एआई का उपयोग बनाम उसके चारों ओर निर्माण: सीमा कहाँ है?

हम AI शब्द का उपयोग विभिन्न प्रकार की चीज़ों को वर्णित करने के लिए करते हैं, ब्राउज़र में ChatGPT से बात करने से लेकर पूरी कंपनियों को चलाने तक, जहाँ संचालन वर्तमान रूप में भाषा मॉडलों के बिना अस्तित्व में नहीं रह पाएगा। AI स्वचालन का उपयोग करने और AI को व्यवसाय के मूल में रखने के बीच की सीमा कहाँ है? किस बिंदु पर एक मूलभूत परिवर्तन होता है? और सबसे महत्वपूर्ण, क्या कंपनियों को वास्तव में AI को केंद्र में रखने का प्रयास करना चाहिए?

कब कोई व्यवसाय AI-नेटिव होता है?

आज, भले ही प्रबंधन ने कभी AI परिवर्तन की घोषणा न की हो, कर्मचारी अभी भी जानकारी खोजने के लिए Gemini, ईमेल लिखने के लिए ChatGPT, रिपोर्ट तैयार करने के लिए Grok, कोड लिखने के लिए Claude आदि का उपयोग कर रहे हैं। LLM उपकरणों तक पहुँच इतनी व्यापक हो गई है कि उनका उपयोग करना अब कंपनी के बारे में अधिक जानकारी नहीं देता।

मेरे लिए, एक बहुत सरल परीक्षण है: यदि आप AI बंद कर दें तो क्या होता है?

एक लेखा सॉफ्टवेयर कंपनी को लें। उसके डेवलपर फीचर लिखने या उत्पाद को बनाए रखने के लिए AI का उपयोग कर सकते हैं। यदि आप कल इन उपकरणों को बंद कर देते हैं, तो इंजीनियर संभवतः धीमी गति से काम करेंगे। लेकिन सॉफ्टवेयर अभी भी मौजूद रहेगा, लेखाकार इसे अभी भी उपयोग करेंगे, और ग्राहक अभी भी इसके लिए भुगतान करेंगे। AI कंपनी के संचालन को सुधारता है, लेकिन व्यवसाय स्वयं उस पर निर्भर नहीं है।

अब एक बैंक कॉल सेंटर की कल्पना करें, जिसने कभी दस हजार लोगों को रोजगार दिया हो। उस वातावरण में AI की पहली पीढ़ी लगभग एक प्रॉम्प्टर की तरह काम करती थी जो ऑपरेटर के बगल में बैठा होता था: यह वार्तालाप को सुनता, समस्या को समझता, और उत्तर सुझाता। कई मामलों में, वह प्रॉम्प्टर अब स्वयं एजेंट बन चुका है। एक ग्राहक कहता है कि उन्हें गलत राशि चार्ज की गई; सिस्टम रिकॉर्ड जांचता है, संबंधित डेटा की समीक्षा करता है, समस्या की पहचान करता है, और कभी-कभी बिना किसी व्यक्ति को शामिल किए इसे हल कर देता है। केवल तब ही मानव हस्तक्षेप होता है जब मामला एस्केलेशन की आवश्यकता रखता है।

यह तकनीक के साथ एक बहुत अलग संबंध है। लेखा कंपनी AI के बिना कम कुशल हो जाती है। कॉल सेंटर को अपने संचालन मॉडल के बड़े हिस्से को पुनः निर्मित करना पड़ सकता है। यह अंतर वही है जिसे मैं AI-नेटिव कहता हूँ, न कि कंपनी के पास कितनी AI सदस्यताएँ हैं या क्या उसकी होमपेज पर “AI” शब्द दिखता है।

यह सबसे अधिक कहाँ दिखाई देता है?

कुछ कंपनियों ने अपना व्यवसाय दूसरों को इस परिवर्तन में मदद करने के इर्द‑गिर्द बनाया है। Cohere एक अच्छा उदाहरण है: यह कनाडाई कंपनी पारंपरिक सॉफ़्टवेयर और वर्कफ़्लो से AI की ओर कंपनियों को ले जाने में मदद करके एक प्रमुख व्यवसाय में विकसित हुई। अन्य उद्योगों में, हालांकि, AI पहले से ही उत्पाद में इतना गहराई से एम्बेडेड है कि दोनों को अलग करना लगभग असंभव हो जाता है।

स्व-ड्राइविंग शायद सबसे स्पष्ट उदाहरण है। यदि किसी कार से अपेक्षा की जाती है कि वह सड़क को देखे, वस्तुओं को पहचाने, उसके आसपास क्या हो रहा है समझे, और स्वयं निर्णय ले, तो आप AI को हटाए बिना उत्पाद की मूल अवधारणा को नहीं हटा सकते।

दवा और फार्मास्यूटिकल्स भी इस बिंदु को अलग तरीके से दर्शाते हैं, विशेषकर दवा खोज में। इसका एक बेहतरीन उदाहरण DeepMind का प्रोटीन संरचनाओं पर काम है।

प्रोटीन डेटा बैंक की स्थापना 1971 में हुई थी, और दुनिया भर के वैज्ञानिकों द्वारा दशकों के काम के बाद बड़े पैमाने पर प्रयोगात्मक रूप से निर्धारित संरचनाओं का एक बड़ा संग्रह बनाया गया। डेटाबेस ने 1993 में 1,000 संरचनाओं को पार किया, लगभग 2000 में 10,000, और 2014 में 100,000। जनवरी 2023 तक, यह 200,000 प्रयोगात्मक रूप से निर्धारित बायोमोलेक्यूलर संरचनाओं को पार कर चुका था। दूसरे शब्दों में, लगभग छह दशकों के संरचनात्मक जीवविज्ञान के बाद, शोधकर्ताओं ने दो लाख प्रयोगात्मक रूप से निर्धारित संरचनाओं के क्रम में संग्रह किया था।

फिर AlphaFold आया, DeepMind का वह सिस्टम जो प्रोटीन के तीन‑आयामी संरचना को उसके अमीनो एसिड अनुक्रम से भविष्यवाणी करता है। 2022 में, AlphaFold ने अधिकतर 200 मिलियन पूर्वानुमानित प्रोटीन संरचनाएँ उपलब्ध कराईं, जो उस समय विज्ञान में ज्ञात लगभग सभी सूचीबद्ध प्रोटीन को कवर करती थीं। इसका अर्थ यह नहीं है कि AI ने “हर मौजूद प्रोटीन की खोज की।” ये संरचनाएँ पहले से ज्ञात अमीनो एसिड अनुक्रमों पर आधारित भविष्यवाणियाँ हैं। लेकिन पैमाने में अंतर अभी भी अत्यधिक बड़ा है।

2024 में, जब Google DeepMind के Demis Hassabis और John Jumper को “प्रोटीन संरचना भविष्यवाणी” के लिए रसायन विज्ञान में नॉबेल पुरस्कार का आधा हिस्सा मिला, तो इस परिवर्तन का महत्व और स्पष्ट हो गया। दूसरा आधा भाग David Baker को कम्प्यूटेशनल प्रोटीन डिज़ाइन के लिए मिला। कुछ साल पहले जो केवल एक प्रभावशाली AI सफलता जैसा दिखता था, वह बहुत जल्दी आधुनिक जीवविज्ञान में एक मौलिक प्रगति के रूप में मान्यता प्राप्त कर गया।

DeepMind वैश्विक, सुर्खियों में रहने वाला उदाहरण है, लेकिन AI‑पहले मेडिकल स्टार्टअप अब असामान्य नहीं रहे। मेरे Keymakr के वर्षों के दौरान, हमारी टीम ने परियोजनाओं पर काम किया जो दंत चिकित्सा और अल्ट्रासाउंड इमेजिंग से लेकर इंटरवेंशनल कार्डियोलॉजी तक फैली थीं, जिसमें मॉडल्स को प्रक्रियाओं के दौरान हृदय वाल्व, एओर्टा और अन्य संरचनाओं का पता लगाने के लिए प्रशिक्षित किया गया। हमने न्यूरोसर्जरी परियोजनाओं पर भी काम किया जहाँ मॉडल्स ने मस्तिष्क के टिश्यू, रक्त वाहिकाओं, सर्जिकल उपकरणों और ऑपरेटिंग क्षेत्र को अलग करना सीखा। इन सभी मामलों में, AI उत्पाद में जोड़ा गया एक अतिरिक्त फीचर नहीं था; यह स्वयं उत्पाद था। 

प्रोटीन संरचनाओं से लेकर कोल्ड ईमेल तक

व्यवसाय के अधिक सामान्य हिस्सों में भी यही हो रहा है। बिक्री और मार्केटिंग शायद सबसे तेज़ गति वाले उदाहरणों में से हैं: वह काम जो पहले घंटों लेता था, अब बहुत कम अतिरिक्त प्रयास से सैकड़ों या हजारों बार दोहराया जा सकता है।

CRM, अभियान, संभावनाओं की खोज और लीड रिसर्च भाषा मॉडलों के आसपास निर्मित हैं। हम पहले ही उस बिंदु से बहुत आगे निकल चुके हैं जहाँ हम ChatGPT को कोल्ड ईमेल लिखने के लिए पूछते थे। एक प्रणाली किसी व्यक्ति की LinkedIn प्रोफ़ाइल देख सकती है, यह समझ सकती है कि वह क्या करता है, किस चीज़ की परवाह करता है, और क्या पोस्ट करता है, फिर उस जानकारी का उपयोग करके ऐसा कुछ लिख सकती है जो बहुत व्यक्तिगत महसूस हो।

मुझे एक बार ऐसा संदेश मिला था: “Michael, 4,000 फीट की ऊँचाई से उड़ना और काँच के माध्यम से देखना अविश्वसनीय होना चाहिए…” यह मेरे सोशल मीडिया पर साझा किए गए विमानन कहानियों की ओर इशारा करता था। मेरा पहला प्रतिक्रिया यह था कि किसी ने वास्तव में मेरी LinkedIn प्रोफ़ाइल को पढ़ा और ध्यान से देखा। बेशक, ऐसा कोई नहीं किया था। प्रणाली ने वह जानकारी खोजी और स्वचालित रूप से संपर्क तैयार किया।

यहीं से व्यक्तिगतकरण की अर्थव्यवस्था बदलने लगती है। वह शोध जो पहले किसी व्यक्ति को बहुत समय लेता था, अब ऐसे उपकरणों द्वारा सहायता प्राप्त कर सकता है जो सार्वजनिक जानकारी को स्कैन करके प्रासंगिक विवरण पहचानते हैं। फिर एक मानव तय करता है कि क्या वास्तव में उपयोगी, उपयुक्त और शामिल करने लायक है। 

मैंने यह बदलाव Keymakr में देखा, हालांकि हमारे लिए लक्ष्य कभी भी मानव निर्णय या संबंधों को स्वचालित करना नहीं था। मैं लगातार लोगों को उनके दैनिक काम के दोहराव वाले हिस्सों को देखना और पूछना प्रोत्साहित करता रहा कि एजेंट कहाँ समय बचा सकते हैं, अधिक स्थिरता ला सकते हैं, या उन्हें बड़े पैमाने पर काम करने में मदद कर सकते हैं। 

जब हम Scryon में थे, तो यह तर्क पहले से ही कंपनी में निहित था। मार्केटिंग का अधिकांश काम कई एजेंटों द्वारा लेखों, ब्लॉग, LinkedIn और वेबसाइट के माध्यम से संभाला जाता है।

रोचक बात यह है कि उनका सबसे बड़ा लाभ अक्सर लेखन नहीं होता। मान लीजिए आप वेबसाइट में बीस नए पृष्ठ जोड़ते हैं। नया लेख लिखने वाला व्यक्ति शायद कुछ आंतरिक लिंक जोड़ देगा। लगभग कोई भी 80 या 800 पुराने टुकड़ों को वापस जाकर यह जांचने नहीं जाएगा कि उन नए पृष्ठों को अब कहाँ लिंक किया जाना चाहिए। एक एजेंट कर सकता है। इस प्रकार के काम में एजेंट को व्यक्ति से अधिक समझदार होने की आवश्यकता नहीं है। वह बस बोर नहीं होता, और 80 पृष्ठ और 800 पृष्ठ के बीच का अंतर उसके लिए हमारे मुकाबले बहुत कम महत्वपूर्ण होता है।

लेकिन यही वह जगह है जहाँ मेरे लिए स्वचालन अपनी सीमाओं तक पहुँचता है। अच्छा PR सिर्फ एक एजेंट को सौंप कर भूल नहीं सकता। यही बात एक राय लेख पर भी लागू होती है, जहाँ स्थिति निर्धारण, दर्शकों की समझ, और क्या कहा जाए इसका निर्णय करना अत्यंत महत्वपूर्ण है।

इसलिए भले ही आप एजेंटों की एक जटिल प्रणाली बनाते हों, फिर भी आपको एक व्यक्ति की आवश्यकता होगी जो उसे चलाए। किसी को आउटपुट का मूल्यांकन करना, क्या महत्वपूर्ण है तय करना, और दिशा निर्धारित करनी होगी।

क्या आप संस्थापक को स्वचालित कर सकते हैं?

एक शुरुआती चरण के स्टार्टअप में, संस्थापक अक्सर तकनीकी, संचालनात्मक और कार्यकारी सभी भूमिकाएँ एक साथ निभाते हैं। इसलिए यह विचार स्वाभाविक रूप से आता है: यदि एजेंट टीम का बहुत काम ले सकते हैं, तो क्यों न उन्हें संस्थापक के काम का कुछ हिस्सा भी सौंपें?

मेरे पास Scryon Business से जुड़ा एक अलग एजेंट है जो कंपनी के बारे में बहुत कुछ जानता है। मैं उससे पूछ सकता हूँ, “हम अगले महीने 5,000 उपयोगकर्ता चाहते हैं।” क्या यह यथार्थवादी है, या यह सिर्फ एक अच्छा नंबर है जो मैंने बनाया?

यह डेटा निकाल सकता है, बाजार देख सकता है, प्रतिस्पर्धियों और जुड़े सिस्टम की जाँच कर सकता है, और यह कहकर वापस आ सकता है कि 5,000 शायद बहुत अधिक है और इस चरण में 2,000 भी आक्रामक माना जाएगा। यह मुझे अपनी सोच का परीक्षण करने में मदद करता है। लेकिन एजेंट अभी भी सलाह दे रहा है।

निर्णय अभी भी मेरा है। सभी डेटा और गणनाओं के बाद, कभी‑कभी मुझे बाहर जाकर, पार्क में टहलना पड़ता है, और तय करना पड़ता है कि मैं कंपनी को कहाँ ले जाना चाहता हूँ।

मेरे लिए वास्तविक कार्यभार घटाना तब शुरू होता है जब मैं किसी को स्वामित्व दे सकता हूँ, जैसे, “यह तुम्हारा है,” और एक महीने बाद वापस देखूँ कि वह मेरे बिना भी काम करता रहा। मैं आज संस्थापक की भूमिका में ऐसा नहीं देखता।

यह बात C‑लेवल भूमिकाओं पर भी लागू होती है। उनका काम दिशा निर्धारित करना है: छह महीने बाद, हम ऑटोमोटिव बाजार में प्रवेश करना चाहते हैं, या हम चाहते हैं कि उद्योग में लोग ब्रांड को जानें। VPs, प्रमुख और टीम लीड फिर इसे विशिष्ट लक्ष्य और कार्यों में बदलते हैं।

AI टूलकिट: व्यक्तिगत और कंपनी लागत

मैं वास्तव में एक “सर्वश्रेष्ठ” मॉडल में विश्वास नहीं करता। मैं अधिकतर इस बात पर ध्यान देता हूँ कि कौन सा मॉडल किसी विशेष कार्य के लिए सबसे अच्छा काम करता है और इसे बड़े पैमाने पर उपयोग करने की लागत क्या है। मैं अक्सर कोडिंग के लिए Codex का उपयोग करता हूँ और अपनी जरूरतों के अनुसार उसमें मॉडल बदलता रहता हूँ। कभी‑कभी मैं डिजाइन के लिए Claude आज़माता हूँ, और अधिक भाषा‑संबंधित कार्यों के लिए ChatGPT पर स्विच करता हूँ, लेकिन ये विकल्प महीने‑दर‑महिना बदलते रहते हैं, और कभी‑कभी कार्य के बीच में भी।

आखिरकार, हर कोई समय के साथ अपनी स्टैक बनाता है, यह तय करते हुए कि किसी विशिष्ट लक्ष्य के लिए कौन सा मॉडल सबसे उपयुक्त है। यदि आप एक तकनीकी संस्थापक हैं जो खुद बहुत कोड लिखते हैं, तो मैं अनुमान लगाता हूँ कि आप अपनी स्टैक पर लगभग $1,000 प्रति माह खर्च करेंगे। लेकिन मैं ऐसे लोगों को भी जानता हूँ जो $10,000–15,000 प्रति माह खर्च करते हैं क्योंकि वे बहुत अधिक आक्रामक रूप से स्वचालन करते हैं।

एक बार AI को मुख्य व्यवसाय का हिस्सा बना दिया जाता है, तो आंकड़े फिर बदल जाते हैं। Scryon के साथ, मैं इस विचार में सहज हूँ कि राजस्व का 30–40% सीधे उस बुनियादी ढाँचे और सेवाओं में जा सकता है जिस पर उत्पाद चलता है, इससे पहले कि आप इसे बनाने वाले लोगों की लागत गिनें।

पहले व्यापार लक्ष्य, फिर प्रौद्योगिकी

स्वचालन की दौड़ और “AI कंपनियों” के लेबल में, मेरा मानना है कि “हमें किस प्रकार का AI लागू करना चाहिए?” का प्रश्न स्वयं खतरनाक है। यह गलत दिशा से शुरू हो रहा है।

हमने हाल ही में खुद के लिए एक काफी मानक व्यापार लक्ष्य निर्धारित किया – लागत कम करना। इसे करने के लिए, हमने एक एजेंट बनाया, उसे कंपनी के खर्च के बारे में जानकारी तक पहुँच दी, जिसमें Amazon, Google और अन्य सेवाएँ शामिल थीं, और उसे नियमित रूप से विसंगतियों की जाँच करने और यदि कुछ अजीब लगे तो चेतावनी संकेत उठाने को कहा।

सिर्फ पहले सप्ताह में, हमने लगभग 30% लागत में कमी की क्योंकि सिस्टम जल्दी ही दिखा गया कि पैसा किन चीज़ों पर खर्च हो रहा था जिन्हें हम लगभग भूल चुके थे। एजेंट स्वयं प्रति माह केवल $50 तक खर्च हो सकता है, लेकिन बचत दसियों हजार में हो सकती है।

Keymakr में, AI मुख्य रूप से लोगों और व्यक्तिगत प्रक्रियाओं को सुदृढ़ करता है। Scryon में, यह पहले से ही कंपनी की वास्तुकला में निर्मित है। स्व-ड्राइविंग में, इसके बिना उत्पाद गायब हो जाता है, और दवा खोज में, यह खोज के दायरे को बदल देता है।

मेरे लिए, मूलभूत लक्ष्यों का प्रश्न AI-नेटिव कंपनी बनने की इच्छा से कहीं अधिक स्वस्थ प्रारंभिक बिंदु है। पहले, एक व्यापार लक्ष्य उभरना चाहिए: अधिक कमाना, तेज़ी से स्केल करना, लागत कम करना, नया उत्पाद सक्षम करना, या मौजूदा प्रक्रिया को मूल रूप से बदलना। तभी यह समझ में आता है कि कौन सी प्रौद्योगिकी आपको वहाँ ले जाएगी।