भारताचा AI बूम: मोठी झेप, पण कंपन्यांना 'हे' अडथळे पार करावे लागणार!

AI वापराची गरज आणि कंपन्यांची वास्तविकता

भारतात आर्टिफिशियल इंटेलिजन्स (AI) चा वापर वेगाने वाढत असून, एंटरप्राइज AI/ML ट्रान्झॅक्शन्सच्या (transactions) बाबतीत भारत अमेरिकेनंतर जगात दुसऱ्या क्रमांकावर पोहोचला आहे.

सरकारी योजना, AI इन्फ्रास्ट्रक्चरमधील मोठी गुंतवणूक आणि कुशल मनुष्यबळ यामुळे ही वाढ शक्य झाली आहे. विप्रोचे कार्यकारी अध्यक्ष रिषद प्रेमजी यांनी म्हटल्याप्रमाणे, AI बद्दलची चर्चा आता केवळ शक्यतेवर (possibility) राहिलेली नाही, तर ती व्यवहारात (practicality) उतरली आहे. 2026 पर्यंत कंपन्या AI सोल्युशन्सचे 'पायलटिंग' (piloting) मधून 'स्केलिंग' (scaling) आणि 'प्रोडक्टायझेशन' (productisation) करतील, अशी अपेक्षा आहे.

एंटरप्राइज इंटिग्रेशनचे आव्हान

एवढा उत्साह आणि गुंतवणूक असूनही, AI चा मोठ्या प्रमाणावर वापर करण्याच्या ध्येयात आणि प्रत्यक्ष अंमलबजावणीत मोठी तफावत आहे. अनेक भारतीय कंपन्या अजूनही केवळ पायलट प्रोजेक्ट्सच्या पुढे जाऊ शकत नाहीत. यामागे अनेक कारणं आहेत: डेटाचे तुकडे-तुकडे होणे (fragmented data), डेटा सायलो (data silos) आणि जुन्या सिस्टीम्समध्ये (legacy systems) AI इंटिग्रेट करण्याची क्लिष्टता.

AI मॉडेल्स नियंत्रित वातावरणात (controlled environments) चांगली कामगिरी करतात, पण प्रत्यक्ष जगातल्या गुंतागुंतीच्या प्रक्रियांमध्ये त्यांना अनेक अडचणी येतात. सर्वात महत्त्वाचे म्हणजे, AI मधून मिळणारा ठोस Return on Investment (ROI) सिद्ध करणे हे एक मोठे आव्हान आहे. अनेक कंपन्या AI च्या व्यावसायिक मूल्याचे मोजमाप (quantify) करण्यास संघर्ष करत आहेत. हा 'प्री-स्केल' अडथळा (hurdle) दर्शवतो की प्रत्यक्षातील अंमलबजावणीचा वेग ऑप्टिमिझमला (optimism) आव्हान देत आहे.

डेटा, स्किल्स आणि सुरक्षेचे जाळे

इंटिग्रेशन व्यतिरिक्त, AI च्या स्केलिंगला इतरही अनेक घटक रोखत आहेत. कुशल मनुष्यबळाची (skills gap) कमतरता हे एक मोठे कारण आहे. अनेक संस्थांकडे AI सिस्टीम्स प्रभावीपणे लागू करण्यासाठी आणि व्यवस्थापित करण्यासाठी आवश्यक असलेले तज्ञ नाहीत. यामुळे बाह्य भागीदारांवर (external partners) अवलंबून राहावे लागते.

डेटाची गुणवत्ता आणि उपलब्धता (data quality and availability) ही देखील मोठी चिंता आहे. AI मॉडेल्ससाठी मोठ्या प्रमाणात, उच्च-गुणवत्तेचा डेटा आवश्यक असतो, जो अनेक भारतीय व्यवसायांना त्यांच्या विखुरलेल्या सिस्टीम्समुळे गोळा करणे, राखणे आणि विश्लेषण करणे कठीण जाते. तसेच, AI चा वापर जसजसा वाढत आहे, तसतशी सुरक्षा आणि गोपनीयतेच्या (security and privacy) चिंता देखील वाढत आहेत. AI मधील नवनवीन शोध (innovation) सुरक्षा उपायांच्या (security measures) परिपक्वतेपेक्षा (maturity) वेगाने होत आहेत, ज्यामुळे संवेदनशील डेटा उघड होण्याची शक्यता आहे. 'एजंटिक AI' (agentic AI) मुळे तर धोके अजूनच वाढले आहेत.

मानवी घटक: रिस्किलिंग आणि जुळवून घेणे

रिशद प्रेमजी यांच्या मते, AI चा यशस्वी वापर हा तंत्रज्ञानाइतकाच लोकांवरही अवलंबून आहे. त्यांचा युक्तिवाद आहे की माणूस आणि मशीन यांच्यातील फरक 'जे जुळवून घेतील आणि जे संकोच करतील' यांच्यात असेल. यासाठी कर्मचाऱ्यांना नवीन कौशल्ये शिकवणे (reskilling), कामाची पुनर्रचना करणे (redesigning job roles) आणि AI-आधारित निर्णयांवर विश्वास निर्माण करणे आवश्यक आहे.

प्रेमजींच्या मते, 'AI fluency हे नवीन डिजिटल चलन (digital currency) आहे' आणि भविष्यातील रोजगारासाठी ते अत्यंत महत्त्वाचे आहे. ज्यांचे काम ऑटोमेट (automate) होऊ शकते, अशा व्यक्तींना AI क्षमतांना पूरक असलेल्या किंवा AI द्वारे तयार केलेल्या भूमिकांमध्ये (roles) रूपांतरित करण्याचे आव्हान आहे. AI जगभरातील लाखो नोकऱ्यांमध्ये बदल घडवून आणेल, पण त्याच वेळी नवीन नोकऱ्यांची निर्मिती देखील करेल, त्यामुळे कर्मचाऱ्यांचे जुळवून घेणे आणि सतत शिकणे (continuous learning) हे अत्यंत महत्त्वाचे आहे.

मार्केट आउटलूक आणि संरचनात्मक बदल

एकंदरीत, भारतीय IT क्षेत्रात सध्या संथपणा (slowdown) आहे आणि शेअर बाजारातील कामगिरीही गेल्या काही वर्षांपासून सुस्त आहे. AI चा वापर वाढल्याने भविष्यात वाढ अपेक्षित असली तरी, IT सेवा कंपन्यांच्या उत्पन्नावर (revenue) याचा तात्काळ परिणाम गुंतागुंतीचा आहे. AI मुळे उत्पादकता (productivity) वाढल्यास 'कमी लोकांमध्ये जास्त काम' होऊ शकते, जे क्लायंटसाठी फायदेशीर असले तरी IT कंपन्यांच्या टॉप-लाइन वाढीसाठी (top-line expansion) अल्प मुदतीत अडथळा ठरू शकते.

या आव्हानांनंतरही, भारतातील टॅलेंट (talent) आणि मोठ्या प्रमाणावर AI वापरण्याची क्षमता (potential) यामुळे देशाला एक वेगळे स्थान मिळाले आहे. AI ची वाढ ओपन-सोर्स टूल्सचा (open-source tools) वापर करत आहे, ज्यामुळे स्टार्टअप्ससाठी संधी वाढत आहेत आणि स्थानिक गरजांनुसार नवोपक्रम (innovation) होत आहे. लक्ष आता अमूर्त नैतिक तत्त्वांऐवजी (abstract ethical principles) ठोस आर्थिक, सामाजिक आणि संस्थात्मक परिणामांवर (measurable economic, societal, and institutional impact) केंद्रित झाले आहे.