ਭਾਰਤ ਦੀਆਂ ਕਾਰਪੋਰੇਟ ਕੰਪਨੀਆਂ ਦੇ ਬੋਰਡ ਹੁਣ AI (Artificial Intelligence) ਦੀ ਸਿਰਫ਼ ਸਿਫ਼ਰਾਂ 'ਚ ਗੱਲ ਕਰਨ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਇਸ ਦੇ ਸਖ਼ਤ ਨਿਯਮਾਂ ਅਤੇ ਪ੍ਰਸ਼ਾਸਨ 'ਤੇ ਧਿਆਨ ਦੇ ਰਹੇ ਹਨ। ਡਾਇਰੈਕਟਰ ਹੁਣ AI ਵਿੱਚ ਕੀਤੇ ਨਿਵੇਸ਼ਾਂ ਦੇ ਨਤੀਜੇ, ਡਾਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਵੈਂਡਰਾਂ ਦੀ ਜਵਾਬਦੇਹੀ ਨੂੰ ਬਾਰੀਕੀ ਨਾਲ ਜਾਂਚ ਰਹੇ ਹਨ ਤਾਂ ਜੋ ਜੋਖ਼ਮਾਂ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਪ੍ਰਬੰਧਿਤ ਕੀਤਾ ਜਾ ਸਕੇ।
AI ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਜਵਾਬਦੇਹੀ (Accountability in AI Implementation)
AI (Artificial Intelligence) ਦਾ ਇਸਤੇਮਾਲ ਹੁਣ ਸਿਰਫ਼ ਐਗਜ਼ੀਕਿਊਟਿਵ ਰਣਨੀਤੀ ਪੇਸ਼ਕਾਰੀਆਂ ਤੱਕ ਸੀਮਤ ਨਹੀਂ ਰਿਹਾ, ਸਗੋਂ ਇਹ ਬੋਰਡਰੂਮ ਵਿੱਚ ਡੂੰਘੀ ਜਾਂਚ ਦਾ ਵਿਸ਼ਾ ਬਣ ਗਿਆ ਹੈ। ਭਾਰਤੀ ਕੰਪਨੀਆਂ ਨੇ ਭਾਵੇਂ ਆਪਣੇ ਬਿਜ਼ਨਸ ਮਾਡਲਾਂ ਨੂੰ 'AI-ਪਹਿਲ' ਵਜੋਂ ਦੱਸਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ ਹੈ, ਪਰ ਹੁਣ ਬੋਰਡ ਇਹ ਪੱਕਾ ਸਬੂਤ ਮੰਗ ਰਹੇ ਹਨ ਕਿ ਇਹ ਟੈਕਨਾਲੋਜੀ ਕਿਵੇਂ ਕੰਮ ਕਰਦੀ ਹੈ, ਕੰਪਨੀ ਦਾ ਡਾਟਾ ਕਿੱਥੇ ਸਟੋਰ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਇਸ ਤੋਂ ਅਸਲ ਵਿੱਚ ਕਿੰਨਾ ਵਪਾਰਕ ਮੁੱਲ (Business Value) ਪੈਦਾ ਹੋ ਰਿਹਾ ਹੈ।
ਬਹੁਤ ਸਾਰੇ ਡਾਇਰੈਕਟਰਾਂ ਲਈ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਇਹ ਹੈ ਕਿ ਉਨ੍ਹਾਂ ਕੋਲ ਵੱਡੇ ਪੱਧਰ 'ਤੇ AI ਦੇ ਕਾਰਜਕਾਰੀ ਪਹਿਲੂਆਂ ਦਾ ਸਿੱਧਾ ਤਜਰਬਾ ਨਹੀਂ ਹੈ। ਜਿਵੇਂ-ਜਿਵੇਂ ਰੈਗੂਲੇਟਰ ਟੈਕਨਾਲੋਜੀ ਦੀ ਸਮਝ 'ਤੇ ਜ਼ੋਰ ਦੇ ਰਹੇ ਹਨ, ਬੋਰਡਾਂ ਵਿੱਚ ਵਿਸ਼ੇਸ਼ ਤਕਨੀਕੀ ਪਿਛੋਕੜ ਵਾਲੇ ਮੈਂਬਰਾਂ ਦੀ ਭਾਲ ਵਧ ਰਹੀ ਹੈ। ਹੁਣ ਹਰ AI ਪ੍ਰੋਜੈਕਟ ਲਈ ਖਾਸ ਮਾਲਕ (Owner) ਦੀ ਪਛਾਣ ਕਰਨ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਮਾਡਲ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ, ਸੰਭਾਵਿਤ ਗਲਤੀਆਂ ਅਤੇ ਕੰਪਨੀ ਦੇ ਸਮੁੱਚੇ ਵਪਾਰਕ ਟੀਚਿਆਂ ਨਾਲ ਇਸ ਦਾ ਤਾਲਮੇਲ ਬਣਿਆ ਰਹੇ। ਅਜਿਹੀ ਨਿਗਰਾਨੀ ਤੋਂ ਬਿਨਾਂ, ਕੰਪਨੀਆਂ ਨੂੰ ਕਾਰਜਕਾਰੀ ਅਸਥਿਰਤਾ ਜਾਂ ਸਰੋਤਾਂ ਦੀ ਅਸਰਦਾਰ ਵਰਤੋਂ ਨਾ ਹੋਣ ਵਰਗੇ ਜੋਖ਼ਮਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਸਕਦਾ ਹੈ।
ਡਾਟਾ ਗਵਰਨੈਂਸ ਅਤੇ ਵੈਂਡਰ ਜੋਖ਼ਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ (Managing Data Governance and Vendor Risks)
ਡਾਟਾ ਸੁਰੱਖਿਆ (Data Security) ਬੋਰਡਰੂਮ ਦੀ ਇੱਕ ਮੁੱਖ ਚਿੰਤਾ ਬਣ ਗਈ ਹੈ। ਜਦੋਂ ਕੰਪਨੀਆਂ ਬਾਹਰੀ AI ਟੂਲਜ਼ ਦੀ ਵਰਤੋਂ ਕਰਦੀਆਂ ਹਨ, ਤਾਂ ਡਾਇਰੈਕਟਰ ਹੁਣ ਇਹ ਪੁੱਛ ਰਹੇ ਹਨ ਕਿ ਵੈਂਡਰ ਕੰਪਨੀਆਂ ਦੇ ਸੰਵੇਦਨਸ਼ੀਲ ਡਾਟੇ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰੋਸੈਸ ਅਤੇ ਸਟੋਰ ਕਰਦੇ ਹਨ। ਇਹ ਜਾਂਚ ਇਸ ਲਈ ਮਹੱਤਵਪੂਰਨ ਹੈ ਕਿਉਂਕਿ ਤੀਜੀ-ਧਿਰ ਦੇ ਟੂਲਜ਼ ਨੂੰ ਸਪੱਸ਼ਟ ਡਾਟਾ ਗਵਰਨੈਂਸ ਤੋਂ ਬਿਨਾਂ ਵਰਤਣ ਨਾਲ ਕੰਪਨੀਆਂ ਵੱਡੇ ਸੁਰੱਖਿਆ ਉਲੰਘਣਾਂ (Security Breaches) ਦੇ ਜੋਖ਼ਮ ਵਿੱਚ ਆ ਸਕਦੀਆਂ ਹਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਬੋਰਡ AI ਵੈਂਡਰਾਂ ਦੀ ਚੋਣ ਵਿੱਚ ਵਧੇਰੇ ਸਾਵਧਾਨ ਹੋ ਰਹੇ ਹਨ, ਅਤੇ ਆਮ ਵਾਅਦਿਆਂ ਦੀ ਬਜਾਏ ਸਪੱਸ਼ਟ ਮੀਲਸਟੋਨਜ਼ 'ਤੇ ਧਿਆਨ ਕੇਂਦਰਿਤ ਕਰ ਰਹੇ ਹਨ, ਤਾਂ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਇਆ ਜਾ ਸਕੇ ਕਿ ਟੈਕਨਾਲੋਜੀ 'ਤੇ ਖਰਚਾ ਅਸਲ ਬਿਜ਼ਨਸ ਲੋੜਾਂ ਅਤੇ ਬਜਟ ਅਨੁਸ਼ਾਸਨ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੋਵੇ।
ਸਫਲਤਾ ਲਈ ਸਪੱਸ਼ਟ ਮੈਟ੍ਰਿਕਸ ਨਿਰਧਾਰਤ ਕਰਨਾ (Setting Clear Metrics for Success)
AI ਨਿਵੇਸ਼ਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਨੂੰ ਹੁਣ ਖਾਸ, ਪੂਰਵ-ਨਿਰਧਾਰਤ ਨਤੀਜਿਆਂ (Predefined Outcomes) ਰਾਹੀਂ ਮਾਪਿਆ ਜਾ ਰਿਹਾ ਹੈ। AI ਨੂੰ ਕੁਸ਼ਲਤਾ (Efficiency) ਦਾ ਇੱਕ ਆਮ ਚਾਲਕ ਮੰਨਣ ਦੀ ਬਜਾਏ, ਬੋਰਡ ਸਫਲਤਾ ਦੇ ਮਾਪਣਯੋਗ ਸੂਚਕਾਂਕ (Measurable Indicators) ਮੰਗ ਰਹੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਸ਼ੁੱਧਤਾ (Accuracy) ਵਿੱਚ ਸੁਧਾਰ, ਲਾਗਤ ਵਿੱਚ ਕਮੀ, ਜਾਂ ਜੋਖ਼ਮ ਘਟਾਉਣਾ। ਜਵਾਬਦੇਹੀ ਵੱਲ ਇਹ ਤਬਦੀਲੀ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਕੰਪਨੀਆਂ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਟੂਲਜ਼ 'ਤੇ ਜ਼ਿਆਦਾ ਖਰਚਾ ਨਾ ਕਰਨ। AI ਤੈਨਾਤੀਆਂ ਨੂੰ ਨਿਰਧਾਰਤ ਵਿੱਤੀ ਅਤੇ ਕਾਰਜਕਾਰੀ ਟੀਚਿਆਂ ਨਾਲ ਜੋੜ ਕੇ, ਕੰਪਨੀਆਂ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣਾ ਚਾਹੁੰਦੀਆਂ ਹਨ ਕਿ ਇਹ ਤਕਨੀਕੀ ਤਰੱਕੀ ਕੇਵਲ ਅਸਥਾਈ ਉਤਪਾਦਕਤਾ ਲਾਭਾਂ ਦੀ ਬਜਾਏ ਟਿਕਾਊ, ਲੰਬੇ ਸਮੇਂ ਦੇ ਮੁੱਲ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਵੇ। ਨਿਵੇਸ਼ਕ ਇਹ ਦੇਖਣ ਲਈ ਕੰਪਨੀਆਂ ਦੇ ਸਾਲਾਨਾ ਰਿਪੋਰਟਾਂ ਅਤੇ ਨਿਵੇਸ਼ਕ ਪੇਸ਼ਕਾਰੀਆਂ ਵਿੱਚ ਇਹ ਗਵਰਨੈਂਸ ਢਾਂਚੇ ਕਿਵੇਂ ਪ੍ਰਗਟ ਕਰਦੇ ਹਨ, ਇਸ 'ਤੇ ਨਜ਼ਰ ਰੱਖ ਸਕਦੇ ਹਨ ਤਾਂ ਜੋ ਇਹ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾ ਸਕੇ ਕਿ ਪ੍ਰਬੰਧਨ ਨਵੀਨਤਾ (Innovation) ਦੀ ਇੱਛਾ ਨੂੰ ਕਾਰਜਕਾਰੀ ਸਥਿਰਤਾ ਬਣਾਈ ਰੱਖਣ ਦੀ ਲੋੜ ਨਾਲ ਕਿਵੇਂ ਸੰਤੁਲਿਤ ਕਰਦਾ ਹੈ।