AI Fluency: एक Crash Course

4 competencies। AI के साथ काम करने के 3 तरीके। एक practical आदत: तय करें, समझाएँ, जाँचें और ज़िम्मेदारी लें।

कल्पना कीजिए कि आपकी team में एक प्रतिभाशाली नई colleague शामिल होती है।

पहली सुबह आप उससे कहते हैं:

"AI agents पर एक course outline तैयार करें।"

कुछ घंटे बाद वह आपको एक polished outline देती है। लेकिन एक problem है। वह PhD researchers के लिए लिखी गई है। उसमें पूरे semester का समय मान लिया गया है। उसमें hands-on practice लगभग नहीं है।

क्या वह काबिल नहीं थी? नहीं।

असली problem यह है कि आपने उसे पर्याप्त जानकारी नहीं दी। आपने audience, उपलब्ध समय, teaching style या यह नहीं बताया कि अंत में students क्या कर पाने चाहिए।

AI के साथ काम करना भी ऐसा ही है, लेकिन एक अहम फर्क के साथ।

नई colleague सीखती है। उसे एक बार बता दें कि आपके students beginners हैं, तो अगले महीने भी उसे याद रहेगा। AI ऐसे काम नहीं करता। वह एक conversation की जानकारी अगली conversation में साथ नहीं लाता, इसलिए हर chat ऐसे colleague के साथ शुरू होती है जो आपसे पहले कभी नहीं मिला। जो बात आप किसी इंसान को एक बार बताते, उसे हर बार दोबारा बताना होगा या ऐसी जगह रखना होगा जिसे AI अपने आप पढ़े। यह शिकायत करने वाली कमी नहीं, बल्कि काम की ऐसी condition है जिसके लिए planning करनी होती है। यही planning नीचे दी गई चार skills में से एक है।

Collaboration खराब हो तो powerful AI भी गलत result दे सकता है। कुछ clever prompts जानना पर्याप्त नहीं है। आपको जानना होगा कि AI को क्या देना है, उसे कैसे guide करना है, उसके काम को कैसे परखना है, और कब उस पर भरोसा या उसका उपयोग नहीं करना है।

यही AI fluency है।

यह course Professor Rick Dakan और Professor Joseph Feller के बनाए AI Fluency Framework को सिखाता है, जिसे Anthropic के साथ तैयार courses के माध्यम से पढ़ाया जाता है। Framework में चार human competencies हैं, जिन्हें 4Ds कहा जाता है:

1. Delegation: तय करें कि AI को क्या करना चाहिए।
2. Description: समझाएँ कि आपको क्या चाहिए।
3. Discernment: AI के दिए काम को परखें।
4. Diligence: AI का ज़िम्मेदारी से उपयोग करें और outcome की जवाबदेही लें।

चाहे आप किसी assistant से chat कर रहे हों, AI agent के साथ coding कर रहे हों या दूसरे लोगों के लिए काम करने वाला Digital FTE बना रहे हों, यही चार skills काम आएँगी।

पढ़ने का समय: लगभग 30 minutes, साथ में practice prompts और self-check के लिए 15–20 minutes।

पूरा course एक minute में

अगर केवल चार सवाल याद रखने हों, तो ये याद रखें:

Competency	सीधा सवाल
Delegation	AI को क्या करना चाहिए और क्या मेरे पास रहना चाहिए?
Description	अच्छा काम करने के लिए AI को क्या जानना ज़रूरी है?
Discernment	क्या result सच में अच्छा और भरोसेमंद है?
Diligence	क्या AI का यह उपयोग ज़िम्मेदार है, और क्या मैं result की जवाबदेही लेने के लिए तैयार हूँ?

बाकी course में आप इन चार सवालों का अच्छा जवाब देना सीखेंगे।

Foundations में इसकी जगह

इस course से पहले AI वास्तव में क्या है पढ़ें। वह course machine को समझाता है। यह course समझाता है कि आपको machine के साथ कैसे काम करना चाहिए। इसके बाद आने वाला 2026 में AI Prompting practical techniques सिखाता है।

एक उपयोगी क्रम है:

Machine → collaboration → techniques

Topic	AI वास्तव में क्या है	यह course	2026 में AI Prompting
AI कैसे काम करता है	विस्तार से	छोटा reminder	पहले से समझा हुआ
कैसे communicate करें	Context क्यों मायने रखता है	Description	Practical prompting techniques
Answers कैसे परखें	Plausible answer गलत क्यों हो सकता है	Discernment	Model-checking habits
AI को क्या दें	Jagged frontier	Delegation	Models और tools चुनना
ज़िम्मेदार उपयोग	लगभग scope से बाहर	Diligence	Safe tool use और permissions

Models बेहतर होने के साथ techniques बदलेंगी। चारों competencies लंबे समय तक काम करने के लिए बनाई गई हैं।

इसे तीन minutes में देखें

Theory से पहले, इस course की बात को सच में होते हुए देखें।

कोई भी AI assistant खोलें। इसे paste करें और जवाब पढ़ें:

Write a welcome email for new members.

इसे ध्यान से पढ़ें। वह सक्षम, grammatical और पूरी तरह generic होगा, क्योंकि आपने काम करने के लिए कोई जानकारी नहीं दी। अब एक fresh chat खोलें और यह paste करें:

Write a welcome email for new members of a small women's cycling club
in Karachi. Most are nervous beginners who have never ridden in traffic.
Warm and a bit funny, under 150 words, no exclamation marks. End by
telling them the Saturday 6am ride is slow on purpose and nobody gets
dropped.

वही model। वही task। Machine के लिए वही तीन seconds का काम।

दूसरा email बेहतर है क्योंकि दूसरे request में वह जानकारी थी जो पहले में छूट गई थी: ये लोग कौन हैं, उन्हें किस बात का डर है, tone कैसी हो, length कितनी हो और उद्देश्य क्या है। कोई clever trick नहीं हुई। बस वह बात कह दी गई जो पहले नहीं कही गई थी।

इन दो बातों को याद रखें:

1. दोनों results के बीच का अंतर model से नहीं, आपसे आया।
2. आप दूसरा email बेहतर तभी पहचान पाए क्योंकि cycling clubs, nervous beginners या Karachi के बारे में इतना जानते थे कि उसे परख सकें।

पहला Description है। दूसरा Discernment। तीन minutes में ही चार skills में से दो आपके हाथ में हैं। बाकी course चारों के नाम बताता है, दिखाता है कि हर skill कहाँ fail होती है, और समझाता है कि chat window में अकेले काम करने से आगे बढ़कर दूसरे लोगों के लिए AI बनाने पर हर skill क्या बनती है।

अंत तक आपको क्या समझना चाहिए

Course के अंत तक आप यह समझा सकेंगे:

• "prompts में अच्छा होने" से आगे AI fluency का मतलब क्या है;
• automation, augmentation और agency में क्या अंतर है;
• कौन-सा काम आपके पास और कौन-सा AI के पास होना चाहिए;
• Description के तीन प्रकार: product, process और performance;
• confident लगने के कारण AI output स्वीकार करने के बजाय उसे कैसे evaluate करें;
• Diligence के तीन प्रकार: creation, transparency और deployment;
• real project में चारों competencies साथ कैसे काम करती हैं; और
• ये personal skills Agent Factory की engineering practices में कैसे scale होती हैं।

भाग 1: बड़ी picture से शुरू करें

1. AI access, AI fluency नहीं है

Powerful AI का access होने का मतलब यह नहीं कि आप उसका अच्छा उपयोग जानते हैं।

इसे पढ़ने वाले लगभग सभी लोगों के पास वही models उपलब्ध हैं। दो लोग एक ही morning, एक ही plan पर, वही assistant खोलते हैं। एक को ship करने लायक काम मिलता है, दूसरा polished दिखने वाली चीज़ को चुपचाप फेंक देता है। Tool अलग नहीं था। फर्क इस बात में था कि उन्होंने उसका उपयोग कैसे किया।

AI fluency का मतलब AI के साथ ऐसे काम करना है जो:

• Effective हो: आप goal तक पहुँचें।
• Efficient हो: अनावश्यक समय, मेहनत या tokens खर्च न हों।
• Ethical हो: AI का निष्पक्ष और ईमानदार उपयोग हो।
• Safe हो: लोगों, privacy, security और महत्वपूर्ण जानकारी की सुरक्षा हो।

ध्यान दें कि उस definition में क्या नहीं है।

आपको large language model train करना आना ज़रूरी नहीं। Transformers की हर detail समझना ज़रूरी नहीं। "Magic prompts" का collection भी ज़रूरी नहीं।

ये चीज़ें उपयोगी हो सकती हैं, लेकिन foundation नहीं हैं।

Foundation है AI के आसपास अच्छे human decisions लेना सीखना।

इसीलिए framework 4Ds पर focus करता है:

Delegation → Description → Discernment → Diligence

इन्हें याद रखने का आसान तरीका है:

तय करें → समझाएँ → जाँचें → ज़िम्मेदारी लें

Official competency names महत्वपूर्ण हैं और पूरी किताब में इन्हीं का उपयोग होगा। सरल Hindi version आपको हर competency का काम याद रखने में मदद करता है।

Agent Factory readers के लिए यह बाकी हर चीज़ से पहले आता है। Mode 1 में आप general agents से problems solve करते हैं। Mode 2 में दूसरे लोगों के लिए Digital FTEs बनाते हैं। दोनों के लिए AI fluency चाहिए।

अगर आप एक AI assistant के साथ अच्छा काम नहीं कर सकते, तो सैकड़ों या हज़ारों users के लिए काम करने वाला AI system design करने के लिए तैयार नहीं हैं।

पिछले course से याद रखने वाली तीन बातें

AI वास्तव में क्या है ने language models के बारे में कई ideas सिखाए। इनमें से तीन याद रखें:

1. Plausible होना correct होने के बराबर नहीं है। AI confident लेकिन गलत answer दे सकता है। इसे अक्सर hallucination कहा जाता है।
2. Outputs बदल सकते हैं। वही request अलग समय पर अलग answers दे सकता है।
3. AI केवल उपलब्ध जानकारी के साथ काम करता है। इसमें उसका trained knowledge, current conversation, documents, memory, search और connected tools शामिल हो सकते हैं। महत्वपूर्ण जानकारी missing हो तो AI guess कर सकता है।

इसलिए AI output को capable colleague के काम की तरह देखें: उपयोगी और अक्सर impressive, लेकिन review करना फिर भी ज़रूरी है।

2. AI के साथ काम करने के तीन तरीके: automation, augmentation और agency

4Ds सीखने से पहले एक और idea ज़रूरी है।

Humans, AI के साथ तीन broad modes में काम कर सकते हैं:

1. Automation: AI आपके बताए task को करता है।
2. Augmentation: आप और AI task पर साथ काम करते हैं।
3. Agency: AI आपकी ओर से किसी goal की दिशा में काम करता है।

मुख्य अंतर यह है कि आगे क्या करना है, यह तय करने की AI को कितनी freedom है।

Automation: "यह task करें"

Automation में आप AI को ठीक-ठीक बताते हैं कि कौन-सा task करना है।

उदाहरण:

• "इस report को पाँच bullets में summarize करें।"
• "इस email को Urdu में translate करें।"
• "इस PDF से invoice number, date और total निकालें।"

आपकी भूमिका script writer जैसी होती है। आप task define करते हैं। AI उसे execute करता है।

जब काम स्पष्ट और repeatable हो, तब automation उपयोगी है।

Augmentation: "सोचने में मेरी मदद करें"

Augmentation में आप और AI साथ काम करते हैं।

उदाहरण:

• business idea पर brainstorming;
• software architecture review करना;
• lesson plan सुधारना;
• दो strategies की तुलना करना; या
• ऐसा सवाल explore करना जिसका answer आपको अभी नहीं पता।

यहाँ AI सिर्फ instructions execute नहीं करता। वह thinking partner की तरह काम करता है।

आप कई turns तक आगे-पीछे बात कर सकते हैं। आप पूछते हैं। वह जवाब देता है। आप challenge करते हैं। वह revise करता है। साथ मिलकर result बेहतर होता है।

Agency: "मेरी ओर से इस goal पर काम करें"

Agency में आप AI को goal और boundaries देते हैं, फिर उसे कई steps खुद तय करने देते हैं।

उदाहरण के लिए, यह कहने के बजाय:

"इन पाँच emails को पढ़कर summarize करें।"

आप कह सकते हैं:

"मेरे inbox को manageable रखें। Routine messages का reply दें, important messages flag करें, और जिस काम को लेकर unsure हों उसे करने से पहले मुझसे पूछें।"

अब AI को decisions लेने होंगे। कौन-सा message routine है? कौन-सा important है? उसे आपसे कब पूछना चाहिए?

आप script writer से director बन गए हैं।

Agency का दूसरा हिस्सा beginners अक्सर miss करते हैं, और यही इस किताब की बुनियाद है। Framework की definition के अनुसार human, AI को future tasks स्वतंत्र रूप से करने के लिए configure करता है, जिसमें दूसरों की ओर से किए जाने वाले काम भी शामिल हैं। इसे फिर धीरे से पढ़ें। दो शब्द असली भार उठाते हैं।

Future का मतलब है कि आप room में नहीं हैं। सोमवार को AI setup करते हैं और वह गुरुवार का काम आपकी नींद के दौरान संभालता है।

For others का मतलब है कि AI जिस person की सेवा करता है वह शायद आप न हों। आप उसे configure करते हैं; उससे बात आपका customer, student या colleague करता है।

Automation और augmentation दोनों में आप chair पर रहते हैं। Agency में आप chair छोड़ते हैं। Mode 2 को मुश्किल बनाने वाली हर चीज़ इसी fact से निकलती है: आप हर decision supervise नहीं कर सकते, इसलिए judgment पहले से system में बनानी पड़ती है।

Automation और agency का अंतर खास तौर पर महत्वपूर्ण है:

	Automation	Agency
आप देते हैं	Task या steps	Goal और boundaries
AI तय करता है	बहुत कम	आगे के कई steps
आपकी भूमिका	Script writer	Director
आम failure	कोई step खराब होता है	Goal या boundary को गलत समझ लिया जाता है

इनमें से कोई mode अपने आप बेहतर नहीं है।

अच्छा AI user वही mode चुनता है जो काम के लिए सही हो।

एक project में तीनों modes आ सकते हैं। आप data extraction automate कर सकते हैं, exceptions पर सोचने के लिए augmentation उपयोग कर सकते हैं, फिर routine cases संभालने के लिए agent को सीमित authority दे सकते हैं।

Agent Factory की भाषा में, Mode 1 automation और augmentation का बहुत उपयोग करता है। Mode 2 agency को systematic बनाता है। Digital FTE केवल "AI का चीज़ें करना" नहीं है। वह job definition, System of Record, permissions, rules और governance के भीतर काम करता AI है।

इसीलिए AI के अधिक autonomous होने पर 4Ds और भी महत्वपूर्ण हो जाते हैं।

भाग 2: चार competencies

3. Delegation: तय करें कि कौन क्या करे

Beginners की सबसे आम गलती पहले prompt से भी पहले होती है।

लोग AI assistant खोलकर typing शुरू कर देते हैं, लेकिन पहले यह तय नहीं करते:

• मैं असल में हासिल क्या करना चाहता हूँ?
• अच्छा result कैसा होगा?
• कौन-से हिस्से AI को करने चाहिए?
• कौन-से हिस्से मुझे करने चाहिए?
• कौन-से decisions कभी AI को नहीं देने चाहिए?

यह Delegation की problem है।

Delegation का मतलब तय करना है कि human और AI के बीच काम कैसे बाँटा जाए।

यह केवल "AI को काम देना" नहीं है। यह workflow design करना है।

Delegation के तीन parts हैं:

1. Problem awareness: goal और काम को समझें।
2. Platform awareness: समझें कि कौन-सा AI system या tool काम के लिए सही है।
3. Task delegation: तय करें कि कौन हर part करेगा।

(Framework के reference document में पहले part को goal and task awareness कहा गया है। Idea वही है, और बाहर आपको दोनों नाम मिलेंगे।)

3.1 Problem awareness: समझें कि आप क्या हासिल करना चाहते हैं

AI से कुछ भी माँगने से पहले खुद से पूछें:

• Goal क्या है?
• यह किसके लिए है?
• Success कैसा दिखता है?
• क्या गलत हो सकता है?
• Human judgment कहाँ आवश्यक है?

मान लीजिए आप small business की overdue invoices follow up करने के लिए AI agent चाहते हैं।

Beginner लिख सकता है:

"मेरे लिए invoice-chasing agent बनाएँ।"

AI कुछ बना सकता है। लेकिन कठिन सवाल अब भी unanswered हैं:

• उसे किन customers से contact करना चाहिए?
• Invoice कितने days late होने पर contact हो?
• Tone कैसी हो?
• कितनी amount पर message को human approval चाहिए?
• Customer invoice dispute करे तो क्या हो?
• Agent कौन-सा accounting system पढ़ सकता है?
• क्या agent messages send कर सकता है या केवल draft?

ये prompting के सवाल नहीं हैं। ये business के सवाल हैं।

जब तक आप जानबूझकर AI को authority न दें, वह आपकी business policy तय नहीं कर सकता। कई cases में वह authority आपको देनी ही नहीं चाहिए।

3.2 Platform awareness: सही तरह का AI चुनें

हर AI system हर job में बराबर अच्छा नहीं होता।

आप चुन सकते हैं:

• मुश्किल multi-step problem के लिए reasoning model;
• current information के लिए search-enabled assistant;
• software development के लिए coding agent;
• tools और multiple steps वाले काम के लिए agent-capable system।

आपको हर model name याद रखने की ज़रूरत नहीं। Market बहुत तेज़ी से बदलता है।

आपको यह पूछने की आदत ज़रूर चाहिए:

"क्या यह इस job के लिए सही tool है?"

अलग systems आज़माएँ। उनके results compare करें। जो काम करे उसके notes रखें। 2026 में कौन-से AI Employees इस बदलते landscape का current map देता है।

3.3 Task delegation: काम सोच-समझकर बाँटें

Problem और platform समझने के बाद job को parts में बाँटें।

मान लीजिए आप इसी तरह का course बना रहे हैं:

Task	सही owner	क्यों
Audience और learning goals तय करना	Human	Purpose और judgment चाहिए
संभावित course structures suggest करना	AI + human	AI breadth देता है; human चुनता है
तय outline से sections draft करना	AI	First drafts में तेज़
Factual claims verify करना	Human	Accountability author के पास रहती है
Lived experience और local examples जोड़ना	Human	AI के पास आपका experience नहीं
Grammar और consistency सुधारना	AI	Mechanical review के लिए सही
Final course approve करना	Human	आपका नाम और reputation उससे जुड़े हैं

यही Delegation की practice है।

आप "क्या AI यह कर सकता है?" से बेहतर सवाल पूछ रहे हैं।

आप पूछ रहे हैं:

"कौन-से parts AI को करने चाहिए, कौन-से मुझे, और क्यों?"

Agent Factory में यह कहाँ जाता है

दूसरों के लिए agents बनाते समय Delegation engineering बन जाता है।

Problem awareness specification बनता है: goal, constraints, risks और definition of done।

Task delegation Digital FTE की boundary बनता है: agent क्या कर सकता है, humans क्या अपने पास रखते हैं और क्या escalate होना चाहिए।

Vertical System of Record इन decisions को durable और inspectable बनाता है।

Spec-Driven Development और The FDE AF Model में आगे बढ़ें।

4. Description: AI को उसकी ज़रूरत की जानकारी दें

Course की शुरुआत वाली colleague को याद करें।

उसका course outline गलत था क्योंकि आपने महत्वपूर्ण जानकारी छोड़ दी थी।

AI के साथ यही problem और बड़ी होती है। वह आपका मन नहीं पढ़ सकता। वह केवल उपलब्ध जानकारी से काम करता है। कुछ महत्वपूर्ण छूट जाए तो वह reasonable guess कर सकता है, और reasonable guess भी गलत हो सकता है।

Description वह skill है जिसमें आप AI को अच्छा काम करने के लिए ज़रूरी जानकारी और guidance देते हैं।

Description केवल "अच्छा prompt लिखने" से बहुत बड़ा है।

इसमें तीन चीज़ें हैं:

1. Product description: आपको क्या चाहिए।
2. Process description: काम किस तरह किया जाए।
3. Performance description: AI आपके साथ और अपने आप कैसे behave करे।

इसे याद रखने का आसान तरीका है:

क्या → कैसे → मेरे साथ कैसे काम करना है

4.1 Product description: result define करें

Product description इस सवाल का जवाब देता है:

"मुझे ठीक-ठीक क्या वापस चाहिए?"

इन बातों को शामिल करें:

• output का type;
• audience;
• format;
• length;
• tone;
• महत्वपूर्ण topics; और
• क्या शामिल नहीं करना है।

इन requests की तुलना करें।

अस्पष्ट:

"इस report को summarize करें।"

ज़्यादा clear:

"इस quarterly financial report को senior executives के लिए summarize करें जिनके पास पढ़ने के लिए दस minutes हैं। Revenue trends, major risks और recommended actions पर focus करें। Short bullet points उपयोग करें और इसे एक page तक रखें। पिछले quarter से काफी बदले हर figure को highlight करें। अनावश्यक accounting jargon से बचें।"

दूसरा request ज़्यादा intelligent नहीं है। वह ज़्यादा complete है।

Beginners के लिए यह महत्वपूर्ण lesson है:

Clever wording की तुलना में completeness आम तौर पर अधिक महत्वपूर्ण है।

4.2 Process description: approach define करें

Process description इस सवाल का जवाब देता है:

"AI को काम कैसे करना चाहिए?"

आप specify कर सकते हैं:

• follow करने वाले steps;
• काम का order;
• उपयोग करने का method;
• imitate करने वाले examples;
• finish करने से पहले की checks।

उदाहरण:

"इस code को पहले correctness, फिर security और अंत में style के लिए review करें। यह check करने से पहले naming issues पर समय न लगाएँ कि code सच में काम करता है या नहीं।"

Desired product अब भी "code review" है। लेकिन अब process भी define है।

4.3 Performance description: behavior define करें

Performance description इस सवाल का जवाब देता है:

"इस AI को कैसे behave करना चाहिए और किसके लिए?"

आज उपयोग किए जा सकने वाले छोटे version से शुरू करें, जहाँ "किसके लिए" का answer केवल आप हैं।

उदाहरण:

• concise या detailed;
• supportive या challenging;
• exploratory या decisive;
• पहले questions पूछे या reasonable assumptions बनाए;
• uncertainty flag करे या केवल best answer दे।

उपयोगी performance description यह हो सकता है:

"मेरी कमजोर assumptions को challenge करें। Uncertainty flag करें। केवल polite होने के लिए मुझसे agree न करें। मेरा argument मज़बूत हो तो कारण बताएँ। आपका मज़बूत हो तो अपनी position पर रहें और कारण समझाएँ।"

इससे AI polite answer machine से बेहतर thinking partner बनता है।

यह छोटा version है, जो chat window में fit होता है और केवल एक audience, यानी आपकी सेवा करता है। Framework में इसका अर्थ बड़ा है। Performance description define करता है कि AI अपने आप उन लोगों के लिए कैसे behave करेगा जो उसका उपयोग करेंगे, जिसमें वे लोग भी हैं जो आप नहीं हैं और आपकी लिखी instruction कभी नहीं देखेंगे।

दोनों एक ही skill के दो आकार हैं। "केवल polite होने के लिए मुझसे agree न करें" लिखते समय आप ऐसे behavior का rule लिख रहे हैं जो अभी हुआ नहीं। Tutoring agent का rule कि student के problem attempt करने से पहले वह answer कभी नहीं देगा, वही sentence अधिक stakes के साथ है: एक बार लिखा, हज़ार बार लागू, ऐसे person पर जिससे आप कभी नहीं मिलेंगे।

इसीलिए Mode 1 से Mode 2 में जाते समय Description का performance हिस्सा सबसे ज़्यादा बढ़ता है। Chat में खराब performance description आपको दस minutes परेशान करता है। Deployed agent में वही product है।

Description, prompting से बड़ा है

2026 में AI Prompting examples देना, constraints specify करना, tasks decompose करना और roles define करना जैसी practical techniques सिखाता है।

यह course उन techniques के पीछे का बड़ा idea सिखाता है: Description।

Prompt कैसे phrase करें यह समझ न आए तो रुकें नहीं। अपनी situation साधारण भाषा में समझाएँ और AI से उसे clearer instruction में बदलने में मदद माँगें।

Prompt engineering से context engineering तक

Prompt engineering पूछता है:

"इस message को कैसे phrase करना चाहिए?"

Context engineering बड़ा सवाल पूछता है:

"AI की success के लिए कौन-सी information उपलब्ध होनी चाहिए?"

उस information में शामिल हो सकते हैं:

• दस्तावेज़;
• उदाहरण;
• memory;
• conversation history;
• नीतियाँ;
• tools;
• database records;
• definitions; और
• instructions।

Agent के लिए यह बेहद महत्वपूर्ण है।

खूबसूरती से लिखा prompt भी उस agent को नहीं बचा सकता जिसके पास गलत data, missing rules, खराब examples या ज़रूरी tools का access नहीं है।

Agent Factory में यह कहाँ जाता है

Description scale होकर architecture बनता है।

System prompt, performance description को persistent बना सकता है। SKILL.md, process description को reusable बना सकता है। System of Record, agent के लिए ज़रूरी domain knowledge, rules, definitions और governance रख सकता है।

इस scale पर अच्छा Description, अच्छा context engineering बन जाता है।

System of Context और System of Record में आगे बढ़ें।

5. Discernment: confidence को correctness न समझें

AI अक्सर confident लगता है।

Readability के लिए यह उपयोगी है। Trust के लिए खतरनाक है।

गलत AI answer आम तौर पर warning label के साथ नहीं आता। वह polished, detailed और certain दिख सकता है।

इसलिए काम describe करने के बाद दूसरी skill चाहिए:

Discernment, AI के दिए काम की quality परखने की क्षमता है।

Description पूछता है:

"क्या मैंने job स्पष्ट रूप से समझाई?"

Discernment पूछता है:

"क्या AI ने सच में job अच्छी तरह की?"

यहाँ उपयोगी term है automation bias। इसका अर्थ automated answer पर बहुत आसानी से भरोसा करने की human tendency है, खासकर जब वह confident या professional दिखे।

Failure, success जैसा दिख सकता है

Hallucinated answer लगभग correct answer जैसा दिख सकता है।

Fluent writing proof नहीं है। Citation जैसा दिखने वाला link proof नहीं है। Confident tone proof नहीं है।

Accuracy मायने रखती हो तो verify करें।

Discernment, Description को mirror करता है। उसी तीन चीज़ों की ओर इशारा करते हुए इसके भी तीन parts हैं:

1. Product discernment: क्या result अच्छा है?
2. Process discernment: क्या AI के साथ इस तरह काम करने से सच में लाभ हो रहा है?
3. Performance discernment: AI अपने आप काम करे तो क्या दूसरी तरफ के लोगों को अच्छी सेवा मिल रही है?

5.1 Product discernment: क्या result अच्छा है?

पूछें:

• क्या यह factually correct है?
• क्या इसने हर important requirement follow की?
• क्या कुछ missing है?
• क्या यह internally consistent है?
• क्या expert इसे credible मानेगा?
• क्या मैं इस पर अपना नाम रखूँगा?

यहाँ आपका domain knowledge बहुत valuable बनता है।

Accountant गलत accounting assumption पहचानता है। Programmer subtle bug पहचानता है। Teacher पहचानता है कि explanation beginners को confuse करेगा।

AI expert work की speed बढ़ा सकता है। वह expertise की ज़रूरत खत्म नहीं करता।

Result को परखने का मतलब उसके पक्ष में दी गई दलील को भी परखना है, क्योंकि AI कमजोर reasons से सही answer तक पहुँच सकता है। गलत assumption पर टिका सही answer लंबे समय तक सही नहीं रहेगा।

मान लीजिए AI Vendor B की जगह Vendor A recommend करता है। Conclusion sensible हो सकता है। लेकिन शायद उसने मान लिया कि Vendor A में ऐसा feature है जो मौजूद नहीं। Recommendation पर तब तक भरोसा न करें जब तक उसका support सही न निकले।

AI से दिखाने के लिए उपयोगी चीज़ें:

• मान्यताएँ;
• सबूत;
• फैसले के मानदंड;
• हिसाब;
• intermediate results; और
• alternative interpretations।

इन्हें review के लिए दी गई justification मानें, model की hidden internal reasoning की literal transcript नहीं।

उदाहरण:

"किसी option को recommend करने से पहले अपनी assumptions, उनका supporting evidence और decision criteria list करें। फिर recommendation दें।"

इससे answer inspect करना आसान होता है।

5.2 Process discernment: क्या काम करने का यह तरीका लाभ दे रहा है?

कभी answer ठीक होता है लेकिन working relationship नहीं।

लोग यह सवाल लगभग कभी नहीं पूछते, क्योंकि output acceptable दिखा और session successful लगा। Last message के बजाय पूरे session को देखें:

• क्या AI मेरे feedback के अनुसार adapt कर रहा है या पुराने तरीके पर लौट रहा है?
• क्या वह दो corrections के बाद भी वही mistake दोहरा रहा है?
• क्या वह इतना agreeable हो गया है कि उपयोगी नहीं रहा?
• क्या मैं हर turn में वही formatting problem repair कर रहा हूँ?
• क्या अब उसके draft को edit करने में उससे ज़्यादा मेहनत लग रही है जितनी खुद लिखने में लगती?

आखिरी सवाल पर ईमानदारी से रुकना चाहिए। बीस minutes steering से एक hour बचता है तो win है। बीस minutes steering से पंद्रह minutes बचते हैं तो वह loss है जिसे productive महसूस होने के कारण आपने win गिना।

Process काम न करे तो तीन moves हैं, बढ़ते क्रम में: performance description बदलें, tool बदलें या task वापस ले लें। तीनों fluency हैं। केवल तीसरा defeat जैसा लगता है, और आम तौर पर वह defeat नहीं है।

5.3 Performance discernment: क्या आपकी अनुपस्थिति में AI लोगों की अच्छी सेवा करता है?

तीसरा प्रकार agency उपयोग करने के बाद ही आता है, इसलिए आगे चलकर यह किताब इसी की सबसे अधिक परवाह करती है।

Performance discernment पूछता है कि AI का independent, user-facing behavior उससे मिलने वाले लोगों के लिए अच्छे outcomes देता है या नहीं। यह किसी single output के correct होने से अलग सवाल है।

AI tutor हर सवाल का सही answer देकर भी खराब tutor हो सकता है, क्योंकि student के रुकते ही वह solution दे देता है और कोई सीखता नहीं। Support agent tickets जल्दी resolve करके भी खराब हो सकता है, क्योंकि वह ऐसी conversations close कर देता है जिन्हें customers finished नहीं मानते।

इसे chat window के अंदर से नहीं देखा जा सकता। यह aggregate में दिखता है: users आगे क्या करते हैं, वे किस बात की complaint करते हैं, और कौन-से cases बार-बार चुपचाप उसी तरह गलत होते हैं।

इसी ईमानदार कारण से यह discernment infrastructure बनता है। एक हज़ार conversations आँखों से नहीं देख सकते, इसलिए कुछ ऐसा बनाते हैं जो उन्हें आपके लिए देखे।

Description–Discernment loop

Description और Discernment स्वाभाविक loop बनाते हैं:

1. आप बताते हैं कि क्या चाहिए।
2. AI कुछ बनाता है।
3. आप उसे inspect करते हैं।
4. आप बताते हैं कि क्या बदलना है।
5. AI फिर कोशिश करता है।

यह normal है।

अच्छा AI work आम तौर पर iterative होता है। First response अक्सर draft है, finish line नहीं।

Feedback देते समय यह simple pattern उपयोग करें:

Problem → यह क्यों मायने रखता है → Direction

कमज़ोर feedback:

"गलत। फिर कोशिश करें।"

बेहतर feedback:

"दूसरे section में enterprise customers मान लिए गए हैं। हमारी audience solo founders है, इसलिए advice बहुत महँगी है। उस section को limited budget वाले one-person business के लिए rewrite करें।"

दूसरा version AI को काम करने लायक जानकारी देता है।

कभी बेहतर Description पर्याप्त नहीं होता। Discernment दिखा सकता है कि original Delegation decision गलत था। शायद tool गलत था। शायद task का वह part AI को कभी देना ही नहीं चाहिए था। शायद human expert की ज़रूरत है।

यह भी fluency है।

Agent Factory में यह कहाँ जाता है

AI systems बनाते समय Discernment evaluation engineering बन जाता है।

आपका manual सवाल "क्या यह पर्याप्त अच्छा है?" eval suites, production checks, monitoring, sampling और release gates बन जाता है।

जिस judgment को आपने खुद करना नहीं सीखा, उसे automate नहीं कर सकते।

Trusting the Checker और Eval-Driven Development में आगे बढ़ें।

6. Diligence: AI का ज़िम्मेदारी से उपयोग करें और result की जवाबदेही लें

पहले तीन Ds बेहतर results पाने में मदद करते हैं।

Diligence अलग सवाल पूछता है:

"क्या मुझे AI का इस तरह उपयोग करना भी चाहिए?"

कल्पना कीजिए कि lecturer, students के end-of-term feedback का draft बनाने के लिए AI उपयोग करता है।

Writing शानदार है। लेकिन lecturer ने student names, grades और disciplinary notes ऐसे consumer AI service में paste किए जिसे university ने कभी approve नहीं किया। Students को यह भी नहीं बताया गया कि उनके academic record का हिस्सा बन सकने वाले comments में AI की मदद ली गई।

Output अच्छा हो सकता है।

AI का उपयोग फिर भी irresponsible है।

Diligence का मतलब AI के उपयोग और उसके output के साथ होने वाली चीज़ों की ज़िम्मेदारी लेना है।

Diligence के तीन parts हैं:

1. Creation diligence: creation से पहले और उसके दौरान responsible choices करें।
2. Transparency diligence: जब लोगों को जानना ज़रूरी हो, AI की भूमिका के बारे में ईमानदार रहें।
3. Deployment diligence: काम उपयोग या release होने से पहले verify करें और ज़िम्मेदारी लें।

6.1 Creation diligence: tools और data responsibly चुनें

AI system से information share करने से पहले पूछें:

• क्या इसमें personal data है?
• क्या इसमें confidential company information है?
• क्या मुझे इस tool में यह information डालने की अनुमति है?
• Data को कौन access या retain कर सकता है?
• क्या मेरी organization ने service approve की है?
• क्या legal, contractual या professional restrictions हैं?

सबसे आसान रास्ता हमेशा responsible नहीं होता।

Real customer database को खुले हुए किसी भी AI tool में copy करना पाँच minutes बचाकर serious privacy या compliance problem बना सकता है।

6.2 Transparency diligence: AI की भूमिका के बारे में ईमानदार रहें

हर AI-assisted task के लिए public announcement ज़रूरी नहीं।

लेकिन जब AI दूसरे लोगों को materially affect करता है, disclosure महत्वपूर्ण हो सकता है।

उदाहरण:

• शैक्षणिक काम;
• भर्ती के फैसले;
• ग्राहकों से संवाद;
• medical या financial advice;
• professional reports; और
• original human work की तरह दिखाया content।

Exact rule context, organization, law और professional standard पर depend करता है।

उपयोगी principle है:

AI-assisted result जितना अधिक दूसरे लोगों को affect करता है, transparency की ज़रूरत उतनी मज़बूत होती है।

Transparency का मतलब workflow की हर detail बताना नहीं है। इसका मतलब है कि जब AI की भूमिका लोगों के लिए मायने रखती हो, तब उन्हें उसके बारे में mislead न करें।

6.3 Deployment diligence: आपके हाथ से निकलने से पहले verify करें

AI-assisted work publish, send, execute या किसी decision में उपयोग करने से पहले उसे check करें।

Task के अनुसार इसमें ये बातें हो सकती हैं:

• facts verify करना;
• sources सच में मौजूद हैं या नहीं confirm करना;
• calculations check करना;
• bias या unfair outcomes review करना;
• permissions और rights confirm करना;
• organization policy follow करना;
• high-impact actions के लिए human approval लेना।

एक powerful final सवाल है:

"क्या मैं confidence से इस पर अपना नाम रखूँगा?"

Answer no हो तो काम ready नहीं है।

Diligence का सबसे important lesson सरल है:

AI काम automate कर सकता है। Accountability automate नहीं कर सकता।

AI-assisted system harmful decision ले तो उसे चलाने वाली organization की ज़िम्मेदारी बनी रहती है। Coding assistant vulnerability introduce करे और engineer उसे ship करे, तो result की जवाबदेही engineer और organization की ही है।

Agent Factory में यह कहाँ जाता है

Diligence के कारण Agent Factory governance-first है।

System scale पर:

• Creation diligence, data rules, access control और approved-tool policy बनता है।
• Transparency diligence, disclosure और user experience design बनता है।
• Deployment diligence, evaluation gates, audit logs, monitoring और human review बनता है।

Mode 2 में आप केवल खुद responsible AI use practice नहीं करते। आप responsibility को ऐसे product में build करते हैं जिसका उपयोग दूसरे लोग करेंगे।

System of Record और Designing the Vertical SoR में आगे बढ़ें।

भाग 3: 4Ds को साथ रखें

7. Practical operating loop के रूप में 4Ds

आपने चारों competencies अलग-अलग सीखीं। Real work में वे साथ मिलती हैं।

Framework के authors Description–Discernment loop स्पष्ट रूप से सिखाते हैं। Agent Factory work के लिए यह किताब idea को आगे बढ़ाकर चारों competencies को एक practical operating loop की तरह उपयोग करती है:

Delegate → Describe → Discern → Diligent रहें → ज़रूरत के अनुसार repeat करें

हर part का योगदान:

• Delegation तय करता है कि AI को काम में शामिल होना चाहिए या नहीं और उसे क्या own करना चाहिए।
• Description AI को ज़रूरी goal, context, process और behavior देता है।
• Discernment result check करता और अगले round को सुधारता है।
• Diligence पूरी process को responsibility से घेरता है।

अब एक real example में loop देखें।

उदाहरण: bookkeeping Digital FTE

Ayesha Lahore में Forward Deployed Engineer है। वह Karachi की small accounting practice को bookkeeping Digital FTE बनाने में मदद कर रही है।

वे जिस पहली job को automate करना चाहते हैं वह monthly bank reconciliation है।

कदम 1: Delegation

Ayesha शुरुआत AI से "reconciliation agent बनाने" को कहकर नहीं करती।

वह पहले accounting partners के साथ job map करती है।

वे तय करते हैं:

• agent bank transactions को ledger entries से match कर सकता है;
• agent unmatched items flag कर सकता है;
• agent reconciliation report draft कर सकता है;
• हर journal adjustment को humans approve करेंगे;
• हर write-off decision humans के पास रहेगा;
• client की tax position affect करने वाली हर बात accountant के पास रहेगी;
• high-value unmatched items किसी named person को escalate होंगे।

अब boundary clear है।

कदम 2: Description

फिर Ayesha system को ज़रूरी information देती है:

• firm का chart of accounts;
• मिलान के नियम;
• past reconciliations के examples;
• partners का existing report format;
• escalation के नियम;
• duplicate payments और stale cheques की definitions;
• rule कि agent journal entry खुद कभी post नहीं करेगा;
• rule कि वह client से सीधे contact कभी नहीं करेगा।

यह system scale पर Description है।

कदम 3: Discernment

Ayesha impressive demo देखकर agent के काम करने की assumption नहीं बनाती।

वह उसे firm के trusted past reconciliations के against test करती है।

Team check करती है:

• कितने matches correct हैं;
• कितने incorrect matches बच निकलते हैं;
• सही cases escalate होते हैं या नहीं;
• agent बहुत ज़्यादा escalate तो नहीं करता;
• performance समय के साथ बदलती है या नहीं।

Accountant केवल failures नहीं, apparently successful matches में से भी कुछ review करता है। यह important है क्योंकि system चुपचाप fail होकर भी safe दिख सकता है।

कदम 4: Diligence

Client financial data approved infrastructure के भीतर रहता है।

Agent actions log होते हैं।

जहाँ disclosure required या appropriate हो, clients को बताया जाता है कि reconciliation में AI की मदद है।

Human partner अब भी reconciliation sign करता है।

Final result की accountability partner के पास रहती है।

यही practice में 4D loop है।

Personal skill, system property बन गई है।

Competency	Chat में	Agent Factory में
Delegation	तय करें कि AI से क्या कराना है	Digital FTE और human/AI boundary का scope
Description	Instructions और context दें	System prompts, skills, context engineering, Systems of Record
Discernment	Answer review करें	Evals, monitoring, sampling, trusting the checker
Diligence	Data protect करें और result own करें	Governance, permissions, audit, disclosure, human review

Agent Factory, AI fluency को replace नहीं करता।

वह उसे industrialize करता है।

यह Four Survival Skills और 10-80-10 Rule से कैसे जुड़ता है

4Ds पूरी किताब में उपयोग ideas का personal-scale version हैं।

10-80-10 Rule को 4Ds से समझना आसान होता है:

• पहले 10%: direction set करें। यहाँ Delegation और Description सबसे मज़बूत हैं। तय करें कि क्या करने लायक है और goal clear बनाएँ।
• बीच के 80%: AI orchestrate करें। AI work बनाता है और आप उसे steer करते हैं, इसलिए Description और Discernment लगातार repeat होते हैं।
• अंतिम 10%: truth judge करें। महत्वपूर्ण चीज़ ship होने से पहले Discernment critical होता है।
• पूरे 100% में: responsibly act करें। Diligence final checkbox नहीं। वह पूरे workflow को घेरता है।

इसलिए chat window में 4Ds practice करते समय आप वही human skills rehearse कर रहे हैं जिनकी बाद में AI systems build और govern करने में ज़रूरत होगी।

8. Beginners की चार आम mistakes

AI के साथ frustrating experiences में से अधिकांश इनमें से किसी failure तक पहुँचते हैं।

Mistake 1: Problem define करने से पहले prompting

Success कैसा दिखेगा, यह तय करने से पहले typing शुरू कर देते हैं।

जिस skill की कमी है: Delegation

Fix: पहले goal, audience, constraints और human/AI split define करें।

Mistake 2: पहले answer को final answer मानना

Weak first response देखकर मान लेते हैं कि AI बेकार है।

जिस skill की कमी है: Description + Discernment loop

Fix: result inspect करें, specific feedback दें और iterate करें।

Mistake 3: Professional लगने के कारण polished answer पर भरोसा करना

Fluency को accuracy समझ लेते हैं।

जिस skill की कमी है: Discernment

Fix: important facts, assumptions, calculations और sources verify करें।

Mistake 4: कुछ गलत होने के बाद privacy या accountability के बारे में सोचना

Task complete करने पर focus करते हैं और AI के उपयोग के तरीके को ignore करते हैं।

जिस skill की कमी है: Diligence

Fix: deployment से पहले data, disclosure, approval और accountability rules तय करें।

रोज़ उपयोग करने वाली beginner checklist

AI से meaningful work कराने से पहले यह quick check चलाएँ:

Stage	खुद से पूछें
Delegate	Goal क्या है? AI को क्या करना चाहिए? मेरे पास क्या रहेगा?
Describe	AI को कौन-सा output, context, method और behavior चाहिए?
Discern	मुझे कैसे पता चलेगा कि answer correct, complete और useful है?
Be diligent	क्या data safe है? क्या AI की भूमिका disclose करनी चाहिए? Result को कौन approve और own करता है?

हर छोटे task के लिए इसे paperwork बनाने की ज़रूरत नहीं है।

उद्देश्य चारों questions को automatic बनाना है।

Practice से पहले छोटा recap

AI fluency prompts याद करने की क्षमता नहीं है। यह AI के साथ effectively, efficiently, ethically और safely काम करने की क्षमता है।

AI के साथ तीन modes में काम किया जा सकता है:

• Automation: AI defined task करता है।
• Augmentation: आप और AI साथ सोचते हैं।
• Agency: AI आपके तय goal की दिशा में अपने आप काम करता है, अक्सर ऐसे लोगों के लिए जो आप नहीं हैं।

तीनों modes में चार competencies वही रहती हैं:

• Delegation: human/AI split तय करें।
• Description: AI को उसकी ज़रूरत की जानकारी दें।
• Discernment: वापस आए काम को परखें।
• Diligence: AI का responsibly उपयोग करें और outcome own करें।

इस course से केवल एक sentence याद रखना हो तो यह रखें:

तय करें कि AI को क्या करना चाहिए। काम clearly describe करें। वापस आए result को check करें। आगे होने वाली चीज़ों की responsibility लें।

अभी आज़माएँ: छह prompts

AI fluency के बारे में केवल पढ़ना पर्याप्त नहीं। इसे उपयोग करें।

AI assistant खोलें और नीचे दिए exercises करें। सभी छह एक sitting में पूरे करना ज़रूरी नहीं।

1. Real task के लिए 4D plan बनाएँ

इस week सच में करने वाला कोई काम चुनें।

I need to do this: [describe the task].

Before we start, walk me through the four Ds of AI fluency for it:
delegation, description, discernment, diligence. Ask me one question
at a time, skip any that obviously does not apply, and give me the
plan as a short table at the end.

क्या notice करें: plan मुख्य रूप से आपके answers से बना है, AI के answers से नहीं। यही point है। Delegation और Diligence के decisions केवल आप ले सकते हैं; यहाँ AI questions याद दिलाने में उपयोगी है, decisions लेने में नहीं।

2. किसी जाने-पहचाने topic पर Discernment उपयोग करें

ऐसा subject चुनें जिसमें आपको real experience है।

Let's discuss [topic I know well].

Talk to me like a knowledgeable colleague, not a lecturer.
As we go, I will watch for three things:
- where you improve my thinking,
- where I need to correct you,
- where my own experience makes me reject your suggestion.

Start by asking which part of the topic I want to discuss.

क्या notice करें: domain जानने पर discernment कितना आसान है। आपने बिना खास effort के गलत claim पकड़ लिया। यह आपकी expertise है, और exercise 3 में यही आपके पास नहीं होगी।

3. Non-expert होना कैसा है, महसूस करें

अब ऐसा कुछ चुनें जिसके बारे में लगभग कुछ नहीं जानते।

Teach me the basics of [topic I know little about].
Explain it for a complete beginner and use concrete examples.

At the end, identify the claims in your explanation that I should
verify with a reliable source, and explain why they deserve checking.

क्या notice करें: same quality का output कितना अलग महसूस होता है। कुछ गलत नहीं लगा, क्योंकि check करने के लिए आपके पास knowledge नहीं थी। उस feeling को याद रखें: आपके बनाए agent का हर user हर समय यही महसूस करेगा। इसी कारण Digital FTE को trust के बजाय evals चाहिए।

4. Performance description लिखें

Serious working session की शुरुआत में इसका उपयोग करें:

During this conversation:
- challenge weak assumptions,
- flag uncertainty on factual claims,
- do not agree with me just to be polite,
- ask a clarifying question when an ambiguity would materially change the answer,
- change your recommendation when new evidence supports a change,
- explain why when you disagree with me.

क्या notice करें: फर्क obvious होने में कितने कम turns लगते हैं, और नई chat खोलकर इसे दोबारा set करना भूलें तो effect कितनी जल्दी fade होता है। इसी कारण deployed agent अपनी performance description किसी की memory में नहीं, system prompt में रखता है।

5. Recommendation accept करने से पहले justification inspect करें

AI को अपना कोई real decision दें, फिर यह जोड़ें:

Before making a recommendation, list:
1. the important assumptions,
2. the evidence supporting them,
3. the criteria you are using to compare the options,
4. the major uncertainties.

Then make the recommendation.
I want a justification I can review, not just a conclusion.

क्या notice करें: क्या list में ऐसी assumption है जिसे लिखे बिना आप silently accept कर लेते? वही check करने लायक है, और केवल conclusion मिलने पर invisible रहती।

6. Small project को पूरे 4D loop से चलाएँ

लगभग एक hour में पूरा होने वाला project चुनें: study plan, tutorial, presentation, proposal या small coding task।

I want to complete this project using the 4D AI Fluency framework:
[describe the project].

First, help me decide the human/AI division of work.
Then, before each AI-owned task, ask what product, process,
and performance I want.

After each important output, stop so I can evaluate it.
At the end, run a diligence check covering facts, sensitive data,
disclosure, approvals, and anything I should verify before using the work.

Finish होने पर खुद से पूछें:

कौन-से D में मुझे सबसे अधिक effort करना पड़ा?

शायद उसी competency की सबसे अधिक practice चाहिए।

छोटा self-check

पीछे देखे बिना memory से answers दें। कोई सवाल ऊपर scroll करने को मजबूर करे तो वह section अभी ठीक से नहीं बैठा।

1. AI fluency को कौन-सी चार qualities define करती हैं?
2. Automation, augmentation और agency में क्या अंतर है?
3. Delegation के तीन parts क्या हैं?
4. Description के तीन parts क्या हैं?
5. Confident AI answer को verify करना फिर भी क्यों ज़रूरी हो सकता है?
6. Discernment के तीन parts क्या हैं?
7. Diligence के तीन parts क्या हैं?
8. AI-assisted work ship करने से पहले कौन-सा सवाल पूछ सकते हैं?
9. एक sentence में 4D loop क्या है?
10. Agent Factory में Discernment engineering practice कैसे बनता है?

उत्तर

1. Effective, efficient, ethical और safe।
2. Automation defined task execute करता है, augmentation thinking partner के रूप में आपके साथ काम करता है, और agency steps चुनने की अधिक freedom के साथ goal की दिशा में काम करता है।
3. Problem awareness, platform awareness और task delegation।
4. Product description, process description और performance description।
5. क्योंकि AI plausible output generate करता है, और plausible होना correct होने के बराबर नहीं। Fluent wording facts, assumptions या reasoning verify नहीं करती।
6. Product discernment, process discernment और performance discernment।
7. Creation diligence, transparency diligence और deployment diligence।
8. "क्या मैं confidence से इस पर अपना नाम रखूँगा?"
9. तय करें कि AI को क्या करना चाहिए, काम describe करें, वापस आए result को evaluate करें और पूरी process की responsibility लें।
10. यह evals, monitoring, sampling, review gates और AI system की acceptable performance test करने के दूसरे तरीकों में बदलता है।

इस course के नए terms

Machine की technical vocabulary AI वास्तव में क्या है और किताब की Glossary में है। इस course के important terms ये हैं।

AI fluency। AI के साथ effectively, efficiently, ethically और safely काम करने की क्षमता।

4Ds। Delegation, Description, Discernment और Diligence।

Automation। AI specific instructions से defined task करता है।

Augmentation। Human और AI thinking partners की तरह साथ काम करते हैं।

Agency। AI किसी person की ओर से goal की दिशा में काम करता और कई steps खुद चुनता है।

Delegation। तय करना कि कौन-सा काम करना है, AI क्या करेगा और humans क्या अपने पास रखेंगे।

Problem awareness। AI को शामिल करने से पहले goal, काम, risks और success का अर्थ समझना।

Platform awareness। समझना कि कौन-सा AI system या tool task के लिए सही है।

Task delegation। काम के parts सोच-समझकर humans या AI को assign करना।

Description। AI को अच्छा काम करने के लिए ज़रूरी information और guidance देना।

Product description। Desired output define करना।

Process description। AI काम को कैसे approach करे, यह define करना।

Performance description। AI अपने users के लिए अपने आप कैसे behave करे, यह define करना। Chat scale पर यह आपकी working-style preferences हैं; system scale पर deployed agent का standing behavior।

Discernment। Evaluate करना कि AI का output, justification और behavior पर्याप्त अच्छे हैं या नहीं।

Product discernment। Result को evaluate करना।

Process discernment। किसी single output के बजाय यह evaluate करना कि AI के साथ काम करने का तरीका सच में लाभ दे रहा है या नहीं।

Performance discernment। Evaluate करना कि AI का independent, user-facing behavior उसके users के लिए अच्छे outcomes देता है या नहीं।

Diligence। AI के उपयोग और उसके output के साथ होने वाली चीज़ों की responsibility लेना।

Creation diligence। Creation से पहले और उसके दौरान tools, data और AI use responsibly चुनना।

Transparency diligence। जब AI की भूमिका प्रभावित लोगों के लिए मायने रखती हो, उसके बारे में ईमानदार रहना।

Deployment diligence। AI-assisted work के use, publish, send या execute होने से पहले उसे verify करना और उसकी guarantee लेना।

Context engineering। AI system के लिए ज़रूरी information environment design करना: instructions, documents, tools, memory, policies, examples और दूसरा relevant context।

Automation bias। Automated output पर बहुत आसानी से भरोसा करने की human tendency।

Hallucination। ऐसा confident या plausible AI output जिसमें fabricated या incorrect information हो।

आगे कहाँ जाएँ

अब आपके पास वह human framework है जिस पर Foundations का बाकी हिस्सा बनता है।

अगला course, 2026 में AI Prompting, Description को रोज़ उपयोग होने वाली practical habits में बदलता है।

AI Era में कैसे सोचें Discernment और critical thinking मज़बूत करता है।

Build path में आगे:

• Spec-Driven Development, Delegation और Description को engineering method बनाता है।
• Trusting the Checker और Eval-Driven Development, Discernment को evaluation infrastructure बनाते हैं।
• System of Record और Designing the Vertical SoR, Diligence, context और governance को system architecture बनाते हैं।

अगर credentials collect कर रहे हैं, तो इस material से जुड़े exams के लिए Certifications देखें।

Sources और license note

AI Fluency Framework को Rick Dakan, Ringling College of Art and Design में Professor of Creative Writing और AI Coordinator, तथा Joseph Feller, Cork University Business School, University College Cork में Professor of Information Systems and Digital Transformation ने बनाया। उनका course AI Fluency: Framework and Foundations Anthropic के साथ तैयार हुआ और CC BY-NC-SA 4.0 के अंतर्गत release हुआ। उनका reference document Framework for AI Fluency: Practical Overview Document CC BY-NC-ND 4.0 के अंतर्गत release हुआ।

यह crash course इस किताब के अपने words और examples में framework की independent explanation है। यह उनके materials की copy या adaptation नहीं है। यहाँ उपयोग हर competency, sub-competency और modality definition को authors के Practical Overview Document और framework terminology sheet से check किया गया। Agent Factory mappings, हर competency का chat-to-factory scaling और four-D operating-loop framing इस किताब के extensions हैं। उन extensions की हर error हमारी है, उनकी नहीं।

Original भी पढ़ें। वह free है, और framework के पीछे की research को किसी summary से बेहतर समझाता है।

• AI Fluency Framework, authors की अपनी site, papers, presentations और open educational resources के साथ।
• AI Fluency: Framework and Foundations, Claude Academy पर free 12-lesson original course, लगभग 3 से 4 hours। anthropic.skilljar.com से भी पहुँचा जा सकता है।
• Framework for AI Fluency: Practical Overview Document, authors का living reference document और sub-competencies का सबसे precise statement।
• Companion courses Teaching AI Fluency, AI Fluency for Educators और AI Fluency for Students, Claude Academy और OpenCourses.ie पर free हैं।
• AI Fluency Framework terminology sheet (PDF), copyright 2025 Rick Dakan, Joseph Feller और Anthropic, CC BY-NC-SA 4.0 के अंतर्गत release।

---

Flashcards से पढ़ाई में मदद

---

अपनी समझ जाँचें

इस course की शुरुआत में दिए चार questions पढ़ने में आसान थे, लेकिन सच में चलाना कठिन है। ये scenarios आपको दूसरे लोगों के काम के बीच ऐसे decision पर रखते हैं जो पहले से इंतज़ार कर रहा है। Wording के बजाय reasoning से answer दें और notice करें कि हर scenario सच में कौन-सा D test करता है।

Checking access...