एंटरप्राइज़ AI सफलता के पीछे AI अपनाने के चरणों का गहरा विश्लेषण

प्रत्येक एंटरप्राइज़ समान AI अपनाने के चरणों से गुजरता है, चाहे वह उनका योजना बनाए या नहीं। यह मार्ग बिखरे हुए टूल उपयोग से शुरू होकर पहले पायलट तक, फिर लाइव प्रोडक्शन में और अंत में पूरे व्यवसाय द्वारा निर्भर साझा सिस्टम तक जाता है। प्रत्येक परिवर्तन क्रमशः होता है, इसलिए कंपनियाँ अक्सर किसी को पहचानने से पहले ही नया चरण हासिल कर लेती हैं।

जो एक कंपनी को दूसरी से अलग करता है वह इस मार्ग में उसकी प्रगति की दूरी है, और बाजार में अंतर बहुत बड़ा है। McKinsey’s 2025 Global Survey ने पाया कि 88 प्रतिशत संगठनों ने अब कम से कम एक व्यावसायिक फ़ंक्शन में AI का उपयोग किया है, जबकि लगभग एक तिहाई ने इसे स्केल करना शुरू कर दिया है और 7 प्रतिशत कहते हैं कि AI पूरी तरह से स्केल हो चुका है। इसका अर्थ है कि लगभग हर व्यवसाय ने AI को लागू करना शुरू कर दिया है, लेकिन बहुत कम ही सफल हुए हैं।

पिछले कुछ वर्षों में मैंने लगभग हर चरण पर नेतृत्व टीमों के साथ काम किया है, और एक पैटर्न लगातार बना रहा है। जिस चरण में कोई कंपनी स्थित है, वह उसके AI प्रोग्राम के परिणामों के बारे में मॉडल या विक्रेता से अधिक बताता है। प्रत्येक AI अपनाने का चरण संगठन के भीतर एक अलग प्रकार के परिवर्तन की मांग करता है, और वही परिवर्तन परिणाम की भविष्यवाणी करता है। तो चलिए उन्हें एक-एक करके देखते हैं, साथ ही उस बिंदु को भी जहाँ कंपनियाँ अक्सर अगले चरण में जाने में फँस जाती हैं।

AI अपनाने के पाँच चरण और वे निर्णय जो कंपनी को आगे ले जाते हैं

हम जिन कंपनियों के साथ काम करते हैं, उनमें ये पाँच चरण लगभग हमेशा एक ही क्रम में आते हैं। यह आमतौर पर कुछ लोगों द्वारा AI टूल्स के स्वतंत्र उपयोग से शुरू होता है, और नेतृत्व अक्सर बहुत देर तक इसका पता नहीं लगाता। कुछ कंपनियाँ इस चरण से आगे नहीं बढ़ पातीं। जो आगे बढ़ती हैं, अंततः एक बिंदु तक पहुँचती हैं जहाँ व्यवसाय स्वयं तकनीक की क्षमताओं के इर्द‑गिर्द निर्मित हो जाता है। समझने योग्य बात यह है कि प्रत्येक चरण संगठन से कुछ अलग माँगता है। वह निर्णय जो कंपनी को उसके पायलट चरण से ले गया, अक्सर वही निर्णय एक साल बाद उसे रोक देता है, और यही वह जगह है जहाँ कई AI प्रोग्राम चुपचाप विफल हो जाते हैं।

1. बिखरा उपयोग, कोई मालिक नहीं

पहला चरण आमतौर पर केवल जिज्ञासा से अधिक कुछ नहीं दिखता। इस बिंदु पर, कर्मचारी AI टूल्स का उपयोग बिना किसी केंद्रीय नीति के कर रहे होते हैं, खरीद विभाग को इसकी कोई जानकारी नहीं होती, और कोई यह नहीं माप रहा कि यह काम क्या उत्पन्न करता है। इस अराजकता में वास्तविक जानकारी छिपी होती है, क्योंकि कंपनी के किनारे पर जिज्ञासा आपको बताती है कि घर्षण वास्तव में कहाँ है, और यह संकेत लगभग कभी भी औपचारिक चैनल के माध्यम से कार्यकारी स्तर तक नहीं पहुँचता।

नेताओं की यहाँ की गलती यह है कि वे बहुत जल्दी औपचारिकता लाते हैं, जिससे वास्तविक प्रयोग को शासन के अभ्यास में बदल दिया जाता है, इससे पहले कि कोई यह तय कर सके कि वास्तव में क्या नियंत्रित करने योग्य है।

इस चरण में क्या निर्णय लेना है: सही प्रवृत्ति यह है कि क्या हो रहा है, इसे देखना है, न कि इसे नियंत्रित करने की कोशिश करना, इसलिए डेटा हैंडलिंग को कवर करने वाली एक हल्की उपयोग नीति बनाएं और बाकी को अभी के लिए छोड़ दें। आप जो देख रहे हैं वह दोहराव है, क्योंकि जब एक ही वर्कअराउंड तीन अलग‑अलग टीमों में बिना समन्वय के दिखाई देता है, तो आपके पास एक उपयोग मामला होता है जो उचित फंडिंग का हकदार है।

2. कमजोर सफलता मानदंडों के साथ फंडेड पायलट

पायलट एक बजट, एक नामित मालिक और एक डेमो के साथ सामने आता है जो बोर्ड के सामने प्रस्तुत किया जाता है, और फिर काम वहाँ ही चुपचाप समाप्त हो जाता है। Research from MIT’s NANDA initiative ने पाया कि एंटरप्राइज़ जेनरेटिव AI पायलटों में अधिकांश का लाभ‑हानि पर कोई मापनीय प्रभाव नहीं होता।

तीन कारण लगभग सभी मामलों की व्याख्या करते हैं, और पहला यह है कि सफलता मानदंड मॉडल की सटीकता पर आधारित होते हैं, न कि उस संख्या पर जिसे व्यवसाय वास्तव में महत्व देता है। दूसरा यह कि डेमो के नीचे कोई वास्तविक डेटा पाइपलाइन नहीं होती। तीसरा यह कि लॉन्च समाप्त होने के बाद, कोई भी परिणाम की जिम्मेदारी नहीं लेता। इस चरण को अंदर से पहचानना कठिन है क्योंकि यह प्रगति जैसा दिखता है, डेमो बेहतर होते हैं, विक्रेता अगले चरण के लिए प्रतिस्पर्धा करते हैं, और समितियाँ अभी भी मिलती रहती हैं, जबकि इन सबका कोई वित्तीय संख्या नहीं बनती।

यहाँ का आह्वान: बिना किसी व्यावसायिक मीट्रिक के पायलट को मंजूरी न दें और बिना ऐसे मालिक के पायलट न चलाएँ जो एक साल बाद भी उस मीट्रिक के लिए उत्तरदायी रहे। ऐसे चार पायलट उन बारह पायलटों से अधिक आगे ले जाएंगे जिन्हें सभी प्रशंसा करते हैं।

3. प्रोडक्शन इंटीग्रेशन

सभी AI अपनाने के चरणों में, यह वह है जो सबसे अधिक प्रोग्रामों को समाप्त कर देता है। कर्मचारी और ग्राहक अब हर दिन सिस्टम पर निर्भर हैं, और ऐसी आवश्यकताएँ सामने आती हैं जो किसी पायलट को कभी नहीं मिली थीं, जैसे मॉनिटरिंग, मानव एस्केलेशन पाथ, प्रॉम्प्ट और मॉडल पर संस्करण नियंत्रण, घटना प्रतिक्रिया, और डेटा लाइनज जो ऑडिट में टिक सके। NIST AI Risk Management Framework इन नियंत्रणों को विस्तार से दस्तावेज़ करता है, और लॉन्च की तिथि तय होने से पहले इसे पढ़ना उचित है।

यहाँ की कठिन समस्या तकनीकी नहीं बल्कि संगठनात्मक है, क्योंकि यह चरण प्रयोग की तुलना में इंजीनियरिंग अनुशासन को पुरस्कृत करता है, और एक टीम जो शोध समूह की तरह काम कर रही थी, वह इससे जूझेगी जबकि नेतृत्व तकनीकी स्पष्टीकरण की तलाश में रहेगा। आर्थिक पक्ष भी बदलता है। पायलट की लागत एक बार की होती है और मंजूर करना आसान, जबकि प्रोडक्शन एक स्थायी ऑपरेटिंग लाइन बनाता है, और जो कंपनियाँ इसके लिए बजट नहीं बनातीं, वे पहले नवीनीकरण अनुरोध को निवेश की विफलता के प्रमाण के रूप में देखती हैं।

लॉन्च से पहले क्या बदलना चाहिए: लॉन्च के बाद नहीं बल्कि पहले ही स्वामित्व को स्थानांतरित करें, डिलीवरी उन लोगों के हाथ में दें जिन्होंने प्रोडक्शन में सिस्टम चलाए हों, और संचालन लागत को शुरू से ही तीन वर्षों के लिए फंड करें। फिर उस व्यक्ति का नाम रखें जो मॉडल के गिरने पर अलर्ट प्राप्त करेगा, क्योंकि वही नाम एक कार्यशील सिस्टम को डेमो से अलग करता है।

4. साझा क्षमता और पुनः उपयोग

इस बिंदु पर, AI एक बुनियादी ढाँचा बन जाता है जिसे कई व्यावसायिक इकाइयाँ उपयोग करती हैं। एक प्लेटफ़ॉर्म टीम पुन: उपयोग योग्य घटकों, मूल्यांकन की मानक विधि, और डिप्लॉयमेंट पाथ को बनाए रखती है, इसलिए प्रत्येक नए उपयोग मामले की लागत घटती है क्योंकि कोई भी आधार को हर बार शून्य से नहीं बना रहा है।

सबसे स्पष्ट संकेत कि कंपनी इस चरण तक पहुँच गई है, तकनीक से बिल्कुल भी संबंधित नहीं है। बजट अधिकार नवाचार टीम से हटकर व्यावसायिक इकाई के मालिकों को मिल जाता है, और जब कोई डिवीजन हेड ऑपरेटिंग बजट से AI कार्य को फंड करता है और अपने स्वयं के आंकड़ों में रिटर्न दिखाता है, तो संगठन वास्तव में इस चरण को पार कर चुका होता है। हमने देखा है कि यह एक बदलाव उपयोग मामलों की गुणवत्ता को उसी वर्ष के किसी भी तकनीकी निर्णय से अधिक प्रभावित करता है।

धन कहाँ होना चाहिए: प्लेटफ़ॉर्म टीम को परियोजना के बजाय बुनियादी ढाँचे के रूप में फंड करें, और इसे पुनः उपयोग के आधार पर मापें, न कि लॉन्च की गई चीजों की संख्या पर। फिर AI बजट को नवाचार से बाहर निकालकर डिवीजन में ले जाएँ, क्योंकि जैसे ही व्यावसायिक मालिक इसका भुगतान करता है, उपयोग मामले अधिक स्पष्ट हो जाते हैं बिना किसी मध्यस्थ के हस्तक्षेप के।

5. ऑपरेटिंग मॉडल में AI का समावेश

इस चरण की कंपनियाँ उत्पाद, प्रक्रिया और निर्णय AI क्षमता के इर्द‑गिर्द प्रारम्भ से ही डिजाइन करती हैं, और बाद में कोई पुनः फिट नहीं किया जाता। नई पेशकशें मानती हैं कि क्षमता पहले से मौजूद है, भूमिकाएँ बदलती हैं ताकि सिस्टम द्वारा संभाली जाने वाली चीज़ों को प्रतिबिंबित किया जा सके, और योजना चक्र छोटा हो जाता है क्योंकि कोई विचार कुछ दिनों में वास्तविक डेटा के विरुद्ध परीक्षण किया जा सकता है।

बहुत कम संगठन वास्तव में यहाँ पहुँचते हैं, और इस स्थिति का दावा करने वाले संख्या वास्तविक योग्य कंपनियों से काफी अधिक है। परीक्षण इतना सरल है कि एक ही बैठक में किया जा सकता है: पूछें कि यदि मॉडल कल ही गायब हो जाएँ तो कंपनी क्या करना बंद कर देगी। एक वास्तविक उत्तर कहना असहज होता है, क्योंकि यह सुविधा के बजाय राजस्व को नाम देता है। हर बार जब हमने यह प्रश्न नेतृत्व टीम से पूछा, तो ईमानदार उत्तर उन्हें उस रणनीति डेक से एक या दो चरण नीचे रखता था, जिसकी उन्होंने घोषणा की थी।

बोर्ड‑स्तर का प्रश्न: AI क्षमता को एक रणनीतिक संपत्ति के रूप में मानें और उसी तरह की जांच लागू करें जैसा आप किसी अन्य संपत्ति पर करेंगे। बोर्ड स्तर पर विक्रेता एकाग्रता, मॉडल निर्भरता, और डेटा स्वामित्व की समीक्षा करें, फिर पूछें कि प्रत्येक प्रक्रिया के लिए बैक‑अप क्या दिखता है जो मॉडल के बिना चल नहीं सकती, और उस बैक‑अप को पहले से फंड करें ताकि किसी को इसकी आवश्यकता न पड़े।

जब कोई कंपनी एक चरण को छोड़ देती है तो क्या होता है: वास्तविक उदाहरण

हमने कई कंपनियों को देखा है, और क्रम लगभग हमेशा समान रहता है: जहाँ पायलट सफल होता है, बोर्ड इसे पसंद करता है, सभी प्रगति दिखाना चाहते हैं, और कंपनी डेमो से सीधे पूर्ण रोल‑आउट तक पहुँचती है, बीच में प्रोडक्शन इंटीग्रेशन को छोड़ देती है। कोई भी क्वार्टर मॉनिटरिंग और स्वामित्व पर खर्च नहीं करना चाहता जब डेमो पहले से काम कर रहा हो, इसलिए वे इसे छोड़ देते हैं। हमारे एक क्लाइंट ने बिल्कुल यही किया, और इसका खर्च उन्होंने अनुमान से अधिक झेला।

क्या गलत हुआ

क्लाइंट एक सेवा‑आधारित व्यवसाय था जो सपोर्ट वर्कलोड चलाता था, और मॉडल ने पहली‑पास प्रतिक्रियाएँ संभालीं जो पहले उनकी टीम के पास होती थीं। यह पूरी ऑपरेशन में पायलट के सफल होने के बाद लाइव हो गया, और चार महीने तक सब कुछ ठीक लगा। जब हम आए और देखा कि वास्तव में क्या चल रहा है, तो मॉडल पर कोई मॉनिटरिंग नहीं थी, इसलिए कोई भी नहीं बता सकता था कि उत्तर बिगड़ने लगे हैं। मामलों के लिए कोई एस्केलेशन रूट नहीं था जिसे व्यक्ति जांचता। इसे बनाने वाली टीम अगले प्रोजेक्ट पर चली गई और स्वामित्व किसी को नहीं दिया गया, और क्योंकि पायलट एक‑बार की लागत था, किसी ने दैनिक चलने वाले इस सिस्टम के लिए ऑपरेटिंग बजट नहीं रखा।

इसका खर्च क्या रहा

उत्तर वास्तव में बिगड़ने लगे, और कोई भी इसे जल्दी पकड़ लेता, लेकिन कोई देख रहा नहीं था, इसलिए एक ग्राहक ने पहले पाया। मॉडल को ठीक करना आसान भाग था और लगभग दो हफ़्ते लगा। उन लोगों को फिर से जीतना जिन्होंने उस आउटपुट पर भरोसा किया था, शेष क्वार्टर लगा, और नेतृत्व ने उसी क्वार्टर का अधिकांश समय इस बात पर बहस करते हुए बिताया कि क्या AI निवेश एक गलती थी, जबकि गलती लॉन्च करने के तरीके में थी।

इससे क्या सीखें

मॉनिटरिंग और स्वामित्व को ओवरहेड जैसा दिखता है जब तक आप इनके बिना काम नहीं करते, और इन्हें छोड़ने से लॉन्च सस्ता लगता है लेकिन वास्तविक लागत नहीं जाती, बल्कि बाद में भरोसे की हानि के रूप में प्रकट होती है, बजट पर कोई संख्या नहीं।

कैसे पहचानें आपकी कंपनी का वर्तमान AI अपनाने का चरण

चार प्रश्न कंपनी को इस मार्ग पर किसी भी औपचारिक मूल्यांकन से तेज़ी से रख देते हैं। इन्हें अपने ऑपरेटिंग नेताओं से पूछें, और प्रत्येक का उत्तर प्रमाण के साथ दें।

• क्या आप बता सकते हैं कि प्रत्येक लागू मॉडल कौन सा व्यावसायिक मीट्रिक चलाता है?
•  जब उनमें से कोई गिरावट दिखाए तो अलर्ट किसे मिलता है?
• एक नया उपयोग मामला अनुरोध से प्रोडक्शन तक कितना समय लेता है?
•  आपके AI कार्य में से कितना हिस्सा पहले से निर्मित चीज़ों को पुनः उपयोग करता है?

स्पष्ट उत्तर उस चरण की पुष्टि करते हैं जो कंपनी ने हासिल किया है। अनिश्चित उत्तर सीधे अगले फंडिंग योग्य स्तर की ओर इशारा करते हैं, जिससे वे उतने ही मूल्यवान बन जाते हैं।

जो कंपनियाँ आगे बढ़ती हैं, वे अक्सर सबसे अच्छे मॉडल नहीं होतीं, बल्कि वे होती हैं जो अपनी स्थिति को ईमानदारी से पढ़ती हैं और अगले चरण तक पहुँचने के लिए धन लगाती हैं। यह उतना ही कठिन है जितना लगता है, क्योंकि हर टीम अपनी प्रगति की रिपोर्ट देती है और कोई नहीं चाहता कि उसका हिस्सा पीछे रहे। जो नेता इसे सही करते हैं, वे सीधे प्रश्न पूछते हैं, और उत्तरों की जाँच वास्तविक चल रहे सिस्टम के विरुद्ध करते हैं।

हर संगठन पहले से ही इन चरणों में से किसी एक में है, चाहे किसी ने इसका नाम रखा हो या नहीं। लाभ उन नेतृत्व टीमों को मिलता है जो जानते हैं कि वह कौन सा चरण है, और जो अगले कदम को जानबूझकर फंड करती हैं।