरीके से करता है।
Section 1AI वैल्यू के आम आंकड़े कहां गलत होते हैं
एक आम दावा ऐसा होता है: "आपकी AI टीम ने इस महीने 120 घंटे बचाए।" इसके पीछे एक हिसाब होता है: AI ने 1,800 काम पूरे किए, हर एक में किसी व्यक्ति को चार मिनट लगते, और 1,800 × 4 मिनट 120 घंटे हैं। हर कदम पर सवाल उठ सकता है।
- हर काम के मिनट माने हुए हैं।
- चार मिनट किसी एक कारोबार के लिए सही हो सकते हैं और किसी दूसरे के लिए तीन गुना गलत।
- शायद उन कामों की जरूरत ही नहीं थी।
- अगर AI 1,800 रिमाइंडर का ड्राफ्ट बनाता है जहां कोई व्यक्ति 300 भेजता, तो बचत 1,800 रिमाइंडर के बराबर समय की नहीं है।
- समीक्षा और दोबारा किया गया काम छोड़ दिया जाता है।
- व्यक्ति अब भी हर ड्राफ्ट पढ़ता है, कुछ को संपादित करता है और जिन्हें नामंजूर करता है उन्हें दोबारा करता है।
- खाली हुए घंटे शायद इस्तेमाल ही न हों।
- बचा समय तभी पैसे के बराबर है जब वह लागत घटाए या किसी दूसरे मूल्यवान काम में लगे।
आमदनी के दावों में एक और समस्या है। "आपकी AI टीम के कलेक्शन अधिकारी ने इस महीने ₹42 लाख वसूले" का मतलब आमतौर पर यह होता है कि जिन इनवॉइस पर AI रिमाइंडर गया, उन पर ₹42 लाख का भुगतान हुआ। उनमें से कुछ ग्राहक बिना रिमाइंडर के भी उसी दिन भुगतान कर देते। यह आंकड़ा रिमाइंडर के बाद आए भुगतान गिनता है; यह नहीं दिखाता कि उनमें से कितने ग्राहक वैसे भी भुगतान कर देते।
Section 2संबंधित शोध
कारण का अनुमान (causal inference)। पोटेंशियल आउटकम्स फ्रेमवर्क, जो Neyman (1923) तक जाता है और जिसे Rubin (1974) ने गैर-रैंडम अध्ययनों तक बढ़ाया, किसी मामले पर किसी काम के असर को इस अंतर के रूप में परिभाषित करता है कि काम करने पर क्या होता है और न करने पर क्या होता। Holland (1986) ने बताया कि किसी एक मामले में इन दोनों में से केवल एक ही कभी देखा जा सकता है, इसलिए असर का अनुमान समूहों के आधार पर लगाना पड़ता है। Kohavi, Tang और Xu (2020) ऑनलाइन सिस्टम में नियंत्रित प्रयोगों के व्यवहार का वर्णन करते हैं।
अर्ध-प्रायोगिक (quasi-experimental) डिजाइन। जहां रैंडम बंटवारा संभव नहीं है, वहां इंटरप्टेड टाइम सीरीज और डिफरेंस-इन-डिफरेंसेज डिजाइन किसी पैमाने की दिशा की तुलना किसी बदलाव से पहले और बाद में करते हैं, उसके अपने रुझान से या ऐसे समूह से जिसमें बदलाव नहीं हुआ (Shadish, Cook और Campbell, 2002; Bernal, Cummins और Gasparrini, 2017)। इस पेपर का स्तर 2 इन्हीं पर आधारित है।
काम पर जनरेटिव AI के मापे गए असर। Brynjolfsson, Li और Raymond (2025) ने एक सॉफ्टवेयर कंपनी के लगभग 5,000 कस्टमर सपोर्ट एजेंटों के बीच एक AI असिस्टेंट के चरणबद्ध तरीके से लागू होने का अध्ययन कंपनी के अपने रिकॉर्ड से किया। हर घंटे सुलझाए गए मामले औसतन लगभग 15 प्रतिशत बढ़े (2023 के वर्किंग पेपर में 14 प्रतिशत), कम अनुभवी एजेंटों में बड़ा फायदा हुआ और सबसे अनुभवी एजेंटों में बहुत कम। Noy और Zhang (2023) ने बिजनेस दस्तावेज लिखने वाले 453 पेशेवरों के साथ एक रैंडम प्रयोग में पाया कि लगने वाला समय 40 प्रतिशत घटा और आंकी गई गुणवत्ता 18 प्रतिशत बढ़ी। Dell'Acqua और साथियों (2023) ने 758 कंसल्टेंट्स के साथ एक फील्ड प्रयोग में पाया कि AI की क्षमता के भीतर वाले कामों में बड़ा फायदा हुआ और उसकी क्षमता से थोड़ा बाहर वाले काम में नतीजे खराब हुए। ये अध्ययन रिकॉर्ड या प्रयोगों से मापते हैं, और दिखाते हैं कि असर काम और व्यक्ति के हिसाब से बहुत अलग-अलग होते हैं। किसी एक परिस्थिति का आंकड़ा दूसरी पर नहीं लगाया जाना चाहिए।
टाइम स्टडी। खंड 5 कार्य मापन (work measurement) के उस बुनियादी तरीके का पालन करता है जिसका वर्णन International Labour Office ने Introduction to Work Study (चौथा संस्करण, 1992) में किया है।
Section 3दावे के तीन स्तर
वैल्यू रिपोर्ट का हर आंकड़ा बताता है कि वह किस स्तर का है।
| स्तर | दावा | इसके लिए क्या चाहिए | उदाहरण (केवल समझाने के लिए) |
|---|---|---|---|
| 1. दर्ज | कोई नतीजा किसी AI काम के बाद एक बताई गई अवधि के भीतर आया | AI काम, नतीजे और उनके समय-क्रम के रिकॉर्ड | अक्टूबर में उन इनवॉइस पर ₹18 लाख का भुगतान जो AI रिमाइंडर के 14 दिन के भीतर आया |
| 2. बेसलाइन से तुलना | AI शुरू होने के बाद पैमाना अपनी सामान्य सीमा से बाहर गया | कारोबार का अपना 12 महीने का इतिहास, सामान्य उतार-चढ़ाव के सामने एक कसौटी, और दूसरे बदलावों का जिक्र | लगातार तीन महीने DSO बेसलाइन की निचली सीमा से नीचे |
| 3. कारण | AI काम ने नतीजा बदला | रैंडम तरीके से चुना गया तुलना समूह, जो असर पकड़ने लायक बड़ा हो | जिन ग्राहकों को रिमाइंडर मिले, उन्होंने अलग रखे गए समूह से औसतन 9 दिन पहले भुगतान किया |
हर स्तर काम का आंकड़ा देता है, बशर्ते रिपोर्ट बताए कि वह किस स्तर का है। गलती तब होती है जब स्तर 1 के आंकड़े को स्तर 3 के दावे के रूप में पेश किया जाता है।
3.1 स्तर 1: दर्ज
स्तर 1 के आंकड़े के लिए रिकॉर्ड से चार तथ्य चाहिए: AI काम हुआ, नतीजा आया, काम पहले हुआ, और दोनों के बीच का अंतर पहले से बताई गई अवधि के भीतर था। कलेक्शन के लिए: किसी खास इनवॉइस के बारे में रिमाइंडर डिलीवर हुआ, उस इनवॉइस के सामने भुगतान दर्ज हुआ, और भुगतान सबसे हाल के रिमाइंडर के, मान लीजिए, 14 दिन के भीतर आया।
अवधि के बिना, भुगतान से दस महीने पहले भेजा गया रिमाइंडर भी गिना जाता है, और इतिहास के हर महीने के साथ आंकड़ा बढ़ता जाता है। आंकड़े के साथ अवधि बताएं। आंकड़े को 7, 14 और 30 दिन पर दिखाने से पाठक देख पाता है कि कितना कुछ इस चुनाव पर निर्भर है।
स्तर 1 के आंकड़े सस्ते हैं और जांचने में आसान हैं: कोई भी इनवॉइस खोलकर रिमाइंडर और भुगतान देख सकता है। ये इस बारे में कुछ नहीं बताते कि AI के बिना क्या होता।
3.2 स्तर 2: कारोबार की अपनी बेसलाइन से तुलना
स्तर 2 का आंकड़ा AI शुरू होने के बाद किसी पैमाने की तुलना उसी कारोबार में उसी पैमाने के पहले के मूल्य से करता है। DSO, ड्यू डेट तक भुगतान हुए इनवॉइस का हिस्सा, सप्लायर बिल पोस्ट करने में लगने वाला समय और स्टॉक खत्म रहने के दिन, सभी उपयुक्त हैं।
सामान्य उतार-चढ़ाव के सामने कसौटी। AI शुरू होने से पहले के कम से कम 12 मासिक मूल्य लें और एक सामान्य दायरा तय करें, जैसे औसत के दोनों ओर दो स्टैंडर्ड डेविएशन, या कंट्रोल चार्ट की सीमाएं। पहले से एक मुख्य पैमाना चुन लें। बदलाव तभी रिपोर्ट करें जब वह लगातार तीन महीने सीमा से बाहर रहे, या लगातार आठ महीने औसत के एक ही तरफ रहे; दो स्टैंडर्ड डेविएशन से बाहर का एक महीना संयोग से लगभग 22 में से एक बार होता है। DSO जैसे मासिक पैमाने अक्सर एक महीने से अगले महीने तक आपस में जुड़े (correlated) होते हैं, जिससे 12 बिंदुओं से निकली सीमाएं बहुत संकरी हो जाती हैं; जहां पर्याप्त इतिहास हो, वहां रुझान और ऑटोकोरिलेशन को ध्यान में रखने वाली इंटरप्टेड टाइम सीरीज ज्यादा मजबूत है (Bernal, Cummins और Gasparrini, 2017)।
उदाहरण। रिमाइंडर शुरू होने से पहले के 12 महीनों में किसी कारोबार का मासिक DSO औसतन 74 दिन था और स्टैंडर्ड डेविएशन 4 दिन, जिससे सामान्य दायरा 66 से 82 दिन बनता है। रिमाइंडर शुरू होने के बाद पहले महीने में 70 दिन पर आना दायरे के भीतर है और स्तर 2 का निष्कर्ष नहीं है। लगातार तीन महीने 64 से 65 दिन होना स्तर 2 का निष्कर्ष होगा।
रिपोर्ट में बताए जाने वाले खतरे।
- मौसमी असर।
- किसी महीने की तुलना एक साल पहले के उसी महीने से करें। किसी टेक्सटाइल ट्रेडर की त्योहारी सीजन की वसूली की तुलना मानसून से नहीं की जा सकती।
- औसत की ओर लौटना (regression to the mean)।
- कारोबार अक्सर किसी खराब तिमाही के बाद कलेक्शन टूल अपनाते हैं। किसी असामान्य दौर के बाद पैमाने कुछ भी किया जाए, सामान्य की ओर लौटते हैं, इसलिए जो बेसलाइन किसी खराब दौर पर खत्म होती है, वह बाद की अवधि को बेहतर दिखाती है।
- नयापन।
- ग्राहक नए तरह के रिमाइंडर पर कुछ महीने ध्यान दे सकते हैं और फिर कम।
- दूसरे बदलाव।
- अगर कारोबार ने साथ ही क्रेडिट की शर्तें सख्त कीं, कलेक्शन क्लर्क रखा या कोई बड़ा, देर से भुगतान करने वाला ग्राहक खोया, तो रिपोर्ट में यह बताना होगा।
स्तर 2 के आंकड़े वह मापते हैं जिसकी मालिक को परवाह है, कारोबार के अपने हिसाब से। ये कारण साबित नहीं करते।
3.3 स्तर 3: कारण, तुलना समूह से दिखाया गया
यह दिखाने का सबसे सीधा तरीका कि किसी AI काम ने नतीजा बदला, रैंडम तरीके से बांटे गए ऐसे मिलते-जुलते मामलों की तुलना करना है जिन्हें वह काम मिला और जिन्हें नहीं मिला।
- उन ग्राहकों को लें जिनके इनवॉइस किसी अवधि में ड्यू हो रहे हैं।
- उनमें से एक हिस्से को रैंडम तरीके से एक अलग रखे गए समूह (held-out group) में डालें, जिसे कारोबार का सामान्य फॉलो-अप मिलता है पर AI रिमाइंडर नहीं।
- तब तक चलाएं जब तक दोनों समूह नीचे दिए गए सैंपल साइज तक न पहुंच जाएं।
- विश्लेषण ग्राहक के स्तर पर करें, हर ग्राहक के भुगतान के औसत दिनों से, क्योंकि कई इनवॉइस वाला ग्राहक एक ही इकाई है। टेस्ट खत्म होने तक जिन इनवॉइस का भुगतान नहीं हुआ, उन्हें छोड़ना नहीं चाहिए: किसी तय दिन, जैसे दिन 30, तक भुगतान हुए हिस्से की तुलना करें, या सर्वाइवल कर्व इस्तेमाल करें।
**सैंपल साइज।** भुगतान के औसत दिनों में δ का अंतर पकड़ने के लिए, जहां स्टैंडर्ड डेविएशन σ हो, 80 प्रतिशत पावर और 5 प्रतिशत पर दो-तरफा टेस्ट के साथ, हर समूह में लगभग n = 2 × (1.96 + 0.84)² × σ² ÷ δ² चाहिए, जो लगभग 15.7 × σ² ÷ δ² है।| पकड़ा जाने वाला अंतर | हर समूह में ग्राहक, σ = 15 दिन | हर समूह में ग्राहक, σ = 20 दिन |
|---|---|---|
| 5 दिन | 142 | 252 |
| 7 दिन | 73 | 129 |
| 10 दिन | 36 | 63 |
ये संख्याएं बराबर समूह मानती हैं। अलग रखा गया समूह छोटा हो तो कुल ग्राहक ज्यादा चाहिए: पांच में से एक ग्राहक अलग रखने पर कुल संख्या लगभग 56 प्रतिशत बढ़ जाती है, इसलिए σ = 20 पर 5 दिन का अंतर पकड़ने के लिए लगभग 790 ग्राहक चाहिए, जिनमें से 158 अलग रखे गए हों। भुगतान के दिनों का कारोबार का अपना स्टैंडर्ड डेविएशन इस्तेमाल करें।
स्तर 3 के टेस्ट की एक कीमत है: अलग रखे गए ग्राहकों को वे रिमाइंडर नहीं मिलते जो शायद मदद करते। अलग रखा गया हिस्सा उतना ही छोटा रखें जितना सैंपल इजाजत दे, टेस्ट की अवधि सीमित रखें, और इसे केवल वहीं चलाएं जहां कारोबार यह कीमत स्वीकार करता हो। ज्यादातर छोटे और मझोले कारोबारों के पास पर्याप्त ग्राहक नहीं होंगे, और उनके लिए स्तर 1 और स्तर 2 के आंकड़े, उसी रूप में चिह्नित, अधिकतम सीमा हैं।
Section 4पैसे की गिनती
4.1 रिमाइंडर के बाद वसूला गया पैसा (स्तर 1)
परिभाषा। किसी अवधि में उन इनवॉइस के सामने दर्ज रकम, जिन पर AI टीम का तैयार किया रिमाइंडर भुगतान से पहले एक बताई गई अवधि के भीतर डिलीवर हुआ था।
नियम।
- हर भुगतान एक ही बार गिनें, चाहे कितने भी रिमाइंडर भेजे गए हों।
- केवल वही रिमाइंडर गिनें जिनकी डिलीवरी की पुष्टि हुई हो, और केवल वही जो AI टीम ने तैयार किए हों।
- केवल वही रकम गिनें जो रिमाइंडर वाले इनवॉइस पर लगाई गई हो, उसके बकाया बैलेंस तक। कई इनवॉइस को कवर करने वाला भुगतान केवल रिमाइंडर वाले इनवॉइस के लिए गिना जाता है।
- इसे अवधि के साथ "रिमाइंडर के बाद वसूला गया" के रूप में रिपोर्ट करें।
अवधि में कुल वसूली के साथ पढ़ने पर यह दिखाता है कि कारोबार के वसूली के काम में AI टीम कितनी शामिल है।
4.2 डेज सेल्स आउटस्टैंडिंग (स्तर 2)
परिभाषा। ग्राहकों पर बकाया रकम ÷ अवधि की उधार बिक्री × अवधि के दिन। जहां बिक्री बढ़ रही हो या मौसमी हो, वहां अवधि का औसत बकाया इस्तेमाल करें, या काउंट-बैक तरीका, जो हाल के महीनों की बिक्री में पीछे की ओर तब तक जाता है जब तक अंतिम बैलेंस पूरा न हो जाए। बताएं कि कौन-सा तरीका इस्तेमाल हुआ।
कैश वैल्यू। DSO में हर दिन की कमी लगभग एक दिन की उधार बिक्री के बराबर कैश खाली करती है। खाली हुआ कैश × सालाना उधारी दर = सालाना बचा ब्याज। उदाहरण: ₹30 करोड़ की सालाना उधार बिक्री पर 8 दिन की कमी लगभग ₹66 लाख खाली करती है (₹30 करोड़ ÷ 365 × 8); 10.5 प्रतिशत की कैश-क्रेडिट दर पर इससे सालाना लगभग ₹6.9 लाख बचते हैं। कारोबार की अपनी दर इस्तेमाल करें।
4.3 ऑर्डर और बिक्री (स्तर 1)
किसी AI सदस्य द्वारा ग्राहक के संदेश से लिए गए और बिल किए गए ऑर्डर "AI द्वारा संभाली गई बातचीत से बिल हुए ऑर्डर" के रूप में गिने जा सकते हैं। तुलना के बिना यह पता नहीं कि ग्राहक वैसे भी ऑर्डर देता या नहीं।
4.4 दांव पर लगी रकम
कुछ वैल्यू पकड़ी गई गलतियों से आती है: सप्लायर का डुप्लीकेट बिल, जोखिम में पड़ा इनपुट टैक्स क्रेडिट, स्टॉक खत्म होने से रोका गया। इन्हें केवल तब गिनें जब रिकॉर्ड दिखाए कि AI ने मामला चिह्नित किया और किसी व्यक्ति ने उस पर कार्रवाई की। इनपुट टैक्स क्रेडिट के लिए, केवल वहां गिनें जहां चिह्नित GSTR-2B अंतर की वजह से रिटर्न में क्रेडिट क्लेम हुआ या सुरक्षित रहा। कुल को "दांव पर लगी रकम" के रूप में रिपोर्ट करें; इसे बचत तभी कहें जब कारोबार दिखा सके कि वरना वह गलती निकल जाती।
Section 5समय की गिनती
5.1 कारोबार के भीतर मापें
किसी वेंडर, किसी अध्ययन या किसी दूसरे कारोबार से हर काम के मिनट न लें। उन्हें मापें।
- वे काम चुनें जो AI टीम संभालती है, जैसे सप्लायर बिल पोस्ट करना या बैंक एंट्री का मिलान।
- AI शुरू होने से पहले, सामान्य दिनों में हर काम करते लोगों का समय मापें। जहां संभव हो, पहले और बाद में उन्हीं लोगों का समय मापें, और अवलोकन के पहले दिनों को छोड़ दें, जब लोग नजर रखे जाने की वजह से अलग तरह से काम करते हैं। हर काम के तीस मामले व्यावहारिक न्यूनतम हैं; औसत के साथ अंतराल (interval) भी रिपोर्ट करें।
- AI शुरू होने के बाद, AI के तैयार किए काम की समीक्षा का समय मापें, और यह दर्ज करें कि कितने ड्राफ्ट संपादित हुए और कितने नामंजूर।
5.2 समीक्षा और दोबारा किया गया काम शामिल करें
नामंजूर ड्राफ्ट पर व्यक्ति समीक्षा का समय लगाता है और फिर काम हाथ से करता है। संपादित ड्राफ्ट पर वह समीक्षा का समय और संपादन का समय लगाता है। इसलिए:
AI के साथ हर मामले का समय = समीक्षा का समय + (नामंजूर हिस्सा × हाथ से करने का समय) + (संपादित हिस्सा × संपादन का समय)कुल के लिए औसत (mean) इस्तेमाल करें: कुल = संख्या × औसत। सामान्य मामले के रूप में मीडियन अलग से रिपोर्ट करें, और औसत के लिए एक अंतराल दें, जैसे बूटस्ट्रैप से।उदाहरण। सप्लायर बिल हाथ से पोस्ट करने में औसतन 6.2 मिनट लगते हैं। AI ड्राफ्ट की समीक्षा में 1.4 मिनट लगते हैं; 8 प्रतिशत ड्राफ्ट नामंजूर होते हैं और 15 प्रतिशत संपादित, और संपादन में 2 मिनट लगते हैं। AI के साथ समय 1.4 + (0.08 × 6.2) + (0.15 × 2) = 2.2 मिनट है, यानी हर बिल पर 4.0 मिनट की बचत। हर महीने 1,500 ऐसे बिलों पर, जिन्हें कोई व्यक्ति वैसे भी पोस्ट करता, बचत लगभग 100 घंटे महीना है।
5.3 केवल वही काम गिनें जो वैसे भी होता
उन्हीं मामलों से गुणा करें जिन्हें कोई व्यक्ति वास्तव में संभालता। अगर AI हर ओवरड्यू इनवॉइस के लिए रिमाइंडर का ड्राफ्ट बनाता है पर टीम पहले केवल बड़े इनवॉइस पर रिमाइंडर भेजती थी, तो अतिरिक्त मामलों को अतिरिक्त कवरेज के रूप में अलग से रिपोर्ट करें।
5.4 समय को समय के रूप में रिपोर्ट करें
खाली हुए घंटों को घंटों में रिपोर्ट करें। पैसे में तभी बदलें जब कारोबार ने लागत घटाई हो या लोगों को आमदनी देने वाले काम में लगाया हो, और बताएं कि कौन-सा।
Section 6रिपोर्टिंग
हर आंकड़े के साथ चार चीजें होती हैं: इकाई और अवधि के साथ आंकड़ा; उसका स्तर; उसका आधार (रिकॉर्ड और परिभाषा, किसी भी अवधि सहित); और वह क्या नहीं दिखाता।
अक्टूबर में रिमाइंडर के बाद ₹18.4 लाख वसूले गए (स्तर 1, 14 दिन की अवधि)। उन इनवॉइस पर लगाई गई रकम जिन पर भुगतान से 14 दिन या उससे कम पहले AI रिमाइंडर डिलीवर हुआ था। कुछ ग्राहक बिना रिमाइंडर के भी भुगतान कर देते।
तरीके पर खरी न उतरने वाली पंक्ति:
आपकी AI टीम ने अक्टूबर में आपको ₹18.4 लाख कमाकर दिए।
Section 7MatruOS के आंकड़े इस तरीके के सामने
MatruOS एक बिजनेस सिस्टम है जिसमें AI सदस्य कारोबार के लोगों के साथ काम करते हैं। इसकी Home स्क्रीन दिखाती है कि AI टीम ने क्या किया और उसके काम के बाद कितना पैसा दर्ज हुआ, जो कारोबार के रिकॉर्ड से गिना जाता है। लिखे जाने के समय ये स्तर 1 के आंकड़े हैं।
7.1 प्रोडक्ट क्या दिखाता है
- रिमाइंडर के बाद वसूला गया पैसा
- इस महीने उन इनवॉइस पर हुए भुगतान जिन पर भुगतान से पहले उस इनवॉइस के बारे में अपने आप जाने वाला "जल्द ड्यू" या "ओवरड्यू" संदेश गया था।
- बातचीत से बिल हुए ऑर्डर
- इस महीने बने और तब से बिल हुए चैट ऑर्डर का कुल।
- किया गया काम
- AI टीम के पूरे किए काम, ऐसे AI बदलाव जो लागू हुए या जिन्हें किसी व्यक्ति ने मंजूर किया, और भेजे गए संदेश।
- एक्टिविटी ट्रेल
- AI टीम ने जो कुछ किया या करने को कहा, उसकी सूची, सबसे नया सबसे ऊपर, हर सदस्य के कारण के साथ और यह कि किसी व्यक्ति ने उसे मंजूर किया या नामंजूर।
- Auto mode Home
- जो कारोबार Auto mode चुनता है, उसे लूपों के दर्ज नतीजों का "Worth this month" कुल दिखता है।
- हर सदस्य का प्रदर्शन
- हर AI सदस्य के लिए, डिफॉल्ट रूप से पिछले 30 दिनों का, पूरा और विफल हुआ काम, मंजूर और नामंजूर बदलाव, लोगों की दी रेटिंग और इस्तेमाल हुआ AI।
7.2 प्रोडक्ट अभी कहां इस तरीके का पालन नहीं करता
- कोई अवधि नहीं।
- भुगतान तब गिना जाता है अगर इनवॉइस के बारे में कोई भी अपने आप जाने वाला रिमाइंडर उससे पहले कभी भी गया हो।
- भेजे गए संदेश गिनता है।
- "भेजा गया" चिह्नित संदेश भी गिने जाते हैं, साथ ही वे भी जिनकी डिलीवरी या पढ़े जाने की पुष्टि हुई।
- शेड्यूल्ड रिमाइंडर गिनता है।
- शेड्यूल्ड रिमाइंडर टेम्पलेट AI सदस्य के लिखे संदेशों के साथ गिने जाते हैं। किसी व्यक्ति के लिखे संदेश नहीं गिने जाते।
- ऑर्डर और संदेशों में वह काम भी शामिल है जो किसी AI ने नहीं किया।
- ऑर्डर का आंकड़ा हर बिल हुए चैट ऑर्डर को गिनता है, उन ऑर्डर को भी जिनकी लाइनें MatruOS ने नियम से पढ़ीं और जिन्हें किसी व्यक्ति ने बिल किया। संदेशों की गिनती में शेड्यूल्ड रिमाइंडर शामिल हैं।
- गहराई में जाने की सुविधा नहीं।
- Home का आंकड़ा अभी अपने पीछे के भुगतानों और संदेशों की सूची में नहीं खुलता; वे रिकॉर्ड कारोबार की बुक्स और बातचीत में हैं।
- Auto mode का कुल अलग-अलग तरह की चीजें जोड़ता है। यह रिमाइंडर के बाद हुए भुगतान, बनाए गए इनवॉइस और जीते गए कोटेशन की वैल्यू, और दिए गए परचेज ऑर्डर की वैल्यू को जोड़ता है, और जब किसी व्यक्ति ने कदम मंजूर किया तो उसका श्रेय लूप को देता है। केवल रिमाइंडर के बाद भुगतान वाला हिस्सा स्तर 1 का पैसे वाला आंकड़ा है, जो कदम के 14 दिन के भीतर गिना जाता है। बनाए गए इनवॉइस और जीते गए कोटेशन बिक्री हैं, और परचेज ऑर्डर खर्च हैं; इनमें से कोई भी AI टीम का कमाया पैसा नहीं है।
हमने इन्हें प्रोडक्ट के काम के रूप में दर्ज किया है। स्तर 2 की तुलनाएं और स्तर 3 के तुलना समूह प्रोडक्ट में उपलब्ध नहीं हैं और यहां इनका दावा नहीं किया गया है।
AI से गलती हो सकती है। Home के आंकड़े रिकॉर्ड गिनते हैं; वे यह नहीं दिखाते कि नतीजे AI टीम की वजह से आए।
Section 8तरीके की सीमाएं
- स्तर 1 को गलत समझा जा सकता है।
- स्तर 1 का आंकड़ा जैसा बताया गया है वैसा सही है, पर पाठक उसमें "की वजह से" सुन सकते हैं। चिह्नित करना और अवधि बताना इसे कम करते हैं; खत्म नहीं करते।
- बेसलाइन भ्रम पैदा कर सकती है।
- जिस कारोबार ने तेज बढ़त, मंदी या ग्राहकों के मिश्रण में बदलाव के दौरान AI अपनाया, उसे ऐसे बदलाव दिख सकते हैं जिनका AI से कोई संबंध नहीं। सामान्य दायरे वाली कसौटी इसका एक हिस्सा पकड़ती है।
- छोटे कारोबारों के सैंपल छोटे होते हैं।
- 40 उधार ग्राहकों के साथ, हर समूह में 20, स्तर 3 का टेस्ट जो सबसे छोटा अंतर पकड़ सकता है, वह σ = 15 पर लगभग 13 दिन और σ = 20 पर 18 दिन है, और मासिक DSO कई वजहों से बदलता है। स्तर 1 के आंकड़े और लंबी अवधि का स्तर 2 वाला नजरिया ही अधिकतम सीमा हैं।
- टाइम स्टडी में मेहनत लगती है।
- जो कारोबार हर काम के 30 मामलों का समय नहीं माप सकता, उसे AI टीम के काम को कामों की गिनती के रूप में रिपोर्ट करना चाहिए।
- कुछ वैल्यू गिनती में नहीं आती।
- ग्राहकों को तेज जवाब और महीने के अंत में कम ओवरटाइम असली हैं और इनकी कीमत लगाना कठिन है। तरीका इन्हें गिनती के रूप में रिपोर्ट करता है और आकलन मालिक पर छोड़ता है।
Section 9इस तरीके के लिए एक टूल
एक वैल्यू-लाइन बिल्डर, जो खंड 6 के चार रिपोर्टिंग फील्ड और खंड 5.2 का समय वाला फॉर्मूला लागू करे और नतीजा os.matruos.com की Home स्क्रीन में ले जाए, रिसोर्सेज लाइब्रेरी के लिए योजना में है।
Section 10निष्कर्ष
ये आंकड़े AI वैल्यू के ज्यादातर प्रकाशित दावों से छोटे हैं। हर आंकड़ा अपने स्रोत रिकॉर्ड, अपनी परिभाषा और अपना स्तर बताता है, ताकि मालिक या ऑडिटर उसे दोबारा गिन सके।
स्रोत
31 अक्टूबर 2026 को जांचे गए।
- Neyman, J. (1923). On the application of probability theory to agricultural experiments. Translated in Statistical Science, 5(4), 465–472 (1990).
- Rubin, D. B. (1974). Estimating causal effects of treatments in randomized and nonrandomized studies. Journal of Educational Psychology, 66(5), 688–701.
- Holland, P. W. (1986). Statistics and causal inference. Journal of the American Statistical Association, 81(396), 945–960.
- Shadish, W. R., Cook, T. D. and Campbell, D. T. (2002). Experimental and Quasi-Experimental Designs for Generalized Causal Inference. Houghton Mifflin.
- Bernal, J. L., Cummins, S. and Gasparrini, A. (2017). Interrupted time series regression for the evaluation of public health interventions: a tutorial. International Journal of Epidemiology, 46(1), 348–355.
- Kohavi, R., Tang, D. and Xu, Y. (2020). Trustworthy Online Controlled Experiments: A Practical Guide to A/B Testing. Cambridge University Press.
- Brynjolfsson, E., Li, D. and Raymond, L. (2025). Generative AI at work. Quarterly Journal of Economics, 140(2), 889–942.
- Noy, S. and Zhang, W. (2023). Experimental evidence on the productivity effects of generative artificial intelligence. Science, 381(6654), 187–192.
- Dell'Acqua, F. et al. (2023). Navigating the jagged technological frontier: field experimental evidence of the effects of AI on knowledge worker productivity and quality. Harvard Business School Working Paper 24-013.
- International Labour Office (1992). Introduction to Work Study, fourth edition. Geneva.
बदलावों का ब्योरा
- 1.2 (31 अक्टूबर 2026): प्रोडक्ट की कमियां सुधारी गईं (ऑर्डर और संदेश; बंटवारा पहले से इनवॉइस के हिसाब से); स्तर 2 का नियम एक किया गया; स्तर 3 में सेंसरिंग और क्लस्टरिंग जोड़ी गई।
- 1.1 (31 अक्टूबर 2026): एट्रिब्यूशन अवधि, डिलीवरी और बंटवारे के नियम जोड़े गए; स्तर 2 के लिए सामान्य दायरे की कसौटी और खतरे; स्तर 3 के लिए सैंपल साइज; समय का फॉर्मूला औसत और दोबारा किए गए काम के हिसाब से सुधारा गया; संबंधित शोध जोड़ा गया; कमियां बताने के लिए प्रोडक्ट वाला खंड दोबारा लिखा गया।
- 1.0 (अक्टूबर 2026): पहला संस्करण।