क्यों 95% एंटरप्राइज़ AI प्रोजेक्ट पायलट से आगे नहीं जा पाते
एक बोर्डरूम में सबको चौंका देने वाले डेमो और एक ऐसे सिस्टम के बीच बहुत फ़र्क होता है जो बिना किसी की मदद के सोमवार से शुक्रवार तक काम करता रहे। आर्टिफिशियल इंटेलिजेंस इंडस्ट्री पिछले दो साल से पहली चीज़ बनाने में माहिर रही है — लेकिन यह माहिरी दूसरी चीज़ में अभी तक नहीं आ पाई। और इसकी वजह मॉडल्स नहीं हैं, जो दिन-ब-दिन और शक्तिशाली होते जा रहे हैं। वजह यह है कि उनके बारे में बात करने का तरीका कैसे तय किया गया, और उसी के विस्तार में, उन्हें बनाने का तरीका कैसे चुना गया।
जो आंकड़ा सेक्टर के सबसे ईमानदार तकनीकी दलों के बीच घूम रहा है, वो नज़रअंदाज़ करना मुश्किल है: MIT NANDA Initiative के अनुसार, Iris.ai द्वारा उद्धृत, कंपनियों में जनरेटिव AI के 95% तक प्रोजेक्ट मापने योग्य निवेश पर रिटर्न हासिल नहीं कर पाते। 70 से 95 प्रतिशत की विफलता दर यह संकेत नहीं देती कि बाज़ार "अभी परिपक्व नहीं हुआ"। यह संकेत देती है कि जिस तरह से चीज़ें बनाई जा रही हैं, उसमें कुछ बुनियादी रूप से टूटा हुआ है।
Enrique Dans ने Fast Company में 10 जून 2026 को प्रकाशित एक लेख में बताया कि यह दरार कहाँ है। लैंग्वेज मॉडल्स की तकनीकी क्षमता में नहीं। कर्मचारियों के विरोध में नहीं। बल्कि किसी ऐसी चीज़ में जिसे एक ऐसी इंडस्ट्री के लिए स्वीकार करना ज़्यादा मुश्किल है जो निवेशकों को मनाने पर जीती है: एंटरप्राइज़ AI को औपचारिक मॉडल्स की जगह रूपकों पर बनाया गया। और रूपक, चाहे बेचने के लिए कितने भी उपयोगी हों, औद्योगिक स्तर पर काम नहीं करते।
काव्यात्मक भाषा से उस आर्किटेक्चर तक जो स्केल नहीं कर पाती
पिछले दो सालों में AI के विमर्श में जो रूपकों की सूची भरी गई, वो विस्तृत और खुलासा करने वाली है। सिस्टम "याद करते हैं", "सोच-विचार करते हैं", "योजना बनाते हैं", और Anthropic ने अपने एजेंट्स के लिए जिस "सपने" की तकनीक का वर्णन किया, उसमें वे सचमुच "सोते" हैं। Azure OpenAI के असिस्टेंट्स API का दस्तावेज़ "थ्रेड्स" का वर्णन करता है जो मैसेज इतिहास संग्रहीत करते हैं और जब कॉन्टेक्स्ट विंडो समाप्त हो जाती है तो उन्हें काट देते हैं, और इसे "मेमोरी" के रूप में प्रस्तुत करता है। Anthropic की इंजीनियरिंग टीम "लंबे समय तक चलने वाले" एजेंट्स की बात करती है जिन्हें "सत्रों के बीच निरंतरता बनाए रखनी" होती है।
इनमें से कोई भी विवरण तकनीकी रूप से गलत नहीं है। समस्या यह है कि ये वर्णनात्मक हैं जबकि इन्हें औपचारिक होना चाहिए। एक रूपक वर्णन करता है। एक मॉडल औपचारिकता देता है। इस अंतर के सीधे आर्थिक परिणाम हैं।
जब "मेमोरी" डेटा मॉडल नहीं बल्कि एक ऑपरेशनल उपमा होती है, तो कोई परिभाषित पहचान नहीं होती, कोई स्थायी स्थिति नहीं होती, स्पष्ट अनुमतियों के साथ कोई संबंध नहीं होते, ऐसी कोई बाधाएं नहीं होतीं जिन्हें सिस्टम इस बात की परवाह किए बिना सुनिश्चित करे कि कौन इसका उपयोग कर रहा है या कितनी बार। तकनीकी भाषा में कोई इनवेरिएंट्स नहीं होते: वे नियम जिन्हें एक आर्किटेक्चर बाहरी परिस्थितियों की परवाह किए बिना बनाए रखती है। इनवेरिएंट्स के बिना, हर कार्यान्वयन एक नई बातचीत है। हर डिप्लॉयमेंट के लिए किसी को कंपनी की परिचालन वास्तविकता को उस भाषा में अनुवाद करना होता है जिसे सिस्टम प्रोसेस कर सके। और वह अनुवाद किसी टेम्पलेट को नहीं सौंपा जा सकता।
देखा जाने वाला परिणाम यह है कि प्रमुख फ्रंटियर AI प्रदाता, जिनमें Dans के नोट के अनुसार OpenAI और Anthropic शामिल हैं, अपने एंटरप्राइज़ ग्राहकों के पास वर्कफ़्लो मैप करने, बाधाएं परिभाषित करने और सिस्टम जोड़ने के लिए इंजीनियर और फील्ड टीमें भेज रहे हैं। जो प्रीमियम सेवा की तरह दिखती है वह वास्तव में एक संरचनात्मक संकेत है: प्लेटफ़ॉर्म अकेले यह नहीं कर सकता। जब कस्टमाइज़्ड अनुवाद डिलीवरी का प्रमुख तरीका बन जाता है, तो उत्पाद एक प्लेटफ़ॉर्म नहीं रहता — यह तकनीकी इंटरफेस वाली कंसल्टेंसी बन जाती है।
खरीदारों के लिए उस मॉडल की लागत दोगुनी है। पहली, बेस्पोक इंटीग्रेशन में प्रत्यक्ष खर्च जिसे हर बार दोहराना होता है जब कोई सिस्टम, नियम या आंतरिक प्रक्रिया बदलती है। दूसरी, स्केल न कर पाने की अवसर लागत: अगर हर नए एप्लिकेशन के लिए उतने ही मैनुअल हस्तक्षेप की ज़रूरत होती है, तो प्रत्येक अतिरिक्त कार्यान्वयन का सीमांत रिटर्न समय के साथ नहीं बढ़ता। लागत वक्र नीचे नहीं आता। प्लेटफ़ॉर्म का वादा पूरा नहीं होता।
वह ऐतिहासिक पैटर्न जिससे AI इंडस्ट्री अभी नहीं गुज़री
Dans मौजूदा एंटरप्राइज़ AI की स्थिति को तीन तकनीकी बदलावों से जोड़ते हैं जो वास्तव में औद्योगिक स्तर पर सफल रहे, और यह तुलना उन लोगों के लिए असुविधाजनक है जो सोचते हैं कि AI एजेंट्स एक अभूतपूर्व घटना हैं।
Edgar F. Codd ने सत्तर के दशक में डेटा का रिलेशनल मॉडल विकसित किया। उस काम से पहले, डेटाबेस मालिकाना हक वाले कार्यान्वयन थे, हर एक की अपनी भाषा, अपना स्टोरेज लॉजिक और अपना एक्सेस तरीका था। Codd के बाद एक औपचारिक अमूर्तता आई: रिलेशन, एट्रिब्यूट, कीज़, फंक्शनल डिपेंडेंसी। उस औपचारिकता पर SQL उभरा, और SQL पर अरबों डॉलर के सॉफ्टवेयर, इंटीग्रेशन और सेवाओं का बाज़ार उभरा। जिसने वह बाज़ार संभव बनाया वो यह नहीं था कि डेटाबेस और शक्तिशाली हो गए। यह था कि वे पर्याप्त सटीकता से वर्णनीय हो गए ताकि दो स्वतंत्र सिस्टम बिना पूर्व बातचीत के एक-दूसरे को समझ सकें।
वेब ने वही पैटर्न अपनाया। W3C ने URI द्वारा पहचाने गए संसाधन, RFC 9110 में औपचारिक रूप से निर्धारित स्टेटलेस प्रोटोकॉल, और HTTP मेथड्स, स्टेटस कोड और HTML की साझा व्याकरण परिभाषित की। किसी कंपनी ने ब्राउज़र का आविष्कार नहीं किया और फिर अपने ग्राहकों से यह समझाने के लिए कंसल्टेंट रखने को नहीं कहा कि उनके पेज का क्या मतलब है। व्याकरण सार्वजनिक, औपचारिक और इतनी सटीक थी कि कोई भी डेवलपर बिना किसी को कॉल किए उस पर निर्माण कर सके।
SAP ने व्यावसायिक प्रक्रियाओं के साथ यही किया। ERP में उसका वर्चस्व उस ज़माने के कंसल्टेंट्स से बेहतर इंटरफेस होने से नहीं आया। यह कंपनी को तकनीकी वस्तु के रूप में औपचारिक बनाने से आया: मास्टर डेटा, ट्रांजेक्शन, अकाउंटिंग लॉजिक, इन्वेंटरी, प्रोक्योरमेंट, ऑपरेशनल संबंध। उस औपचारिकता ने कार्यान्वयनों को इतना दोहराने योग्य बना दिया कि टेम्पलेट, प्रमाणित पार्टनर, एक्सटेंशन और एक मज़बूत सेकंडरी मार्केट अस्तित्व में आए। एक ग्राहक और दूसरे के बीच का अंतर इतना कम हो गया कि एक कार्यान्वयन में संचित ज्ञान अगले में मूल्य स्थानांतरित करने लगा।
इन तीनों मामलों में जो समानता है वो यह है कि क्षमता से प्लेटफ़ॉर्म तक की छलांग इसलिए नहीं लगी कि तकनीक बेहतर हुई। यह इसलिए लगी क्योंकि किसी ने सटीकता से परिभाषित किया कि तकनीक क्या दर्शाती है और किन नियमों के तहत काम करती है। तीनों मामलों में, स्केल के पल से पहले औपचारिकता का एक पल था।
एंटरप्राइज़ AI अभी उस पल से नहीं गुज़री। उसके पास क्षमता है। उसमें व्याकरण की कमी है।
जो McKinsey पुष्टि करता है और ज़्यादातर टीमें नज़रअंदाज़ करती हैं
MIT के विफलता के आंकड़े एकमात्र उपलब्ध साक्ष्य नहीं हैं। AI की स्थिति पर McKinsey की रिसर्च, जिसका संदर्भ Dans के लेख में है, एक ऐसे निष्कर्ष पर पहुँचती है जो उन टीमों को असहज करना चाहिए जो अपनी प्रगति लॉन्च किए गए पायलट की संख्या में मापती हैं: AI से ठोस लाभ हासिल करने वाली कंपनियाँ वो नहीं हैं जो सबसे ज़्यादा AI का उपयोग करती हैं। वो हैं जिन्होंने अपने वर्कफ़्लो को फिर से डिज़ाइन किया।
यह अंतर शब्दार्थ का नहीं है। मौजूदा प्रक्रिया पर AI का उपयोग करने से बेहतर से बेहतर स्थिति में सीमांत लाभ मिलते हैं। काम की औपचारिक प्रतिनिधित्व के इर्द-गिर्द प्रक्रिया को फिर से डिज़ाइन करने से कुछ अलग होता है: एक ऐसा सिस्टम जहाँ आर्टिफिशियल इंटेलिजेंस एक सहायक उपकरण नहीं बल्कि प्रक्रिया के कार्यसाधन की एक शर्त है।
Michael Hammer ने Harvard Business Review में लिखा था कि कंपनियाँ नई तकनीक अपनाते समय एक पूर्वानुमेय गलती करती हैं: वे मौजूदा प्रक्रियाओं को तेज़ कर देती हैं बजाय उन्हें बदलने के। Dans उस तर्क को मौजूदा क्षण के लिए पुनः प्रस्तुत करते हैं। Hammer की गलती का समकालीन संस्करण यह है कि कागज़ पर दस्तावेज़ पढ़ने वाले इंसानों के लिए डिज़ाइन किए गए अनुमोदन प्रवाह में, एक ऐसा लैंग्वेज मॉडल जोड़ दिया जाए जो दस्तावेज़ों का सारांश बनाता है, और उसे परिवर्तन कह दिया जाए। प्रक्रिया की वही कारण-संरचना बनी रहती है। बस एक मध्यवर्ती चरण में एक तेज़ घटक जुड़ जाता है।
McKinsey जो रीडिज़ाइन मापने योग्य रिटर्न वाली कंपनियों में पहचानता है, उसमें एक संरचनात्मक विशेषता है: एक ऐसी परत होती है जो परिभाषित करती है कि व्यवसाय में कोई इकाई क्या है, उसके क्या-क्या अवस्थाएं हो सकती हैं, कौन से बदलाव मान्य हैं, हर कार्रवाई के लिए क्या अनुमतियाँ चाहिए और कौन से नियम तोड़े नहीं जा सकते, चाहे सिस्टम को कोई भी निर्देश मिले। यह एक विस्तृत प्रॉम्प्ट नहीं है। यही Dans जिसे औपचारिक परत कहते हैं वो है जिसे इंडस्ट्री ने अभी तक मानकीकृत तरीके से नहीं बनाया।
वह परत होने और न होने के बीच का अंतर ऑडिट करने योग्य है। उसके बिना, सत्र के इतिहास, पूछने वाले उपयोगकर्ता, या पिछले निर्देश की शब्दावली के आधार पर सिस्टम एक ही प्रश्न का अलग जवाब दे सकता है। उसके साथ, इनवेरिएंट्स होते हैं: ग्राहक के साथ अनुबंध क्षेत्रीय प्रबंधक की अनुमति के बिना संशोधित नहीं किया जा सकता, चाहे एजेंट ने उस ईमेल से जो "समझा" हो जो उसने पढ़ा। वह गारंटी लैंग्वेज मॉडल से नहीं आती। वह उस आर्किटेक्चर से आती है जो उसे समाहित करती है।
विनियमित क्षेत्रों के लिए, यह अंतर तकनीकी प्राथमिकता नहीं है। वित्तीय सेवाओं, स्वास्थ्य या सार्वजनिक क्षेत्र में, सत्यापन योग्य इनवेरिएंट्स की अनुपस्थिति एक परिचालन असुविधा नहीं है। यह स्केल पर तैनाती के लिए एक अवरोधक है, क्योंकि कोई भी कानूनी टीम किसी ऐसे सिस्टम पर ज़िम्मेदारी नहीं लेगी जो अपने निर्णयों में स्थिरता की गारंटी नहीं दे सकता।
अगली लड़ाई मॉडल्स के बीच नहीं, अमूर्तताओं के बीच है
Dans का विश्लेषण एक ऐसे अनुमान के साथ समाप्त होता है जिसे रणनीतिक संकेत के रूप में गंभीरता से लेना चाहिए: एंटरप्राइज़ AI के अगले चरण में प्रतिस्पर्धात्मक लाभ सबसे शक्तिशाली मॉडल वाले प्रदाता नहीं जीतेंगे। वे जीतेंगे जो उस औपचारिक अमूर्तता को परिभाषित करेंगे जिस पर बाकी सब निर्माण करेंगे।
यह एक ऐसा सवाल खोलता है जिसके ठोस बाज़ार परिणाम हैं, हालाँकि जवाब अभी स्पष्ट नहीं है। वह अमूर्तता परिभाषित करने के लिए स्वाभाविक उम्मीदवार कई हैं और उनके अलग-अलग प्रोत्साहन हैं। बड़े क्लाउड प्रदाता — Microsoft, Google और Amazon — के पास वितरण और एंटरप्राइज़ संबंध हैं, लेकिन उनके पास गहन कंसल्टेंसी मॉडल बनाए रखने का भी प्रोत्साहन है जो प्रोफेशनल सेवाओं से राजस्व उत्पन्न करता है। OpenAI और Anthropic जैसे मॉडल लैब्स के पास तकनीकी गहराई है, लेकिन उन्होंने अपना व्यवसाय मॉडल्स की क्षमता के इर्द-गिर्द बनाया है, उनके आसपास की प्रक्रियाओं की औपचारिकता के इर्द-गिर्द नहीं। SAP, Salesforce, Oracle जैसी स्थापित एंटरप्राइज़ सॉफ्टवेयर कंपनियाँ पहले से डेटा और प्रक्रियाओं की औपचारिक परतों पर काम करती हैं, लेकिन नई आर्किटेक्चर के अनुकूलन में उनकी गति ऐतिहासिक रूप से धीमी रही है।
सबसे दिलचस्प जगह एक ऐसे किस्म के खिलाड़ी की हो सकती है जिसका नाम अभी बाज़ार में स्पष्ट नहीं है: ज्ञान और वर्कफ़्लो इन्फ्रास्ट्रक्चर का एक विशेषज्ञ जिसका मूल्य प्रस्ताव लैंग्वेज मॉडल नहीं बल्कि वह परत हो जो उसे हर कार्यान्वयन में मैनुअल अनुवाद की ज़रूरत के बिना एक कंपनी के भीतर काम करने योग्य बनाती है। कुछ ऐसा जो नब्बे के दशक के मिडलवेयर जैसा हो, लेकिन उन नियमों पर तर्क करने की क्षमता के साथ जो उसमें शामिल हैं।
यह संकेत कि वह खिलाड़ी जीत रहा है, कोई उत्पाद की घोषणा नहीं होगी। वह पल होगा जब अलग-अलग सेक्टर की दो कंपनियाँ बिना किसी कंसल्टेंट को यह समझाने के लिए बुलाए कि उनके संगठन में "अनुमोदित" का क्या मतलब है — एक कार्यान्वयन साझा कर सकें। जब व्याकरण इतनी सटीक हो जाए कि ऐसा हो सके, तब एंटरप्राइज़ AI का दस्तकारी चरण समाप्त हो जाएगा। तब तक, 95 प्रतिशत की विफलता दर कोई सांख्यिकीय दुर्घटना नहीं है। यह परिभाषाओं की जगह उपमाओं पर निर्माण करने की कीमत है।
