AI પ્રોજેક્ટ નિષ્ફળ: ટૂંકા સમયગાળા અને નબળા અમલીકરણને કારણે જોખમ

AI પ્રોજેક્ટ્સની નિષ્ફળતા: ટૂંકા ડેડલાઇન અને નબળા અમલીકરણ મુખ્ય કારણ

HCLTechના અહેવાલમાં જાણવા મળ્યું છે કે AI પ્રોજેક્ટ્સની નિષ્ફળતાનું મુખ્ય કારણ ટેકનોલોજીનો અભાવ નથી, પરંતુ અત્યંત આક્રમક ડેડલાઇનમાં સમગ્ર વ્યવસાયમાં અર્થપૂર્ણ પરિણામો પ્રાપ્ત કરવામાં મુશ્કેલી છે. ઘણા બિઝનેસ લીડર્સ 18 મહિના જેવી ટૂંકી અવધિમાં AI નું નક્કર મૂલ્ય પ્રાપ્ત કરવાની અપેક્ષા રાખે છે, જેમાં જરૂરી સંસ્થાકીય ગોઠવણો માટે ઓછો સમય મળે છે. આ ઝડપી ગતિ એક એક્ઝિક્યુશન ગેપ (Execution Gap) બનાવે છે, જ્યાં ઝડપી ડિપ્લોયમેન્ટ (Deployment) સંસ્થાની અનુકૂલન ક્ષમતા કરતાં વધી જાય છે, જેના પરિણામે પ્રોજેક્ટ્સ અટકી જાય છે અને વળતર ઘટે છે. સંશોધન સૂચવે છે કે એન્ટરપ્રાઇઝ AI પ્રોજેક્ટ્સમાંથી 70% થી 90% તેમના હેતુ મુજબનું મૂલ્ય પહોંચાડતા નથી, અને તેમની નિષ્ફળતા દર અન્ય IT પ્રોજેક્ટ્સ કરતાં બમણો છે. HCLTech એ શોધી કાઢ્યું છે કે મોટા AI પહેલમાંથી 43% નિષ્ફળ જવાની ધારણા છે.

ચેન્જ મેનેજમેન્ટ (Change Management) માં ઓછા ભંડોળને કારણે AI ઇન્ટિગ્રેશનમાં અવરોધ

AI ની સફળતા માટે મુખ્ય પરિબળ એવું ચેન્જ મેનેજમેન્ટ (Change Management) સતત ઓછા ભંડોળને કારણે એક્ઝિક્યુશન ગેપ (Execution Gap) ને વધુ વકરાવે છે. કંપનીઓ તેમના કર્મચારીઓને આ નવી સિસ્ટમો સાથે કામ કરવા માટે યોગ્ય રીતે તૈયાર કર્યા વિના AI લાગુ કરી રહી છે. આ બેદરકારી એક મોટો એક્ઝિક્યુશન રિસ્ક (Execution Risk) છે, જે AI ને દૈનિક વ્યવસાયમાં સફળતાપૂર્વક સંકલિત થતાં અટકાવે છે. અભ્યાસો દર્શાવે છે કે AI પ્રોજેક્ટ્સ ઘણીવાર ખરાબ ક્રોસ-ટીમ સંકલન, અસ્પષ્ટ જવાબદારીઓ અને પરિવર્તન પ્રતિકાર જેવા સંગઠનાત્મક મુદ્દાઓને કારણે નિષ્ફળ જાય છે, ટેકનિકલ સમસ્યાઓને કારણે નહીં. વધુમાં, ડેટા ક્વોલિટી (Data Quality) ની સમસ્યા, જેમાં 94% CIOs સ્વીકારે છે કે AI શરૂ થાય તે પહેલાં નોંધપાત્ર ડેટા ક્લિનઅપની જરૂર છે, તે આ મુશ્કેલીઓમાં વધારો કરે છે.

નવી AI એપ્લિકેશન્સ સ્કેલેબિલિટી (Scalability) ના પડકારોનો સામનો કરે છે

આ રિપોર્ટ ઉત્પાદન જેવા ક્ષેત્રોમાં ડિજિટલ કાર્યોથી આગળ વધતા એજેન્ટિક (Agentic) અને ફિઝિકલ AI (Physical AI) જેવા અદ્યતન AI પ્રકારોમાં વધતી રુચિ તરફ પણ ધ્યાન દોરે છે. જ્યારે આ મોડેલો આશાસ્પદ છે, ત્યારે તેઓ જવાબદારી, વિશ્વસનીયતા અને દેખરેખમાં જટિલતાઓ લાવે છે. IT નેતાઓ શોધી રહ્યા છે કે AI ને સ્કેલ (Scale) કરવાથી વર્તમાન એપ્લિકેશન સિસ્ટમ્સ, ડેટા મેનેજમેન્ટ અને ઓપરેશનલ સ્ટ્રક્ચર્સની મર્યાદાઓ પ્રકાશિત થાય છે, જે સ્વ-શિક્ષણ (Self-learning), સતત વિકસિત થતી સિસ્ટમો માટે બનાવવામાં આવી નથી. સ્કેલ કરવામાં આ મુશ્કેલી સામાન્ય છે, ઘણા AI પાયલોટ પ્રોગ્રામ્સ ઇન્ટિગ્રેશન સમસ્યાઓ અને કંપનીના સમર્થનના અભાવને કારણે સંપૂર્ણ ઉત્પાદનમાં જઈ શકતા નથી.

માળખાકીય નબળાઈઓ અને ડેટા સમસ્યાઓ AI સફળતાને અવરોધે છે

AI પ્રોજેક્ટ્સમાં ઉચ્ચ નિષ્ફળતા દર, જે અંદાજ મુજબ 80-95% અપેક્ષાઓ પૂરી કરતા નથી, તે ઊંડા મૂળ ધરાવતી સંસ્થાકીય નબળાઈઓ તરફ નિર્દેશ કરે છે. આમાં ટેકનોલોજી પર વધુ પડતો ભાર, નબળા ડેટા ઇન્ફ્રાસ્ટ્રક્ચર (Data Infrastructure) અને સ્પષ્ટ સફળતાના મેટ્રિક્સ (Metrics) નો અભાવ શામેલ છે, જે મોટાભાગની AI પ્રોજેક્ટ નિષ્ફળતાઓનું કારણ બને છે. ડેટા ક્વોલિટી (Data Quality) ની કટોકટી ગંભીર છે, નબળી ડેટા ગુણવત્તા દર વર્ષે વ્યવસાયોને લાખોનું નુકસાન પહોંચાડે છે અને નિષ્ફળ પહેલનો મોટો ભાગ બનાવે છે. વધુમાં, શાસન માળખા (Governance Structures) વિકસાવવામાં આવે તે પહેલાં ઝડપી AI અપનાવવાની પ્રક્રિયા ઘણીવાર થાય છે, જે નોંધપાત્ર 'ગવર્નન્સ ગેપ' (Governance Gap) બનાવે છે જે એક મોટો બિઝનેસ રિસ્ક (Business Risk) ઊભો કરે છે. આ પરિસ્થિતિ, જ્યાં અપનાવવું એ દેખરેખ પહેલા થાય છે, કંપનીઓને નિયમનકારી તપાસ અને AI જોખમો વિશે બોર્ડની ચિંતાઓ સામે ખુલ્લા પાડે છે. જૂની, લેગસી સિસ્ટમ્સ (Legacy Systems) નો ઉપયોગ પણ એક નોંધપાત્ર અવરોધ ઊભો કરે છે, કારણ કે ઘણી AI સોલ્યુશન્સ જૂની ઇન્ફ્રાસ્ટ્રક્ચર સાથે સારી રીતે સંકલિત થઈ શકતી નથી.

AI નું ભવિષ્ય સંસ્થાકીય તૈયારી પર કેન્દ્રિત

AI કેવી રીતે લાગુ કરવામાં આવે છે તે અપનાવવાની સંખ્યાઓને ટ્રેક કરવાથી વાસ્તવિક સમયમર્યાદામાં લક્ષ્યો, અમલીકરણ અને જવાબદારીઓને સંતુલિત કરવાની સંસ્થાની ક્ષમતાનું મૂલ્યાંકન કરવા તરફ બદલાઈ રહ્યું છે. HCLTech ના CTO અને હેડ ઓફ ઇકોસિસ્ટમ્સ, વિજય ગુન્ટુર (Vijay Guntur) એ જણાવ્યું કે જો લોકોમાં સમજણ, વિશ્વાસ અને AI સાથે અસરકારક સહયોગ બનાવવા માટે પૂરતું રોકાણ ન હોય તો ઝડપ નિષ્ફળતામાં વધારો કરી શકે છે. AI ઇન્ટિગ્રેશનનો આગલો તબક્કો માત્ર તકનીકી તૈયારી જ નહીં, પરંતુ નેતાઓ અને સ્ટાફની વ્યૂહાત્મક અને ઓપરેશનલ તૈયારીનું પણ પરીક્ષણ કરશે. જેમ જેમ AI વ્યવસાયિક કામગીરીનો મુખ્ય ભાગ બનશે, તેમ સફળતા મજબૂત ચેન્જ મેનેજમેન્ટ (Change Management), ડેટા તૈયારી અને AI પ્રયાસોને વ્યવસાયિક લક્ષ્યો સાથે સ્પષ્ટ સંરેખણ દ્વારા એક્ઝિક્યુશન ગેપ (Execution Gap) ને ભરવા પર નિર્ભર રહેશે.