ਕੰਪਨੀਆਂ ਹੁਣ AI ਟੈਕਨਾਲੋਜੀ ਵਿੱਚ ਲਗਾਏ ਗਏ ਹਰ ₹1 ਦੇ ਮੁਕਾਬਲੇ ਡਾਟਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ 'ਤੇ ₹4 ਤੱਕ ਖਰਚ ਰਹੀਆਂ ਹਨ। ਇਹ ਬਦਲਾਅ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ AI ਤੋਂ ਮੁਨਾਫਾ ਕਮਾਉਣ ਵਿੱਚ ਡਾਟਾ ਤੱਕ ਪਹੁੰਚ ਸਭ ਤੋਂ ਵੱਡੀ ਰੁਕਾਵਟ ਹੈ। ਪੁਰਾਣੀਆਂ ਸਿਸਟਮਾਂ ਨਾਲ ਜੂਝ ਰਹੀਆਂ ਕੰਪਨੀਆਂ ਪਿੱਛੇ ਰਹਿਣ ਦਾ ਖਤਰਾ ਮੋਲ ਲੈ ਰਹੀਆਂ ਹਨ, ਜਦੋਂ ਕਿ ਆਧੁਨਿਕ, ਡਾਟਾ-ਰੈਡੀ ਕਾਰੋਬਾਰ ਤੇਜ਼ੀ ਨਾਲ ਮਾਲੀਆ ਵਾਧਾ ਅਤੇ ਕਾਰਜਕਾਰੀ ਕੁਸ਼ਲਤਾ ਦੇਖ ਰਹੇ ਹਨ।
AI 'ਚ ਨਿਵੇਸ਼ ਦਾ ਸਹੀ ਮੁੱਲ
ਕੰਪਨੀਆਂ ਦਾ ਧਿਆਨ ਹੁਣ ਸਿਰਫ਼ AI ਦੇ ਪ੍ਰਯੋਗਾਂ ਤੋਂ ਅੱਗੇ ਵਧ ਕੇ ਮਾਪਣਯੋਗ ਵਿੱਤੀ ਲਾਭ ਹਾਸਲ ਕਰਨ ਵੱਲ ਹੋ ਗਿਆ ਹੈ। ਭਾਰਤ ਅਤੇ ਦੁਨੀਆ ਭਰ ਦੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਸਿੱਖਿਆ ਸਪੱਸ਼ਟ ਹੈ: AI ਮਾਡਲ ਓਨੇ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੁੰਦੇ ਹਨ ਜਿੰਨਾ ਡਾਟਾ ਉਹਨਾਂ ਨੂੰ ਫੀਡ ਕਰਦਾ ਹੈ। ਇੰਡਸਟਰੀ ਦੇ ਅੰਕੜੇ ਦੱਸਦੇ ਹਨ ਕਿ ਸੰਗਠਨ AI ਸੌਫਟਵੇਅਰ 'ਤੇ ਖਰਚੇ ਜਾਣ ਵਾਲੇ ਪੈਸੇ ਤੋਂ ਚਾਰ ਗੁਣਾ ਜ਼ਿਆਦਾ ਪੂੰਜੀ ਡਾਟਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ 'ਤੇ ਲਗਾ ਰਹੇ ਹਨ, ਇਹ ਸਮਝਦੇ ਹੋਏ ਕਿ AI-ਆਧਾਰਿਤ ਵਿਕਾਸ ਲਈ ਇੱਕ ਮਜ਼ਬੂਤ ਡਾਟਾ ਬੁਨਿਆਦ ਜ਼ਰੂਰੀ ਹੈ।
ਪੁਰਾਣੀਆਂ ਸਿਸਟਮਾਂ ਦੀ ਲਾਗਤ
ਬਹੁਤ ਸਾਰੀਆਂ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਇੱਕ ਵੱਡੀ ਰੁਕਾਵਟ ਪੁਰਾਣੀਆਂ ਟੈਕਨਾਲੋਜੀ ਸਿਸਟਮਾਂ 'ਤੇ ਜ਼ਿਆਦਾ ਨਿਰਭਰਤਾ ਹੈ। ਹਾਲੀਆ ਅੰਕੜੇ ਸੁਝਾਅ ਦਿੰਦੇ ਹਨ ਕਿ ਕੁੱਲ ਟੈਕਨਾਲੋਜੀ ਬਜਟ ਦਾ 30% ਤੋਂ 40% ਅਜੇ ਵੀ ਪੁਰਾਣੇ ਪਲੇਟਫਾਰਮਾਂ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਵਿੱਚ ਫਸਿਆ ਹੋਇਆ ਹੈ। ਇਹ ਸਿਸਟਮ ਅਕਸਰ ਡਾਟਾ ਸਿਲੋ (data silos) ਬਣਾਉਂਦੇ ਹਨ, ਜਿਸ ਨਾਲ AI ਲਈ ਕੰਪਨੀ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਰੀਅਲ-ਟਾਈਮ ਵਿੱਚ ਐਕਸੈਸ ਕਰਨਾ, ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਜਾਂ ਸਿੱਖਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਨਿਵੇਸ਼ਕਾਂ ਲਈ, ਇਹ ਇੱਕ ਸਪੱਸ਼ਟ ਪ੍ਰਦਰਸ਼ਨ ਗੈਪ (performance gap) ਬਣਾਉਂਦਾ ਹੈ; ਜੋ ਕੰਪਨੀਆਂ ਆਪਣੇ ਡਾਟਾ ਆਰਕੀਟੈਕਚਰ ਨੂੰ ਆਧੁਨਿਕ ਬਣਾਉਣ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਦੇਰੀ ਅਤੇ ਵਧੇਰੇ ਲਾਗਤਾਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨਾ ਪੈ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਉਹ ਕੰਪਨੀਆਂ ਜੋ ਲਚਕਦਾਰ ਕਲਾਉਡ ਜਾਂ ਆਧੁਨਿਕ ਡਾਟਾ ਵਾਤਾਵਰਣ ਵਿੱਚ ਸਫਲਤਾਪੂਰਵਕ ਮਾਈਗ੍ਰੇਟ ਕਰਦੀਆਂ ਹਨ, ਉਹ AI ਪ੍ਰੋਜੈਕਟਾਂ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ੀ ਨਾਲ ਸਕੇਲ ਕਰ ਸਕਦੀਆਂ ਹਨ।
ਵਿੱਤੀ ਅਤੇ ਕਾਰਜਕਾਰੀ ਪ੍ਰਭਾਵ
ਜਦੋਂ ਕੰਪਨੀਆਂ ਆਪਣੇ ਡਾਟਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ ਨੂੰ ਕਾਰੋਬਾਰੀ ਟੀਚਿਆਂ ਨਾਲ ਸਫਲਤਾਪੂਰਵਕ ਜੋੜਦੀਆਂ ਹਨ, ਤਾਂ ਇਸਦਾ ਪ੍ਰਭਾਵ ਆਮ ਤੌਰ 'ਤੇ ਦੋ ਖੇਤਰਾਂ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ: ਟਾਪ-ਲਾਈਨ ਮਾਲੀਆ (top-line revenue) ਅਤੇ ਬੌਟਮ-ਲਾਈਨ ਕੁਸ਼ਲਤਾ (bottom-line efficiency)। ਮੰਗ ਦੀ ਪੂਰਵ-ਅਨੁਮਾਨ (demand forecasting) ਵਿੱਚ ਸੁਧਾਰ ਕਰਕੇ ਅਤੇ ਗਾਹਕਾਂ ਦੀ ਸਮਝ (customer insights) ਨੂੰ ਡੂੰਘਾ ਕਰਕੇ, ਕਾਰੋਬਾਰ ਬਿਹਤਰ ਵਿਕਰੀ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰ ਰਹੇ ਹਨ। ਇਸ ਦੇ ਨਾਲ ਹੀ, ਗਾਹਕ ਸਹਾਇਤਾ (customer support) ਵਰਗੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕਾਰਜਕਾਰੀ ਲਾਗਤਾਂ ਘੱਟ ਰਹੀਆਂ ਹਨ ਕਿਉਂਕਿ AI-ਆਧਾਰਿਤ ਆਟੋਮੇਸ਼ਨ ਮੈਨੂਅਲ, ਗਲਤੀ-ਪ੍ਰਵਿਰਤੀ ਵਾਲੇ ਕੰਮਾਂ ਦੀ ਥਾਂ ਲੈ ਰਹੀ ਹੈ। ਹਾਲਾਂਕਿ, ਇਹ ਲਾਭ ਆਟੋਮੈਟਿਕ ਨਹੀਂ ਹਨ। ਇਹ ਇੱਕ ਫਰਮ ਦੀ ਆਪਣੀ ਡਾਟਾ ਨੂੰ ਗਵਰਨ (govern) ਕਰਨ ਦੀ ਸਮਰੱਥਾ 'ਤੇ ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੇ ਹੋਏ ਕਿ ਜਾਣਕਾਰੀ ਸਾਫ਼, ਪਹੁੰਚਯੋਗ ਅਤੇ ਗਲਤੀਆਂ ਤੋਂ ਮੁਕਤ ਹੈ ਜੋ ਗਲਤ AI ਫੈਸਲਿਆਂ ਵੱਲ ਲੈ ਜਾ ਸਕਦੀ ਹੈ।
ਗਵਰਨੈਂਸ ਇੱਕ ਰਣਨੀਤਕ ਜੋਖਮ ਵਜੋਂ
ਜਿਵੇਂ-ਜਿਵੇਂ AI ਵਧੇਰੇ ਆਟੋਨੋਮਸ (autonomous) ਹੁੰਦਾ ਜਾ ਰਿਹਾ ਹੈ, ਡਾਟਾ ਦਾ ਪ੍ਰਬੰਧਨ ਮੈਨੇਜਮੈਂਟ ਟੀਮਾਂ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਚਿੰਤਾ ਬਣ ਗਿਆ ਹੈ। ਡਾਟਾ ਗਵਰਨੈਂਸ (Data governance) ਹੁਣ ਸਿਰਫ਼ ਇੱਕ ਤਕਨੀਕੀ ਲੋੜ ਨਹੀਂ ਹੈ; ਇਹ ਰੈਗੂਲੇਟਰੀ (regulatory) ਅਤੇ ਪ੍ਰਤਿਸ਼ਠਾ (reputational) ਜੋਖਮ ਵਿਰੁੱਧ ਇੱਕ ਢਾਲ ਹੈ। ਜੋ ਕੰਪਨੀਆਂ ਮਜ਼ਬੂਤ ਡਾਟਾ ਸੁਰੱਖਿਆ ਅਤੇ ਬਾਇਸ-ਕੰਟਰੋਲ (bias-control) ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦੀਆਂ ਹਨ, ਉਹ ਕਾਨੂੰਨੀ ਜੁਰਮਾਨੇ ਅਤੇ ਭਰੋਸੇ ਦੇ ਵੱਡੇ ਨੁਕਸਾਨ ਦਾ ਖਤਰਾ ਮੋਲ ਲੈਂਦੀਆਂ ਹਨ। ਨਿਵੇਸ਼ਕਾਂ ਨੂੰ ਇਹ ਨੋਟ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕੰਪਨੀ ਦੇ ਡਾਟਾ ਗਵਰਨੈਂਸ ਫਰੇਮਵਰਕ ਦੀ ਗੁਣਵੱਤਾ ਹੁਣ AI ਯੁੱਗ ਵਿੱਚ ਇਸਦੀ ਲੰਬੇ ਸਮੇਂ ਦੀ ਸਥਿਰਤਾ ਦਾ ਇੱਕ ਮੁੱਖ ਸੂਚਕ ਹੈ।
ਅੱਗੇ ਦੇਖਦੇ ਹੋਏ, ਸ਼ੇਅਰਧਾਰਕਾਂ (shareholders) ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਨਿਗਰਾਨੀ ਇਹ ਹੈ ਕਿ ਕੀ ਕੰਪਨੀ ਦਾ ਡਾਟਾ ਇਨਫਰਾਸਟ੍ਰਕਚਰ 'ਤੇ ਖਰਚਾ ਅਸਲ ਵਿੱਚ ਬਿਹਤਰ ਮਾਰਜਿਨ ਜਾਂ ਨਵੇਂ ਮਾਲੀਆ ਸਟ੍ਰੀਮ (revenue streams) ਵਿੱਚ ਬਦਲਦਾ ਹੈ। AI ਪਹਿਲਕਦਮੀਆਂ ਦੀ ਸਫਲਤਾ ਨੂੰ ਪਾਇਲਟ ਪ੍ਰੋਜੈਕਟਾਂ ਤੋਂ ਪੂਰੇ-ਸਕੇਲ ਕਾਰਜਾਂ (full-scale operations) ਤੱਕ ਜਾਣ ਦੀ ਸਮਰੱਥਾ ਦੁਆਰਾ ਮਾਪਿਆ ਜਾਵੇਗਾ, ਜਿੱਥੇ ਡਾਟਾ ਫਲੂਇਡਿਟੀ (data fluidity) ਮੁਕਾਬਲੇਬਾਜ਼ੀ ਦਾ ਮੁੱਖ ਚਾਲਕ ਹੈ।