एक छोटे निर्देश पर GPT-4o 91% बार सही जवाब देता था। उसी काम के एक लंबे संस्करण पर वह 1% बार सही जवाब देता था। 70% नहीं। 40% नहीं। एक प्रतिशत — सांख्यिकीय शोर (PNAS Nexus, 2026)।
यह ढहाव वह अकेला सबसे महत्वपूर्ण आँकड़ा है जिसे कोई Head of Operations 2026 में एजेंटिक AI के किसी निर्णय में साथ ले जा सकता है, क्योंकि यह उस धारणा को उलट देता है जिस पर हर तैनाती चुपचाप टिकी होती है: कि अगर कोई AI एजेंट किसी काम को डेमो में अच्छे से संभालता है, तो वह उसी काम के थोड़े कठिन संस्करण को बस थोड़ा कम अच्छे से संभालेगा। ऐसा नहीं है। वह उसे एक सीमा तक लगभग सटीक ढंग से संभालेगा, और फिर लगभग पूरी तरह विफल हो जाएगा। ऑपरेशंस के लिए सवाल यह नहीं है कि किसी एजेंट पर भरोसा करें या नहीं। सवाल यह है कि यह ठीक-ठीक जानें कि खाई कहाँ है — और उसके ठीक आगे लूप में एक मानवीय नियंत्रण-द्वार रखें।
निष्कर्ष: एक खाई, ढलान नहीं
यह अध्ययन CUNY के Suketu Patel और Jin Fan का है, जो PNAS Nexus में प्रकाशित हुआ और जून 2026 में सार्वजनिक हुआ (PsyPost, 2026)। उनकी विधि ठीक इसलिए सुरुचिपूर्ण है क्योंकि वह पुरानी है। उन्होंने Stroop कार्य — वह क्लासिक संज्ञानात्मक-मनोविज्ञान परीक्षण जिसमें आपको किसी शब्द की स्याही का रंग बताना होता है जबकि शब्द स्वयं कोई दूसरा रंग लिखता है — को अग्रणी भाषा मॉडलों पर लागू किया, और परस्पर विरोधी वस्तुओं की सूची को कुछ से बढ़ाकर चालीस तक ले जाकर भार बढ़ाया।
परिणाम तीखे हैं। GPT-4o पाँच-वस्तुओं की छोटी सूचियों पर असंगत परीक्षणों को 91% बार सही उत्तर देता था। सूची को बीस या चालीस परस्पर विरोधी वस्तुओं तक बढ़ाइए, और उसकी सटीकता गिरकर 1% रह जाती थी। Claude 3.5 Sonnet अधिक देर तक टिका — पर वह भी अंततः गिरा, चालीस-वस्तुओं की सूचियों पर लगभग 10% तक (PNAS Nexus, 2026)।
इस वक्र का आकार पढ़िए, केवल दोनों छोर नहीं। काम कठिन होते जाने के साथ प्रदर्शन शालीनता से क्षीण नहीं हुआ। वह लगभग मानवीय स्तरों पर बना रहा, फिर एक खाई से गिर पड़ा। यही वह निष्कर्ष है जिसे ऑपरेशंस के एजेंट-विश्वसनीयता के बारे में सोचने के तरीके को पुनर्गठित करना चाहिए: खतरे का क्षेत्र डेमो से अदृश्य है। किसी सरल मामले पर एक साफ-सुथरा पायलट आपको यह नहीं बताता कि मॉडल कहाँ टूटता है, क्योंकि टूटना असतत है।
यह विफलता कार्यकारी नियंत्रण की है — बुद्धिमत्ता की नहीं
इसे "AI अब भी ग़लतियाँ करता है" के खाते में डालकर आगे बढ़ जाना आसान होगा। यह पाठ तंत्र को चूक जाता है, और तंत्र ही पूरी बात है।
Stroop कार्य ज्ञान या तर्क-शक्ति नहीं मापता। यह कार्यकारी नियंत्रण मापता है — विशेष रूप से किसी लक्ष्य को मन में बनाए रखने ("स्याही का रंग बताओ") और एक अधिक प्रबल, स्वचालित प्रतिस्पर्धी प्रतिक्रिया ("शब्द पढ़ो") को रोकने की क्षमता। मानव संज्ञानात्मक तंत्रिका-विज्ञान में, ध्यान अलग-अलग तंत्रों में विघटित होता है, और कार्यकारी नियंत्रण वही है जो संघर्ष के अधीन लक्ष्य-रखरखाव को संचालित करता है। यह महज़ पैटर्न-पहचान से भिन्न एक सामर्थ्य है।
मॉडलों ने अपने बारे में यह प्रकट किया। Transformer संरचनाएँ प्रबल प्रतिक्रिया में असाधारण हैं — वह तेज़, स्वचालित, सांख्यिकीय रूप से संभावित उत्तर, जो रंग बताने के बजाय शब्द पढ़ने का मशीनी समतुल्य है। उनमें जिसकी कमी है वह है मज़बूत निषेध, जब संदर्भ लंबा हो जाता है या परस्पर विरोधी संकेतों से भर जाता है। लेखक इसे उस कार्यकारी नियंत्रण की अनुपस्थित क्षमता के रूप में रखते हैं जिसकी एक सच्ची सामान्य बुद्धिमत्ता को आवश्यकता होगी (PNAS Nexus, 2026)।
ऑपरेशंस के लिए इसका अनुवाद यों करें: एक AI एजेंट कोई जूनियर कर्मचारी नहीं है जो कार्यभार के अनुपात में थककर लापरवाह हो जाता है। यह एक ऐसा तंत्र है जो एक लक्ष्य को शानदार ढंग से बनाए रखता है — जब तक प्रतिस्पर्धी बाधाओं की संख्या एक रेखा पार नहीं कर लेती; उस बिंदु पर लक्ष्य-रखरखाव क्षीण नहीं होता — वह वाष्पित हो जाता है। विफलता "ख़राब आउटपुट" नहीं है। यह मॉडल है जो चुपचाप ग़लत, आसान लक्ष्य की ओर अनुकूलित होता है, और साथ ही ऐसा प्रवाहपूर्ण, आत्मविश्वासी पाठ पैदा करता है जो हूबहू सफलता जैसा दिखता है।
आपके धरातल पर "लंबा और विरोधाभासी" कैसा दिखता है
प्रयोगशाला में बीस परस्पर विरोधी शब्द अमूर्त हैं। आपके वास्तविक कार्यप्रवाह इससे भी बदतर हैं।
सोचिए आप वास्तव में एक एजेंट से क्या करवाते हैं। एक चालान का मिलान एक ऐसे अनुबंध से करना जिसमें तीन संशोधन हैं, एक विशेष-शर्त खंड है, और एक अपवाद है जो किसी ने पिछले हफ़्ते ईमेल किया था। एक ग्राहक शिकायत को एक ऐसी नीति के तहत रूट करना जो एक बात कहती है, एक प्रबंधक के स्थायी निर्देश के तहत जो दूसरी बात कहता है, और एक प्रचार-अभियान के तहत जो शुक्रवार तक दोनों को रद्द कर देता है। एक अनुपालन उत्तर का मसौदा तैयार करना जो नियामक, विधिक टीम के जोखिम-रुख, और account manager के संबंध — तीन ऐसे लक्ष्यों को संतुष्ट करे जो पूरी तरह संरेखित नहीं होते।
इनमें से हर एक आवाज़ को पूरा ऊँचा करके किया गया Stroop कार्य है। लंबा संदर्भ, कई एक साथ की बाधाएँ, और एक प्रबल "स्पष्ट" उत्तर जो अपवादों को ध्यान में रखते ही ग़लत निकलता है। ये ठीक वही परिस्थितियाँ हैं जिनके बारे में अध्ययन दिखाता है कि वे कार्यकारी नियंत्रण को खाई के पार धकेल देती हैं। और ये ठीक वही काम भी हैं जिन्हें मिड-मार्केट ऑपरेशंस स्वचालित करने को सबसे उत्सुक रहती है, क्योंकि ये वे उबाऊ, निर्णय-भारी काम हैं जो एक टीम के घंटे निगल जाते हैं।
यही जाल है। सबसे अधिक स्वचालन-आकर्षण वाले काम, चुपचाप ढहाव को उकसाने की सबसे अधिक संभावना वाले कामों से भारी मात्रा में अतिव्याप्त होते हैं। एजेंट साफ़ चालान पर बेदाग़ डेमो देगा और तीन संशोधनों वाले पर लगभग पूरी तरह विफल हो जाएगा — और वह आत्मविश्वास के साथ विफल होगा, जो कि ख़तरनाक हिस्सा है।
खाई की अनदेखी की व्यावसायिक क़ीमत
यह कोई सैद्धांतिक चिंता नहीं है, और बाज़ार इसे पहले से ही आँक रहा है। Gartner का अनुमान है कि 2027 के अंत तक एजेंटिक AI परियोजनाओं में से 40% से अधिक रद्द कर दी जाएँगी, जिसके कारण बढ़ती लागतें, अस्पष्ट व्यावसायिक मूल्य और अपर्याप्त जोखिम-नियंत्रण हैं (Gartner, 2025)।
Stroop का निष्कर्ष आपको बताता है कि इतनी सारी क्यों विफल होंगी। टीमें एक एजेंट को काम के एक चुने हुए, कम-संघर्ष वाले हिस्से पर पायलट करती हैं, 91%-जैसी सटीकता देखती हैं, और उसे अव्यवस्थित, उच्च-संघर्ष वाली उत्पादन-वास्तविकता में स्केल कर देती हैं — जहाँ वही एजेंट अपने ढहाव-बिंदु के परे काम करता है और सबसे कठिन मामलों पर चुपचाप 1%-गुणवत्ता का आउटपुट देता है। इसके बाद की लागतें "AI विफलता" के रूप में लेबल नहीं होतीं। वे तीन क़दम आगे पकड़ी गई मिलान-त्रुटियों, पूरी मानवीय पुनःकार्य माँगने वाले अनुपालन उत्तरों, और उस भरोसे के क्षरण के रूप में सामने आती हैं जो अंततः पूरी पहल को ठंडे बस्ते में डाल देता है। परियोजना किसी नाटकीय घटना से नहीं मरती। वह ठीक उन्हीं मामलों पर संचित चुप विफलताओं से मरती है जिन्हें उसे न्यायसंगत ठहराना था।
जो संगठन अपनी एजेंटिक परियोजनाओं को उस 40% से बाहर रखेंगे, वे सबसे अच्छे मॉडल वाले नहीं होंगे। सभी के पास वही अग्रणी मॉडल उपलब्ध हैं। वे वही होंगे जिन्होंने वक्र को एक चिकनी ढलान मान लेने के बजाय खाई के लिए डिज़ाइन किया।
द्वार कहाँ रखें
जब एजेंट कमतर प्रदर्शन करता है, तो सहज-वृत्ति बेहतर प्रॉम्प्ट की ओर हाथ बढ़ाने की होती है। यह अध्ययन कहता है कि प्रॉम्प्टिंग ग़लत लीवर है। आप कार्यकारी नियंत्रण की एक संरचनात्मक अनुपस्थिति से प्रॉम्प्ट के ज़रिये बाहर नहीं निकल सकते; आप केवल खाई को थोड़ा-सा खिसका सकते हैं। टिकाऊ लीवर स्थापत्यगत है: लूप में एक मानवीय नियंत्रण-द्वार (human-in-the-loop), जो ढहाव-बिंदु से पहले रखा जाए, घटना के बाद नहीं।
ठोस रूप में, इसका अर्थ इस तिमाही के लिए तीन क़दम हैं।
1. अपने कार्यप्रवाहों को काम के प्रकार से नहीं, संघर्ष-भार से मानचित्रित करें
उम्मीदवार कामों को "सरल" और "जटिल" में छाँटना बंद करें। उन्हें इस आधार पर छाँटें कि वे कितनी प्रतिस्पर्धी बाधाएँ वहन करते हैं और प्रासंगिक संदर्भ कितना लंबा है। एक स्पष्ट नियम वाला उच्च-मात्रा का काम एक सुरक्षित स्वचालन-लक्ष्य है। तीन अतिव्यापी नीतियों और अपवादों के ढेर वाला कम-मात्रा का काम वहीं है जहाँ खाई बसती है — चाहे वह कितना ही नियमित क्यों न लगे।
2. द्वार को सीमा से पहले, अनुभवजन्य ढंग से रखें
परस्पर विरोधी बाधाओं या लंबे संदर्भ वाले किसी भी एजेंट कार्यप्रवाह के लिए एक अनिवार्य मानवीय समीक्षा-बिंदु डालें। अंदाज़ा न लगाएँ कि मॉडल कहाँ टूटता है — उसे उसी तरह परखें जैसे अध्ययन ने परखा। एजेंट को किसी वास्तविक काम के उत्तरोत्तर अधिक अव्यवस्थित संस्करण दें और असततता को देखें। मानवीय जाँच-बिंदु को उसके निकटवर्ती ओर रखें।
3. चुप विफलता के लिए उपकरण लगाएँ, शोरगुल भरी ग़लतियों के लिए नहीं
ढहाव अपनी घोषणा नहीं करता; आउटपुट प्रवाहपूर्ण बना रहता है। इसलिए आप इस पर भरोसा नहीं कर सकते कि एजेंट अपने कम-विश्वास वाले मामलों को स्वयं चिह्नित करेगा। किसी भी उच्च-संघर्ष कार्यप्रवाह में नमूनाकरण और औचक-लेखा जाँच अंतर्निर्मित करें, और "डेमो चल गया" को सत्यापन का आरंभ मानें, अंत नहीं।
इनमें से किसी के लिए नई तकनीक की ज़रूरत नहीं। इसके लिए एजेंट-विश्वसनीयता को मॉडल का नहीं, बल्कि कार्यप्रवाह-डिज़ाइन का गुण मानने की ज़रूरत है — और यह स्वीकारने की कि मॉडल की दक्षता की एक किनार है जिसे आप ढूँढ़ तो सकते हैं पर प्रॉम्प्ट से पार नहीं कर सकते।
इस तिमाही का निर्णय
उन प्रक्रियाओं की सूची निकालिए जिन्हें आपकी टीम अगली दो तिमाहियों में किसी AI एजेंट को सौंपने की योजना बना रही है। हर एक के आगे दो बातें लिखिए: वह कितने परस्पर विरोधी नियम या अपवाद वहन करती है, और एजेंट को कितना लंबा संदर्भ थामे रखना होगा। जो काम दोनों पर ऊँचा स्कोर करते हैं, वे आपकी आसान जीतें नहीं हैं। वे आपके खाई-मामले हैं — और अध्ययन कहता है कि वे पायलट पास कर लेंगे और असली काम में विफल हो जाएँगे।
उनके लिए, चाल एक बेहतर एजेंट नहीं है। यह ढहाव-बिंदु के आगे जानबूझकर रखा गया लूप में एक इंसान (human-in-the-loop) है। रद्दीकरण की ओर बढ़ती एजेंटिक परियोजनाओं में से 40% अधिकांशतः वे होंगी जिन्होंने एक डेमो को गारंटी समझ लिया। एक एजेंट जो साफ़ मामले में उत्तीर्ण होता है और अव्यवस्थित में ढह जाता है, वह कोई उपकरण नहीं है जिसे आपने तैनात किया। यह एक देनदारी है जिसे आपने अभी तक नहीं खोजा। खाई को खोज लीजिए, इससे पहले कि वह आपको खोज ले।
