ChatGPT కృత్రిమ మేధస్సును (AI) కోట్లాది మందికి రోజువారీ అలవాటుగా మార్చింది. ఒక ప్రశ్న అడగండి, సమాధానం పొందండి. ఒక ఈమెయిల్ డ్రాఫ్ట్ చేయండి, ఒక బగ్‌ను సరిచేయండి, లేదా ఒక చిత్రాన్ని రూపొందించండి. కానీ ప్రతి ఇంటరాక్షన్ ఒక ప్రాంప్ట్‌తో మొదలై, మోడల్ టైపింగ్ ఆపేసరికి ముగుస్తుంది. మీరు ఇంజిన్ అయితే, AI కేవలం ఒక పరికరం మాత్రమే.

తదుపరి మార్పు చాట్ విండోలా కాకుండా, మీరు వేరే పనులపై దృష్టి పెడుతున్నప్పుడు పనులను పూర్తి చేసే ఒక సహోద్యోగిలా కనిపిస్తుంది. ఆ మార్పే Agentic AI.

OpenAI, Google మరియు Microsoft వంటి కంపెనీలు చురుగ్గా AI ఏజెంట్లను నిర్మిస్తున్నాయి. ఈ వ్యవస్థలు కేవలం ప్రశ్నలకు సమాధానం ఇవ్వడమే కాకుండా, చాలా ఎక్కువ పనులు చేస్తాయి. ఇవి మీ నుండి అప్పుడప్పుడు సూచనలు మాత్రమే తీసుకుంటూ, పనులను ప్లాన్ చేస్తాయి, విశ్లేషిస్తాయి మరియు పూర్తి చేస్తాయి. మీరు గమ్యాన్ని వివరిస్తే, అవి మార్గాన్ని వెతుక్కుంటాయి.

Agentic AI అంటే ఏమిటి?

సాంప్రదాయ చాట్‌బాట్‌లు రియాక్టివ్‌గా (reactive) ఉంటాయి. మీరు ఒక ప్రాంప్ట్ ఇస్తే, అవి ఒక టెక్స్ట్ బ్లాక్‌ను తిరిగి ఇస్తాయి, ఆ తర్వాత మళ్ళీ మీరే పని చేయాల్సి ఉంటుంది. మీకు పది పనులు కావాలంటే, మీరు పది వేర్వేరు ప్రశ్నలు అడగాలి మరియు ఆ ఫలితాలను మీరే స్వయంగా అనుసంధానించాలి.

Agentic AI ఒక లక్ష్యాన్ని (objective) వెంటాడుతుంది. మీ తదుపరి సందేశం కోసం వేచి ఉండటానికి బదులుగా, అది పని చేస్తూనే ఉంటుంది. ఇది ఒక పెద్ద లక్ష్యాన్ని చిన్న చిన్న, స్పష్టమైన దశలుగా విభజించగలదు, ఏ క్రమంలో చేస్తే బాగుంటుందో నిర్ణయించగలదు, వెబ్ బ్రౌజర్‌లు, కాలిక్యులేటర్లు, కోడ్ ఇంటర్‌ప్రెటర్లు లేదా మీ క్యాలెండర్ వంటి బాహ్య సాధనాలను (external tools) ఉపయోగించగలదు, తక్షణమే కొత్త సమాచారాన్ని సేకరించగలదు మరియు పరిస్థితులు మారినప్పుడు తన స్వంత ప్రణాళికను సవరించుకోగలదు. ఉదాహరణకు, అది బుక్ చేయాలనుకున్న ఫ్లైట్ అయిపోతే, మీ అనుమతి కోసం ఎదురుచూడకుండానే తదుపరి ఆప్షన్‌ను తనిఖీ చేస్తుంది. ఏదైనా డేటా సోర్స్ అందుబాటులో లేకపోతే, మిమ్మల్ని ఇబ్బంది పెట్టే ముందు ప్రత్యామ్నాయాన్ని ప్రయత్నిస్తుంది.

ఇది కేవలం వేగవంతమైన అవుట్‌పుట్ మాత్రమే కాదు. ఇది ప్రవర్తనలో ఒక భిన్నమైన వర్గం.

Generative AI vs. Agentic AI

ChatGPT వెనుక ఉన్న సాంకేతికత అయిన Generative AI, ఒకేసారి ఒక పని చేసే స్పెషలిస్ట్ (single-turn specialist). మీరు ప్రాంప్ట్ ఇస్తే, అది టెక్స్ట్, కోడ్ లేదా చిత్రాలను సృష్టిస్తుంది మరియు ఆగిపోతుంది. ఇది ఒక సమయంలో ఒక విడి పనిని మాత్రమే పూర్తి చేస్తుంది మరియు తదుపరి పనికి వెళ్లడానికి నిరంతర మార్గదర్శకత్వం అవసరం.

Agentic AI అనేది మల్టీ-స్టెప్ ఆపరేటర్ (multi-step operator). ఇది స్వతంత్రంగా లక్ష్యాలను వెంటాడుతుంది, అనుసంధానిత వర్క్‌ఫ్లోలను (workflows) అమలు చేస్తుంది, వరుసగా బహుళ పనులను నిర్వహిస్తుంది మరియు మీరు నిర్ణయించిన పరిమితుల (guardrails) లోపల నిర్ణయాలు తీసుకుంటుంది.

ఈ వ్యత్యాసం, ఒక్కోసారి ఒక కప్పు కాఫీ ఆర్డర్ చేయడం మరియు మీరు షాపు నడపడంపై దృష్టి పెడుతున్నప్పుడు, ఉదయం రద్దీని నిర్వహించే, గింజలను రీస్టాక్ చేసే మరియు మెషిన్‌ను శుభ్రం చేసే ఒక బారిస్టాను (barista) నియమించుకోవడం మధ్య ఉన్న తేడా వంటిది.

మీరు దీనిని మొదట ఎక్కడ చూస్తారు?

నిజమైన పనిని గమనించినప్పుడు ఈ రెండింటి మధ్య తేడా స్పష్టంగా కనిపిస్తుంది.

బిజినెస్ అవుట్‌రీచ్ (Business outreach). మీరు ఒక సంభావ్య క్లయింట్‌తో సమావేశాన్ని ఏర్పాటు చేయాలని అనుకుంటున్నారని ఊహించుకోండి. మీరు అడిగితే ఒక Generative AI చాట్‌బాట్ ఈమెయిల్ రాసి ఇవ్వవచ్చు. కానీ ఒక Agentic AI పూర్తి పనిని చేస్తుంది. అది కంపెనీకి సంబంధించిన ఇటీవలి వార్తలు లేదా ఫండింగ్ వివరాల కోసం పరిశోధన చేస్తుంది, ఆ సమాచారాన్ని ప్రస్తావిస్తూ ఒక వ్యక్తిగతీకరించిన సందేశాన్ని (personalized message) సిద్ధం చేస్తుంది, ఖాళీ సమయాల కోసం మీ క్యాలెండర్‌ను తనిఖీ చేస్తుంది, ఆహ్వానాన్ని పంపుతుంది మరియు ఫాలో-అప్ చేయడానికి రిమైండర్‌ను సెట్ చేస్తుంది. మీరు ముందుగానే ప్రణాళికను ఆమోదిస్తే సరిపోతుంది; మిగిలిన శ్రమతో కూడిన పనులను ఏజెంట్ చూసుకుంటుంది.

సాఫ్ట్‌వేర్ డెవలప్‌మెంట్ (Software development). Generative AI ఒక ఫంక్షన్‌ను రాయగలదు లేదా regex గురించి వివరించగలదు. కానీ ఒక AI ఏజెంట్ టికెట్‌ను చదవగలదు, కోడ్‌ను రూపొందించగలదు, పుల్ రిక్వెస్ట్‌లను (pull requests) సమీక్షించగలదు, టెస్ట్‌లను రన్ చేయగలదు, బగ్‌లను గుర్తించగలదు మరియు ఫిక్స్‌లను సబ్మిట్ చేయగలదు. ఆర్కిటెక్చర్ మరియు పెద్ద చిత్రాన్ని రూపొందించే బాధ్యత మీదే ఉంటుంది, కానీ పునరావృతమయ్యే పనులు—boilerplate, linting, minor refactoring—అన్నీ ఏజెంట్‌కు అప్పగించవచ్చు. మీరు ప్రతి సెమీకోలన్ టైప్ చేయడం ఆపివేసి, ఆ ఫీచర్ అసలు ఉండాలా వద్దా అనే నిర్ణయాలు తీసుకోవడం ప్రారంభిస్తారు.

కస్టమర్ సర్వీస్ (Customer service). Generative AI ఒక కోపంగా ఉన్న ట్వీట్‌కు మర్యాదపూర్వకమైన సమాధానాన్ని డ్రాఫ్ట్ చేయగలదు. కానీ ఒక ఏజెంటిక్ వ్యవస్థ రిటర్న్‌ను ప్రాసెస్ చేయగలదు, డేటాబేస్‌లో ఆర్డర్‌ను వెతకగలదు, షిప్పింగ్ లేబుల్‌ను ట్రాక్ చేయగలదు, పికప్‌ను షెడ్యూల్ చేయగలదు, సపోర్ట్ టికెట్‌ను అప్‌డేట్ చేయగలదు మరియు సమస్య నిజంగా క్లిష్టంగా ఉన్నప్పుడు మాత్రమే మనిషిని సంప్రదిస్తుంది. దీనివల్ల మానవ బృందాలు రోజువారీ పనుల్లో మునిగిపోకుండా, సానుభూతి, చర్చలు మరియు సృజనాత్మక నిర్ణయాలు అవసరమయ్యే సమస్యలను పరిష్కరించడంపై దృష్టి పెట్టగలవు.

ఈ మార్పు కోసం ఎలా సిద్ధమవ్వాలి?

మీరు విద్యార్థి అయినా లేదా ఉద్యోగి అయినా, ఈ వ్యవస్థలను రూపొందించడానికి, అమలు చేయడానికి మరియు పర్యవేక్షించడానికి అవసరమైన నైపుణ్యాలను పెంపొందించుకోవాల్సిన సమయం ఇది.

  • Python ప్రోగ్రామింగ్. ఇది AI టూలింగ్ కోసం అత్యంత ప్రాచుర్యం పొందిన భాష, మరియు చాలా ఏజెంట్ ఫ్రేమ్‌వర్క్‌లు దీనిపైనే నిర్మించబడ్డాయి. మీరు కెర్నల్ డెవలపర్ అవ్వాల్సిన అవసరం లేదు, కానీ వివిధ సేవలను అనుసంధానించే (glue) స్క్రిప్ట్‌లను రాయడంలో మీకు సౌకర్యంగా ఉండాలి.
  • AI మరియు మెషిన్ లెర్నింగ్ ప్రాథమిక అంశాలు. మీకు అర్థం కాని దానిని మీరు పర్యవేక్షించలేరు. లార్జ్ లాంగ్వేజ్ మోడల్స్ ఎలా ఆలోచిస్తాయి, అవి ఎక్కడ తప్పులు (hallucinate) చేస్తాయి మరియు వాటి అవుట్‌పుట్‌లను ఎలా అంచనా వేయాలో తెలుసుకోండి.
  • API ఇంటిగ్రేషన్. ఏజెంట్లు ఇతర సాఫ్ట్‌వేర్‌లతో—Slack, Gmail, Salesforce, GitHub—సంభాషించడం ద్వారానే మనుగడ సాగిస్తాయి. REST APIs మరియు webhooks ఎలా పనిచేస్తాయో అర్థం చేసుకోవడం అనేది వెంటనే ఉపయోగపడే ఒక ఆచరణాత్మక ఇంజనీరింగ్ నైపుణ్యం.
  • క్లౌడ్ కంప్యూటింగ్. ఏజెంట్లు మీ లాప్‌టాప్‌పై కాకుండా ఇన్‌ఫ్రాస్ట్రక్చర్‌పై నడుస్తాయి. ఒక కంటైనర్‌ను ఎలా ప్రారంభించాలి (spin up), పర్మిషన్లను ఎలా నిర్వహించాలి మరియు బిల్లును ఎలా చదవాలి అనే విషయాలు తెలియడం వల్ల, నిజమైన లోడ్ (load) వచ్చినప్పుడు విఫలమయ్యే చిన్నపాటి ప్రాజెక్టుల స్థాయికి పరిమితం కాకుండా ఉండవచ్చు.
  • డేటా అనాలిసిస్. ఏజెంట్లు ఎక్కువ అవుట్‌పుట్‌ను ఉత్పత్తి చేస్తున్న కొద్దీ, ఆ అవుట్‌పుట్ సరైనదా, పక్షపాతంతో కూడినదా లేదా ఉపయోగకరమైనదా అని ఎవరో ఒకరు ధృవీకరించాల్సి ఉంటుంది. ప్రాథమిక గణాంక పరిజ్ఞానం మరియు డేటాను క్వెరీ చేసే సామర్థ్యం, విలువైన పర్యవేక్షణకు మరియు గుడ్డి నమ్మకానికి మధ్య తేడాను చూపుతాయి.
  • క్రిటికల్ థింకింగ్ (విమర్శనాత్మక ఆలోచన). భవిష్యత్తులో కష్టమైన పని వేగంగా టైప్ చేయడం కాదు. సరైన లక్ష్యాన్ని నిర్ణయించడం, అసాధారణ పరిస్థితులను (edge cases) గుర్తించడం మరియు యంత్రాన్ని ఎప్పుడు నియంత్రించాలో (override) ఖచ్చితంగా తెలుసుకోవడమే అసలైన సవాలు.

అసలైన సారాంశం

ఏజెంటిక్ AI పని విధానాన్ని మారుస్తుంది. రోజువారీ పనులు—డేటా ఎంట్రీ, షెడ్యూలింగ్, ఫస్ట్-లైన్