95% AI पायलट पहला परिणाम देने से पहले ही क्यों विफल हो जाते हैं
एक दृश्य है जो मेरे परिचित लगभग हर मध्यम आकार की कंपनी में बार-बार दोहराया जाता है। प्रौद्योगिकी टीम एक आर्टिफिशियल इंटेलिजेंस पायलट प्रस्तुत करती है। शुरुआती आंकड़े आशाजनक दिखते हैं। निदेशक मंडल निवेश को मंज़ूरी देता है। और छह महीने बाद, वह पायलट अभी भी पायलट ही बना रहता है। कोई इसे आधिकारिक तौर पर समाप्त नहीं करता। और न ही यह स्केल होता है। बस... यह रोडमैप और फॉलो-अप बैठकों में जगह घेरता रहता है।
Freshworks के अध्यक्ष और CEO डेनिस वुडसाइड ने कुछ दिन पहले Fortune में एक विश्लेषण प्रकाशित किया जिसमें उन्होंने इस घटना को नाम दिया। और हालांकि वह लेख उनकी कंपनी के लिए एक व्यावसायिक स्थिति निर्माण के रूप में भी काम करता है, जो निदान वह प्रस्तुत करते हैं वह एक सरल कारण से गंभीरता से लिए जाने योग्य है: जो बाहरी डेटा वह उद्धृत करते हैं, वह हर उस C-Level अधिकारी के लिए असुविधाजनक है जो एक वर्ष से अधिक समय से अपने बोर्ड को AI के परिणामों का वादा करता आ रहा है।
MIT ने पाया कि जेनरेटिव AI के 95% पायलट उत्पादन में पहुंचने से पहले ही विफल हो जाते हैं। Boston Consulting Group ने सितंबर 2025 में प्रकाशित किया कि 60% कंपनियां AI से कोई भी भौतिक मूल्य उत्पन्न नहीं करतीं, और यह प्रतिशत पिछले वर्ष की तुलना में और बिगड़ गया, इस तथ्य के बावजूद कि मॉडल बेहतर हुए और संचित अनुभव बढ़ा। Freshworks अपना स्वयं का डेटा जोड़ता है: MSME (Micro, Small and Medium Enterprises) में AI बजट का एक चौथाई हिस्सा एकीकरण, डेटा सफाई और उन प्रणालियों को आपस में बात करवाने के प्रयास में खर्च हो जाता है जिन्हें कभी एक-दूसरे से संवाद करने के लिए डिज़ाइन ही नहीं किया गया था।
उन तीनों संख्याओं में जो समानता है वह चुने गए AI मॉडल में नहीं है। वह उस परिचालन वातावरण की स्थिति में है जहां इसे लागू करने का प्रयास किया जाता है।
वह निर्णय जो आगे बढ़ने वालों को रुकने वालों से अलग करता है
वुडसाइड Seagate Technology के मामले का वर्णन एक ऐसी सटीकता के साथ करते हैं जो ठीक इसलिए उपयोगी है क्योंकि इसमें कोई चमक-दमक नहीं है। IT टीम के पास तीन महीने थे 30,000 कर्मचारियों को एक नए सेवा प्रबंधन प्लेटफॉर्म पर माइग्रेट करने के लिए, जो एक अनुबंध की समाप्ति के कारण मजबूर था। स्पष्ट निर्णय, जो लगभग कोई भी संगठन उस दबाव में लेता, यह था कि मौजूदा कॉन्फिगरेशन को जैसी थी वैसे ही स्थानांतरित कर दिया जाए और बाद में समस्याओं को सुलझाया जाए। यह अल्पकाल में सबसे सुरक्षित रास्ता है। यही वह रास्ता भी है जो यह सुनिश्चित करता है कि ऊपर बनाई गई AI की कोई भी परत दोषपूर्ण नींव पर काम करेगी।
Seagate की टीम ने इसके विपरीत चुना। उन्होंने शुरू से पुनर्निर्माण किया: सेवा कैटलॉग को पुनर्संरचित किया, क्षेत्रों के बीच सुसंगत सेवा स्तर स्थापित किए, श्रेणी पदानुक्रमों को फिर से लिखा ताकि टिकट खुद-ब-खुद रूट हो सकें बिना किसी एजेंट को अनुमान लगाने की ज़रूरत के। उन्होंने यह सब उसी तीन महीने की समय-सीमा में किया। एक साल बाद, उस आधार पर तैनात AI एजेंट आने वाले लगभग एक तिहाई टिकट को deflect कर देता है और पहले संपर्क पर समाधान उद्योग मानक से 27% ऊपर है।
वह निर्णय — प्रतिलिपि बनाने के बजाय पुनर्निर्माण करना — वुडसाइड के तर्क का धुरी है। और इसकी एक संगठनात्मक व्याख्या है जो प्रौद्योगिकी से परे जाती है।
Seagate ने जो किया उसके लिए आवश्यक था कि प्रक्रिया में किसी बिंदु पर कोई एक ऐसी बातचीत करे जो कोई नहीं चाहता था: जो यह स्वीकार करती है कि विरासत में मिली प्रक्रियाएं केवल अकुशल नहीं हैं, बल्कि किसी भी भविष्य के सुधार के लिए एक सक्रिय बाधा हैं। उस बातचीत की एक राजनीतिक कीमत है। यह कहना कि मौजूदा प्रक्रियाएं स्थानांतरित नहीं होंगी, इसका अर्थ है यह कहना कि वर्षों के कॉन्फिगरेशन, अनुकूलन और समायोजन का काम नए वातावरण में नहीं जाएगा। इसका अर्थ है, कम से कम आंशिक रूप से, पिछले निर्णयों को अमान्य करना। कम संगठनों में समय के दबाव में इसके लिए भूख होती है।
Seagate को जो अलग करता है वह यह नहीं है कि उनके पास अधिक संसाधन या अधिक समय था। यह है कि उनके पास दूरदर्शिता थी, या प्रबंधकीय साहस था, कि जब अनुबंध समाप्त हुआ तो अतीत को आगे न खींचें। यही वह चर है जो AI कार्यान्वयन के किसी भी मैनुअल में नहीं दिखती।
वह अदृश्य कर जो अपनी प्रक्रियाओं को न देखने वाले चुकाते हैं
वुडसाइड "जटिलता कर" की अवधारणा पेश करते हैं जो तब होता है जब कोई कंपनी एक खंडित वास्तुकला पर AI लागू करने की कोशिश करती है। यह एक सजावटी रूपक नहीं है। यह एक ठोस वित्तीय तंत्र है।
यदि AI बजट का 25% मॉडल द्वारा एक भी उपयोगी आउटपुट उत्पन्न करने से पहले एकीकरण और डेटा सफाई में खो जाता है, तो एक कंपनी जो AI को एक मिलियन डॉलर आवंटित करती है, व्यवहार में 750,000 डॉलर की क्षमता खरीद रही है। शेष 25% संचित तकनीकी ऋण को अवशोषित करता है। सैकड़ों मिलियन के परिवर्तन बजट वाली एक बड़ी कंपनी के लिए, उस अंश को सहन किया जा सकता है। 500 से 20,000 कर्मचारियों वाली एक कंपनी के लिए, छोटी IT टीमों और कम गुंजाइश के साथ, वह नुकसान एक ऐसी पहल और एक ऐसी पहल के बीच का अंतर हो सकता है जो अगले बजट चक्र में चुपचाप रद्द हो जाती है।
"चुस्त कंपनियों" के बारे में वुडसाइड का तर्क — संगठनों की उस श्रेणी के लिए उनका शब्द — में एक तर्क है जिसे बड़े मीडिया आमतौर पर नज़रअंदाज़ करते हैं क्योंकि यह खंड Fortune 500 की डिजिटल परिवर्तन कहानियों जितना फोटोजेनिक नहीं है। लेकिन यही वह जगह है जहां AI जो उत्पादकता का वादा करती है, उसकी लड़ाई जीती या हारी जाएगी। MSME वैश्विक व्यापार कपड़े के बहुमत का प्रतिनिधित्व करते हैं। अगर AI वहां काम नहीं करती, तो समग्र उत्पादकता का वादा साकार नहीं होता, चाहे Google, Microsoft या Amazon अपने स्वयं के मॉडलों के साथ कुछ भी करें।
जो बात विश्लेषण को और अधिक रोचक बनाती है वह यह है कि समस्या मॉडल के चयन में नहीं है। यह एक पहले और अधिक कठिन हल करने वाली परत में है: परिचालन वातावरण की गुणवत्ता। ऐसे सिस्टम में बिखरा डेटा जो आपस में बात नहीं करते। कार्यप्रवाह जो कंपनी के इतिहास से परिभाषित होते हैं न कि उसके तर्क से। टिकट टैक्सोनॉमी, सेवा श्रेणियां या उत्पाद पदानुक्रम जिन्हें किसी ने इसलिए नहीं देखा क्योंकि वे हमेशा "पर्याप्त रूप से काम करते थे"। जब एक AI एजेंट से उस बुनियादी ढांचे पर काम करने के लिए कहा जाता है, तो वह इसलिए विफल नहीं होता क्योंकि मॉडल खराब है। यह इसलिए विफल होता है क्योंकि वातावरण उसे अस्पष्ट, अधूरी या विरोधाभासी जानकारी देता है, और कोई भी मॉडल इसकी भरपाई नहीं कर सकता।
Katz Media Group के प्रौद्योगिकी निदेशक रॉबर्ट लियोन्स — 10,000 कर्मचारियों वाली कंपनी के भीतर 800 लोगों की एक व्यावसायिक इकाई — वुडसाइड के विश्लेषण में जो शायद पूरे लेख की सबसे व्यावहारिक सलाह है वह पेश करते हैं: किसी भी AI टूल को तैनात करने से पहले, उनकी टीम ने डेटा को साफ और लेबल किया, और कंपनी के सभी कर्मचारियों के लिए AI परिचय सेमिनार आयोजित किए, जो IT टीम द्वारा नहीं बल्कि एक स्वतंत्र अनुसंधान फर्म द्वारा दिए गए। यह अंतर महत्वपूर्ण है। जब IT AI को प्रस्तुत करता है, तो वह उस व्यक्ति के अंतर्निहित पूर्वाग्रह के साथ करता है जिसका परिणाम में हित है। जब एक तटस्थ तृतीय पक्ष ऐसा करता है, तो संदेश अलग तरीके से पहुंचता है और संगठनात्मक प्रतिरोध कम होता है।
लियोन्स AI परियोजनाओं को प्राथमिकता देने के लिए एक मूल्य/प्रयास मैट्रिक्स का भी वर्णन करते हैं: एक अक्ष पर कार्यान्वयन में आसानी, दूसरे पर व्यवसाय के लिए मूल्य। शुरुआत उच्च मूल्य और कम प्रयास वाले चतुर्थांश से होती है। उनकी चेतावनी — "सबसे बुरी समस्या से शुरू मत करो, तुम मूल्य उत्पन्न नहीं करोगे" — एक ऐसे पैटर्न की सीधी आलोचना है जो मैं अक्सर उन संगठनों में देखता हूं जो AI को उन समस्याओं को हल करने के अवसर के रूप में मानते हैं जिन्हें कोई अन्य पहल हल नहीं कर सकी। वह तर्क समझ में आता है लेकिन प्रतिकूल है। सबसे अधिक दृश्यमान और महत्वाकांक्षी AI परियोजनाएं सबसे नाज़ुक भी होती हैं, क्योंकि वे सबसे अव्यवस्थित डेटा वातावरण और सबसे कम संरचित कार्यप्रवाह पर काम करती हैं।
Nucor और New Balance में एक स्टील कंपनी के साथ क्या समानता है
वुडसाइड दो तुलनाएं उद्धृत करते हैं जो अलग ध्यान देने योग्य हैं। पहली Nike और New Balance के बीच है। Nike 80,000 कर्मचारियों के साथ काम करती है; New Balance 9,000 के साथ। वुडसाइड का तर्क है कि New Balance अपनी IT बुनियादी ढांचे को एक केंद्रीकृत सत्य के स्रोत के साथ एकल प्लेटफॉर्म पर समेकित करके, टीमों को रखरखाव कार्य से मुक्त करके और व्यवसाय के संचालन के तरीके को फिर से कॉन्फिगर करके प्रतिस्पर्धी जमीन हासिल कर रहा है। दूसरी तुलना Nucor और Steel Dynamics हैं, जो संयुक्त राज्य अमेरिका के चार सबसे बड़े स्टील निर्माताओं में से दो हैं, जो वुडसाइड के अनुसार दशकों की परिचालन अनुशासन रखते हैं जो ऐसे वातावरण उत्पन्न करते हैं जिन्हें AI सीधे अनुकूलित कर सकती है।
इन मामलों को जोड़ने वाला पैटर्न वही है जो Seagate में दिखता है: AI वहां काम करती है जहां परिचालन वातावरण इसे प्राप्त करने के लिए तैयार था। परिपूर्ण नहीं। तैयार। समेकित डेटा, परिभाषित कार्यप्रवाह, मैन्युअल हस्तक्षेप के बिना जानकारी का आदान-प्रदान करने में सक्षम सिस्टम, और एक मापने योग्य परिणाम जिसे AI एजेंट को सुधारना है।
इसका एक प्रबंधकीय निहितार्थ है जिसे कम लोग स्पष्ट रूप से नाम दे रहे हैं। जिन कंपनियों को AI लागू करने में सबसे अधिक कठिनाई होती है, वे वे नहीं हैं जिन्होंने गलत मॉडल चुना या गलत सलाहकार नियुक्त किए। वे हैं जिन्होंने वर्षों तक वास्तुकला सुसंगतता से ऊपर परिचालन निरंतरता को प्राथमिकता देते हुए प्रौद्योगिकी निर्णय लिए। हर बार जब किसी ने कहा "इस सिस्टम को जोड़ते हैं क्योंकि यह अभी इस समस्या को हल करता है" यह पूछे बिना कि वह सिस्टम बाकी के साथ कैसे एकीकृत होगा, वे एक देनदारी जमा कर रहे थे जो आज एकीकरण में खपत होने वाले AI बजट के रूप में वसूली जा रही है।
वह देनदारी एक तकनीकी विफलता नहीं है। यह वास्तुकला बातचीतों का संचित परिणाम है जो नहीं हुई, तकनीकी ऋण मूल्यांकन जो इसलिए स्थगित किए गए क्योंकि तिमाही ने गति मांगी, विरासत कॉन्फिगरेशन जिन्हें किसी ने इसलिए नहीं देखा क्योंकि उन पर सवाल उठाने की राजनीतिक कीमत ज़्यादा थी।
वुडसाइड द्वारा वर्णित सफल मामलों में जो समानता है वह यह है कि किसी ने, किसी न किसी समय, उस देनदारी को चुकाने का निर्णय लिया। Seagate ने यह एक समाप्त होते अनुबंध के दबाव में किया। New Balance ने यह गति की एक रणनीतिक शर्त के रूप में किया। Nucor और Steel Dynamics ने यह दशकों तक यह जाने बिना किया कि वे AI में प्रतिस्पर्धात्मक लाभ की नींव बना रहे हैं।
जो नेतृत्व करता है उसे उसकी कीमत चुकानी होती है जो संगठन देखने से बचता है उसे देखने की
वुडसाइड के तर्क में एक तत्व है जिसे लेख परोक्ष रूप से छूता है लेकिन जिसे सीधे नाम देने की ज़रूरत है: अधिकांश संगठन जो AI पायलट में फंसे हैं, यह जानते हैं। यह तकनीकी अज्ञानता नहीं है। बात यह है कि परिचालन वातावरण की स्थिति के बारे में बातचीत की एक राजनीतिक कीमत है जो कोई नहीं चुकाना चाहता।
यह स्वीकार करना कि AI बजट का 25% एकीकरण और डेटा सफाई में खो जाता है, यह स्वीकार करना है कि अतीत के वास्तुकला निर्णय महंगे थे। यह स्वीकार करना कि विरासत प्रक्रियाएं नए वातावरण में स्थानांतरित नहीं हो सकतीं, यह स्वीकार करना है कि वर्षों का कॉन्फिगरेशन परिवर्तन से नहीं बचता। यह स्वीकार करना कि डेटा खराब स्थिति में है, यह स्वीकार करना है कि पिछले वर्षों की डेटा गुणवत्ता पहलों ने जो वादा किया था वह नहीं दिया।
उन स्वीकृतियों के लिए कुछ ऐसी चीज़ की आवश्यकता है जो कई निदेशक मंडलों की गतिशीलता हतोत्साहित करती है: उस व्यक्ति के बिना जो इसका नाम लेता है, उस विफलता से जुड़े हुए, एक संरचनात्मक समस्या को नाम देने की क्षमता।
इस संदर्भ में नेतृत्व करने वाले का काम तकनीकी नहीं है। यह उन परिस्थितियों को बनाना है जिनमें वे बातचीत हों बिना दूत को कीमत चुकाए। जो संगठन AI के साथ परिणाम उत्पन्न कर रहे हैं — जो मामले वुडसाइड वर्णन करते हैं — उनके पास परिपूर्ण वातावरण नहीं है। उनके पास ऐसे नेता हैं जिन्होंने विफल कार्यान्वयन की कीमत चुकाने से पहले स्पष्टता की कीमत चुकाने का फैसला किया।
वह अनुक्रम दबाव में सहज नहीं है। लेकिन यही एकमात्र ऐसा है जो ऐसे परिणाम उत्पन्न करता है जो अगले बजट समीक्षा चक्र में गायब नहीं होते।
