एआई व्यक्तिगतीकरण क्यों विफल रहता है, और मॉडल इसका कारण शायद ही कभी होता है

हर एआई सुविधा डेमो में शानदार दिखती है। व्यक्तिगत ग्रीटिंग उतरती है, सिफारिश अनोखी लगती है, और कमरा सिर हिलाता है। परेशानी तब शुरू होती है जब weeks बाद, जब उसी सुविधा एक वास्तविक उपयोगकर्ता को कुछ आत्मविश्वास से गलत बताती है, और वे इसे फिर से कभी विश्वास नहीं करते हैं।

2026 में, एआई व्यक्तिगतीकरण प्रत्येक उत्पाद टीम की योजना में शीर्ष वस्तु है। फिर भी, 42% कंपनियों ने अपनी अधिकांश एआई पहल को उत्पादन से पहले छोड़ दिया, पिछले वर्ष के 17% से अधिक। जो कुछ भी जहाजों में जाता है वह देर से जुड़ा हुआ है और उन तरीकों से टूट जाता है जिन्हें आप दिन एक पर बुला सकते थे। यहाँ उन चार गलतियों के बारे में बताया गया है जिन्हें हम बार-बार देखते हैं, जो सेंसिंग डिवाइसों की एक पंक्ति बनाने से सीखा गया है, लेकिन उनमें से कोई भी सेंसर या हार्डवेयर के बारे में नहीं है, प्रति से। यदि आप किसी चीज़ पर व्यक्तिगतकरण परत डाल रहे हैं, तो वे आपका इंतजार कर रहे हैं।

हवा की गुणवत्ता की भावना के बारे में बात करते हुए, एक त्वरित उदाहरण यह स्पष्ट करने के लिए कि यह क्या है। एक उपकरण एक नए घर में रखा जाता है, जो उस घर के बारे में कुछ भी नहीं जानता है, खाना पकाने के पैटर्न, वेंटिलेशन की खामियों, या मौसमी पराग चक्र। पहले कुछ हफ्तों में जो भी पैटर्न सामने आता है वह एक प्रोजेक्शन है, एक पोर्ट्रेट नहीं। प्रोजेक्शन और पोर्ट्रेट के बीच का अंतर वह जगह है जहां चार गलतियां रहती हैं।

गलती 1: डेटा की समस्या होने पर बड़े मॉडल के लिए पहुंचना

जब व्यक्तिगतीकरण कम प्रदर्शन करता है, तो प्रवृत्ति मॉडल को अपग्रेड करने की होती है, जो शायद ही कभी मदद करता है। व्यक्तिगतीकरण प्रति-उपयोगकर्ता डेटा पर चलता है, फिर भी यह डेटा पतला और छेद से भरा होता है। एक नए उपयोगकर्ता के पास कोई इतिहास नहीं है, और हर टीम ने सीखा है कि कठिन तरीके से शुरुआती समस्या है। एक सक्रिय उपयोगकर्ता आपको कुछ दिनों की रीडिंग देता है जो एक स्थिर पैटर्न जैसा कुछ भी नहीं दिखता है। उसे एक कुशल मॉडल में खिलाएं, और… आप अंतर्दृष्टि नहीं प्राप्त करते हैं। अक्सर आप आत्मविश्वासी बकवास प्राप्त करते हैं क्योंकि मॉडल चुपचाप उन सभी के औसत के साथ अंतराल को भर देता है और इसे आपके रूप में वापस प्रस्तुत करता है।

डेटा आपूर्ति श्रृंखला वास्तविक प्रतिबंध है। 2025 के एक सर्वेक्षण में 200 सीएमओ के एक सर्वेक्षण के अनुसार, केवल 45% डेटा संगठन जो एआई-संचालित निर्णय लेने के लिए वास्तव में उपयोगी है, उसे इकट्ठा करते हैं। एक अलग रैंड विश्लेषण में पाया गया कि कई एआई परियोजनाएं विफल हो जाती हैं क्योंकि संगठनों के पास प्रभावी एआई मॉडल को प्रशिक्षित करने के लिए आवश्यक डेटा नहीं है, साथ ही साथ कार्य प्रवाह और गैप के साथ। द एमआईटी “जेनएआई डिवाइड” रिपोर्ट उत्पादन विफलता दर को और भी अधिक बताती है। लगभग 95% एंटरप्राइज जेनरेटिव एआई पायलट पीएंडएल प्रभाव को वितरित करने में विफल रहते हैं, जिसमें नाजुक कार्य प्रवाह और पर्याप्त संदर्भ学习 को प्रमुख अपराधी के रूप में उद्धृत किया जाता है।

एक नेचर मेडिसिन अध्ययन में पाया गया कि चिकित्सा एआई में भी यही पैटर्न है। सिस्टम पूर्ण, संरचित मामलों के साथ अच्छा प्रदर्शन करते हैं और जब सामान्य लोग अपनी स्थिति के बारे में बात करते हैं तो वे लड़खड़ा जाते हैं। सच्चाई यह है कि आपके उपयोगकर्ता डिफ़ॉल्ट रूप से आंशिक, फजी स्थिति में हैं। समाधान एक तेज़ मॉडल नहीं है – यह इतनी कम जानकारी के बारे में एक ईमानदार खाता है जो आप इस व्यक्ति के बारे में अभी तक जानते हैं, और इसके अनुसार कार्य करने की अनुशासन है। जब तक आप एक व्यक्तिगत बेसलाइन नहीं सीखते हैं और अर्जित नहीं करते हैं, अक्सर कम व्यक्तिगत करने का सही कदम है, न कि अधिक, और लोगों के पार जो धारणा रखते हैं उस पर निर्भर रहने के बजाय एक प्रोफ़ाइल का आविष्कार करने के लिए कुछ बिंदुओं से।

हवा की गुणवत्ता की भावना में यह समस्या संरचनात्मक है। एक अर्थपूर्ण व्यक्तिगत वायु गुणवत्ता प्रोफ़ाइल स्थापित करने के लिए विभिन्न गतिविधियों, वेंटिलेशन राज्यों और आउटडोर स्थितियों में कई हफ्तों की निरंतर रीडिंग की आवश्यकता होती है। एक इनडोर डिवाइस जो सर्दियों में स्थापित किया जाता है वह गर्मियों के प्रदूषण प्रोफ़ाइल को कैप्चर नहीं करता है। एक जो किचन में रखा जाता है वह बेडरूम के बारे में कुछ भी नहीं जानता है। मौसमी ड्रिफ्ट, कब्जे में परिवर्तन और यहां तक कि फर्नीचर की व्यवस्था एक घर के बेसलाइन को एआई-फ्लैग की तुलना में अधिक बदल सकती है। अनोमली का पता लगाने वाला है। फिर भी, टीमें नियमित रूप से 48 घंटे के डेटा के बाद “व्यक्तिगत” अंतर्दृष्टि को सतह पर लाना शुरू कर देती हैं – ठीक उस समय जब आबादी के औसत ही एकमात्र ईमानदार संकेत उपलब्ध होते हैं।

गलती 2: डेटा के लिए कमाई नहीं की हुई आत्मविश्वास को जहाज करना

एक मॉडल तब तक झंडा नहीं दिखाएगा जब तक कि आप इसे मजबूर न करें। अकेले छोड़ दिया, यह अक्सर एक उपयोगकर्ता के लिए जो तीन साल के इतिहास के साथ है और एक उपयोगकर्ता के लिए जो तीन घंटे के साथ है, एक ही तेज़ उत्तर लौटाता है। उस व्यक्ति के लिए जो इसे पढ़ रहा है, वे उत्तर एक जैसे दिखते हैं – जब तक कि उनमें से एक गलत न हो जाए।

यही वह जगह है जहां विश्वास मर जाता है। किसी को बताएं कि उन्होंने X के कारण खराब नींद ली है क्योंकि गलत आत्मविश्वास के साथ, एक बार में स्पष्ट रूप से गलत हो जाने पर, वे आपके पूरे उत्पाद को गिमिक के तहत दायर कर देंगे। वे ऐसा करने के लिए तैयार हैं। विश्वास घाटा पहले से ही संरचनात्मक है: एक 2026 क्वांटम मेट्रिक बेंचमार्क सर्वेक्षण में, 81% उपभोक्ताओं ने कहा कि वे एक बार खराब एआई-संचालित अनुभव के बाद ब्रांड पर वापस नहीं जाएंगे। एक रिथम सर्वेक्षण यूएस और यूके के खरीदारों ने पाया कि 58% ब्रांड को दोष देते हैं – एआई टूल के बजाय – जब एआई सिफारिश गलत साबित होती है, और 16% उत्पाद को पूरी तरह से खरीदने से बचेंगे। केवल 13% उपभोक्ता कहते हैं कि वे एआई पर पूरी तरह से विश्वास करते हैं।

हवा की गुणवत्ता एक स्पष्ट मामला है। पीएम 2.5 सांद्रता एक ही दिन में खाना पकाने, सफाई, यातायात, मौसम और कई अन्य कारकों के आधार पर एक क्रम द्वारा भिन्न हो सकती है। एक उपयोगकर्ता को बताना कि उनका एक्सपोजर “आपके लिए बढ़ा हुआ” है तीन दिन की रीडिंग के बाद एक मंगलवार की सुबह को एक स्थायी व्यक्तिगत पैटर्न के साथ मिलाता है। मॉडल झूठ नहीं बोलता है। यह बस यह नहीं जानता कि यह क्या नहीं जानता है – जब तक कि टीम ने उस जागरूकता का निर्माण नहीं किया है। एक आत्मविश्वास सीमा (“आपका विशिष्ट सीमा अभी भी स्थापित की जा रही है”) एक कमजोरी संकेत नहीं है। स्वास्थ्य से संबंधित सेंसिंग उत्पादों में, यह दिखाने के लिए एकमात्र ईमानदार बात है।

स्वास्थ्य संदर्भों में, दांव जोड़े जाते हैं। एक जेएमआईआर म्हेल्थ गुणात्मक अध्ययन में पाया गया कि उपयोगकर्ता व्यक्तिगत स्वास्थ्य डेटा साझा करने और एआई सिफारिशों पर कार्रवाई करने की इच्छा इस बात पर बहुत अधिक निर्भर करती है कि क्या वे समझते हैं कि प्रणाली उनके डेटा का उपयोग कैसे करती है और क्या तर्क स्पष्ट रूप से समझाया गया है। एक संबंधित अनिश्चितता-विज़ुअलाइज़ेशन अध्ययन में पाया गया कि एआई अनिश्चितता को प्रदर्शित करने से उपयुक्त विश्वास बढ़ सकता है, न कि केवल उपयोगकर्ताओं को अलर्ट करने के लिए।

सबसे सस्ता विश्वसनीयता सुविधा जिसे आप बना सकते हैं वह “अभी तक पर्याप्त डेटा नहीं” या “सीखने में प्रगति” लाइन है। लगभग कोई भी इसे नहीं बनाता है, क्योंकि यह कमजोरी स्वीकार करने जैसा लगता है। फिर भी, यह विपरीत है। उस पंक्ति रखते हुए एक उपयोगकर्ता को उस दिन रखता है जब एक आत्मविश्वासी अनुमान उन्हें खो देगा।

गलती 3: उपयोगिता के बजाय वाह के लिए अनुकूलन

व्यक्तिगतीकरण अक्सर पहले सत्र में प्रभावित करने के लिए निर्मित किया जाता है, न कि सैकड़ों सत्र में। वाह पल्टमेंट सुंदर दिखता है और खराब हो जाता है। और भी बुरा, वही चालाकी जो जादू जैसा लगता है तुरंत अजीब घाटी में बदल जाती है जो शांति से एक ब्रांड को बर्बाद कर देती है।

लोग एआई के बीच अंतर महसूस कर सकते हैं जो उन्हें सेवा देता है और एआई जो एक डैशबोर्ड की सेवा करता है। एक क्वाल्ट्रिक्स 2026 कंज्यूमर एक्सपीरियंस ट्रेंड्स रिपोर्ट में पाया गया कि लगभग एक पांचवां उपभोक्ता जिन्होंने ग्राहक सेवा के लिए एआई का उपयोग किया था, उन्हें कोई लाभ नहीं मिला।

त्याग के आंकड़े कहानी को स्पष्ट रूप से बताते हैं। 71% उपभोक्ता कहते हैं कि वे एक खरीद को छोड़ देंगे यदि एआई-संचालित अनुभव उन्हें प्रासंगिक नहीं लगता है। ई-कॉमर्स में, विशेष रूप से, 69% खरीदार एक एआई सिफारिश के कारण एक खोज छोड़ देते हैं जो उन्हें प्रासंगिक नहीं लगती है। जबकि, 80% व्यवसायिक नेता अपनी कंपनी के व्यक्तिगतीकरण को उत्कृष्ट दर्जे का मानते हैं – लेकिन केवल 8% ग्राहक सहमत हैं। यह अंतर एक उत्पाद समस्या है क्योंकि टीमें आंतरिक रूप से महसूस होने वाले मीट्रिक के लिए अनुकूलित होती हैं, न कि उपयोगकर्ताओं के लिए प्रासंगिक और अच्छे परिणामों के लिए।

गार्टनर शोध में पाया गया कि व्यक्तिगत ग्राहक खरीदारी की संभावना 3.2 गुना अधिक होती है और 44% कम होती है कि वे उसी ब्रांड से फिर से खरीदेंगे – व्यक्तिगतीकरण की निंदा जो रूपांतरण पर व्यक्तिगतीकरण को प्राथमिकता देता है। वाह एक देनदारी बन जाता है।

नवाचार हर साल तेजी से बंद हो जाता है। जो विशेषताएं उत्पाद के दूसरे वर्ष को बचाती हैं वे पहले सत्र के लिए नहीं बनाई जाती हैं, बल्कि सैकड़ों सत्र के लिए बनाई जाती हैं।

गलती 4: एक ब्लैक बॉक्स के भीतर व्यक्तिगतकरण

व्यक्तिगतीकरण अक्सर कुछ अंतरंग डेटा की आवश्यकता होती है, और मॉडल जितना अधिक व्यक्तिगत होगा, उतना ही अधिक संवेदनशील डेटा आप अब जिम्मेदार होंगे। यह 2026 में अमूर्त नहीं रह गया है। वर्ष के शुरुआती महीनों में, पांच प्रौद्योगिकी कंपनियों ने उपभोक्ता-सामना करने वाले एआई स्वास्थ्य उपकरणों को लॉन्च किया, जिनमें उपयोगकर्ताओं को चिकित्सा रिकॉर्ड, प्रयोगशाला परिणाम और पहनने योग्य डेटा को एक ही प्रोफ़ाइल में जोड़ने की अनुमति देने वाले उत्पाद शामिल हैं। जो कुछ भी आप व्यक्तिगत करते हैं वह उन प्रणालियों की ओर बढ़ रहा है।

दो विफलताएं होती हैं। पहला है अस्पष्टता। एक सिफारिश जिसे उपयोगकर्ता नहीं खोल सकता, प्रश्न नहीं कर सकता या सही नहीं कर सकता, व्यक्तिगतीकरण नहीं है, यह एक निर्णय है, और लोग निर्णय लेने से नाराज होते हैं अपने स्वयं के शरीर और आदतों के बारे में। एआई स्वास्थ्य कोच जो अब कल्याण ऐप में सामान्य हैं, सलाह के पीछे के तर्क को देखने में सक्षम होने पर जीते या हार जाते हैं। जेएमआईआर म्हेल्थ अध्ययन ने सीधे तौर पर इसकी पुष्टि की: उपयोगकर्ताओं की इच्छा व्यक्तिगत स्वास्थ्य डेटा साझा करने और एआई सिफारिशों पर कार्रवाई करने की इस बात पर बहुत अधिक निर्भर करती है कि क्या वे अपने डेटा का उपयोग कैसे किया जा रहा है और क्या तर्क स्पष्ट रूप से समझाया गया है।

दूसरी विफलता उपेक्षा है। टीमें हर संकेत को “मॉडल को इसकी आवश्यकता हो सकती है” के लिए इकट्ठा करती हैं, जो एक देनदारी बन जाती है जिसे उन्होंने कभी मूल्यांकित नहीं किया है। 2026 ट्रांसेंड स्टेट ऑफ कस्टमर डेटा रिपोर्ट में पाया गया कि 93% संगठन एआई लाइफसाइकल के दौरान डेटा अनुमति या शासन के मुद्दों का सामना करते हैं, और 85% उद्यमों में कम से कम चार मूलभूत एआई डेटा शासन क्षमताओं में से एक की कमी है। व्यक्तिगतीकरण / ग्राहक अनुभव एआई पहल में से 30% विशेष रूप से इन अंतराल के कारण रुक गए हैं। एक और 61% उपभोक्ता ब्रांडों द्वारा उनके डेटा के उपयोग के बारे में संदेहास्पद हैं, जबकि 54% जानना चाहते हैं कि वे एआई के साथ बातचीत कर रहे हैं या नहीं।

कम इकट्ठा करना और अंतर्दृष्टि को स्पष्ट बनाना बेहतर है। लोगों को उनसे तर्क करने दें।

विफलताओं में क्या समान है

नोटिस थ्रेड। इनमें से कोई भी बुद्धिमत्ता की विफलता नहीं है। मॉडल आमतौर पर स्टैक का सबसे मजबूत हिस्सा है। वे ईमानदारी की विफलताएं हैं: आप कितना कम डेटा है, कितना सुनिश्चित है, क्या आप सुविधा का निर्माण करने के लिए बनाया गया है, और आप क्या एकत्र कर रहे हैं और क्यों। यह असहज है, क्योंकि ईमानदारी डेमो अच्छी तरह से नहीं करता है, दुर्भाग्य से। एक हेज कम प्रभावशाली है एक आत्मविश्वासी उत्तर की तुलना में, और एक छोटा, सावधानी से निर्मित सुविधा एक व्यापक एक के बगल में मामूली दिखती है। जो टीमें दूसरे वर्ष जीतती हैं वे वे हैं जिन्होंने इसके साथ शांति बनाई है।

क्या वास्तव में काम करता है

यह एआई व्यक्तिगतीकरण के खिलाफ तर्क नहीं है। यह संयम के लिए तर्क है। दायरे को संकीर्ण करें जब तक कि आप इसके भीतर सही न हों। व्याख्या करने से पहले कैलिब्रेट करें, और जो आप मापते हैं उसे जो आप अनुमान लगाते हैं उसे अलग रखें। अनिश्चितता को छिपाने के बजाय दिखाएं। हर अंतर्दृष्टि को कुछ ऐसा बनाएं जिस पर उपयोगकर्ता जांच कर सके और तर्क कर सके या वापस धक्का दे सके। अगले ट्रस्ट के टुकड़े को कमाने से पहले इसे कमाएं। बिना ग्लैमर के, सभी – और यह एक सुविधा के बीच की रेखा है जिसे लोग रखते हैं और जो वे एक सप्ताह में बंद कर देते हैं।

डेमो पर वापस जाएं। दिन एक पर कमरे को आश्चर्यचकित करने वाला संस्करण और एक वर्ष बाद उपयोगकर्ता अभी भी विश्वास करता है वही उत्पाद नहीं है, और उनके बीच का अंतर शायद ही कभी मॉडल है। यह टीम है जो पतले डेटा के बारे में सच बताती है, “मुझे नहीं पता” कहने में सहज महसूस करती है, और अपना काम दिखाती है। एआई व्यक्तिगतीकरण का कठिन हिस्सा कभी भी बुद्धिमत्ता के बारे में नहीं था। यह विनम्रता थी। अधिकांश टीमें अभी भी उस हिस्से को छोड़ रही हैं, और उनके उपयोगकर्ता बता सकते हैं।