ભારતમાં લગભગ અડધી કંપનીઓ AI નો ઉપયોગ કરી રહી છે, પરંતુ માત્ર 15% જ તેને સફળતાપૂર્વક બિઝનેસમાં લાગુ કરી શકી છે. આ ડેટા ઇન્ફ્રાસ્ટ્રક્ચર અને પ્રોસેસ ડિઝાઇનમાં રહેલા મોટા પડકારો દર્શાવે છે.
AI નો વ્યાપક ઉપયોગ પણ સફળતા ઓછી
આર્ટિફિશિયલ ઇન્ટેલિજન્સ (AI) ભારતીય કોર્પોરેશન્સ માટે મુખ્ય ફોકસ બની ગયું છે, પરંતુ પ્રારંભિક પરીક્ષણથી લઈને સંપૂર્ણ વ્યવસાયિક અસર સુધીનો માર્ગ ખૂબ જ સાંકડો છે. વર્તમાન ડેટા સૂચવે છે કે જ્યારે 47% ઘરેલું કંપનીઓએ લાઇવ AI ઉપયોગના કેસ લાગુ કર્યા છે, ત્યારે તેનાથી ઘણો નાનો સમુહ - માત્ર 15% - આ ટેકનોલોજીને બહુવિધ વિભાગો અથવા વ્યવસાયિક કાર્યોમાં સફળતાપૂર્વક સંકલિત કરી શક્યો છે. આ દર્શાવે છે કે મોટાભાગની સંસ્થાઓ માપી શકાય તેવા એન્ટરપ્રાઇઝ-વાઇડ પરિણામો પ્રાપ્ત કરવા માટે મર્યાદિત ટ્રાયલ તબક્કાઓ, જેને ઘણીવાર પાયલોટ પ્રોજેક્ટ્સ કહેવામાં આવે છે, તેનાથી આગળ વધવામાં સંઘર્ષ કરે છે.
પાયાની તૈયારી પર ભાર
AI ને સ્કેલ કરવામાં સફળતા ભાગ્યે જ ફક્ત સોફ્ટવેરની જટિલતાને કારણે મળે છે. તેના બદલે, જે કંપનીઓ સતત પરિણામો આપે છે, જેમ કે ટાટા સ્ટીલ (Tata Steel) અને એપોલો હોસ્પિટલ્સ (Apollo Hospitals), તેમણે વર્ષોથી પાયાના કામ પર ધ્યાન કેન્દ્રિત કર્યું છે. ટાટા સ્ટીલે, ઉદાહરણ તરીકે, તેનો ડેટા ઇન્ફ્રાસ્ટ્રક્ચર બનાવવા માટે લગભગ એક દાયકો પસાર કર્યો અને હવે 680 થી વધુ AI-સંચાલિત એપ્લિકેશન્સ ચલાવે છે. આ વ્યૂહરચના માનવ ઉત્પાદકતાને બદલવાને બદલે તેને વધારવા પર ભાર મૂકે છે, જેના માટે વિશિષ્ટ પ્રતિભા અને મજબૂત ડિજિટલ ફ્રેમવર્ક પર સતત મૂડી ખર્ચની જરૂર પડે છે.
તેવી જ રીતે, એપોલો હોસ્પિટલ્સે કડક ઓપરેશનલ શિસ્ત અને ગવર્નન્સ જાળવી રાખીને AI ને તેની ક્લિનિકલ નિર્ણય લેવાની પ્રક્રિયાઓમાં એકીકૃત કરી છે. તેમના મોડેલ EASE ફ્રેમવર્ક પર ધ્યાન કેન્દ્રિત કરે છે - નૈતિકતા, અપનાવવાની ક્ષમતા, યોગ્યતા અને સમજાવટને પ્રાથમિકતા આપે છે - જેથી ટેકનોલોજી ટૂંકા ગાળાના માર્કેટિંગ કવાયત તરીકે સેવા આપવાને બદલે દર્દીઓની સંભાળ માટે નક્કર લાભ બનાવે.
ઓપરેશનલ અવરોધ
ઘણા વ્યવસાયો જેનો વિશ્લેષકો 'સેન્ડબોક્સ ટ્રેપ' તરીકે વર્ણવે છે તેનો સામનો કરે છે, જ્યાં સફળ નાના-પાયે પ્રયોગો વિસ્તૃત થઈ શકતા નથી કારણ કે અંતર્ગત કંપની પ્રક્રિયાઓ બિનકાર્યક્ષમ રહે છે. જૂની અથવા ખામીયુક્ત વર્કફ્લોમાં ફક્ત AI ઉમેરવાથી વાસ્તવિક ઉત્પાદકતા લાભોને બદલે હાલની સમસ્યાઓનું ઓટોમેશન થાય છે. IBM Consulting જેવી ફર્મ્સના નિષ્ણાતો નોંધે છે કે મુખ્ય વ્યવસાયિક કામગીરીને ફરીથી ડિઝાઇન કરવાની વાસ્તવિક ઇચ્છાનો અભાવ - ઘણીવાર ફક્ત જાહેર છબી અથવા બોર્ડ-સ્તરના રિપોર્ટિંગ માટે AI નો ઉપયોગ કરવો - સ્કેલિંગમાં ઉચ્ચ નિષ્ફળતા દરનું મુખ્ય કારણ છે.
હિન્દુસ્તાન યુનિલિવર (Hindustan Unilever) અને એરટેલ (Airtel) જેવી અગ્રણી કંપનીઓએ, જેમણે તેમની મુખ્ય કામગીરીને ફરીથી ડિઝાઇન કરવામાં વ્યવસ્થાપિત કરી છે, તેમણે સપ્લાય ચેઇન મેનેજમેન્ટ અને નેટવર્ક પર્ફોર્મન્સને ધરમૂળથી પરિવર્તિત કરવા માટે AI નો ઉપયોગ કર્યો છે. આ સંસ્થાઓએ તેમના ડેટા સાઇલોને પુનર્ગઠન કરવામાં નોંધપાત્ર રોકાણ કર્યું, ખાતરી કરી કે ઓટોમેટેડ નિર્ણય લેવાને સમર્થન આપવા માટે કંપનીમાં માહિતી મુક્તપણે વહે છે.
રોકાણકારો માટે ભાવિ મોનિટરિંગ
કંપનીઓના બોટમ લાઇન્સ પર AI ની અસરનું મૂલ્યાંકન કરતા રોકાણકારો માટે, કોસ્ટ-સેવિંગ પાઇલોટ્સ અને વાસ્તવિક સ્કેલ વચ્ચેનો તફાવત મહત્વપૂર્ણ છે. કોર્પોરેટ રિપોર્ટિંગનો આગલો તબક્કો સંભવતઃ લાંબા ગાળાના ઇન્ફ્રાસ્ટ્રક્ચર રોકાણ દ્વારા ઓપરેશનલ કાર્યક્ષમતા પ્રાપ્ત કરનાર કંપનીઓ અને પ્રાયોગિક ખર્ચના ચક્રમાં અટવાયેલા રહેલાઓ વચ્ચે સ્પષ્ટ વિભાજન જોશે. રોકાણકારો ટ્રેક કરી શકે છે કે શું કંપનીઓ પ્રારંભિક પાયલોટ તબક્કાઓ ઉપરાંત AI-સંચાલિત માર્જિન સુધારણા અથવા આવક વૃદ્ધિનો પુરાવો પ્રદાન કરી શકે છે. પરિવર્તનનું સંચાલન કરવાની, કાર્યબળને ફરીથી તાલીમ આપવાની અને પડદા પાછળના ડેટા આર્કિટેક્ચર કાર્યના વર્ષો માટે પ્રતિબદ્ધ થવાની ક્ષમતા લાંબા ગાળાની સફળતાના પ્રાથમિક સૂચક બનવાનું ચાલુ રાખશે.