এআই বিপ্লব অভূতপূর্ব উৎপাদনশীলতার প্রতিশ্রুতি দিলেও, বড় এন্টারপ্রাইজগুলো একটি বিশাল বাধার সম্মুখীন হচ্ছে: তারা জটিল মডেলগুলোকে অগোছালো লিগ্যাসি এনভায়রনমেন্টের সাথে যুক্ত করতে পারছে না। একটি নতুন স্টার্টআপ, June, এআই ব্যবহার করে সেই প্রক্রিয়াগুলোকে স্বয়ংক্রিয় করার মাধ্যমে এই ডেপ্লয়মেন্ট সংকট সমাধানের চেষ্টা করছে, যেগুলোর জন্য বর্তমানে একদল দামী কনসালট্যান্টের প্রয়োজন হয়।
এআই ইমপ্লিমেন্টেশনের প্যারাডক্স
এআই মডেলগুলো যত বেশি সক্ষম হচ্ছে, ম্যানুয়াল প্রফেশনাল সার্ভিসের চাহিদা আসলে তত বাড়ছে। কোম্পানিগুলো "Forward-Deployed Engineers" (FDEs) নিয়োগ করছে—এমন একদল বিশেষজ্ঞ যারা কোনো প্রতিষ্ঠানের ভেতরে ঢুকে সরাসরি কাজ করে যাতে কাঁচা এআই মডেল এবং বিদ্যমান কর্পোরেট ইনফ্রাস্ট্রাকচারের মধ্যে সংযোগ স্থাপন করা যায়।
Salesforce-এর প্রাক্তন নির্বাহী Efrat Rapoport বলেন, জটিলতা সামলানোর জন্য আরও বেশি মানুষ নিয়োগ করা টেকসই নয়। এই ম্যানুয়াল পদ্ধতি একটি প্রতিবন্ধকতা তৈরি করে যা এমনকি সবচেয়ে শক্তিশালী LLM গুলোকেও Fortune 500 কোম্পানিগুলোর জন্য বাস্তবায়িত মূল্য প্রদান করতে বাধা দেয়।
লিগ্যাসি ডেটার বিশৃঙ্খলা সমাধান করা
সবচেয়ে বড় বাধা মডেলের বুদ্ধিমত্তা নয়; বরং এটি হলো "নিচে থাকা বিশৃঙ্খলা" (mess underneath)। বড় কর্পোরেশনগুলো বিভিন্ন প্ল্যাটফর্মের—Salesforce, ServiceNow, Databricks, Workday—একটি মিশ্রণে চলে, যা টেকনিক্যাল ডেট, ডুপ্লিকেট ফিল্ড এবং অসামঞ্জস্যপূর্ণ ওয়ার্কফ্লোতে পরিপূর্ণ।
June-এর প্ল্যাটফর্ম একটি কোম্পানির সিস্টেমগুলো স্ক্যান করে, এর অনন্য প্রক্রিয়াগুলো শেখে এবং স্বয়ংক্রিয়ভাবে ধাপে ধাপে ডেপ্লয়মেন্ট রোডম্যাপ তৈরি করে। মানুষের মাধ্যমে ইন্টিগ্রেশন ম্যাপ করার পরিবর্তে, June প্রতিবন্ধকতাগুলো চিহ্নিত করে, ব্যবহারকারীদের ডুপ্লিকেট ডেটা পরিষ্কার করতে বা সোর্স কানেক্ট করতে প্রম্পট দেয় এবং তারপর স্বয়ংক্রিয়ভাবে ইন্টিগ্রেশন তৈরি করে।
কনসাল্টিংয়ের "ব্ল্যাক বক্স" থেকে বেরিয়ে আসা
June উচ্চ-ঘর্ষণ এবং উচ্চ-ব্যয়বহুল ম্যানুয়াল মডেলের পরিবর্তে একটি সেলফ-সার্ভিস টুল নিয়ে এসেছে। মার্কিন যুক্তরাষ্ট্রের একটি বড় মর্টগেজ লেন্ডার CMG-এর জন্য এটি ছিল বৈপ্লবিক। প্রথাগত কনসাল্টিংয়ের মাধ্যমে Claude Code এবং Salesforce-এর সাথে লড়াই করার পর, June তাদের টিমকে ডেপ্লয়মেন্ট পয়েন্টগুলো চিহ্নিত করতে এবং সপ্তাহের পর সপ্তাহ বাধা ছাড়াই এগিয়ে যেতে সাহায্য করেছে।
ডেটা ক্লিনিং, ম্যাপিং, ওয়ার্কফ্লো অপ্টিমাইজেশনের মতো "plumbing" বা অভ্যন্তরীণ কাজগুলো স্বয়ংক্রিয় করার মাধ্যমে, June কোম্পানিগুলোকে বিশেষজ্ঞ ইঞ্জিনিয়ারের বিশাল জনবল ছাড়াই পরীক্ষামূলক "vibe-coding" থেকে স্কেলেবল, এজেন্ট-চালিত অপারেশনে স্থানান্তরিত হতে সাহায্য করে।
এআই ল্যান্ডস্কেপের জন্য এটি কেন গুরুত্বপূর্ণ
এআই-এর পরবর্তী ঢেউটি প্যারামিটার সংখ্যা দিয়ে নয়, বরং কে মডেলগুলোকে বিদ্যমান অর্থনৈতিক কাঠামোর সাথে যুক্ত করতে পারে তার মাধ্যমে বিচার করা হবে। June যদি সফল হয়, তবে শিল্পটি পরিষেবা-নির্ভর মডেল থেকে সফটওয়্যার-চালিত মডেলে রূপান্তরিত হতে পারে, যা এন্টারপ্রাইজ অটোমেশনের বাধা কমাবে এবং "Agentic Workflow" যুগকে ত্বরান্বিত করবে।
মূল বিষয়সমূহ
- ইন্টিগ্রেশন স্বয়ংক্রিয় করা: June জটিল লিগ্যাসি সিস্টেমগুলো স্ক্যান এবং ম্যাপ করে, তারপর ডেটা ফ্র্যাগমেন্টেশন এবং টেকনিক্যাল ডেট সমাধানের জন্য একটি স্বয়ংক্রিয় রোডম্যাপ প্রদান করে।
- মানুষের ওপর নির্ভরশীলতা কমানো: প্ল্যাটফর্মটি দামী Forward-Deployed Engineers-এর পরিবর্তে একটি সেলফ-সার্ভিস, "build-on-click" ডেপ্লয়মেন্ট মডেল ব্যবহার করে।
- বড় বিনিয়োগকারীদের সমর্থন: Bonobo AI-এর পেছনের দল দ্বারা নির্মিত, June Marc Benioff-এর Time Ventures-এর নেতৃত্বে ২০ মিলিয়ন ডলার প্রি-সিড ফান্ডিং সংগ্রহ করেছে।
June একটি এআই-চালিত প্ল্যাটফর্ম উন্মোচন করেছে যা স্বয়ংক্রিয়ভাবে লার্জ-ল্যাঙ্গুয়েজ মডেলগুলোকে (LLMs) লিগ্যাসি এন্টারপ্রাইজ সিস্টেমের সাথে ইন্টিগ্রেট করে। তারা দাবি করেছে যে এটি ব্যয়বহুল forward-deployed engineering টিমগুলোর প্রয়োজনীয়তা দূর করবে।
ইন্টিগ্রেশন বা সমন্বয়ের প্রতিবন্ধকতা
এন্টারপ্রাইজগুলো গত এক বছর ধরে আরও শক্তিশালী LLM কিনছে, তবুও বেশিরভাগই প্রথম বাধাটিতেই হোঁচট খাচ্ছে: সেই মডেলগুলোকে অন-প্রিমিস এবং ক্লাউড অ্যাপ্লিকেশনের একটি মিশ্রণের সাথে যুক্ত করা। সাধারণ সমাধান হলো একটি FDE স্কোয়াড নিয়োগ করা—কনসালট্যান্ট যারা একটি কোম্পানির ভেতরে কাজ করে, ম্যানুয়ালি ডেটা ফ্লো ম্যাপ করে এবং glue code লেখে।
Efrat Rapoport এই পদ্ধতিটিকে "অস্থিতিশীল" (unsustainable) বলে অভিহিত করেছেন। জনবল বাড়ানো মানে ডুপ্লিকেট ফিল্ড, পুরনো টেবিল এবং বিচ্ছিন্ন ওয়ার্কফ্লো দূর করা নয়; এটি কেবল অনিবার্য প্রতিবন্ধকতাটিকে পিছিয়ে দেয়। প্যারাডক্সটি স্পষ্ট: এআই মডেলগুলো যত বেশি সক্ষম হচ্ছে, ম্যানুয়াল ইমপ্লিমেন্টেশন সার্ভিসের চাহিদা কমছে না, বরং বাড়ছে।
June-এর প্ল্যাটফর্ম কীভাবে কাজ করে
June চিত্রটি বদলে দিচ্ছে। ক্লায়েন্টের এনভায়রনমেন্ট অডিট করার জন্য ইঞ্জিনিয়ার পাঠানোর পরিবর্তে, প্ল্যাটফর্মটি বিদ্যমান টেক স্ট্যাক—Salesforce, ServiceNow, Databricks, Workday, বা একটি কাস্টম ERP—স্ক্যান করার জন্য নিজস্ব এআই ব্যবহার করে। স্ক্যানটি ডেটা স্কিমা, API এন্ডপয়েন্ট এবং ওয়ার্কফ্লো ট্রিগারগুলোর একটি বিস্তারিত ম্যাপ তৈরি করে। সেই ম্যাপ থেকে, June স্বয়ংক্রিয়ভাবে চিহ্নিত করে:
- অপ্রয়োজনীয় বা অনাথ (orphaned) ডেটা ফিল্ড যা মডেল ট্রেনিংকে বাধাগ্রস্ত করে
- ভুলভাবে সাজানো API কন্ট্রাক্ট যা রানটাইম এরর ঘটাতে পারে
- ওয়ার্কফ্লোর ফাঁক যেখানে একটি LLM-চালিত এজেন্ট ভ্যালু যোগ করতে পারে
এরপর প্ল্যাটফর্মটি একটি প্রতিকার পরিকল্পনা (remediation plan) তৈরি করে, যা ব্যবহারকারীকে টেবিল ডি-ডুপ্লিকেট করা বা নিরাপদ ডেটা পাইপলাইন স্থাপন করার মতো ক্লিন-আপ অ্যাকশনগুলো অনুমোদন করতে উৎসাহিত করে। একবার অনুমোদিত হয়ে গেলে, সেই একই AI ইঞ্জিন পরিবর্তনগুলো কার্যকর করে, কানেক্টরগুলো তৈরি করে এবং LLM-কে একটি managed service হিসেবে ডেপ্লয় করে।
বাস্তবে, এই ওয়ার্কফ্লোটি বহু সপ্তাহের কনসাল্টিং এনগেজমেন্টের পরিবর্তে একটি "build-on-click" অভিজ্ঞতা প্রদান করে। অভ্যন্তরীণ দলগুলো এখন বাহ্যিক ইঞ্জিনিয়ারদের জন্য অপেক্ষা না করেই ইন্টিগ্রেশন নিয়ে কাজ করতে পারে।
একটি বাস্তবধর্মী টেস্ট কেস
যুক্তরাষ্ট্রের একটি বড় মর্টগেজ লেন্ডার CMG, তাদের Salesforce ইনস্ট্যান্সের সাথে Claude Code—একটি কনভারসেশনাল AI টুল—সংযুক্ত করতে হিমশিম খাচ্ছিল। প্রথাগত আর্কিটেকচারাল কনসাল্টিংয়ের কারণে প্রতিষ্ঠানটিকে একের পর এক মিটিং করতে হয়েছে, যা কাজের গতিকে কয়েক সপ্তাহ পিছিয়ে দিচ্ছিল। June-এর প্ল্যাটফর্মে স্থানান্তরের পর, CMG-এর কর্মীরা সঠিক ইন্টিগ্রেশন পয়েন্টগুলো চিহ্নিত করতে সক্ষম হন, স্বয়ংক্রিয় ক্লিনআপ সম্পন্ন করেন এবং কয়েক সপ্তাহের পরিবর্তে মাত্র কয়েক দিনের মধ্যে LLM চালু করেন। ফলাফল: একটি কার্যকরী এজেন্ট যা কোনো বাহ্যিক FDE ক্রু ছাড়াই আন্ডাররাইটিং সংক্রান্ত প্রশ্নের উত্তর দিতে পারে।
ঝুঁকির বিষয়গুলো
এই পদ্ধতিটি ধরে নেয় যে একটি AI নির্ভরযোগ্যভাবে কোনো কোম্পানির ডেটা-গভর্নেন্স পলিসি, নিরাপত্তা সীমাবদ্ধতা এবং রেগুলেটরি প্রয়োজনীয়তা বুঝতে পারে। একটি ভুলভাবে কনফিগার করা কানেক্টর গ্রাহকের সংবেদনশীল তথ্য প্রকাশ করতে পারে বা পরবর্তী ধাপের ব্যর্থতা (downstream failures) ঘটাতে পারে। সমালোচকরা সতর্ক করেছেন যে, সম্পূর্ণ স্বয়ংক্রিয় ইন্টিগ্রেশনের ক্ষেত্রে মানুষের তত্ত্বাবধান বা একটি 'human safety net'-এর প্রয়োজন হতে পারে, বিশেষ করে ফিন্যান্স বা হেলথকেয়ারের মতো কঠোরভাবে নিয়ন্ত্রিত সেক্টরগুলোতে।
শিল্পক্ষেত্রে এর প্রভাব
June মূলত Bonobo AI তৈরি করা দলটি থেকেই এসেছে এবং তারা ইতিমধ্যে Marc Benioff-এর Time Ventures-এর নেতৃত্বে $20 মিলিয়ন প্রি-সিড ফান্ডিং সংগ্রহ করেছে। এই সমর্থনটি বিনিয়োগকারীদের সেই আত্মবিশ্বাসেরই প্রতিফলন যে, AI-এর পরবর্তী বড় ঢেউ আসবে এমন সফটওয়্যার থেকে যা ডেপ্লয়মেন্টের জটিলতা কমাবে, মডেলের আকার বড় করার মাধ্যমে নয়।
পাল্টা যুক্তি: মানুষের ভূমিকা
অটোমেশন সব জটিলতা দূর করে দেয় না। লিগ্যাসি সিস্টেমগুলোতে প্রায়ই এমন কিছু কাস্টমাইজেশন থাকে যা নথিবদ্ধ নয়, এবং কিছু ইন্টিগ্রেশন পয়েন্টে এমন লিগ্যাসি কোড থাকে যা স্থিতিশীলতা নষ্ট হওয়ার ঝুঁকি ছাড়াই পুনরায় লেখা সম্ভব নয়। June-এর প্ল্যাটফর্ম হয়তো "plumbing" পর্যায়টি ত্বরান্বিত করতে পারে, কিন্তু অটোমেটেড সমাধানগুলো ব্যবসায়িক নিয়ম এবং কমপ্লায়েন্স ম্যান্ডেটের সাথে সামঞ্জস্যপূর্ণ কি না, তা যাচাই করার জন্য এন্টারপ্রাইজগুলোর এখনও ডোমেইন বিশেষজ্ঞদের প্রয়োজন হবে।
পরবর্তীতে যা লক্ষ্য রাখতে হবে
- Adoption metrics: প্রাথমিক পর্যায়ের গ্রাহক হারানো (churn) এবং নতুন কোম্পানিগুলো কত দ্রুত পাইলট থেকে প্রোডাকশনে যাচ্ছে, তা থেকে বোঝা যাবে অটোমেশন সত্যিই মানুষের বিকল্প হতে পারে কি না।
- Regulatory response: AI যখন ব্যবসার মূল কার্যাবলীতে মিশে যাবে, তখন নিয়ন্ত্রক সংস্থাগুলো স্বয়ংক্রিয় ইন্টিগ্রেশন সম্পর্কে, বিশেষ করে ডেটা প্রাইভেসি নিয়ে নির্দেশিকা জারি করতে পারে।
- Competitive landscape: অন্যান্য স্টার্টআপ এবং প্রতিষ্ঠিত ভেন্ডররা তাদের ক্লাউড প্ল্যাটফর্মের সাথে AI ডেপ্লয়মেন্ট টুল যুক্ত করার প্রতিযোগিতায় নেমেছে। June কীভাবে তাদের স্ক্যানিং এবং রিমডিয়েশন ইঞ্জিনকে আলাদাভাবে উপস্থাপন করে, তা অত্যন্ত গুরুত্বপূর্ণ হবে।
- Pricing transparency: প্ল্যাটফর্মের খরচের সাথে প্রথাগত কনসাল্টিং ফি তুলনা করলে বোঝা যাবে খরচ-সচেতন CFO-দের কাছে এর গ্রহণযোগ্যতা কতটা।
এন্টারপ্রাইজ AI ডেপ্লয়মেন্টের জটিল এবং লিগ্যাসি-নির্ভর জগতকে অটোমেট করার বিষয়ে June-এর দাবিটি বেশ সাহসী, এবং CMG-তে প্রাথমিক ফলাফলগুলো ইঙ্গিত দেয় যে এই প্রযুক্তি কয়েক সপ্তাহের কাজকে কয়েক দিনে নামিয়ে আনতে পারে। এই মডেলটি সেই সব edge cases গুলো ধারাবাহিকভাবে সামলাতে পারে কি না, যা কনসাল্টিং ফার্মগুলোকে ব্যবসায় টিকিয়ে রাখে—তার ওপর ভিত্তি করেই নির্ধারিত হবে AI ইন্টিগ্রেশন মার্কেট সত্যিই মানুষ-নির্ভর থেকে সফটওয়্যার-নির্ভর হয়ে উঠবে কি না। আগামী কয়েক কোয়ার্টার বলে দেবে যে, LLM-কে রেভিনিউ-জেনারেটিং এজেন্টে রূপান্তর করার ক্ষেত্রে "build-on-click" নতুন মানদণ্ড হয়ে দাঁড়াবে কি না।