विचार नेता
विनिर्माण में एआई अपनाने में बाधा डालने वाली छिपी समस्या

मुख्य बिंदुएआई अपनाने में सबसे बड़ी बाधा तकनीक नहीं, बल्कि खंडित डेटा और असंगत परिचालन प्रक्रियाएं…
और देखें
- एआई अपनाने में सबसे बड़ी बाधा तकनीक नहीं, बल्कि खंडित डेटा और असंगत परिचालन प्रक्रियाएं हैं।
- अधिकांश निर्माताओं में एआई से विश्वसनीय परिणाम पाने के लिए आवश्यक मूलभूत डेटा गुणवत्ता और शासन का अभाव है।
- एआई के सफल कार्यान्वयन के लिए इसे एक अलग परत मानने के बजाय मौजूदा कार्यप्रवाह में शामिल करना आवश्यक है।
विनिर्माण की दुनिया में हर कोई कृत्रिम बुद्धिमत्ता के बारे में बात कर रहा है। पूर्वानुमानिक रखरखाव, स्वचालित गुणवत्ता निरीक्षण, वास्तविक समय आपूर्ति श्रृंखला अनुकूलन। कागज पर, ये उपयोग मामले कम डाउनटाइम, उच्च थ्रूपुट, और तेजी, अधिक सूचित निर्णय लेने का वादा करते हैं। लेकिन एआई टूल्स में उत्साह और निवेश के बावजूद, कई निर्माता अभी भी पायलट परियोजनाओं से वास्तविक परिणामों की ओर बढ़ने के लिए संघर्ष कर रहे हैं।
यह पता चलता है कि सबसे बड़ा बोतलनेक अल्गोरिदम की कमी नहीं है, या यहां तक कि एआई की संभावना के बारे में जागरूकता की कमी भी नहीं है। सबसे लगातार, छिपी हुई समस्या अक्षमता है। विशेष रूप से, एआई क्षमताओं और अधिकांश फैक्ट्री फ्लोर पर पाए जाने वाले बिखरे हुए, असंगत संचालन वास्तविकता के बीच का अंतर है।
आपको इस समस्या को देखने के लिए बहुत दूर नहीं जाना होगा। एक 2024 में विनिर्माण की स्थिति का सर्वेक्षण में पाया गया कि जबकि 90% निर्माता अपने संचालन में कुछ रूप में एआई का उपयोग करने की रिपोर्ट करते हैं, 38% अभी भी अपने सहकर्मियों की तुलना में कार्यान्वयन और प्रभाव में पीछे महसूस करते हैं। यह एक तरह का “इम्पोस्टर सिंड्रोम” प्रकट करता है जहां प्रौद्योगिकी मौजूद है लेकिन अभी तक परिवर्तनकारी नहीं है क्योंकि यह मूल प्रक्रियाओं में निहित नहीं है।
एक ही समय में, एक व्यापक उद्योग अध्ययन दिखाता है कि 65% निर्माता डेटा तक पहुँच, प्रारूपण, एकीकरण और प्रशासन से जुड़ी चुनौतियों को एआई अपनाने के लिए शीर्ष बाधा के रूप में उद्धृत करते हैं, जो अन्य मुद्दों जैसे कि कार्यबल कौशल या विरासत उपकरण से कहीं अधिक है।
डेटा गुणवत्ता समस्या और भी गहरी है। एक वैश्विक सर्वेक्षण में, जिसमें विनिर्माण क्षेत्र के कई प्रतिनिधियों सहित आईटी और व्यावसायिक नेताओं ने भाग लिया, पाया गया कि 87% सहमत हैं कि उच्च गुणवत्ता वाला डेटा एआई सफलता के लिए महत्वपूर्ण है, लेकिन केवल 42% अपने डेटा की पूर्णता और सटीकता को उत्कृष्ट दर्जा देते हैं, और उतने ही प्रतिशत लोगों का कहना है कि खराब डेटा गुणवत्ता एआई में आगे के निवेश की बाधा है।
इन निष्कर्षों से स्पष्ट है कि निर्माता एआई का लाभ उठाना चाहते हैं, लेकिन अधिकांश के पास अभी वह संचालनगत आधार नहीं है जिससे एआई व्यवसाय को वास्तव में आगे बढ़ा सके।
एआई तैयारता और वास्तविक अपनाने में अंतर
यह तैयारता के साथ अपनाने को बराबर करने के लिए प्रलोभन है। लेकिन शोध एक आश्चर्यजनक अंतर दिखाता है। साइंसडायरेक्ट में प्रकाशित एक अध्ययन से पता चलता है कि जहां कंपनियां एआई के लिए तकनीकी तैयारता का उच्च स्तर दिखाती हैं, वास्तविक अपनाने की दर, विशेष रूप से उत्पादन संदर्भों में, अक्सर दो अंकों वाले प्रतिशत के निचले स्तर पर रहती है। यह सुझाव देता है कि कंपनियां वास्तविक संचालन सेटिंग्स में इसके प्रदर्शन पर आत्मविश्वास की कमी के कारण एआई लागू करने से हिचकिचाती हैं।
यह हिचकिचाहट आश्चर्यजनक नहीं है जब आप विचार करते हैं कि विनिर्माण कैसे पारंपरिक रूप से संचालित हुआ है। वित्त या ईकॉमर्स जैसे डेटा-नेतृत्व वाले उद्योगों के विपरीत, विनिर्माण शारीरिक प्रक्रियाओं और मशीनों पर केंद्रित रहा है, डेटा पर नहीं। एक संयुक्त ओईसीडी रिपोर्ट नोट करती है कि निर्माताओं को सूचना और संचार प्रौद्योगिकी की कंपनियों की तुलना में एआई अपनाने में अधिक बार बाधाओं का सामना करना पड़ता है, आंशिक रूप से इसलिए कि उनमें बड़े डेटा के इस्तेमाल की परंपरा नहीं है और वे अधिक बार विरासत प्रणालियों पर निर्भर हैं।
व्यवहार में इसका अर्थ है कि संगठन विश्वसनीय परिणामों के लिए आवश्यक डेटा अवसंरचना या कार्यप्रवाह की निरंतरता बनाए बिना एआई की पायलट परियोजनाएँ शुरू करने की जल्दी करते हैं। यह दरार वाले ढाँचे की कार में उच्च प्रदर्शन वाला इंजन लगाकर उससे अच्छी तरह चलने की उम्मीद करने जैसा है।
डेटा, प्रक्रियाएं, और “एआई वास्तविकता अंतर”
एक और अधिक प्रकट करने वाला ढांचा जो उद्योग के अंदर चर्चा का विषय है, वह “वास्तविकता अंतर” की अवधारणा है। सर्वेक्षणों में, निर्माता लगातार अपनी एआई रणनीति में विश्वास दिखाते हैं। एक बहुमत कहता है कि एआई एक शीर्ष प्राथमिकता और प्रतिस्पर्धी लाभ है। फिर भी, केवल एक छोटा सा अंश वास्तव में एआई परियोजनाओं को लागू करने के लिए तैयार महसूस करता है।
यह आकांक्षा और संचालन क्षमता के बीच का अंतर कई मूलभूत मुद्दों से उत्पन्न होता है:
- विखंडित डेटा वातावरण। सेंसर, मशीनें, एरपी सिस्टम, और गुणवत्ता लॉग अक्सर सिलोस में मौजूद होते हैं जिनके पास जानकारी साझा करने के लिए मानक तरीका नहीं है। एआई मॉडल को सुसंगत, विश्वसनीय इनपुट की आवश्यकता होती है। जब ये इनपुट अधूरे या असंगत होते हैं, तो भविष्यवाणियां कम विश्वसनीय हो जाती हैं।
- मैनुअल और डिस्कनेक्टेड प्रक्रियाएं। एक प्लांट में कुछ मशीनों पर मजबूत आईओटी डिवाइस हो सकते हैं, लेकिन अभी भी गुणवत्ता निरीक्षण के लिए कागज़ पर निर्भर हो सकते हैं। एआई सिस्टम गायब या देर से डेटा के लिए क्षतिपूर्ति नहीं कर सकते; वे केवल उसे बढ़ाते हैं जो वे देखते हैं।
- संगठनात्मक तैयारी। जब बुनियादी ढांचा सुधार हो रहा हो, तब भी कई टीमें मॉडल आउटपुट को कार्रवाई में अनुवाद करने का अनुभव नहीं करती हैं। स्पष्ट कार्यप्रवाह और एआई में मानवीय विश्वास के बिना, प्राप्त अंतर्दृष्टियों का उपयोग नहीं होता।
निष्क्रियता की छिपी हुई लागत
इन बाधाओं को अनदेखा करना हानिरहित नहीं है। शोध लगातार दिखाता है कि संगठन जो मूलभूत अक्षमताओं को संबोधित नहीं करते हैं, वे अपने एआई निवेश से मूल्य निकालने के लिए संघर्ष करते हैं। उदाहरण के लिए, एक रिपोर्ट में लगभग 80% औद्योगिक कंपनियों में एआई का सफलतापूर्वक उपयोग करने की क्षमता की कमी है, हालांकि एक महत्वपूर्ण बहुमत गुणवत्ता और सेवाओं में सुधार के लिए एआई की उम्मीद करता है।
और विनिर्माण क्षेत्र से परे, व्यवसायिक सेटिंग्स में अध्ययनों से पता चलता है कि 80% तक कंपनियां एआई से लाभान्वित नहीं हो पाती हैं क्योंकि वे संगठनात्मक, मानव, और परिवर्तन प्रबंधन कारकों को अनदेखा करती हैं – न कि इसलिए कि प्रौद्योगिकी स्वयं दोषपूर्ण है।
इन बातों को दोहराना आवश्यक है: विनिर्माण में एआई की चुनौती केवल प्रौद्योगिकी एकीकरण की समस्या नहीं है। इसका संबंध कार्यप्रवाह की रूपरेखा, निर्णय प्रक्रियाओं, डेटा प्रशासन और इन उपकरणों के साथ काम करने वाली मानवीय प्रणालियों से है।
अंतर को बंद करना: जहां वास्तविक प्रगति होती है
तो निर्माता संभावना और वास्तविकता के बीच के विभाजन को कैसे पाटते हैं? यह एआई को एक ऐड-ऑन के रूप में नहीं, बल्कि मौजूदा संचालन के तंत्र में निहित होने के रूप में पहचानने के साथ शुरू होता है।
डेटा तैयारी पर पहले ध्यान दें। सभी डेटा को एक प्रणाली में लाना, पहुंच में सुधार करना, और शासन नियमों को परिभाषित करना न केवल एआई टूल्स को बेहतर काम करने में मदद करता है, बल्कि आउटपुट में विश्वास भी पैदा करता है। जो उद्योग सर्वेक्षण डेटा मुद्दों को बाधा सूची में सबसे ऊपर रखते हैं, वे यह भी दिखाते हैं कि निर्माता जो इन मुद्दों को पहले संबोधित करते हैं वे पायलट परियोजनाओं से परे जाने और स्केलिंग में अधिक संभावना रखते हैं।
एआई को वास्तविक कार्य प्रवाह के साथ संरेखित करें। एआई को एक अलग परत के रूप में नहीं होना चाहिए; यह मानव निर्णय लेने और दैनिक प्रक्रियाओं के साथ एकीकृत होना चाहिए। टीमें यह समझनी चाहिए कि प्रौद्योगिकी क्या कर रही है और इसके आउटपुट क्यों महत्वपूर्ण हैं। इसका मतलब एआई अपनाने के आसपास आंतरिक शिक्षा और शासन में निवेश करना है।
सिस्टम को जोड़ने वाला बुनियादी ढांचा बनाएं। अधिक सिलोस बनाने के बजाय, एआई को सफलतापूर्वक अपनाने में विभिन्न स्रोतों, सेंसर, मशीनों, एरपी, गुणवत्ता प्रणालियों से डेटा प्रवाह को एक सुसंगत, सुलभ परत में एकीकृत करना शामिल है। वास्तविक प्रगति तब होती है जब कंपनियां उन समस्याओं से शुरू करती हैं जिन्हें वे देख और छू सकती हैं। जो मशीनें एक दूसरे के साथ संवाद नहीं करती हैं, जो गुणवत्ता लॉग अभी भी हाथ से लिखे जाते हैं, और जो प्रक्रियाएं स्मृति या आदत पर निर्भर करती हैं, वे सभी अदृश्य रोडब्लॉक बनाते हैं। जब टीमें सिस्टम को जोड़ने और कार्य प्रवाह को सुसंगत बनाने का समय लेती हैं, तो प्रौद्योगिकी भ्रम के बजाय मार्गदर्शन प्रदान करना शुरू कर देती है।
एआई स्वयं टूटी हुई प्रक्रियाओं को नहीं ठीक करता है। यह दुर्लभ है कि यह सबसे नए सॉफ़्टवेयर को खरीदने या नवीनतम मॉडल का पीछा करने के बारे में है। जो कंपनियां अच्छा प्रदर्शन करती हैं वे मौजूदा सिस्टम को जोड़ने, त्रुटियों को कम करने और सुनिश्चित करने पर ध्यान केंद्रित करती हैं कि टीमों के पास कार्रवाई करने के लिए आवश्यक जानकारी है।
जब ये टुकड़े जगह में होते हैं, तो एआई प्रयोग की तरह महसूस करना बंद कर देता है और ऑपरेटरों के साथ काम करना शुरू कर देता है, जो समस्याओं को पहले पकड़ने और दैनिक निर्णयों में अधिक आत्मविश्वास के साथ मदद करता है।












