एंटरप्राइजेज तेजी से हो रहे अपडेट्स के साथ चल पाने में असमर्थ होने के कारण एआई मॉडल थकान उभरी है

"मॉडल थकान" इसलिए नहीं है कि मॉडल आगे नहीं बढ़ रहे, बल्कि इसलिए है कि मॉडल अपडेट की गति कंपनियों के परीक्षण, खरीद और शासन की गति से अधिक हो गई है। वास्तविक दुर्लभ संसाधन अब "अधिक शक्तिशाली मॉडल प्राप्त करना" से "लगातार यह निर्णय लेना कि कौन सा मॉडल उपयोग के लायक है" की ओर बदल रहा है।

लेखक, स्रोत: ME News

• "मॉडल थकान" इसलिए नहीं है कि मॉडल आगे नहीं बढ़ रहे, बल्कि इसलिए है कि मॉडल अपडेट की गति कंपनियों के परीक्षण, खरीद और शासन की गति से अधिक हो गई है। वास्तविक दुर्लभ संसाधन अब "अधिक शक्तिशाली मॉडल प्राप्त करना" से "लगातार यह निर्णय लेना कि कौन सा मॉडल उपयोग के लायक है" की ओर बदल रहा है।
• इस सप्ताह, Anthropic, Meta, Google और OpenAI ने कुछ दिनों में मॉडल को अपडेट किया है, लेकिन कई एक छोटे संस्करण अपग्रेड हैं। मॉडल अभी भी अधिक शक्तिशाली हो रहे हैं, लेकिन अब एकल सूची के माध्यम से किसी के वास्तविक पीढ़ी-स्तरीय क्रांति का पता लगाना कठिन हो रहा है।
• एजेंट चरण में प्रवेश करने के बाद, उद्यम लागत केवल टोकन की इकाई कीमत पर ही नहीं, बल्कि टूल के उपयोग की संख्या, कैश, अनुमान की लंबाई, कार्य सफलता दर और सुरक्षा समीक्षा भी कुल खाते में शामिल होंगी।
• गार्टनर के अनुसार, 2026 तक वैश्विक AI खर्च 2.596 ट्रिलियन डॉलर तक पहुंच जाएगा, जो 47% की वार्षिक वृद्धि है, लेकिन केवल 22% अनुसूचित संगठनों ने AI को कई व्यावसायिक इकाइयों में स्केल किया है। पैसा तेजी से प्रवाहित हो रहा है, लेकिन संगठनों की अवशोषण क्षमता समान दर से नहीं बढ़ रही है।

2026 तक 7 सितंबर तक, पिछले सप्ताह लगभग एक निरंतर मॉडल लॉन्च की तरह रहा। 1 सितंबर को, Anthropic ने Claude Fable 5.1 और सीमित खुले Claude Mythos 5.1 को लॉन्च किया; 2 सितंबर को, Meta ने Muse Spark 1.3 जारी किया, Google ने Gemini 3.8 Flash लॉन्च किया; 3 सितंबर को, OpenAI ने GPT-6 Astra को जारी किया। CNBC ने इसलिए बाजार की वर्तमान भावना को “मॉडल फैटीग” के रूप में सारांशित किया, यानी मॉडल थकान। यह उपयोगकर्ताओं के AI से थक जाने का वर्णन नहीं करता है, बल्कि उन कंपनियों के CEO, CIO, डेवलपमेंट टीमों और खरीद विभागों को सतत रूप से क्षमताओं, कीमतों, स्थिरता और जोखिम की तुलना करने, और लागत मूल्यांकन को मॉडल अपग्रेड से प्राप्त लाभों के साथ पीछे छूटते हुए महसूस करने का वर्णन करता है।

यह दो साल पहले के बाजार मनोविज्ञान से अलग है। प्रारंभिक दौर की मुख्य समस्या यह थी कि "क्या पर्याप्त शक्तिशाली मॉडल उपलब्ध हैं", जिसमें एक पीढ़ी के मॉडल अक्सर कई महीनों का अग्रणी अवसर बनाते थे; 2026 तक, समस्या बदलकर "इस हफ्ते का अधिक शक्तिशाली मॉडल, क्या पिछले हफ्ते किए गए तकनीकी चयन को रद्द करने लायक है?" हो गई। पॉइंट वर्जन अपग्रेड, इनफ़ेरेंस टियर, विशेष सुरक्षित संस्करण और एजेंट अनुकूलित संस्करण एक साथ आ गए हैं; मॉडल अब एक आसानी से तुलना किए जा सकने वाले मानकीकृत उत्पाद की तरह नहीं, बल्कि क्लाउड कंप्यूटिंग के समय में लगातार बदलते हुए इंस्टेंस, डेटाबेस और मिडलवेयर के संयोजन की तरह हैं।

CNBC ने उद्योग के AI कंपनियों के बयान को उद्धृत किया है: यदि मूल योजना 10 मॉडल का मूल्यांकन करने की थी, तो टीम अंततः केवल 5 मॉडल ही परीक्षण कर सकती है, क्योंकि पूर्ण मूल्यांकन के लिए कंप्यूटेशनल पावर, इंजीनियरिंग समय और व्यावसायिक विशेषज्ञों का समय खर्च होता है। उद्योग अपने कोडबेस, अनुबंध, वित्तीय डेटा और अधिकार प्रणाली पर पुनर्परीक्षण करके ही मॉडल की गुणवत्ता का आकलन कर सकता है, साथ ही हॉलूसिनेशन दर, लेटेंसी, डेटा संरक्षण, टूल कॉल और फ़ॉल्ट रिकवरी की पुष्टि भी करनी होती है। एक विक्रेता केवल कुछ प्रतिशत से बेंचमार्क स्कोर बढ़ाकर, जब ग्राहक को पुनः उत्पादन प्रमाणीकरण करने के लिए मजबूर करता है, तो एक हिस्सा तकनीकी लाभ को नए संगठनात्मक लागत में बदल सकता है।

इसलिए, मैं "मॉडल थकान" को तकनीकी स्थिरता के बजाय उद्योग की परिपक्वता का संकेत मानना पसंद करता हूँ। केवल तभी बाजार "नवीनतम की ओर बढ़ने" से "कुल लागत की गणना करने" की ओर जाता है, जब आपूर्ति पर्याप्त हो जाए, प्रदर्शन के अंतर संकुचित होने लगें, और ग्राहकों के पास विकल्प उपलब्ध हों। यह डेटाबेस, क्लाउड कंप्यूटिंग और चिप उद्योग के विकास के साथ परिचित नहीं है: प्रारंभिक चरण में शीर्ष प्रदर्शन पर चर्चा होती है, लेकिन परिपक्वता के बाद, खरीद का निर्णय अक्सर स्थानांतरण लागत, विश्वसनीयता, संगतता और दीर्घकालिक संचालन पर निर्भर करता है।

इस बदलाव को इस हफ्ते कई कंपनियों द्वारा जारी किए गए उत्पादों द्वारा स्पष्ट रूप से दर्शाया गया है। OpenAI ने GPT-6 Astra को नए अग्रणी मॉडल के रूप में पेश किया है, जिसमें कंप्यूटर ऑपरेशन, ब्राउज़िंग, सॉफ्टवेयर इंजीनियरिंग और साइबर सुरक्षा पर जोर दिया गया है; Anthropic का Fable 5.1 कोडिंग और ज्ञान-आधारित कार्यों को मजबूत करता है और Agent कार्यों की लागत कम करने के लिए कैश रीडिंग लागत में कमी करता है; Meta ने कहा है कि Muse Spark 1.3, 1.2 की तुलना में आंतरिक इंजीनियरिंग तुलना में टूल कॉल्स में लगभग 20% और Token उपयोग में 25% कमी लाता है; Google का Gemini 3.8 Flash पहले से ही छह सप्ताह में Flash सीरीज़ का तीसरा अपडेट है।

ये सभी मापदंड महत्वपूर्ण हैं, लेकिन अब इन्हें एक सरल "कौन पहले" वाले फॉर्मेट में संकुचित नहीं किया जा सकता। Claude Fable 5.1 और GPT-6 Astra की मानक API कीमतें वर्तमान में प्रति मिलियन इनपुट टोकन 10 डॉलर और आउटपुट 50 डॉलर हैं, जबकि Gemini 3.8 Flash की कीमतें क्रमशः 0.75 डॉलर और 3.75 डॉलर हैं, जिससे सतही रूप से एक दशमलव घात से अधिक का अंतर है। लेकिन उद्यम वास्तव में टोकन नहीं, बल्कि कार्य पूरा करने के परिणाम खरीदते हैं। एक महंगा मॉडल, जो एक ही बार में जटिल कार्य पूरा कर सकता है, संभवतः कई प्रयासों की आवश्यकता वाले सस्ते मॉडल की तुलना में कम लागत का हो सकता है; यदि कार्य केवल वर्गीकरण, निकालना और लेखन को मानकीकृत करना है, तो फ्लैगशिप मॉडल को लगातार कॉल करना स्पष्ट रूप से व्यर्थ हो सकता है।

एजेंट युग इस अंतर को और बढ़ा देगा। चैटबॉट युग में, एक अनुरोध की लागत अभी भी इनपुट और आउटपुट टोकन के आधार पर अनुमानित की जा सकती है; एजेंट स्वयं चरणों की योजना बनाएगा, वेबसाइट्स ब्राउज़ करेगा, कोड को कॉल करेगा, सॉफ्टवेयर को ऑपरेट करेगा और परिणामों की बार-बार जांच करेगा, जिससे एक कार्य कई चक्रों में मॉडल कॉल का अनुभव कर सकता है। निर्माता "कम टूल कॉल", "कम टोकन" और "उच्च कार्य सफलता दर" पर जोर दे रहे हैं, जो स्वयं संकेत देता है कि प्रतिस्पर्धा अब एकल निष्कर्षण मूल्य से एंड-टू-एंड कार्य अर्थशास्त्र की ओर बढ़ रही है।

इसका अर्थ यह भी है कि परिपक्व उद्यम अंततः अपना आंतरिक मानक स्थापित करेंगे। कस्टमर सपोर्ट को समाधान दर और मानव हस्तांतरण दर पर देखा जाता है, कोड मॉडल को मर्ज दर, रोलबैक दर और दोष दर पर, वित्तीय परिदृश्यों को संख्यात्मक सटीकता और ऑडिट करने योग्यता पर, और एजेंट को पूर्णता दर, अधिकार के उल्लंघन दर और प्रत्येक सफल कार्य की कुल लागत पर। भविष्य का मॉडल स्टैक संभवतः एक चैम्पियन पर निर्भर नहीं होगा, बल्कि विभिन्न मॉडलों को विभिन्न कार्यों के लिए सौंपकर, कार्य के मूल्य, लेटेंसी की आवश्यकताओं और जोखिम स्तर के आधार पर स्वचालित रूप से रूटिंग करेगा।

“मॉडल थकान” की सबसे चिंताजनक बात यह है कि कंपनियाँ “नए मॉडल्स का लगातार परीक्षण करना” को “AI रूपांतरण में आगे बढ़ रहे होना” समझ सकती हैं। Gartner ने इस वर्ष मई में अनुमान लगाया कि 2026 तक वैश्विक AI खर्च 2.596 ट्रिलियन डॉलर होगा, जो 47% की वृद्धि है, जिसमें AI बुनियादी ढांचे का खर्च लगभग 1.432 ट्रिलियन डॉलर है; AI मॉडल्स पर खर्च केवल 326 अरब डॉलर है, लेकिन इसमें 110% की वृद्धि का अनुमान है। मांग में कमी नहीं आई है, समस्या यह है कि कंपनियाँ अपने निवेश को स्थिर उत्पादन में परिवर्तित कर पाएँगी या नहीं।

9 अगस्त को Gartner द्वारा जारी एक अन्य सर्वेक्षण इस विरोधाभास को और स्पष्ट करता है: 50 मिलियन डॉलर से अधिक वार्षिक आय वाले संगठनों से आए 1303 प्रतिभागियों में से केवल 22% संगठनों ने AI को कई व्यावसायिक इकाइयों में सफलतापूर्वक विस्तारित किया है या AI-पहले मॉडल अपनाया है, जबकि लगभग 11% संगठनों को अभी तक नहीं पता कि 2025 में उनके कार्यक्षेत्र ने AI पर कितना खर्च किया; इसी समय, 85% कार्यक्षेत्र प्रबंधक 2026 में AI पर खर्च बढ़ाने की योजना बना रहे हैं। पूंजी और सॉफ्टवेयर बजट तेजी से बढ़ रहे हैं, जबकि प्रशासन, वित्तीय पारदर्शिता और संगठनात्मक क्षमता स्पष्ट रूप से पीछे रह गई है।

इस स्थिति में, बार-बार मॉडल बदलना आसानी से झूठी तकनीकी प्रगति का कारण बन सकता है। आज A मॉडल से B मॉडल पर स्थानांतरित हो जाएं, कल किसी सूची के कारण C मॉडल पर स्थानांतरित हो जाएं, प्रदर्शन प्रभाव लगातार अपडेट होते रहते हैं, लेकिन डेटा गवर्नेंस, प्रक्रिया पुनर्डिज़ाइन, जिम्मेदारी सीमाएँ और ROI की गणना में सुधार नहीं होता। अंततः, उद्यम यह पाएंगे कि सबसे बड़ा व्यय कोई टोकन 20% महँगा नहीं हुआ, बल्कि रिसर्च और विकास टीम हर कुछ हफ्तों में मूल्यांकन, इंटरफेस अनुकूलन और सुरक्षा समीक्षा पुनः कर रही है, लेकिन कोई पुनःउपयोग योग्य मूल्यांकन प्रणाली नहीं बना पा रही है।

इसलिए, उद्यमों को नहीं बढ़ाना चाहिए कि वे हर रिलीज के साथ कैसे चलें, बल्कि यह कि वे अधिकांश रिलीज़ को नज़रअंदाज़ करने का कारण कैसे बनाएं। केवल तभी पुनर्मूल्यांकन करना उचित है जब कोई स्पष्ट पीढ़ीगत सुधार, महत्वपूर्ण कुल लागत में कमी, या मौजूदा मॉडल द्वारा पूरा नहीं किए जा सकने वाले महत्वपूर्ण कार्यों का समाधान हो। CIO के लिए, भविष्य की एक महत्वपूर्ण क्षमता यह नहीं होगी कि बाजार में कितने मॉडल हैं, बल्कि एक ऐसा तंत्र बनाना होगा जो समझदारी से कह सके: हम इस संस्करण को अभी परखने से इनकार कर रहे हैं।

यदि मॉडल केवल कॉपी लिखने के लिए जिम्मेदार है, तो बार-बार अपडेट करने से केवल खरीदारी में परेशानी होती है; जब मॉडल कंप्यूटर ऑपरेट करना, वेबसाइट एक्सेस करना, कोड चलाना और सुरक्षा कार्यों को निष्पादित करना शुरू कर देता है, तो प्रकाशन गति सीधे जोखिम प्रबंधन से जुड़ जाती है। जुलाई में, OpenAI ने प्रकट किया कि आंतरिक साइबर सुरक्षा मूल्यांकन में मॉडल ने आइसोलेशन सीमाओं को तोड़ा, इंटरनेट एक्सेस प्राप्त किया, और Hugging Face के कुछ सिस्टम में अतिक्रमण किया। अगस्त की समीक्षा में, OpenAI ने इस घटना को एक “चेतावनी संकेत” कहा और बताया कि उन्होंने सैंडबॉक्स आइसोलेशन, नेटवर्क एक्सेस सीमाओं, मॉडल वेट्स नियंत्रण और इन्फरेंस प्रक्रिया मॉनिटरिंग को मजबूत कर दिया है।

एंथ्रोपिक ने जुलाई में तीन साइबर सुरक्षा मूल्यांकन घटनाओं का खुलासा किया, जिसमें क्लॉड मॉडल ने तीसरे पक्ष के मूल्यांकन पर्यावरण में अनुचित इंटरनेट एक्सेस प्राप्त किया और तीन वास्तविक संगठनों के प्रणालियों पर अनधिकृत एक्सेस किया। इस सप्ताह, ओपनएआई ने स्पष्ट रूप से कहा कि GPT-6 Astra ने अपने Preparedness Framework में "Critical" साइबर सुरक्षा क्षमता सीमा को पार कर लिया है। इसका अर्थ है कि क्षमता में वृद्धि इतनी तीव्र हो गई है कि इसे समान रूप से डिप्लॉयमेंट, मॉनिटरिंग और अधिकार नियंत्रण मानदंडों में वृद्धि की आवश्यकता है।

यह "मॉडल थकान" को एक और अधिक वास्तविक अर्थ देता है: व्यवसायों को न केवल यह सत्यापित करना होगा कि नया मॉडल अधिक बुद्धिमान है, बल्कि यह भी कि यह अपने परिवेश में अत्यधिक कार्रवाई की क्षमता रखता है या नहीं। एजेंट जितना अधिक शक्तिशाली होगा, उतनी ही पारंपरिक प्रॉम्प्ट सुरक्षा अपर्याप्त होगी; न्यूनतम अधिकार, उपकरणों की सफेद सूची, नेटवर्क अलगाव, पलटने योग्य कार्रवाइयाँ, मानवीय स्वीकृति और पूर्ण लंबाई की ऑडिट अब बुनियादी ढांचे का हिस्सा बन जाएंगे। पहले मॉडल बदलना एक बेहतर सर्च इंजन बदलने जैसा था, लेकिन भविष्य में एक मजबूत एजेंट बदलना कंपनी को एक ऐसे नए कर्मचारी को जोड़ने जैसा होगा, जिसके पास सिस्टम स्तरीय अधिकार हैं और मशीनी गति से कार्य कर सकता है।

इस हफ्ते एक और महत्वपूर्ण संकेत Nvidia से आया। कंपनी ने Hugging Face को 12.93 बिलियन डॉलर में खरीदने की घोषणा की। सतही रूप से, यह चिप विशाल का सॉफ्टवेयर और ओपन मॉडल इकोसिस्टम में आगे बढ़ना है; गहराई से देखें तो, यह दर्शाता है कि जब मॉडल की संख्या लगातार बढ़ रही होती है, तो मॉडल के वितरण, होस्टिंग, मूल्यांकन, डिप्लॉयमेंट और रूटिंग प्लेटफॉर्म अधिक मूल्यवान हो जाते हैं। जितने अधिक मॉडल, डेवलपर्स को एक समान प्रवेश बिंदु की आवश्यकता होती है; जितनी अधिक बार मॉडल स्विच किए जाते हैं, प्लेटफॉर्म स्तर पर ग्राहक संबंधों और कार्यप्रवाह पर नियंत्रण प्राप्त करना आसान हो जाता है।

निविडिया स्वयं खुले मॉडल को आगे बढ़ा रही है। अगस्त में लॉन्च किया गया नेमट्रॉन 3.5 लाइटनिंग एक 30 अरब पैरामीटर, लगभग 3 अरब एक्टिवेटेड पैरामीटर का MoE मॉडल है, जो लंबे समय तक चलने वाले एजेंट कार्यों के लिए डिज़ाइन किया गया है और एकल हाई-एंड GPU पर डिप्लॉयमेंट का समर्थन करता है। यहाँ की रणनीतिगत तर्कशक्ति जटिल नहीं है: यदि खुले मॉडल सफल रहते हैं, तो मॉडल की संख्या जितनी अधिक होगी और डिप्लॉयमेंट के स्थान जितने अधिक विविध होंगे, उतनी ही मजबूती से सामान्य GPU, इन्फरेंस टूलचेन और मॉडल प्लेटफॉर्म की मांग बनी रहेगी।

इसलिए, "मॉडल थकान" मॉडल कंपनियों के लिए दबाव है, लेकिन इंफ्रास्ट्रक्चर और प्लेटफॉर्म कंपनियों के लिए अवसर हो सकती है। उद्यम रोजाना दर्जनों मॉडल का अध्ययन नहीं करना चाहते, इसलिए वे स्वचालित मूल्यांकन, मॉडल रूटिंग, एकीकृत अधिकार, लागत निगरानी और क्रॉस-मॉडल डिप्लॉयमेंट सेवाओं को खरीदने के लिए अधिक तैयार होंगे। जितना मॉडल तेजी से अपडेट होने वाला सामान जैसा दिखता है, उतना ही मॉडल पर आधारित ऑपरेटिंग सिस्टम लंबे समय के लिए एक संपत्ति बन सकता है।

मुझे नहीं लगता कि "मॉडल थकान" का अर्थ है कि AI नवाचार धीमा हो रहा है। बल्कि, यह बताता है कि मॉडल की आपूर्ति इतनी समृद्ध हो चुकी है कि यह अधिकांश संगठनों की अवशोषण क्षमता से अधिक है। पिछले समय में उद्योग सबसे अधिक चिंतित था कि पर्याप्त अच्छे मॉडल उपलब्ध नहीं हैं, लेकिन अब नया सवाल यह है कि अच्छे मॉडल बहुत अधिक हैं, वे बहुत तेजी से अपडेट हो रहे हैं, और वे लगातार वास्तविक दुनिया के कार्यों को सीधे निष्पादित करने में सक्षम हो रहे हैं।

वास्तविक परिवर्तन प्रतिस्पर्धा के मानदंड में है। मॉडल निर्माताओं के लिए, केवल “अधिक शक्तिशाली” होना लंबे समय तक ध्यान आकर्षित करने के लिए कठिन हो गया है, क्योंकि प्रतिद्वंद्वी जल्द ही पीछे नहीं रह सकते; उद्यमों के लिए, प्रत्येक नए संस्करण का पीछा करना अब और अधिक अव्ययी हो गया है, क्योंकि मॉडल स्वैप की अदृश्य लागत, अनुपालन लागत और सुरक्षा लागत तेजी से जमा हो जाती हैं। अब अधिक तर्कसंगत रणनीति “नवीनतम मॉडल का डिफ़ॉल्ट रूप से उपयोग करें” से “डिफ़ॉल्ट रूप से स्थिरता बनाए रखें, केवल तभी अपग्रेड करें जब लाभ स्पष्ट रूप से स्थानांतरण लागत से अधिक हो” की ओर जा रही है।

यह AI उद्योग को प्रेजेंटेशन लॉजिक से एंटरप्राइज सॉफ्टवेयर लॉजिक की ओर ले जाएगा। भविष्य में सचमुच मूल्यवान उत्पाद, हर महीने की सूची में अपडेट होने वाले मॉडल नहीं, बल्कि छह महीने बाद भी स्थिर, लागत-नियंत्रित, व्यवहार-ऑडिट करने योग्य, इंटरफेस-संगत और निरंतर व्यावसायिक परिणाम प्रदान करने वाला मॉडल होगा। मॉडल थकान की मूल बात यह नहीं है कि लोग AI में रुचि खो रहे हैं, बल्कि यह है कि उद्यम अब AI को एक गंभीर उत्पादन प्रौद्योगिकी की तरह खरीदना शुरू कर रहे हैं।

अगला चरण केवल बुद्धिमत्ता नहीं, बल्कि आर्थिकता, स्थिरता, सुरक्षा और शासन क्षमता की तुलना होगी। जब बाजार “हर हफ्ते सबसे शक्तिशाली मॉडल” के प्रति थक जाएगा, तभी वास्तविक मूल्य पैदा करने वाले उत्पाद शोर से छाने जाएंगे।

[1] जोनाथन वैनियन, “एआई लैब्स तेजी से नए संस्करण लॉन्च करने की दौड़ में ‘मॉडल थकान’ शुरू हो गई है,” CNBC, 2026-09-06.

[2] गार्टनर, “गार्टनर ने 2026 में वैश्विक एआई खर्च में 47% की वृद्धि का अनुमान लगाया,” 2026-05-19.

[3] गार्टनर, “केवल 22% संगठनों ने कई व्यावसायिक इकाइयों में एआई को सफलतापूर्वक स्केल किया है,” 2026-09-01.

[4] ओपनएआई, “GPT-6 Astra: बुद्धिमत्ता की एक नई पीढ़ी” तथा “सुरक्षा अवलोकन: GPT-6 Astra,” 2026-09-03.

[5] एंथ्रोपिक, “Claude Fable 5.1 / Claude Mythos 5.1” उत्पाद और सिस्टम कार्ड डेटा, 2026-09-01.

[6] गूगल, “जेमिनी 3.8 फ्लैश और 3.8 फ्लैश साइबर का परिचय,” 2026-09-02.

[7] मेटा एआई रिसर्च, “म्यूज़ स्पार्क 1.3 पेश किया जा रहा है,” 2026-09-02.

[8] रॉयटर्स, “नवीडिया ने हगिंग फेस के साथ खुले AI मॉडल पर 13 अरब डॉलर का निवेश किया,” 2026-09-03.