एआई को बड़े पैमाने पर लागू करने का मतलब यह नहीं होना चाहिए कि हर बार डेटा की बुनियाद फिर से बनानी पड़े

उद्यमों के लिए 2027 की योजना बनाने का मौसम बस आने ही वाला है, और एआई में निवेश एक बार फिर शीर्ष अधिकारियों की चर्चाओं में सबसे ऊपर है। आईटी से जुड़े निर्णय लेने वालों के बीच Akeneo के हालिया सर्वेक्षण से पता चला कि 93% लोगों ने एआई से उत्पादकता में बढ़ोतरी की बात कही, जबकि 43% ने बताया कि एआई ने उनकी भूमिकाओं में नई ज़िम्मेदारियाँ भी जोड़ दी हैं।

ये निष्कर्ष बताते हैं कि एआई परियोजनाओं को साकार करने के लिए कितनी व्यापक शुरुआती तैयारी की ज़रूरत होती है। विशेष रूप से, डेटा तैयार करना इस काम का एक बड़ा हिस्सा है। Akeneo के सर्वेक्षण में शामिल आईटी प्रमुखों में से 36% ने कहा कि उनके संगठन किसी एआई परियोजना में कुल प्रयास का आधे से अधिक हिस्सा डेटा तैयार करने पर खर्च करते हैं। अन्य 53% ने बताया कि वे अपनी एआई परियोजना के प्रयास का 26% से 50% हिस्सा डेटा तैयार करने में लगाते हैं। यह तैयारी ज़रूरी है, लेकिन अवसर इस बात में है कि एक एआई परिनियोजन के लिए किया गया काम अगले परिनियोजन में भी इस्तेमाल किया जा सके।

एआई कारोबार के एक हिस्से में काम कम कर सकता है, जबकि आईटी टीमों के लिए हर नए परिनियोजन की तैयारी में डेटा तैयार करने और संदर्भ को फिर से बनाने जैसे अलग-अलग काम पैदा कर सकता है। अब अवसर इस काम के अधिक हिस्से को दोबारा इस्तेमाल करने योग्य बनाने में है, ताकि हर परिनियोजन शुरुआत से शुरू होने के बजाय पिछले परिनियोजन पर आगे बढ़े।

एआई के केंद्र में मानवीय संदर्भ

एआई के सभी पायलट और परिनियोजन अब भी लोगों पर निर्भर हैं। नई तकनीकों के पूरे जीवनचक्र में आईटी टीमें शामिल रहती हैं—कारोबारी ज़रूरतों को समझने और समाधानों का मूल्यांकन करने से लेकर कार्यान्वयन, प्रशिक्षण, प्रक्रियाओं का विकास और लगातार सुरक्षा सुनिश्चित करने तक। समय के साथ, टीमें उन अपवादों और अलिखित नियमों को दर्ज करना भूल सकती हैं जिनका सामना वे करती हैं। इनमें ऐसे मामले भी शामिल हैं जहाँ अलग-अलग प्रणालियों में एक ही शब्द की परिभाषा अलग-अलग होती है। यह संदर्भ अक्सर व्यापक संगठन के लिए भरोसेमंद ढंग से सुलभ जानकारी बनने के बजाय, टीम के अलग-अलग सदस्यों के पास मौजूद संस्थागत ज्ञान बन जाता है।

यह काम तब तक चलता रह सकता है, जब तक जवाब जानने वाला व्यक्ति उपलब्ध न हो। जब कर्मचारी अपनी भूमिका बदलते हैं, संगठन छोड़ देते हैं या किसी समस्या के सामने आने पर उपलब्ध नहीं होते, तो संदर्भ खो जाता है। उस ज्ञान को सुव्यवस्थित और डिजिटल रूप से सुलभ प्रारूप में दर्ज करने से वह किसी एक व्यक्ति तक सीमित नहीं रहता। इससे अलग-अलग टीमें अपनी विशेषज्ञता का स्वामित्व भी बनाए रख सकती हैं और यह भी सुनिश्चित कर सकती हैं कि हर नए परिनियोजन में उस ज्ञान को फिर से खोजने के बजाय संगठन भर में उस तक पहुँचा जा सके और उसका दोबारा इस्तेमाल हो।

अच्छा डेटा हमेशा एआई के लिए तैयार डेटा नहीं होता

यह सब महज़ डेटा की गुणवत्ता से जुड़ी एक और समस्या बताना आकर्षक लग सकता है, लेकिन Akeneo का शोध इससे कुछ अधिक जटिल स्थिति की ओर इशारा करता है। 92% आईटी प्रमुख अपने एआई सिस्टम में इस्तेमाल होने वाले उत्पाद और परिचालन संबंधी डेटा की गुणवत्ता को अच्छी या उत्कृष्ट मानते हैं। इसके बावजूद, भारी बहुमत किसी एआई परियोजना के कुल प्रयास का एक चौथाई से अधिक हिस्सा डेटा तैयार करने में खर्च करता है।

अच्छा डेटा होने से यह सुनिश्चित नहीं होता कि वह एआई के लिए तैयार भी है, खासकर इसलिए कि “अच्छा” किसे माना जाए, यह इस बात पर निर्भर कर सकता है कि उसका इस्तेमाल कौन या क्या कर रहा है। मॉडल और एजेंट को सिर्फ़ सटीक जानकारी से अधिक की ज़रूरत होती है। उन्हें यह समझना होता है कि डेटा कहाँ से आता है, उसका दूसरी जानकारी से क्या संबंध है, किस स्रोत को प्राथमिकता दी जानी चाहिए और किन परिस्थितियों में उसका इस्तेमाल किया जा सकता है। इन नियमों पर आसानी से ध्यान नहीं जाता, क्योंकि अनुभवी टीमें अक्सर अपने कामकाज में इन्हें पहले से ही अनकहे रूप में लागू करती हैं।

एआई के लिए डेटा की तैयारी पर McKinsey का हालिया शोध भी संदर्भ के बारे में इसी तरह की बात करता है। हर जानकारी मॉडल या एजेंट के लिए उपयोगी नहीं होगी। लेकिन जब कोई जानकारी उपयोगी हो, तो उसका संदर्भ भी आगे पहुँचाया जा सकना चाहिए। जानकारी के अपने मूल स्रोत से बाहर जाने के बाद भी, उसकी उत्पत्ति और आसपास के डेटा से उसके संबंध स्पष्ट बने रहने चाहिए, ताकि उसका अर्थ न खोए।

यहीं एआई के पीछे की संरचना उतनी ही महत्वपूर्ण होने लगती है जितना कि मॉडल। पारंपरिक सॉफ़्टवेयर से अलग, बड़े भाषा मॉडल (LLM) अक्सर खंडित डेटा और आपस में न जुड़ी प्रणालियों पर काम कर सकते हैं, भले ही अलग-अलग स्रोतों में जानकारी की संरचना या लेबल अलग हों। वे ऐसे संबंधों की पहचान कर सकते हैं जिन्हें पहले स्पष्ट रूप से परिभाषित नहीं किया गया था। इससे बड़ी चुनौती डेटा का पूरी तरह अभाव है। जब मॉडल और एजेंट अलग-अलग प्रणालियों पर काम करते हैं, तो उनकी ज़रूरत की जानकारी और संदर्भ पहले से मौजूद और सुलभ होने चाहिए।

एआई को लागू करने में आने वाली खाई पर PwC के 2026 के शोध में पाया गया कि तकनीकी निवेश के अपेक्षाओं पर खरे न उतरने का सबसे बड़ा कारण अब भी एकीकरण है। असंरचित डेटा के व्यापक जाल को जोड़ने में समय लगता है, जिससे परियोजनाएँ अक्सर पूर्ण परिनियोजन तक पहुँचने से पहले ही धीमी पड़ जाती हैं।

एक कार्यान्वयन में इन समस्याओं को हल करने के लिए किया गया काम अगले कार्यान्वयन को आसान बना सकता है।

एआई अवसंरचना को दोबारा इस्तेमाल करने योग्य बनाना

किसी एक एआई परियोजना के लिए तैयारी का बड़ा हिस्सा पर्दे के पीछे किया जा सकता है। परियोजना को उत्पादन में लाने के लिए आईटी टीमें विसंगतियाँ दूर करती हैं, एप्लिकेशन के लिए ज़रूरी जानकारी तैयार करती हैं और उसे अन्य प्रणालियों के साथ एकीकृत करती हैं।

समस्या तब होती है, जब यह काम सिर्फ़ तत्काल इस्तेमाल की ज़रूरत पूरी करता है। एआई परिनियोजन में डेटा तैयार करना हमेशा शामिल रहेगा, लेकिन इस प्रयास का बड़ा हिस्सा आगे भी काम आना चाहिए। अगर किसी टीम को पता चलता है कि दो प्रणालियों में एक ही फ़ील्ड या शब्द के अलग-अलग अर्थ हैं, तो इस अस्पष्टता को दूर करने से ऐसी परिभाषा बननी चाहिए जिसका भविष्य के एप्लिकेशन फिर से इस्तेमाल कर सकें। अगर टीम यह तय करती है कि प्रणालियों में मतभेद होने पर किस स्रोत पर भरोसा किया जाना चाहिए, तो यह निर्णय भविष्य के परिनियोजनों में भी लागू रहना चाहिए।

यही सिद्धांत एकीकरणों पर भी लागू होता है। हर मॉडल या एजेंट के लिए उत्पादों और जानकारी तक पहुँचने का नया रास्ता बनाने के बजाय, संगठनों को ऐसे एकसमान तरीके स्थापित करने चाहिए जिनसे AI प्रणालियाँ भरोसेमंद जानकारी खोज और इस्तेमाल कर सकें।

पहले कार्यान्वयन में अब भी काफी काम करना पड़ सकता है, क्योंकि टीमें उन परिभाषाओं, संबंधों और अपवादों को सामने ला रही हैं जो पहले लोगों के अनुभव में निहित थे। संगठन का संस्थागत ज्ञान जैसे-जैसे उसके बुनियादी ढाँचे का हिस्सा बनता जाएगा, यह प्रयास आगे भी काम आएगा। बाद के कार्यान्वयनों को भी इस काम से लाभ हो सकता है; लाभ की मात्रा इस बात पर निर्भर करेगी कि उनके डेटा और उपयोग के मामलों में कितनी समानता है।

यह बात तब और भी महत्वपूर्ण हो जाती है, जब AI जवाब देने से आगे बढ़कर उद्यम प्रणालियों में कार्रवाई करने लगता है। NIST की AI एजेंट मानक पहल इस बात को रेखांकित करती है कि एजेंटों के लिए आंतरिक डेटा और बाहरी प्रणालियों के साथ सुरक्षित ढंग से काम कर पाना कितना महत्वपूर्ण है। जैसे-जैसे एजेंट अधिक जिम्मेदारियाँ सँभालते हैं और अधिक प्रणालियों व मॉडलों के साथ काम करते हैं, संगठनों को यह सुनिश्चित करना होगा कि हर उपयोग के मामले के लिए उचित संदर्भ और नियंत्रण तय हों—और हर बार पूरी प्रक्रिया नए सिरे से शुरू न करनी पड़े।

शासन को परिचालन परिवेश का हिस्सा बनना होगा

दोबारा इस्तेमाल किए जा सकने वाले बुनियादी ढाँचे के लिए ऐसा शासन भी आवश्यक है जिसका फिर से इस्तेमाल किया जा सके। EY के सितंबर 2026 के AI जोखिम और शासन सर्वेक्षण में पाया गया कि AI क्षेत्र के 91% वरिष्ठ अधिकारियों ने कहा कि उनके संगठन एजेंट-आधारित AI का परीक्षण कर रहे थे या उसे लागू कर रहे थे। फिर भी, जिन उत्तरदाताओं के संगठन एजेंटों का इस्तेमाल करते हैं, उनमें से 49% ने कहा कि उनके मौजूदा शासन ढाँचों को एजेंट-आधारित AI की आवश्यकताओं और जोखिमों के लिए विशेष रूप से अद्यतन नहीं किया गया था।

जैसे-जैसे किसी कारोबारी प्रक्रिया में AI अधिक जिम्मेदारी सँभालने लगता है, उस प्रक्रिया को नियंत्रित करने वाले नियम उस परिचालन परिवेश का हिस्सा बनने चाहिए जिसमें AI काम करता है। कोई एजेंट कुछ जानकारी तक स्वतंत्र रूप से पहुँच सकता है, जबकि प्रक्रिया के अन्य चरणों में आगे बढ़ने से पहले मानवीय समीक्षा या अनुमोदन की आवश्यकता हो सकती है। ये निर्णय केवल किसी नीतिगत दस्तावेज़ में या इस बारे में किसी व्यक्ति की समझ में नहीं रह सकते कि प्रक्रिया को कैसे काम करना चाहिए।

शासन संबंधी निर्णयों का दायरा आंतरिक समीक्षाओं से आगे बढ़कर उन प्रणालियों तक पहुँचना चाहिए जिनमें AI काम करता है। किसी प्रणाली का मार्गदर्शन करने वाली नीतियाँ, अनुमतियाँ और अनुमोदन के चरण स्वयं कार्यान्वयन के हिस्से के रूप में परिभाषित किए जाने चाहिए। यदि ये नियंत्रण प्रणाली में अंतर्निहित नहीं होंगे, तो हर बार AI का कोई नया उपयोग लागू किए जाने पर टीमों को नीतियों और अनुमतियों की फिर से व्याख्या करनी पड़ेगी।

AI की अगली लहर के लिए तैयारी

2027 में जब उद्यम AI पर अपने बढ़ते बजट खर्च करेंगे, तब IT टीमों की जिम्मेदारी होगी कि वे मॉडलों, एकीकरणों और प्रणालियों के बढ़ते दायरे को सँभालें। बड़ी कसौटी यह होगी कि क्या संगठन ऐसा बुनियादी ढाँचा तैयार करते हैं जो आगे आने वाली जरूरतों को सहारा दे सके।

यदि टीमें अब भी उन्हीं परिभाषाओं को स्पष्ट कर रही हैं, उन्हीं कड़ियों को फिर से बना रही हैं और उन्हीं नियमों का अनुवाद कर रही हैं, तो संभव है कि AI का विस्तार उसे सहारा देने के लिए आवश्यक बुनियादी ढाँचे से अधिक तेज़ी से हो रहा हो।

इससे AI की तैयारी को देखने का एक अलग तरीका मिलता है। प्रगति का आकलन केवल इस आधार पर नहीं होना चाहिए कि कितने मॉडल या एजेंट उत्पादन में पहुँचते हैं, बल्कि इस आधार पर भी होना चाहिए कि क्या हर कार्यान्वयन उद्यम को अगले कार्यान्वयन के लिए बेहतर ढंग से तैयार करता है।

AI पहले से ही अलग-अलग कामों को तेज़ बना रहा है। उत्पादकता में अगली बढ़ोतरी उन प्रणालियों के पीछे होने वाले काम को दोबारा इस्तेमाल करना आसान बनाने से आएगी। AI कारोबारी प्रक्रियाओं में लगातार अधिक गहराई से समाहित हो रहा है, जिसके चलते अधिक प्रणालियों को डेटा के समान बुनियादी आधारों पर निर्भर होना पड़ेगा। अभी यह आधार तैयार करने से तय होगा कि संगठन AI की अगली पीढ़ी को कितनी आसानी से काम में ला पाएँगे।