उद्यम एआई भरोसेमंद डेटा पर निर्भर करता है

2025 में, कंपनियों ने जेनरेटिव एआई में अनुमानित $30 बिलियन से $40 बिलियन निवेश किया, फिर भी MIT के प्रोजेक्ट NANDA ने पाया कि 300 से अधिक एंटरप्राइज़ डिप्लॉयमेंट में से केवल 5 प्रतिशत इसने जांचेमापने योग्य वित्तीय रिटर्न उत्पन्न कर रहे थे।

मैंने एंटरप्राइज़ डेटा प्रोग्रामों में 25 से अधिक वर्षों तक काम किया है। जेनरेटिव एआई के चर्चा में आने से बहुत पहले, मैंने देखा कि जब लोग उसके पीछे के डेटा पर भरोसा नहीं कर पाते तो तकनीक कितनी जल्दी विश्वसनीयता खो देती है। जेनरेटिव एआई दांव को बढ़ा देता है क्योंकि यह संदिग्ध डेटा को एक भरोसेमंद उत्तर में बदल सकता है।

पहले हम कहते थे “गंदा इनपुट, गंदा आउटपुट”। अब यह “गंदा इनपुट, आपदा आउटपुट” है। जब डेटा संदिग्ध दिखता था, तो व्यक्ति अपना विवेक उपयोग करके डेटा विशेषज्ञ से संपर्क कर सकता था। विशेषज्ञ मूल कारण विश्लेषण करता, समस्या पहचानता और समाधान लागू करता। आज, एजेंट किसी भी डेटा पर कार्रवाई कर सकते हैं जो वे देखते हैं। ज्ञानवान 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।

एक चैटबॉट में भी वही समस्या उभर सकती है। गवर्नेंस को छोड़ने से खराब या अस्पष्ट डेटा को एक ऐसा उत्तर में बदल दिया जाता है जो अधिकारपूर्ण लगता है, 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, एआई 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 छिपा हो सकता है, लेकिन एआई उस अंधेरे डेटा को खोज कर उपयोग कर लेगा।

संदर्भ को डेटा के साथ यात्रा करनी चाहिए और वह आधार होना चाहिए जिस पर LLM निर्भर करते हैं। एआई मॉडल डेटा उपयोग करने से पहले, लोगों को यह जानना चाहिए कि इसका मतलब क्या है, यह कहां से आया है, इसका स्वामी कौन है और इसके आसपास कौन से व्यावसायिक नियम और नीतियां हैं।

नेतृत्व इसे चूक सकता है क्योंकि प्रणाली शायद ही कभी क्रैश होती है। एआई आत्मविश्वासी रूप से गलत हो सकता है; यह आपके पिज़्ज़ा के लिए गोंद सुझा सकता है (बहुत पुराना उदाहरण)। एक चैटबॉट को 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 बहुत अधिक समय लेता है।

यह क्षरण डेटा में भी दिखता है। 90 प्रतिशत से अधिक कंपनियों में कर्मचारी MIT ने अध्ययन कियासाइड में व्यक्तिगत एआई टूल्स का उपयोग जारी रखते हैं, भले ही उनके नियोक्ता द्वारा बनाया गया आधिकारिक पायलट उनका भरोसा जीतने में विफल रहा हो। जब स्वीकृत टूल ने उनका भरोसा नहीं जीत पाया, तो कर्मचारी काम करने का कोई और तरीका खोज लेते हैं।

इस वर्ष के अधिकांश एआई अनुसंधान इस ही समस्या की ओर इशारा करते हैं: संगठन एआई को आगे बढ़ा रहे हैं जबकि उन्होंने अपने डेटा को भरोसेमंद बनाने का काम नहीं किया है। Gartner ने अनुमान लगाया हैकि लगभग दो-तिहाई संगठन या तो एआई के लिए सही डेटा प्रबंधन प्रथाओं की कमी रखते हैं या यह सुनिश्चित नहीं हैं कि उनके पास हैं या नहीं। अलग IDC के अनुसंधान नेविश्वास पक्ष में समान अंतर पाया: 78 प्रतिशत संगठन कहते हैं कि वे अपने एआई 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 असमानता यह समझाने में मदद करती है कि कई एआई पहल उत्पादन तक पहुँचने से पहले क्यों रुक जाती हैं या इच्छित मूल्य के साथ संरेखित नहीं हो पातीं।

एआई गवर्नेंस अब प्रतिस्पर्धात्मक लाभ है

मेरे करियर के अधिकांश हिस्से में, डेटा गवर्नेंस एंटरप्राइज़ आईटी के सबसे कम आकर्षक हिस्सों में से एक था। मेटाडेटा को कैटलॉग करना, स्वामित्व निर्धारित करना, डेटा का प्रोफ़ाइल बनाना और वर्कफ़्लो प्रबंधित करना सफाई कार्य जैसा महसूस हो सकता था। लोग अक्सर इसे छोड़ देते थे क्योंकि प्रयास मूल्य से अधिक लगते थे।

एआई 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 लाइनएज को अब पहले से तेज़ी से अनुमानित और सुव्यवस्थित किया जा सकता है, जिससे प्रबंधित डेटा पाइपलाइन और ऑब्ज़रवबिलिटी का मूल्य आसानी से समझ में आता है।

नियमावली भी डेटा पारदर्शिता को अधिक तात्कालिक बना रही है। EU AI Act2 अगस्त 2026 को व्यापक रूप से लागू हुआ, जिसमें कुछ प्रणालियों और एआई-जनित सामग्री के लिए पारदर्शिता नियम शामिल हैं। यह अधिनियम उच्च-जोखिम प्रणालियोंके लिए अलग-अलग आवश्यकताएँ भी स्थापित करता है, जिसमें दस्तावेज़ीकरण और जानकारी शामिल है जो तैनात करने वालों को उनके आउटपुट को समझने में मदद करती है, हालांकि कुछ उच्च-जोखिम प्रावधान बाद की समयसीमा के साथ आते हैं।

कंपनियों के लिए व्यावहारिक सबक सीधा है: स्पष्ट लाइनएज और गवर्नेंस डेटा के उपयोग, स्रोत और सिस्टम के संचालन के तरीके को दस्तावेज़ करने में आसान बनाते हैं।

संयुक्त राज्य की नियामक स्थिति अभी भी अनिश्चित है। व्यापक संघीय एआई कानून के बिना, कंपनियों को विभिन्न राज्य आवश्यकताओं को नेविगेट करना पड़ता है, जबकि व्हाइट हाउस राज्यों की अपनी एआई नियम बनाने और लागू करने की क्षमता को सीमित करने की कोशिश कर रहा है। कोलोराडो का एआई अधिनियम, पुस्तकों में सबसे व्यापक राज्य ढांचा, इस संघर्ष के बीच पहले ही एक बार विलंबित और पुनर्लिखित हो चुका है, और इसकी मुख्य बाध्यताएँ अब 2027 तक धकेल दी गई हैं। कई अमेरिकी कंपनियों के लिए प्रलोभन यह है कि वे अनिश्चितता को समाप्त होने तक इंतजार करें।

मैं तर्क दूँगा कि यह गलत प्रवृत्ति है। चाहे जो भी नियामक मॉडल अंततः यूएस में सफल हो, मूलभूत आवश्यकता नहीं जाएगी नहीं। जानिए आपका डेटा कहां से आया। जानिए क्या किसी ने वास्तव में इसे एआई द्वारा उपयोग करने से पहले सत्यापित किया था। इस अनुशासन को अब विकसित करना कंपनियों को नई नियामक तैयारियों में मदद करेगा और आशाजनक एआई पायलट को ऐसे उपकरणों में बदल देगा जिनका व्यवसाय भरोसे के साथ उपयोग कर सके।

5 प्रतिशत को क्या अलग करता है

मैं आपको एक ग्राहक के बारे में बताता हूँ। उनके जनरल लेजर टीम को हर बार जब बहीखाते में कोई विसंगति दिखती, तो 300 अलग-अलग स्प्रेडशीट्स को छानना पड़ता था। तीन सौ। अंततः किसी ने उस पूरी गड़बड़ी को एक एकीकृत गवर्नेड डेटा एसेट के रूप में पुनर्निर्मित किया, जिसमें गणनाएँ, रिपोर्टें, और अंतर्निहित डेटा एक साथ पैकेज किया गया और अग्रिम रूप से सत्यापित किया गया। अगली बार जब कोई समस्या आई, तो समाधान को पहले की तुलना में बहुत कम प्रयास लगा। केवल उस एक प्रक्रिया में ही लगभग 750 कार्य दिवसों की बचत हुई। यह सफाई से ही लाखों डॉलर की लागत बचत है।

सुधार सही डेटा को आसानी से खोजने योग्य और इतना विश्वसनीय बनाने से आया कि उसे दोबारा प्रश्न करने की आवश्यकता न रहे। 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 तालिकाओं से जुड़े सैकड़ों या हजारों उत्पाद बनाने की आवश्यकता को कम करता है।

मजबूत कार्यक्रम इस भरोसे को दृश्य बनाते हैं। उन डेटा मार्केटप्लेस में जहाँ मैं काम करता हूँ, एसेट्स को गुणवत्ता, क्यूरेशन, उपयोग और स्वामित्व जैसे कारकों के आधार पर सोना, चांदी या कांसा वर्गीकृत किया जा सकता है। एक व्यावसायिक 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 आंकड़ा इस बात की चेतावनी है कि कई कंपनियों ने जेनरेटिव एआई के पीछे के डेटा को कितनी सतही तौर पर संभाला है। प्रगति करने वाले संगठन लोगों को यह स्पष्ट दृश्य दे रहे हैं कि उनका डेटा कहां से आया, कैसे सत्यापित किया गया, और क्या वह कार्य के लिए उपयुक्त है। वर्षों तक डेटा प्रबंधन को पृष्ठभूमि कार्य माना जाता रहा, अब एआई अंततः उसके मूल्य को दृश्य बना रहा है।