AI पायलटों में पैसे खोने से कैसे बचें: तीन गलतियाँ और इसके बजाय क्या करें

पिछले कुछ वर्षों में, वित्तीय उद्योग कृत्रिम बुद्धिमत्ता को लागू करने के लिए तेज़ी से प्रतिस्पर्धा कर रहा है। कंपनियां बढ़ती हुई मॉडल खरीद रही हैं और विक्रेताओं के साथ अनुबंध पर हस्ताक्षर कर रही हैं, लेकिन इससे कम या डरावना परिणाम मिलता है। पिछले वर्ष प्रकाशित एक MIT अध्ययन के अनुसार, 95% कॉरपोरेट AI पायलटों का कंपनियों के लाभ पर कोई मापने योग्य प्रभाव नहीं होता।

इसी समय, खर्च आसमान छू रहा है, क्योंकि अनुमान है कि पिछले वर्ष दुनिया ने AI पर 1.76 ट्रिलियन डॉलर खर्च किए, और 2026 तक यह आंकड़ा 2.59 ट्रिलियन तक बढ़ने की उम्मीद है। इसलिए निवेशित धन और वापस मिलने वाला धन काफी अलग दिखता है, और लागतें मूलतः कुछ नहीं के लिए बढ़ रही हैं।

हालाँकि, समस्या यह नहीं है कि तकनीक कमजोर है। AI मॉडल हर साल अधिक बुद्धिमान होते जा रहे हैं, इतना कि OpenAI ने निर्णय लिया अपने विकास को रोकने का, ताकि बहुत आगे न बढ़े। इसलिए, इस मामले में वास्तविक कमी यह है कि एक संचालन मॉडल की कमी है जो इन तकनीकों का प्रभावी उपयोग कर सके।

पायलट होने का भ्रम

AI एकीकरण का पैमाना इतना बड़ा है कि लगभग हर फ़िनटेक या पारंपरिक वित्तीय कंपनी ने हाल ही में कम से कम एक AI पायलट लॉन्च किया है, उदाहरण के लिए, ग्राहकों के लिए एक चैटबॉट। लेकिन चाहे वे कुछ भी लॉन्च करें, इन कहानियों का अंत आम तौर पर काफी अप्रिय होता है।

सब कुछ एक विशेष टीम से शुरू होता है जो एक प्रूफ़ ऑफ़ कॉन्सेप्ट बनाती है जो नियंत्रित परीक्षण स्थितियों में अच्छी प्रदर्शन करती है। फिर, डेमो के बाद, प्रबंधन प्रभावित हो जाता है और उन्हें इसे लागू करने देता है, लेकिन किसी बिंदु पर परियोजना टूट जाती है या अप्रभावी साबित होती है। लेकिन क्यों?

बेशक, हर आंतरिक AI प्रोजेक्ट विफल नहीं होता, क्योंकि ऐसे में कोई ML इंजीनियर बचे नहीं रहेंगे, और तकनीक बेकार सिद्ध होगी। लेकिन मैंने इस विफलता चक्र को इतनी बार देखा है कि मैं इसकी जड़ को बहुत अच्छी तरह जानता हूँ। सरल शब्दों में, समस्या स्वयं पायलट में है, जो, यद्यपि अच्छी तरह से किया जा सकता था, व्यवसाय के वास्तविक कार्य करने और दैनिक रूप से कार्य करने के तरीके में फिट होने के लिए डिज़ाइन नहीं किया गया था।

परिणामस्वरूप, एक मॉडल जो अलगाव में शानदार काम करता है, वास्तविक कार्य परिदृश्य में टकराता है और पुरानी अवसंरचना या उन कर्मचारियों से मिलता है जो तकनीक के साथ कैसे काम करना है, नहीं जानते। लेकिन इन बाधाओं में से कोई भी एक अधिक स्मार्ट एल्गोरिदम द्वारा हल नहीं होती। इन्हें केवल प्रबंधन के निर्णयों द्वारा सुधारा जा सकता है, और यह डेटा वैज्ञानिकों की जिम्मेदारी का क्षेत्र नहीं है।

कुछ गलतियाँ जिन्हें टालना बेहतर है

किसी कंपनी में AI को अधिक प्रभावी ढंग से एकीकृत करने से पहले, चलिए रास्ते में हो सकने वाली अन्य गलतियों पर विचार करते हैं।

पहली और सबसे महत्वपूर्ण चूक, जैसा कि हमने पहले अप्रत्यक्ष रूप से उल्लेख किया है, AI को प्रक्रिया को पुनर्निर्मित किए बिना एक अतिरिक्त के रूप में मानना है। वास्तव में, कई कंपनियां मौजूदा कार्यप्रवाह को लेती हैं और केवल एक चरण में AI टूल को एम्बेड कर देती हैं, बिना यह विचार किए कि उस प्रक्रिया में AI का उपयोग समझदारी है या नहीं।

इसलिए, एक प्रबंधक के रूप में, मैं पहले खुद से पूछूँगा: क्या यह प्रक्रिया आपके कंपनी में वास्तव में आवश्यक थी? यदि स्वचालन से पहले कार्यप्रवाह अक्षम था, तो यह स्वचालन के बाद भी उतना ही अक्षम रहेगा। यह और भी बिगड़ सकता है, क्योंकि AI याद रखता नकारात्मक पैटर्न और उन्हें दोहराता है।

अगली गलती तब होती है जब प्रबंधक अनुपालन और शासन के बोझ को कम आंकते हैं। वित्तीय सेवाओं को किसी भी उद्योग की सबसे कठिन नियामक दबावों का सामना करना पड़ता है, और उदाहरण के लिए, आप पूरे अनुपालन विभाग को AI से स्वचालित नहीं कर सकते। यही बात सीधे सेवा प्रदान करने और पोर्टफोलियो प्रबंधन पर भी लागू होती है। यह एक सार्वभौमिक सत्य जैसा लगता है, लेकिन आप आश्चर्यचकित होंगे कि कितने संस्थापक इस में चूकते हैं।

और अंत में, कई कंपनियां AI कार्यान्वयन के लिए अपने कर्मचारियों को प्रशिक्षित करना भूल जाती हैं। जब तकनीक कर्मचारियों की दिनचर्या को ले लेती है, तो पहला प्रवृत्ति अक्सर स्टाफ को कम करना होता है, क्योंकि कई कार्य कम लोगों के साथ तेज़ी से किए जा सकते हैं। यद्यपि यह निकट भविष्य में आपके खर्चों को कम करेगा, यह बहुत अल्पदृष्टि वाला कदम है।

यदि आप वास्तविक मूल्य चाहते हैं, तो खुद से एक अलग प्रश्न पूछें। अब हमारी टीम रूटीन से मुक्त होने के बाद कौन-सा उच्च-स्तरीय काम कर सकती है? क्या वे अपनी वर्तमान कौशल और प्रेरणा के साथ इसके लिए तैयार हैं?

अधिक दक्षता के लिए सोमवार से क्या शुरू करें

पहले कदम के रूप में, अपने निलंबित AI पायलटों का ऑडिट करें। अर्थात, पुराने पायलटों को ठीक से संभालने तक नई विचारों को न पेश करें। 90% मामलों में, समस्या जिम्मेदारी की कमी है, अर्थात कोई स्पष्ट रूप से इसका स्केलिंग करने के लिए उत्तरदायी नहीं है। इसलिए स्वामित्व सौंपें।

यदि किसी के पास पहले से AI नियंत्रण है, तो अगला कदम प्रक्रिया की समीक्षा करना और उसे पूरी तरह से पुनर्निर्मित करना है। मौजूदा कार्यप्रवाह में केवल AI जोड़ें नहीं। मेरा सुझाव है कि हम पूछें कि यदि हम आज शून्य से इसे डिजाइन कर रहे होते, तो यह प्रक्रिया कैसी दिखती, यह जानते हुए कि AI प्राथमिक विश्लेषण कर सकता है। अक्सर उत्तर जितना दिखता है उससे कहीं अधिक सरल होता है।

इसके अलावा, AI मॉडल द्वारा लाए गए वास्तविक आंकड़ों की गणना करना न भूलें। यदि लॉन्च के छह महीने बाद आप अपने मॉडल की प्रभावशीलता के आंकड़े (जैसे बचाए गए घंटे या बढ़े हुए लाभ) निर्दिष्ट नहीं कर सकते, तो यह अपेक्षित रूप से काम नहीं कर रहा है, इसलिए इसके मूल्य पर पुनर्विचार करना बेहतर है।

और, शायद सबसे महत्वपूर्ण बात यह है कि लोगों को निकालना नहीं चाहिए, विशेष रूप से उन लोगों को जो जिम्मेदार हैं और जिन्होंने हमेशा ईमानदारी से अपना काम किया है। यदि लोग कंपनी को वह पैसा लाते हैं जो वे एक वर्ष में कमाते हैं उससे अधिक, तो उनका निकाला जाना बहुत जल्दी आपके लिए समस्या बन जाएगा। और जो कंपनियां इसे नहीं समझतीं, वे अपना संस्थागत ज्ञान और टीम का भरोसा खो देती हैं, जिससे बाद में बहुत अधिक लागत आती है।

समग्र रूप से देखा जाए तो, 95% पायलट परिणाम तक नहीं पहुँच पाते, यह इसलिए नहीं कि तकनीक विफल हुई है। वे नहीं पहुँचते क्योंकि उनके आसपास का संगठन वही पुराना बना हुआ है। यही वह एकमात्र चर है जिसे सबसे पहले बदलना चाहिए।