ਜਦੋਂ ਕਿ AI ਕ੍ਰਾਂਤੀ ਬੇਮਿਸਾਲ ਉਤਪਾਦਕਤਾ ਦਾ ਵਾਅਦਾ ਕਰਦੀ ਹੈ, ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਦਾ ਸਾਹਮਣਾ ਕਰਦੀਆਂ ਹਨ: ਉਹ ਗੁੰਝਲਦਾਰ ਮਾਡਲਾਂ ਨੂੰ ਪੁਰਾਣੇ ਅਤੇ ਅਸੰਗਠਿਤ ਵਾਤਾਵਰਣਾਂ ਵਿੱਚ ਨਹੀਂ ਜੋੜ ਸਕਦੀਆਂ। ਇੱਕ ਨਵਾਂ ਸਟਾਰਟਅੱਪ, June, AI ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਉਨ੍ਹਾਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸਵੈਚਾਲਿਤ (automate) ਕਰਕੇ ਇਸ ਤੈਨਾਤੀ ਸੰਕਟ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ ਹੈ ਜਿਨ੍ਹਾਂ ਲਈ ਹੁਣ ਮਹਿੰਗੇ ਸਲਾਹਕਾਰਾਂ ਦੀਆਂ ਫੌਜਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
AI ਲਾਗੂ ਕਰਨ ਦਾ ਵਿਰੋਧਾਭਾਸ
ਜਿਵੇਂ-ਜਿਵੇਂ AI ਮਾਡਲ ਵਧੇਰੇ ਸਮਰੱਥ ਹੋ ਰਹੇ ਹਨ, ਮੈਨੂਅਲ ਪੇਸ਼ੇਵਰ ਸੇਵਾਵਾਂ ਦੀ ਮੰਗ ਅਸਲ ਵਿੱਚ ਵਧ ਰਹੀ ਹੈ। ਕੰਪਨੀਆਂ "Forward-Deployed Engineers" (FDEs) ਨੂੰ ਹਾਇਰ ਕਰਦੀਆਂ ਹਨ—ਅਜਿਹੀਆਂ ਟੀਮਾਂ ਜੋ ਕਿਸੇ ਸੰਗਠਨ ਦੇ ਅੰਦਰ ਰਹਿ ਕੇ ਕੱਚੇ AI ਮਾਡਲਾਂ ਅਤੇ ਮੌਜੂਦਾ ਕਾਰਪੋਰੇਟ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਵਿਚਕਾਰ ਮੈਨੂਅਲ ਤਰੀਕੇ ਨਾਲ ਪੁਲ ਬਣਾਉਂਦੀਆਂ ਹਨ।
Salesforce ਦੀ ਸਾਬਕਾ ਕਾਰਜਕਾਰੀ, Efrat Rapoport, ਕਹਿੰਦੀ ਹੈ ਕਿ ਗੁੰਝਲਤਾ ਨੂੰ ਸੰਭਾਲਣ ਲਈ ਹੋਰ ਲੋਕਾਂ ਨੂੰ ਰੱਖਣਾ ਟਿਕਾਊ ਨਹੀਂ ਹੈ। ਉਹ ਮੈਨੂਅਲ ਪਹੁੰਚ ਇੱਕ ਅਜਿਹੀ ਰੁਕਾਵਟ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜੋ Fortune 500 ਕੰਪਨੀਆਂ ਨੂੰ ਅਸਲ ਦੁਨੀਆ ਵਿੱਚ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਨ ਤੋਂ ਰੋਕਦੀ ਹੈ, ਭਾਵੇਂ ਉਹ ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ LLMs ਹੀ ਕਿਉਂ ਨਾ ਹੋਣ।
ਪੁਰਾਣੇ ਡੇਟਾ ਦੀ ਗੜਬੜ ਨੂੰ ਹੱਲ ਕਰਨਾ
ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਮਾਡਲ ਦੀ ਬੁੱਧੀ ਨਹੀਂ ਹੈ; ਇਹ "ਹੇਠਾਂ ਦੀ ਗੜਬੜ" ਹੈ। ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਵੱਖ-ਵੱਖ ਪਲੇਟਫਾਰਮਾਂ—Salesforce, ServiceNow, Databricks, Workday—ਦੇ ਮਿਸ਼ਰਣ 'ਤੇ ਚੱਲਦੀਆਂ ਹਨ, ਜੋ ਤਕਨੀਕੀ ਕਰਜ਼ੇ (technical debt), ਦੁਹਰਾਏ ਗਏ ਫੀਲਡਾਂ ਅਤੇ ਅਸੰਗਠਿਤ ਵਰਕਫਲੋ ਨਾਲ ਭਰਪੂਰ ਹੁੰਦੇ ਹਨ।
June ਦਾ ਪਲੇਟਫਾਰਮ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਸਿਸਟਮਾਂ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਉਸਦੀਆਂ ਵਿਲੱਖਣ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਸਿੱਖਦਾ ਹੈ, ਅਤੇ ਆਪਣੇ ਆਪ ਇੱਕ ਸਟੈਪ-ਬਾਈ-ਸਟੈਪ ਤੈਨਾਤੀ ਰੋਡਮੈਪ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਮੈਨੂਅਲ ਆਰਕੀਟੈਕਟਾਂ ਦੁਆਰਾ ਇੰਟੈਗ੍ਰੇਸ਼ਨਾਂ ਦਾ ਨਕਸ਼ਾ ਬਣਾਉਣ ਦੀ ਬਜਾਏ, June ਰੁਕਾਵਟਾਂ ਦੀ ਪਛਾਣ ਕਰਦਾ ਹੈ, ਉਪਭੋਗਤਾਵਾਂ ਨੂੰ ਦੁਹਰਾਏ ਗਏ ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਜਾਂ ਸਰੋਤਾਂ ਨੂੰ ਜੋੜਨ ਲਈ ਪ੍ਰੋਂਪਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਆਪਣੇ ਆਪ ਇੰਟੈਗ੍ਰੇਸ਼ਨ ਬਣਾਉਂਦਾ ਹੈ।
ਸਲਾਹਕਾਰੀ ਦੇ "Black Box" ਤੋਂ ਅੱਗੇ ਵਧਣਾ
June ਉੱਚ-ਲਾਗਤ ਵਾਲੇ ਮੈਨੂਅਲ ਮਾਡਲ ਦੀ ਜਗ੍ਹਾ ਇੱਕ ਸੈਲਫ-ਸਰਵਿਸ ਟੂਲ ਲਿਆਉਂਦਾ ਹੈ। ਅਮਰੀਕਾ ਦੇ ਇੱਕ ਪ੍ਰਮੁੱਖ ਮੌਰਗੇਜ ਲੈਂਡਰ, CMG ਲਈ, ਇਹ ਬਦਲਾਅ ਬਹੁਤ ਵੱਡਾ ਹੈ। ਰਵਾਇਤੀ ਸਲਾਹਕਾਰੀ ਰਾਹੀਂ Claude Code ਅਤੇ Salesforce ਨਾਲ ਜੂਝਣ ਤੋਂ ਬਾਅਦ, June ਨੇ ਉਨ੍ਹਾਂ ਦੀ ਟੀਮ ਨੂੰ ਤੈਨਾਤੀ ਦੇ ਬਿੰਦੂਆਂ ਦੀ ਪਛਾਣ ਕਰਨ ਅਤੇ ਹਫ਼ਤਿਆਂ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਤੋਂ ਬਿਨਾਂ ਅੱਗੇ ਵਧਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ।
"Plumbing"—ਡੇਟਾ ਸਾਫ਼ ਕਰਨਾ, ਮੈਪਿੰਗ, ਵਰਕਫਲੋ ਆਪਟੀਮਾਈਜ਼ੇਸ਼ਨ—ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਕੇ, June ਕੰਪਨੀਆਂ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਵੱਡੀ ਗਿਣਤੀ ਤੋਂ ਬਿਨਾਂ ਪ੍ਰਯੋਗਿਕ "vibe-coding" ਤੋਂ ਹੁੰਦਿਆਂ ਸਕੈਲੇਬਲ, ਏਜੰਟ-ਪਾਵਰਡ ਕਾਰਜਾਂ ਵੱਲ ਵਧਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ।
AI ਦੇ ਲੈਂਡਸਕੇਪ ਲਈ ਇਹ ਕਿਉਂ ਮਹੱਤਵਪੂਰਨ ਹੈ
AI ਦੀ ਅਗਲੀ ਲਹਿਰ ਦਾ ਫੈਸਲਾ ਪੈਰਾਮੀਟਰਾਂ ਦੀ ਗਿਣਤੀ ਨਾਲ ਨਹੀਂ, ਬਲਕਿ ਇਸ ਗੱਲ ਨਾਲ ਕੀਤਾ ਜਾਵੇਗਾ ਕਿ ਕੌਣ ਮਾਡਲਾਂ ਨੂੰ ਮੌਜੂਦਾ ਆਰਥਿਕ ਇੰਜਣ ਵਿੱਚ ਪਰੋ ਸਕਦਾ ਹੈ। ਜੇਕਰ June ਸਫਲ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਉਦਯੋਗ ਸੇਵਾ-ਭਾਰੀ ਮਾਡਲ ਤੋਂ ਸੌਫਟਵੇਅਰ-ਅਧਾਰਿਤ ਮਾਡਲ ਵੱਲ ਵਧ ਸਕਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਆਟੋਮੇਸ਼ਨ ਦੀ ਰੁਕਾਵਟ ਘਟੇਗੀ ਅਤੇ "Agentic Workflow" ਯੁੱਗ ਤੇਜ਼ ਹੋਵੇਗਾ।
ਮੁੱਖ ਗੱਲਾਂ
- ਇੰਟੈਗ੍ਰੇਸ਼ਨ ਨੂੰ ਸਵੈਚਾਲਿਤ ਕਰਨਾ: June ਗੁੰਝਲਦਾਰ ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਦੀ ਜਾਂਚ ਅਤੇ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਫਿਰ ਡੇਟਾ ਦੇ ਟੁਕੜੇ ਹੋਣ ਅਤੇ ਤਕਨੀਕੀ ਕਰਜ਼ੇ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਇੱਕ ਸਵੈਚਾਲਿਤ ਰੋਡਮੈਪ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ।
- ਮਨੁੱਖੀ ਖਰਚੇ ਨੂੰ ਘਟਾਉਣਾ: ਪਲੇਟਫਾਰਮ ਮਹਿੰਗੇ Forward-Deployed Engineers ਦੀ ਜਗ੍ਹਾ ਇੱਕ ਸੈਲਫ-ਸਰਵਿਸ, "build-on-click" ਤੈਨਾਤੀ ਮਾਡਲ ਲਿਆਉਂਦਾ ਹੈ।
- ਵੱਡੇ ਨਾਮਾਂ ਦਾ ਸਮਰਥਨ: Bonobo AI ਦੇ ਪਿੱਛੇ ਵਾਲੀ ਟੀਮ ਦੁਆਰਾ ਬਣਾਇਆ ਗਿਆ, June ਨੇ Marc Benioff ਦੀ Time Ventures ਦੀ ਅਗਵਾਈ ਵਿੱਚ $20 ਮਿਲੀਅਨ ਦੀ pre-seed ਫੰਡਿੰਗ ਪ੍ਰਾਪਤ ਕੀਤੀ।
June ਨੇ ਇੱਕ AI-ਪਾਵਰਡ ਪਲੇਟਫਾਰਮ ਪੇਸ਼ ਕੀਤਾ ਹੈ ਜੋ ਵੱਡੇ-ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLMs) ਨੂੰ ਪੁਰਾਣੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਿਸਟਮਾਂ ਵਿੱਚ ਆਪਣੇ ਆਪ ਇੰਟੈਗ੍ਰੇਟ ਕਰਦਾ ਹੈ, ਅਤੇ ਦਾਅਵਾ ਕਰਦਾ ਹੈ ਕਿ ਇਸ ਨਾਲ ਮਹਿੰਗੀਆਂ forward-deployed ਇੰਜੀਨੀਅਰਿੰਗ ਟੀਮਾਂ ਦੀ ਲੋੜ ਖਤਮ ਹੋ ਜਾਵੇਗੀ।
ਇੰਟੈਗ੍ਰੇਸ਼ਨ ਦੀ ਰੁਕਾਵਟ
ਕੰਪਨੀਆਂ ਨੇ ਪਿਛਲਾ ਸਾਲ ਹੋਰ ਵੀ ਸ਼ਕਤੀਸ਼ਾਲੀ LLMs ਖਰੀਦਣ ਵਿੱਚ ਬਿਤਾਇਆ ਹੈ, ਫਿਰ ਵੀ ਜ਼ਿਆਦਾਤਰ ਪਹਿਲੀ ਰੁਕਾਵਟ 'ਤੇ ਅਟਕ ਜਾਂਦੇ ਹਨ: ਉਨ੍ਹਾਂ ਮਾਡਲਾਂ ਨੂੰ on-prem ਅਤੇ cloud ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੇ ਮਿਸ਼ਰਣ ਵਿੱਚ ਜੋੜਨਾ। ਆਮ ਹੱਲ ਇੱਕ FDE ਸਕੁਐਡ ਨੂੰ ਰੱਖਣਾ ਹੈ—ਸਲਾਹਕਾਰ ਜੋ ਕੰਪਨੀ ਦੇ ਅੰਦਰ ਰਹਿ ਕੇ ਡੇਟਾ ਫਲੋਅ ਦਾ ਮੈਪ ਬਣਾਉਂਦੇ ਹਨ ਅਤੇ ਗਲੂ ਕੋਡ (glue code) ਲਿਖਦੇ ਹਨ।
Efrat Rapoport ਉਸ ਪਹੁੰਚ ਨੂੰ “unsustainable” ਕਹਿੰਦੀ ਹੈ। ਸਟਾਫ ਵਧਾਉਣ ਨਾਲ ਦੁਹਰਾਏ ਗਏ ਫੀਲਡ, ਪੁਰਾਣੇ ਟੇਬਲ ਅਤੇ ਅਲੱਗ-ਥਲੱਗ ਵਰਕਫਲੋ ਖਤਮ ਨਹੀਂ ਹੁੰਦੇ; ਇਹ ਸਿਰਫ਼ ਅਟੱਲ ਰੁਕਾਵਟ ਨੂੰ ਟਾਲਦਾ ਹੈ। ਵਿਰੋਧਾਭਾਸ ਸਪਸ਼ਟ ਹੈ: ਜਿਵੇਂ-ਜਿਵੇਂ AI ਮਾਡਲ ਵਧੇਰੇ ਸਮਰੱਥ ਹੁੰਦੇ ਹਨ, ਮੈਨੂਅਲ ਇੰਪਲੀਮੈਂਟੇਸ਼ਨ ਸੇਵਾਵਾਂ ਦੀ ਮੰਗ ਘਟਣ ਦੀ ਬਜਾਏ ਵਧਦੀ ਹੈ।
June ਦਾ ਪਲੇਟਫਾਰਮ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
June ਇਸ ਸਥਿਤੀ ਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਕਿਸੇ ਕਲਾਇੰਟ ਦੇ ਵਾਤਾਵਰਣ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇੰਜੀਨੀਅਰਾਂ ਨੂੰ ਭੇਜਣ ਦੀ ਬਜਾਏ, ਪਲੇਟਫਾਰਮ ਮੌਜੂਦਾ ਟੈਕ ਸਟੈਕ—Salesforce, ServiceNow, Databricks, Workday, ਜਾਂ ਇੱਕ ਕਸਟਮ ERP—ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਆਪਣੇ ਖੁਦ ਦੇ AI ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਸਕੈਨ ਡੇਟਾ ਸਕੀਮਾ, API ਐਂਡਪੁਆਇੰਟਸ ਅਤੇ ਵਰਕਫਲੋ ਟ੍ਰਿਗਰਾਂ ਦਾ ਇੱਕ ਵਿਸਤ੍ਰਿਤ ਨਕਸ਼ਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਉਸ ਨਕਸ਼ੇ ਤੋਂ, June ਆਪਣੇ ਆਪ ਪਛਾਣਦਾ ਹੈ:
- ਵਾਧੂ ਜਾਂ ਬ
ਫਿਰ ਪਲੇਟਫਾਰਮ ਇੱਕ ਸੁਧਾਰ ਯੋਜਨਾ (remediation plan) ਤਿਆਰ ਕਰਦਾ ਹੈ, ਜੋ ਉਪਭੋਗਤਾ ਨੂੰ ਟੇਬਲਾਂ ਨੂੰ ਡੀ-ਡੁਪਲੀਕੇਟ ਕਰਨ ਜਾਂ ਸੁਰੱਖਿਅਤ ਡਾਟਾ ਪਾਈਪਲਾਈਨਾਂ ਸਥਾਪਤ ਕਰਨ ਵਰਗੇ ਸਫਾਈ ਕਾਰਜਾਂ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦੇਣ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਦਾ ਹੈ। ਇੱਕ ਵਾਰ ਮਨਜ਼ੂਰੀ ਮਿਲ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਉਹੀ AI ਇੰਜਣ ਤਬਦੀਲੀਆਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਕਨੈਕਟਰ ਬਣਾਉਂਦਾ ਹੈ, ਅਤੇ LLM ਨੂੰ ਇੱਕ ਮੈਨੇਜਡ ਸਰਵਿਸ ਵਜੋਂ ਡਿਪਲੋਏ ਕਰਦਾ ਹੈ।
ਅਸਲ ਵਿੱਚ, ਇਹ ਵਰਕਫਲੋ ਕਈ ਹਫ਼ਤਿਆਂ ਦੀ ਸਲਾਹਕਾਰ (consulting) ਪ੍ਰਕਿਰਿਆ ਨੂੰ "build-on-click" ਅਨੁਭਵ ਨਾਲ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਅੰਦਰੂਨੀ ਟੀਮਾਂ ਬਾਹਰੀ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਉਡੀਕ ਕੀਤੇ ਬਿਨਾਂ ਇੰਟੀਗ੍ਰੇਸ਼ਨਾਂ 'ਤੇ ਕੰਮ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਇੱਕ ਅਸਲ-ਦੁਨੀਆ ਦਾ ਟੈਸਟ ਕੇਸ
CMG, ਜੋ ਕਿ ਅਮਰੀਕਾ ਦੀ ਇੱਕ ਪ੍ਰਮੁੱਖ ਮੌਰਗੇਜ ਲੈਂਡਰ (mortgage lender) ਹੈ, ਨੂੰ Claude Code—ਇੱਕ ਕਨਵਰਸੇਸ਼ਨਲ AI ਟੂਲ—ਨੂੰ ਆਪਣੇ Salesforce ਇੰਸਟੈਂਸ ਨਾਲ ਜੋੜਨ ਵਿੱਚ ਮੁਸ਼ਕਲ ਆ ਰਹੀ ਸੀ। ਰਵਾਇਤੀ ਆਰਕੀਟੈਕਚਰਲ ਸਲਾਹਕਾਰ ਪ੍ਰਕਿਰਿਆ ਕਾਰਨ ਕੰਪਨੀ ਨੂੰ ਕਈ ਮੀਟਿੰਗਾਂ ਕਰਨੀਆਂ ਪੈਂਦੀਆਂ ਸਨ, ਜਿਸ ਨਾਲ ਹਰ ਵਾਰ ਹਫ਼ਤਿਆਂ ਦੀ ਦੇਰੀ ਹੋ ਰਹੀ ਸੀ। June ਦੇ ਪਲੇਟਫਾਰਮ 'ਤੇ ਜਾਣ ਤੋਂ ਬਾਅਦ, CMG ਦੇ ਸਟਾਫ ਨੇ ਸਹੀ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਪੁਆਇੰਟਾਂ ਦੀ ਪਛਾਣ ਕੀਤੀ, ਆਟੋਮੇਟਡ ਸਫਾਈ ਚਲਾਈ, ਅਤੇ ਹਫ਼ਤਿਆਂ ਦੀ ਬਜਾਏ ਕੁਝ ਹੀ ਦਿਨਾਂ ਵਿੱਚ LLM ਨੂੰ ਲਾਂਚ ਕਰ ਦਿੱਤਾ। ਨਤੀਜਾ: ਇੱਕ ਕਾਰਜਸ਼ੀਲ ਏਜੰਟ ਜੋ ਬਾਹਰੀ FDE ਕਰੂ ਦੀ ਮਦਦ ਤੋਂ ਬਿਨਾਂ ਅੰਡਰਰਾਈਟਿੰਗ ਸਬੰਧੀ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ।
ਕੀ ਦਾਅ 'ਤੇ ਹੈ
ਇਹ ਪਹੁੰਚ ਇਹ ਮੰਨ ਕੇ ਚੱਲਦੀ ਹੈ ਕਿ AI ਭਰੋਸੇਯੋਗਤਾ ਨਾਲ ਕਿਸੇ ਕੰਪਨੀ ਦੀ ਡਾਟਾ-ਗਵਰਨੈਂਸ ਨੀਤੀਆਂ, ਸੁਰੱਖਿਆ ਸੀਮਾਵਾਂ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਲੋੜਾਂ ਨੂੰ ਸਮਝ ਸਕਦਾ ਹੈ। ਇੱਕ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਕਨਫਿਗ ਕੀਤਾ ਗਿਆ ਕਨੈਕਟਰ ਗਾਹਕਾਂ ਦੀ ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾ ਸਕਦਾ ਹੈ ਜਾਂ ਅਗਲੇਰੀਆਂ ਪ੍ਰਕਿਰਿਆਵਾਂ ਵਿੱਚ ਅਸਫਲਤਾਵਾਂ ਦਾ ਕਾਰਨ ਬਣ ਸਕਦਾ ਹੈ। ਆਲੋਚਕ ਚੇਤਾਵਨੀ ਦਿੰਦੇ ਹਨ ਕਿ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਟੋਮੇਟਡ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਲਈ ਅਜੇ ਵੀ ਮਨੁੱਖੀ ਨਿਗਰਾਨੀ (human safety net) ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਵਿੱਤ ਜਾਂ ਸਿਹਤ ਸੰਭਾਲ ਵਰਗੇ ਸਖ਼ਤ ਨਿਯਮਾਂ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ।
ਉਦਯੋਗ 'ਤੇ ਪ੍ਰਭਾਵ
June ਉਸ ਟੀਮ ਤੋਂ ਨਿਕਲੀ ਹੈ ਜਿਸਨੇ Bonobo AI ਬਣਾਇਆ ਸੀ ਅਤੇ ਇਸਨੇ Marc Benioff ਦੀ Time Ventures ਦੀ ਅਗਵਾਈ ਵਿੱਚ ਪਹਿਲਾਂ ਹੀ $20 ਮਿਲੀਅਨ ਦੀ pre-seed ਫੰਡਿੰਗ ਪ੍ਰਾਪਤ ਕਰ ਲਈ ਹੈ। ਇਹ ਸਹਾਇਤਾ ਨਿਵੇਸ਼ਕਾਂ ਦੇ ਉਸ ਭਰੋਸੇ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ AI ਦੀ ਅਗਲੀ ਲਹਿਰ ਅਜਿਹੇ ਸਾਫਟਵੇਅਰ ਤੋਂ ਆਵੇਗੀ ਜੋ ਡਿਪਲੋਇਮੈਂਟ ਦੀਆਂ ਮੁਸ਼ਕਲਾਂ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ਼ ਵੱਡੇ ਮਾਡਲ ਸਾਈਜ਼ਾਂ ਤੋਂ।
ਵਿਰੋਧੀ ਪੱਖ: ਮਨੁੱਖੀ ਕਾਰਕ
ਆਟੋਮੇਸ਼ਨ ਸਾਰੀ ਗੁੰਝਲਦਾਰਤਾ ਨੂੰ ਖ਼ਤਮ ਨਹੀਂ ਕਰਦੀ। ਪੁਰਾਣੇ (Legacy) ਸਿਸਟਮਾਂ ਵਿੱਚ ਅਕਸਰ ਅਜਿਹੀਆਂ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨਾਂ ਹੁੰਦੀਆਂ ਹਨ ਜੋ ਦਸਤਾਵੇਜ਼ੀ ਨਹੀਂ ਹੁੰਦੀਆਂ, ਅਤੇ ਕੁਝ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਪੁਆਇੰਟਾਂ ਵਿੱਚ ਅਜਿਹਾ ਪੁਰਾਣਾ ਕੋਡ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ ਜਿਸ ਨੂੰ ਸਥਿਰਤਾ ਨੂੰ ਖ਼ਤਰੇ ਵਿੱਚ ਪਾਏ ਬਿਨਾਂ ਦੁਬਾਰਾ ਨਹੀਂ ਲਿਖਿਆ ਜਾ ਸਕਦਾ। June ਦਾ ਪਲੇਟਫਾਰਮ "plumbing" ਪੜਾਅ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਉਦਯੋਗਿਕ ਸੰਸਥਾਵਾਂ ਨੂੰ ਅਜੇ ਵੀ ਇਹ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਮਾਹਰਾਂ ਦੀ ਲੋੜ ਹੋਵੇਗੀ ਕਿ ਆਟੋਮੇਟਡ ਸੁਧਾਰ ਕਾਰੋਬਾਰੀ ਨਿਯਮਾਂ ਅਤੇ ਕੰਪਲਾਇੰਸ ਮੈਨੇਟ (compliance mandates) ਦੇ ਅਨੁਕੂਲ ਹਨ।
ਅੱਗੇ ਕੀ ਦੇਖਣਾ ਹੈ
- ਅਪਣਾਉਣ ਦੇ ਮਾਪਦੰਡ (Adoption metrics): ਸ਼ੁਰੂਆਤੀ ਛੱਡਣ ਦੀ ਦਰ (churn) ਅਤੇ ਉਹ ਰਫ਼ਤਾਰ ਜਿਸ ਨਾਲ ਨਵੀਆਂ ਫਰਮਾਂ ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਵੱਲ ਵਧਦੀਆਂ ਹਨ, ਇਹ ਦੱਸੇਗੀ ਕਿ ਕੀ ਆਟੋਮੇਸ਼ਨ ਸੱਚਮੁੱਚ ਮਨੁੱਖੀ ਇੰਜੀਨੀਅਰਾਂ ਦੀ ਜਗ੍ਹਾ ਲੈ ਸਕਦੀ ਹੈ।
- ਰੈਗੂਲੇਟਰੀ ਪ੍ਰਤੀਕਿਰਿਆ: ਜਿਵੇਂ-ਜਿਵੇਂ AI ਮੁੱਖ ਕਾਰੋਬਾਰੀ ਕਾਰਜਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋ ਰਿਹਾ ਹੈ, ਰੈਗੂਲੇਟਰ ਆਟੋਮੇਟਡ ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਬਾਰੇ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ ਜਾਰੀ ਕਰ ਸਕਦੇ ਹਨ, ਖਾਸ ਕਰਕੇ ਡਾਟਾ ਪ੍ਰਾਈਵੇਸੀ ਦੇ ਸਬੰਧ ਵਿੱਚ।
- ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦਾ ਦ੍ਰਿਸ਼: ਹੋਰ ਸਟਾਰਟਅੱਪਸ ਅਤੇ ਸਥਾਪਿਤ ਵੈਂਡਰ ਆਪਣੇ ਕਲਾਊਡ ਪਲੇਟਫਾਰਮਾਂ ਦੇ ਨਾਲ AI ਡਿਪਲੋਇਮੈਂਟ ਟੂਲਸ ਨੂੰ ਜੋੜਨ ਦੀ ਦੌੜ ਵਿੱਚ ਹਨ। June ਆਪਣੇ ਸਕੈਨਿੰਗ ਅਤੇ ਰੀਮੀਡੀਏਸ਼ਨ ਇੰਜਣ ਨੂੰ ਕਿਵੇਂ ਵੱਖਰਾ ਕਰਦਾ ਹੈ, ਇਹ ਬਹੁਤ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇਗਾ।
- ਕੀਮਤ ਦੀ ਪਾਰਦਰਸ਼ਤਾ: ਪਲੇਟਫਾਰਮ ਦੀ ਲਾਗਤ ਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਸਲਾਹਕਾਰ ਫੀਸਾਂ ਨਾਲ ਕਰਨ ਨਾਲ ਇਹ ਪਤਾ ਲੱਗੇਗਾ ਕਿ ਲਾਗਤ ਪ੍ਰਤੀ ਸੁਚੇਤ CFOs ਲਈ ਇਹ ਕਿੰਨਾ ਆਕਰਸ਼ਕ ਹੈ।
ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਡਿਪਲੋਇਮੈਂਟ ਦੀ ਉਲਝੀ ਹੋਈ ਅਤੇ ਪੁਰਾਣੇ ਸਿਸਟਮਾਂ ਵਾਲੀ ਦੁਨੀਆ ਨੂੰ ਆਟੋਮੇਟ ਕਰਨ ਦਾ June ਦਾ ਦਾਅਵਾ ਬਹੁਤ ਵੱਡਾ ਹੈ, ਅਤੇ CMG ਦੇ ਸ਼ੁਰੂਆਤੀ ਨਤੀਜੇ ਸੰਕੇਤ ਦਿੰਦੇ ਹਨ ਕਿ ਇਹ ਤਕਨਾਲੋਜੀ ਹਫ਼ਤਿਆਂ ਦੇ ਕੰਮ ਨੂੰ ਦਿਨਾਂ ਵਿੱਚ ਬਦਲ ਸਕਦੀ ਹੈ। ਕੀ ਇਹ ਮਾਡਲ ਲਗਾਤਾਰ ਉਨ੍ਹਾਂ 'ਐਜ ਕੇਸਾਂ' (edge cases) ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ ਜੋ ਸਲਾਹਕਾਰ ਕੰਪਨੀਆਂ ਨੂੰ ਕਾਰੋਬਾਰ ਵਿੱਚ ਰੱਖਦੇ ਹਨ, ਇਹ ਤੈਅ ਕਰੇਗਾ ਕਿ ਕੀ AI ਇੰਟੀਗ੍ਰੇਸ਼ਨ ਮਾਰਕੀਟ ਸੱਚਮੁੱਚ ਲੋਕਾਂ-ਅਧਾਰਤ ਤੋਂ ਸਾਫਟਵੇਅਰ-ਅਧਾਰਤ ਵੱਲ ਵਧੇਗੀ। ਅਗਲੇ ਕੁਝ ਕੁਆਰਟਰ ਇਹ ਦੱਸਣਗੇ ਕਿ ਕੀ "build-on-click" LLMs ਨੂੰ ਰੈਵੇਨਿਊ ਪੈਦਾ ਕਰਨ ਵਾਲੇ ਏਜੰਟਾਂ ਵਿੱਚ ਬਦਲਣ ਲਈ ਨਵਾਂ ਮਿਆਰ ਬਣਦਾ ਹੈ ਜਾਂ ਨਹੀਂ।