AI ਪ੍ਰੋਜੈਕਟ ਹੋ ਰਹੇ ਫੇਲ੍ਹ: ਸਮੇਂ ਦੀ ਕਮੀ ਤੇ ਮਾੜੀ ਕਾਰਜਕਾਰੀ ਪ੍ਰਣਾਲੀ ਹੈ ਕਾਰਨ

AI ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਅਸਫਲਤਾ ਦਾ ਮੁੱਖ ਕਾਰਨ:

HCLTech ਦੀ ਰਿਪੋਰਟ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ AI ਪ੍ਰੋਜੈਕਟਾਂ ਦੇ ਫੇਲ੍ਹ ਹੋਣ ਦਾ ਮੁੱਖ ਕਾਰਨ ਟੈਕਨਾਲੋਜੀ ਦੀ ਕਮੀ ਨਹੀਂ, ਸਗੋਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹਮਲਾਵਰ ਸਮਾਂ-ਸੀਮਾ ਦੇ ਅੰਦਰ ਪੂਰੇ ਕਾਰੋਬਾਰ ਵਿੱਚ ਠੋਸ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਜੱਦੋ-ਜਹਿਦ ਹੈ। ਬਹੁਤ ਸਾਰੇ ਕਾਰੋਬਾਰੀ ਆਗੂ ਸਿਰਫ 18 ਮਹੀਨਿਆਂ ਵਿੱਚ AI ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਲਾਭ ਦੀ ਉਮੀਦ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ ਜ਼ਰੂਰੀ ਸੰਗਠਨਾਤਮਕ ਬਦਲਾਅ ਲਈ ਬਹੁਤ ਘੱਟ ਸਮਾਂ ਹੈ। ਇਹ ਤੇਜ਼ ਰਫ਼ਤਾਰ ਇੱਕ ਕਾਰਜਕਾਰੀ ਖੱਪਾ (execution gap) ਪੈਦਾ ਕਰਦੀ ਹੈ, ਜਿੱਥੇ ਤੇਜ਼ੀ ਨਾਲ ਡਿਪਲਾਇਮੈਂਟ ਸੰਸਥਾ ਦੀ ਅਨੁਕੂਲਨ (adapt) ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਨਾਲੋਂ ਅੱਗੇ ਨਿਕਲ ਜਾਂਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਪ੍ਰੋਜੈਕਟ ਰੁਕ ਜਾਂਦੇ ਹਨ ਅਤੇ ਲਾਭ ਘੱਟ ਜਾਂਦਾ ਹੈ। ਖੋਜ ਦੱਸਦੀ ਹੈ ਕਿ 70% ਤੋਂ 90% ਤੱਕ ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਪ੍ਰੋਜੈਕਟ ਆਪਣਾ ਮਨੋਰਥਿਤ ਮੁੱਲ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਅਸਫਲਤਾ ਦਰ ਹੋਰ IT ਪ੍ਰੋਜੈਕਟਾਂ ਨਾਲੋਂ ਦੁੱਗਣੀ ਹੈ। HCLTech ਨੇ ਪਾਇਆ ਕਿ 43% ਵੱਡੀਆਂ AI ਪਹਿਲਕਦਮੀਆਂ ਦੇ ਅਸਫਲ ਹੋਣ ਦਾ ਅਨੁਮਾਨ ਹੈ।

ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ (Change Management) ਅੰਡਰਫੰਡਿਡ, AI ਏਕੀਕਰਨ ਵਿੱਚ ਰੁਕਾਵਟ:

AI ਸਫਲਤਾ ਲਈ ਇੱਕ ਮੁੱਖ ਕਾਰਕ, ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ, ਨੂੰ ਲਗਾਤਾਰ ਘੱਟ ਫੰਡ ਦਿੱਤਾ ਜਾ ਰਿਹਾ ਹੈ, ਜਿਸ ਨਾਲ ਕਾਰਜਕਾਰੀ ਖੱਪਾ ਹੋਰ ਵਿਗੜ ਰਿਹਾ ਹੈ। ਕੰਪਨੀਆਂ AI ਨੂੰ ਲਾਗੂ ਕਰ ਰਹੀਆਂ ਹਨ ਪਰ ਆਪਣੇ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਇਨ੍ਹਾਂ ਨਵੇਂ ਸਿਸਟਮਾਂ ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਸਹੀ ਢੰਗ ਨਾਲ ਤਿਆਰ ਨਹੀਂ ਕਰ ਰਹੀਆਂ। ਇਹ ਅਣਦੇਖੀ ਇੱਕ ਵੱਡਾ ਕਾਰਜਕਾਰੀ ਜੋਖਮ ਹੈ, ਜੋ AI ਨੂੰ ਰੋਜ਼ਾਨਾ ਕਾਰੋਬਾਰ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਏਕੀਕ੍ਰਿਤ ਹੋਣ ਤੋਂ ਰੋਕਦੀ ਹੈ। ਅਧਿਐਨ ਦੱਸਦੇ ਹਨ ਕਿ AI ਪ੍ਰੋਜੈਕਟ ਅਕਸਰ ਸੰਗਠਨਾਤਮਕ ਮੁੱਦਿਆਂ ਜਿਵੇਂ ਕਿ ਟੀਮਾਂ ਵਿਚਾਲੇ ਮਾੜੀ ਤਾਲਮੇਲ, ਅਸਪਸ਼ਟ ਜ਼ਿੰਮੇਵਾਰੀਆਂ, ਅਤੇ ਬਦਲਾਅ ਪ੍ਰਤੀ ਵਿਰੋਧ ਕਾਰਨ ਫੇਲ੍ਹ ਹੁੰਦੇ ਹਨ, ਨਾ ਕਿ ਤਕਨੀਕੀ ਸਮੱਸਿਆਵਾਂ ਕਾਰਨ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਡਾਟਾ ਗੁਣਵੱਤਾ ਦੀ ਸਮੱਸਿਆ, ਜਿਸ ਵਿੱਚ 94% CIOs ਮੰਨਦੇ ਹਨ ਕਿ AI ਸ਼ੁਰੂ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਕਾਫੀ ਡਾਟਾ ਸਫਾਈ ਦੀ ਲੋੜ ਹੈ, ਇਨ੍ਹਾਂ ਮੁਸ਼ਕਲਾਂ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ।

ਨਵੇਂ AI ਐਪਲੀਕੇਸ਼ਨਾਂ ਨੂੰ ਸਕੇਲੇਬਿਲਟੀ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ:

ਰਿਪੋਰਟ ਐਡਵਾਂਸਡ AI ਕਿਸਮਾਂ ਜਿਵੇਂ ਕਿ ਏਜੰਟਿਕ ਅਤੇ ਫਿਜ਼ੀਕਲ AI ਵਿੱਚ ਵਧਦੀ ਦਿਲਚਸਪੀ ਵੱਲ ਵੀ ਇਸ਼ਾਰਾ ਕਰਦੀ ਹੈ, ਜੋ ਡਿਜੀਟਲ ਕੰਮਾਂ ਤੋਂ ਅੱਗੇ ਵੱਧ ਕੇ ਮੈਨੂਫੈਕਚਰਿੰਗ ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਜਾਂਦੀਆਂ ਹਨ। ਜਦੋਂ ਕਿ ਇਹ ਵਾਅਦਾ ਕਰਦੇ ਹਨ, ਇਹ ਨਵੇਂ ਮਾਡਲ ਜਵਾਬਦੇਹੀ, ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਨਿਗਰਾਨੀ ਵਿੱਚ ਗੁੰਝਲਤਾਵਾਂ ਲਿਆਉਂਦੇ ਹਨ। IT ਆਗੂ ਪਾ ਰਹੇ ਹਨ ਕਿ AI ਨੂੰ ਸਕੇਲ ਕਰਨਾ ਮੌਜੂਦਾ ਐਪਲੀਕੇਸ਼ਨ ਸਿਸਟਮ, ਡਾਟਾ ਪ੍ਰਬੰਧਨ, ਅਤੇ ਸੰਚਾਲਨ ਢਾਂਚੇ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰਦਾ ਹੈ ਜੋ ਸਵੈ-ਸਿੱਖਣ, ਲਗਾਤਾਰ ਵਿਕਸਿਤ ਹੋਣ ਵਾਲੇ ਸਿਸਟਮਾਂ ਲਈ ਨਹੀਂ ਬਣਾਏ ਗਏ ਹਨ। ਸਕੇਲ ਕਰਨ ਵਿੱਚ ਇਹ ਮੁਸ਼ਕਲ ਆਮ ਹੈ, ਜਿਸ ਕਾਰਨ ਬਹੁਤ ਸਾਰੇ AI ਪਾਇਲਟ ਪ੍ਰੋਗਰਾਮ ਏਕੀਕਰਨ ਸਮੱਸਿਆਵਾਂ ਅਤੇ ਕੰਪਨੀ ਦੇ ਸਮਰਥਨ ਦੀ ਘਾਟ ਕਾਰਨ ਪੂਰੀ ਤਰ੍ਹਾਂ ਉਤਪਾਦਨ ਵਿੱਚ ਜਾਣ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੇ ਹਨ।

ਢਾਂਚਾਗਤ ਕਮਜ਼ੋਰੀਆਂ ਅਤੇ ਡਾਟਾ ਮੁੱਦੇ AI ਸਫਲਤਾ ਵਿੱਚ ਰੁਕਾਵਟ:

AI ਪ੍ਰੋਜੈਕਟਾਂ ਵਿੱਚ ਉੱਚ ਅਸਫਲਤਾ ਦਰ, ਜਿਸਦਾ ਅਨੁਮਾਨ ਹੈ ਕਿ 80-95% ਉਮੀਦਾਂ 'ਤੇ ਖਰੇ ਨਹੀਂ ਉਤਰਦੇ, ਡੂੰਘੀਆਂ ਸੰਗਠਨਾਤਮਕ ਕਮਜ਼ੋਰੀਆਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਇਹਨਾਂ ਵਿੱਚ ਸਿਰਫ ਟੈਕਨਾਲੋਜੀ 'ਤੇ ਜ਼ਿਆਦਾ ਜ਼ੋਰ ਦੇਣਾ, ਕਮਜ਼ੋਰ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚਾ, ਅਤੇ ਸਪੱਸ਼ਟ ਸਫਲਤਾ ਮੈਟ੍ਰਿਕਸ ਦੀ ਘਾਟ ਸ਼ਾਮਲ ਹੈ, ਜੋ ਸਾਰੇ ਜ਼ਿਆਦਾਤਰ AI ਪ੍ਰੋਜੈਕਟਾਂ ਦੀ ਅਸਫਲਤਾ ਵਿੱਚ ਯੋਗਦਾਨ ਪਾਉਂਦੇ ਹਨ। ਡਾਟਾ ਗੁਣਵੱਤਾ ਸੰਕਟ ਗੰਭੀਰ ਹੈ, ਜਿਸ ਵਿੱਚ ਮਾੜੀ ਡਾਟਾ ਗੁਣਵੱਤਾ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਸਾਲਾਨਾ ਲੱਖਾਂ ਦਾ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਰਹੀ ਹੈ ਅਤੇ ਅਸਫਲ ਪਹਿਲਕਦਮੀਆਂ ਦਾ ਇੱਕ ਵੱਡਾ ਹਿੱਸਾ ਬਣ ਰਹੀ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਤੇਜ਼ AI ਅਪਣਾਉਣਾ ਅਕਸਰ ਗਵਰਨੈਂਸ ਢਾਂਚਿਆਂ ਦੇ ਵਿਕਸਿਤ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੁੰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਇੱਕ ਮਹੱਤਵਪੂਰਨ 'ਗਵਰਨੈਂਸ ਗੈਪ' ਪੈਦਾ ਹੁੰਦਾ ਹੈ ਜੋ ਇੱਕ ਵੱਡਾ ਵਪਾਰਕ ਜੋਖਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਇਹ ਸਥਿਤੀ, ਜਿੱਥੇ ਅਪਣਾਉਣਾ ਨਿਗਰਾਨੀ ਤੋਂ ਪਹਿਲਾਂ ਹੁੰਦਾ ਹੈ, ਕੰਪਨੀਆਂ ਨੂੰ ਰੈਗੂਲੇਟਰੀ ਜਾਂਚ ਅਤੇ AI ਜੋਖਮਾਂ ਬਾਰੇ ਬੋਰਡ ਦੀਆਂ ਚਿੰਤਾਵਾਂ ਦੇ ਸਾਹਮਣੇ ਲਿਆਉਂਦੀ ਹੈ। ਪੁਰਾਣੇ, ਵਿਰਾਸਤੀ ਸਿਸਟਮਾਂ ਦੀ ਵਰਤੋਂ ਵੀ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਰੁਕਾਵਟ ਬਣਾਉਂਦੀ ਹੈ, ਕਿਉਂਕਿ ਬਹੁਤ ਸਾਰੇ AI ਹੱਲ ਪੁਰਾਣੇ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਨਾਲ ਚੰਗੀ ਤਰ੍ਹਾਂ ਏਕੀਕ੍ਰਿਤ ਨਹੀਂ ਹੋ ਸਕਦੇ।

AI ਦਾ ਭਵਿੱਖ ਸੰਗਠਨਾਤਮਕ ਤਿਆਰੀ 'ਤੇ ਕੇਂਦਰਿਤ:

AI ਨੂੰ ਲਾਗੂ ਕਰਨ ਦਾ ਤਰੀਕਾ ਅਪਣਾਉਣ ਦੀ ਗਿਣਤੀ ਨੂੰ ਟਰੈਕ ਕਰਨ ਤੋਂ ਸੰਸਥਾ ਦੀ ਸਮਰੱਥਾ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਵੱਲ ਬਦਲ ਰਿਹਾ ਹੈ ਕਿ ਉਹ ਯਥਾਰਥਵਾਦੀ ਸਮਾਂ-ਸੀਮਾ ਦੇ ਅੰਦਰ ਟੀਚਿਆਂ, ਕਾਰਜਕਾਰੀ, ਅਤੇ ਜਵਾਬਦੇਹੀ ਨੂੰ ਕਿਵੇਂ ਸੰਤੁਲਿਤ ਕਰ ਸਕਦੀ ਹੈ। HCLTech ਦੇ CTO ਅਤੇ ਹੈੱਡ ਆਫ਼ ਇਕੋਸਿਸਟਮਜ਼, ਵਿਜੇ ਗੁੰਟੂਰ, ਨੇ ਕਿਹਾ ਕਿ ਗਤੀ ਅਸਫਲਤਾ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ ਜੇਕਰ ਲੋਕਾਂ ਵਿੱਚ ਸਮਝ, ਵਿਸ਼ਵਾਸ, ਅਤੇ AI ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਹਿਯੋਗ ਬਣਾਉਣ ਲਈ ਲੋੜੀਂਦੇ ਨਿਵੇਸ਼ ਨਾਲ ਮੇਲ ਨਾ ਖਾਵੇ। AI ਏਕੀਕਰਨ ਦਾ ਅਗਲਾ ਪੜਾਅ ਸਿਰਫ ਤਕਨੀਕੀ ਤਿਆਰੀ ਹੀ ਨਹੀਂ, ਸਗੋਂ ਆਗੂਆਂ ਅਤੇ ਸਟਾਫ ਦੀ ਰਣਨੀਤਕ ਅਤੇ ਸੰਚਾਲਨ ਤਿਆਰੀ ਦੀ ਵੀ ਪਰਖ ਕਰੇਗਾ। ਜਿਵੇਂ-ਜਿਵੇਂ AI ਕਾਰੋਬਾਰੀ ਕਾਰਜਾਂ ਦਾ ਮੁੱਖ ਹਿੱਸਾ ਬਣਦਾ ਹੈ, ਸਫਲਤਾ ਮਜ਼ਬੂਤ ਬਦਲਾਅ ਪ੍ਰਬੰਧਨ, ਡਾਟਾ ਤਿਆਰੀ, ਅਤੇ ਕਾਰੋਬਾਰੀ ਟੀਚਿਆਂ ਨਾਲ AI ਯਤਨਾਂ ਦੇ ਸਪੱਸ਼ਟ ਅਨੁਕੂਲਤਾ ਦੁਆਰਾ ਕਾਰਜਕਾਰੀ ਖੱਪੇ ਨੂੰ ਪੂਰਾ ਕਰਨ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗੀ।