AI के बाद का सॉफ्टवेयर: Harness युग की शुरुआत

• सॉफ्टवेयर युग का अंत Harness युग की शुरुआत है, और fixed workflow तथा managed DB पर चलने वाला SaaS अब intelligence से लैस AI द्वारा प्रतिस्थापित हो रहा है
• AI शक्तिशाली है, लेकिन एक जंगली घोड़े की तरह अभी काबू में नहीं है; उसकी शक्ति का उपयोग करने के लिए व्यवस्थित नियंत्रण (domestication) ज़रूरी है
• AI agent harness को केंद्र में मौजूद LLM के चारों ओर बने 7 प्रमुख components से परिभाषित किया जाता है, और हर component production-grade reliability तथा performance को निर्धारित करता है
• ऐसे दौर में जब हर कंपनी समान model तक पहुँच सकती है, जीत model की नहीं बल्कि बेहतर harness डिज़ाइन और संचालन करने वालों (best rider) की होगी
• हजारों अलग-अलग markets जिन्हें big labs प्राथमिकता नहीं देते, startups के लिए अवसर बने रहते हैं

---

Harness युग का अर्थ

• AI fixed workflow-आधारित SaaS और managed database को intelligence से replace करते हुए software paradigm को फिर से परिभाषित कर रहा है
• AI की तुलना mustang (जंगली घोड़े) से की गई है: यह शक्तिशाली है, लेकिन खुरदुरा है और सीधे इस्तेमाल नहीं किया जा सकता; इसे काबू में लाने की प्रक्रिया ही harness है
• इस domestication का सार एक ऐसी architecture है जिसमें LLM केंद्र में होता है और उसके आसपास 7 components रेडियल रूप से व्यवस्थित होते हैं

AI agent harness के 7 प्रमुख components

• 1. Context & Memory (संदर्भ और मेमोरी)

  • सामान्य-purpose model के लिए use-case specific bespoke retrieval की ज़रूरत होती है; radiologist के लिए context retrieval system और legal assistant के लिए system एक जैसे नहीं हो सकते
  • short-term memory ("agent 45 सेकंड पहले क्या कर रहा था"), large-scale image retrieval (radiology·image generation), अरबों documents पर keyword search — हर case में अलग system चाहिए
  • retrieval के साथ context database होता है, जो business के वास्तविक संचालन का "recipe book" बनता है
    • लोग अपने दिमाग में लेकर काम पर आने वाली standard operating procedures (SOP) ही वह recipe हैं
    • शुरुआती capture और लोगों/प्रक्रियाओं में बदलाव के साथ उसका evolve होना context DB का मूल है

• 2. Tools & Action (टूल्स और कार्रवाई)

  • tools वे साधन हैं जिनसे agent बाहरी दुनिया पर असर डालता है; अगर context DB की recipe बताती है कि "क्या करना है", तो tools उसे वास्तव में करने वाले ingredients और instruments हैं
  • आधुनिक harness registry के माध्यम से tools को expose करता है, model द्वारा भेजे गए arguments को validate करता है, call dispatch करता है, sensitive actions को approval gate से गुजारता है, और results को agent loop में parse करता है
  • MCP tool connectivity के लिए connective tissue के रूप में उभर रहा है
  • harness की गुणवत्ता इस बात से तय होती है कि कितने tools को सुरक्षित रूप से expose किया जा सकता है और failures को कितनी साफ़-सुथरी तरह संभाला जाता है

• 3. Orchestration & Loop (ऑर्केस्ट्रेशन और लूप)

  • agent loop की संरचना think → act → observe → repeat होती है
  • planning, task decomposition, sub-agents, retries, और stop conditions यह तय करते हैं कि काम कैसे किया जाएगा
  • यह इस्तेमाल के साथ बेहतर होना चाहिए, और हर execution से सीखने वाला closed-loop pattern vendors के बीच differentiation का बिंदु बनता है

• 4. State & Persistence (स्टेट और परसिस्टेंस)

  • बड़े enterprise में, जहाँ कई लोग एक साथ system का उपयोग करते हैं, resilience अनिवार्य है
  • अगर 10-step काम के 7वें step पर harness crash हो जाए, तो उसे शुरू से नहीं बल्कि 8वें step से resume होना चाहिए
  • file system, checkpoints, session threads, और artifact stores काम के loss को रोकने वाले mechanisms हैं

• 5. Sandbox & Compute (सैंडबॉक्स और कंप्यूट)

  • हर agent को स्वतंत्र workspace (sandbox) चाहिए
  • isolated Unix workspace, controlled network egress, और model के बाहर रखे गए credentials security, confidentiality और scale पर speed सुनिश्चित करते हैं

• 6. Observability & Governance (ऑब्ज़र्वेबिलिटी और गवर्नेंस)

  • "जिसे देखा नहीं जा सकता, उस पर भरोसा नहीं किया जा सकता" — हर step का trace, हर tool call की logging, regression test के रूप में evals चलाना, और highest-risk decisions में human-in-the-loop डेमो को production system में बदल देता है
  • Guardrails policy enforcement करते हैं, और Evals customers से पहले regressions पकड़ लेते हैं

• 7. Cost & Workflow Optimization (लागत और workflow optimization)

  • सातवाँ component है architectural judgment
  • कहाँ deterministic बनाम non-deterministic processing करनी है, हर step के लिए सही model (state-of-the-art·mid-sized·small·fine-tuned) चुनना, और knowledge को skill में रखना है या memory में — यह सब इसी का हिस्सा है

नया प्रतिस्पर्धी परिदृश्य

• इसका परिणाम software में एक नई competitive dynamic के रूप में सामने आता है, जो हर category पर समान रूप से लागू नहीं होती
• major labs (प्रमुख AI research labs) जिन markets को प्राथमिकता देते हैं, वहाँ तेज़ execution और model पर direct control से लाभ मिलता है
• लेकिन इसके अलावा हजारों अलग-अलग niche markets startups के लिए खुले हुए हैं
• ऐसे दौर में जब हर कंपनी एक ही model का उपयोग कर सकती है, "सबसे बेहतर सवार (best riders)" जीतेंगे — यानी harness design और operations capability ही मुख्य प्रतिस्पर्धी ताकत होगी