मात्रा से चयन तक: वह जाल जिसे AI एजेंट सुलझाने पर मजबूर कर रहे हैं
एक विश्वास है जो लगभग हर उस संगठन के गलियारों में घूमता रहता है जिसने पिछले आठ वर्षों में कृत्रिम बुद्धिमत्ता में निवेश किया है। यह विश्वास कि समस्या हमेशा मात्रा की होती है। अधिक डेटा। अधिक टोकन। अधिक कवरेज। अधिक संग्रहीत इतिहास। जैसे कि बुद्धिमत्ता मात्रा के समानुपाती हो, और सिस्टम की किसी भी विफलता का समाधान बस और अधिक जोड़ना हो।
यह विश्वास भोलेपन से नहीं उपजा। यह बिग डेटा के युग से उपजा, एक ऐसा दौर जब जानकारी जमा करना तकनीकी रूप से कठिन, महंगा और इसलिए अपने आप में मूल्यवान था। जिसके पास अधिक डेटा था, उसे लाभ था। जो उसे संसाधित कर सकता था, उसे और भी अधिक। मॉडल सरल था और उसमें बाज़ार की स्पष्ट तर्क-शक्ति थी।
जो अब उन संगठनों में हो रहा है जो उत्पादन में AI एजेंट तैनात कर रहे हैं, वह उस धारणा की असहज समीक्षा के लिए मजबूर कर रहा है। समस्या अब डेटा की कमी नहीं है। परिपक्व क्षेत्रों में मध्यम आकार के MSME के पास CRM, डेटाबेस, दस्तावेज़ों, ईमेल, सपोर्ट टिकट, आंतरिक संचार के धागों और विरासत प्रणालियों के बीच अरबों-खरबों टोकन जमा हो चुके हैं। समस्या यह है कि एजेंट उस मात्रा के साथ क्या करें, यह नहीं जानते। इसलिए नहीं कि वे उसे संसाधित करने में असमर्थ हैं, बल्कि इसलिए कि किसी ने उन्हें फ़िल्टर करना नहीं सिखाया। और चयन की यह अक्षमता कोई तकनीकी समस्या नहीं है। यह संगठनात्मक डिजाइन की एक समस्या है जिसे कंपनियां इस बहाने से वर्षों से टालती आई हैं कि उन्हें पहले अधिक डेटा की जरूरत थी।
यह भ्रम कि अधिक संदर्भ बेहतर संदर्भ है
किसी मॉडल को उपलब्ध सब कुछ खिलाने और उसे उस सटीक अंश तक पहुंच देने के बीच एक संरचनात्मक अंतर है जो इस विशेष क्षण में अच्छे ढंग से काम करने के लिए आवश्यक है। पहला विकल्प अधिक सुरक्षित लगता है क्योंकि यह संपूर्ण महसूस होता है। दूसरे के लिए पहले एक कठिन निर्णय लेना जरूरी है: यह जानना कि क्या मायने रखता है और क्या नहीं।
यह निर्णय महंगा है क्योंकि यह संगठन में किसी को प्रासंगिकता की पदानुक्रम के प्रति प्रतिबद्ध होने पर मजबूर करता है। और प्रासंगिकता की पदानुक्रम के प्रति प्रतिबद्ध होने का अर्थ है यह स्वीकार करना कि कुछ चीजें उतनी महत्वपूर्ण नहीं हैं जितना हम सोचते थे, कि कुछ डेटा जो हम वर्षों से एकत्र कर रहे हैं वह परिणाम नहीं बदलता, कि कुछ स्रोत जिन्हें एक विभाग महत्वपूर्ण मानता है वे व्यवहार में शोर मात्र हैं।
बहुत कम संगठन वह बातचीत करने के लिए तैयार होते हैं। इसलिए नहीं कि वे नहीं कर सकते। बल्कि इसलिए कि इसकी एक आंतरिक राजनीतिक लागत है जिसे कोई उठाना नहीं चाहता। परिणाम यह होता है कि एजेंटों को फूले हुए संदर्भ मिलते हैं, परस्पर विरोधी जानकारी के साथ, बिना स्पष्ट पदानुक्रम के, और वे ऐसी प्रतिक्रियाएं उत्पन्न करते हैं जो तकनीकी रूप से प्रशंसनीय लेकिन परिचालन रूप से बेकार होती हैं। विफलता का दोष मॉडल पर मढ़ा जाता है। जो बातचीत नहीं हुई, वह बरकरार रहती है।
इस समस्या की प्रतिक्रिया के रूप में जो उभर रहा है उसका एक तकनीकी नाम है: संदर्भ इंजीनियरिंग (Context Engineering)। यह प्रॉम्प्ट अनुकूलन का अभ्यास नहीं है, हालांकि सतह पर ऐसा लग सकता है। यह यह तय करने का अनुशासन है, संगठनात्मक विवेक के साथ, कि किसी एजेंट को किसी विशेष कार्य को निष्पादित करने के लिए कौन सी जानकारी मिलती है। इसमें औपचारिक प्रणालियों से सटीक तथ्य निकालने के लिए संरचित खोज, असंरचित सामग्री में अर्थ खोजने के लिए सिमेंटिक खोज, और वास्तविक समय में सटीक पहचानकर्ता खोजने के लिए व्युत्क्रम अनुक्रमण शामिल है। पुनर्प्राप्ति की तीन अलग-अलग परतें, प्रत्येक का एक अलग कार्य। उनमें से कोई भी दूसरे का विकल्प नहीं है। मिलकर, वे संचित ज्ञान को उपयोगी संदर्भ में बदल देती हैं।
समस्या यह है कि इसे सही ढंग से लागू करने के लिए किसी को संगठन में पहले यह परिभाषित करना होगा कि किस प्रकार के कार्य के लिए क्या प्रासंगिक है। और यह कोई इंजीनियरिंग की समस्या नहीं है। यह ज्ञान शासन की एक समस्या है जिसे अधिकांश संगठनों ने कभी स्पष्ट रूप से हल नहीं किया है।
संदर्भ ग्राफ़ संगठनात्मक परिपक्वता के बारे में क्या प्रकट करते हैं
एंटरप्राइज़ एजेंट आर्किटेक्चर में अगली सीमा का एक और नाम है: संदर्भ ग्राफ़ (Context Graphs)। पारंपरिक ज्ञान ग्राफ़ के संबंध में अंतर सटीक है और उस पर ठहरना उचित है।
एक ज्ञान ग्राफ़ यह मॉडल करता है कि क्या अस्तित्व में है: इकाइयां, संबंध, वर्गीकरण, ओंटोलॉजी। यह एजेंट को बताता है कि संगठन की वैचारिक दुनिया कैसे संरचित है। यह उपयोगी है, लेकिन अपर्याप्त है। एक एजेंट जो जानता है कि अपवाद अनुमोदन की एक प्रक्रिया मौजूद है, वह इसलिए यह नहीं जानता कि व्यवहार में वे अपवाद कैसे हल किए जाते हैं, अस्पष्ट परिस्थितियों में उन्हें अनुमोदित करने का वास्तविक अधिकार किसके पास है, किस अनौपचारिक बातचीत के धागे ने वह निर्णय उत्पन्न किया जो आज नीति के रूप में संहिताबद्ध है, या संचालन टीम दो वर्षों से किस समाधान का उपयोग कर रही है क्योंकि औपचारिक प्रक्रिया काम नहीं करती।
संदर्भ ग्राफ़ उस प्रक्रियात्मक परत को कैप्चर करते हैं। वे निर्णय के निशान दर्ज करते हैं: किसने क्या अनुमोदित किया, किस क्रम में, किन उपकरणों का उपयोग करके, किस परिणाम के साथ। वे एक स्थायी संगठनात्मक स्मृति का निर्माण करते हैं जिसमें न केवल चीजों की वर्तमान स्थिति शामिल है, बल्कि वह पथ भी जो वहां तक ले गया।
यह निहितार्थ उन लोगों के लिए महत्वपूर्ण है जो संगठनों का नेतृत्व करते हैं, न केवल उनके लिए जो उन्हें तकनीकी रूप से डिज़ाइन करते हैं। एक संगठन जो उपयोगी संदर्भ ग्राफ़ बना सकता है, वह एक ऐसा संगठन है जो अपनी स्वयं की निर्णय लेने की प्रक्रिया को दृश्यमान बनाने में सक्षम रहा है। जिसने अपने वास्तविक अनुमोदन प्रवाह, अपने सामान्य अपवादों, अपने वृद्धि के पैटर्न को नाम दिया है। जिसने इस बारे में बातचीत की है कि निर्णय वास्तव में कैसे लिए जाते हैं, न केवल कि संगठन चार्ट कहता है कि उन्हें कैसे लिया जाना चाहिए।
कई संगठन वह परत नहीं बना सकते क्योंकि उनके पास वह स्पष्ट रूप से व्यक्त नहीं है। इसलिए नहीं कि जानकारी मौजूद नहीं है, बल्कि इसलिए कि यह अनौपचारिक बातचीतों में, विशिष्ट लोगों की स्मृति में, बिना दस्तावेज़ीकृत प्रथाओं में वितरित है, जिन्हें स्पष्ट करने में किसी की रुचि नहीं रही क्योंकि उन्हें स्पष्ट करने का अर्थ होगा उन्हें ऑडिट करने योग्य बनाना। और यहीं एक तनाव निहित है जिसे AI एजेंटिक परियोजनाएं किसी भी पिछली प्रक्रिया परामर्श से अधिक स्पष्टता के साथ सतह पर ला रही हैं।
AI एजेंट उसके साथ काम नहीं कर सकता जिसे संगठन नाम देने से इनकार करता है। और नाम देने से इनकार हमेशा तकनीकी नहीं होता। अक्सर यह राजनीतिक होता है। यह विवेकाधिकार के उन स्थानों की सुरक्षा है जिन्हें कुछ विभाग या व्यक्ति औपचारिक रूप दिए जाते हुए नहीं देखना चाहते क्योंकि इससे वे शक्ति या स्वायत्तता का एक हिस्सा खो देंगे।
गोद लेने की गति यह क्यों बताती है कि आगे किसको लाभ होगा, न कि किसको आज है
गार्टनर का अनुमान है कि 2028 से पहले एंटरप्राइज़ वातावरण में 50% से अधिक AI एजेंट सिस्टम संदर्भ ग्राफ़ का उपयोग करेंगे। यह एक संख्या है जिसे ध्यान से पढ़ना उचित है, क्योंकि यह नहीं कहती कि सभी संगठन उनका उपयोग अच्छी तरह से करेंगे। यह कहती है कि अधिकांश उन्हें किसी न किसी रूप में उपयोग करेंगे।
किसी न किसी रूप में उपयोग करने और अच्छी तरह से उपयोग करने के बीच का अंतर किसी ऐसी चीज़ पर निर्भर करता है जिसे प्रौद्योगिकी बजट से हल नहीं किया जा सकता। यह इस बात पर निर्भर करता है कि क्या संगठन पहले से यह काम करने में सक्षम रहा है कि वह विस्तार से और ईमानदारी से निर्णय कैसे लेता है। जो संगठन 2028 तक ऐसे संदर्भ ग्राफ़ के साथ पहुंचेंगे जो औपचारिक प्रक्रियाओं पर बने हैं जिनका कोई वास्तव में पालन नहीं करता, उनके पास परिष्कृत एजेंट होंगे जो अधिक कुशलता से खराबियों की नकल करते हैं। जो संगठन अपने वास्तविक प्रवाह को मैप करने का असहज काम कर चुके होंगे, जिनमें अनौपचारिक भी शामिल हैं, जिन्हें कोई दस्तावेज़ नहीं करता क्योंकि वे अपारदर्शी होने के कारण ही सुविधाजनक हैं, उनके पास गुणात्मक रूप से कुछ अलग होगा: एक संस्थागत स्मृति जो सीख सकती है।
AI एजेंटों में प्रतिस्पर्धात्मक लाभ उसके पास नहीं होगा जिसने अधिक मॉडल तैनात किए या जिसके पास अधिक टोकन संग्रहीत हैं। यह उसके पास होगा जो पहले फ़िल्टर करना जानता था। जिसने ऐसी प्रणालियां बनाईं जो किसी विशेष निर्णय के परिणाम को बदलने वाले संदर्भ के सटीक अंश की पहचान करने में सक्षम हों। और यह, व्यवहार में, तकनीकी से पहले एक संगठनात्मक क्षमता है।
यह विचार करना उचित है कि विपरीत परिदृश्य में क्या होता है। एक संगठन जिसमें सैकड़ों एजेंट समानांतर में काम कर रहे हैं, प्रत्येक कंपनी के कामकाज के बारे में अपना खंडित और असंगत दृष्टिकोण बना रहा है, एक प्रकार की अराजकता उत्पन्न करता है जो तुरंत दृश्यमान नहीं है लेकिन संरचनात्मक रूप से क्षयकारी है। एजेंट एक-दूसरे का खंडन करते हैं। एक द्वारा लिए गए निर्णय दूसरे द्वारा लिए गए निर्णयों के साथ सुसंगत नहीं होते। संस्थागत स्मृति जमा नहीं होती, बल्कि खंडित होती है। और जब कुछ गलत होता है, तो कोई भी स्पष्ट रूप से यह नहीं बता सकता कि किस एजेंट को क्या संदर्भ मिला और उसने ऐसा क्यों किया। शासन ठीक उस क्षण ढह जाता है जब उसकी सबसे अधिक आवश्यकता होती है।
चयन वह अनुशासन है जो संगठनों ने अभी तक नहीं सीखा
एंटरप्राइज़ AI में पिछले आठ वर्षों के विकास में कुछ ऐसा है जो काफी लगातार पुष्टि करता है। समस्या कभी डेटा की कमी नहीं थी। यह तय करने के प्रतिरोध की थी कि क्या मायने रखता है।
यह तय करने की एक लागत है कि क्या मायने रखता है। इसका अर्थ है कि कुछ क्षेत्रों को सिस्टम से दूसरों की तुलना में कम ध्यान मिलता है। इसका अर्थ है कि डेटा के कुछ स्रोत जो वर्षों के संचित कार्य का प्रतिनिधित्व करते हैं, एजेंटों के परिचालन संदर्भ में प्रवेश नहीं करते। इसका अर्थ है कि किसी को एक पदानुक्रम के प्रति प्रतिबद्ध होना होगा और जो असहमत हैं उनके सामने उसका बचाव करना होगा।
मेरी जानकारी में अधिकांश संगठनों में वह बातचीत AI रणनीति के संदर्भ में कभी स्पष्ट रूप से नहीं हुई। इसे इस अंतर्निहित वादे के साथ टाला गया कि सिस्टम सब कुछ संभाल सकता है यदि उसे पर्याप्त कंप्यूटिंग क्षमता दी जाए। जो AI एजेंट अब उजागर कर रहे हैं वह यह है कि वह वादा कभी व्यवहार्य नहीं था। इसलिए नहीं कि कंप्यूटिंग अपर्याप्त है, बल्कि इसलिए कि एक एजेंट जो बुद्धिमत्ता तैनात कर सकता है वह उसे मिलने वाले संदर्भ की गुणवत्ता से सीमित है, और संदर्भ की गुणवत्ता मात्रा का कार्य नहीं है। यह उस स्पष्टता का कार्य है जिसके साथ संगठन यह व्यक्त करने में सक्षम रहा है कि वह क्या जानता है और उसका उपयोग कैसे करता है।
जो संगठन वह स्पष्टता बनाने में सफल होंगे, वे इसलिए नहीं करेंगे क्योंकि उन्हें सही तकनीकी प्लेटफ़ॉर्म मिला। वे इसलिए करेंगे क्योंकि नेतृत्व की स्थिति में किसी ने वह बातचीत करने की इच्छाशक्ति दिखाई जिसे दूसरे टाल रहे थे, उसे नाम दिया जिसे सिस्टम बिना नाम के छोड़ना पसंद करता था, एक ऐसी प्रासंगिकता की पदानुक्रम के प्रति प्रतिबद्ध हुआ जिसकी एक वास्तविक और दृश्यमान राजनीतिक लागत है। यही वह क्षमता है जो बुनियादी ढांचे के बजट से नहीं खरीदी जा सकती। और यह, अभी के लिए, सबसे दुर्लभ है।
