ChatGPT का मॉडल राउटर रोलबैक: यूज़र फ़ीडबैक की ताकत

प्लेटफ़ॉर्म अक्सर “स्मार्ट” बनना चाहते हैं—इतना स्मार्ट कि यूज़र को पता भी न चले कि पर्दे के पीछे क्या बदल रहा है। लेकिन 2025 में, जब AI टूल्स रोज़मर्रा के काम (कंटेंट, रिसर्च, ग्राहक सपोर्ट, यहाँ तक कि प्रॉपर्टी लिस्टिंग) का हिस्सा बन चुके हैं, तब अदृश्य बदलाव ही सबसे बड़ा जोखिम बन जाते हैं। इसी संदर्भ में OpenAI द्वारा ChatGPT के मॉडल राउटर सिस्टम को ज़्यादातर यूज़र्स के लिए रोलबैक करना एक साधारण “प्रोडक्ट अपडेट” नहीं है—यह एक साफ़ केस स्टडी है कि यूज़र व्यवहार और बैकलैश AI अनुभव को कैसे आकार देता है।

RSS सार के मुताबिक, OpenAI ने ChatGPT के फ्री टियर में मौजूद एक फीचर को हटाया/पीछे किया, जो पिछली गर्मियों में यूज़र्स की नाराज़गी (user revolt) का कारण बना था। पूरा लेख उपलब्ध नहीं है, लेकिन संकेत स्पष्ट हैं: लोगों ने आउटपुट की स्थिरता, गुणवत्ता, और नियंत्रण पर सवाल उठाए—और कंपनी को कदम पीछे लेना पड़ा।

यह पोस्ट “रियल एस्टेट और प्रॉपटेक में AI” सीरीज़ का हिस्सा है। वजह सीधी है: प्रॉपटेक में हम भी मॉडल-आधारित सिस्टम बनाते हैं—लीड स्कोरिंग, प्राइस एस्टीमेशन, डिमांड एनालिसिस, कंटेंट ऑटोमेशन—और अगर यूज़र को लगे कि सिस्टम “मनमर्जी” कर रहा है, तो भरोसा टूटता है।

मॉडल राउटर रोलबैक असल में बताता क्या है?

सीधी बात: मॉडल राउटर का मकसद सही काम के लिए सही मॉडल चुनना है, लेकिन अगर यूज़र को परिणाम अनिश्चित लगने लगें, तो “ऑटो-सेलेक्शन” भरोसे को नुकसान पहुँचा देता है।

“Model routing” आम तौर पर यह करता है कि आपका सवाल/टास्क देखकर सिस्टम तय करे कि कौन-सा मॉडल (तेज़/सस्ता बनाम अधिक सक्षम/महंगा) चलाया जाए। फ्री टियर में यह अक्सर लागत और स्केलिंग के लिए जरूरी हो जाता है। समस्या वहाँ आती है जहाँ:

• एक ही तरह के प्रॉम्प्ट पर अलग-अलग दिनों में अलग गुणवत्ता मिले
• आउटपुट का टोन या फैक्ट-हिट रेट अचानक बदल जाए
• यूज़र यह न समझ पाए कि “आज यह कमजोर क्यों है?”

OpenAI का रोलबैक इस बात का संकेत है कि यूज़र अनुभव में स्थिरता (consistency) केवल “अच्छा-हो-तो-ठीक” वाली चीज़ नहीं—यह प्रोडक्ट की बुनियाद है।

यूज़र revolt का पैटर्न: तकनीक नहीं, भरोसा मुद्दा होता है

जब लोग नाराज़ होते हैं, तो वे “राउटर” शब्द नहीं बोलते। वे कहते हैं:

• “पहले बेहतर जवाब आते थे।”
• “अब टालमटोल करता है।”
• “एकदम जनरल बातें करता है।”

यानी शिकायत टेक्निकल नहीं—अनुभवात्मक होती है। और यही मीडिया, एंटरटेनमेंट, और प्रॉपटेक—तीनों में समान है।

मीडिया/एंटरटेनमेंट में इससे क्या सीख मिलती है?

मुख्य सीख: AI प्लेटफ़ॉर्म्स अब “एल्गोरिदमिक परफेक्शन” नहीं, “ऑडियंस की अपेक्षाओं” के हिसाब से खुद को ढाल रहे हैं।

मीडिया और मनोरंजन में AI का सबसे बड़ा उपयोग कंटेंट पर्सनलाइज़ेशन, रील/शॉर्ट्स की स्क्रिप्टिंग, थंबनेल/टाइटल आइडिएशन, और ऑडियंस इनसाइट्स में होता है। ऐसे में मॉडल राउटर जैसा सिस्टम आकर्षक लगता है—हर काम के लिए अलग मॉडल। लेकिन दर्शक/यूज़र को अगर लगे कि:

• उनका ब्रांड टोन टूट रहा है
• हर एपिसोड/पोस्ट का “वॉइस” बदल रहा है
• एक दिन वही प्रॉम्प्ट शानदार, दूसरे दिन औसत

तो क्रिएटर और टीम का भरोसा हिल जाता है। मेरी राय में, कंटेंट टीमों के लिए “स्टेबल आउटपुट” KPI होना चाहिए, सिर्फ स्पीड या कॉस्ट नहीं।

“ऑटो” बनाम “कंट्रोल”: क्रिएटर्स क्या चाहते हैं

क्रिएटर्स, एडिटर्स और प्रोड्यूसर्स आम तौर पर यह चाहते हैं:

1. कंट्रोल: कौन-सा मॉडल/मोड इस्तेमाल हो रहा है, कम से कम संकेत तो मिले
2. प्रिडिक्टेबिलिटी: एक ही ब्रीफ पर आउटपुट बार-बार लगभग समान क्वालिटी रखे
3. रीजनिंग का भरोसा: दावे कम हों, फैक्ट्स चेक-योग्य हों

रोलबैक इसी दिशा में पढ़ा जा सकता है: जब “ऑटोमैटिक” अनुभव विरोध झेलता है, तो कंपनियाँ सरल, स्पष्ट, और स्थिर अनुभव पर लौटती हैं।

प्रॉपटेक में यह रोलबैक क्यों महत्वपूर्ण है?

क्योंकि रियल एस्टेट का कारोबार भरोसे पर चलता है। और AI अगर “काला डिब्बा” लगे, तो एजेंट, बिल्डर और खरीदार—तीनों दूरी बना लेते हैं।

रियल एस्टेट और प्रॉपटेक में AI के उपयोग केस अक्सर हाई-स्टेक होते हैं:

• AI प्राइस एस्टीमेशन / संपत्ति मूल्यांकन
• डिमांड फोरकास्टिंग / मांग विश्लेषण
• लीड क्वालिफिकेशन और कॉल स्क्रिप्टिंग
• लिस्टिंग डिस्क्रिप्शन और विज्ञापन कॉपी जनरेशन
• स्मार्ट बिल्डिंग मैनेजमेंट (मेंटेनेंस टिकट्स, ऊर्जा ऑप्टिमाइज़ेशन)

इनमें “राउटिंग” जैसे निर्णय (कब कौन-सा मॉडल चलाना है) सीधे आउटपुट की विश्वसनीयता को प्रभावित करते हैं। उदाहरण:

• अगर किसी दिन मॉडल कंज़र्वेटिव हो जाए और कीमत कम बताए, तो सेलर का भरोसा टूटता है
• अगर मॉडल हैलुसिनेट करके “मेट्रो 2 मिनट” लिख दे, जबकि हकीकत 12 मिनट है, तो ब्रांड पर चोट लगती है
• अगर एक ही लोकेशन के लिए डिमांड स्कोर अलग-अलग दिखे, तो टीम उसे “AI का मूड” कहकर खारिज कर देती है

प्रॉपटेक में AI का लक्ष्य सिर्फ ऑटोमेशन नहीं—ऑडिटेबल भरोसा है।

केस-स्टडी स्टाइल उदाहरण: लिस्टिंग कंटेंट में मॉडल राउटिंग की गलती

मान लीजिए आपकी कंपनी 20,000 लिस्टिंग्स के लिए ऑटो-कॉपी जनरेट करती है:

• “तेज़ मॉडल” चुनने पर कॉपी जल्दी बनेगी, पर तथ्यात्मक गलतियाँ बढ़ सकती हैं
• “बेहतर मॉडल” चुनने पर कॉपी सटीक होगी, पर लागत/लेटेंसी बढ़ेगी

अगर राउटर कभी तेज़, कभी बेहतर मॉडल चुनता रहे—बिना बताये—तो QA टीम पागल हो जाएगी और सेल्स टीम कहेगी “AI भरोसेमंद नहीं।” OpenAI का रोलबैक यही याद दिलाता है: यूज़र को अनिश्चितता नहीं चाहिए।

AI सिस्टम्स के लिए 5 व्यावहारिक नियम (यूज़र बैकलैश से बचने के लिए)

ये नियम खासकर प्रॉपटेक टीमों, मीडिया स्टूडियोज़, और कंटेंट ऑप्स के लिए काम के हैं।

1) “स्टेबिलिटी” को फ़ीचर मानिए, साइड-इफेक्ट नहीं

एक ही टास्क पर आउटपुट का उतार-चढ़ाव कम रखें। इसके लिए:

• टेम्परेचर/सैंपलिंग को सीमित करें
• प्रॉम्प्ट टेम्पलेट्स लॉक करें
• “गोल्डन सेट” पर नियमित रिग्रेशन टेस्ट चलाएँ (जैसे 200 मानक प्रॉम्प्ट)

2) राउटिंग हो तो एक्सप्लेनेबल हो

यूज़र को कम-से-कम यह पता चले:

• किस मोड/क्लास का मॉडल चला (स्पीड/क्वालिटी)
• आउटपुट में भरोसे का स्तर क्या है (जैसे “लो/मीडियम/हाई कॉन्फिडेंस”)

यह “टेक डिटेल” नहीं, विश्वास की रसीद है।

3) हाई-स्टेक काम के लिए “सेफ मोड” तय करें

रियल एस्टेट में कुछ आउटपुट्स कानूनी/प्रतिष्ठा जोखिम बढ़ाते हैं:

• कीमत, रेंट, ROI जैसे दावे
• लोकेशन/कनेक्टिविटी/लीगल स्टेटस
• बिल्डिंग सुविधाएँ (अगर वे सत्यापित न हों)

इनके लिए:

• केवल सत्यापित डेटा से जनरेशन
• अनिवार्य डिस्क्लेमर टेम्पलेट
• मानवीय समीक्षा (कम-से-कम सैंपल बेस्ड)

4) यूज़र फ़ीडबैक को “डेटा” नहीं, “डिज़ाइन इनपुट” मानें

थम्ब्स-डाउन, शिकायतें, और “पहले बेहतर था” जैसी बातें—इन्हें सिर्फ सपोर्ट टिकट न बनाएं। इन्हें जोड़कर देखें:

• कौन-से टास्क में शिकायत ज्यादा है?
• किस समय/लोड पर गुणवत्ता गिरती है?
• क्या आउटपुट टोन बदल रहा है?

यहीं से प्रोडक्ट निर्णय निकलते हैं—जैसे OpenAI का रोलबैक।

5) बदलावों को छोटे समूह में टेस्ट करें, फिर रोलआउट

फ्री-टियर या बड़े यूज़र बेस में “साइलेंट” बदलाव सबसे खतरनाक होते हैं। बेहतर तरीका:

1. 5% यूज़र्स पर A/B टेस्ट
2. स्पष्ट चेंज-नोट्स (कम-से-कम एडमिन/पावर यूज़र्स के लिए)
3. बैकलैश मेट्रिक्स: शिकायत दर, रीटेंशन, री-जनरेट रेट

“People Also Ask” स्टाइल: वही सवाल जो आपकी टीम पूछेगी

क्या मॉडल राउटर हमेशा खराब आइडिया है?

नहीं। स्केलिंग और लागत नियंत्रण के लिए यह उपयोगी है। खराब तब होता है जब यह अनुमान से बाहर व्यवहार करने लगे और यूज़र को पता न चले कि आउटपुट क्यों बदला।

प्रॉपटेक में मॉडल राउटिंग कब सही बैठती है?

जब टास्क स्पष्ट रूप से विभाजित हों। जैसे:

• FAQ/बेसिक सपोर्ट: तेज़ मॉडल
• कानूनी/कीमत/डेटा-सेंसिटिव कॉपी: उच्च-गुणवत्ता मॉडल + वेरिफिकेशन
• एनालिटिक्स समरी: उच्च-गुणवत्ता मॉडल + सोर्स्ड नंबर

बैकलैश से पहले कौन-से संकेत दिखते हैं?

• “Regenerate” का बढ़ना
• आउटपुट को एडिट करने में लगने वाला समय बढ़ना
• कंटेंट/कॉल स्क्रिप्ट्स का ब्रांड टोन से हटना
• सपोर्ट में “पहले जैसा नहीं रहा” वाली शिकायतें

अब आपकी टीम क्या करे (लीड-फोकस्ड, प्रैक्टिकल अगला कदम)

अगर आप मीडिया/एंटरटेनमेंट या प्रॉपटेक में AI लागू कर रहे हैं, तो इस रोलबैक को एक चेतावनी की तरह लें: ऑटोमेशन का मूल्य तभी है जब भरोसा बना रहे।

मेरे हिसाब से सबसे असरदार अगला कदम यह है: अपनी AI पाइपलाइन का एक “स्टेबिलिटी ऑडिट” करें—केवल 2 हफ्ते का।

• 50 सबसे आम प्रॉम्प्ट चुनें (लिस्टिंग, प्राइस समरी, कॉल स्क्रिप्ट)
• हर प्रॉम्प्ट को 5 बार अलग समय पर चलाएँ
• क्वालिटी, फैक्ट-एरर, टोन-मैच को स्कोर करें
• जहाँ उतार-चढ़ाव ज्यादा है, वहाँ राउटिंग/सेटिंग्स स्थिर करें

सवाल आपके लिए: आपके यूज़र्स किस जगह “कंट्रोल” चाहते हैं—और आप उन्हें वह कंट्रोल दिखा रहे हैं या छुपा रहे हैं?