विचार नेता
उद्यम AI उन डेटा पर निर्भर करता है जिन पर लोग भरोसा कर सकते हैं
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
2025 में, कंपनियों ने जनरेटिव AI में अनुमानित $30 बिलियन से $40 बिलियन निवेश किया, फिर भी MIT के प्रोजेक्ट NANDA ने पाया कि 300 से अधिक एंटरप्राइज़ डिप्लॉयमेंट्स में से केवल 5 प्रतिशत ने मापने योग्य वित्तीय रिटर्न उत्पन्न किए। जिसे जांचा।
मैंने एंटरप्राइज़ डेटा प्रोग्रामों में 25 से अधिक वर्ष काम किया है। जनरेटिव AI के चर्चा में आने से बहुत पहले, मैंने देखा कि जब लोग उसके पीछे के डेटा पर भरोसा नहीं कर सकते तो तकनीक कितनी जल्दी विश्वसनीयता खो देती है। जनरेटिव AI दांव को बढ़ा देता है क्योंकि यह संदिग्ध डेटा को एक भरोसेमंद उत्तर में बदल सकता है।
पहले हम कहते थे “कचरा इनपुट, कचरा आउटपुट”। अब यह “कचरा इनपुट, आपदा आउटपुट” है। जब डेटा संदिग्ध दिखता था, तो व्यक्ति अपना निर्णय ले सकता था और डेटा विशेषज्ञ से संपर्क कर सकता था। विशेषज्ञ मूल कारण विश्लेषण करता, समस्या पहचानता और समाधान लागू करता। आज, एजेंट्स जिस भी डेटा का सामना करते हैं, उस पर कार्य कर सकते हैं। योग्य मानव निगरानी के बिना, परिणाम संचालन का हिस्सा बन सकता है, निर्णयों में उपयोग हो सकता है, और पूरे संगठन में स्केल हो सकता है।
इसी समस्या का सामना चैटबॉट में भी हो सकता है। गवर्नेंस को छोड़ने से खराब या खराब समझे गए डेटा को एक ऐसा उत्तर में बदल दिया जाता है जो अधिकारपूर्ण लगते हैं, तुरंत और बड़े पैमाने पर।
विश्वास ही वास्तविक अपनाने की बाधा है
जब एक आंतरिक चैटबॉट किसी को आत्मविश्वासी लेकिन गलत उत्तर देता है, तो वह व्यक्ति फिर से उस पर भरोसा नहीं कर सकता। बड़े संगठन में, AI वह डेटा भी खोज लेगा जिसे आप नहीं चाहते कि वह पाए। मैं इसे बिस्तर के नीचे रखी गंदी जुराबों से तुलना करता हूँ: वह डेटा दिख नहीं रहा हो सकता, लेकिन AI उस अंधेरे डेटा को खोज लेगा और उपयोग करेगा।
संदर्भ को डेटा के साथ यात्रा करनी चाहिए और वह आधार होना चाहिए जिस पर LLM निर्भर करते हैं। AI मॉडल डेटा का उपयोग करने से पहले, लोगों को यह जानना चाहिए कि इसका क्या अर्थ है, यह कहाँ से आया है, इसका मालिक कौन है और इसके आसपास कौन से व्यावसायिक नियम और नीतियाँ हैं।
नेतृत्व इसे नजरअंदाज कर सकता है क्योंकि सिस्टम शायद ही कभी क्रैश होता है। AI आत्मविश्वास के साथ गलत हो सकता है; यह आपके पिज़्ज़ा के लिए गोंद सुझा सकता है (बहुत पुराना उदाहरण)। एक चैटबॉट की कल्पना करें जो आत्मविश्वासी लेकिन गलत उत्तर देता है, और कार्यबल उसका भरोसा खो देता है। उस भरोसे को फिर से बनाना शुरुआती सही नियंत्रण स्थापित करने से कहीं अधिक समय लेता है।
यह क्षरण डेटा में भी दिखता है। 90 प्रतिशत से अधिक कंपनियों के कर्मचारी, जिन्हें MIT ने अध्ययन किया, आधिकारिक पायलट जो उनके नियोक्ता ने बनाया था, उनके भरोसे को जीतने में विफल रहने के बाद भी व्यक्तिगत AI टूल्स को साइड में उपयोग करना जारी रखते हैं। जब स्वीकृत टूल उनका भरोसा नहीं जीत पाता, तो कर्मचारी काम पूरा करने के लिए कोई अन्य तरीका खोजते हैं।
इस वर्ष के AI शोध का अधिकांश हिस्सा उसी समस्या की ओर इशारा करता है: संगठन AI को आगे बढ़ा रहे हैं बिना यह काम किए कि उनका डेटा भरोसेमंद हो। Gartner ने अनुमान लगाया कि लगभग दो-तिहाई संगठन या तो AI के लिए सही डेटा प्रबंधन प्रथाओं की कमी रखते हैं या यह नहीं जानते कि उनके पास हैं या नहीं। अलग IDC का शोध ने भरोसे के पक्ष में समान अंतर पाया: 78 प्रतिशत संगठन कहते हैं कि वे अपने AI पर पूरी तरह भरोसा करते हैं, लेकिन केवल 40 प्रतिशत ने वास्तव में गवर्नेंस और व्याख्यात्मक कार्य में निवेश किया है जो उस भरोसे को सही ठहराएगा।
विश्वास और निवेश के बीच असंतुलन यह समझाने में मदद करता है कि क्यों कई AI पहल उत्पादन तक पहुँचने से पहले ही रुक जाती हैं या इच्छित मूल्य के साथ संरेखित नहीं हो पातीं।
AI गवर्नेंस अब प्रतिस्पर्धात्मक लाभ बन गया है
मेरे करियर के अधिकांश समय में, डेटा गवर्नेंस एंटरप्राइज़ आईटी के सबसे कम आकर्षक हिस्सों में से एक था। मेटाडेटा को कैटलॉग करना, स्वामित्व परिभाषित करना, डेटा प्रोफ़ाइलिंग और वर्कफ़्लो प्रबंधन को सफाई कार्य जैसा महसूस हो सकता था। लोग अक्सर इसे छोड़ देते थे क्योंकि प्रयास उसके द्वारा उत्पन्न मूल्य से अधिक लगते थे।
AI ने इसे बदल दिया है। यह डेटा ब्लूप्रिंट डिजाइन करने, उद्योग-निर्मित शब्दकोश बनाने, और डेटा नीतियों की सिफारिश और सक्रिय करने जैसे क्षेत्रों में गवर्नेंस क्षमता बन रहा है। यहां तक कि डेटा लाइनज भी अब पहले से तेज़ी से अनुमानित और सुव्यवस्थित किया जा सकता है, जिससे प्रबंधित डेटा पाइपलाइन और ऑब्ज़र्वेबिलिटी का मूल्य आसानी से समझ में आता है।
नियमावली भी डेटा पारदर्शिता को अधिक तात्कालिक बना रही है। EU AI Act 2 अगस्त 2026 को व्यापक रूप से लागू हुआ, जिसमें कुछ सिस्टम और AI-जनित सामग्री के लिए पारदर्शिता नियम शामिल हैं। यह अधिनियम उच्च-जोखिम वाले सिस्टम के लिए अलग आवश्यकताएँ भी स्थापित करता है, जिसमें दस्तावेज़ीकरण और जानकारी शामिल है जो डिप्लॉयर्स को उनके आउटपुट को समझने में मदद करती है, हालांकि कुछ हाई-रिस्क प्रावधान बाद की समयसीमा के अनुसार आते हैं।
कंपनियों के लिए, व्यावहारिक सबक सीधा है: स्पष्ट लाइनज और गवर्नेंस डेटा के उपयोग, उसके स्रोत और सिस्टम के संचालन के तरीके को दस्तावेज़ करने में आसान बनाते हैं।
अमेरिकी नियामक परिदृश्य अभी भी अनिश्चित है। एक व्यापक संघीय AI कानून के बिना, कंपनियों को विभिन्न राज्य आवश्यकताओं को नेविगेट करना पड़ता है, जबकि व्हाइट हाउस राज्यों की अपनी AI नियम बनाने और लागू करने की क्षमता को सीमित करने की कोशिश कर रहा है। कोलोराडो का AI Act, पुस्तकों में सबसे व्यापक राज्य ढांचा, इस संघर्ष के बीच पहले ही एक बार विलंबित और पुनर्लिखित हो चुका है, और इसके मुख्य दायित्व अब 2027 तक धकेल दिए गए हैं। कई अमेरिकी कंपनियों के लिए, अस्थिरता का इंतजार करने का प्रलोभन है।
मैं तर्क दूँगा कि यह गलत प्रवृत्ति है। चाहे जो भी नियामक मॉडल अंततः यूएस में सफल हो, मूलभूत आवश्यकता नहीं जाएगी। जानें आपका डेटा कहाँ से आया। जानें कि क्या किसी ने वास्तव में इसे AI द्वारा उपयोग करने से पहले सत्यापित किया था। इस अनुशासन को अब विकसित करना कंपनियों को नई नियामकता के लिए तैयार करेगा और आशाजनक AI पायलट्स को ऐसे उपकरणों में बदल देगा जिन्हें व्यवसाय भरोसे के साथ उपयोग कर सके।
5 प्रतिशत को क्या अलग करता है
मैं आपको एक ग्राहक के बारे में बताता हूँ। उनकी जनरल लेजर टीम को हर बार जब बहीखाते में कोई विसंगति दिखाई देती थी, 300 अलग-अलग स्प्रेडशीट्स को छानना पड़ता था। तीन सौ। अंततः किसी ने उस पूरे गड़बड़ को एक एकीकृत गवर्नेड डेटा एसेट के रूप में पुनर्निर्मित किया, जिसमें गणनाएँ, रिपोर्ट और आधारभूत डेटा एक साथ पैकेज किए गए और अग्रिम में सत्यापित किए गए। अगली बार जब कोई समस्या आई, तो समाधान को पहले की तुलना में बहुत कम प्रयास लगा। केवल उस एक प्रक्रिया में, इसने लगभग 750 कार्यदिवस बचाए। यह सिर्फ सफाई करने से ही मिलियन डॉलर की लागत बचत है।
सुधार इस बात से आया कि सही डेटा को ढूँढ़ना आसान और इतना विश्वसनीय बनाना कि बिना दोबारा सोचने के उपयोग किया जा सके। सहयोग और पुन: उपयोग ने इसे संभव बनाया। भरोसेमंद डेटा उत्पादों को कॉरपोरेट मानकों के साथ संरेखित किया जा सकता है, समय के साथ विस्तारित और अपग्रेड किया जा सकता है, भरोसे के लिए स्कोर किया जा सकता है और मूल्य के लिए प्रबंधित किया जा सकता है। यह दृष्टिकोण व्यक्तिगत भौतिक डेटाबेस टेबल्स से जुड़े सैकड़ों या हजारों उत्पाद बनाने की आवश्यकता को कम करता है।
मजबूत प्रोग्राम इस भरोसे को दृश्य बनाते हैं। जिन डेटा मार्केटप्लेसों में मैं काम करता हूँ, वहाँ एसेट्स को गुणवत्ता, क्यूरेशन, उपयोग और स्वामित्व जैसे कारकों के आधार पर सोना, चांदी या कांस्य के रूप में वर्गीकृत किया जा सकता है। एक व्यवसाय उपयोगकर्ता उपयोग करने से पहले देख सकता है कि एसेट कितना विश्वसनीय है। यह दृश्यता लोगों को अनुमान लगाना बंद करने में मदद करती है और उन्हें पहले से मौजूद डेटा को पुन: उपयोग करने के लिए अधिक इच्छुक बनाती है।
95 प्रतिशत का आंकड़ा यह चेतावनी है कि कई कंपनियों ने जनरेटिव AI के पीछे के डेटा को कितनी सहजता से देखा है। प्रगति करने वाले संगठन लोगों को यह स्पष्ट दृश्य दे रहे हैं कि उनका डेटा कहाँ से आया, कैसे सत्यापित किया गया, और क्या वह काम के लिए उपयुक्त है। वर्षों तक डेटा प्रबंधन को बैकग्राउंड कार्य माना गया, अब AI अंततः उसकी मूल्य को दृश्य बना रहा है।
