एजेंटिक एआई को विश्वसनीय एसेट डेटा के बिना विफल होने की संभावना है

एजेंटिक एआई एसेट-इंटेंसिव उद्योगों में चर्चा से तैनाती तक तेजी से आगे बढ़ रहा है। जेनरेटिव एआई के विपरीत, जो जानकारी को सारांशित करता है या सिफारिशें तैयार करता है, एजेंटिक एआई एक लक्ष्य ले सकता है, इसे चरणों में तोड़ सकता है, कई प्रणालियों से डेटा निकाल सकता है और उस पर कार्रवाई कर सकता है। यह रखरखाव इतिहास की समीक्षा कर सकता है, खुले कार्य आदेशों की जांच कर सकता है, चालक दल के कार्यक्रमों की तुलना कर सकता है और मानवीय हस्तक्षेप की आवश्यकता के बिना सिफारिश कर सकता है।

यह क्षमता ही है जिसकी वजह से इतने सारे संगठन इसको अपनाने के लिए तेजी से आगे बढ़ रहे हैं। 2026 गार्टनर सीआईओ और प्रौद्योगिकी कार्यकारी सर्वेक्षण के अनुसार, केवल 17% संगठनों ने एआई एजेंटों को तैनात किया है, जबकि 60% से अधिक संगठन अगले दो वर्षों के भीतर ऐसा करने की उम्मीद करते हैं। यह किसी भी अन्य उभरती प्रौद्योगिकी की तुलना में तेजी से है।

मैंने जिन तैनातियों का समर्थन किया है, उनमें टीमें अक्सर एक単ल ऑपरेशनल निर्णय लेने के लिए प्रणालियों, स्प्रेडशीट, निरीक्षण नोट्स और ईमेल के बीच स्विच करती हैं। एजेंटिक एआई उस घर्षण को कम करने का वादा करता है, योजनाकारों को तेजी से काम तैयार करने में मदद करता है और तकनीशियनों को संस्थागत स्मृति पर निर्भर किए बिना एसेट इतिहास का स्पष्ट चित्र प्रदान करता है।

लेकिन यह वादा एक पकड़ के साथ आता है जिसे तैनाती की जल्दी में आसानी से अनदेखा किया जा सकता है: मेरे अनुभव से, एजेंटिक एआई एक मॉडलिंग समस्या से अधिक एक ऑपरेशनल विश्वास समस्या है।

एसेट-इंटेंसिव उद्योगों जैसे कि उपयोगिताएं, परिवहन, खनन, दूरसंचार और विनिर्माण में, एक एआई एजेंट उतना ही अच्छा है जितना डेटा वह अभिनय कर रहा है। यदि वह डेटा अधूरा, पुराना या असंगत है, तो एजेंट आवश्यक रूप से जोर से विफल नहीं होता है। यह आत्मविश्वास से विफल हो सकता है, गलत एसेट पर काम की सिफारिश कर सकता है, एक निर्भरता को याद कर सकता है, जोखिम को कम आंक सकता है या प्राथमिकता देने में गलती कर सकता है।

एक एजेंट को खराब डेटा खिलाएं, और यह बुद्धिमत्ता को स्केल नहीं करेगा। यह ऑपरेशनल जोखिम को स्केल करेगा।

एक ही पुरानी डेटा समस्याएं, एक नए गति से

एजेंटिक एआई द्वारा उजागर डेटा गुणवत्ता समस्याएं नई नहीं हैं। 17 से अधिक वर्षों में प्रणालियों और उद्यम एसेट प्रबंधन तैनाती पर काम करने के दौरान, मैंने बार-बार उन्हीं समस्याओं को देखा है: दोहराए गए रिकॉर्ड, गायब एसेट संबंध, असंगत नामकरण सम्मेलन, पुराने महत्वपूर्ण रेटिंग, और खराब विफलता कोडिंग वर्षों से।

जो बदला है वह इन समस्याओं की प्रकृति नहीं है, लेकिन उनकी संभावित पहुंच है।

एक अनुभवी तकनीशियन एक खराब रिकॉर्ड को पकड़ सकता है trước कि वह इसके आधार पर कार्रवाई करे, संस्थागत ज्ञान का उपयोग करता है जो कभी भी प्रणाली में कब्जा नहीं किया गया था। एक एआई एजेंट उस विवेक का उपयोग नहीं कर सकता है। यह मानव द्वारा मैनुअल रूप से समीक्षा की जाने वाली तुलना में बहुत तेजी से हजारों रिकॉर्ड संसाधित कर सकता है, एक ही दोषपूर्ण धारणा को लागू करता है जब तक कि कोई इसे नोटिस नहीं करता है।

व्यापक उद्यम कार्यान्वयन समस्या पहले से ही दिखाई दे रही है। 2025 की एक प्रारंभिक एमआईटी प्रोजेक्ट नांदा रिपोर्ट में पाया गया कि 95% संगठनों ने अपनी जेनरेटिव एआई पहलों से मापने योग्य लाभ-हानि प्रभाव नहीं प्राप्त किया है। रिपोर्ट ने इस अंतर को मुख्य रूप से सीखने और एकीकरण अंतराल के लिए जिम्मेदार ठहराया, जिसमें ऐसे उपकरण शामिल थे जो संदर्भ को बनाए नहीं रख सकते थे या मौजूदा कार्य प्रवाह के लिए प्रभावी ढंग से अनुकूलन कर सकते थे। एसेट-इंटेंसिव ऑपरेशन में, जहां एक खराब सिफारिश डैशबोर्ड के बजाय भौतिक उपकरण को प्रभावित कर सकती है, एआई महत्वाकांक्षा और डेटा वास्तविकता के बीच यह अंतर और भी परिणामी है।

जहां खराब डेटा एक असुरक्षित निर्णय बन जाता है

ऑपरेशनल सेटिंग्स में, वे परिणाम भौतिक हो जाते हैं।

रखरखाव प्राथमिकता लें। यदि एक एजेंट एक हालिया विफलता, एक देरी से काम आदेश, या एक एसेट की स्थिति में परिवर्तन नहीं देख सकता है, तो यह गलत प्राथमिकता सौंप सकता है। इससे एक क्षेत्र में अनावश्यक काम बन सकता है जबकि एक अधिक महत्वपूर्ण जोखिम अन्य जगह पर हल नहीं हो पाता है।

जोखिम तब और बढ़ जाते हैं जब एसेट संबंध स्वयं गलत होते हैं। यह वह परिदृश्य है जो एक लाल झंडा उठाता है। यदि एक प्रणाली सटीक रूप से यह प्रतिबिंबित नहीं करती है कि कौन से एसेट जुड़े हुए हैं, कौन से उपकरण को काम शुरू करने से पहले अलग किया जाना चाहिए, या किस साइट पर कौन से प्रतिबंध लागू होते हैं, तो इसकी सिफारिशें वास्तव में असुरक्षित हो सकती हैं।

यही कारण है कि संगठनों को सावधानी से विचार करना चाहिए trước कि वे एजेंटिक एआई को महत्वपूर्ण निर्णयों पर पूरी स्वायत्तता दें। स्वेच्छिक एनआईएसटी एआई जोखिम प्रबंधन फ्रेमवर्क एक ऐसा ढांचा प्रदान करता है जो एक एआई प्रणाली के जीवन चक्र में विश्वसनीयता को शामिल करता है, न कि केवल तैनाती के बाद। एआई जानकारी इकट्ठा कर सकता है, विकल्पों को सामने ला सकता है और एक सिफारिश के पीछे के साक्ष्य को सारांशित कर सकता है। हालांकि, जब सुरक्षा, अनुपालन या सेवा विश्वसनीयता दांव पर होती है, तो लोगों को शामिल रहने की आवश्यकता होती है।

कम से कम शुरुआत में, लक्ष्य समर्थन निर्णय लेने वाला एआई होना चाहिए, न कि अकेले निर्णय लेने वाला एआई।

क्यों उद्यम एसेट प्रबंधन नींव है, न कि बैक ऑफिस

उद्यम एसेट प्रबंधन, या ईएएम, वह जगह है जहां ऑपरेशनल वास्तविकता का आयोजन किया जाता है। यह वह जगह है जहां कार्य आदेश, रखरखाव रणनीतियों, निरीक्षण, अनुमोदन, एसेट संबंध और उपकरण इतिहास दर्ज और प्रबंधित किए जाते हैं।

एक मजबूत ईएएम नींव एक एआई एजेंट को विश्वसनीय ऑपरेशनल डेटा प्रदान करती है जिसके साथ काम करना है। एक कमजोर नींव को तुरंत उजागर किया जा सकता है। एक ईवाई विश्लेषण एआई-सक्षम उद्यम एसेट प्रबंधन ने वास्तविक समय डेटा और विश्लेषण की भूमिका पर भी जोर दिया है संगठनों को प्रतिक्रियात्मक से प्रोक्टिव मेंटेनेंस में ले जाने के लिए।

ईएएम को एक बैक-ऑफिस प्रणाली के रूप में नहीं बल्कि ऑपरेशनल नियंत्रण परत के हिस्से के रूप में माना जाना चाहिए। यह आकार देता है कि एआई क्या एक्सेस कर सकता है, जिन प्रक्रियाओं का पालन करना होगा, जिस साक्ष्य पर यह निर्भर करता है और जहां मानव अनुमोदन अभी भी आवश्यक है।

ईएएम एक ऑपरेशनल निर्णय के पीछे संदर्भ भी प्रदान करता है। एक रखरखाव सिफारिश को केवल एक व्यक्तिगत एसेट की स्थिति पर आधारित नहीं होनी चाहिए। यह एसेट की महत्वपूर्णता, हाल की विफलताओं, जुड़े उपकरण, उपलब्ध भागों, सुरक्षा प्रक्रियाओं, चालक दल की उपलब्धता और व्यापक ऑपरेशन पर डाउनटाइम के प्रभाव पर भी निर्भर कर सकती है।

उस संदर्भ के बिना, यहां तक कि एक तकनीकी रूप से परिष्कृत एआई एजेंट भी गलत कार्रवाई की सिफारिश कर सकता है।

क्या आपका डेटा वास्तव में “एआई तैयार” है?

एक व्यापक और अमूर्त डेटा-गुणवत्ता समीक्षा शुरू करने के बजाय, संगठनों को एक विशिष्ट उपयोग के मामले के साथ शुरू करना बेहतर होगा, जैसे कि एआई-सहायता प्राप्त रखरखाव योजना और लक्षित प्रश्न पूछना।

वे पहले प्रश्न हैं जो मैं पूछता हूं: क्या हम एसेट हायरार्की पर भरोसा करते हैं? क्या विफलता इतिहास विश्वसनीय है? क्या नौकरी योजनाएं वर्तमान हैं? क्या चालक दल की उपलब्धता सटीक है? क्या सुरक्षा योजनाएं अद्यतित हैं?

डेटा को परिपूर्ण होने की आवश्यकता नहीं है। कुछ संगठनों के पास कभी भी परिपूर्ण ऑपरेशनल डेटा नहीं होगा। यह सटीक, वर्तमान और अच्छी तरह से प्रबंधित होना चाहिए ताकि एआई वास्तव में निर्णय लेने वाले लोगों का समर्थन कर सके।

यह दृष्टिकोण डेटा सुधार को भी अधिक प्रबंधनीय बनाता है। पूरे संगठन में हर रिकॉर्ड को साफ करने का प्रयास करने के बजाय, टीमें चयनित उपयोग के मामले से सीधे प्रभावित जानकारी पर ध्यान केंद्रित कर सकती हैं।

गलत होने के जोखिम समान रूप से वितरित नहीं किए जाते हैं। जहां डिजिटल निर्णय भौतिक ऑपरेशनों को प्रभावित करते हैं, वे सबसे बड़े जोखिम को वहन करते हैं, जो एनआईएसटी क्रिटिकल इंफ्रास्ट्रक्चर ऑपरेटरों के लिए विश्वसनीय एआई के लिए एक समर्पित एआई जोखिम प्रबंधन फ्रेमवर्क प्रोफाइल विकसित कर रहा है। एक कम जोखिम वाली प्रक्रिया में, एक खराब एआई सिफारिश असुविधा या अतिरिक्त काम का कारण बन सकती है। एक बिजली ग्रिड, जल प्रणाली, खदान, परिवहन नेटवर्क या दूरसंचार वातावरण में, यह सुरक्षा को प्रभावित कर सकता है, डाउनटाइम का कारण बन सकता है, अनुपालन समस्याएं पैदा कर सकता है या सेवा को बाधित कर सकता है।

इसका मतलब यह नहीं है कि इन उद्योगों को एजेंटिक एआई से बचना चाहिए। इसका मतलब है कि उन्हें डेटा गुणवत्ता, शासन और मानव पर्यवेक्षण के बारे में अधिक सावधानी से विचार करना चाहिए trước कि वे इसकी जिम्मेदारियों को बढ़ाएं।

एजेंटिक एआई के लिए एक व्यावहारिक मार्ग

एक व्यावहारिक कार्यान्वयन मार्ग एक विशिष्ट उपयोग के मामले से शुरू होता है जहां एआई अतिरिक्त जोखिम के बिना मूल्य जोड़ सकता है।

इसके बाद, संगठन को उस डेटा को मैप करना चाहिए जिस पर उपयोग का मामला निर्भर करता है और ईमानदारी से आकलन करना चाहिए कि क्या उस जानकारी पर भरोसा किया जा सकता है। टीमें सबसे महत्वपूर्ण एसेट डेटा को सही करनी चाहिए, स्पष्ट स्वामित्व सौंपना चाहिए और यह मानक बनाना चाहिए कि कैसे काम, विफलताएं और ऑपरेशनल परिवर्तन दर्ज किए जाते हैं।

एआई को मौजूदा शासन प्रक्रियाओं के भीतर काम करना चाहिए, न कि उनके चारों ओर। प्रारंभिक चरणों में, एजेंट योजनाकारों, विश्वसनीयता टीमों और तकनीशियनों का समर्थन कर सकता है जो जानकारी इकट्ठा करते हैं, पैटर्न की पहचान करते हैं और संभावित कार्रवाई की सिफारिश करते हैं।

यह संगठन को एजेंट की सिफारिशों की तुलना वास्तविक परिणामों से करने, डेटा अंतराल की पहचान करने और यह पुष्टि करने का समय देता है कि आवश्यक नियंत्रण काम कर रहे हैं।

केवल तभी संगठन को एआई को अधिक जिम्मेदारी देने पर विचार करना चाहिए जब परिणाम समझ में आते हैं। स्वायत्तता धीरे-धीरे और केवल तभी बढ़नी चाहिए जब संबंधित जोखिम स्पष्ट, नियंत्रित और लेखा परीक्षा योग्य हों।

एक सफल एजेंटिक एआई रणनीति एआई को विश्वसनीय एसेट डेटा और मजबूत ईएएम कार्य प्रवाह से जोड़ती है, जो स्पष्ट शासन और मानव जवाबदेही द्वारा समर्थित है। डेलॉइट की 2026 राज्य एआई इन एंटरप्राइज शीर्ष से एक ही निष्कर्ष पर पहुंचता है, एक एकीकृत, विश्वसनीय डेटा फाउंडेशन को एआई को स्केल करने के लिए आवश्यक के रूप में वर्णित करता है। संगठन एआई द्वारा सिफारिश की गई या की गई कार्रवाई के लिए जिम्मेदार रहते हैं। यह जिम्मेदारी केवल इसलिए नहीं मिट जाती है क्योंकि एक निर्णय एक अल्गोरिदम द्वारा उत्पन्न किया गया था।

एजेंटिक एआई को अपने संचालन में कमाना चाहिए, न कि उन्हें सौंपा जाना चाहिए। संकीर्ण शुरू करें, इसकी सिफारिशों की तुलना वास्तव में क्या होता है से, डेटा अंतराल को ठीक करें और केवल तभी इसकी भूमिका का विस्तार करें जब साक्ष्य इसके लिए तर्क देता है। मैं एक एजेंट को थोड़ा विश्वास अर्जित करना और इसे बनाए रखना देखना पसंद करूंगा, न कि बहुत कुछ देना और इसे खोना। एसेट-इंटेंसिव उद्योगों में, वह धैर्य एआई के बीच अंतर है जो विश्वास अर्जित करता है और जो विश्वास खो देता है।