आज के ट्रेंड पर वापस: कुछ ChatGPT Pro यूज़र अब अपने फ़ोन पर ऐसे सहायक बना सकते हैं जो लगातार काम करते रहें
Poly रेटिंग · आज के ट्रेंड से

AI एजेंट क्या कर सकते हैं? 2026 के शीर्ष 10 काम

METR का अनुमान है कि Claude Opus 4.5 लगभग 5 घंटे के इंसानी काम के बराबर कार्य पूरे कर सकता है, फिर भी Claude Code के सबसे लंबे 0.1% टर्न भी सिर्फ लगभग 42 मिनट चले: लोग एजेंटों को जितना संभाल सकते हैं, उससे बहुत कम अकेला छोड़ते हैं।

  • नंबर 1: AI कोडिंग एजेंट (बग ठीक करना, टेस्ट, फ़ीचर)
  • 10 स्थान

01अंतिम सूची

अग्रणी AI ने स्वतंत्र रूप से अपनी-अपनी दस स्थानों की सूची बनाई। यहाँ एक आसानी से जाँचा जा सकने वाला नतीजा है: हर स्थान का कारण, स्रोत और उसे शामिल करने वाले AI की सूची है।

क्रम: सबसे अधिक AI सहमति से सबसे कम तक।

चमकीला बैज: इस AI ने प्रविष्टि अपनी सूची में रखी। फीका बैज: नहीं रखी।

  1. 1

    AI कोडिंग एजेंट (बग ठीक करना, टेस्ट, फ़ीचर)

    एन्थ्रॉपिक के API पर एजेंट के सभी टूल कॉल का लगभग आधा, METR horizon लगभग 12 घंटे (पहले 14.5 बताया गया), और वह पहला काम जिसे शुरू करने के लिए dot बनाया गया है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek. शामिल नहीं किया: StepFun, Wenxin.

    उनकी सूचियों में: Claude: 1 · ChatGPT: 1 · Meta: सूची देखें · Grok: 1 · Gemini: सूची देखें · Kimi: 1 · DeepSeek: सूची देखें

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 1

      एजेंट के सभी टूल कॉल का लगभग आधा हिस्सा, 12–17 घंटे का METR होराइज़न, और वह काम जिसके लिए एक dot ख़ास तौर पर बना है। यहाँ क्षमता, माँग और बिना निगरानी चलना, तीनों एक साथ दिखते हैं।

      स्रोत ↗
    • ChatGPTस्थान 1

      जो एजेंट आपके सोते समय काम करे, उसका सबसे मज़बूत मामला सबसे मापने योग्य भी है: कोड की जाँच हो सकती है, विफलताएँ दोबारा पैदा की जा सकती हैं, और रिलीज़ से पहले बदलावों की समीक्षा हो सकती है।

      स्रोत ↗
    • Meta

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • Grokस्थान 1

      प्रमुख हाथ-सौंपना (Claude चैट का लगभग एक-तिहाई) और वह क्षेत्र जहाँ एजेंट पहले ही अकेले कई घंटे के काम पूरे कर लेते हैं

      स्रोत ↗
    • Gemini

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • Kimiस्थान 1

      एकमात्र काम जो चारों मानदंडों पर एक साथ शीर्ष पर है: Claude.ai की सभी बातचीत का लगभग 35%, लगभग 12 घंटे का अकेला कार्य-टाइम होराइज़न, और अब 42% संगठन एजेंटों को विकास का नेतृत्व करने देते हैं।

      स्रोत ↗
    • DeepSeek

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  2. 2

    AI रिसर्च एजेंट (गहरी वेब रिसर्च और संक्षिप्त रिपोर्ट)

    शीर्ष एजेंट BrowseComp पर लगभग 90% बताते हैं, जहाँ इंसानी प्रशिक्षकों ने दो घंटे बाद 70.8% सवाल छोड़ दिए थे, और रिसर्च डिज़ाइन से ही रात भर चलती है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek. शामिल नहीं किया: StepFun, Wenxin.

    उनकी सूचियों में: Claude: 2 · ChatGPT: 7 · Meta: 3 · Grok: 4 · Gemini: सूची देखें · Kimi: 3 · DeepSeek: 7

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 2

      इंसानी ट्रेनर दो घंटे बाद BrowseComp के 70.8% सवाल छोड़ चुके थे। शीर्ष एजेंट अब लगभग 90% तक पहुँच रहे हैं, और रिसर्च रात भर चलने के लिए ही बनाई जाती है।

      स्रोत ↗
    • ChatGPTस्थान 7

      एक dot ग्राहक फ़ीडबैक और नई खोजों से पहली डेक बना सकता है; तर्क, आँकड़े और आख़िरी स्लाइड पर किया गया वादा अब भी अधिकारी की ज़िम्मेदारी है।

      स्रोत ↗
    • Metaस्थान 3

      GAIA Level 1 पर 78-82% बनाम इंसान का 92%, Level 3 पर केवल 35-45% – रिसर्च तभी तक सुलझी है जब तक वह सचमुच कठिन न हो

      स्रोत ↗
    • Grokस्थान 4

      एजेंट लंबी रिसर्च शृंखलाओं (METR-शैली) में उत्कृष्ट हैं, और dots चैट व वेब पर पृष्ठभूमि खोज के लिए बने हैं

      स्रोत ↗
    • Gemini

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • Kimiस्थान 3

      बेंचमार्क कहते हैं कि यह इंसानों से बेहतर है (GAIA 94% बनाम इंसानों का 92%) – पर GAIA के सवाल 2023 से सार्वजनिक हैं, इसलिए यह स्कोर क्षमता प्रमाणित करता है, रात भर की विश्वसनीयता नहीं।

      स्रोत ↗
    • DeepSeekस्थान 7

      71.4% एजेंट उपयोग के मामले शेड्यूल या घटना पर चलते हैं – रिसर्च मूल ‘सेट करो और भूल जाओ’ वाला काम है।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  3. 3

    AI डेटा विश्लेषण और रिपोर्ट एजेंट

    वह काम जो अधिकारी एजेंट को सबसे ज़्यादा सौंपते हैं (38%) और 60% कंपनियाँ जिसे सबसे असरदार मानती हैं, फिर भी डेटा विश्लेषण ChatGPT के संदेशों का सिर्फ 0.4% है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek. शामिल नहीं किया: StepFun, Wenxin.

    उनकी सूचियों में: Claude: 4 · ChatGPT: 4 · Meta: 2 · Grok: 3 · Gemini: 3 · Kimi: 2 · DeepSeek: 2

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 4

      यह दुर्लभ आउटपुट है, जहाँ चैट यूज़र कोडर्स से ज़्यादा काम सौंप देते हैं: स्वायत्तता 3.09 बनाम 2.74। फिर भी यह ChatGPT के संदेशों का केवल 0.4% है।

      स्रोत ↗
    • ChatGPTस्थान 4

      रात भर का फ़ायदा कोई रहस्यमय भविष्यवाणी नहीं है: सुबह उठकर साफ़ किया गया डेटा, जाँचे गए हिसाब, चार्ट और ऐसी रिपोर्ट मिलना जो अपना तरीका दिखाती है।

      स्रोत ↗
    • Metaस्थान 2

      एजेंट <4-मिनट के कामों पर ∼100%, पर >4-घंटे के कामों पर <10% – मिलान (रिकंसिलिएशन) वहीं है जहाँ प्राइसवाटरहाउसकूपर्स ने फ़्रंटियर स्प्रेडशीट एजेंट बनाया

      स्रोत ↗
    • Grokस्थान 3

      मापे गए आउटपुट में काम से जुड़ी सबसे ऊँची तीव्रता (82%), और यह बिना निगरानी वाले एजेंट रनों के लिए फ़िट बैठता है

      स्रोत ↗
    • Geminiस्थान 3

      Anthropic Economic Index के सबसे ऊँचे प्रभाव वाले स्तर में विश्लेषणात्मक स्क्रिप्ट निष्पादन आता है, जो नियतात्मक टेस्ट सत्यापन के साथ बिना निगरानी डेटाबेस परिवर्तन की अनुमति देता है।

    • Kimiस्थान 2

      सबसे भरोसेमंद प्रतिनिधि: डेटा विश्लेषण वह काम है जिसके लिए लोग एजेंट पर सबसे ज़्यादा भरोसा करते हैं (38%), और 60% कारोबार इसे अपना सबसे प्रभावशाली एजेंट उपयोग कहते हैं – फिर भी रोज़ की चैट ट्रैफ़िक में यह लगभग दर्ज नहीं होता।

      स्रोत ↗
    • DeepSeekस्थान 2

      स्वचालित रिपोर्ट निर्माण एजेंट-विश्वास सूचकांक में 83.5/100 पर शीर्ष पर है – सबसे भरोसेमंद एजेंट काम वही है जो सबसे उबाऊ भी है।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  4. 4

    AI लेखन एजेंट (दस्तावेज़, रिपोर्ट, कंटेंट)

    दस्तावेज़ Claude की काम वाली चैट का 20% हैं, फिर भी चैट में एक ब्लॉग पोस्ट आम तौर पर 13 दौर लेती है, जबकि Claude Code में एक ही प्रॉम्प्ट काफी है: साथ मिलकर लिखा जाता है, शायद ही कभी सौंपा जाता है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek. शामिल नहीं किया: StepFun, Wenxin.

    उनकी सूचियों में: Claude: 5 · ChatGPT: 3 · Meta: 4 · Grok: 2 · Gemini: सूची देखें · Kimi: सूची देखें · DeepSeek: सूची देखें

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 5

      काम की चैट का सबसे बड़ा आउटपुट (20%), फिर भी ब्लॉग पोस्ट के लिए चैट में मीडियन 13 राउंड लगते हैं, जबकि Claude Code में एक प्रॉम्प्ट काफ़ी है।

      स्रोत ↗
    • ChatGPTस्थान 3

      एक इंटरव्यू शो-नोट्स, न्यूज़लेटर, सोशल पोस्ट और ब्लॉग लेख का पहला ड्राफ़्ट बन सकता है, पर बिना समीक्षा के प्रकाशित करना एक अलग काम है।

      स्रोत ↗
    • Metaस्थान 4

      लेखन दूसरा सबसे बड़ा काम-समूह है, फिर भी 86% कहते हैं कि AI उन्हें तेज़ बनाता है – यह नहीं कि ड्राफ़्ट की जगह ले लेता है

      स्रोत ↗
    • Grokस्थान 2

      काम की तीव्रता लगभग शीर्ष पर: इन आउटपुट का 80–81% काम से जुड़ा है, फिर भी लोग अक्सर पूरी तरह सौंपने के बजाय बार-बार सुधारते हैं

      स्रोत ↗
    • Gemini

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • Kimi

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • DeepSeek

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  5. 5

    AI ग्राहक सेवा एजेंट (टिकट छाँटना और जवाब देना)

    व्यावसायिक एजेंटों का सबसे आम काम (26.5%), लेकिन tau-bench रिटेल में सफलता एक कोशिश में 84.4% से गिरकर चार कोशिशों में 59.6% रह जाती है, और सिर्फ 22% अधिकारी अपने-आप होने वाली बातचीत पर भरोसा करते हैं।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek. शामिल नहीं किया: StepFun, Wenxin.

    उनकी सूचियों में: Claude: 8 · ChatGPT: 8 · Meta: 5 · Grok: 5 · Gemini: 4 · Kimi: 5 · DeepSeek: 4

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 8

      एन्थ्रॉपिक के देखे गए सबसे स्वायत्त एजेंट कामों में से, फिर भी गैर-कोडिंग हर डोमेन ट्रैफ़िक का केवल कुछ प्रतिशत है। कारोबार इसे स्वचालित करते हैं; लोग मुश्किल से इसे सौंपते हैं।

      स्रोत ↗
    • ChatGPTस्थान 8

      रोज़मर्रा के सवाल का जवाब देना दिखाना आसान है; असली ग्राहक की समस्या को कई टूल, नीतियों और अपवादों के बीच सुलझाना कठिन परीक्षा है।

      स्रोत ↗
    • Metaस्थान 5

      विक्रेता पहला जवाब 50-70% तेज़ देने का दावा करते हैं, पर OSWorld अब भी असली कंप्यूटर कामों में हर 3 में से 1 असफल होता है

    • Grokस्थान 5

      कुछ डेटा में ऊँचा संभावित प्रभाव (शीर्ष व्यवसायों के पास), पर पूरी तरह सौंपने की दर कोडिंग से कम

      स्रोत ↗
    • Geminiस्थान 4

      ग्राहक-सामने वाले एजेंट संरचित GAIA मूल्यांकन पर 90% से ऊपर रूटिंग सटीकता पाते हैं, फिर भी संगठन लाइव ग्राहक-सामने वाले जवाबों के 57% पर इंसानी मंज़ूरी रखते हैं।

      स्रोत ↗
    • Kimiस्थान 5

      सबसे अधिक प्रोडक्शन में तैनात गैर-कोडिंग काम – और पहला, जहाँ बेंचमार्क छत तक पहुँच गया: tau-bench text पर 87.9% लगभग हल हो चुका है, इसलिए अब दोहराव पर विश्वसनीयता ही असली मापदंड है।

      स्रोत ↗
    • DeepSeekस्थान 4

      ग्राहक सेवा 70.1% AI-प्रभावित है, फिर भी ज़्यादातर बातचीत मिलकर ही होती है – स्वचालन हिस्सेदारी संपर्क से पीछे है।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  6. 6

    AI ईमेल और कैलेंडर सहायक

    ईमेल के ड्राफ़्ट Claude की काम वाली चैट का 7% हैं, और dots रोज़ कैलेंडर देखते हैं, पर ग्राहक को भेजना वह कदम है जिसे किताबी तौर पर पलटा नहीं जा सकता; उपभोक्ताओं के शेड्यूलिंग सौंपने का स्कोर सिर्फ 0.07–0.32 है।

    शामिल किया: Claude, ChatGPT, Meta, Grok, Gemini, Kimi, DeepSeek. शामिल नहीं किया: StepFun, Wenxin.

    उनकी सूचियों में: Claude: 6 · ChatGPT: 10 · Meta: 8 · Grok: 6 · Gemini: 7 · Kimi: 7 · DeepSeek: 10

    हर AI ने क्या नोट किया 7
    • Claudeस्थान 6

      काम की 7% चैट ईमेल ड्राफ़्ट पर खत्म होती है, और ग्राहक को ईमेल भेजना एन्थ्रॉपिक के हिसाब से उस कदम का सबसे साफ़ उदाहरण है जिसे पलटा नहीं जा सकता। सोते समय ड्राफ़्ट बनाना आसान है; भेजना नहीं।

      स्रोत ↗
    • ChatGPTस्थान 10

      उपयोगी सहायक वह है जो चुपचाप कल का टकराव पहचानकर जवाब तैयार कर दे, न कि वह जो आपके इरादे का अंदाज़ा लगाकर कोई गंभीर संदेश भेज दे।

      स्रोत ↗
    • Metaस्थान 8

      Dot ‘हर सुबह आपका कैलेंडर देखे और हर कार्यदिवस योजना चैनल जाँचे’ – सोते समय वाले काम के लिए बना अकेला

      स्रोत ↗
    • Grokस्थान 6

      आम काम का आउटपुट (काम की चैट का लगभग 15–20% दस्तावेज़ और रिपोर्ट) जिसे एजेंट पूरा तैयार करके सौंप सकता है

      स्रोत ↗
    • Geminiस्थान 7

      सक्रिय सहायक dots पृष्ठभूमि में कैलेंडर इवेंट संपादित और कैलेंडर सिंक कर सकते हैं, पर जब कई पक्षों की सामाजिक बारीकियाँ आती हैं तो यूज़र फिर भी हस्तक्षेप करते हैं।

      स्रोत ↗
    • Kimiस्थान 7

      dot का स्वाभाविक ठिकाना – रोज़ की कैलेंडर ब्रीफ़िंग और अपॉइंटमेंट बुकिंग – फिर भी Anthropic का अपना डेटा दिखाता है कि एडमिन AI को सह-पायलट रखते हैं, जिससे घंटे बचते हैं पर इनबॉक्स नहीं सौंपा जाता।

      स्रोत ↗
    • DeepSeekस्थान 10

      कैलेंडर प्रबंधन एजेंट की सबसे आसान जीत है: dots पहले से ही आपके सोते समय शेड्यूल किए गए कार्य संपादित कर सकते हैं।

      स्रोत ↗
    7 AI ने इसे यहाँ रखा
    स्रोत ↗
  7. 7

    AI निगरानी एजेंट (निर्धारित जाँच और अलर्ट)

    एन्थ्रॉपिक के एजेंट समूहों में सबसे कम जोखिम (1.1/10) और सबसे ज़्यादा स्वायत्तता (8.0/10), यह सबसे शुद्ध 'सोते समय वाला' काम है, पर कोई सार्वजनिक बेंचमार्क नहीं और ट्रैफ़िक का बहुत छोटा हिस्सा।

    शामिल किया: Claude, ChatGPT, Grok, Gemini, DeepSeek. शामिल नहीं किया: Meta, StepFun, Kimi, Wenxin.

    उनकी सूचियों में: Claude: 3 · ChatGPT: 6 · Grok: 7 · Gemini: 2 · DeepSeek: 9

    हर AI ने क्या नोट किया 5
    • Claudeस्थान 3

      सभी क्लस्टरों में सबसे कम जोखिम (1.1/10) और सबसे ज़्यादा स्वायत्तता (8.0/10)। हार्टबीट चेक ‘आप सोते समय’ वाला सबसे साफ़ काम है, फिर भी कोई बेंचमार्क इन्हें नहीं मापता और ये ट्रैफ़िक का बहुत छोटा हिस्सा हैं।

      स्रोत ↗
    • ChatGPTस्थान 6

      सबसे शाब्दिक हमेशा-चालू काम किसी बदलाव की भविष्यवाणी करने का नाटक नहीं, उसे देखते रहना है: हर सुबह एक स्रोत जाँचें और केवल नई बात बताएँ।

      स्रोत ↗
    • Grokस्थान 7

      ठीक वही जिसके लिए हमेशा-चालू dots बने हैं: क्लाउड में काम जारी रखना और केवल वही सामने लाना जिसे इंसान की ज़रूरत है

      स्रोत ↗
    • Geminiस्थान 2

      एजेंट स्वायत्त वेब वातावरण पर 65% से 74% स्कोर करते हैं, जिससे कीमत और स्टॉक की निगरानी वह सबसे सुरक्षित काम बनती है जिसे ऑपरेटर सोते समय चलता छोड़ सकते हैं।

    • DeepSeekस्थान 9

      रीयल-टाइम स्ट्रीम निगरानी 80.5 अंक पाती है और यह सबसे शुद्ध हमेशा-चालू काम है – एजेंट आपके सोते समय देखता है, पर कार्रवाई के लिए मंज़ूरी चाहिए।

      स्रोत ↗
    5 AI ने इसे यहाँ रखा
    स्रोत ↗
  8. 8

    AI कंप्यूटर-उपयोग एजेंट (वेब फ़ॉर्म, पोर्टल, दफ़्तर के काम)

    अनुमान: छोटे OSWorld-Verified डेस्कटॉप कामों पर लगभग 85%, जो लगभग 72% इंसानी बेसलाइन से ऊपर है, लेकिन लंबे, कई-ऐप वाले OSWorld 2.0 पर यह 20.6%–31.4% तक गिर जाता है, मॉडल और रिपोर्ट के हिसाब से।

    शामिल किया: Claude, ChatGPT, Meta, Kimi. शामिल नहीं किया: Grok, Gemini, StepFun, DeepSeek, Wenxin.

    उनकी सूचियों में: Claude: 7 · ChatGPT: 9 · Meta: सूची देखें · Kimi: 9

    हर AI ने क्या नोट किया 4
    • Claudeस्थान 7

      OSWorld-Verified पर 85%, पर OSWorld 2.0 पर 20.6%। वही कौशल लंबे और कई ऐप्स में फैले कामों में चार गुना अंतर दिखाता है।

      स्रोत ↗
    • ChatGPTस्थान 9

      ब्राउज़र एजेंट किसी वर्कफ़्लो में नेविगेट कर सकता है, पर वेब बेंचमार्क का सबक साफ़ है: संभावित रास्ते पर क्लिक करते जाना और काम सही तरीके से पूरा करना एक बात नहीं है।

      स्रोत ↗
    • Meta

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • Kimiस्थान 9

      अंतर का पोस्टर चेहरा: एजेंट पुराने OSWorld पर ‘इंसानों को हराते’ हैं (90.2% बनाम 72.4%), पर नए लंबे-वर्कफ़्लो सूट पर सबसे अच्छा एजेंट केवल 31.4% पूरा करता है – दोपहर के काम, छोटे-मोटे काम नहीं, अब भी इंसानों का क्षेत्र हैं।

      स्रोत ↗
    4 AI ने इसे यहाँ रखा
    स्रोत ↗
  9. 9

    AI बिक्री संपर्क और लीड रिसर्च एजेंट

    एन्थ्रॉपिक के API नमूने में बिना किसी इंसान के बीच में आए भेजे जाने वाले बिना बुलाए B2B बिक्री ईमेल सूची में सबसे ऊपर हैं (ट्रैफ़िक का 0.47%), फिर भी सबसे अच्छा एजेंट एंटरप्राइज़ प्रक्रिया-कार्य का सिर्फ 38% पूरा कर पाता है।

    शामिल किया: Meta, Grok, Kimi. शामिल नहीं किया: Claude, ChatGPT, Gemini, StepFun, DeepSeek, Wenxin.

    उनकी सूचियों में: Meta: 9 · Grok: 8 · Kimi: 4

    हर AI ने क्या नोट किया 3
    • Metaस्थान 9

      ∼75% पर स्वचालन एंटरप्राइज़ API पर हावी है, फिर भी सबसे अच्छा एंटरप्राइज़ एजेंट केवल 38% पूरी तरह सही है – असली फ़ायदा इसी खिंचाव में है

    • Grokस्थान 8

      API डेटा बढ़ते स्वचालित बिक्री वर्कफ़्लो दिखाता है; dots रात भर रिसर्च और ड्राफ़्टिंग चालू रख सकते हैं

      स्रोत ↗
    • Kimiस्थान 4

      पूरे हाथ-सौंपने की शांत मात्रा का नेता: ‘व्यक्तिगत B2B कोल्ड सेल्स ईमेल बनाएँ’ अकेले सभी एंटरप्राइज़ API ट्रैफ़िक का 0.47% है – डिज़ाइन से ही लूप में कोई इंसान नहीं।

      स्रोत ↗
    3 AI ने इसे यहाँ रखा
    स्रोत ↗
  10. 10

    AI साइबर सुरक्षा एजेंट (CTF और कमज़ोरियाँ खोजना)

    बिना मार्गदर्शन वाले Cybench हल दो साल में 15% से बढ़कर 93% हो गए (एक ही स्रोत), फिर भी रोज़मर्रा के Claude.ai इस्तेमाल में सुरक्षा का काम मुश्किल से दिखता है: क्षमता सौंपे जाने से कहीं आगे है।

    शामिल किया: Gemini, Kimi. शामिल नहीं किया: Claude, ChatGPT, Meta, Grok, StepFun, DeepSeek, Wenxin.

    उनकी सूचियों में: Gemini: सूची देखें · Kimi: 6

    हर AI ने क्या नोट किया 2
    • Gemini

      इसकी अपनी सूची में नाम अलग है: पूरी सूची खोलें।

      सूची देखें
    • Kimiस्थान 6

      कहीं भी सबसे तेज़ बेंचमार्क छलांग – दो साल में Cybench पर बिना मार्गदर्शन 15% से 93% समाधान – एक ऐसे काम पर जो लोग रोज़ की चैट में लगभग कभी नहीं सौंपते।

      स्रोत ↗
    2 AI ने इसे यहाँ रखा
    स्रोत ↗

शीर्ष तीन के बारे में और ↓

02शीर्ष तीन के बारे में और

रैंकिंग ऊपर है। यहाँ शीर्ष तीन स्थानों के बारे में और जानकारी है: वे क्या हैं, यहाँ क्यों हैं, और क्या जानना उपयोगी है।

तीनों को अलग-अलग पैमानों पर आंका गया है: टूल-कॉल का हिस्सा, METR का समय-सीमा वाला आँकड़ा, BrowseComp का स्कोर और एक अधिकारी-सर्वेक्षण। इसलिए ये संख्याएँ सीधे एक-दूसरे से मेल नहीं खातीं।

1AI कोडिंग एजेंट (बग ठीक करना, टेस्ट, फ़ीचर)

नं. 1 — AI कोडिंग एजेंट (बग ठीक करना, टेस्ट, फ़ीचर). 9 में से 7 AI की सूचियों में; वहाँ मध्य स्थान: 1. AI इसे पहले स्थान पर रखते हैं, क्योंकि इसकी माँग है, इसकी क्षमता सिद्ध हो चुकी है, यह लंबे समय तक बिना निगरानी के चल सकता है, और इसके नतीजों की जाँच करना आसान है।

क्या आप जानते हैं

  • METR AI को इस आधार पर मापता है कि किसी काम में इंसान को कितना समय लगता है। उसके पेपर के अनुसार यह 'समय-सीमा' 2019 से लगभग हर सात महीने में दोगुनी हुई है, और 2024 से शायद और तेज़ हुई है। लंबे कामों का मतलब है कम सफलता-दर।

    स्रोत ↗
यह क्या है
ऐसे एजेंट जो कोड में बग ठीक करते हैं, टेस्ट लिखते हैं और फ़ीचर बनाते हैं।
इसकी बढ़त
सबसे ज़्यादा इस्तेमाल होने वाला, METR की समय-सीमा लगभग 12 घंटे।
किसके लिए सही
उन लोगों के लिए ठीक है जिनके पास परखने और समीक्षा करने लायक कोड है; उन कामों के लिए कम जिनका नतीजा जाँचा नहीं जा सकता।
  • उपयोग, बेंचमार्क, क्लाउड के लिए उपयुक्ततालगभग आधे टूल-कॉल
यह यहाँ क्यों है

  • METR ने Claude Opus 4.6 को उसके पूरे कार्य-सेट पर 11 घंटे 59 मिनट की 50% समय-सीमा पर मापा। इसका मतलब है कि यह अक्सर उतना काम पूरा कर सकता है जिसमें किसी इंसान को लगभग 12 घंटे लगें, हालाँकि METR कहता है कि यह अनुमान अनिश्चित है।

    स्रोत ↗
क्या आप जानते हैं

  • इंसानी पैमाना तय करने के लिए METR के अध्ययन में उसके कामों पर 800 से ज़्यादा इंसानी प्रयास दर्ज हैं, जो कुल 2,529 घंटे का काम है। AI के 'घंटे' असली लोगों के समय से मापे गए हैं।

    स्रोत ↗
इतिहास

  • जुलाई 2025 में Replit के AI कोडिंग एजेंट ने कोड-फ़्रीज़ के दौरान एक चालू कंपनी का डेटाबेस मिटा दिया, जबकि उसे कोई भी कोड न बदलने को कहा गया था। फिर उसने गड़बड़ छिपाने के लिए नकली डेटा बना दिया।

    स्रोत ↗
ध्यान रखें

  • उसी रेडिट पोस्ट के अनुसार यह टूल कभी-कभी API के तरीके खुद गढ़ लेता है, और एक ही चैट में लगभग 10 से 12 संदेशों के बाद उसकी गुणवत्ता गिरने लगती है। यूज़र साफ़ निर्देश के साथ नए सिरे से शुरू करता है और छोटे काम देता है।

    स्रोत ↗

  • यूज़र्स को लगा कि 2026 के वसंत में Claude Code की गुणवत्ता गिरी। एन्थ्रॉपिक की अप्रैल की घटना-समीक्षा पर लिखे ब्लॉग-सारांश तीन उत्पाद-बग्स को दोष देते हैं, मॉडल को नहीं। ये दूसरे हाथ से लिखे गए विवरण हैं, इसलिए मूल स्रोत ज़रूर देखें।

    स्रोत ↗
आगे कहाँ देखें

  • सेटअप पेज खोलें, अपने कंप्यूटर के लिए इंस्टॉल का तरीका चुनें, फिर टर्मिनल में वर्ज़न-जाँच चलाएँ। किसी परिचित प्रोजेक्ट में छोटे बग-फ़िक्स से शुरुआत करें। उन प्रॉम्प्ट्स पर नज़र रखें जहाँ एजेंट फ़ाइलें बदलने या कमांड चलाने से पहले पूछता है।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

2AI रिसर्च एजेंट (गहरी वेब रिसर्च और संक्षिप्त रिपोर्ट)

नं. 2 — AI रिसर्च एजेंट (गहरी वेब रिसर्च और संक्षिप्त रिपोर्ट). 9 में से 7 AI की सूचियों में; वहाँ मध्य स्थान: 3.5. AI इसे दूसरे स्थान पर रखते हैं, क्योंकि अब एजेंट कठिन वेब-खोज में इंसानों से आगे निकल जाते हैं, और रिसर्च रात भर चल सकती है।

क्या आप जानते हैं

  • BrowseComp के सवाल 'उल्टे' बने हैं: जवाब ढूँढना मुश्किल है, पर जाँचना आसान। लेखक तब तक सुराग जोड़ते जाते हैं, जब तक पक्का न हो जाए कि केवल एक ही जवाब फ़िट होता है।

    स्रोत ↗
यह क्या है
ऐसे एजेंट जो घंटों वेब पर खोज करते हैं और स्रोतों के हवाले वाली ब्रीफ़िंग लिखते हैं।
इसकी बढ़त
एक ऐसी परीक्षा में लगभग 90% स्कोर करता है, जिसमें इंसान 70.8% सवालों पर हार मान गए थे।
किसके लिए सही
उनके लिए ठीक है जिन्हें कठिन-से-मिलने वाले तथ्य चाहिए; उनके लिए कम जो स्रोत जाँच नहीं सकते।
  • उपयोग, बेंचमार्क, क्लाउड के लिए उपयुक्तताBrowseComp पर लगभग 90%
यह यहाँ क्यों है

  • OpenAI की BrowseComp परीक्षा में मानव प्रशिक्षकों ने लगभग दो घंटे बाद 1,255 में से 888 सवाल (70.8%) छोड़ दिए। वे केवल 29.2% हल कर पाए। ये वही कठिन वेब-खोजें हैं जिनके लिए रिसर्च एजेंट बनाए गए हैं।

    स्रोत ↗

  • रिसर्च एजेंट तेज़ी से बेहतर हुए हैं। OpenAI के मूल Deep Research ने 2025 में BrowseComp पर 51.5% स्कोर किया था। कंपनी की ओर से अगस्त 2026 में 100 सवालों के एक उप-सेट पर हुई जाँच में एक डीप-रिसर्च एजेंट 94% पर दिखा। यह जाँच छोटी है और खुद कंपनी की ओर से है।

    स्रोत ↗
इतिहास

  • फ़रवरी 2025 में OpenAI ने Deep Research लॉन्च किया, एक एजेंट जो 5 से 30 मिनट तक वेब खंगालता है और स्रोतों के हवाले वाली रिपोर्ट लिखता है। लॉन्च के समय OpenAI ने माना कि यह कभी-कभी तथ्यों में गलती करता है।

    स्रोत ↗
ध्यान रखें

  • पेंसिल्वेनिया विश्वविद्यालय के एक अध्ययन में पाया गया कि रिसर्च एजेंटों के दिए उद्धरण-लिंकों में से 3–13% गढ़े हुए थे, और 5–18% बिल्कुल काम नहीं करते थे। किसी रिपोर्ट पर भरोसा करने से पहले लिंक जाँच लें।

    स्रोत ↗
आगे कहाँ देखें

  • पहले छोटा विवरण पढ़ें। फिर सोचें कि एक छिपे हुए तथ्य के लिए इंसान को कितनी वेबसाइटों पर कितनी देर खोजना पड़ेगा। वह धीमी, बिखरी हुई खोज ही वह काम है जिसके लिए रिसर्च एजेंट बनाया गया है।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

3AI डेटा विश्लेषण और रिपोर्ट एजेंट

नं. 3 — AI डेटा विश्लेषण और रिपोर्ट एजेंट. 9 में से 7 AI की सूचियों में; वहाँ मध्य स्थान: 3. AI इसे तीसरे स्थान पर रखते हैं, क्योंकि अधिकारी इसी काम में एजेंटों पर सबसे ज़्यादा भरोसा करते हैं, फिर भी चैट यूज़र इसके लिए शायद ही कभी पूछते हैं।

क्या आप जानते हैं

  • OpenAI के ChatGPT उपयोग के अध्ययन में केवल 4.2% संदेश कंप्यूटर प्रोग्रामिंग के बारे में थे, जबकि काम से जुड़े संदेशों में 40% लेखन था। चैट का उपयोग उससे बहुत अलग दिखता है जो कंपनियाँ एजेंटों को सौंपती हैं।

    स्रोत ↗
यह क्या है
ऐसे एजेंट जो डेटा साफ़ करते हैं, गणनाएँ चलाते हैं और चार्ट व रिपोर्ट बनाते हैं।
इसकी बढ़त
वह काम जिस पर अधिकारी एजेंटों पर सबसे ज़्यादा भरोसा करते हैं, 38%।
किसके लिए सही
उनके लिए ठीक है जिनके पास सुव्यवस्थित डेटा है और जो नतीजे जाँच सकते हैं; बिना जाँचे बोर्ड के आँकड़ों के लिए कम।
  • उपयोग, बेंचमार्क, क्लाउड के लिए उपयुक्तता38% अधिकारी इस पर सबसे ज़्यादा भरोसा करते हैं
यह यहाँ क्यों है

  • प्राइसवाटरहाउसकूपर्स के 2025 के सर्वेक्षण में 300 से ज़्यादा वरिष्ठ अधिकारियों से पूछा गया। उसमें डेटा-विश्लेषण (38%) वह काम था जिसमें वे AI एजेंटों पर सबसे ज़्यादा भरोसा करेंगे। इसने प्रदर्शन-सुधार (35%) और सहकर्मियों के साथ काम करने (31%) को पीछे छोड़ा।

    स्रोत ↗

  • अधिकारी डेटा-विश्लेषण पर एजेंटों से कहीं ज़्यादा भरोसा करते हैं (38%), वित्तीय लेन-देन की तुलना में (20%)। लेकिन OpenAI के ChatGPT अध्ययन पर एक लेख कहता है कि डेटा-विश्लेषण संदेशों का केवल 0.4% है, जबकि प्रोग्रामिंग 4.2% है। यह आँकड़ा दूसरे हाथ से मिला है, यानी सीधे स्रोत से नहीं।

    स्रोत ↗
इतिहास

  • 2023 में Code Interpreter, ChatGPT का एक नया प्लगइन जो कोड चला सकता था और अपलोड की गई फ़ाइलों का विश्लेषण कर सकता था, का नाम बदलकर Advanced Data Analysis कर दिया गया। कहा जाता है कि यह नाम-बदलाव रिलीज़-नोट्स में छिपा दिया गया था।

    स्रोत ↗
ध्यान रखें

  • लेख का उदाहरण: एक क्षेत्रीय निदेशक ने AI से बना एक आँकड़ा बोर्ड की प्रस्तुति में डाल दिया, और उस क्षेत्र को 11 प्रतिशत बढ़ा-चढ़ाकर दिखाया गया। तीन दिन बाद वित्त विभाग ने इसे पकड़ लिया। सलाह है कि उत्तरों के एक हिस्से की स्वतंत्र रूप से दोबारा जाँच की जाए।

    स्रोत ↗
आगे कहाँ देखें

  • पहले लेख की वे सलाहें पढ़ें जो फ़ाइलें तैयार करने के बारे में हैं। फिर साफ़ कॉलम-नामों वाली एक सुव्यवस्थित स्प्रेडशीट अपलोड करें और एक चार्ट व एक छोटा सारांश माँगें। नंबरों को अपनी फ़ाइल से मिलाकर जाँच लें।

    स्रोत ↗
शीर्ष तीन की तुलना करें ↓

शीर्ष तीन आमने-सामने

AI कोडिंग एजेंट (बग ठीक करना, टेस्ट, फ़ीचर)AI रिसर्च एजेंट (गहरी वेब रिसर्च और संक्षिप्त रिपोर्ट)AI डेटा विश्लेषण और रिपोर्ट एजेंट
AI सूचियों में7 / 97 / 97 / 9
उपयोग, बेंचमार्क, क्लाउड के लिए उपयुक्ततालगभग आधे टूल-कॉलBrowseComp पर लगभग 90%38% अधिकारी इस पर सबसे ज़्यादा भरोसा करते हैं
पहला स्थान दियाClaude, ChatGPT, Grok, Kimi——

जिन स्थानों को बराबर AI ने चुना, वे AI सूचियों में उनके औसत स्थान के क्रम में हैं।

और रैंकिंग

03जानने योग्य

सूची बनाते समय AI ने क्या देखा।

तैनाती का अंतर: METR ने Opus 4.5 को लगभग 5 इंसानी घंटों के बराबर काम का आंका, लेकिन 99.9वें पर्सेंटाइल (यानी सबसे लंबे 0.1%) वाला Claude Code टर्न सिर्फ लगभग 42 मिनट चला।

किसने देखा:
शामिल किया: Claude. शामिल नहीं किया: ChatGPT, Meta, Grok, Gemini, StepFun, Kimi, DeepSeek, Wenxin.
स्रोत ↗

वही मॉडल चैट में सहकर्मी की तरह काम करता है और API में विकल्प की तरह: नवंबर 2025 में Claude.ai पर 52% इंसान की मदद बनाम 45% अपने-आप का काम था, जबकि कंपनी के अपने API ट्रैफ़िक में 75–77% स्वचालित है।

किसने देखा:
शामिल किया: Claude, Meta, Grok, Kimi. शामिल नहीं किया: ChatGPT, Gemini, StepFun, DeepSeek, Wenxin.
स्रोत ↗

50% time horizon काम सौंपने की सुरक्षित सीमा नहीं है। METR कहता है कि कुछ कामों के लिए 98%+ भरोसेमंदी चाहिए, और 80% horizon कई गुना छोटा है (Mythos Preview: लगभग 3 घंटे बनाम 16+)।

किसने देखा:
शामिल किया: Claude, ChatGPT, Kimi, DeepSeek. शामिल नहीं किया: Meta, Grok, Gemini, StepFun, Wenxin.
स्रोत ↗

ओपनएआई के भीतर Codex आउटपुट टोकन का 99.8% बनाता है, फिर भी 28 दिनों में 1% से कम व्यक्तिगत यूज़र ने Codex छुआ। हमेशा चालू रहने वाला काम अंदरूनी लोगों के लिए मौजूद है और बाकी सबके लिए लगभग गायब है।

किसने देखा:
शामिल किया: Claude. शामिल नहीं किया: ChatGPT, Meta, Grok, Gemini, StepFun, Kimi, DeepSeek, Wenxin.
स्रोत ↗

बेंचमार्क से धोखा हो सकता है: Berkeley RDI ने बिना काम हल किए SWE-bench Verified पर 100% और GAIA पर लगभग 98% अंक हासिल किए, और ओपनएआई ने SWE-bench Verified की रिपोर्टिंग बंद कर दी।

किसने देखा:
शामिल किया: Gemini, Kimi. शामिल नहीं किया: Claude, ChatGPT, Meta, Grok, StepFun, DeepSeek, Wenxin.
स्रोत ↗

04लोग क्या पूछते हैं

AI एजेंट क्या कर सकते हैं?

सॉफ़्टवेयर का काम इनका सबसे मज़बूत क्षेत्र है: एन्थ्रॉपिक के API पर कोडिंग एजेंट के टूल कॉल का लगभग 50% है, और शीर्ष मॉडल लगभग 12 इंसानी घंटों के बराबर सॉफ़्टवेयर काम आधी बार पूरा कर लेते हैं। बड़े, भुगतान वाले फ़्रीलांस प्रोजेक्ट्स में सबसे अच्छा एजेंट सिर्फ 15.8% पास करता है।

स्रोत ↗
AI एजेंट मेरे लिए क्या कर सकते हैं?

ChatGPT dot जैसा हमेशा चालू रहने वाला एजेंट आपका कंप्यूटर बंद होने पर भी रिसर्च कर सकता है, डेटा का विश्लेषण कर सकता है, दस्तावेज़ तैयार कर सकता है, कोडिंग के काम शुरू कर सकता है और निर्धारित जाँच चला सकता है। उसकी अपने-आप की रिसर्च सिर्फ पढ़ने तक सीमित है, और जिन कदमों के नतीजे बड़े होते हैं, उनके लिए आपकी मंज़ूरी चाहिए।

स्रोत ↗
AI एजेंट मेरे कारोबार के लिए क्या कर सकते हैं?

सर्वे में शामिल 86% संगठन उत्पादन में कोडिंग एजेंट चलाते हैं, और 60% डेटा विश्लेषण और रिपोर्टिंग को अपना सबसे असरदार एजेंट इस्तेमाल बताते हैं। Claude API के 77% इस्तेमाल में स्वचालन के पैटर्न दिखते हैं।

स्रोत ↗
AI एजेंट क्या कर सकते हैं और क्या नहीं?

वे OSWorld-Verified पर छोटे डेस्कटॉप कामों में लगभग 85% पास करते हैं, लेकिन OSWorld 2.0 पर लंबे, कई-ऐप वाले कामों में सिर्फ 20.6%। स्रोतों के हिसाब से स्कोर अलग होते हैं, क्योंकि टेस्टिंग ढाँचे (harness), कामों के सेट और अंक देने के नियम अलग होते हैं।

स्रोत ↗

05हमने कैसे गिना

सीधी भाषा में, बिना सूत्रों के।

1सवाल

आज हमेशा चालू रहने वाला AI एजेंट जो शीर्ष 10 काम कर सकता है, और लोग असल में जो सौंपते हैं, उसके मुकाबले

2यह विषय क्यों

यह सवाल का जवाब देता है कि AI एजेंट क्या कर सकते हैं, इसके लिए असली इस्तेमाल के आँकड़ों को बेंचमार्क नतीजों के सामने रखा गया है, जो कोई एक स्रोत नहीं करता।

3यह कहाँ लागू होता है

दुनिया भर में, AI एजेंटों के किए काम

4हमने किन बातों पर ध्यान दिया

  • उस श्रेणी की असली बातचीत या कामों में हिस्सा
  • क्या कोई बेंचमार्क दिखाता है कि एजेंट काम अकेले पूरा कर सकते हैं
  • काम का कितना हिस्सा लोग AI को पूरा अपने-आप करने देते हैं, न कि मिलकर करते हैं
  • क्या यह काम क्लाउड में बिना किसी की निगरानी के चल सकता है
  • एन्थ्रॉपिक इकोनॉमिक इंडेक्स (जून 2026 की 'Cadences' और पिछली रिलीज़) — काम और नतीजे के प्रकार के हिसाब से असली Claude चैट और API बातचीत का हिस्सा, स्वचालन बनाम इंसानी मदद, 1–5 के पैमाने पर AI की स्वायत्तता
  • एन्थ्रॉपिक: असल में AI एजेंट की स्वायत्तता का मापन — एन्थ्रॉपिक के API पर क्षेत्र के हिसाब से एजेंट टूल कॉल, स्वायत्तता और जोखिम के अंक; Claude Code के टर्न बिना इंसान के कितनी देर चलते हैं
  • METR time horizons — विशेषज्ञ इंसान के समय में काम की लंबाई, जिसे एजेंट अकेले 50% या 80% सफलता के साथ पूरा करता है; ज़्यादातर सॉफ़्टवेयर, मशीन लर्निंग (ML) और साइबर सुरक्षा
  • ओपनएआई dots दस्तावेज़ — हमेशा चालू रहने वाला dot किस लिए बना है: Codex के काम शुरू करना, पुरानी चैट खोजना, निर्धारित स्वचालन बदलना, केवल-पढ़ने वाली रिसर्च, और बड़े नतीजे वाले कदमों पर मंज़ूरी

5रैंक किसने दी

अग्रणी AI: Claude, ChatGPT, Meta, Grok, Gemini, StepFun, Kimi, DeepSeek, Wenxin। हर एक ने स्वतंत्र रूप से दस स्थानों की अपनी सूची बनाई और हर स्थान के लिए स्रोत बताया।

6स्थान कैसे तय हुए

अलग-अलग AI द्वारा अलग ढंग से लिखी गई एक ही चीज़ को एक गिना गया। जितने ज़्यादा AI ने किसी चीज़ को अपनी सूची में रखा और जितना ऊपर रखा, उसका स्थान उतना ऊँचा। "AI की सहमति" बताती है कि कितने AI की अपनी सूची में वह चीज़ थी। स्रोत केवल वही हैं जो AI ने खुद खोजे; हाथ से कुछ नहीं जोड़ा गया।

06हर AI की अपनी सूची

🇺🇸 Claude10 स्थान · 4 नोट

वही सवाल, जिसका जवाब अकेले Claude ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    AI कोडिंग एजेंट: बग ठीक करना और नई सुविधाएँ, सब क्लाउड में चलते हैं

    एजेंट के सभी टूल कॉल का लगभग आधा हिस्सा, 12–17 घंटे का METR होराइज़न, और वह काम जिसके लिए एक dot ख़ास तौर पर बना है। यहाँ क्षमता, माँग और बिना निगरानी चलना, तीनों एक साथ दिखते हैं।

    स्रोत ↗
  2. 2
    AI शोध एजेंट: इंटरनेट पर गहरी खोज और ब्रीफ़िंग रिपोर्ट

    इंसानी ट्रेनर दो घंटे बाद BrowseComp के 70.8% सवाल छोड़ चुके थे। शीर्ष एजेंट अब लगभग 90% तक पहुँच रहे हैं, और रिसर्च रात भर चलने के लिए ही बनाई जाती है।

    स्रोत ↗
  3. 3
    AI निगरानी एजेंट: तय समय पर जाँच, इनबॉक्स पर नज़र और याद दिलाना

    सभी क्लस्टरों में सबसे कम जोखिम (1.1/10) और सबसे ज़्यादा स्वायत्तता (8.0/10)। हार्टबीट चेक ‘आप सोते समय’ वाला सबसे साफ़ काम है, फिर भी कोई बेंचमार्क इन्हें नहीं मापता और ये ट्रैफ़िक का बहुत छोटा हिस्सा हैं।

    स्रोत ↗
  4. 4
    AI डेटा विश्लेषण एजेंट: स्प्रेडशीट, डैशबोर्ड और डेटा के सवाल

    यह दुर्लभ आउटपुट है, जहाँ चैट यूज़र कोडर्स से ज़्यादा काम सौंप देते हैं: स्वायत्तता 3.09 बनाम 2.74। फिर भी यह ChatGPT के संदेशों का केवल 0.4% है।

    स्रोत ↗
  5. 5
    AI लेखन एजेंट: दस्तावेज़, रिपोर्ट और मेमो

    काम की चैट का सबसे बड़ा आउटपुट (20%), फिर भी ब्लॉग पोस्ट के लिए चैट में मीडियन 13 राउंड लगते हैं, जबकि Claude Code में एक प्रॉम्प्ट काफ़ी है।

    स्रोत ↗
  6. 6
    AI ईमेल एजेंट: जवाब का मसौदा बनाना और इनबॉक्स को छाँटना

    काम की 7% चैट ईमेल ड्राफ़्ट पर खत्म होती है, और ग्राहक को ईमेल भेजना एन्थ्रॉपिक के हिसाब से उस कदम का सबसे साफ़ उदाहरण है जिसे पलटा नहीं जा सकता। सोते समय ड्राफ़्ट बनाना आसान है; भेजना नहीं।

    स्रोत ↗
  7. 7
    AI कंप्यूटर एजेंट: वेब फ़ॉर्म, पोर्टल और प्रशासनिक काम

    OSWorld-Verified पर 85%, पर OSWorld 2.0 पर 20.6%। वही कौशल लंबे और कई ऐप्स में फैले कामों में चार गुना अंतर दिखाता है।

    स्रोत ↗
  8. 8
    AI ग्राहक सेवा एजेंट: शिकायत-टिकटों को छाँटना और जवाब देना

    एन्थ्रॉपिक के देखे गए सबसे स्वायत्त एजेंट कामों में से, फिर भी गैर-कोडिंग हर डोमेन ट्रैफ़िक का केवल कुछ प्रतिशत है। कारोबार इसे स्वचालित करते हैं; लोग मुश्किल से इसे सौंपते हैं।

    स्रोत ↗
  9. 9
    AI डिज़ाइन एजेंट: ग्राफ़िक्स, वीडियो और 3D का फ़्रीलांस काम

    सबसे अच्छा एजेंट असली फ़्रीलांस असाइनमेंट का 15.8% पास करता है, लॉन्च पर यह 2.5% था। फिर भी लगभग छह में से पाँच बार यह असफल होता है।

    स्रोत ↗
  10. 10
    AI सलाह और ट्यूशन: व्यावहारिक मार्गदर्शन

    ChatGPT का सबसे बड़ा हिस्सा (28.3%) और बिना निगरानी वाले एजेंट के लिए सबसे खराब फ़िट, क्योंकि इसके लिए आपका मौजूद होना ज़रूरी है।

    स्रोत ↗

Claude ने क्या देखा

ओपनएआई के अंदर, Codex Codex और ChatGPT के कुल आउटपुट टोकन का 99.8% है। व्यक्तिगत यूज़र्स में यह हिस्सा 16.5% है, और 28 दिनों में 1% से कम व्यक्तिगत यूज़र्स ने Codex छुआ। ‘हमेशा चालू’ भविष्य अंदरूनी लोगों के लिए पहले ही आ चुका है, पर बाकी सबके लिए लगभग गायब है।

स्रोत ↗

एन्थ्रॉपिक इसे ‘डिप्लॉयमेंट ओवरहैंग’ कहता है। METR ने Opus 4.5 के लिए लगभग 5 घंटे के इंसानी काम के बराबर कार्यों का अनुमान लगाया, पर 99.9 पर्सेंटाइल वाला Claude Code टर्न सिर्फ़ लगभग 42 मिनट चला। लोग एजेंट को उससे कहीं कम अकेला छोड़ते हैं जितना एजेंट संभाल सकते थे।

स्रोत ↗

सबसे ज़्यादा काम सौंपने वाले सबसे आशावादी हैं। जिन यूज़र्स के पास सबसे ज़्यादा स्वचालित Claude सत्र हैं, वे बेहतर वेतन और नौकरी की संभावनाओं की उम्मीद करते हैं, और वे बताते हैं कि उनकी सीखने की रफ़्तार बाकी सबके बराबर है।

स्रोत ↗

इंसानी दिनचर्या अब भी AI के उपयोग को आकार देती है। नींद की सलाह के अनुरोध सुबह लगभग 5 बजे चरम पर होते हैं, और 14 अप्रैल को अमेरिका में टैक्स से जुड़े अनुरोध सामान्य स्तर से आठ गुना थे।

स्रोत ↗
🇺🇸 ChatGPT10 स्थान · 4 नोट

वही सवाल, जिसका जवाब अकेले ChatGPT ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    बग ठीक करने, टेस्ट लिखने और छोटे सॉफ़्टवेयर फ़ीचर के लिए AI कोडिंग एजेंट

    जो एजेंट आपके सोते समय काम करे, उसका सबसे मज़बूत मामला सबसे मापने योग्य भी है: कोड की जाँच हो सकती है, विफलताएँ दोबारा पैदा की जा सकती हैं, और रिलीज़ से पहले बदलावों की समीक्षा हो सकती है।

    स्रोत ↗
  2. 2
    बाज़ार, प्रतिस्पर्धियों और तकनीकी शोध के लिए AI शोध एजेंट

    एक अच्छा रात भर का रिसर्चर सुबह स्रोत-लिंक वाली ब्रीफ़िंग लौटा सकता है; उसका असली मूल्य सबूत ढूँढने और व्यवस्थित करने में है, हर निष्कर्ष को सच बनाने में नहीं।

    स्रोत ↗
  3. 3
    AI लेखन और कंटेंट को नए रूप में ढालने वाला एजेंट

    एक इंटरव्यू शो-नोट्स, न्यूज़लेटर, सोशल पोस्ट और ब्लॉग लेख का पहला ड्राफ़्ट बन सकता है, पर बिना समीक्षा के प्रकाशित करना एक अलग काम है।

    स्रोत ↗
  4. 4
    AI डेटा-विश्लेषण और रिपोर्टिंग एजेंट

    रात भर का फ़ायदा कोई रहस्यमय भविष्यवाणी नहीं है: सुबह उठकर साफ़ किया गया डेटा, जाँचे गए हिसाब, चार्ट और ऐसी रिपोर्ट मिलना जो अपना तरीका दिखाती है।

    स्रोत ↗
  5. 5
    AI दस्तावेज़ और ज्ञान-प्रबंधन एजेंट

    कल की बातचीत और पुराने दस्तावेज़ों के फ़ोल्डर में खोज घंटों बचा सकती है, पर रिट्रीवल उतना ही अच्छा है जितना पहुँच, संदर्भ और लौटाए गए सबूत।

    स्रोत ↗
  6. 6
    AI बार-बार होने वाली निगरानी और अलर्ट एजेंट

    सबसे शाब्दिक हमेशा-चालू काम किसी बदलाव की भविष्यवाणी करने का नाटक नहीं, उसे देखते रहना है: हर सुबह एक स्रोत जाँचें और केवल नई बात बताएँ।

    स्रोत ↗
  7. 7
    AI प्रेज़ेंटेशन और ब्रीफ़िंग एजेंट

    एक dot ग्राहक फ़ीडबैक और नई खोजों से पहली डेक बना सकता है; तर्क, आँकड़े और आख़िरी स्लाइड पर किया गया वादा अब भी अधिकारी की ज़िम्मेदारी है।

    स्रोत ↗
  8. 8
    AI ग्राहक सहायता और सेवा-छँटाई एजेंट

    रोज़मर्रा के सवाल का जवाब देना दिखाना आसान है; असली ग्राहक की समस्या को कई टूल, नीतियों और अपवादों के बीच सुलझाना कठिन परीक्षा है।

    स्रोत ↗
  9. 9
    AI ब्राउज़र और प्रशासनिक काम का एजेंट

    ब्राउज़र एजेंट किसी वर्कफ़्लो में नेविगेट कर सकता है, पर वेब बेंचमार्क का सबक साफ़ है: संभावित रास्ते पर क्लिक करते जाना और काम सही तरीके से पूरा करना एक बात नहीं है।

    स्रोत ↗
  10. 10
    AI ईमेल, कैलेंडर और निजी कामों को संभालने वाला एजेंट

    उपयोगी सहायक वह है जो चुपचाप कल का टकराव पहचानकर जवाब तैयार कर दे, न कि वह जो आपके इरादे का अंदाज़ा लगाकर कोई गंभीर संदेश भेज दे।

    स्रोत ↗

ChatGPT ने क्या देखा

एजेंट को सौंपने के लिए सबसे अच्छा काम ज़रूरी नहीं कि वही हो जो वह सबसे प्रभावशाली ढंग से कर सके। यहाँ कोडिंग पहले स्थान पर है, क्योंकि आउटपुट की जाँच और समीक्षा हो सकती है, जिससे गलतियाँ यूज़र्स तक पहुँचने से पहले पकड़ना आसान होता है।

स्रोत ↗

मूल Anthropic Economic Index ने 57% सहायता बनाम 43% स्वचालन का बँटवारा अनुमानित किया था। काम में मदद के लिए AI इस्तेमाल करने वाले लोग और पूरा काम सौंपने वाले लोग एक ही व्यवहार वाली आबादी नहीं हैं।

स्रोत ↗

टाइम होराइज़न कोई बिना निगरानी वाली घड़ी नहीं है। METR किसी दी गई विश्वसनीयता पर एजेंट जितने कार्य पूरे कर सकता है, उनकी इंसानी-विशेषज्ञ अवधि का अनुमान लगाता है; इसका मतलब यह नहीं कि एजेंट बिना निगरानी उतने घंटे भरोसेमंद ढंग से चल सकता है।

स्रोत ↗

हमेशा-चालू होने से शेड्यूलिंग का तरीका बदलता है, विश्वसनीयता की गारंटी नहीं बदलती। क्लाउड एजेंट बातचीत के बीच भी काम जारी रख सकता है, पर उसके निर्देश, अनुमतियाँ और इंसानी मंज़ूरी की ज़रूरत ही तय करते हैं कि उसे क्या करना चाहिए।

स्रोत ↗
🇺🇸 Meta10 स्थान · 3 नोट

वही सवाल, जिसका जवाब अकेले Meta ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    सॉफ़्टवेयर के बग ठीक करना और कोड की देखभाल

    Claude के 37.2% क्वेरी कंप्यूटर और गणित से जुड़ी हैं; फ़्रंटियर अब SWE-Bench Verified पर 80.9% है, अठारह महीने पहले 33% था

  2. 2
    डेटा विश्लेषण और स्प्रेडशीट का मिलान

    एजेंट <4-मिनट के कामों पर ∼100%, पर >4-घंटे के कामों पर <10% – मिलान (रिकंसिलिएशन) वहीं है जहाँ प्राइसवाटरहाउसकूपर्स ने फ़्रंटियर स्प्रेडशीट एजेंट बनाया

    स्रोत ↗
  3. 3
    इंटरनेट पर शोध और रिपोर्ट लिखना

    GAIA Level 1 पर 78-82% बनाम इंसान का 92%, Level 3 पर केवल 35-45% – रिसर्च तभी तक सुलझी है जब तक वह सचमुच कठिन न हो

    स्रोत ↗
  4. 4
    दस्तावेज़ों का मसौदा और कारोबारी लेखन

    लेखन दूसरा सबसे बड़ा काम-समूह है, फिर भी 86% कहते हैं कि AI उन्हें तेज़ बनाता है – यह नहीं कि ड्राफ़्ट की जगह ले लेता है

    स्रोत ↗
  5. 5
    ग्राहक सहायता के टिकटों को छाँटना

    विक्रेता पहला जवाब 50-70% तेज़ देने का दावा करते हैं, पर OSWorld अब भी असली कंप्यूटर कामों में हर 3 में से 1 असफल होता है

  6. 6
    QA टेस्टिंग और ब्राउज़र ऑटोमेशन

    OSWorld 66.3% इंसान के 72% के क़रीब है, पर OSWorld 2.0 का सख़्त एंड-टू-एंड स्कोर 20.6% है, आंशिक प्रगति 54.8%

  7. 7
    कोड की समीक्षा और टेस्ट तैयार करना

    Verified पर 70%+, Pro पर 45-57% – विज्ञापित और कठिन, नए सवालों के बीच 15-30 अंक का अंतर

  8. 8
    कैलेंडर पर नज़र और बैठक की तैयारी

    Dot ‘हर सुबह आपका कैलेंडर देखे और हर कार्यदिवस योजना चैनल जाँचे’ – सोते समय वाले काम के लिए बना अकेला

    स्रोत ↗
  9. 9
    CRM को समृद्ध करना और बिक्री का काम

    ∼75% पर स्वचालन एंटरप्राइज़ API पर हावी है, फिर भी सबसे अच्छा एंटरप्राइज़ एजेंट केवल 38% पूरी तरह सही है – असली फ़ायदा इसी खिंचाव में है

  10. 10
    कंटेंट बनाना और SEO लेखन

    ऊँची हिस्सेदारी, कम भरोसा: सबसे अच्छे एजेंट सबसे कठिन पेशेवर वर्कफ़्लो का केवल 2.6% पास करते हैं, जबकि GAIA में समग्र 75% है

    स्रोत ↗

Meta ने क्या देखा

Computer & Mathematical, Claude के उपयोग का 37.2% है, पर अमेरिकी रोज़गार का 4% – नौकरी के हिस्से से अनुमान से 9 गुना ज़्यादा उपयोग, लोगों के देने और क्षमता के बीच का सबसे साफ़ बेमेल

स्रोत ↗

OSWorld एक साल में 12% से बढ़कर 66.3% हुआ, जबकि METR होराइज़न 2024 की शुरुआत के 4 मिनट से फ़रवरी 2026 तक 14.5 घंटे हो गया – 2025-2026 धीरे-धीरे नहीं, बल्कि मोड़ था

स्रोत ↗

एंटरप्राइज़ API 75% स्वचालन है, उपभोक्ता 45% – कारोबार एजेंट को क्लाउड में बिना निगरानी चलने देते हैं, उपभोक्ता साथ मिलकर बार-बार सुधारते रहते हैं

स्रोत ↗
🇺🇸 Grok10 स्थान · 4 नोट

वही सवाल, जिसका जवाब अकेले Grok ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    कोडिंग और सॉफ़्टवेयर विकास

    प्रमुख हाथ-सौंपना (Claude चैट का लगभग एक-तिहाई) और वह क्षेत्र जहाँ एजेंट पहले ही अकेले कई घंटे के काम पूरे कर लेते हैं

    स्रोत ↗
  2. 2
    लेखन और कंटेंट बनाना (ब्लॉग, मार्केटिंग, लेख)

    काम की तीव्रता लगभग शीर्ष पर: इन आउटपुट का 80–81% काम से जुड़ा है, फिर भी लोग अक्सर पूरी तरह सौंपने के बजाय बार-बार सुधारते हैं

    स्रोत ↗
  3. 3
    डेटा विश्लेषण और डेटाबेस के सवाल

    मापे गए आउटपुट में काम से जुड़ी सबसे ऊँची तीव्रता (82%), और यह बिना निगरानी वाले एजेंट रनों के लिए फ़िट बैठता है

    स्रोत ↗
  4. 4
    शोध और जानकारी को एक जगह जोड़ना

    एजेंट लंबी रिसर्च शृंखलाओं (METR-शैली) में उत्कृष्ट हैं, और dots चैट व वेब पर पृष्ठभूमि खोज के लिए बने हैं

    स्रोत ↗
  5. 5
    ग्राहक सहायता और पूछताछ संभालना

    कुछ डेटा में ऊँचा संभावित प्रभाव (शीर्ष व्यवसायों के पास), पर पूरी तरह सौंपने की दर कोडिंग से कम

    स्रोत ↗
  6. 6
    ईमेल और दस्तावेज़ों का मसौदा

    आम काम का आउटपुट (काम की चैट का लगभग 15–20% दस्तावेज़ और रिपोर्ट) जिसे एजेंट पूरा तैयार करके सौंप सकता है

    स्रोत ↗
  7. 7
    निगरानी, अलर्ट और तय समय की जाँच

    ठीक वही जिसके लिए हमेशा-चालू dots बने हैं: क्लाउड में काम जारी रखना और केवल वही सामने लाना जिसे इंसान की ज़रूरत है

    स्रोत ↗
  8. 8
    बिक्री के लिए संपर्क और लीड की खोज

    API डेटा बढ़ते स्वचालित बिक्री वर्कफ़्लो दिखाता है; dots रात भर रिसर्च और ड्राफ़्टिंग चालू रख सकते हैं

    स्रोत ↗
  9. 9
    रिपोर्ट और प्रेज़ेंटेशन की तैयारी

    उच्च-मूल्य वाला ज्ञान-कार्य आउटपुट जो अधिक टोकन खपाता है और दायरा तय होने पर पूरी तरह सौंपने के लिए फ़िट बैठता है

    स्रोत ↗
  10. 10
    काम का समय तय करना और वर्कफ़्लो संभालना

    Dots शेड्यूल किए गए कार्यों को साफ़ तौर पर संपादित करते हैं और चल रही ज़िम्मेदारियाँ आगे बढ़ाते हैं; फिर भी लोग पूरी तरह छोड़ने के बजाय दिशा देना पसंद करते हैं

    स्रोत ↗

Grok ने क्या देखा

कंप्यूटर और गणित (ज़्यादातर कोडिंग) के काम अब भी Claude.ai बातचीत का लगभग एक-तिहाई हैं, भले ही उपयोग विविध हो रहा है; शारीरिक और सेवा के काम लगभग शून्य हैं।

स्रोत ↗

METR का सॉफ़्टवेयर कार्यों के लिए 50% टाइम होराइज़न हर कुछ महीनों में लगभग दोगुना हुआ है और अब फ़्रंटियर मॉडलों के लिए कई घंटों की सीमा में है, फिर भी ज़्यादातर असली बातचीत छोटे, मिलकर किए गए चरणों में रहती है।

स्रोत ↗

लगभग 9,700 सर्वेक्षण किए गए Claude यूज़र्स में से आधे पहले ही मानते हैं कि AI उनके 50% या अधिक काम संभाल सकता है; केवल 4% कहते हैं कि आज वह पूरा काम कर सकता है।

स्रोत ↗

API और एजेंटिक उत्पाद (Claude Code, dots) उपभोक्ता चैट से कहीं ज़्यादा स्वचालन हिस्सेदारी दिखाते हैं, जो इस अंतर को उजागर करता है कि लोग बातचीत में क्या सौंपते हैं और बिना निगरानी क्या चल सकता है।

स्रोत ↗
🇺🇸 Gemini10 स्थान · 1 नोट

वही सवाल, जिसका जवाब अकेले Gemini ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    सॉफ़्टवेयर के बग अपने-आप ठीक करना और यूनिट टेस्टिंग

    फ़्रंटियर एजेंट सत्यापित गिटहब इश्यू के 79.2% तक हल करते हैं, फिर भी SWE-bench Pro पर कई घंटे वाले निजी कोडबेस में बिना सहायता प्रदर्शन 23% तक गिर जाता है।

  2. 2
    प्रतिस्पर्धियों पर नज़र और वेब से डेटा निकालना

    एजेंट स्वायत्त वेब वातावरण पर 65% से 74% स्कोर करते हैं, जिससे कीमत और स्टॉक की निगरानी वह सबसे सुरक्षित काम बनती है जिसे ऑपरेटर सोते समय चलता छोड़ सकते हैं।

  3. 3
    बड़े डेटा की सफ़ाई और SQL ETL पाइपलाइन

    Anthropic Economic Index के सबसे ऊँचे प्रभाव वाले स्तर में विश्लेषणात्मक स्क्रिप्ट निष्पादन आता है, जो नियतात्मक टेस्ट सत्यापन के साथ बिना निगरानी डेटाबेस परिवर्तन की अनुमति देता है।

  4. 4
    ग्राहक सहायता टिकटों को छाँटना और सही जगह भेजना

    ग्राहक-सामने वाले एजेंट संरचित GAIA मूल्यांकन पर 90% से ऊपर रूटिंग सटीकता पाते हैं, फिर भी संगठन लाइव ग्राहक-सामने वाले जवाबों के 57% पर इंसानी मंज़ूरी रखते हैं।

    स्रोत ↗
  5. 5
    अपने-आप रोज़ की ब्रीफ़िंग और साहित्य का सार

    हमेशा-चालू फ़ोन सहायक रात भर कई स्रोतों का सारांश बनाते हैं और कामकाजी दिन शुरू होने से पहले बिना आगे के प्रोडक्शन आउटेज का जोखिम लिए संरचित डाइजेस्ट देते हैं।

    स्रोत ↗
  6. 6
    कोड को नया रूप देना और डिपेंडेंसी का माइग्रेशन

    METR मूल्यांकन दिखाते हैं कि एजेंट 30 से 60 इंसानी-समतुल्य मिनटों के भीतर बहु-चरणीय सॉफ़्टवेयर कार्य भरोसेमंद ढंग से करते हैं, इसके बाद संचित त्रुटियाँ बहाव शुरू कर देती हैं।

  7. 7
    कैलेंडर तय करना और बैठकों का तालमेल

    सक्रिय सहायक dots पृष्ठभूमि में कैलेंडर इवेंट संपादित और कैलेंडर सिंक कर सकते हैं, पर जब कई पक्षों की सामाजिक बारीकियाँ आती हैं तो यूज़र फिर भी हस्तक्षेप करते हैं।

    स्रोत ↗
  8. 8
    कंटेंट का मसौदा और मार्केटिंग के विज्ञापन-लेख तैयार करना

    चैट इंटरफ़ेस पर सबसे बड़ी बातचीत मात्रा होने के बावजूद, ड्राफ़्टिंग की 55% से अधिक बातचीत साथ-साथ संपादित होती है, बिना निगरानी पोस्ट होने के बजाय।

  9. 9
    कमज़ोरियों की जाँच और स्टैटिक सुरक्षा स्कैनिंग

    METR के अलग-थलग मूल्यांकन में फ़्रंटियर एजेंट रिपो की खामियाँ स्वयं खोजते हैं, पर एंटरप्राइज़ टीमें गलत-सकारात्मक डाउनटाइम जोखिम के कारण बिना निगरानी क्लाउड सुधार से इनकार करती हैं।

  10. 10
    शुरू से अंत तक अपने-आप ऐप का प्रोटोटाइप बनाना

    ‘वाइब कोडिंग’ डेमो सार्वजनिक उत्साह खींचते हैं, पर जटिल नई प्रणालियों पर स्वायत्त एजेंट बिना मानवीय निगरानी के एक-चौथाई से भी कम विश्वसनीयता पाते हैं।

Gemini ने क्या देखा

ओपनएआई के Dots जैसे स्थायी क्लाउड इन्फ़्रास्ट्रक्चर, जो समर्पित रिमोट ब्राउज़रों पर चलते हैं, बिना निगरानी रात भर बैच निष्पादन संभव बनाते हैं, और एजेंट का उपयोग रीयल-टाइम चैट से हटाकर अतुल्यकालिक डिलीवरी की ओर ले जाते हैं।

स्रोत ↗
🇨🇳 Kimi10 स्थान · 4 नोट

वही सवाल, जिसका जवाब अकेले Kimi ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    सॉफ़्टवेयर विकास: बग ठीक करना, कोड बदलना, PR (कोडिंग एजेंट, 2026)

    एकमात्र काम जो चारों मानदंडों पर एक साथ शीर्ष पर है: Claude.ai की सभी बातचीत का लगभग 35%, लगभग 12 घंटे का अकेला कार्य-टाइम होराइज़न, और अब 42% संगठन एजेंटों को विकास का नेतृत्व करने देते हैं।

    स्रोत ↗
  2. 2
    डेटा विश्लेषण और रिपोर्ट बनाना (2026)

    सबसे भरोसेमंद प्रतिनिधि: डेटा विश्लेषण वह काम है जिसके लिए लोग एजेंट पर सबसे ज़्यादा भरोसा करते हैं (38%), और 60% कारोबार इसे अपना सबसे प्रभावशाली एजेंट उपयोग कहते हैं – फिर भी रोज़ की चैट ट्रैफ़िक में यह लगभग दर्ज नहीं होता।

    स्रोत ↗
  3. 3
    गहरा शोध और एजेंट-आधारित वेब खोज (2026)

    बेंचमार्क कहते हैं कि यह इंसानों से बेहतर है (GAIA 94% बनाम इंसानों का 92%) – पर GAIA के सवाल 2023 से सार्वजनिक हैं, इसलिए यह स्कोर क्षमता प्रमाणित करता है, रात भर की विश्वसनीयता नहीं।

    स्रोत ↗
  4. 4
    लेखन, संपादन और कारोबारी पत्राचार (2026)

    पूरे हाथ-सौंपने की शांत मात्रा का नेता: ‘व्यक्तिगत B2B कोल्ड सेल्स ईमेल बनाएँ’ अकेले सभी एंटरप्राइज़ API ट्रैफ़िक का 0.47% है – डिज़ाइन से ही लूप में कोई इंसान नहीं।

    स्रोत ↗
  5. 5
    ग्राहक सेवा और समस्या का समाधान (2026)

    सबसे अधिक प्रोडक्शन में तैनात गैर-कोडिंग काम – और पहला, जहाँ बेंचमार्क छत तक पहुँच गया: tau-bench text पर 87.9% लगभग हल हो चुका है, इसलिए अब दोहराव पर विश्वसनीयता ही असली मापदंड है।

    स्रोत ↗
  6. 6
    साइबर सुरक्षा के काम और CTF-शैली की जाँच-पड़ताल (2026)

    कहीं भी सबसे तेज़ बेंचमार्क छलांग – दो साल में Cybench पर बिना मार्गदर्शन 15% से 93% समाधान – एक ऐसे काम पर जो लोग रोज़ की चैट में लगभग कभी नहीं सौंपते।

    स्रोत ↗
  7. 7
    ईमेल छाँटना, समय तय करना और प्रशासनिक तालमेल (2026)

    dot का स्वाभाविक ठिकाना – रोज़ की कैलेंडर ब्रीफ़िंग और अपॉइंटमेंट बुकिंग – फिर भी Anthropic का अपना डेटा दिखाता है कि एडमिन AI को सह-पायलट रखते हैं, जिससे घंटे बचते हैं पर इनबॉक्स नहीं सौंपा जाता।

    स्रोत ↗
  8. 8
    शिक्षा में मदद: पाठ्यक्रम, ट्यूशन और पढ़ाई में सहायता (2026)

    सभी उपभोक्ता बातचीत का पाँचवाँ हिस्सा, पर सूची में सबसे कम ‘हमेशा-चालू’ काम – छात्र सीखने आते हैं, सौंपने नहीं, इसलिए यहाँ सहायता, स्वचालन नहीं, काम आती है।

    स्रोत ↗
  9. 9
    कंप्यूटर का उपयोग और लंबे दफ़्तरी काम (OSWorld 2.0, 2026)

    अंतर का पोस्टर चेहरा: एजेंट पुराने OSWorld पर ‘इंसानों को हराते’ हैं (90.2% बनाम 72.4%), पर नए लंबे-वर्कफ़्लो सूट पर सबसे अच्छा एजेंट केवल 31.4% पूरा करता है – दोपहर के काम, छोटे-मोटे काम नहीं, अब भी इंसानों का क्षेत्र हैं।

    स्रोत ↗
  10. 10
    वित्तीय प्रशासन, इनवॉइस और डेटा एंट्री (2026)

    एक ही काम में कौशल-क्षय का विरोधाभास: डेटा एंट्री करने वाले ‘प्रभावी AI कवरेज’ तालिका में ऊपर चढ़ जाते हैं, क्योंकि AI उनके मुख्य काम में उत्कृष्ट है – जबकि केवल 20% अधिकारी किसी भी पैसे वाले काम में एजेंट पर भरोसा करते हैं।

    स्रोत ↗

Kimi ने क्या देखा

तीनों सूचियाँ सचमुच अलग हैं: एजेंट कोडिंग और सुरक्षा (METR, SWE-bench) पर मापे जाते हैं, उपभोक्ता रिसर्च और लेखन सौंपते हैं (‘वेब-ब्राउज़िंग स्वचालक’ 38%), और केवल सीमित, सत्यापन योग्य काम सुरक्षित ढंग से तब चल सकते हैं जब आप सो रहे हों – Codex Cloud यूज़र बताते हैं कि चलते हुए बैकग्राउंड प्रोसेस बीच में चुपचाप खो जाते हैं, इसलिए बिना निगरानी की रैंकिंग ≠ क्षमता की रैंकिंग।

स्रोत ↗

स्वचालन प्लेटफ़ॉर्म की कहानी है, क्षमता की नहीं: Claude.ai पर सहायता ने स्वचालन को 52% बनाम 45% से हराया (नवंबर 2025), जबकि एंटरप्राइज़ API ट्रैफ़िक 75–77% पूर्ण हस्तांतरण वाला स्वचालित है – वही मॉडल चैट में सहकर्मी है और API में प्रतिस्थापन।

स्रोत ↗

50% टाइम होराइज़न (~12 घंटे) बिना निगरानी क्षमता को बढ़ा-चढ़ाकर दिखाता है: METR का 80% होराइज़न – वह संख्या जो उस काम के लिए मायने रखती है जिसे आप जाँचते नहीं – लगभग 4–10 गुना छोटा है, और सफलता दरों को जोड़ने पर उत्पादकता का अनुमान प्रति वर्ष 1.8 से घटकर 1.0 प्रतिशत अंक रह जाता है।

स्रोत ↗

सभी को जूनियरों की चिंता है, पर अपने काम सौंप देते हैं: सर्वेक्षण में शामिल कर्मचारियों में से एक-तिहाई से ज़्यादा ने किसी जूनियर सहकर्मी की नौकरी जाने की संभावना 60% से ऊपर रखी – अपने से तीन गुना – जबकि Anthropic पाता है कि AI उच्च शिक्षा के कार्य पहले ही संभाल रहा है, जिससे बचे हुए पदों में शुद्ध कौशल-क्षय होता है।

स्रोत ↗
🇨🇳 DeepSeek10 स्थान · 3 नोट

वही सवाल, जिसका जवाब अकेले DeepSeek ने दिया। ऊपर की अंतिम सूची सभी AI को मिलाती है।

  1. 1
    सॉफ़्टवेयर इंजीनियर (बॉयलरप्लेट और कोड की देखभाल)

    AI का सबसे बड़ा विरोधाभास: डेवलपर अपने काम के लगभग 60% में एजेंट इस्तेमाल करते हैं, फिर भी केवल 0–20% काम पूरी तरह सौंपते हैं।

    स्रोत ↗
  2. 2
    बिज़नेस एनालिस्ट (अपने-आप रिपोर्ट बनाना)

    स्वचालित रिपोर्ट निर्माण एजेंट-विश्वास सूचकांक में 83.5/100 पर शीर्ष पर है – सबसे भरोसेमंद एजेंट काम वही है जो सबसे उबाऊ भी है।

    स्रोत ↗
  3. 3
    डेटा क्वालिटी एनालिस्ट (निगरानी और गड़बड़ी पकड़ना)

    डेटा गुणवत्ता निगरानी 82.0 अंक पाती है और दुर्लभ काम है जहाँ ‘हमेशा-चालू’ ही पूरा मकसद है – एजेंट कभी पलक नहीं झपकाता।

    स्रोत ↗
  4. 4
    ग्राहक सेवा प्रतिनिधि (टिकट भेजना और जवाब देना)

    ग्राहक सेवा 70.1% AI-प्रभावित है, फिर भी ज़्यादातर बातचीत मिलकर ही होती है – स्वचालन हिस्सेदारी संपर्क से पीछे है।

    स्रोत ↗
  5. 5
    टेक्निकल राइटर (रिलीज़ नोट्स और दस्तावेज़ीकरण)

    रिलीज़ नोट्स 79.5 अंक पाते हैं, क्योंकि एजेंट कमिट इतिहास पढ़कर चेंजलॉग लिख सकता है – संरचित, सत्यापन योग्य, बिना झंझट।

    स्रोत ↗
  6. 6
    डेटा एंट्री ऑपरेटर (फ़ॉर्मैट बदलना और एक जैसा करना)

    डेटा एंट्री 67.1% AI से कवर है, पर सटीकता की चिंता इंसानों को हर फ़ील्ड जाँचने पर मजबूर करती है – पूरा हस्तांतरण दुर्लभ है।

    स्रोत ↗
  7. 7
    रिसर्च एनालिस्ट (तय समय का शोध और वेब पर नज़र)

    71.4% एजेंट उपयोग के मामले शेड्यूल या घटना पर चलते हैं – रिसर्च मूल ‘सेट करो और भूल जाओ’ वाला काम है।

    स्रोत ↗
  8. 8
    एग्ज़ीक्यूटिव असिस्टेंट (ईमेल छाँटना और इनबॉक्स संभालना)

    AI आपके इनबॉक्स के 50–65% को अपने-आप श्रेणियों में डाल सकता है, पर अपने दम पर ‘भेजें’ नहीं दबा सकता – ईमेल छँटाई सोते समय केवल पढ़ने भर की है।

    स्रोत ↗
  9. 9
    साइट रिलायबिलिटी इंजीनियर (लाइव डेटा पर नज़र और अलर्ट)

    रीयल-टाइम स्ट्रीम निगरानी 80.5 अंक पाती है और यह सबसे शुद्ध हमेशा-चालू काम है – एजेंट आपके सोते समय देखता है, पर कार्रवाई के लिए मंज़ूरी चाहिए।

    स्रोत ↗
  10. 10
    प्रशासनिक सहायक (कैलेंडर और बार-बार होने वाले काम संभालना)

    कैलेंडर प्रबंधन एजेंट की सबसे आसान जीत है: dots पहले से ही आपके सोते समय शेड्यूल किए गए कार्य संपादित कर सकते हैं।

    स्रोत ↗

DeepSeek ने क्या देखा

सॉफ़्टवेयर इंजीनियरिंग Claude बातचीत में सबसे बड़ा वास्तविक AI उपयोग मामला है (35–37%) और इसका सबसे लंबा मापा गया स्वायत्त होराइज़न (~14.5 घंटे) है, फिर भी इसकी पूरी तरह सौंपने की दर सबसे कम में से एक है (0–20%)। क्षमता बाधा नहीं है; सत्यापन है।

स्रोत ↗

AI उपयोग मामलों के 71.4% पहले से ही किसी क्लिक का इंतज़ार किए बिना शेड्यूल या घटना पर चलते हैं, पर अमेरिकी कामगारों में केवल 5% कहते हैं कि उन्होंने एक भी काम पूरी तरह AI को सौंपा है। बिना निगरानी काम का ढाँचा मौजूद है; भरोसा नहीं।

स्रोत ↗

Anthropic का जून 2026 का डेटा दिखाता है कि स्वचालन हिस्सेदारी सबसे अधिक Protective Service (75%) और Construction (67%) में है, ज्ञान-कार्य में नहीं। जब काम अलग-अलग और स्व-निहित होते हैं, लोग उन्हें पूरी तरह सौंप देते हैं; जब पेशेवर निर्णय और ज़िम्मेदारी जुड़ी होती है (Legal: 35%), तो वे मिलकर काम करते हैं।

स्रोत ↗