आपकी सबसे बड़ी बाधा आपके सबसे आत्मविश्वासी एआई चैंपियन हो सकती है

अब तक, मैंने पर्याप्त AI स्टेयरिंग कमेटी मीटिंग्स में भाग ले लिया है कि मैं एक प्रवृत्ति देख सकूँ। हमेशा कमरे में एक व्यक्ति रहता है (आमतौर पर वह जो टूल्स से सबसे अधिक परिचित होता है) जो अंततः तय करता है कि बाकी लोग कितनी जल्दी आगे बढ़ सकते हैं। यह निर्णय चुपके से और बिना किसी बुरे इरादे के किया जाता है। वे शायद ही कभी किसी चीज़ को रोकने का इरादा रखते हैं। सरल शब्दों में, बाकी सभी ने उनकी मंजूरी का इंतजार करने की कला में महारत हासिल कर ली है।

उस पैटर्न में सिर्फ एक बैठक से अधिक कुछ है। 2026 का Gartner अध्ययन के अनुसार, केवल 20% कंपनियों को लगता है कि उनके कर्मचारी वास्तव में AI के लिए तैयार हैं। इस अंतर पर अधिकांश चर्चाएँ अक्सर कौशल कथा के इर्द‑गिर्द घूमती हैं: अपर्याप्त समय, प्रशिक्षण या टूल्स। कौशल अंतर के पीछे एक अधिक सूक्ष्म मुद्दा अक्सर अनदेखा रह जाता है; यह लोगों के ज्ञान से कम, बल्कि यह महसूस करने से अधिक जुड़ा है कि वे कितने महत्वपूर्ण हैं।

योगदान और आत्मविश्वास दो अलग चीज़ें हैं

लोग आमतौर पर टीम के प्रयास में अपने व्यक्तिगत योगदान का मूल्यांकन करने में खराब होते हैं, और यह एक लगातार समस्या है। जब आप अपने सहयोगियों से स्वतंत्र रूप से पूछते हैं कि उन्होंने साझा प्रोजेक्ट में व्यक्तिगत रूप से कितना योगदान दिया, तो परिणाम अक्सर 100% से काफी अधिक जोड़ते हैं होते हैं। यह ईमानदारी से संबंधित नहीं है, बल्कि स्मृति के काम करने के तरीके से पूरी तरह जुड़ा है: हर कोई अपने प्रयास को स्पष्ट विवरण में याद रखता है, जबकि दूसरों के प्रयास को केवल रूपरेखा में।

जब AI जुड़ता है, तो प्रभाव और भी स्पष्ट हो जाता है। जो लोग नई कौशल जल्दी सीखते हैं, वे उन उपकरणों के परिणामों पर नियंत्रण की भावना भी विकसित करते हैं। इस प्रवृत्ति को मनोवैज्ञानिक स्वामित्व कहा जाता है। जब इसे सीमित रूप से लागू किया जाता है, तो यह स्वामित्व बिल्कुल वही है जो आप चाहते हैं: यह किसी को प्रोजेक्ट की सफलता की वास्तविक चिंता दिलाता है, न कि केवल टिकटों की संख्या की। लेकिन यदि आप एक कदम आगे बढ़ते हैं, तो वही प्रेरणा जो उत्कृष्ट कार्य की रक्षा करती है, वह उसकी उत्पादन में भागीदारी की भी रक्षा करती है।

संख्याएँ वास्तव में क्या दर्शाती हैं

हमने Sombra में AI के साथ काम करने वाले 2,000 पेशेवरों पर सर्वेक्षण किया, क्योंकि हम देखना चाहते थे कि यह प्रवृत्ति कितनी व्यापक है। और परिणाम हमारे लिए भी आश्चर्यजनक थे। 79% उत्तरदाताओं ने कहा कि वे अपने संगठन में नवाचार के प्रमुख चालक मानते हैं: 37% ने इसे ‘निश्चित रूप से’ कहा, और अतिरिक्त 42% ने इसे ‘बहुत’ कहा। 64% ने और आगे कहा कि यदि वे व्यक्तिगत रूप से कल छोड़ दें, तो उनके कंपनी में नवाचार धीमा पड़ जाएगा।

हमने इस अंतर को, जो स्वयं-छवि और वास्तविक प्रदर्शन के बीच है, “AIrrogance” कहा। यह शब्द थोड़ा भ्रामक हो सकता है क्योंकि हमारे डेटा में कोई भी शेखी नहीं मार रहा था। वास्तव में हम जो देख रहे थे वह अधिक सूक्ष्म था: यह व्यक्तिगत विश्वास कि काम विशेष रूप से आप पर निर्भर है, न कि केवल आपकी टीम में आपके कौशल वाला कोई व्यक्ति हो। अन्य कवरेज के अनुसार, रचनात्मकता में अहंकार समस्या प्रतीत होती है।

इसके बाद एक असहज निष्कर्ष सामने आया। पता चला कि जो लोग सबसे अधिक मानते थे कि वे नवाचार को आगे बढ़ा रहे हैं, वही इसे धीमा कर रहे थे। 22% उत्तरदाताओं ने AI प्रोजेक्ट्स को पीछे धकेला क्योंकि उन्हें उनमें पर्याप्त संभावनाएँ नहीं दिखीं। 21% ने समय पर उपलब्ध न होने वाले डेटा का उल्लेख किया। 17% ने बिना आधिकारिक रूप से ब्लॉक किए प्रोजेक्ट को धीमा करने को स्वीकार किया।

इसके अलावा, पूरे नमूने में 70% कंपनियों ने कहा कि उन्होंने इस प्रकार के आंतरिक प्रतिरोध का अनुभव किया है। यह अक्सर अंदर से हुए तोड़‑फोड़ जैसा नहीं लगता। भले ही यह उस नवाचार को रोकता हो जिसे वे खुद ले जा रहे हैं, यह सावधानी जैसा महसूस होता है, और कोई व्यक्ति उस चीज़ के प्रति सच‑मुच सावधान रहता है जिसकी वह परवाह करता है।

बस फ़ैक्टर समस्या

इंजीनियरिंग टीमों के पास एक शब्द है जब वे एक व्यक्ति पर अत्यधिक निर्भर होते हैं: बस फ़ैक्टर, यानी वह संख्या जो प्रोजेक्ट के ठहरने से पहले गायब होनी चाहिए। भले ही वह व्यक्ति जो सब कुछ जोड़ रहा है एक उत्कृष्ट कार्यकर्ता हो, प्रबंधक को बस फ़ैक्टर की चिंता होनी चाहिए। अधिकांश टीमें जानती हैं कि उन्हें दस्तावेज़ीकरण और कोड में इसका ध्यान रखना चाहिए। लेकिन लगभग कोई भी इस तर्क को दृढ़ विश्वास पर नहीं लागू करता, यानी यह विचार कि प्रोजेक्ट केवल इसलिए आगे बढ़ रहा है क्योंकि एक व्यक्ति लगातार यह तय करता है कि यह सार्थक है।

AIrrogance इस जोखिम का अपना संस्करण प्रदान करता है। लेकिन जनजातीय बुद्धिमत्ता के बजाय, दृढ़ विश्वास एक व्यक्ति में केंद्रित हो जाता है। सर्वोत्तम इरादों के साथ भी, एक मजबूत राय चुपचाप वह द्वार बन जाती है जिससे हर पहल को गुजरना पड़ता है।

मैं वास्तव में इसके बारे में क्या करूँगा

यह सब यह नहीं रोकता कि जो चीज़ों को धीमा कर रहे हैं, वे अपनी चिंताएँ व्यक्त कर सकें। एक दोषपूर्ण AI रोलआउट को वास्तविक रूप से अनुपलब्ध डेटा या उपयोगिता के कमजोर प्रमाणों पर आधारित उचित प्रतिरोध द्वारा धीमा किया जाना चाहिए। जब सावधानी यह अंतर नहीं कर पाती कि “यह विशिष्ट कार्यान्वयन में वास्तविक खामी है” और “मैं अभी तक आश्वस्त नहीं हूँ, और मेरा आश्वस्त न होना ही पर्याप्त कारण है”, तो समस्याएँ उत्पन्न होती हैं।

मेरे साथ काम करने वाली टीमों ने इन दोनों को अलग करने के कुछ तरीके खोजे हैं। जब वे किसी प्रोजेक्ट को रोकते हैं, तो शिकायतों को स्पष्ट और सत्यापनीय बनाना अच्छा होता है, यह पूछकर कि कौन सा विशिष्ट प्रमाण इस मुद्दे को हल करेगा और कब। अनुपलब्ध डेटा की एक पूरी सूची को अस्पष्ट “मैं अभी तक मूल्य नहीं देख रहा हूँ” कथन से अधिक महत्व दिया जाना चाहिए।

दूसरा, डोमेन विशेषज्ञ की भूमिका हमेशा उस व्यक्ति को न दें जो वस्तुनिष्ठ रूप से सबसे बेहतर है। हम Sombra में इसे जानबूझकर घुमाते हैं, भले ही इसका मतलब कम अनुभवी व्यक्ति को नेतृत्व में रखना हो। इससे किसी भी एक प्रोजेक्ट की गति में थोड़ा नुकसान होता है, लेकिन इसका मतलब है कि हम कभी भी केवल एक ही व्यक्ति को खोने के जोखिम में नहीं होते जो समझता है कि चीज़ कैसे काम करती है।

तीसरा, व्यक्ति को चेकपॉइंट से दूर रखें। यदि किसी AI प्रोजेक्ट को आगे बढ़ने से पहले एक विशेषज्ञ की मंजूरी की वास्तव में आवश्यकता है, तो कारण लिखें और किसी अन्य व्यक्ति का नाम शामिल करें जो तिमाही के भीतर वह मंजूरी दे सके। यदि आप दूसरा नाम नहीं सोच पाते, तो आप संभवतः पुराने बस फ़ैक्टर समस्या का सामना कर रहे हैं।

और चौथा। यह वह परीक्षण है जो मैं स्वयं पर लागू करता हूँ: अपनी कंपनी में आखिरी बड़ी विचार को याद करें जो आपका नहीं था, और पूछें कि आपने इसे साकार करने में कितना योगदान दिया। यदि आपको कुछ सेकंड से अधिक सोचने की जरूरत पड़े, तो उस पर विचार करें। मैंने जिन सबसे मजबूत नवाचार संस्कृतियों को देखा है, उनमें अधिक साझा जिम्मेदारी और कम प्रमुख व्यक्तिगत योगदानकर्ता होते हैं। ये योगदानकर्ता इतनी व्यापक रूप से बंटे होते हैं कि कोई भी व्यक्ति, चाहे वह कितना भी सक्षम हो, प्रगति के लिए अनिवार्य नहीं बनता।

लोग Gartner के 20% आंकड़े को प्रशिक्षण अंतर के रूप में पढ़ते रहेंगे, और प्रशिक्षण इसका हिस्सा है। लेकिन मैंने कई रोलआउट देखे हैं और जाना है कि कठिन समाधान अधिक लोगों को तेज़ी से टूल्स उपयोग करने की शिक्षा देने से कम, और आपके तेज़ सीखने वालों को यह महसूस कराना है कि जब उनका अपना प्रगति सभी के लिए समर्थन करना बंद कर देता है, तो वह कब हुआ।