एजन्टिक एआई परियोजनाएं क्यों स्केल पर अटक जाती हैं और उद्यमों को पहले क्या ठीक करना चाहिए

एजन्टिक एआई जल्द ही सभी उद्यमों के लिए एक महत्वपूर्ण तत्व बनता जा रहा है। व्यवसाय अपने संचालन में पायलटों को शामिल कर रहे हैं, डेमो पर्यावरण नेतृत्व को प्रभावित कर रहे हैं और स्वायत्त एआई वर्कफ्लो के आसपास सड़कमैप लिखे जा रहे हैं।

लेकिन इनमें से अधिकांश परियोजनाओं के लिए, नियंत्रित डेमो और उत्पादन तैनाती के बीच कुछ टूट जाता है। परियोजना रुक जाती है, रोलआउट महीनों से वर्षों तक फैल जाते हैं और वितरण के लिए जिम्मेदार टीमें यह समझाने के लिए छोड़ दी जाती हैं कि परीक्षण में बिल्कुल सही काम करने वाला एजेंट वास्तविक दुनिया में अप्रत्याशित रूप से व्यवहार क्यों कर रहा है।

लगभग हर मामले में, उत्तर मॉडल खुद नहीं है, बल्कि डेटा एस्टेट, ऑर्केस्ट्रेशन लेयर, गवर्नेंस फ्रेमवर्क और विरासत बुनियादी ढांचा है जिसे अधिकांश उद्यमों ने बुद्धिमान एजेंटों के निर्माण से पहले आधुनिक बनाने के लिए कभी नहीं सोचा था। जब तक कि वे आधार नहीं हो जाते, एजन्टिक एआई डेमो बनाता रहेगा जो प्रभावित करते हैं और तैनाती जो निराश करती है।

पीओसी पर्यावरण एक जाल है

अधिकांश उद्यम मॉडल का मूल्यांकन करते हैं। बहुत कम एजेंट व्यवहार का अंत से अंत मूल्यांकन करते हैं। एक मॉडल बहुत सटीक हो सकता है और उस पर बनाया गया एजेंट अभी भी बहुत बुरी तरह विफल हो सकता है। इसका कारण यह है कि एजेंट टूल कॉल्स को क्रमिक रूप से जोड़ते हैं और एक गलत कदम एक गलत उत्तर का उत्पादन करता है जिसे अगला कदम सही इनपुट के रूप में मानता है, जो त्रुटि को नीचे की ओर जोड़ता है इससे पहले कि कोई इसे नोटिस करता है।

प्रूफ-ऑफ-кон्सेप्ट पर्यावरण इसे छिपाने के लिए डिज़ाइन किया गया है। इनपुट नियंत्रित होते हैं, दायरा संकीर्ण होता है और कोई आउटपुट को देख रहा होता है। उत्पादन में इनमें से कोई भी स्थिति नहीं होती है। परीक्षण में अच्छा प्रदर्शन करने वाला एजेंट अब अस्पष्ट निर्देशों को संभाल रहा है, अनुमति त्रुटियों पर हिट कर रहा है और ऐसे डेटा पर क्रमिक निर्णय ले रहा है जिसके खिलाफ यह परीक्षण नहीं किया गया था। जिस टीम ने इसे बनाया है, वह यह पता लगा रही है कि मॉडल प्रदर्शन के लिए डिज़ाइन किए गए मूल्यांकन फ्रेमवर्क एजेंट को सही ढंग से बढ़ाने के लिए, एक एज केस को सौम्य रूप से संभालने के लिए, या यह जानने के लिए कि कब रुकना है, बताने में विफल रहते हैं।

मैककिंसे की राज्य एआई 2025 रिपोर्ट के अनुसार, 88% संगठन अब कम से कम एक व्यावसायिक कार्य में एआई का उपयोग करते हैं, लेकिन केवल लगभग एक तिहाई ने इसे पूरे उद्यम में सफलतापूर्वक स्केल किया है। गोद लेने और स्केल के बीच यह अंतर उद्यमों द्वारा अपने पायलटों को कैसे दायरा और मूल्यांकन किया जाता है, यह शुरू होता है। जो टीमें सफलतापूर्वक स्केल करती हैं, वे विफलता मोड विश्लेषण को एक डिज़ाइन आवश्यकता के रूप में मानती हैं। तैनाती से पहले, वे यह पता लगाने के लिए एक कैटलॉग बनाते हैं कि एजेंट कैसे विफल होने की उम्मीद है और जब यह विफल होता है तो प्रतिक्रिया क्या है। यह सुनने में स्पष्ट लगता है। बहुत कम उद्यम वास्तव में ऐसा करते हैं।

गार्बेज डेटा, गार्बेज एजेंट

उद्यमों को यह पूछना जारी रखना चाहिए कि उनके एजेंट उत्पादन में क्यों कम प्रदर्शन करते हैं। उत्तर लगभग हमेशा डेटा पर वापस आता है। डेटा एस्टेट तैयार नहीं था। स्रोत कई प्रणालियों में विभाजित थे जो अलग-अलग समय पर अलग-अलग उद्देश्यों के लिए बनाई गई थीं। व्यवसाय इकाइयों में परिभाषाएं असंगत थीं। कोई सेमेंटिक परत नहीं थी। कोई एकल स्रोत नहीं था। केवल वर्षों से जमा हुआ डेटा ऋण था जिसे कोई प्राथमिकता नहीं दी थी क्योंकि पुरानी प्रणालियां पर्याप्त रूप से चल रही थीं।

यह ऋण तब गायब नहीं होता जब आप इसके ऊपर एक एजेंट बनाते हैं। यह एजेंट की संचालन वास्तविकता बन जाता है। एक एजेंट जो खंडित डेटा स्रोतों का नेविगेशन कर रहा है, व्यवसाय की एक सुसंगत तस्वीर पर तर्क नहीं कर रहा है। यह जो कुछ भी मिल सकता है उस पर अपना सर्वश्रेष्ठ प्रदर्शन कर रहा है, विरोधाभासों को तुरंत सुलझा रहा है और ऐसे आउटपुट का उत्पादन कर रहा है जो तब तक संभावित लगते हैं जब तक कि कोई व्यवसाय को करीब से नहीं देखता। एजेंट टूटा हुआ नहीं है। डेटा जो इसे सौंपा गया था वह पहले से ही टूटा हुआ था।

डेटा ड्रिफ्ट और कॉन्सेप्ट ड्रिफ्ट इसे समय के साथ और भी बदतर बना देते हैं। जब वास्तविक दुनिया के इनपुट वितरण मॉडल के प्रशिक्षण डेटा से भिन्न हो जाते हैं, तो एजेंट एक त्रुटि नहीं फेंकता है। यह चलता रहता है और गलत आउटपुट का उत्पादन शुरू कर देता है, आत्मविश्वास से और पैमाने पर। एमएलओपीएस या एआईओपीएस पाइपलाइन के बिना जो एजेंट ऑर्केस्ट्रेशन लेयर में निर्मित है, कोई तंत्र नहीं है जो इसे पहले से पकड़ ले कि नुकसान यौगिक हो। लॉन्च में स्वीकार्य रूप से प्रदर्शन करने वाला एजेंट शुरू में डेटा समस्या के कारण weeks के लिए शांत रूप से खराब हो जाता है जो शुरू से ही मौजूद थी।

डेटा आधुनिकीकरण और एआई आधुनिकीकरण को अक्सर समानांतर कार्यधाराओं के रूप में माना जाता है, जो स्वतंत्र रूप से अनुक्रमित होते हैं और अलग-अलग तरीके से वित्त पोषित होते हैं। वे समानांतर नहीं हैं। आप एक डेटा वास्तुकला के ऊपर एक विश्वसनीय एजेंट नहीं बना सकते जो परियोजना शुरू होने से पहले टूटा हुआ था। क्रम बहुत महत्वपूर्ण है और डेटा परत को छोड़कर एआई परत पर तेजी से आगे बढ़ना उद्यमों द्वारा की जाने वाली सबसे सामान्य और महंगी गलतियों में से एक है।

एक गलत डैशबोर्ड किसी को गलत संख्या देता है। एक गलत एजेंट क्रिया एक डाउनस्ट्रीम प्रक्रिया को ट्रिगर कर सकती है इससे पहले कि कोई इसे नोटिस करता है, जो अनुमोदन नहीं करना चाहिए था उसका बिल अनुमोदन, अनुचित रूप से एक अनुपालन फ्लैग रूटिंग, या उसके इरादा श्रेणी से बाहर मूल्य समायोजन। एजन्टिक सिस्टम को सामान्य ऐप मॉनिटरिंग से रिसाइकल किए गए डैशबोर्ड की आवश्यकता नहीं है, बल्कि उद्देश्य से निर्मित दृश्यता की आवश्यकता है।

एकीकृत डेटा प्लेटफ़ॉर्म का लाभ

जिन उद्यमों ने अपने एजन्टिक एआई कार्यक्रम शुरू करने से पहले एक एकीकृत डेटा प्लेटफ़ॉर्म में जाने का फैसला किया, वे उन लोगों की तुलना में तेजी से स्केल कर रहे हैं जिन्होंने ऐसा नहीं किया। जब लेकहाउस, डेटा वेयरहाउस, सेमेंटिक मॉडल और पाइपलाइन सभी एक ही वातावरण में रहते हैं, जैसा कि माइक्रोसॉफ्ट फैब्रिक में है, तो एजेंटों के पास एक सुसंगत सतह होती है जिसे वे प्रश्न कर सकते हैं। यह एक पूरी कक्षा की विफलता को दूर करता है जो विभिन्न स्कीमा, विभिन्न रिफ्रेश चक्र और व्यवसाय मेट्रिक की विभिन्न परिभाषाओं वाली प्रणालियों के बीच एजेंटों के उछाल से उत्पन्न होता है।

यही कारण है कि डेटा एकीकरण के लिए उद्यमों द्वारा चुने गए प्लेटफ़ॉर्म उनके एजन्टिक एआई परिणामों के लिए इतना मायने रखते हैं। माइक्रोसॉफ्ट फैब्रिक का एकीकृत दृष्टिकोण लेकहाउस, डेटा वेयरहाउस, सेमेंटिक मॉडल और पाइपलाइन को एक वातावरण में एक साथ लाता है, जो माइक्रोसॉफ्ट-केंद्रित उद्यमों को प्रयोग से वास्तविक परिचालन उपयोग में जाने पर एक संरचनात्मक लाभ प्रदान करता है। (MSFT )

डेटाब्रिक्स लेकहाउस आर्किटेक्चर और यूनिटी कैटलॉग के माध्यम से उसी सिद्धांत को वितरित करता है, जो डेटा और एआई टीमों को संरचित और असंरचित डेटा पर एमएलफ्लो एकीकरण के साथ एक एकीकृत शासन परत प्रदान करता है। स्नोफ्लेक का दृष्टिकोण अपने कॉर्टेक्स एआई और डेटा क्लाउड और एआई अनुमान के बीच घनिष्ठ जोड़ का लाभ उठाता है, जो उद्यमों को लेटेंसी और संगतता जोखिमों के बिना सीधे शासित, लाइव डेटा के खिलाफ एजेंट वर्कलोड चलाने की अनुमति देता है।

प्रत्येक प्लेटफ़ॉर्म एक ही परिणाम के लिए एक अलग मार्ग का प्रतिनिधित्व करता है। एक डेटा परत जो एजेंट निर्णय लेने के लिए पर्याप्त रूप से सुसंगत, दृश्य और विश्वसनीय है। सही विकल्प मौजूदा स्टैक पर निर्भर करता है। जो वैकल्पिक नहीं है वह यह निर्णय लेना और एजेंट परत के निर्माण से पहले इसके लिए प्रतिबद्ध होना है। जो टीमें प्रगति कर रही हैं उन्हें उन लोगों से अलग करता है जो अभी भी पायलट में फंसे हुए हैं यह नहीं है कि उन्होंने कौन सा प्लेटफ़ॉर्म चुना है। यह है कि उन्होंने पहले डेटा परत को ठीक किया।

शासन पहले, न कि बाद में

तथ्य के बाद निर्मित शासन वास्तव में शासन नहीं है। जब एक एजेंट के पास डाउनस्ट्रीम निर्णय लेने की अधिकारिता होती है और गार्डरेल्स को तैनाती के छह महीने बाद जोड़ा जाता है, तो उद्यम ने पहले ही छह महीने के अनियंत्रित निर्णयों का संचय किया है। ऑडिट ट्रेल को एजेंट लाइव होने से पहले डिज़ाइन किया जाना चाहिए, न कि पहली घटना के बाद रेट्रोफिट किया जाना चाहिए।

एआई सुरक्षा, भूमिका-आधारित पहुंच नियंत्रण और अनुमति दायरे के लिए भी यही सिद्धांत लागू होता है। एक एजेंट जिसके पास ठीक से परिभाषित अनुमतियां नहीं हैं, वह डेटा तक पहुंच सकता है जिसे उसे नहीं करना चाहिए, अपनी इच्छित सीमा से बाहर क्रियाएं कर सकता है, या एक सक्रिय हमला सतह बन सकता है। ये जोखिम हैं जिन्हें विकास चरण में, निर्माण समीक्षा में खोजे जाने के बजाय संबोधित किया जाना चाहिए।

यदि शासन प्रशिक्षण पाइपलाइनों के निर्माण से पहले एम्बेड नहीं किया जाता है, तो गलत या विरोधी डेटा प्रशिक्षण प्रक्रिया में अविश्वसनीय रूप से प्रवेश कर सकता है। एक मॉडल जो समझौता किए गए डेटा पर प्रशिक्षित होता है वह बेंचमार्क पर अच्छा प्रदर्शन करता है लेकिन उत्पादन में ड्रिफ्ट करता है, जो एजेंट निर्णयों के वास्तविक व्यावसायिक परिणामों के साथ सबसे खतरनाक प्रकार की शांत विफलता है।

ईयू एआई एक्ट और एआई खातांकिता के आसपास बढ़ते नियामक ढांचे उद्यमों को यह अनदेखा करना मुश्किल बना रहे हैं और जिन उद्यमों ने अपने एजेंट वास्तुकला में शासन का निर्माण नहीं किया है, वे अनुपालन जोखिम का संचय कर रहे हैं जो बाद में उलटने में काफी अधिक खर्च होगा।

पायलट से उत्पादन तक: यह वास्तव में क्या लेता है

उत्पादन अंतर को बंद करने वाले उद्यम वे हैं जो एजेंट परत बनाने से पहले डेटा परत को ठीक करते हैं। वे डिज़ाइन में शासन को एम्बेड करते हैं, न कि तब जब नुकसान हो चुका हो। वे ऑर्केस्ट्रेशन वास्तुकला में दृश्यता का निर्माण करते हैं और तकनीकी वितरण के साथ-साथ परिवर्तन प्रबंधन चलाते हैं। वे विफलता मोड विश्लेषण को एक महत्वपूर्ण डिज़ाइन आवश्यकता के रूप में मानते हैं।

डेलॉइट के एंटरप्राइज़ एआई शोध से पता चलता है कि एआई तक कर्मचारियों की पहुंच 2025 में 50% तक बढ़ गई और 40% से अधिक एआई परियोजनाओं को पूर्ण उत्पादन में चलाने वाली कंपनियों का हिस्सा अगले छह महीनों में दोगुना होने वाला है। जीतने वाले उद्यम अभी नहीं हैं जिनमें सबसे उन्नत मॉडल हैं। वे वे हैं जिन्होंने एआई को विश्वसनीय रूप से चलाने के लिए संचालन बुनियादी ढांचा बनाया और ऐसा करने से पहले एजेंटों का निर्माण किया।

हर उद्यम जो अभी भी जुड़े हुए पायलट चला रहा है, को यह सुनिश्चित करने पर ध्यान केंद्रित करना चाहिए कि मॉडल और इंटरफेस में निवेश डेटा तैयारी और शासन वास्तुकला में निवेश के अनुपात में है जो यह निर्धारित करेगा कि वे एजेंट डेमो वातावरण से बाहर निकल पाएंगे या नहीं। यहीं पर कई उद्यम कम पड़ जाते हैं।

जब तक यह नहीं बदलता, कई एजन्टिक एआई परियोजनाएं जिनमें कंपनियों ने संसाधन डाले और जिनसे उन्हें उम्मीद थी कि वे फल देंगी, वे मर जाएंगी।