بات چیت | جانگ پینگ

جب سب لوگ "ڈیجیٹل ملازم" اور "ایجینٹ ٹولز" کے ترقی پر ایک ساتھ مرکوز ہو جائیں اور تفصیلی مناظر میں بے حد مقابلہ کریں، تو AI کے کاروبار کا اصل تحفظ کہاں ہے؟

ہال ہی میں، گیک پارک کے بانی اور صدر چینگ پنگ اور VisionFlow کے بانی لیو یے نے OpenClaw کے بعد ایک آگے کی طرف بڑھنے والی بحث کی۔ 1979 میں پیدا ہونے والے چین کے پہلے جنریشن پروگرامرز میں سے ایک، لیو یے نے بنیادی ہارڈویئر سے سافٹ ویئر تک، اور کاروباری ادغام (ToB) سے آن لائن تعلیم (صنعتی انٹرنیٹ) تک کا مکمل دور طے کیا۔ کئی ماہ تک انفرادی طور پر رہنے اور عالمی سطح کی بڑی AI کمپنیوں کے محققین اور گھریلو عظیم کاروباری افراد کے ساتھ "جتنا ممکن ہو اُتنا بات چیت کرنے" کے بعد، اس نے ایک سرد نتیجہ نکالا: AI کو "ڈیجیٹل ملازم" کے طور پر استعمال کرکے ایک منفرد کام کو بدلنا، انجینئرنگ سوچ کا حقیقی کاروبار پر زیادہ تفصیل سے سادہ سمجھنا ہے۔

اس بات چھت میں، لیو یے نے "پیشہ ورانہ اظہار"، "کام کا اونچا اور نیچا میٹرکس" جیسے کئی انتہائی متاثر کن تصورات اور فریم ورک پیش کیے۔ بحث کے دوران، مستقبل کی ایک ممکنہ صورت واضح ہوئی: AI کا اگلا مرحلہ صرف ایک بے شمار ٹولز کا مجموعہ نہیں ہوگا، بلکہ تعاون، رپورٹنگ اور خود کو جانچنے والے مکینزمز سے لیس "ڈیجیٹل ادارہ" بنائے گا۔ جب کاروباری ثقافت کی ضرورت ختم ہو جائے اور نیچے کے درجے کے کام مکمل طور پر ختم ہو جائیں، تو مستقبل کا سی ای او شاید "چیف ایگزیکٹو" نہیں بلکہ انتہائی خوبصورتی والے "پروڈیوسر" ہوگا۔

یہ AI کے دور میں تنظیمی شکل، کاروباری رکاوٹوں اور نئی نسل کے کاروباری اداروں کے علاقے پر ایک تجزیاتی تبادلہ خیال ہے۔ امید ہے کہ یہ مستقبل کے کاروباری اداروں کے لیے مزید گہری بحث کا آغاز کرے گا۔

جیک پارک کی طرف سے تیار کیا گیا مکالمہ کا خلاصہ درج ذیل ہے:

01 ہزار A کی جنگ شروع ہو چکی ہے، کرنے کے لیے بہت کچھ ہے،

لیکن سب سے اہم یہ ہے کہ کیا کریں

زہنگ پینگ: ہوم ورک باکس سے لے کر آج تک، اوپن کلو کے ذریعے آنے والے تبدیلیوں کی طرف اپنی اس شدت کے ساتھ، آپ نے خود کیا تبدیلیاں محسوس کی ہیں؟

لیو یے: میں چین کا پہلا جنریشن پروگرامر ہوں، جو بچپن سے ہی پروگرامنگ سیکھ رہا ہوں۔ میں نے BASIC سے DOS، پھر ونڈوز اور آج کے میک کے دور تک کا سفر طے کیا ہے، اور تین بڑے پورٹلز کے ابھار کو بھی دیکھا ہے۔ میں نے کاروباری معلوماتی نظام پر کام کیا اور چین کا IBM بننا چاہا؛ بعد میں میں نے "زُو ہِی ہِی" میں تبدیلی کی اور آن لائن تعلیم میں گہری طور پر شرکت کی۔ آن لائن تعلیم ایک بہت گہرا صنعت ہے، جو صنعتی انٹرنیٹ کی اعلیٰ شکل ہے اور "آخری ٹرین" بھی۔ اس تجربہ نے مجھے گہرائی سے سمجھایا کہ صنعتی انٹرنیٹ کا مرکزی نقطہ تکنیک نہیں، بلکہ صنعت خود ہے، یعنی کاروبار۔ صنعتی انٹرنیٹ کا قانون یہ ہے کہ پہلے معلومات کا تبادلہ کیا جائے، پھر معیاری مصنوعات، اس کے بعد سپلائی چین، اور آخر میں غیر معیاری، پیچیدہ خدمات۔ جتنا آگے بڑھتے جائیں، اتنے ہی زیادہ مارجن ہوتا جائے گا، لیکن اتنے ہی مشکل بھی ہوتا جائے گا۔

اس لیے، جب AI کی لہر آئی، تو میں نے پہلا کام یہ کیا کہ میں نے تقریباً چھ ماہ تک کچھ نہیں کیا اور HR کو ہر ایک سے بات کرنے کے لیے کہا جو بات چیت کر سکتا تھا۔ مختلف ستارہ جیسے اسٹارٹ اپس کے سائنسدانوں سے لے کر بنیادی ماڈل کے بڑے کمپنیوں کے مرکزی الگورتھم، انجینئرز اور ریسرچر، اور نئے AI اسٹارٹ اپرز تک، میں نے جتنی ممکن ہو سکی بات چیت کی۔ تقریباً ہزاروں گھنٹوں کی مکالمے کی گہرائی جمع کر لی۔ میں نے کتنی گہرائی تک بات کی؟ اتنا کہ جب وہ اپنا جملہ کا پہلا حصہ کہتے تھے، تو میں دوسرا حصہ جانتا تھا، اور سب کا اتفاق رائے تقریباً ایک جیسا ہو چکا تھا۔

ایک گول گفتگو کے بعد، نتیجہ حیرت انگیز طور پر ایک جیسا تھا: سب کچھ ایک ہی کام کر رہے تھے — ڈیجیٹل ملازم۔ یہ مجھے اس وقت کی ایک بڑی شخصیت کے بادل کے بارے میں ایک غلط تصور کو یاد دلاتا ہے، جس نے کہا تھا کہ علی بابا کا بادل بنانا صرف ایک آن لائن ڈرائیو ہے۔ پرانے فریم ورک سے نئی چیزوں کو سمجھنے کی کوشش کرنے سے آپ ہمیشہ صرف سب سے سطحی ترین لیول ہی دیکھ پائیں گے۔

آج سب یہی سوچ رہے ہیں کہ ایک ڈیجیٹل ملازم بن کر، کلوڈ کا استعمال کرتے ہوئے ایک "ڈیجیٹل سیلز" یا "ڈیجیٹل کسٹمر سروس" بنائیں — تکنیکی رکاوٹ کہاں ہے؟ حفاظتی دیوار کہاں ہے؟ جب ایک شخص دن میں کئی ارب ٹوکن خرچ کرنا عام بات بن جائے، تو یہ زیادہ تر تیاری کا کام لگتا ہے، بالکل اُڑنے کے قابل نہیں۔ اس لیے میں ہر قائم کرنے والے سے ایک ہی سوال پوچھتا ہوں: آپ کیوں؟ آپ کیوں کام کریں گے؟ کیا آپ نوجوان ہیں؟ زیادہ ذکی؟ زیادہ رات تک جاگنے کے قابل؟ اگر آپ ایک ہی پہلو پر مقابلہ کر رہے ہیں، تو یہ صرف "10 سیکنڈ میں 69" اور "10 سیکنڈ میں 70" کے درمیان فرق نہیں ہے؟

چنگ پینگ: ہاں، آج کرنے کے لیے بہت کچھ ہے، لیکن کیا کرنا چاہیے، اس سے زیادہ اہم کچھ نہیں۔ کیا آپ کے پاس اس بارے میں کوئی سوچ ہے؟

02 صنعتی انٹرنیٹ کا دہرایا جانے والا دس سال، آج دوبارہ پیش آئے گا

لیو یے: AI بہت مختلف ہے، لیکن میں یقین رکھتا ہوں کہ صنعتی انٹرنیٹ کے قوانین کے ساتھ اس کا کچھ مخفی تطابق ضرور ہوگا۔ ابتدائی مرحلے میں ٹولز بنائیں، درمیانی مرحلے میں کاروبار کریں، اور آخر میں مشورہ دیں۔ جب تک ٹیکنالوجی ناکافی نہ ہو جائے، پہلی لہر میں صرف انجینئرز ہی داخل ہوں گے، جو دنیا کو زیادہ تر خلاصہ کرنے میں ماہر ہوتے ہیں، جیسے بائیدو کا "بکس کمپوٹنگ" جس میں سب کچھ ایک بکس سمجھا جاتا تھا۔ لیکن موبائل انٹرنیٹ کا دوسرا نصف حصہ مواد اور خدمات ہے، بکس نہیں۔

انجینئرز کا تنظیم کے بارے میں خیال اکثر کاروبار کو زیادہ سادہ سمجھ لیتا ہے۔ آپ دیکھیں کہ پہلی نسل کے انٹرنیٹ کے تین بڑے پورٹلز میں سے آخر تک سب سے بہتر کام کرنے والے تھے ٹینسینٹ اور علی بابا، جو تکنیک سے تھوڑے دور تھے لیکن صنعت کے قریب تھے۔ آج بھی یہی بات ہے، تکنیک اب越來越 کم اہم ہوتی جا رہی ہے۔

چنگ پینگ: اس لہر میں انسانیات کے طلبہ بہت خوش ہیں، کوڈ لکھنا نہیں آتا تو کوئی بات نہیں۔ لیکن لمبے عرصے تک، AI کے دور میں انسانوں سے کیا توقع ہے؟ کیا کچھ تبدیل ہوا ہے؟

لیو یے: چین کے انسانی وسائل کے ڈھانچے میں، میں ایک مسئلہ نوٹ کرتا ہوں۔ چین کے پہلے پروگرامرز صرف پروڈکٹ منیجرز تھے، کیونکہ اس وقت پروڈکٹ منیجر کا عہدہ موجود نہیں تھا۔ پروڈکٹ منیجر کا عہدہ عام طور پر 2010 کے آس پاس، جب جابس نے آئی فون 4 جاری کیا اور زانگ شیاولین نے اپنی پروڈکٹ کی تصور پیش کی، تو شناختہ ہوا۔ اس سے پہلے، پروگرامرز پروڈکٹ منیجرز کا کام بھی کرتے تھے، پہلے پروگرامرز آئے، پھر پروڈکٹ منیجرز، اس لیے پہلے پروگرامرز سب پروڈکٹ منیجرز تھے۔ پہلے پروگرامرز نے کوڈ سیکھا نہیں کام کے لیے، بلکہ دلچسپی کے لیے، وہ محبت کے باعث اس میں ملو گئے۔ یہی وہ غیر تعریف شدہ، روایتی سوچ سے باہر نکلنے والے لوگ تھے جو سب سے زیادہ عمدہ تھے۔

لیکن دوسری نسل کے پروگرامرز، جنہوں نے پچھلے دہائیوں میں صنعتی انٹرنیٹ کی وجہ سے خود کو "کوڈر" بنالیا، اور پروڈکٹ منیجرز کو "آرکیٹیکٹ" بنادیا، جنہیں صنعتی مسائل کے بارے میں سوچنے کی ضرورت نہیں سمجھی گئی۔ آج AI آ گیا ہے، "کوڈ" کا کام ختم ہو چکا ہے، اگر وہ ترقی نہیں کرتے تو ان کے پاس صرف "کسان" ہی باقی رہ جائے گا۔ یہ نوجوان بہت عمدہ ہیں، لیکن ان کی صنعت کے بارے میں سمجھ خالی ہے۔ اس لیے، موجودہ "万 A جنگ" کا اصل مطلب صرف ٹولز کی سطح پر فضولیت ہے۔

آئیے صنعتی انٹرنیٹ کے بعد کے مراحل پر نظر ڈالیں، کمپنیاں جیسے علی بابا اور میٹوان، تمام اعلیٰ مشاورتی کمپنیوں (MBB) کے پس منظر والے لوگوں کو تجارتی تجزیہ کے لیے استعمال کرتی ہیں، اور مشاورتی کمپنیوں کے لوگ پراڈکٹ منیجرز کے ساتھ بزنس پروسیسز چلاتے ہیں، کیونکہ انٹرنیٹ پراڈکٹ منیجرز کے ذہن میں اصل میں نظام نہیں ہوتا۔ فیشُو اسی طرح تخلیق ہوا۔ جی ڈی چاہے صرف انٹرنیٹ کمپنی ہو، لیکن اس نے اپنے اندر کے پروسیسز بنانے کے لیے بھی مشاورتی کمپنیوں کا بڑے پیمانے پر استعمال کیا۔ AI کے دور میں، یہ قاعدہ صرف مضبوط ہوگا، کمزور نہیں ہوگا۔

03 کاروبار کے مسائل، کبھی بھی ملازمین کے مسائل نہیں ہوتے، بلکہ تنظیمی مسائل ہوتے ہیں

زہنگ پینگ: تو، آپ کے خیال میں "ڈیجیٹل ملازم" کے ایک نقطے پر فوکس کرنے کا کوئی مطلب نہیں۔

لیو یے: یہ میرا سب سے اہم جائزہ ہے: ڈیجیٹل ملازمین نہیں، بلکہ ڈیجیٹل ادارہ آخری مقصد ہے۔ اگر ڈیجیٹل ملازمین کا بے حد افراط ہو جائے اور نوکری کے عہدے ختم ہو جائیں، اور ہر کوئی اچھے ڈیجیٹل ملازمین حاصل کر سکے، تو پھر؟ کیا اس سے تمام کمپنیاں کامیاب اور منافع بخش ہو جائیں گی؟ درحقیقت، تمام کمپنیوں کے مسائل صرف اسٹریٹجک اور اداراتی مسائل ہیں، کبھی بھی ملازمین کے مسائل نہیں۔

تو، آج کا ایجنٹ اب بھی فیصلے نہیں کر رہا، بلکہ لوگوں کے لیے کام کر رہا ہے۔ ہم نے اپنے اندر OpenClaw کو دوبارہ ڈیزائن کیا اور اسے MetaOrg نام دیا۔ یہ بنیادی طور پر ایک ایسا کرنل ہے جو ایجنٹ ٹیم کو جنریٹ کر سکتا ہے۔ ہم کوئی بھی کام نہیں کرتے جب تک کہ ہم ایک "تنظیم" نہیں بناتے جو اسے حل کرے۔ اس تنظیم میں تعاون کا رشتہ، رپورٹنگ کا رشتہ، مشن، مقصد، اور عمل کا طریقہ ہوتا ہے۔

زہنگ پینگ: لیکن مستقبل میں کیا ممکن ہے کہ ایک شخص ایک ڈیپارٹمنٹ بن جائے؟ یا حتیٰ کہ ایک کمپنی؟

لیو یے: یہ بہت اچھا سوال ہے۔ ہم اب تفصیل سے مسائل پر غور کرتے ہیں، جیسے AI کا استعمال کرکے ایک شارٹ ویڈیو بنانا یا ایک دستاویز لکھنا، جس میں متعدد مکالمات درکار ہوتے ہیں۔ آپ ایک جملہ کہتے ہیں، اس کا جواب آتا ہے، پھر آپ اسے فیڈ بیک دیتے ہیں—یہ ٹول کی طرح استعمال ہے، صرف ایک بہت ذکی چیز۔

تو شخص اور شعبے کا تصور، تعداد کے زیادہ یا کم ہونے کا نہیں ہے۔ جب ہم ایک اعلیٰ عہدے کا جاب ڈسکرپشن (JD) بیان کرتے ہیں، تو عام طور پر یہ ہوتا ہے: پہلا، کام کرنے کی صلاحیت، مختلف کاموں کو کرنے کی صلاحیت؛ مختلف ٹولز کا استعمال کرنے کی صلاحیت۔ اعلیٰ عہدے والے افراد واقعی نیت کو سمجھ سکتے ہیں، راستہ خود سوچ سکتے ہیں، خود کام شروع کر سکتے ہیں، نتائج پہنچا سکتے ہیں، منظم طور پر رپورٹ دے سکتے ہیں، نتائج کا جائزہ لے سکتے ہیں اور نتائج کے انحرافات کے مطابق اپنی حکمت عملی کو متحرک طور پر ترتیب دے سکتے ہیں۔ یہی اعلیٰ صلاحیتیں ہیں۔

زہنگ پینگ: ایک اہل شعبہ "L4 لیول کا آٹو ڈرائیونگ" ہونا چاہیے۔

لیو یے: ہاں۔ جب اسے ایک مہارت دی جائے، تو وہ پیچیدہ کام کر سکتی ہے؛ جب اسے ایک مہارت سسٹم دیا جائے، تو وہ پیچیدہ مجموعی کام کر سکتی ہے؛ جب کئی ایجنٹس (agents) کو منظم کیا جائے، تو وہ اور بھی زیادہ پیچیدہ کام جیسے ایک مختصر ناٹک بنانا کر سکتے ہیں۔ میں اکثر اپنے ملازمین کے ساتھ میٹنگز میں کہتا ہوں کہ جب آپ MetaOrg استعمال کر رہے ہوں، تو خود کو مینیجر نہ سمجھیں، بلکہ چیئرمین کے طور پر سمجھیں۔ آپ کو اس کی سرحدوں کو ٹیسٹ کرنے کی کوشش کرنی چاہیے۔

مستقبل کے نوجوان کاروباری، پہلے کہا جاتا تھا کہ گھر سے 500,000 کی شروعاتی رقم ملتی ہے، لیکن مستقبل میں شاید ایک TOKEN کا بجٹ ملتا ہے تاکہ غلطیوں سے سیکھا جا سکے۔ آپ کتنے TOKEN خرچ کرنا چاہتے ہیں، اس سے طے ہوتا ہے کہ وہ کتنی اعلیٰ ملازمت کر سکتا ہے۔ جتنا اعلیٰ ملازمت ہوگی، اتنا ہی لمبا استدلال سلسلہ ہوگا، اور اسے بار بار غلطیوں سے سیکھنا، دوبارہ ترتیب دینا اور جائزہ لینا ضروری ہوگا۔

چنگ پینگ: پچھلے سوال پر واپسی، اگر ایک ایجنٹ گروپ ہو جسے مزید تفصیلی اکائیوں میں تقسیم کیا جا سکے، یا مثال کے طور پر عہدوں اور صلاحیتوں کی تقسیم۔ جب یہ ایک ٹیم بن جائے اور مرکزی کام کا مقابلہ کرے، تو ہر فرد کی کوالٹی کامیابی یا ناکامی کا فیصلہ کرتی ہے۔ یہ پچھلے دور کے تجارتی تنظیموں کے مقابلے کے منطق پر واپس جاتا ہے: انسانی وسائل کا ڈینسٹی، یعنی اگر انسانی وسائل کی کوالٹی بلند ہو، تو تنظیم کا مرکزی کام زیادہ آسانی سے حاصل ہوتا ہے اور مقابلہ جیتتا ہے۔

اس بات کا مرکز یہ ہے کہ اگر مستقبل میں تمام AI مکمل طور پر سب کچھ کر سکتے ہیں اور ہم سب بہترین AI کو فراہم کر سکتے ہیں، تو صرف تجارتی تنظیمیں مختلف تفصیلی خدمات فراہم کرنے کے لیے زیادہ موثر طریقے سے قیمت بنانے کے قابل ہوں گی، اور اس کے علاوہ ایک اور پہلو یہ بھی ہے کہ ہمیں "ماہرین کا گھنٹا" پر واپس جانا چاہیے — بس اس بات پر کہ آپ کے ایجنٹ، بٹ اس نظام میں ایٹمی سطح تک زیادہ تفصیل سے کام کرتے ہیں، "ماہرین کا گھنٹا" زیادہ ہوتا ہے، اور پیچیدہ کاموں میں نتائج، کارکردگی اور نوآوری بہتر ہوتی ہے۔ مجھے نہیں معلوم کہ کیا یہ درست استنباط ہے؟

لیو یے: میں اس خیال سے متفق ہوں۔ کسی بھی کمپنی میں ایک ایسا ڈیپارٹمنٹ ہوتا ہے جسے بڑی کمپنیاں عام طور پر OD، یعنی اورگنائزیشنل ڈویلپمنٹ کہتی ہیں۔ ایک اورگنائزیشن کی جنگ جیتنے کی صلاحیت کا اندازہ لگانے کا عام طریقہ یہ ہے کہ آپ دوسری طرف کے تمام ٹیلینٹس کو نکال کر ان کا موازنہ کریں، اور اس بات کا جائزہ لیں کہ کون سا فرد کس کام پر مناسب ہے اور ان کی صلاحیتیں کتنی مضبوط ہیں، تاکہ جنگ کے نتائج کا اندازہ لایا جا سکے۔ اس لیے عام طور پر کمپنیاں جنگ جیتنے کے لیے اورگنائزیشنل کپیسٹی پر انحصار کرتی ہیں، نہ کہ بزنس سٹریٹجی پر۔ سب سے واضح مثال علی بابا ہے۔ علی بابا اورگنائزیشنل تعمیر پر بہت زور دे�تا ہے، اس لیے آج وہ "دوسرا سرخ" محسوس کر رہا ہے۔ کیونکہ بنانے والے ٹیم کا عمر بڑھتا جائے گا، لیکن اورگنائزیشن زندہ رہ سکتی ہے۔ بنیادی طور پر، اگر کبھی آپ اور میں مقابلہ کرنے والے بن جائیں اور دونوں AI استعمال کر رہے ہوں، تو میں نے ایک مضبوط AI اورگنائزیشن بنائی ہے جس میں AI اورگنائزیشنل ڈویلپمنٹ کی بہت مضبوط صلاحیت ہے۔ میں اس اورگنائزیشن کو کس طرح بناؤں؟ میں تمام مقابلہ کرنے والوں کے agent skill system کو الگ الگ کھول دوں گا، ان کے سکلز کوڈز کا تجزیہ کروں گا، اور اپنے نظام میں بہتر سکلز لکھوں گا، بلکہ ان کے غائب فنکشنز کو بھی پُرکر دوں گا۔ مثلاً میرے پاس اسٹریٹجک ڈپارٹمنٹ ہے، میں پہلے مشاہدہ اور تجزیہ کروں گا۔

ہواوی کے پاس "پانچ دیکھیں، تین طے کریں" کا طریقہ کار ہے۔ میں اپنے دوستوں کے ساتھ مزاح کرتا ہوں کہ اگر ہم اس طریقہ کار کو اپنا لیں تو ہم 99 فیصد مقابلہ کو ختم کر دیں گے۔ پانچ دیکھیں کا مطلب ہے صنعت کے رجحانات، بازار اور صارفین، مقابلہ، اپنی صلاحیتوں، اور استراتیجک مواقع کو دیکھنا؛ تین طے کریں کا مطلب ہے کنٹرول پوائنٹس، مقاصد، اور استراتیجی طے کرنا۔ یہ طریقہ کار زیادہ تر مقابلہ کنندگان کو فلٹر کرنے کے لیے کافی ہے۔ کیونکہ زیادہ تر لوگ شطرنج کھیلتے وقت بے ترتیب کھیلتے ہیں، وہ تیز سوچ پر انحصار کرتے ہیں، جبکہ ماہرین گہری سوچ اور استدلال کے موڈ کو ڈیفالٹ طور پر چالو رکھتے ہیں۔ پہلا جواب یہ ہوتا ہے کہ میں اس بات پر سوچنے کے لیے ایک قائد کے طور پر سوچوں۔

چانگ پینگ: "پانچ دیکھیں، تین طے کریں" کا مطلب یہ ہے کہ "ردعملی رد عمل" نہ کریں، بلکہ ایک لمبے استدلال کے عمل کو مستقل بنائیں۔

لیو یے: ماہرین ہمیشہ گہری تحقیق اور سوچ کے ماڈل پر عمل کرتے ہیں، وہ سب سے پہلے عالمی بہترین عمل اور معلومات دیکھتے ہیں، پھر ان کا جائزہ لیتے ہیں اور گہری سوچ اور استدلال کرتے ہیں، اور پھر جواب دیتے ہیں—ان کا ایک ہی اقدام مکمل طور پر فتح کر دیتا ہے۔

تو میں سمجھتا ہوں کہ مستقبل کی مقابلہ کی بنیادی بات صرف ایک چیز ہے، جو روایتی صنعتوں کے کاروبار کو ماڈل بنانا، اسے ایک نظام کی صلاحیت اور ایجنٹ اورڈینیشن کی صلاحیت میں تبدیل کرنا ہے۔ یہ نئی نسل کی تنظیمی ترقی (OD) کی صلاحیت ہے، جو AIOD میں ترقی کرے گی، جو مستقبل کی واحد بنیادی مقابلہ کی صلاحیت ہے۔

علی کی بنیادی ترجیح منظم کرنا ہے، جب تنظیم کو درست طریقے سے تعمیر کر لیا جائے تو، کسی بھی مقابلہ یا کسی بھی کاروبار کے سامنے اس کی کارکردگی محفوظ رہتی ہے۔ اور مارک یان نے کہا تھا کہ جنگ کا مقصد ضروری نہیں کہ کسی خاص شعبے پر قبضہ کیا جائے، بلکہ جنگ کے ذریعے تنظیم کی ترقی حاصل کرنا ہے۔ علی تنظیم کی ترقی کو بنیادی معیار کے طور پر استعمال کرتا ہے تاکہ فیصلہ کر سکے کہ کون سی جنگ لڑنے کے قابل ہے، یہ انتہائی اعلیٰ سوچ ہے۔ مارک یان خود ایک سپر اطلاعاتی ہب ہیں، جو سالانہ 200 بار سفر کرتے ہیں تاکہ مختلف اطلاعات حاصل کر سکیں، اور پھر انہیں تنظیم کو بہتر بنانے کے لیے استعمال کرتے ہیں۔ وہ حقیقی معنیوں میں چیرمین ہیں، صرف سی ای او نہیں۔

یہ وہ اعلیٰ ترین تنظیمی شکل ہے جو کئی نسلوں تک پھیل سکتی ہے، مختلف صنعتوں کو کور کر سکتی ہے، مسلسل کامیابی حاصل کر سکتی ہے، اور جب گراؤنڈ پر آ جائے تو اپنے آپ کو دوبارہ درست کر لے۔ عام طور پر، اگر کوئی کمپنی دس سالوں میں غلط سی ای او مقرر کر دے، تو وہ زیادہ تر ناکامی کی طرف بڑھ جائے گی۔ اس لیے، تاریخ سے سبق سیکھتے ہوئے، موجودہ ترقی کو اعلیٰ سطح کے نقطہ نظر سے دیکھنا، چاہے موجودہ ماڈل میں کچھ کٹنگ اور بہتری کی جائے، تو اس سے نیچے سے صفر سے شروع کرنے کا طریقہ زیادہ موثر ہوتا ہے۔

اب کوئی بھی آسانی سے ایک ایجینٹ بناسکتا ہے، ملازمین کے لیے سیکھنے کی سطح بہت کم ہے، اور اوپن سورس کمیونٹی کی مدد سے صنعت میں اب زیادہ راز نہیں رہ گئے۔ ٹولز کے لحاظ سے داخلی مقابلہ، اوپن سورس کمیونٹی کے مقابلے میں کبھی بھی نہیں جیتا جاسکتا۔ تو، اوپن سورس کمیونٹی کے پاس نہ ہونے والا اور نقل نہیں کیا جاسکنے والا مرکزی مقابلہ کیا ہے؟

04 AI اداروں کی فزکس: کیوں "پیشہ ورانہ اظہار" اہم ہے؟

چنگ پینگ: "پچھلے دور" میں تنظیم کے بارے میں بات کرتے وقت، تنظیمی ثقافت، اقدار، KPI جیسے مختلف پہلوؤں پر زور دیا جاتا تھا۔ جب ہم پچھلے دور کی تنظیمی انتظامیہ سے AI ایجینٹ تنظیم کے نئے دور میں منتقل ہوتے ہیں، تو کون سے پہلوؤں کو مکمل طور پر چھوڑ دیا جا سکتا ہے اور کون سے پہلوؤں کو برقرار رکھا جا سکتا ہے لیکن ان کا تبدیل کرنا ضروری ہوگا؟

لیو یے: Anthropic نے اسکلز کو ایک مرکزی وجوہ سے متعارف کرایا — AI کوڈنگ کے شعبے میں "پیشہ ورانہ اظہار" کا اصول — اگر AI کو بہت زیادہ بے ترتیب معلومات فراہم کی جائیں، تو اس کا حوالہ ماحول خراب ہو جاتا ہے اور توجہ کی کمی کی وجہ سے اس میں بے ترتیبی پیدا ہوتی ہے؛ صرف پیشہ ورانہ اظہار ہی AI کو اچھی توجہ برقرار رکھنے اور معیاری نتائج فراہم کرنے میں مدد دے سکتا ہے۔ اگر پیشہ ورانہ اظہار کو انسانی طور پر حاصل کیا جائے، تو یہ بنیادی طور پر مکمل انسانی مکالمہ ہوگا، جس کی کارکردگی کم ہوگی۔ اس لیے، اسکلز کا مرکزی فائدہ پیچیدہ کاموں کو درجات میں تقسیم کرنا اور AI کو پیشہ ورانہ اظہار فراہم کرنا ہے۔

یہ کمپنی کے انتظامی منطق کے مطابق ہے: بورڈ سٹریٹیجک مسائل پر توجہ دیتا ہے، سی ای او سٹریٹجیک مسائل اور اعلیٰ انتظامیہ کے انتظام پر توجہ دیتا ہے، جبکہ ملازمین سادہ کاموں کو سنبھالتے ہیں۔ اگر 300 افراد ایک ہی میٹنگ میں شرکت کریں تو یہ میٹنگ ممکن نہیں ہوگی۔ تنظیم کا بنیادی مقصد معلومات کو طبقاتی طور پر معالجہ کرنا ہے، جیسے ڈیٹا بیس کے تین نارمل فارمز معلومات کو دباؤ اور طبقاتی تقسیم کے ذریعے کارکردگی بڑھاتے ہیں، پیچیدہ مسائل کو طبقاتی طور پر تقسیم کرنا اور تدریجی طور پر ان کا اظہار کرنا ضروری ہے، نہ کہ ایک ساتھ بہت زیادہ سندوں کا اضافہ کرنا، یہی روایتی کمپنی تنظیم کا بنیادی منطق ہے، کیونکہ کسی خاص وقت میں کمپوٹنگ طاقت محدود ہوتی ہے۔

زہنگ پینگ: ماڈل کو ہر بار شروع سے بنانے کے لیے بہت زیادہ کمپوٹیشنل طاقت درکار ہوتی ہے، جس کی کارکردگی بہت کم ہے۔

لیو یے: یہ ممکن نہیں ہے، بنیادی طور پر یہ تدریجی، لیورلڈ ایکسپوژر پر منحصر ہے، جس کا استعمال کیا جانا چاہیے وہ وسائل ضرور استعمال کیے جائیں، اور یہ AI ماڈل کی صلاحیتوں کے حدود کی وجہ سے ہے۔ علاوہ ازیں، Anthropic کے سکلز متعارف کرانے کا دوسرا سبب یہ ہے کہ پیچیدہ کام اب بنیادی فزکس کے قوانین سے آگے نکل چکے ہیں، اور سکلز پیچیدہ کاموں کو ایک ایک کرکے کم تعداد والے، آسان کاموں میں تقسیم کرتے ہیں۔ کام کا بنیادی تقسیم کا معیار مشکل یا آسان ہونا نہیں بلکہ پیچیدگی کا درجہ ہے—کم تعداد والی مشکل، زیادہ تعداد والی مشکل جیسے مختلف قسموں کے کام موجود ہیں، جیسے پروگرامرز کا کوڈ لکھنا یا ریاضی کے مسائل حل کرنا، جو کم تعداد والے، اعلیٰ مشکل کاموں میں شامل ہیں۔

ہاریزن کے یو کائی نے ایک کلاسیکل ماڈل پیش کیا ہے: تمام نوکریاں 'رقابت کے درجہ' اور 'ڈیمینشن کی بلندی' کے لحاظ سے چار کوٹروں میں تقسیم کی جا سکتی ہیں، یعنی بلند ڈیمینشن بلند رقابت، کم ڈیمینشن کم رقابت، کم ڈیمینشن بلند رقابت، اور بلند ڈیمینشن کم رقابت۔ فروخت اور انجینئرنگ کو کم ڈیمینشن بلند رقابت میں شامل کیا جاتا ہے، جبکہ پروڈکٹ مینیجر اور سی ای او کو بلند ڈیمینشن بلند رقابت میں رکھا جاتا ہے؛ سائنسدانوں کو بلند ڈیمینشن کم رقابت میں رکھا جاتا ہے — اس قسم کے موضوعات ممکنہ طور پر دنیا بھر میں صرف ایک شخص تحقیق کر رہا ہو، جس میں رقابت کم ہے لیکن ڈیمینشن بہت بلند ہوتا ہے۔ جیسے کہ معیاری مختصر ناٹک، اچھے ناول جیسے بلند ڈیمینشن بلند رقابت والے کام، اب تک AI انہیں مکمل نہیں کر سکا؛ جبکہ کوڈ آپٹمائزیشن جیسے کم ڈیمینشن بلند رقابت والے کام، AI بہت اچھی طرح سے انجام دے سکتا ہے۔ جتنا زیادہ ڈیمینشن والا کام ہوگا، اس کے لئے دستیاب ڈیٹا سرچز اتنا کم ہونگے، لیکن ماڈل تربیت کے لئے درکار ڈیٹا کا حجم زیادہ ہوگا — یہی وجہ ہے کہ ٹیکسٹ ماڈل پہلے ظاہر ہوئے، جبکہ تصاویر اور ویڈیوز کے ماڈل بعد میں آئے، اور شارٹ ویڈیو ماڈلز کو لاگو کرنا مشکل ہے۔ اس بلند ڈیمینشن کام اور بلند ڈیمینشن ڈیٹا کے درمیان مانگ اور پیشکش کا تنازع صرف skills کو تقسیم کرکے دور کیا جا سکتا ہے، جس طرح کسی کاروبار میں اعلٰى عہدیداروں کا فقدان ہونے پر انہیں تین بنیادی عہدوں میں تقسیم کر دیا جاتا ہے، صرف CEO جیسا بلند ڈیمینشن عہدہ غیر قابل تبدیل ہوتا ہے۔

زہنگ پینگ: کم بعدی اور زبردست مقابلہ والے کاموں کو AI بالکل بدل دیا جائے گا۔

لیو یے: یہ بالکل متبادل ہو جائے گا، اور یہ تبدیلی پہلے ہی ہو چکی ہے۔

زہنگ پینگ: یہ بالکل سچ ہے، اس لیے تمام کم بعدی، زبردست مقابلہ والے کاموں کو AI کے ذریعے جلد سے جلد حل کیا جانا چاہیے، جسے مہارتیں میں تقسیم کیا جا سکتا ہے اور پھر ایجینٹس کے ذریعے لاگو کیا جا سکتا ہے، اس عمل میں انسانی شرکت ضروری نہیں ہے۔

لیو یے: میرے پاس ایک ابتدائی خیال ہے کہ IBM اور ایکسنسری، دو عالمی سطح کی بڑی مشورتی کمپنیاں، ان کا مرکزی کام صنعت کے بہترین عمل کو استخراج کرنا اور ڈیجیٹلائزیشن کے ساتھ مطابقت رکھنا ہے، جس کا مطلب ہے کہ وہ ٹولز کی بجائے عمل فروخت کرتی ہیں۔ جب کوئی کمپنی خطرہ اور IP کے عمل کو خریدتی ہے، تو وہ مشورتی کمپنیوں کو اسے لاگو کرنے کے لیے مدعو کرتی ہے۔ ہمارا موجودہ مرکزی کام skills کے کلัสٹر بنانا ہے، جس میں ہم مختلف شعبوں کے بہترین ماہرین کو تلاش کرتے ہیں، ان کی صلاحیتوں کو استخراج کرتے ہیں اور انہیں مطابق بناتے ہیں تاکہ معیاری skill set تشکیل پائے۔ یہ عمل 作业盒子 کے ماڈل جیسا ہے — جس میں 作业盒子 نے بیجنگ کے چوتھے اسکول، رینمن فو، گاؤکاو سوالات تیار کرنے والے گروپ اور شوئر سی کے اساتذہ کے ساتھ مل کر سوالات تیار کرنے، انہیں سمجھانے اور ان کا جائزہ لینے جیسے مرکزی طریقہ کار کو استخراج کیا، اور پھر بائیدو کے الگورتھم انجینئرز کے ساتھ مل کر نظام تعمیر کیا، جس کا بنیادی مقصد بھی بہترین عمل کو مطابق بنانا تھا۔ اور تنظیمی صلاحیت کا مرکزی عنصر، اچھے عبوری ٹیم بنانا ہے، جس میں صنعت، انجینئرنگ دونوں سمجھنا ضروری ہے، ساتھ ہی مختلف شعبوں کے بہترین صنعتی ماہرین سے رابطہ قائم رکھنا چاہئے، اور ساتھ ہی بازار، نوکریوں کا انتخاب اور انتظام کی صلاحیت بھی ہونی چاہئے، جو نئی نسل AI SaaS کمپنیوں کا مرکزی تصور ہے۔

چنگ پینگ: مزید تفصیل سے، مستقبل میں، تنظیمی شکل کو اپنے کاروباری ابعاد کے مطابق دوبارہ ترتیب دینا چاہیے۔ تنظیم بنیادی طور پر ایک ترتیب کا نظام ہے، جیسے کہ ایک کاروباری آپریٹنگ سسٹم — اگر انسانوں کو ان کے موزوں تنظیمی ڈھانچے میں رکھا جائے، تو وہ اپنا زیادہ سے زیادہ قیمت پیدا کر سکتے ہیں، ورنہ وہ موثر طریقے سے کام نہیں کر سکتے۔ آج کل، پیداواری عناصر بدل چکے ہیں، جہاں انسانی طاقت کی جگہ لامحدود طور پر دستیاب AI نے لے لی ہے، اور صرف ایک مثبت حلقوں کا نظام تشکیل پا جائے تو یہ مستقل طور پر وسعت حاصل کر سکتا ہے۔ گزشتہ تنظیمی ثقافت، اب شاید صرف مقاصد اور سند کے طور پر رہ جائے گی، اور نعرے لگانا، تین اقدامات والے اجلاس، یا براہ راست تعارف جیسے فارمولاٹس کی ضرورت نہیں رہے گی۔

لیو یے: ثقافت منصوبہ بندی کا مقصد ہے، نہ کہ کاروباری مقصد۔ پچھلے دور میں، حکمت عملی خیال سے شروع ہوتی تھی، خیال قیمت طے کرتا تھا، تنظیم حکمت عملی کے تحت آتی تھی، کاروبار سب کچھ کی تصدیق کرتا تھا، اور ثقافت صرف تنظیم کو چلانے کا ذریعہ تھی، جو حکمت عملی کے براہ راست خدمت نہیں کرتی تھی، اور شاید صرف بانی کی ذاتی ترجیح ہوتی تھی۔

زہنگ پینگ: پچھلے دور میں انسانی خدمات کی حکمت عملی کے دوران بہت سے خلا تھے، کیا AI ان خلوں کو ختم کر رہا ہے؟

لیو یے: ہاں، AI کے دور میں ثقافت اب اہم نہیں رہی۔ ثقافت انسانی تنظیموں کا عقیدتی حصہ ہے، لیکن AI کو اس کی ضرورت نہیں۔ AI کے پاس جسمانی جسم نہیں ہے، اور اسے ثقافتی رہنمائی کی ضرورت نہیں۔ AI کی بنیادی ضرورت کمپوٹیشنل پاور ہے۔

زہنگ پینگ: آپ کا مطلب ہے کہ AI کو مقاصد اور اصولوں کی ضرورت ہوتی ہے۔ ایک دستاویز کافی ہوگی مقاصد اور اصولوں کو واضح کرنے کے لیے، جس سے تمام پیداواری اکائیاں فوراً مطابقت رکھیں گی اور بے نقاب طریقے سے عمل کریں گی، کوئی انحراف نہیں ہوگا۔ انسانی تنظیموں میں بڑا حصہ تکلیف ختم ہو جائے گا۔

لیو یے: ہاں۔ اصلی تنظیم: حکمت عملی → ثقافت → لوگ → انجام دہی، موجودہ AI تنظیم: مقصد → اصول → مہارتیں → ترتیب۔ پوری انتظامی سلسلہ نصف ہو گیا۔

05 آخری رکاوٹ: خوبصورتی اور ترتیب

چنگ پینگ: کاروبار کی نئی رکاوٹ کیا ہے؟ انسانی وسائل کی معیار کو Skill Set سے بدل دیا گیا ہے، اگر میرے پاس ایک اچھا ذائقہ ہے، تو میں دنیا بھر سے بہترین Skills حاصل کر سکتا ہوں۔ اس کے اوپر کی سطح، "编排" (Orchestration) ہے، صحیح؟ اس میں کیا تبدیلی ہوگی؟

لیو یے: جیسے ہوئیانگبی میں تمام الیکٹرانک کمپوننٹس دستیاب ہیں، لیکن اس لیے کہ سب لوگ ایپل نہیں بنا سکتے؟ جابز کی سوانح حیات میں خوبصورتی کی تعریف بہت واضح ہے: دنیا کے کافی زیادہ اچھے چیزوں کو دیکھنا، ان کے درمیان بہتر اور بدتر کا فرق سمجھنا، یہی خوبصورتی ہے۔ اگر کبھی اچھے مصنوعات، اچھے عمل، یا اچھے اداروں کو نہ دیکھا گیا، تو اچھا نتیجہ نہیں نکالا جا سکتا۔

زہنگ پنگ: تجربہ خوبصورتی کی پیش رفت ہے۔

لیو یے: صرف تجربہ اور صلاحیت۔

چنگ پینگ: خوبصورتی دو طریقوں سے ظاہر ہوتی ہے: ایک تو سرگرمانہ ڈیزائن اور منصوبہ بندی، دوسرے ادھورے ماحول میں نمودار ہونے والی بہترین چیزوں کو پہچاننا اور منتخب کرنا، اور یہ دونوں طریقے آپس میں متصادم نہیں ہیں۔

لیو یے: بالکل تصادفی نہیں۔ ایپل کے کچھ نتائج خود کی تحقیق و ترقی سے حاصل ہوئے، کچھ تیسری فرموں کے زیر اثر حاصل کیے گئے، اور مرکزی بات یہ ہے کہ اس کے پاس ذائقہ ہے — بغیر دوبارہ چرخہ بنائے، ضرورت پڑنے پر خود کی تحقیق و ترقی کر لی جائے۔

چنگ پینگ: اصل بات یہ ہے کہ ایجنٹ کو مخصوص ماڈیول کے اندر چلانے کے بعد راستہ تصدیق کیا جائے، جس سے نمٹنے والی ترتیب حاصل ہو؛ یا پھر تمام راستوں کو پہلے سے طے کر کے ڈیزائن کی گئی ترتیب استعمال کی جائے؟

لیو یے: ظہور غیر دستکاری ہے، اس کے لیے پہلے بیج کے قواعد اور اصولوں کو تعریف کرنا ضروری ہے، جس سے ایک شخص کی خوبصورتی کا اظہار ہوتا ہے۔ جیسے ایک عالی شان انجینئر 500 یا 5000 لائنوں کے کوڈ سے ایک موثر Openclaw بناتا ہے، جبکہ ناکام انجینئر 50,000 لائنوں کا کوڈ لکھ کر بھی اسی سطح تک نہیں پہنچ سکتا، بنیادی بیج کے قواعد اب بھی انسانوں کے ذریعے تعریف کیے جانے چاہئیں۔

چنگ پینگ: تو، ابھراؤ کا انتظار کرنے کے لیے بے ترتیبی میں نہیں بیٹھنا چاہیے، کیونکہ اس میں بہت زیادہ وقت لگتا ہے، اور منصوبہ بندی اب بھی انتہائی اہم ہے۔ کیا یہ منصوبہ بندی آخرکار صرف بانی سے ہی حاصل ہو سکتی ہے، یا یہ زیادہ تر ایک "پروڈیوسر" جیسی چیز ہے؟

لیو یے: میں سمجھتا ہوں کہ پروڈیوسر کی تعریف بہت اچھی ہے۔ واقعی، ظہور اور پیمانے کے اثرات کے باوجود، ڈیٹا لیبلنگ، ڈیٹا کلیننگ، اور الگورتھم کی مسلسل مطابقت کی ضرورت ہوتی ہے تاکہ بے ترتیب توسیع سے بچا جا سکے۔

منصب کا تعین کاروباری پیچیدگی پر منحصر ہے — پیچیدہ کاروبار کسی ایک شخص کے لیے ممکن نہیں، جیسے مختصر ناٹک کی فلمبرداری یا پرامپٹس لکھنا، جس میں عملی طور پر کئی مشکلات درپیش ہوتی ہیں۔ "ایک شخص کی کمپنی" کا تصور غلط طریقے سے استعمال ہو رہا ہے، دنیا کو بے حد سادہ نہیں کیا جا سکتا۔ حالانکہ کمپیوٹر ایک شخص کے ذریعے چلایا جا سکتا ہے، لیکن ایک شخص تمام اعلیٰ درجے کے مہارتیں حاصل نہیں کر سکتا، جیسے الون ماسک، لی فیہی جیسے افراد جو متعدد شعبوں میں ماہر ہوتے ہیں اور کسی بھی عہدے پر فائز ہو سکتے ہیں، وہ بہت نایاب ہیں۔

زہنگ پینگ: اگر ہم عالمی سطح پر سب سے بہترین ایجینٹ اور مہارت کے نظام کو استعمال کر سکیں، جیسے ایک بہترین سناریو لکھاری، تو نظریہ طور پر کیا ہم ان وسائل کا استعمال کرکے عالمی طور پر مشہور اور منافع بخش فلم بنانے میں کامیاب ہو سکتے ہیں؟ سناریو لکھاری کے پاس مرکزی خوبی (اچھا سناریو) ہوتی ہے، لیکن وہ تمام مراحل پورے نہیں کر سکتا، کیا اس طرح کا "مرکزی خوبی + عالمی وسائل" کا بند حلقوں کا نظام ممکن ہے؟

لیو یے: یہ بنیادی طور پر ایک ڈیٹا کا مسئلہ ہے — کیا اعلیٰ ترین ابعاد کی معلومات کو محفوظ کرنے والے ڈیٹا موجود ہیں؟ مثلاً سی ای او کے مہارت کو تربیت دینا، اب تک کافی ڈیٹا کی کمی ہے: رین ژینگفی کا دس ہزار الفاظ کا مضمون، یا جیک ما کے منہ سے نکلنے والے بیانات، ان کی اعلیٰ ترین سمجھ کو مکمل طور پر نہیں ظاہر کر سکتے؛ اگرچہ دنیا بھر کی کمپنیوں کے فنانشل رپورٹس اور سی ای او کے تمام بیانات جمع کر لیے جائیں، تو بھی ایسا ماڈل تربیت نہیں دیا جا سکتا جو سی ای او کا کردار ادا کر سکے، کیونکہ سی ای او کی بنیادی صلاحیت غیر ظاہری علم ہے جو متن کے ذریعے مکمل طور پر ظاہر نہیں ہوتا۔

چنگ پینگ: یعنی سی ای او کی بنیادی صلاحیتیں ابھی تک ویکٹرائز نہیں ہو سکیں۔ اس سے "ایک شخص کی کمپنی" کے خواب کو پابندی لگتی ہے — چاہے ہر کوئی ایک منفرد پہلو کی طاقت کو ظاہر کرے اور عالمی سطح کے بہترین وسائل سے جُڑے، لیکن اب بھی ایک مرکزی منظم کی کمی ہے، جو بنیادی طور پر منظم کرنے کی صلاحیت کا مسئلہ ہے۔ بالآخر، بہترین "کامپوننٹس" رکھنا بھی طاقتور منظم کرنے کی صلاحیت کی ضرورت رکھتا ہے۔

لیو یے: پروڈکٹ مینیجر کے لیے بھی، ان کا ضمنی علم مکمل طور پر متن کے شکل میں نہیں کیا جا سکتا۔ یہی وہ بنیادی وجہ ہے کہ موجودہ AI ساتھی اور AI جنریٹڈ مواد "زندہ" کیوں نہیں ہیں — ان کے پاس اعلیٰ سطح کے ضمنی علم کے ڈیٹا کا حصول نہیں ہے۔ جب ڈیٹا کی مقدار کم ہو، تو توجہ صرف مہارت پر مرکوز کریں؛ جب ڈیٹا کی مقدار زیادہ ہو، تو مدل بنائیں۔ روبوٹس ابھی تک عملی طور پر لاگو نہیں ہو سکے، اس کا بنیادی سبب کافی ڈیٹا کا فقدان ہے۔

چنگ پینگ: اس سے یہ نکلتا ہے کہ مستقبل کی کمپنیوں کے مقابلے کا فیصلہ کن عنصر اب اعلیٰ ماڈل تک رسائی حاصل کرنے کی صلاحیت نہیں رہا — ابتدائی AI وسائل ظاہری طور پر ایک جیسے ہیں، کمپوٹیشنل پاور کمپنی کی مالی صلاحیت اور بزنس سائکل کی صلاحیت سے منسلک ہے، لیکن آخرکار فرق اس "پروڈیوسر" کی ذات میں ہی واپس آ جائے گا، یعنی اس کی ترتیب دینے اور اپنے مقاصد کی نوآوری اور معنویت، جو کمپنی کی بنیادی مقابلہ جاتی صلاحیت بن جاتی ہیں۔

لیو یے: ایک سابق شراکت دار میکنزی نے مجھے بتایا کہ میکنزی کا مرکزی کام بہترین عمل کو استخراج کرنا، ماڈل بنانا، اور پھر کمپنیوں کو انہیں ایک ایک کر کے لاگو کرنے میں مدد کرنا ہے۔ جیسے کہ چینی کار مینوفیکچررز کے لیے مشورہ دیتے وقت، ہم جاپانی کولیگز سے ٹویوتا کے طریقہ کار کے بارے میں معلومات حاصل کرتے ہیں، جو اصل میں بہترین عمل کی نقل اور عمل میں لانا ہے۔

می مینگ کا مختصر ناٹ کے لیے کیس اسٹڈی بہت مفید ہے۔ وہ چینی زبان کی تعلیم حاصل کرنے والی ہیں، لیکن ان کی مرکزی ٹیم کلے اور پک کے ریاضی اور کمپیوٹر سائنس کے طلبہ پر مشتمل ہے، جو وائرل شارٹ ویڈیوز کے منطق کو الگ الگ کرتی ہے اور آخرکار بہت اعلیٰ وائرل ریٹ حاصل کرتی ہے۔ یہ سوچ بنیادی طور پر صنعت کے لیے سماجی انجینئرنگ کا ماڈل بنانے کی ہے، چاہے اس میں اوور فٹنگ کا امکان ہو، لیکن ماڈلنگ کا رخ صحیح ہے۔

IBM، ایکسنسری اور میکنزی جو کچھ کرتے ہیں وہ یہی ہے — پہلی نسل کے میکنزی نے بہترین عمل کو شراکت داروں پر ماڈل کیا، جبکہ IBM نے اسے ڈیجیٹل عمل میں تبدیل کر دیا، جس کا اصل مطلب "منیجمنٹ اور عمل کی فروخت" ہے۔

چانگ پینگ: اصل بات یہ ہے کہ بہترین عمل کو تخلیص کیا جائے اور پھر اسے دوبارہ تصدیق کی جائے — یہ مستقبل کے کاروباری تنظیموں کے لیے فتح یا شکست کا مسئلہ ہے۔ صرف اسی صورت میں موثر ترتیب حاصل کی جا سکتی ہے۔ تو کیا آپ کا اگلا مرکزی رخ اس سوچ کے ساتھ آگے بڑھنا ہے؟

لیو یے: پچھلے تین سالوں میں ہم نے بنیادی طور پر AI ToC کے کاروبار پر توجہ دی، اور MetaOrg کے طریقے کے ذریعے پورے تدریسی اور تحقیقی نظام کو دوبارہ تعمیر کیا۔ یہ صرف ایک "AI کا استعمال کرکے کارکردگی بڑھانا" کی کہانی نہیں ہے۔ ہم نے ایک مکمل Agentic تدریسی اور تحقیقی تنظیم تعمیر کی ہے، جس کے پیچھے الگ الگ ورچوئل تدریسی ٹیمیں چل رہی ہیں: زبان سیکھنے کی تحقیق ٹیم دوسری زبان حاصل کرنے کے نئے نظریات کا جائزہ لے رہی ہے، عمودی متن جمع کرنے والی ٹیم حقیقی ماحول سے موزوں اظہار جمع کر رہی ہے، مکالمہ جائزہ لینے والی ٹیم بولنے کی صلاحیت کے لیے متعدد پہلوؤں والے معیار قائم کر رہی ہے، مکالمہ ڈیزائن ٹیم تدریسی طریقہ کار کو قدرتی انسان اور مشین کے درمیان تعامل میں تبدیل کر رہی ہے، سوالات کے لیے ڈیزائن ٹیم مشق کے فارمٹ اور مواد کے مطابقت کے مسائل حل کر رہی ہے، اور ڈیٹا تجزیہ ٹیم صارفین کے رویوں سے سیکھنے کے اصل نتائج کو نکال رہی ہے۔ ہر ٹیم کے پاس اپنے خود کے مہارت، اپنا عمل کا طریقہ، اور اپنا جائزہ لینے کا معیار ہے۔ اب تک، مصنوعات کے ترقی، صارفین کا اندازہ لگانا، نگرانی اور جائزہ لینا سمیت تقریباً 80 فصد کام AI کے ذریعے مکمل ہو رہا ہے۔

ہمارا ترقیاتی راستہ "AI کو ایک فنکشن کے طور پر" سے "AI کو ایک تنظیمی صلاحیت کے طور پر" تک بڑھ رہا ہے۔ انگریزی استاد کا عہدہ درمیانی درجے کی پیچیدگی رکھتا ہے، جسے ہم نے مکمل طور پر تصور کر لیا ہے اور دیگر عہدوں کو MetaOrg کے ذریعہ تخلیق کیا ہے؛ اگر ہم نئی سکل آرکیٹیکچر کو ملا دیں تو مزید جدید عہدے بنانے کا امکان ہے۔

ہم نے اب تک AI ٹیوٹر کی مکمل پروسیس کی تعمیر مکمل کر لی ہے، جس میں ترتیب کی صلاحیتوں کا تصور اور انجینئرنگ عمل شامل ہے۔ مستقبل میں یہ زیادہ احتمال ہے کہ میٹا ٹیوٹر سے بڑھ کر میٹا ادارہ بن جائے گا — جس کا اقلیمی اکائی عہدہ ہوگا، نہ کہ ملازم، اور اس کا مرکزی نقطہ عہدوں کے درمیان تعاون اور انتظام ہوگا۔ ہمارا موجودہ توجہ مرکز اعلیٰ سطح کے سی ای او کو جوڑنا ہے، کیونکہ سی ای او ہی مرکزی "پروڈیوسر" ہوتے ہیں۔

زہنگ پینگ: تو کیا آپ نے جو شروع کیا ہے، وہ زیادہ تر ایک قابل اضافہ شعبہ کے قریب ہے؟

لیو یے: ہدف "کمپنی" کی طرف بڑھنا ہے، بڑی کمپنیاں بھی کئی چھوٹی کمپنیوں سے مل کر بنی ہوتی ہیں، اور سب سے چھوٹی اکائی عہدہ ہے۔ پورے صنعتی اسٹریٹجی کے انتخاب پر توجہ دیں، ساتھ ہی عہدوں سے شروع کرکے مصنوعات کو بہتر بنائیں—اگر عہدہ اچھا نہیں چل رہا، تو صرف انتظامیہ کی صلاحیت سے موثر تنظیم نہیں بن سکتی۔

چنگ پینگ: ایک ڈیپارٹمنٹ کو کامیاب بنانے کے لیے، سب سے پہلے ڈیپارٹمنٹ سے متعلق صلاحیتیں اور عہدے تقسیم کریں، پھر عہدوں کے مطابق مہارتیں تقسیم کریں، اور ان مہارتوں کو SOTA سطح تک پہنچانے کا خیال رکھیں۔

لیو یے: صرف ایک مرکزی طریقہ ہے: سب سے بہترین خدمات پانے والے کاروباروں کے ساتھ مل کر کام کرنا۔ بنائی گئی مہارت کا جائزہ سب سے بہترین کاروباروں کو لینا چاہیے کہ کیا وہ ضروریات کے مطابق ہے، جیسے نیچے والوں کی تجویز کا جائزہ اوپر والے لیتے ہیں، خود کو خوش کرنے کے لیے نہیں۔ مثلاً مختصر ناٹک ماڈلنگ کے لیے، صنعت کے سب سے بڑے اداروں کی تصدیق درکار ہے، ورنہ اسے حقیقی طور پر بہترین نہیں کہا جا سکتا۔ سب کچھ جائزہ اور پیمانہ کے لیے ضروری ہے۔

Midjourney کے ذریعے بہترین تصاویر بنائی جا سکتی ہیں، کیونکہ اس ٹیم میں فوٹوگرافر اور انجینئرز شامل ہیں جن کے پاس بہترین تصویری ذائقہ ہے؛ LV نے Stable Diffusion کا استعمال کرتے ہوئے ایک تصویری ماڈل تربیت دیا ہے جو عام ماڈل سے کہیں بہتر ہے، کیونکہ LV کے پاس دنیا کا سب سے بہترین تصویری ذائقہ اور ڈیٹا ہے۔ اس سے ظاہر ہوتا ہے کہ جائزہ لینے کی صلاحیت ہی بنیادی چیز ہے۔ AI کمپنی بننا ہے تو IBM، Huawei کی طرح کام کرنا چاہیے — IBM نے بہترین کار مینوفیکچررز کو سروس فراہم کرنے کے بعد کار بنانے کی بہترین عملی تجربات حاصل کیں اور انہیں باہر دیں؛ Huawei نے IPD پروسیس خریدنے کے لیے 4 بلین ڈالر خرچ کیے، جسے اپنے انتظام کے لیے استعمال کیا اور باہر بھی فراہم کیا، یہی بنیادی مقابلہ ہے۔

چنگ پینگ: اس کا بنیادی مطلب یہ ہے کہ بہترین عمل کے مطابق مہارت کو ٹوکریوں میں تقسیم کیا جائے، مہارت کو SOTA تک پہنچایا جائے، پھر اسے عہدے اور محکمے کے SOTA میں تبدیل کیا جائے، اور آخرکار کاروبار کے SOTA کو ترتیب دیا جائے—یہ کاروباری سطح پر شاندار بننے کا واضح راستہ ہے۔ ایک اور اہم سوال یہ ہے: مہارت کو جدید رکھنا کیسے؟ جیسے زمینی زندگی کا تبدیل ہونا، ہر دور کی SOTA، اگلے دور میں ناکام ہو سکتی ہے، اس تبدیلی کا مقابلہ کیسے کیا جائے؟

لیو یے: مرکزی منطق انسانی اور مخلوقاتی ترقی کے ساتھ مطابقت رکھتا ہے، یعنی احساس، منصوبہ بندی، عمل، اور تجزیہ۔ اپنی تنظیم میں اعلیٰ انسانی کثافت اور عبوری خصوصیات برقرار رکھیں، جہاں ایک طرف تکنیکی ابتدائیات (محققین) سے جڑا ہو اور دوسری طرف کاروباری ماڈلز کا مطالعہ کیا جائے، ساتھ ہی صنعت کے بہترین صارفین کے ساتھ مشترکہ تخلیق کریں اور حقیقی مناظر میں مستقل طور پر جائزہ لیں اور بہتر بنائیں— یہ واحد طریقہ ہے۔

چنگ پینگ: اس کے مطابق، بہترین عمل کرنے والی بڑی کمپنیوں کی طرف سے ترتیب دی گئی نظام، درمیانی سطح کی کمپنیوں کو بڑی حد تک ترقی دے سکتی ہے، لیکن اس قسم کی نظام زیادہ تر صرف وہی کمپنیاں استعمال کر سکتی ہیں جن کے پاس وسائل اور مالی وسائل ہوں، جبکہ چھوٹے کاروبار اور نوجوان کاروباری افراد اسے برداشت نہیں کر سکتے۔ مشورت صنعت نے روایتی خدمات سے ٹولز بننے والے مصنوعات میں تبدیلی کی ہے، کیا نئی نسل کے مواقع صرف مہارت کے سطح پر ہی محدود ہیں؟ مہارت کے سطح پر تباہ کن نوآوری کیسے حاصل کی جائے تاکہ صنعت "شہنشاہی چکر" میں نہ پھنس جائے؟

لیو یے: پچھلی نسل کے SaaS صنعت میں، Salesforce، Palantir، Notion، Slack جیسی کمپنیاں، کچھ عام ٹولز بناتی تھیں اور کچھ اندراج خدمات فراہم کرتی تھیں، جس سے ثابت ہوتا ہے کہ نوجوان کاروباری افراد کے لیے اب بھی مواقع موجود ہیں — اپنی طرف سے فائدہ نہ رکھنے والے شعبوں سے دور رہیں، عام مہارت پر توجہ دیں، اور مناسب ایکو سسٹم نکہت تلاش کریں۔ Notion اس کا ایک واضح مثال ہے، جو کسی بھی مخصوص کاروباری عمل میں شامل نہیں ہوتا، بلکہ صرف متن نوٹس کے فنکشن کو انتزاعی شکل دیتا ہے اور ایک عام ٹول بن جاتا ہے۔ دنیا آخرکار لاکھوں ذکائی اجینٹس (agents) کے تقسیمِ کام کا ہوگی، اور نوجوانوں کو پہلے اپنا ایکو سسٹم نکہت تلاش کرنا چاہیے، پھر اپنی خود کی طاقت کو جوڑ کر کام شروع کرنا چاہیے، مستقبل کے رجحانات کو محسوس کرنا چاہیے، اور وقت کا دشمن نہ بننا چاہیے۔ پچھلے دس سالوں میں، پہلی نسل کے انٹرنیٹ کاروباری افراد زیادہ تر غیر ملکی لوگ تھے (جانتے ہوئے فائدہ اٹھاتے تھے)، دوسری نسل زیادہ تر پروگرامرز تھے (ٹولز کے انفجار سے فائدہ اٹھاتے تھے)، اور تیسری نسل صنعتی انٹرنیٹ کاروباری افراد زیادہ تر دوبارہ شروع کرنے والے تھے، قانون واضح ہے، نوجوانوں کو درمیانے مرحلے اور اپنی طاقت کو واضح طور پر سمجھنا چاہیے۔

چانگ پینگ: تو اس بات سے متفق ہو کہ مہارت کے سطح پر مقامی ایجاد اور بہتری کا اثر محدود ہے، تو نئی نسل کا بڑا موقع شاید مقصد کی ایجاد میں ہے — نئے دور کے ظہور کے ساتھ نئے مقاصد کی شناخت، معیاری مہارتوں کو جوڑنا اور مستقل ترقی کرنا، تاکہ نئے مقاصد پر نئی نظام تعمیر کیا جا سکے اور کامیابی حاصل کی جا سکے۔

لیو یے: مہارت کا مقابلہ بہت ظریف ہے؛ جبکہ موجودہ مہارت مقبول ہے، لیکن اگر کوئی اور انتہائی اعلی انسانی ماہرین کے ساتھ مطابقت رکھتا ہے اور زیادہ بہتر مہارت پیدا کرتا ہے، تو موجودہ مہارت کو بدل دیا جائے گا۔ یہ دفاعی خندق کے مسئلے پر واپس جاتا ہے: جو لوگ جلد شروع کرتے ہیں، وہ ضروری نہیں کہ آخر میں کامیاب ہوں، بلکہ اکثر اعلیٰ سطح کے مقابلہ کرنے والوں کے لیے "مٹی کا غذائی عنصر" بن جاتے ہیں۔

چنگ پینگ: سب سے بڑا خوف یہ ہے کہ آپ "لوڈر" بن جائیں اور صرف اعلیٰ سطح کے مقابلہ کرنے والے کے لیے بنیادی تیاری کر دیں۔ اگر آپ صرف موجودہ مقاصد پر کارکردگی میں بہتری لائیں، تو اس کا کوئی مطلب نہیں، اور کارکردگی کا فرق آخرکار ختم ہو جائے گا۔ اس لیے نئی نسل کو ترقی حاصل کرنے کے لیے، مقصد میں بنیادی فرق لانا ضروری ہے۔

لیو یے: ہاں، خود کو مرکزی طاقت بنانے میں ناکام رہنا صرف اعلیٰ سطح کے مقابلہ کرنے والوں کو پالا ہے۔ کاروبار کا اصل اصول بہت سادہ ہے: مرکزی بات یہ ہے کہ آپ کے صارف کون ہیں، آپ ان کی خدمات کیسے فراہم کرتے ہیں، اور آپ انہیں اپنے بغیر کیسے نہ رہنے دیتے ہیں۔ اگر کوئی جوان صارف کون ہیں، یہ واضح نہیں کر سکتا، تو وہ بہتری حاصل نہیں کر سکتا۔

چنگ پینگ: اضافی مارکیٹ پر بھی توجہ دیں، کیونکہ موجودہ مارکیٹ میں مقابلہ بہت مشکل ہے۔ اگر آپ کا کاروبار کامیاب ہوتا ہے، تو وہ شعبے کی کمپنیوں کو ایک ہی اعلیٰ سطح تک پہنچا دے گا، جن کے پاس دولت اور تجربہ دونوں ہیں، اور نوجوانوں کے لیے موجودہ مارکیٹ میں ان کے ساتھ مقابلہ کرنا مشکل ہے۔

لیو یے: پچھلی نسل کے SaaS صنعت میں، Notion، Slack جیسی کمپنیوں کی کامیابی کا مرکزی نقطہ مقصد کا فرق تھا۔

SaaS کے پچھلے دور کے آغاز میں، چینی فنڈز زیادہ تر سائنسدانوں میں سرمایہ کاری کرنے کی ترجیح دیتے تھے، لیکن بعد میں انہیں احساس ہوا کہ سائنسدانوں کے لیے تعاون اور مکالمہ زیادہ مناسب ہے، نہ کہ کاروبار شروع کرنا — سائنسدانوں کا ماحول، جو اعلیٰ درجہ اور کم مقابلہ والا ہے، کاروباری دنیا کے اعلیٰ درجہ اور زیادہ مقابلہ والے منطق سے مختلف ہے۔ جتنا زیادہ درجہ ہوگا، اس قدر نئے شعبے میں منتقل ہونا مشکل ہوگا، کیونکہ بنیادی سوچ کا انداز بالکل مختلف ہوتا ہے۔ کسی بھی شعبے میں شروعات میں ٹیکنالوجی کا مقابلہ ہوتا ہے (کم درجہ، زیادہ مقابلہ، ٹیکنالوجی ناقص ہوتی ہے)، جب ٹیکنالوجی پختہ ہو جاتی ہے، تو کاروباری مقابلہ شروع ہوتا ہے (اعلیٰ درجہ، زیادہ مقابلہ، صنعت کے ماہرین، پروڈکٹ مینیجرز، اور کاروباری عملہ主导)۔ مثلاً، جب پہلی بار ایپل فون لانچ ہوا تو رینکنگ میں زیادہ تر ایپس پروگرامرز نے تیار کی تھیں؛ کچھ سالوں بعد جب صنعتی انٹرنیٹ نمودار ہوا، تو رینکنگ میں پروگرامرز کی بنائی گئی تمام اشیاء کو بدل دیا گیا۔

اگر AI کے دور میں موبائل انٹرنیٹ کا منطق جاری رہا، تو سلیکون ویلی کی مرکزی طاقتیں اب بھی تجربہ کار ماہرین ہوں گے، جیسے چین کے صنعتی انٹرنیٹ میں زیادہ تر دوبارہ کاروبار شروع کرنے والے ہوتے ہیں۔ نوجوانوں کے لیے موقع اب بھی مختلف مقاصد کی تلاش میں ہے۔