AI प्रोजेक्ट्स अयशस्वी: डेडलाइन आणि अंमलबजावणीतील त्रुटी ठरत आहेत कारणीभूत

AI प्रोजेक्ट्स अयशस्वी होण्याची कारणे

एचसीएलटेकच्या (HCLTech) अहवालातून एक धक्कादायक बाब समोर आली आहे. AI प्रोजेक्ट्स अयशस्वी होण्याचं मुख्य कारण तंत्रज्ञानाचा अभाव नसून, अत्यंत कमी वेळेत अपेक्षित निकाल मिळवण्यात येणारे अपयश आहे. अनेक कंपन्या १८ महिन्यांत AI मधून मोठा फायदा मिळवण्याची अपेक्षा करतात, पण या कमी वेळात आवश्यक संघटनात्मक बदल करणं कठीण होतं.

यामुळे एक 'एक्झिक्युशन गॅप' (execution gap) तयार होतो, जिथे नवीन तंत्रज्ञान वेगाने आणले जाते, पण ते स्वीकारण्याची संस्थेची क्षमता नसते. यामुळे प्रोजेक्ट्स रखडतात आणि अपेक्षित परतावा मिळत नाही. एका अंदाजानुसार, 70% ते 90% एंटरप्राइज AI प्रोजेक्ट्स अपेक्षित मूल्य देत नाहीत, आणि इतर IT प्रोजेक्ट्सच्या तुलनेत यांचं अयशस्वी होण्याचं प्रमाण दुप्पट आहे. एचसीएलटेकच्या अहवालानुसार, 43% मोठ्या AI उपक्रमांमध्ये अपयश येण्याची शक्यता आहे.

चेंज मॅनेजमेंटकडे दुर्लक्ष

AI यशस्वी होण्यासाठी 'चेंज मॅनेजमेंट' (Change Management) खूप महत्त्वाचे आहे, पण त्यावर पुरेसा खर्च केला जात नाही. कंपन्या AI लागू करत आहेत, पण कर्मचाऱ्यांना या नवीन सिस्टिम्ससोबत काम करण्यासाठी तयार करत नाहीत. ही एक मोठी चूक आहे, ज्यामुळे AI रोजच्या कामात यशस्वीपणे समाविष्ट होऊ शकत नाही.

अभ्यासानुसार, AI प्रोजेक्ट्स अनेकदा तांत्रिक कारणांमुळे नव्हे, तर टीममधील समन्वय नसणे, जबाबदाऱ्या स्पष्ट नसणे आणि बदलांना होणारा विरोध यांसारख्या संघटनात्मक समस्यांमुळे अयशस्वी होतात. शिवाय, डेटा क्वालिटीची (Data Quality) समस्या देखील मोठी आहे. 94% CIOs (मुख्य माहिती अधिकारी) यांनी AI सुरू करण्यापूर्वी डेटा साफ करण्याची गरज असल्याचे म्हटले आहे.

नवीन AI ऍप्लिकेशन्समध्ये स्केलेबिलिटीची समस्या

या अहवालात एजंटिक (agentic) आणि फिजिकल AI (physical AI) सारख्या ऍडव्हान्स्ड AI प्रकारांमध्ये वाढत्या स्वारस्याचाही उल्लेख आहे. हे डिजिटल कामांपलीकडे जाऊन मॅन्युफॅक्चरिंगसारख्या क्षेत्रांमध्येही प्रवेश करत आहेत. हे आशादायक असले तरी, या नवीन मॉडेल्समध्ये उत्तरदायित्व (accountability), विश्वासार्हता (reliability) आणि देखरेख (oversight) यासारख्या गुंतागुंतीच्या गोष्टी आहेत.

IT लीडर्सना असे आढळून येत आहे की AI स्केल करताना सध्याच्या ऍप्लिकेशन सिस्टीम्स, डेटा व्यवस्थापन आणि ऑपरेशनल स्ट्रक्चर्सच्या मर्यादा उघड होत आहेत, ज्या या सतत विकसित होणाऱ्या सिस्टिम्ससाठी बनवलेल्या नाहीत. अनेक AI पायलट प्रोजेक्ट्स इंटीग्रेशन समस्या आणि कंपनी समर्थनाच्या अभावामुळे पूर्ण उत्पादन (full production) स्तरावर पोहोचू शकत नाहीत.

संरचनात्मक कमकुवतपणा आणि डेटा समस्यांमुळे AI अपयशी

AI प्रोजेक्ट्समधील उच्च अपयश दर (अंदाजे 80% ते 95% अपेक्षित परिणाम देत नाहीत) खोलवर रुजलेल्या संघटनात्मक कमकुवतपणाकडे लक्ष वेधतो. यामध्ये तंत्रज्ञानावर जास्त लक्ष केंद्रित करणे, कमकुवत डेटा इन्फ्रास्ट्रक्चर आणि स्पष्ट यशाचे मेट्रिक्स नसणे यांचा समावेश आहे. डेटा क्वालिटीची समस्या गंभीर आहे, ज्यामुळे कंपन्यांना दरवर्षी लाखो रुपयांचे नुकसान होते.

याव्यतिरिक्त, AI चा जलद अवलंब अनेकदा गव्हर्नन्स स्ट्रक्चर्स (governance structures) विकसित होण्यापूर्वीच होतो, ज्यामुळे एक मोठा 'गव्हर्नन्स गॅप' (governance gap) तयार होतो. जुन्या लेगसी सिस्टीम्स (legacy systems) वापरणे देखील एक मोठे अडथळा आहे, कारण अनेक AI सोल्यूशन्स जुन्या इन्फ्रास्ट्रक्चरमध्ये चांगले बसत नाहीत.

AI चे भविष्य संघटनात्मक तयारीवर अवलंबून

AI लागू करण्याची पद्धत आता फक्त 'किती लोकांनी वापरले' यावरून बदलून, कंपन्यांचे ध्येय, अंमलबजावणी आणि उत्तरदायित्व वास्तववादी टाइमलाइनमध्ये संतुलित करण्याची क्षमता तपासण्याकडे वळत आहे. एचसीएलटेकचे CTO आणि हेड ऑफ इकोसिस्टम्स विजय गुण्टू (Vijay Guntur) यांनी सांगितले की, वेगामुळे अपयश वाढू शकते, जर लोकांना AI सोबत समज, विश्वास आणि प्रभावी सहयोग निर्माण करण्यासाठी पुरेसी गुंतवणूक केली नाही. AI इंटिग्रेशनचा पुढील टप्पा केवळ तांत्रिक तयारीच नाही, तर नेते आणि कर्मचाऱ्यांची रणनीतिक आणि ऑपरेशनल तयारीचीही परीक्षा घेईल. AI व्यवसायाचा एक मुख्य भाग बनत असल्याने, यश हे मजबूत चेंज मॅनेजमेंट, डेटा तयारी आणि AI प्रयत्नांना व्यावसायिक ध्येयांशी संरेखित करून एक्झिक्युशन गॅप कमी करण्यावर अवलंबून असेल.