Agentic AI ਦਾ ਉਭਾਰ: ਕਿਉਂ ਤਕਨੀਕੀ ਟੀਮਾਂ ਆਟੋਮੇਸ਼ਨ ਦੀ ਅਗਵਾਈ ਕਰ ਰਹੀਆਂ ਹਨ

ਜਿਵੇਂ ਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਵਿੱਚ ਉਦਯੋਗਿਕ ਨਿਵੇਸ਼ ਪ੍ਰਯੋਗ ਤੋਂ ਰਣਨੀਤਕ ਲੋੜ ਵੱਲ ਵਧ ਰਿਹਾ ਹੈ, ਮਾਪਣਯੋਗ ROI ਪ੍ਰਾਪਤ ਕਰਨ ਲਈ ਧਿਆਨ Agentic AI ਵੱਲ ਜਾ ਰਿਹਾ ਹੈ। ਜਦੋਂ ਕਿ ਕਾਰਜਕਾਰੀ 2026 ਨੂੰ AI ਅਲਾਈਨਮੈਂਟ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ "inflection year" ਵਜੋਂ ਦੇਖ ਰਹੇ ਹਨ, ਤਕਨੀਕੀ ਮਾਹਰ ਪਹਿਲਾਂ ਹੀ ਆਧੁਨਿਕ IT ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਦੀਆਂ ਵਧਦੀਆਂ ਜਟਿਲਤਾਵਾਂ ਨੂੰ ਸੰਭਾਲਣ ਲਈ agents ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹਨ।

Agentic Workflows ਦੀ ਆਰਥਿਕ ਲੋੜ

Agentic AI ਵੱਲ ਵਧਦਾ ਕਦਮ ਤਕਨਾਲੋਜੀ ਖੇਤਰ ਵਿੱਚ ਆਉਣ ਵਾਲੀ ਆਰਥਿਕ ਤੰਗੀ ਕਾਰਨ ਹੈ। McKinsey ਦੇ ਅਨੁਸਾਰ, 2030 ਤੱਕ IT ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਦੀ ਲਾਗਤ ਦੋ ਤੋਂ ਤਿੰਨ ਗੁਣਾ ਵਧਣ ਦਾ ਅਨੁਮਾਨ ਹੈ, ਭਾਵੇਂ ਕਿ ਸੰਗਠਨਾਤਮਕ ਬਜਟ ਜ਼ਿਆਦਾਤਰ ਸਥਿਰ ਰਹੇ ਹਨ। ਇਹ ਅੰਤਰ AI agents ਲਈ ਸਿਰਫ਼ ਸਧਾਰਨ ਕੰਮਾਂ ਦੇ ਆਟੋਮੇਸ਼ਨ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਪੂਰੇ end-to-end workflows ਦੇ ਪ੍ਰਬੰਧਨ ਅਤੇ ਤਾਲਮੇਲ ਲਈ ਇੱਕ ਵੱਡਾ ਮੌਕਾ ਪੈਦਾ ਕਰਦਾ ਹੈ।

ਰਵਾਇਤੀ ਆਟੋਮੇਸ਼ਨ ਦੇ ਉਲਟ, Agentic AI ਦਾ ਉਦੇਸ਼ ਤਰਕ (reasoning) ਅਤੇ ਤਾਲਮੇਲ ਰਾਹੀਂ ਵਪਾਰਕ ਟੀਚਿਆਂ ਨੂੰ ਪ੍ਰਾਪਤ ਕਰਨਾ ਹੈ, ਜੋ ਇੱਕ ਸਹਿਯੋਗੀ ਮਾਹੌਲ ਬਣਾਉਂਦਾ ਹੈ ਜਿੱਥੇ ਇਨਸਾਨ ਅਤੇ agents ਮਿਲ ਕੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਤਕਨੀਕੀ ਟੀਮਾਂ—ਜਿਸ ਵਿੱਚ ਇੰਜੀਨੀਅਰ, ਡਿਵੈਲਪਰ ਅਤੇ ਆਰਕੀਟੈਕਟ ਸ਼ਾਮਲ ਹਨ—ਲਈ ਵਧਦੀ ਡਾਟਾ ਅਤੇ ਕਲਾਉਡ ਦੀਆਂ ਮੰਗਾਂ ਦੇ ਵਿਚਕਾਰ ਕਾਰਜਸ਼ੀਲ ਕੁਸ਼ਲਤਾ ਬਣਾਈ ਰੱਖਣ ਲਈ ਇਹ ਤਬਦੀਲੀ ਜ਼ਰੂਰੀ ਹੈ।

Data Workflows: Agent ਵਿਸ਼ਵਾਸ ਲਈ ਇੱਕ ਕ੍ਰਾਂਤੀਕਾਰੀ ਖੇਤਰ

300 ਵਿਸ਼ਵਵਿਆਪੀ ਤਕਨਾਲੋਜੀ ਮਾਹਰਾਂ ਦੇ ਇੱਕ ਤਾਜ਼ਾ ਸਰਵੇਖਣ ਤੋਂ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੁਝਾਨ ਦਾ ਪਤਾ ਲੱਗਦਾ ਹੈ: Agentic AI ਵਿੱਚ ਵਿਸ਼ਵਾਸ ਇੱਕਸਾਰ ਨਹੀਂ ਹੈ, ਪਰ ਇਹ ਕੁਝ ਖਾਸ, ਉੱਚ-ਮੁੱਲ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ ਤੇਜ਼ੀ ਨਾਲ ਵਧ ਰਿਹਾ ਹੈ। Data workflows ਇੱਕ ਮੁੱਖ ਕ੍ਰਾਂਤੀਕਾਰੀ ਖੇਤਰ ਵਜੋਂ ਉਭਰੇ ਹਨ ਜਿੱਥੇ ਤਕਨੀਕੀ ਟੀਮਾਂ ਸਭ ਤੋਂ ਵੱਧ ਭਰੋਸਾ ਕਰਦੀਆਂ ਹਨ।

ਕਿਉਂਕਿ ਇਹ workflows ਅਕਸਰ ਸੰਰਚਿਤ (structured) ਅਧਾਰਾਂ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, agents ਇਹਨਾਂ ਕੰਮਾਂ ਵਿੱਚ ਬਹੁਤ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੋ ਰਹੇ ਹਨ:

• Data quality monitoring ਅਤੇ profiling।
• Visualization anomaly detection।
• Real-time data stream monitoring।

ਲੋੜੀਂਦਾ ਸੰਦਰਭ (context) ਪ੍ਰਦਾਨ ਕਰਨ ਲਈ ਖੇਤਰੀ ਮੁਹਾਰਤ ਦੀ ਵਰਤੋਂ ਕਰਕੇ, ਇਹ ਮਾਹਰ agents ਨੂੰ ਅਜਿਹੇ ਮਾਹੌਲ ਵਿੱਚ ਭਰੋਸੇਯੋਗ ਨਤੀਜੇ ਦੇਣ ਦੇ ਯੋਗ ਬਣਾ ਰਹੇ ਹਨ ਜਿੱਥੇ ਸਟੀਕਤਾ (precision) ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ।

Context Gap ਅਤੇ ਵਿਸਤਾਰ ਦਾ ਮਾਰਗ

ਤਕਨੀਕੀ ਕੰਮਾਂ ਵਿੱਚ ਉੱਚ ਵਿਸ਼ਵਾਸ ਦੇ ਬਾਵਜੂਦ, ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਬਣੀ ਹੋਈ ਹੈ: "context gap"। ਹਾਲਾਂਕਿ agents boilerplate code ਜਾਂ ਰਿਪੋਰਟਾਂ ਤਿਆਰ ਕਰਨ ਵਿੱਚ ਮਾਹਰ ਹਨ, ਪਰ ਜਿਵੇਂ-ਜਿਵੇਂ ਕੰਮ ਦੀ ਜਟਿਲਤਾ ਵਧਦੀ ਹੈ, ਉਹਨਾਂ ਦੀ ਤਿਆਰੀ ਘਟ ਜਾਂਦੀ ਹੈ। ਗੁੰਝਲਦਾਰ ਫੈਸਲੇ ਲੈਣ ਲਈ ਡੂੰਘੇ ਵਪਾਰਕ ਸੰਦਰਭ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਮੌਜੂਦਾ context-generation ਸਮਰੱਥਾਵਾਂ ਅਜੇ ਵੀ ਆਪਣੇ ਸ਼ੁਰੂਆਤੀ ਪੜਾਅ ਵਿੱਚ ਹਨ।

ਡਿਵੈਲਪਰਾਂ ਲਈ ਮੁੱਖ ਚੁਣੌਤੀ ਵਪਾਰ ਦੀ ਲੋੜ ਅਨੁਸਾਰ ਖਿੰਡੇ ਹੋਏ ਉਦਯੋਗਿਕ ਡਾਟਾ ਨੂੰ agent lifecycle ਨਾਲ ਜੋੜਨਾ ਅਤੇ ਸੰਭਾਲਣਾ ਹੈ। ਇਸ ਨੂੰ ਪੂਰਾ ਕਰਨ ਲਈ, Microsoft Azure Platform ਦੇ CVP Jeremy Winter ਵਰਗੇ ਉਦਯੋਗਿਕ ਲੀਡਰ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ agents ਨੂੰ ਉਹਨਾਂ ਹੀ ਕਾਰਜਸ਼ੀਲ ਸੀਮਾਵਾਂ, identity systems, ਅਤੇ governance models ਦੇ ਅੰਦਰ ਕੰਮ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਇਨਸਾਨ ਪਹਿਲਾਂ ਹੀ ਵਰਤਦੇ ਹਨ। ਇਹ ਇੱਕਤਾ agents ਨੂੰ ਉਹਨਾਂ ਭਰੋਸੇਯੋਗ ਪ੍ਰਣਾਲੀਆਂ ਵਾਂਗ ਕੰਮ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰੇਗੀ ਜਿਨ੍ਹਾਂ 'ਤੇ ਸੰਗਠਨ ਪਹਿਲਾਂ ਹੀ ਨਿਰਭਰ ਕਰਦੇ ਹਨ।

ਇਹ AI ਲੈਂਡਸਕੇਪ ਲਈ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ

"chatbots" ਤੋਂ "agents" ਵੱਲ ਤਬਦੀਲੀ AI ਦੇ ਰੁਝਾਨ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਬਦਲਾਅ ਹੈ। ਅਸੀਂ ਅਜਿਹੇ ਮਾਡਲਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਰਹੇ ਹਾਂ ਜੋ ਸਿਰਫ਼ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਪ੍ਰਣਾਲੀਆਂ ਵੱਲ ਜੋ ਕਾਰਵਾਈ ਕਰਦੀਆਂ ਹਨ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤਕਨੀਕੀ ਟੀਮਾਂ ਇਹਨਾਂ agents ਦੀ reasoning ਸਮਰੱਥਾ ਅਤੇ ਵਪਾਰਕ ਸੰਦਰਭ ਨੂੰ ਬਿਹਤਰ ਬਣਾਉਂਦੀਆਂ ਹਨ, ਇਨਸਾਨ ਦੀ ਭੂਮਿਕਾ ਇੱਕ ਮੈਨੂਅਲ ਕਾਰਜਕਰਤਾ ਤੋਂ ਇੱਕ ਉੱਚ-ਪੱਧਰੀ orchestrator ਵਿੱਚ ਬਦਲ ਜਾਵੇਗੀ, ਜੋ human-in-the-loop ਨਿਗਰਾਨੀ ਅਤੇ systems thinking 'ਤੇ ਕੇਂਦਰਿਤ ਹੋਵੇਗੀ।

ਮੁੱਖ ਨੁਕਤੇ

• ਆਰਥਿਕ ਕਾਰਕ: ਵਧਦੀ IT ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਲਾਗਤ (ਜੋ 2030 ਤੱਕ ਤਿੰਨ ਗੁਣਾ ਹੋਣ ਦਾ ਅਨੁਮਾਨ ਹੈ) ਕੁਸ਼ਲਤਾ ਬਣਾਈ ਰੱਖਣ ਲਈ Agentic AI ਨੂੰ ਇੱਕ ਵਿੱਤੀ ਲੋੜ ਬਣਾ ਰਹੀ ਹੈ।
• ਅਧਾਰ ਵਜੋਂ ਡਾਟਾ: ਤਕਨੀਕੀ ਮਾਹਰ anomaly detection ਅਤੇ quality monitoring ਵਰਗੇ ਸੰਰਚਿਤ ਡਾਟਾ ਕੰਮਾਂ ਲਈ agents ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਵਿਸ਼ਵਾਸ ਦਿਖਾਉਂਦੇ ਹਨ।
• ਸੰਦਰਭ ਦੀ ਚੁਣੌਤੀ: ਗੁੰਝਲਦਾਰ agentic workflows ਦੇ ਵਿਸਤਾਰ ਵਿੱਚ ਮੁੱਖ ਰੁਕਾਵਟ agent lifecycle ਵਿੱਚ ਡੂੰਘੇ ਵਪਾਰਕ ਸੰਦਰਭ ਨੂੰ ਜੋੜਨ ਦੀ ਮੁਸ਼ਕਲ ਹੈ।