निर्णय और पैसा: कंपनी “अगर Anthropic ने यह बना दिया तो?” सवाल से कैसे बची रह सकती है

• AI मॉडल जितने शक्तिशाली होते जाएंगे, software अपने-आप में उतना ही कम मूल्यवान होता जाएगा; जो application कंपनियां बचना चाहती हैं, उन्हें एक साथ data company और fintech company में बदलना होगा
• Agents software के मुख्य user बनते जा रहे हैं, इसलिए per-seat pricing model टूट रहा है; अगर एक हजार लोग एक लाख agents चला रहे हों, तो वह एक लाख seats नहीं हैं, इसलिए charge करने लायक केवल agent द्वारा छोड़े गए निर्णय (data) और वह पैसा जिसे वह move करता है (fintech) बचते हैं
• Frontier models ऐसे प्रतिभाशाली लोगों के समूह जैसे हैं जिन्हें कंपनी चलाने का तरीका नहीं पता; लोगों के पास मौजूद अंतर्निहित judgment ही असली moat है, और users द्वारा model output में किए गए corrections learning signal और test set का काम करते हैं
• अगर data में पैसे का flow नहीं है, तो वह सिर्फ एक science project है; Toast, Ramp, Shopify की तरह network और lock-in वाला fintech ही model prices गिरने के बावजूद margins बनाए रख सकता है
• Judgment का accumulation, money flow पर नियंत्रण, और writes की रक्षा—यही एकमात्र रास्ता है जिससे Lab सभी tokens देखने के बावजूद कंपनी को replace नहीं कर पाएगा

---

Models की प्रगति और software value में गिरावट

• कल Claude Fable 5 release हुआ, यह आम लोगों के लिए उपलब्ध पहला Mythos-class model है; लगभग सभी benchmarks में #1, और task जितना लंबा होता है, gap उतना बढ़ता है
  • Model जितना smart होगा, software अपने-आप में उतना कम valuable होगा
• हर venture-backed application company को अब data company या fintech company होना होगा—ideal स्थिति में दोनों

Software कौन इस्तेमाल करता है, इसमें बदलाव

• दो साल पहले लिखे लेख में बताया गया था कि agents user बनेंगे तो per-seat pricing model टूट जाएगा, और लगता है वह सीमा पार हो चुकी है
  • Cloudflare ने घोषणा की कि agent traffic ने पहली बार human traffic को पीछे छोड़ दिया
  • Online debate है, लेकिन यह trend साफ है कि agents सभी software के primary customers बन रहे हैं
• हजार employees द्वारा एक लाख agents चलाना, एक लाख seats नहीं होता
• Agent जिन दो चीजों को chargeable छोड़ता है, वे हैं उसके लिए गए decisions (=data) और उसके द्वारा move किया गया money (=fintech)

Decisions — data के रूप में moat

• xAI के पास Cursor को 60 अरब डॉलर में acquire करने का option है; Cursor का annualized revenue करीब 4 अरब डॉलर है
  • Software के लिए इतनी बड़ी कीमत चुकाने का यह मुख्य कारण नहीं है
  • Anthropic और OpenAI पहले से ही Claude Code और Codex के जरिए developers के काम को real time में observe कर रहे हैं
  • xAI ने Cursor को इसलिए खरीदा ताकि वह सबसे तेजी से token flow में प्रवेश कर सके
  • Musk (दुनिया के पहले संभावित trillionaire) ने कहा कि लाखों developers द्वारा model को सच में इस्तेमाल करने के records सीधे Grok training में जाते हैं; ऊंची कीमत, data को धीरे-धीरे इकट्ठा करने में लगने वाले कई साल skip करने का toll है
• Cursor launch के कुछ ही हफ्तों में काम करने वाले clones आ गए, लेकिन कोई भी टिक नहीं पाया, क्योंकि मुकाबला taste पर था
  • क्या दिखाना है और कब गायब हो जाना है—इस पर हजारों छोटे judgments
  • Clone सिर्फ interface copy कर सकता है; developers ने सालों में जो accept, reject, rewrite किया, उसका record inherit नहीं कर सकता
  • Cursor अब उसी diff से अपना model train कर रहा है; data पहला moat बन गया है
• 60 अरब डॉलर valuation की वजह: यह कंपनी के 90% employees को ऐसे genius team से replace करने जैसा है जिसे company operations का बिल्कुल पता नहीं
  • Fable 5 real software tasks के 80% solve करता है, जिन्हें पिछले साल के best models मुश्किल से आधा कर पाते थे; geniuses को अलग-अलग पहचानना मुश्किल है और वे replaceable हैं
  • उनके fail होने की एक वजह: जिन्हें replace किया गया, वे जो जानते थे वह किसी और को नहीं पता

Tacit knowledge और judgment का accumulation

• अस्थायी उपाय है लोगों के दिमाग में मौजूद knowledge निकालकर model को context के रूप में देना, लेकिन इसका अधिकांश हिस्सा structured form में मौजूद नहीं होता
  • छोड़ी गई deals, रात 2 बजे revert की गई code की एक line, वह customer जिसके पीछे कोई नहीं गया और वजह भी नहीं लिखी गई — यही असली core है
  • यह ऐसा judgment है जिसे workflow में लिखा नहीं जा सकता और अभी store भी नहीं होता
• अब move context → harness → judgment की ओर हो रहा है
  • Context यानी retrieval, सही fragments को model के सामने रखना
  • Harness वह scaffolding है जिसमें model loop चला सकता है
  • Judgment आखिरी layer है और अकेली layer है जो compound होती है; हर call, correction, rollback data पर अपनी छाप छोड़ता है
• आज दिखने वाले हर AI application pitch में context slide को moat बताया जाता है, लेकिन अब यह सिर्फ table stakes है
  • क्योंकि हर competitor इसी तरह context assemble कर रहा है

Corrections की दो भूमिकाएं

• Corrections को scorecard के रूप में देखा जा सकता है; जब भी user model output को सुधारता है, वह business में क्या सही है इसे record करता है
• Scorecard एक साथ दो काम करता है
  • borrowed model को उस business के हिसाब से tune करने वाला learning signal
  • यह जानने का एकमात्र तरीका कि agent सच में बेहतर हो रहा है या नहीं—test set; public benchmarks किसी specific workflow को measure नहीं कर पाते
• शुरू से model pre-train करने की जरूरत नहीं, Cursor भी ऐसा नहीं करता
  • Cursor का अपना model open source base के ऊपर बना है और diff differentiation करता है
  • Frontier model पर fine-tuning और RL की लागत इतनी कम हो गई है कि Series B company भी यह loop चला सकती है; दो साल पहले इसके लिए lab चाहिए था
• Sarah Guo इस क्षेत्र को the untrainable कहती हैं (ऐसे tasks जिनमें बाहर से सही जवाब grade नहीं किया जा सकता), और corrections इसे own करने का तरीका हैं

Vertical AI leaders के उदाहरण

• Harvey 11 अरब डॉलर और Legora 5 अरब डॉलर से ऊपर पहुंच चुके हैं; दोनों legal market को target करते हैं
  • वे standalone tools से आगे बढ़कर पूरे matter को own करने की ओर दौड़ रहे हैं, क्योंकि lawyer draft में जो corrections करता है, वे ऐसी corrections हैं जिन्हें कोई और नहीं देख सकता
• Rogo finance में वही strategy अपनाता है, analyst द्वारा model बनाना और memo सुधारना capture करता है
• इनमें से कोई भी foundation model train नहीं करता; वे borrowed model के चारों ओर harness बनाते हैं और उसके भीतर बहने वाले judgment को own करते हैं—यही compound होता है
• Incumbents के साथ भी यही है
  • Figma सिर्फ SVG से ज्यादा own करता है: design का v1 से v47 तक का इतिहास और बीच में discard हुए सभी versions — design taste का graded record
  • Linear के पास हर closed ticket के नीचे हुई debates हैं
  • Notion के पास हजार edits में फैली team thinking का shape है
  • Competitor customer छीनने की कोशिश करे, फिर भी ये सब export नहीं हो सकता; generic model के पास ये जवाब नहीं होते

Labs द्वारा judgment खरीदने का trend

• Labs judgment को ready-made खरीद रहे हैं, शुरुआत human-labeled data से हुई
  • Mercor की valuation 10 अरब डॉलर है, वह expert network को 85 डॉलर प्रति घंटा देता है
  • Meta ने pipeline own करने के लिए Scale को 14 अरब डॉलर दिए
  • New York का एक startup पूरा process film करने दें तो apartment free में साफ करता है, क्योंकि robotics team को देखना होता है कि इंसान अगला action कैसे decide करता है
  • कई RL environment companies long-horizon tasks पर judgment बेचते हुए करोड़ों डॉलर annualized revenue तक पहुंच गई हैं
• Labs ने पूरे internet से train किया और data खत्म होने लगा, अब वे decisions सीधे खरीद रहे हैं

Dollars — fintech के रूप में moat

• 23andMe के पास 1.5 करोड़ लोगों का DNA था, फिर भी पिछले साल bankrupt हो गई
  • अगर data में money flow नहीं है, तो यह science project funding के इंतजार से ज्यादा कुछ नहीं
  • ज्यादातर founders इस आधे हिस्से को miss कर रहे हैं
• Toast ने यह कई साल पहले समझ लिया था; restaurant मूल रूप से kitchen लगा हुआ payment processor है
  • Payments software से कहीं ज्यादा बड़ा revenue generate करते हैं
• Ramp इससे आगे गया; free corporate card, कहीं भी fee नहीं, लेकिन जब अरबों डॉलर flow करते हैं तो हर $1 पर 1–2 cents लेता है
  • Rounding error से बनी 32 अरब डॉलर की company; free card interchange की front door है
  • Swipe fee network के टिके रहने से कायम रहती है, और पैसा जब तक ठहरता है तब तक float भी collect करता है और revenue देता है
• हर money meter में moat नहीं होता
  • एक popular vibe-coding app जो credits बेचता है, उसमें करीब 50% margin है; annualized revenue का ज्यादातर हिस्सा inference पर markup है
  • Token markup के पीछे कोई network नहीं है और उसकी अपनी inference cost भी हर quarter गिरती है; model सस्ते होते ही margin पिघलता है
  • Sustainable fintech वही है जिसके नीचे lock-in हो — network-supported payments, ऐसे data से underwrite किए गए loans जो banks नहीं देख पाते

Agents के लिए payment infrastructure

• Agents के लिए payment infrastructure आखिरकार चालू हो रहा है
  • जब agent flight book करेगा, parts order करेगा और vendors को pay करेगा, तो किसी चीज को charge approve और carry करना होगा और fee लेनी होगी
  • Stripe ने इसके लिए protocol launch किया है, Visa और Mastercard standards पर कब्जा जमाने की race में हैं
  • OpenAI पहले से अपने agents द्वारा खरीदी गई हर चीज पर कुछ percent काट रहा है
  • 1 trillion agents के transactions जल्द ही इतिहास की सबसे बड़ी payments economy बनेंगे

एक को दूसरे में बदलना

• सबसे अच्छी long-lasting application companies इन दो halves को अलग-अलग नहीं संभालतीं
  • Judgment काम से जुड़े decisions का record है; fintech पैसे से जुड़े decisions का record है; strong company एक को दूसरे में बदलती है
• Shopify सबसे अच्छा उदाहरण है
  • Store software से शुरुआत → payments जोड़ना → Shopify Capital के जरिए stores में बहते revenue data से underwritten loans देना, जो bank अकेले नहीं कर सकता
  • Merchant बढ़ता है तो revenue बढ़ता है और data अगला loan help करता है
  • आज Shopify revenue का लगभग तीन-चौथाई हिस्सा software subscription से नहीं, बल्कि money side से आता है
  • Stripe Radar के जरिए और Ramp spend data व card के जरिए वही loop चलाते हैं
• Rippling भी ऐसी ही कोशिश कर रहा है; core object employee है
  • Payroll, benefits, devices, cards—all एक ही source of truth पर depend करते हैं
  • अभी तक किसी ने lock-in नहीं किया और Gusto व Deel भी साथ-साथ grow कर रहे हैं, लेकिन object own करने वाली company compound करती रहती है, बाकी सब manually assemble करते हैं

Writes की रक्षा करें

• एक “headless” tension है जिसे किसी ने solve नहीं किया
  • जब हर software agents द्वारा इस्तेमाल होगा, तो useful होने के लिए agents को अंदर लाना होगा और survive करने के लिए उन्हें सब कुछ ले जाने नहीं देना होगा
  • हर system of record इतना open होना चाहिए कि agent किसी protocol से connect हो सके, और इतना closed कि जरूरी चीजें पाने के बाद कोई छोड़कर न जा सके
  • Salesforce ने इस साल Slack data को Glean और external agents से block किया, यह public तौर पर ऐसा करने का पहला case था
• Sustainable company बनाने का रास्ता separation है
  • Agent को read करने दें; reads सस्ते हैं और वैसे भी जरूरी हैं
  • Writes की रक्षा करें
• जहां नया judgment input होता है और इंसान व agents एक-दूसरे को approve, correct, revert करते हैं, वही हिस्सा competitors आसानी से move नहीं कर सकते
  • वे जो scrape करते हैं वह कल की state है; अभी लिए जा रहे decisions ही अपने रहते हैं

“अगर Anthropic ने यह बना दिया तो?”

• Counterargument हो सकता है कि Labs पहले से token flow के अंदर हैं, तो moat कहां है
  • Claude Code developer द्वारा चलाए गए हर command और ignore किए गए suggestions को देखता है, ChatGPT एक दिन में उतने decisions observe करता है जितने कोई product एक साल में record करता है
• इसका जवाब: उनके tools जो देखते हैं, वह ज्यादातर generic है
  • वही coding और writing जिसे सभी models देखते हैं, और वही चीज जिसे commoditize करने के लिए labs आपस में compete कर रहे हैं
  • Rare judgment किसी company के भीतर गहराई में होता है — hospital scans कैसे पढ़ता है, company किन deals से walk away करना सीखती है; इनमें से कुछ भी lab के chatbox तक नहीं पहुंचता
• Labs सालों से enterprises से कहते आए हैं कि वे उनके data से train नहीं करते
  • Product के भीतर model से गुजरने वाला tacit knowledge contract के जरिए company का ही रहता है; वे trace गुजरते देखते हैं लेकिन उसे store न करने पर सहमत होते हैं
• Fintech वाला आधा हिस्सा lab चाहती भी नहीं
  • Lab data खुशी से ले लेगा, लेकिन loan book, fraud losses, 40 states के money-transmitter licenses उसके लिए बेकार हैं
  • Buyer के लिए data acquisition value बनाता है, और fintech उसे अलग करना मुश्किल बनाता है
• Cursor ने category का best data engine बनाया और lab ने उसे 60 अरब डॉलर में acquire किया
  • यह सपना है या warning, यह तब तक पता नहीं चलेगा जब तक बदलने में बहुत देर न हो जाए
  • वे दो चीजें बनाइए जो survive करती हैं — judgment accumulate करना और money के रास्ते पर बैठना; यही “अगर Anthropic ने यह बना दिया तो?” सवाल को झेलने का तरीका है

[heim2]

कुछ तो भरोसेमंद लगता है, लेकिन समझना मुश्किल है।

[somang04]

निर्णयों का संचय, पैसे के प्रवाह पर नियंत्रण, और writes की रक्षा—यही किसी कंपनी के लिए एकमात्र रास्ता है कि lab सभी tokens देख ले, फिर भी वह बदली न जा सकने वाली बनी रहे -> इसका अर्थ थोड़ा अस्पष्ट है; क्या आप इसे थोड़ा और समझा सकते हैं?