7.2 AI سے مدد پانے والی سافٹ ویئر کی ترقی کی پیمائش

جائزہ اور محرک

موضوع 7.1 نے قائم کیا کہ کئی موجودہ میٹرکس AI سے مدد پانے والی ترقی کے تحت اب قابلِ اعتماد طور پر وہ نہیں ناپتے جو وہ پہلے ناپتے تھے۔ یہ موضوع اس بارے میں ہے کہ اس کے بجائے کیا ناپا جائے: تاثر یا وینڈر کی مارکیٹنگ کے بجائے حقیقی ثبوت کے ساتھ کیسے جانا جائے کہ آیا AI کوڈنگ کی مدد واقعی آپ کے ادارے کی مدد کر رہی ہے، اور کتنی۔ یہ حقیقتاً اہم سوال ہے جس کے حقیقی بجٹ کے نتائج ہیں، AI ٹولنگ کے لائسنس حقیقی، جاری لاگت ہیں، موضوع 5.4 کا یونٹ کی معاشیات کا نظم براہِ راست لاگو ہوتا ہے، اور جو ادارہ اس کا جواب ثبوت سے نہیں دے سکتا وہ یا تو ایسے ٹول کے لیے زیادہ ادائیگی کر رہا ہے جو مدد نہیں کر رہا یا ایسے میں کم سرمایہ کاری کر رہا ہے جو حقیقتاً کر رہا ہے۔

اس موضوع کا طریقہ براہِ راست موضوع 1.3 کے پیداوار پر نتائج کو ترجیح کے اصول پر مبنی ہے، اب خاص طور پر AI ٹولنگ کے جائزے پر لاگو۔ سادہ، سب سے عام طریقہ AI سے مدد پانے والی ترقی کو آؤٹ پٹ کی مقدار سے ناپتا ہے، پیدا کی گئی کوڈ کی لائنیں، قبول کی گئی تجاویز، ڈویلپرز کی خود رپورٹ کردہ فی کام وقت کی بچت، بالکل وہی میٹرکس جن کے بارے میں موضوع 7.1 نے خبردار کیا کہ وہ اس تبدیلی کے سامنے سب سے زیادہ بے نقاب ہیں۔ زیادہ سخت طریقہ جس کی یہ موضوع سفارش کرتا ہے نتائج کو ناپتا ہے: کیا AI کی مدد نے معیار گرائے بغیر حقیقتاً سائیکل ٹائم کم کیا، کیا اس نے حقیقتاً کم قدر، بار بار ہونے والے کام پر صرف ہونے والا وقت کم کیا، اعلیٰ قدر کے کام کے لیے گنجائش آزاد کرتے ہوئے، اور کیا اس نے حصہ 5 کے کاروباری اور پروڈکٹ کے نتائج کو ناپنے کے قابل طور پر متاثر کیا۔

بڑی ٹیموں کے لیے اس پیمائش کو درست کرنا طے کرتا ہے کہ AI ٹولنگ کی سرمایہ کاری کے فیصلے ثبوت پر ہوتے ہیں یا وینڈر کے دعووں اور ادارہ جاتی رفتار پر۔ بڑے پیمانے کے AI ٹولنگ کے معاہدوں پر مذاکرات کرنے والے بڑے ادارے کو خرچ کا جواز دینے اور حریف ٹولز کا منصفانہ موازنہ کرنے کو قدر کا حقیقی ثبوت چاہیے؛ حکومتی ادارے، جو ٹیکنالوجی کے خرچ پر اکثر خاص جانچ کے تحت ہوتے ہیں، کو بڑے پیمانے پر AI ٹولنگ اپنانے کے لیے عوامی فنڈز لگانے سے پہلے سخت، قابلِ دفاع جانچ کا طریقہ چاہیے۔

بنیادی اصول

• AI کی مدد کو نتیجے سے ناپیں، آؤٹ پٹ کی مقدار یا وینڈر کی رپورٹ کردہ استعمال کی شماریات سے نہیں۔ موضوع 1.3 کا نظم یہاں پوری قوت سے لاگو ہوتا ہے۔
• جہاں ممکن ہو حقیقی موازنے کا گروہ استعمال کریں، صرف پہلے اور بعد کا موازنہ نہیں جسے صنعت بھر کی بڑھتی بنیادی سطح الجھا سکتی ہے۔
• خود رپورٹ کردہ وقت کی بچت اکیلی کمزور اشارہ ہے۔ انہیں معروضی سائیکل ٹائم اور معیار کے ڈیٹا کے ساتھ جوڑیں۔
• پوری لاگت ناپیں، بشمول ریویو اور اصلاح کا وقت، صرف پیدا کرنے کی رفتار نہیں۔
• مختلف کاموں اور مختلف انجینئرز کو AI کی مدد کی بہت مختلف قدر نظر آ سکتی ہے۔ واحد، ملا ہوا ادارے بھر کا عدد استعمال کرنے سے بچیں جو اس تغیر کو چھپاتا ہے۔

سفارشات

حقیقی موازنہ بنائیں، صرف پہلے اور بعد کا اسنیپ شاٹ نہیں

جہاں ممکن ہو، اسی مدت میں AI کی مدد استعمال کرنے والے گروہ اور اسے استعمال نہ کرنے والے قابلِ موازنہ گروہ کے درمیان نتائج کا موازنہ کریں، صرف اپنے ادارے کے پہلے اور بعد کے اعداد کا موازنہ کرنے کے بجائے، جو AI کی مدد کے اثر کو کسی اور ہم وقت تبدیلی سے الگ نہیں کر سکتے (موضوع 1.6 کی الجھانے والے متغیر کی احتیاط براہِ راست لاگو ہوتی ہے)۔ جہاں حقیقی موازنے کا گروہ ناقابلِ عمل ہو، کم از کم واحد پہلے اور بعد کے اسنیپ شاٹ کے بجائے، جو اوسط کی طرف واپسی یا غیر متعلقہ ہم وقت تبدیلیوں کا شکار ہو، لمبی تاریخی بنیادی سطح (کنٹرول چارٹ، موضوع 1.6 کے مطابق) سے موازنہ کریں۔

سائیکل ٹائم اور معیار کو ساتھ ناپیں، کبھی AI کی مدد کی رفتار کا دعویٰ اکیلا نہیں

موضوع 2.6 اور موضوع 2.10 کا نظم براہِ راست لاگو کریں: ٹریک کریں کہ آیا AI کی مدد والا کام سائیکل ٹائم کے مراحل میں تیزی سے آگے بڑھتا ہے، اور بیک وقت آیا اس کام کی تبدیلی کی ناکامی کی شرح یا بچ نکلنے والے نقص کی شرح (موضوع 5.1) غلط سمت میں حرکت کرتی ہے۔ حقیقی پیداواری فائدہ مستحکم یا بہتر معیار کے ساتھ تیز سائیکل ٹائم دکھاتا ہے؛ جھوٹا فائدہ گرتے معیار کے ساتھ تیز سائیکل ٹائم دکھاتا ہے، بالکل وہی سودا جس سے موضوع 7.1 نے خبردار کیا، یہاں اسی جوڑے ہوئے میٹرک کے نظم سے دریافت ہوا جو یہ کتاب شروع سے آخر تک لاگو کرتی ہے۔

مکمل لاگت کے حساب میں ریویو اور اصلاح کا وقت شامل کریں

AI سے پیدا کردہ کوڈ جو پیدا کرنے میں تیز لیکن ریویو میں سست ہو، یا جسے ابتدائی پیدائش کے بعد زیادہ اصلاح اور دوبارہ کام درکار ہو، پورا پائپ لائن ناپنے پر کوئی خالص سائیکل ٹائم کی بہتری نہ دکھائے، چاہے ابتدائی کوڈ پیدا کرنے کا مرحلہ انفرادی انجینئر کو ڈرامائی طور پر تیز محسوس ہوا ہو۔ سائیکل ٹائم کی پوری زنجیر (موضوع 2.6) ناپیں، صرف کوڈنگ کا مرحلہ نہیں، تاکہ اسے ایمانداری سے پکڑیں بجائے اس کے کہ AI کی مدد کو رفتار کے محسوس لیکن نامکمل احساس کی بنیاد پر کریڈٹ دیں۔

خود رپورٹ کردہ وقت کی بچت کو ابتدائی مفروضہ سمجھیں، نتیجہ نہیں

ڈویلپر کی خود رپورٹ “اس نے میرا ایک گھنٹہ بچایا” ابتدائی اشارے اور معیاری سیاق کے طور پر مفید ہے (موضوع 5.3 کا مقداری اور معیاری کو ملانے والا طریقہ یہاں بھی لاگو ہوتا ہے)، لیکن وہ انہی یادداشت اور مطلوبیت کے تعصبات کے تابع ہے جن سے موضوع 1.5 کسی بھی خود رپورٹ کردہ ڈیٹا کے لیے خبردار کرتا ہے، اور وہ بعد کے ریویو یا اصلاح کی لاگت کے بارے میں کچھ نہیں کہتی۔ خود رپورٹ کو اس کے بارے میں مفروضے پیدا کرنے کو استعمال کریں کہ AI کی مدد سب سے زیادہ کہاں مدد کر رہی ہے، پھر پختہ نتیجہ نکالنے سے پہلے ان مفروضوں کو معروضی سائیکل ٹائم اور معیار کے ڈیٹا کے مقابل جانچیں۔

پیمائش کو کام کی قسم کے لحاظ سے الگ کریں اور واحد ملا ہوا عدد استعمال کرنے سے بچیں

AI کوڈنگ کی مدد غالباً boilerplate، اچھی طرح سمجھے ہوئے کاموں کے لیے حقیقتاً نئے، پیچیدہ مسئلے کے حل سے بہت مختلف قدر دیتی ہے۔ واحد، ملا ہوا ادارے بھر کی اوسط کے بجائے کام کے زمرے کے لحاظ سے ناپیں اور رپورٹ کریں، جو اس حقیقت کو چھپا سکتی ہے کہ مدد ایک زمرے میں مضبوط قدر دے رہی ہے جبکہ دوسرے میں تھوڑی یا منفی قدر، ایسی معلومات جسے ملا ہوا عدد مکمل طور پر چھپا دے گا۔

سمجھوتے: فوائد اور نقصانات

طریقہ	فوائد	نقصانات
صرف خود رپورٹ کردہ وقت کی بچت	تیز، جمع کرنا آسان	کمزور اشارہ؛ تعصب کا شکار؛ بعد کے ریویو کی لاگت نظر انداز کرتا ہے
صرف پہلے اور بعد کا موازنہ	قائم کرنا سادہ	کسی بھی دوسری ہم وقت تبدیلی یا صنعت بھر کے رجحان سے الجھا ہوا
حقیقی موازنے کا گروہ	مضبوط ترین، سب سے قابلِ دفاع ثبوت	ترتیب دینا مشکل؛ مکمل اپنانے کے رول آؤٹ کے لیے ممکن نہ ہو
کام کی قسم کے لحاظ سے الگ نتائج کی پیمائش	ظاہر کرتی ہے کہ قدر حقیقتاً کہاں مرتکز ہے	زیادہ باریک ٹریکنگ اور زمرہ بندی کی کوشش درکار

مرکزی کشمکش پیمائش کی سختی بمقابلہ عملی ممکنہ ہونا ہے۔ حقیقی، کنٹرول شدہ موازنے کا گروہ سب سے مضبوط ثبوت ہے لیکن ٹول کو ادارے بھر میں بغیر روکے ہوئے کنٹرول گروہ کے رول آؤٹ کر دینے کے بعد اکثر ناقابلِ عمل ہوتا ہے؛ خود رپورٹ کردہ تاثرات تیز اور آسان ہیں لیکن اکیلے کمزور۔ اس کشمکش کو یوں حل کریں کہ آپ کے اصل رول آؤٹ کی اجازت دی ہوئی مضبوط ترین موازنے کی ڈیزائن استعمال کریں، ابتدائی پائلٹ مرحلے کے دوران ممکن ہو تو حقیقی کنٹرول گروہ، ورنہ تاریخی بنیادی سطح کا کنٹرول چارٹ، اور خود رپورٹ کو مفروضہ پیدا کرنے کا ذریعہ سمجھیں نہ کہ آخری لفظ، چاہے آپ موازنے کی کوئی بھی ڈیزائن استعمال کریں۔

اپنی ٹیم کے ساتھ زیرِ بحث لانے کے سوالات

1. کیا ہمارے پاس اپنے AI ٹولنگ کے اپنانے کے جائزے کے لیے حقیقی موازنے کا گروہ تھا، یا ہم اب بھی بنا سکتے ہیں، یا ہم مکمل طور پر پہلے اور بعد کے موازنے پر انحصار کر رہے ہیں؟ اگر حقیقی موازنے کا گروہ کبھی قائم نہیں ہوا تو بحث کریں کہ آیا تاریخی بنیادی سطح کا کنٹرول چارٹ پھر بھی معقول حد تک سخت متبادل دے سکتا ہے۔

2. کیا ہم نے AI کی مدد والے کام کے لیے سائیکل ٹائم اور معیار ساتھ ناپا ہے، یا ہمارے پاس صرف رفتار کا دعویٰ ہے بغیر متعلقہ معیار کی جانچ کے؟ جو بھی ڈیٹا موجود ہو نکالیں اور اس مخصوص جوڑے کے لیے جانچیں؛ اگر موجود نہیں تو وہ خلا اس موضوع کا واحد اعلیٰ ترین ترجیحی حل ہے۔

3. کیا AI کی مدد والے کام کے لیے ہماری سائیکل ٹائم کی پیمائش میں ریویو اور اصلاح کا وقت شامل ہے، یا صرف ابتدائی پیدائش کا مرحلہ؟ صرف پیدا کرنے کے وقت پر مبنی رفتار کا دعویٰ، بعد کے ریویو کی لاگت نظر انداز کرتے ہوئے، اس نامکمل حساب کے جال کا خطرہ رکھتا ہے جس سے یہ موضوع براہِ راست خبردار کرتا ہے۔

4. ہم نے خود رپورٹ کردہ وقت کی بچت کے کون سے دعوے جمع کیے ہیں، اور کیا ہم نے ان میں سے کسی کی معروضی ڈیٹا کے مقابل توثیق کی ہے؟ مخصوص، عام طور پر دہرایا جانے والا دعویٰ چنیں اور جانچیں کہ آیا معروضی ڈیٹا واقعی اس کی حمایت کرتا ہے۔

5. کیا ہماری موجودہ پیمائش تمام کاموں کی اقسام کو ایک عدد میں ملاتی ہے، یا ہم جانتے ہیں کہ کام کے کون سے مخصوص زمرے AI کی مدد کی سب سے مضبوط قدر دیکھتے ہیں؟ اگر ملی ہوئی ہے تو بحث کریں کہ کام کی قسم کے لحاظ سے تقسیم کیا ظاہر کر سکتی ہے جو موجودہ عدد چھپاتا ہے۔

6. اگر ہمیں آج شکی مالیاتی اسٹیک ہولڈر کے سامنے اپنی AI ٹولنگ کی سرمایہ کاری کا ثبوت سے، تاثر سے نہیں، دفاع کرنا پڑتا تو ہم دراصل انہیں کیا دکھا سکتے؟ یہ ٹھوس امتحان اس فرق کو ظاہر کرتا ہے جو آپ کا ادارہ فی الحال AI کی مدد کی قدر کے بارے میں یقین رکھتا ہے اور جو وہ ثبوت سے دراصل ثابت کر سکتا ہے۔

شعبے کا زاویہ

اسٹارٹ اپ۔ چھوٹے پیمانے پر موازنے کے گروہ کا رسمی مطالعہ عموماً ناقابلِ عمل ہوتا ہے، لیکن حتیٰ کہ سائیکل ٹائم اور نقص کی شرح پر سادہ، ایماندار پہلے اور بعد کی نظر، خالصتاً اس پر انحصار کرنے کے بجائے کہ کام کتنا تیز محسوس ہوتا ہے، اکیلے تاثر سے بامعنی طور پر زیادہ قابلِ اعتماد اشارہ دیتی ہے۔

چھوٹا کاروبار۔ پیمائش کی کوشش پہلے اپنے اعلیٰ ترین قدر والے، سب سے زیادہ بار بار ہونے والے کام کے زمرے پر مرکوز کریں، جہاں AI کی مدد کی قدر سب سے زیادہ واضح اور ناپنے کے قابل ہونے کا امکان ہے، اپنی چھوٹی ٹیم کے ہر قسم کے کام پر جامع جائزے کی کوشش کرنے کے بجائے۔

بڑا ادارہ۔ مکمل ادارے بھر کے رول آؤٹ سے پہلے ابتدائی پائلٹ مرحلے کے دوران حقیقی، کنٹرول شدہ موازنہ یہاں اکثر ممکن ہے اور ترتیب دینے کی دانستہ کوشش کے قابل ہے، کیونکہ وہ بڑے پیمانے کے ٹولنگ کی سرمایہ کاری کے فیصلے کے لیے جو عموماً کامیاب پائلٹ کے بعد آتا ہے کہیں زیادہ قابلِ دفاع ثبوت پیدا کرتا ہے۔

حکومت۔ عوامی ٹیکنالوجی کے خرچ کے فیصلوں، بشمول AI ٹولنگ کی خریداری، کو اکثر خاص جانچ کا سامنا ہوتا ہے اور رسمی لاگت اور فائدے کے جواز (موضوع 5.5) کی ضرورت ہو سکتی ہے۔ اس موضوع کی سفارش کردہ پیمائش کا نظم کسی بھی پائلٹ مرحلے میں شروع سے بنائیں، کیونکہ سخت، دستاویزی جائزے کا طریقہ آخرکار فنڈنگ یا خریداری کے مقدمے کو کافی مضبوط کرتا ہے۔

مثالیں

بڑا ادارہ۔ ایک سافٹ ویئر کمپنی نے AI کوڈنگ اسسٹنٹ اپنی آدھی انجینئرنگ ٹیموں کو دانستہ پائلٹ کے طور پر رول آؤٹ کیا، مکمل رول آؤٹ سے پہلے ایک سہ ماہی کے لیے باقی آدھی کو موازنے کے گروہ کے طور پر روکتے ہوئے۔ پائلٹ گروہ نے اچھی طرح متعین، boilerplate سے بھرے کاموں کے لیے حقیقی، شماریاتی طور پر بامعنی سائیکل ٹائم کی بہتری دکھائی، لیکن پیچیدہ، نئے فن تعمیر کے کام کے لیے کوئی ناپنے کے قابل بہتری نہیں، اور ریویو کی تکرار کی قدرے بڑھی ہوئی گنتی (موضوع 2.9) دکھائی۔ یہ کام کی قسم کے لحاظ سے الگ دریافت، جو صرف حقیقی موازنے کی ڈیزائن اور کام کے زمرے کی تقسیم کی وجہ سے نظر آئی، نے کمپنی کو AI کی مدد کے رول آؤٹ کے پیغام اور تربیت کو خاص طور پر ان کام کے زمروں کی طرف ہدف بنانے پر لے گئی جہاں اس نے ثابت شدہ طور پر مدد کی، بجائے اسے تمام کام میں یکساں پیداواری اضافے کے طور پر پیش کرنے کے۔

حکومت۔ ایک وفاقی ایجنسی نے اپنے جدید کاری کے پروگرام کی ٹیموں کے ایک ذیلی سیٹ کے لیے AI کوڈنگ کی مدد کا پائلٹ چلاتے ہوئے ابتدا میں خود رپورٹ کردہ وقت کی بچت کے سرویز پر انحصار کیا، جنہوں نے پرجوش، یکساں طور پر مثبت جوابات دکھائے۔ فالو اپ معروضی تجزیے نے، پائلٹ ٹیموں اور اسی طرح کے نظام کے اجزا پر کام کرنے والے قابلِ موازنہ غیر پائلٹ گروہ کے درمیان سائیکل ٹائم اور بچ نکلنے والے نقص کی شرح کا موازنہ کرتے ہوئے، پایا کہ معروضی سائیکل ٹائم کی بہتری حقیقی تھی لیکن خود رپورٹ کردہ اندازوں کے اشارے سے نمایاں طور پر چھوٹی، اور ریویو کے وقت میں معمولی لیکن حقیقی اضافہ شناخت کیا جو پیدا کرنے کی رفتار کے کچھ فائدے کو زائل کر رہا تھا، ایک دریافت جو اکیلا خود رپورٹ کا ڈیٹا مکمل طور پر چھوڑ گیا۔ اس زیادہ درست، ثبوت پر مبنی تصویر نے ٹول کی جاری، بڑھی ہوئی خریداری کے لیے زیادہ معتدل اور زیادہ قابلِ دفاع کاروباری مقدمے کو براہِ راست باخبر کیا۔

کاروباری جواز: محرکات، ROI، اور TCO

AI سے مدد پانے والی ترقی کو سختی سے ناپنے کا منافع پراعتماد، ثبوت پر مبنی سرمایہ کاری کے فیصلے ہیں: جو ادارہ بالکل جانتا ہے کہ AI کی مدد حقیقتاً کہاں مدد کرتی ہے وہ اسے وہاں پھیلانے میں سرمایہ کاری کر سکتا ہے اور ان کام کے زمروں میں لائسنسز کی زیادہ ادائیگی سے بچ سکتا ہے جہاں وہ تھوڑی قدر دیتی ہے، بالکل وہی کام کی قسم کی تقسیم کی بصیرت جو اوپر کی سافٹ ویئر کمپنی کی مثال دکھاتی ہے۔ یہ براہِ راست موضوع 5.4 کی یونٹ کی معاشیات اور موضوع 5.5 کے ROI کے نظم سے جڑتا ہے، کیونکہ AI ٹولنگ کی لاگت، جو اکثر فی نشست لائسنس ہوتی ہے، کو وہی سخت لاگت اور فائدے کا برتاؤ چاہیے جو یہ کتاب کسی بھی دوسری بڑی انجینئرنگ سرمایہ کاری پر لاگو کرتی ہے۔

ملکیت کی کل لاگت حقیقی موازنے بنانے، ریویو اور اصلاح سمیت پورا سائیکل ٹائم ناپنے، اور کام کی قسم کے لحاظ سے الگ کرنے کی تجزیاتی کوشش ہے، جو وینڈر کی رپورٹ کردہ استعمال کی شماریات یا خود رپورٹ کردہ تاثرات کو ظاہری قدر پر قبول کرنے سے زیادہ کام ہے۔ وہ کوشش براہِ راست بڑے ادارے میں AI ٹولنگ کے لائسنس کی لاگت کے پیمانے اور تاثر پر مبنی، بجائے ڈیٹا کے، کم ثبوت والی، مہنگی، ادارے بھر کی وابستگی کے خطرے سے جائز ہے۔

منفی نمونے اور خطرات

• AI کی مدد کو اکیلے آؤٹ پٹ کی مقدار یا وینڈر کی استعمال کی شماریات سے ناپنا: موضوع 7.1 کی مرکزی تنبیہ کو براہِ راست دہراتا ہے۔
• مکمل طور پر خود رپورٹ کردہ وقت کی بچت پر انحصار کرنا: تعصب کا شکار کمزور اشارہ، اور بعد کے ریویو اور اصلاح کی لاگت سے اندھا۔
• پورا سائیکل ٹائم نظر انداز کر کے صرف پیدا کرنے کی رفتار کا مرحلہ ناپنا: اصل پیداواری اثر کا نامکمل، ممکنہ طور پر گمراہ کن حساب پیدا کرتا ہے۔
• واحد، ملا ہوا ادارے بھر کا عدد رپورٹ کرنا: کام کے مختلف زمروں میں قدر کا حقیقی تغیر چھپاتا ہے۔
• کوئی موازنے کا گروہ یا تاریخی بنیادی سطح نہیں: AI کی مدد کے اصل اثر کو کسی اور ہم وقت تبدیلی سے الگ نہیں کر سکتا۔
• پرجوش خود رپورٹ کردہ سروے کے نتیجے کو بڑے پیمانے کی سرمایہ کاری کے فیصلے کے لیے کافی ثبوت سمجھنا: اسی خلا کا خطرہ جو اوپر کی وفاقی ایجنسی کی مثال نے زیادہ سخت موازنہ بنانے کے بعد ہی دریافت کیا۔

پختگی کا نمونہ

• درجہ 1، آغاز (Initiate): AI سے مدد پانے والی ترقی کی قدر کا جائزہ، اگر بالکل لیا جائے تو، اکیلے خود رپورٹ کردہ تاثر اور وینڈر کی استعمال کی شماریات سے لیا جاتا ہے۔
• درجہ 2، ترقی (Develop): کچھ سائیکل ٹائم یا معیار کا ڈیٹا موجود ہے، لیکن کوئی حقیقی موازنے کا گروہ یا تاریخی بنیادی سطح اور کام کی قسم کے لحاظ سے الگ تجزیہ نہیں۔
• درجہ 3، معیار بندی (Standardize): جوڑے ہوئے سائیکل ٹائم اور معیار کی پیمائش کے ساتھ حقیقی موازنے کی ڈیزائن (کنٹرول گروہ یا تاریخی بنیادی سطح) یکساں لاگو ہے، کام کی قسم کے لحاظ سے الگ۔
• درجہ 4، انتظام (Manage): ریویو اور اصلاح کے وقت سمیت مکمل سائیکل ٹائم کا حساب ٹریک ہوتا ہے؛ خود رپورٹ کردہ دعووں کی منظم طور پر معروضی ڈیٹا کے مقابل توثیق ہوتی ہے۔
• درجہ 5، ہم آہنگی (Orchestrate): ادارے کے پاس اس کی پختہ، ثبوت پر مبنی سمجھ ہے کہ AI کی مدد حقیقتاً کہاں مدد کرتی ہے، جو ثابت شدہ، قابلِ دفاع ROI کے ساتھ ہدفی رول آؤٹ، تربیت کی سرمایہ کاری، اور خریداری کے فیصلوں کو باخبر کرتی ہے۔

بحث کے لیے خیالات

1. ہمارے موجودہ AI ٹولنگ کے اپنانے کے لیے ہمارے پاس کون سا حقیقی موازنہ ہے، اگر کوئی ہے؟
2. کیا ہم نے سائیکل ٹائم اور معیار ساتھ ناپا ہے، یا صرف رفتار کا دعویٰ؟
3. AI کی مدد کے کون سے خود رپورٹ کردہ دعوے کی ہمیں معروضی ڈیٹا کے مقابل توثیق کرنی چاہیے؟
4. کون سا مخصوص کام کا زمرہ ہمارے لیے AI کی مدد کی حقیقی قدر کا سب سے مضبوط ثبوت دکھاتا ہے؟
5. کیا ہم فی الحال اپنی AI ٹولنگ کی سرمایہ کاری کا شکی مالیاتی اسٹیک ہولڈر کے سامنے ثبوت سے دفاع کر سکتے ہیں؟

اہم نکات

• AI سے مدد پانے والی ترقی کو نتیجے سے ناپیں، آؤٹ پٹ کی مقدار یا وینڈر کی رپورٹ کردہ استعمال کی شماریات سے نہیں۔
• حقیقی موازنے کا گروہ یا تاریخی بنیادی سطح استعمال کریں، صرف الجھانے والے عوامل کا شکار پہلے اور بعد کا اسنیپ شاٹ نہیں۔
• سائیکل ٹائم اور معیار ساتھ ناپیں، بشمول پورا پائپ لائن، ریویو اور اصلاح کا وقت، صرف پیدا کرنے کی رفتار نہیں۔
• خود رپورٹ کردہ وقت کی بچت کو مفروضہ سمجھیں، نتیجہ نہیں، اور اس کی معروضی ڈیٹا کے مقابل توثیق کریں۔
• کام کی قسم کے لحاظ سے الگ کریں؛ واحد ملا ہوا عدد چھپاتا ہے کہ قدر حقیقتاً کہاں مرتکز ہے اور کہاں نہیں۔

حوالہ جات اور مزید مطالعہ

• Accelerate: The Science of Lean Software and DevOps, by Nicole Forsgren, Jez Humble, and Gene Kim (نتائج کی پیمائش کا نظم جو یہ موضوع AI ٹولنگ کے جائزے پر لاگو کرتا ہے)۔
• GitHub کی AI pair programming اور ڈویلپر کی پیداواریت پر تحقیق (AI سے مدد پانے والی ترقی کے نتائج پر صنعتی پیمانے کی تجرباتی تحقیق)۔
• Forsgren, Nicole, Margaret-Anne Storey, Chandra Maddila, Thomas Zimmermann, Brian Houck, and Jenna Butler, “The SPACE of Developer Productivity,” ACM Queue (2021) (کثیر جہتی پیمائش کا نظم جو یہ موضوع ٹولنگ کے مخصوص نئے زمرے پر لاگو کرتا ہے)۔
• How to Measure Anything, by Douglas W. Hubbard (قابلِ دفاع موازنے بنانا اور حقیقی غیر یقینی کے تحت قدر کی مقدار بندی)۔