AI کے دور کے لیے ایک اسکور کارڈ

ہر جگہ CFOs سے جو سوال میں سنتی ہوں وہ سمپل ہے: ہم AI پر اپنے خرچ سے زیادہ قدر کیسے حاصل کریں؟

برسوں تک مارکیٹ نے سافٹ ویئر کی کامیابی کو اپنانے کے پیمانوں سے ناپا: خریدی گئی سیٹیں, فعال صارفین, تجدید شدہ لائسنس. AI کی قدر سمجھنے کے لیے ایک زیادہ مضبوط پیمانہ چاہیے: مکمل کیا گیا کام.

CFOs اور دیگر کاروباری رہنماؤں کے سامنے بنیادی معاشی سوال یہ ہے کہ کیا AI جو کام مکمل کرتی ہے اس کی قدر, اسے پیدا کرنے کی لاگت سے زیادہ تیزی سے بڑھتی ہے.

اس سوال کا جواب دینے کے لیے فی ٹوکن لاگت جیسے میٹرک سے آگے گہرائی میں دیکھنا ضروری ہے. کم لاگت والا ماڈل سستے ٹوکن دے سکتا ہے, مگر بہترین نتائج کے لیے زیادہ کوششیں, زیادہ وقت, یا زیادہ انسانی جائزہ درکار ہو سکتا ہے. زیادہ قابل ماڈل کے ٹوکن مہنگے ہو سکتے ہیں, مگر وہی کام ایک ہی بار میں مکمل ہو سکتا ہے. اہم بات کامیاب نتیجہ پیدا کرنے کی پوری لاگت ہے, جسے اس نتیجے سے بننے والی قدر کے مقابل ناپا جائے.

AI کے دور کا آخری اسکور کارڈ “فی ڈالر مفید انٹیلیجنس” کے طور پر دیکھا جا سکتا ہے. یہ میٹرک چار اہم سوالوں کا جواب دیتا ہے:

1. کیا AI اہم کاموں کو مکمل کر رہا ہے؟
2. ہر کامیاب کام کی لاگت کیا ہے؟
3. کیا لوگ نتیجے پر بھروسہ کر سکتے ہیں؟
4. کیا استعمال بڑھنے پر AI کا ہر ڈالر زیادہ ویلیو پیدا کرتا ہے؟

کام سے آغاز کریں.

AI نے صارفین کے کتنے مسائل حل کرنے میں مدد کی؟ اس نے کوڈ میں کتنی تبدیلیاں ریلیز کرنے میں مدد کی؟ اس نے کتنے معاہدوں کا جائزہ لیا؟ اس نے لوگوں کا کتنا وقت بچایا؟ کتنے فیصلے بہتر ہوئے کیونکہ درست سیاق و سباق عین وقت پر دستیاب تھا؟

ٹوکن تب قدر پیدا کرتے ہیں جب وہ ایسے کام میں بدلتے ہیں جسے لوگ استعمال کر سکیں. جیسے جیسے ماڈلز زیادہ قابل ہوتے ہیں, وہ طویل اور زیادہ پیچیدہ کام سنبھال سکتے ہیں: سیاق برقرار رکھنا, کئی مرحلوں میں ریزننگ کرنا, ٹولز کے پار کام کرنا, اور آگے بڑھتے ہوئے خود کو ڈھالنا.

شروع کرنے کی بہترین جگہ ایک ورک فلو ہے. طے کریں کہ “مکمل” کا مطلب کیا ہے اور اس نتیجے کو اسی سسٹم میں ناپیں جہاں کام ہوتا ہے.

سپورٹ ٹیم کے لیے “مکمل” کا مطلب صارف کا مسئلہ حل ہونا ہو سکتا ہے. انجینئرنگ ٹیم کے لیے یہ کوڈ کی ایسی تبدیلی ہو سکتی ہے جو اپنے ٹیسٹ پاس کرے. قانونی ٹیم کے لیے یہ کسی معاہدے کا درست اور بروقت جائزہ ہو سکتا ہے.

ایک مالیاتی ٹیم کا تصور کریں جو پیش گوئی کے جائزے کی تیاری کر رہی ہے. حتمی فیصلہ ہونے سے پہلے زیادہ تر کام انجام پاتا ہے: تازہ ترین پیش گوئی تلاش کرنا, ڈیٹا کو Excel یا Sheets میں منتقل کرنا, تبدیلیوں کی نشاندہی کرنا, مختلف ٹیبز کا باہمی موازنہ کرنا, سلائیڈز دوبارہ تیار کرنا, اور یہ یقینی بنانا کہ تمام اعداد و شمار درست طور پر آپس میں مطابقت رکھتے ہیں.

ChatGPT Work اس عمل کا بڑا حصہ سنبھال سکتا ہے, جس سے ٹیم کو ان سوالات پر توجہ دینے کے لیے زیادہ وقت ملتا ہے جو واقعی اہم ہیں: کیا بدلا؟ کیوں بدلا؟ اور اب ہمیں کیا کرنا چاہیے؟

عملی طور پر یہی فی ڈالر مفید انٹیلیجنس ہے. زیادہ کام تیزی سے مکمل ہوتا ہے, جبکہ لوگ اپنا زیادہ وقت فیصلہ سازی, تخلیقی صلاحیت اور مہارت لگانے میں صرف کرتے ہیں.

اگلا سوال یہ ہے کہ اس کام کو اچھی طرح مکمل کرنے پر کیا لاگت آتی ہے.

AI کے کام بہت مختلف ہوتے ہیں. فوری جواب کے لیے کم کمپیوٹ کافی ہو سکتا ہے. کوڈنگ, تحقیق, یا مالی ورک فلو میں گہری ریزننگ, ٹولز کا استعمال, اور کئی کارروائیاں شامل ہو سکتی ہیں. یہ زیادہ پیچیدہ کام زیادہ کمپیوٹ طلب کر سکتے ہیں, مگر کہیں زیادہ قدر بھی پیدا کر سکتے ہیں.

ماڈل کی سطح پر, ہر کامیاب کام کی لاگت قیمت, استعمال شدہ کمپیوٹ کی مقدار, اور درست نتیجے تک پہنچنے کے امکان پر منحصر ہوتی ہے. کسی کاروبار کے لیے پوری لاگت میں ملازمین کا وقت, انسانی جائزہ, دوبارہ کوششیں, اور دوبارہ کام بھی شامل ہوتے ہیں.

حساب بالکل سیدھا ہے:

• کام مکمل کرنے کی پوری لاگت جوڑیں.
• ان کاموں کو گنیں جو مطلوبہ معیار پر پورے اترے.
• پوری لاگت کو کامیاب کاموں کی تعداد سے تقسیم کریں.

اسی لیے فی ٹوکن سب سے کم قیمت ہمیشہ فی نتیجہ سب سے کم لاگت نہیں دیتی. ایک جدید ترین ماڈل معمول کی درخواست کے لیے بھی بہترین قدر دے سکتا ہے اگر وہ درست جواب ایک ہی بار میں دے, جس سے دوبارہ کوششیں, تاخیر, جائزہ, اور کل کمپیوٹ کم ہوں.

درجہ بند ماڈل فیملی صارفین کو اس مساوات کو بہتر بنانے کے مزید طریقے دیتا ہے. GPT‑5.6, جسے ہم نے گزشتہ ہفتے ریلیز کیا, تین درجات رکھتا ہے: Sol ہمارا فلیگ شپ ہے؛ Terra کارکردگی اور لاگت میں توازن رکھتا ہے؛ Luna ہمارا تیز ترین اور سب سے کفایتی ماڈل ہے.

یہ درجات مفید ابتدائی نکات فراہم کرتے ہیں. آخرکار مکمل کام کی معاشیات ہی درست ماڈل کا تعین کرے. کوئی صارف تیز, زیادہ والیوم والے ورک فلو کے لیے Luna, زیادہ گہرائی مانگنے والے کام کے لیے Terra, یا جب مضبوط ریزننگ کم کوششوں میں بہترین نتیجہ دے تو Sol استعمال کر سکتا ہے.

ہم نے GPT‑5.6 کو اس طرح تربیت دی کہ وہ ہر ٹوکن سے زیادہ مفید کام انجام دے. Artificial Analysis Coding Agent Index پر, GPT‑5.6 Sol نے زیادہ سے زیادہ ریزننگ کے ساتھ ایک نیا ریکارڈ قائم کیا, جبکہ اس نے ایک دوسرے ممتاز ماڈل کے مقابلے میں 54% کم آؤٹ پٹ ٹوکن استعمال کیے. نیچے دیا گیا چارٹ اس موازنے کو دکھاتا ہے.

GPT‑5.6 فیملی میں مقصد ایک ہی ہے: فی ڈالر زیادہ کامیاب کام. زیادہ کارکردگی موجودہ کاموں کو زیادہ کفایتی بناتی ہے. زیادہ صلاحیت کام کی بالکل نئی قسموں کو ممکن بناتی ہے.

ہر نئی ماڈل جنریشن کو اس مساوات کے دونوں پہلوؤں میں بہتری لانی چاہیے. صارفین کو زیادہ قیمتی کام انجام دینے کے قابل ہونا چاہیے, جبکہ اسی وقت ہر کام مکمل کرنے کی لاگت بھی مسلسل کم ہوتی رہنی چاہیے.

تیسرا پیمانہ بھروسے مندی ہے.

AI کو اپنانا عموماً مرحلہ وار گہرا ہوتا ہے. پہلے, AI مسودہ بنانے میں مدد کرتی ہے. پھر یہ ٹولز اور ڈیٹا کے پار سیاق ڈھونڈتی اور ریزننگ کرتی ہے. وقت کے ساتھ, یہ کارروائی کرنا, استثنائی حالات سنبھالنا, اور ورک فلوز مکمل کرنا شروع کرتی ہے, جبکہ لوگ جہاں ضرورت ہو فیصلہ اور کنٹرول فراہم کرتے ہیں.

ہر قدم زیادہ قدر پیدا کرتا ہے اور سسٹم سے زیادہ تقاضا کرتا ہے.

بھروسے مندی کی براہ راست معاشی قدر ہے. جب نتائج درست, اچھے ماخذ والے, مستقل, اور مناسب طور پر آگے بھیجے گئے ہوں, تو لوگ جائزہ, اصلاح, اور کام دہرانے میں کم وقت لگاتے ہیں. کامیاب کاموں کی لاگت کم ہوتی ہے, اور آرگنائزیشنز AI کو زیادہ اہم ورک فلوز میں استعمال کرنے کا اعتماد حاصل کرتی ہیں.

ٹیمیں تین نتائج کو ٹریک کر کے اسے ٹھوس بنا سکتی ہیں:

• استعمال کے لیے تیار: نتیجہ پیش کیے جانے پر ہی معیار پر پورا اترا.
• اصلاح درکار: نتیجے کے لیے ایک اور کوشش یا انسانی ترمیم درکار تھی.
• آگے بڑھانا درکار: کسی شخص کو شامل ہو کر کام مکمل کرنا پڑا.

یہ پیمانے صرف ماڈل کی درستگی سے بڑھ کر ایک زیادہ جامع تصویر پیش کرتے ہیں. یہ ظاہر کرتے ہیں کہ آیا AI واقعی کسی پروجیکٹ کو مکمل کرنے میں درکار کام کو کم کر رہی ہے.

بھروسے مندی کے لیے واضح حدود بھی ضروری ہیں. AI کے مسودہ بنانے سے کارروائی کرنے تک جانے سے پہلے, آرگنائزیشنز کو طے کرنا چاہیے:

• سسٹم کن ڈیٹا تک رسائی حاصل کر سکتا ہے.
• یہ کن سسٹمز کو استعمال یا تبدیل کر سکتا ہے.
• کب کسی شخص کو کسی کارروائی کا جائزہ یا منظوری دینی چاہیے.

حفاظت, سکیورٹی, رازداری, اور کنٹرول گہرے استعمال کی بنیاد بناتے ہیں. لوگوں کو سمجھنا چاہیے کہ سسٹم کیسے برتاؤ کرتا ہے, ان کا ڈیٹا کیسے سنبھالا جاتا ہے, اور اس کی کارروائیوں پر حکمرانی کیسے ہوتی ہے.

ChatGPT Work, ChatGPT Enterprise کی سکیورٹی, رازداری, تعمیل, اور ورک اسپیس مینجمنٹ کی بنیاد پر قائم ہے. اس سے آرگنائزیشنز مناسب نگرانی برقرار رکھتے ہوئے AI کو زیادہ سیاق اور زیادہ قیمتی ورک فلوز تک رسائی دے سکتی ہیں.

صلاحیت پہلے استعمال کا حق کماتی ہے. بھروسے مندی AI کو کام ہونے کے طریقے کا حصہ بناتی ہے.

آخری سوال یہ ہے کہ کیا پیمانہ بڑھنے پر معاشیات بہتر ہوتی ہے.

کمپنیاں وقت کے ساتھ اسی ورک فلو کی پیروی کر کے اسے ناپ سکتی ہیں. ٹریک کریں کہ کتنے کام معیار پر پورے اترے, انہیں مکمل کرنے کی کل لاگت کیا تھی, اور فی کامیاب کام لاگت کتنی رہی. اگر مکمل کام کل لاگت سے زیادہ تیزی سے بڑھتا ہے اور معیار برقرار رہتا یا بہتر ہوتا ہے, تو AI کا ہر ڈالر زیادہ قدر پیدا کر رہا ہے.

کمپیوٹ اس مساوات کے مرکز میں ہے.

کمپیوٹ تحقیق اور AI کے ہر مکمل کیے گئے کام کو طاقت دیتا ہے. یہ پروڈکٹ کے معیار, رفتار, بھروسے مندی, دستیابی, اور لاگت کو شکل دیتا ہے. ٹریننگ کمپیوٹ مستقبل کی صلاحیتیں پیدا کرتا ہے. انفیرنس کمپیوٹ آج مفید کام فراہم کرتا ہے. ددونوں کا نتیجہ صارفین کے لیے بہتر نتائج کی صورت میں ظاہر ہونا چاہیے.

بہتر ماڈلز, زیادہ مؤثر انفیرنس, مخصوص مقصد کے لیے تیار کردہ ہارڈویئر, زیادہ مؤثر استعمال, زیادہ ذہین روٹنگ, اور بہتر پروڈکٹ ڈیزائن, یہ سب کمپیوٹ سے حاصل ہونے والی قدر میں اضافہ کرتے ہیں. ہر نئی انفراسٹرکچر جنریشن زیادہ صلاحیت رکھنے والے ماڈلز کی ٹریننگ میں مدد دیتی ہے. اس کے بعد بہتر الگورتھمز, ہارڈویئر, اور سافٹ ویئر ان ماڈلز کو زیادہ مؤثر انداز میں فراہم کرنے میں مدد دیتے ہیں.

صارفین ان بہتریوں کو انسانی لحاظ سے محسوس کرتے ہیں: بہتر جواب, تیز نتائج, کم اصلاحات, زیادہ بھروسے مند پروڈکٹس, اور جس کام کی انہیں ضرورت ہے اس کی کم لاگت.

فوائد بڑھتے چلے جاتے ہیں. بہتر انفراسٹرکچر تحقیق کو تیز کرتا ہے. تحقیق زیادہ قابل اور موثر ماڈلز پیدا کرتی ہے. بہتر ماڈلز پروڈکٹس کو بہتر بناتے ہیں. بہتر پروڈکٹس اپنانے, سیکھنے, اور آمدنی کو بڑھاتے ہیں. یہ ترقی تحقیق, کمپیوٹ, ڈیپلائمنٹ, اور سیفٹی کی اگلی نسل میں مسلسل سرمایہ کاری کو سہارا دیتی ہے.

OpenAI ان حصوں کو ایک مشترکہ انٹیلیجنس پلیٹ فارم کے ذریعے اکٹھا کرتا ہے. لوگ اسے ChatGPT اور ChatGPT کام کے ذریعے استعمال کرتے ہیں. ڈیولپرز اسے Codex اور API کے ذریعے بناتے ہیں. انٹرپرائزز اسے ان سسٹمز میں ڈیپلائے کرتے ہیں جہاں کام ہوتا ہے.

جب ایک پرت بہتر ہوتی ہے, تو ہر پروڈکٹ اور صارف فائدہ اٹھا سکتا ہے.

مجموعی طور پر, یہ چار پیمانے بتاتے ہیں کہ آیا فی ڈالر مفید انٹیلیجنس بہتر ہو رہی ہے.

مفید کام بتاتا ہے کہ AI کیا پیدا کرتی ہے. فی کامیاب کام لاگت بتاتی ہے کہ نتیجے تک پہنچنے کے لیے کیا درکار ہے. بھروسے مندی بتاتی ہے کہ لوگ کام کے کتنے حصے کو اعتماد سے استعمال کر سکتے ہیں. پیمانے پر قدر بتاتی ہے کہ کیا ہر ڈالر, اور کمپیوٹ کی ہر یونٹ, وقت کے ساتھ زیادہ کام انجام دیتی ہے.

مقصد ایسی AI ہے جو لوگوں کو زیادہ معنی خیز کام کرنے, بہتر فیصلے کرنے, اور اپنے کام کے ان حصوں پر زیادہ وقت لگانے میں مدد دے جن کے لیے خاص انسانی فیصلہ اور تخلیقی صلاحیت چاہیے.

ہمارا کام ہر جنریشن کے ساتھ اس مساوات کو بہتر بنانا ہے: زیادہ قابل ماڈلز, تیز اور زیادہ بھروسے مند نتائج, اور صارفین کو درکار کام کے لیے کم لاگت.

اسی طرح AI وقت کے ساتھ زیادہ لوگوں اور آرگنائزیشنز کے لیے زیادہ مفید بنتی ہے.