20 साल पुराने एक इंश्योरेंस प्लेटफॉर्म के लेखक ने 108 सपोर्ट टिकटों को एक कस्टम AI-एजेंट पाइपलाइन के माध्यम से चलाया और परिणाम एक ऐसा वर्कफ़्लो है जो कई घंटों के सीनियर-डेवलपर वाले काम को कुछ ही मिनटों में बदल देता है, यह एक ऐसा बदलाव है जो एंटरप्राइज़ के लीगेसी कोड (legacy code) को जीवित रखने के तरीके को नया रूप दे सकता है।

नए कोड की तुलना में लीगेसी सिस्टम अधिक महत्वपूर्ण क्यों हैं

विचाराधीन इंश्योरेंस एप्लिकेशन 2.3 मिलियन लाइनों के कोड और लगभग 1,000 PL/SQL पैकेजों का एक मोनोलिथ (monolith) है। इसका आकार ही इसे किसी भी एक व्यक्ति के लिए पूरे कोडबेस को संभालने के लिए असंभव बना देता है। इसमें ग्राहक-विशिष्ट कॉन्फ़िगरेशन पैरामीटर का जाल, बिखरे हुए दस्तावेज़ और 2017 तक फैला हुआ टिकट आर्काइव भी जुड़ जाता है, जिससे असली बाधा कोड लिखने में नहीं, बल्कि "संदर्भ खोजने" (finding context) में बन जाती है।

आधुनिक AI का सामान्य प्रचार ग्रीनफील्ड प्रोजेक्ट्स के लिए नया कोड जेनरेट करने पर केंद्रित होता है। इस मामले में कठिन हिस्सा PL/SQL का सिंटैक्स नहीं है, बल्कि लॉजिक का सटीक हिस्सा, प्रासंगिक कॉन्फ़िगरेशन और वह ऐतिहासिक टिकट ढूंढना है जिसने पहली बार समस्या का वर्णन किया था। एक अनुभवी डेवलपर GitLab, SVN, विकी और पुराने सपोर्ट टिकटों से सुराग जोड़ने में घंटों बिता सकता है। AI एजेंट यही काम मिनटों में कर देता है।

व्यवहार में वर्कफ़्लो

जब कोई नया टिकट आता है, तो लेखक एक सिंगल कमांड चलाता है। इसके बाद एजेंट:

  • टिकट-सिस्टम API के माध्यम से टिकट टेक्स्ट और किसी भी अटैच की गई फ़ाइलों को निकालता है।
  • समान पिछले मामलों को सामने लाने के लिए पूरे टिकट आर्काइव में कीवर्ड और वेक्टर सर्च करता है।
  • पुन: प्रयोज्य (reusable) SQL स्क्रिप्ट की एक व्यक्तिगत लाइब्रेरी को क्वेरी करता है।
  • वर्जन-कंट्रोल सिस्टम (GitLab या SVN) में कोड हिस्ट्री की जांच करता है।

सभी निष्कर्षों को एक फ़ाइल में संकलित किया जाता है जो अगले कदम का सुझाव भी देती है—आमतौर पर एक कोड फिक्स, ग्राहक को भेजने के लिए एक ड्राफ्ट रिप्लाई, या अतिरिक्त डायग्नोस्टिक्स के लिए अनुरोध।

अंतर्निहित क्षमताएं

लेखक ने एजेंट के लिए 24 "कौशल" (skills) परिभाषित किए हैं, जिन्हें चार श्रेणियों में बांटा गया है:

  • कॉन्टेक्स्ट एक्सेस – प्रासंगिक तथ्यों को निकालने के लिए API, मैनुअल और डेटाबेस को पढ़ना।
  • डोमेन नॉलेज – इंश्योरेंस अकाउंटिंग नियमों और सिस्टम के आर्किटेक्चर की व्याख्या करना।
  • राइटिंग – PL/SQL स्निपेट्स जेनरेट करना और उन्हें डिप्लॉयमेंट के लिए पैकेज करना।
  • मेटा – पैटर्न को पहचानना और ज़रूरत पड़ने पर स्वचालित रूप से नए कौशल बनाना।

ये कौशल एजेंट को एक ऐसे जूनियर इंजीनियर की तरह काम करने देते हैं जो कभी सोता नहीं है, और कोड की सटीक लाइन या कॉन्फ़िगरेशन को सामने लाता है जिसका टिकट में संदर्भ दिया गया है।

लूप में निर्मित सेफ्टी नेट

प्रोडक्शन एनवायरनमेंट में ऑटोमेशन के लिए सुरक्षा उपायों की आवश्यकता होती है। लेखक दो सरल नियमों का पालन करता है:

  1. स्टैटिक वैलिडेशन – प्रत्येक जेनरेट किए गए स्क्रिप्ट को लाइव स्कीमा के विरुद्ध EXPLAIN PLAN के माध्यम से चलाया जाता है। यह कोड को वास्तव में निष्पादित किए बिना सिंटैक्स या लॉजिकल त्रुटियों की जांच करता है।
  2. डुअल-मॉडल कन्फर्मेशन – एक दूसरा, स्वतंत्र AI एजेंट किसी भी जोखिम भरे बदलाव की समीक्षा करता है। यदि दोनों मॉडल एक ही निष्कर्ष पर पहुँचते हैं, तो लेखक आगे बढ़ता है; अन्यथा, टिकट को मैन्युअल समीक्षा के लिए भेज दिया जाता है।

ये जांच प्रक्रिया को एक 'ब्लैक बॉक्स' बनने से रोकती हैं जो अनजाने में किसी महत्वपूर्ण इंश्योरेंस ट्रांजेक्शन को तोड़ सकती है।

कंपाउंडिंग लाभ

प्रत्येक टिकट का आउटपुट वापस टिकट रिकॉर्ड से जुड़ जाता है, जिससे एक जीवित नॉलेज बेस (knowledge base) बन जाता है। जब महीनों या वर्षों बाद कोई समान समस्या फिर से सामने आती है, तो एजेंट न केवल पिछले समाधान को बल्कि उस तर्क को भी पढ़ सकता है जिसने उसे जन्म दिया था। प्रभावी रूप से, प्रत्येक हल किया गया टिकट भविष्य के टिकटों के लिए ट्रेनिंग डेटा बन जाता है, जिससे चक्र और तेज़ हो जाता है।

ईमानदार सीमाएं

  • मैनुअल टेस्टिंग अभी भी बनी हुई है – लेखक अभी भी प्रमोशन से पहले टेस्ट एनवायरनमेंट में बदलावों को सत्यापित करता है।
  • कोई हार्ड-स्टॉप मेट्रिक्स नहीं – हालांकि बचा हुआ समय काफी अधिक लगता है, लेकिन लेखक ने घंटों में सटीक कमी को मापा नहीं है।
  • पर्सनल सेटअप – वर्तमान कार्यान्वयन एक सिंगल वर्कस्टेशन पर है; इसे एक टीम में स्केल करने के लिए अतिरिक्त इंजीनियरिंग की आवश्यकता होगी।

ये बाधाएं इस दृष्टिकोण को एक 'टर्नकी प्रोडक्ट' (turnkey product) बनने से रोकती हैं, लेकिन वे मुख्य अंतर्दृष्टि को कम नहीं करती हैं: AI कॉन्टेक्स्ट इकट्ठा करने के समय को घंटों से मिनटों में समेट सकता है।

आगे क्या देखें

लेखक का प्रयोग एक व्यावसायिक पेशकश के बजाय एक प्रूफ-ऑफ-कॉन्सेप्ट (proof-of-concept) है। अगले तार्किक कदमों में शामिल हैं:

  • मेट्रिक्स को औपचारिक रूप देना – बिजनेस केस बनाने के लिए AI पाइपलाइन से पहले और बाद में टिकट समाधान समय को ट्रैक करना।
  • टीम डिप्लॉयमेंट – एजेंट को एक साझा सेवा के रूप में पैकेज करना ताकि कई इंजीनियर एक ही नॉलेज बेस से लाभ उठा सकें।
  • CI/CD के साथ एकीकरण – वैलिडेटेड स्क्रिप्ट्स को सीधे कंटीन्यूअस-इंटीग्रेशन पाइपलाइन में फीड करने से बिना किसी मैनुअल हैंड-ऑफ के टिकट से प्रोडक्शन तक का लूप पूरा हो सकता है।

यदि ये विस्तार सफल होते हैं, तो यह मॉडल उन अन्य उद्यमों के लिए एक टेम्पलेट बन सकता है जो विशाल और पुराने (entrenched) कोडबेस से जूझ रहे हैं।

मुख्य निष्कर्ष

लेगेसी एनवायरनमेंट में AI का असली मूल्य नया कोड ऑटो-राइट करने में नहीं, बल्कि तुरंत सही संदर्भ (context) सामने लाने में है। एक सीनियर डेवलपर की घंटों की खोजबीन को कुछ ही मिनटों में बदलकर, एक AI-एजेंट वर्कफ़्लो पुराने सिस्टम को कार्यात्मक रख सकता है, सपोर्ट लागत को कम कर सकता है, और धीरे-धीरे एक स्व-सुदृढ़ नॉलेज रिपॉजिटरी बना सकता है। प्रयोग से पता चलता है कि, लेगेसी सॉफ्टवेयर के लिए, उत्पादकता में सबसे बड़ी वृद्धि उत्तरों की खोज को कम करने से आती है, न कि नया कोड जेनरेट करने से।