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

chat assistant पासून process-following work agent पर्यंत

OpenAI चे Codexवरील ताजे मार्गदर्शन AI ला रोजच्या कामात अधिक खोलवर कसे नेायचे याचे स्पष्ट चित्र देते. नवीन Academy explainer मध्ये OpenAI दोन building blocks सांगते: plugins, जे Codex ला बाह्य साधने आणि माहितीच्या स्रोतांशी जोडतात, आणि skills, जे एखादी टीम किंवा कंपनी काम कसे करावे अशी अपेक्षा ठेवते ते शिकवतात.

हा फरक महत्त्वाचा आहे, कारण तो AI च्या उपयुक्ततेला एकदाच केलेल्या prompting पलीकडे नेतो. plugin system ला access देते. skill त्याला procedure देते. दोन्ही एकत्र वापरल्यास, ते ऑफिस कामासाठी एक हलका operational layer बनू लागतात, ज्यामध्ये AI agent connected systems मधून data उचलून घेतो आणि नंतर प्रत्येक वेळी पुन्हा सूचना न देता एकसारखा, संस्थेच्या विशिष्ट workflow ला लागू करतो.

हे लहान वाटू शकते, पण त्यामागे मोठी महत्त्वाकांक्षा आहे. 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 प्रत्यक्ष outputs तयार होतील.

plugins काय करतात

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

हे महत्त्वाचे आहे, कारण अनेक workplace tasks fragmented context मुळे bottleneck मध्ये अडकतात. एका report साठी email, documents, dashboards, आणि internal notes मधील माहिती लागू शकते. connectors नसतील, तर AI काहीही उपयुक्त करण्याआधी वापरकर्त्याला ही सर्व माहिती स्वतः गोळा करावी लागते. plugins connected environments मधून हवी ती माहिती थेट मिळवून तो फरक कमी करतात.

नवीन plugin तयार करण्यासाठी सामान्यतः skill तयार करण्यापेक्षा जास्त technical expertise लागते, असे OpenAI म्हणते. याचा अर्थ plugins infrastructure म्हणून, तर skills टीमना त्यांचे स्वतःचे operating playbooks परिभाषित करण्यासाठी अधिक accessible गोष्ट म्हणून उद्दिष्टित आहेत.

skills काय करतात

plugins जर access देत असतील, तर skills method देतात. एका विशिष्ट टीम किंवा कंपनीत काम कसे केले जाते हे Codex ला शिकवणारा playbook म्हणजे skill, असे OpenAI वर्णन करते. कंपनीची उदाहरणे बोलकी आहेत: एक टीम newsletter कशी लिहिते, customer account brief कशी तयार करते, project plans कसे format करते, बाह्य संवाद brand voice साठी कसा तपासते, किंवा data गोळा करताना कोणती tools कोणत्या क्रमाने तपासते.

हे व्यवसायिक कामाच्या एका मध्यवर्ती वास्तवाचे प्रतिबिंब आहे: अनेक कामे अंशतःच generic असतात. साप्ताहिक status update, customer brief, किंवा internal report बाहेरून साधे दिसू शकतात, पण प्रत्यक्षात प्रत्येक संस्थेची स्वतःची रचना, approval logic, आणि tone असते. skills हे त्या बदलांना OpenAI चे उत्तर आहे. वारंवार prompt engineering वर अवलंबून राहण्याऐवजी, टीम अपेक्षा एकदाच encode करू शकते आणि नंतर त्यांचा पुनर्वापर करू शकते.

OpenAI चे स्पष्टीकरण किती operational आहे हे लक्षवेधी आहे. कंपनी skills ला creativity boosters म्हणून सादर करत नाही. ती त्यांना process execution standardize करण्याचे मार्ग म्हणून मांडते.

दोन्ही एकत्र का महत्त्वाचे

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

याचा परिणाम newsletters किंवा status summaries पेक्षा मोठा आहे. एखादी system योग्य files मिळवू शकत असेल, योग्य क्रमाने योग्य tools तपासू शकत असेल, आणि आवश्यक संरचनेत काम तयार करू शकत असेल, तर recurring knowledge tasks चा मोठा भाग अधिक automate होऊ शकतो. पूर्णपणे autonomous नसेल कदाचित, पण पूर्वीपेक्षा जास्त delegated नक्कीच.

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

OpenAI काय सूचित करत आहे

Academy guidance हे product education असले तरी त्यात strategy देखील दिसते. enterprise AI adoption चा पुढचा टप्पा raw model capability पेक्षा AI systems विद्यमान work environments मध्ये किती चांगले बसतात यावर अधिक अवलंबून असेल, असे OpenAI गृहित धरत आहे. tools access, repeatable process knowledge, आणि organization-specific behavior AI system खरोखर कामात उपयोगी होण्यासाठी general intelligence इतकेच महत्त्वाचे ठरू शकतात.

हा एक उल्लेखनीय बदल आहे, कारण त्यामुळे perfectly crafted prompts वरचा भर कमी होतो. या मॉडेलमध्ये, बऱ्याचदा उत्तम मार्ग म्हणजे एकदाच रचनेत गुंतवणूक करणे: योग्य systems जोडा, योग्य workflow परिभाषित करा, आणि agent ला तेच setup पुन्हा 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 सांगते. पण दिशा स्पष्ट आहे. कंपनी AI ला फक्त responsive नव्हे, तर operational बनवू पाहत आहे.

skills आणि plugins ही साधी वाटणारी जोडी आहे. प्रत्यक्षात, ती एका मोठ्या कल्पनेशी जुळते: AI जेव्हा work environment पाहू शकतो आणि त्यातील स्थानिक नियम पाळू शकतो तेव्हा तो अधिक मौल्यवान ठरतो. enterprise experimentation पुढे न्यायची इच्छा असेल, तर ही कदाचित conversational polish मधील आणखी एका किरकोळ सुधारणेपेक्षा अधिक महत्त्वाची innovation ठरेल.

• 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 उचलून नंतर निश्चित प्रक्रिया लागू करू शकतो.
• हे framework वारंवार होणारे operational work अधिक थेट हाताळणाऱ्या AI systems कडे इशारा करते.

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