हमने मैन्युफैक्चरिंग के लिए एक AI agent बनाया: यहाँ बताया गया है कि इसकी लागत क्या थी और यह क्या करता है

बिल्ड, विस्तार से

हमने Multi-Agent Manufacturing System पर एक case study प्रकाशित की है जो हमने ship की — 31% downtime reduction, 90 दिन, आदि। वहाँ की संख्याएँ वास्तविक हैं। यह post उनके पीछे की बातों को खोलती है: लागत, जटिलता, क्या पहली बार में काम किया, क्या नहीं।

यह वास्तव में क्या करता है

छह विशेषज्ञ agents — Production Monitor, Maintenance Scheduler, Quality Anomaly, Inventory/Reorder, Energy Optimization, Shift Briefing — एक 40-मशीन sheet metal प्लांट में 24/7 चल रहे हैं। वे एक shared event bus (Postgres) के माध्यम से संवाद करते हैं। हर alert WhatsApp और मौजूदा supervisor dashboard के माध्यम से एक इंसान तक पहुँचता है।

कोई भी agent अपने आप कोई भौतिक कार्रवाई नहीं करता। इंसान हमेशा trigger खींचते हैं।

बिल्ड लागत

Fixed-fee Sprint: 12 सप्ताह। कुल बिल्ड लागत $90K–$120K loaded की रेंज में थी। Engagement-specific कारकों ने संख्या को प्रभावित किया:

• Data integration कार्य। SCADA, ERP, operator tablets — तीन सिस्टम तीन अलग access patterns के साथ। पहला महीना लगभग पूरी तरह से data plumbing था।
• On-prem edge gateway। Latency और data-residency आवश्यकताओं का मतलब था कि हमने एक edge gateway deploy किया। Hardware मामूली था (NUC-class), लेकिन deployment कार्य ने 2 सप्ताह जोड़े।
• एक के बजाय छह agents। प्रत्येक agent अपने tools, eval suite, और observability hooks के साथ एक अलग LangGraph workflow है। Agents 2–6 की marginal लागत agent 1 से बहुत कम थी, लेकिन यह अभी भी वास्तविक है।

रन लागत

लॉन्च के बाद मासिक परिचालन लागत लगभग $1,800/महीना है:

• Anthropic API खर्च: $1,200/महीना (shift volume के साथ भिन्न होता है)
• Edge gateway compute + cloud reasoning: $400/महीना
• Observability + logging: $200/महीना

इसके ऊपर एक Monthly Retainer ($X — इसे 60 घंटे/महीना कहें), जिसका उपयोग किया गया: साप्ताहिक model retraining, प्लांट में नई मशीनें जोड़े जाने पर eval coverage, दूसरी तिमाही में दो नए agent जोड़।

क्या पहली बार में काम किया

• प्रति भूमिका एक agent। संगठन चार्ट को mirror करना सही मानसिक मॉडल निकला। Operators ने इसे तुरंत समझ लिया।
• WhatsApp routing। Operators ईमेल नहीं पढ़ते और dashboard पर नहीं बैठते। WhatsApp एकमात्र चैनल था जो मायने रखता था।
• Event bus के रूप में Postgres। Kafka overkill था। Postgres पहले से stack में था। Kafka को छोड़ने से 2 सप्ताह बचे।

हम क्या अलग तरीके से करते

• Shift handoffs पर अधिक गहन discovery। Shift Briefing Agent dark-horse जीत था, लेकिन हमने इसे underspec किया। दो सप्ताह और discovery से format तेज़ी से सही हो जाता।
• Maintenance Scheduler पर सख्त eval। यह agent calendar निर्णय लेता है; eval signal पिछड़ रहा था। हमने week 8 में एक synthetic test harness जोड़ा — week 1 में होना चाहिए था।
• v1 में LightGBM छोड़ दिया। हमने downtime prediction के लिए classical ML layered किया। पीछे मुड़कर देखें तो, simple thresholding v1 में 80% value cover कर लेता, और ML v2 में आ सकता था जब agent पर भरोसा हो जाता।

ऐसे बिल्ड को green-light देने से पहले क्या पूछें

1. क्या आपका डेटा सुलभ है? SCADA + ERP + operator inputs सभी को plumbing की ज़रूरत थी। यदि आपका डेटा vendors के पीछे locked है, तो timeline दोगुनी करें।
2. क्या आपके पास एक human-in-loop owner है? Shift पर supervisor वह है जो agent के signals पर कार्रवाई करता है। यदि वह ownership स्पष्ट नहीं है, तो पहले एक dashboard बनाएँ, बाद में agent।
3. क्या आप इसे चलाने के लिए तैयार हैं? Monthly retraining और eval coverage 5–15 घंटे/महीना की प्रतिबद्धता है। यदि कोई इसका मालिक नहीं है, तो model drift करता है और आप agent को दोष देते हैं।
4. क्या downtime लागत ईमानदार है? हमारे client को अपनी प्रति घंटे की downtime लागत पाई-पाई पता थी। इससे ROI गणित स्पष्ट हो गई। यदि आप अपनी 20% के भीतर ballpark नहीं कर सकते, तो पहले वह करें।

आपके लिए इसकी लागत क्या होगी

इसका एक scoped संस्करण — मान लीजिए 6 के बजाय 2–3 agents, कोई on-prem आवश्यकता नहीं, साफ़ डेटा — 8–10 सप्ताह में $50K–$75K loaded चलता है। On-prem, multi-site, या भारी ML component के साथ, $90K–$150K की योजना बनाएँ।

यदि गणित काम नहीं करती, तो यह काम नहीं करती। हम आपको call पर बता देंगे।