सिलिकॉन वैली AI स्टार्टअप टोकन खर्च और प्रबंधन मॉडल्स के विकास के साथ बदल रहा है

सिलिकॉन वैली के AI इंजीनियर मा पेयुआन ने चार से अधिक वर्षों के उद्योग के अवलोकन के आधार पर वर्तमान में दस स्पष्ट परिवर्तनों को उठाया: नौकरी की भर्ती विशेषज्ञों से सामान्यज्ञों की ओर बदल रही है, AI उपकरणों का उपयोग करने की क्षमता अनुभव की अवधि को पार कर सकती है; संगठनात्मक संरचना समतल हो रही है, प्रबंधकों को तकनीकी क्षमता होनी चाहिए, people manager की भूमिका लुप्त हो रही है; Token के उपयोग में संख्या की अनियंत्रित खोज से परिणामक्षमता पर ध्यान केंद्रित हो रहा है, बड़ी कंपनियाँ पुनः लागत-लाभ की गणना करने लगी हैं; मॉडल की पूजा को खारिज कर दिया गया है, सिलिकॉन वैली में कई सस्ते और शीर्ष मॉडलों के संयोजन की प्रचलित प्रवृत्ति है; AI infra के लिए नए अवसंरचना के स्तर पर परिवर्तन हो रहे हैं, क्योंकि वर्टिकल AI agent "अनुकूलित" नहीं किए जा सकने वाले वास्तविक समस्याओं को हल कर सकते हैं, इसलिए इनमें निवेश का मूल्य है। मा पेयुआन ने जोर देकर कहा कि AI क्षेत्र में एक वर्ष बहुत लंबा समयावधि है, और अधिकांश निर्णय महीने में ही प्रत्याख्यान कर दिए जा सकते हैं।

लेखक, स्रोत: 36kr

सभी सहमति तेजी से समाप्त हो रही हैं

सभी लोग AI के बारे में निर्णय लेने की कोशिश कर रहे हैं, लेकिन सभी सहमति तेजी से पुरानी हो रही है।

इंटरव्यू | बारेई हवा

लेख | हैफेंग लिउ सिजिए

संपादित | लिउ सिजिए

कवर इमेज स्रोत | अनुरोधित व्यक्ति द्वारा ली गई

The phase of wild growth is over.

यह सिलिकॉन वैली के AI स्टार्टअप के सबसे आगे के स्थान पर रहने वाले मा पेयुआन की हालिया सबसे गहरी अनुभूति है।

दिसंबर 2021 में, स्नातक की डिग्री पूरी करने के बाद, उन्होंने "अमेरिकी वर्जन ऑफ़ ज़हु हुआ" के नाम से जाने जाने वाले Quora में प्रवेश किया, और बाद में AI चैटबॉट समाहार मंच Poe पर सीनियर AI इंजीनियर के रूप में शामिल हुए। 2 महीने पहले, उन्होंने सिलिकॉन वैली की सबसे लोकप्रिय AI एजेंट स्टार्टअप Cognition में शामिल हो लिया।

मई 2026 में, इस कंपनी ने, जो तीन साल से कम समय पहले स्थापित हुई थी, 10 अरब डॉलर से अधिक के निवेश की घोषणा की और इसका मूल्यांकन 260 अरब डॉलर हो गया। 8 महीने पहले, इसका मूल्यांकन 102 अरब डॉलर था।

इंजीनियर के अलावा, मा पेयुआन का एक और पहलू है—वेंचर स्काउट। वह निवेश संस्थानों के लिए ऐसे AI स्टार्टअप प्रोजेक्ट्स ढूंढता है जिनमें निवेश करना लाभदायक हो सकता है, और उसके पास प्रति वर्ष 500,000 डॉलर का निवेश बजट है।

स्नातक के बाद के इन चार से अधिक वर्षों में, वह हमेशा AI उद्योग की सहमति से आगे निकलता रहा, जब तक कि "एजेंट" शब्द की कोई परिभाषा स्पष्ट नहीं हुई, तब तक उसकी टीम ने चुपचाप प्रोजेक्ट शुरू कर दिया था। जब Anthropic अभी अज्ञात था, तब उन्होंने Claude को सबसे पहले गहराई से उपयोग किया। वह टीम के पहले AI प्रमाणित इंजीनियर, पहले AI एजेंट इंजीनियर बने, और बाद में पूरी इंजीनियरिंग टीम को AI प्रोग्रामिंग का उपयोग करने वाली AI-नेटिव टीम में बदल दिया।

दो हफ्ते पहले, जब उन्होंने "भविष्य के मानव प्रयोगशाला" के साथ बातचीत के दौरान बेकरार तरीके से कहा कि "लोग प्रबंधक लुप्त हो रहे हैं", तो इस ज्ञान और कार्य की अग्रगामिता का सबसे दिलचस्प साक्ष्य उसके बाद हुआ, जब जियानटेंग और बाइटडांस ने मध्यस्थों को समाप्त करने की घोषणा कर दी।

बदलाव बहुत तेजी से हो रहा है, सिलिकॉन वैली में, बदलाव के साथ सदैव साथ रहना होता है।

इस लेख में दो इंटरव्यू के बीच के दो हफ्तों के दौरान, मा पेयुआन ने महसूस किया कि उनके पिछले बयान में सिलिकॉन वैली के “सबसे महंगे और सबसे अग्रणी मॉडल की तलाश” का तर्क अब मजबूत नहीं रहा। वर्तमान में सिलिकॉन वैली में प्रचलित दृष्टिकोण है कि कई सस्ते मॉडल और शीर्ष मॉडल को “फ्यूजन और स्केड्यूलिंग” के माध्यम से उपयोग किया जाए।

मैंने माई पेयुआन के साथ लगभग 5 घंटे बात की, हमें पता चला कि वह लगभग हमेशा कल के अपने विचारों को खारिज कर रहा है, सिलिकॉन वैली भी ऐसा ही करता है। "मैं सब कुछ नहीं कह सकता, लेकिन आप कह सकते हैं कि 60% से अधिक, एक महीने बाद यह फिर से उल्टा हो सकता है।"

पिछले कुछ वर्षों में, AI ने सिलिकॉन वैली के लगभग सभी डिफ़ॉल्ट नियमों को पुनः लिख दिया है: कौन से लोग आसानी से उभरते हैं, कौन से संगठन प्रतिस्पर्धी हैं, और किस पर पैसा खर्च करना बेहतर है।

इसलिए, इन उल्लेखित "सही उत्तरों" के निर्णय भी तेजी से अमान्य हो रहे हैं। AI क्षेत्र में, एक वर्ष बहुत लंबी अवधि है, और कई निर्णय एक महीने के भीतर ही खारिज कर दिए जाते हैं।

नीचे, मापेयुआन के दृष्टिकोण से बहुत प्रासंगिक 10 सिलिकॉन वैली AI अवलोकन हैं:

माओ पेयुआन

माओ पेयुआन की पेशेवर छवि, सिलिकॉन वैली की AI कंपनियों को पसंद आने वाले उम्मीदवार की छवि से बहुत मेल खाती है। वह पारंपरिक कंप्यूटर बैकग्राउंड के धारक नहीं हैं, न ही उन्होंने प्रतियोगिताओं में स्वर्ण पदक जीते हैं, न ही उनके पास शीर्ष विश्वविद्यालयों का प्रभाव है, और एक समय तक उन्हें कंप्यूटर से कोई दिलचस्पी नहीं थी, लेकिन पिछले चार वर्षों में, वह Quora के विज्ञापन टीम से शुरू करके Cognition के AI इंजीनियर बन गए हैं, और उनकी प्रोफाइल सिलिकॉन वैली की AI कंपनियों के वर्तमान में सबसे अधिक चाहे जाने वाले उम्मीदवार के प्रत्येक कुंजीशब्द को सटीकता से पूरा करती है। उनका अनुभव न केवल एक व्यक्तिगत विकास की कहानी है, बल्कि उद्योग के भर्ती मानदंडों में परिवर्तन का एक नमूना भी है।

प्रेक्षण 1: सामान्यज्ञ विशेषज्ञ को हरा देता है

सिलिकॉन वैली में अब सबसे अधिक मांग वाले उम्मीदवार की छवि किसी एक क्षेत्र में सबसे गहराई तक जाने वाले विशेषज्ञ नहीं, बल्कि "हर चीज़ में ठीक होने वाला, कोई स्पष्ट कमजोरी न होने वाला" व्यक्ति है—उद्योग इसे polyglot talent कहता है, या सरल शब्दों में "षट्कोणीय योद्धा"।

2024 में, Poe के अंदर एक "एजेंट" प्रोजेक्ट शुरू किया गया, जिसकी परिभाषा तब तक किसी को स्पष्ट नहीं थी। टीम ने मुझे इस नए सदस्य के रूप में चुना, क्योंकि मेरी पृष्ठभूमि सीधी थी: "मैंने AI और पूर्ण स्टैक डेवलपमेंट और iOS दोनों पर काम किया है।" उस समय टीम के अन्य सदस्य मुख्य रूप से पारंपरिक मशीन लर्निंग, सर्च, ग्राहक-विस्तार और प्रचार के क्षेत्र से आए थे, और उनमें से कोई भी फ्रंटएंड कोड नहीं समझता था, जबकि एजेंट के लिए फ्रंटएंड इंटरफ़ेस लिखने की आवश्यकता थी। जब कंपनी का AI प्रॉम्प्ट इंजीनियरिंग का जिम्मेदार व्यक्ति चला गया, तो टीम में कोई भी इस खाली स्थान को भरने में सक्षम नहीं था। इसलिए, मैंने सोचा कि मैं तेज़ी से सीख सकता हूँ, इसलिए मैंने इस एजेंट के लिए प्रॉम्प्ट इंजीनियरिंग के साथ-साथ उसका फ्रंटएंड कोडिंग भी किया।

यह "हर चीज़ में थोड़ा कुछ जानने" की क्षमता, बाद में मेरे नौकरी के लिए सबसे अमूल्य संपत्ति बन गई। मुझे कोई भी नया क्षेत्र दे दो, मैं दो हफ्तों में उसे लगभग सीख लूँगा। और यही शुरुआती स्टार्टअप्स को चाहिए।

देखें 2: एआई-नेटिव कौशल, जो कुछ ही समय में अनुभव के वर्षों को दबा सकते हैं

AI टूल्स की उपयोग क्षमता, पारंपरिक रूप से वर्षों के जमावट से प्राप्त योग्यता को सीधे दबा सकती है।

जब मैं Quora एड ग्रुप से iOS ग्रुप में बदला, तो मैंने कारण बताया कि "मैं अपने कॉम्फर्ट ज़ोन से बाहर निकलना चाहता हूँ", लेकिन उस समय मुझे iOS के बारे में कुछ भी नहीं पता था, मैं पूरी तरह से "0 साल का अनुभव" था। मैंने धीरे-धीरे सीखने का रास्ता नहीं चुना, बल्कि GPT-4 को अपना साथी बना लिया। उस समय मेरे आसपास के लोग बहुत अनुभवी iOS इंजीनियर थे, जो شायद AI पर विश्वास नहीं करते थे। मैं iOS नहीं लिख सकता था, Swift कोड नहीं लिख सकता था, इसलिए मैंने AI का उपयोग करके कोड लिखवाना शुरू कर दिया।

परिणामस्वरूप, मैं एक ऐसा नवीन हूँ जिसने केवल तीन या चार महीने ही काम किया है, लेकिन मैंने अपने आसपास के वर्षों से इस क्षेत्र में लगे अनुभवी इंजीनियर्स की उत्पादन दर को बराबर कर दिया और यहाँ तक कि पार कर दिया, और दो साल में ही मैंने एक अनुभवी पद हासिल कर लिया। पारंपरिक पदोन्नति प्रणाली में, यह लगभग असंभव गति है। पहले, Facebook में आपको अनुभवी इंजीनियर बनने में कम से कम 4 से 6 साल लग सकते थे। कुछ गूगल के लोगों के लिए, शायद वे कभी भी अनुभवी इंजीनियर पद पर नहीं पहुँच पाएंगे।

मैंने Cognition में एक 19 साल के इंटरव्यूअर से मुलाकात की। शुरुआत में मुझे निराशा हुई, एक 26 साल के व्यक्ति को एक 19 साल के व्यक्ति द्वारा "प्रश्नों की बौछार" करना, जिनमें से कई के जवाब मैं नहीं दे पाया। बाद में मुझे एहसास हुआ कि यह एक संकेत है कि यह कंपनी वास्तव में योग्यता के आधार पर लोगों को भर्ती करती है, और उम्र अब सिलिकॉन वैली में योग्यता का मापदंड नहीं है।

अवलोकन 3: भर्ती मानदंडों को पूरी तरह से फिर से लिखा गया है, AI कंपनियाँ एक ही टेम्पलेट का उपयोग नहीं करतीं।

मैंने Quora से जाने से पहले लगभग 20 कंपनियों का व्यक्तिगत साक्षात्कार लिया, और फोन पर बात की गई कंपनियों को मिलाकर 30 से 40 तक। सबसे अधिक मामले में, मुझे एक हफ्ते में 30 से अधिक रिक्रूटर्स ने संपर्क किया।

इतनी सारी कंपनियों के साक्षात्कार के बाद, मुझे लगा कि वर्तमान में AI कंपनियाँ लोगों को भर्ती करने के लिए कोई एक समान साक्षात्कार प्रारूप नहीं रखतीं।

लेकिन कुछ स्पष्ट परिवर्तन हैं, लीटकोड शैली के एल्गोरिथम प्रश्नों का महत्व कम हो रहा है, और एआई सिस्टम डिज़ाइन के लिए बेस्ट आंसर हर महीने बदल रहे हैं।

इंटरव्यू संरचना भी बदल रही है। ऑनलाइन लिखित परीक्षा + work trial एक नया संयोजन बन गया है। work trial एक बहुत छोटा "परीक्षण अवधि इंटरव्यू" है। कुछ 3 घंटे के होते हैं, कुछ 5 घंटे के, और सबसे लंबा भी केवल एक या दो दिन का होता है। मुझे एक इंटरव्यू में सीधे एक कोड रिपॉजिटरी दी गई, और मुझे किसी भी उपकरण, जिसमें AI भी शामिल है, का उपयोग करके एक वास्तविक समस्या को हल करने के लिए कहा गया। पूरा करने के बाद, मुझे अपनी सोच और परिणाम प्रस्तुत करने थे। पूरी प्रक्रिया वास्तविक कार्य के काफी करीब है।

अधिक रोचक बात यह है कि AI के उपयोग की जांच को भी दो मोड में विभाजित किया गया है। कुछ राउंड में AI का उपयोग अनिवार्य है, जिससे यह देखा जाता है कि आप "by code" कैसे काम करते हैं; लेकिन कुछ राउंड में AI के उपयोग को स्पष्ट रूप से प्रतिबंधित किया गया है, जैसे debug, जहाँ AI की सहायता के बिना आप त्रुटियों को पहचान सकते हैं या नहीं, यह परीक्षण किया जाता है, जो मूल रूप से आपके व्यक्तिगत सॉफ्टवेयर इंजीनियरिंग कौशल और स्वाद की परीक्षा करता है।

इंटरव्यू खुद भी विविध होते हैं। उदाहरण के लिए, कुछ कंपनियाँ मुझसे व्यावसायिक विश्लेषण करने को कहती हैं और यह निर्णय लेने को कहती हैं कि उन्हें किस उद्योग का अधिग्रहण करना चाहिए।

बिहेवियर राउंड भी बदल गया है। यह अब “व्यक्तिगत सबसे बड़ी कमजोरी और ताकत” या “सहकर्मी के साथ टकराव कैसे हल करें” जैसे पारंपरिक प्रश्न नहीं है, बल्कि इसमें समय की रेखा को लंबा किया जाता है और एक व्यक्ति के विकास के पथ को देखा जाता है—उच्च विद्यालय से लेकर कॉलेज, इंटर्नशिप से लेकर कार्यस्थल तक, और आगे तक, ताकि आपका “जीवन का ढलान” देखकर यह निर्णय किया जा सके कि क्या आप एक घातीय वृद्धि करने में सक्षम हैं।

एक अनपेक्षित लाभ यह है कि कोई भी प्रश्नों को याद करके ऑफर नहीं पा सकता। मेरा Cognition का रेफरल भी सीधे मुझे बताता है: "तुम तैयारी मत करो, मुझे लगता है कि कुछ भी तैयार करने की जरूरत नहीं है।"

सिलिकॉन वैली में, सबसे बेहतरीन लोग कभी किसी एक कंपनी के नहीं, बल्कि "उस समय की सबसे बेहतरीन कंपनी" के होते हैं। बीस साल पहले गूगल था, दस साल पहले यूबर और रॉबिनहुड थे, पांच साल पहले कॉइनबेस था, अब AI कंपनियां हैं। सिलिकॉन वैली "बहती हुई चांदी की प्लेट, लोहे के सैनिक" है। इन नए मानदंडों द्वारा छाने गए इन योग्यताओं को "प्रतिबंध" के बजाय मिशन की भावना से बनाए रखा जाता है। इन सबसे बेहतरीन लोगों को एकत्रित करने वाले संगठन, AI के पुनर्निर्माण के कारण भी बड़े पैमाने पर बदल रहे हैं।

Observation 4: Excessive craving for "AI-native"

सिलिकॉन वैली की कंपनियाँ AI-नेटिव (AI native) के प्रति मेरी कल्पना से बहुत अधिक आकांक्षी हैं। मैंने जिन कंपनियों के साथ साक्षात्कार किया, वे अधिकांशतः A-राउंड, B-राउंड थीं, कुछ बीज राउंड भी थीं। एक बहुत ही सामान्य प्रश्न यह था: आप कौन से AI टूल्स का उपयोग करते हैं? मैं आमतौर पर सीधे अपने ब्लॉग को भेज देता हूँ, और वे लगभग हमेशा “हैरान” रह जाते हैं।

वे कहेंगे कि वे केवल इस बात की उम्मीद नहीं कर रहे हैं कि मैं AI एप्लिकेशन डेवलपमेंट करूं, बल्कि मुझसे कंपनी के भीतर AI ट्रांसफॉर्मेशन को आगे बढ़ाने की उम्मीद है, ताकि टीम AI-नेटिव बन जाए। कई कंपनियाँ पहले से ही AI उत्पाद बना रही हैं, लेकिन कर्मचारियों ने अभी तक अपने AI कार्य प्रवाह को विकसित नहीं किया है। और, उन्हें हर दिन लंबे समय तक ट्विटर स्क्रॉल करने वाले, नए AI खोजों या कार्यक्षमता में सुधार के टिप्स को तुरंत साझा करने वाले लोगों की भी बहुत आवश्यकता है।

यह मेरे लिए थोड़ा अप्रत्याशित है। मेरे पिछले कुछ "शौक", जैसे कि रोज़ाना Claude Code जैसे नए टूल्स के साथ खेलना और Slack (एक कार्यस्थल सॉफ़्टवेयर) में AI के उपयोग को साझा करना, वास्तव में एक नया संगठनात्मक भूमिका बन गए।

Quora पर, मैंने पूरी इंजीनियरिंग टीम को Claude Code का उपयोग करने के लिए सफलतापूर्वक प्रेरित किया। ऑफिस में हर इंजीनियर से मैं पूछता कि क्या आपने AI का उपयोग कोडिंग के लिए किया है? मुझे याद है कि ऑफिस में एक साइबर सुरक्षा इंजीनियर था, जो शुरू में विरोध कर रहा था और सोचता था कि AI के साथ कोड लिखने का जोखिम बहुत अधिक है। मैंने उसे एक अलग दृष्टिकोण अपनाने के लिए कहा—कोड न लिखें, बल्कि AI का उपयोग कोड पढ़ने, कोडबेस को समझने और डेटा विश्लेषण करने के लिए करें। बाद में, उसने वास्तव में इसका उपयोग करना शुरू कर दिया।

प्रेक्षण 5: "AI का बेहतर उपयोग करना" वास्तव में एक संगठनात्मक रूपांतरण की समस्या है

जब मैं Cognition में AI से संबंधित काम कर रहा था, तो मुझे एक बात हर बार स्पष्ट होती गई: AI का बेहतर उपयोग करना अब केवल एक इंजीनियरिंग समस्या नहीं रह गया है, बल्कि यह एक संगठनात्मक परिवर्तन की समस्या बन गई है।

उदाहरण के लिए, एक पारंपरिक संगठनात्मक संरचना वाली इंटरनेट कंपनी में, एक बग को खोजने से लेकर उसे ठीक करने तक कई चरणों से गुजरना पड़ता है, जैसे कि आवश्यकता मूल्यांकन, इंजीनियरिंग अनुसूची, विकास, परीक्षण और लॉन्च। वास्तविक रूप से AI द्वारा कोड लिखने में केवल दो या तीन घंटे लग सकते हैं, लेकिन पूरी प्रक्रिया पूरी करने में अक्सर एक महीना लगता है।

पहले ऐसी प्रक्रिया तर्कसंगत थी। क्योंकि एक बग को ठीक करने में एक इंजीनियर को तीन या पाँच दिन लग सकते थे, और प्रक्रिया का मूल्य विभिन्न टीमों के समन्वय और संसाधनों के आवंटन में था। लेकिन AI ने इस समय को संकुचित कर दिया है।

अब, हम Cognition द्वारा लॉन्च किए गए Devin जैसे AI सॉफ्टवेयर इंजीनियर उत्पादों का उपयोग करके पिछले कई दिनों का काम दो या तीन घंटे में पूरा कर सकते हैं। Cognition में, हम Devin का उपयोग इस बग के लिए जिम्मेदार व्यक्ति को ढूंढने के लिए कर सकते हैं, और फिर Devin को उसकी मदद करने के लिए सौंप सकते हैं, जिससे मध्यवर्ती कई समन्वय और हस्तांतरण चरणों को हटा दिया जा सकता है, कोई अतिरिक्तता नहीं है। वास्तव में, AI पूरे संगठनात्मक संरचना के परिवर्तन को बाध्य कर रहा है।

प्रेक्षण 6: लोग प्रबंधक लुप्त हो रहे हैं, प्रबंधकों को खुद कोड लिखना आना चाहिए

जिसे "people manager" कहा जाता है, वह इंजीनियरिंग मैनेजर होता है। अमेरिका में पिछले कुछ वर्षों में एक लोकप्रिय विचार यह है कि आपके रूप में प्रबंधक, आपको केवल प्रबंधन ही करना चाहिए—अधिकतर टीम के समन्वय, संगठनात्मक संचार, कर्मचारियों की भावनाओं का ध्यान रखना और उनके विकास का समर्थन करना होता है, इंजीनियरिंग क्षमता को खास रूप से मजबूत होने की आवश्यकता नहीं होती।

लेकिन Cognition में आकर, मुझे पता चला कि पूरी संगठनात्मक संरचना बहुत समतल है। उदाहरण के लिए, मेरा सीधा रिपोर्टिंग बॉस CPO, यानी सह-संस्थापक में से एक था। वह आपके व्यक्तिगत विकास की विस्तार से परवाह नहीं करते, बल्कि उनकी भूमिका बड़ी दिशा तय करने जैसी है। इसे इस तरह भी कहा जा सकता है कि Cognition के 60 से अधिक इंजीनियरिंग टीम में, वास्तविक people manager केवल एक ही है, और अन्य सभी, CPO सहित, "लोगों का प्रबंधन करते हुए और कोड लिखते हुए" हैं। यह मेरे पिछले Quora के अनुभव से पूरी तरह अलग है। उस समय, एक manager संभवतः पाँच-छह इंजीनियर्स को प्रबंधित करता था।

Cognition टीम एक ऐसे सहयोगी के जन्मदिन का उत्सव करने के लिए एक साथ लाल कपड़े पहनती है, जो दिनचर्या में लाल रंग के कपड़े पहनता है।

मुझे लगता है कि यह AI के कारण संगठनात्मक परिवर्तन हो सकता है। मैंने देखा है कि कोई भी ऊर्जावान AI स्टार्टअप ऐसा ही होता है—लगभग कोई ऐसा प्रबंधक नहीं होता जो केवल लोगों का प्रबंधन करे—अगर वह लोगों का प्रबंधन करता है, तो उसकी तकनीकी क्षमता भी बहुत मजबूत होती है।

यह निर्णय केवल सिलिकॉन वैली में ही नहीं, बल्कि दो सप्ताह के अंतराल में हुई दो साक्षात्कारों के बीच घरेलू बड़ी कंपनियों टेंसेंट और बाइटडांस द्वारा भी क्रमशः मध्यस्तर के पदों को समाप्त करने की घोषणा की गई।

माओ पेयुआन ने देखा कि बदलाव केवल संगठनात्मक स्तर तक ही सीमित नहीं है। अधिक सामान्य उद्योग निर्णय: "सिलिकॉन वैली के AI कंपनियों के अंदर, कौन सा टोकन खर्च उचित है, और कौन सा मॉडल एक अच्छा मॉडल है?" वहीं, आंखों से देखा जा सकने वाली गति से खारिज किए जा रहे हैं। इस बार, उनका पहले साक्षात्कार में कहा गया निर्णय भी दो हफ्तों के लिए नहीं टिक पाया।

सिलिकॉन वैली का AI उद्योग स्वयं महीने या दिनों के आधार पर खुद को रद्द कर रहा है, कोई भी निर्णय लंबे समय तक ताजा नहीं रह सकता।

प्रेक्षण 7: टोकन मैक्सिंग में विभाजन आया है, बड़ी कंपनियाँ फिर से दक्षता की ओर ध्यान दे रही हैं

इस साल की शुरुआत में, सिलिकॉन वैली में "टोकन-मैक्सिंग" एक ट्रेंड बन गया। मेटा जैसी कंपनियाँ तक टोकन उपयोग की रैंकिंग बनाती थीं। जिसने सबसे अधिक टोकन का उपयोग किया, वही "एआई-नेटिव" का प्रतिनिधि माना जाता था। मुझे लगता है कि यह पहले से ही एक बहुत ही मूर्खतापूर्ण बात है—एआई टोकन के उपयोग की मात्रा को इंजीनियर की दक्षता के समान नहीं माना जा सकता।

गूगल और मेटा के दोस्तों ने मुझे बताया कि उनके समय सभी "AI बड़ी छलांग" पर काम कर रहे थे। कंपनियाँ विशेष रूप से "AI हफ्ता" आयोजित करती थीं, जिसमें सभी को अपने काम रोककर AI स्किल्स लिखने और अपने स्किल्स को बहुत ही आकर्षक ढंग से प्रस्तुत करने की आवश्यकता होती थी।

शुरुआत में, लगभग सभी कंपनियाँ इस विचार पर आधारित थीं: सबसे पहले लोगों को AI का अधिक से अधिक उपयोग करने दें, और देखें कि इसका उपयोग कितना आगे तक किया जा सकता है।

लेकिन जब इसे खुला रैंकिंग में बदल दिया जाता है, तो लोगों का व्यवहार विकृत हो जाता है। इंजीनियर अधिक उपयोग के लिए उपयोग करने लगते हैं, और कुछ बहुत अजीब मामले भी होते हैं, जैसे कि AI को हर रात बिना किसी अर्थ के यादृच्छिक रूप से चलाना, केवल उपयोग की मात्रा बढ़ाने के लिए। यह वास्तव में GPA के माध्यम से छात्रों की क्षमता का मूल्यांकन करने जैसा है, एकल सूचकांक आसानी से विकृत हो सकता है।

बाद में कई उच्च स्तरीय अधिकारी भी इस समस्या को समझने लगे। विशेष रूप से, उन्हें बिलों से डर लगा। उदाहरण के लिए, यूबर का 2026 के पूरे वर्ष का AI विशेष बजट, पहले चार महीनों में ही समाप्त हो गया। कई बड़ी कंपनियाँ टोकन उपयोग को फिर से सीमित करने लगीं। बोर्ड और सीईओ पूछने लगे, क्या यह टोकन उपयोग वास्तव में मूल्यवान है? क्या यह हमारी दक्षता में इतनी बड़ी वृद्धि ला पा रहा है? क्या एक अरब डॉलर खर्च करने से वास्तव में एक अरब डॉलर का उत्पादन हुआ है?

इस चिंता को जल्द ही Cognition ने एक स्पष्ट मूल्यांकित व्यावसायिक उत्तर के रूप में तैयार कर दिया। 4 जून को, Cognition ने "AI उत्पादकता गारंटी" लॉन्च की — यदि कोई व्यवसायिक ग्राहक Devin (Cognition द्वारा लॉन्च किया गया AI सॉफ्टवेयर इंजीनियर उत्पाद) का उपयोग करने के बाद भी उत्पादकता में वृद्धि वादा किए गए स्तर तक नहीं पहुंचती है, तो अधिकतम 10 मिलियन अमेरिकी डॉलर की मुआवजा दी जाएगी। इस अध्ययन को मेरा एक सहयोगी कर रहा है, जिसने तीन अंतरराष्ट्रीय सूचना विज्ञान ओलंपियाड के स्वर्ण पदक जीते हैं; उन्होंने 233 वास्तविक ग्राहक मामलों की समीक्षा की, ग्राहकों और Devin के संवादों का यादृच्छिक नमूना लिया, और ग्राहकों से पूछा कि "अगर Devin का उपयोग नहीं किया जाता, तो इस कार्य को पूरी तरह मानवीय रूप से पूरा करने में कितना समय लगता?" — फिर इन डेटा का उपयोग करके एक पूर्वानुमान प्रणाली को प्रशिक्षित किया, जिसने प्रत्येक Devin संवाद को सीधे "समतुल्य इंजीनियर-घंटे" में परिवर्तित कर दिया, और इंजीनियर की प्रति-घंटे मजदूरी के आधार पर इस उत्पाद द्वारा कितनी बचत हुई, इसकी गणना की।

लेकिन कई YC कंपनियाँ अभी भी "टोकन मैक्सिंग" के मॉडल को जारी रखेंगी, क्योंकि उन्हें बहुत सारी नीतिगत छूट वाली निःशुल्क टोकन की मात्रा मिलती है, और चूंकि वे छोटे हैं, शायद केवल तीन लोग हैं, इसलिए AI प्रबंधन की कोई समस्या नहीं है, प्रबंधक सीधे देख सकते हैं कि प्रत्येक व्यक्ति वास्तव में AI का उपयोग करके आलस्य कर रहा है या नहीं।

प्रेक्षण 8: मॉडल की पूजा खुद भी उलट दी जा रही है

इस लेख के दो साक्षात्कारों के बीच के दो हफ्तों के दौरान, मुझे एहसास हुआ कि मैंने पिछली बार जो बातें कही थीं, वे अब ज्यादा सही नहीं रहीं।

दो हफ्ते पहले, मैं अभी तक सबसे अग्रणी मॉडल के बारे में बात कर रहा था। अब, Cognition के अंदर एक ऐसा फीचर जारी किया गया है जिसका अभी तक कोई चीनी अनुवाद नहीं है, जिसका कोडनेम fusion mode है—यह कई सस्ते मॉडल और शीर्ष मॉडल को एक साथ संयोजित करके उपयोग करता है, बजाय सिर्फ सबसे महंगे मॉडल को बेकार ढंग से इस्तेमाल करने के। क्या आप हर दिन अपनी पोर्शे को सब्जियाँ खरीदने के लिए चलाते हैं? आपको सब्जियाँ खरीदने के लिए अपनी होंडा या सस्ती कार का उपयोग करना चाहिए। इन दो हफ्तों में मॉडल के अपडेट की गति मेरी कल्पना से भी आगे निकल गई है, और "number one" कौन है, इस बारे में मैं अब बहुत सावधानी से बात करता हूँ।

मैं सब कुछ नहीं कह सकता, लेकिन आप कह सकते हैं कि 60% से अधिक, बहुत कुछ एक महीने बाद फिर से उल्टा हो सकता है।

ऐसा ही हर तकनीकी लहर के विकास का नियम है, पुरानी सहमति का विनाश अक्सर नए पैटर्न की शुरुआत होती है।

जब बाजार एकल मॉडल और कैल्कुलेशन शक्ति के अंधे आदर को छोड़ने लगा, तो “AI को स्थिर और नियंत्रित तरीके से लागू कैसे किया जाए” और “बड़े मॉडल जो असंभव समस्याओं को हल नहीं कर पा रहे हैं, उन्हें कैसे हल किया जाए” की मांग फूट पड़ी। इंजीनियर और निवेश रिक्रूटर दोनों के दृष्टिकोण से जुड़े मा पेयुआन ने ध्यान दिया कि “बड़े मॉडल के रहस्य” पर निर्भर न करते हुए, वास्तविक दुनिया की जटिल समस्याओं को हल करने पर केंद्रित नए व्यवसाय, सिलिकॉन वैली में असहमति के बीच धीरे-धीरे उभर रहे हैं।

नोट 9: नया AI इंफ्रास्ट्रक्चर उभर रहा है

"Token-Maxxing" के चारों ओर, वास्तव में कुछ नए स्टार्टअप उभरे हैं। वे टीम के AI उपयोग का निरीक्षण और निगरानी करते हैं और यह विश्लेषण करते हैं कि token कहाँ बर्बाद हो रहे हैं।

इसके पीछे गहरी समस्या यह है कि AI एजेंट स्वयं कमजोर होते हैं। एक prompt में छोटा सा बदलाव भी एजेंट के प्रदर्शन को खराब कर सकता है। इसलिए नए AI इंफ्रास्ट्रक्चर (बुनियादी ढांचे) जैसे sandbox (सैंडबॉक्स वातावरण) दिखाई देने लगे हैं, जो एजेंट के चलने को अलग रखते हैं ताकि वह सीधे संवेदनशील प्रणालियों, जैसे बैंक खाते या उत्पादन पर्यावरण के डेटा, से संपर्क न कर सकें।

इसी बीच, “निरीक्षण” स्वयं भी अधिक जटिल हो गया है। पारंपरिक प्रणालियों में केवल त्रुटि रिपोर्ट होने पर ही निगरानी की जा सकती है, लेकिन एजेंट “त्रुटि” नहीं दर्ज करता। यह सामान्य रूप से चल सकता है, लेकिन आउटपुट स्तर पर गंभीर समस्याएँ हो सकती हैं, जैसे पक्षपात, भेदभाव, या उपयोगकर्ता को स्पष्ट रूप से नकारात्मक अनुभव देना। इसके लिए एक नया सॉफ़्टवेयर आवश्यक है जो एजेंट के “दिमाग के खराब होने” के समय का पता लगा सके।

अवलोकन 10: "अनुकूलित नहीं किया जा सकने वाली चीजें", नई व्यापारिक अवसर बन रही हैं

इन्वेस्टमेंट सर्कल में एक ऐसा बढ़ता हुआ मानना है कि vertical agent (वर्टिकल एरिया AI एजेंट) का निवेश मूल्य खो चुका है। लेकिन मैं पूरी तरह सहमत नहीं हूँ।

सिलिकॉन वैली निवेशक सारा गुओ ने एक अवधारणा प्रस्तुत की — “the untrainable”, यानी “अनुकूलित नहीं किया जा सकने वाला”。 मुख्य बिंदु यह है कि कई ऊर्ध्वाधर क्षेत्रों में, भाषा मॉडल कभी भी पूरी तरह से स्वचालित नहीं हो सकते। क्योंकि ऊर्ध्वाधर क्षेत्रों में बहुत सारी ऐसी जटिल प्रक्रियाएँ होती हैं जिन्हें सारांशित नहीं किया जा सकता, और इन प्रक्रियाओं को अक्सर मानवीय प्रयास के माध्यम से एक-एक करके हल करना पड़ता है।

उदाहरण के लिए, अमेरिकी टैक्स फाइलिंग में, 50 राज्यों में 50 अलग-अलग टैक्स होते हैं, जिन्हें एक-एक करके धीरे-धीरे जोड़ना पड़ता है; कानूनी क्षेत्र में भी, प्रवासन कानून, नागरिक कानून, व्यापार कानून, प्रत्येक की अपनी जटिल प्रणाली होती है, AI एजेंट एक कदम में इसे पूरा नहीं कर सकता।

एक ऊर्ध्वाधर AI एजेंट कंपनी का मूल्य, निरंतर ग्राहकों और FDE (फ्रंटलाइन डिप्लॉयमेंट इंजीनियर्स) के साथ बातचीत के माध्यम से अधिक सच्चे दर्द के बिंदुओं को खोजने में होता है। ये चीजें कंपनी के उत्पादों में अंकित हो जाती हैं, और यही ऐसी चीजें हैं जिन्हें अन्य बड़ी कंपनियाँ ट्रेन नहीं कर सकतीं और जिन्हें जनरल मॉडल नहीं निगल सकते।

इसलिए, मुझे लगता है कि vertical agent के पास अभी भी निवेश का मूल्य है। केवल इनसे आने वाला रिटर्न 1000 गुना नहीं, बल्कि 20 गुना, 50 गुना, या यहां तक कि 100 गुना जैसा अपेक्षाकृत स्थिर और छोटा रिटर्न हो सकता है।