भारत में आर्टिफिशियल इंटेलिजेंस (AI) का इस्तेमाल करने वाली लगभग आधी कंपनियों में से सिर्फ 15% ही इन टूल्स को सफलतापूर्वक बड़े पैमाने पर लागू कर पाई हैं। यह बड़ी खाई डेटा इंफ्रास्ट्रक्चर और प्रोसेस री-डिज़ाइन में मौजूद महत्वपूर्ण चुनौतियों को उजागर करती है, जो Tata Steel जैसी कंपनियों को प्रयोगात्मक पायलटों में फंसी कंपनियों से अलग करती है।
AI को बड़े पैमाने पर लागू करने में भारतीय कंपनियों को क्यों आ रही है दिक्कत?
भारत में आर्टिफिशियल इंटेलिजेंस (AI) पर फोकस तो बहुत है, लेकिन शुरुआती टेस्टिंग से लेकर बड़े बिजनेस इंपैक्ट तक का रास्ता बहुत संकरा है। मौजूदा डेटा बताता है कि जहां 47% भारतीय कंपनियां AI का इस्तेमाल कर रही हैं, वहीं सिर्फ 15% ही इसे कई विभागों या बिजनेस फंक्शन्स में सफलतापूर्वक इंटीग्रेट कर पाई हैं। इसका मतलब है कि ज्यादातर कंपनियां लिमिटेड ट्रायल फेज, यानी पायलट प्रोजेक्ट्स से आगे बढ़कर एंटरप्राइज-वाइड रिजल्ट्स हासिल करने में संघर्ष कर रही हैं।
फैशन से ज़्यादा 'फाउंडेशन' ज़रूरी
AI को स्केल करने में सफलता सॉफ्टवेयर की जटिलता से कम, बल्कि नींव के काम से ज़्यादा जुड़ी है। Tata Steel और Apollo Hospitals जैसी कंपनियां जिन्होंने लगातार रिजल्ट्स दिए हैं, उन्होंने सालों तक फाउंडेशनल वर्क पर फोकस किया है। उदाहरण के लिए, Tata Steel ने अपना डेटा इंफ्रास्ट्रक्चर बनाने में लगभग एक दशक लगाया और अब 680 से ज़्यादा AI-ड्रिवन एप्लीकेशन्स चलाती है। यह स्ट्रैटेजी इंसानों की प्रोडक्टिविटी को बढ़ाने पर ज़ोर देती है, न कि उसे बदलने पर। इसके लिए खास टैलेंट और मजबूत डिजिटल फ्रेमवर्क पर लगातार कैपिटल खर्च करने की ज़रूरत होती है।
इसी तरह, Apollo Hospitals ने सख्त ऑपरेशनल डिसिप्लिन और गवर्नेंस के साथ AI को क्लिनिकल डिसीजन-मेकिंग प्रोसेस में इंटीग्रेट किया है। उनका मॉडल EASE फ्रेमवर्क पर आधारित है - जिसमें एथिक्स, एडॉप्शन, सूटेबिलिटी और एक्सप्लेनबिलिटी को प्राथमिकता दी जाती है। इसका मकसद यह सुनिश्चित करना है कि टेक्नोलॉजी मरीज की देखभाल के लिए ठोस फायदे पहुंचाए, न कि सिर्फ एक शॉर्ट-टर्म मार्केटिंग टूल बनकर रह जाए।
ऑपरेशनल अड़चनें
कई बिजनेस एनालिस्ट्स के अनुसार 'सैंडबॉक्स ट्रैप' का सामना करते हैं, जहां छोटे पैमाने के सफल प्रयोगों को इसलिए आगे नहीं बढ़ाया जा पाता क्योंकि अंतर्निहित कंपनी प्रक्रियाएं अकुशल बनी रहती हैं। एक पुरानी या खराब वर्कफ़्लो में AI जोड़ने से अक्सर मौजूदा समस्याओं का ऑटोमेशन होता है, न कि वास्तविक प्रोडक्टिविटी गेन। IBM Consulting जैसी फर्मों के एक्सपर्ट्स का कहना है कि कोर बिजनेस ऑपरेशन्स को फिर से डिजाइन करने की वास्तविक मंशा की कमी - अक्सर AI का इस्तेमाल सिर्फ पब्लिक इमेज या बोर्ड-लेवल रिपोर्टिंग के लिए किया जाता है - स्केल करने में हाई फेलियर रेट का एक बड़ा कारण है।
Hindustan Unilever और Airtel जैसी अग्रणी कंपनियां, जिन्होंने अपने कोर ऑपरेशन्स को री-इंजीनियर करने में कामयाबी हासिल की है, उन्होंने सप्लाई चेन मैनेजमेंट और नेटवर्क परफॉरमेंस को मौलिक रूप से बदलने के लिए AI का उपयोग किया है। इन संगठनों ने अपने डेटा साइलो को पुनर्गठित करने में महत्वपूर्ण निवेश किया, जिससे यह सुनिश्चित हुआ कि कंपनी भर में सूचनाएं स्वतंत्र रूप से प्रवाहित हों और ऑटोमेटेड डिसीजन-मेकिंग को सपोर्ट करें।
निवेशकों के लिए भविष्य के संकेत
कॉर्पोरेट बॉटम लाइन्स पर AI के प्रभाव का मूल्यांकन करने वाले निवेशकों के लिए, कॉस्ट-सेविंग पायलट और असली स्केल के बीच का अंतर महत्वपूर्ण है। कॉर्पोरेट रिपोर्टिंग के अगले चरण में उन फर्मों के बीच एक स्पष्ट विभाजन देखने की संभावना है जिन्होंने लॉन्ग-टर्म इंफ्रास्ट्रक्चर निवेश के माध्यम से ऑपरेशनल एफिशिएंसी हासिल की है, और वे जो प्रयोगात्मक खर्चों के चक्र में फंसे हुए हैं। निवेशक ट्रैक कर सकते हैं कि क्या कंपनियां शुरुआती पायलट फेज से परे AI-आधारित मार्जिन सुधार या राजस्व वृद्धि का सबूत प्रदान कर सकती हैं। बदलाव को मैनेज करने, वर्कफोर्स को री-ट्रेन करने और पर्दे के पीछे डेटा आर्किटेक्चर पर सालों के काम के प्रति प्रतिबद्ध होने की क्षमता लॉन्ग-टर्म सफलता का प्राथमिक संकेतक बनी रहेगी।