AI प्रयोगों को उद्यम बुद्धिमत्ता और मूल्य में बदलना

एंटरप्राइज़ AI मॉडल द्वारा सीमित नहीं है। कंपनियां परीक्षण पायलट प्रोग्राम चला सकती हैं, सामान्य कार्यों को निष्पादित कर सकती हैं, और प्रूफ़‑ऑफ़‑कॉन्सेप्ट मॉडल पहले की तुलना में बहुत तेज़ी से लागू कर सकती हैं, लेकिन वे अक्सर अलग‑थलग “AI” जीत से आगे बढ़ने में विफल रहती हैं।

लेकिन समस्या मॉडल में नहीं है; यह उस वातावरण में है जिसमें वे काम करते हैं। कई स्केलिंग चुनौतियां बनी रहती हैं, जैसे बिखरा हुआ डेटा और अस्पष्ट स्वामित्व, मुख्यतः इसलिए क्योंकि ये सिस्टम AI के मुख्य व्यवसाय विकल्प बनने से पहले डिज़ाइन किए गए थे।

Wipro और HFS Research द्वारा एक हालिया अध्ययन ने निष्कर्ष निकाला कि जबकि 90% एंटरप्राइज़ नेताओं को उम्मीद है कि मानव और AI टीमें तीन वर्षों के भीतर वास्तविकता बनेंगी, केवल 18% ही अपनी प्रक्रियाओं को पुनः डिज़ाइन कर रहे हैं ताकि उस भविष्य का समर्थन किया जा सके। इसी तरह, 87% कहते हैं कि वे AI में निवेश कर रहे हैं लेकिन प्राप्त मूल्य को दिखाने में देर हो रही है। एंटरप्राइज़ यह उम्मीद नहीं कर सकते कि AI व्यवसाय को परिवर्तित करेगा यदि उन्होंने अपने डेटा, गवर्नेंस और वर्कफ़्लो प्रक्रियाओं को अपडेट करने को प्राथमिकता नहीं दी है।

AI क्षमता तेज़ी से सर्वव्यापी हो रही है। प्रतिस्पर्धात्मक लाभ इस बात पर निर्भर करेंगे कि संगठन डेटा, संदर्भ, बुद्धिमत्ता, गवर्नेंस और निष्पादन को कितनी प्रभावी ढंग से जोड़ते हैं।

पायलट अक्सर रुकते हैं

भले ही काम करने के लिए मूल्यवान डेटा उपलब्ध हो, पायलट प्रोग्राम अभी भी विफल हो सकते हैं। उदाहरण के तौर पर, यदि एक छोटी टीम को पता हो कि स्प्रेडशीट के डेटा का स्रोत क्या है, तो वे आमतौर पर उसका उपयोग करने में सहज होते हैं। हालांकि, इस स्तर की डेटा समझ को पूरे संगठन में स्केल करना कठिन है। एजेंटिक AI के साथ, कई सिस्टमों से जानकारी प्राप्त करना या ऐसे वर्कफ़्लो स्थापित करना आसान हो जाता है जो ग्राहकों के लिए सिफ़ारिशें उत्पन्न करते हैं। जबकि AI एजेंट तेज़ी से कार्य कर सकता है, अक्सर यह स्पष्ट नहीं होता कि डेटा भरोसेमंद है या नहीं।

जब कंपनियां एक AI उपयोग केस से कई में विस्तार करने की कोशिश करती हैं, तो संदेह बढ़ता है और समस्याएं उत्पन्न हो सकती हैं। यदि ग्राहक जानकारी विभिन्न सिस्टमों से आती है, तो मूल जानकारी के स्रोत और क्यूरेशन को जानना असंभव हो सकता है। इसी प्रकार, गवर्नेंस नीतियां मौजूद हो सकती हैं, लेकिन यह स्पष्ट नहीं है कि उन नियमों को एजेंटों द्वारा प्राप्त डेटा सेट पर लागू किया गया है या नहीं।

इसलिए, जबकि AI को स्केल करना आकर्षक है, असंगतियां बाधाएं उत्पन्न करती हैं। एजेंटिक AI से वास्तविक मूल्य सुरक्षित करने के लिए, कंपनियों को डेटा और वर्कफ़्लो डिज़ाइन शुरू से ही लागू करना चाहिए, बाद में नहीं।

एक भरोसेमंद AI नींव बनाएं

एक ठोस AI-तैयार नींव बनाना इसका मतलब है कि लोग और AI सिस्टम भरोसेमंद डेटा को खोज, पहुँच और उपयोग कर सकें, साथ ही उचित गवर्नेंस सिस्टम मौजूद हो।

तीन आवश्यक क्षमताओं पर ध्यान दें: 

1. डेटा और AI के लिए एकीकृत दृष्टिकोण अपनाना अत्यंत महत्वपूर्ण है। एजेंटिक AI अनुप्रयोगों को बिखरे और असंबद्ध सिस्टमों के बजाय ठोस नींव से डेटा प्राप्त करना चाहिए। इससे ओवरलैपिंग डेटा स्रोतों से उत्पन्न भ्रम काफी कम हो जाता है और पहुँच, गुणवत्ता और अनुपालन के लिए व्यवस्थित नियम लागू करना आसान हो जाता है।
2. सिस्टम में शुरू में ही गवर्नेंस बनाना डेटा के उपयोग को प्रबंधित करने के लिए महत्वपूर्ण है। उदाहरण के तौर पर, एक एजेंट जो कार्रवाई की सिफ़ारिश करता है, उसे स्वीकृत जानकारी पर आधारित होना चाहिए, परिभाषित अनुमतियों के दायरे में काम करना चाहिए, और यह दर्शाने वाला ट्रेसेबल रिकॉर्ड प्रदान करना चाहिए कि उसने परिणाम कैसे प्राप्त किए।
3. वास्तविक वर्कफ़्लो और प्रक्रियाओं के आसपास AI का उपयोग करें। AI को उन वर्कफ़्लो में एम्बेड किया जाना चाहिए जहाँ कर्मचारियों को पहले से ही बाधाएँ मिलती हैं, जैसे ग्राहक अनुरोधों का उत्तर देना या आईटी समस्याओं का निवारण करना।

AI को एक अकेला उपकरण न समझें। इसके बजाय, एजेंटों, मानव निगरानी और निर्णय लेने को एक गवर्नेड एंड‑टू‑एंड प्रक्रिया में जोड़ने पर ध्यान दें। मानव निगरानी महत्वपूर्ण है, लेकिन यह जटिल प्रक्रियाओं के लिए विशिष्ट नियंत्रण रखने के बारे में अधिक है।

AI को व्यावहारिक रूप से लागू करना

AI द्वारा उपयोग किए जा सकने वाले डेटा नींव का निर्माण प्रमुख है। एक उदाहरण उपभोक्ता स्वास्थ्य देखभाल कंपनी के प्रोक्योर‑टू‑पे संचालन से आता है। एक बड़ी संस्था बड़ी मात्रा में इनवॉइस प्रोसेस कर सकती है जबकि जटिल अनुमोदन प्रक्रियाओं का प्रबंधन करती है। इन इनवॉइस की मैनुअल समीक्षा से भुगतान चक्र धीमा हो जाता था और समस्याओं के स्थान की दृश्यता सीमित रहती थी। इनवॉइस को प्रोसेस करने के लिए एजेंटिक AI लागू करने से 70% टचलेस ऑपरेशन और 45% दक्षता वृद्धि मिली। AI‑संचालित सिस्टम लगभग एक मिलियन इनवॉइस वार्षिक प्रोसेस करता है, जो लगभग $6 बिलियन मूल्य का प्रतिनिधित्व करता है, जबकि सबसे जटिल मुद्दों को लोगों को समीक्षा के लिए भेजता है।

लक्ष्य यह है कि एक गवर्नेड प्रक्रिया बनाई जाए जिसमें सिस्टम सही जानकारी प्राप्त कर सके, स्वीकृत नियम लागू कर सके, दोहराव वाले पैटर्न से सीख सके, और केवल आवश्यक होने पर ही एस्केलेट करे। एक मजबूत डेटा नींव AI सिस्टम को वह संदर्भ प्रदान करती है जो योजना, विश्लेषण और रिपोर्टिंग को समर्थन देने के लिए आवश्यक है, यह सुनिश्चित करते हुए कि गवर्नेंस सिस्टम मौजूद है।

आगे बढ़ने के कदम

कंपनी को दीर्घकालिक सफलता के लिए तैयार करने हेतु, AI विस्तार और स्केलेबिलिटी को उसी सावधानी से देखें जैसा कि कंपनी‑व्यापी परिवर्तन कार्यक्रम में किया जाता है।

1. डेटा और AI: शुरू करने से पहले, जानकारी के मूल स्रोत को समझें और पूछें: क्या डेटा अधूरा था? क्या व्यापार परिभाषाएँ असंगत थीं? क्या एक्सेस प्रतिबंधों ने सिस्टम को आवश्यक संदर्भ देखने से रोका? क्या कर्मचारियों के पास AI के आउटपुट का उपयोग या चुनौती देने के लिए कोई वर्कफ़्लो नहीं था?
2. नींव बनाएं: यह अत्यंत महत्वपूर्ण है कि एक ठोस डेटा नींव बनाई जाए जो प्रारंभिक उपयोग मामलों के लिए सबसे महत्वपूर्ण डेटा डोमेनों को प्राथमिकता दे। शुरुआत से ही स्वामित्व निर्धारित करें और संरेखित गुणवत्ता नियंत्रणों के साथ एक्सेस लागू करें। उद्देश्य उच्च‑गुणवत्ता, गवर्नेड डेटा है जो भरोसा बनाता है और बेहतर निर्णयों को प्रेरित करता है।
3. कुछ महत्वपूर्ण वर्कफ़्लो पहचानें जहाँ व्यापार समस्याएँ स्पष्ट हों; डेटा उपलब्ध हो, और सफलता को मापना आसान हो। उन वर्कफ़्लो पर केंद्रित एजेंट बनाएं, जिसमें मानव हस्तक्षेप शामिल हो, ताकि गुणवत्ता सुनिश्चित हो सके।

आगे क्या है

आगामी प्रतिस्पर्धात्मक लाभ AI तक पहुंच से नहीं, बल्कि एंटरप्राइज़‑व्यापी डेटा को एंटरप्राइज़ बुद्धिमत्ता और मापनीय व्यवसाय परिणामों में स्केल पर परिवर्तित करने की क्षमता से आएगा। एंटरप्राइज़ AI इस बात पर निर्भर करेगा कि मॉडल कितनी अच्छी तरह बनते हैं, और उन पर निर्मित एजेंट कितनी जिम्मेदारी और उत्पादकता से कार्य करते हैं। टुकड़े‑टुकड़े, खराब स्रोत और अप्रबंधित डेटा की दुनिया में रहना सकारात्मक व्यवसाय परिणामों को सीमित करेगा। जो कंपनियां डेटा, गवर्नेंस और वर्कफ़्लो पुनः डिज़ाइन को जोड़ती हैं, वे प्रयोगों को दीर्घकालिक मूल्य में बदल सकती हैं। एजेंटिक AI का मार्ग उन परिचालन और डेटा नींवों से शुरू होता है जो बुद्धिमान कार्रवाई को सक्षम बनाती हैं।