کلوڈ کوڈ کے بانی بورس چرنی نے سیکوئیا کانفرنس میں AI پر 7 اہم ججمنٹس شیئر کیں

ترتیب: آئنگ

کلود کوڈ کے بانی بورس چرنی نے ریڈ سیک کانفرنس میں اپنا شیئر کیا، جس میں بہت زیادہ معلومات تھیں اور میں نے بہت سے خیالات پہلی بار مکمل طور پر سنے۔ یہ لڑکا AI کو حقیقت میں بہت اچھی طرح سے سمجھتا ہے۔

میں اپنی خلاصہ شیئر کرتا ہوں۔

بڑے پیمانے پر مقبول ڈیولپمنٹ سیناریوز کے لیے، کوڈ لکھنے کا ہاتھ سے کام کرنا شروع ہو چکا ہے کم کارآمد چیز کے طور پر۔

پہلے، ایک فیچر ڈیلیور کرنے کے لیے انجینئر بیٹھتے، پہلے سوچتے کہ اسے کیسے ممکن بنایا جائے، اور پھر ایک ایک کر کے کوڈ ٹائپ کرتے۔ اس عمل میں انجینئر کی سب سے بڑی قیمت یہ تھی کہ وہ کوڈ لکھ سکتے ہیں یا نہیں، کیا وہ اچھا لکھتے ہیں، اور کیا وہ جلدی لکھتے ہیں۔

اب کام کرنے کا طریقہ مختلف ہے۔

ایک ہی فنکشن کے لیے، انجینئرز کا کام زیادہ تر اس طرح ہوتا ہے: پہلے ضروریات واضح کریں، اس کام کو کچھ حصوں میں تقسیم کریں اور ایجنٹ کو سونپ دیں، ایک قبولیت کا معیار طے کریں، اور پھر دیکھیں کہ ایجنٹ کا نتیجہ درست ہے یا نہیں، اگر غلط ہے تو پرومپٹ کو تبدیل کریں اور اسے دوبارہ چلائیں۔

AI اب زیادہ تر کوڈنگ کے کاموں کو سنبھال سکتا ہے۔ بالکل 100% نہیں، کیونکہ اب بھی بہت سے بڑے اور پیچیدہ کوڈ بیسز، کم استعمال ہونے والی زبانوں یا خاص ماحولوں میں موجود ماڈل اب بھی کافی نہیں ہیں۔

کلی طور پر، انجینئرز کی قیمت صرف کوڈ لکھنے کی صلاحیت سے نکل کر ٹاسکس کو ٹوٹنے، مقاصد کو واضح کرنے، نتائج کی تصدیق کرنے اور ایجینٹس کا انتظام کرنے کی صلاحیت پر منتقل ہو گئی ہے۔

یہ تبدیلی دراصل صنعتی انقلاب جیسی ہے۔

صنعتی انقلاب سے پہلے، ایک لوہار اپنے آپ پر گھونٹنا، تیار کرنا، چمکانا اور اسمبل کرنا جیسے تمام کام کرتا تھا۔ اچھے ہنر مند لوہار کی قیمت خود بخود زیادہ ہوتی تھی۔

بعد میں لائن پیداوار کا نظام آیا۔ ہر مزدور صرف ایک مرحلہ پر کام کرتا تھا، لیکن مجموعی پیداوار ہاتھ سے بنائے جانے والے دور کے مقابلے میں دس گنا یا سو گنا زیادہ ہو گئی۔

اس وقت فیکٹری میں قیمتی کردار، صرف ایک خاص عمل کو سب سے بہتر طریقے سے کرنے والے کاریگر نہیں ہیں، بلکہ لائن کو ڈیزائن کرنے، اس کا انتظام کرنے اور اسے بہترین طریقے سے چلانے والے ہیں۔

مزدور غائب نہیں ہوئے، لیکن مزدور کا کردار بدل گیا۔

سافٹ ویئر انجینئرنگ اب ایک مشابہ تبدیلی کا تجربہ کر رہی ہے۔ کوڈ خود اب نایاب چیز نہیں رہا۔ کوڈ لکھنا، اب پی پی ٹی استعمال کرنے جیسا بن چکا ہے۔

حقیقی کمی یہ ہے کہ آپ ادھوری ضروریات کو واضح کاموں میں تقسیم کر سکتے ہیں، ایجنٹ کے پیش کردہ کئی حل میں سے سب سے مناسب کو منتخب کر سکتے ہیں، اور کئی AI کو ایک ساتھ مل کر ایک کام مکمل کرنے کے لیے ہدایت دے سکتے ہیں۔

اس بات کو اصل میں بہت سے پرانے انجینئرز شروع میں قبول نہیں کر پائے۔ کوڈ کو خود لکھنا، گزشتہ دہائیوں تک بہت سے لوگوں کے لیے اس شعبے کو پسند کرنے کی وجہ تھی۔

اسے مشین کو دینا، بہت سے لوگوں کے لیے صرف کام کرنے کا طریقہ تبدیل نہیں ہو رہا، بلکہ شناخت کی ایک دوبارہ تعمیر ہے۔

لیکن ٹرینڈ ٹرینڈ ہے۔

کوڈنگ ایک ماہرانہ مہارت سے ایک بنیادی صلاحیت میں تبدیل ہو رہی ہے۔ اس کی تشبیہ 15ویں صدی کے یورپ میں پرنٹنگ پریس سے کی جا سکتی ہے۔

طباعت کے ایجاد سے پہلے، پورے یورپ میں صرف تقریباً 10% لوگ لکھنے پڑھنے کے قابل تھے۔ یہ لوگ عام طور پر لکھنے پڑھنے والوں کے لیے ملازمت پر رکھے جاتے تھے جو اپنے مالکوں کے لیے پڑھنے اور لکھنے کا کام کرتے تھے۔

پھر طباعت کا ایجاد ہوا۔ 50 سال میں، یورپ میں شائع ہونے والی کتابوں کی تعداد پچھلے ایک ہزار سالوں کے مجموعے سے زیادہ ہو گئی، اور کتابوں کی قیمت لگ بھگ 100 گنا کم ہو گئی۔ کئی سو سالوں تک تعلیمی نظام اور معاشی ساخت کے ساتھ مطابقت کے بعد، عالمی خواندگی کی شرح صرف آج کے 70 فیصد تک پہنچی۔

بورس کا خیال ہے کہ AI کا سافٹ ویئر پر اثر، پرنٹنگ پریس کی انقلاب کا تیز کیا گیا ورژن ہے۔ سافٹ ویئر کچھ دہائیوں میں مکمل طور پر لوگوں کے لیے ڈیموکریٹک ہو جائے گا اور کوئی بھی اسے آسانی سے استعمال کر سکے گا۔

آخر کار، سافٹ ویئر بنانا، میسج بھیجنا جیسا ہی قدرتی ہو جائے گا۔

جب AI نے کوڈ لکھنے کی سطح کو بہت کم کر دیا، تو ایک شخص کی صلاحیت کا اصل فرق اس کی مصنوعات کی سمجھ اور کسی خاص شعبے کی حقیقی سمجھ میں ہوتا ہے۔

ایک مثال دیں۔ دو افراد ایک ڈاکٹروں کے لیے مصنوعات بنانا چاہتے ہیں۔ ایک تیزی سے کوڈ لکھنے والا انجینئر ہے، اور دوسرا کچھ سالوں تک ہسپتال کے انفارمیشن ڈیپارٹمنٹ میں کام کر چکا ہے۔

پہلے، انجینئر کے پاس ایڈیا کو عملی شکل دینے کا زیادہ امکان ہوتا تھا۔

اب ایسا ہو گیا ہے کہ کوئی بھی آئیڈیا کو عملی شکل دے سکتا ہے۔ اس وقت، جو شخص اسپتال کے روزمرہ کے عمل کو اصل میں سمجھتا ہے، وہ زیادہ قیمتی ہوتا ہے۔ کیونکہ وہ جانتا ہے کہ کون سے فنکشن ڈاکٹر اصل میں استعمال کریں گے اور کون سے صرف سننے میں منطقی لگتے ہیں۔

یعنی، جب AI نے اجراء کی رکاوٹ کو ختم کر دیا، تو فیصلہ سازی کے فرق کو زیادہ اہمیت دی گئی۔

یہ واقعہ "generalist" کے مطلب کو براہ راست تبدیل کر دیتا ہے۔

ہم نے پہلے جنرلسٹ کہا، جس کا مطلب عام طور پر ایک انجینئر ہوتا تھا جو iOS لکھ سکتا تھا، ویب لکھ سکتا تھا، اور بیک اینڈ لکھ سکتا تھا۔ ایسا جنرلسٹ، بنیادی طور پر انجینئرنگ کے اندر ہی ایک فل اسٹیک ہوتا تھا۔

مستقبل کا جنرلسٹ بین الاختصاصی سٹیک ہوگا۔

کوئی پروڈکٹ، ڈیزائن اور انجینئرنگ سب کو سمجھتا ہے۔ کوئی پروڈکٹ، ڈیٹا سائنس اور انجینئرنگ سب کو سمجھتا ہے۔ ایسی ترکیب پہلے تقریباً ناممکن تھی کیونکہ ہر ایک کے لیے لمبے عرصے تک مخصوص تربیت کی ضرورت تھی۔

لیکن اب AI نے ہر چیز کے لیے عمل کرنے کی رکاوٹ کو کم کر دیا ہے، ایک شخص کئی شعبوں میں کام کر سکتا ہے اور پیشہ ورانہ گہرائی بھی برقرار رکھ سکتا ہے۔

کلود کوڈ ٹیم اسی طرح ہے۔ انجینئرنگ مینیجر، پی ایم، ڈیزائنر، ڈیٹا سائنسٹ، فنانس، صارف تحقیق، ہر کوئی کوڈ لکھ رہا ہے۔

ڈیزائنر اپنے انٹریکٹو پروٹوٹائپ کو اپنی ٹیم کو دکھانے کے لیے خود چلا سکتے ہیں، صرف تصویریں بنانے کے بجائے جسے انجینئرز کو ایمپلیمنٹ کرنا ہوتا ہے۔

فائننس ٹیم اپنا ایک تجزیاتی ٹول بناسکتی ہے جس سے کمپنی کے پیچیدہ فائننسی ماڈلز چلائے جاسکیں اور BI کے لیے قطار میں انتظار نہیں کرنا پڑے۔ صارِف تحقیق کے افراد اب خود ڈیٹا چلانا شروع کرچکے ہیں اور جو کام پہلے ڈیٹا ٹیم کے ساتھ تعاون کی ضرورت تھا، وہ اب خود سنبھال رہے ہیں۔

ہر کسی کی ماہرانہ گہرائی اب بھی موجود ہے۔ لیکن AI کی مدد سے کوڈ لکھنا اب سب کے لیے مشترکہ زبان بن گیا ہے۔

گزشتہ دہائیوں میں، SaaS صنعت کے کچھ اصول تقریباً ایک امر ہو چکے ہیں۔

پہلا امر تبدیلی کی لاگت ہے۔ ایک کمپنی جب آپ کے سسٹم کا استعمال شروع کر دے، تو اس میں کچھ سالوں یا حتیٰ کہ دہائیوں کا ڈیٹا، کنفیگریشن، فیلڈز، اور اجازتوں کے تعلقات جمع ہو جاتے ہیں۔

دوسرا سسٹم منتقل کرنے کے لیے، صرف ان چیزوں کو ایسے ہی منتقل کرنا اور دوبارہ داخل کرنا ہی کافی ہے کہ آپ کو حرکت کرنے سے گھبرانا پڑے۔

دوسرا نقطہ ورک فلو لاک ہے۔ ملازمین کی روزمرہ کی سرگرمیاں، مختلف محکموں کے درمیان تعاون، اور منظوری کے نوڈس، سب کچھ اس SaaS کے گرد تیار ہوئے ہیں۔

ایک نظام بدلنا صرف ڈیٹا منتقل کرنے کے برابر نہیں، بلکہ پچھلے کچھ سالوں میں کمپنی کے جسم میں جمع ہونے والی عادتوں کو الگ کر کے دوبارہ شروع کرنا ہے۔

ان دو چیزوں کا مجموعہ گزشتہ SaaS صنعت کی سب سے گہری حفاظتی دیوار بن گیا۔ لیکن کافی طاقتور ماڈل کے ساتھ، منطق تبدیل ہونا شروع ہو گیا۔

سب سے پہلے تبدیلی کی لاگت پر نظر ڈالیں۔ پہلے، ایک SaaS سے دوسرے پر منتقل ہونے کے لیے، صرف فیلڈز کو مطابق کرنا اور ڈیٹا سٹرکچر کو دوبارہ بنانا، انجینئرنگ ٹیم کو کئی ماہ تک اوورٹائم کرنے پر مجبور کر دیتا تھا۔

اب دونوں طرف کے انٹرفیس اور ڈیٹا سٹرکچر کو براہ راست ماڈل کو دے دیں، جس سے وہ خود میپنگ ریلیشن شپ کو سمجھے گا اور آہستہ آہستہ بہترین حل کی طرف بڑھے گا۔ جس چیز کو اصل میں کئی ماہ لگتے تھے، وہ شاید صرف کچھ دنوں میں استعمال کے قابل ورژن تک پہنچ جائے۔

اب ورک فلو لُکنگ کی طرف دیکھیں، جو زیادہ دلچسپ ہے۔ گزشتہ وقت ورک فلو صرف اس لیے کسٹمرز کو لُکا پاتے تھے کیونکہ یہ پروسیجرز خود بخود پیچیدہ، اسکریں، اور انسانوں پر منحصر تھے۔

کارکنان کے دماغ میں جو یہ سمجھوتہ ہے کہ کون کسے منظوری دے گا، کب اور کس مرحلے پر رک جائے گا، اسے براہ راست منتقل نہیں کیا جا سکتا۔

لیکن Opus 4.7 جیسے ماڈلز کا سب سے بڑا طریقہ یہی ہے کہ وہ ایک پیچیدہ عمل کو سمجھیں، اسے الگ الگ کریں، اور نئے ماحول میں دوبارہ ترتیب دیں۔ اکثر تو نئی ترتیب پہلے سے بھی زیادہ آسان ہوتی ہے۔

تو پہلے ڈیٹا اور عمل کے جمع ہونے سے بنائی گئی دفاعی دیواریں تباہ ہو رہی ہیں۔

ایس ایس کر رہے لوگوں کے لیے یہ ایک خبر بری ہو سکتی ہے۔ لیکن ایس ایس استعمال کرنے والے تمام صارفین اور نئی نسل کے ایس ایس بنانے کے لیے تیار ہونے والی ٹیموں کے لیے یہ ایک حقیقی موقع کا دروازہ ہے۔

اگلے 10 سالوں میں صنعت کو حقیقی طور پر بدل دینے والی کامیاب کمپنیاں، پچھلے 10 سالوں کے مقابلے میں 10 گنا زیادہ ہو سکتی ہیں۔

اس کی وجہ اصل میں پیچیدہ نہیں ہے۔

چھوٹی ٹیمیں AI کا استعمال کرکے بڑی کمپنیوں کے برابر یا اس سے بہتر مصنوعات تیار کر سکتی ہیں۔ اس کے برعکس، بڑی کمپنیوں کے لیے AI کا حقیقی طور پر استعمال کرنا منفی اثاثہ بن جاتا ہے۔

کیسے کہوں؟

کچھ سالوں سے موجود ایک کمپنی، جس نے اپنی مکمل کاروباری عملدرآمد، ملازمت کی تقسیم، تعاون کی عادات، تربیت کا نظام اور KPI کی تقویم خود بنالی ہے۔ یہ چیزیں گزشتہ زمانے میں اثاثے اور رکاوٹیں تھیں۔

لیکن AI کو حقیقی طور پر اندرونی طور پر ڈالنا کا مطلب ہے کہ اس سب کا دوبارہ جائزہ لیا جائے: عمل کے فرائض کو دوبارہ تعمیر کیا جائے، تمام ملازمین کو دوبارہ تربیت دی جائے، اور ہر ایک قدم آگے بڑھنے پر بڑی داخلی مزاحمت کا سامنا ہوگا، N اداروں اور N سطحوں کی منظوریوں کو ہم آہنگ کرنا ہوگا۔

ایک تین افراد کی اسٹارٹ اپ ٹیم نے پہلے دن سے ہی AI کو ڈیفالٹ بنیاد کے طور پر اپنا لیا۔ ان کے پاس کوئی تاریخی بوجھ نہیں تھا جسے ہٹانا ہو، کوئی عادات نہیں تھیں جنہیں تبدیل کرنا ہو، اور کسی کو بھی مقنوع کرنے کی ضرورت نہیں تھی۔ آج بات چیت ختم، کل ڈیمو، اور فردا صارفین کے لیے لانچ۔

اس سپیڈ کے فرق کو AI کے پہلے بھی موجود ہونا تھا۔ اسٹارٹ اپس کا بڑی کمپنیوں کے مقابلے میں سپیڈ کا فائدہ ہوتا ہے۔ لیکن AI نے اس فرق کو کئی گنا بڑھا دیا ہے۔

کیوں؟

کیونکہ AI جتنا طاقتور ہوگا، ایک شخص ایک اکائی وقت میں اتنی زیادہ لیوریج کر سکتا ہے۔ ایک ایسا چھوٹا ٹیم جو AI کو واقعی اچھی طرح سے استعمال کر رہا ہے، آج کا پیداوار پچھلے دس افراد کے برابر ہو سکتا ہے، کل پچھلے تیس افراد کے برابر ہو سکتا ہے۔

لیکن بڑی کمپنیوں کی تنظیمی وزن ہلکا نہیں ہوا، بلکہ AI کو ہضم کرنے کی وجہ سے اور بھی بھاری ہو گیا۔ جتنا AI مضبوط ہوگا، اتنی ہی چھوٹی ٹیموں کا تیزی اور بڑی کمپنیوں کی کشش کے درمیان فرق بڑھتا جائے گا۔

یہی بورس کہتے ہیں کہ منفی اثاثے۔ نہ تو بڑی کمپنیوں کے پاس پیسہ نہیں، نہ لوگ، نہ جذبہ، بلکہ ان کے اندر وہ پرانے مالی فائدہ دینے والے عضلات آج AI کے اصلی قدر کو جاری کرنے کے راستے میں اٹک گئے ہیں۔

MCP مرے گا نہیں۔

اسکل کے مقبول ہونے کے بعد، بہت سے لوگوں کو لگا کہ MCP کی ضرورت نہیں۔ اوپنکلو کے بانی کا بھی اسی قسم کا خیال ہے۔

لیکن بورس اس طرح نہیں سوچتے۔ وہ سمجھتے ہیں کہ MCP AI کے دور کی سافٹ ویئر کنکشن لیئر بنے گا۔

پہلے انٹرنیٹ کے سافٹ ویئر کنکشن کا طریقہ API تھا۔

لیکن API کا بنیادی مسئلہ یہ ہے کہ اسے انجینئرز کے لیے ڈیزائن کیا گیا ہے۔ ایک API استعمال کرنے کے لیے، آپ کو پہلے دستاویزات پڑھنی ہوں گی، ٹوکن درخواست دینا ہوگا، کوڈ لکھنا ہوگا، فیلڈز کو مطابق بنانا ہوگا، اور ایکسپشنز کو ہینڈل کرنا ہوگا۔ سادہ الفاظ میں، API انجینئرز کے لیے لکھا جاتا ہے۔

MCP الگ ہے۔ یہ ماڈل کو براہ راست جوڑنے دیتا ہے، ماڈل خود سمجھ لیتا ہے اور استعمال کر لیتا ہے، درمیان میں کسی پروگرامر کو اس کا ترجمہ کرنے کی ضرورت نہیں ہوتی۔

اس لیے بورس نے API کو Human Developer Interface کہا اور MCP کو Model Interface Protocol۔ ایک انسان کے لیے ہے، دوسرا ماڈل کے لیے۔

یہ دراصل اس وقت کے بہت مشابہ ہے۔ موبائل انٹرنیٹ کے دور میں، تمام سروسز کو API بنانا ڈیفالٹ تھا۔ AI کے دور میں، تمام سروسز کو MCP بنانا ڈیفالٹ ہے۔

اب بہت سے لوگ کمپیوٹر استعمال کے بارے میں بات کرتے ہیں، جس سے لگتا ہے کہ یہ راستہ ممکنہ طور پر کام نہیں کرے گا۔

وجہ بھی منطقی ہے: زیادہ ٹوکن کھاتی ہے، سست چلتی ہے، اور مستقل نہیں ہے۔ یہ زیادہ تر ایک ڈیمو کی طرح لگتی ہے، جو حقیقی استعمال کے لیے ابھی دور ہے۔

لیکن بورس نے بالکل الگ پہلو دیکھا۔

وہ اصل میں یہ سمجھتا ہے کہ Computer Use AI کے عملی استعمال کا سب سے بڑا مسئلہ حل کرتا ہے: حقیقی دنیا میں، بہت سے سسٹم یا تو API نہیں رکھتے یا MCP نہیں رکھتے۔

خاص طور پر کاروباری دنیا میں۔

کمپنی میں داخل ہونے کے بعد ہی پتہ چلتا ہے کہ وہاں بہت سے مرکزی سسٹم پرانے ہیں۔ ERP، OA، فنانس سسٹم، اندر کی منظوری، سپلائی چین باک اینڈ، اور مختلف کسٹم سسٹم۔ بہت سے کوئی انٹرفیس نہیں، کوئی دستاویزات نہیں، اور کوئی خودکار صلاحیت نہیں۔ وہ وہیں موجود ہیں، جن کا روزانہ لاکھوں ملازمین دستی طور پر استعمال کرتے ہیں۔

تو انہیں API کیوں نہیں بنایا جاتا؟

کیونکہ اسے چلانا ممکن نہیں۔ ان نظاموں کو تیار کرنے والے فراہم کنندگان شاید اب موجود نہیں ہیں۔ آئی ٹی محکمہ کو انہیں دوبارہ تعمیر کرنے کا کوئی جذبہ یا بجٹ نہیں ہے۔

بزنس ڈیپارٹمنٹ ممکنہ طور پر چھ ماہ یا ایک سال کا انتظار نہیں کرے گی۔ یہ سسٹم کبھی بھی اپنے آپ کو بچانے کے لیے ایک مثالی API کا انتظار نہیں کریں گے۔

کم سے کم مختصر مدت میں، تمام ماڈل اپنی کمپیوٹر استعمال کی صلاحیت میں اضافہ کرتے رہیں گے۔