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

इनमें से कोई भी बात पारंपरिक स्वचालन को अप्रासंगिक नहीं बनाती। जब किसी ज्ञात स्थिति से कार्रवाई तक का रास्ता अच्छी तरह समझा गया हो, तब नियतात्मक स्वचालन ही सही उत्तर रहता है। यदि कोई सेवा स्वास्थ्य जाँच में विफल हो तो उसे पुनः आरंभ करें। यदि कोई अनुरोध निर्धारित मानदंडों पर खरा उतरे तो उसे उचित कतार में भेजें। यदि कोई इंटरफ़ेस सीमा पार करे तो टिकट खोलें और निदान चलाएँ। ऐसे दोहराए जा सकने वाले कार्यों को स्वचालन बहुत अच्छी तरह संभालता है।

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

संदर्भ के बिना एजेंसी बहुत उपयोगी नहीं होती। एक ही लक्षण का अर्थ टोपोलॉजी, रखरखाव गतिविधि, हाल के बदलावों, निर्भरताओं या ग्राहक पर प्रभाव के अनुसार पूरी तरह बदल सकता है। अनुभवी संचालक इसे सहज रूप से समझते हैं; वे किसी एक अलग-थलग संकेत पर महत्वपूर्ण निर्णय शायद ही लेते हैं। वे पूरी तस्वीर बनाते हैं, अवलोकन को अनुमान से अलग करते हैं और तय करते हैं कि उपलब्ध प्रमाण कितने भरोसे के योग्य हैं।

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।

संज्ञानात्मक विज्ञान में इसका एक रोचक समानांतर मिलता है। संज्ञानात्मक भार को बाहरी साधनों पर डालने संबंधी शोध यह जाँचता है कि लोग किसी कार्य की मानसिक माँग घटाने के लिए बाहरी उपकरणों और कार्रवाइयों का उपयोग कैसे करते हैं, जबकि उपकरणों के उपयोग पर शोध दिखाता है कि उपकरणों के साथ बार-बार की सहभागिता इस बात की मानसिक धारणा बदल सकती है कि कोई व्यक्ति व्यावहारिक रूप से कितनी दूर तक पहुँच सकता है और क्या कर सकता है। उद्यम AI से इस समानता को शाब्दिक रूप से नहीं लेना चाहिए, पर मूल विचार उपयोगी है: उपकरण केवल समय नहीं बचाते। समय के साथ वे समस्या को देखने का हमारा तरीका बदल सकते हैं। प्रसिद्ध लंदन के टैक्सी चालकों पर शोध और नेविगेशन विशेषज्ञता यह भी याद दिलाती है कि निरंतर अनुभव स्वयं संज्ञान को आकार दे सकता है। इसलिए उद्यमों के लिए डिज़ाइन का प्रश्न केवल यह नहीं है कि एजेंट कितना काम संभाल सकता है, बल्कि यह भी है कि मानव और एजेंट से बनी व्यवस्था जटिलता को समझने तथा उस पर कार्रवाई करने में बेहतर होती है या नहीं।

एजेंट को स्वचालन का समन्वय करना चाहिए, उसे बदलना नहीं

इसी कारण मैं एजेंटिक AI को स्वचालन का निषेध नहीं मानता। अपने करियर के आरंभ में मैंने संचालन स्वचालन बनाने में कई वर्ष लगाए और एक सीख मेरे साथ रही: केवल निष्पादन पर्याप्त नहीं है। स्वचालन को विश्वास अर्जित करना पड़ता है। संचालकों को भरोसा होना चाहिए कि सही परिस्थिति में, सही अधिकार और कारण समझने योग्य पर्याप्त प्रमाण के साथ सही कार्रवाई की जा रही है।
एक व्यावहारिक एजेंटिक संरचना उसी निवेश पर आगे बढ़ती है। मौजूदा स्क्रिप्ट, कार्यप्रवाह, API, ऑर्केस्ट्रेशन प्लेटफ़ॉर्म और क्षेत्र-विशिष्ट उपकरण ऐसी क्षमताएँ बन जाते हैं जिन्हें एजेंट उचित समय पर बुला सकता है। यदि प्रमाण किसी ज्ञात सुधार का समर्थन करते हैं तो एजेंट नई कार्रवाई गढ़ने के बजाय सिद्ध स्वचालन का उपयोग कर सकता है। प्रमाण अधूरे हों तो वह आगे जाँच कर सकता है। मूल्य विश्वसनीय निष्पादन को इस अधिक अनुकूल निर्णय-क्षमता से जोड़ने में है कि निष्पादन कब और कैसे हो।

अधिक स्वायत्तता से शासन अधिक महत्वपूर्ण हो जाता है

जैसे ही सॉफ़्टवेयर कार्रवाइयों में से चयन कर सकता है, शासन को बाद में जोड़ी जाने वाली चीज़ नहीं रखा जा सकता। उद्यम एजेंट को केवल अपनी तकनीकी क्षमता ही नहीं, बल्कि यह भी समझना होगा कि किसी खास वातावरण, जोखिम स्तर और पहचान या भूमिका के अंतर्गत उसे क्या करने की अनुमति है। 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।

इसलिए मानव निगरानी गायब होने के बजाय अधिक सटीक होती है। वही एजेंट स्वायत्त रूप से प्रमाण जुटा सकता है, सुधार सुझा सकता है, अधिक जोखिम वाली कार्रवाई से पहले स्वीकृति माँग सकता है और फिर जाँच सकता है कि स्वीकृत कार्रवाई वास्तव में सफल हुई या नहीं। लक्ष्य मनुष्य को हर जगह प्रक्रिया के “अंदर” या “बाहर” घोषित करना नहीं, बल्कि मानव निर्णय को उन बिंदुओं पर रखना है जहाँ वह सबसे अधिक मूल्य देता है।

वास्तविक लाभ कार्रवाई के बाद क्या होता है, इसमें है

शायद सबसे महत्वपूर्ण अंतर कार्रवाई हो जाने के बाद दिखाई देता है। पारंपरिक स्वचालन सामान्यतः पूछता है कि कार्यप्रवाह सफलतापूर्वक चला या नहीं। संज्ञानात्मक व्यवस्था को कठिन प्रश्न पूछना चाहिए: क्या कार्रवाई ने इच्छित परिणाम दिया और जो हुआ उससे हमें क्या सीखना चाहिए?

यह प्रतिक्रिया चक्र का मूल्य बदल देता है। सफल सुधार भविष्य की समान परिस्थिति के लिए प्रमाण को मजबूत कर सकता है। विफल परिकल्पना से व्यवस्था के वही तर्क दोहराने की संभावना घटनी चाहिए। संचालक का सुधार अगली सिफारिश बेहतर कर सकता है, जबकि वापस लौटाया गया बदलाव दिखा सकता है कि विश्वास उपलब्ध प्रमाण से अधिक था। समय के साथ महत्वपूर्ण संपत्ति केवल स्वचालनों की बड़ी लाइब्रेरी नहीं, बल्कि परिस्थितियों, प्रमाणों, निर्णयों, कार्रवाइयों और परिणामों के बीच संचित संबंध है।

इस दृष्टि से उद्यम स्वचालन का विकास एक पीढ़ी की तकनीक को दूसरी से बदलने की तुलना में पहले से सफल चीज़ों के आसपास नई क्षमताएँ जोड़ने का विषय अधिक है। स्क्रिप्ट ने कार्रवाइयाँ कूटबद्ध कीं, रनबुक ने प्रक्रियाएँ दर्ज कीं, ऑर्केस्ट्रेशन ने उन्हें जोड़ा और AIOps ने बढ़ती जटिलता वाले संचालन संकेतों की व्याख्या में मदद की। एजेंटिक AI लक्ष्य साधने, संदर्भ और प्रमाण के आधार पर तर्क करने, स्मृति का उपयोग करने, उपलब्ध क्षमताओं में से चुनने, शासित सीमाओं में कार्य करने और परिणाम से सीखने की क्षमता जोड़ता है।

अंतिम लक्ष्य असीमित स्वायत्तता नहीं, जवाबदेह स्वायत्तता होना चाहिए: ऐसी व्यवस्थाएँ जो पहचान सकें कि कब कार्रवाई करनी है, कब जाँच करनी है, कब अनुमति माँगनी है और कब रुकना है। यही स्वचालन से संज्ञान की ओर संक्रमण है—मशीनों द्वारा मानव संचालन का स्थान लेना नहीं, बल्कि उद्यमों द्वारा देखने, निर्णय लेने, कार्य करने और सीखने का बेहतर तरीका विकसित करना।