लेखक: Will अवंत
पिछले साल, मैंने कुछ AI विषय पर उद्योग सम्मेलनों में भाग लिया। मंच पर अतिथि AI के विभिन्न ट्रिक्स दिखा रहे थे, जबकि नीचे लोग अपने फोन उठाकर स्क्रीन की तस्वीरें ले रहे थे, फिर फेसबुक पर पोस्ट करके फिर से फोन स्क्रॉल करने लगे। लेकिन ऑफिस वापस आने पर, फिर से वही साप्ताहिक मीटिंग, वही अनुमोदन, वही साप्ताहिक रिपोर्ट। बड़ी कंपनियों ने Token खपत को KPI में शामिल कर लिया है, और कुछ लोग स्क्रिप्ट का उपयोग करके मात्रा बढ़ाकर मॉडल बन गए हैं। फेसबुक पर वो लोग, आज Claude क्रांति, कल Codex शानदार, परसों Gemini की जय—यह क्रांति का स्वागत है, या सिर्फ तेजी से स्थानों का पीछा करना है?
ये सभी शोर हैं, और मुझे जो उत्तर चाहिए, वह नहीं है।
असली सवाल यह नहीं है कि AI कितना शक्तिशाली है—भाप का इंजन पहले से बन चुका है, सवाल यह है कि कौन पहले पुराने कारखाने को तोड़ता है।
उद्योग क्रांति का वास्तविक दिन, वॉट द्वारा भाप के इंजन के सुधार का दिन नहीं था, बल्कि लैंकाशायर के फैक्ट्री मालिकों ने नदियों को छोड़ दिया और भाप के इंजन के चारों ओर कारखाने का पुनर्निर्माण किया। AI का सबसे महत्वपूर्ण पल भी ऐसा ही है—न कि बड़े मॉडल के आविष्कार का दिन, बल्कि पहली संगठन ने पुरानी प्रक्रियाओं को हटा दिया और AI के चारों ओर उत्पादन विधि का पुनर्निर्माण किया। यह दिन अभी आया नहीं है। लेकिन यह रास्ते पर है।
दो लोगों ने इस बात को बहुत जल्दी देख लिया था। Notion के CEO जाओ यिवान ने 2025 के अंत में एक लेख “Steam, Steel, and Infinite Minds” लिखा, जिसमें उन्होंने एक ठंडी जांच की: हम अभी भी “पानी के पहिए को बदलने” के चरण में हैं—मौजूदा उपकरणों पर AI चैटबॉट जोड़ना, लेकिन कोई भी कारखाने को फिर से डिज़ाइन नहीं कर रहा। OpenAI के पूर्व कर्मचारी Leopold Aschenbrenner ने एक अलग राह अपनाई: 165 पृष्ठों का “Situational Awareness” लिखा, और फिर एक फंड बनाया, जिसे 225 मिलियन डॉलर से 13.68 बिलियन डॉलर तक पहुंचाया, सभी AI बुनियादी ढांचे पर संपूर्ण निवेश के साथ। एक अंदर की ओर देख रहा है, दूसरा बाहर की ओर संभावना पर जुआ लगा रहा है।
यह लेख उनके बारे में नहीं है। यह हमारे बारे में है—हम अभी कहाँ खड़े हैं, और हम किस इतिहास के दोहराव में हैं।
(पावर-लूम बुनाई, जे. टिंगल द्वारा थॉमस एल्लोम के बाद एंग्रेविंग, 1835 / विकिमीडिया कॉमन्स)
एक, कार्यशाला अभी भी पुरानी है
अधिकांश लोगों का दिन ऐसा होता है: सुबह AI का उपयोग करके एक ईमेल लिखा, जिससे दस मिनट बचे; फिर एक ऐसी साप्ताहिक बैठक में दो घंटे बर्बाद किए, जिसकी जरूरत ही नहीं थी; दोपहर को तीन टूल्स के बीच एक ही सेट के डेटा को कॉपी-पेस्ट किया; रात को एक पोस्ट पर "AI वाकई बहुत अच्छा है" लिखा। बचाए गए दस मिनट, पुरानी प्रक्रिया द्वारा पूरी तरह से वापस ले लिए गए।
इसी तरह, भाप के इंजन के आविष्कार के समय, कारखाने के मालिकों ने प्रारंभ में केवल जल चक्र को भाप के इंजन से बदल दिया, अन्य सब कुछ अपरिवर्तित रखा—कारखाने अभी भी नदी के किनारे बनाए गए, अभी भी बहुत सारी मंजिलें थीं, और पूरी उत्पादन लाइन को केंद्रीय ट्रांसमिशन शाफ्ट द्वारा संचालित किया जाता था। हम ChatGPT को Slack में डालते हैं, Copilot को Office में जोड़ते हैं, और AI चैट विंडो को कार्य प्रवाह में एम्बेड करते हैं—हम वही काम कर रहे हैं। उपकरण अपग्रेड हुए हैं, लेकिन कारखाना अपरिवर्तित है।
लेकिन नई मशीन बदलना अर्थात् कारखाना बदलना नहीं है। मैक्लुहन ने अच्छी तरह कहा है:
हम पीछे की ओर देखकर भविष्य की ओर बढ़ रहे हैं। पुरानी प्रक्रियाओं के साथ नए उपकरणों को समायोजित करना, जैसे प्रारंभिक फिल्में केवल रिकॉर्ड किए गए नाटक थीं। वास्तविक क्रांति तभी आएगी, जब कोई व्यक्ति भाप के इंजन को नदियों से पूरी तरह मुक्त कर दे और नए ऊर्जा स्रोत के आसपास पूरे उत्पादन प्रक्रिया को पुनः डिज़ाइन करे।
इंडस्ट्रियल रिवोल्यूशन के टाइमलाइन को AI के साथ तुलना करके, आप लगभग यह निर्धारित कर सकते हैं कि हम मानचित्र पर कहाँ हैं:
अब समयरेखा बहुत संकुचित हो गई है। औद्योगिक क्रांति में भाप इंजन से रेलवे उत्साह तक 60 वर्ष लगे, जबकि AI में Transformer से डेटा केंद्र निर्माण के तरंग तक केवल 7 वर्ष लगे।
गति समस्या नहीं है, समस्या यह है कि हम कहाँ अटक गए हैं—पहली चार पंक्तियाँ अभी भी पुरानी दुकान में नई मशीनें लगाने के चरण में हैं, भाप का इंजन लगा हुआ है, रेलवे बिछाई जा रही है, लेकिन उत्पादन विधि अपरिवर्तित है। छठी पंक्ति ही वास्तविक मोड़ है। हम संभवतः इन दो कदमों के बीच अटके हुए हैं।
स्टीम इंजन हाथ में है, लेकिन शॉप अभी भी पुराना है।
दूसरा, पूरा पैसा कारखाने से सबसे दूर वाली मंजिल पर लगा दिया गया
बुनियादी ढांचा हमेशा अतिरंजित रूप से विकसित किया जाता है। अंततः निवेशक दिवालिया हो जाते हैं, बुनियादी ढांचा नहीं।
1846 में, ब्रिटिश संसद ने 263 रेलवे बिल पारित किए, जिससे 9500 मील नए रेलवे के निर्माण की अनुमति मिली। रेलवे निवेश के शिखर पर, यह ब्रिटिश सकल घरेलू उत्पाद (GDP) का 13% था। रेलवे शेयर केवल 10% अग्रिम के साथ खरीदे जा सकते थे, और मध्यम वर्ग इसमें भीड़ लगाने लगा। बुलबुला 1847 में फूट गया। अनुमोदित रेलवे लाइनों में से एक-तिहाई कभी नहीं बनीं, और असंख्य निवेशकों को पूरा पूंजी खोना पड़ा। डार्विन ने रेलवे शेयर्स में 60% का नुकसान उठाया, और उनकी किस्मत अधिकांश लोगों की तुलना में काफी बेहतर थी।
लेकिन रेलवे बना रहा।
आज का AI बुनियादी ढांचा एक ही राह पर चल रहा है। गोल्डमैन सैक्स के हालिया अनुमान के अनुसार, 2026 तक वैश्विक AI बुनियादी ढांचे पर पूंजी व्यय 7650 अरब डॉलर होगा, और 2031 तक प्रति वर्ष 1.6 ट्रिलियन डॉलर का अनुमान है। 2023 में अति-विशाल बादल आपूर्तिकर्ताओं का पूंजी व्यय, संचालन नकदी प्रवाह का लगभग 40% था, जो 2025 तक लगभग 70% हो गया। AI से संबंधित निवेश पहले से ही संयुक्त राज्य अमेरिका के कुल निवेश का लगभग एक-चौथाई हिस्सा है। एशेनब्रेनर का 136.8 अरब डॉलर का निवेश इसी स्तर पर है—वह किसी एप्लिकेशन के जीतने पर नहीं, बल्कि नींव की कैलकुलेशन क्षमता पर जुआ लगा रहा है।
यह पूंजी चक्र, भूमि विकास के समान है। डेटा केंद्र बनाना इमारत बनाने के समान है: भूमि बिजली है, निर्माण सामग्री GPU और स्टोरेज है, ठेकेदार डेटा केंद्र निर्माता हैं, विकासकर्ता क्लाउड प्रदाता हैं, किराएदार AI एप्लिकेशन कंपनियाँ हैं, और किराया API आय है। क्लाउड प्रदाताओं का व्यापार मॉडल किराए से ऋण चलाना है—API आय के माध्यम से डेटा केंद्र के पूंजी व्यय को कवर करना और AI एप्लिकेशन के विस्फोट के साथ मूल्यांकन में उछाल का इंतजार करना।
(हैशरेट रियल एस्टेट: प्रत्येक पीढ़ी की अपनी बुनियादी ढांचा होता है)
समान रूप से मूल जोखिम भी है: API की प्रति इकाई कीमत में गिरावट, क्या उपयोग की मात्रा में वृद्धि से कवर की जा रही है? अगर किराया ऋण चुकाने की सीमा से नीचे गिर जाए—यह रियल एस्टेट डेवलपर्स के लिए सबसे परिचित सपना है। 2008 का पाठ इतने ज्यादा घर बनाने का नहीं था, बल्कि बनाए गए घरों और वास्तविक मांग के संरचनात्मक असंगति का था। AI का समतुल्य जोखिम है: सामान्य कैलकुलेशन की अधिकता, लेकिन वित्तीय अनुपालन, स्वास्थ्य निदान जैसे उच्च मूल्यवान परिदृश्यों को संभालने की पेशेवर क्षमता अभी भी दुर्लभ है।
रेलवे, रियल एस्टेट, AI — तीन युगों के बुनियादी ढांचे के निवेश, एक ही नियम को साझा करते हैं: अतिरिक्त निर्माण सामान्य है, बुनियादी सामग्री विक्रेता हमेशा मूल्य निर्धारण का अधिकार खो देते हैं, और लंबी अवधि का रिटर्न हमेशा 'मुख्य स्थान' के मालिकों को मिलता है। वॉल स्ट्रीट के Q1 फंड के होल्डिंग्स को देखें — संभावना है कि 80% इस बुनियादी ढांचे पर केंद्रित है: NVIDIA, डेटा सेंटर, क्लाउड बुनियादी ढांचा। लेकिन रेलवे के उत्साह हमें सिखाते हैं: यह AI क्रांति की पूरी तस्वीर नहीं है, और न ही यह सबसे अधिक रिटर्न वाली परत है।
AI का केंद्रीय स्थान क्या है? यह अद्वितीय उद्योग डेटा और गहराई से एकीकृत कार्यप्रवाह है। व्यक्तिगत स्तर पर, वास्तविक 'केंद्रीय स्थान' धारित शेयर नहीं है, बल्कि अपनी अनुपम निर्णय क्षमता और उद्योग ज्ञान है—जब तक कि आपने AI के साथ उन्हें उपयोग करने का तरीका पुनर्निर्मित नहीं कर लिया है।
असली रिटर्न, अगले लेवल पर है। लेकिन बुनियादी ढांचे से मूल्य सृजन के बीच, बिना रुके जुड़ाव नहीं है। बीच में एक खाई है—इतिहास में, यह खाई दशकों को निगल चुकी है।
तीन, कौन कारखाने को तोड़ रहा है
कारखाने को तोड़ने वाले और “AI का उपयोग करके कार्यक्षमता बढ़ाने” वाले, एक ही काम नहीं कर रहे हैं।
जिया इवान के सह-संस्थापक साइमन, जो पहले एक "10x प्रोग्रामर" थे, अब कम से कम कोड नहीं लिखते—वे एक साथ तीन या चार AI कोडिंग एजेंट्स को नियंत्रित करते हैं, जिससे उनकी दक्षता 30 से 40 गुना हो जाती है। Notion में अब 1000 कर्मचारी और 700 से अधिक AI एजेंट्स हैं। अंतर उपकरण नहीं है, बल्कि साइमन ने अपना पुराना कारखाना हटा दिया है, जबकि अधिकांश लोग केवल एक पानी का पहिया बदल रहे हैं।
6 अरब चीनी उपयोगकर्ताओं ने जनरेटिव AI उपकरणों का उपयोग किया है, जो पिछले वर्ष की तुलना में 142% की वृद्धि है—यह दुनिया का सबसे बड़ा AI मांग पूल है। लेकिन चीनी कंपनियों में से लगभग कोई भी AI के आधार पर अपनी मुख्य कार्य प्रवाह को पुनर्निर्मित नहीं कर पाया है। दुनिया का सबसे बड़ा मांग पक्ष, जिसके साथ लगभग कोई सप्लाई साइड संगठनात्मक परिवर्तन नहीं हुआ है। इस विपरीतता के स्वयं में ही एक संकेत है: समस्या उपकरणों की कमी नहीं है, बल्कि संगठन इसके साथ चल नहीं पा रहा है। ज्ञान-आधारित कार्यों का संदर्भ दर्जनों उपकरणों और दर्जनों लोगों के मस्तिष्क में बिखरा हुआ है, जिसका आउटपुट सत्यापित नहीं किया जा सकता, और कोई भी नहीं जानता कि किसी सामरिक स्मृति की प्रभावशीलता कैसे मापें।
(AI के प्रभाव: एक नया माप और प्रारंभिक साक्ष्य)
Anthropic ने बड़े पैमाने पर कदम उठाया है। उन्होंने Economic Index जारी किया, जिसमें वास्तविक उपयोग डेटा का उपयोग करके AI द्वारा सबसे पहले कौन से कार्य और उद्योगों को बदला जाएगा, यह दर्शाया गया है, और फिर इस चित्र के आधार पर कार्य किया गया: Goldman Sachs, Blackstone, Hellman & Friedman के साथ AI-नेटिव एंटरप्राइज सर्विसेज कंपनी का संयुक्त उद्यम शुरू किया; KPMG के साथ वैश्विक गठबंधन स्थापित किया, जिसमें 276,000 कर्मचारी Claude तक पहुँचते हैं; Accenture ने एक व्यापार समूह बनाया, 30,000 लोगों को प्रशिक्षित किया, जो वित्त, जीव विज्ञान और स्वास्थ्य पर केंद्रित हैं।
इन परामर्श कंपनियों की भूमिका AI के उपयोगकर्ता नहीं, बल्कि AI के रेलवे इंजीनियर है—वे भाप के इंजन नहीं बनाते, न ही रेल की पटरियाँ बिछाते, वे उद्यमों को पुराने कारखानों को हटाने और नए ऊर्जा स्रोत के चारों ओर उत्पादन लाइन को पुनः बनाने में मदद करते हैं। इस भूमिका के बिना, अधिकांश कारखाने मालिकों को शुरुआत कहाँ से करनी है, यह पता नहीं होता।
सिग्नल पहले से ही चमक रहे हैं। सबसे तीव्रतम सिग्नल रोजगार बाजार से आया है।
AI के अधिक संपर्क वाले व्यवसायों में 22-25 वर्ष की आयु के युवा, कम संपर्क वाले व्यवसायों में अपनी उम्र के समकक्षों की तुलना में नौकरी पाने की संभावना 14% कम है। प्रारंभिक पद पहले ही संकुचित हो रहे हैं।
अगर मैं एक नवीन हूँ, तो यह संख्या मेरी नौकरी की खोज पर सीधा प्रभाव डालती है। अगर मैं एक प्रबंधक हूँ, तो मैं जिन प्रारंभिक पदों को भरूँगा, वे शायद अब इंसान नहीं होंगे।
संगठन टूट रहे हैं, लेकिन व्यक्ति क्या? मेरी शिक्षा, मेरी नौकरी की जानकारी, मेरे इन सालों में जमा की गई उद्योग का अनुभव—ये मेरे पानी के पहिए हैं। ये कभी मेरी पूरी उत्पादन लाइन को चलाते थे, लेकिन भाप का इंजन आ गया है। 985 और 211 अब खाई नहीं हैं, ये सिर्फ इस बात का सबूत हैं कि मैंने कभी नदी के किनारे एक अच्छा कारखाना बनाया था।
अब की बात यह है कि क्या हमारे पास उस नदी से बाहर निकलने की क्षमता है।
एंथ्रोपिक के डेटा के अनुसार, 6 महीने से अधिक समय तक AI उपकरणों का उपयोग करने वाले उपयोगकर्ता, नए उपयोगकर्ताओं की तुलना में कार्य सफलता में 10% अधिक है। आधा साल पहले शुरू करने वाले पहले से ही 10% आगे हैं, और यह अंतर समय के साथ चक्रवृद्धि बढ़ता रहेगा।
लेकिन अभी तक कोई भी कंपनी AI का उपयोग न करने के कारण बंद नहीं हुई है, कम से कम मेरा कानूनी कार्यालय AI के चक्रव्यूह में आगे बढ़ रहा है। विजेता अभी तक बाजार द्वारा चुने नहीं गए हैं। सीखने का वक्र वास्तविक है—जो लोग पहले चल पड़े हैं, वे पहले से ही लाभ जमा कर रहे हैं, लेकिन अधिकांश लोग अभी शुरुआती बिंदु पर हैं।
चार, मेरा अगला पेशा अभी तक नामहीन है
मेरा वर्तमान पेशेवर शीर्षक, दस साल बाद भी मौजूद होगा? पांच साल पहले मैं जिन उपकरणों का दिन में उपयोग करता था, आज उनमें से कितने बचे हैं? उत्तर संभवतः सभी के लिए नहीं होगा। लेकिन मुझे नहीं पता कि उनके स्थान पर क्या आएगा—क्योंकि वे चीजें अभी मौजूद नहीं हैं।
ऐतिहासिक रूप से हमेशा ऐसा ही हुआ है। नया कुछ योजनाबद्ध रूप से नहीं बनता, बल्कि पुरानी सीमाओं के गायब होने के बाद स्वयं उभरता है।
रेलवे के निर्माण से पहले, ब्रिटेन अलग-अलग अलग-अलग स्थानीय अर्थव्यवस्थाओं का समूह था। मैनचेस्टर में कपास के बारे में कीमतें लंदन से 30% अलग हो सकती थीं। प्रत्येक शहर का अपना समय मानक होता था, और किसी को इसकी कोई परेशानी नहीं थी। रेलवे के निर्माण के बाद बीस साल में, सब कुछ बदल गया। पहली बार पूरे देश का एक समान बाजार उभरा, कीमतों में अंतर समाप्त हो गए; मानक समय को रेलवे ने आविष्कार नहीं किया, बल्कि इसे अनिवार्य बना दिया; स्टेशन मास्टर, टेलीग्राफ ऑपरेटर, यात्रा प्रतिनिधि—ये सभी पद रेलवे से पहले पूरी तरह से अनुपस्थित थे।
जब लोग रेलवे ट्रैक बना रहे थे, तब उन्होंने डिपार्टमेंटल स्टोर की कल्पना नहीं की थी। जब लोग भाप के इंजन बना रहे थे, तब उन्होंने मानक समय की कल्पना नहीं की थी।
(भाप, स्टील और AI अनंत बुद्धिमत्ता)
शहरों का इतिहास एक ही कहानी सुनाता है। कई सौ साल पहले, शहर मानवीय पैमाने के थे—फ्लोरेंस को पैदल चलकर चालीस मिनट में पार किया जा सकता था। स्टील के फ्रेम ने आकाशस्पर्शी इमारतों को संभव बनाया, रेलवे ने शहर और उसके पिछले क्षेत्रों को जोड़ा, फिर लिफ्टें, मेट्रो और हाईवे आए। टोक्यो, चोंगकिंग, डलास—ये बड़े फ्लोरेंस नहीं हैं, ये एक पूरी तरह से नई जीवनशैली हैं।
आज के ज्ञान-आधारित कार्य भी मानवीय पैमाने पर हैं। दर्जनों लोगों की टीमें, मीटिंग्स और ईमेल्स गति निर्धारित करते हैं, लेकिन कई सौ लोगों से अधिक होने पर यह भारी पड़ जाता है। हम फ्लोरेंस को पत्थर और लकड़ी से बना रहे हैं। AI "टोक्यो" को संभव बनाता है—हजारों AI एजेंट और कर्मचारियों से मिलकर बनी संगठन, जिसका कार्यप्रवाह समय क्षेत्रों के पार निरंतर चलता रहता है। पुरानी साप्ताहिक मीटिंग्स, त्रैमासिक योजनाएँ और वार्षिक समीक्षाएँ, संभवतः अब अर्थहीन हो सकती हैं।
साइमन अब कोड नहीं लिखता—उसका काम "AI एजेंट का प्रबंधन" हो गया है। दो साल पहले इस पद का कोई अस्तित्व नहीं था। मेरा अगला पेशेवर शीर्षक, शायद अभी तक नाम नहीं है। लेकिन कोई ऐसा भविष्य बना रहा है, जिसका हम अभी तक नाम नहीं दे पाए हैं।
पांचवां: नया कार्यशाला कैसा दिखता है
पुराने वर्कशॉप को तोड़ने के बाद क्या बनाएं? YC का जवाब है: कंपनी को खुद को सुधारने दें।
उनकी आंतरिक प्रणाली अब रात में अपना कोड स्वयं बदल देती है। एक कर्मचारी ने दिन में एक पूछताछ भेजी, जो विफल हो गई। एक सुपरवाइज़र एजेंट ने इस विफलता को पढ़ा, कारण का पता लगाया, स्वयं कोड लिखकर उसे ठीक किया, समीक्षा के लिए सबमिट किया, और डिप्लॉय कर दिया। अगले दिन वही पूछताछ सफलतापूर्वक चल गई। पूरी घटना सभी के सोते समय पूरी हो गई।
यह AI द्वारा लोगों को 30% अधिक उत्पादन करने में मदद करना नहीं है। यह एक पूरा बंद चक्र स्वयं पूरा कर रहा है और खुद को बेहतर बनाने का तरीका ढूंढ रहा है।
YC के साझेदार टॉम ब्लॉमफील्ड ने एक आंतरिक भाषण में इस कंपनी के रूप को "पुनरावर्ती स्व-सुधार वाला AI चक्र" कहा। उनका निर्णय सीधा है: अधिकांश कंपनियाँ अभी भी रोमन लेजियन हैं—परतों में नीचे तक पहुँचाया जाता है और परतों में ऊपर तक भेजा जाता है, और लोग जानकारी के संचार के माध्यम बन जाते हैं। AI जो तोड़ता है, वह किसी एक चरण की दक्षता नहीं, बल्कि इस पूरी पदानुक्रमिक संरचना के मौजूदगी की पूर्वशर्त है।
उनका नया तर्क है: टोकन जलाएं, इंसानों को नहीं। बैंकनेक इंसानी शक्ति से कैलकुलेशन शक्ति की ओर बदल रहा है। YC द्वारा देखे गए डेटा के अनुसार, Demo Day तक पहुंचने वाली बैच कंपनियों की प्रति व्यक्ति आय 18 महीने पहले की तुलना में लगभग 5 गुना बढ़ गई है। मिडिल मैनेजमेंट की भूमिका AI द्वारा संभाल ली गई है—'सहयोग' करने की जरूरत अब किसी इंसान की नहीं है। हर कोई IC, builder, operator होना चाहिए, हर काम का एक नामित जिम्मेदार होना चाहिए, कमेटी नहीं।
एक और पूर्वशर्त: कंपनी को AI के लिए "पठनीय" होना चाहिए। जो बातें दर्ज नहीं की गईं, वे AI के लिए अनुपस्थित होती हैं। YC अब सभी साझेदारों के ईमेल्स को डेटाबेस में सहेज रहा है, सभी Slack संदेशों और ऑफिस घंटे की रिकॉर्डिंग को रिकॉर्ड कर रहा है। एक साझेदार ने तीन महीनों में एकत्रित 2000 घंटे की रिकॉर्डिंग के साथ AI को एक 150 पृष्ठों की आंतरिक हैंडबुक पुनः उत्पन्न करने के लिए प्रेरित किया—जो मूल संस्करण से कहीं बेहतर है। यह हैंडबुक मासिक रूप से स्वचालित रूप से अपडेट होती है और एक सदैव ताजा "जीवित मस्तिष्क" बन गई है।
टॉम ने एक प्रश्न छोड़ा:
अगर आज आप अपनी कंपनी को शून्य से शुरू कर रहे हों, तो क्या आप इसी ढंग से इसे बनाएंगे? अगर आपकी कंपनी पहले से ही एक पदानुक्रमिक संरचना के साथ बन चुकी है, तो एक और अधिक कठिन प्रश्न का उत्तर देना होगा—एक बार फिर से पुनर्निर्माण करने का दुख, क्या रोमन सेना की तरह आगे बढ़ते रहने की कीमत से कम होगा?
लोग कारखाने के केंद्र में नहीं हैं, बल्कि बाहरी वृत्त में हैं—जहाँ AI अभी तक पहुँच नहीं पा रहा है: ऑफलाइन निर्णय, नए परिदृश्य, और उच्च जोखिम वाले भावनात्मक क्षण। कंपनी का केंद्र डेटा, रिकॉर्ड और उद्योग के ज्ञान से बना हुआ ‘कंपनी का मस्तिष्क’ है। इस पर चलने वाले सॉफ्टवेयर उपभोग्य हैं—जो बनाए जा सकते हैं, उन्हें फिर से बनाया जा सकता है। मूल्यवान चीजें लोगों के मस्तिष्क में हैं—व्यवसाय कैसे चलता है, कौन-से कदम निर्णय से संबंधित हैं, यह समझ ही वास्तविक संपत्ति है।
ज़े यीवान ने अपनी पुस्तक "स्टीम, स्टील, और अनंत मन" में इस दिशा के दूसरे पहलू का वर्णन किया है—1000 कर्मचारी और 700 से अधिक AI एजेंट सहयोग करते हुए, जहाँ मनुष्य निर्णय लेते हैं और एजेंट कार्यान्वयन करते हैं। एशेनब्रेनर ने कैपेसिटी बुनियादी ढांचे पर निवेश किया है, जबकि ज़े यीवान ने संगठन के पुनर्गठन पर। दोनों मार्ग अंततः एक ही अंतिम बिंदु की ओर इशारा करते हैं: AI के चारों ओर पुनर्निर्मित नई उत्पादन प्रणाली।
छह, समापन
1840 के दशक और 1850 के दशक के बीच—रेलवे पूरी तरह से बन चुकी थी, लेकिन कारखाने अभी तक पुनर्निर्मित नहीं हुए थे।
हम कहाँ हैं? साइमन अब कोड नहीं लिख रहा है। उसका पानी का पहिया उसने खुद अलग किया है।
सवाल कभी यह नहीं था कि भाप का इंजन कितना अच्छा है, सवाल यह था कि पुराने कारखाने को सबसे पहले कौन तोड़ता है।
मैं भविष्य के डिपार्टमेंटल स्टोर का अनुमान लगाने की योजना नहीं बना रहा हूँ, मैं केवल अपना काम करने की योजना बना रहा हूँ—बस यह सुनिश्चित करें कि मैं रेलवे के किनारे खड़ा हूँ, न कि एक सूखती हुई नदी के पास।
What about you?