ஏஜென்டிக் AI-ன் எழுச்சி: தொழில்நுட்பக் குழுக்கள் ஏன் தானியங்கிமயமாக்கலின் எல்லையை முன்னெடுத்துச் செல்கின்றன

செயற்கை நுண்ணறிவு (AI) குறித்த நிறுவனங்களின் முதலீடு, சோதனையிலிருந்து மூலோபாயத் தேவையாக மாறிவரும் நிலையில், அளவிடக்கூடிய ROI-ஐ (முதலீட்டு வருவாய்) ஈர்ப்பதற்காக ஏஜென்டிக் AI (agentic AI) நோக்கி கவனம் திரும்புகிறது. நிர்வாகிகள் 2026-ஆம் ஆண்டை AI சீரமைப்பிற்கான (AI alignment) ஒரு முக்கிய "திருப்புமுனை ஆண்டாக"க் கருதுகின்றனர், ஆனால் தொழில்நுட்ப வல்லுநர்கள் நவீன IT உள்கட்டமைப்பின் மிக வேகமாக அதிகரித்து வரும் சிக்கல்களைக் கையாள ஏற்கனவே ஏஜென்ட்களைப் (agents) பயன்படுத்தத் தொடங்கிவிட்டனர்.

ஏஜென்டிக் பணிப்பாய்வுகளின் பொருளாதாரத் தேவை

தொழில்நுட்பத் துறையில் நெருங்கி வரும் பொருளாதார நெருக்கடியே ஏஜென்டிக் AI-க்கான உந்துசக்தியாக உள்ளது. McKinsey நிறுவனத்தின் கூற்றுப்படி, நிறுவனங்களின் பட்ஜெட்டுகள் பெரும்பாலும் தேக்கமடைந்த நிலையிலேயே இருந்தாலும், 2030-ஆம் ஆண்டிற்குள் IT உள்கட்டமைப்புச் செலவுகள் இரண்டு முதல் மூன்று மடங்கு வரை அதிகரிக்கும் என்று கணிக்கப்பட்டுள்ளது. இந்த இடைவெளி, AI ஏஜென்ட்கள் வெறும் எளிய பணிகளைத் தானியங்கிமயமாக்குவதைத் தாண்டி, முழுமையான பணிப்பாய்வுகளை (end-to-end workflows) நிர்வகிப்பதற்கும் ஒருங்கிணைப்பதற்கும் ஒரு மிகப்பெரிய வாய்ப்பை உருவாக்குகிறது.

பாரம்பரிய தானியங்கி முறையைப் போலல்லாமல், ஏஜென்டிக் AI பகுத்தறிவு மற்றும் ஒருங்கிணைப்பு மூலம் வணிக இலக்குகளை அடைய முயல்கிறது. இது மனிதர்களும் ஏஜென்ட்களும் இணைந்து செயல்படும் ஒரு கூட்டுச் சூழலை உருவாக்குகிறது. பொறியாளர்கள், டெவலப்பர்கள் மற்றும் ஆர்க்கிடெக்ட்கள் உள்ளிட்ட தொழில்நுட்பக் குழுக்களுக்கு, அதிகரித்து வரும் தரவு மற்றும் கிளவுட் (cloud) தேவைகளுக்கு மத்தியில் செயல்பாட்டுத் திறனைத் தக்கவைக்க இந்த மாற்றம் அவசியமானது.

தரவுப் பணிப்பாய்வுகள்: ஏஜென்ட்கள் மீதான நம்பிக்கையை அதிகரிக்கும் முக்கியத் துறை

300 உலகளாவிய தொழில்நுட்ப வல்லுநர்களிடம் நடத்தப்பட்ட சமீபத்திய ஆய்வு ஒரு குறிப்பிடத்தக்க போக்கைக் காட்டுகிறது: ஏஜென்டிக் AI மீதான நம்பிக்கை அனைத்துத் துறைகளிலும் சீராக இல்லை, ஆனால் குறிப்பிட்ட அதிக மதிப்புள்ள துறைகளில் அது வேகமாக உயர்ந்து வருகிறது. தொழில்நுட்பக் குழுக்கள் அதிக நம்பிக்கையை வெளிப்படுத்தும் முதன்மையான முன்னேற்றத் துறையாக தரவுப் பணிப்பாய்வுகள் (Data workflows) உருவெடுத்துள்ளன.

இந்த பணிப்பாய்வுகள் பெரும்பாலும் கட்டமைக்கப்பட்ட அடித்தளங்களைச் சார்ந்திருப்பதால், ஏஜென்ட்கள் பின்வரும் பணிகளில் மிகவும் பயனுள்ளதாக நிரூபிக்கப்படுகின்றன:

• தரக் கண்காணிப்பு (Data quality monitoring) மற்றும் தரவுப் பகுப்பாய்வு (profiling).
• காட்சிப்படுத்தல் முரண்பாடு கண்டறிதல் (Visualization anomaly detection).
• நிகழ்நேர தரவு ஓட்டக் கண்காணிப்பு (Real-time data stream monitoring).

தேவையான சூழலை (context) வழங்கத் துறை சார்ந்த நிபுணத்துவத்தைப் பயன்படுத்துவதன் மூலம், துல்லியம் மிக அவசியமான சூழல்களில் நம்பகமான முடிவுகளை ஏஜென்ட்கள் வழங்க இந்த நிபுணர்கள் வழிவகை செய்கிறார்கள்.

சூழல் இடைவெளியும் விரிவாக்கத்திற்கான வழிமுறையும்

தொழில்நுட்பப் பணிகளில் அதிக நம்பிக்கை இருந்தபோதிலும், ஒரு முக்கியத் தடை உள்ளது: அதுதான் "சூழல் இடைவெளி" (context gap). ஏஜென்ட்கள் அடிப்படை குறியீடுகள் (boilerplate code) அல்லது அறிக்கைகளை உருவாக்குவதில் சிறந்து விளங்கினாலும், பணிகளின் சிக்கல்தன்மை அதிகரிக்கும் போது அவற்றின் தயார்நிலை குறைகிறது. சிக்கலான முடிவெடுத்தலுக்கு ஆழமான வணிகச் சூழல் தேவைப்படுகிறது, மேலும் தற்போதைய சூழலை உருவாக்கும் திறன்கள் இன்னும் ஆரம்ப நிலையிலேயே உள்ளன.

சிதறிக் கிடக்கும் நிறுவனத் தரவுகளை வணிகத்திற்குத் தேவையான வேகத்தில் ஏஜென்ட் வாழ்க்கைச் சுழற்சியுடன் (agent lifecycle) இணைப்பதே டெவலப்பர்களுக்கு இருக்கும் முதன்மையான சவாலாகும். இதைச் சரிசெய்ய, Microsoft Azure Platform-ன் CVP ஆன Jeremy Winter போன்ற தொழில்துறை தலைவர்கள், மனிதர்கள் ஏற்கனவே பயன்படுத்தும் அதே செயல்பாட்டு எல்லைகள், அடையாள அமைப்புகள் மற்றும் நிர்வாக மாதிரிகளுக்குள் (governance models) ஏஜென்ட்கள் செயல்பட வேண்டும் என்று பரிந்துரைக்கின்றனர். நிறுவனங்கள் ஏற்கனவே நம்பியிருக்கும் நம்பகமான அமைப்புகளைப் போலவே ஏஜென்ட்களும் செயல்பட இந்த ஒருங்கிணைப்பு முக்கியமானது.

இது ஏன் AI சூழலுக்கு முக்கியமானது

"சாட்போட்களில்" (chatbots) இருந்து "ஏஜென்ட்களுக்கு" (agents) மாறுவது AI-ன் போக்கில் ஒரு அடிப்படை மாற்றத்தைக் குறிக்கிறது. நாம் வெறும் தகவல்களை மட்டும் வழங்கும் மாதிரிகளிலிருந்து, செயலில் இறங்கும் அமைப்புகளை நோக்கி நகர்ந்து கொண்டிருக்கிறோம். தொழில்நுட்பக் குழுக்கள் இந்த ஏஜென்ட்களின் பகுத்தறிவுத் திறன் மற்றும் வணிகச் சூழலை மேம்படுத்தும்போது, மனிதர்களின் பங்கு ஒரு கைமுறைச் செய்பவரிலிருந்து (manual executor), உயர்மட்ட ஒருங்கிணைப்பாளராக (high-level orchestrator) மாறும். இது மனித மேற்பார்வை (human-in-the-loop oversight) மற்றும் அமைப்பு ரீதியான சிந்தனை (systems thinking) ஆகியவற்றில் கவனம் செலுத்தும்.

முக்கியக் குறிப்புகள்

• பொருளாதார உந்துதல்கள்: அதிகரித்து வரும் IT உள்கட்டமைப்புச் செலவுகள் (2030-க்குள் மூன்று மடங்காக அதிகரிக்கும் என்று கணிக்கப்பட்டுள்ளது), செயல்திறனைத் தக்கவைக்க ஏஜென்டிக் AI-ஐ ஒரு நிதித் தேவையாக மாற்றுகின்றன.
• அடித்தளமாகத் தரவு: முரண்பாடு கண்டறிதல் மற்றும் தரக் கண்காணிப்பு போன்ற கட்டமைக்கப்பட்ட தரவுப் பணிகளுக்காக ஏஜென்ட்கள் மீது தொழில்நுட்ப வல்லுநர்கள் அதிக நம்பிக்கையை வெளிப்படுத்துகின்றனர்.
• சூழல் சவால்: சிக்கலான ஏஜென்டிக் பணிப்பாய்வுகளை விரிவாக்குவதில் உள்ள முதன்மையான தடையானது, ஆழமான வணிகச் சூழலை ஏஜென்ட் வாழ்க்கைச் சுழற்சியுடன் ஒருங்கிணைப்பதில் உள்ள சிரமமாகும்.