a16z رپورٹ: فورچن 500 کمپنیوں میں سے 29% AI، کوڈنگ اور صارفین کی حمایت کے لیڈ ایڈاپشن کے لیے ادائیگی کرتی ہیں

لکھنے والے: a16z

ترجمہ: شن چاؤ ٹیک فلو

شین چاؤ کا خلاصہ: MIT کا دعویٰ ہے کہ 95% کاروباری جنریٹیو AI پائلٹ منصوبے ناکام رہے، لیکن a16z اپنے انویسٹمنٹ پورٹ فولیو کی کمپنیوں کے ڈیٹا کے ذریعے اس دعوے کو مسترد کر دیتا ہے۔ فورچن 500 میں سے 29% اور گلوبل 2000 میں سے 19% پہلے ہی ایڈوانس AI اسٹارٹ اپس کے ادائیگی کرنے والے صارفین ہیں، اور پروگرامنگ ٹولز نے بہترین انجینئرز کی پیداواری صلاحیت کو 10 سے 20 گنا بڑھا دیا ہے۔ یہ 23,928 الفاظ پر مشتمل رپورٹ اندر کے ڈیٹا پر مبنی ہے اور یہ ظاہر کرتی ہے کہ AI کے کون سے سناریوز حقیقی قیمت پیدا کر رہے ہیں اور کون سے صرف تصوراتی بہکاوے ہیں۔

بڑے کاروباروں میں AI کی ترقی کے بارے میں کئی تخمینے ہیں، لیکن موجودہ زیادہ تر معلومات صرف خود رپورٹ کیے گئے AI استعمال یا معیاری خریدار کے جذبات کو پکڑنے والی سروے پر مبنی ہیں، سخت ڈیٹا نہیں۔ علاوہ ازیں، موجودہ محدود تحقیقات میں سے کچھ دعویٰ کرتی ہیں کہ AI کاروباروں میں کامیاب نہیں ہو رہا، جن میں سب سے زیادہ نمایاں MIT کی ایک تحقیق ہے جس میں دعویٰ کیا گیا ہے کہ 95% جنریٹو AI پائلٹس کامیاب نہیں ہو سکے۔

ہمارے اندر کے ڈیٹا اور کاروباری ایگزیکٹس کے ساتھ ہماری بات چیت کے مطابق، ہم نے پایا کہ یہ اعداد و شمار بے حد غیر منطقی ہیں۔ ہم نے AI کی جہاں سب سے زیادہ استعمال ہو رہی ہے اور ROI کہاں واضح ہے، اس کا متواصل طور پر جائزہ لیا ہے اور کاروباری AI میں حقیقی طور پر کام کرنے والے سخت ڈیٹا کو ترتیب دیا ہے۔

ہمارے تجزیہ کے مطابق، فورچن 500 میں سے 29% اور جلوبل 2000 میں سے تقریباً 19% ای آئی اسٹارٹ اپس کے فعال ادائیگی کرنے والے صارفین ہیں۔

اس اعداد و شمار کے مطابق، ان کمپنیوں کو AI اسٹارٹ اپس کے ساتھ ٹاپ ڈاؤن معاہدے کیے ہوئے، پائلٹ کامیابی سے تبدیل کیے ہوئے، اور اپنے اداروں میں مصنوعات لانچ کرنے ہوئے ہوں گے۔

اس قدر کی نفوذ کو اتنی کم وقت میں حاصل کرنا نمایاں ہے، کیونکہ فورچن 500 کی کمپنیاں تکنیکی ابتدائی استعمال کرنے والوں کے لیے مشہور نہیں ہیں۔ تاریخی طور پر، بہت سی اسٹارٹ اپس کو ابتدائی گتھر حاصل کرنے کے لیے پہلے دوسری اسٹارٹ اپس کو بیچنا پڑتا تھا، اور سالوں بعد اسٹارٹ اپس کو پہلا کاروباری معاہدہ حاصل ہوتا تھا، اور فورچن 500 کے سائز کے صارفین کو حاصل کرنے سے پہلے مزید آمدنی اور وقت درکار تھا۔

AI نے اس عام صورتحال کو الٹ دیا۔ OpenAI نے نومبر 2022 میں ChatGPT لانچ کیا، جس نے فوری طور پر صارفین اور کاروباروں کو AI کی صلاحیتیں دکھائیں۔ اس سے AI کے لیے دلچسپی کا طوفان پیدا ہوا، جو پچھلی نسلوں کی ٹیکنالوجی نے کبھی پیدا نہیں کیا، اور بڑے کاروبار اپنی نئی مصنوعات پر پہلے سے زیادہ تیزی سے ڈال اندازہ لگانے کو تیار ہو گئے۔ نتیجہ: صرف تین سال سے زائد وقت میں، فورچن 500 میں سے تقریباً ایک تہائی اور گلوبل 2000 میں سے ایک پنجم کے اداروں میں حقیقی کاروباری AI ڈپلومنٹ ہے۔

یہ استعمال کہاں سب سے تیزی سے ہوتا ہے، اور یہ ماڈل کے اصل میں زیادہ کارآمد کاموں سے کیسے مطابقت رکھتا ہے؟

ہم نے پایا کہ سب سے زیادہ نشاندہی کرنے والی تقویم کا طریقہ یہ ہے کہ مختلف استعمال کے معاملات کی آمدنی کی رفتار کو GDPval کے متعین کردہ ماڈل کے نظریہ کی صلاحیت پر ڈالا جائے، جو OpenAI کا ایک مشہور بینچ مارک ہے جو ماڈل کی صلاحیت کا جائزہ لیتا ہے کہ وہ حقیقی دنیا کی معیشت میں قیمتی کاموں پر کتنی اچھی طرح کام کرتے ہیں۔ ہمارے لیے، یہ دو عوامل ماڈل کی ممکنہ بہترین صلاحیت اور آج تک ان کے ذریعے ثابت ہونے والی قیمت دونوں کو ظاہر کرتے ہیں۔ اس سے یہ واضح ہوتا ہے کہ AI کا اب تک کتنا استعمال ہوا ہے، مستقبل میں وہ کہاں جا رہا ہے، اور ماڈل کی صلاحیت کے بڑھنے کے باوجود AI کے استعمال میں اب بھی کون سے علاقے معلق ہیں۔

آمدنی کے رجحان کے حوالے سے، صنعتیں AI کو ایک واضح استعمال کے معاملات اور صنعتوں کی بنیاد پر اپنا رہی ہیں۔ پروگرامنگ، سپورٹ اور تلاش تکنیکی طور پر زیادہ تر استعمال کے معاملات کا نمائندگی کرتے ہیں (پروگرامنگ اس مجموعے میں ایک درجہ بڑھا ہوا نمونہ ہے)، جبکہ ٹیکنالوجی، قانونی اور صحت کے شعبے AI کو اپنانے کے لیے سب سے زیادہ ترجیح دیتے ہیں۔

پروگرامنگ: پروگرامنگ AI کا سب سے اہم استعمال ہے، جو تقریباً ایک درجہ بڑھ گیا ہے۔ یہ Cursor جیسی کمپنیوں کی طرف سے رپورٹ کی گئی انفلاشنری نمو اور Claude Code اور Codex جیسے ٹولز کی فوق العادہ تیز نمو میں واضح ہے۔ ان نمو کی شرح نے تقریباً تمام کے سب سے مثبت تخمنوں کو پار کر دیا ہے، اور اب تک Fortune 500/Global 2000 میں AI ٹولز کو اپنانے والوں کا زیادہ تر حصہ کوڈ میں ہے۔

کئی طریقوں سے، پروگرامنگ AI کے لیے ایک مثالی استعمال ہے، چاہے ٹیکنیکل صلاحیتوں کے لحاظ سے ہو یا کاروباری مارکیٹ کے قبول کے لحاظ سے۔ کوڈ ڈیٹا-کثیر ہے، جس کا مطلب ہے کہ ماڈل کی تربیت کے لیے آن لائن پر بہت سارے اعلیٰ معیار کے کوڈ دستیاب ہیں۔ یہ متن پر مبنی بھی ہے، جس سے ماڈلز اسے آسانی سے پڑھ سکتے ہیں۔ یہ درست اور واضح ہے، جس میں سخت سینٹینس اور پیش گوئی کے جوابات ہوتے ہیں۔ اہم بات یہ ہے کہ اسے تصدیق کیا جا سکتا ہے: کوئی بھی اسے چلا سکتا ہے اور جان سکتا ہے کہ کام کر رہا ہے یا نہیں، جس سے ماڈل کی سیکھنے اور بہتر بنانے کے لیے ایک مضبوط فیدبیک لوپ بن جاتا ہے۔

بزنس کے لحاظ سے، یہ ایک بہترین застосування ہے۔ ہم ہمیشہ سے سنا آ رہے ہیں کہ پورٹ فولیو کمپنیاں کہتی ہیں کہ ان کے بہترین انجینئرز کی پیداواری صلاحیت AI کوڈنگ ٹولز کی وجہ سے 10-20 گنا بڑھ گئی ہے۔ انجینئرز کو ملازمت دینا ہمیشہ مشکل اور مہنگا رہا ہے، اس لیے ان کی پیداواری صلاحیت میں کوئی بھی اضافہ واضح ROI فراہم کرتا ہے — AI کوڈنگ ٹولز کی فراہم کردہ اضافی صلاحیت نے اس کے اپنائے جانے کے لیے بڑا تحفظ پیدا کیا ہے۔ انجینئرز عام طور پر بہترین ٹولز کے لیے پہلے استعمال کرنے والے ہوتے ہیں، کیونکہ پروگرامنگ دیگر زیادہ تر کاروباری کاموں کے مقابلے میں زیادہ منفرد کام ہے، اور وہ آسانی سے بہترین ٹول تلاش کرکے اسے اپنا سکتے ہیں، بغیر ان مسائل کے جو دیگر بہت سارے کاروباری فنکشنز کو متاثر کرتے ہیں جیسے تنظیم اور دفتری نظام۔

اس کے علاوہ، پروگرامنگ ٹولز کو 100% ایکڈی ایکڈی کام مکمل کرنے کی ضرورت نہیں ہوتی کیونکہ کسی بھی تیزی (مثلاً، بگز کی تلاش، بولر پلیٹ کوڈ جنریٹ کرنا) سے وقت بچتا ہے اور مفید ہوتا ہے۔ چونکہ پروگرامنگ میں انسانی عمل کا تنگ سے جڑا ہوا ورک فلو ہے، اس لیے ڈویلپرز آج بھی ترقی کے عمل پر نظر رکھتے ہیں، اور یہ ٹولز پیداوار کو تیز کرتے ہوئے انسانی ججمنٹ کے لیے جانچ، ایڈٹ اور دوبارہ ترتیب دینے کی جگہ بھی چھوڑتے ہیں۔ اس سے کاروباری اعتماد بڑھتا ہے اور استعمال کا راستہ زیادہ آسان ہوتا ہے۔

پروگرامنگ کی صلاحیتیں ایک اسی طرح بڑھ رہی ہیں، اور ہر لیب واضح طور پر کوڈ کو جیتنے کے لیے مرکوز ہے۔ اس کا بہت بڑا اثر ہے۔ کوڈ تمام دوسرے اطلاقات کا اپسٹریم ہے، کیونکہ یہ کسی بھی سافٹ ویئر کا بنیادی تعمیری بلاک ہے، اس لیے AI کا کوڈ پر تیزی سے اثر دوسرے ہر شعبے کو بھی تیز کرے گا۔ ان شعبوں میں داخل ہونے کی رکاوٹیں کم ہو رہی ہیں، جس سے AI کے ذریعے حل کرنے کے نئے مواقع کھل جاتے ہیں، لیکن اسی قابل رسائی کی وجہ سے اسٹارٹ اپس کے لیے مستقل مقابلہ کا فائدہ بنانا پہلے سے زیادہ ضروری ہو گیا ہے۔

سپورٹ: یہ کوڈ کے برعکس، باربل کے دوسرے سر پر سپورٹ فراہم کرتا ہے۔ جبکہ سافٹ ویئر انجینئرنگ عام طور پر تنظیموں میں سب سے زیادہ سرمایہ کاری اور توجہ حاصل کرتی ہے، لیکن سپورٹ کو عام طور پر نظرانداز کر دیا جاتا ہے۔ سپورٹ تنظیم میں کام پس منظر، ابتدائی سطح کا کام ہوتا ہے جو عام طور پر آفس شور کمپنیوں یا بزنس پروسیس آؤٹ سورسنگ کمپنیوں (BPO) کو آؤٹ سورس کر دیا جاتا ہے، کیونکہ کمپنیاں اپنا انتظام بہت پیچیدہ اور مشکل سمجھتی ہیں۔

AI نے اس کام کو سنبھالنے میں کئی وجوہات کی بناء پر اچھا کام کیا ہے۔ سب سے پہلے، زیادہ تر معاونت کے تعاملات کا طبع محدود وقت والا ہوتا ہے اور اس میں محدود مقاصد ہوتے ہیں (مثلاً ریفند جاری کرنا)، جس سے ایجنت کو واضح مسائل کا سامنا ہوتا ہے۔ معاونت صرف ایک ایسی فنکشن ہے جس میں متعلقہ کاموں کو واضح طور پر تعریف کیا گیا ہے۔ معاونت ٹیم بڑی اور زیادہ تر تبدیل ہوتی رہتی ہے، اس لیے نئے رپریزینٹیٹو کو تیزی سے اور معیاری طریقے سے تربیت دینے کی ضرورت ہوتی ہے۔ اس مقصد کے لیے، ان کے پاس ہر رپریزینٹیٹو کے کام کو ہدایت دینے والے واضح اسٹینڈرڈ آپریٹنگ پروسیجرز (SOPs) موجود ہیں۔ یہ SOPs AI ایجنت کے لیے واضح قواعد اور ہدایات فراہم کرتے ہیں جن کا تقاضا وہ نقل کر سکتے ہیں۔ اس سے یہ دوسرے زیادہ تر کاروباری ورک اسپیسز سے الگ ہو جاتا ہے جن میں کام زیادہ لمبے، کم واضح اور صرف客户 اور سروس رپریزینٹیٹو کے علاوہ دوسرے دلچسپی دار طرفین پر مشتمل ہوتے ہیں۔

سپورٹ ایک ایسا کاروباری فنکشن ہے جو ROI کو سب سے واضح طریقے سے ظاہر کرتا ہے۔ سپورٹ قابلِ قیاس اشاریوں پر مبنی ہے: جواب دیے گئے ٹکٹس کی تعداد، صارفین کے CSAT (رضامندی) اسکور اور حل کی شرح۔ موجودہ حالت اور AI ایجینٹس کے کسی بھی A/B ٹیسٹ کے درمیان موازنہ AI ایجینٹس کے لیے فائدہ مند نتائج پیدا کرتا ہے: یہ زیادہ ٹکٹس کا جواب دے گا، حل کی شرح بڑھائے گا، اور صارفین کی رضامندی کا اسکور بڑھائے گا—اور یہ سب کم لاگت پر۔ کیونکہ زیادہ تر سپورٹ BPO کو آؤٹ سورس کیا جا چکا ہے، AI حل کو اپنانے کے لیے محدود تبدیلی کا انتظام درکار ہوتا ہے، جس سے اپنائے جانے کا راستہ آسان ہو جاتا ہے۔

اس کی ضرورت 100% درستگی کی نہیں ہوتی کیونکہ اس میں انسانوں کے لیے قدرتی نکاس ہے (مثلاً، "میں آپ کو مینیجر کو منتقل کر رہا ہوں")۔ اس سے فروخت کا دورہ تیزی سے آگے بڑھتا ہے اور پائلٹ AI سپورٹ ایجینٹ کو نسبتاً کم خطرناک بناتا ہے؛ بدترین صورت میں، 100% کیسز صرف انسانی طور پر حل کیے جائیں گے۔

آخر میں، سپورٹ بنیادی طور پر ٹریڈنگ ہے۔ صارفین اس بات سے بیزار ہوتے ہیں کہ دوسری طرف کون ہے، جس کا مطلب ہے کہ سپورٹ کو کوئی ایسا انسانی تعلق نہیں چاہیے جسے AI کپی نہیں کر سکتا۔ یہ خصوصیات یہ وضاحت کرتی ہیں کہ Decagon اور Sierra جیسی کمپنیاں اتنی تیزی سے کیوں بڑھ رہی ہیں، اور Salient، HappyRobot جیسے زیادہ عمودی خاص سپورٹ شرکاء۔

تلاش: آخری ایسا افقی شعبہ جس میں واضح کاروباری مارکیٹ ڈرائیور تھا، وہ تلاش ہے۔ چیٹ جی پی ٹی کا بنیادی استعمال خود تلاش ہے، اس لیے تلاش کا اثر چیٹ جی پی ٹی کی آمدنی اور استعمال میں گہرا شامل ہو سکتا ہے، جو یہاں بہت زیادہ کم تخمینہ لگایا گیا ہے۔

AI سرچ ایک اتنی وسیع شعبہ ہے کہ اس نے کئی مستقل بڑی اسٹارٹ اپس کو جنم دیا ہے۔ کئی کمپنیوں کے اندر ایک اہم مسئلہ اپنے ممبران کو اپنے نظام کے مختلف مجموعوں میں متعلقہ معلومات تلاش کرنے اور نکالنے میں آسانی فراہم کرنا ہے۔ گلین اس استعمال کے لیے ایک پرکشش اسٹارٹ اپ فراہم کنندہ کے طور پر ترقی کر رہا ہے۔ بہت سے بڑے صنعتوں کا کام بہت خاص صنعتی معلومات (اندرونی اور بیرونی) پر ہوتا ہے، جیسے ہیرووی (جو قانونی سرچ سے شروع ہوا) اور اوپن ایوڈینس (جو طبی سرچ سے شروع ہوا)، جو اس کے گرد اپنا مرکزی مصنوعات تعمیر کرکے ترقی کر رہے ہیں۔

ٹیکنالوجی: تکنیکی صنعت اب تک AI کے استعمال کی سب سے عام صنعت رہی ہے۔ ChatGPT خود یہ رپورٹ کرتا ہے کہ 27% کاروباری صارفین تکنیکی صنعت سے ہیں، اور Cursor، Decagon اور Glean جیسی کمپنیوں کے بہت سے ابتدائی صارفین تکنیکی کمپنیاں ہیں۔ چونکہ تکنیکی صنعت تقریباً ہمیشہ ابتدائی استعمال کرنے والوں میں شامل رہی ہے اور AI کی لہر کو جنم دینے والی صنعت بھی ہے، اس لیے یہ بالکل حیرت کی بات نہیں۔

زیادہ حیران کن بات یہ ہے کہ تاریخی طور پر جو مارکیٹس ابتدائی استعمال کرنے والوں کے طور پر نہیں جانی جاتی تھیں، انہوں نے اس بار خواہش کا مظاہرہ کیا۔

قانون: قانون حیرت انگیز طور پر AI میں ایک ابتدائی صنعت ہے۔ قانون کے تاریخی طور پر نرم افزار کے لیے مشکل بازار کے طور پر دیکھا جاتا رہا ہے، جس میں وقت کی منصوبہ بندی لمبی ہوتی ہے اور خریدار کم تکنیکی طور پر مہارت رکھتے ہیں۔

کیونکہ روایتی کاروباری سافٹ ویئر وکلاء کے لیے محدود فائدہ پیش کرتا ہے: سٹیٹک ورک فلو ٹولز وکلاء کے عام طور پر کرنے والے غیر ساختہ، ظریف کام کو تیز نہیں کرتے۔ لیکن AI وکلاء کے لیے ٹیکنالوجی کے فائدے کو زیادہ واضح بناتا ہے۔ AI مکمل متن کو سمجھنے، بڑی مقدار میں متن پر استدلال کرنے اور جوابات کا خلاصہ اور منصوبہ بندی کرنے میں ماہر ہے — جو سب وکلاء عام طور پر کرتے ہیں۔ AI اب اکثر ایک معاون ڈرائیور کے طور پر فعال ہوتا ہے تاکہ الگ الگ وکلاء کی پیداواریت بڑھائی جا سکے، لیکن اب یہ اس سے آگے بڑھنا شروع ہو چکا ہے: کچھ صورتوں میں، یہ وکالت کے دفاتر کو زیادہ معاملات سنبھالنے کی اجازت دے کر آمدنی بھی پیدا کر رہا ہے (جیسے Eve، جو مدعی قانون میں مہارت رکھتا ہے)۔

نتیجہ واضح ہے۔ ہیوری نے اپنی تاسیس کے تین سال کے اندر تقریباً 2 ارب امریکی ڈالر کی سالانہ مستقل آمدنی (ARR) کی اطلاع دی، جبکہ ایو جیسی کمپنیوں کے 450 سے زائد صارفین ہیں اور انہوں نے اس خزاں میں 10 ارب ڈالر کی منظوری حاصل کر لی ہے۔

صحت کی دیکھ بھال: صحت کی دیکھ بھال ایک ایسا مارکیٹ ہے جو AI کے ساتھ اس طرح جواب دے رہا ہے جیسے روایتی سافٹ ویئر نے کبھی نہیں کیا۔ کمپنیاں جیسے Abridge، Ambience Healthcare، OpenEvidence اور Tennr، جو ڈسکریٹ استعمال کے معاملات جیسے میڈیکل ریکارڈ، میڈیکل سرچ یا صحت کی دیکھ بھال کے طریقہ کار اور ادائیگی کے پیچیدہ قوانین کے بیک اینڈ آٹومیشن پر مبنی ہیں، ان کی آمدنی بہت تیزی سے بڑھ رہی ہے۔

صحت کے شعبے میں سافٹ ویئر کا استعمال عام طور پر سست رفتار رہا ہے، کیونکہ 1) اعلیٰ مہارت والے اور پیچیدہ کاموں کا مطابقت قدیمی کام کے فلو سافٹ ویئر کے حل کے ساتھ نہیں ہوتا، 2) Epic جیسے نظاموں کا EHR ریکارڈنگ میں غالب ہونا نئے سافٹ ویئر فراہم کنندگان کو دباؤ میں ڈال دیتا ہے۔ تاہم، AI کے ساتھ، کمپنیاں انتظامی کاموں (جیسے میڈیکل ریکارڈر) کو بدل کر یا ڈاکٹرز کے انجام دے رہے زیادہ قیمتی کاموں کو بڑھا کر، EHR ریکارڈنگ کو چھوڑنے والے منفرد انسانی کاموں کو سنبھال سکتی ہیں۔ یہ کام بہت منفرد ہے، جس کے لیے EHR کو تباہ کرنے یا تبدیل کرنے کی ضرورت نہیں، جس سے یہ کمپنیاں موجودہ سافٹ ویئر فراہم کنندگان کو تبدیل کیے بغیر تیزی سے توسیع کر سکتی ہیں۔

یہ تخمینے بہترین تخمینے ہیں۔ یہ ہر شعبے میں حاصل ہونے والی آمدنی کی مقدار کو کم ظاہر کر سکتا ہے اور ماڈل کی صلاحیت کو زیادہ ظاہر کر سکتا ہے۔

ہم نے آمدنی کو کم اندازہ لگایا ہے، کیونکہ:

آمدنی کا تجزیہ صرف ان شعبوں اور استعمال کے معاملات پر مبنی ہے جو بڑے، مستقل AI کاروبار بنانے کے لیے کافی کامیاب رہے ہیں، اور دیگر اسٹارٹ اپس کے ذریعہ سنبھالے جانے والے استعمال کے معاملات کے لمبے پُچھڑے کو مستثنیٰ کر دیا گیا ہے۔

ان مارکیٹس میں سے کئی میں ایسے غیر اسٹارٹ اپ کمپنیوں کے بھی شرکاء ہیں جو قابل ذکر آمدنی پیدا کرتے ہیں (مثلاً، کوڈ میں Codex/Claude Code، قانون میں Thomson Reuters کا CoCounsel)، لیکن ہم تجزیہ مستقل اسٹارٹ اپ شرکاء پر مرکوز کر رہے ہیں۔

ہمارے تجزیہ میں بیان کردہ بہت سے کاموں کو ماڈل کمپنی کے مرکزی پروڈکٹس (مثلاً، ChatGPT اور OpenAI کی سرچ) میں شامل کیا جا سکتا ہے، لیکن انہیں الگ نہیں کیا گیا اور اس تجزیہ میں شامل نہیں کیا گیا۔

یہ تجزیہ صرف کاروباری کاروبار پر مرکوز ہے، صارفین یا پیشہ ورانہ صارفین کے کاروبار پر نہیں۔ کچھ کامیاب کاروبار (مثلاً، ایپ جنریشن اور ڈیزائن میں Replit اور Gamma) کے پاس کافی تعداد میں کاروباری صارفین ہیں، لیکن آج کل ان کا بنیادی توجہ صارفین یا پیشہ ورانہ صارفین پر ہے۔ اس تجزیہ کے کاروباری AI اور کاروبار کہاں سے قیمت حاصل کرتا ہے، پر مرکوز ہونے کے باعث، ہم صارفین پر مبنی کاروبار کو خارج کر دیتے ہیں۔

صلاحیتوں کے حوالے سے، AI کے معاشی مختلف شعبوں پر اثر کو پیمانہ لگانا بہت مشکل ہے، حالانکہ بہت سے معاشی دان اس کی کوشش کر رہے ہیں۔ کام کی بنیادی طور پر غیر واضح اور لمبی پُچھھڑی والی ہے، جس سے اسے مکمل طور پر خودکار بنانا بہت مشکل ہو جاتا ہے۔ آج کے لیے یہ واضح نہیں ہے کہ کاروبار کو جزوی خودکاری سے کتنا فائدہ ہوگا — اگر AI صرف انسانی کاموں کا 50% ہی کر سکے، تو خودکار نہ ہونے والے کاموں کا اہمیت بڑھ سکتی ہے، کیونکہ وہ بوتل کے نکات بن جاتے ہیں اور ان کی نسبی قیمت بڑھ جاتی ہے۔ اس لیے، ہم شاید آج کی صلاحیتوں کی حالت کو زیادہ اندازہ لگا رہے ہیں، کیونکہ 1% صلاحیت میں اضافہ 1% معاشی قیمت میں تبدیلی نہیں لاتا، لیکن نسبتی صلاحیتوں پر توجہ دینا اور ان کا ہر نئے ماڈل کے اجرا کے ساتھ کس طرح بہتر ہوتا ہے، اب بھی بہت مفید ہے۔

یہ تجزیہ GDPval بینچ مارک کے ذریعے ٹاپ ایوان مدلز کی انسانی ماہرین پر فتح کی شرح کو ناپتا ہے۔ اس کے مطابق، 2025 کے خزاں کے بعد سے، مدلز مالی طور پر قیمتی کاموں پر نمایاں طور پر بہتر ہو گئے ہیں۔

تو، کیوں ہم نے اس جائزے میں سب سے اعلیٰ درجہ بند صنعتوں کو دیکھا کہ دیگر صنعتوں کی طرح ایک جیسی آمدنی کی رفتار نہیں رکھتیں؟

تک اب تک AI کو جو صنعتوں نے اپنایا ہے، ان میں کچھ مشترکہ خصوصیات ہیں: وہ متن پر مبنی ہیں، مکینیکل اور دہرائی جانے والے کاموں سے متعلق ہیں، انسانی ججمنٹ کو شامل کرنے کے لیے قدرتی انسانی حلقے میں شامل ہیں، ان پر کم تنظیمی پابندیاں ہیں، اور ان کے پاس واضح اور قابل تصدیق نتائج ہوتے ہیں (مثلاً، چلنے والا کوڈ، حل شدہ سپورٹ ٹکٹ)۔ بہت سی صنعتوں میں یہ خصوصیات نہیں ہیں۔ وہ یا تو فزیکل دنیا سے کام کرتی ہیں، تعلقات پر زور دیتی ہیں، کئی مفادات کے درمیان واضح تعاون کا خرچہ ہوتا ہے، تنظیمی یا انتظامی رکاوٹوں کا سامنا کرتی ہیں، یا قابل تصدیق نتائج کا فقدان ہوتا ہے۔ حالانکہ آمدنی کا رجحان اور ماڈل کی صلاحیت واضح طور پر متعلق ہے، لیکن ماڈل کی صلاحیت نظریہ طور پر انسانوں کے مقابلے میں 50% سے کم جِت کے شعبوں (جیسے قانون) میں، جیسے Harvey جیسی کمپنیاں افراد کے قانونی کاموں کو بڑھانے کے لیے سائڈکار پروڈکٹس کے ذریعے تیزی سے مارکیٹ شیر حاصل کر سکتی ہیں، اور پھر ماڈل کے ترقی پاتے رہنے کے ساتھ اپنے مرکزی پروڈکٹ میں مستقل بہتری لاتی رہتی ہیں۔

سب سے قابل ذکر دریافت یہ ہے کہ ماڈل کی صلاحیتیں تیزی سے بہتر ہو رہی ہیں۔ چند شعبوں میں پچھلے چار ماہ میں بڑی بہتری دیکھی گئی ہے — اکاؤنٹنگ اور آڈٹ میں GDPval پر تقریباً 20 فیصد کا اضافہ ہوا ہے، اور پولیس/ڈیٹیکٹو کام جیسے شعبوں میں تقریباً 30 فیصد کی بہتری دیکھی گئی ہے۔ ہم اس امید کرتے ہیں کہ یہ تبدیلیاں اپنے متعلقہ شعبوں میں دلچسپ نئے مصنوعات اور کمپنیاں پیدا کریں گی۔ علاوہ ازیں، ماڈل کمپنیاں نے واضح طور پر اعلان کیا ہے کہ وہ مالیاتی طور پر قابل قدر کاموں کی بنیادی صلاحیتیں بہتر بنانے کا ارادہ رکھتی ہیں، جس میں اسپریڈ شیٹس اور فنانشل ورک فلو پر مرکوز کام، کمپیوٹر کا استعمال کرتے ہوئے قدیم نظاموں اور صنعتوں کے مشکل مسائل حل کرنا، اور لمبے مدتی کاموں میں معنی خزنہ تبدیلیاں شامل ہیں، جو ایک پورا نaya کام کا طبقہ کھولتی ہیں جنہیں آسانی سے چھوٹے، آسان حصوں میں تقسیم نہیں کیا جا سکتا۔

یہ سمجھنا کہ کاروبار کہاں سے قیمت حاصل کرتے ہیں اور وہ ROI کو کیسے سوچتے ہیں—اور کون سے شعبے واضح طور پر اضافہ دیکھ رہے ہیں اور کون سے آنے والے ہیں—ہمیں AI بنانے والوں کے لیے مواقع کو زیادہ واضح طور پر سمجھنے میں مدد کرتا ہے۔

ٹیکنالوجی، قانونی اور صحت کے شعبے کے خریداروں کے لیے خدمات فراہم کرنا اب واضح طور پر ایک بہت ہی موزوں میدان ہے، لیکن ہم یہ نہیں سمجھتے کہ ہر شعبے میں ایک "فائز" ہوگا۔ مثال کے طور پر، قانونی شعبے میں کئی قسم کے وکلاء ہوتے ہیں — جیسے اندر کے قانونی مشیر، قانونی فرمیں، پیٹنٹ وکلاء، مدعی وکلاء وغیرہ — جن کے پاس مختلف عملی طریقے اور مختلف ضروریات ہوتی ہیں جن پر کمپنیاں کام کر سکتی ہیں۔ اسی طرح، مختلف قسم کے ڈاکٹروں، صحت کے اداروں وغیرہ کے مجموعے کے باعث صحت کے شعبے میں بھی ایسا ہی ہے۔

ان شعبوں کے علاوہ، ایک مفید سوچ کا طریقہ یہ ہے کہ وہ جگہیں جہاں صلاحیتیں مضبوط ہو رہی ہیں، لیکن آمدنی میں ابھی تک کوئی انقلابی کامیابی حاصل نہیں ہوئی ہے۔ موجودہ بہت سے کاروبار اس وقت قائم ہو چکے ہیں جب ماڈل کی صلاحیتیں ابھی تک مصنوعات کو کھولنے کے قابل نہیں ہوئی تھیں، لیکن انہوں نے کافی ٹیکنالوجی کا بنیادی ڈھانچہ اور صارفین/بازار کی آگاہی قائم کر لی ہے کہ جب ماڈل کا کھولنا آئے تو وہ سب سے زیادہ فائدہ مند ہوں گے۔

آخر میں، یہ اہم ہے کہ ہم اس بات پر توجہ دیں کہ لیب نے اپنی تازہ ترین تحقیق کو کن مالی طور پر قیمتی شعبوں پر مرکوز کیا ہے۔ لمبے عرصے تک Agent کے تیزی سے بہتر ہونے، کمپیوٹر استعمال پر شدید سرمایہ کاری، اور متن کے علاوہ ماڈلز (جیسے اسپریڈ شیٹس، پریزنٹیشنز) کے لیے قابل اعتماد انٹرفیس کی تحقیق کے ساتھ، ایک مکمل نئی قسم کی سٹارٹ اپس جلد ہی معنی خیز کاروباری قیمت پیدا کرنے کے لیے ضروری سہولت کی بنیاد حاصل کر لیں گی۔

ڈیٹا طریقہ کار: یہ ڈیٹا اہم کاروباری AI اسٹارٹ اپس سے جمع کیا گیا ہے، جن میں ہمارے ساتھ اس رپورٹ کے مقصد کے لیے ڈیٹا شیئر کرنے والی کمپنیوں کا ذاتی ڈیٹا، عوامی طور پر دستیاب ڈیٹا، اور a16z میں ہماری اسٹارٹ اپس اور بڑی کمپنیوں کے ساتھ ہزاروں مکالموں سے تجزیہ کیا گیا انونائمائزڈ ڈیٹا شامل ہے۔