तकनीकी स्टार्टअप की उच्च-दांव वाली दुनिया में, गति ही अक्सर एकमात्र महत्वपूर्ण मुद्रा होती है। ये युवा कंपनियाँ "लीन स्टार्टअप" (Lean Startup) के रूप में जानी जाने वाली एक फिलॉसफी पर काम करती हैं, जहाँ लक्ष्य एक "मिनिमम वायबल प्रोडक्ट" (Minimum Viable Product) बनाना होता है—एक सॉफ्टवेयर टूल का बुनियादी संस्करण जो वास्तविक ग्राहकों के साथ परीक्षण करने के लिए पर्याप्त अच्छा हो, लेकिन उसे जल्दी से बनाने के लिए पर्याप्त सरल भी हो। विचार यह है कि उस पहली रिलीज़ से सीखें और सुधार करें, बजाय इसके कि वर्षों तक ऐसे उत्पाद को पूर्ण बनाने में बिता दिए जाएं जिसे कोई चाहता ही नहीं। इस तेज़ गति को प्रबंधित करने के लिए, टीमें "एजाइल" (Agile) विधियों का उपयोग करती हैं, जो काम को छोटे, प्रबंधनीय हिस्सों में विभाजित करती हैं और योजनाओं को लगातार समायोजित करती हैं। हालाँकि, एक निरंतर समस्या इन छोटी टीमों को परेशान करती है: वे अक्सर लॉन्च करने से पहले ही समय या पैसा खत्म कर देती हैं। उनकी इंजीनियरिंग टीमें छोटी हैं, उनके बजट सीमित हैं, और सॉफ्टवेयर की योजना बनाने, अनुमान लगाने और निर्माण करने के लिए आवश्यक मैन्युअल कार्य उन्हें धीमा कर देता है। जब एक स्टार्टअप जीवित रहने के लिए एकल उत्पाद पर निर्भर होता है, तो डिलीवरी में देरी सफलता और हमेशा के लिए दरवाजे बंद होने के बीच का अंतर हो सकती है।

यहाँ आर्टिफिशियल इंटेलिजेंस (AI) का वादा आता है। हाल के वर्षों में, "जेनेरेटिव एआई" (Generative AI) नामक एक नए प्रकार का कंप्यूटर प्रोग्राम उभरा है, जो मानव की तरह ही कोड लिखने, प्रश्न पूछने और समस्याओं को हल करने में सक्षम है। जबकि कई डेवलपरों ने अपने काम की गति बढ़ाने के लिए इन उपकरणों का उपयोग करने की कोशिश की है, लेकिन एक स्टार्टअप उत्पाद बनाने की पूरी प्रक्रिया में उन्हें कैसे बुना जाए, इसका कोई स्पष्ट, परीक्षित मार्गदर्शक नहीं था। क्या यह तकनीक वास्तव में दबाव में काम करने वाली टीम के लिए काम करती है? क्या यह उत्पाद को बेहतर बनाती है, या सिर्फ तेज़? मुहम्मद ओवैस मुश्ताक नामक एक शोधकर्ता ने इन प्रश्नों का उत्तर देने के लिए एक वास्तविक कॉर्पोरेट वातावरण में काम करने के एक नए तरीके का परीक्षण करके यह तय करने का प्रयास किया। उन्होंने केवल लोगों से यह नहीं पूछा कि वे क्या सोचते हैं; बल्कि उन्होंने एआई का उपयोग करने के लिए एक विशिष्ट ढांचा बनाया और फिर यह देखने के लिए कि क्या यह उन पुरानी देरी को हल कर सकता है जो कई स्टार्टअप्स को खत्म कर देती हैं, एक लाइव प्रोजेक्ट के दौरान इसके प्रदर्शन को देखा।

शोध एक विशिष्ट चुनौती पर केंद्रित था: एक पुराने सॉफ्टवेयर सिस्टम को नए, आधुनिक सिस्टम में स्थानांतरित करना। यह कंपनियों के लिए एक सामान्य कार्य है, जिसे अक्सर "माइग्रेशन" (migration) कहा जाता है, और यह कुख्यात रूप से कठिन है क्योंकि पुराना कोड जटिल और खराब तरीके से प्रलेखित (documented) होता है। मुश्ताक ने एक फिनटेक कंपनी की एक टीम के साथ काम किया जिसे अपने सिस्टम को तेज़ी से अपग्रेड करने की आवश्यकता थी। उन्होंने एक संरचित दृष्टिकोण पेश किया जहाँ आर्टिफिशियल इंटेलिजेंस ने अलग-अलग समय पर काम के विभिन्न हिस्सों को संभाला। प्रक्रिया को दो मुख्य चरणों में विभाजित किया गया था। पहले, टीम को योजना बनानी थी और यह अनुमान लगाना था कि काम में कितना समय लगेगा। दूसरा, उन्हें वास्तव में कोड लिखना था और त्रुटियों के लिए उसकी जाँच करनी थी। योजना चरण में, शोधकर्ताओं ने पुराने कोड को पढ़ने और नए सिस्टम के प्रत्येक भाग के लिए आवश्यक प्रयास का सुझाव देने के लिए एआई उपकरणों का उपयोग किया। उन्होंने इन एआई सुझावों की तुलना अनुभवी मानव विशेषज्ञों द्वारा किए गए अनुमानों के साथ की।

इस योजना चरण के परिणाम चौंकाने वाले थे। एआई-सहायता प्राप्त टीम अपने प्रोजेक्ट अनुमान केवल ढाई दिनों में तैयार करने में सक्षम थी, जबकि मानव विशेषज्ञों को यही काम करने में पाँच दिन लगे। इसका मतलब था कि योजना प्रक्रिया दोगुनी तेज़ थी। इससे भी महत्वपूर्ण बात यह है कि गति सटीकता की कीमत पर नहीं आई। मानव विशेषज्ञों के अंतिम निर्णयों की तुलना में एआई के अनुमान 94 प्रतिशत सटीक थे। इसने सिद्ध कर दिया कि एक कंप्यूटर एक अव्यवस्थित, पुराने सिस्टम को देख सकता है और इसमें शामिल कार्य को लगभग उतने ही अच्छे से समझ सकता है जितना कि एक अनुभवी मानव, लेकिन आधे समय में। यह खोज महत्वपूर्ण है क्योंकि यह सुझाव देती है कि छोटे स्टार्टअप, जिनके पास अक्सर वरिष्ठ योजनाकारों की बड़ी टीमें नहीं होती हैं, इन उपकरणों का उपयोग अपने प्रोजेक्ट्स के लिए एक यथार्थवादी रोडमैप प्राप्त करने के लिए कर सकते हैं बिना अपने उपलब्ध विशेषज्ञों को थकाए।

एक बार योजना तय हो जाने के बाद, टीम निर्माण चरण की ओर बढ़ी। यहाँ, शोधकर्ताओं ने विभिन्न प्रकार के एआई उपकरणों का परीक्षण किया ताकि यह देखा जा सके कि कौन सा काम के लिए सबसे अच्छा है। उन्होंने पाया कि सभी उपकरण एक जैसे नहीं थे; कुछ बड़े चित्र (big picture) को समझने में बेहतर थे, जबकि अन्य मानक, दोहराव वाले कोड लिखने में बेहतर थे। उन कार्यों के लिए जिनमें सिस्टम के विभिन्न हिस्सों के आपस में जुड़ने के तरीके को समझने की आवश्यकता थी, जैसे कि जटिल सुरक्षा सुविधाओं को फिर से लिखना या कई फाइलों को जोड़ना, टीम ने "डीप-कॉन्टेक्स्ट" (deep-context) एआई एजेंटों का उपयोग किया। ये उपकरण पूरे प्रोजेक्ट को एक साथ देख सकते थे। उन्होंने असाधारण रूप से अच्छा प्रदर्शन किया, अपने काम में 95 से 99 प्रतिशत सटीकता दर हासिल की और बहुत कम सुधारों की आवश्यकता पड़ी। हालाँकि, बुनियादी डेटा संरचनाएं बनाने या सॉफ्टवेयर का परीक्षण करने वाले पाइपलाइन को सेट करने जैसे सरल कार्यों के लिए, एक मानक कोडिंग असिस्टेंट पर्याप्त था। यह अंतर महत्वपूर्ण है: यह दिखाता है कि केवल सामान्य रूप से एआई का उपयोग करने के बजाय सही काम के लिए सही उपकरण का उपयोग करना अधिक महत्वपूर्ण है।

अध्ययन ने यह भी देखा कि टीम ने काम की जाँच कैसे की। शोधकर्ताओं ने एआई का उपयोग टेस्ट केस (test cases)—वे परिदृश्य जो सॉफ्टवेयर को तोड़ने और त्रुटियों को खोजने के लिए डिज़ाइन किए गए हैं—बनाने और सुरक्षा खामियों के लिए कोड की समीक्षा करने के लिए किया। यह प्रक्रिया "एज केस" (edge cases) को खोजने में अत्यधिक प्रभावी थी, जो ऐसी दुर्लभ स्थितियाँ हैं जो अक्सर सॉफ्टवेयर को क्रैश कर देती हैं। एआई ने गुणवत्ता आश्वासन (QA) टीम को उनके द्वारा बनाए गए प्रत्येक फीचर के लिए पांच तक एज केस खोजने में मदद की, जो कि मैन्युअल रूप से प्राप्त करना कठिन होता। हालाँकि, शोध ने एक महत्वपूर्ण मानवीय लागत को भी उजागर किया। जबकि एआई ने कोड को तेज़ी से लिखा, मनुष्यों को अभी भी इसके हर एक लाइन की जाँच करनी थी। स्वचालित उपकरणों ने अक्सर सुरक्षित कोड को खतरनाक के रूप में चिह्नित किया, जिससे गलत चेतावनियों की उच्च दर पैदा हुई। कुछ मामलों में, स्वचालित चेतावनियों के लगभग आधे हिस्से को मानव द्वारा अनदेखा करना पड़ा।

इससे एक नई घटना का पता चला जिसे शोधकर्ता "वेरिफिकेशन फटीग" (verification fatigue) कहते हैं। एआई ने मानवीय निर्णय की आवश्यकता को समाप्त नहीं किया; इसने केवल बोझ को स्थानांतरित कर दिया। कोड लिखने में घंटों बिताने के बजाय, अब डेवलपर्सों ने यह सत्यापित करने में घंटों बिताए कि एआई द्वारा लिखा गया कोड सही और सुरक्षित है या नहीं। मशीन के काम की जाँच करने के लिए आवश्यक मानसिक प्रयास तीव्र था, और शोधकर्ताओं ने पाया कि उपकरण अभी भी इतने स्मार्ट नहीं थे कि वे अकेले सिस्टम के समग्र आर्किटेक्चर को समझ सकें। वे विवरण देख सकते थे, लेकिन वे बड़े चित्र को समझने में चूक जाते थे। फलस्वरूप, मानव की भूमिका कोड लेखक से बदलकर कोड ऑडिटर (auditor) की हो गई। अध्ययन निष्कर्ष निकालता है कि जबकि ये उपकरण स्टार्टअप उत्पाद के निर्माण की गति को नाटकीय रूप रूप से बढ़ा सकते हैं, वे अभी अकेले काम नहीं चला सकते।

इस शोध का अंतिम निष्कर्ष यह है कि आर्टिफिशियल इंटेलिजेंस लीन स्टार्टअप्स के लिए एक शक्तिशाली साथी है, लेकिन प्रभावी होने के लिए इसे एक अनुशासित दृष्टिकोण की आवश्यकता होती है। अध्ययन ने प्रदर्शित किया कि एक संरचित वर्कफ़्लो में एआई को एकीकृत करके, एक छोटी टीम अपने नियोजन समय को आधा कर सकती है और उच्च सटीकता के साथ जटिल सॉफ्टवेयर बना सकती है। शोधकर्ता द्वारा प्रस्तावित ढांचा अन्य स्टार्टअप्स के लिए एक स्पष्ट मार्ग प्रदान करता है: अनुमान और जटिल रिफैक्टरिंग (refactoring) के भारी काम को संभालने के लिए एआई का उपयोग करें, लेकिन आर्किटेक्चर की निगरानी करने और परिणामों को सत्यापित करने के लिए मनुष्यों को प्रक्रिया में शामिल रखें। तकनीक मदद के लिए तैयार है, लेकिन यह मानवीय निरीक्षण की आवश्यकता को समाप्त करने वाला कोई जादू की छड़ी नहीं है। सफलता यह जानने से आती है कि मशीन को कहाँ काम करने देना है और कहाँ मानवीय विशेषज्ञता के साथ हस्तक्षेप करना है।