پیشکش (deck) آج دوپہر تک تیار کرنی ہے۔ آپ کے ان باکس میں ڈیٹا کی تین فائلیں (exports) موجود ہیں: billing_events (31,482 قطاریں، 01-01-2026 سے 30-06-2026 تک)، customers (8,104 قطاریں)، اور support_tickets (12,760 قطاریں)۔ ایک اسٹیک ہولڈر (متعلقہ فریق) ایسی ایک سلائیڈ چاہتا ہے جس میں اس بات کا جواب ہو کہ آیا ‘چرن’ (churn - صارفین کے چھوڑ کر جانے کی شرح) میں اضافہ ہو رہا ہے اور کیوں۔
AI ٹول تیزی سے ایک وضاحتی متن (narrative) تیار کر سکتا ہے اور چارٹس تجویز کر سکتا ہے۔ تاہم، ان اعداد و شمار کی ذمہ داری اب بھی آپ ہی کی ہے۔ اگر پیشکش میں ‘چرن ریٹ’ غلط ہوا، تو اس کے نتیجے میں پیدا ہونے والے مسائل کی ذمہ داری آپ پر عائد ہوگی۔ AI نے میٹرک کی تعریف (metric definition) کی توثیق نہیں کی تھی، نہ ہی ‘جوائن کیز’ (join keys) کی جانچ کی تھی، اور جب فنانس ڈیپارٹمنٹ اس اعداد و شمار پر سوال اٹھائے گا تو AI کو جوابدہ نہیں ٹھہرایا جا سکتا۔
آئیے دیکھتے ہیں کہ کس طرح ایک مکمل (end-to-end) وضاحتی ورک فلو AI کی معاونت سے جڑتا ہے۔
LLM (لارج لینگویج ماڈل) متن تخلیق کرنے والا ایک ایسا ماڈل ہے جو ممکنہ طور پر اگلے آنے والے الفاظ کی پیش گوئی کرتا ہے۔ تجزیاتی کام میں اس کا مطلب یہ ہے کہ یہ نتائج کی تصدیق شدہ شکل کے بجائے، خلاصے اور اقدامات کے ممکنہ مسودے (candidates) تیار کرتا ہے۔
Prompt (پرامپٹ) وہ ہدایت ہے جو آپ ماڈل کو دیتے ہیں۔ اگر آپ ڈیٹا کی تقسیم یا زمرہ بندی (segmentation dimension) کی وضاحت نہیں کرتے، تو ماڈل عام طور پر مجموعی اوسط کا خلاصہ پیش کر دے گا اور اس پیٹرن (نمونے) کو نظر انداز کر دے گا جس کی وضاحت کرنے کا آپ نے کہا تھا۔ یہ پرامپٹ کی ناکامی ہے جس کے نتیجے میں رپورٹنگ میں مسائل پیدا ہو سکتے ہیں۔
Context window (کونٹیکسٹ ونڈو) سے مراد متن کی وہ محدود مقدار ہے جسے ماڈل ایک ہی وقت میں استعمال کر سکتا ہے۔ اگر آپ صرف KPI ٹیبل پیسٹ کرتے ہیں اور میٹرک کی تعریف شامل نہیں کرتے، تو ماڈل اعتماد کے ساتھ ایسی عدد (number) کی وضاحت کرے گا جسے وہ خود سمجھتا ہی نہیں ہے۔
Hallucination (ہیلوসিনیشن) سے مراد ایسا من گھڑت مواد ہے جسے حقیقت کے طور پر پیش کیا جائے۔ KPI پریزنٹیشن میں، ہیلوসিনیشن کی جھلک خود ساختہ محرکات (drivers)، من گھڑت تعریفوں، یا چارٹ کی ایسی وضاحت کی صورت میں نظر آتی ہے جو بنیادی ڈیٹا کے مجموعے (aggregation) سے مطابقت نہیں رکھتی۔
Tool use (ٹول کا استعمال) کا مطلب ہے کہ ماڈل بیرونی فنکشنز، جیسے کہ اسپریڈ شیٹ کیوری یا ڈیٹا بیس کنیکٹر، کو استعمال کر سکتا ہے۔ ٹولز کا استعمال رسائی کو بہتر بناتا ہے، درستگی کو نہیں۔ آپ کو پھر بھی اس بات کی تصدیق کرنی ہوتی ہے کہ فلٹرز، جوائنز (joins)، اور ‘نل’ (null) ویلیوز کو سنبھالنے کا طریقہ کار آپ کے مطلوبہ مقصد کے مطابق ہے۔
اس بات کا جائزہ لیں کہ یہ اصطلاحات درستگی، رازداری، اور آڈٹ کی اہلیت (auditability) سے متعلق خطرات پر کس طرح اثر انداز ہوتی ہیں۔
AI پہلے سے شمار شدہ (computed) نتائج کو سادہ اور واضح زبان میں بیان کرنے میں بہت ماہر ہے۔ آپ اس سے سلائیڈز کے عنوانات لکھوا سکتے ہیں، چارٹ پر تشریحی نوٹس لگوا سکتے ہیں، یا مزید تجزیاتی زاویے (جیسے plan_tier یا signup_cohort_month کی بنیاد پر ‘چرن’ یا صارفین کے چھوڑ جانے کی شرح کی درجہ بندی) تجویز کروا سکتے ہیں۔
AI ممکنہ پیٹرنز (patterns) یا رجحانات کو سامنے لانے کے لیے بھی مفید ہے۔ یہ ایک سمری ٹیبل کا جائزہ لے کر نشاندہی کر سکتا ہے کہ سبسکرپشن منسوخ کرنے کا عمل زیادہ تر Basic پلانز میں ہو رہا ہے، یا یہ کہ ‘چرن’ (صارفین کے چھوڑ جانے) میں اضافے سے پہلے سپورٹ ٹکٹس کی تعداد میں اضافہ ہوا تھا۔ یہ محض ایک مفروضہ (hypothesis) قائم کرنے کا عمل ہے، نہ کہ حتمی ثبوت۔
حقائق کی درستگی برقرار رکھنے کے معاملے میں AI کمزور ہے۔ اسے یہ معلوم نہیں ہوتا کہ آیا customers کے ڈیٹا میں customer_id منفرد (unique) ہے یا نہیں، آیا billing_events میں ماضی کا ڈیٹا (backfilled rows) شامل ہے، یا یہ کہ ‘چرن’ کی تعریف “30 دنوں تک ادائیگی نہ ہونا” ہے یا “واضح طور پر منسوخی”۔ یہ تعریف اور ڈیٹا کے معیار سے متعلق ایسے سوالات ہیں جن کا جواب آپ کو دینا ہوتا ہے، اور اگر آپ انہیں نظر انداز کرتے ہیں تو کسی بھی خرابی یا غلطی کی ذمہ داری آپ پر عائد ہوتی ہے۔
AI کی مدد سے تیار کردہ کسی بھی بیان کو شیئر کرنے سے پہلے، آپ کو کم از کم ایک عدد (figure) کا اصل ماخذ (source export) سے موازنہ کر کے تصدیق کرنی چاہیے اور میٹرک کی تعریف کو اپنے الفاظ میں بیان کرنا چاہیے۔ اسی عمل سے مسودہ قابلِ جانچ (auditable) بنتا ہے۔
اس بات کا موازنہ کریں کہ AI کے کون سے نتائج آپ براہِ راست دوبارہ استعمال کر سکتے ہیں اور کن کی تصدیق کرنا لازمی ہے۔