उद्यमों में AI को स्वायत्तता हासिल करने से पहले संचयी संदर्भ की ज़रूरत है

सोचिए, सोमवार की सुबह है और तिमाही पूर्वानुमान बैठक में अभी कई घंटे बाकी हैं। वित्त विभाग का एक प्रमुख AI एजेंट से पूछता है, “सकल मार्जिन में गिरावट क्यों आई? किन मान्यताओं को बदलने की ज़रूरत है? और कंपनी को आगे क्या करना चाहिए?” कुछ ही सेकंड में एजेंट कई प्रणालियों से जानकारी जुटाता है, गिरावट के कुछ प्रमुख कारणों की पहचान करता है और विवेकाधीन खर्च में कटौती करने या नियुक्ति योजना पर फिर से विचार करने की सिफारिश करता है। जवाब स्पष्ट, विस्तृत और विश्वसनीय लगता है। उसमें कुछ भी स्पष्ट रूप से गलत नज़र नहीं आता।

यही बात इसे इतना ख़तरनाक बनाती है। 

गहराई से जाँच करने पर कई अहम बातें सामने आती हैं, जिन पर ध्यान नहीं दिया गया था। एजेंट ने पूर्वानुमान का गलत संस्करण इस्तेमाल किया। वह पिछली तिमाही के स्वीकृत लेखा-समायोजन को ध्यान में रखना भूल गया। उसने यह भी नहीं माना कि एक क्षेत्र में कारोबार के नियम अलग हैं। ज़रूरी नहीं कि मूल डेटा में कोई गड़बड़ी रही हो; एजेंट को बस यह पता नहीं था कि संगठन उस डेटा की व्याख्या कैसे करता है या अलग-अलग हिस्से आपस में कैसे जुड़े हैं। समस्या ऐसी नहीं है जिसे कोई दूसरा मॉडल आसानी से हल कर दे। असल बात यह है कि मॉडल इस कारोबार को नहीं समझता। 

उद्यमों में AI के विकास का बड़ा हिस्सा मॉडल की क्षमता और एजेंट की स्वायत्तता पर केंद्रित रहा है। लेकिन कोई मॉडल कंपनी के लिए विश्वसनीय और विशिष्ट निष्कर्ष तक तब तक नहीं पहुँच सकता, जब तक वह यह न समझे कि संगठन अपने आँकड़ों को कैसे परिभाषित करता है और उन्हें कारोबार के कामकाज से कैसे जोड़ता है। 

यहाँ जिस कड़ी की कमी है, वह है कारोबार का संचयी संदर्भ—यानी उद्यम के डेटा के अर्थ की सुव्यवस्थित समझ: उसकी परिभाषाएँ, संबंध, मान्यताएँ, गणनाएँ, कार्यप्रवाह, अपवाद और समय के साथ उससे जुड़े निर्णय।

यह संदर्भ योजना बनाने, पूर्वानुमान लगाने, परिदृश्य तैयार करने, अंतर का विश्लेषण करने, सुधार करने, प्रतिक्रिया देने, लेखा-अवधि बंद करने की गतिविधियों और स्वीकृत निर्णयों के ज़रिए विकसित होता है। इसके बिना, संगठनों को जोखिम है कि वे AI को ज़्यादा ज़िम्मेदारी तो सौंप दें, लेकिन उसे वह ज़िम्मेदारी भरोसेमंद ढंग से निभाने के लिए कारोबार की पर्याप्त समझ न दें। 

AI की क्षमता उद्यमों की तैयारी से आगे निकल रही है

Stanford के 2026 AI Index के अनुसार, सर्वेक्षण में शामिल 88% संगठनों ने 2025 में AI का इस्तेमाल किया, फिर भी लगभग सभी व्यावसायिक कार्यों में एजेंटों की तैनाती एकल अंकों में ही रही। 

ये आँकड़े दिखाते हैं कि उद्यमों के पास AI की क्षमताओं तक पहुँच है, लेकिन उनमें से कई अहम काम AI को सौंपने के लिए तैयार नहीं हैं। नेतृत्वकर्ता जानते हैं कि उन्हें AI के साथ काम शुरू करना होगा, लेकिन उन्हें अब भी तय करना है कि वे समस्या के सही स्तर पर काम कर रहे हैं या नहीं।

मॉडल डेटा पढ़ सकता है, लेकिन कारोबार को समझ नहीं सकता

फाउंडेशन मॉडल पैटर्न पहचानने, जानकारी का संश्लेषण करने, प्राकृतिक भाषा में संवाद करने और बड़े डेटासेट की पड़ताल करने में प्रभावी हैं। ये अहम प्रगति हैं, लेकिन मॉडल की अपनी क्षमता अब पहले जितना विशिष्ट लाभ नहीं दे रही है। 

उद्यमों के सामने अधिक कठिन चुनौती यह है कि AI को सिखाया जाए कि कंपनी की जानकारी का क्या अर्थ है और, सबसे अहम, निर्णय लेने तथा विश्लेषण में उसका इस्तेमाल कैसे होता है।

AI के शासन को लेकर चर्चा का बड़ा हिस्सा साफ़-सुथरे डेटा पर केंद्रित रहा है। यह एक ज़रूरी कदम है, लेकिन व्यापक स्तर पर उद्यमों में AI अपनाने के लिए पर्याप्त नहीं है। साफ़-सुथरे दो डेटासेट भी अलग-अलग परिभाषाएँ, समयावधियाँ और कारोबारी नियम इस्तेमाल कर सकते हैं। 

IBM के 2025 CEO Study में पाया गया कि AI की 25% पहलों ने अपेक्षित ROI दिया और केवल 16% का विस्तार पूरे उद्यम में हो पाया। यह पैटर्न कार्यान्वयन की एक बड़ी चुनौती से मेल खाता है: मॉडल और डेटा तक पहुँच होने से यह सुनिश्चित नहीं होता कि AI प्रणाली उन संगठनात्मक नियमों में सामंजस्य बैठा पाएगी, जो तय करते हैं कि जानकारी का इस्तेमाल कैसे किया जाना चाहिए।

अधिक सक्षम मॉडल आसानी से हासिल किए जा सकते हैं। कंपनी-विशिष्ट समझ विकसित करनी पड़ती है। 

डेटा पुनर्प्राप्ति का संदर्भ, संचयी संदर्भ नहीं है

उद्यमों में AI के संदर्भ में जिसे अक्सर ‘संदर्भ’ कहा जाता है, उसका बड़ा हिस्सा अब भी अनुरोध किए जाने के समय डेटा पुनर्प्राप्त करके जुटाया जाता है। प्रणाली कोई प्रासंगिक दस्तावेज़, रिकॉर्ड या डेटा बिंदु ढूँढ़ती है, उसका इस्तेमाल जवाब तैयार करने के लिए करती है और अगली बार पूछे जाने पर फिर से शुरुआत करती है। 

डेटा पुनर्प्राप्ति उपयोगी है, लेकिन अकेले इससे संगठन की संचयी स्मृति नहीं बनती। इससे बहुत कम जानकारी आगे के लिए बनी रहती है; नतीजतन, AI हर नई बातचीत में इस कारोबार से ऐसे रूबरू हो सकता है, मानो वह उसे जानता ही न हो।

यह कुछ ऐसा है जैसे हर सुबह एक नए, प्रतिभाशाली विश्लेषक को काम पर रखा जाए। वह विश्लेषक वित्त को समझता है और डेटासेट की पड़ताल करना जानता है, लेकिन उसे फिर भी सीखना होगा कि यह खास कंपनी अपने मापदंडों को कैसे परिभाषित करती है, कौन-सा पूर्वानुमान आधिकारिक है, किसी अपवाद को मंज़ूरी क्यों दी गई थी और कौन-सी मान्यताएँ बार-बार गलत साबित होती हैं।

संचयी संदर्भ का उद्देश्य अलग है। हर प्रॉम्प्ट या योजना-चक्र के साथ नए सिरे से शुरू होने के बजाय, संदर्भ समय के साथ बढ़ता और समृद्ध होता जाता है। हर जाँच, परिदृश्य, सुधार, मंज़ूरी और निर्णय संगठन के कामकाज की एक सुव्यवस्थित समझ बनाने में योगदान दे सकता है। इसका मतलब है कि बाद के चक्र, हर प्रॉम्प्ट पर उन्हीं संबंधों, तर्क और काम करने के तरीकों को फिर से खोजने के बजाय, पहले के चक्रों में स्थापित समझ के आधार पर आगे बढ़ सकते हैं। 

इसका मतलब यह नहीं है कि हर चीज़ को अनिश्चित काल तक संभालकर रखा जाए। उद्यम के लिए उपयोगी संदर्भ का दायरा सोच-समझकर तय किया जाना चाहिए; उसमें सुधार किया जा सके, वह अनुमतियों के अनुरूप हो और उसके स्रोत का पता लगाया जा सके। संगठनों को महत्वपूर्ण बातों को सुरक्षित रखते हुए यह भी सुनिश्चित करना होगा कि पुरानी पड़ चुकी धारणाओं, अस्थायी अपवादों और गलत व्याख्याओं की पहचान करके समय के साथ उन्हें बदला जा सके।

मॉडल के नीचे काम करता है भरोसा

एआई प्रणाली का सबसे दिखाई देने वाला हिस्सा मॉडल होता है, लेकिन शायद ही कभी वही यह तय करता है कि उद्यम उसके नतीजे पर भरोसा कर सकता है या नहीं। 

एक सक्षम मॉडल किसी विसंगति की पड़ताल कर सकता है, संभावित स्पष्टीकरण तलाश सकता है और कार्रवाई की सिफारिश कर सकता है। उद्यम उस सिफारिश पर भरोसा कर सकता है या नहीं, यह उस मॉडल के इर्द-गिर्द बनी संरचना पर निर्भर करता है। 

Gartner ने पाया कि सफल AI पहलों की सूचना देने वाले संगठन चार गुना तक अधिक निवेशकरते हैं—राजस्व के अनुपात में डेटा गुणवत्ता, शासन, AI के लिए तैयार प्रतिभा और परिवर्तन प्रबंधन जैसी बुनियादी क्षमताओं में, खराब नतीजों का सामना कर रहे संगठनों की तुलना में।

शासित संदर्भ परत भी इसी बुनियाद का हिस्सा है और स्रोत प्रणालियों, मॉडलों तथा व्यावसायिक कार्रवाइयों के बीच स्थित होती है। 

यहीं बुद्धिमत्ता और नियतात्मकता को अलग-अलग होना चाहिए। एआई पड़ताल कर सकता है, मसौदा तैयार कर सकता है और सिफारिश दे सकता है। किसी कार्रवाई की समीक्षा और मंज़ूरी हो जाने के बाद, उसका निष्पादन नियंत्रित गणनाओं, अनुमति-जाँच, डेटा वापस लिखने के नियंत्रणों और ऑडिट रिकॉर्ड के ज़रिए होना चाहिए। किसी मॉडल को खोजबीन के लिए उपयोगी बनाने वाला लचीलापन, कारोबार में बदलाव लागू करते समय हमेशा उपयुक्त नहीं होता।

मॉडल सिफारिश कर सकता है कि क्या किया जाना चाहिए। मानव-मंज़ूरी और प्रणालीगत नियंत्रणों समेत, उसके आसपास की संरचना तय करती है कि क्या करने की अनुमति है।

एजेंटों को उपयोगी बनाने वाली सीमाएँ

एजेंटों की तैनाती, उन पर लागू नियंत्रणों के विकास से तेज़ी से हो रही है। KPMG ने पाया कि कम-से-कम कुछ एआई एजेंट तैनात करने वाले संगठनों का अनुपात 2025 की पहली तिमाही में 11% से बढ़कर तीसरी तिमाही तक 42% हो गया। फिर भी Gartner ने बताया कि केवल 13% संगठन इस बात से पूरी तरह सहमत थे कि उनके पास एजेंटों के शासन के लिए सही संरचनाएँ मौजूद थीं।

यह अंतर महत्वपूर्ण है, क्योंकि क्षमता और अधिकार देना—ये अलग-अलग डिज़ाइन संबंधी फैसले हैं। कोई प्रणाली तकनीकी रूप से डेटाबेस तक पहुँचने, पूर्वानुमान में संशोधन करने या कार्यप्रवाह शुरू करने में सक्षम हो सकती है। इसका यह अर्थ नहीं कि उसे ये काम अपने आप करने की अनुमति होनी चाहिए। 

महत्वपूर्ण कार्य सौंपने से पहले संगठनों को तीन सीमाएँ तय करनी चाहिए।

• साझा अर्थ तय करें

किसी एजेंट के इनके आधार पर लगातार तर्क करने से पहले परिभाषाओं, मापदंडों, पदानुक्रमों, वित्तीय कैलेंडरों और गणना के नियमों में सामंजस्य होना चाहिए। 

एआई से यह अपेक्षा नहीं करनी चाहिए कि वह चुपचाप उन मतभेदों को सुलझा दे जिन पर संगठन ने खुद ध्यान नहीं दिया है। साझा अर्थ न होने पर वह परस्पर विरोधी परिभाषाओं को एक-दूसरे के स्थान पर इस्तेमाल करने योग्य मान सकता है और ऐसा जवाब दे सकता है जो तार्किक तो लगे, लेकिन कामकाज के लिहाज़ से गलत हो।

• तय करें कि आगे क्या बना रहेगा

संगठनों को तय करना होगा कि कौन-से सुधार, मंज़ूरियाँ, फैसले और नतीजे दोबारा उपयोग किए जा सकने वाले संदर्भ का हिस्सा बनेंगे। उन्हें जानकारी कितने समय तक रखी जाएगी, उस तक किसकी पहुँच होगी और उसमें सुधार कैसे किया जाएगा—इन सबके लिए नीतियाँ भी चाहिए। 

उपयोगी स्मृति का चयन और शासन किया जाता है, उसे बिना भेदभाव के इकट्ठा नहीं किया जाता। वरना कोई पुरानी पड़ चुकी धारणा या किसी एक बार का अपवाद चुपचाप भविष्य की सिफारिशों को बदल सकता है।

• सिफारिश को प्रतिबद्धता से अलग रखें

विश्लेषण, सिफारिश, प्रस्तावित बदलाव, मानव-मंज़ूरी के बाद निष्पादन और स्पष्ट सीमाओं के भीतर स्वायत्त निष्पादन—ये अधिकार के अलग-अलग स्तर हैं। एजेंटों की पहचान और अनुमतियाँ हर स्तर के अनुरूप होनी चाहिए।

मूल्यांकन में कार्रवाई की पूरी शृंखला भी शामिल होनी चाहिए: कौन-सी जानकारी हासिल की गई, किस संदर्भ का उपयोग हुआ, किन टूलों को बुलाया गया, क्या बदला और क्या उस बदलाव को पलटा जा सकता है। 

केवल अंतिम जवाब की जाँच करने से एजेंट-आधारित कार्यप्रवाह के विफल होने के अधिकांश तरीके पकड़ में नहीं आते।

क्षमता बताती है कि कोई एजेंट क्या कर सकता है, जबकि शासन तय करता है कि उसे क्या करने की अनुमति है।

स्वायत्तता के लिए क्षमता से अधिक ज़रूरी है

शुरुआत में दिए गए मार्जिन वाले परिदृश्य में गति तभी उपयोगी है, जब प्रणाली यह भी जानती हो कि कौन-सा पूर्वानुमान प्रामाणिक है, किस अपवाद को मंज़ूरी मिली थी, वह कौन-सी कार्रवाई कर सकती है और जवाबदेही किसकी रहेगी। 

मेरा मानना है कि उद्यमों में एआई को भरोसा तभी मिलेगा, जब वह सही संदर्भ को आगे बनाए रखे और यह दिखा सके कि वह किसी महत्वपूर्ण नतीजे तक कैसे पहुँचा। 

एजेंटों की स्वायत्तता बढ़ाने से पहले संगठनों को यह संदर्भ और नियंत्रण परत बनानी चाहिए। कामकाज बदल जाएगा, लेकिन जवाबदेही नहीं।