AI क्रांती अभूतपूर्व उत्पादकताचे आश्वासन देत असली तरी, मोठ्या कंपन्यांसमोर एक प्रचंड अडथळा येतो: त्यांना प्रगत मॉडेल्स जुन्या आणि विस्कळीत (legacy) वातावरणात जोडणे शक्य होत नाही. 'June' नावाचे एक नवीन स्टार्टअप, आता महागड्या सल्लागारांच्या सैन्याची गरज भासणाऱ्या प्रक्रिया AI द्वारे स्वयंचलित करून हे उपयोजन (deployment) संकट सोडवण्याचा प्रयत्न करत आहे.
AI अंमलबजावणीचा विरोधाभास
जसे AI मॉडेल्स अधिक सक्षम होत आहेत, तशी मॅन्युअल प्रोफेशनल सर्व्हिसेसची मागणी प्रत्यक्षात वाढत आहे. कंपन्या "Forward-Deployed Engineers" (FDEs) नियुक्त करतात—अशी टीम्स जी एखाद्या संस्थेमध्ये जाऊन कच्च्या AI मॉडेल्सना आणि अस्तित्वात असलेल्या कॉर्पोरेट इन्फ्रास्ट्रक्चरला मॅन्युअली जोडण्याचे काम करते.
सेल्सफोर्सच्या माजी एक्झिक्युटिव्ह एफ्रॅट रापोपोर्ट म्हणतात की, गुंतागुंत व्यवस्थापित करण्यासाठी अधिक लोक नियुक्त करणे हे शाश्वत नाही. ही मॅन्युअल पद्धत एक अडथळा (bottleneck) निर्माण करते, ज्यामुळे अगदी शक्तिशाली LLMs देखील Fortune 500 कंपन्यांना वास्तविक मूल्य प्रदान करण्यास असमर्थ ठरतात.
जुन्या डेटाच्या विस्कळीतपणावर उपाय
सर्वात मोठा अडथळा मॉडेलची बुद्धिमत्ता नसून "त्याखालील विस्कळीतपणा" (mess underneath) आहे. मोठ्या कॉर्पोरेशनमध्ये Salesforce, ServiceNow, Databricks, Workday यांसारख्या विविध प्लॅटफॉर्म्सचा वापर केला जातो, जे तांत्रिक कर्ज (technical debt), डुप्लिकेट फील्ड्स आणि विसंगत वर्कफ्लोने भरलेले असतात.
June चे प्लॅटफॉर्म कंपनीच्या सिस्टम्स स्कॅन करते, त्यांच्या अद्वितीय प्रक्रिया शिकते आणि आपोआप टप्प्याटप्प्याने उपयोजन रोडमॅप (deployment roadmap) तयार करते. मानवी आर्किटेक्ट्सद्वारे इंटिग्रेशन मॅपिंग करण्याऐवजी, June अडथळे शोधते, वापरकर्त्यांना डुप्लिकेट डेटा साफ करण्यास किंवा स्त्रोत जोडण्यास सांगते आणि त्यानंतर आपोआप इंटिग्रेशन तयार करते.
सल्लागार क्षेत्राच्या "ब्लॅक बॉक्स" च्या पलीकडे जाणे
June उच्च-घर्षण आणि उच्च-खर्च असलेल्या मॅन्युअल मॉडेलची जागा एका सेल्फ-सर्व्हिस टूलने घेते. अमेरिकेतील एक प्रमुख मॉर्टगेज लेंडर, CMG साठी, हा बदल क्रांतिकारी आहे. पारंपारिक सल्लागार सेवांद्वारे Claude Code आणि Salesforce सोबत संघर्ष केल्यानंतर, June मुळे त्यांच्या टीमला उपयोजन बिंदू (deployment points) ओळखणे आणि आठवडे अडथळ्यांमध्ये न अडकता पुढे जाणे शक्य झाले.
"प्लंबिंग" (डेटा क्लीनिंग, मॅपिंग, वर्कफ्लो ऑप्टिमायझेशन) स्वयंचलित करून, June कंपन्यांना तज्ज्ञ इंजिनिअर्सच्या मोठ्या संख्येची गरज न ठेवता प्रायोगिक "vibe-coding" कडून स्केलेबल, एजंट-चालित ऑपरेशन्सकडे वळण्यास मदत करते.
AI क्षेत्रासाठी हे का महत्त्वाचे आहे
AI ची पुढची लाट पॅरामीटरच्या संख्येवरून नाही, तर कोण मॉडेल्सना अस्तित्वात असलेल्या आर्थिक इंजिनमध्ये गुंफू शकते, यावरून ठरवली जाईल. जर June यशस्वी झाले, तर उद्योग सेवा-केंद्रित (service-heavy) मॉडेलकडून सॉफ्टवेअर-चालित मॉडेलकडे सरकू शकतो, ज्यामुळे एंटरप्राइझ ऑटोमेशनमधील अडथळे कमी होतील आणि "Agentic Workflow" युगाला गती मिळेल.
मुख्य निष्कर्ष
- इंटिग्रेशनचे ऑटोमेशन: June जटिल legacy सिस्टम्स स्कॅन आणि मॅप करते आणि त्यानंतर डेटा विखंडन आणि तांत्रिक कर्ज सुधारण्यासाठी स्वयंचलित रोडमॅप प्रदान करते.
- मानवी ओव्हरहेड कमी करणे: हे प्लॅटफॉर्म महागड्या Forward-Deployed Engineers ऐवजी सेल्फ-सर्व्हिस, "build-on-click" उपयोजन मॉडेल प्रदान करते.
- मोठ्या दिग्गजांचा पाठिंबा: Bonobo AI च्या टीमने तयार केलेले June, Marc Benioff च्या Time Ventures च्या नेतृत्वाखाली $20 million च्या प्री-सीड फंडिंगने सुरक्षित झाले आहे.
June ने एक AI-आधारित प्लॅटफॉर्म सादर केला आहे जो मोठ्या भाषिक मॉडेल्सना (LLMs) legacy एंटरप्राइझ सिस्टममध्ये आपोआप इंटिग्रेट करतो, आणि महागड्या forward-deployed इंजिनिअरिंग टीम्सची गरज संपवण्याचा दावा करतो.
इंटिग्रेशनचा अडथळा
कंपन्यांनी गेल्या वर्षभरात अधिक शक्तिशाली LLMs खरेदी केले आहेत, तरीही बहुतेक कंपन्या पहिल्याच अडथळ्यावर अडखळतात: त्या मॉडेल्सना ऑन-प्रिम आणि क्लाउड ॲप्लिकेशन्सच्या विस्कळीत रचनेत जोडणे. याचे सामान्य समाधान म्हणजे FDE स्क्वॉड नियुक्त करणे—सल्लागार जे कंपनीमध्ये जाऊन मॅन्युअली डेटा फ्लो मॅप करतात आणि 'glue code' लिहितात.
एफ्रॅट रापोपोर्ट या दृष्टिकोनाला “अशाश्वत” म्हणतात. कर्मचारी संख्या वाढवल्याने डुप्लिकेट फील्ड्स, जुने टेबल्स आणि विखुरलेले वर्कफ्लो दूर होत नाहीत; ते केवळ अपरिहार्य अडथळ्याला पुढे ढकलतात. विरोधाभास स्पष्ट आहे: जसे AI मॉडेल्स अधिक सक्षम होत आहेत, तशी मॅन्युअल अंमलबजावणी सेवांची मागणी कमी होण्याऐवजी वाढत आहे.
June चे प्लॅटफॉर्म कसे काम करते
June ही परिस्थिती बदलून टाकते. क्लायंटच्या वातावरणाचे ऑडिट करण्यासाठी इंजिनिअर्स पाठवण्याऐवजी, हे प्लॅटफॉर्म अस्तित्वात असलेल्या टेक स्टॅकचे—Salesforce, ServiceNow, Databricks, Workday किंवा कस्टम ERP—स्कॅन करण्यासाठी स्वतःचे AI तैनात करते. स्कॅनमुळे डेटा स्कीमा, API एंडपॉइंट्स आणि वर्कफ्लो ट्रिगर्सचा तपशीलवार नकाशा तयार होतो. त्या नकाशावरून, June आपोआप ओळखते:
- अनावश्यक किंवा विखुरलेले डेटा फील्ड्स जे मॉडेल ट्रेनिंगमध्ये अडथळा आणतात
- चुकीचे API कॉन्ट्रॅक्ट्स ज्यामुळे रनटाइम एरर्स येऊ शकतात
- वर्कफ्लोमधील त्रुटी जिथे एक LLM-चालित एजंट मूल्य जोडू शकतो
त्यानंतर प्लॅटफॉर्म एक उपचारात्मक योजना (remediation plan) तयार करतो, ज्यामध्ये वापरकर्त्याला टेबल्समधील डुप्लिकेट्स काढणे किंवा सुरक्षित डेटा पाइपलाइन स्थापित करणे यांसारख्या क्लिन-अप कृतींना मंजुरी देण्यास सांगितले जाते. एकदा मंजुरी मिळाल्यावर, तोच AI इंजिन बदल कार्यान्वित करतो, कनेक्टर्स तयार करतो आणि LLM ला मॅनेज्ड सर्व्हिस म्हणून तैनात (deploy) करतो.
प्रत्यक्ष व्यवहारात, ही कार्यप्रणाली अनेक आठवड्यांच्या कन्सल्टिंग प्रक्रियेची जागा एका "build-on-click" अनुभवाने घेते. अंतर्गत टीम्स बाह्य इंजिनिअर्सची वाट न पाहता इंटिग्रेशन्सवर काम करू शकतात.
एक वास्तविक जगातील टेस्ट केस
अमेरिकेतील एक प्रमुख मॉर्टगेज लेंडर, CMG ला Claude Code—एक संवादात्मक AI टूल—त्याच्या Salesforce इन्स्टन्सशी जोडण्यासाठी संघर्ष करावा लागला. पारंपारिक आर्किटेक्चरल कन्सल्टिंगमुळे कंपनीला अनेक मीटिंग्स कराव्या लागल्या, ज्यामुळे कामात आठवड्यांचा विलंब होत होता. June च्या प्लॅटफॉर्मवर स्विच केल्यानंतर, CMG च्या कर्मचाऱ्यांनी नेमके इंटिग्रेशन पॉइंट्स शोधले, ऑटोमेटेड क्लिनअप चालवले आणि काही आठवड्यांच्या ऐवजी काही दिवसांतच LLM लाँच केले. परिणाम: एक कार्यक्षम एजंट जो बाह्य FDE क्रूशिवाय अंडररायटिंगच्या शंकांचे निरसन करतो.
काय धोक्यात आहे
ही पद्धत असे गृहीत धरते की AI कंपनीची डेटा-गव्हर्नन्स पॉलिसीज, सुरक्षा मर्यादा आणि नियामक आवश्यकता (regulatory requirements) विश्वसनीयपणे समजू शकते. चुकीच्या पद्धतीने कॉन्फिगर केलेला कनेक्टर ग्राहकांची संवेदनशील माहिती उघड करू शकतो किंवा पुढील प्रक्रियेत बिघाड (downstream failures) घडवून आणू शकतो. टीकाकारांचा इशारा आहे की पूर्णपणे ऑटोमेटेड इंटिग्रेशनसाठी अजूनही मानवी देखरेखीची (human safety net) गरज भासू शकते, विशेषतः वित्त किंवा आरोग्य सेवा यांसारख्या कडक नियमावली असलेल्या क्षेत्रांमध्ये.
उद्योगावरील परिणाम
June ची निर्मिती Bonobo AI बनवणाऱ्या टीममधून झाली असून, त्यांनी Marc Benioff च्या Time Ventures च्या नेतृत्वाखाली $20 दशलक्ष प्री-सीड फंडिंग मिळवले आहे. हे पाठबळ गुंतवणूकदारांचा विश्वास दर्शवते की AI मूल्याची पुढची लाट मोठ्या मॉडेल आकारांमधून नाही, तर डिप्लॉयमेंटमधील अडथळे कमी करणाऱ्या सॉफ्टवेअरमधून येईल.
प्रतिवाद: मानवी घटक
ऑटोमेशनमुळे सर्व गुंतागुंत संपत नाही. लेगसी सिस्टम्समध्ये अनेकदा दस्तऐवजीकरण नसलेले कस्टमायझेशन्स असतात आणि काही इंटिग्रेशन पॉइंट्समध्ये असा लेगसी कोड असतो जो स्थिरता धोक्यात न आणता पुन्हा लिहिला जाऊ शकत नाही. June चे प्लॅटफॉर्म "plumbing" टप्पा वेगवान करू शकते, परंतु ऑटोमेटेड सुधारणा बिझनेस रूल्स आणि कंप्लायन्स मॅन्डेट्सशी सुसंगत आहेत की नाही हे तपासण्यासाठी कंपन्यांना अजूनही डोमेन तज्ज्ञांची गरज भासेल.
पुढे काय पाहावे
- अडॉपशन मेट्रिक्स (Adoption metrics): सुरुवातीचा चर्न (churn) आणि नवीन कंपन्या पायलट ते प्रोडक्शनकडे ज्या वेगाने जातात, त्यावरून ऑटोमेशन खरोखर मानवी इंजिनिअर्सची जागा घेते की नाही हे स्पष्ट होईल.
- नियामक प्रतिसाद (Regulatory response): जसा AI मुख्य व्यावसायिक कार्यांमध्ये समाविष्ट होईल, तसे नियामक संस्था ऑटोमेटेड इंटिग्रेशनवर, विशेषतः डेटा प्रायव्हसीबाबत मार्गदर्शक तत्त्वे जारी करू शकतात.
- स्पर्धात्मक वातावरण (Competitive landscape): इतर स्टार्टअप्स आणि प्रस्थापित विक्रेते त्यांच्या क्लाउड प्लॅटफॉर्मसोबत AI डिप्लॉयमेंट टूल्स जोडण्यासाठी स्पर्धा करत आहेत. June आपले स्कॅनिंग आणि रिमेडिएशन इंजिन कसे वेगळे सिद्ध करते, हे महत्त्वाचे ठरेल.
- किंमत पारदर्शकता (Pricing transparency): प्लॅटफॉर्मचा खर्च पारंपारिक कन्सल्टिंग फीशी तुलना केल्यावर, खर्च-जाणीव असलेल्या CFOs साठी त्याचे आकर्षण किती असेल हे ठरवले जाईल.
गुंतागुंतीच्या आणि लेगसी-युक्त एंटरप्राइझ AI डिप्लॉयमेंटला ऑटोमेट करण्याची June ची दावा धाडसी आहे आणि CMG मधील सुरुवातीचे निकाल सूचित करतात की हे तंत्रज्ञान आठवड्यांचे काम काही दिवसांत पूर्ण करू शकते. कन्सल्टिंग कंपन्यांना व्यवसायात टिकवून ठेवणारे 'एज केसेस' (edge cases) हे मॉडेल सातत्याने हाताळू शकते का, यावरून AI इंटिग्रेशन मार्केट खरोखर 'पीपल-हेवी' कडून 'सॉफ्टवेअर-हेवी' कडे वळेल की नाही हे ठरेल. "build-on-click" हे LLMs ला महसूल मिळवून देणाऱ्या एजंट्समध्ये रूपांतरित करण्यासाठी नवीन मानक बनेल की नाही, हे येत्या काही तिमाहीत समजेल.