आपने शायद जेनरेटिव AI (Generative AI) का इस्तेमाल पहले ही कर लिया है।
शायद आपने ChatGPT से कोई ईमेल दोबारा लिखने, किसी दस्तावेज़ का सारांश बनाने, कोई ऐसी बात समझाने जो आपको समझ नहीं आई, या कोई प्रेज़ेंटेशन तैयार करने में मदद माँगी हो।
आइए एक उतने ही आसान उदाहरण से शुरू करते हैं।
एक ग्राहक किसी कंपनी से संपर्क करता है:
“मेरा पैकेज कल आना था। वह कहाँ है?”
एक कर्मचारी AI असिस्टेंट से कहता है:
“देरी के लिए माफ़ी माँगते हुए एक विनम्र जवाब लिखो।”
AI एक जवाब तैयार कर देता है।
यहाँ क्या हुआ?
AI ने कुछ बनाया।
उसने यह नहीं देखा कि पैकेज कहाँ है। उसने ग्राहक का ऑर्डर नहीं खोला। उसने कूरियर से संपर्क नहीं किया। उसने यह तय नहीं किया कि ग्राहक को रिफ़ंड मिलना चाहिए या नहीं। और उसने जवाब भेजा भी नहीं।
कर्मचारी को फिर भी जवाब की समीक्षा करनी पड़ी और यह तय करना पड़ा कि उसका क्या किया जाए।
इस चित्र का सुलभ पाठ विकल्प
बाएँ से दाएँ प्रवाह: एक ग्राहक पूछता है कि उसका पैकेज कहाँ है। एक कर्मचारी AI से विनम्र जवाब लिखने को कहता है। जेनरेटिव AI जवाब का एक मसौदा बनाता है। मसौदा सिर्फ़ टेक्स्ट है, कुछ भी जाँचा या भेजा नहीं गया। कर्मचारी मसौदे की समीक्षा करता है, फ़ैसला लेता है और उसे भेजता है।
सिद्धांत: AI ने जवाब बनाया, काम फिर भी इंसान ने ही किया।
दृश्य कुंजी: इंसान, AI मॉडल, AI एजेंट (एक लूप के अंदर मॉडल), लक्ष्य (झंडा), टूल (गियर), डेटा स्रोत (सिलेंडर), बाहरी सिस्टम (स्क्रीन), निर्णय (हीरा), कार्रवाई (तीर वाला खाना), नीति (दस्तावेज़) और मानवीय मंज़ूरी (सही के निशान वाला व्यक्ति)।
जेनरेटिव AI को समझने के लिए यह एक अच्छा शुरुआती बिंदु है।
जेनरेटिव AI उसे मिली जानकारी और निर्देशों से नई सामग्री बनाता है। वह सामग्री टेक्स्ट, कोड, चित्र, ऑडियो, वीडियो या किसी और तरह का जेनरेट किया हुआ आउटपुट हो सकती है।
उदाहरण के लिए, ChatGPT का इस्तेमाल लिखने, दोबारा लिखने, सारांश बनाने और जानकारी समझाने जैसे कामों के लिए किया जा सकता है।
लेकिन हमारे उदाहरण में असली बात इससे भी सरल है:
AI ने जवाब बनाया। काम फिर भी इंसान ने ही किया।
अगर हम AI से कहें कि जवाब खुद ढूँढो?
आइए अनुरोध बदलते हैं।
यह कहने के बजाय:
“एक विनम्र जवाब लिखो।”
हम कहते हैं:
“पता लगाओ कि ऑर्डर #1234 में देरी क्यों हुई और सही जवाब तैयार करो।”
कुछ महत्वपूर्ण बदल गया है।
AI सिर्फ़ प्रॉम्प्ट (prompt) से ठीक से जवाब नहीं दे सकता।
उसे शायद यह जानना पड़े:
- ऑर्डर कब दिया गया था
- क्या वह गोदाम से निकल चुका है
- कूरियर के अनुसार पैकेज कहाँ है
- क्या डिलीवरी की कोशिश की गई थी
- क्या ग्राहक ने पहले भी सपोर्ट से संपर्क किया है।
इसलिए हम AI को और जानकारी तक पहुँच देते हैं।
इस चित्र का सुलभ पाठ विकल्प
ग्राहक, फिर कर्मचारी जो AI से पूछता है कि ऑर्डर 1234 में देरी क्यों हुई, फिर AI, फिर तैयार किया गया जवाब। ऊपर से तीन स्रोत AI को जानकारी देते हैं: ऑर्डर सिस्टम, कूरियर ट्रैकिंग और ग्राहक इतिहास।
कैप्शन: ज़्यादा जानकारी AI को ज़्यादा उपयोगी बनाती है। यह अभी यह नहीं बताती कि अगला कदम कौन तय करता है।
अब AI बहुत कुछ कर सकता है।
वह जानकारी निकाल सकता है और जवाब तैयार करते समय उस जानकारी का इस्तेमाल कर सकता है।
क्या इससे वह AI एजेंट (AI agent) बन जाता है?
ज़रूरी नहीं।
टूल इस्तेमाल करने भर से AI अपने आप एजेंट नहीं बन जाता
मान लीजिए AI के आसपास के सॉफ़्टवेयर को पहले से यह करने के लिए प्रोग्राम किया गया है:
- ऑर्डर नंबर पढ़ो।
- ऑर्डर देखो।
- कूरियर ट्रैकिंग जाँचो।
- नतीजे AI को दो।
- AI से जवाब लिखने को कहो।
AI के पास उपयोगी जानकारी तक पहुँच है।
लेकिन यह क्रम किसने तय किया?
सॉफ़्टवेयर ने।
रास्ता पहले से बना हुआ था।
यही बात दूसरे टूल (tool) के साथ भी दिखती है।
एक AI सिस्टम शायद इनका इस्तेमाल कर सके:
- एक कैलकुलेटर
- एक सर्च इंजन
- एक डेटाबेस
- कंपनी का कोई API
- एक दस्तावेज़ भंडार।
ये क्षमताएँ सिस्टम को ज़्यादा उपयोगी बनाती हैं।
लेकिन सिर्फ़ इनसे यह पता नहीं चलता कि आगे क्या होना चाहिए, यह तय करने की कोई सार्थक ज़िम्मेदारी AI के पास है या नहीं।
साक्ष्य जाँच: टूल तक पहुँच और एजेंसी। Anthropic उस भाषा मॉडल के लिए ऑगमेंटेड LLM (augmented LLM) शब्द का इस्तेमाल करता है जिसे रिट्रीवल, टूल और मेमोरी जैसी क्षमताओं से बढ़ाया गया हो। एजेंट को वह अलग से ऐसे सिस्टम बताता है जिनमें मॉडल अपनी प्रक्रिया और टूल के इस्तेमाल को खुद गतिशील रूप से निर्देशित करता है।
यह फ़र्क यहाँ काम का है।
सवाल सिर्फ़ यह नहीं है:
क्या AI के पास टूल हैं?
बेहतर सवाल यह है:
उनका क्या करना है, यह कौन तय करता है?
इस चित्र का सुलभ पाठ विकल्प
बायाँ पैनल, कौन सी क्षमताएँ उपलब्ध हैं: सर्च, डेटाबेस, फ़ाइलें, API और कैलकुलेटर AI से जुड़े हैं।
दायाँ पैनल, आगे क्या होगा यह कौन चुनता है: या तो एक पहले से तय सॉफ़्टवेयर रास्ता जिसके कदम पहले से कोड किए गए थे, या AI जो देखता है उससे खुद तय करता है और अगला कदम खुद चुनता है।
सिद्धांत: टूल होना और एजेंसी होना एक ही बात नहीं है।
इससे हमें एक महत्वपूर्ण सिद्धांत मिलता है:
टूल होना और एजेंसी होना एक ही बात नहीं है।
निर्देश देने के बजाय, उसे एक लक्ष्य दीजिए
आइए ग्राहक-सेवा का अनुरोध एक बार फिर बदलते हैं।
इस बार हम कहते हैं:
“इस ग्राहक की डिलीवरी समस्या को हल करो।”
ध्यान दीजिए कि क्या गायब हो गया।
हमने यह नहीं कहा:
पहले ऑर्डर जाँचो।
फिर कूरियर जाँचो।
फिर पता देखो।
फिर यह करो।
फिर वह करो।
हमने सिस्टम को एक लक्ष्य (goal) दिया।
अब कल्पना कीजिए कि वह उस लक्ष्य की ओर बढ़ने के लिए ज़रूरी कुछ कदम खुद तय कर सकता है।
वह ऑर्डर जाँचता है।
ऑर्डर बताता है कि पैकेज गोदाम से निकल चुका है।
आगे क्या होना चाहिए?
सिस्टम तय करता है कि कूरियर ट्रैकिंग देखना ज़रूरी है।
कूरियर बताता है कि डिलीवरी की एक कोशिश असफल रही।
अब क्या?
शायद वह जाँचे कि पता सही है या नहीं।
पता सही है।
अब सिस्टम के पास नई जानकारी है और उसे तय करना है कि आगे क्या करे।
प्रक्रिया अब अलग दिखने लगती है।
इस चित्र का सुलभ पाठ विकल्प
एक लक्ष्य, डिलीवरी समस्या हल करो, चार पड़ावों वाले लूप में जाता है: अगला कदम तय करो (एजेंट), कार्रवाई करो (जैसे ऑर्डर जाँचो, कूरियर जाँचो, पता जाँचो), नतीजा देखो, और सवाल कि काम पूरा हुआ या नहीं। अगर नहीं, तो लूप जारी रहता है। अगर हाँ, तो काम पूरा है और एक व्यक्ति नतीजा देखता है।
सिद्धांत: जेनरेटिव AI कुछ बनाता है। AI एजेंट किसी लक्ष्य की ओर काम करता है।
यहीं AI एजेंट की अवधारणा काम आती है।
AI एजेंट को समझने का एक व्यावहारिक तरीका यह है:
AI एजेंट को एक लक्ष्य मिलता है और वह उसे पाने के लिए ज़रूरी कम से कम कुछ कदम खुद तय कर सकता है।
Google AI एजेंट को ऐसे सॉफ़्टवेयर सिस्टम बताता है जो लक्ष्य पाने और काम पूरे करने के लिए AI का इस्तेमाल करते हैं, और जिनमें आमतौर पर तर्क, योजना, मेमोरी और कुछ हद तक स्वायत्तता जैसी क्षमताएँ शामिल होती हैं।
सीखने के लिए, हम यह फ़र्क इस तरह याद रख सकते हैं:
जेनरेटिव AI कुछ बनाता है। AI एजेंट किसी लक्ष्य की ओर काम करता है।
यह सिखाने का एक शॉर्टकट है, उद्योग की कोई औपचारिक परिभाषा नहीं।
असली सिस्टम में ये भूमिकाएँ आपस में मिलती-जुलती हैं, और सीमा हमेशा साफ़ नहीं होती।
लेकिन यह हमें एक उपयोगी मानसिक मॉडल देता है।
एक रिसर्च का काम इसे समझना आसान बनाता है
दो अनुरोधों पर विचार कीजिए।
अनुरोध A
“मुझे कनाडा के इलेक्ट्रिक-वाहन बाज़ार के बारे में बताओ।”
एक AI मॉडल अपने पास मौजूद जानकारी से इसका जवाब दे सकता है।
अब इस पर विचार कीजिए:
अनुरोध B
“कनाडा के इलेक्ट्रिक-वाहन बाज़ार पर रिसर्च करो। अपनाने की दर, चार्जिंग ढाँचे, सरकारी नीति और बड़ी बाधाओं की तुलना करो। मुझे स्रोतों सहित एक रिपोर्ट दो।”
एक उपयोगी सिस्टम को अब शायद यह सब करना पड़े:
- रिसर्च का लक्ष्य समझना
- तय करना कि किन विषयों की जाँच ज़रूरी है
- जानकारी खोजना
- स्रोत पढ़ना
- जो मिला उसकी तुलना करना
- छूटे हुए साक्ष्य पहचानना
- फिर से खोजना
- परस्पर विरोधी जानकारी को सुलझाना
- निष्कर्षों को व्यवस्थित करना
- रिपोर्ट तैयार करना।
दिलचस्प बात सिर्फ़ यह नहीं है कि वह खोज सकता है।
दिलचस्प बात यह है कि हर खोज के बाद क्या होता है।
क्या सिस्टम यह देखता है कि उसने क्या सीखा और तय करता है कि उसे अभी और क्या चाहिए?
इस चित्र का सुलभ पाठ विकल्प
ऊपर से नीचे प्रवाह: रिसर्च लक्ष्य, योजना, खोज, पढ़ना, फिर निर्णय कि साक्ष्य काफ़ी हैं या नहीं। अगर नहीं, तो सिस्टम कमियाँ पहचानता है और फिर से खोजता है, खोज वाले कदम पर लौटकर। अगर हाँ, तो वह जो मिला उसकी तुलना करता है, संश्लेषण करता है और स्रोतों सहित रिपोर्ट बनाता है।
कैप्शन: सवाल यह है कि हर खोज के बाद क्या होता है।
यह एजेंट के व्यवहार के कहीं ज़्यादा करीब है।
एक असली उदाहरण: Gemini Deep Research
Google ने Gemini Deep Research को एक स्वायत्त रिसर्च एजेंट बताया है।
इसके दस्तावेज़ों में बताए गए व्यवहार में रिसर्च की योजना बनाना, जानकारी खोजना, जो मिला उस पर तर्क करना और काम करते-करते अपनी रिसर्च को निखारना शामिल है।
Google ने एक उपयोगकर्ता-समीक्षा चरण का भी ज़िक्र किया है, जिसमें रिसर्च आगे बढ़ने से पहले रिसर्च योजना की समीक्षा की जा सकती है।
यह प्रोडक्ट आगे भी बदलता रहेगा, लेकिन इसका व्यवहार हमें उस विचार का एक उपयोगी असली उदाहरण देता है जो हमने अभी सीखा।
सिर्फ़ प्रोडक्ट के नाम पर ध्यान मत दीजिए।
पैटर्न पर ध्यान दीजिए:
लक्ष्य → कदम तय करना → उपलब्ध क्षमताओं का इस्तेमाल → देखना कि क्या होता है → तय करना कि आगे क्या करना है।
तो फिर “एजेंटिक AI” का क्या मतलब है?
यहीं से शब्दावली कम सुलझी हुई हो जाती है।
आपको ऐसे शब्द मिल सकते हैं:
- AI एजेंट
- स्वायत्त एजेंट
- एजेंटिक वर्कफ़्लो
- एजेंटिक सिस्टम
- एजेंटिक AI (Agentic AI)।
पूरे उद्योग में इन शब्दों की सीमाएँ पूरी तरह एक जैसी नहीं हैं।
उदाहरण के लिए, Anthropic वर्कफ़्लो (workflow) को, जहाँ मॉडल और टूल पहले से तय कोड रास्तों से चलते हैं, एजेंट से अलग करता है, जहाँ मॉडल अपनी प्रक्रिया और टूल के इस्तेमाल को खुद गतिशील रूप से निर्देशित करता है। दोनों तरह की संरचनाओं की बात करते समय वह एजेंटिक सिस्टम (agentic systems) शब्द का ज़्यादा व्यापक रूप से इस्तेमाल करता है।
दूसरे संगठन कुछ अलग भाषा इस्तेमाल करते हैं।
इसलिए हमें यह दिखावा नहीं करना चाहिए कि कोई एक सर्वमान्य तीन-खानों वाला वर्गीकरण मौजूद है।
इसके बजाय, आइए अपनी डिलीवरी समस्या पर लौटते हैं।
कल्पना कीजिए कि हमारा डिलीवरी एजेंट एक बड़े व्यावसायिक सिस्टम के अंदर काम कर रहा है।
वह इनके साथ काम कर सकता है:
- एक AI मॉडल
- ऑर्डर-प्रबंधन सिस्टम
- कूरियर ट्रैकिंग
- ग्राहक रिकॉर्ड
- कंपनी की नीतियाँ
- निश्चित व्यावसायिक नियम
- मंज़ूरी की सीमाएँ
- एक मानव सपोर्ट कर्मचारी
- शायद कुछ और विशेष AI क्षमताएँ।
अब दिलचस्प सवाल सिर्फ़ यह नहीं रह जाता:
“क्या मॉडल जवाब जेनरेट कर सकता है?”
सिस्टम को एक लक्ष्य हासिल करने के इर्द-गिर्द संगठित किया गया है, जिसमें वह तय सीमाओं के भीतर फ़ैसले लेता है, तालमेल बिठाता है और कार्रवाई करता है।
इस चित्र का सुलभ पाठ विकल्प
एजेंटिक सिस्टम नाम का एक गोल किनारों वाला फ़्रेम जिसमें हैं: सबसे ऊपर एक लक्ष्य, उसके नीचे AI एजेंट, फिर साथ-साथ तीन इनपुट, टूल (बाहरी सिस्टम), डेटा (ग्राहक संदर्भ) और नीतियाँ (व्यावसायिक नियम), जो सब एक निर्णय तक ले जाते हैं। निर्णय एक अनुमति सीमा से गुज़रता है जो बाईं ओर कार्रवाई या दाईं ओर मानवीय समीक्षा तक ले जाती है।
इसलिए एजेंटिक AI को समझने का एक उपयोगी तरीका यह है:
ऐसा AI जिसे लक्ष्य पाने, फ़ैसले लेने, उपलब्ध क्षमताओं का इस्तेमाल करने और कुछ हद तक स्वतंत्रता के साथ कार्रवाई करने या उसका तालमेल बिठाने के लिए बनाया गया हो।
फिर से, इसे एक व्यावहारिक व्याख्या मानिए, कोई सार्वभौमिक रूप से मानकीकृत परिभाषा नहीं।
और इस रिश्ते की कल्पना ऐसे मत कीजिए:
Generative AI → AI Agent → Agentic AI
जैसे एक तकनीक ने पिछली की जगह ले ली हो।
एक जेनरेटिव मॉडल किसी एजेंट को चला सकता है।
एक एजेंट किसी एजेंटिक सिस्टम के अंदर काम कर सकता है।
उस सिस्टम में साधारण सॉफ़्टवेयर, निश्चित नियम, टूल, नीतियाँ और लोग भी हो सकते हैं।
ये अवधारणाएँ आपस में मिलती-जुलती हैं।
असली बदलाव तब साफ़ दिखता है जब AI कार्रवाई कर सकता है
एक बार फिर अपनी ग्राहक समस्या पर लौटिए।
मान लीजिए हम सिस्टम से कहते हैं:
“रोज़मर्रा की डिलीवरी समस्याएँ संभालो। अगर हमारी नीति रिप्लेसमेंट भेजने की अनुमति देती है, तो उसकी व्यवस्था करो। अपवाद किसी व्यक्ति को सौंप दो।”
सिस्टम एक गुम पैकेज की जाँच करता है।
वह निष्कर्ष निकालता है कि शिपमेंट शायद खो गया है।
वह कंपनी की नीति जाँचता है।
ग्राहक रिप्लेसमेंट पाने का हक़दार है।
अब हम एक महत्वपूर्ण सवाल पर पहुँचते हैं:
क्या AI को रिप्लेसमेंट ऑर्डर खुद बनाने की अनुमति है?
यह सिर्फ़ उसकी सिफ़ारिश करने से अलग बात है।
इस चित्र का सुलभ पाठ विकल्प
एजेंट जाँच करता है और तय करता है कि शिपमेंट शायद खो गया है। वह एक कार्रवाई का प्रस्ताव रखता है, रिप्लेसमेंट ऑर्डर बनाना। एक निर्णय पूछता है कि नीति, सीमाओं और संवेदनशीलता के हिसाब से क्या इसकी अनुमति है। अगर हाँ, तो AI कार्रवाई करता है और एक बाहरी सिस्टम बदलता है: अब एक असली ऑर्डर मौजूद है। अगर नहीं, या मामला संवेदनशील है, तो एक व्यक्ति समीक्षा करके मंज़ूर या अस्वीकार करता है।
कैप्शन: एक सिफ़ारिश गलत हो सकती है। एक कार्रवाई गलत हो सकती है और कुछ असली बदल सकती है।
जब कोई AI सिस्टम किसी दूसरे सिस्टम को बदल सकता है, तो उसके फ़ैसलों के परिणाम ज़्यादा मायने रखने लगते हैं।
एक जेनरेट किया हुआ वाक्य गलत हो सकता है।
एक सिस्टम कार्रवाई गलत हो सकती है और असली वर्कफ़्लो में कुछ बदल भी सकती है।
इसीलिए अधिकार (authority) मायने रखता है।
एक बेहतर सवाल पूछिए: AI को क्या करने की अनुमति है?
जब कोई आपसे कहे कि किसी प्रोडक्ट में “AI एजेंट” है, तो सिर्फ़ लेबल पर मत रुकिए।
पूछिए कि AI असल में क्या कर सकता है।
सिस्टम को परखने का एक उपयोगी तरीका यह है:
बनाना (CREATE)
क्या वह टेक्स्ट, चित्र, कोड या दूसरी सामग्री जेनरेट कर सकता है?
पढ़ना (READ)
क्या वह फ़ाइलों, डेटाबेस, वेबसाइटों या ऐप्लिकेशनों से जानकारी निकाल सकता है?
तय करना (DECIDE)
क्या वह चुन सकता है कि अगला कदम क्या होना चाहिए?
कार्रवाई करना (ACT)
क्या वह किसी दूसरे सिस्टम को बदल सकता है, कुछ भेज सकता है, कुछ बना सकता है, कुछ मंज़ूर कर सकता है या कोई ऑपरेशन चला सकता है?
जारी रखना (CONTINUE)
क्या वह कई कदमों तक काम करता रह सकता है, बिना किसी व्यक्ति के हर एक कार्रवाई को निर्देशित किए?
इस चित्र का सुलभ पाठ विकल्प
पहली पंक्ति, क्षमता: बनाना, पढ़ना, तय करना, कार्रवाई करना। दूसरी पंक्ति, अधिकार: एक पैमाना जो इंसान द्वारा कार्रवाई करने से AI द्वारा अनुमत कार्रवाई करने तक जाता है। तीसरी पंक्ति, स्वतंत्रता: एक पैमाना जो एक जवाब से कई कदमों तक लक्ष्य की ओर बढ़ने तक जाता है।
कैप्शन: वह क्या तय कर सकता है, किस तक पहुँच सकता है, क्या बदल सकता है?
यह हर AI प्रोडक्ट को किसी एक स्थायी श्रेणी में रखने की कोशिश से ज़्यादा उपयोगी है।
पूछिए:
वह क्या तय कर सकता है?
वह किस तक पहुँच सकता है?
वह क्या बदल सकता है?
ये सवाल मार्केटिंग के लेबल से कहीं ज़्यादा सिस्टम के बारे में बताते हैं।
लेकिन क्या यह सिर्फ़ ऑटोमेशन नहीं है?
कभी-कभी होता है।
और कभी-कभी AI एक वैसे ही पारंपरिक स्वचालित प्रक्रिया का सिर्फ़ एक हिस्सा होता है।
मान लीजिए किसी कंपनी का यह नियम है:
अगर इनवॉइस की राशि $10,000 से ज़्यादा है, तो उसे मैनेजर की मंज़ूरी के लिए भेजो।
यह ऑटोमेशन (automation) है।
रास्ता पहले से तय है।
इस चित्र का सुलभ पाठ विकल्प
इनवॉइस, फिर जाँच कि राशि 10,000 डॉलर से ज़्यादा है या नहीं, फिर हाँ, फिर मैनेजर की मंज़ूरी।
अब मान लीजिए AI एक स्कैन की गई इनवॉइस पढ़ता है और उसमें से राशि निकालता है।
AI ने प्रक्रिया में मदद की।
लेकिन रास्ता फिर भी पहले से तय हो सकता है:
इस चित्र का सुलभ पाठ विकल्प
इनवॉइस, फिर AI राशि निकालता है, फिर मौजूदा व्यावसायिक नियम लागू होता है, फिर मैनेजर की मंज़ूरी।
AI जोड़ देने से वर्कफ़्लो अपने आप एजेंट नहीं बन गया।
अब एक अलग लक्ष्य पर विचार कीजिए:
“जाँच करो कि यह इनवॉइस असामान्य क्यों लग रही है।”
सिस्टम शायद इन्हें देखने का फ़ैसला करे:
- परचेज़ ऑर्डर
- पिछली इनवॉइस
- मात्राएँ
- कीमतों का इतिहास
- सप्लायर की जानकारी
- सहायक दस्तावेज़।
वह आगे क्या जाँचेगा, यह इस पर निर्भर हो सकता है कि उसे क्या मिलता है।
यह एक अलग व्यवहार है।
इस चित्र का सुलभ पाठ विकल्प
बायाँ पैनल, पारंपरिक वर्कफ़्लो: इनपुट, कदम A, कदम B, नियम, कदम C, एक तय क्रम में। रास्ता पहले से डिज़ाइन किया गया है।
दायाँ पैनल, एजेंट: लक्ष्य, तय करना कि क्या जाँचना है, टूल का इस्तेमाल, देखना, अगला कदम, और वापस तय करने की ओर लूप। रास्ता इस पर निर्भर है कि उसे क्या मिलता है।
कैप्शन: ऑटोमेशन हमारे बनाए रास्ते पर चलता है। एजेंट के पास रास्ता चुनने की कुछ ज़िम्मेदारी हो सकती है।
वर्कफ़्लो और एजेंट के बीच Anthropic का फ़र्क यहाँ काम आता है: वर्कफ़्लो पहले से तय कोड रास्तों का इस्तेमाल करते हैं, जबकि एजेंट मॉडल को प्रक्रिया के हिस्सों और टूल के इस्तेमाल को गतिशील रूप से निर्देशित करने देते हैं।
इसे याद रखने का एक सरल तरीका यह है:
ऑटोमेशन हमारे बनाए रास्ते पर चलता है। एजेंट के पास रास्ता चुनने की कुछ ज़िम्मेदारी हो सकती है।
फिर से, यह सिखाने की भाषा है, यह दावा नहीं कि हर असली सिस्टम साफ़-साफ़ किसी एक तरफ़ बैठता है।
व्यवहार में, मज़बूत सिस्टम अक्सर दोनों को मिलाते हैं।
कुछ फ़ैसले निश्चित सॉफ़्टवेयर बेहतर संभालता है।
कुछ कामों में AI के तर्क से फ़ायदा होता है।
हर फ़ैसले के लिए AI की ज़रूरत नहीं होती।
क्या एजेंट को शुरू करने के लिए हमेशा किसी व्यक्ति की ज़रूरत होती है?
नहीं।
अब तक हमारे उदाहरण किसी व्यक्ति के कुछ माँगने से शुरू हुए।
लेकिन एक IT सिस्टम की कल्पना कीजिए।
रात 2:15 a.m. पर मॉनिटरिंग को पता चलता है कि एक ऐप्लिकेशन उपलब्ध नहीं रहा।
कोई कर्मचारी चैटबॉट के सामने बैठकर यह नहीं टाइप कर रहा:
“कृपया इस आउटेज की जाँच करो।”
मॉनिटरिंग की घटना खुद काम शुरू करवा सकती है।
एक एजेंट संभवतः यह कर सकता है:
- घटना की सूचना प्राप्त करना
- मॉनिटरिंग की जानकारी देखना
- हाल के बदलाव जाँचना
- ऑपरेशनल जानकारी देखना
- मिलती-जुलती घटनाओं से तुलना करना
- उचित अगला कदम तय करना
- अनुमत कार्रवाई करना या मामले को आगे बढ़ाना।
इस चित्र का सुलभ पाठ विकल्प
रात 2:15 a.m. पर एक सिस्टम घटना, ऐप्लिकेशन उपलब्ध नहीं है, बिना किसी चैट प्रॉम्प्ट के एजेंट को शुरू करती है। एजेंट मॉनिटरिंग डेटा और हाल के बदलावों की जाँच करता है, मूल्यांकन करता है और तय करता है, फिर या तो अनुमत कार्रवाई करता है या मामला किसी व्यक्ति को सौंपता है।
कैप्शन: एजेंटिक AI का चैटबॉट जैसा दिखना ज़रूरी नहीं है।
Microsoft Copilot Studio में स्वायत्त-एजेंट पैटर्न का दस्तावेज़ीकरण करता है जहाँ एजेंट अपने तय ट्रिगर, निर्देशों और सीमाओं के अधीन, उपयोगकर्ता के प्रॉम्प्ट का इंतज़ार किए बिना घटनाओं पर प्रतिक्रिया दे सकते हैं, फ़ैसले ले सकते हैं और काम कर सकते हैं।
यह हमें एक महत्वपूर्ण बात सिखाता है:
एजेंटिक AI का चैटबॉट जैसा दिखना ज़रूरी नहीं है।
काम इसलिए भी शुरू हो सकता है क्योंकि किसी दूसरे सिस्टम में कुछ हुआ।
क्या हमें इंसान को हटा देना चाहिए?
ज़रूरी नहीं।
कल्पना कीजिए कि हमारा डिलीवरी एजेंट रिप्लेसमेंट जारी कर सकता है।
एक कंपनी तय कर सकती है:
$100 तक का रिप्लेसमेंट: अगर नीति की सभी शर्तें पूरी होती हैं, तो एजेंट आगे बढ़ सकता है।
लेकिन:
$4,000 का रिप्लेसमेंट: मानवीय मंज़ूरी (human approval) ज़रूरी।
AI फिर भी जाँच का ज़्यादातर हिस्सा कर सकता है।
असली सीमा अधिकार की है।
इस चित्र का सुलभ पाठ विकल्प
एक प्रस्तावित कार्रवाई, रिप्लेसमेंट जारी करना, इस सवाल तक पहुँचती है कि क्या यह अधिकार के भीतर है। अगर हाँ, जैसे नीति की सभी शर्तें पूरी होने पर 100 डॉलर तक का रिप्लेसमेंट, तो एजेंट कार्रवाई करता है। अगर नहीं, जैसे 4,000 डॉलर का रिप्लेसमेंट, तो एक व्यक्ति समीक्षा करके मंज़ूर या अस्वीकार करता है।
कैप्शन: कौन से फ़ैसले AI ले सकता है, और कौन से लोगों के पास ही रहने चाहिए?
यह ज़रूरी नहीं कि एजेंट की कमज़ोरी हो।
यह जानबूझकर किया गया सिस्टम डिज़ाइन हो सकता है।
स्वायत्त एजेंटों के लिए Microsoft का मार्गदर्शन सीमित अनुमतियों, स्पष्ट निर्णय सीमाओं और महत्वपूर्ण कार्रवाइयों के लिए मानवीय निगरानी पर ज़ोर देता है।
इसलिए उपयोगी सवाल यह नहीं है:
“क्या हम इंसान को हटा सकते हैं?”
बल्कि यह है:
“कौन से फ़ैसले AI ले सकता है, और कौन से फ़ैसले लोगों के पास ही रहने चाहिए?”
मानवीय समीक्षा मदद करती है, लेकिन यह जादू नहीं है
एक और महत्वपूर्ण सीमा है।
ऐसा आरेख बनाना आसान है जो कहे:
इस चित्र का सुलभ पाठ विकल्प
खतरनाक कार्रवाई, फिर मानवीय समीक्षा, फिर सुरक्षित।
हक़ीक़त ज़्यादा जटिल है।
AI का व्यवहार संभाव्य (probabilistic) हो सकता है।
Microsoft ने चेतावनी दी है कि, कंप्यूटर-उपयोग एजेंटों की मानवीय निगरानी के संदर्भ में, कोई एजेंट हर उस स्थिति में मानवीय समीक्षा (human review) की माँग न भी करे जहाँ कोई व्यक्ति उससे रुकने की उम्मीद करता हो।
इसका मतलब है कि मानवीय मंज़ूरी एक महत्वपूर्ण नियंत्रण है, लेकिन उसे कोई जादुई गारंटी नहीं मानना चाहिए।
नियंत्रणों को सिस्टम के असली जोखिमों और अधिकार के हिसाब से डिज़ाइन करना होगा।
अगर एजेंट कुछ गलत कर दे तो?
ग्राहक का एक और संदेश देखिए:
“आपने जो रिफ़ंड देने का वादा किया था, वह मुझे अभी तक नहीं मिला।”
मान लीजिए AI खाते के इतिहास को गलत समझ लेता है।
अगर वह सिर्फ़ जवाब का मसौदा बना रहा है, तो कुछ होने से पहले कोई व्यक्ति गलती पकड़ सकता है।
लेकिन कल्पना कीजिए कि सिस्टम को रिफ़ंड जारी करने का अधिकार है।
अब रास्ता कुछ ऐसा हो सकता है:
इस चित्र का सुलभ पाठ विकल्प
श्रृंखला: रिफ़ंड के बारे में ग्राहक का एक अनुरोध, एक गलतफ़हमी जहाँ AI खाते के इतिहास को गलत पढ़ता है, एक गलत निर्णय कि रिफ़ंड बनता है, एक गलत कार्रवाई जहाँ AI खुद रिफ़ंड जारी कर देता है, और बाहरी सिस्टम में एक बदलाव जहाँ पैसा जा चुका है।
साथ की टिप्पणी: अगर AI सिर्फ़ जवाब का मसौदा बनाता है, तो एक व्यक्ति पहले गलती पकड़ सकता है। अगर AI को रिफ़ंड जारी करने का अधिकार है, तो वही गलती एक असली सिस्टम बदल देती है।
कैप्शन: मूल गलती शायद एक जैसी हो। परिणाम एक जैसा नहीं है।
AI की मूल गलती शायद एक जैसी हो।
परिणाम एक जैसा नहीं है।
इसीलिए जैसे-जैसे AI सिस्टम को अधिकार मिलता है, अनुमतियाँ, सीमाएँ और ऑडिट की क्षमता और भी महत्वपूर्ण होती जाती हैं।
AI-एजेंट सुरक्षा पर NIST के काम ने एजेंट की पहचान, प्राधिकरण, प्रत्यायोजन, टूल और ऐप्लिकेशनों तक पहुँच, ऑडिटिंग और प्रॉम्प्ट इंजेक्शन (prompt injection) जैसे हमलों सहित कई मुद्दों को उजागर किया है।
याद रखने लायक एक उपयोगी रिश्ता यह है:
इस चित्र का सुलभ पाठ विकल्प
क्रम में तीन पट्टियाँ: ज़्यादा अधिकार (AI ज़्यादा सिस्टम बदल सकता है), ज़्यादा संभावित परिणाम (एक गलत निर्णय दूर तक असर करता है), ज़्यादा मज़बूत नियंत्रण (इस हिसाब से कि सिस्टम क्या बदल सकता है)। छह नियंत्रण सूचीबद्ध हैं: अनुमतियाँ, सीमाएँ, मंज़ूरियाँ, निगरानी, ऑडिट और रिकवरी।
कैप्शन: नियंत्रण इस बात से मेल खाने चाहिए कि सिस्टम क्या-क्या बदल सकता है।
इसका मतलब यह नहीं कि स्वायत्त सिस्टम अपने आप असुरक्षित हैं।
इसका मतलब है कि नियंत्रण इस बात से मेल खाने चाहिए कि सिस्टम क्या-क्या बदल सकता है।
क्या आप पहचान सकते हैं कि क्या हो रहा है?
खत्म करने से पहले, इन उदाहरणों को आज़माइए।
उदाहरण 1“इस 30 पन्नों की रिपोर्ट का सारांश बनाओ।”
मूल व्यवहार क्या है?
जेनरेटिव AI।
सिस्टम मुख्य रूप से दी गई जानकारी का एक नया रूप तैयार कर रहा है।
उदाहरण 2“पाँच प्रतिस्पर्धियों पर रिसर्च करो, उनके प्रोडक्ट और कीमतों की तुलना करो, छूटी हुई जानकारी ढूँढो और स्रोतों सहित एक रिपोर्ट तैयार करो।”
क्या यह अपने आप AI एजेंट है?
हो सकता है, लेकिन सिर्फ़ प्रॉम्प्ट से यह जानना काफ़ी नहीं है।
अगर सॉफ़्टवेयर पूरी तरह पहले से तय रिट्रीवल क्रम का पालन करता है और फिर AI मॉडल से रिपोर्ट लिखने को कहता है, तो यह अब भी एक AI-सहायता प्राप्त वर्कफ़्लो हो सकता है।
अगर सिस्टम रिसर्च की योजना बनाता है, चुनता है कि क्या जाँचना है, जो मिला उसका मूल्यांकन करता है, कमियाँ पहचानता है और तय करता है कि आगे क्या करना है, तो व्यवहार कहीं ज़्यादा एजेंट जैसा है।
संरचना मायने रखती है।
उदाहरण 3“अगर कोई इनवॉइस $10,000 से ज़्यादा है, तो उसे मैनेजर को भेजो।”
पारंपरिक ऑटोमेशन।
रास्ता पहले से तय है।
उदाहरण 4AI इनवॉइस पढ़ता है और कुल राशि निकालता है। फिर मौजूदा सॉफ़्टवेयर $10,000 वाला नियम लागू करता है।
क्या यह एजेंट है?
अपने आप नहीं।
AI वर्कफ़्लो में हिस्सा ले रहा है, लेकिन फ़ैसले का रास्ता अब भी पहले से तय हो सकता है।
उदाहरण 5“हर सुबह, अनसुलझी ग्राहक शिकायतों की जाँच करो। रोज़मर्रा के मामलों को नीति के भीतर हल करो और अपवादों को आगे बढ़ाओ।”
यह एजेंटिक संचालन के कहीं ज़्यादा करीब है।
सिस्टम के पास है:
- एक चलता रहने वाला लक्ष्य
- कई संभावित कार्रवाइयाँ
- बदलती जानकारी पर आधारित फ़ैसले
- तय अधिकार
- आगे बढ़ाने की सीमाएँ।
सटीक संरचना अब भी मायने रखती है, लेकिन अब हम व्यवहार को पहचान सकते हैं।
लेबल से ज़्यादा उपयोगी हैं तीन सवाल
जेनरेटिव AI, AI एजेंट और एजेंटिक AI उपयोगी शब्द हैं।
लेकिन इनकी सीमाएँ पूरी तरह साफ़ नहीं हैं।
प्रोडक्ट क्षमताओं को मिलाते हैं।
परिभाषाएँ बदलती रहती हैं।
और वेंडर हमेशा शब्दावली का बिल्कुल एक जैसा इस्तेमाल नहीं करते।
इसलिए जब आपको कोई नया “AI एजेंट” मिले, तो लेबल पर बहस से शुरुआत मत कीजिए।
तीन सवालों से शुरुआत कीजिए:
वह क्या तय कर सकता है?
वह किस तक पहुँच सकता है?
वह क्या बदल सकता है?
ये सवाल बताते हैं कि AI के पास असल में कितनी ज़िम्मेदारी है।
एक चौथा सवाल स्वाभाविक रूप से इसके पीछे आता है:
मानवीय अधिकार कहाँ बना रहता है?
अगर सिस्टम सिर्फ़ मसौदा बनाता है, तो जवाब अपेक्षाकृत सरल है।
अगर वह रिसर्च कर सकता है, कदम चुन सकता है, टूल बुला सकता है, फ़ैसले ले सकता है और बाहरी सिस्टम बदल सकता है, तो डिज़ाइन की समस्या कहीं ज़्यादा दिलचस्प हो जाती है।
इस चित्र का सुलभ पाठ विकल्प
क्रम में तीन कार्ड। जेनरेटिव AI: मैं आपके लिए क्या बना सकता हूँ? AI एजेंट: हम कौन सा लक्ष्य पाना चाहते हैं, और मुझे आगे क्या करना चाहिए? एजेंटिक संचालन: उस लक्ष्य में मदद के लिए AI किन सीमाओं के भीतर क्या तय और क्या कर सकता है?
टिप्पणी: यह कोई सख़्त सीढ़ी नहीं, बल्कि यह देखने का तरीका है कि ज़्यादा ज़िम्मेदारी मिलने पर AI की भूमिका कैसे बदलती है।
इसे एक सख़्त परिपक्वता की सीढ़ी की तरह मत पढ़िए।
इसे इस तरह पढ़िए कि जैसे-जैसे हम AI को ज़्यादा ज़िम्मेदारी देते हैं, AI की भूमिका कैसे बदलती है।
एक बार यह फ़र्क साफ़ हो जाए, तो एक और सवाल कहीं ज़्यादा दिलचस्प हो जाता है:
पर्दे के पीछे असल में क्या हो रहा है जिससे यह सब काम करता है?
यहीं से तकनीकी सफ़र शुरू होता है।
इस श्रृंखला में आगे
जेनरेटिव AI, AI एजेंट और एजेंटिक AI: ये अंदर से कैसे काम करते हैं
अगला लेख इंटरफ़ेस के पीछे जाता है।
हम एक अनुरोध को तकनीकी सिस्टम के भीतर से गुज़रते हुए देखेंगे और जाँचेंगे कि मॉडल जवाब कैसे जेनरेट करते हैं, टूल कैसे बुलाए जाते हैं, एजेंट योजना कैसे बनाते और नतीजे कैसे देखते हैं, मेमोरी और स्टेट कैसे काम करते हैं, एजेंटिक वर्कफ़्लो कार्रवाइयों का तालमेल कैसे बिठाते हैं, और सुरक्षा, विश्वसनीयता और मानव-नियंत्रण की व्यवस्थाएँ कहाँ फ़िट होती हैं।
संदर्भ और आगे पढ़ने के लिए
नीचे दिए हर स्रोत को 6 अक्टूबर 2026 को खोलकर उस वाक्य से मिलाया गया जो उसका हवाला देता है।
- Anthropic: Building Effective Agents. ऑगमेंटेड LLM, वर्कफ़्लो और एजेंट के बीच फ़र्क का प्राथमिक साक्ष्य, जिसमें पहले से तय ऑर्केस्ट्रेशन बनाम मॉडल द्वारा निर्देशित प्रक्रिया और टूल इस्तेमाल शामिल है।
- Google Cloud: What are AI agents?. लक्ष्य की ओर बढ़ने और आमतौर पर बताई जाने वाली एजेंट क्षमताओं (तर्क, योजना, मेमोरी और स्वायत्तता) का प्राथमिक साक्ष्य।
- Google: Gemini Deep Research overview. Deep Research को स्वायत्त रिसर्च एजेंट बताने, उसके योजना-समीक्षा चरण और उसके दोहराव वाले रिसर्च व्यवहार का प्राथमिक प्रोडक्ट साक्ष्य।
- Microsoft Learn: Event triggers overview, Microsoft Copilot Studio. घटना से शुरू होने वाले स्वायत्त संचालन, एजेंट निर्देशों, ट्रिगर के दायरे और स्वायत्त एजेंटों के लिए Microsoft द्वारा दस्तावेज़ की गई डेटा-सुरक्षा सीमाओं का प्राथमिक साक्ष्य।
- Microsoft Learn: Human supervision of computer use, Microsoft Copilot Studio. संभाव्य एजेंट व्यवहार में मानवीय-समीक्षा व्यवस्थाओं की सीमाओं का प्राथमिक साक्ष्य।
- Salesforce: Agentforce. ग्राहक-सेवा एजेंट के उपयोग मामलों और उचित होने पर मानव सपोर्ट को सौंपने का प्राथमिक प्रोडक्ट साक्ष्य।
- NIST: New Concept Paper on Identity and Authority of Software Agents (February 2026). एजेंट की पहचान, प्राधिकरण, ऑडिटिंग और अस्वीकार-निषेध (non-repudiation), डेटा, टूल और ऐप्लिकेशनों तक पहुँच, और प्रॉम्प्ट इंजेक्शन नियंत्रणों का स्वतंत्र साक्ष्य।
- OpenAI Help Center: ChatGPT capabilities overview. मसौदा बनाने, दोबारा लिखने, सारांश बनाने और समझाने जैसे जाने-पहचाने जेनरेटिव कामों का प्राथमिक प्रोडक्ट साक्ष्य। यह वर्तमान प्रोडक्ट को सिर्फ़ जेनरेटिव के रूप में वर्गीकृत नहीं करता।
संपादकीय साक्ष्य टिप्पणी
इस लेख के निम्नलिखित वाक्यांश जानबूझकर बनाए गए TechiesJournal के शिक्षण मॉडल हैं, उद्योग की औपचारिक परिभाषाएँ नहीं:
“जेनरेटिव AI कुछ बनाता है। AI एजेंट किसी लक्ष्य की ओर काम करता है।”
“ऑटोमेशन हमारे बनाए रास्ते पर चलता है। एजेंट के पास रास्ता चुनने की कुछ ज़िम्मेदारी हो सकती है।”
“ज़्यादा अधिकार → ज़्यादा संभावित परिणाम → ज़्यादा मज़बूत नियंत्रण।”
ये दस्तावेज़ीकृत संरचनात्मक और शासन संबंधी अवधारणाओं को आम पाठक के लिए सरल बनाते हैं।