OpenAI, Anthropic ਅਤੇ Google ਵਿੱਚੋਂ ਹਰੇਕ ਨੇ ਸਤੰਬਰ 2026 ਵਿੱਚ ਇੱਕ ਨਵਾਂ AI-agent ਪਲੇਟਫਾਰਮ ਲਾਂਚ ਕੀਤਾ ਹੈ। ਇਹ ਰੋਲਆਊਟਸ ਇੱਕ ਅਜਿਹੀ ਸਮਰੱਥਾ ਜੋੜਦੇ ਹਨ ਜੋ ਇੱਕ ਡਿਵੈਲਪਰ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚੋਂ ਕਈ ਘੰਟੇ ਬਚਾ ਸਕਦੀ ਹੈ: OpenAI ਦਾ parallel-runtime scheduler, Anthropic ਦਾ built-in rollback ਵਾਲਾ YAML-ਅਧਾਰਤ flow engine, ਅਤੇ Google ਦਾ cross-agent ਡਾਟਾ ਸ਼ੇਅਰਿੰਗ ਲਈ shared “Agent Drive” filesystem। ਇਹ ਐਲਾਨ AI agents ਨੂੰ ਪ੍ਰੋਟੋਟਾਈਪ ਪੜਾਅ ਤੋਂ ਬਾਹਰ ਕੱਢ ਕੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਾਫਟਵੇਅਰ ਸਟੈਕ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਲੈ ਆਉਂਦੇ ਹਨ।

ਹੁਣ ਇਹ ਕਾਹਲੀ ਕਿਉਂ?

ਪਿਛਲੇ ਦੋ ਸਾਲਾਂ ਨੇ AI assistants ਨੂੰ ਅਜਿਹੇ autonomous agents ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ ਹੈ ਜੋ ਮਨੁੱਖੀ ਕਲਿੱਕ ਤੋਂ ਬਿਨਾਂ ਯੋਜਨਾ ਬਣਾਉਂਦੇ ਹਨ, ਡਾਟਾ ਲਿਆਉਂਦੇ ਹਨ ਅਤੇ ਕੋਡ ਚਲਾਉਂਦੇ ਹਨ। ਕੰਪਨੀਆਂ ਪਹਿਲਾਂ ਹੀ cloud services ਨੂੰ ਜੋੜਨ, ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕਰਨ ਅਤੇ nightly batch jobs ਚਲਾਉਣ ਲਈ agents ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੀਆਂ ਹਨ। ਇਸ ਗਤੀ ਨੇ ਤਿੰਨ ਗੁੰਮ ਹੋਈਆਂ ਕੜੀਆਂ ਦੀ ਮੰਗ ਪੈਦਾ ਕੀਤੀ ਹੈ: ਇੱਕੋ ਸਮੇਂ ਕਈ agent tasks ਚਲਾਉਣ ਦਾ ਤਰੀਕਾ, multi-step workflows ਦਾ ਵਰਣਨ ਕਰਨ ਦਾ ਇੱਕ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ, ਅਤੇ ਇੱਕ ਸੁਰੱਖਿਅਤ shared storage layer ਜੋ agents ਨੂੰ ਇੱਕ ਦੂਜੇ ਦੇ ਕੰਮ ਵਿੱਚ ਦਖਲ ਦੇਣ ਤੋਂ ਰੋਕਦੀ ਹੈ।

OpenAI ਦਾ parallel agent runtime

OpenAI ਦਾ GPT-5.4 Pro ਇੱਕ “Task-Slice Scheduler” ਜੋੜਦਾ ਹੈ ਜੋ ਆਪਣੇ ਆਪ ਇੱਕ ਵੱਡੀ ਬੇਨਤੀ (request) ਨੂੰ ਦਰਜਨਾਂ ਸੁਤੰਤਰ slices ਵਿੱਚ ਵੰਡ ਦਿੰਦਾ ਹੈ। ਇਸ ਤੋਂ ਬਾਅਦ text generation, image creation ਅਤੇ code execution ਵੱਖ-ਵੱਖ compute slots 'ਤੇ ਇੱਕ ਦੂਜੇ ਦੇ ਨਾਲ ਚੱਲਦੇ ਹਨ। ਸਾਡੇ ਟੈਸਟਾਂ ਵਿੱਚ, scheduler ਨੇ ਪਿਛਲੇ single-threaded ਮਾਡਲ ਦੇ ਮੁਕਾਬਲੇ end-to-end latency ਨੂੰ 3.8 × ਘਟਾ ਦਿੱਤਾ। image-plus-caption ਬੇਨਤੀਆਂ ਦਾ ਇੱਕ ਬੈਚ ਜਿਸ ਨੂੰ ਪਹਿਲਾਂ ਮਿੰਟ ਲੱਗਦੇ ਸਨ, ਹੁਣ ਇੱਕ ਮਿੰਟ ਤੋਂ ਵੀ ਘੱਟ ਸਮੇਂ ਵਿੱਚ ਪੂਰਾ ਹੋ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਹੋਰ ਸੇਵਾਵਾਂ ਲਈ compute cycles ਵਿਲ Verfüਧ ਹੋ ਜਾਂਦੇ ਹਨ।

Anthropic ਦਾ YAML-driven flow engine

Anthropic ਦਾ Claude 4.6 Opus ਉਨ੍ਹਾਂ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਨਿਸ਼ਾਨਾ ਬਣਾਉਂਦਾ ਹੈ ਜੋ ਕਿਸੇ ਪ੍ਰਕਿਰਿਆ (process) ਨੂੰ ਰੋਕਣ ਲਈ ਇੱਕ ਸਿੰਗਲ-ਸਟੈਪ ਫੇਲ੍ਹ ਹੋਣ ਦਾ ਜੋਖਮ ਨਹੀਂ ਲੈ ਸਕਦੇ। ਨਵਾਂ “Agentic Flow Engine” ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ plain YAML (ਇੱਕ ਮਨੁੱਖ ਦੁਆਰਾ ਪੜ੍ਹਨਯੋਗ markup language) ਵਿੱਚ workflow steps ਲਿਖਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਹਰ ਸਟੈਪ ਆਪਣੇ inputs, outputs ਅਤੇ ਲੋੜੀਂਦੀਆਂ permissions ਨੂੰ ਐਲਾਨਦਾ ਹੈ, ਅਤੇ engine execution ਤੋਂ ਪਹਿਲਾਂ ਫਾਈਲ ਦੀ ਜਾਂਚ (validate) ਕਰਦਾ ਹੈ। ਜੇਕਰ ਕੋਈ ਸਟੈਪ ਗਲਤੀ (error) ਦਿੰਦਾ ਹੈ, ਤਾਂ engine ਆਪਣੇ ਆਪ ਆਖਰੀ ਜਾਣੇ-ਪਛਾਣੇ ਸਹੀ ਸਟੇਟ (last known good state) 'ਤੇ ਵਾਪਸ (roll back) ਚਲਾ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਡਾਟਾ ਦੀ ਅਖੰਡਤਾ (data integrity) ਬਣੀ ਰਹਿੰਦੀ ਹੈ। Rollback ਫੀਚਰ ਨਿਯਮਤ ਖੇਤਰਾਂ—ਫਾਈਨਾਂਸ, ਹੈਲਥਕੇਅਰ ਅਤੇ ਐਨਰਜੀ—ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਜਿੱਥੇ ਇੱਕ ਗਲਤ write ਕਾਰਨ compliance ਜੁਰਮਾਨੇ ਲੱਗ ਸਕਦੇ ਹਨ।

Google ਦਾ Agent Stack

Google ਨੇ “Agent Stack” ਦੇ ਬੈਨਰ ਹੇਠ ਤਿੰਨ ਟੂਲ ਇਕੱਠੇ ਕੀਤੇ ਹਨ:

  • Agent Studio – ਇੱਕ visual designer ਜੋ compliance templates (ਜਿਵੇਂ ਕਿ GDPR, HIPAA) ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ ਤਾਂ ਜੋ ਟੀਮਾਂ agents ਨੂੰ ਟ੍ਰੇਨ ਕਰਦੇ ਸਮੇਂ policy checks ਨੂੰ ਸ਼ਾਮਲ ਕਰ ਸਕਣ।
  • Agent Search – ਇੱਕ index ਜੋ ਕੰਪਨੀ ਦੀਆਂ SaaS apps ਤੱਕ ਫੈਲਿਆ ਹੋਇਆ ਹੈ, ਜੋ agents ਨੂੰ ਇੱਕ ਸਿੰਗਲ query ਨਾਲ Slack, Confluence, CRM systems ਅਤੇ ਹੋਰਾਂ ਤੋਂ context ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ।
  • Agent Drive – ਇੱਕ shared filesystem ਜੋ ਪ੍ਰੋਜੈਕਟ ਦੇ ਹਰ agent ਨੂੰ ਇੱਕ ਸਿੰਗਲ namespace ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਇੱਕ agent ਦੁਆਰਾ ਲਿਖੀਆਂ ਫਾਈਲਾਂ ਦੂਜਿਆਂ ਨੂੰ ਤੁਰੰਤ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ, ਅਤੇ built-in conflict-resolution ਨਿਯਮ ਇੱਕੋ ਸਮੇਂ ਹੋਣ ਵਾਲੇ writes ਨੂੰ ਡਾਟਾ ਖਰਾਬ ਕਰਨ ਤੋਂ ਰੋਕਦੇ ਹਨ।

ਇਹ stack agents ਨੂੰ ਇੱਕ “single source of truth” ਦਿੰਦਾ ਹੈ ਜਿਸ ਲਈ ਪਹਿਲਾਂ ad-hoc APIs ਜਾਂ temporary storage buckets ਦੀ ਲੋੜ ਹੁੰਦੀ ਸੀ।

ਡਿਵੈਲਪਰਾਂ ਨੂੰ ਕਿਸ ਚੀਜ਼ ਵੱਲ ਧਿਆਨ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ

  1. Agent filesystem ਅਪਣਾਓ – ਕਈ ਬੋਟਸ ਚਲਾਉਣ ਵਾਲੀਆਂ ਟੀਮਾਂ Agent Drive ਵਰਗੇ shared storage ਮਾਡਲ 'ਤੇ ਜਾ ਸਕਦੀਆਂ ਹਨ, ਜਿਸ ਨਾਲ custom sync scripts ਦੀ ਲੋੜ ਖਤਮ ਹੋ ਜਾਂਦੀ ਹੈ ਅਤੇ race conditions ਘਟਦੀਆਂ ਹਨ।
  2. Parallel runtimes ਵੱਲ ਵਧੋ – OpenAI ਦਾ scheduler ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ parallelism ਅਸਲ workloads 'ਤੇ ਮਾਪਣਯੋਗ latency ਲਾਭ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਉਮੀਦ ਹੈ ਕਿ ਹੋਰ ਵੈਂਡਰ ਵੀ ਇਸ ਦੀ ਪਾਲਣਾ ਕਰਨਗੇ, ਇਸ ਲਈ ਆਪਣੇ agents ਨੂੰ slice-ability ਲਈ profile ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੋ।
  3. Policies ਨੂੰ code ਵਜੋਂ ਮੰਨੋ – Anthropic ਦੇ YAML schemas ਦਿਖਾਉਂਦੇ ਹਨ ਕਿ security ਅਤੇ compliance ਨੂੰ business logic ਦੇ ਨਾਲ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ। Workflow definitions ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ 'ਤੇ privacy rules ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਨਾਲ audits ਆਸਾਨ ਹੋ ਜਾਂਦੇ ਹਨ ਅਤੇ ਅਚਾਨਕ ਡਾਟਾ ਲੀਕ ਹੋਣ ਦੇ ਖ਼ਤਰੇ ਘਟ ਜਾਂਦੇ ਹਨ।

ਦੂਜਾ ਪਹਿਲੂ

ਨਵੀਆਂ ਸਮਰੱਥਾਵਾਂ ਚਿੰਤਾਵਾਂ ਵੀ ਪੈਦਾ ਕਰਦੀਆਂ ਹਨ।

ਅੱਗੇ ਕੀ ਹੈ?

ਸਿੱਟਾ

ਸਤੰਬਰ ਦੀਆਂ ਰਿਲੀਜ਼ਾਂ AI agents ਨੂੰ niche assistants ਤੋਂ ਬਦਲ ਕੇ infrastructure-level services ਬਣਾ ਦਿੰਦੀਆਂ ਹਨ। Parallel runtimes, YAML-driven flow control ਅਤੇ shared filesystems ਨੂੰ ਅਪਣਾ ਕੇ, ਡਿਵੈਲਪਰ latency ਘਟਾ ਸਕਦੇ ਹਨ, ਭਰੋਸੇਯੋਗਤਾ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ compliance ਨੂੰ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਆਪਣੇ code ਵਿੱਚ ਸ਼ਾਮਲ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਦਾ ਨੁਕਸਾਨ ਵਧਿਆ ਹੋਇਆ ਜਟਿਲਤਾ (complexity) ਅਤੇ ਸਖ਼ਤ resource monitoring ਹੈ, ਪਰ ਇਸ ਦਾ ਫਾਇਦਾ—ਤੇਜ਼, ਵਧੇਰੇ ਭਰੋਸੇਮੰਦ agents—ਸਾਫਟਵੇਅਰ ਟੀਮਾਂ ਦੁਆਰਾ ਅੱਜ ਦੇ workloads ਨੂੰ ਆਟੋਮੇਟ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਮੁੜ ਰੂਪ ਦੇਣ ਲਈ ਤਿਆਰ ਜਾਪਦਾ ਹੈ।