AI پروڈکٹس بناتے وقت سمجھوتوں کے اثرات کی نگرانی

• مزید میٹرکس شامل کرنے سے لازماً سمجھ بہتر نہیں ہوتی. بہت سے ڈیش بورڈز میں ایک ہی بنیادی رویے کی کئی پیمائشیں ہوتی ہیں. میٹرکس کو ایسے جوڑوں کی صورت میں ملا کر استعمال کیا جائے جو ایک دوسرے کے برعکس پہلوؤں کو ظاہر کرتے ہوں تو وہ تشخیص میں زیادہ مددگار ہوتے ہیں, مثلاً لاگت کے ساتھ معیار, کنٹینمنٹ کے ساتھ جذباتی کیفیت, یا درستگی کے ساتھ تاخیر.

• AI پروڈکٹ کے آزمائشی مرحلے سے عملی استعمال تک پہنچنے کے ساتھ موزوں جوڑے بدل جاتے ہیں. ہر مرحلے پر پیمائش ان فیصلوں کے مطابق ہونی چاہیے جو ٹیم کو کرنے ہیں.

• عملی نگرانی اور حکمتِ عملی کی پیمائش مختلف مقاصد پورے کرتی ہیں. ٹیمیں سسٹم کے سینکڑوں اشاروں پر نظر رکھ سکتی ہیں, مگر پروڈکٹ کے فیصلوں کی رہنمائی کے لیے صرف چند جوڑے استعمال کرتی ہیں.

نمایاں میٹرکس ایک قائل کرنے والی تصویر پیش کر سکتے ہیں, جبکہ پروڈکٹ کا ایک اہم فیصلہ پھر بھی حل طلب رہ جاتا ہے.

Klarna کے AI اسسٹنٹ کو عوامی طور پر زیادہ تھروپٹ, کم لاگت اور انسانی ایجنٹس کے برابر صارف اطمینان کے اسکورز سے منسلک کیا گیا. اگلے سال کمپنی نے انسانی معاونت تک رسائی بڑھانے کا فیصلہ کیا, جبکہ اس کے چیف ایگزیکٹو نے تسلیم کیا کہ لاگت میں کمی پر ضرورت سے زیادہ زور دیا گیا تھا.

یہ AI اسسٹنٹ یا اس کی بنیادی ٹیکنالوجی کو مسترد کرنا نہیں تھا. پروڈکٹ چلانے سے حاصل ہونے والے تجربے کی روشنی میں یہ آٹومیشن اور انسانی خدمت کے درمیان توازن میں ایڈجسٹمنٹ تھی. جیسے جیسے آٹومیشن نے ہائی والیم والے، آسان سوالات سنبھالے، Klarna کو ایسے انسانی ایجنٹس کی ضرورت تھی جو پیچیدہ، حساس معاملات کے لیے تیار ہوں.

ابتدا ہی میں یہ طے کرنے کے بعد کہ پروڈکٹ کو کیا حاصل کرنا چاہیے, AI پروڈکٹس بنانے والی بیشتر تنظیموں کو آخرکار اسی سوال کا سامنا ہوگا: کیا یہ حقیقتاً کام کر رہی ہے؟

اگر جواب واضح نہ ہو تو عموماً پہلا خیال مزید میٹرکس شامل کرنے کا آتا ہے. تین بڑھ کر 10 اور پھر 10 بڑھ کر 30 ہو جاتے ہیں. ڈیش بورڈ زیادہ معلوماتی بن جاتا ہے, مگر ممکن ہے ٹیم کی سمجھ بہتر نہ ہو.

مسئلہ ہمیشہ انفرادی میٹرکس کے معیار میں نہیں, بلکہ ان کے باہمی تعلق میں ہوتا ہے. صارف کا اطمینان, Net Promoter Score, جائزے اور تھمبز اپ کی شرحیں سب مفید اشارے دے سکتے ہیں, مگر ممکن ہے کہ یہ مجموعی جذبات میں ایک جیسی تبدیلیوں کی عکاسی کریں. جب یہ ایک ساتھ بدلتے ہیں تو اس بات کی تصدیق تو ہوتی ہے کہ کچھ ہوا ہے, مگر ضروری نہیں کہ یہ واضح کریں کہ ایسا کیوں ہوا.

اس لیے AI ٹیموں کو باہم متفق میٹرکس سے آگے بڑھ کر ایسے میٹرکس شناخت کرنے چاہییں جو متصادم نتائج سامنے لائیں. یہ باہم متضاد جوڑے پروڈکٹ کی کارکردگی کے پسِ پشت سمجھوتوں کے اثرات واضح کرنے اور ان کی نگرانی میں مدد دیتے ہیں, جس سے بہتر فیصلے ممکن ہوتے ہیں.

پری لانچ ڈیپلائمنٹ میں مشترکہ ٹیم صارف معاونت کے لیے آنے والی کالوں کی خاطر ایک ریئل ٹائم AI وائس ایجنٹ تیار کر رہی تھی. مشکل ترین سوالات میں سے ایک کا تعلق ماڈل کے انتخاب یا آرکیسٹریشن سے نہیں تھا. سوال یہ تھا کہ جب صارفین اسے بڑے پیمانے پر استعمال کرنے لگیں گے تو تنظیم کیسے جانے گی کہ پروڈکٹ کام کر رہی ہے.

ابتدائی طریقۂ کار میں تین میٹرکس استعمال کیے گئے:

• کنٹینمنٹ کی شرح: AI کتنی بار کال کسی شخص کو منتقل کیے بغیر مسئلہ حل کرتی ہے.

• منتقلی کی شرح: کال کتنی بار کسی انسانی ایجنٹ کو منتقل ہوتی ہے.

• تکمیل کی شرح: صارف کا مسئلہ آخرکار کتنی بار حل ہوتا ہے.

ہر میٹرک معقول تھا. تاہم, یہ مل کر بھی ایک واضح سوال کا جواب نہیں دے سکتے تھے: اگر منتقلی بڑھتی ہے تو اس سے ہمیں کیا معلوم ہوتا ہے؟

ٹیم نے منتقلی کو آٹھ ذیلی اقسام میں تقسیم کیا. پھر اس نے رابطہ چھوڑنے, سفر اور وقت کے میٹرکس, زبان سمجھنے کے اسکورز اور استفسار کی قسم کے لحاظ سے تکمیل بھی شامل کی. آخرکار اس طریقۂ کار میں چھ زمروں کے 31 میٹرکس شامل ہو گئے.

یہ منتقلی کو تفصیل سے بیان کر سکتا تھا, مگر پھر بھی اس کی وجہ کی قابلِ اعتماد تشخیص نہیں کر سکتا تھا. بیشتر میٹرکس ایک ہی رویے کی مختلف صورتیں تھے, اس لیے متبادل توضیحات جانچنے کے بجائے وہ ایک ساتھ بدلتے تھے.

ڈیش بورڈ تشخیصی کے بجائے محض مشاہداتی بن گیا تھا.

ٹیم کو مزید باریک تقسیم کی ایک اور تہہ درکار نہیں تھی. اسے ایسے میٹرکس درکار تھے جو ایک دوسرے کو بے قابو نہ ہونے دیں.

ہم انہیں باہم متضاد جوڑے کہتے ہیں: ایسے دو میٹرکس جن میں ایک کو الگ تھلگ بہتر بنانا دوسرے کے ظاہر کردہ نتیجے کو نقصان پہنچا سکتا ہے. یہ نام مطلوبہ حالت نہیں, بلکہ یک طرفہ بہتری سے پیدا ہونے والی ناکامی کی صورت بیان کرتا ہے.

دونوں پہلو درست رہیں تو ممکن ہے پروڈکٹ پائیدار انداز میں کام کر رہی ہو. جب دونوں میں فرق بڑھتا ہے تو اس فرق کی سمت ٹیم کو یہ طے کرنے میں مدد دیتی ہے کہ تحقیق کہاں کی جائے.

یہ بات کیسے سامنے آتی ہے اور اس انسائٹ سے کیا کرنا چاہیے, اسے گہرائی سے سمجھنے کے لیے منتقلی کی شرح اور منتقلی تک کے وقت پر غور کریں. حقیقی کالیں آنے تک ٹیم نہیں جان سکے گی کہ صارفین کیسا برتاؤ کرتے ہیں, مگر وہ ان مفروضوں کی وضاحت کر سکتی ہے جنہیں جانچنا ہے.

اگر زیادہ کالیں منتقل ہونے لگیں اور صارفین پہلے 30 سیکنڈ میں AI تجربہ چھوڑ دیں تو ٹیم کو اعتماد, معلومات کے اظہار, لہجے اور ابتدائی انٹریکشنز کی جانچ کرنی چاہیے. اگر صارفین کسی کام کی کوشش میں کئی منٹ گزارنے کے بعد منتقلی مانگیں تو صلاحیت یا طریقۂ کار کی ناکافی وسعت زیادہ ممکنہ مسئلہ ہے.

منتقلی کا نمایاں عدد وہی رہتا ہے. مگر پروڈکٹ کا فیصلہ مختلف ہوتا ہے.

کوئی مفید جوڑا خود سے وجہ ثابت نہیں کرتا. وہ تحقیق کا دائرہ محدود اور اگلا فیصلہ زیادہ واضح کرتا ہے.

پہلے پیش کی گئی Klarna کی مثال دکھاتی ہے کہ جب لاگت اور سروس کی کوالٹی ایک دوسرے پر اثر انداز ہوں تو یہ اصول کیسے لاگو ہوتا ہے. یہ واضح کرتی ہے کہ کوئی کمپنی جب سمجھوتوں کے اثرات کی نگرانی کرتی اور اپنی ڈیپلائمنٹ سے سیکھتی ہے تو AI سے چلنے والا آپریٹنگ ماڈل کیسے تبدیل ہو سکتا ہے.

فروری 2024 میں کمپنی نے بتایا کہ اس کے AI اسسٹنٹ نے پہلے ماہ میں 23 لاکھ گفتگوئیں سنبھالیں, 700 کل وقتی ایجنٹس کے مساوی کام کیا اور انسانی ایجنٹس کے برابر صارف اطمینان کے اسکورز حاصل کیے. Klarna نے اندازہ لگایا کہ اس اسسٹنٹ سے 2024 کے دوران منافع میں 40 ملین ڈالر کی بہتری میں مدد ملے گی. یہ Klarna کی جانب سے خود رپورٹ کیے گئے نتائج تھے, نہ کہ کسی آزادانہ جائزے کے نتائج.

مئی 2025 میں Klarna کے سربراہ نے کہا کہ کمپنی نے کسٹمر سروس میں لاگت گھٹانے پر بہت زیادہ زور دیا تھا اور انسانی معاونت تک رسائی بڑھانے کے منصوبے بیان کیے. یہ AI اسسٹنٹ یا اس کی بنیادی ٹیکنالوجی کو مسترد کرنا نہیں, بلکہ خودکار اور انسانی خدمت کے درمیان توازن کی درستی تھی.

عوامی شواہد واضح کرتے ہیں کہ کارکردگی کے میٹرکس کو مختلف صارفین اور انٹریکشنز کی ضروریات کے ساتھ کیوں دیکھنا چاہیے. AI سسٹم اوسطاً اچھی کارکردگی دکھا سکتا ہے, مگر کچھ پیچیدہ, حساس یا غیر معمولی معاملات میں آسانی سے دستیاب انسانی رابطہ اب بھی فائدہ مند ہو سکتا ہے.

اس تعلق کے دونوں پہلوؤں کی نگرانی سے کمپنی یہ طے کر سکتی ہے کہ آٹومیشن کہاں قدر پیدا کرتی ہے, انسانی معاونت کہاں اہم رہتی ہے اور نئے شواہد کے ساتھ توازن کیسے بدلنا چاہیے.

AI پروڈکٹس میں دیگر باہم متضاد جوڑوں میں یہ شامل ہو سکتے ہیں:

مقصد دونوں میٹرکس کو غیر معینہ مدت تک بڑھاتے رہنا نہیں ہے. مقصد یہ ہے کہ یک طرفہ بہتری سے کوئی عملی مسئلہ پیدا ہونے سے پہلے سمجھوتہ نظر آنے لگے.

اسی نوعیت کا ایک مسئلہ موبائل گیمز کی کمپنی کے لیے کھلاڑیوں کی معاونت کے نفاذ میں سامنے آیا. سسٹم نے بڑی تعداد میں آنے والے مسائل سنبھالے, مثلاً پیش رفت کا ضائع ہونا, ادائیگی کے تنازعات اور کھاتے تک رسائی.

کارکردگی کے میٹرکس اہم تھے کیونکہ سسٹم بڑے میٹرکس پر کام کرتا تھا. لیکن کھلاڑیوں کی معاونت محض کاموں کی قطار نہیں ہے. کھلاڑی اکثر جھنجھلاہٹ کے ساتھ آتے ہیں کیونکہ ان کے تجربے میں کہیں اور پہلے ہی کچھ غلط ہو چکا ہوتا ہے.

یہ نقطۂ آغاز اس بات کو بدل دیتا ہے کہ کسٹمر سیٹسفیکشن کے اعداد و شمار کی تشریح کیسے کی جانی چاہیے. جس کھلاڑی کا مسئلہ درست طور پر حل ہو جائے, وہ بھی کم اطمینان ظاہر کر سکتا ہے کیونکہ ابتدا ہی میں اس کی پیش رفت ضائع ہوئی تھی. سیاق کے بغیر اس اسکور کو دیکھنے سے صارف کے سفر میں پہلے پیدا ہونے والی جھنجھلاہٹ کی سزا معاونت کے انٹریکشن کو مل سکتی ہے.

اس لیے ٹیم کو صارف کے ابتدائی جذبات اور معاونت کے تجربے کے اثرات میں فرق کرنا تھا. زیادہ مفید سوال یہ نہیں تھا, ”کیا کھلاڑی خوش تھا؟“ بلکہ یہ تھا, ”کیا انٹریکشن نے کھلاڑی کی ابتدائی حالت کے مقابلے میں صورتِ حال بہتر کی؟“

اگر ٹیم کے پاس دونوں کی قابلِ اعتماد پیمائش کا طریقہ ہو تو یہ موازنہ پروڈکٹ سے پیدا ہونے والی جھنجھلاہٹ کو معاونت کے معیار سے الگ کرنے میں مدد دے سکتا ہے.

AI پروڈکٹس بدلتی ہیں, مگر ان کے میٹرکس اکثر مستقل رہتے ہیں.

آزمائشی مرحلے میں بنیادی سوال یہ ہو سکتا ہے کہ آیا سسٹم مسلسل سرمایہ کاری کا جواز فراہم کرنے کے لیے کافی قابلِ اعتماد ہے:

• کیا یہ بنیادی کام قابلِ اعتماد طور پر مکمل کرتا ہے؟

• کیا صارفین کو جاری رکھنے کے لیے اس پر کافی اعتماد ہے؟

• یہ عام ترین صورتوں سے ہٹ کر کیسا برتاؤ کرتا ہے؟

• کیا ناکامیوں کی شناخت اور ان سے محفوظ طور پر بحالی ممکن ہے؟

ان سوالات کے لیے ایسے جوڑے موزوں ہیں:

• بنیادی کام کی کامیابی ↔ غیر معمولی صورتوں میں کارکردگی؛

• آٹومیشن کی شرح ↔ انسانی مداخلت کی شرح؛ اور

• تکمیل کی رفتار ↔ صارف کا اعتماد.

جب پروڈکٹ عملی طور پر اہم ہو جاتی ہے تو سوالات بدل جاتے ہیں:

• کیا یہ معیار گھٹائے بغیر بڑے میٹرکس پر کام کر سکتی ہے؟

• کیا استعمال کے ساتھ اس کی معاشی افادیت بہتر ہوتی ہے؟

• کیا اپنائے جانے میں اضافے کے ساتھ کارکردگی مستحکم رہتی ہے؟

• کیا انسانی مداخلتیں درست جگہوں پر ہو رہی ہیں؟

متعلقہ جوڑے بدل کر یہ ہو سکتے ہیں:

• فی انٹریکشن لاگت ↔ جانچے گئے آؤٹ پٹ کی کوالٹی؛

• اپنانے کا پھیلاؤ ↔ استعمال کی گہرائی؛ اور

• آٹومیشن کی شرح ↔ آپریشنل خطرے سے سامنا.

ابتدائی میٹرکس لازماً غلط نہیں ہوتے. وہ ان سوالات کے جواب دیتے ہیں جو پہلے مرحلے میں اہم تھے.

خطرہ منتقلی کے دوران پیدا ہوتا ہے. آزمائشی مرحلے کے میٹرکس اکثر برقرار رہتے ہیں کیونکہ ٹیمیں انہیں پیش کرنا جانتی ہیں اور انہیں ختم کرنے کے فیصلے کی ذمہ داری کسی کے پاس نہیں ہوتی. جو میٹرکس کبھی سیکھنے میں مدد دیتے تھے, وہ بتدریج محض دکھاوے کے میٹرکس بن سکتے ہیں.

اس لیے جوڑوں کا بھی ایک دورِ حیات ہونا چاہیے. ٹیموں کو انہیں کسی واضح فیصلے کے لیے متعارف کرانا, یہ جائزہ لینا چاہیے کہ آیا وہ اب بھی کسی اہم سمجھوتے کو ظاہر کرتے ہیں, اور پروڈکٹ یا فیصلہ بدلنے پر انہیں ختم کر دینا چاہیے.

AI سسٹمز کے لیے تفصیلی مشاہدہ پذیری, انتباہات, معیار کی یقین دہانی اور جائزہ ضروری ہیں. ان اشاروں کو ہٹانے سے پروڈکٹ کو محفوظ انداز میں چلانا مشکل ہو جائے گا. لیکن عملی نگرانی, قیادت کے لیے پیمائش کے مترادف نہیں ہے.

نگرانی سے ٹیموں کو واقعات کا پتا لگانے, ناکامیوں کا سراغ لگانے اور سسٹم کا رویہ سمجھنے میں مدد ملتی ہے. فیصلہ جاتی میٹرکس پروڈکٹ اور کاروباری رہنماؤں کو یہ طے کرنے میں مدد دیتے ہیں کہ سرمایہ کاری, مداخلت, سمت کی تبدیلی یا کسی سمجھوتے کو قبول کرنا ہے.

ایک تنظیم سینکڑوں تکنیکی اور عملی اشاروں کی نگرانی کر سکتی ہے, مگر پروڈکٹ کے کسی مخصوص فیصلے کے لیے صرف دو یا تین باہم متضاد جوڑوں کو نمایاں کر سکتی ہے. فیصلہ سازی کی یہ سطح مختصر رکھنے سے ترجیحات طے کرنا آسان ہوتا ہے.

جائزے کی موزوں باقاعدگی پروڈکٹ پر منحصر ہوتی ہے. نئے یا تیزی سے بدلتے سسٹم کے لیے ہفتہ وار فیصلہ جاتی جائزے درکار ہو سکتے ہیں, جبکہ پختہ پروڈکٹ کے لیے ماہانہ یا سہ ماہی معمول کافی ہو سکتا ہے. وقفے سے زیادہ اصول اہم ہے: جوڑے کا اتنی کثرت سے جائزہ لیں کہ سمجھوتہ مہنگا یا غیر محفوظ ہونے سے پہلے کارروائی کی جا سکے.

کوئی جوڑا اسی وقت مفید ہوتا ہے جب تنظیم اس بات پر متفق ہو کہ اس کی حالت بگڑنے پر کیا کیا جائے گا.

اس کے لیے فرق کی خطرناک حد مقرر کرنا ہی کافی نہیں. ٹیموں کو تین حالتوں پر غور کرنا چاہیے:

• قطعی ناکامی: دوسرا میٹرک کچھ بھی ہو, ایک میٹرک ناقابلِ قبول حد پار کر جائے.

• فرق: ایک میٹرک بہتر ہو جبکہ اس کا توازن قائم رکھنے والا میٹرک بگڑ جائے.

• مشترکہ تنزلی: دونوں پہلو بگڑیں, جو پروڈکٹ یا عمل کے کسی وسیع تر مسئلے کی نشان دہی کرتا ہے.

ہر جوڑے کے لیے یہ ہونا چاہیے:

• ایک نامزد ذمہ دار؛

• ایک واضح فیصلہ جس میں وہ معاون ہو؛

• متفقہ حدود یا جائزے کے معیار؛

• تحقیق کا طے شدہ طریقہ؛ اور

• ممکنہ اقدامات کا ایک مجموعہ.

ان عناصر کے بغیر تنظیم پروڈکٹ کا نظم کرنے کے بجائے محض اس کا مشاہدہ کر رہی ہوتی ہے.

کوئی اور میٹرک شامل کرنے سے پہلے پروڈکٹ کا ایک اہم فیصلہ منتخب کریں اور ان سوالات پر غور کریں. جوابات لکھ لیں تاکہ جائزہ ایک متفقہ اگلے قدم پر ختم ہو.

1. ان میٹرکس کی مدد سے ہمیں کون سا فیصلہ کرنا ہے؟

واضح رہیں: کیا ہم آٹومیشن بڑھانے, ماڈل بدلنے یا انسان کو منتقلی بہتر بنانے کا فیصلہ کر رہے ہیں؟ میٹرکس منتخب کرنے سے پہلے فیصلے کا نام طے کریں.

2. اگر یہ عدد بہتر ہو تو کیا چیز بگڑ سکتی ہے؟

اس نتیجے کی شناخت کریں جسے محفوظ رکھنا ہے اور ایسے میٹرکس کی بھی جو نقصان ظاہر کرے. مثلاً فی انٹریکشن لاگت کو جانچے ہوئے نتیجہ جاتی معیار کے ساتھ جوڑیں, تاکہ معلوم ہو سکے کہ سستے جوابات اب بھی مفید ہیں یا نہیں.

3. نمایاں اعداد کیا چھپا سکتے ہیں؟

دونوں میٹرکس کو یکساں صارفین, کاموں اور مدت کے لیے دیکھیں, پھر ایسے گروہ تلاش کریں جنہیں بدتر نتائج مل رہے ہوں. ابتدائی حالات پر بھی غور کریں: کم اطمینان اس جھنجھلاہٹ کی عکاسی کر سکتا ہے جو معاونت کے انٹریکشن سے پہلے موجود تھی.

4. ہم کب کارروائی کریں گے, اور اس کی ذمہ داری کس کی ہوگی؟

کارروائی کے لیے معیار طے کریں: جب کوئی میٹرک ناقابلِ قبول حد پار کرے, ایک بہتر اور دوسرا بدتر ہو, یا دونوں بگڑ جائیں. طے کریں کہ تحقیق کون کرے گا, پہلے کیا جانچے گا اور کب نتیجہ پیش کرے گا.

5. کیا یہ جوڑا اب بھی پروڈکٹ کے موجودہ مرحلے کے لیے موزوں ہے؟

طے کریں کہ اسے برقرار رکھنا, بدلنا یا ختم کرنا ہے. آزمائشی مرحلے میں کام کی قابلِ اعتماد تکمیل اور صارف کے اعتماد پر توجہ ہو سکتی ہے, جبکہ لائیو سروس میں لاگت اور معیار کی زیادہ باریک جانچ درکار ہو سکتی ہے. اس فیصلے پر دوبارہ غور کرنے کی تاریخ مقرر کریں.

AI پروڈکٹ کی پیمائش کو محض کارکردگی بیان کرنے سے آگے بڑھنا چاہیے. اسے تنظیم کے کیے جانے والے سمجھوتے واضح کرنے اور اگلے فیصلے کو زیادہ واضح بنانے میں مدد دینی چاہیے.