मुख्य नेविगेशन

AI-नेटिव इंजीनियरिंग में काम करने का मॉडल

सॉफ़्टवेयर बनाना सस्ता हो रहा है. इससे उन कंपनियों को बढ़त मिलेगी, जो बेहतर फ़ैसले लें और नतीजों को सुरक्षित तरीके से जाँच सकें.

लीडर्स की अहम बातें

  • AI से सॉफ़्टवेयर बनाने का खर्च घट रहा है. लेकिन आगे रहने के लिए कंपनियों को काम करने का तरीका बदलना होगा. जो कंपनियाँ सिर्फ़ AI असिस्टेंट्स जोड़ने के बजाय टीमों के काम करने के तरीके बदलेंगी, उन्हें लंबे समय तक फ़ायदा मिलने की संभावना ज़्यादा है.

  • AI-नेटिव इंजीनियरिंग के लिए दो तरह की टीमें ज़रूरी हैं. ऐप्लिकेशन टीमें कस्टमर्स और उनकी समस्याओं के करीब रहें. प्लेटफ़ॉर्म या "हार्नेस" टीमें शेयर्ड कॉन्टेक्स्ट, सुरक्षा नियम, इवैल्यूएशन और गवर्नेंस दें, ताकि लोग और AI एजेंट्स बड़े पैमाने पर सुरक्षित काम कर सकें.

  • टेक्नोलॉजी लीडर्स अब सिर्फ़ डिलीवरी की क्षमता नहीं सँभालेंगे, बल्कि पूरा सिस्टम डिज़ाइन करेंगे. उन्हें चार बातें तय करनी होंगी: ऐप्लिकेशन टीमों के काम, सबके लिए शेयर्ड कॉन्टेक्स्ट और कंट्रोल्स, एजेंट्स के लिए इंसानी मंज़ूरी कब ज़रूरी है और सीख व कस्टमर को मिले फ़ायदे को कैसे मापना है.

पुराने मॉडल में सबसे बड़ी चुनौती सॉफ़्टवेयर बनाने की क्षमता थी

आज की इंजीनियरिंग के कई तरीके उस समय बने, जब सॉफ़्टवेयर बनाना महँगा था. सवाल यह था: ज़्यादा टीमें भरोसेमंद तरीके से ज़्यादा सॉफ़्टवेयर कैसे लॉन्च करें? इसी सोच ने टीमों की बनावट, प्लेटफ़ॉर्म्स की फ़ंडिंग और डिलीवरी मापने के तरीके तय किए. काम बढ़ाना हो, तो अक्सर ज़्यादा लोग रखे जाते थे. सफलता का मतलब था, सिस्टम से कितना काम पूरा हुआ.

AI यह सोच बदल रहा है. हमारे हिसाब से AI-नेटिव इंजीनियरिंग का मतलब पुराने तरीके में अच्छे टूल्स जोड़ना भर नहीं है. इसके लिए अलग ऑपरेटिंग मॉडल चाहिए: कस्टमर की समस्याओं के करीब छोटी ऐप्लिकेशन टीमें, जिन्हें प्लेटफ़ॉर्म या "हार्नेस" टीमें सपोर्ट दें. "हार्नेस" ऐसा एनवायरनमेंट है, जहाँ काम के नियम साफ़ तय होते हैं. इससे लोगों और एजेंट्स को ज़रूरी कॉन्टेक्स्ट, टूल्स, एक्सेस और फ़ीडबैक मिलता है, साथ ही वे तय सीमाओं में रहकर बड़े पैमाने पर सुरक्षित AI इस्तेमाल कर पाते हैं.

टेक्नोलॉजी और डेटा लीडर्स के लिए यह अहम है, क्योंकि सिर्फ़ कर्मचारियों की प्रोडक्टिविटी बढ़ने से पूरी कंपनी AI सुरक्षित तरीके से नहीं अपना पाएगी. सही ऑपरेटिंग मॉडल न हो, तो टीमें अलग-अलग टूल्स इस्तेमाल करेंगी, एक ही काम दोहराएँगी और ज़िम्मेदारियाँ साफ़ नहीं रहेंगी. डेटा गलत जगह पहुँचने का रिस्क बढ़ेगा और क्वालिटी भी एक जैसी नहीं रहेगी.

अब कंपनियों को सिर्फ़ यह नहीं पूछना चाहिए, "इंजीनियर्स को AI इस्तेमाल करने में कैसे मदद दें?" उन्हें पूछना चाहिए, "इंजीनियरिंग का तरीका कैसे बदलें, ताकि इंसान और एजेंट्स पूरी कंपनी में सुरक्षित तरीके से काम करके फ़ायदा पहुँचा सकें?"

सॉफ़्टवेयर बनाना सस्ता हो, तो फ़ैसले और अहम हो जाते हैं

AI की मदद से इंजीनियर्स ज़्यादा आइडियाज़ आज़मा सकते हैं, जल्दी प्रोटोटाइप बना सकते हैं और अलग तरीके टेस्ट कर सकते हैं. लेकिन ज़्यादा आउटपुट से अपने आप ज़्यादा फ़ायदा नहीं मिलता. अच्छी समझ, सही कॉन्टेक्स्ट और असरदार टेस्टिंग न हो, तो काम इतना बढ़ सकता है कि कंपनी को यह तय करने में मुश्किल हो कि किस पर भरोसा करें, क्या डिप्लॉय करें और किससे सीखें.

AI कोड बनाने और एक्सपेरिमेंट्स चलाने का खर्च घटा सकता है. लेकिन सॉफ़्टवेयर की कुल लागत इस पर निर्भर करेगी कि उसे रिव्यू करने, जोड़ने, चलाने, मेंटेन करने और सुधारने में कितना काम करना पड़ेगा.

हमारे हिसाब से इंजीनियरिंग में बढ़त इन चार क्षमताओं पर ज़्यादा निर्भर करेगी:

  • क्या बनाना चाहिए, कैसे बनाना चाहिए और इन फ़ैसलों को कैसे दर्ज करना है.

  • लोगों और AI सिस्टम्स को कंपनी की सही जानकारी से जोड़ना.

  • शेयर्ड प्लेटफ़ॉर्म, कंट्रोल्स और इवैल्यूएशन से सुरक्षित ढंग से काम बढ़ाना.

  • ऐसे आर्किटेक्चर बनाना, जिनमें नए टूल्स और कंपोनेंट्स बार-बार रुकावट पैदा किए बिना जुड़ सकें.

अब सिर्फ़ आउटपुट बढ़ाना काफ़ी नहीं. अहम है उससे ज़्यादा फ़ायदा पाना: सही काम चुनना, सही कॉन्टेक्स्ट देना, उसे टेस्ट करना और यह समझना कि क्या लॉन्च नहीं करना चाहिए.

एक्सपेरिमेंट्स सस्ते होंगे, तो फ़ैसलों का रिकॉर्ड और अहम होगा. कंपनियों को पता होना चाहिए कि क्या आज़माया, क्या फ़ेल हुआ, क्या सीखा और एक रास्ता दूसरे के बजाय क्यों चुना.

इंजीनियरिंग सिस्टम का फ़ोकस सिर्फ़ तेज़ डिलीवरी पर नहीं होना चाहिए. ज़रूरी है जल्दी जाँच, सुरक्षित तरीके से सुधार और सीखी गई बातों का रिकॉर्ड. इससे इंजीनियर्स और उनकी टीम की भूमिका बदलती है.

इंजीनियर्स पूरे सिस्टम में तालमेल बनाते हैं

इंजीनियर्स का काम चीज़ें बनाना छोड़ना नहीं है. अब उन्हें यह भी तय करना है कि क्या और कैसे बनेगा, काम को कैसे परखेंगे और अलग हिस्सों में तालमेल कैसे होगा.

AI सॉफ़्टवेयर बना सकता है, लेकिन इंजीनियर्स की ज़रूरत खत्म नहीं होती. अब ऐसे लोग और अहम हैं जो सिस्टम की सीमाएँ समझें, इंटरफ़ेस तय करें, इवैल्यूएशन डिज़ाइन करें और लोगों व एजेंट्स का काम जोड़ सकें. टेक्निकल समझ के साथ अच्छे फ़ैसले लेने, प्रोडक्ट समझने और काम परखने वाले इंजीनियर्स अक्सर उन लोगों से ज़्यादा फ़ायदा देंगे, जो सिर्फ़ अलग-अलग कंपोनेंट्स बनाने पर फ़ोकस करते हैं.

AI से प्रोडक्ट और इंजीनियरिंग की सीख तेज़ होती है

पहले प्रोडक्ट टीमें तय करती थीं कि क्या बनाना है और इंजीनियरिंग टीमें तय करती थीं कि कैसे. अब कई कंपनियों में प्रोडक्ट, डिज़ाइन और इंजीनियरिंग साथ काम करते हैं. AI से इस टीम के अंदर काम करने का तरीका बदलता है: सस्ते प्रोटोटाइप की मदद से एक ही साइकल में समस्या समझना, चीज़ें बनाना और उन्हें टेस्ट करना मुमकिन है. टीमें ज़्यादा ऑप्शन्स आज़मा सकती हैं, कमज़ोर आइडियाज़ जल्दी छोड़ सकती हैं और अच्छे नतीजे वाले आइडिया प्रोडक्शन तक पहुँचा सकती हैं.

इससे छोटी, अलग-अलग स्किल्स वाली टीमों को फ़ायदा होता है. इनमें प्रोडक्ट, डिज़ाइन, इंजीनियरिंग और संबंधित फ़ील्ड के एक्सपर्ट्स मिलकर सीखते हैं. प्रोडक्ट और टेक्निकल फ़ैसले एक ही रोल का हिस्सा नहीं बन जाते, लेकिन इनका तालमेल बढ़ना चाहिए. प्रोडक्ट लीडर्स में प्रोटोटाइप बनाने और ऑप्शन्स जाँचने की टेक्निकल समझ होनी चाहिए. इंजीनियर्स को कस्टमर्स और बिज़नेस का कॉन्टेक्स्ट समझना होगा, ताकि वे सिर्फ़ तय सॉल्यूशन लागू न करें, बल्कि समस्या को सही तरह समझने में भी मदद करें.

कंपनी का कॉन्टेक्स्ट एक अहम एसेट बन जाता है

इंजीनियरिंग कंपनियाँ लंबे समय से कोड को बड़ा एसेट मानती आई हैं. अब कोड बनाना आसान हो रहा है, तो उसके पीछे की जानकारी का फ़ायदा लंबे समय तक रहेगा. जैसे, इंडस्ट्री की समझ, कस्टमर्स की ज़रूरतें, ऑपरेशन्स का अनुभव, कंपनी का अपना डेटा, इवैल्यूएशन डेटासेट्स, मशीन से पढ़ी जा सकने वाली पॉलिसीज़ और आर्किटेक्चर से जुड़े पुराने फ़ैसलों का रिकॉर्ड, जो बताता है कि सिस्टम ऐसे क्यों काम करता है.

कोडबेस अहम हैं क्योंकि उनमें मेहनत से जुटाई गई बिज़नेस और कस्टमर की जानकारी होती है. AI कोड बनाने की मेहनत कम करता है, लेकिन यह जानकारी जुटाने की नहीं. इसलिए कंपनियों को सिर्फ़ कोड की मात्रा नहीं देखनी चाहिए. उन्हें ऐसे एसेट्स में निवेश करना चाहिए जिनकी वैल्यू बढ़ती रहे: अच्छे से मैनेज किया अपना डेटा, काम के नॉलेज सिस्टम्स, कस्टमर्स की गहरी समझ और फ़ैसलों के साफ़ रिकॉर्ड्स.

CIO और CDO के लिए इन्फ़ॉर्मेशन आर्किटेक्चर और डेटा गवर्नेंस अब इंजीनियरिंग परफ़ॉर्मेंस से सीधे जुड़े हैं. AI एजेंट्स वही कॉन्टेक्स्ट इस्तेमाल कर सकते हैं जिसे देखने का एक्सेस हो और जिसे वे समझ सकें. जानकारी बिखरी हो, डेटा की ज़िम्मेदारी साफ़ न हो या एक्सेस के नियम अलग हों, तो ये सिर्फ़ डेटा मैनेजमेंट नहीं, इंजीनियरिंग की भी समस्याएँ बन जाती हैं.

कॉन्टेक्स्ट अगर प्रोडक्शन सिस्टम का हिस्सा है, तो उसे सिर्फ़ रखे हुए डॉक्यूमेंट्स की तरह नहीं देखा जा सकता. अब यह प्लेटफ़ॉर्म की एक ज़रूरी क्षमता है.

AI डिलीवरी बाँटें: लोकल टीमें, सुरक्षा के नियम सबके लिए

कॉन्टेक्स्ट, इवैल्यूएशन और गवर्नेंस प्रोडक्शन का हिस्सा बन जाएँ, तो AI से जुड़े सारे काम अलग-अलग टीमों पर नहीं छोड़े जा सकते. लेकिन सब कुछ एक जगह भी न रखें, वरना टीमें कस्टमर्स की असली समस्याओं से दूर हो जाएँगी.

फ़ेडरेटेड मॉडल इन दोनों ज़रूरतों के बीच बैलेंस बनाता है. ऐप्लिकेशन टीमें अपने फ़ैसले खुद लेती हैं और समस्या के करीब रहती हैं. शेयर्ड प्लेटफ़ॉर्म और हार्नेस से उन्हें काम के टूल्स, तय नियमों के साथ कॉन्टेक्स्ट का एक्सेस, इवैल्यूएशन के तरीके और गवर्नेंस मिलते हैं. लेकिन यह तभी काम करता है जब ज़िम्मेदारी साफ़ हो: ऐप्लिकेशन टीमें वर्कफ़्लो और नतीजों की ज़िम्मेदारी लें, हार्नेस टीमें सुरक्षित काम के लिए शेयर्ड सुविधाएँ दें और रिस्क, सिक्योरिटी व गवर्नेंस टीमें अलग से निगरानी करें.

ऐप्लिकेशन टीमें और संबंधित फ़ील्ड के एक्सपर्ट्स तय करें कि किसी टास्क की कैसे जाँच करनी है और क्या पास माना जाएगा. हार्नेस टीम सभी के लिए इवैल्यूएशन इंफ़्रास्ट्रक्चर, शेयर्ड कंट्रोल्स और रिपोर्टिंग दे, ताकि जाँच हर बार एक जैसे तरीके से हो.

क्षेत्र

ऐप्लिकेशन टीम

हार्नेस टीम

रिस्क, सिक्योरिटी और गवर्नेंस

प्रोडक्ट और नतीजे

समस्या, वर्कफ़्लो, यूज़र एक्सपीरियंस और सफलता कैसे मापनी है, यह तय करती है; कस्टमर और बिज़नेस के नतीजों की ज़िम्मेदारी लेती है

दोबारा काम आने वाले तरीके, टूल्स और टेलीमेट्री देती है

जहाँ काम से बड़ा रिस्क हो, वहाँ सीमाएँ तय करती है

कॉन्टेक्स्ट और एक्सेस

वर्कफ़्लो के लिए ज़रूरी जानकारी और काम तय करती है

कॉन्टेक्स्ट इंटरफ़ेस, एजेंट की पहचान और टूल के एक्सेस देती है

संवेदनशील डेटा का एक्सेस और कंट्रोल की सीमाएँ मंज़ूर करती है

इवैल्यूएशन और रिलीज़

पास होने की शर्तें तय करती है और नतीजे रिव्यू करती है

इवैल्यूएशन सूइट्स, ऑडिट के लॉग्स और डिप्लॉयमेंट के मंज़ूर तरीके सँभालती है

बड़े रिस्क वाले काम, अपवाद और अहम बदलाव मंज़ूर करती है

फ़ंडिंग और ज़िम्मेदारी

ऐप्लिकेशन के नतीजों के लिए फ़ंडिंग पाती है और उनकी ज़िम्मेदारी लेती है

शेयर्ड सुविधाओं के लिए फ़ंडिंग पाती है; दोबारा इस्तेमाल, कवरेज और सुरक्षित लॉन्च के समय से काम मापा जाता है

अलग निगरानी और कंट्रोल के फ़ैसलों की ज़िम्मेदारी लेती है

काम की रफ़्तार और सीख

फ़ील्ड एक्सपर्ट्स के साथ सुधार करती है और नतीजे, बदलाव व समस्याओं को रिव्यू करती है

सीख से नए टेस्ट, कंट्रोल्स और दोबारा इस्तेमाल होने वाली सुविधाएँ बनाती है

तय मंज़ूरी के स्टेप्स पर समस्याओं और बदलावों का रिव्यू करती है

इससे लीडर्स को टीम साइज़ के बारे में भी अलग तरह से सोचना होगा. छोटी टीमों से ज़्यादा सॉफ़्टवेयर बनवाना अपने आप में लक्ष्य नहीं है. मकसद है लोगों की समझ का वहाँ इस्तेमाल करना, जहाँ वह सबसे ज़्यादा काम आए: ऐप्लिकेशन टीमों में समस्या के करीब और उन शेयर्ड सिस्टम्स में, जिनसे टीमें तेज़ी से काम करें, मगर कंट्रोल बना रहे.

प्लेटफ़ॉर्म, लोगों और एजेंट्स के लिए हार्नेस बन जाता है

ऐप्लिकेशन टीमें छोटी हो रही हैं और AI पर ज़्यादा निर्भर हैं. इसलिए ऑर्गेनाइज़ेशन्स को सुरक्षित, एक जैसी और ज़िम्मेदारी से डिलीवरी के लिए मज़बूत शेयर्ड क्षमताएँ चाहिए.

पहले प्लेटफ़ॉर्म इंजीनियरिंग का फ़ोकस डेवलपर्स की प्रोडक्टिविटी बढ़ाने पर था और इसके मुख्य यूज़र्स इंसान थे. AI-नेटिव प्लेटफ़ॉर्म को इंसानों और एजेंट्स, दोनों को सपोर्ट करना होगा.

एजेंट डेवलपर प्लेटफ़ॉर्म को इंसान की तरह इस्तेमाल नहीं करता. उसे मशीन से एक्सेस होने वाले निर्देश व टूल्स, साफ़ तय एक्सेस और अपने काम के इवैल्यूएशन के भरोसेमंद तरीके चाहिए. हार्नेस में ऑब्ज़र्वेबिलिटी, सिक्योरिटी, कम्प्लायंस और नॉलेज मैनेजमेंट भी ज़रूरी हैं. इसका मकसद एजेंट को ऐसी तय सीमाओं में खुद काम करने देना है, जिनका पालन करवाया जा सके.

एक मज़बूत उदाहरण: नियमों के तहत बैंक में AI की मदद से सपोर्ट

मान लें, कोई बैंक कार्ड विवादों की पूछताछ के लिए AI वर्कफ़्लो शुरू करता है. ऐप्लिकेशन टीम एक सीमित काम चुनती है: केस की कैटेगरी पहचानना, लागू होने वाली पॉलिसी ढूँढना और सपोर्ट कर्मचारी के लिए जवाब लिखना. वर्कफ़्लो, यूज़र एक्सपीरियंस, केस आगे भेजने की शर्तें और सफलता मापना टीम का काम है. वह रेगुलेटरी पॉलिसी तय नहीं करती या एजेंट को नया एक्सेस नहीं देती.

इस उदाहरण में एजेंट्स इम्प्लीमेंटेशन में मदद, खास टेस्ट और रिलीज़ की तैयारी कर सकते हैं. प्रोडक्शन डिप्लॉयमेंट को इंसान ही मंज़ूरी देंगे. प्रोडक्शन के नतीजे अगले इवैल्यूएशन और डेवलपमेंट में काम आएँगे. रनटाइम के नियम अलग हैं: सपोर्ट एजेंट तय एक्सेस और एस्केलेशन के दायरे में सिर्फ़ मंज़ूर किए गए टूल्स व डेटा इस्तेमाल करेगा.

  • कॉन्टेक्स्ट: एजेंट मौजूदा केस, उसे सुलझाने की ज़रूरी कस्टमर डिटेल्स, मंज़ूर प्रोडक्ट व शिकायत के प्रोसेस और मशीन के पढ़ने लायक एस्केलेशन नियमों को एक्सेस कर सकता है. वह पेमेंट के असली क्रेडेंशियल्स, गैरज़रूरी कस्टमर रिकॉर्ड्स नहीं देख सकता और केस मैनेजमेंट सिस्टम में लिख नहीं सकता.

  • इवैल्यूएशन: रिलीज़ से पहले, पिछले चुनिंदा मामलों और एक्सपर्ट्स के लेबल किए एज केसेज़ से बना टेस्ट सुइट सभी जाँचों में पास होना चाहिए. इनमें सही क्लासिफ़िकेशन, पॉलिसी का पालन, ज़रूरत पर जवाब न देना, पर्सनल डेटा लीक का रिस्क और शिकायतों या संवेदनशील फ़ाइनेंशियल मामलों को सही टीम तक पहुँचाना शामिल है.

  • मंज़ूरी: प्रोडक्ट के फ़ैसले ऐप्लिकेशन टीम लेती है. रिस्क, सिक्योरिटी और कम्प्लायंस टीमें डेटा एक्सेस, पॉलिसी मैपिंग और डिप्लॉयमेंट का तरीका मंज़ूर करती हैं. हर भेजे जाने वाले मैसेज को सपोर्ट कर्मचारी मंज़ूरी देता है. कस्टमर के पैसे या अधिकार से जुड़ा फ़ैसला एजेंट खुद नहीं ले सकता.

  • हार्नेस रिकॉर्ड: हर रन में एजेंट की पहचान, मॉडल का वर्ज़न, मिले हुए कॉन्टेक्स्ट और सोर्सेज़, इस्तेमाल हुए टूल्स, पॉलिसी चेक्स, इवैल्यूएशन रिज़ल्ट्स, ह्यूमन एडिट्स या ओवरराइड्स और इंसिडेंट्स दर्ज होते हैं. टीम कामयाब तरीकों से दोबारा इस्तेमाल होने वाले कॉन्टेक्स्ट इंटरफ़ेसेज़, इवैल्यूएशन केसेज़, परमिशन टेम्प्लेट्स और अप्रूव्ड डिप्लॉयमेंट पाथ बनाती है. विफलता और ओवरराइड्स से नए टेस्ट बनते हैं और वर्कफ़्लो बेहतर होता है.

इससे दिखता है कि एजेंट को सिर्फ़ मंज़ूर कॉन्टेक्स्ट और टूल्स के साथ तय सीमा में काम की छूट मिल सकती है. हर अहम सीमा से ऐसा सबूत मिलता है, जिसे रिव्यू कर दोबारा इस्तेमाल किया जा सके. अहम फ़ैसलों की ज़िम्मेदारी इंसानों की रहती है. समय के साथ बैंक असली केसों से सीख सकता है कि एजेंट कहाँ सही था, कहाँ इंसान ने दखल दिया और कहाँ वह फ़ेल हुआ. इससे वर्कफ़्लो बेहतर करने और एजेंट का दायरा बढ़ाने पर फ़ैसला हो सकता है. यही तय सीमा में खुद काम करने और टेस्ट की गई सीख का व्यावहारिक रूप है.

यह बँटवारा हार्नेस टीम के सिस्टम्स और कंट्रोल्स में दिखता है. हार्नेस टीम के कामों में ये शामिल हो सकते हैं:

  • एजेंट की पहचान: सर्विस आइडेंटिटी देना, ज़िम्मेदार टीम व एनवायरनमेंट दर्ज करना और हर एजेंट के मॉडल, प्रॉम्प्ट व टूल के वर्ज़न्स ट्रैक करना.

  • टूल का एक्सेस: पढ़ने-लिखने का दायरा, डेटा का एक्सेस, रेट की लिमिट, मंज़ूरी के स्टेप्स और एजेंट के लिए डिफ़ॉल्ट तौर पर एक्सेस बंद रखने के नियम तय करना.

  • कॉन्टेक्स्ट इंटरफ़ेस: वर्ज़न और एक्सेस के नियमों वाले इंटरफ़ेस से मंज़ूर डेटा देना, उसका सोर्स और वह कितना नया है, साफ़ बताना.

  • इवैल्यूएशन सुइट्स: चुनिंदा उदाहरणों, एज केसेज़, सेफ़्टी और सिक्योरिटी टेस्ट्स, रिग्रेशन टेस्ट्स और रिलीज़ के लिए तय शर्तों को बनाए रखना.

  • ऑडिट लॉग्स और ऑब्ज़र्वेबिलिटी: एजेंट की पहचान, मिले कॉन्टेक्स्ट, इस्तेमाल किए टूल्स, आउटपुट्स, मंज़ूरी, लोगों के किए बदलाव, विफलता व इंसिडेंट्स दर्ज करना. डेटा रखने की अवधि और एक्सेस के लिए कंट्रोल्स लागू करना.

  • मंज़ूर डिप्लॉयमेंट के तरीके: सैंडबॉक्स, शैडो, स्टेज्ड और प्रोडक्शन के ऑप्शन्स देना, जिनमें ऑटोमेटेड जाँच, रोलबैक और बदलाव सँभालने के नियम हों.

हार्नेस टीम, प्लेटफ़ॉर्म के हर मौजूदा काम का नया नाम नहीं है. मशीन लर्निंग ऑपरेशन्स, सिक्योरिटी, गवर्नेंस और प्लेटफ़ॉर्म टीमों की अपनी ज़िम्मेदारियाँ हैं. हार्नेस टीम इनके कंट्रोल्स को AI वर्कफ़्लो बनाने और चलाने से जोड़ती है. जैसे, पॉलिसी के लिए एक्सेस और मंज़ूरी, कॉन्टेक्स्ट के लिए नियमों वाले इंटरफ़ेस, इवैल्यूएशन के लिए टेस्ट और ऐसे लॉग्स, जिनसे एजेंट का काम जाँचा जा सके और सीख फिर काम आए.

AI-नेटिव इंजीनियरिंग के ऑपरेटिंग मॉडल का डायग्राम. इसमें ऐप्लिकेशन टीमों को शेयर्ड प्लेटफ़ॉर्म और हार्नेस सपोर्ट करते हैं.

स्टाफ़िंग, लीडरशिप और मेट्रिक्स भी बदलने होंगे

अगर इंजीनियरिंग का काम ऐप्लिकेशन डिलीवरी और सभी टीमों के शेयर्ड सपोर्ट में बँट रहा है, तो लोगों की भर्ती, लीडरशिप और काम मापने के तरीके भी बदलने होंगे.

ऐप्लिकेशन टीमों को प्रोडक्ट और इंजीनियरिंग समझने वाले लोग चाहिए, जो समस्या के करीब रहकर फ़ैसले लें. प्लेटफ़ॉर्म और हार्नेस टीमों को ऐसे लोग चाहिए, जो बड़े पैमाने पर लोगों और एजेंट्स के लिए शेयर्ड सिस्टम डिज़ाइन और ऑपरेट कर सकें.

टेक्नोलॉजी लीडर्स अब डिलीवरी सिस्टम भी डिज़ाइन करते हैं

CTO, CDO और CIO के सामने सवाल है: कौन-सी सुविधाएँ कंपनी के स्तर पर दी जाएँ और कौन-से फ़ैसले अलग टीमों पर छोड़े जाएँ.

ऐप्लिकेशन टीमों को तेज़ी से काम करने और कस्टमर्स के करीब रहने की आज़ादी चाहिए. हर टीम को डेटा का सुरक्षित एक्सेस, ऑब्ज़र्वेबिलिटी, इवैल्यूएशन और गवर्नेंस जैसी सुविधाएँ फिर से नहीं बनानी चाहिए.

AI-नेटिव कंपनी में टेक्नोलॉजी लीडर्स को सिर्फ़ डिलीवरी की क्षमता नहीं सँभालनी, बल्कि पूरा डिलीवरी सिस्टम भी डिज़ाइन करना होगा. इसमें शामिल है:

  • ऐसे लोगों को काम पर रखना और आगे बढ़ाना, जो सोच-समझकर फ़ैसले लें;

  • शेयर्ड AI प्लेटफ़ॉर्म्स, टेस्टिंग, सुरक्षा नियमों, मंज़ूर रास्तों, नॉलेज फ़्लो और एक्सेस के तरीकों में निवेश करना;

  • एजेंट्स, लोगों और साथ चलने वाले वर्कफ़्लो के काम की सीमाएँ तय करना;

  • परखी हुई सीख, भरोसेमंद काम, कस्टमर पर असर और सुरक्षित दोबारा इस्तेमाल को मापना; और

  • टेक्नोलॉजी से जुड़े रहना, ताकि समझ सकें कि AI से डिलीवरी का खर्च वाकई में कहाँ बदलता है.

अगर सिस्टम सही बना हो, तो टीमें ज़रूरी कॉन्टेक्स्ट आसानी से पा सकती हैं, AI का काम जाँच सकती हैं और सफल तरीके फिर इस्तेमाल कर सकती हैं. यह भी साफ़ होता है कि इंसानी मंज़ूरी कहाँ चाहिए.

आज के इंजीनियरिंग मेट्रिक्स पूरी तस्वीर नहीं दिखाते

कई इंजीनियरिंग मेट्रिक्स उस दौर में बने, जब सॉफ़्टवेयर बनाना सबसे बड़ी चुनौती थी. वेलोसिटी, स्टोरी पॉइंट्स, थ्रूपुट और डिप्लॉयमेंट फ़्रीक्वेंसी आज भी काम के हैं. लेकिन AI से सॉफ़्टवेयर बनाने की मेहनत घट रही है, इसलिए सिर्फ़ इन मेट्रिक्स से पूरी तस्वीर नहीं मिलती.

टीम ज़्यादा कोड लिख सकती है, एक्सपेरिमेंट्स कर सकती है, फिर भी गलत फ़ैसले ले सकती है, बेवजह मुश्किलें या रिस्क बढ़ा सकती है.

इसलिए टेक्नोलॉजी लीडर्स को सिर्फ़ यह नहीं देखना चाहिए कि कितना सॉफ़्टवेयर बना या AI टूल्स कितने इस्तेमाल हुए. उन्हें जानना होगा कि AI से कंपनी तेज़ी से सीख रही है, कस्टमर्स के नतीजे सुधर रहे हैं और तय सीमाओं में भरोसे से काम हो रहा है या नहीं.

ऐप्लिकेशन टीमों का काम इन तरीकों से मापा जा सकता है:

  • परखी हुई सीख मिलने का समय;

  • कस्टमर के नतीजों में सुधार;

  • बिज़नेस को मिला फ़ायदा;

  • इस्तेमाल बढ़ना और व्यवहार बदलना; और

  • कितने एक्सपेरिमेंट्स ठोस सबूत के आधार पर फ़ैसले तक पहुँचे.

सीख मिलने का समय एक्सपेरिमेंट शुरू करने से लेकर फ़ैसले लायक सबूत जुटाने तक गिनें. टीम सोमवार को शुरू करे, बुधवार को डिप्लॉय करे और शुक्रवार को सबूतों के आधार पर फ़ैसला ले, तो लर्निंग साइकल एक हफ़्ते की है, दो दिन की नहीं.

प्लेटफ़ॉर्म और हार्नेस टीमों के लिए ये मेट्रिक्स काम आ सकते हैं:

  • मंज़ूर AI तरीकों का फिर उपयोग;

  • इवैल्यूएशन की कवरेज और असर;

  • AI की समस्याएँ और दोबारा काम;

  • आइडिया से सुरक्षित लॉन्च तक का समय;

  • एजेंट की ऐक्टिविटी पर नज़र; और

  • ऑडिट और कम्प्लायंस के लिए तैयारी.

लागत गिनते समय हर सफल नतीजे के पीछे मॉडल का इस्तेमाल, लोगों का रिव्यू, नाकाम कोशिशें, दोबारा किए गए काम और ऑपरेशन्स सपोर्ट भी जोड़ें.

इन मेट्रिक्स का मतलब, शुरुआती तुलना के आँकड़े और इवैल्यूएशन के तरीके साफ़ होने चाहिए. मकसद एक स्कोरकार्ड की जगह दूसरा लाना नहीं, बल्कि यह जानना है कि डिलीवरी सिस्टम भरोसेमंद नतीजे दे रहा है या नहीं.

हो सकता है यह मॉडल भी हमेशा न रहे

ऐप्लिकेशन और हार्नेस वाला मॉडल AI-नेटिव इंजीनियरिंग के मौजूदा दौर का एक जवाब है. इसे हमेशा के लिए तय तरीका नहीं मानना चाहिए.

आगे के कुछ बदलाव इंजीनियरिंग में काम करने का तरीका फिर बदल सकते हैं:

  • एजेंट्स पूरे वर्कफ़्लो की ज़िम्मेदारी लेने लगें;

  • कुछ सॉफ़्टवेयर सालों तक चलाने के बजाय कुछ समय के लिए बनें;

  • यूज़र्स ऐप्लिकेशन इंटरफ़ेस से एजेंट वाले एक्सपीरियंस की ओर बढ़ें;

  • फ़ाउंडेशन मॉडल्स प्लेटफ़ॉर्म के और काम खुद सँभालें; और

  • नए नियमों के कारण ऑडिट और जवाबदेही इंजीनियरिंग की सबसे बड़ी शर्त बन जाए.

अभी ये सिर्फ़ संभावनाएँ हैं, तय नतीजे नहीं. अगर ऐसा हुआ, तो ऐप्लिकेशन और प्लेटफ़ॉर्म टीमों के बीच आज का फ़र्क भी कम पड़ सकता है.

ऐसी अनिश्चितता के लिए तैयार कंपनियाँ काम का तरीका बदलने की गुंजाइश रखेंगी. तय टीमों या टूल्स से चिपकने के बजाय वे साफ़ सिद्धांतों, सही कॉन्टेक्स्ट, एजेंट्स की तय सीमाओं और तेज़ सीख पर भरोसा करेंगी.

भरोसेमंद प्रोग्रेस ही बेहतरीन इंजीनियरिंग का नया पैमाना है

AI से इंजीनियरिंग सिस्टम की अहमियत कम नहीं होती. उन्हें सही तरह डिज़ाइन करना और ज़रूरी हो जाता है.

जैसे-जैसे सॉफ़्टवेयर बनाना सस्ता होगा, बेहतर फ़ैसले लेने, सही कॉन्टेक्स्ट जोड़ने और सुरक्षित काम करने वाली कंपनियों को बढ़त मिलेगी. AI-नेटिव इंजीनियरिंग का मतलब सिर्फ़ AI टूल्स चलाना नहीं है. इसमें काम का तरीका नए चैलेंज के हिसाब से बदलता है: अच्छे फ़ैसले, शेयर्ड कॉन्टेक्स्ट, एजेंट्स की तय सीमाएँ और तेज़ी से सीखना.

टेक्नोलॉजी लीडर्स चार सवालों के साथ शुरुआत कर सकते हैं:

  1. कस्टमर्स और प्रोडक्ट से जुड़े कौन-से फ़ैसले ऐप्लिकेशन टीमें लें?

  2. कौन-सा कॉन्टेक्स्ट, कंट्रोल और इवैल्यूएशन सबके साथ शेयर हो?

  3. एजेंट्स कहाँ खुद काम कर सकते हैं और कहाँ लोगों की मंज़ूरी चाहिए?

  4. कौन-से मेट्रिक्स दिखाएँगे कि सीख परखी गई, कस्टमर्स को फ़ायदा हुआ और काम सुरक्षित है?

AI अपनाने से कितना फ़ायदा होगा, यह इन सवालों के जवाबों पर ज़्यादा निर्भर करेगा, न कि कंपनी ने कितने असिस्टेंट्स लगाए हैं.

Authors

Abbie Manning, Saurabh Singh