भारतातील जवळपास निम्मे उद्योग AI चा वापर करत असले तरी, केवळ १५% कंपन्याच या तंत्रज्ञानाचा यशस्वीपणे विस्तार करू शकल्या आहेत. डेटा इन्फ्रास्ट्रक्चर आणि प्रक्रियांच्या पुनर्निर्माणातील मोठे अडथळे कंपन्यांना केवळ प्रायोगिक टप्प्यात अडकवून ठेवत आहेत.
AI चा विस्तार, पण किती यशस्वी?
भारतात आर्टिफिशियल इंटेलिजन्स (AI) हा चर्चेचा विषय असला तरी, कंपन्यांना प्रत्यक्ष व्यावसायिक यश मिळवण्याचा मार्ग खूपच अवघड आहे. सध्या ४७% भारतीय कंपन्या AI चा वापर करत आहेत, पण यापैकी केवळ १५% कंपन्यांनीच AI तंत्रज्ञानाचा अनेक विभागांमध्ये यशस्वीपणे समावेश केला आहे. याचा अर्थ असा की, बहुतेक कंपन्या मर्यादित चाचण्यांच्या (pilot projects) पलीकडे जाऊन मोठे परिणाम साधण्यात अयशस्वी ठरत आहेत.
'फक्त फॅशन' नाही, तर 'पायाभूत सुविधा' महत्त्वाची!
AI यशस्वीपणे लागू करणे हे केवळ सॉफ्टवेअरच्या जटिलतेवर अवलंबून नसते. टाटा स्टील आणि अपोलो हॉस्पिटल्ससारख्या कंपन्यांनी अनेक वर्षांपासून पायाभूत सुविधांवर काम केले आहे. टाटा स्टीलने सुमारे एक दशक डेटा इन्फ्रास्ट्रक्चर तयार करण्यात घालवले आणि आता ते ६८० हून अधिक AI-आधारित ऍप्लिकेशन्स चालवतात. त्यांची रणनीती मानवी उत्पादकता वाढवण्यावर आहे, त्यांना बदलण्यावर नाही. यासाठी विशेष प्रतिभा आणि मजबूत डिजिटल फ्रेमवर्कवर सातत्याने भांडवली खर्च करणे आवश्यक आहे.
त्याचप्रमाणे, अपोलो हॉस्पिटल्सने AI ला वैद्यकीय निर्णय प्रक्रियेत समाविष्ट केले आहे. ते EASE फ्रेमवर्कवर लक्ष केंद्रित करतात – नैतिकता (Ethics), स्वीकारार्हता (Adoption), योग्यता (Suitability) आणि स्पष्टता (Explainability). यामुळे तंत्रज्ञान रुग्णांच्या सेवेसाठी फायदेशीर ठरते.
कार्यान्वयन (Operational) अडथळे
अनेक कंपन्या 'सँडबॉक्स ट्रॅप'मध्ये अडकल्या आहेत, जिथे यशस्वी लहान प्रयोग मोठे होऊ शकत नाहीत कारण कंपन्यांच्या अंतर्गत प्रक्रिया कार्यक्षम नाहीत. जुन्या किंवा सदोष वर्कफ्लोमध्ये AI जोडल्यास अनेकदा समस्यांचे ऑटोमेशन होते, उत्पादकता वाढत नाही. IBM Consulting सारख्या कंपन्यांचे तज्ञ सांगतात की, मुख्य व्यावसायिक प्रक्रिया पुन्हा डिझाइन करण्याचा प्रामाणिक हेतू नसणे, हा AI मधील अपयशाचे एक मोठे कारण आहे.
हिंदुस्तान युनिलिव्हर आणि एअरटेलसारख्या कंपन्यांनी AI चा वापर करून त्यांच्या पुरवठा साखळी व्यवस्थापन (supply chain management) आणि नेटवर्क कार्यक्षमतेत (network performance) मोठे बदल घडवले आहेत. या संस्थांनी डेटा सायलो (data silos) व्यवस्थित करण्यासाठी आणि माहितीचा मुक्त प्रवाह सुनिश्चित करण्यासाठी महत्त्वपूर्ण गुंतवणूक केली.
गुंतवणूकदारांसाठी भविष्यातील संकेत
गुंतवणूकदारांसाठी, AI चा कंपन्यांच्या नफ्यावर होणारा परिणाम तपासताना, केवळ तात्पुरते फायदे देणारे पायलट प्रोजेक्ट्स आणि खऱ्या अर्थाने यशस्वी झालेले विस्तार यातील फरक समजून घेणे महत्त्वाचे आहे. भविष्यात कंपन्यांची रिपोर्टिंग अधिक स्पष्ट होईल, जिथे पायाभूत सुविधांमधील गुंतवणुकीमुळे कार्यक्षमता मिळवणारे आणि केवळ प्रायोगिक खर्चात अडकलेले यांच्यात फरक दिसून येईल. गुंतवणूकदारांनी कंपन्यांकडून AI मुळे मार्जिन सुधारणा किंवा महसूल वाढीचा पुरावा मागितला पाहिजे. कर्मचाऱ्यांचे प्रशिक्षण आणि डेटा आर्किटेक्चरवर अनेक वर्षांचे काम करण्याची क्षमता हे दीर्घकालीन यशाचे मुख्य सूचक राहील.