Jitendra Putcha, COO of Tredence – इंटरव्यू श्रृंखला

Jitendra Putcha, Tredence के COO, लगभग तीन दशकों के अनुभव वाले एक अनुभवी प्रौद्योगिकी और संचालन कार्यकारी हैं, जिनका कार्यक्षेत्र कृत्रिम बुद्धिमत्ता, डेटा एनालिटिक्स, डिजिटल ट्रांसफ़ॉर्मेशन, डिलीवरी और एंटरप्राइज़ तकनीकी सेवाओं तक फैला है। अप्रैल 2026 में Tredence में शामिल होने से पहले, उन्होंने Mastech Digital में चीफ़ डिलीवरी ऑफिसर के रूप में कार्य किया, जहाँ वे रणनीति, ट्रांसफ़ॉर्मेशन, P&L जिम्मेदारियों और सेवा डिलीवरी की देखरेख करने वाली कार्यकारी नेतृत्व टीम के सदस्य थे। उन्होंने पहले LTIMindtree और LTI में कई वर्ष काम किया, अंततः सीनियर वाइस प्रेज़िडेंट और ग्लोबल हेड ऑफ़ डेटा & AI के पद पर रहे, जहाँ उन्होंने एंटरप्राइज़ AI अपनाने, जेनरेटिव AI, AI एजेंट्स, डेटा और एनालिटिक्स सेवाओं, प्रोडक्ट इंजीनियरिंग और प्लेटफ़ॉर्म विकास की जिम्मेदारी संभाली। पहले, Putcha ने Cognizant में लगभग 18 वर्षों तक कार्य किया, जहाँ उन्होंने AI & Analytics के वाइस प्रेज़िडेंट और हैदराबाद सेंटर हेड सहित वरिष्ठ नेतृत्व पदों पर कार्य किया, और उनका काम वैश्विक डेटा और एनालिटिक्स डिलीवरी, AI‑ड्रिवेन ट्रांसफ़ॉर्मेशन और विभिन्न उद्योगों में एनालिटिक्स क्षमताओं के स्केलिंग को कवर करता था। उनके शुरुआती करियर में Wipro और DSQ Software में भूमिकाएँ शामिल थीं, जिससे उन्हें डेटा वेयरहाउसिंग, बिजनेस इंटेलिजेंस, एनालिटिक्स और बड़े पैमाने पर एंटरप्राइज़ डिलीवरी का व्यापक आधार मिला।

Tredence एक वैश्विक डेटा साइंस और AI समाधान कंपनी है जो AI में वह “last-mile” समस्या हल करने पर केंद्रित है—अर्थात् अंतर्दृष्टियों को उत्पन्न करने और उन्हें मापनीय व्यावसायिक परिणामों में बदलने के बीच का अंतर। 2013 में स्थापित, कंपनी उद्योग विशेषज्ञता को डेटा इंजीनियरिंग, डेटा साइंस, मशीन लर्निंग, जेनरेटिव AI, AI एजेंट्स, क्लाउड तकनीकों और स्वामित्व वाले एक्सेलेरेटर के साथ जोड़ती है ताकि उद्यमों को AI को बड़े पैमाने पर लागू करने में मदद मिल सके। Tredence के अनुसार उसके पास 4,200 से अधिक कर्मचारी हैं और वह रिटेल, उपभोक्ता पैकेज्ड गुड्स, प्रौद्योगिकी, टेलीकॉम, हेल्थकेयर, यात्रा, औद्योगिक और अन्य क्षेत्रों की कंपनियों के साथ काम करता है। इसका दृष्टिकोण मॉडल या डैशबोर्ड पर रुकने के बजाय वास्तविक व्यावसायिक प्रक्रियाओं में एनालिटिक्स और AI को एम्बेड करने पर ज़ोर देता है, जिसमें एंटरप्राइज़‑रेडी जेनरेटिव AI, मल्टीमॉडल और एजेंटिक सिस्टम, रिस्पॉन्सिबल AI, डेटा मॉडर्नाइज़ेशन और AI गवर्नेंस जैसी क्षमताएँ शामिल हैं।

आपके पास एंटरप्राइज़ डेटा, एनालिटिक्स, AI और बड़े पैमाने पर वैश्विक डिलीवरी में 28 से अधिक वर्षों का अनुभव है, जिसमें Cognizant, LTIMindtree और Mastech Digital में नेतृत्व भूमिकाएँ शामिल हैं, और आप 2026 में Tredence में चीफ़ ऑपरेटिंग ऑफिसर के रूप में शामिल हुए। इस विकास के इस विशेष चरण में आपको Tredence की ओर क्या आकर्षित किया, और आप क्या देखते हैं कि AI‑केंद्रित सेवा कंपनी के संचालन और मूल्य प्रदान करने के तरीके को पुनः आकार देने का सबसे बड़ा अवसर क्या है, जब उद्यम प्रयोग से AI को बड़े पैमाने पर लागू करने की ओर बढ़ते हैं?

मुझे Tredence की ओर आकर्षित करने वाला यह था कि कंपनी कितनी ठोस है। अपने करियर में मैंने कई तकनीकी बदलाव देखे हैं, लेकिन यह दुर्लभ है कि कोई संगठन गहरी AI विशेषज्ञता को सीधे वास्तविक व्यावसायिक परिणामों से जोड़ता हो। Tredence केवल AI के बारे में बात नहीं करता; वह ऐसे समाधान बनाता है जो वास्तविक एंटरप्राइज़ समस्याओं को हल करते हैं।

वर्तमान में, उद्योग एक अद्भुत मोड़ पर है। यह परीक्षण चरण से आगे बढ़ रहा है और एक कठिन सवाल पूछ रहा है: हम AI को अपनी दैनिक संचालन में कैसे एम्बेड करें? इसे हम AI का “last mile” कहते हैं: अंतर्दृष्टियों को उत्पन्न करने और यह सुनिश्चित करने के बीच का अंतर को पाटना कि ये अंतर्दृष्टियाँ उस विशिष्ट व्यक्ति, प्रक्रिया या निर्णय तक पहुँचें जहाँ वे उपयोगी परिणाम दे सकें।

यहाँ अवसर केवल अधिक आकर्षक उपकरणों को तैनात करने तक सीमित नहीं है। यह एक कार्यान्वयन समस्या को हल करने, संगठनों को अलग तरह से सोचने में मदद करने और मापनीय मूल्य देखने के बारे में है। COO के रूप में, मेरा काम इस प्रतिस्पर्धात्मक लाभ को सुरक्षित रखना है। मैं यह सुनिश्चित करना चाहता हूँ कि हम अपनी संचालन को स्केल करें बिना अपनी चपलता या ग्राहक केंद्रितता खोए, और उच्च‑स्तरीय AI महत्वाकांक्षाओं को वास्तविक दुनिया के रिटर्न में बदलें।

हम देखते रहते हैं कि कंपनियां आशाजनक AI पायलट चलाती हैं जो कभी सार्थक प्रोडक्शन सिस्टम में नहीं बदल पाते। जब आप उन प्रोजेक्ट्स को देखते हैं जो रुक जाते हैं, तो सबसे सामान्य विफलता बिंदु कौन‑से होते हैं, और उन समस्याओं में से कौन‑सी को कार्यकारियों ने अभी भी कम आँका है?

सच्चाई यह है कि अधिकांश AI पायलट तकनीकी विफलता के कारण नहीं फेल होते। वे इसलिए फेल होते हैं क्योंकि हम AI को एक शक्तिशाली इंजन मानते हैं लेकिन उसके चारों ओर वास्तविक कार बनाना भूल जाते हैं। इसे इस तरह सोचें: एक विश्व‑स्तरीय इंजन पूरी तरह बेकार है यदि आप उसे साफ ईंधन, स्टीयरिंग व्हील और ड्राइवर नहीं देते।

यदि आप तीन मूलभूत बातों को कम आँकते हैं तो आपका AI मॉडल भी गैरेज में फँसा रहेगा। विश्वसनीय डेटा आपका साफ ईंधन है। यदि आपका डेटा गंदा, अव्यवस्थित आधार है, तो आपका इंजन जाम हो जाता है और आपका मॉडल अविश्वसनीय उत्तर देता है। मजबूत गवर्नेंस आपका स्टीयरिंग व्हील है। स्पष्ट नियमों और सुरक्षा गार्डरेल्स के बिना, टीमें जोखिम से बहुत डरती हैं कि कार को सड़क पर न भेजें।

अंत में, स्पष्ट व्यवसायिक स्वामित्व आपका ड्राइवर है, और यह वह पहलू है जिसे कार्यकारियों ने सबसे अधिक कम आँका है। यदि कोई व्यवसायिक नेता स्टीयरिंग नहीं लेता, उपकरण को प्रोत्साहित नहीं करता, और इसे सीधे अपनी टीम के दैनिक कार्यप्रवाह में एम्बेड नहीं करता, तो प्रोजेक्ट परिणाम देने में संघर्ष करता है। हमें “डेमो ट्रैप” से बाहर निकलना होगा। सफलता कई पायलट लॉन्च करने या परीक्षण इंजन इकट्ठा करने में नहीं, बल्कि अपने डेटा को सुरक्षित करने, स्पष्ट गार्डरेल्स सेट करने, वास्तविक जवाबदेही सौंपने, और AI को चुपचाप आपके व्यवसाय के दैनिक संचालन में एम्बेड करने में है।

Tredence ने लंबे समय से AI के “last mile” को अंतर्दृष्टियों को कार्रवाई से जोड़ना बताया है। एजेंटिक AI इसे और आगे ले जा सकता है, सॉफ़्टवेयर को निर्णय लागू करने की अनुमति देकर। जब AI कार्रवाई की सिफ़ारिश करने से लेकर उसे स्वायत्त रूप से करने तक जाता है, तो last-mile समस्या कैसे बदलती है?

पहले, AI के last mile से निपटना GPS वाले ड्राइविंग जैसा था। स्क्रीन आपको ठीक बताती थी कि कब मोड़ना है, लेकिन आपको अभी भी स्टीयरिंग व्हील घुमाना पड़ता था। एजेंटिक AI पूरी तरह इसे उलट देता है। अब कार मूल रूप से खुद चलती है।

यह पूरी बातचीत को बदल देता है। हम अब सिर्फ एक प्रबंधक को डैशबोर्ड पर चार्ट पर भरोसा करने के लिए मनाने की कोशिश नहीं कर रहे; हम ऐसे सिस्टम बना रहे हैं जिनपर हम भरोसा कर सकें कि वे हमारी ओर से निर्णय ले सकें। वास्तविक चुनौती अब लोगों को डेटा देखने के लिए प्रेरित करना नहीं है; यह तय करना है कि हम सॉफ़्टवेयर को कितना नियंत्रण सौंपने में सहज हैं।

रूटीन, कम‑जोखिम वाले कार्यों के लिए, जैसे इन्वेंट्री लॉग अपडेट करना या डेटा फ़ाइलें साफ़ करना, एजेंट को ऑटोपायलट पर चलाने में कोई दुविधा नहीं है क्योंकि यह सामान्य कॉरपोरेट देरी को समाप्त कर देता है। लेकिन जैसे ही कोई निर्णय बड़े वित्तीय लेन‑देन, संवेदनशील ग्राहक शिकायत या कानूनी सीमा को प्रभावित करता है, आपको एक मानव की आवश्यकता होती है जो हस्तक्षेप कर ब्रेक लगा सके।

आखिरकार, जो कंपनियां एजेंटिक AI के साथ जीतेंगी, वे केवल सबसे स्मार्ट तकनीक वाली नहीं होंगी। वे वे संगठन होंगे जो स्पष्ट रूप से सीमाएँ निर्धारित करेंगे कि सॉफ़्टवेयर कब अकेले चल सकता है और कब मानव निर्णय को फिर से स्टीयरिंग संभालनी चाहिए।

आपने तर्क दिया है कि एक एजेंटिक एंटरप्राइज़ को डोमेन संदर्भ, गवर्नेंस और बुद्धिमान निष्पादन को साथ काम करना चाहिए। कंपनियों के लिए केवल एक LLM या AI एजेंट को अपने मौजूदा डेटा स्टैक के ऊपर रखना क्यों पर्याप्त नहीं है, और किन वास्तु‑परिवर्तनों की आवश्यकता है?

एंटरप्राइज़ डेटा के ऊपर एक LLM रखना ऐसा है जैसे एक बुद्धिमान कर्मचारी को पहले दिन ही कंपनी के सभी दस्तावेज़ों तक पहुँच देना। वह स्मार्ट और सक्षम है, लेकिन उसे अभी भी नहीं पता कि आपके सिस्टम, प्रक्रियाएँ, आंतरिक नियम और नियमन कैसे काम करते हैं।

व्यवसायों को समान चुनौती का सामना करना पड़ता है क्योंकि उनका वातावरण स्वाभाविक रूप से जटिल है। डेटा कई सिस्टमों में फैला है, और व्यापार नियम कई वर्षों में धीरे‑धीरे विकसित हुए हैं। इसके अलावा, अनुपालन दायित्व उद्योग और भौगोलिक क्षेत्र के अनुसार बदलते हैं। एजेंटों को प्रभावी रूप से काम करने के लिए संदर्भ चाहिए, केवल जानकारी नहीं।

इसीलिए हम एंटरप्राइज़ AI को तीन‑परत आर्किटेक्चर के रूप में देखते हैं। पहली परत एक विश्वसनीय डेटा बुनियाद है। दूसरी परत डोमेन इंटेलिजेंस है, जो व्यापार संदर्भ, संबंध, परिभाषाएँ और वर्कफ़्लो को कैप्चर करती है। तीसरी परत अनुभव परत और क्लोज़्ड‑लूप निष्पादन है, जहाँ एजेंट नियमन‑परिभाषित सीमाओं के भीतर तर्क कर कार्य कर सकते हैं।

कई संगठनों ने पहली परत में भारी निवेश किया है, और कुछ ने दूसरी की कुछ तत्व बनाये हैं। हालांकि, वास्तविक अवसर सभी तीन परतों को जोड़ने में निहित है।

संदर्भ और गवर्नेंस के बिना, सबसे सक्षम मॉडल भी ऐसे उत्तर उत्पन्न कर सकते हैं जो व्यावसायिक वास्तविकता से मेल नहीं खाते। एंटरप्राइज़ AI को अधिक बुद्धिमत्ता की नहीं, बल्कि अधिक संदर्भ की जरूरत है।

“AI एजेंट” उद्योग में सबसे अधिक उपयोग किए जाने वाले शब्दों में से एक बन गया है। तकनीकी दृष्टिकोण से, एक वास्तव में उपयोगी एंटरप्राइज़ एजेंट को एक चैटबॉट से क्या अलग करता है जो कुछ टूल्स और वर्कफ़्लो से जुड़ा है?

एक वास्तव में उपयोगी एंटरप्राइज़ एजेंट को उसकी सुगम बात‑चीत से नहीं, बल्कि उसकी जिम्मेदार उपलब्धियों से परिभाषित किया जाता है। अभी बहुत से लोग जो “एजेंट” कहते हैं, वे केवल कुछ API से जुड़े चैटबॉट हैं। वे एक बुनियादी प्रश्न का उत्तर दे सकते हैं या एक सरल, कठोर वर्कफ़्लो को ट्रिगर कर सकते हैं। यह उपयोगी है, लेकिन परिवर्तनकारी नहीं।

एक सच्चा एंटरप्राइज़ एजेंट केवल स्क्रिप्ट नहीं फॉलो करता; वह अंतिम लक्ष्य को समझता है, विभिन्न विकल्पों पर तर्क करता है, कई लेगेसी सिस्टमों में काम करता है, परिस्थितियों के बदलने पर अनुकूलित होता है, और आपके कॉरपोरेट गवर्नेंस लाइनों के भीतर सख्ती से रहता है। मैं इसे एक सर्च इंजन और एक भरोसेमंद ऑपरेशन्स मैनेजर के बीच अंतर के रूप में देखता हूँ। एक आपको जानकारी देता है; दूसरा काम पूरा करने की जिम्मेदारी लेता है।

ऐसा करने के लिए, एजेंटों को गहरी डोमेन संदर्भ चाहिए। उदाहरण के लिए, एक रिटेल इन्वेंट्री एजेंट केवल स्प्रेडशीट नहीं देख सकता; उसे पुनःपूर्ति चक्र, मांग पैटर्न, सेवा स्तर और मार्जिन प्रभावों को एक साथ समझना पड़ता है। एक वास्तविक एजेंट को एक परिष्कृत चैटबॉट से अलग करने वाला केवल चैट इंटरफ़ेस नहीं, बल्कि डोमेन समझ, स्मृति, तर्क, बैकएंड ऑर्केस्ट्रेशन और निर्मित जवाबदेही है। अंततः, व्यवसायों को देखने के लिए कोई अतिरिक्त इंटरफ़ेस नहीं चाहिए। हमें ऐसे सिस्टम चाहिए जो कार्य को विश्वसनीय रूप से और बड़े पैमाने पर निष्पादित कर सकें।

Tredence उद्योग‑विशिष्ट AI पर काफी ज़ोर देता है, विशेष रूप से रिटेल और उपभोक्ता वस्तुओं के क्षेत्रों में। जैसे-जैसे फाउंडेशन मॉडल अधिक सक्षम होते जा रहे हैं, डोमेन विशेषज्ञता अभी भी कहाँ लाभ देती है, और अंततः कितनी बुद्धिमत्ता कार्य‑प्रवाह, शब्दावली, प्रतिबंध और किसी विशेष उद्योग की अर्थव्यवस्था को समझने से आनी चाहिए?

फ़ाउंडेशन मॉडल अत्यधिक शक्तिशाली हो गए हैं, लेकिन डोमेन विशेषज्ञता कच्ची बुद्धिमत्ता और वास्तविक उपयोगिता के बीच अंतर बनाती है। यह उसी उच्च‑शक्तिशाली चिकित्सा पाठ्यपुस्तक को एक सर्जन, एक कॉरपोरेट वकील और एक रिटेल मैनेजर को देने जैसा है। पुस्तक में जानकारी समान है, लेकिन यह केवल उस व्यक्ति के लिए मूल्यवान है जो वास्तव में रोगी, ऑपरेटिंग रूम और काम के दांव को समझता है।

हर उद्योग के अपने अदृश्य नियम, विशिष्ट आर्थिक मॉडल, कड़े नियम और दैनिक परिचालन प्रतिबंध होते हैं। उदाहरण के लिए, रिटेल में, एक एआई सिफ़ारिश जो तकनीकी रूप से आपके पूर्वानुमान की सटीकता बढ़ाती है लेकिन अनजाने में शेल्फ़ पर बड़े पैमाने पर स्टॉक‑आउट स्थितियों का कारण बनती है, सहायक नहीं होती—यह एक जोखिम है।

जब हम गहरी डोमेन इंटेलिजेंस को सामान्य‑उद्देश्य मॉडल पर लागू करते हैं, तो व्यावसायिक परिणाम विशाल होते हैं। उदाहरण के लिए, Tredence में, हमने डोमेन‑विशिष्ट समाधान लागू किए हैं जिन्होंने हमारे ग्राहकों के लिए अविश्वसनीय, सत्यापित परिणाम प्रदान किए। एक सुपरमार्केट पूर्वानुमान कार्यक्रम ने लगभग $200 मिलियन का मूल्य उत्पन्न किया और पुनःपूर्ति मिलान दर को 90 प्रतिशत से ऊपर धकेल दिया। एक विनिर्माण आपूर्ति श्रृंखला प्लेटफ़ॉर्म ने पहले वर्ष में $10 मिलियन की बचत हासिल की। एक रिटेल वर्कफ़्लो आधुनिकीकरण ने विश्लेषकों के प्रयास को 70 प्रतिशत तक कम कर दिया, जबकि एक अन्य कार्यक्रम ने $100 मिलियन का नुकसान घटाया।

जैसे फ़ाउंडेशन मॉडल एक वस्तु‑समान उपयोगिता, बिजली की तरह बनते जा रहे हैं, वास्तविक प्रतिस्पर्धात्मक लाभ पूरी तरह से उन लोगों की ओर स्थानांतरित हो जाता है जिनके पास सबसे बेहतर स्वामित्व वाला संदर्भ और वर्कफ़्लो समझ है, जिससे सामान्य बुद्धिमत्ता को सटीक व्यावसायिक परिणामों में बदला जा सके।

पुन: उपयोग योग्य एआई प्लेटफ़ॉर्म बनाने और प्रत्येक उद्यम के विशिष्ट डेटा व प्रक्रियाओं के अनुसार सिस्टम को अनुकूलित करने के बीच एक तनाव रहता है। आप यह कैसे तय करते हैं कि क्या मानकीकृत होना चाहिए और क्या अनुकूलित, और क्या अत्यधिक अनुकूलन अंततः एआई को स्केल करने में एक बाधा बन सकता है?

एक मानक प्लेटफ़ॉर्म और कस्टम सुविधाओं के बीच सही संतुलन खोजना हमेशा कठिन निर्णय होता है। व्यक्तिगत रूप से, मैं इसे शहरी नियोजन की तरह देखता हूँ। आपको स्पष्ट रूप से अपनी सड़कों, बिजली ग्रिड और जल लाइनों को मानकीकृत करना पड़ता है, लेकिन इसका मतलब यह नहीं है कि पड़ोस के हर घर को एक समान प्रतिलिपि बनाना आवश्यक है।

इसी नियम को एआई पर भी लागू किया जा सकता है। डेटा सुरक्षा, गवर्नेंस और मॉनिटरिंग जैसी चीज़ें पूरी तरह से मानकीकृत होनी चाहिए। इन्हें मूलतः अदृश्य एंटरप्राइज़ इन्फ्रास्ट्रक्चर बनना चाहिए। इसे कुशल बनाने के लिए, मैं कंपनियों को सलाह दूँगा कि वे पुन: उपयोग योग्य एजेंटों के लिए एक आंतरिक मार्केटप्लेस बनाएँ ताकि टीमें लगातार पहिया फिर से न बनाते रहें।

हालांकि, आपके वास्तविक व्यावसायिक वर्कफ़्लो को लचीला रहना चाहिए, क्योंकि यही वह जगह है जहाँ आपका विशिष्ट प्रतिस्पर्धात्मक लाभ स्थित है। वर्तमान में, सबसे बड़ा जोखिम अंडर‑कस्टमाइज़ेशन नहीं, बल्कि ओवर‑कस्टमाइज़ेशन है। जब प्रत्येक एआई डिप्लॉयमेंट एक अत्यधिक अनोखे, अलग‑थलग इंजीनियरिंग प्रोजेक्ट में बदल जाता है, तो स्केलिंग एक दुःस्वप्न बन जाती है और रखरखाव लागतें आसमान छूती हैं। लक्ष्य एक दोहराने योग्य क्षमता बनाना होना चाहिए। आप एक ठोस नींव को मानकीकृत करते हैं और फिर अपनी टीमों को वह ब्लॉक देते हैं जिसकी उन्हें अपनी आवश्यकताओं के अनुसार शीघ्र अनुकूलन करने की जरूरत है। एआई क्षमताओं को उपयोग करने और पुन: उपयोग करने की क्षमता एक प्रमुख अंतरकारक बन जाती है, जिससे अपनाने की गति तेज़ होती है और तेज़ समय‑से‑मूल्य व मजबूत ROI प्राप्त होता है।

जैसे एजेंट निर्णय लेने और कार्य निष्पादित करने की क्षमता प्राप्त करते हैं, कंपनियों को यह कैसे तय करना चाहिए कि स्वायत्तता कहाँ उपयुक्त है और कहाँ मानव अनुमोदन अनिवार्य रहना चाहिए? क्या कुछ विशिष्ट व्यावसायिक कार्य हैं जहाँ आप मानते हैं कि संगठन बहुत तेज़ या बहुत सावधानीपूर्वक आगे बढ़ रहे हैं?

एआई को स्वायत्तता देने के मामले में, जोखिम को हमेशा नियम निर्धारित करने चाहिए, न कि केवल तकनीक की क्षमता को। केवल इसलिए कि एक एजेंट प्रक्रिया को शुरू से अंत तक निष्पादित कर सकता है, इसका मतलब यह नहीं कि आपको सुरक्षा डोर पूरी तरह काट देनी चाहिए। नियमित, दैनिक कार्य जैसे इन्वेंट्री लॉग करना या बैक‑ऑफ़िस फ़ाइलों को सिंक करना पूर्ण स्वचालन के लिए आदर्श हैं क्योंकि वे बड़े परिचालन बाधाओं को समाप्त कर देते हैं। लेकिन जैसे ही कोई निर्णय कड़े नियमों, बड़े वित्तीय खर्च या उच्च‑दांव ग्राहक मुद्दों से जुड़ा हो, आपको निश्चित रूप से लूप में एक मानव की आवश्यकता होगी।

वर्तमान में, मैं देख रहा हूँ कि कंपनियाँ सप्लाई चेन और बैक‑ऑफ़िस संचालन में अत्यधिक सतर्क हैं। वे नियमित प्रोक्योरमेंट और इनवॉइस मिलान को स्वचालित करने में धीरे‑धीरे आगे बढ़ रहे हैं, जहाँ एजेंट आज सुरक्षित रूप से समय बचा सकते हैं। इसके विपरीत, वे ग्राहक सेवा और कानूनी अनुपालन में बहुत तेज़ी से आगे बढ़ रहे हैं, स्वायत्त एजेंटों को अप्रत्याशित ग्राहक विवादों या स्वचालित अनुबंध समीक्षा में वास्तविक सुरक्षा उपायों के बिना धकेल रहे हैं। यहाँ लक्ष्य ज़िम्मेदार स्वचालन है, न कि अधिकतम स्वचालन।

जैसे फ्रंटियर मॉडल सस्ते और अधिक सक्षम होते जा रहे हैं, एआई सेवा कंपनियों की भूमिका संभवतः बदल जाएगी। क्या मूल्य निर्माण मॉडल से डेटा आर्किटेक्चर, इंटीग्रेशन, मूल्यांकन, ऑर्केस्ट्रेशन, गवर्नेंस और एआई के आसपास व्यावसायिक प्रक्रियाओं के पुनः डिज़ाइन की ओर अधिकाधिक स्थानांतरित हो रहा है? कौन सी बातें उन एआई सेवा फर्मों को अलग पहचान देंगी जो मूल्यवान बनी रहेंगी?

हम मूल्य निर्माण के स्थान में एक प्राकृतिक बदलाव देख रहे हैं। कुछ साल पहले, कच्चा कंप्यूटिंग इन्फ्रास्ट्रक्चर एक प्रमुख प्रतिस्पर्धात्मक लाभ था। आज, यह मुख्यतः एक उपयोगिता बन चुका है, और एआई मॉडल भी उसी दिशा में तेजी से आगे बढ़ रहे हैं।

अब कंपनियां बड़े मॉडल की तलाश नहीं कर रही हैं। वे तेज़ निर्णय, अधिक उत्पादकता और स्पष्ट व्यावसायिक परिणाम चाहते हैं। इसलिए मूल्य पूरी तरह से मॉडल के आसपास के इकोसिस्टम की ओर स्थानांतरित हो गया है—जैसे साफ़ डेटा आर्किटेक्चर, कड़ी गवर्नेंस, स्मार्ट ऑर्केस्ट्रेशन, और एआई को बड़े पैमाने पर व्यावहारिक बनाने के लिए वर्कफ़्लो को पूरी तरह से पुनः सोचना। विजेता जरूरी नहीं कि सबसे परिष्कृत तकनीक वाली कंपनियां हों, बल्कि वे होंगी जो तकनीक को ठोस व्यावसायिक परिणामों में बदल सकें।

हम यह भी देख रहे हैं कि कंपनियां एआई के लिए पोर्टफ़ोलियो दृष्टिकोण अपना रही हैं। फ्रंटियर मॉडल, ओपन‑वेट मॉडल, और छोटे विशेषीकृत मॉडल सभी का उपयोग केस, लागत, लेटेंसी और गवर्नेंस आवश्यकताओं के आधार पर अलग‑अलग भूमिका निभाते हैं। जैसे-जैसे एआई परिपक्व होता है, सफलता इस बात से तय होगी कि इंजन कौन बनाता है, बल्कि यह कि इसे व्यवसाय के भीतर कैसे लागू किया जाता है। मैं जिसे “एक्ज़ीक्यूशन रिदम” कहता हूं, वह अंततः विजेताओं को बाकी से अलग करेगा।

कई वर्षों आगे देखते हुए, यदि कंपनियां आज की डेटा, गवर्नेंस और इंटीग्रेशन समस्याओं को सफलतापूर्वक हल कर लेती हैं, तो एक एआई‑नेटिव बड़ी कंपनी वास्तव में कैसी दिखेगी? क्या आप उम्मीद करते हैं कि एजेंट केवल कर्मचारियों द्वारा उपयोग किए जाने वाले उपकरण रहेंगे, या हम देखते रहेंगे कि पूरे वर्कफ़्लो और व्यावसायिक कार्यों को समन्वित एआई एजेंट नेटवर्क द्वारा संचालित किया जा रहा है?

एक एआई‑नेटिव एंटरप्राइज़ केवल कुछ अतिरिक्त सॉफ़्टवेयर टूल्स वाले पारंपरिक कंपनी नहीं होगी। यह मूल रूप से पुनः कल्पित एक एंटरप्राइज़ होगी। हमने इंटरनेट और डिजिटल युग के दौरान समान बदलाव देखे हैं, जब तकनीक ने न केवल व्यवसायों के संचालन को बदला, बल्कि उनकी संरचना को भी बदल दिया। ये कंपनियां बहुत अलग तरीके से कार्य करेंगी।

आज, व्यवसाय उन लोगों के इर्द‑गिर्द संगठित हैं जो सॉफ़्टवेयर द्वारा समर्थित मैन्युअल कार्य करते हैं। भविष्य में, पूरे वर्कफ़्लो को समन्वित एआई एजेंट नेटवर्क द्वारा व्यवस्थित किया जा सकता है, जबकि मनुष्य अधिक निगरानी और रणनीतिक भूमिका निभाएंगे। यह उसी तरह है जैसे बिजली ने कारखानों को बदल दिया। इसने कारखाने को समाप्त नहीं किया; बल्कि इसके डिजाइन और संचालन को पूरी तरह से बदल दिया।

इन भविष्य की कंपनियों में, एजेंट लगातार संचालन की निगरानी करेंगे, अवसरों को चिन्हित करेंगे, और विभिन्न विभागों में नियमित कार्यों को संभालेंगे। इसका मतलब यह नहीं है कि मनुष्य गायब हो जाएंगे; हमारे काम केवल अधिक रणनीतिक हो जाएंगे, पूरी तरह से निर्णय, नवाचार और संबंध निर्माण की ओर स्थानांतरित हो जाएंगे।

विजेता वे कंपनियां नहीं होंगी जो सबसे अधिक एजेंट तैनात करती हैं। वे वे होंगी जो विश्वसनीय डेटा, डोमेन इंटेलिजेंस और मानव निगरानी का सबसे मजबूत मिश्रण बनाती हैं। भविष्य पूरी तरह स्वायत्त एंटरप्राइज़ के बारे में नहीं है; यह बुद्धिमानी से व्यवस्थित एंटरप्राइज़ के बारे में है जहाँ मनुष्य और एजेंट मिलकर ऐसे लक्ष्य हासिल करते हैं जो अकेले कोई भी नहीं कर सकता।

उत्कृष्ट साक्षात्कार के लिए धन्यवाद, जो पाठक अधिक जानना चाहते हैं उन्हें Tredence पर जाना चाहिए।