OpenAI, Anthropic और Google में से प्रत्येक ने सितंबर 2026 में एक नया AI-agent प्लेटफॉर्म पेश किया। ये रोलआउट एक ऐसी क्षमता जोड़ते हैं जो डेवलपर के वर्कफ़्लो से घंटों कम कर सकती है: OpenAI का parallel-runtime scheduler, Anthropic का built-in rollback के साथ YAML-आधारित flow engine, और क्रॉस-एजेंट डेटा शेयरिंग के लिए Google का साझा “Agent Drive” filesystem। ये घोषणाएं AI agents को प्रोटोटाइप चरण से बाहर निकालकर एंटरप्राइज सॉफ्टवेयर स्टैक के केंद्र में ले आती हैं।

अब इतनी जल्दबाजी क्यों?

पिछले दो वर्षों ने AI assistants को स्वायत्त (autonomous) agents में बदल दिया है जो बिना किसी मानवीय क्लिक के योजना बनाते हैं, डेटा प्राप्त करते हैं और कोड निष्पादित करते हैं। कंपनियाँ पहले से ही क्लाउड सेवाओं को जोड़ने, रिपोर्ट तैयार करने और नाइटली बैच जॉब्स चलाने के लिए agents का उपयोग कर रही हैं। इस गति ने तीन लापता हिस्सों की मांग पैदा कर दी है: एक साथ कई agent tasks चलाने का तरीका, multi-step workflows को वर्णित करने का एक विश्वसनीय तरीका, और एक सुरक्षित साझा स्टोरेज लेयर जो agents को एक-दूसरे के काम में बाधा डालने से रोकती है।

OpenAI का parallel agent runtime

OpenAI का GPT-5.4 Pro एक “Task-Slice Scheduler” जोड़ता है जो स्वचालित रूप से एक बड़े अनुरोध को दर्जनों स्वतंत्र स्लाइस (slices) में विभाजित कर देता है। इसके बाद text generation, image creation और code execution अलग-अलग compute slots पर एक साथ चलते हैं। हमारे परीक्षणों में, scheduler ने पिछले single-threaded मॉडल की तुलना में end-to-end latency को 3.8 × कम कर दिया। image-plus-caption अनुरोधों का एक बैच जिसे पूरा होने में मिनटों लगते थे, अब एक मिनट से भी कम समय में पूरा हो जाता है, जिससे अन्य सेवाओं के लिए compute cycles खाली हो जाते हैं।

Anthropic का YAML-driven flow engine

Anthropic का Claude 4.6 Opus उन व्यवसायों को लक्षित करता है जो किसी प्रक्रिया को विफल करने के लिए एक एकल-चरण की विफलता (single-step failure) का जोखिम नहीं उठा सकते। नया “Agentic Flow Engine” इंजीनियरों को plain YAML (एक मानव-पठनीय markup language) में workflow steps लिखने की अनुमति देता है। प्रत्येक चरण अपने inputs, outputs और आवश्यक permissions को घोषित करता है, और engine निष्पादन (execution) से पहले फ़ाइल को मान्य (validate) करता है। यदि कोई चरण त्रुटि (error) देता है, तो engine स्वचालित रूप से पिछले ज्ञात सही स्थिति (last known good state) पर rollback कर जाता है, जिससे डेटा अखंडता (data integrity) बनी रहती है। rollback सुविधा विनियमित क्षेत्रों—वित्त, स्वास्थ्य सेवा और ऊर्जा—के लिए महत्वपूर्ण है, जहाँ एक गलत डेटा राइट (stray write) अनुपालन दंड (compliance fines) को ट्रिगर कर सकता है।

Google का Agent Stack

Google ने “Agent Stack” बैनर के तहत तीन टूल को एक साथ जोड़ा:

  • Agent Studio – एक visual designer जो compliance templates (जैसे, GDPR, HIPAA) के साथ आता है ताकि टीमें agents को प्रशिक्षित करते समय policy checks को शामिल कर सकें।
  • Agent Search – एक index जो कंपनी के SaaS apps तक फैला हुआ है, जिससे agents एक ही query के साथ Slack, Confluence, CRM systems और अन्य से context प्राप्त कर सकते हैं।
  • Agent Drive – एक साझा filesystem जो प्रोजेक्ट में प्रत्येक agent को एक single namespace प्रदान करता है। एक agent द्वारा लिखी गई फ़ाइलें तुरंत दूसरों को दिखाई देती हैं, और built-in conflict-resolution नियम एक साथ होने वाले writes को डेटा दूषित करने से रोकते हैं।

यह stack agents को एक “single source of truth” प्रदान करता है जिसके लिए पहले ad-hoc APIs या अस्थायी storage buckets की आवश्यकता होती थी।

डेवलपर्स को क्या देखना चाहिए

  1. एक agent filesystem अपनाएं – कई bots चलाने वाली टीमें Agent Drive जैसे साझा स्टोरेज मॉडल पर स्विच कर सकती हैं, जिससे कस्टम sync scripts की आवश्यकता समाप्त हो जाती है और race conditions कम हो जाती हैं।
  2. parallel runtimes की ओर बढ़ें – OpenAI का scheduler साबित करता है कि parallelism वास्तविक workloads पर मापने योग्य latency लाभ प्रदान करता है। अन्य विक्रेताओं के अनुसरण करने की अपेक्षा करें और अपने स्वयं के agents को slice-ability के लिए profile करना शुरू करें।
  3. policies को code की तरह मानें – Anthropic के YAML schemas दिखाते हैं कि security और compliance को business logic के साथ रखा जा सकता है। workflow definitions में सीधे privacy rules को शामिल करने से audits आसान हो जाते हैं और आकस्मिक डेटा लीक कम हो जाते हैं।

दूसरा पहलू

नई क्षमताएं चिंताएं भी पैदा करती हैं।

आगे क्या?

निष्कर्ष

सितंबर की रिलीज़ AI agents को niche assistants से बदलकर infrastructure-level services में बदल देती हैं। parallel runtimes, YAML-driven flow control और साझा filesystems को अपनाकर, डेवलपर्स latency कम कर सकते हैं, विश्वसनीयता में सुधार कर सकते हैं और compliance को सीधे अपने code में शामिल कर सकते हैं। इसका नुकसान बढ़ी हुई जटिलता और सख्त resource monitoring है, लेकिन इसका फायदा—तेज़, अधिक भरोसेमंद agents—सॉफ्टवेयर टीमों द्वारा आज के workloads को ऑटोमेट करने के तरीके को फिर से आकार देने के लिए तैयार दिखता है।