प्रोग्रामर्स ने AI के साथ 180% अधिक उत्पादकता प्राप्त की। लेकिन लोग जो वास्तव में उपयोग करते हैं, उन ऐप्स की संख्या नहीं बढ़ी। दोनों संख्याओं का मापन 100 हजार डेवलपर्स पर किया गया, और एक साथ वे 2026 की प्रौद्योगिकी का सबसे असुविधाजनक डेटा हैं। यह अध्ययन NBER द्वारा किया गया है। उन्होंने GitHub पर वास्तविक गतिविधि को प्रत्येक डेवलपर के AI उपयोग के डेटा के साथ क्रॉस-चेक किया, और प्रत्येक टूल पीढ़ी के प्रभाव को अलग किया। कोड उत्पादन में छलांग अविश्वसनीय है: → ऑटोकम्प्लीट: +40% → आपके साथ बात करने वाले एजेंट: +140% → स्वतंत्र एजेंट: +180% एक ही व्यक्ति से लगभग तीन गुना अधिक कोड। ऐसा लगता है कि यह दुनिया ने कभी देखी होने वाली सबसे बड़ी उत्पादकता क्रांति है। लेकिन फिर शोधकर्ताओं ने वह प्रश्न पूछा, जिसके बारे में लगभग किसी ने पूछना नहीं चाहा: इस 180% की वृद्धि में से कितना कुछ किसी के हाथ में उत्पाद में बदला? इस 180% के लाभ का परिणाम क्या हुआ, इसका पता लगाया। जब मापदंड परियोजनाओं की संख्या पर स्थानांतरित हुआ, तो यह +50% पर गिर गया। जब आप सचमुच प्रकाशित हुए सामग्री पर पहुँचते हैं, तो केवल +30% ही बचता है। लगभग पूरा लाभ मार्ग में ही समाप्त हो जाता है। और सबसे बुरी बात यह है। Financial Times के ग्राफ़ को देखें। ऐप्स के प्रकाशन की रेखा में भयंकर वृद्धि हुई। जबकि, वास्तविक उपयोग प्राप्त करने वालेऐप्स की संख्या स्थिर रही, और उपयोगकर्ता मूल्यांकन में कमी आने लगी। AI सॉफ़्टवेयर के साथ पूरी دुनिया को भर दिया, जिसे कोई भी नहीं खोलता। प्रतिष्ठित सबसे महान संभवतः प्रोडक्शन क्षमता, सभी समय में मरने के साथ प्रकाशित हुई। इसका कारण क्या है? कोड हमेशा से ही कहानी का सबसे आसान हिस्सा हुआ है। मुश्किल काम, प्रक्रिया के पश्चात् होता है: समीक्षा, सुनिश्चित करना कि काम करता है, प्रकाशित करना,और किसी को मनाना कि वह प्रयोग करे। AI,इस संपूर्ण प्रक्रिया में सिर्फ़ ek ek liṅk ko bhot tez kar diya, aur yeh bhi sāf dikhā diya ki bāqi sab kuch abhi bhi logon par nirbhar hai. आगे से,जो कुछ bana raha hai,उसके liye yeh kya badal jata hai? AI ne code likhna itna sasta kar diya hai ki ab yeh ek commodity ban gaya hai। ab koi bhi jaldi se code produce kar sakta hai। अगली दशक में,जो सोने के समान मूल्यवान होगा,वह “टेस्ट”और “निर्णय”होगा:यह पहचानना कि क्या मौजूद होने के मूल्यवान है,इससे पहले कि aap apni pehli ghante kaam karne lag jaye।

हमने इससे शुरुआत की: "क्या AI हमें बदल देगा?" और अब: "आज मुझे कौन सा AI इस्तेमाल करूँ?" यह बहुत जल्दी हो गया।

अमेरिका के आइवी लीग विश्वविद्यालयों जैसे हार्वर्ड, येल, पेनसिल्वेनिया, कॉर्नेल, कॉलंबिया और विश्व के शीर्ष कंपनियों जैसे Google, Amazon, Netflix द्वारा ध्यान दिया जा रहा सबसे शक्तिशाली अध्ययन है "व्यवहारिक अर्थशास्त्र"। यदि आप वैज्ञानिक रूप से सीखें कि लोग ऐसा क्यों व्यवहार करते हैं, तो आप किसी भी स्थिति में अजेय हो जाएंगे। अब सिर्फ सीखना ही बाकी है।

एक अच्छी याददाश्त AI प्रेमी डेवलपर्स के लिए जो कहते हैं कि जब तक यूनिट टेस्ट, स्मोक टेस्ट या कोई भी टेस्ट पास हो जाए, तब तक AI का बर्बरता सही है। बकवास! "टेस्ट साबित करते हैं कि कोड टेस्ट सूट को पास करता है, कुछ और नहीं। वे स्वयं यह साबित नहीं करते कि कोड सही, सुरक्षित, रखरखाव योग्य, कुशल आदि है। ये बहुत मुश्किल से मापे जाते हैं और संगठन, आर्किटेक्चर, संस्कृति, रखरखावकर्ताओं का साझा ज्ञान आदि के साथ बहुत जुड़े हुए हैं। जिनमें से सभी [Bun के] इस [AI-सक्षम] पुनर्लेखन के दौरान और बाद में कमी है।"

एलन मस्क का मानना है कि प्रोग्रामिंग भाषाएँ इस वर्ष पूरी तरह समाप्त हो जाएँगी। क्योंकि AI को प्रोग्रामिंग भाषाओं की आवश्यकता नहीं है।

लोग OpenAI को छोड़कर Anthropic की ओर जा रहे हैं, एजीआई के लिए कस्टम चिप्स पर अरबों खर्च किए जा रहे हैं इसी बीच, औसत व्यवसाय अभी भी लीड्स खो रहा है क्योंकि किसी ने 6 घंटे तक जवाब नहीं दिया अब फायदा मॉडल में नहीं, बल्कि इसमें है कि कौन इसे वास्तविक काम में जोड़ता है

बोरिस इस बदलाव को नाम दे रहे हैं, जिसके आसपास मेरा अपना व्यवसाय पिछले कुछ महीनों से बना हुआ है। एजेंसी को स्केल करने का पुराना तरीका: एक जूनियर को भर्ती करें, उन्हें आपके पिछले 10 प्रोजेक्ट्स पर प्रशिक्षित करें, और उम्मीद करें कि वे इतना सीख लेंगे कि 11वां प्रोजेक्ट शुरू होने पर शून्य से शुरू न हो। फिर एक सीनियर के साथ दोहराएं जो जूनियर्स को मैनेज करे। फिर एक VP के साथ दोहराएं जो सीनियर्स को मैनेज करे। हर स्तर पर ओवरहेड बढ़ता है, हर स्तर पर संस्थापक के मस्तिष्क में मौजूद ज्ञान कमजोर होता है। जब तक एजेंसी 30 लोगों तक बढ़ जाती है, मूल गुणवत्ता खो जाती है और संस्थापक कुछ भी नहीं करता है जिसके लिए उन्हें प्रशिक्षित किया गया था। नया तरीका: आप हर प्रोजेक्ट से प्राप्त डेटा को एक संरचित पुस्तकालय में संग्रहित करते हैं, फिर उसके खिलाफ चलने वाले लूप्स लिखते हैं। एजेंट्स पिछले पैटर्न, पिछली आपत्तियाँ, पिछले आर्किटेक्चरल निर्णय, पिछली विफलता की स्थितियों को देखते हैं। जब नया क्लाइंट रिक्वेस्ट आता है, तो लूप्स पहले ही सुझाव देते हैं कि क्या शिप किया जाए, पहले से ही कि कोई टीम मेंबर ब्रीफ पढ़ पाया हो। यह सिद्धांत से नहीं, बल्कि 50 प्रोजेक्ट्स से है, जिन्हें लूप्स पहले ही प्रोसेस कर चुके हैं। हेडकाउंट की गणना टूट जाती है। हिरासत से स्केलिंग,ओवरहेड के साथ रेखीय होती है। लूप्स, प्रत्येक प्रोजेक्ट के साथ संचयी होने वाले,डेटा पुस्तकालय के साथ स्केल होते हैं। अभी मेरे लिए,व्यवहार में,यह कैसा दिखता है: हर क्लाइंट की प्रारंभिक मीटिंग,एक संरचित प्रोजेक्ट लॉग में सम्मिलित होती है। हर आर्किटेक्चरल निर्णय को टैग किया जाता है और वर्णित किया जाता है। हर प्रोडक्शन में हमारे सामने आई समस्या को,उसके समाधान के साथ,लॉग में संग्रहित किया जाता है। हर प्रॉम्प्ट,जो किसी विशेष प्रकार के इंटीग्रेशन पर काम करता है,उस प्रकार के इंटीग्रेशन के साथ संग्रहित होता है। जब 50वाँ क्लाइंट आता है,तब सिस्टम पहले से ही “इस प्रकार के प्रोजेक्ट में सामान्यतः 6वें हफ्ते में कहाँ समस्या होती है” — 49 संस्करणों को प्रोसेस कर चुका होता है। लूप्स स्वयंसंचालित (autonomous) नहीं हैं। मैं हरआउटपुट की समीक्षा करता हूँ। वे आर्किटेक्चरल निर्णय नहीं लेते। वे संभावित समाधान प्रस्तुत करते हैं। वे डॉकुमेंटेशन का मसौदा बनाते हैं। वे पहले समान प्रोजेक्ट्स में काम करने वाली चीज़ों के βधारणा पर,फीचर मेंवृद्धि का प्रस्ताव देते हैं। हरऐसा  निर्णय,जो  क्लाइंट  मूल्य  को  छूता  है,उसमें  मनुष्य  शामिल  होता  है। लेकिन  इससे  एक ‐ऐसा  लेवरेज  खुलता  है,जो  भर्ती  कभी  उत्पन्‍न  नहीं  कर  पाई। एक  सीनियर  इंजीनियर  10  वर्षों  की  पैटर्न  पहचान  लाता  है। लूप्स  मुझ  द्वारा  भेजे  गए  हर  प्रोजेक्‍ट  की  प्रति  पैटर्न  धारण  करते  हैं,और  इनकी  खोज  सेकंडों  में  की  जा  सकती  है। इंजीनियर  की  पैटर्न  पहचान  उनकी  करियर  भर  बढ़ती  है। लूप्स  की  पहचान  हर  सोमवार  बढ़ती  है। बोरिस  इस  परिवर्‍तन  को,मॉडल-स्‍थल (mode level) पर,नाम-दे-रहे-हैं। एजेंसी-स्‍थल (agency level) पर,यह-बदलाव-बिल्‍कुल-एक-जैसा-है। अब-काम-AI-को-प्रॉम्‍प्‍ट-देना-नहीं-है। अब-काम-AI-को-प्रॉम्‍प्‍ट-देने-वाले-लूप्‍स-लिखना-और-उन-लूप्‍स-द्वारा-चलने-वाले-डेटा-एकत्र-करना-है। 2027 में,अधिकांशएजेंसियाँएकदोचीज़मेंसेएकहोगी: या to headcount scaling shops jinme abhi bhi juniors hire ki ja rahi hain या loop scaling studios jinke team ka size bahut kam hai aur har builder ka throughput 10x hai अभी fully autonomous nahi अभी kisi bhi cheez ko aise naheen bata rahe jaise ki humne kuchh kaha ho लेकिन architectural shift asli hai aur zyadatar operators ne abhi tak yeh samajhna nahi hai ki yeh unke business ke liye bhi apply hota hai, sirf AI banane ke liye nahi

इसे आजमाएं: एक दीवार पर अपनी उंगलियों को यादृच्छिक रूप से दस्तक दें ताकि शोर से आपके पड़ोस में शेर न आएं। कोई शेर नहीं है, है न? अगर आप इसे इस बात का सबूत मानते हैं कि आपकी रणनीति काम कर रही है, तो आप वर्तमान में AI उद्योग की अधिकांश कंपनियों की निवेश रणनीति को समझ गए हैं 😎😆 #CryptoSatire #CryptoVerse #AI #AgenticAI #AIInfrastructure #Anthropic #Claude #OpenAI #ChatGPT #AgenticEconomy