مارک زکربرگ نے اسٹاف کو بتایا کہ AI ایجنٹس اتنی تیزی سے ترقی نہیں کر سکے جتنی وہ چاہتے تھے

Meta نے اربوں ڈالر خرچ کیے، ہزاروں ملازمین کو برطرف کیا، اور پورے ڈویژنوں کو AI ایجنٹس کے گرد دوبارہ منظم کیا — اور نتائج ابھی بھی نہیں آئے۔ جب مارک زکربرگ اسٹاف کو بتاتے ہیں کہ AI ایجنٹس "اس طریقے سے" تیزی سے نہیں بڑھے جس طرح ایگزیکٹوز نے توقع کی تھی، تو یہ معمولی ترمیم نہیں ہے۔ یہ تاریخ کے سب سے زیادہ فنڈ شدہ AI شرط میں سے ایک ہے جو اعتراف کر رہا ہے کہ ٹائم لائن غلط تھی۔ ایشیا میں ڈویلپرز اور بانیوں کے لیے جو عالمی AI کی دوڑ دیکھ رہے ہیں، یہ لمحہ محض ایک سر ہلانے سے زیادہ کا مستحق ہے۔

کیا ہوا

جمعرات، 3 جولائی 2026 کو ایک اندرونی ٹاؤن ہال میں، Meta کے CEO مارک زکربرگ نے ملازمین کو بتایا کہ کمپنی کی AI ایجنٹ ڈویلپمنٹ اس رفتار سے آگے نہیں بڑھی جس کی قیادت نے توقع کی تھی۔ TechCrunch کی رپورٹنگ کے مطابق، Reuters کا حوالہ دیتے ہوئے، زکربرگ نے تسلیم کیا کہ رفتار "اس طریقے سے" تیزی سے نہیں بڑھی جس طرح ایگزیکٹوز نے پہلے توقع کی تھی۔

یہ اعتراف ایک اہم کارپوریٹ ڈھانچے میں تبدیلی کے تناظر میں آیا۔ 2026 کے شروع میں، Meta نے تقریباً 8,000 ملازمین — اپنی کارپوریٹ فورس کا تقریباً 10 فیصد — کو برطرف کیا اور 7,000 دوسرے کو AI پر مرکوز گروپس میں دوبارہ تفویض کیا، جس میں Agent Transformation نام کی ایک یونٹ شامل ہے۔ زکربرگ نے کہا کہ یہ کٹوتیاں اتنی "صاف" نہیں تھیں جتنی انہیں ہونی چاہیے تھیں۔ سینئر قیادت نے یہ فیصلے اس خوف سے کیے تھے کہ Meta "بدلتے ہوئے ٹیک منظر نامے کے ساتھ تیزی سے موافقت کے لیے کافی تیزی سے آگے نہیں بڑھنے والا ہے۔"

نئے AI پر مرکوز ڈھانچے کا متوقع فائدہ، زکربرگ نے تسلیم کیا، ابھی "حقیقت میں نہیں آیا ہے۔" انہوں نے اگلے تین سے چھ مہینوں میں بہتریاں آنے کا یقین ظاہر کیا — لیکن یہ شرط اعتراف کو نرم نہیں کرتی۔ Meta سے توقع ہے کہ وہ اس سال اکیلے AI بنیادی ڈھانچے پر 145 ارب ڈالر تک خرچ کریں گے، Reuters کے مطابق۔ یہ ایک غیر معمولی رقم ہے جو ایک ٹائم لائن کے خلاف تعینات کی جائے جو پہلے سے ہی پھسل رہی ہے۔

انسانی قیمت بھی حقیقی ہے۔ الگ رپورٹنگ نے Meta کی AI یونٹ کو ایک مشکل، مایوس کن ماحول کے طور پر بیان کیا ہے جو اس میں تفویض کردہ انجینئروں کے لیے ہے — ایک تفصیل جو اہم ہے جب آپ یہ سمجھنے کی کوشش کر رہے ہوں کہ ایجنٹ ڈویلپمنٹ کیوں رک سکتی ہے۔ کسی مشکل مسئلے پر ملازمین کی تعداد پھینکنا خودکار طور پر نتائج پیدا نہیں کرتا، خاص طور پر جب کام کرنے والے لوگ مشن سے منقطع محسوس کریں۔

خلاصہ: دنیا کے سب سے زیادہ وسائل والے سوشل پلیٹ فارم نے اپنے قریبی مستقبل کو خود مختار AI ایجنٹس پر شرط لگائی، اور ایجنٹس تیار نہیں ہیں۔

ایشیا کے لیے یہ کیوں اہم ہے

ایشیا کا AI لمحہ Silicon Valley سے مختلف انداز میں سامنے آ رہا ہے۔ جنوب مشرقی ایشیا، جنوبی کوریا، جاپان، اور ہندوستان میں، سب سے دلچسپ AI-native مصنوعات ٹریلین ڈالر کی بڑی کمپنیوں سے نہیں آ رہی ہیں — وہ سست، تیزی سے حرکت کرنے والے اسٹارٹ اپس اور ڈویلپر کمیونٹیز سے آ رہی ہیں جو یہ معلوم کرنے کے لیے 145 ارب ڈالر خرچ کرنے کی متحمل نہیں ہو سکتے کہ کچھ کام نہیں کرتا۔

یہ عدم توازن دراصل ابھی ایک فائدہ ہے۔ Meta کی AI ایجنٹس کے ساتھ ٹھوکر ایک ساختی مسئلہ کو ظاہر کرتی ہے جو بڑے پلیٹ فارمز کا سامنا کرتے ہیں: وہ بہت بڑے پیمانے پر موجودہ workflows کو بدلنے کے لیے بہتری کر رہے ہیں، جس کے لیے ایجنٹس کو بیک وقت لاکھوں استعمال کی صورتوں میں قابل اعتماد، وضاحت کے قابل، اور قابل تدقیق ہونا ضروری ہے۔ یہ ایک ایجنٹ بنانے سے ایک مختلف مسئلہ ہے جو ایک مخصوص، اچھی طرح سے متعین کام کو ایک مخصوص کاروباری تناظر میں حل کرتا ہے — جو بالکل وہی ہے جو ایشیائی بانی کر رہے ہیں۔

ایشیا میں حقیقی رفتار حاصل کر رہے AI ایجنٹ کے استعمال کی صورتوں پر غور کریں: مقامی زبانوں میں خودکار کسٹمر سپورٹ، علاقائی لاجسٹکس کے لیے سپلائی چین کوآرڈینیشن، پیچیدہ ریگولیٹری ماحول والی مارکیٹس میں مالیاتی دستاویز کی کارروائی۔ یہ تنگ، اعلیٰ قیمت، اعلیٰ درستگی والے کام ہیں۔ انہیں عام مقصد کے AI ایجنٹس کی ضرورت نہیں ہے۔ انہیں اچھی طرح سے محدود ایجنٹس کی ضرورت ہے جن میں قابل اعتماد ٹول کا استعمال، سخت فیڈبیک لوپس، اور موجودہ نظاموں میں گہری انضمام ہو۔

ایشیا کی ٹیک ڈویلپر کمیونٹی عام طور پر AI کے بارے میں اپنے مغربی ہم منصبوں سے زیادہ عملی رہی ہے۔ AGI ٹائم لائنز کے بارے میں کم ہائپ رہی ہے اور اس بات پر زیادہ توجہ ہے کہ اس سہ ماہی میں کیا شپ ہوتا ہے اور آمدنی پیدا کرتا ہے۔ زکربرگ کا اعتراف اس جبلت کی تصدیق کرتا ہے۔ جو ڈویلپرز خاموشی سے محدود، پروڈکشن گریڈ ایجنٹس بنا رہے ہیں — بجائے مکمل طور پر خود مختار AI ملازم کے خواب کا پیچھا کرنے کے — وہ وکر سے آگے ہیں۔

ایک ٹیلنٹ ڈائنامک بھی قابل غور ہے۔ Meta نے 7,000 لوگوں کو AI گروپس میں دوبارہ تفویض کیا۔ زیادہ تر ایشیائی AI اسٹارٹ اپس کے پاس کسی مسئلے پر پھینکنے کے لیے 7,000 انجینئرز نہیں ہیں۔ یہ رکاوٹ تعمیری وضاحت کو مجبور کرتی ہے۔ آپ وہی بناتے ہیں جو آپ واقعی برقرار رکھ سکتے ہیں اور بہتر بنا سکتے ہیں۔ یہ نظم و ضبط وقت کے ساتھ بہتر نظام پیدا کرتا ہے۔

ڈویلپرز کے لیے اس کا مطلب

اگر آپ آج AI ایجنٹس بنا رہے ہیں — چاہے ایک پروڈکٹ فیچر کے طور پر یا اندرونی ٹولنگ کے طور پر — زکربرگ کے اعتراف میں کچھ عملی سبق ہیں جو سمجھنے کے قابل ہیں۔

Scope سب کچھ ہے۔ جو ایجنٹس ابھی پروڈکشن میں کام کر رہے ہیں وہ تنگ ہیں۔ وہ ایک چیز اچھی طرح کرتے ہیں: غیر منظم دستاویزات سے منظم ڈیٹا نکالیں، سپورٹ ٹکٹس کو روٹ کریں، ایک مخصوص فریم ورک کے لیے کوڈ کے پہلے ڈرافٹ تیار کریں۔ جو ایجنٹس ناکام ہو رہے ہیں وہ وہ ہیں جن سے "کسٹمر تعلقات سنبھالنے" یا "ہمارے کنٹینٹ پائپ لائن کو منیج کرنے" کے لیے کہا جاتا ہے — غیر واضح مینڈیٹس جن کے لیے فیصلہ، سیاق و سباق میں تبدیلی، اور غلطی کی بحالی کی ضرورت ہے جو موجودہ ماڈلز بڑے پیمانے پر قابل اعتماد طریقے سے فراہم نہیں کرتے۔

قابل اعتماری صلاحیت سے بہتر ہے۔ ایک ایجنٹ جو 70 فیصد وقت کام کو کامیابی سے مکمل کرتا ہے وہ 70 فیصد حل نہیں ہے — یہ ایک ذمہ داری ہے، کیونکہ 30 فیصد ناکامی کی شرح غیر متوقع نقصان پیدا کرتی ہے۔ پروڈکشن ایجنٹ سسٹمز کو حتمی فال بیکس، انسان-ان-دی-لوپ escalation راستے، اور واضح رویے کی ضرورت ہے۔ اگر آپ نہیں دیکھ سکتے کہ آپ کا ایجنٹ کیا کر رہا ہے اور کیوں، تو آپ اسے بہتر نہیں بنا سکتے۔

انضمام کی گہرائی ماڈل کے معیار سے زیادہ اہم ہے۔ ایجنٹ پروجیکٹس کے لیے سب سے عام ناکامی کی صورت حال بنیادی ماڈل نہیں ہے — یہ ایجنٹ اور جن نظاموں پر اسے کام کرنا ہے ان کے درمیان رابطے ہیں۔ ایک ایجنٹ جو اچھی طرح سوچ سکتا ہے لیکن اپنے CRM سے قابل اعتماد طریقے سے نہیں پڑھ سکتا، اپنے ڈیٹا بیس میں لکھ سکتا ہے، یا اپنے اندرونی APIs کو کال کر سکتا ہے وہ پروڈکشن میں بیکار ہے۔ یہی وجہ ہے کہ جو پلیٹ فارمز گہرے، قابل اعتماد انضمام کو ترجیح دیتے ہیں وہ ایجنٹ کے بہتر نتائج دیکھ رہے ہیں جو خالصتاً ماڈل بینچ مارکس پر توجہ مرکوز کرتے ہیں۔

تنظیم کو ترقی کے ساتھ الجھن میں نہ ڈالیں۔ Meta نے ایک "Agent Transformation" یونٹ بنائی۔ نام سے ظاہر ہوتا ہے کہ تبدیلی پہلے سے ہو رہی ہے۔ لیکن کسی ٹیم کا نام کسی مقصد کے بعد رکھنا مقصد کو حاصل نہیں کرتا۔ جو ڈویلپرز واقعی ایجنٹس شپ کر رہے ہیں وہ تنظیمی ہم آہنگی کا انتظار نہیں کر رہے — وہ کام کرنے والے نمونوں پر دوبارہ کام کر رہے ہیں، نتائج کی پیمائش کر رہے ہیں، اور جو ٹوٹتا ہے اس کی بنیاد پر scope کو سخت کر رہے ہیں۔

MonstarX پر، ہم نے ایشیائی ڈویلپمنٹ ٹیموں کے ساتھ یہ نمونہ بار بار دیکھا ہے: کام کرنے والے ایجنٹ کا تیز ترین راستہ سب سے طاقتور ماڈل یا سب سے زیادہ مہتواکانکشی استعمال کی صورت کے ساتھ شروع کرنا نہیں ہے۔ یہ ایک اچھی طرح سے متعین کام کے ساتھ شروع کرنا، قابل اعتماد ڈیٹا ذرائع کو وائر کرنا، اور کچھ ایسا شپ کرنا ہے جو واقعی پروڈکشن میں چلتا ہے — پھر وہاں سے توسیع کریں۔ یہ طریقہ کار Meta کے اوپر سے نیچے کی طرف تبدیلی کے نقطہ نظر کے برعکس ہے، اور ابھی، یہ بہتر نتائج پیدا کر رہا ہے۔

اہم نکات

زکربرگ کا ٹاؤن ہال اعتراف ایک مفید ڈیٹا پوائنٹ ہے، AI ایجنٹس کے لیے موت کی گھنٹی نہیں۔ یہاں اسے واضح طریقے سے پڑھنے کا طریقہ ہے:

• انٹرپرائز اسکیل پر عام مقصد کے AI ایجنٹس متوقع سے زیادہ مشکل ہیں۔ یہ کسی کے لیے بھی حیرانی کی بات نہیں ہے جس نے ایک بنانے کی کوشش کی ہے۔ حیرانی یہ ہے کہ Meta — اپنے وسائل، ٹیلنٹ، اور ملکیتی ماڈلز کے ساتھ — یہ عوام میں کہہ رہا ہے۔
• تین سے چھ ماہ کی ٹائم لائن جو زکربرگ نے حوالہ دی ہے وہ متفائلانہ تجزیہ ہے، نہ کہ ایک وعدہ۔ اسے