स्वायत्त-चालित कंपनी

 (replit.com)
3 पॉइंट द्वारा GN⁺ 2 시간 전 | अभी कोई टिप्पणी नहीं है. | WhatsApp पर शेयर करें
  • Replit इंसानों द्वारा लक्ष्य और प्राथमिकताएँ/समझौते तय करने, और कई AI एजेंटों द्वारा ज़रूरी context इकट्ठा कर काम/वेरिफिकेशन/एस्केलेशन करने वाले संगठन को स्वायत्त-चालित कंपनी (The Self-Driving Company) के रूप में परिभाषित करता है
  • एजेंटों को editor या chat tools तक सीमित रखने के बजाय कंपनी के आंतरिक systems से जोड़ा गया, और हर कर्मचारी के लिए कई sub-agents को parallel में चलाने वाला manager agent दिया गया, जिससे वेरिफ़ाई किए जा सकने वाले काम को दोहराने वाली loop engineering का विस्तार हुआ
  • जनवरी 2026 की शुरुआत से जून के अंत तक कुल code contribution 5.8x बढ़ा, और समान engineers के समूह में प्रति व्यक्ति उत्पादन 2.9x बढ़ा, लेकिन code review delay/rollback/incident नहीं बढ़े और इंसानी PR review time 30% घटा
  • एजेंटों का उपयोग data analysis/sales/marketing/customer support तक फैल गया, जहाँ उन्होंने real-time metrics और materials तैयार करने, संभावित ग्राहकों की रिसर्च, launch documents बनाने, और support tickets की जाँच में मदद की; इंसानों द्वारा संभाले जाने वाले कठिन support tickets का समाधान समय 60% घटा
  • आंतरिक एजेंटों ने कुछ commercial tools की तुलना में कम लागत और बेहतर integration दिखाया, जिससे build vs buy का निर्णय भी बदला; Replit इस ऑपरेटिंग मॉडल को policy/permissions/security/cost control के साथ उपयोगकर्ताओं तक पहुँचाना चाहता है

इंसान मंज़िल तय करने वाला स्वायत्त संगठन

  • स्वायत्त-चालित कंपनी बिना इंसानों वाला संगठन नहीं है; यह ऐसा संगठन है जहाँ इंसान मंज़िल चुनते हैं, महत्वपूर्ण समस्याएँ/कठिन trade-offs/पसंद तय करते हैं, और परिणामों की ज़िम्मेदारी लेते हैं
  • इंसान लक्ष्य तक पहुँचने के हर बारीक step को खुद नहीं करते; एजेंट लक्ष्य लेकर context जुटाते हैं, काम करते हैं, फिर परिणाम जाँचते हैं, और केवल उन बिंदुओं को एस्केलेट करते हैं जहाँ human judgment की ज़रूरत हो
  • Replit के एजेंट production incident investigation, PR review, आंतरिक प्रश्नों के उत्तर, business data analysis, support ticket classification, sales account research, और खुद Replit Agent को बेहतर बनाने में इस्तेमाल हो रहे हैं
  • कर्मचारियों का कहना है कि उनकी भूमिका automated होने के बजाय repetitive काम से हटकर strategic और creative judgment लेने की हो गई है

लंबे समय तक काम कर पाने से शुरू हुआ बदलाव

  • 2025 के अंत से models लंबे समय तक लगातार काम कर पाने लगे, जिसके बाद alert classification और root cause investigation जैसे काम, जो पहले बार-बार विफल होते थे, चलने लगे
  • जब AI उन bugs को भी संभालने लगा जिन्हें हल करना मुश्किल था, तब एजेंटों को editor या chat window के अंदर के tools की तरह नहीं बल्कि कंपनी के operating structure में सीधे integrated किया जाने लगा
  • engineering में असर दिखने के बाद, हर team ने उबाऊ काम एजेंटों को देना शुरू किया और उपयोग पूरे संगठन में फैल गया

पूरे कंपनी सिस्टम से जुड़ा आंतरिक agent infrastructure

  • जनवरी 2026 के अंत से internal agent use cases का तेज़ी से प्रयोग करने के लिए infrastructure बढ़ाया गया
  • मौजूदा agent harness, microVM, और remote filesystem का इस्तेमाल करके engineers को कई agents को parallel में orchestrate करने योग्य बनाया गया
  • access policy/token proxy/audit log/ZeroTrust network लागू करने के बाद GitHub, GCP, Azure, Linear, Notion, Slack, ZenDesk जैसे work systems तक पहुँच की अनुमति दी गई
  • कई systems के context को साथ में इस्तेमाल करना संभव होने पर पहले असफल रहे experiments भी किए जा सके और code output तेज़ी से बढ़ा

code output में बढ़ोतरी और quality metrics

  • Agent 4 launch की तैयारी के दौरान मार्च 2026 sprint में productivity curve पहले से अलग स्तर तक बढ़ी, और इसे internal agent system लागू होने से जोड़ा गया
  • जनवरी 2026 की शुरुआत से जून के अंत तक code contribution lines 5.8x बढ़ीं
    • नई hiring के असर को हटाकर सिर्फ़ उसी author group की तुलना करें तब भी code output 2.9x बढ़ा
    • team size को दोगुना करते हुए engineer प्रति output लगभग तीन गुना बढ़ाया गया
  • code review delay नहीं बढ़ा
    • एजेंट risk level का आकलन करते हैं और ज़रूरत होने पर ही दूसरे human reviewer को बुलाते हैं
    • इंसानी PR review time का 30% से अधिक बचाया गया, और इसका अनुपात लगातार बढ़ रहा है
  • PR rollback rate और incident trend सपाट रहे
    • human reviewers ने agent co-review की मदद से अधिक bugs पकड़े
    • incident investigation agent के root cause खोजने से औसत mitigation time (MTTM) घटा
  • Linear में मापी गई project completion speed भी code output के साथ काफ़ी बढ़ी, जिससे यह दिखा कि अतिरिक्त code वास्तव में feature launch में बदला

कई agents को बार-बार चलाने वाली loop engineering

  • सभी कर्मचारी manager agent का उपयोग करते हैं, जो कई sub-agents बना सकता है, और वेरिफ़ाई किए जा सकने वाले काम को कई agents से बार-बार करवाने के लिए configure किया जा सकता है
  • agent swarm के उपयोग के उदाहरणों ने इस धारणा को बदल दिया कि पहले कौन से काम संभव हैं
    • लंबे समय से रुका CSS system migration पूरा किया गया
    • product localization को संभव बनाने वाला migration automate किया गया
    • unstable tests की maintenance automate की गई
    • CTO ने PSC और file descriptor shutdown से जुड़े कठिन network bug को agent swarm की मदद से हल किया
  • AI team ने user feedback का analysis करके सुधार सुझाव देने, फिर benchmark और A/B tests से परिणाम verify करने वाला continuous learning system बनाया
  • इस system के जरिए Replit Agent ने feedback के आधार पर खुद को सुधारते रहने वाला चक्रीय ढाँचा हासिल किया

build vs buy का बदला हुआ फैसला

  • जब internal agents knowledge base और work systems में गहराई से integrated हुए और कंपनी के मुताबिक customize किए गए, तब कुछ मामलों में वे बाहरी commercial solutions से अधिक उपयोगी साबित हुए
  • Replit ने यह तय किया कि internally built application बेहतर है, और उसने सालाना सात-अंकीय डॉलर वाले SaaS contract को रद्द कर दिया; कर्मचारी भी पहले ही internal tools पर जा चुके थे
  • खास कामों के लिए बने बाहरी products की तुलना में भी internal agents प्रतिस्पर्धी रहे
    • alert classification और incident root cause analysis tool ने समान quality दी, लेकिन उनका execution cost internal agents से 10x अधिक था
    • automated penetration testing tool ने internal version की तुलना में कम vulnerabilities ढूँढीं, जबकि लागत 10x अधिक थी
  • दोनों internal tools production में deploy किए गए, जिससे incident MTTM घटा और core systems की attack defense मजबूत हुई

data analysis का self-service में बदलाव

  • Slack में engineers को एजेंटों से काम कराते देख दूसरे कर्मचारियों के बीच engineering के बाहर भी इसका उपयोग फैल गया
  • शुरुआती दौर में सबसे आम उपयोग knowledge base और codebase की स्थिति को जोड़कर product behavior और expected behavior के बारे में पूछना था
  • कर्मचारियों ने engineer के जवाब का इंतज़ार किए बिना product जानकारी जाँचकर wording या documents खुद संपादित करने शुरू कर दिए
  • data team ने data warehouse के ऊपर semantic layer दी ताकि एजेंट standard data tables और tables के बीच के relationships को समझ सकें
    • सभी कर्मचारी business intelligence सवालों के जवाब पा सकते हैं और real-time data से charts और presentation materials बना सकते हैं
    • data team repetitive requests के बजाय अधिक कठिन समस्याओं पर ध्यान दे सकती है
  • एक product manager ने codebase events, customer data platform में उनकी recording, और जटिल subscription states को जोड़कर launch analysis खुद किया
  • लेख में शामिल सभी charts भी internal agents की मदद से बनाए गए

sales/marketing/customer support में बदलाव

  • sales development team ने internal knowledge का उपयोग करके product-fit संभावित ग्राहकों को खोजा और उनकी जानकारी समृद्ध की
    • ऐसे context का उपयोग कर अधिक specific outreach लिखा गया, जिसे generic sales tools एक्सेस नहीं कर सकते
  • sales representatives ने ग्राहक बातचीत की तैयारी करते समय account-दर-account product value, active projects, और contract के मुकाबले credit usage की जाँच की
    • analysis results को account-specific branded presentation materials में automatically बदला गया
    • ग्राहक touchpoints की संख्या और quality दोनों बढ़ीं
  • marketing team ने engineering/product teams की बातचीत और documents के आधार पर एक ही prompt से product spec draft तैयार किया
    • हर meeting में शामिल हुए बिना भी launch preparation जल्दी शुरू करना और बदलावों के साथ बने रहना संभव हुआ
    • बचा समय planning और creative work में इस्तेमाल किया गया
  • customer support team ने standard procedures के अनुसार issues की जाँच करने की तकनीक एजेंटों में जोड़ी
    • वे standard customer response tone में replies सुझाते हैं, या ticket और investigation summary के साथ engineering team को एस्केलेट करते हैं
    • इंसानों तक पहुँचे कठिन tickets का resolution time 60% घटा

उपयोगकर्ताओं के लिए स्वायत्त कार्य वातावरण

  • Replit का मानना है कि autonomous operation executors को हटाना नहीं, बल्कि उनकी भूमिका को results परिभाषित करने और दिशा तय करने में बदलना है
  • इस approach को Replit के enterprise/founder users तक पहुँचाने के लिए company policy, permissions, security, और cost control features विकसित किए जा रहे हैं
  • Replit का आकलन है कि वास्तविक business चलाने वाले users पर इसे लागू करने के लिए संगठन के आकार के अनुसार scale होने वाले safeguards ज़रूरी हैं

संबंधित पढ़ाई

अभी कोई टिप्पणी नहीं है.

अभी कोई टिप्पणी नहीं है.