व्यावसायिक AI में सबसे बड़ा मॉडल रखने वाला नहीं जीतता
एक ऐसी बातचीत है जिसे भारी उद्योगों की प्रबंधकीय टीमें सालों से टालती आ रही हैं। यह तकनीक के बारे में नहीं है। यह इस बारे में है कि जब किसी अच्छे परिचालन निर्णय का आधार बारह अलग-अलग प्रणालियों, चार असंबद्ध विभागों और एक ऐसे रखरखाव इतिहास में बिखरा हो जिसे पूरी तरह डिजिटल नहीं किया गया — तो उसका वास्तव में क्या अर्थ होता है।
Octave ने हाल ही में Economic Times में एक पोजिशनिंग निबंध प्रकाशित किया, जिसमें उसने व्यावसायिक कृत्रिम बुद्धिमत्ता के अगले चक्र पर अपनी थीसिस स्पष्ट की। केंद्रीय तर्क तकनीकी नहीं है, भले ही उसकी बाहरी परत ऐसी लगे: अगले अध्याय का विभेदक मॉडल का आकार नहीं होगा, बल्कि उन निर्णयों की गुणवत्ता होगी जो वह मॉडल संभव बनाता है। यह दावा तब तक उचित लगता है जब तक कोई यह मापने न लगे कि इसका संगठनात्मक स्तर पर क्या अर्थ निकलता है — और वहीं से यह ऐसे तरीकों से जटिल हो जाता है जिन्हें लेख पूरी तरह नाम नहीं दे पाता।
यही वह चीज़ है जिसका मैं यहाँ विश्लेषण करना चाहता हूँ।
Octave का तर्क और जो वह नहीं कहता
कंपनी एक वास्तविक समस्या का वर्णन करती है। औद्योगिक संगठन विशाल मात्रा में जानकारी जमा करते हैं — इंजीनियरिंग डेटा, परिचालन रिकॉर्ड, रखरखाव इतिहास, गुणवत्ता मेट्रिक्स, भू-स्थानिक बुद्धिमत्ता — लेकिन यह जानकारी खंडित रूप में बिखरी रहती है। एकीकृत संदर्भ के बिना, यहाँ तक कि सबसे परिष्कृत मॉडल भी ऐसी प्रतिक्रियाएँ उत्पन्न करते हैं जो उस व्यक्ति की परिचालन वास्तविकता से नहीं जुड़तीं जिसे उन पर कार्य करना होता है।
Octave जो समाधान प्रस्तावित करता है उसे वह जीवनचक्र बुद्धिमत्ता कहता है: औद्योगिक संपत्तियों के डिज़ाइन, निर्माण, संचालन और सुरक्षा के चरणों में एक निरंतर डिजिटल धागे से जानकारी को जोड़ना। अपेक्षित परिणाम यह है कि AI केवल यह नहीं बता सके कि क्या हो रहा है, बल्कि यह क्यों हो रहा है, इसका क्या प्रभाव पड़ सकता है और क्या कदम उठाना उचित है — यह भी बता सके। Octave एक ऐसी अवधारणा जोड़ता है जिसे याद रखना उचित है: डिजिटल जुड़वाँ का विकास उनकी ओर जिसे वे निर्णय जुड़वाँ कहते हैं — ऐसी प्रणालियाँ जो निष्क्रिय विज़ुअलाइज़ेशन उपकरण बनना बंद कर देती हैं और वास्तविक समय में सक्रिय निर्णय-समर्थन इंजन बन जाती हैं।
दस्तावेज़ एक विज्ञापन-संपादकीय है, केस स्टडी नहीं। यह महत्वपूर्ण है क्योंकि इसका अर्थ है कि वास्तविक प्रदर्शन मेट्रिक्स नहीं हैं, कोई उद्धृत ग्राहक नहीं हैं, डाउनटाइम में कमी या अनियोजित रखरखाव में बचत के आँकड़े नहीं हैं। जो है वह तर्क की संरचना है। और एक तर्क के रूप में, यह काम करता है। लेकिन उन नेताओं के लिए जिन्हें यह तय करना है कि क्या यह तर्क उनके अपने संगठनों में टिकता है, निबंध सबसे कठिन हिस्से को छोड़ देता है।
जो Octave नाम नहीं लेता वह है तकनीकी एकीकरण से पहले की समस्या: डेटा पहले स्थान पर खंडित क्यों है। असंबद्ध प्रणालियाँ इंजीनियरिंग की दुर्घटनाएँ नहीं हैं। वे उत्तरोत्तर संगठनात्मक निर्णयों का परिणाम हैं, जिनमें से प्रत्येक स्थानीय तर्कसंगतता और वितरित लागत के साथ लिया गया था। एक रखरखाव टीम जो अपनी प्रणाली के साथ काम करती है, ऐसा इसलिए करती है क्योंकि किसी समय किसी ने फैसला किया था कि परिचालन स्वायत्तता अंतर-संचालनीयता से अधिक मूल्यवान है। एक इंजीनियरिंग विभाग जो अपने मॉडल अपने सर्वर पर सहेजता है, ऐसा इसलिए करता है क्योंकि कंपनी के बाकी हिस्सों के साथ एकीकरण का मतलब था अनुमतियों, मानकों और जिम्मेदारियों पर बातचीत करना जो कोई नहीं करना चाहता था। जटिल औद्योगिक वातावरण में डेटा विखंडन तकनीकी समाधान वाली कोई तकनीकी समस्या नहीं है। यह वर्षों से टाली गई बातचीत का अवसाद है।
उस डेटा को जोड़ने के लिए पहले उन बातचीतों को हल करना आवश्यक है। और इसकी एक आंतरिक राजनीतिक कीमत होती है जो AI कार्यान्वयन के किसी भी रोडमैप में नज़र नहीं आती।
जो पूरा उद्योग गलत मापता है
2026 के लिए व्यावसायिक कृत्रिम बुद्धिमत्ता के बाज़ार अनुमान 40 से 115 अरब डॉलर के बीच हैं, यह इस बात पर निर्भर करता है कि कौन सी अनुसंधान फर्म से पूछा जाए और वह बाज़ार की परिधि को कैसे परिभाषित करती है। सबसे कम और सबसे अधिक आँकड़े के बीच लगभग तीन गुना के इस अंतर में सांख्यिकीय पद्धति की समस्या नहीं है: यह इस बात का संकेत है कि श्रेणी की स्वयं की सीमाएँ अभी भी स्थिर नहीं हैं।
समस्या का एक हिस्सा यह है कि "व्यावसायिक कृत्रिम बुद्धिमत्ता" एक ऐसा कंटेनर बन गया है जो बहुत भिन्न चीज़ों को समेटता है: रोबोटिक प्रक्रिया स्वचालन प्लेटफ़ॉर्म, कार्यप्रवाह में एकीकृत भाषा मॉडल, औद्योगिक संपत्तियों में खराबी की भविष्यवाणी करने वाली प्रणालियाँ, अनुबंध विश्लेषण उपकरण, और अब वे निर्णय-समर्थन प्रणालियाँ भी जिनका Octave वर्णन करता है। जब कोई श्रेणी इतनी छिद्रपूर्ण हो, तो विक्रेता बहुत भिन्न तर्कों के साथ इसके अंदर खुद को स्थापित कर सकते हैं और कोई भी उन्हें सीधे नकार नहीं सकता।
यह संस्थागत खरीदारों के लिए मायने रखता है। एक CFO जिसे परिचालन बुद्धिमत्ता प्लेटफ़ॉर्म में निवेश को मंजूरी देनी है, वह अपना विश्लेषण 200% त्रुटि मार्जिन वाले बाज़ार अनुमानों पर नहीं टिका सकता। वह जो कर सकता है वह यह मूल्यांकन करना है कि क्या विक्रेता यह प्रदर्शित करता है कि वह उस समस्या की वास्तविक लागत को समझता है जिसे वह हल करने का दावा करता है।
यही वह जगह है जहाँ Octave की पोजिशनिंग में एक साथ शक्ति और सीमा दोनों हैं। शक्ति: यह "डिजिटल परिवर्तन" के अमूर्त संदर्भ में बात करने के बजाय ठोस परिचालन परिणामों का नाम लेता है — व्यवधान, प्रत्याशित विफलताएँ, परियोजना समयसीमा, साइबर सुरक्षा। सीमा: यह वास्तविक कार्यान्वयन के डेटा के साथ उनमें से किसी भी परिणाम को मात्रात्मक रूप नहीं देता। एक परिष्कृत खरीदार के लिए, यह एक आवश्यक लेकिन अपर्याप्त कदम है।
इस बाज़ार में अगला प्रतिस्पर्धी कदम वह नहीं होगा जो सबसे बड़ा मॉडल बनाए या जिसके पास सबसे अच्छी डेटा संरचना हो। वह होगा जो सत्यापन योग्य संख्याओं के साथ यह दिखा सके कि किसी रिफाइनरी, बिजली संयंत्र या महत्वपूर्ण बुनियादी ढाँचे के संचालक को एकीकृत जीवनचक्र बुद्धिमत्ता न होने की कितनी लागत आती है। वह संख्या मौजूद है। यह अनियोजित रखरखाव के रिकॉर्ड में है, जबरन बंदी की लागत में है, इंजीनियरिंग के उन घंटों में है जो एक ही स्रोत होने चाहिए ऐसे ब्लूप्रिंट के संस्करणों को मिलाने-जोड़ने में बर्बाद होते हैं। जो इसे कठोरता के साथ गणना और प्रस्तुत करे, उसके पास सबसे कठिन-से-खंडित किया जाने वाला बिक्री तर्क है।
वह मूलभूत समस्या जिसे तकनीक अकेले हल नहीं करती
Octave के निबंध में एक अंश है जो उससे अधिक समय का हकदार है जितना लेख उसे देता है। यह वह अंश है जो औद्योगिक वातावरण में AI और मानव विशेषज्ञों के बीच पूरकता का वर्णन करता है। तर्क अपनी प्रस्तावना में सही है: जटिल प्रणालियों के लिए डोमेन निर्णय, संचित अनुभव और जिम्मेदारी की आवश्यकता होती है जिसे कोई भी मॉडल नहीं संभाल सकता। AI जानकारी की मात्राओं को संसाधित कर सकती है और ऐसे पैटर्न का पता लगा सकती है जिन्हें एक इंसान उतनी गति से नहीं समझ पाता। विशेषज्ञ संदर्भ, प्राथमिकताओं का पदानुक्रम और वास्तविक परिणामों के साथ निर्णय लेने की क्षमता लाता है।
जो लेख नहीं कहता वह यह है कि यह पूरकता, जो एक पोजिशनिंग निबंध में सामंजस्यपूर्ण लगती है, व्यवहार में औद्योगिक AI को अपनाने में सबसे बड़े संगठनात्मक तनाव के बिंदुओं में से एक है।
जटिल परिचालनों में दशकों के अनुभव वाले विशेषज्ञ हमेशा उत्साह के साथ किसी ऐसी प्रणाली का स्वागत नहीं करते जो उन्हें बताती है कि क्या करना है, भले ही वह प्रणाली सांख्यिकीय रूप से 90% समय सही हो। समस्या परिवर्तन के प्रति तर्कहीन प्रतिरोध नहीं है। यह है कि उनकी संगठनात्मक पूंजी उनके निर्णय के मूल्य पर निर्मित है, और एक प्रणाली जो उच्च सटीकता के साथ सिफारिशें उत्पन्न करती है वह उस पूंजी को क्षरित करती है, भले ही इसे कोई ज़ोर से न कहे। यही वह बातचीत है जो प्रबंधकीय टीमें कार्यान्वयन से पहले बहुत कम करती हैं: यह कि किस तरह भूमिकाओं, प्रोत्साहनों और मान्यताओं को फिर से डिज़ाइन किया जाए ताकि वर्धित बुद्धिमत्ता विशेषज्ञ के विस्तार के रूप में मानी जाए, न कि उसके क्रमिक प्रतिस्थापन के रूप में।
औद्योगिक AI कार्यान्वयन अधिकांश मामलों में तकनीकी कारणों से विफल नहीं होते। वे विफल होते हैं क्योंकि किसी ने समय पर वह बातचीत नहीं की, और जब प्रणाली ऐसी सिफारिशें उत्पन्न करना शुरू करती है जो वरिष्ठ संचालक के मानदंड का खंडन करती हैं, तो संगठन स्थापित पदानुक्रम पर सवाल उठाने के बजाय सिफारिशों को नज़रअंदाज़ करना चुनता है।
Octave इस बात में सही है कि व्यावसायिक AI का भविष्य मशीनों और लोगों के बीच सहयोग का है। लेकिन वह सहयोग डेटा संरचना में डिज़ाइन नहीं होता। यह परिचालन टीम के भीतर शक्ति और मान्यता की संरचना में डिज़ाइन होता है। ये दो अलग-अलग परियोजनाएँ हैं जिन्हें समानांतर में आगे बढ़ना होता है, और दूसरी लगातार पहली से धीमी होती है।
वह मानदंड जो नेताओं को माँगना चाहिए
व्यावसायिक AI की सफलता को व्यावसायिक परिणामों — कम परिचालन व्यवधान, बेहतर संपत्ति विश्वसनीयता, परियोजनाओं का तेज़ निष्पादन — से मापने पर Octave की थीसिस सही दिशा में है। समस्या यह है कि वे संकेतक साकार होने में समय लेते हैं और AI के किसी विशिष्ट कार्यान्वयन के प्रत्यक्ष परिणाम के रूप में उन्हें अलग करना कठिन है। इस बीच, परियोजनाओं का मूल्यांकन सक्रिय उपयोगकर्ताओं की संख्या, सिस्टम के उपयोग के घंटों या एकीकृत डेटा के प्रतिशत से होता है — ये सभी अपनाने के संकेतक हैं, उत्पन्न मूल्य के नहीं।
जो मापा जाता है और जो मायने रखता है, उनके बीच की यह खाई कोई तकनीकी समस्या नहीं है। यह परियोजना शासन डिज़ाइन की समस्या है। और यही वह जगह है जहाँ व्यावसायिक कृत्रिम बुद्धिमत्ता में अधिकांश निवेश वास्तविक व्यवसाय से अपना संपर्क खो देते हैं।
जो नेता इस प्रकार के प्लेटफ़ॉर्म में निवेश का मूल्यांकन कर रहे हों, उन्हें किसी भी अनुबंध पर हस्ताक्षर करने से पहले यह माँगना चाहिए कि विक्रेता स्पष्ट रूप से परिभाषित करे कि कार्यान्वयन के परिणामस्वरूप कौन से तीन या चार परिचालन संकेतक बदलेंगे, किस समय-सीमा में, और किन परिस्थितियों में। यदि विक्रेता उस प्रश्न का विशिष्टता के साथ उत्तर नहीं दे सकता, तो समस्या यह नहीं है कि तकनीक अपर्याप्त है। समस्या यह है कि बिक्री करने वाले संगठन ने अभी तक ग्राहक के व्यवसाय को उस गहराई से समझने का काम नहीं किया है जिसका वह दावा करता है।
Octave जिस जीवनचक्र बुद्धिमत्ता को रणनीतिक विभेदक के रूप में वर्णित करता है, वह केवल तभी विभेदक बनती है जब उसे अपनाने वाले संगठन ने पहले यह हल कर लिया हो कि उस प्रणाली द्वारा सूचित प्रत्येक निर्णय के लिए कौन ज़िम्मेदार है। उस स्पष्टता के बिना, सबसे परिष्कृत प्रणाली ऐसी सिफारिशें उत्पन्न करती है जिन पर कोई कार्य नहीं करता क्योंकि कोई नहीं जानता कि उन पर कार्य करना उसकी ज़िम्मेदारी है या किसी और की।
यह कोई मॉडल हल नहीं करता। इसे एक ऐसी बातचीत से हल किया जाता है जिसे कई प्रबंधकीय टीमें महीनों से टाल रही हैं क्योंकि इसकी तत्काल राजनीतिक कीमत है और लाभ केवल मध्यम अवधि में दिखता है। व्यावसायिक AI का अगला चक्र उन संगठनों को मिलेगा जो वह बातचीत कार्यान्वयन अनुबंध पर हस्ताक्षर करने से पहले करेंगे, न कि बाद में।
