Sobhan Daliry, CPO & AI रणनीति नेता Pipefy में – साक्षात्कार श्रृंखला

Sobhan Daliry, CPO & AI रणनीति नेता Pipefy में, एक अनुभवी प्रोडक्ट और तकनीक कार्यकारी हैं जिन्होंने 2023 से कंपनी की AI रणनीति का नेतृत्व किया है, पारंपरिक व्यावसायिक वर्कफ़्लो को अधिक बुद्धिमान और स्वायत्त प्रक्रियाओं में बदलने में मदद की है। अपने करियर के दौरान, Daliry ने स्टार्टअप और स्थापित कंपनियों में प्रोडक्ट रणनीति, संगठनात्मक परिवर्तन, और तकनीक नेतृत्व को संयोजित किया है। Pipefy में शामिल होने से पहले, उन्होंने Polen.me की स्थापना की और CEO के रूप में कार्य किया तथा NZN में CEO/CPO के रूप में पाँच से अधिक वर्षों तक काम किया, जहाँ उन्होंने कंपनी के पुनरुद्धार और प्रोडक्ट रणनीति का नेतृत्व किया। उनके पहले के पदों में PSafe में प्रोडक्ट मैनेजमेंट निदेशक, Peixe Urbano में प्रोडक्ट मैनेजर, और Oi/Telemar, Claro, AIRCOM International, और Planeta Tecnologia में डिजिटल सेवाएँ, दूरसंचार, परामर्श, और व्यापार विकास शामिल हैं।

Pipefy एक वैश्विक प्रक्रिया प्रबंधन और AI प्लेटफ़ॉर्म है जो संगठनों को व्यावसायिक वर्कफ़्लो को स्वचालित और व्यवस्थित करने में मदद करता है। 2015 में स्थापित, कंपनी ने एक नो-कोड प्रक्रिया स्वचालन प्लेटफ़ॉर्म से एक AI-केंद्रित ऑर्केस्ट्रेशन वातावरण में रूपांतरण किया है जो AI एजेंट, वर्कफ़्लो, फ़ॉर्म, पोर्टल, एप्लिकेशन, डेटा, विश्लेषण, मैसेजिंग, और इंटीग्रेशन को एक साथ लाता है। इसका प्लेटफ़ॉर्म टीमों को प्राकृतिक भाषा और नो-कोड टूल्स का उपयोग करके AI एजेंट बनाने और प्रबंधित करने की सुविधा देता है, जबकि एंटरप्राइज़ गवर्नेंस, सुरक्षा, और दृश्यता बनाए रखता है। Pipefy की AI क्षमताओं में ऐसे एजेंट शामिल हैं जो दस्तावेज़ों की व्याख्या कर सकते हैं, वर्कफ़्लो कार्यों को निष्पादित कर सकते हैं, निर्णय‑निर्धारण का समर्थन कर सकते हैं, बाहरी सिस्टम के साथ इंटरैक्ट कर सकते हैं, और वित्त, मानव संसाधन, प्रोक्योरमेंट, ग्राहक संचालन, और अनुपालन जैसे क्षेत्रों में प्रक्रियाओं को ऑर्केस्ट्रेट कर सकते हैं।

आपका करियर Claro और Oi जैसी कंपनियों में टेलीकॉम इंजीनियरिंग से शुरू होकर Peixe Urbano और PSafe में प्रोडक्ट नेतृत्व, NZN में CEO/CPO, Polen.me की स्थापना, और अब Pipefy में प्रोडक्ट और AI रणनीति का नेतृत्व तक पहुँच गया है। यह प्रगति आपको वास्तविक परिचालन समस्याओं को हल करने वाले AI उत्पाद बनाने के बारे में कैसे सोचने पर प्रभाव डालती है, न कि केवल नई तकनीक को प्रदर्शित करने पर?

टेलीकॉम ने मुझे सिखाया कि बुनियादी ढाँचा हर बार, बड़े पैमाने पर, बिना किसी “ज्यादातर काम करता है” के सहनशीलता के काम करना चाहिए। एक ड्रॉप्ड कॉल डेमो विफलता नहीं है, यह एक ग्राहक का दूर जाना है। यह मानसिकता — विश्वसनीयता पर नवीनता — कभी मुझसे नहीं गई। Peixe Urbano और PSafe में मैंने इसके विपरीत सबक सीखा: उपभोक्ता उत्पाद कितनी तेज़ी से जीवित या मरे होते हैं यह इस पर निर्भर करता है कि वे आज एक वास्तविक, महसूस किया गया समस्या हल करते हैं या नहीं, न कि सैद्धांतिक रूप से। NZN को CEO/CPO के रूप में चलाते हुए मुझे दोनों सत्य एक साथ धारण करने पड़े — आप एक खराब सिद्धांत को अधिक तेज़ी से लागू नहीं कर सकते, और आप खराब कार्यान्वयन को अधिक तेज़ी से सिद्ध नहीं कर सकते। Polen.me की स्थापना ने मुझे सबसे महँगा सबक सिखाया: पूँजी और समय सीमित हैं, इसलिए आप जो भी फीचर बनाते हैं वह वह फीचर है जो आप नहीं बनाते, और प्रभावशाली डेमो के पीछे भागने की लागत, वास्तविक वर्कफ़्लो के बजाय, महीनों बाद दिखाई देती है, मंच पर नहीं। जब मैं Pipefy तक पहुँचा, तो मैं हर AI फीचर के बारे में वही प्रश्न पूछता हूँ जो मैं सेल टावर के बारे में पूछता हूँ: क्या यह उत्पादन में, वास्तविक लोड के तहत, जब कोई देख नहीं रहा हो, टिकाऊ रहता है? यदि एक AI एजेंट केवल एक क्यूरेटेड डेमो वातावरण में काम करता है, तो वह उत्पाद नहीं है — वह केवल एक ट्रेलर है।

आपने 2023 से Pipefy की AI रणनीति का निर्माण और कार्यान्वयन किया है। प्रारम्भ में आपके पास एंटरप्राइज़ AI के बारे में कौन‑से अनुमान थे जो जनरेटिव AI और AI एजेंट के परिपक्व होने के साथ सबसे अधिक बदल गए?

सबसे बड़ा अनुमान जिसे मुझे खारिज करना पड़ा वह यह था कि मॉडल ही बाधा होगा। 2023 में, सभी — जिसमें मैं भी शामिल हूँ — “कौन सा LLM सबसे स्मार्ट है” के लिए अनुकूलन कर रहे थे। वास्तव में बाधा संदर्भ था: क्या एजेंट को पता है कि प्रक्रिया वास्तव में क्या है, सुरक्षा सीमाएँ क्या हैं, और इस विशिष्ट ग्राहक के खातों‑देय संस्करण के लिए “पूरा” कैसे दिखता है। मॉडल की गुणवत्ता सभी के देखे जाने वाले ग्राफ़ पर लगातार सुधरती रही; प्रक्रिया संदर्भ स्वयं नहीं सुधरा, क्योंकि किसी ने इसे संरचित नहीं किया था। दूसरा अनुमान जो बदल गया वह स्वायत्तता के बारे में था। मैंने माना कि बाजार उन एजेंटों को चाहता है जो पूरी तरह स्वतंत्र रूप से और जितनी जल्दी संभव हो कार्य करें। वास्तव में एंटरप्राइज़ — अभी भी — सीमित स्वायत्तता चाहते हैं: ऐसे एजेंट जो नियमों के भीतर वास्तविक निर्णय लेते हैं जिन्हें वे तोड़ नहीं सकते, और बाद में इसका प्रमाण देने वाला ट्रेल रखतें हैं। पूर्ण स्वायत्तता बिना गवर्नेंस के सिर्फ बेहतर UI के साथ जोखिम है, महत्वाकांक्षा नहीं। बाजार ने भरोसे की आवश्यकताओं पर क्षमता की कच्ची आवश्यकताओं से अधिक तेज़ी से परिपक्वता हासिल की, और इस क्रमबद्धता ने शुरुआत में मेरी सबसे बड़ी गलती को दर्शाया।

Pipefy तुलनात्मक रूप से सरल AI ऑटोमेशन और ऐसे AI एजेंटों के बीच अंतर करता है जो अस्पष्ट स्थितियों में तर्क कर सकते हैं, कई चरणों की योजना बना सकते हैं, और वर्कफ़्लो में कार्यों को निष्पादित कर सकते हैं। एंटरप्राइज़ को कैसे निर्धारित करना चाहिए कि कब कोई कार्य वास्तव में AI एजेंट की आवश्यकता रखता है और कब निर्धारक ऑटोमेशन बेहतर समाधान रहता है?

मैं जो परीक्षण उपयोग करता हूँ वह सरल है: यदि आप नियम लिख सकते हैं, तो नियम लिखें। नियतात्मक स्वचालन अभी भी उन सभी मामलों के लिए सही उत्तर है जहाँ निर्णय वृक्ष पहले से ज्ञात होता है और बदलता नहीं है — यदि इनवॉइस इस राशि से कम है तो इसे इस अनुमोदक को भेजें। यह कार्य एक एजेंट के लिए नहीं है, और इसके विपरीत दिखावा करना केवल विलंब और अनिश्चितता जोड़ता है उस चीज़ में जो पहले ही हल हो चुकी है। एक एजेंट को उसकी जगह तब मिलती है जब स्थिति में ऐसी अस्पष्टता हो जिसे एक स्थिर नियम हल नहीं कर सकता — इनवॉइस PO से बिल्कुल मेल नहीं खाता, कोई फ़ील्ड गायब है, ग्राहक की अनुरोध आपके मौजूदा श्रेणियों में फिट नहीं होता। यही वह जगह है जहाँ तर्कसंगतता का वास्तविक मूल्य है: जब “अगला” पहले से लिखा नहीं है, तब तय करना कि आगे क्या करना है। वह गलती जो मैं लगातार कंपनियों में देखता हूँ वह है 80% मामलों के लिए एजेंट बनाना जो पहले से ही नियतात्मक थे, क्योंकि यह अधिक आकर्षक लगता है, और अस्पष्ट 20% — वास्तविक कठिन भाग — को मानव को मैन्युअल रूप से सुलझाने के लिए छोड़ देना। यदि आप इस अनुपात को उलट दें तो आपने कुछ वास्तविक बनाया है।

स्टैंडअलोन कोपायलट से “एजेंटिक ऑर्केस्ट्रेशन” की ओर एक बढ़ता हुआ बदलाव हो रहा है, जहाँ AI कई सिस्टमों में फैले प्रक्रियाओं का समन्वय कर सकता है। वास्तविक एजेंटिक ऑर्केस्ट्रेशन को केवल मौजूदा ऑटोमेशन प्लेटफ़ॉर्म में एक बड़े भाषा मॉडल को जोड़ने से क्या अलग करता है?

एक मौजूदा ऑटोमेशन फ्लो में LLM नोड डालने से आपको एक अधिक समझदार एकल कदम मिलता है। वास्तविक ऑर्केस्ट्रेशन का अर्थ है कि AI को पूरे प्रक्रिया का निरंतर, संरचित दृश्य मिलता है — केवल इस कार्य नहीं, बल्कि यह क्रम में कहाँ स्थित है, अपस्ट्रीम में क्या हुआ है, डाउनस्ट्रीम में क्या सत्य होना चाहिए ताकि इसे पूर्ण माना जा सके। अंतर यह है कि बुद्धिमत्ता को प्रक्रिया की स्मृति है या केवल प्रॉम्प्ट की स्मृति। एक कोपायलट आपके पूछे प्रश्न का उत्तर देता है। ऑर्केस्ट्रेशन उन सिस्टमों के बीच क्रिया का समन्वय करता है जो स्वाभाविक रूप से आपस में बात नहीं करते — आपका ERP, आपका CRM, एक पार्टनर का API — जबकि वही नियम, अनुमतियां और ऑडिट ट्रेल विरासत में लेता है जिस पर बाकी प्रक्रिया पहले से चल रही है। यदि आपको अपने AI फीचर के चारों ओर एक अलग गवर्नेंस लेयर बनानी पड़ती है क्योंकि नीचे का ऑटोमेशन प्लेटफ़ॉर्म इसमें नहीं है, तो आपके पास एजेंटिक ऑर्केस्ट्रेशन नहीं है — आपके पास API एक्सेस वाला एक चैटबॉट है, और उनका जोखिम प्रोफ़ाइल बिल्कुल अलग है।

नो-कोड AI एजेंट संभावित रूप से व्यावसायिक टीमों को इंजीनियरिंग संसाधनों की प्रतीक्षा किए बिना अधिक जटिल प्रक्रियाओं को स्वचालित करने की अनुमति दे सकते हैं। आप इस क्षमता को लोकतांत्रिक कैसे बनाते हैं बिना शैडो AI की नई पीढ़ी, खराब डिज़ाइन किए गए एजेंट या सुरक्षा जोखिमों को उत्पन्न किए?

आप व्यवसाय उपयोगकर्ताओं को अधिक सावधान रहने को कहकर सुरक्षित लोकतांत्रिकरण नहीं प्राप्त करते — आप इसे इस तरह प्राप्त करते हैं कि

गार्डरेल्स को पथ के हिस्से के रूप में बनाना, न कि एक अलग लेन जिसे लोगों को चुनकर चलना पड़े। प्रत्येक एजेंट जिसे एक व्यवसाय उपयोगकर्ता बनाता है, वही रोल-आधारित एक्सेस, वही ऑडिट ट्रेल, और वही व्यवसाय नियम विरासत में प्राप्त करता है जो पहले से ही उस प्रक्रिया को नियंत्रित करते हैं जिसमें यह निर्मित है — ये वैकल्पिक कॉन्फ़िगरेशन नहीं, बल्कि संरचनात्मक हैं। यही शैडो AI का वास्तविक उत्तर है: यह नीति समस्या नहीं, बल्कि वास्तु समस्या है। शैडो AI तब उत्पन्न होता है जब स्वीकृत उपकरण अस्वीकृत उपकरण से उपयोग में अधिक कठिन हो, इसलिए लोग अपना एजेंट व्यक्तिगत ChatGPT खाते या किसी यादृच्छिक ऑटोमेशन टूल में बनाते हैं जिसमें IT के लिए कोई दृश्यता नहीं होती। यदि नो-कोड अनुभव वास्तव में तेज़ है और गवर्नेंस स्वचालित होने के कारण अदृश्य है, तो व्यवसाय टीम के पास इसे बायपास करने का कोई कारण नहीं रहता। जिस क्षण आप गवर्नेंस को एक मैनुअल कदम बनाते हैं जिसे किसी को याद रखना पड़ता है, आप पहले ही हार चुके होते हैं।

जैसे AI एजेंट केवल सिफ़ारिश करने के बजाय निर्णय लेने और कार्यों को निष्पादित करने की क्षमता प्राप्त करते हैं, संगठनों को यह कैसे तय करना चाहिए कि पूर्ण स्वायत्तता कहाँ उपयुक्त है और कहाँ मानव को लूप में रहना चाहिए?

मैं जिस धुरी का उपयोग करता हूँ वह “एजेंट कितना स्मार्ट है” नहीं है, बल्कि उलटने की क्षमता और प्रभाव क्षेत्र है। यदि कोई गलत निर्णय पता लगाने में सस्ता और उलटने में सस्ता है — जैसे रूटिंग, वर्गीकरण, ड्राफ्टिंग — तो एजेंट को कार्य करने दें और सामूहिक रूप से समीक्षा करें। यदि कोई गलत निर्णय महंगा है, उलटना कठिन है, या सीधे पैसे, अनुपालन, या ग्राहक संबंध को प्रभावित करता है, तो उस विशिष्ट चरण के लिए मानव को लूप में रखें, भले ही एजेंट ने पिछले हजार निर्णय सही किए हों। गलती यह है कि स्वायत्तता को एक ही डायल मान लिया जाए जिसे आप पूरे वर्कफ़्लो के लिए बढ़ाते हैं। वास्तविक प्रक्रियाएँ विभिन्न जोखिम प्रोफ़ाइल वाले चरणों की श्रृंखला होती हैं, और सही डिज़ाइन मानव को ठीक उसी चरण पर रखता है जहाँ गलती महंगी होती है — न हर जगह और न कहीं नहीं। यही कारण है कि सही ढंग से लागू किया गया ह्यूमन‑इन‑द‑लूप गति पर कर नहीं है — यह वह तरीका है जिससे आप आत्मविश्वास बनाते हैं कि अंततः इसे कम‑जोखिम वाले चरणों से हटा दिया जाए, क्योंकि आपके पास साक्ष्य होते हैं जो साबित करते हैं कि एजेंट कौन‑से निर्णय लगातार सही करता है।

Pipefy ऑडिट ट्रेल, रोल‑आधारित एक्सेस कंट्रोल, व्यवसाय नियम, और वर्कफ़्लो के भीतर ट्रेसेबिलिटी जैसे तंत्रों के माध्यम से गवर्नेंस पर ज़ोर देता है। क्या कंपनियों के AI एजेंटों को प्रयोग से उत्पादन में ले जाने के साथ गवर्नेंस को सीधे ऑर्केस्ट्रेशन लेयर में एम्बेड करना आवश्यक बन रहा है?

यह आवश्यक बनना नहीं है — यह पहले से ही आवश्यक है, और जो कंपनियाँ इसे कठिन तरीके से समझ रही हैं, वे वही हैं जिन्होंने एजेंटों को पहले प्रोडक्शन में भेजा और अब वास्तविकता के बाद ऑडिट ट्रेल बना रही हैं। यह उल्टा है, और इसे बाद में ठीक करना महंगा पड़ता है। यदि ऑडिट ट्रेल, रोल-आधारित एक्सेस और ट्रेसबिलिटी ऑर्केस्ट्रेशन लेयर में मूल रूप से नहीं हैं, तो हर नया एजेंट जिसे आप तैनात करते हैं, शासन के लिए एक नया बिंदु बन जाता है जहाँ यह चुपचाप विफल हो सकता है — और आपको यह तब तक नहीं पता चलेगा जब तक कि कोई ऑडिटर, नियामक, या कोई घटना इस प्रश्न को नहीं उठाती। ऑर्केस्ट्रेशन लेयर में शासन को एम्बेड करने का मतलब है कि एजेंट द्वारा ली गई हर कार्रवाई स्वचालित रूप से वही नियम अपनाती है और वही प्रमाण छोड़ती है जैसा कि एक मानव कार्रवाई करती, बिना किसी को अलग से इसे कॉन्फ़िगर करने की याद रखनी पड़े। AI प्रयोगों से AI प्रोडक्शन में जाने वाली कंपनियाँ यह खोज रही हैं कि पायलट की सफलता मानदंड और प्रोडक्शन की सफलता मानदंड अलग हैं: पायलट को काम करना चाहिए, प्रोडक्शन को ठोस होना चाहिए। शासन ही इन दो मानकों के बीच अंतर है।

कई कंपनियाँ प्रभावशाली AI पायलट दिखा सकती हैं लेकिन इसे मापने योग्य व्यावसायिक मूल्य में बदलने में संघर्ष करती हैं। जब यह निर्धारित किया जा रहा हो कि AI ऑटोमेशन पहल वास्तव में ROI दे रही है या नहीं, तो नेताओं को किन मीट्रिक पर ध्यान देना चाहिए, और आशाजनक पायलटों के स्केल न हो पाने के सबसे सामान्य कारण क्या हैं?

मैं किसी भी AI ROI चर्चा पर भरोसा नहीं करता जो “बचे हुए घंटे” से शुरू होती है, क्योंकि यह घंटे किसने बचाए, कैसे सत्यापित किए? वह मीट्रिक जो वास्तव में CFO की जाँच में टिकते हैं, वे ऐसे हैं जिन्हें ऑडिटर स्वतंत्र रूप से पुष्टि कर सकते हैं: किसी विशिष्ट प्रक्रिया का साइकिल टाइम, पहले और बाद में; त्रुटि या पुनःकार्य दर; वह प्रतिशत जो अब बिना मानव स्पर्श के वर्कफ़्लो को पूरा करता है; और ऑडिट लाइनएज कवरेज — क्या आप दिखा सकते हैं, हर एजेंटिक निर्णय के लिए, वह क्यों लिया गया। यदि आप वह ट्रेल नहीं बना सकते, तो आपके पास ROI संख्या नहीं है, आपके पास केवल एक कहानी है। पायलट अक्सर स्केल नहीं कर पाते क्योंकि वे मॉडल के काम करने को साबित करने के लिए बनाए गए थे, न कि प्रक्रिया के अंत‑से‑अंत तक काम करने को, प्रोडक्शन में, उन सिस्टमों के साथ एकीकृत करने को जो कंपनी के बाकी हिस्सों पर निर्भर हैं। एक पायलट जो सैंडबॉक्स में रहता है, वास्तविक रिकॉर्ड सिस्टम से अलग रहता है, हमेशा बेहतर दिखेगा बनिस्बत उसके वास्तविक प्रदर्शन के, जब इसे सभी मौजूदा सिस्टमों से जोड़ा जाएगा। स्केल एक सिस्टम‑इंटीग्रेशन समस्या है जो AI का पोशाक पहन रही है।

आपने Pipefy में नई AI क्षमताओं को पेश करते हुए संगठनात्मक परिवर्तन पहलों का भी नेतृत्व किया है। आपके अनुभव से, सफल एंटरप्राइज़ AI अपनाने में तकनीकी चुनौती बनाम प्रक्रिया, संस्कृति और परिवर्तन‑प्रबंधन चुनौती का कितना प्रतिशत योगदान है?

यदि मैं ईमानदार हूँ, तो सफल एंटरप्राइज़ AI अपनाना 20% तकनीक और 80% बाकी सब है। तकनीक अब अधिकांशतः काम करती है — यही वह जगह नहीं है जहाँ मैं नींद खोता हूँ। वास्तव में यह निर्धारित करता है कि AI पहल टिकती है या नहीं, यह इस बात पर निर्भर करता है कि जिन लोगों की नौकरी बदल रही है, वे सिस्टम पर इतना भरोसा करते हैं कि वे दस वर्षों से कर रहे मैन्युअल चेक को छोड़ दें, और क्या नेतृत्व प्रक्रिया को फिर से डिजाइन करने को तैयार है, न कि केवल पुराने सिस्टम पर AI चिपकाने को। हमने यह आंतरिक रूप से अपने इंजीनियरिंग टूलिंग बनाते हुए अनुभव किया — सॉफ़्टवेयर बनाने के कुछ हिस्सों को स्वचालित करने की तकनीक टीम के हाथ से सब कुछ दोबारा जांचने से पहले ही मौजूद थी, लेकिन टीम ने तब तक भरोसा नहीं किया जब तक कि वह पर्याप्त रूप से भरोसेमंद न हो गई। अनलॉक बेहतर मॉडल नहीं था, बल्कि यह स्पष्ट प्रमाण था, जो कई बार दोहराया गया, कि सिस्टम का निर्णय उनके निर्णयों से मेल खाता है। AI के लिए परिवर्तन‑प्रबंधन कोई संचार अभ्यास नहीं है, यह साक्ष्य‑संकलन अभ्यास है — आप छोटे, सत्यापित बैचों में भरोसा अर्जित करते हैं, आप इसे टाउन हॉल में घोषित नहीं करते।

आगे देखते हुए, क्या आप उम्मीद करते हैं कि पारंपरिक वर्कफ़्लो और बिज़नेस प्रोसेस सॉफ़्टवेयर ऑर्केस्ट्रेशन लेयर्स में विकसित होंगे जहाँ मनुष्य, AI एजेंट और एंटरप्राइज़ सिस्टम निरंतर सहयोग करेंगे? यदि हाँ, तो कंपनियों के संचालन को डिजाइन और प्रबंधित करने के तरीके में मूलतः क्या परिवर्तन आएगा?

हाँ, और मेरा मानना है कि यह परिवर्तन अधिकांश लोगों की अपेक्षा से अधिक बड़ा है। पहले वर्कफ़्लो सॉफ़्टवेयर वह जगह थी जहाँ आप दस्तावेज़ बनाते थे कि काम कैसे होना चाहिए। अब यह वह जगह बन रहा है जहाँ काम वास्तव में होता है — एक लाइव रनटाइम जहाँ मनुष्य, एजेंट और एंटरप्राइज़ सिस्टम सभी एक ही शासित प्रक्रिया के भीतर एक साथ कार्य कर रहे हैं, बजाय इसके कि कोई मानव बाद में सॉफ़्टवेयर को एक निष्क्रिय रिकॉर्ड‑कीपर के रूप में उपयोग करे। मूल रूप से जो बदलता है वह है “रिकॉर्ड सिस्टम” का वास्तविक स्थान। पहले रिकॉर्ड एक डेटाबेस होता था जो तब अपडेट होता था जब कुछ बाहर से पहले ही हो चुका होता था। एक ऑर्केस्ट्रेशन लेयर में, रिकॉर्ड और निष्पादन एक ही चीज़ होते हैं — प्रक्रिया स्वयं इंटरफ़ेस बन जाती है, जो केवल स्क्रीन के माध्यम से नहीं बल्कि API, MCP सर्वर, CLI के माध्यम से भी उपलब्ध होती है, ताकि कोई भी एजेंट, चाहे वह आंतरिक हो या साझेदार का, उसी नियमों के तहत उसमें कार्य कर सके जैसा कि एक मानव करता। जो कंपनियाँ इस परिवर्तन को “मेरे मौजूदा टूल्स में AI जोड़ें” के रूप में देखती हैं, वे पहले बताई गई सीमा को बार‑बार छूती रहेंगी। जो अपनी प्रक्रिया लेयर को वास्तविक उत्पाद — सही ढंग से संरचना में निवेश योग्य चीज़ — के रूप में मानते हैं, वही लोग ऐसा लाभ प्राप्त करेंगे जिसे केवल समान AI मॉडल खरीद कर कोई भी नहीं दोहरा सकता।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Pipefy पर जाना चाहिए।