ही चेतावणी आता का महत्त्वाची आहे

गेल्या वर्षभरात बाजारपेठ लार्ज-लँग्वेज-मॉडेल (LLM) सेवांनी भरून गेली आहे, ज्या कच्च्या डेटाचे (raw data) त्वरित माहिती (insights), कोड किंवा चॅटमध्ये रूपांतर करण्याचे आश्वासन देतात. कंपन्यांनी घाईघाईने, त्यांचे मालकी हक्क असलेले प्रॉम्प्ट्स (prompts), अंतर्गत दस्तऐवज आणि वापराचे लॉग (usage logs) अशा पहिल्याच विक्रेत्याकडे सोपवले, जो एखादे कार्यरत समाधान देऊ शकत होता.

ही सोय एक छुपा अवलंबित्व (dependency) निर्माण करते. वापराचा डेटा आणि मेटाडेटा (metadata) स्वतःकडे न ठेवल्यामुळे, एखादी संस्था स्वतःचे 'मॉडेल वेट्स' (model weights) प्रशिक्षित करण्याची क्षमता गमावते, ज्यामुळे तिचे "मेंदू" एका अशा 'ब्लॅक बॉक्स'मध्ये अडकले जाते ज्याची ती तपासणी किंवा हलवू शकत नाही. जर विक्रेत्याने किमती वाढवल्या, अटी बदलल्या किंवा सेवा खंडित झाली, तर क्लायंटच्या मुख्य प्रक्रिया ठप्प होऊ शकतात.

तुमचा मेंदू आउटसोर्स करण्याची किंमत

नाडेला यांनी या समस्येचे वर्णन 'बौद्धिक सार्वभौमत्वाचा' (intellectual sovereignty) ऱ्हास म्हणून केले आहे. क्लोज्ड-लूप सिस्टममध्ये, एखाद्या संस्थेचे अद्वितीय वर्कफ्लो आणि डोमेन ज्ञान हे प्रदात्याच्या (provider) ट्रेनिंग सेटचा भाग बनतात, परंतु संस्थेला कधीही प्रशिक्षित पॅरामीटर्स (parameters) मिळत नाहीत. त्या वेट्सशिवाय, कंपनी स्वतःचे कौशल्य पुनरुत्पादित करण्यासाठी ओपन मॉडेलला 'फाईन-ट्यून' (fine-tune) करू शकत नाही किंवा त्यांच्या डेटाचा वापर कसा केला जातो याचे ऑडिटही करू शकत नाही.

याचे व्यावहारिक परिणाम स्पष्ट आहेत:

  • स्पर्धात्मक गळती (Competitive leakage): एखादी प्रबळ AI लॅब क्लायंटच्या विशिष्ट (niche) वर्कफ्लोचा अभ्यास करू शकते आणि ती क्षमता स्वतःच्या उत्पादन श्रेणीमध्ये समाविष्ट करू शकते, ज्यामुळे प्रभावीपणे क्लायंटच्या व्हॅल्यू प्रपोझिशनची (value proposition) नक्कल केली जाते.

मॉडेलपासून हार्नेस (harness) वेगळा करणे

नाडेला यांनी सुचवलेला उपाय म्हणजे एक 'मॉड्युलर आर्किटेक्चर' (modular architecture), जे व्यवसायाची ॲप्लिकेशन्स आणि कोणताही डाउनस्ट्रीम मॉडेल यांच्यामध्ये "AI गेटवे" (AI gateway) बसवते. हा गेटवे प्रॉम्प्ट्स फॉरमॅट करतो, संदर्भ (context) जोडतो आणि निकाल पोहोचवतो (routes), तर मॉडेल हा एक बदलता येण्याजोगा घटक (replaceable component) म्हणून राहतो. या सेटअपमध्ये, कंपनीची स्मृती—संभाषणाचा इतिहास, मेटाडेटा आणि वापराचे लॉग—तिच्या स्वतःच्या इन्फ्रास्ट्रक्चरवर राहते.

त्यांनी या फायद्यांचे तीन स्तंभांमध्ये वर्गीकरण केले आहे:

  • चपळता (Agility) टिकवून ठेवा – जेव्हा एखादे स्वस्त किंवा अधिक सक्षम मॉडेल उपलब्ध होते, तेव्हा संपूर्ण स्टॅक पुन्हा न लिहिता गेटवे त्याकडे वळतो.
  • धोका कमी करा (Mitigate risk) – जर प्रदात्याने त्याच्या SLA मध्ये बदल केला किंवा सेवा खंडित झाली, तर गेटवे पर्यायी इंजिनवर स्विच होतो, ज्यामुळे महत्त्वाचे वर्कफ्लो सुरू राहतात.
  • विशेषीकरण (Specialize) – हलकी, ओपन-वेट मॉडेल्स नियमित वर्गीकरणाची (classification) कामे हाताळतात, तर एक विशाल प्रोप्रायटरी LLM सखोल तर्कशुद्ध (deep-reasoning) कामांना हाताळते, ज्यामुळे खर्च आणि कामगिरीचे (performance) अनुकूलन होते.

प्लॅटफॉर्म प्लेबुकचे धोके

"प्लॅटफॉर्म प्लेबुक" अशा मॉडेलचे वर्णन करते जिथे एक AI विक्रेता 'टर्नकी सोल्यूशन'च्या (turnkey solution) बदल्यात क्लायंटच्या अंतर्गत प्रक्रियांमध्ये खोलवर प्रवेश मिळवतो. हा प्रवेश विक्रेत्याला क्लायंटच्या कामकाजाचा तपशीलवार नकाशा देतो, ज्यामुळे एक धोरणात्मक असुरक्षितता (strategic vulnerability) निर्माण होते. ज्या स्टार्टअप्सचा मुख्य आधार (moat) त्यांचा प्रोप्रायटरी AI वर्कफ्लो आहे, त्यांच्यासाठी हा धोका तीव्र आहे: तीच लॅब तो वर्कफ्लो स्वतःच्या अंतर्गत प्रक्रियेत समाविष्ट करून स्पर्धात्मक सेवा सुरू करू शकते, ज्यामुळे क्लायंटचा बाजारपेठेतील फायदा नष्ट होऊ शकतो.

प्रतिवाद: साधेपणा विरुद्ध लवचिकता

यातील तडजोड (trade-off) स्पष्ट आहे. साधेपणामुळे 'लॉक-इन' (lock-in) निर्माण होते. जे कंपन्या सार्वभौमत्वापेक्षा वेळेला प्राधान्य देतात, त्यांना कालांतराने अधिक शुल्क भरावे लागू शकते किंवा जर प्रदात्याचा रोडमॅप त्यांच्या गरजांपासून वेगळा झाला, तर त्यांना महत्त्वाच्या प्रक्रिया पुन्हा तयार करण्यासाठी धडपड करावी लागू शकते.

काय लक्ष ठेवायचे

  • ओपन-सोर्स मॉडेल इकोसिस्टम्स – जे प्रकल्प परवानगी देणाऱ्या (permissive) परवान्यांतर्गत मॉडेल वेट्स प्रकाशित करतात, ते लोकप्रिय होत आहेत आणि प्रोप्रायटरी सेवांना एक सक्षम पर्याय देत आहेत.
  • मल्टी-मॉडेल ऑर्केस्ट्रेशन प्लॅटफॉर्म्स – उदयोन्मुख साधने विविध (heterogeneous) AI बॅक-एंड्समध्ये राउटिंग, कॅशिंग आणि मॉनिटरिंग व्यवस्थापित करतात, ज्यामुळे गेटवे संकल्पना राबवणे सोपे होते.