EMEA-তে এন্টারপ্রাইজ AI-র সামনে সিস্টেম সমস্যাই বাধা হয়ে দাঁড়াচ্ছে

AI-এর উচ্চাকাঙ্ক্ষা এন্টারপ্রাইজ বাস্তবতার সঙ্গে ধাক্কা খাচ্ছে

ইউরোপ, মধ্যপ্রাচ্য এবং আফ্রিকার CIO-দের জন্য IDC-র সর্বশেষ বার্তা স্পষ্ট: যদি AI rollout থেমে যায়, তবে সমাধান শুরু হবে বিদ্যমান systems-এর কঠোর audit থেকে। এই framing দৃষ্টি সরিয়ে দেয় model hype থেকে এবং আরও কঠিন operational প্রশ্নের দিকে নিয়ে যায়, অর্থাৎ enterprise technology stacks আসলেই কি স্থায়ী AI ব্যবহারের জন্য প্রস্তুত।

candidate materials-এ সংক্ষেপিত report-এর মূল যুক্তি হলো, গত 18 মাসে ইউরোপ জুড়ে AI deployments অনেক দূর এগিয়েছে, কিন্তু অনেক সংস্থার underlying systems ততটা এগোয়নি। সেই অসামঞ্জস্য এখন implementation-কে ধীর করছে। বাস্তবে, কোম্পানির কাছে pilot, নেতৃত্বের নির্দেশ এবং supplier relationship থাকতে পারে, তবুও তারা project-গুলোকে নির্ভরযোগ্য দৈনন্দিন ব্যবহারে নিয়ে যেতে হিমশিম খেতে পারে।

Bottleneck এখন শুধু experimentation নয়

অনেক enterprise-এর কাছে AI adoption-এর প্রথম ধাপ ছিল use case শনাক্ত করা এবং executive মনোযোগ পাওয়া। সেই ধাপ speed ও tools পরীক্ষা করার ইচ্ছাকে পুরস্কৃত করত। পরের ধাপটি এতটা সহনশীল নয়। প্রতিষ্ঠানগুলো যখন পুনরাবৃত্তিযোগ্য value চায়, তখন data quality, integration, governance, infrastructure, এবং process design নিয়ে প্রশ্নগুলো নির্ণায়ক হয়ে ওঠে।

IDC-র audits-এর ওপর জোর ইঙ্গিত করে যে এই বিষয়গুলো এখন এতটাই গুরুত্বপূর্ণ যে তাদের প্রথম-স্তরের বাধা হিসেবে বিবেচনা করা উচিত। থেমে যাওয়া rollout মানেই এই নয় যে AI use case দুর্বল ছিল। এর মানে হতে পারে, সংস্থাটি নতুন সক্ষমতাকে এমন fragmented systems-এর ওপর বসাতে গিয়েছিল, যা কখনও তার জন্য প্রস্তুত ছিল না।

Systems audit কেন জরুরি

একটি আক্রমণাত্মক audit মূলত operational truth-এর একটি তালিকা। এটি নেতাদের বাধ্য করে দেখতে data কোথায় থাকে, সেটি কতটা সহজে পাওয়া যায়, কোন systems brittle, কোথায় security ও compliance constraints আছে, এবং stack জুড়ে কতটা interoperability রয়েছে। AI projects-এর ক্ষেত্রে এই প্রশ্নগুলো implementation detail নয়। এগুলোই নির্ধারণ করে deployment আদৌ scale করতে পারবে কি না।

এটি বিশেষভাবে EMEA-তে গুরুত্বপূর্ণ, যেখানে enterprise estate প্রায়শই পুরোনো on-premises systems, আঞ্চলিক regulatory demand, জটিল vendor footprint, এবং cloud maturity-র ভিন্ন স্তরের সমন্বয়। এমন পরিবেশে একটি AI application প্রযুক্তিগতভাবে চমৎকার হতে পারে, কিন্তু যদি সেটি inconsistent data pipeline বা এমন systems-এর ওপর নির্ভর করে যেগুলোকে নিরাপদে সংযুক্ত করা কঠিন, তবে সেটিকে operationalize করা কঠিনই থেকে যায়।

থেমে যাওয়া rollout আসলে কী বার্তা দিচ্ছে

Deployment momentum কমে গেলে সংস্থাগুলো প্রায়ই model, vendor, বা workforce-কে দোষ দেয়। IDC-র framing আরও মৌলিক ব্যাখ্যার দিকে ইঙ্গিত করে: অনেক rollout enterprise architecture-এ আগে থেকেই থাকা unresolved weaknesses প্রকাশ করছে। AI শুধু সেগুলোকে উপেক্ষা করা আরও কঠিন করে তুলছে।

কারণ AI systems নির্ভরযোগ্য inputs, স্পষ্ট governance, এবং business processes-এর সঙ্গে integration-এর ওপর অস্বাভাবিকভাবে নির্ভরশীল। একটি broken handoff, দুর্বল data lineage, বা অনিশ্চিত access model দ্রুত ফলাফল খারাপ করতে পারে। প্রচলিত software project-এ এই সমস্যাগুলো বিরক্তিকর হতে পারে। AI project-এ এগুলো output-এর ওপর আস্থা নাড়িয়ে দিতে পারে।

CIO-দের জন্য বাস্তব পরিবর্তন

Report-এর পরামর্শ সফল AI leadership কেমন হওয়া উচিত, তা বদলে দেয়। কেবল innovation program sponsor করা বা নতুন tool procure করা যথেষ্ট নয়। CIO-দের ঠিক করতে হবে কোন legacy constraint delivery আটকে দিচ্ছে, এবং AI-কে বড় পরিসরে কার্যকর করতে estate-এর কোন অংশ modernize, simplify, বা retire করতে হবে।

এর মানে এই নয় যে প্রতিটি সংস্থার সম্পূর্ণ পুনর্নির্মাণ দরকার। তবে নেতাদের কোথায় friction আছে তার আরও স্পষ্ট মানচিত্র প্রয়োজন। কিছু project-এর জন্য উন্নত data engineering দরকার হতে পারে। অন্যগুলোর জন্য কঠোর governance বা আরও পরিষ্কার system boundary দরকার হতে পারে। একটি audit readiness problem-কে strategy problem থেকে আলাদা করতে সাহায্য করে।

এটি বাজারের বর্ণনায় কেন দরকারি সংশোধন

Enterprise AI coverage-এ প্রায়ই model, chip, এবং application-এর অগ্রগতিকে কেন্দ্র করা হয়। সেগুলো গুরুত্বপূর্ণ, কিন্তু IDC-র যুক্তি মূল্যবান, কারণ এটি bottleneck-কে আবার সংস্থার ভেতরে ফিরিয়ে আনে। Adoption শুধু frontier model কী করতে পারে তার ওপর নির্ভর করে না। কোম্পানি কি সেই সক্ষমতাকে স্থিতিশীল, compliant, এবং বোধগম্য operating environment-এর সঙ্গে যুক্ত করতে পারে, সেটাও নির্ধারক।

এটি একটি নতুন model release ঘোষণার মতো চমকপ্রদ নয়, কিন্তু অনেক সময় AI মাপযোগ্য value তৈরি করবে কি না, সেটাই নির্ধারণ করে এই বিষয়টি। যদি deployment থেমে যায়, তবে কারণ উচ্চাকাঙ্ক্ষার অভাব নাও হতে পারে। হতে পারে, সেই উচ্চাকাঙ্ক্ষার নিচের estate কখনও প্রস্তুতই ছিল না।

নিকটমেয়াদি প্রভাব

Enterprise AI adoption-এর পরবর্তী ধাপে সবচেয়ে সম্ভাব্য বিজয়ী হবে সেইসব প্রতিষ্ঠান, যারা systems readiness-কে প্রযুক্তিগত পরের বিষয় নয়, বরং একটি strategic issue হিসেবে দেখে। aggressive audit-এর জন্য IDC-র সুপারিশ এই logic-টিকে সরাসরি ধরেছে। কোম্পানিগুলো AI বাড়ানোর আগে জানতে হবে, তাদের infrastructure আসলে কী সমর্থন করতে পারে।

EMEA-তে, যেখানে অনেক প্রতিষ্ঠান regulatory scrutiny, legacy complexity, এবং competitive pressure-এর মধ্যে ভারসাম্য রক্ষা করছে, এটি pilot-এর পোর্টফোলিও আর প্রকৃত operational rollout-এর মধ্যে পার্থক্য গড়ে দিতে পারে।

এই নিবন্ধটি AI News-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধ পড়ুন.