आर्टिफिशियल इंटेलिजन्स (AI) च्या जगात आता फक्त हायप (Hype) नाही, तर प्रत्यक्षातील आव्हानं समोर येत आहेत. ग्लोबल टेक लीडर्स विजेचा प्रचंड वापर, वाढत्या खर्चावर आणि AI प्रोजेक्ट्सच्या अंमलबजावणीतील अडचणींवर लक्ष केंद्रित करत आहेत. यामुळे भारतीय IT कंपन्यांना आता नफ्याला (Profitability) प्राधान्य देत, महसूल वाढीवर (Revenue Growth) लक्ष केंद्रित करावे लागणार आहे.
काय घडले?
सध्या सिलिकॉन व्हॅलीतील (Silicon Valley) मोठे टेक लीडर्स आर्टिफिशियल इंटेलिजन्सच्या (AI) संभाव्यतेकडून प्रत्यक्षात ते वापरताना येणाऱ्या अडचणींकडे वळले आहेत. AI च्या सुरुवातीच्या लाटेत उत्साह आणि गुंतवणुकीवर भर होता, पण आता तीन मोठ्या आव्हानांवर चर्चा सुरू आहे: AI डेटा सेंटर्ससाठी लागणारी प्रचंड वीज, लहान प्रोजेक्ट्सना मोठ्या उत्पादनात रूपांतरित करण्याची कसरत आणि 'टोकन इकॉनॉमिक्स'चा (Token Economics) वाढता खर्च, जो मिळणाऱ्या फायद्यापेक्षा जास्त ठरत आहे.
ही जागतिक परिस्थिती आता भारतीय तंत्रज्ञान क्षेत्रातही दिसून येत आहे. भारतीय कंपन्या AI वापरून बघण्यात सक्रिय असल्या तरी, त्याचा ठोस व्यावसायिक फायदा मिळविण्यात त्यांना अडचणी येत आहेत. हा बदल केवळ AI स्वीकारण्याचा नसून, त्याला टिकाऊ आणि परवडणारे बनवण्यासाठी आवश्यक पायाभूत सुविधा, कुशल मनुष्यबळ आणि प्रशासकीय चौकट तयार करण्याचा आहे.
वीज आणि पायाभूत सुविधांची अडचण
आधुनिक AI मॉडेल्ससाठी लागणारी प्रचंड कंप्युटिंग पॉवर (Computing Power) यामुळे विजेची उपलब्धता एक मोठी समस्या बनली आहे. भारतात, 2031-32 पर्यंत डेटा सेंटरची विजेची मागणी 13.56 गिगावॅट्सपर्यंत पोहोचण्याचा अंदाज आहे, ज्यामुळे ग्रिड नियोजन आणि वीज सुरक्षेसमोर मोठे आव्हान उभे राहिले आहे.
उद्योग क्षेत्रातील नेते यावर भर देतात की वीज आता केवळ एक युटिलिटी कॉस्ट (Utility Cost) राहिलेली नाही, तर ती डेटा सेंटरच्या वाढीसाठी एक सीमा बनली आहे. जसजशा कंपन्या मोठ्या AI फॅक्टरीजकडे वाटचाल करत आहेत, तसतशी वीज पुरवठ्याची निश्चितता मॉडेलच्या कार्यक्षमतेइतकीच महत्त्वाची ठरत आहे. गुंतवणूकदारांसाठी, पायाभूत सुविधा पुरवणारे आणि ऊर्जा-कार्यक्षम डेटा सेंटर ऑपरेटर (Data Center Operators) हे AI च्या दीर्घकालीन कथानकाचे केंद्र बनले आहेत.
भारतीय IT सेवा क्षेत्रावर मार्जिनचा दबाव
भारतीय IT सेवा क्षेत्रासाठी AI चा प्रभाव संरचनात्मक आहे. सध्या उद्योग एका अनिश्चित मागणीच्या वातावरणाचा सामना करत आहे, जिथे अनेक मोठ्या कंपन्यांची महसूल वाढ (Revenue Growth) 2-3% च्या पातळीवर स्थिरावली आहे.
जनरेटिव्ह AI (Generative AI) पारंपरिक आउटसोर्सिंग मॉडेलवर 'डि‘फ्लेशनरी' (Deflationary) दबाव आणत आहे. ऑटोमेशन टूल्समुळे ॲप्लिकेशन मेंटेनन्स (Application Maintenance) आणि टेस्टिंगसारख्या कामांसाठी लागणारा मानवी वेळ कमी होत आहे, ज्यामुळे पारंपरिक 'बिल करण्यायोग्य तास' (Billable Hours) मॉडेल संकुचित होत आहे. याला प्रतिसाद म्हणून, टॉप भारतीय IT कंपन्या कमी नफ्याचे (Low-margin) करार टाळत आहेत, जे नफ्याच्या कडक मर्यादा पूर्ण करत नाहीत. हा एक मूलभूत बदल दर्शवतो: नेते कोणत्याही किमतीवर महसूल वाढीचा पाठलाग करण्याऐवजी आपल्या नफ्याच्या मार्जिनचे संरक्षण करण्यास प्राधान्य देत आहेत.
एंटरप्राइज डिप्लॉयमेंटमधील 'व्हॅली ऑफ डेथ' (Valley of Death)
AI प्रयोग (Experimentation) आणि प्रत्यक्ष वापर (Production) यामध्ये एक मोठी दरी निर्माण झाली आहे. जवळपास निम्म्या भारतीय संस्था अनेक AI पायलेट्स (Pilots) चालवत असल्या तरी, अनेकजण या प्रोजेक्ट्सना पूर्ण-स्तरीय ऑपरेशनमध्ये रूपांतरित करण्यासाठी धडपडत आहेत.
येथे मुख्य अडथळे मॉडेल्स नसून, खराब दर्जाचा एंटरप्राइज डेटा (Enterprise Data), कमकुवत प्रशासन चौकट (Governance Frameworks) आणि स्पष्ट 'गुंतवणुकीवरील परतावा' (ROI) मेट्रिक्सचा अभाव हे आहेत. यामुळे 'पायलट फटीग' (Pilot Fatigue) होत आहे, जिथे सहा ते बारा महिन्यांत परिणाम न दाखवणारे प्रोजेक्ट्स कार्यकारी समर्थन आणि निधी गमावतात.
गुंतवणूकदारांनी पुढे काय पाहावे?
गुंतवणूकदारांनी सामान्य AI हायपच्या पलीकडे जाऊन विशिष्ट ऑपरेशनल मार्करवर लक्ष केंद्रित केले पाहिजे.
- मार्जिन संरक्षण (Margin Protection): महसुलाच्या रचनेत बदल होऊनही IT सेवा कंपन्या आपल्या मार्जिनचे संरक्षण किंवा सुधारणा कशा करतात यावर लक्ष ठेवा. जे फर्म्स केवळ इंजिनिअरिंग तास विकण्याऐवजी 'निकाल-आधारित' (Outcome-based) किंवा 'प्लॅटफॉर्म-आधारित' (Platform-based) सेवा यशस्वीपणे विकू शकतात, ते चांगल्या स्थितीत असतील.
- पायाभूत सुविधांची रणनीती (Infrastructure Strategy): सुरक्षित, ऊर्जा-कार्यक्षम आणि टिकाऊ डेटा सेंटर पायाभूत सुविधांमध्ये गुंतवणूक करणाऱ्या कंपन्यांवर लक्ष ठेवा, कारण AI विस्ताराच्या पुढील टप्प्यात विजेची उपलब्धता विजेत्यांना ठरवेल.
- मनुष्यबळाचे अनुकूलन (Talent Adaptation): कर्मचाऱ्यांचे री-स्किलिंग (Reskilling) करण्यावर कंपनीचा भर कसा आहे यावर लक्ष ठेवा. AI टॅलेंट गॅप (Talent Gap) अजूनही एक मोठे आव्हान आहे आणि जे फर्म्स आपल्या विद्यमान कर्मचाऱ्यांमध्ये AI क्षमता पद्धतशीरपणे निर्माण करू शकतात, त्यांना महागड्या नवीन कर्मचाऱ्यांवर अवलंबून असलेल्यांच्या तुलनेत कमी भरती खर्च येईल.
- उत्पादन-स्तरीय महसूल (Production-Scale Revenue): येणाऱ्या तिमाहीत सर्वात महत्त्वाचे मेट्रिक हे असेल की किती महसूल पूर्णपणे कार्यरत असलेल्या AI प्रोजेक्ट्समधून तयार होतो, केवळ लॉन्च केलेल्या AI पायलेट्सच्या संख्येवरून नाही.