उद्यम AI का रिटर्न एक आर्किटेक्चर की समस्या है, बुद्धिमत्ता की नहीं
एक ऐसा आंकड़ा है जिसे CIO बेचैनी के साथ याद कर रहे हैं: 72% संगठन स्वीकार करते हैं कि उनके AI में किए गए निवेश, बेहतरीन स्थिति में, मुश्किल से ब्रेक-ईवन पर हैं। बदतर स्थिति में, वे घाटे में चल रहे हैं। Gartner ने यह आंकड़ा प्रकाशित किया और इसने कोई घबराहट नहीं पैदा की, लेकिन इससे भी अधिक स्थायी कुछ और पैदा हुआ: एक खामोश अनिश्चितता कि यह दांव कितने समय तक टिकाया जा सकता है, बिना यह साबित किए कि यह काम करता है।
सामान्य जवाब मॉडलों की ओर इशारा करता है। बेहतर प्रदाता चुनना होगा, प्रॉम्प्ट को परिष्कृत करना होगा, इंफरेंस की कीमतें गिरने का इंतजार करना होगा। यह जवाब आरामदायक है और लगभग हमेशा गलत होता है। जो विफल हो रहा है वह मशीन की बुद्धिमत्ता नहीं है। जो विफल हो रहा है वह उस व्यवसाय की आर्किटेक्चर है जो इसके आसपास बनी है।
समस्या की एक बहुत ठोस यांत्रिकी है: हर बार जब कोई कंपनी एक नया AI एजेंट लॉन्च करती है, तो वह एजेंट शून्य से शुरू होता है। वह डेटा को फिर से जोड़ता है, व्यवसाय का संदर्भ फिर से बनाता है, अनुमतियों पर फिर से बातचीत करता है, नियंत्रणों को फिर से डिज़ाइन करता है, अपने स्वयं के सत्यापन मानदंड स्थापित करता है। यदि उत्पादन में छह एजेंट हैं, तो उस बुनियादी ढांचे के छह समानांतर और स्वतंत्र संस्करण हैं। प्रत्येक की अपनी लागत, अपना तकनीकी कर्ज, अपनी अपारदर्शिता है। परिणाम स्केल पर कृत्रिम बुद्धिमत्ता नहीं है। यह स्केल पर डिजिटल नौकरशाही है।
AI की वास्तविक लागत इंफरेंस लाइन में क्यों नहीं दिखती
लेखांकन का यह जाल परिष्कृत है। जब कोई टीम यह मूल्यांकन करती है कि किसी AI प्रोजेक्ट का आर्थिक रूप से अर्थ है या नहीं, तो वह सामान्यतः मॉडल की लागत देखती है: API को कॉल करने में कितना खर्च होता है, प्रत्येक क्वेरी में कितने टोकन खपत होते हैं, कौन सा प्रदाता क्षमता के अनुसार बेहतर मूल्य देता है। यह विश्लेषण गलत नहीं है, लेकिन यह कुल लागत का केवल एक अंश ही पकड़ता है।
जो उस लाइन में नहीं दिखता वह है बार-बार एकीकरण की लागत। प्रत्येक एजेंट जो संदर्भ की साझा परत के बिना तैनात होता है, उसे किसी को कंपनी के रिकॉर्ड सिस्टम के साथ अपने कनेक्शन, अपने प्राधिकरण तंत्र, अपने व्यावसायिक नियम, अपने एस्केलेशन लॉजिक को शून्य से बनाने की आवश्यकता होती है। यह मॉडल की लागत नहीं है। यह इंजीनियरिंग, गवर्नेंस, संचालन की लागत है। और यह प्रत्येक नए उपयोग के मामले के साथ पूरी तरह दोहराई जाती है।
हांगकांग विश्वविद्यालय और Stellaris AI के शोधकर्ताओं द्वारा अध्ययन की गई वित्तीय सेवाओं की एक टीम ने पाया कि उनकी 70% से अधिक क्वेरी इतनी नियमित थीं कि उन्हें छोटे और सस्ते मॉडलों से हल किया जा सकता था। फिर भी, सब कुछ उच्च लागत वाले एक ही बुनियादी ढांचे पर चल रहा था क्योंकि किसी ने जटिलता के अनुसार भेद करने का कोई तंत्र नहीं बनाया था। इंफरेंस खर्च प्रति माह 2,00,000 डॉलर से अधिक हो गया था, इसलिए नहीं कि व्यवसाय परिष्कृत था, बल्कि इसलिए कि आर्किटेक्चर में यह याद नहीं था कि कब परिष्कृत होना है।
लागत वितरण की समस्या का एक और कम दिखाई देने वाला पहलू है: जब लागत एकीकरणों, टीमों और उपकरणों में बिखरी होती है, तो उत्पन्न मूल्य को जिम्मेदार ठहराना गणितीय रूप से असंभव हो जाता है। ऐसा नहीं है कि ROI कम है। बल्कि समस्या यह है कि इसे मापने का कोई तरीका नहीं है क्योंकि कोई एकीकृत रिकॉर्ड नहीं है कि प्रत्येक एजेंट ने कौन से डेटा का उपयोग किया, किन निर्णयों पर पहुंचा, प्रत्येक चरण में कितना खर्च हुआ और क्या परिणाम निकला। विखंडन केवल तैनाती को महंगा नहीं बनाता। यह उस ट्रेसेबिलिटी को नष्ट कर देता है जो निवेश को उचित ठहराना संभव बनाती।
एक साझा परत तैनाती की अर्थव्यवस्था में क्या बदलाव लाती है
एंटरप्राइज़ सिस्टम आर्किटेक्ट्स के बीच जो समाधान उभरना शुरू हो रहा है, वह कम AI खरीदना नहीं है और न ही बेहतर मॉडल खरीदना है। यह एक साझा संदर्भ परत बनाना है जो संगठन के सभी एजेंटों और वर्कफ़्लो की रीढ़ की हड्डी के रूप में काम करे।
इस विचार की एक सटीक आर्थिक तर्क है। यदि व्यावसायिक ज्ञान, अनुमतियां, व्यावसायिक नियम और गवर्नेंस तर्क एक बार बनाए जाएं और पुन: उपयोग योग्य बुनियादी ढांचे के रूप में उजागर किए जाएं, तो दूसरे, पांचवें और दसवें उपयोग के मामले को तैनात करने की सीमांत लागत में उल्लेखनीय कमी आती है। इसलिए नहीं कि मॉडल सस्ते हैं, बल्कि इसलिए कि कंपनी को हर बार जब वह कोई नया एप्लिकेशन जोड़ती है तो अपने व्यवसाय को फिर से जोड़ने की लागत नहीं चुकानी पड़ती।
सौंदर्य प्रसाधन क्षेत्र की एक बहुराष्ट्रीय कंपनी ने इसका अनुभव किया। उनके पहले एजेंट डेमो में अच्छी तरह काम करते थे, लेकिन उत्पादन में विफल हो जाते थे क्योंकि उन्होंने जो छह समाधान एकीकृत किए थे, उनमें से प्रत्येक अपने ज्ञान का अलग भंडार और गवर्नेंस के अपने नियम स्वतंत्र साइलो में रखता था। प्रत्येक एजेंट ठंडे से शुरू होता था। प्रत्येक नए प्रोजेक्ट में शून्य से फिर से जोड़ना पड़ता था। लागत मॉडल की नहीं थी। लागत दोहराव की थी।
संदर्भ का केंद्रीकरण रूटिंग के तर्क को भी बदल देता है। जब बुनियादी ढांचे को पता होता है कि वह किस प्रकार का कार्य संसाधित कर रहा है, तो वह इसे उचित मॉडल की ओर निर्देशित कर सकता है: जटिल तर्क के लिए एक अधिक शक्तिशाली और महंगा मॉडल, नियमित क्वेरी के लिए एक छोटा और तेज़ मॉडल। इंफरेंस खर्च एक निश्चित लागत नहीं रहती और एक ऐसे चर में बदल जाती है जो कार्य की जटिलता के अनुसार प्रतिक्रिया करती है। यह सीमांत अनुकूलन नहीं है। यह लागत मॉडल का एक पुनर्गठन है।
इसके पूरक के रूप में, विशेषज्ञ एजेंटों के झुंड की आर्किटेक्चर कम्प्यूटेशनल दक्षता के पहलू से समान परिणाम उत्पन्न करती है। एक सुपर-एजेंट की बजाय जिसे हर चरण में किसी समस्या के पूर्ण संदर्भ को संसाधित करना पड़ता है, सीमित डोमेन वाले कई एजेंट समानांतर में काम करते हैं। प्रत्येक एक छोटी, अधिक सटीक, सस्ती संदर्भ विंडो के साथ काम करता है। एजेंटों के बीच समन्वय के लिए नए परिचालन जोखिम पैदा किए बिना काम करने के लिए साझा गवर्नेंस की आवश्यकता होती है, लेकिन जब वह गवर्नेंस मौजूद होती है, तो प्रति कार्य टोकन में बचत काफी हो सकती है।
गवर्नेंस ब्रेक नहीं है। यह स्केल की शर्त है।
McKinsey ने एक ऐसी बात दर्ज की जो कई प्रौद्योगिकी टीमों ने कठिन तरीके से सीखी है: AI के उत्पादन में आने के बाद गवर्नेंस को शामिल करने से री-इंजीनियरिंग की लागत उत्पन्न होती है जो सिस्टम द्वारा उत्पन्न किए जा रहे मूल्य से अधिक हो सकती है। Gartner का अनुमान है कि अच्छी तरह एकीकृत गवर्नेंस तकनीकें नियामक खर्चों को 20% तक कम कर सकती हैं। ये अनुपालन के आंकड़े नहीं हैं। ये आर्किटेक्चर के आंकड़े हैं।
अंत में जोड़ी गई परत के रूप में गवर्नेंस के साथ समस्या वही है जो दोहराए गए कार्य के रूप में संदर्भ के साथ है: यह प्रत्येक एप्लिकेशन के लिए पूरी तरह से फिर से बनाई जाती है। बीमा में दावों के वर्कफ़्लो को बीमाधारकों के डेटा तक नियंत्रित पहुंच, निर्णयों की ट्रेसेबिलिटी, एजेंट की स्वायत्तता पर सीमाएं और मानव समीक्षा के लिए एस्केलेशन नियमों की आवश्यकता होती है। यदि इसे केवल उस वर्कफ़्लो के लिए डिज़ाइन किया गया है, तो इसे अगले के लिए फिर से डिज़ाइन करना होगा। दस स्वतंत्र एजेंटों का अर्थ है एक ही नियंत्रण आर्किटेक्चर के दस संस्करण, अनुमोदन की दस गुना लागत, असंगतता का दस गुना जोखिम।
जब गवर्नेंस को प्लेटफ़ॉर्म के रूप में बनाया जाता है, तो नियंत्रण एक बार कोड के रूप में परिभाषित किए जाते हैं और पूरे संगठन में लागू होते हैं। एजेंटों की संख्या के साथ लागत रैखिक रूप से नहीं बढ़ती क्योंकि एजेंटों के आने से पहले नियंत्रण मौजूद होते हैं। यही अंतर उन संगठनों को अलग करता है जो AI को स्केल कर सकते हैं और उन संगठनों को जो तकनीकी और परिचालन कर्ज जमा करते हैं, यह सोचते हुए कि वे स्केल कर रहे हैं।
गवर्नेंस प्लेटफ़ॉर्म जो ट्रेसेबिलिटी पैदा करता है, उसका एक अतिरिक्त लाभ है जिसे ROI की बहुत कम चर्चाएं स्पष्ट रूप से उल्लेख करती हैं: यह AI को ब्लैक बॉक्स से ऑडिट करने योग्य सिस्टम में बदल देता है। प्रत्येक वर्कफ़्लो एक रिकॉर्ड छोड़ता है कि उसने कौन से डेटा का उपयोग किया, किन कार्यों को अंजाम दिया, कितने मानवीय हस्तक्षेप की आवश्यकता पड़ी, कितनी लागत आई और क्या परिणाम निकला। यह केवल जोखिम नियंत्रण नहीं है। यह वह बुनियादी ढांचा है जो उस सूक्ष्मता के साथ आर्थिक मूल्य को मापना संभव बनाता है जिसकी मांग निदेशक मंडल और निवेशक बढ़ती तात्कालिकता के साथ करेंगे।
आर्किटेक्चर एक मूल्य वितरण निर्णय के रूप में
एक ऐसा आयाम है जिसे तकनीकी विश्लेषण अक्सर बाहर छोड़ देता है, लेकिन जिसके प्रत्यक्ष आर्थिक परिणाम हैं: AI आर्किटेक्चर न केवल यह निर्धारित करती है कि कंपनी कितनी कुशलता से काम करती है। यह निर्धारित करती है कि AI द्वारा उत्पन्न मूल्य को कौन ग्रहण करता है।
एक संगठन जो एक साझा संदर्भ परत, एक बुद्धिमान रूटिंग तंत्र और एक एकीकृत गवर्नेंस प्लेटफ़ॉर्म बनाता है, वह आंतरिक संपत्तियां बना रहा है जो बाहरी प्रदाताओं पर उसकी निर्भरता को कम करती हैं। वह व्यावसायिक तर्क को फिर से बनाए बिना अंतर्निहित भाषा मॉडल को बदल सकता है। वह एकीकरण की पूरी लागत को फिर से चुकाए बिना नए एप्लिकेशन जोड़ सकता है। वह प्रत्येक वर्कफ़्लो के मूल्य का ऑडिट कर सकता है क्योंकि उसके पास ऐसा करने का बुनियादी ढांचा है।
दूसरी ओर, एक संगठन जो यह नहीं बनाता, वह AI की पैमाने की अर्थव्यवस्थाओं को स्थायी रूप से बाहरी बना रहा है। प्रत्येक नया प्रदाता, प्रत्येक नया मॉडल, प्रत्येक नया उपकरण मूल्य का एक हिस्सा ग्रहण करता है क्योंकि कंपनी के पास वह आर्किटेक्चर नहीं है जो उसे उस ग्रहण को आंतरिक बनाने की अनुमति देगी। परिवर्तन की लागत बढ़ती है। बातचीत करने की क्षमता घटती है। AI द्वारा उत्पन्न मूल्य अंदर जमा होने के बजाय बाहर रिसता है।
इसके AI खर्च का मूल्यांकन कैसे किया जाए, इसके लिए निहितार्थ हैं। CIO को जो प्रश्न उत्तर देना चाहिए वह यह नहीं है कि मॉडल की कितनी लागत है, बल्कि यह है कि उस खर्च का कितना हिस्सा पुन: उपयोग योग्य क्षमता बना रहा है और कितना हिस्सा उस क्षमता के लिए फिर से भुगतान कर रहा है जो पहले से होनी चाहिए थी। उस प्रश्न का उत्तर एक आर्किटेक्चर में निवेश और बिना जमा किए दोहराए जाने वाले खर्च के बीच का अंतर है।
जो 72% संगठन ब्रेक-ईवन पर हैं या घाटे में हैं, उनके पास जरूरी नहीं कि बुरे मॉडल हों। उनके पास एक ऐसी आर्किटेक्चर है जो यह सुनिश्चित करती है कि प्रत्येक नए उपयोग के मामले की लागत लगभग उतनी ही अधिक है जितनी पहले की थी। यह बुद्धिमत्ता की समस्या नहीं है। यह डिज़ाइन की समस्या है। और डिज़ाइन की समस्याओं के समाधान अधिक विशिष्ट, अधिक स्थायी और अधिक मापने योग्य होते हैं, बजाय इसके कि इंफरेंस की कीमतें इतनी गिरने का इंतजार किया जाए कि हिसाब अपने आप सुलझ जाए।
