AI صنعتی انقلاب: کیا ہم اب بھی پرانے عمل کے طریقوں کا استعمال کر رہے ہیں؟

لکھنے والے: وِل آ وانگ

گزشتہ سال، میں کچھ AI سے متعلق صنعتی کانفرنسز میں شرکت کر چکا ہوں۔ اسٹیج پر مہمانوں نے AI کے مختلف ٹرکس دکھائے، جبکہ نیچے لوگوں نے اپنے فون اٹھا کر اسکرین کی تصویریں لیں اور فرینڈز چیک میں شیئر کر دیں، پھر دوبارہ فون اسکرول کرتے رہے۔ لیکن آفس واپس جانے پر، وہی ہفتہ وار میٹنگ، وہی منظوریاں، وہی ہفتہ وار رپورٹس۔ بڑی کمپنیوں نے Token کے استعمال کو KPI میں شامل کر دیا ہے، اور کچھ لوگوں نے اسکرپٹس سے مقدار بڑھا کر ماڈل ملازم بن گئے ہیں۔ فرینڈز چیک میں ان لوگوں نے آج Claude کی انقلاب، کل Codex کی عظمت، اور پرسوں Gemini کی حمایت کی — یہ انقلاب کو اپنانا ہے، یا صرف تیزی سے ایونٹس کا پیچھا کر رہے ہیں؟

یہ سب شور ہیں، میرا مطلوبہ جواب نہیں۔

اصل مسئلہ یہ نہیں کہ AI کتنی طاقتور ہے — بھاپ کا انجن تیار ہو چکا ہے، مسئلہ یہ ہے کہ کون پہلا پرانا کارخانہ ڈھا دے گا۔

صنعتی انقلاب کا اصلی دن، جیمز واٹ نے بخاری مشین کو بہتر بنانے کا دن نہیں تھا، بلکہ لینکاشائر کے فیکٹری مالکوں نے دریاؤں کو چھوڑ دیا اور بخاری مشین کے گرد کارخانوں کو دوبارہ تعمیر کرنے کا فیصلہ کیا، وہ دن تھا۔ AI کا سب سے اہم لمحہ بھی اسی طرح ہے — نہ کہ بڑے ماڈلز کے ایجاد ہونے کا دن، بلکہ پہلی تنظیم نے پرانے عمل کو چھوڑ دیا اور پیداواری طریقہ کار کو AI کے گرد دوبارہ تعمیر کرنے کا فیصلہ کیا، وہ دن ہے۔ یہ دن ابھی آیا نہیں ہے۔ لیکن یہ راستے پر ہے۔

دو افراد نے اس بات کو بہت جلد دیکھ لیا۔ نوٹشن کے سی ای او چاؤ یوان نے 2025 کے آخر میں "Steam, Steel, and Infinite Minds" نامی مضمون لکھا، جس میں ان کا جائزہ بہت سرد تھا: ہم ابھی "پانی کے پہیے کو تبدیل کرنے" کے مرحلے میں ہیں — موجودہ ٹولز پر AI چیٹ بوٹs لگا رہے ہیں، لیکن کوئی بھی فیکٹری کو دوبارہ ڈیزائن نہیں کر رہا۔ اوپن اے آئی کے سابق ملازم لیوپولڈ اسچینبرینر نے ایک الگ راستہ اپنایا: انہوں نے 165 صفحات کا "Situational Awareness" لکھا، پھر ایک فنڈ بنایا، جس نے 225 ملین امریکی ڈالر سے شروع کرکے 13.68 ارب امریکی ڈالر تک پہنچا، اور پورا اعتماد AI انفراسٹرکچر پر لگایا۔ ایک اندر کی طرف دیکھ رہا تھا، دوسرا باہر کی طرف جوک لگا رہا تھا۔

یہ مضمون ان کے بارے میں نہیں ہے۔ یہ ہمارے بارے میں ہے — ہم اب کہاں کھڑے ہیں اور ہم کون سا تاریخی دور دہر رہے ہیں۔

( پاور لوم بُناائی، جے ٹنگل کی طرف سے تھامس الوم کے بعد نقش، 1835 / ویکی میڈیا کامنز )

زیادہ تر لوگوں کا دن ایسے گزرتا ہے: صبح AI کا استعمال کرتے ہوئے ایک ای میل لکھ دی جس سے دس منٹ بچ گئے؛ پھر ایک ایسی ہفتہ وار میٹنگ میں دو گھنٹے گزار دیے جو دراصل نہیں ہونی چاہیے تھی؛ دوپہر کو تین ٹولز کے درمیان ایک ہی ڈیٹا سیٹ کو کاپی اور پیسٹ کیا جاتا ہے؛ رات کو ایک پوسٹ شیئر کی گئی جس میں لکھا تھا "AI واقعی بہت اچھا ہے"۔ بچائے گئے دس منٹ، پرانے عمل کے ذریعے پورے طور پر واپس لے لیے گئے۔

اسی طرح، بخاری انجن کے ظہور پر، فیکٹری مالکین نے ابتدائی طور پر صرف پانی کے چرخے کو بخاری انجن سے بدل دیا، باقی سب کچھ ویسا ہی رہا — فیکٹریاں اب بھی دریا کے کنارے بنائی جا رہی تھیں، اب بھی متعدد طبقات والی عمارتیں تھیں، اور اب بھی مرکزی ٹرانسمشن شافٹ پوری پیداوار لائن کو چلاتی تھی۔ ہم ChatGPT کو Slack میں ڈال دیتے ہیں، Copilot کو Office میں شامل کر دیتے ہیں، اور AI چیٹ ونڈو کو ورک فلو میں ڈال دیتے ہیں — ہم وہی کام کر رہے ہیں۔ اوزار ترقی یافتہ ہو گئے، لیکن شاپ نہیں بدلی۔

لیکن نئی مشین بدلنا کارخانے کو بدلنا نہیں ہے۔ مک لہن نے اچھی طرح کہا:

ہم پیچھے کی طرف دیکھ کر مستقبل کی طرف بڑھ رہے ہیں۔ نئے اوزار کو پرانے عملوں میں ڈالنا، جیسے ابتدائی فلمیں صرف فلم بند کیے گئے مراکب تھے۔ اصل کامیابی تب آئی جب کسی نے بخارات کے انجن کو دریا سے مکمل طور پر الگ کر دیا اور نئی طاقت کے گرد پورے پیداواری نظام کو دوبارہ ڈیزائن کیا۔

صنعتی انقلاب کے وقت کی لکیر کو AI کے ساتھ موازنہ کرکے، ہم اپنے نقشے پر اپنی پوزیشن کو تقریباً طے کر سکتے ہیں:

ابھی کے وقت کی لائن بہت زیادہ دب گئی ہے۔ صنعتی انقلاب میں بھاپ کے انجن سے لے کر ریلوے کے جنون تک 60 سال لگے، جبکہ AI میں ٹرانسفارمر سے لے کر ڈیٹا سینٹر کی تعمیر کے جنون تک صرف 7 سال لگے۔

تیزی مسئلہ نہیں، مسئلہ یہ ہے کہ ہم کہاں پھنس گئے ہیں — پہلی چار قطاریں ابھی بھی پرانے کارخانے میں نئی مشینیں لگانے کے مرحلے میں ہیں، بھاپ کی مشین لگ چکی ہے، ریلوے بھی بچھائی جا رہی ہے، لیکن پیداواری طریقہ وہی رہا ہے۔ sixth line اصل تقسیم کا نقطہ ہے۔ ہم زیادہ تر اس دو مرحلوں کے درمیان پھنس گئے ہیں۔

بھاپ کا انجن ہاتھ میں ہے، لیکن ورکشاپ اب بھی پرانا ہے۔

انفراسٹرکچر ہمیشہ زیادہ تعمیر کیا جاتا ہے۔ آخرکار نقصان کا بوجھ سرمایہ کاروں پر ہوتا ہے، نہ کہ انفراسٹرکچر پر۔

1846 میں، برطانوی پارلیمنٹ نے 9500 میل نئی ریلوے لائن کے تعمیر کو منظور کرنے کے لیے 263 ریلوے بل منظور کیے۔ ریلوے سرمایہ کاری کے اپنے اعلیٰ نقطہ پر، یہ برطانیہ کی جی ڈی پی کا 13 فیصد تھا۔ ریلوے شیئرز خریدنے کے لیے صرف 10 فیصد جمعانہ درکار تھا، جس سے درمیانی طبقہ بھاگا۔ بُرھا 1847 میں پھٹ گیا۔ منظور شدہ لائنوں میں سے ایک تہائی کبھی تعمیر نہیں ہوئی، اور لاکھوں سرمایہ کاروں نے اپنا سارا پیسہ کھو دیا۔ ڈارون نے ریلوے شیئرز میں 60 فیصد کا نقصان اٹھایا، لیکن اس کا بخت زیادہ بہتر تھا۔

لیکن ریلوے باقی رہ گئی۔

آج کے AI انفراسٹرکچر کا راستہ وہی ہے۔ گولڈمن سیکس کے نئے اندازے کے مطابق، 2026 تک عالمی AI انفراسٹرکچر کی سرمایہ کاری 765 ارب ڈالر ہوگی، اور 2031 تک سالانہ 1.6 ٹریلین ڈالر تک پہنچنے کا تخمنا ہے۔ بڑے کلاؤڈ فراہم کنندگان کی سرمایہ کاری کا آپریشنل کیش فلو کا تناسب 2023 میں تقریباً 40 فیصد سے بڑھ کر 2025 تک تقریباً 70 فیصد ہوگیا۔ AI سے متعلق سرمایہ کاری اب امریکہ کی کل سرمایہ کاری کا تقریباً ایک چوتھائی حصہ بن چکی ہے۔ اسچنبرنر کا 13.68 ارب ڈالر کا اندازہ اسی لیے ہے— وہ اس بات پر نہیں جوڑ رہا کہ کون سا ایپ جیتے گا، بلکہ بنیادی کمپوٹنگ طاقت پر۔

یہ سرمایہ کا چکر، املاک کے ترقی کے ساتھ ایک جیسا ہے۔ ڈیٹا سینٹر بنانا ہے ایک عمارت تعمیر کرنا: زمین بجلی ہے، تعمیراتی سامان GPU اور اسٹوریج ہے، معاہدہ کرنے والے ڈیٹا سینٹر تعمیر کرنے والے ہیں، مالکان کلاؤڈ فراہم کنندگان ہیں، کرایہ دار AI ایپلیکیشن کمپنیاں ہیں، اور کرایہ API آمدنی ہے۔ کلاؤڈ فراہم کنندگان کا تجارتی ماڈل کرایہ سے قرضہ ادا کرنا ہے — API آمدنی سے ڈیٹا سینٹر کے سرمایہ کاری خرچوں کو کور کرنا اور AI ایپلیکیشن کے بھاری افراط کے ساتھ اقدار میں اضافہ کا انتظار کرنا۔

ہیش ریل اسٹیٹ: ہر نسل کی اپنی بنیادی ڈھانچہ ہوتا ہے

مرکزی خطرہ بھی ایک جیسا ہے: API کی قیمت میں کمی کی رفتار، استعمال کی مقدار میں اضافے کی رفتار سے کم نہیں ہو رہی؟ اگر کرایہ کی شرح قرضہ ادائیگی کی حد سے نیچے گر جائے — یہ وہ سب سے بڑا خواب دیکھنے والا خواب ہے جو املاک تعمیر کرنے والے بہت اچھی طرح جانتے ہیں۔ 2008 کا سبق صرف اس بات کا نہیں تھا کہ بہت زیادہ گھر تعمیر کر دیے گئے، بلکہ یہ کہ تعمیر کردہ گھروں کی ساخت اور حقیقی مانگ کے درمیان توازن نہیں تھا۔ AI کا مساوی خطرہ یہ ہے: عام کمپوٹنگ طاقت زائد ہے، لیکن مالی انطباق، طبی تشخیص جیسے اعلیٰ قدر والے مناظر کو سنبھالنے کی ماہرana صلاحیتیں اب بھی کم ہیں۔

ریلوے، املاک، AI — تین دور کی بنیادی ڈھانچہ سرمایہ کاری، ایک ہی قانون کو شیئر کرتی ہیں: زیادہ تعمیر عام بات ہے، تعمیراتی سامان کے فروشندگان ہمیشہ قیمت تعین کرنے کا اختیار کھو دیتے ہیں، اور لمبے مدتی منافع ہمیشہ "مرکزی مقامات" کے مالکان کو حاصل ہوتا ہے۔ وال سٹریٹ کے Q1 فنڈ کے حوالہ جات دیکھیں — اس بنیادی ڈھانچے پر اکثر 80 فیصد دباؤ ہے: NVIDIA، ڈیٹا سینٹر، کلاؤڈ انفراسٹرکچر۔ لیکن ریلوے کے جنون سے ہمیں سبق ملتا ہے: یہ AI انقلاب کا مکمل صورت حال نہیں ہے، بلکہ اس کا سب سے زیادہ منافع والی سطح بھی نہیں۔

AI کا مرکزی مقام کیا ہے؟ یہ منفرد صنعتی ڈیٹا اور گہرائی سے ڈالے گئے ورک فلو ہیں۔ فرد کے لیے، اصلی "مرکزی مقام" مالکانہ شیئرز نہیں، بلکہ اپنی غیر قابل تبدیل ججمنٹ اور صنعتی معلومات ہیں—شرط یہ کہ آپ نے ان کے استعمال کو AI کے ساتھ دوبارہ تعمیر کر لیا ہو۔

حقیقی فائدہ، اگلی سطح پر ہے۔ لیکن بنیادی ڈھانچے اور قیمت کے تخلیق کے درمیان، بے دردی سے جڑا ہوا نہیں ہے۔ درمیان میں ایک خالی جگہ ہے — تاریخی طور پر، یہ خالی جگہ دہائیوں کو نگل چکی ہے۔

کارخانے کو ڈھانچنے والے اور "AI کا استعمال کرکے کارکردگی بڑھانے" والے، ایک ہی کام نہیں کرتے۔

زہا یوان کے ملکہ سیمون، جو پہلے "دہ گنا تیز پروگرامر" تھے، اب کم سے کم کوڈ لکھتے ہیں—وہ ایک ساتھ تین یا چار AI کوڈنگ ایجینٹس کو کنٹرول کرتے ہیں، جس سے ان کی کارکردگی 30 سے 40 گنا بڑھ جاتی ہے۔ نوٹشن میں اب 1000 ملازمین اور 700 سے زائد AI ایجینٹس ہیں۔ فرق ٹولز نہیں، بلکہ سیمون نے اپنا پرانا گاڑھا ڈھا دیا، جبکہ زیادہ تر لوگ صرف ایک پانی کا پہیہ بدل رہے ہیں۔

6 ارب چینی صارفین نے جنریٹو AI ٹولز کا استعمال کیا ہے، جس میں 142 فیصد کا اضافہ ہوا — یہ دنیا کا سب سے بڑا AI مانگ کا مجموعہ ہے۔ لیکن تقریباً کوئی بھی چینی کمپنی AI کے ساتھ اپنے مرکزی کام کے عمل کو دوبارہ نہیں بنائی گئی۔ دنیا کا سب سے بڑا مانگ کا پہلو، جبکہ تقریباً مکمل طور پر غیر تبدیل سپلائی سائیڈ کی تنظیمی تبدیلی۔ اس خلاف ورزی کا خود ایک سگنل ہے: ٹولز کم نہیں ہیں، بلکہ تنظیم پیچھے رہ گئی ہے۔ علم پر مبنی کام کا حوالہ دسوں ٹولز اور دسوں لوگوں کے دماغوں میں بکھرا ہوا ہے، پیداوار کی تصدیق نہیں ہو سکتی، اور کوئی بھی نہیں جانتا کہ ایک حکمت عملی مемو کو کیسے جانچا جائے کہ وہ موثر ہے۔

ای آئی کے مزدور بازار پر اثرات: ایک نیا پیمانہ اور ابتدائی ثبوت

انٹروپک نے بڑے پیمانے پر کام شروع کر دیا ہے۔ انہوں نے ایک مالی انڈیکس جاری کیا ہے، جس میں AI کو کن کاموں اور صنعتوں کو سب سے پہلے تبدیل کرنے کا نقشہ بنایا گیا ہے، اور اس نقشے کے مطابق کام شروع کیا گیا ہے: گولڈمن سیکس، بلاکسٹون، اور ہیلمین اینڈ فرائیڈمن کے ساتھ مل کر AI نیٹو ایجنسی سروسز کی کمپنی قائم کی گئی ہے؛ KPMG کے ساتھ عالمی اتحاد قائم کیا گیا ہے، جس میں 276,000 ملازمین کو Claude تک رسائی دی گئی ہے؛ اینسینچر نے ایک بزنس گروپ تشکیل دیا ہے، جس میں 30,000 افراد کو تربیت دی گئی ہے، جس کا مرکز مالیات، زندگی کے علوم اور صحت پر ہے۔

یہ مشورہ کمپنیاں AI کے صارفین کا کردار نہیں نبھاتیں، بلکہ AI کے ریلوے انجینئرز کا کردار ادا کرتی ہیں—وہ بخاری مشینیں نہیں بناتیں، نہ ہی ریلوے کے ٹریک لگاتیں، وہ کاروباروں کو پرانی عمارتوں کو ہٹانے اور نئی طاقت کے اردگرد تولیدی لائنیں دوبارہ تعمیر کرنے میں مدد کرتی ہیں۔ اس کردار کے بغیر، زیادہ تر فیکٹری مالکان نہیں جانتے کہ وہ کہاں سے شروع کریں۔

سگنلز چمک رہے ہیں۔ سب سے تیز سگنل ملازمت کے مارکیٹ سے آ رہا ہے۔

AI کے زیادہ مستحکم پیشے میں داخلہ لینے والے 22-25 سالہ جوانوں کو نوکری ملنے کا امکان، کم مستحکم پیشے میں داخلہ لینے والے اپنی عمر کے ہم جنسوں کے مقابلے میں 14 فیصد کم ہے۔ جونیئر ملازمتوں پر دباؤ بڑھ رہا ہے۔

اگر میں تازہ فارغ التحصیل ہوں، تو یہ عدد میری نوکری کی تلاش کو براہ راست متاثر کرتا ہے۔ اگر میں ایک مینیجر ہوں، تو میں جو اگلی سطح کے ملازمین کو بھرتی کروں گا، وہ شاید انسان نہیں ہوں گے۔

تنظیم ٹوٹ رہی ہے، افراد کیا؟ میری تعلیم، میرا کیریئر، اور میری ان سالوں میں جمع کی گئی صنعتی تجربہ — یہ میرے پانی کے چرخے ہیں۔ انہوں نے کبھی میری پوری پیداواری لائن چلائی، لیکن اب بھاپ کا انجن آ چکا ہے۔ 985 اور 211 اب دفاعی دیوار نہیں رہے، وہ صرف اس بات کا ثبوت ہیں کہ میں نے کبھی ندی کے کنارے ایک اچھا فیکٹری بنایا تھا۔

اب کا سوال یہ ہے کہ کیا ہمارے پاس اس ندی سے باہر نکلنے کی صلاحیت ہے۔

انٹروپک کے ڈیٹا کے مطابق، 6 ماہ سے زیادہ عرصہ تک AI ٹولز استعمال کرنے والے صارفین کی کامیابی کی شرح نئے صارفین سے 10 فیصد زیادہ ہے۔ جو لوگ نصف سال پہلے شروع ہو گئے، وہ پہلے سے 10 فیصد آگے ہیں، اور یہ فرق وقت کے ساتھ مرکب فائدہ بن جائے گا۔

لیکن اب تک کوئی بھی کمپنی AI کا استعمال نہ کرنے کی وجہ سے بند نہیں ہوئی، کم از کم میرا قانونی دفتر AI کے ساتھ آگے بڑھ رہا ہے۔ فاتح اب تک مارکیٹ نے منتخب نہیں کیا ہے۔ سیکھنے کا منحنی حقیقی ہے — جو لوگ پہلے چل پڑے ہیں، وہ فائدہ جمع کر رہے ہیں، لیکن زیادہ تر لوگ ابھی شروعاتی مرحلے پر ہیں۔

میرا موجودہ پیشہ ورانہ عنوان، دس سال بعد بھی موجود ہوگا؟ پانچ سال پہلے میں جن ٹولز کا روزانہ استعمال کرتا تھا، آج ان میں سے کتنے باقی ہیں؟ جواب شاید دونوں کے لیے نفی ہو۔ لیکن میں نہیں جانتا کہ ان کے متبادل کا نام کیا ہے — کیونکہ وہ چیزیں اب تک وجود میں نہیں آئیں۔

ہر بار تاریخ میں یہی ہوا۔ نئی چیزیں منصوبہ بندی نہیں ہوتیں، بلکہ پرانی پابندیاں ختم ہونے کے بعد خود بخود ظاہر ہوتیں۔

ریلوے کی تعمیر سے پہلے، برطانیہ الگ الگ علیحدہ معاشی علاقوں پر مشتمل تھا۔ مینچسٹر میں کپڑے کی قیمت لندن سے 30 فیصد تک مختلف ہو سکتی تھی۔ ہر شہر کا اپنا وقت کا معیار تھا، اور کسی کو اس بات کا کوئی مسئلہ نہیں لگتا تھا۔ ریلوے کی تعمیر کے بعد بیس سالوں میں، سب کچھ بدل گیا۔ پہلی بار ملک بھر کا ایک یکسانہ بازار وجود میں آیا، قیمتوں میں فرق ختم ہو گیا؛ معیاری وقت کو ریلوے نے مجبور کیا، اسے ایجاد نہیں کیا گیا؛ اسٹیشن ماسٹر، ٹیلیگراف آپریٹر، ٹریول ایجنسٹ—ان کاموں کا وجود ریلوے سے پہلے ممکن نہیں تھا۔

جب لوگ ریلوے لائنیں بنارہے تھے تو انہوں نے ڈیپارٹمنٹل اسٹورز کا خیال نہیں کیا۔ جب لوگ اسٹیم انجن بنارہے تھے تو انہوں نے معیاری وقت کا خیال نہیں کیا۔

(بخار، لوہا اور AI انفائنٹ سمارٹنس)

شہروں کی تاریخ ایک ہی کہانی بیان کرتی ہے۔ سو سال پہلے شہر انسانی سائز کے ہوتے تھے — فلورنس کو پیدل چل کر چالیس منٹ میں عبور کیا جا سکتا تھا۔ اسٹیل فریم نے آسمان چھو لینے والے عمارتوں کو ممکن بنایا، ریلوے شہروں اور ان کے پیچھے کے علاقوں کو جوڑ دیا، اس کے بعد ایلیویٹرز، میٹرو اور ہائی وے آئے۔ ٹوکیو، چونگکینگ، ڈیلاس — یہ بڑے فلورنس نہیں ہیں، یہ بالکل نئے اندازِ زندگی ہیں۔

آج کے جانی کام بھی انسانی سطح پر ہیں۔ دہوں افراد کی ٹیمیں، میٹنگز اور ای میلز رفتار طے کرتی ہیں، لیکن سو سے زیادہ ہونے پر یہ بوجھ بن جاتا ہے۔ ہم فلورنس کو پتھر اور لکڑی سے تعمیر کر رہے ہیں۔ AI "ٹوکیو" کو ممکن بناتا ہے — ہزاروں AI ایجینٹس اور افراد پر مشتمل تنظیم، جس کا کام سٹائلز کے ذریعے لگاتار جاری رہتا ہے۔ پرانی ہفتہ وار میٹنگز، تین ماہ کی منصوبہ بندی اور سالانہ جائزہ شاید اب معنی خروج نہ رکھیں۔

سائمن کوڈ لکھنا بند کر چکا ہے — اس کا کام "AI ایجینٹس کا انتظام" بن گیا ہے۔ دو سال پہلے اس عہدے کا کوئی وجود نہیں تھا۔ میرا اگلا پیشہ ورانہ عنوان شاید ابھی تک نام نہیں رکھا گیا۔ لیکن کوئی ہمیں ابھی تک نام دینے کے قابل نہیں ہونے والے مستقبل کی تعمیر کر رہا ہے۔

پرانے ورکشا کو ہٹانے کے بعد کیا بنائیں؟ YC کا جواب یہ ہے: کمپنی کو خود کو بہتر بننے دیں۔

ان کا اندر کا سسٹم اب رات کو خود اپنا کوڈ تبدیل کر لیتا ہے۔ ایک ملازم نے دن میں ایک سوال بھیجا، جو ناکام ہو گیا۔ ایک نگران ایجنٹ نے اس ناکامی کو پڑھا، وہ وجوہات کو الٹا نکالا، خود کوڈ لکھ کر درخواست دی، اور اسے ڈپلوی کر دیا۔ اگلے دن وہی سوال کامیابی کے ساتھ چل گیا۔ پورا واقعہ تمام لوگوں کے سونے کے دوران مکمل ہو گیا۔

یہ AI کے ذریعے انسانوں کی پیداوار میں 30% اضافہ نہیں ہے۔ یہ ایک مکمل سائکل خود چل گیا اور خود یہ سمجھا کہ کیسے بہتر بنایا جائے۔

این سی کے شراکت دار ٹام بلومفیلڈ نے ایک اندر کی تقریر میں اس کمپنی کے فارمیٹ کو "ریکرسیو خود بہتر بنانے والے AI سائکل" کہا۔ ان کا جائزہ بہت سیدھا ہے: زیادہ تر کمپنیاں ابھی بھی رومی فوج ہیں — جہاں معلومات کو درجہ بدرجہ نیچے بھیجا جاتا ہے اور نیچے سے اوپر واپس بھیجا جاتا ہے، اور انسان اس میں معلومات کے ٹیوب کا کردار ادا کرتے ہیں۔ AI جس چیز کو توڑ رہا ہے وہ صرف کسی ایک چکر کی کارکردگی نہیں، بلکہ پورے ہیرارکل سٹرکچر کے وجود کی بنیاد ہے۔

اس نے نیا منطق پیش کیا ہے: ٹوکن جلائیں، انسانوں کو نہیں۔ رکاوٹیں اب انسانی طاقت سے کمپیوٹیشنل طاقت کی طرف منتقل ہو رہی ہیں۔ YC کے پاس موجود ڈیٹا کے مطابق، ڈیمو ڈے تک پہنچنے والی کمپنیوں کا انسانی آمدنی 18 ماہ پہلے کے مقابلے میں تقریباً پانچ گنا بڑھ گئی ہے۔ مڈل مینجمنٹ کا کردار AI نے سنبھال لیا ہے — "تعاون" کا کام اب انسانوں کو نہیں کرنا پڑتا۔ ہر کوئی IC، بِلڈر، اور آپریٹر ہونا چاہئے، اور ہر کام کا ایک نامزد ذمہ دار ہونا چاہئے، کمیٹی نہیں۔

ایک اور شرط یہ ہے کہ کمپنی کو AI کے لیے "پڑھنے کے قابل" ہونا چاہیے۔ جو چیز ریکارڈ نہیں ہوتی، وہ AI کے لیے وہی ہوتی ہے جیسے وہ کبھی نہ ہوئی ہو۔ YC اب تمام شراکت داروں کے ای میلز کو ڈیٹا بیس میں محفوظ کر رہا ہے، تمام Slack پیغامات اور آفس گھنٹوں کی ریکارڈنگز کو ریکارڈ کر رہا ہے۔ ایک شراکت دار نے تین ماہ میں جمع کردہ 2000 گھنٹوں کی ریکارڈنگ کے ذریعے AI کو ایک 150 صفحات کا اندر کا ہینڈ بُک دوبارہ تخلیق کرنے کا موقع دیا — جو اصل ورژن سے بہت بہتر تھا۔ یہ ہینڈ بُک ماہانہ خودکار طور پر اپڈیٹ ہوتا رہتا ہے اور ایک مسلسل تازہ رکھنے والے "زندہ دماغ" میں تبدیل ہو گیا ہے۔

ٹوم نے ایک سوال چھوڑا:

اگر آج آپ اپنا کمپنی صفر سے شروع کر رہے ہوں، تو کیا آپ اسی شکل میں اسے ڈیزائن کریں گے؟ اگر آپ کی کمپنی پہلے ہی حکومتی ساخت کے ساتھ تعمیر ہو چکی ہے، تو ایک اور مشکل سوال کا جواب دینا ہوگا — ایک بار پھر دوبارہ تعمیر کرنا، کیا رومی فوج کی طرح چلنے کے خرچ سے کم درد دے گا؟

لوگ فیکٹری کے مرکز میں نہیں ہوتے، بلکہ باہر کے دائرے میں ہوتے ہیں — جہاں وہ ایسے علاقوں کی ذمہ داری سنبھالتے ہیں جہاں AI ابھی تک پہنچ نہیں سکتا: آف لائن فیصلے، نئے حالات، اور اعلیٰ خطرے والے جذباتی لمحات۔ کمپنی کا مرکزی حصہ ڈیٹا، ریکارڈ اور صنعتی علم کے ذریعے تشکیل دیا گیا “کمپنی کا دماغ” ہے۔ اس پر چلنے والے سافٹ ویئر استعمال کے بعد ختم ہو جاتے ہیں، جو بنا جا سکتے ہیں اور دوبارہ بنا جا سکتے ہیں۔ قیمتی چیزیں لوگوں کے دماغ میں ہیں — یہ کہ بزنس کیسے چلتا ہے، کون سے مراحل فیصلوں کا تقاضا کرتے ہیں، اور یہ سمجھنا ہی اصل اثاثہ ہے۔

زہاو یوان نے اپنی کتاب "اسٹیم، اسٹیل، اور بے حد ذہن" میں اس سمت کا دوسرا پہلو بیان کیا ہے — 1000 ملازمین اور 700 سے زائد AI ایجینٹس کے تعاون سے چلنے والا ادارہ، جہاں انسان فیصلے کرتے ہیں اور ایجینٹس عمل کرتے ہیں۔ اسچنبرنر نے کمپوٹیشنل انفراسٹرکچر پر دستخط کیے ہیں، جبکہ زہاو یوان نے ادارے کے دوبارہ ڈیزائن پر۔ دونوں راستے ایک ہی مقصد کی طرف جاتے ہیں: AI کے اردگرد نئی پیداواری صورتِ حال کا قیام۔

1840 کی دہائی اور 1850 کی دہائی کے درمیان — ریلوے مکمل ہو چکی تھی، لیکن فیکٹریاں ابھی تک دوبارہ تعمیر نہیں ہوئی تھیں۔

ہم کہاں ہیں؟ سائمن نے کوڈ لکھنا بند کر دیا ہے۔ اس کا پانی کا پہیہ اس نے خود ڈیسمونٹ کیا ہے۔

مسائل کبھی بھی اس بات کے بارے میں نہیں تھے کہ ب hơi ماشین کافی اچھی تھی یا نہیں، مسائل کبھی پرانے کارخانے کو پہلے کون توڑتا ہے، اس بات کے بارے میں تھے۔

میں مستقبل کے ڈیپارٹمنٹل اسٹورز کا پیشن گوئی نہیں کرنا چاہتا، میں صرف اپنے آپ کو بہتر بنانا چاہتا ہوں — صرف اس بات کا خیال رکھنا ہے کہ میں ریلوے کے کنارے پر کھڑا ہوں، نہ کہ ایک خشک ہوتی ہوئی ندی کے پاس۔

تو کیا؟