AI बजट की सबसे बड़ी चोट वह नहीं जो खर्च हो जाता है, बल्कि वह है जो सही जगह नहीं पहुँचता
पिछले दो वर्षों में एंटरप्राइज़ सॉफ़्टवेयर के मूल्यांकन से 1.5 ट्रिलियन डॉलर से अधिक की राशि वाष्पित हो गई। यह कृत्रिम बुद्धिमत्ता में निवेश की कमी के कारण नहीं हुआ, बल्कि इसलिए हुआ क्योंकि निवेश गलत जगह पर जाकर टिका। यही वह विरोधाभास है जो इस वर्तमान क्षण को परिभाषित करता है: कंपनियों ने कभी इतना पैसा AI पर नहीं खर्च किया, और साथ ही, यह दिखाना कभी इतना कठिन नहीं रहा कि वास्तव में मूल्य कहाँ है।
Xoriant के CEO रोहित केडिया ने हाल ही में एक विश्लेषण में इसे सटीक रूप से व्यक्त किया: कॉर्पोरेट AI बजट का अधिकांश हिस्सा मॉडल परत में जमा हो जाता है — यानी प्लेटफ़ॉर्म लाइसेंस, कंप्यूट इंफ्रास्ट्रक्चर, वेंडर साझेदारी और प्रूफ-ऑफ-कॉन्सेप्ट विकास में। यह परत ध्यान आकर्षित करती है, घोषणाएँ करवाती है, डेमो प्रस्तुत करती है। जो यह नियमित रूप से नहीं करती, वह है ऐसे परिणाम उत्पन्न करना जो आय विवरण में दिखाई दें।
Gartner ने फरवरी 2025 में अनुमान लगाया कि 2026 तक 60% AI परियोजनाएँ प्रसंस्करण के लिए तैयार डेटा की कमी के कारण छोड़ दी जाएँगी। यह कोई तकनीकी विफलता नहीं है। यह बजट आर्किटेक्चर की विफलता है: मॉडल को वित्त पोषित किया गया, उस इंफ्रास्ट्रक्चर को नहीं जो उसे टिकाए रखता है।
जो प्रश्न प्रौद्योगिकी नेताओं को स्वयं से पूछना चाहिए, वह यह नहीं है कि AI में निवेश करना है या नहीं। वह निर्णय तो पहले ही लिया जा चुका है। प्रश्न यह है कि क्या यह धन वास्तविक परिचालन क्षमता का निर्माण कर रहा है, या केवल आधुनिकता का दिखावा वित्त पोषित कर रहा है।
वह महंगा नाटक जिसे कोई नाम नहीं देना चाहता
बोर्डरूम में एक पैटर्न उल्लेखनीय नियमितता के साथ दोहराता है। हर सप्ताह किसी मॉडल प्रदाता के साथ नई साझेदारी की घोषणा होती है, स्वायत्त एजेंट का डेमो होता है, रूपांतरित वर्कफ़्लो का वादा होता है। शोर तेज़ है। नाटक, विश्वसनीय।
जब आप प्रेस विज्ञप्तियों से परे देखते हैं और ठोस रूप से पूछते हैं कि कंपनी अपने ग्राहकों के लिए जिस तरह से मूल्य बनाती है, उसमें वास्तव में क्या बदला, तो ईमानदार उत्तर अक्सर निराशाजनक होता है। McKinsey ने अपनी State of AI 2025 रिपोर्ट में बताया कि केवल एक-तिहाई कंपनियों ने एंटरप्राइज़ स्तर पर अपने AI कार्यक्रमों को स्केल करना शुरू किया है, जबकि 88% सक्रिय निवेश की रिपोर्ट करती हैं। बाकी खर्च कर रही हैं। बस सही जगह पर नहीं।
इस घटना की एक पहचान योग्य संरचना है। 2023 और 2024 में AI बजट मुख्यतः नवाचार या R&D की लाइनों में रहे, जहाँ रिटर्न की आवश्यकताएँ ढीली थीं और वित्तीय समीक्षा हल्की थी। इसने अतिव्यापी टूल्स के प्रसार, केंद्रीय प्रक्रियाओं से जुड़ाव के बिना विभागीय पायलट और इंफ्रास्ट्रक्चर अनुबंधों के लिए आदर्श परिस्थितियाँ बनाईं, जिन्हें किसी विशिष्ट व्यावसायिक परिणाम के विरुद्ध कभी मापा नहीं गया।
समस्या यह नहीं है कि कंपनियाँ प्रयोग करती हैं। प्रयोग का मूल्य है। समस्या तब होती है जब प्रयोग ही उत्पाद बन जाता है, जब डेमो तैनाती की जगह ले लेता है और जब नवाचार बजट बिना कुछ ठोस प्रतिबद्ध किए आधुनिक दिखने का एक तरीका बन जाता है।
Deloitte ने पाया कि एंटरप्राइज़ AI अपनाने वाले लगभग 66% संगठन उत्पादकता और दक्षता में सुधार को प्राप्त मुख्य लाभ के रूप में रिपोर्ट करते हैं। यह एक उचित संख्या है। लेकिन इसे सावधानी से पढ़ना होगा: उत्पादकता और दक्षता प्रक्रिया मेट्रिक्स हैं, जरूरी नहीं कि संरचनात्मक आर्थिक प्रभाव की। किसी विश्लेषक को रिपोर्ट तैयार करने में लगने वाले समय को कम करना उस निर्णय श्रृंखला को पुनर्कॉन्फ़िगर करने के समान नहीं है जो उस रिपोर्ट को महत्वपूर्ण बनाती है।
"AI का उपयोग करना" और "बुद्धिमत्ता लागू करना" के बीच का अंतर, मूल रूप से, एक बजट संबंधी अंतर है। AI का उपयोग करने का अर्थ है मौजूदा वर्कफ़्लो के ऊपर टूल रखना: यहाँ एक कोपायलट, वहाँ एक चैटबॉट, पहले से मौजूद डैशबोर्ड पर एनालिटिक्स की एक परत। बुद्धिमत्ता लागू करने का अर्थ कुछ श्रेणीगत रूप से भिन्न है: स्वचालित निर्णय क्षमता को यह कंपनी किस तरह मूल्य उत्पन्न और वितरित करती है, उसके भीतर एम्बेड करना, उस परिणाम की ट्रेसेबिलिटी के साथ जिसे वह निर्णय प्रभावित करता है।
उस दूसरे विकल्प के लिए उन चीज़ों को वित्त पोषित करने की आवश्यकता है जो सुर्खियाँ नहीं बनातीं: डेटा क्लीनिंग, प्रक्रिया पुनर्डिज़ाइन, विरासती आर्किटेक्चर का आधुनिकीकरण, टीम प्रशिक्षण। Goldman Sachs ने मार्च 2026 की अपनी रिपोर्ट में बताया कि AI सॉफ़्टवेयर बाज़ार को निगल नहीं रही; वह उसे विस्तारित कर रही है, क्योंकि यह कोड लिखने की लागत को कम करती है जबकि उस कोड की क्षमता की सीमा को ऊँचा उठाती है। इसका मतलब है कि लागू करने योग्य मूल्य का क्षेत्र बढ़ गया है। लेकिन उसे पकड़ने के लिए वे नींव बनानी होंगी जो उसे टिकाए रखती हैं।
चार नींवें जिन्हें बजट नज़रअंदाज़ करता है
चार ऐसे क्षेत्र हैं जहाँ निवेश व्यवस्थित रूप से देर से पहुँचता है या कम पहुँचता है, और चारों यह तय करते हैं कि मॉडलों पर किया गया कोई भी खर्च मूल्य उत्पन्न करता है या केवल गतिविधि।
प्रक्रियाएँ विफलता का पहला बिंदु हैं। टूटे हुए वर्कफ़्लो पर लागू AI, टूटे हुए परिणाम और तेज़ी से उत्पन्न करती है। मॉडल में लगाया गया प्रत्येक डॉलर, उसके आसपास की प्रक्रिया को पुनर्डिज़ाइन किए बिना, गति उत्पन्न करता है, दिशा नहीं। एंटरप्राइज़ AI कार्यक्रमों में सबसे बार-बार होने वाली गलती यह मानना है कि मॉडल की बुद्धिमत्ता प्रक्रिया की शिथिलता की भरपाई करेगी। वह नहीं करती। वह उसे और बढ़ा देती है।
तकनीकी आर्किटेक्चर दूसरी समस्या है। खंडित विरासत प्रणालियाँ निर्णय बिंदु पर एम्बेडेड बुद्धिमत्ता को सहारा नहीं दे सकतीं। अधिक शक्तिशाली मॉडल खरीदना एकीकरण की समस्या का समाधान नहीं करता। जो AI क्षमता की समस्या प्रतीत होती है, वह अक्सर अनसुलझे तकनीकी ऋण की समस्या होती है जिसे AI बजट ने कभी नहीं छुआ, क्योंकि तकनीकी ऋण आकर्षक डेमो नहीं बनाता।
कौशल तीसरे स्थान पर है और शायद उनकी अदृश्यता के कारण सबसे महंगी कमी है। एक ऐसी कार्यबल के बीच अंतर है जो जानती है कि AI क्या है और एक जो AI के साथ काम करना जानती है। पहली एक अपनाने के सर्वेक्षण का जवाब दे सकती है। दूसरी यह पुनर्परिभाषित कर सकती है कि संचालन, जोखिम या ग्राहक सेवा की टीम कैसे निर्णय लेती है। क्षमता परिवर्तन एंटरप्राइज़ AI कार्यक्रमों में सबसे लगातार कम आंकी जाने वाली बजट लाइनों में से एक बनी हुई है, जिसे शुरू से डिलीवरी की शर्त के रूप में नहीं बल्कि किसी परियोजना के अंत में बदलाव प्रबंधन के रूप में माना जाता है।
डेटा तस्वीर को पूरा करता है। कोई भी मॉडल, चाहे वह कितना भी परिष्कृत हो, अविश्वसनीय डेटा से विश्वसनीय बुद्धिमत्ता नहीं बनाता। और फिर भी, डेटा तैयारी को उस निवेश का एक अंश मिलता है जो मॉडल चयन और प्लेटफ़ॉर्म अधिग्रहण को जाता है। Gartner का निष्कर्ष केवल सांख्यिकीय नहीं है: यह प्राथमिकताओं का निदान है। कंपनियाँ वहाँ निवेश करती हैं जहाँ दृश्यता और पहचान होती है। स्वच्छ, अच्छी तरह से प्रशासित और सही प्रक्रियाओं से जुड़ा डेटा शानदार डेमो नहीं बनाता। परिणाम बनाता है। यह अंतर बताता है कि 60% परियोजनाएँ क्यों नहीं बचतीं।
2026 में प्रकाशित एक लागत अध्ययन का अनुमान है कि उत्पादन के लिए तैयार AI सिस्टम, वास्तविक नियामक अनुपालन और स्केलेबिलिटी के साथ, इंजीनियरिंग, डेटा कार्य, गवर्नेंस और एकीकरण को एक बार शामिल करने के बाद प्रति सिस्टम 250,000 से एक मिलियन डॉलर से अधिक की लागत आती है। उस संख्या में मॉडल रखरखाव, पुनः प्रशिक्षण और निगरानी की आवर्ती लागतें शामिल हैं। लगभग कोई भी पायलट उस संरचना को बनाए रखने के लिए डिज़ाइन नहीं किया गया था। जो बताता है कि पायलट स्केल क्यों नहीं होते।
वह बजट आर्किटेक्चर जो मूल्य पकड़ने वालों को मूल्य देखने वालों से अलग करता है
जो कंपनियाँ AI के साथ टिकाऊ मूल्य पकड़ रही हैं और जो कार्यान्वयन ऋण जमा कर रही हैं, उनके बीच का अंतर इस बात में नहीं है कि उन्होंने कौन से मॉडल चुने। यह इस बात में है कि उन्होंने उन मॉडलों के इर्द-गिर्द निवेश की वास्तुकला कैसे बनाई।
जो कंपनियाँ मापने योग्य रिटर्न उत्पन्न कर रही हैं, वे तीन-परत पैटर्न साझा करती हैं। पहली परत है नींव निवेश: डेटा तैयारी कार्य, प्रक्रिया पुनर्डिज़ाइन, विरासत प्रणालियों का आधुनिकीकरण और अपनाने के मेट्रिक्स के साथ प्रशिक्षण कार्यक्रम। यह वह ग्लैमर-रहित काम है जो तय करता है कि बाकी सब कुछ काम करेगा या नहीं। दूसरी परत है बुद्धिमत्ता की तैनाती: AI को वास्तविक वर्कफ़्लो में मूल रूप से एकीकृत किया गया है, एक समानांतर उपकरण के रूप में नहीं बल्कि प्लेटफ़ॉर्म, उत्पाद या ग्राहक यात्रा के भीतर एक क्षमता के रूप में, व्यावसायिक परिणाम के लिए सीधी ट्रेसेबिलिटी के साथ। तीसरी परत है ऑर्केस्ट्रेशन, मानवीय और एजेंटिक दोनों, लेकिन इसका मूल्य तभी होता है जब पहली दो परतें पहले से बन चुकी हों।
Deloitte का अनुमान है कि अगले नियोजन चक्र में 40% से अधिक AI परियोजनाओं को उत्पादन में रखने वाली कंपनियों की संख्या दोगुनी हो जाएगी। यह संख्या अपनाने के संकेतक के रूप में उतनी महत्वपूर्ण नहीं है जितनी इस बात के संकेत के रूप में कि किस प्रकार की कंपनी संरचनात्मक रूप से भिन्न लागत आधार पर प्रतिस्पर्धा करने में सक्षम होगी।
वित्त निदेशक AI बजट को नवाचार की ढीली समीक्षा वाली लाइनों से हटाकर प्रौद्योगिकी के परिचालन बजट में स्थानांतरित करना शुरू कर रहे हैं, जहाँ वही आवश्यकताएँ लागू होती हैं जो ERP या ग्राहक संबंध प्रबंधन प्लेटफ़ॉर्म में निवेश पर लागू होती हैं। इसके दो तत्काल परिणाम हैं। पहला यह कि जो परियोजनाएँ मापने योग्य परिचालन रिटर्न नहीं दिखा सकतीं, उनका वित्त पोषण खत्म हो जाएगा। दूसरा यह कि जो विक्रेता और सिस्टम इंटीग्रेटर बचेंगे, वे वे होंगे जो अपनी पेशकश को अमूर्त परिवर्तन के वादों से नहीं, बल्कि ठोस प्रक्रिया मेट्रिक्स से जोड़ सकते हैं।
केडिया के विश्लेषण का मूल तर्क — और जो प्रौद्योगिकी टीमों को सबसे अधिक असहज करता है — यह है कि अगले वर्ष सबसे अधिक मायने रखने वाला AI निवेश वह है जो आज सबसे कम आकर्षक लगता है। यह कोई अलंकारिक विरोधाभास नहीं है। यह उच्च सूचना असमानता वाले बाज़ारों में मूल्य के वितरण का एक सटीक विवरण है: जो लोग उस चीज़ में निवेश करते हैं जिसे किसी प्रेज़ेंटेशन में प्रदर्शित नहीं किया जा सकता, वे वह मूल्य पकड़ते हैं जिसे बाकी लोग केवल अपनी वार्षिक रिपोर्टों में वर्णित करते हैं।
वह बजट आर्किटेक्चर जो लागू बुद्धिमत्ता का निर्माण करती है, परिभाषा के अनुसार, उसकी तुलना में कम दृश्यमान है जो उन्नत मॉडलों के साथ प्रयोगों को वित्त पोषित करती है। लेकिन यही एकमात्र ऐसी है जो ऐसे परिणाम उत्पन्न करती है जो मूल्य के वास्तविक ऑडिट में टिक सकते हैं। और ऐसे माहौल में जहाँ निदेशक मंडल ठीक यही माँगने लगे हैं, खर्च की दृश्यता उसका मुख्य लाभ नहीं रही।
