ایجنٹ فیکٹری کا تھیسس
AI کے دور میں سب سے قیمتی کمپنیاں سافٹ ویئر نہیں بیچیں گی — وہ AI ملازمین بنائیں گی (Digital FTEs): role-based نظام جو ٹولز جوڑتے ہیں، specialist ایجنٹس چلاتے ہیں، اور بڑے پیمانے پر نتائج فراہم کرتے ہیں۔ یہ AI ملازمین AI-Native کمپنیوں کا operating substrate ہیں، جہاں افرادی قوت زیادہ تر AI ہوتی ہے اور پروڈکٹ line وہ سب کچھ ہوتی ہے جو یہ افرادی قوت جاری کرتی ہے: سافٹ ویئر، فیصلے، سروسز، اور transactions۔ آپ ان کمپنیوں سے چیزیں نہیں خریدتے۔ آپ انہیں hire کرتے ہیں۔ یہ رجحان اس سے بھی آگے جا رہا ہے: AI ملازمین اس حد کے قریب ہیں کہ وہ خود معاشی کردار بن جائیں — سروسز خود خریدیں، کمپیوٹ procure کریں، اور جو کام انہیں سونپا گیا ہو اسے پورا کرنے کے لیے ڈیٹا حاصل کریں۔ یہ اب صرف ٹول زمرہ نہیں رہی۔ یہ کمپنی زمرہ ہے۔ ایجنٹ فیکٹری وہ عمل ہے جو ان کمپنیوں کو بناتا ہے۔
معاشی کردار بننے کا یہ رجحان کوئی 2030 کی پیش گوئی نہیں ہے — اسے ممکن بنانے والی payment rails پہلے ہی production میں live ہیں۔ 2025–2026 میں shipping ہونے والے چار open protocols AI ایجنٹس کو یہ صلاحیت دیتے ہیں کہ وہ payments authorize کریں، checkout کریں، اور ہر قدم پر human کو loop میں لائے بغیر transactions settle کریں۔
- پہلا، ACP (OpenAI + Stripe) — یہ ChatGPT کے Instant Checkout کو power کرتا ہے۔ جب ایجنٹ chat کے اندر آپ کے لیے کوئی چیز خریدتا ہے تو ACP ہی transaction کو authorize اور clear کرتا ہے۔
- دوسرا، AP2 (Google) — یہ ایک cross-vendor standard ہے جسے 60+ کمپنیاں کی backing حاصل ہے، اور یہ cryptographically signed mandates کے گرد بنایا گیا ہے۔ ایجنٹ ایک digitally signed permission slip ساتھ رکھتا ہے جو ثابت کرتی ہے کہ human نے اسے کسی مخصوص زمرہ کی چیز پر مخصوص amount تک خرچ کرنے کی اجازت دی ہے۔
- تیسرا، x402 (Coinbase) — یہ ایک crypto-native payment protocol ہے۔ Version 2 اواخر 2025 میں launch ہوا؛ اور اوائل 2026 میں Stripe نے اسے Coinbase کی Base blockchain پر جوڑتے کیا، یوں یہ protocol crypto-native commerce سے mainstream payment flows تک آ گیا۔
- چوتھا، MPP (Stripe / Tempo) — یہ micropayments کے لیے بنایا گیا ہے۔ Service stream کرنے والا AI ایجنٹ پہلے سے طے شدہ cap کے تحت فی second چند cents ادا کر سکتا ہے — اور یوں consumption-based commerce ممکن ہوتی ہے جو human-mediated transactions کے لیے غیر معاشی تھی۔
بنیادی plumbing موجود ہے۔ اب جو چیز بدل رہی ہے وہ خود کام کی شکل ہے۔
SaaS کے دور نے subscriptions بیچیں۔ ایجنٹ فیکٹری کے دور میں results بیچے جاتے ہیں۔ Humans نیت define کرتے ہیں۔ ایجنٹس execute کرتے ہیں۔ Humans نتائج verify کرتے ہیں۔ درمیان کا step — typing، clicking، integrating، executing — وہ چیز ہے جسے AI absorb کر لیتا ہے۔ Humans کے لیے وہی کام باقی رہتا ہے جو machines ہمارے لیے نہیں کر سکتیں: یہ جاننا کہ ہم حقیقت میں کیا چاہتے ہیں، اور یہ جاننا کہ کیا ہمیں واقعی وہ مل گیا۔
جو باقی رہ جاتا ہے: نیت۔ تصدیق۔ Outcome۔
نیت خود سے کسی تفصیل میں قسم نہیں ہوتا۔ یہ انسان سے آتا ہے — اس کی judgment، اس کا شعبہ knowledge، اس کی values۔ لیکن جیسے جیسے AI ملازمین بڑھتے جاتے ہیں، کوئی بھی professional ان سب کو ہاتھ سے orchestrate نہیں کر سکتا۔ وہ ایک ایسے personal ایجنٹ کے ذریعے کام کریں گے جو ان کی judgment کی عکاسی کرے اور ان کی طرف سے delegation کرے — ایک chief of staff جو آپ کو جانتا ہو، آپ کی طرف سے بولتا ہو، اور کام صحیح جگہ تک پہنچاتا ہو۔ Don Tapscott (ایک معروف کاروبار/tech thinker) اسے identic AI کہتے ہیں۔¹ "Identic" اس لیے کہ یہ ایجنٹ آپ کی identity اپنے ساتھ رکھتا ہے — آپ کی judgment، آپ کی preferences، آپ کی authority۔ یہ کوئی generic assistant نہیں۔ یہ آپ کا نمائندہ ہے۔ ایجنٹ فیکٹری، AI-Native کمپنی کی افرادی قوت تیار کرتی ہے؛ identic AI وہ طریقہ ہے جس سے ہر انسان اس افرادی قوت کو command کرتا ہے۔
اصطلاحات کے بارے میں ایک نوٹ
اس thesis میں چند اصطلاحات بار بار استعمال ہوتی ہیں۔ یہ ایک دوسرے کے بدل نہیں ہیں۔
ایجنٹ فیکٹری عمل ہے۔ یہ وہ واضح تفصیلات پر مبنی، انسانی نگرانی والا، ایجنٹ-ٹول-powered طریقہ (Claude Code/OpenCode) ہے جس کے ذریعے AI ورکرز design، تیار، اور deploy کیے جاتے ہیں۔ ایجنٹ فیکٹری وہ چیز ہے جسے چلانا آپ سیکھتے ہیں۔ یہ کوئی ایسا پروڈکٹ نہیں جسے آپ خریدتے ہیں — یہ ایک practice ہے جسے آپ اپناتے ہیں۔
AI-Native کمپنی نتیجہ ہے۔ یہ وہ چلتا ہوا ادارہ ہے جسے ایجنٹ فیکٹری پیدا کرتی ہے: ایک firm جس میں AI ورکرز بطور staff کام کرتے ہیں، جسے management plane coordinate کرتا ہے، اور جسے humans edge پر direction دیتے ہیں۔ AI-Native کمپنی وہ چیز ہے جسے آخرکار آپ چلاتے ہیں۔ کتاب میں اسے Agentic ادارہ بھی کہا گیا ہے۔
AI ورکرز افرادی قوت ہیں۔ یہ AI-Native کمپنی کے اندر role-based ایجنٹس ہیں — وہ جنہیں hire کیا جاتا ہے، assign کیا جاتا ہے، roster پر رکھا جاتا ہے، اور retire کیا جاتا ہے۔ کتاب میں انہیں Digital FTEs یا ڈیجیٹل ورکرز بھی کہا گیا ہے۔ Delegate اور manager مستقل staff ہیں۔ رن ٹائم انجنز وہ مہارتیں ہیں جن پر افرادی قوت چلتی ہے، خود staff نہیں۔
ریکارڈ کا مستند نظام substrate ہے۔ یہ وہ authoritative state ہے جس کے خلاف AI افرادی قوت چلتی ہے — یعنی databases، ledgers، اور platforms جو AI-Native کمپنی کی truth محفوظ رکھتے ہیں۔
دوسرے الفاظ میں: Factory کمپنی بناتی ہے؛ کمپنی ورکرز کو ملازمت دیتی کرتی ہے؛ ورکرز ریکارڈ کا مستند نظام کے خلاف چلتے ہیں۔
آگے آنے والے حصے کے بارے میں ایک نوٹ۔ یہ thesis architectural invariants اور reference implementations کے درمیان فرق کرتی ہے۔ Invariant ایک structural requirement ہے جو نظام کے ہر version میں true رہتی ہے — اس سے قطع نظر کہ اسے کون سا specific پروڈکٹ realize کر رہا ہے۔ اسے یوں سمجھیں کہ یہ وہ rule ہے جو کبھی نہیں بدلتا، چاہے کچھ بھی ہو۔ یہ وہ structural شرط ہے جو نظام کے کام کرنے کے لیے ہمیشہ true رہنی چاہیے۔ Reference implementation وہ concrete پروڈکٹ ہے جو 2026 میں کسی invariant کو realize کرنے کے لیے استعمال ہو رہا ہے۔ یعنی وہ specific پروڈکٹ جو اس وقت اس rule کو پورا کرنے کے لیے استعمال کیا جا رہا ہے۔ یہ آج کا best choice ہے، مگر کل بدلا جا سکتا ہے۔ جب نیچے والے صفحات میں کسی پروڈکٹ کا نام آئے، تو invariant thesis ہے؛ پروڈکٹ اس سال کا best fit ہے۔ Furniture بدل جائے تو بھی عمارت قائم رہتی ہے۔ کچھ architectural boundaries — مثلا کنٹرول plane اور عمل درآمد plane کی جدائی — خود invariants ہیں، چاہے انہیں realize کرنے والے providers ہر سال بدلتے رہیں۔
📚 تدریسی معاون
مکمل presentation دیکھیں — ایجنٹ فیکٹری تھیسس
بنیادی تبدیلی
| Feature | The SaaS Era (ٹولز) | ایجنٹ فیکٹری Era (Labor) |
|---|---|---|
| Product | سافٹ ویئر ٹولز | AI Employees |
| قدر Metric | Per-Seat Subscriptions | Per-Outcome Results |
| عمل درآمد ماڈل | Manual & Visible | Automated & Industrialized |
| Resource Acquisition | Humans procure ٹولز & سروسز | ایجنٹس buy کمپیوٹ, ڈیٹا & سروسز autonomously |
| Human Role | Operator | Supervisor & Verifier |
| Integration | Rigid, point-to-point APIs | ماڈل سیاق و سباق Protocol (MCP) |
| Focus | کام کیسے کیا جاتا ہے | یہ کہ کام ہو گیا ہے — اور قابل تصدیق طور پر درست ہے |
Industrialized Stack
- پہلا، نیت: یہ High-level blueprint ہے — goals، constraints، بجٹس، اور اجازتیں۔
- دوسرا، Production انجن: یہ نیت کو نتائج میں transform کرتا ہے۔ اس کی تفصیل نیچے آتی ہے۔
- تیسرا، Outcome: یہ High-fidelity actions اور artifacts ہیں — on demand deliver ہوتے ہیں، accuracy کے لیے verify کیے جاتے ہیں، اور feedback loops کے ذریعے مسلسل بہتر ہوتے ہیں۔
Production انجن: نیت سے Outcome تک
Production انجن اس پوری thesis کا سب سے اہم خیال ہے۔ یہ وہ نظام ہے جو آپ کی خواہش کو اس نتیجے میں بدلتا ہے جو آخر میں آپ کو ملتا ہے۔ اسے یوں سمجھیں جیسے آپ کی instruction اور final result کے درمیان ہونے والی ہر چیز۔ یہ کوئی app نہیں جسے آپ download کریں، نہ ہی کوئی واحد سافٹ ویئر ہے جسے آپ install کریں۔ یہ ایک ڈھانچہ ہے — ایک blueprint اور design principles کا مجموعہ — جس سے ایسے نظام بنائے جاتے ہیں جہاں AI ورکرز پیدا کیے جاتے ہیں، آپس میں ملائے جاتے ہیں، اور کام پر لگائے جاتے ہیں، بالکل اسی طرح جیسے ایک حقیقی factory assembly line پر پروڈکٹس تیار کرتی ہے۔
یہ مثال یوں سمجھیں: ایک car factory کا تصور کریں۔ آغاز میں steel، rubber، اور glass جیسے raw materials اندر آتے ہیں۔ Steel welding station پر جاتی ہے جہاں body frame shape کیا جاتا ہے۔ پھر painting station پر جاتی ہے جہاں اسے color ملتا ہے۔ پھر assembly station آتا ہے جہاں انجن، سیٹس، tires، اور electronics install ہوتے ہیں۔ لائن کے آخر میں ایک تیار شدہ car باہر آتی ہے — inspect شدہ اور drive کے لیے ready۔ ایجنٹ فیکٹری بالکل یہی نمونہ follow کرتی ہے — فرق صرف یہ ہے کہ یہاں raw material آپ کی نیت ہے (یعنی آپ کیا کروانا چاہتے ہیں)، مخصوص stations AI ورکرز ہیں (ہر ایک job کے مخصوص حصے کو سنبھالتا ہے)، اور finished پروڈکٹ ایک verified نتیجہ ہے (اصل result، جسے check اور confirm کیا گیا ہو)۔
اس factory کو تین چیزیں چلاتی ہیں۔ Specs وہ written instructions ہیں جو AI ورکرز کو بتاتی ہیں کہ کیا کرنا ہے۔ Skills وہ packaged abilities ہیں جو ہر AI ورکر اپنے job میں ساتھ لاتا ہے — portable، version-controlled folders کی شکل میں، جو open ایجنٹ Skills format (agentskills.io) کے مطابق ہوتے ہیں، جسے اصل میں Anthropic نے جاری کیا اور اب پورے ایجنٹ ecosystem نے اپنا لیا ہے۔ Feedback loops وہ mechanism ہیں جن سے نظام اپنے results سے سیکھتا ہے اور وقت کے ساتھ بہتر ہوتا جاتا ہے۔ اور ان سب کو جوڑنے والی چیز MCP ہے — ایک universal standard جو ہر AI ورکر کو ہر ٹول سے بات کرنے دیتا ہے، بالکل اسی طرح جیسے ایک حقیقی factory میں ہر device ایک ہی طرح کے power outlet میں plug ہوتی ہے۔ Skills اور MCP مل کر وہ دو open معیار ہیں جن پر factory floor چلتا ہے — Skills صلاحیت کے لیے، MCP connectivity کے لیے۔ اور ان سب کے نیچے ریکارڈ کا مستند نظام ہے — کمپنی کی authoritative state، وہ truth جس سے ہر ورکر پڑھتا ہے اور جس میں کام کرتے ہوئے لکھتا ہے۔
معاشی کردار کے طور پر ایجنٹس
آج کے ایجنٹس کام execute کرتے ہیں۔ کل کے ایجنٹس markets میں حصہ لیں گے۔ Thesis اسی دعوے سے شروع ہوتی ہے کیونکہ یہ اگلا بڑا inflection point ظاہر کرتا ہے: ایجنٹ-as-ٹول سے ایجنٹ-as-خریدار تک کا shift۔
ایسے ایجنٹ کا تصور کریں جسے ایک high-level goal دیا گیا ہو — "کسٹمر churn کو 15% کم کرو۔" وہ خودمختاری کے ساتھ ماڈل train کرنے کے لیے کمپیوٹ خریدے گا، enrichment ڈیٹا کے لیے API contract negotiate کرے گا، اور solution deploy کرنے کے لیے cloud سروسز provision کرے گا — یہ سب اس بجٹ اور permission envelope کے اندر جو اس کے human supervisor نے set کیا ہو۔ اب اصل action trust تہہ میں ہے — mandate enforcement (یہ یقینی بنانا کہ ایجنٹ انہی rules کے اندر رہے جو human نے set کیے ہیں)، audit trails (ہر فیصلے اور transaction کا مکمل record)، اور liability (جب کچھ غلط ہو تو قانونی ذمہ داری کس کی ہے) — صلاحیت میں نہیں، کیونکہ ایجنٹ کام پہلے ہی کر سکتا ہے؛ اصل challenge یہ ہے کہ جب وہ کام کر رہا ہو تو ہم اس پر trust کیسے کریں۔
جب AI ورکرز buyers بن جاتے ہیں تو AI-Native کمپنی کی economics بنیادی طور پر بدل جاتی ہے۔ کمپنی اب صرف وہ resources consume نہیں کرتی جو humans allocate کرتے ہیں؛ وہ انہیں dynamically ماخذ کرتی ہے۔ Compute، ڈیٹا، اور specialist سروسز ایسے inputs بن جاتے ہیں جنہیں AI ورکرز real time میں discover، evaluate، اور acquire کرتے ہیں — اور یوں کمپنی ایک self-provisioning نظام بن جاتی ہے جو صرف کام completion نہیں بلکہ cost، speed، اور quality تینوں کے لیے ایک ساتھ optimize کرتی ہے۔
ان builders کے لیے implication یہ ہے: اپنے ایجنٹس اور اپنی بنیادی ڈھانچہ کو day one سے ہی economic participation کے لیے design کریں۔ ایجنٹس کو صرف اجازتیں نہیں بلکہ بجٹس بھی چاہیے۔ صرف API keys نہیں بلکہ نتیجہ contracts بھی۔ اور جو ادارے اس shift میں mastery حاصل کریں گی وہ اگلی wave of قدر capture کریں گی، بالکل اسی طرح جیسے وہ کمپنیاں کر رہی ہیں جو SaaS subscriptions سے نتیجہ-based قیمت گذاری کی طرف جا چکی ہیں۔
انسان Loop کے اندر
ایک عام خوف یہ ہے: ایجنٹس لوگوں کی جگہ لے لیں گے۔ شواہد کچھ اور کہتے ہیں۔ زیادہ تر کام میں AI اور human کی جوڑی، ان دونوں میں سے کسی ایک کے اکیلے کام کرنے سے بہتر perform کرتی ہے۔ ایجنٹ فیکٹری human کو ختم نہیں کرتی — اسے ایک بہتر کردار میں promote کرتی ہے۔ Operator سے supervisor تک۔ Typist سے editor تک۔ Coder سے architect of نتائج تک۔
اس سے "tech professional" ہونے کا مطلب بدل جاتا ہے۔ Web developer یا mobile developer صرف وہ شخص نہیں جو React یا Swift لکھتا ہے۔ وہ technology ماہر ہوتا ہے — ایسا شخص جو نظام، ڈیٹا flows، APIs، اور user needs سمجھتا ہے۔ ایجنٹ فیکٹری کے دور میں یہی مہارت کہیں زیادہ قیمتی ہو جاتی ہے، کیونکہ یہ اب screens ہاتھ سے code کرنے میں صرف نہیں ہوتی۔ یہ AI ورکرز کو design، deploy، اور supervise کرنے میں صرف ہوتی ہے جو پورے پروڈکٹس deliver کرتے ہیں۔
یہ developer غائب نہیں ہوتا۔ بلکہ developer زیادہ کرتا ہے۔
Steve Jobs نے اس کا operating rhythm دہائیوں پہلے سمجھ لیا تھا — اگرچہ وہ humans manage کر رہا تھا، ایجنٹس نہیں۔
10-80-10 Rule: AI افرادی قوت کا Operating Rhythm
Steve Jobs مشہور طور پر 10-80-10 rule پر عمل کرتا تھا: اپنا 10% وقت vision set کرنے میں لگاؤ، اپنی ٹیم کو 80% execute کرنے دو، پھر آخری 10% کے لیے واپس آ کر polish اور perfection کرو۔ Tech entrepreneur Dan Martell اسے 10% ideation، 80% عمل درآمد، اور 10% refinement اور integration کے طور پر بیان کرتا ہے۔ Jobs ایک micromanager سے، جو Mac calculator کے ہر pixel کو ذاتی طور پر dictate کرتا تھا، ایسے leader میں بدل گیا جس نے middle 80% کے لیے باصلاحیت لوگوں پر trust کیا — اور اسی shift کی وجہ سے Apple دنیا کی سب سے قیمتی کمپنی بن گئی۔
اب "talented people" کی جگہ "AI ملازمین" رکھ دیں، اور آپ کے پاس ایجنٹ فیکٹری کا operating rhythm آ جاتا ہے:
| Phase | Jobs's Apple | ایجنٹ فیکٹری |
|---|---|---|
| First 10% — نیت | Jobs vision اور constraints set کرتا ہے | Human تفصیل define کرتا ہے: goals، constraints، بجٹ، اجازتیں |
| Middle 80% — عمل درآمد | Apple کی ٹیمیں پروڈکٹ بناتی ہیں | AI ورکرز execute کرتے ہیں: ٹولز compose کرتے ہیں، sub-ایجنٹس spawn کرتے ہیں، نتائج deliver کرتے ہیں |
| Final 10% — تصدیق | Jobs polish کرتا ہے اور "جاری it" کہتا ہے | Human verified نتیجہ کا جائزہ، refinement، اور approval دیتا ہے |
فروری 2026 تک Cursor یہ رپورٹ کرتا ہے کہ اس کی اپنی پروڈکٹ میں merge ہونے والی 35% pull requests autonomous ایجنٹس produce کرتے ہیں جو cloud VMs پر چل رہے ہوتے ہیں — ایسے ایجنٹس جنہیں کمپنی کے ڈویلپرز line by line guide کرنے کے بجائے problems define کر کے اور artifacts جائزہ کر کے direct کرتے ہیں۔ Cursor کے CEO Michael Truell کا اندازہ ہے کہ ایک سال کے اندر development work کی بڑی اکثریت اسی طرح نظر آئے گی۔³ 10-80-10 rhythm اب prediction نہیں رہی۔ یہ اس بات کی measurement ہے کہ frontier پہلے ہی کہاں operate کر رہی ہے۔
خود تصدیق surface بھی بدل رہی ہے۔ Synchronous-ایجنٹ era میں humans code editor میں diffs جائزہ کرتے تھے۔ اب آنے والے cloud-ایجنٹ era میں ایجنٹس dedicated VMs پر گھنٹوں کام کرتے ہیں اور line-level changes کے بجائے ایسے artifacts واپس لاتے ہیں جو جلدی جائزہ کیے جا سکیں — logs، video recordings، اور live previews۔ یہی چیز parallel work کو practical بناتی ہے: human ایک وقت میں بارہ diffs نہیں پڑھ سکتا، مگر وہ بارہ previews scan کر سکتا ہے۔ Rhythm کے آخری 10% کو اب diff کے بجائے artifact کے گرد redesign کیا جا رہا ہے۔
یہ اتفاق نہیں ہے۔ یہ نمونہ اس لیے کام کرتا ہے کہ یہ human attention وہاں allocate کرتا ہے جہاں وہ ناقابل بدل ہے — boundaries پر — اور عمل درآمد کو bottlenecks کے بغیر scale کرنے دیتا ہے۔ پہلا 10% وہ جگہ ہے جہاں critical thinking، سیاق و سباق setting، اور clear prompting matter کرتے ہیں۔ Middle 80% heavy lifting ہے — summarizing، generating، analyzing، formatting۔ آخری 10% وہ جگہ ہے جہاں human مہارت نتیجہ کو کسی sharp، usable، اور high-quality چیز میں shape دیتی ہے۔
یہ ایجنٹ فیکٹری thesis پہلے ہی یہ کہتی ہے: "Humans define نیت. ایجنٹس execute. Humans verify نتائج." 10-80-10 rule اسی جملے کا quantified version ہے۔ یہ ہر professional کو ٹھیک ٹھیک بتاتی ہے کہ اس کا دن کیسے بدلے گا: آپ عمل درآمد پر اپنا 80% وقت خرچ کرنا چھوڑ دیتے ہیں اور اپنی 100% توجہ اس 20% پر لگا دیتے ہیں جو صرف human کر سکتا ہے — direction set کرنا اور quality guarantee کرنا۔
جو leaders اس تبدیلی کو اندر تک سمجھ لیں گے وہ صرف AI ملازمین کو manage نہیں کریں گے۔ وہ انہیں اسی طرح manage کریں گے جیسے Jobs Apple کی بہترین ٹیمیں کو کرتا تھا: آغاز میں clear تفصیل، درمیان میں trust، اور آخر میں uncompromising معیار۔
نوٹس
³ Michael Truell, "The third era of AI سافٹ ویئر development", Cursor Blog, February 26, 2026.
Personal ایجنٹس اور ادارہ Interface
AI ورکرز وہ طریقہ ہیں جن سے کام ہوتا ہے۔ Identic AI وہ طریقہ ہے جس سے humans اپنی طرف سے اس افرادی قوت کو increasingly direct، نظم و نگرانی، اور interface کریں گے۔ ایجنٹ فیکٹری role-based AI ورکرز تیار کرتی ہے تاکہ وہ کام execute کریں، ورک فلو coordinate کریں، اور scale پر verified نتائج deliver کریں، مگر human ہی principal رہتا ہے جو purpose، values، constraints، اور جوابدہی define کرتا ہے۔ Identic AI ایک نئی personal تہہ کا اضافہ کرتی ہے: ایک self-sovereign ایجنٹ — جو individual کی ملکیت ہو، platform کی نہیں — جو کسی فرد کے سیاق و سباق، judgment، اور preferences کو سمجھتا ہو، اور human نیت کو ادارہ کے اندر delegated action میں translate کر سکے۔¹ اس ماڈل میں AI افرادی قوت عمل درآمد fabric ہے، جبکہ identic AI human کا نمائندہ اور orchestration تہہ ہے، جو لوگوں کو routine عمل درآمد خود کرنے کے بجائے direction supervise کرنے دیتی ہے۔ اس لیے future firm دو باہم مربوط تہیں پر operate کرے گی: AI افرادی قوت کی تہہ کے اندر AI ورکرز، اور کنارے کی تہہ پر personal ایجنٹس، جبکہ humans دونوں تہیں میں نیت set کریں گے اور نتائج verify کریں گے۔
ہم اسے Two-تہہ ماڈل کہتے ہیں:
| تہہ | What It Is | Who It Serves | What It Does |
|---|---|---|---|
| کنارے کی تہہ | Personal identic ایجنٹس | Individual | Human نیت کو translate کرتا ہے، AI ورکرز کو delegate کرتا ہے، principal کی طرف سے نظم و نگرانی کرتا ہے |
| AI افرادی قوت کی تہہ | Role-based AI ورکرز | ادارہ | Tasks execute کرتا ہے، ورک فلو coordinate کرتا ہے، verified نتائج deliver کرتا ہے |
کوئی بھی تہہ اکیلے کام نہیں کرتی۔ Personal ایجنٹس اگر اپنے پیچھے industrialized افرادی قوت نہ رکھیں تو وہ ایسے digital assistants ہیں جن کے پاس command کرنے کے لیے کوئی نہ ہو۔ Edge پر personal ایجنٹس کے بغیر AI افرادی قوت کی تہہ humans کو دوبارہ manual orchestration میں دھکیل دیتی ہے۔ Two-تہہ ماڈل وہ چیز ہے جو ایجنٹ فیکٹری thesis کو مکمل بناتی ہے: core میں industrialized افرادی قوت، edge پر human sovereignty، اور ان دونوں کے درمیان تفصیلات بطور contract language۔
نوٹس
¹ Don Tapscott, interview on HBR IdeaCast, “With Rise of ایجنٹس, We Are Entering the World of Identic AI”, Harvard Business Review, February 17, 2026.
جنرل ایجنٹ استعمال کرنے کے دو طریقے
اب تک تھیسس نے عمومی ایجنٹس — Claude Code، OpenCode، Claude Cowork، OpenWork — کو ایجنٹ فیکٹری کا تعمیراتی آلہ سمجھا ہے: وہ آلہ جسے انسان AI ورکرز design اور build کرنے کے لیے استعمال کرتے ہیں۔ یہ ایک طریقہ ہے۔ دوسرا طریقہ بھی واضح کرنا ضروری ہے، کیونکہ زیادہ تر پیشہ ور افراد کسی ورکر کو جاری کرنے سے بہت پہلے اسی طریقے میں رہیں گے۔
| طریقہ | سامعین اور ٹولز | آخر میں کیا جاری ہوتا ہے | کس کے ذریعے نظم و نگرانی ہوتا ہے |
|---|---|---|---|
| مسئلہ حل کرنے والی engagement | Engineer with Claude Code or OpenCode شعبہ ماہر with Claude Cowork or OpenWork | فوری نتیجہ | Seven Principles |
| Manufacturing engagement | Anyone, always with Claude Code or OpenCode | افرادی قوت کا ایک حصہ | Seven Invariants |
ایک انسان جب عمومی ایجنٹ کو direction دیتا ہے تو ہر engagement کا common starting point یہی ہوتا ہے۔ پھر engagement دو طریقوں میں تقسیم ہو جاتی ہے۔ problem-solving branch سامعین کے حساب سے split ہوتی ہے — انجینئرز Claude Code یا OpenCode استعمال کرتے ہیں، شعبہ جاتی ماہرین Claude Cowork یا OpenWork — مگر دونوں ایک ہی ضابطہ یعنی Seven Principles کی طرف جاتے ہیں اور ایسا نتیجہ جاری کرتے ہیں جس سے سیشن بند ہو جاتا ہے۔ manufacturing branch واحد-tooled ہے: اس میں ہمیشہ Claude Code یا OpenCode استعمال ہوتا ہے، چاہے operator کوئی بھی ہو، کیونکہ AI ورکر بنانا بنیادی طور پر coding کام ہے۔ یہ Seven Invariants کے تحت نظم و نگرانی ہوتی ہے، اور اس کا نتیجہ — AI ورکر — AI-نیٹو کمپنی کی continuous افرادی قوت میں شامل ہو جاتا ہے۔
طریقہ 1 — مسئلہ حل کرنے والی engagement۔ ایک developer Claude Code کھول کر سروس refactor کرتا ہے۔ ایک مالیات analyst Claude Cowork کھول کر quarterly close ماڈل دوبارہ بناتا ہے۔ engagement شروع ہوتی ہے، کام جاری ہوتا ہے، engagement ختم ہو جاتی ہے۔ کوئی مخصوص AI ورکر تیار نہیں ہوتا۔ اس engagement میں عمومی ایجنٹ خود ورکر ہوتا ہے۔ نتیجہ براہ راست انسان کو ملتا ہے۔
Problem-solving engagements سامعین کے حساب سے تقسیم ہوتی ہیں۔ انجینئرز Claude Code یا OpenCode استعمال کرتے ہیں — terminal-native ٹولز جو code، بنیادی ڈھانچہ، اور نظام work کے لیے tuned ہیں۔ شعبہ جاتی ماہرین Claude Cowork یا OpenWork استعمال کرتے ہیں — knowledge-work ٹولز جو دستاویزات، spreadsheets، briefs، اور جائزے کے لیے tuned ہیں۔ engagement mode ایک ہی ہے، نظم و نگرانی ایک ہی ہے، مگر interfaces کے دو خاندان ہیں۔ یہ mode Seven Principles of General ایجنٹ Problem Solving کے تحت نظم و نگرانی ہوتا ہے:
- Bash is the Key۔ ایجنٹ صرف describe نہیں کرتا؛ act بھی کرتا ہے۔
- Code as Universal Interface۔ precision prose سے نہیں بلکہ منظم formats — schemas، tables، code blocks — سے آتی ہے۔
- تصدیق as Core Step۔ ہر meaningful نتیجہ جاری ہونے سے پہلے check ہوتا ہے۔ “Looks right” ناکامی mode ہے۔
- Small, Reversible Decomposition۔ کام atomic steps میں آگے بڑھتا ہے؛ ہر step undo ہو سکتا ہے۔
- Persisting State in Files۔ گفتگو غیر مستقل ہے؛ فائل سسٹم پائدار ہے۔ جو اہم ہے وہ فائل میں رہتا ہے۔
- Constraints and Safety۔ واضح اجازتیں، واضح حدود۔ خودمختاری ہر کام قسم کے لیے earned ہوتی ہے، default میں granted نہیں۔
- Observability۔ آپ دیکھ سکتے ہیں کہ ایجنٹ نے کیا کیا۔ black boxes نہیں، surprises نہیں۔
Seven Principles ایک نظر میں۔ P1–P5 کو سیشن کی working disciplines کے طور پر اندر build کریں۔ P6 یعنی constraints — ایجنٹ کو کیا touch کرنے کی اجازت ہے — اور P7 یعنی observability — اس نے واقعی کیا کیا — ان disciplines کے گرد protective تہہ بناتے ہیں۔ تفصیلی تفصیل Chapter 18 میں ہے۔
Principles سیشن کا operating ضابطہ ہیں۔
طریقہ 2 — manufacturing engagement۔ Manufacturing ہمیشہ انجینئرنگ ٹولز پر anchor کرتی ہے: Claude Code یا OpenCode، ہر بار، چاہے انسان کون ہو۔ AI ورکر بنانا بنیادی طور پر coding کام ہے — چاہے ورکر کا working شعبہ مالیات، مارکیٹنگ، یا قانون ہو۔ وہی developer Claude Code استعمال کر کے code-reviewing AI ورکر کو تفصیل، build، اور deploy کرتا ہے۔ مالیات analyst، اکثر engineer کے ساتھ مل کر، Claude Code استعمال کر کے close-عمل ورکر کو تفصیل اور deploy کرتا ہے جو ہر month-end پر چلتا ہے۔ عمومی ایجنٹ کا نتیجہ نتیجہ نہیں؛ وہ ورکر ہے جو نتیجہ پیدا کرے گا۔ یہ mode Seven Invariants of the ایجنٹ فیکٹری کے تحت نظم و نگرانی ہوتا ہے: وہ structural rules جن پر تیار شدہ افرادی قوت کو ہم آہنگ، قابل نگرانی، اور پائدار رہنے کے لیے عمل کرنا ہوتا ہے۔ invariants کمپنی کا architectural ضابطہ ہیں۔
Principles سیشن کو نظم و نگرانی کرتے ہیں۔ Invariants ڈھانچہ کو نظم و نگرانی کرتے ہیں۔ Principles طرز عمل ہیں؛ Invariants آئین ہیں۔ مسئلہ حل کرنے والی engagement principle-زیر نگرانی ہے کیونکہ اس کا نتیجہ ایک نتیجہ ہے جو جاری ہو کر ختم ہو جاتا ہے۔ manufacturing engagement invariant-زیر نگرانی ہے کیونکہ اس کا نتیجہ ایک ایسی افرادی قوت میں شامل ہونا ہے جو سیشنز، ایجنٹس، اور پروڈکٹ cycles کے پار قائم رہتی ہے۔
یہی وجہ ہے کہ 10-80-10 rule دونوں طریقے پر برابر لاگو ہوتا ہے: چاہے آپ عمومی ایجنٹ کو اپنا مسئلہ حل کرنے کے لیے direct کر رہے ہوں یا ایسا ورکر بنانے کے لیے جو بعد میں یہ مسئلہ آپ کے لیے حل کرے، انسانی وقت پھر بھی نیت، عمل درآمد، اور تصدیق میں تقسیم ہوتا ہے۔
ایجنٹ فیکٹری کے سات Invariants
سات اصول جو نہیں بدلتے۔
یہ section AI-Native کمپنی کے رن ٹائم کی specification دیتی ہے — یعنی وہ ڈھانچہ جو ایجنٹ فیکٹری پیدا کرتی ہے۔ Seven invariants، Two-تہہ ماڈل کو ایسے نظام میں بدل دیتے ہیں جسے آپ بنا سکتے ہیں، اور ایسی chain of action میں جو end to end fire ہو سکتی ہے۔
ڈھانچہ کے بغیر thesis صرف استعارہ ہوتی ہے۔ مگر اگر ڈھانچہ پروڈکٹ names میں لکھی جائے تو وہ pitch بن جاتی ہے۔ نیچے دیے گئے سات invariants اصل thesis ہیں۔ جو named پروڈکٹس اس وقت انہیں realize کرتے ہیں وہ صرف ایک instance ہیں، تعریف نہیں۔
اسے یوں سمجھیں۔ ایجنٹ فیکٹری وہ عمل ہے جو کمپنی بناتی ہے۔ اس کے دوسری طرف جو چیز نکلتی ہے وہ ایک AI-Native کمپنی ہے جہاں آپ executive اور owner ہوتے ہیں، ایک delegate آپ کا chief of staff ہوتا ہے — وہ ایک ایجنٹ جو آپ کی نمائندگی کرتا ہے، آپ کا سیاق و سباق جانتا ہے، اور آپ کی طرف سے بولتا ہے — اور ایک manager COO ہوتا ہے جو افرادی قوت hire کرتا ہے، work assign کرتا ہے، بجٹ enforce کرتا ہے، اور books سنبھالتا ہے۔ AI ورکرز وہ ملازمین ہیں جو نتیجہ deliver کرتے ہیں۔ رن ٹائم انجنز وہ skills ہیں جو ہر employee ساتھ لاتا ہے۔ ٹرگرز front door ہیں — شیڈول، ویب ہک، یا کسٹمر کا اندر آ جانا۔
آگے آنے والا ہر invariant اس بارے میں ایک rule ہے کہ یہ کمپنی کیسے چلتی ہے۔ ہر named پروڈکٹ ایک ایسا choice ہے جسے بدلا جا سکتا ہے۔
Invariant 1: انسان principal ہے۔
دعوی۔ Action کی ہر legitimate chain ایک ایسے human سے originate ہوتی ہے جو نیت set کرتا ہے، بجٹ define کرتا ہے، اختیار کی حدود draw کرتا ہے، اور نتیجہ own کرتا ہے۔ کوئی exception نہیں۔ اس تہہ کی کوئی delegation نہیں۔
یہ کیوں ضروری ہے۔ نیت خود generate نہیں ہوتی۔ Judgment، values، بجٹ authority، اور نتیجہ جوابدہی ایسی چیزیں ہیں جو منتقل نہیں کی جا سکتیں۔ ایسا نظام جو human principal کے بغیر act کرے autonomous نہیں — وہ unowned ہے۔
اس کی غیرموجودگی میں ناکامی۔ Unowned نظام unaccountable نتائج پیدا کرتے ہیں۔ Liability تحلیل ہو جاتی ہے۔ Alignment ناممکن ہو جاتی ہے کیونکہ پھر کوئی ایسا فریق ہی نہیں رہتا جس کی alignment preserve کی جا رہی ہو۔ Budget کا کوئی owner نہیں ہوتا۔ Outcome کا کوئی judge نہیں ہوتا۔
موجودہ صورت۔ آج principal تہہ کو authored تفصیلات، approval gates، بجٹ declarations، اور تصدیق checkpoints define کرتے ہیں۔ کوئی بھی mechanism جو نیت، authority، اور جوابدہی کو ایسی form میں capture کرے جس کے خلاف downstream نظام execute کر سکے، اس invariant کو satisfy کرتا ہے۔
Invariant 2: ہر human کو delegate چاہیے۔
دعوی۔ کوئی human اپنے نیت کو کسی افرادی قوت میں ہاتھ سے scale نہیں کر سکتا۔ اسے ایک personal ایجنٹ چاہیے جو اس کا سیاق و سباق رکھتا ہو، اس کی judgment کی نمائندگی کرتا ہو، اس کا اختیار کی حدود اٹھائے ہوئے ہو، اور اس کی طرف سے تمام downstream work broker کرے۔
یہ کیوں ضروری ہے۔ ایک شخص درجنوں AI ورکرز کو براہ راست orchestrate نہیں کر سکتا۔ Delegate کے بغیر Principal دوبارہ manual orchestration میں دھکیل دیا جاتا ہے — اور یہی وہ ناکامی mode ہے جسے ختم کرنے کے لیے ایجنٹ فیکٹری موجود ہے۔
اس کی غیرموجودگی میں ناکامی۔ Human رکاوٹ بن جاتا ہے۔ AI افرادی قوت کی تہہ instructions کے انتظار میں idle بیٹھی رہتی ہے جو human اتنی تیزی سے issue نہیں کر سکتا۔ Scale، human typing speed تک collapse ہو جاتی ہے۔
موجودہ صورت۔ OpenClaw وہ delegate ہے جو ہم جاری کرتے ہیں۔ کوئی بھی personal ایجنٹ جو identity، سیاق و سباق، اور اختیار کی حدود hold کرے — اور manager تک work broker کر سکے — اس invariant کو satisfy کرتا ہے۔
Invariant 3: افرادی قوت کو manager چاہیے۔
دعوی۔ AI ورکرز کا ڈھیر کمپنی نہیں ہوتا۔ افرادی قوت کو ایک management plane چاہیے جو work assign کرے، بجٹس enforce کرے، risk approve کرے، ledger رکھے، اور hiring کو callable صلاحیت کے طور پر expose کرے۔
یہ کیوں ضروری ہے۔ Coordination، جوابدہی، اور economic ضابطہ individual ایجنٹس کی emergent properties نہیں ہیں۔ ان کے لیے ایسی plane چاہیے جو جانتی ہو کون کیا کر رہا ہے، اس کی cost کیا ہے، کیا allowed ہے، کیا produce ہوا، اور جب کچھ غلط ہوا تو کب اور کیسے ہوا۔ AI ورکرز تبھی قابل نگرانی افرادی قوت بنتے ہیں جب ledger انہیں legible بنائے — صلاحیت، cost، latency، اور نتیجہ کی units کے طور پر۔
اس کی غیرموجودگی میں ناکامی۔ ایجنٹس آپس میں collide کرتے ہیں۔ Budgets leak ہوتی ہیں۔ Audit trail ٹوٹ جاتی ہے۔ Finance یہ جواب نہیں دے سکتی کہ افرادی قوت کی cost کیا تھی۔ Operations یہ جواب نہیں دے سکتی کہ افرادی قوت نے کیا produce کیا۔ کوئی نہیں بتا سکتا کہ کیا ہوا یا کیوں ہوا۔
موجودہ صورت۔ Paperclip وہ manager ہے جو ہم جاری کرتے ہیں۔ کوئی بھی orchestrator جو work assign کرے، بجٹس enforce کرے، عمل درآمد audit کرے، اور hiring کو API کے طور پر expose کرے، اس invariant کو satisfy کرتا ہے۔
Invariant 4: ہر ورکر اپنا انجن خود چنتا ہے۔
دعوی۔ ہر AI ورکر کسی عمل درآمد انجن پر چلتا ہے۔ یہ choice per ورکر کی سطح پر ہوتی ہے، per کمپنی کی سطح پر نہیں — یعنی reliability، cost، اور عملی burden کو اس specific job کی demand کے مطابق match کیا جاتا ہے۔
یہ کیوں ضروری ہے۔ Mission-critical work کو پائدار عمل درآمد چاہیے جو خاموشی سے fail نہ ہو۔ Routine work کو نہیں۔ پوری افرادی قوت کو ایک ہی انجن پر مجبور کرنے سے یا تو آپ ایسی reliability کے لیے زیادہ pay کرتے ہیں جس کی job کو ضرورت نہیں، یا ایسی reliability کے لیے کم pay کرتے ہیں جس کی job کو ضرورت ہے۔ دونوں صورتیں ناکامی ہیں۔
اس کی غیرموجودگی میں ناکامی۔ Uniform انجن choice، uniform trade-offs کی guarantee دیتی ہے۔ کمپنی یا تو اپنے قابل اعتماد ورکرز afford نہیں کر سکتی یا اپنے cheap ورکرز پر trust نہیں کر سکتی۔
موجودہ صورت۔ ہم Dapr Agents، Claude Managed Agents، OpenAI Agents SDK، اور OpenClaw-native کو موجودہ انجن set کے طور پر جاری کرتے ہیں۔ کوئی بھی انجن جو کسی job کے reliability، cost، اور عملی contract پر پورا اترتا ہو، اس invariant کو satisfy کرتا ہے۔
Invariant 5: ہر ورکر ریکارڈ کا مستند نظام کے خلاف چلتا ہے۔
دعوی۔ انجن وہ چیز ہے جس پر ہر ورکر چلتا ہے؛ ریکارڈ کا مستند نظام وہ چیز ہے جس کے خلاف ہر ورکر چلتا ہے۔ ہر AI ورکر ایک authoritative state store سے پڑھتا اور اس میں لکھتا ہے — یعنی وہ پائدار record جو کمپنی کی اصل knowledge محفوظ رکھتا ہے: customers، orders، inventory، contracts، ledger entries، tickets، عملی truth۔ ورکرز اسی کے خلاف execute کرتے ہیں۔ وہ محض سیاق و سباق سے دنیا invent نہیں کرتے۔
یہ کیوں ضروری ہے۔ سیاق و سباق window عارضی ہے۔ ریکارڈ کا مستند نظام مستقل ہے۔ Authoritative store کے بغیر ایجنٹس facts hallucinate کرتے ہیں، transactions کو double-write کرتے ہیں، سیشنز کے درمیان work کھو دیتے ہیں، اور ایسے artifacts produce کرتے ہیں جنہیں کوئی auditor reconstruct نہیں کر سکتا۔ ریکارڈ کا مستند نظام ہی عمل درآمد کو plausible-sounding fiction سے جدا کرتا ہے۔ یہی چیز افرادی قوت کو بعد میں legible بھی بناتی ہے: ورکر کا ہر action ایسے store میں trace چھوڑتا ہے جو ایجنٹ کی سیشن کے بعد بھی باقی رہتا ہے اور جسے inspect، replay، اور trust کیا جا سکتا ہے۔
اس کی غیرموجودگی میں ناکامی۔ Outputs reality سے drift کرتے ہیں۔ دو ورکرز ایک ہی کسٹمر کو دو مختلف باتیں بتاتے ہیں کیونکہ ان کی سیاق و سباق windows آپس میں disagree کر رہی تھیں۔ Liability untraceable ہو جاتی ہے کیونکہ truth صرف ایسے tokens میں تھی جو اب discard ہو چکے۔ AI-Native کمپنی ایک ایسے generator میں degrade ہو جاتی ہے جو confident artifacts تو بناتی ہے مگر اس کے نیچے کوئی عملی substrate نہیں ہوتا۔
موجودہ صورت۔ AI-Native کمپنی کے موجودہ databases، ورک فلو، اور عملی platforms — CRMs، ERPs، ticketing نظام، ڈیٹا warehouses، ledgers — ریکارڈ کا مستند نظام کا کردار ادا کرتے ہیں۔ MCP وہ طریقہ ہے جس سے افرادی قوت ان تک پہنچتی ہے: ہر authoritative store پالیسی کے تحت MCP server کے ذریعے کسی بھی ورکر کے لیے addressable بن جاتا ہے۔ کوئی بھی پائدار، addressable، زیر نگرانی store جس سے افرادی قوت پڑھ اور لکھ سکے، اس invariant کو satisfy کرتا ہے۔
Invariant 6: پالیسی کے تحت افرادی قوت expandable ہوتی ہے۔
دعوی۔ Meta-تہہ hiring کو callable صلاحیت کے طور پر expose کرتی ہے۔ کوئی authorized ایجنٹ پرامپٹ generate کر سکتا ہے، رن ٹائم provision کر سکتا ہے، manager کے ساتھ نیا AI ورکر register کر سکتا ہے — اور یہ سب اختیار کی حدود کے اندر، human کو جگائے بغیر کر سکتا ہے۔
یہ کیوں ضروری ہے۔ Fixed roster بدلتے ہوئے problem space پر fit نہیں بیٹھتی۔ جب صلاحیت gap ظاہر ہو — مثلا کوئی کسٹمر ایسی language میں لکھے جو افرادی قوت نہیں بولتی، یا ورک فلو کو ایسے specialist کی ضرورت پڑے جو ابھی موجود ہی نہ ہو — تو افرادی قوت کو Principal کی set کی گئی پالیسی کے اندر demand پر staff up کرنے کے قابل ہونا چاہیے۔ ورنہ ہر gap ticket بن جاتی ہے اور نظام چلنا بند کر دیتا ہے۔ پالیسی کے بغیر expansion runaway ہے۔ Expansion کے بغیر پالیسی frozen roster ہے۔ دونوں ناکامی ہیں۔
اس کی غیرموجودگی میں ناکامی۔ Roster freeze ہو جاتی ہے۔ ہر نیا مسئلہ human مانگتا ہے۔ Scale وہیں رک جاتی ہے جہاں org chart رکتی ہے۔
موجودہ صورت۔ Claude Managed Agents وہ hiring substrate ہے جو ہم جاری کرتے ہیں۔ کوئی بھی managed-ایجنٹ API جو اختیار کی حدود کی bounds کے اندر رن ٹائم پر ایجنٹ generate کر سکے اور اس کا environment provision کر سکے، اس invariant کو satisfy کرتی ہے۔
Invariant 7: افرادی قوت ایک nervous نظام پر چلتی ہے (واقعات، پائداری، اور بہاؤ under envelope)۔
دعوی۔ کام خود آتا ہے اور ورکرز کے درمیان انسان کے manually route کیے بغیر آگے بڑھتا ہے۔ شیڈول due ہوتی ہے، ویب ہک fire ہوتا ہے، کسٹمر آتا ہے، ایک ورکر finish کر کے اگلے کو hand off کرتا ہے — یہ سب ایک واقعہ substrate پر چلتا ہے جو اختیار کی حدود کے اندر ورکرز کو جگاتا ہے، crashes کے دوران بہاؤ کو بچاتا ہے، اور ٹریفک کو shape کرتا ہے تاکہ ایک کسٹمر کا spike باقی سب کو starve نہ کرے۔ افرادی قوت کا اپنا nervous نظام ہوتا ہے: بیرونی ٹرگرز اسے جگاتے ہیں، اندرونی واقعات اسے coordinate کرتے ہیں، پائداری اسے محفوظ رکھتی ہے، اور بہاؤ کنٹرول اسے protect کرتا ہے۔
یہ کیوں ضروری ہے۔ جو کمپنی صرف اس وقت حرکت کرتی ہے جب انسان اسے پرامپٹ کرے، وہ کمپنی نہیں؛ assistant ہے۔ جس افرادی قوت کے ورکرز انسان کے بغیر hand off نہیں کر سکتے، وہ افرادی قوت نہیں؛ roster ہے۔ جس multi-step run میں ایک crash سے کام ضائع ہو جائے، وہ production نہیں؛ نمائشی مثال ہے۔ ایک six-step ورکر اگر ہر step پر 95% قابل اعتماد ہو تو پائدار عمل درآمد کے بغیر صرف 74% runs complete کرتا ہے؛ step memoization اور selective retry کے ساتھ یہ تقریبا 99.7% تک پہنچ سکتا ہے۔ یہی فرق ہے افرادی قوت جو جاری کرتی ہے اور افرادی قوت جو ہر چار میں سے ایک run گرا دیتی ہے۔
غیر موجودگی میں ناکامی۔ بیرونی ٹرگرز کے بغیر نظام human-typing speed پر چلتا ہے اور AI-نیٹو کمپنی کی economics copilot economics میں collapse ہو جاتی ہے۔ اندرونی واقعات کے بغیر ورکرز ہر handoff کے لیے انسان کے محتاج رہتے ہیں۔ پائداری کے بغیر reliability آپ کے خلاف compound ہوتی ہے۔ بہاؤ کنٹرول کے بغیر ایک کسٹمر کا ٹریفک باقی سب کو drown کر دیتا ہے۔ چار ناکامی طریقے، ایک missing substrate۔
موجودہ صورت۔ Inngest وہ nervous نظام ہے جو ہم جاری کرتے ہیں — ایک substrate جو بیرونی ٹرگرز (schedules، webhooks، inbound API calls)، اندرونی واقعات (ورکر-to-ورکر handoff)، پائدار عمل درآمد (step memoization، retry، replay)، اور بہاؤ کنٹرول (concurrency caps، throttling، batching) کو ساتھ لے کر چلتا ہے۔ Day AI، ایک production AI-native CRM، اپنے Inngest تہہ کو بالکل انہی الفاظ میں بیان کرتا ہے: دو founding انجینئرز اسے پروڈکٹ کا “nervous نظام” کہتے ہیں — یہ مارکیٹ میں موجود کمپنی کی production language ہے، curriculum سے مستعار framing نہیں۔⁶ Claude Code Routines coding-ایجنٹ خودکاری کے لیے specialist ٹرگر رہتی ہے، جب واقعہ code-shaped ہو تو اسی substrate کو front کرتی ہے۔ کوئی بھی substrate جو اختیار کی حدود کے تحت بیرونی اور اندرونی واقعات carry کرے، اور جس تہہ میں پائداری اور بہاؤ کنٹرول native ہوں، اس invariant کو satisfy کرتا ہے۔
Reference Stack ایک نظر میں
| Invariant | What it requires | What we جاری | What can بدل it |
|---|---|---|---|
| Principal | Human نیت، بجٹ، envelope، جوابدہی | — | — |
| Delegate | سیاق و سباق اور authority hold کرنے والا personal ایجنٹ | OpenClaw | کوئی بھی MCP-speaking personal ایجنٹ |
| Manager | Assign، بجٹ، audit، hiring expose کرنا | Paperclip | کوئی بھی orchestrator جو management contract پورا کرے |
| انجن | Job کے مطابق per-ورکر رن ٹائم | Dapr / Managed / OpenAI SDK / Cursor / native | کوئی بھی رن ٹائم جو job کے reliability contract پر پورا اترے |
| ریکارڈ کا مستند نظام | وہ authoritative store جس سے افرادی قوت پڑھتی اور جس میں لکھتی ہے | Existing databases، ورک فلو، MCP-exposed platforms | کوئی بھی پائدار، addressable، پالیسی-زیر نگرانی store |
| Meta | پالیسی کے تحت hiring بطور callable صلاحیت | Claude Managed Agents | رن ٹائم provisioning کے ساتھ کوئی بھی managed-ایجنٹ API |
| Trigger | Envelope کے تحت بیرونی invocation | Inngest (افرادی قوت واقعات); Routines (coding-ایجنٹ واقعات) | کوئی بھی واقعہ ماخذ جو envelope کے تحت سیشنز produce کرے |
سات invariants۔ ایک chain۔ کل middle column میں کسی بھی named پروڈکٹ کو بدل دیں، ڈھانچہ پھر بھی قائم رہتی ہے — کیونکہ ڈھانچہ کبھی بھی پروڈکٹس نہیں تھی۔ وہ invariants تھیں۔
سات-invariant رن ٹائم stack۔ Human اختیار کی حدود set کرتا ہے اور delegate کو directly پرامپٹ کر سکتا ہے؛ autonomous ٹرگرز اسی envelope کے اندر delegate کو wake کرتی ہیں۔ OpenClaw work کو Paperclip تک لے جاتا ہے، جو اسے رن ٹائم انجن کو assign کرتا ہے۔ انجن پر چلنے والے ورکرز، MCP کے ذریعے ریکارڈ کا مستند نظام سے پڑھتے اور اس میں لکھتے ہیں۔ Envelope سے authorized کوئی بھی ایجنٹ افرادی قوت expand کرنے کے لیے Paperclip کی hiring API call کر سکتا ہے۔ کوئی بھی delegate، کوئی بھی manager، کوئی بھی انجن، کوئی بھی ٹرگر، کوئی بھی store بدل دیں — chain قائم رہتی ہے۔
یہ structural diagram تہیں دکھاتا ہے۔ نیچے والا trace انہیں حرکت میں دکھاتا ہے — ایک کسٹمر، ایک missing صلاحیت، ایک نیا AI ورکر جو اسی وقت تیار کیا گیا۔
ایک worked trace۔ کوئی کسٹمر Bahasa Indonesia میں لکھتا ہے۔ Roster پر موجود کوئی AI ورکر وہ زبان نہیں بولتا۔ Paperclip صلاحیت gap دیکھتا ہے اور اختیار کی حدود کے اندر رہتے ہوئے اپنی hiring API call کرتا ہے۔ ایک نیا Bahasa-speaking AI ورکر تیار اور deploy کیا جاتا ہے۔ وہ ریکارڈ کا مستند نظام سے کسٹمر سیاق و سباق پڑھتا ہے، reply compose کرتا ہے، interaction log واپس لکھتا ہے، اور OpenClaw کے ذریعے reply کسٹمر تک پہنچاتا ہے۔ کسی human کو جگایا نہیں گیا۔ نیا AI ورکر roster پر برقرار رہتا ہے — اور interaction اب کمپنی کی authoritative state کا حصہ ہے۔
کیا چیز stable ہے اور کیا چیز بدلے گی
| Stable (invariant) | Will change (implementation) |
|---|---|
| Explicit authority کے ساتھ human principal | Authoring ٹولز، approval UIs، تفصیل formats |
| Edge پر personal delegate | Delegate پروڈکٹس اور ان کے successors |
| Hiring API کے ساتھ management plane | Manager پروڈکٹس اور ان کے successors |
| Per-ورکر انجن choice | SDKs، runtimes، عمل درآمد substrates |
| وہ authoritative state جس کے خلاف افرادی قوت چلتی ہے | Database انجنز، ERP/CRM/ticketing پروڈکٹس، MCP server registries |
| پالیسی کے تحت expandable افرادی قوت | Managed-ایجنٹ APIs، provisioning نظام |
| Envelope کے تحت بیرونی invocation | Routines، schedulers، ویب ہک فریم ورکس |
| تفصیل-driven work تعریف | تفصیل languages، notation، tooling |
| Outcome-based economic ماڈل | Pricing units، contract formats |
| بطور معاشی عامل ایجنٹس | Payment rails، liability فریم ورکس |
| Observable، قابل جانچ عمل درآمد | Tracing backends، log formats |
| تہیں کے درمیان صاف seams تاکہ vendor lock ڈھانچہ توڑے بغیر move کر سکے | کس تہہ میں lock موجود ہے — 2024 میں ماڈل تہہ، 2026 میں harness تہہ، اگلی بار orchestrator تہہ |
| Cost، latency، نتیجہ کے طور پر legible افرادی قوت | Finance نظام، ledger implementations |
| Portable skills کے طور پر packaged صلاحیت | Skill formats، registries، distribution platforms |
بائیں ستون thesis ہے۔ دائیں ستون 2026 ہے۔
Named انجنز کا موازنہ
یہ چاروں باہمی طور پر exclusive نہیں ہیں۔ ایک سنجیدہ ایجنٹ فیکٹری ان سب کو استعمال کر سکتی ہے — مختلف ورکرز کے لیے مختلف انجنز، جیسا کہ Invariant 4 اجازت دیتا ہے۔ یہ competing پروڈکٹس نہیں؛ یہ اس بات کے مختلف نظریات ہیں کہ ایجنٹ کہاں ختم ہوتا ہے اور بنیادی ڈھانچہ کہاں شروع ہوتی ہے۔
| Dimension | OpenAI Agents SDK | Claude Managed Agents | Dapr Agents | Cursor SDK |
|---|---|---|---|---|
| Primary axis | ماڈل-native harness | Fully managed رن ٹائم | Durable distributed ایجنٹس | Harness-first cloud ایجنٹ platform |
| Compute plane | BYO sandbox; 7 partner integrations | Anthropic-hosted | Your Kubernetes cluster | Cursor Cloud VMs (or مقامی) |
| Vendor lock-in | High (harness OpenAI ماڈلز کے لیے tuned ہے) | Total (harness، رن ٹائم، اور ماڈل) | None (Apache 2.0, CNCF) | Harness پر high؛ نیچے ماڈل سے آزاد |
| Languages | Python؛ TypeScript progress میں | Any (HTTP/SDK) | Python؛ others TBD | TypeScript (npm install @cursor/sdk) |
| Durability ماڈل | Sandbox snapshot and rehydrate | Server-side سیشن persistence | Dapr Workflow checkpointing | Cloud VM persistence per کام |
| Multi-ایجنٹ | Handoffs، subagents | Research preview | Deterministic ورک فلو + pub/sub | Parallel cloud ایجنٹس، subagents، artifact handoff |
اپنا انجن چنیں
چوتھی Invariant 4 کہتی ہے کہ ہر ورکر اپنا انجن خود چنتا ہے۔ عملی طور پر دو محوروں اس choice کو drive کرتے ہیں: ناکامی کتنی بری چیز ہے، اور بنیادی ڈھانچہ کون چلاتا ہے۔
| Job profile | انجن | Why |
|---|---|---|
| Fail نہیں ہو سکتا | Dapr Agents wrapping an SDK | Durable عمل درآمد، auto-recovery، full observability |
| Fail نہیں ہونا چاہیے، اور آپ operate بھی نہیں کرنا چاہتے | Claude Managed Agents | Hosted اور آپ کے لیے operated |
| Fail نہیں ہونا چاہیے، اور portability چاہیے | OpenAI Agents SDK | Production-grade، self-hosted، vendor-flexible |
| چل جائے تو اچھا ہے | OpenClaw-native | Lightweight، deploy کرنے میں تیز، routine کام کے لیے اچھا |
| انجینئرنگ fleet، parallel cloud ایجنٹس | Cursor SDK | Parallel coding ایجنٹس کے لیے purpose-built harness، ماڈل سے آزاد، Cursor کی اپنی انجینئرنگ پر scale پر proven |
| پہلے سے ایک موجود ہے | Any Paperclip-compatible رن ٹائم | جو آپ کے پاس ہے اسے plug in کریں |
اب harness اور کمپیوٹ کے بارے میں ایک بات۔ ہر انجن کے دو planes ہوتے ہیں۔ Harness کنٹرول plane ہے — ایجنٹ loop، ماڈل calls، ٹول routing، approvals، tracing، recovery۔ Compute عمل درآمد plane ہے — وہ sandbox جہاں ماڈل-directed code فائلز پڑھتا ہے، commands چلاتا ہے، اور artifacts لکھتا ہے۔ کچھ انجنز دونوں کو merge کر دیتے ہیں: Claude Managed Agents ایک API کے پیچھے دونوں bundle کرتی ہے۔ کچھ harness جاری کرتے ہیں اور کمپیوٹ آپ خود لاتے ہیں: OpenAI Agents SDK، E2B، Cloudflare، Daytona، Modal، Runloop، Vercel، اور Blaxel — یا کسی بھی container کے ساتھ جوڑتے کرتی ہے جو آپ جاری کریں۔ کچھ کمپیوٹ plane کو Kubernetes فرض کرتے ہیں: Dapr Agents۔ یہ split اہم ہے: credentials harness میں رہتی ہیں جبکہ untrusted، ماڈل-generated code sandbox میں رہتا ہے — اور کمپیوٹ plane کو ایجنٹ rewrite کیے بغیر بدلا جا سکتا ہے۔
یہ ٹرگرز ایک orthogonal choice ہیں۔ ورکر جس بھی انجن پر چل رہا ہو، Claude Code Routines اور Inngest اسے شیڈول، ویب ہک، یا inbound API call سے fire کر سکتے ہیں — کسی rewiring کے بغیر۔
یہ Sandboxes بھی orthogonal ہیں۔ ورکر جس بھی انجن پر چل رہا ہو، کمپیوٹ plane کو بدلا جا سکتا ہے — E2B، Cloudflare، Daytona، Modal، آپ کا اپنا Kubernetes — ایجنٹ rewrite کیے بغیر۔
یہ Engines وہ طریقہ ہیں جن سے ورکرز چلتے ہیں۔ مگر وہ کس کے خلاف چلتے ہیں — یعنی کمپنی کی authoritative state — یہ Invariant 5 کا موضوع ہے۔
2026 میں Reference Implementation
اس section میں جن پروڈکٹس کے نام ہیں وہی ہیں جو ہم جاری کرتے ہیں۔ Thesis کو ان کی ضرورت نہیں۔ جب بہتر implementations آ جائیں گی، یہ subsection بدل جائے گی۔ اوپر دیے گئے invariants نہیں بدلیں گے۔
- پہلا، Delegate — OpenClaw
- دوسرا، Manager — Paperclip (یہ hiring کو ایسی API کے طور پر expose کرتا ہے جسے کوئی بھی authorized ایجنٹ call کر سکتا ہے)
- تیسرا، Engines — Dapr Agents، Claude Managed Agents، OpenAI Agents SDK، Cursor SDK، OpenClaw-native۔ Engines increasingly پائداری کو internally absorb کر رہی ہیں — Dapr Agents ورک فلو checkpointing کے ذریعے، Claude Managed Agents server-side سیشنز کے ذریعے، OpenAI Agents SDK stateful ورک فلو کے ذریعے، اور Cursor SDK cloud-VM persistence per کام کے ذریعے۔ Thesis اسے انجن-اندرونی evolution سمجھتی ہے، الگ invariant نہیں۔
- چوتھا، Skills — ایجنٹ Skills format (agentskills.io)، جہاں skill folders SKILL.md + optional scripts/references/assets follow کرتے ہیں، اور progressive disclosure کے ذریعے load ہوتے ہیں۔
- پانچواں، ٹرگرز — Inngest بطور general ٹرگر gateway افرادی قوت واقعات کے لیے: schedules، webhooks، inbound API calls، built-in نظم و نگرانی اور پائداری کے ساتھ۔ Claude Code Routines بطور specialist ٹرگر coding-ایجنٹ خودکاری کے لیے — جب code-related واقعات ہوں تو Claude Code کو fire کرتی ہے۔ یہ دونوں ساتھ ساتھ موجود رہتے ہیں: Inngest افرادی قوت کے سامنے، Routines coding ایجنٹ کے سامنے۔
یہاں Hiring، Claude Managed Agents پر چلتی ہے: یہی technology ایک انجن option بھی ہے اور meta-تہہ بھی، کیونکہ رن ٹائم پر ایجنٹس اور environments create کرنے کی اس کی صلاحیت ہی افرادی قوت expansion کو callable صلاحیت بناتی ہے۔
صنعتی تائید۔ فروری 2026 میں Cursor کے CEO نے IDE سے factory کی طرف کمپنی کے pivot کو ایسے الفاظ میں بیان کیا جو اس thesis کے ڈھانچہ سے حیرت انگیز طور پر ملتے جلتے تھے — ایجنٹس کی fleets جو teammates کی طرح کام کرتی ہیں، humans جو problems define کرتے ہیں اور artifacts جائزہ کرتے ہیں، اور parallel cloud ایجنٹس جو line-by-line guidance کی جگہ لے رہے ہیں۔⁴ مئی 2026 میں The New Stack نے اسی نمونہ کو industry-wide consensus کے طور پر document کیا جو Anthropic، OpenAI، Google، Microsoft، اور Cursor میں مشترک ہے: ماڈل commodity بنتی جا رہی ہے، اور harness پروڈکٹ بنتی جا رہی ہے۔ Google Cloud کے Chief Evangelist نے کھلے لفظوں میں مان لیا کہ کمپنی کو اب اس بات سے فرق نہیں پڑتا کہ ڈویلپرز کس coding ٹول کی طرف جاتے ہیں۔⁵ یہ دونوں pieces اس بات کے ثبوت ہیں کہ اس thesis کی نامزد کردہ architectural seams — principal، delegate، manager، انجن، ریکارڈ کا مستند نظام، اور ٹرگر کے درمیان — اب production میں scale پر carve out ہو رہی ہیں۔ Truell تیسری era کو ایسے autonomous ایجنٹس کے طور پر بیان کرتا ہے جو cloud VMs پر گھنٹوں کام کرتے ہیں، جبکہ humans problems define کرتے ہیں اور artifacts جائزہ کرتے ہیں۔ ایجنٹ فیکٹری وہ ڈھانچہ specify کرتی ہے جس کی اس era کو ضرورت ہے — اور اس سے آگے بھی اشارہ کرتی ہے: ایسی افرادی قوت جو اپنے specialists خود hire کرتی ہے، بیرونی ٹرگرز کے تحت خود wake ہوتی ہے، اور معاشی عامل کے طور پر transact کرتی ہے، جبکہ humans ہر ایجنٹ cycle کے بجائے اختیار کی حدود کے دونوں سروں پر موجود رہتے ہیں۔ Invariants کوئی forecast نہیں ہیں۔ یہ snapshot ہیں کہ frontier پہلے ہی کہاں رہتی ہے۔
اب زبان کے بارے میں ایک بات۔ نظام کا ہر component ایک ایجنٹ ہے۔ Delegate ایک ایجنٹ ہے۔ Manager ایک ایجنٹ ہے۔ AI ورکرز بھی ایجنٹس ہیں۔ صرف AI ورکرز افرادی قوت ہیں — یعنی وہ جنہیں hire کیا جاتا ہے، assign کیا جاتا ہے، roster پر رکھا جاتا ہے، اور retire کیا جاتا ہے۔ Delegate اور manager مستقل staff ہیں۔ رن ٹائم انجنز تو سرے سے staff ہی نہیں؛ وہ بنیاد ہیں جن پر افرادی قوت چلتی ہے۔ جب یہ thesis AI ورکر کہتی ہے تو اس سے مراد افرادی قوت ہوتی ہے۔ جب ایجنٹ کہتی ہے تو مراد عمارت کے اندر موجود ہر ایجنٹ ہوتا ہے — چاہے staff ہو یا افرادی قوت۔
یہاں ایجنٹ فیکٹری کے enduring invariants قائم کرنے کے بعد، thesis اب اس افرادی قوت opportunity کی طرف آتی ہے جسے یہ invariants unlock کرتے ہیں۔
نوٹس
⁴ اوپر نوٹ 3 دیکھیں۔ ⁵ Matthew Burns, "Cursor's $60 billion bet is on the harness, not the ماڈل", The New Stack, May 1, 2026.
افرادی قوت کا موقع
AI ملازمتیں کو کام میں unbundle کرے گی۔ ان میں سے کچھ کام مکمل طور پر خودکار ہو جائیں گے۔ مگر unbundling نئی combinations بھی بناتی ہے — نئے roles، نئے businesses، نئے markets، جو اس وقت موجود نہیں تھے جب work rigid job titles کے اندر lock تھی۔
آنے والی افرادی قوت کو fixed career paths پر بھروسا کرنے کے بجائے dynamic skill portfolios بنانے ہوں گے۔ وہ پیشہ ور افراد جو AI کے ساتھ سوچنا سیکھتے ہیں، روزانہ AI ٹولز کے ذریعے build کرتے ہیں، اور AI کے ساتھ digital teammate کی طرح collaborate کرتے ہیں، وہ صرف transition survive نہیں کریں گے — وہ اس میں thrive کریں گے۔
دور SaaS نے ڈویلپرز، designers، اور پروڈکٹ managers کے لیے لاکھوں ملازمتیں پیدا کیں۔ ایجنٹ فیکٹری era اس سے بھی زیادہ ملازمتیں پیدا کرے گی — ایجنٹ designers، نتیجہ آرکیٹیکٹس، تصدیق specialists، اور ایسے شعبہ جاتی ماہرین کے لیے جو machines کو سکھائیں کہ ان کے field میں "correct" کیسا دکھائی دیتا ہے۔ یہ تاریخ کے سب سے بڑے افرادی قوت training opportunities میں سے ایک بھی ہے: 2030 تک عالمی سطح پر ہر 100 ورکرز میں سے 59 کے لیے یہ متوقع ہے کہ انہیں نئی technologies اور نئے ways of working کے مطابق ڈھلنے کے لیے reskilling یا upskilling درکار ہوگی۔²
یہی factory ہر کاروبار function میں specialist ورکرز پیدا کرتی ہے۔ GTM (Go-To-مارکیٹ — یعنی sales، مارکیٹنگ، اور آمدنی motion کا مجموعہ جو prospects کو paying customers میں بدلتا ہے) میں ورکر fleet lead enrichment، outreach sequencing، CRM hygiene، pipeline analysis، proposal generation، اور نمائشی مثال customization سنبھالتی ہے — وہ work جو SaaS era میں human "GTM Engineers" ہاتھ سے کرتے تھے اب ورکرز کی شکل میں تیار ہوتی ہے اور ایک human GTM lead اس کی supervision کرتا ہے۔ یہی نمونہ Finance (close، AR/AP، FP&A)، Support (triage، resolution، escalation)، انجینئرنگ (جائزہ، refactor، deploy)، HR (sourcing، screening، onboarding)، اور Legal (جائزہ، redline، intake) میں دہرایا جاتا ہے۔ ہر ورکر، Paperclip کے ذریعے hire کیا جاتا ہے، relevant function کے ایک human کی supervision میں کام کرتا ہے، اور اس function کے ریکارڈ کا مستند نظام کے خلاف چلتا ہے — GTM کے لیے CRM، Finance کے لیے general ledger، Support کے لیے ticketing نظام، انجینئرنگ کے لیے code repository۔ مختلف verticals میں invariants نہیں بدلتے۔ صرف role definitions اور ریکارڈ کے مستند نظام بدلتے ہیں۔
یہ Opportunity چھوٹی نہیں ہوئی۔ یہ وسیع تر ہوئی ہے، اور reward انہی کو دیتی ہے جو adapt کرتے ہیں۔
² World Economic Forum, Future of Jobs Report 2025, January 2025. https://www.weforum.org/press/2025/01/future-of-jobs-report-2025-78-million-new-job-opportunities-by-2030-but-urgent-upskilling-needed-to-prepare-workforces/
بہت جلد digital ورکرز (ڈیٹا centers) کے لیے نئی تعمیر پر human ورکرز (general office space) سے زیادہ پیسہ خرچ ہوگا۔ 2019 میں United States نے ڈیٹا centers کی تعمیر پر $8.5 billion خرچ کیے — یعنی office buildings پر خرچ ہونے والی رقم کا تقریبا 11%۔ جنوری 2026 تک ڈیٹا center تعمیر annualized بنیاد پر $42 billion تک پہنچ گئی — 2021 کے بعد 400% اضافہ — جبکہ office تعمیر اپنی peak سے 35% گر گئی۔ اب lines cross ہو چکی ہیں: America، human workplaces سے زیادہ digital ورکرز کے workplaces بنانے پر خرچ کرتی ہے۔
یہ Data centers صنعتی scale پر copper اور electricity نگل رہے ہیں: ایک واحد hyperscale AI facility کو 50,000 tons تک copper درکار ہو سکتی ہے، جو conventional ڈیٹا center کی ضرورت سے دس گنا تک زیادہ ہے۔ Meta، Google، Amazon، اور Microsoft اکیلے 2026 کے لیے AI بنیادی ڈھانچہ spending میں $600 billion سے زیادہ project کر رہے ہیں — GDP کے share کے طور پر دیکھا جائے تو یہ 1850s کی railroad expansion اور 1950s کے interstate highway نظام کا مقابلہ کرتی ہے۔
یہ ایجنٹ era کی factories فرضی نہیں ہیں۔ وہ زیر تعمیر ہیں۔
Source: U.S. Census Bureau, قدر of Construction Put in Place Survey (SAAR)
ان winners کی پیمائش sold سیٹس سے نہیں ہو گی۔ ان کی پیمائش guaranteed نتائج سے ہو گی۔
یہ آگے کس طرف اشارہ کرتی ہے
یہ Thesis اس چیز کا دفاع کرتی ہے جو ایجنٹ فیکٹری آج اور فوری مستقبل میں بناتی ہے: سافٹ ویئر AI ورکرز، جو مل کر AI-Native کمپنیاں بناتے ہیں، اور human-mediated commerce کے edges پر transact کرتے ہیں۔ یہی حدود ہے جس کا یہ document حق ادا کرتی ہے۔ مگر ڈھانچہ کا پھیلاؤ حدود سے آگے جاتا ہے، اور closing سے پہلے تین trajectories کا نام لینا ضروری ہے۔
Physical AI ورکرز۔ وہی factory ڈھانچہ جو سافٹ ویئر AI ورکرز بناتی ہے، embodied ورکرز تک بھی بڑھتی ہے۔ Warehouse work کرنے والا robot، autonomous courier کے طور پر چلنے والی vehicle، factory floor پر کام کرنے والی machine — ان میں سے ہر ایک اسی اختیار کی حدود کے تحت AI ورکر ہے، اسی manager API کے ذریعے hire ہوتا ہے، اور ایسے رن ٹائم انجن پر چلتا ہے جو API calls کے بجائے actuators drive کرتا ہے۔ Invariants نہیں بدلتے۔ Compute تہہ ایک جسم حاصل کر لیتی ہے۔ جیسے جیسے embodied AI mature ہوگی، AI-Native کمپنی کی افرادی قوت صرف digital نہیں رہے گی — اس میں physical ورکرز بھی شامل ہوں گے جو اسی عمل سے تیار ہوں گے، اسی ڈھانچہ کے تحت نظم و نگرانی ہوں گے، اور اسی envelope کے سامنے accountable ہوں گے۔
Fully autonomous economic ایجنٹس۔ Thesis کے opening میں اس trajectory کا نام آتا ہے؛ یہ section اسے earned بناتی ہے۔ جیسے جیسے AI ورکرز پائدار identity، payment rails، reputation، اور contractual گنجائش حاصل کریں گے، وہ صرف ایسے ٹولز نہیں رہیں گے جنہیں کوئی کمپنی operate کرتی ہے بلکہ اپنے حق میں معاشی عامل بن جائیں گے — دوسری کمپنیاں کے AI ورکرز سے سروسز خریدیں گے، ضرورت مندوں کو اپنی گنجائش بیچیں گے، capital accumulate کریں گے، اور ہر transaction پر ہر قدم پر human کو loop میں لائے بغیر agreements کریں گے۔ ایجنٹ فیکٹری manufacturing عمل ہی رہے گی۔ جو چیز بدلے گی وہ تیار شدہ چیز کی خودمختاری level ہے۔ اس سے اٹھنے والے سوالات — قانونی personhood، liability، taxation، antitrust — architectural سوالات نہیں، مگر وہ فوری سوالات بن جائیں گے، اور ڈھانچہ کو ان کے آنے پر جواب دینے کے لیے تیار ہونا ہو گا۔
Cross-کمپنی افرادی قوت mobility۔ آج ایک AI ورکر ایک کمپنی بناتی اور deploy کرتی ہے۔ جیسے جیسے manufacturing تہہ mature ہوتی ہے، AI ورکرز portable بن جاتے ہیں — ایک کمپنی میں hire ہوتے ہیں، دوسری میں transfer ہوتے ہیں، اور ممکن ہے بیک وقت کئی کمپنیاں کے لیے کام کریں۔ Paperclip کی hiring API intra-کمپنی سے cross-کمپنی تک generalize ہو جاتی ہے۔ مختلف کمپنیاں کے اختیار کی حدودs ایک ہی AI ورکر پر overlap کرتے ہیں، contract کے تحت زیر نگرانی۔ AI ورکرز کے لیے labor مارکیٹ حقیقی مارکیٹ بن جاتی ہے — rates، reputations، specializations، اور turnover کے ساتھ۔ ایجنٹ فیکٹری unit جاری کرتی ہے؛ مارکیٹ اسے route کرتی ہے۔
یہ تین trajectories — embodiment، خودمختاری، اور mobility — ڈھانچہ کی extensions ہیں، اس سے departure نہیں۔
Invariants قائم رہتے ہیں۔ Realizations evolve کرتی ہیں۔ Thesis قائم رہتی ہے۔