भारतातील आघाडीच्या IT कंपन्या TCS, Infosys आणि Wipro यांनी मिळून 3 लाखाहून अधिक Microsoft Copilot Licenses चा वापर सुरू केला आहे. एंटरप्राइज AI च्या दिशेने हे एक मोठे पाऊल मानले जात आहे. मात्र, यामुळे कंपन्यांना कर्मचाऱ्यांची उत्पादकता (Productivity) आणि डेटा सिक्युरिटी (Data Security) यांच्यात समतोल साधावा लागणार आहे.
काय घडले?
भारतातील सर्वात मोठ्या IT सेवा कंपन्या - टाटा कन्सल्टन्सी सर्व्हिसेस (TCS), इन्फोसिस (Infosys) आणि विप्रो (Wipro) यांनी AI (Artificial Intelligence) च्या वापरात मोठी गती घेतली आहे. गेल्या सहा महिन्यांत या कंपन्यांनी एकत्रितपणे 300,000 पेक्षा जास्त Microsoft Copilot Licenses चा वापर सुरू केला आहे. AI चा केवळ प्रायोगिक वापर करण्याऐवजी आता मोठ्या प्रमाणावर एंटरप्राइज स्तरावर याचा अवलंब केला जात आहे. या AI टूल्सचा वापर करून कंपन्या त्यांची उत्पादकता वाढवण्याचा आणि जगभरातील क्लायंट्सना AI-आधारित सोल्युशन्स देण्याचा प्रयत्न करत आहेत. तथापि, इतक्या मोठ्या प्रमाणात AI चा वापर सुरु केल्याने, कंपन्यांपुढे नवकल्पनांना (Innovation) प्रोत्साहन देतानाच या टूल्सवर नियंत्रण ठेवण्याचे मोठे आव्हान उभे राहिले आहे.
व्यवस्थापनासमोरील मोठे आव्हान
सध्या कॉर्पोरेट कंपन्या AI चा वापर करण्याच्या दोन मुख्य पद्धतींमध्ये निवड करत आहेत. 'टॉप-डाउन' (Top-down) दृष्टिकोन म्हणजे नेतृत्वाने विशिष्ट, तपासलेली टूल्स वापरण्याचे बंधन घालणे. यामुळे सुरक्षितता मिळते, पण ही प्रक्रिया धीम्या गतीने होते आणि खर्चिक ठरू शकते. दुसरा मार्ग म्हणजे 'बॉटम-अप' (Bottom-up) दृष्टिकोन, ज्यात कर्मचारी स्वतःच्या कामातील समस्या जलद सोडवण्यासाठी विविध AI ॲप्लिकेशन्स वापरतात. यामुळे कल्पनाशक्तीला चालना मिळते, पण 'शॅडो IT' (Shadow IT) चा धोका वाढतो. यात संवेदनशील कंपनी डेटा अनधिकृत AI प्लॅटफॉर्मवर प्रक्रिया केला जाऊ शकतो. भागधारकांसाठी (Shareholders) ही चिंतेची बाब आहे. कारण एकतर जास्त खर्च किंवा दुसऱ्या बाजूला डेटा चोरीचा धोका आहे.
डेटा गोपनीयता आणि कायदेशीर धोके
भारतातील IT कंपन्यांसाठी नियामक कायदे अधिक कडक होत आहेत. डिजिटल पर्सनल डेटा प्रोटेक्शन (DPDP) कायदा लागू झाल्यामुळे डेटा लीक झाल्यास मोठा फटका बसू शकतो. जर एखाद्या कर्मचाऱ्याने अनधिकृत AI टूल वापरले आणि क्लायंटचा डेटा चुकून शेअर झाला, तर IT फर्मला केवळ प्रतिष्ठेची हानीच नाही, तर कायदेशीर कारवाईलाही सामोरे जावे लागू शकते. त्यामुळे, भारतीय IT कंपन्या आता 'गव्हर्न्ड ऑटोनॉमी' (Governed Autonomy) मॉडेलला प्राधान्य देत आहेत. यात कर्मचाऱ्यांना AI टूल्स वापरण्याची मुभा आहे, परंतु ते एका कठोरपणे नियंत्रित आणि सुरक्षित फ्रेमवर्कमध्ये असावे. यासाठी AI चा वापर कसा होत आहे यावर रिअल-टाईम (Real-time) लक्ष ठेवण्यासाठी विशेष 'कंट्रोल प्लेन्स' (Control Planes) स्थापित केले जात आहेत.
नफा मार्जिन आणि भविष्यातील कार्यक्षमतेवर परिणाम
गुंतवणूकदार (Investors) AI चा नफ्यावर (Margins) काय परिणाम होतो याकडे लक्ष देतात. सध्या, अनेक तज्ञांना आर्थिकदृष्ट्या अव्यवहार्य वाटणारे महागडे, खासगी लार्ज लँग्वेज मॉडेल्स (Large Language Models) तयार करण्यापासून उद्योग दूर जात आहे. त्याऐवजी, विशिष्ट क्लायंटच्या गरजांसाठी विद्यमान मॉडेल्सना फाइन-ट्यून (Fine-tune) करण्यावर लक्ष केंद्रित केले जात आहे. ही एक अधिक किफायतशीर रणनीती आहे. गुंतवणूकदारांसाठी महत्त्वाची गोष्ट म्हणजे हे AI मधील गुंतवणूक क्लायंटकडून जास्त बिलिंग रेट्समध्ये रूपांतरित होत आहे की केवळ ऑपरेटिंग खर्चात वाढ करत आहे, हे तपासणे. जसजसे या कंपन्या विस्तार करतील, तसतसे AI मुळे नियमित कोडिंग कामांमध्ये लागणारा वेळ कमी होऊन कालांतराने नेट प्रॉफिट मार्जिन (Net Profit Margin) सुधारेल, अशी अपेक्षा आहे.
गुंतवणूकदारांनी पुढे काय पहावे?
भविष्यात, भागधारकांनी तीन विशिष्ट क्षेत्रांवर लक्ष ठेवले पाहिजे. पहिले, त्रैमासिक निकालांमध्ये 'AI-आधारित महसूल वाढी' (AI-led revenue growth) बद्दलच्या चर्चेकडे लक्ष द्यावे, जेणेकरून ही गुंतवणूक प्रत्यक्ष क्लायंट करारांमध्ये रूपांतरित होत आहे की नाही हे समजेल. दुसरे, डेटा सुरक्षा नियमांचे पालन करण्याबद्दलच्या घोषणांवर लक्ष द्यावे, कारण नवीन नियमांनुसार हेच या कंपन्यांचे जोखीम प्रोफाइल (Risk Profile) निश्चित करेल. तिसरे, सॉफ्टवेअर लायसन्सिंग खर्च विरुद्ध उत्पादकता वाढीचा कल (Trend) पाहावा, जेणेकरून सध्याचा आक्रमक अवलंब खरोखरच ऑपरेशनल कार्यक्षमता (Operational Efficiency) वाढवत आहे की नाही हे समजू शकेल.