साक्षात्कार
Victor Coimbra, Artefact में CTO और मैनेजिंग पार्टनर – साक्षात्कार शृंखला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
मुख्य बिंदुPilots stall because AI is added to organizations designed for humans only.
और देखें
- Pilots stall because AI is added to organizations designed for humans only.
- Companies should buy generalist harnesses but build industry-specific ones and own their context.
- Agents excel at work built on existing information while humans own creativity and judgment.
Victor Coimbra Artefact में CTO और मैनेजिंग पार्टनर हैं, जहाँ वे पूरे अमेरिकी महाद्वीप में AI, डेटा साइंस और इंजीनियरिंग से जुड़े काम का नेतृत्व करते हैं। उनके करियर में Bain और Accenture में व्यावसायिक रणनीति का अनुभव और जटिल उद्यम परिवेशों में AI तथा मशीन लर्निंग प्रणालियों को लागू करने का व्यावहारिक नेतृत्व—दोनों शामिल हैं। वे संगठनों को तकनीकी क्षमताओं को मापने योग्य व्यावसायिक नतीजों से जोड़ने में मदद करने पर ध्यान देते हैं। इसमें AI को बड़े पैमाने पर लागू करने के लिए ज़रूरी संरचना, शासन-व्यवस्था और संचालन मॉडल भी शामिल हैं।
Artefact डेटा और AI परामर्श देने वाली एक वैश्विक कंपनी है, जो उद्यमों को रणनीतियाँ विकसित करने, डेटा प्लेटफ़ॉर्म बनाने, AI समाधान लागू करने और संगठनात्मक बदलावों का प्रबंधन करने में मदद करती है। इसका काम वित्तीय सेवाओं, स्वास्थ्य सेवा, विनिर्माण और खुदरा कारोबार सहित कई उद्योगों में फैला है। 3–4 दिसंबर, 2026 को पेरिस के Grand Palais में होने वाले Adopt AI Summit से पहले, Coimbra चर्चा करते हैं कि उद्यम पायलट परियोजनाओं से आगे कैसे बढ़ सकते हैं, लोगों और AI एजेंटों को साथ लेकर काम करने वाली टीमें कैसे बना सकते हैं और वास्तविक उत्पादन में AI के मूल्य को कैसे माप सकते हैं।
आपका करियर Accenture में व्यावसायिक रणनीति से लेकर अमेरिकी महाद्वीप में Artefact की AI, डेटा साइंस और इंजीनियरिंग टीमों का नेतृत्व करने तक फैला है। रणनीतिक परामर्श और तकनीकी काम के व्यावहारिक नेतृत्व के इस मेल ने उद्यमों को AI में किए गए निवेश से मापने योग्य व्यावसायिक नतीजे हासिल करने में मदद करने के आपके तरीके को कैसे आकार दिया है?
इससे मैंने सीखा कि AI रणनीति को हमेशा उसके कार्यान्वयन से जोड़कर देखना चाहिए। Bain और Accenture में रणनीति के काम ने मुझे सिखाया कि अधिकारी लाभ-हानि विवरण की किसी मद में बदलाव के लिए निवेश करते हैं। इंजीनियरिंग ने मुझे सिखाया कि स्लाइड पर दिखाए गए वादे और वास्तविक उत्पादन के बीच इस मूल्य का बड़ा हिस्सा खो सकता है।
आज AI का संबंध तकनीक से कम और अपने मुख्य व्यावसायिक संचालन के इर्द-गिर्द एक मज़बूत प्रतिस्पर्धी बढ़त बनाने से ज़्यादा है। अहम सवाल यह है कि अलग-अलग लोगों की उत्पादकता को पूरे उद्यम के सामूहिक मूल्य में कैसे बदला जाए, ताकि कंपनी में साझा संज्ञानात्मक क्षमता वास्तव में विकसित हो।
इसके लिए रणनीति और कार्यान्वयन, दोनों का मेल ज़रूरी है; दोनों क्षेत्रों में काम करके मैंने इस बारे में बहुत कुछ सीखा।
कृत्रिम बुद्धिमत्ता में भारी निवेश के बावजूद, कई संगठनों को सफल पायलट परियोजनाओं से आगे बढ़ने में अब भी कठिनाई होती है। आपके अनुभव में, उद्यमों में AI पहलों को वास्तविक उत्पादन तक पहुँचने से रोकने वाली सबसे आम बाधाएँ क्या हैं, और सफलतापूर्वक अपने अनुप्रयोगों का विस्तार करने वाली कंपनियाँ दूसरों से किस तरह अलग होती हैं?
मेरे अनुभव में, कई पायलट परियोजनाएँ इसलिए ठहर जाती हैं क्योंकि AI को ऐसे संगठन में जोड़ा जाता है, जिसे केवल इंसानों के काम करने के लिए बनाया गया था। तकनीक आम तौर पर काम करती है। अक्सर यह तय करना बाकी रह जाता है कि काम कैसे बाँटा जाए: कौन-से काम एजेंटों को सौंपे जाएँ, कौन-से इंसान करें, समीक्षा कौन करे और नतीजे की ज़िम्मेदारी किसकी हो।
इसके अलावा, तीन ज़रूरतें अक्सर विस्तार की रफ़्तार धीमी कर देती हैं: उपयोग के साथ बढ़ने वाले मूल्य-निर्धारण में टोकन की लागत का तेज़ी से बढ़ना, सुरक्षा और शासन-व्यवस्था, और ऐसा अंगीकरण जिसमें लोगों को पहुँच तो मिलती है, लेकिन वे वास्तव में उसका उपयोग नहीं करते।
मेरी नज़र में, जो कंपनियाँ सफलतापूर्वक विस्तार करती हैं, वे AI को संगठन के कामकाज के नए सिरे से डिज़ाइन के रूप में देखती हैं। वे कार्यान्वयन को दो चक्रों में बाँटती हैं। भीतरी चक्र में एजेंट शुरू से अंत तक काम करते हैं: कोड लिखना, निर्माण करना, परीक्षण करना, आगे भेजना और समीक्षा करना। बाहरी चक्र में इंसान उद्देश्य तय करते हैं, नतीजे की पुष्टि करते हैं और लागत तथा गुणवत्ता पर नज़र रखते हैं। फिर वे एक साझा प्लेटफ़ॉर्म बनाते हैं और हर उपयोग के मामले में उसका दोबारा इस्तेमाल करते हैं।
आपने मौजूदा प्रणालियों में सिर्फ़ चैटबॉट और कोपायलट जोड़ने के बजाय AI को केंद्र में रखकर संगठन बनाने के महत्व पर लिखा है। इस बदलाव को संभव बनाने के लिए उद्यमों की तकनीकी संरचना में कौन-से बुनियादी परिवर्तन ज़रूरी हैं, और फ़िलहाल कारोबार किन क्षेत्रों में ज़रूरत से कम निवेश कर रहे हैं?
AI-केंद्रित कंपनी एक प्लेटफ़ॉर्म पर चलती है, और यह प्लेटफ़ॉर्म चार परतों से मिलकर बनता है: कार्य-ढाँचा, संदर्भ, मॉडल और अवसंरचना। कार्य-ढाँचा वह जगह है जहाँ इंसान और एजेंट मिलकर काम करते हैं; इसमें मॉडल के चारों ओर बना पूरा अनुप्रयोग शामिल है। संदर्भ तय करता है कि एजेंट क्या जानते हैं और उनके पास कितने अधिकार हैं। मॉडल यह तय करता है कि मॉडलों तक कैसे पहुँचा जाएगा, उन्हें किस ओर भेजा जाएगा और उचित लागत पर उनका शासन कैसे किया जाएगा। अवसंरचना वह जगह है जहाँ वे वास्तव में चलते हैं, और जहाँ यह तय होता है कि कुंजियाँ किसके पास होंगी।
स्वाभाविक रूप से, ज़्यादातर ध्यान दिखने वाले 20% हिस्से—कोपायलट और चैट टूल—पर जाता है। छिपे हुए 80% हिस्से में इंजीनियरिंग का अधिकांश काम होता है, और यहीं लागत, सुरक्षा तथा नियंत्रण तय होते हैं।
मेरा सुझाव सरल है। सामान्य उपयोग के कार्य-ढाँचे खरीदें और उद्योग-विशेष के कार्य-ढाँचे खुद बनाएँ। मॉडलों और अवसंरचना को किराये पर लेकर उनके साथ प्रयोग करें, क्योंकि उनमें हर तिमाही बदलाव होता है। और अपने संदर्भ पर पूरा नियंत्रण रखें। यही वह परत है जो पूरी तरह आपकी अपनी है और जिसमें मुझे निवेश बढ़ाने का सबसे बड़ा अवसर दिखता है।
जैसे-जैसे AI कर्मचारियों की सहायता करने से आगे बढ़कर जटिल कार्यप्रवाहों को स्वायत्त रूप से पूरा करने लगा है, संगठनों को कैसे तय करना चाहिए कि कौन-सी प्रक्रियाएँ एजेंटों के ज़रिए स्वचालित करने के लिए उपयुक्त हैं? AI एजेंटों को निर्णय लेने के अधिक अधिकार देने से पहले कौन-से तकनीकी और संचालन-संबंधी सुरक्षा उपाय स्थापित किए जाने चाहिए?
मेरी समझ में, एजेंट उन कामों में बहुत अच्छे हैं जिनका रुख अतीत की ओर होता है, जबकि इंसान उन कामों में बेहतर हैं जिनका रुख भविष्य की ओर होता है। मौजूदा जानकारी पर आधारित कामों में एजेंट उत्कृष्ट हैं—जैसे विश्लेषण, कोडिंग, परीक्षण, दस्तावेज़ीकरण और मिलान। रचनात्मकता की ज़रूरत वाले काम इंसानों के ज़िम्मे होते हैं; परिभाषा के अनुसार रचनात्मकता भविष्य की ओर देखती है: रुचि-बोध, दृष्टि, योजना बनाना, निर्णय लेना और यह परखना कि कोई नतीजा वास्तव में अच्छा है या नहीं।
व्यवहार में, यह काम के दो चक्रों में बँट जाता है। एजेंट भीतरी चक्र में काम पूरा करते हैं। इंसान बाहरी चक्र संभालते हैं: उद्देश्य तय करना, पुष्टि करना और निगरानी करना।
सुरक्षा उपायों को डिज़ाइन किया जाता है, केवल प्रॉम्प्ट में नहीं बताया जाता। हम नियंत्रण-ढाँचे की 6 परतें इस्तेमाल करते हैं: कार्य का अभिलेखन, स्मृति, सैंडबॉक्स वाले रनटाइम और अनुमतियों से युक्त सुरक्षित कार्यक्षेत्र, चेकपॉइंट और स्पष्टीकरणों वाला एक चक्र, मॉडल रूटिंग, और ऐसे सुरक्षा-नियम जो तय करते हैं कि कोई एजेंट अकेले क्या नहीं कर सकता—जैसे मानव अनुमोदन, नीति-जाँच और व्यक्तिगत पहचान योग्य जानकारी (PII) पर नियंत्रण। फिर, नए कर्मचारी की तरह, उसका स्वायत्तता स्तर उसके काम के रिकॉर्ड के आधार पर बढ़ता है।
आपने AI एजेंटों को पारंपरिक सॉफ़्टवेयर टूल के बजाय टीम के साथियों के रूप में वर्णित किया है। यह नज़रिया संगठनों के टीमों की संरचना तय करने, ज़िम्मेदारियाँ बाँटने और कर्मचारियों को लगातार अधिक स्वायत्त AI प्रणालियों के साथ मिलकर काम करने का प्रशिक्षण देने के तरीके को कैसे बदलता है?
हम पहले से ही ऐसे संगठनों में काम कर रहे हैं जहाँ इंसान और एजेंट साथ काम करते हैं। अब मेरे लिए सबसे अहम सवाल यह है कि कार्यबल को इंसानों और एजेंटों के बीच कैसे बाँटा जाए। मेरा मानना है कि विस्तार करने की कुंजी यही है।
मिश्रित टीम में संगठनात्मक ढाँचा कर्मचारियों की संख्या नहीं, बल्कि संज्ञानात्मक क्षमता बाँटता है। एक परिपक्व तकनीकी टीम में मैं आम तौर पर काम का बँटवारा इस तरह देखता हूँ: 15% काम केवल इंसान करते हैं, 25% काम में उन्हें सहायता मिलती है और 60% काम एजेंट करते हैं। आईटी प्रमुख लक्ष्य तय करता है, क्षमता आवंटित करता है और नतीजों तथा लागत की ज़िम्मेदारी लेता है। वरिष्ठ डेवलपर एजेंटों के काम की पुष्टि करता है और आर्किटेक्चर पर निर्णय लेता है। एक ऑर्केस्ट्रेटर एजेंट कार्यों को उचित जगह भेजता है और लागत की रिपोर्ट देता है, जबकि एक समीक्षा एजेंट हर काम की जाँच करता है।
ये लाभ 3 चरणों में बढ़ते जाते हैं। सहायता से काम करने वाले कर्मचारी लगभग 5 गुना अधिक काम करते हैं। शुरू से अंत तक काम करने वाले कृत्रिम कर्मचारियों के रूप में एजेंट लगभग 10 गुना अधिक काम करते हैं। मेरा मानना है कि दोनों को एक ही कार्यबल के रूप में संचालित करने में 1000 गुना क्षमता निहित है।
प्रशिक्षण भी इसी तर्क पर आधारित है। लोग किसी एजेंट को कनिष्ठ इंजीनियर की तरह स्पष्ट नतीजों और सुव्यवस्थित संदर्भ के साथ काम सौंपना सीखते हैं, ताकि वे अपना समय परख, योजना और निर्णय लेने में लगा सकें।
एंटरप्राइज़ AI प्रणालियाँ भरोसेमंद डेटा इन्फ्रास्ट्रक्चर पर बहुत निर्भर करती हैं, फिर भी कई संगठनों को बिखरे हुए डेटा, असंगत शासन और पुरानी तकनीक से जूझना पड़ता है। एजेंटिक AI के लिए अपने डेटा प्लेटफ़ॉर्म तैयार करते समय कारोबारों को किन बुनियादी क्षमताओं को प्राथमिकता देनी चाहिए, और मौजूदा संचालन में बाधा डाले बिना वे उनका आधुनिकीकरण कैसे कर सकते हैं?
अपने डेटा प्लेटफ़ॉर्म को एक नए तरह के उपयोगकर्ता—एजेंटों—के लिए तैयार करें। डैशबोर्ड में कोई संख्या गलत हो, तो इंसान उस पर सवाल उठाता है। लेकिन गलत संख्या वाला एजेंट उसी के आधार पर बड़े पैमाने पर कार्रवाई करता है।
4 क्षमताओं को प्राथमिकता दें। साझा व्यावसायिक परिभाषाएँ, ताकि हर एजेंट और टीम के लिए “सक्रिय ग्राहक” का एक ही अर्थ हो। प्रमाणीकरण और MCP जैसे मानक प्रोटोकॉल वाला एकीकरण गेटवे, ताकि एजेंट उस भूमिका की अनुमतियों के तहत डेटा तक पहुँचें जिसका वे प्रतिनिधित्व करते हैं। गुणवत्ता और डेटा की उत्पत्ति का पता लगाने की सुविधा। साथ ही, असंरचित डेटा को भी एक प्रमुख परिसंपत्ति मानें, क्योंकि अनुबंधों, टिकटों और बैठक के नोट्स में ही अधिकांश वास्तविक जानकारी होती है।
बिना बाधा डाले आधुनिकीकरण करने के लिए, पहले पुरानी प्रणालियों के ऊपर एक आवरण तैयार करें और फिर प्रत्येक उपयोग के मामले को अलग-अलग स्थानांतरित करें। एजेंट इस क्षेत्र की अर्थव्यवस्था भी बदल रहे हैं। अब कई एजेंटों वाली माइग्रेशन पाइपलाइनें कुछ ही महीनों में पुरानी प्रणालियों के सैकड़ों हज़ार कोड-पंक्तियों का आधुनिकीकरण कर सकती हैं, जबकि आर्किटेक्चर के फैसले इंसान लेते हैं।
संरचित डेटा तक पहुँच के अलावा, AI एजेंटों को संस्थागत ज्ञान, व्यावसायिक प्रक्रियाओं और संगठनात्मक संदर्भ की समझ भी लगातार अधिक चाहिए। उद्यम इस ज्ञान को प्रभावी ढंग से कैसे संकलित करके अपनी AI प्रणालियों में शामिल कर सकते हैं, और पर्याप्त व्यावसायिक संदर्भ के बिना काम करने पर एजेंटों से कौन-से जोखिम पैदा हो सकते हैं?
संदर्भ ही किसी मॉडल को सहकर्मी में बदलता है। टूल कार्यों को समझते हैं, जबकि एजेंट संदर्भ को समझते हैं। आप किसी कनिष्ठ इंजीनियर को लक्ष्य, सीमाएँ और अच्छे काम के मानदंड बताए बिना काम नहीं सौंपेंगे; एजेंट के साथ भी यही बात लागू होती है।
बड़े दस्तावेज़ीकरण प्रोजेक्टों के बजाय, काम के दौरान ही ज्ञान संकलित करें—ऐसे प्रोजेक्टों के दस्तावेज़ों को अद्यतन रखना मुश्किल होता है। हर बैठक, टिकट, निर्णय और सुधार एक संदर्भ-स्तर में जानकारी जोड़ता है, जो फ़ाइलों, तालिकाओं, वेक्टरों और संबंधों के ग्राफ़ को एक साथ जोड़ता है। हर पूरा हुआ कार्य जानकारी को वापस स्मृति में दर्ज करता है, जिससे संगठन हर काम के साथ सीखता है। और संदर्भ के लिए भी अपना शासन ज़रूरी है: मूल्यांकन, अनुमतियाँ और लागत नियंत्रण।
संदर्भ न होने पर एजेंटों को कुछ अनुमानित समस्याएँ आती हैं। वे लिखित नियम का पालन करते हैं, लेकिन उस अलिखित नियम को नहीं समझ पाते जिसे हर कोई जानता है। वे गलत जानकारी खोजते हैं और पूरे भरोसे के साथ जवाब देते हैं। वे पिछली तिमाही के तथ्यों के आधार पर काम करते हैं। और कड़ी अनुमतियों के बिना संदर्भ-स्तर संवेदनशील डेटा को जोखिम में डाल सकता है।
कई कंपनियाँ AI की सफलता को उत्पादकता में सुधार, अपनाने की दर या शुरू की गई पायलट परियोजनाओं की संख्या के आधार पर मापती हैं। CIO और कारोबारी नेताओं को वास्तविक AI निवेश पर लाभ का आकलन करने के लिए किन मापदंडों का इस्तेमाल करना चाहिए—खासकर तब, जब इन्फ्रास्ट्रक्चर की लागत, लगातार रखरखाव और स्वायत्त एजेंटों के संचालन की जटिलता को भी ध्यान में रखना हो?
टूल को नहीं, इंसानों और एजेंटों से बने कार्यबल को मापें। अपनाने की दर 4 स्तरों में से केवल पहला है; हर स्तर का आकलन, लागू करने से पहले तय की गई आधाररेखा के मुकाबले करें। अपनाने का स्तर यह पूछता है कि लोग इसका उपयोग कर रहे हैं या नहीं। उत्पादकता यह देखती है कि काम कितनी तेज़ी से पूरा हो रहा है: काम पूरा होने में लगा समय, कार्य-क्षमता और समाधान का समय। गुणवत्ता यह देखती है कि नतीजे बेहतर हैं या नहीं: उत्पादन में पहुँच जाने वाली त्रुटियाँ, बदलावों की विफलता दर और दोबारा किया गया काम। मूल्य और लागत यह देखते हैं कि इसका लाभ लागत के लायक है या नहीं: बचा हुआ श्रम, बाज़ार तक पहुँचने का समय और प्रति कार्य की कुल लागत।
एक ऐसा मापदंड जिस पर आसानी से ध्यान नहीं जाता, वह है टीम-दर-टीम इंसानों और एजेंटों के बीच संज्ञानात्मक क्षमता का बँटवारा। इंसानों की जो क्षमता बचती है, उसे सोच-समझकर भविष्य-केंद्रित कामों में लगाना चाहिए। ऐसा न करने पर लाभ का एक हिस्सा हाथ से निकल जाता है।
लागत के मामले में, मूल्य निर्धारण तय शुल्क से हटकर उपयोग-आधारित होता जा रहा है। इससे बिलों का अनुमान लगाना कठिन हो सकता है, इसलिए पहले दिन से ही प्लेटफ़ॉर्म में मॉडल रूटिंग और फ़िनऑप्स की व्यवस्था होनी चाहिए। एआई पर होने वाले खर्च को क्लाउड खर्च की तरह देखें: वह स्पष्ट हो, किसी टीम के नाम दर्ज हो और उसके मूल्य से जुड़ा हो।
Artefact वित्तीय सेवाओं, स्वास्थ्य सेवा, विनिर्माण, खुदरा और अन्य उद्योगों की कंपनियों के साथ काम करता है, जहाँ एआई अपनाने में अलग-अलग चुनौतियाँ सामने आती हैं। इन क्षेत्रों में वास्तविक दुनिया में एआई लागू करने से क्या सबक मिल रहे हैं, और संगठनों को नवाचार, नियामकीय अनुपालन, विश्वसनीयता तथा मानवीय निगरानी के बीच संतुलन कैसे बनाना चाहिए?
हर क्षेत्र के सामने एक ही सवाल है: इंसानों और एजेंटों के बीच काम कैसे बाँटा जाए। फर्क इस बात से पड़ता है कि काम के व्यापक चक्र का कितना हिस्सा इंसानों के पास रहना चाहिए। खुदरा और उपभोक्ता वस्तुओं के क्षेत्र में गलतियों की कीमत कम होती है, इसलिए एजेंट अधिक काम तेज़ी से सँभाल लेते हैं। विनिर्माण में काम की गति विश्वसनीयता और परिचालन प्रणालियों के साथ एकीकरण से तय होती है। वित्तीय सेवाओं और स्वास्थ्य सेवा में हर निर्णय का स्पष्टीकरण देना ज़रूरी है, इसलिए सत्यापन और निर्णय लेने का अधिकतर काम लंबे समय तक इंसानों के पास रहता है।
हर जगह मेरा अनुभव यही है कि अनुपालन तब सबसे अच्छा काम करता है, जब उसे शुरुआत से ही प्लेटफ़ॉर्म की विशेषता के रूप में शामिल किया जाए। जब सुरक्षा-नियंत्रण, ऑडिट लॉग और मानवीय मंज़ूरियाँ कार्य-ढाँचे में मौजूद हों, तो हर नया उपयोग-मामला उन्हें अपने साथ लेता है। अनुपालन को केवल आखिर में शामिल करने पर हर नई परियोजना में इस बारे में बातचीत फिर से शुरू करनी पड़ती है।
निगरानी जोखिम के स्तर के अनुसार होनी चाहिए। कम जोखिम वाले काम एजेंट अकेले करें, मध्यम जोखिम वाले कामों की समीक्षा अपवाद सामने आने पर हो, और अधिक जोखिम वाले मामलों में एजेंट केवल निर्णय की तैयारी करें। भरोसा बढ़ने के साथ जोखिम के ये स्तर बदलते रहते हैं।
इस दिसंबर पेरिस में होने वाले Artefact के Adopt AI Summit के साथ, एआई संप्रभुता, शासन और औद्योगिक प्रतिस्पर्धा पर चर्चाएँ लगातार अहम होती जा रही हैं। एआई अपनाने को लेकर यूरोप का दृष्टिकोण वैश्विक उद्यम रणनीतियों को किस तरह प्रभावित करेगा, और आपके विचार में आने वाले वर्षों में उद्यमों में एआई के अगले चरण को कौन-से बदलाव परिभाषित करेंगे?
यूरोप ने सबसे पहले संप्रभुता का सवाल उठाया था, और मेरा मानना है कि यह अब एक वैश्विक डिज़ाइन सिद्धांत बन रहा है। बहुराष्ट्रीय कंपनियाँ हर नियम के लिए अलग आर्किटेक्चर नहीं चाहतीं, इसलिए वे सबसे सख्त नियम के अनुरूप डिज़ाइन करती हैं: अपने संदर्भ पर अपना नियंत्रण रखें, मॉडल किराये पर लें और यह तय करने का अधिकार अपने पास रखें कि वे कहाँ चलते हैं और उनकी कुंजियाँ किसके पास रहती हैं। यूरोप के लिए अगला अवसर यही ऊर्जा एआई अपनाने में लगाने का है, क्योंकि प्रतिस्पर्धा बड़े पैमाने पर इसके उपयोग से तय होगी।
अगला चरण हाइब्रिड संगठन का है, और मेरा मानना है कि काम का भविष्य यही है। कंपनियाँ कर्मचारियों की संख्या गिनने से आगे बढ़कर इंसानों और एजेंटों की साझा संज्ञानात्मक क्षमता का प्रबंधन करेंगी। बीते हुए पर केंद्रित ज़्यादातर काम—विश्लेषण, कोड और रिपोर्टिंग—एजेंट सँभालेंगे। इंसान भविष्य पर केंद्रित काम करेंगे: रुचि-बोध, दूरदृष्टि, योजना और निर्णय।
मेरा मानना है कि काम के बँटवारे का समाधान सबसे पहले निकालने वाली कंपनियाँ ही नेतृत्व करेंगी। आने वाले वर्षों की दिशा तय करने के लिए पेरिस में मैं इसी विषय पर बातचीत करना चाहता हूँ।
इस बेहतरीन साक्षात्कार के लिए धन्यवाद। उद्यमों में एआई अपनाने, एजेंट-आधारित कार्यप्रवाहों और डेटा रूपांतरण के बारे में अधिक जानने के इच्छुक पाठक Artefact की वेबसाइट पर जाएँ।
