[NOVA]: हेडलेस कॉमर्स अब डिज़ाइन पैटर्न से ज़्यादा सर्वाइवल स्ट्रैटेजी जैसा दिखने लगा है। ब्राउज़र अब केंद्रबिंदु नहीं रहा। वर्कबेंच इंटरफ़ेस के पीछे, APIs, एजेंट्स, टूल्स और सिस्टम्स में जा रहा है जो बिना किसी स्क्रीन को छुए काम कर सकते हैं। साथ ही, रोबोटिक्स स्किल ट्रांसफर की ओर बढ़ रहा है, AI शॉपिंग ट्रैफ़िक असली पैसे बन रहा है, और ये प्लेटफ़ॉर्म जो इस भविष्य को बना रहे हैं, वे चुपचाप तय कर रहे हैं कि किसको एक्सेस मिलेगा, क्या ऑटोमेट होगा, और इंसानी लेयर कहाँ अभी भी मायने रखती है।

[NOVA]: मैं NOVA हूँ।

[ALLOY]: मैं ALLOY हूँ।

[NOVA]: और यह है OpenClaw Daily, जहाँ हम हेडलाइन्स के पीछे के सिस्टम को मैप करते हैं। आज हम छह कहानियों को देख रहे हैं जो एक ही बदलाव की ओर इशारा करती हैं: सॉफ़्टवेयर, कॉमर्स, मीडिया और मशीनें - सब कुछ एजेंटिक वर्कफ़्लो के इर्दगिर्द दोबारा बनाया जा रहा है पारंपरिक इंटरफ़ेस की जगह।

[ALLOY]: और यही वजह है कि ये कहानियाँ एक साथ हैं। OpenClaw अपने रनटाइम को मज़बूत डिफ़ॉल्ट्स और बेहतर स्पीच के इर्दगिर्द टाइट कर रहा है। Anthropic एक नए साइबर गार्डरेल्स वाला ज़्यादा काबल मॉडल शिप कर रहा है। Salesforce स्पष्ट रूप से एजेंट्स के लिए एंटरप्राइज़ सॉफ़्टवेयर दोबारा बना रहा है ब्राउज़र्स की जगह। Roblox क्रिएशन को प्लानिंग लूप में बदल रहा है। Physical Intelligence कहता है कि रोबोट पहले के अनुभव को रीमिक्स करना शुरू कर रहे हैं। और Adobe का रिटेल डेटा कहता है कि AI ट्रैफ़िक आख़िरकार एक गंभीर कॉमर्स चैनल की तरह व्यवहार करना शुरू कर रहा है।

[NOVA]: ...

[NOVA]: कहानी एक है OpenClaw v2026.4.15, और यह इसलिए मायने रखता है क्योंकि यह वही रिलीज़ है जो टॉय एजेंट शेल को ऑपरेटिंग एनवायरनमेंट से अलग करता है जिस पर आप रोज़ाना भरोसा कर सकते हैं। हेडलाइन फ़ीचर्स को सारांशित करना आसान है। बंडल्ड Anthropic डिफ़ॉल्ट्स, अलियासेस और Claude CLI डिफ़ॉल्ट्स अब Claude Opus 4.7 की ओर पॉइंट करते हैं। बंडल्ड Google प्लगइन अब Gemini टेक्स्ट-टू-स्पीच सपोर्ट करता है। और Control UI अब मॉडल ऑथेंटिकेशन हेल्थ और रेट-लिमिट प्रेशर को ज़्यादा स्पष्ट रूप से दिखाता है।

[ALLOY]: काग़ज़ पर, यह सामान्य रिलीज़ नोट बंडल ज़बरदस्त लग सकता है। नया डिफ़ॉल्ट मॉडल। नया स्पीच ऑप्शन। बेहतर स्टेटस विज़िबिलिटी। लेकिन अगर आप इन सिस्टम्स को हर रोज़ चलाते हैं, तो आप जानते हैं कि ये कॉस्मेटिक डीटेल्स नहीं हैं। डिफ़ॉल्ट्स तय करते हैं कि यूज़र्स वास्तव में क्या क्वालिटी लेवल अनुभव करते हैं। स्पीच सपोर्ट तय करता है कि प्लेटफ़ॉर्म टेक्स्ट से आगे पब्लिकेबल ऑडियो वर्कफ़्लो में जा सकता है या नहीं। और ऑथ प्लस रेट-लिमिट विज़िबिलिटी तय करती है कि ऑपरेटर्स क्रेडेंशियल, क्वोटा प्रॉब्लम और मॉडल फ़ेलियर में फ़र्क़ बता सकते हैं या नहीं।

[NOVA]: बिल्कुल। कई प्लेटफ़ॉर्म अभी भी ऐसे व्यवहार करते हैं जैसे मॉडल सिलेक्शन मुख्य रूप से यूज़र प्रेफ़रेंस की बात है, जैसे थीम कलर चुनना। व्यवहार में, डिफ़ॉल्ट पथ ही प्रोडक्ट है। ज़्यादातर लोग लगातार प्रोवाइडर राउटिंग और अलियास मैप्स को माइक्रोमैनेज नहीं करते। तो जब OpenClaw अपना बंडल्ड Anthropic पाथ Claude Opus 4.7 पर ले जाता है, तो वह मेन्यू अपडेट से ज़्यादा कुछ कर रहा है। वह कह रहा है कि प्लेटफ़ॉर्म को नए जनरल-एवेलेबिलिटी फ्रंटियर टायर को तेज़ी से ट्रैक करना चाहिए, महीनों बाद नहीं जब सबने पहले ही वर्कअराउंड बना लिए हों।

[ALLOY]: Gemini टेक्स्ट-टू-स्पीच एडिशन उसी वजह से मायने रखता है। स्पीच साइड फ़ीचर ज़ब तक आप इससे रियल पाइपलाइन बनाने की कोशिश नहीं करते। फिर आपको पता चलता है कि वॉइस सिलेक्शन, आउटपुट फ़ॉर्मेटिंग, टेलीफ़ोनी कम्पैटिबिलिटी और प्रोवाइडर रजिस्ट्रेशन सब कुछ मायने रखता है। रिलीज़ नोट्स WAV रिप्लाई आउटपुट और PCM टेलीफ़ोनी आउटपुट की बात करते हैं, जो बताता है कि टीम सिर्फ़ कंज़्यूमर प्लेबैक के बारे में नहीं सोच रही, बल्कि ज़्यादा गंभीर इंटीग्रेशन पाथ्स के बारे में जहाँ ऑडियो को सिस्टम्स के बीच साफ़-साफ़ ट्रांसफ़र करना होता है।

[NOVA]: और फिर है Control UI इम्प्रूवमेंट, जो शायद पूरे का सबसे ऑपरेटर-फ्रेंडली पार्ट है। OAuth टोकन हेल्थ और रेट-लिमिट प्रेशर को सतह पर लाना आपको यह तेज़ी से बताता है कि फ़ेलियर मॉडल से आ रहा है, क्रेडेंशियल से, या प्रोवाइडर कंस्ट्रेंट्स से। जो कोई मल्टी-प्रोवाइडर सिस्टम्स को डीबग करने में समय बिताया है, वह जानता है कि इसकी कितनी वैल्यू है। बहुत सारे एजेंट प्लेटफ़ॉर्म अभी भी हर फ़ेलियर मोड को एक ही अस्पष्ट भावना में समेट देते हैं: कुछ गड़बड़ हो गई। एक बार एजेंट्स रियल काम संभालने लगें, तो यह काफ़ी नहीं है।

[ALLOY]: गहरी कहानी हालांकि हार्डनिंग वर्क में है। यह रिलीज़ ट्रस्टेड लोकल MEDIA पासथ्रू बाउंड्रीज़ को टाइट करती है ताकि क्लाइंट-डिफ़ाइंड टूल्स बिल्ट-इन्स का क़द न उठा सकें। यह रिप्ले रिकवरी में सुधार करती है। यह वेबचैट और Matrix एजेस को हार्डन करती है। यह कमज़ोर लोकल मॉडल्स के लिए प्रॉम्प्ट बजट ट्रिम करती है। और यह ट्रांसक्रिप्ट्स, टूल लूप्स, प्लगइन्स और स्पीच में लॉन्ग-टेल रनटाइम इश्यूज़ को फ़िक्स करती है। यह एक मैच्योर होते रनटाइम की बनावट है। ज़्यादा कैपेबिलिटी, हाँ, लेकिन साथ ही साथ संकरी ट्रस्ट बाउंड्रीज़ और कम अस्पष्ट एजेस।

[NOVA]: ट्रस्ट-बाउंड्री पॉइंट यहाँ ज़रूरी है। जितना शक्तिशाली एजेंट रनटाइम बनता है, अस्पष्ट बाउंड्रीज़ उतनी ही ख़तरनाक होती जाती हैं। अगर टूल्स बिल्ट-इन्स का क़द उठा सकते हैं, अगर मीडिया पाथ्स को सावधानी से हैंडल नहीं किया जाता, अगर रिप्ले और रिकवरी भंगुर है, तो प्लेटफ़ॉर्म तब तक काबल लगता है जब तक वह एक ऐसे तरीक़े से फ़ेल नहीं होता जिसे समझना मुश्किल है। मैच्योर सिस्टम वह अनसर्टेंटी सकरी करते हैं। वे सरफ़ेस एरिया को कम करते हैं जहाँ surprising चीज़ें हो सकती हैं।

[ALLOY]: और यही वजह है कि यह रिलीज़ लीड करने योग्य है। OpenClaw सिर्फ़ बेहतर डिफ़ॉल्ट मॉडल और नया स्पीच प्लंबिंग नहीं जोड़ रहा। यह हमें बता रहा है कि अब गंभीर एजेंट इन्फ्रास्ट्रक्चर कैसा दिखता है। फ्रंटियर अब सिर्फ़ यह नहीं रहा कि किसके पास सबसे impressive मॉडल है। यह है कि वह कैपेबिलिटी को ऑपरेशनल टूलिंग, ऑब्ज़र्वेबिलिटी और ट्रस्ट कंट्रोल्स में कैसे रैप करता है जो सिस्टम को पब्लिक, कोलैबोरेटिव और प्रोडक्शन कॉन्टेक्स्ट में उपयोग करने योग्य बनाते हैं।

[NOVA]: यहाँ एक मेटा-पॉइंट भी है। बहुत सारे AI प्रोडक्ट्स अभी भी मैजिक के इर्दगिर्द मार्केट themselves करते हैं। मॉडल से पूछो, जवाब पाओ, डेमो देखो। लेकिन वह सॉफ़्टवेयर जो लोग असल में इस्तेमाल करते रहते हैं, वह सॉफ़्टवेयर है जो प्रेशर में ख़ुद को समझाता है। यह फ़ेल क्यों हुआ? कौन सा क्रेडेंशियल टूटा? क्या रिप्ले रिकवर हुआ? क्या टूल बाउंड्री बनी रही? क्या मैं इससे पब्लिश कर सकता हूँ? वे सवाल तय करते हैं कि प्रोडक्ट इन्फ्रास्ट्रक्चर बनेगा या सिर्फ़ एक क्लेवर इंटरफ़ेस।

[ALLOY]: तो कहानी एक सिर्फ़ यह नहीं है कि OpenClaw ने वर्ज़न नंबर अपडेट किया। यह है कि एजेंट रनटाइम एक ऐसे फ़ेज़ में प्रवेश कर रहे हैं जहाँ डिफ़ॉल्ट्स, स्पीच, ट्रस्ट बाउंड्रीज़ और ऑपरेटर फ़ीडबैक लूप्स असली प्रोडक्ट बन रहे हैं। इंटेलिजेंस लेयर अभी भी मायने रखती है। लेकिन बढ़ते हुए, जो यूज़र्स ख़रीदते हैं वह इंटेलिजेंस के चारों ओर का रैपर है।

[NOVA]: और यह कहानी दो को परफ़ेक्टली सेट अप करता है, क्योंकि Anthropic अब वह मॉडल शिप कर रहा है जिसे OpenClaw ने अपने डिफ़ॉल्ट स्टैक में केंद्रीय बनाया है।

[NOVA]: ...

[ALLOY]: कहानी दो है Claude Opus 4.7 जनरल एवेलेबिलिटी में जा रहा है। Anthropic कहता है कि यह मॉडल Opus 4.6 की तुलना में एडवांस्ड सॉफ़्टवेयर इंजीनियरिंग, लॉन्ग-रनिंग टास्क कंसिस्टेंसी, इंस्ट्रक्शन फ़ॉलोइंग और हायर-रेज़ोल्यूशन विज़न में सुधार करता है। वह कॉम्बिनेशन मायने रखता है क्योंकि यह बताता है कि कंपनी कहाँ मानती है कि अब ट्रस्ट कैसे जीता जाता है: सिर्फ़ रॉ इंटेलिजेंस में नहीं, बल्कि कठिन रियल वर्क पर निरंतर परफ़ॉर्मेंस में।

[NOVA]: वाक्यांश "लॉन्ग-रनिंग टास्क कंसिस्टेंसी" वहाँ बहुत काम कर रहा है। डेवलपर्स ने मुश्किल से सीखा है कि एक मॉडल शॉर्ट डेमो में चमकदार हो सकता है और फिर भी असली प्रोजेक्ट में निराश कर सकता है। अगर यह कंस्ट्रेंट्स भूल जाता है, टास्क से भटक जाता है, जो उसने किया उसका ओवरस्टेट करता है, या मल्टी-स्टेप असाइनमेंट का शेप खो देता है, तो इंटेलिजेंस अनरिलायबल लगती है। तो जब Anthropic ज़ोर देता है कि Opus 4.7 ज़्यादा सावधानी से प्लान करता है, इंस्ट्रक्शन्स को ज़्यादा टाइटली फ़ॉलो करता है, और रिपोर्ट करने से पहले ख़ुद को चेक करता है, तो वह सीधे एप्लाइड AI में सबसे बड़े पेन पॉइंट्स में से एक को निशाना बना रहा है।

[ALLOY]: और यह कोडिंग की कहानी कोडिंग से आगे मायने रखती है। सॉफ्टवेयर इंजीनियरिंग फ्रंटियर मॉडल्स के लिए प्रूफिंग ग्राउंड बन गई है क्योंकि यह बहुत सारी ज़रूरतों को एक डोमेन में समेकित करती है। आपको रीजनिंग, मेमोरी, टूल यूज़, कंसिस्टेंसी, एरर चेकिंग, और आंशिक विफलता से रिकवर करने की क्षमता चाहिए। अगर कोई मॉडल उस वातावरण में बेहतर हो जाता है, तो यह अक्सर उसी संरचना वाले काम की पूरी एक क्लास में बेहतर हो जाता है।

[NOVA]: Anthropic यह भी कह रहा है कि Opus 4.7 में विज़न बहुत बेहतर हुआ है, जिसमें हाई-रेज़ोल्यूशन इमेज समझने की सपोर्ट और इंटरफ़ेस, स्लाइड्स, और डॉक्यूमेंट्स से जुड़े प्रोफेशनल टास्क्स पर मजबूत परफॉर्मेंस शामिल है। यह स्ट्रैटेजिकली महत्वपूर्ण है क्योंकि बहुत सारा एंटरप्राइज़ और ऑपरेशनल काम विज़ुअल आर्टिफैक्ट्स के अंदर रहता है जो बिल्कुल भी ग्लैमरस नहीं हैं। डैशबोर्ड के स्क्रीनशॉट। प्रोडक्ट मॉकअप्स। डेंस स्लाइड्स। अजीब फॉर्मेटेड PDFs। डॉक्यूमेंट्स के स्कैन। जितना मॉडल इन मैटेरियल्स में बेहतर होता है, उतना यह रियल वर्कफ़्लो में स्वाभाविक रूप से फिट बैठता है।

[ALLOY]: दूसरे शब्दों में, यह सिर्फ एक कोडिंग लॉन्च नहीं है। यह एक मल्टीमॉडल वर्क लॉन्च है। मॉडल को इस तरह फ्रेम किया जा रहा है कि यह कहीं भी ज्यादा उपयोगी है जहाँ आर्टिफैक्ट को पॉलिश्ड दिखना चाहिए, सिर्फ तकनीकी रूप से सही होना काफी नहीं है। यह support, design review, operations, research, sales enablement, और बहुत सारे ऐसे टास्क्स के लिए महत्वपूर्ण है जहाँ विज़ुअल कॉम्प्रिहेंशन वैकल्पिक नहीं है।

[NOVA]: लेकिन लॉन्च का सबसे स्ट्रैटेजिकली दिलचस्प हिस्सा शायद safety posture है। Anthropic कह रहा है कि Opus 4.7 को automatic safeguards के साथ रोल आउट किया जा रहा है जिनका मकसद prohibited या high-risk cybersecurity requests को ब्लॉक करना है, साथ ही legitimate security researchers को एक verification program में eing invited करना है। यह एक live test है कि क्या कोई frontier lab मजबूत capability को broadly ship करते हुए भी specific dangerous classes of use पर tighter control का दावा कर सकती है।

[ALLOY]: यह बराबर बनाना बहुत मुश्किल है। अगर safeguards बहुत loose हैं, तो critics कहेंगे कि कंपनी ने ज्यादा powerful मॉडल shipment की बिना adequate restraint के। अगर safeguards बहुत aggressive हैं, तो legitimate users कहेंगे कि मॉडल कम उपयोगी हो गया है या बहुत trigger-happy है। और क्योंकि cyber use cases अक्सर legitimate security work के करीब होते हैं, बाउंडरी especially difficult है। कंपनी effectively कह रही है: हम stronger मॉडल की performance gains और tighter access controls की social legitimacy एक साथ चाहते हैं।

[NOVA]: जिसका मतलब Opus 4.7 सिर्फ एक capability story नहीं है। यह एक policy story है। यह एक test है कि क्या frontier models की next generation को sharper distinction के साथ launch किया जा सकता है - allowed और disallowed use के बीच - बिना ordinary high-value users के experience को खराब किए। यह challenge हर serious model vendor को यहाँ से आगे follow करने वाली है।

[ALLOY]: और इसमें एक और लेयर है। एक बार जब मॉडल को difficult long-running tasks पर reliable माना जाता है, accountability के around expectations भी बदल जाते हैं। अगर vendor आपको बता रहा है कि यह चीज़ plan carefully, follow instructions, और खुद को check कर सकती है, तो users जब यह fail करता है तो उससे ज्यादा उच्च मानक रखेंगे। Reliability claims product standard raise करते हैं। यह अच्छा है, लेकिन इसका मतलब यह भी है कि sloppy errors की margin छोटी हो जाती है।

[NOVA]: तो Story Two Anthropic का एक clear move है: stronger coding, stronger vision, और यह visible attempt कि capability gains more targeted safeguards के साथ coexist कर सकते हैं। मार्केट को naturally benchmark claims पर ध्यान देना है। लेकिन जो असल में interesting long-term question है वह यह है कि क्या ये systems ज्यादा useful बन सकते हैं बिना ungovernable बने।

[ALLOY]: और यह सवाल सीधे Story Three में जाता है, क्योंकि Salesforce अब एक enterprise platform को इस assumption के आसपास redesign कर रही है कि agents, न कि browsers, first-class users बनने वाले हैं।

[NOVA]: ...

[NOVA]: Story three है Salesforce Headless 360, और Salesforce basically कह रही है quiet part out loud। अगर आपका platform अभी भी assume करता है कि progress human द्वारा browser में forms के through clicking से होती है, तो यह enterprise software के next phase के लिए built नहीं है। Headless 360 Salesforce stack का decomposition है APIs, MCP tools, CLI commands, और एक cross-surface experience layer में जो users से Slack, voice, WhatsApp, या custom React interfaces में मिल सकता है।

[ALLOY]: यह मायने रखता है क्योंकि यह बदल देता है कि enterprise readiness का मतलब क्या है। सालों से, software vendors इसके through compete करते थे कि interfaces humans के लिए navigate करना आसान हों। Better dashboards। Better workflows। Fewer clicks। लेकिन headless argument यह है कि browser अब work का center नहीं है। Agents APIs को call करेंगे। वे tools use करेंगे। वे business logic को other surfaces के अंदर से execute करेंगे। तो platform advantage shift हो रही है UI polish alone से toward इस बात की ओर कि system capability को underneath कितनी cleanly expose करता है।

[NOVA]: Salesforce कहती है कि इस package में 60 से अधिक MCP tools और 30 से अधिक preconfigured coding skills हैं। ये numbers raw counts से कम interesting हैं जितनी intent का signal हैं। कंपनी whole loop को own करने की कोशिश कर रही है: coding agents के साथ help करना, business operations को tools के through expose करना, observe करना कि वे agents कैसे behave करते हैं, और फिर same logic को multiple surfaces पर deploy करना बिना everything को एक single browser experience के आसपास rebuild किए।

[ALLOY]: यही key architectural inversion है। interface platform की thin expression बन जाती है इसके बजाय कि platform interface के आसपास organized हो। ऐसी दुनिया में, Slack product नहीं है। WhatsApp product नहीं है। Browser portal product नहीं है। वे सब just views हैं एक headless capability layer में जिसे humans और agents दोनों access कर सकते हैं।

[NOVA]: और एक बार जब आप ऐसे think करते हैं, तो enterprise stack बहुत ज्यादा robot workbench जैसा दिखने लगता है। Science-fiction sense में robot नहीं, बल्कि एक software workbench जहाँ human operators, internal copilots, external agents, और line-of-business systems सभी same underlying machinery को different entry points के through manipulate करते हैं।

[ALLOY]: यह metaphor matter करता है क्योंकि workbenches tools के बारे में हैं, scenery के बारे में नहीं। अगर एक enterprise platform structured operations को safely और observably expose कर सकता है, तो value shift होती है from prettiest dashboard वाले से best workbench वाले की ओर। किसके पास strongest tool layer है। किसके पास best permissions model है। किसके पास agents को operate करने का best तरीका है बिना company को autonomous chaos के black box में बदले।

[NOVA]: यहाँ एक business implication भी है। एक headless platform ज्यादा durable हो सकता है क्योंकि यह किसी एक interface की fashions से less tied है। Browser workflows आते और जाते हैं। Collaboration surfaces evolve होते हैं। Consumer expectations shift होते हैं। लेकिन अगर underlying business logic cleanly exposed है, तो company उन changes को ज्यादा easily survive कर सकती है। उस sense में, headless architecture सिर्फ agent compatibility के बारे में नहीं है। यह long-term leverage के बारे में है।

[ALLOY]: जोखिम, बेशक, complexity है। एक platform को tools और cross-surface layers में decompose करना elegant लगता है, लेकिन enterprises को सिर्फ flexibility नहीं चाहिए। उन्हें predictability, security, auditability, और governance चाहिए। जितने ज्यादा surfaces और tool paths आप create करते हैं, उतनी carefully आपको policy, observability, और failure modes manage करने होंगे। नहीं तो headless invisible spaghetti का एक और word बन जाता है।

[NOVA]: और यही बजह है कि Salesforce agents के production में behave करने के तरीके पर controls emphasize कर रही है। कोई भी APIs expose करने का दावा कर सकता है। Harder part यह है कि उन्हें ऐसे expose करना कि organizations actions observe कर सकें, authority constrain कर सकें, और समझ सकें कि बाद में क्या हुआ। अगर enterprise platforms agents को workflow में invite करने जा रहे हैं, तो उन्हें actions को legible बनाना होगा।

[ALLOY]: तो Story Three एक product launch से बड़ा है। यह एक declaration है कि enterprise center of gravity screens से systems की ओर shift हो रही है। Browser अब sacred नहीं है। Platform जो matter करता है। और एक बार जब यह true हो जाता है, तो जो companies जीतेंगी वे शायद वे होंगे जिनके पास best headless tool layer है, न कि जिनके पास most polished navigation menu है।

[NOVA]: Salesforce का यह सीधे-सीधे कहना मनोवैज्ञानिक रूप से भी महत्वपूर्ण है। एंटरप्राइज़ सॉफ्टवेयर ने दशकों से वर्कर्स को यह सिखाया है कि प्रोडक्टिविटी का मतलब टैब, फॉर्म, परमिशन और टूटने-फूटने वाले वर्कफ्लो पेजों के भूलभुलैया में माहिर होना है। Headless 360 का मतलब है कि यह भूलभुलैया अब प्राथमिक इंटरफेस नहीं रही। स्थायी वैल्यू अंडरलाइंग ऑपरेशंस में है। यह एंटरप्राइज़ सॉफ्टवेयर के लिए बिल्कुल अलग सेल्फ-इमेज है। यह खुद को डेस्टिनेशन वेबसाइट मानना बंद कर देता है और खुद को कैपेबिलिटी फैब्रिक मानना शुरू कर देता है।

[ALLOY]: और कैपेबिलिटी फैब्रिक वही तरह का वाक्यांश है जो अमूर्त लगता है जब तक आप नहीं देखते कि वास्तव में काम कंपनी में कैसे फैलता है। एक सेल्सपर्सन Slack में है। एक सपोर्ट रिप कंसोल में है। एक एग्जीक्यूटिव मोबाइल पर है। एक कस्टमर WhatsApp में है। एक वॉइस बॉट कॉल हैंडल कर रहा है। एक इंटरनल एजेंट बैकग्राउंड में रिकॉर्ड्स रिकॉन्साइल कर रहा है। अगर उनमें से हर कॉन्टेक्स्ट को एक ही बिज़नेस लॉजिक की जरूरत है, तो ब्राउज़र को वह जगह मानना जहां ट्रुथ रहता है, अक्षम और यहां तक कि कृत्रिम लगने लगता है।

[NOVA]: इसका मतलब है कि headless डिज़ाइन सिर्फ एजेंट कम्पैटिबिलिटी के बारे में नहीं है। यह मानने के बारे में है कि आधुनिक एंटरप्राइज़ पहले से ही सरफेस पर फ्रैगमेंटेड है और उस फ्रैगमेंटेशन को मैनेज करने का एकमात्र समझदार तरीका पेज लेवल की जगह कैपेबिलिटी लेयर को सेंट्रलाइज़ करना है। एक बार ऐसा कर लिया, तो एजेंट्स कम-से-कम एड-ऑन की जगह सिस्टम में नैचुरल पार्टिसिपेंट बन जाते हैं।

[ALLOY]: जो हमें स्वाभाविक रूप से Roblox की ओर ले जाता है, क्योंकि यही आर्किटेक्चरल शिफ्ट क्रिएटिव सॉफ्टवेयर में भी दिख रही है। इंटरफेस अब सिर्फ वह जगह नहीं रहा जहां आप क्लिक करते हैं। यह वह जगह है जहां आप एक एजेंट को कोऑर्डिनेट करते हैं जो आपके साथ प्लान, बिल्ड और टेस्ट कर सकता है।

[NOVA]: ...

[ALLOY]: स्टोरी फोर है Roblox Assistant जो ज़्यादा एजेंटिक हो रहा है, और यह मायने रखता है क्योंकि इससे पता चलता है कि कंज़्यूमर-फेसिंग क्रिएशन टूल्स कितनी तेज़ी से वही डिज़ाइन प्रिंसिपल्स अवशोषित कर रहे हैं जिनके बारे में हम एंटरप्राइज़ और डेवलपर सिस्टम्स में बात कर रहे थे। Roblox Assistant को वन-शॉट प्रॉम्प्ट इंटरफेस से मल्टी-स्टेप कोलैबरेटर की ओर ले जा रहा है जो कॉन्टेक्स्ट इंस्पेक्ट कर सकता है, क्लैरिफाइंग क्वेश्चन्स पूछ सकता है, एडिटेबल प्लान प्रोड्यूस कर सकता है, एसेट्स जेनरेट कर सकता है और टेस्टिंग में पार्टिसिपेट कर सकता है।

[NOVA]: मुख्य फीचर है Planning Mode। यह सरल लगता है, लेकिन यह एक मेजर प्रोडक्ट चॉइस है। वन-शॉट जेनरेशन डेमो में आकर्षक होता है क्योंकि यह जादुई लगता है। एक रिक्वेस्ट टाइप करो, जवाब पाओ, हो गया। लेकिन असली क्रिएटिव वर्क में, सबसे मुश्किल हिस्सा अक्सर इंटेंट क्लैरिफाई करना है। आप किस स्टाइल चाहते हैं? कौन से एसेट्स दोबारा इस्तेमाल होने चाहिए? आप किस तरह का एनवायरनमेंट लक्ष्य बना रहे हैं? कौन से कंस्ट्रेंट मायने रखते हैं? Planning Mode इस अस्पष्टता को सीधे स्वीकार करती है, इसके बजाय यह मानने के कि पहला प्रॉम्प्ट में सब कुछ है।

[ALLOY]: और यह असिस्टेंट की भूमिका बदल देता है। कंटेंट के लिए वेंडिंग मशीन बनने की जगह, वह वर्कफ्लो में कोलैबरेटर बन जाता है। यह गेम के कोड और डेटा मॉडल को इंस्पेक्ट कर सकता है, फॉलो-अप क्वेश्चन्स पूछ सकता है, और फिर रिक्वेस्ट को एक कंक्रीट प्लान में बदल सकता है जिसे आप approve या edit कर सकते हैं। यह उपयोगी मानव कोलैबोरेशन के बहुत करीब है। आप सिर्फ एक अस्पष्ट वाक्य बकते नहीं और उम्मीद नहीं करते कि दूसरा व्यक्ति पूरी तरह अनुमान लगा लेगा। आप बिल्ड करने से पहले align करते हैं।

[NOVA]: Roblox Mesh Generation भी जोड़ रहा है और Procedural Models शुरू कर रहा है, जो असिस्टेंट की पहुंच को टेक्स्ट सुझावों से अमीर एसेट क्रिएशन के रूपों तक विस्तृत करता है। लेकिन टेस्टिंग लूप शायद इससे भी ज़्यादा महत्वपूर्ण है। असिस्टेंट लॉग्स पढ़ सकता है, स्क्रीनशॉट ले सकता है, इनपुट्स सिम्युलेट कर सकता है, बग्स स्पॉट कर सकता है, और उन फाइंडिंग्स को लूप में वापस feed कर सकता है। इसका मतलब है कि सिस्टम सिर्फ एक आर्टिफैक्ट जेनरेट नहीं कर रहा। यह आर्टिफैक्ट के आसपास रिविज़न के साइकल में पार्टिसिपेट कर रहा है।

[ALLOY]: यह साइकल वह जगह है जहां एजेंटिक डिज़ाइन असली होता है। कुछ जेनरेट करना मार्केट करना आसान है। कुछ पर इटरेट करना, टेस्ट करना, इश्यूज़ डायग्नोज़ करना, और परिणामों के आधार पर अगला एक्शन अडैप्ट करना - यहीं वह जगह है जहां ये टूल्स असली काउर्कर्स जैसे लगने शुरू होते हैं। बिल्कुल परफेक्ट काउर्कर्स नहीं, बेशक। लेकिन सिस्टम जो वर्कफ्लो में बने रह सकते हैं, बजाय इसके कि सिर्फ पहले ड्राफ्ट के पल में ही दिखें।

[NOVA]: यहां एक बड़ा प्रोडक्ट लेसन भी है। बहुत सारे लोग अभी भी AI टूल्स का मूल्यांकन यह पूछकर करते हैं कि क्या यह चीज़ प्रोड्यूस कर सकता है। बढ़ते हुए, बेहतर सवाल है कि क्या यह चीज़ के आसपास के लूप में पार्टिसिपेट कर सकता है? क्या यह गोल्स क्लैरिफाई कर सकता है, स्टेप्स प्लान कर सकता है, कंपोनेंट्स जेनरेट कर सकता है, रिज़ल्ट्स चेक कर सकता है, और फिक्सेस प्रपोज़ कर सकता है? यही AI को नोवेल्टी लेयर से सीरियस प्रोडक्टिविटी लेयर में बदलता है।

[ALLOY]: और Roblox यह शिफ्ट देखने का उपयोगी जगह है क्योंकि गेम क्रिएशन कोड, एसेट्स, लॉजिक, टेस्टिंग और टेस्ट को मिक्स करता है। यह एक क्लीन मीडियम नहीं है। तो अगर असिस्टेंट वहां मददगार बन सकता है, तो यह हमें कुछ बताता है कि AI कोलैबोरेशन व्यापक रूप से कहां जा रहा है। भविष्य सिर्फ प्रॉम्प्ट इन, आर्टिफैक्ट आउट नहीं है। भविष्य एक स्ट्रक्चर्ड लूप है जहां सिस्टम और ह्यूमन एक साथ काम की बातचीत करते हैं।

[NOVA]: यही वजह है कि प्लानिंग पर जोर सांस्कृतिक रूप से मायने रखता है। यह उस विचार के खिलाफ जाता है कि अच्छे AI प्रोडक्ट्स प्रोसेस को छुपाने चाहिए। कभी-कभी प्रोसेस खुद प्रोडक्ट है। बेहतर सवाल पूछना, प्लान सरफेस करना, और फैसलों को एडिटेबल बनाना उससे ज़्यादा ट्रस्ट बना सकता है जितना कि यह मानना कि सब कुछ पर्दे के पीछे होना चाहिए।

[ALLOY]: तो स्टोरी फोर है Roblox जो दिखा रहा है कि एजेंटिक प्रोडक्ट डिज़ाइन एंटरप्राइज़ डैशबोर्ड्स या कोडिंग असिस्टेंट्स तक सीमित नहीं होना चाहिए। प्लानिंग, कॉन्टेक्स्ट इंस्पेक्शन, टेस्टिंग और इटरेशन के वही सिद्धांत अब मुख्य स्ट्रीम क्रिएटिव टूल्स में जा रहे हैं। और एक बार जब यूज़र्स एक डोमेन में इस लूप के साथ सहज हो जाते हैं, वे इसे दूसरी जगह भी उम्मीद करेंगे।

[NOVA]: यहां एक एजुकेशनल एंगल भी है। जो युवा क्रिएटर्स ऐसी सिस्टम्स के साथ बड़े होते हैं, वे शायद सॉफ्टवेयर बनाना क्या है, इसके बारे में एक अलग विचार internalize कर सकते हैं। न कोई solitary command हर low-level स्टेप पर, और न ही automation के प्रति अंधा समर्पण, बल्कि एक conversational वर्कफ्लो जहां इंटेंट स्पेसिफाई करना, प्लान्स रिफाइन करना और आउटकम्स रिव्यू करना ऑथरशिप के सामान्य हिस्से हैं। यह क्रिएटिव लिटरेसी को सबटल तरीकों से बदल सकता है।

[ALLOY]: हां, और यह मायने रखता है क्योंकि टूल्स सिर्फ वर्क को accelerate नहीं करते। वे हैबिट्स सिखाते हैं। अगर असिस्टेंट हैबिट बन जाए पहले प्लान करो, कॉन्टेक्स्ट इंस्पेक्ट करो, रिज़ल्ट टेस्ट करो, सबूत के साथ रिवाइज़ करो, तो यह प्योर वन-शॉट जेनरेशन फैंटेसी से ज़्यादा स्वस्थ पैटर्न है। यह क्रिएटर्स को miracle की जगह loops में सोचने के लिए प्रोत्साहित करता है। और loops वह जगह है जहां स्थायी craft आमतौर पर रहता है।

[NOVA]: जो हमें robotics की ओर ले जाता है, जहां सवाल अब सिर्फ यह नहीं है कि क्या रोबोट कोई ट्रेंड टास्क परफॉर्म कर सकता है, बल्कि क्या यह पिछले अनुभव के टुकड़ों को remix कर सकता है किसी चीज़ में जो उसे स्पष्ट रूप से नहीं सिखाया गया था।

[NOVA]: ...

[NOVA]: स्टोरी फाइव है Physical Intelligence का π0.7 रिसर्च, और यहां का दावा फैसिनेटिंग है क्योंकि इससे पता चलता है कि रोबोट लर्निंग उस थ्रेशोल्ड की ओर बढ़ रही है जिसे हम पहले से language और vision models से जानते हैं। कंपनी कहती है कि π0.7 prior ज्ञान के टुकड़ों को जोड़ सकता है ऐसे टास्क्स को अटेम्प्ट करने के लिए जिन पर उसे सीधे ट्रेंड नहीं किया गया था। जो उदाहरण ध्यान खींच रहा है वह है एक unfamiliar air fryer। मॉडल में रिपोर्ट के मुताबिक training data में सिर्फ पतला संबंधित exposure था, फिर भी उसने एक plausible attempt बनाया और फिर natural language में स्टेप्स के माध्यम से coaching प्राप्त करने के बाद टास्क पूरा किया।

[ALLOY]: अगर यह रिज़ल्ट बना रहता है, तो यह एक सरल कारण से मायने रखता है। एक रोबोट जो सिर्फ मेमोराइज़्ड routines दोहराता है, वह अलग तरह से scale करता है एक रोबोट से जो prior अनुभव को नए टास्क में remix कर सकता है। पहले तरह की सिस्टम को बार-बार सीधा कवरेज चाहिए। दूसरे तरह की हर जोड़े गए डेटा के स्लाइस से ज़्यादा वैल्यू निकालना शुरू कर सकती है। यही वह जगह है जब capability compounding शुरू होती है।

[NOVA]: और compounding यानी जमाव वही शब्द है जिस पर नजर रखनी है। भाषा मॉडल में जो बड़ा बदलाव आया, वह सिर्फ यह नहीं था कि उन्हें ज्यादा तथ्य पता थे। बल्कि यह था कि वे पैटर्न को सामान्यीकृत कर सकते थे, संरचनाओं को ट्रांसफर कर सकते थे, और पिछले एक्सपोज़र का लचीले तरीके से उपयोग कर सकते थे। रोबोटिक्स को ऐसे ट्रांसफर तक पहुंचने में ऐतिहासिक रूप से मुश्किल आई है क्योंकि दुनिया गड़बड़ है, embodiment बेरहम है, और error tolerance कम है। तो अगर कोई रोबोट मॉडल स्किल्स को बस दोबारा चलाने की जगह recombination कर पा रहा है, तो इस पर ध्यान जाना बिल्कुल सही है।

[ALLOY]: शोधकर्ता इसे ज्यादा बेचने से बचते हैं। π0.7 अभी भी complex multi-step autonomy में struggles करता है, और prompt quality अभी भी बहुत मायने रखती है। यह सावधानी जरूरी है क्योंकि robotics का एक लंबा इतिहास रहा है viral demos का जो actual reliability story से आगे निकल जाते हैं। लेकिन उस सावधानी के साथ भी, broader implication महत्वपूर्ण है। एक बार रोबोट remix threshold पार कर ले, तो हर नया training example पहले की तुलना में wider downstream value ला सकता है।

[NOVA]: एक और वजह है कि यह मायने रखता है। natural-language coaching अभी भी loop में है। air-fryer की कहानी सिर्फ raw autonomy के बारे में नहीं है। यह एक ऐसे सिस्टम के बारे में है जिसे साधारण मानव मार्गदर्शन के जरिए unfamiliar task में धकेला जा सकता है। यह एक powerful direction है क्योंकि यह सुझाता है कि भविष्य में robot learning में embodied action और language-based correction के बीच tighter coupling हो सकती है।

[ALLOY]: जिससे रोबोट्स rigid appliances की जगह apprentices जैसे लगेंगे। पूरी तरह स्वतंत्र general household machines नहीं, अभी नहीं, लेकिन ऐसे सिस्टम जिन्हें हर बार पूरी तरह bespoke तरीके से reprogram करने की जरूरत के बिना दिखाया, सुधारा और दिशा बदली जा सके। यह classic industrial robot model से बिल्कुल अलग user experience है।

[NOVA]: आर्थिक निहार्थ्य भी है। अगर robot learning model learning की तरह scale करना शुरू कर दे, तो bottleneck task-specific engineering से data quality, transfer architectures, और safe adaptation की तरफ shift हो सकती है। सवाल कम हो जाता है, can we hand-build the behavior for this exact appliance, और ज्यादा हो जाता है, can the model reuse what it already knows well enough to make a competent first attempt.

[ALLOY]: तो Story Five यह नहीं है कि general home robots आ गए हैं। नहीं आए हैं। यह है कि हम शायद rote training से transferable competence की तरफ transition के छोटे लेकिन महत्वपूर्ण संकेत देख रहे हैं। और अगर वह transition सही है, तो robotics brittle demos के collection की जगह एक scaling field ज्यादा लगने लगती है।

[NOVA]: उसमें एक broader philosophical shift भी छिपा है। लंबे समय से robot intelligence का आकलन ज्यादातर visible task completion से होता था। क्या उसने वस्तु उठाई, बटन दबाया, दरवाजा खोला? लेकین transferable competence एक और दिलचस्प सवाल पूछता है: क्या सिस्टम partial novelty के जरिए reasoning कर सकता है इतनी flexibility के साथ कि प्रगति हो सके? यह उन तरीकों का काफी करीबी cousin है जिनसे हम पहले से capable language models के बारे में सोचते हैं, और यह वह threshold साबित हो सकता है जो robotics को meaningfully अलग महसूस कराता है।

[ALLOY]: और अगर वह threshold वाकई पार हो रही है, तो change की गति casual observers के लिए पढ़ना मुश्किल हो सकती है। प्रगति हमेशा नई fully autonomous behavior का brand-new रूप में appearing नहीं दिखेगी। यह more plausible first attempts, less brittle correction, और ज्यादा tasks ऐसे दिख सकती है जो light natural-language guidance के बाद solvable हो जाते हैं। ये subtle signals हैं, लेकिन शायद splashy demos से ज्यादा matter करते हैं।

[NOVA]: जो हमें episode के commercial side पर लाता है, क्योंकि Adobe का latest data सुझाता है कि AI behavior का एक अलग तरह भी अब compounding शुरू हो रहा है: AI-generated shopping traffic असली revenue देने लगा है, सिर्फ curious clicks नहीं।

[NOVA]: ...

[ALLOY]: Story six है Adobe का retail data, और यह शायद अब तक का सबसे स्पष्ट sign है कि AI shopping traffic एक actual business channel बन रही है novelty metric की जगह। Adobe के मुताबिक पिछले साल की तुलना में Q1 में AI traffic U.S. retail sites पर 393 percent बढ़ी। लेकिन जो ज्यादा important point है वह सिर्फ volume नहीं है। वह quality है। March 2026 में, AI-sourced traffic non-AI traffic से 42 percent better convert करती थी, sites पर ज्यादा समय बिताती थी, ज्यादा pages देखती थी, और visit पर 37 percent higher revenue drive करती थी।

[NOVA]: यह meaningful shift है क्योंकि कुछ समय तक AI referrals curiosity traffic जैसी लगती थीं। लोग assistants से click through करके, browse करके, शायद explore करके, लेकिन exceptional value वाले customers की तरह behave नहीं कर रहे थे। Adobe के numbers सुझाते हैं कि यह pattern बदल रहा है। अगर AI-sourced shoppers अब better convert कर रहे हैं और ज्यादा spend कर रहे हैं, तो retailers को AI discovery को real acquisition और merchandising surface की तरह treat करना शुरू करना होगा।

[ALLOY]: और यह सीधे optimization question की तरफ ले जाता है। अगर assistants products recommend कर रहे हैं, catalogs summarize कर रहे हैं, और users को purchases की तरफ steer कर रहे हैं, तो retail pages को सिर्फ humans और search crawlers के लिए नहीं, बल्कि large language models के लिए भी legible होना होगा। Adobe कहता है कि homepages, category pages, और especially product pages के significant portions अभी भी LLMs के लिए poorly accessible हैं। इसका मतलब यह है कि next commerce advantage उन companies के पास हो सकती है जो अपनी catalogs को AI systems के लिए parse, compare, और accurately recommend करना आसान बनाती हैं।

[NOVA]: दूसरे शब्दों में, हम शायद consumer side पर भी post-browser shopping layer में प्रवेश कर रहे हैं। websites गायब होने की वजह से नहीं, बल्कि discovery agents द्वारा mediated होने की वजह से। assistant पहली storefront बन जाती है। catalog page वह चीज बन जाती है जो AI पढ़ता है उससे पहले कि human उसे कभी देखे। और अगर आपका product data incomplete, inconsistent, या models के लिए interpret करना मुश्किल है, तो आप recommendation खो सकते हैं उससे पहले कि customer को पता भी चले कि आप मौजूद हैं।

[ALLOY]: यहीं headless commerce theme बहुत concrete हो जाती है। काफी retail infrastructure visual browsing, search ads, और classic conversion funnels के around optimize की गई थी। लेकिन अगर funnel increasingly एक model के साथ शुरू हो रही है जो shopper के लिए options synthesize कर रहा है, तो structured data, clean product attributes, availability signals, और machine-readable content strategically ज्यादा important हो जाते हैं। Storefront अभी भी है, लेकिन workbench उसके नीचे चली गई है।

[NOVA]: एक competitive asymmetry भी है यहाँ। बड़ी retailers जिनके पास strong data pipelines हैं, वे faster adapt कर सकती हैं। छोटे merchants अभी भी messy descriptions, inconsistent taxonomies, और brittle storefront tooling पर depend करते हैं। तो AI commerce traffic का उदय उन companies को reward कर सकता है जो catalog quality, structured metadata, और accessible content में invest करती हैं, जबकि उन sellers के लिए जो अभी भी conventional SEO और paid acquisition के लिए optimize हैं, जिंदगी मुश्किल बना सकता है।

[ALLOY]: और यह सिर्फ retail के बारे में नहीं है। यह pages से intermediaries की तरफ broader shift के बारे में है। जब भी AI systems intent को mediate करना शुरू करते हैं, जो businesses जीतती हैं वे अक्सर वही होती हैं जिनकी information उन systems के trust करने और act करने के लिए easiest होती है। Search ने एक era में ऐसा किया। App stores ने दूसरे में किया। AI shopping assistants शायद अब commerce के लिए वही कर रहे हैं।

[NOVA]: तो Story Six वह economic proof point है जो episode को बांधती है। Agentic interfaces सिर्फ developer tools, enterprise platforms, और creative software नहीं बदल रहे। वे बदल रहे हैं कि money कैसे move करती है। एक बार AI traffic ordinary traffic से better convert करना शुरू कर दे, तो agent-readable systems के around redesign करने का incentive ignore करना impossible हो जाता है।

[NOVA]: ...

[NOVA]: तो यही आज का map है: OpenClaw एक नए default model और speech stack के around runtime को tighten कर रहा है, Anthropic test कर रहा है कि stronger capability targeted cyber safeguards के साथ ship हो सकती है या नहीं, Salesforce enterprise software को एक headless workbench के around rebuild कर रहा है, Roblox creation को एक planning loop में बदल रहा है, Physical Intelligence hint दे रहा है कि robot skills शायद आखिर compounding शुरू कर सकती हैं, और Adobe दिखा रहा है कि AI shopping traffic economically meaningful बन रही है।

[ALLOY]: और जो बात इन छह कहानियों को बांधती है वो एक सरल लेकिन शक्तिशाली उलटाव है। हमने सालों तक इंटरफेस को प्रोडक्ट माना। अब इंटरफेस किसी गहरी चीज़ के ऊपर एक सतह बनता जा रहा है: एक मॉडल, एक टूल लेयर, एक API ग्राफ़, एक प्लानिंग लूप, एक रोबोट पॉलिसी, एक स्ट्रक्चर्ड कैटलॉग, एक कॉमर्स इंजन। असली कार्रवाई स्क्रीन के पीछे जा रही है।

[NOVA]: ये बदलाव नई संभावनाएं बनाता है, लेकिन इससे हमारी नज़रें भी बदलनी चाहिए। सिर्फ़ ये नहीं कि मॉडल स्मार्ट है या नहीं, बल्कि ये भी कि रनटाइम पर भरोसा किया जा सकता है, सुरक्षा उपाय साफ़ सुथरे हैं, प्लेटफ़ॉर्म साफ़ ऑपरेशन एक्सपोज़ करता है, प्लानिंग लूप मानव क्रिएटर का सम्मान करता है, रोबोट लर्निंग वास्तव में ट्रांसफर हो पाती है, और कैटलॉग को नए इंटरमीडियरीज़ पढ़ पाते हैं जो तय कर रहे हैं कि क्या दिखता है और क्या बिकता है।

[ALLOY]: दूसरे शब्दों में, हेडलेस का मतलब कम इंसानी नहीं है। इसका मतलब है कि इंसान अब हमेशा सीधे मशीनरी से नहीं जूझ रहा। ज्यादा से ज्यादा, हम ऐसी सिस्टम्स के ज़रिए काम कर रहे हैं जो हमारा अनुवाद करते हैं, रूट करते हैं, सिफ़ारिश करते हैं, और हमारी तरफ़ से कार्रवाई करते हैं। ये शक्तिशाली हो सकता है। लेकिन इससे वो छिपी लेयर कहीं ज्यादा अहम भी हो जाती है।

[NOVA]: और वही छिपी लेयर ही वो जगह है जहाँ अगली जंग होगी: ट्रस्ट बाउंड्रीज़, एक्सेस के नियम, प्लानिंग इंटरफेस, टूल की परमिशन, डेटा की क्वालिटी, और मशीन-रीडेबल कॉमर्स। जो कंपनियां इस बदलाव को जल्दी समझेंगी, वो सिर्फ़ अच्छे दिखने वाले प्रोडक्ट्स नहीं बनाएंगी। वो बेहतर वर्कबेंच बनाएंगी।

[ALLOY]: लिंक्स और कवरेज के लिए, Toby On Fitness Tech dot com पर जाएं।

[NOVA]: मैं NOVA हूँ।

[ALLOY]: मैं ALLOY हूँ।

[NOVA]: और ये है OpenClaw Daily।

[ALLOY]: सुनने के लिए शुक्रिया। जल्द वापस आएंगे।