एआई एजेंटों को वास्तविक समस्या का सामना क्यों करना पड़ता है – यह प्रौद्योगिकी नहीं, ज्ञान है

पिछले वर्ष, एसएंडपी ग्लोबल रिपोर्ट की थी कि कंपनियों का अधिकांश एआई पहलों को छोड़ने का अनुपात दोगुना से अधिक हो गया है, 17% से 42% तक। इससे पहले, गार्टनर प्रकाशित एक पूर्वानुमान पर एजेंटिक एआई परियोजनाओं: 40% उनमें से 2027 के अंत तक बंद हो जाएगा।

मैकिन्से एंड कंपनी के अनुसार, लगभग आधी कंपनियां एआई एजेंटों के साथ प्रयोग कर रही हैं। लेकिन कितनी कंपनियां वास्तव में पायलट चरण से आगे बढ़कर संचालन कर रही हैं? लगभग एक दसवां हिस्सा।

उद्योग में कई स्पष्टीकरण हैं: मॉडल हॉलुसिनेशन, शासन की कमी, उच्च जीपीयू लागत, और विशेषज्ञों की कमी। ये सभी वास्तविक चुनौतियां हैं। लेकिन तीन वर्षों से ज्ञान प्रबंधन प्रणाली और एआई एजेंटों के साथ काम करने के बाद, मैं एक अलग पैटर्न देख रहा हूं: कंपनियां अपने एजेंटों को अधूरा डेटा प्रदान कर रही हैं।

एक शिक्षा विज्ञान के डॉक्टर के रूप में, मैं इसे ज्ञान स्थानांतरण समस्या के रूप में देखता हूं। यदि कोई व्यक्ति अपने निर्णय लेने के तरीके को समझा नहीं सकता है, तो उनकी तर्क को एक नए कर्मचारी को स्थानांतरित नहीं किया जा सकता है – और न ही एक एआई एजेंट को। आइए देखें कि यह क्यों होता है और इसके बारे में क्या किया जा सकता है।

कंपनी के संचालन के बारे में ज्ञान कहां रहता है

एक बड़ी कंपनी से पूछें कि कर्मचारी ज्ञान कहां संग्रहीत है, और आपको एक लंबी सूची मिलेगी: कॉन्फ्लुएंस, शेयरपॉइंट, एलएमएस प्लेटफ़ॉर्म, एफएक्यू बॉट, स्लैक आर्काइव। यह ऐसा लगता है कि यह वह स्टैक है जो एक आरएजी सिस्टम का उपयोग करके सभी आवश्यक जानकारी प्राप्त कर सकता है। लेकिन एक महत्वपूर्ण तत्व गायब है – ज्ञान जो लोगों के दिमाग में रहता है। ज्ञान जिसे कभी किसी ने लिखा नहीं है।

यह समस्या क्यों है?

क्योंकि एक एआई एजेंट को कार्य प्रवाह का एक हिस्सा लेने के लिए – संदर्भ को समझने, एक क्रिया चुनने और एक कार्य को पूरा करने के लिए – यह न केवल ज्ञान आधार तक पहुंच की आवश्यकता है, बल्कि एक अनुभवी विशेषज्ञ द्वारा उपयोग किए जाने वाले निर्णय लेने के तर्क की भी आवश्यकता है।

एक नए समर्थन एजेंट को एक अनुरोध मिला: एक ग्राहक दावा करता है कि उन्होंने सेवा के लिए भुगतान किया है, लेकिन अभी तक पहुंच सक्रिय नहीं हुई है। स्क्रिप्ट में एक मानक सेट के चरण होते हैं जो ग्राहक से पूछने के साथ समाप्त होते हैं कि वे प्रतीक्षा करें। हालांकि, एजेंट को लगता है कि स्थिति असामान्य है: ग्राहक पहले ही दो बार समर्थन से संपर्क कर चुका है, और पिछले एक घंटे में कई ऐसे मामले हैं जो बुनियादी स्क्रिप्ट से मेल नहीं खाते हैं। वे एक अधिक अनुभवी सहयोगी से संपर्क करते हैं, जो बताते हैं कि उन्होंने ऐसा पहले देखा है और समस्या सबसे अधिक संभावना भुगतान गेटवे, बैंक और आंतरिक सक्रियण प्रणाली के बीच विफलता के कारण होती है – इसलिए मामले को दूसरे विभाग में बढ़ाया जाना चाहिए।

एक एआई एजेंट के लिए, यह तर्क अदृश्य है। यह स्क्रिप्ट, टिकट इतिहास और भुगतान स्थिति तक पहुंच सकता है यदि ये डेटा स्रोत जुड़े हुए हैं, लेकिन यह नहीं जानता कि एक अनुभवी ऑपरेटर कौन से संकेत निर्णायक मानता है। यह नहीं है कि विशेषज्ञ जानबूझकर इस ज्ञान को छुपा रहे हैं। वे बस इसे औपचारिक बनाने या चरणों में तोड़ने में असमर्थ हैं: जिन विकल्पों को खारिज कर दिया गया, क्यों एक विशेष क्रिया चुनी गई, और कब यह स्पष्ट हो गया कि मानक परिदृश्य लागू नहीं होता है। संज्ञानात्मक वैज्ञानिक इसे तैकित ज्ञान के रूप में जानते हैं – ज्ञान जो अपने धारक को भी पूरी तरह से पता नहीं हो सकता है।

यही कारण है कि बोतलनेक दस्तावेजों तक पहुंच के स्तर पर नहीं है, बल्कि विशेषज्ञ अनुभव को एक एआई एजेंट के लिए उपयुक्त प्रारूप में परिवर्तित करने के चरण पर है।

इसके बारे में क्या किया जा सकता है

एक एआई एजेंट को प्रभावी ढंग से काम करने के लिए, यह पर्याप्त नहीं है कि एक एलएलएम को एक कॉर्पोरेट ज्ञान आधार से जोड़ा जाए, क्योंकि सफल निर्णय अक्सर तैकित ज्ञान पर निर्भर करते हैं। एक ज्ञान परत पहले बनाई जानी चाहिए, जिसमें संरचित निर्णय लेने के मानदंड शामिल हों।

ज्ञान प्रबंधन में, इस प्रक्रिया को बाहरीकरण कहा जाता है – तैकित ज्ञान को स्पष्ट ज्ञान में परिवर्तित करना। दूसरे शब्दों में, एक कंपनी को यह समझने की आवश्यकता है कि न केवल एक विशेषज्ञ क्या करता है, बल्कि वह कैसे सोचता है। यह आमतौर पर एक शीर्ष विशेषज्ञ के साथ गहरे साक्षात्कार की एक श्रृंखला के माध्यम से किया जाता है। उनके साथ कोई होना चाहिए जो सही प्रश्न पूछने में कुशल हो: एक विधिवेत्ता, ज्ञान अभियंता, या निर्देशात्मक डिज़ाइन विशेषज्ञ। उनका काम एक “निर्देश” लिखना नहीं है जो विशेषज्ञ के अनुसार है, बल्कि विकल्पों के बीच चयन के मानदंड का पुनर्निर्माण करना, किनारे के मामलों को तोड़ना, और उन त्रुटियों को उजागर करना जो विशेषज्ञ पहले से ही स्वचालित रूप से संभालता है।

यहां, एआई काफी मदद कर सकता है: साक्षात्कार का लिप्यंतरण, समान मामलों का समूह, विशेषज्ञ व्याख्याओं को मसौदा परिदृश्यों में बदलना, और मान्यकरण के लिए स्थितियों का उत्पादन। हालांकि, अंतिम संरचना की समीक्षा और अनुमोदन विशेषज्ञ द्वारा किया जाना चाहिए।

परिणाम एक कार्यशील ज्ञान निगम होना चाहिए। इसका उपयोग दो दिशाओं में एक ही समय में किया जा सकता है – नए कर्मचारियों को प्रशिक्षित करने और एक एआई एजेंट को कॉन्फ़िगर करने के लिए। दोनों परिदृश्य एक ही आधार पर निर्भर करते हैं: शीर्ष विशेषज्ञों से संरचित अनुभव।

विकल्प यह है कि कॉन्फ्लुएंस पर आरएजी पर भरोसा करना जारी रखें कि यह कभी भी तर्क को पुनर्निर्माण करेगा जो पहले कभी प्रलेखित नहीं किया गया था। व्यवहार में, यह लगभग कभी नहीं काम करता है: प्रणाली एक प्रासंगिक दस्तावेज प्राप्त कर सकती है, लेकिन यह संदर्भ और अनुभव पर निर्भर कार्रवाई के लिए निर्णय लेने के लिए नहीं सीखेगी।

एजेंट को काम करने के लिए तैयार होने की जांच कैसे करें

आपने विशेषज्ञ ज्ञान को परिदृश्यों में परिवर्तित किया है और एजेंट को कॉन्फ़िगर किया है। लेकिन एजेंट के संभावित उत्तरों और वास्तविक संचालन प्रदर्शन के बीच एक अंतर है – और यह अंतर केवल मान्यकरण के दौरान ही दिखाई देता है। इस चरण में, यह महत्वपूर्ण है कि यह निर्धारित किया जाए कि क्या आपने वास्तव में सभी आवश्यक ज्ञान को पकड़ लिया है।

एक व्यावहारिक दृष्टिकोण परिदृश्य-आधारित परीक्षण है। आप एजेंट को वास्तविक मामले देते हैं जो एक विशेषज्ञ के दैनिक कार्य से हैं: एक ग्राहक शुल्क के बारे में विवाद करता है, एक असामान्य ईमेल आता है, या एक अनुरोध आता है जो मूल स्क्रिप्ट से मेल नहीं खाता है। परिणामों का मूल्यांकन एक अन्य एलएलएम द्वारा नहीं किया जाना चाहिए, बल्कि उसी विशेषज्ञ द्वारा जिसने ज्ञान निगम बनाने में मदद की थी। यदि एजेंट एक अनुभवी विशेषज्ञ से अलग मार्ग लेता है, तो इसका मतलब यह नहीं है कि मॉडल कमजोर है। अधिक बार, यह इंगित करता है कि एक महत्वपूर्ण नियम, अपवाद, या उदाहरण गायब है। उस स्थिति में, प्रक्रिया शुरू से शुरू होती है: विधिवेत्ता विशेषज्ञ के साथ तर्क को स्पष्ट करता है, ज्ञान निगम को अद्यतन किया जाता है, निर्देशों को परिष्कृत किया जाता है, और परीक्षण दोहराया जाता है।

यह चक्र एक वैकल्पिक चरण नहीं है, बल्कि एक चरण है जो एक एजेंट के बीच के अंतर को परिभाषित करता है जो केवल “संभावना” दिखाता है और जो वास्तव में काम करता है। यह एक धीमी और बहुत प्रभावशाली नहीं है: यह एक आकर्षक डेमो का उत्पादन नहीं करता है और विशेषज्ञों की भागीदारी की आवश्यकता है। लेकिन जो लोग इसे व्यवस्थित रूप से करते हैं वे उन एजेंटों के साथ समाप्त होते हैं जो वास्तव में विशेषज्ञों के लिए रूटीन कार्यभार को कम करते हैं। जो लोग इसे छोड़ देते हैं, उन्हें छह महीने के भीतर अक्सर गार्टनर के आंकड़ों में पाते हैं, जो भविष्यवाणी करते हैं कि 40% परियोजनाओं को रद्द कर दिया जाएगा।

एजेंटिक एआई प्रौद्योगिकी के कारण विफल नहीं होता है – आधुनिक मॉडल पहले से ही जटिल कार्यों को करने में सक्षम हैं। यह इसलिए विफल होता है क्योंकि कंपनियां इसे अधूरा ज्ञान “खिलाती” हैं। 2024-2025 में, इसे अभी भी प्रायोगिक चरण से समझाया जा सकता था। 2026 में, यह गलती पहले से ही एक उच्च लागत पर आती है।