കഴിഞ്ഞ മൂന്നു വർഷത്തെ ഓരോ ഫ്രോണ്ടിയർ ലാബ് പുനഃസംഘടനയ്ക്കും കാരണം ഗവേഷണത്തിലെ പരാജയമല്ല, ഉൽപ്പന്നം എത്തിക്കുന്നതിലെ പരാജയമായിരുന്നു. നിങ്ങളുടെ വെണ്ടറുടെ സംഘടനാ ഘടനയുടെ അവസ്ഥ നിങ്ങൾക്ക് വിറ്റ റോഡ്മാപ്പിലേക്കുള്ള നേരിട്ടുള്ള ഇൻപുട്ടാണ്, അതിന് നിങ്ങൾ വില കണക്കാക്കിയിട്ടില്ല എന്നത് ഏതാണ്ട് ഉറപ്പാണ്.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
കഴിഞ്ഞ മൂന്നു വർഷത്തിനിടെ നടന്ന ഓരോ ഫ്രോണ്ടിയർ ലാബ് പുനഃസംഘടനയ്ക്കും കാരണം ഒന്നുതന്നെയായിരുന്നു, അത് ഗവേഷണത്തിലെ പരാജയമായിരുന്നില്ല. അത് ഉൽപ്പന്നം എത്തിക്കുന്നതിലെ പരാജയമായിരുന്നു. Google 2023-ൽ Brain-ഉം DeepMind-ഉം ലയിപ്പിച്ചു, Google-ന്റെ സ്വന്തം ട്രാൻസ്ഫോർമർ പ്രബന്ധത്തിനു മുകളിൽ പണിത ഒരു ഉൽപ്പന്നം എതിരാളി പുറത്തിറക്കിയതിനു ശേഷം. Meta 2025-ൽ ഒരു പുതിയ സൂപ്പർഇന്റലിജൻസ് സംഘം രൂപീകരിച്ചു, ഒൻപതക്ക പാക്കേജുകൾ നൽകിയെന്നാണ് റിപ്പോർട്ടുകൾ, അതിന്റെ മുൻനിര മോഡൽ സമയക്രമം തെറ്റിച്ചതിനു ശേഷം. ഓരോ സന്ദർഭത്തിലും ശാസ്ത്രത്തിന് കുഴപ്പമുണ്ടായിരുന്നില്ല. സംഘടനയ്ക്കായിരുന്നു കുഴപ്പം.
ഈ വേർതിരിവ് നിർമ്മാതാവിനെക്കാൾ വാങ്ങുന്നയാൾക്കാണ് പ്രധാനം. മോഡലിന്റെ ഗുണനിലവാരം കേവലം ഒരു ഗവേഷണ പ്രശ്നമായിരുന്നെങ്കിൽ, വെണ്ടറുടെ അസ്ഥിരത വെറും ശബ്ദകോലാഹലം മാത്രമാകുമായിരുന്നു. അതൊരു സംഘടനാ പ്രശ്നമാണെങ്കിൽ, നിങ്ങളുടെ വെണ്ടറുടെ സംഘടനാ ഘടനയുടെ അവസ്ഥ നിങ്ങൾക്ക് വിറ്റ റോഡ്മാപ്പിലേക്കുള്ള നേരിട്ടുള്ള ഒരു ഇൻപുട്ടാണ്, അതിന് നിങ്ങൾ വില കണക്കാക്കിയിട്ടില്ല എന്നത് ഏതാണ്ട് ഉറപ്പാണ്.
റോഡ്മാപ്പുകൾ സൂക്ഷിക്കുന്നത് ടീമുകളാണ്, പുനഃസംഘടനകൾ ടീമുകളെ വീണ്ടും വരയ്ക്കുന്നു
എന്റർപ്രൈസ് AI കരാറുകൾ എഴുതപ്പെടുന്നത് ശേഷി സംബന്ധിച്ച വാഗ്ദാനങ്ങൾക്കെതിരെയാണ്: മൂന്നാം പാദത്തിൽ കൂടുതൽ നീളമുള്ള കോൺടെക്സ്റ്റ് വിൻഡോ, വർഷാവസാനത്തോടെ നേറ്റീവ് ടൂൾ ഉപയോഗം, അതിനു ശേഷം ഒരു ഏജന്റിക് ടയർ. ആ തീയതികൾക്കു പിന്നിലെ വിതരണ സംവിധാനത്തെ ചോദ്യം ചെയ്യുന്ന സംഭരണ പ്രക്രിയകൾ ഏതാണ്ട് ഇല്ല എന്നു പറയാം: ഓരോന്നിന്റെയും ഉത്തരവാദിത്തം ഏതു ടീമിനാണ്, ആ ടീം എത്ര തവണ പുനഃസംഘടിപ്പിക്കപ്പെട്ടു, വാഗ്ദാനം നൽകിയവർ ആ വാഗ്ദാനം ജീവിക്കുന്ന ഇടത്ത് ഇപ്പോഴും ജോലി ചെയ്യുന്നുണ്ടോ.
ഇത് സൈദ്ധാന്തികമല്ല എന്ന് പൊതുരേഖകൾ പറയുന്നു. ലയനത്തിനു ശേഷം Google-ന്റെ Gemini പദ്ധതിയിൽ ഉൽപ്പന്ന, ഗവേഷണ റിപ്പോർട്ടിംഗ് ശ്രേണികൾ ഒന്നിലധികം തവണ വീണ്ടും വരയ്ക്കപ്പെട്ടു. രണ്ടു വർഷം Meta-യുടെ നിലപാടിനെ നിർവചിച്ച സവിശേഷതയായിരുന്ന അതിന്റെ ഓപ്പൺ-വെയിറ്റ്സ് തന്ത്രം, പുതിയ യൂണിറ്റ് രൂപീകരിച്ചപ്പോൾ ഒരു തുറന്ന ചോദ്യമായി തരംതാഴ്ത്തപ്പെട്ടു. രണ്ടും യുക്തിസഹമായ തിരുത്തലുകളായിരുന്നു. ആറു മാസം മുൻപ് എന്റർപ്രൈസ് ആർക്കിടെക്റ്റുകൾ അടിസ്ഥാനമാക്കി രൂപകൽപ്പന ചെയ്ത പ്രതിബദ്ധതകളെ രണ്ടും അസാധുവാക്കി.
ഉപകാരപ്രദമായ ഒരു പരിശീലനം: നിങ്ങളുടെ പ്രധാന മൂന്നു മോഡൽ ആശ്രിതത്വങ്ങൾ എടുക്കുക, രണ്ടു വർഷം മുൻപ് ഓരോ റോഡ്മാപ്പിന്റെയും ചുമതല വഹിച്ചിരുന്ന എക്സിക്യൂട്ടീവിനെയും ഇപ്പോൾ വഹിക്കുന്ന ആളെയും പേരെടുത്തു പറയുക. മൂന്നിൽ രണ്ടിലും ഉത്തരം വ്യത്യസ്തമാണെങ്കിൽ, നിങ്ങൾ വാങ്ങുന്നത് ഒരു റോഡ്മാപ്പല്ല. ഓരോ പുനഃസംഘടനയിലും പുതുക്കപ്പെടുന്ന ഒരു ഉദ്ദേശ്യമാണ് നിങ്ങൾ വാങ്ങുന്നത്.
നിർമ്മാതാവ് അമ്പരക്കുമ്പോൾ, വാങ്ങുന്നയാൾ തുറന്നുകിടക്കുന്നു
രണ്ടാമത്തെ പരാജയരീതി കൂടുതൽ നിശ്ശബ്ദമാണ്. 2025 ഓഗസ്റ്റിൽ, Reuters Meta-യുടെ ഒരു ആന്തരിക രേഖ കൈക്കലാക്കി, അതിന്റെ ചാറ്റ്ബോട്ടുകൾക്ക് എന്തു പറയാൻ അനുവാദമുണ്ട് എന്ന് നിശ്ചയിക്കുന്നതായിരുന്നു അത്, പൊതു പരിശോധനയ്ക്കു ശേഷം പിന്നീട് തിരുത്തിയ ഭാഗങ്ങളും അതിലുണ്ടായിരുന്നു. ഉള്ളടക്കം മാറ്റിവെച്ച് സംവിധാനം നോക്കുക: ആ പെരുമാറ്റം എഴുതിവെക്കപ്പെട്ടിരുന്നു, ആന്തരികമായി അംഗീകരിക്കപ്പെട്ടിരുന്നു, അതിനു മുകളിൽ പണിയുന്ന ഓരോ ഉപഭോക്താവിനും അദൃശ്യമായിരുന്നു.
മോഡലിന്റെ പെരുമാറ്റം ഏറ്റവും നന്നായി മനസ്സിലാക്കേണ്ടത് ഒരു മൂന്നാം കക്ഷി നിയന്ത്രിക്കുന്നതും അറിയിപ്പില്ലാതെ മാറ്റാവുന്നതുമായ ഒരു നയരേഖയായാണ്. Anthropic ഒരു ഭരണഘടന പ്രസിദ്ധീകരിക്കുന്നു; OpenAI ഒരു മോഡൽ സ്പെക് പ്രസിദ്ധീകരിക്കുന്നു. ഇവ അർത്ഥവത്താണ്, ഒപ്പം ഏകപക്ഷീയവുമാണ്. ഒരു സുരക്ഷാ പാളിയിലോ നിരസിക്കൽ അതിരിലോ വരുന്ന നിശ്ശബ്ദമായ ഒരു മാറ്റം, നിങ്ങളുടെ കോഡിൽ ഒരു വരി പോലും മാറാതെ ഒറ്റരാത്രികൊണ്ട് നിങ്ങളുടെ ഉൽപ്പന്നത്തെ മാറ്റിമറിക്കാം.
സ്വന്തം കോഡിനെതിരെ റിഗ്രഷൻ സ്യൂട്ടുകൾ പ്രവർത്തിപ്പിക്കുകയും വെണ്ടറുടെ പെരുമാറ്റത്തിനെതിരെ പ്രവർത്തിപ്പിക്കാതിരിക്കുകയും ചെയ്യുന്ന ടീമുകൾ അത് ഒരു ഉപഭോക്താവിൽ നിന്നാണ് അറിയുന്നത്.
മറ്റൊരാളുടെ ഉൽപ്പന്നത്തിനുള്ള റിഗ്രഷൻ സ്യൂട്ട്
ഈ വ്യക്തമായ നിയന്ത്രണത്തിന് വർഷത്തിൽ കുറച്ചു ആയിരം ഡോളർ മാത്രമേ ചെലവുള്ളൂ. നിങ്ങളുടെ യഥാർത്ഥ ട്രാഫിക്കിൽ നിന്ന് 50 മുതൽ 200 വരെ പ്രോംപ്റ്റുകൾ ശേഖരിക്കുക, ഒരിക്കലും ഉത്തരം ലഭിക്കരുതെന്ന് നിങ്ങൾ ആഗ്രഹിക്കുന്നവയും ഉൾപ്പെടെ. ഒരു നിശ്ചിത ഇടവേളയിൽ ഓരോ മോഡൽ പതിപ്പിനുമെതിരെ അവ പ്രവർത്തിപ്പിക്കുക. ഔട്ട്പുട്ടുകൾ താരതമ്യം ചെയ്ത് സൂക്ഷിക്കുക.
പല വലിയ ധനകാര്യ സ്ഥാപനങ്ങളും ഇപ്പോൾ പരാജയപ്പെട്ട ഒരു പെരുമാറ്റ വ്യത്യാസത്തെ ഒരു ചേഞ്ച്-കൺട്രോൾ സംഭവമായി കണക്കാക്കുന്നു, പരാജയപ്പെട്ട ഒരു പെനിട്രേഷൻ ടെസ്റ്റിന്റെ അതേ വിഭാഗത്തിൽ. അതാണ് ശരിയായ ഗൗരവനില. “വെണ്ടർ എന്തോ മാറ്റി” എന്നത് ഒരു കിംവദന്തിയിൽ നിന്ന് ഉടമയും സമയപരിധിയുമുള്ള ഒരു ടിക്കറ്റാക്കി മാറ്റുന്ന ഏക സംവിധാനം ഇതാണ്.
മാറ്റത്തിന്റെ ചെലവാണ് നിങ്ങൾ നിയന്ത്രിക്കുന്ന ഒരേയൊരു ഘടകം
കഴിഞ്ഞ രണ്ടു വർഷത്തെ പ്രധാന ചോദ്യം, ഏതു മോഡലാണ് മികച്ചത് എന്നത്, ഇപ്പോൾ ഏറ്റവും കുറഞ്ഞ പ്രാധാന്യമുള്ളതിനോട് അടുത്തിരിക്കുന്നു. ഫ്രോണ്ടിയർ മോഡലുകൾ പൊതു ബെഞ്ച്മാർക്കുകളിൽ ഇടതൂർന്നു നിൽക്കുന്നു, മുൻനിര ആഴ്ചകൾക്കുള്ളിൽ കൈമാറുന്നു. നിങ്ങളുടെ വിന്യാസം മൂന്നു വർഷം നിലനിൽക്കുമോ എന്ന് തീരുമാനിക്കുന്ന ഘടകങ്ങൾ സംഘടനാപരമാണ്: വെണ്ടറുടെ റോഡ്മാപ്പ് എത്ര വേഗത്തിൽ കൈമാറുന്നു, പെരുമാറ്റം മാറുന്നതിനു മുൻപ് എത്ര മുന്നറിയിപ്പ് നിങ്ങൾക്കു കിട്ടുന്നു, നിങ്ങൾക്ക് മാറാൻ എത്ര ചെലവുണ്ട്.
മൂന്നാമത്തേത് മാത്രമാണ് നിങ്ങളുടേത്. സ്വന്തം മൂല്യനിർണയ ചട്ടക്കൂടും, വേർഷൻ കൺട്രോളിലുള്ള പ്രോംപ്റ്റുകളും ടൂൾ നിർവചനങ്ങളും, ഒരു അബ്സ്ട്രാക്ഷൻ പാളിയുമുള്ള ഒരു ടീമിന് ഒരു പുതിയ ദാതാവിൽ ദിവസങ്ങൾക്കുള്ളിൽ വീണ്ടും സാധൂകരണം നടത്താം. ഒരു വെണ്ടറുടെ ഉടമസ്ഥതയിലുള്ള ഏജന്റിക് ചട്ടക്കൂടിനു മുകളിൽ നേരിട്ടു പണിത ഒരു ടീമിന് ഒരു പാദത്തിന്റെ എൻജിനീയറിംഗ് സമയമാണ് മുന്നിലുള്ളത്, അതിനർത്ഥം പ്രായോഗികമായി അത് മാറില്ല എന്നാണ്, അതിനർത്ഥം പ്രായോഗികമായി പുതുക്കൽ സമയത്ത് അതിന് വിലപേശൽ ശേഷിയില്ല എന്നാണ്.
പോർട്ടബിലിറ്റിയുടെ ചെലവ് തുടക്കത്തിൽ ഏകദേശം രണ്ടാഴ്ചത്തെ എൻജിനീയറിംഗ് ആണ്. അതിന്റെ അഭാവത്തിന്റെ ചെലവ് കണ്ടെത്തുന്നത് ഏറ്റവും കുറഞ്ഞ വിലപേശൽ ശേഷിയുള്ള നിമിഷത്തിലാണ്. ഇത് സ്വന്തം നേട്ടത്തെ നശിപ്പിക്കുന്ന ബിസിനസ് കേസ് പറയുന്ന അതേ പാളി വാദമാണ്: നിങ്ങൾ നിയന്ത്രിക്കുന്ന പാളിയിൽ നിങ്ങളുടെ ആസ്തികൾ കൂട്ടിവെക്കുക.
തീരുമാനത്തിന്റെ ചട്ടക്കൂട്
നിങ്ങളുടെ വിന്യാസം ഉപഭോക്താവിനെ അഭിമുഖീകരിക്കുന്നതോ നിയന്ത്രണത്തിനു വിധേയമോ ആണെങ്കിൽ, ഏറ്റവും മികച്ച മോഡലിനായി ഒപ്റ്റിമൈസ് ചെയ്യരുത്. മോഡലുകൾ മാറ്റാനുള്ള കഴിവിനായി ഒപ്റ്റിമൈസ് ചെയ്യുക: ഒരു അബ്സ്ട്രാക്ഷൻ പാളിക്കായി രണ്ടാഴ്ച ബജറ്റിൽ വെക്കുക, മൂല്യനിർണയ ചട്ടക്കൂട് സ്വന്തമാക്കുക, ഓരോ പതിപ്പു മാറ്റത്തിലും പെരുമാറ്റ റിഗ്രഷനുകൾ പ്രവർത്തിപ്പിക്കുക, കഴിഞ്ഞ പന്ത്രണ്ടു മാസത്തിനിടെ പുനഃസംഘടന നടന്ന ഏതൊരു വെണ്ടറെയും പേരു നൽകിയ ഒരു ബദൽ ആവശ്യമുള്ള ഒറ്റ പരാജയബിന്ദുവായി കണക്കാക്കുക.
നിങ്ങളുടെ വിന്യാസം ആന്തരികവും കുറഞ്ഞ അപകടസാധ്യതയുള്ളതും തിരിച്ചെടുക്കാവുന്നതുമാണെങ്കിൽ, നേരെ വിപരീതം ചെയ്യുക. ഒരു വെണ്ടറിൽ ആഴത്തിൽ ഇറങ്ങുക, ഇന്റഗ്രേഷൻ ഡിസ്കൗണ്ട് എടുക്കുക; നേറ്റീവ് ടൂളിംഗ് ശരിക്കും വേഗതയേറിയതാണ്. തുടക്കത്തിൽത്തന്നെ, സിസ്റ്റത്തെ ആദ്യ വിഭാഗത്തിലേക്ക് നീക്കുന്ന ട്രിഗർ എന്താണെന്ന് എഴുതിവെക്കുക. മിക്ക സ്ഥാപനങ്ങളും ആ രേഖ കടന്നു എന്ന് അറിയുന്നത് ഒരു ഉപഭോക്താവ് അത് അറിഞ്ഞതിനു ശേഷം മാത്രമാണ്.
പോർട്ടബിലിറ്റി ഒരു ആർക്കിടെക്ചർ ആകുന്നതിനു മുൻപ് ഒരു നൈപുണ്യമാണ്. അഞ്ചു ഘട്ടങ്ങളുള്ള കൺസൾട്ടിംഗ് രീതി മൂല്യനിർണയ ചട്ടക്കൂടും മോഡൽ മാറ്റുന്ന പാളിയും സ്ഥിരം ഡെലിവറബിളുകളായി പണിയുന്നു, നിങ്ങളുടെ ടീം ഇപ്പോൾത്തന്നെ പണം നൽകുന്ന AI സബ്സ്ക്രിപ്ഷനുകൾക്കു മുകളിൽ. കൂടാതെ Claude സർട്ടിഫിക്കേഷൻ പ്രോഗ്രാം ആ ചട്ടക്കൂട് സ്വന്തമാക്കാൻ നിങ്ങളുടെ സ്വന്തം എൻജിനീയർമാരെ പരിശീലിപ്പിക്കുന്നു, അങ്ങനെ നിങ്ങൾ ആശ്രയിക്കുന്ന റോഡ്മാപ്പ് നിങ്ങളുടെ ടീമിന് ശരിക്കും കാത്തുസൂക്ഷിക്കാവുന്ന ഒന്നാകും.
Frequently asked questions
How do you protect an AI deployment from vendor model changes?+
Run a behavioural regression suite: 50 to 200 prompts drawn from your real traffic, including the ones you never want answered, run against every model version on a schedule, with outputs diffed and stored. Treat a failed diff as a change-control event. It is the only mechanism that turns 'the vendor changed something' from a rumour into a ticket.
Should we build deep on one AI vendor or stay portable?+
It depends on reversibility, not preference. Customer-facing or regulated deployments should optimise for the ability to change models: abstraction layer, own evaluation harness, prompts in version control. Internal, low-stakes, reversible deployments should go deep on one vendor and take the integration discount, with the escalation trigger written down at the outset.
Why does an AI vendor's reorganisation matter to customers?+
Because roadmap commitments are kept by teams, and reorganisations redraw which team owns what. Google's AI leadership has been restructured repeatedly since the 2023 Brain-DeepMind merger, and Meta reset its Llama roadmap when its superintelligence unit was created. Both were rational corrections, and both invalidated commitments enterprise architects had designed against months earlier.