AaaS ਦੀ ਮੰਗ ਤੇਜ਼, ਪਰ ROI ਸਾਬਤ ਕਰਨਾ ਵੱਡੀ ਚੁਣੌਤੀ: ਜਾਣੋ ਕਾਰਨ

AaaS: ਵਾਅਦੇ ਬਨਾਮ ਅਸਲੀਅਤ

Agent-as-a-Service (AaaS) ਕਾਰੋਬਾਰ ਕਰਨ ਦੇ ਤਰੀਕੇ ਬਦਲ ਰਿਹਾ ਹੈ, ਜਿਸ ਨਾਲ ਕੰਮ ਪੂਰੀ ਤਰ੍ਹਾਂ ਆਟੋਮੇਟਿਡ ਹੋ ਰਹੇ ਹਨ। ਹਾਲਾਂਕਿ ਕੁਸ਼ਲਤਾ (efficiency) ਦੀ ਸੰਭਾਵਨਾ ਬਹੁਤ ਰੋਮਾਂਚਕ ਹੈ, ਪਰ ਇਸਨੂੰ ਅਮਲ ਵਿੱਚ ਲਿਆਉਣ ਵਿੱਚ ਕਾਫੀ ਮੁਸ਼ਕਲਾਂ ਆ ਰਹੀਆਂ ਹਨ। ਆਸਾਨ ਆਟੋਮੇਸ਼ਨ ਦਾ ਵਿਚਾਰ ਅਕਸਰ ਲਾਗੂ ਕਰਨ, ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਅਤੇ ਤਕਨਾਲੋਜੀ 'ਤੇ ਹੋ ਰਹੇ ਖਰਚੇ ਨੂੰ ਸਪੱਸ਼ਟ ਵਿੱਤੀ ਲਾਭ ਵਿੱਚ ਬਦਲਣ ਲਈ ਸੰਘਰਸ਼ ਕਰਨ ਦੀ ਗੁੰਝਲਦਾਰ ਹਕੀਕਤ ਨੂੰ ਲੁਕਾ ਦਿੰਦਾ ਹੈ।

ROI ਸਾਬਤ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲ

AI ਏਜੰਟ ਤਕਨਾਲੋਜੀ ਦੇ ਵਿਆਪਕ ਪ੍ਰਚਲਨ ਅਤੇ ਕੰਪਨੀਆਂ ਦੁਆਰਾ ਕੀਤੇ ਜਾ ਰਹੇ ਭਾਰੀ ਨਿਵੇਸ਼ ਦੇ ਬਾਵਜੂਦ, AI ਪ੍ਰੋਜੈਕਟਾਂ, ਜਿਸ ਵਿੱਚ AaaS ਵੀ ਸ਼ਾਮਲ ਹੈ, ਤੋਂ ਮਿਲਣ ਵਾਲਾ ਅਸਲ ਰਿਟਰਨ ਆਨ ਇਨਵੈਸਟਮੈਂਟ (ROI) ਅਕਸਰ ਉਮੀਦਾਂ 'ਤੇ ਖਰਾ ਨਹੀਂ ਉਤਰਦਾ। 2025 ਵਿੱਚ IBM Institute for Business Values ਦੇ ਇੱਕ ਅਧਿਐਨ ਵਿੱਚ ਪਾਇਆ ਗਿਆ ਕਿ ਸਿਰਫ 25% AI ਪਹਿਲਕਦਮੀਆਂ ਆਪਣੇ ਮਨਸੂਬੇ ਮੁਤਾਬਕ ROI ਪ੍ਰਾਪਤ ਕਰ ਸਕੀਆਂ, ਜਦੋਂ ਕਿ ਸਿਰਫ 16% ਹੀ ਪੂਰੀ ਕੰਪਨੀ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਲਾਗੂ (scaled) ਹੋਈਆਂ। Forrester ਦੇ ਅੰਕੜੇ ਵੀ ਇਸੇ ਤਰ੍ਹਾਂ ਦਾ ਰੁਝਾਨ ਦਿਖਾਉਂਦੇ ਹਨ, ਜਿਸ ਅਨੁਸਾਰ ਸਿਰਫ 10-15% AI ਪ੍ਰੋਜੈਕਟ ਹੀ ਲਗਾਤਾਰ ਵਰਤੋਂ ਵਿੱਚ ਆਏ ਹਨ। ਇਹ ਪਾੜਾ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ AI ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਬਾਰੇ ਉਤਸ਼ਾਹ, ਨਤੀਜਿਆਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਅਤੇ ਮਾਪਣ ਦੀ ਵਿਹਾਰਕ ਯੋਗਤਾ ਤੋਂ ਅੱਗੇ ਹੈ। ਦਿਲਚਸਪ ਗੱਲ ਇਹ ਹੈ ਕਿ ਛੋਟੇ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੇ ਕਈ ਵਾਰ ਵੱਡੇ ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ROI ਦਿੱਤਾ ਹੈ, ਜੋ ਕਿ ਇਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ ਕਿ ਵੱਡੇ ਪ੍ਰੋਗਰਾਮਾਂ ਵਿੱਚ ਗੁੰਝਲਤਾ ਅਤੇ ਦਾਇਰੇ ਨੂੰ ਵਧਾਉਣਾ ਲਾਭ ਘਟਾ ਸਕਦਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, AaaS ਲਈ ਖਰਚੇ ਵਧ ਰਹੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਮਾਡਲ ਦੀ ਵਰਤੋਂ, ਬੁਨਿਆਦੀ ਢਾਂਚਾ ਅਤੇ ਰੱਖ-ਰਖਾਅ ਦੇ ਖਰਚੇ ਮਹੱਤਵਪੂਰਨ ਕਾਰਜਕਾਰੀ ਕਾਰਕ ਹਨ।

ਮੁੱਖ ਜੋਖਮ ਅਤੇ ਸ਼ਾਸਨ (Governance) ਦੀਆਂ ਚੁਣੌਤੀਆਂ

AaaS ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਕਈ ਤਰ੍ਹਾਂ ਦੇ ਜੋਖਮ ਸ਼ਾਮਲ ਹੁੰਦੇ ਹਨ ਜਿਨ੍ਹਾਂ ਲਈ ਸਾਵਧਾਨ ਪ੍ਰਬੰਧਨ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਅਧੂਰੇ ਡਾਟਾ ਜਾਂ AI ਮਾਡਲਾਂ ਤੋਂ 'hallucinations' ਕਾਰਨ ਸ਼ੁੱਧਤਾ (accuracy) ਨਾਲ ਜੁੜੀਆਂ ਸਮੱਸਿਆਵਾਂ ਇੱਕ ਲਗਾਤਾਰ ਸਮੱਸਿਆ ਬਣੀਆਂ ਹੋਈਆਂ ਹਨ, ਜਿਸ ਨਾਲ ਗਲਤ ਨਤੀਜੇ ਅਤੇ ਮਾੜੇ ਫੈਸਲੇ ਹੁੰਦੇ ਹਨ। ਸ਼ਾਸਨ ਇੱਕ ਵੱਡੀ ਚੁਣੌਤੀ ਹੈ ਕਿਉਂਕਿ ਕੰਪਨੀਆਂ ਏਜੰਟ ਦੀ ਖੁਦਮੁਖਤਿਆਰੀ (autonomy), ਡਾਟਾ ਪਹੁੰਚ, ਜਵਾਬਦੇਹੀ (accountability) ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰਨ ਲਈ ਕੰਮ ਕਰ ਰਹੀਆਂ ਹਨ। FINRA ਵਰਗੇ ਰੈਗੂਲੇਟਰ, ਖਾਸ ਕਰਕੇ ਵਿੱਤੀ ਸੇਵਾਵਾਂ (financial services) ਲਈ, ਇਹਨਾਂ ਚਿੰਤਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰ ਰਹੇ ਹਨ। ਇੱਥੇ ਜੋਖਮਾਂ ਵਿੱਚ ਖੁਦਮੁਖਤਿਆਰੀ ਅਤੇ ਦਾਇਰੇ ਦੀਆਂ ਸਮੱਸਿਆਵਾਂ, ਆਡਿਟ ਕਰਨ ਵਿੱਚ ਮੁਸ਼ਕਲਾਂ, ਡਾਟਾ ਉਲੰਘਣਾ (data breaches), ਅਤੇ ਪੱਖਪਾਤ (bias) ਅਤੇ hallucinations ਵਰਗੇ ਜਨਰੇਟਿਵ AI ਦੇ ਖਤਰੇ ਸ਼ਾਮਲ ਹਨ। ਡਾਟਾ ਦੀ ਗੁਣਵੱਤਾ ਯਕੀਨੀ ਬਣਾਉਣਾ ਬਹੁਤ ਜ਼ਰੂਰੀ ਹੈ, ਕਿਉਂਕਿ ਮਾੜਾ ਡਾਟਾ ਮਾੜੀ AI ਕਾਰਗੁਜ਼ਾਰੀ ਦਾ ਕਾਰਨ ਬਣਦਾ ਹੈ। ਫਾਊਂਡੇਸ਼ਨਲ ਮਾਡਲ ਪ੍ਰਦਾਤਾਵਾਂ 'ਤੇ ਨਿਰਭਰਤਾ ਵੀ ਵਪਾਰਕ ਜੋਖਮ ਪੈਦਾ ਕਰਦੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਦਾਤਾ ਮਾਰਕੀਤ ਸ਼ਕਤੀ ਹਾਸਲ ਕਰਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਮੁਨਾਫੇ ਦੇ ਮਾਰਜਨ ਘੱਟ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ NVIDIA ਵਰਗੀਆਂ ਕੰਪਨੀਆਂ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਵਿਕਾਸ ਨੂੰ ਅੱਗੇ ਵਧਾ ਰਹੀਆਂ ਹਨ, ਪਰ ਕੰਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਦੀ ਮੰਗ ਅਕਸਰ ਪੂਰਤੀ ਤੋਂ ਵੱਧ ਹੁੰਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਰੁਕਾਵਟਾਂ ਪੈਦਾ ਹੁੰਦੀਆਂ ਹਨ। ਕਾਰਪੋਰੇਟ ਖਰਚਿਆਂ ਕਾਰਨ ਉੱਤਰੀ ਅਮਰੀਕਾ ਖੇਤਰ AI ਆਟੋਮੇਸ਼ਨ ਬਾਜ਼ਾਰ ਵਿੱਚ ਅੱਗੇ ਹੈ, ਪਰ ਹਰ ਜਗ੍ਹਾ ਮਜ਼ਬੂਤ ​​ਸ਼ਾਸਨ ਦੀ ਲੋੜ ਹੈ।

ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਰੋਕ

ਬਹੁਤ ਸਾਰੀਆਂ ਕੰਪਨੀਆਂ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਸ਼ੁਰੂਆਤੀ ਜਾਂਚ (testing) ਤੋਂ ਪੂਰੇ ਪੱਧਰ ਦੇ ਸੰਚਾਲਨ (operation) ਤੱਕ ਲਿਜਾਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਵਿੱਚ ਅਸਫਲ ਹੋ ਜਾਂਦੀਆਂ ਹਨ। ਇਸ 'ਗੁੰਝਲਦਾਰ ਮੱਧ' (messy middle) ਵਿੱਚ ਡਾਟਾ ਤਿਆਰੀ, ਏਕੀਕਰਨ ਦਾ ਕੰਮ, ਵਪਾਰਕ ਪ੍ਰਕਿਰਿਆਵਾਂ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਅਤੇ ਨਿਰੰਤਰ ਰੱਖ-ਰਖਾਅ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਲਈ ਅਕਸਰ ਉਮੀਦ ਤੋਂ ਵੱਧ ਸਰੋਤਾਂ ਦੀ ਲੋੜ ਪੈਂਦੀ ਹੈ। AI ਰੈਡੀਨੈੱਸ ਸਮਰੱਥਾ ਬਾਰੇ ਹੈ, ਨਾ ਕਿ ਸਿਰਫ ਨਵੇਂ ਟੂਲ ਖਰੀਦਣ ਬਾਰੇ; ਇਸ ਲਈ ਭਰੋਸੇਯੋਗ ਡਾਟਾ ਅਤੇ ਆਡਿਟ ਕਰਨ ਯੋਗ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਹਾਲਾਂਕਿ AaaS ਅਪਣਾਉਣ ਦੀ ਉਮੀਦ 2030 ਤੱਕ $73.9 ਬਿਲੀਅਨ ਤੱਕ ਤੇਜ਼ੀ ਨਾਲ ਵਧਣ ਦੀ ਹੈ, ਪਰ ਬਹੁਤ ਸਾਰੇ AI ਪ੍ਰੋਜੈਕਟ ਮੁੱਲ ਪ੍ਰਦਾਨ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ ਜਾਂ ਪ੍ਰਯੋਗਾਤਮਕ ਪੜਾਅ ਤੋਂ ਕਦੇ ਬਾਹਰ ਨਹੀਂ ਨਿਕਲਦੇ। ਇਹ ਅਸਫਲਤਾਵਾਂ ਅਕਸਰ ਅਸਪਸ਼ਟ ਜ਼ਿੰਮੇਵਾਰੀਆਂ, ਕਮਜ਼ੋਰ ਸ਼ਾਸਨ, ਅਤੇ ਅੰਦਰੂਨੀ ਕੁਸ਼ਲਤਾ ਲਾਭਾਂ ਤੋਂ ਸਪੱਸ਼ਟ ਵਿੱਤੀ ਲਾਭ ਦਿਖਾਉਣ ਦੀ ਮੁਸ਼ਕਲ ਕਾਰਨ ਹੁੰਦੀਆਂ ਹਨ। ਹਾਲਾਂਕਿ ਗਾਹਕ ਸਹਾਇਤਾ (customer support) ਵਿੱਚ AI ਲਾਗਤਾਂ ਨੂੰ 30-50% ਤੱਕ ਘਟਾ ਸਕਦਾ ਹੈ, ਪਰ ਇਹ ਬਚਤ ਡਾਟਾ ਪ੍ਰਬੰਧਨ, ਏਕੀਕਰਨ, ਅਤੇ ਇਹਨਾਂ ਏਜੰਟਾਂ ਦੇ ਨਿਰੰਤਰ ਸੰਚਾਲਨ ਦੀ ਸ਼ੁਰੂਆਤੀ ਲਾਗਤਾਂ ਦੇ ਮੁਕਾਬਲੇ ਸੰਤੁਲਿਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਵਿੱਤੀ ਸੇਵਾਵਾਂ ਵਿੱਚ, ਸੰਭਾਵੀ ਪ੍ਰਣਾਲੀਗਤ ਜੋਖਮ (systemic risks) ਜਿਵੇਂ ਕਿ ਬਾਜ਼ਾਰ ਅਸਥਿਰਤਾ ਵੱਲ ਲੈ ਜਾਣ ਵਾਲਾ ਸਮੂਹਿਕ ਵਿਵਹਾਰ (herd behavior) ਸਖਤ ਰੈਗੂਲੇਟਰੀ ਨਿਗਰਾਨੀ ਅਤੇ ਅਨੁਕੂਲ ਸ਼ਾਸਨ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ।

ਟਿਕਾਊ AaaS ਸਫਲਤਾ ਪ੍ਰਾਪਤ ਕਰਨਾ

ਵਿਸ਼ਲੇਸ਼ਕ 2033 ਤੱਕ 31.4% ਦੀ ਸੰਯੁਕਤ ਸਾਲਾਨਾ ਵਿਕਾਸ ਦਰ (CAGR) ਦੀ ਉਮੀਦ ਨਾਲ AI ਆਟੋਮੇਸ਼ਨ ਬਾਜ਼ਾਰ ਲਈ ਮਜ਼ਬੂਤ ​​ਵਿਕਾਸ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦੇ ਹਨ। NVIDIA ਦੁਆਰਾ AI ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਵਿੱਚ ਨਿਵੇਸ਼ ਜ਼ਰੂਰੀ ਕੰਪਿਊਟਿੰਗ ਸ਼ਕਤੀ ਬਣਾਉਣ ਲਈ ਨਿਰੰਤਰ ਕੋਸ਼ਿਸ਼ਾਂ ਦਾ ਸੰਕੇਤ ਦਿੰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਇਸ ਸਕਾਰਾਤਮਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਨੂੰ ਮਾਪਣਯੋਗ ROI ਪ੍ਰਾਪਤ ਕਰਨ ਅਤੇ ਅੰਦਰੂਨੀ ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨ ਵਿੱਚ ਲਗਾਤਾਰ ਮੁਸ਼ਕਲ ਨੇ ਠੰਡਾ ਕੀਤਾ ਹੈ। ਸਫਲ AaaS ਲਾਗੂਕਰਨ ਸੰਭਵ ਤੌਰ 'ਤੇ ਇੱਕ ਅਨੁਸ਼ਾਸਨੀ ਰਣਨੀਤੀ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ: ਸਪੱਸ਼ਟ ਪਰਿਭਾਸ਼ਿਤ ਵਰਤੋਂ ਦੇ ਕੇਸ (use cases), ਸਥਾਪਿਤ ਬੇਸਲਾਈਨ ਮੈਟ੍ਰਿਕਸ, ਮਜ਼ਬੂਤ ​​ਡਾਟਾ ਸ਼ਾਸਨ, ਅਤੇ ਨਿਰੰਤਰ ਨਿਗਰਾਨੀ। ਪਾਇਲਟ ਤੋਂ ਪ੍ਰੋਡਕਸ਼ਨ ਤੱਕ ਜਾਣ ਲਈ ਸਿਰਫ ਅਡਵਾਂਸਡ ਤਕਨਾਲੋਜੀ ਤੋਂ ਵੱਧ ਦੀ ਲੋੜ ਹੈ; ਇਸ ਲਈ ਸੰਗਠਨਾਤਮਕ ਤਿਆਰੀ ਅਤੇ AI ਏਕੀਕਰਨ ਦੀਆਂ ਗੁੰਝਲਾਂ ਨੂੰ ਨੇਵੀਗੇਟ ਕਰਨ ਲਈ ਇੱਕ ਸਪੱਸ਼ਟ ਯੋਜਨਾ ਦੀ ਲੋੜ ਹੈ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ ਕਿ AaaS ਇੱਕ ਮਹਿੰਗੇ ਪ੍ਰਯੋਗ ਦੀ ਬਜਾਏ ਇੱਕ ਸਥਾਈ ਫਾਇਦਾ ਬਣੇ।