एंटरप्राइज़ AI पाइपलाइन में नुकसान टोकन से नहीं होता: वह नुकसान उससे पहले ही हो जाता है
एक ऐसा क्षण आता है जब कृत्रिम बुद्धिमत्ता के पायलट प्रोजेक्ट्स का ढेर लगना, महत्वाकांक्षा की जगह अव्यवस्था जैसा दिखने लगता है। यह क्षण 2026 में कई बड़ी कंपनियों के लिए आ गया, और सबसे स्पष्ट संकेत न तो कोई तकनीकी पतन था, न किसी मॉडल की विफलता। यह कुछ अधिक साधारण था और बोर्डरूम की बैठक में बचाव करना कहीं अधिक कठिन था: टोकन की खपत आनुपातिक मूल्य उत्पन्न किए बिना बजट से आगे निकल गई।
Uber उन मामलों में से एक था जो सामने आया। कंपनी ने AI पर अपने आंतरिक खर्च को तब समायोजित किया जब खपत नियोजित सीमा से अधिक हो गई। यह कोई अजीब अपवाद नहीं था; यह उस पैटर्न का दृश्यमान लक्षण था जो उन संगठनों में बार-बार दोहराया जाता है जिन्होंने पिछले दो वर्षों में अधिकतमवादी तर्क के साथ AI को अपनाया: अधिक उपयोग के मामले, अधिक तैनात एजेंट, अधिक कर्मचारी सिस्टम में शामिल, अधिक टोकन की खपत। शुरू में यह तर्क उचित था। जब कोई तकनीक नई होती है और उसकी परिवर्तनकारी क्षमता स्पष्ट नहीं होती, तो व्यापक अन्वेषण समझ में आता है। समस्या यह है कि यह अन्वेषण तब नहीं रुका जब उसे एक सुविचारित वास्तुकला को रास्ता देना चाहिए था।
Salesforce में डेटा, AI गवर्नेंस और संदर्भ इंजीनियरिंग के लिए उत्पाद प्रबंधन के उपाध्यक्ष Sumeet Agrawal ने Fortune में एक निदान प्रकाशित किया जो एक कॉर्पोरेट राय कॉलम को जितना ध्यान आमतौर पर मिलता है उससे कहीं अधिक का हकदार है। उनका केंद्रीय तर्क सटीक है: टोकन की कीमत कम करने से समस्या हल नहीं होती क्योंकि समस्या कीमत में नहीं है। यह इस बात में है कि कंपनियां उनका उपयोग करने के लिए किस प्रकार से संरचित हैं।
एक पाइपलाइन जो हर चरण में रिसती है
Agrawal द्वारा उपयोग की गई रूपक उपयोगी है क्योंकि यह सटीक है: एक बड़े उद्यम में आधुनिक AI पाइपलाइन एक छलनी की तरह व्यवहार करती है। यह हर निष्पादन चरण में टोकन छानती है, और उनके साथ पैसा भी। और यह दुर्घटनावश नहीं करती; यह डिज़ाइन द्वारा करती है। या अधिक सटीक रूप से, डिज़ाइन की अनुपस्थिति के कारण।
जब कोई एजेंट बिक्री या ग्राहक सेवा की क्वेरी प्राप्त करता है, तो सबसे पहले जो काम वह करता है — यदि उसके नीचे सुव्यवस्थित डेटा इंफ्रास्ट्रक्चर नहीं है — वह प्रॉम्प्ट को कच्चे संदर्भ से भर देता है। बिना क्यूरेशन के डेटा, डुप्लिकेट रिकॉर्ड, बिना प्राथमिकता वाला इतिहास। मॉडल फिर उस सूचना के ढेर को प्रोसेस करता है, जिसका अधिकांश भाग शोर है। Agrawal के अनुसार, यह अतिरिक्त खपत प्रति इंटरेक्शन आवश्यकता से पाँच से दस गुना अधिक टोकन का मतलब हो सकती है। प्रति मिलियन टोकन दस से पंद्रह डॉलर की कीमत पर, और मध्यम से बड़े आकार की किसी कंपनी में प्रतिदिन हजारों इंटरेक्शन के साथ, अंकगणित को जल्दी नजरअंदाज करना मुश्किल हो जाता है।
दूसरा रिसाव बिंदु डेटा तक अप्रशासित पहुंच है। एक स्पष्ट कैटलॉग के बिना, वंश के बिना, गुणवत्ता संकेतों के बिना, एजेंट विश्वसनीय जानकारी की खोज में डेटा स्टोर में घूमते रहते हैं। यह प्रक्रिया धीमी, महंगी और असंगत परिणाम देने वाली है। जब भी गवर्नेंस मौजूद होती है, यह आमतौर पर एक बाद के नियंत्रण के रूप में काम करती है, न कि एक रूटिंग सिग्नल के रूप में जो एजेंट को पहले प्रयास से प्रमाणित डेटा की ओर निर्देशित करे।
तीसरा रिसाव बिंदु प्रत्यक्ष बजट के संदर्भ में शायद सबसे महंगा है: कार्य की जटिलता की परवाह किए बिना, हर कार्य को उपलब्ध सबसे बड़े मॉडल को भेजना। एक नियमित वर्गीकरण या एक सरल खोज को उसी मॉडल की आवश्यकता नहीं है जो जटिल तर्क या संवेदनशील निर्णय के लिए चाहिए। सभी मामलों को एक ही फ्रंटियर मॉडल के साथ संभालना संगठनात्मक रूप से उसके बराबर है जैसे किसी जूनियर विश्लेषक द्वारा हल किए जा सकने वाले कार्यों के लिए वरिष्ठ अधिकारियों की एक टीम का उपयोग करना: तकनीकी रूप से संभव, कार्यात्मक रूप से बेतुका।
अंतिम दो रिसाव बिंदु कम दृश्यमान हैं लेकिन उतने ही महंगे हैं। स्थायी मेमोरी के बिना एजेंट हर इंटरेक्शन को शून्य से शुरू करते हैं: संदर्भ को फिर से लोड करते हैं, इतिहास को फिर से प्रोसेस करते हैं, उन अपवादों को फिर से खोजते हैं जो पहले ही हल हो चुके थे। और पुनः उपयोग योग्य शब्दार्थ के बिना एजेंट ऐसी प्रतिक्रियाएं फिर से उत्पन्न करते हैं जिन्हें कैश किया जा सकता था या पूर्व-संगणित किया जा सकता था। हर आवर्ती इंटरेक्शन का भुगतान ऐसे होता है जैसे वह पहली बार हो रहा हो।
जो काम प्रदाता आपके लिए नहीं कर सकते
Anthropic, OpenAI और Google ने इनपुट टोकन की कीमतें कम की हैं और प्रॉम्प्ट कैश तंत्र लॉन्च किए हैं। Cursor ने अपने Composer 2.5 संस्करण में मॉडल चयन में लागत को एक चर के रूप में शामिल किया है, न कि केवल प्रदर्शन को। ये ग्राहकों के दबाव के प्रति तर्कसंगत प्रतिक्रियाएं हैं, लेकिन यदि कंपनी ने अपनी आंतरिक वास्तुकला की समस्याएं हल नहीं की हैं तो ये गलत चर पर प्रहार करती हैं।
ऐसे सिस्टम में प्रति टोकन मूल्य कम करना जो आवश्यकता से दस गुना अधिक टोकन खपत करता है, आनुपातिक बचत देता है, लेकिन संरचनात्मक अंतर को बंद नहीं करता। यह एक ऐसी समस्या पर रैखिक सुधार है जिसका परिमाण के क्रम का समाधान है। जो कंपनी पहले वास्तुकला हल करती है उसे एक ऐसा लाभ मिलता है जिसे मूल्य कटौती दोहरा नहीं सकती, क्योंकि वह लाभ टोकन बाजार में नहीं है: वह स्वयं के डेटा की गुणवत्ता में है, प्रवाह की गवर्नेंस में और प्रत्येक कार्य की प्रकृति के अनुसार सही मॉडल को काम सौंपने की क्षमता में।
Agrawal इसे स्पष्ट रूप से कहते हैं: कोई भी कंपनी अधिक टोकन खरीद सकती है। बहुत कम कंपनियां जानती हैं कि कम टोकन से अधिक मूल्य कैसे निकाला जाए। दोनों के बीच का अंतर तकनीकी नहीं है उस शब्द के संकुचित अर्थ में। यह वास्तुकला संबंधी और संगठनात्मक है।
वह जो उदाहरण प्रस्तुत करते हैं वह ठोस है: Informatica के मास्टर डेटा प्रबंधन और Data 360 के बीच एकीकरण, जो Salesforce का ग्राहक डेटा प्लेटफॉर्म है, यह सुनिश्चित करता है कि प्रत्येक एजेंट सत्यापित और शब्दार्थ रूप से समृद्ध ग्राहक संदर्भ पर काम करे। परिणाम केवल टोकन दक्षता नहीं है: यह AI की अप्रशासित खपत को मापने योग्य और लेखा परीक्षण योग्य व्यावसायिक मूल्य में रूपांतरण है।
अनुपस्थित डिज़ाइन की वास्तविक लागत
संगठनात्मक डिज़ाइन के नज़रिए से, Agrawal जो वर्णन करते हैं वह न तो एक तकनीकी समस्या है और न ही मूल्य निर्धारण की समस्या। यह अनुशासित अन्वेषण के चरण को छोड़कर एक ऐसी तकनीक के समय से पहले शोषण चरण में स्थापित होने की स्थगित लागत है जिसके पास अभी तक कुशलतापूर्वक शोषित होने के लिए नींव नहीं थी।
जिन कंपनियों ने 2024 और 2025 के बीच अधिकतमवादी तर्क के साथ AI को अपनाया, उन्होंने वैध दबाव में ऐसा किया: इस अनिश्चितता के बारे में कि कौन से मॉडल, कौन से वर्कफ़्लो और कौन सी टीमें मूल्य उत्पन्न करेंगी, ने व्यापक तैनाती की रणनीति को उचित ठहराया। जो उचित नहीं था, और जो कई संगठनों ने नहीं किया, वह था डेटा और गवर्नेंस के उस इंफ्रास्ट्रक्चर का समानांतर निर्माण जो यह निर्धारित करने वाला था कि वह तैनाती टिकाऊ तरीके से स्केल होगी या केवल तकनीकी ऋण जमा करेगी।
समस्या अन्वेषण करना नहीं था। समस्या आधारभूत डिज़ाइन के बिना अन्वेषण करना था। और अब वह अनुपस्थित डिज़ाइन टोकन बिलों के रूप में प्रकट होता है जो योजनाओं से अधिक हैं और ऐसे परिणामों के रूप में जिन्हें विशिष्ट निवेशों के लिए जिम्मेदार नहीं ठहराया जा सकता।
उद्यम तकनीकी अपनाने के मामलों में एक पैटर्न है जिसे नाम देना उचित है: संगठन गलत मापदंडों से बहुत जल्दी मापते हैं, उन पहलों की निंदा करते हुए जिन्हें अभी तक मुख्य व्यवसाय के समान मेट्रिक्स से नहीं आंका जाना चाहिए। लेकिन वे उन पहलों को भी बहुत देर तक बिना किसी मेट्रिक के छोड़ देते हैं जिन्हें पहले से ही मूल्य उत्पन्न करना चाहिए। एंटरप्राइज़ AI के साथ, कई कंपनियों ने दूसरा किया: बिना मापे और बिना वास्तुकला बनाए तैनात किया, और अब अधिक अव्यवस्था और अधिक संचित लागत की स्थिति से सुधार का सामना कर रही हैं।
सुधार पूर्ण रूप से महंगा नहीं है। एक सुव्यवस्थित डेटा कैटलॉग, गुणवत्ता संकेत जो राउटर के रूप में काम करते हैं, एजेंटों के लिए स्थायी मेमोरी, कार्य जटिलता के अनुसार मॉडल असाइनमेंट के लिए स्पष्ट नियम: इनमें से किसी भी निर्णय के लिए असाधारण बजट की आवश्यकता नहीं है। उन्हें कुछ ऐसी चीज की आवश्यकता है जो उन संगठनों में प्राप्त करना अधिक कठिन है जो पहले से ही स्केल मोड में हैं: जानबूझकर प्राथमिकता और समय के साथ बनाए रखी गई वास्तुकला अनुशासन।
वह लाभ जो मॉडल बाजार में नहीं खरीदा जा सकता
Agrawal टोकन दक्षता को एंटरप्राइज़ AI में अगले प्रतिस्पर्धात्मक लाभ के रूप में प्रस्तुत करते हैं। यह विश्लेषण सही है लेकिन इसे परिष्कृत किया जा सकता है। वास्तविक लाभ एक पृथक मेट्रिक के रूप में टोकन दक्षता में नहीं है। यह स्वयं के डेटा को स्केल पर काम करने वाले एजेंटों के लिए विश्वसनीय संदर्भ में बदलने की संगठनात्मक क्षमता में है, पर्याप्त गवर्नेंस के साथ ताकि परिणाम लेखा परीक्षण योग्य और जिम्मेदारी निर्धारण योग्य हों।
यह एक ऐसी क्षमता नहीं है जो किसी मॉडल प्रदाता से खरीदी जाती है और न ही प्रति मिलियन टोकन मूल्य कम करके प्राप्त की जाती है। यह एक ऐसी क्षमता है जो आंतरिक रूप से बनाई जाती है, डेटा वास्तुकला के उन निर्णयों के साथ जो एजेंटों की तैनाती से पहले आते हैं और उसके बाद नहीं। जिन कंपनियों के पास पहले से वह इंफ्रास्ट्रक्चर है उन्हें एक ऐसा लाभ मिलता है जो समय के साथ बढ़ता है: हर इंटरेक्शन पिछले से सस्ता, तेज और अधिक विश्वसनीय होता है। जिनके पास यह नहीं है वे ऐसी लागतों का सामना करते हैं जो टोकन की कीमतें कम होने से कम नहीं होतीं।
भाषा मॉडल का बाजार समय के साथ सस्ता होता रहेगा। यह लगभग निश्चित है। लेकिन उन कंपनियों के बीच का अंतर जो AI का कुशलतापूर्वक उपयोग करना जानती हैं और जो नहीं जानतीं, संगठनात्मक डिज़ाइन, डेटा गुणवत्ता और गवर्नेंस की समस्या बनी रहेगी। और उस अंतर का समाधान किसी भी बाहरी प्रदाता के कैटलॉग में नहीं है।
जो संगठन 2026 में अभी भी स्टेटलेस एजेंटों के साथ काम कर रहे हैं, बिना कार्यात्मक डेटा कैटलॉग के और हर काम के बोझ को उपलब्ध सबसे महंगे मॉडल को भेज रहे हैं, वे टोकन के लिए भुगतान नहीं कर रहे। वे अपने AI इंफ्रास्ट्रक्चर को न डिज़ाइन करने की स्थगित कीमत चुका रहे हैं, जब ऐसा करना अभी भी सस्ता था।
