AI ప్రాజెక్టుల వైఫల్యం: గడువుల ఒత్తిడి, సరిగాని అమలు కారణాలు

AI ప్రాజెక్టుల వైఫల్యానికి కారణం గడువుల ఒత్తిడి, సరైన అమలు లేకపోవడమే

HCLTech నివేదిక ప్రకారం, AI ప్రాజెక్టులు విఫలం కావడానికి ప్రధాన కారణం టెక్నాలజీ కొరత కాదు, అతి తక్కువ గడువుల్లోపు వ్యాపారంలో పూర్తిస్థాయిలో ఫలితాలు సాధించడంలో ఎదురయ్యే ఇబ్బందులే. చాలామంది వ్యాపార నాయకులు 18 నెలల్లోపే AI నుంచి స్పష్టమైన విలువను ఆశిస్తున్నారు. ఈ స్వల్పకాలం అవసరమైన సంస్థాగత మార్పులకు తగిన సమయం ఇవ్వడం లేదు. దీనివల్ల వేగవంతమైన అమలు, సంస్థల స్వీకరించే సామర్థ్యం మధ్య అంతరం ఏర్పడుతోంది. ఫలితంగా ప్రాజెక్టులు నిలిచిపోవడం, ఆశించిన రాబడి రాకపోవడం జరుగుతోంది. ప్రస్తుతం 70% నుండి 90% వరకు ఎంటర్‌ప్రైజ్ AI ప్రాజెక్టులు అనుకున్న విలువను అందించడం లేదని, ఇతర IT ప్రాజెక్టులతో పోలిస్తే వీటి వైఫల్య రేటు రెట్టింపు ఉందని అంచనా. HCLTech అధ్యయనంలో 43% వరకు ప్రధాన AI కార్యక్రమాలు విఫలమవుతాయని తేలింది.

మార్పు నిర్వహణకు నిధుల కొరత, AI ఇంటిగ్రేషన్‌కు ఆటంకం

AI విజయానికి కీలకమైన మార్పు నిర్వహణ (Change Management) నిధులకు ఎప్పుడూ కొరతే. ఇది అమలులో అంతరాన్ని మరింత తీవ్రతరం చేస్తోంది. కంపెనీలు తమ ఉద్యోగులను ఈ కొత్త వ్యవస్థలతో పనిచేయడానికి సిద్ధం చేయకుండానే AIను అమలు చేస్తున్నాయి. ఈ నిర్లక్ష్యం పెద్ద అమలు రిస్క్‌గా మారింది, AIను రోజువారీ వ్యాపారంలో విజయవంతంగా ఏకీకృతం చేయడాన్ని అడ్డుకుంటోంది. టీమ్‌ల మధ్య సమన్వయం లోపించడం, బాధ్యతలు స్పష్టంగా లేకపోవడం, మార్పును ప్రతిఘటించడం వంటి సంస్థాగత సమస్యల వల్ల AI ప్రాజెక్టులు తరచుగా విఫలమవుతున్నాయని అధ్యయనాలు చెబుతున్నాయి. సాంకేతిక సమస్యల వల్ల కాకుండా ఇవి ప్రధాన కారణాలు. అంతేకాకుండా, AI ప్రారంభించడానికి ముందు 94% CIOలు గణనీయమైన డేటా క్లీనప్ అవసరమని అంగీకరిస్తున్న డేటా నాణ్యత సమస్య, ఈ కష్టాలను మరింత పెంచుతోంది.

కొత్త AI అప్లికేషన్లు స్కేలబిలిటీ సవాళ్లను ఎదుర్కొంటున్నాయి

డిజిటల్ పనులకు మించి తయారీ రంగం వంటి రంగాల్లోకి వెళ్లే ఏజెంటిక్, ఫిజికల్ AI వంటి అధునాతన AI రకాలపై ఆసక్తి పెరుగుతోందని నివేదిక పేర్కొంది. ఇవి ఆశాజనకంగా ఉన్నప్పటికీ, జవాబుదారీతనం, విశ్వసనీయత, పర్యవేక్షణ వంటి సంక్లిష్టతలను తీసుకువస్తాయి. AIను స్కేల్ చేయడం ప్రస్తుత అప్లికేషన్ సిస్టమ్‌ల, డేటా మేనేజ్‌మెంట్, ఆపరేషనల్ నిర్మాణాల పరిమితులను హైలైట్ చేస్తుందని IT నాయకులు కనుగొంటున్నారు. ఇవి స్వీయ-అభ్యాసం, నిరంతరం అభివృద్ధి చెందుతున్న సిస్టమ్‌ల కోసం నిర్మించబడలేదు. ఇంటిగ్రేషన్ సమస్యలు, కంపెనీ మద్దతు లేకపోవడం వల్ల అనేక AI పైలట్ ప్రోగ్రామ్‌లు పూర్తిస్థాయి ఉత్పత్తిలోకి వెళ్లడంలో విఫలమవుతున్నాయి.

నిర్మాణాత్మక బలహీనతలు, డేటా సమస్యలు AI విజయాన్ని అడ్డుకుంటున్నాయి

AI ప్రాజెక్టులలో అధిక వైఫల్య రేటు, 80-95% వరకు అంచనాలను అందుకోవడం లేదని అంచనా వేయడంతో, లోతైన సంస్థాగత బలహీనతలు వెలుగులోకి వస్తున్నాయి. వీటిలో టెక్నాలజీపై అతిగా దృష్టి పెట్టడం, బలహీనమైన డేటా మౌలిక సదుపాయాలు, స్పష్టమైన విజయ కొలమానాలు లేకపోవడం వంటివి ఉన్నాయి. ఇవన్నీ చాలా AI ప్రాజెక్టుల వైఫల్యానికి దోహదం చేస్తున్నాయి. డేటా నాణ్యత సంక్షోభం తీవ్రంగా ఉంది, పేలవమైన డేటా నాణ్యత వల్ల వ్యాపారాలకు ఏటా మిలియన్ల నష్టం వాటిల్లుతోంది, వైఫల్యాలలో ఎక్కువ భాగం దీనివల్లే జరుగుతోంది. అంతేకాకుండా, గవర్నెన్స్ నిర్మాణాలు అభివృద్ధి చెందకముందే వేగవంతమైన AI స్వీకరణ జరుగుతోంది, ఇది గణనీయమైన 'గవర్నెన్స్ గ్యాప్'ను సృష్టిస్తోంది. ఇది పెద్ద వ్యాపార నష్టాన్ని కలిగిస్తుంది. స్వీకరణ పర్యవేక్షణకు ముందే జరుగుతున్న ఈ పరిస్థితి, కంపెనీలను నియంత్రణ సమీక్షలు, AI రిస్క్‌ల గురించి బోర్డు ఆందోళనలకు గురిచేస్తుంది. పాత, లెగసీ సిస్టమ్‌లను ఉపయోగించడం కూడా ఒక ముఖ్యమైన అడ్డంకిని సృష్టిస్తుంది, ఎందుకంటే అనేక AI సొల్యూషన్స్ పాత ఇన్‌ఫ్రాస్ట్రక్చర్‌తో సరిగ్గా ఇంటిగ్రేట్ కాలేవు.

AI భవిష్యత్తు సంస్థాగత సంసిద్ధతపై దృష్టి సారిస్తుంది

AI అమలు తీరు, దత్తత సంఖ్యలను ట్రాక్ చేయడం నుంచి, వాస్తవిక కాలపరిమితులలో లక్ష్యాలు, అమలు, జవాబుదారీతనాన్ని సమతుల్యం చేసుకునే సంస్థ సామర్థ్యాన్ని అంచనా వేయడానికి మారుతోంది. HCLTech CTO, హెడ్ ఆఫ్ ఎకోసిస్టమ్స్ విజయ్ గుంటూరు మాట్లాడుతూ, ప్రజలలో అవగాహన, నమ్మకం, AIతో సమర్థవంతమైన సహకారాన్ని పెంపొందించడానికి తగిన పెట్టుబడులు లేకపోతే వేగం వైఫల్యాన్ని పెంచుతుందని అన్నారు. AI ఇంటిగ్రేషన్ యొక్క తదుపరి దశ కేవలం సాంకేతిక సంసిద్ధతనే కాకుండా, నాయకులు, సిబ్బంది యొక్క వ్యూహాత్మక, కార్యాచరణ సంసిద్ధతను కూడా పరీక్షిస్తుంది. AI వ్యాపార కార్యకలాపాలలో కీలక భాగంగా మారుతున్నందున, బలమైన మార్పు నిర్వహణ, డేటా సంసిద్ధత, వ్యాపార లక్ష్యాలతో AI ప్రయత్నాల స్పష్టమైన సమన్వయం ద్వారా అమలు అంతరాన్ని తగ్గించడంపై విజయం ఆధారపడి ఉంటుంది.