OpenAI ने Codex skills आणि plugins ला AI workplace automation चा पुढचा स्तर म्हटले आहे

chat assistant पासून process-following work agent पर्यंत

OpenAI चे Codexवरील ताजे मार्गदर्शन कंपनी AI ला दैनंदिन कामात अधिक खोलवर नेण्यासाठी काय इच्छिते याचे स्पष्ट चित्र देते. नवीन Academy explainer मध्ये OpenAI दोन building blocks सांगते: plugins, जे Codex ला बाह्य साधने आणि माहिती स्त्रोतांशी जोडतात, आणि skills, जे टीम किंवा कंपनीला एखादे काम कसे पार पाडायचे आहे ते शिकवतात.

हा फरक महत्त्वाचा आहे कारण तो AI च्या उपयुक्ततेला एकदाच केलेल्या prompting पलीकडे नेऊन पाहतो. plugin सिस्टमला access देते. skill त्याला procedure देते. दोन्ही एकत्र वापरल्यास ते कार्यालयीन कामासाठी एका हलक्या operational layer सारखे दिसू लागतात, ज्यात AI agent connected systems मधून data काढू शकतो आणि नंतर प्रत्येक वेळी पुन्हा सूचना न देता एकसारखा, संस्थानिर्दिष्ट workflow लागू करू शकतो.

हे कदाचित हळूहळू बदलासारखे वाटेल, पण त्यातून मोठे उद्दिष्ट सूचित होते. फक्त conversational helper म्हणून काम करण्याऐवजी, Codex ला अशी प्रणाली म्हणून मांडले जात आहे जी साधने जोडू शकते, context मिळवू शकते, आणि repeatable process इतक्या जवळून पाळू शकते की कमी देखरेखीने खरे outputs तयार होतील.

plugins काय करतात

OpenAI च्या explainer नुसार plugins Codex ला इतर tools आणि माहिती स्रोतांशी जोडण्यास मदत करतात. दिलेली उदाहरणे futuristic पेक्षा practical आहेत: email inbox तपासणे, Google Drive मधील files संदर्भित करणे, किंवा टीम आधीच वापरत असलेल्या दुसऱ्या tool मधून माहिती काढणे. म्हणजेच, plugins चा उद्देश chat interface आणि काम प्रत्यक्ष जिथे असते त्या systems यांच्यातील हाताने होणारे copy-paste कमी करणे हा आहे.

हे महत्त्वाचे आहे कारण अनेक workplace tasks fragmented context मुळे अडतात. एका report साठी email, documents, dashboards, आणि internal notes मधील माहिती लागू शकते. connectors नसल्यास, AI काहीही उपयुक्त करण्यापूर्वी वापरकर्त्याला हे सर्व हाताने गोळा करावे लागते. plugins system ला connected environments मधून हवे ते थेट retrieve करू देऊन तो फरक कमी करतात.

OpenAI हेही सांगते की नवीन plugin तयार करण्यासाठी skill तयार करण्यापेक्षा साधारणतः अधिक technical expertise लागते. यावरून plugins infrastructure म्हणून काम करतात, तर skills टीम्सना त्यांच्या स्वतःच्या operating playbooks परिभाषित करण्यासाठी अधिक accessible बनवण्यासाठी आहेत, असे सूचित होते.

skills काय करतात

plugins access पुरवतात, तर skills method पुरवतात. OpenAI skill ला असा playbook म्हणते जो Codex पाळू शकतो, आणि जो एका विशिष्ट टीम किंवा कंपनीमध्ये काम कसे केले जाते ते शिकवतो. कंपनीची उदाहरणे अर्थपूर्ण आहेत: टीम newsletter कशी लिहिते, customer account brief कशी तयार करते, project plans कसे format करते, external communications brand voice साठी कशा तपासते, किंवा data गोळा करताना कोणती tools कोणत्या क्रमाने तपासते.

हे व्यवसायिक कामाच्या एका मूलभूत सत्याचे प्रतिबिंब आहे: अनेक कामे फक्त अंशतःच generic असतात. साप्ताहिक status update, customer brief, किंवा internal report बाहेरून साधा दिसू शकतो, पण प्रत्यक्षात प्रत्येक संस्थेची स्वतःची आवश्यक रचना, approval logic, आणि tone असते. skills हेच variability हाताळण्यासाठी OpenAI चे उत्तर आहे. repeated prompt engineering वर अवलंबून राहण्याऐवजी, टीम अपेक्षा एकदाच encode करू शकते आणि नंतर गरज पडल्यावर त्या वापरू शकते.

OpenAI चे स्पष्टीकरण किती operational आहे यामुळे विशेष लक्षवेधी ठरते. कंपनी skills ला creativity booster म्हणून सादर करत नाही. ती त्यांना process execution standardize करण्याचा मार्ग म्हणून मांडत आहे.

दोन्ही एकत्र का महत्त्वाचे

या framework मधील सर्वात रंजक भाग म्हणजे OpenAI दोन्ही systems एकत्र वापरण्याचे कसे वर्णन करते ते. source text मधील उदाहरण सूचक आहे: एक skill Codex ला Google Drive plugin वापरून folder मधील नवीनतम files आणण्यास आणि मग टीमच्या पसंतीच्या format मध्ये साप्ताहिक project update मसुदा तयार करण्यास सांगू शकते. हे संयोजन AI ला generalized text generator वरून workflow actor सारखे बनवते.

याचा अर्थ newsletters किंवा status summaries पेक्षा मोठा आहे. जर system योग्य files retrieve करू शकत असेल, योग्य क्रमाने योग्य tools तपासू शकत असेल, आणि आवश्यक संरचनेत काम तयार करू शकत असेल, तर recurring knowledge tasks चा मोठा वर्ग अधिक automate होऊ शकतो. पूर्णपणे autonomous नसला तरी, पूर्वीपेक्षा अधिक delegated.

इथेच “thinking help” आणि “work help” यांतील फरक अधिक स्पष्ट होतो. पारंपरिक chat systems तेव्हा उपयुक्त असतात जेव्हा वापरकर्ता सर्व context आणतो आणि प्रत्येक पायरी सक्रियपणे निर्देशित करतो. connected, process-aware agent job चा procedural middle भाग करू लागतो.

OpenAI काय सूचित करत आहे

Academy guidance हा product education आहे, पण तो strategy देखील सूचित करतो. OpenAI enterprise AI adoption चा पुढचा टप्पा raw model capability वर कमी आणि AI systems existing work environments मध्ये किती चांगले बसतात यावर अधिक अवलंबून असेल, असे मानत आहे. tools access, repeatable process knowledge, आणि organization-specific behavior ही गोष्टी AI system खरंच कामात उपयुक्त होतो की नाही हे ठरवताना general intelligence इतक्याच महत्त्वाच्या ठरू शकतात.

हे एक उल्लेखनीय बदल आहे कारण त्यामुळे perfectly crafted prompts वरचा भर कमी होतो. या मॉडेलमध्ये, अधिक चांगला मार्ग अनेकदा संरचनेत एकदाच गुंतवणूक करणे हा असतो: योग्य systems जोडा, योग्य workflow परिभाषित करा, आणि agent ला तेच setup पुन्हा वापरू द्या.

मर्यादा स्पष्ट आहेत. connected systems governance चिंता निर्माण करतात, आणि repeatable workflows ला तरीही review आवश्यक असते. OpenAI स्वतः Codex ला काय महत्त्वाचे आहे याबाबत दिशा आणि काम अंतिम करण्यापूर्वी review आवश्यक आहे असे मांडते. पण दिशा स्पष्ट आहे. कंपनी AI ला केवळ responsive नाही, तर operational बनवू पाहत आहे.

skills आणि plugins ही माफक वाटणारी feature जोडी आहे. प्रत्यक्षात, ती एका मोठ्या कल्पनेशी जुळते: AI तेव्हा अधिक मौल्यवान ठरतो जेव्हा तो work environment पाहू शकतो आणि त्यातील स्थानिक नियम पाळू शकतो. प्रयोगापलीकडे जायचे ध्येय असलेल्या enterprises साठी, हे कदाचित conversational polish मधील अजून एका किरकोळ सुधारणेपेक्षा अधिक महत्त्वाचे innovation ठरू शकते.

• OpenAI नुसार plugins Codex ला बाह्य tools आणि data sources शी जोडतात.
• skills ला टीम-विशिष्ट workflows साठी पुन्हा वापरता येणारे playbooks असे वर्णन केले आहे.
• दोन्ही एकत्र वापरल्यास Codex माहिती आणू शकतो आणि नंतर परिभाषित प्रक्रिया लागू करू शकतो.
• हे framework पुनरावृत्ती होणारे operational work अधिक थेट हाताळणाऱ्या AI systems कडे इशारा करते.

हा लेख OpenAI च्या अहवालावर आधारित आहे. मूळ लेख वाचा.