AI के साथ वर्कफोर्स प्लानिंग: AdTech की नई हकीकत

17/12/2025 को AdTech इंडस्ट्री से एक खबर आई: The Trade Desk ने अपनी वर्कफोर्स का 1% से भी कम हिस्सा कम किया। कंपनी के मौजूदा हेडकाउंट (लगभग 3,900) को देखें तो यह कटौती संख्या में छोटी है, लेकिन संकेत बड़े हैं। एक साल पहले “कंपनी के इतिहास का सबसे बड़ा रीऑर्ग” हो चुका था, और इसी साल कंपनी ने करीब 1,000 नई भर्तियाँ भी कीं—फिर भी छँटनी। यह विरोधाभास नहीं, बल्कि वर्कफोर्स प्लानिंग के पुराने तरीके की सीमा है।

मेरे हिसाब से AdTech में छँटनी को सिर्फ “कॉस्ट कटिंग” कहना आधा सच है। असली कहानी यह है कि विज्ञापन तकनीक का काम तेजी से बदल रहा है: ओपन वेब बनाम वॉल्ड गार्डन्स, CTV, सप्लाई-चेन पारदर्शिता, और AI-आधारित मीडिया बाइंग प्लेटफॉर्म (जैसे TTD का Kokai) — इन सबके बीच टीमों में “कौन-सा स्किल कब चाहिए” का अनुमान लगाना मुश्किल हो गया है।

यह पोस्ट हमारी सीरीज़ “मानव संसाधन और वर्कफोर्स मैनेजमेंट में AI” के संदर्भ में एक साफ सवाल उठाती है: क्या AI वर्कफोर्स निर्णयों को इतना डेटा-ड्रिवन बना सकता है कि रीऑर्ग और छँटनी ‘रिएक्शन’ नहीं, ‘प्लान’ बन जाए?

The Trade Desk केस से क्या सीख मिलती है?

सीधा जवाब: छँटनी का प्रतिशत छोटा हो सकता है, पर लगातार रीऑर्ग + हाई-हायरिंग + टॉप टैलेंट एग्ज़िट मिलकर बताता है कि संगठन “कौशल-मैचिंग” और “डिमांड-फोरकास्टिंग” में दबाव महसूस कर रहा है।

The Trade Desk ने बताया कि छँटनी 1% से कम है और यह बदलाव “सही स्किल्स और अनुभव” बनाए रखने की कोशिश का हिस्सा है। साथ ही, हाल में कुछ उल्लेखनीय एग्ज़िट भी दिखे (जैसे लंबे समय से जुड़े इंजीनियरिंग लीड का जाना)। यह पैटर्न AdTech में सामान्य हो रहा है, खासकर जब कंपनियाँ:

• एक साथ नई प्रोडक्ट दिशा (AI प्लेटफॉर्म/ऑटोमेशन) पर जोर देती हैं
• क्लाइंट-फेसिंग टीम स्ट्रक्चर बदलती हैं
• और Amazon/Google जैसे DSP प्रतिद्वंद्वियों के दबाव में तेजी से “एफिशिएंसी” दिखाना चाहती हैं

“कम लोग” समस्या नहीं—“गलत समय पर गलत स्किल” समस्या है

मैंने कई ऑपरेशंस टीमों में यह देखा है: छँटनी तब होती है जब नेतृत्व को लगता है कि काम कम हो गया। लेकिन कई बार काम कम नहीं होता—काम का स्वरूप बदल जाता है। उदाहरण के लिए:

• मैन्युअल कैंपेन सेटअप घटता है, पर मॉडल गवर्नेंस, डेटा क्वालिटी, प्राइवेसी कंप्लायंस, और क्रिएटिव वेरिएशन टेस्टिंग बढ़ती है।
• सप्लाई-चेन पारदर्शिता की बहस तेज होती है, तो ऑडिटिंग, पार्टनर मैनेजमेंट, और फ्राॅड/क्वालिटी एनालिटिक्स की जरूरत बढ़ती है।

यहीं AI एक “काम कम करने वाली मशीन” नहीं, बल्कि कौशल-परिवर्तन को मैनेज करने वाला सिस्टम बन सकता है।

AI वर्कफोर्स एनालिटिक्स: छँटनी से पहले क्या मापा जाना चाहिए?

सीधा जवाब: AI की मदद से आप “कौन-सी टीम महंगी है” नहीं, बल्कि “कौन-सा आउटपुट किस स्किल-मिक्स से सबसे भरोसेमंद बनेगा” यह माप सकते हैं।

AdTech कंपनियों में वर्कफोर्स का मूल्यांकन अक्सर दो चीजों तक सिमट जाता है: हेडकाउंट और कॉस्ट। AI-ड्रिवन टैलेंट एनालिटिक्स इससे आगे जाता है। यह चार स्तरों पर काम करता है:

1) स्किल इन्वेंटरी (Skill Graph)

AI (और अच्छे HRIS डेटा) से आप यह बना सकते हैं कि किसके पास कौन-से स्किल्स हैं, किसकी दक्षता किस स्तर पर है, और कौन-सा स्किल किस प्रोजेक्ट में काम आ रहा है।

• रिज़्यूमे/प्रोजेक्ट लॉग/टिकटिंग सिस्टम से स्किल एक्सट्रैक्शन
• स्किल टैक्सोनॉमी को कंपनी की टेक स्टैक के हिसाब से कस्टमाइज़ करना

2) डिमांड फोरकास्टिंग (Predictive Staffing)

जैसे DSP में बिडिंग के लिए प्रेडिक्शन होता है, वैसे ही टीम डिमांड का पूर्वानुमान संभव है:

• किन प्रोडक्ट लाइनों में Q1 2026 में फीचर डिलीवरी बढ़ेगी?
• किन क्लाइंट सेगमेंट में ऑनबोर्डिंग/सपोर्ट लोड बढ़ेगा?
• CTV/ID/मेजरमेंट बदलाव से किस टीम पर अतिरिक्त काम आएगा?

3) काम का ऑटोमेशन “मैप”

AI यह भी बता सकता है कि कौन-से टास्क ऑटोमेट हो सकते हैं और कौन-से नहीं। AdTech में आमतौर पर ये क्षेत्र जल्दी ऑटोमेट होते हैं:

• रिपोर्टिंग और इनसाइट ड्राफ्टिंग
• QA चेकलिस्ट/कैंपेन वैलिडेशन
• क्रिएटिव वैरिएंट जेनरेशन और टैगिंग
• बेसिक क्लाइंट FAQ और टिकट ट्रायेज

पर इन क्षेत्रों में “मानव-निर्णय” अभी भी ज़रूरी रहता है:

• पार्टनर/पब्लिशर नेगोशिएशन
• प्राइवेसी/कंप्लायंस फैसले
• मॉडल बायस और गवर्नेंस
• स्ट्रैटेजिक अकाउंट मैनेजमेंट

4) आउटपुट-आधारित KPI

AI की मदद से आउटपुट KPI को टीम-स्तर पर ट्रैक किया जा सकता है, जैसे:

• फीचर डिलीवरी लीड टाइम (दिनों में)
• बग री-ओपन रेट
• क्लाइंट रिटेंशन/CSAT ट्रेंड
• कैंपेन परफॉर्मेंस स्थिरता (variance)

जब KPI आउटपुट पर टिकते हैं, तब रीऑर्ग “अंदाज़े” पर नहीं चलता।

एक लाइन में: अच्छे वर्कफोर्स निर्णय “कितने लोग” से नहीं, “कौन-सा काम किस स्किल-मिक्स से” से बनते हैं।

रीऑर्ग के दौरान AI का सही इस्तेमाल: ‘कट’ नहीं, ‘रीडिप्लॉय’

सीधा जवाब: AI का सबसे बड़ा ROI छँटनी में नहीं—रीडिप्लॉयमेंट और अपस्किलिंग में आता है।

The Trade Desk जैसी कंपनियाँ एक ही साल में हज़ार भर्तियाँ भी करती हैं और 1% से कम कटौती भी। इसका अर्थ यह है कि संगठन के कुछ हिस्सों में ग्रोथ है और कुछ हिस्सों में स्किल-मिसमैच। ऐसे में AI तीन व्यावहारिक काम कर सकता है:

1) Internal Talent Marketplace

एक इंटरनल “टैलेंट मार्केट” बनाइए जहाँ AI मैच करे:

• प्रोजेक्ट की जरूरत (skills + level + timeline)
• कर्मचारी का स्किल प्रोफाइल
• सीखने की गति/इच्छा (learning signals)

इससे कटौती से पहले ट्रांसफर और रेस्किल का रास्ता खुलता है। मैंने पाया है कि जब यह सिस्टम ठीक चलता है, तो टीम लीड्स “खाली सीट” के लिए बाहर हायरिंग से पहले अंदर देखना शुरू कर देते हैं।

2) रीऑर्ग सिमुलेशन (Org Design Simulation)

AI-सपोर्टेड सिमुलेशन में आप “अगर टीम A और B मर्ज हों” तो क्या होगा—यह पहले से देख सकते हैं:

• हैंडऑफ कम होंगे या बढ़ेंगे?
• मैनेजर-टू-IC रेशियो बिगड़ेगा तो नहीं?
• क्रिटिकल सिस्टम की “बस फैक्टर” (1-2 लोगों पर निर्भरता) तो नहीं बढ़ेगी?

3) अपस्किलिंग रोडमैप जो काम से जुड़ा हो

“AI ट्रेनिंग करा दी” से कुछ नहीं होता। ट्रेनिंग को काम से बाँधिए:

• 30 दिन: रिपोर्टिंग ऑटोमेशन + QA बेसिक्स
• 60 दिन: मॉडल मॉनिटरिंग/डेटा क्वालिटी
• 90 दिन: प्राइवेसी-सेफ टार्गेटिंग, CTV मेजरमेंट, या एजेंटिक वर्कफ्लो

AdTech में AI + वर्कफोर्स: 2026 के लिए प्रैक्टिकल प्लेबुक

सीधा जवाब: 2026 में जीतने वाली टीमें वे होंगी जो AI को “टूल” नहीं, ऑपरेटिंग मॉडल मानेंगी।

यहाँ 7 कदम हैं जो आप अगले 6–8 हफ्तों में शुरू कर सकते हैं—चाहे आप DSP, एजेंसी, पब्लिशर, या AdOps टीम में हों:

1. स्किल टैक्सोनॉमी तय करें (डेटा, प्राइवेसी, CTV, ऑटोमेशन, क्लाइंट स्ट्रैटेजी)
2. वर्क लॉग डेटा साफ करें (टिकटिंग, प्रोजेक्ट मैनेजमेंट, परफॉर्मेंस/QA)
3. 2–3 हाई-वॉल्यूम प्रक्रियाएँ ऑटोमेट करें (रिपोर्टिंग, टिकट ट्रायेज, कैंपेन वैलिडेशन)
4. रीडिप्लॉयमेंट को KPI बनाइए (हर तिमाही X% रोल मूवमेंट/क्रॉस-स्किलिंग)
5. AI गवर्नेंस सेट करें (डेटा एक्सेस, मॉडल ऑडिट, मानव-अनुमोदन)
6. ऑर्ग-डिज़ाइन रिव्यू में ‘बस फैक्टर’ शामिल करें
7. क्लाइंट-इम्पैक्ट मीट्रिक्स को प्राथमिकता दें (CSAT, रिन्यूअल, डिलीवरी लीड टाइम)

यह प्लेबुक सीधे “कम लोग” करने की सलाह नहीं देती। यह सलाह देती है कि एक ही हेडकाउंट से बेहतर आउटपुट कैसे निकाला जाए, और छँटनी को अंतिम विकल्प बनाया जाए।

अक्सर पूछे जाने वाले सवाल (वर्कफोर्स AI संदर्भ)

क्या AI सच में छँटनी रोक सकता है?

AI “रोकता” नहीं, लेकिन गलत छँटनी की संभावना कम करता है। जब स्किल-मिसमैच और डिमांड पहले दिखने लगे, तो रीडिप्लॉयमेंट का समय मिल जाता है।

क्या AI अपनाने से टीम छोटी करनी ही पड़ेगी?

ज़रूरी नहीं। कई बार टीम वही रहती है, पर काम का फोकस बदल जाता है—मैन्युअल काम घटता है, लेकिन क्वालिटी, गवर्नेंस, और स्ट्रैटेजी बढ़ती है।

सबसे पहले कौन-सा डेटा चाहिए?

टिकटिंग/प्रोजेक्ट डेटा, रोल/लेवल, स्किल्स, ट्रेनिंग हिस्ट्री, और आउटपुट KPI—इतना भी शुरुआत के लिए काफी है।

आगे की राह: AdTech में AI ‘टैलेंट स्ट्रैटेजी’ का हिस्सा बने

The Trade Desk की 1% से कम छँटनी खबर संख्या में छोटी है, लेकिन संदेश साफ है: तेजी से बदलते AdTech में सिर्फ रीऑर्ग करना पर्याप्त नहीं—रीऑर्ग को मापना और सिमुलेट करना जरूरी है। Kokai जैसे AI प्लेटफॉर्म अगर मीडिया बाइंग को अधिक ऑटोमेट और इंटेलिजेंट बना रहे हैं, तो HR और ऑपरेशंस को भी उतना ही डेटा-ड्रिवन होना पड़ेगा।

अगर आप 2026 में अपनी मीडिया/एडटेक टीम को स्थिर, कुशल और तेज बनाना चाहते हैं, तो शुरुआत एक सवाल से करें: क्या हमारे पास स्किल्स का रियल-टाइम नक्शा है—या हम अब भी अनुमान से टीम बना रहे हैं?