क्यों एंटरप्राइज़ AI ठहर जाता है, और पायलट के बाद स्केल करने के लिए क्या चाहिए

तीन साल पहले, अधिकांश एंटरप्राइज़ नेताओं ने AI को नकारा था। प्रमुख दृष्टिकोण यह था कि यह बाजार का शोर है, या केवल एक चतुर खिलौना, लेकिन एंटरप्राइज़‑स्तर की तकनीक नहीं है। “हैलुसिनेशन” हर किसी के दिमाग में था। केवल पिछले वर्ष में, यह संदेह लगभग पूरी तरह बदल गया है। अब अपेक्षाएँ अपने शिखर पर हैं, बोर्ड इस बात को लेकर आश्वस्त हैं कि AI हर भूमिका और हर प्रक्रिया को बदल देगा।

फिर भी दोनों छोर बिंदु को चूक जाते हैं। AI न तो एक क्षणिक फैड है और न ही जादू की छड़ी। यह उद्योग में देखी गई सबसे व्यापक परिवर्तन है; क्लाउड से भी बड़ा, जो मूल रूप से दक्षता और लचीलापन पर केंद्रित था। AI एक व्यापार परिवर्तन है। यही कारण है कि कई संगठन, चमकदार पायलट चलाने के बाद, फँस जाते हैं। State of AI McKinsey & Company द्वारा किया गया सर्वेक्षण इस समस्या के पैमाने को दर्शाता है: लगभग दो‑तिहाई उत्तरदाता कहते हैं कि उनके संगठन ने अभी तक एंटरप्राइज़ में AI को स्केल करना शुरू नहीं किया है.

वास्तविक बाधा क्षमता नहीं है

तकनीक को दोष देना आकर्षक लग सकता है, लेकिन यह गलत होगा। इस चरण में, फ्रंटियर मॉडल्स में अत्यधिक क्षमता है। कठिनाई इस बात में है कि AI को वास्तविक व्यापार प्रक्रियाओं में शामिल करके मापनीय परिणाम प्राप्त किए जाएँ।

IDC के शोध ने पाया कि 88% AI प्रूफ़‑ऑफ़‑कॉन्सेप्ट उत्पादन तैनाती तक नहीं पहुँच पाते, अर्थात हर 33 लॉन्च में से केवल चार ही सफल होते हैं। कारण अक्सर तकनीक स्वयं नहीं होता। एक पायलट यह दर्शाता है कि क्या संभव है; स्केल के लिए यह आवश्यक है कि संगठन कार्य करने के तरीके को बदल दे। यह अधिकांश नेताओं की अपेक्षा से कहीं अधिक जटिल कार्य है। इसमें परिवर्तन प्रबंधन, कार्यात्मक विभागों के बीच घर्षण, ऐसे बजट चक्र शामिल हैं जो इस प्रकार के निवेश के लिए कभी नहीं बनाए गए, और वर्कफ़्लो को अंत‑से‑अंत पुनः डिज़ाइन करने का कठिन कार्य शामिल है। यही कारण है कि प्रूफ़‑ऑफ़‑कॉन्सेप्ट से उत्पादन की यात्रा हाइप से अधिक समय लेती है: एंटरप्राइज़ जटिल होते हैं, और जटिलता शॉर्टकट को अस्वीकार करती है।

नेताओं को “AI को अभी अपनाएँ” जैसी प्रवृत्ति से बचना चाहिए, जो बिखरे और असंबद्ध प्रयोगों को जन्म देती है। इसके बजाय विशिष्ट समस्या और अपेक्षित परिणाम को परिभाषित करके शुरू करें, उदाहरण के तौर पर सेवा‑समाधान समय को कम करना, ज्ञान को तेज़ी से प्राप्त करना, विकास जीवन‑चक्र को संक्षिप्त करना। जब AI को परिभाषित वर्कफ़्लो के आसपास डिजाइन किया जाता है, तो प्रभाव मापनीय हो जाता है, और मापनीय प्रभाव स्केल करने का अधिकार अर्जित करता है।

दृश्यमान और अदृश्य

एजेंट्स वही हैं जिनसे एंटरप्राइज़ में AI जीवंत हो जाता है, और वे दो वर्गों में विभाजित होते हैं। पहला, सहायक एजेंट्स दृश्य सहायक होते हैं जो ईमेल का सारांश बनाते हैं या डेवलपर को कोड लिखने में मदद करते हैं। दूसरा, एजेंट्स कार्यप्रवाह में अदृश्य रूप से बुने होते हैं, खातों का मिलान करते हैं, अनुमोदन श्रृंखलाएँ चलाते हैं, और धोखाधड़ी को चिन्हित करते हैं। इन्हें वास्तव में एंटरप्राइज़‑ग्रेड होना चाहिए: मात्रा के साथ स्केल करना, सटीकता प्रदान करना, पूर्ण ट्रैसेबिलिटी देना, और जिम्मेदार‑AI दिशानिर्देशों के भीतर कार्य करना।

“एजेंट काउंट” की घोषणा करने वाले शीर्षक बहुत कम मायने रखते हैं, क्योंकि एजेंट को गिनने का कोई मानक तरीका नहीं है। मायने रखता है वह कार्य जो मानव‑और‑एजेंट संयोजन पूरा करता है। एजेंट‑प्रेरित उत्पादकता एक मिलियन डॉलर बचा सकती है; लोगों‑और‑एजेंट टीमों के साथ व्यावसायिक प्रक्रिया को पुनः कल्पना करने से उसी प्रयास से सौ मिलियन उत्पन्न हो सकते हैं, और यही वह क्षेत्र है जहाँ नेताओं को देखना चाहिए।

शासन, विश्वास और बारिश‑के‑दिन परीक्षण

परिणाम की स्वामित्व सफलता सुनिश्चित करने के लिए अत्यंत महत्वपूर्ण है। जब दस गलतियों को सहन किया जा सकता है तो AI को लागू करना आसान है; लेकिन जब प्रक्रिया को स्केल पर बिना त्रुटि के चलना हो तो बात अलग है। मार्गदर्शक सिद्धांत एक बारिश‑के‑दिन परीक्षण है: जब AI सहयोग नहीं करता, फिर भी व्यवसाय चलता रहता है। इसलिए शासन गति का दुश्मन नहीं बल्कि उसका सक्षमकर्ता है। इसी बीच, बिना शासन के लचीलापन अराजकता पैदा करता है जबकि बिना लचीलापन के शासन नवाचार को दबा देता है। अंततः AI को रोकने वाले कारक हैं डर, विश्वास, सुरक्षा, और अपने डेटा पर नियंत्रण। ये चिंताएँ तय करती हैं कि एंटरप्राइज़ स्केल करता है या जमे रहता है।

आर्किटेक्चर का उचित आकार निर्धारण

महत्वपूर्ण रूप से, एंटरप्राइज़ उपयोग मामलों के 80 से 90 प्रतिशत के लिए फ्रंटियर मॉडल आवश्यक नहीं है। संगठन के अपने डेटा पर निर्मित एक छोटा भाषा मॉडल, अक्सर फ्रंटियर मॉडल के साथ मिलकर काम करता है, यह अधिक समझदारी वाला उत्तर है। टोकन‑प्रति लागत घातीय रूप से घट रही है, लेकिन तर्क मॉडल और विस्तारित संदर्भ विंडो उपभोग को तेज़ी से बढ़ा रहे हैं, जिससे टोकन अनुकूलन स्वयं में एक महत्वपूर्ण अवसर बन जाता है।

अगली लहर के लिए निर्माण

हर तकनीकी लहर में, मूल्य तब प्राप्त होता है जब व्यवसाय वास्तव में तकनीक का उपयोग करते हैं। आज का खर्च इन्फ्रास्ट्रक्चर लेयर में है, जैसा कि तकनीकी चक्र की शुरुआती चरण में हमेशा होता है। अगली, बड़ी लहर स्केल पर अपनाने की है।

व्यवसाय नेताओं को ध्यान देना चाहिए कि एंटरप्राइज़ AI इसलिए नहीं रुकता क्योंकि तकनीक कमजोर है। यह इसलिए रुकता है क्योंकि संगठन व्यापार परिवर्तन को तकनीकी प्रोजेक्ट के रूप में देखते हैं। विजेता AI को एक भरोसेमंद, दोहराने योग्य, और उत्तरदायी व्यापार प्रक्रिया बनाएँगे, फिर उसे स्केल करने और आगे की बड़ी लहर पर सवार होने के लिए धैर्य रखेंगे।