जब लोग काम में AI की बात करते हैं, तो आम तस्वीर यह होती है कि कोई कर्मचारी chat window खोलता है और model से email draft करने, document summarize करने या कुछ data analyze करने को कहता है। Task तेज हो जाता है, लेकिन व्यक्ति अब भी step by step निर्देश देता है और फिर result को बाकी workflow में लेकर जाता है।
AI Agents इस सीमा को आगे बढ़ाते हैं।
हर बार एक prompt का इंतजार करने के बजाय, agent एक goal ले सकता है, तय कर सकता है कि कौन से steps जरूरी हैं, tools इस्तेमाल कर सकता है, result देख सकता है और तय सीमाओं के भीतर कई actions लगातार कर सकता है। इससे आर्थिक सवाल "AI एक task को कितना तेज कर सकता है?" से बदलकर क्या होता है जब AI पूरे workflow में tasks की एक sequence संभाल सकता है? हो जाता है।
OECD ने सितंबर 2026 में Agentic AI in organisations प्रकाशित किया, जो अलग-अलग regions और sectors की organisations के interviews पर आधारित था। इसके निष्कर्ष बताते हैं कि agentic systems पहले से develop और deploy किए जा रहे हैं, जबकि governance, measurement और operating practices अभी शुरुआती चरण में हैं।
हमारे पिछले लेख क्या AI सचमुच jobs ले लेगा – या कुछ काम को अधिक मूल्यवान बना देगा? में देखा गया था कि AI अक्सर पूरी job से पहले task को बदलता है। जब कई tasks को agent आपस में जोड़ देता है, तो redesign होने वाली चीज खुद workflow बन सकती है।
AI Agent सिर्फ ज्यादा smart chatbot नहीं है
एक सामान्य chatbot आम तौर पर इस pattern पर चलता है:
user पूछता है → AI जवाब देता है → user तय करता है कि आगे क्या होगा
Agent एक लंबे loop में काम कर सकता है:
goal → plan → tools का उपयोग → action → results की जांच → adjustment → continue या escalate
Anthropic agents को ऐसे systems के रूप में वर्णित करता है जो applications के बीच काम कर सकते हैं, code लिख और execute कर सकते हैं, files manage कर सकते हैं और कई steps वाली tasks पूरी कर सकते हैं। इससे उन्हें ज्यादा autonomy मिलती है, यानी लोगों द्वारा दिए गए tools, permissions और constraints के भीतर काम करने की अधिक स्वतंत्रता।
Sales का उदाहरण लें।
Chatbot follow-up email draft कर सकता है। Agent को "high-potential leads का follow-up करो" जैसा goal दिया जा सकता है। वह CRM check कर सकता है, account status देख सकता है, outreach draft कर सकता है, sending time चुन सकता है, result record कर सकता है, meeting schedule कर सकता है और जहां human judgment जरूरी हो वहां case salesperson को सौंप सकता है।
इनमें से ज्यादातर tasks पहले से मौजूद थीं। फर्क यह है कि हर handoff के बीच किसी व्यक्ति को mediator बनाए बिना उन्हें जोड़ने की क्षमता आ जाती है।
जब AI tasks से workflows की ओर बढ़ता है तो economics बदलती है
Workplace AI की शुरुआती लहर अक्सर individual productivity पर केंद्रित रही है: तेजी से लिखना, तेजी से search करना या meetings को तेजी से summarize करना।
लेकिन businesses अलग-अलग isolated tasks के रूप में काम नहीं करते। काम people, teams, software systems और approval chains के बीच चलता है।
Procurement process में request लेना, inventory check करना, quotes मांगना, suppliers compare करना, approval लेना, purchase order बनाना, delivery track करना और accounting को information देना शामिल हो सकता है। Delay किसी एक step से कम और information का इंतजार, data दोबारा check करने और functions के बीच coordination से ज्यादा आ सकता है।
यहीं agent का economic effect एक employee द्वारा इस्तेमाल किए गए copilot से अलग हो सकता है।
McKinsey के 2026 Global Survey on AI में 80% respondents ने कहा कि AI ने individual productivity सुधारी, जबकि केवल 37% ने अपनी organisation के AI use से कम से कम कुछ EBIT impact जोड़ा। यह gap यह साबित नहीं करता कि agents समस्या हल कर देंगे, लेकिन यह दिखाता है कि एक व्यक्ति को तेज बनाना अपने आप पूरी organisation को ज्यादा profitable नहीं बनाता।
अगर workflow में duplicate approvals, file transfers और disconnected systems बने रहते हैं, तो benefit employee के desk पर ही रुक सकता है।
असली value steps के बीच handoffs में हो सकती है
इसलिए agent की business value केवल बचाए गए labour hours तक सीमित नहीं है।
यह waiting time, copy-and-paste work, follow-up, data-transfer errors और systems के बीच जरूरी human coordination को कम करने से आ सकती है।
उदाहरण के लिए invoice process document ले सकता है, fields validate कर सकता है, purchase order से match कर सकता है, anomalies flag कर सकता है, accounting entry तैयार कर सकता है और case approval के लिए route कर सकता है। अगर agent structured parts को एक sequence के रूप में संभाल ले, तो लोगों को केवल तब intervene करना पड़ सकता है जब data match न करे, threshold पार हो या कुछ unusual हो।
Agents zero-cost digital workers नहीं हैं।
Organisations को models, software integration, data preparation, permissions, monitoring, evaluation, security और exceptions की human review के लिए अब भी भुगतान करना पड़ता है। कुछ workflows बड़ी savings दे सकते हैं। कुछ को automate करने की cost उनके return से ज्यादा हो सकती है।
इसीलिए agent economics को सिर्फ बचाए गए employee hours से नहीं, बल्कि workflow level पर measure करना चाहिए।
Human work हर step करने से system supervise करने की ओर जा सकता है
जैसे-जैसे agents execution का बड़ा हिस्सा संभालते हैं, workflow में human position बदल सकती है।
इसके बजाय:
करो → hand off करो → check करो → continue करो → approval मांगो
pattern ऐसा हो सकता है:
goal set करो → constraints define करो → exceptions review करो → decide करो → responsibility लो
यह A10 में उठाए गए labour-market सवाल से सीधे जुड़ता है। अगर AI कुछ tasks में बेहतर होता जाता है, तो human value judgment, context, communication और accountability की ओर जा सकती है। Agents इस सवाल को और गहरा करते हैं क्योंकि वे isolated tasks के बजाय पूरी sequences संभाल सकते हैं।
Microsoft के 2026 Work Trend Index for Thailand ने बताया कि उसके sample में 32% Thai workers "Frontier Professionals" थे, जबकि global average 16% था। साथ ही Thai organisations को individual AI use से core organisational workflows तक जाने में अभी भी चुनौतियां थीं।
यह Microsoft platform और survey evidence है, nationally representative labour statistic नहीं। फिर भी यह एक महत्वपूर्ण फर्क दिखाता है: individual level पर AI अच्छा इस्तेमाल करना और पूरी organisation को उसके आसपास redesign करना एक ही बात नहीं है।
ज्यादा autonomy का मतलब system से लोगों को हटाना नहीं है
Agent की appeal यह है कि वह कम step-by-step supervision के साथ काम जारी रख सकता है। यही property risk भी बढ़ाती है।
अगर chatbot एक गलत जवाब देता है, तो व्यक्ति उस पर action लेने से पहले गलती देख सकता है। लेकिन अगर agent goal को गलत समझे और उसके पास कई systems का access हो, तो error कई steps में फैल सकता है, इससे पहले कि कोई उसे देखे।
Anthropic ऐसे risks की पहचान करता है जिनमें user intent को गलत समझना और prompt injection attacks शामिल हैं, जो agents को ऐसे actions के लिए manipulate करने की कोशिश करते हैं जो उन्हें नहीं करने चाहिए।
इससे human-in-the-loop design सिर्फ हर click पर human approval लेने से ज्यादा nuanced बन जाता है।
Organisation तय कर सकती है:
- agent किन systems तक पहुंच सकता है
- transaction या spending limits क्या हैं
- किन actions के लिए approval जरूरी है
- कौन सा data boundary के बाहर नहीं जा सकता
- कौन से exceptions escalate होने चाहिए
- process किन points पर human decision के लिए रुकना चाहिए
Goal जरूरी नहीं कि people को workflow से निकालना हो। सवाल यह है कि human judgment सबसे ज्यादा value कहां देता है।
बड़ी कंपनियां और SMEs एक ही गति से फायदा नहीं उठा सकतीं
Agent performance सिर्फ AI model पर निर्भर नहीं करता। यह data quality, system integration, permissions और existing workflow कितना स्पष्ट है, इन पर भी निर्भर करता है।
इसलिए CRM, ERP, APIs, data governance और IT team वाली company की starting point उस small business से अलग है जो अभी spreadsheets, chat applications और अलग-अलग systems में फैले documents पर चलता है।
OECD के 2026 D4SME Survey ने पाया कि SMEs में AI use बढ़ रहा है और कुछ firms AI Agents के साथ experiment कर रही हैं, लेकिन business operations में strategic और secure integration अभी uneven है। Time constraints, maintenance costs और skills gaps barriers में शामिल हैं।
इससे competition का सवाल सिर्फ यह नहीं रह जाता कि chatbot पहले किसे मिलता है।
अगर agents सच में coordination costs घटाते हैं, तो बेहतर data और systems वाली firms प्रति transaction cost कम कर सकती हैं या छोटे competitors से पहले ज्यादा work process कर सकती हैं। अगर यह advantage compound होता है, तो firms के बीच productivity gap बढ़ सकता है।
दूसरा रास्ता भी संभव है। सस्ते, आसानी से deploy होने वाले packaged agents SMEs की technology disadvantage घटा सकते हैं। अभी यह मान लेना जल्दबाजी होगी कि सिर्फ बड़ी companies ही लाभ लेंगी।
अगर यह AGI की दिशा में बहुत आगे बढ़े तो क्या होगा?
आज के AI Agents Artificial General Intelligence यानी AGI नहीं हैं। यह concept ऐसी AI के लिए इस्तेमाल होता है जिसकी capabilities कई domains में व्यापक हों।
OECD और European Commission का AI literacy framework AGI को ऐसे systems के रूप में वर्णित करता है जो एक well-educated adult की cognitive versatility और proficiency के बराबर या उससे आगे हो सकें, और यह भी कहता है कि ऐसे systems अभी मौजूद नहीं हैं।
Movies अक्सर इससे कहीं व्यापक तस्वीर दिखाती हैं: एक digital mind जो लगभग किसी भी domain में खुद सीख, plan, decide और act कर सके। यह image उन agents से बहुत आगे है जिनके साथ businesses आज experiment कर रहे हैं।
Current agents अब भी लोगों द्वारा दिए गए goals, tools, permissions और boundaries के भीतर काम करते हैं, और वे सामान्य दिखने वाली tasks में भी fail हो सकते हैं।
अगर systems कभी specialised workflows manage करने से आगे बढ़कर AGI जैसी broad general capabilities की ओर जाते हैं, तो business और labour पर implications एक अलग स्तर का सवाल होंगे। उससे पहले practical issue यह है कि जब agents workflow का ज्यादा execution संभालें तो humans को उसमें कहां होना चाहिए।
आगे क्या देखना चाहिए
पहला signal है agents कितनी तेजी से pilots से production workflows में जाते हैं। Successful demo और real data, customers तथा money के साथ रोज काम करना एक ही चीज नहीं है।
दूसरा है क्या companies workflow level पर ROI measure करना शुरू करती हैं। अगर reporting सिर्फ adoption rates या saved employee hours पर केंद्रित रहती है, तो economic effect अस्पष्ट रह सकता है।
तीसरा है organisations agents को कितनी permission देने को तैयार हैं – read-only access, drafting, transactions या बिना approval actions। इससे confidence और accepted risk दोनों दिखते हैं।
चौथा है exception rates और human escalation points। Screen पर autonomous दिखने वाला system पर्दे के पीछे substantial invisible human work पर निर्भर हो सकता है।
Thailand के लिए एक और signal यह है कि SMEs reliable agent systems affordable cost पर access कर पाते हैं या नहीं। अगर agentic workflows के लिए expensive data infrastructure और integration जरूरी हो, तो firms के बीच productivity gap बढ़ सकता है। अगर packaged systems इन costs को तेजी से घटा दें, तो small businesses उम्मीद से पहले benefit कर सकते हैं।
Workplace AI की पहली wave ने हमें पूछा: "क्या AI इस task में मदद कर सकता है?" AI Agents सवाल को आगे ले जाते हैं: "क्या हमें workflow को अब भी इसी तरह design करने की जरूरत है?" Business impact शायद यहीं एक faster writing assistant से ज्यादा गहरा हो सकता है।
