95% AI मॉडल जो कंपनियाँ बनाती हैं, कभी प्रोडक्शन तक नहीं पहुँचते
एक बड़े वैश्विक निगम के प्रौद्योगिकी निदेशक ने हाल ही में BMC Software के वरिष्ठ उपाध्यक्ष Abhijit Kakhandiki को कुछ ऐसा बताया, जो बाजार की स्थिति को बेचैन करने वाली सटीकता के साथ सामने रखता है: उनकी डेटा साइंस टीमों ने 200 से अधिक आर्टिफिशियल इंटेलिजेंस मॉडल बनाए थे। उनमें से दस से भी कम प्रोडक्शन में थे।
पाँच प्रतिशत से भी कम रूपांतरण दर। और यह कोई छोटी कंपनी नहीं थी जो नई तकनीक के साथ प्रयोग कर रही हो, बल्कि ऐसा संगठन था जिसके पास इसे सही तरीके से करने के लिए आवश्यक संसाधन, प्रतिभा और प्रतिस्पर्धात्मक दबाव सभी मौजूद थे। यह आँकड़ा कोई अपवाद नहीं है: यह एक पैटर्न है।
McKinsey ने अपने 2025 के वैश्विक सर्वेक्षण में इसकी पुष्टि की: हालाँकि AI का उपयोग व्यापक था, फिर भी केवल एक-तिहाई संगठनों ने ही AI कार्यक्रमों को व्यापक स्तर पर विस्तारित करना शुरू किया था। दूसरी ओर Gartner ने 2026 में AI पर वैश्विक खर्च लगभग 2.59 ट्रिलियन डॉलर रहने का अनुमान लगाया था, जो पिछले वर्ष की तुलना में 47 प्रतिशत की वृद्धि है। पैसा बहता रहता है। प्रोडक्शन, नहीं।
यह विरोधाभास ही वह केस स्टडी है जो ध्यान देने योग्य है, क्योंकि यह प्रतिभा या प्रौद्योगिकी की समस्या की ओर इशारा नहीं करता। यह किसी ऐसी चीज़ की ओर इशारा करता है जिसे इन निवेशों का नेतृत्व करने वाले स्वीकार करने में झिझकते हैं।
बाजार का सबसे महँगा प्रयोग जिसका कोई परिणाम-स्वामी नहीं है
AI एंटरप्राइज पर प्रचलित आख्यान अभी भी मॉडलों के इर्द-गिर्द घूमता रहता है: वे कितने सटीक हैं, किस आर्किटेक्चर का उपयोग करते हैं, उनमें कितने पैरामीटर हैं। तकनीकी बातचीत परिष्कृत होती है। जो अक्सर गायब होता है, वह एक बहुत ही बुनियादी सवाल का स्पष्ट जवाब है: इससे कौन-सा व्यावसायिक संकेतक बेहतर होगा और कितना?
Kakhandiki एक ऐसे मामले का दस्तावेजीकरण करते हैं जो बिना किसी बदलाव के बार-बार दोहराता है: एक टीम रिट्रीवल-ऑगमेंटेड पाइपलाइन, समय-समय पर अपडेट होने वाले वेक्टर डेटाबेस और फाइन-ट्यून किए गए मॉडलों के साथ एक जेनेरेटिव AI समाधान बनाती है। जब उनसे पूछा जाता है कि कौन-सा व्यावसायिक मीट्रिक बेहतर हो रहा है, तो कोई ठोस उत्तर नहीं मिलता। महीनों बाद, जब महत्वपूर्ण निवेश जमा हो चुका होता है, सिस्टम अभी भी पायलट में चल रहा होता है।
समस्या तकनीक नहीं है। समस्या यह है कि कुछ भी बनाने से पहले किसी ने सफलता की सीमा परिभाषित नहीं की।
"उत्पादकता में सुधार" वह जवाब है जो सबसे अधिक सुनाई देता है जब वह सीमा माँगी जाती है। लेकिन एक मॉडल जो किसी वर्गीकरण की सटीकता को पाँच प्रतिशत अंक बढ़ाता है, उसका अपने आप में कोई मूल्य नहीं है। वह मूल्य तब प्रकट होता है जब इसे कम हुए साइकिल-समय में, टाले गए परिचालन लागत में, सेवा अनुबंधों के उल्लंघन की दर में जो अब नहीं होती—इन सबमें अनुवाद किया जा सके। उस अनुवाद के बिना, पायलट के पास ऑपरेशन बनने का कोई तर्क नहीं होता।
Gartner ने एक प्रासंगिक सहसंबंध पहचाना: AI में उच्च परिपक्वता वाले संगठन लगातार वे होते हैं जो बनाने से पहले—न कि बाद में—व्यावसायिक मूल्य और तकनीकी व्यवहार्यता के आधार पर अपनी पहलों को परिभाषित करते हैं। निर्णयों के इस क्रम की यह उलटापन—पहले परिणाम, फिर आर्किटेक्चर—ही वह चीज है जो उन लोगों को अलग करती है जो स्केल करते हैं उनसे जो रुके हुए प्रोजेक्ट जमा करते रहते हैं।
नियंत्रित वातावरण में काम करने वाले मॉडल और प्रोडक्शन में चलने वाले सिस्टम के बीच की खाई अधिकांशतः तकनीकी नहीं है। यह संगठनात्मक है। परिणाम का कोई स्वामी नहीं है। कोई मीट्रिक नहीं है जो निर्णय लेने के लिए बाध्य करे। और कई मामलों में, यह सवाल भी नहीं पूछा जाता कि क्या कोई उस परिणाम के लिए भुगतान करेगा यदि उसे करना पड़ता।
किसी ऐसे सिस्टम पर भरोसा करने की एक सटीक परिचालन सीमा है जो खुद को समझा नहीं सकता
एक दूसरा अवरोध तंत्र है जो समानांतर में काम करता है और जिसका कोई सरल तकनीकी समाधान नहीं है: संगठन वह तैनात नहीं करते जिसे वे नियंत्रित नहीं कर सकते।
जब कोई मॉडल क्रेडिट आवेदन अस्वीकार करता है, तो बैंक को यह बताने में सक्षम होना चाहिए कि उसने कौन-से डेटा का उपयोग किया, उस समय मॉडल का कौन-सा संस्करण चल रहा था, उस सिफारिश तक कैसे पहुँचा और किसने उस प्रक्रिया को अनुमोदित किया। यह स्वैच्छिक पारदर्शिता के अभ्यास के रूप में नहीं, बल्कि इसलिए क्योंकि यूरोपीय संघ का AI अधिनियम और NIST का AI जोखिम प्रबंधन ढाँचा इसे स्पष्ट रूप से अनिवार्य करते हैं। ट्रेसेबिलिटी और व्याख्यात्मकता वैकल्पिक विशेषताएँ नहीं रहीं—वे परिचालन की शर्तें बन गई हैं।
जो गलती बार-बार होती है, वह है गवर्नेंस को एक परत के रूप में देखना जो तब जोड़ी जाती है जब मॉडल प्रोडक्शन के लिए तैयार हो जाता है। यह काम नहीं करता। डेटा और मॉडल की वंशावली, सांख्यिकीय विचलन की निगरानी, पूर्वाग्रह का पता लगाने के तंत्र—इनमें से कुछ भी उतनी मजबूती के साथ पूर्वव्यापी रूप से नहीं बनाया जा सकता, जितनी मजबूती से तब बन सकता है जब यह शुरुआत से ही डिज़ाइन का हिस्सा हो।
Gartner इंगित करता है कि AI में उच्च परिपक्वता वाले संगठनों में यह रिपोर्ट करने की अधिक संभावना है कि उनकी व्यावसायिक इकाइयाँ तैनात सिस्टम पर भरोसा करती हैं और उनका उपयोग करने के लिए तैयार हैं। विश्वास प्रदर्शन मेट्रिक्स पर मॉडल के अच्छा काम करने का स्वतःस्फूर्त परिणाम नहीं है। यह उस मॉडल द्वारा लिए गए प्रत्येक निर्णय का ऑडिट करने में सक्षम होने का परिणाम है।
BMC की टीम के साथ काम करने वाले एक स्वास्थ्य सेवा प्रदाता ने जानबूझकर एक कम सटीक मॉडल को चुना क्योंकि वह उन डॉक्टरों को समझाया जा सकता था जिन्हें उसकी सिफारिशों पर काम करना था। उस निर्णय ने अपनाने की गति को तेज किया और पूर्ण तैनाती की अनुमति दी। अधिक सटीक लेकिन अपारदर्शी मॉडल पायलट में ही रहे। तकनीकी सटीकता सत्यापित होने की क्षमता से हार गई।
प्रोडक्शन की वास्तविक सीमा मॉडल की सटीकता नहीं है। यह यह है कि क्या संगठन के भीतर कोई उस जानकारी के साथ, जो ऐसा करने के लिए उपलब्ध है, उस मॉडल के हर निर्णय के नीचे हस्ताक्षर कर सकता है।
इसके लिए आवश्यक है कि प्रोडक्शन मॉनिटरिंग इन्फरेंस के साथ-साथ चले। कि सांख्यिकीय विचलन और पूर्वाग्रह का पता लगाना एक आवधिक प्रक्रिया न हो बल्कि निरंतर हो। कि प्रत्येक निष्पादन एक ऐसा रिकॉर्ड छोड़े जो प्रशिक्षण डेटा और उसे उत्पन्न करने वाली विकास प्रक्रिया से जुड़ा हो। जब वह कड़ी टूट जाती है, तो सिस्टम अपने औसत प्रदर्शन की परवाह किए बिना अविश्वसनीय हो जाता है।
किसी मॉडल को व्यवसाय में एकीकृत करना एक API जोड़ने मात्र से कहीं अधिक है
अंतिम बाधा वह है जो मॉडल विकास की दुनिया से आने वालों को सबसे अधिक आश्चर्यचकित करती है, क्योंकि यह तब होती है जब ऊपर बताई गई सभी चीजें पहले से काम कर रही होती हैं। मॉडल सटीक है, इसे समझाया जा सकता है, गवर्नेंस नियंत्रणों को पास करता है। और फिर भी, व्यवसाय में सुधार नहीं होता।
एक वित्तीय सेवा संगठन ने अपने लेनदेन प्रसंस्करण प्रवाह के भीतर एक AI मॉडल लागू किया। मॉडल ने ठीक उसी तरह काम किया जैसा उसे डिज़ाइन किया गया था। लेकिन AI सेवा को कंपनी के सेवा स्तर अनुबंध ढाँचे में शामिल नहीं किया गया था। ग्राहकों के साथ की गई प्रतिबद्ध समयसीमाएँ पूरी नहीं हुईं। मॉडल सफल रहा। सिस्टम विफल हो गया।
यह मामला समस्या को स्पष्ट रूप से दर्शाता है: AI को एक स्वायत्त क्षमता के रूप में पेश करना न कि उसे कंपनी की परिचालन संरचना में एकीकृत करना, ठीक यही परिणाम देता है। मॉडल अपना हिस्सा करता है। कंपनी उसके आसपास के ऑपरेशन को बनाए नहीं रख सकती।
जो लीडर बड़े पैमाने पर प्रोडक्शन तक पहुँचे हैं, वे शुरुआत से ही प्रश्नों का एक अलग समूह तैयार करते हैं। AI सिस्टम पहले से ऑपरेशन को संभाल रहे बैच प्रोसेस और व्यावसायिक सिस्टम के साथ कैसे ऑर्केस्ट्रेट करता है। श्रृंखलाबद्ध प्रक्रियाओं पर उपलब्धता, विफलता से उबरना और स्पष्ट स्वामित्व कैसे सुनिश्चित किया जाता है। जब इन्फरेंस और स्वायत्त एजेंट बिना रुके चलते हैं तो लागत, प्रदर्शन और स्केल कैसे प्रबंधित किए जाते हैं।
जो उत्तर काम करता है वह प्रोडक्शन में AI को ठीक उसी तरह मानता है जैसे किसी भी व्यावसायिक महत्वपूर्ण क्षमता को माना जाता है: ऑर्केस्ट्रेशन, सेवा अनुबंध प्रबंधन, गवर्नेंस, निगरानी और लागत नियंत्रण के उन्हीं अनुशासनों के साथ। न कि एक अलग चीज़ के रूप में जो व्यवसाय से जुड़ती है, बल्कि उस ऑटोमेशन इन्फ्रास्ट्रक्चर के विस्तार के रूप में जिस पर संगठन पहले से भरोसा करता है।
यह और भी अधिक ज़रूरी हो जाता है जैसे-जैसे AI सिस्टम निष्क्रिय मॉडलों से ऐसे एजेंटों की ओर विकसित होते हैं जो कार्रवाइयों की सिफारिश, शुरुआत और निष्पादन कर सकते हैं। स्वायत्तता में हर वृद्धि निगरानी, ऑडिट क्षमता और नियंत्रण तंत्र की आवश्यकता को बढ़ाती है। एक एजेंट जो निष्पादित कर सकता है, वह उन्हीं सुरक्षा उपायों के बिना काम नहीं कर सकता जो किसी भी ऐसे सिस्टम पर लागू होते हैं जो पैसे, ग्राहक डेटा या बाहरी प्रतिबद्धताओं को छूता है।
प्रतिस्पर्धात्मक लाभ ऑपरेशन में है, मॉडल में नहीं
जो पैटर्न स्केल करने वाले संगठनों को पायलट जमा करने वालों से अलग करता है, वह सबसे परिष्कृत मॉडल या सबसे बड़ी डेटा साइंस टीम नहीं है। यह AI को व्यावसायिक इन्फ्रास्ट्रक्चर के रूप में मानने का निर्णय है, जिसमें वही माँगें हों जो किसी भी अन्य सिस्टम से होती हैं जिस पर ऑपरेशन टिका हो।
Deloitte ने रिपोर्ट किया कि 2025 में कर्मचारियों की AI तक पहुँच में 50 प्रतिशत की वृद्धि हुई और अनुमान लगाया कि अगले छह महीनों में उन कंपनियों की संख्या दोगुनी हो जाएगी जिनके कम से कम 40 प्रतिशत AI प्रोजेक्ट प्रोडक्शन में थे। लेकिन किसी सिस्टम का प्रोडक्शन में होना और उसका व्यवसाय के परिचालन ताने-बाने में एकीकृत होना—ये दो अलग-अलग स्थितियाँ हैं। पहली को हासिल करना अपेक्षाकृत आसान है। दूसरी वह है जहाँ निवेश पर रिटर्न बनता या नष्ट होता है।
Gartner के अनुसार 2027 तक AI पर वैश्विक खर्च 3.49 ट्रिलियन डॉलर तक पहुँचने का अनुमान है, ऐसे में उस निवेश को मापनीय परिणामों के साथ उचित ठहराने का दबाव केवल बढ़ेगा। जिन संगठनों के 200 से अधिक मॉडल बने हुए हैं और दस से कम प्रोडक्शन में हैं, उनके पास तकनीकी क्षमता की समस्या नहीं है। उनके पास परिणामों पर जिम्मेदारी के आवंटन की, डिज़ाइन में एकीकृत गवर्नेंस की और महत्वपूर्ण सिस्टम के परिचालन प्रबंधन की समस्या है।
जो बातचीत कई C-level अधिकारियों के बीच अभी बाकी है, वह इस बारे में नहीं है कि कौन-सा मॉडल चुनें। यह इस बारे में है कि संगठन के स्वामित्व ग्रहण करने, सफलता परिभाषित करने और ऑपरेशन को बनाए रखने के तरीके में क्या बदलाव करना होगा, ताकि जो मॉडल उनके पास पहले से हैं वे पायलट में जीते रहने की बजाय उन आँकड़ों को हिलाने लगें जो वास्तव में मायने रखते हैं।
