जिन media tasks को मैंने देखा, उनमें AI लगभग 75–80% काम कर सकता है — हिस्सा production, assembly और pattern-finding में सबसे ऊँचा, और negotiation, relationships और final judgment में बहुत कम। यही 75–80% principle है, और इसके बारे में पहली बात यह है कि यह एक heuristic है, benchmark नहीं।
मैं नंबर के साथ सावधान रहना चाहता हूँ, क्योंकि round figures झूठी precision खींचते हैं। 75–80% किसी controlled study का measured statistic नहीं है। यह वह shape है जो मैं इन workflows को ख़ुद चलाने और teams को चलाते देखने के बाद बार-बार देखता हूँ: AI एक task का बड़ा, repeatable, generative बीच ले लेता है, और एक छोटा, higher-stakes किनारा छोड़ देता है जो human रहता है। Exact हिस्सा task, team, और context कितना साफ़ है इससे बदलता है। Shape मेरे लिए टिकी है; decimal नहीं।
मैंने इस framing को AI-native मीडिया operations की definition में लिखा क्योंकि teams दोनों छोरों पर मुसीबत में पड़ती हैं। चलिए बताता हूँ कि line कहाँ गिरती है, और इसे अपने काम में कैसे खोजें।
75–80% principle क्या कहता है
Principle कहता है कि एक आम media task के लिए, एक अच्छी तरह design किया हुआ workflow जिसमें AI पहला pass करे, काम का ज़्यादातर हिस्सा cover कर सकता है, और एक human बाक़ी cover करता है। यह नहीं कहता कि AI हर task का 80% करता है, और यह नहीं कहता कि human 20% importance में छोटा है। Importance और volume अलग axes हैं।
इसे score के बजाय श्रम-विभाजन मानिए। Model बहुत कुछ plausible जल्दी produce करने में सबसे अच्छा है: options, variants, summaries, first drafts, pattern calls। Human क्या मायने रखता है तय करने, plausible में से चुनने, और नतीजे उठाने में सबसे अच्छा है। प्रतिशत बस एक याद दिलाव है कि boundary मौजूद है — और यह ज़्यादातर सतर्क teams की अपेक्षा से ज़्यादा model की तरफ़ बैठती है, और ज़्यादातर उत्साही vendors के मुक़ाबले ज़्यादा human की तरफ़।
जहाँ AI का हिस्सा ऊँचा है
जिन tasks में AI सबसे ज़्यादा ज़मीन cover करता है उनमें तीन गुण हैं: ऊँचा volume, प्रति unit कम नतीजा, और check करने के लिए एक साफ़ standard।
- Creative और copy variants। Headlines, descriptions, hooks, social copy — एक AI-native team एक तय brief पर दर्जनों produce करती है, फिर एक human prune करता है।
- Research synthesis। सार्वजनिक sources के ढेर को एक structured summary में बदलना अब mechanical है, जो analyst को बेहतर सवाल पूछने के लिए आज़ाद करता है।
- Reporting assembly। Weekly numbers को pull, join, format और narrate करना largely automatable है जब data साफ़ हो।
- Budget और pacing का गणित। Reforecast, plan के सामने spend check, और anomalies flag करना pattern-finding tasks हैं जो model अच्छे से करता है।
- Localization और adaptation। एक campaign को markets में translate और adapt करना, अंत में एक native reviewer के साथ, एक volume task है जो अच्छे से scale करता है।
इन जगहों पर, 75–80% एक conservative estimate है। एक अच्छे operator को एक अच्छे workflow के साथ काम करते देखें और model का हिस्सा और ऊँचा लगता है।
जहाँ AI का हिस्सा कम है
जिन tasks में AI सबसे कम ज़मीन cover करता है उनमें उल्टे गुण हैं: कम volume, प्रति unit ऊँचा नतीजा, और कोई साफ़ standard नहीं।
- Negotiation। Media buying, rate cards, partnerships और commitments relational और adversarial हैं। Model आपको तैयार कर सकता है; वह टेबल के दूसरी तरफ़ नहीं बैठ सकता।
- Relationship और trust। Clients confidence ख़रीदते हैं। Confidence बातचीत में बनती है और उस व्यक्ति द्वारा दी जाती है जिसका नाम काम पर है।
- Final judgment। एक plan चुनना जो client की असली constraint में फिट हो, या एक test रोकने का पल, एक ऐसा judgment है जिसके लिए कोई model accountable नहीं हो सकता।
- Brand और taste के फ़ैसले। यह जानना कि copy on-brand है, सिर्फ़ correct नहीं, सीखा हुआ human judgment है, और यहीं आख़िरी 20% अपना ख़र्च निकालता है।
- सवाल का नाम रखना। Model लगभग कुछ भी जवाब देगा। यह तय करना कि कौन-सा सवाल पूछने लायक़ है — और कौन-सा metric मायने रखता है — अब भी senior operator का सबसे क़ीमती काम है।
इन जगहों पर model शायद मदद करे, लेकिन 75–80% एक बेतुका अतिशयोक्ति होगा। यहाँ human का हिस्सा ही काम का ज़्यादातर हिस्सा है।
विभाजन का एक मोटा map
| Task | AI का हिस्सा | क्या human रहता है |
|---|---|---|
| Creative और copy variants | ऊँचा | Brief, brand judgment, final pick |
| Research synthesis | ऊँचा | सवाल frame करना, sources validate करना |
| Reporting assembly | ऊँचा | Numbers interpret करना, recommendation |
| Budget और pacing गणित | ऊँचा | Signal पर कार्रवाई का फ़ैसला |
| Localization और adaptation | ऊँचा | Cultural nuance, native review |
| Media planning drafts | मध्यम | Constraint चुनना, plan का owner होना |
| Negotiation | कम | पूरी बातचीत |
| Client relationships | कम | Trust, context, accountability |
| Final go/no-go judgment | कम | फ़ैसला और उसके नतीजे |
Table को shape की तरह पढ़ें, scoreboard की तरह नहीं। ऊँचे-हिस्से वाली rows वहाँ हैं जहाँ आप workflow पहले दोबारा बनाते हैं, क्योंकि throughput वहीं रहता है। कम-हिस्से वाली rows वहाँ हैं जहाँ आप capacity बचाते हैं, क्योंकि value वहीं रहती है।
नंबर shape से कम क्यों मायने रखता है
Principle का सबसे आम दुरुपयोग नंबर को ऐसे quote करना है जैसे वह मापा गया हो, और फिर उसके इर्द-गिर्द plan बनाना।
एक team "80%" सुनती है और मान लेती है कि पाँच में से चार लोग काट सकती है। दूसरी team वही नंबर सुनती है और मान लेती है कि सुरक्षित रहने के लिए सब कुछ human रखना पड़ेगा। दोनों एक heuristic को fact मान रही हैं। नंबर का काम आपको ईमानदार रखना है कि कौन-से 20% आपको रखने हैं — और आपको या तो judgment को ज़रूरत से ज़्यादा delegate करने से रोकना, या assembly को दोबारा करने से इनकार करने से रोकना।
अगर एक बात याद रखें, तो यह: volume machine के आधे में रहता है, और accountability आपके आधे में। दो आधे interchangeable नहीं हैं, इसीलिए एक single percentage description उपयोगी है और एक single percentage target ख़तरनाक।
अपने tasks audit कैसे करें
Principle से शुरू न करें। अपने असली काम से शुरू करें, और principle audit से निकलने दें।
- Tasks गिनें, job titles नहीं। "Weekly report produce करो" pull, clean, join, format, narrate और interpret में टूटती है। पहले पाँच ऊँचे-हिस्से वाले हैं; आख़िरी कम-हिस्से वाला।
- हर task के लिए तीन सवाल पूछें। कितना volume? प्रति unit कितना नतीजा? चेक करने के लिए एक साफ़ standard है? ऊँचा volume + कम नतीजा + साफ़ standard का मतलब ऊँचा AI हिस्सा।
- Standard को स्पष्ट mark करें। बिना review standard वाला task human रहता है जब तक आप एक define न करें। बिना standard का volume risk है, throughput नहीं।
- कम-हिस्से वाले किनारे को बचाएँ। नाम लें कि judgment, relationship और final call का owner कौन है। अगर वह अस्पष्ट है, तो workflow पूरा नहीं है।
Audit आमतौर पर एक surprise produce करती है: एक team अपनी ज़्यादातर बेचैनी उस कदम पर बिताती है जिसे automate करना आसान है, और लगभग कुछ नहीं उस judgment कदम पर जहाँ उसे invest करना चाहिए। Execution guide इस audit को बाक़ी lifecycle के लिए एक rollout order में बदलता है।
दोनों छोरों के failure modes
ज़रूरत से ज़्यादा delegate करना। Team बिना review के AI output भेजती है, फिर tool को दोष देती है जब एक ग़लत claim या competitor का नाम live चला जाता है। Model ने वही किया जो कहा गया; workflow ने ग़लत जगह पर human हटा दिया। यह 20% का 80% द्वारा चोरी होना है।
बहुत कम delegate करना। Team AI को spell-checker की तरह इस्तेमाल करती है और हर stage manual रखती है, फिर सोचती है कि कुछ compound क्यों नहीं होता। यह 80% को 20% की तरह मानना है। दोनों ग़लतियाँ एक ही भूल से आती हैं: यह न जानना कि आप किस आधे में हैं।
क्या मापें
Model का हिस्सा और human का हिस्सा अलग-अलग track करें। Cycle time बताता है कि workflow सचमुच तेज़ है; quality और error rate बताते हैं कि review अपना काम कर रहा है। अगर cycle time गिरता है लेकिन errors बढ़ते हैं, तो आपने काम machine पर हिलाया बिना standard हिलाए — जो client का trust खोने का सबसे तेज़ तरीक़ा है और वापस जीतने का सबसे धीमा।
FAQ
क्या 75–80% एक measured figure है?
नहीं। यह इन workflows को देखने से निकला एक काम का heuristic है, किसी study का benchmark नहीं। Shape को उपयोगी हिस्सा मानें: production और assembly में ऊँचा हिस्सा, judgment और relationships में कम।
क्या AI एक media task का 100% कर सकता है?
उसका नहीं जहाँ किसी व्यक्ति को result पर अपना नाम लगाना हो। AI material और पहला pass produce कर सकता है, और संकुचित, low-consequence tasks में end to end चल सकता है। असली नतीजे वाली किसी भी चीज़ को एक human owner चाहिए।
ऊँचा AI हिस्सा कम लोग मतलब है?
इसका मतलब अक्सर assembly के लिए कम लोग और judgment, relationships और review के लिए वही या ज़्यादा। Functions ग़ायब होने के बजाय concentrate हो जाते हैं, इसलिए headcount का जवाब इस पर निर्भर है कि आप किस आधे की तरफ़ झुके थे।
कैसे पता चले कि मैंने split सही किया?
दो signals। Cycle time बिना errors बढ़े गिरता है, और कम-हिस्से वाले किनारे — judgment, relationships, final call — का एक नामित owner है। अगर कोई एक ग़ायब है, तो boundary tune करते रहें।
Short version
ज़्यादातर media tasks में AI लगभग 75–80% काम करता है, हिस्सा production, assembly और pattern-finding में सबसे ऊँचा और negotiation, relationships और final judgment में सबसे कम। यह उन 20% को खोजने का heuristic है जिन्हें human रखना है, headcount का target नहीं। अपने tasks को volume, नतीजे और review standard के लिए audit करें; ऊँचे-हिस्से वाला आधा automate करें, कम-हिस्से वाले किनारे को बचाएँ, और cycle time और quality साथ मापें। Execution guide उस काम का पूरा map है, और for-team-leads track audit को एक rollout order में बदलती है।
मैं अब भी यह field सबके सामने सीख रहा हूँ, और tools के साथ मेरा नंबर खिसकता रहता है। लेकिन shape टिकी है: volume delegate करने लायक़ है, accountability नहीं।
अगर आपकी team ने यह audit चलाई है, तो मैं सुनना चाहूँगा कि किस चीज़ ने आपको चौंकाया — आमतौर पर वह task नहीं जिसकी लोग उम्मीद करते हैं।
शुभकामनाओं सहित, Chandler
यह लेख हिंदी में उपलब्ध है, लेकिन कोर्स सामग्री (वीडियो, टेम्पलेट्स और सपोर्टिंग गाइड्स) अंग्रेज़ी, जापानी, सरलीकृत चीनी और कोरियाई में उपलब्ध है। यह साइट 13 भाषाओं में उपलब्ध है।