हर AI बजट के पीछे छुपी होती है आपकी कंपनी के संचालन पर एक बड़ी शर्त
पैसा मंजूर हो चुका है। पायलट प्रोजेक्ट चल चुके हैं। कुछ सफल रहे; अधिकांश कोई मापने योग्य मूल्य उत्पन्न करने से पहले ही रुक गए। S&P Global के अनुसार, 2025 में 42% संगठनों ने अपनी अधिकांश AI पहलों को छोड़ दिया, जबकि पिछले वर्ष यह आंकड़ा केवल 17% था। यह आँकड़ा किसी तकनीकी समस्या का वर्णन नहीं करता। यह निर्णय-संरचना की एक समस्या का वर्णन करता है: कंपनियों ने क्षमता खरीदी, लेकिन उस संचालन मॉडल को डिज़ाइन नहीं किया जिसे उसे संभालना था।
यही दांव लगा होता है कृत्रिम बुद्धिमत्ता के बजट की हर एक पंक्ति के पीछे। यह इस बात पर शर्त नहीं है कि कौन सा भाषा मॉडल बाज़ार में जीतेगा या कौन सा क्लाउड प्रदाता बेहतर लेटेंसी देता है। यह इस बात पर शर्त है कि काम कैसे प्रवाहित होगा, कौन क्या निर्णय लेगा, मालिकाना निर्णय क्षमता कहाँ निहित है और इसे बड़े पैमाने पर संचालित करने में कितना खर्च आएगा। इसे इस तरह से तैयार करने से वह वित्तीय विश्लेषण पूरी तरह बदल जाता है जो एक CFO या निदेशक मंडल को हस्ताक्षर करने से पहले करना चाहिए।
अधिकांश ऐसा नहीं कर रहे हैं। और प्रतिबद्ध पूंजी और उस मॉडल की स्पष्टता के बीच की यही खाई, जिसे उसे बनाए रखना है, AI निवेश के इस चक्र का सबसे प्रासंगिक संरचनात्मक जोखिम है।
SaaS प्रदाताओं ने वह नहीं बताया जो उन्हें प्रति-सीट भुगतान करते समय बताना चाहिए था
एक दशक तक, प्रति-सीट सदस्यता मॉडल ने अधिकारियों को क्षमता को किराए की चीज़ के रूप में सोचने के लिए प्रशिक्षित किया। प्रदाता तकनीकी जटिलता का प्रबंधन करता है; कंपनी परिणाम खरीदती है। यह व्यवस्था तब तक काम करती रही जब तक तकनीक एक रिकॉर्ड प्रणाली या सहायता उपकरण थी। जिस क्षण तकनीक व्यावसायिक निर्णय लेने लगती है, यह काम करना बंद कर देती है।
जब एक AI एजेंट धन-वापसी नीति लागू करता है, ऋण निर्णय लेता है या सहायता मामले को आगे बढ़ाता है, तो वह सॉफ़्टवेयर नहीं चला रहा होता। वह आपके संचालन मॉडल के तर्क को उत्पादन में चला रहा होता है। आप उस सर्वर को आउटसोर्स कर सकते हैं जहाँ यह होता है। आप उन नियमों को आउटसोर्स नहीं कर सकते जो यह तय करते हैं कि वह क्या निर्णय लेता है। वे नियम ही कंपनी हैं।
SaaS बाज़ार में जो बदलाव हो रहा है वह इसकी पुष्टि करता है। कंपनियाँ सीटें घटा रही हैं, काम को आंतरिक एजेंटों की ओर स्थानांतरित कर रही हैं और अलग-अलग शर्तों पर अनुबंधों की पुनः-बातचीत कर रही हैं। प्रदाता स्वयं परिणाम-आधारित मूल्य निर्धारण मॉडलों की ओर पलायन कर रहे हैं, क्योंकि वे जानते हैं कि जो किराए पर लिया जाता है और जो बनाया जाता है उसके बीच की सीमा खिसक रही है। उस बदलाव की अंतर्निहित स्वीकृति यह है कि मूल्य अब उपकरण तक पहुँच में नहीं है, बल्कि उस तर्क में है जो उस पर चलता है।
इसका एक प्रत्यक्ष वित्तीय परिणाम है जिसे कुछ ही रिटर्न विश्लेषण दर्ज करते हैं। जब कोई कंपनी दो मिलियन डॉलर का SaaS अनुबंध घटाती है क्योंकि वह अपने एजेंटों के साथ क्षमता को आंतरिक बनाने जा रही है, तो वह पैसा गायब नहीं होता। यह पुनर्वितरित होता है: लगभग 30% से 45% मॉडल इन्फेरेंस की ओर, 20% से 30% डेटा इंजीनियरिंग और टूल्स की ओर, और दो से चार पदों की ओर जो एजेंटों के निर्णयों को नियंत्रित करते हैं। पहले वर्ष में परिणाम खर्च का पुनर्वितरण है, बचत नहीं। जो व्यवसाय मॉडल उस संक्रमण को यह मैप किए बिना लागत में कमी के रूप में प्रस्तुत करता है कि पैसा कहाँ गया, उसके निवेश मामले में एक संरचनात्मक लेखांकन त्रुटि है।
पिछले स्वचालन मॉडल का भूत
एक पूर्ववर्ती उदाहरण है जो वर्तमान जोखिम को अधिक सुपाठ्य बनाता है: 2017 और 2022 के बीच रोबोटिक प्रोसेस ऑटोमेशन की लहर। कंपनियों ने बिना किसी तैनाती मानक के, बिना नियंत्रित संस्करणों के, बिना परिभाषित जीवन-चक्रों के हजारों बॉट तैनात किए। 2023 तक, पैटर्न सुसंगत था: उत्पादन में बॉट, किसी को भी यह निश्चित नहीं कि वे वास्तव में क्या करते हैं, इंजीनियर उन्हें छूने से डरते थे क्योंकि कोई भी हस्तक्षेप कुछ ऐसा तोड़ सकता था जिसे कोई पूरी तरह नहीं समझता।
AI एजेंट उसी विफलता की संरचना हैं जिसमें अंतर्निहित तर्क और परिमाण के कई गुना बड़ा प्रभाव दायरा है। एक बॉट जो फॉर्म गलत तरीके से प्रोसेस करता है वह महंगी त्रुटियाँ उत्पन्न कर सकता है। एक एजेंट जो नीतियों की व्याख्या करता है, संदर्भात्मक निर्णय लेता है और एक साथ कई प्रणालियों में काम करता है, वह ऐसी गति और पैमाने पर त्रुटियाँ फैला सकता है जिसे कोई भी देर से होने वाली मानवीय समीक्षा प्रणाली नियंत्रित नहीं कर सकती।
एजेंटों की तैनाती का विस्तार करने से पहले किसी भी अधिकारी को जो शासन प्रश्न का उत्तर देने में सक्षम होना चाहिए, वह दार्शनिक नहीं है। यह परिचालन है: कंपनी के कौन से एजेंट उत्पादन में चल रहे हैं, प्रत्येक का मालिक कौन है और यदि कुछ गलत होता है तो उन्हें वापस कैसे किया जाता है। यदि वह उत्तर मौजूद नहीं है, तो समस्या पहले से ही स्थापित है। जो अभी नहीं है वह यह है कि वह दृश्यमान हो जाए।
उस दृश्यता की कमी कोई दुर्घटना नहीं है। यह इसलिए आती है क्योंकि AI शासन को एक बाद की परत के रूप में माना गया, कुछ ऐसा जो सिस्टम के पहले से चालू हो जाने के बाद जोड़ा जाता है। अन्य तकनीकी चक्रों के साक्ष्य बताते हैं कि यह क्रम ठीक उस प्रकार की निर्भरता उत्पन्न करता है जिसे बाद में कोई भी छूना नहीं चाहता: अंतर्निहित तर्क के साथ तकनीकी ऋण।
जहाँ AI पर खर्च बेकाबू उपभोग बन जाता है
एक लागत गतिशीलता है जिसे अधिकांश आंतरिक व्यवसाय मामले नजरअंदाज कर रहे हैं। इन्फेरेंस की यूनिट कीमतें गिर रही हैं। साथ ही, उपभोग उस मूल्य गिरावट से तेज़ी से बढ़ रहा है। शुद्ध परिणाम यह है कि AI संचालन पर कुल खर्च बढ़ता है, भले ही प्रत्येक टोकन की लागत कम हो।
जिन कंपनियों ने व्यापक रूप से AI टूल तैनात किए हैं वे पहुँच को राशन कर रही हैं: टीमों को प्रयोग करने के लिए पर्याप्त, लेकिन सिस्टम पर निर्भर होने के लिए पर्याप्त नहीं। प्रयोग और परिचालन निर्भरता के बीच की यही खाई अगले निवेश चक्र को जमा करती है। इसे बंद करने की एक वास्तविक लागत है, और वह लागत मौजूदा तकनीकी पोर्टफोलियो के भीतर पहले से मौजूद है। यह SaaS अनुबंधों में वितरित है जो समेकित हो रहे हैं, बुनियादी ढाँचे में जो प्रतिस्थापित हो रहा है। समस्या पूंजी की कमी नहीं है; यह इस बारे में दृश्यता की कमी है कि वह पूंजी का कौन सा हिस्सा उत्पादक क्षमता उत्पन्न कर रहा है और कौन सा हिस्सा बिना मापने योग्य रिटर्न के संचालन को वित्तपोषित कर रहा है।
यही शासन को एक वित्तीय मामला बनाता है, न केवल एक तकनीकी मामला। बिना यह जानने की क्षमता के कि कौन से एजेंट काम कर रहे हैं, कौन से निर्णय ले रहे हैं और क्या परिणाम दे रहे हैं, AI बजट विश्वास का खर्च बन जाता है। और जो निदेशक मंडल इसे समझने लगे हैं वे निवेश समीक्षाओं में पूछे जाने वाले प्रश्न बदल रहे हैं। वे अब तैनात मॉडलों की संख्या नहीं पूछते। वे वर्कफ़्लो मेट्रिक्स, त्रुटि दरें, बचाया गया समय और उपयोगकर्ता संतुष्टि पूछते हैं। मेट्रिक्स के दोनों सेटों के बीच का अंतर उस कंपनी के बीच की दूरी का वर्णन करता है जो किसी तकनीक पर दाँव लगा रही है और एक कंपनी जो एक संचालन मॉडल बना रही है।
हाइब्रिड मॉडल कोई रियायत नहीं है, यह अभी के लिए सही आर्थिक संरचना है
जो मामला सबसे अच्छी तरह से दिखाता है कि संचालन मॉडल पर एक अव्यवस्थित शर्त कहाँ ले जाती है, वह Klarna से आता है। कंपनी का राजस्व 2022 और 2025 के बीच लगभग दोगुना हो गया जबकि कर्मचारी संख्या लगभग आधी हो गई। इसने एक चरम थीसिस को मान्य करते हुए प्रतीत किया: AI बड़े पैमाने पर मानव श्रम की जगह ले रहा है। लेकिन उसी कंपनी को अपनी मानव ग्राहक सेवा का पुनर्निर्माण करना पड़ा जब स्वचालित इंटरैक्शन में संतुष्टि गिर गई।
जो बचा वह न तो शुद्ध सफलता की कहानी है और न ही विफलता की। यह एक विशिष्ट तर्क वाला एक संचालन मॉडल है: मात्रा में AI, जटिलता में मनुष्य। जो अनुमानित, मापनीय और मानकीकरण योग्य है उसके लिए स्वचालन। जिसके लिए संदर्भ, अपवाद या उच्च संबंधात्मक परिणामों की आवश्यकता होती है उसके लिए मानव निर्णय। यह अंतर दार्शनिक नहीं है। यह वह चर है जो यह निर्धारित करता है कि परिचालन लागत स्थायी रूप से कम होती है या केवल गुणवत्ता की समस्याओं की ओर स्थानांतरित होती है जिन्हें अंततः अतिरिक्त खर्च से हल करना होगा।
AI अपनाने के वित्तीय मॉडल में सबसे आम गलती उस अंतर को एक भविष्य की स्थिति की ओर एक अस्थायी संक्रमण के रूप में मानना है जहाँ सब कुछ स्वचालित किया जा सकता है। वर्तमान साक्ष्य अधिकांश क्षेत्रों के लिए उस परिदृश्य का समर्थन नहीं करते। जो समर्थन करते हैं वह यह है कि जो AI अच्छी तरह से करता है और जिसके लिए मानव निर्णय की आवश्यकता होती है उसके बीच की सीमा हिलती है, लेकिन गायब नहीं होती। जो कंपनियाँ उस सीमा को सटीकता से नियंत्रित करती हैं, जो जानती हैं कि वह ठीक कहाँ है और जब परिस्थितियाँ बदलती हैं तो उसे समायोजित कर सकती हैं, उनके पास उन कंपनियों पर एक मापने योग्य परिचालन लाभ है जिन्होंने इसे अनिश्चित छोड़ दिया।
तब AI में निवेश तकनीक के भविष्य पर एक शर्त नहीं है। यह किसी संगठन की निरंतर परिवर्तन की परिस्थितियों में एक हाइब्रिड मॉडल को डिज़ाइन करने, संचालित करने और सुधारने की क्षमता पर एक शर्त है। जिन कंपनियों के पास आज वह क्षमता स्थापित है वे उपकरणों के अगले समेकन चक्र के आने पर सूचित खरीदार होंगी। जिनके पास नहीं है वे ऐसी निर्भरताएँ बना रही हैं जिनकी माइग्रेशन का समय आने पर कोई भी सूची नहीं बना पाएगा।
