Chris Perry, Andus Labs के संस्थापक और सीईओ – साक्षात्कार श्रृंखला

Chris Perry, Andus Labs के संस्थापक और सीईओ, एक संचार, डिजिटल रणनीति और नवाचार कार्यकारी हैं जिनके पास लगभग तीन दशकों का अनुभव है, जो संगठनों को प्रौद्योगिकी और व्यवसाय में बड़े बदलावों को नेविगेट करने में मदद करता है। Andus Labs की स्थापना 2025 में करने से पहले, Perry ने Weber Shandwick में 22 से अधिक वर्षों तक काम किया, जहाँ उन्होंने भविष्य विभाग के चेयरमैन, मुख्य नवाचार अधिकारी, डिजिटल संचार के अध्यक्ष, डिजिटल रणनीति और संचालन के EVP, और SVP सहित कई वरिष्ठ नेतृत्व भूमिकाएँ संभालीं। अपने करियर की शुरुआती अवधि में, उन्होंने General Motors में प्रौद्योगिकी संचार में काम किया और Edelman में उपाध्यक्ष के रूप में कार्य किया। उनका करियर डिजिटल परिवर्तन, उभरती प्रौद्योगिकियों, संगठनात्मक परिवर्तन, और प्रौद्योगिकी और उसे लागू करने वाले लोगों के बीच विकसित होते संबंध पर केंद्रित रहा है।

Andus Labs उद्यमों को AI क्षमताओं को व्यावहारिक संगठनात्मक परिणामों में परिवर्तित करने में मदद करता है, तकनीक के चारों ओर के मानव सिस्टम पर ध्यान केंद्रित करके। कंपनी अपना मिशन “Human OS for AI” बनाने के रूप में वर्णित करती है — एक संचालन परत जो लोगों और AI एजेंटों के बीच कार्य को समन्वित करने के लिए डिज़ाइन की गई है — इस सिद्धांत पर आधारित कि AI निवेश अक्सर तब कम पड़ते हैं जब संगठनात्मक तत्परता, कार्यप्रवाह, और अपनाना स्वयं तकनीक से पीछे रह जाता है। इसका कार्य AI कार्य समन्वय कार्यक्रमों, संगठनात्मक सीख को सुदृढ़ और बढ़ाने वाले उत्पादों, और प्रैक्टिशनर, कलाकार, और मानवतावादी की व्यापक नेटवर्क को शामिल करता है, जो यह खोज रहे हैं कि मानव और AI कैसे प्रभावी रूप से साथ काम कर सकते हैं।

आपने Weber Shandwick में दो दशकों से अधिक समय काम किया, वरिष्ठ डिजिटल भूमिकाओं से लेकर मुख्य नवाचार अधिकारी और भविष्य विभाग के चेयरमैन तक प्रगति की, और 2025 में Andus Labs की स्थापना से पहले। उस अवधि के दौरान बड़े संगठनों के भीतर आपने क्या देखा जिसने आपको यह विश्वास दिलाया कि AI परिवर्तन में सबसे बड़ा बाधा तकनीक के बजाय उसके चारों ओर का मानव और संगठनात्मक सिस्टम होगा?

मैंने इसे पहली बार अपने पिता के डेट्रॉइट स्थित ग्राफिक आर्ट्स स्टूडियो में सीखा, जहाँ मैं शुरू करता था, Weber Shandwick से पहले। डेस्कटॉप पब्लिशिंग ने उनके टाइपसेटर और चित्रकारों द्वारा हाथ से किए जाने वाले काम को सॉफ़्टवेयर में बदल दिया। इसने उनका व्यवसाय मॉडल तोड़ दिया, और उन्होंने इस बदलाव को तब तक नहीं देखा जब तक बहुत देर नहीं हो गई।

Weber Shandwick में मैंने दुनिया की कुछ सबसे बड़ी कंपनियों के साथ नई तकनीकी लहरों—सोशल मीडिया, ब्लॉग, वीडियो, मोबाइल, डेटा—के माध्यम से काम किया। हर बार पैटर्न वही रहा। तकनीक आई। लोग परिवर्तन को महसूस करने लगे और इसे अपने आप उपयोग करने लगे। नेतृत्व और कंपनी की संरचना अंत में ही बदलती रही।

उन शुरुआती लहरों में, कंपनियों ने उस देरी के लिए जमीन खोकर भुगतान किया, लेकिन लोग अभी भी काम करते रहे। AI ज्ञान कार्य के लिए वही करता है जो डेस्कटॉप पब्लिशिंग ने मेरे पिता के स्टूडियो के लिए किया था। जिस तरीके से लोग काम करते हैं, वह सॉफ़्टवेयर में अंतर्निहित हो जाता है।

व्यवसाय स्कूल यह नहीं सिखाते कि लोगों और एजेंटों के बीच काम साझा करने वाली कंपनी कैसे चलाएँ। अधिकांश कंपनियाँ AI को जोड़ देती हैं और पुराना काम तेज़ी से पूरा करती हैं। वास्तविक रिटर्न तब आता है जब नेता अपने कर्मचारियों को AI के साथ काम को पुनः निर्मित करने के लिए तैयार करते हैं। काम तेज़ होने के बजाय रूप बदलता है।

हमने इसका नाम Andus Labs रखा, जैसा कि “and us” (और हम) में है, क्योंकि हमारा मानना था कि अंत में लाभ लोगों पर निर्भर करेगा।

Andus Labs यह तर्क देता है कि उद्यमों के पास उन्नत AI क्षमताएँ हो सकती हैं, फिर भी वे उनसे मूल्य प्राप्त करने के लिए आवश्यक “मानव तत्परता” की कमी रखते हैं। वह कंपनी जो सफलतापूर्वक AI को लागू करती है और वह कंपनी जो वास्तव में काम करने के तरीके को बदल देती है, में क्या अंतर है?

मैं एक ऐसी कंपनी के साथ बैठा जो 80% AI अपनाने की रिपोर्ट कर रही थी और काम के तरीके में लगभग 5% परिवर्तन दिखा रही थी। केवल अपनाने का आंकड़ा बोर्ड प्रस्तुति में आया। दूसरा आंकड़ा छिपा नहीं था। डैशबोर्ड में बस उसके लिए कोई जगह नहीं थी।

परिनियोजन को मापना आसान है। लाइसेंस आवंटित, एजेंट तैनात, लॉगिन। यह गतिविधि है, प्रभाव नहीं। हम ग्राहकों से पूछते हैं कि कंपनी अब क्या कर सकती है जो पहले नहीं कर सकती थी। अधिकांश समय ईमानदार उत्तर वही रिपोर्टें, प्रस्तुतियाँ और विश्लेषण होते हैं, केवल तेज़।

जो कंपनियाँ परिवर्तन कर रही हैं, वे कुछ अलग मापती हैं। क्या पायलट ने पर्याप्त मूल्य उत्पन्न किया जिससे उसे स्केल करना उचित हो? क्या हम बोर्ड के सामने कुछ ऐसा रख सकते हैं जो हम एक साल पहले नहीं बना सकते थे? क्या AI हमारे सबसे मूल्यवान लोगों का बोझ कम कर रहा है ताकि वे केवल वही काम कर सकें जो वे कर सकते हैं? इन सभी को सीटों की तरह गिनना आसान नहीं है, लेकिन ये वही मापदंड हैं जो बताते हैं कि कुछ आगे बढ़ा या नहीं।

इन प्रश्नों का भी एक जिम्मेदार होना आवश्यक है। अधिकांश कंपनियों में पूछें कि यह कौन है और आपको एक सूची मिलेगी। प्लेटफ़ॉर्म का स्वामित्व CIO के पास है। पायलट का स्वामित्व उत्कृष्टता केंद्र के पास है। प्रशिक्षण का स्वामित्व HR के पास है। व्यवसाय पर प्रभाव किसी की सूची में नहीं आता।

एक कंपनी आपको बता सकती है कि कितने लोगों को पहुँच है। दूसरी कंपनी आपको बता सकती है कि क्या बदल गया और इसके लिए कौन जिम्मेदार है।

यह ग्राउंड ट्रुथ इंडेक्स अब 300 दस्तावेज़ित पैटर्न के एक पुस्तकालय से डेटा लेता है, जिन्हें 595 संगठनों के नेताओं के साथ जुड़ाव और वार्तालापों के माध्यम से देखा गया है, और पाँच स्वतंत्र विश्लेषक एजेंट प्रत्येक पैटर्न को स्कोर करते हैं इससे पहले कि शोधकर्ता अंतिम रैंकिंग की समीक्षा और निर्णय लें। इस पद्धति में कैसे बदलाव आया है, मानव निर्णय प्रक्रिया में कहाँ प्रवेश करता है, और आप कैसे सुनिश्चित करते हैं कि इंडेक्स केवल आपके क्षेत्रीय अवलोकनों में पहले से मौजूद मान्यताओं को ही सुदृढ़ न करे?

जैसे-जैसे लाइब्रेरी बढ़ी है, विधि बदल गई है। प्रत्येक पैटर्न व्यवसायिक नेताओं के साथ बातचीत में हम जो सुनते और देखते हैं, उससे शुरू होता है। हम प्रत्येक नए संकेत को लाइब्रेरी के विरुद्ध जांचते हैं, इसे फील्ड अवलोकन और बाहरी शोध के साथ परीक्षण करते हैं, और तय करते हैं कि यह वास्तव में नया है, वह पैटर्न को मजबूत करता है जिसे हम पहले से ट्रैक कर रहे हैं, या कहीं और संबंधित है।

AI हमें हर तिमाही में पूरी लाइब्रेरी का मूल्यांकन करने में मदद करता है, जिसे एक शोध टीम हाथ से नहीं कर सकती। एजेंट प्रत्येक पैटर्न को अलग‑अलग पेशेवर दृष्टिकोण से पढ़ते हैं और उसे समान पाँच आयामों पर स्कोर देते हैं। वे अंधे होकर काम करते हैं, इसलिए कोई एजेंट दूसरे को प्रभावित नहीं कर सकता। हम मध्य मान लेते हैं ताकि एक अकेला अपवाद स्कोर को नहीं बदल सके, और शीर्ष 50 को मानव समीक्षा के लिए भेजा जाता है।

मानव निर्णय पूरे प्रक्रिया में चलता है। हमारी शोध टीम लाइब्रेरी में प्रवेश करने वाले प्रत्येक पैटर्न को मंजूरी देती है, रैंकिंग की समीक्षा करती है और अंतिम 25 का निर्णय लेती है। हम सबसे अधिक उन मामलों में गहराई से देखते हैं जहाँ एजेंट असहमत होते हैं, और जहाँ मीडिया का ध्यान हमारे फील्ड में सुनाई देने वाले संकेतों से टकराता है। हम स्कोर को बदल सकते हैं, लेकिन केवल दस्तावेज़ीकृत अवलोकन के आधार पर: किसने इसे उठाया, हम इसे कितनी बार सुनते हैं, और क्या यह विभिन्न संगठनों में टिकाऊ रहा। एक अनुमान स्कोर को नहीं बदलता।

नया Ground Truth Index “Empty Chairs” को एंटरप्राइज़ AI में पहली बाधा के रूप में रैंक करता है, उन संगठनों का वर्णन करता है जो भर्ती, मूल्य निर्धारण और जोखिम जैसे निर्णयों पर AI सिस्टम को प्रभाव देते हैं, बिना यह स्पष्ट किए कि कौन उत्तरदायी है या किसके पास उन निर्णयों को उलटने का अधिकार है। जैसे AI सिफ़ारिश करने से व्यवसायिक परिणामों को आकार देने तक पहुँचता है, व्यावहारिक मानव उत्तरदायित्व को व्यवहार में कैसे दिखना चाहिए?

जितनी अधिक कार्यों को AI छूता है, उतने ही अधिक निर्णय वह कंपनी की ओर से लेता है। उत्तरदायित्व तकनीक का प्रश्न बनने से पहले प्रबंधन का प्रश्न बन जाता है।

जिम्मेदारी आमतौर पर AI सिस्टम खरीदने वाले और उसे उपयोग करने वाले के बीच कहीं स्थित होती है, और न ही किसी के पास इसका स्वामित्व होता है। यह अंतर तब तक अदृश्य रहता है जब तक कोई निर्णय चुनौती नहीं दिया जाता। यही खाली कुर्सी है।

उत्तरदायित्व का अर्थ है एक नामित नेता जो सिस्टम द्वारा उत्पन्न परिणाम देखता है और उसे समझा सकता है, सुधार सकता है या सिस्टम को रोक सकता है। इसके लिए कई विभागों को पार करने वाली प्रक्रिया पर अधिकार लेना आवश्यक है।

हम नेताओं से अनुरोध करते हैं कि वे इस तिमाही में AI द्वारा मदद किए गए एक महत्वपूर्ण निर्णय को चुनें और हमें बताएं कि उसके लिए कौन उत्तरदायी है। जब उत्तर स्पष्ट नहीं होता, तो कंपनी ने निर्णय लेने के तरीके को बदल दिया है बिना यह तय किए कि इसके लिए कौन जिम्मेदार रहेगा।

“Learning While Drowning” नया Index में दूसरे स्थान पर है, जो उन कंपनियों को उजागर करता है जो AI प्रशिक्षण को अनिवार्य करती हैं जबकि कर्मचारियों के मौजूदा कार्यभार को अपरिवर्तित छोड़ देती हैं। साथ ही, “Optimization Temptation” दिखाता है कि कंपनियां हेडकाउंट बचत को कितनी आसानी से माप सकती हैं, जबकि लोगों को उच्च-मूल्य कार्य में पुनःस्थापित करने के कठिन मापनीय मूल्य की तुलना में। क्या कंपनियां मूल रूप से यह कम आंक रही हैं कि AI के साथ अपने कार्यबल को अधिक उत्पादक बनाने के लिए आवश्यक संगठनात्मक निवेश कितना है, बजाय केवल लागत घटाने के लिए AI का उपयोग करने के?

हाँ। किसी भूमिका को समाप्त करने से होने वाली बचत को स्प्रेडशीट में आसानी से दर्ज किया जा सकता है। उस व्यक्ति के ज्ञान, संबंधों और निर्णय की मूल्य को पकड़ना बहुत कठिन है। बचत इस तिमाही में दिखती है। नुकसान कई वर्षों तक जमा हो सकते हैं।

कट के पीछे का अनुमान अक्सर गलत भी होता है। AI आज के काम को अधिक कुशल बनाता है, और साथ ही नई कार्यों को भी उत्पन्न करता है जिन्हें करना आवश्यक है। हम देख रहे हैं कि टीमें पुनर्संतुलन कर रही हैं, जहाँ लोग पूरी फ़ंक्शन को हटाने के बजाय विभिन्न नौकरियों में स्थानांतरित हो रहे हैं।

AI प्रशिक्षण का अनिवार्य आदेश एक कार्यभार निर्णय है। कंपनियां मौजूदा काम के ऊपर AI प्रशिक्षण जोड़ देती हैं, फिर कम पूर्णता को प्रेरणा समस्या मानती हैं। जिस निवेश को वे छोड़ देते हैं, वह वह है जो कभी बजट में नहीं आता। यह तय करना कि कौन सा काम रुकेगा, घटेगा या स्थानांतरित होगा, और किसने इसे मंजूरी दी, एक निर्णय है। सीखने में समय लगता है। इसे लागू करने में और अधिक समय लगता है, क्योंकि लोगों को अपरिचित उपकरणों का परीक्षण करना, आउटपुट की जाँच करना और अपनी पुरानी कार्यशैली को बदलना पड़ता है।

उत्तर सूची में कोई और आइटम नहीं है। एक टीम को वास्तविक प्रोजेक्ट पर रखें और सीखना काम के भीतर ही होता है।

Index “Devaluation Anxiety” को भी पहचानता है, जो इस बात की चिंताओं को दर्शाता है कि जब AI कर्मचारियों के काम के अधिक मूल्यवान हिस्सों को करने में सक्षम हो जाता है तो उनके साथ क्या होता है। कितनी मात्रा में कार्यकारी जो AI के प्रति प्रतिरोध को लेबल करते हैं, वास्तव में करियर मूल्य के बारे में तर्कसंगत चिंता है, और इन सिस्टमों को पेश करते समय नेताओं को क्या अलग करना चाहिए?

इनमें से अधिकांश तर्कसंगत है। कर्मचारी एक घोषणा में AI की दक्षता के बारे में सुनते हैं और अगली में नौकरी कटौती के बारे में। वे अपने स्वयं के निष्कर्ष निकालते हैं।

नेतृत्व इन्हें अलग संदेशों के रूप में देखता है। टीमें ऐसा नहीं करतीं। वे प्रशिक्षण समाप्त कर देती हैं और उस प्रयोग को रोक देती हैं जो इसे उपयोगी बना सकता था।

आश्वासन इससे नहीं बचाएगा। नेताओं को यह बताना होगा कि नौकरियों के बारे में क्या तय किया गया है, क्या अभी भी अनिश्चित है और लोग किस समर्थन की अपेक्षा कर सकते हैं।

भुगतान के मामले में भी यही बात लागू होती है। कंपनियां यह स्पष्ट करती हैं कि व्यवसाय AI से क्या अपेक्षा करता है और कर्मचारी पक्ष को खाली छोड़ देती हैं। यदि कोई तेज़ हो जाता है, तो उसे इससे क्या मिलता है? बेहतर काम करने की जगह, उन्नति का मार्ग, वापस मिला समय? यह रोलआउट योजना में शामिल होना चाहिए।

कार्यकारी अपनी टीमों से AI के साथ अलग तरीके से काम करने को कह रहे हैं। टीमें पहले कार्यकारियों को यह करते देखना चाहती हैं।

एक और पैटर्न जिसे आप पहचानते हैं वह “Active Inertia” है, जहाँ संगठन AI का उपयोग मौजूदा प्रक्रियाओं को तेज करने के लिए करते हैं, बिना उन्हें मूल रूप से बदलें। वास्तविक AI-नेटिव कार्यप्रवाह पुनःडिज़ाइन कैसा दिखता है, और क्या आप एक उदाहरण दे सकते हैं कि पुरानी प्रक्रिया को तेज करने और AI द्वारा अब संभव किए गए नए तरीके से प्रक्रिया को पुनर्निर्मित करने में क्या अंतर है?

अधिकांश कंपनियां AI को सबसे आसान स्वचालन के लिए लागू करती हैं, जो अक्सर वह काम होता है जो मूलतः ही नहीं होना चाहिए था। रिपोर्टें तेज़ी से निकलती हैं। अनुमोदन उसी गति से चलते हैं जैसा हमेशा चलता आया है। यही Active Inertia है।

पुनःडिज़ाइन प्रारम्भ में तय करता है कि AI मॉडल क्या करेंगे और टीम क्या संभालेगी, फिर उसके अनुसार निर्माण किया जाता है, बजाय पुराने रूप को अपनाने के।

एक साप्ताहिक रिपोर्ट लें। तेज़ संस्करण में AI उसे ड्राफ्ट करता है, और वही लोग उसी दस्तावेज़ की उसी समय‑सारणी पर समीक्षा करते हैं। पुनर्निर्मित संस्करण पूछता है कि रिपोर्ट किस लिए है। यदि यह मौजूद है ताकि कोई जल्दी समस्याओं को पकड़ सके, तो प्रणाली समस्या के उत्पन्न होते ही उसे चिह्नित कर देती है, और रिपोर्ट समाप्त हो जाती है।

आपने लिखा है कि “value equals capability times absorption” और सिस्टम के बजाय केवल सॉफ़्टवेयर के लिए तर्क दिया है। जैसे-जैसे फ्रंटियर मॉडल अधिक कमोडिटाइज़ होते जा रहे हैं और सभी के लिए उपलब्ध हो रहे हैं, क्या एक संगठन की AI के आसपास अवशोषित करने और पुनर्गठित करने की क्षमता मॉडल तक पहुंच से अधिक टिकाऊ प्रतिस्पर्धात्मक लाभ बन सकती है?

हाँ। मॉडलों को तैनात करना उनके चारों ओर कार्य को बदलने की तुलना में आसान है। वे असाधारण शक्ति के साथ आते हैं, हर तिमाही में सस्ते होते जाते हैं। वही मॉडल किसी के लिए भी उपलब्ध हैं। जो आप खरीद नहीं सकते वह कंपनी के भीतर का अनूठा संदर्भ और ऐसे टीम हैं जो उन्हें पूरी क्षमता से उपयोग करने के लिए तैयार हैं।

हम जिस चीज़ को “receiving capacity” कहते हैं वह एक पुराना विचार है। यह टीम की नई चीज़ को स्वीकार करने और उसे काम में लगाने की क्षमता है, और यह निर्णय अधिकार, प्रोत्साहन, कार्यप्रवाह, नौकरी डिज़ाइन और पर्याप्त भरोसे से बनता है जिससे लोग आपको बताते हैं कि क्या गलत हुआ। इन सबको किराए पर नहीं लिया जा सकता।

मैं मूल्य को क्षमता गुणा अवशोषण के रूप में वर्णित करता हूँ क्योंकि दोनों गुणा होते हैं, जोड़ नहीं। एक उत्कृष्ट मॉडल जो किसी ऐसी संस्था में डाला जाता है जो उसे स्वीकार नहीं कर सकती, वह एक बेदाग भाग है जो एक विफल सील से जुड़ा है। क्षमता वास्तविक है, लेकिन प्रतिफल अभी भी शून्य है।

Agentic AI जटिलता की एक और परत जोड़ता है क्योंकि सिस्टम अधिकाधिक कार्य कर सकते हैं, उपकरण उपयोग कर सकते हैं, और उद्देश्यों को प्राप्त कर सकते हैं, केवल प्रतिक्रियाएँ उत्पन्न करने के बजाय। उद्यमों को एजेंट स्वायत्तता और मानव निर्णय‑लेने के बीच कहाँ सीमा खींचनी चाहिए, और जैसे-जैसे एजेंट अधिक अधिकार प्राप्त करते हैं, कौन सी नई शासन संरचनाएँ आवश्यक होंगी?

एक प्रश्न से शुरू करें: जब एजेंट गलती करे तो जवाब कौन देगा?

एजेंट के निर्णय और व्यक्ति के निर्णय के बीच सीमा निर्धारित करें, इससे पहले कि कुछ लाइव हो। अधिकांश कंपनियों को वह सीमा तब मिलती है जब कुछ पहले ही टूट चुका होता है।

जहाँ गलती को उलटना सस्ता और जल्दी दिखती है, वहाँ एजेंट को चलने दें। जब निर्णय किसी की आय, नौकरी की सुरक्षा या कानूनी स्थिति को बदलता है, तो व्यक्ति निर्णय लेता है और एजेंट उसे तैयार करता है।

प्रवृत्ति केंद्रीकरण की होती है। एक समिति बनाएं, एक ढांचा लिखें, तब तक इंतजार करें जब तक यह संभालने योग्य न लगे। जब तक शीर्ष स्तर से मार्गदर्शन कार्य तक पहुँचता है, वह पुराना हो चुका होता है, और जिन लोगों को उत्तर नहीं मिलता वे ऐसे उपकरण उपयोग करने लगते हैं जिन्हें कंपनी ने कभी मंजूरी नहीं दी।

शासन को कार्य के निकट होना चाहिए। टीमों को यह जानना चाहिए कि प्रत्येक एजेंट क्या निर्णय ले सकता है, उसका स्वामित्व किसका है और उसे कैसे रोका जाए। साथ ही उन्हें यह रिकॉर्ड चाहिए कि उसने क्या किया।

संगठन चार्ट को ऐसे एजेंटों के लिए नहीं बनाया गया था जो कार्यों के बीच काम करते हैं, इसलिए कोई एकल फ़ंक्शन विफलता का स्वामी नहीं है। इसे तैनाती से पहले सुलझाएँ, बाद में नहीं।

आगे देखते हुए, यदि एंटरप्राइज़ AI पर सबसे बड़ी बाधाएँ तकनीकी के बजाय संगठनात्मक बनती जा रही हैं, तो आप कैसे अपेक्षा करते हैं कि कंपनियाँ स्वयं बदलेंगी? आज के संगठन चार्ट, प्रबंधन संरचना, नौकरी डिज़ाइन, और निर्णय‑लेने की प्रक्रियाओं में से कौन से हिस्से मानव और AI एजेंटों के साथ मिलकर काम करने वाले संगठनों में परिवर्तन के दौरान जीवित रहने की सबसे कम संभावना रखते हैं?

फ़ंक्शनल संगठन चार्ट के बचने की संभावना सबसे कम है। अधिकांश कंपनियां अभी भी फ़ंक्शन के आधार पर चलती हैं, जहाँ काम एक विभाग से अगले विभाग में पास होता है और हर हस्तांतरण पर स्वीकृति ली जाती है। AI मिनटों में काम उत्पन्न करता है जबकि उसके आसपास की स्वीकृतियों को हफ़्तों लगते हैं। नेताओं से अपेक्षा की जा रही है कि वे उन प्रणालियों के भीतर तेज़ी से काम करें जो चीज़ों को धीमा करने के लिए बनाई गई हैं।

वह चार्ट लोगों के बीच काम हस्तांतरित करने के लिए बनाया गया था, न कि लोगों और एजेंटों के बीच साझा निर्णयों के लिए।
एक समिति इसे सुलझा नहीं पाएगी।

जो चार्ट को बदलता है वह छोटे टीमों जैसा दिखता है जो किसी समस्या के आसपास संगठित होते हैं। एक नेता एक ऐसी समस्या का नाम देता है जिसे हल करना योग्य है, तय करता है कि उसे हल करने के लिए क्या सत्य होना चाहिए, और लोगों और एजेंटों की एक टीम को उस पर लगाता है। उस टीम को अपना स्वयं का फंडिंग और सुरक्षा मिलती है, क्योंकि वह बाकी व्यवसाय की तरह चल नहीं सकती। उस पर मौजूद लोग निर्णयात्मक कॉल लेते हैं और एजेंटों द्वारा उत्पन्न चीज़ों का स्वामित्व लेते हैं।

इलेक्ट्रिक मोटर्स 1880 के दशक में अमेरिकी कारखानों में पहुँचीं, लेकिन उत्पादकता में वृद्धि 1920 के दशक तक दिखाई नहीं दी। शुरू में, कारखानों ने एक बड़ा मोटर वहा रखा जहाँ स्टीम इंजन था, वही लाइन शाफ्ट चलाए और हर मशीन को जहाँ थी वहीं छोड़ दिया। वृद्धि तब आई जब उन्होंने प्रत्येक मशीन को अपना स्वयं का मोटर दिया और कार्य के चारों ओर फ़्लोर को व्यवस्थित किया।

पुनर्व्यवस्था ही क्रांति थी।

बहुत अच्छा साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं, वे Andus Labs पर जाएँ या ग्राउंड ट्रुथ इंडेक्स पर और अधिक जानकारी प्राप्त करें।