LawVu की मुख्य परिचालन अधिकारी और सह-संस्थापक Sarah Webb – साक्षात्कार श्रृंखला

Sarah Webb LawVu की मुख्य परिचालन अधिकारी और सह-संस्थापक हैं। इंजीनियरिंग और सॉफ्टवेयर नेतृत्व में उनकी पृष्ठभूमि में LOVEFiLM और Amazon में निभाई गई भूमिकाएँ शामिल हैं। वह 2015 में LawVu से मुख्य प्रौद्योगिकी अधिकारी के रूप में जुड़ीं और 2020 में मुख्य परिचालन अधिकारी बन गईं। इस तरह उन्हें प्रौद्योगिकी, परिचालन, सुरक्षा और शासन—इन सभी क्षेत्रों का अनुभव मिला। उनका काम कानूनी टीमों को उद्यम-स्तरीय जोखिमों का संतुलन साधते हुए अपना डेटा और कार्यप्रवाह आपस में जोड़ने में मदद करने पर केंद्रित है।

LawVu कंपनी के भीतर की कानूनी टीमों के लिए एक कानूनी परिचालन प्रणाली उपलब्ध कराता है। यह अनुरोधों, मामलों, अनुबंधों, खर्च और जानकारी को एक एकीकृत मंच पर लाता है। इसकी एआई क्षमताएँ और एकीकरण टीमों को मौजूदा टूल के साथ काम करने में मदद करते हैं, साथ ही अनुमतियों और निगरानी को भी बनाए रखते हैं। इस साक्षात्कार में Webb शैडो एआई, एजेंट-आधारित कार्यप्रवाह, संस्थागत ज्ञान और उद्यमों में नियंत्रित तरीके से एआई अपनाने के लिए ज़रूरी बुनियादी व्यवस्थाओं पर चर्चा करती हैं।

आपने अपने करियर का बड़ा हिस्सा सॉफ्टवेयर टीमों को बनाने और उनका नेतृत्व करने में बिताया, जिनमें LOVEFiLM और Amazon की टीमें भी शामिल हैं। इसके बाद आपने LawVu की सह-स्थापना की। आपको कॉर्पोरेट कानूनी परिचालन ऐसी समस्या क्यों लगी जिसका समाधान किया जाना चाहिए, और एआई से प्रौद्योगिकी जगत में बदलाव आने के साथ LawVu के बारे में आपकी मूल परिकल्पना कैसे विकसित हुई है?

मैंने अपने शुरुआती करियर का अधिकांश समय इंजीनियरिंग और प्रौद्योगिकी से जुड़ी भूमिकाओं में बिताया, जिनमें LOVEFiLM और Amazon की भूमिकाएँ भी शामिल थीं। कानूनी प्रौद्योगिकी के क्षेत्र में आना मेरी पहले से तय योजना नहीं थी; यह परिस्थितियों के चलते हुआ। अब मुझे LawVu में लगभग 11 वर्ष हो गए हैं। शुरुआत में मैं मुख्य प्रौद्योगिकी अधिकारी थी, लेकिन कुछ ही समय में मुख्य परिचालन अधिकारी बन गई। केवल इस बदलाव ने ही व्यवसाय के बारे में मेरी सोच को बहुत बदल दिया।

शुरुआती दिनों में हम सबसे पहले यह समस्या हल कर रहे थे कि कामकाज की जानकारी सबको कैसे दिखाई दे। ज़्यादातर ग्राहक Outlook और Excel स्प्रेडशीट से आ रहे थे, और सब कुछ एक ही जगह पर ले आना अपने-आप में बड़ी उपलब्धि लगता था। फिर एक ऐसा दौर आया जब टीमें दूर से काम करने लगीं। केंद्रीय मंच न होने से आपसी सहयोग और भी मुश्किल हो गया। इससे उस बात की पुष्टि हुई जो हम पहले से देख रहे थे: कानूनी काम का बहुत-सा दोहराव वाला हिस्सा व्यवसाय के बाकी लोगों की नज़र में न तो महत्त्व पा रहा था, न ही उन्हें दिखाई दे रहा था, क्योंकि उसे सामने लाने की कोई जगह ही नहीं थी। उस दौर ने हमें ग्राहकों को यह समझाने के लिए ठोस प्रयास करने को प्रेरित किया कि अपना डेटा कैसे व्यवस्थित करें और संगठन के भीतर बदलाव का प्रबंधन कैसे करें—सिर्फ़ उन्हें कोई टूल थमा देना काफ़ी नहीं था।

हमने शुरुआती दौर में Microsoft के विभिन्न उत्पादों के बीच एकीकरण भी तैयार किए, क्योंकि हमारा लक्ष्य हमेशा कारोबार के साथ वहीं जुड़ना था जहाँ वह रोज़मर्रा का काम पहले से करता था, न कि टीमों से उनकी जानी-पहचानी व्यवस्था छोड़ने को कहना। तब से जो बदला है, वह यह है कि अब इसी विचार को लागू करने के लिए कहीं बड़े पैमाने की ज़रूरत है। उपयोगी डेटासेट तैयार करने की शुरुआती बाधा कम करना पहले सुविधा का सवाल था। अब यही तय करता है कि एआई कानूनी काम पर वास्तव में कार्रवाई कर सकता है या सिर्फ़ उसी बिखराव को आपके सामने फिर से पेश करता है।

आपने कहा है कि “शैडो एआई” अक्सर कर्मचारियों की समस्या नहीं, बल्कि कार्यप्रवाह की समस्या होती है। व्यवहार में इसका क्या मतलब है, और जब कर्मचारी स्वीकृत एआई टूल या प्रणालियों को छोड़कर अपने समाधान इस्तेमाल करते हैं, तो संगठन इससे क्या सीख सकते हैं?

अगर आप संगठन के भीतर सही टूल उपलब्ध नहीं कराते, तो लोग दक्षता बढ़ाने के लिए अपने टूल खोज लेंगे। समस्या की जड़ यही है। जब कोई स्वीकृत प्रणाली को दरकिनार करता है, तो आम तौर पर इसे अनुपालन में चूक मान लिया जाता है—ऐसी चीज़ जिसे रोक देना चाहिए या जिसके ख़िलाफ़ कोई नीति बना देनी चाहिए। लेकिन व्यवहार में, यह आम तौर पर कार्यप्रवाह के बारे में कुछ बताता है: स्वीकृत तरीका विकल्प की तुलना में धीमा या अधिक तकलीफ़देह था, इसलिए लोगों ने उससे बचने का अपना रास्ता खोज लिया।

इसी वजह से शैडो एआई, शैडो आईटी से कहीं बड़ा दायित्व है। शैडो एआई से जुड़ी घटनाएँ अब डेटा उल्लंघनों के 20 प्रतिशत के लिए ज़िम्मेदार हैं और इनकी औसत लागत 10.2 मिलियन डॉलर है। ऐसा इसलिए है कि लोग सिर्फ़ किसी अस्वीकृत टूल को नहीं अपना रहे, बल्कि उसमें सीधे संवेदनशील सामग्री भी डाल रहे हैं—अनुबंधों की भाषा, सौदे की शर्तें और आंतरिक तर्क-विचार।

संगठनों को इससे असल में यह समझना चाहिए कि कमी कहाँ है। सुरक्षित और विश्वसनीय विकल्प न होने से लोग एआई का इस्तेमाल करना बंद नहीं करते; वे बस इसे ऐसी जगह इस्तेमाल करने लगते हैं जहाँ आप देख नहीं सकते। इसके पीछे एक और गहरा जोखिम है, जो सुरक्षा से भी आगे जाता है। जब काम साझा और सुव्यवस्थित प्रणाली के बजाय लोगों के निजी एआई टूल में बिखरा होता है, तो व्यवसाय अधूरी तस्वीर के आधार पर फ़ैसले लेने लगता है—और उसे यह एहसास तक नहीं होता कि तस्वीर का एक हिस्सा गायब है। अगर किसी एआई टूल को प्रासंगिक डेटा का केवल 60 प्रतिशत ही दिखे, क्योंकि बाकी किसी के निजी खाते में पड़ा है, तो उसकी सटीकता घटती है और ग़लत फ़ैसला लेने का जोखिम बढ़ जाता है। इस वैकल्पिक रास्ते पर रोक लगाने से इनमें से कोई समस्या हल नहीं होती। लोगों को उस रास्ते से बेहतर विकल्प देने से होती है।

सैकड़ों उद्यमों की कानूनी टीमों के साथ LawVu के काम के आधार पर, एआई शासन व्यवस्था स्थापित करते समय संगठन कौन-सी आम ग़लतियाँ करते हैं—ख़ास तौर पर तब, जब कर्मचारियों को लगातार अधिक शक्तिशाली, सामान्य उपयोग वाले एआई टूल उपलब्ध हो रहे हैं?

सबसे आम ग़लती लिखित नीति को वास्तविक नियंत्रण मान लेना है। अब कई संगठनों के पास ऐसा दस्तावेज़ है जिसमें बताया गया है कि एआई का इस्तेमाल कैसे करना चाहिए और कैसे नहीं। लेकिन बहुत कम संगठनों ने इसके पीछे कोई ऐसी परिचालन व्यवस्था बनाई है जो वास्तव में नियंत्रित करे कि कोई टूल किस चीज़ तक पहुँच सकता है, उसने क्या किया इसका लॉग रखे और ज़रूरत पड़ने पर बाद में उस गतिविधि का पूरा ब्यौरा फिर से तैयार करने दे।

दूसरी गलती यह है कि हर टूल जुड़ने के साथ कितना जोखिम बढ़ता है, इसका हिसाब नहीं रखा जाता। कोई टीम अनुबंधों, खर्च या अनुरोधों के प्रबंधन के लिए जो भी अलग समाधान अपनाती है, उसे अपने एकीकरण की ज़रूरत होती है, उसका अपना प्रमाणीकरण प्रोटोकॉल होता है और उसमें संवेदनशील डेटा की अपनी प्रति रखी जाती है। अलग-अलग देखें तो इनमें से हर समाधान संभालने योग्य लगता है। लेकिन मिलकर ये कानूनी तकनीकी तंत्र को जोखिमों के बिखरे हुए जाल में बदल देते हैं। एक-तिहाई से अधिक डेटा उल्लंघनों की जड़ ठीक इसी तरह की तृतीय-पक्ष पहुँच होती है। ज़्यादातर टीमों को यह एहसास तब तक नहीं होता कि यह सब कितना बड़ा जोखिम बन चुका है, जब तक कुछ गड़बड़ होने के बाद उनकी ही जाँच नहीं होने लगती।

तीसरी गलती यह है कि सामान्य प्रयोजन वाले AI टूल को संवेदनशील डेटा से जुड़े बाकी सभी सॉफ़्टवेयर से अलग तरह से देखा जाता है। पहले दिन से अब तक हमने जिन भी ग्राहकों के साथ काम किया है—सरकारी ग्राहकों सहित—उन सभी ने हमारे साथ पूरी सुरक्षा जाँच कराई है, क्योंकि हमारे जैसे सिस्टम में कंपनी की सबसे संवेदनशील जानकारियों में से कुछ होती हैं: व्यापार रहस्य, विलय और अधिग्रहण (M&A) का डेटा और व्यक्तिगत पहचान योग्य जानकारी (PII)। कर्मचारी हर दिन इसी तरह की जानकारी सार्वजनिक AI टूल को सौंप रहे हैं, लेकिन उन पर उस स्तर की जाँच-पड़ताल भी नहीं होती। इसकी वजह यह है कि उन्हें यह किसी नए विक्रेता को अपनाने जैसा नहीं, बल्कि एक टूल इस्तेमाल करने जैसा लगता है। जिन चीज़ों की जाँच होती है और जिनमें वास्तव में जोखिम छिपा होता है, उनके बीच का यही अंतर ज़्यादातर शासन कार्यक्रमों को विफल कर देता है।

LawVu कानूनी कामकाज में AI एजेंट और एजेंट-आधारित कार्यप्रवाह शामिल कर रहा है। आप कैसे तय करते हैं कि कौन-सी कानूनी प्रक्रियाएँ स्वायत्त AI निष्पादन के लिए उपयुक्त हैं और किनमें हमेशा मानवीय समीक्षा या अनुमोदन ज़रूरी होना चाहिए?

हम इस बात से ज़्यादा प्रक्रिया के प्रभाव और गलती को पलट सकने की संभावना देखते हैं कि कागज़ पर वह कितनी जटिल दिखती है। अगर किसी गलती को पकड़ने की लागत कम हो और उसे आसानी से सुधारा जा सके, तो आम तौर पर वह स्वायत्तता के लिए अच्छी उम्मीदवार होती है। इसीलिए अनुरोधों को लेना और उनकी प्रारंभिक छँटाई करना जैसे अधिक मात्रा वाले, स्पष्ट रूप से परिभाषित काम इसके लिए उपयुक्त होते हैं।

बाहरी प्रतिबद्धता, कानूनी जोखिम या ऐसे फैसले से जुड़ी हर चीज़, जिसे पलटना मुश्किल हो, उसमें इंसान की निगरानी शामिल होती है—चाहे परीक्षणों में एजेंट कितना भी सटीक क्यों न दिखे। व्यापक रूप से जोखिम के प्रति हमारी स्वीकार्यता को लेकर LawVu में हमारी सोच भी इसी तर्क पर आधारित है। हम तय करते हैं कि कोई टीम कितना जोखिम स्वीकार कर सकती है, उसके अनुरूप सही नियंत्रण लागू करते हैं और उसके बाद ही दायरा बढ़ाते हैं। असली कसौटी सटीकता नहीं, बल्कि यह बता पाना है कि एजेंट ने किस जानकारी तक पहुँच बनाई, उसने वह कार्रवाई क्यों की, क्या उसे ऐसा करने की अनुमति थी और क्या हम बाद में इसे साबित कर सकते हैं। अगर हम इन सवालों का जवाब नहीं दे सकते, तो प्रक्रिया अभी अपने दम पर चलने के लिए तैयार नहीं है।

इन फैसलों को एक बार करके हमेशा के लिए नहीं छोड़ा जा सकता। आज जिस प्रक्रिया को स्वचालित करना सुरक्षित है, वह इस्तेमाल बढ़ने पर या कार्यप्रवाह में शुरुआत से अधिक संवेदनशील सामग्री शामिल होने पर असुरक्षित हो सकती है। इसलिए इस सीमा को बार-बार फिर से परखना ज़रूरी है, केवल एक बार तय करना नहीं।

LawVu का MCP सर्वर संगठनों को ChatGPT, Claude और Microsoft Copilot जैसे टूल सीधे अपने कानूनी परिचालन परिवेश से जोड़ने की सुविधा देता है। कंपनियाँ अनुमतियों, ऑडिट की सुविधा, निजता और नियंत्रण को बनाए रखते हुए बाहरी AI प्रणालियों को उद्यम के डेटा तक उपयोगी पहुँच कैसे दे सकती हैं?

यह सहज धारणा हो सकती है कि आपस में जुड़ाव और सुरक्षा के बीच टकराव है, लेकिन ऐसा होना ज़रूरी नहीं। अनुमतियों के मामले में प्लेटफ़ॉर्म को ही प्रामाणिक स्रोत बने रहना चाहिए, न कि उसके ऊपर काम करने वाला एआई उपकरण। कोई व्यक्ति ChatGPT, Claude या Copilot में बातचीत शुरू करे, उसे क्या देखने और करने की अनुमति है, यह इस बात पर निर्भर नहीं होना चाहिए कि उसने उस दिन कौन-सा इंटरफ़ेस खोला है।

यह तभी संभव है, जब दूसरी ओर का परिवेश किसी भी चीज़ को जोड़ने से पहले ही सही नियंत्रणों से लैस हो—और यही बुनियादी तैयारी ज़्यादातर कंपनियाँ छोड़ देती हैं। सभी MCP को सुरक्षा की स्वचालित गारंटी मानते हैं, क्योंकि इससे इधर-उधर जाने वाला डेटा कम होता है। यह बात सही है, लेकिन तभी जब डेटा पाने वाली प्रणाली यह बता सके कि किस जानकारी तक पहुँच बनाई गई, क्यों बनाई गई, किस एजेंट ने किसकी ओर से ऐसा किया और बाद में इसे साबित भी कर सके।

इसका व्यावसायिक आधार भी है। अगर केंद्रीय AI टूल यह पहचान सके कि किसी अनुरोध में कानूनी पहलू है और उसे अपने आप LawVu तक पहुँचा सके, तो कर्मचारी को पहले यह जानने की ज़रूरत नहीं रहेगी कि उसे किस सिस्टम में जाना है—और इस तरह आगे-पीछे होने वाली बातचीत भी कम होगी। इसका यह भी मतलब है कि कर्मचारी ऐसे निजी AI टूल का सहारा नहीं लेंगे, जिसकी किसी विश्वसनीय और सुरक्षित डेटा-संग्रह तक पहुँच ही नहीं है। लोगों को शुरुआत के लिए एक सुव्यवस्थित और नियंत्रित विकल्प देना, हर चीज़ पर रोक लगाने की तुलना में, उसे अपनाने को कहीं अधिक बढ़ावा देता है।

सामान्य प्रयोजन वाले AI मॉडल भले ही शक्तिशाली हों, लेकिन अक्सर उनमें किसी संगठन की संस्थागत स्मृति, ऐतिहासिक फैसलों और विशिष्ट जोखिम-प्रोफ़ाइल की जानकारी नहीं होती। उच्च जोखिम वाले उद्यमी काम में वास्तव में उपयोगी बनने से पहले AI मॉडल के साथ कौन-सी जानकारी और बुनियादी व्यवस्था होना ज़रूरी है?

मैं व्यापक उपयोग वाले AI को एक प्रतिभाशाली अजनबी की तरह देखता हूँ—ऐसा व्यक्ति जिसने बहुत बड़ी मात्रा में पढ़ा है, बहुत सुंदर लिखता है और लगभग किसी भी विषय पर बातचीत कर सकता है। लेकिन वह आपके ग्राहक से कभी नहीं मिला। वह आपकी बातचीतों में कभी शामिल नहीं हुआ। उसे नहीं पता कि आपका संगठन जोखिम और संतुलन कैसे तय करता है। उसने उन बातचीतों को कभी नहीं देखा जिनके बाद आपकी टीम ने छह महीने पहले अपवादों को मंज़ूरी दी थी।

इसीलिए कई कानूनी टीमें सबसे पहले AI को एक रणनीति-पुस्तिका से जोड़ती हैं—और यह स्पष्ट कर देना ज़रूरी है कि ऐसा करना बेहद उपयोगी है। AI मॉडल को अपनी पसंदीदा धाराओं, वैकल्पिक रुखों, अनुमोदन की सीमाओं और बातचीत संबंधी मार्गदर्शन तक पहुँच दें, तो दक्षता में सुधार लगभग तुरंत दिखाई देने लगता है। चुनौती यह है कि सबसे अहम कानूनी फ़ैसले अक्सर तब लेने पड़ते हैं, जब मानक रुख काम नहीं आता: किसी रणनीतिक ग्राहक के लिए अपवाद ज़रूरी हो, तेज़ी से बढ़ते अवसर के लिए अतिरिक्त जोखिम लेना उचित हो, या बातचीत ऐसे मुकाम पर पहुँच जाए जहाँ व्यावसायिक प्राथमिकताएँ पसंदीदा धारा से अधिक अहम हो जाएँ।

यहीं से कानूनी निर्णय-क्षमता सामने आने लगती है। कुछ सबसे मूल्यवान जानकारी रणनीति-पुस्तिका में नहीं, बल्कि अपवादों में दर्ज होती है। हमने इस ग्राहक के लिए अपवाद क्यों बनाया? इसी पक्ष के साथ पिछली बार इस मुद्दे पर बातचीत में क्या हुआ था? क्या कारोबार ने कहीं और यह जोखिम स्वीकार किया है? क्या इस मुद्दे को पहले भी उच्च स्तर पर भेजा गया था, और अंततः क्या फ़ैसला हुआ?

इन सवालों के जवाब शायद ही कभी किसी एक दस्तावेज़ में मिलते हैं। वे अनुबंधों, अनुमोदनों, ईमेल, मामलों के रिकॉर्ड, बैठक के नोट्स और उस समय शामिल रहे लोगों के संचित अनुभव में बिखरे होते हैं। दस्तावेज़ में बस नतीजा दर्ज होता है, जबकि संगठन उस फ़ैसले के पीछे का तर्क कहीं और संजोकर रखता है।

कोई प्रतिभाशाली अजनबी नियमों को बहुत तेज़ी से सीख सकता है, लेकिन शुरुआत में नियमों में ढील क्यों दी गई थी, यह समझना एक बिल्कुल अलग चुनौती है। उपयोगी AI और बदलावकारी AI के बीच आम तौर पर फ़र्क इस बात से पड़ता है कि संगठन ने अपने कितने अनुभव सहेजकर रखे हैं, जिनसे AI सीख सके।

कई कंपनियों के पास अनुबंध प्रणालियाँ, मामलों के प्रबंधन के उपकरण, स्प्रेडशीट, ईमेल संग्रह और उद्यम के ज्ञान के अन्य स्रोत हैं, जो आपस में जुड़े नहीं हैं। AI एजेंट तैनात करने से पहले एकीकृत डेटा आधार होना कितना ज़रूरी है, और अपने डेटा को वास्तव में AI के लिए तैयार करने के लिए किसी संगठन को क्या करना चाहिए?

कानूनी कामकाज इसका बेहतरीन उदाहरण है कि यह क्यों मायने रखता है: अनुबंधों में संशोधन Word में किए जाते हैं, अनुमोदन ईमेल से मिलते हैं, फ़ैसले Slack पर होते हैं, और फिर AI को कामकाज से वास्तव में जोड़ने के बजाय दस्तावेज़ भंडार के ऊपर लगा दिया जाता है। बिखरी हुई प्रणाली के ऊपर AI लगा देने का मतलब है अराजकता तक तेज़ी से पहुँच।

जिन कंपनियों ने AI आने से पहले वास्तविक डेटा अवसंरचना तैयार करने और अपनी प्रणालियों को व्यवस्थित करने में कई साल लगाए, उन्हें अब AI से लाभ मिल रहा है। असल बात यही है। एक-दूसरे से असंबद्ध अनुबंध प्रणालियों, मामलों के प्रबंधन के उपकरणों, स्प्रेडशीट और ईमेल संग्रह के ऊपर एजेंटों का विस्तार करके भरोसेमंद नतीजों की उम्मीद नहीं की जा सकती। सबसे पहले इसकी बुनियाद तैयार होनी चाहिए: आपस में जुड़ी प्रणालियाँ, स्पष्ट पहुँच नियंत्रण और जोखिम के प्रति तय सहनशीलता। इनके बिना AI का विस्तार करने के बारे में सोचना भी संभव नहीं।

जब उद्यम यह तय कर रहे हों कि अपने AI अनुप्रयोग बनाएँ, विशेषज्ञ AI प्लेटफ़ॉर्म ख़रीदें या सामान्य प्रयोजन वाले मॉडल को मौजूदा प्रणालियों से जोड़ें, तो प्रौद्योगिकी के नेताओं को निर्माण, ख़रीद और एकीकरण के बीच चुनाव के बारे में कैसे सोचना चाहिए?

निर्माण बनाम ख़रीद सुनने में प्रौद्योगिकी से जुड़ा फ़ैसला लगता है। मेरे अनुभव में, असल में यह कानूनी कामकाज की परिपक्वता का सवाल है। बात इस बारे में है कि कानूनी टीम अपने कार्य को एक स्वतंत्र विभाग के रूप में कितनी गंभीरता से लेती है—जिसकी अपनी कार्यप्रणालियाँ, डेटा और संचालन मॉडल हों। परिपक्वता के इस पहलू को ठीक से संभाल लें, तो सही कानूनी AI रणनीति अक्सर अपने आप सामने आ जाती है।

निर्माण की बात करें तो, जिन गिनी-चुनी टीमों के पास सॉफ़्टवेयर कंपनी की तरह काम करने के संसाधन हैं, उनके लिए यह सही हो सकता है। मॉडल विकसित होते रहते हैं, अवसंरचना बदलती रहती है और यह काम कभी सचमुच पूरा नहीं होता। ज़्यादातर टीमों के लिए चुनौती इसे एक बार बनाना नहीं, बल्कि हमेशा बनाए रखना है।

ख़रीद की बात करें तो, ज़्यादातर टीमें इसी रास्ते पर चलती हैं, लेकिन “ख़रीदना” कोई एक विकल्प नहीं है। लोग कम-से-कम तीन अलग-अलग चीज़ों को एक ही श्रेणी में रख देते हैं। ChatGPT, Copilot और Claude जैसे व्यापक उपयोग वाले AI शक्तिशाली हैं, लेकिन वे अपने आप मामलों की संरचना, अनुरोध लेने की प्रक्रिया या अनुमोदन कार्यप्रणालियों को नहीं समझते। MCP जैसी किसी चीज़ के ज़रिए AI को किसी एक विशिष्ट समाधान से जोड़ना एक अहम प्रगति है, लेकिन उसकी समझ अब भी उसी एक प्रणाली में मौजूद जानकारी तक सीमित रहती है।

इससे भी बड़ा अवसर ऐसे AI में है जो यह समझता हो कि कानूनी कामकाज पूरे विभाग में किस तरह जुड़ा हुआ है—न कि केवल किसी एक उपकरण में क्या होता है। जब अनुरोध, मामले, अनुबंध, ख़र्च और ज्ञान एक ही जगह हों, तो AI पूरी तस्वीर के आधार पर तर्क कर सकता है, न कि उसके किसी एक हिस्से के आधार पर।

आपने LawVu में CTO और COO, दोनों भूमिकाएँ निभाई हैं, जिनमें प्रौद्योगिकी, संचालन, सुरक्षा और उत्पाद को अमल में लाने की ज़िम्मेदारी शामिल है। इस संयुक्त अनुभव ने तेज़ AI नवाचार और सुरक्षा, अनुपालन, विश्वसनीयता तथा उद्यम-स्तरीय जोखिम के बीच संतुलन बनाने के आपके तरीक़े को कैसे प्रभावित किया है?

मैं 2015 में LawVu में CTO के रूप में शामिल हुई और 2020 में COO की भूमिका संभाली। इस तरह मुझे प्रौद्योगिकी और संचालन, दोनों क्षेत्रों में काम करते हुए एक दशक से अधिक समय हो गया है।

इस मेल से एआई नवाचार और सुरक्षा व अनुपालन को देखने का आपका नज़रिया बदल जाता है, क्योंकि आप इन्हें अलग-अलग चर्चाओं के रूप में अनुभव नहीं करते। आंतरिक रूप से शासन, जोखिम और अनुपालन की ज़िम्मेदारी संभालने के साथ-साथ ऐसा प्लेटफ़ॉर्म बनाना, जो ग्राहकों को इन्हीं कामों का प्रबंधन करने में मदद करे, इसका मतलब है कि मैं नवाचार और सुरक्षा को एक के बाद एक आने वाले चरणों की तरह नहीं देख सकता। एक के बाद दूसरा नहीं आता—ये दोनों एक ही समय पर होते हैं, या फिर बिल्कुल नहीं होते। पहले दिन से हमारा हर ग्राहक सुरक्षा के संपूर्ण आकलन से गुज़रा है, और जब भी आप अपने तंत्र में कोई नया टूल जोड़ते हैं, तो उस डेटा से जुड़े जोखिमों का दायरा बढ़ जाता है। यह बात हमारे लिए भी उतनी ही सच है जितनी हमारे ग्राहकों के लिए। इसलिए, उस चीज़ को बनाना और उसके संचालन के तरीके के लिए जवाबदेह होना, आपको दोनों पहलुओं को एक साथ संभालने के लिए बाध्य करता है।

आगे की बात करें, तो आपके विचार में एजेंटिक एआई कॉरपोरेट कानूनी टीमों की भूमिका को कैसे बदलेगा? क्या आपको लगता है कि कानूनी विभाग मुख्य रूप से उत्पादकता बढ़ाने के लिए एआई का इस्तेमाल करेंगे, या समय के साथ वे पूरे उद्यम में चलने वाले काफी हद तक स्वायत्त कार्यप्रवाहों के पर्यवेक्षक बन सकते हैं?

जनरेटिव एआई ने चर्चा को मामूली दक्षता-वृद्धि से हटाकर इस बुनियादी पुनर्विचार की ओर मोड़ दिया है कि कानूनी काम कैसे किया जाता है और ऐसे दौर में संचालन का मॉडल कैसा होना चाहिए, जब दुनिया तेज़ी से एजेंटिक क्षमताओं की ओर बढ़ रही है। मैं एजेंटिक एआई को महज़ प्रचार का विषय नहीं, बल्कि एक ऐसे निष्पादन स्तर के रूप में देखता हूँ, जो उचित नियंत्रणों और सुरक्षा उपायों के साथ कानूनी टीमों को काम का प्रबंधन करने से आगे बढ़कर उसे सक्रिय रूप से पूरा करने में मदद कर सकता है।

अभी संगठनों में एक तरह का «प्रवेश-द्वार» बदलाव हो रहा है: कारोबारी उपयोगकर्ता तेज़ी से Microsoft Copilot या Claude जैसे टूल से शुरुआत कर रहे हैं। ऐसे में सवाल यह है कि कानूनी विभाग यह कैसे सुनिश्चित करे कि इन टूल के साथ होने वाली बातचीत सही प्रणालियों, सही डेटा और सही कार्यप्रवाहों से जुड़ी हो।

इसलिए मैं इसे उत्पादकता की परत बनाम पर्यवेक्षक की भूमिका के रूप में नहीं देखता, बल्कि एक क्रमिक विकास के रूप में देखता हूँ। शुरुआत में कानूनी टीमें अलग-अलग काम तेज़ी से करने के लिए एआई का इस्तेमाल करती हैं, लेकिन जैसे-जैसे एजेंटिक क्षमताएँ विकसित होती हैं, असली अवसर यह है कि कानूनी विभाग स्वयं निष्पादन स्तर की ज़िम्मेदारी संभाले और सिर्फ़ बेहतर शुरुआती मसौदे तेज़ी से तैयार करने के बजाय, नियंत्रित प्रणालियों के ज़रिए काम को सक्रिय रूप से पूरा करे।

इस शानदार साक्षात्कार के लिए धन्यवाद। जो पाठक आपस में जुड़े कानूनी परिचालन और नियंत्रित एआई कार्यप्रवाहों के बारे में जानना चाहते हैं, वे LawVu पर जाएँ।