AI क्षेत्र इतिहास की सबसे शक्तिशाली मूल्य-सृजन तकनीकों में से एक हो सकता है, फिर भी इसमें मूल्य-कैप्चर की समस्या हो सकती है।
एलेक्स कार्प का कहना है कि AI खरीदने वाली कंपनियां अपनी IP को Anthropic और OpenAI में लीक करने का जोखिम उठाती हैं। सत्या नडेला इसका जवाब 'संप्रभुता' (sovereignty) कहते हैं: एक फर्म अपनी बुद्धिमत्ता पर नियंत्रण रखे, न कि उसे हर क्वेरी पर वापस किराए पर ले। वे एक ही बात कह रहे हैं, लेकिन थोड़े अलग तरीके से: अब दुर्लभ संपत्ति केवल मॉडल नहीं है, बल्कि वह संदर्भ और जानकारी भी है जो मॉडल आपकी कंपनी और उसके प्रतिस्पर्धियों के समग्र पैटर्न से सीखता है।
बीमा उद्योग को लें। कल्पना करें कि State Farm, Progressive, Allstate, Travelers, Chubb, AIG, Liberty Mutual और 100 से अधिक छोटे वाहक सभी एक ही मॉडल के माध्यम से दावे प्रोसेस कर रहे हैं। हर वाहक उसे जानकारी का एक ही प्रवाह देता है: दुर्घटना विवरण, फोटो, मरम्मत अनुमान, एडजस्टर का नोट, सीमा-रेखा अनुमोदन, धोखाधड़ी फ्लैग, ओवरराइड, भुगतान, अपील, वसूली परिणाम।
पहली नज़र में यह स्पष्ट रूप से उपयोगी है। मॉडल दावों को तेज़ी से प्रोसेस करता है, संदिग्ध मामलों को फ्लैग करता है, सीखता है कि कौन से मरम्मत अनुमान बढ़ा-चढ़ाकर हैं, कौन से चिकित्सा पैटर्न अजीब लगते हैं, और कौन से ओवरराइड बाद में नुकसान बन जाते हैं।
लेकिन अगर वही मॉडल हर वाहक से सीखता है, तो क्या आपका दावा-निर्णय अभी भी आपका लाभ है? वह अंडरराइटिंग अपवाद जिसने आपके loss ratio को बचाया, एक बेंचमार्क बन जाता है। वह धोखाधड़ी पैटर्न जिसे आपकी टीम ने जल्दी पकड़ लिया था, बाजार को वापस बेचा जाने वाला फीचर बन जाता है।
ध्यान दें कि आप क्या रखते हैं और क्या खोते हैं। बीमाकर्ता के पास अभी भी जोखिम, ग्राहक संबंध, नियामक और loss ratio है। साझा मॉडल के पास तेजी से सीखने की अवस्था (learning curve) बढ़ती जाती है। आपकी गलतियाँ, ओवरराइड, और कठिन-अर्जित दावा-अंतर्ज्ञान प्रशिक्षण संकेत बन जाते हैं।
वह अंतर्ज्ञान आपकी वास्तविक बौद्धिक संपदा का हिस्सा है। पंजीकृत प्रकार का नहीं—पेटेंट और ब्रांड—बल्कि परिचालन प्रकार का: आपके लोग कैसे जोखिम का मूल्यांकन करते हैं, धोखाधड़ी पकड़ते हैं, अस्पष्टता पढ़ते हैं, और फर्म की सभी जानकारी का उपयोग करते हैं। मॉडल उस दुर्लभ निर्णय को पुनरुत्पादनीय बनाकर आपकी एक खाई (moat) को मिटा सकता है।
यही कारण है कि केवल डेटा सुरक्षा पर ध्यान केंद्रित करने वाले उद्यम बहुत संकीर्ण सोच रहे हैं। गहरी संपत्ति संस्थागत संदर्भ और जानकारी (know-how) है: लोगों के दिमाग में कठिन पेशेवर काम के बारे में निर्णय।
लेब इस बात को समझते हैं। OpenAI और Anthropic कथित तौर पर डेटा को साल-दर-साल 10 गुना बढ़ा रहे हैं और डोमेन विशेषज्ञों को जुटाने में अरबों खर्च कर रहे हैं ताकि वे कार्य (tasks) बना सकें जो एजेंटों को प्रशिक्षित करते हैं। कार्य विशेषज्ञ काम को कुछ ऐसा बनाना है जिससे मॉडल सीख सके: प्रॉम्प्ट, वातावरण, क्रिया, रूब्रिक, वेरिफ़ायर, स्कोर।
अब जीवन विज्ञान को लें। Anthropic ने अपनी दिशा स्पष्ट कर दी है: आज शोधकर्ताओं के लिए उपकरण, समय के साथ अधिक स्वायत्त खोज। Claude for Life Sciences और Claude Science साहित्य, एजेंट, वैज्ञानिक कलाकृतियाँ, पुनरुत्पादनीयता और कंप्यूट को एक "वर्कबेंच" में रखते हैं। यदि हजारों बायोटेक कंपनियां उस सिस्टम का उपयोग लक्ष्यों, परखों, सुरक्षा, अंतिम बिंदुओं और 'मारो या जारी रखो' निर्णयों के आसपास करती हैं, तो डर यह नहीं है कि Anthropic किसी बायोटेक की विशिष्ट खोज देखेगा; डर यह है कि Anthropic सीखेगा कि हजारों कंपनियों में गंभीर दवा खोज के प्रश्न और निर्णय कैसे दिखते हैं, और साथ ही उसी क्षेत्र में प्रवेश करेगा।
पहले-पक्ष (first-party) उत्पाद इस "सीखने" को बड़े पैमाने पर कैप्चर करने का तरीका हैं। बीमा में, मॉडल आपकी बढ़त को उद्योग के आधार रेखा में घोल देता है। फार्मा में, यह वह कर सकता है और फिर जो कई ने इसे सिखाया है, उसका उपयोग करके आपसे प्रतिस्पर्धा कर सकता है। यह आपकी वास्तविक खाइयों को भी अधिक उजागर करता है (इस पर बाद में और अधिक)।
मुझे लगता है कि कोई भी इस तथ्य से बहस नहीं करेगा कि AI निजी जानकारी को बड़े पैमाने पर उपयोगी बनाकर मूल्य सृजित करता है। लेकिन यह "जानकारी" को कम दुर्लभ भी बनाता है। यदि हर बीमाकर्ता, बैंक या बायोटेक एक ही मॉडल के माध्यम से समान क्षमता तक पहुँच सकता है, तो जो कभी आपकी बढ़त थी, वह उद्योग का आधार बन जाती है। मूल्य गायब नहीं होता; यह बंट जाता है: ग्राहकों को कम कीमतें या बेहतर सेवा मिलती है, मॉडल विक्रेता को सीखने का लाभ मिलता है, और आपको एक अग्रिम-भारित उत्पादकता लाभ मिलता है जिसे प्रतिस्पर्धा घिस देती है।
यहाँ कारण है कि टिकाऊ मूल्य का इतना कम हिस्सा आपके पास क्यों रहता है।
- अगर सभी को एक ही बढ़त मिलती है, तो ग्राहक इसे रख लेते हैं। एक ऑटो निर्माता की कल्पना करें जो सेमीकंडक्टर, रेज़िन, फ्रेट, कॉन्ट्रैक्ट मैन्युफैक्चरिंग क्षमता और वैकल्पिक पार्ट्स पर बातचीत करने के लिए मॉडल का उपयोग करता है। बढ़त अगले निर्माता से बेहतर खरीदना है: यह जानना कि कौन सी आपूर्तिकर्ता की कमी वास्तविक है, कौन सा कोट अतिरिक्त मार्जिन छिपाता है, और कब आपूर्ति बनाए रखना कीमत निचोड़ने से अधिक महत्वपूर्ण है। यदि हर निर्माता एक ही मॉडल के माध्यम से खरीदारी चलाता है, तो मॉडल केवल लागत कम नहीं करता। यह खरीद को अधिक "समान" बनाता है। सबसे अच्छा खरीदार अपनी प्रक्रिया और बाकी सभी की प्रक्रिया के बीच का अंतर खो देता है। आपूर्तिकर्ता भी अनुकूलित हो जाते हैं: एक बार जब हर खरीदार समान लागत-विश्लेषण, वैकल्पिक-स्रोत मानचित्र और बातचीत की स्क्रिप्ट के साथ आता है, तो वह नाटक मूल्य में समाहित हो जाता है।
- मॉडल वह भी कैप्चर करता है जो संचय (compounds) होता है। 1,000 संसाधन-सीमित बायोटेक कंपनियों की कल्पना करें जो Claude for Life Sciences का उपयोग करती हैं क्योंकि उनके पास बड़ी फार्मा कंपनी का आंतरिक प्लेटफॉर्म नहीं है। प्रत्येक कंपनी के पास अपना यौगिक, प्रयोगशाला लागत, विफल प्रोग्राम और नियामक निशान है। लेकिन वर्कबेंच उन सभी में पैटर्न देख सकता है: किस विषाक्तता संकेत ने प्रोग्राम को मारा, किस परख ने झूठा विश्वास दिया, कौन सा अंतिम बिंदु कमजोर था, और कौन सा रोगी उपसमूह सही नहीं था। यदि यह पर्याप्त बायोटेक और फार्मा कंपनियों के बीच बैठता है, तो यह विफलता पैटर्न देख सकता है जो कोई एक कंपनी नहीं देख सकती। जबकि डेटा में लाभ विशिष्टता (exclusivity) में है, एक साझा वर्कबेंच एकत्रीकरण (aggregation) द्वारा विशिष्टता को तोड़ देता है। और क्योंकि Anthropic अपनी खुद की दवाएं विकसित करने का इरादा रखता है, आपके द्वारा दक्षता के लिए अपनाया गया उपकरण उस इकाई द्वारा बनाया गया है जिसका अंतिम खेल वही करना हो सकता है जो आप करते हैं, उसका उपयोग करके जो उसने क्षेत्र को देखकर सीखा।
- आप अद्वितीय (unique) योगदान करते हैं और औसत (average) प्राप्त करते हैं। आप विभेदित निर्णय, डेटा, संदर्भ और निर्णय प्रदान करते हैं: वह धोखाधड़ी पैटर्न जिसे आपकी टीम ने अकेले पकड़ा, वह आपूर्तिकर्ता झूठ जिसे आपके खरीदार ने नज़रअंदाज़ किया, वह व्यापार जिसे आपके PM ने बाजार के देखने से पहले मार दिया। आपको सभी का मिश्रण वापस मिलता है। Citadel कभी नहीं चाहेगा कि दुनिया का हर पॉड उसके सबसे अच्छे PM के मारने के मानदंडों पर प्रशिक्षित हो। सबसे अच्छी फर्म के लिए, यह हारने वाला व्यापार है: आप औसत से ऊपर का निर्णय सौंपते हैं और माध्य प्राप्त करते हैं।
- डेटा अधिकार सीखने के अधिकार नहीं हैं। कंपनियां प्रतिधारण, गोपनीयता, सुरक्षा, पहुँच नियंत्रण और प्रशिक्षण ऑप्ट-आउट पर बातचीत करना जानती हैं। लेकिन अधिक महत्वपूर्ण प्रश्न यह है कि व्युत्पन्न निर्णय (derived judgment) का मालिक कौन है: कार्य, फीडबैक लूप, मूल्यांकन, वर्कफ़्लो ट्रेस, सुधार, विफलता मोड, निर्णय पैटर्न, एजेंट कौशल और उत्पाद अंतर्दृष्टि। एक बार जब मॉडल कंपनी कठिन समस्या को जान लेती है, तो वह नौकरी के तर्क को दूसरे तरीके से प्राप्त कर सकती है। वह विशेषज्ञों को स्रोत कर सकती है ताकि वे ऐसे मामले बनाएं जो समान निर्णयों का परीक्षण करें: क्या मॉडल को दरें बढ़ानी चाहिए, अंडरराइटिंग कड़ी करनी चाहिए, धोखाधड़ी को फ्लैग करना चाहिए, एक खंड को बाहर करना चाहिए, या लाभदायक ग्राहक रखने के लिए बदतर loss ratio स्वीकार करना चाहिए? तर्क प्रशिक्षित होने योग्य हो जाता है।
- लाभ अग्रिम-भारित है; निर्भरता संचयित होती है। पहला अपनाना एक वास्तविक उत्पादकता छलांग बनाता है। लेकिन एक बार जब प्रतिस्पर्धी वही मॉडल चलाते हैं, तो वह छलांग आधार रेखा बन जाती है, और जो बचता है वह आपकी बढ़त नहीं है, बल्कि अगले अपग्रेड पर आपकी निर्भरता है। हर कोई पहले उत्थान को कैप्चर करेगा, लेकिन विक्रेता आवर्ती सीखने की अवस्था को कैप्चर करता है। पहले वर्ष, फैक्ट्री मॉडल डाउनटाइम कम करता है, लेकिन फिर हर प्रतिद्वंद्वी के पास वही पूर्वानुमानित रखरखाव वर्कफ़्लो होता है और विक्रेता के पास वह प्रक्रिया अंतर्ज्ञान होता है जिस पर आप अब निर्भर हैं।
इसका मतलब यह नहीं है कि शून्य कैप्चर है। पहला चलने वाला (first mover) प्रतिद्वंद्वियों के अपनाने से पहले की खिड़की में वास्तविक लाभ कमाता है। एकमात्र समस्या यह है कि टिकाऊ मूल्य उसके पास जाता है जो सीखने का मालिक है, और डिफ़ॉल्ट रूप से वह आप नहीं हैं। जो पूरी चीज़ को वर्कफ़्लो दर वर्कफ़्लो, कार्य दर कार्य किए गए निर्णयों में बदल देता है। जहाँ आपका काम सामान्य है, वहाँ उसे पूल करें और लाभ लें, क्योंकि वहाँ आप औसत दर्जे की रक्षा कर रहे हैं। जहाँ आपके लोगों का निर्णय ही उत्पाद है, उसे साझा मॉडल से दूर रखें।
इसे देखने का सबसे सरल तरीका यह है। TikTok, YouTube और Google के बारे में सोचें: आप सोचते हैं कि आप ग्राहक हैं, लेकिन आप कच्चा माल हैं। आपके द्वारा देखा गया हर वीडियो एल्गोरिदम को सिखाता है कि क्या काम करता है, और वह सीखना वास्तविक उत्पाद है, जो अगले विज्ञापनदाता को बेचा जाता है और अगले उपयोगकर्ता को जोड़ने के लिए उपयोग किया जाता है।
CEO को Anthropic और OpenAI के बारे में इसी तरह सोचना चाहिए: एंटरप्राइज़ डेटा के लिए TikTok, सिवाय इसके कि फ़ीड आपका काम है और सगाई का संकेत आपका निर्णय है। मॉडल प्रदाता वह मशीन है जो आपकी कंपनी में सबसे महँगी जानकारी पर लक्षित है। आपके विशेषज्ञ दावों, व्यापारों, खंडों, आपूर्तिकर्ताओं, परीक्षणों, जोखिम कॉलों और उत्पादन समस्याओं में मदद के लिए आते हैं। हर झिझक, ओवरराइड, एस्केलेशन, अनुमोदन, अस्वीकृति और दूसरी नज़र मॉडल को सिखाती है कि आपकी कंपनी कैसे सोचती है।
TikTok पर, निर्माता को कम से कम भुगतान मिलता है। यहाँ, आप डेटा, संदर्भ और डेटा से सीखना ("जानकारी") प्रदान करते हैं, और प्लेटफ़ॉर्म तैयार उत्पाद को आपके पूरे उद्योग को वापस बेच सकता है, या अंततः फार्मा के मामले में आपसे प्रतिस्पर्धा करने का निर्णय ले सकता है।
तो कार्यकारी प्रश्न सरल है: क्या आप अपनी खुद की कंपनी का TikTok चाहते हैं, या आप साझा वाले का उपयोग करना चाहते हैं? आपको शायद दोनों के माध्यम से रूट करने की आवश्यकता है।
Anthropic, OpenAI या किसी अन्य साझा मॉडल में कोई उच्च-मूल्य वर्कफ़्लो रखने से पहले, एक प्रश्न पूछें: यदि हर प्रतिस्पर्धी सीख ले कि हम इस निर्णय को कैसे संभालते हैं, तो क्या हम अभी भी उनसे बेहतर होंगे?
