UniPat AI SPU टेस्ट ने दिखाया कि कोई भी एआई एजेंट यादृच्छिक अनुमान से बेहतर प्रयोगशाला प्रयोग परिणामों की भविष्यवाणी नहीं कर सका

प्रत्येक कंपनी में एक 'जंगली' तत्व होता है - पुरानी प्रणालियाँ जो दशकों पहले बनाई गई थीं और अभी भी काम कर रही हैं, लेकिन किसी ने उन्हें लंबे समय से नहीं छुआ है, और इन पर काम करने वाला आखिरी विशेषज्ञ 2011 में सेवानिवृत्त हो गया था। ये सिस्टम इसलिए छोड़े नहीं गए क्योंकि वे महत्वहीन थे; ध्यान बस अन्य क्षेत्रों में स्थानांतरित हो गया और कभी वापस नहीं आया। इसी अनदेखे स्थान में आर्टिफिशियल इंटेलिजेंस का सच्चा मूल्य छिपा है।

जब उद्यम AI से लाभ उठाने की इच्छा व्यक्त करते हैं, तो वे आमतौर पर एक ही क्षेत्रों का उल्लेख करते हैं: ग्राहक सेवा, कॉल सेंटर या मोबाइल एप्लिकेशन। इन क्षेत्रों में पहले से ही बीस वर्षों का निवेश किया जा चुका है, इसलिए बचा हुआ लाभ केवल सुधार तक सीमित है, जो केवल मामूली वृद्धि लाता है।

हालांकि, जिन स्थानों पर ध्यान नहीं दिया जाता है, वे अलग होते हैं। वहां आधुनिक सॉफ्टवेयर और निवेश की कमी होती है; कुछ प्रक्रियाएं अभी भी फैक्स के माध्यम से पूरी की जाती हैं। जो काम पहले करने के लिए बहुत थकाऊ था, उसे अब तेज़ी से और भरोसेमंद तरीके से किया जा सकता है। ऐसे क्षेत्रों में AI सुधार के रूप में नहीं, बल्कि कुछ ही महीनों में प्राप्त दो दशक के विकास के परिणाम के रूप में कार्य करता है।

हम उन लोगों की प्रशंसा करते हैं जो सामान्य सीमाओं से परे जाते हैं, लेकिन फिर सुरक्षित सीमाओं के भीतर रहते हैं। यह अध्ययन बाहर से रोमांटिक लगता है, लेकिन अंदर से इसका मतलब है अगले टीले के पीछे क्या है, इसका महंगा पता लगाना। हमने अपने ग्राहकों के साथ ऐसी यात्राएं की हैं, और यहां हमारे फील्ड नोट्स हैं।

अपना क्षितिज निर्धारित करें

'AI को लागू करना' का निर्णय केवल एक विकल्प नहीं है। यदि इसे अनियंत्रित छोड़ दिया जाए, तो संगठन स्पष्ट स्थानों का चयन करते हैं, क्योंकि शिकायतें वहीं आती हैं, और शिकायतों को धन मिलता है। इसके बजाय, यह सवाल पूछना चाहिए: हम किन लोगों को केवल वर्तमान कार्य स्तर को बनाए रखने के लिए नियुक्त करते हैं? कहाँ कोई व्यक्ति एक दस्तावेज़ को दूसरे स्क्रीन पर टाइप करता है? कहाँ दस्तावेज़ीकरण में कोई नियम मौजूद है, लेकिन मैन्युअल रूप से लागू किया जाता है? और यदि इस प्रक्रिया के लिए जिम्मेदार व्यक्ति कल चला जाता है, तो क्या किसी को पता होगा कि यह कैसे काम करता है? यह पूछने लायक नहीं है कि AI प्रभावशाली कैसा दिखेगा; यह पूछना चाहिए कि कहाँ कोई नहीं देख रहा है।

एक स्काउट भेजें

अब तक किसी ने भी AI को लागू करने के लिए व्यापार मामला साबित नहीं किया है, इसलिए खरीदारों को उस लाभ के आधार पर वास्तविक खर्चों को मंजूरी देनी पड़ती है जिसे उन्हें प्रस्तुत करना पड़ता है। गैलीलियो को 1609 में इसी तरह की समस्या का सामना करना पड़ा था। उन्होंने वेनिस के डोज को ऑप्टिक्स पर व्याख्यान नहीं दिया; उन्होंने अपना दूरबीन बंदरगाह पर केंद्रित किया और उन्हें जमीन पर मौजूद लोगों द्वारा पता लगाने से बहुत पहले आने वाले जहाजों को दिखाया। उन्होंने इस उपकरण के माध्यम से वेनिस को उसकी अपनी दुनिया का प्रदर्शन किया।

हमने एक कम आंका गया प्रक्रिया के साथ ऐसा ही किया। सत्यापन, जिसमें एक घंटा लगता था, अब एक मिनट लेता है। प्रति वर्ष लगभग 100,000 ऐसे सत्यापन लगभग 100,000 घंटे की वापसी के बराबर हैं। व्यापार मामला साबित करने की कोशिश करना बंद करें; इसे दिखाना शुरू करें।

स्थलाकृति की स्थिति के लिए तैयार हों

प्रारंभिक आवेग सबसे बड़ी और सबसे सामान्य मॉडल को एक संकीर्ण, दोहराए जाने वाले और परीक्षण योग्य कार्य पर लागू करने का होता है। इस तरह का मॉडल भ्रम पैदा करने, भटकने और बहुत महंगा होने की प्रवृत्ति रखता है। इसके अलावा, जब नियामक पूछता है कि कोई विशेष निर्णय क्यों लिया गया, तो कोई जवाब नहीं दे सकता। AI को केवल वही करने के लिए सौंपना आवश्यक है जिसमें वह अच्छा है। मॉडल एक गंदे स्कैन किए गए दस्तावेज़ को पढ़ता है और संख्या ढूंढता है; एक नियतात्मक कोड यह निर्धारित करता है कि क्या ये संख्याएँ मेल खाती हैं, जिससे उत्तर हमेशा समान रहता है। छोटे, विशेष रूप से डिज़ाइन किए गए मॉडल का उपयोग किया जाना चाहिए: दस्तावेज़ निकालने के लिए एक अत्याधुनिक मॉडल एक ऐसे इंजीनियर की तरह है जिसे एक मशीन ड्राइवर ने काम से ऊबकर बेतरतीब ढंग से शुरू किया हो। और अपनी बुनियादी ढांचे पर नियंत्रण रखना सुनिश्चित करें। हमने यह तब सीखा जब जिस मॉडल पर हम निर्भर थे, उसे किसी और की समय-सारणी के अनुसार परियोजना के मध्य में बंद कर दिया गया था। आप जो आउटसोर्स करते हैं उसके बारे में सावधान रहें।

अपने मानचित्र को अपडेट करें

अधिकांश संगठन कार्यप्रवाह बदलते हैं, लेकिन मेट्रिक्स को अपरिवर्तित रखते हैं, जिसके कारण कर्मचारी पुराने लक्ष्यों के अनुसार काम करना जारी रखते हैं, और प्राप्त लाभ लीक हो जाते हैं। एक पृष्ठ पर हर उस जगह को दर्ज करना आवश्यक है जहां AI लागू किया गया था। खाली जगह का मतलब गतिविधि की कमी नहीं है; इसका मतलब माप की कमी है। आपके प्रमुख प्रदर्शन संकेतक (KPI) आधार बिंदु हैं। उन्हें स्थानांतरित करने की आवश्यकता है।

अपनी टीम चुनें

कोई भी सक्षम व्यक्ति अकेले अज्ञात में नहीं जाता है। व्यावसायिक समस्या का मालिक शुरुआत से ही परिणामों को परिभाषित करना चाहिए, और जो लोग सिस्टम का उपयोग करेंगे, उन्हें इसके निर्माण में मदद करनी चाहिए। तब आपको उन्हें यह बेचने की ज़रूरत नहीं पड़ेगी। बदले गए कर्मचारियों की संख्या के बजाय चक्र समय को मापें। केवल मात्रा को नहीं, बल्कि कार्य की मात्रा का विस्तार करें। और प्राप्त लाभ साझा करें।

AI काम में मानवता वापस ला सकता है

हमारी सफलता का माप कभी भी यह नहीं रहा है कि हम कितने लोगों को निकाल सकते हैं। हमें आश्चर्य हुआ कि जिन लोगों को इस काम ने बदलना था, उन्होंने स्वयं अधिक कार्यों की मांग की। बैक-ऑफिस द्रव्यमान कभी खत्म नहीं होता है, और इसे तेज़ी से साफ करने से दिन बेहतर होता है। 'उबुन्टू' सिद्धांत यह है: हम लोगों के साथ उनके बजाय अधिक कर सकते हैं। एक बैंक संस्थान में, मासिक भार 223 घंटों से घटकर 136 घंटे बिना ओवरटाइम के हो गया, जबकि उत्पादकता 3.3 से 5 गुना बढ़ गई और राजस्व समान रहा। बैंक को चक्र समय में कमी मिली, और लोगों को आराम करने का मौका मिला।

अपना अवसर खोजें

अपना क्षितिज निर्धारित करें। एक स्काउट भेजें। स्थलाकृति की स्थिति के लिए तैयार हों। अपने मानचित्र को अपडेट करें। अपनी टीम चुनें। प्रत्येक कंपनी में अपना 'जंगली' तत्व होता है।

यह दावा सामने आया है कि कृत्रिम बुद्धिमत्ता मॉडल उतने जटिल नहीं हैं जितना शोधकर्ता मानते थे, जिसने एआई सुरक्षा के क्षेत्र में काफी ध्यान आकर्षित किया है। हालांकि, दक्षिण अफ्रीका के शिक्षाविदों ने चेतावनी दी है कि ये निष्कर्ष अभी तक सत्यापित और सहकर्मी-समीक्षित नहीं हुए हैं।

निक कममाराटा, जो स्टार्टअप गुडफायर के शोधकर्ता हैं और पहले ओपनएआई में काम कर चुके हैं, ने अपने दस्तावेज़ 'अनौपचारिक शोध निबंध और कार्य परिकल्पना' में यह परिकल्पना प्रस्तुत की है। उनका तर्क है कि 'बहुअर्थकता और अध्यारोपण के कैनोनिकल प्रमाण, जिसने अधिकांश वैज्ञानिक समुदाय, जिसमें मैं भी शामिल हूं, को नेटवर्कों में अवधारणाओं की मनमानी पैकेजिंग के लिए आश्वस्त किया था, गलत समझा गया था।'

उन्होंने एमआईटी टेक्नोलॉजी रिव्यू को समझाया: 'हम इसे गलत तरीके से देख रहे थे।' रोड्स विश्वविद्यालय के अतिथि प्रोफेसर स्टीवन बोइकई सिडली का मानना है कि एआई की 'ब्लैक बॉक्स' प्रकृति, जिसे उसके निर्माता भी डिकोड नहीं कर सकते, इसके बारे में कई चिंताओं का मूल कारण है।

सिडली ने उल्लेख किया कि 'यह चिंताजनक था क्योंकि यदि आप यह नहीं समझ सकते कि एआई कैसे सोचता है, तो आप यह कैसे रोक सकते हैं कि वह बुरे काम करे, जैसे किसी को आत्महत्या के लिए उकसाना? यह एआई संरेखण नामक चीज़ का सार है।' उन्होंने आगे कहा कि 'कममाराटा का लेख बताता है कि एआई न्यूरल नेटवर्क के अंदर इतनी जटिलता नहीं है - हम बस इसे गलत लेंस से देख रहे थे। उनके आंशिक और (अभी तक) अप्रमाणित परिणाम आशाजनक हैं, क्योंकि वे इस उम्मीद की किरण देते हैं कि हम एआई को एक अनियंत्रित और आज के बच्चे की तरह नहीं, बल्कि एक अधीन उपकरण बना सकते हैं।'

बिल्ल V वाली बिल्लियाँ, कारें और अक्षर V

निबंध में व्याख्यात्मकता के क्षेत्र में एक प्रसिद्ध उदाहरण पर विचार किया गया है - एक ऐसा अनुशासन जिसका उद्देश्य एआई मॉडल के भीतर होने वाली प्रक्रियाओं का पता लगाना है। 2014 के गूगल इनसेप्शन v1 छवि पहचान मॉडल में, न्यूरॉन 4e:55, जो एक विशिष्ट विशेषता का पता लगाने पर सक्रिय होता था, बिल्लियों और कारों दोनों पर प्रतिक्रिया करता था।

क्रिस ओलाह के नेतृत्व में एक परियोजना के हिस्से के रूप में 2020 के पेपर 'ज़ूम इन' में, जिसके सह-लेखक कममाराटा हैं, इस न्यूरॉन को असंबंधित अवधारणाओं के मिश्रण का एक उत्कृष्ट उदाहरण माना जाता था। हालांकि, कममाराटा अब दावा करते हैं कि वे उन्हें अक्षर V के सामान्य आकार से जोड़ते हैं: बिल्ली की नुकीली प्रोफ़ाइल और कोण से देखा गया कार का अगला हिस्सा। यह वही न्यूरॉन बिलियर्ड टेबल के कोण और हाई-स्पीड ट्रेन की नाक दोनों पर प्रतिक्रिया करता है, जबकि गोलाकार आकृतियाँ विपरीत प्रतिक्रिया उत्पन्न करती हैं।

30 अक्टूबर के निबंध अपडेट में इस बात पर जोर दिया गया है कि न्यूरॉन अभी भी बिल्लियों और कारों को पहचानता है, जिसमें V का आकार एक सामान्य विशेषता है। कममाराटा ने एमआईटी टेक्नोलॉजी रिव्यू को बताया कि उन्होंने जिस मॉडल पर काम किया, उसका अध्ययन करने में उन्हें केवल पांच सेकंड लगे, जबकि उन्होंने उस पर 'संभवतः हजारों घंटे' बिताए।

उनका मानना है कि यदि अधिकांश न्यूरॉन्स एक मुख्य कार्य करते हैं, तो शोधकर्ता मॉडलों का विश्लेषण कर सकते हैं बिना उन्हें डिकोड करने के लिए दूसरी मॉडल को पूर्व-प्रशिक्षित किए बिना। अलीबाबा के Qwen3-32B मॉडल की प्रारंभिक जांच से पता चलता है कि लगभग 90% 'न्यूरॉन ध्रुवीयताएं' - न्यूरॉन गतिविधि के सकारात्मक और नकारात्मक सिरे - एक मुख्य कार्य करते हैं; लगभग 7% दो संबंधित कार्य करते हैं, और 2-4% अभी तक अध्ययन नहीं किए गए हैं, हालांकि ये आंकड़े थ्रेशोल्ड मानों पर निर्भर करते हैं। इसके अलावा, 2023 में ओपनएआई में शुरू की गई उनकी परियोजना ने पाया कि 'हमारी सबसे उदार оценки' के अनुसार केवल लगभग 1.7% न्यूरॉन्स ही व्याख्या योग्य हैं।

अभी तक समीक्षा नहीं हुई है

प्रोफेसर बेंजामिन रोसमैन, विट्स विश्वविद्यालय के इंस्टीट्यूट ऑफ माइंड के संस्थापक, जिन्हें टाइम पत्रिका के 2025 में एआई के क्षेत्र में 100 सबसे प्रभावशाली लोगों की सूची में शामिल किया गया था, ने इसे 'एआई सुरक्षा के लिए एक दिलचस्प और संभावित रूप से बहुत उत्साहजनक विकास' बताया। फिर भी, उन्होंने जोर देकर कहा: 'शोध अभी तक सहकर्मी-समीक्षा से नहीं गुजरा है, और एआई सुरक्षा के लिए इसका क्या मतलब है, इस पर मजबूत निष्कर्ष निकालना बहुत जल्दबाजी होगी।'

अन्य लोग अधिक संदेह व्यक्त करते हैं। गूगल डीपमाइंड के नील नंदा ने एक्स पर लिखा कि 'यह दिलचस्प काम है, लेकिन मुझे नहीं लगता कि यह व्याख्यात्मकता की समग्र तस्वीर में कोई महत्वपूर्ण अपडेट है।' कंसिस्टेंसी रिसर्च सेंटर के जैकब हिल्टन ने जोड़ा: 'पूरी समझ के लिए हमें न्यूरॉन्स से परे जाना होगा और यह समझाना होगा कि वे श्रृंखलाएं बनाते हुए कैसे जुड़ते हैं।'

रोसमैन ने निष्कर्ष निकाला कि 'भले ही हम इन प्रणालियों के काम करने के तरीके को बेहतर ढंग से समझना शुरू कर दें, इसका मतलब यह जरूरी नहीं है कि हम जानते हैं कि उन्हें सुरक्षित रूप से कैसे व्यवहार करना है।'

हाल के वर्षों में, एआई के साथ काम करने के परिणामों में सुधार इस बात पर निर्भर रहा है कि कितने उच्च गुणवत्ता वाले प्रॉम्प्ट लिखे जाते हैं। हालांकि, यह प्रतिमान तेजी से बदल रहा है क्योंकि एआई सिस्टम स्वयं तर्क करना, निर्णय लेना और पूरी कार्यप्रवाहों के भीतर कार्रवाई करना शुरू कर रहे हैं।

TechSparks 2026 कार्यक्रम में, जो YourStory का प्रमुख कार्यक्रम है, Intuit में एआई के प्रमुख वैज्ञानिक शोधकर्ता डॉ. विग्नेश सुब्रह्मण्यम ने YourStory और The CapTable के संपादकीय प्रबंधक आदित चार्ली के साथ बातचीत की। 'प्रॉम्प्ट से परे: सोचने, कार्य करने और सीखने वाले एआई का निर्माण' नामक चर्चा इस बात पर केंद्रित थी कि जैसे-जैसे बुद्धिमत्ता अधिक स्वायत्त होती जाती है, डेवलपर्स को क्या पुनर्कल्पित करने की आवश्यकता है।

सत्र सुब्रह्मण्यम के विशिष्ट कार्य दिवस और फिनटेक और एआई की अवधारणाओं को दर्शकों के लिए सरल बनाने के अनुरोधों के साथ शुरू हुआ। उन्होंने शतरंज के उदाहरण का उपयोग किया, यह सवाल पूछते हुए: यदि किसी एल्गोरिथम को शतरंज के नियम नहीं सिखाए जाते हैं, बल्कि विजेताओं के लाखों पूरे खेल दिखाए जाते हैं, तो क्या वह नियमों और जीतने के लिए सबसे संभावित रणनीतियों दोनों को निकाल सकता है?

Intuit टीम छोटे व्यवसायों का समर्थन करने के लिए इसी तरह के दृष्टिकोण का उपयोग करती है, क्योंकि कंपनी उपभोक्ताओं और लेखाकारों दोनों को सेवा प्रदान करती है। सुब्रह्मण्यम ने टिप्पणी की: 'जैसा कि हम डेटा, वास्तविक कार्यों और उद्यमों द्वारा किए गए परिणामों का विश्लेषण करके व्यवसाय के खेल का अध्ययन करते हैं।' लक्ष्य ग्राहकों को आकर्षित करने, तेजी से विकास और नकदी प्रवाह में सुधार में सफल होने वाले कारकों को समझना है।

इसके बाद बातचीत डेवलपर्स के लिए प्रतिमान परिवर्तन पर चली गई: अधिक बुद्धिमान प्रॉम्प्ट लिखने के कई वर्षों के अध्ययन से लक्ष्य वाले एजेंटों के डिजाइन तक, जो अपने लक्ष्यों को प्राप्त करने के लिए स्वयं कदम निर्धारित करते हैं। सुब्रह्मण्यम ने प्रॉम्प्ट इंजीनियरिंग की तुलना प्रोग्रामिंग भाषाओं के लंबे इतिहास से की, जो बाइनरी कोड और असेंबली से लेकर Fortran, C और Python तक है। बड़े भाषा मॉडल ने किसी भी व्यक्ति को सरल अंग्रेजी में प्रोग्राम करने की अनुमति दी है, लेकिन इस विधि की अपनी सीमाएं हैं।

शोधकर्ताओं ने जल्दी ही महसूस किया कि बुद्धिमत्ता केवल मॉडल में नहीं होनी चाहिए। मॉडल को एक ऑर्केस्ट्रेटर के रूप में कार्य करना चाहिए, जो एक जटिल कार्य को कार्यों और टूल कॉल्स के अनुक्रम में तोड़ता है। वास्तविक बुद्धिमत्ता उन उपकरणों में स्थानांतरित हो जाती है जिन्हें बुलाया जाता है; और इन उपकरणों को भी अलग तरह से डिज़ाइन किया जाना चाहिए: 'किसी व्यक्ति, या सॉफ्टवेयर डेवलपर, या किसी अन्य व्यक्ति द्वारा उपयोग करने के लिए नहीं, बल्कि इस तरह से कि LLM ऑर्केस्ट्रेटर वास्तव में उनका उपयोग कर सके।'

इसके लिए अत्यंत नियतात्मक परिणाम वाले उच्च सटीकता वाले उपकरणों के निर्माण की आवश्यकता होती है। डेवलपर्स के लिए महारत चतुर वाक्यांशों से हटकर विश्वसनीय घटकों की ओर स्थानांतरित हो जाती है जिन्हें मॉडल बिना किसी अप्रत्याशितता के बार-बार कॉल कर सकता है।

नए डेटा स्रोतों के संबंध में, सुब्रह्मण्यम ने खुले तौर पर कहा कि पाठ डेटा पर प्रशिक्षण काफी हद तक हल हो गया है। अधिक जटिल कार्य मल्टीमॉडल स्रोतों और वास्तविक कार्यों पर प्रशिक्षण है। उन्होंने एक छोटे बच्चे के उदाहरण का हवाला दिया जो मुख्य रूप से पढ़ने के बजाय जो देखता है, सुनता है और देखता है, उसके माध्यम से सीखता है, यह दावा करते हुए कि वास्तविक दुनिया के ऐसे संकेतों को एआई सिस्टम में शामिल करने से मॉडल टेक्स्ट जनरेशन से आगे बढ़कर कार्रवाई प्रस्तावित करना शुरू कर सकते हैं। उन्होंने इसे अगला मील का पत्थर कहा।

विनियमित उद्योग की समस्याओं पर विचार करते हुए, वह दर्शकों को 18 साल पहले बैंगलोर की मशीन लर्निंग की पहली प्रयोगशालाओं में वापस ले गए, जहां उन्होंने लॉजिस्टिक रिग्रेशन और मल्टीलेयर परसेप्ट्रॉन पर काम किया था। उस समय सबसे बड़ी समस्या एल्गोरिथम स्वयं नहीं थी। उन्होंने याद किया: 'वास्तव में, यह डेटा की गुणवत्ता थी।'

यह समस्या नहीं बदली है। चाहे टीम साधारण रिग्रेशन को प्रशिक्षित कर रही हो या ट्रांसफार्मर को फाइन-ट्यून कर रही हो, 'इनपुट कचरा - आउटपुट कचरा' का सिद्धांत कायम है। उनके अनुसार, उच्च गुणवत्ता वाले डेटा को एकत्र करने, एकत्रित करने और संग्रहीत करने में सक्षम कंपनियां लाभ उठाएंगी।

एक संक्षिप्त प्रश्नोत्तर सत्र के दौरान एक प्रतिभागी ने पूछा कि वित्तीय डेटा भंडारण पर प्रतिबंध Intuit के संचालन को कैसे प्रभावित करते हैं। सुब्रह्मण्यम ने सहमति को किसी भी प्रशिक्षण प्रणाली की नींव बताया और फ्रैमिंगहम अध्ययन का हवाला दिया, जहां मैसाचुसेट्स शहर के निवासियों ने डॉक्टरों को समय के साथ उनके स्वास्थ्य को ट्रैक करने की अनुमति दी, जिसने हृदय रोगों की आधुनिक समझ को आकार दिया। उन्होंने यह भी जोड़ा कि कंपनियों को जनता को डेटा के उपयोग के लाभों की व्याख्या करनी होगी।

बातचीत समाप्त होने के साथ, मुख्य विचार यह था कि जैसे-जैसे एआई प्रतिक्रिया से कार्रवाई की ओर बढ़ता है, इंटरफ़ेस की तुलना में नींव अधिक महत्वपूर्ण हो जाती है। प्रॉम्प्ट शुरुआती बिंदु बने रहेंगे, लेकिन असली काम अब विश्वसनीय उपकरण बनाने में है जिन्हें एजेंट कॉल कर सकते हैं, सिस्टम को उच्च गुणवत्ता वाले डेटा से लैस करना और सहमति प्राप्त करना जो उन्हें सीखने की अनुमति देता है। यहीं, प्रॉम्प्ट से परे, डेवलपर्स के लिए एआई की अगली लहर जीती जाएगी।