93% बजट AI का मशीन पर, न कि ऑपरेटर पर
एक प्रकार की इंजीनियरिंग त्रुटि होती है जो संरचनात्मक योजनाओं में दिखाई नहीं देती जब तक कि इमारत स्थापित नहीं हो जाती। इसे देर से लोड विफलता कहा जाता है: संरचना प्रारंभिक वजन सहन करती है, यह ठोस लगती है, लेकिन एक महत्वपूर्ण परिवर्तन को अनदेखा कर दिया गया है जो केवल वास्तविक दबाव में प्रकट होता है। आज जो कंपनियाँ आर्टिफिशियल इंटेलिजेंस में निवेश कर रही हैं, वे ठीक यही गलती कर रही हैं, और आँकड़े इसे परेशान करने वाली स्पष्टता के साथ डोक्यूमेंट करते हैं।
डेलॉइट, व्हार्टन और हार्वर्ड द्वारा संकलित आंकड़ों के अनुसार — जो फॉर्च्यून द्वारा संकलित किए गए हैं — कंपनियाँ अपने AI बजट का 93% तकनीक पर खर्च कर रही हैं और केवल 7% शेष मानव कारक पर: प्रशिक्षण, भूमिकाओं का पुन: डिज़ाइन, परिवर्तन प्रबंधन और अपनाने की क्षमता। यह किसी कॉर्पोरेट संस्कृति की एक उपहास नहीं है। यह पूंजी आवंटन का एक निर्णय है जो पहले से ही कई मोर्चों पर नकारात्मक रिटर्न पैदा कर रहा है।
AI के जोखिमों के बारे में प्रमुख कहानी में स्वचालन, बड़े पैमाने पर नौकरियों की हानि, या बेतरतीब सुपरइंटेलिजेंस का उल्लेख होता है। यह कहानी सुर्खियों को बेचती है, लेकिन यह उस विफलता से ध्यान हटा देती है जो पहले से ही संगठनों के भीतर हो रही है: यह नहीं है कि AI लोगों की जगह लेगी, बल्कि कंपनियाँ ऐसे सिस्टम लागू कर रही हैं जिनका उनके अपने टीमों को उपयोग करने में संदेह है, या वे उपयोग नहीं कर सकते, या जो वे चाह नहीं रहे हैं।
जब इंजन चेसिस को पार कर जाता है
एक फॉर्मूला 1 इंजन को एक सेडान शरीर पर रखा गया हो तो वह एक तेज़ वाहन पैदा नहीं करता। वह एक असंभव वाहन बनाता है। यही आर्किटेक्चर है जो अधिकांश कंपनियाँ AI टूल को लागू करते समय मानव प्रक्रियाओं को पुन: डिज़ाइन किए बिना बना रही हैं।
93/7 का असंतुलन केवल एक गलत बजट निर्णय नहीं है। यह एक गलत व्यावसायिक परिकल्पना को खोलता है: यह विचार कि एक बार जब उपकरण स्थापित हो जाता है तो तकनीकी अपनाना अपने आप हो जाता है। कोई भी सिस्टम इंजीनियर जानता है कि घटकों के बीच एकीकरण हमेशा सबसे बड़ी घर्षण का बिंदु होता है। न कि घटक स्वयं। नई पीस और पूर्व-व्यवस्थित प्रणाली के बीच का इंटरफेस है जहाँ परियोजनाएँ धराशाई हो जाती हैं।
संस्थाएँ सबसे महंगा घटक खरीद रही हैं — लाइसेंस, इंफ्रास्ट्रक्चर, मॉडल, सुरक्षा परतें— और उस महत्वपूर्ण इंटरफेस को कम फंड दे रही हैं: वह व्यक्ति जिसे वास्तविक कार्य प्रवाह में सक्षम ढंग से उस घटक का संचालन करना है। परिणाम पहले से ही देखे जाने योग्य है: उच्च क्षमता वाले उपकरणों के साथ निम्न अपनाने की दर, पायलट परियोजनाएँ जो स्केल नहीं करतीं, और प्रबंधन जो AI में अपने निवेश के रिटर्न के साथ निराशाएँ रिपोर्ट करते हैं मगर ठीक से पहचान नहीं पाते कि क्यों।
यह कोई तकनीकी संकट नहीं है। यह सिस्टम एकीकरण का संकट है।
वह लोड विफलता जिसे किसी ने बजट में नहीं रखा
इस असंतुलन के पीछे एक वित्तीय मैकेनिक्स है जिसे ठंडा सावधानी से ऑडिट किया जाना चाहिए। जब कोई कंपनी AI के लिए बजट आवंटित करती है, तो तकनीकी लागतें दृश्यमान, गुणात्मक और निदेशक मंडल के समक्ष औचित्य देने में आसान होती हैं: एक प्रदाता के साथ अनुबंध में एक निश्चित संख्या होती है। टीमों का प्रशिक्षण, प्रक्रियाओं का पुन: डिज़ाइन और संगठनात्मक परिवर्तन प्रबंधन, इसके विपरीत, विलंबित मान पैदा करते हैं और सीधे बैलेंस शीट की किसी पंक्ति को असाइन करना कठिन होता है। CFO वही मंज़ूरी देते हैं जिसे वे शॉर्ट टर्म में माप सकते हैं।
यह बजट तर्क एक स्पष्ट संरचनात्मक विफलता के साथ एक लागत आर्किटेक्चर उत्पन्न करता है: तकनीक के फिक्स्ड खर्च पहले दिन से ही बढ़ते हैं, जबकि संचालनिक लाभ —जो कि मानव टीमें सिस्टम को अपनाने और संचालित करने पर निर्भर हैं— बहुत देर से आते हैं, यदि वे आते हैं। इमारत किसी के वहां रहने से पहले ऊर्जा खा लेती है, और कोई भी किरायेदारों को हीटिंग का उपयोग करने के लिए प्रशिक्षित नहीं किया गया है।
सिद्धांततः इसका परिणाम एक एकाई अर्थव्यवस्था है जो बेहतर होने से पहले ही खराब होती है। स्थापित क्षमता प्रति यूनिट की लागत बढ़ जाती है क्योंकि प्रभावी उपयोग कम होता है। और जब उपयोग कम होता है, तो दबाव तकनीकी टीमों पर निवेश को सही ठहराने के लिए आ जाता है, जो सामान्यत: एक प्रतिकूल प्रतिक्रिया उत्पन्न करती है: अधिक उपकरण, अधिक सॉफ़्टवेयर परतें, अधिक तकनीकी व्यय। यह साइकिल सही तरीके से सही चर पर हमला किए बिना खुद को फिर से खिलाती है।
जो डेटा डेलॉइट, व्हार्टन और हार्वर्ड प्रस्तुत कर रहा है, वह तकनीकी पूंजीवाद के लिए कोई दार्शनिक आलोचना नहीं है। यह संचालनात्मक व्यवहार्यता का ऑडिट है: AI में वर्तमान निवेश मॉडल में मानव घटक पर एक संरचनात्मक गला है, और वह गला टेक्नोलॉजिकल निवेश से खत्म नहीं होता।
वह घटक जो मापनीय रिटर्न उत्पन्न करता है
जो संगठन AI के कार्यान्वयन से ठोस रिटर्न प्राप्त कर रहे हैं, वे एक आर्किटेक्चरल विशेषता साझा करते हैं जो बाजार के औसत द्वारा अनदेखी होती है: उन्होंने मानव भूमिकाओं के पुन: डिज़ाइन को एक उत्पाद निवेश के रूप में देखा है, न कि मानव संसाधनों के खर्च के रूप में।
इसका संचालनात्मक अर्थ है। AI के कार्यान्वयन में मानव कारक में निवेश का मतलब नई इंटरफेस का उपयोग करने के लिए आठ घंटे का एक कोर्स देना नहीं है। इसका मतलब है पूर्ण कार्य प्रवाह का पुन: डिज़ाइन —क्या निर्णय मशीन करती है, कौन मान्य करता है, कौन व्यक्ति के हाथों में रहता है— और फिर उस प्रवाह को संचालित करने के लिए टीम की क्षमता का निर्माण। यह एक संगठनीय आर्किटेक्चर का व्यायाम है, न कि प्रशिक्षण का।
जिन कंपनियों ने सही क्रम में इसे लागू किया है, वे कुछ ऐसा रिपोर्ट करती हैं जिसे अन्य प्रदर्शित नहीं कर सकतीं: AI ऑपरेटर की उत्पादकता को कई गुना बढ़ाती है, न कि मूल कार्य का प्रबंधन। दोनों परिदृश्यों के बीच का अंतरा खराब नहीं है। यह इस पर निर्भर करता है कि क्या किसी ने नए घटक को स्थापित करने से पहले संपूर्ण प्रणाली को पुन: डिज़ाइन किया।
यह पैटर्न AI समाधान अन्य संगठनों को बेचने वाली कंपनियों के लिए भी एक प्रासंगिक व्यापार दृष्टिकोण है। ग्राहक खंड जो सबसे अधिक रिटेंशन उत्पन्न करता है और आत्मीयता में कम होते हैं, वह नहीं है जिसने सबसे महंगी लाइसेंस खरीदी। वह है जिसने तकनीक के अलावा इसे संगठित करने के लिए ढाँचे के साथ पाया। जिन्होंने इसे समझा है, उन्होंने अपने प्रस्ताव को फिर से कॉन्फ़िगर किया है: उत्पाद मॉडल नहीं है, यह मॉडल और अपनाने की प्रक्रिया है। यह फिर से कॉन्फ़िगरेशन उन्हें अधिक शुल्क लेने, छोड़ने की दर को कम करने और सेवाओं से लगातार आय उत्पन्न करने की अनुमति देता है जो पहले समर्थन के रूप में मुफ्त थे।
हर निदेशक मंडल में गायब योजना का भाग
समस्याग्रस्त पृष्ठभूमि यह है कि अधिकांश संगठन अपने AI निवेशों का आकलन गलत मापदंडों के साथ कर रहे हैं। वे कार्यान्वयन की गति, उपकरणों की संख्या, सिस्टम तक पहुँच वाले उपयोगकर्ताओं की कवरेज मापते हैं। इनमें से कोई भी मीट्रिक उस चर का पता नहीं लगाती जो यह तय करता है कि निवेश मूल्य उत्पन्न करता है: प्रभावी अपनाने की दर जिसमें उत्पादकता प्रति यूनिट पर मापनीय प्रभाव होता है।
एक कंपनी जिसने 80% के अपने उपकरणों में AI को लागू किया है, लेकिन केवल 20% का सक्रिय उपयोग उत्पादकता नहीं है वो कोई रणनीतिक संपत्ति नहीं है। इसकी राइज़, जो 93/7 के बजट के परिणामस्वरूप है, औसत घटा के बिना है।
जो संगठन उस लोड विफलता को सुधारना चाहते हैं उन्हें AI की कोई नई रणनीति की आवश्यकता नहीं है। उन्हें अपने पास मौजूद योजनाओं की समीक्षा करने और यह पहचानने की आवश्यकता है कि उन्होंने ऑपरेटर को कहाँ भुला दिया। व्यावसायिक मॉडल विचारों के अभाव या उपलब्ध तकनीक की कमी के कारण नहीं गिरते: जब सिस्टम के टुकड़े एक साथ काम करने और प्रक्रिया के हर संपर्क बिंदु पर मापनीय मूल्य उत्पन्न करने के लिए डिज़ाइन नहीं किए जाते, तब वे गिरते हैं।
