AI ಕ್ರಾಂತಿಯು ಅಭೂತಪೂರ್ವ ಉತ್ಪಾದಕತೆಯನ್ನು ಭರವಸೆ ನೀಡುತ್ತಿದ್ದರೂ, ದೊಡ್ಡ ಉದ್ಯಮಗಳು ಒಂದು ದೊಡ್ಡ ಅಡೆತಡೆ ಎದುರಿಸುತ್ತಿವೆ: ಅವರು ಸಂಕೀರ್ಣ ಮಾದರಿಗಳನ್ನು (models) ಅಸ್ತವ್ಯಸ್ತವಾದ ಹಳೆಯ ಪರಿಸರಗಳಿಗೆ (legacy environments) ಅಳವಡಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತಿಲ್ಲ. ಒಂದು ಹೊಸ ಸ್ಟಾರ್ಟಪ್, June, ಈಗ ದುಬಾರಿ ಸಲಹೆಗಾರರ ಸೈನ್ಯದ ಅಗತ್ಯವಿರುವ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸಲು AI ಅನ್ನು ಬಳಸುವ ಮೂಲಕ ಈ ನಿಯೋಜನೆಯ ಬಿಕ್ಕಟ್ಟನ್ನು ಪರಿಹರಿಸಲು ಪ್ರಯತ್ನಿಸುತ್ತಿದೆ.

AI ಅನುಷ್ಠಾನದ ವಿರೋಧಾಭಾಸ

AI ಮಾದರಿಗಳು ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯಶಾಲಿಯಾಗುತ್ತಿದ್ದಂತೆ, ಮ್ಯಾನುಯಲ್ ವೃತ್ತಿಪರ ಸೇವೆಗಳ ಬೇಡಿಕೆಯು ವಾಸ್ತವವಾಗಿ ಹೆಚ್ಚುತ್ತಿದೆ. ಕಂಪನಿಗಳು "Forward-Deployed Engineers" (FDEs)—ಅಂದರೆ ಕಚ್ಚಾ AI ಮಾದರಿಗಳು ಮತ್ತು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕಾರ್ಪೊರೇಟ್ ಮೂಲಸೌಕರ್ಯಗಳ ನಡುವೆ ಮ್ಯಾನುಯಲ್ ಆಗಿ ಸೇತುವೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಲು ಸಂಸ್ಥೆಯ ಒಳಗೆ ಸೇರಿ ಕೆಲಸ ಮಾಡುವ ತಂಡಗಳನ್ನು ನೇಮಿಸಿಕೊಳ್ಳುತ್ತಿವೆ.

Salesforce ನ ಮಾಜಿ ಕಾರ್ಯನಿರ್ವಾಹಕ Efrat Rapoport, ಸಂಕೀರ್ಣತೆಯನ್ನು ನಿರ್ವಹಿಸಲು ಹೆಚ್ಚು ಜನರನ್ನು ನೇಮಿಸಿಕೊಳ್ಳುವುದು ಸುಸ್ಥಿರವಲ್ಲ ಎಂದು ಹೇಳುತ್ತಾರೆ. ಆ ಮ್ಯಾನುಯಲ್ ವಿಧಾನವು ಒಂದು ಅಡೆತಡೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ, ಇದು ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ LLM ಗಳು ಸಹ Fortune 500 ಸಂಸ್ಥೆಗಳಿಗೆ ನೈಜ ಪ್ರಪಂಚದ ಮೌಲ್ಯವನ್ನು ನೀಡದಂತೆ ತಡೆಯುತ್ತದೆ.

ಹಳೆಯ ಡೇಟಾ ಅಸ್ತವ್ಯಸ್ತತೆಯನ್ನು ಪರಿಹರಿಸುವುದು

ದೊಡ್ಡ ಅಡೆತಡೆಯೆಂದರೆ ಮಾದರಿಯ ಬುದ್ಧಿವಂತಿಕೆಯಲ್ಲ; ಅದು "ಅಡಿಯಲ್ಲಿರುವ ಅಸ್ತವ್ಯಸ್ತತೆ" (mess underneath). ದೊಡ್ಡ ಕಾರ್ಪೊರೇಷನ್‌ಗಳು Salesforce, ServiceNow, Databricks, Workday ನಂತಹ ವಿವಿಧ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳ ಮೇಲೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತವೆ—ಇವು ತಾಂತ್ರಿಕ ಸಾಲ (technical debt), ಡೂಪ್ಲಿಕೇಟ್ ಫೀಲ್ಡ್‌ಗಳು ಮತ್ತು ಅಸಮರ್ಪಕ ವರ್ಕ್‌ಫ್ಲೋಗಳಿಂದ ತುಂಬಿವೆ.

June ನ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಕಂಪನಿಯ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತದೆ, ಅದರ ವಿಶಿಷ್ಟ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಹಂತ-ಹಂತದ ನಿಯೋಜನಾ ಮಾರ್ಗಸೂಚಿಯನ್ನು (deployment roadmap) ಸಿದ್ಧಪಡಿಸುತ್ತದೆ. ಮಾನವ ಆರ್ಕಿಟೆಕ್ಟ್‌ಗಳು ಇಂಟಿಗ್ರೇಷನ್‌ಗಳನ್ನು ನಕ್ಷೆ ಮಾಡುವ ಬದಲು, June ಅಡೆತಡೆಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ, ಡೂಪ್ಲಿಕೇಟ್ ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು ಅಥವಾ ಮೂಲಗಳನ್ನು ಸಂಪರ್ಕಿಸಲು ಬಳಕೆದಾರರಿಗೆ ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ನಂತರ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಇಂಟಿಗ್ರೇಷನ್ ಅನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ.

ಸಲಹೆಗಾರಿಕೆಯ "ಬ್ಲಾಕ್ ಬಾಕ್ಸ್" ಮೀರಿ ಚಲಿಸುವುದು

June ಹೆಚ್ಚಿನ ಘರ್ಷಣೆ ಮತ್ತು ಹೆಚ್ಚಿನ ವೆಚ್ಚದ ಮ್ಯಾನುಯಲ್ ಮಾದರಿಯನ್ನು ಸೆಲ್ಫ್-ಸರ್ವಿಸ್ ಟೂಲ್‌ನಿಂದ ಬದಲಾಯಿಸುತ್ತದೆ. ಅಮೆರಿಕದ ಪ್ರಮುಖದಾದ CMG (ಮಾರ್ಗೇಜ್ ಲೆಂಡರ್) ಗೆ, ಈ ವ್ಯತ್ಯಾಸವು ಪರಿವರ್ತನಾತ್ಮಕವಾಗಿದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಸಲಹೆಯ ಮೂಲಕ Claude Code ಮತ್ತು Salesforce ನೊಂದಿಗೆ ಹೋರಾಡಿದ ನಂತರ, June ಅವರ ತಂಡವು ನಿಯೋಜನಾ ಬಿಂದುಗಳನ್ನು ಗುರುತಿಸಲು ಮತ್ತು ವಾರಗಟ್ಟಲೆ ಅಡೆತಡೆಗಳಿಲ್ಲದೆ ಮುಂದುವರಿಯಲು ಸಹಾಯ ಮಾಡಿತು.

ಡೇಟಾ ಕ್ಲೀನಿಂಗ್, ಮ್ಯಾಪಿಂಗ್, ವರ್ಕ್‌ಫ್ಲೋ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನಂತಹ "ಪ್ಲಂಬಿಂಗ್" (plumbing) ಅನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ ಮೂಲಕ, June ಕಂಪನಿಗಳು ತಜ್ಞ ಎಂಜಿನಿಯರ್‌ಗಳ ದೊಡ್ಡ ತಂಡದ ಅಗತ್ಯವಿಲ್ಲದೆ, ಪ್ರಾಯೋಗಿಕ "vibe-coding" ನಿಂದ ಸ್ಕೇಲೆಬಲ್, ಏಜೆಂಟ್-ಚಾಲಿತ ಕಾರ್ಯಾಚರಣೆಗಳಿಗೆ ಬದಲಾಗಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ.

AI ಭೂದೃಶ್ಯಕ್ಕೆ ಇದು ಏಕೆ ಮುಖ್ಯ

AI ನ ಮುಂದಿನ ಅಲೆ ಮಾದರಿಗಳ ಪ್ಯಾರಾಮೀಟರ್ ಸಂಖ್ಯೆಗಳಿಂದಲ್ಲ, ಬದಲಾಗಿ ಯಾರು ಮಾದರಿಗಳನ್ನು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಆರ್ಥಿಕ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಬೆಸೆಯಬಲ್ಲರು ಎಂಬುದರಿಂದ ನಿರ್ಧರಿಸಲ್ಪಡುತ್ತದೆ. June ಯಶಸ್ವಿಯಾದರೆ, ಉದ್ಯಮವು ಸೇವೆ-ಭಾರಿತ ಮಾದರಿಯಿಂದ ಸಾಫ್ಟ್‌ವೇರ್-ಚಾಲಿತ ಮಾದರಿಗೆ ಬದಲಾಗಬಹುದು, ಇದು ಎಂಟರ್‌ಪ್ರೈಸ್ ಆಟೊಮೇಷನ್‌ನ ಅಡೆತಡೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ ಮತ್ತು "Agentic Workflow" ಯುಗವನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ.

ಪ್ರಮುಖ ಅಂಶಗಳು

  • ಇಂಟಿಗ್ರೇಷನ್ ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದು: June ಸಂಕೀರ್ಣ ಹಳೆಯ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸ್ಕ್ಯಾನ್ ಮತ್ತು ಮ್ಯಾಪ್ ಮಾಡುತ್ತದೆ, ನಂತರ ಡೇಟಾ ವಿಘಟನೆ ಮತ್ತು ತಾಂತ್ರಿಕ ಸಾಲವನ್ನು ಸರಿಪಡಿಸಲು ಸ್ವಯಂಚಾಲಿತ ಮಾರ್ಗಸೂಚಿಯನ್ನು ನೀಡುತ್ತದೆ.
  • ಮಾನವ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು: ಈ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ದುಬಾರಿ Forward-Deployed Engineers ಬದಲಿಗೆ ಸೆಲ್ಫ್-ಸರ್ವಿಸ್, "build-on-click" ನಿಯೋಜನಾ ಮಾದರಿಯನ್ನು ನೀಡುತ್ತದೆ.
  • ದೊಡ್ಡ ಸಂಸ್ಥೆಗಳ ಬೆಂಬಲ: Bonobo AI ತಂಡದಿಂದ ನಿರ್ಮಿಸಲಾದ June, Marc Benioff ಅವರ Time Ventures ನೇತೃತ್ವದಲ್ಲಿ $20 ಮಿಲಿಯನ್ ಪ್ರೀ-ಸೀಡ್ ಫಂಡಿಂಗ್ ಅನ್ನು ಪಡೆಯಿತು.

June ತನ್ನ AI-ಚಾಲಿತ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅನ್ನು ಅನಾವರಣಗೊಳಿಸಿದೆ, ಇದು ಲಾರ್ಜ್-ಲ್ಯಾಂಗ್ವೇಜ್ ಮಾಡೆಲ್‌ಗಳನ್ನು (LLMs) ಹಳೆಯ ಎಂಟರ್‌ಪ್ರೈಸ್ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಸಂಯೋಜಿಸುತ್ತದೆ, ಮತ್ತು ದುಬಾರಿ ಫಾರ್ವರ್ಡ್-ಡಿಪ್ಲಾಯ್ಡ್ ಎಂಜಿನಿಯರಿಂಗ್ ತಂಡಗಳ ಅಗತ್ಯವನ್ನು ಇಲ್ಲದಾಯಿಸುತ್ತದೆ ಎಂದು ಪ್ರತಿಪಾದಿಸುತ್ತದೆ.

ಇಂಟಿಗ್ರೇಷನ್ ಅಡೆತಡೆ

ಉದ್ಯಮಗಳು ಕಳೆದ ವರ್ಷವನ್ನು ಹೆಚ್ಚು ಶಕ್ತಿಶಾಲಿ LLMಗಳನ್ನು ಖರೀದಿಸಲು ಕಳೆದಿದ್ದರೂ, ಹೆಚ್ಚಿನವುಗಳು ಮೊದಲ ಅಡೆತಡೆಯಲ್ಲೇ ಎಡವುತ್ತಿವೆ: ಅಂದರೆ ಆ ಮಾದರಿಗಳನ್ನು ಆನ್-ಪ್ರಮಿಸ್ ಮತ್ತು ಕ್ಲೌಡ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳ ಸಂಕೀರ್ಣ ವ್ಯವಸ್ಥೆಯೊಂದಿಗೆ ಜೋಡಿಸುವುದು. ಇದಕ್ಕೆ ಸಾಮಾನ್ಯ ಪರಿಹಾರವೆಂದರೆ FDE ತಂಡವನ್ನು ನೇಮಿಸಿಕೊಳ್ಳುವುದು—ಇವರು ಕಂಪನಿಯ ಒಳಗೆ ಸೇರಿ, ಮ್ಯಾನುಯಲ್ ಆಗಿ ಡೇಟಾ ಹರಿವನ್ನು ನಕ್ಷೆ ಮಾಡುತ್ತಾರೆ ಮತ್ತು ಗ್ಲೂ ಕೋಡ್ (glue code) ಬರೆಯುತ್ತಾರೆ.

Efrat Rapoport ಆ ವಿಧಾನವನ್ನು “ಸುಸ್ಥಿರವಲ್ಲದ” ಎಂದು ಕರೆಯುತ್ತಾರೆ. ಸಿಬ್ಬಂದಿಯನ್ನು ಹೆಚ್ಚಿಸುವುದರಿಂದ ಡೂಪ್ಲಿಕೇಟ್ ಫೀಲ್ಡ್‌ಗಳು, ಹಳೆಯ ಟೇಬಲ್‌ಗಳು ಮತ್ತು ಪ್ರತ್ಯೇಕಗೊಂಡ ವರ್ಕ್‌ಫ್ಲೋಗಳನ್ನು ತೆಗೆದುಹಾಕಲು ಸಾಧ್ಯವಿಲ್ಲ; ಇದು ಕೇವಲ ಅನಿವಾರ್ಯ ಅಡೆತಡೆಯನ್ನು ಮುಂದೂಡುತ್ತದೆ ಅಷ್ಟೆ. ವಿರೋಧಾಭಾಸ ಸ್ಪಷ್ಟವಾಗಿದೆ: AI ಮಾದರಿಗಳು ಹೆಚ್ಚು ಸಾಮರ್ಥ್ಯಶಾಲಿಯಾಗುತ್ತಿದ್ದಂತೆ, ಮ್ಯಾನುಯಲ್ ಇಂಪ್ಲಿಮೆಂಟೇಶನ್ ಸೇವೆಗಳ ಬೇಡಿಕೆಯು ಹೆಚ್ಚುತ್ತದೆಯೇ ಹೊರತು ಕಡಿಮೆಯಾಗುವುದಿಲ್ಲ.

June ನ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ

June ಈ ಚಿತ್ರಣವನ್ನೇ ಬದಲಾಯಿಸುತ್ತದೆ. ಕ್ಲೈಂಟ್‌ನ ಪರಿಸರವನ್ನು ಪರಿಶೀಲಿಸಲು ಎಂಜಿನಿಯರ್‌ಗಳನ್ನು ಕಳುಹಿಸುವ ಬದಲು, ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ತಾಂತ್ರಿಕ ಸ್ಟ್ಯಾಕ್—Salesforce, ServiceNow, Databricks, Workday ಅಥವಾ ಕಸ್ಟಮ್ ERP ಅನ್ನು ಸ್ಕ್ಯಾನ್ ಮಾಡಲು ತನ್ನದೇ ಆದ AI ಅನ್ನು ನಿಯೋಜಿಸುತ್ತದೆ. ಈ ಸ್ಕ್ಯಾನ್ ಡೇಟಾ ಸ್ಕೀಮಾಗಳು, API ಎಂಡ್‌ಪಾಯಿಂಟ್‌ಗಳು ಮತ್ತು ವರ್ಕ್‌ಫ್ಲೋ ಟ್ರಿಗ್ಗರ್‌ಗಳ ವಿವರವಾದ ನಕ್ಷೆಯನ್ನು ನೀಡುತ್ತದೆ. ಆ ನಕ್ಷೆಯಿಂದ, June ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಈ ಕೆಳಗಿನವುಗಳನ್ನು ಗುರುತಿಸುತ್ತದೆ:

  • ಮಾದಲ್ ತರಬೇತಿಗೆ ಅಡ್ಡಿಪಡಿಸುವ ಅನಗತ್ಯ ಅಥವಾ ಅನಾಥ ಡೇಟಾ ಫೀಲ್ಡ್‌ಗಳು
  • ರನ್‌ಟೈಮ್ ದೋಷಗಳಿಗೆ ಕಾರಣವಾಗುವ ತಪ್ಪಾದ API ಒಪ್ಪಂದಗಳು
  • LLM-ಚಾಲಿತ ಏಜೆಂಟ್ ಮೌಲ್ಯವನ್ನು ಸೇರಿಸಬಹುದಾದ ವರ್ಕ್‌ಫ್ಲೋ ಅಂತರಗಳು

ನಂತರ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ಪರಿಹಾರ ಯೋಜನೆಯನ್ನು (remediation plan) ಸಿದ್ಧಪಡಿಸುತ್ತದೆ, ಟೇಬಲ್‌ಗಳ ಡ್ಯೂಪ್ಲಿಕೇಶನ್ ತೆಗೆದುಹಾಕುವುದು ಅಥವಾ ಸುರಕ್ಷಿತ ಡೇಟಾ ಪೈಪ್‌ಲೈನ್‌ಗಳನ್ನು ಸ್ಥಾಪಿಸುವುದು ಅಂತಹ ಕ್ಲೀನ್-ಅಪ್ ಕ್ರಮಗಳನ್ನು ಅನುಮೋದಿಸಲು ಬಳಕೆದಾರರಿಗೆ ಸೂಚಿಸುತ್ತದೆ. ಒಮ್ಮೆ ಅನುಮೋದಿಸಿದ ನಂತರ, ಅದೇ AI ಇಂಜಿನ್ ಬದಲಾವಣೆಗಳನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತದೆ, ಕನೆಕ್ಟರ್‌ಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ ಮತ್ತು LLM ಅನ್ನು ಮ್ಯಾನೇಜ್ಡ್ ಸೇವೆಯಾಗಿ ನಿಯೋಜಿಸುತ್ತದೆ.

ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಈ ವರ್ಕ್‌ಫ್ಲೋವು ಹಲವು ವಾರಗಳ ಕನ್ಸಲ್ಟಿಂಗ್ ಪ್ರಕ್ರಿಯೆಯನ್ನು "build-on-click" ಅನುಭವದೊಂದಿಗೆ ಬದಲಾಯಿಸುತ್ತದೆ. ಆಂತರಿಕ ತಂಡಗಳು ಬಾಹ್ಯ ಎಂಜಿನಿಯರ್‌ಗಳಿಗಾಗಿ ಕಾಯದೆ ಇಂಟಿಗ್ರೇಷನ್‌ಗಳನ್ನು ಪುನರಾವರ್ತಿಸಬಹುದು.

ಒಂದು ನೈಜ ಪ್ರಪಂಚದ ಪರೀಕ್ಷಾ ಪ್ರಕರಣ

ಅಮೆರಿಕದ ಪ್ರಮುಖದಾದ CMG ಮಾರ್ಟ್‌ಗೇಜ್ ಲೆಂಡರ್, Claude Code—ಒಂದು ಸಂಭಾಷಣಾತ್ಮಕ AI ಸಾಧನ—ಅದರ Salesforce ಇನ್‌ಸ್ಟೆನ್ಸ್‌ನೊಂದಿಗೆ ಸಂಪರ್ಕಿಸಲು ಕಷ್ಟಪಡುತ್ತಿತ್ತು. ಸಾಂಪ್ರದಾಯಿಕ ಆರ್ಕಿಟೆಕ್ಚರಲ್ ಕನ್ಸಲ್ಟಿಂಗ್ ಸಂಸ್ಥೆಯನ್ನು ಸರಣಿ ಸಭೆಗಳಲ್ಲಿ ತೊಡಗಿಸಬೇಕಾಯಿತು, ಇದು ಪ್ರತಿ ಬಾರಿ ವಾರಗಟ್ಟಲೆ ವಿಳಂಬಕ್ಕೆ ಕಾರಣವಾಗುತ್ತಿತ್ತು. June ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗೆ ಬದಲಾದ ನಂತರ, CMG ಸಿಬ್ಬಂದಿ ನಿಖರವಾದ ಇಂಟಿಗ್ರೇಷನ್ ಪಾಯಿಂಟ್‌ಗಳನ್ನು ಗುರುತಿಸಿದರು, ಸ್ವಯಂಚಾಲಿತ ಕ್ಲೀನಪ್ ನಡೆಸಿದರು ಮತ್ತು ವಾರಗಳ ಬದಲಿಗೆ ದಿನಗಳಲ್ಲಿ LLM ಅನ್ನು ಪ್ರಾರಂಭಿಸಿದರು. ಇದರ ಫಲಿತಾಂಶ: ಬಾಹ್ಯ FDE ತಂಡವಿಲ್ಲದೆಯೇ ಅಂಡರ್‌ರೈಟಿಂಗ್ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವ ಕಾರ್ಯक्षम ಏಜೆಂಟ್.

ಪಣಕ್ಕಿರುವ ವಿಷಯಗಳು

ಈ ವಿಧಾನವು AI ಕಂಪನಿಯ ಡೇಟಾ-ಗವರ್ನೆನ್ಸ್ ನೀತಿಗಳು, ಭದ್ರತಾ ನಿರ್ಬಂಧಗಳು ಮತ್ತು ನಿಯಂತ್ರಕ ಅವಶ್ಯಕತೆಗಳನ್ನು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಲ್ಲದು ಎಂದು ಭಾವಿಸುತ್ತದೆ. ತಪ್ಪಾಗಿ ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾದ ಕನೆಕ್ಟರ್ ಗ್ರಾಹಕರ ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸಬಹುದು ಅಥವಾ ಮುಂದಿನ ಹಂತದ ವೈಫಲ್ಯಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು. ಸಂಪೂರ್ಣವಾಗಿ ಸ್ವಯಂಚಾಲಿತ ಇಂಟಿಗ್ರೇಷನ್‌ಗೆ ಮಾನವ ಸುರಕ್ಷತಾ ಜಾಲದ (human safety net) ಅಗತ್ಯವಿರಬಹುದು ಎಂದು ವಿಮರ್ಶಕರು ಎಚ್ಚರಿಸುತ್ತಾರೆ, ವಿಶೇಷವಾಗಿ ಹಣಕಾಸು ಅಥವಾ ಆರೋಗ್ಯ ರಕ್ಷಣೆಯಂತಹ ಕಟ್ಟುನಿಟ್ಟಾದ ನಿಯಮವಿರುವ ವಲಯಗಳಲ್ಲಿ.

ಉದ್ಯಮದ ಪರಿಣಾಮಗಳು

Bonobo AI ಅನ್ನು ನಿರ್ಮಿಸಿದ ತಂಡದಿಂದ June ಹೊರಹೊಮ್ಮಿದೆ ಮತ್ತು ಈಗಾಗಲೇ Marc Benioff ಅವರ Time Ventures ನೇತೃತ್ವದಲ್ಲಿ $20 ಮಿಲಿಯನ್ ಪ್ರೀ-ಸೀಡ್ ಫಂಡಿಂಗ್ ಅನ್ನು ಪಡೆದಿದೆ. ಈ ಬೆಂಬಲವು, AI ಮೌಲ್ಯದ ಮುಂದಿನ ಅಲೆ ಕೇವಲ ದೊಡ್ಡ ಮಾಡೆಲ್ ಗಾತ್ರಗಳಿಂದಲ್ಲದೆ, ನಿಯೋಜನೆಯ ಘರ್ಷಣೆಯನ್ನು (deployment friction) ಕಡಿಮೆ ಮಾಡುವ ಸಾಫ್ಟ್‌ವೇರ್‌ನಿಂದ ಬರುತ್ತದೆ ಎಂಬ ಹೂಡಿಕೆದಾರರ ವಿಶ್ವಾಸವನ್ನು ಸೂಚಿಸುತ್ತದೆ.

ವಿರೋಧಾತ್ಮಕ ಅಂಶ: ಮಾನವ ಅಂಶ

ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವುದು (Automation) ಎಲ್ಲಾ ಸಂಕೀರ್ಣತೆಗಳನ್ನು ಹೋಗಲಾಡಿಸುವುದಿಲ್ಲ. ಹಳೆಯ ಸಿಸ್ಟಮ್‌ಗಳು (Legacy systems) ಹೆಚ್ಚಾಗಿ ದಾಖಲಿಸದ ಕಸ್ಟಮೈಸೇಶನ್‌ಗಳನ್ನು ಹೊಂದಿರುತ್ತವೆ ಮತ್ತು ಕೆಲವು ಇಂಟಿಗ್ರೇಷನ್ ಪಾಯಿಂಟ್‌ಗಳು ಸ್ಥಿರತೆಯನ್ನು ಅಪಾಯಕ್ಕೆ ಒಡ್ಡದೆ ಮರುಬರೆಯಲಾಗದ ಹಳೆಯ ಕೋಡ್‌ಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತವೆ. June ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ "plumbing" ಹಂತವನ್ನು ವೇಗಗೊಳಿಸಬಹುದು, ಆದರೆ ಸ್ವಯಂಚಾಲಿತ ಪರಿಹಾರಗಳು ವ್ಯವಹಾರದ ನಿಯಮಗಳು ಮತ್ತು ಅನುಸರಣಾ ಆದೇಶಗಳಿಗೆ (compliance mandates) ಅನುಗುಣವಾಗಿವೆ ಎಂದು ದೃಢೀಕರಿಸಲು ಉದ್ಯಮಗಳಿಗೆ ಇನ್ನೂ ಡೊಮೇನ್ ತಜ್ಞರ ಅಗತ್ಯವಿರುತ್ತದೆ.

ಮುಂದೆ ಗಮನಿಸಬೇಕಾದವುಗಳು

  • ಅಳವಡಿಕೆಯ ಮಾಪನಗಳು (Adoption metrics): ಆರಂಭಿಕ ಚರ್ನ್ (churn) ಮತ್ತು ಹೊಸ ಸಂಸ್ಥೆಗಳು ಪೈಲಟ್‌ನಿಂದ ಪ್ರೊಡಕ್ಷನ್‌ಗೆ ಬದಲಾಗುವ ವೇಗವು, ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವಿಕೆಯು ನಿಜವಾಗಿಯೂ ಮಾನವ ಎಂಜಿನಿಯರ್‌ಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ.
  • ನಿಯಂತ್ರಕ ಪ್ರತಿಕ್ರಿಯೆ (Regulatory response): AI ವ್ಯವಹಾರದ ಪ್ರಮುಖ ಕಾರ್ಯಗಳಲ್ಲಿ ಸೇರಿಕೊಳ್ಳುತ್ತಿದ್ದಂತೆ, ನಿಯಂತ್ರಕರು ಸ್ವಯಂಚಾಲಿತ ಇಂಟಿಗ್ರೇಷನ್ ಬಗ್ಗೆ, ವಿಶೇಷವಾಗಿ ಡೇಟಾ ಗೌಪ್ಯತೆಯ ಕುರಿತು ಮಾರ್ಗಸೂಚಿಗಳನ್ನು ಹೊರಡಿಸಬಹುದು.
  • ಸ್ಪರ್ಧಾತ್ಮಕ ಪರಿಸರ (Competitive landscape): ಇತರ ಸ್ಟಾರ್ಟ್‌ಅಪ್‌ಗಳು ಮತ್ತು ಸ್ಥಾಪಿತ ಮಾರಾಟಗಾರರು ತಮ್ಮ ಕ್ಲೌಡ್ ಪ್ಲಾಟ್‌ಫಾರ್ಮ್‌ಗಳೊಂದಿಗೆ AI ನಿಯೋಜನಾ ಸಾಧನಗಳನ್ನು ಸೇರಿಸಲು ಪೈಪೋಟಿ ನಡೆಸುತ್ತಿದ್ದಾರೆ. June ತನ್ನ ಸ್ಕ್ಯಾನಿಂಗ್ ಮತ್ತು ರೆಮೀಡಿಯೇಶನ್ ಇಂಜಿನ್ ಅನ್ನು ಹೇಗೆ ವಿಭಿನ್ನಗೊಳಿಸುತ್ತದೆ ಎಂಬುದು ನಿರ್ಣಾಯಕವಾಗಿರುತ್ತದೆ.
  • ಬೆಲೆ ಪಾರದರ್ಶಕತೆ (Pricing transparency): ಪ್ಲಾಟ್‌ಫಾರ್ಮ್ ವೆಚ್ಚಗಳನ್ನು ಸಾಂಪ್ರದಾಯಿಕ ಕನ್ಸಲ್ಟಿಂಗ್ ಶುಲ್ಕಗಳೊಂದಿಗೆ ಹೋಲಿಸುವುದು ವೆಚ್ಚದ ಬಗ್ಗೆ ಜಾಗರೂಕರಾಗಿರುವ CFOಗಳಿಗೆ ಇದರ ಆಕರ್ಷಣೆಯನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ.

ಎಂಟರ್‌ಪ್ರೈಸ್ AI ನಿಯೋಜನೆಯ ಗೊಂದಲಮಯ ಮತ್ತು ಹಳೆಯ ವ್ಯವಸ್ಥೆಗಳಿಂದ ಕೂಡಿದ ಜಗತ್ತನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುವ June ನ ವಾದವು ಧೈರ್ಯದಿಂದ ಕೂಡಿದೆ ಮತ್ತು CMG ನಲ್ಲಿನ ಆರಂಭಿಕ ಫಲಿತಾಂಶಗಳು ಈ ತಂತ್ರಜ್ಞಾನವು ವಾರಗಳ ಕೆಲಸವನ್ನು ದಿನಗಳ ಮಟ್ಟಕ್ಕೆ ಇಳಿಸಬಹುದು ಎಂದು ಸೂಚಿಸುತ್ತವೆ. ಕನ್ಸಲ್ಟಿಂಗ್ ಸಂಸ್ಥೆಗಳನ್ನು ವ್ಯವಹಾರದಲ್ಲಿ ಇರಿಸುವ ಎಡ್ಜ್ ಕೇಸ್‌ಗಳನ್ನು (edge cases) ಈ ಮಾಡೆಲ್ ಸ್ಥಿರವಾಗಿ ನಿರ್ವಹಿಸಬಲ್ಲದೇ ಎಂಬುದು, AI ಇಂಟಿಗ್ರೇಷನ್ ಮಾರುಕಟ್ಟೆಯು ನಿಜವಾಗಿಯೂ ಜನಸಂಖ್ಯೆ-ಆಧಾರಿತದಿಂದ (people-heavy) ಸಾಫ್ಟ್‌ವೇರ್-ಆಧಾರಿತಕ್ಕೆ (software-heavy) ಬದಲಾಗುತ್ತದೆಯೇ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. "build-on-click" ಎಂಬುದು LLMಗಳನ್ನು ಆದಾಯ ತರುವ ಏಜೆಂಟ್‌ಗಳನ್ನಾಗಿ ಪರಿವರ್ತಿಸಲು ಹೊಸ ಮಾನದಂಡವಾಗುತ್ತದೆಯೇ ಎಂದು ಮುಂದಿನ ಕೆಲವು ತ್ರೈಮಾಸಿಕಗಳು ತಿಳಿಸುತ್ತವೆ.