एजीआई और भविष्य की एआई
2027 में AI: स्मृति मशीन बुद्धिमत्ता की अगली कसौटी बनेगी

मुख्य बिंदुस्मृति परीक्षण तथ्यों की साधारण पुनरावृत्ति के बजाय सुधार और संयम का मूल्यांकन करेंगे।
और देखें
- स्मृति परीक्षण तथ्यों की साधारण पुनरावृत्ति के बजाय सुधार और संयम का मूल्यांकन करेंगे।
- नियंत्रित तुलनाओं में चयनित संरचित स्मृति को अविभेदित पूर्ण इतिहास से बेहतर प्रदर्शन करना चाहिए।
- सहायक उत्पाद उपयोगकर्ताओं के लिए जो वे बनाए रखते हैं उसकी उत्पत्ति और दायरे को उजागर करेंगे।
एक सहायक को याद है कि परियोजना की मालिक माया है। फिर माया यह जिम्मेदारी किसी और को सौंप देती है। अगले दिन सहायक पूरे विश्वास के साथ उसे एक और काम सौंप देता है। उसे एक तथ्य तो याद रहता है, लेकिन दुनिया में हुए बदलाव का पता नहीं चलता। यह छोटी-सी चूक मशीन बुद्धिमत्ता की एक कहीं बड़ी समस्या को उजागर करती है।
स्मृति तभी उपयोगी होती है, जब कोई प्रणाली तय कर सके कि अब भी क्या लागू है, किस जानकारी को वापस पाना चाहिए और किसमें संशोधन करना या उसे भूल जाना उचित होगा। 2027 में, ये फैसले इस बात से अधिक कड़ी कसौटी बनेंगे कि कोई मॉडल कितना पुराना इतिहास संजोकर रख सकता है।
स्मृति पहले से ही कई रूपों में मौजूद है। MemGPT ने पदानुक्रमित संदर्भ प्रबंधन की पड़ताल की। Titans ने परीक्षण के दौरान अद्यतन होने वाला एक न्यूरल स्मृति मॉड्यूल पेश किया। Google के Gemini के वैयक्तिकरण नियंत्रण और Microsoft के Copilot के स्मृति नियंत्रण उपयोगकर्ताओं के सामने आने वाली जानकारी को बनाए रखने और उससे जुड़े विकल्पों का वर्णन करते हैं। इन तंत्रों को एक ही क्षमता नहीं मानना चाहिए: सहेजे गए रिकॉर्ड को वापस पाना, संदर्भ बनाए रखना और सीखे हुए पैरामीटरों को अद्यतन करना—इन सबके अवसर और विफलता के तरीके अलग-अलग हैं।
नीचे दिए गए पूर्वानुमान इन तंत्रों के भीतर दिखाई देने वाली प्रगति से संबंधित हैं। इनमें स्मृति के किसी स्कोर के आधार पर AGI के आगमन की तारीख तय नहीं की गई है, न ही किसी प्रणाली की जानकारी बनाए रखने की क्षमता से उसकी चेतना का अनुमान लगाया गया है।
1. स्मृति परीक्षण तथ्यों को याद करने से आगे बढ़ेंगे
कल का जवाब याद रहने पर खुशी मनाना आसान है—जब तक कि वह जवाब गलत न हो जाए। 2027 में होने वाले नए स्मृति मूल्यांकन एक ही परीक्षण में सुधार करने, उचित रूप से जवाब देने से बचने और पिछले अनुभव का उपयोग करने की क्षमताओं को परखेंगे। प्रणाली को सवाल से मिलते-जुलते वाक्य को वापस पाने से अधिक करना होगा। उसे पहचानना होगा कि अतीत कब प्रासंगिक है—और उस पर भरोसा करने से मौजूदा जवाब कब और खराब हो जाएगा।
समय-संबंधी तर्क सही वाक्यांश खोजने से कहीं अधिक कठिन है। किसी ग्राहक को धनवापसी मिली हो सकती है, कोई नीति समाप्त हो चुकी हो सकती है या कोई अपवाद केवल एक मामले पर लागू हुआ हो सकता है। सहायक को फिर से तय करना होगा कि इस समय कौन-सी स्थिति मायने रखती है। इसके लिए ऐसे मूल्यांकन चाहिए जिनमें परस्पर विरोधी अद्यतन, समय की स्पष्ट सीमाएँ और ऐसे सवाल शामिल हों जिनका जवाब उपलब्ध रिकॉर्ड में न हो।
LongMemEval में पहले से ही समय-संबंधी तर्क, ज्ञान को अद्यतन करने और जवाब देने से बचने जैसी क्षमताओं का मूल्यांकन किया जाता है। इसलिए, स्मृति के पहले के सभी मूल्यांकनों को केवल साधारण याददाश्त की परीक्षा बताना गलत होगा। 2026 में पेश किया गया LongMemEval-V2 चर्चा को परिवेश-विशिष्ट अनुभव की ओर आगे बढ़ाता है: कार्यप्रवाह, बदलती स्थितियाँ और बार-बार सामने आने वाले परिचालन संबंधी विवरण। इसके सावधानी से चुने गए 451 सवाल बताते हैं कि बातचीत याद रखने और किसी खास कामकाजी परिवेश में उपयोगी बनने में क्या अंतर है।
LoCoMo एक और महत्वपूर्ण संदर्भ प्रस्तुत करता है, जिसमें लंबी बातचीतों का उपयोग किया गया है और मनुष्यों से उनका सत्यापन तथा संपादन कराया गया है। इसका निर्माण एक पद्धतिगत समस्या को भी उजागर करता है: बातचीत के बनाए गए इतिहास में आम कामकाज के विरोधाभासी और अधूरे रिकॉर्ड की तुलना में अधिक साफ-सुथरी संरचना हो सकती है। ऐसे इतिहासों से बने मानक परीक्षण में सफल होना यह साबित नहीं करता कि हर तैनाती में स्मृति भरोसेमंद होगी।
मेरा पूर्वानुमान है कि इन आवश्यकताओं के अधिक मजबूत मेल पर जोर बढ़ेगा। किसी एजेंट को यह याद रखना चाहिए कि कोई कार्यप्रवाह विफल हुआ था, समझना चाहिए कि वह अनुभव बाद के किसी काम के लिए क्यों मायने रखता है, और जब उसकी परिस्थितियाँ अब लागू न हों तो उस सीख का उपयोग करने से बचना चाहिए। इसके लिए रिकॉर्ड में कहीं मौजूद किसी वाक्य को दोहराने पर इनाम देने के बजाय, संजोई गई जानकारी और उसके बाद लिए गए फैसले के बीच संबंध की जाँच करनी होगी।
2027 में किन बातों पर नज़र रखें
ऐसे स्मृति मूल्यांकनों पर ध्यान दें जो यह जाँचें कि किसी तथ्य के बदलने पर, उपलब्ध रिकॉर्ड अधूरा होने पर या कोई पुरानी सीख नए काम के लिए प्रासंगिक होने पर एजेंट क्या करता है। सार्वजनिक कार्य और अंक देने के तरीके प्रगति का आकलन आसान बनाएँगे। केवल याद करने के बेहतर अंकों से अलग-अलग सत्रों के दौरान भरोसेमंद निरंतरता का बहुत कम प्रमाण मिलेगा।
व्यवसायों के लिए इसका क्या अर्थ है
लगातार स्मृति बनाए रखने वाले सहायकों का मूल्यांकन करने वाली टीमों को अपने कामकाज में होने वाले बदलावों के आधार पर परीक्षण तैयार करने चाहिए: संशोधित नीतियाँ, बदले गए जिम्मेदार लोग, समाप्त हो चुकी प्राथमिकताएँ और अधूरे रिकॉर्ड। जाँचें कि एजेंट अपना व्यवहार अद्यतन करता है या नहीं और अनिश्चितता को स्वीकार करता है या नहीं। ऐसे मामले परिचालन संबंधी उन कमजोरियों को उजागर कर सकते हैं जो नाम या प्राथमिकताएँ याद रखने के प्रदर्शन में छिपी रह जाएँगी।
2. नियंत्रित परीक्षणों में चुनी हुई स्मृति, बिना छँटे पूरे इतिहास से बेहतर होगी
अधिक इतिहास से भ्रम की आशंका भी बढ़ सकती है। लंबे संदर्भ में पुराना निर्देश, बार-बार सुनाया गया किस्सा और उपयोगी अवलोकन—तीनों का ध्यान खींचने के लिए मुकाबला हो सकता है। मुझे उम्मीद है कि 2027 के नियंत्रित मूल्यांकनों में चुनी हुई, व्यवस्थित स्मृति बिना छँटे पूरे इतिहास से उल्लेखनीय अंतर से बेहतर प्रदर्शन करेगी। मूल मॉडल और उपलब्ध जानकारी को समान रखने पर नतीजा खास तौर पर दिलचस्प होगा: सुधार अनुभव को व्यवस्थित करने से आएगा, न कि केवल अधिक शक्तिशाली मॉडल देने से।
इस सोच के पीछे यह बात है कि उपयोगी स्मृति जानकारी का चयन और उसका संगठन करती है। वह मौजूदा तथ्य को पुरानी पड़ चुकी जानकारी से अलग कर सकती है, किसी फैसले के पीछे के प्रमाण को सहेज सकती है या किसी कार्यप्रवाह से मिली सीख को ठीक उसी समय वापस ला सकती है, जब उसकी जरूरत हो। पूरा प्रतिलेख हर विवरण उपलब्ध कराता है, लेकिन हर नए सवाल के लिए प्रासंगिक स्थिति को फिर से समझने का काम मॉडल पर छोड़ देता है।
यह सहज धारणा कोई गारंटी नहीं है। सारांश बनाने वाली प्रणाली बाद में ज़रूरी पड़ने वाला एकमात्र विवरण भी हटा सकती है। पुनर्प्राप्ति प्रणाली किसी प्रासंगिक घटना को खोजने में विफल हो सकती है। अनुक्रमण की प्रक्रिया मॉडल के अपने अनुमान को पुष्ट तथ्य मान सकती है। जब उत्तर किसी ऐसे सूक्ष्म विवरण पर निर्भर हो जिसे मेमोरी लिखने वाली प्रणाली ने छोड़ दिया हो, तब पूरा संदर्भ अधिक मज़बूत आधार साबित हो सकता है।
डिज़ाइन की संभावनाएँ पहले से ही LongMemEval शोधपत्र में दिखाई देती हैं, जो अनुक्रमण, पुनर्प्राप्ति और पढ़ने के विकल्पों की पड़ताल करता है। MemGPT की पदानुक्रम व्यवस्था सक्रिय संदर्भ में क्या समा सकता है, इसे प्रबंधित करने का इससे पहले का सिस्टम-स्तरीय तरीका प्रस्तुत करती है। ये मूल्यांकन किए गए डिज़ाइनों से जुड़े शोध योगदान हैं। इनका अस्तित्व मेरे पूर्वानुमान में अपेक्षित 10 अंकों के लाभ या स्वतंत्र रूप से दोहराए गए परिणाम को साबित नहीं करता।
सबसे खुलासा करने वाले मामले अपडेट और समय-संबंधी सीमाओं से जुड़े होंगे। अगर किसी ग्राहक ने अपना पता दो बार बदला हो, तो सही उत्तर के लिए नवीनतम अधिकृत पता और यह रिकॉर्ड ज़रूरी हो सकता है कि वह कब से मान्य हुआ। सावधानी से बनाए रखा गया स्थिति-निरूपण इस अंतर को स्पष्ट कर सकता है। एक सपाट इतिहास में हर तथ्य मौजूद हो सकता है, फिर भी वह मॉडल को गलत तथ्य चुनने के अधिक अवसर देता है।
2027 में किन बातों पर नज़र रखें
ऐसी तुलनाओं पर नज़र रखें जिनमें संरचित मेमोरी और पूरे इतिहास के संदर्भ को एक ही आधार मॉडल के ज़रिए समान जानकारी तक पहुँच दी जाए। सबसे मज़बूत नतीजों में ऐसे प्रश्न होंगे जिन्हें पहले नहीं देखा गया हो, और उनमें उत्तरों की सटीकता के साथ-साथ मेमोरी लिखने की लागत भी बताई जाएगी। अगर लाभ तुलना के लिए इस्तेमाल किए गए इतिहास को छोटा करने या उत्तर पहले से जानकर साक्ष्य चुनने पर निर्भर हों, तो वे कम विश्वसनीय लगेंगे।
व्यवसायों के लिए इसका क्या अर्थ है
मेमोरी के डिज़ाइन का मूल्यांकन एप्लिकेशन की संरचना के हिस्से के रूप में करें। प्रतिनिधि कार्यों पर पुनर्प्राप्ति, सारांश, संरचित स्थिति और विस्तृत संदर्भ की तुलना करें; इसमें सुधार और परस्पर विरोधी रिकॉर्ड भी शामिल हों। मेमोरी को बनाए रखने और त्रुटियाँ सुधारने की लागत का हिसाब रखें। अधिक संदर्भ की अनुमति मददगार हो सकती है, लेकिन टीम को फिर भी इस बात के प्रमाण चाहिए कि सिस्टम सही जानकारी खोजकर उसका सही उपयोग करता है।
3. मेमोरी उत्पाद यह दिखाएँगे कि वे जो जानकारी सहेजते हैं, उसका आधार क्या है
अगर कोई सहायक आपके बारे में कुछ याद रखता है, तो उसे यह बताने में सक्षम होना चाहिए कि वह जानकारी कहाँ से आई और आपको उसे सुधारने देना चाहिए। यह अपेक्षा तब तक सामान्य लगती है, जब तक कोई मेमोरी कई बातचीतों से निकाले गए निष्कर्ष पर आधारित न हो और अलग-अलग स्थितियों में उसका फिर से उपयोग न किया जाए। 2027 में, प्रमुख सहायक उत्पाद ऐसे कुछ संबंधों की जाँच को आसान बनाएँगे। व्यावहारिक प्रगति ऐसी मेमोरी होगी जिस पर उपयोगकर्ता सवाल उठा सके, उसमें बदलाव कर सके या उसे हटा सके—और यह स्पष्ट समझते हुए कि उसका उपयोग कहाँ हो सकता है।
मेमोरी की कोई प्रविष्टि तब अधिक उपयोगी होती है, जब उपयोगकर्ता पूछ सके कि वह कहाँ से आई और किन चीज़ों पर निर्भर करती है। एक बातचीत में बताई गई पसंद की स्थिति, कई दस्तावेज़ों से निकाले गए तथ्य से अलग होती है। अगर कोई निष्कर्ष गलत हो, तो उपयोगकर्ता को उससे प्रभावित हर बाद के उत्तर का पता लगाए बिना उसे सुधार पाना चाहिए।
महत्वपूर्ण नियंत्रण पहले से मौजूद हैं। Microsoft का गोपनीयता संबंधी दस्तावेज़ मेमोरी सेटिंग्स को बातचीत के इतिहास और वैयक्तिकरण के अन्य विकल्पों से अलग बताता है। Google की अस्थायी चैट और वैयक्तिकरण संबंधी घोषणा पिछली बातचीतों के उपयोग से जुड़े विकल्पों का वर्णन करती है। Google की 2026 की चैट और मेमोरी आयात संबंधी घोषणा यह भी दिखाती है कि स्थायी संदर्भ अब एक जगह से दूसरी जगह ले जाने की सुविधा बनता जा रहा है। पूर्वानुमान किसी मिटाने वाले बटन के आने का नहीं, बल्कि इन सबको मिलाकर अधिक मज़बूत नियंत्रण उपलब्ध होने का है।
जानकारी का स्रोत इतना विशिष्ट होना चाहिए कि उसकी जाँच की जा सके। “आपके इतिहास के आधार पर” कहना केवल डेटा की एक श्रेणी बताता है, किसी खास दावे का साक्ष्य नहीं। स्रोत का लिंक या तारीख़ वाला रिकॉर्ड उपयोगकर्ता को स्पष्ट निर्देश और उसकी व्याख्या के बीच अंतर करने में मदद कर सकता है। दायरे का विवरण यह समझा सकता है कि मेमोरी भविष्य की चैट पर लागू होती है, किसी खास कार्यक्षेत्र पर या कनेक्ट किए गए टूल के ज़रिए की जाने वाली कार्रवाइयों पर।
हटाने की प्रक्रिया के बारे में भी उतनी ही सावधानी से स्पष्ट करना ज़रूरी है। किसी उत्पाद की सक्रिय मेमोरी से प्रविष्टि हटाना अपने-आप में मूल बातचीत मिटाने, बैकअप साफ़ करने या मॉडल के भारों से जानकारी को भुलाने के बराबर नहीं है। उत्पाद को बताना चाहिए कि वह वास्तव में कौन-सी प्रक्रिया करता है। मेरे पूर्वानुमान के लिए ऐसे नियंत्रण और दस्तावेज़ीकरण ज़रूरी हैं जिन्हें देखा और जाँचा जा सके—हर भंडारण स्तर से पूरी तरह मिटा देने का दावा नहीं।
प्रगति की उम्मीद करने की वजह व्यावहारिक भी है और नैतिक भी। अगर उपयोगकर्ता उस स्थिति को सुधार नहीं सकता जिसके आधार पर कोई सहायक काम करता है, तो वह लंबे समय तक भरोसेमंद सहयोगी नहीं बन सकता। सुधार सिस्टम को चलाने का हिस्सा हैं। ऐसा सुथरा इंटरफ़ेस जो मेमोरी तो दिखाए, लेकिन उसके स्रोत और आगे के उपयोग को स्पष्ट न करे, इस ज़रूरत का केवल एक हिस्सा पूरा करेगा।
2027 में किन बातों पर नज़र रखें
ऐसे मेमोरी इंटरफ़ेस पर नज़र रखें जो सहेजी गई प्रविष्टि को जाँचे जा सकने वाले स्रोत से जोड़ें, उसे सुधारने या हटाने दें और यह बताएँ कि जानकारी का फिर से कहाँ उपयोग हो सकता है। ये सुविधाएँ किसी एक प्रविष्टि के लिए एक साथ काम करनी चाहिए। सामान्य मेमोरी सारांश या पूरे इतिहास को मिटाने का नियंत्रण, स्रोत और उपयोग के दायरे से जुड़े महत्वपूर्ण सवालों को अनसुलझा छोड़ देगा।
व्यवसायों के लिए इसका क्या अर्थ है
स्थायी सहायकों को लागू करने से पहले यह तय करें कि कर्मचारी सिस्टम में सुरक्षित जानकारी को कैसे देख और सुधार सकते हैं। आपूर्तिकर्ताओं से कहें कि वे सक्रिय स्मृति, मूल वार्तालापों और सुरक्षित रखे गए अन्य रिकॉर्ड में अंतर स्पष्ट करें और बताएं कि हर नियंत्रण का दायरा क्या है। इन सवालों के जवाब कारोबार को यह तय करने में मदद करेंगे कि लोगों, परियोजनाओं और कामकाजी संबंधों में बदलाव के साथ संदर्भ को सटीक बनाए रखने की ज़िम्मेदारी किसकी होगी।
4. पुरानी क्षमताओं को बनाए रखने की शर्त के तहत सतत सीखने में सीमित प्रगति दिखेगी
कुछ नया सीखने से उपयोगी पुरानी जानकारी चुपचाप मिटनी नहीं चाहिए। स्थायी पैरामीटर अपडेट और न्यूरल स्मृति के पीछे यही कठिन समझौता है। मुझे उम्मीद है कि 2027 में बड़े मॉडलों में सीमित प्रगति होगी: नए ज्ञान में स्पष्ट सुधार होगा, जबकि स्थापित मूल्यांकनों पर प्रदर्शन काफ़ी हद तक बरकरार रहेगा। ऐसा नतीजा दिलचस्प इसलिए होगा कि इसमें यह पाबंदी बनी रहती है। पुराने परीक्षण हटा देने से सुधार का दावा करना आसान हो जाएगा, लेकिन उसका अर्थ बहुत कम रह जाएगा।
यह उस दावे से कहीं सीमित बात है कि कोई सिस्टम अनिश्चित काल तक हर काम सीखता रहेगा। नए अनुभव के आधार पर किसी मॉडल को अपडेट करने से उसकी मौजूदा क्षमताओं पर असर पड़ सकता है। किसी नतीजे को विश्वसनीय मानने के लिए बार-बार किए गए अपडेट के दौरान नई चीज़ें सीखने और पहले से सीखी बातों को बनाए रखने—दोनों को मापना होगा। साथ ही, इन अपडेट के लिए ज़रूरी गणनात्मक संसाधनों का खर्च भी स्पष्ट करना होगा।
Titans के शोधपत्र में न्यूरल दीर्घकालिक स्मृति और परीक्षण के समय जानकारी याद रखने का अध्ययन किया गया है। MIRAS में साहचर्य स्मृति, सीखने के उद्देश्यों, जानकारी बनाए रखने और अनुकूलन से जुड़े विकल्पों के आधार पर अनुक्रम मॉडल के एक समूह को प्रस्तुत किया गया है। Google की शोध-व्याख्या स्पष्ट करती है कि यह काम कुछ खास संरचनाओं और स्मृति-तंत्रों से संबंधित है। इसे इस बात का प्रमाण नहीं मानना चाहिए कि इस्तेमाल में मौजूद हर भाषा मॉडल लगातार अपने मूल ज्ञान को बदलता रहता है।
हाल ही में प्रकाशित स्लीप-फ़्रेमवर्क की घोषणा, जिसकी तारीख 27 अक्टूबर, 2026 है, सक्रिय प्रसंस्करण और पहले से निर्धारित स्मृति घटकों में ऑफ़लाइन समेकन की बारी-बारी से होने वाली प्रक्रिया का वर्णन करती है। इसमें भूलने के जोखिम को कम करते हुए जानकारी हासिल करने के लिए अपनाए गए एक शोध दृष्टिकोण की जानकारी दी गई है। इसके नाम में नींद का उल्लेख केवल संगणकीय उपमा है; यह फ़्रेमवर्क एक निश्चित संरचना और निर्दिष्ट अपडेट नियमों के तहत काम करता है।
ये दिशाएँ इस पूर्वानुमान को संभव बनाती हैं, लेकिन उपलब्ध साक्ष्य अभी शुरुआती दौर के हैं और प्रयोगों की रूपरेखा पर बहुत निर्भर करते हैं। किसी सिस्टम के सीखने का आभास इसलिए हो सकता है कि मूल्यांकन के सवाल उसके अपडेट के उदाहरणों से मिलते-जुलते हों। औसत अंक बरकरार रह सकते हैं, जबकि कोई छोटी लेकिन अहम क्षमता कमज़ोर पड़ जाए। यह भी हो सकता है कि अनुभव को समेकित करने में इतना अतिरिक्त कंप्यूट खर्च हो कि वास्तविक इस्तेमाल के लिए यह फ़ायदा आकर्षक न रहे। स्वतंत्र रूप से दोहराए जा सकने वाले प्रयोग और पुराने तथा नए प्रदर्शन की अलग-अलग रिपोर्टिंग बेहद ज़रूरी हैं।
2027 में किन बातों पर नज़र रखें
ऐसे प्रयोगों पर नज़र रखें जिन्हें स्वतंत्र रूप से दोहराया जा सके और जो बार-बार किए गए अपडेट के दौरान नई सीख तथा बरकरार क्षमताओं की अलग-अलग रिपोर्ट दें। कंप्यूट की लागत, डेटा-दूषण की जाँच और पुराने कार्यों पर प्रदर्शन को समझना भी ज़रूरी होगा। अगर नई सिखाई गई सामग्री पर सुधार के साथ दूसरी क्षमताओं में गिरावट आए, तो इससे पता चलेगा कि सीखने और सीखी बातों को बनाए रखने के बीच समझौता अब भी बड़ा है—भले ही सीखने का मुख्य अंक बढ़ जाए।
व्यवसायों के लिए इसका क्या मतलब है
अनुसंधान एवं विकास टीमों और मॉडल विक्रेताओं को सीखने के आशाजनक तंत्र और उपयोग के लिए तैयार अपडेट प्रक्रिया में अंतर करना चाहिए। किसी भी प्रायोगिक परियोजना में रिग्रेशन परीक्षण, नियंत्रित अपडेट डेटा, संस्करणों का रिकॉर्ड और पिछली स्थिति पर लौटने का तरीका होना चाहिए। उत्पाद योजनाएँ इस धारणा पर नहीं, बल्कि सीखने, सीखी बातों को बनाए रखने और संचालन की लागत के प्रमाण पर आधारित होनी चाहिए कि सभी ग्राहकों के कामों के लिए लगातार अनुकूलन भरोसेमंद ढंग से काम करेगा।
उपयोगिता का सही पैमाना है बदलाव के बीच निरंतरता
एक उपयोगी स्मृति प्रणाली को इतना चुनिंदा होना चाहिए कि वह अनुभव के बोझ तले न दबे, और इतना संशोधनीय कि बदलती दुनिया में भी काम करती रहे। इसकी गलतियाँ अक्सर मामूली दिखेंगी: कोई पुरानी पसंद, ग़लत ज़िम्मेदार व्यक्ति या किसी याद रखे गए अपवाद का बहुत व्यापक इस्तेमाल। ऐसी विफलताएँ अहम संकेत देती हैं। वे दिखाती हैं कि कोई सहायक बातचीत के इतिहास को अगली बातचीत के बारे में सही निर्णय लेने में बदल सकता है या नहीं।












