क्यों 97% कंपनियों के पास AI परियोजनाएं हैं और केवल 5% के पास उन्हें चलाने के लिए तैयार डेटा है
एक ऐसी सांख्यिकीय जानकारी है जो कृत्रिम बुद्धिमत्ता पर होने वाली किसी भी बोर्ड बैठक को रोक देनी चाहिए: Dun & Bradstreet द्वारा 2026 में 10,000 कंपनियों पर किए गए एक सर्वेक्षण के अनुसार, 97% कंपनियों ने सक्रिय AI पहलों की घोषणा की है, जबकि केवल 5% का मानना है कि उनका डेटा वास्तव में उन्हें सहारा देने के लिए तैयार है। यह अंतर कोई छोटी-सी तकनीकी बारीकियां नहीं है। यह बुनियादी ढांचे में निवेश करने और उत्पादन में विश्वसनीय रूप से काम करने वाली किसी चीज़ के बीच की दूरी है।
यह संख्या जो वर्णन करती है वह उन लोगों के लिए एक परिचित पैटर्न है जिन्होंने बड़े संगठनों में प्रौद्योगिकी संबंधी निर्णय लेने की प्रक्रिया को देखा है: पहले पायलट को मंजूरी दी जाती है, फिर उस समस्या की तलाश की जाती है जो उसे मंजूरी देने को उचित ठहराए। प्रदर्शन प्रभावशाली होता है। सभागार तालियां बजाता है। परियोजना को बजट मिलता है। और उस क्षण और दैनिक संचालन के बीच कहीं न कहीं, बिना किसी ने औपचारिक रूप से विफलता घोषित किए, कुछ बाधित हो जाता है।
BCG ने इसे सटीकता के साथ दर्ज किया है: केवल 5% कंपनियां AI से वास्तविक मूल्य प्राप्त करती हैं, जबकि 60% कोई भी भौतिक प्रभाव नहीं होने की रिपोर्ट करती हैं। McKinsey ने, अपनी ओर से, पाया कि 80% से अधिक उत्तरदाता जनरेटिव आर्टिफिशियल इंटेलिजेंस से EBIT पर कोई ठोस प्रभाव नहीं देख रहे थे, भले ही घोषित रूप से अपनाने की दर बढ़ती रही। ये आंकड़े प्रौद्योगिकी की कोई निंदा नहीं हैं। ये इस बात की एक तस्वीर हैं कि निवेश का प्रबंधन कैसे किया जा रहा है।
स्थायी पायलट का भ्रम
संगठनात्मक विफलता का एक मौन रूप है जो तुलन-पत्र में नहीं दिखता और न ही प्रेस विज्ञप्ति उत्पन्न करता है: वह पायलट जो मरता नहीं। यह "नवाचार" के नाम पर स्थापित हो जाता है, तकनीकी और मानवीय संसाधनों को लगातार खपाता रहता है, उचित रूप से आकर्षक आंतरिक प्रस्तुतियां तैयार करता है और कभी भी ऐसी किसी चीज़ में नहीं बदलता जो आय विवरण की एक पंक्ति को बदल सके। डिजिटल परिवर्तन में सर्वाधिक परिपक्व संगठन वर्षों से सीख रहे हैं कि यह गतिशीलता आकस्मिक नहीं, बल्कि संरचनात्मक है।
समस्या परियोजना की उत्पत्ति से ही शुरू होती है। जब कोई AI पहल इसलिए अनुमोदित होती है क्योंकि "उपयोग का मामला दिलचस्प है" या क्योंकि किसी विक्रेता ने एक प्रभावशाली प्रदर्शन किया, तो उसमें शुरू से ही वह चीज़ नहीं होती जो हर निवेश कार्यक्रम में होनी चाहिए: एक मापने योग्य आधार रेखा, परिणाम का एक मालिक और यदि मूल्य प्रकट न हो तो बाहर निकलने का एक मानदंड। इन तीन तत्वों के बिना, पायलट के पास न तो गरिमा से मरने का कोई तरीका है और न ही पारदर्शिता के साथ आगे बढ़ने का।
BCG ने पाया कि AI में सर्वोत्तम परिणाम देने वाली कंपनियां औसतन तीन से चार उपयोग मामलों को प्राथमिकता देती हैं, जबकि खराब रिटर्न देने वाले संगठन छह या सात को प्राथमिकता देते हैं। यह अंतर उपलब्ध बजट या तकनीकी टीम के आकार से नहीं आता। यह उन पहलों को अस्वीकार करने की इच्छाशक्ति से आता है जो वित्तपोषण मांगते समय रणनीतिक संरेखण और आर्थिक व्यवहार्यता का प्रदर्शन नहीं कर सकतीं। फोकस कोई अमूर्त प्रबंधकीय गुण नहीं है; इस संदर्भ में यह एकमात्र शर्त है जो स्केलिंग को व्यवहार्य बनाती है।
BCG और McKinsey के डेटा जो मिलकर प्रकट करते हैं वह यह है कि अधिकांश संगठन एक ऐसे चरण में हैं जिसे AI थिएटर कहा जा सकता है: उच्च दृश्यमान गतिविधि, निम्न परिचालन परिवर्तन। घोषणाएं अपनाने की बात करती हैं। आंतरिक मेट्रिक्स कुछ और ही कहते हैं।
समस्या मॉडल में नहीं है, मॉडल के नीचे है
AI के प्रदर्शन का विश्लेषण मॉडल के कोण से करने की एक समझदारी भरी प्रवृत्ति है: कौन सी आर्किटेक्चर इस्तेमाल की गई, कौन सा विक्रेता, सिस्टम का कौन सा संस्करण। वह विश्लेषण शोध संदर्भों में उपयोगी है, लेकिन अधिकांश व्यावसायिक परिवेशों में बाधा मॉडल में नहीं है। यह उसमें है जो मॉडल को विश्वसनीय रूप से काम करने के लिए चाहिए: स्वच्छ डेटा, साझा परिभाषाएं, पुनर्निर्मित वर्कफ़्लो और उन निर्णयों पर स्पष्ट स्वामित्व जिनका सिस्टम को समर्थन करना है।
पहले उद्धृत Dun & Bradstreet का सर्वेक्षण इसे ऐसे शब्दों में व्यक्त करता है जो अधिक वैकल्पिक व्याख्या की अनुमति नहीं देते: यदि लगभग कोई भी कंपनी नहीं मानती कि उसका डेटा तैयार है, तो बड़े पैमाने पर समस्या तकनीकी प्रयोग की नहीं बल्कि बुनियादी बातों की है। एक AI जो खंडित डेटा प्राप्त करती है, बिना सत्य के एकल स्रोत के, स्प्रेडशीट में दफन व्यावसायिक नियमों के साथ और ऐसी अपवाद प्रक्रियाओं के साथ जिन्हें किसी ने दस्तावेज़ीकृत नहीं किया, उस सिस्टम की तुलना में अधिक विश्वसनीय सिफारिशें नहीं देती जिसे वह सुधारने का दावा करती है। कई मामलों में, यह केवल मौजूदा त्रुटियों को तेज़ करती है।
PwC ने इस पैटर्न को एक अलग कोण से पहचाना: सबसे मजबूत परिणाम तब आते हैं जब कंपनियां वर्कफ़्लो को फिर से डिज़ाइन करती हैं बजाय विरासत में मिली प्रक्रियाओं पर AI को थोपने के। यह अंतर आर्थिक दृष्टि से महत्वपूर्ण है। किसी अक्षम प्रक्रिया में आर्टिफिशियल इंटेलिजेंस का एक घटक जोड़ने से वह प्रक्रिया तेज़ हो सकती है। लेकिन इससे लागत की तर्क-पद्धति या संचालन की संरचना नहीं बदलती। श्रम की अर्थव्यवस्था वही रहती है, केवल अधिक गति के साथ निष्पादित होती है।
उच्च नियामक मांग वाले वातावरण का मामला विशेष रूप से स्पष्ट है। वित्त, नियामक अनुपालन, कानूनी समीक्षा, आपूर्ति श्रृंखला: ये ऐसे संदर्भ हैं जहां एक ही प्रश्न के दो अलग-अलग उत्तर सिस्टम के लचीलेपन का संकेत नहीं हैं, बल्कि नियंत्रण की एक समस्या है। उत्पादन में विश्वसनीयता का एक अलग मानक है, जो प्रयोग से भिन्न है। और यही अंतर उन प्रणालियों को अलग करता है जिन्हें अपनाया जाता है, उनसे जिन्हें पायलट के बाद चुपचाप छोड़ दिया जाता है।
जब 70% मूल्य उन कारकों से आता है जो तकनीकी रोडमैप में नहीं दिखते
BCG ने कुछ ऐसा दर्ज किया जो आमतौर पर प्रौद्योगिकी टीमों को असहज करता है: AI-संचालित परिवर्तनों में जिन्होंने वास्तविक परिणाम उत्पन्न किए, 70% मूल्य लोगों से संबंधित कार्यों से आया, न कि प्रौद्योगिकी से। इसमें भूमिकाओं की पुनर्परिभाषा, प्रोत्साहनों में परिवर्तन, अपनाने की प्रक्रिया का सक्रिय प्रबंधन और उन टीमों में क्षमता निर्माण शामिल है जो उत्पादन में सिस्टम का उपयोग करने वाली थीं।
इस निष्कर्ष को तकनीकी निवेश के विरुद्ध एक तर्क के रूप में नहीं पढ़ा जाना चाहिए। इसे उस नक्शे के रूप में पढ़ा जाना चाहिए जहां वास्तविक रुकावट आमतौर पर होती है। एक भाषा मॉडल प्रति घंटे हजारों अनुबंधों को संसाधित कर सकता है; लेकिन यदि कानूनी टीम उसके आउटपुट पर भरोसा नहीं करती, यदि क्षेत्र के प्रोत्साहन नहीं बदले हैं, यदि किसी ने यह पुनर्परिभाषित नहीं किया कि जब कोई सिस्टम पहली जांच करता है तो "अनुबंध की समीक्षा करने" का क्या अर्थ है, तो अपनाना निरंतर रूप से नहीं होता। सिस्टम मौजूद है। मूल्य नहीं है।
Global 1000 की वे कंपनियां जो वास्तव में मापने योग्य प्रभावों की रिपोर्ट कर रही हैं, कुछ परिचालन संबंधी विशेषताएं साझा करती हैं: उन्होंने सिस्टम लागू करने से पहले विशिष्ट प्रक्रियाओं को फिर से डिज़ाइन किया है, उन्होंने दस्तावेज़ीकृत आधार रेखाओं के खिलाफ मेट्रिक्स स्थापित किए हैं और उन्होंने उन संख्याओं पर वास्तविक जवाबदेही वाले लोगों को परिणामों का स्वामित्व सौंपा है। कुछ दर्ज मामलों में, परिणाम भौतिक हैं: विनिर्माण दक्षता में 30% की वृद्धि, दस्तावेज़ विश्लेषण समय में 80% की कमी, बिक्री रूपांतरण दरों में 1.7 गुना सुधार। ये संख्याएं बेहतर मॉडलों से नहीं आती। ये बेहतर एकीकरणों से आती हैं।
AI का उपयोग करने वाली कंपनी और AI के साथ काम करने वाली कंपनी के बीच का अंतर मॉडल के विक्रेता में या नवाचार बजट के आकार में नहीं है। यह इस बात में है कि क्या संगठन सिस्टम के आउटपुट को एक ठोस निर्णय से जोड़ने में सक्षम रहा है, एक पुनर्निर्मित प्रक्रिया के भीतर, किसी ऐसे व्यक्ति के साथ जो यह मापने के लिए जिम्मेदार हो कि क्या यह उस संख्या को हिलाता है जिसे उसे हिलाना चाहिए।
ये आंकड़े जो वास्तविक विस्थापन प्रकट करते हैं
कृत्रिम बुद्धिमत्ता के व्यावसायिक चक्र का वर्तमान चरण आधार मॉडलों में प्रगति से नहीं, बल्कि संगठनों की प्रयोग की वैधता से परिणाम की मांग तक जाने की क्षमता से परिभाषित हो रहा है। और यह परिवर्तन अभी तक बहुमत में नहीं है।
BCG, McKinsey, PwC और Dun & Bradstreet के डेटा मिलकर जो वर्णन करते हैं वह एक असममित वितरण वाला बाजार है: कंपनियों का एक छोटा अल्पसंख्यक AI के साथ मापने योग्य और संयुक्त मूल्य उत्पन्न कर रहा है, जबकि एक बड़ा बहुमत ऐसी परियोजनाओं को जमा करता रहता है जो आय विवरण को नहीं छूतीं। यह अंतर अधिक प्रौद्योगिकी से नहीं बंद होता। यह पोर्टफोलियो अनुशासन से, डेटा के उन बुनियादी तत्वों से जो आज स्पष्ट रूप से बाजार के अधिकांश हिस्से में गायब हैं, और एक संगठनात्मक तत्परता से बंद होता है जो यह स्वीकार करे कि वास्तविक अपनाने के लिए पुनर्निर्माण की जरूरत है, न कि अतिरोपण की।
जो विस्थापन हो रहा है, हालांकि अभी भी अधूरा है, एक सटीक दिशा की ओर इशारा करता है: AI आधुनिकता का संकेत बनने से साक्ष्य की मांग बनने की ओर बढ़ रही है। जो संगठन संख्याओं के साथ इस प्रश्न का उत्तर नहीं दे सकते कि उनके सिस्टम लागू होने के बाद से परिचालन रूप से क्या बदला, उन्हें बढ़ते दबाव का सामना करना पड़ेगा — पहले आंतरिक, फिर उनके निदेशक मंडलों और निवेशकों से। वह पूंजी जो पहले प्रयोग की ओर बहती थी, वह वहां स्थानांतरित होती जाएगी जहां प्रयोग ने यह साबित किया हो कि वह कुछ अधिक है।
