आपके पास पहले से मौजूद डेटा उस मॉडल से ज़्यादा कीमती है जो आप खरीदने वाले हैं

आपके पास पहले से मौजूद डेटा उस मॉडल से कहीं अधिक मूल्यवान है जिसे आप खरीदने वाले हैं

एक स्थायी खाई मौजूद है — उस बात के बीच जो अधिकारी अपने डेटा के बारे में कहते हैं, और उस बात के बीच जो वे वास्तव में उसके साथ करते हैं। अधिकांश लोग इसका उपयोग अतीत की निगरानी के लिए करते हैं: बिक्री रिपोर्ट, KPI डैशबोर्ड, अभियानों की ट्रैकिंग। कुछ लोग पहले से ही इसे कृत्रिम बुद्धिमत्ता के माध्यम से अनुभवों को वैयक्तिकृत करने के लिए सक्रिय कर रहे हैं। लेकिन लगभग कोई भी अगला कदम नहीं उठाता — जो तकनीकी नहीं बल्कि वैचारिक है: डेटा को एक ऐसे उत्पाद के रूप में देखना जो स्वयं राजस्व उत्पन्न करता है, उस व्यवसाय से स्वतंत्र जिसने उसे उत्पन्न किया।

यही वह केंद्रीय थीसिस है जो 2026 की रणनीतिक बातचीत में जोर पकड़ रही है, और इसके पीछे ऐसे आंकड़े हैं जिन्हें नजरअंदाज करना मुश्किल है। पारंपरिक खुदरा व्यापार के परिचालन मार्जिन 2% और 5% के बीच होते हैं। प्रथम-पक्ष डेटा पर आधारित विज्ञापन नेटवर्क के मार्जिन — जो उन्हीं ग्राहकों और उसी बुनियादी ढांचे पर निर्मित होते हैं — 90% तक पहुंच सकते हैं। यह मूल व्यवसाय का कोई रूपांतर नहीं है: यह एक दूसरा व्यवसाय है, जो उसी संपत्ति पर खड़ा है जो पहले से ही मौजूद थी। वॉलमार्ट कनेक्ट वित्त वर्ष 2026 में 41% बढ़ा। क्रोगर की वैकल्पिक व्यवसाय इकाई, जिसमें मीडिया और डेटा एनालिटिक्स शामिल हैं, ने अपने पिछले वित्त वर्ष में 1.5 अरब डॉलर का परिचालन लाभ उत्पन्न किया। दोनों कंपनियों ने नए ग्राहक प्राप्त किए बिना और नए बाजार खोले बिना वे आय की लाइनें बनाईं। उन्होंने बस यह बदल दिया कि वे जो पहले से जानती थीं उसे कैसे पैकेज करती हैं।

उस विश्लेषण में जो कमी है, और जो मुझे एक व्यवहार विश्लेषक के रूप में सबसे अधिक रुचिकर लगती है, वह वह प्रश्न है जो कोई भी अधिकारी खुलकर नहीं पूछ रहा: यदि संपत्ति हमेशा वहां मौजूद थी, तो अधिकांश लोग इसका मुद्रीकरण क्यों नहीं करते?

अदृश्य संपत्ति और वह पूर्वाग्रह जो उसे सोता रखता है

इसका उत्तर न तो तकनीक में है और न ही प्रतिभा में। यह इस बात में है कि संगठन अपनी संपत्तियों को कैसे देखते हैं।

एक अच्छी तरह से दस्तावेज़ीकृत संज्ञानात्मक पूर्वाग्रह है जिसे अपने परिवेश से परिचितता कहते हैं: हम उस चीज़ को कम आंकने की प्रवृत्ति रखते हैं जिसे हम उत्पन्न करते हैं या नियंत्रित करते हैं, क्योंकि बार-बार संपर्क में आने से उसके मूल्य की धारणा कम हो जाती है। एक मार्केटिंग टीम जो वर्षों से अपने ग्राहकों के व्यवहार के वही डेटा देख रही है, उन्हें एक दुर्लभ संपत्ति के रूप में देखना बंद कर देती है। वे उन्हें परिचालन इनपुट के रूप में मानते हैं क्योंकि यही वे हमेशा से रहे हैं। मानव मस्तिष्क परिचित चीजों को सामान्य बनाने और जिसका बाजार मूल्य दिखाई नहीं देता उसे कम आंकने में अत्यंत कुशल होता है।

बड़े संगठनों में यह इसलिए और बढ़ जाता है क्योंकि डेटा उन विभागों के बीच बिखरा हुआ होता है जो प्रोत्साहन साझा नहीं करते। वाणिज्यिक टीम जानती है कि प्रत्येक खंड कितना खरीदता है। लॉजिस्टिक्स टीम जानती है कि कब और कहां। उत्पाद टीम जानती है कि कौन सी विशेषताएं प्रतिधारण उत्पन्न करती हैं। लेकिन कोई भी उन टुकड़ों को एक सुसंगत उत्पाद में जोड़ने के लिए भुगतान नहीं कर रहा जिसे कोई अन्य कंपनी खरीदेगी, क्योंकि प्रत्येक विभाग अपने प्रदर्शन को आंतरिक उद्देश्यों से मापता है, न कि वह जो जानता है उसके बाहरी मूल्य से।

व्यावहारिक परिणाम यह है कि एक कंपनी का सबसे मूल्यवान डेटा — उसके ग्राहकों के व्यवहार के बारे में उसका संचित ज्ञान — बिखरा हुआ, बिना संरचना के, बिना मूल्य के और बिना किसी स्पष्ट स्वामी के रहता है। इसलिए नहीं कि कंपनी इसे व्यवस्थित करने में असमर्थ है, बल्कि इसलिए क्योंकि इसे उस तरह व्यवस्थित करने के लिए दैनिक कार्यों को बनाए रखने वाली परिचालन तर्क को तोड़ना आवश्यक है। और उस तर्क को तोड़ने से संस्थागत घर्षण उत्पन्न होता है जिसे उठाने के लिए अधिकांश टीमों के पास प्रोत्साहन नहीं है।

क्रोगर की एनालिटिक्स और मीडिया सहायक 84.51° का मामला ठीक इसीलिए शिक्षाप्रद है क्योंकि इसका प्रारंभिक बिंदु तकनीकी नहीं था। स्ट्रेटम प्लेटफॉर्म इसलिए उभरा नहीं क्योंकि क्रोगर ने नया डेटा खोजा। यह इसलिए उभरा क्योंकि किसी ने उपभोक्ता वस्तु ब्रांडों को लेने वाले निर्णयों के इर्द-गिर्द जो पहले से ज्ञात था उसे संरचित करने का निर्णय लिया: कहां खर्च करना है, क्या स्टॉक करना है, परिणामों को कैसे मापना है। संपत्ति वही थी। जो बदला वह था व्याख्यात्मक ढांचा जिससे इसे प्रस्तुत किया गया। वह स्थानांतरण — आंतरिक डेटा से बाहरी उत्पाद तक — एक तकनीकी कार्य से अधिक एक संगठनात्मक डिज़ाइन का कार्य है।

AI समस्या को क्यों हल नहीं करती और इसे और अधिक जरूरी क्यों बनाती है

तकनीकी चक्र के इस क्षण में एक समझ में आने वाला प्रलोभन है: यह विश्वास करना कि भाषा मॉडल या जनरेटिव आर्टिफिशियल इंटेलिजेंस टूल लागू करना एक कंपनी के पास मौजूद डेटा को भुनाने के लिए पर्याप्त है। यह नहीं है, और इसे समझने के लिए दो प्रकार के लाभ के बीच अंतर करना आवश्यक है।

पहला प्रकार है टूल्स तक पहुंच का लाभ। तीन साल पहले, बड़े पैमाने के भाषा मॉडल तक पहुंच एक वास्तविक लाभ था क्योंकि कम लोग इनके विकास का खर्च उठा सकते थे। वह लाभ लगभग गायब हो चुका है। सबसे सक्षम मॉडल उचित बजट वाली किसी भी कंपनी के लिए सुलभ हैं। बेस मॉडल का बाजार समानता की ओर बढ़ता है, ठीक उसी तरह जैसे क्लाउड सर्वर तक पहुंच एक दशक पहले एक विभेदक नहीं रह गई।

दूसरा प्रकार है मालिकाना इनपुट का लाभ। एक कंपनी मॉडल को जो डेटा खिलाती है वह मॉडल से अधिक महत्वपूर्ण है। 84.51° द्वारा संसाधित 6.2 करोड़ घरों और 2 अरब वार्षिक लेनदेन की नकल नहीं की जा सकती। मार्ग और क्षेत्रीय मांग के पांच साल के डेटा वाली एक लॉजिस्टिक्स कंपनी की भी नकल नहीं की जा सकती। परिणामों से जुड़े नैदानिक रिकॉर्ड वाली एक स्वास्थ्य प्रणाली की भी नकल नहीं की जा सकती। लाभ एल्गोरिदम में नहीं है बल्कि उस चीज़ में है जिसे एल्गोरिदम प्रोसेस करता है, और यही वह है जिसे अधिकांश कंपनियां अभी भी वाणिज्यिक संपत्ति के बजाय परिचालन इनपुट के रूप में मानती रहती हैं।

विरोधाभास यह है कि कृत्रिम बुद्धिमत्ता का जनसामान्यीकरण डेटा मुद्रीकरण की समस्या को कम नहीं — बल्कि अधिक जरूरी — बनाता है। यदि सभी के पास एक ही टूल्स तक पहुंच है, तो अंतर पूरी तरह इस ओर स्थानांतरित हो जाता है कि किसके पास सबसे समृद्ध, सबसे स्वच्छ और सबसे संरचित डेटा है जो ऐसे आउटपुट उत्पन्न करे जिन्हें दूसरे नहीं दोहरा सकते। जो कंपनियां 2027 तक अपने मालिकाना डेटा की वास्तुकला नहीं सुलझा लेती हैं, वे प्रौद्योगिकी की कमी से नहीं बल्कि इसलिए नुकसान में होंगी क्योंकि उन्होंने अपनी एकमात्र वास्तविक प्रतिस्पर्धात्मक बढ़त — अपने ग्राहकों का संचित ज्ञान — बिना मुद्रीकृत किए छोड़ दिया होगा, जबकि उनके प्रतिस्पर्धी इसे मार्जिन में बदल रहे होंगे।

यह खुदरा व्यापार से परे उसी तर्क के साथ लागू होता है। एक मीडिया कंपनी जो जानती है कि कौन से सामग्री प्रारूप किन खंडों के लिए रूपांतरण को प्रेरित करते हैं, विज्ञापनदाताओं के लिए एक योजना उपकरण बना सकती है। एक लॉजिस्टिक्स कंपनी जो जानती है कि मांग कब और कहां केंद्रित होती है, वह अपने ग्राहकों को बेंचमार्क प्रदान कर सकती है। एक बीमा कंपनी जो भौगोलिक विस्तार के साथ जोखिम पैटर्न को समझती है, वह सरकारों या रियल एस्टेट डेवलपर्स को वह ज्ञान बेच सकती है। सामान्य भाजक क्षेत्र नहीं है: यह ऐसी जानकारी होना है जिसे दूसरों को बेहतर निर्णय लेने की जरूरत है और जिसे वे अल्पकाल में स्वयं नहीं बना सकते।

जो बात आगे बढ़ने से रोकती है वह तकनीकी नहीं है

अब तक, विश्लेषण एक स्पष्ट अवसर की ओर इशारा करता प्रतीत होता है जिसके लिए केवल कार्यकारी इच्छाशक्ति की आवश्यकता है। संगठनात्मक वास्तविकता काफी अधिक जटिल है, और संस्थानों के भीतर मानव व्यवहार यह समझाता है कि तर्क उसे उचित ठहराने के बावजूद अधिकांश कंपनियां यह कदम क्यों नहीं उठाती।

पहली बाधा है व्यवसाय की पहचान। संगठन इस बारे में आख्यान बनाते हैं कि वे क्या हैं। एक बैंक एक बैंक है। एक एयरलाइन एक एयरलाइन है। एक सुपरमार्केट चेन खाद्य पदार्थ बेचती है। जब कोई आंतरिक रूप से ग्राहक डेटा को तीसरे पक्ष को बेचे जाने वाले उत्पाद में बदलने का प्रस्ताव करता है, तो कई टीमों की सहज प्रतिक्रिया विश्लेषणात्मक नहीं बल्कि पहचान-संबंधी होती है: "यह वह नहीं है जो हम करते हैं।" वह प्रतिरोध उस व्यक्ति के दृष्टिकोण से तर्कहीन नहीं है जो इसे व्यक्त करता है। यह एक संकेत है कि प्रस्तावित परिवर्तन उस मानसिक मॉडल को खतरे में डालता है जिसके साथ उस व्यक्ति ने अपना पेशेवर करियर बनाया है। जो बैंक वित्तीय व्यवहार डेटा का मुद्रीकरण करने का निर्णय लेता है, वह आंशिक रूप से एक डेटा कंपनी बन जाता है। और इसका अर्थ है कि कुछ आंतरिक प्रोफाइल प्रासंगिकता खो देते हैं जबकि जो अस्तित्व में नहीं थे वे केंद्रीय बन जाते हैं।

दूसरी बाधा है शासन का घर्षण। ग्राहक डेटा बाजार और क्षेत्र के अनुसार भिन्न गोपनीयता नियमों के अधीन है। एक डेटा उत्पाद बनाना जो वाणिज्यिक रूप से बिकने योग्य हो, कानूनी रूप से बचाव योग्य हो और तीसरे पक्ष के लिए विश्वसनीय हो — इसके लिए सहमति, गुमनामीकरण और नियामक अनुपालन की एक वास्तुकला की आवश्यकता होती है जो अधिकांश कंपनियों के पास तैयार नहीं है। इसलिए नहीं कि इसे बनाना असंभव है, बल्कि इसलिए क्योंकि इसे बनाने के लिए उन क्षेत्रों में अनुप्रस्थ निवेश की आवश्यकता है जो ऐतिहासिक रूप से एक साथ काम नहीं करते: प्रौद्योगिकी, कानूनी, उत्पाद और वाणिज्यिक। उस निवेश का समन्वय करना जब कोई भी विभाग इसे अपनी जीत के रूप में नहीं गिन सकता, ठीक उसी प्रकार की राजनीतिक जड़ता उत्पन्न करता है जो सबसे आशाजनक रणनीतिक पहलों को ठंडे बस्ते में डाल देती है।

तीसरी बाधा है दृश्यमान मूल्य की अनुपस्थिति। वित्तीय बाजार व्यवसाय इकाइयों का मूल्यांकन तब करते हैं जब वे अपनी संरचना के साथ आय उत्पन्न करती हैं। जब तक किसी कंपनी का डेटा एक अलग आय लाइन उत्पन्न किए बिना परिचालन के भीतर दफन रहता है, उसका मूल्य किसी वित्तीय मॉडल में प्रकट नहीं होता। इसका अर्थ है कि कोई भी विश्लेषक इसे बाहर से दबाव नहीं देता, कोई भी कार्यकारी मुआवजा प्रोत्साहन इसे सीधे पुरस्कृत नहीं करता और कोई भी निदेशक मंडल इसे प्राथमिकता के रूप में नहीं मांगता। संपत्ति बैलेंस शीट में अदृश्य रहती है क्योंकि इसका कोई मूल्य नहीं है, और इसका कोई मूल्य नहीं है क्योंकि किसी ने इसे सौंपने का निर्णय नहीं लिया है।

उन तीन बाधाओं को पार करने के लिए नई तकनीक की आवश्यकता नहीं है। इसके लिए आवश्यक है कि नेता आंतरिक रूप से समस्या को जिस तरह से प्रस्तुत करते हैं उसमें बदलाव हो: "हम बेहतर तरीके से संचालित करने के लिए अपने डेटा का उपयोग कैसे करते हैं?" से "किसी अन्य कंपनी के किस निर्णय के लिए हम सबसे मूल्यवान और अपूरणीय सूचना स्रोत हैं?" की ओर। वह दूसरा प्रश्न अंदर देखने से पहले बाहर देखने के लिए मजबूर करता है। और यह, अधिकांश कार्यकारी टीमों के लिए, किसी भी एनालिटिक्स प्लेटफॉर्म को लागू करने से कहीं अधिक कठिन मनोवैज्ञानिक कदम है।

डेटा मुद्रीकरण तकनीक से पहले एक डिज़ाइन समस्या है

क्रोगर के मामले से, और लॉजिस्टिक्स, स्वास्थ्य और मीडिया में दोहराए जाने वाले पैटर्न से जो सबक उभरता है, वह यह नहीं है कि कंपनियों को अधिक डेटा या बेहतर मॉडल चाहिए। यह है कि मूल्य एक डिज़ाइन खाई में फंसा हुआ है — इस बात के बीच कि एक संगठन क्या जानता है और इस बात के बीच कि वह उस ज्ञान को इस तरह से कैसे संरचित करता है कि कोई और उसके लिए भुगतान कर सके।

उस खाई की एक विशिष्ट शारीरिक रचना है। एक तरफ, वर्षों के संचालन के दौरान संचित जानकारी है: लेनदेन, व्यवहार, पैटर्न, विसंगतियां। दूसरी तरफ, बाहरी अभिनेताओं के ऐसे निर्णय हैं जिन्हें उनके पास मौजूद जानकारी से बेहतर जानकारी के साथ लेने की जरूरत है: किस चैनल को कितना बजट आवंटित करना है, श्रृंखला के किस बिंदु पर कौन सी सूची रखनी है, किन जोखिम प्रोफाइल को अलग शर्तों की जरूरत है। दोनों पक्षों के बीच की खाई ही उत्पाद है। डिज़ाइन कार्य है एक ऐसी संरचना बनाना जो कंपनी जो जानती है उसे बाहरी ग्राहक के लिए आवश्यक निर्णय से इस तरह जोड़ती है जो इतनी स्पष्ट और विश्वसनीय हो कि वह ग्राहक बार-बार उस तक पहुंचने के लिए भुगतान करे।

इस संदर्भ में कृत्रिम बुद्धिमत्ता का जनसामान्यीकरण जो करता है वह है पुल निर्माण की लागत को कम करना। डेटा को व्यवस्थित करना, साफ करना और संरचित करना जिसके लिए पहले डेटा इंजीनियरिंग टीमों को महीनों की आवश्यकता होती थी, अब सही टूल्स के साथ हफ्तों में किया जा सकता है। यह डिज़ाइन समस्या को समाप्त नहीं करता और न ही संगठनात्मक घर्षण को हल करता है। लेकिन यह प्रवेश बाधा को इतना कम कर देता है कि जो कंपनियां पहले उस विकास का खर्च नहीं उठा सकती थीं, उनके पास अब इसे करने की तकनीकी क्षमता है — बशर्ते कि उनके पास यह तय करने की रणनीतिक स्पष्टता हो कि क्या बनाना है और किसके लिए।

निर्णय अभी भी मानवीय है। और जिस कारण से अधिकांश कंपनियां इसे नहीं लेतीं, संपत्ति उपलब्ध होने के बावजूद, वह कारण तकनीकी से पहले मनोवैज्ञानिक है। व्यवसाय की पहचान, आंतरिक राजनीतिक घर्षण और डेटा संपत्तियों की लेखांकन अदृश्यता — ये ऐसी ताकतें हैं जिन्हें कोई भी भाषा मॉडल हल नहीं कर सकता। ये ऐसी ताकतें हैं जिनके लिए आवश्यक है कि शीर्ष पर कोई यह तय करे कि जो उनके पास पहले से है उसे उन आंखों से देखें जो उसे बनाने में उपयोग की गई थीं उससे अलग हों। वह अवधारणात्मक स्थानांतरण — तकनीकी चक्र के इस क्षण में — सबसे दुर्लभ और सबसे कम नकल करने योग्य प्रतिस्पर्धात्मक बढ़त है जो मौजूद है।