स्वचालन से संज्ञान तक: एजेंटिक एआई का विकास

दहकों से, एंटरप्राइज़ स्वचालन ने एक परिचित तर्क का पालन किया है: प्रक्रिया को परिभाषित करना, चरणों को एन्कोड करना, और सॉफ़्टवेयर को उन्हें लगातार निष्पादित करने देना। स्क्रिप्ट्स ने कमांड्स को स्वचालित किया, रनबुक्स ने प्रक्रियाओं को दर्ज किया, ऑर्केस्ट्रेशन ने सिस्टमों के बीच कार्यों को जोड़ा, और AIOps ने ऑपरेशनल डेटा की बढ़ती मात्रा में मशीन लर्निंग लाई। प्रत्येक प्रगति ने स्वचालन को अधिक सक्षम बनाया, लेकिन निर्णय अधिकांशतः लोगों ने ही किए। उन्होंने प्रक्रिया निर्धारित की; सॉफ़्टवेयर ने उसे लागू किया।

Agentic AI इस संबंध को बदलता है। स्थिर निर्देशों के सेट से शुरू करने के बजाय, एक एजेंट एक उद्देश्य से शुरू कर सकता है और निर्धारित सीमाओं के भीतर इसे कैसे प्राप्त किया जाए, यह निर्धारित कर सकता है। यह केवल उत्तर उत्पन्न करने से अधिक मांगता है। सिस्टम को लक्ष्य की व्याख्या करनी होती है, प्रासंगिक संदर्भ एकत्र करना, साक्ष्य का मूल्यांकन करना, स्मृति का उपयोग करना, उपकरणों या स्वचालन में से चुनना, और परिस्थितियों के बदलने पर समायोजित करना पड़ता है। Anthropic समान अंतर दर्शाता है वर्कफ़्लो के बीच, जहाँ मॉडल और उपकरण पूर्वनिर्धारित कोड पाथ का पालन करते हैं, और एजेंट के बीच, जहाँ मॉडल अपनी प्रक्रिया और उपकरण उपयोग को गतिशील रूप से निर्देशित कर सकता है।

निर्धारित निष्पादन से अनुकूली निर्णयों की ओर

None of this makes traditional automation obsolete. In fact, deterministic automation remains the right answer when the path from a known condition to an action is well understood. If a service fails a health check, restart it. If a request meets specific criteria, route it to the appropriate queue. If an interface crosses a threshold, open a ticket and run a diagnostic. These are exactly the kinds of repeatable actions automation handles well.

AIOps ने इस मॉडल का विस्तार किया, संगठनों को यह समझने में मदद करके कि स्वचालन सक्रिय होने से पहले क्या हो रहा था: घटनाओं का सहसंबंध, विसंगतियों की पहचान, शोर को कम करना और संदर्भ जोड़ना। एजेंटिक एआई अगला कदम उठाता है, संकेत और कार्रवाई के बीच निर्णय प्रस्तुत करके। प्रश्न अब केवल “यह स्थिति कौन सा वर्कफ़्लो ट्रिगर करती है?” नहीं रहता। यह बन जाता है, “उद्देश्य और वर्तमान साक्ष्य को देखते हुए, अगला सबसे अच्छा कदम क्या है?”

संदर्भ और स्मृति निर्णय की गुणवत्ता बदलते हैं

Agency without context is not very useful. The same symptom can mean something entirely different depending on topology, maintenance activity, recent changes, dependencies or customer impact. Experienced operators understand this instinctively; they rarely make consequential decisions from one isolated signal. They assemble a picture, separate observation from inference, and decide how much confidence the evidence deserves.

Memory adds another dimension. Google Cloud स्मृति को एजेंटिक आर्किटेक्चर का मुख्य घटक मानता है क्योंकि यह एजेंटों को संदर्भ बनाए रखने और पूर्व इंटरैक्शन की जानकारी का उपयोग करने में मदद करता है। संचालन में, अवसर केवल पुरानी टिकट पुनः प्राप्त करने से अधिक व्यापक है। उपयोगी ऑपरेशनल स्मृति यह संरक्षित कर सकती है कि समान स्थितियों के प्रकट होने पर क्या हुआ, कौन सा अनुमान सही साबित हुआ, कौन सी सुधारात्मक कार्रवाई की गई, क्या वह सफल रही या वापस ली गई, और ऑपरेटरों ने बाद में क्या सीखा। जब वह अनुभव सत्यापित हो जाता है, तो यह अगले निर्णय के लिए साक्ष्य बन सकता है, न कि वह ज्ञान जो पोस्टमॉर्टेम में गायब हो जाता है या विशेषज्ञ के दिमाग में रहता है।

There is an interesting parallel in cognitive science. Research on cognitive offloading examines how people use external tools and actions to reduce the mental demands of a task, while research on tool use has shown that repeated interaction with tools can alter how people represent their practical reach and ability to act. The analogy to enterprise AI should not be taken literally, but the underlying idea is useful: tools do more than save time. Over time, they can change how we approach a problem. The well-known research on London taxi drivers and navigation expertise offers another reminder that sustained experience can shape cognition itself. For enterprises, the design question is therefore not simply how much work an agent can take over, but whether the human-agent system becomes better at understanding and acting on complexity.

एजेंट को स्वचालन का समन्वय करना चाहिए, उसे बदलना नहीं

This is also why I do not see agentic AI as a rejection of automation. Earlier in my career, I spent years building operations automation, and one lesson stayed with me: execution alone is not enough. Automation has to earn trust. Operators need confidence that the right action is being used for the right situation, with the right authority and enough evidence to understand why.
A practical agentic architecture builds on that investment. Existing scripts, workflows, APIs, orchestration platforms and domain-specific tools become capabilities the agent can call when appropriate. If the evidence supports a known remediation, the agent can use the proven automation rather than improvising a new action. If the evidence is incomplete, it can investigate further. The value comes from combining reliable execution with more adaptive decision-making around when and how that execution should occur.

अधिक स्वायत्तता से शासन अधिक महत्वपूर्ण हो जाता है

The moment software can choose among actions; governance can no longer be something added after the fact. An enterprise agent needs to understand not just what it is technically capable of doing, but what it is authorized to do in a particular environment, at a particular level of risk, and under a particular identity or role. NIST का एआई जोखिम प्रबंधन फ्रेमवर्क इस व्यापक शासन दृष्टिकोण को दर्शाता है, एआई जोखिम प्रबंधन को गवर्न, मैप, मेज़र और मैनेज के चारों ओर व्यवस्थित करता है, जहाँ शासन अन्य कार्यों के साथ संचालित होता है।

व्यावहारिक रूप से, इसका अर्थ है कि एक एजेंट को सिफ़ारिश के पीछे के साक्ष्य दिखाने में सक्षम होना चाहिए, यह स्पष्ट करना चाहिए कि उसने कौन से सिस्टम और डेटा का उपयोग किया, अनिश्चितता को उजागर करना चाहिए, अनुमोदन आवश्यकताओं का सम्मान करना चाहिए और हुए घटनाओं का ऑडिट ट्रेल छोड़ना चाहिए। पुनरावर्तनीयता भी महत्वपूर्ण है। केवल‑पढ़ने योग्य निदान और उत्पादन कॉन्फ़िगरेशन परिवर्तन को समान स्वायत्तता सीमा नहीं मिलनी चाहिए।

Human oversight therefore becomes more precise rather than simply disappearing. The same agent might gather evidence autonomously, recommend a remediation, require approval before a higher-risk action, and then verify whether the approved action actually worked. The goal is not to declare humans universally “in” or “out” of the loop. It is to put human judgment at the points where it adds the most value.

वास्तविक लाभ कार्रवाई के बाद क्या होता है, इसमें है

Perhaps the most consequential difference appears after an action is taken. Traditional automation usually asks whether the workflow executed successfully. A cognitive system should ask a harder question: did the action produce the intended outcome, and what should we learn from what happened?

That changes the value of the feedback loop. A successful remediation can strengthen the evidence for a similar situation in the future. A failed hypothesis should make the system less likely to repeat the same reasoning. An operator correction can improve the next recommendation, while a rollback may reveal that confidence exceeded what the available evidence justified. Over time, the important asset is not simply a larger library of automations. It is the accumulated relationship among situations, evidence, decisions, actions and outcomes.

Seen this way, the evolution of enterprise automation is less about replacing one generation of technology with another than about adding new capabilities around what already works. Scripts encoded actions, runbooks captured procedures, orchestration connected them, and AIOps helped interpret increasingly complex operational signals. Agentic AI adds the ability to pursue objectives, reason across context and evidence, draw on memory, choose among available capabilities, act within governed boundaries and learn from the result.

The endpoint should not be unlimited autonomy. It should be accountable autonomy: systems that can recognize when to act, when to investigate, when to ask permission and when to stop. That is the transition from automation to cognition—not machines replacing human operations, but enterprises developing a better way to perceive, decide, act and learn.