एंटरप्राइज AI लैब से बाहर आई और अब पता चलेगा किसकी नींव मजबूत है और किसके पास सिर्फ स्लाइड्स हैं

कॉर्पोरेट AI लैब से बाहर निकली और यह उजागर कर रहा है कि किसके पास मजबूत नींव है और किसके पास केवल स्लाइड्स

जब कोई तकनीक पायलट मोड छोड़कर वास्तविक परिचालन में प्रवेश करती है, तो यह वही क्षण भी होता है जब कमजोर आर्किटेक्चर उजागर हो जाते हैं। Accenture पिछले कई महीनों से इस संदेश को क्षेत्र में दोहराता रहा है: 2026 वह वर्ष है जब कॉर्पोरेट आर्टिफिशियल इंटेलिजेंस एक आंतरिक प्रयोग बनना बंद कर देती है और ग्राहक-सामना करने वाले मोर्चे में बदल जाती है। परामर्श कंपनी इसे क्षेत्र की एक प्रगति के रूप में प्रस्तुत करती है। यह भी — यदि इसे अधिक ध्यान से पढ़ा जाए — उन कंपनियों के बीच की सटीक दरार का वर्णन है जिनके पास तकनीकी रीढ़ है और जिन्होंने असत्यापित धारणाओं पर निर्माण किया है।

Accenture के दक्षिण-पूर्व एशिया के मुख्य कार्यकारी अधिकारी Anoop Sagoo ने Bangkok Post को बिना किसी लाग-लपेट के यह बात कही: आर्टिफिशियल इंटेलिजेंस को अपनाना प्रयोग से बड़े पैमाने पर तैनाती की ओर बढ़ रहा है, जिसमें एजेंटिक सिस्टम और ग्राहक-उन्मुख समाधान वास्तविक परिचालन में प्रवेश कर रहे हैं। यह बयान तटस्थ नहीं है। यह एक ऐसी फर्म की ओर से आता है जो खुद को स्पष्ट रूप से उस परिवर्तन के एकीकरणकर्ता के रूप में स्थापित करती है, और जिसके पास हर प्रोत्साहन है कि उस परिवर्तन को तत्काल, तकनीकी रूप से मांगलिक और बाहरी सहायता के बिना निष्पादित करने में कठिन माना जाए। लेकिन इसका मतलब यह नहीं है कि निदान गलत है।

तीन बाधाएं जो उजागर करती हैं कि वास्तविक कमियां कहां हैं

Sagoo तीन बाधाओं की पहचान करते हैं जो बड़े पैमाने पर कॉर्पोरेट कार्यान्वयन को रोकती हैं। इन्हें विश्लेषण करना उचित है, क्योंकि प्रत्येक मॉडल के एक अलग हिस्से और एक अलग प्रकृति की विफलता को इंगित करता है।

पहली बाधा एक ठोस डेटा और बुनियादी ढांचे की नींव का अभाव है। AI पायलट अलगाव में काम करते हैं: उनके पास साफ डेटा, नियंत्रित वातावरण और समर्पित टीमें होती हैं। वास्तविक परिचालन में स्केल करने के लिए क्लाउड माइग्रेशन, एप्लीकेशन आधुनिकीकरण और मानकीकृत डेटा वातावरण की आवश्यकता होती है जिनकी किसी पायलट को जरूरत नहीं होती। क्षेत्र की कई कंपनियां 2026 में चल रहे पायलट के साथ पहुंचीं लेकिन उस बुनियादी ढांचे को हल किए बिना। पायलट वास्तविक था; स्केल का वादा इसकी भौतिक नींव नहीं थी।

दूसरी बाधा कॉर्पोरेट ज्ञान आधार का अभाव है, जिसे Accenture "AI ब्रेन" कहता है। एक कॉर्पोरेट संदर्भ में सटीकता के साथ संचालित होने के लिए एक AI प्रणाली को आंतरिक प्रक्रियाओं, नीतियों, वर्कफ्लो और अनुपालन नियमों तक पहुंच की आवश्यकता होती है। एक संवादात्मक AI जो कंपनी के अनुपालन नियमों या ग्राहक सेवा प्रक्रियाओं को नहीं जानता, उसे बिना जोखिम के वास्तविक ग्राहकों के सामने तैनात नहीं किया जा सकता। यह अंतर तकनीकी बुनियादी ढांचे की तुलना में कम दृश्यमान है, लेकिन भरने के लिए अधिक महंगा है: इसके लिए केवल सॉफ्टवेयर नहीं, बल्कि गहरे संगठनात्मक कार्य की आवश्यकता होती है।

तीसरी बाधा शासन और कार्यबल परिवर्तन है। Sagoo इसे सीधे शब्दों में कहते हैं: कई कंपनियां AI को अपनाने की मांग के संगठनात्मक परिवर्तन की पैमाने को कम आंकती हैं। यह तकनीक की समस्या नहीं है। यह परिचालन आर्किटेक्चर की समस्या है: मनुष्यों के लिए डिज़ाइन किए गए वर्कफ्लो स्वचालित रूप से उन प्रणालियों में स्थानांतरित नहीं होते जिनमें स्वायत्त एजेंट शामिल हैं। उन वर्कफ्लो को फिर से डिज़ाइन करना, कर्मियों को पुनः प्रशिक्षित करना और जिम्मेदार उपयोग नियंत्रण बनाना उस समय और आंतरिक राजनीतिक इच्छाशक्ति की आवश्यकता है जिसे पायलट ने कभी परखा नहीं था।

ये तीन बाधाएं मिलकर जो उजागर करती हैं वह केवल लंबित कार्यों की सूची नहीं है। वे उजागर करती हैं कि अधिकांश कॉर्पोरेट AI पायलट जानबूझकर उन तीन समस्याओं से बचने के लिए बनाए गए थे। ऐसे उपयोग के मामले चुने गए जिन्हें एकीकृत डेटा की आवश्यकता नहीं थी, जो गहरे संस्थागत ज्ञान पर निर्भर नहीं थे और जो मौजूदा वर्कफ्लो को खतरे में नहीं डालते थे। वे सफल रहे ठीक इसलिए क्योंकि उन्होंने परिचालन की वास्तविक परिस्थितियों से बचाव किया। अब जब क्षेत्र स्केल करने की कोशिश कर रहा है, उन परिस्थितियों से बचा नहीं जा सकता।

एजेंटिक AI परिचालन मॉडल के लिए एक तनाव परीक्षण के रूप में

पायलट से परे, Accenture एजेंटिक आर्टिफिशियल इंटेलिजेंस को जटिलता की अगली सीमा के रूप में रखता है। पारंपरिक जनरेटिव AI के विपरीत, जो मानवीय निर्देश के तहत सवालों के जवाब देता है या सामग्री उत्पन्न करता है, एजेंटिक सिस्टम निर्णय लेते हैं, कई एजेंटों का समन्वय करते हैं और जटिल कार्यों को स्वायत्त रूप से निष्पादित करते हैं: मार्केटिंग अभियानों के प्रबंधन से लेकर आपूर्ति श्रृंखलाओं के अनुकूलन तक। वादा वास्तविक है। संरचनात्मक तनाव का बिंदु भी।

वास्तविक परिचालन में तैनात एजेंटिक सिस्टम में प्रत्येक चरण की समीक्षा करने वाला कोई मनुष्य नहीं होता। इसका मतलब है कि डेटा त्रुटियां, मॉडल पूर्वाग्रह और शासन नीतियों में अंतराल नुकसान पहुंचाने से पहले नहीं पाए जाते: वे बाद में पाए जाते हैं। खंडित डेटा वाली, बिना एकीकृत संस्थागत ज्ञान आधार के और स्वायत्त एजेंटों के साथ काम करने के लिए पुनः प्रशिक्षित न किए गए कार्यबल वाली कंपनी के लिए, एजेंटिक AI तैनात करना परिचालन को तेज नहीं करता। यह उन्हें उजागर करता है।

यह वह व्याख्या है जिसे Accenture स्पष्ट रूप से नहीं बताता, लेकिन तीन बाधाओं के उसके अपने निदान से निहित है: एजेंटिक AI की ओर कदम एक साथ सबसे बड़ा मूल्य उत्तोलक और संरचनात्मक कमजोरियों का सबसे बड़ा प्रवर्धक है। जिन कंपनियों ने बुनियादी ढांचे को हल किया, जिन्होंने शासित ज्ञान आधार बनाए और जिन्होंने अपने वर्कफ्लो को फिर से डिज़ाइन किया, वे इसका उपयोग उन परिचालन चक्रों को संकुचित करने के लिए कर सकती हैं जो पहले हफ्तों लेते थे। जिन्होंने नहीं किया वे इसे बड़े पैमाने पर त्रुटि के वाहक में बदल रही हैं।

Accenture ने मानव संसाधन, वित्त और विपणन में आंतरिक रूप से 70 से 100 AI एजेंट तैनात किए। थाईलैंड में, उसने 70 पदों के लिए 7,000 इंटर्नशिप आवेदनों को फ़िल्टर करने के लिए AI का उपयोग किया। ये ग्राहक डेटा नहीं हैं: ये फर्म के अपने डेटा हैं। जो उजागर होता है वह यह है कि अपनाना केवल एक बिक्री संदेश नहीं है। Accenture आंतरिक साक्ष्य बना रहा है कि वह जिस आर्किटेक्चर को बढ़ावा देता है वह वास्तविक परिस्थितियों में काम करता है। यह निदान के व्यावसायिक हित को समाप्त नहीं करता, लेकिन यह इसे परिचालन शब्दों में सत्यापन योग्य बनाता है।

डेटा संप्रभुता केवल विनियमन नहीं, स्थिति-निर्धारण फ़िल्टर के रूप में

क्षेत्र में Accenture के विश्लेषण के सबसे दिलचस्प आयामों में से एक संप्रभु आर्टिफिशियल इंटेलिजेंस के आसपास का है। Sagoo एक क्षेत्रीय दौड़ का वर्णन करते हैं जिसमें सरकारें भू-राजनीतिक घर्षण और डेटा निवास के बारे में चिंताओं से दबाव में अपने स्वयं के डेटा, मॉडल और बुनियादी ढांचे को नियंत्रित करने के लिए प्रतिस्पर्धा करती हैं। सिंगापुर प्रशासनिक निगरानी और उन्नत नीतियों में आगे है। मलेशिया सवाल करता है कि क्या उच्च संसाधन मांग वाले विदेशी डेटा केंद्र पर्याप्त आर्थिक रिटर्न प्रदान करते हैं। इंडोनेशिया डेटा स्थानीयकरण पर अपना ध्यान बनाए रखता है। थाईलैंड पश्चिमी और चीनी दोनों तकनीकी खिलाड़ियों को आकर्षित करने के लिए अपनी रणनीतिक स्थिति का लाभ उठाता है।

Accenture के व्यापार मॉडल के दृष्टिकोण से पढ़ा जाए, तो संप्रभु AI की घटना केवल एक नियामक प्रवृत्ति नहीं है: यह एक विभाजन तंत्र है। जिन कंपनियों को डेटा निवास आवश्यकताओं का पालन करना होता है, जो सख्त क्षेत्रीय विनियमनों के तहत काम करती हैं, या जिनके पास स्पष्ट भू-राजनीतिक संवेदनशीलता है, वे केवल सबसे सस्ते या सबसे उपलब्ध AI समाधान को नहीं अपना सकतीं। उन्हें ऐसे आर्किटेक्चर की आवश्यकता होती है जो नियंत्रण और स्थानीयकरण की विशिष्ट शर्तों को पूरा करे। यह योग्य प्रदाताओं के क्षेत्र को संकुचित करता है और उन एकीकरणकर्ताओं के मूल्य को बढ़ाता है जो उस जटिलता को नेविगेट कर सकते हैं।

Accenture द्वारा फरवरी 2026 में Mistral AI के साथ घोषित सहयोग — हालांकि यूरोप पर केंद्रित था — उस दिशा में इशारा करता है: स्पष्ट तर्क यह था कि संगठनों को एकल बुनियादी ढांचा प्रदाता पर निर्भर हुए बिना रणनीतिक स्वायत्तता के साथ बड़े पैमाने पर AI तैनाती की ओर बढ़ने में सक्षम बनाया जाए। वही तर्क एशिया में वजन रखता है, जहां एकल क्लाउड प्रदाता या एकल मॉडल प्रदाता पर निर्भरता एक नियामक या भू-राजनीतिक भेद्यता बन सकती है। Accenture एक ऐसा प्रस्ताव बना रहा है जो तकनीकी क्षमता को संप्रभुता जोखिम प्रबंधन के साथ मिलाता है। कुछ ग्राहक वर्गों के लिए, वह संयोजन एक मूल्य और एक दीर्घकालिक संबंध को उचित ठहराता है जो कोई भी प्लेटफॉर्म प्रदाता अकेले प्रदान नहीं कर सकता।

बैंक के रूप में सत्यापन और रिटेल अगले दांव के रूप में

वित्तीय क्षेत्र क्षेत्र में AI को अपनाने में अग्रणी है, जो निरंतर तकनीकी निवेश और डिजिटल और वर्चुअल बैंकों से प्रतिस्पर्धात्मक दबाव से प्रेरित है। यह कोई संयोग नहीं है। बैंकिंग में तीन संरचनात्मक स्थितियां हैं जो AI स्केलिंग को सुविधाजनक बनाती हैं: प्रचुर और अपेक्षाकृत संरचित ऐतिहासिक डेटा, स्पष्ट नियमों के साथ दोहराने योग्य प्रक्रियाएं, और एक विनियमन जो विरोधाभासी रूप से दस्तावेज़ करने के लिए बाध्य करता है कि सिस्टम क्या करते हैं। ये तीन स्थितियां ठीक वही हैं जो अन्य क्षेत्रों के पास अभी तक नहीं हैं।

रिटेल और ऊर्जा उच्च क्षमता वाले क्षेत्रों के रूप में दिखाई देते हैं लेकिन पहले के चरणों में। रिटेल में, Sagoo बताते हैं कि थाईलैंड का उपभोक्ता बाजार AI-सक्षम नवाचारों से लाभान्वित हो सकता है जिन्हें चीन पहले से खुदरा व्यापार में लागू कर रहा है। संदर्भ सजावटी नहीं है: चीनी ई-कॉमर्स वर्षों से AI का उपयोग व्यक्तिगतकरण, पूर्वानुमानित इन्वेंटरी प्रबंधन और रीयल-टाइम मूल्य अनुकूलन के लिए उस पैमाने पर कर रहा है जिसे अधिकांश दक्षिण-पूर्व एशियाई ऑपरेटरों ने हासिल नहीं किया है। अंतर उपलब्ध उपकरणों का नहीं है, बल्कि एकीकृत डेटा का और उन वर्कफ्लो को फिर से डिज़ाइन करने की संगठनात्मक इच्छाशक्ति का है जो दशकों से दूसरे तरीके से काम कर रहे हैं।

ऊर्जा में, तर्क अधिक विशिष्ट है: उपकरण विफलताओं की भविष्यवाणी करने और रखरखाव को अनुकूलित करने के लिए वीडियो विश्लेषण, परिचालन डेटा और सेंसर। यह एक उपयोग का मामला है जहां एजेंटिक AI का मानवीय निगरानी पर स्पष्ट लाभ है: यह एक साथ उससे अधिक संकेतों को संसाधित कर सकता है जितना इंजीनियरों की एक टीम मॉनिटर कर सकती है। लेकिन यह एक उपयोग का मामला भी है जहां एक विफलता के केवल व्यावसायिक नहीं बल्कि भौतिक परिणाम होते हैं। सिस्टम का शासन वैकल्पिक नहीं है; यह तैनाती की संभावना की शर्त है।

जो दौड़ अपनाने की है वह अकेले कुछ गारंटी नहीं देती

Accenture थाईलैंड की महानिदेशक Patama Chantaruck देश की स्थिति को एक ऐसे सूत्रीकरण के साथ संक्षेपित करती हैं जो ध्यान देने योग्य है: थाईलैंड में AI का उपयोग ग्राहक अनुभव को बेहतर बनाने, परिचालन लचीलापन मजबूत करने और विकास को अनलॉक करने की महत्वाकांक्षा है, लेकिन सफलता रणनीति को निष्पादन से जोड़ने और प्रभाव को स्केल करने के लिए आवश्यक नींव बनाने पर निर्भर करेगी।

उस वाक्य का दूसरा भाग पहले से अधिक महत्वपूर्ण है। AI में क्षेत्रीय महत्वाकांक्षा दस्तावेज़ योग्य है: राष्ट्रीय रणनीतियां, क्लाउड बुनियादी ढांचे में निवेश, प्रशिक्षण कार्यक्रम, विकासशील नियामक ढांचे। जो उस महत्वाकांक्षा द्वारा गारंटीकृत नहीं है वह व्यक्तिगत कंपनी स्तर पर निष्पादन क्षमता है। एक कंपनी उन्नत AI नीति वाले देश में काम कर सकती है और फिर भी खंडित डेटा, बिना दस्तावेज़ीकृत प्रक्रियाओं और बिना पुनः प्रशिक्षित कार्यबल के साथ हो सकती है। राष्ट्रीय नीति व्यापार की आंतरिक वास्तुकला को हल नहीं करती।

Accenture यह जानता है और अपना प्रस्ताव उस अंतराल के आसपास बनाता है। यह AI मॉडल के बाजार में या क्लाउड बुनियादी ढांचे के बाजार में प्रतिस्पर्धा नहीं करता। यह निष्पादन के बाजार में प्रतिस्पर्धा करता है: किसी संगठन को AI के बिना संचालित करने के लिए डिज़ाइन की गई वास्तुकला से उस वास्तुकला में स्थानांतरित करने की क्षमता में जो इसे बड़े पैमाने पर, शासन के साथ, एकीकृत डेटा के साथ और एक कार्यबल के साथ संचालित कर सके जो अपनी नई भूमिका को समझता है। यह एक उच्च मूल्य और उच्च घर्षण वाला स्थान है जहां प्रवेश की कीमत उन्हीं ग्राहकों के साथ वर्षों की उपस्थिति के दौरान जमा हुआ संस्थागत विश्वास है।

फर्म द्वारा प्रस्तुत डेटा एक सटीक दिशा में इशारा करते हैं: जिन कंपनियों ने कम से कम एक रणनीतिक AI पहल को स्केल किया, वे अपने साथियों की तुलना में अपेक्षाओं से अधिक रिटर्न देखने की लगभग तीन गुना अधिक संभावना रखती हैं। यह इस बारे में तर्क नहीं है कि किसके पास सबसे उन्नत तकनीक है। यह इस बारे में तर्क है कि किसके पास वह वास्तुकला है जो उस तकनीक को वास्तविक परिस्थितियों में संचालित कर सके। वह अंतर — AI तक पहुंच होने और उसे संचालित करने की संरचना होने के बीच — वह रेखा है जो उन कंपनियों को अलग करती है जो इस चक्र को भुनाने वाली हैं और जो मापने योग्य रिटर्न के बिना पायलट जमा करती रहेंगी।