ਭਾਰਤੀ ਕੰਪਨੀਆਂ ਭਾਵੇਂ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) 'ਤੇ ਪੈਸਾ ਖਰਚ ਰਹੀਆਂ ਹਨ ਅਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਮਾਪਣਯੋਗ ਨਤੀਜੇ ਵੀ ਮਿਲ ਰਹੇ ਹਨ, ਪਰ ਸਿਰਫ **4%** ਕੰਪਨੀਆਂ ਹੀ ਆਪਣੇ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚੇ (Data Infrastructure) ਨੂੰ AI ਦੇ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਇਸਤੇਮਾਲ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਮੰਨਦੀਆਂ ਹਨ। ਇਹ ਸਥਿਤੀ ਨਿਵੇਸ਼ਕਾਂ (Investors) ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਸੰਕੇਤ ਹੈ ਕਿ AI 'ਤੇ ਹੋ ਰਹੇ ਖਰਚੇ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੇ ਲਾਭ ਵਿੱਚ ਬਦਲਣ ਲਈ ਅਜੇ ਕਾਫੀ ਕੰਮ ਬਾਕੀ ਹੈ।
Dun & Bradstreet ਦੇ ਇੱਕ ਹਾਲੀਆ ਸਰਵੇਖਣ, 'AI Momentum Survey' ਮੁਤਾਬਕ, ਭਾਰਤੀ ਕਾਰਪੋਰੇਟ ਘਰਾਣੇ ਹੁਣ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਸਿਰਫ ਪ੍ਰਯੋਗਾਂ (Experiments) ਤੋਂ ਅੱਗੇ ਵਧਾ ਕੇ ਆਪਣੇ ਰੋਜ਼ਾਨਾ ਕੰਮਕਾਜ (Operations) ਵਿੱਚ ਸ਼ਾਮਲ ਕਰ ਰਹੇ ਹਨ। ਸਰਵੇ 'ਚ ਸ਼ਾਮਲ ਹਰ ਕੰਪਨੀ AI ਨੂੰ ਲੈ ਕੇ ਕੋਈ ਨਾ ਕੋਈ ਪਹਿਲ ਕਰ ਰਹੀ ਹੈ, ਪਰ ਉਨ੍ਹਾਂ ਦੀ ਤਿਆਰੀ ਦਾ ਪੱਧਰ ਵੱਖ-ਵੱਖ ਹੈ। ਲਗਭਗ 44% ਕੰਪਨੀਆਂ ਅਜੇ ਵੀ ਟੈਸਟਿੰਗ ਜਾਂ ਯੋਜਨਾ ਬਣਾਉਣ ਦੇ ਪੜਾਅ 'ਤੇ ਹਨ, ਜਦਕਿ 30% ਨੇ AI ਦੀ ਵਰਤੋਂ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤੀ ਹੈ। ਸਿਰਫ 26% ਕੰਪਨੀਆਂ ਹੀ AI ਨੂੰ ਆਪਣੇ ਮੁੱਖ ਕਾਰੋਬਾਰੀ ਕੰਮਾਂ ਵਿੱਚ ਪੂਰੀ ਤਰ੍ਹਾਂ ਏਕੀਕ੍ਰਿਤ (Integrate) ਕਰ ਪਾਈਆਂ ਹਨ ਜਾਂ ਏਜੰਟਿਕ AI (Agentic AI) ਵਰਗੇ ਅਡਵਾਂਸਡ ਪੱਧਰਾਂ 'ਤੇ ਕੰਮ ਕਰ ਰਹੀਆਂ ਹਨ। ਏਜੰਟਿਕ AI ਅਜਿਹੇ ਸਿਸਟਮ ਹੁੰਦੇ ਹਨ ਜੋ ਘੱਟ ਤੋਂ ਘੱਟ ਮਨੁੱਖੀ ਦਖਲ ਨਾਲ ਗੁੰਝਲਦਾਰ ਕੰਮ ਕਰ ਸਕਦੇ ਹਨ।
AI 'ਚ ਨਿਵੇਸ਼ ਦੇ ਰੁਝਾਨ ਅਤੇ ਮੁਨਾਫਾ
ਕੰਪਨੀਆਂ ਇਸ ਤਕਨੀਕੀ ਛਾਲ ਲਈ ਪੈਸਾ ਵੀ ਲਗਾ ਰਹੀਆਂ ਹਨ। ਸਰਵੇ 'ਚ ਸ਼ਾਮਲ ਦੋ-ਤਿਹਾਈ ਤੋਂ ਵੱਧ ਕੰਪਨੀਆਂ ਨੇ AI 'ਤੇ ਆਪਣੇ ਖਰਚੇ ਵਧਾਉਣ ਦੀ ਉਮੀਦ ਜਤਾਈ ਹੈ। ਇਨ੍ਹਾਂ ਵਿੱਚੋਂ 13% ਕੰਪਨੀਆਂ ਵੱਡਾ ਵਾਧਾ ਕਰਨ ਦੀ ਯੋਜਨਾ ਬਣਾ ਰਹੀਆਂ ਹਨ, ਜਦਕਿ 56% ਦਰਮਿਆਨੀ ਵਾਧਾ ਦੇਖਣ ਦੀ ਉਮੀਦ ਰੱਖਦੀਆਂ ਹਨ। ਇਹ ਧਿਆਨ ਦੇਣ ਯੋਗ ਹੈ ਕਿ ਕਿਸੇ ਵੀ ਕੰਪਨੀ ਨੇ AI 'ਤੇ ਖਰਚਾ ਘਟਾਉਣ ਦੀ ਯੋਜਨਾ ਨਹੀਂ ਬਣਾਈ, ਜੋ ਡਿਜੀਟਲ ਪਰਿਵਰਤਨ (Digital Transformation) ਪ੍ਰਤੀ ਉਨ੍ਹਾਂ ਦੀ ਲੰਬੀ-ਮਿਆਦ ਦੀ ਵਚਨਬੱਧਤਾ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਹ ਦੇਖਣਾ ਹੋਵੇਗਾ ਕਿ ਇਹ ਵਧੇ ਹੋਏ ਖਰਚੇ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਕਿਵੇਂ ਟਿਕਾਊ ਲਾਗਤ ਬਚਾਉਣ (Sustainable Cost Savings) ਜਾਂ ਮਾਲੀਆ ਵਾਧੇ (Revenue Growth) ਵਿੱਚ ਬਦਲਦੇ ਹਨ।
ਡਾਟਾ ਗੁਣਵੱਤਾ ਦੀ ਸਮੱਸਿਆ
ਜਿੱਥੇ 73% ਕੰਪਨੀਆਂ ਆਪਣੇ AI ਪਹਿਲਕਦਮੀਆਂ ਤੋਂ ਮਾਪਣਯੋਗ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀਆਂ ਹਨ, ਉੱਥੇ ਇਹ ਲਾਭ ਜ਼ਿਆਦਾਤਰ ਸੀਮਤ ਪ੍ਰੋਜੈਕਟਾਂ ਜਾਂ ਵਿਭਾਗਾਂ ਤੱਕ ਹੀ ਪਹੁੰਚਦੇ ਹਨ। ਪੂਰੇ ਅਦਾਰੇ (Enterprise) ਵਿੱਚ ਇਨ੍ਹਾਂ ਸਫਲਤਾਵਾਂ ਨੂੰ ਵਧਾਉਣਾ ਮਾੜੇ ਡਾਟਾ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਕਾਰਨ ਮੁਸ਼ਕਲ ਬਣਿਆ ਹੋਇਆ ਹੈ। ਸਿਰਫ 4% ਜਵਾਬ ਦੇਣ ਵਾਲਿਆਂ ਨੇ ਕਿਹਾ ਕਿ ਉਨ੍ਹਾਂ ਦਾ ਡਾਟਾ ਐਂਟਰਪ੍ਰਾਈਜ਼-ਵਿਆਪੀ AI ਡਿਪਲਾਇਮੈਂਟ (Enterprise-wide AI Deployment) ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਤਿਆਰ ਹੈ। ਬਹੁਗਿਣਤੀ, 58%, ਨੇ ਸੰਕੇਤ ਦਿੱਤਾ ਕਿ ਉਨ੍ਹਾਂ ਦਾ ਡਾਟਾ ਸਿਰਫ ਅੰਸ਼ਕ ਤੌਰ 'ਤੇ (Partially Ready) ਤਿਆਰ ਹੈ, ਜਦੋਂ ਕਿ 30% ਇਸਨੂੰ ਜ਼ਿਆਦਾਤਰ ਤਿਆਰ (Mostly Ready) ਮੰਨਦੇ ਹਨ।
ਇਹ ਕਾਰੋਬਾਰਾਂ ਲਈ ਇੱਕ ਚੁਣੌਤੀ ਖੜ੍ਹੀ ਕਰਦਾ ਹੈ। ਜੇਕਰ ਬੁਨਿਆਦੀ ਡਾਟਾ ਅਸੰਗਤ (Inconsistent) ਜਾਂ ਘਟੀਆ ਗੁਣਵੱਤਾ (Poor Quality) ਵਾਲਾ ਹੈ, ਤਾਂ AI ਸਿਸਟਮਾਂ ਦੀ ਪ੍ਰਭਾਵਸ਼ੀਲਤਾ ਸੀਮਤ ਹੋ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਨਿਵੇਸ਼ 'ਤੇ ਉਮੀਦ ਨਾਲੋਂ ਘੱਟ ਰਿਟਰਨ ਮਿਲ ਸਕਦਾ ਹੈ। ਉੱਚ AI ਖਰਚੇ ਵਾਲੀਆਂ ਕੰਪਨੀਆਂ ਨੂੰ ਟਰੈਕ ਕਰਨ ਵਾਲੇ ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਡਾਟਾ ਆਧੁਨਿਕੀਕਰਨ (Data Modernization) ਦੇ ਯਤਨਾਂ 'ਤੇ ਮੈਨੇਜਮੈਂਟ ਦੀ ਟਿੱਪਣੀ ਦੀ ਭਾਲ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ, ਕਿਉਂਕਿ ਜੋ ਫਰਮਾਂ ਆਪਣੇ ਡਾਟਾ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਸਾਫ਼ ਅਤੇ ਸੰਗਠਿਤ ਕਰਦੀਆਂ ਹਨ, ਉਹ ਆਪਣੇ ਤਕਨਾਲੋਜੀ ਖਰਚੇ 'ਤੇ ਬਿਹਤਰ ਰਿਟਰਨ ਦੇਖਣ ਦੀ ਸੰਭਾਵਨਾ ਰੱਖਦੀਆਂ ਹਨ। ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟਾਂ ਅਤੇ ਕੰਪਨੀ-ਵਿਆਪੀ ਸਕੇਲਿੰਗ ਦੇ ਵਿਚਕਾਰ ਦੇ ਪਾੜੇ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਗਲੇ ਕੁਝ ਸਾਲਾਂ ਵਿੱਚ ਕਿਹੜੀਆਂ ਫਰਮਾਂ ਮੁਕਾਬਲੇ ਦਾ ਲਾਭ ਪ੍ਰਾਪਤ ਕਰਨਗੀਆਂ, ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਵਿੱਚ ਇੱਕ ਮੁੱਖ ਕਾਰਕ ਹੋਵੇਗੀ।