AI اور سافٹ ویئر انجینئرنگ کی حالت: کوڈ سستا ہے، مہارت زیادہ قیمتی ہے۔ [Full Book]

AI پیداوری، انسانی صلاحیتوں، سافٹ ویئر اکنامکس، SaaS دفاعی صلاحیت، اور انجینئرنگ کے کام کے مستقبل پر ایک رپورٹ۔

2024 اور 2026 کے درمیان، ورکنگ کوڈ کی ایک لائن تیار کرنے کی معمولی لاگت فیلڈ کی تاریخ کے کسی بھی پچھلے موڑ کے مقابلے میں زیادہ تیز اور تیز ہو جائے گی۔

بڑے پیمانے پر لینگویج ماڈلز اور ان کے اوپر بنائے گئے کوڈنگ ایجنٹس اب پروٹو ٹائپس، انٹرفیس، ٹیسٹ، اسکرپٹ، دستاویزات، ڈیٹا بیس اسکیماس، ہجرت، اور انضمام کو اس رفتار سے بنا سکتے ہیں جس کا پانچ سال پہلے تصور بھی نہیں کیا جا سکتا تھا۔

کوئی بھی معقول مبصر جو اہل ایجنٹوں کو دوپہر میں کام کرنے والی ایپلی کیشنز بناتے ہوئے دیکھتا ہے وہ یہ نتیجہ اخذ کر سکتا ہے کہ سافٹ ویئر انجینئرنگ کو حل کر دیا گیا ہے، یا کم از کم کموڈیٹائز کر دیا گیا ہے، اور یہ کہ اس کے ارد گرد بنایا گیا پیشہ ٹرمینل زوال میں داخل ہو رہا ہے۔

اس رپورٹ میں جمع کیے گئے شواہد ایک مختلف سمت کی طرف اشارہ کرتے ہیں۔ بے ترتیب کنٹرول ٹرائلز، ڈویلپر کے رویے کے بڑے پیمانے پر مشاہداتی مطالعہ، خود مختار ایجنٹوں کے بینچ مارک تشخیص، لیبر مارکیٹ کی پیشن گوئی، تنخواہ مائکروڈیٹا، وینچر فنانسنگ ڈیٹا، اور عوامی مارکیٹ کی قیمتوں میں مستقل نمونے ابھرتے ہیں۔

مصنوعی ذہانت نے کوڈ بنانے کی لاگت کو نمایاں طور پر کم کر دیا ہے جبکہ انسانی صلاحیتوں کی قدر کو بڑی حد تک برقرار رکھتے ہوئے (اور بہت سے طریقوں سے بڑھتا ہے) یہ فیصلہ کرنے کے لیے کہ کیا لکھنا ہے، اس بات کا تعین کرنے کے لیے کہ آیا آؤٹ پٹ درست ہے، اور نتائج کی ذمہ داری قبول کرتے ہیں۔

100,000 سے زیادہ ڈویلپرز کے مطالعے سے پتا چلا ہے کہ کمٹ میں 180% اضافے کے نتیجے میں اصل سافٹ ویئر ریلیز میں 30% اضافہ ہوا اور اینڈ یوزر گود لینے (NBER) میں بے حد اضافہ ہوا۔

تقریباً 400,000 ایجنٹ سیشنز کے تجزیے سے پتہ چلتا ہے کہ ایک ہی ماڈل تقریباً دوگنا کامیاب ہوتا ہے جب کسی ماہر کی طرف سے چلایا جاتا ہے اس کے مقابلے میں جب کوئی نوآموز (انسان) چلاتا ہے۔

روزگار کے امکانات پیشوں کی ایک تنگ رینج کو ظاہر کرتے ہیں، بشمول: کمپیوٹر پروگرام جبکہ 10 سالوں میں اس میں 6 فیصد کمی واقع ہوئی، سافٹ ویئر ڈویلپر تقریباً 16 فیصد اضافہ (بیورو آف لیبر سٹیٹسٹک)۔

ایک ساتھ مل کر، یہ نتائج ٹوٹنے کی بجائے تقسیم کو بیان کرتے ہیں۔ نچلی سطح کی ملازمتیں (واضح ہدایات کو نحو میں ترجمہ کرنا، معیاری اجزاء کو جمع کرنا، موجودہ انٹرفیس بنانا) کو تیز رفتاری سے خودکار، گاڑھا اور کموڈیٹائز کیا جا رہا ہے۔

سب سے اوپر (فن تعمیر، ضروریات کی تعریف، سیکورٹی، وشوسنییتا انجینئرنگ، ڈومین ماڈلنگ، تصدیق، انضمام، اور جوابدہی)، اس بات کا ثبوت ہے کہ کمی کم ہونے کے بجائے بڑھتی جا رہی ہے، کیونکہ تیار کردہ نمونے کی مقدار جس میں فیصلے کی ضرورت ہوتی ہے ان کو چلانے کے اہل لوگوں کی فراہمی سے زیادہ تیزی سے بڑھی ہے۔

اسی تقسیم کو سافٹ ویئر کے کاروبار کی معاشیات میں دیکھا جا سکتا ہے۔ سنٹرلائزڈ پبلک SaaS کمپنیوں کی آمدنی ایک سال میں 6.7 سے کم ہو کر 3.6 ہو گئی، جبکہ ایکوائررز نے واقعی مشکل ورک فلو (سافٹ ویئر ایکویٹی گروپ) میں کمپنیوں کے لیے اوسطاً 6.3 گنا ریونیو ادا کیا۔

ہم اسے ایک بار پھر ان کمپنیوں میں دیکھتے ہیں جن کے پاس مخالف نتائج پر عمل کرنے کے اوزار ہیں۔ جوش و خروش کے ایک سال میں، صنعت کی تاریخ میں کسی بھی گروپ کے مقابلے بہتر اندرونی کوڈ جنریشن کے ساتھ، 76% انٹرپرائز مصنوعی ذہانت کے حل تعمیر کیے جانے کے بجائے خریدے گئے (مینلو وینچرز)۔

رپورٹ اپنے دعوؤں کو پانچ حصوں میں پیش کرتی ہے۔

حصہ 1 اس بات کا جائزہ لیتا ہے کہ پیداواری شواہد اصل میں کیا ظاہر کرتے ہیں، بشمول AI محدود کاموں پر فراہم کرنے والے اہم فوائد اور پیچیدہ کاموں پر اتنے ہی اہم نقصانات جو یہ پیدا کر سکتا ہے۔ یہ مفت ہونے کے بجائے بجلی کی پیداوار کے لیے ایک قیمت بھی مقرر کرتا ہے، اس اعتراض کا مقابلہ کرتا ہے کہ AI خود بخود خود سے تصدیق کی رکاوٹوں کو خود کار بنائے گا، اور وہ حفاظتی سطح پیش کرتا ہے جو سستی بجلی پیدا کرتی ہے۔

حصہ 2 انسانی صلاحیتوں کو AI کی مدد سے چلنے والی انجینئرنگ پر ایک پابند رکاوٹ کے طور پر جانچتا ہے، ان کی تعمیر کے لیے درکار وقت، ریگولیٹڈ صنعتیں جہاں مجاز انسانی دستخط نہ صرف قیمتی ہیں بلکہ قانونی طور پر ضروری ہیں، اور نظاموں کی وہ کلاس جہاں نقائص کی لاگت تعمیر کی لاگت سے زیادہ ہے۔

حصہ 3 لیبر مارکیٹ کا جائزہ لیتا ہے، بشمول سینئر لیول کی بھرتی کے ارتکاز اور اس سے مستقبل میں مہارت کی فراہمی کو لاحق ساختی خطرات، اور یہ پوچھ کر نتیجہ اخذ کیا جاتا ہے کہ AI سرٹیفیکیشن کے لیے استعمال ہونے والے کارکردگی کے فرق کو ختم کرنے کے بعد بھی کالج کی ڈگری کیا تحفظ فراہم کرتی ہے، اور غیر رجسٹرڈ انجینئرز کے لیے کیا کھلی تعلیم ممکن ہے۔

کوڈ کے سستے ہونے کے بعد حصہ 4 سافٹ ویئر کے کاروبار کی معاشیات کا جائزہ لیتا ہے، بشمول کوڈ بیس سے آس پاس کے سسٹمز میں مسابقتی فائدہ کی منتقلی، پھر اس بات کا جائزہ لیتا ہے کہ سافٹ ویئر کے اندر سرمایہ کاری کا سرمایہ اصل میں کہاں مختص کیا جاتا ہے، ہارڈ ویئر سے بھاری زمروں کو مساوات سے باہر چھوڑنے اور مصنوعی ذہانت اور سافٹ ویئر کی درجہ بندی کے درمیان ضرورت سے زیادہ اوورلیپ پر غور کرنے کے بعد۔

اور حصہ 5 تجزیہ کو انجینئرنگ تنظیموں، سٹارٹ اپس کے لیے عملی رہنمائی میں ترجمہ کرتا ہے جو یہ فیصلہ کرتے ہیں کہ پروٹو ٹائپ کب کمپنی بننا چاہیے، انفرادی پریکٹیشنرز، اور سرمایہ مختص کرنے والے، اور واضح طور پر ان شرائط کا تعین کرتا ہے جن کے تحت رپورٹ کی مرکزی تھیم کو غلط قرار دیا جا سکتا ہے۔

ہم کیا احاطہ کریں گے:

اس رپورٹ کو کیسے پڑھیں

اس دستاویز میں تمام مقداری دعوے نامزد ذرائع سے منسوب ہیں اور استعمال کے نکات سے منسلک ہیں، اور اعداد و شمار کے مکمل سیٹ کو موضوع کے لحاظ سے گروپ کیا گیا ہے اور ضمیمہ A میں دوبارہ پیش کیا گیا ہے، لہذا قارئین جو خود ثبوت کی بنیاد کی جانچ کرنا چاہتے ہیں وہ ارد گرد کے دعووں کو پڑھے بغیر ایسا کر سکتے ہیں۔

ضمیمہ B ثبوت کے معیار اور حدود پر بحث کرتا ہے، بشمول دکانداروں کی طرف سے سپانسر کردہ مطالعات، چھوٹے نمونوں کے ساتھ مطالعہ، ایسے مطالعات جن کے نتائج کو پہلے ہی جزوی طور پر نئے آلات سے تبدیل کر دیا گیا ہے، اور ایسے مطالعات جن میں مصنفین نے عوامی تبصروں میں کارآمد تشریحات کے خلاف واضح طور پر خبردار کیا ہے۔

اس کی وجہ یہ ہے کہ ایک رپورٹ جس میں دعویٰ کیا گیا ہے کہ فیصلہ نتائج سے زیادہ اہم ہے اگر وہ بغیر کسی فیصلے کے اپنا ثبوت پیش کرے تو خود تردید ہو گی۔

رپورٹ میں کوڈ بھی شامل ہے۔ فہرست قابل عمل ہونے کی بجائے مثالی ہے۔ فہرست کو سب سے چھوٹے فارمیٹ میں گھٹا دیا گیا ہے جو کہ بنائے جانے والے نقطہ کو بتاتا ہے، اور اصل ورژن کے لیے درکار درآمدات، غلطی سے نمٹنے اور ترتیب کو چھوڑ دیا گیا ہے، جن میں سے کسی کو بھی آپ کے سسٹم پر کاپی نہیں کیا جانا چاہیے۔ ان کا مقصد یہ ہے کہ اس رپورٹ کے مرکزی امتیاز کو صرف اسی اونچائی سے بنایا جائے جہاں سے اسے براہ راست دیکھا جا سکتا ہے: خود نمونے کی اونچائی۔

اگر آپ سافٹ ویئر نہیں لکھنا چاہتے ہیں، تو آپ پوائنٹ کو کھوئے بغیر پوری چیز کو چھوڑ سکتے ہیں۔ ہر دعوی سے پہلے اس کی وضاحت کی گئی دلیل ہے، اس کے بعد اسے پڑھنا ہے۔

رپورٹ میں ایسے نتائج ہیں جو جان بوجھ کر موضوع کے خلاف ہیں۔ 95 پروفیشنل ڈویلپرز کے بے ترتیب ٹرائل سے پتہ چلا کہ اے آئی کی مدد سے کام کی تکمیل میں 55.8 فیصد بہتری آئی، جبکہ 202 تجربہ کار ڈویلپرز کے الگ مطالعہ نے پڑھنے کی اہلیت، قابل اعتماد، برقرار رکھنے اور جامعیت (مائیکروسافٹ، دی گٹ ہب بلاگ) میں قابل پیمائش بہتری پائی۔

یہ ایک اچھی طرح سے بنائے گئے تجربے کے حقیقی نتائج ہیں، اور موجودہ لمحے کی کوئی بھی وضاحت جو انہیں چھوڑ دیتی ہے وہ تجزیہ کے بجائے پروپیگنڈا ہے۔

یہاں جو دعویٰ کیا گیا ہے وہ یہ نہیں ہے کہ AI قدر فراہم نہیں کرتا، یہ واضح طور پر غلط ہے۔ اس کے بجائے، یہ جو قدر فراہم کرتا ہے وہ کام پر منحصر، تنظیم پر منحصر، اور آپریٹر پر منحصر ہے۔ اس طرح غالب گفتگو بڑی حد تک اس کی قیمت طے کرنے میں ناکام رہی ہے۔

حصہ 1: اپنے کوڈ کو سستا بنائیں

1. ایک زبردست، نامکمل خیال

ایک وسیع اور بڑھتا ہوا عقیدہ ہے کہ سافٹ ویئر انجینئرنگ آسان ہو گئی ہے۔ یہ دعویٰ سادہ ہے اور جزوی طور پر درست ہونے کا اضافی فائدہ ہے۔

اب جب کہ AI کوڈ لکھ سکتا ہے، یہاں تک کہ ایک چھوٹی ٹیم بھی دنیا میں کہیں بھی چند GPUs کے ساتھ، جدید ترین ماڈلز تک رسائی، اور کافی خواہش چند ہفتوں میں دوبارہ پیدا کر سکتی ہے جس کے لیے پہلے ایک تجربہ کار انجینئرنگ تنظیم اور ایک سال کی مالی امداد کی کوشش کی ضرورت تھی۔

اس خیال میں، روایتی سافٹ ویئر کمپنیوں کی حفاظت کرنے والی رکاوٹیں درحقیقت تکنیکی نہیں تھیں۔ اب یہ محض محنت کا ایک ذخیرہ تھا جسے مشینیں کم قیمت پر انجام دے سکتی تھیں۔ جب آپ مزدوری کے اخراجات کو ختم کرتے ہیں، تو آپ رکاوٹوں کو بھی ختم کرتے ہیں۔

خیال پرکشش ہے کیونکہ اس میں حقیقی بصیرت ہوتی ہے، اور اس لیے کہ یہ بہت سے لوگوں کے عزائم کو ہوا دیتا ہے جنہیں پہلے صرف چند ہی عملی جامہ پہنا سکتے تھے۔ یہ ان طریقوں سے بھی نامکمل ہے جو ہر اس شخص کے لیے ناقابل یقین حد تک اہم ہیں جو سرمایہ مختص کرتا ہے، کیریئر کی منصوبہ بندی کرتا ہے، تنظیموں کو ڈیزائن کرتا ہے، اور فیصلہ کرتا ہے کہ کیا بنانا ہے۔

مصنوعی ذہانت نے سافٹ ویئر انجینئرنگ کو مکمل طور پر تبدیل کر دیا ہے۔ پروٹوٹائپس، انٹرفیس، ٹیسٹ، سکرپٹ، دستاویزات، ڈیٹا بیس اسکیماس، اور انضمام کو ناقابل یقین رفتار سے بنائیں۔ اس سے لوگوں کو غیر مانوس مہارتیں سیکھنے، ان طریقوں کو دریافت کرنے میں مدد ملتی ہے جن پر شاید انہوں نے غور نہیں کیا ہو گا، اور ان کاموں کو خودکار بنائیں جو پہلے ضروری اور تھکا دینے والے تھے۔

اس رپورٹ میں کوئی بھی چیز اس سے اختلاف نہیں کرتی ہے، اور رپورٹ کا ایک اہم حصہ یہ بتانے کے لیے وقف ہے کہ دیے گئے آپریشن کے لیے یہ فوائد کتنے بڑے ہیں۔

لیکن آسان کاموں کو آسان بنانا مشکل انجینئرنگ کے مسائل کو ختم کرنے جیسا نہیں ہے، اور دونوں کو الجھانا موجودہ گفتگو میں ایک مرکزی غلطی ہے۔

اختلافات کو واضح طور پر بیان کیا جا سکتا ہے۔ AI نے قابل اعتماد نظاموں کی تعمیر یا ان کے تعین کے لیے درکار انسانی صلاحیتوں کی مشکل کو ختم کیے بغیر کوڈ بنانے کی لاگت کو کم کر دیا ہے۔ جو کام کرنے والے سافٹ ویئر کی طرح لگتا ہے وہ ضروری طور پر قابل اعتماد سافٹ ویئر نہیں ہے، اور دونوں زمروں کے درمیان فرق وہ ہے جہاں انجینئرنگ کی مکمل اقتصادی قدر ہمیشہ موجود رہے گی۔

تیار کردہ ایپلیکیشن ایک کنٹرول شدہ ڈیمو میں بالکل کام کر سکتی ہے، لیکن پھر بھی چھ ماہ کی مسلسل ترقی کے ساتھ ساتھ بوجھ، مخالفانہ ان پٹ، جزوی بندش، اسکیما منتقلی، غیر معمولی ڈیٹا، تقاضوں کو تبدیل کرنے، تعمیل کے جائزے، مخالفانہ حملوں، یا کسی ایسے شخص کی طرف سے جس نے اسے نہیں لکھا اور آسانی سے پڑھ نہیں سکتا، ناکام ہو جاتا ہے۔

جو AI کمپریس کرتا ہے وہ خیالات اور مظاہروں کے درمیان فاصلہ ہے، اور وہ کمپریشن درست، بڑا اور نتیجہ خیز ہے۔ ڈیمو اور قابل اعتماد کمپنیوں کے درمیان جو فاصلہ کم از کم بے مثال نہیں ہے وہ ہے۔

اس رپورٹ کا بقیہ حصہ دوسرے فاصلے کی پیمائش سے متعلق ہے، یہ سمجھنا کہ یہ آٹومیشن کے خلاف کیوں مزاحم ثابت ہوا ہے، اور دونوں طرف کام کرنے والے لوگوں اور کمپنیوں کے لیے مضمرات کو نکالنا ہے۔

2. سافٹ ویئر انجینئرنگ دراصل کس چیز پر مشتمل ہے۔

سافٹ ویئر انجینئرنگ نے بنیادی طور پر نحو سازی سے نمٹا نہیں ہے، لیکن اس کی مرئیت نے اسے میدان سے باہر کے مبصرین کے لیے ہمیشہ اس طرح ظاہر کیا ہے۔ کوڈ انجینئرنگ کے عمل کے نتائج میں سے ایک ہے، اور ایک بالغ تنظیم میں یہ سب سے مہنگا کوڈ نہیں ہے۔

اصل کام میں یہ بھی شامل ہے:

• یہ معلوم کرنا کہ ضروریات کیا ہیں (اکثر ان کو پورا کرنے سے زیادہ مشکل)

• ایک فن تعمیر کا انتخاب کریں جو آپ کے تقاضوں کے بدلتے ہی قابل عمل رہے۔

• ایک جزو میں خرابی کو پورے نظام میں پھیلنے سے روکنے کے لیے خرابی کی حدود ڈیزائن کریں۔

• ڈیٹا کی حفاظت کریں جہاں نقصان یا نمائش تباہ کن ہو سکتی ہے۔

• انحصار کو کنٹرول کرنا جہاں دیکھ بھال کرنے والے اجنبی ہیں۔

• غیر معمولی حالات کی جانچ کرنا جن کا ابھی تک کسی نے تصور بھی نہیں کیا تھا۔

• مختلف مفروضوں کے تحت چھوڑنے والوں کے بنائے ہوئے نظاموں کے ساتھ مربوط ہوں۔

• ہر ٹیسٹ ماحول کے لیے مختلف پیداواری رویے کی نگرانی کریں۔

• غیر رول بیک ایبل ہجرت کا انتظام کرنا

• نامکمل طور پر منسلک مراعات کے ساتھ ٹیم کوآرڈینیشن

• ہم اس پروڈکٹ کو سالوں تک برقرار رکھتے ہیں جب اس کی تعمیر کا ابتدائی جوش ختم ہو جاتا ہے۔

ماڈل منٹوں میں قابل فہم کوڈ کی ہزاروں لائنیں تیار کر سکتا ہے، اور اس کی فضیلت سطحی نہیں ہے۔ کوڈ کثرت سے مرتب کرتا ہے، کسی بھی ٹیسٹ کو پاس کرتا ہے، اور کسی بھی ان پٹ کے لیے صحیح برتاؤ کرتا ہے جس نے کبھی کوشش کرنے کا سوچا ہو۔

جو ماڈل خود بخود نہیں جانتا ہے وہ یہ ہے کہ آپ کی تنظیم کے لیے کون سی کاروباری ضروریات درحقیقت اہم ہیں، جیسا کہ پرامپٹ میں واضح طور پر بیان کردہ کاروباری تقاضوں کے برخلاف۔

آپ یہ بھی نہیں جانتے کہ آپ کی تنظیم کون سے تجارتی معاہدوں کو قبول کرنے کے لیے تیار ہے، اور کون سے تجارتی معاہدوں کو چھ ماہ بعد اہم قیمت پر واپس لے سکتی ہے۔ ہم نہیں جانتے کہ کون سے میراثی نظام میں خلل نہیں ڈالا جا سکتا کیونکہ وہ ادائیگیوں کا تصفیہ کرتے ہیں، کون سے ضابطے کی ذمہ داریاں کن دائرہ اختیار پر لاگو ہوتی ہیں، یا ریگولیٹرز کو کون سے ثبوت درکار ہوں گے۔ اور آپ کو اس بات کا کوئی اندازہ نہیں ہے کہ جب کوئی ایک ایڈمنسٹریٹر ان کو ترک کردے گا تو کون سے انحصار سیکیورٹی کی ذمہ داریاں بن جائیں گے، کون سے تعمیراتی فیصلے رکاوٹ بن جائیں گے اور دو سال بعد دوہرے ہندسے والی ٹریفک کو آگے بڑھائیں گے، اور کون سی بظاہر معمولی خصوصیات ایک بڑی پروڈکٹ کے مرکزی ستون بن جائیں گی کیونکہ ایک کسٹمر کیٹیگری جسے کسی نے بھی ماڈل نہیں بنایا ہے وہ اپنے آپریشنز کو سب سے اوپر بنائے گا۔

ان پیراگراف کے درمیان فاصلہ دلیل کی نسبت آؤٹ پٹ میں دیکھنا آسان ہے۔ تجارتی سافٹ ویئر کے لیے سب سے عام تقاضوں کے بارے میں سوچیں، جس طرح سے پروڈکٹ مینیجر ان کی وضاحت کرے گا۔ دوسرے الفاظ میں، یہ صارفین کو ایک اکاؤنٹ سے دوسرے اکاؤنٹ میں رقم منتقل کرنے کی اجازت دیتا ہے۔ ایک اچھا ماڈل آپ کو سیکنڈوں میں جواب دے گا، اور یہ جواب برا بھی نہیں ہے۔

# The generated answer to "let users transfer funds between accounts".
# It compiles, it passes the tests it was given, and it is wrong.
def transfer(session, from_id, to_id, amount):
    source = session.query(Account).get(from_id)
    target = session.query(Account).get(to_id)
    if source.balance < amount:
        raise InsufficientFunds()
    source.balance -= amount
    target.balance += amount
    session.commit()
    return {"status": "ok"}

اس کا کوئی بھی فنکشن غیر فعال نہیں ہے۔ یہ کاروباری اصولوں کو صحیح طریقے سے بیان کرتا ہے، ان پیشگی شرائط کو چیک کرتا ہے جو کوئی بھی دیکھنا چاہتا ہے، اور تمام مظاہروں میں بے عیب طریقے سے کام کرتا ہے۔

مزید برآں، کم از کم نصف درجن نقائص ہیں جو پہلے موجود نہیں تھے لیکن پیداوار میں ظاہر ہوں گے۔

• اگر آپ ایک ہی اکاؤنٹ سے بیک وقت دو ٹرانسفر کرتے ہیں تو ایک ہی بیلنس پڑھا جائے گا اور دونوں کامیاب ہوں گے، جس کے نتیجے میں اوور ڈرافٹ ہوگا۔

• ایک کلائنٹ جو ٹائم آؤٹ کے بعد دوبارہ کوشش کرتا ہے اس کے اکاؤنٹ کو دو بار ڈیبٹ کرے گا کیونکہ ایسا کوئی ریکارڈ نہیں ہے کہ پہلی درخواست پہلے ہی لاگو کی گئی ہو۔

• منفی مقداریں منتقلی کی سمت کو ریورس کرتی ہیں اور اس کی اجازت ہے۔

• مختلف کرنسیوں میں اکاؤنٹس کے درمیان منتقلی نمبروں کو بغیر تبادلوں کے منتقل کرتی ہے۔

• اگر آپ اکاؤنٹس کے ایک ہی جوڑے کے درمیان مخالف سمتوں میں بیک وقت دو منتقلی کرتے ہیں، تو آپ مخالف ترتیب میں قطاریں حاصل کر لیں گے اور تعطل پیدا ہو جائے گا۔

• اور جو کچھ ہوا اس کا کوئی ریکارڈ نہیں ہے۔ اس کا مطلب یہ ہے کہ اس بات کا تعین کرنے کا کوئی طریقہ نہیں ہے کہ جب پچھلے پانچ میں سے ایک واقع ہوا تو سسٹم نے کیا کیا۔

# The engineered answer. The business rule is unchanged. Everything added
# exists because of a specific way the version above fails in production.
def transfer(session, from_id, to_id, amount, idempotency_key):
    if amount <= 0:
        raise InvalidAmount(amount)

    prior = session.query(Transfer).filter_by(key=idempotency_key).one_or_none()
    if prior is not None:
        return prior.result          # a retry of a request already applied

    first, second = sorted((from_id, to_id))    # fixed lock order, no deadlock
    with session.begin(isolation_level="SERIALIZABLE"):
        a = session.query(Account).with_for_update().get(first)
        b = session.query(Account).with_for_update().get(second)
        source, target = (a, b) if a.id == from_id else (b, a)

        if source.currency != target.currency:
            raise CurrencyMismatch(source.currency, target.currency)
        if source.balance < amount:
            raise InsufficientFunds(from_id, amount, source.balance)

        source.balance -= amount
        target.balance += amount
        session.add(Transfer(key=idempotency_key, src=from_id, dst=to_id,
                             amount=amount, at=utcnow()))
    return {"status": "ok"}

دوسرا ورژن پہلے کے مقابلے میں زیادہ مشکل نہیں ہے، جو اس پر اعتراض کے بجائے نقطہ ہے. کوئی بھی قابل ماڈل اس کے قریب کچھ پیدا کرے گا: ڈیمانڈ پر ٹرانزیکشنز کو سیریلائز کریں، انہیں ایک مقررہ ترتیب میں بند کریں، غیر فعال کلیدوں کی ضرورت ہے، غیر مثبت رقم کو مسترد کریں، کالوں کی تصدیق کریں، آڈٹ کی قطاریں لکھیں، وغیرہ۔

جس ان پٹ کی کمی ہے وہ ان لائنوں کو لکھنے کی صلاحیت نہیں ہے۔ یہ جاننا ہے کہ ہر ایک کا موجود ہونا ضروری ہے، پہلے ورژن کو ناکام ہوتے دیکھ کر حاصل کیا گیا علم، وہ علم جو پرامپٹ لکھنے والے کے پاس ہے یا نہیں ہے۔

کوڈ سستا ہو گیا ہے، لیکن فہرستیں نہیں ہیں۔ مکمل ورژن، بشمول استثنائی درجہ بندی، دوبارہ کوشش کرنے والا لفافہ، ڈبل انٹری لیجر، اور پہلے ٹیسٹ سے مختلف نو ٹیسٹ، ضمیمہ D.1 میں دیا گیا ہے۔ یہ تقریباً 300 لائنوں کے برابر ہے، جس میں 10 لائنیں ضروریات کا اظہار کرتی ہیں۔

یہ ایک ایسا طریقہ کار ہے جہاں زیادہ کوڈ بنانے سے زیادہ قدر پیدا نہیں ہوتی، اور یہ کوئی لطیف یا متنازعہ طریقہ کار نہیں ہے۔ کوڈ صرف ایک پروڈکشن کے عمل میں ایک انٹرمیڈیٹ اچھا ہے جہاں دوسرے ان پٹ کی کمی ہوتی ہے۔ اور درمیانی سامان کی سپلائی میں اضافہ کرنے سے پیداوار میں اضافہ نہیں ہوتا جب دوسرے ان پٹ پابند ہوتے ہیں۔

اس حصے کا بقیہ حصہ ان شواہد کا جائزہ لیتا ہے کہ بالکل ایسا ہی ہوا ہے۔

3. پروڈکشن فنل: جب 100,000 ڈویلپرز کو ایجنٹ موصول ہوئے تو کیا ہوا؟

اس سوال پر سب سے زیادہ براہ راست بڑے پیمانے پر ثبوت نیشنل بیورو آف اکنامک ریسرچ کے ذریعہ شائع کردہ 2026 کے مطالعے سے حاصل ہوتے ہیں۔ اس مطالعہ نے AI کوڈنگ ٹولز کی پے در پے نسلوں میں 100,000 سے زیادہ GitHub ڈویلپرز کا سروے کیا۔

تحقیقی ڈیزائن اس حقیقت کا فائدہ اٹھاتا ہے کہ یہ ٹولز الگ الگ لہروں میں پہنچے ہیں: پہلے خودکار تکمیل، پھر بات چیت کے کوڈنگ ایجنٹس جو بات چیت کے لوپس میں کام کرتے ہیں، اور پھر خود مختار ایجنٹس جو محدود نگرانی کے ساتھ کثیر مرحلہ کے کاموں کو انجام دے سکتے ہیں۔ اس نے مطالعہ کے مصنفین کو یہ مشاہدہ کرنے کی اجازت دی کہ خصوصیات میں بہتری کے ساتھ ڈویلپر کے رویے میں کیسے تبدیلی آتی ہے۔

کوڈ جنریشن پر اثر واضح اور اہم تھا۔ خودکار تکمیل نے کوڈنگ کی سرگرمی میں تقریباً 40% اضافہ کیا۔ بات چیت کے کوڈنگ ایجنٹوں نے اس میں تقریباً 140 فیصد اضافہ کیا۔ خود مختار ایجنٹوں نے اس میں تقریباً 180 فیصد اضافہ کیا۔

یہ کوئی معمولی بہتری نہیں ہے۔ 100,000 ڈویلپرز کے ایک گروپ میں کمٹ حجم میں تقریباً تین گنا اضافہ سافٹ ویئر انڈسٹری کی تاریخ میں سب سے بڑی پیداواری تبدیلیوں میں سے ایک کی نمائندگی کرتا ہے۔ کوئی بھی شخص جو اس بات پر شک کرتا ہے کہ AI پروگرامنگ میکانزم میں ایک حقیقی کردار ادا کرتا ہے اسے آگے بڑھنے سے پہلے نمبروں کو چیک کرنا چاہئے۔

100,000 سے زیادہ ڈویلپرز کے لیے خودکار تکمیل نے کوڈنگ کی سرگرمی میں تقریباً 40%، انٹرایکٹو کوڈنگ ایجنٹوں میں تقریباً 140%، اور خود مختار ایجنٹوں میں تقریباً 180% اضافہ کیا ہے۔ (نیشنل اکنامک ریسرچ سروس)

اس کے بعد کیا ہوا ایک اہم دریافت تھی۔ کمٹ میں 180% اضافہ صرف 50% مزید پروجیکٹس اور تقریباً 30% زیادہ حقیقی ریلیز میں ترجمہ کرتا ہے۔ ایپلی کیشن کے چار بڑے بازاروں میں، محققین نے شائع ہونے والی نئی ایپلی کیشنز کی تعداد میں معمولی اضافہ دیکھا، لیکن کل استعمال میں کوئی اضافہ نہیں ہوا۔

اس کا مطلب یہ ہے کہ فنل ہر قدم پر ڈرامائی طور پر نسلوں میں تنگ ہو جاتا ہے، اور جب اضافی پیداوار اس مقام تک پہنچ جاتی ہے جہاں حقیقی اقتصادی قدر کا ادراک ہوتا ہے (سافٹ ویئر استعمال کرنے والے صارفین)، پیمائش شدہ اثر مکمل طور پر غائب ہو چکا ہوتا ہے۔

ریاضی واضح طور پر قابل ذکر ہے کیونکہ اس کا فیصد میں کھو جانا آسان ہے۔ کمٹ میں 180% اضافے اور ریلیز میں 30% اضافے کا مطلب ہے کہ ریلیز کے لیے کمٹ کا تناسب تقریباً 2.6 کے فیکٹر سے بڑھ گیا ہے۔ ہر ریلیز اب پہلے کے مقابلے میں نمایاں طور پر زیادہ تیار کردہ کوڈ استعمال کرتی ہے۔

# The NBER funnel stated as arithmetic rather than as percentages, with
# every stage indexed to its own pre-agent baseline of 1.00.
stage_multiple = {
    "commits":  2.80,   # +180 percent
    "projects": 1.50,   # +50 percent
    "releases": 1.30,   # +30 percent
    "usage":    1.00,   # no measured change
}

previous = 1.00
for stage, multiple in stage_multiple.items():
    print(f"{stage:>9}  {multiple:.2f}x   "
          f"passed through: {multiple / previous:.0%}")
    previous = multiple

#   commits  2.80x   passed through: 280%
#  projects  1.50x   passed through: 54%
#  releases  1.30x   passed through: 87%
#     usage  1.00x   passed through: 77%
#
# Generated artefacts consumed per shipped release, against the baseline:
#   2.80 / 1.30 = 2.15x

دائیں کالم وہ کالم ہے جہاں آپ دلائل پاس کرتے ہیں۔ ہر نمبر پچھلے مرحلے سے حاصل ہونے والے فوائد کا فیصد ہے جو اگلے مرحلے تک زندہ رہتا ہے، ایک نسل کے بعد پہلی منتقلی پر منتقلی بدترین ہوتی ہے۔ یہ فنل کی گردن ہے اور جہاں ٹول کے ذریعے نہیں بڑھائے گئے ان پٹ (جائزہ کی صلاحیت، ضروریات کی وضاحت، انضمام کی کوشش، اور ان لوگوں کی دلچسپی جو سسٹم کو سمجھتے ہیں) پابند بن جاتے ہیں۔

ایک پیمائش کے سوال کا جواب دینا ضروری ہے اس سے پہلے کہ اس تناسب میں کوئی قابل بحث وزن ہو، اور یہ رپورٹ اس کا مکمل جواب نہیں دے سکتی۔ کمٹ کوڈ کی اکائی کے بجائے ڈویلپر کی کارروائی کی اکائی ہے، اور زیر مطالعہ ٹول نے براہ راست اپنا رویہ تبدیل کر دیا ہے۔ مرحلہ وار ایک کام انجام دینے والا ایجنٹ مرحلہ وار کمٹ تیار کر سکتا ہے، جب کہ ایک ہی کام کو براہ راست انجام دینے والا شخص آخر میں کمٹمنٹ پیدا کر سکتا ہے۔

لہٰذا، 180% کا کوئی بھی ناقابل بازیافت حصہ اس سامان کا ایک نمونہ ہے بجائے اس کے کہ کیا بنایا گیا تھا، اور اس حصے کا سائز کشندگی کی اصل ڈگری کا تعین کرتا ہے۔

مطالعہ کی رپورٹنگ نے قطاروں کو تبدیل کیا یا گود لینے سے پہلے اور بعد میں کمٹ سائز کی تقسیم سے مسئلہ حل ہو جائے گا۔ جب تک آپ ایسا نہیں کرتے، اس کا صحیح معنوں میں مطلب ہے کہ آپ کا فنل اچھی طرح سے ڈائریکٹ ہے (پیدا کردہ نمونے اور بھیجے گئے ریلیز کے تناسب میں نمایاں اضافہ ہوا ہے)۔ دوسری طرف، 2 اور 6 کے مخصوص عناصر کو پیمائش کے بجائے اصل کشندگی کی بالائی حدوں کے طور پر سمجھا جانا چاہیے۔

فنل کا آخری مرحلہ ایک الگ وضاحت کا مستحق ہے، اور اسے دوسرے مراحل کے ساتھ الجھانا ایک غلطی ہوگی جو یہ رپورٹ بنانے میں دلچسپی نہیں رکھتی۔

کل استعمال میں اضافے کے بغیر مارکیٹ میں نئی ​​ایپلی کیشنز کی آمد انجینئرنگ کی صلاحیت کا کوئی ثبوت نہیں ہے۔ مجموعی طور پر مارکیٹ پلیس کا استعمال محدود ہے کہ وہاں کتنے لوگ ہیں اور ان کے پاس کتنا سود اور پیسہ ہے۔ یہ مطالبہ کی طرف کی رکاوٹ ہے جسے انجینئرنگ کے فیصلے، جائزہ لینے کی صلاحیت، یا تعمیراتی نظم و ضبط کی کوئی مقدار کم نہیں کر سکتی۔

یہ انصاف کے قریب ہے کہ محدود طلب والی مارکیٹ میں سپلائی میں اضافہ اس مارکیٹ میں کل کھپت میں اضافہ نہیں کرتا۔ لہذا، استعمال کی تحقیق حقیقی اور اہم حقائق کو قائم کرتی ہے۔ دوسرے لفظوں میں، سافٹ ویئر کو اپنانے کی پابند رکاوٹ کبھی بھی سافٹ ویئر کی فراہمی نہیں ہوتی ہے۔ تاہم، یہ انجینئر کے بجائے کسٹمر کے لیے کہانی قائم کرتا ہے اور اسے اس رپورٹ کے موضوع کے لیے معاونت کے طور پر نہیں لیا جانا چاہیے۔

وہ مراحل جو تھیسس کو سپورٹ کرتے ہیں وہ ابتدائی مراحل ہیں جہاں تیار کردہ کوڈ کا ترجمہ مکمل پروجیکٹ میں نہیں کیا گیا ہے اور مکمل پروجیکٹ کو ریلیز میں ترجمہ نہیں کیا گیا ہے۔

ان ابتدائی مراحل میں، رکاوٹیں نسلوں میں ابھریں، عمل کے دوران نہیں۔ ان لوگوں کی ضروریات جنہوں نے مکمل طور پر فیصلہ نہیں کیا تھا کہ وہ کیا چاہتے ہیں اب بھی واضح ہونے کی ضرورت ہے۔ آؤٹ پٹ کا ابھی بھی انجینئرز کے ذریعہ جائزہ لیا جانا تھا جو اس کا جائزہ لے سکتے تھے، اور جائزہ لینے کی صلاحیت میں 180٪ اضافہ نہیں کیا گیا تھا۔

اجزاء کو ابھی بھی ایک ایسے نظام کے ساتھ مربوط کرنا تھا جس کی اپنی مجبوریاں تھیں۔ پروڈکٹ کا ابھی بھی ان حالات کے خلاف تجربہ کیا جانا تھا جو کسی نے متعین نہیں کیے تھے، غیر ماڈل مخالفوں سے محفوظ، ایسے ماحول میں تعینات جو تیار سے مختلف برتاؤ کرتے تھے، ان لوگوں کی حمایت کرتے تھے جنہیں پروڈکٹ کو سمجھنے کی ضرورت ہوتی تھی، اور سب سے بڑھ کر، ان صارفین کے ذریعہ اپنایا جاتا تھا جن کے مفادات، بجٹ، خریداری کے عمل، اور منتقلی کے اخراجات اس حقیقت سے مکمل طور پر متاثر نہیں ہوتے تھے کہ سافٹ ویئر تیار کرنا سستا تھا۔

مطالعہ نے یہ بھی اندازہ لگایا ہے کہ AI اور انسانی کوششوں کے درمیان متبادل کی لچک صرف 0.25 ہے۔ یہ ایک سادہ معنی کے ساتھ ایک تکنیکی پیرامیٹر ہے۔ اس سے پتہ چلتا ہے کہ AI اور انسانی کام متبادل کے بجائے مضبوطی سے تکمیلی ہیں، اور کمپنیاں مستقل پیداوار کے لیے ایک دوسرے کا براہ راست تبادلہ نہیں کر سکتیں۔

لچک کی اس سطح کا مطلب یہ ہے کہ AI ان پٹ میں اضافے کے ساتھ ساتھ انسانی ان پٹ کو کم کرنے سے پیداوار میں نمایاں طور پر کمی آئے گی، جو اس وجدان کا رسمی اظہار ہے کہ دونوں ان پٹ مختلف کام کرتے ہیں۔ AI نے پیداواری عمل کے ایک حصے کو تیز کیا ہے اور اسے ڈرامائی طور پر تیز کیا ہے، لیکن ارد گرد کے انسانی نظاموں نے اس بات کا تعین کیا ہے کہ اس سرعت کا کتنا حصہ اس کی ادائیگی کرنے والے لوگوں تک پہنچتا ہے۔

AI اور ergonomics کی کوششوں کے درمیان متبادل تخمینہ کی لچک تقریباً 0.25 تھی، جو براہ راست متبادل کے بجائے مضبوط تکمیل کی نشاندہی کرتی ہے۔ (نیشنل اکنامک ریسرچ سروس)

یہ پیرامیٹر ایک ذمہ داری بھی بناتا ہے جسے اس رپورٹ کو بیک برنر پر چھوڑنے کے بجائے حصہ III میں پورا کرنا چاہیے۔ کیونکہ پہلی نظر میں، یہ اس کے برعکس پیشین گوئی کرتا ہے جو لیبر ڈیٹا دکھاتا ہے۔ اگر AI اور انسانی کوششیں مضبوط تکمیل ہیں، تو AI کو وافر اور سستی بنانے سے انسانی ان پٹ کی معمولی پیداوار کو بڑھا کر اس کی مانگ میں اضافہ ہونا چاہیے۔

حصہ III نئی بھرتیوں میں کمی اور سینئر عہدوں کی طرف 15 سے 1 تعصب کو دستاویز کرے گا۔ یہ تکمیل کے بجائے متبادل کے دستخط کی طرح لگتا ہے۔

ہم آہنگی یہ ہے کہ تخمینہ لچکدار افرادی قوتوں پر مجموعی ہیں جو ان لحاظ سے یکساں نہیں ہیں، دو مخالف رشتوں کو چھپاتے ہیں۔ وہ کام جو ذیلی کاموں کی وضاحت کرتے ہیں وہ محدود، اچھی طرح سے مخصوص کام ہیں جنہیں AI سب سے زیادہ آسانی سے تبدیل کر سکتا ہے، جبکہ منصوبہ بندی، تصدیق، اور جوابدہی جو کہ اعلیٰ سطحی کاموں کی وضاحت کرتی ہے وہ کام ہیں جو AI ڈھانچہ بناتا ہے۔

0.25 کی مجموعی لچک ملازمتوں کے ساتھ مطابقت رکھتی ہے جو نصف افرادی قوت کے ذریعہ مکمل کی جاتی ہے اور باقی نصف کی جگہ لی جاتی ہے، جسے رپورٹ مجموعی طور پر پڑھتی ہے۔

ان اعداد و شمار سے نکلنے والے پروڈکشن فنل کو مختصراً بیان کیا جا سکتا ہے، جو اس رپورٹ کے دعووں کا سب سے اہم مقداری اظہار ہے، جس میں مندرجہ بالا شرائط منسلک ہیں۔ بہت زیادہ تیار کردہ کوڈ کے نتیجے میں کوڈ والیوم کی تجویز کے مقابلے میں کم مکمل شدہ پروجیکٹس نکلے، اور ان پروجیکٹس نے ابھی بھی کم ریلیز تیار کیں۔

تخلیق اور رہائی کے درمیان وہ مرحلہ ہے جہاں انسانی فیصلہ، انسانی ہم آہنگی، اور انسانی دلچسپی ان پٹ کو محدود کرتی ہے، اور ٹولز کی آمد نے ان ان پٹ کو وسیع نہیں کیا ہے۔ لانچ کے بعد جو کچھ ہوا اس کا تعین گاہک کی مانگ سے ہوا، جو کہ ایک الگ رکاوٹ اور الگ دلیل تھی۔

4. اصل میں کس نسل کی لاگت آئے گی؟

اس نکتے پر دلیل نے وسیع تر بحث کے کنونشنوں کی پیروی کی، نسلوں کے ساتھ ایسا سلوک کیا جیسے وہ آزاد ہوں۔

اس مشق کا دفاع کیا جا سکتا ہے جب ٹولز خود بخود مکمل ہو جاتے ہیں اگر ان لوگوں کی اجرت کے خلاف پیمائش کی جائے جو خود وہی کوڈ لکھتے ہیں۔ اب غالب موڈ ایجنٹس ہیں جو بڑے سیاق و سباق پر منٹوں یا گھنٹوں تک چلتے ہیں، اور وہ اب قابل دفاع نہیں رہے کیونکہ دو فریموں کے درمیان فرق اتنا بڑا ہو گیا ہے کہ نتیجہ کو صرف اس کی تصدیق کرنے کے بجائے تبدیل کر سکے۔

رپورٹ، جس کے عنوان کا دعویٰ ہے کہ کوڈ سستا ہو رہا ہے، قارئین کو کوڈ کی حقیقی قیمت کی وضاحت فراہم کرتا ہے۔

صنعت کی توجہ حاصل کرنے والی پیشن گوئی جون 2026 میں گارٹنر کی جانب سے کی گئی تھی۔ گارٹنر کا اندازہ ہے کہ 2028 تک، مصنوعی ذہانت کوڈنگ ٹوکنز کی لاگت سافٹ ویئر انجینئر کی اوسط تنخواہ کو پورا کرے گی یا اس سے زیادہ ہو جائے گی۔

اس کے ساتھ دیا گیا تجزیہ واضح کرتا ہے کہ یہ ناگزیر ہونے کی پیشین گوئی کے بجائے بے قابو کھپت کے خلاف ایک انتباہ ہے، اور تجزیہ کار کا فریمنگ حوالہ دینے کے قابل ہے کیونکہ یہ واضح طور پر تجارتی نقصانات کی وضاحت کرتا ہے۔

یہی تجزیہ ثانوی ترقی کی پیداواری شراکت کو 20% تک رکھتا ہے۔ یہ تناسب کا دوسرا نصف ہے اور پیشن گوئی کیوں ضروری ہے۔

گارٹنر نے پیشین گوئی کی ہے کہ AI کوڈنگ ٹوکن کے اخراجات معاون ترقی کی پیداواری شراکت میں 20% تک اضافہ کریں گے، 2028 تک سافٹ ویئر انجینئر کی اوسط تنخواہ کو پورا کریں گے یا اس سے زیادہ ہوں گے۔ (گارٹنر)

جب بھی اسے دہرایا جاتا ہے اور معمول کے مطابق حذف کیا جاتا ہے تو ایک قابلیت کو اس کے متعلقہ اعداد و شمار کے ساتھ منتقل کیا جانا چاہئے۔ یہ تخمینہ تقریباً $2,000 فی ماہ کی عالمی اوسط تنخواہ پر مبنی ہے، جو کہ یو ایس انٹرسیکشن نہیں ہے اور اس کا کبھی دعویٰ نہیں کیا گیا ہے۔ اندازوں سے پتہ چلتا ہے کہ ہندوستان میں، 4-6 سال کے تجربے والے انجینئرز کے لیے موازنہ پہلے ہی ممکن ہے، لیکن امریکہ اور مغربی یورپ میں عام تنخواہیں بہت آگے ہیں (CIO)۔

اگر آپ اسے لاپرواہی سے پڑھتے ہیں تو سرخی کہتی ہے کہ ایجنٹوں کی قیمت انجینئرز سے زیادہ ہے۔ اگر میں اسے صحیح طریقے سے پڑھتا ہوں، تو عالمی انجینئرنگ لیبر منڈیوں میں آلے کی لاگت اور مزدوری کی لاگت کا تناسب بہت زیادہ مختلف ہوتا ہے، اور اس لیے AI کی مدد سے ترقی کی معاشیات جغرافیائی طور پر اس طرح مخصوص ہیں کہ گفتگو جذب کرنے میں ناکام رہتی ہے۔

شائع شدہ سپلائر کے اعداد و شمار موجودہ سطحوں کی نشاندہی کرتے ہیں۔ ایک وسیع پیمانے پر استعمال ہونے والے کوڈنگ ایجنٹ کی انٹرپرائز تعیناتی کی لاگت تقریباً $13 فی فعال دن فی ڈویلپر اور $150 سے $250 فی مہینہ فی ڈیولپر ہے، جس میں 90% صارفین فی فعال دن (انسانیت) $30 سے ​​کم رہتے ہیں۔

انتہائی خودکار ورک فلو جو بغیر کسی ایجنٹ کو طلب کیے مسلسل چلتے ہیں، اس حد سے اوپر رپورٹ کیے جاتے ہیں۔ مکمل طور پر بھری ہوئی انجینئرنگ تنخواہ کے مقابلے میں اب بھی بڑی تعداد نہیں ہے۔ یہ گول کرنے کی غلطی بھی نہیں ہے جیسا کہ جملہ "سستے کوڈ" کا مطلب ہے، اس کی رفتار ایک زیادہ دلچسپ مقدار ہے۔

اس رفتار میں ایسے نتائج شامل ہوتے ہیں جو کسی کو پریشان کر دیتے ہیں جو یہ فرض کرتا ہے کہ لاگت کا مسئلہ خود ہی حل ہو جائے گا۔ اپریل 2026 میں، وینڈر نے اپنے خود شائع شدہ تخمینوں کو دوگنا کر دیا کہ انٹرپرائز ڈویلپرز کتنا خرچ کرتے ہیں، کیونکہ زیادہ قابل فرنٹیئر ماڈل ڈیفالٹ (Yahoo Finance) بن گیا۔ فیچر میں بہتری نے فی ڈویلپر لاگت کو کم کرنے کے بجائے بڑھا دیا ہے۔

یہ طریقہ کار پراسرار نہیں ہے اور کمپیوٹنگ میں تمام سابقہ ​​کارکردگی کے فوائد سے واقف ہے۔ جب زیادہ قابل ماڈل آتے ہیں، تو ان کا استعمال کل کے کاموں کو زیادہ سستے کرنے کے لیے نہیں کیا جاتا ہے، بلکہ زیادہ مشکل اور طویل عرصے تک چلنے والے کاموں کی کوشش کرنے کے لیے جو پہلے ناممکن تھے۔ فی ٹوکن لاگت کم ہوتی ہے جبکہ ٹوکن فی آپریشن تیزی سے بڑھتا ہے۔ کوئی بھی جو یہ پیش گوئی کرتا ہے کہ ماڈلز کو بہتر بنانے سے ایجنٹ کی ترقی سستی ہو جائے گی اسے پہلے یہ بتانا چاہیے کہ یہ مشاہدہ کیوں معمول نہیں ہے۔

مانگ کی طرف، ہم مارکیٹ کے سائز میں پیٹرن کی شناخت کرتے ہیں۔ ایک بڑے روٹنگ پلیٹ فارم کا ہفتہ وار ٹوکن تھرو پٹ 15 مہینوں میں تقریباً 68 گنا بڑھ گیا، جو دسمبر 2024 میں 0.4 ٹریلین سے مارچ 2026 میں 27.0 ٹریلین تک پہنچ گیا۔ سافٹ ویئر انجینئرنگ ایجنٹس ٹوکن کی ایک گردش سے 1000 سے زیادہ بار استعمال کرتے ہیں، خاص طور پر ان پٹ آؤٹ 105 پر (arXiv)۔

اعلی درجے کی شرح ایجنٹ کے کام کی تکنیکی خصوصیت ہے۔ ماڈل ایک چھوٹی سی کارروائی کرنے کے لیے بار بار بڑے سیاق و سباق کو دوبارہ پڑھ رہا ہے، یہی وجہ ہے کہ ایجنٹ کی لاگت کا پیدا ہونے والی پیداوار کی لمبائی سے بہت کم تعلق ہے۔

بڑے روٹنگ پلیٹ فارمز پر ہفتہ وار ٹوکن والیوم دسمبر 2024 میں 0.4 ٹریلین سے بڑھ کر مارچ 2026 تک 27 ٹریلین ہو گیا۔ یہ 15 مہینوں میں تقریباً 68 گنا اضافہ ہے، سوفٹ ویئر انجینئرنگ ایجنٹس 1,000x سے زیادہ استعمال کرتے ہیں۔ (arXiv)

تاہم، اس لٹریچر میں سب سے زیادہ کارآمد اعدادوشمار سطح یا ترقی کی شرح نہیں بلکہ شرحیں ہیں، جو دوسری کرنسیوں میں سیکشن 3 کی ساخت کو نقل کرتی ہیں۔

معیاری سافٹ ویئر انجینئرنگ بینچ مارکس میں ایک وسیع پیمانے پر مطالعہ شدہ ایجنٹ کو ترتیب دینے کی لاگت تقریباً $0.24 فی کوشش کی گئی ہے اور تقریباً $32.50 فی اصل حل شدہ مسئلہ (arXiv)۔ ان دو نمبروں کے درمیان فرق تقریباً 135 گنا ہے، اور یہ بالکل اسی وجہ سے موجود ہے کہ کمٹ ریلیز گیپ موجود ہے۔ زیادہ تر کوششیں تبدیل نہیں ہوں گی۔

آزمائشی اخراجات کو دیکھنے والے خریدار غلط نمبروں کو اسی طرح دیکھ رہے ہیں جس طرح کمٹ والیوم کو دیکھنے والے ایگزیکٹوز غلط نمبروں کو دیکھ رہے ہیں۔ دونوں صورتوں میں، تصحیح عدد کی تعریف کرنے کے بجائے تبادلوں کی شرح سے تقسیم کرنا ہے۔

# Two ways of pricing the same agent, from the benchmark cost study above.
COST_PER_ATTEMPT  = 0.24     # dollars, per instance the agent is given
COST_PER_RESOLVED = 32.50    # dollars, per issue actually resolved

print(f"implied resolution rate: {COST_PER_ATTEMPT / COST_PER_RESOLVED:.1%}")
# implied resolution rate: 0.7%

# The number an engineering leader actually needs is neither of the above,
# because the expensive input is not the model. It is the person who has to
# read what the model produced before it can be merged.
def cost_per_delivered_change(attempts, unit_cost, merge_rate,
                              review_minutes, reviewer_rate):
    machine = attempts * unit_cost
    merged  = attempts * merge_rate
    human   = merged * (review_minutes / 60) * reviewer_rate
    return (machine + human) / max(merged, 1e-9), machine / (machine + human)

total, model_share = cost_per_delivered_change(
    attempts=1_000, unit_cost=0.24, merge_rate=0.30,
    review_minutes=25, reviewer_rate=95.0)

print(f"${total:,.2f} per merged change; {model_share:.1%} of it is inference")
# $40.38 per merged change; 2.0% of it is inference

اس حساب کا تناسب اس کی درستگی کے بجائے اس حساب کا نچوڑ ہے۔ ایسی تنظیموں میں جو ایجنٹ کی پیداوار کا سنجیدگی سے جائزہ لیتے ہیں، اس مفروضے کے تحت کہ یہ قابل مشاہدہ نہیں ہے، تخمینہ لاگت تبلیغی تبدیلی کی لاگت کا 2% ہے اور جائزے کی لاگت 98 ہے۔

وہ تنظیمیں جنہوں نے اپنے ٹوکن اخراجات کو آدھا کر دیا ان کے انجینئرنگ اخراجات کا 1% منتقل ہو گیا۔ کوئی بھی تنظیم جو ایک قابل جائزہ لینے والے کو اعتماد کے ساتھ فیصلہ کرنے میں لگنے والے نصف وقت میں کمی کرتی ہے۔ یہ ٹولنگ، فن تعمیر اور جانچ کا مسئلہ ہے، خریداری کا مسئلہ نہیں۔

اس کے طریقہ کار کے نتائج پہلے ہی تشخیصی ادب سے اخذ کیے گئے ہیں۔ درستگی کے اقدامات جو لاگت کو کنٹرول نہیں کرتے ہیں فیصلہ سازی کے لیے مفید نہیں ہیں۔ کیونکہ آپ اپنے ایجنٹوں کو زیادہ خرچ کرنے کی اجازت دے کر انہیں بہتر بنا سکتے ہیں۔

جب ایک موازنہ مناسب طریقے سے کیا جاتا ہے، تو ایک سادہ بنیادی ترتیب کو کچھ کوڈنگ بینچ مارکس میں جدید ترین ایجنٹوں پر غلبہ حاصل کرنے کے لیے دکھایا گیا ہے، تقریباً 50x کم قیمت (arXiv) پر۔ درج ذیل سفارشات (لیڈر بورڈ پوزیشنز کے بجائے درستگی کی لاگت کی حدود کی رپورٹنگ) وہی اصول ہیں جن پر یہ رپورٹ سیکشن 44 میں ڈیلیوری کے حوالے سے استدلال کرتی ہے، اور دوسرے مسائل کو دیکھتے ہوئے محققین کے ذریعہ آزادانہ طور پر پہنچی ہیں۔

ہمارے کوڈنگ بینچ مارک میں، ایک سادہ بیس لائن ایجنٹ کنفیگریشن تقریباً 50x کم قیمت پر Pareto- غالب پیچیدہ اسٹیٹ آف دی آرٹ ایجنٹ بناتی ہے۔ اس سے ظاہر ہوتا ہے کہ درستگی کے اعداد و شمار جن پر لاگت کو کنٹرول نہیں کیا جاتا ہے وہ فیصلہ سازی کے لیے مفید نہیں ہیں۔ (arXiv)

اب ایک بینچ مارک بھی ہے جس کا اظہار انسانی محنت کی مارکیٹ قیمت کے لحاظ سے کیا جاتا ہے، جو اس سیکشن میں پوچھے گئے سوال کی واضح ترین تشکیل ہے۔ یہ 1,400 سے زیادہ حقیقی دنیا کی فری لانس سافٹ ویئر انجینئرنگ جابز پر مشتمل ہے جو حقیقی دنیا کی ادائیگیوں میں $1,000,000 لے جاتی ہے، $50 بگ فکس سے لے کر $32,000 فیچر کے نفاذ تک، اور ماڈل کو فیصد کے بجائے مکمل ہونے والے کام کی ڈالر کی قیمت سے اسکور کیا جاتا ہے۔ اشاعت کے وقت، فرنٹیئر ماڈل نے $1 ملین (arXiv) میں سے $400,000 سے زیادہ کی کمائی کی تھی۔

نتائج کو کسی بھی طرح سے پڑھا جا سکتا ہے، اسی لیے وہ حوالہ دینے کے قابل ہیں۔ ایک مشین جو حقیقی فری لانس سافٹ ویئر مارکیٹ کی مارکیٹ ویلیو کا 40% حاصل کر لیتی ہے وہ قابلیت کا ایک ناقابل یقین نتیجہ ہے، اور ایک مشین جو اس میں سے 60% کو غیر گرفت میں چھوڑ دیتی ہے اس بات کا اندازہ ہے کہ تجارتی لحاظ سے کتنی قیمتی انجینئرنگ پہنچ سے باہر ہے۔

$1,000,000 کی اصل ادائیگیوں کے ساتھ 1,400 سے زیادہ حقیقی فری لانس ملازمتوں کے بینچ مارک میں، $50 بگ فکس سے لے کر $32,000 فیچر کے نفاذ تک، فرنٹیئر ماڈل نے کل دستیاب میں سے صرف $400,000 سے زیادہ کمایا۔ (arXiv)

دو نتائج سامنے آتے ہیں، دوسرا پہلے سے زیادہ اہم ہے۔

پہلا اصطلاحی مسئلہ ہے۔ اس رپورٹ کا تذکرہ ہوتا رہے گا کیونکہ کوڈ ہاتھ سے لکھنے کی اجرت سے کافی سستا ہو گیا ہے۔

لیکن آپ کو اس دعوے کو صفر کے قریب پہنچنے والی مطلق اقدار کے بجائے تناسب کے دعوے کے طور پر سمجھنا چاہیے۔ یہ سمجھنا بھی ضروری ہے کہ فی ٹوکن قیمت گرنے کے باوجود ایجنٹ کے کام کے بوجھ کی شرح بدتر ہوتی جا رہی ہے۔

دوسرا، یہ ثبوت رپورٹ کے دلائل کو کمزور کرنے کے بجائے مضبوط کرتا ہے۔ اگر تخلیق واقعی آزاد ہوتی، تو عقلی حکمت عملی اور اس بارے میں فیصلہ کرنا کہ کیا بنانا ہے، اندازہ لگانے اور ناکام ہونے والی چیزوں کو ترک کرنے سے کم اہم ہوگا۔

چونکہ پیشرفت میں حقیقی اور بڑھتی ہوئی معمولی لاگتیں شامل ہوتی ہیں، اور چونکہ فی نتیجہ ڈیلیور ہونے والی لاگت شدت کے دو آرڈرز کے ذریعے فی کوشش لاگت سے زیادہ ہے، اس لیے دوبارہ کوشش کرنے کے فیصلے سے معاشی وزن بڑھ جاتا ہے۔

سستی لیکن مفت تخلیق نایاب آدانوں کو زیادہ قیمتی بناتی ہے (یہ جاننا کہ کیا تخلیق کرنے کے قابل ہے اور یہ جاننا کہ آیا نتائج صحیح ہیں)۔

یہاں اپنڈکس کے بجائے انتباہات ہیں۔ ان بازاروں میں قیمتیں اتار چڑھاؤ اور مسابقتی ہو سکتی ہیں اور سرمایہ کی تلاش میں مارکیٹ شیئر کے ذریعے سبسڈی دی جا سکتی ہیں۔ اس سیکشن میں کچھ بھی اس تخمینہ کے طور پر نہ پڑھیں کہ اب سے تین سال بعد آپ کی تخمینہ لاگت کتنی ہوگی۔

فی ٹوکن قیمت کی سمت نیچے کی طرف ہے اور زبردست کمی دکھا رہی ہے۔ چونکہ کام کرنے کی ترغیب یونٹ کی لاگت میں کمی کے مقابلے میں تیزی سے بڑھی ہے، فی کام لاگت اوپر کی طرف بڑھ گئی ہے۔ کسی خاص تنظیم میں کون سا غلبہ رکھتا ہے اس تنظیم کے کام کے بوجھ کے بارے میں ایک تجرباتی سوال ہے۔ ایک عملی سفارش یہ ہے کہ انجینئرنگ لیڈروں کو یہ فرض کرنے کے بجائے کہ وہ اسے نظر انداز کر سکتے ہیں اس کی قیمت فی تبدیلی کی پیمائش کریں کیونکہ زیادہ تر لوگ فی الحال اس کی وضاحت نہیں کر سکتے۔

5. اے آئی کیس: کیا مثبت ثبوت واقعی دکھاتا ہے۔

اس رپورٹ کے دعووں کو محض مایوس کن مجموعی نتائج دکھانے والے مطالعات پر استوار کرنا سادہ اور بے ایمانی ہوگی۔

تجرباتی لٹریچر میں خاطر خواہ، اچھی طرح سے پیمائش شدہ، اور شماریاتی اعتبار سے مضبوط فوائد کے نتائج بھی شامل ہیں، جو پاس دینے کے بجائے پوری قوت کے ساتھ پیش کیے جانے کے مستحق ہیں۔ وہ ان شرائط کی وضاحت کرتے ہیں جن کے تحت AI امداد واقعی وہی کرتی ہے جو اس کے حامیوں کا دعویٰ ہے۔

ان میں سے سب سے واضح ایک بے ترتیب کنٹرول شدہ تجربے سے آتا ہے جس میں 95 پیشہ ور ڈویلپر شامل ہوتے ہیں، جن میں سے سبھی کو ایک جیسے JavaScript HTTP سرورز بنانے کے لیے کہا گیا تھا۔

GitHub Copilot تک رسائی والے ڈویلپرز نے اوسطاً 1 گھنٹہ 11 منٹ میں کام مکمل کیا، جب کہ کنٹرول گروپ نے 2 گھنٹے 41 منٹ میں کام مکمل کیا۔ یہ کام کی تکمیل کی رفتار میں 55.8 فیصد بہتری کی نمائندگی کرتا ہے، 95 فیصد اعتماد کا وقفہ 21 فیصد سے 89 فیصد تک۔ تکمیل کی شرحوں میں بھی بہتری آئی، 78% ٹریٹمنٹ گروپ نے کنٹرول گروپ (مائیکروسافٹ) کے 70% کے مقابلے میں کام مکمل کیا۔

ایک جیسے JavaScript HTTP سرورز بنانے والے 95 پیشہ ور ڈویلپرز کے بے ترتیب کنٹرول ٹرائل میں، GitHub Copilot نے کام کی تکمیل کی رفتار میں 55.8 فیصد اضافہ کیا، جس سے تکمیل کی اوسط شرح 2 گھنٹے 41 منٹ سے کم ہو کر 1 گھنٹہ 11 منٹ ہو گئی، جس کی تکمیل کی شرح 78% بمقابلہ 70% ہے۔ (مائیکروسافٹ)

صاف تجرباتی ڈیزائن کے لیے اس کے بڑے مضمرات ہیں اور اس کی وضاحت نہیں کی جانی چاہیے۔ تاہم، کام کی نوعیت صرف نتائج کے طور پر فائدہ مند ہے. مسائل محدود ہیں، تفصیلات واضح ہیں، دائرہ کار طے ہے، اور کوڈ بیس نیا ہے۔ احترام کرنے کے لیے کوئی موجودہ فن تعمیر نہیں تھا، عدم استحکام کو روکنے کے لیے کوئی پیداواری نظام نہیں تھا، کوئی ٹیم کے اصولوں پر عمل نہیں کیا گیا تھا، کوئی تاریخی فیصلے نہیں تھے، اور کیے گئے انتخاب پر عمل کرنے کے لیے کوئی مینٹیننس ونڈو نہیں تھا۔

یہ وہ حالات ہیں جن کے تحت بجلی کی پیداوار کی لاگت غالب لاگت بن جاتی ہے، اور اس بات کا ثبوت موجود ہے کہ ایسے حالات میں AI امداد درکار وقت کو تقریباً نصف کر دیتی ہے۔

ایک دوسری تحقیق میں بھی بہتری پائی گئی جس میں رفتار کے بجائے کوڈ کے معیار کو دیکھا گیا۔ 5 سال سے زیادہ کا پیشہ ورانہ تجربہ رکھنے والے 202 ڈویلپرز میں، Copilot استعمال کرنے والوں کے اپنے تفویض کردہ کاموں سے متعلق تمام 10 یونٹ ٹیسٹ پاس کرنے کا امکان 53.2 فیصد زیادہ تھا۔ ان کے کوڈ کو 3.62% زیادہ پڑھنے کے قابل، 2.94% زیادہ قابل اعتماد، 2.47% زیادہ برقرار رکھنے کے قابل، اور 4.16% زیادہ جامع، اور کوڈ ریویو (GitHub بلاگ) میں منظور کیے جانے کا امکان تقریباً 5% زیادہ تھا۔

اگرچہ معیار کے طول و عرض کی وسعت بڑی نہیں ہے (کم واحد ہندسہ فیصد)، اس کی سمت مسلسل مثبت ہے۔ یہ اس سادہ ترین دعوے کی تردید کرتا ہے کہ AI سے تیار کردہ کوڈ یکساں طور پر بدتر ہے۔

یونٹ ٹیسٹ کے نتائج اہم ہیں اور تجویز کرتے ہیں کہ واضح کامیابی کے معیار کے ساتھ اچھی طرح سے مخصوص مسائل کے لیے، سپورٹ معنی خیز طور پر صحیح جواب تک پہنچنے کے امکان کو بہتر بناتی ہے۔

GitHub نے علیحدہ طور پر اطلاع دی کہ تقریباً 46% کوڈ Copilot-enabled فائلوں (GitHub بلاگ) سے تیار کیا گیا تھا۔ اس اعداد و شمار کو غور سے پڑھنا چاہیے کیونکہ یہ قدر کے بجائے دخول کا پیمانہ ہے۔ ایک ٹول جو آدھا متن تخلیق کرتا ہے ضروری نہیں کہ آدھا کام کرے۔ کیونکہ کرداروں کے درمیان مشکل کی تقسیم انتہائی ناہموار ہے۔ تاہم، اس سے یہ ظاہر ہوتا ہے کہ ٹیکنالوجی جدیدیت کے مرحلے سے بہت آگے نکل گئی ہے اور روزمرہ کی مشق کی ایک مشترکہ بنیاد بن گئی ہے۔

گوگل کے ڈورا ریسرچ پروگرام کے ذریعہ آبادی کے پیمانے پر گود لینے کی صورتحال کی تصدیق کی گئی ہے، جس سے معلوم ہوا ہے کہ تقریباً 90% ٹیکنالوجی پیشہ ور افراد اس وقت کام کی جگہ پر AI استعمال کر رہے ہیں اور 80% سے زیادہ کا خیال ہے کہ اس سے ان کی پیداواری صلاحیت (Dora) میں بہتری آئی ہے۔

گود لینے اور سزا کے نمبر بہت مختلف خصوصیات کا ثبوت ہیں، اور یہ رپورٹ ایک نتیجہ کے بجائے جوڑے کو الگ الگ پیش کرتی ہے۔ 90% گود لینا ایک طرز عمل ہے اور شاذ و نادر ہی یقینی ہے۔ وہ ٹولز جن کا استعمال جاری رکھنے کے لیے 10 میں سے 9 ڈویلپرز منتخب کرتے ہیں وہ وہی ہیں جو ان کی قدر کرتے ہیں، قطع نظر اس کے کہ ماپا تھرو پٹ اثر کیا ہے۔

80% عقیدہ خود اطلاع شدہ ہے، اور سیکشن 7 میں ہم تجرباتی طور پر دکھائیں گے کہ بالکل اس قسم کی خود رپورٹنگ نہ صرف اس گروپ پر اثر کے سائز کے بارے میں غلط ہے جس کا بہترین اندازہ لگایا گیا ہے، بلکہ اثر کی سمت کے بارے میں بھی۔

اس رپورٹ میں دعوے اعتقادی اعداد و شمار پر منحصر نہیں ہیں اور یہاں پیشے کے تجربے کو واضح کرنے کے لیے نقل کیے گئے ہیں نہ کہ یہ ثابت کرنے کے لیے کہ تجربہ درست ہے۔

مثبت اور منفی شواہد کی ترکیب یہ نہیں ہے کہ تحقیق کا ایک جسم صحیح ہے اور دوسرا غلط، بلکہ یہ ہے کہ تحقیق کے دو ادارے مختلف چیزوں کی پیمائش کر رہے ہیں۔

کوپائلٹ تجربہ محدود، مختصر فاصلے کے گرین فیلڈ آپریشنز کی پیمائش کرتا ہے جہاں جنریشن لاگت پر غلبہ رکھتی ہے۔ NBER مطالعہ وقت کے ساتھ پورے پیداواری نظام میں قدر کے بہاؤ کی پیمائش کرتا ہے۔ دونوں نتائج ایک ہی وقت میں درست ہو سکتے ہیں، اور حقیقت یہ ہے کہ دونوں سچے ہیں سب سے اہم ساختی تلاش ہے۔ AI قابل اعتماد طریقے سے تخلیق کے مرحلے کو کمپریس کرتا ہے، جو سنجیدہ انجینئرنگ کی کل لاگت کا ایک چھوٹا حصہ ہے جو باہر سے ظاہر ہوتا ہے۔

لہذا، صحیح نتیجہ یہ نہیں کہ عالمی دعویٰ ہے کہ AI ہمیشہ تیز ہوتا ہے یا یہ عالمگیر دعویٰ نہیں ہے کہ AI ہمیشہ رکاوٹ بنتا ہے، بلکہ ٹاسک کے لحاظ سے پیداوری ہے۔

6. کل کے لیے قرض لینا: دیکھ بھال کے اخراجات

اگر NBER کا مطالعہ صارفین کو تیار کردہ کوڈ حاصل کرنے میں رکاوٹوں کو ظاہر کرتا ہے، تو تحقیق کا دوسرا حصہ کچھ اور بھی پریشان کن ثابت کرتا ہے۔ اس کا مطلب یہ ہے کہ سرعت خود کو جزوی طور پر تعمیر کیے جانے والے اثاثوں کے بگاڑ سے فنڈ کیا جا سکتا ہے۔

کارنیگی میلن کے محققین نے 806 اوپن سورس پروجیکٹس کے رویے کا سراغ لگایا جنہوں نے کرسر کو اپنانے سے پہلے اور بعد میں اپنایا، ان کا موازنہ ایسے پروجیکٹس کے کنٹرول گروپ سے کیا جو نہیں کرتے تھے۔ ابتدائی اثرات ڈرامائی اور وینڈر کمیونٹی کے دعووں کے ساتھ مطابقت رکھتے ہیں۔ اضافی لائنوں میں گود لینے کے بعد پہلے مہینے میں اوسطاً 281% اور دوسرے مہینے میں 48% اضافہ ہوا۔ (CMU کمپیوٹر سائنس ڈیپارٹمنٹ)

806 اوپن سورس پروجیکٹس میں جنہوں نے کرسر کو اپنایا، لائنوں میں پہلے مہینے میں اوسطاً 281% اور دوسرے مہینے میں 48% اضافہ ہوا، لیکن پروجیکٹس کی پیچیدگی اور کوڈ کوالٹی وارننگز کے جمع ہونے نے مستقبل کی ترقی کو سست کرنے میں اہم کردار ادا کیا۔ (CMU کمپیوٹر سائنس ڈیپارٹمنٹ)

ایک مہینے میں 281% سے 48% تک کمی اپنے آپ میں فائدہ مند ہے اور کئی تشریحات کو تسلیم کرتی ہے، جس میں ایک نیا اثر شامل ہے کیونکہ ڈویلپرز ٹول کو تلاش کرتے ہیں، ملتوی کام کا بیک لاگ ایک ساتھ صاف کیا جاتا ہے، یا پائیدار سطح تک پہنچنے والی حقیقی خصوصیت کی بہتری۔

تحقیق نے جو کچھ زیادہ واضح طور پر ظاہر کیا ہے وہ یہ ہے کہ بعد میں کیا ہوا۔ ابتدائی ایکسلریشن قائم نہیں رہی اور نہ ہی یہ صرف بیس لائن پر واپس آئی۔ اپنائے گئے منصوبوں نے اضافی پیچیدگی اور اضافی کوڈ کوالٹی وارننگز جمع کیں، اور اس جمع نے بعد کے ادوار میں ترقی کو سست کرنے میں اہم کردار ادا کیا۔ ایک پروجیکٹ صرف غیر جانبدار معنی میں مستقبل سے وقت لینے کا نام نہیں ہے۔ بعد میں انہوں نے تھرو پٹ میں خدمت کی ذمہ داری قبول کی۔

یہ AI سے چلنے والی ترقی کا سب سے اہم دستاویزی خطرہ ہے، اور انتظامی پوزیشن سے ساختی طور پر اس کا پتہ لگانا مشکل ہے۔ ٹیمیں کل کی برقراری کو قرض لے کر آج کی پیداوار میں اضافہ کر سکتی ہیں۔

قرض لینے کی صلاحیت فوری طور پر فراہم کردہ فنکشن کے طور پر ظاہر ہوتی ہے، جب کہ قرض بعد میں ظاہر ہوتا ہے، جس وقت یہ لین دین ہوتا ہے اسے پوشیدہ کر دیتا ہے۔ یہ ریگریشنز، کمزور انضمام، ڈپلیکیٹ منطق میں پھیلا ہوا ہے جسے کسی نے بھی مربوط نہیں کیا، نظرثانی کے طویل چکر کیوں کہ جائزہ لینے والوں کو غیر مانوس کوڈ میں ارادے کی تشکیل نو کرنی پڑتی ہے، انحصار میں حفاظتی کمزوریاں جنہیں کسی نے جان بوجھ کر منتخب نہیں کیا، ملکیت جو لکھنے کے بجائے کوڈ تیار ہونے پر غیر واضح ہو جاتی ہے، اور کوئی بھی مہنگا نظام دوبارہ نہیں لکھتا کیونکہ اصل میں کوئی نہیں سمجھتا۔

مرئیت کی مطابقت ایک ایسا طریقہ کار ہے جس کے ذریعے یہ محض تکنیکی مسئلہ کے بجائے ایک تنظیمی مسئلہ بن جاتا ہے۔ ڈیش بورڈ کا جائزہ لینے والے ایگزیکٹوز مزید پل کی درخواستوں، انضمام کی مزید تبدیلیاں، اور مزید فیچر ڈیلیوری کا مشاہدہ کرتے ہیں۔ یہ سب حقیقی ہے اور یہ سب درست طریقے سے ماپا جاتا ہے۔ چھ ماہ بعد، اسی نظام کو برقرار رکھنے والے انجینئرز کوڈ کی سطح کے بڑے علاقوں کا مشاہدہ کرتے ہیں جن کی ٹیم میں کوئی بھی شخص پوری طرح وضاحت نہیں کر سکتا۔

یہ مشاہدہ ڈیش بورڈ میں کسی بھی میٹرکس کے ذریعے حاصل نہیں کیا گیا ہے۔ دونوں نظریات بالکل ٹھیک اور منظم طریقے سے مختلف ہوتے ہیں، اور وسائل مختص کرنے کی تنظیموں کی طاقت ان لوگوں کے پاس ہوتی ہے جو قلیل مدتی، پر امید نظریہ رکھتے ہیں۔

ذمہ داری کا پتہ لگانا مشکل ہے، یہاں تک کہ انجینئرنگ کے نقطہ نظر سے بھی، اور اس کے بارے میں مخصوص ہونا ضروری ہے۔ تکنیکی قرض کی مخصوص تصویر - ایک جانا جاتا شارٹ کٹ ہوش میں لیا گیا اور کہیں لکھا گیا - یہاں جمع ہونے والی کوئی چیز نہیں ہے۔ انفرادی فائل کی سطح پر جمع شدہ مواد کا پتہ نہیں لگایا جا سکتا۔

# billing/checkout.py, generated in week 1
def valid_email(s):
    return "@" in s and "." in s.split("@")[-1]

# accounts/signup.py, generated in week 3, same requirement, new session
EMAIL_RE = re.compile(r"^[^@s]+@[^@s]+.[a-z]{2,}$", re.I)

def is_email_address(value):
    return bool(EMAIL_RE.match(value or ""))

# support/import.py, generated in week 6, by a different engineer
def check_email(addr: str) -> bool:
    try:
        local, domain = addr.rsplit("@", 1)
    except ValueError:
        return False
    return bool(local) and "." in domain and not domain.startswith(".")

ان تینوں خصوصیات میں سے ہر ایک کا آزادانہ طور پر دفاع کیا جا سکتا ہے، ہر ایک ایک ساتھ بنائے گئے ٹیسٹوں کو پاس کرتا ہے، ہر ایک کا جائزہ لیا گیا ہے اور اسے منظور کیا گیا ہے، اور جامد تجزیہ کار ان میں سے کسی میں کوئی نقص نہیں بتاتا ہے۔

کیونکہ ان میں سے کوئی بھی بے عیب نہیں ہے۔ قصور دونوں کے درمیان ہے۔ تین لوگ اس بارے میں متفق نہیں ہیں کہ آیا ڈاٹ اینڈ والے ایڈریسز درست ہیں، آیا بڑے ڈومینز کی اجازت ہے، اور ٹاپ لیول ڈومین کی کم از کم لمبائی کتنی ہے۔

ہم نے ایک بگ کا تجربہ کیا جہاں صارفین نے سائن اپ پر اپنا پتہ منظور کر لیا تھا اور چیک آؤٹ پر مسترد کر دیا تھا لیکن یہ فائل پر موجود نہیں تھا۔ نسلوں کے سستے ہونے سے پہلے، دوسرے اور تیسرے ورژن کو لکھنے کی قیمت اتنی زیادہ تھی کہ انجینئرز عام طور پر پہلا ورژن تلاش کرتے تھے۔ وہ فلٹر ہٹا دیا گیا ہے اور کوئی بھی چیز بطور ڈیفالٹ اس کی جگہ نہیں لیتی ہے۔

# The measurements that surface this class of accumulation. Each is read as
# a trend across months rather than against a threshold, because the level
# is uninformative and the slope is not.
jscpd src/ --min-tokens 40 --reporters json     # duplicated blocks
radon cc -s -a src/                             # complexity per function
git log --since="6 months ago" --numstat 
  | awk '/^[0-9]/ { add += $1; del += $2 } END { print del / add }'

ان میں سے تیسرا سب سے زیادہ تشخیصی اور عام طور پر غیر ٹریک شدہ ہے۔ حذف شدہ لائنوں میں اضافہ کے بڑھتے ہوئے تناسب کا مطلب ہے کہ تنظیم زیادہ سے زیادہ حالیہ کام کو دوبارہ لکھ رہی ہے۔ CMU آبادی کی کھوئی ہوئی رفتار ڈیش بورڈ میں نہیں بلکہ ریپوزٹری کے اندر کی طرح دکھائی دیتی ہے۔

لہذا، AI بیک وقت قلیل مدتی پیداواری فوائد اور طویل مدتی انجینئرنگ ذمہ داریاں پیدا کر سکتا ہے- بیک وقت اثرات کا نظم کرنے کے بجائے مخالف مفروضوں کا فیصلہ کرنے کی بجائے۔

عملی مضمرات، جو حصہ 5 میں زیادہ لمبائی میں تیار کیا گیا ہے، یہ ہے کہ جو تنظیمیں ان ٹولز کو بیک وقت اپنی جائزے کی صلاحیتوں، تعمیراتی طرز حکمرانی، اور برقرار رکھنے کے اقدامات کو مضبوط کیے بغیر بڑے پیمانے پر اپناتی ہیں، نتیجہ خیز فیصلے کرنے میں ناکام ہو رہی ہیں۔ یہ اپنے مستقبل کے تھرو پٹ پر ایک فائدہ مند شرط لگا رہا ہے۔

7. پرسیپشن گیپ: محسوس کی رفتار بمقابلہ۔ رفتار کی پیمائش کریں۔

AI کی مدد سے چلنے والے کاموں کے نفسیاتی چیلنجوں کی وجہ سے دیکھ بھال کے مسائل مزید پیچیدہ ہیں۔ محسوس وہ ان طریقوں سے پیداواری ہیں جو بڑی حد تک اس بات سے آزاد ہیں کہ آیا وہ پیداواری ہیں یا نہیں۔ ہے پیداواری

اس نکتے پر سب سے واضح ثبوت METR کے ذریعے کیے گئے بے ترتیب کنٹرول ٹرائل سے حاصل ہوتا ہے۔ ٹیسٹ میں 16 تجربہ کار اوپن سورس ڈویلپرز کا مطالعہ کیا گیا جنہوں نے ریپوزٹریز پر 246 حقیقی دنیا کے کام مکمل کیے جن پر وہ کئی سالوں سے کام کر رہے تھے۔ یہ ایک انوکھا اور قیمتی ڈیزائن ہے کیونکہ یہ تقریباً تمام ان نمونوں کو ختم کر دیتا ہے جو پروگرامنگ کے لیبارٹری کے مطالعے کو عام کرنا مشکل بنا دیتے ہیں۔ کام حقیقی تھا، کوڈبیس اصلی تھا، ڈویلپرز اس مخصوص نظام کے حقیقی ڈومین کے ماہر تھے جس میں ترمیم کی جا رہی تھی، اور کام ان کے لیے اہم تھا۔

شروع کرنے سے پہلے، ڈویلپرز نے پیش گوئی کی کہ AI سپورٹ اسے تقریباً 24% تیز کر دے گی۔ پیمائش 2025 کے اوائل میں ٹول کی وجہ سے 19% سست روی کو ظاہر کرتی ہے۔

سب سے زیادہ حیران کن بات یہ ہے کہ کام مکمل کرنے کے بعد بھی (تجربے کے ذریعے زندگی گزارنے اور اپنی پیداوار کا مشاہدہ کرنے کے بعد)، ڈویلپرز کو اب بھی یقین تھا کہ AI نے انہیں تقریباً 20% تیز (Metr) بنا دیا ہے۔

16 تجربہ کار ڈویلپرز جنہوں نے 246 حقیقی دنیا کے کاموں کو مکمل کیا ان سے توقع تھی کہ AI انہیں 24% تیز تر بنائے گا۔ ہماری پیمائش نے اسے 19٪ سست دکھایا۔ کام مکمل کرنے کے بعد، انہیں اب بھی یقین تھا کہ یہ تقریباً 20% تیز ہے۔ (میٹر)

ہاک کے بعد غلط فہمیوں کا استقامت سب سے زیادہ قابل ذکر تلاش ہے اور پیشین گوئی کی سادہ غلطیوں سے معیار کے لحاظ سے مختلف ہے۔ پیشن گوئی کی غلطیاں عام ہیں۔ لوگ معمول کے مطابق غلط اندازہ لگاتے ہیں کہ کسی کام میں کتنا وقت لگے گا۔ یہ نتائج کیا ظاہر کرتے ہیں کہ کام کے براہ راست تجربے نے تخمینوں میں کوئی تبدیلی نہیں کی۔ ڈویلپرز کو اپنے نتائج تک رسائی حاصل تھی، لیکن پھر بھی وہ توقعات اور حقیقت کے درمیان 39 فیصد پوائنٹ کے فرق کو تسلیم نہیں کر سکے۔

کوئی بھی تنظیم جو AI ٹول کے اثرات کا اندازہ لگانے کے لیے ڈویلپر کی خود رپورٹنگ پر انحصار کرتی ہے (جو زیادہ تر تنظیموں کو بیان کرتی ہے، زیادہ تر انجینئرنگ پیمائش کی حالت کو دیکھتے ہوئے) ایک ایسے ٹول پر انحصار کرتی ہے جسے تجرباتی طور پر امید کی سمت میں غلط انداز میں دکھایا گیا ہے، یعنی سب سے زیادہ قابل اعتماد آبادی۔

تین قابلیتیں ضروری ہیں: نمونہ چھوٹا تھا، 16 ڈویلپرز۔ آبادی بعض طریقوں سے غیر نمائندہ تھی۔ بالغ ذخیروں پر کام کرنے والے تجربہ کار دیکھ بھال کرنے والے جنہیں وہ قریب سے جانتے ہیں کہ وہ گروپ ہے جس کی AI کم سے کم خدمت کر سکتا ہے، کیونکہ ایک ایسے ماڈل کی قدر جو ناواقف معلومات فراہم کرتا ہے ان کے لیے سب سے کم ہے جو پہلے سے ہی اس کے مالک ہیں۔ اور ٹولنگ 2025 کے اوائل میں تھی، اس رفتار سے آگے بڑھنے والے شعبے میں ایک معنی خیز حد۔

خود METR نے فروری 2026 میں اطلاع دی تھی کہ نیا نظام ممکنہ طور پر زیادہ سرعت فراہم کرے گا، یہ انتباہ ہے کہ انتخابی اثرات نے نئے اندازوں کو ناقابل اعتبار بنا دیا ہے (Metr)۔

لہذا اصل پوزیشن یہ ہے کہ اگرچہ مخصوص پیمانوں کو عام نہیں کیا جانا چاہئے، تحقیق میں سامنے آنے والے میکانزم کو حقیقت میں بہت سنجیدگی سے لیا جانا چاہئے۔

یہ طریقہ کار اپنے طور پر قابل ذکر ہے کیونکہ یہ بہت سے ایسے رویے کی وضاحت کرتا ہے جو غیر معقول لگ سکتے ہیں۔ AI علمی کام کے سب سے بڑے موضوعی اخراجات میں سے ایک کو ختم کرتا ہے: شروع کرنے کی تکلیف۔ یہ فطری طور پر اطمینان بخش ہے اور فوری طور پر ایک ظاہری پیداوار پیدا کرتا ہے جسے دماغ ترقی کے طور پر رجسٹر کرتا ہے۔ یہ ٹائپنگ کو کم کرتا ہے، سیاق و سباق کے سوئچنگ کی رگڑ کے بغیر دستاویزات کو تلاش کرتا ہے، مسائل کے مکمل طور پر واضح ہونے سے پہلے حل تجویز کرتا ہے، اور منجمد، خالی اسکرینوں، اور غیر پیداواری سوچ کے ادوار کے بغیر مسلسل آگے بڑھنے کا احساس پیدا کرتا ہے جو کہ غیر تعاون یافتہ انجینئرنگ کی خصوصیات ہیں۔

یہ جس وقت کو بچانے کے لیے نظر آتا ہے وہ اس وقت حقیقی ہوتا ہے جب یہ ہوتا ہے۔ ان میں سے اکثر کو بعد میں واپس کیا جاتا ہے اور تصدیق، ترمیم، انضمام، ڈیبگنگ اور صفائی کے لیے تقسیم کیا جاتا ہے۔ یہ تمام سرگرمیاں ابتدائی سرعت کے التوا کے اخراجات کے بجائے دوسرے کاموں کی طرح محسوس ہوتی ہیں، اس لیے ان سے ذہنی طور پر کٹوتی نہیں ہوتی ہے۔

عمومی اصول یہ ہے کہ سمجھی گئی اور ماپی گئی پیداواری صلاحیت میں کافی فرق ہو سکتا ہے، یہ کہ جہاں کام سب سے زیادہ پیچیدہ ہوتے ہیں وہاں اختلافات سب سے زیادہ ہوتے ہیں، اور غلطی کی سمت منظم طور پر پرامید ہوتی ہے۔ اس کا براہ راست اثر اس بات پر پڑتا ہے کہ ایک تنظیم خود کو کس طرح ماپتی ہے، جس کا احاطہ حصہ V میں کیا گیا ہے۔

اس نتیجے کے ایک اور مضمرات کا سامنا ملتوی کرنے کے بجائے کیا جانا چاہیے، کیونکہ ایسا لگتا ہے کہ یہ حصہ 2 کے بنیادی استدلال سے متصادم ہے۔ سیکشن 13 رپورٹ کرتا ہے کہ ماہر آپریٹرز اسی ماڈل سے کامیابی کی شرح سے تقریباً دوگنا حاصل کرتے ہیں جیسے کہ نوزائیدہ، اور دلیل دیتا ہے کہ AI کے فوائد آپریٹرز کے فیصلوں کے متناسب ہیں۔

METR موضوع بالکل اسی قسم کا ماہر تھا۔ یعنی، وہ اپنے بنائے ہوئے ذخیروں کے اندر کام کرنے والے سینئر مینٹینرز تھے۔ اپنے حصہ II کے اکاؤنٹ میں، انہیں ادب میں کسی کے لیے بھی ممکنہ فائدہ پہنچانا چاہیے تھا۔ تاہم، انہوں نے نقصانات ریکارڈ کیے ہیں۔

شواہد کا کوئی بھی مطالعہ جو اس پر توجہ نہیں دیتا ہے نامکمل ہے۔ یہاں تجویز کردہ حل یہ ہے کہ دونوں نتائج مختلف مقداروں کی پیمائش کرتے ہیں اور دونوں اپنے متعلقہ ڈومینز میں درست ہیں۔

جو مہارت آپ کو خریدتی ہے وہ یہ ہے کہ تفویض کردہ کاموں کے صحیح طریقے سے اور قابل قبول نتائج کے ساتھ ختم ہونے کا زیادہ امکان ہوتا ہے۔ سیشن کا ڈیٹا یہی ہے: تصدیق شدہ کامیابی اور ناکامی سے بازیابی۔ ایک کوڈ بیس میں جو ایک ماہر کے ذہن میں پہلے سے ہی ہے، مہارت کی لاگت اس آؤٹ پٹ کو پڑھنے، تصدیق کرنے اور اس میں ترمیم کرنے کی تصدیق ہے جسے وہ خود لکھ سکتا تھا۔ اور اس اوور ہیڈ کو اس گھڑی کے خلاف بل دیا جاتا ہے جس کی پیمائش METR کرتی ہے۔

ناواقف ڈومینز کے ماہرین ماڈلز سے علم کو مکمل کام میں اس رفتار سے ترجمہ کرتے ہیں جس کا مقابلہ نوآموز نہیں کر سکتے۔ ایک مانوس ڈومین میں وہی ماہر وہ ہے جس کے پاس ماڈل کے علم سے کم از کم فائدہ ہو اور ماڈل کے آڈٹ کی لاگت میں سب سے زیادہ نقصان ہو۔ متغیر صرف مہارت نہیں ہے، بلکہ ہاتھ میں کام سے متعلقہ مہارت ہے، اور سیکشن 42 میں درج ذیل عملی اصول وضع کیے گئے ہیں: جب آپریٹر کے پاس مضبوط فیصلہ ہو اور اس کے پاس مخصوص علم کی کمی ہو، اور سب سے زیادہ احتیاط کے ساتھ جب مخصوص علم پہلے سے ہی گہرا ہو۔

8. غلط طریقے سے مسئلہ

اب تک زیر بحث مطالعے میں دیئے گئے کام کو انجام دینے کی لاگت کی پیمائش کی گئی ہے۔ ایک الگ، بڑی لاگت کا زمرہ اس بات سے متعلق ہے کہ آیا کام کو انجام دینے کی ضرورت ہے۔ یہ وہ جگہ ہے جہاں سستی بجلی کی معاشیات مایوس کن ہونے کے بجائے واقعی خطرناک ہو جاتی ہے۔

AI مندرجہ ذیل ہدایات پر بہت موثر ہے۔ میں یہ نہیں کہہ سکتا کہ میں نے صحیح سمت کا انتخاب کیا، عام طور پر میں نے بالکل بھی سمت کا انتخاب نہیں کیا۔ سمت اس شخص کے ذریعہ فراہم کی گئی تھی جس نے فوری طور پر لکھا تھا، اور ماڈل کے نفاذ کی صلاحیتیں اس کی فراہمی کے معیار کے مطابق مکمل طور پر آرتھوگونل تھیں۔

ماڈل مؤثر طریقے سے ایک فن تعمیر کو لاگو کرتا ہے جو مصنوعات کی زندگی کے دو سال سے زیادہ زندہ نہیں رہتا ہے۔ ہم نامکمل تقاضوں کو یہ سمجھے بغیر لاگو کرتے ہیں کہ وہ نامکمل ہیں کیونکہ ان کی وضاحت کاروباری سیاق و سباق کے حوالے سے کی گئی ہے جسے ماڈل نہیں دیکھ سکتا۔ آپ غیر محفوظ نمونوں کو نافذ کرتے ہیں جو آپ کے تربیتی ڈیٹا میں کثرت سے ظاہر ہوتے ہیں کیونکہ وہ آپ کے حقیقی دنیا کے کوڈ بیس میں کثرت سے ظاہر ہوتے ہیں۔ ہم نامناسب ڈیٹا بیس، غیر ضروری تقسیم شدہ فن تعمیر، یا ایسی خصوصیات کو نافذ کرتے ہیں جن کی گاہک نے درخواست نہیں کی، اور ہم یہ سب اچھی طرح سے فارمیٹ شدہ ٹیسٹوں کے ساتھ جلدی اور واضح طور پر کرتے ہیں۔

لہذا سستے نفاذ کے نتائج متضاد اور اہم دونوں ہیں۔ چونکہ سڑکوں پر سفر کرنا سستا ہو گیا ہے، اس لیے ناقص فیصلہ کرنے والی ٹیمیں اب اپنی غلطی کے ظاہر ہونے سے پہلے ہی غلط سڑک پر بہت زیادہ سفر کر سکتی ہیں۔

جب عمل درآمد کی لاگتیں زیادہ تھیں، تو تعمیراتی لاگت نے خراب، اگر خام، خیالات کے لیے ایک حقیقی فلٹر کے طور پر کام کیا۔ تعمیر کے درد نے وعدے کیے جانے سے پہلے کچھ حد تک غور کرنے پر مجبور کیا اور قدرتی چوکیاں بنائی جہاں بدقسمت سمتوں کو ترک کیا جا سکتا تھا۔ تعمیراتی اخراجات کو نمایاں طور پر کم کرنے سے وہ فلٹر ختم ہو جاتا ہے۔

یہ سیکشن مرکزی نقطہ ہے جس کے ارد گرد رپورٹ کے دلائل گھومتے ہیں، اور ارد گرد کے حصوں کے برعکس، دلائل پیمائش کے بجائے تجزیاتی ہوتے ہیں۔ فی الحال ایسی کوئی تحقیق نہیں ہے جس میں AI-تیز رفتار غلط سمت کے اخراجات کو الگ کیا جا سکے، اور ثبوتوں کی عدم موجودگی میں ثبوت کے طور پر قبول کرنے کے بجائے ان کی بنیاد پر فیصلہ کیا جانا چاہئے۔

اس پر سخت ترین اعتراض سڈول ہے اور سخت ذکر کا مستحق ہے۔ جب عمارت 10 گنا سستی ہو جاتی ہے تو دوبارہ تعمیر کرنا بھی 10 گنا سستا ہو جاتا ہے، اس لیے غلط سمت چھوڑنے کی قیمت اس کے تعاقب کے ساتھ ساتھ گرتی ہے۔ اگر آپ اسے صحیح پڑھتے ہیں تو، سستی نفاذات فن تعمیر کو کم اہم بنا دیتے ہیں، زیادہ اہم نہیں۔ کیونکہ غلطیوں کو برقرار رکھنے کے بجائے رد اور دوبارہ کیا جا سکتا ہے۔ یہ ایک سنجیدہ دعویٰ ہے، اور آپ لاگت کے ایک جزو کے بارے میں درست ہیں۔

دوسری چیزوں کے لیے یہ نامکمل ہے، اور عدم توازن وہ جگہ ہے جہاں مسئلہ ہے۔ تعمیر کی لاگت کے ساتھ ساتھ گرنا ایک متبادل بنانے کی لاگت ہے۔ جو چیز نہیں گرتی ہے وہ ہے ہر چیز کی تنظیم کے لیے لاگت جو کہ اصل فیصلے کے غلط کے طور پر پہچانے جانے سے پہلے ہی چھو چکا ہے: غلط اسکیما میں لکھا گیا ڈیٹا اور اسے تبدیل کرنے کی ضرورت ہے، ایسے صارفین جو انٹرفیس کے خلاف مربوط ہوں جنہیں اب تبدیل کرنے کی ضرورت ہے، موجودہ ڈیزائن کی بنیاد پر کیے گئے معاہدے اور تعمیل کے وعدے، مفروضوں کی بنیاد پر بنائے گئے ڈاون اسٹریم سسٹمز کو غلط قرار دیا جائے گا۔

ان میں سے کوئی بھی کوڈ جنریشن کا مسئلہ نہیں ہے، اور ان میں سے کوئی بھی مادی طور پر 2023 کے مقابلے میں سستا نہیں ہے۔ سیکشن 6 میں شواہد ملحقہ سمتوں میں ایک طریقہ کار کی حمایت کرتے ہیں۔ CMU کوہورٹ کی ابتدائی سرعت ایک غیر جانچ شدہ سمت میں قرض لینے کا مظہر ہے جب پیچیدگی کے جمع ہونے اور مستقبل کی رفتار میں کمی کے بعد پیمائش کی جاتی ہے۔

یہاں جو دلیل پیش کی گئی ہے، بالکل واضح طور پر بیان کی گئی ہے جیسا کہ شواہد اجازت دیتا ہے، یہ ہے کہ غلط سمت کی لاگت ایک جز میں خرچ ہوتی ہے اور باقی میں مستقل رہتی ہے، اس لیے غلط سمت کی متوقع لاگت تعمیر کی لاگت سے کم ہوتی ہے اور اس طرح اس کی نسبت بڑھ جاتی ہے۔ یہ اس علاقے میں عام طور پر کیے جانے والے دعوے کے مقابلے میں ایک کمزور دعویٰ ہے، اور یہ درحقیقت دلیل کے لیے ایک ضروری دلیل ہے۔

ہم آہنگی سب سے زیادہ آسانی سے نمونے میں دیکھی جاتی ہے، جو تقریبا ہمیشہ اسکیما ہوتے ہیں۔

-- Week 2. Generated in seconds, reviewed in about as long, and correct
-- under every assumption the founding team held at the time.
CREATE TABLE subscription (
  id          uuid PRIMARY KEY,
  account_id  uuid NOT NULL REFERENCES account(id),
  plan        text NOT NULL,
  seats       integer NOT NULL DEFAULT 1,
  price_cents integer NOT NULL,
  currency    char(3) NOT NULL DEFAULT 'USD'
);

اس میں تین فیصلے شامل ہیں، جن میں سے کوئی بھی جان بوجھ کر نہیں کیا گیا۔ چونکہ سبسکرپشن کی ایک قیمت ہے اور قیمت کی تاریخ نہیں، اس لیے اس بات کی نمائندگی کرنے کا کوئی طریقہ نہیں ہے کہ گاہک کو مارچ تک ایک رقم اور اس کے بعد مختلف رقم کا بل دیا گیا تھا۔ سبسکرپشنز میں ایک کرنسی ہوتی ہے جو تخلیق پر طے ہوتی ہے۔ اور قیمت سبسکرپشن کی ایک خصوصیت ہے، مدت نہیں۔ اس کا مطلب ہے کہ آپ کی قیمتیں تبدیل کرنے سے وہ رقم خود بخود دوبارہ بن جائے گی جو آپ کے صارفین کو پچھلی سہ ماہی میں بل کی گئی تھی۔

ٹیم نے ان میں سے کسی کا انتخاب نہیں کیا۔ ماڈل نے سب سے عام شکل فراہم کی اور کسی کے پاس اعتراض کرنے کی کوئی وجہ نہیں تھی۔

-- Month 18. The same decision, now carrying eleven months of billing
-- history, four payment integrations, and a revenue-recognition report
-- the auditors have already signed.
BEGIN;

CREATE TABLE subscription_period (
  id              uuid PRIMARY KEY,
  subscription_id uuid NOT NULL REFERENCES subscription(id),
  starts_at       timestamptz NOT NULL,
  ends_at         timestamptz,
  seats           integer NOT NULL,
  price_cents     bigint NOT NULL,
  currency        char(3) NOT NULL,
  EXCLUDE USING gist (subscription_id WITH =,
                      tstzrange(starts_at, ends_at) WITH &&)
);

-- Reconstructing the history the original schema never recorded. Where an
-- invoice disagrees with the current price, the invoice is the truth and
-- the period boundary has to be inferred from it.
INSERT INTO subscription_period (id, subscription_id, starts_at, ends_at,
                                 seats, price_cents, currency)
SELECT gen_random_uuid(), s.id, i.period_start, i.period_end,
       i.seats, i.line_total_cents, i.currency
FROM   subscription s
JOIN   invoice i ON i.subscription_id = s.id
ORDER  BY s.id, i.period_start;

COMMIT;

دوسرے اسکرپٹ کی تخلیق کی لاگت پہلے اسکرپٹ کی طرح صفر کے قریب ہے، اور اس کی ترمیمی لاگت بھی سب سے کم ہے۔ اسکرپٹ میں درج ذیل چار انضمام شامل نہیں ہیں: subscription.price_cents ایک ایسے انٹرفیس کو کال کرنے والے صارفین جن کے اپنے سسٹمز اسے بے نقاب کرتے ہیں، مالیاتی وقت کا چوتھائی حصہ آڈیٹرز کے سامنے یہ ثابت کرنے میں صرف ہوتا ہے کہ تاریخی ٹوٹل منتقل نہیں ہوئے، یا یہ حقیقت کہ بلنگ رن کے دوران ایسا نہیں ہو سکتا، اسے اجتماعی طور پر تبدیل کرنا ہوگا۔ لاگت 2023 کی طرح ہوگی۔ بل کی صرف پہلی لائن ہی چھوڑی گئی۔

یہ وہ جگہ ہے جہاں مہارت معاشی قدر حاصل کرتی ہے، اور اس قدر کو تھرو پٹ کے بجائے انشورنس کے طور پر سمجھا جاتا ہے۔ مضبوط انجینئر صرف کمزور انجینئروں سے زیادہ تیزی سے کام نہیں کرتے۔ ایک اچھے انجینئر اور اچھے انجینئر کے درمیان عملدرآمد کی رفتار میں فرق حقیقی لیکن محدود ہے، اور یہی فرق ہے کہ AI سب سے زیادہ مؤثر طریقے سے کمپریس کرتا ہے۔

ایک اچھا انجینئر جو کچھ کرتا ہے، جس کی نقل تیار کرنا مشکل ہے، وہ یہ ہے کہ مہنگے غلط موڑ کے امکانات کو کم کیا جائے۔ اس سے پہلے کہ وہ یہ پوچھیں کہ سسٹم کو کتنی تیزی سے بنایا جا سکتا ہے، وہ پوچھتے ہیں کہ کیا اس نظام کو مجوزہ طریقے سے بنایا جانا چاہیے۔ وہ دیکھتے ہیں کہ جب دونوں انفرادی طور پر معقول تقاضوں کو پورا نہیں کیا جا سکتا۔ وہ ان مفروضوں کی نشاندہی کرتے ہیں جن پر ہر چیز کی بنیاد ہے اور جن کا کسی نے تجربہ نہیں کیا ہے۔ وہ پہچانتے ہیں جب خوبصورت تجرید پیداوار میں آپریشنل بوجھ بن جاتے ہیں۔ یہ عام طور پر اس وجہ سے ہے کہ آپ اسی طرح کے تجریدوں کو برقرار رکھتے اور ادائیگی کرتے ہیں۔

محنت کی تقسیم جو ابھرتی ہے وہ صاف ہے۔ AI اس سوال کا جواب دینے میں تیزی سے طاقتور ہے کہ وہ دی گئی سمت کو کتنی جلدی نافذ کر سکتا ہے، اور اس سوال پر اس کی کارکردگی تیزی سے بہتر ہو رہی ہے۔

تجربہ کار انجینئرز اس بارے میں مکمل طور پر مختلف سوالات کے جوابات دینے کے لیے ضروری ہیں کہ آیا یہ صحیح سمت ہے اور تنظیم کو اسے تبدیل کرنے پر مجبور کرنے کے لیے کن ثبوتوں کی ضرورت ہے۔ دوسرے سوال کا کوئی معیار نہیں ہے، یہ قابل توجہ نمونے پیدا نہیں کرتا ہے یہاں تک کہ اگر اچھا جواب دیا جائے، اور یہ وہ سوال ہے جس پر پروجیکٹ کا نتیجہ درحقیقت منحصر ہے۔

9. AI بطور ایمپلیفائر: کیوں ایک ہی ماڈل مختلف نتائج پیدا کرتا ہے۔

مندرجہ بالا نتائج ایک واضح سوال اٹھاتے ہیں۔ اگر AI ایک تجربے میں بڑے فائدے پیدا کرتا ہے اور دوسرے میں خالص نقصان، اور فرق کو صرف ٹول کے معیار سے منسوب نہیں کیا جا سکتا، تو کیا طے کرتا ہے کہ تنظیم کون سے نتائج حاصل کرے گی؟

گوگل کا DORA ریسرچ پروگرام، جو ایک دہائی سے زیادہ عرصے سے تنظیموں کے بڑے گروپوں کی انجینئرنگ کارکردگی کا مطالعہ کر رہا ہے، کچھ انتہائی مفید جوابات فراہم کرتا ہے۔ AI بنیادی طور پر موجودہ تنظیمی صلاحیتوں کے ایک آزاد ذریعہ (Dora) کے بجائے موجودہ تنظیمی صلاحیتوں کے ایمپلیفائر کے طور پر کام کرتا ہے۔

ایمپلیفیکیشن دونوں طریقوں سے ہوتا ہے، اور یہ دریافت کا وہ حصہ ہے جو اکثر حوالہ دیتے وقت چھوڑ دیا جاتا ہے۔

ٹھوس فن تعمیر، جامع خودکار جانچ، درست دستاویزات، بالغ داخلی پلیٹ فارمز، اور پیداوار میں تیز فیڈ بیک لوپس والی تنظیموں کے لیے، AI ان طاقتوں کو بڑھاتا ہے۔ تیار کردہ کوڈ کو ایسے سسٹمز میں تعینات کیا جاتا ہے جو نقائص کا جلد پتہ لگاسکتے ہیں، کوڈ کو محدود کرنے والے ٹیسٹ بامعنی ہوتے ہیں، کوڈ وصول کرنے والا فن تعمیر مطابقت رکھتا ہے، اور اسے ٹھیک کرنے کے لیے فیڈ بیک اتنی جلدی پہنچ جاتا ہے کہ اس سے کوئی فرق نہیں پڑتا ہے۔

لیکن کمزور بنیادوں والی تنظیموں میں وہی ماڈل کمزوریوں کو بڑھاتا ہے۔ تیار کردہ کوڈ ناقابل شناخت نقائص کے ساتھ سسٹم پر اترتا ہے، پہلے سے متضاد فن تعمیر میں شامل ہوتا ہے، اور صرف اس وقت طے ہوتا ہے جب صارف کو کوئی مسئلہ معلوم ہوتا ہے۔

اس لیے ایک ہی ماڈل تک رسائی ایک جیسے نتائج پیدا نہیں کرتی، اور تنظیموں کے درمیان اختلافات کو تنگ کرنے کی بجائے وسیع ہونے کی توقع کی جانی چاہیے کیونکہ صلاحیتوں میں اضافہ ہوتا ہے۔

یہ ڈیموکریٹائزنگ تھیسس کے خلاف ہے، اور یہ معلوم کرنا ضروری ہے کہ اس کی وجہ کیا ہے۔ ڈیموکریٹائزیشن کا استدلال یہ فرض کرتا ہے کہ ماڈل کو تعینات کرنے سے خصوصیات کو تعینات کیا جائے گا، کیونکہ ماڈل ان پٹ فراہم کرتا ہے جن کی کمی ہے۔ اس کے بجائے، اگر کوئی ماڈل ویرل آدانوں کو بڑھاتا ہے جو غیر مساوی طور پر تقسیم کیے جاتے ہیں (آرکیٹیکچرل ڈسپلن، ٹیسٹ کلچر، آپریشنل میچورٹی، تجربہ کار لوگوں کا مجموعی فیصلہ)، ماڈل کی تعیناتی سے ان لوگوں کے درمیان فاصلہ بڑھ جاتا ہے جو تکمیلی آدانوں کے ساتھ اور ان کے بغیر ہوتے ہیں۔

مضبوط انجینئرنگ تنظیمیں AI کا استعمال ان نظم و ضبط کے نظام کو بڑھانے کے لیے کرتی ہیں جو ان کے پاس پہلے سے موجود ہیں۔ کمزور تنظیمیں ایک ہی AI کا استعمال کرتے ہوئے بہت تیز شرح سے دستخطی غلطیاں پیدا کرتی ہیں۔

ان نتائج کو استعمال کرنے سے پہلے، ان نتائج کے دائرہ کار کے حوالے سے ایک انتباہ کی ضرورت ہے۔ جیسا کہ ذکر کیا گیا ہے، ایمپلیفیکیشن تھیسس تمام ممکنہ مشاہدات کے ساتھ مطابقت رکھتا ہے۔ اچھے نتائج ایک قابل تنظیم کی تصدیق کرتے ہیں، برے نتائج ایک کمزور تنظیم کو ظاہر کرتے ہیں، اور کوئی نتیجہ کسی تنظیم کو شرمندہ نہیں کر سکتا۔

لہذا جب کہ یہ تغیر کی تشریح کے لیے ایک مفید فریم ہے، یہ پیشین گوئی کے لیے ایک ناقص ٹول ہے اور اسے تکلیف دہ نتائج کی وضاحت کے لیے استعمال نہیں کیا جا سکتا۔ جس چیز کی جانچ کی جا سکتی ہے اسے کم کرنے اور الگ کرنے کے قابل ہے۔ ہم پیش گوئی کرتے ہیں کہ جیسے جیسے ماڈل کی صلاحیتوں میں اضافہ ہوتا ہے، تنظیموں کے درمیان نتائج میں فرق بڑھنا چاہیے، اور یہ کہ AI سے حاصل ہونے والے فوائد پر مبنی تنظیموں کی درجہ بندی کو ان کی موجودہ ڈیلیوری کارکردگی کے ساتھ منسلک کیا جانا چاہیے نہ کہ ان کی AI کو اپنانے کی سطح سے۔

یہ ایک غلط دعویٰ ہے، اور DORA کا ڈیٹا اس کی حمایت کرتا ہے۔ عام نعرہ نہیں ہے، اور اس رپورٹ میں اس کے بارے میں کچھ نہیں ہے۔

یہ واضح طور پر بتانے کے قابل ہے کہ ایمپلیفیکیشن تھیسس خود اس سیکشن میں پہلے زیر بحث آنے والے متضاد تجرباتی نتائج کو ہم آہنگ نہیں کرتا ہے۔ کیونکہ یہ نتائج دوسرے محور کے ساتھ مختلف ہیں۔

Copilot اور METR تجربات مختلف صلاحیتوں والی تنظیموں میں نہیں چلائے گئے تھے۔ انہوں نے کئی طرح کے کام انجام دیے۔

کوپائلٹ آپریشنز محدود، پسماندہ، اور واضح طور پر بیان کیے گئے ہیں، جہاں جنریشن ڈرائیوز کی لاگت آتی ہے۔ METR کام ایک پختہ نظام میں ایک پیچیدہ ترمیم تھا جہاں درستگی قائم کرنا مہنگا تھا اور لاگت پر توثیق کا غلبہ تھا۔

کام کا ڈھانچہ وہ متغیر ہے جو انہیں الگ کرتا ہے، اور تنظیمی پختگی اس سیکشن میں زیر بحث متغیر ہے۔ درحقیقت، دونوں آپس میں جڑے ہوئے ہیں کیونکہ ایک بالغ تنظیم بھی ایک ایسی تنظیم ہوتی ہے جس کا ایک بالغ کوڈ بیس ہوتا ہے، لیکن وہ ایک دوسرے سے الگ ہوتے ہیں، اور ان کو ضم کرنے سے آپ کو بحث کرنے کے بجائے دوبارہ ریبل لگا کر نتائج کی وضاحت کرنے کی اجازت ملتی ہے۔

ایک بہتر ترکیب یہ ہے کہ دیے گئے کام پر AI کی تاثیر مشترکہ طور پر کام کی ساخت، آپریٹر کے اس کے بارے میں علم، اور آیا ارد گرد کے نظام جلد سے نقائص کا پتہ لگا سکتے ہیں۔ مزید برآں، کئی مہینوں میں CMU کوہورٹ میں پیچیدگی کا جمع ہونا ظاہر کرتا ہے کہ جب تیسرا کمزور ہوتا ہے تو پہلے دو سے قطع نظر کیا ہوتا ہے۔

10. کیا کوئی مشین اپنے کام کی تصدیق کر سکتی ہے؟

اس حصے کے تمام دلائل ایک ہی دلیل پر اکٹھے ہوتے ہیں: نظرثانی، انضمام اور تصدیق کے لیے رکاوٹوں کو نسل در نسل نیچے منتقل کیا جاتا ہے۔ واضح اعتراض یہ ہے کہ وہ بھی کام ہیں۔ اگر کوئی ایجنٹ کوڈ لکھ سکتا ہے، تو ایجنٹ کوڈ کا جائزہ لے سکتا ہے، کوڈ کو محدود کرنے والے ٹیسٹ تیار کر سکتا ہے، پیدا ہونے والے کسی بھی اختلافات کو ٹرائی کر سکتا ہے، اور جو بھی نقائص پیدا ہوتا ہے اسے دوبارہ پیش کر سکتا ہے۔

جیسا کہ آپ پڑھتے ہیں، سیکشن 3 میں نوٹ کیا گیا توجہ ٹولنگ کا ایک عبوری نمونہ ہے جس نے ایک قدم خودکار کیا ہے لیکن ابھی اگلا نہیں، اور جیسے ہی ایسا ہوتا ہے گلے میں چمنی پھیل جاتی ہے۔

یہ رپورٹ کے بنیادی طریقہ کار پر سخت ترین اعتراض ہے، اور یہ فرض کرنے کے بجائے بحث کرنے کے قابل ہے۔

ایک اچھا سودا اس کی حمایت کرتا ہے۔ حقیقت پسندانہ سافٹ ویئر انجینئرنگ کے کاموں کے لیے بینچ مارک کی کارکردگی 2023 میں چند فیصد سے بڑھ کر تقریباً دو سالوں میں طے شدہ کیوریٹڈ مسائل کے ایک اہم حصے تک پہنچ گئی ہے، اور طویل عرصے سے چلنے والے کاموں کے لیے بہتری کی شرح سالوں کے بجائے مہینوں میں قابل حصول کام کی لمبائی کو دوگنا کرنے کی خصوصیت رکھتی ہے۔

خودکار تشخیص پہلے ہی انسانوں کے مقابلے بہت سستے ہیں۔ ایک شائع شدہ موازنہ میں، ایک تشخیص جس میں تین انسانی تشخیص کاروں نے تقریباً (1,300) کی لاگت سے 86.5 گھنٹے لگے ایک ایجنٹ پر مبنی ایگزامینر نے تقریباً (1,300)30 کی لاگت سے انٹرفیس کالز (arXiv) میں دوبارہ تیار کیا۔ ملازمت کے جائزے کے اخراجات میں 40x کمی بالکل وہی ہے جس کی اپیل کی پیش گوئی کی گئی ہے اور یہ حقیقی ہے۔

تقریباً (1,300) کی لاگت سے 86.5 گھنٹے میں تین تشخیص کاروں کی طرف سے کی گئی ایک تشخیص کو ایک ایجنٹ پر مبنی جج نے انٹرفیس کالز میں تقریباً ()30 کی لاگت سے دوبارہ پیش کیا۔ (arXiv)

اس کے باوجود، اس نتیجے اور اس نتیجے کے درمیان تین چیزیں کھڑی ہیں کہ تصدیق کی پابند طاقت ختم ہو جاتی ہے۔

پہلا یہ کہ پیشین گوئیاں تنظیمی نتائج کی سطح پر آزمائی جا سکتی ہیں اور کی جا سکتی ہیں۔ جیسا کہ AI جائزہ اور توثیق کی صلاحیتوں کو نسلوں تک پھیلاتا ہے، AI کو اپنانے والی تنظیموں کو ڈیلیوری کی بہتر کارکردگی دیکھنا چاہیے کیونکہ منہ کے ساتھ ساتھ فنل کی گردن بھی چوڑی ہوتی ہے۔

گوگل کے ڈورا پروگرام نے اس کے برعکس پیمائش کی۔ AI کو اپنانے میں ہر 25% اضافے کے لیے، ٹیموں نے ذاتی پیداوری میں تقریباً 2.1% اضافہ اور ملازمت کے اطمینان میں 2.6% اضافے کی اطلاع دی۔ اسی کو اپنانے سے ڈیلیوری تھرو پٹ میں تقریباً 1.5% اور ڈیلیوری کی وشوسنییتا میں 7.2% (Dora) کی کمی دکھائی گئی ہے۔

یہ مجموعہ اس رپورٹ کا پورا استدلال ہے جو ایک ہی تلاش میں گاڑھا ہوا ہے۔ ذاتی تجربہ بہتر ہوا ہے۔ تنظیم کی فراہمی کی صلاحیت میں مسلسل کمی آ رہی ہے۔ گود لینے والی تنظیموں کی طرف سے کی گئی تصدیق، مشین کی مدد سے یا نہیں، رفتار برقرار نہیں رہی۔

AI کو اپنانے میں ہر 25% اضافے کے لیے، DORA نے پایا کہ انفرادی پیداواری صلاحیت میں تقریباً 2.1% اضافہ ہوا ہے اور ملازمت سے اطمینان میں 2.6% اضافہ ہوا ہے، جب کہ ترسیل کے تھروپپٹ میں تقریباً 1.5% کی کمی ہوئی ہے اور ترسیل کی قابل اعتمادی میں 7.2% کی کمی واقع ہوئی ہے۔ (ڈورا)

دوسرا خود کی تصدیق کا ساختی مسئلہ ہے، جو واضح طور پر حل نہیں ہو سکتا چاہے ہم اپنی صلاحیتوں کو کتنا ہی بہتر کر لیں۔ چیک کی معلوماتی قدر چیک کے موضوع کی آزادی سے آتی ہے۔ جنریٹر کے طور پر اسی تربیتی تقسیم سے تیار کیا گیا ہے، جائزہ لینے والے لغات، محاورات، اور اندھے مقامات کا اشتراک کرتے ہیں۔

اس کا مطلب یہ ہے کہ جائزے سے بچنے کے لیے سب سے زیادہ ممکنہ غلطیاں وہی ہیں جن کا جنریٹر کرنے کا سب سے زیادہ امکان رکھتا ہے۔

• ایک قابل فہم تعمیر جو اکثر عوامی کوڈ میں ظاہر ہوتی ہے لیکن اس تناظر میں غلط ہے۔

• چھوڑے گئے تقاضے جو کبھی نہیں لکھے جاتے

• یہ ایک غیر محفوظ نمونہ ہے جو عام ہے کیونکہ یہ عام ہے۔

ایک ہی تقسیم سے دوسرا نمونہ لینا ایک آزاد ٹیسٹ نہیں ہے۔ یہ ایک متعلقہ ٹیسٹ ہے، اور متعلقہ ٹیسٹ ایک ساتھ ناکام ہو جاتے ہیں۔ اس کا مطلب یہ نہیں ہے کہ مشین کے جائزے قابل قدر نہیں ہیں۔ آپ کو اس میں سے بہت کچھ پکڑنے اور سستے میں استعمال کرنے کی ضرورت ہے۔ تاہم، دلیل یہ ہے کہ پیداوار میکانکی ناکامی کے طریقوں پر مرکوز ہے اور انتہائی مہنگے ناکامی کے طریقوں پر پتلی ہے۔

اس ارتباط کی ایک ٹھوس شکل ایک ٹیسٹ سوٹ ہے جو خود عمل درآمد کی تصدیق کرتا ہے۔

# The implementation, generated first.
def apply_discount(price_cents, percent):
    return price_cents - (price_cents * percent // 100)

# The test, generated second, in the same session, by the same model.
def test_apply_discount():
    assert apply_discount(1000, 10) == 900
    assert apply_discount(1000, 0)  == 1000
    assert apply_discount(0, 50)    == 0

مصنوعات کی لائن سبز ہے، پریس رپورٹس ایماندار ہیں اور کسی شک کو غلط ثابت نہیں کرتے ہیں۔ چونکہ کیس عمل درآمد سے ماخوذ ہے نہ کہ تقاضوں سے، اس لیے آپ کو صرف وہی نقائص ملیں گے جو جنریٹر نے پیدا نہیں کیے تھے۔ جائزہ لینے والے نے جو تقاضے پڑھے ہیں وہ کیسز کا بالکل مختلف سیٹ ہے۔

def test_apply_discount_boundaries():
    assert apply_discount(1000, 100) == 0        # fully discounted
    with pytest.raises(ValueError):
        apply_discount(1000, 110)                # over 100 percent
    with pytest.raises(ValueError):
        apply_discount(1000, -10)                # negative: a price rise
    assert apply_discount(999, 33) == 670        # rounds to the seller

مسترد ہونے کی توقع کرنے والے دونوں دعوے مذکورہ بالا عمل میں ناکام ہوجاتے ہیں۔ بات یہ ہے کہ 110% رعایت منفی قیمت لوٹاتا ہے، مائنس 10% رعایت خود بخود شرح کو بڑھا دیتی ہے، اور دونوں شرائط ایسے صارف انٹرفیس میں ناقابل رسائی ہیں جو نمبرز کو قبول کرتے ہیں۔

چوتھا دعوی منظور ہوا، اور چاروں میں سے زیادہ معلوماتی ہے کیونکہ اس میں ایک ایسا فیصلہ ریکارڈ ہوتا ہے جو کسی نے نہیں کیا تھا۔ عددی تقسیم رعایت کو کم کر کے قیمت کو بڑھاتی ہے۔ اس کا مطلب ہے کہ بیچنے والے ہر ڈسکاؤنٹ لائن سے ایک سینٹ سے کم جمع کرتے ہیں۔ یہ درست ہو سکتا ہے، یہ ایسی چیز ہو سکتی ہے جس سے آپ کی مالیاتی ٹیم متفق ہو، یا یہ کمپنی کے اپنے معاہدے میں ممنوعہ اصطلاح ہو سکتی ہے۔ آپ کوڈ نہیں بتا سکتے، آپ ماڈل نہیں بتا سکتے، اور یہ جاننے کا واحد طریقہ یہ ہے کہ کسی غیر انجینئر سے پوچھیں۔

ماڈل ایک باؤنڈری کیس کی درخواست کے ساتھ ہی دوسرا مجموعہ بناتا ہے، اور تنظیم کو اس کی درخواست کرنی چاہیے۔ اشارہ کیے بغیر جو نہیں کیا جاتا ہے وہ یہ ہے کہ گول سمت ایک تجارتی فیصلہ ہے، عمل درآمد کی تفصیل نہیں۔ کیونکہ یہ حقیقت کوڈبیس میں نہیں ہے اور نہ ہی کبھی موجود ہے۔

تیسرا یہ ہے کہ کچھ تصدیقات علمی عمل نہیں ہیں بلکہ ذمہ داری کے اعمال ہیں، اور ان سے نمٹنے کی ہماری صلاحیت میں کوئی بہتری نہیں ہے۔ سیکشن 18 اس قابل دفاع دعوے کی وضاحت کرتا ہے کہ صنعت اور ڈیلیوری ایبلز نمونے نہیں ہیں اور یہ کہ نمونے استعمال کے لیے موزوں ہیں، جن پر اجازت نامہ دینے والے کے دستخط ہونا ضروری ہیں۔ ماڈل میں ختم ہونے والا تصدیقی سلسلہ کہیں ختم نہیں ہوتا کیونکہ کسی بھی فریق سے پوچھ گچھ نہیں کی جا سکتی، جوابدہ نہیں ٹھہرایا جا سکتا یا برطرف نہیں کیا جا سکتا۔ ریگولیٹرز یہ نہیں پوچھتے کہ آیا کوڈ کی تصدیق ہو چکی ہے۔ ریگولیٹرز پوچھ رہے ہیں کہ یہ مبینہ طور پر کس نے کیا۔

لہذا، اس رپورٹ کے ذریعہ لیا گیا موقف درمیانی ہے اور اسے جان بوجھ کر غلط قرار دیا جا سکتا ہے۔ مشین کی توثیق عملی طور پر جائزے کے مکینیکل اجزاء کو کم کرتی ہے: آیا کوڈ مرتب ہوتا ہے، آیا ٹیسٹ پاس ہوتے ہیں، آیا واضح انجیکشن یا معلوم کمزور انحصار موجود ہیں، اور آیا تبدیلیاں بیان کردہ ارادے سے میل کھاتی ہیں۔ جو ادارے اس سے فائدہ نہیں اٹھاتے وہ پیسہ ضائع کر رہے ہیں۔

فی الحال، یہ فیصلے کے اجزاء کو شامل نہیں کرتا ہے کہ آیا بیان کردہ ارادہ صحیح ارادہ ہے، آیا ایک غیر بیان شدہ ضرورت کی خلاف ورزی کی گئی ہے، آیا تبدیلی کسی ایسے فن تعمیر سے مطابقت رکھتی ہے جس کے بارے میں کسی نے نہیں لکھا، اور کون اس کا جواب دے گا۔ پہلا جزو حجم کے جائزے کی کوشش کا ایک اہم حصہ ہے۔ دوسرا نتیجہ اس کا ایک بڑا حصہ ہے۔

اگر یہ تجزیہ غلط ہے تو شواہد مخصوص، قابل نگرانی جگہوں پر ظاہر ہوں گے۔ ڈیلیوری کی وشوسنییتا کو گراوٹ کو روکنا چاہیے اور AI کو اپنانے کے ساتھ بہتر ہونا چاہیے۔ کیونکہ یہ توثیق کی صلاحیت کا ایک مکمل دستخط ہے جو پیداواری صلاحیت کو برقرار رکھتا ہے۔

پیمائش ہر سال دہرائی جاتی ہے اور ہر کسی کے لیے دستیاب ہوتی ہے۔ تازہ ترین اعداد و شمار مخالف سمت کی طرف اشارہ کرتے ہیں، اور رپورٹ کے ٹوٹنے کے وقت اس کی پوزیشن کا دوبارہ جائزہ لینا پڑے گا۔

11. حفاظتی سطح سستی نسل کے ذریعہ بنائی گئی ہے۔

اس رپورٹ کے حصہ 3 میں، عام سافٹ ویئر ڈویلپرز کے لیے روزگار میں 15.8 فیصد اضافے کے مقابلے، 10 سالوں کے دوران انفارمیشن سیکیورٹی تجزیہ کاروں کی ملازمت میں 28.5 فیصد اضافہ متوقع ہے۔

نثر کو اب تک بغیر وضاحت کے پیش کیا گیا ہے، گویا یہ ایک تجسس تھا۔ یہ کوئی تجسس نہیں ہے۔ یہ سیکشن جس چیز کی وضاحت کرتا ہے وہ سیکیورٹی ریسرچ کے باڈی میں لیبر مارکیٹ کا سایہ ہے اور رپورٹ کے بنیادی دلیل کو واضح طور پر واضح کرتا ہے۔ جب سیکیورٹی کی بات آتی ہے تو، ایک نمونہ تیار کرنے اور اس پر بھروسہ کرنے کے درمیان فرق ذائقہ کا نہیں بلکہ پیمائش کا معاملہ ہے۔

بیس لائن ریسرچ نے 89 منظرناموں کے لیے کوڈ جنریشن ماڈلز کو متحرک کیا جو MITER کی 25 انتہائی خطرناک سافٹ وئیر کی کمزوریوں کی فہرست سے نکالے گئے، جس کے نتیجے میں 1,689 پروگرام ہوئے۔ ان میں سے تقریباً 40% کو خطرات (arXiv) پائے گئے۔

نتائج کو سنسنی خیز بنانے کے بجائے غور سے پڑھنا چاہیے۔ منظرناموں کو جان بوجھ کر سیکیورٹی سے متعلق منتخب کیا گیا تھا، لہذا یہ نمبرز عام طور پر تیار کردہ کوڈ کی کمزوری کی شرح کے بارے میں کوئی دعویٰ نہیں ہیں۔ یہ ثابت ہوا ہے کہ جب ماڈلز کو ان حالات میں کوڈ لکھنے کے لیے کہا جاتا ہے جہاں سیکیورٹی کے لیے اہم فیصلوں کی ضرورت ہوتی ہے، تو انسانی انجینئر ناقابل قبول شرح پر ناقص فیصلے کرتے ہیں اور آؤٹ پٹ تیار کرتے ہیں جو کہ مکمل طور پر معمولی معلوم ہوتا ہے۔

MITER کی ٹاپ 25 کمزوریوں کی فہرست سے نکالے گئے 89 سیکیورٹی سے متعلقہ منظرناموں سے 1,689 پروگرامز بنائے گئے، جن میں تقریباً 40% خطرات پر مشتمل ہیں۔ (arXiv)

ناقص فیصلہ سازی کی کوئی بھی شکل دکھانے کے قابل ہے۔ کیونکہ یہ وضاحت کرتا ہے کہ ایک جائزہ اسے کیوں نہیں پکڑ سکتا۔

# The generated handler. This pattern is common in public code, which is
# why it is common in generated code.
@app.get("/orders")
def orders(request):
    customer = request.args.get("customer")
    rows = db.execute(
        f"SELECT id, total FROM orders WHERE customer="{customer}""
    )
    return jsonify([dict(r) for r in rows])

# The same model, same session, after the request says "parameterise it".
    rows = db.execute(
        "SELECT id, total FROM orders WHERE customer = ?", (customer,)
    )

ماڈل خوشی سے ایک لائن میں اصلاحات فراہم کرے گا۔ تو عیب فیچر گیپ نہیں بلکہ ڈیفالٹ ہے۔ جب حفاظتی تقاضے متعین نہیں ہوتے ہیں تو غیر محفوظ کنفیگریشنز بن جاتی ہیں۔ اصل درخواستوں کی بھاری اکثریت میں سیکیورٹی کے تقاضے بیان نہیں کیے گئے ہیں۔ کیونکہ درخواست کرنے والا شخص اقتباس کے بجائے حکم کے بارے میں سوچ رہا ہے۔

تخلیق کردہ 400 لائن کے فرق کو پڑھنے والے جائزہ لینے والے کو معلوم ہوگا کہ وہ ایک ہی جگہ پر ہیں اور f-string محفوظ ورژن سے 4 حروف سے مختلف ہے۔

ایک زیادہ اہم مطالعہ نے دیکھا کہ جب ڈویلپرز ایسے ماڈل استعمال کرتے ہیں تو کیا ہوتا ہے۔ AI اسسٹنٹ تک رسائی حاصل کرنے والے شرکاء نے ان لوگوں کے مقابلے میں نمایاں طور پر کم محفوظ کوڈ لکھا جنہوں نے ایسا نہیں کیا، اس کا اثر خاص طور پر سٹرنگ انکرپشن اور ایس کیو ایل انجیکشن کے لیے واضح ہوتا ہے۔ اور، رپورٹ کے استدلال کے لحاظ سے، انہی شرکاء کے اس بات پر یقین کرنے کا زیادہ امکان تھا کہ ان کا لکھا ہوا کوڈ محفوظ تھا (arXiv)۔

AI اسسٹنٹ تک رسائی حاصل کرنے والے شرکاء نے ان لوگوں کے مقابلے میں نمایاں طور پر کم محفوظ کوڈ لکھا جنہوں نے ایسا نہیں کیا، جبکہ ان کے کوڈ کے محفوظ ہونے پر یقین کرنے کا زیادہ امکان بھی تھا۔ (arXiv)

یہ سیکشن 7 میں آگاہی کا فرق ہے جسے دوسرے محققین، دیگر آبادیوں اور دیگر کاموں نے ان علاقوں میں نقل کیا ہے جہاں اسے غلط ہونے کے نتائج ہوتے ہیں جنہیں سٹاپ واچ پکڑ نہیں سکتی۔

METR کے نتائج کو چھوٹے نمونوں یا متبادل آلات کے نمونے کے طور پر مسترد کیا جا سکتا ہے۔ سافٹ ویئر انجینئرنگ کے ڈومین میں، جہاں زیادہ اعتماد سب سے زیادہ مہنگا ہوتا ہے، آزاد تجربہ اسی ڈھانچے کا پردہ فاش کرتا ہے (کام کا معیار گرنے پر اعتماد بڑھتا ہے)، اسے نظر انداز کرنا بہت مشکل ہو جاتا ہے۔

ایک میکانزم کی دو آزاد نقلیں نتائج کے بڑے مطالعہ سے زیادہ قیمتی ہیں، اور یہ رپورٹ ان کے ساتھ اس بات کا سب سے مضبوط ثبوت مانتی ہے کہ انسانی خود تشخیص AI کی مدد سے کیے گئے کاموں کا جائزہ لینے کا آلہ نہیں ہو سکتا۔

اپنانے سے حملے کی کلاسیں بھی پیدا ہوئیں جو پہلے موجود نہیں تھیں۔ ایک مطالعہ جس نے دو زبانوں میں 16 ماڈلز میں 576,000 کوڈ کے نمونے تیار کیے ہیں اس سے پتا چلا ہے کہ ماڈلز کے تجویز کردہ پیکیجز میں سے 19.7 فیصد موجود نہیں تھے، جبکہ کمرشل ماڈلز کے لیے تقریباً 5.2 فیصد اور اوپن ماڈلز کے لیے تقریباً 21.7 فیصد تھے۔

پیداوار کی ترتیب بہت معلوماتی ہے۔ تقریباً 51% خالص ایجادات تھیں، 38% دو حقیقی پیکجوں کا مرکب تھیں، اور 13% ٹائپنگ کی مختلف حالتیں تھیں۔

لیکن وہ دریافت جو گھر کے کام کو کمزوری میں بدل دیتی ہے وہ ہے اعادہ۔ جب ایک ہی پرامپٹ کو 10 بار دوبارہ چلایا گیا تو، ہر بار چلائے جانے پر 43% ہیلوسینیشن پیکیج کے نام دوبارہ ظاہر ہوئے، اور 58% ایک سے زیادہ بار ظاہر ہوئے (USENIX سیکیورٹی)۔

16 ماڈلز سے تیار کیے گئے 576,000 کوڈ نمونوں میں سے، تجویز کردہ پیکیجز میں سے 19.7% موجود نہیں تھے۔ 10 ایک جیسے دوبارہ چلانے میں، 43% ہیلوسینیشن پیکیج کے نام ہر بار دوبارہ ظاہر ہوئے، اور 58% ایک سے زیادہ بار ظاہر ہوئے۔ (Usenix سیکورٹی)

ایک بار کا فریب کاری ایک ایسی غلطی ہے جسے ڈیولپرز اس وقت محسوس کرتے ہیں جب انسٹالیشن ناکام ہو جاتی ہے۔ ایک متعین طور پر دہرایا جانے والا فریب ایک پتہ ہے، اور حملہ آور اسے رجسٹر کر سکتا ہے۔ نتیجے کے طور پر، ماڈل کے ذریعہ ایجاد کردہ ناموں کے ساتھ بدنیتی پر مبنی پیکجوں کو شائع کرنے کی تکنیک ٹائپوسکوٹنگ کی معاشیات کو پریشان کرتی ہے۔ دوسرے لفظوں میں، انسان کے کچھ غلط ٹائپ کرنے کا انتظار کرنے کے بجائے، حملہ آور کمپیوٹر کے بار بار اور اعتماد کے ساتھ اس کے غلط ہونے کا انتظار کرتا ہے۔

شدید عدم توازن ہے۔ ایک حملہ آور کے لیے ایک بار رجسٹر کرنے اور انسٹال کرنے کے لیے اسے ایک متوقع پیداوار کی ضرورت ہوتی ہے۔ محافظ کو یقینی بنانا چاہیے کہ تمام تیار کردہ فائلوں کے تمام انحصار کو جنریٹڈ کوڈ والیوم میں چیک کیا گیا ہے، جو سیکشن 3 میں تین ہندسوں کا اضافہ ظاہر کرتا ہے۔

# A generated import. The package name is plausible, the call is plausible,
# and on roughly one occasion in five no such package exists.
import requests_cache_async as rca        # not published on any index

session = rca.CachedSession(ttl=3600)

# The control that closes the attack does not depend on noticing the name.
# Every dependency resolves against an internal mirror containing only
# packages a human has approved, and every install is pinned to a hash
# recorded at the time of that approval.
pip install --index-url https://packages.internal/simple 
            --require-hashes -r requirements.lock

# CI fails the build if any name in the lockfile is absent from the mirror,
# which is the case for every fabricated package by construction.
python -m scripts.verify_allowlist requirements.lock || exit 1

کنٹرول پوشیدہ ہیں اور زیادہ تر بڑی تنظیمیں پہلے سے ہی کچھ ایسا ہی کام کرتی ہیں۔ جو کچھ تبدیل ہوا ہے وہ اس وقت گزرنے والی ٹریفک اور اس میں مستثنیات کا نتیجہ ہے۔ اس کی وجہ یہ ہے کہ وائٹ لسٹ، جس میں پیکجوں کے لیے سہولت بائی پاسز شامل ہیں جن کی ڈویلپرز کو فوری ضرورت ہے، وہی گیٹ ہے جس سے گزرنے کے لیے اس حملے کو ڈیزائن کیا گیا تھا۔ خود تصدیق کنندہ (جو تیار کردہ ناموں اور غیر مجاز اصلی ناموں کے درمیان فرق کرتا ہے اور جب آئینہ ناقابل رسائی ہوتا ہے تو تعمیرات کو آگے بڑھانے میں ناکام رہتا ہے) کو ضمیمہ D.4 میں مکمل طور پر بیان کیا گیا ہے۔

ایجنٹ کی تبدیلی دوسری نئی کلاس کا اضافہ کرتی ہے۔ جب کوڈنگ ایجنٹ کو ٹولز (جیسے شیل، نیٹ ورک تک رسائی، سٹوریج کی اسناد، کسی ایشو ٹریکر کو پڑھنے یا ویب صفحہ لانے کی صلاحیت) دیے جاتے ہیں، تو اسے اس کے پڑھے ہوئے مواد کے ذریعے ہدایت کی جا سکتی ہے۔ اس کی وجہ یہ ہے کہ سیاق و سباق کی ونڈو ڈیٹا اور ہدایات میں اس سے زیادہ فرق نہیں کرتی ہے جتنا آپریٹنگ سسٹم ڈیٹا اور کوڈ کے درمیان فرق کرتا ہے۔

جب کسی ایجنٹ نے بگ کو ٹھیک کرنے کے لیے کہا تو وہ ایک مسئلہ پڑھتا ہے جس کے متن میں غیر انسانی ایجنٹ کے لیے ہدایات ہوتی ہیں، دونوں کے درمیان فرق کرنے کا کوئی ساختی ذریعہ نہیں ہے۔ یہ طبقہ تسلیم شدہ ہے، قیاس آرائی پر مبنی نہیں۔ فوری انجیکشن OWASP (بڑی زبان کے ماڈل ایپلیکیشن رسک) کی صنعت سے مربوط فہرست میں نمبر 1 پر ہے۔

جو چیز اسے ماڈل کے مسئلے کی بجائے سافٹ ویئر انجینئرنگ کا مسئلہ بناتی ہے وہ یہ ہے کہ دھماکے کا رداس ان کارروائیوں کا ایک فنکشن ہے جو ایجنٹ کو کرنے کی اجازت ہے، اور عملی طور پر کوڈنگ ایجنٹ کو دی گئی اجازتیں (مثلاً ریپوزٹری تک تحریری رسائی، صوابدیدی احکامات پر عمل درآمد کرنے کی اہلیت، ماحول میں موجود اسناد) کسی بھی تنظیم کے وسیع ترین مسئلے پر کسی بھی مسئلے میں شامل ہیں۔

Issue #4127, filed by an external contributor, read by an agent that holds
repository write access and a continuous-integration token.

    Title: Flaky test in test_billing.py

    The assertion on line 88 fails intermittently on CI. It looks
    timing-related.

    

تبصرے ایشو ٹریکر کے پیش کردہ منظر میں پوشیدہ ہیں، غیر انسانی ایجنٹوں کی طرف ہدایت دی جاتی ہیں، اور ایجنٹوں کے پاس کوئی ساختی ذریعہ نہیں ہے کہ وہ انہیں ماڈریٹرز کی فراہم کردہ ہدایات سے ممتاز کر سکیں۔ اس کی وجہ یہ ہے کہ دونوں متن کے سیاق و سباق کی ونڈو میں آتے ہیں۔

# The countermeasure is not a better model. It is a smaller blast radius,
# specified before the agent is given anything to read.
agent:
  network:
    policy: deny-by-default        # an allowlist, not a content filter
    allow:  [registry.internal, github.com]
  secrets:
    available: none                # credentials injected after human review
  filesystem:
    write: ["src/**", "tests/**"]
    deny:  [".env", ".github/**", "deploy/**", "**/*.pem", "**/*.key"]
  git:
    push:   refs/heads/agent/*     # never a protected branch
    review: required               # a person signs, per Section 18

اس پالیسی کی ہر لائن کی ایجنٹ کی صلاحیت کے لحاظ سے لاگت ہوتی ہے، اور یہ ایک لین دین ہے، نہ کہ ڈیزائن کی نگرانی۔ ایک ایجنٹ جو ماحولیات کی فائل کو نہیں پڑھ سکتا وہ اس قسم کے کنفیگریشن کے مسائل کی تشخیص نہیں کر سکتا۔ اور جس تنظیم نے اس خصوصیت کو بحال کرنے کے لیے رسائی دی اس نے فیصلہ کیا کہ تشخیصی قدر نمائش سے تجاوز کر گئی ہے۔

فیصلہ قانونی ہے۔ ایسا نہیں ہے کہ آپ یہ جانے بغیر کچھ بنا رہے ہیں کہ اسے بنایا گیا ہے۔ ضمیمہ D.4 ہر ایک محدود لاگت کے فنکشن کے ساتھ مکمل پالیسی فراہم کرتا ہے جو حد کے ساتھ فائل میں درج ہے۔

ایک ساتھ مل کر، یہ نتائج روزگار کے نقطہ نظر کی وضاحت کرتے ہیں جو اس حصے کو کھولتا ہے اور ایسا سیکیورٹی سے متعلق مخصوص موضوعات کے بجائے رپورٹ کے عمومی طریقہ کار کے ذریعے ہوتا ہے۔ گھرانوں کی تعداد میں تیزی سے اضافہ ہوا ہے۔ اس کے مطابق کوڈ کی مقدار میں بھی اضافہ ہوا ہے جس میں سیکورٹی کا جائزہ لینے کی ضرورت ہے۔ جو آبادی یہ جائزہ لے سکتی تھی وہ نہیں کر سکتی تھی، اور اوپر کی تحقیق سے پتہ چلتا ہے کہ مسائل کی نشاندہی کرنے کے لیے بہترین پوزیشن والے لوگ جب مدد حاصل کرتے ہیں تو منظم طریقے سے ان پر توجہ دینے کا امکان کم ہوتا ہے۔

قلیل تکمیلی آدانوں کی مانگ بڑھ جاتی ہے۔ 28.5% بمقابلہ 15.8% کی 10 سالہ پیشین گوئی اس طرح دکھائی دیتی ہے جب اسے تعداد کے بجائے میکانزم کے طور پر ظاہر کیا جائے۔

اس کے لیے ایک قابلیت کی ضرورت ہے: اس سیکشن کے زیادہ تر تجرباتی کام میں پچھلی نسلوں کے ٹولز کا استعمال کیا گیا ہے، اور 2026 میں دستیاب ماڈلز معروف کمزوریوں سے بچنے کے لیے کافی حد تک بہتر ہیں جب درخواستوں میں سیکیورٹی کے تقاضے واضح طور پر بیان کیے گئے ہیں۔ لہذا، اوپر بیان کردہ خطرے کی شرح کو ناکامی کے طریقوں کے ثبوت کے طور پر پڑھا جانا چاہیے، نہ کہ موجودہ پیمائش کے طور پر۔

جس چیز کو تبدیل نہیں کیا جا رہا ہے اور جو واضح طور پر فیچر میں اضافہ نہیں کرتا ہے وہ اس حصے کے مرکز میں جوڑا ہے۔ یعنی، ایسے ڈویلپرز کو سپورٹ کریں جن کے پاس محفوظ کوڈ لکھنے کا امکان کم ہے اور ان کے پاس یہ یقین کرنے کا زیادہ امکان ہے۔ یہ لوگوں اور اعتماد کے نظام کے درمیان تعامل کی خاصیت ہے، نہ کہ کسی مخصوص ماڈل کی تربیت۔

حصہ 2: انسانی طاقتوں کو پابند کرنا

12. فیچر کو ڈاؤن لوڈ نہیں کیا جا سکتا۔

ایمپلیفیکیشن تھیسس سوال کی جگہ لے لیتا ہے۔ اگر کسی تنظیم کی صلاحیتیں اس بات کا تعین کرتی ہیں کہ AI کیا فراہم کرتا ہے، اور اگر کسی تنظیم کی صلاحیتیں بالآخر اس کے اندر موجود لوگوں کی صلاحیتوں پر مشتمل ہوں، تو متعلقہ کمی مشینی صلاحیتوں کے بجائے انسانی سمجھ کی ہے۔

اس سے ایک سوال پیدا ہوتا ہے جس پر اس کے حقدار سے کہیں کم توجہ ملی ہے۔ AI کا استعمال وقت کے ساتھ انسانی سمجھ کی ترقی کو کیسے متاثر کرے گا؟

2026 کے ایک بے ترتیب مطالعہ نے اس مسئلے کو براہ راست ڈیولپرز سے ایک گروپ میں غیر مانوس غیر مطابقت پذیر پروگرامنگ لائبریری سیکھنے کے لیے کہا جو AI کی مدد سے فراہم کی گئی تھی اور دوسرا گروپ جو AI کی مدد کے بغیر کام کر رہا تھا۔ ڈیزائن اہم ہے کیونکہ یہ سیکھنے کو کام کی تکمیل کے بجائے نتیجہ کے متغیر کے طور پر الگ کرتا ہے اور مطالبہ کرتا ہے کہ موضوع (غیر مطابقت پذیر پروگرامنگ) تصوراتی طور پر حقیقی تفہیم کا بدلہ دے اور سطحی پیٹرن کے ملاپ کو سزا دے۔

مطالعہ میں ماپا جانے والے ہر پہلو پر، نتائج اس گروپ کے لیے ناموافق تھے جنہوں نے مدد حاصل کی۔ AI استعمال کرنے والے شرکاء نے تصورات کو سمجھنے، کوڈ پڑھنے اور ڈیبگ کرنے میں بدتر کارکردگی کا مظاہرہ کیا، اور معاوضہ دینے کے لیے اعدادوشمار کے لحاظ سے اہم اوسط کارکردگی کے فوائد حاصل نہیں کیے (arXiv)۔

فالو اپ نالج اسسمنٹ میں، AI کی مدد سے شریک شرکاء نے تقریباً 50% اسکور حاصل کیے، جبکہ ان لوگوں کے لیے جو بغیر کسی مدد کے کام کرتے تھے، ان کا 67% اسکور تھا۔ کچھ امداد حاصل کرنے والے شرکاء کے درمیان مشاہدہ کیا گیا چھوٹا وقت کا فائدہ اعداد و شمار کے لحاظ سے اہم نہیں تھا۔ اس کا مطلب یہ ہے کہ مدد کرنے والے گروپ کی طرف سے کی گئی تجارت محققین کے لیے دستیاب کسی بھی اقدام سے سازگار تجارت نہیں تھی۔ انہوں نے یقینی طور پر کسی بھی تیزی سے ختم نہیں کیا اور انہوں نے یقینی طور پر کم احساس کیا۔

AI کی مدد سے غیر مانوس پروگرامنگ لائبریریوں کو سیکھنے والے ڈویلپرز نے بعد کے علمی جائزوں پر تقریباً 50% اسکور حاصل کیا، جب کہ AI کے بغیر کام کرنے والے ڈویلپرز نے 67% کے قریب اسکور حاصل کیا۔ وقت کا فائدہ شماریاتی لحاظ سے اہم نہیں تھا۔ (arXiv)

مدد یافتہ گروپ میں داخلی تبدیلیاں اوسط سے زیادہ معلوماتی ہیں، ایک ایسی تلاش جس پر عملی رہنمائی کی بنیاد ہونی چاہیے۔ وہ شرکاء جنہوں نے کاموں کو بہترین طریقے سے تفویض کیا کبھی کبھی انہیں تیزی سے مکمل کیا اور کم سے کم سیکھا۔ وہ شرکاء جن کے تعامل کے نمونوں نے فعال استدلال کی حمایت کی، جیسے کہ حل کے بجائے وضاحتیں مانگنا، دعووں کو قبول کرنے کے بجائے ان کی تصدیق کرنا، اور متبادل کے بجائے سمجھ بوجھ کو جانچنے کے لیے ماڈلز کا استعمال، نمایاں طور پر زیادہ برقرار رہے۔

ٹول نے نتیجہ کا تعین نہیں کیا۔ بلکہ، استعمال کے پیٹرن نے اس کا تعین کیا۔ دو ڈویلپرز ایک ہی ماڈل کا استعمال کرتے ہوئے ایک ہی وقت گزار سکتے ہیں اور قابلیت کی نمایاں طور پر مختلف سطحوں تک پہنچ سکتے ہیں اس پر منحصر ہے کہ آیا تعامل کو علمی کام کی ضرورت ہے یا اس سے نجات ملتی ہے۔

جوابات حاصل کرنے اور قابلیت پیدا کرنے کے درمیان یہ فرق حصہ 2 کا تصوراتی مرکز ہے۔ جواب ایک مقامی نمونہ ہے جو مسئلے کی ایک مثال کو حل کرتا ہے۔ قابلیتیں عمومی صلاحیتیں ہیں جن میں یہ سمجھنا شامل ہے کہ جواب کیوں کام کرتا ہے، ان حالات کی پیشین گوئی کرنا جن کے تحت یہ ناکام ہو جائے گا، اسے ملحقہ مسائل میں عام کرنا، اسی خیال کے دیگر نفاذ کو ڈیبگ کرنا، جب وہ غیر مانوس شکلوں میں ظاہر ہوتے ہیں تو پیٹرن کو پہچاننا، اور (اس مقالے کی دلیل کے لیے اہم طور پر) مستقبل میں پیدا ہونے والے کام کی نگرانی کرنا جو اسی کو ایڈریس کرتا ہے۔

نتیجہ ایک توثیقی تضاد ہے جس میں غیر آرام دہ مضمرات ہیں کہ ٹیکنالوجی کو کیسے اپنایا جائے گا۔ جو لوگ AI پر سب سے زیادہ انحصار کرتے ہیں وہ اکثر ایسے ہوتے ہیں جو AI کے غلط ہونے پر پہچاننے کے قابل ہوتے ہیں۔ مزید برآں، چونکہ ہر کامیاب وفد اگلے وفد کا جائزہ لینے کے لیے صلاحیت بڑھانے کی مشق کو کم کرتا ہے، اس لیے ان کا انحصار حل ہونے کی بجائے مزید گہرا ہوتا جاتا ہے۔

تجربہ کار انجینئر ان ٹولز کو فعال طور پر استعمال کر سکتے ہیں کیونکہ ان کے پاس اندرونی ماڈل ہیں جو انہیں سیکنڈوں میں جوابات کا جائزہ لینے کی اجازت دیتے ہیں۔ ماڈل کے آؤٹ پٹ کو انجینئر کے پاس پہلے سے موجود ڈھانچے کے خلاف چیک کیا جاتا ہے۔

تاہم، اسی مسئلے کے لیے ایک ہی ٹول کا استعمال کرنے والے نوآموز کے پاس پیدا کردہ جوابات سے زیادہ کچھ نہیں ہوگا اور یہ فیصلہ کرنے کی کوئی آزاد بنیاد نہیں ہوگی کہ یہ کام کرتا ہے یا نہیں۔

انجینئرنگ کی صلاحیتیں جو اس تشخیص کو ممکن بناتی ہیں وہ ریاضی، کمپیوٹر سائنس، ڈیبگنگ سیشنز کے ایک طویل اور اکثر غیر آرام دہ سلسلے کے ذریعے تیار کی جاتی ہیں جو حل کی بجائے سمجھ بوجھ پر ختم ہوتی ہیں، آگے پیچھے کوڈ کے جائزے، تکلیف دہ وقت پر پروڈکشن کے واقعات، شرمناک بنیادی وجوہات کے ساتھ سیکیورٹی کی ناکامیاں، ہجرت جس سے صارفین کی کارکردگی میں کوئی رکاوٹ پیدا نہیں ہوتی، توقع کی جاتی ہے کہ کارکردگی میں کوئی رکاوٹ نہیں ہے۔ غلط فہمی کے تقاضوں، اور ایسے نظاموں کا بار بار نمائش جو ان طریقوں سے ناکام ہو جاتے ہیں جن کا نمونہ کسی نے نہیں بنایا۔

اور اس کے نتیجے میں حاصل ہونے والا زیادہ تر علم تجویزی کے بجائے خاموش ہے۔ تجربہ کار انجینئر اکثر رسمی اصولوں میں ہر سبق کو بیان نہیں کر سکتے، اور نہ ہی ان کی ضرورت ہے۔ انہوں نے جو کچھ بنایا ہے وہ پیٹرن کی شناخت کی صلاحیت ہے جو ساختی خطرات کی وضاحت کرنے سے پہلے ان کی نشاندہی کرتی ہے۔ یہ صلاحیت دستاویز کے ذریعے قابل منتقلی نہیں ہے، اور نہ ہی یہ دستاویز کو پڑھنے والے ماڈل کے ذریعے قابل منتقلی ہے۔

اس وجہ سے، ایک طاقتور AI ماڈل کا وجود فوری طور پر ایک اور ASML، سیمی کنڈکٹر ایکو سسٹم، روبوٹکس لیڈر، میڈیکل ڈیوائس کمپنی، یا صنعتی پلیٹ فارم نہیں بنائے گا۔ یہ اس حقیقت کے باوجود کہ متعلقہ عوامی معلومات کا ایک اہم حصہ تمام اہم ماڈلز کے تربیتی ڈیٹا میں موجود ہے۔ ماڈلز انجینئرنگ کے بارے میں اس معنی میں معلومات پر مشتمل ہو سکتے ہیں کہ وہ فزکس پر بحث کر سکتے ہیں، عمل کو بیان کر سکتے ہیں اور قابل فہم وضاحتیں تیار کر سکتے ہیں۔ لیکن تنظیموں کو اب بھی لوگوں، سہولیات، سپلائرز، سرمایہ، ادارہ جاتی یادداشت، معیار کے نظام، ضابطہ کار علم، آپریشنل نظم و ضبط، اور انتظام کی ضرورت ہے جو غیر یقینی حالات میں اس معلومات کو لاگو کر سکیں اور نتائج کی طرف ان سب کو مربوط کر سکیں۔

ٹیلنٹ دنیا میں کہیں سے بھی ابھر سکتا ہے، اور AI حقیقی معنوں میں داخلے کے لیے جغرافیائی اور مالی رکاوٹوں کو کم کرتا ہے جسے کم کرنے کے بجائے منایا جانا چاہیے۔ یہ جو نہیں کرتا ہے وہ بنیادوں، مہارت، سرمایہ اور عمل کو غیر متعلقہ بنا دیتا ہے، اور رکاوٹوں کو کم کرنے اور ضروریات کو دور کرنے کے درمیان فرق وہیں ہے جہاں زیادہ تر موجودہ الجھنیں مضمر ہیں۔

13. ماہرانہ ضارب: 400,000 ایجنٹ سیشنز سے ثبوت

یہ دعویٰ کہ آپریٹر کی قابلیت AI آؤٹ پٹ کا تعین کرتی ہے، حال ہی میں بنیادی طور پر بحث اور کہانی کے ذریعے تائید کی جاتی رہی ہے۔ اہم پیمانے پر براہ راست پیمائش اب معاون ہے۔

تقریباً 235,000 صارفین کے ساتھ تقریباً 400,000 کلاڈ کوڈ سیشنز کے اینتھروپک کے تجزیے نے اس بات کا جائزہ لیا کہ ایجنٹ کو ہدایت کرنے والے شخص کی درجہ بندی کی مہارت کے لحاظ سے نتائج کیسے مختلف ہوتے ہیں۔ نتائج غیر معمولی درستگی کے ساتھ ایمپلیفیکیشن تھیسس کی مقدار درست کرتے ہیں۔

ابتدائی کے طور پر درجہ بندی کردہ سیشنوں میں تقریباً 15 فیصد کامیابی ثابت ہوتی ہے۔ انٹرمیڈیٹ یا ماہر کے طور پر درجہ بندی کردہ سیشنز نے 28-33% کی ثابت شدہ کامیابی کی شرح حاصل کی ہے۔ ڈومین کی تفہیم کی مختلف سطحوں والے لوگوں کے سامنے پیش کردہ وہی بنیادی ماڈل ان لوگوں کے ہاتھوں میں کامیابی کی شرح سے تقریباً دوگنا تھا جو سمجھتے تھے کہ وہ کیا مانگ رہے ہیں (انسانیت)۔

تقریباً 235,000 صارفین کے ساتھ تقریباً 400,000 کلاڈ کوڈ سیشنز میں، ابتدائی سطح کے سیشنز نے 15% کی تصدیق شدہ کامیابی کی شرح حاصل کی، جب کہ انٹرمیڈیٹ اور ماہر صارفین نے کامیابی کی شرح 28-33% حاصل کی۔ جب ایجنٹوں نے جدوجہد کی تو ماہرین نے تقریباً 15% کیسز میں کامیابی سے صحت یاب ہو گئے، جبکہ نوزائیدہوں کے لیے یہ شرح 4% تھی۔ (انسانیت)

بازیابی کے نمبر دونوں میں سے زیادہ ظاہر کرنے والے ہیں، اور الگ الگ نمایاں کرنے کے قابل ہیں کیونکہ وہ مہارت فراہم کرنے والی مخصوص فعالیت کو الگ کرتے ہیں۔ جب ایجنٹ کو مشکلات کا سامنا کرنا پڑا (مثال کے طور پر، ابتدائی نقطہ نظر ناکام ہوا، آؤٹ پٹ غلط تھا، یا کام مجوزہ فریمنگ سے زیادہ مشکل نکلا)، ماہرین نے تقریباً 15% کیسز میں کامیابی سے بازیابی کی، جب کہ نوزائیدہ تقریباً 4% میں صحت یاب ہوئے۔ یہ ایک ناقص سیشن سے بازیافت کرنے کی صلاحیت میں 4x کے قریب فرق ہے اور پچھلے حصے میں بیان کردہ میکانزم سے براہ راست نقشہ بناتا ہے۔

بحالی کے لیے اس بات کی تشخیص کی ضرورت ہوتی ہے کہ خرابی کیوں ہوئی، جس کے لیے سسٹم کے ماڈل کی ضرورت ہوتی ہے، قطع نظر اس کے کہ ایجنٹ غلطی کے بارے میں کیا کہتا ہے۔ ابتدائیوں کے پاس ایسا ماڈل نہیں ہوتا ہے، اس لیے ان کے پاس اصل درخواست کو دوبارہ بیان کرنے کے علاوہ کوئی راستہ نہیں ہے۔

وہ عناصر جو دونوں میں فرق کرتے ہیں وہ نتائج میں ظاہر ہونے سے پہلے درخواست میں ظاہر ہوتے ہیں۔

Novice framing

    "Add caching to the product API, it's too slow."

Expert framing

    "p99 on GET /products/{id} is 840ms and about 70 percent of that is
     the variant-pricing join. Cache the resolved price per (product,
     region) for 60 seconds, keyed on the pricing-rules version so that
     publishing a rule change invalidates without a flush. Do not cache
     the inventory field; it has to stay strongly consistent because the
     checkout path reads it. Show me the invalidation path before you
     write the read path."

دوسرا فریمنگ بہتر محرک نہیں ہے۔ اس میں پیمائشیں، اس بارے میں مفروضے شامل ہیں کہ تاخیر اصل میں کہاں ہوتی ہے، غلطیاں برقرار رکھنے کے لیے ایک نئے طریقہ کار کی بجائے موجودہ ایونٹس کے نتیجے میں منتخب کی جانے والی کیش کیز، منسلک وجہ کے ساتھ واضح اخراج، اور اس ترتیب کے لیے رہنما خطوط شامل ہیں جس میں آپریشنز کو جائزہ کے لیے پیش کیا جانا چاہیے۔

وہ تمام چیزیں سسٹم کے بارے میں حقائق ہیں، ماڈل کے بارے میں نہیں۔ ایجنٹ یہ فراہم نہیں کر سکتا کیونکہ اس نے کبھی ٹریکنگ نہیں دیکھی، یہ نہیں جانتے کہ انوینٹری چیک آؤٹ پر پڑھی جاتی ہے، اور یہ نہیں جانتے کہ قیمتوں کے اصول میں کوئی ورژن موجود ہے۔

ایجنٹ کی کامیابی کی اطلاع دینے کے ایک قدم بعد بازیافت کے اعداد و شمار اسی توازن کی پیمائش کرتے ہیں۔

Agent:  "Done. Cache added to the product endpoint, tests pass."

Novice: "Great, ship it."

Expert: "What happens to the database on the first request after a
         deploy, when every key is cold at once? And what is the TTL on
         a 404 — are we caching the absence of a product, and for how
         long after it is created?"

اختلافات کو پڑھ کر ان دونوں سوالوں میں سے کسی کا بھی جواب نہیں دیا جا سکتا، اور دونوں ناکامیوں کو بیان کرتے ہیں کہ ٹیسٹ سویٹ پاس ہو جائے گا۔ بحالی میں چار گنا فرق اس کے دستیاب ہونے اور دستیاب نہ ہونے کے درمیان فرق ہے۔

دو حدود جو براہ راست متاثر کرتی ہیں کہ یہ دریافت کتنا وزن رکھ سکتی ہے: وہ دونوں کناروں کے بجائے مرکز میں کٹے ہوئے ہیں۔

سب سے پہلے، یہاں کی مہارت مشاہدہ شدہ سند کے بجائے ایک درجہ بندی ہے، اور شائع شدہ اکاؤنٹس یہ ظاہر نہیں کرتے ہیں کہ درجہ بندی نتائج سے آزادانہ طور پر بنائی گئی تھی۔ جب سیشنز کو جزوی طور پر ماہر سمجھا جاتا ہے اس کی بنیاد پر کہ وہ کس طرح کارکردگی کا مظاہرہ کرتے ہیں (درخواستوں کی مخصوصیت، تصدیقوں کا استعمال، ناکام کوششوں کے جوابات)، حقیقت یہ ہے کہ ماہر سیشن زیادہ کثرت سے بازیافت ہوتے ہیں ان سیشنز کے بارے میں تلاش کرنے کے بجائے جزوی طور پر تشخیص کے معیار کی بحالی ہے۔

نتائج کی سمت DORA تنظیم کی دریافت اور سیکھنے کی تحقیق سے مطابقت رکھتی ہے، لیکن یہ اب بھی آزادانہ بنیادوں پر درست ہے کیونکہ یہ مخصوص دگنا اور چار گنا ہونے والے تناسب کو پیمائش کے بجائے حقیقی اثرات پر اوپری حد کے طور پر مانتا ہے۔

دوسرا یہ کہ یہ وینڈر کی طرف سے فروخت کنندہ کی اپنی مصنوعات کا تجزیہ ہے، اور جب کہ ظاہر ہے کہ یہ ہر کسی کو ایجنٹوں کو فروخت کرنے میں تجارتی دلچسپی کے لیے کوئی تسلی بخش نتیجہ نہیں ہے، آزادانہ نقل ابھی تک سامنے نہیں آئی ہے۔

ایک عام سیشن میں فیصلہ سازی کی بحث کا اکثر حوالہ دیا جاتا ہے اور اسے معمول سے زیادہ احتیاط سے پڑھنا چاہیے۔ انسانوں نے تقریباً 70% منصوبہ بندی کے فیصلے کیے، اور ماڈل نے عمل درآمد کے تقریباً 80% فیصلے کیے ہیں۔ اس کو ایک دریافت کے طور پر پڑھنا پرکشش ہے جہاں انسانی مداخلت کی ضرورت ہے۔ یہ اس بات کی زیادہ درست وضاحت ہے کہ کسی پروڈکٹ کو کس طرح ڈیزائن کیا گیا ہے۔ زیربحث ٹول ایک پلان کی درخواست کرتا ہے اور اس پر عمل کرنے سے پہلے منظوری طلب کرتا ہے، اس لیے تقریباً اس شکل کی تقسیم اس کے قریب ہے جو بات چیت کے ماڈل کے لیے درکار ہے۔

یہ تعداد دراصل جس چیز کی تائید کرتی ہے وہ کمزور دعویٰ ہے کہ ایجنٹ ٹولز کی موجودہ نسل اس مفروضے پر بنائی گئی ہے کہ منصوبہ بندی ایک انسانی کام ہے اور صارفین نے اس انتظام کو مسترد نہیں کیا ہے۔ آیا امتیاز کام کی پائیدار خصوصیات کی عکاسی کرتا ہے یا محض موجودہ ڈیزائن کنونشنز کوئی ایسی چیز نہیں ہے جس کا استعمال کے اعدادوشمار سے تعین کیا جا سکے۔

اس کے اہم مضمرات ہیں کہ کس طرح AI سے پیداواری فوائد کی پوری افرادی قوت میں تقسیم کی توقع کی جاتی ہے۔ اگر ٹیکنالوجی براہ راست لیبر کا متبادل ہے، تو اس کے فوائد زیادہ تر ان لوگوں کو حاصل ہوں گے جو لیبر کو بے گھر کرتے ہیں، اور مضبوط اور کمزور اداکاروں کے درمیان فرق کو کم کرتے ہیں۔

تاہم، ماپا پیٹرن اس کے برعکس ہے. یہ فرق وسیع تر ہوتا جاتا ہے کیونکہ فوائد آپریٹر کے ذریعہ فراہم کردہ منصوبہ بندی اور تصدیقی صلاحیتوں کے متناسب ہوتے ہیں۔

یہ تنظیمی سطح پر DORA ایمپلیفیکیشن کے نتائج اور انفرادی ترقی کی سطح پر سیکھنے کے مطالعے سے مطابقت رکھتا ہے۔ یہ صرف سیکشن 7 کے آخر میں بیان کردہ ایڈجسٹمنٹ کے تحت METR کے نتائج سے مطابقت رکھتا ہے۔ مہارت اس امکان کو بڑھاتی ہے کہ تفویض کیے گئے کاموں کو صحیح طریقے سے مکمل کیا جائے گا اور ساتھ ہی ان کاموں کو تفویض کرنے کے آڈٹ کے اخراجات میں بھی اضافہ ہوتا ہے جنہیں ماہرین مدد کے بغیر انجام دے سکتے ہیں۔ اور اگر آپ اس رہائش کو مسترد کرتے ہیں، تو آپ کو METR کے نتائج کو اس سیکشن کے خلاف ٹھوس ثبوت کے طور پر ماننا چاہیے بجائے اس کے کہ اسے اس سیکشن کے خلاف پیش کیا جائے۔

14. سپرنٹ اور میراتھن

انسانی مشین کے موازنہ کی ایک اور جہت وقت کے افق سے متعلق ہے، اور یہاں ثبوت بہت صاف ہیں۔ اس کی وجہ یہ ہے کہ یہ ایک بینچ مارک سے آتا ہے جو واضح طور پر ایجنٹوں اور انسانی ماہرین کا ایک ہی کھلے مسئلے پر موازنہ کرنے کے لیے ڈیزائن کیا گیا ہے۔

METR کا RE-Bench 61 انسانی ماہرین کے ذریعے کل 71 ٹرائلز کے لیے سات اوپن مشین لرننگ ریسرچ انجینئرنگ ماحول پر مشتمل ہے۔ نتائج کو متعدد بار کے بجٹ کے ساتھ ریکارڈ کیا گیا تاکہ ہم کارکردگی کے اختتامی نقطہ کے بجائے کارکردگی کی رفتار کا مشاہدہ کر سکیں۔

2 گھنٹے کے بجٹ کے ساتھ، سب سے طاقتور AI ایجنٹ نے انسانی ماہر کے مقابلے میں تقریباً 4 گنا زیادہ اسکور حاصل کیا۔ انہوں نے امیدواروں کے حل کو 10 گنا سے زیادہ تیزی سے تیار کیا اور ان کا تجربہ کیا، اور کم از کم ایک بار GPU دانا اس سے زیادہ تیزی سے تیار کیا جس کا انتظام حصہ لینے والے انجینئرز کر سکتے تھے۔ جب عقلی طور پر پڑھا جائے، تو یہ مشینوں کے حق میں فیصلہ کن نتیجہ ہے، ایک ایسی تلاش جسے زیادہ تر عوامی تبصروں نے جذب کر لیا ہے۔

جیسے جیسے افق پھیلتا ہے، تصویر الٹ جاتی ہے۔ آٹھ گھنٹوں میں، انسانوں نے بمشکل اپنے طاقتور ترین ایجنٹوں کو پیچھے چھوڑ دیا۔ 32 گھنٹے کے کل بجٹ کے ساتھ، انسانی اسکور بہترین AI ایجنٹ (مشین لرننگ ریسرچ کی کارروائی) سے تقریباً دوگنا تھا۔

61 انسانی ماہرین کے 71 ٹرائلز کے سات کھلے ریسرچ انجینئرنگ ماحول میں، سب سے طاقتور AI ایجنٹ نے دو گھنٹے کے بجٹ کے ساتھ انسان سے تقریباً چار گنا بہتر اسکور کیا۔ انسانوں نے بمشکل 8 گھنٹے میں برتری حاصل کی اور 32 گھنٹے میں تقریباً دو گنا زیادہ اسکور کیا۔ (مشین لرننگ ریسرچ پر عمل درآمد)

کراس اوور دو اختتامی نقطوں سے زیادہ فائدہ مند ہے کیونکہ یہ صرف فاتح کا اعلان کرنے کے بجائے اس بات کی نشاندہی کرتا ہے کہ ہر فریق اصل میں کیا اچھا ہے۔

ایجنٹ تیزی سے نفاذ، حل کی جگہ پر وسیع اور سستی تلاش، تھکاوٹ کے بغیر متوازی طور پر بہت سے تجربات چلانے، اور تقریباً فوری طور پر ناواقف مسائل پر قابل پہلی کوششیں کرنے کے لیے بہت طاقتور تھا۔ مختصر وژن میں یہ غالب خصوصیت ہے۔ پابند رکاوٹ یہ ہے کہ دستیاب وقت کے اندر کتنے امیدواروں کے حل تیار اور جانچے جا سکتے ہیں۔

انسان وقت کے ساتھ ساتھ حکمت عملیوں کو برقرار رکھنے میں، ناکام سمتوں سے سیکھنے میں ان طریقوں سے بہتر ہو گئے ہیں جو بعد کی کوششوں پر اثر انداز ہوتے ہیں، اصل فریم غیر نتیجہ خیز نکلنے پر مسائل کی اصلاح کرنا، دوبارہ شروع کرنے کی بجائے پچھلے کام پر بتدریج تعمیر کرنا، مفروضوں کو باطل کرنے والے غیر متوقع شواہد پر رد عمل ظاہر کرنا، اور ابہام کو دور کرنے کے لیے کافی حد تک ابتدائی طور پر سمجھنے کی ضرورت ہے۔ یہ خصوصیات طویل نقطہ نظر میں غالب ہیں۔ پابند رکاوٹ کوششوں کی تعداد نہیں ہے، لیکن کیا کوششوں کا سلسلہ مجموعی ہے اور معنی خیز ہے۔

ان تمام کنٹرول شدہ موازنہوں کو ایک جگہ جمع کرنا قیمتی ہے جن پر یہ رپورٹ انحصار کرتی ہے۔ اس کی وجہ یہ ہے کہ موازنے تین حصوں میں پھیلے ہوئے ہیں اور پیٹرن صرف اس صورت میں پڑھنے کے قابل ہیں جب ساتھ ساتھ رکھے جائیں۔ ہر معاملے میں ایک دوسرے کے خلاف دو شرطیں چلائی گئیں اور ان میں سے ایک جیت گئی۔

موازنہ	ڈیزائن	نتیجہ
AI ایجنٹوں کے خلاف انسانی ماہرین، 2 گھنٹے کا بجٹ	RE-Bench: 7 کھلے ماحول، 61 ماہرین کی 71 کوششیں۔	ایجنٹ کا سکور انسان کے مقابلے میں تقریباً چار گنا ہے۔
8 گھنٹے کے دوران ایک ہی موازنہ	جیسا کہ اوپر	انسان قدرے آگے ہیں۔
32 گھنٹے میں ایک ہی موازنہ	جیسا کہ اوپر	انسانوں نے سرفہرست ایجنٹوں سے تقریباً دوگنا اسکور کیا۔
ایک ہی ایجنٹ سے ماہر سے نوسکھئیے آپریٹر	تقریباً 400,000 سیشنز، 235,000 صارفین	15% ثابت شدہ کامیابی کے لیے 28-33%، 4% ریکوری کے لیے 15%
AI کے بغیر وہی ڈویلپرز اور ایک بالغ کوڈ بیس میں AI کے ساتھ تجربہ کار ڈویلپر	بے ترتیب، 16 ڈویلپرز، 246 حقیقی کام	غیر معاون حالت 19% تیز تھی۔
ڈیولپر بغیر AI کے غیر مانوس لائبریریوں کو سیکھ رہا ہے۔	بے ترتیب، علم کی تشخیص	50% کے مقابلے میں عدم حمایت تقریباً 67% تھی۔
کنٹرول گروپس، گرین فیلڈ آپریشنز کے لیے AI کے ساتھ پروفیشنل ڈویلپرز	بے ترتیب، 95 ڈویلپرز، ایک ہی چشمی	جس گروپ کو مدد ملی وہ 55.8 فیصد تیز تھی۔

آخری قطار ٹیبل میں ہے کیونکہ یہ وہ قطار ہے جو مخالف سمت میں چل رہی ہے۔ تجربہ کار یا غیر مدد یافتہ انسانوں کے زیر تسلط تمام موازنے میں طویل افق یا پختہ نظام شامل ہیں جن کی درستگی قائم کرنا مہنگا ہے۔ واحد موازنہ جہاں AI کی مدد نے فیصلہ کن طور پر واضح وضاحتوں کے ساتھ محدود گرین فیلڈ کام کو شامل کیا۔

متغیر جو قطاروں کو الگ کرتا ہے عام طور پر یہ نہیں ہے کہ انسان یا مشینیں بہتر ہیں۔ یہ کام کی ساخت ہے.

اس جدول اور اس میں جس ادب کا حوالہ دیا گیا ہے اس سے ایک موازنہ واضح طور پر غائب ہے۔ اس رپورٹ کے بارے میں معلوم ہونے والے کسی بھی مطالعے میں دو ٹیموں کو مختلف طریقے سے کام نہیں کیا گیا ہے (ایک تجربہ کار ماہرین کے ساتھ، دوسری ناتجربہ کار ماہرین کے ساتھ)، ایک جیسے تجارتی اہداف مقرر کیے گئے ہیں، اور یہ پیمائش کی گئی ہے کہ کون سے بہتر نظام پیدا ہوتا ہے۔

یہ تجربہ رپورٹ کے بنیادی دعووں کا براہ راست امتحان تھا، لیکن اس پر عمل نہیں کیا گیا۔ شاید اس لیے کہ یہ مہنگا، سست اور کنٹرول کرنا مشکل ہے۔ لہٰذا، یہاں پیش کیے گئے مقدمات کو کسی ایک مطالعہ کے ذریعے قائم کرنے کے بجائے اوپر موازنہ کے ذریعے مثلث بنایا گیا ہے، اور قاری کو اسی کے مطابق ان کا وزن کرنا چاہیے۔

لہذا، یہ نہ تو غیر معاون انجینئر ہے اور نہ ہی بغیر پائلٹ کے ایجنٹ کے جیتنے کا امکان ہے، اور موازنہ کو دونوں کے درمیان مقابلہ سمجھنا اصل سوال کو غلط بنانا ہے۔ شواہد کے موافق کنفیگریشن قابل انجینئرز ہیں جو تعمیراتی، مصنوعات اور توثیق کے کنٹرول کو برقرار رکھتے ہوئے متعدد ایجنٹوں کو ہدایت دیتے ہیں۔ یہ ہمیں محدود ذیلی پریشانیوں کے لیے مشین کے چار گنا مختصر افق کا فائدہ حاصل کرنے کی اجازت دیتا ہے جبکہ اسٹریٹجک تسلسل فراہم کرتا ہے جس کی مشین میں فی الحال طویل آرکس کی کمی ہے۔

یہ کنفیگریشن فیصلہ سازی میں اس تقسیم کو بھی درست طریقے سے بیان کرتی ہے جسے کلاڈ کوڈ سیشن ڈیٹا نے حقیقت میں دیکھا ہے۔ یہ اس بات کے درمیان ایک واضح ہم آہنگی ہے کہ بینچ مارک کیا کہتا ہے کہ کام کرنا چاہئے اور کس پریکٹیشنرز آزادانہ طور پر پہنچے ہیں۔

15. مہارت حاصل کرنے میں واقعی کتنا وقت لگتا ہے؟

اگر انسانی صلاحیتیں ایک پابند رکاوٹ ہیں، اور اگر یہ صلاحیتیں AI سے نکالی گئی قدر کا تعین کرتی ہیں، تو پھر وہ شرح جس سے لوگ ماہر بن سکتے ہیں ایک اہم مسئلہ بن جاتا ہے۔

بدقسمتی سے کسی کے لیے بھی امید ہے کہ رکاوٹیں خود ہی حل ہو جائیں گی، اس کا جواب یہ ہے کہ رکاوٹیں آہستہ آہستہ پیدا ہوتی ہیں، عمل کمپریشن کے خلاف مزاحمت کرتے ہیں، اور لیبر مارکیٹ کے موجودہ ڈھانچے اسے فعال طور پر روکتے ہیں۔

ابتدائی بنیادیں

ابتدائی نمائش مددگار ہے، لیکن اس کی ضرورت نہیں ہے اور اسے بطور پیش نہیں کیا جانا چاہیے۔ ایک بچہ جو پڑھنے کی مضبوط مہارت، ریاضیاتی استدلال، تجسس، استقامت، اور مشکل مسائل کے ساتھ سکون پیدا کرتا ہے، وہ حقیقی فائدے کے ساتھ سافٹ ویئر انجینئرنگ میں داخل ہوگا، اور فوائد میں اضافہ ہوگا۔

تاہم، یہ تجویز کرنا غلط اور مایوس کن ہے کہ پروگرامنگ بچپن میں شروع ہونی چاہیے۔ اس کی وجہ یہ ہے کہ بہت سے باصلاحیت انجینئر بہت بعد میں شروع ہوتے ہیں اور اپنے پیشے کی اعلیٰ سطحوں تک پہنچ جاتے ہیں۔

اہم چیز ابتدائی کوڈنگ نہیں ہے، بلکہ بنیادی علمی بنیادوں کی بتدریج تعمیر ہے، جیسے پیچیدہ مواد کو درست طریقے سے پڑھنا، منطقی دلائل کی پیروی کرنا اور تعمیر کرنا، تجریدات کے ذریعے آرام سے کام کرنا، بڑے مسائل کو قابل انتظام مسائل میں توڑنا، مایوسی کے ذریعے توجہ برقرار رکھنا، تضادات کو ہموار کرنے کے بجائے ان کو سمجھنا، دوسروں کو واضح طور پر واضح طور پر سمجھنا، واضح طور پر سمجھنا اور دوسروں کی ساخت کو واضح کرنا۔ غلطیاں

AI ان تمام صلاحیتوں کو اجاگر کرنے میں کسی کی مدد کر سکتا ہے، اور جب جان بوجھ کر استعمال کیا جائے تو ایسا کرنے کے لیے یہ ایک بہترین ٹول ہے۔ یہ ان کی غیر موجودگی کی جگہ نہیں لے سکتا۔ کیونکہ ان میں سے ہر ایک فرد کی ملکیت ہے، پیدا کردہ کام کی ملکیت نہیں۔

رسمی فاؤنڈیشن (عام طور پر 3-4 سال)

سافٹ ویئر ڈویلپرز عام طور پر بیچلر کی ڈگری کے ساتھ پیشے میں داخل ہوتے ہیں، لیکن متبادل راستے موجود ہیں اور اچھی طرح کام کرتے ہیں (بیورو آف لیبر سٹیٹسٹکس)۔

سنجیدہ سافٹ ویئر انجینئرنگ کی تعلیم پروگرامنگ نحو کو سیکھنے کے چار سال نہیں ہے، اور سرٹیفیکیشن کے معیارات اس کو واضح کرتے ہیں۔ ABET کے 2026-2027 کے معیارات کمپیوٹنگ کے بنیادی اصولوں، سافٹ ویئر ڈیزائن اور تعمیرات، تقاضوں کا تجزیہ، سیکورٹی، تصدیق اور تصدیق، انجینئرنگ کے عمل اور ٹولز، مجرد ریاضی، امکان اور اعدادوشمار میں وسعت اور گہرائی کی ضرورت ہے۔

کمپیوٹر سائنس کے پروگراموں سے توقع کی جاتی ہے کہ الگورتھم اور پیچیدگی، پروگرامنگ لینگوئجز، کمپیوٹر فن تعمیر، انفارمیشن مینجمنٹ، نیٹ ورکنگ، آپریٹنگ سسٹم، متوازی اور تقسیم شدہ کمپیوٹنگ، اور پریکٹیکل انٹیگریٹڈ پروجیکٹس (ABET) کا احاطہ کریں۔

چونکہ یہ فہرست تقریباً مکمل طور پر ان اشیاء پر مشتمل ہے جو AI فراہم نہیں کرتا ہے، اس لیے اس رپورٹ میں کیے گئے دعووں کے سلسلے میں اسے غور سے پڑھنے کے قابل ہے۔

الگورتھم اور پیچیدگی اس بات کا تعین کرنے کی بنیاد فراہم کرتی ہے کہ آیا تیار کردہ حل کو چھوٹا کیا جا سکتا ہے۔ آپریٹنگ سسٹم اور نیٹ ورکنگ اس بات کو سمجھنے کے لیے ایک بنیاد فراہم کرتے ہیں کہ سسٹم ایسے حالات میں کیوں ناکام ہو جاتے ہیں جن کا احاطہ نہیں کیا جاتا۔ تصدیق اور توثیق اس بات کا تعین کرنے کی بنیاد فراہم کرتی ہے کہ آیا آؤٹ پٹ درست ہے۔ تقاضوں کا تجزیہ یہ جاننے کی بنیاد فراہم کرتا ہے کہ سب سے پہلے کیا مانگنا ہے۔

موجودہ ٹولز کے استعمال سے کئی دہائیوں پہلے ڈیزائن کیا گیا نصاب تکمیلی مہارت کے سیٹوں کی معقول وضاحت ثابت ہوتا ہے جو ٹولز کو زیادہ، کم نہیں، قیمتی بناتا ہے۔

ڈگری حاصل کرنے سے کوئی ماہر نہیں بنتا اور نہ ہی ایسا کرنا مقصود ہوتا ہے۔ یہ الفاظ اور ذہنی نمونے فراہم کرتا ہے جو ایک بننے کے لیے درکار ہے، جو کہ زیادہ معمولی دعویٰ ہے۔

کالج کا دورانیہ ریاضی اور کمپیوٹر استدلال، الگورتھم اور ڈیٹا ڈھانچہ، آپریٹنگ سسٹم اور نیٹ ورکس، ڈیٹا بیس اور تقسیم شدہ نظام، سافٹ ویئر فن تعمیر اور ڈیزائن، سیکورٹی اور ٹیسٹنگ، ٹیم پروجیکٹ کا تجربہ، ایک یا زیادہ انٹرنشپ، اور ایک عملی کیپ اسٹون فراہم کرتا ہے۔

اس سب سے گزرنے کے بعد بھی، فارغ التحصیل انٹرپرائز سسٹمز کو آزادانہ طور پر ڈیزائن کرنے اور چلانے کے بجائے پیشہ ورانہ مشق میں داخل ہونے کے لیے تیار ہیں۔

پہلے 1-3 سال کا پیشہ ورانہ تجربہ

جونیئر انجینئرز پھر سیکھتے ہیں کہ کون سے تربیتی منصوبے مکمل طور پر دوبارہ پیدا کرنے کے قابل نہیں ہیں۔

• ایک غیر مانوس کوڈبیس پر کام کرنا جس کی وضاحت کے لیے کسی کے پاس وقت نہیں ہے۔

• آپ کے لکھے سے کہیں زیادہ کوڈ پڑھنا

• جانیں کہ کوڈ کے جائزے کی رائے کیسے حاصل کی جائے اور اسے دفاعی یا ہتھیار ڈالے بغیر لاگو کیا جائے۔

• ان وجوہات کی بنا پر کیے گئے تعمیراتی فیصلوں کو سمجھیں جو اب دستاویزی نہیں ہیں۔

• ایسے ٹیسٹ لکھیں جو پروڈکشن میں چلائے جائیں گے بجائے اس کے کہ کسی روبرک کو مطمئن کریں۔

• ڈیبگنگ نامکمل اور اکثر گمراہ کن علامات

• پروڈکٹ مینیجرز اور ڈیزائنرز کے ساتھ تعاون کریں جن کے الفاظ اور ترغیبات آپ کے اپنے سے مختلف ہیں۔

• تبدیلیاں محفوظ طریقے سے ان حالات میں تعینات کریں جہاں غلطیاں نمایاں ہوں۔

• حقیقی صارفین کے ذریعہ رپورٹ کردہ حقیقی نقائص کا جواب دینا

• میں کوڈ رکھتا ہوں جو میں نے مہینوں پہلے لکھا تھا اور اب یاد نہیں۔

• حقیقی دنیا کی غیر یقینی صورتحال کے تحت کام کا تخمینہ لگانا

• یہ پہچاننا بہت ضروری ہو گیا ہے کہ تخلیق کار کے لیے نامعلوم وجوہات کی بنا پر جب پیدا کردہ حل ناکافی ہے۔

اس مرحلے پر، انجینئرز کوڈ کی ایک خاص مقدار پیدا کر سکتے ہیں، اور AI کی مدد سے، یہ رقم واقعی بہت اہم ہو سکتی ہے۔ عام طور پر، جب بھی کوئی فیصلہ فن تعمیر، سیکورٹی، ڈیٹا کی سالمیت، یا طویل مدتی برقرار رکھنے پر اثر انداز ہوتا ہے تو نگرانی کی ضرورت ہوتی ہے، اور یہ وہ جگہ ہے جہاں موجودہ ٹیکنالوجی سب سے خطرناک وہم پیدا کرتی ہے۔

AI جونیئر انجینئرز کو آؤٹ پٹ تیار کرنے کی اجازت دیتا ہے جسے سینئر کام کے طور پر پڑھا جاتا ہے جبکہ نتائج کا جائزہ لینے کے لیے ضروری تجربہ کی کمی ہوتی ہے۔ اس کا مطلب یہ ہے کہ روایتی سگنل جس کے ذریعے کوئی تنظیم ناتجربہ کاری کا پتہ لگاتی ہے (اس کے کوڈ کی ظاہری شکل) کو نمایاں طور پر تنزلی کا شکار کیا گیا ہے۔ وہ تنظیمیں جو سگنلز پر انحصار کرتی تھیں یہ جانے بغیر کہ وہ ان پر انحصار کرتے ہیں اب وہ آلات کے بغیر پرواز کر رہے ہیں جنہوں نے کبھی نام بھی نہیں لیا۔

3-7 سال: وسعت اور فیصلہ

مہارت اس وقت گہرا ہونے لگتی ہے جب انجینئرز نے واضح تغیرات کے ساتھ تنگ کاموں کو دہرانے کے بجائے کافی حد تک مختلف سسٹمز پر کام کیا ہو۔

اس مدت میں مختلف کوڈ بیس، فن تعمیر، زبانیں اور فریم ورک، ڈیٹا بیس، تعیناتی کے ماحول، ناکامی کے طریقوں، مصنوعات کی ضروریات کے زمرے، ٹیم کے ڈھانچے، حفاظتی رکاوٹیں، کارکردگی کی رکاوٹیں، صارفین اور صنعتیں شامل ہونی چاہئیں۔

یہاں وسعت اپنے آپ میں نہیں بلکہ اس لیے اہم ہے کہ فیصلہ بنیادی طور پر ایک تقابلی صلاحیت ہے۔ انجینئرز جنہوں نے صرف ایک فن تعمیر کو دیکھا ہے وہ اس کا اندازہ نہیں لگا سکتے، ان کے پاس موازنہ کی کوئی بنیاد نہیں ہے، اور نہ ہی اس سے خارج ہونے والے تجارتی معاہدوں کا کوئی تجربہ ہے۔

سافٹ ویئر انجینئرنگ کی تحقیق نے یہ واضح کیا ہے کہ صرف گزرا ہوا وقت مہارت کی ضمانت نہیں دیتا ہے، اور وہ وقت، تعداد اور مختلف قسم کے پروجیکٹس، کام سے متعلق علم، اور ظاہر کردہ کارکردگی ہر ایک تکمیلی معلومات فراہم کرتی ہے جو دوسری معلومات فراہم نہیں کرتی ہے (arXiv)۔

10 سال تک ایک ہی محدود کام کرنے سے آپ ماہر نہیں بن جاتے۔ تقریباً 1 سال کا تجربہ 10 سال کا تجربہ رکھنے والا شخص پیدا کرتا ہے۔

وقت کو طاقت میں بدلنا اس کا نتیجہ ہے۔ انجینئرز کو یہ دیکھنا چاہیے کہ آرکیٹیکچرل فیصلے مہنگے ہوتے ہیں، اصل مصنفین کے جانے کے بعد سافٹ ویئر کو برقرار رکھتے ہیں، اور نتیجے میں پیدا ہونے والے پروڈکشن حادثات، ناکام ہجرت، اسکیلنگ کے مسائل جن کی کسی سے توقع نہیں کی جاتی ہے، ایسے انحصار جو غیر محفوظ ہوتے ہیں، کسٹمر کی ضروریات جو اصل ڈیزائن کو باطل کرتی ہیں، یا دوبارہ لکھنا جو ان کے بہتر فیصلے کے خلاف گریز کیا جا سکتا تھا۔

یہ تجربہ ایسے فیصلوں کو جنم دیتا ہے جو محض مزید کوڈ بنانے یا اس کے بارے میں پڑھ کر حاصل نہیں کیا جا سکتا۔ کیونکہ اسباق جزوی طور پر تجاویز کے بجائے جذباتی وزن کے ساتھ انکوڈ ہوتے ہیں۔

گہرائی سے مہارت: تقریباً 8-12 سال، کبھی کبھی زیادہ

کوئی تاریخ نہیں ہے جب کوئی شخص ماہر بن جائے، اور کسی بھی صورت میں، مہارت کام کے لیے مخصوص ہے، عام نہیں۔ سینئر بیک اینڈ انجینئر ایمبیڈڈ سسٹمز، میڈیکل ڈیوائس ریگولیشن، یا جی پی یو پروگرامنگ میں حقیقی شروعات کرنے والے ہو سکتے ہیں، اور ایک علاقے میں حاصل ہونے والا اعتماد اکثر دوسرے علاقوں میں منتقل نہیں ہوتا ہے۔

بہر حال، ماہرانہ کارکردگی پر تحقیقی لٹریچر اعلیٰ سطح کی کامیابی کو ایک طویل مدت، عام طور پر 10 سال یا اس سے زیادہ کے دوران جان بوجھ کر ترقی کی پیداوار کے طور پر مانتا ہے۔

10,000 گھنٹے کے اصول کے اکثر غلط نقل شدہ اصل کام نے استدلال کیا کہ غیر معمولی کارکردگی عام طور پر کم از کم 10 سال تک آراء، نظرثانی اور بتدریج زیادہ چیلنجنگ کام کے ساتھ ساختی طریقوں کی پیروی کرتی ہے۔ یہ کبھی دعویٰ نہیں کیا گیا تھا کہ وقت کا میکانکی جمع ہونا مہارت کی ضمانت دے گا، اور مشہور غلط فہمیوں نے دریافت کے سب سے اہم حصے کو دھندلا دیا: مدت کے بجائے ساخت اور تاثرات پر زور (ریسرچ گیٹ)۔

جدید ڈویلپر ڈیٹا ایک ہی طویل وکر سے ملتا ہے، لیکن آپ کو یہ پڑھنا ہوگا کہ یہ کیا ہے۔ 2025 اسٹیک اوور فلو ڈیولپر سروے میں، صرف 35% جواب دہندگان کو کوڈنگ کا 10 سال سے کم تجربہ تھا۔ اس کا مطلب ہے کہ تقریباً 65% کے پاس کوڈنگ کا مجموعی تجربہ 10 سال سے زیادہ ہے۔

چار میں سے صرف ایک جواب دہندگان کا پیشہ ورانہ تجربہ پانچ سال سے کم تھا۔ سافٹ ویئر آرکیٹیکٹس کے طور پر شناخت کرنے والوں میں (کچھ کردار جو اس رپورٹ میں دعویٰ کیے گئے فیصلوں سے براہ راست متعلق ہیں)، 25 میں سے صرف ایک کے پاس پانچ سال سے کم کا پیشہ ورانہ تجربہ تھا۔

اسٹیک اوور فلو کی اپنی درجہ بندی ایک تجربہ کار ڈویلپر (اسٹیک اوور فلو انسائٹس) کے لیے 10+ سال کے پیشہ ورانہ کام کو بینچ مارک کے طور پر سمجھتی ہے۔

یہ افرادی قوت کی تشکیل کے بارے میں ایک حقیقت ہے، نہ کہ اس بات کا پیمانہ کہ کسی مہارت کو حاصل کرنے میں کتنا وقت لگتا ہے، اور اسے بعد کے ماننا غیر منصفانہ ہوگا۔

مدت کی تقسیم صنعت کی ترقی کے منحنی خطوط اور عمر کے ڈھانچے کی عکاسی کرتی ہے۔ معمار کی شخصیت ان طریقوں کی عکاسی کرتی ہے جن کے ذریعے ایک تنظیم طے کرتی ہے کہ کون عہدوں پر فائز ہوسکتا ہے۔ کوئی بھی کچھ سیکھنے کا مشاہدہ نہیں کرتا۔ انہوں نے جو کچھ قائم کیا ہے وہ کمزور لیکن پھر بھی مفید نکتہ ہے کہ اوپر بیان کیے گئے فیصلے کے لیے ضروری کردار درحقیقت شاذ و نادر ہی لوگوں کے اپنے کیریئر کے اوائل میں ہوتے ہیں۔ یہ آزادانہ طور پر تصدیق کیے بغیر جان بوجھ کر مشق ادب کے ساتھ مطابقت رکھتا ہے۔

10 سالہ ٹائم اسکیلز کے ثبوت کا ایک اہم حصہ ماہر کارکردگی کا مطالعہ ہے۔ سروے کے اعداد و شمار صرف یہ ظاہر کرتے ہیں کہ پیشہ اس طرح کام کرتا ہے جیسے تحقیق سچ ہو۔

کچھ اضافی نکات ہیں جن پر ہمیں بحث کرنے کی ضرورت ہے کیونکہ وہ حصہ III میں اٹھائے گئے انتباہات کو روکتے ہیں۔ اس سیکشن کے تمام اعداد و شمار ان آبادیوں کو ظاہر کرتے ہیں جنہوں نے قابل AI سپورٹ کے وجود سے پہلے مہارت حاصل کی تھی۔ سیکشن 17 دلیل دیتا ہے کہ یہ ٹولز انجینیئرز کی جان بوجھ کر استعمال کرنے کی مشق کو تیز کر سکتے ہیں بجائے ان سے بچنے کے۔ اگر یہ درست ہے تو، یہاں بیان کردہ ٹائم لائن کو فی الحال شرکت کرنے والے گروپ کے لیے کم کیا جانا چاہیے۔ ابھی تک کوئی نہیں جانتا کہ کتنے ہیں۔ سیکشن 12 میں سیکھنے کا مطالعہ ایک انتباہ ہے کہ بنیادی استعمال کے پیٹرن کو کسی بھی چیز کو دبائے بغیر بڑھایا جا سکتا ہے۔

اس لیے، نیچے دی گئی جدول کو اس بات کی وضاحت کے طور پر پڑھنا چاہیے کہ اس میں کتنا وقت لگے گا اس کی پیشین گوئی کے بجائے مہارت کیسے بنتی ہے۔ اگر آپ کو لگتا ہے کہ کمپریشن کی ڈگری بڑی ہوگی، تو آپ کو اس رپورٹ کے مطابق پائپ لائن کے دعووں کو نظر انداز کرنا چاہیے۔

نتیجہ خیز ترقی کے راستے کا خلاصہ ایک اصول کے بجائے ایک عملی ترکیب کے طور پر کیا جا سکتا ہے، اس واضح انتباہ کے ساتھ کہ انفرادی اختلافات دونوں سمتوں میں بہت زیادہ ہیں۔

قدم	تخمینی مجموعی وقت	جو بنایا جا رہا ہے۔
ابتدائی بنیادیں	یا تو بچپن میں ثانوی تعلیم کے ذریعے یا بعد میں گہرے مطالعہ کے ذریعے۔	پڑھنا، ریاضی، منطق، تجسس، استقامت
یونیورسٹی یا مساوی ساختی تحقیق	3-4 سال	کمپیوٹر سائنس اور انجینئرنگ کے بنیادی اصول
جونیئر پیشہ ورانہ مشق	1 سے 3 سال	پیداوار کا نظم و ضبط، جائزہ، جانچ، ڈیبگنگ
خود مختار انجینئر	3-5 سال	افعال اور کسی حد تک پیچیدہ نظاموں کی ملکیت
انٹرمیڈیٹ سے اعلی درجے کی ترقی	5-8 سال	آرکیٹیکچر، ٹریڈ آف، سسٹمز میں کام کرنا، رہنمائی کرنا
گہری ڈومین یا سسٹم کی مہارت	8 ~ 12 سال اور اس سے اوپر	ابہام کا فیصلہ، طویل مدتی ملکیت، اسٹریٹجک ڈیزائن
غیر معمولی یا انتہائی خصوصی مہارت	عام طور پر 10 سے 15 سال یا اس سے زیادہ	نادر نظام علم، جمع پیٹرن کی شناخت، قیادت

اچھی رہنمائی، متنوع نمائش، اور ایماندارانہ تاثرات کے ساتھ ایک بہت محتاط انجینئر اس جدول کی تجویز سے کہیں زیادہ تیزی سے ترقی کر سکتا ہے۔ کوئی دوسرا شخص بغیر کسی گہرے فیصلے کے 15 سال تک کام کر سکتا ہے۔ کیونکہ تجربے کے تاثرات کا معیار، تنوع، دشواری اور کثافت کم از کم اس کی مدت جتنی اہم ہے۔ جدول مرکزی رجحان کو بیان کرتا ہے، شیڈول نہیں۔

16. کیوں پروجیکٹس، کورسز نہیں، علم کو ہنر میں بدل دیتے ہیں۔

کالج کے کورسز میں اصول اکثر تنہائی میں پڑھائے جاتے ہیں۔ اصولوں کو مؤثر طریقے سے سکھانے کا یہ واحد طریقہ ہے۔ پروجیکٹس ان اصولوں کو بات چیت کرنے پر مجبور کرتے ہیں، اور یہی وہ واحد طریقہ ہے جس سے وہ بات چیت کرنا سیکھ سکتے ہیں۔

فرق اہم ہے کیونکہ پروڈکشن سوفٹ ویئر میں تقریباً تمام مہنگی ناکامیاں اصولوں کے بجائے تعاملات سے پیدا ہوتی ہیں۔ مثال کے طور پر، کیشنگ کی حکمت عملییں ہیں جو اپنے طور پر درست ہیں، لیکن دوبارہ کوشش کی پالیسی کے ساتھ مل کر تباہ کن ہیں۔ یا، اسکیما کو اچھی طرح سے معمول پر نہیں لایا گیا ہے اور اصل میں پروڈکٹ کے ذریعہ تیار کردہ سوال کے نمونوں میں استعمال کیا جا سکتا ہے۔ یا، ایک توثیقی ڈیزائن جو محفوظ رہتا ہے جب تک کہ تفویض کردہ رسائی کی ضروریات پوری نہ ہو جائیں۔

لہذا، انجینئرز کو پوری زندگی کے چکر کا بار بار تجربہ کرنا چاہیے، اور ترتیب اہم ہے۔ انہیں ایک مبہم مسئلہ کو سمجھنے، اس کا تقاضوں میں ترجمہ کرنے کی ضرورت ہے جن پر دوسرے متفق ہوں، ایک فن تعمیر کا انتخاب کریں، نظام کو نافذ کریں، اسے ان حالات کے خلاف آزمائیں جن کے تحت اسے ایجاد کیا جانا چاہیے، اسے تعینات کرنا، مشاہدہ کرنا کہ حقیقی لوگ اسے کس طرح استعمال کرتے ہیں اس کے برعکس کہ وہ کہتے ہیں کہ اسے کیسے استعمال کیا جاتا ہے، درست مفروضے جو غلط نکلتے ہیں، جب تقاضے بدلتے ہیں تو نتائج کو برقرار رکھنا، اور پچھلے فیصلے کے بارے میں کافی دیر تک برداشت کرنا۔ پچھتاوا ہوتا ہے.

ایک کامیاب پورٹ فولیو پروجیکٹ اس کو پورا نہیں کرتا، اور 10 تقریباً ایک جیسی ٹیوٹوریل ایپلی کیشنز 10 آزاد انجینئرنگ تجربات کے برابر نہیں ہیں۔ کیونکہ ان کے درمیان فرق سیکھنے کے لیے بہت کم ہے۔

قابل شناخت سیڑھی کے ساتھ ساتھ پیداواری صلاحیتیں بتدریج بڑی ذمہ داریاں ہیں۔ پہلے کوئی ایسی چیز بنائیں جو بالکل کام کرے، اور پھر ایسی چیز بنائیں جسے دوسرے لوگ مدد کے بغیر استعمال کر سکیں۔ پھر ایسی چیز بنائیں جو ٹیم بغیر کسی وضاحت کے برقرار رکھ سکے، اور ایسی چیز جو پیداوار کے ساتھ رابطے میں زندہ رہے گی۔ اس کے بعد، کچھ چیزیں ایسی ہوتی ہیں جو پیمانے اور تقاضوں کے بدلنے کے باوجود مستحکم رہتی ہیں۔ آخر میں، ایک ایسا سسٹم ڈیزائن کریں جسے دوسرے انجینئرز آپ کی سمجھ میں آنے والی ہر چیز کو سمجھے بغیر محفوظ طریقے سے بڑھا سکتے ہیں۔

یہ پیشرفت کچھ ایسی وضاحت کرتی ہے جو اکثر مبصرین کو حیران کر دیتی ہے۔ یہی وجہ ہے کہ تجربہ کار انجینئر کم تجربہ کار انجینئرز کے مقابلے میں زیادہ آہستہ آہستہ پروجیکٹ شروع کرتے ہیں۔ وہ سست نہیں ہیں۔ وہ ان خطرات پر غور کر رہے ہیں جن کے بارے میں نوزائیدہوں کو ابھی تک علم نہیں ہے، اور جب کہ وہ تحفظات پوشیدہ ہیں، نتیجے میں ہونے والی تاخیر نہیں ہے۔

مبتدی پوچھتے ہیں کہ کیا چیز ٹھیک طریقے سے کام کر سکتی ہے، اور یہ ایک ایسا سوال ہے جس کا تسلی بخش اور جلدی جواب دیا جا سکتا ہے۔ ماہر مزید پوچھتا ہے کہ یہ کیسے ناکام ہوگا، یہ ناکامی کا مشاہدہ کیسے کرے گا، یہ کیسے بحال ہوگا، جب استعمال دوگنا ہوجاتا ہے تو کیا ہوتا ہے، اسکیما کے غلط ہونے پر ڈیٹا کیسے منتقل ہوتا ہے، موجودہ مفروضوں میں سے کون سا ناقابل واپسی ہے، اصل ٹیم کے تقسیم ہونے کے بعد کون سسٹم کو سمجھے گا، اور کون سا سستا ڈیزائن ہے جو اوپر کی تمام چیزوں کے لیے اب بھی قابل اعتماد ہے۔

پوچھے جانے پر AI ان تمام سوالات کے جوابات تجویز کر سکتا ہے۔ لیکن جو لوگ اسے چلا رہے ہیں وہ اس بات کا یقین نہیں کر رہے ہیں کہ کون سے سوالات پوچھیں، اور نتائج میں پورا فرق اکثر اس پر آتا ہے۔

17. دو انجینئرز، 10 سال، مختلف نتائج۔

اس رپورٹ میں جس گہرے طویل مدتی خطرے کی نشاندہی کی گئی ہے وہ یہ نہیں ہے کہ AI بعض اوقات ناقص کوڈ تیار کرتا ہے۔ ناقص کوڈ مسائل کا ایک زمرہ ہے جو جائزہ اور جانچ کے ذریعے حل کیا جاتا ہے اور قابل انتظام اور زیادہ تر حل ہوتے ہیں۔ سب سے بڑا خطرہ یہ ہے کہ آپ ان ٹولز کو برسوں تک نتیجہ خیز طور پر استعمال کر سکتے ہیں بغیر ان کی نگرانی کے لیے ضروری علم کی تعمیر کے، اور آپ کے روزمرہ کے تجربے میں ایسا کچھ نہیں ہے جو کمی کی نشاندہی کرتا ہو۔

سیکشن 12 میں زیر بحث سیکھنے کے مطالعے ایک طریقہ کار فراہم کرتے ہیں، جس کا مفہوم یہ ہے کہ دو انجینئرز AI کو ایک ہی تعداد میں استعمال کر سکتے ہیں اور مکمل طور پر ان کے تعامل کے نمونوں پر انحصار کرتے ہوئے یکسر مختلف افعال رکھتے ہیں۔

ایک انجینئر آؤٹ پٹ کے بجائے وضاحتیں مانگنے، متبادلات کا موازنہ کرنے اور یہ سمجھنے کے لیے کہ وہ کیوں غلبہ حاصل کرتے ہیں، ان مفروضوں کو جانچنے کے لیے جو بصورت دیگر غیر جانچے جاتے ہیں، علم والے بات چیت کرنے والوں کے ساتھ ناواقف کوڈ کو پڑھنے کے لیے، ایسے تجربات تخلیق کرنے کے لیے جو ثبوت پیدا کرتے ہیں، ماڈلز کے اپنے استدلال کو چیلنج کرنے کے لیے کہتے ہیں، ان سے جوابی مثالیں فراہم کرنے کے لیے، تیز رفتار مردوں کے تاثرات فراہم کر سکتے ہیں۔ معمول سے بچنے کے بجائے جان بوجھ کر مشق کریں۔

یہ انجینئرز علم کی ترکیب کرتے ہیں، اور وہ اتنی تیزی سے کام کرتے ہیں جتنا کہ وہ ٹولز کے بغیر کرتے۔ یہ سب سے طاقتور مثبت کیس ہے جو ٹیکنالوجی کے لیے بنایا جا سکتا ہے۔

دوسرے انجینئر ان کو پڑھے بغیر جوابات پیدا کرنے کے لیے انہی ٹولز کا استعمال کرتے ہیں، میکانکس کو سمجھے بغیر کوڈ کاپی کرتے ہیں، تشخیص کرنے کے بجائے دوبارہ تخلیق کرکے ڈیبگ کرنے کی تکلیف سے بچتے ہیں، دستاویزات سے گریز کرتے ہیں کیونکہ پوچھنا پڑھنے سے تیز ہوتا ہے، بنیادی باتوں سے گریز کرتے ہیں کیونکہ وہ ہاتھ میں کام کے لیے مکمل طور پر غیر ضروری ہوتے ہیں، ہر اس فیصلے کو تفویض کرتے ہیں جو مشکل محسوس ہوتا ہے، اور ذاتی طور پر غلطی کا سامنا کرنا پڑتا ہے۔ یہ کرنا ایک آسان غلطی ہے کیونکہ عمل درحقیقت کامیاب ہوا اور کوڈ اصل میں کام کرتا ہے۔

یہ انجینئر انحصار کو کمپاؤنڈ کرتے ہیں اور ان کو پوشیدہ بناتے ہیں جب تک کہ آپریشن قابل اعتماد کارکردگی کا مظاہرہ کرنے والے ماڈل کے دائرہ کار میں رہتا ہے۔

ان دو رفتار کے درمیان فرق ایک اہم مدت تک آؤٹ پٹ میں ظاہر نہیں ہوگا۔ اس لیے یہ شامل ڈویلپرز اور ان کو ملازمت دینے والی تنظیموں دونوں کے لیے خطرناک ہے۔

یہ اس وقت ظاہر ہوتا ہے جب تقاضے مبہم ہو جاتے ہیں، جب پیدا کیے گئے جوابات بالکل غلط ہونے کی بجائے لطیف ہوتے ہیں، جب فن تعمیر کو محض پیمانے کی بجائے ارتقاء کی ضرورت ہوتی ہے، جب نظام ایسے طریقوں سے پیداوار میں ناکام ہو جاتے ہیں جو پہلے کبھی کسی نے نہیں دیکھے ہوں گے، یا جب کوڈ کو ان لوگوں کے لیے برسوں تک برقرار رکھنے کی ضرورت ہوتی ہے جو اس وقت وہاں موجود نہیں تھے۔

اس وقت فرق معمولی نہیں ہے۔ یہ ایک انجینئر کے درمیان فرق ہے جو آپریٹ کرسکتا ہے اور ایک انجینئر جس کو صرف بلایا جاسکتا ہے۔

18. جب دستخط کی ضرورت ہو۔

حصہ 2 میں، ہم نے دلیل دی کہ انسانی صلاحیتیں، ناپے گئے نتائج کے معاملے کے طور پر، AI کی مدد سے چلنے والی انجینئرنگ کے لیے ایک پابند رکاوٹ ہیں۔ صنعتوں کا ایک سلسلہ ہے جو قانونی طور پر پابند بھی ہیں اور الگ علاج کی مستحق ہیں کیونکہ وہ اپنی حدود کو اپنی سب سے واضح اور غیر متنازعہ شکل میں ظاہر کرتی ہیں۔

عام تجارتی سافٹ ویئر میں، انسانی فیصلہ ثبوت پر مبنی ہونا چاہیے، اور معقول لوگ اس ثبوت کا مختلف انداز میں جائزہ لے سکتے ہیں۔ ایرو اسپیس، طبی آلات، آٹوموٹیو سیفٹی سسٹم، صنعتی کنٹرول، سول اور سٹرکچرل انجینئرنگ، اور ریگولیٹڈ مینوفیکچرنگ میں، کیس بنانے کی بالکل ضرورت نہیں ہے۔ ریگولیٹری فریم ورک پہلے ہی اس کا فیصلہ کر چکا ہے۔

مشق کرنے کا حق ان علاقوں میں محدود ہے۔ ایک لائسنس یافتہ ڈویلپر (مثلاً امریکہ اور کینیڈا میں پروفیشنل انجینئر، برطانیہ میں چارٹرڈ انجینئر، یا کسی اور جگہ مساوی عہدہ رکھنے والے) کو ڈیزائن کا جائزہ لینا چاہیے اور اس پر اپنا نام لکھنا چاہیے۔ دستخط ایک انتظامی رسمی کے بجائے ایک ذاتی قانونی وعدہ ہے۔ دستخط کرنے والوں سے تفتیش کی جا سکتی ہے، عہدے سے ہٹایا جا سکتا ہے، لائسنس جاری کرنے والے بورڈ کے ذریعے نظم و ضبط کا سامنا کرنا پڑ سکتا ہے، اور انہیں اپنے پیشے سے روزی کمانے کے حق سے محروم کیا جا سکتا ہے۔

ماڈل میں ان میں سے کوئی بھی نمائش نہیں ہو سکتی۔ اس کی اجازت، منظوری، تفتیش سے پہلے پیش، یا متوقع نہیں کیا جا سکتا۔ جو کچھ بھی تبدیل ہوتا ہے، دستخطی بلاکس کے لیے لوگوں کی ضرورت ہوتی ہے، اور جو لوگ دستخط کرتے ہیں ان کا دفاع کرنے کی پوزیشن میں ہونا چاہیے جو انھوں نے دستخط کیے ہیں۔

ان علاقوں میں سافٹ ویئر کو نتائج کے ٹیسٹ کے بجائے عمل کے معیارات کے ذریعے کنٹرول کیا جاتا ہے، اور ان معیارات کی ساخت انہیں آٹومیشن کے خلاف مزاحم بناتی ہے۔ ایئر بورن سافٹ ویئر DO-178C کے لیے تیار کیا گیا تھا، جو ناکامی کے حالات کی شدت کی بنیاد پر ڈیزائن کی یقین دہانی کی سطحیں تفویض کرتا ہے اور اس کے خارج ہونے والے شواہد کو جانچنے کے لیے ڈیزائن اور ماخذ کے ذریعے ہر ضرورت سے ٹریس ایبلٹی کی ضرورت ہوتی ہے۔ میڈیکل ڈیوائس سافٹ ویئر IEC 62304 کی پیروی کرتا ہے، آٹوموٹو فنکشنل سیفٹی ISO 26262 (ASIL درجہ بندی) کی پیروی کرتا ہے، اور صنعتی نظام IEC 61508 کی پیروی کرتا ہے۔

ان سب میں جو چیز مشترک ہے وہ یہ ہے کہ کوڈ آؤٹ پٹ نہیں ہے۔ ڈیلیوری ایبل ایک کوڈ ہے جس میں محفوظ ہونے کے دعوے ہیں، بشمول خطرے کا تجزیہ، ایک ہموار تقاضوں سے لے کر ثبوت کا راستہ، اس عمل کا ریکارڈ جس نے اسے بنایا ہے، اور نامزد کرنے والے کا یہ عزم کہ نتائج استعمال کے لیے موزوں ہیں۔

یہ کوڈنگ ایجنٹس کی موجودہ نسل کے لیے بدترین صورت حال کے قریب ہے۔ وجہ یہ نہیں ہے کہ کوڈ خود خاص طور پر مشکل ہے۔ ان میں سے زیادہ تر جان بوجھ کر قدامت پسند ہیں (باؤنڈڈ لوپس، سٹیٹک ایلوکیشن، محدود لینگویج سب سیٹ، چھوٹے فنکشنز)، اور ایک قابل ماڈل ان کو اچھی طرح لکھے گا۔

مشکل یہ ہے کہ نمونے ان علاقوں میں تقریباً کوئی اہمیت نہیں دیتے۔ قدر اس کے ساتھ منسلک دلیل میں ہے، اور دلیل ایک دعوی ہے جو کوئی کرتا ہے۔ ایجنٹ ایک ٹریس ایبلٹی میٹرکس بنا سکتا ہے جس کی شکل ٹریسیبلٹی میٹرکس کی ہوتی ہے۔ آپ دعوے کی حمایت کرنے والے فریق نہیں بن سکتے اور تصدیق کرنے والے ادارے کو دستاویزات کی ضرورت نہیں ہے۔ سوال یہ ہے کہ کون دعویٰ کرتا ہے کہ دستاویز درست ہے۔

معاشیات کام کی بجائے ذمہ داری کی پیروی کرتی ہے۔ اگر کسی خرابی کی وجہ سے آپ کو دوبارہ تعمیر کرنے میں لاگت آتی ہے، تو سستی نسل بہت زیادہ رقم کے قابل ہو سکتی ہے، اور یہ رپورٹ اس رقم کو درست کرتی ہے۔ جب خرابیوں کی وجہ سے بحری بیڑے رک جاتے ہیں، لاکھوں گاڑیاں واپس منگوا لی جاتی ہیں، پروڈکشن لائنیں بند ہو جاتی ہیں، بیچز آلودہ ہو جاتے ہیں، یا لوگ مر جاتے ہیں، تو اسے غلط کرنے کی لاگت اس کی تعمیر کی لاگت سے کہیں زیادہ ہو جاتی ہے کہ اسے بنانے کی لاگت تقریباً حساب سے غائب ہو جاتی ہے۔ ایسی ٹیکنالوجیز جو ناقابل شناخت نقائص کے امکان پر سمجھوتہ کیے بغیر تعمیراتی تھروپپٹ میں اضافہ کرتی ہیں، اس ماحول میں تقریباً کچھ بھی پیش نہیں کرتی ہیں۔

یہ وہ جگہ ہے جہاں سیکشن 8 کی عدم توازن اپنی حد کو پہنچ جاتی ہے۔ تعمیراتی لاگت ڈرامائی طور پر گر گئی ہے، اور غلط سمت میں لاگت بالکل کم نہیں ہوئی ہے۔ حفاظت سے متعلق اہم کارروائیوں میں، دوسری اصطلاح اس قدر غالب ہے کہ پہلی اصطلاح اس کے لیے ایک گول غلطی ہے۔ یہی وجہ ہے کہ سیکشن 24 میں آٹوموٹیو شواہد نے پایا کہ وہ مینوفیکچررز جنہوں نے خودکار معیار کے نظام پر انحصار کیا اور اپنے ایرگونومکس درجہ بندی کو از سر نو ترتیب دیا وہ آٹومیشن کو مسترد نہیں کر رہے تھے، بلکہ دونوں میں سے کسی ایک اصطلاح پر اقتصادیات کر رہے تھے۔

رپورٹ کے دعووں کے دو نتائج ہیں۔ پہلا یہ کہ یہ صنعتیں سرٹیفائیڈ ergonomics کی مہارت کی طلب سے چلتی ہیں جو ماڈل کی صلاحیتوں میں بہتری کے بغیر خود کو ختم نہیں کرے گی۔ رکاوٹیں قابلیت کے خلاء نہیں ہیں جو ایک بہتر ماڈل کو بند کردے، بلکہ جوابدہی کے تقاضے جو صرف ایک لائسنس یافتہ ہی پورا کر سکتا ہے۔ اسے تبدیل کرنے کے لیے ریگولیٹری فریم ورک میں تبدیلیوں کی ضرورت ہوگی جو دہائیوں میں ماپا جاتا ہے اور بینچ مارکس کے بجائے واقعات کا جواب دیتا ہے۔

دوسرا یہ کہ ان ڈومینز کے اندر AI کے لیے سفر کی سمت خود مختار ہونے کی بجائے معاون اور واضح ہے۔ قابل فہم قلیل مدتی استعمال میں ٹیسٹ ویکٹر پیدا کرنا، تقاضوں سے باخبر رہنے میں خلاء کو تلاش کرنا، انسانی ٹیموں کے ذریعہ نہ سمجھے جانے والے خطرے کے معاملات کی تجویز کرنا، اور معیارات کے مطابق مطلوبہ دستاویزات کا مسودہ تیار کرنا شامل ہیں۔ یہ سب کچھ اہمیت رکھتا ہے اور صرف اس شخص پر لاگو ہوتا ہے جو نتائج کو پڑھتا ہے اور فیصلہ کرتا ہے کہ آیا ان پر دستخط کرنا ہے یا نہیں۔

ایک انتباہ: یہ یہاں ہے نہ کہ اپینڈکس میں۔ اس سیکشن میں دلائل ساختی ہیں، غیر مصدقہ صنعتوں کے خلاف مصدقہ صنعتوں کے نتائج کی پیمائش کرنے والے مطالعات کے بجائے سرٹیفیکیشن اسکیموں کی ضرورت سے اخذ کیے گئے ہیں۔ اس رپورٹ کو لکھنے کے وقت ایسی کوئی تحقیق نہیں ملی۔

اوپر بیان کردہ معیارات عوامی ریکارڈ ہیں اور تصدیق کے لیے دستیاب ہیں۔ لائسنس یافتہ انجینئرنگ کی طلب کے پائیدار ہونے کے بارے میں قیاس آرائیاں ہیں، اور قارئین جو توقع کرتے ہیں کہ ریگولیٹرز تاریخی ریکارڈوں سے زیادہ تیزی سے خودمختار نظاموں کو اپنائیں گے، انہیں اسی کے مطابق رعایت کرنی چاہیے۔

19. غلط ہونے کی قیمت

پچھلے حصے میں، ہم نے قائم کیا تھا کہ بعض صنعتوں کو مجاز انسانی دستخطوں کی ضرورت ہوتی ہے۔ یہ کام کے ان طبقوں کی نشاندہی کرتا ہے جو اس بات کا تعین کرتے ہیں کہ وہ ایسا کیوں کرتے ہیں اور ایسا کرنے سے سستی بجلی پیدا کرنے کی پوری اقتصادی دلیل الگ ہو جاتی ہے۔

وجہ یہ نہیں ہے کہ ان ڈومینز کے لیے سافٹ ویئر لکھنا زیادہ مشکل ہے۔ سافٹ ویئر کی ناکامی کی لاگت عام طور پر تقسیم نہیں کی جاتی ہے، اور اس تقسیم کے اختتام پر، کسی چیز کے غلط ہونے کی لاگت 4 سے 6 کے عنصر سے تعیناتی کی لاگت سے زیادہ ہو جاتی ہے۔

اگر یہ سچ ہے، تو ایسی ٹیکنالوجیز جو تعیناتی کے اخراجات کو کم کرتی ہیں جبکہ خرابی کے امکان کو یکساں رکھتے ہوئے تقریباً کچھ بھی نہیں پہنچاتی ہیں، اور ایسی ٹیکنالوجیز جو تعیناتی کے اخراجات کو کم کرتی ہیں جبکہ خرابی کے امکانات کو بڑھاتی ہیں، حقیقی نقصان پہنچاتی ہیں۔

تین اقساط (کوئی بھی مصنوعی ذہانت شامل نہیں) تقسیم کی شکل طے کرتی ہے۔

1 اگست 2012 کو، ایک مارکیٹ بنانے والی کمپنی نے اپنے پروڈکشن سرورز پر نیا تجارتی سافٹ ویئر تعینات کیا، لیکن آٹھ سسٹمز میں سے ایک کو اپ ڈیٹ موصول نہیں ہوا۔ پرانے نظام میں پیچھے رہ جانے والے غیر فعال کوڈ کو دوبارہ تیار کردہ کنفیگریشن فلیگ کے ذریعے دوبارہ فعال کر دیا گیا، اور لین دین کھولنے پر، کمپنی نے غیر ارادی احکامات پر عمل درآمد شروع کر دیا۔ تقریباً 45 منٹ میں، 154 اسٹاکس میں تقریباً 4 ملین سودے ہوئے، جن کی کل تعداد 397 ملین سے زیادہ تھی۔ نقصانات تقریباً 440 ملین ڈالر تھے، کمپنی کی کیپٹل پوزیشن تباہ ہو گئی تھی، اور چند مہینوں میں یہ ایک آزاد کمپنی (ہینریکو ڈولفنگ) کے طور پر ختم ہو گئی۔

انجینئرنگ کی خرابی واضح نہیں تھی۔ کوڈ کے انفرادی طور پر مشکل ٹکڑوں کو شامل نہیں کیا گیا تھا، اور کوڈ لکھنے میں مدد کی کوئی رقم انہیں روک نہیں سکتی تھی۔ تعیناتی کے طریقہ کار، لائیو سسٹمز پر ڈیڈ کوڈ چھوڑنے کے فیصلوں، اور سرورز کے درمیان فرق کا پتہ لگانے کے لیے کنٹرولز کی کمی کی وجہ سے ناکامیاں ہوئیں۔ اس کا مطلب یہ ہے کہ یہ رپورٹ قطعی زمرہ جات کی ناکامی ہے جو نسلی طور پر گاڑھا نہیں ہیں۔

# The shape of that defect, reduced to its essentials. Nothing here is
# difficult to write. The difficulty was entirely in noticing that the
# second branch was still reachable.
POWER_PEG_ENABLED = os.environ.get("FEATURE_FLAG_61") == "1"

def route(order):
    if POWER_PEG_ENABLED:            # retired strategy; code never removed
        return legacy_power_peg(order)
    return smart_order_router(order)

پرچم کو ایک نئی، غیر متعلقہ خصوصیت کے لیے دوبارہ تیار کیا گیا ہے۔ 8 میں سے 7 سرورز کو ایک کوڈ موصول ہوا جس کا مطلب ہے کہ یہ نیا تھا۔ آٹھویں نے کوڈ رکھا، جس کا مطلب ہے کہ یہ پرانا تھا، اور صبح ایک جھنڈا چالو کیا گیا جس میں کہا گیا تھا کہ سرور نے ایک ایسی حکمت عملی پر عمل درآمد شروع کر دیا ہے جو حقیقی سرمائے کے مقابلے میں مشین کی رفتار سے برسوں پہلے ترک کر دی گئی تھی۔

# The control that would have prevented it, which costs nothing to run and
# which no amount of code generation produces on its own. A deployment is
# not complete until every host in the role reports the same artefact.
for host in $(fleet list --role=order-router); do
  ssh "$host" 'cat /opt/router/RELEASE.sha'
done | sort -u | wc -l        # must equal 1, or the rollout halts

دو اضافی کنٹرول ایک ہی زمرے میں آتے ہیں اور اتنے ہی سستے ہیں۔ جھنڈوں کی ایک رجسٹری جو کہ تعمیرات کو ناکام ہونے کا سبب بنتی ہے جب کوڈ پاتھ اپنے پرانے الفاظ کو پڑھتے ہوئے شناخت کنندگان کو دوبارہ استعمال کرتے ہیں، اور ایسے قواعد جن کی وجہ سے فرسودہ حکمت عملیوں کو غیر فعال کرنے کی بجائے ضائع کر دیا جاتا ہے۔ یہ تینوں عمل ہیں، تخلیق نہیں۔ اس سیکشن کے بارے میں یہی ہے۔ 10x بہتر لکھنے کی مہارت والی تنظیمیں۔ legacy_power_peg 440 ملین ڈالر کی کوئی چیز نہیں دی گئی۔

4 جون 1996 کو، پروجیکٹائل کو اگنیشن کے 37 سیکنڈ بعد تباہ کر دیا گیا، جس میں رہنمائی اور رویہ کی معلومات مکمل طور پر ختم ہو گئیں۔ وجہ inertial حوالہ سافٹ ویئر میں تصریح اور ڈیزائن کی خرابی تھی۔ یعنی، یہ ایک ایسی تبدیلی تھی جس کا اظہار ان حسابات میں نہیں کیا جا سکتا تھا جس کی مختلف فلائٹ پروفائلز والی پچھلی گاڑیوں کے معمولات میں ٹیک آف کے بعد ضرورت نہیں تھی۔

گاڑی اور پے لوڈ کی قیمت تقریباً $370 ملین (ESA) ہے۔ اس بار بھی کوڈ مشکل نہیں تھا۔ خرابی یہ ہے کہ خطرے کا کوئی تجزیہ نہیں ہے جو یہ پوچھے کہ کیا تقاضوں اور معمولات کے مفروضے جن کا کسی نے کبھی دوبارہ ذکر نہیں کیا ہے جب بھی سیاق و سباق میں تبدیلی آتی ہے۔

19 جولائی 2024 کو، سیکورٹی وینڈر نے ایک غلط کنفیگریشن اپ ڈیٹ جاری کیا جس نے تقریباً 8.5 ملین ونڈوز ڈیوائسز کو بوٹ ہونے سے روک دیا۔ ایوی ایشن، ہیلتھ کیئر، بینکنگ اور ریٹیل آپریشن بیک وقت روک دیے گئے۔ انشورنس کے ایک تجزیے میں صرف فارچیون 500 کمپنیوں کو تقریباً 5.4 بلین ڈالر کے براہ راست مالی نقصانات کا تخمینہ لگایا گیا ہے۔

ان میں سے تقریباً 124 کمپنیاں (لسٹ کا تقریباً ایک چوتھائی) براہ راست متاثر ہوئیں، صحت کی دیکھ بھال کا شعبہ تقریباً 1.94 بلین ڈالر اور بینکنگ سیکٹر تقریباً 1.15 بلین ڈالر جذب کر رہا ہے۔ انہوں نے یہ بھی اندازہ لگایا کہ سائبر انشورنس کل کے صرف 10 سے 20 فیصد کا احاطہ کرے گا، مخصوص برقرار رکھنے اور پالیسی کی حدود (پیرامیٹرکس) کے پیش نظر۔

جولائی 2024 میں ایک ہی اپ ڈیٹ کی ناکامی نے تقریباً 8.5 ملین ڈیوائسز کو متاثر کیا اور صرف فارچیون 500 کمپنیوں کو تقریباً 5.4 بلین ڈالر کا براہ راست نقصان پہنچایا، جن میں سے سائبر انشورنس سے صرف 10-20 فیصد کا احاطہ کرنے کی امید تھی۔ (پیرامیٹر)

تیسرا کیس موجودہ مقاصد کے لیے تینوں میں سب سے زیادہ معلوماتی ہے اور اس کا اپ ڈیٹ لکھنے کے لیے استعمال ہونے والی ٹیکنالوجی سے کوئی تعلق نہیں ہے۔

ذمہ دار تنظیم ایک سیکورٹی وینڈر تھی جس کا انجینئرنگ ڈسپلن، رہائی کا عمل، اور جانچ کے نظام کی توقع کی جاتی تھی کہ وہ انڈسٹری میڈین سے بہتر ہے۔ عیب دار نمونے چھوٹے تھے۔ نتائج کو اربوں میں ماپا گیا اور ایک ایسی تنظیم میں تقسیم کیا گیا جس کا پروڈکٹ کو انسٹال کرنے کے علاوہ خرابی سے کوئی تعلق نہیں تھا۔ اس اپ ڈیٹ کو تیار کرنے کی معمولی لاگت جو بھی ہو، اس کا نتیجہ سے تقریباً دس لاکھ گنا کوئی تعلق نہیں ہے۔

ریاضی کو واضح طور پر بیان کیا جا سکتا ہے اور، ایک بار بیان ہونے کے بعد، انجینئرنگ کے پورے شعبے پر لاگو ہوتا ہے۔ سسٹم کی متوقع لاگت سسٹم کی تعمیر کی لاگت کے علاوہ ناکامی کا امکان اس ناکامی کی لاگت سے ضرب ہوتا ہے۔

مصنوعی ذہانت پہلی مدت میں طاقتور طریقے سے کام کرتی ہے۔ حصہ اول میں شواہد بتاتے ہیں کہ یہ محدود، اچھی طرح سے مخصوص کاموں کے لیے اسے نمایاں طور پر کم کرتا ہے۔ سیکشن 7 اور 11 میں موجود شواہد سے پتہ چلتا ہے کہ سیکنڈری ڈویلپرز کو دوسرے میں نقصان پہنچایا جا سکتا ہے، کیونکہ ان کو اس کے برعکس مانتے ہوئے کم محفوظ کوڈ لکھنے کے لیے ماپا گیا ہے، اور تنظیم کی ترسیل کی وشوسنییتا کو اپنانے کے ساتھ خراب ہونے کے لیے ماپا گیا ہے۔

عام تجارتی سافٹ ویئر میں، پہلی اصطلاح اتنی بڑی ہوتی ہے کہ دوسری اصطلاح کو کچھ قیمت پر کم کرنے کے قابل ہے۔ اسی لیے یہ رپورٹ نئے آپریشنز کے لیے ان ٹولز کے فعال استعمال کی سفارش کرتی ہے۔

دم میں (لین دین کے نظام، لانچ گاڑیاں، لاکھوں مشینوں پر نصب اینڈ پوائنٹ ایجنٹس، انجیکشن پمپ، بریک کنٹرولرز، یا پے ریلز)، دوسری اصطلاح پہلی سے اتنی بڑی ہے کہ پہلی اصطلاح عملی طور پر حساب سے غائب ہو جاتی ہے۔ وہاں کام کرنے والی انجینئرنگ تنظیمیں تھروپوٹ نہیں خریدتی ہیں۔ آپ کسی ایسے شخص کو خرید رہے ہیں جس کی تباہی کا امکان کم ہے، اور آپ کسی ایسے شخص کو خرید رہے ہیں جو تخمینہ میں نام ڈالنے کے لیے تیار ہے۔

اس کا قطعی مطلب یہ ہے کہ پیشہ ورانہ مہارت زیادہ قیمتی ہے، کم نہیں۔ ان شعبوں کے ماہرین تیزی سے کوڈ لکھنے سے ممتاز نہیں ہیں۔ اس سطح پر، وہ اب اچھے ایجنٹوں کے ساتھ قابل جرنلسٹ کی طرح ہیں، اور یہ فرق کم ہوتا جا رہا ہے۔

اس طبقے کے نظام کس طرح ناکام ہو جاتے ہیں اس کا ایک نمونہ بتا کر انہیں ممتاز کیا جاتا ہے۔ پروڈکشن پاتھ پر ڈیڈ کوڈ ایک بھرا ہوا ہتھیار ہے، سابقہ ​​پروڈکٹس سے ملنے والے معمولات میں وراثت میں مفروضے ہوتے ہیں، کنفیگریشن چینلز جو ریلیز کے عمل کو نظرانداز کرتے ہیں وہ ریلیز کے عمل ہیں، یا خود بخود تعینات ہونے والے اپ ڈیٹس کا بلاسٹ رداس پوری انسٹال شدہ بنیاد ہے۔

وہ علم ضابطے میں نہیں ہے۔ یہ لوگوں میں پایا جاتا ہے، جو کئی دہائیوں کے دوران ماپا جانے والے وقت کے ساتھ ٹوٹتے ہوئے نظاموں کا مشاہدہ کرکے حاصل کیا جاتا ہے، رپورٹ کا دعویٰ ہے کہ مطالبہ کے مطابق تیار نہیں کیا جا سکتا۔

لہٰذا، سب سے زیادہ ناکامی والے علاقوں سے آٹومیشن کے بجائے مہارت کی توقع کی جانی چاہیے، اور قابل مشاہدہ شواہد اس کی طرف اشارہ کرتے ہیں۔

سیکشن 24 میں آٹوموٹو کی مثال، جس میں ایک کارخانہ دار نے خودکار معیار کے نظام کی فراہمی میں ناکام ہونے کے بعد اپنے ہنر مند انجینئرنگ کے درجہ بندی کو دوبارہ ترتیب دیا، ایک تجارتی مثال ہے جہاں اس حساب کو عملی جامہ پہنایا جاتا ہے اور تخصص کو پسند کیا جاتا ہے۔

اوپر بیمہ کے اعداد و شمار ایک اور ہیں۔ اگر اس قسم کے نقصانات میں سے صرف 10-20% قابل منتقلی ہیں، تو باقی رقم آپریٹر کی بیلنس شیٹ پر درج کی جاتی ہے۔ ناقابل بیمہ نمائش ان لوگوں کے ذریعہ انجینئر کی جانی چاہئے جس پر تنظیم بھروسہ کرتی ہے اور جانتا ہے کہ اسے کیسے کرنا ہے۔

دو قابلیتیں اس حصے کو ختم کرتی ہیں۔ سب سے پہلے انتخاب کا مسئلہ ہے جس کی وضاحت کے بجائے نام دینے کی ضرورت ہے۔ یہ مشہور آفات ہیں جن کا انتخاب اس لیے کیا گیا ہے کہ ان کی دستاویز کی گئی ہے، اور نتائج کی شدت کے لیے مثالیں چننے سے ہمیں کوئی اندازہ نہیں ہوتا کہ اس طرح کے نتائج کتنی بار رونما ہوتے ہیں۔

یہاں کیا گیا دعویٰ یہ نہیں ہے کہ مہلک سافٹ ویئر کی غلطیاں عام ہیں۔ حقیقت میں، یہ نسبتاً نایاب ہے، اور زیادہ تر سافٹ ویئر کی غلطیاں ایک تکلیف ہوتی ہیں۔ بلکہ، نکتہ یہ ہے کہ لاگت کی تقسیم میں بھاری دم ہوتا ہے، اور بھاری دم والی تقسیم میں مطلب فیصلوں کے لیے ایک ناقص رہنما ہوتا ہے۔

دوسری شرط یہ ہے کہ ان تینوں میں سے کوئی بھی ناکامی پیدا کردہ کوڈ کی وجہ سے نہیں ہوئی، اور یہ سیکشن یہ دعویٰ نہیں کرتا کہ AI ان خرابیوں کی وجہ سے ہوا ہوگا۔ یہ کسی تنگ اور زیادہ دفاعی چیز کی دلیل دیتا ہے۔ لاگت کا ڈھانچہ جو ان ناکامیوں کو برباد کرتا ہے وہ یہ ہے کہ وہ کوڈ لکھنے کی لاگت سے متاثر نہیں ہوتے ہیں، اور فیصلے کے وہ زمرے جو ہر غلطی کو روک سکتے ہیں وہ ہیں جو اس رپورٹ میں دکھائے گئے زمرے سکڑنے کے قابل نہیں ہیں۔

حصہ 3 - لیبر مارکیٹ

20. متبادلات، کمپریشن اور فرق

AI اور روزگار کے بارے میں عوامی بحثیں بنیادی طور پر تبدیلی سے متعلق ہیں۔ تاہم، یہ ایک غیر مددگار فریمنگ ہے کیونکہ اصل ڈھانچہ بنیادی سوالات کے بائنری جوابات پر مجبور کرتا ہے۔

AI مبینہ طور پر ملازمتوں کو بے گھر کر رہا ہے اور دوسروں کو کمپریس کر رہا ہے، جو ملازمتوں کو ختم کرنے سے مختلف تجویز ہے۔ نوکری کاموں کا ایک بنڈل ہے، اور کسی کام پر مہارت کا اثر اس کام پر منحصر ہوتا ہے کہ وہ کس کام کو جذب کرتا ہے، اس کی کل قیمت کا کتنا فیصد نمائندگی کرتا ہے، اور آیا جذب شدہ کام کو ہٹانے سے باقی کام کی قدر میں اضافہ ہوتا ہے یا کمی۔

امریکی لیبر فورس کے تخمینے اختلافات کو غیر معمولی طور پر پڑھنے میں آسان بنا دیتے ہیں۔ اس کی وجہ یہ ہے کہ شماریاتی نظام دو آبادیوں کے لیے الگ الگ زمروں کو برقرار رکھتا ہے جو کہ عوامی بحث معمول کے مطابق الجھتی رہتی ہے۔

ملازمت کے تنگ زمرے میں ملازمت کمپیوٹر پروگرامر 2024 اور 2034 کے درمیان 6 فیصد کمی کی توقع ہے، بیورو آف لیبر سٹیٹسٹکس نے واضح طور پر کہا ہے کہ اسے دہرائے جانے والے پروگرامنگ کے کام تیزی سے خودکار ہونے کی توقع ہے۔

روزگار سافٹ ویئر ڈویلپرایک زمرہ جس میں وسیع تر نظام ڈیزائن اور انجینئرنگ کے فیصلوں پر مشتمل متعین ذمہ داریاں شامل ہیں، اسی مدت کے دوران 15.8 فیصد بڑھنے کی توقع ہے، جس سے تقریباً 267,700 ملازمتیں شامل ہوں گی۔ سافٹ ویئر کی کوالٹی اشورینس کی ملازمت میں 10 فیصد اور انفارمیشن سیکورٹی اینالسٹ کی ملازمت میں 28.5 فیصد اضافہ متوقع ہے (بیورو آف لیبر سٹیٹسٹکس، بیورو آف لیبر سٹیٹسٹکس)۔

2024 سے 2034 تک، ریاستہائے متحدہ میں کمپیوٹر پروگرامرز کے لیے روزگار میں 6% کمی، سافٹ ویئر ڈویلپرز کے لیے 15.8% اضافے (تقریباً 267,700 ملازمتیں شامل)، سافٹ ویئر کی کوالٹی ایشورنس میں 10% اضافہ، اور انفارمیشن سیکیورٹی تجزیہ کاروں کے لیے 28.5% بڑھنے کا امکان ہے۔ (بیورو آف لیبر شماریات)

ان پیشین گوئیوں کی اندرونی ساخت ایک عدد سے زیادہ معلومات فراہم کرتی ہے۔ تخفیف کے زمرے وہ زمرے ہیں جن کی وضاحت تصریحات کو کوڈز میں تبدیل کر کے کی جاتی ہے۔ انکریمنٹل زمروں کی تعریف اس بات کا تعین کرکے کی جاتی ہے کہ سسٹم کو کیا کرنا چاہیے، اس بات کو یقینی بناتے ہوئے کہ سسٹم اسے صحیح طریقے سے کرتا ہے، اور اس بات کو یقینی بناتا ہے کہ سسٹم کو الٹ نہیں سکتا۔

حفاظتی تخمینے چار میں سب سے زیادہ قابل ذکر ہیں، جو خود سافٹ ویئر کی ترقی کی شرح نمو سے تقریباً پانچ گنا بڑھ رہے ہیں۔ یہ ثانوی نتائج کی طرف اشارہ کرتا ہے جو آج تک موصول ہونے والے نتائج سے زیادہ توجہ کے مستحق ہیں۔

ایک ایسی دنیا جہاں بہت زیادہ کوڈ تربیتی ڈیٹا سے لیس ٹولز کے ذریعے تیار کیا جاتا ہے جس میں عوامی ذخیروں کے لیے پابند ہر غیر محفوظ نمونہ ہوتا ہے، اور تنظیموں کے ذریعہ جائزہ لینے کی صلاحیت کے متناسب پیمانے کے بغیر جائزہ لیا جاتا ہے، ایک ایسی دنیا ہے جس میں حملہ کی سطح بہت زیادہ ہے۔ ایسے لوگوں کی مانگ جو کمزوریوں کو تلاش اور ٹھیک کر سکتے ہیں، براہ راست تیار کردہ کوڈ کی مقدار کو متاثر کر رہا ہے، جس میں تین ہندسوں کا اضافہ ہوا ہے۔

دوسرے الفاظ میں، نوکریاں غائب نہیں ہو رہی ہیں، وہ آگے بڑھ رہی ہیں۔ ایسے لوگوں کی مانگ کم ہو گی جو صرف ہدایات کو فقروں میں ترجمہ کرنے میں حصہ ڈالتے ہیں، اور یہ کمی حقیقی، قابل پیمائش ہے اور پہلے ہی تخمینوں میں دیکھی جا سکتی ہے۔ ایسے لوگوں کی زیادہ مانگ ہو گی جو نظام کی تعریف، ڈیزائن، توثیق، انضمام، محفوظ اور ذمہ داری لے سکتے ہیں۔ جگہ پروگرامر سیکورٹی دن بدن کمزور ہوتی جا رہی ہے۔ تاہم، اصطلاح کی طرف سے بیان کی صلاحیت سافٹ ویئر انجینئر وہ زیادہ وسیع، زیادہ مطالبہ، اور زیادہ قیمتی ہوتے جا رہے ہیں۔

21. caved-in بیس سے بازیافت

قلیل مدتی ملازمت کے اشارے 10 سالہ نقطہ نظر کے مقابلے میں زیادہ ملے جلے ہیں، اس لیے ان میں سے کسی ایک کو الگ تھلگ کرنے کے بجائے ایک ساتھ پڑھنا ضروری ہے۔

فروری 2025 اور جون 2026 کے درمیان امریکی سافٹ ویئر ڈویلپمنٹ کی نوکریوں کی پوسٹنگ میں تقریباً 15 فیصد اضافہ ہوا، جب کہ اس عرصے کے دوران پوری معیشت میں ملازمت کی پوسٹنگ میں 7 فیصد کمی ہوئی۔ یہ اپنے آپ میں ایک مضبوط رشتہ دار سگنل ہے، اور بڑے پیمانے پر دہرائے جانے والے اس دعوے کی تردید کرتا ہے کہ AI نے سافٹ ویئر انجینئرز کی مانگ میں کمی کی ہے۔

تاہم، سیاق و سباق کے لحاظ سے تشریح بہت مختلف ہوتی ہے۔ اضافے کے بعد بھی، سافٹ ویئر ڈویلپمنٹ پوسٹنگ وبائی امراض سے پہلے کی سطح (بے شک ہائرنگ لیب) سے تقریباً 27.5 فیصد نیچے رہی۔ لہذا، جو مشاہدہ کیا جاتا ہے وہ 2021 اور 2022 میں ملازمت کے حالات میں واپسی کے بجائے افسردہ بنیاد سے بحالی ہے۔

کساد بازاری کی خود کئی وجوہات ہیں جو بڑے پیمانے پر AI کو اپنانے سے پہلے ہیں۔ یعنی، شرح سود کا ماحول، بھاری بھرتی کے عرصے کے بعد ایک اصلاح، اور ٹیک ہائرنگ میں عمومی سکڑاؤ جو کوڈنگ ایجنٹوں کے تجارتی طور پر دستیاب ہونے سے بہت پہلے شروع ہوا تھا۔

فروری 2025 اور جون 2026 کے درمیان امریکہ میں سافٹ ویئر ڈویلپمنٹ کی نوکریوں کی پوسٹنگ میں تقریباً 15 فیصد اضافہ ہوا، جب کہ کل پوسٹنگ 7 فیصد گر گئی لیکن وبائی امراض سے پہلے کی سطح سے تقریباً 27.5 فیصد کم رہی۔ (حقیقی بھرتی لیب)

اعداد و شمار کو منتخب کرنے کے بجائے مجموعی طور پر پیش کیا جانا چاہئے، کیونکہ دو ممکنہ نتائج ہیں اور مختلف سمتوں میں جاتے ہیں۔

سفر کی سمت مثبت ہے اور مارکیٹیں معاہدہ کرنے کے بجائے پھیل رہی ہیں، جس کا متبادل نظریہ کے مضبوط ترین ورژن کے ساتھ ہم آہنگ ہونا مشکل ہے۔ یہ سطحیں پچھلی چوٹیوں سے اتنی نیچے ہیں کہ ان کا اس دعوے کے ساتھ موافقت کرنا مشکل ہے کہ کچھ بھی نہیں بدلا ہے۔

دونوں مشاہدات مجموعی طور پر اس رپورٹ کے مواد سے مطابقت رکھتے ہیں: کہ AI صرف مانگ کے مجموعوں میں اضافہ یا کمی نہیں کرتا، بلکہ ڈیمانڈ کمپوزیشن کو نئی شکل دیتا ہے۔

22. درجہ بندی کی طرف جھکاؤ

بحالی کا میک اپ وہ جگہ ہے جہاں سب سے اہم دریافتیں ہوتی ہیں، اور یہ سرخی کے نمبروں سے کہیں زیادہ حیران کن ہے۔

مئی 2025 اور مئی 2026 کے درمیان سافٹ ویئر ڈویلپمنٹ پوسٹوں میں اضافے میں سے، 71% سینئر عہدوں سے آئے، جب کہ 37% ایسے عنوانات سے آئے جن میں واضح طور پر AI کا ذکر کیا گیا تھا، دونوں زمروں کے درمیان نمایاں اوورلیپ کے ساتھ۔

2026 کی پہلی سہ ماہی میں، سافٹ ویئر ڈویلپمنٹ کی تمام پوسٹوں میں سے 69.3% سینئر لیول کی تھیں اور صرف 4.5% انٹری لیول (درحقیقت ہائرنگ لیب) تھیں۔

مئی 2025 اور مئی 2026 کے درمیان، سافٹ ویئر ڈویلپمنٹ کی پوسٹوں میں 71 فیصد اضافہ سینئر عہدوں سے اور 37 فیصد ان عہدوں سے آیا جس میں واضح طور پر AI کا ذکر کیا گیا تھا۔ 2026 کی پہلی سہ ماہی میں، 69.3% پوسٹیں سینئر لیول کی تھیں اور 4.5% انٹری لیول کی تھیں۔ (حقیقی بھرتی لیب)

تقریباً 15 سینئر عہدوں کا تناسب ہر انٹری لیول پوزیشن کے لیے کسی پیشے کے لیے لیبر مارکیٹ کا عام ڈھانچہ نہیں ہے جس میں ایک سینئر پریکٹیشنر کو تیار کرنے میں 10 سال لگتے ہیں۔ یہ ایک ایسی مارکیٹ کی وضاحت کرتا ہے جو صرف ان اسٹاکوں سے روزگار کی تلاش کرتا ہے جو اب دوبارہ نہیں بھرے گئے ہیں، اور ایسی مارکیٹ غیر معینہ مدت تک جاری نہیں رہ سکتی۔ وہ خاموشی سے اس وقت تک آرام میں رہتے ہیں جب تک کہ داخلے کی پائپ لائن دوبارہ نہیں کھولی جاتی، سینئر انوینٹری ریٹائرمنٹ کے ذریعے ختم ہو جاتی ہے اور اس کی تجدید کی جا سکتی ہے، یا سنیارٹی کی تعریف کا مطلب آج کے مقابلے میں کچھ کمزور ہے۔

ان تینوں نتائج میں سے کوئی بھی مطلوبہ نہیں ہے، اور پہلا نتیجہ صرف وہی ہے جو ان صلاحیتوں کو محفوظ رکھتا ہے جس کا دعویٰ اس رپورٹ میں کیا گیا ہے۔

بہر حال، عمل ہر آجر کے لیے انفرادی طور پر معقول ہے، جو اسے محض غلطی کی بجائے ایک حقیقی اجتماعی کارروائی کا مسئلہ بناتا ہے۔

اگر AI اس سے پہلے جونیئر انجینئرز کے ذریعہ انجام دیئے گئے زیادہ تر کام کو جذب کر لیتا ہے، تو جونیئر انجینئرز کی خدمات حاصل کرنے کے لیے قلیل مدتی پیداواری صورت حال کمزور ہو جاتی ہے، جبکہ سینئر انجینئرز کی خدمات حاصل کرنے کا معاملہ مضبوط ہو جاتا ہے جو ایجنٹوں کو کمانڈ کر سکتے ہیں۔ یہ ایک ایسا نتیجہ ہے جس کی براہ راست سیکشن 13 میں ماہرانہ ضارب ڈیٹا کی تائید ہوتی ہے۔

ہر کمپنی اپنی ملازمت کو بہتر بناتی ہے ایک ہی جواب پر پہنچتی ہے، اور مجموعی نتیجہ وہ ملازمتیں ہیں جو ان پٹ پیدا کرنا بند کر دیتی ہیں جن پر تمام کمپنیاں انحصار کرتی ہیں۔ لاگت کو پوری صنعت میں بیرونی بنایا جاتا ہے اور تقریباً 10 سال تک موخر کر دیا جاتا ہے۔ یہ صفات کا بدترین مجموعہ ہے جو کسی مسئلے کے لیے پیدا ہو سکتا ہے اگر آپ اسے رضاکارانہ طور پر حل کرنا چاہتے ہیں۔

23. کینری: ابتدائی کیریئر کی تبدیلی

پوسٹ کردہ ڈیٹا آجر کے ارادے کو بیان کرتا ہے۔ تنخواہ کا ڈیٹا بتاتا ہے کہ اصل میں کیا ہوا، دونوں متفق ہیں۔

تنخواہ کے مائیکرو ڈیٹا پر نظر ڈالتے ہوئے، اسٹینفورڈ کے محققین نے پایا کہ 22 سے 25 سال کی عمر کے کارکنان جن پیشوں میں زیادہ تر جنریٹو AI کا سامنا کرتے ہیں، فرم سطح کے جھٹکوں پر قابو پانے کے بعد ملازمت میں 16 فیصد نسبتاً کمی کا سامنا کرتے ہیں۔ اسی پیشے کے اندر، زیادہ تجربہ کار کارکن مستحکم رہے ہیں یا ترقی کرتے رہے ہیں (Stanford Digital Economy Lab)۔

جن پیشوں میں 22 سے 25 سال کی عمر کے کارکنان جنریٹو AI سے سب سے زیادہ بے نقاب ہوتے ہیں انہیں فرم سطح کے جھٹکوں پر قابو پانے کے بعد ملازمت میں 16 فیصد نسبتاً کمی کا سامنا کرنا پڑا، جب کہ اسی پیشوں میں زیادہ تجربہ کار کارکن مستحکم رہے یا ترقی کرتے رہے۔ (اسٹینفورڈ ڈیجیٹل اکانومی لیب)

فرم سطح کے جھٹکے پر قابو پانا طریقہ کار کے لحاظ سے اہم ہے۔ کیونکہ یہ سب سے واضح الجھن کو دور کرتا ہے۔ اس کا مطلب یہ ہے کہ وہی کمپنیاں جنہوں نے AI کو جارحانہ انداز میں اپنایا ہے وہ بھی وہی ہیں جو اس دور کے میکرو اکنامک حالات سے سب سے زیادہ متاثر ہیں۔

کمپنیوں کے اندر عمر کے گروپوں کا موازنہ نوجوان لوگوں پر فرق کو الگ کرتا ہے جو سادہ کراس فرم موازنہ نہیں کر سکتا۔ پھر بھی، محققین محتاط ہیں کہ یہ دعویٰ کرنے سے گریز کریں کہ AI واحد وجہ ہے، اور یہ رپورٹ انہیں بھی خبردار کرتی ہے۔ سود کی شرحیں، وبائی امراض کے بعد روزگار کی حد سے زیادہ ایڈجسٹمنٹ، اور وسیع تر معاشی حالات سب ایک ہی مدت کے دوران ایک ہی آبادی کو متاثر کرتے ہیں، اور ان کو مکمل طور پر منقطع کرنا دستیاب اعداد و شمار کی حمایت سے باہر ہے۔

نتائج جو قائم کرتے ہیں وہ ایک سمت ہے، اور وہ سمت تین آزاد ڈیٹا ذرائع میں مطابقت رکھتی ہے۔ پیشہ ورانہ پیشین گوئیاں جو پروگرامر کی کمی کو ظاہر کرتی ہیں ڈویلپر کی ترقی کے مقابلے میں، پوسٹنگ مکس کو 15 سے 1-سینیارٹی کا فرق دکھاتا ہے، اور تنخواہ کا ڈیٹا جو سب سے زیادہ بے نقاب پیشوں میں سب سے کم عمر ملازمین کے درمیان فرق کی کمی کو ظاہر کرتا ہے۔

تین مختلف ڈیٹا سیٹس پر لاگو ہونے والے تین طریقہ کار ایک مستقل تصویر پیش کرتے ہیں کہ ملازمت پر AI کا اثر حقیقی ہے، پیشوں میں داخلے کے مقامات پر مرکوز ہے، اور مقبول اکاؤنٹس میں بیان کردہ وسیع نقل مکانی سے مماثل نہیں ہے۔

اس سے ایسے سوالات اٹھتے ہیں جو ٹیک انڈسٹری کی افرادی قوت کی منصوبہ بندی کے مرکز میں ہونے چاہئیں، لیکن فی الحال نہیں ہیں۔ سینئر انجینئرز کی اگلی نسل کہاں سے آئے گی؟

اگر کمپنیاں نچلے درجے کے کاموں کو خودکار کرتی ہیں اور کم جونیئر انجینئرز کی خدمات حاصل کرتی ہیں، نگرانی میں ڈیبگ کرنے کے موقع کو ختم کرتے ہوئے، کوڈ کے جائزے سے گزرنے، پروڈکشن کے لیے ایکسپوزر حاصل کرنے، اور غلطیاں کرنے والوں سے فن تعمیر سیکھنے کے لیے، وہ قلیل مدتی کارکردگی کے فوائد حاصل کرتے ہیں جبکہ تجربہ کار انجینئرز کی مستقبل کی فراہمی کو منظم طریقے سے نقصان پہنچاتے ہیں۔

اس سال منافع بک گیا ہے۔ اخراجات آٹھ سے 12 سال بعد، بہت سے ایگزیکٹوز کی مدت سے باہر ہوتے ہیں جو فیصلے کریں گے۔

انسانی صلاحیتوں کے لیے ترقیاتی پائپ لائن کی ضرورت ہوتی ہے، اور پائپ لائنز بنیادی ڈھانچہ ہیں، لین دین نہیں۔ اپرنٹس شپ، رہنمائی، گیٹ کیپنگ کے بجائے تربیت کے ذریعے کیے جانے والے کوڈ کے جائزے، پیداواری ذمہ داریوں کے لیے کنٹرول شدہ نمائش، محتاط فن تعمیر کی تربیت، اور ساختی سیکھنے کی مشقیں سب ضروری ہیں۔ کیونکہ AI اب پرواز کے دوران بہت زیادہ عمل درآمد کر سکتا ہے جو پہلے جونیئر انجینئرز سیکھنے کے ضمنی پیداوار کے طور پر کرتے تھے۔

آجر کے نقطہ نظر سے، سیکھنا عمل درآمد کے لیے مرکزی نہیں تھا۔ اس لیے اسے بغیر سوچے سمجھے ضائع کیا جا رہا ہے۔ یہ ایک ضمنی مصنوعہ تھا جس پر ہر کوئی انحصار کرتا تھا بغیر کسی نے پیداوار کا فیصلہ کیا۔

24. آگ، آٹومیشن، دوبارہ ملازمت

اس بات کے بڑھتے ہوئے شواہد بھی موجود ہیں کہ بہت سی تنظیمیں متوقع AI بچت کی بنیاد پر ہیڈ کاؤنٹ کو کم کر رہی ہیں بغیر اس بات کی تصدیق کیے کہ آیا AI واقعی کام کر سکتا ہے۔ اس کے بعد انہوں نے کافی قیمت پر اپنا فیصلہ واپس لے لیا۔

2026 کے ایک Orgvue سروے سے پتا چلا ہے کہ 32% تنظیموں نے جنہوں نے متوقع AI لاگت کی بچت کی بنیاد پر چھانٹی کی تھی، ملازمین کو دوبارہ بھرتی کیا کیونکہ ان بچتوں کو پورا نہیں کیا گیا تھا۔ 23% نے اطلاع دی کہ انہیں AI صلاحیتوں کے بارے میں عمومی مفروضوں کی بنیاد پر برطرف کیا گیا تھا بجائے اس کے کہ اس صورتحال میں ٹیکنالوجی اصل میں کیا کر سکتی ہے (Orgvue) کے کردار سے متعلق تجزیہ کی بنیاد پر۔

32% تنظیموں نے جنہوں نے متوقع AI لاگت کی بچت کی بنیاد پر برطرفیاں کیں بعد میں ملازمین کو دوبارہ بھرتی کیا کیونکہ لاگت کی بچت کا ادراک نہیں کیا گیا تھا، اور 23% نے رپورٹ کیا کہ برطرفیاں کردار سے متعلق تجزیہ کے بجائے AI کے بارے میں عمومی مفروضوں پر مبنی تھیں۔ (org منظر)

چونکہ یہ ایک وینڈر کے زیر اہتمام ایگزیکٹو سروے ہے اور صرف انجینئرنگ کے کردار پر توجہ نہیں دیتا ہے، اس لیے اسے پوری معیشت میں ایک حتمی تخمینہ کے طور پر استعمال کرنے کے بجائے نمونوں کے ثبوت کے طور پر وزن کیا جانا چاہیے۔ ضمیمہ B مزید تفصیل سے حدود کو بیان کرتا ہے۔

بہر حال، یہ نمونہ اس رپورٹ کے بقیہ حصے میں بیان کردہ طریقہ کار سے مطابقت رکھتا ہے۔ اگر AI جس کام کو جذب کر رہا ہے وہ کردار کی قدر کا ایک چھوٹا حصہ ہے جو کردار سے باہر ظاہر ہوتا ہے، تو ظاہری حصے کے لیے ایڈجسٹ کردہ ارتعاش حد سے تجاوز کر جائے گا۔ اضافی کام صرف اس وقت دریافت ہوتا ہے جب باقی کام مکمل نہ ہو۔

23% کا اعداد و شمار دونوں کے لیے زیادہ تشخیصی ہے کیونکہ یہ نتیجہ کے بجائے فیصلہ سازی کے عمل کو بیان کرتا ہے۔ تقریباً ایک چوتھائی جواب دہندگان نے اپنے کام کے تجزیے کی بجائے ان کی مہارتوں کے عمومی تاثر کی بنیاد پر ناقابل واپسی عملے کے فیصلے کیے ہیں۔

زیادہ مخصوص اور بہتر دستاویزی مثالیں انجینئرنگ میں بیرونی سافٹ ویئر سے آتی ہیں، جہاں فیڈ بیک لوپ طویل ہوتے ہیں اور ناکامیاں زیادہ مہنگی ہوتی ہیں۔

فورڈ نے تین سالوں میں تقریباً 350 تجربہ کار انجینئرز اور تکنیکی ماہرین کی خدمات حاصل کیں، انہیں ترقی دی یا واپس لایا جب کمپنی نے خودکار معیار کے نظام پر زیادہ سے زیادہ انحصار کیا جو اس کی توقع کے مطابق نتائج فراہم کرنے میں ناکام رہے۔ تجربہ کار انجینئر اب رکاوٹوں کی نشاندہی کر رہے ہیں، جونیئر ملازمین کی رہنمائی کر رہے ہیں، ڈیزائن کے اہم جائزے دے رہے ہیں، اور خود آٹومیشن سسٹم (فاسٹ کمپنی) میں بہتری میں اپنا حصہ ڈال رہے ہیں۔

فورڈ کیس میں سب سے اہم تفصیل یہ ہے کہ کمپنی نے کیا نہیں کیا۔ ہم نے آٹومیشن کو ترک نہیں کیا ہے اور نہ ہی ہم نے یہ نتیجہ اخذ کیا ہے کہ ٹیکنالوجی بیکار ہے۔ ہم نے دریافت کیا کہ جمع شدہ انسانی علم کے بغیر آٹومیشن معیار کے لحاظ سے ٹھوس نتائج حاصل کرنے کے لیے کافی نہیں تھی، اس لیے ہم نے پتلے ہوتے انسانی درجہ بندی کو دوبارہ منظم کیا۔

کام کرنے والے سسٹمز ہنر مند انجینئرز، ان کے ذریعے تربیت یافتہ نوجوان کارکنوں، آٹومیشن، تنظیمی تبدیلی، اور AI کا ایک مجموعہ تھا، جو تجربہ کار انجینئرز کے ساتھ آٹومیشن کی نگرانی اور اسے بہتر بنا رہے تھے۔

یہ امتزاج ممکنہ طور پر سنجیدہ انجینئرنگ میں ایک غالب نمونہ بن جائے گا اور اسے ایک عمومی اصول کے طور پر بیان کیا جا سکتا ہے۔ AI مہارت کی قدر کو ختم نہیں کرتا ہے۔ یہ AI کو استعمال کرنے کے طریقہ میں مہارت کی قدر کو بڑھاتا ہے۔

جب آٹومیشن سسٹم ابھرے تو فورڈ انجینئرز زیادہ قیمتی بن گئے کیونکہ انہوں نے کام کی نئی قسمیں تخلیق کیں۔ فیصلہ کریں کہ کب یقین کرنا ہے اور تشخیص کرنا ہے کہ آپ کیوں غلط ہیں۔ اور یہ کام صرف تجربہ کار لوگ ہی کر سکتے ہیں۔

25. ایک تنظیم کو اپنی پائپ لائن کے بارے میں واقعی کیا کرنے کی ضرورت ہے؟

مندرجہ بالا تجزیہ ساختی مسائل کی نشاندہی کرتا ہے جنہیں انفرادی کمپنیاں عام نجی مفاد کے آپریشنز کے ذریعے حل نہیں کر سکتیں۔ بالآخر، جونیئر انجینئرز کی تربیت کے فوائد جزوی طور پر ان لوگوں کو حاصل ہوتے ہیں جو ان انجینئروں کو پانچ سال کے اندر ملازمت دیتے ہیں۔

یہ اس کی پیروی نہیں کرتا ہے کہ کچھ نہیں کیا جا سکتا ہے، اور کچھ دستیاب جوابات متبادل کی لاگت کے مقابلے میں سستے ہیں۔

سب سے پہلے یہ تسلیم کرنا ہے کہ جونیئر کام کے روایتی پورٹ فولیوز خالی ہیں اور ان کو پہلے سے طے شدہ طور پر غائب ہونے دینے کے بجائے جان بوجھ کر انہیں دوبارہ ترتیب دینا ہے۔

اگر جونیئر انجینئر اب آسان کوڈ لکھ کر نہیں سیکھتے ہیں جو ایک ایجنٹ تیار کرتا ہے، تو سیکھنے کو مختلف سرگرمیوں سے منسلک کیا جانا چاہیے، جیسے کہ تیار کردہ کوڈ کا جائزہ لینا اور یہ بتانا کہ کوڈ کیا کرتا ہے اور یہ کیوں درست ہے۔ یہ درست طور پر تصدیقی صلاحیتوں کو تیار کرتا ہے جن کی شناخت سیکشن 13 نے تفریق کرنے والے عوامل کے طور پر کی ہے۔

آپ ایک کنٹرول شدہ ماحول میں پروڈکشن ایونٹس کو دوبارہ بنا سکتے ہیں، زیر نگرانی منتقلی کو انجام دے سکتے ہیں، ایسے ٹیسٹ لکھ سکتے ہیں جو نتیجہ پر عمل درآمد کو روکتے ہیں، اور ابتدائی پیداوار کی سطح کی ذمہ داری قبول کر سکتے ہیں، یہاں تک کہ اگر نتائج تباہ کن ہونے کے بجائے تخلیقی ہونے کے لیے کافی چھوٹے ہوں۔

دوسرا جونیئر انجینئروں کی پیمائش کے لیے استعمال ہونے والے معیار کو تبدیل کرنا ہے۔ اگر آؤٹ پٹ والیوم میٹرک ہے، تو AI ہر جونیئر انجینئر کو مناسب نظر آئے گا اور سگنل تباہ ہو جائے گا۔ اگر میٹرک وضاحت کرنے، ناکامی کے طریقوں کی پیشن گوئی کرنے، پیدا کردہ حل میں کیا چھوڑ دیا گیا ہے اس کی نشاندہی کرنے، اور ایجنٹ پر مبنی نقطہ نظر کے غلط ہونے پر بازیافت کرنے کی صلاحیت ہے (کلاؤڈ کوڈ کے اعداد و شمار سے ظاہر ہوتا ہے کہ ماہرین اور نوزائیدہوں کو تقریباً 4 کے عنصر سے الگ کرتا ہے)، پیمائش اب بھی معلوماتی معلومات فراہم کرتی ہے اور آپ کی تنظیم کو درحقیقت اہلیت کی ضروریات کے لیے ایک ترغیبی نقطہ بن جاتی ہے۔

تیسرا یہ ہے کہ رہنمائی کی صلاحیتوں کو ایک محدود وسیلہ کے طور پر پیش کیا جائے جس کے لیے منصوبہ بندی کی جانی چاہیے، بجائے اس کے کہ وہ رضاکارانہ سرگرمی کے طور پر جو سینئر انجینئرز کے پاس وقت ہو تو وہ انجام دیتے ہیں۔ موجودہ ملازمت کے حالات میں ایسا نہیں ہے۔ وہ تنظیمیں جو سینئر انجینئرز کو جونیئر انجینئرز کے 15 گنا ریٹ پر بھرتی کرتی ہیں جبکہ ان سینئر انجینئرز پر نظرثانی کا بوجھ تین گنا زیادہ کوڈ کے ساتھ ڈالتی ہیں، انہوں نے بغیر کسی فیصلے کے تربیت کا وقت ختم کر دیا ہے۔

چوتھا یہ ہے کہ کاموں اور کرداروں میں فرق کے بارے میں اپنی افرادی قوت کی منصوبہ بندی میں ایماندار ہونا، جسے Orgvue ڈیٹا ظاہر کرتا ہے کہ تنظیموں کی ایک بڑی تعداد ایسا کرنے میں ناکام رہتی ہے۔ مخصوص سرگرمیوں کا کردار سے متعلق تجزیہ جو کہ AI خود تنظیم کے تناظر میں قابل اعتماد طریقے سے انجام دیتا ہے، عملے کے فیصلوں کے بجائے، بعد میں کیا جاتا ہے، دوبارہ بھرتی کی لاگت سے سستا ہے، اور ادارہ جاتی علم کو بہت کم نقصان پہنچاتا ہے جو اس کے ذمہ دار لوگوں کے ساتھ چھوڑتا ہے۔

26. سافٹ ویئر انجینئرز اور یونیورسٹیاں

"انٹرنیٹ ہمیں کچھ بھی جاننے کی اجازت دیتا ہے۔ AI ہمیں کچھ بھی کرنے کی اجازت دیتا ہے۔" ان دو جملوں کے ساتھ، Andreessen Horowitz نے 22 ستمبر 2026 کو اپنے ایجوکیشن کمپنی کے بارے میں اعلان کا آغاز کیا، جس میں وہ جنرل پارٹنر ایرک ٹورنبرگ کی ایک پوسٹ کے ساتھ تھا، اور پوسٹ جاری تھی: "ہم لامحدود علم کے دور میں رہتے ہیں، اور ہم لامحدود عمل کے دور میں داخل ہو رہے ہیں۔" (a16z)۔

فریمنگ ایک وینچر شروع کرنے والی وینچر کمپنیوں کے لیے ہے، اور اسے دریافت کے بجائے ایک مفروضے کے طور پر پڑھا جانا چاہیے۔ بہر حال، یہ سوال کہ آیا لیبر مارکیٹ کے ثبوت کا یہ حصہ کھلا ہے، دو سطروں پر ابلا ہوا ہے۔

پہلا جملہ ("انٹرنیٹ نے کچھ بھی جاننا ممکن بنایا۔ AI نے کچھ بھی کرنا ممکن بنایا۔") بتاتا ہے کہ اوپن ویب نے یونیورسٹیوں کی علمی اجارہ داریوں کو کس طرح متاثر کیا ہے۔ دوسرا ("ہم لامحدود علم کے دور میں رہتے ہیں، اور ہم لامحدود عمل کے دور میں داخل ہو رہے ہیں") اس بات کی نشاندہی کرتا ہے کہ تخلیقی AI جاننے اور کرنے کے درمیان فاصلے کے بارے میں کیا کرتا ہے۔ اور اب وہ ادارہ جس نے سافٹ ویئر انجینئرنگ کے لیے بنیادی گیٹ وے کے طور پر کام کیا ہے وہ اپنے ٹیسٹ کا مستحق ہے، دونوں کے لیے جو اس سے گزرتے ہیں اور ان لوگوں کی بہت بڑی تعداد کے لیے جو نہیں کر سکتے۔

سیکشن 15 وضاحت کرتا ہے کہ ایک سنجیدہ کمپیوٹنگ ڈگری کیا سکھاتی ہے اور نوٹ کرتی ہے کہ پیشے میں متبادل راستے موجود ہیں اور کام کرتے ہیں۔ سیکشن 22 اور 23 نے ظاہر کیا کہ ملازمت کے داخلے کے مقامات وہ ہیں جہاں AI کے روزگار کے اثرات مرتکز ہوتے ہیں۔

اس حصے میں، ہم ان دونوں مشاہدات کو ایک ساتھ یہ پوچھنے کے لیے لاتے ہیں کہ کیا ڈگریاں اب بھی وہ تحفظات پیش کرتی ہیں جو انہوں نے کبھی کی تھیں، ہم انجینئرز اور بانیوں کے لیے کیا ثبوت پیش کرتے ہیں جنہوں نے اپنی صلاحیتیں دوسری جگہوں پر حاصل کیں، کون سے ادارے نصاب سے ہٹ کر پڑھاتے ہیں، اور اب ان لوگوں کو کون سی کھلی تعلیم اور AI سپورٹ پیش کرتے ہیں جو یونیورسٹی سسٹم تک نہیں پہنچ پاتے۔

یہ جو دلیل پیش کرتی ہے وہ یہ ہے کہ حقیقی قدر کے سافٹ ویئر بنانے کے لیے کالج کی ڈگری اب کوئی شرط نہیں ہے، کہ ایک بار دی جانے والی ڈگری کے ذریعے تحفظ کی حدیں نمایاں طور پر کم ہو گئی ہیں، اور جو چیز کم نہیں ہوئی ہے وہ حقیقی نظاموں میں حاصل کیے گئے تجربے کی قدر ہے۔

تجربہ ہر اس شخص کے لیے کھلا ہے جس کے پاس اسے جمع کرنے کی استقامت اور سیکھنے کی صلاحیت ہے، اور اسی وجہ سے یہ نایاب ہے۔

شواہد میں ایسے نتائج بھی شامل ہیں جو مخالف سمت کی طرف اشارہ کرتے ہیں، خاص طور پر بانیوں میں، اور باقی کے ساتھ رپورٹ کیے جاتے ہیں۔

آپ کی ڈگری کی پیشن گوئی کیا ہے

کام کی جگہ کی کارکردگی کی پیشن گوئی کرنے والے سب سے زیادہ قابل اعتماد ثبوت ہیومن ریسورس سائیکولوجی سے آتے ہیں، جو فرینک شمٹ اور جان ہنٹر کی 85 سالہ تحقیق کی 1998 کی ترکیب ہے۔

انتخاب کے طریقوں کی درجہ بندی اس کے مطابق کہ انہوں نے ملازمت کی کارکردگی کی کتنی اچھی پیش گوئی کی، کام کے نمونے کے ٹیسٹ کی درستگی .54 تھی، عمومی ذہنی صلاحیت .51 تھی، ساختی انٹرویوز .51 تھے، جاب کے علم کے ٹیسٹ .48 تھے، ایمانداری کے ٹیسٹ تھے .41، اور غیر ساختہ انٹرویوز .38 تھے۔ ملازمت کا تجربہ .18 اور تعلیم کے سال .10 پر ٹیبل کے نچلے حصے کے قریب تھا، جبکہ مضبوط ترین امتزاج (کام کے نمونوں یا ساختی انٹرویوز کے ساتھ مل کر عمومی ذہنی صلاحیت) .63 تک پہنچ گئی (نفسیاتی بلیٹن)۔

اسے صاف لفظوں میں بیان کرنے کے لیے، کسی شخص کو کسی ٹکڑے کے نمائندہ ٹکڑے کو انجام دیتے ہوئے دیکھ کر کارکردگی کی پیشین گوئی اسکول میں سالوں کی گنتی سے پانچ گنا زیادہ بہتر ہے۔

اس کے بعد سے اعداد و شمار پر نظر ثانی کی گئی ہے، اور اس سیکشن میں نتائج کو تبدیل کیے بغیر درستگی کو برقرار رکھنے کے لیے نظر ثانی ضروری ہے۔

Schmidt, Oh, and Shaffer کی 2016 کی تازہ کاری ایک ورکنگ پیپر کے طور پر گردش کرتی ہے جس میں 31 طریقوں کا احاطہ کیا گیا ہے جس نے عمومی ذہنی صلاحیت کو .65 تک بڑھا دیا، کام کے نمونوں کو .33 تک، ملازمت کے تجربے کو .16 تک کم کر دیا، اور تعلیم کے سالوں کو .10 (ریسرچ گیٹ) پر کوئی تبدیلی نہیں کی گئی۔

Sackett, Zhang, Berry, and Lievens نے 2022 میں پہلے کے میٹا تجزیوں کے دائرہ کار کی حدود کی منظم حد سے زیادہ تصحیح کی، جس سے زیادہ تر معاملات میں .10 سے .20 پوائنٹس کی درستگی کم ہو گئی۔ نظر ثانی شدہ ورژن میں، سٹرکچرڈ انٹرویوز کا سب سے زیادہ اسکور .42 تھا، اس کے بعد کام کے نمونے اور علمی صلاحیتیں .33 اور .31 پر تھیں۔ ملازمت کا تجربہ .07 تک گر گیا، اور معلومات کی کمی کی وجہ سے تعلیم کے سالوں کو خارج کر دیا گیا (جرنل آف اپلائیڈ سائیکالوجی)۔

تینوں ورژنوں میں، وہ طریقے جو کسی فرد کی صلاحیتوں کا مشاہدہ کرتے ہیں وہ ان طریقوں سے براہ راست برتر ہوتے ہیں جو گزرے ہوئے وقت کا حساب لگاتے ہیں، قطع نظر اس کے کہ وہ وقت کلاس روم میں گزارا گیا تھا یا کام پر۔

گریجویشن کے نتائج پر ثبوت اسی طرح اشارہ کرتے ہیں۔ برننگ گلاس انسٹی ٹیوٹ اور اسٹراڈا ٹیلنٹ کا خاتمہ 60 ملین سے زیادہ کارکنوں کے پروفائلز پر مبنی اس تحقیق نے پایا کہ گریجویشن کے ایک سال کے اندر 52% گریجویٹس بے روزگار ہیں، اور 45% 10 سال بعد بھی ایسے ہی رہتے ہیں۔ مزید برآں، یہ پتہ چلا کہ 73 فیصد لوگ جنہوں نے کم روزگار شروع کیا وہ 10 سال بعد بھی کم روزگار تھے۔ یہ کالج کی سطح پر ملازمت حاصل کرنے والے گریجویٹس کے فیصد کا تقریباً 3.5 گنا ہے۔

آبادیاتی اور ادارہ جاتی خصوصیات کو کنٹرول کرنے کے بعد، کم از کم ایک انٹرنشپ مکمل کرنے والے گریجویٹس کے پاس ان گریجویٹس کے مقابلے میں کم روزگار ہونے کا امکان 48.5 فیصد کم تھا جنہوں نے کوئی انٹرن شپ مکمل نہیں کی۔ مصنفین نے یہ نتیجہ اخذ کیا کہ ادارہ جاتی قسم، علاقہ اور آبادیاتی اہمیت ہے۔ "لیکن عام طور پر اتنا نہیں جتنا ایک کالج میجر یا انٹرنشپ" (برننگ گلاس انسٹی ٹیوٹ)۔

بالآخر، ساکھ کا ڈیٹا سے کوئی تعلق نہیں ہے، کیونکہ جامع اداروں کے مقابلے منتخب اداروں کے لیے کم روزگاری کا امکان 4% کم اور منتخب اداروں کے لیے 32% کم تھا۔ لیکن ایک طالب علم جن سب سے زیادہ طاقتور پیش گوئوں پر قابو پا سکتا ہے وہ یہ ہیں کہ اس نے کیا پڑھا اور کیا اس نے گریجویشن سے پہلے حقیقی کام کیا۔

آجر انہی شواہد پر عمل کرنے لگے ہیں۔ Bone، González Ehlinger، اور Stephany کے برطانیہ میں جنوری 2018 سے جون 2024 تک تقریباً 11 ملین ملازمتوں کے تجزیے سے پتا چلا ہے کہ AI کے کرداروں کا تناسب جن کے لیے رسمی تربیت کی ضرورت ہوتی ہے، 2018 میں 36% سے کم ہو کر تقریباً 31% رہ گئی ہے۔ 15%، جب کہ ان کرداروں کی مانگ میں 21% اضافہ ہوا (ٹیکنالوجیکل پیشن گوئی اور سماجی تبدیلی)۔

PwC کا 2025 گلوبل AI جابز بیرومیٹر، جو چھ براعظموں میں تقریباً 1 بلین ملازمتوں کے اشتہارات پر بنایا گیا ہے، رپورٹ کرتا ہے کہ "تمام پیشوں میں رسمی ڈگریوں کے لیے آجر کی مانگ کم ہو رہی ہے، لیکن خاص طور پر AI کے سامنے آنے والے پیشوں میں تیزی سے۔" 2019 اور 2024 کے درمیان AI سے بڑھی ہوئی ملازمتوں کا فیصد جن کے لیے ڈگری کی ضرورت ہوتی ہے 66% سے کم ہو کر 59% ہو گئی، اور AI-خودکار ملازمتوں کا فیصد جن کے لیے ڈگری کی ضرورت ہوتی ہے 53% سے کم ہو کر %44 (PwC) ہو گئی۔

اس سیکشن میں ہم جو پہلا فیصلہ پہنچتے ہیں وہ یہ ہے: اس تجویز کی کہ ڈگری قابلیت کا کمزور اشارہ ہے۔ ڈگری اب بھی دروازے کھولتی ہے، لیکن یہ آجروں کو نسبتاً کم بتاتی ہے کہ کورس کرنے والا شخص کس قابل ہے۔

شمٹ اور ہنٹر کی 85 سال کی انتخابی تحقیق کی ترکیب سے پتہ چلا کہ کام کے نمونے کے ٹیسٹوں نے ملازمت کی کارکردگی میں .54 اور تعلیم کے سالوں کی .10 تک پیش گوئی کی ہے۔ معلومات کی کمی کی وجہ سے اسے 2022 کے نظرثانی شدہ تعلیمی سال کے لیے خارج کر دیا گیا تھا۔ (نفسیاتی جریدہ، جرنل آف اپلائیڈ سائیکالوجی)

وہ خلا جو تخلیقی AI پُر کرتا ہے۔

اگر ڈگری پیدا کرنے والے AI سے پہلے ہی ایک کمزور سگنل تھا، تو سوال یہ ہے کہ ڈگری کے ذریعے جزوی طور پر ٹریک کیے جانے والے کارکردگی کے فرق میں AI کیا کردار ادا کرتا ہے۔

پہلے اچھی طرح سے کنٹرول شدہ جوابات Shakked Noy اور Whitney Zhang کی طرف سے آئے۔ سائنس 13 جولائی 2023۔ ان کے تجربے نے 453 کالج سے تعلیم یافتہ پیشہ ور افراد کو بھرتی کیا، جن میں مارکیٹرز، گرانٹ رائٹرز، کنسلٹنٹس، ڈیٹا تجزیہ کار، انسانی وسائل کے پیشہ ور افراد، اور مینیجرز شامل ہیں۔ انہوں نے ہر فرد سے کہا کہ وہ 20 سے 30 منٹ میں دو کام کے مخصوص تحریری کام مکمل کریں۔

نصف کو تصادفی طور پر دوسرے کام کے لیے GPT-3.5 چلانے والے ChatGPT تک رسائی دی گئی۔ اس نصف میں سے، 92% نے سائن اپ کیا اور 80% نے اسے استعمال کرنے کا انتخاب کیا۔ نتیجہ خیز کاموں کو اسی پیشے کے ایک تجربہ کار ماہر کے ذریعہ 1 سے 7 تک درجہ بندی کیا گیا تھا جو اس بات سے بے خبر تھا کہ کون سا حصہ لینے والا آلہ (سائنس) استعمال کرتا ہے۔

اوسط اثر بڑا تھا. دوسرے کام پر خرچ ہونے والے وقت میں کنٹرول گروپ کے مقابلے میں 11 منٹ (0.75 معیاری انحراف) کی کمی کی گئی، جس کی اوسط 27 منٹ تھی، وقت میں 40٪ کمی اور شائع شدہ خلاصوں میں معیار میں 18٪ بہتری کے ساتھ۔ ورکنگ پیپر کے مارچ 2023 ورژن، 444 شرکاء پر مبنی، نے 0.45 معیاری انحراف کے معیار میں بہتری کی اطلاع دی۔ یہ 7 نکاتی اسکیل (3.79 بمقابلہ 4.54) پر تقریباً 0.75 پوائنٹس کے خام دوسرے کام کی اوسط اور 10 منٹ کی وقت کی بچت، یا 37٪ (MIT اکنامکس) کے برابر ہے۔

ان فوائد کی تقسیم اس مطالعہ کو یہاں متعلقہ بناتی ہے۔ جن شرکاء کے پہلے کام میں کم گریڈ تھے ان میں 1 یا 2 پوائنٹس کی بہتری ہوئی اور تقریباً 10 منٹ کی بچت ہوئی، جبکہ شرکاء جو پہلے سے مضبوط تھے اپنے درجات کو برقرار رکھا اور بنیادی طور پر وقت کی بچت کی، معیار میں بہت کم تبدیلی کے ساتھ۔

تحقیقی مقالے میں، پہلے اور دوسرے کام کی کارکردگی کے درمیان ارتباط کنٹرول گروپ میں 0.49 اور ChatGPT استعمال کرنے والے گروپ میں 0.25 تھا، مصنفین نے ابتدائی عدم مساوات کو "آدھی مٹائی" کے طور پر بیان کیا۔ شائع شدہ ورژن 0.41 اور 0.14 کے ارتباط کی اطلاع دیتا ہے اور انہیں "آدھے سے زیادہ صاف" کے طور پر بیان کرتا ہے۔

اثرات تجربے سے زیادہ دیر تک جاری رہے، کیونکہ علاج کیے جانے والے شرکاء کے دو ہفتوں کے بعد حقیقی کام میں ٹول کے استعمال کی اطلاع دینے کا امکان دو گنا زیادہ تھا (34% بمقابلہ 18%)، اور دو ماہ کے بعد حقیقی زندگی کے کاموں میں ٹول کے استعمال کی اطلاع دینے کا امکان 1.6 گنا زیادہ تھا (42% بمقابلہ 27%)۔ تاہم، چونکہ مطالعہ میں شامل تمام شرکاء کے پاس پہلے سے ہی کالج کی ڈگری تھی، اس لیے پیمائش کمزور اور مضبوط مصنفین کے درمیان تھی، نہ کہ ان لوگوں کے درمیان جنہوں نے کالج میں داخلہ لیا تھا اور جو نہیں گئے تھے۔

اس تقسیم کی پیمائش براہ راست 2026 میں کی گئی ہے۔ Cruces, Fernández Meijide, Galiani, Gálvez, اور Lombardi نے ستمبر سے نومبر 2025 تک ارجنٹائن میں 25 سے 45 سال کی عمر کے 1,174 بالغوں کے درمیان پہلے سے رجسٹرڈ بے ترتیب ٹرائل چلایا۔ (NBER)۔

سرحدیں پہلے سے طے کی گئی تھیں۔ نچلے درجے کے شرکاء کے پاس ثانوی ڈگری تھی اور انہوں نے اپنے کالج یا دوسرے پوسٹ سیکنڈری پروگرام کا نصف سے بھی کم مکمل کیا تھا۔ پوسٹ سیکنڈری شرکاء نے اپنی نصف سے زیادہ تعلیم مکمل کی۔ ہر شریک نے فرضی مینیجر کے ای میل کا جواب متن، تصاویر اور میزوں پر مشتمل ایک سادہ رپورٹ کا تجزیہ کرکے، کاروباری مسئلے کی تشخیص کرکے، اور تین ماحول میں سے کسی ایک میں حل تجویز کرکے دیا: ایک کیفے ٹیریا، کھانے کی ترسیل کی خدمت، اور ایک آلات کی دکان۔ اس میں اوسطاً 21 منٹ لگے اور گفٹ کارڈز میں اس کی قیمت $18 تک ہے۔

علاج کرنے والے گروپ نے OpenAI کے GPT-4.1 پر مبنی ایک اسسٹنٹ کے ساتھ کام کیا، اور جوابات 10 نکاتی روبرک پر بنائے گئے جو مواد کو 2/3 اور تحریر کو 1/3 وزن دیتے ہیں۔ جوابات کو GPT-5-mini کے ذریعے درجہ بندی کیا گیا، اوسطاً 10 گنا سے زیادہ، اور مختلف ماڈلز، ایک آزاد محقق، اور 10% نمونے کے اندھے پن کے ساتھ دو ہیومن ریٹرز کے خلاف توثیق کی گئی۔

AI کے بغیر، اعلیٰ تعلیم یافتہ شرکاء نے کم تعلیم یافتہ گروپ کے مقابلے میں 0.548 معیاری انحرافات بہتر بنائے۔ AI کا استعمال کرتے ہوئے، خلا کو 0.139 معیاری انحراف تک محدود کر دیا گیا، جسے مصنفین "ابتدائی فرق کے تقریباً تین چوتھائی کو بند کرنے" کے طور پر بیان کرتے ہیں۔

تدریسی معاونین نے نچلے درجے کے درجات کو 1.242 معیاری انحراف اور اوپری گریڈ کے درجات کو 0.834 معیاری انحراف سے بڑھایا۔ دونوں اثرات کے درمیان فرق 1٪ کی سطح پر شماریاتی لحاظ سے اہم ہے، اور AI کے ذریعے چھوڑا گیا خلا 0 (p = 0.110) سے شماریاتی طور پر الگ نہیں کیا جا سکتا تھا۔

اس نمبر کا ریاضی واضح طور پر قابل ذکر ہے۔ اسسٹنٹ کے ساتھ کام کرنے والے کم تعلیم یافتہ شرکاء نے کم تعلیم یافتہ بیس لائن سے تقریباً 1.24 معیاری انحراف کا مظاہرہ کیا، جب کہ اسسٹنٹ کے بغیر کام کرنے والے اعلیٰ تعلیم یافتہ شرکاء نے بیس لائن سے نیچے 0.548 کارکردگی کا مظاہرہ کیا۔ اس طرح، کم تربیت والے اور ٹول استعمال کرنے والے شرکاء نے زیادہ ٹریننگ کے ساتھ شرکاء سے بہتر کارکردگی کا مظاہرہ کیا اور تقریباً 0.7 معیاری انحراف سے کوئی ٹول استعمال نہیں کیا۔

AI کے بغیر، اعلیٰ تعلیم یافتہ شرکاء نے کم تعلیم یافتہ گروپ کے پیچھے 0.548 معیاری انحراف حاصل کیا۔ AI کا استعمال کرتے ہوئے، اس فرق کو تقریباً تین چوتھائی، 0.139 معیاری انحراف تک کم کر دیا گیا۔ (NBER)

یہ ان حفاظتی حدود کی پیمائش کے لیے قریب ترین موجودہ ثبوت ہے جو تعلیم حقیقت پسندانہ علمی کام کے لیے فراہم کرتی ہے۔ اور اگر دونوں گروپوں میں ایک ہی اسسٹنٹ ہوتا تو مارجن کو کم کر کے تین چوتھائی کر دیا جاتا۔

تاہم، حدود کو نتائج کے مطابق رکھنا ضروری ہے۔ مشن سوفٹ ویئر انجینئرنگ کے بجائے کاروباری تجزیہ اور تحریر تھا، کسی ملک کی آبادی طلباء یا انجینئرز کی بجائے بالغوں پر مشتمل تھی، اور حدود کو آدھے سے زیادہ اور اعلیٰ تعلیمی پروگراموں کے نصف سے بھی کم کے درمیان تقسیم کیا گیا تھا۔

ان حدود کے اندر، نتائج براہ راست ہیں. محدود کاموں کے لیے، تعلیم کا وہ پہاڑ جو کبھی دو ملتے جلتے لوگوں کے درمیان کھڑا ہوتا تھا، بڑی حد تک چپٹا ہو چکا ہے، اور سیکشن 27 کے ساتھ مماثلتیں قریب ہیں: ایک سافٹ ویئر کمپنی کا فنکشنل موٹ انہی بنیادی وجوہات کی بنا پر کمزور ہو رہا ہے۔

وہ خلاء جسے کم نہیں کیا جا سکتا

اسی مطالعہ نے اسسٹنٹ کو ہٹانے کے بعد چھوڑی گئی رقم کی پیمائش کی۔ AI کے بغیر مکمل ہونے والے فالو اپ ماڈیولز میں، کم تعلیم یافتہ شرکاء جنہوں نے علاج حاصل کیا ان کے مقابلے میں 0.171 معیاری انحراف زیادہ تھے جنہوں نے علاج نہیں کروایا، اور یہ فرق 5% کی سطح پر نمایاں تھا، جب کہ اعلیٰ تعلیم یافتہ شرکاء کے لیے 0.071 کا اسی طرح کا فائدہ اہم نہیں تھا۔ تربیت کا فرق دوبارہ 0.200 معیاری انحراف پر ابھرا، اور مصنفین نوٹ کرتے ہیں کہ یہ ماڈیول "مختصر مدت کے غیر معاون نتائج کو حاصل کرتا ہے… جاری مہارت کی تشکیل نہیں۔"

اسسٹنٹ زیادہ تر خالی جگہوں کو ختم کرتا ہے جب یہ استعمال میں ہوتا ہے، کچھ بٹس اس پر قبضہ کر لیتے ہیں، اور جو کچھ دیر تک رہتا ہے اس کا تعلق ٹول سے نہیں ہوتا۔ یہ سیکشن 12 میں سیکھنے کے مطالعے کا نمونہ ہے جو غیر مانوس لائبریریوں کو حاصل کرنے والے ڈویلپرز میں پایا جاتا ہے۔

تقسیم کے دوسرے سرے پر METR کے تجربات ہیں، جو پہلے ہی سیکشن 7 میں زیر بحث آئے ہیں، جو یہاں ایک اور وجہ سے اہم ہیں۔ 16 تجربہ کار اوپن سورس ڈویلپرز نے 246 حقیقی دنیا کے کام مکمل کیے (136 AI کی اجازت یافتہ اور 110 AI کی اجازت نہیں دی گئی)۔ انہوں نے ایک ایسے ذخیرے پر کام کیا جس کی وہ پہلے سے ہی دیکھ بھال کر رہے تھے، اوسطاً 22,000 سے زیادہ ستارے اور ایک ملین سے زیادہ کوڈ تھے (کاغذ خود 23,000 اور 1.1 ملین لائنوں کی اطلاع دیتا ہے)، اور اس ذخیرہ پر تقریباً 5 سالوں میں تقریباً 1500 وعدے کیے تھے۔

جب AI کو اجازت دی گئی، تو انہوں نے بنیادی طور پر Claude 3.5 یا Claude 3.7 Sonnet کے ساتھ Cursor Pro کا استعمال کیا، فی گھنٹہ $150 ادا کیا، اور ملازمتیں عام طور پر تقریباً 20 منٹ سے چار گھنٹے تک چلتی تھیں، اوسطاً دو گھنٹے۔ AI فعال ہونے کے ساتھ، تقریباً +2 سے +39% کے اعتماد کے وقفے کے ساتھ، کام کے اوقات 19% لمبے تھے۔

کام سے پہلے، ڈویلپرز نے تکمیل کے وقت میں 24% کی کمی کی توقع کی تھی، بعد میں ان کا خیال تھا کہ اس میں 20% کی کمی ہو جائے گی۔ دریں اثنا، 34 ماہرین اقتصادیات نے کام میں 39 فیصد کمی کی پیش گوئی کی اور 54 مشین لرننگ ماہرین نے کام میں 38 فیصد کمی کی پیش گوئی کی (Metr, arXiv)۔

2025 کے اوائل میں ٹولز کا استعمال کرتے ہوئے ان ریپوزٹریز پر ڈویلپرز کے لیے 19% سست روی کی پیمائش کی گئی ہے۔ یہ جونیئر ڈویلپرز، مختصر، الگ تھلگ کوڈنگ کاموں، یا جدید ماڈلز کے لیے کوئی نتیجہ نہیں ہے۔

METR کے جانشین، کو اگست 2025 میں 57 ڈویلپرز کے ساتھ لانچ کیا گیا تھا (جن میں سے 10 واپس آ رہے ہیں اور 47 نئے ہیں)، 143 ریپوزٹریز اور 800 سے زائد کاموں میں تکمیل کے وقت میں تبدیلی کا تخمینہ $50 فی گھنٹہ کے حساب سے ہے اور یہ −38% سے +9% کے مراحل میں −38% سے +9% کے مراحل میں تبدیلی ہے −15% سے +9% نئے ڈویلپرز (Metr) کے لیے۔ دونوں وقفوں میں صفر ہوتا ہے، 30 سے ​​50 فیصد ڈویلپرز ان کاموں کو روکتے ہیں جو وہ AI کے بغیر نہیں کرنا چاہتے۔ اس کی وجہ سے، METR نے اعداد و شمار کو ایک ناقابل اعتبار سگنل کے طور پر بیان کیا، اور اس کے تخمینے اس وقت دستیاب اسپیڈ اپس کی کم حد ہونے کا امکان ہے۔ لہذا فالو اپ نے ایک صاف متبادل نمبر پیدا نہیں کیا، اور اصل وقفہ اب بھی بمشکل سست رفتار سے سست رفتار کے ایک تہائی سے زیادہ تک جاتا ہے۔

مئی 2026 کے 349 ٹیکنالوجی کارکنوں کے METR سروے نے ٹاسک ویلیو میں 1.4 سے 2 گنا اور رفتار (Metr) میں 3 گنا کی درمیانی خود رپورٹ شدہ تبدیلیاں ریکارڈ کیں، لیکن خود رپورٹ ایک ایسا آلہ ہے جسے اصل امتحان میں غلط انداز میں دکھایا گیا تھا۔

برابری کا مطالعہ اور METR تجربہ ایک ہی تقسیم کے دو سروں کو بیان کرتا ہے۔ جب کام محدود ہوتے ہیں اور افراد میں کچھ مہارتوں کی کمی ہوتی ہے، تو ماڈل مہارت فراہم کرتا ہے اور خلا کو ختم کرتا ہے۔ جب لوگوں کے پاس پہلے سے ہی ایک پیچیدہ نظام کا گہرا، مخصوص علم ہوتا ہے، تو ماڈل میں شامل کرنے کے لیے کم سے کم ہے، اور نتائج کو ان لوگوں کو سراہا جانا چاہیے جنہیں اس کی کم از کم ضرورت ہے۔ جو AI چپٹا کرتا ہے وہ اس کا فائدہ ہے جو اس نے سیکھا ہے، اور جو کچھ اس نے اپنی جگہ چھوڑا ہے وہ اس کے کیے کا فائدہ ہے۔

بانی ڈیٹا اس بات کی نشاندہی کرتا ہے کہ کس قسم کا تجربہ اہمیت رکھتا ہے۔ 2007 اور 2014 کے درمیان کمپنیاں شروع کرنے والے 2.7 ملین بانیوں کے بارے میں امریکی مردم شماری کے اعداد و شمار کا استعمال کرتے ہوئے، Azoulay، Jones، Kim، اور Miranda نے پایا کہ آغاز کے وقت اوسط عمر 41.9 تھی، جو کہ سب سے تیزی سے ترقی کرنے والے 0.1% نئے وینچرز کے 1,700 بانیوں میں سے 45.0 تک پہنچ گئی۔

بانیوں کے پاس جس وسیع صنعت میں کوئی تجربہ نہیں ہے جس میں سٹارٹ اپ کا تعلق ہے ان کے پاس کمپنی بنانے کا 0.11% امکان تھا ٹاپ 0.1%، جب کہ تنگ صنعت میں تین سال سے زیادہ کا تجربہ رکھنے والے بانیوں کے پاس 0.26% پر امکان دو گنا سے زیادہ تھا۔

"یہ نتائج اس بیانیے کے خلاف ہیں جو بانیوں کے بیرونی فائدے پر زور دیتا ہے،" مصنفین لکھتے ہیں کہ 50 سالہ بانیوں کے 30 سالہ بانیوں (امریکن اکنامک ایسوسی ایشن) کے مقابلے میں 1.8 گنا زیادہ ترقی حاصل کرنے کا امکان تھا۔

شمٹ اور ہنٹر کے سالوں کے تجربے (.18 اور بعد میں .07) کے لیے عام طور پر کم درستگی کے ساتھ پڑھنا، نتائج بتاتے ہیں کہ کس قسم کا تجربہ اہم ہے۔ یہ گزرا ہوا وقت نہیں ہے، بلکہ اس علاقے میں مخصوص، ثابت شدہ کام ہے۔ یہی سیکشن 15 10 سال کے تجربے اور 1 سال کے 10 بار دہرائے جانے کے درمیان فرق کرتا ہے۔

کون بے نقاب ہے اور کون اپناتا ہے؟

جنریٹو AI آٹومیشن کے عام نمونوں کو اپنڈ کرتا ہے، اور بروکنگز نے اکتوبر 2024 میں براہ راست اس الٹ کا تعین کیا۔

"پچھلی آٹومیشن ٹیکنالوجیز کے برعکس جس نے بنیادی طور پر معمول کے بلیو کالر کاموں کو متاثر کیا، جنریٹیو AI ممکنہ طور پر مختلف قسم کے 'علمی' اور 'غیر معمول' کاموں میں خلل ڈال سکتا ہے، خاص طور پر درمیانی سے زیادہ تنخواہ والی ملازمتوں میں۔" (بروکنگز)

تخمینے بتاتے ہیں کہ تمام کارکنان میں سے 30% سے زیادہ اپنے کام کے کم از کم نصف حصے میں رکاوٹ کا سامنا کر سکتے ہیں، اور تقریباً 85% اپنے کام کے دسواں حصے سے زیادہ متاثر ہو سکتے ہیں۔

نمائش ڈگری ہولڈرز پر غیر متناسب طور پر آتی ہے۔ پیو ریسرچ کے مطابق، 2022 میں 19% امریکی کارکنوں کے پاس سب سے زیادہ بے نقاب کیٹیگری میں ملازمت تھی، اور بیچلر ڈگری یا اس سے زیادہ کام کرنے والے ورکرز کا اس زمرے میں ہونے کا امکان صرف ہائی اسکول ڈپلومہ والے کارکنوں کے مقابلے میں، 27% بمقابلہ 12% (Pew Research Center) تھا۔

ملازمت کا تجزیہ متفق ہے۔ اپنے "GPT is GPT" کے مطالعہ میں، Eloundou، Manning، Mishkin، اور Rock نے یہ نتیجہ اخذ کیا کہ "بیچلرز، ماسٹرز، اور پیشہ ورانہ ڈگریوں کے حامل افراد رسمی تعلیمی قابلیت کے حامل افراد کے مقابلے میں LLMs اور LLM پر مبنی سافٹ ویئر سے زیادہ ایکسپوژر رکھتے ہیں۔" انہوں نے مزید کہا کہ جن لوگوں کی کالج کی کچھ تعلیم ہے لیکن ڈگری نہیں ہے ان کے پاس بھی زیادہ نمائش نہیں ہے (arXiv)۔

بین الاقوامی مالیاتی فنڈ (آئی ایم ایف) کا اندازہ ہے کہ تقریباً 40 فیصد عالمی ملازمتیں AI سے متاثر ہیں، جو ترقی یافتہ ممالک میں تقریباً 60 فیصد تک بڑھ جاتی ہیں۔ اور جب کہ "خواتین اور کالج سے تعلیم یافتہ افراد AI سے زیادہ متاثر ہوتے ہیں لیکن اس کے فوائد حاصل کرنے کے لیے بہتر طور پر تیار ہوتے ہیں،" نوجوان کالج سے تعلیم یافتہ کارکن "سب سے زیادہ کمزور لیکن سب سے زیادہ موافقت پذیر" (IMF) ہیں۔

بہتر کرنسی کا حصول ٹول کے استعمال پر منحصر ہے، اور استعمال کو غیر مساوی طور پر تقسیم کیا جاتا ہے۔ اگست 2024 کے ایک قومی سروے میں، Bick، Blandin، اور Deming نے پایا کہ بیچلر کی ڈگری یا اس سے زیادہ کام کرنے والے تقریباً 40% کارکنان کام پر جنریٹو AI کا استعمال کرتے ہیں، اس کے مقابلے میں تقریباً 20% کارکنان جن کے پاس کالج کی ڈگری نہیں ہے (39.4% بیچلر کی ڈگری کے حامل افراد کے لیے، 40.9% ان کے لیے جن کے پاس گریجویٹ ڈگری ہے، اور %6 کے لیے گریجویٹ ڈگری کے ساتھ) اور %6 یا اس سے کم ER۔

یہ ایک اہم طریقے سے برابری کے نتائج کو محدود کرتا ہے۔ ارجنٹائن میں ایک تجربہ ظاہر کرتا ہے کہ معاونین تعلیمی فرق کو کم کرتے ہیں جب دونوں گروہوں کو مساوی رسائی حاصل ہوتی ہے۔ تاہم، لیبر مارکیٹ میں، یہ ان لوگوں کے لیے دائرہ کار کو کم کرتا ہے جو اس آلے کو اپناتے ہیں، موجودہ گریجویٹس اس ٹول کو دوسروں کے مقابلے میں دوگنا استعمال کرتے ہیں۔ کھلے وسائل، جن پر اس سیکشن میں بعد میں بحث کی گئی ہے، جزوی طور پر اہم ہیں کیونکہ وہ گود لینے کے فرق کو ختم کرتے ہیں۔

لیبر مارکیٹ اب مہارتوں کو سرٹیفیکیشن سے زیادہ واضح طور پر اہمیت دیتی ہے۔ PwC کے 2025 انڈیکس کے مطابق، ایسی ملازمتوں کے لیے اوسط اجرت کا پریمیم جس میں AI مہارت کی ضرورت ہوتی ہے ایک سال پہلے کے 25% سے بڑھ کر 56% ہو گئی ہے، اور صنعتوں میں پیداواری ترقی 2018 سے 2022 میں 7% سے بڑھ کر 2018 سے 2018 میں 27% ہو گئی ہے۔ 2026 ایڈیشن میں 62 فیصد پریمیم کی اطلاع دی گئی ہے، جو PwC کی طرف سے بیان کردہ 57 فیصد سے زیادہ ہے۔ آکسفورڈ کے ایک تجزیے کے مطابق، AI اسکلز کا اجرت کا پریمیم 23% ہے، جو کہ ماسٹر ڈگری سے 13% زیادہ ہے اور 33% (Oxford Internet Institute) پر پی ایچ ڈی کے بعد دوسرے نمبر پر ہے۔

پی ایچ ڈی کی سطح سے نیچے، ثابت شدہ مہارتیں اب ان ڈگریوں سے زیادہ وزن رکھتی ہیں جنہوں نے ان کی جگہ لے لی تھی۔

داخلی دروازے کو تنگ کرنا

بھرتی پر اثر وہیں مرکوز ہے جہاں اسے پہلے ہی حصہ III میں بیان کیا جا چکا ہے۔ 280,000 سے زیادہ امریکی کمپنیوں اور تقریباً 200 ملین جاب پوسٹنگ میں تقریباً 65 ملین ورکرز کے ریزیومے اور جاب پوسٹنگ ڈیٹا کا استعمال کرتے ہوئے، حسینی اور لِچٹنگر نے 10,433 کمپنیوں کی نشاندہی کی جنہوں نے جنریٹو AI انضمام کے لیے خدمات حاصل کرنا شروع کر دی تھیں اور ان کا موازنہ ان کمپنیوں سے کیا جنہوں نے نہیں کیا تھا۔

2023 کی پہلی چھ سہ ماہیوں کے دوران کنٹرول فرموں کے مقابلے میں ملازمت پر رکھنے والی فرموں میں جونیئر کی ملازمت میں تقریباً 9% کی کمی واقع ہوئی، یہ کمی کاروبار کے بجائے ملازمتوں میں سست روی کی وجہ سے ہے۔ ایک پچھلی مسودہ رپورٹ نے اس اعداد و شمار کو 7.7% (SSRN) مقرر کیا تھا۔ یہ نتائج سیکشن 23 میں بیان کردہ سب سے زیادہ بے نقاب پیشوں میں 22 سے 25 سال کی عمر کے کارکنوں کے لیے 16٪ رشتہ دار ملازمت میں کمی کے متوازی ہیں، اور سیکشن 22 میں بیان کردہ انٹری لیول سافٹ ویئر ڈویلپمنٹ پوسٹوں میں 4.5٪ کی شرح کے متوازی ہیں۔

PwC کے 2026 اشارے اس بات کا ایک پیمانہ شامل کرتے ہیں کہ بقیہ داخلہ سطح کے کرداروں کی کیا ضرورت ہے۔ امریکہ میں داخلے کی سطح کی 2.4 ملین ملازمتوں میں سے، AI سے ظاہر ہونے والے کرداروں کے لیے روایتی طور پر سینئر عہدوں (PwC) سے وابستہ مہارتوں کی ضرورت کا امکان سات گنا زیادہ ہے۔

اس سیکشن کا تیسرا حکم یہ ہے: جیسا کہ سیکشن 20 اور 21 میں زیر بحث آیا ہے، اس تجویز کی تائید ہوتی ہے کہ AI کمپیوٹر سائنس میں داخلے کے دروازے کو تنگ کر رہا ہے اس حقیقت سے تائید ہوتی ہے کہ اسی مدت کے دوران سافٹ ویئر ڈویلپرز کی ملازمت میں اضافہ متوقع ہے اور پوسٹس ایک گرتی ہوئی بنیاد سے بحالی کو ظاہر کرتی ہیں، جس کے اثرات معیشت پر پھیلنے کی بجائے داخلے پر مرکوز ہیں۔

آپ کی ڈگری کے نتائج مخصوص ہیں۔ بنیادی تحقیق کی تکمیل کو ظاہر کرنے والے اسناد ان دروازوں کے لیے کم اہمیت کے حامل ہیں جنہیں کھولنے کے لیے ڈیزائن کیا گیا تھا۔ کیونکہ بیان میں اب قابلیت کا ثبوت درکار ہے جو اسناد میں شامل نہیں ہے۔ یہ تبدیلیاں گریجویٹس اور نان گریجویٹس دونوں پر اثر انداز ہوتی ہیں، جس میں ایک پہلو مؤخر الذکر کے حق میں ہوتا ہے۔ کیونکہ درخواست دہندگان جنہوں نے سافٹ ویئر بنایا اور بھیج دیا ہے وہ ان ثبوتوں کے لیے مقابلہ کر رہے ہیں جن کی فی الحال آجر درخواست کر رہے ہیں، نہ کہ اس ثبوت کے لیے کہ وہ رعایت کر رہے ہیں۔

اسناد اور بانی: دونوں طرف سے ثبوت

بانی کا ثبوت ڈگری کی دلیل کا سب سے کمزور حصہ ہے، اور اسی وجہ سے اسے یہاں مکمل طور پر رپورٹ کیا گیا ہے۔

کریگ ایوریٹ کے 2019 کے پیپرڈائن گرازیڈیو "موسٹ فنڈ ایبل کمپنی" مقابلے میں 72 اسٹارٹ اپس کے 2024 کے مطالعے سے پتا چلا ہے کہ ان میں سے 15 نے تقریباً تین سالوں کے اندر پیشہ ورانہ فنڈنگ ​​حاصل کی، طویل تربیتی ادوار کے ساتھ فنڈ حاصل کرنے کے امکانات بڑھ گئے۔ لیکن مطالعہ نے یہ بھی نتیجہ اخذ کیا کہ یہ رشتہ منحنی خطوط پر ہے، ہائی اسکول سے گریجویشن کے تقریباً 4.3 سال بعد (تقریباً بیچلر کی ڈگری اور مزید پڑھائی) 4.8 سال (کوجینٹ اکنامکس اینڈ فنانس) کے نمونے کی اوسط کے مقابلے میں نیچے کی طرف رجحان کے ساتھ۔

نمونہ بہت چھوٹا ہے۔ تاہم، نتائج ظاہر کرتے ہیں کہ اس نقطہ کے بعد کے اضافی سال چندہ اکٹھا کرنے کے امکانات کو کم کر سکتے ہیں۔ اس سے یہ ظاہر نہیں ہوتا ہے کہ کالج جانا کالج نہ جانے سے بدتر ہے۔

دیگر حسابات میں اسناد شامل ہیں۔ کاف مین فیلوز ریسرچ سینٹر نے 2001 سے 2018 کے دوران امریکہ میں 90,000 وینچر بیکڈ اسٹارٹ اپس اور 419,000 اسٹارٹ اپ رولز کا تجزیہ کیا اور پایا کہ مثبت اخراج کے ساتھ اسٹارٹ اپس کا اوسط 2.2x تھا اگر کم از کم ایک C-suite ایگزیکٹو کے مقابلے میں اگر ان کے پاس ایڈوانس 1 ڈگری نہ ہو۔ 75% حاصل شدہ سٹارٹ اپس اور 84% عوامی طور پر تجارت کرنے والے سٹارٹ اپس میں کم از کم ایک ایسی ایگزیکٹو تھی، اور ان سٹارٹ اپس نے سیریز A (کاف مین فیلوز) میں $5 ملین کے مقابلے $5.6 ملین اکٹھے کیے تھے۔

2009 اور 2014 کے درمیان قائم کیے گئے 10,544 کوریائی اسٹارٹ اپس کا مطالعہ کرتے ہوئے، پارک اور کم نے پایا کہ پی ایچ ڈی ہولڈرز کے زیرقیادت وینچرز میں بقا کی شرح زیادہ ہے، خاص طور پر جب تعلیم کو ایک اعلیٰ ایگزیکٹو (اپلائیڈ اکنامکس لیٹرز) کے طور پر پچھلے تجربے کے ساتھ ملایا گیا تھا۔ تاہم، ہان اور 4,743 کوریائی ٹیکنالوجی کاروباریوں کے ساتھیوں کے پچھلے مطالعے سے پتہ چلا ہے کہ محققین کے ذریعے قائم کیے گئے اسٹارٹ اپس کی بقا کی شرح کم تھی جب تک کہ بانیوں کے پاس پہلے سے کاروباری تجربہ نہ ہو (اپلائیڈ اکنامکس لیٹرز)۔

2015 پہلا راؤنڈ کیپٹل 10 سالہ پروجیکٹ300 سے زیادہ سرمایہ کاری اور تقریباً 600 بانیوں کا احاطہ کرتے ہوئے، ہم نے پایا کہ آئیوی لیگ، اسٹینفورڈ، ایم آئی ٹی، یا کالٹیک سے کم از کم ایک بانی والی کمپنیوں نے دیگر ٹیموں کے مقابلے میں 220 فیصد بہتر کارکردگی کا مظاہرہ کیا، ایمیزون، ایپل، فیس بک، گوگل، مائیکروسافٹ، یا ٹویٹر پر تجربہ رکھنے والی بانی ٹیموں نے 160 فیصد بہتر کارکردگی کا مظاہرہ کیا، اور تقریباً 3 فیصد سے کم عمر کی ٹیموں نے اوسطاً 50 فیصد سے کم کارکردگی کا مظاہرہ کیا۔ اوسط (پہلا راؤنڈ کیپٹل)۔ ظاہر ہوا۔

یہ قومی سروے کے بجائے کمپنیوں کا ایک پورٹ فولیو ہے، اور بانیوں کی پیمائش کرتا ہے جنہوں نے پہلے راؤنڈ میں حمایت کا انتخاب کیا۔

Y Combinator ایک آبادی میں ایک ہی تناؤ کو ظاہر کرتا ہے۔ ریبل فنڈ کے جیرڈ ہیمن نے نومبر 2025 میں رپورٹ کیا کہ 2015 سے YC کے بانیوں کی اوسط عمر 29 کے لگ بھگ رہی ہے، لیکن 2023 میں قیادت کی تبدیلی کے بعد یہ گر کر 26 کے قریب رہ گئی ہے۔ ارے نے یہ بھی پایا کہ YC کے زیادہ بانی اب بڑی عمر کے مقابلے 25 سال سے کم عمر کے ہیں، اور 2024 تک، YC کے بانیوں کی نصف سے زیادہ عمریں پہلی بار YC سے زیادہ ہو جائیں گی۔ (جیرڈ ہیمن)۔

تاہم، رومن ایڈل کا 2025 کا پری پرنٹ 4,323 YC کمپنیوں کو 2005 سے 2024 کے بعد کی فنڈنگ سے جوڑتا ہے کہ بانی کا پس منظر 4% سے کم کی وضاحت کرتا ہے سرمائے میں فرق (R مربع 0.006 اور 0.035 کے درمیان)، ایک اعلیٰ اسکول میں حاضری = 3p سے زیادہ اہم نہیں ہے (2005 سے کم ہے) تقریباً 21% زیادہ کیپٹل (arXiv) سے وابستہ ہے۔ اگرچہ پری پرنٹ آزادانہ طور پر لکھا گیا تھا اور ہم مرتبہ جائزہ نہیں لیا گیا تھا اور 42.1% کمپنیوں کے لیے تربیتی ڈیٹا غائب ہے، پڑھنا اس حصے کے باقی حصوں کے ساتھ مطابقت رکھتا ہے۔

دروازے پر اسناد اہم دکھائی دیتی ہیں، اس میں کہ کس کو اجازت ملتی ہے، اور بانیوں کے اندر اور تعمیر ہونے کے بعد بہت کم۔

لوگوں کو کالج چھوڑنے کی ادائیگی کرنے والے سب سے مشہور تجربات بغیر موازنہ کے اپنے نتائج کی اطلاع دیتے ہیں۔ تھیل فاؤنڈیشن کے اعدادوشمار کے مطابق ہائر ایڈ ڈائیو نے 2015 میں ریلیز کیا، پروگرام کے پہلے چار سالوں میں، 83 تھیل فیلوز نے سرمایہ کاروں سے $72 ملین اکٹھے کیے، $17 ملین میں اسٹارٹ اپس فروخت کیے اور $29 ملین آمدنی حاصل کی، جب کہ چھ کالج واپس آئے اور دو نے پروگرام چھوڑ دیا۔

اسی مضمون نے مشاہدہ کیا کہ ساتھیوں کو گرانٹس سے لے کر کنکشنز تک بہت سے فوائد فراہم کیے گئے تھے۔ "وہ شاذ و نادر ہی اوسط کاروباری شخص کی نمائندگی کرتے ہیں جو اپنے خوابوں کو پورا کرنے کے لئے چھوڑ دیتا ہے" (Higher Ed Dive)۔

نہ ہی درخواست دہندگان کا پول اور نہ ہی کنٹرول گروپ شائع کیا گیا ہے، لہذا اعداد و شمار منتخب گروپ کو بیان کرتے ہیں بجائے اس کے کہ انحطاط کے اثرات۔

نتائج جو اس تجویز کے قریب آتے ہیں کہ کالج کے لوگ بدتر کاروباری افراد کو عام طور پر فارغ التحصیل افراد کی بجائے علمی کاروبار سے متعلق فکر مند ہیں۔

Roche, Conti، اور Rothaermel نے 2005 اور 2012 کے درمیان قائم کیے گئے 1,723 بایومیڈیکل سٹارٹ اپس کے 2,998 بانیوں کا مطالعہ کیا اور پتہ چلا کہ ایسے تعلیمی سٹارٹ اپ جن کے بانیوں میں کم از کم ایک پروفیسر یا طالب علم تھا اور نمونے کا 39% حصہ تھے وہ 8.2 فیصد پوائنٹس سے کم تھے جو عوامی پیشکش تک پہنچنے کے امکانات کم تھے۔ زیادہ سے زیادہ پیٹنٹ ہونے اور غیر تعلیمی آغاز کے طور پر فنڈز اکٹھا کرنے کے باوجود لیکویڈیٹی کے واقعات۔ سپر سٹار پروفیسرز، نوبل انعام یافتہ، نیشنل اکیڈمی آف سائنسز کے ممبران، اور اعلیٰ درجے کے محققین کے ذریعے قائم کیے گئے سٹارٹ اپس، جو نمونے کا 5% بناتے ہیں، غیر تعلیمی سٹارٹ اپس (ریسرچ پالیسی) کی طرح کارکردگی کا مظاہرہ کرتے ہیں۔

اس ثبوت میں جو چیز مشترک ہے وہ انتخاب ہے۔ وہ آبادی جس کے لیے اسناد کامیابی کے ساتھ منسلک ہیں وہ آبادی ہے جسے سرمایہ کار اسناد کو بطور فلٹر استعمال کرتے ہوئے منتخب کرتے ہیں۔ لہذا، ناپے ہوئے فائدے کا ایک حصہ خود فلٹر کا ایک پیمانہ ہے، اور اگر نتیجہ پہلے سے منتخب کردہ آبادی کے اندر ناپا جاتا ہے، جیسا کہ YC پری پرنٹ میں، اسناد بہت کم وضاحت کرتی ہیں۔

جب تعلیمی اصول کمپنیوں پر لاگو کیے گئے تو نتائج بدتر تھے، جب تک کہ ماہرین تعلیم غیر معمولی نہ ہوں۔ لہذا، بانی ثبوت اس دعوے کی تائید نہیں کرتے کہ یونیورسٹیاں بدتر بانی پیدا کرتی ہیں۔ یہ اس تنگ، مفید دلیل کی حمایت کرتا ہے جو اسناد کے دروازے کھولتی ہے، اور یہ کہ کھلے دروازوں کو نتائج میں تبدیل کرنے کی صلاحیت عمارت کے ذریعے حاصل کی جاتی ہے۔

نصاب کے علاوہ کون سے ادارے اسے پڑھاتے ہیں؟

کاروباری افراد کے درمیان عام طور پر اظہار خیال یہ ہے کہ کالج کی تعلیم اور پھر ایک بڑی کمپنی میں ملازمت انجینئروں کو ایک خاص کام کی تال میں سماجی بناتی ہے: ایک 9 سے 5 شیڈول کا ڈھانچہ دہرائی جانے والی ملاقاتوں، ٹائرڈ پروسیسز، اور پوزیشن کے احترام پر مشتمل ہے۔ یہ موجودہ نظاموں کو چلانے کے لیے موزوں ہے، لیکن نئے نظاموں کی تعمیر کے لیے نہیں۔ اور یہ عادت اس شخص کے ادارے سے نکل جانے کے بعد بھی جاری رہتی ہے۔

اس نقطہ نظر کا اظہار بعض اوقات شواہد سے زیادہ سختی سے کیا جاتا ہے۔ پیمائش شدہ شرائط میں، ہم بحث کرتے ہیں کہ ادارے، علم کے ساتھ ساتھ، اصول طے کرتے ہیں اور یہ کہ یہ اصول لوگوں کی کوششوں پر اثر انداز ہوتے ہیں۔ دعویٰ قابل آزمائش ہے اور جزوی طور پر جانچا گیا ہے۔

1990 سے 1997 تک ڈینش لیبر مارکیٹ کے اعداد و شمار کا استعمال کرتے ہوئے، Jesper Sørensen نے پایا کہ بڑی اور پرانی کمپنیوں میں کام کرنے والے لوگوں کے ذاتی خصوصیات کی ایک وسیع رینج کی وجہ سے کاروباری بننے کے امکانات کم تھے۔ اور "بیوروکریسی کا یہ منفی اثر مختلف قسم کی کمپنیوں میں اسٹارٹ اپ انٹرپرینیورز کے خود انتخاب کی غلط عکاسی نہیں کرتا" (انتظامی سائنس سہ ماہی)۔

ایلفن بین، ہیملٹن، اور زینجر، جنہوں نے 1995 سے 2001 تک ریاستہائے متحدہ میں سائنسدانوں اور انجینئروں کا مطالعہ کیا، نے پایا کہ چھوٹے کاروباروں میں کام کرنے والوں کے "ان کے بڑے ہم منصبوں کے مقابلے میں انٹرپرینیورشپ میں داخل ہونے کے امکانات زیادہ ہیں" اور چھوٹے کاروباروں میں اس سے پہلے کے تجربے نے پیشین گوئی کی تھی کہ ابتدائی مراحل میں مثبت کارکردگی کا مظاہرہ کیا جائے گا۔ اس کا ترجمہ چھوٹی فرموں میں ہوتا ہے جو کاروباری انسانی سرمائے کو تیار کرتی ہے، جو شاید اعلیٰ صلاحیت والی فرموں (مینجمنٹ سائنس) میں سب سے بڑا اثر ہے۔

دونوں مطالعات ایک ہی سمت کی طرف اشارہ کرتے ہیں، کیونکہ ایک شخص جس تنظیم کے لیے کام کرتا ہے اس کا سائز اور اس کی عمر اس بات کا تعین کرتی ہے کہ آیا وہ بعد میں اپنی کوئی چیز بنانے کی کوشش کرتے ہیں۔ چھوٹی کمپنی کا ماحول نہ صرف حوصلہ افزائی کرتا ہے بلکہ لوگوں کو ایسی کوششوں کے لیے تیار کرتا ہے۔

ایجنسی دونوں سمتوں میں اسکریننگ اور اسکریننگ کٹوتیوں کو بھی انجام دیتی ہے۔ لرنر اور مالمینڈیر نے 1997 سے 2004 تک ہارورڈ بزنس اسکول کے 5,897 طلباء کو تصادفی طور پر سیکشنز میں تفویض کیا اور پایا کہ کاروباری پس منظر کے ساتھ سیکشن کے ساتھیوں کے تناسب میں ایک معیاری انحراف کا اضافہ بعد میں آنے والی انٹرپرینیورشپ میں تقریباً 1 فیصد 2 فیصد یا اس سے زیادہ پوائنٹ کی کمی سے منسلک تھا۔ یہ کمی مکمل طور پر ناکام منصوبوں میں کمی کی وجہ سے تھی، اور کامیاب منصوبوں کا اثر مثبت تھا لیکن شماریاتی لحاظ سے اہم نہیں (NBER)۔ ڈیزائن کے لحاظ سے، ایجنسی نے لوگوں کی کوششوں کو مسدود کر دیا، اور اس نے جو کوششیں کیں ان میں سے زیادہ تر کمزور کوششیں تھیں۔

کمپنی کی تشکیل پر اعتقادات کے اثرات کی پیمائش کرنے کا سب سے قریبی اعتماد سیاسی وابستگی ہے۔ اینجلبرگ، گوزمین، لو، اور مولینز مالیاتی جرنلہم نے 33 ریاستوں میں 2005 سے 2017 تک 40 ملین متعصب امریکیوں کا ریکارڈ استعمال کیا، جو کہ امریکی GDP کے 69% کی نمائندگی کرتے ہیں۔ انہوں نے پایا کہ 5.5% ریپبلکن اور 3.7% ڈیموکریٹس نے اس عرصے کے دوران کاروبار شروع کیا (جرنل آف فنانس)۔

سروے رپورٹ کے ایک ورژن میں، ریپبلکنز کی عمر، جنس، نسل، تعلیم، آمدنی، اور کاؤنٹی سال کے اثرات کو کنٹرول کرنے کے بعد، اوسط (NBER) کے مقابلے میں، ڈیموکریٹس کے مقابلے میں 26 فیصد زیادہ امکان تھا۔

صدارت کے اعتبار سے فرق بدل جاتا ہے، ڈیموکریٹک جیتنے کے بعد ریپبلکن نسبتاً کم کمپنیاں شروع کرتے ہیں اور ریپبلکن کی جیت کے بعد نسبتاً زیادہ کمپنیاں، جو کہ 13 سالوں میں تقریباً 170,000 کمپنیوں کی منتقلی کے برابر ہے۔

سب سے زیادہ سیاسی طور پر سرگرم جماعتوں کے لیے اس کا اثر سب سے مضبوط ہے۔ غیر صدارتی پارٹی کے حامیوں کا کاروبار شروع کرنے کا امکان کم ہوتا ہے (اوسط کا 3.3%)، یا ہر سال تقریباً 13,000 کمپنیاں، جس کا اثر 2.4% کم کثرت رائے دہندگان میں، 4.3% کثرت رائے دہندگان میں، اور 10% سیاسی عطیہ دہندگان میں ہوتا ہے۔ تعلیم 26% پر مستقل رہتی ہے، لہذا یہ کالج اور اس کی غیر موجودگی کا نتیجہ نہیں ہے، بلکہ اسی طرح کے اسکولوں میں پڑھنے والے لوگوں کا نتیجہ ہے۔

کارکردگی کے لحاظ سے، مصنفین کو اس بات کا کوئی ثبوت نہیں ملتا ہے کہ پارٹی کی تبدیلی کے انتخابات کے بعد کسی بھی گروپ کے لیے انٹرپرینیورشپ میں واپسی مختلف ہوتی ہے۔ عقائد چیزوں کو منتقل کرتے ہیں، لیکن ڈیٹا یہ نہیں دکھاتا ہے کہ وہ خصوصیات کو منتقل کرتے ہیں۔

کام کی تال خود ناپی گئی۔ مائیکروسافٹ کا 2023 ورک ٹرینڈ انڈیکس، جو 31 مارکیٹوں میں 31,000 ملازمین کے سروے کو اپنے سافٹ ویئر کے استعمال کے سگنلز کے ساتھ ملاتا ہے، پتہ چلا ہے کہ اوسط ملازم اپنا 57% وقت میٹنگز، ای میل اور چیٹ میں مائیکروسافٹ 365 ایپلی کیشنز کے اندر بات چیت کرنے اور 43% دستاویزات، اسپریڈ شیٹس بنانے اور پیش کرنے میں صرف کرتا ہے۔ 68% نے کہا کہ ان کے پاس خلفشار کے بغیر توجہ مرکوز کرنے کے لیے کافی وقت نہیں ہے، 64% نے کہا کہ ان کے پاس کام کرنے کے لیے درکار وقت اور توانائی کی کمی ہے، اور غیر موثر میٹنگز کو پیداواری صلاحیت میں کمی (Microsoft WorkLab) کا ایک بڑا عنصر قرار دیا گیا۔

اس ماحول میں، ہم آہنگی کی سرگرمیاں آسانی سے نتیجہ خیز سرگرمیاں سمجھی جا سکتی ہیں، اور یہاں تک کہ ایسی میٹنگیں جو کسی چیز کو حل نہیں کرتی ہیں، انہیں پیش رفت کے طور پر ریکارڈ نہیں کیا جا سکتا کیونکہ وہ بڑی اور نظر آتی ہیں۔ وہ لوگ جو کبھی بھی حوالہ کے اس فریم میں نہیں رہے ہیں وہ آج تک کے نتائج کے لحاظ سے پیشرفت کی پیمائش کرتے ہیں، جزوی طور پر کیونکہ اس کی پیمائش کرنے کے کوئی اور طریقے نہیں ہیں۔

ایک ساتھ مل کر، شواہد سے پتہ چلتا ہے کہ ادارے کوشش کرنے والوں کے نتائج سے کہیں زیادہ قابل اعتماد طریقے سے تشکیل دیتے ہیں۔ بیوروکریٹک کام کی جگہوں پر، داخلہ کم ہو جاتا ہے، ساتھی کمزور کوششوں کو فلٹر کر دیتے ہیں، اور عقائد داخلے کی شرحوں کو اس حد تک بدل دیتے ہیں کہ داخلے کا معیار بے حد ہے۔

یہاں اس بات کا کوئی ثبوت نہیں ہے کہ ڈگری کسی قابل شخص کی صلاحیت کو کم کرتی ہے، لیکن اس بات کا ثبوت موجود ہے کہ کچھ ادارہ جاتی ترتیبات میں کوشش کرنے کی خواہش کم ہو جاتی ہے اور کوششوں کی رفتار کم ہو جاتی ہے۔ اور اثر معمولی نہیں ہے کیونکہ جیسا کہ سیکشن 16 میں دلیل دی گئی ہے، کوششیں وہیں ہوتی ہیں جہاں سے صلاحیتیں شروع ہوتی ہیں۔

ہاؤس اور کیڈینس

نوجوان کمپنیاں نئی ​​اقتصادی سرگرمیوں کے ایک بڑے حصے کی نمائندگی کرتی ہیں، اور ڈیٹا نتائج اور خطرات دونوں کو ظاہر کرتا ہے۔

ہالٹی وانگر، جارمین، اور مرانڈا نے پایا کہ اگرچہ کاروبار کے آغاز کا حصہ صرف 3% امریکی ملازمتوں کا ہے، لیکن وہ کل ملازمتوں کی تخلیق کا تقریباً 20% حصہ بناتے ہیں۔ مزید برآں، ایک بار پختہ عمر کو کنٹرول کرنے کے بعد، فرم کے سائز اور نمو کے درمیان کوئی منظم تعلق نہیں ہوتا، لہذا چھوٹی فرموں کی حرکیات عام طور پر چھوٹی فرموں کی ہوتی ہیں (معاشیات اور شماریات کا جائزہ)۔

اسی تحقیق سے پتا چلا ہے کہ پانچ سالوں کے اندر، سٹارٹ اپ کی ناکامی تمام سٹارٹ اپس (NBER) کے ذریعہ تخلیق کردہ تقریباً نصف ملازمتوں کو تباہ کر دیتی ہے۔ سٹارٹ اپ اپنے سائز کے مطابق ملازمتیں پیدا کرتے ہیں، اور وہ یہ کام عروج یا زوال کے عمل کے ذریعے کرتے ہیں جس میں طاقت اور ناکامی ایک ہی طریقہ کار کے دو رخ ہیں۔

اس نتیجہ سے سب سے زیادہ متعلقہ کام کی شکل ایک مشترکہ بانی ٹیم ہے۔ ہو سکتا ہے کہ آٹھ انجینئرز ایک گھر اور ایک مسئلہ کا اشتراک کر رہے ہوں، دور سے کام کرنے کے بجائے ذاتی طور پر کام کر رہے ہوں، اور پروڈکٹ کی شکل اختیار کرنے کے دوران تقریباً 24/7 ہیکر موڈ میں چل رہے ہوں۔

اس اتفاق رائے کو اکثر اس کی بنیادی وجہ قرار دیا جاتا ہے کہ سلیکن ویلی صنعت کا مرکز بنی ہوئی ہے۔ دور دراز کے تعاون پر تحقیق colocation پر رکھی گئی قدر کے مطابق ہے۔

لن، فرے، اور وو نے نصف صدی کے دوران 20 ملین تحقیقی مقالات اور 4 ملین پیٹنٹ ایپلی کیشنز کا تجزیہ کیا اور پایا کہ دور دراز ٹیم کے اراکین سائٹ پر موجود ٹیموں کے مقابلے میں زمینی دریافتیں کرنے کا مستقل طور پر کم امکان رکھتے ہیں۔ اس کی وجہ یہ ہے کہ دور دراز تعاون بعد کے مرحلے کے تکنیکی کام پر توجہ مرکوز کرتا ہے اور نئے خیالات کو تصور کرنے کے تصوراتی کام (فطرت) پر کم۔

پانچ ممالک میں لیبارٹری مطالعات اور فیلڈ تجربات میں، Brucks اور Levav نے پایا کہ ویڈیو کانفرنسنگ تخلیقی خیالات کی تخلیق میں رکاوٹ ہے، جب گروپوں کے خیالات (فطرت) کے درمیان انتخاب کرنے کی بات آتی ہے تو اس میں کوئی کمی نہیں ہے۔ یہ ثبوت اس بات کی تائید کرتا ہے کہ حمل کے مرحلے میں مصنوعات ایک ہی پوزیشن میں ہیں۔ اس سے یہ ثابت نہیں ہوتا ہے کہ طویل کام کے اوقات بہتر نتائج کی طرف لے جاتے ہیں، اور نہ ہی یہ ڈیزائن کو حتمی شکل دینے کے بعد تقسیم شدہ عمل درآمد کے خلاف کوئی کیس بناتا ہے۔

متضاد بانی ڈرا بڑی کمپنیوں کے اندر تقسیم شدہ ٹیموں کے ساتھ ہے جو ایک سال تک ایک داخلی تلاش کی درخواست کی فراہمی میں صرف کر سکتی ہے، اس وقت کا زیادہ تر وقت ان ایڈجسٹمنٹ پر صرف ہوتا ہے جو مائیکروسافٹ کے اعداد و شمار بتاتے ہیں۔

فرق لوگوں میں ہے بجائے اس کے کہ ہر ماحول ان سے کیا مطالبہ کرتا ہے۔ کچھ کورسز کے لیے طلباء کو ایک ایسا نظام تعینات کرنے کی ضرورت ہوتی ہے جس پر حقیقی صارفین انحصار کرتے ہیں، غیر گریڈرز کے لیے ایک انٹرفیس ڈیزائن کرتے ہیں، اس بات کا تعین کرتے ہیں کہ آیا اور کیوں عمل میں ناکامی ہوئی، یا وقت ختم ہونے پر کیا ہٹانا ہے۔

ایک مصدقہ پروگرام میں سیکشن 15 میں بیان کردہ ایک اہم کیپ اسٹون پروجیکٹ شامل ہوگا، لیکن کیپ اسٹون پروجیکٹ ایک گریڈ کے ساتھ ختم ہوگا اور پروڈکٹ اس وقت تک جاری رہے گا جب تک کہ صارف استعمال بند نہ کردے۔ سیکشن 16 میں جن اسباق کی نشاندہی کی گئی ہے، یعنی اسباق جو حقیقی زندگی کے حالات میں اصولوں کے تعامل سے پیدا ہوتے ہیں، صرف گریڈز تفویض کیے جانے کے بعد جمع ہوتے ہیں۔

LUNARTECH نے ایک ہی مسئلے کو حل کرنے والے مختلف سٹارٹ اپس کا موازنہ کرتے ہوئے ان اختلافات کو پہلے دیکھا۔ ایک ٹیم اعلیٰ یونیورسٹیوں کے طلباء پر مشتمل تھی اور اس نے فنڈنگ ​​فراہم کی، کلاؤڈ اور ماڈل کریڈٹس میں تقریباً $10 ملین تک رسائی، ایک مضبوط نیٹ ورک، اور اعلیٰ ہنر تک رسائی فراہم کی۔ دوسرے کو ایسا کوئی فائدہ نہیں تھا۔ دوسری ٹیم نے اپنی پروڈکٹ اور ویڈیو جاری کی جس کا مظاہرہ پہلی ٹیم کے مقابلے میں بہت تیزی سے ہوا۔

یہ ایک واحد، مشاہدہ شدہ، کنٹرول شدہ موازنہ نہیں ہے، اور یہ پہلی ٹیم کے افراد کی صلاحیتوں کے بارے میں کچھ نہیں کہتا، جن میں سے کئی واضح طور پر قابل تھے۔ تاہم، یہ بتاتا ہے کہ ہر ماحول کو کیا انعام ملتا ہے۔ بہتر وسائل والی ٹیمیں ایسے ماحول میں کام کرتی ہیں جہاں صارفین کو کچھ بھی دکھانے سے پہلے تیاری، منظوری اور حتمی شکل دینا بنیادی اقدامات تھے۔ کم وسائل والی ٹیموں نے صارفین سے تیزی سے سیکھا کیونکہ وہ اس ترتیب کو برداشت نہیں کر سکتے تھے۔

اب ہم اس دفعہ کا دوسرا فیصلہ دے سکتے ہیں۔ یہ تجویز کہ حقیقی کام کورس ورک کے مقابلے میں زیادہ قابلیت پیدا کرتا ہے اس کی حمایت مختلف عوامل سے ہوتی ہے۔ اس کی حمایت ایک ہی انٹرنشپ کے ساتھ کم روزگار کی 48.5% کم مشکلات، کئی سالوں کی تعلیم کے مقابلے میں .10 کے مقابلے میں کام کے نمونے کی .54 درستگی، چھوٹی فرموں سے وابستہ کاروباری انسانی سرمایہ، اور ثبوت کے بجائے مثال کے طور پر مندرجہ بالا موازنہ۔

ان ذرائع میں سے کوئی بھی یہ ظاہر نہیں کرتا کہ نصاب کی قدر نہیں ہے۔ کیونکہ یہ جو بنیاد سکھاتی ہے وہ مواد ہے جس پر حقیقی کام کام کرتا ہے۔ وہ جو کچھ ظاہر کرتے ہیں وہ یہ ہے کہ وہ بنیاد کام سے ہی اہلیت میں ترجمہ کرتی ہے۔

کھلا نصاب

a16z کے اس بیان کے پہلے نصف حصے میں کہ انٹرنیٹ نے ہر چیز کو معلوم کیا ہے فری کوڈ کیمپ میں ادارہ جاتی عمل درآمد ہے۔

کوئنسی لارسن کی طرف سے 2014 میں قائم کی گئی، یہ تنظیم 501(c)(3) عوامی خیراتی ادارہ ہے، جس میں کوئی ٹیوشن نہیں ہے، اور رپورٹ کرتی ہے کہ اس کے اوپن سورس نصاب نے 40,000 سے زیادہ لوگوں کو بطور ڈیولپرز (فری کوڈ کیمپ) ملازمتیں فراہم کرنے میں مدد کی ہے۔

freeCodeCamp یہ بھی بتاتا ہے کہ یہ اپنے نصاب، اشاعتوں، YouTube چینل، اور فورمز کے ذریعے ایک دن میں دس لاکھ سے زیادہ لوگوں کی مدد کرتا ہے۔ YouTube چینل نے اکتوبر 2024 میں 10 ملین سبسکرائبرز اور اکتوبر 2026 میں 11.9 ملین کو عبور کر لیا، اور 1,000 سے زیادہ مفت کل وقتی کورسز کی میزبانی کی۔ اشاعت میں 12,000 سے زیادہ تحریری سبق ہیں اور بنیادی نصاب تقریباً 3,000 گھنٹے کے مواد (freeCodeCamp) پر محیط ہے۔

صرف 2025 میں، freeCodeCamp نے 129 مفت ویڈیو کورسز اور 45 مفت پیشہ ورانہ کتابیں اور ہینڈ بک شائع کیں، جن کو 10,221 ماہانہ عطیہ دہندگان (freeCodeCamp) کے تعاون سے حاصل ہیں۔ 11 سالوں کے دوران، سیکھنے والوں نے 300,000 سے زیادہ سرٹیفیکیشن حاصل کیے ہیں، اور نئے سرے سے تیار کردہ مکمل اسٹیک نصاب تقریباً 300 گھنٹے کے چھ سرٹیفیکیشنز پر مشتمل ہے، اور ساتھ ہی ایک حتمی سرٹیفیکیشن (freeCodeCamp)۔

اس ماڈل کی معاشیات ان اداروں سے پیمانے میں مختلف ہے جن کے ساتھ یہ متوازی ہے۔ وہ کورسز جنہیں فنڈنگ ​​باڈی ایک گرانٹ سائیکل کے ذریعے تیار کر سکتی ہے اور چند درجن لوگوں کے گروپ کو فراہم کر سکتی ہے، فری کوڈ کیمپ پر ظاہر ہو سکتے ہیں، جو پریکٹیشنرز کے ذریعہ لکھے گئے ہیں، اور لاکھوں سیکھنے والوں کے لیے مفت دستیاب ہیں۔ تحقیق جو کوئی ادارہ اشاعت کے چکر کے ذریعے جاری کرتا ہے اسی پلیٹ فارم پر پریکٹیشنرز کو ایک ہینڈ بک کے طور پر پہنچایا جا سکتا ہے۔

جیسا کہ یونیورسٹی کے کورسز کے ساتھ، لائبریریوں کا معیار مختلف ہوتا ہے، لیکن اضافی سیکھنے والوں تک پہنچنے کی لاگت صفر تک پہنچ جاتی ہے اور ایسے لوگوں کی تعداد جو اس مواد کو آزما سکتے ہیں صرف انٹرنیٹ تک رسائی اور اس کے ساتھ کام کرنے کی خواہش سے ہی محدود ہے۔ LUNARTECH کے مصنف پلیٹ فارم پر ایک ہینڈ بک شائع کرتے ہیں، ایک ایسا تعلق جس پر قارئین کو اس پیراگراف کو پڑھتے وقت غور کرنا چاہیے۔

زبان اس رسائی میں ایک بڑی رکاوٹ بنی ہوئی ہے۔ علمی مواد کا سب سے بڑا مفت کارپس انگریزی ہے، لہذا انگریزی پڑھنے والے سیکھنے والے کھلے نصاب تک پہنچ سکتے ہیں اور سیکھنے والوں کو کسی تنگ دائرہ کار کا سامنا نہیں کرنا پڑتا۔

بہر حال، اشاعت کے بہت سے مقبول مضامین اور ہینڈ بک کا دوسری زبانوں میں ترجمہ کیا گیا ہے، اور ہسپانوی اور دیگر زبانوں میں بھی مختلف قسم کے YouTube کورسز موجود ہیں۔

freeCodeCamp نے دسمبر 2025 میں A2 اور B1 کی سطحوں پر ڈویلپرز کے لیے انگریزی سرٹیفیکیشن بھی شروع کیا ہے اور بیٹا میں ہسپانوی اور چینی نصاب ہیں جو براہ راست ان رکاوٹوں کو دور کرتے ہیں۔ سیکشن 40 شائع شدہ مواد کے لحاظ سے زبان کی ایک ہی لائن کو بیان کرتا ہے، یہاں سیکھنے کے لحاظ سے۔

AI کھلے نصاب کو علم سے لے کر ہدایات تک پھیلاتا ہے۔ مفت کورسز اور قابل ماڈلز کے ساتھ، سیکھنے والوں کو کسی بھی وقت وضاحتوں، کام کی مثالوں، جائزوں اور رہنمائی تک رسائی حاصل ہوتی ہے۔ ان سیکھنے والوں کے لیے جو ماڈلز کو ان سے بچنے کے بجائے اندازہ لگانے کے لیے استعمال کرتے ہیں، یہ اس رپورٹ میں کہیں بھی بنائی گئی مہارت کے لیے سب سے مضبوط مثبت معاملہ ہے۔

تاہم، بنیادی استعمال کے نمونوں کے ثبوت کم سازگار ہیں۔ سیکشن 12 میں سیکھنے کے مطالعے سے پتا چلا ہے کہ AI کی مدد سے چلنے والے ڈویلپرز نے بعد کے علمی جائزوں پر تقریباً 50% اسکور کیے، جب کہ بغیر مدد کے سیکھنے والے ڈویلپرز نے تقریباً 67% اسکور کیا۔ ارجنٹائن میں ایک فالو اپ مطالعہ پایا گیا کہ جب معاون کو ہٹا دیا گیا تو معاون فوائد کا صرف ایک چھوٹا سا حصہ بچ گیا۔

اس لیے بائنڈنگ ان پٹ وہ ہیں جن کی شناخت سیکشن 15 میں جان بوجھ کر پریکٹس لٹریچر سے کی گئی ہے: مشکل کے ذریعے استقامت اور بیرونی ڈھانچے کے بغیر سیکھنے کی صلاحیت۔ کھلے وسائل اور AI اس ان پٹ کو پہلے سے زیادہ نتیجہ خیز بناتے ہیں، لیکن وہ اسے فراہم نہیں کرتے ہیں۔

اس صورت حال کا سب سے زیادہ نظر آنے والا ادارہ جاتی ردعمل اسکول ہے۔ Andreessen Horowitz کے ذریعہ تیار کیا گیا اور 22 ستمبر 2026 کو اعلان کیا گیا، Horowitz Andreessen Academy (جیسا کہ اوپر بتایا گیا ہے) نے $42 ملین، $35 ملین کمپنی سے اکٹھے کیے ہیں، اور اپنے وینچر بازو (The Horowitz Andreessen Academy, Gizmodo) سے الگ ایک منافع بخش تعلیمی کمپنی کے طور پر کام کرتی ہے۔

تقریباً 50 طلباء کی ابتدائی کلاس ستمبر 2027 سے اگست 2028 تک، سان فرانسسکو کیمپس میں ستمبر سے اپریل تک، مئی میں بیرون ملک، اور جون سے اگست تک کوآپٹ پلیسمنٹ میں، کمپیوٹنگ کریڈٹس میں $50,000 سے زیادہ اور سفری اخراجات میں $5,000 سے زیادہ کے ساتھ ٹیوشن فری پڑھے گی۔

طلباء کا انتخاب "کام کے ثبوت: انہوں نے کیا بنایا ہے، کیا بھیج دیا ہے، انہوں نے کیا کمایا ہے" کی بنیاد پر منتخب کیا جاتا ہے، حالانکہ ٹرانسکرپٹس اور ٹیسٹ کے اسکور ابھی بھی طلب کیے جاتے ہیں (فارچیون)۔ 2028 کے لیے ایک دو سالہ پروگرام کی منصوبہ بندی کی گئی ہے، ریگولیٹری منظوری باقی ہے۔ ٹیوشن، جسے Fortune "اشرافیہ نجی یونیورسٹیوں سے موازنہ" کے طور پر بیان کرتا ہے، ہر سال $60,000 سے $90,000 کی ٹیوشن کا حوالہ دیتا ہے (TechCrunch, Fortune)۔

لانچ کے وقت نامزد کردہ 10 بانی شراکت داروں (Anduril, Anthropic, Coinbase, Google, Meta, NVIDIA, OpenAI, Palantir, Replit, and Stripe) سبھی کی تصدیق ہو چکی ہے، لیکن وعدے مختلف ہوتے ہیں، اور تقریباً 50 بھرتی کرنے والے شراکت داروں نے ایک مقررہ نمبر کی خدمات حاصل کرنے کے بجائے انٹرویو لینے یا ان پر غور کرنے کا عہد کیا ہے۔

اکیڈمی تسلیم شدہ نہیں ہے، ڈگری یا ٹرانسفر کریڈٹ نہیں دیتی ہے، اور کوآپ پلیسمنٹ یا ملازمت کی ضمانت نہیں دیتی ہے۔ بورڈ آف ڈائریکٹرز میں مارک اینڈریسن اور ایرک ٹورنبرگ کے ساتھ Udemy اور Maven کے بانی اور CEO اور شریک بانی گگن بیانی شامل ہیں۔ بین ہورووٹز کا کوئی نام نہیں ہے۔

پہلا گروہ اگست 2028 میں اپنی فیلوشپ مکمل کر لے گا، اس لیے اکیڈمی کے پاس اس وقت تک رپورٹ کرنے کے لیے کوئی نتائج نہیں ہوں گے، اور ابتدائی داخلہ 5 نومبر 2026 کو ختم ہو جائے گا۔ دریں اثنا، جو کچھ پیش کیا جا رہا ہے وہ اس بات کا اشارہ ہے کہ اسپانسر اعلیٰ تعلیم کی قدر کہاں پر یقین رکھتے ہیں۔ یہ تعلیم کے بجائے سرٹیفیکیشن اور اسناد کی مخالفت کرتا ہے، اور فارچیون میگزین کے اجراء کی تفصیل میں عنوان "ہم کالج میں یقین رکھتے ہیں۔" ثابت شدہ کام کی بنیاد پر داخلہ، درحقیقت، انتخاب کا طریقہ ہے جو بھرتی کے مرحلے کے بجائے داخلے کے مرحلے پر لاگو ہوتا ہے، جیسا کہ شمٹ اور ہنٹر کے ٹیبل میں کہا گیا ہے۔

میز پر زیادہ نشستیں ہیں۔

جس طرح سے علم اور صلاحیتیں اب تقسیم کی جاتی ہیں وہ چند مرکزی نوڈس کے ساتھ ایک وکندریقرت نیٹ ورک کی طرح ہے۔ علم ایک تعلق کے ساتھ تقریباً ہر کسی میں پھیل چکا ہے، اور صف اول کی صلاحیتیں چند، لیکن بڑھتی ہوئی، جگہوں پر مرکوز ہیں۔

تلاش مارجن میں تبدیلیوں کے اشارے فراہم کرتی ہے۔ ایپل کے ایڈی کیو نے 7 مئی 2025 کے ایک بیان میں کہا کہ 22 سالوں میں پہلی بار اپریل 2025 میں سفاری کی تلاش کے حجم میں کمی آئی، اور اس کمی کا ذمہ دار AI ٹولز جیسے ChatGPT (فارچیون) کا استعمال کرنے والے لوگوں پر لگایا گیا۔

گوگل نے اس دن جواب دیتے ہوئے کہا، "ہم تلاشوں میں تلاش کی اصطلاحات میں مجموعی طور پر اضافے کی نگرانی کرتے رہتے ہیں،" بشمول ایپل ڈیوائسز (گوگل)۔ StatCounter کے اعداد و شمار کے مطابق، گوگل کا عالمی حصہ 2015 کے اوائل کے بعد پہلی بار 90% سے نیچے گر گیا، اکتوبر 2024 میں 89.34%، اور اس وقت سے اس سطح کے ارد گرد منڈلا رہا ہے، Bing (StatCounter) کے لیے 5.29%، ستمبر 2026 میں 89.94% پر۔

ماڈل کی صلاحیتوں کی حدیں زیادہ پیچیدہ ہو گئی ہیں۔ سٹینفورڈ کے اے آئی انڈیکس کے مطابق، 2025 میں، سب سے اوپر اور 10ویں نمبر پر آنے والے ماڈلز کے درمیان ایلو ریٹنگ کا فرق ایک سال میں 11.9% سے کم ہو کر 5.4% ہو گیا۔ سرفہرست دو ماڈلز کے درمیان فرق صرف 0.7% تھا، اور "غیر دریافت شدہ علاقے تیزی سے مسابقتی اور تیزی سے گنجان ہوتے جا رہے ہیں۔" دوسری طرف، معروف امریکی اور چینی ماڈلز کے درمیان فرق جنوری 2024 میں 9.3 فیصد سے کم ہو کر فروری 2025 میں 1.7 فیصد رہ گیا (اسٹینفورڈ HAI)۔

2026 کے ورژن میں پتہ چلا کہ ٹاپ چار ماڈلز کو 25 سے بھی کم پوائنٹس سے الگ کیا گیا ہے، جو ایک سال پہلے تقریباً 97 پوائنٹس کے مقابلے میں تھا۔ اسٹیڈیم کی درجہ بندی Anthropic کے لیے 1,503، xAI کے لیے 1,495، Google کے لیے 1,494، OpenAI کے لیے 1,481، Alibaba کے لیے 1,449، اور DeepSeek کے لیے 1,424 تھی۔ مارچ 2026 (اسٹینفورڈ ایچ اے آئی)۔

فرنٹ لائنز پر تنظیموں کی تعداد میں اضافہ ہوا ہے۔

تاہم، سیٹیں اب بھی غیر مساوی طور پر تفویض کی گئی ہیں۔ 2024 میں، امریکی اداروں نے 40 قابل ذکر ماڈلز تیار کیے، اس کے مقابلے میں چین سے 15 اور یورپ سے 3، تقریباً 90% صنعت سے آئے۔ 2025 میں، امریکہ میں 59، چین میں 35، کوریا میں 8، اور یورپ میں 2 افراد تھے۔ 102 میں سے، 93 صنعت سے آئے، جن کے اہم پروڈیوسر اوپن اے آئی (20)، گوگل (14) اور علی بابا (11) ہیں (حالانکہ بنیادی ڈیٹاسیٹ میں سابقہ ​​اصلاحات دو سالوں میں براہ راست موازنہ کی اجازت نہیں دیتی ہیں)۔

امریکہ کے سب سے بڑے اداروں کے پاس ٹیلنٹ، ڈیٹا، سرمایہ، اور کمپیوٹنگ ماڈلز کی موجودہ نسل سے آگے کام کرنے کے لیے ہے، اور ان فوائد کو ملایا گیا ہے۔ یہ سیکشن 31 میں بیان کردہ وینچر کیپیٹل کے ارتکاز سے مطابقت رکھتا ہے۔ علم کی وکندریقرت اور سرحدی صلاحیتوں کا ارتکاز بیک وقت ہو رہا ہے، اور ایک ایماندار اکاؤنٹ کو دونوں کو برقرار رکھنا چاہیے۔

وکندریقرت ان ممالک میں سب سے زیادہ واضح کی گئی ہے جہاں ایک دہائی قبل صرف چند لوگ پیشہ ورانہ طور پر پروگرام کر سکتے تھے۔ آرمینیا میں، انٹرپرائز انکیوبیٹر فاؤنڈیشن نے 2018 میں IT کے شعبے میں 19,552 افراد کو ملازمت دی۔ یہ تقریباً 800 فعال کمپنیوں سے تقریباً 27% کے سال بہ سال اضافے کی نمائندگی کرتا ہے، جس میں سیگمنٹ کی آمدنی $922.3 ملین تک پہنچ گئی، بشمول انٹرنیٹ سروس پرووائیڈرز (انٹرپرائز انکیوبیٹر فاؤنڈیشن)۔

جرمن اقتصادی ٹیم کے ٹیکس اور شماریاتی اعداد و شمار کے تجزیہ کے نتیجے میں، آئی ٹی کے شعبے میں کل اضافی قدر کا حصہ 2021 میں 3.5 فیصد سے بڑھ کر 2022 میں 6.5 فیصد، 2023 میں 8.0 فیصد، اور 2024 میں 8.3 فیصد ہو گیا۔ 36,500، اور واحد مالکان 1,139 سے بڑھ کر 7,878 ہو گئے۔ IT کی اوسط اجرت $1,323 سے بڑھ کر $2,578 فی مہینہ ہوگئی، اس کے مقابلے میں معیشت میں اوسط $731 ہے۔ آئی ٹی خدمات کی برآمدات کل برآمدات کا 14.2 فیصد بڑھ کر 448 ملین ڈالر سے 1.99 بلین ڈالر تک پہنچ گئیں اور اس شعبے کی طرف سے ادا کردہ ٹیکس کل ٹیکسوں کا 6.3 فیصد بڑھ کر 110 ملین ڈالر سے بڑھ کر 387 ملین ڈالر ہو گئے (جرمن اکنامک ٹیم)۔

ورلڈ بینک کی اسی طرح کی سیریز کے مطابق، آرمینیا کی آئی سی ٹی خدمات کی برآمدات 2017 میں 211.6 ملین ڈالر سے بڑھ کر 2025 میں 1.5 بلین ڈالر تک پہنچ گئی، جبکہ جارجیا کی آئی سی ٹی خدمات کی برآمدات 2018 میں 84.6 ملین ڈالر سے بڑھ کر 2025 میں 1.29 بلین ڈالر ہو گئیں۔

جارجیا میں، ICT نے 2025 کے پہلے نو مہینوں میں برائے نام جی ڈی پی کا 8.2% حصہ لیا، جس کی حقیقی سال بہ سال شرح نمو 31.6% تھی۔ 2024 میں آئی سی ٹی کی برآمدات میں 842 ملین ڈالر، یا سروس کی برآمدات کا 10.9 فیصد، اور 2025 کے پہلے نو مہینوں میں، آئی سی ٹی کی برآمدات نے 898 ملین ڈالر، یا 14.0 فیصد ریکارڈ کیا۔ ملک میں مقیم GitHub ڈویلپرز کی تعداد 22% بڑھ کر 2024 میں 138,300 ہو گئی، 21 یونیورسٹیوں (گالٹ اور ٹیگگارٹ) میں 12,000 سے زیادہ آئی ٹی طلباء نے داخلہ لیا۔

ان اعداد و شمار کو غور سے پڑھنے کی ضرورت ہے۔ 2022 کے مرحلے میں ہونے والی زیادہ تر تبدیلی اسی سال فروری سے روس سے کمپنیوں اور پیشہ ور افراد کی نقل مکانی کی عکاسی کرتی ہے۔ ذرائع سیکٹر کے لیے مختلف تعریفیں استعمال کرتے ہیں، اور سیریز میں سے کوئی بھی اوپن لرننگ یا AI سپورٹ کے تعاون کو الگ نہیں کرتا ہے۔

لہذا، ترقی کو صرف ان عوامل سے منسوب نہیں کیا جا سکتا. بہر حال، یہ وہ نمونہ ہے جس کی پیشین گوئی اس حصے کے دلائل کرتے ہیں۔ دس سال پہلے، بہت کم لوگ سافٹ ویئر بنا سکتے تھے، لیکن اب بہت سے لوگ کرتے ہیں، اور اس شعبے کی پیداوار، اجرت اور ٹیکس کی شراکت کے نتائج ظاہر ہوتے ہیں۔

دعووں کو براہ راست جانچنے کے لیے ابھی تک کوئی موازنہ نہیں کیا گیا ہے۔ ہم خود سکھائے گئے ڈویلپرز اور آرمینیا، جارجیا اور اسی طرح کی معیشتوں میں عالمی اشرافیہ سے باہر کی یونیورسٹیوں سے فارغ التحصیل افراد کے قابل پیمائش نتائج کا سراغ لگاتے ہیں، اس سے پہلے اور بعد میں AI سے چلنے والے ٹولز وسیع پیمانے پر دستیاب ہوں۔ اسناد کے بجائے ڈیلیور کردہ پروڈکٹس، برقرار رکھے ہوئے سافٹ ویئر میں شراکت، اور آمدنی کا حساب لگائیں۔ یہ رپورٹ اسے سب سے مفید تحقیق کے طور پر شناخت کرتی ہے جو اس مسئلے پر فیلڈ کمیشن کر سکتی ہے۔

مرکب کھائی

اوپر بیان کردہ علم کی وکندریقرت کی حدود ہیں۔ محدودیتیں سافٹ ویئر کے باہر سب سے زیادہ واضح ہوتی ہیں، جن کا ڈیزائن، تجربہ، تیاری، اور فعالیت کو بہتر کرنے سے پہلے استعمال کیا جانا چاہیے۔

ترک کمپنی Baykar اس حد کے دوسری طرف کیا ہوتا ہے اس کی ایک بہت ہی پڑھنے کے قابل مثال پیش کرتا ہے۔ اس نے 2000 کی دہائی کے اوائل میں بغیر پائلٹ کے فضائی گاڑیاں تیار کرنا شروع کیں اور 2014 میں Bayraktar TB2، ایک درمیانے اونچائی والے مسلح ڈرون کو اڑایا۔ TB2 نے اسے تعینات کرنے والے ممالک کی فضائی طاقت کی اقتصادیات کو بدل کر رکھ دیا، اور 2020 میں ناگورنو-کاراباخ جنگ میں اس کے استعمال نے اسے 2020 میں سب سے زیادہ ڈرون بنا دیا۔ گزشتہ دہائی کے ہتھیار

بائکر نے نظام کو ایک بنیاد سمجھا، منزل نہیں۔ Akıncı، 1 ٹن سے زیادہ پے لوڈ کے ساتھ ایک بھاری جڑواں انجن والا پلیٹ فارم، 2019 میں اڑا اور 2021 میں سروس میں داخل ہوا۔ اس نے جیٹ سے چلنے والا بغیر پائلٹ لڑاکا طیارہ بھی اڑایا جو کہ انسانوں والے لڑاکا طیاروں کے لیے مخصوص مشنوں کے لیے ڈیزائن کیا گیا تھا۔ دسمبر 2022 سے پہلے

Baykar Kızılelma کو اس کردار کے لیے ایک پلیٹ فارم کے طور پر پیش کرتا ہے جو فی الحال F-16 جیسے انسان بردار لڑاکا طیاروں کے ذریعے اڑایا جاتا ہے۔ اس کا ابھی تک آپریشنل استعمال کے لیے تجربہ نہیں کیا گیا ہے اور یہ ایک موازنہ ہے کہ آزاد تجزیہ کار مینوفیکچررز کے مقابلے میں زیادہ احتیاط سے پیش آتے ہیں۔

تاہم، تحریک کی سمت قابل بحث نہیں ہے اور اس حصے میں سمت اہم ہے۔ چونکہ ہر نسل انجینئرنگ فاؤنڈیشن، فلائٹ ڈیٹا، سپلائر نیٹ ورک، اور پچھلی نسل کی برآمدی آمدنی پر بنتی ہے، اس لیے بائکر اور نئے آنے والوں کے درمیان فاصلہ ہر نسل کے بعد پہلے سے زیادہ بڑھ گیا ہے۔ اس قسم کی لیڈ والی کمپنیاں اپنی برتری کو مزید گہرا کرنے کے لیے اس کا استعمال کرتی ہیں، جب کہ جن حریفوں نے ابھی تک شروعات نہیں کی ہے ان کو بڑھتے ہوئے خلا کا سامنا کرنا پڑتا ہے جب کہ وہ اس پر غور کرتے ہیں۔

یہ سوال کہ ایک خاص ملک اپنے وسائل کو کہاں سے چلانے کا انتخاب کرتا ہے ایک درست ہے، لیکن اس ریاضی میں یہ ثانوی ہے۔ مرکب انعامات ان لوگوں کو انعام دیتے ہیں جو سب سے پہلے شروع کرتے ہیں اور سب سے زیادہ دیر تک برقرار رہتے ہیں ان لوگوں کو انعام دینے سے زیادہ جو ضرورت کے ظاہر ہونے کے وقت سب سے زیادہ خرچ کرتے ہیں۔

خریدے گئے نظام میں ایسی کمزوریاں بھی ہیں جو ملکی طور پر تیار کردہ نظاموں میں موجود نہیں ہیں۔ نظام کی خصوصیات، حدود، اور دوبارہ فراہمی دوسروں کو معلوم اور جزوی طور پر کنٹرول کیا جاتا ہے۔ کسی ملک کی فضائی حدود کے دفاع کی صلاحیت اور وہ فضائی صلاحیتیں جن پر اس صلاحیت کا انحصار ہے، ضرورت کے وقت مکمل شکل میں نہیں خریدی جا سکتی۔ اسے پچھلے 10 سال یا اس سے زیادہ کے دوران تیار کیا گیا ہوگا۔

کوئی بھی منصوبہ جو یہ سمجھتا ہے کہ خلا کو خریداری کے ذریعے یا ضرورت کے واضح ہونے کے بعد شروع کیے گئے پروگراموں کے ذریعے بند کیا جا سکتا ہے، وہ مرکب سود کے ریاضی سے مطابقت نہیں رکھتا ہے۔ اس لحاظ سے یہ حکمت عملی کے بجائے انکار کے مترادف ہے۔

یہی ریاضی AI ماڈلز پر لاگو ہوتا ہے۔ 2026 AI انڈیکس نے Anthropic کے ٹاپ ماڈل کو 1,503 پوائنٹس کے ساتھ میدان میں سرفہرست پایا۔ چینی لیبارٹریوں نے قیمت پر سب سے زیادہ مؤثر طریقے سے مقابلہ کیا ہے، خاص طور پر تقریر کی پیداوار کے شعبے میں، جہاں نسبتاً سستے ماڈل اعلیٰ معیار کی پیداوار دیتے ہیں۔

آج، شروع سے شروع ہونے والی کمپنیوں کو فرنٹیئر ماڈل کی ہر نسل کے ساتھ ساتھ ڈیٹا، ٹیلنٹ، اور جمع شدہ تشخیصی انفراسٹرکچر کے ساتھ تربیت کے بڑھتے ہوئے اخراجات کا سامنا کرنا پڑتا ہے جسے رہنماؤں نے کئی نسلوں میں بنایا ہے۔ اس لیے نئے داخل ہونے والے ایک جگہ پر اس سے کہیں زیادہ آسانی سے قبضہ کر سکتے ہیں جتنا کہ وہ علمبرداروں کو پکڑ سکتے ہیں۔

کھلی تعلیم سافٹ ویئر انجینئرنگ میں داخلے کو ہموار کرتی ہے، لیکن یہ حدود کو ہموار نہیں کرتی، جیسا کہ اس حصے کے پچھلے ذیلی حصوں میں دیکھا گیا ہے۔ یہ دونوں مشاہدات متضاد کے بجائے یکساں ہیں۔

ثبوت کس چیز کی حمایت کرتا ہے۔

اس حصے میں جمع کیے گئے شواہد سے تین فیصلے اخذ کیے جا سکتے ہیں۔

سب سے پہلے، ڈگری قابلیت کا ایک کمزور اشارہ ہے، ایک تجویز جس کی 85 سال کی انتخابی تحقیق سے بھرپور حمایت کی گئی ہے، AI کرداروں کا کم ہوتا ہوا تناسب جس میں AI کرداروں کی ضرورت ہوتی ہے، اور لیبر مارکیٹ پریمیم جو اب پی ایچ ڈی سے کم کسی بھی سند پر ثابت شدہ مہارتوں کے حق میں ہے۔

دوسرا، حقیقی کام کورس ورک کے مقابلے میں زیادہ قابلیت پیدا کرتا ہے، اور اس کی تائید انٹرنشپ، کام کے نمونے، اور کمپنی کے چھوٹے شواہد سے ہوتی ہے۔

تیسرا، AI کمپیوٹر سائنس میں داخلے کے دروازے کو تنگ کر رہا ہے، جو معیشت میں پھیلنے کے بجائے داخلے پر مرکوز ہے۔

اس فیصلے کے ذیل میں دونوں قسم کے فوائد میں فرق ہے۔

اسناد کا فائدہ نمایاں طور پر کم ہو گیا ہے۔ حقیقت پسندانہ کاموں پر تربیتی فرق کو ایک معاون کے ساتھ 0.548 سے کم کر کے 0.139 معیاری انحراف کر دیا گیا، اور Noy اور Zhang کے تجربے میں ابتدائی اور آخری کارکردگی کے درمیان تعلق تقریباً آدھا رہ گیا۔ AI رولز کے لیے ڈگری کی ضروریات 36% سے کم ہو کر 31% ہو گئیں، 66% سے 59%، اور AI Augmented اور AI خودکار ملازمتوں کے لیے 53% سے 44% ہو گئیں۔

تجربے کے فوائد ناہموار تھے۔ جب معاونین کو ہٹا دیا گیا تو، تعلیمی فرق 0.200 معیاری انحراف پر واپس آ گیا، تجربہ کار دیکھ بھال کرنے والوں نے ان سسٹمز کے ٹولز سے کم از کم فائدہ اٹھایا جن کو وہ سب سے بہتر جانتے تھے، اور صنعت کے گہرے تجربے کے حامل بانیوں نے بغیر ان کے مقابلے میں دو گنا سے زیادہ شرح سے ترقی کے اعلی درجے پر پہنچ گئے۔

داخلہ اور گریجویشن کے ذریعے ایک بار حاصل ہونے والے تحفظات پہلے کے مقابلے میں بہت کم ہیں، جبکہ عمارت، جہاز رانی، اور جسمانی نظام کو برقرار رکھنے سے حاصل کردہ تحفظات باقی ہیں۔

ان لوگوں کے لیے جن کے پاس ڈگری یا حاصل کرنے کا کوئی ذریعہ نہیں ہے، ثبوت ایک کھلا، لیکن مختصر نہیں، راستہ دکھاتا ہے۔ الگورتھم اور آپریٹنگ سسٹم سے لے کر سیکیورٹی اور تصدیق تک، سیکشن 15 میں درج بنیادی باتیں کھلے ذرائع سے ہر وہ شخص سیکھ سکتا ہے جو تحریری زبانوں میں پڑھتا اور کام کرتا ہے۔

آجروں اور سرمایہ کاروں کی قابلیت کی پیمائش بڑھتی ہوئی ذمہ داری اور کام کے منصوبوں سے ہوتی ہے جس کا آپ دوسروں کے سامنے مظاہرہ کر سکتے ہیں، جیسا کہ سیکشن 16 میں بیان کیا گیا ہے۔

اس میں جس ان پٹ کی کمی ہے وہ استقامت اور سیکھنے کی صلاحیت ہے کہ اس کام کو کئی سالوں تک جمع کرنا جاری رکھیں، اور جیسا کہ سیکشن 12 میں دلیل دی گئی ہے، وہ ان پٹ ڈاؤن لوڈ کے قابل نہیں ہے، اس لیے یہ اب بھی قیمتی ہے۔ بہت زیادہ لوگوں کو سافٹ ویئر کی فراہمی کی اجازت دینا بھی اپنے آپ میں ایک معاشی فائدہ ہے۔ کیونکہ سافٹ ویئر اب بھی تقریباً ہر دوسرے شعبے کی بنیاد ہے، اور اس کی اعلیٰ خصوصیات تلاش کرنا مشکل ہے۔

یونیورسٹیوں کے لیے، شواہد بتاتے ہیں کہ ان کی اقدار ان چیزوں کی طرف منتقل ہو رہی ہیں جن کا حصول کہیں اور مشکل ہے: سخت تدریس، تحقیق، ہم مرتبہ گروپس، انٹرنشپ اور حقیقی دنیا کے منصوبوں تک رسائی کی ایک منظم بنیاد۔ اس کی وجہ یہ ہے کہ نتیجہ خیز ڈیٹا معاوضہ دینے والا جزو ہے۔

آجروں کے لیے، اس کا مطلب ہے کہ اسناد کی بجائے کام کے نمونوں کا جائزہ لینا اور نتائج کا مظاہرہ کرنا اور سیکشن 25 میں بیان کردہ طریقے سے داخلے کی پائپ لائن کی تشکیل نو کرنا۔ اس کی وجہ یہ ہے کہ جو لوگ کام کے نمونے کی تشخیص پاس کر سکتے ہیں ان میں اب بہت سے لوگ شامل ہیں جنہوں نے رجسٹریشن نہیں کرایا ہے۔

حصہ 4 - سستے کوڈ کے بعد سافٹ ویئر اکنامکس

27. فنکشنل موٹ کمزور ہو گیا ہے۔

مصنوعی ذہانت نے نہ صرف انجینئرنگ کے کام کو بدل دیا ہے۔ اس نے ان کاروباروں کی معاشیات کو تبدیل کر دیا ہے جو انجینئرنگ پیدا کرتے ہیں، اور یہ تبدیلی اس رقم میں سب سے زیادہ نظر آتی ہے جو سرمایہ کار اب مختلف قسم کی سافٹ ویئر کمپنیوں کے لیے ادا کرنے کے لیے تیار ہیں۔

تقریباً 20 سالوں سے، سافٹ ویئر انڈسٹری کا زیادہ تر حصہ مضمر دفاعی نظریہ کے تحت کام کرتا رہا ہے کہ کوڈ بیس کا سائز اور فیچر سیٹ کی چوڑائی ایک کھائی کی تشکیل کرتی ہے۔

ایک کمپنی جس نے سیکڑوں خصوصیات کی تعمیر میں پانچ سال گزارے ہیں وہ معقول طور پر یہ فرض کر سکتی ہے کہ ایک نئے آنے والے کو ان خصوصیات کو دوبارہ پیش کرنے کے لیے اسی طرح کا وقت درکار ہوگا، اور یہ کہ آنے والے ان پانچ سالوں کو مزید بنانے کے لیے استعمال کریں گے۔

تاہم، یہ نظریہ کبھی بھی مکمل طور پر درست نہیں تھا کیونکہ اس نے تقسیم کو کم سمجھا اور سطح کے رقبے کو زیادہ سمجھا۔ بہر حال، یہ بہت سے کاروباری منصوبوں اور بڑے سرمائے کی حمایت کرنے کے لیے کافی درست تھا۔

اس مفروضے کو تیزی سے ان طریقوں سے کمزور کیا جا رہا ہے جن کا مشاہدہ کرنا آسان ہے۔ جدید کوڈنگ ایجنٹس کا استعمال کرنے والی باصلاحیت ٹیمیں ڈیش بورڈز، مواد کے اوزار، مینجمنٹ پورٹلز، رپورٹنگ انٹرفیس، معیاری تخلیق-پڑھنے-اپ ڈیٹ-ڈیلیٹ سسٹمز، موجودہ انضمام، منظوری کے ورک فلو، اور عام AI فعالیت کو پہلے سے کہیں زیادہ تیزی سے دوبارہ تیار کر سکتی ہیں۔

ان میں سے کوئی بھی اچھی طرح سے بنانا آسان نہیں ہے، لیکن ان سب کی تربیت کے ڈیٹا میں اچھی طرح سے نمائندگی کی گئی ہے، ایک مسئلہ کے طور پر اچھی طرح سے بیان کیا گیا ہے، اور حصہ 1 میں قائم کردہ سیمنٹکس کے ذریعہ محدود ہے۔ دوسرے لفظوں میں، یہ وہ زمرے ہیں جہاں AI سپورٹ سب سے زیادہ ناپے گئے فوائد فراہم کرتا ہے۔

اس لیے فنکشنل موٹ کی قدر کم ہو گئی ہے اور جس کمپنی کا زیادہ تر دفاع اس پر منحصر ہے اس کی قیمت درست ہو رہی ہے۔

جو ابھی تک نہیں ہوا ہے، اور جو بہت ساری تبصرے غلط طریقے سے دعویٰ کر رہے ہیں، وہ یہ ہے کہ سافٹ ویئر کی کھائی خود غائب ہو رہی ہے۔ کھائی منتقل ہو گئی ہے، اور حصہ IV کا بقیہ حصہ اس بات کا تعین کرنے سے متعلق ہے کہ کھائی کہاں منتقل ہوئی ہے اور مارکیٹ کا ڈیٹا اس کی نئی پوزیشن کی قدر کے بارے میں کیا اشارہ کرتا ہے۔

28. قیمت ایڈجسٹ کی گئی لیکن ہٹائی نہیں گئی۔

2026 میں سافٹ ویئر مارکیٹ کے بارے میں دو حقائق متضاد لگ سکتے ہیں، لیکن وہ نہیں ہیں۔ اگرچہ سافٹ ویئر کی مانگ میں تیزی سے اضافہ ہوا ہے، لیکن عام سافٹ ویئر کمپنیوں کو تفویض کردہ قدر میں تیزی سے کمی آئی ہے۔

2026 میں عالمی سطح پر سافٹ ویئر کے اخراجات تقریباً 1.444 ٹریلین ڈالر تک پہنچنے کی توقع ہے، جو 2025 سے 15.1 فیصد زیادہ ہے۔ یہ اعداد و شمار گارٹنر کے کل عالمی آئی ٹی اخراجات کی پیشن گوئی کے سافٹ ویئر سیگمنٹ کے لیے ہے، جو تمام زمروں میں 13.5 فیصد اضافے کا تخمینہ 6.31 ٹریلین ڈالر تک لے جا رہا ہے۔ سافٹ ویئر لائن اس کے اندر سب سے تیزی سے بڑھنے والا بڑا طبقہ ہے۔ حوالہ کردہ وسائل (گارٹنر) کی تفصیلات کے لیے براہ کرم سرخی کے بجائے سیگمنٹ ٹیبل کا حوالہ دیں۔

یہ ایک منتشر صنعت کے اخراجات کا نمونہ نہیں ہے۔ یہ زمرہ کی اب تک کی سب سے تیز رفتار ترقی کے قریب ہے، اور یہ اشارہ کرتا ہے کہ کاروبار زیادہ سافٹ ویئر خرید رہے ہیں، کم نہیں، کیونکہ AI کی صلاحیتوں میں بہتری آتی ہے۔

طلب کی تباہی کا نظریہ، جو بتاتا ہے کہ AI کمپنیوں کو پہلے سے خریدی گئی مصنوعات کو اندرونی طور پر بنانے کی اجازت دیتا ہے، مجموعی تعداد میں نظر نہیں آتا۔

ایک ہی وقت میں، سافٹ ویئر ایکویٹی گروپ انڈیکس میں مڈ کیپ پبلک SaaS کمپنیوں نے پہلی سہ ماہی 2026 کی فروخت میں تقریباً 3.6 گنا تجارت کی۔ یہ ایک سال پہلے کے 6.7x سے کم ہے، سہ ماہی کے دوران انڈیکس میں تقریباً 25 فیصد کمی کے ساتھ کیونکہ سرمایہ کاروں نے سافٹ ویئر ایکویٹی گروپ (AI) کی ترقی کی توقعات اور مسابقتی اثرات پر دوبارہ غور کیا۔

12 مہینوں سے بھی کم عرصے میں اوسط آمدنی کو تقریباً نصف کرنا کسی بھی معیار کے مطابق قیمت میں ایک سنگین اصلاح ہے، اور یہ اس وقت ہوا جب بنیادی زمرہ 15% بڑھ رہا تھا۔

2026 میں عالمی سطح پر سافٹ ویئر کے اخراجات تقریباً 1.444 ٹریلین ڈالر تک پہنچنے کی توقع ہے، جو سال بہ سال 15.1 فیصد بڑھ رہی ہے، جبکہ عوامی SaaS مڈ اسٹریم کمپنیوں کی لین دین کا حجم 2026 کی پہلی سہ ماہی میں تقریباً 3.6x آمدنی ہے، جو گزشتہ سال کی اسی مدت میں 6.7x سے کم ہے۔ (گارٹنر، سافٹ ویئر اثاثہ گروپ)

ان دونوں حقائق کی ہم آہنگی اس حصے کی کلیدی اقتصادی دریافت ہے۔ ریونیو ملٹیلز موجودہ کمائیوں کی تفصیل نہیں ہے۔ یہ مستقبل کی کمائی کی پائیداری اور ترقی کے بارے میں ایک بیان ہے۔

کمائی بڑھنے کے دوران نصف رہ جانے والی کثیر تعداد مارکیٹ کو اپنے تخمینہ کو نیچے کی طرف ایڈجسٹ کرنے کا باعث بن رہی ہے کہ وہ کمائی کتنی قابل دفاع ہے۔ سرمایہ کار یہ نہیں کہہ رہے ہیں کہ سافٹ ویئر کی خریداری میں کمی آئے گی۔ ان کا کہنا ہے کہ خرچ کی گئی رقم کے بارے میں عام سافٹ ویئر کمپنی کے دعوے پہلے کے خیال سے کم درست ہیں۔ اگر مسابقتی پروڈکٹ بنانے کی لاگت میں کئی آرڈرز کی شدت سے کمی آئی ہے، تو یہ بالکل وہی ہے جس کی ہم توقع کریں گے۔

یہ وہ تشریح ہے جس سے یہ رپورٹ آگے بڑھتی ہے، اور فکری مستقل مزاجی کا تقاضا ہے کہ رپورٹ اسی نظم و ضبط، حصہ III کے تابع ہو، جو کہ روزگار کے اعداد و شمار پر لاگو ہوتا ہے۔

رپورٹ نے اسی مدت کے دوران اسی آبادی کے لیے سود کی شرحوں اور وبائی امراض کے بعد کی ایڈجسٹمنٹ کا حوالہ دیتے ہوئے ابتدائی ملازمت میں کمی کو مکمل طور پر مصنوعی ذہانت سے منسوب ہونے کے طور پر مسترد کر دیا۔

بالکل وہی اعتراض یہاں بھی لاگو ہوتا ہے، لیکن زیادہ سختی سے، کیونکہ کمائی کے ملٹیلز طویل مدتی اثاثہ جات کی قیمتیں ہیں اور اس وجہ سے کرایہ پر لینے کے فیصلوں کے برعکس، رعایتی شرحوں کے لیے میکانکی طور پر حساس ہیں۔

طویل مدتی اثاثوں کے لیے عام قیمت کی ایڈجسٹمنٹ سافٹ ویئر کے ملٹیپلز کو کمپریس کرتی ہے، قطع نظر اس کے کہ کوڈ کی ایک لائن لکھنا سستا ہو جائے۔ اس کی وضاحت کے لیے آپ کو AI پیپر کے کسی حصے کی ضرورت نہیں ہے۔

اس رپورٹ میں تحریک کو توڑنے کے لیے ڈیٹا نہیں ہے، اور نہ ہی یہ کوئی اور دکھاوا کرتی ہے۔ 6.7 سے 3.6 تک گرنے کا کچھ غیر مقداری فیصد دفاعی اثر کے بجائے شرح اثر ہے۔

اس کے باوجود، دو ان کی مخالفت کے باوجود بچ گئے اور باقی چار حصوں کی بنیاد بن گئے۔

پہلی بات یہ ہے کہ خالص ڈسکاؤنٹ ریٹ کی کہانی عام طور پر طویل مدتی اثاثوں کے کمپریشن کی پیشین گوئی کرتی ہے، مختلف کمپنیوں کے درمیان سافٹ ویئر میں فرق نہیں۔ ذیل میں انڈر رائٹنگ ڈیٹا بالکل اسی فرق کو ظاہر کرتا ہے، نظم و ضبط کے خریدار ایک زمرے کے لیے ایک اہم پریمیم ادا کرتے ہیں، جب کہ عوامی اوسط قیمت میں کمی واقع ہوئی ہے۔

دوسرا یہ ہے کہ کمپریشن 15% زمرہ کی ترقی کے ساتھ واقع ہوئی ہے، جو صرف فیصد کی تبدیلی کے ذریعہ تشکیل کردہ ترتیب نہیں ہے۔ لہذا، قابل دفاع دعوے سافٹ ویئر کے اندر مطلق سطحوں کے بجائے متعلقہ قیمتوں کے بارے میں ہیں۔ اگر آپ زیادہ تر مطلق حرکت کو شرح سود سے منسوب کرتے ہیں، تو آپ بغیر کسی دشواری کے ہر اس چیز کو قبول کر سکتے ہیں۔

حصول کے اعداد و شمار اس بات کی تصدیق کرتے ہیں کہ قیمتوں میں ایڈجسٹمنٹ اندھا دھند کی بجائے امتیازی ہے، ایک ایسی تفصیل جسے زیادہ تر عوامی تبصروں سے محروم کیا گیا ہے۔

SaaS انضمام اور حصول بہت فعال رہتے ہیں، گزشتہ 12 مہینوں کے دوران لین دین کا حجم 2,723 تک پہنچ گیا، Q1 2025 کے مقابلے میں 24% اضافہ۔ اوسط ایکوائزیشن ملٹیپل 6.3x ریونیو تک پہنچ گیا (جس کے لیے عوامی کمپنیاں تجارت کرتی ہیں 3.6x کی اوسط سے زیادہ)، اور میڈین پبلک SaaS EBIT کے %6 مارسیٹ گروپ (Group 13) تک پہنچ گئی۔

SaaS کے انضمام اور حصول گزشتہ 12 مہینوں میں 2,723 ٹرانزیکشنز تک پہنچ گئے، جو کہ سال بہ سال 24% زیادہ ہے، اوسطا ایکوزیشن ملٹیپل 6.3x ریونیو اور میڈین پبلک SaaS EBITDA مارجن 13.6% کے ساتھ۔ (سافٹ ویئر اثاثہ گروپ)

مستعدی سے کام کرنے، کسٹمر بیس کی تحقیق کرنے، انضمام کی گہرائی کو سمجھنے اور منتقلی کے اخراجات کا اندازہ کرنے کی صلاحیت کے حامل خریداروں نے عام اوسط سے دوگنا کے قریب پریمیم ادا کرنا جاری رکھا۔

قدرتی طور پر، انہوں نے جس چیز کی ادائیگی کی وہ بلٹ ان فعالیت تھی، نہ کہ قابل عمل فعالیت۔ انٹرپرائزز کو قیمتی ورک فلو میں گہرائی سے ضم کیا گیا، جس میں ڈیٹا رکھا گیا جو دوبارہ ترتیب نہیں دیا جا سکتا، بنیادی ڈھانچے کی جگہوں پر قبضہ کرنا جن کو آسانی سے تبدیل نہیں کیا جا سکتا، اور آپریشنل انحصار کو لے کر جو صارفین کے لیے ہٹانے کے اخراجات میں اضافہ کرتے ہیں۔

تاہم، فرق کے سائز کو چہرے کی قیمت پر نہیں پڑھنا چاہیے۔ کیونکہ تینوں فرق کو بڑھاتے ہیں اور دفاعی صلاحیتوں سے متعلق کسی بھی چیز سے آزاد ہیں۔

سب سے پہلے، حصول میں ایک کنٹرول پریمیم ہوتا ہے، جو تاریخی طور پر 20 سے 40 فیصد تک ہوتا ہے اور اسے پروڈکٹ کے اثاثوں کے بجائے کمپنی کو کمانڈ کرنے کے حق کے لیے ادا کیا جاتا ہے۔

حاصل کرنے والا ہدف کا انتخاب بھی کرتا ہے، اس لیے حاصل شدہ آبادی کو نمونے کے بجائے معیار کی تقسیم کے اوپری حصے سے نکالا جاتا ہے۔

اور دونوں نمبر ایک ہی شماریات نہیں ہیں۔ اوسط حصول کثیر کو درمیانی عوامی کثیر کے خلاف سیٹ کیا گیا ہے۔ دائیں ترچھی تقسیم میں، وسط ترتیب کے لحاظ سے میڈین سے زیادہ ہے۔

صرف ایک معقول کنٹرول پریمیم کا حساب لگانا 6.3 اور 3.6 کے درمیان فرق کا ایک اہم حصہ ہے۔ ان ایڈجسٹمنٹ کے بعد باقی رقم خام موازنہ کے ذریعہ تجویز کردہ سے کم ہے، اور یہ رپورٹ اس کی پیمائش کرنے کا دعوی نہیں کرتی ہے۔

قابلیت کے نتائج— جو کہ باخبر خریداروں نے اپنی منتخب کردہ سافٹ ویئر کمپنیوں کے لیے عوامی منڈیوں سے زیادہ ادائیگی جاری رکھی، یہاں تک کہ اس مدت کے دوران جب عوامی مارکیٹیں تمام زمرے میں سکڑ رہی تھیں — اب بھی درست ہیں۔ اور جو دلیل استعمال کرتی ہے وہ ان کی ریاضی کے بجائے وقفوں کی دریافت ہے۔

لہذا، مارکیٹ نے سافٹ ویئر کو دو قسموں میں تقسیم کیا ہے جو بالکل مختلف طریقے سے کام کرتے ہیں۔

1. قابل بدلنے والا سافٹ ویئر جس کی بنیادی قدر تولیدی افعال کا ایک مجموعہ ہے اس کی قدر کو اس کی نقد بہاؤ کی قدر کے قریب قدر سے کم کیا جا رہا ہے۔

2. پیچیدہ سافٹ ویئر، جس کی قدر جمع شدہ ڈیٹا، بنیادی ڈھانچے کی جگہ، انضمام کی گہرائی، تعیناتی، اعتماد، اور آپریشنل انحصار کے ذریعے بڑھتی ہے، ایک پریمیم کو جاری رکھے ہوئے ہے۔

مارکیٹ سافٹ ویئر کو مسترد نہیں کرتا ہے۔ یہ اس تجویز کو مسترد کرتا ہے کہ تمام سافٹ ویئر پروڈکٹس پائیدار پریمیم کے مستحق ہیں کیونکہ وہ سافٹ ویئر ہیں۔

29. سرمائے کا ارتکاز

نجی منڈیوں میں بھی یہی فرق موجود ہے، اگرچہ زیادہ شدید شکل میں۔ کارٹا کے ذریعہ ریکارڈ کردہ کل وینچر فنڈنگ ​​2025 کی پہلی ششماہی میں 56.5 بلین ڈالر سے 2026 کی پہلی ششماہی میں 58.7 بلین ڈالر تک بڑھ گئی، جو کہ ایک مستحکم تعداد کی نمائندگی کرتی ہے۔

لیکن اس استحکام کے نیچے، ساخت پرتشدد انداز میں آگے بڑھی۔ سیڈ فنڈنگ ​​تقریباً 42 فیصد کم ہو کر 6.5 بلین ڈالر سے 3.8 بلین ڈالر رہ گئی۔ سیریز A کی فنڈنگ ​​بنیادی طور پر 12.7 بلین ڈالر رہی۔ سیریز C اور اس سے اوپر کی فنڈنگ ​​$23.9 بلین سے بڑھ کر $31.8 بلین (Carta) ہوگئی۔

کل وینچر فنڈنگ ​​H1 2025 میں 56.5 بلین ڈالر سے بڑھ کر H1 2026 میں 58.7 بلین ڈالر ہو گئی، جبکہ سیڈ فنڈنگ ​​تقریباً 42 فیصد کم ہو کر 6.5 بلین ڈالر سے 3.8 بلین ہو گئی، سیریز A 12.7 بلین ڈالر رہی، اور سیریز C اور اس سے اوپر کی رقم 23.9 بلین ڈالر سے بڑھ کر 31 بلین ڈالر ہو گئی۔ (کرتا)

کیپٹل فیصلہ کن طور پر بعد کے مرحلے میں چلا گیا ہے، جب پائیداری کے ثبوت زیادہ مضبوط ہیں اور اس سوال کا کہ آیا پروڈکٹ دوبارہ پیدا کی جا سکتی ہے، مارکیٹ میں پہلے ہی جواب دیا جا چکا ہے۔

بیج کی 42% کمی حیران کن ہے، جو مصنوعی ذہانت کے لیے قریب قریب جوش و خروش کے وقت آ رہی ہے۔ مزید برآں، کیونکہ کارٹا سیریز لین دین کی تعداد کے بجائے ڈالر کی رپورٹ کرتی ہے، اس لیے یہ دو الگ نہ ہونے والی ریڈنگز کو پہچانتی ہے۔

پہلی پڑھنے پر، کم ابتدائی مرحلے کی سافٹ ویئر کمپنیوں کو فنڈز فراہم کیے جا رہے ہیں۔ اس کی وجہ یہ ہے کہ وہ قوتیں جو سافٹ ویئر کو سستا بناتی ہیں ابتدائی مرحلے کی سافٹ ویئر کمپنیوں کے لیے حصول کو مزید مشکل بنا دیتی ہیں۔ اگر کوئی مدمقابل ایک سہ ماہی کے اندر ابتدائی مرحلے کی مصنوعات کی نقل تیار کر سکتا ہے، تو ابتدائی مرحلے کے سرمایہ کاروں کے ذریعے خریدے گئے اختیارات کی قدر میں کمی واقع ہوئی ہے۔

دوسری پڑھنے پر، اتنی ہی تعداد میں کمپنیاں چھوٹے پیمانے پر فنڈز اکٹھا کر رہی ہیں۔ کیونکہ سستی تعمیر کاروباری افراد کو کم سرمائے کے ساتھ ایک ہی سنگ میل تک پہنچنے کی اجازت دیتی ہے۔ اور یہ اس بات کا ثبوت ہو گا کہ ابتدائی مرحلے کا سافٹ ویئر مشکل کے بجائے آسان ہو گیا ہے، جو اس سیکشن میں دی گئی دلیل کے بالکل برعکس بیان کرے گا۔

دونوں ریڈنگز کے متضاد معنی ہیں اور ڈالر کے کل اعداد و شمار میں الگ نہیں ہیں۔ ذیل میں جو تشریح پیش کی گئی ہے وہ پہلی ہے۔ اس کی وجہ یہ ہے کہ یہ پچھلے حصے میں دستاویزی اوپن مارکیٹ پرائس ایڈجسٹمنٹ کے مطابق ہے۔ تاہم، قارئین کو اس بات پر غور کرنا چاہیے کہ ایک قائم شدہ نتیجہ کے بجائے دو حقیقت پسندانہ امکانات کا زیادہ امکان ہے، اور لین دین کی گنتی کا ڈیٹا اس کا پتہ دیتا ہے۔

تقسیم کا ڈیٹا اب بھی زیادہ ڈرامائی ہے اور، کیونکہ یہ مقدار کے بجائے قیمت سے متعلق ہے، اس لیے ابہام کم ہے۔

95ویں پرسنٹائل بیج کی قدر Q2 2025 میں 72.2 ملین ڈالر سے Q2 2026 (کارٹا) میں 177.6 فیصد بڑھ کر 204 ملین ڈالر ہو گئی۔ یہ اسی مدت کے دوران ہوا جس میں کل سیڈ ڈالرز 42% گر گئے۔ اس کا مطلب یہ ہے کہ سیڈ مارکیٹ کا اوپری حصہ باقی مارکیٹ سے تقریباً مکمل طور پر الگ ہے۔

اسی مدت کے دوران، میڈین سافٹ ویئر کی فنڈنگ ​​کا بینچ مارک تقریباً 24.3 ملین ڈالرز سیڈ ویلیو ایشنز میں $4.1 ملین اور سیریز A (کارٹا) میں تقریباً 80 ملین ڈالر تھا۔

$24.3 ملین کے درمیانی بیج کی قدر اور $204 ملین کی 95ویں پرسنٹائل سیڈ ویلیویشن کے درمیان فاصلہ ایک ہی فنڈنگ ​​راؤنڈ میں آٹھ گنا سے زیادہ کا عنصر ہے۔

بیج بینچ مارک، 2026	قدر
95 واں پرسنٹائل اسسمنٹ، Q2 2025	تقریباً 72.2 ملین ڈالر
95 واں پرسنٹائل اسسمنٹ، Q2 2026	تقریباً 204 ملین ڈالر
درمیانی قدر	تقریباً 24.3 ملین ڈالر
درمیانی اضافہ	تقریباً 4.1 ملین ڈالر
بیج کی کل رقم، 2025 کے پہلے نصف سے 2026 کے پہلے نصف تک	$6.5 بلین سے $3.8 بلین

ایک شرط خاص طور پر پرسنٹائل نمبرز پر لاگو ہوتی ہے۔ سٹیج لیبل کسی کمپنی کے لیے ایک مقررہ مقدار نہیں ہے، اور سیڈ لیبل کے تحت ایک AI کمپنی کی طرف سے اٹھائے گئے بڑے راؤنڈز کی لہر 95ویں پرسنٹائل کو بغیر کسی تبدیلی کے اس کمپنی کی مارکیٹ کی قیمتوں میں تبدیل کر دے گی۔

لہذا، 177.6% کا حصہ تقسیمی کے بجائے ساختی ہو سکتا ہے۔ سمت کے بارے میں کوئی شک نہیں ہے جیسا کہ ذیل میں پھیلی سیریز A میں اس کی تصدیق کی گئی ہے۔ تاہم، سائز کو بڑھتی ہوئی بازی کے خالص پیمائش کے طور پر نہیں پڑھنا چاہیے۔

سیریز A کی تقسیم وسیع ترین تقسیم کو ظاہر کرتی ہے۔ 2026 کے اختتامی نقطہ کے مطابق، 99 واں پرسنٹائل ایکس پوسٹ ویلیویشن تقریباً 1.198 بلین ڈالر ہے، جس کا 95واں پرسنٹائل $445 ملین، 90واں پرسنٹائل $278 ملین، 75واں پرسنٹائل $151 ملین، اور میڈین $79 ملین ہے۔ فیصد 43 ملین ڈالر تھا۔ 25ویں پرسنٹائل اور 99ویں پرسنٹائل کے درمیان فاصلہ تقریباً 28 گنا ہے۔

سیریز A پوسٹ ویلیویشن 2026	فیصد
تقریباً 1.198 بلین ڈالر	99واں
تقریباً 445 ملین ڈالر	95واں
تقریباً 278 ملین ڈالر	90 ویں
تقریباً 151 ملین ڈالر	75 واں
تقریباً 79 ملین ڈالر	درمیانی
تقریباً 43 ملین ڈالر	25

ایک فنانسنگ راؤنڈ کے اندر 28x کا پھیلاؤ ایک یکساں اثاثہ کلاس کے لیے مارکیٹ کی قیمت نہیں ہے جس کا معیار عام طور پر مختلف ہوتا ہے۔ مارکیٹ نے یہ نتیجہ اخذ کیا ہے کہ بہت کم تعداد میں کمپنیاں دستیاب قیمت کے ایک بہت بڑے حصے پر قبضہ کر لیں گی اور یہ کہ باقی کمپنیوں کی قیمت کچھ ایسی ہی ہے جو ان کی موجودہ کرشن سے ظاہر ہوتی ہے۔

سافٹ ویئر کیپٹل غائب نہیں ہو رہا ہے، اور مجموعی تعداد اس بات کی تصدیق کرتی ہے کہ یہ کم نہیں ہو رہا ہے۔ یہ صرف ایک فوکس ہے، اور یہ فوکس ہر اس چیز کے ساتھ مطابقت رکھتا ہے جو حصہ IV فنکشن پر مبنی دفاع کے ٹوٹنے کے بارے میں بیان کرتا ہے۔ جب افعال کمپنیوں کے درمیان فرق نہیں کرتے ہیں، تو سرمایہ بہت کم کمپنیوں کی طرف جاتا ہے جو مختلف قسم کے فوائد کا مظاہرہ کر سکتی ہیں۔

30. ڈینومینیٹر: سافٹ ویئر جو معیشت کے خلاف ماپا جاتا ہے۔

پچھلے تین حصوں نے اس بات کا جائزہ لیا کہ مارکیٹ سافٹ ویئر کمپنیوں کے لیے کیا ادائیگی کرنے کو تیار ہے۔ درج ذیل پانچ سوالات اس بات کا جائزہ لیتے ہیں کہ آپ کی سرمایہ کاری کا سرمایہ دراصل سافٹ ویئر کے اندر کہاں جاتا ہے۔ یہ ایک الگ سوال ہے، اور ایک جس کا جواب عوام نے بنیادی طور پر دعووں کے ساتھ دیا ہے۔

اس سے پہلے کہ دونوں میں سے کوئی بھی سوال درست طریقے سے پیش کیا جا سکے، ہمیں اس بات کا پیمانہ قائم کرنے کی ضرورت ہے جس پر بات ہو رہی ہے۔ کیونکہ بہت سے تبصرے جو سافٹ ویئر یا AI کو بیکار قرار دیتے ہیں وہ بغیر کسی فرق کے ایسا کرتے ہیں۔

دائرہ کار کی ایک حد اس پورے باب میں لاگو ہوتی ہے اور اسے شروع میں بیان کیا جاتا ہے اور اس کو حد میں شامل نہیں کیا جاتا ہے۔ مندرجہ ذیل تجزیے میں جان بوجھ کر سیمی کنڈکٹرز، گرافکس پروسیسرز، روبوٹکس، ڈیٹا سینٹرز، انرجی انفراسٹرکچر، اور دیگر تمام ہارڈ ویئر مرکوز زمرے شامل ہیں جو کہ AI سرمایہ کاری کے شماریاتی تالیفات میں معمول کے مطابق شامل ہیں۔ کیونکہ یہ زمرے بڑے اور تیزی سے بڑھ رہے ہیں، اور چونکہ ایک ڈیٹا سینٹر پروگرام پورے سافٹ ویئر سیکٹر کی سالانہ وینچر فنڈنگ ​​سے زیادہ ہو سکتا ہے، بشمول ان زمروں کی وجہ سے تعمیرات سے سرمائے کے بہاؤ کے بارے میں کوئی بھی دلیل ممکن ہے۔

اس رپورٹ میں جو سوالات پوچھے گئے ہیں وہ تنگ اور زیادہ قابل امتحان ہیں۔ یعنی، آیا سافٹ ویئر کے اندر سرمایہ مختص کرنا حصہ IV میں پیش کی گئی تجویز کی حمایت کرتا ہے: وہ عام، تولیدی سافٹ ویئر اجناس بنتا جا رہا ہے، جب کہ گہرا، مشن اہم، ڈیٹا سے بھرپور، ورک فلو ایمبیڈڈ، اور تکنیکی طور پر مطالبہ کرنے والا سافٹ ویئر نسبتاً زیادہ قیمتی ہے۔

لہذا، اس باب میں تمام اعداد و شمار سافٹ ویئر کمپنیوں، سافٹ ویئر کے اخراجات، یا سافٹ ویئر کے لین دین سے متعلق ہیں، اور ان میں سے کوئی بھی جسمانی بنیاد سے متعلق نہیں ہے جس پر وہ چلتے ہیں۔

ان پابندیوں کے لاگو ہونے کے بعد، ڈینومینیٹر یہاں ہے۔ 2026 میں، امریکہ نے برائے نام پیداوار میں تقریباً 32 ٹریلین ڈالر، یورپی یونین نے تقریباً 23 ٹریلین ڈالر اور چین نے تقریباً 21 ٹریلین ڈالر کی پیداوار کی۔ اس سے تین بڑے اقتصادی بلاکوں کی مشترکہ پیداوار تقریباً 76 ٹریلین ڈالر ہے، اور دنیا کی کل پیداوار 117 ٹریلین ڈالر (انٹرنیشنل مانیٹری فنڈ) ہے۔

اسی سال، دنیا بھر میں سافٹ ویئر کے اخراجات تقریباً 1.444 ٹریلین ڈالر ہونے کی توقع ہے، جو سیکشن 28 (گارٹنر) میں بیان کیا گیا ہے۔ یہ قطعی پیمائش کے بجائے گول برائے نام تخمینہ ہیں، اور قارئین کو نوٹ کرنا چاہیے کہ EU ایگریگیٹس اور یورو ایریا ایگریگیٹس مختلف مقداریں ہیں جو اکثر کمنٹری میں الجھ جاتی ہیں۔ یہاں اعداد کو وسعت کے لحاظ سے استعمال کیا گیا ہے، جو دلیل کے لیے ضروری ہے۔

ٹیلی، 2026	تخمینی قدر
امریکی برائے نام پیداوار	32 ٹریلین ڈالر
EU برائے نام پیداوار	23 ٹریلین ڈالر
چین برائے نام پیداوار	21 ٹریلین ڈالر
تینوں کو ملا کر آؤٹ پٹ	76 ٹریلین ڈالر
عالمی برائے نام پیداوار	117 ٹریلین ڈالر
دنیا بھر میں سافٹ ویئر خرچ	$1.444 ٹریلین
دنیا بھر میں IT کا کل خرچ	$6.31 ٹریلین

ان نمبروں کو ساتھ ساتھ رکھنے سے ایک ایسا تناسب پیدا ہوتا ہے جس کا موجودہ مباحثے میں زیادہ تر شرکاء نے کبھی حساب نہیں کیا۔ کرہ ارض پر تمام سافٹ ویئر لائسنس اور سبسکرپشنز کی لاگت عالمی پیداوار کا تقریباً 1.2% ہے، یا ریاستہائے متحدہ، یورپی یونین اور چین میں مشترکہ پیداوار کے 2% سے بھی کم ہے۔

یہ 6.31 ٹریلین ڈالر کے کل عالمی انفارمیشن ٹیکنالوجی کے اخراجات کا تقریباً 5.4% نمائندگی کرتا ہے، جس میں سافٹ ویئر اور خدمات کے ساتھ آلات، ڈیٹا سینٹر سسٹم، اور مواصلاتی خدمات شامل ہیں۔

آمدنی کے حساب سے، پوری عالمی سافٹ ویئر انڈسٹری امریکی پیداوار کا 5% سے بھی کم حصہ رکھتی ہے۔

2026 میں تقریباً 1.444 ٹریلین ڈالر کا عالمی سافٹ ویئر خرچ تقریباً 117 ٹریلین ڈالر کی عالمی برائے نام پیداوار کا تقریباً 1.2 فیصد اور امریکہ، یورپی یونین اور چین کی مشترکہ پیداوار کا 2 فیصد سے بھی کم، تقریباً 76 ٹریلین ڈالر کی نمائندگی کرتا ہے۔ (گارٹنر، بین الاقوامی مالیاتی فنڈ)

زمرہ، جو کہ عالمی پیداوار کا 1.2% ہے، سیر شدہ مارکیٹ نہیں ہے، اور بقیہ 98.8% کی ساخت اس بارے میں معلومات فراہم کرتی ہے کہ غیر دعوی شدہ علاقہ کہاں ہے۔

سافٹ ویئر نے نسبتاً چھوٹے شعبوں میں حقیقی گہرائی حاصل کی ہے، بشمول اشتہار پیش کرنا، خوردہ تجارت، کیپٹل مارکیٹ، میڈیا کی تقسیم، کارپوریٹ فنانس اور انسانی وسائل کا انتظام، اور خود ٹیکنالوجی کمپنیوں کے اندرونی آپریشن۔

اس سے باہر، صنعت کے اندر پریکٹیشنرز کے خیال سے دخول بہت کم ہے۔ صحت کی دیکھ بھال کی فراہمی، تعمیرات، مال برداری اور آخری میل کی لاجسٹکس، زراعت، پرائمری اور سیکنڈری تعلیم، توانائی کی پیداوار اور گرڈ آپریشنز، پبلک ایڈمنسٹریشن، قانونی کارروائی، انشورنس انڈر رائٹنگ اور مینوفیکچرنگ پر عمل درآمد ہر ایک بہت بڑا ہے، ہر ایک کافی حد تک رپورٹنگ پرت میں تیار کیا گیا ہے اور پھر بھی آپریشنل پرت میں مربوط ہے، فون کالز اور ای میل اسپریڈ شیٹس، ہیومن اسپریڈ شیٹس کے ذریعے۔ ان علاقوں میں موجود سافٹ ویئر بنیادی طور پر کام کے لیے ریکارڈنگ کا نظام ہے جو کاموں کو انجام دینے کے نظام کے بجائے کہیں اور ہوتا ہے۔

ایک بار ڈینومینیٹر دکھائے جانے کے بعد یہ ایک آسان طریقے سے عمر بڑھنے کے دعووں کے لیے اہم ہے۔ یہ دلیل کہ سافٹ ویئر متروک ہوتا جا رہا ہے کیونکہ AI اسے بنا سکتا ہے اچھی چیز کی پیداوار کی قیمت کو اچھی چیز کی قیمت کے ساتھ الجھا دیتا ہے۔ یہ آزاد مقداریں ہیں، اور ان کے درمیان تاریخی تعلق دلیل کے گمان کے برعکس سمت میں چلتا ہے۔

اگر کسی قسم کی اچھی پیداوار کی لاگت ایک قدم سے گرتی ہے جب کہ اس زمرے میں معاشی سرگرمیوں کا 2% سے بھی کم احاطہ کیا جاتا ہے، تو متوقع نتیجہ سکڑاؤ نہیں بلکہ بقیہ 98% کے ایک حصے تک پھیلنا ہے۔ گرتی ہوئی پیداواری لاگت سپلائی سائیڈ واقعہ ہے، جب کہ متروک ہونا ڈیمانڈ سائیڈ ایونٹ ہے۔ سیکشن 28 کا ڈیمانڈ ڈیٹا، یہ ظاہر کرتا ہے کہ سافٹ ویئر کے اخراجات میں اسی سال 15.1 فیصد اضافہ ہوا جس میں میڈین پبلک ملٹیپل گرا، بالکل ظاہر کرتا ہے کہ سپلائی سائیڈ لاگت میں خلل کس طرح نظر آتا ہے۔

متروک ہونے کی دلیل پر عمل نہ کرنے کی ایک دوسری اور خاص وجہ ہے۔ اوپر دیے گئے ڈومینز میں داخل ہونے والے سافٹ ویئر کی پابند رکاوٹیں اصولی طور پر کوڈ لکھنے کی لاگت نہیں ہیں۔ ہسپتال کے داخلے کے ورک فلو کو سمجھنے کی لاگت کے ساتھ، مال بردار کی رعایتی ہینڈلنگ، یوٹیلیٹی کی بندش کے طریقہ کار، یا انشورنس کمپنی کے نظام الاوقات کے طریقوں کو یہ جاننے کے لیے کافی ہے کہ کون سا کوڈ لکھنا ہے، یہ نظام کے غلط ہونے پر نتائج کے ذمہ دار ہونے کی قیمت تھی۔

حصہ II نے تفصیل سے ثابت کیا کہ یہ دوسری لاگت جنریشن کی لاگت کا حصہ نہیں ہے، اور سیکشن 13 ان آپریٹرز کے درمیان فرق کو درست کرتا ہے جن کی متعلقہ دلچسپی ہے اور جو نہیں کرتے ہیں۔

وہ علاقے جہاں سافٹ ویئر کم رہتا ہے وہ کافی باقاعدگی سے وہ علاقے ہیں جن میں سمجھنے کے لیے سب سے زیادہ تقاضے ہوتے ہیں اور ناکامی کے لیے سب سے کم رواداری۔ سستی نسل اس رکاوٹ کو دور نہیں کرتی ہے۔ جو چیز اسے قابل فہم بناتی ہے وہ یہ ہے کہ اس مقام تک پہنچنے کے لیے درکار سرمائے کو کم کرکے اسے کرنے کی کوشش کرنے کی معاشیات کو تبدیل کیا جائے جہاں ڈومین کا مسئلہ ہی باقی رہ جانے والا مسئلہ ہے۔

اس حصے کا اختتام کسی نتیجے کے بجائے ایک ڈھانچہ ہے، اور یہ طے کرتا ہے کہ باقی باب کو کیسے پڑھا جائے۔ سافٹ ویئر ایک پختہ صنعت نہیں ہے جسے بعد میں آنے والی ٹیکنالوجیز کے ذریعے ختم کیا جا رہا ہے۔ یہ ایک نوجوان صنعت ہے جو اقتصادی سرگرمیوں کے ایک چھوٹے اور غیر نمائندہ حصے پر محیط ہے، اس حصے میں پیداواری لاگت تیزی سے گر گئی ہے اور باقی حصوں میں توسیع ہمیشہ رکاوٹوں کی وجہ سے محدود رہی ہے جس میں پیداوار کی لاگت کبھی بھی سب سے بڑا عنصر نہیں رہی۔

دلچسپ سوال یہ نہیں ہے کہ کیا سرمایہ سافٹ ویئر میں آتا رہے گا۔ اگلے حصے میں، سافٹ ویئر میں آمد واضح ہو جاتی ہے۔ وہ کس سافٹ ویئر میں داخل ہو رہے ہیں اور کیوں؟

31. سافٹ ویئر کیپٹل نہیں چھوڑا ہے۔ نام بدل گیا ہے۔

اس تجویز کے لیے اکثر پیش کیے جانے والے ثبوت کہ سافٹ ویئر کو تبدیل کر دیا گیا ہے وہ وینچر کیپیٹل کا حصہ ہے جو اب AI میں بہہ رہا ہے۔

2026 کی پہلی سہ ماہی میں، کارٹا کے ذریعے ریکارڈ کیے گئے تمام وینچر کیپیٹل کا 60% سے زیادہ مصنوعی ذہانت کے طور پر درجہ بند کمپنیوں میں چلا گیا، سروس پر مبنی سافٹ ویئر کمپنیوں میں سرمایہ کاری کی گئی وینچر کیپیٹل کا 83% اس درجہ بندی والی کمپنیوں میں چلا گیا، اور بیس ماڈل کمپنیوں کا تمام وینچر کیپیٹل کا 14.2% حصہ تھا۔ (کرتا)

تین نمبروں میں سے دوسرا وہ ہے جو اپنی طرف توجہ مبذول کرتا ہے اور تقریبا ہمیشہ غلط پڑھا جاتا ہے۔ یہ حقیقت کہ 83% سافٹ ویئر بطور سروس سرمایہ AI کی درجہ بندی کی گئی کمپنیوں کے پاس گیا اس بات کا ثبوت نہیں ہو سکتا کہ سرمائے نے سافٹ ویئر چھوڑ دیا ہے کیونکہ آبادی کی پیمائش سافٹ ویئر کمپنیاں ہیں۔

اعداد و شمار ایک صنعت سے دوسری صنعت میں سرمائے کی نقل و حرکت کا حساب نہیں دیتے ہیں۔ یہ وضاحت کرتا ہے کہ کیوں سافٹ ویئر کمپنیوں کو تین سال پہلے کے مقابلے مختلف طریقے سے درجہ بندی کیا جاتا ہے۔

جب انڈسٹری کمپوزیشن کے بارے میں ایک بیان کے طور پر پڑھا جاتا ہے، تو یہ بیان "83% سافٹ ویئر کیپٹل مصنوعی ذہانت میں منتقل ہو گیا ہے" دریافت سے زیادہ ٹاٹولوجی ہے۔ کیونکہ 2026 میں سرمایہ اکٹھا کرنے والی سافٹ ویئر کمپنیوں کی اکثریت کا کہنا ہے کہ وہ مشین لرننگ سسٹم کو استعمال کر رہی ہیں، یا اس کے ارد گرد تعمیر کر رہی ہیں۔ یہ سیکٹر کی تفصیل نہیں ہے، بلکہ ٹیکنالوجی کے اسٹیک کی تفصیل ہے۔

کارٹا نے 2025 میں سیریز A سے شروع ہونے والے ہر مرحلے پر ایک AI ویلیو ایشن پریمیم بھی ریکارڈ کیا ہے۔ میڈین AI کمپنی کی قدر سیریز A میں میڈین غیر AI کمپنی سے تقریباً 38% زیادہ تھی، پریمیم اس وقت تک بڑھتا رہا جب تک کہ یہ سیریز E اور اس سے اوپر (Carta) میں تقریباً 193% تک نہ پہنچ جائے۔

لیبل ایک وسیع درجہ بندی ہے اور ویلیو ایشن پریمیم بذات خود تکنیکی دفاع کا ثبوت نہیں ہے۔ لہذا، ان اعداد و شمار کو اس پیمائش کے طور پر پڑھنا چاہیے کہ سرمایہ کار درجہ بندی کے لیے کیا ادائیگی کریں گے بجائے اس کے کہ درجہ بندی میں کیا شامل ہے۔

بہر حال، یہ براہ راست اس تجویز سے متصادم ہے کہ چونکہ AI سافٹ ویئر تیار کر سکتا ہے، سرمایہ کاروں نے یہ نتیجہ اخذ کیا ہے کہ سافٹ ویئر کم قیمت کا ہے۔ ایک مارکیٹ جو اس نقطہ نظر کو رکھتی ہے وہ سافٹ ویئر کمپنیوں کے لئے بڑھتا ہوا پریمیم ادا نہیں کرے گی جو اسے استعمال کرتی ہیں۔

کارٹا کے اپنے سافٹ ویئر صرف فنڈ ریزنگ بینچ مارکس اوورلیپ کو واضح کرتے ہیں۔ 2026 کی پہلی ششماہی میں سافٹ ویئر کمپنیوں پر مشتمل 1,000 سے زیادہ راؤنڈز کا جائزہ لیتے ہوئے، ہم نے پایا کہ Seed نے $4.1 ملین اکٹھے کر کے تقریباً $24.3 ملین اکٹھے کیے، Series A نے $14.4 ملین اکٹھے کر کے تقریباً $80 ملین اکٹھے کیے، Series B نے تقریباً $191 ملین اکٹھے کیے اور Series نے $25 ملین جمع کیے، Series نے $25 ملین اکٹھے کیے تقریباً 24.3 ملین ڈالر جمع ہوئے۔ اس کی اوسط سابقہ ​​قیمت $789 ملین تھی۔

کارٹا نوٹ کرتا ہے کہ اس کے سافٹ ویئر کے نمونے میں کم از کم نصف کمپنیاں ممکنہ طور پر AI پر مبنی (کارٹا) کے طور پر اہل ہوں گی۔

صرف سافٹ ویئر کا گول بینچ مارک، 2026 کا پہلا نصف	میڈین پوسٹ ویلیویشن	درمیانی اضافہ
بیج	تقریباً 24.3 ملین ڈالر	تقریباً 4.1 ملین ڈالر
سیریز اے	تقریباً 80 ملین ڈالر	تقریباً 14.4 ملین ڈالر
سیریز بی	تقریباً 191 ملین ڈالر	تقریباً 25 ملین ڈالر
سیریز سی	تقریباً 391 ملین ڈالر	متعین نہیں
سیریز ڈی	تقریباً 789 ملین ڈالر	متعین نہیں

ایگریگیشن سافٹ ویئر سیریز بھی اسی طریقہ کی طرف اشارہ کرتی ہے۔ سافٹ ویئر-ایس-ا-سروس (ساس) کمپنیوں نے 2025 کی پہلی تین سہ ماہیوں میں 28.2 بلین ڈالر اکٹھے کیے، جو 2024 کی اسی مدت کے مقابلے میں 25 فیصد اضافہ ہے، جبکہ فنڈ ریزنگ ایونٹس کی تعداد میں کوئی تبدیلی نہیں ہوئی۔ اس کا مطلب یہ ہے کہ تقریباً اتنی ہی تعداد میں سافٹ ویئر فنانسنگ میں زیادہ سرمایہ لگایا گیا ہے، اور اوسط راؤنڈ سائز، لیکن راؤنڈز کی تعداد میں اضافہ نہیں ہوا ہے۔

2026 کی پہلی ششماہی کے مطابق، سافٹ ویئر-ایس-اے-سروس (ساس) کی فنڈنگ ​​اب بھی تقریباً 24 بلین ڈالر پر کام کر رہی ہے، جو وسیع پیمانے پر مستحکم ہے یہاں تک کہ بہت سے دیگر اسٹارٹ اپ زمرے سکڑ رہے ہیں (کارٹا)۔

سافٹ ویئر-ایس-اے-سروس (ساس) کمپنیوں نے 2025 کی پہلی تین سہ ماہیوں میں 28.2 بلین ڈالر اکٹھے کیے (سال بہ سال 25 فیصد زیادہ)، فنڈنگ ​​کے واقعات کی تعداد میں عملی طور پر کوئی تبدیلی نہیں ہوئی۔ 2026 کی پہلی ششماہی میں، سافٹ ویئر-ایس-اے-سروس (ساس) کی فنانسنگ اب بھی تقریباً 24 بلین ڈالر (کارٹا) تک پہنچ گئی۔

زیربحث ٹرانزیکشنز کی تعداد کا مشاہدہ سیکشن 29 سے واضح طور پر منسلک ہونے کا مستحق ہے۔ 2025 کی پہلی ششماہی اور 2026 کی پہلی ششماہی کے درمیان بیج ڈالر میں 42 فیصد کمی ریکارڈ کی گئی تھی، اور سیریز نے یہ واضح کیا کہ چونکہ اس نے ڈیل ڈالر کے بجائے ڈالر کی اطلاع دی ہے، اس لیے یہ فرق نہیں کر سکتا کہ کم تعداد میں فنڈز فراہم کیے جانے کی وجہ سے کم کمپنیوں کے درمیان فنڈز فراہم کیے جائیں گے۔

سافٹ ویئر سیریز اس سوال کو حل نہیں کرتی ہے کیونکہ یہ مختلف ونڈوز میں مختلف مراحل کی ترتیب کا احاطہ کرتی ہے۔ یہ 2025 تک کے تمام مراحل میں ایک سیکٹر کی مجموعی ہے، جبکہ بیجوں کا سکڑاؤ 2026 تک تمام شعبوں میں ایک مرحلہ مجموعی ہے۔

لیکن یہ جواب کو محدود کرتا ہے۔ سافٹ ویئر کے اندر اور فوری مدت میں، سودوں کی تعداد فلیٹ تھی جیسا کہ ڈالر میں اضافہ ہوا، جو کہ سستی تعمیرات کے طریقہ کار کے خلاف ہے جس کی وجہ سے بانیوں کو کم سرمائے کے ساتھ ایک ہی سنگ میل تک پہنچنے کی اجازت ملتی ہے۔ قارئین کو چاہیے کہ وہ اسے حل کرنے کے بجائے آیت 29 میں موجود ابہام کو کم کرنے کے طور پر سمجھیں، اور ریاضی کے لحاظ سے دونوں سلسلے کو یکجا نہیں کرنا چاہیے۔

کارٹا ڈیٹا میں دیکھے جانے والے درجہ بندی کے مسائل ایکسلریٹر آبادی میں نمایاں طور پر زیادہ واضح ہو جاتے ہیں، جہاں کمپنی کی سطح کی ٹیگنگ کا براہ راست معائنہ کیا جا سکتا ہے۔

Y Combinator نے 5,000 سے زیادہ کمپنیوں کو فنڈ فراہم کیا ہے۔ ستمبر 2026 کے ریکارڈ کے مطابق، عوامی ڈائریکٹری تقریباً 948 کمپنیوں کو AI درجہ بندی کے تحت اور تقریباً 953 کمپنیوں کو سافٹ ویئر کے تحت بطور سروس درجہ بندی (Y Combinator) درج کرتی ہے۔ ان دو نمبروں کو شامل نہیں کیا جانا چاہئے کیونکہ آبادی نمایاں طور پر اوورلیپ ہوتی ہے اور ڈائرکٹری ایک ہی کمپنی کو AI، Software-as-A-Service، B2B، انٹرپرائز سافٹ ویئر، ڈیولپر ٹولز، اور سیکیورٹی کی درجہ بندی بیک وقت انجام دینے کی اجازت دیتی ہے۔

انفرادی کمپنی کے ریکارڈ محض امکان کے بجائے اوورلیپ کو واضح بناتے ہیں، اور ڈائریکٹری میں موجودہ نسل کے ماڈل سے بہت پہلے قائم کی گئی کمپنیاں شامل ہیں جو اصل انٹرپرائز سافٹ ویئر کی درجہ بندی کے ساتھ ساتھ AI کی درجہ بندی کرتی ہیں، بشمول موسم گرما 2014 بیچ کی بیک گراؤنڈ چیک کمپنیاں۔

یہ زمرہ کی منتقلی کی سب سے واضح طور پر قابل مشاہدہ شکل ہے۔ کمپنی نے 2014 میں تخلیقی AI کاروبار کے طور پر آغاز نہیں کیا تھا، اور AI روایتی سافٹ ویئر کمپنیوں کے کام کا حصہ بن گیا ہے۔

تازہ ترین بیچ ثبوت کے معیار کے بارے میں اہم قابلیت کے ساتھ نقطہ کو اور بھی تیز کرتا ہے۔ 2026 کے پہلے تین بیچوں میں عوامی طور پر شروع کی جانے والی تمام Y Combinator کمپنیوں کے آزادانہ تجزیے سے یہ نتیجہ اخذ کیا گیا کہ 626 کمپنیوں میں سے 494 (تقریباً 79%) کو AI ٹیگ رکھنے کے طور پر درجہ بندی کیا گیا تھا، اور یہ کہ ان ہی کمپنیوں میں سے زیادہ تر B2B سافٹ ویئر کے کاروبار بنی ہوئی ہیں۔

2026 کے ایک گروپ کے الگ الگ آزادانہ تجزیے سے معلوم ہوا کہ تقریباً 95% کا AI سے رابطہ تھا اور تقریباً 80% کو AI کی بنیاد پر درجہ بندی کیا گیا تھا۔ تیسرا تقریباً 91% AI سے متعلق تھا، جس میں صرف 39% ایپلی کیشن لیئر پر کام کرتے تھے۔

ان میں سے کوئی بھی سرکاری Y Combinator کے اعداد و شمار نہیں ہیں، اور رپورٹ انہیں بنیادی معیارات کے بجائے ثانوی ثبوت کے طور پر پیش کرتی ہے۔ 79%، 91% اور 95% کے درمیان تضاد کوئی تضاد نہیں ہے جسے حل کرنے کی ضرورت ہے۔ یہی دریافت ہے۔ ایک ہی آبادی کے تین محتاط تجزیوں کے درمیان پھیلاؤ اس بات کا براہ راست پیمانہ ہے کہ AI کمپنی کی تعریف کے لحاظ سے جوابات میں کتنا فرق ہوتا ہے، اور ایک درجہ بندی جہاں آبادی کا تخمینہ 16 فیصد پوائنٹس سے مختلف ہوتا ہے تعریف کی بنیاد پر صنعت کی حد کے طور پر کام نہیں کرتا۔

سب سے بڑے وینچرز کے مینیجرز اسی ہجرت کو اپنے الفاظ میں بیان کرتے ہیں۔ یہ مفید ہے کیونکہ یہ درجہ بندی سے ارادے کا اندازہ لگانے کی ضرورت کو ختم کرتا ہے۔

جنوری 2026 میں، اینڈریسن ہورووٹز نے 15 بلین ڈالر سے زیادہ کی نئی فنڈنگ ​​کا اعلان کیا، جس میں تقریباً 1.7 بلین ڈالر کی ایپلی کیشنز، 1.7 بلین ڈالر انفراسٹرکچر، 6.75 بلین ڈالر گروتھ، 1.176 بلین امریکن ڈائنامزم، اور 700 ملین ڈالر بائیو اینڈ ہیلتھ شامل ہیں (Andreessen Horowitz)۔

ساخت کی قابل ذکر خصوصیات شامل نہیں ہیں۔ کمپنی نے اپنی ایپلی کیشنز اور انفراسٹرکچر کیٹیگریز کو ختم نہیں کیا اور انہیں ایک واحد AI گاڑی سے تبدیل نہیں کیا کیونکہ سافٹ ویئر اب کوئی معنی خیز چیز نہیں رہی تھی۔ ہم نے سافٹ ویئر کی شکل میں فنڈ کے فن تعمیر کو برقرار رکھا اور AI کو اس کے اندر ہونے والی تبدیلی کے طور پر بیان کیا۔

ایپلیکیشن پیپرز کو تین زمروں میں ترتیب دیا گیا ہے: روایتی سافٹ ویئر کیٹیگریز جو AI سے چلتی ہیں، نئے زمرے جہاں سافٹ ویئر براہ راست لیبر کی جگہ لے لیتا ہے، اور ایپلیکیشنز جو کہ ملکیتی ڈیٹا اور بند لوپ ورک فلوز پر بنی ہیں۔

تین زمروں میں سے پہلا (روایتی سافٹ ویئر زمرہ AI پر مبنی بننا) زیر بحث مجموعی رجحان ہے۔ اکاؤنٹنگ پلیٹ فارم AI پر مبنی اکاؤنٹنگ پلیٹ فارم ہوگا۔ کسٹمر ریلیشن شپ سسٹم اے آئی کسٹمر ریلیشن شپ سسٹم بن جاتے ہیں۔ ڈویلپر ٹولز AI کوڈنگ پلیٹ فارم بن جاتے ہیں۔ کمپلائنس پروڈکٹ AI کمپلائنس انجن بن جاتا ہے۔

کمپنی کے اپنے پورٹ فولیو کی تفصیل بالکل اسی طرز کی پیروی کرتی ہے، جس میں ایک سرمایہ کاری کو AI پر مبنی انٹرپرائز ریسورس پلاننگ سسٹم کے طور پر پیش کیا گیا ہے جو کہ ایک متحد ڈیٹا ماڈل پر بنایا گیا ہے اور دوسرا AI پر مبنی کراس بارڈر کمپلائنس انجن کے طور پر جو ریکارڈ کے موجودہ سسٹمز جیسے کہ ادائیگی کے پروسیسرز اور جنرل لیجرز سے جڑتا ہے۔ دونوں انٹرپرائز سافٹ ویئر ہیں جو روایتی انٹرپرائز سافٹ ویئر کے ساتھ مسابقت کے طور پر سمجھے جاتے ہیں، اور دونوں کو پانچ سال پہلے بغیر اہلیت کے سافٹ ویئر کمپنیوں کے طور پر بیان کیا جاتا۔

اسی کمپنی کا ابتدائی مرحلے کا پروگرام عمودی ایجنٹس، ایجنٹ انفراسٹرکچر، ڈویلپر ٹولز، مالیاتی ٹیکنالوجی، صحت کی دیکھ بھال، B2B سافٹ ویئر، اور سیکیورٹی (a16z Speedrun) پر پھیلے ہوئے پورٹ فولیو میں 300 سے زیادہ اسٹارٹ اپس کو سپورٹ کرتا ہے اور 2023 سے لے کر اب تک $300 ملین سے زیادہ کی تقسیم کی رپورٹس۔

مشاہدہ	سطحی پڑھنا	ثبوت کے ذریعہ پڑھنا
83% سافٹ ویئر بطور سروس (ساس) وینچر کیپیٹل AI کمپنیوں کے پاس گیا۔	کیپٹل لیفٹ سافٹ ویئر	سافٹ ویئر کمپنیوں کو اب AI کمپنیوں کے طور پر درجہ بندی کیا گیا ہے۔
حال ہی میں، تقریباً 79% Y Combinator کمپنیوں کے پاس AI ٹیگ ہے۔	ایکسلریٹر نے سافٹ ویئر کی فنڈنگ ​​روک دی۔	زیادہ تر تعیناتیاں AI کے ساتھ بنایا ہوا B2B سافٹ ویئر رہتا ہے۔
اس ڈائرکٹری میں تقریباً 948 AI کمپنیوں اور 953 Software-as-a-Service (SaaS) کمپنیوں کی فہرست ہے۔	ایک جیسے سائز کے دو الگ الگ شعبے	آبادی کی دو بڑے پیمانے پر اوور لیپنگ درجہ بندی
ایک سرکردہ مینیجر کے پاس ایپلی کیشنز کی فنڈنگ ​​میں $1.7 بلین ہے، جو AI میں بہت زیادہ سرمایہ کاری کر رہا ہے۔	AI متبادل سافٹ ویئر	AI درخواست کی پرت کو تبدیل کر رہا ہے۔
پورٹ فولیو کمپنیوں کو AI پر مبنی وسائل کی منصوبہ بندی اور تعمیل کے نظام کے طور پر بیان کیا گیا ہے۔	ایک نئی صنعت نے جنم لیا ہے۔	قائم کردہ سافٹ ویئر کیٹیگریز کو دوبارہ بنایا جا رہا ہے۔

طریقہ کار کا نتیجہ یہ ہے کہ "مصنوعی ذہانت میں سرمایہ کاری کی گئی وینچر کیپیٹل کا X٪" کی شکل کے عنوان کے اعدادوشمار کو "سوفٹ ویئر کی بجائے مصنوعی ذہانت میں سرمایہ کاری کی گئی وینچر کیپیٹل کا X٪" کے طور پر نہیں پڑھا جا سکتا ہے۔ اور فرق اتنا بڑا ہے کہ اس سے اخذ کیے گئے نتائج کو الٹ دے۔

ایک زیادہ کارآمد درجہ بندی اوور لیپنگ کے بجائے باہمی طور پر خصوصی ہوگی، اور AI انفراسٹرکچر سافٹ ویئر، AI مقامی ایپلیکیشن سافٹ ویئر، AI- فعال روایتی سافٹ ویئر، روایتی سافٹ ویئر-as-a-Service (SaaS) اور غیر سافٹ ویئر کاروبار سے الگ ماڈل کمپنیاں ہوں گی۔

یہ رپورٹ 2026 میں وینچر کیپیٹل کے ذریعے مالی اعانت فراہم کرنے والے سافٹ ویئر کے حصہ کا نام نہیں دے سکتی، کیونکہ فی الحال اس معیار پر کوئی عوامی ڈیٹا سیٹس رپورٹ نہیں کر رہے ہیں۔ دستیاب شواہد بتاتے ہیں کہ تناسب اہم ہیں اور موجودہ اعدادوشمار سافٹ ویئر سے منتقلی کو منظم طریقے سے بڑھاتے ہیں۔ کوئی صحیح سائز قائم نہیں کیا گیا ہے اور یہ رپورٹ دوسری صورت میں دعوی نہیں کرتی ہے۔

اس میں سے کسی کا مطلب یہ نہیں ہے کہ AI فنڈنگ ​​لاجواب ہے۔ فاؤنڈیشن ماڈل کمپنیاں، ایجوکیشن انفراسٹرکچر، انفرنس پرووائیڈرز، اور ڈیٹا بزنسز مکمل طور پر نئی کیٹیگریز ہیں جو پچھلے سافٹ وئیر سائیکلز میں موجود نہیں تھیں، اور فاؤنڈیشنل ماڈلز میں آنے والے کل وینچر کیپیٹل کا 14.2% اصل سرمایہ ہے جو سافٹ ویئر ایپلیکیشن کے علاوہ کچھ اور بڑھاتا ہے۔

یہاں اٹھائے گئے استدلال کا دائرہ کم ہے اور اس رعایت کے باوجود باقی ہے۔ AI کی سرمایہ کاری کا ایک اہم حصہ سافٹ ویئر کمپنیوں میں سرمایہ کاری ہے، اور اگر سافٹ ویئر واقعی اپنی معاشی اہمیت کھو رہا ہے کیونکہ AI اسے نقل کرنا کم آسان بناتا ہے، تو قابل مشاہدہ دستخط سافٹ ویئر کمپنیوں کو سرمایہ حاصل کرنے والے زمرے کے طور پر دوبارہ برانڈ کرنے کی بجائے سافٹ ویئر اثاثہ کلاس سے دور کیپیٹل کی منتقلی ہوگی۔

32. جہاں پریمیم سافٹ ویئر میں ہے۔

اگر سرمائے نے سافٹ ویئر نہیں چھوڑا تو سوال یہ ہے کہ وہ کس سافٹ ویئر کی ادائیگی کر رہا ہے۔ یہاں پبلک اور ٹیک اوور مارکیٹ غیر معمولی طور پر واضح ہے۔

سیکشن 28 2026 کی پہلی سہ ماہی میں پبلک سافٹ ویئر کے بطور سروس انٹرپرائز لین دین کی اوسط قدر کو تقریباً 3.6x فروخت کرتا ہے، جو پچھلے سال کی اسی مدت میں تقریباً 6.7x سے کم ہے۔ یہ سلسلہ اگلی سہ ماہی تک اسی سمت جاری رہا۔ 106 پبلک سافٹ ویئر کے طور پر ایک سروس (SaaS) کمپنیوں میں، میڈین انٹرپرائز ویلیو ٹو ریونیو ملٹیپل 2025 کی دوسری سہ ماہی میں تقریباً 5.7x سے گر کر 2026 کی دوسری سہ ماہی (سافٹ ویئر ایکویٹی گروپ) میں تقریباً 3.2x رہ گیا۔

اعداد و شمار کے دو سیٹ مسابقتی تخمینے نہیں ہیں، بلکہ مسلسل مشاہدات کا ایک سلسلہ جو مختلف سال پرانی بنیادی خطوط کے خلاف ماپا جاتا ہے، اور الٹ جانے کی بجائے مسلسل کمپریشن کی مثال دیتا ہے۔

جو بات چھپاتی ہے وہ یہ ہے کہ کمپریشن نمایاں طور پر ناہموار تھا۔ اسی سہ ماہی میں سافٹ ویئر کے زمرے کے لحاظ سے میڈین ملٹیلز انڈیکس میڈین سے نمایاں طور پر مختلف تھے۔

سافٹ ویئر کیٹیگریز، Q2 2026	پچھلی کمائیوں کے لیے میڈین انٹرپرائز ویلیو
DevOps اور IT مینجمنٹ	تقریباً 5.3 گنا
انٹرپرائز ریسورس پلاننگ اور سپلائی چین	تقریباً 4.6 گنا
سیکورٹی	تقریباً 4.3 گنا
عمودی سافٹ ویئر	تقریباً 3.7 گنا
سافٹ ویئر بطور سروس (ساس) انڈیکس مجموعی طور پر	تقریباً 3.2 گنا

106 پبلک سافٹ ویئر-ایس-سروس (ساس) کمپنیوں میں، میڈین انٹرپرائز ویلیو ٹو ریونیو ملٹیپل 2026 کی دوسری سہ ماہی میں تقریباً 3.2x تک گر گیا جو ایک سال پہلے تقریباً 5.7x تھا۔ دریں اثنا، DevOps اور IT مینجمنٹ نے تقریباً 5.3x پر، انٹرپرائز ریسورس پلاننگ (ERP) اور سپلائی چین نے تقریباً 4.6x پر، سیکیورٹی تقریباً 4.3x پر، اور ورٹیکل سافٹ ویئر نے تقریباً 3.7x پر تجارت کی۔ (سافٹ ویئر اثاثہ گروپ)

انڈیکس میڈین کے اوپر تجارت کرنے والے زمرے ہلکے وزن والے انٹرفیس کاروبار نہیں ہیں۔ وہ انفراسٹرکچر، سسٹم ایڈمنسٹریشن، سیکورٹی، انٹرپرائز سسٹم آف ریکارڈ، آپریشنل ورک فلو، اور انڈسٹری کی تخصص میں شامل ہیں۔ یعنی، سیکشن 37 جن خصوصیات کو زندہ رہنے والی کھائی کی تشکیل کے طور پر شناخت کرتا ہے ان کا نقشہ اس قدر باریک بینی سے بنایا گیا ہے کہ کسی کو ان کو نوٹ کرنا چاہیے، لیکن انھیں زیادہ پڑھنا نہیں چاہیے۔

مارکیٹ کی پوزیشن، جس کی قیمت میں اظہار کیا گیا ہے، یہ ہے کہ اب صرف سافٹ ویئر کافی نہیں ہے، اور وہ سافٹ ویئر جسے ہٹانا یا چلانا مشکل ہے، جو تکنیکی طور پر ڈیمانڈ یا گہرائی سے سرایت کر رہا ہے، پھر بھی سافٹ ویئر پر پریمیم کا حکم دیتا ہے جو نہیں ہے۔

حصول کے بازار میں، وہی ترجیحات زیادہ واضح طور پر بیان کی جاتی ہیں کیونکہ حاصل کرنے والوں کو جذبات کی بجائے مستعدی کی بنیاد پر اپنی قیمتوں کا جواز پیش کرنا چاہیے۔

2026 کی دوسری سہ ماہی کے ذریعے گزشتہ 12 مہینوں میں سافٹ ویئر کے طور پر ایک سروس (ساس) کے انضمام اور حصول 2,784 سودے تک پہنچ گئے، جو انڈیکس کے ذریعہ ریکارڈ کردہ سب سے زیادہ لین دین کا حجم ہے اور پہلی سہ ماہی کے دوران ریکارڈ کیے گئے 2,723 سودوں کو جاری رکھنا ہے۔ بیکار ہے کیونکہ کوڈ کو اصولی طور پر دوبارہ تخلیق کیا جا سکتا ہے۔

جو چیز حجم سے زیادہ نمایاں ہے وہ کمپوزیشن ہے۔ 2026 کی دوسری سہ ماہی میں 54% سافٹ ویئر کے طور پر ایک سروس (SaaS) کے حصول عمودی طور پر مرکوز تھے، جو پچھلے سال کے 46% سے زیادہ تھے، صحت کی دیکھ بھال کا تقریباً 16% عمودی سودوں کا اور مالیاتی خدمات کا حساب تقریباً 12.8% تھا۔ دو سب سے زیادہ فعال مصنوعات کے زمرے تجزیات اور ڈیٹا مینجمنٹ (126 ٹرانزیکشنز) اور مواد اور ورک فلو مینجمنٹ (123 (سافٹ ویئر ایکویٹی گروپ)) تھے۔

2026 کی دوسری سہ ماہی کے ذریعے سافٹ ویئر-ایس-اے-سروس (ساس) کے انضمام اور حصول گزشتہ 12 مہینوں میں 2,784 سودے تک پہنچ گئے، 54% عمودی طور پر مرکوز، جو پچھلے سال کی اسی مدت میں 46% سے زیادہ ہے۔ تجزیات اور ڈیٹا مینجمنٹ 126 ٹرانزیکشن ریکارڈز، مواد اور ورک فلو مینجمنٹ 123 (سافٹ ویئر اثاثہ گروپ)

خریدار کا سروے جو اس ڈیٹا کے ساتھ ہوتا ہے، ثبوت کی بنیاد میں کہیں بھی دستیاب تقسیم کا سب سے سیدھا سادھا اکاؤنٹ ہے کیونکہ یہ کاغذ کے دونوں حصوں کو ایک ہی جواب دہندہ کے بیک وقت ریکارڈ کرتا ہے۔ سروے میں شامل 85% سافٹ ویئر خریداروں نے AI پر مبنی تجارت کو اپنے سافٹ ویئر کی قدر کے لیے واحد سب سے بڑا خطرہ قرار دیا۔ انہی خریداروں نے بلٹ ان ورک فلوز، کسٹمر ریٹینشن، آپریشنل اسکیل، ڈیٹا فوائد، اور قابل اعتماد AI تفریق (سافٹ ویئر ایکویٹی گروپ) کے لیے پریمیم ادا کرنے کی اطلاع دی۔

ایک ایسی آبادی جو یہ سمجھتی ہے کہ اجناس ایک بڑا خطرہ ہے اور اس کے ساتھ ساتھ کچھ خاص صفات کے لیے ایک پریمیم ادا کرتی ہے جو اجناس کے خلاف مزاحمت کرتی ہے۔ ہم ٹپنگ پوائنٹ پر قیمتوں کا تعین کر رہے ہیں۔

سائبرسیکیوریٹی الگ تھلگ کرنے کے قابل ہے کیونکہ یہ ایک مفید ٹیسٹ کیس کے طور پر کام کرتی ہے اور ایک ساتھ کئی الجھنے والے عوامل کو کنٹرول کرتی ہے۔ سیکورٹی کمپنیاں وہ کمپنیاں ہیں جو تقریباً مکمل طور پر سافٹ ویئر ہیں اور اس باب کے دائرہ کار میں مہارت رکھتی ہیں۔ ناکامی کی قیمت گاہک برداشت کرتا ہے، اور مصنوعات کی قیمت کا انٹرفیس کے معیار سے تقریباً کوئی تعلق نہیں ہے۔ اس کی وجہ یہ ہے کہ مساوی ڈیش بورڈز بنانے والے حریف خریداروں کی خواہش کے مطابق کچھ بھی بنانے سے قاصر تھے۔

سائبرسیکیوریٹی اور پرائیویسی اسٹارٹ اپس 2025 میں تقریباً 18 بلین ڈالر کی وینچر فنڈنگ ​​اکٹھا کریں گے، جو پچھلے سال کے مقابلے میں تقریباً 26 فیصد زیادہ ہے اور پچھلی دہائی میں تیسری سب سے زیادہ سالانہ کل رقم ہے۔ صرف 2026 کی پہلی ششماہی میں، سیکیورٹی اور پرائیویسی اسٹارٹ اپس نے اضافی $10.6 بلین اکٹھے کیے، بشمول ایک ڈیٹا سیکیورٹی کمپنی جس نے $12 بلین کی قیمت پر $600 ملین اکٹھے کیے اور ایک اینڈ پوائنٹ مینجمنٹ پلیٹ فارم جس نے سالانہ $400 ملین سے زیادہ اکٹھا کیا۔ $12.3 بلین ویلیویشن (کرنچ بیس نیوز)۔

سائبرسیکیوریٹی اور پرائیویسی اسٹارٹ اپس نے 2025 میں تقریباً 18 بلین ڈالر اکٹھے کیے، جو پچھلے سال کے مقابلے میں تقریباً 26 فیصد زیادہ ہیں، اور 2026 کی پہلی ششماہی میں اضافی 10.6 بلین ڈالر۔ (کرنچ بیس نیوز)

وہ زمرے جن میں خریدار تقریباً خصوصی طور پر اس بارے میں فکر مند ہوتے ہیں کہ آیا سسٹم واقعی ان کے بنیادی ڈھانچے کی حفاظت کرتا ہے، ڈیٹا کی بڑی مقدار کو ہینڈل کرتا ہے، درست طریقے سے انضمام کرتا ہے، حقیقی حملوں کا پتہ لگاتا ہے، بوجھ کے تحت قابل اعتمادی کو برقرار رکھتا ہے، اور مراعات یافتہ رسائی کے ساتھ بھروسہ کیا جا سکتا ہے، وہ زمرے ہیں جن میں مسابقتی پروڈکٹ کو تیزی سے بنانے کی اہلیت کا معاشی تعلق بہت کم ہے۔ اسی مدت کے دوران جس میں مرکزی سافٹ ویئر ملٹیپلز تقریباً نصف رہ گئے تھے، سرمایہ قریب قریب ریکارڈ سطحوں پر آتا رہا۔

ایک شرط اس سیکشن میں ہر چیز پر لاگو ہوتی ہے اور اس میں نرمی نہیں ہونی چاہیے۔ اس میں سے کوئی بھی ڈیٹا وجہ ثابت نہیں کرتا۔ ڈیٹاسیٹ کمپنیوں کو تعمیراتی پیچیدگی کے براہ راست اقدامات، اسے دوبارہ تیار کرنے کے لیے درکار انجینئر سالوں کی تعداد، یا تکنیکی گہرائی کے لحاظ سے درجہ بندی نہیں کرتا ہے۔ وہ پروڈکٹ کے زمرے کے لحاظ سے ترتیب دیتے ہیں، جو کہ گہرائی کے ساتھ نامکمل طور پر منسلک ہے۔

سرمایہ کار اور انڈر رائٹرز غلط ہو سکتے ہیں، زمرے کے پریمیم بنیادی اصولوں کی طرح آسانی سے فیشن کی عکاسی کر سکتے ہیں، اور ایسے ادوار جن میں سیکیورٹیز اور انفراسٹرکچر کی تجارت میڈین سے اوپر ہوتی ہے اس بات کا ثبوت نہیں ہے کہ سیکیورٹیز اور انفراسٹرکچر بنانا مشکل ہے۔

ایک قابل دفاع بیان یہ ہے کہ سافٹ ویئر کے اندر مشاہدہ شدہ قیمت کی تقسیم کی پیش گوئی تقسیم کے مقالے کے ذریعہ کی جاتی ہے اور اس تھیسس کے ساتھ ہم آہنگ ہونا مشکل ہے کہ سافٹ ویئر کی دفاعی صلاحیت عام طور پر غائب ہوگئی ہے۔ یہ وجہ کی بجائے مستقل مزاجی کی تلاش ہے، اور حصہ 4 میں دلائل اس امتیاز کو برداشت کرنے کے لیے بنائے گئے ہیں۔

33. خریدا گیا لیکن بنایا نہیں گیا۔

وینچر کا رویہ قیاس آرائی پر مبنی ہو سکتا ہے اور پہلے دو حصے اس بات کا پیمانہ ہیں کہ سرمایہ کار کیا مانتے ہیں۔ کارپوریٹ خریداری ایک بہت بہتر امتحان ہے۔ اس کی وجہ یہ ہے کہ معاہدے پر دستخط کرنے والے ایگزیکٹوز اس نظام کے بارے میں اپنے فیصلے کا اظہار کر رہے ہیں جس کی انہیں کام کرنے کی ضرورت ہے، نہ کہ ان اثاثوں کے بارے میں جو وہ بیچنا چاہتے ہیں۔

کمپنیاں 2025 میں مصنوعی ذہانت کی مصنوعات پر تقریباً 37 بلین ڈالر خرچ کریں گی، جو کہ 2024 میں تقریباً 11.5 بلین ڈالر سے زیادہ ہے۔ اس میں سے نصف سے زیادہ، تقریباً 19 بلین ڈالر، بنیادی ماڈل یا انفراسٹرکچر کے بجائے ایپلیکیشن لیئر پر خرچ کیے گئے، جو تقریباً 8 ارب 4 کروڑ 70 لاکھ ڈالر ہو گئے۔ محکمہ، اور تقریباً $3.5 بلین عمودی طور پر۔ محکمانہ ایپلی کیشنز میں سال بہ سال تقریباً 4.1x اضافہ ہوا، صرف سوفٹ ویئر ڈویلپمنٹ ٹولز پر انٹرپرائز کے اخراجات تقریباً 4 بلین ڈالر (مینلو وینچرز) تک پہنچ گئے۔

انٹرپرائز جنریٹڈ AI خرچ، 2025	تخمینی قدر
انٹرپرائز سے تیار کردہ کل AI اخراجات	37 بلین ڈالر
درخواست کی پرت	19 بلین ڈالر
افقی درخواست	$8.4 بلین
محکمانہ درخواستیں۔	7.3 بلین ڈالر
عمودی درخواست	$3.5 بلین
سافٹ ویئر کی ترقی کے اوزار	4 بلین ڈالر

اس باب کے سب سے اہم کردار یہ ہیں: اس عرصے میں لگائے گئے 76% انٹرپرائز مصنوعی ذہانت کے حل اندرونی طور پر بنائے جانے کے بجائے خریدے گئے تھے (مینلو وینچرز)۔

76% انٹرپرائز AI سلوشنز اس مدت کے دوران اندرونی طور پر تعمیر کرنے کے بجائے خریدے گئے تھے جب انٹرپرائز سے تیار کردہ AI اخراجات تقریباً 11.5 بلین ڈالر سے بڑھ کر تقریباً 37 بلین ڈالر تک پہنچ گئے تھے۔ (مینلو وینچرز)

یہ اس تجویز کا سب سے صاف بازار ٹیسٹ ہے جس پر پوری فرسودہ دلیل کی بنیاد ہے۔ سب سے مضبوط دلیل یہ ہے کہ ایک بار جب ہر تنظیم کے پاس قابل ماڈل اور کوڈنگ ایجنٹ ہو جائیں تو تنظیمیں پہلے خریدے گئے سافٹ ویئر کو اندرونی طور پر نقل کر دیں گی، اور دکاندار اپنی موجودہ وجہ سے محروم ہو جائیں گے۔

یہاں جن آبادیوں کی پیمائش کی جا رہی ہے وہ وہ ہیں جن کے لیے پیشین گوئیاں سب سے زیادہ مرئی اور فوری طور پر ہونی چاہئیں۔ کمپنیاں AI کی صلاحیتوں کو اپنا رہی ہیں، صنعت کی تاریخ میں کسی بھی گروپ سے بہتر اندرونی کوڈ جنریشن ٹولز کا استعمال انتہائی جوش و خروش کے ساتھ کر رہی ہیں، اور ایسی مصنوعات خرید رہی ہیں جن کی بنیادی خصوصیات اصولی طور پر ماڈل فراہم کرنے والوں سے براہ راست لائسنس لینے کی صلاحیت ہے۔ ان میں سے تین چوتھائی سافٹ ویئر خریدے۔

اس کی وجہ حصہ چہارم کا موضوع ہے جسے خریدار کی طرف سے دوبارہ بیان کیا گیا ہے۔ جب کمپنیاں پروڈکشن سافٹ ویئر خریدتی ہیں، تو وہ جو خرید رہی ہیں وہ صرف کوڈ کا ایک ٹکڑا ہے۔ یہ ایک ایسی تنظیم بھی ہے جو پہلے سے چل رہے سسٹمز کے ساتھ انضمام کر سکتی ہے، اپنے بوجھ کے تحت قابل اعتماد ہو سکتی ہے، حفاظتی کرنسی رکھتی ہے جو یہ آڈیٹرز کو فراہم کر سکتی ہے، اس بات کا علم رکھتی ہے کہ ورک فلو اصل میں کس طرح کام کرتے ہیں اس سے کہ وہ کاغذ پر بیان کیے گئے ہیں، جب سسٹم میں خرابی ہوتی ہے تو اس کی مدد، ضروریات میں تبدیلی کے طور پر مسلسل ترقی، قابل دفاع ڈیٹا ہینڈلنگ، اور کنٹریکٹ کے مسائل کا سامنا کرنا پڑتا ہے۔

آیت 37 کا دعویٰ ہے کہ یہ ایک کھائی ہے۔ خریداری کے اعداد و شمار سے پتہ چلتا ہے کہ خریدار اس کے لیے ادائیگی کر رہے ہیں، جو کہ ایک ہی دلیل ہے جو قدر کے ملٹیلز فراہم کر سکتے ہیں۔ دفعہ 38 کا مجموعی نتیجہ اس کا ایک اور پہلو ہے۔ جب خریدار سپلائرز کی تعداد کو کم کرتا ہے، تو اس کی وجہ یہ نہیں ہے کہ وہ اندرون ملک تعمیر کر رہے ہیں اور سپلائی کرنے والوں کی تعداد کو صفر کر رہے ہیں، بلکہ اس لیے کہ وہ زیادہ ذمہ داری کے ساتھ سپلائی کرنے والوں کی ایک چھوٹی تعداد پر توجہ مرکوز کر رہے ہیں۔

ایک ہی ڈیٹا سیٹ سے ایک نتیجہ نکالے جانے کے بجائے یہاں رپورٹ کیا گیا ہے، کیونکہ یہ اس رپورٹ میں دعووں کا ایک وسیع ورژن ہے۔ AI سٹارٹ اپس کا تقریباً 63% ایپلی کیشن لیئر AI ریونیو ہے، جس میں سٹارٹ اپ کا حصہ عمودی ایپلی کیشنز (Menlo Ventures) میں تقریباً 88% تک پہنچ گیا ہے۔ لہٰذا، انکمبنسی فی سی کوئی کھائی نہیں ہے، اور یہ آرام دہ اور پرسکون پڑھنا کہ بڑی، قائم کردہ سافٹ ویئر کمپنیاں ان کے سائز سے محفوظ ہیں۔ موجودہ ماڈل پر تعمیر کرتے ہوئے، نئے داخل ہونے والے موجودہ دکانداروں سے درخواست کی آمدنی پیمانے اور رفتار سے حاصل کر رہے ہیں۔

AI سٹارٹ اپس کا تقریباً 63% ایپلیکیشن لیئر AI ریونیو ہے، جو عمودی ایپلی کیشنز میں تقریباً 88% تک بڑھ گیا ہے۔ (مینلو وینچرز)

نتائج واضح طور پر بیان کرنے کے قابل ہیں کیونکہ وہ کسی بھی سمت میں زیادہ تصحیح کا شکار ہیں۔ یہ ظاہر نہیں کرتا ہے کہ سافٹ ویئر میں کھائی نہیں ہے۔ اس سے پتہ چلتا ہے کہ کھائی ایک مجموعی ہندسی سطح یا نصب شدہ بنیاد جڑتا نہیں ہے۔ جو کامیاب داخلے تیار کر رہے ہیں وہ نئے سافٹ ویئر سسٹمز ہیں جو بہتر ماڈلز، ملکیتی ورک فلو علم، ڈومین سیاق و سباق، ڈیٹا، انضمام، اور انجینئرنگ کے معیار کے ارد گرد ترتیب دیے گئے ہیں۔ یہ سیکشن 32 کی قیمتوں میں حصول پریمیم کی وہی فہرست ہے جس کی نشاندہی سیکشن 37 میں کی گئی ہے۔

لہذا ہم حصہ 4 سے جو نتیجہ اخذ کر سکتے ہیں وہ یہ ہے کہ صرف اس لیے کہ بڑی سافٹ ویئر کمپنیاں بڑی ہیں اس کا مطلب یہ نہیں ہے کہ وہ محفوظ ہیں۔ جدید ترین سافٹ ویئر کا تب بھی دفاع کیا جا سکتا ہے جب اس کی قدر پہلے سے موجود فعالیت کی مقدار کے بجائے کوڈ کے ارد گرد موجود پورے آپریٹنگ سسٹم میں ہو۔ ہم یہ نتیجہ بھی اخذ کر سکتے ہیں کہ یہ تجویز بالکل درست ہے کیونکہ یہ ایسے عہدہ داروں کی مذمت کرتی ہے جن کے اثاثے صرف ان کے جمع ہونے کی سطح ہیں، بالکل اسی طرح جیسے یہ عوامی ماڈلز کے گرد پتلی چادر کی مذمت کرتا ہے۔

34. چاقو اور پتھر

پچھلے چار حصوں میں بیان کردہ سرمایہ کاری کے نمونوں میں تکنیکی وضاحتیں شامل ہیں، جو حصہ I کی طرح ہیں، جو تخمینہ کے بجائے پیمائش کے ذریعے قائم کی گئی ہیں۔

ماڈل کی صلاحیتوں میں مسلسل بہتری آئی ہے، اور پوری صنعت میں ریلیز سائیکل نمایاں طور پر تیز ہو گئے ہیں۔ اس کا مطلب ہے کہ پچھلی نسلوں کے مقابلے بہتر ہیڈ لائن بینچ مارک سکور کے ساتھ زیادہ سسٹمز زیادہ کثرت سے شروع ہو رہے ہیں۔

جو چیز متناسب طور پر نہیں ہوتی ہے وہ کاموں کی مخصوص کلاسوں کی صلاحیتیں ہیں جو اس بات کا تعین کرتی ہیں کہ آیا ایک مشکل سافٹ ویئر سسٹم بنایا جا سکتا ہے۔ اس نکتے پر ثبوت سیکشن 39 میں بیان کیا گیا ہے اور غیر معمولی طور پر آزاد گروپوں میں مطابقت رکھتا ہے۔

6 ڈومینز، 8 پروگرامنگ زبانوں، 6 ڈیٹا بیسز، اور 13 فریم ورکس پر محیط 30 پیچیدہ انٹرپرائز کاموں میں، 95% سے زیادہ ایجنٹ کی غلطیاں اس سے پہلے ہوئیں کہ سسٹم گہری کاروباری منطق (arXiv) تک پہنچ جائے۔ 23 قابل تعیناتی سافٹ ویئر سسٹمز اور 106 حقیقت پسندانہ پیشہ ورانہ ورک فلو کے ساتھ، سب سے طاقتور ماڈل منصوبہ بندی، ریاستی ٹریکنگ، کراس ایپلیکیشن سیاق و سباق، اور ایرر ریکوری (arXiv) میں ناکام رہا، جس نے کل کام کا 4% سے بھی کم کام مکمل کیا۔ ریسرچ انجینئرنگ کے کاموں میں، ایجنٹ 2 گھنٹے سے بھی کم وقت میں انسانی ماہرین کو پیچھے چھوڑ دیتے ہیں اور 32 گھنٹے میں انسانی ماہرین سے پیچھے رہ جاتے ہیں۔ یہ موضوع کے بجائے وقت کے بجٹ میں اس کی تقطیع تلاش کرتا ہے۔

اس چیز کی شکل ایک نام کی مستحق ہے۔ کیونکہ تیز پروف ریڈنگ کوئی خرابی نہیں ہے۔ ایک چاقو جو اکثر تیز کیا جاتا ہے وہ کم محنت کے ساتھ زیادہ روٹی کو تیزی سے کاٹتا ہے، لیکن اس سے یہ پتھر کاٹنے والا نہیں ہوتا ہے۔ نفاست صرف اس مواد کے لئے غلط جہت ہے اور طول و عرض کے پتھر کے ساتھ کسی اضافی نفاست کی حرکت کی ضرورت نہیں ہے۔

موجودہ نظاموں میں جو صلاحیتیں بہتر ہو رہی ہیں، وہ ہیں، اس مشابہت میں، وضاحت: روانی، یاد کرنے کی وسعت، پیداوار کی رفتار، اور انفرادی طور پر تیار کردہ نمونے کا معیار۔ مشکل نظاموں کے لیے درکار صلاحیتیں مختلف قسم کی ہوتی ہیں اور طویل افق پر مستقل مستقل مزاجی، ماڈل کے سیاق و سباق سے باہر موجود ریاستوں کی درست ہینڈلنگ، ایسے ماحول میں جزوی خرابی کی بحالی جو کہ ماڈل کے لیے پوری طرح سے قابل مشاہدہ نہیں ہیں، اور اس بارے میں فیصلہ کرنا کہ کئی مربوط ڈیزائنوں میں سے کون سا تنظیم میں کام کر سکتا ہے۔

رپورٹ میں یہ دعویٰ نہیں کیا گیا ہے کہ ان صلاحیتوں تک رسائی حاصل نہیں کی جا سکتی، اور سیکشن 47 واضح طور پر بتاتا ہے کہ کون سے شواہد ظاہر کرتے ہیں کہ یہ صلاحیتیں پہنچ چکی ہیں۔ آج تک کی رفتار سے پتہ چلتا ہے کہ پہلے سیٹ میں دوسرے سے زیادہ تیزی سے بہتری آئی ہے، اور یہ کہ فرق وہی ہے جس کی پیمائش کارپوریٹ بینچ مارکس کرتے ہیں۔

اس دعوے کے لیے وہی نظم و ضبط درکار ہے جو بقیہ رپورٹ پر لاگو ہوتا ہے، اور یہ باب میں سب سے کمزور دعویٰ ہے۔ یہاں، ایک چپٹی قابلیت کے منحنی خطوط کا دعوی کیا جاتا ہے جس کی پیمائش دوسرے مشتقات کی بجائے وقت کے ایک نقطہ پر بینچ مارک کے نتائج کی بنیاد پر کی جاتی ہے، اور بینچ مارکس اس چیز کی پیمائش کرتے ہیں جس کی وہ پیمائش کرتے ہیں۔

METR نے رپورٹ کیا ہے کہ نیا نظام ممکنہ طور پر آزمائش میں جانچے گئے ٹولز سے زیادہ سرعت فراہم کرے گا، موجودہ حدود کو مستقل حدود کے طور پر پڑھنے کے خلاف ایک انتباہ۔ اگر آپ کو لگتا ہے کہ لمبی دوری کی کارروائیوں کے لیے وکر اب بھی کھڑا ہے، تو آپ کو اس حصے کو موجودہ کی وضاحت کے طور پر سمجھنا چاہیے، پیشین گوئی نہیں۔ یہ نوٹ کرنا بھی ضروری ہے کہ ذیل میں سرمایہ کاری کے نتائج موجودہ حدود کی پیروی کرتے ہیں اور اگر وہ مادی طور پر آگے بڑھتے ہیں تو ان پر نظر ثانی کی ضرورت پڑ سکتی ہے۔

ان پابندیوں کو ہٹانے کے براہ راست نتائج ہیں کہ سرمائے کو کہاں لگایا جانا چاہئے اور یہ اس باب کا عملی طور پر سب سے مفید نتیجہ ہے۔

سافٹ ویئر اسٹارٹ اپ کی پچھلی نسلیں محدود، اچھی طرح سے مخصوص، اور نسبتاً آسان مسائل کے ارد گرد بنائی گئی تھیں، جیسے موجودہ پروسیسز کے لیے بہتر انٹرفیس، آپ کے پاس پہلے سے موجود فعالیت کے لیے ورک فلو ٹولز، آپ کے صارفین کے پاس پہلے سے موجود ڈیٹا کے لیے ایک رپورٹنگ پرت، یا افقی نمونوں کی عمودی مثالیں۔

حصہ 1 نے ثابت کیا کہ یہ وہ زمرے ہیں جن کے لیے AI سب سے زیادہ قابل پیمائش فوائد پیش کرتا ہے، اور سیکشن 36 یہ ثابت کرتا ہے کہ یہ وہ زمرے ہیں جو موجودہ شرحوں پر دوبارہ تیار کیے جا رہے ہیں۔

معاشی نتیجہ موقع سے محرومی نہیں ہے۔ موقع منتقل ہو گیا ہے اور صنعت ایک ایسی سمت میں چلی گئی ہے جسے وہ برقرار نہیں رکھ سکتی۔

باقی مسائل حل نہیں کیے گئے کیونکہ وہ بہت مہنگے ہیں، بہت ماہر ہیں، اور سرمائے کو درست ثابت کرنے کے لیے ڈومین کی سمجھ کی ضرورت ہے۔ کلینکل ورک فلو سسٹمز جیسے مسائل جو کہ درست ہونا چاہیے اور نہ صرف قابل استعمال، گرڈ اور انڈسٹریل کنٹرول سافٹ ویئر جہاں خرابیوں کے جسمانی نتائج ہوتے ہیں، انشورنس اور کریڈٹ سسٹم جو ریگولیٹرز کو فیصلوں کی وضاحت کرنے کے قابل ہونا چاہیے، ڈیٹا ماڈلز کا اشتراک نہ کرنے والی تنظیموں کے درمیان لاجسٹک کوآرڈینیشن، اور سیکشن 40 میں بیان کردہ طویل فارم اسٹیٹفول سسٹم۔

یہ ایک ایسا مسئلہ ہے جہاں صحیح نظام بہت اہمیت کا حامل ہو سکتا ہے۔ کیونکہ مسئلہ حل کرنے کی قدر کبھی بھی انٹرفیس لاگت سے محدود نہیں ہوتی۔ وہ بھی، بغیر کسی استثناء کے، ایسے مسائل ہیں جہاں موجودہ ایجنٹس بدترین کارکردگی کا مظاہرہ کرتے ہیں، اسی وجہ سے ہم انہیں اپنے معیارات میں الگ تھلگ کرتے ہیں۔

ایسے آلات کی نسلیں جو اس طرح کے منصوبوں کے قابل عمل حصوں کی لاگت کو شدت کے حکم سے کم کرتے ہیں جبکہ ناقابل تسخیر حصوں کو برقرار رکھتے ہوئے ان نظاموں کو آسان نہیں بناتے ہیں۔ مشکل حصوں کی ضروری سمجھ رکھنے والی ٹیم کے لیے یہ کوشش کرنے کے قابل ہے۔

سرمایہ کاری کے معنی زیادہ وضاحت کے بغیر جاری ہیں۔ سافٹ ویئر میں سرمایہ کاری کا موقع اب سستے طریقے سے سادہ سسٹم بنانے سے منتقل ہو گیا ہے جس سے ہر کوئی فائدہ اٹھا سکتا ہے اور اس طرح کسی کو بھی فائدہ نہیں ہو رہا ہے، مشکل سسٹمز کی تعمیر کی طرف جو پہلے غیر اقتصادی تھے۔ یہاں بائنڈنگ ان پٹ مہارت ہے، انجینئرنگ کا وقت نہیں۔

یہ ایک چھوٹی تعداد میں ٹیموں کے لیے ایک فائدہ مند ماحول ہے جس میں ڈومین کی گہری سمجھ بوجھ ہے جو انہیں پہلے سے زیادہ علاقوں تک پہنچنے کی اجازت دیتا ہے، اور ان ٹیموں کے لیے ایک نقصان دہ ماحول ہے جن کا بنیادی اثاثہ موجودہ سافٹ ویئر کو تیزی سے بنانے کی صلاحیت ہے۔ مزید برآں، جیسا کہ ایک مختص کرنے والے کے نقطہ نظر سے سیکشن 46 نوٹ کرتا ہے، سوفٹ ویئر کمپنیوں میں نتائج کی تقسیم تنگ ہونے کی بجائے وسیع ہو گئی ہے، ایسا ماحول جو پورٹ فولیو کی وسعت سے زیادہ انتخاب کو انعام دیتا ہے۔

35. سرمایہ کاری کے ثبوت کیا ثابت کرتے ہیں۔

وہ ابواب جہاں آپ اپنے مقالے کو سپورٹ کرنے کے لیے مارکیٹ کا ڈیٹا اکٹھا کرتے ہیں انہیں واضح طور پر بتانا چاہیے کہ وہ ڈیٹا کیا ثابت کرنے کے لیے اہل ہے۔ خاص طور پر اگر ڈیٹا کی قیمت ہے اور کاغذ انجینئرنگ کے بارے میں ہے۔ اس کے بعد وہ بیان ہے، جو دعویٰ کرنے کے بجائے درجہ بندی کرتا ہے، اور پچھلے پانچ حصوں پر غلبہ رکھتا ہے، جو زیادہ دعوے کرتے نظر آتے ہیں۔

اس دلیل کی مضبوط حمایت ہے کہ سافٹ ویئر کو سرمایہ کاری کے زمرے کے طور پر تبدیل نہیں کیا گیا ہے اور یہ کہ AI اس میں جذب ہو گیا ہے۔

کارٹا کا پتہ چلا کہ 83% سافٹ ویئر بطور سروس وینچر کیپیٹل AI کے طور پر درجہ بندی کی گئی کمپنیوں کے پاس گیا اس سلسلے میں حتمی ہونے کے قریب ہے کیونکہ ڈینومینیٹر سافٹ ویئر کمپنیاں ہیں۔ Y Combinator کی درجہ بندی، جس میں ایک کمپنی معمول کے مطابق AI، سافٹ ویئر کے طور پر ایک سروس، انٹرپرائز سافٹ ویئر، اور ڈویلپر ٹولز کی درجہ بندی کرتی ہے، متنوع آبادی سے شواہد کی تصدیق کرتی ہے، اور سب سے بڑے مینیجرز اپنے خود شائع شدہ مواد میں اسی منتقلی کو بیان کرتے ہیں۔

اس دلیل کی مضبوط حمایت ہے کہ سافٹ ویئر کے لیے سرمایہ وافر ہے، لیکن تقسیم واضح طور پر غیر مساوی ہو گئی ہے۔ صرف سافٹ ویئر کے گول بینچ مارکس تمام مراحل میں نمایاں رہتے ہیں، کل سافٹ ویئر فنڈنگ ​​بڑے پیمانے پر مستحکم رہتی ہے جب کہ دیگر زمرے سکڑ جاتے ہیں، اور سیکشن 29 میں دستاویزی بازی کا نتیجہ یہ ہوتا ہے کہ ایک ہی فنڈنگ ​​کے مرحلے کے اوپری حصے میں اوسط سے آٹھ گنا زیادہ پہنچ جاتا ہے۔

اس دلیل کی مضبوط حمایت ہے کہ قابل ماڈلز تک رسائی کمپنیوں کو خریدنے کے بجائے تعمیر کرنے پر مجبور نہیں کرتی ہے۔ 76% خریداری کی شرح آبادی کی طرف سے کیے جانے والے اقدامات کا ایک براہ راست پیمانہ ہے جس میں عمر بڑھنے کے نظریہ کی پیشن گوئی کے مطابق رویے کو پہلی جگہ تبدیل کرنا چاہیے تھا۔

اس تجویز کے لیے کچھ حمایت موجود ہے کہ ڈیٹا، ورک فلو، اور سسٹم موٹس نسبتاً زیادہ قیمتی ہوتے جا رہے ہیں، جبکہ فنکشنل موٹس کمزور ہو رہے ہیں۔ عوامی ضربوں کی واضح تقسیم، عمودی اہداف کے حصول میں تبدیلی، خریداروں کے سروے میں اجناس کے خطرات کی نشاندہی اور پریمیم کی ایمبیڈڈ ادائیگیاں سب اس کے ساتھ مطابقت رکھتے ہیں۔ ان میں سے کوئی بھی ڈیٹا سیٹ کمپنیوں کو مہارت کی گہرائی کے لحاظ سے درجہ بندی نہیں کرتا ہے، اس لیے کوئی بھی چیز وجہی تعلق قائم نہیں کرتی ہے۔

جو قابل فہم ہے، لیکن قائم نہیں، وہ تجویز ہے کہ AI انتہائی طاقتور سافٹ ویئر کمپنیوں کے مطلق کھائی کو فعال طور پر وسیع کر رہا ہے۔ میکانزم مطابقت رکھتے ہیں کیونکہ ملکیتی ڈیٹا، ورک فلو کی ملکیت، انضمام، اور ماہر انجینئرنگ سب زیادہ نتیجہ خیز ہو جاتے ہیں جب قابل ماڈلز کا اطلاق ہوتا ہے۔ تاہم، کھائی کی چوڑائی کی پیمائش کے لیے طول بلد ڈیٹا کی ضرورت ہوتی ہے جو ابھی تک موجود نہیں ہے، اور یہ رپورٹ ایسا دعویٰ نہیں کرتی ہے۔

تشخیص سے لے کر انجینئرنگ کی دشواریوں تک کی وجہ کا اندازہ قائم نہیں کیا گیا ہے اور اس کی واضح تردید کی گئی ہے۔ سرمایہ کار غلط ہو سکتے ہیں، اور زمرہ پریمیم فیشن ہو سکتے ہیں۔ واضح رہے کہ ایسی رپورٹس جن میں دعویٰ کیا گیا ہے کہ سرمایہ سافٹ ویئر کمپنیوں کے درمیان ذہانت سے امتیازی سلوک کر رہا ہے، امتیازی سلوک کو شور کے طور پر پڑھنے کی واضح ترغیبات ہیں۔

لہٰذا، اس باب میں جن فارمولوں کی تائید کی گئی ہے وہ سرخی کے اعدادوشمار میں پیش کیے گئے فارمولوں سے زیادہ تنگ اور عام طور پر مرتب کیے گئے فارمولوں سے زیادہ طاقتور ہیں۔ سافٹ ویئر سے AI میں وینچر کیپیٹل میں واضح تبدیلی مؤثر طریقے سے درجہ بندی کا نمونہ ہے۔ اس کی وجہ یہ ہے کہ دونوں زمرے مسابقتی زمرے ہونے کے بجائے اوورلیپ ہوتے ہیں۔

کیپٹل مارکیٹس سے شواہد مطابقت رکھتے ہیں اور سافٹ ویئر کی قدر میں انحراف کی حمایت کرتے ہیں۔ آسانی سے دوبارہ پیدا کرنے کے قابل سافٹ ویئر کو کموڈیٹائز کرنے کا دباؤ ہے، جب کہ سرمائے اور حصول کے پریمیم ڈیٹا کے فوائد، خصوصی ورک فلو، سیکورٹی کی ضروریات، بنیادی ڈھانچے کی موجودگی، ڈومین کی گہرائی، قابل اعتماد AI تفریق، اور ثابت شدہ آپریشنل پیمانے کے ساتھ سافٹ ویئر پر مرکوز ہیں۔

شواہد سے وجہ ثابت نہیں ہوتی۔ اس دعوے کو ملانا مشکل ہے کہ سافٹ ویئر کی دفاعی صلاحیت عام طور پر غائب ہو گئی ہے، اور اس دعوے کو بھی سمجھنا مشکل ہے کہ تقریباً 1% کی موجودہ معیشت میں سافٹ ویئر خود ہی متروک ہو رہا ہے۔

36. وہ چیزیں جو پھپھوندی بن گئی ہیں۔

سافٹ ویئر کو سب سے زیادہ نمائش اس وقت ملتی ہے جب اس کی مجموعی قدر کو عام خصوصیات کے ایک چھوٹے سیٹ کے طور پر بیان کیا جاسکتا ہے اور اس کا زمرہ زیادہ تر صارفین کے خیال سے بڑا ہوتا ہے۔

اس میں صارفین کے پاس پہلے سے موجود ڈیٹا کے لیے بنیادی ڈیش بورڈز، سادہ مواد جنریٹرز، عام چیٹ انٹرفیس، ماڈلز کے گرد پتلے ریپرز شامل ہیں جن کو حریف ایک ہی شرائط پر لائسنس دے سکتے ہیں، معیاری اندرونی ٹولز، کم استعمال شدہ فی صارف پروڈکٹس جو کہ کسی کو استعمال کے ڈیٹا کی چھان بین کیے بغیر تازہ کیا جا سکتا ہے، اور ایسی ایپلی کیشنز جن کی بنیادی فعالیت، مائیکروسافٹ کی کارکردگی کو کمزور کر سکتی ہے۔ Google، SAP، ServiceNow، Oracle، یا دوسرے پلیٹ فارمز جن کے ساتھ ان کے پہلے سے گاہک کے تعلقات ہیں۔

نمائش کو کئی مخصوص جہتوں کے ساتھ تقویت ملتی ہے جن کا نام قطعی طور پر اس لیے دیا جاتا ہے کہ وہ ایک حقیقی تشخیص کو تشکیل دیتے ہیں۔

اہم حالات جو کسی پروڈکٹ کو زیادہ کمزور بناتے ہیں ان میں شامل ہیں:

• جب صارفین آسانی سے اور بغیر کسی رکاوٹ کے اپنا ڈیٹا ایکسپورٹ کر سکتے ہیں۔

• سوئچ اوور شاذ و نادر ہی آپریشنل رکاوٹ کا باعث بنتے ہیں کیونکہ پروڈکٹ کسی بھی ورک فلو کا بوجھ برداشت نہیں کرتا ہے۔

• ورک فلو بذات خود مشن کے لیے اہم نہیں ہے اور ہجرت کے دوران سروس میں کمی کی مدت کو برداشت کیا جا سکتا ہے۔

• جب بنیادی ماڈل یا الگورتھم تجارتی شرائط پر حریفوں کے لیے یکساں طور پر دستیاب ہو۔

• اگر پروڈکٹ کا کوئی بامعنی تقسیم فائدہ نہیں ہے اور استعمال کے ذریعے کوئی ملکیتی معلومات جمع نہیں ہوتی ہے۔

اس میں سے کسی کا بھی مطلب یہ نہیں ہے کہ اس طرح کی مصنوعات آمدنی پیدا نہیں کر سکتیں، اور گفتگو کی موجودہ تشکیل اس سلسلے میں غیر مددگار طریقے سے متضاد ہے۔ بہت سے کاروبار منافع بخش چھوٹے کاروبار رہیں گے جو ان صارفین کی خدمت کرتے ہیں جو ان کی قدر کرتے ہیں، اور منافع بخش چھوٹے کاروبار ایک مکمل طور پر قابل احترام نتیجہ ہیں جسے وینچر فنانسنگ ماڈل میں ایڈجسٹ نہیں کیا جا سکتا۔

کچھ ایسے پلیٹ فارمز کے ذریعے فیچرز کے طور پر حاصل کیے جائیں گے جو فیچرز ان کی تعمیر سے زیادہ تیزی سے چاہتے ہیں۔ چونکہ بڑے پلیٹ فارمز انہی خصوصیات کو مصنوعات میں بنڈل کرتے ہیں جن کے لیے صارفین پہلے سے ادائیگی کرتے ہیں، دوسرے غائب ہو جائیں گے۔ یہ زیادہ تر سنگل فنکشن سافٹ ویئر کی تاریخی قسمت ہے اور AI کے اس عمل کو تیز کرنے سے بہت پہلے درست تھا۔

جو چیز تبدیل ہوئی ہے وہ رفتار ہے جس سے سائیکل آگے بڑھتا ہے اور اس وجہ سے اس زمرے کی کمپنیاں اپنی ابتدائی تعیناتیوں سے واپسی کی توقع کر سکتی ہیں۔

ہر ایک جو تعمیر کرتا ہے اس کا نتیجہ غیر آرام دہ لیکن واضح ہے۔ صرف عوامی طور پر دستیاب ماڈل کے ارد گرد ایک پرکشش انٹرفیس بنانا ایک پائیدار انٹرپرائز بنانے کا امکان نہیں ہے۔ اس تفصیل کا ہر عنصر اب ہر اس شخص کے لیے دستیاب ہے جو اسے صفر کے قریب قیمت پر چاہتا ہے۔

37. جہاں کھائی منتقل ہوئی۔

اگر آپ کے کوڈبیس میں دفاعی صلاحیت اب موجود نہیں ہے، تو یہ ایک اچھا خیال ہے کہ یہ کہاں ہے اس کے بارے میں مخصوص ہونا۔ اس کی وجہ یہ ہے کہ متبادل کو اکثر مبہم الفاظ میں بیان کیا جاتا ہے جس کی وجہ سے ان پر عمل درآمد مشکل ہوتا ہے۔

2026 میں سب سے زیادہ طاقتور سافٹ ویئر موٹس کوڈ کے ارد گرد کے سسٹمز میں ہوں گے۔ مندرجہ ذیل میں سے ہر ایک جمع کی نمائندگی کرتا ہے جو حاصل نہیں کیا جا سکتا یہاں تک کہ اگر کوئی حریف سافٹ ویئر بناتا ہے۔

ملکیتی اور جمع شدہ ڈیٹا پہلا اور سب سے زیادہ پائیدار زمرہ بنتا ہے۔ اس کی وجہ یہ ہے کہ کئی سالوں کے آپریشن کے دوران حاصل کردہ ڈیٹا کو ترکیب نہیں کیا جا سکتا اور اکثر کسی بھی قیمت پر خریداری کے لیے دستیاب نہیں ہوتا ہے۔

کسٹمر آپریشنز میں گہرا انضمام اس کے بعد ہوتا ہے، کیونکہ انضمام کی گہرائی مصنوعات کو خریداری سے انحصار میں بدل دیتی ہے۔

تقسیم اور موجودہ صارفین تک رسائی سافٹ ویئر میں سب سے کم قیمت والے اثاثوں میں سے ایک ہے۔ کیونکہ AI طلب پیدا نہیں کرتا، خریداری کے چکروں کو مختصر نہیں کرتا، یا ان خریداروں کے ساتھ اعتماد پیدا نہیں کرتا جنہوں نے آپ کی کمپنی کے بارے میں کبھی نہیں سنا۔ ریکارڈ کے نظام کو سنبھالنا (کسی اور کے اختیار کا صارف ہونے کے بجائے کاروباری حقائق کے زمرے کا مستند ذریعہ ہونا) ایک ایسی پوزیشن پیدا کرتا ہے جہاں حریفوں کو محض مماثلت کے بجائے تبدیل کرنا ہوگا۔

ریگولیٹری منظوری اور آڈٹ ایبلٹی ایک ایسی کھائی ہے جسے اکثر انجینئرز نظر انداز کر دیتے ہیں اور انڈر رائٹرز کے ذریعے اس کی صحیح جانچ پڑتال کی جاتی ہے کیونکہ ریگولیٹرز کو مطمئن کرنے کے لیے ضروری شواہد آپریشنز کے ذریعے جمع کیے جاتے ہیں اور اسے سابقہ ​​طور پر پیدا نہیں کیا جا سکتا۔

حفاظتی کرنسی اور معاہدہ کی ذمہ داریاں اسی وجہ سے اہم ہیں۔ کیونکہ ایک صارف جو نتیجے میں ڈیٹا پر کارروائی کرنے کے لیے سسٹم خریدتا ہے وہ کسی ایسے شخص کو خرید رہا ہے جو سسٹم کی ناکامی کی صورت میں ذمہ داری قبول کرے گا، اور ذمہ داری کوئی خصوصیت نہیں ہے۔

بنیادی ڈھانچے کا پیمانہ اور تخمینہ کی کارکردگی کمپاؤنڈنگ لاگت کے فوائد فراہم کرتی ہے۔ اور ڈومین کے لیے مخصوص ورک فلو اس بارے میں علم کو انکوڈ کرتے ہیں کہ صنعت کس طرح کام کرتی ہے۔ یہ اس علم سے الگ ہے کہ صنعت کس طرح بولتی ہے اور حاصل کرنا کافی مشکل ہے۔

ایک ڈویلپر ماحولیاتی نظام اور مستحکم APIs کے ساتھ، منتقلی کے اخراجات براہ راست صارفین کے بجائے تیسرے فریق کے ذریعے برداشت کیے جاتے ہیں۔ برانڈ، اعتماد، اور عمل درآمد کی حمایت اس بات کا تعین کرتی ہے کہ آیا کوئی بڑی تنظیم کسی وینڈر کے اہم عمل کو خطرے میں ڈالے گی۔

نیٹ ورک کے اثرات اور ادارہ جاتی علم اس فہرست کو مکمل کرتے ہیں، بعد ازاں اس بات کی جمع فہمی ہے کہ کیا آزمایا گیا، کیا ناکام ہوا، اور کیوں۔

حریف آپ کے پروڈکٹ کی شکل کو کاپی کر سکتے ہیں، اور تیزی سے، وہ چند ہفتوں کے اندر ایسا کر سکتے ہیں۔ کسی کمپنی کے لیے جو کچھ اس نے سیکھا ہے اسے کاپی کرنا کافی مشکل ہے کیونکہ سیکھنا ایک ایسا فنکشن ہے جو وقت کے ساتھ چلتا ہے اور ایسا کوئی طریقہ کار نہیں ہے جس کے ذریعے اسے ایکٹیویشن کے بغیر منتقل کیا جا سکے۔

سافٹ ویئر ڈیفنسبلٹی کے نئے اصول براہ راست پیروی کرتے ہیں: کھائی اب وہ سافٹ ویئر کی مقدار نہیں ہے جو کمپنی نے لکھی ہے، بلکہ اصل پیچیدگی کی مقدار جو کمپنی نے سنبھالنا سیکھی ہے۔

38. کنسولیڈیشن: کم سپلائرز، زیادہ ذمہ داری

ایک عام پیش گوئی ہے کہ سستے سافٹ ویئر کی پیداوار مارکیٹ کو ٹکڑے ٹکڑے کر دے گی کیونکہ زیادہ داخل ہونے والے مزید مصنوعات بنا سکتے ہیں اور صارفین کے پاس زیادہ انتخاب ہوں گے۔

لیکن کارپوریٹ خریداری کے اعداد و شمار سے پتہ چلتا ہے کہ بالکل اس کے برعکس ہو رہا ہے، اور طریقہ کار سبق آموز ہے۔

830 انٹرپرائز ٹکنالوجی کے فیصلہ سازوں کے 2026 کے سروے سے پتا چلا ہے کہ 41% تنظیمیں درخواستوں کی تعداد کو کم کرنے یا مضبوط کرنے کے لیے فعال طور پر منصوبہ بندی کر رہی ہیں۔ بنیادی طور پر پلیٹ فارم پر مبنی خریداری کی حکمت عملیوں کی ترجیح 60% سے بڑھ کر 65.9% ہو گئی، جب کہ بہترین نسل کی خریداری کی ترجیح کم ہو کر 20.7% (Futurum) ہو گئی۔

830 انٹرپرائز ٹکنالوجی کے فیصلہ سازوں کے سروے سے پتا چلا ہے کہ 41% فعال طور پر ایپلی کیشنز کو کم یا مضبوط کرنے کی منصوبہ بندی کر رہے ہیں، پلیٹ فارم پر مبنی خریداری کی ترجیح 60% سے بڑھ کر 65.9% اور بہترین نسل کی ترجیح 20.7% تک کم ہو رہی ہے۔ (پیو کی طرح)

پیشن گوئی اور مشاہدات کے درمیان فرق کی وجہ یہ ہے کہ لائسنسنگ کے اخراجات بنیادی طور پر وہ نہیں ہیں جو انٹرپرائز خریدار سافٹ ویئر پروڈکٹس پر خرچ کرتے ہیں۔

اصل اخراجات وینڈر مینجمنٹ، معاہدے کے مذاکرات، سیکورٹی کے جائزے، انضمام کی کوششوں، نفاذ کے پروگراموں، ڈیٹا پروسیسنگ کے معاہدے، جاری معاونت کے تعلقات، اور حتمی تجدید مذاکرات پر مشتمل ہوتے ہیں۔ اور اس میں سے کوئی بھی سستا نہیں ہوتا کیونکہ سافٹ ویئر خود بنانا سستا ہو جاتا ہے۔

جیسے جیسے دستیاب مصنوعات کی تعداد میں اضافہ ہوتا ہے، یہ مقررہ قیمت فی سپلائر ایک پابند رکاوٹ بن جاتی ہے، اور عقلی خریدار سپلائی کرنے والوں کی تعداد میں اضافے کے بجائے کمی سے جواب دیتے ہیں۔

یہ چھوٹی سافٹ ویئر کمپنیوں کو درپیش مسابقتی چیلنجوں کو پہلے سے کہیں زیادہ چیلنجنگ انداز میں تبدیل کرتا ہے۔ یہ ثابت کرنے کے لیے اب کافی نہیں ہے کہ پچھلی دہائی سے معیاری ہونے والی خصوصیات کارآمد ہیں۔ صارفین کو اب یہ نتیجہ اخذ کرنا چاہیے کہ یہ صلاحیت اتنی قیمتی ہے کہ وہ اسے اپنی تنظیم میں متعارف کروانے کا جواز پیش کر سکیں کیونکہ وہ اضافی وینڈرز، اضافی معاہدوں، اضافی حفاظتی جائزوں، اضافی انضمام، اضافی عمل درآمد، اضافی ڈیٹا پروسیسنگ معاہدے، اور اضافی تجدید مذاکرات کو فعال طور پر کم کرنے کی کوشش کرتے ہیں۔

یہ ایک بہت اونچی بار ہے، اور جس سے آگے واقعی مفید فعالیت آسانی سے مٹائی نہیں جا سکتی۔

لہذا، گارٹنر کے اخراجات کی پیشن گوئی کے مطابق، کم سافٹ ویئر خریدنے والی کمپنیاں ایسی چیز نہیں ہیں جو مستقبل میں ہوں گی۔ بلکہ، وہ کم پلیٹ فارمز خرید رہے ہیں اور ہر پلیٹ فارم کو کسٹمر کے وسیع آپریشنز کے لیے زیادہ ذمہ داری قبول کرنے کی ضرورت ہے۔

یہ ذمہ داریوں کو جذب کرنے کی کوشش کرنے والی کمپنیوں کے لیے سازگار ماحول ہے، اور صلاحیتیں فراہم کرنے والی کمپنیوں کے لیے مخالف ماحول ہے۔

39. بھاری سافٹ ویئر اور موجودہ ایجنٹوں کی حدود

بڑا انٹرپرائز سافٹ ویئر مستقل طور پر محفوظ نہیں ہے، اور کوئی بھی دلیل جو کہتی ہے کہ دوسری صورت میں مخالف سمت میں وہی غلطی کرتی ہے جس دلیل پر یہ رپورٹ تنقید کرتی ہے۔

لیکن ان کو تبدیل کرنا بنیادی طور پر کوڈ جنریشن کا مسئلہ نہیں ہے، اور یہ سمجھنے میں کیوں مدد مل سکتی ہے کہ یہ سسٹم دراصل کس چیز سے بنے ہیں۔

انٹرپرائز ریسورس پلاننگ (ERP) پلیٹ فارم مالیاتی رپورٹنگ، پے رول، پروکیورمنٹ، انوینٹری، مینوفیکچرنگ شیڈولز، ٹیکسیشن، سپلائر تعلقات، اتھارٹی، تعمیل کنٹرول، اور تاریخی لین دین کے سالوں کو کنٹرول کر سکتے ہیں جن پر آڈٹ اکاؤنٹس کی بنیاد رکھی جائے۔

ان سسٹمز کو تبدیل کرنے کے لیے مربوط ڈیٹا کی منتقلی، ان کو مسترد کرنے کے لیے محکمانہ عمل کو دوبارہ ڈیزائن کرنے، درجنوں ملحقہ نظاموں کے ساتھ انضمام کی کوششیں، سیکیورٹی کے جائزے، وسیع صارف کی تربیت، مجموعی کاروبار کے تسلسل کو یقینی بنانے، اور آڈیٹرز کو مطمئن کرنے کے لیے کافی گورننس اور تنظیمی تبدیلی کے انتظام کی ضرورت ہے۔ ضابطہ کوشش کا حصہ ہے اور کبھی بھی رکاوٹ نہیں ہے۔

McKinsey کا تخمینہ ہے کہ بڑے ادارے عام طور پر ERP منتقلی پر $100 ملین سے $1 بلین خرچ کرتے ہیں، اور توقع کرتے ہیں کہ AI اس تبدیلی کو تقریباً دوگنا تیز اور سستا کرے گا (McKinsey & Company)۔

رفتار کو دوگنا کرنا ایک بہت بڑی بہتری ہے اور اسے کم سے کم نہیں کیا جانا چاہیے۔ یہ خطرہ بھی ہے کہ $50 ملین اور $500 ملین کے درمیان لاگت والے پروگرام برسوں تک چل سکتے ہیں اور کمپنی کے مالی کاموں میں خلل ڈال سکتے ہیں۔ اس کا مطلب یہ ہے کہ عقلی ایگزیکٹو ایسے کاروبار چھوڑ رہے ہیں جو شروع نہیں ہوتے کیونکہ سافٹ ویئر بنانا سستا ہو گیا ہے۔

بڑے انٹرپرائز ERP کی منتقلی کی لاگت عام طور پر $100 ملین اور $1 بلین کے درمیان ہوتی ہے، اور McKinsey کا اندازہ ہے کہ AI سے چلنے والی اختراع تقریباً دوگنا تیز اور کم مہنگی ہوگی۔ (McKinsey & Company)

کارپوریٹ سیاق و سباق میں ایجنٹ کے کام کرنے کے بارے میں حالیہ بینچ مارک شواہد اس نکتے کو غیر معمولی خصوصیت کے ساتھ تقویت دیتے ہیں۔ 2026 انٹرپرائز SaaS انجینئرنگ بینچ مارک نے 6 ڈومینز، 8 پروگرامنگ زبانوں، 6 ڈیٹا بیسز، اور 13 فریم ورکس میں 30 پیچیدہ کاموں کا احاطہ کیا۔ 95% سے زیادہ ایجنٹ کی غلطیاں اس سے پہلے ہوئیں کہ سسٹم گہری کاروباری منطق تک پہنچ جائے۔ غالب ناکامی کا موڈ ملٹی کمپوننٹ ماحول (arXiv) کے اندر صحیح کوڈ بنانے کے بجائے ایک کثیر اجزاء والے ماحول کو تشکیل اور انضمام کر رہا تھا۔

6 ڈومینز، 8 پروگرامنگ لینگوئجز، 6 ڈیٹا بیسز، اور 13 فریم ورکس پر محیط 30 پیچیدہ انٹرپرائز ورک بوجھ کے بینچ مارک میں، 95% سے زیادہ ایجنٹ کی غلطیاں اس سے پہلے ہوئیں کہ سسٹم گہری کاروباری منطق تک پہنچ جائے، جس میں کوڈ جنریشن کی بجائے ماحولیاتی ترتیب اور انضمام، بنیادی رکاوٹیں ہیں۔ (arXiv)

دوسرے 2026 بینچ مارک نے 23 قابل تعینات SaaS سسٹمز اور 106 حقیقت پسندانہ پیشہ ورانہ ورک فلو میں ایجنٹوں کا تجربہ کیا۔ یہاں تک کہ سب سے زیادہ طاقتور ماڈلز نے شروع سے ختم ہونے تک 4% سے بھی کم کام مکمل کیا، ناکامیاں منصوبہ بندی، ریاست سے باخبر رہنے، کراس ایپلیکیشن سیاق و سباق، اور ایرر ریکوری (arXiv) پر مرکوز ہیں۔

23 قابل تعینات SaaS سسٹمز اور 106 حقیقت پسندانہ پیشہ ورانہ ورک فلوز میں، سب سے طاقتور ماڈل نے منصوبہ بندی، ریاست سے باخبر رہنے، کراس ایپلیکیشن سیاق و سباق، اور غلطی کی بازیافت کے ساتھ جدوجہد کرتے ہوئے، اختتام سے آخر تک کے 4% سے بھی کم کام مکمل کیا۔ (arXiv)

حقیقت یہ ہے کہ ایجنٹ کے کاروباری منطق تک پہنچنے سے پہلے 95% سے زیادہ غلطیاں واقع ہو جاتی ہیں جب آپ لاگ ان کر لیتے ہیں جس تک ایجنٹ تک نہیں پہنچا تھا اسے تسلیم کرنا آسان ہے۔ مندرجہ ذیل میں سے کوئی بھی کاروباری منطق نہیں ہے اور کسی ایک کاروباری اصول پر عمل درآمد کے لیے سب کچھ درست ہونا چاہیے۔

services:
  api:
    depends_on:
      db:     { condition: service_healthy }
      broker: { condition: service_started }
    environment:
      DATABASE_URL: postgres://app:${PGPASS}@db:5432/app?sslmode=verify-full
      SAML_METADATA_URL: https://idp.corp.internal/metadata
      FEATURE_LEDGER_V2: "false"   # true in staging, false in production,
                                   # and migration 0047 below assumes true
  db:
    image: postgres:16
    command: ["-c", "shared_preload_libraries=pg_stat_statements,pgaudit"]
    healthcheck:
      test: ["CMD-SHELL", "pg_isready -U app -d app"]
      interval: 5s
      retries: 20

شناخت فراہم کرنے والا ایک اندرونی میزبان نام پر واقع ہے جسے ایجنٹ حل نہیں کر سکتا۔ ڈیٹا بیس کو کارپوریٹ حکام کے خلاف مکمل سرٹیفکیٹ کی تصدیق کی ضرورت ہے۔ خصوصیت کے جھنڈے ماحول کے لیے مخصوص ہیں، اور آپ کی منتقلی میں سے ایک ان پر مشروط ہے۔

ان میں سے ہر ایک حقیقی نظام کے بارے میں ایک عام حقیقت ہے۔ ان میں سے کوئی بھی ذخیرہ سے بازیافت نہیں کیا جا سکتا، اور ان میں سے کوئی بھی عمل درآمد کو ختم کر دے گا۔

-- Migration 0047: correct in isolation, wrong in sequence, and it fails
-- in a way that leaves the schema in a state neither migration describes.
ALTER TABLE ledger_entry ADD COLUMN settled_at timestamptz;

-- The migration runner opens a transaction by default. CREATE INDEX
-- CONCURRENTLY cannot run inside one, so this statement aborts after the
-- ALTER has already been applied and committed by a previous runner.
CREATE INDEX CONCURRENTLY idx_ledger_settled ON ledger_entry (settled_at);

اس سے بازیافت کرنے کے لیے، آپ کو یہ جاننے کی ضرورت ہے کہ ایگزیکیوٹر ہجرت کو لپیٹ دیتا ہے، کنکرنٹ انڈیکس بناتا ہے ایک استثنا ہے، جس میں سے نصف ہجرت بچ گئی، اور کیا غیر ہم آہنگی ورژن کے چلنے کے دوران ماحول تالے کو قبول کر سکتا ہے۔

بینچ مارک کے نام کے تحت یہ چار خصوصیات ہیں (ریاست سے باخبر رہنا، کراس ایپلیکیشن سیاق و سباق، منصوبہ بندی، اور غلطی کی بازیافت) جو ایک واحد 10 لائن فائل میں ظاہر ہوتی ہیں۔

دونوں بینچ مارکس (ماحول کی ترتیب، انضمام، منصوبہ بندی، ریاست سے باخبر رہنے، کراس ایپلیکیشن سیاق و سباق، اور غلطی کی بازیافت) میں شناخت کیے گئے مخصوص ناکامی کے طریقوں کو حصہ II میں RE-Bench کے نتائج کے ساتھ مل کر پڑھنے کے قابل ہے، کیونکہ یہ ایک جیسی خصوصیات ہیں۔ ان سب کا تعلق ایک تنگ دائرہ کار میں صحیح پیداوار پیدا کرنے کے بجائے طویل افق اور وسیع سیاق و سباق میں مستقل مزاجی کو برقرار رکھنے سے ہے۔ بینچ مارک شواہد اور انسانی موازنہ کے شواہد دونوں سمتوں میں یکساں حدود کو واضح کرتے ہیں۔

یہ نظام ممکنہ طور پر تیزی سے بہتر ہوں گے، اور رپورٹ میں کوئی پیش گوئی نہیں کی گئی ہے کہ حدود مستقل ہوں گی۔ جو موجودہ شواہد اس کی تائید نہیں کرتے وہ دعویٰ ہے کہ ایجنٹ بالغ انٹرپرائز پلیٹ فارمز کو دوبارہ پیدا اور تبدیل کر سکتے ہیں، اور 4% اختتام سے آخر تک تکمیل کی شرح اور کاروباری اداروں کے لیے درکار قابل اعتماد کے درمیان فرق ایسا نہیں ہے کہ بڑھتی ہوئی بہتری تیزی سے پر کر سکتی ہے۔ فی الحال، AI مکمل آپریشنل ذمہ داری لینے کے بجائے انٹرپرائز انجینئرنگ کے حصوں کو خودکار بنانے کے بہت قریب ہے۔

وہی پابندیاں لاگو ہوتی ہیں یہاں تک کہ اگر AI کی قابلیت صرف ان سسٹمز میں انٹری پوائنٹس ہیں جو آپریشنل ڈیوٹی انجام دیتے ہیں، جیسے کہ AI ڈبنگ، میڈیکل AI، سائبرسیکیوریٹی، مالیاتی انفراسٹرکچر، صنعتی نظام، اور ہر قسم کے ریگولیٹڈ انٹرپرائز پلیٹ فارم۔

ان میں سے ہر ایک میں، انٹرفیس سستا حصہ ہے، اور مساوی ماڈل کا لائسنس رکھنے والا کوئی بھی شخص اسے ایک ہفتے سے بھی کم وقت میں دوبارہ بنا سکتا ہے۔ اس دور میں جن چیزوں کو نقل نہیں کیا جا سکتا وہ ارد گرد کے وعدے ہیں۔ ان میں بڑے پیمانے پر استدلال، قابل قبول تاخیر، غیر متوقع طلب کے لیے صلاحیت کی منصوبہ بندی، کافی قابل اعتمادی جس پر گاہک پیداوار میں بھروسہ کر سکتا ہے، تیسرے فریق کے لیے قابل اعتماد انٹرفیس بنانے کے لیے، صارف کے اپنے بنیادی ڈھانچے پر ان کے اپنے حفاظتی کنٹرول اور دائرہ اختیار کے مطابق تعیناتی، اور ناکامی کی صورت میں ذمہ داری قبول کرنے کے معاہدے کے وعدے شامل ہیں۔

دفاعی صلاحیت صرف ایک ٹھوس AI فنکشن کو انجام دینے پر انحصار نہیں کر سکتی۔ یہ اس فنکشن کو قابل اعتماد طریقے سے انجام دینے کے لیے درکار مجموعی نظام پر مبنی ہونا چاہیے، پیمانے پر اور ان صارفین کی مانگ پر جو سروس میں خلل پڑنے پر نقصان اٹھائیں گے۔

40. Octavia AI ڈبنگ: پروڈکشن سسٹم کی اناٹومی۔

اس رپورٹ کے تمام دعووں سے ایک فرق پڑتا ہے: ایک نمونہ تیار کرنا اور اس پر بھروسہ کرنے کے قابل ہونا۔

یہ فرق ثابت کرنا آسان ہے لیکن ثابت کرنا مشکل ہے۔ اس کی وجہ یہ ہے کہ زیادہ تر نظام تنظیموں کے اندر ان دونوں کے درمیان فرق کو چھپاتے ہیں جو اپنے فن تعمیر کو شائع نہیں کرتے ہیں۔

AI ڈبنگ ایک استثناء ہے۔ اقدامات انفرادی طور پر اجناس کے نمونوں کے طور پر فراہم کیے جاتے ہیں، ڈیمو کو جمع کرنا بہت آسان ہے، اور اس ڈیمو اور اس نظام کے درمیان فاصلہ جس پر انٹرپرائز بھروسہ کر سکتا ہے، رائے کا معاملہ نہیں ہے، بلکہ انجینئرنگ کی کوششوں کی فہرست ہے جس کی وضاحت کی جا سکتی ہے۔

اس حصے میں، ہم LUNARTECH کے اپنے AI ڈبنگ پلیٹ فارم، Octavia کو بطور نمونہ استعمال کرتے ہوئے اس فہرست پر ایک نظر ڈالتے ہیں۔ انکشافات سامنے ہیں، فوٹ نوٹ میں نہیں۔ Octavia اس رپورٹ کو جاری کرنے والی تنظیم کی پیداوار ہے اور اس کے اپنے بیانات کو اسی کے مطابق وزن کیا جانا چاہیے۔

یہاں جو کچھ پیش کیا جاتا ہے وہ وکالت کے بجائے فن تعمیر ہے۔ یعنی، اس بات کی وضاحت کہ نظام کو کیا کرنا چاہیے اور ہر ایک ضرورت کیوں موجود ہے، اس کی تفصیل کی سطح پر بیان کی گئی ہے جو تضادات کی اجازت دیتی ہے۔

میں اس رپورٹ میں کسی اور جگہ کی طرح یہاں بیرونی شواہد کا اشتراک اور حوالہ دوں گا۔ یہاں سے، آپ آسانی سے مسابقتی پلیٹ فارمز کو تبدیل کر سکتے ہیں اور دیکھ سکتے ہیں کہ آیا وہ ایک جیسے سوالات کا جواب دیتے ہیں۔ کیونکہ بحث اس بارے میں نہیں ہے کہ زمرہ جات کون فراہم کرتا ہے، بلکہ یہ ہے کہ ان زمروں کی کیا ضرورت ہے۔

مظاہرہ مفت ہے۔

اس زمرے کو حل شدہ سمجھنا ایک سنگین معاملہ ہے اور اہلیت کی منظوری سے پہلے اس کو ہر ممکن حد تک سختی سے حل کیا جانا چاہیے۔ ڈبنگ کے تمام انفرادی مراحل اب قابل، عوامی طور پر دستیاب ماڈل کے طور پر موجود ہیں۔

96 زبانوں (arXiv) میں 680,000 گھنٹوں کی کمزور نگرانی والے آڈیو پر تربیت یافتہ Whisper کے ساتھ بڑے پیمانے پر کثیر لسانی تقریر کی شناخت کا مظاہرہ کیا جاتا ہے۔ ایمیزون اور فونڈازیون برونو کیسلر (arXiv) کی خودکار ڈبنگ ریسرچ سے لمبا کنٹرول شدہ ترجمہ، اصل اسپیچ سیگمنٹس کے لیے پراسوڈک الائنمنٹ، اور دورانیے سے آگاہ اسپیچ جنریشن کو ایک منسلک پائپ لائن کے طور پر باقاعدہ بنایا گیا تھا۔ چند شاٹ اسپیچ کی نقل نے یہ ثابت کیا ہے کہ مختصر حوالہ جات کے نمونے اسپیکر کی شناخت کو ترکیب شدہ تقریر میں پیش کرسکتے ہیں، اور متوازی ادب نے بصری تقریر کی سیدھ کو حل کیا ہے۔

ان اجزاء تک رسائی کے حامل انجینئرز اور باصلاحیت کوڈنگ ایجنٹ ہفتے کے آخر میں اپنے کام کا مظاہرہ کر سکتے ہیں۔ نتیجے کے طور پر، ویڈیو میں صوتی ٹریک کو ترجمہ شدہ آواز سے بدل دیا جاتا ہے جو اصل اسپیکر کی آواز سے ملتی جلتی ہے۔

اس کے بعد کچھ بھی کم نہیں ہوتا۔ یہ وہ کمپریشن ہے جو پورے حصہ I میں دستاویز کیا گیا ہے، اور اگر ڈب شدہ ٹریک تیار کرنا ہی پورا مسئلہ تھا، تو زمرہ کو کموڈیٹائز کیا جائے گا اور اس میں کوئی قابل دفاع کاروبار نہیں ہوگا۔ اس حصے کا باقی حصہ مسئلہ کے کچھ حصوں کے بارے میں ہے، نہ کہ پورے مسئلے کے بارے میں۔

ڈبنگ ترجمہ کیوں نہیں ہے؟

ڈبنگ میں ساختی خصوصیات ہیں جو سیکشن 10 کے تصدیقی دعووں کو بہت واضح بناتی ہیں۔ اقدامات سختی سے ترتیب وار ہیں، لہذا کسی بھی مقام پر غلطی مقامی غلطی نہیں ہے بلکہ تمام بہاو کے لیے ایک ان پٹ ہے۔

سننے کی شناخت کا نظام پندرہ پسند پچاسنفی کو حذف کرنا یا پروڈکٹ کے ناموں کو خراب کرنا واضح طور پر کرپٹ آؤٹ پٹ پیدا نہیں کرتا ہے۔ یہ بولنے والوں کو ان چیزوں کے روانی، پراعتماد اور اچھی طرح سے مطابقت پذیر اظہار کرنے کی اجازت دیتا ہے جو انہوں نے پہلے کبھی نہیں کہی ہیں۔

audio error → transcript error → translation error → spoken dub error → published video error

نتیجے کے طور پر، مجموعی معیار کے اسکور کافی فیصلہ سازی کا آلہ نہیں ہیں۔ لفظ کی خرابی کی شرح پورے ٹرانسکرپٹ میں اندراجات، حذف کرنے، اور متبادلات کی پیمائش کرتی ہے، اور ایک اچھی لفظ کی غلطی کی شرح خوراک، قیمت، قانونی شرائط، حفاظتی ہدایات، یا مناسب اسم سے متعلق بالکل ایک غلطی کے ساتھ رہنے کی اجازت دیتی ہے۔ آرٹفیکٹ درست نظر آتا ہے، لیکن ناکامی خاموش ہے. اس کا پتہ لگانے کے لیے کسی ایسے شخص کی ضرورت ہوتی ہے جو جانتا ہو کہ مواد میں کیا کہنا ہے۔

وہ اقدامات جو واقعی اس بات کا تعین کرتے ہیں کہ آیا ڈب شدہ کیٹلاگ قابل اعتماد ہے ان کا نام ہے entity recall، نمبر برقرار رکھنا، سپیکر کی خصوصیت کی درستگی، ٹائم اسٹیمپ کی درستگی، اور دستی تصحیح فی منٹ ختم۔ اور یہ سب توثیق کے اشارے ہیں، نسل کے اشارے نہیں۔

یہ اعمال صرف اس صورت میں موجود ہیں جب کام کے یونٹ کے پاس ان کی مدد کے لیے کافی ڈھانچہ ہو۔ پائپ لائن اور پلیٹ فارم کے درمیان فرق زیادہ تر اس فرق میں ہے کہ ایک طبقہ کو اپنے بارے میں کیا جاننے کی ضرورت ہے۔

{
  "segment_id": "s_004871",
  "job_id": "j_2f91c",
  "speaker_id": "spk_02",
  "source": {
    "start_ms": 3481200,
    "end_ms": 3486050,
    "text": "Titrate to fifteen milligrams over the first forty-eight hours.",
    "entities": [
      {"type": "QUANTITY", "surface": "fifteen milligrams", "norm": "15 mg"},
      {"type": "DURATION", "surface": "forty-eight hours", "norm": "PT48H"}
    ],
    "refine_st": {"applied": false, "confidence": 0.97}
  },
  "target": {
    "lang": "de",
    "text": "Titrieren Sie über die ersten 48 Stunden auf 15 mg.",
    "protected_terms": ["15 mg", "48"],
    "cps": 14.2,
    "budget_cps": 17.0
  },
  "checks": {
    "number_preservation": "pass",
    "entity_recall": 1.0,
    "speaker_similarity": 0.94,
    "drift_ms": -180
  },
  "provenance": {"source_version": 7, "model_route": "max/de-DE/v4"}
}

اس ڈھانچے کو جگہ پر رکھنے سے انتظامی کارروائیوں کو قابل عمل بناتا ہے اور معائنہ اب صرف اسکور نہیں، بلکہ غلط ہونے کا ایک گیٹ وے ہے۔

def verify_segment(seg) -> list[str]:
    faults = []

    src = numbers_in(seg["source"]["text"])      # normalised: "15", "48"
    tgt = numbers_in(seg["target"]["text"])
    if src != tgt:
        faults.append(f"number mismatch: {src} -> {tgt}")

    for term in seg["target"]["protected_terms"]:
        if term not in seg["target"]["text"]:
            faults.append(f"protected term dropped: {term}")

    if seg["target"]["cps"] > seg["target"]["budget_cps"]:
        faults.append("over character budget; delivery will sound rushed")
    if abs(seg["checks"]["drift_ms"]) > 250:
        faults.append("timing drift beyond tolerance")
    if seg["checks"]["speaker_similarity"] < 0.90:
        faults.append("voice has drifted from the approved profile")

    return faults

ان پانچ شرائط میں سے کسی کو بھی لفظ کی غلطی کی شرح کے طور پر نہیں دیکھا جا سکتا۔ تمام شرائط ان حالات کی نمائندگی کرتی ہیں جن میں نمونہ مکمل طور پر درست اور غلط ہے۔ طبقہ پندرہ ~ بن گیا۔ پچاس یہ اب تک وضع کردہ ہر روانی کی پیمائش کو پاس کرتا ہے اور اس فنکشن کی پہلی لائن میں ناکام ہوجاتا ہے۔ یہ وہی امتیازات ہیں جو پوری رپورٹ میں بنائے گئے ہیں، ایک جگہ پر پیش کیے گئے ہیں جہاں ان کا خود بخود تجربہ کیا جا سکتا ہے۔ جنریشن میٹرک پوچھتا ہے کہ کیا آؤٹ پٹ درست ہے، اور توثیق میٹرک پوچھتا ہے کہ آیا یہ ان پٹ جیسا ہی ہے۔

قدم	خصوصیت کی ناکامی	کی طرف سے پتہ چلا
پہچان	نمبر، منفی اور مناسب اسم خاموشی سے خراب ہو گئے تھے۔	ذرائع کے لیے نامزد ادارے اور نمبر چیک کریں۔
ترجمہ	ثقافتی یا رجسٹریشن کی غلطیوں کی وجہ سے متن کی غلطی	مقامی اسپیکر کا جائزہ
اسپیکر میپنگ	غلط آواز کے ساتھ درست جملہ منسلک	ڈائری شکریہ
آواز کی نسل	لہجہ محفوظ ہے، جذباتی حد ختم ہو گئی ہے۔	اسپیکر کی مماثلت اور بڑھے ہوئے پیمائش
مدت کنٹرول	وہ یا تو عجلت میں پہنچائے جاتے ہیں یا ایک گھنٹہ کے دوران جمع اور بہہ جاتے ہیں۔	فائل کے اختتامی آفسیٹ کی پیمائش
اشاعت	سورس کوڈ میں ترمیم کر دی گئی ہے اور ڈب شدہ ورژن پرانا ہے۔	ورژن نسب سے باخبر رہنا

پلیٹ فارم کی دستاویزات ان ناکامی کی سطحوں سے متصادم ہونے کی بجائے تصدیق کرتی ہیں۔ YouTube کی خودکار ڈبنگ، جو اس وقت سب سے زیادہ وسیع پیمانے پر تقسیم کی جاتی ہے، واضح طور پر کہتی ہے کہ "اصل ویڈیو میں غلط تلفظ، لہجہ، بولی، یا پس منظر کے شور کی وجہ سے ڈبنگ میں غلطیاں ہوسکتی ہیں" اور مناسب اسم، محاورے اور لفظ کو بطور خاص دشواریوں کی وضاحت کرتا ہے (YouTube مدد)۔

یہ نادان مصنوعات کے لیے دستبرداری نہیں ہے۔ یہ اس بات کی درست وضاحت ہے کہ شناخت اور ترجمے کے اقدامات فی الحال کیا کرتے ہیں، اور اسے بہتر بنانے کے لیے کرہ ارض پر سب سے بڑے ویڈیو کارپس والی تنظیم کے ذریعے شائع کیا گیا ہے۔

ماڈل لائن

ناکامی کی سطحوں پر آرکیٹیکچرل ردعمل وہی ہیں جو پلیٹ فارم کو پائپ لائنوں سے ممتاز کرتے ہیں، اور آکٹیویا کی ماڈل لائن جان بوجھ کر ترقی کے ارد گرد بنائی گئی ہے۔ ہر پرت اپنے نیچے کی پوری پرت کو وراثت میں دیتی ہے اور برقرار رکھنے کے اضافی زمرے شامل کرتی ہے۔

فرش	یہ کیا محفوظ کرتا ہے	پرنسپل کو شامل کریں۔
زیادہ سے زیادہ	علم	اصطلاحات کی بنیادی باتیں، رپورٹ کارڈ کی بہتری، تسلسل QA
سیاہ	بولنے والے اور ان کی لسانی خصوصیات	آواز کی شناخت، کردار کی پروفائلنگ، اسٹوڈیو آڈیو کی تعمیر نو
پرچم بردار	مکمل انسانی کارکردگی	بصری آواز کی سیدھ، جذبات اور پراسوڈی پہنچانا
راگناروک	براہ راست	ریئل ٹائم اسٹریمنگ آواز سے آواز

میکس ایک درستگی اور علم کے تحفظ کی پرت ہے۔ ڈیزائن کی بنیاد یہ ہے کہ ترجمہ مکمل طور پر قدرتی ظاہر ہو سکتا ہے، لیکن پھر بھی اگر نام، نمبر، فارمولے، تکنیکی اصطلاحات، یا نتائج کو تبدیل کر دیا جائے تو یہ ناقابل قبول ہے۔ یہ تکنیکی، سائنسی، طبی، قانونی، تعلیمی اور کارپوریٹ مواد پر ایک غالب رکاوٹ ہے۔

ترجمہ کو آزاد طبقہ کی سطح کی ماڈل کالوں کی ایک سیریز کے طور پر سمجھنے کے بجائے، میکس منسلک پرتوں کے ذریعے کام کو سنبھالتا ہے۔ یہ ایک سیاق و سباق اور اصطلاحات کے لغت پاس سے شروع ہوتا ہے جو عنوانات، ہستیوں، بار بار آنے والے تصورات، مناسب اسم، مخففات، فارمولے اور عددی حوالہ جات کی شناخت کرتا ہے، جبکہ ایک منظم لغت منظور شدہ ترجمہ اور محفوظ اصطلاحات کی وضاحت کر سکتی ہے جو پوری ویڈیو میں مستحکم رہیں۔

اس معلومات کو تخلیق سے پہلے اور اس کے دوران انجکشن کیا جاتا ہے، بجائے اس کے کہ بعد میں پیچ کیا جائے۔ یہ فیصلہ کو محدود کرنے اور اس میں ترمیم کرنے کے درمیان فرق ہے۔

زبان کے جوڑے، ڈومین، سیاق و سباق کے سائز، معیار کے تقاضے، تاخیر، اور لاگت کے لحاظ سے ترجمے کے راستے منتخب کریں تاکہ ان پر بھروسہ کیے بغیر تمام ماڈلز کے راستوں کو زیادہ سے زیادہ بنایا جا سکے۔ ہر سیگمنٹ کا ترجمہ مقامی سیاق و سباق اور عالمی ورکنگ میموری میں کیا جاتا ہے جو ویڈیو میں بہت پہلے متعارف کرائے گئے تصورات کو رکھتا ہے۔ جب صرف نقلیں ہی کافی نہیں ہوتی ہیں، تو نظام تکنیکی اصطلاحات، عوامی شخصیات، کمپنیوں، مصنوعات اور معیاری ہجے کے لیے بیرونی سیاق و سباق تلاش کر سکتا ہے۔ اس کے بعد ہم اس کا خلاصہ جامع ہدایات میں کرتے ہیں بغیر ماڈل کو غیرمعمولی مواد کے ساتھ اوورلوڈ کئے۔

میکس کے دو اجزا خصوصی توجہ کے مستحق ہیں کیونکہ وہ اوپر دی گئی غلطی کے پھیلاؤ کے سلسلے کے براہ راست جوابات ہیں۔

ریفائن ایس ٹی ایک وقف شدہ ماخذ اسکرپٹ کی اصلاح کی پرت ہے جو اس تسلیم پر بنائی گئی ہے کہ یہاں تک کہ ایک کامل ترجمہ ماڈل بھی ایمانداری سے ناقص اسکرپٹ کا ترجمہ کرے گا اور اعتماد کے ساتھ ناقص ڈبس تیار کرے گا۔

قابل اعتراض ماخذ کے فقرے، غلط ہجے والی اصطلاحات، غیر واضح نام، اور عددی تضادات کی نشاندہی کریں۔ اس کے بعد یہ ترمیم شدہ ذرائع تجویز کرتا ہے، ان ترمیمات سے ہدف ترجمہ دوبارہ تخلیق کرتا ہے، اور میٹا ڈیٹا کو برقرار رکھتا ہے جو ریکارڈ کرتا ہے کہ کیا تبدیلیاں کی گئیں اور کیوں کی گئیں۔

علیحدہ طور پر، پہلا ترجمہ مکمل ہونے کے بعد، میکس متضاد اصطلاحات، اندراج کی غلطیوں، عددی مماثلتوں، بھول چوکوں اور غلط تراجم کے لیے مکمل جاب کنٹینیوٹی اسکین کرتا ہے، اور پھر صرف متاثرہ حصوں کو ٹارگٹڈ ری رائٹنگ کے ساتھ منتقل کرتا ہے، چھ جملے کے کام کو دوبارہ ترجمہ کرنے کی لاگت اور عدم استحکام سے بچتے ہوئے۔

درستگی کو پھر وقت کے ساتھ رابطے میں رہنا پڑتا ہے۔ میکس ہر سیگمنٹ کے لیے دستیاب مدت، ماخذ اسپیکر کے کریکٹر فی سیکنڈ کی شرح، اور قابل قبول ہدف زبان کے کریکٹر بجٹ کا حساب لگاتا ہے، اور، اگر ترجمہ حد سے زیادہ ہو تو، نام، نمبر، مثالیں، یا نتائج کو حذف کیے بغیر جملوں کو مختصر کرنے کے لیے کنٹرولڈ پیرا فریسنگ اور کمپریشن کا اطلاق کرتا ہے۔

تراش کا پتہ لگانا کرپٹڈ کمپریسڈ جملوں کو مکمل جملوں کی جگہ لینے سے روکتا ہے۔ سسٹم مکمل طور پر آلات سے لیس ہے، ریکارڈنگ ماڈل روٹنگ، لغت کا استعمال، نمبروں کی مماثلت، تحفظ کی مدت کی غلطیاں، تلاش کے واقعات، اصلاح کے فیصلے، اور تسلسل کو دوبارہ لکھنا۔ اس کا مطلب یہ ہے کہ معیار صرف قابل مشاہدہ نہیں بلکہ قابل تشخیص ہے۔

سیاہ ہر چیز کو وراثت میں ملاتا ہے اور شناخت کا اضافہ کرتا ہے**.** جو شخص کہتا ہے اسے محفوظ رکھنا صرف آدھا کام ہے، باقی آدھا کام اس کی حفاظت کرنا ہے کہ وہ کون ہیں۔

میکس کی بنیاد پر تعمیر کرتے ہوئے، بلیک نے اسپیکر کے لیے مخصوص تربیت متعارف کروائی جو کہ ایک فرد کے الفاظ، شخصیت، بات چیت کی عادات، اور ممنوعہ اظہار کے لیے حساب رکھتی ہے، تاکہ ہر اسپیکر کو واحد، غیر جانبدار آواز اور رجسٹر کے ذریعے روٹ کرنے کے بجائے ایک الگ لسانی ہستی کے طور پر سمجھا جائے۔

ملٹی اسپیکر مواد کے لیے، ہم سیگمنٹیشن کے ساتھ شروع کرتے ہیں، ہر ایک اسپیکر کو سیگمنٹس، مناظر، اور ممکنہ طور پر متعدد اقساط میں ایک مستحکم شناخت تفویض کرتے ہیں۔ اس کے بعد یہ منظور شدہ سورس آڈیو سے اسپیکر ٹیوننگ وائس پروفائل بناتا ہے۔ یہ نقشہ سازی عالمی ہے، لہذا اسپیکر A کو اسپیکر B کی آواز یا بات چیت کا انداز موصول نہیں ہوتا ہے، اور اسپیکر کی مماثلت کی جانچ منظور شدہ ID سے تیار کردہ آواز کا موازنہ کرکے طویل شکل والے مواد میں آواز کے بڑھنے کا پتہ لگاتی ہے۔

مستقل صوتی پروفائلز واضح رضامندی، حقوق، اور کام کی جگہ کی سطح پر شناخت کے کنٹرول کے پیچھے ہیں، جو کہ پالیسی بیانات کے بجائے تعمیراتی وعدے ہیں۔

سب سے قابل ذکر عناصر شخصیت اور زبان کے ٹیسٹ ہیں۔ اسکرپٹڈ سیریز کے بارے میں سوچئے۔ ہر کردار ایک حیرت انگیز شکل، ترجیحی تاثرات، مکالمے کی تال، مزاح، راست گوئی، اور ایسے الفاظ پیش کرتا ہے جو وہ کبھی استعمال نہیں کریں گے۔ بلیک دستیاب مواد میں ایک کردار کے مکالمے سے ایک لسانی شخصیت کا پروفائل بناتا ہے، ترجمہ ماڈل کو ہدایت دیتا ہے کہ منظر کے معنی کو محفوظ رکھے جب کہ ایک ایسی زبان کا انتخاب کیا جائے جسے کردار ممکنہ طور پر استعمال کرے گا، اور پھر ایک الگ چیکر کے ساتھ نتائج کا جائزہ لیتا ہے جو پوچھتا ہے کہ آیا آؤٹ پٹ لفظی طور پر درست ہے لیکن لسانی طور پر کردار سے مختلف ہے۔

غیر سرکاری حروف جو اچانک کارپوریٹ لگتے ہیں، ایک چھوٹی شخصیت کے ساتھ مبالغہ آمیز کردار، یا تکنیکی کردار جن کا ذخیرہ الفاظ آسان ہو جاتا ہے انہیں جھنڈا لگا کر دوبارہ لکھنے کے لیے بھیجا جاتا ہے۔ یہ صحیح ترجمہ اور ترجمہ میں فرق ہے جو لگتا ہے کہ یہ ایک ہی شخص نے کہا ہے۔

سیاہ ہم آہنگی اور میڈیا کی ضروریات کو بھی بڑھاتا ہے۔ ہمارا مقصد 95-99% کی ٹائمنگ الائنمنٹ کی درستگی ہے، جیسا کہ دورانیہ کی سیدھ، حروف فی سیکنڈ کی مطابقت، اور وقفے کی جگہ کے ذریعے ماپا جاتا ہے، اس استدلال کے ساتھ کہ جملے خام کردار کے بجٹ کو پورا کر سکتے ہیں اور پھر بھی آواز جلدی آتی ہے یا اسپیکر کی تال کو توڑ سکتی ہے۔

آڈیو کی سطح پر، ہم ڈائیلاگ کو موسیقی، موڈ اور اثرات سے الگ کرتے ہیں، صرف آوازوں کو بدلتے ہیں، اور مکس کو دوبارہ ترتیب دیتے ہیں تاکہ ڈپلیکیٹ آوازیں اصل ساؤنڈ اسکیپ کے اندر واقع ہوں نہ کہ اس کے اوپر۔ یہ مقامی مقام، کمرے کے ماحول اور منظر کی حرکیات کو محفوظ رکھتا ہے۔

آؤٹ پٹ کوالٹی گیٹس سے گزرتا ہے جس میں ترجمے کی سالمیت، عددی درستگی، اصطلاحی مستقل مزاجی، وقت کی مناسبیت، اسپیکر کی تفویض، صوتیاتی مماثلت، شخصیت کی مستقل مزاجی، اور اصل صوتی ماحول کا تحفظ شامل ہوتا ہے۔

فلیگ شپ چہرے کی شناخت بصری اسپیچ پروسیسنگ، فونیم ماؤتھ الائنمنٹ، فیشل موشن پرزرویشن، اور جذباتی نقل و حمل، زور، رفتار اور شدت پر مشتمل پراسوڈک ری کنسٹرکشن کو شامل کرکے شناخت کو کارکردگی تک بڑھاتا ہے۔ اس کا مقصد یہ ہے کہ منظر کو نمایاں طور پر ڈب کیے جانے کے بجائے کارکردگی کا مظاہرہ کیا جائے۔

Ragnarok کا فن تعمیر غیر مطابقت پذیر میڈیا پروسیسنگ سے مکمل طور پر دور ہو جاتا ہے۔ آپ کو ریئل ٹائم اسپیچ ٹو اسپیچ ترجمہ ملتا ہے جس کے لیے سٹریمنگ ٹرانسکرپشن، جزوی سیاق و سباق کا ترجمہ، اضافی اسپیچ جنریشن، ٹرن-ویئر ملٹی اسپیکر پروسیسنگ، لیٹنسی آپٹیمائزیشن، اور تصحیح کی حکمت عملیوں کی ضرورت ہوتی ہے جب بعد کے الفاظ پچھلے جزوی جملوں کے معنی کو تبدیل کرتے ہیں۔ یہ میٹنگز، لائیو ٹریننگ، سپورٹ اور براڈکاسٹنگ کے ذریعے درپیش مسائل کی کلاس ہے۔

کارروائی اس سیکشن کے موضوع کی کسی بھی دلیل سے زیادہ مختصر طور پر وضاحت کرتی ہے۔ میکس علم کو محفوظ رکھتا ہے، سیاہ بولنے والوں اور لسانی شخصیات کو محفوظ رکھتا ہے، فلیگ شپ مکمل انسانی کارکردگی کو محفوظ رکھتا ہے، اور Ragnarok زبان میں تاخیر کو ختم کرتا ہے۔

ان چار جملوں میں سے کوئی بھی ماڈل کی فعالیت کو بیان نہیں کرتا ہے۔ ہر ایک چیزوں کے ایک زمرے کو بیان کرتا ہے جن کو تبدیلی سے زندہ رہنا چاہیے، اور بقا کو یقینی بنانے کے لیے انجینئرنگ موجود ہے۔

لمبی شکل وہ ہے جہاں انجینئرنگ زندہ ہوتی ہے۔

مظاہرے اور نظام کے درمیان لائن کسی حد تک قابل پیمائش ہو جاتی ہے، اور صنعت اب اسے مخصوص جگہوں پر نشان زد کر رہی ہے۔ یوٹیوب دستاویزات میں کہا گیا ہے کہ 120 منٹ سے زیادہ طویل ویڈیوز خودکار ڈبنگ (یوٹیوب ہیلپ) کے لیے موزوں نہیں ہیں۔ یہ پروڈکٹ کی اہلیت کا اصول ہے، اس کی وضاحت نہیں کہ تکنیکی طور پر کیا ممکن ہے، لیکن یہ وہ جگہ ہے جہاں رہائش تین گھنٹے کا کورس، میٹنگ کی ریکارڈنگ، یا دستاویزی فلم فراہم کرنا بند کر دیتی ہے۔

Octavia کی شائع شدہ سطح اعلی منصوبوں پر 10 گھنٹے تک سورس فائلوں کی اجازت دیتی ہے، اور ان دو اعداد و شمار کے درمیان فرق اس سب سیکشن کا پورا موضوع ہے۔

رن ٹائم ایک شناخت کرنے والا متغیر ہے کیونکہ یہ آزاد مسائل کی ایک سیریز کو ایک مستقل مسئلہ میں تبدیل کرتا ہے۔ 10 گھنٹوں کے دوران، ابواب کے درمیان اصطلاحات کو برقرار رکھا جانا چاہیے، مقررین کی درست شناخت ہونی چاہیے، وقت جمع نہیں ہونا چاہیے، تقریر کو منظور شدہ پروفائل سے انحراف نہیں کرنا چاہیے، اور دوبارہ کوششوں اور نظرثانی کے بعد بھی جائزہ کی حیثیت برقرار رکھی جانی چاہیے۔

119 منٹ پر ناکام ہونے والے سسٹمز کو پچھلے 118 منٹ کے لیے دوبارہ تسلیم کیا جانا چاہیے، اور کسی ایک نام میں ترمیم کرنے سے غیر متعلقہ آڈیو منٹوں کو دوبارہ تخلیق کرنے پر مجبور نہیں کرنا چاہیے۔ گلوبل ورکنگ میموری، قابل اعتماد اسپیکر میپنگ، گلوبل ٹاسک کنٹینیوٹی اسکیننگ، ڈرفٹ ڈٹیکشن، اور سیگمنٹ لیول ٹارگٹ ری رائٹنگ ورکنگ ڈبر کی بنیاد پر بہتری نہیں ہیں۔ یہ ایک مخصوص طریقہ کار ہے جو 600 ڈھیلے متعلقہ منٹوں کے بجائے 10 گھنٹے کو ایک مربوط ڈیلیوری کے طور پر رکھتا ہے۔

# Why ten hours is a different problem rather than a longer one. A timing
# error well inside any per-segment tolerance is inaudible on its own and
# accumulates without bound if each segment is placed after the last.
per_segment_ms    = 40        # imperceptible in isolation
segments_per_hour = 620

for hours in (0.1, 1, 2, 5, 10):
    drift_s = per_segment_ms * segments_per_hour * hours / 1000
    print(f"{hours:>4} h  ->  {drift_s:6.1f} s of accumulated drift")

#  0.1 h  ->     2.5 s      a six-minute demonstration: unnoticeable
#    1 h  ->    24.8 s
#    2 h  ->    49.6 s      past the point any viewer tolerates
#    5 h  ->   124.0 s
#   10 h  ->   248.0 s      the dub ends four minutes after the speaker

ترمیم اس کو تقریر کا ایک بہتر نمونہ نہیں بناتی ہے، اور ترکیب میں بہتری اس کو حل نہیں کرتی ہے۔ کیونکہ ہر ایک طبقہ قابل قبول حد میں تھا۔

ترمیمات آرکیٹیکچرل ہیں۔ تمام سیگمنٹ پچھلے حصے کے اختتام کے بجائے سورس ٹائم لائن میں اپنی مطلق پوزیشن پر لنگر انداز ہوتے ہیں، اور باقیات کو فائل کے آخر سے ماپا جاتا ہے اور اعلی ترین کوالٹی نمبر کے طور پر رپورٹ کیا جاتا ہے۔

اسے بنانے والا وینڈر فائل کے اختتامی آفسیٹ کا حوالہ دیتا ہے۔ بصورت دیگر، سپلائرز نمونے کا حوالہ دیں گے۔ ضمیمہ D.2 ٹاسک ریکارڈز، گیٹس، اور آرکیسٹریٹرز کی وضاحت کرتا ہے جو اوپر مذکور پانچ میکانزم کو نافذ کرتے ہیں، جن میں سے وہ تناسب جو ماڈل کالز نہیں ہیں فہرست کی کلید ہے۔

یہ وہ افعال بھی ہیں (منصوبہ بندی، ریاست سے باخبر رہنا، کراس ایپلیکیشن سیاق و سباق، اور غلطی کی بازیافت) جو سیکشن 39 میں انٹرپرائز ایجنٹ کے بینچ مارک نے ایجنٹ کو کم سے کم پائیدار پایا۔

کنورجنس رجسٹریشن کے قابل ہے۔ انٹرپرائز ورک فلو میں خود مختار ایجنٹوں کی پیمائش کرنے والے بینچ مارکس اور خصوصیت کی لمبائی ڈبنگ کے لیے بنائے گئے فن تعمیرات مخالف سمت میں مشکل مسائل کی ایک ہی فہرست کو نشانہ بناتے ہیں۔ یہ معقول ثبوت ہے کہ فہرست ضلع کی ملکیت ہے نہ کہ مبصرین میں سے کسی کی ملکیت۔

لہذا، اس زمرے میں کسی بھی پلیٹ فارم کا اصل اندازہ زیادہ سے زیادہ اپ لوڈ نمبرز نہیں ہے، بلکہ آپریشنل اقدامات کا ایک مجموعہ ہے، جس میں وقت کے ساتھ تکمیل کا فیصد، فائل کے آخر میں مطابقت پذیری بڑھنے، تمام ابواب میں اصطلاحات کی مستقل مزاجی، وقت کے ساتھ صوتی مماثلت کا بڑھنا، سیگمنٹ کی سطح کی تخلیق نو، فی گھنٹہ کی ناکامی کے بعد دوبارہ شروع کرنے کی اہلیت، فی ماخذ کی منظور شدہ ورژن کی قابلیت، اور جائزہ۔

ایک وینڈر جو اس کا جواب دے سکتا ہے اس نے ایک نظام بنایا ہے۔ ہم نے اس سیکشن کے لیے ڈیمو بنائے ہیں جو وینڈرز کے لیے مفت دستیاب ہیں جو آپ کو صرف 2 منٹ کا نمونہ دکھا سکتے ہیں۔

فیصلے جو ماڈل فراہم نہیں کرتا ہے۔

ایک پرت ماڈل کی خصوصیات کے خلاف پوری طرح مزاحم ہے کیونکہ یہ تکنیکی مسائل کے بجائے ادارتی فیصلوں پر مشتمل ہے۔ Netflix کے لیے انگریزی میں ڈب کیے گئے 82 کاسٹیلین-ہسپانوی عنوانات کے کارپس اسٹڈی نے ہائبرڈ امتزاج کے ساتھ لہجے اور علاقائی اختلافات کو سنبھالنے کے لیے تین اہم حکمت عملیوں کی نشاندہی کی۔

• تغیرات کو ایک غیر جانبدار ہدف کے لہجے میں ہموار کرنے کے لیے معیاری کاری

• گھریلو، علاقائی لہجوں کو ہدف کی زبان میں ینالاگوں سے نقشہ بنانا

• اور فارنائزیشن، جو غیر ملکی الفاظ کو غیر ملکی لہجے کے ساتھ پیش کرکے اصل کے احساس کو محفوظ رکھتی ہے۔

شمالی امریکہ میں معیاری بنانے اور برطانیہ میں گھریلو سازی کی طرف ایک رجحان رہا ہے، جب کہ غیر ملکی اور ہائبرڈ نقطہ نظر اقلیتی طرز عمل بنی ہوئی ہے (جرنل آف آڈیو ویژول ٹرانسلیشن)۔

اسی مطالعہ سے پتہ چلتا ہے کہ یہ تکنیکی انتخاب کے بجائے ادارہ جاتی ہے۔ سیریز کلہاڑیVSI لندن میں ڈب کی گئی، گالیشین-ہسپانوی سیریز وسطی جزیرہ نما ہسپانوی کے مختلف رجسٹروں کو پیش کرنے کے لیے متعدد برطانوی لہجوں کا استعمال کرتی ہے۔ آٹا ہمیں ہسپانوی لہجوں کا ایک اندھا دھند میڈلی دیا گیا جس نے گالیشین-ہسپانوی، کولمبیا، اور پانامینی تقریر کی جگہ لے لی۔

دو اسٹوڈیوز جن میں دو مستقل اور مکمل طور پر مخالف فلسفے ہیں کہ ایک کراس اوور سے کیا بچنا چاہیے۔

اوپر بیان کردہ پائپ لائن میں، انتخاب کرنے کی کوئی بنیاد نہیں ہے۔ آپ جو انتخاب کرتے ہیں وہ اس بات کا تعین کرتے ہیں کہ نتائج اچھے ہیں یا نہیں۔ بلیک کی شخصیت کی پروفائلنگ ان فیصلوں کو انکوڈ کرنے کے لیے کہیں ایک نظام فراہم کرکے خلا کو ختم کرتی ہے، لیکن کسی فیصلے کو انکوڈ کرنا کوئی فیصلہ نہیں کر رہا ہے۔

یہ مشاہدہ اس عکاسی میں رکاوٹ ہے کہ سستے فیچرز کو عالمی سطح پر لاگو ہونا چاہیے۔ ڈبنگ تمام مواد کے لیے خود بخود درست نہیں ہے صرف اس لیے کہ یہ سستا ہے۔ مزید برآں، ثقافتی طور پر مخصوص پن کے لائق مواد وہ ہے جہاں تکنیکی طور پر درست رینڈرنگ ناکام ہو جاتی ہے۔ اس بات کا تعین کرنا کہ کوئی خاص کام کس زمرے میں آتا ہے ایک ادارتی فیصلہ رہتا ہے جسے نظام کا کوئی جزو نہیں بنا سکتا۔

قیمتوں میں کمی کے نتیجے میں

معاشیات اس بات کا تعین کرتی ہے کہ اصل میں کون سی ٹیکنالوجیز بے گھر ہوتی ہیں۔ ایک اضافی زبان میں پیشہ ورانہ طور پر قابل بننا ایک کثیر سالہ کوشش ہے۔ یو ایس فارن سروس انسٹی ٹیوٹ سفارت کاروں کو کیٹیگری I زبانوں جیسے فرانسیسی اور ہسپانوی میں 600 سے 750 گھنٹے کے کلاس ٹائم میں رکھ کر پیشہ ورانہ اہلیت تک پہنچنے کے لیے کئی دہائیوں کی تربیت حاصل کرتا ہے۔ انتہائی مشکل زمرہ IV گروپ (مینڈارن، کینٹونیز، جاپانی، کورین، عربی) کو کل وقتی تربیت کے 2,200 گھنٹے، یا تقریباً 88 ہفتوں میں رکھا جاتا ہے۔

ایک بار ایک اہل مترجم دستیاب ہوجانے کے بعد، ترجمہ کو مکمل ڈب شدہ ویڈیو میں تبدیل کرنا ایک الگ، کثیر مرحلہ پروڈکشن ہے، جس میں درمیانی درجے کے پیشہ ورانہ کام کے لیے تقریباً $20 سے $40 فی منٹ تک لین دین کی قیمت کی گائیڈز کا حوالہ دیا جاتا ہے۔ اور Ethnologue کے 29 ویں ایڈیشن میں 7,170 زندہ زبانیں (Ethnologues) ہیں، جنہیں عالمی پیداواری بجٹ رکھنے والی کمپنیوں کو بھی اپنے دائرہ کار کو محدود کرنا پڑتا ہے۔

پیشہ ورانہ اہلیت کے لیے زمرہ I کی زبان کے لیے 600 سے 750 گھنٹے یا انتہائی مشکل زمرہ IV گروپ کے لیے 2,200 گھنٹے درکار ہوتے ہیں۔ انٹرمیڈیٹ پروفیشنل ڈبنگ کی لاگت تقریباً $20 سے $40 فی منٹ ہے۔ 7,170 زندہ زبانیں ہیں۔ تینوں رکاوٹوں کو ضرب دیا گیا ہے، اسٹیک نہیں کیا گیا ہے۔ (نسلیات)

یہ رکاوٹ جس سمت میں بہتی ہے اس کے بارے میں درست ہونے کے قابل ہے، کیونکہ یہ ایک طرفہ کہانی نہیں ہے جو عام طور پر فرض کی جاتی ہے۔ واقعی اچھے کام کے ساتھ چھوٹی زبان کے بازاروں میں تخلیق کار ایک ہی دیوار کا سامنا مخالف سمت میں کرتے ہیں۔ اسی علامت کے مطابق، یہ معیار کی عدم موجودگی نہیں ہے، بلکہ زبان کی سرحدوں کے پار سستے راستوں کی کمی ہے۔

یوٹیوب کی دستاویزات اس کی اپنی مصنوعات کی ساخت کی غیر متناسب دستاویز کرتی ہے، جس میں انگریزی 20 سے زیادہ مقامات پر ڈبنگ کے لیے حب لینگوئج کے طور پر کام کرتی ہے، جب کہ زیادہ تر دیگر ماخذ زبانیں فی الحال صرف انگریزی میں ڈبنگ کی حمایت کرتی ہیں (یوٹیوب ہیلپ)۔

وہ ٹیکنالوجیز جو مواد کو بڑی زبان کے بازاروں میں پہنچانے کے بجائے زیادہ اہم مسئلہ کو برقرار رکھتی ہیں، اور اس زمرے کے کسی بھی سنجیدہ تشخیص کو دونوں سمتوں میں ناپا جانا چاہیے، نہ کہ صرف ایک۔

جہاں دفاعی پوٹینشل واقعی موجود ہے۔

سیکشن 37 میں درجہ بندی پڑھیں۔ یہاں پائیدار پوزیشن ڈبنگ نہیں ہے۔ یہ جمع شدہ آپریٹنگ اپریٹس ہے جو اس کے چاروں طرف ہے۔ رضامندی اور حقوق کے ریکارڈ جو یہ ثابت کرتے ہیں کہ کلون شدہ آوازوں کو مطلوبہ استعمال کے لیے منظور کیا گیا ہے، کیٹلاگ میں اصطلاحات کو مستحکم رکھنے کے لیے ایک لغت، ماخذ-ترجمے کا نسخہ اس بات کی نشاندہی کرنے کے لیے کہ کسی خاص ڈب کا کون سا ورژن تیار کیا گیا تھا، نمونے کے جائزوں کی بجائے ڈومین ماہرین کو حفاظتی ہدایات کو منظم کرنے کے لیے منظوری کے دروازے، اسپیکر کے پروفائلز جو کہ معیار کے مطابق نتائج کو برقرار رکھتے ہیں۔ آڈٹ لاگز.

ان میں سے کوئی بھی ماڈل کی خصوصیات نہیں ہیں۔ یہ سب آس پاس کے وعدوں کی 39 آیات ہیں جن کی نشاندہی کی گئی ہے کہ ایک ہفتے میں نقل نہیں کیا جاسکتا۔ اور یہ نظام کو چلانے سے جمع ہوتا ہے، اسے بنا کر نہیں۔

سبق ان پلیٹ فارمز اور زمروں کو عام کرتا ہے، اس لیے یہ مثال بالکل شامل نہیں ہے۔ مصنوعی ذہانت ڈبنگ پائپ لائن کے ہر جزو کو فراہم کرتی ہے اور صدیوں پرانی رکاوٹوں کو توڑ دیتی ہے۔

اس نے جو کچھ فراہم نہیں کیا، اور فی الحال فراہم کرنے کے کوئی آثار نہیں دکھاتے ہیں، یہ فیصلہ کرنے کا فیصلہ ہے کہ کون سا مواد ڈب کیا جانا چاہئے، ایک عظیم کاپی میں ایک کرپٹ نمبر کو تلاش کرنے کی توثیق کی طاقت، 10 گھنٹے کے اثاثے کو ایک ساتھ رکھنے کے لئے مستقل مشین، ایڈیٹر کے فیصلے اس بارے میں کہ کسی شناخت کو کیسے بچایا جائے، یا جب اکاؤنٹ کو غلط طریقے سے روکا جائے تو پارٹی کو محفوظ رکھنے کی ہدایات۔

ماڈل نے ڈیمو مفت بنایا۔ کوئی بھی چیز جو مظاہرے کو کسی ایسی چیز میں بدل دیتی ہے جس پر ایک تنظیم بھروسہ کر سکتی ہے وہ اتنا ہی مہنگا ہے جتنا کہ پہلے ہوا کرتا تھا، اور اب وہ پوری بنیاد ہے جس پر وہ نظام مقابلہ کرتے ہیں۔

41. کیا بچتا ہے؟

ایک ساتھ لے کر، حصہ چہارم تجویز کرتا ہے کہ سافٹ ویئر کمپنیاں سب سے زیادہ زندہ رہنے کا امکان رکھتی ہیں جن کے پاس صرف خصوصیات سے زیادہ ہیں، جن کے زمرے مناسب درستگی کے ساتھ بیان کیے جا سکتے ہیں۔

ریکارڈ کے نظام زندہ رہتے ہیں کیونکہ ان کے پاس مستند ریکارڈ اور لین دین کا ڈیٹا ہوتا ہے جو دوبارہ تعمیر نہیں کیا جا سکتا اور دوسرے سسٹمز کی درستگی پر منحصر ہوتا ہے۔

طرز عمل کے نظام زندہ رہتے ہیں کیونکہ وہ مکمل، قابل پیمائش ورک فلو کو انجام دیتے ہیں اور انٹرفیس کے معیار کی بجائے نتائج کی بنیاد پر ان کا جائزہ لیا جاتا ہے۔ یہ ایک ایسا مقابلہ ہے جہاں تیار کردہ سافٹ ویئر خود بخود نہیں جیتتا۔

عمودی پلیٹ فارم زندہ رہتے ہیں کیونکہ وہ سافٹ ویئر کو صنعت کے علم، اصطلاحات، قواعد و ضوابط اور آپریٹنگ طریقہ کار کے ساتھ جوڑتے ہیں، یہ مجموعہ ماڈلنگ کے ذریعے نہیں بلکہ صنعت کی خدمت کے سالوں کے ذریعے حاصل کیا گیا ہے۔

بنیادی ڈھانچے کے کاروبار زندہ رہتے ہیں کیونکہ گاہک آپریشنل اوصاف پر انحصار کرتے ہیں، نہ کہ سافٹ ویئر کے اوصاف: وشوسنییتا، تاخیر، سیکیورٹی، APIs، اور اسکیل۔

ریگولیٹری نظام زندہ رہتے ہیں کیونکہ جب ریگولیٹرز کی ضرورت ہوتی ہے تو ثبوت، جوابدہی، آڈٹ ایبلٹی اور اعتماد پرواز پر یا سابقہ ​​طور پر پیدا نہیں کیا جا سکتا۔

ڈیٹا سنتھیسز پروڈکٹس زندہ رہتے ہیں کیونکہ ہر تعیناتی کے ساتھ نظام کا علمی فائدہ بڑھتا ہے، اور وقت گزرنے کے ساتھ یہ فرق کم نہیں بلکہ وسیع ہوتا جاتا ہے۔

مضبوطی سے مربوط پلیٹ فارمز زندہ رہتے ہیں کیونکہ ان کی تبدیلی کے لیے شناخت، فنانس، کمیونیکیشن، ڈیٹا بیس، سپلائرز، ملازمین اور صارفین کے درمیان تعلقات کی بیک وقت تشکیل نو کی ضرورت ہوتی ہے۔

اور چونکہ AI گاہک تک رسائی پیدا نہیں کرتا، سیلز سائیکل کو مختصر نہیں کرتا، یا بڑی تنظیموں کے لیے چھوٹے اداروں پر بھروسہ کرنے کے لیے درکار اعتماد پیدا نہیں کرتا، واقعی قابل فروخت مصنوعات زندہ رہتی ہیں۔

مجموعی رفتار براہ راست ان زمروں کی پیروی کرتی ہے۔ سافٹ ویئر کو دوبارہ پیدا کرنا آسان ہے اور پنروتپادن کو تیز کیا جاتا ہے۔ بھاری سافٹ ویئر کو تبدیل کرنے کے بجائے جدید بنایا جائے گا۔ کیونکہ تبدیلی ایک تنظیمی کام ہے، انجینئرنگ کا کام نہیں۔ اور سب سے زیادہ طاقتور پلیٹ فارمز AI صلاحیتوں کو جذب کر لیں گے جو ان کے پاس پہلے سے موجود ہے، جس سے ٹیکنالوجی کو تبدیل کرنے کے بجائے بہتر کارکردگی کا مظاہرہ کرنے کا موقع ملے گا۔

یہ تمام کموڈٹی ٹیکنالوجیز کے لیے تاریخی نمونہ ہے جو صنعت میں داخل ہونے والے ذمہ داروں کے ساتھ کسٹمر کے تعلقات کو برقرار رکھتے ہیں۔

حصہ V - مشق

42. انجینئرنگ تنظیم کا آپریٹنگ ماڈل

حصہ 1 سے 4 میں جمع کیے گئے شواہد معقول حد تک مخصوص آپریشنل سفارشات کی حمایت کرتے ہیں۔ یہ حصہ اس کی وضاحت اس شکل میں کرتا ہے جس پر انجینئرنگ لیڈر کارروائی کر سکتے ہیں۔

یہ سفارشات طریقہ کار پر مبنی ہیں، ترجیحات پر نہیں، اور جہاں ثبوت کی کمی ہے، ہم اسے چھپائے بغیر دستاویز کرتے ہیں۔

اس متبادل کی عملی شکل ایک پائپ لائن ہے جو آدھے جائزے کو الگ کرتی ہے جو مشین انجام دے سکتی ہے نصف سے جو وہ نہیں کر سکتی، اور دوسرے نصف کو حادثاتی کے بجائے جان بوجھ کر روٹ کرتی ہے۔

on: pull_request

jobs:
  mechanical:            # everything Section 10 concedes to the machine
    steps:
      - run: ruff check . && mypy --strict src/
      - run: pytest --hypothesis-profile=ci      # property-based, not example
      - run: schemathesis run openapi.yaml       # contract at the boundary
      - run: pip-audit --require-hashes
      - run: semgrep --config ci/rules/ --error
      - run: python ci/architecture_test.py

  judgment:              # everything Section 10 does not
    needs: mechanical
    steps:
      - uses: ./.github/actions/route-review
        with:
          # A person with context is required wherever being wrong is not
          # recoverable by reverting the commit.
          reviewers_required_for: |
            migrations/**
            src/billing/**
            src/**/auth*.py
            deploy/**

صفوں کی قدر یہ نہیں ہے کہ وہ زیادہ حاصل کرتے ہیں۔ ایک شخص کے دستخط کی ضرورت والے راستے کو لکھنے کے بعد، اور کچھ بحث و مباحثے کے بعد، جمعے کی دوپہر کو ڈیڈ لائن کے دباؤ کے تحت اسے شخص کی صوابدید سے ہٹا دیا گیا۔

محض نثر کے فیصلوں کو ریکارڈ کرنا ایک ترجیح ہے۔ اس کو نافذ کرنے والے ٹیسٹ کو کنٹرول کہا جاتا ہے، اور فرق یہ ہے کہ یہ طے کرتا ہے کہ کیا تبدیلیاں خود بخود اس کی خلاف ورزی کر سکتی ہیں۔

# ADR-0031: Services own their data; no cross-service database reads

Status:   Accepted, 2026-03-04
Context:  Two Q4 incidents traced to the reporting job reading the billing
          schema directly and holding locks through the month-end close.
Decision: A service reads another service's data only through its published
          interface. No connection string for schema X may appear in the
          configuration of any service other than X.
Cost:     Reporting latency rises from seconds to minutes. Accepted.
Enforced: ci/architecture_test.py::test_no_cross_schema_connections

# The last line of that record, made executable. A generated change that
# reaches for the convenient connection now fails the build, and the error
# message tells the next engineer which argument was already had.
OWNERSHIP = {"billing": "billing", "search": "search", "notify": "notify"}

def test_no_cross_schema_connections():
    for service, schemas in declared_connections().items():
        for schema in schemas:
            owner = OWNERSHIP.get(schema)
            assert owner in (None, service), (
                f"{service} connects directly to schema '{schema}', which is "
                f"owned by '{owner}'. See ADR-0031."
            )

ٹیسٹ 12 لائنوں طویل تھا اور ایک دوپہر لیا. جس چیز کی حفاظت کرتا ہے وہ جائیداد ہے جس کی انفرادی پل کی درخواستوں سے کوئی خطرہ نہیں ہوتا ہے۔ اس کی وجہ یہ ہے کہ مقامی طور پر پڑھے جانے والے ہر کراس اسکیما کو انجام دینا سمجھ میں آتا ہے، اور تضادات صرف اجتماعی طور پر موجود ہیں۔

یہ وہی ہے جو ناکامی موڈ ایجنٹ بڑی مقدار میں پیدا کرتے ہیں۔ ضمیمہ D.5 مکمل سوٹ کی فہرست دیتا ہے، ہر ٹیسٹ پر عمل درآمد کے فیصلے کو ریکارڈ کرتا ہے تاکہ انجینئر ان کو ٹرپ کرنے والے دلائل کو دہرائے بغیر انہیں پڑھ سکے۔

1. پہلی اور سب سے اہم بات یہ ہے کہ پیداواری صلاحیت کے تناسب سے جائزہ اور تصدیق کی صلاحیت کو بڑھایا جائے۔

NBER فنل سے پتہ چلتا ہے کہ رکاوٹیں ختم نہیں ہوتیں، بلکہ نیچے کی طرف بڑھ جاتی ہیں۔

وہ تنظیمیں جنہوں نے اپنے جائزے کے عمل میں جانے والے کوڈ کی مقدار کو تین گنا کر دیا اور اس عمل کو تبدیل نہیں کیا وہ اپنے تھرو پٹ کو تین گنا کرنے میں ناکام رہے۔ اس کے بجائے، آپ نے ایک قطار بنائی ہے اور سائیکل کے اوقات کو بڑھا کر یا جائزہ کے معیار کو کم کر کے اسے چھوڑ رہے ہیں۔ یہ دونوں ظاہری فوائد کو دوسرے اخراجات میں ترجمہ کرتے ہیں۔

عملی اصطلاحات میں، اس کا مطلب ہے خودکار تصدیق میں اسی سنجیدگی کے ساتھ سرمایہ کاری کرنا جو ہم نے پہلے ڈویلپر ٹولز کے لیے محفوظ کیا تھا۔ اس کی وجہ یہ ہے کہ انسانی جائزے کی صلاحیتیں ایک ان پٹ ہیں جنہیں تیزی سے پیمانہ نہیں کیا جا سکتا۔ پراپرٹی پر مبنی جانچ، سروس باؤنڈری پر کنٹریکٹ ٹیسٹنگ، ناکامی کے طریقوں کے مطابق جامد تجزیہ جو کہ تیار کردہ کوڈ اصل میں ظاہر کرتا ہے، انحصار کا پتہ لگانا، اور جامع انضمام کی جانچ، یہ سب کچھ فی یونٹ سرمایہ کاری کے جنریشن کے پیمانے میں اضافہ کے ساتھ زیادہ قیمتی ہو جاتا ہے۔ اس کی وجہ یہ ہے کہ مشین کی تصدیق انسانیت کی جگہ لے لیتی ہے جس میں ہر ایک کی کمی ہے۔

2. دوسرا تعمیراتی فیصلوں کو واضح کرنا اور ان کا دفاع کرنا ہے۔

سیکشن 8 میں بیان کردہ غلط طریقے سے مسئلہ مزید مہنگا ہو جاتا ہے کیونکہ عمل درآمد سستا ہوتا ہے۔

تنظیموں کو تحریری آرکیٹیکچرل فیصلوں کے ریکارڈ کو دستاویزی حفظان صحت کے بجائے کنٹرول کے طریقہ کار کے طور پر برقرار رکھنا چاہیے۔ ریکارڈ شدہ اور جائز فیصلوں کا جنریٹڈ کوڈ کے خلاف جائزہ لیا جا سکتا ہے جو ان کی خلاف ورزی کرتا ہے، لیکن مضمر فیصلے نہیں کر سکتے۔

ایجنٹوں کو جو مخصوص خطرہ لاحق ہوتا ہے وہ مقامی طور پر عقلی انتخاب کا خود بخود جمع ہونا ہے جو اجتماعی طور پر متضاد ہیں۔ انسدادی پیمائش ایک دستاویزی فن تعمیر ہے جو مقامی انتخاب کی تصدیق کی اجازت دیتا ہے۔

3. تیسرا یہ ہے کہ آؤٹ پٹ کے بجائے برقرار رکھنے کی صلاحیت کی پیمائش کی جائے۔

CMU کے نتائج یہ ظاہر کرتے ہیں کہ اختلافات نمایاں ہونے سے پہلے دونوں مہینوں تک مخالف سمتوں میں حرکت کر سکتے ہیں۔ کارآمد میٹرکس میں کوڈ کے معیار کے انتباہات کے رجحانات شامل ہیں نہ کہ مطلق اصطلاحات میں، کوڈ بیس کا وہ فیصد جو موجودہ ٹیم کے اراکین کے ذریعہ پڑھا نہیں گیا ہے، ایک نئے انجینئر کو اپنی پہلی معمولی تبدیلی کرنے کے لیے درکار وقت، نئی ڈیولپمنٹ پر خرچ کیے گئے نقائص کی مرمت میں خرچ کیے گئے وقت کا تناسب، ناکامی کی شرح میں تبدیلی، وغیرہ۔

ان میں سے کوئی بھی نیا نہیں ہے اور سب AI سے پہلے پیمائش کے قابل تھے۔ جو چیز تبدیل ہوئی ہے وہ یہ ہے کہ AI کو اپنانے کے ساتھ، سب سے زیادہ نظر آنے والے میٹرکس وہ ہیں جو طویل مدتی صحت کے ساتھ سب سے کم تعلق رکھتے ہیں، اس لیے پہلے اختیاری پیمائش کے شعبے بوجھ برداشت کرنے والے بن گئے ہیں۔

4. چوتھا یہ ہے کہ خود رپورٹ شدہ پیداواری صلاحیت کو ناقابل اعتبار سمجھیں اور اس کے بارے میں عوامی سطح پر بات کریں۔

METR کے نتائج یہ ظاہر کرتے ہیں کہ تجربہ کار انجینئرز اثر کے دوران تقریباً 40 فیصد پوائنٹس کے ذریعے اثر کی سمت کا غلط اندازہ لگا سکتے ہیں۔ اس کا مطلب یہ نہیں ہے کہ ڈویلپرز کے جذبات بیکار ہیں۔ یہ تجربے کا صحیح پیمانہ ہے، اور تجربہ برقرار رکھنے پر اثر انداز ہوتا ہے، جو اہم ہے۔

اس کا مطلب یہ ہے کہ جذبات کو پیمائش کی جگہ نہیں لینا چاہیے جب اس بارے میں کوئی سوال ہو کہ آیا ٹولنگ کی سرمایہ کاری قدر پیدا کر رہی ہے۔ وہ تنظیمیں جو پیمائش کو سروے کے اعداد و شمار سے بدل دیتی ہیں مسائل کا پتہ لگانے کے لیے ایک منفرد ٹول سے محروم ہیں۔

5. پانچویں، ہم جان بوجھ کر کارروائیوں کے ان زمروں میں فرق کرتے ہیں جہاں ثبوت AI کے جارحانہ استعمال کی حمایت کرتے ہیں اور جن کے لیے ہم احتیاط کی سفارش کرتے ہیں۔

واضح کامیابی کے معیار کے ساتھ محدود، اچھی طرح سے مخصوص گرین فیلڈ کام نے 55.8% کے نتائج حاصل کیے، اور تنظیموں کو وہاں ان ٹولز کو استعمال کرنے میں ہچکچاہٹ محسوس نہیں کرنی چاہیے۔ پختہ نظاموں میں پیچیدہ تبدیلیوں میں 19% سست روی دیکھی گئی جہاں درستگی قائم کرنا مہنگا ہے۔

مناسب کرنسی زیادہ محتاط ہے۔ غیر زیر نگرانی معلومات پیدا کرنے کے بجائے ایکسپلوریشن، سمجھنے اور جائزے میں مدد کے لیے ٹولز کا استعمال کریں۔ اس کے لیے کسی ایسے شخص کی ضرورت ہوتی ہے جو سسٹم کو سمجھتا ہو کہ وہ آؤٹ پٹ کا جائزہ لے، بجائے اس کے کہ یہ تسلیم کرے کہ سسٹم گزر گیا ہے۔

6. چھٹا ان حالات کو محفوظ رکھنا ہے جن کے تحت تعلیم حاصل ہوتی ہے۔

یہ سیکشن 17 اور 25 میں بتائی گئی وجوہات کی بناء پر اہم ہے۔ یہ وہ سفارش ہے جو تجارتی دباؤ کے تحت ملتوی ہونے کا سب سے زیادہ امکان ہے اور اسے ملتوی کرنا سب سے مہنگا ہے۔ اس کی وجہ یہ ہے کہ اخراجات قائم مقام شخص کی مدت کے مقابلے میں طویل عرصے تک بڑھتے ہیں۔

43. پروٹو ٹائپس اور کمپنیاں

مندرجہ بالا سفارشات کا مقصد انجینئرنگ تنظیموں کے لیے ہے جو پہلے سے موجود ہیں۔ اس رپورٹ کے دعووں کا سب سے اہم اطلاق ان کمپنیوں پر ہے جو ابھی تک موجود نہیں ہیں۔ تیار کردہ کوڈ پر انحصار کب بند کرنا ہے اس بارے میں بانی کا فیصلہ ابتدائی مرحلے کے سافٹ ویئر میں سب سے زیادہ بااثر فیصلوں میں سے ایک بن گیا ہے، اور یہاں جمع ہونے والے شواہد اس پر براہ راست اثر ڈالتے ہیں۔

ورژن ون بنانے کے لیے AI کے استعمال کا معاملہ مضبوط ہے، اور یہ رپورٹ محض اس پر زور دینے کے بجائے اس کی مقدار درست کرتی ہے۔ ایک نیا پروڈکٹ ایک محدود، نامعلوم، اور واضح طور پر متعین مسئلہ ہے جس کا احترام کرنے کے لیے کوئی میراثی فن تعمیر نہیں ہے، کوئی پروڈکشن سسٹم کمزور نہیں ہے، کوئی ٹیم کے قواعد کی پابندی نہیں ہے، اور ابھی تک کوئی دیکھ بھال کی کھڑکی نہیں۔

یہ وہ پروفائل ہے جس میں سیکشن 5 میں بے ترتیب شواہد نے تکمیل کی رفتار میں 55.8% بہتری ریکارڈ کی ہے، ایک زمرہ جس نے ادب میں تمام مثبت نتائج برآمد کیے ہیں۔

کاروباری افراد جو پہلے مظاہروں تک پہنچنے کے لیے ان ٹولز کو استعمال کرنے سے انکار کرتے ہیں وہ سب سے واضح طور پر ثابت شدہ پیداواری فوائد کو ضائع کر رہے ہیں اور بغیر کسی قابل دفاع وجہ کے ایسا کر رہے ہیں۔

جب قیمتیں بڑھ جاتی ہیں تو یہ ٹیکنالوجی نہیں بدلتی بلکہ مسئلے کی نوعیت ہوتی ہے۔ سیکشن 1 نے ان اختلافات کی وضاحت کی جو اس پورے حصے کی بنیاد بناتے ہیں۔ مصنوعی ذہانت نے خیالات اور ڈیمو کے درمیان فاصلے کو کم کیا ہے، لیکن ڈیمو اور قابل اعتماد کمپنیوں کے درمیان نہیں۔

فنڈنگ ​​راؤنڈ بنیادی طور پر دوسری گلی کو عبور کرنے کی لاگت ہے۔ سرمایہ کار پہلے ہی ڈیمو دیکھ چکے ہیں لیکن اسے خریدا نہیں ہے۔ وہ جو کچھ خرید رہے ہیں وہ اس مظاہرے کو ایسی چیز میں تبدیل کر رہا ہے جس پر دوسرے بھروسہ کر سکتے ہیں۔ اس کے لیے ایک ایسے فن تعمیر کی ضرورت ہے جو اپنے دوسرے سال تک زندہ رہ سکے، ایک ڈیٹا ماڈل جس کو بوجھ کے تحت منتقل کرنے کی ضرورت نہیں ہے، سیکیورٹی اور قابل اعتبار انجینئرنگ جو نقصان دہ معلومات کو محفوظ کرنے کے لیے موزوں ہے، اور کسی کو ناکامی کی صورت میں ذمہ داری قبول کرنے کی ضرورت ہے۔ یہ حصہ I ہے، جو ان زمروں کی نشاندہی کرتا ہے جو AI پیش نہیں کرتا۔

سیکشن 29 میں موجود کیپیٹل ڈیٹا ٹیبل کے سرمایہ کار کی طرف اسی منتقلی کی وضاحت کرتا ہے۔ سیڈ فنڈنگ ​​میں تقریباً 42 فیصد کمی واقع ہوئی، جبکہ سیریز سی اور اس سے اوپر کے 23.9 بلین ڈالر سے بڑھ کر 31.8 بلین ڈالر ہو گئے۔ وہ تشریح جو وہاں سے تیار ہوتی ہے وہ یہ ہے کہ مارکیٹ اس مرحلے کے لیے کم ادائیگی کرتی ہے جہاں پروڈکٹ کا مظاہرہ کیا جا سکتا ہے اور اس مرحلے کے لیے زیادہ جہاں پراڈکٹ کو دکھایا جاتا ہے۔

جیسے جیسے مظاہرے سستے ہوتے جاتے ہیں، مظاہروں کی قدر کم ہوتی جاتی ہے اور پریمیم اس بات کا ثبوت بن جاتا ہے کہ کمپنی کام کر سکتی ہے۔ تاجروں کو قیمت کی ایڈجسٹمنٹ کو اس بات کی وضاحت کے طور پر پڑھنا چاہیے کہ مارکیٹ کو فی الحال دو مسائل میں سے کون سا مشکل ہے۔

خصوصیت کی ناکامی کے طریقے نام رکھنے کے لیے کافی مخصوص ہیں۔ ٹیم تیار کردہ کوڈ میں اضافے تک پہنچتی ہے، اس نتیجے پر پہنچتی ہے کہ اس کو حاصل کرنے کا طریقہ وہی ہے جو اسے آگے بڑھائے گا، دوسروں کے مقابلے میں زیادہ تعمیراتی صلاحیت کی خدمات حاصل کرے گا، اور 12 سے 18 ماہ کے بعد، پتہ چلتا ہے کہ کمپنی کے سب سے تیزی سے بنائے گئے پرزے ایسے حصے بن گئے ہیں جنہیں تبدیل نہیں کیا جا سکتا۔

سیکشن 6 میں CMU ثبوت اس پیٹرن کی ایک پیمائش شدہ شکل ہے۔ ابتدائی سرعت کے بعد، پیچیدگی پیدا ہوتی ہے، معیار کے انتباہات جمع ہوتے ہیں، اور مستقبل کی رفتار کم ہوتی ہے۔ آیت 8 کا ناقص تجزیہ اس کی حکمت عملی ہے۔ جب ایک غلطی ہوتی ہے، اس کے بارے میں کچھ بھی قابل توجہ نہیں ہے. یہی وجہ ہے کہ غلطیوں کا پتہ لگانے کے بجائے پیشین گوئی کی ضرورت ہے۔

دو حقیقی اصول پیروی کرتے ہیں: پہلے کا تعلق وقت سے ہے، اور ایک کارآمد محرک ذمہ داریوں کا پابند ہے، نہ کہ ہیڈ کاؤنٹ، ریونیو، یا فنڈنگ ​​کے مراحل۔ جس لمحے آپ ہنر مند انجینئرنگ میں لاتے ہیں وہ پہلی بار ہے جب بانی ٹیم سے باہر کوئی شخص سسٹم پر انحصار کرتا ہے۔ اس کا مطلب ہے کہ ان صارفین کے لیے ادائیگی کرنا جن کے کاموں میں خلل پڑے گا، جن کا ڈیٹا نمایاں طور پر ضائع یا بے نقاب ہو جائے گا، یا جہاں صارف کے اپنے بنیادی ڈھانچے پر انضمام یا تعمیل کا کام کیا جائے گا۔

اس حد سے پہلے، اگر تیار کردہ کوڈ غلط نکلتا ہے، تو اس میں ہفتے لگ سکتے ہیں اور اسے سستے طریقے سے ضائع کیا جا سکتا ہے۔ اس کے بعد، ایک ہی کوڈ کو منتقل کرنا مہنگا پڑ جاتا ہے اور سیکشن 8 کی مطابقت اس کی پوری صلاحیت پر لاگو ہوتی ہے۔

دوسرا اس کے بارے میں ہے کہ آپ کس چیز کے لیے خدمات حاصل کر رہے ہیں، اور جس چیز کو آپ صحیح سمجھتے ہیں اس کے ساتھ چل کر غلطی کرنا آسان ہے۔ جبلت یہ ہے کہ تیز ترین بلڈر کی خدمات حاصل کریں۔ تاہم، اس جگہ کی کمپنیوں کے پاس پہلے سے ہی تعیناتی کی صلاحیتیں موجود ہیں۔ تاثر تک پہنچنے کے لیے یہی استعمال کیا جاتا ہے۔ مزید آدانوں کو شامل کرنا جن کی کمی نہیں ہے کہیں اور رکاوٹوں کو کم نہیں کرتا ہے۔

جس چیز کی کمی ہے وہ ہے تشخیص کی صلاحیت۔ AI پر مبنی کمپنیوں میں سب سے قیمتی ابتدائی انجینئرنگ کی خدمات حاصل کرنے والے وہ لوگ ہوتے ہیں جو سسٹم کو بنتے ہی پڑھ سکتے ہیں، اس بارے میں آزادانہ فیصلے کر سکتے ہیں کہ آیا سسٹم استعمال کی اگلی سطح تک زندہ رہے گا، شناخت کر سکتے ہیں کہ کون سے حصے ٹھیک ہیں اور کون سے حصے واجبات ہیں جو کام کرنے والے سافٹ ویئر کی طرح نظر آتے ہیں، اور فیصلہ مہنگا ہونے سے پہلے کہہ سکتے ہیں۔

یہ توثیقی صلاحیت ہے جو سیکشن 44 میں بیان کی گئی ہے اور اس کی پیمائش سیکشن 13 میں کی گئی ہے۔ یہاں ہم ماہر نتائج کو کامیابی کے لیے 2x اور بحالی کے لیے تقریباً 4x سے الگ کرتے ہیں، جو کہ امیر ان پٹ کے بجائے ناقص ان پٹ ہے۔

سیکشن 8 پر لاگو ہونے والے انتباہات یہاں بھی انہی وجوہات کی بنا پر لاگو ہوتے ہیں۔ یہ سیکشن بانی پر تحقیق کے علاوہ دیگر مقاصد کے لیے جمع کیے گئے شواہد کی بنیاد پر نتائج پر مبنی ہے۔ اس رپورٹ کے بارے میں معلوم ہونے والے کسی مطالعہ نے ان کمپنیوں کا سراغ نہیں لگایا جنہوں نے ابتدائی طور پر انجینئرنگ میں مہارت حاصل کی ان کے مقابلے میں جو نہیں کرتے تھے۔

ایک قیاس اتنا ہی اچھا ہے جتنا اس کے احاطے، جن کا ذکر اوپر کیا گیا ہے، اور ہر ایک بنیاد کا حوالہ دیا گیا ہے جہاں یہ قائم ہے۔

44. پیمائش کریں کہ واقعی کیا اہمیت ہے۔

پیمائش کا مسئلہ الگ علاج کا مستحق ہے کیونکہ یہ وہ جگہ ہے جہاں آج زیادہ تر تنظیمیں ناکام ہو رہی ہیں، اور ناکامی ٹول کے انتخاب کا معاملہ ہے، کوشش کا نہیں۔

وہ میٹرکس جہاں AI کو اپنانا سب سے زیادہ واضح طور پر بہتری کو ظاہر کرتا ہے (کمیٹ، پل ریکوئسٹ، لائنز شامل، فیچرز بھیجے گئے، اسٹوری پوائنٹس مکمل) نتائج سے سب سے دور میٹرکس ہیں جو اس بات کا تعین کرتے ہیں کہ آیا کوئی تنظیم کامیاب ہے یا نہیں۔

NBER ڈیٹا دستیاب سب سے واضح ثبوت ہے۔ وہ تنظیمیں جو کمٹ کی پیمائش کرتی ہیں ان میں 180% بہتری نظر آتی ہے، جو ریلیز کی پیمائش کرتی ہیں ان میں 30% بہتری نظر آتی ہے، اور جو گاہک کے استعمال کی پیمائش کرتی ہیں وہ بالکل بھی نہیں دیکھتی ہیں۔ تینوں پیمائشیں درست ہوتیں۔ ان میں سے صرف ایک کاروباری نتائج کو بیان کرتا ہے۔

لہذا، آج کے لیے درست پیمائش کے فریم ورک میں پورے فنل کو گھیرنا چاہیے، نہ کہ صرف سامنے والے حصے کا نمونہ۔ پیداواری تہہ میں، حجم میٹرکس ڈاون اسٹریم سسٹمز پر بوجھ کے کلیدی اشارے کے طور پر کارآمد رہتے ہیں اگر انہیں آؤٹ پٹ کے بجائے ان پٹ کے طور پر پڑھا جائے۔

انضمام کی پرت میں، متعلقہ سوالات یہ ہیں کہ تبدیلیاں کتنی دیر تک جائزے کا انتظار کرتی ہیں، کتنی بار جائزہ لینے والے کام واپس آتے ہیں، اور پیدا شدہ حجم کا کتنا حصہ پیداوار تک پہنچتا ہے۔

ریلیز ٹیر میں تعیناتیوں کی فریکوئنسی، پروڈکشن کے لیے کمٹمنٹ سے لیڈ ٹائم، ناکامی کی شرح میں تبدیلی، اور سروس کی بحالی کا وقت سب سے زیادہ توثیق شدہ میٹرکس بنے ہوئے ہیں، اور AI کو اپنانے سے ان کا تعلق بالکل وہی تعلق ہے جو DORA بیان کرتا ہے: تنظیم پہلے سے ہی کر رہی تھی ہر چیز کا اضافہ۔

نتائج کی پرت میں، اختیار کی گئی، برقرار رکھنے، اور جاری کی جانے والی خصوصیات کا فیصد جو حقیقت میں استعمال کیا جاتا ہے وہ واحد پیمانہ ہے جو یہ ثابت کرتا ہے کہ آیا پچھلی سرگرمیوں نے قدر پیدا کی ہے۔

تمام چار درجے ایک ہی استفسار میں فٹ ہوتے ہیں، اور ایک تنظیم جو کچھ ایسا ہی چلا سکتی ہے وہ دونوں ناکامی کے طریقوں کا پتہ لگانے کے قابل ہو گی جن کی یہ رپورٹ پیش گوئی کرتی ہے، لیکن ایک تنظیم جو صرف پہلے کالم کی اطلاع دیتی ہے وہ بھی پتہ نہیں لگا سکے گی۔

SELECT
  date_trunc('month', d.day)                      AS month,

  — generation
  sum(d.commits)                                  AS generated,

  — integration
  sum(d.prs_merged)                               AS integrated,
  round(avg(d.review_wait_hours), 1)              AS review_wait_h,
  round(100.0 * sum(d.prs_returned)
        / nullif(sum(d.prs_reviewed), 0), 1)      AS returned_pct,

  — release
  sum(d.deploys)                                  AS released,
  round(sum(d.commits)::numeric
        / nullif(sum(d.deploys), 0), 2)           AS commits_per_release,
  round(100.0 * sum(d.deploys_rolled_back)
        / nullif(sum(d.deploys), 0), 1)           AS change_failure_pct,

  — outcome
  round(100.0 * sum(d.features_used_30d)
        / nullif(sum(d.features_shipped), 0), 1)  AS feature_adoption_pct

FROM   delivery_daily d
WHERE  d.day >= now() - interval '18 months'
GROUP  BY 1
ORDER  BY 1;

ان میں سے دو کالم تشخیص کو بیان کرتے ہیں اور باقی سیاق و سباق سے متعلق ہیں۔ بڑھتی ہوئی commits_per_release تقسیم کی یکساں تعداد کے لیے انوینٹری اس وقت ہوتی ہے جب کوئی تنظیم زیادہ پیداوار کرتی ہے اور وہی بھیجتی ہے۔ یہ NBER فنل ہے جو کمپنی کے اندر نقل کیا گیا ہے۔

بڑھتی ہوئی change_failure_pct تعیناتیوں کی بڑھتی ہوئی تعداد کے لیے DORA کے استحکام کے نتائج کو اسی جگہ پر نقل کیا گیا ہے۔ کم محتاط ہو کر تنظیمیں تیز تر ہو گئیں۔

دونوں پہلے کالم کی رپورٹنگ کرنے والے ڈیش بورڈ پر نظر نہیں آتے، اور جو دونوں ایک ساتھ رپورٹ کرتے ہیں وہ سہ ماہی کے اندر قابل مشاہدہ ہوں گے۔ ضمیمہ D.3 ایک ماڈیول فراہم کرتا ہے جو اس کے آؤٹ پٹ کو دو فیصلوں میں بدل دیتا ہے، جس میں گودام ٹیبل شائع کرنے سے انکار کرنے کا دعوی، ایک مکمل استفسار، اور اس کے آگے ریلیز پرت کے بغیر پروڈکشن میٹرک شامل ہے۔

اس فریم ورک کے ذریعہ نافذ کردہ نظم و ضبط یہ ہے کہ اگلی پرت کی جانچ کیے بغیر ایک پرت میں بہتری کا جشن منانے سے انکار کیا جائے۔ وہ تنظیمیں جنہوں نے کمٹ کی مقدار کو دوگنا کیا اور اپنی تعیناتیوں کی فریکوئنسی کو تبدیل نہیں کیا انہیں پیداواری صلاحیت میں کوئی فائدہ نظر نہیں آیا۔ انوینٹری تیار ہو رہی ہے۔

تعیناتی کی بڑھتی ہوئی تعدد اور اسی طرح تبدیلی کی ناکامی کی شرح میں اضافہ والی تنظیمیں زیادہ تیز نہیں ہو سکتیں۔ میں کم محتاط ہو گیا۔

یہ فرضی ناکامی کا موڈ نہیں ہے، بلکہ جمع شدہ شواہد سے پیش گوئی کی گئی ٹھوس ناکامی موڈ ہے۔ وہ تنظیمیں جو صرف پہلی پرت کی پیمائش کرتی ہیں ان میں بھی پتہ لگانے کی صلاحیت نہیں ہے۔

45. انفرادی انجینئرز کے لیے نصاب

اس تجزیے کے انفرادی مضمرات اس سے کہیں زیادہ پر امید ہیں جو اکیلے لیبر مارکیٹ کا ڈیٹا تجویز کرے گا، اگر آپ اور آپ کی ٹیم غور سے سوچے کہ کیا بنانا ہے۔ شواہد واضح طور پر اس بات کی نشاندہی کرتے ہیں کہ کیا زیادہ قیمتی ہے اور کیا کم قیمتی ہے، اور دونوں کے درمیان فاصلہ محض وضاحت کے بجائے قابل عمل ہے۔

جو چیز کم سے کم قیمتی ہوتی جاتی ہے وہ ہے درست نحو کو تیزی سے تیار کرنے کی صلاحیت، کسی خاص فریم ورک کے سطحی API سے واقفیت، اچھی طرح سے مخصوص اجزاء کو لاگو کرنے کی صلاحیت، اور وہ علم جو کہیں لکھا جاتا ہے اور مطالبہ پر بازیافت کیا جا سکتا ہے۔

ان میں سے کوئی بھی متروک نہیں ہوتا اور سب ضروری رہتا ہے۔ وہ صرف تمیز کرنا چھوڑ دیتے ہیں کیونکہ ماڈل کے پاس ہے۔

تیزی سے قیمتی چار زمروں میں آتا ہے، جن میں سے ہر ایک اس رپورٹ میں پہلے قائم کردہ نتائج سے براہ راست مطابقت رکھتا ہے۔

سب سے پہلے توثیق کی صلاحیت ہے۔ اس بات کا تعین کرنے کی صلاحیت کہ آیا مجوزہ حل درست ہے۔ یہ ایک مخصوص خصوصیت ہے جس کی نشاندہی کلاڈ کوڈ سیشن ڈیٹا میں کی گئی ہے جو ماہرین کے نتائج کو نئے نتائج سے کامیابی میں 2x اور بحالی میں تقریباً 4x تک الگ کرتی ہے۔ اس کو بنانے کے لیے دوسروں کے لکھے ہوئے کوڈ کی بڑی مقدار کو پڑھنا، اس پر عمل کرنے سے پہلے رویے کی پیشن گوئی کرنے کی عادت پیدا کرنا، اور یہ پوچھنے کے نظم و ضبط پر عمل کرنے کی ضرورت ہے کہ دیے گئے آؤٹ پٹ کے غلط ہونے کے لیے کیا سچ ہونا چاہیے۔

یہ نظم و ضبط ٹھوس معاملات پر عمل کرنے کے قابل ہے، اور یہاں ایک منصفانہ نمونہ ہے کہ ایک ایجنٹ اچھی طرح سے تیار کردہ درخواست کے لیے کیا واپس کرتا ہے: درخواست مندرجہ ذیل ہے: ایونٹ کے سلسلے کو ڈی ڈپلیکیٹ کرتا ہے اور ہر شناخت کنندہ کے لیے تازہ ترین ایونٹ کو برقرار رکھتا ہے۔ کسی فنکشن کے بعد پیراگراف پڑھنے سے پہلے اس کے رویے کی پیشین گوئی کریں۔

def dedupe(events):
    seen = {}
    for e in events:
        if e.id not in seen or e.ts > seen[e.id].ts:
            seen[e.id] = e
    return list(seen.values())

یہ درست، پڑھنے میں آسان، اور عمل درآمد ہے جسے تقریباً کوئی بھی لکھے گا۔ یہ ہر اس امتحان کو بھی پاس کرتا ہے جس کا جائزہ لینے والے کا امکان ہوتا ہے۔ تاہم، یہ ابتدائی طور پر ناکام ہو جائے گا اگر ایک ہی شناخت کنندہ کے لیے دو واقعات ایک ہی ٹائم اسٹیمپ کے ساتھ ہوں۔ یہ عام کیس ہے، انتہائی کیس نہیں۔ اپ اسٹریم سسٹم ملی سیکنڈز میں مہر لگاتا ہے، اور ڈپلیکیٹ کے موجود ہونے کی پوری وجہ یہ ہے کہ دوبارہ کوشش کو اصل کی طرح ہی ملی سیکنڈ میں انجام دیا گیا تھا۔

جب ٹائم اسٹیمپ ایک جیسے ہوتے ہیں۔ e.ts > seen[e.id].ts غلط ہونے پر، پرانا ایونٹ برقرار رکھا جائے گا اور پرانا ایونٹ بالکل وہی ایونٹ ہوگا جسے تبدیل کرنے کے لیے دوبارہ کوشش بھیجی گئی تھی۔ خامی یہ ہے کہ تقاضے کے لیے ٹائی بریک کی ضرورت ہے اور یہ ایک سخت موازنہ ہے جو 1 کریکٹر چوڑا ہے اور اس کی جانچ ان ٹیسٹوں سے نہیں کی جا سکتی جو جان بوجھ کر تعلقات کو نہیں توڑتے۔

# The version that states its tie-break instead of inheriting one.
def dedupe(events):
    seen = {}
    for e in events:
        prior = seen.get(e.id)
        if prior is None or (e.ts, e.seq) >= (prior.ts, prior.seq):
            seen[e.id] = e
    return list(seen.values())

دوسرے ورژن کو لکھنے کے لیے پہلے سے زیادہ مہارت کی ضرورت نہیں ہے اور آپ کے ایجنٹ کی درخواست پر اسے تیار کیا جائے گا۔ اس سے یہ سوال پیدا ہوا کہ جب دو ٹائم اسٹیمپ ایک جیسے ہوں تو کیا ہوتا ہے، اور کیا یہ یہاں ممکن ہے؟ یہ سوال اس خصوصیت کی مکمل کہانی ہے جس میں سیشن ڈیٹا کامیابی کے لیے 2x اور بحالی کے لیے تقریباً 4x کی پیمائش کرتا ہے۔ ہم ہزاروں سوالات پوچھ کر سیکھتے ہیں، اور زیادہ تر وقت، ہم کوڈ کے بارے میں سیکھتے ہیں جو اچھا نکلتا ہے۔

دوسرا آرکیٹیکچرل ججمنٹ ہے، جہاں ناقص تجزیہ کم لاگت کے نفاذ کے ماحول میں سب سے زیادہ اثر انگیز خصوصیات کی نشاندہی کرتا ہے۔ یہ بہت سے مختلف نظاموں کی نمائش پر بنایا گیا ہے، ان کو ان کے ڈیزائن کے نتائج کا تجربہ کرنے کے لیے کافی دیر تک برقرار رکھتا ہے، اور ناکامیوں کا جان بوجھ کر مطالعہ کرتا ہے (پوسٹ مارٹم، واقعہ کی رپورٹس، سسٹمز کے آرکیٹیکچرل ریکارڈز جنہیں دوبارہ لکھا جانا تھا، وغیرہ)۔

تیسرا حصہ چہارم میں کھائی کے تجزیہ کے مطابق رقبہ کی گہرائی ہے۔ اب، اگر دفاعی صلاحیت حقیقی دنیا کی پیچیدگی کو سمجھنے میں مضمر ہے، تو انجینئرز جو حقیقی دنیا کی پیچیدگی کے ایک مخصوص علاقے کو سمجھتے ہیں (مثلاً کلینیکل ورک فلو، مالیاتی تصفیہ، صنعتی کنٹرول، یا ریگولیٹری شواہد) ان ٹیکنالوجیز کے لیے تکمیلی اثاثے ہوں گے جنہوں نے عام طریقوں کو کموڈیٹائز کیا ہے۔ ڈومین کا علم بھی ایک ماڈل کے لیے فراہم کرنا مشکل ترین چیزوں میں سے ایک ہے۔ کیونکہ اس کا زیادہ تر حصہ مضمر، غیر تحریری اور کسی خاص تنظیم کے لیے مخصوص ہے۔

چوتھا نظام لکھنے کے بجائے اسے ہدایت کرنے کی صلاحیت ہے۔ RE-Bench کی رفتار سے پتہ چلتا ہے کہ یہ وہ جگہ ہے جہاں انسانی شراکت سب سے زیادہ پائیدار ہوتی ہے۔ اس میں مبہم مسائل کو ذیلی مسائل میں توڑنا شامل ہے جن کو ایجنٹ انجام دے سکتے ہیں، طویل کاموں میں اسٹریٹجک تسلسل کو برقرار رکھنا، کسی نقطہ نظر کے ناکام ہونے پر پہچاننا اور جاری رکھنے کے بجائے دوبارہ ترتیب دینا، اور مشین کے پرزوں کو ٹھیک کرتے وقت مجموعی نظام کو ذہن میں رکھنا شامل ہے۔

تاہم، سب سے اہم رویے کی سفارشات اس بارے میں نہیں ہیں کہ کیا سیکھنا ہے، بلکہ سیکھنے کے دوران ٹولز کا استعمال کیسے کرنا ہے۔

سیکھنے کے مطالعے واضح طور پر ظاہر کرتے ہیں کہ استعمال کے نمونے نتائج کا تعین کرتے ہیں، اور یہ کہ فعال استدلال کو برقرار رکھنے والے شرکاء نے بدلے میں کوئی خاص وقت کا فائدہ حاصل کیے بغیر، مکمل طور پر تفویض کرنے والوں کے مقابلے میں نمایاں طور پر زیادہ برقرار رکھا۔

عملی طور پر، اس کا مطلب یہ ہے کہ تیار کردہ کوڈ کو قبول کرنے اور اس کی وضاحت کرنے سے پہلے اسے پڑھنا، اور سب سے بڑھ کر، یہ پوچھنا کہ کیوں، متبادل کے لیے پوچھنا، کوڈ کے درمیان تجارت کو سمجھنا، اور مسائل پیدا ہونے پر دوبارہ تخلیق کرنے کی بجائے ڈیبگ کرنا۔ چونکہ تشخیص سیکھنا ہے، اس میں وقتاً فوقتاً، بغیر مدد کے، اہم مسائل پر کام کرنا شامل ہے۔ اس سے آپ کو مشترکہ نظام کی صلاحیتوں کے بجائے ایمانداری سے اپنی صلاحیتوں کی پیمائش کرنے میں مدد ملے گی۔

46. ​​سرمائے کی تقسیم اور سرمایہ کار کے سوالات

جب کوڈ لکھنے کے بجائے سرمایہ مختص کرنے کی بات آتی ہے تو حصہ چہارم میں تجزیہ کو مٹھی بھر تشخیصی سوالات تک محدود کردیا جاتا ہے۔ ہر سوال کا جواب مستعدی کے ساتھ دیا جا سکتا ہے، اور ہر سوال دستاویزی مارکیٹ کے رویے سے مطابقت رکھتا ہے۔

پہلا یہ کہ پورا کوڈ بیس راتوں رات ڈیلیٹ ہو جاتا ہے اور اگر کسی قابل ٹیم کو جدید ترین ٹولز اور 6 ماہ کا وقت دیا جائے تو کمپنی کو اسے دوبارہ بنانا پڑتا ہے۔

اصل جواب یہ ہے کہ زیادہ تر وقت، کمپنی کے دفاع ایک فعال کھائی ہوتے ہیں اور اسی کے مطابق ان کا جائزہ لیا جانا چاہیے۔ عوامی بازار اب یہ تقریباً 3.6 گنا کمائی پر کر رہے ہیں۔

اصل جواب یہ ہے کہ کوڈ ضائع ہونے والی چیزوں میں سے سب سے کم ہے کیونکہ ڈیٹا، انضمام، ریگولیٹری منظوری، کسٹمر تعلقات، اور آپریشنل علم غیر تعمیر شدہ ہے۔ اگر ایسا ہے تو، کمپنی اس زمرے میں آتی ہے جہاں حاصل کرنے والے اوسطاً 6.3 گنا کمائی ادا کرتے ہیں۔

دوسرا یہ ہے کہ آیا کمپنی کی طاقتیں اس کے کاموں کے ساتھ مل کر ہیں یا صرف برقرار ہیں۔ ڈیٹا جمع کرنا، ماڈلز جو استعمال کے ساتھ بہتر ہوتے ہیں، انضمام کو گہرا کرتے ہیں، اور ادارہ جاتی علم میں اضافہ یہ سب فوائد کے لیے ذمہ دار ہوتے ہیں جو وقت کے ساتھ ساتھ پیمانہ ہوتے ہیں۔ اعلیٰ انٹرفیس، بہتر ڈیزائن کردہ فیچر سیٹس، اور عارضی کارکردگی ان فوائد کے لیے باعث بنتی ہے جو پہلے سے کہیں زیادہ تیزی سے ختم اور ختم ہو رہے ہیں۔

تیسرا وہ ہے جو صارفین کو چھوڑنے کے لیے درحقیقت کرنے کی ضرورت ہے، جس کا اظہار دلیل کے بجائے پروجیکٹ پلان کے طور پر کیا گیا ہے۔ سیکشن 39 کے ERP کے اعداد و شمار سب سے بڑے پیمانے پر روشنی ڈالتے ہیں: $100 ملین سے $1 بلین کاروبار، اس سے پہلے کہ آپریشنل رسک کو مدنظر رکھا جائے۔ لیکن ایک ہی سوالات متناسب طور پر تمام پیمانے پر لاگو ہوتے ہیں۔ ہٹانے کے فیصلے والی مصنوعات کی قیمتیں ہٹانے کے پروگرام والی مصنوعات سے مختلف ہوتی ہیں۔

چوتھا یہ ہے کہ آیا کمپنی ذمہ داری کو جذب کرنے کی پوزیشن میں ہے یا صرف سپلائی فعالیت کو، اس کے پیش نظر کہ مربوط ڈیٹا سے پتہ چلتا ہے کہ خریدار سپلائرز کی تعداد کو کم کر رہے ہیں اور ہر باقی رشتے سے مزید توقع کر رہے ہیں۔

فیچر بیچنے والی کمپنی اس فیچر کی پیشکش کرنے والے دیگر تمام دکانداروں سے مقابلہ کرتی ہے، بشمول موجودہ ایجنٹس کے ساتھ کسٹمر کی اپنی انجینئرنگ تنظیم۔ ایک کمپنی جو نتائج کی ذمہ داری لیتی ہے وہ گاہک کی خود خطرہ مول لینے کی آمادگی کے ساتھ مقابلہ کرتی ہے، ایک بہت زیادہ منافع بخش مقابلہ۔

پانچواں خاص طور پر وینچر اسٹیج ڈیٹا کے بارے میں ہے۔ بیج کی 95ویں پرسینٹائل قیمتوں میں 177.6% اضافہ اور سیڈ فنڈنگ ​​میں 42% کمی ایک ایسی مارکیٹ کی عکاسی کرتی ہے جو بیموڈل بن چکی ہے۔ یعنی، تصادفی طور پر منتخب کردہ ابتدائی مرحلے کی سافٹ ویئر کمپنیوں کی متوقع قدر میں تیزی سے کمی واقع ہوئی، جبکہ صحیح طریقے سے شناخت شدہ زمرہ کے رہنماؤں کی متوقع قدر میں اضافہ ہوا۔ یہ ایک ایسا ماحول ہے جو انتخاب کو پورٹ فولیو کی وسعت سے کہیں زیادہ انعام دیتا ہے، اور ایک ایسا ماحول جس میں غیر یقینی مستقبل کے لیے بہت سارے اختیارات خریدنے کی روایتی وینچر کی حکمت عملی اس سے بھی بدتر کارکردگی کا مظاہرہ کرتی ہے اگر بنیادی اثاثے زیادہ یکساں ہوتے۔

47. اس مقالے کو کیا غلط ثابت کرتا ہے؟

وہ رپورٹیں جو دلیل دیتی ہیں کہ فیصلے نتائج سے زیادہ اہم ہوتے ہیں انہیں قارئین کو ان ثبوتوں کی وضاحت فراہم کرنی چاہیے جو ان کے نتائج کو چیلنج کرتے ہیں۔ مندرجہ ذیل حقیقی جعل سازی ہیں، نہ کہ محض تضادات:

فہرست جان بوجھ کر تقسیم کی گئی ہے۔ پہلا گروپ پوچھتا ہے کہ کیا مشین کی کارکردگی ان حدوں کو عبور کرے گی جسے یہ رپورٹ موجودہ مانتی ہے۔ دوسرا سوال کرتا ہے کہ کیا رپورٹ میں وجہ کا تعلق صرف پہلے سے موجود شواہد کی غلط فہمی ہے۔ دوسرا گروہ ان دونوں میں سے زیادہ خطرناک ہے اور وہ ہے جس کے بارے میں مصنفین لکھنے میں سب سے زیادہ ہچکچاتے ہیں۔

سب سے واضح فنکشنل ٹیسٹ چمنی کی جگہ کو کم کرنا ہے۔ اگر ہم 2027 یا 2028 میں کیے گئے NBER تجزیہ کو دہرائیں اور یہ دیکھیں کہ کمٹ والیوم میں اضافہ متناسب طور پر ریلیز میں ترجمہ کرتا ہے، تو رپورٹ کے بنیادی مقداری دعووں کو مسترد کر دیا جائے گا۔ اس رپورٹ میں جو طریقہ کار تجویز کیا گیا ہے — جہاں انسانی فیصلہ، ہم آہنگی، اور توجہ تخلیق اور رہائی کے درمیان پابند رکاوٹیں ہیں — یہ پیشین گوئی کرتی ہے کہ خلا برقرار رہے گا۔ اگر خلا بند ہوجاتا ہے، تو طریقہ کار ناقص ہے۔

دوسری اور سب سے زیادہ ہونے والی چیز مشین کی تصدیق ہے، جو دوسرے سرے پر فنل کو بند کر دیتی ہے۔ سیکشن 10 دلیل دیتا ہے کہ AI جائزے کے مکینیکل جزو کو فیصلے کے جزو کی بجائے کم کرتا ہے اور کلی دستخطوں کی نشاندہی کرتا ہے جو ظاہر کرتے ہیں کہ دعویٰ غلط ہے۔ جیسے جیسے اپنانے میں اضافہ ہوتا ہے، ڈیلیوری کا اعتبار کم ہونے کے بجائے بڑھتا ہے۔ اگر لگاتار DORA پیمائشیں موجودہ مشاہدہ شدہ ارتباط کو الٹ دیتی ہیں (جہاں تھرو پٹ اور وشوسنییتا خراب نہیں ہوتی ہے اور AI کو اپنانے سے بہتر ہونا شروع ہوتی ہے)، تو تصدیق کی صلاحیت نسل کی صلاحیت کے ساتھ پیمانہ ہو جائے گی، اس رپورٹ کی دلیل کے مرکز میں موجود رکاوٹ کو ختم کرے گی، اور حصہ I کو اہل ہونے کی بجائے دوبارہ لکھا جانا چاہیے۔

یہ ایک پیمائش ہے جس کی حقیقی وقت میں مسلسل نگرانی کی جاتی ہے اور یہ واحد میٹرک ہے جس پر آپ کو توجہ دینی چاہیے۔

تیسرا، مہارت کا ضارب غائب ہو جاتا ہے۔ اگر کلاڈ کوڈ سیشن کے تجزیہ اور تقابلی مطالعات سے پتہ چلتا ہے کہ نوسکھئیے اور ماہر آپریٹرز نے اعدادوشمار کے لحاظ سے غیر ممتاز کامیابی اور بحالی کی شرح حاصل کی ہے، تو وہ دلیل جو آپریٹر کی اہلیت نتیجہ کا تعین کرتی ہے ناکام ہو جائے گی، اور اس کے ساتھ یہ دلیل کہ مہارت کم ہونے کی بجائے زیادہ قیمتی ہو جائے گی۔

یہ واقعی ایک ممکنہ نتیجہ ہے۔ ایک ماڈل جو واضح سوالات پوچھتا ہے، غیر متعینہ درخواستوں کو مسترد کرتا ہے، اور خود اپنے نتائج کی توثیق کرتا ہے اس فرق کو بالکل ٹھیک کر دے گا، اور اس طرح کے ماڈل کے موجود نہ ہونے کی کوئی اصولی وجہ نہیں ہے۔

چوتھا RE-Bench trajectory کا الٹا ہے۔ اگر ایجنٹ صرف 2 گھنٹے کی بجائے 32 گھنٹوں میں انسانی ماہرین سے مماثلت یا اس سے آگے نکل جاتے ہیں، تو یہ دلیل کہ انسان طویل مدت کے لیے مستقل اسٹریٹجک کاموں میں برتری برقرار رکھتے ہیں، کافی حد تک کمزور ہو جائے گا۔ دو گھنٹے کے نتائج پہلے ہی ظاہر کرتے ہیں کہ مختصر فاصلے کا فائدہ فیصلہ کن طور پر مشین کے ساتھ ہے۔ سوال یہ ہے کہ کیا چوراہا حرکت کرتا ہے، اور یہ سمجھنا کہ ایسا نہیں ہوگا، غیر دانشمندی ہے۔

پانچواں کارپوریٹ انضمام کی راہ میں حائل رکاوٹوں کا حل ہے۔ اگر حقیقت پسندانہ ملٹی سسٹم کے خصوصی ورک فلو کے لیے ایجنٹ کی تکمیل کی شرحوں کو 4% سے کم سے بڑھا کر آپریشنل وشوسنییتا کو پہنچنے والی سطحوں تک پہنچایا جاتا ہے، تو حصہ IV میں دفاعی تجزیہ میں اہم ترمیم کی ضرورت ہوگی کیونکہ بھاری صنعتی سافٹ ویئر کی حفاظت کرنے والی رکاوٹیں بینچ مارک میں ماپا جانے والی رکاوٹیں ہیں۔

چھٹا ایک لیبر مارکیٹ کا الٹ پلٹ ہو گا جہاں داخلے کی سطح کے سافٹ ویئر کی خدمات تاریخی شرحوں پر واپس آتی ہیں اور سینئر ہائرنگ نارمل ہو جاتی ہے۔ اس سے پتہ چلتا ہے کہ موجودہ سنیارٹی گریڈینٹ ٹاسک آٹومیشن کے ساختی نتیجے کے بجائے میکرو اکنامک سائیکلوں کا ایک عبوری نمونہ ہے۔

دوسرا گروپ انتساب کے بارے میں ہے، جسے پہلے سے موجود ڈیٹا کے ساتھ حل کیا جا سکتا ہے بجائے اس کے کہ ہر ٹیکنالوجی کو آگے بڑھنے کا انتظار کرنا پڑتا ہے۔

پہلا یہ کہ سافٹ ویئر کی تشخیص کمپریشن دفاعی اثر کے بجائے شرح اثر ہے۔ ٹیسٹ براہ راست ہے. متعلقہ مدت کے دوران سافٹ ویئر کے ملٹی پلس میں ہونے والی تبدیلی کا موازنہ دیگر طویل مدتی اثاثہ کلاسوں میں تبدیلی سے کریں جو AI پر مبنی مسابقت کا شکار نہیں ہیں۔ اگر سافٹ ویئر اس کا سراغ لگا رہا تھا، تو سیکشن 28 میں بنیادی استدلال غلط ہے اور حصہ IV فنکشنل موٹ کے ٹوٹنے کے بجائے سرمائے کی لاگت کو بیان کرتا ہے۔

رپورٹ میں تسلیم کیا گیا کہ اس اقدام کا کچھ حصہ شرح سود کا اثر تھا اور یہ نہیں کہہ سکتا کہ وہ حصہ کتنا بڑا تھا۔

دوسرا، روزگار میں ابتدائی کمی آٹومیشن کے بجائے 2021 کے بعد کی ایڈجسٹمنٹ ہے۔ یہ ٹیسٹ 2021 اور 2022 میں زیادہ ملازمت کی سطحوں کے ساتھ تمام پیشوں میں ایک ہی عمر کے گروپ کا موازنہ کرتا ہے لیکن جنریٹیو AI سے مختلف نمائش۔ اگر 22 اور 25 سال کی عمر کے درمیان کمی غیر ظاہر شدہ پیشوں میں اتنی ہی شدت کی ہے، تو AI انتساب ناکام ہوجاتا ہے، اور حصہ III میں ہم شرح سود کے اس چکر کو دستاویز کرتے ہیں جس سے AI بیانیہ منسلک ہے۔

تیسرا یہ ہے کہ کمٹ اسپائکس مؤثر طریقے سے پیمائش کے نمونے ہیں۔ ٹیسٹ ایجنٹ کو اپنانے سے پہلے اور بعد میں کمٹ سائز کی تقسیم ہے۔ اگر کمٹ کی تعداد میں اضافے کے ساتھ اوسط کمٹ سائز متناسب طور پر کم ہوتا ہے، تو 180% کا ایک اہم حصہ کام کے ریکارڈ کرنے کے طریقے میں تبدیلی ہے، نہ کہ پیدا ہونے والی رقم میں۔ فنل کی کشندگی، جسے ہم اس رپورٹ میں سب سے اہم نتیجہ سمجھتے ہیں، رپورٹ سے چھوٹا ہے۔

چوتھا مندرجہ بالا سے زیادہ فوری ہے اور پہلے ہی جزوی طور پر محسوس کیا جا چکا ہے۔ رپورٹ کے انتہائی حیران کن نتائج فراہم کرنے والے METR ٹرائلز 2025 کے اوائل میں ٹولنگ پر کیے گئے تھے، اور خود METR نے فروری 2026 میں اطلاع دی تھی کہ نیا نظام ممکنہ طور پر زیادہ سرعت فراہم کرے گا۔

سیکشن 7 میں مخصوص ہیورسٹکس کو اس وقت فرسودہ کر دیا جائے گا جب ہمیں معلوم ہو جائے گا کہ موجودہ ٹولز میں مناسب طریقے سے کنٹرول شدہ نقل کے ساتھ، تجربہ کار ڈویلپرز ایک بالغ کوڈ بیس میں پیچیدہ کاموں میں سست سے زیادہ تیز ہیں۔ یہ جس علمی خلا کو دستاویز کرتا ہے وہ انسانی خود تشخیص کا نتیجہ رہے گا، جس پر یہ رپورٹ درحقیقت انحصار کرتی ہے، لیکن اس سے منسلک پیداواری دعوے زندہ نہیں رہیں گے۔

ان میں سے کوئی بھی نتیجہ قابل فہم نہیں ہے، اور بہت سے مختلف نتائج ہو سکتے ہیں۔ اس رپورٹ میں جو موقف اختیار کیا گیا ہے وہ یہ نہیں ہے کہ ایسا نہیں ہوگا بلکہ پالیسی، ملازمت، سرمایہ کاری اور کیریئر کے فیصلے فی الحال دستیاب شواہد کی بنیاد پر ہونے چاہئیں نہ کہ ان مفروضوں کی بنیاد پر کہ ان میں سے کون سی حد سے تجاوز کیا جائے گا اور کب۔

شواہد اپنی سمت میں آزاد طریقہ کار میں یکسانیت رکھتے ہیں اور ضمیمہ B میں مکمل طور پر متعین اور جمع کردہ وجوہات کی بناء پر اس کے پیمانے میں اس بات سے کم یقینی ہے کہ مستقل مزاجی تجویز کرے گی۔

نیچے لائن: کوڈ سستا ہے۔

مصنوعی ذہانت نے کوڈ کو افزودہ کیا ہے۔ لیکن یہ انجینئرنگ کے فیصلے کو بہتر نہیں بناتا، اور ان دو بیانات کے درمیان فرق میں تقریباً ہر وہ چیز شامل ہے جو پیشے کی موجودہ حالت سے متعلق ہے۔

مقامی سافٹ ویئر دوبارہ تیار کرنا آسان ہو جائے گا، اور بار بار پروگرامنگ کے کام خودکار ہوتے رہیں گے، جیسا کہ جاب آؤٹ لک اشارہ کرتا ہے۔ نقل کی لاگت گرنے کے ساتھ ہی اوسط سافٹ ویئر پروڈکٹ زیادہ نمائش حاصل کرے گا۔ کمزور دفاع مزید بگڑ جائے گا کیونکہ عوامی مارکیٹ پرائس ایڈجسٹمنٹ پہلے ہی ظاہر ہونا شروع ہو گئی ہیں۔ جیسا کہ پوسٹنگ اور تنخواہ دونوں کے اعداد و شمار ظاہر کرتے ہیں، جونیئر انجینئرز کو حالیہ میموری میں کسی بھی دوسرے گروپ کے مقابلے میں داخلے کے زیادہ مشکل مقام کا سامنا کرنا پڑے گا۔ اس میں سے کوئی بھی قیاس نہیں ہے، اور اس میں سے کوئی بھی آرام دہ نہیں ہے۔

لیکن اہم سافٹ ویئر وہی ہے جو ہمیشہ رہا ہے: فن تعمیر، ضروریات، سیکورٹی، وشوسنییتا، آپریشنز، ڈومین کا علم، مصنوعات کا فیصلہ، تعاون، اور احتساب۔ انسانی صلاحیتیں اب بھی ایک محدود عنصر بنی ہوئی ہیں کیونکہ کسی کو اب بھی یہ سمجھنے کی ضرورت ہے کہ کیا بنانے کی ضرورت ہے، اس بات کو یقینی بنانا کہ آؤٹ پٹ درست ہے، جب نظام غلط سمت میں بڑھ رہا ہے تو اسے پہچاننا، اور جب نظام حقیقی دنیا تک پہنچتا ہے اور ان لوگوں سے ملاقات کرتا ہے جنہوں نے قیاس کو نہیں پڑھا ہوتا ہے تو وہ ذمہ داری قبول کرتا ہے۔

AI فوری طور پر جوابات فراہم کر سکتا ہے۔ قابلیت اب بھی ایک دہائی کے بہتر حصے پر محیط ہے، اور حصہ 2 کے شواہد سے پتہ چلتا ہے کہ ان آلات کا لاپرواہ استعمال اس مدت کو مختصر کرنے کے بجائے لمبا کر سکتا ہے۔

اس لیے نوکریاں ختم نہیں ہوتیں بلکہ تقسیم ہوتی ہیں۔ نچلے سرے پر، کوڈ اور سادہ فعالیت اشیاء بن رہے ہیں، اور جو لوگ صرف ان کی پیداوار میں حصہ ڈالتے ہیں انہیں حقیقی اور فوری مسائل کا سامنا کرنا پڑتا ہے۔

اوپری سرے پر، فن تعمیر، انسانی تعلیم، نظام کا انضمام، بنیادی ڈھانچہ، اعتماد، اور جوابدہی نایاب اثاثے بنتے جا رہے ہیں، اور جو لوگ ان کو رکھتے ہیں وہ اپنی صلاحیتوں کے باوجود کم قیمتی ہوتے جا رہے ہیں، بلکہ اس وجہ سے کہ وہ جس چیز کو ہدایت دے سکتے ہیں اسے ضرب دیتے ہیں۔

بہترین سافٹ ویئر انجینئر غائب نہیں ہوتے۔ وہ زیادہ طاقتور ہوتے جا رہے ہیں، اور ماہر بمقابلہ نئے نتائج کے لیے ناپے گئے شواہد اس بات کی نشاندہی کرتے ہیں کہ وہ ضرب سے حاصل ہونے والے نتائج کے تقریباً متناسب ہیں۔

حتمی مشاہدہ اعداد و شمار کے بجائے تناسب پر مبنی ہے۔ قابل ٹولز حیرت انگیز ہیں، اور پچھلے تین سالوں میں جاری کیے گئے ٹولز اب تک دانشورانہ کام کے لیے بنائے گئے سب سے زیادہ قابل ٹولز میں سے ہیں۔

لیکن ٹولز سسٹم نہیں ہیں، اور دنیا اب بھی انسانی صلاحیتوں، جمع شدہ انجینئرنگ کی صلاحیتوں، اور کسی کو مطلوبہ نتائج کی طرف لے جانے کے لیے درکار اداروں اور ہنر سے چلتی ہے۔

آس پاس کے نظام کے بغیر، سستا کوڈ جو کچھ بنتا ہے اس میں انقلاب نہیں آئے گا۔ ہم بہت زیادہ سافٹ ویئر تیار کرتے ہیں جو کوئی بھی استعمال نہیں کرتا ہے اور نہ ہی اس کی دیکھ بھال کرتا ہے جو اسے سمجھتا ہے۔ یہ کوئی جدید ترین پیش رفت نہیں ہے، بلکہ پیچھے کی طرف ایک مہنگا اور کسی حد تک غیر موزوں قدم ہے۔

کوڈ سستا ہے۔ صحیح نظام بنانے اور مشینوں کے غلط ہونے پر پہچاننے کی انسانی صلاحیت نہیں ہے۔

ضمیمہ A — شماریاتی اشاریہ جات

مندرجہ ذیل تمام مقداری نتائج کو دوبارہ پیش کرتا ہے جس کا حوالہ اس رپورٹ میں موضوع اور ذرائع کے ساتھ گروپ کیا گیا ہے۔

A.1 AI کوڈنگ پروڈکٹیوٹی اور انجینئرنگ کی کارکردگی

• 100,000 سے زیادہ GitHub ڈویلپرز کے مطالعے سے معلوم ہوا ہے کہ خودکار تکمیل نے کوڈنگ کی سرگرمی میں تقریباً 40%، انٹرایکٹو کوڈنگ ایجنٹوں میں تقریباً 140%، اور خود مختار ایجنٹوں نے تقریباً 180% اضافہ کیا۔ (NBER)

• کمٹ میں 180% اضافہ صرف 50% مزید پروجیکٹس اور تقریباً 30% زیادہ حقیقی ریلیز میں ترجمہ کرتا ہے۔ ایپلی کیشنز کے چار بڑے بازاروں میں، نئی ایپلی کیشنز میں معمولی اضافہ ہوا، لیکن کل استعمال میں کوئی اضافہ نہیں ہوا۔ (NBER)

• AI اور ergonomics کی کوششوں کے درمیان متبادل تخمینہ کی لچک تقریباً 0.25 تھی، جو براہ راست متبادل کے بجائے مضبوط تکمیل کی نشاندہی کرتی ہے۔ (NBER)

• 806 اوپن سورس پروجیکٹس میں جنہوں نے کرسر کو اپنایا، کنٹرول گروپ کے مقابلے پہلے مہینے میں لائنوں میں 281 فیصد اور دوسرے مہینے میں 48 فیصد اضافہ ہوا۔ اس منصوبے کے بعد سے پیچیدگی اور کوڈ کے معیار کے انتباہات جمع ہوئے ہیں جو مستقبل کی ترقی کو سست کرنے میں معاون ہیں۔ (CMU کمپیوٹر سائنس ڈیپارٹمنٹ)

• 16 تجربہ کار ڈویلپرز کے بے ترتیب ٹرائل میں 246 حقیقی دنیا کے کاموں کو مکمل کرنے والے ایک ریپوزٹری پر جس پر انہوں نے کئی سالوں سے کام کیا تھا، ڈویلپرز کو توقع تھی کہ AI کسی کام کو 24 فیصد تیز کرے گا، اس کی پیمائش 19 فیصد سست ہوگی، اور پھر یقین کیا کہ یہ اب بھی تقریباً 20 فیصد تیز ہے۔ (میٹر)

• METR نے فروری 2026 میں اطلاع دی تھی کہ نیا نظام ممکنہ طور پر زیادہ سرعت فراہم کرے گا، یہ انتباہ ہے کہ انتخاب کے اثرات نئے تخمینوں کو ناقابل اعتبار بناتے ہیں۔ (میٹر)

• ایک جیسے JavaScript HTTP سرورز بنانے والے 95 پیشہ ور ڈویلپرز کے بے ترتیب کنٹرول ٹرائل میں، GitHub Copilot نے کام کی تکمیل کی رفتار میں 55.8% اضافہ کیا، جس سے تکمیل کا اوسط وقت 2 گھنٹے 41 منٹ سے کم ہو کر 1 گھنٹہ 11 منٹ ہو گیا۔ فیصد تکمیل 78% سے 70% ہے، اور رفتار میں بہتری کے لیے 95% اعتماد کا وقفہ 21% سے 89% ہے۔ (مائیکروسافٹ)

• 5+ سال کا تجربہ رکھنے والے 202 ڈویلپرز میں، Copilot استعمال کرنے والوں میں تمام 10 یونٹ ٹیسٹ پاس کرنے کا امکان 53.2% زیادہ تھا، پڑھنے کی اہلیت میں 3.62% بہتری، قابل اعتمادی میں 2.94% بہتری، برقرار رکھنے کی صلاحیت میں 2.47%، اور جامعیت میں 4.16% اضافہ ہوا، اور تقریباً 5% زیادہ کوڈ موصول ہونے کا امکان تھا۔ (GitHub بلاگ)

• GitHub نے اطلاع دی ہے کہ تقریباً 46% کوڈ فائلوں سے تیار کیا گیا ہے جس میں Copilot فعال ہے۔ (GitHub بلاگ)

• DORA نے کہا کہ تقریباً 90% ٹیکنالوجی پیشہ ور افراد کام کی جگہ پر AI کا استعمال کر رہے ہیں اور 80% سے زیادہ کا خیال ہے کہ AI نے پیداواری صلاحیت میں اضافہ کیا ہے، اس بات کو اجاگر کرتے ہوئے کہ AI بنیادی طور پر موجودہ تنظیمی صلاحیتوں کو بڑھانے کے لیے کام کرتا ہے۔ (ڈورا)

• DORA نے یہ بھی رپورٹ کیا کہ AI کو اپنانے میں ہر 25% اضافے کے لیے، ٹیموں نے انفرادی پیداواری صلاحیت میں تقریباً 2.1% اضافہ، ملازمت سے اطمینان میں 2.6% اضافہ، ترسیل کے ذریعے تقریباً 1.5% کمی، اور ترسیل کے اعتبار میں 7.2% کی کمی دیکھی۔ (ڈورا)

• ایک تشخیص جس میں 3 تشخیص کاروں کو 86.5 گھنٹے لگے (تقریباً $1,300 لاگت) ایک ایجنٹ پر مبنی ایگزامینر نے تقریباً $30 انٹرفیس کالوں میں نقل کی تھی۔ (arXiv)

A.2 تخلیق کے اخراجات

• گارٹنر نے پیش گوئی کی ہے کہ AI کوڈنگ ٹوکن کی لاگت معاون ترقی کی پیداواری شراکت میں 20% تک اضافہ کرے گی، 2028 تک سافٹ ویئر انجینئر کی اوسط تنخواہ کو پورا کرے گی یا اس سے زیادہ ہوگی۔ (گارٹنر، سی آئی او)

• مقبول کوڈنگ ایجنٹوں کے لیے شائع کردہ انٹرپرائز کے اعداد و شمار فی ڈیولپر فی فعال دن تقریباً $13، یا فی ڈیولپر $150 سے $250 فی مہینہ خرچ کرتے ہیں، 90% صارفین فی فعال دن $30 سے ​​کم خرچ کرتے ہیں۔ (انسانیت)

• اسی وینڈر نے اپریل 2026 میں اپنے شائع شدہ لاگت کے تخمینے کو دوگنا کر دیا، جب زیادہ قابل فرنٹیئر ماڈل ڈیفالٹ بن گیا۔ یہ فی ڈیولپر کم لاگت کی قیمت پر فیچر میں اضافہ کی نمائندگی کرتا ہے۔ (یاہو فنانس)

• بڑے روٹنگ پلیٹ فارمز پر ہفتہ وار ٹوکن تھرو پٹ 15 مہینوں میں تقریباً 68 گنا بڑھ گیا، جو دسمبر 2024 میں 0.4 ٹریلین سے مارچ 2026 میں 27.0 ٹریلین ہو گیا۔ سافٹ ویئر انجینئرنگ ایجنٹس ایک ہی ٹوکن میں انفرنس ٹوکن کی تعداد سے 1,000 گنا زیادہ استعمال کرتے ہیں۔ (arXiv)

• معیاری سافٹ ویئر انجینئرنگ بینچ مارکس میں، ایک ایجنٹ کو ترتیب دینے کی لاگت تقریباً $0.24 فی کوشش کی مثال کے طور پر تقریباً $32.50 فی اصل حل شدہ مسئلہ ہے، جو تقریباً 135 کا عنصر ہے۔ (arXiv)

• ایک سادہ بیس لائن ایجنٹ کنفیگریشن کوڈنگ بینچ مارک میں تقریباً 50 گنا کم لاگت کے ساتھ ایک Pareto-مرکزی پیچیدہ اسٹیٹ آف دی آرٹ ایجنٹ اس بات کی نشاندہی کرتا ہے کہ درستگی کے اعداد و شمار جو قیمت کے لیے بے قابو ہیں، فیصلہ سازی کے لیے مفید نہیں ہیں۔ (arXiv)

• $1,000,000 کی اصل ادائیگیوں کے ساتھ 1,400 سے زیادہ حقیقی فری لانس سافٹ ویئر انجینئرنگ جابز کے بینچ مارک میں، $50 بگ فکسز سے لے کر $32,000 فیچر کے نفاذ تک، فرنٹیئر ماڈل نے کل دستیاب میں سے صرف $400,000 سے زیادہ کمایا۔ (arXiv)

A.3 سیکورٹی اور حملے کی سطح بنائی

• MITER کی ٹاپ 25 کمزوریوں کی فہرست سے نکالے گئے 89 سیکیورٹی سے متعلقہ منظرناموں سے 1,689 پروگرامز بنائے گئے، جن میں تقریباً 40% خطرات پر مشتمل ہیں۔ (arXiv)

• AI اسسٹنٹ تک رسائی حاصل کرنے والے شرکاء نے ان لوگوں کے مقابلے میں نمایاں طور پر کم محفوظ کوڈ لکھا جنہوں نے نہیں لکھا، اسٹرنگ انکرپشن اور ایس کیو ایل انجیکشن پر سب سے زیادہ اثر کے ساتھ، جبکہ ان کے کوڈ کے محفوظ ہونے پر یقین کرنے کا زیادہ امکان ہے۔ (arXiv)

• دو زبانوں میں 16 ماڈلز سے تیار کیے گئے 576,000 کوڈ نمونوں میں سے 19.7% تجویز کردہ پیکیجز موجود نہیں تھے۔ یہ تجارتی ماڈل کے لیے تقریباً 5.2% ہے جبکہ اوپن ماڈل کے لیے 21.7% ہے۔ پیداوار تقریباً 51% خالص ایجاد، 38% کنفیوژن، اور 13% ٹائپو تغیرات پر مشتمل تھی۔ 10 ایک جیسے دوبارہ چلانے میں، 43% ہیلوسینیشن پیکیج کے نام ہر بار دوبارہ ظاہر ہوئے، اور 58% ایک سے زیادہ بار ظاہر ہوئے۔ (Usenix سیکورٹی)

• پرامپٹ انجیکشن بڑے پیمانے پر لینگویج ماڈل ایپلیکیشن کے خطرات کی صنعت کی طرف سے مربوط فہرست میں پہلے نمبر پر ہے۔ (OWASP)

A.4 موٹی پونچھ والے ڈومینز میں ناکامی کے اخراجات

• 2012 کی تعیناتی کی خرابی نے آٹھ سرورز میں سے ایک کو دوبارہ فعال غیر فعال کوڈ کے ساتھ چھوڑ دیا جسے اپ ڈیٹ نہیں کیا گیا تھا، جس کے نتیجے میں 154 اسٹاکس میں تقریباً 4 ملین تجارتیں ہوئیں (مجموعی طور پر 397 ملین سے زیادہ شیئرز) اور تقریباً 45 منٹ میں تقریباً 440 ملین ڈالر کا نقصان ہوا، جس سے کمپنی کا خود مختار وجود ختم ہوگیا۔ (ہینریکو ڈولفنگ)

• 1996 میں، inertial reference software میں تصریحات اور ڈیزائن کی غلطیوں کی وجہ سے لانچ گاڑی کو اگنیشن کے 37 سیکنڈ بعد ایک اندازے کے مطابق $370 ملین لاگت آئی۔ (ESA)

• جولائی 2024 میں، ایک غلط کنفیگریشن اپ ڈیٹ نے تقریباً 8.5 ملین ڈیوائسز کو متاثر کیا، جس سے صرف تقریباً 124 فارچیون 500 کمپنیوں کو تقریباً 5.4 بلین ڈالر کا براہ راست نقصان ہوا، صحت کی دیکھ بھال کا شعبہ تقریباً 1.94 بلین ڈالر جذب کر رہا ہے اور تقریباً 1.15 بلین ڈالر جمع کر رہا ہے۔ سائبر انشورنس میں صرف 10-20٪ کا احاطہ کرنے کی امید تھی۔ (پیرامیٹر)

A.5 انسانی صلاحیتیں، سیکھنے اور مہارت

• تقریباً 235,000 صارفین کے ساتھ تقریباً 400,000 کلاڈ کوڈ سیشنز میں، ابتدائی سطح کے سیشنز نے انٹرمیڈیٹ اور ماہر صارفین کے لیے 28-33% کے مقابلے میں 15% کی تصدیق شدہ کامیابی کی شرح حاصل کی۔ جب ایجنٹوں نے جدوجہد کی، ماہرین نے تقریباً 15% کیسز ٹھیک کیے، جب کہ نوزائیدہوں کے لیے یہ شرح 4% تھی۔ (انسانیت)

• ایک عام سیشن میں، انسان تقریباً 70% منصوبہ بندی کے فیصلے کرتے ہیں اور ماڈل عمل درآمد کے فیصلوں کا تقریباً 80% کرتا ہے۔ (انسانیت)

• غیر مانوس غیر مطابقت پذیر پروگرامنگ لائبریری سیکھنے والے ڈویلپرز کے بے ترتیب مطالعہ میں، AI کی مدد سے شریک شرکاء نے تصورات کو سمجھنے، کوڈ پڑھنے، اور ڈیبگنگ میں نمایاں اوسط کارکردگی کے بغیر بدتر کارکردگی کا مظاہرہ کیا، اور غیر معاون گروپ میں تقریباً 67% کے مقابلے میں فالو اپ علمی تشخیص پر تقریباً 50 فیصد اسکور کیا۔ تعامل کے نمونے جنہوں نے فعال استدلال کو برقرار رکھا سیکھنے کو بھی برقرار رکھا۔ (arXiv)

• METR کے RE-Bench میں، جو 61 انسانی ماہرین کے ساتھ 71 کوششوں کے ساتھ سات کھلے تحقیقی انجینئرنگ ماحول پر مشتمل ہے، سب سے طاقتور AI ایجنٹ نے 2 گھنٹے کے بجٹ کے ساتھ تقریباً 4 گنا زیادہ اسکور کیا، 10 گنا سے زیادہ تیزی سے حل تیار کیے اور جانچے گئے، اور GPU پارٹنرسیپیٹنگ انجنوں کے مقابلے میں تیزی سے تیار کیے گئے۔ انسانوں نے بمشکل 8 گھنٹے میں شکست دی اور 32 گھنٹے میں تقریباً دو گنا زیادہ اسکور کیا۔ (مشین لرننگ ریسرچ پر عمل درآمد)

• سافٹ ویئر انجینئرنگ کی تحقیق سے پتہ چلتا ہے کہ صرف گزرا ہوا وقت مہارت کا ایک ناکافی پیمانہ ہے۔ وقت، تعداد اور مختلف قسم کے پروجیکٹس، کام کے لیے مخصوص علم، اور کارکردگی کا مظاہرہ تکمیلی معلومات فراہم کرتے ہیں۔ (arXiv)

• ماہرین کی کارکردگی پر تحقیق طویل المدت دانستہ مشق کے ساتھ کامیابی کی اعلیٰ ترین سطحوں کو جوڑتی ہے، عام طور پر 10 سال سے زیادہ، اور آپریٹنگ میکانزم کے طور پر مجموعی وقت کے بجائے ساخت اور تاثرات کا استعمال کرتی ہے۔ (ریسرچ گیٹ)

• 2025 اسٹیک اوور فلو ڈویلپر سروے نے پایا کہ صرف 35% جواب دہندگان کے پاس کوڈنگ کا 10 سال سے کم تجربہ تھا، یعنی تقریباً 65% 10 سال سے زیادہ عرصے سے کوڈنگ کر رہے تھے۔ چار میں سے صرف ایک کا پیشہ ورانہ تجربہ پانچ سال سے کم تھا۔ 25 میں سے صرف 1 سافٹ ویئر ڈیزائنرز کے پاس 5 سال سے کم تجربہ ہے۔ اور اسٹیک اوور فلو 10 یا اس سے زیادہ سالوں کے پیشہ ورانہ کام کے تجربے کو بطور تجربہ درجہ بندی کرتا ہے۔ (اسٹیک اوور فلو بصیرت)

• سافٹ ویئر ڈویلپرز عام طور پر بیچلر ڈگری کے ساتھ پیشے میں داخل ہوتے ہیں۔ (بیورو آف لیبر شماریات)

• ABET کے 2026-2027 کے معیارات کمپیوٹنگ کے بنیادی اصولوں، سافٹ ویئر ڈیزائن اور تعمیر، تقاضوں کے تجزیہ، سیکورٹی، تصدیق اور تصدیق، انجینئرنگ کے عمل اور ٹولز، مجرد ریاضی، امکان اور اعدادوشمار، اور کمپیوٹر سائنس کے پروگراموں کے علاوہ کمپیوٹنگ کے بنیادی اصولوں میں وسعت اور گہرائی کا مطالبہ کرتے ہیں۔ آپریٹنگ سسٹمز، متوازی اور تقسیم شدہ کمپیوٹنگ، اور بڑے مربوط منصوبے۔ (ABET)

A.6 سافٹ ویئر انجینئرنگ ملازمت

• بیورو آف لیبر سٹیٹسٹکس پروجیکٹ کرتا ہے کہ امریکہ میں کمپیوٹر پروگرامرز کی ملازمت 2024 اور 2034 کے درمیان 6 فیصد کم ہو جائے گی، یہ پیشین گوئی ہے کہ پروگرامنگ کے دہرائے جانے والے کام تیزی سے خودکار ہو جائیں گے۔ (بیورو آف لیبر شماریات)

• سافٹ ویئر ڈویلپرز کی ملازمت میں 15.8 فیصد اضافہ متوقع ہے، جس سے تقریباً 267,700 ملازمتیں شامل ہوں گی۔ (بیورو آف لیبر شماریات)

• سافٹ ویئر کوالٹی اشورینس اور ٹیسٹنگ کی خدمات حاصل کرنے میں 10% اضافہ متوقع ہے۔ (بیورو آف لیبر شماریات)

• انفارمیشن سیکیورٹی تجزیہ کاروں کی ملازمت میں 28.5 فیصد اضافہ متوقع ہے۔ (بیورو آف لیبر شماریات)

• فروری 2025 اور جون 2026 کے درمیان یو ایس سافٹ ویئر ڈویلپمنٹ کی نوکریوں کی پوسٹنگ میں تقریباً 15 فیصد اضافہ ہوا، جبکہ کل پوسٹنگ میں 7 فیصد کمی آئی اور وبائی امراض سے پہلے کی سطح سے تقریباً 27.5 فیصد کم رہ گئی۔ (حقیقی بھرتی لیب)

• مئی 2025 سے مئی 2026 تک، سافٹ ویئر ڈویلپمنٹ پوسٹوں میں 71% اضافہ سینئر عہدوں سے ہوا، اور 37% ان عنوانات سے آیا جن میں واضح طور پر AI کا ذکر کیا گیا تھا۔ زمرے اوورلیپ ہو رہے ہیں۔ (حقیقی بھرتی لیب)

• 2026 کی پہلی سہ ماہی میں، سافٹ ویئر ڈویلپمنٹ کی 69.3% پوسٹیں سینئر لیول کی تھیں اور صرف 4.5% انٹری لیول کی تھیں۔ (حقیقی بھرتی لیب)

• جن پیشوں میں 22 سے 25 سال کی عمر کے کارکنان جنریٹو AI سے سب سے زیادہ بے نقاب ہوتے ہیں انہیں فرم سطح کے جھٹکوں پر قابو پانے کے بعد ملازمت میں 16 فیصد نسبتاً کمی کا سامنا کرنا پڑا، جبکہ اسی پیشوں میں زیادہ تجربہ کار کارکن مستحکم رہے یا بڑھتے رہے۔ (اسٹینفورڈ ڈیجیٹل اکانومی لیب)

• 32% تنظیموں نے جنہوں نے متوقع AI لاگت کی بچت کی بنیاد پر ملازمین کو دوبارہ بھرتی کیا کیونکہ ان بچتوں کا ادراک نہیں کیا گیا تھا، اور 23% نے بتایا کہ برطرفیاں کردار سے متعلق تجزیہ کے بجائے AI کے بارے میں عمومی مفروضوں پر مبنی تھیں۔ (org منظر)

• فورڈ نے تقریباً 350 تجربہ کار انجینئرز اور تکنیکی ماہرین کی خدمات حاصل کیں، انہیں ترقی دی یا واپس لایا جب اس کے خودکار معیار کے نظام متوقع نتائج فراہم کرنے میں ناکام رہے۔ (فاسٹ کمپنی)

A.7 ڈگریاں، سرٹیفیکیشنز اور متبادل راستے

• شمٹ اور ہنٹر کی انتخابی تحقیق کے 85 سال کی ترکیب میں، کام کی کارکردگی کی پیشن گوئی کی درستگی کام کے نمونوں کے لیے .54، عمومی ذہنی صلاحیت کے لیے .51، ساختی انٹرویوز کے لیے .51، جاب کے علم کے ٹیسٹ کے لیے .48، ضمیر کے ٹیسٹ کے لیے .41، .38 غیر ساختہ انٹرویوز کے لیے، .8 تعلیم کے لیے 1 تجربہ، .0. بہترین مجموعہ .63 تک پہنچ گیا۔ (نفسیاتی بلیٹن بورڈ)

• 2016 کے ورکنگ پیپر اپ ڈیٹ کے مطابق، عمومی ذہنی صلاحیت .65 تھی، کام کا نمونہ .33، ملازمت کا تجربہ .16، اور تعلیم کے سال .10 تھے۔ حد کی حد سے زیادہ تصحیح کے لیے 2022 کی نظرثانی نے زیادہ تر درستگی کی قدروں کو .10 سے .20 تک کم کر دیا۔ سٹرکچرڈ انٹرویو .42 تھا، کام کا نمونہ .33 تھا، علمی صلاحیت .31 تھی، ملازمت کا تجربہ .07 تھا، اور معلومات کی کمی کی وجہ سے تعلیم کے سالوں کو خارج کر دیا گیا تھا۔ (ریسرچ گیٹ، جرنل آف اپلائیڈ سائیکالوجی)

• 52% گریجویٹس گریجویشن کے ایک سال بعد اور 45% 10 سال بعد بے روزگار ہوتے ہیں۔ اگرچہ 73% لوگ جو کم روزگار سے شروع ہوتے ہیں 10 سال بعد بھی وہی رہتے ہیں، کم از کم ایک انٹرن شپ کرنے سے بے روزگار ہونے کے امکانات 48.5% کم ہوتے ہیں۔ منتخب اداروں میں حتمی بے روزگاری 4% کم ہے جو کہ شامل اداروں کے مقابلے میں ہے، اور منتخب اداروں میں 32% کم ہے۔ (برننگ گلاس ریسرچ انسٹی ٹیوٹ)

• 2018 سے 2024 کے وسط تک، باضابطہ تعلیم کی ضرورت والے AI کرداروں کا تناسب برطانیہ میں تقریباً 11 ملین آسامیوں میں سے 36% سے کم ہو کر تقریباً 31% ہو گیا، یونیورسٹی کے تقاضوں میں 15% کی کمی واقع ہوئی جبکہ AI کرداروں کی مانگ میں 21% اضافہ ہوا، اور AI کی مہارتوں کے مقابلے میں 3% کے مقابلے میں 3% کے مقابلے میں 3% کے مقابلے میں AI کی مہارتیں کم ہوئیں۔ ماسٹر ڈگری اور پی ایچ ڈی کے لئے 33٪۔ (تکنیکی پیشن گوئی اور سماجی تبدیلی)

• 2019 اور 2024 کے درمیان، AI سے بڑھی ہوئی ملازمتوں کا فیصد جس میں ڈگری کی ضرورت ہوتی ہے 66% سے کم ہو کر 59% ہو گئی، اور AI کے ذریعے خودکار ملازمتوں کا فیصد 53% سے کم ہو کر 44% ہو گیا۔ رپورٹ کے 2026 ایڈیشن میں AI سکلز ویج پریمیم 25% سے بڑھ کر 56% اور 57% سے 62% ہو گیا۔ AI کی نمائش کے ساتھ امریکہ میں داخلے کی سطح کے کرداروں میں سینئر سطح کی مہارتوں کی ضرورت کا امکان سات گنا زیادہ تھا۔ (PwC؛ PwC)

• 453 کالج سے تعلیم یافتہ پیشہ ور افراد میں، ChatGPT نے کام کے وقت میں 11 منٹ (0.75 معیاری انحراف) کی کمی کی، جس کی انتظامی اوسط 27 منٹ (40%) تھی، اور معیار میں 18% (0.45 معیاری انحراف) کی بہتری آئی۔ تحقیقی رپورٹ میں پہلے اور دوسرے اسائنمنٹ گریڈ کے درمیان تعلق 0.49 سے 0.25 تک اور شائع شدہ ورژن میں 0.41 سے 0.14 تک گر گیا۔ جن کارکنوں نے علاج کیا ان کے دو ہفتوں کے بعد کام کے لیے اوزار استعمال کرنے کا امکان دو گنا اور دو ماہ کے بعد کام پر ٹولز استعمال کرنے کا امکان 1.6 گنا زیادہ تھا۔ (سائنس؛ ایم آئی ٹی اکنامکس)

• ارجنٹائن کے 1,174 بالغوں کے پہلے سے رجسٹرڈ ٹرائل میں، اعلیٰ تعلیم یافتہ شرکاء نے کم تعلیم یافتہ شرکاء کو AI کے بغیر 0.548 معیاری انحراف اور AI کے ساتھ 0.139 معیاری انحراف سے بہتر کارکردگی کا مظاہرہ کیا، جس سے اس فرق کو تقریباً تین چوتھائی کم کر دیا گیا۔ AI نے بالترتیب 1.242 اور 0.834 معیاری انحراف کی کارکردگی میں اضافہ کیا۔ فالو اپ پر، AI کے بغیر، فرق 0.200 پر واپس آ گیا۔ (NBER)

• بیچلر کی ڈگری یا اس سے اوپر والے کارکنوں میں، 27% کے پاس AI کی سب سے زیادہ نمائش کے ساتھ ملازمتیں تھیں، اس کے مقابلے میں 12% کارکنوں کے پاس صرف ہائی اسکول ڈپلومہ تھا۔ تقریباً 40% ڈگری ہولڈرز نے کام پر جنریٹو AI کا استعمال کیا ہے، جبکہ تقریباً 20% دوسروں کے مقابلے میں۔ (پیو ریسرچ سینٹر، این بی ای آر)

• 2023 کی پہلی چھ سہ ماہیوں کے دوران جنریٹو AI کو اپنانے والی امریکی کمپنیوں میں جونیئر ملازمتوں میں کنٹرول گروپ کے مقابلے میں تقریباً 9% کی کمی واقع ہوئی، جس نے 280,000 سے زیادہ کمپنیوں میں تقریباً 65 ملین ملازمین کا احاطہ کیا۔ (SSRN)

• اپنے سٹارٹ اپ کی تنگ صنعت میں تین یا اس سے زیادہ سال کا تجربہ رکھنے والے بانی 0.26% کی شرح نمو کے ساتھ ٹاپ 0.1% تک پہنچ گئے، جب کہ وسیع تر صنعت میں تجربہ نہ رکھنے والے بانی ٹاپ 0.11% تک پہنچ گئے۔ اس اعلی درجے کی اوسط بانی عمر 45.0 سال تھی۔ (امریکی اقتصادی ایسوسی ایشن)

• ہم نے پایا کہ مثبت اخراج کے ساتھ سٹارٹ اپس میں، میڈین اعلی سطحی C-suite ایگزیکٹوز کے ساتھ 2.2x اور بغیر 1.1x تھا۔ 75% حاصل شدہ کمپنیاں اور 84% پبلک اسٹارٹ اپ ان کے پاس تھیں۔ Ivy League، Stanford، MIT، اور Caltech کے بانیوں کے ساتھ پہلے دور کی کمپنیوں نے 220% زیادہ کارکردگی کا مظاہرہ کیا۔ (کاف مین فیلوز، پہلا راؤنڈ کیپٹل)

• 4,323 Y Combinator کمپنیوں میں، بانی کے پس منظر نے بتایا کہ فنڈنگ ​​اور حاضری میں 4% سے بھی کم فرق اہم نہیں تھا (p = 0.312)، جبکہ اوسط YC بانی کی عمر تقریباً 29 سے کم ہو کر تقریباً 26 ہو گئی، اور 2024 کے نصف سے زیادہ بانیوں نے ٹاپ 20 یونیورسٹی سے گریجویشن کیا۔ (arXiv؛ جیرڈ ہیمن)

• 1,723 کمپنیوں اور 2,998 بانیوں میں، اکیڈمک بائیو میڈیکل سٹارٹ اپس کے حصول یا عوامی پیشکش میں غیر تعلیمی آغاز کے مقابلے میں 8.2 فیصد پوائنٹس (58.6%) کم کامیابی حاصل کرنے کا امکان تھا۔ سپر اسٹار پروفیسرز کے قائم کردہ اسٹارٹ اپس نے بھی اسی طرح کے نتائج حاصل کیے۔ (ریسرچ پالیسی)

• 2005 اور 2017 کے درمیان سیاسی پارٹیوں سے وابستگی رکھنے والے 40 ملین امریکیوں میں سے 5.5% ریپبلکن اور 3.7% ڈیموکریٹس نے کاروبار شروع کیا۔ یہ تقریباً 170,000 کمپنیوں کی جانب سے دوبارہ ترتیب دینا تھا۔ پارٹی بدلنے والے انتخابات کے بعد ریٹرن میں فرق کی تبدیلیوں کا کوئی ثبوت نہیں ہے۔ (فنانس جرنل)

• کارپوریٹ سٹارٹ اپس امریکی ملازمتوں کا 3% اور کل ملازمتوں کی تخلیق کا تقریباً 20% حصہ ہیں۔ (معاشیات اور شماریات کا جائزہ)

• freeCodeCamp کی رپورٹ ہے کہ اکتوبر 2026 تک، اس کے پاس 40,000 سے زیادہ سیکھنے والے ڈویلپرز کے طور پر، 300,000 سے زیادہ سرٹیفیکیشنز، 1,000 سے زیادہ مفت مکمل کورسز، اور 11.9 ملین YouTube سبسکرائبرز ہیں۔ (فری کوڈ کیمپ)

• ہورووٹز اینڈریسن اکیڈمی نے ستمبر 2027 سے اگست 2028 تک 10 بانی شراکت داروں کے ساتھ پروف آف ورک کے لیے تسلیم شدہ تقریباً 50 طلباء کی ٹیوشن فری افتتاحی کلاس کے لیے اینڈریسن ہورووٹز سے $42 ملین میں سے $35 ملین اکٹھے کیے ہیں۔ (Horowitz Andresen Academy)

• آرمینیا کا آئی ٹی سیکٹر 2021 میں مجموعی ویلیو کے 3.5 فیصد سے بڑھ کر 2024 میں 8.3 فیصد ہو گیا ہے، اس میں تقریباً 44,000 افراد کام کرتے ہیں، اور IT سروسز کی برآمدات $1.99 بلین ہیں۔ جارجیا کے آئی سی ٹی سیکٹر نے 2025 کے پہلے نو مہینوں میں برائے نام جی ڈی پی کا 8.2 فیصد حاصل کیا۔ (جرمن اکنامک ٹیم، گالٹ اینڈ ٹیگگارٹ)

A.8 SaaS اور انٹرپرائز سافٹ ویئر اکنامکس

• 2026 میں عالمی سافٹ ویئر کے اخراجات تقریباً 1.444 ٹریلین ڈالر تک پہنچنے کی توقع ہے، جو کہ سال بہ سال 15.1 فیصد بڑھ رہی ہے۔ (گارٹنر)

• مڈ اسٹریم پبلک SaaS کمپنی نے 2026 کی پہلی سہ ماہی میں تقریباً 3.6x پچھلی کمائی پر تجارت کی، جو کہ ایک سال پہلے کے 6.7x سے کم ہے اور سہ ماہی کے دوران انڈیکس تقریباً 25% نیچے تھا۔ (سافٹ ویئر اثاثہ گروپ)

• SaaS کے انضمام اور حصول گزشتہ 12 مہینوں میں 2,723 ٹرانزیکشنز تک پہنچ گئے، جو کہ سال بہ سال 24% اضافہ ہے۔ (سافٹ ویئر اثاثہ گروپ)

• اوسط SaaS حصول کثیر 6.3 گنا پیچھے کی آمدنی تک پہنچ گیا، اور اوسط عوامی SaaS EBITDA مارجن 13.6% تک پہنچ گیا۔ (سافٹ ویئر اثاثہ گروپ)

• 830 انٹرپرائز ٹکنالوجی کے فیصلہ سازوں کے سروے سے پتا چلا ہے کہ 41% فعال طور پر ایپلی کیشنز کو کم یا مضبوط کرنے کی منصوبہ بندی کر رہے ہیں، پلیٹ فارم پر مبنی خریداری کی ترجیح 60% سے بڑھ کر 65.9% اور بہترین نسل کی ترجیح 20.7% تک کم ہو رہی ہے۔ (پیو کی طرح)

• بڑے انٹرپرائز ERP کی منتقلی کی لاگت عام طور پر $100 ملین اور $1 بلین کے درمیان ہوتی ہے، اور McKinsey کا اندازہ ہے کہ AI سے چلنے والی اختراع تقریباً دوگنا تیز اور سستی ہو جائے گی۔ (McKinsey & Company)

• 6 ڈومینز، 8 پروگرامنگ لینگوئجز، 6 ڈیٹا بیسز، اور 13 فریم ورکس پر محیط 30 پیچیدہ انٹرپرائز ورک بوجھ کے بینچ مارک میں، 95% سے زیادہ ایجنٹ کی غلطیاں اس سے پہلے ہوئیں کہ سسٹم گہری کاروباری منطق تک پہنچ جائے، جس میں ماحولیاتی ترتیب اور انضمام ایک بڑی رکاوٹ ہے۔ (arXiv)

• 23 قابل تعینات SaaS سسٹمز اور 106 حقیقت پسندانہ پیشہ ورانہ ورک فلو کے ساتھ، سب سے طاقتور ماڈل نے کل کام کے 4% سے بھی کم کام مکمل کیا۔ (arXiv)

• 23 قابل تعینات SaaS سسٹمز اور 106 حقیقت پسندانہ پیشہ ورانہ ورک فلو میں، کوڈ جنریشن کے بجائے غلطیاں منصوبہ بندی، اسٹیٹ ٹریکنگ، کراس ایپلیکیشن سیاق و سباق، اور غلطی کی بازیافت پر مرکوز ہیں۔ (arXiv)

• 2026 میں، برائے نام پیداوار امریکہ میں تقریباً 32 ٹریلین ڈالر، یورپی یونین میں 23 ٹریلین ڈالر اور چین میں 21 ٹریلین ڈالر تھی، جس سے کل عالمی پیداوار تقریباً 117 ٹریلین ڈالر تک پہنچ گئی۔ لہذا عالمی سافٹ ویئر اخراجات، تقریباً 1.444 ٹریلین ڈالر، عالمی پیداوار کے تقریباً 1.2% کے برابر ہے اور تینوں کی مشترکہ پیداوار کے 2% سے بھی کم ہے۔ (بین الاقوامی مالیاتی فنڈ، گارٹنر)

• 106 پبلک SaaS کمپنیوں میں، میڈین انٹرپرائز ویلیو ٹو ریونیو ملٹیپل Q2 2025 میں تقریباً 5.7x سے کم ہو کر Q2 2026 میں تقریباً 3.2x رہ گیا۔ (سافٹ ویئر ایکویٹی گروپ)

• Q2 2026 میں سافٹ ویئر کے زمرے کے لحاظ سے اوسط ضربیں: 5.3x پر DevOps اور IT مینجمنٹ، 4.6x پر ERP اور سپلائی چین، 4.3x پر سیکیورٹی، 3.7x پر ورٹیکل سافٹ ویئر، اور 3.2x پر انڈیکس میڈین۔ (سافٹ ویئر اثاثہ گروپ)

• SaaS انضمام اور حصول (M&A) ریکارڈ بلندی پر پہنچ گئے، 2026 کی دوسری سہ ماہی کے ذریعے پچھلے 12 مہینوں میں 2,784 سودے ہوئے، عمودی ارتکاز 54% تک پہنچ گیا، جو پچھلے سال کی اسی مدت میں 46% سے زیادہ ہے۔ عمودی لین دین میں صحت کی دیکھ بھال کی خدمات کا حساب تقریباً 16% ہے، جبکہ مالیاتی خدمات کا حساب تقریباً 12.8% ہے۔ (سافٹ ویئر اثاثہ گروپ)

• حصول کے سب سے زیادہ فعال زمرے تجزیات اور ڈیٹا مینجمنٹ تھے، جن میں 126 ڈیلز، اور مواد اور ورک فلو مینجمنٹ، 123 ڈیلز کے ساتھ۔ (سافٹ ویئر ایکویٹی گروپ)

• SaaS کے 85% خریداروں نے سروے میں AI سے چلنے والی تجارت کو سافٹ ویئر ویلیو کے لیے سب سے بڑا خطرہ قرار دیا، اور انہی خریداروں نے ورک فلو ایمبیڈنگ، برقرار رکھنے، آپریشنل اسکیل، ڈیٹا فوائد اور قابل اعتماد AI تفریق کے لیے پریمیم ادا کرنے کی اطلاع دی۔ (سافٹ ویئر اثاثہ گروپ)

• انٹرپرائزز 2025 میں جنریٹو AI پروڈکٹس پر تقریباً 37 بلین ڈالر خرچ کریں گے، جو کہ 2024 میں تقریباً 11.5 بلین ڈالر سے زیادہ ہے، تقریباً 19 بلین ڈالر ایپلی کیشن لیئر ($ 8.4 بلین افقی، $7.3 بلین ڈپارٹمنٹل، اور $3.5 بلین عمودی) پر خرچ ہوں گے۔ ڈیپارٹمنٹل ایپلی کیشنز میں پچھلے سال کے مقابلے میں تقریباً 4.1 گنا اضافہ ہوا، صرف سافٹ ویئر ڈویلپمنٹ ٹولز تقریباً 4 بلین ڈالر کے حساب سے۔ (مینلو وینچرز)

• 76% انٹرپرائز AI سلوشنز اندرونی طور پر بنائے جانے کے بجائے خریدے جاتے ہیں۔ (مینلو وینچرز)

• AI سٹارٹ اپس کا تقریباً 63% ایپلیکیشن لیئر AI ریونیو ہے، جو عمودی ایپلی کیشنز میں تقریباً 88% تک بڑھ گیا ہے۔ (مینلو وینچرز)

A.9 سافٹ ویئر اسٹارٹ اپ فنانسنگ

• کارٹا کے ذریعہ ریکارڈ کردہ کل وینچر فنڈنگ ​​2025 کی پہلی ششماہی میں $56.5 بلین سے بڑھ کر 2026 کی پہلی ششماہی میں $58.7 بلین ہوگئی۔ (کارٹا)

• سیڈ فنڈنگ ​​تقریباً 42 فیصد کم ہو کر 6.5 بلین ڈالر سے 3.8 بلین ڈالر رہ گئی۔ (کرتا)

• سیریز A کی فنڈنگ ​​$12.7 بلین رہی، جبکہ سیریز C کے بعد کی فنڈنگ ​​$23.9 بلین سے بڑھ کر $31.8 بلین ہوگئی۔ (کرتا)

• 95ویں پرسنٹائل بیج کی قیمت Q2 2025 میں 72.2 ملین ڈالر سے Q2 2026 میں 177.6 فیصد بڑھ کر 204 ملین ڈالر ہو گئی۔ (کارتا)

• درمیانی حالیہ سافٹ ویئر فنڈنگ ​​تقریباً $24.3 ملین تھی بیج کی قیمت کے لیے $4.1 ملین اور سیریز A میں تقریباً$80 ملین (karta)

• سیریز A کے لیے 2026 پوسٹ ویلیوایشن بینچ مارکس: 99ویں پرسنٹائل پر $1.198 بلین، 95ویں پرسنٹائل پر $445 ملین، 90ویں پرسنٹائل پر $278 ملین، 75ویں پرسنٹائل پر $151 ملین، میڈین $79 ملین، 25واں پرسنٹائل تقریباً 43 ملین ڈالر کے ساتھ تقریباً 5x2 ملین ڈالر کے درمیان پھیلا ہوا ہے۔ 99واں پرسنٹائل۔

• 2026 کی پہلی سہ ماہی میں، کارٹا کے ذریعے ریکارڈ کیے گئے تمام وینچر کیپیٹل کا 60% سے زیادہ مصنوعی ذہانت کے طور پر درجہ بند کمپنیوں کے پاس گیا۔ خاص طور پر SaaS کے اندر، یہ تعداد 83٪ تھی۔ بنیادی ماڈل کمپنیوں کا کل وینچر کیپیٹل کا 14.2 فیصد حصہ ہے۔ (کرتا)

• SaaS کمپنیوں نے 2025 کی پہلی تین سہ ماہیوں میں 28.2 بلین ڈالر اکٹھے کیے، جو کہ سال بہ سال 25 فیصد زیادہ ہے، جبکہ فنڈ ریزنگ ایونٹس کی تعداد میں کوئی تبدیلی نہیں ہوئی۔ SaaS کی فنڈنگ ​​2026 کی پہلی ششماہی میں اب بھی تقریباً 24 بلین ڈالر رہی۔ (کارٹا)

• 2026 کی پہلی ششماہی میں 1,000+ راؤنڈز میں صرف سافٹ ویئر کے بینچ مارکس: $24.3 ملین بیج اٹھایا گیا، $4.1 ملین اکٹھا کیا گیا، $80 ملین سیریز A نے $14.4 ملین اکٹھا کیا، $191 ملین سیریز B نے $25 ملین، $391 ملین سیریز C، $789 ملین ممکنہ طور پر سیریز D کے نصف پوائنٹ کے لیے موزوں ہوں گے۔ AI پر مبنی ٹیسٹنگ۔ (کرتا)

• AI کمپنیوں نے 2025 میں سیریز A سے شروع ہونے والے ہر مرحلے پر ایک ویلیو پریمیم حاصل کیا ہے۔ یہ سیریز A کے غیر AI میڈین سے تقریباً 38% زیادہ اور سیریز E اور اس سے اوپر کے لیے تقریباً 193% تھا۔ (کرتا)

• سائبرسیکیوریٹی اور پرائیویسی اسٹارٹ اپس نے 2025 میں تقریباً 18 بلین ڈالر اکٹھے کیے (سال بہ سال تقریباً 26 فیصد اضافہ)، جو گزشتہ دہائی میں تیسری سب سے زیادہ سالانہ کل ہے، اور 2026 کی پہلی ششماہی میں اضافی $10.6 بلین اکٹھا کیا۔ (کرنچ بیس نیوز)

• Y Combinator نے 5,000 سے زیادہ کمپنیوں کو فنڈ فراہم کیا ہے۔ ستمبر 2026 تک، ڈائرکٹری تقریباً 948 کمپنیوں کو AI کی درجہ بندی میں اور تقریباً 953 کمپنیوں کو SaaS کی درجہ بندی میں درج کرتی ہے، جن کی آبادی اوورلیپ ہوتی ہے اور ان کو جمع نہیں کیا جا سکتا۔ (Y کمبینیٹر)

• Y Combinator کے 2026 بیچوں کے آزادانہ تجزیے نے 626 کمپنیوں میں سے 494 (تقریباً 79%) کو AI ٹیگ کے ساتھ درجہ بندی کیا، جس میں اکثریت کو B2B سافٹ ویئر کے طور پر بیان کیا گیا ہے۔ انفرادی گروہوں کے الگ الگ تجزیوں نے تقریباً 91% اور تقریباً 95% کی اطلاع دی۔ یہ ایک ثانوی تجزیہ ہے، کوئی سرکاری اعداد و شمار نہیں، اور ان میں پھیلاؤ آبادی میں اس کی تفریق کی بجائے تعریف کی حساسیت کی پیمائش کرتا ہے۔

• جنوری 2026 میں، اینڈریسن ہورووٹز نے 15 بلین ڈالر سے زیادہ کی نئی فنڈنگ ​​کا اعلان کیا، جس میں تقریباً 1.7 بلین ڈالر کی ایپلی کیشنز، 1.7 بلین ڈالر انفراسٹرکچر، 6.75 بلین ڈالر گروتھ، 1.176 بلین امریکن ڈائنامزم، اور 700 ملین ڈالر بائیو اینڈ ہیلتھ شامل ہیں۔ اسے ایک واحد AI گاڑی سے تبدیل کرنے کے بجائے، ہم نے سافٹ ویئر کی شکل میں فنڈ کے فن تعمیر کو برقرار رکھا۔ (Andresen Horowitz)

• اسی کمپنی کے ابتدائی مرحلے کے پروگرام نے رپورٹ کیا ہے کہ اس نے 300 سے زیادہ اسٹارٹ اپس کو سپورٹ کیا ہے اور 2023 سے اب تک عمودی ایجنٹوں، ایجنٹ انفراسٹرکچر، ڈویلپر ٹولز، مالیاتی ٹیکنالوجی، صحت کی دیکھ بھال، B2B سافٹ ویئر، اور سیکیورٹی میں $300 ملین سے زیادہ تقسیم کیے ہیں۔ (a16z speedrun)

A.10 AI ڈبنگ اور لوکلائزیشن اسٹیک

• Whisper کو 96 زبانوں میں 680,000 گھنٹے کمزور نگرانی میں کثیر لسانی آڈیو پر تربیت دی گئی، جس سے تجارتی صلاحیت کے طور پر بڑے پیمانے پر کثیر لسانی تقریر کی شناخت قائم کی گئی۔ (arXiv)

• Amazon اور Fondazione Bruno Kessler کی خودکار ڈبنگ ریسرچ نے رسمی طور پر لمبائی کنٹرول شدہ ترجمہ، اصل اسپیچ سیگمنٹس کے لیے prosody کی سیدھ اور ایک منسلک پائپ لائن میں دورانیے سے آگاہ اسپیچ جنریشن کی۔ (arXiv)

• یوٹیوب کی خودکار ڈبنگ دستاویز میں کہا گیا ہے کہ 120 منٹ سے زیادہ طویل ویڈیوز نااہل ہیں، یہ کہ ڈبنگ میں "غلط تلفظ، لہجے، بولی، یا پس منظر کے شور کی وجہ سے غلطیاں ہوسکتی ہیں" اور یہ کہ مناسب اسم، محاورے، اور جرگون خاص طور پر مشکل رہتے ہیں۔ (YouTube مدد)

• یوٹیوب کا نفاذ 20 سے زیادہ مقامات پر ڈبنگ کے لیے انگریزی کو ایک مرکز کی زبان کے طور پر مانتا ہے، جبکہ دیگر ماخذ زبانیں فی الحال صرف انگریزی ڈبنگ کی حمایت کرتی ہیں۔ یہ سمتوں میں ایک غیر متناسب ہے جس میں مواد منتقل ہوسکتا ہے۔ (YouTube مدد)

• اوکٹاویا کی شائع شدہ سطح اعلیٰ منصوبے کے لحاظ سے 10 گھنٹے تک سورس فائلوں کی اجازت دیتی ہے۔ یہ YouTube کی خودکار ڈبنگ اہلیت کی حد سے تقریباً پانچ گنا زیادہ ہے۔ (اکٹاویا)

• Netflix کے ذریعہ انگریزی میں ڈب کیے گئے 82 کاسٹیلین-ہسپانوی ٹائٹلز کے کارپس اسٹڈی نے شمالی امریکہ میں معیاری کاری کی طرف رجحان اور یونائیٹڈ کنگڈم میں ڈومیسٹکیشن کی طرف رجحان کے ساتھ معیاری کاری، گھریلو سازی، اور فارنائزیشن کو بنیادی لہجے کی حکمت عملیوں کے طور پر شناخت کیا، جبکہ غیر ملکی کاری اور ہائبرڈ نقطہ نظر اقلیتوں کے طرز عمل بنی ہوئی ہے۔ (آڈیو بصری ترجمہ جریدہ)

• یونائیٹڈ اسٹیٹس فارن سروس انسٹی ٹیوٹ زمرہ I کی زبان میں 600 سے 750 گھنٹے کی ہدایات کے لیے پیشہ ورانہ کام کی صلاحیت میں جگہ فراہم کرتا ہے اور انتہائی مشکل زمرہ IV گروپ کے لیے 2,200 گھنٹے (تقریباً 88 ہفتے کی کل وقتی تربیت)۔

• انٹرمیڈیٹ پروفیشنل ڈبنگ کا حوالہ ہماری تجارتی قیمت گائیڈ میں تقریباً $20 سے $40 فی منٹ مکمل کیا گیا ہے، جس میں کوئی اضافی جائزہ، مشکل کاسٹنگ، ایڈیٹنگ یا پروجیکٹ مینجمنٹ شامل نہیں ہے۔

• ایتھنولوگ کے 29ویں ایڈیشن میں 7,170 زندہ زبانیں شامل ہیں۔ (نسلیات کے ماہر)

• Octavia کی ماڈل لائن تحفظ کے چار درجات سے گزرتی ہے: میکس (علم اور اصطلاحات)، سیاہ (مقرر کی شناخت اور لسانی شخصیت)، فلیگ شپ (مکمل انسانی کارکردگی)، اور Ragnarok (حقیقی وقت میں تقریر سے تقریر)۔ (اکٹاویا)

• Octavia Black 95-99% کی ٹائمنگ الائنمنٹ کی درستگی کو نشانہ بناتا ہے، جیسا کہ دورانیے کی سیدھ، کریکٹر فی سیکنڈ مطابقت، اور وقفے کی جگہ کے ذریعے ماپا جاتا ہے۔ (اکٹاویا)

ضمیمہ B - ثبوت کے معیار پر نوٹس

اس رپورٹ میں دعوے مختلف طاقت کے ثبوت پر مبنی ہیں، اور آپ کو یہ جاننے کی ضرورت ہے کہ کون سے دعوے بوجھل ہیں اور کون سے مثالی ہیں۔

سیکشن 40 اس رپورٹ کے باقی حصوں سے مختلف قسم کے انکشافات کی ضرورت ہے۔ Octavia اس دستاویز (LUNARTECH) کو شائع کرنے والی تنظیم کا ایک پروڈکٹ ہے اور اس سیکشن میں فن تعمیر کی تفصیل کی آزادانہ طور پر تصدیق نہیں کی گئی ہے اور اسے انجینئرنگ ٹیم نے فراہم کیا ہے۔ ہم نے اسے اس لیے شامل کیا کیونکہ زمرے رپورٹ کے مرکزی طریقہ کار کو بیان کرنے کے لیے موزوں ہیں، اور وہ نمونے جو ان کے اندرونی حصے کی تفصیل دے سکتے ہیں ان نمونوں سے زیادہ مفید ہیں جو نہیں کر سکتے۔

فن تعمیر کو ماپا ثبوت کے بجائے ڈیزائن کے ارادے کی وضاحت کے طور پر سمجھیں۔ 95-99% کا وقت کی تعمیل کا اعداد و شمار ایک داخلی انجینئرنگ کا ہدف ہے، اور مسابقتی معیارات جو پلیٹ فارم کو ElevenLabs، Dubverse، Microsoft Azure، اور Google کے خلاف رکھتے ہیں، وینڈر کی طرف سے ان کی اپنی مصنوعات کے خلاف انجام دیا گیا ہے۔ لہذا، ان اسکورز کا اس رپورٹ کے باڈی میں انہی وجوہات کی بنا پر حوالہ نہیں دیا گیا ہے جن پر ہم ضمیمہ بی میں انحصار کردہ دیگر تمام وینڈرز کے زیر اہتمام مطالعہ ظاہر کرتے ہیں۔

سیکشن 40 میں کسی بھی دعوے کا انحصار اس بات پر نہیں ہے کہ اوکٹاویا اپنے حریفوں کو پیچھے چھوڑ دے، بصورت دیگر سیکشن میں کوئی تبدیلی نہیں ہوگی۔

سیکشن 40 میں موجود دو اعداد و شمار باقی ثبوت کی بنیاد سے کمزور ہیں، اس لیے انہیں دریافت کرنے کے لیے آپ پر چھوڑنے کی بجائے یہاں پیش کیا گیا ہے۔ $20 سے $40 فی مکمل منٹ کی ڈبنگ قیمت کی حد شائع شدہ طریقہ کار کا استعمال کرتے ہوئے سروے کے بجائے لین دین کی قیمتوں کے تعین کے رہنما خطوط سے اخذ کی گئی تھی۔ انہیں شدت کے نشانات کے آرڈر کے طور پر پڑھیں، ناپی گئی اوسط کے طور پر نہیں۔

فارن سروس انسٹی ٹیوٹ کے اوقات کار ڈپلومیٹک ٹرینیز کے منتخب گروپ کی گہری، کل وقتی تربیت کے حساب سے شمار ہوتے ہیں اور کسی بھی بالغ کو زبان سیکھنے کے لیے درکار گھنٹوں کی تعداد کا عمومی تخمینہ نہیں ہے۔

دونوں کا استعمال رکاوٹوں کی شدت کو قائم کرنے کے لیے کیا جاتا ہے بجائے اس کے کہ وہ اپنے حصوں میں درست حساب کتاب کی حمایت کریں، اور نہ ہی دلائل پر لوڈنگ کی حمایت کرتے ہیں۔

سب سے مضبوط ثبوت پہلے سے رجسٹرڈ نتائج کے ساتھ بے ترتیب کنٹرول ٹرائلز سے آتا ہے، جن میں سے تین اس رپورٹ میں استعمال کیے گئے ہیں:

1. تجربہ کار ڈویلپرز کے ساتھ METR کا مطالعہ

2. 95 پیشہ ور ڈویلپرز کا مائیکروسافٹ مطالعہ

3. غیر مانوس لائبریریوں کو سیکھنے والے ڈویلپرز کا مطالعہ

ہر ایک کی داخلی موزونیت ہے جو بے ترتیب ہونے کے ذریعے دی گئی ہے اور چھوٹے، مخصوص نمونوں کے ذریعے عائد کردہ خارجی موزونیت کی حدود ہیں۔

16 ڈویلپرز کا METR نمونہ اتنا چھوٹا ہے کہ نقطہ تخمینوں کو کافی احتیاط کے ساتھ برتا جانا چاہیے۔ تاہم، دریافت کی سمت اور تکمیل کے بعد غلط فہمیوں کا استقامت اس تشویش کے لیے اس طرح طاقتور ہے کہ پیمانہ نہیں ہے۔

پیمانے پر مشاہداتی ثبوت، جیسے کہ 100,000 سے زیادہ ڈویلپرز کا NBER مطالعہ، ایک کنٹرول گروپ کے خلاف 806 پروجیکٹس میں CMUs کا موازنہ، اور تقریباً 400,000 سیشنز کا بشریاتی تجزیہ، زیادہ شماریاتی طاقت فراہم کرتا ہے لیکن اسی طرح کمزور وجہ۔

CMU مطالعہ ایک مماثل کنٹرول گروپ کا استعمال کرتا ہے، جو پہلے اور بعد کے سادہ موازنہ پر کافی حد تک وجہ کے دعووں کو مضبوط کرتا ہے۔ اینتھروپک سیشن تجزیہ مرکزی نتائج کی تشریح کا تعین کرنے کے لیے مہارت کے جائزے پر انحصار کرتا ہے اور یہ وینڈر کی اپنی مصنوعات کا تجزیہ ہے۔ یہ ایک حد ہے جس کا خیال رکھنا ضروری ہے یہاں تک کہ اگر نتائج کی سمت واضح طور پر سپلائر کے تجارتی مفادات کے حق میں نہ ہو۔

لیبر مارکیٹ کے ثبوت سرکاری پیشین گوئیوں، ملازمت کی پوسٹنگ کے ڈیٹا اور تنخواہ کے مائیکرو ڈیٹا کا مرکب ہیں۔ بیورو آف لیبر سٹیٹسٹکس کے تخمینے ماڈل کے نتائج ہیں، پیمائش نہیں، اور 10 سالہ ملازمت کے تخمینوں کا ملا جلا تاریخی ریکارڈ ہے۔ انفرادی اعداد و شمار کو ان کی درستگی کے بجائے زمرہ جات کے درمیان فرق کی ساخت کی وجہ سے یہاں نقل کیا گیا ہے۔

ملازمت کی پوسٹنگ کا ڈیٹا بھرتی کے بجائے آجر کے ارادے کی پیمائش کرتا ہے، اور پوسٹ کرنے کے طریقے اوورلیپ یا مختلف ہو سکتے ہیں۔ اسٹینفورڈ تنخواہ کا تجزیہ طریقہ کار کے لحاظ سے تینوں میں سب سے مضبوط ہے، اور مصنفین واضح طور پر مشاہدہ شدہ کمی کو صرف AI سے منسوب کرنے کے خلاف احتیاط کرتے ہیں۔

سیکشن 26 میں ثبوت طاقت میں مختلف ہوتے ہیں اور اسی کے مطابق درجہ بندی کی جاتی ہے۔ برابری کے دو تجربات بے ترتیب کیے گئے تھے، لیکن دونوں نے سافٹ ویئر انجینئرنگ کا مطالعہ نہیں کیا۔ Noy اور Zhang کے مطالعہ میں تمام شرکاء کے پاس کالج کی ڈگریاں تھیں، اور تحقیقی رپورٹ اور شائع شدہ ورژن کی رپورٹ مختلف نمونوں کے سائز اور عدم مساوات کے اعداد و شمار، اور ہر حصے نے ذرائع کا حوالہ دیا ہے۔

ارجنٹائن میں ایک تجربے میں کاروباری تحریری تفویض کا مطالعہ کیا گیا، تعلیم کو ڈگری کے بجائے اعلیٰ تعلیمی پروگرام کے ذریعے ترقی کے طور پر بیان کیا گیا، ریٹر کے مقابلے میں توثیق شدہ زبان کے ماڈل کا استعمال کرتے ہوئے جوابات اسکور کیے گئے، اور ایک باقی خلا پایا گیا جو صفر ثابت ہونے کے بجائے اعدادوشمار کے لحاظ سے غیر معمولی تھا۔

کاروباری ثبوت بڑی حد تک مشاہداتی اور احتیاط سے منتخب کیا جاتا ہے۔ فرسٹ راؤنڈ اور کاف مین فیلوز کے اعداد و شمار ہم مرتبہ کی نظرثانی شدہ تحقیق کے بجائے وینچر کی حمایت یافتہ آبادی کے پریکٹیشنر تجزیہ سے آتے ہیں، کوجینٹ اسٹڈی 72 اسٹارٹ اپس کا احاطہ کرتی ہے، Y Combinator فنڈنگ کا تجزیہ غیر جائزہ شدہ سنگل مصنف کا پری پرنٹ غائب تربیتی ڈیٹا ہے جو 42.1% فیلو کمپنیوں کے شائع شدہ اعداد و شمار کے بغیر ہیں، اور بغیر کسی فیلوز کے اپنے اعداد و شمار موجود ہیں۔ موازنہ گروپ. 26% متعصبانہ شرکت کا اعداد و شمار مطالعہ کے ورکنگ پیپر ورژن سے ہے، جس کے لیے حتمی شائع شدہ متن تصدیق کے لیے دستیاب نہیں تھا۔

ایک ہی حصے میں مختلف آئٹمز کے لیے مختلف قسم کے انکشافات کی ضرورت ہوتی ہے۔ دو سٹارٹ اپ ٹیموں کا موازنہ LUNARTECH میں دیکھا گیا، جو کسی پروٹوکول کے مطابق نہیں ماپا گیا، اور بطور ثبوت فراہم کیا گیا ہے نہ کہ ایک مثال کے طور پر۔ LUNARTECH کے مصنفین freeCodeCamp پر اپنے خود رپورٹ کردہ اعداد و شمار پوسٹ کرتے ہیں۔

Horowitz Andreessen اکیڈمی کا اعلان ستمبر 2026 میں کیا گیا تھا اور اگست 2028 تک رپورٹ کرنے کے لیے کوئی گریجویٹ نہیں ہے۔

مائیکروسافٹ ٹائم ایلوکیشن کے اعداد و شمار مجموعی کام کے اوقات کے بجائے کمپنی کی اپنی ایپلی کیشنز کے اندر سرگرمی کی پیمائش کرتے ہیں، اور شمٹ اور ہنٹر کی توثیق میں 1998 سے کافی حد تک نظر ثانی کی گئی ہے اور اس سیکشن میں اصل اعداد و شمار کے ساتھ رپورٹ کی گئی ہے۔

اس رپورٹ میں سب سے کمزور ثبوت Orgvue سروے ہے۔ یہ یاد کرنے اور شہرت کے تعصب سے مشروط ہے، جو کہ وینڈر کے زیر کفالت ہے، انتظامیہ کی طرف سے خود اطلاع دی جاتی ہے، اور صرف انجینئرنگ کے کرداروں تک محدود نہیں بلکہ تمام ٹولز کو متاثر کرتی ہے۔ اسے شامل کیا گیا ہے کیونکہ اس کے بیان کردہ پیٹرن کی آزادانہ طور پر رپورٹ کردہ فورڈ کیس سے تصدیق ہوتی ہے اور یہ کہیں اور قائم کردہ میکانزم سے مطابقت رکھتا ہے، لیکن دلیل کا کوئی حصہ اس پر انحصار نہیں کرتا ہے۔

ایجنٹ کی صلاحیتوں کے لیے بینچ مارک ثبوت کی مخصوص اور اہم حدود ہیں۔ بینچ مارکس اس چیز کی پیمائش کرتے ہیں جس کی وہ پیمائش کرتے ہیں، اور بینچ مارک کی کارکردگی اور پیداواری اعتبار کے درمیان فرق دونوں طریقوں سے جاتا ہے۔

ایجنٹ دراصل مخالفانہ طور پر بنائے گئے معیارات سے بہتر کارکردگی کا مظاہرہ کر سکتے ہیں کیونکہ حقیقی دنیا کے کاموں میں سیاق و سباق، تکرار، اور انسانی ترمیم شامل ہوتی ہے جو بینچ مارک سے خارج ہیں۔ حقیقی سسٹمز بدتر کارکردگی کا مظاہرہ کر سکتے ہیں کیونکہ وہ ناکامی کے طریقوں کی نمائش کرتے ہیں جن کی بینچ مارک مصنفین نے توقع نہیں کی تھی۔

4% سے کم تکمیل کی شرح کے اعداد و شمار کو غیر زیر نگرانی خود مختار آپریشن کی موجودہ حدود کے ثبوت کے طور پر پڑھا جانا چاہئے بجائے اس کی پیمائش کے طور پر کہ یہ نظام کس حد تک نگرانی میں حصہ ڈالتے ہیں۔

آخر میں، حصہ IV میں مارکیٹ کا ڈیٹا چند چوتھائیوں کے دورانیے کی اعلیٰ اتار چڑھاؤ کو بیان کرتا ہے، اور مالیت کے ملٹیپلز کا شمار سب سے زیادہ شور مچانے والی سیریز میں سے ایک ہے۔ میڈین سالانہ SaaS ملٹیپل کی نصف زندگی سبق آموز ہونے کے لیے کافی بڑی ہے، اور سیکشن 32 میں رپورٹ کردہ دو چوتھائی اسٹریک سیریز میں تیسرے مشاہدے کا اضافہ کرتی ہے، لیکن 18 مہینوں میں تین پوائنٹس ایک مختصر سی کھڑکی ہے جس پر رجحانات کو بڑھایا جا سکتا ہے۔

سیکشن 30-35 میں بیان کردہ سرمایہ کاری کے ثبوت کی چار حدود ہیں جنہیں پوری طرح ذہن میں رکھنا چاہیے۔

پہلا یہ کہ کچھ اقتباسات جامد اشاعتوں کے بجائے مسلسل اپ ڈیٹ شدہ ڈیٹا ہب اور کارپوریٹ ڈائریکٹریز کی طرف اشارہ کرتے ہیں۔ کارٹا ڈیٹا سیریز، Y Combinator ڈائرکٹری اور Crunchbase فنڈنگ ​​کوریج سبھی تبدیلیاں رسائی کی تاریخ کے بعد سے ہوتی ہیں اور یہاں رپورٹ کردہ اعداد و شمار ستمبر 2026 میں ریکارڈ کیے گئے تھے اور بعد کی تاریخ میں بالکل اسی صفحہ سے مطابقت نہیں رکھتے۔

دوسرا یہ کہ Y Combinator بیچ کا تجزیہ سرکاری اعداد و شمار کے بجائے ایک آزاد ثانوی آپریشن ہے، اس لیے اسے آبادی کے اعداد و شمار قائم کرنے کے بجائے تعریفی حساسیت کو ظاہر کرنے کے لیے استعمال کیا جاتا ہے۔

تیسرا یہ ہے کہ وینچر مینیجرز کی ان کے تھیسس کی وضاحتیں دونوں ارادے اور مارکیٹنگ کے دستاویزات کے بیانات ہیں، جہاں ان کی قدر ان عقائد کے بجائے ان کے ظاہر کردہ فنڈ کے ڈھانچے میں ہوتی ہے۔

چوتھا اور سب سے اہم نکتہ یہ ہے کہ قومی کھاتوں کے اعداد و شمار جو سیکشن 30 میں ڈینومینیٹرس کو متعین کرنے کے لیے استعمال کیے جاتے ہیں وہ گول برائے نام تخمینہ ہیں اور ان پر مبنی دعوے صرف اس پیمانے پر منحصر ہوتے ہیں جو ان میں سے کسی ایک پر بھی خاطر خواہ نظرثانی کے لیے زندہ رہیں گے۔

سیکشن 34 کا دعویٰ کہ ایجنٹ کی صلاحیتیں طویل فاصلے کے نظام کے کاموں کی نسبت محدود کاموں میں زیادہ تیزی سے بہتر ہوتی ہیں حصہ IV میں سب سے کمزور دلیل ہے، اور اسے یہاں کے ساتھ ساتھ سیکشن میں بھی دکھایا گیا ہے۔ یہ تبدیلی کی پیمائش شدہ شرحوں کے بجائے وقت کے ایک نقطہ پر بینچ مارک کے نتائج پر مبنی ہے، اور وہی ضمیمہ نوٹ جو تمام بینچ مارک شواہد پر لاگو ہوتے ہیں اضافی قوت کے ساتھ لاگو ہوتے ہیں۔ اس کی وجہ یہ ہے کہ رفتار کے بارے میں دعووں کے لیے وقت کے ساتھ مشاہدات کی ضرورت ہوتی ہے، جو بینچ مارک لٹریچر ابھی تک فراہم نہیں کرتا ہے۔

اس قسم کے انکشاف کی کوئی اہمیت نہیں ہے اگر اس پر مبنی دعووں کی ساکھ میں کوئی تبدیلی نہ ہو۔ اس قسم کے زیادہ تر ضمیموں کے لیے یہ ناکامی کا موڈ ہے۔ مندرجہ ذیل جدول یہ بتاتا ہے کہ دلیل کے ہر حصے کو ثبوت کو نظر انداز کرنے کے بعد اصل میں کیا دعوی کرنے کا حق ہے، اور جب بھی دونوں حصوں میں فرق نظر آئے، تو انہیں متن پر غالب سمجھا جانا چاہیے۔

دعوی	ثبوت کے معیار	گارنٹی شدہ اعتماد
جاب فریگمنٹیشن: زیادہ ڈویلپرز کے مقابلے کم پروگرامرز	سرکاری پیشن گوئی ماڈل آؤٹ پٹ، پیمائش نہیں۔	زمروں کے درمیان اعلی ساختی فرق، کم مخصوص تناسب
تیار کردہ کوڈ کمٹ اور ریلیز کے درمیان بگڑ جاتا ہے۔	مبہم کمٹ گرینولریٹی کا بڑے پیمانے پر مشاہدہ	سمت زیادہ ہے اور پیمانہ اوسط ہے۔
آپریٹر کی مہارت کے ساتھ AI سے چلنے والی آمدنی میں اضافہ کریں۔	سائز کے لحاظ سے سپلائر کا تجزیہ، غیر متعینہ تعمیر کے لیے مہارت کی درجہ بندی	سمتیت اعتدال پسند ہے، 2x اور 4x تناسب کم ہیں۔
خود رپورٹ شدہ پیداواری صلاحیت منظم طور پر پرامید ہے۔	بے ترتیب، n=16، متبادل آلات	میکانزم کے لیے اعلی، 19% سائز کے لیے کم
AI کی مدد سے سیکھنے سے مکمل وفد کے ساتھ سمجھ بوجھ کم ہو جاتی ہے۔	تصادفی طور پر سیکھنے کو نتائج میں الگ کرتا ہے۔	درمیانے درجے سے اعلی، واحد مطالعہ، زیر التواء نقل۔
لمبی دوری کے کام اب بھی انسانی ماہرین کے حق میں ہیں۔	بینچ مارک، 71 کوششیں، 3 ٹائم پوائنٹس	عام طور پر، واضح طور پر محدود وقت
سافٹ ویئر ڈیفنس کی قیمت بلٹ ان ہونے کی ہے۔	M&A موازنہ میں دو مشاہدات: غیر مقداری شرح کی الجھن اور انتخاب کے اثرات۔	سافٹ ویئر میں رشتہ دار قیمت کے لیے میڈیم، مطلق قیمت کے لیے کم
ابتدائی سرمایہ مرتکز ہے۔	لین دین کی تعداد کے بغیر ڈالر سیریز	کم سے درمیانے درجے تک۔ بیج سکڑنے کی سمت واقعی مبہم ہے۔
عالمی سافٹ ویئر اخراجات عالمی پیداوار کا تقریباً 1% ہے۔	گول قومی کھاتوں کے لیے سرکاری پیشن گوئیاں	کچھ پیمانے کے لیے اعلیٰ، ایک مخصوص فیصد کے لیے کم
سافٹ ویئر سے AI تک سرمائے کی نقل و حرکت مؤثر طریقے سے درجہ بندی کا نمونہ ہے۔	سیکٹر کے لحاظ سے مشترکہ اعداد و شمار اور ڈائریکٹری کی خرابی، کوئی باہمی خصوصی ڈیٹا سیٹ موجود نہیں ہے۔	اونچی سمت لیکن کوئی سائز نہیں۔
سافٹ ویئر کے اندر پریمیم سطح کی فعالیت کے بجائے سرایت کو ٹریک کرتے ہیں۔	زمرہ کی سطح کے عوامی ملٹیپلس اور انڈر رائٹنگ کمپوزیشن، کوئی تکنیکی گہرائی کے اقدامات نہیں۔	میڈیم: کاغذ کے ساتھ مطابقت رکھتا ہے، وجہ رشتہ کی تصدیق نہیں ہوئی ہے۔
قابل ماڈل والی کمپنیاں اب بھی سافٹ ویئر بنانے کے بجائے اسے خریدتی ہیں۔	بڑے پیمانے پر وینڈر سے ملحقہ سروے جو براہ راست مشکل رویے کی پیمائش کرتے ہیں۔	سمت زیادہ ہے، 76% کی سطح اعتدال پسند ہے۔
طویل فاصلے کے نظام کے کاموں کی نسبت محدود کاموں پر ایجنٹ کی صلاحیتیں تیزی سے بہتر ہوتی ہیں۔	پوائنٹ ان ٹائم بینچ مارک، تبدیلی کی کوئی ماپی ہوئی شرح نہیں۔	کم سے درمیانے درجے تک: حصہ IV میں سب سے کمزور دعویٰ اور واضح طور پر محدود وقت ہے۔
سستا نفاذ ناقص فیصلے کے متوقع اخراجات کو بڑھاتا ہے۔	کوئی تجزیاتی، براہ راست تحقیق نہیں۔	دعویٰ کیا لیکن ثابت نہیں ہوا۔ زنجیر کی سب سے کمزور کڑی۔
جنریشن میں حقیقی اور بڑھتے ہوئے معمولی اخراجات شامل ہیں۔	وینڈر نے اعداد و شمار، مارکیٹ کے سائز کا ڈیٹا، اور ایک تجزیہ کار کی پیشن گوئی شائع کی۔	یہ موجودہ سطح پر زیادہ ہے اور غیر امریکی تنخواہوں کی بنیاد پر 2028 کے تخمینوں میں کم ہے۔
ڈیلیور کردہ فی نتیجہ قیمت فی کوشش لاگت سے بہت زیادہ ہے۔	بینچ مارک لاگت اکاؤنٹنگ	تناسب جتنا اونچا ہوگا، اتنا ہی اونچا ہوگا، اس کے سائز کے لحاظ سے یہ زیادہ اوسط ہے، یہ ساخت پر منحصر ہے۔
مشین کی توثیق ابھی تک جائزے کی رکاوٹوں کو دور نہیں کرتی ہے۔	تنظیمی نتائج کے اعداد و شمار کے ساتھ ارتباطی غلطیوں کے لیے تشکیل شدہ دلائل۔	اعتدال سے اعلی اور واضح طور پر محدود وقت۔ یہ دعویٰ ہے جس کی میعاد ختم ہونے کا سب سے زیادہ امکان ہے۔
AI مدد آپ کے کوڈ پر اعتماد کو بڑھاتی ہے جبکہ کوڈ سیکیورٹی کو کم کرتی ہے۔	دو آزاد بے ترتیب یا منظم مطالعہ، فرسودہ ٹولز۔	میکانزم کے لیے اعلی، موجودہ پیمانے کے لیے درمیانہ
پیکیج فریب کاری استحصالی حملوں کا ایک طبقہ ہے۔	ریپیٹیبلٹی ٹیسٹنگ کے ذریعے بڑے پیمانے پر منظم مطالعہ	اعلی
سافٹ ویئر کی ناکامی کے اخراجات پونچھ سے بھاری ہیں، تعیناتی کے اخراجات دم پر حاوی ہیں۔	نتائج کی شدت کے لیے کیس اسٹڈیز کا انتخاب کیا گیا۔	دم کی موجودگی زیادہ ہے، لیکن تعدد نہیں ہے. انتخاب منحصر متغیر کی بنیاد پر کیا جاتا ہے۔
لائسنس یافتہ انجینئرنگ کی ضروریات کو سرٹیفیکیشن اسکیم کے ذریعے محفوظ کیا جاتا ہے۔	یہ مرتب شدہ ہے، شائع شدہ معیارات سے لیا گیا ہے۔ نتائج کا کوئی مطالعہ نہیں ہے۔	حکومت کے تقاضے زیادہ ہیں، پائیداری کے تخمینے درمیانے ہیں۔
کاروباری افراد کو ابتدائی طور پر انجینئرنگ میں مہارت حاصل کرنی چاہیے۔	دوسرے مقاصد کے لیے جمع کیے گئے شواہد سے نتائج	دعویٰ کیا لیکن ثابت نہیں ہوا۔ اس متغیر پر کوئی اسٹڈیز ٹریکنگ کمپنیاں نہیں ہیں۔

آخری قطار نمایاں کرنے کے قابل ہے کیونکہ یہ بوجھ کو سپورٹ کرتی ہے۔ سیکشن 8 ایک مرکزی نقطہ ہے جو پیداواری شواہد کو حصہ I سے جوڑتا ہے جو کہ رپورٹ تک پہنچنے والے ماہرین کی قدر کے نتائج سے جوڑتا ہے، جو پیمائش کے بجائے تخمینے پر مبنی ہوتے ہیں۔ اگر آپ اس تخمینہ کو مسترد کرتے ہیں، تو آپ اس مقالے میں تمام پیمائشوں کو قبول کر سکتے ہیں اور اس کے بنیادی نتائج کو مسترد کر سکتے ہیں۔

ضمیمہ سی - ذرائع

• عابد، کمپیوٹنگ پروگرام ایکریڈیشن کے معیارات، 2026-2027 — https://www.abet.org/accreditation/accreditation-criteria/criteria-for-accrediting-computing-programs-2026-2027/

• سہ ماہی انتظامی سائنس، بیوروکریسی اور انٹرپرینیورشپ: کاروباری داخلے پر کام کی جگہ کے اثرات۔ (Sørensen، 2007) — https://doi.org/10.2189/asqu.52.3.387

• امریکی اقتصادی جائزہ: بصیرت؛ عمر اور اعلی نمو کی کاروباری صلاحیت (Azoulay, Jones, Kim, and Miranda, 2020) — https://www.aeaweb.org/articles?id=10.1257/aeri.20180582

• اینڈریسن ہورووٹز، فنڈنگ، کاغذات، پورٹ فولیو - https://a16z.com/

• اینڈریسن ہورووٹز، ہورووٹز اینڈریسن اکیڈمی انکیوبیشن — https://a16z.com/announcement/incubating-horowitz-andreessen-academy/

• اینڈریسن ہورووٹز، سپیڈ رن - https://speedrun.a16z.com/

• بشریات، کلاڈ کوڈ اور ماہرین کا کردار — https://www.anthropic.com/research/claude-code-expertise

• بشریات، کلاڈ کوڈ لاگت کا انتظام — https://code.claude.com/docs/en/costs

• اپلائیڈ اکنامکس کے خطوط؛ کیا محققین کے کامیاب ہونے کا زیادہ امکان ہے جب وہ ٹیکنالوجی پر مبنی اسٹارٹ اپ شروع کرتے ہیں؟ (ہان، کم، کم، چو، 2024) — https://doi.org/10.1080/13504851.2023.2212399

• اپلائیڈ اکنامکس کے خطوط؛ کاروباری افراد کی تعلیم اور تجربہ: کیا پی ایچ ڈی اور اس سے پہلے کا تجربہ اسٹارٹ اپ کی کامیابی پر زیادہ اثر ڈالتا ہے؟ (Park and Kim, 2025) — https://www.tandfonline.com/doi/full/10.1080/13504851.2025.2601774

• arXiv، ایجنٹ بطور جج: ایجنٹ کے ذریعے ایجنٹ کا اندازہ لگانا۔ (2410.10934) — https://arxiv.org/pdf/2410.10934

• arXiv، اہم AI ایجنٹس (2407.01502) — https://arxiv.org/abs/2407.01502

• arXiv، اے آئی سپورٹ اور ڈویلپر کی تعلیم (2601.20245) — https://arxiv.org/abs/2601.20245

• arXiv، کیا آپ اپنے کی بورڈ کے سامنے سوتے ہیں؟ GitHub Copilot میں کوڈ کی شراکت کی حفاظتی تشخیص (2108.09293) — https://arxiv.org/abs/2108.09293

• arXiv، قابل تعیناتی SaaS ورک فلو بینچ مارکس (2605.15777) — https://arxiv.org/abs/2605.15777

• arXiv، کیا صارفین زیادہ غیر محفوظ کوڈ لکھنے کے لیے AI معاونین کا استعمال کرتے ہیں؟ (2211.03622) — https://arxiv.org/abs/2211.03622

• arXiv، انٹرپرائز ساس انجینئرنگ بینچ مارکس (2605.17526) — https://arxiv.org/abs/2605.17526

• arXiv، سافٹ ویئر انجینئرنگ میں مہارت: سالوں کے تجربے سے پرے ایک پیمائش (2110.02835) — https://arxiv.org/abs/2110.02835

• arXiv، بانی پس منظر اور اسٹارٹ اپ فنڈنگ: Y Combinator سے ثبوت (2512.13755) — https://arxiv.org/abs/2512.13755

• arXiv، آواز سے آواز کے ترجمہ سے لے کر خودکار ڈبنگ تک (2001.06785) — https://arxiv.org/abs/2001.06785

• arXiv، جی پی ٹی جی پی ٹی ہے: بڑے پیمانے پر لینگویج ماڈلز کے لیبر مارکیٹ پر اثر انداز ہونے کی صلاحیت پر ایک ابتدائی نظر۔ (2303.10130) — https://arxiv.org/abs/2303.10130

• arXiv، 2025 کے اوائل میں ہنر مند اوپن سورس ڈویلپر کی پیداواری صلاحیت پر AI کے اثرات کی پیمائش (2507.09089) — https://arxiv.org/abs/2507.09089

• arXiv، بڑے پیمانے پر کمزور نگرانی کے ذریعے طاقتور تقریر کی شناخت (2212.04356) — https://arxiv.org/abs/2212.04356

• arXiv، SWE-bench+: LLM کے لیے ایک بہتر کوڈنگ بینچ مارک (2410.06992) — https://arxiv.org/pdf/2410.06992

• arXiv، SWE-Lancer: کیا فرنٹیئر ایل ایل ایم فری لانس سافٹ ویئر انجینئرنگ میں واقعی 1 ملین ڈالر کما سکتا ہے؟ (2502.12115) — https://arxiv.org/abs/2502.12115

• arXiv، ایل ایل ایم ایجنٹس کے لیے ٹوکن اکانومی (2605.09104) — https://arxiv.org/html/2605.09104v1

• بروکنگز انسٹی ٹیوشن، جنریٹو AI، امریکی کارکنان، اور کام کا مستقبل — https://www.brookings.edu/articles/generative-ai-the-american-worker-and-the-future-of-work/

• بیورو آف لیبر شماریات، مصنوعی ذہانت، انفارمیشن ٹیکنالوجی اور روزگار، 2024-34 — https://www.bls.gov/opub/ted/2026/artificial-intelligence-information-technology-and-employment-2024-34.htm

• بیورو آف لیبر شماریات، کمپیوٹر اور انفارمیشن ٹیکنالوجی کی مہارت — https://www.bls.gov/emp/skills/computers-and-information-technology.htm

• بیورو آف لیبر شماریات، پیشہ ورانہ آؤٹ لک ہینڈ بک: سافٹ ویئر ڈویلپر — https://www.bls.gov/ooh/Computer-and-Information-Technology/Software-developers.htm

• برننگ گلاس انسٹی ٹیوٹ اور اسٹراڈا انسٹی ٹیوٹ فار فیوچر جابز؛ ٹیلنٹ ان کلیپس: کالج گریجویٹس، کم روزگار، اور آگے کا راستہ — https://www.burningglassinstitute.org/research/underemployment

• کارنیگی میلن یونیورسٹی شعبہ کمپیوٹر سائنس، AI اسپیڈ کی پوشیدہ قیمت — https://www.cs.cmu.edu/news/2026/hidden-cost-ai-speed

• کارٹا، ڈیٹا - https://carta.com/data/

• کارٹا، 2026 میں بیج کی 95ویں فیصد قیمت — https://carta.com/data/linkedin-seed-valuations-95th-percentile-2026/

• کارٹا، سال کی پہلی ششماہی میں وینچر مارکیٹ میں تبدیلیاں — https://carta.com/data/newsletter-venture-market-shifted-first-half/

• کارٹا، VC فنڈ ریزنگ بینچ مارکس، 2026 - https://carta.com/data/linkedin-vc-fund-benchmarks-2026/

• سی آئی او، AI کوڈنگ ٹوکن کے اخراجات انسانی تنخواہوں کا مقابلہ کریں گے۔ — https://www.cio.com/article/4189149/ai-coding-token-costs-are-on-track-to-rival-human-payroll.html

• قائل معاشیات اور مالیات؛ کیا مزید تعلیم بہتر اسٹارٹ اپ فنڈنگ ​​کے نتائج کا باعث بنے گی؟ (Everett، 2024) — https://www.tandfonline.com/doi/full/10.1080/23322039.2024.2354281

• کرنچ بیس کی خبریں، سائبرسیکیوریٹی اور پرائیویسی اسٹارٹ اپ کی مالی اعانت — https://news.crunchbase.com/cybersecurity/

• ڈورا اسٹیٹ آف ڈی او اوپس رپورٹ 2025 — https://dora.dev/research/2025/dora-report/

• ڈورا 2024 تک ڈی او اوپس کی رپورٹ کی حالت کو تیز کرنا — https://dora.dev/research/2024/dora-report/

• کارپوریٹ انکیوبیٹر فاؤنڈیشن، آرمینیا آئی سی ٹی سیکٹر: اسٹیٹ آف دی انڈسٹری رپورٹ — https://www.eif.am/eng/researches/report-on-the-state-of-the-industry/

• نسلیات نگار، دنیا میں کتنی زبانیں ہیں؟ — https://www.ethnologue.com/insights/how-many-languages/

• یورپی خلائی ایجنسی، Ariane 501 - انکوائری بورڈ کی رپورٹ پریزنٹیشن — https://www.esa.int/Newsroom/Press_Releases/Ariane_501_-_Presentation_of_Inquiry_Board_report

• تیز کمپنی، AI معیار کے مسائل کو حل نہیں کر سکا، اس لیے فورڈ نے اپنے انتہائی تجربہ کار انجینئرز کو دوبارہ ملازمت پر رکھا۔ — https://www.fastcompany.com/91566868/ai-couldnt-fix-quality-problems-so-ford-rehired-its-most-experienced-engineers

• پہلا دور دارالحکومت، 10 سالہ پروجیکٹ — https://www.slideshare.net/firstround/10-year-project-51026892

• قسمت ایپل کے ایڈی کیو نے تسلیم کیا کہ 22 سالوں میں پہلی بار سفاری کی تلاش میں کمی آئی ہے۔ — https://fortune.com/2025/05/08/apple-eddy-cue-testimony-google-alphabet-safari-ai-search-features/

• قسمت 'ہم یونیورسٹیوں پر یقین رکھتے ہیں': اینڈریسن ہورووٹز کی $42 ملین غیر منظور شدہ اکیڈمی کے اندر — https://fortune.com/2026/09/22/a16z-horowitz-andreessen-academy-college-alternative-tuition-biyani/

• مفت کوڈ کیمپ، 2025 سال کے آخر میں کمیونٹی اپ ڈیٹ — https://www.freecodecamp.org/news/christmas-gifts-freecodecamp-community-2025/

• مفت کوڈ کیمپ، فری کوڈ کیمپ کے بارے میں — https://www.freecodecamp.org/news/about/

• مفت کوڈ کیمپ، freeCodeCamp اپنی 10ویں سالگرہ بڑے سرٹیفیکیشن اپ ڈیٹس کے ساتھ منا رہا ہے۔ — https://www.freecodecamp.org/news/freecodecamp-turns-10-major-curriculum-updates/

• مفت کوڈ کیمپ، نیا فری کوڈ کیمپ سرٹیفیکیشن متعارف کروا رہا ہے۔ — https://www.freecodecamp.org/news/introducing-freecodecamp-checkpoint-certifications/

• فیوچر گروپ 41% کمپنیاں ایپس کو مربوط کرنے کا ارادہ رکھتی ہیں۔ بہترین اقسام کی سورسنگ 20.7 فیصد تک گر گئی — https://futurumgroup.com/press-release/41-of-firms-plan-app-consolidation-best-of-breed-procurement-falls-to-20-7/

• گالٹ اور ٹیگگارٹ؛ جارجیا کا آئی ٹی سیکٹر — https://ramad.bog.ge/galt/IT-sector-in-Georgia.pdf

• گارٹنر، 2028 تک، AI کوڈنگ کے اخراجات اوسط ڈویلپر کی تنخواہ سے زیادہ ہو جائیں گے۔ — https://www.gartner.com/en/newsroom/press-releases/2026-06-24-gartner-predicts-ai-coding-costs-will-surpass-average-developer-salary-by-2028-as-token-consumption-surges

• گارٹنر، 2026 میں عالمی آئی ٹی اخراجات کی پیشن گوئی — https://www.gartner.com/en/newsroom/press-releases/2026-04-22-gartner-forecasts-worldwide-it-spending-to-grow-13-point-5-percent-in-2026-totaling-6-point-31-trillion-dollars

• جرمن اقتصادی ٹیم آئی ٹی سیکٹر مانیٹر آرمینیا (مارچ 2025 پالیسی بریفنگ) — https://www.german-economic-team.com/wp-content/uploads/2025/11/GET_ARM_PB_03_2025_en.pdf

• gizmodo Andreessen Horowitz چاہتا ہے کہ نوعمر بچے کالج چھوڑ کر نئی اکیڈمی میں جائیں۔ — https://gizmodo.com/andreessen-horowitz-wants-teens-to-skip-college-for-its-new-academy-instead-2000815660

• گوگل، سرچ ٹریفک کی میڈیا کوریج سے متعلق بیان — https://blog.google/products/search/statement-press-reports-about-search-traffic

• ہنریکو ڈولفنگ، کیس اسٹڈی: نائٹ کیپیٹل کی $440 ملین سافٹ ویئر کی ناکامی۔ — https://www.henricodolfing.ch/en/case-study-4-the-440-million-software-error-at-knight-capital/

• اعلیٰ تعلیم کا غوطہ، پانچ سال بعد، کیا تھیل کی کالج ڈراپ آؤٹ فیلوشپ کامیاب ہوگی؟ — https://www.highereddive.com/news/five-years-later-is-thiels-college-dropout-fellowship-a-success/362528/

• ہورووٹز اینڈریسن اکیڈمی، اکثر پوچھے گئے سوالات - https://theacademysf.com/faq

• درحقیقت، ریکروٹمنٹ انسٹی ٹیوٹ؛ AI اور ملازمت کے مواقع: خلل سے تخلیق تک — https://www.hiringlab.org/2026/07/08/ai-and-job-postings-from-destruction-to-creation/

• درحقیقت، ریکروٹمنٹ انسٹی ٹیوٹ؛ لیبر مارکیٹ سنیارٹی کی طرف جھک رہی ہے۔ — https://www.hiringlab.org/2026/07/23/the-labor-market-is-tilting-toward-seniority/

• بین الاقوامی مالیاتی فنڈ، Gen-AI: مصنوعی ذہانت اور کام کا مستقبل (SDN/2024/001) — https://www.imf.org/en/Publications/Staff-Discussion-Notes/Issues/2024/01/14/Gen-AI-Artificial-Intelligence-and-the-Future-of-Work-542379

• بین الاقوامی مالیاتی فنڈ، عالمی اقتصادی نقطہ نظر — https://www.imf.org/en/Publications/WEO

• جیرڈ ہیمن، "نئے" Y کمبینیٹر سے — https://jaredheyman.medium.com/on-the-new-y-combinator-3c28e548896c

• جرنل آف اپلائیڈ سائیکالوجی، اہلکاروں کے انتخاب کی درستگی کے میٹا تجزیاتی تخمینوں کا دوبارہ جائزہ لینا۔ (Sackett, Zhang, Berry, and Lievens, 2022) — https://doi.org/10.1037/apl0000994

• آڈیو بصری ترجمہ جریدہ، انگریزی ڈب شدہ سٹریمنگ: Netflix کی ڈبنگ حکمت عملی کا ایک پلے بک سنیپ شاٹ — https://www.jatjournal.org/index.php/jat/article/view/211

• مالیاتی جریدہ، پارٹیزن انٹرپرینیورشپ (Engelberg, Guzman, Lu, and Mullins, 2026) — https://doi.org/10.1111/jofi.70042

• کاف مین فیلوز، اعلی درجے کی ڈگریاں زیادہ فنڈنگ ​​اور اسٹارٹ اپس کے لیے بہتر منافع سے وابستہ ہیں۔ — https://www.kauffmanfellows.org/journal/advanced-degrees-startups

• مینجمنٹ سائنس، چھوٹے کاروباری اثرات اور سائنسدانوں اور انجینئروں کی کاروباری صلاحیت۔ (Elfenbein, Hamilton, Zenger, 2010) — https://doi.org/10.1287/mnsc.1090.1130

• میک کینسی اینڈ کمپنی، ERP کا خاتمہ جیسا کہ ہم جانتے ہیں: 5 طریقے AI ERP میں خلل ڈالے گا۔ — https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/the-end-of-erp-as-we-know-it-five-ways-ai-is-disrupting-erp

• مینلو وینچرز، کارپوریٹ جنریٹڈ AI کی موجودہ حیثیت — https://menlovc.com/perspective/2025-the-state-of-generative-ai-in-the-enterprise/

• میٹر، 2025 کے اوائل میں ہنر مند اوپن سورس ڈویلپر کی پیداواری صلاحیت پر AI کے اثرات کی پیمائش کریں۔ — https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study/

• میٹر، 2026 کے اوائل میں تکنیکی افرادی قوت کی پیداواری صلاحیت پر AI کے خود رپورٹ شدہ اثرات کی پیمائش کریں۔ — https://metr.org/blog/2026-05-11-ai-usage-survey/

• میٹر، افزائش کی تازہ کاری — https://metr.org/blog/2026-02-24-uplift-update/

• مائیکرو سافٹ ریسرچ، AI کس طرح ڈویلپر کی پیداوری کو متاثر کرتا ہے: GitHub Copilot سے ثبوت — https://www.microsoft.com/en-us/research/publication/the-impact-of-ai-on-developer-productivity-evidence-from-github-copilot/

• مائیکرو سافٹ ورک لیب، کیا AI اصلاحات کام کریں گی؟ 2023 کام کے رجحانات کا اشاریہ — https://www.microsoft.com/en-us/worklab/work-trend-index/will-ai-fix-work

• ایم آئی ٹی اکنامکس، تخلیقی مصنوعی ذہانت کے پیداواری اثرات کے تجرباتی ثبوت (نوئے اور ژانگ، ورکنگ پیپر، مارچ 2023) — https://economics.mit.edu/sites/default/files/inline-files/Noy_Zhang_1_0.pdf

• نیشنل بیورو آف اکنامک ریسرچ، کیا جنریٹو اے آئی تعلیم پر مبنی پیداواری فرق کو بند کر دے گا؟ بے ترتیب آزمائشوں سے ثبوت (ورکنگ پیپر 34851) — https://www.nber.org/papers/w34851

• نیشنل بیورو آف اکنامک ریسرچ، پارٹیزن انٹرپرینیورشپ (ورکنگ پیپر 30249) — https://www.nber.org/papers/w30249

• نیشنل بیورو آف اکنامک ریسرچ، جنریٹو اے آئی کو تیزی سے اپنانا (ورکنگ پیپر 32966) — https://www.nber.org/papers/w32966

• نیشنل بیورو آف اکنامک ریسرچ، نوکریاں کون پیدا کرتا ہے؟ چھوٹا بمقابلہ بڑا بمقابلہ نوجوان (ڈائیجسٹ سمری آف ورکنگ پیپر 16300) — https://www.nber.org/digest/feb11/w16300.html

• نیشنل بیورو آف اکنامک ریسرچ، میرے (بے ترتیب) دوستوں کی تھوڑی مدد سے: بزنس اسکول کے بعد انٹرپرینیورشپ میں کامیابی اور ناکامی۔ (ورکنگ پیپر 16918) — https://www.nber.org/papers/w16918

• نیشنل بیورو آف اکنامک ریسرچ، ورکنگ پیپر 35275 — https://www.nber.org/papers/w35275

• فطرت، دور دراز تعاون کے نتیجے میں گراؤنڈ بریکنگ آئیڈیاز کی کم ہم آہنگی ہوتی ہے۔ (لن، فری، وو، 2023) — https://www.nature.com/articles/s41586-023-06767-1

• فطرت، مجازی مواصلات تخلیقی خیال پیدا کرنے سے روکتا ہے۔ (برکس اینڈ لیواو، 2022) — https://www.nature.com/articles/s41586-022-04643-y

• آکٹویا، AI ڈبنگ پلیٹ فارم دستاویز — https://octavia.lunartech.ai

• آرگ ویو، نئی تحقیق افرادی قوت میں اے آئی سسٹمز کی تعیناتی کی پیچیدگیوں کو بے نقاب کرتی ہے۔ — https://www.orgvue.com/news/new-research-exposes-the-complexity-of-deploying-ai-systemsin-the-workforce/

• OWASP، بڑے پیمانے پر زبان کے ماڈل ایپلی کیشنز کے لیے ٹاپ 10 — https://owasp.org/www-project-top-10-for-large-language-model-applications/

• آکسفورڈ انٹرنیٹ انسٹی ٹیوٹ، عملی مہارت AI شعبے میں تنخواہ کے پریمیم کو آگے بڑھاتی ہے۔ — https://www.oii.ox.ac.uk/practical-expertise-drives-salary-premiums-in-the-ai-sector-finds-new-oxford-study/

• پیرامیٹرز کراؤڈ اسٹرائیک فارچیون 500 کمپنیوں کو کیسے متاثر کرتی ہے۔ — https://www.parametrixinsurance.com/reports-white-papers/crowdstrikes-impact-on-the-fortune-500

• پیو ریسرچ سینٹر، کون سے امریکی کارکن کام پر AI سے زیادہ متاثر ہوتے ہیں؟ — https://www.pewresearch.org/social-trends/2023/07/26/which-us-workers-are-more-exposed-to-ai-on-their-jobs/

• مشین لرننگ ریسرچ پیپرز، دوبارہ بنچ - https://proceedings.mlr.press/v267/wijk25a.html

• نفسیاتی بلیٹن بورڈ، عملے کی نفسیات میں انتخاب کے طریقوں کی صداقت اور افادیت (Schmidt and Hunter, 1998) — https://doi.org/10.1037/0033-2909.124.2.262

• پی ڈبلیو سی، 2026 گلوبل اے آئی جاب انڈیکیٹرز — https://www.pwc.com/gx/en/news-room/press-releases/2026/pwc-2026-ai-jobs-barometer.html

• پی ڈبلیو سی، AI پیداواری ترقی میں 4X اضافے سے منسلک ہے۔ (2025 گلوبل AI جابز انڈیکس) — https://www.pwc.com/gx/en/news-room/press-releases/2025/ai-linked-to-a-fourfold-increase-in-productivity-growth.html

• تحقیقی پالیسی، متنوع بانی، متنوع وینچر کی کارکردگی: تعلیمی اور غیر تعلیمی آغاز کا تقابلی تجزیہ (Roche، Conti and Rothaermel، 2020) — https://doi.org/10.1016/j.respol.2020.104062

• ریسرچ گیٹ، ماہر کارکردگی کے حصول میں جان بوجھ کر مشق کا کردار۔ — https://www.researchgate.net/publication/224827585_The_Role_of_Deliberate_Practice_in_the_Acquisition_of_Expert_Performance

• ریسرچ گیٹ، عملے کی نفسیات کے انتخاب کے طریقوں کی صداقت اور افادیت: 100 سال کی تحقیق کے نتائج (Schmidt, Oh and Shaffer, 2016 ورکنگ پیپر) — https://doi.org/10.13140/RG.2.2.18843.26400

• اقتصادی اور شماریاتی جائزہ؛ نوکریاں کون پیدا کرتا ہے؟ چھوٹا بمقابلہ بڑا بمقابلہ نوجوان (Haltiwanger, Jarmin, and Miranda, 2013) — https://doi.org/10.1162/REST_a_00288

• سائنس، تخلیقی مصنوعی ذہانت کے پیداواری اثرات کے تجرباتی ثبوت (Noy and Zhang، 2023) — https://doi.org/10.1126/science.adh2586

• سافٹ ویئر اثاثہ گروپ، سہ ماہی ساس رپورٹ — https://softwareequity.com/research/quarterly-saas-report

• SSRN، جنریٹو AI بطور سنیارٹی متعصب تکنیکی تبدیلی (حسینی اور رچٹنگر) — https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5425555

• اسٹیک اوور فلو، 2025 ڈویلپر سروے - https://survey.stackoverflow.co/2025/developers

• سٹینفورڈ ڈیجیٹل اکانومی لیب، کوئلے کی کان میں کینری: مصنوعی ذہانت کے روزگار کے اثرات کے بارے میں 6 حالیہ حقائق — https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-efficents-of-artificial-intelligence/

• سٹینفورڈ ایچ اے آئی، AI انڈیکس 2025 کی سالانہ رپورٹ — https://hai.stanford.edu/ai-index/2025-ai-index-report

• سٹینفورڈ ایچ اے آئی، AI انڈیکس 2026 کی سالانہ رپورٹ — https://hai.stanford.edu/ai-index/2026-ai-index-report

• شماریاتی کاؤنٹر، عالمی سرچ انجن مارکیٹ شیئر — https://gs.statcounter.com/search-engine-market-share

• ٹیک کرنچ، a16z اسکول شروع کر کے چھوڑنے والوں کے لیے سلیکن ویلی کی محبت کو چیلنج کر رہا ہے۔ — https://techcrunch.com/2026/09/22/a16z-is-challenging-silicon-valleys-love-for-drop-outs-by-launching-a-school/

• ٹیکنالوجی کی پیشن گوئی اور سماجی تبدیلی، ہنر یا ڈگریاں؟ AI اور گرین ملازمتوں کے لیے مہارت پر مبنی ملازمتوں میں اضافہ (Bone, González Ehlinger and Stephany, 2025) — https://doi.org/10.1016/j.techfore.2025.124042

• GitHub بلاگ، کیا GitHub Copilot کوڈ کے معیار کو بہتر بناتا ہے؟ اعداد و شمار کے مطابق: — https://github.blog/news-insights/research/does-github-copilot-improve-code-quality-heres-what-the-data-says/

• GitHub بلاگ، AI سے چلنے والے ڈیولپر لائف سائیکل کا معاشی اثر — https://github.blog/news-insights/research/the-economic-impact-of-the-ai-powered-developer-lifecycle-and-lessons-from-github-copilot/

• امریکن انسٹی ٹیوٹ آف فارن افیئرز، غیر ملکی زبان کی تربیت — https://www.state.gov/foreign-service-institute/foreign-language-training/

• USENIX سیکیورٹی 2025، ایل ایل ایم کے تیار کردہ کوڈ میں پیکیج فریب — https://www.usenix.org/conference/usenixsecurity25

• عالمی بینک، ICT خدمات کی برآمدات (BoP، موجودہ USD): آرمینیا اور جارجیا — https://data.worldbank.org/indicator/BX.GSR.CCIS.CD?locations=AM-GE

• Y کمبینیٹر، کمپنی ڈائریکٹری - https://www.ycombinator.com/companies

• یاہو فنانس، انتھروپک اندازے کے مطابق کلاڈ کوڈ ٹوکن انجینئرز کی لاگت کو دوگنا کر دیں گے۔ — https://finance.yahoo.com/sectors/technology/articles/anthropic-quietly-doubles-estimate-much-220101627.html

• یوٹیوب مدد، خودکار ڈبنگ — https://support.google.com/youtube/answer/15569972

ضمیمہ D - حوالہ عمل درآمد

اس رپورٹ کا حصہ مختصر فہرستوں کا استعمال کرتا ہے، ہر ایک کو سب سے چھوٹے فارمیٹ میں گھٹا دیا گیا ہے جو اس کے ساتھ والے نقطہ کو بیان کرتا ہے۔ یہ کمی دلیل کے لیے آسان ہے اور موضوع کے بارے میں تھوڑی بے ایمانی ہے۔ کیونکہ اس رپورٹ کی پوری دلیل یہ ہے کہ ڈیمو اور قابل اعتماد نظام کے درمیان فاصلہ بڑا ہے، اور ٹکڑے اس فاصلے کو نہیں دکھا سکتے۔

لہذا، یہ ضمیمہ جسم کے ذریعہ نمونے کے پانچ نمونوں کی مکمل شکل فراہم کرتا ہے۔ ہر ایک طویل ہے اور اس کی لمبائی قابل بحث ہے۔ تمام فہرستیں سیکنڈوں میں تیار کردہ ماڈلز سے شروع ہوئیں، اور درج ذیل آئٹمز کے پہلے ورژن میں تقریباً کچھ بھی نہیں تھا۔

فہرست حقیقت پسندانہ ہے، قابل عمل نہیں۔ یہ ارد گرد کی ایپلی کیشنز (ماڈل، کنفیگریشنز، ڈیٹا بیس) کو فرض کرتا ہے جو یہاں دوبارہ پیش نہیں کیے جاتے ہیں اور اس لیے نقل کرنے کے بجائے بطور نمونہ پڑھنا چاہیے۔ اگر کسی مخصوص فیل موڈ کی وجہ سے کوئی قطار موجود ہے تو، فیل موڈ کا نام تبصرے میں رکھا گیا ہے، اس لیے یہ ان چیزوں کی فہرست کے طور پر دوگنا ہو جاتا ہے جن کے بارے میں تیار کردہ ورژن کو معلوم نہیں تھا۔

D.1 قابل اعتماد کرنسی کی نقل و حرکت

سیکشن 2 میں، پیدا ہوا transfer ہم نے چھ نقائص درج کیے ہیں جو یہ بتاتے ہیں کہ انجینئرنگ کیسے کام کرتی ہے اور اسے کیا الگ کرتا ہے۔ یہ ان ٹیسٹوں کے ساتھ مکمل طور پر انجینئرڈ ورژن ہے جو اس میں فرق کرتے ہیں۔ کاروباری قواعد (یہاں گھٹائیں، وہاں جوڑیں) 170 لائنوں میں سے تقریباً دو پر مشتمل ہیں۔ یہ تناسب اس رپورٹ کا موضوع ہے۔

# ---------------------------------------------------------------------------
# domain/errors.py
#
# Every class below is an outcome the caller is expected to handle. Anything
# raised from the service that is not one of these is a defect, and the
# distinction is what lets the API layer map failures to status codes without
# a catch-all that hides bugs behind a 400.
# ---------------------------------------------------------------------------
class TransferError(Exception):
    """Base class for every expected failure of a transfer."""


class InvalidAmount(TransferError):
    def __init__(self, amount):
        super().__init__(f"amount must be a positive integer, got {amount!r}")
        self.amount = amount


class SameAccount(TransferError):
    def __init__(self, account_id):
        super().__init__(f"cannot transfer from {account_id} to itself")
        self.account_id = account_id


class AccountNotFound(TransferError):
    def __init__(self, account_id):
        super().__init__(f"no such account: {account_id}")
        self.account_id = account_id


class AccountFrozen(TransferError):
    def __init__(self, account_id, reason):
        super().__init__(f"account {account_id} is frozen: {reason}")
        self.account_id = account_id
        self.reason = reason


class CurrencyMismatch(TransferError):
    def __init__(self, source_currency, target_currency, requested):
        super().__init__(
            f"cannot move {requested} between a {source_currency} account "
            f"and a {target_currency} account"
        )
        self.source_currency = source_currency
        self.target_currency = target_currency
        self.requested = requested


class InsufficientFunds(TransferError):
    def __init__(self, account_id, requested, available):
        super().__init__(
            f"account {account_id} holds {available}, requested {requested}"
        )
        self.account_id = account_id
        self.requested = requested
        self.available = available


class IdempotencyConflict(TransferError):
    """Same key, different request. A client defect, never a retry."""

    def __init__(self, key):
        super().__init__(f"idempotency key {key} was reused for a new request")
        self.key = key

سروس خود دوبارہ کوشش کرنے والے لفافے کو ٹرانزیکشن باڈی سے الگ کرتی ہے۔ کیونکہ سیریلائزیشن کی ناکامی ذیل میں ایک عام واقعہ ہے۔ SERIALIZABLE تنہائی غلطی کی بجائے ہوتی ہے، اور دوبارہ کوشش کرنے کے لیے خراب لین دین کو جاری رکھنے کے بجائے ایک نیا لین دین شروع کرنا چاہیے۔

# ---------------------------------------------------------------------------
# services/transfer.py
# ---------------------------------------------------------------------------
import logging
from dataclasses import dataclass
from datetime import datetime, timezone

from sqlalchemy.exc import DBAPIError

from domain.errors import (AccountFrozen, AccountNotFound, CurrencyMismatch,
                           IdempotencyConflict, InsufficientFunds,
                           InvalidAmount, SameAccount)
from models import Account, LedgerEntry, Transfer

log = logging.getLogger(__name__)

SERIALISATION_FAILURE = "40001"   # PostgreSQL: retrying is correct, not a bug
DEADLOCK_DETECTED = "40P01"
MAX_ATTEMPTS = 3


@dataclass(frozen=True)
class TransferResult:
    transfer_id: str
    source_balance_cents: int
    target_balance_cents: int
    replayed: bool          # True when an earlier identical request had won


def execute_transfer(session_factory, *, from_id, to_id, amount_cents,
                     currency, idempotency_key, actor_id):
    """Move money between two accounts exactly once.

    The caller supplies `idempotency_key`. It must be stable across retries
    of the same logical request and unique across different ones; a UUID
    minted when the user pressed the button, not when the request was sent.
    """
    # Validation before any database work, so a malformed request costs a
    # function call rather than a transaction.
    if not isinstance(amount_cents, int) or isinstance(amount_cents, bool):
        raise InvalidAmount(amount_cents)
    if amount_cents <= 0:
        raise InvalidAmount(amount_cents)
    if from_id == to_id:
        raise SameAccount(from_id)

    for attempt in range(1, MAX_ATTEMPTS + 1):
        try:
            with session_factory() as session:
                return _attempt_transfer(
                    session,
                    from_id=from_id,
                    to_id=to_id,
                    amount_cents=amount_cents,
                    currency=currency,
                    idempotency_key=idempotency_key,
                    actor_id=actor_id,
                )
        except DBAPIError as exc:
            code = getattr(getattr(exc, "orig", None), "sqlstate", None)
            retryable = code in (SERIALISATION_FAILURE, DEADLOCK_DETECTED)
            if not retryable or attempt == MAX_ATTEMPTS:
                raise
            # Safe to retry: the transaction was aborted, so nothing it did
            # is visible, and the idempotency check below will see a clean
            # slate or the winning row, never a half-applied transfer.
            log.warning(
                "transfer contention, retrying %d/%d key=%s sqlstate=%s",
                attempt, MAX_ATTEMPTS, idempotency_key, code,
            )


def _attempt_transfer(session, *, from_id, to_id, amount_cents, currency,
                      idempotency_key, actor_id):
    """One attempt, inside one SERIALIZABLE transaction."""

    # ---- 1. Idempotency -----------------------------------------------
    # Checked inside the transaction and with a row lock, so two concurrent
    # retries of the same request cannot both find nothing and both apply.
    prior = (session.query(Transfer)
             .filter_by(idempotency_key=idempotency_key)
             .with_for_update()
             .one_or_none())
    if prior is not None:
        same_request = (
            prior.from_id == from_id
            and prior.to_id == to_id
            and prior.amount_cents == amount_cents
            and prior.currency == currency
        )
        if not same_request:
            raise IdempotencyConflict(idempotency_key)
        return TransferResult(
            transfer_id=prior.id,
            source_balance_cents=prior.source_balance_cents,
            target_balance_cents=prior.target_balance_cents,
            replayed=True,
        )

    # ---- 2. Acquire both rows in a fixed order ------------------------
    # Two transfers in opposite directions between the same pair of accounts
    # will otherwise take their locks in opposite orders and deadlock. The
    # ordering is by primary key because that is total and stable; ordering
    # by "source first" is the version that deadlocks.
    ordered_ids = sorted((from_id, to_id))
    rows = (session.query(Account)
            .filter(Account.id.in_(ordered_ids))
            .order_by(Account.id)
            .with_for_update()
            .all())
    accounts = {row.id: row for row in rows}
    for account_id in ordered_ids:
        if account_id not in accounts:
            raise AccountNotFound(account_id)

    source = accounts[from_id]
    target = accounts[to_id]

    # ---- 3. Preconditions ---------------------------------------------
    # Each of these is a business rule with a named failure, not a defensive
    # assertion. The order matters: a frozen account is reported as frozen
    # even when it is also short of funds, because that is the more
    # actionable message and the one compliance expects in the log.
    for account in (source, target):
        if account.frozen_reason:
            raise AccountFrozen(account.id, account.frozen_reason)
    if source.currency != currency or target.currency != currency:
        raise CurrencyMismatch(source.currency, target.currency, currency)
    if source.balance_cents < amount_cents:
        raise InsufficientFunds(from_id, amount_cents, source.balance_cents)

    # ---- 4. The mutation ----------------------------------------------
    # These two lines are the whole of what the generated version contained.
    source.balance_cents -= amount_cents
    target.balance_cents += amount_cents

    # ---- 5. Evidence ---------------------------------------------------
    # The balances above are a cache. The ledger is the record, and it is
    # what an auditor, a dispute, or a reconciliation job will read. Writing
    # it in the same transaction is what makes it trustworthy.
    now = datetime.now(timezone.utc)
    transfer = Transfer(
        idempotency_key=idempotency_key,
        from_id=from_id,
        to_id=to_id,
        amount_cents=amount_cents,
        currency=currency,
        source_balance_cents=source.balance_cents,
        target_balance_cents=target.balance_cents,
        actor_id=actor_id,
        created_at=now,
    )
    session.add(transfer)
    session.add_all([
        LedgerEntry(account_id=from_id, delta_cents=-amount_cents,
                    transfer=transfer, at=now),
        LedgerEntry(account_id=to_id, delta_cents=+amount_cents,
                    transfer=transfer, at=now),
    ])
    session.commit()

    log.info("transfer applied id=%s from=%s to=%s amount=%d actor=%s",
             transfer.id, from_id, to_id, amount_cents, actor_id)
    return TransferResult(
        transfer_id=transfer.id,
        source_balance_cents=source.balance_cents,
        target_balance_cents=target.balance_cents,
        replayed=False,
    )

ٹیسٹ اس سے آدھے ہیں جو ہم نے ڈیمو میں کبھی نہیں آزمائے ہیں، اور ان میں سے تین ایسے ہیں کیوں کہ سروس اس طرح نظر آتی ہے۔ خاص طور پر، ذہن میں رکھیں کہ کنکرنسی ٹیسٹنگ کے لیے حقیقی دھاگوں اور حقیقی ڈیٹا بیس کی ضرورت ہوتی ہے۔ آپ طنز کے بارے میں نہیں لکھ سکتے کیونکہ آپ جس چیز کی جانچ کر رہے ہیں وہ تنہائی کی سطح کا طرز عمل ہے، آپ کے کوڈ کا طرز عمل نہیں۔

# ---------------------------------------------------------------------------
# tests/test_transfer.py
# ---------------------------------------------------------------------------
import threading
import uuid

import pytest

from domain.errors import (AccountFrozen, CurrencyMismatch,
                           IdempotencyConflict, InsufficientFunds,
                           InvalidAmount, SameAccount)
from services.transfer import execute_transfer


def key():
    return str(uuid.uuid4())


def test_happy_path_moves_money_and_writes_a_ledger(session_factory, accounts):
    a, b = accounts("USD", 10_000), accounts("USD", 0)
    result = execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                              amount_cents=2_500, currency="USD",
                              idempotency_key=key(), actor_id="u_1")
    assert result.source_balance_cents == 7_500
    assert result.target_balance_cents == 2_500
    assert result.replayed is False
    entries = ledger_for(result.transfer_id)
    assert sorted(e.delta_cents for e in entries) == [-2_500, 2_500]
    assert sum(e.delta_cents for e in entries) == 0     # double entry balances


@pytest.mark.parametrize("amount", [0, -1, 1.5, "100", True, None])
def test_rejects_every_non_positive_integer_amount(session_factory, accounts,
                                                   amount):
    a, b = accounts("USD", 10_000), accounts("USD", 0)
    with pytest.raises(InvalidAmount):
        execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                         amount_cents=amount, currency="USD",
                         idempotency_key=key(), actor_id="u_1")


def test_retry_with_the_same_key_is_applied_exactly_once(session_factory,
                                                         accounts):
    a, b = accounts("USD", 10_000), accounts("USD", 0)
    k = key()
    first = execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                             amount_cents=2_500, currency="USD",
                             idempotency_key=k, actor_id="u_1")
    second = execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                              amount_cents=2_500, currency="USD",
                              idempotency_key=k, actor_id="u_1")
    assert second.replayed is True
    assert second.transfer_id == first.transfer_id
    assert balance(a.id) == 7_500          # debited once, not twice


def test_reusing_a_key_for_a_different_request_is_rejected(session_factory,
                                                           accounts):
    a, b = accounts("USD", 10_000), accounts("USD", 0)
    k = key()
    execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                     amount_cents=2_500, currency="USD",
                     idempotency_key=k, actor_id="u_1")
    with pytest.raises(IdempotencyConflict):
        execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                         amount_cents=9_999, currency="USD",
                         idempotency_key=k, actor_id="u_1")


def test_concurrent_transfers_cannot_overdraw(session_factory, accounts):
    """The test the generated version fails.

    Ten threads each try to move the whole balance. Exactly one may succeed;
    the rest must raise InsufficientFunds. Without SERIALIZABLE isolation and
    the row locks, several threads read the same balance and all of them
    pass the check.
    """
    a, b = accounts("USD", 10_000), accounts("USD", 0)
    outcomes, lock = [], threading.Lock()

    def attempt():
        try:
            execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                             amount_cents=10_000, currency="USD",
                             idempotency_key=key(), actor_id="u_1")
            outcome = "ok"
        except InsufficientFunds:
            outcome = "rejected"
        with lock:
            outcomes.append(outcome)

    threads = [threading.Thread(target=attempt) for _ in range(10)]
    for t in threads:
        t.start()
    for t in threads:
        t.join()

    assert outcomes.count("ok") == 1
    assert outcomes.count("rejected") == 9
    assert balance(a.id) == 0
    assert balance(b.id) == 10_000


def test_opposing_transfers_do_not_deadlock(session_factory, accounts):
    """Without the sorted lock order this test hangs until the deadlock
    detector fires, and then fails with a database error rather than a
    domain error."""
    a, b = accounts("USD", 50_000), accounts("USD", 50_000)
    errors = []

    def move(src, dst):
        for _ in range(25):
            try:
                execute_transfer(session_factory, from_id=src, to_id=dst,
                                 amount_cents=100, currency="USD",
                                 idempotency_key=key(), actor_id="u_1")
            except Exception as exc:          # noqa: BLE001 - test assertion
                errors.append(exc)
                return

    t1 = threading.Thread(target=move, args=(a.id, b.id))
    t2 = threading.Thread(target=move, args=(b.id, a.id))
    t1.start(); t2.start(); t1.join(timeout=30); t2.join(timeout=30)

    assert not errors
    assert balance(a.id) + balance(b.id) == 100_000    # conserved


def test_currency_mismatch_is_refused_rather_than_converted(session_factory,
                                                            accounts):
    a, b = accounts("USD", 10_000), accounts("EUR", 0)
    with pytest.raises(CurrencyMismatch):
        execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                         amount_cents=2_500, currency="USD",
                         idempotency_key=key(), actor_id="u_1")
    assert balance(a.id) == 10_000      # and nothing moved


def test_frozen_account_is_reported_as_frozen(session_factory, accounts):
    a, b = accounts("USD", 10_000), accounts("USD", 0, frozen="sanctions hit")
    with pytest.raises(AccountFrozen) as caught:
        execute_transfer(session_factory, from_id=a.id, to_id=b.id,
                         amount_cents=1, currency="USD",
                         idempotency_key=key(), actor_id="u_1")
    assert caught.value.reason == "sanctions hit"


def test_self_transfer_is_refused(session_factory, accounts):
    a = accounts("USD", 10_000)
    with pytest.raises(SameAccount):
        execute_transfer(session_factory, from_id=a.id, to_id=a.id,
                         amount_cents=1, currency="USD",
                         idempotency_key=key(), actor_id="u_1")

یہاں اصل میں کیا ہے شمار. مجموعی طور پر بیان کردہ ضرورت ریاضی کی دو لائنیں ہیں۔ عمل درآمد تقریباً 120 لائنوں پر مشتمل ہے، جن میں سے 10 کا اظہار ضروریات ہیں اور باقی ہم آہنگی، دوبارہ کوششوں، کالوں، منجمد، آڈٹ ایبلٹی، اور متوقع ناکامیوں اور نقائص کے درمیان فرق کرنے کی آپریشنل ضرورت کی وجہ سے موجود ہیں۔

ٹیسٹ تقریباً 150 لائنوں کا ہے، اور ان میں سے دو (اوور ڈرا ریس اور ڈیڈ لاک) کو یہ جانے بغیر بالکل نہیں لکھا جا سکتا کہ یہ ناکامی کے طریقے موجود ہیں۔ جب درخواست کی جائے گی تو ماڈل مذکورہ بالا تمام سطریں لکھے گا۔ اس میں بغیر اشارے کے کچھ نہیں لکھا جائے گا۔ کیونکہ اشارے وہ جگہ ہوتے ہیں جہاں علم رہتا ہے۔

D.2 لانگ فارم ڈبنگ کا کام

سیکشن 40 دلیل دیتا ہے کہ AI ڈبنگ میں ڈیمو اور سسٹمز کے درمیان حدود کی لمبائی ہوتی ہے اور ان میکانزم کے نام بتاتے ہیں جو 10 گھنٹے کے کاموں کو ایک ساتھ رکھتے ہیں جیسے عالمی میموری، مستحکم اسپیکر میپنگ، مطلق ٹائم لائن اینکرنگ، مکمل ٹاسک تسلسل اسکیننگ، اور سیگمنٹ لیول ٹارگٹ ری رائٹنگ۔

لکھے جانے پر یہ میکانزم ایسا ہی نظر آتا ہے۔ ماڈل کالز کو روک دیا گیا ہے کیونکہ وہ ایک تجارتی حصہ ہیں۔ ان کے آس پاس کی ہر چیز وہ حصہ ہے جو نہیں ہے۔

# ---------------------------------------------------------------------------
# dubbing/state.py
#
# The job record is the reason a ten-hour dub is one artefact rather than
# six hundred loosely related minutes. Everything here exists to survive a
# process restart, a partial failure, or a revision of the source.
# ---------------------------------------------------------------------------
from __future__ import annotations

import json
from dataclasses import dataclass, field, asdict
from enum import Enum
from pathlib import Path


class SegmentState(str, Enum):
    PENDING = "pending"
    TRANSLATED = "translated"
    FLAGGED = "flagged"          # failed a gate; awaiting targeted rewrite
    SYNTHESISED = "synthesised"
    APPROVED = "approved"


@dataclass
class Segment:
    segment_id: str
    speaker_id: str
    # Absolute positions on the SOURCE timeline. Never a duration relative
    # to the previous segment: that is how drift accumulates (see D.2.3).
    start_ms: int
    end_ms: int
    source_text: str
    entities: list[dict] = field(default_factory=list)
    target_text: str | None = None
    audio_path: str | None = None
    rendered_ms: int | None = None
    state: SegmentState = SegmentState.PENDING
    faults: list[str] = field(default_factory=list)
    attempts: int = 0

    @property
    def budget_ms(self) -> int:
        return self.end_ms - self.start_ms


@dataclass
class GlobalMemory:
    """What the job knows that no individual segment contains.

    A segment-at-a-time pipeline has none of this, which is why its output
    drifts: the term settled on in chapter one is re-decided in chapter six.
    """
    glossary: dict[str, str] = field(default_factory=dict)
    protected_terms: set[str] = field(default_factory=set)
    # speaker_id -> the approved voice profile and linguistic personality
    speakers: dict[str, dict] = field(default_factory=dict)
    # surface form -> the translation first committed to, for consistency
    committed_terms: dict[str, str] = field(default_factory=dict)

    def commit_term(self, surface: str, translation: str) -> None:
        self.committed_terms.setdefault(surface, translation)


@dataclass
class Job:
    job_id: str
    source_version: int
    target_lang: str
    segments: list[Segment]
    memory: GlobalMemory = field(default_factory=GlobalMemory)

    # ---- resumability -------------------------------------------------
    # A job that fails at minute 119 must not require the preceding 118
    # minutes to be redone. The checkpoint is written after every stage so
    # that a restart resumes at the first segment that is not yet approved.
    def checkpoint(self, path: Path) -> None:
        tmp = path.with_suffix(".tmp")
        payload = asdict(self)
        payload["memory"]["protected_terms"] = sorted(
            self.memory.protected_terms
        )
        tmp.write_text(json.dumps(payload, ensure_ascii=False, indent=2),
                       encoding="utf-8")
        tmp.replace(path)          # atomic: a crash mid-write cannot corrupt

    @classmethod
    def resume(cls, path: Path) -> "Job":
        raw = json.loads(path.read_text(encoding="utf-8"))
        memory = GlobalMemory(
            glossary=raw["memory"]["glossary"],
            protected_terms=set(raw["memory"]["protected_terms"]),
            speakers=raw["memory"]["speakers"],
            committed_terms=raw["memory"]["committed_terms"],
        )
        segments = [Segment(**{**s, "state": SegmentState(s["state"])})
                    for s in raw["segments"]]
        return cls(job_id=raw["job_id"], source_version=raw["source_version"],
                   target_lang=raw["target_lang"], segments=segments,
                   memory=memory)

    def pending(self) -> list[Segment]:
        return [s for s in self.segments
                if s.state is not SegmentState.APPROVED]

اس کے بعد دروازے ہیں، اور یہی وہ چیز ہے جو کوالٹی سکور کو فیصلے کے ٹول سے الگ کرتی ہے۔ ہر ایک نمبر کی بجائے ایک نامزد غلطی لوٹاتا ہے۔ کیونکہ 0.94 کا سکور آپریٹر کو یہ نہیں بتاتا کہ 600 سیگمنٹس میں سے کس کو دیکھنا ہے۔

# ---------------------------------------------------------------------------
# dubbing/gates.py
# ---------------------------------------------------------------------------
import re
import unicodedata

# Written-out numerals must normalise to the same token as digits, or a
# translation that renders "fifteen" as "15" trips a false number mismatch
# while one that renders it as "fifty" passes. This table is per-language
# and is the least glamorous and most load-bearing file in the system.
WORD_NUMBERS = {
    "zero": "0", "one": "1", "two": "2", "three": "3", "four": "4",
    "five": "5", "six": "6", "seven": "7", "eight": "8", "nine": "9",
    "ten": "10", "eleven": "11", "twelve": "12", "thirteen": "13",
    "fourteen": "14", "fifteen": "15", "sixteen": "16", "seventeen": "17",
    "eighteen": "18", "nineteen": "19", "twenty": "20", "thirty": "30",
    "forty": "40", "fifty": "50", "sixty": "60", "seventy": "70",
    "eighty": "80", "ninety": "90", "hundred": "100", "thousand": "1000",
}

TOLERANCE_MS = 250          # per-segment timing tolerance
MIN_SPEAKER_SIMILARITY = 0.90


def normalised_numbers(text: str) -> list[str]:
    """Every quantity in the text, as comparable tokens."""
    text = unicodedata.normalize("NFKC", text.lower())
    out = re.findall(r"d[d.,]*", text)
    out = [t.rstrip(".,").replace(",", "") for t in out]
    for word, digits in WORD_NUMBERS.items():
        if re.search(rf"b{word}b", text):
            out.append(digits)
    return sorted(out)


def check_numbers(seg) -> list[str]:
    src = normalised_numbers(seg.source_text)
    tgt = normalised_numbers(seg.target_text or "")
    if src != tgt:
        return [f"number mismatch: source {src} -> target {tgt}"]
    return []


def check_protected_terms(seg, memory) -> list[str]:
    faults = []
    for term in memory.protected_terms:
        if term in seg.source_text and term not in (seg.target_text or ""):
            faults.append(f"protected term dropped: {term!r}")
    return faults


def check_term_consistency(seg, memory) -> list[str]:
    """The fault a segment-at-a-time pipeline cannot see at all.

    A term translated one way in chapter one and another way in chapter six
    is locally correct twice and globally wrong once.
    """
    faults = []
    for surface, committed in memory.committed_terms.items():
        target = seg.target_text or ""
        if surface in seg.source_text and committed not in target:
            faults.append(
                f"term {surface!r} was committed as {committed!r} earlier "
                f"in this job and is rendered differently here"
            )
    return faults


def check_timing(seg) -> list[str]:
    if seg.rendered_ms is None:
        return []
    overrun = seg.rendered_ms - seg.budget_ms
    if overrun > TOLERANCE_MS:
        return [f"overruns its slot by {overrun}ms; delivery will be rushed"]
    if overrun < -TOLERANCE_MS * 4:
        return [f"underruns its slot by {-overrun}ms; leaves dead air"]
    return []


def check_speaker(seg, memory, measured_similarity: float) -> list[str]:
    profile = memory.speakers.get(seg.speaker_id)
    if profile is None:
        return [f"segment assigned to unknown speaker {seg.speaker_id}"]
    if measured_similarity < MIN_SPEAKER_SIMILARITY:
        return [f"voice drifted from the approved profile for "
                f"{seg.speaker_id}: {measured_similarity:.2f}"]
    return []

آخر میں، آرکیسٹریٹر ہے. تین خصوصیات پوری لمبی شکل کی دلیل ہیں۔ یہ کنکشن کے بجائے ایک مطلق ٹائم لائن پر لنگر انداز ہے، یہ کاموں کے بجائے گیٹس کے لیے صرف ناکام حصوں کو دوبارہ لکھتا ہے، اور یہ ہر قدم کے بعد چوکیاں بناتا ہے تاکہ ناکامی کی قیمت ایک کام کے بجائے ایک طبقہ ہو۔

# ---------------------------------------------------------------------------
# dubbing/orchestrator.py
# ---------------------------------------------------------------------------
import logging
from pathlib import Path

from dubbing import gates
from dubbing.state import Job, Segment, SegmentState

log = logging.getLogger(__name__)

MAX_REWRITE_ATTEMPTS = 3


def run(job: Job, checkpoint_path: Path, *, translate, synthesise,
        measure_similarity) -> Job:
    """Drive a job to completion, resuming wherever it was interrupted."""

    # ---- stage 1: translate, carrying global memory forward -----------
    for seg in job.pending():
        if seg.state is not SegmentState.PENDING:
            continue
        seg.target_text = translate(
            source=seg.source_text,
            lang=job.target_lang,
            glossary=job.memory.glossary,
            # The two arguments that make this a job rather than a queue:
            # what has already been decided, and who is speaking.
            committed_terms=job.memory.committed_terms,
            speaker=job.memory.speakers.get(seg.speaker_id, {}),
            budget_chars=_char_budget(seg, job.target_lang),
        )
        for entity in seg.entities:
            if entity.get("type") in ("PRODUCT", "PERSON", "ORG"):
                job.memory.commit_term(entity["surface"],
                                       _rendered(entity, seg.target_text))
        seg.state = SegmentState.TRANSLATED
    job.checkpoint(checkpoint_path)

    # ---- stage 2: whole-job continuity scan ---------------------------
    # Run across the finished translation rather than per segment, because
    # the faults it looks for are relations between segments. Only the
    # segments that fail are sent back; retranslating the job to fix six
    # sentences is both expensive and destabilising.
    flagged = 0
    for seg in job.segments:
        faults = (gates.check_numbers(seg)
                  + gates.check_protected_terms(seg, job.memory)
                  + gates.check_term_consistency(seg, job.memory))
        if faults:
            seg.faults = faults
            seg.state = SegmentState.FLAGGED
            flagged += 1
    log.info("continuity scan: %d of %d segments flagged",
             flagged, len(job.segments))
    job.checkpoint(checkpoint_path)

    # ---- stage 3: targeted rewrite ------------------------------------
    for seg in [s for s in job.segments if s.state is SegmentState.FLAGGED]:
        while seg.attempts < MAX_REWRITE_ATTEMPTS:
            seg.attempts += 1
            seg.target_text = translate(
                source=seg.source_text,
                lang=job.target_lang,
                glossary=job.memory.glossary,
                committed_terms=job.memory.committed_terms,
                speaker=job.memory.speakers.get(seg.speaker_id, {}),
                budget_chars=_char_budget(seg, job.target_lang),
                corrections=seg.faults,      # tell it what it got wrong
            )
            seg.faults = (gates.check_numbers(seg)
                          + gates.check_protected_terms(seg, job.memory)
                          + gates.check_term_consistency(seg, job.memory))
            if not seg.faults:
                seg.state = SegmentState.TRANSLATED
                break
        else:
            # Exhausted retries. This is the correct outcome: the segment is
            # escalated to a person rather than shipped, and the job is not
            # blocked while that happens.
            log.error("segment %s unresolved after %d attempts: %s",
                      seg.segment_id, seg.attempts, seg.faults)
    job.checkpoint(checkpoint_path)

    # ---- stage 4: synthesis, anchored to the source timeline ----------
    for seg in job.segments:
        if seg.state is not SegmentState.TRANSLATED:
            continue
        seg.audio_path, seg.rendered_ms = synthesise(
            text=seg.target_text,
            voice=job.memory.speakers[seg.speaker_id]["voice_id"],
            target_ms=seg.budget_ms,
        )
        faults = gates.check_timing(seg)
        faults += gates.check_speaker(
            seg, job.memory, measure_similarity(seg.audio_path,
                                                seg.speaker_id))
        if faults:
            seg.faults = faults
            seg.state = SegmentState.FLAGGED
        else:
            seg.state = SegmentState.SYNTHESISED
    job.checkpoint(checkpoint_path)
    return job


def assemble(job: Job, out_path: Path) -> dict:
    """Place every segment at its absolute source position.

    This function is four lines of real work and it is the reason a ten-hour
    dub stays synchronised. The obvious implementation -- concatenate the
    rendered segments in order -- is correct for a two-minute demonstration
    and accumulates every per-segment rounding error across a feature-length
    one. Anchoring instead means an error in segment 400 stays in segment
    400 rather than displacing segments 401 through 8,600.
    """
    timeline = SilentTrack(duration_ms=max(s.end_ms for s in job.segments))
    for seg in job.segments:
        timeline.place(seg.audio_path, at_ms=seg.start_ms)

    timeline.write(out_path)

    # The quality figure that actually characterises a long-form system.
    last = max(job.segments, key=lambda s: s.end_ms)
    end_of_file_drift_ms = (last.start_ms + (last.rendered_ms or 0)) - last.end_ms
    return {
        "segments": len(job.segments),
        "duration_ms": timeline.duration_ms,
        "end_of_file_drift_ms": end_of_file_drift_ms,
        "unresolved": [s.segment_id for s in job.segments
                       if s.state is SegmentState.FLAGGED],
    }


def _char_budget(seg: Segment, lang: str) -> int:
    """Characters that fit the slot at a natural speaking rate for `lang`."""
    cps = NATURAL_CPS.get(lang, 15.0)
    return int((seg.budget_ms / 1000.0) * cps)

یہ فہرست تقریباً 300 لائنیں لمبی ہے اور اس میں اسپیچ ماڈلز، ٹرانسلیشن ماڈلز اور اسپیچ کلون شامل نہیں ہیں۔ یہ مندرجہ ذیل اسٹبڈ کال کے ذریعہ فراہم کیا جاتا ہے: translate, synthesiseاور measure_similarityاور وہ ایک ایسے نظام کا حصہ ہیں جسے ایک دوپہر میں ایک مدمقابل کے ساتھ تبدیل کیا جا سکتا ہے۔ جس چیز کو آپ ایک دوپہر میں تبدیل نہیں کر سکتے وہ آپ کے ارد گرد موجود 300 لائنیں ہیں، لیکن اگر آپ اس زمرے میں دو کمپنیوں کا موازنہ کر رہے ہیں، تو آپ کو ان سے نمونہ سننے کے لیے کہنے کے بجائے اسے ذاتی طور پر دیکھنے کے لیے کہنا چاہیے۔

D.3 ڈلیوری فنل کی پیمائش

سیکشن 44 نے استدلال کیا کہ زیادہ تر تنظیمیں AI کی بہتری کی تہوں کی پیمائش کرتی ہیں نہ کہ AI لوڈز کی تہوں اور چار پرتوں کے سوالات کا جائزہ فراہم کرتی ہیں۔ یہ ایک مکمل ٹول ہے۔ یہ ایک ماڈیول ہے جو اسکیما، استفسار اور آپ کے پڑھے گئے نتائج کو دو اہم فیصلوں میں بدل دیتا ہے۔ یہ جان بوجھ کر بورنگ ہے۔ قدر انفرادی پیمائش میں نہیں ہے (چونکہ وہ تمام معیاری ہیں) بلکہ اگلی پرت کے بغیر صرف ایک پرت کی اطلاع دینے سے انکار میں ہے۔

-- ---------------------------------------------------------------------------
-- warehouse/delivery_daily.sql
--
-- One row per team per day. Populated from the forge, the CI system, and
-- the product analytics store. Every column is a count of a thing that
-- happened, never a rate: rates are computed at read time so that the
-- denominator is always visible and always arguable.
-- ---------------------------------------------------------------------------
CREATE TABLE delivery_daily (
  day                  date        NOT NULL,
  team                 text        NOT NULL,

  -- generation layer
  commits              integer     NOT NULL DEFAULT 0,
  lines_added          bigint      NOT NULL DEFAULT 0,
  lines_deleted        bigint      NOT NULL DEFAULT 0,
  ai_assisted_commits  integer     NOT NULL DEFAULT 0,

  -- integration layer
  prs_opened           integer     NOT NULL DEFAULT 0,
  prs_reviewed         integer     NOT NULL DEFAULT 0,
  prs_returned         integer     NOT NULL DEFAULT 0,
  prs_merged           integer     NOT NULL DEFAULT 0,
  review_wait_seconds  bigint      NOT NULL DEFAULT 0,

  -- release layer
  deploys              integer     NOT NULL DEFAULT 0,
  deploys_rolled_back  integer     NOT NULL DEFAULT 0,
  incidents            integer     NOT NULL DEFAULT 0,
  restore_seconds      bigint      NOT NULL DEFAULT 0,

  -- outcome layer
  features_shipped     integer     NOT NULL DEFAULT 0,
  features_used_30d    integer     NOT NULL DEFAULT 0,

  PRIMARY KEY (day, team)
);

CREATE INDEX delivery_daily_day_idx ON delivery_daily (day DESC);

-- ---------------------------------------------------------------------------
-- warehouse/funnel.sql
--
-- The four layers in one result set. Every ratio guards its denominator
-- with nullif, because a team with no deploys in a month must produce a
-- null rather than a division error or, worse, a zero that reads as good.
-- ---------------------------------------------------------------------------
WITH monthly AS (
  SELECT
    date_trunc('month', day)::date              AS month,
    team,
    sum(commits)                                AS commits,
    sum(ai_assisted_commits)                    AS ai_commits,
    sum(prs_merged)                             AS merged,
    sum(prs_reviewed)                           AS reviewed,
    sum(prs_returned)                           AS returned,
    sum(review_wait_seconds)                    AS review_wait_s,
    sum(deploys)                                AS deploys,
    sum(deploys_rolled_back)                    AS rollbacks,
    sum(features_shipped)                       AS shipped,
    sum(features_used_30d)                      AS used
  FROM delivery_daily
  WHERE day >= (current_date - interval '18 months')
  GROUP BY 1, 2
)
SELECT
  month,
  team,

  -- layer 1: generation. A leading indicator of load, not an outcome.
  commits,
  round(100.0 * ai_commits / nullif(commits, 0), 1)   AS ai_assisted_pct,

  -- layer 2: integration. Where the NBER funnel narrows.
  merged,
  round((review_wait_s / 3600.0) / nullif(reviewed, 0), 1)
                                                      AS mean_review_wait_h,
  round(100.0 * returned / nullif(reviewed, 0), 1)    AS review_return_pct,

  -- layer 3: release. DORA's throughput and stability, unchanged.
  deploys,
  round(commits::numeric / nullif(deploys, 0), 2)     AS commits_per_release,
  round(100.0 * rollbacks / nullif(deploys, 0), 1)    AS change_failure_pct,

  -- layer 4: outcome. The only layer that establishes value was produced.
  round(100.0 * used / nullif(shipped, 0), 1)         AS feature_adoption_pct

FROM monthly
ORDER BY month, team;

سوالات آسان حصہ ہیں۔ فیصلہ ہمیں بتاتا ہے کہ کالموں میں سے دو تشخیصی ہیں اور باقی سیاق و سباق کے ہیں، اور ان فیصلوں کو انکوڈ کرنا نتائج کو صرف ایک اور ڈیش بورڈ بننے سے روکتا ہے جسے کوئی نہیں پڑھتا۔

# ---------------------------------------------------------------------------
# analytics/funnel.py
#
# Turns the query above into the two statements a leader can act on. The
# thresholds are deliberately conservative and deliberately explicit: they
# are arguable, they should be argued about, and they should be changed in
# this file rather than in a conversation.
# ---------------------------------------------------------------------------
from dataclasses import dataclass
from statistics import median

# A quarter is the shortest window in which either pattern is legible above
# the noise of a single sprint.
WINDOW_MONTHS = 3
INVENTORY_RATIO_RISE = 1.25      # commits per release, versus the baseline
CARELESSNESS_POINTS = 3.0        # percentage points of change-failure rate


@dataclass(frozen=True)
class Finding:
    team: str
    kind: str                    # "inventory" | "carelessness" | "healthy"
    detail: str

    def __str__(self) -> str:
        return f"[{self.kind}] {self.team}: {self.detail}"


def diagnose(rows) -> list[Finding]:
    """Classify each team from 18 months of the funnel query.

    Two failure modes, both predicted by the evidence in this report, and
    both invisible to a report that shows only the generation layer:

      inventory    generation rose and release did not. The organisation is
                   accumulating reviewed-but-unshipped work, which is the
                   NBER funnel reproduced inside one company.

      carelessness release rose and so did the failure rate. The
                   organisation became faster by becoming less careful,
                   which is the DORA stability finding reproduced likewise.
    """
    findings = []
    for team, series in _by_team(rows):
        if len(series) < WINDOW_MONTHS * 2:
            continue                       # not enough history to compare

        baseline = series[:WINDOW_MONTHS]
        recent = series[-WINDOW_MONTHS:]

        cpr_before = median(r.commits_per_release for r in baseline)
        cpr_now = median(r.commits_per_release for r in recent)
        deploys_before = median(r.deploys for r in baseline)
        deploys_now = median(r.deploys for r in recent)
        cfr_before = median(r.change_failure_pct for r in baseline)
        cfr_now = median(r.change_failure_pct for r in recent)

        inventory = (
            cpr_before > 0
            and cpr_now / cpr_before >= INVENTORY_RATIO_RISE
            and deploys_now <= deploys_before * 1.05
        )
        carelessness = (
            deploys_now > deploys_before * 1.05
            and (cfr_now - cfr_before) >= CARELESSNESS_POINTS
        )

        if inventory:
            findings.append(Finding(
                team, "inventory",
                f"commits per release {cpr_before:.1f} -> {cpr_now:.1f} "
                f"while deploys held at {deploys_now:.0f}/month. More is "
                f"being generated; the same amount is reaching production."
            ))
        if carelessness:
            findings.append(Finding(
                team, "carelessness",
                f"deploys {deploys_before:.0f} -> {deploys_now:.0f}/month "
                f"with change-failure {cfr_before:.1f}% -> {cfr_now:.1f}%. "
                f"Throughput was bought with stability."
            ))
        if not inventory and not carelessness:
            findings.append(Finding(
                team, "healthy",
                f"commits per release {cpr_now:.1f}, change-failure "
                f"{cfr_now:.1f}%, adoption "
                f"{median(r.feature_adoption_pct for r in recent):.0f}%."
            ))
    return findings


def assert_reported_together(report_columns: set[str]) -> None:
    """The discipline of Section 44, enforced rather than recommended.

    A generation metric may not be published without the release metric
    beside it. This is called by the dashboard build, and it fails it.
    """
    generation = {"commits", "lines_added", "ai_assisted_pct"}
    release = {"deploys", "commits_per_release", "change_failure_pct"}
    if report_columns & generation and not report_columns & release:
        raise AssertionError(
            "a report showing generation volume must also show the release "
            "layer; see Section 44. Present: "
            f"{sorted(report_columns & generation)}"
        )

D.4 کوڈنگ ایجنٹ پر مشتمل ہے۔

سیکشن 11 نے پالیسی کو قائم کیا اور اس کا خاکہ پیش کیا کہ فوری طور پر انجیکشن شدہ مواد کے دھماکے کا رداس ان کارروائیوں سے طے ہوتا ہے جن کے لیے مواد کی اجازت ہے۔ یہ پوری پالیسی ہے، کسی بھی انحصار کی تصدیق کنندگان کے ساتھ جس کا یہ حوالہ دیتا ہے۔ ایک اسکرپٹ جو hallucinatory پیکیج اٹیک کو ختم کرتا ہے جس کا نام لیکن سیکشن 11 میں نشان زد نہیں ہے۔

# ---------------------------------------------------------------------------
# .agent/policy.yaml
#
# Read by the runner before the agent is given anything to read. Every
# permission below was granted deliberately and costs something in
# capability; the comment records what, so that the trade can be revisited
# rather than rediscovered.
# ---------------------------------------------------------------------------
version: 2

identity:
  # The agent runs as its own principal, never as the engineer who invoked
  # it. Without this, an injected instruction inherits a human's access and
  # the audit log attributes the action to a person who did not take it.
  principal: svc-coding-agent
  session_ttl_minutes: 60

network:
  policy: deny-by-default        # an allowlist, not a content filter
  allow:
    - registry.internal          # the mirror in D.4's verifier
    - github.com                 # source only; see git.push below
    - docs.internal
  # Cost: the agent cannot read an upstream project's issue tracker or a
  # vendor's documentation site. Accepted; those are pasted in by a person,
  # which also means a person has seen them.

secrets:
  available: none
  # Cost: the agent cannot run the integration suite, which needs a database
  # password. Accepted; integration tests run in CI after human review,
  # where the credentials are injected by the pipeline and not the agent.

filesystem:
  write:
    - "src/**"
    - "tests/**"
    - "docs/**"
  deny:
    - ".env*"
    - ".github/**"               # the agent must not edit its own gates
    - ".agent/**"                # or its own policy
    - "deploy/**"
    - "migrations/**"            # see review.required_for
    - "**/*.pem"
    - "**/*.key"
    - "**/id_rsa*"

exec:
  allow:
    - "pytest"
    - "ruff"
    - "mypy"
    - "git status"
    - "git diff"
  deny_shell: true
  # Cost: no arbitrary shell, so the agent cannot install a package, run a
  # migration, or invoke curl. This is the single most restrictive line in
  # the file and the one that most reduces the blast radius of an injection.

git:
  push: "refs/heads/agent/*"     # never a protected branch, never a tag
  force_push: false
  sign_commits: true             # the trailer records which agent, and when

review:
  required: true
  required_for:                  # a named human, not just any approver
    "migrations/**": ["@data-platform"]
    "src/billing/**": ["@billing-owners"]
    "src/**/auth*.py": ["@security"]
    "deploy/**": ["@sre"]

audit:
  # Every tool call, every file read, every diff, retained for a year. The
  # point is not detection in the moment; it is being able to answer, after
  # an incident, what the agent had seen before it did what it did.
  sink: s3://audit-logs/agents/
  retain_days: 365

#!/usr/bin/env python3
# ---------------------------------------------------------------------------
# scripts/verify_allowlist.py
#
# Closes the slopsquatting attack described in Section 11. A fabricated
# package name cannot be installed because it is not on the internal
# mirror, and a real-but-unvetted one cannot be installed because it is not
# in the approvals file. The check runs before pip, so a malicious package
# is never downloaded, let alone executed by a setup script.
#
# Usage:  python scripts/verify_allowlist.py requirements.lock
# Exit:   0 clean, 1 a finding, 2 the check itself could not run
# ---------------------------------------------------------------------------
import json
import re
import sys
import urllib.error
import urllib.request
from datetime import date, datetime, timedelta
from pathlib import Path

MIRROR = "https://packages.internal/simple"
APPROVALS = Path("ci/approved-packages.json")

# A package first published very recently is the signature of this attack:
# the attacker registers the name a model reliably invents, then waits.
MIN_AGE_DAYS = 90

REQ = re.compile(
    r"^(?P[A-Za-z0-9][A-Za-z0-9._-]*)"
    r"s*==s*(?P[^s;#]+)"
    r"(?P(?:s*--hash=sha256:[0-9a-f]{64})*)"
)


def parse_lockfile(path: Path):
    entries = []
    raw_lines = path.read_text(encoding="utf-8").splitlines()
    for lineno, raw in enumerate(raw_lines, 1):
        line = raw.strip().rstrip("\").strip()
        if not line or line.startswith("#"):
            continue
        match = REQ.match(line)
        if not match:
            fail(f"{path}:{lineno}: not a pinned requirement: {raw.strip()!r}")
        entries.append((
            match.group("name").lower().replace("_", "-"),
            match.group("version"),
            bool(match.group("hashes")),
            lineno,
        ))
    return entries


def mirror_metadata(name: str) -> dict | None:
    """Ask the internal mirror. A fabricated name 404s here, always."""
    url = f"{MIRROR}/{name}/json"
    try:
        with urllib.request.urlopen(url, timeout=10) as response:
            return json.load(response)
    except urllib.error.HTTPError as exc:
        if exc.code == 404:
            return None
        die(f"mirror returned {exc.code} for {name}")
    except urllib.error.URLError as exc:
        die(f"mirror unreachable ({exc.reason}); refusing to pass the build")


def main(argv):
    if len(argv) != 2:
        die("usage: verify_allowlist.py ")
    lockfile = Path(argv[1])
    if not lockfile.exists():
        die(f"lockfile not found: {lockfile}")
    if not APPROVALS.exists():
        die(f"approvals file not found: {APPROVALS}")

    approved = json.loads(APPROVALS.read_text(encoding="utf-8"))
    findings = []

    for name, version, has_hash, lineno in parse_lockfile(lockfile):
        where = f"{lockfile}:{lineno}"

        if not has_hash:
            findings.append(f"{where}: {name}=={version} is not hash-pinned")

        meta = mirror_metadata(name)
        if meta is None:
            findings.append(
                f"{where}: {name!r} does not exist on the internal mirror. "
                f"If a model suggested this package, it may be a "
                f"fabrication; see Section 11."
            )
            continue

        if name not in approved:
            findings.append(
                f"{where}: {name!r} exists but has not been approved. "
                f"Raise a dependency review before adding it."
            )
            continue

        if version not in approved[name]["versions"]:
            findings.append(
                f"{where}: {name}=={version} is not an approved version "
                f"(approved: {', '.join(approved[name]['versions'])})"
            )

        first_seen = date.fromisoformat(meta["first_published"])
        age = (date.today() - first_seen).days
        if age < MIN_AGE_DAYS:
            findings.append(
                f"{where}: {name!r} was first published {age} days ago, "
                f"under the {MIN_AGE_DAYS}-day minimum."
            )

    for finding in findings:
        print(f"REJECTED  {finding}", file=sys.stderr)

    if findings:
        print(f"n{len(findings)} finding(s); build refused.", file=sys.stderr)
        return 1
    print(f"{lockfile}: all dependencies mirrored, approved, and pinned.")
    return 0


def fail(message):
    print(f"REJECTED  {message}", file=sys.stderr)
    sys.exit(1)


def die(message):
    print(f"ERROR  {message}", file=sys.stderr)
    sys.exit(2)


if __name__ == "__main__":
    sys.exit(main(sys.argv))

اس اسکرپٹ میں دو تفصیلات کنٹرول اور رویے کے درمیان فرق ہیں۔ ناقابل رسائی آئینے 0 کے بجائے 2 کے ساتھ باہر نکلتے ہیں۔ اس کی وجہ یہ ہے کہ ایک امتحان جو گزر جاتا ہے جب اسے چلایا نہیں جا سکتا ہے وہ ٹیسٹ نہیں ہوتا ہے۔ اور وہ پیکجز جو موجود ہیں لیکن منظور نہیں ہیں ان پیکجوں سے علیحدہ طور پر مسترد کر دیے جاتے ہیں جو بالکل موجود نہیں ہیں۔ اس کی وجہ یہ ہے کہ دونوں نتائج کو مختلف انسانی ردعمل کی ضرورت ہے۔ پہلا انحصار کا جائزہ اور دوسرا ممکنہ حملے۔

D.5 ایک قابل عمل رکاوٹ کے طور پر فن تعمیر

سیکشن 42 میں، ایک فٹنس فنکشن دکھایا گیا تھا، جس میں یہ دعوی کیا گیا تھا کہ غیر تصدیق شدہ فیصلے کے ریکارڈ کو ترجیحات کہا جاتا ہے۔ یہ ایک سویٹ ہے۔ ہر ٹیسٹ ایک منظور شدہ ADR سے مساوی ہے، ناکامی کے پیغام کو نام دیتا ہے، اور رپورٹ میں نہیں بلکہ تعمیر کو ناکام بناتا ہے۔ یہی وجہ ہے کہ یہ مشورے کے بجائے تیار کردہ کوڈ پر ایک رکاوٹ ہے جس کا ایک آخری تاریخ کے خلاف جائزہ لیا جانا چاہئے۔

# ---------------------------------------------------------------------------
# ci/architecture_test.py
#
# Fitness functions. Every assertion here is the executable form of an
# accepted architectural decision record, and every failure message names
# the ADR so that the engineer who hit it can read the argument rather than
# re-run it. Run in CI on every pull request, before human review.
# ---------------------------------------------------------------------------
import ast
import re
from collections import defaultdict
from pathlib import Path

import pytest
import yaml

SRC = Path("src")
SERVICES = sorted(p.name for p in SRC.iterdir() if (p / "__init__.py").exists())

# schema -> the single service permitted to hold a connection to it
SCHEMA_OWNER = {
    "billing": "billing",
    "identity": "identity",
    "search": "search",
    "notifications": "notifications",
}


def _imports(path: Path):
    tree = ast.parse(path.read_text(encoding="utf-8"), filename=str(path))
    for node in ast.walk(tree):
        if isinstance(node, ast.Import):
            for alias in node.names:
                yield alias.name
        elif isinstance(node, ast.ImportFrom) and node.module and node.level == 0:
            yield node.module


def _service_of(path: Path) -> str:
    return path.relative_to(SRC).parts[0]


def test_no_cross_schema_connections():
    """ADR-0031: services own their data.

    Two Q4 incidents were traced to the reporting job reading the billing
    schema directly and holding locks through the month-end close.
    """
    config = yaml.safe_load(Path("config/datasources.yaml").read_text())
    violations = []
    for service, datasources in config["services"].items():
        for schema in datasources.get("schemas", []):
            owner = SCHEMA_OWNER.get(schema)
            if owner is not None and owner != service:
                violations.append(
                    f"{service} connects directly to schema '{schema}', "
                    f"owned by '{owner}'"
                )
    assert not violations, (
        "ADR-0031 (services own their data) violated:n  "
        + "n  ".join(violations)
        + "nUse the owning service's published interface instead."
    )


def test_no_import_cycles_between_services():
    """ADR-0014: the service graph is acyclic.

    A cycle means the two services are one service that cannot be deployed,
    tested, or reasoned about separately, whatever the directory layout says.
    """
    graph = defaultdict(set)
    for path in SRC.rglob("*.py"):
        source = _service_of(path)
        for module in _imports(path):
            parts = module.split(".")
            if parts[0] == "src" and len(parts) > 1 and parts[1] in SERVICES:
                target = parts[1]
                if target != source:
                    graph[source].add(target)

    cycles, visiting, done = [], set(), set()

    def walk(node, stack):
        if node in visiting:
            cycles.append(" -> ".join(stack[stack.index(node):] + [node]))
            return
        if node in done:
            return
        visiting.add(node)
        for nxt in sorted(graph[node]):
            walk(nxt, stack + [nxt])
        visiting.discard(node)
        done.add(node)

    for service in SERVICES:
        walk(service, [service])

    assert not cycles, (
        "ADR-0014 (acyclic service graph) violated:n  "
        + "n  ".join(sorted(set(cycles)))
    )


def test_sql_only_inside_repositories():
    """ADR-0022: SQL lives in a repository module.

    The rule exists so that a schema change has a bounded search space. It
    is also the rule generated code breaks most often, because a model asked
    to add an endpoint will happily write a query in the handler.
    """
    sql = re.compile(r"b(SELECT|INSERTs+INTO|UPDATE|DELETEs+FROM)b",
                     re.IGNORECASE)
    offenders = []
    for path in SRC.rglob("*.py"):
        if "repositories" in path.parts or path.name.startswith("test_"):
            continue
        text = path.read_text(encoding="utf-8")
        for lineno, line in enumerate(text.splitlines(), 1):
            if sql.search(line) and not line.lstrip().startswith("#"):
                offenders.append(f"{path}:{lineno}: {line.strip()[:60]}")
    assert not offenders, (
        "ADR-0022 (SQL belongs in repositories) violated:n  "
        + "n  ".join(offenders)
    )


def test_public_interfaces_are_versioned():
    """ADR-0038: a breaking change to a published interface needs a version.

    Checked against the committed OpenAPI document rather than the code, so
    that the test fails at the point the contract changes rather than at the
    point a customer notices.
    """
    spec = yaml.safe_load(Path("openapi.yaml").read_text(encoding="utf-8"))
    unversioned = [p for p in spec["paths"] if not re.match(r"^/vd+/", p)]
    assert not unversioned, (
        "ADR-0038 (versioned public interfaces) violated; unversioned "
        f"paths: {unversioned}"
    )


@pytest.mark.parametrize("service", SERVICES)
def test_every_service_declares_an_owner(service):
    """ADR-0009: every service has a named owning team.

    Ownership is the precondition for accountability, which Section 18
    argues is the part of verification that does not automate. A service
    with no owner has nobody to page and nobody to ask.
    """
    manifest = SRC / service / "service.yaml"
    assert manifest.exists(), f"{service} has no service.yaml (ADR-0009)"
    meta = yaml.safe_load(manifest.read_text(encoding="utf-8"))
    assert meta.get("owner"), f"{service}/service.yaml declares no owner"
    assert meta.get("oncall"), f"{service}/service.yaml declares no oncall"

تقریباً 250 لائنوں کے اس مجموعہ میں ایک ہفتے سے بھی کم وقت لگا۔ یہ جس چیز کی حفاظت کرتا ہے وہ پراپرٹی کی کلاسیں ہیں جن کے لیے انفرادی پل کی درخواستوں سے کوئی خطرہ نہیں ہوتا ہے۔ اس کی وجہ یہ ہے کہ ہر خلاف ورزی مقامی طور پر جائز ہے اور اختلاف صرف اجتماعی طور پر موجود ہے۔ یہ ناکامی کا موڈ ہے جس سے سستی بجلی پیدا ہوتی ہے، اور یہ ایک ناکامی کا موڈ ہے جسے ٹھیک 5 بجے 400 لائن گیپ پڑھنے والے جائزہ لینے والے کے ذریعے نہیں اٹھایا جائے گا۔

مصنف کے بارے میں - Vahe Aslanyan

Vahe Aslanyan برٹش کولمبیا یونیورسٹی سے تعلیم یافتہ ایک کاروباری اور انجینئر ہیں، اور LUNARTECH، SeleneX، اور Nomad کے بانی اور CEO ہیں۔

ان کے کام کو فوربس، انٹرپرینیور، اور بلومبرگ میں نمایاں کیا گیا ہے، اور اس کی کمپنی کی Microsoft، NVIDIA، اور Google کے ساتھ شراکت داری ہے۔ اس نے متعدد فرنٹیئر سسٹم بنائے اور لانچ کیے ہیں، جن میں اوکٹاویا، بابل اور ایج بھی شامل ہیں، جنہیں بہترین کارکردگی کے لیے یورپی ایوارڈز ملے ہیں۔

اپنے پروڈکٹ کے کام کے ساتھ ساتھ، وہ فیلوشپ اور تربیتی پروگرام شروع کرتا ہے جہاں شرکاء دنیا کے معروف بینکوں، یونیورسٹیوں اور سرکاری محکموں میں کیریئر کے لیے گئے ہیں۔ وہ کئی ہینڈ بک اور کورسز کے مصنف ہیں جو freeCodeCamp اور دیگر پلیٹ فارمز کے ذریعے لاکھوں سامعین تک پہنچ چکے ہیں۔

vahe-aslanyan پر LinkedIn اور lunartechai میں LUNARTECH پر اس کے کام کی پیروی کریں۔

Lunatech کے بارے میں

"ہم آج اور کل کے جدت پسندوں کو بااختیار بناتے ہیں۔"

LUNARTECH ایک گہری ٹیک کارپوریٹ ریسرچ سنٹر ہے۔ ہم توسیع پذیر AI سسٹمز بناتے ہیں جو حقیقی دنیا پر اثر ڈال سکتے ہیں اور انہیں چلانے والے لوگوں کو تربیت دے سکتے ہیں۔ یہ ایک غیر معمولی امتزاج اور جان بوجھ کر بنایا گیا ہے۔

دونوں حصے ایک دوسرے کو آگاہ کرتے ہیں۔ پیداواری کام پریکٹیشنرز کو بتاتا ہے کہ انہیں واقعی کیا جاننے کی ضرورت ہے، اور تربیتی کام پیداواری کام کے ذمہ دار انجینئروں کو معلومات فراہم کرتا ہے۔

ہم طبی ٹکنالوجی میں خدمات فراہم کرتے ہیں، جس کے لیے عالمی صحت، ایرو اسپیس کے لیے متحرک، تعاون پر مبنی اور لچکدار حل درکار ہوتے ہیں، جس کے لیے ہوا بازی اور خلائی کے لیے مضبوط، اعلیٰ کارکردگی والی انجینئرنگ، اور جدید مینوفیکچرنگ کی ضرورت ہوتی ہے، جس کے لیے اسمارٹ، خودکار اور لچکدار پیداواری نظام کی ضرورت ہوتی ہے۔

ان تینوں کے علاوہ، ہمارے کلائنٹس میں حکومتیں، تعلیمی ادارے اور تیل اور گیس، تعمیرات، مالیات، دفاع اور عوامی شعبوں میں کارپوریشنز شامل ہیں۔

چونکہ ٹکنالوجی تنہائی میں آگے نہیں بڑھتی ہے، تعاون ان ستونوں میں سے ایک ہے جو عمدگی کے لیے ہمارے عزم کو آگے بڑھاتا ہے۔ ہمارے پاس Anthropic، NVIDIA، Microsoft Azure، Google اور OpenAI کے ساتھ اسٹریٹجک شراکتیں ہیں، جو تجارتی لحاظ سے نازک ادوار کے دوران ہمارے صارفین کو جدید حل فراہم کرتی ہیں۔ ہمارے کام کو فوربس، انٹرپرینیور، بلومبرگ، اور انسائیڈر میں نمایاں کیا گیا ہے۔

ہم کیا بناتے ہیں

• ٹیکنالوجی کے حل. اپنی مرضی کے مطابق، صنعت کے لیے مخصوص AI اور ڈیٹا سسٹم جو ڈیجیٹل تبدیلی، اقتصادی تنوع، اور شعبے کے لیے مخصوص جدت کو آگے بڑھانے کے لیے بنائے گئے ہیں۔ یہ تنظیموں کو AI اور ڈیٹا سائنس کو کنارے پر لنگر انداز کرنے کے بجائے اپنے بنیادی کاموں میں ضم کرنے کی اجازت دیتا ہے۔

• AI حل۔ ہمارے اندرون ملک AI پلیٹ فارم میں فی الحال 200 سے زیادہ پیشہ ورانہ AI معاونین ہیں جو سیکٹر کی مخصوص ضروریات کے مطابق بنائے گئے ہیں۔ یہ ڈیمو نہیں ہے، بلکہ کام کی پیداواری صلاحیت کا ایک ٹول ہے جس کا مقصد اسے تعینات کرنے والی کمپنیوں کے روزمرہ کے کاموں کے لیے ہے۔

• کسٹم انٹرپرائز سافٹ ویئر۔ ایک سائز کے تمام حل شاذ و نادر ہی کاروباری اداروں کی ضروریات کو پورا کرتے ہیں، اس لیے ہم حسب ضرورت سافٹ ویئر، ڈیٹا، اور مشین لرننگ ورک بوجھ فراہم کرتے ہیں، بشمول ویب ایپلیکیشنز، ریئل ٹائم اینالیٹکس، ڈیٹا رپورٹنگ، موبائل ایپس، AI آٹومیشن ٹولز، ML ماڈلز، کلاؤڈ انفراسٹرکچر، اور عمل کی اصلاح۔

• بوٹ کیمپ۔ AI انجینئرنگ بوٹ کیمپ اور ڈیٹا سائنس بوٹ کیمپ ہر ایک 400 گھنٹے سے زیادہ مطالعہ کا وقت پیش کرتے ہیں، روزگار کی ضمانت دیتے ہیں، اور مشق کے بجائے حقیقی دنیا کے منصوبوں کے ارد گرد بنائے جاتے ہیں۔ یہ تکنیکی اور غیر تکنیکی پیشہ ور افراد کی خدمت کرتا ہے، اور کمپنیاں اسے اپنی موجودہ افرادی قوت کے ڈیٹا اور AI صلاحیتوں کو بہتر بنانے کے لیے استعمال کرتی ہیں۔

• کارروائی ہمارے کیٹلاگ میں ڈیٹا سائنس، مشین لرننگ، اور AI کی تکنیکی بنیادوں کا احاطہ کیا گیا ہے، نیز تکنیکی نصاب سے عام طور پر خارج کی جانے والی فاؤنڈیشنز: ڈیٹا لٹریسی، AI خواندگی، ضابطہ اور تعمیل، قیادت، ثقافتی آگاہی، اور مواصلات۔

• اوپن سورس۔ ہم اوپن سورس حل، وسائل، اور اس نقطہ نظر سے وابستگی کو برقرار رکھتے ہیں کہ فیلڈ کو آگے بڑھانے والے پیٹرنز اور ٹولز کو تجارتی لائسنس تک محدود نہیں ہونا چاہیے۔

مشن اور اصول

ہمارا مشن ٹیکنالوجی لیڈروں کی اگلی نسل تیار کرنا ہے۔ ہم ٹیلنٹ کو یکجا کرتے ہیں تاکہ وہ حل تیار کریں جو ایک بار پہنچ سے باہر سوچے جاتے ہیں، اور ٹولز اور وسائل فراہم کرتے ہیں تاکہ رہنما ٹیکنالوجی کو اپنی کمیونٹیز اور اس سے باہر کنکشن، ترقی، اور اختراع کے لیے اتپریرک کے طور پر استعمال کر سکیں۔

ہماری اقدار رکاوٹوں کا کام کرتی ہیں، نعرے نہیں۔ ہم لوگوں اور صنعت دونوں پر ہمارے کام کے اثرات کو تسلیم کرتے ہوئے ایمانداری اور اخلاقی درستگی کو برقرار رکھنے کے لیے اپنی مہارتیں تیار کرتے ہیں۔ ہم فضیلت اور مقصد پر مبنی ترقی کے معیارات پر عمل پیرا ہیں۔ اس کا مطلب یہ ہے کہ ہر قدم کو جان بوجھ کر معیار اور پائیداری کے عزم کے ساتھ ڈیزائن کیا گیا ہے جسے شیڈول کے دباؤ کی وجہ سے قربان نہیں کیا جاتا ہے۔

یہ عزم ہماری ماضی کی اختراعات کی ذمہ داری کو بڑھاتا ہے۔ ہر فیصلہ اور ہر ترقی درستگی اور دور اندیشی پر مبنی سوچے سمجھے وژن کی عکاسی کرتی ہے۔

شراکتیں دریافت کرنے کے لیے، ہماری مصنوعات استعمال کریں، اوپن سورس پروجیکٹس میں تعاون کریں، یا AI کام میں تعاون کریں، lunartech.ai ملاحظہ کریں۔

LUNARTECH فیلوشپ - اکیڈمی اور صنعت کو جوڑنا

علمی نظریہ اور ٹیکنالوجی کی صنعت کی اصل ضروریات کے درمیان ایک بڑھتا ہوا رابطہ منقطع ہے، اور اس فرق کو پر کرنے کے لیے LUNARTECH فیلوشپ موجود ہے۔ اکثر، خواہش مند انجینئرز "کوئی تجربہ نہیں، نوکری نہیں" میں پھنس جاتے ہیں۔ وہ نظریاتی علم کے ساتھ فارغ التحصیل ہوتے ہیں لیکن پیداواری نظام کی گندی حقیقتوں کے لیے بغیر تیاری کے پہنچ جاتے ہیں۔ نتیجہ ایک طرف ٹیلنٹ کی رکاوٹ ہے اور دوسری طرف مستقل دماغی نکاسی۔

فیلوشپ اسناد کو فلٹر کرنے کے بجائے امید افزا لوگوں میں بہت زیادہ سرمایہ کاری کرکے اس مسئلے کو حل کرتی ہے۔ ہم ایک ایسا ماحول فراہم کرتے ہیں جو روایتی ڈگریوں کے مقابلے ہینڈ آن تجربہ، رہنمائی اور حقیقی دنیا کے انجینئرنگ کے کام کو ترجیح دیتا ہے، اس بنیاد کے تحت کہ قابلیت کا مظاہرہ اس چیز سے ہوتا ہے جو بنایا اور چلایا جاتا ہے، نہ کہ سیکھی ہوئی چیزوں سے۔

یہ پروگرام ایک چھ ماہ کی، دور دراز کی پہلی اپرنٹس شپ ہے جس کی تشکیل ایک عمیق سفر کے طور پر کی گئی ہے جو آپ کو خواہشمند ہنر سے کام کرنے والے انجینئر تک لے جاتی ہے۔ آزادانہ طور پر سیکھنے کے لیے ادائیگی کرنے کے بجائے، فیلوز تجربہ کار سینئر انجینئرز اور بانیوں کے ساتھ ساتھ حقیقی وقت، ہائی اسٹیک AI اور ڈیٹا پروڈکٹس پر کام کرتے ہیں۔ حقیقی دنیا کے انجینئرنگ چیلنجوں کو حل کرنے اور پیداوار کے لیے تیار کام کے مخصوص پورٹ فولیوز کی تعمیر سے، شرکاء کام کے لیے تیار مہارتیں حاصل کرتے ہیں جو موجودہ مارکیٹ کے انعامات حاصل کر سکتے ہیں۔

اگر آپ لوپ کو توڑنے اور اپنے کیریئر کو تیز کرنے کے لیے تیار ہیں، تو ان مواقع کو دریافت کریں اور lunartech.ai/our-careers پر شروع کریں۔

LUNARTECH کے ساتھ مسلسل مواصلت

جہاں جدت حقیقی دنیا کی انجینئرنگ سے ملتی ہے، نیوز لیٹر اور LinkedIn پر LUNARTECH کی پیروی کریں۔ دونوں چینلز اپلائیڈ AI اور سافٹ ویئر ڈویلپمنٹ میں سب سے آگے سے بصیرت، پروجیکٹ کی کہانیاں، اور صنعت کی اختراعات فراہم کرتے ہیں۔ یہ رپورٹ نہیں کیا گیا ہے، یہ کام کرنے والوں کے ذریعہ لکھا گیا ہے۔

LUNARTECH اکیڈمی - اپنا مستقبل بنائیں

اگر آپ چاہتے ہیں کہ یہ رپورٹ آپ کو دکھائے کہ انجینئرنگ کی قدر کہاں بڑھ رہی ہے اور اس میں سب سے آگے کام کرنے کے لیے مہارتیں تیار کریں، تو براہ کرم academy.lunartech.ai میں شامل ہونے پر غور کریں۔ یہ پروگرام AI انجینئرنگ، مشین لرننگ، ڈیٹا سائنس، اور اپلائیڈ ڈیولپمنٹ کا احاطہ کرتا ہے، اور آپ کو پروڈکشن سسٹم بنانے کے لیے درکار عملی، صنعت کے لیے تیار مہارت سے آراستہ کرنے کے لیے ڈیزائن کیا گیا ہے، AI ایجنٹوں کو مؤثر طریقے سے ہدایت کرتا ہے، اور جہاز سافٹ ویئر جو حقیقت میں کام کرتا ہے۔

چاہے آپ ایک ڈویلپر ہیں جو سطح کو بڑھانا چاہتے ہیں، ایک بانی جو مکمل انجینئرنگ ٹیم کے بغیر تعمیر کرنا چاہتے ہیں، یا ایک ڈومین ماہر جو آپ کے علم کو حقیقی سافٹ ویئر میں تبدیل کرنے کے لیے تیار ہے، LUNARTECH اکیڈمی اس کے لیے بنائی گئی ہے جہاں آپ جا رہے ہیں، نہ کہ آپ جہاں گئے ہیں۔

اپنے کیریئر میں مہارت حاصل کریں — AI انجینئرنگ ہینڈ بک

ان لوگوں کے لیے جو تھیوری سے پریکٹس کی طرف جانے کے لیے تیار ہیں، ہم نے لکھا: AI انجینئرنگ ہینڈ بک: اپنے کیریئر کا آغاز کیسے کریں اور بطور AI انجینئر ایکسل کریں۔. یہ AI کی بدلتی ہوئی دنیا میں کامیابی کے لیے درکار مہارتوں کو حاصل کرنے کے لیے مرحلہ وار روڈ میپ فراہم کرتا ہے۔ چاہے آپ ایک ڈویلپر ہیں جو مسابقتی میدان میں داخل ہونے کے خواہاں ہیں یا کوئی پیشہ ور جو آپ کے کیرئیر کو مستقبل کا ثبوت دینا چاہتا ہے، یہ ہینڈ بک ثابت شدہ حکمت عملی اور قابل عمل بصیرت فراہم کرتی ہے جس نے پہلے ہی بہت سے لوگوں کو بااثر کرداروں کو محفوظ بنانے میں مدد فراہم کی ہے۔

اس کے اندر، آپ کو NVIDIA، Microsoft، اور OpenAI سمیت کمپنیوں کے لیڈروں سے حقیقی دنیا کی صنعت کے کام کے بہاؤ، جدید فن تعمیر کے طریقے، اور ماہرانہ نقطہ نظر ملیں گے۔ ChatGPT کے پیچھے موجود ٹیکنالوجی کو سمجھنے سے لے کر ایسے سسٹمز کو ڈیزائن کرنے کا طریقہ سیکھنے تک جو تحقیق کو دنیا کو بدلنے والی مصنوعات میں تبدیل کر دیتے ہیں، یہ وہ کتاب ہے جو اس رپورٹ کے ساتھ ہے جس کا مقصد آپ کے کیریئر کا تجزیہ کرنے کی بجائے اس کو تیز کرنا ہے۔

آپ lunartech.ai/download/the-ai-engineering-handbook پر مفت کاپی ڈاؤن لوڈ کر سکتے ہیں۔