ستیہ نادیلہ کا کہنا ہے کہ کمپنیاں جو ایک AI پر سب کچھ کے لیے انحصار کرتی ہیں وہ زندہ نہیں رہ سکتیں

مائیکروسافٹ کے سی ای او ستیہ نادیلہ نے ہر بانی اور ڈیولپر کو ایک سنگین انتباہ دیا ہے — اور اس بار انہوں نے اسے نرم نہیں کیا۔ ستیہ نادیلہ کا کہنا ہے کہ کمپنیاں جو ایک AI پر سب کچھ کے لیے انحصار کرتی ہیں وہ بنیادی طور پر اپنی سوچ کو آؤٹ سورس کر رہی ہیں، اور وہ راستہ، ان کی پیشین گوئی کے مطابق، ان کمپنیوں کے ختم ہونے پر ختم ہوتا ہے۔ ایشیا میں ڈیولپرز اور بانیوں کے لیے جو اس وقت مالکانہ AI بنیادی ڈھانچے پر تعمیر کر رہے ہیں، یہ انتباہ محض ایک سرسری نظر سے زیادہ کی ضرورت ہے۔

کیا ہوا

27 جولائی 2026 کو، نادیلہ CNN کے Fareed Zakaria GPS پر نمودار ہوئے اور ایک انتباہ کو تیز کیا جو انہوں نے پہلے جولائی میں جاری کیا تھا۔ اس بار، وہ مزید آگے بڑھے۔ براہ راست اس سوال سے بات کرتے ہوئے کہ کاروبار کو AI ماڈل فراہم کنندگان کو کتنا سونپنا چاہیے، نادیلہ نے کہا کہ کمپنیوں کو سب کچھ کی حفاظت کرنی چاہیے — ان کا ڈیٹا، ان کے prompts، اور اہم طور پر، وہ میٹا ڈیٹا جو ہر بار جب وہ ایک ماڈل استعمال کرتے ہیں تو تیار ہوتا ہے۔

ان کی بالکل درست تشریح: "ہر بار جب آپ ماڈل استعمال کرتے ہیں، اس کے ارد گرد تمام میٹا ڈیٹا آپ کے ذریعے برقرار رہتا ہے، تاکہ آپ اس سب کو استعمال کر سکیں شاید اپنے اپنے وزن یا اپنے اپنے کھلے، اپنے ماڈل کو تربیت دینے کے لیے۔" سادہ الفاظ میں — وزن ایک ماڈل کے تربیت یافتہ پیرامیٹرز ہیں، جو اسے ذہین بناتا ہے۔ نادیلہ کی دلیل یہ ہے کہ کمپنیوں کو اپنے استعمال کے ڈیٹا کو ایک حکمت عملی کے اثاثے کے طور پر جمع کرنا چاہیے، اسے تیسری فریق کی لیب کے بنیادی ڈھانچے میں غائب نہیں ہونے دینا چاہیے۔

وہ مزید آگے بڑھے: "کوئی بھی فرم جس کے پاس یہ کنٹرول نہیں ہے، میں دعویٰ کروں گا کہ ایک فرم نہیں رہے گی کیونکہ آپ نے بنیادی طور پر اپنی سوچ کو آؤٹ سورس کر دیا ہے۔"

نادیلہ نے جو مخصوص تکنیکی تجویز دی وہ harness کو الگ رکھنا تھا — کوڈنگ کی ماحول اور ٹولنگ کی تہہ — ماڈل سے، اور context اور memory کو بھی الگ رکھنا۔ انہوں نے AI کوڈنگ harnesses کو زمرہ کے لحاظ سے نام دیا، Anthropic کے Claude Code اور OpenAI کے ChatGPT Codex جیسے ٹولز کو مثال کے طور پر حوالہ دیتے ہوئے جس سے وہ کمپنیوں کو بچنا چاہتے ہیں۔ جو حل انہوں نے بیان کیا وہ AI gateways کے ساتھ ایک فن تعمیر ہے: ایک درمیانی بنیادی ڈھانچے کی تہہ جو آپ کی ایپلیکیشن اور بنیادی ماڈل کے درمیان بیٹھتی ہے، تاکہ اگر کوئی بھی ایک ماڈل غائب ہو جائے، خراب ہو جائے، یا اپنی قیمت میں تبدیلی کرے، تو آپ کا کاروبار چلتا رہے۔

TechCrunch کی رپورٹ کے مطابق جو انٹرویو کو کور کرتی ہے، نادیلہ کا بنیادی اصول portability ہے: "Harness کو ماڈل سے الگ رکھ کر اور context اور memory کو ماڈل سے الگ رکھ کر، آپ بالکل متعدد ماڈلز استعمال کر سکتے ہیں جو وہ بہترین ہیں۔ ایک ہی وقت میں، کوئی بھی ایک ماڈل غائب ہو سکتا ہے، اور آپ اپنی تقدیر پر کنٹرول میں رہ سکتے ہیں۔"

ایشیا کے لیے یہ کیوں اہم ہے

نادیلہ کا انتباہ ایشیا میں سلیکون ویلی سے مختلف طریقے سے آتا ہے، اور یہ فاصلہ احتیاط سے جانچنے کے قابل ہے۔

جنوب مشرقی ایشیا، جاپان، جنوبی کوریا، اور ہندوستان میں، startups اور enterprise teams کی ایک اہم لہر نے 2024 اور 2025 میں اپنے AI stacks کو اس طریقے سے بنایا کہ جو بھی frontier model رسائی میں سب سے آسان تھا — اکثر OpenAI کا GPT-4 خاندان یا Anthropic کا Claude۔ یہ فیصلہ عملی تھا: بازار میں رفتار اہم تھی، اور APIs اچھے تھے۔ لیکن اس عملیت نے structural debt بنایا۔ ان میں سے بہت سی کمپنیوں کے پاس اب ان کے prompts، ان کے fine-tuning data، اور ان کے user interaction patterns ایک واحد vendor کے ecosystem میں بند ہیں۔

ایشیا کے tech landscape میں ایک پرت کی پیچیدگی ہے جو مغربی تبصروں میں شاذ و نادر ہی سنبھالی جاتی ہے۔ علاقے میں regulatory environments تیزی سے ٹوٹ رہے ہیں۔ انڈونیشیا، ہندوستان، اور ویتنام میں data residency laws کا مطلب ہے کہ آپ کا ماڈل کہاں چلتا ہے — اور آپ کے استعمال سے تیار ہونے والے میٹا ڈیٹا کا مالک کون ہے — یہ تیزی سے ایک قانونی سوال ہے، نہ کہ محض ایک تکنیکی۔ ایک کمپنی جس نے اپنا stack مکمل طور پر ایک US-based proprietary model پر بنایا ہے وہ اپنے آپ کو local data sovereignty requirements کی تعریف کے لیے جدوجہد کرتے ہوئے پا سکتی ہے جس کی اس نے کبھی توقع نہیں کی تھی۔

ایک model diversity زاویہ بھی ہے جو یہاں منفرد طور پر متعلقہ ہے۔ ایشیا سنجیدہ frontier models تیار کر رہا ہے — Moonshot AI سے Kimi، DeepSeek، اور دوسرے — جو مخصوص benchmarks پر مغربی ہم منصبوں کے ساتھ مسابقتی ہیں اور اکثر ایشیائی زبانوں اور سیاق و سباق کے لیے بہتر موزوں ہیں۔ ایک کمپنی جو ایک واحد مغربی ماڈل میں بند ہے وہ نہ صرف vendor risk لے رہی ہے؛ یہ ممکنہ طور پر اپنے اصل صارفین کے لیے ایک کمتر ٹول استعمال کر رہی ہے۔

جو بانی ایشیا میں نادیلہ کے انتباہ پر توجہ دے رہے ہیں وہ گھبرا نہیں رہے۔ وہ دوبارہ ڈیزائن کر رہے ہیں۔ ذہین حرکت اب abstraction layers بنانا ہے، اس سے پہلے کہ lock-in structural debt بن جائے جو unwind کرنے کے لیے بہت مہنگا ہو۔ یہ بالکل وہی قسم کا architecture decision ہے جو ان کمپنیوں کو الگ کرتا ہے جو اگلی model transition میں زندہ رہتی ہیں ان سے جو نہیں۔

ڈیولپرز کے لیے اس کا مطلب

نادیلہ کی مشورہ concrete architectural decisions میں ترجمہ کرتا ہے جو ڈیولپرز کو اب کرنے یا دوبارہ دیکھنے کی ضرورت ہے۔

پہلا model abstraction ہے۔ آپ کی application logic کو کبھی بھی براہ راست ایک مخصوص ماڈل کو کال نہیں کرنا چاہیے اگر آپ اس سے بچ سکتے ہیں۔ ایک gateway یا abstraction layer کے ذریعے route کریں جو آپ کو اپنی application کو دوبارہ لکھے بغیر بنیادی ماڈل کو swap کرنے دیتا ہے۔ یہ نادیلہ کے harness کو ماڈل سے الگ رکھنے کی تکنیکی تعمیر ہے۔

یہاں pattern کی ایک سادہ مثال ہے:

// Tightly coupled — اس سے بچیں
const response = await openai.chat.completions.create({
  model: "gpt-4o",
  messages: [{ role: "user", content: prompt }]
});

// Abstracted — یہ ترجیح دیں
const response = await aiGateway.complete({
  task: "code-review",
  messages: [{ role: "user", content: prompt }],
  // gateway اس task کے لیے بہترین دستیاب ماڈل میں route کرتا ہے
});

دوسرا فیصلہ metadata ownership ہے۔ ہر prompt جو آپ بھیجتے ہیں، ہر response جو آپ وصول کرتے ہیں، اور ہر user interaction pattern تربیت کا اشارہ ہے — یہاں تک کہ اگر آپ کبھی رسمی طور پر ایک ماڈل کو fine-tune نہیں کرتے۔ یہ ڈیٹا آپ کے بنیادی ڈھانچے میں رہنا چاہیے، تیسری فریق کے logs میں نہیں۔ اب pipelines بنائیں اسے capture کرنے کے لیے، یہاں تک کہ اگر آپ کے پاس فوری طور پر اس کے لیے کوئی استعمال نہیں ہے۔

تیسرا context اور memory portability ہے۔ اگر آپ کی application کی memory — user history، conversation context، retrieved documents — ایک proprietary tool کے managed infrastructure میں رہتی ہے، تو آپ کے پاس وہی مسئلہ ہے جو نادیلہ harness level پر بیان کر رہے ہیں۔ اپنے vector stores، اپنے retrieval pipelines، اور اپنے context management کو بنیادی ڈھانچے میں رکھیں جس پر آپ کا کنٹرول ہے۔

MonstarX پر تعمیر کرنے والی teams کے لیے، یہ architecture پہلے سے ہی default assumption ہے۔ یہ platform اس اصول کے ارد گرد ڈیزائن کیا گیا ہے کہ آپ کا AI stack composable ہونا چاہیے — models interchangeable components ہیں، نہ کہ وہ بنیاد جس پر سب کچھ بنایا جاتا ہے۔ جب ایک نیا ماڈل آتا ہے جو آپ کے مخصوص task میں بہتر ہے، تو آپ اسے swap کر دیتے ہیں۔ جب ایک ماڈل provider اپنی قیمت میں تبدیلی کرتا ہے یا ایک version کو deprecate کرتا ہے، تو آپ کی application نہیں ٹوٹتی۔

زیادہ تر teams کے لیے عملی شروعات ایک audit ہے۔ اپنے codebase میں ہر جگہ map کریں جہاں آپ ایک مخصوص ماڈل کو نام سے کال کر رہے ہیں۔ ہر piece of context یا memory کو flag کریں جو ایک vendor-managed store میں رہتا ہے۔ یہ audit آپ کو بالکل دکھائے گا کہ آپ کتنے exposed ہیں — اور آپ کو ایک prioritized list دے گا کہ پہلے کیا ٹھیک کرنا ہے۔

اہم نکات

نادیلہ کا انتباہ مخصوص، actionable اصولوں میں distill کرنے کے قابل ہے جو یہ ظاہر کرتا ہے — کیونکہ انٹرویو format تکنیکی substance کو quotable sound bites کے تحت دفن کرتا ہے۔

Single-model dependency ایک existential risk ہے، نہ کہ محض ایک تکنیکی inconvenience۔ نادیلہ کی زبان واضح تھی: کمپنیاں جن کے پاس model portability نہیں ہے