“এলোমেলো AI প্রচেষ্টা”র বিরুদ্ধে যুক্তিটি আসলে কাঠামো নিয়ে
অনেক কোম্পানি বলে তারা AI-সক্ষম হতে চায়, কিন্তু দেওয়া উৎসের যুক্তি হলো, তারা একই ভুল বারবার করছে: কৃত্রিম বুদ্ধিমত্তাকে এমন একটি পুরনো সংগঠনের সঙ্গে জুড়ে দেওয়ার চেষ্টা করা, যা পূর্বানুমানযোগ্যতা, স্তরবিন্যাস, এবং ধীর অনুমোদনের জন্য তৈরি। এই দৃষ্টিতে, আসল বাধা টুলের অভাব নয়। এটি এমন একটি অপারেটিং মডেল, যা ভিন্ন এক শতাব্দীর জন্য নির্মিত হয়েছিল.
উৎসের মূল দাবি স্পষ্ট। বেশিরভাগ প্রতিষ্ঠান AI-কে এমন সিস্টেমের ওপর বসাতে চাইছে, যা ধারাবাহিকভাবে অনুভব করা, দ্রুত শেখা, বা বিতরণকৃত সিদ্ধান্ত গ্রহণের জন্য তৈরি নয়। ফলে, পাইলট থেমে যায়, গ্রহণের গতি স্থির হয়ে পড়ে, আর ব্যবসার প্রান্তে AI যে গতি তৈরি করে, তা মাঝখানে হারিয়ে যায়। এটি কর্পোরেট প্রযুক্তি কর্মসূচিতে একটি পরিচিত ধরণ। উদ্ভাবন শুরু হয় একটি ল্যাব, একটি দল, বা একটি কার্যকরী ইউনিটে, তারপর বাজেট চক্র, অনুমোদনের শৃঙ্খল, অমিল প্রণোদনা, এবং খণ্ডিত মালিকানার ঘর্ষণে এসে আটকে যায়.
প্রবন্ধটির ভিত্তি হলো, AI-তে সফল কোম্পানিগুলো কেবল ভালো সফটওয়্যার বেছে নেওয়ার কারণেই জিতছে না। তারা ভিন্ন ধরনের সংগঠনে পরিণত হচ্ছে। উৎসে উদ্ধৃত বইয়ের লেখিকা মেলিসা রিভ এই প্রতিষ্ঠানগুলোকে “hyperadaptive” বলেন। নামটি নতুন, কিন্তু মূল কথাটি পরিচিত: কোনো প্রতিষ্ঠানের নিজস্ব নকশা যদি প্রতিটি গুরুত্বপূর্ণ পদক্ষেপকে ধীর করে দেয়, তাহলে দ্রুত বুদ্ধিমত্তার সম্পূর্ণ সুবিধা সে পেতে পারে না.
AI কেন সাংগঠনিক দুর্বলতাগুলোকে প্রকাশ করে
ঐতিহ্যগত অপারেটিং মডেলগুলি সামঞ্জস্যের জন্য তৈরি হয়েছিল। কৌশল ওপর থেকে নিচে নামে। কাজ বিশেষায়িত সাইলো দিয়ে এগোয়। হ্যান্ডঅফ সাধারণ ঘটনা। সিদ্ধান্তের জন্য প্রায়ই একাধিক স্তরের পর্যালোচনা দরকার হয়। শিল্পযুগের ব্যবস্থায় এই স্থাপত্য যুক্তিসঙ্গত ছিল, যেখানে স্কেল, মান統করণ, এবং ঝুঁকি নিয়ন্ত্রণ ছিল প্রধান অগ্রাধিকার.
AI চাপের কেন্দ্রগুলো বদলে দেয়। এটি এমন বিশ্লেষণ, সুপারিশ, এবং কনটেন্ট তৈরি করতে পারে, যা অনেক বিদ্যমান ব্যবসায়িক প্রক্রিয়া শোষণ করতে পারে তার চেয়ে দ্রুত। যখন তা ঘটে, সীমাবদ্ধতা স্থানান্তরিত হয়। সমস্যা আর কেবল এই নয় যে একটি কোম্পানি অন্তর্দৃষ্টি তৈরি করতে পারে কি না, বরং সেই অন্তর্দৃষ্টির ভিত্তিতে কাজ করতে পারে কি না। যদি দলগুলোকে এখনও কঠোর স্তরবিন্যাস, বিচ্ছিন্ন সিস্টেম, এবং কার্যকরী সীমানা পেরোতে হয়, তাহলে AI স্থানীয় দক্ষতা বাড়াতে পারে, কিন্তু সামগ্রিক কর্মক্ষমতা উন্নত করবে না.
এই কারণেই দেওয়া উৎসে বলা হয়েছে, প্রতিষ্ঠানগুলো প্রান্তে দ্রুত হয়ে যায়, কিন্তু মাঝখানটা আগের মতোই ধীর থাকে। এটি একটি গুরুত্বপূর্ণ ব্যাখ্যা, কারণ এটি দেখায় কেন এত AI প্রোগ্রাম অভ্যন্তরীণ উত্তেজনা তৈরি করেও কোম্পানি-ব্যাপী ফলাফল বদলাতে পারে না। প্রযুক্তি কাজ করতে পারে। প্রতিষ্ঠান নাও করতে পারে.
“AI-native” ধারণা কেবল ডেপ্লয়মেন্টের চেয়ে বড়
উৎসটি সমস্যাটিকে “AI-native” হওয়ার প্রসঙ্গে উপস্থাপন করে, যা সফটওয়্যার রোলআউটের চেয়ে গভীরতর পরিবর্তন নির্দেশ করে। এই বিবরণে, একটি AI-native কোম্পানি এমনভাবে গঠিত যে সেটি দ্রুত অনুভব করতে, ধারাবাহিকভাবে শিখতে, এবং মানুষ একা যা করতে পারে তার চেয়ে ভালো সিদ্ধান্ত নিতে পারে। এমন দাবি উচ্চাকাঙ্ক্ষী হলেও, এটি অগ্রাধিকারের বাস্তব পরিবর্তনকে ধরে। লক্ষ্য কেবল অটোমেশন নয়। এটি তথ্য কীভাবে প্রবাহিত হয় এবং সিদ্ধান্ত কীভাবে নেওয়া হয় তার পুনর্নকশা.
এটি প্রায়শই স্থির পটভূমি সিস্টেম হিসেবে দেখা ফাংশনগুলোর ওপর চাপ সৃষ্টি করে: ম্যানেজমেন্ট লেয়ার, গভর্ন্যান্স, কাজের নকশা, এবং সহযোগিতার ধরন। কোনো কোম্পানি যদি AI দিয়ে throughput বা অভিযোজনক্ষমতা বাড়াতে চায়, তাহলে তাকে ধাপ কমাতে, হ্যান্ডঅফ হ্রাস করতে, মালিকানা স্পষ্ট করতে, এবং কৌশলকে বাস্তবায়নের কাছাকাছি আনতে হতে পারে। নাহলে প্রতিষ্ঠানটি পুরনো ওয়ার্কফ্লোর ভেতরেই উন্নত টুল ব্যবহার করে চলার ঝুঁকি নেবে.
কোম্পানির ভেতর রাজনৈতিক মাত্রাও আছে। AI প্রোগ্রাম প্রায়শই উদ্ভাবনী উদ্যোগ হিসেবে শুরু হয়, কিন্তু কাঠামোগত পুনর্নকশা ক্ষমতাকে স্পর্শ করে। কে কাজ অনুমোদন করে, কারা ডেটা নিয়ন্ত্রণ করে, কোন দল ফলাফলের মালিক, এবং বিচার কত দ্রুত প্রয়োগ করা যায়, তা এতে প্রভাবিত হয়। তাই পাইলটগুলো প্রযুক্তিগতভাবে সফল হয়েও কার্যগতভাবে থেমে যায়। কঠিন অংশ সাধারণত কেবল মডেলের পারফরম্যান্স নয়। সংগঠন নিজের সম্পর্কে কী বদলাতে রাজি, সেটাই মূল কথা.
পরীক্ষা থেকে কার্যগত পরিবর্তনে
দেওয়া অংশের সবচেয়ে কার্যকর উপলব্ধিগুলোর একটি হলো, প্রযুক্তি নির্বাচনই বিজয়ী ও পরাজিতদের আলাদা করার প্রধান বিষয় নয়। এর মানে এই নয় যে মডেল নির্বাচন অপ্রাসঙ্গিক। এর মানে, সাফল্য ও ব্যর্থতার ব্যবধান কোম্পানির নিজের স্থাপত্য অভিযোজিত করার ক্ষমতা দ্বারা নির্ধারিত হতে পারে। যে কোম্পানিগুলো বারবার জিজ্ঞেস করে কোন টুল কেনা উচিত, তারা হয়তো ভুল প্রথম প্রশ্ন করছে.
আরও কার্যকর প্রশ্ন হলো, প্রতিষ্ঠান কি দ্রুত শেখাকে ধীর চ্যানেলে আবার ঠেলে না দিয়ে শোষণ করতে পারে? যদি প্রতিটি উদ্যোগে একই ওপর-থেকে-নিচে ধারাবাহিকতা, একই আন্তঃবিভাগীয় অনুবাদ, এবং একই আমলাতান্ত্রিক গতি লাগে, তাহলে AI ব্যবসার ভেতরে গড়া একটি সক্ষমতা না হয়ে একটি অতিরিক্ত অ্যাড-অন হিসেবে কাজ করবে.
এই দৃষ্টিভঙ্গি নির্বাহী দায়বদ্ধতাকেও নতুনভাবে ব্যাখ্যা করে। নেতারা প্রায়ই পাইলট পৃষ্ঠপোষকতা করেন এবং মূল্য প্রমাণের দাবি করেন। উৎসটি ইঙ্গিত দেয়, নেতৃত্ব টুলগুলোর চারপাশের সিস্টেম বদলানো না পর্যন্ত মূল্য সীমিতই থাকতে পারে। বাস্তবে, এর অর্থ হতে পারে ওয়ার্কফ্লো পুনর্নকশা করা, কর্মক্ষমতার মাপকাঠি হালনাগাদ করা, অপ্রয়োজনীয় অনুমোদন কমানো, বা এমন ক্রস-ফাংশনাল দল গঠন করা, যারা রিয়েল টাইমে সংকেতের ওপর কাজ করতে পারে.
এন্টারপ্রাইজ নেতাদের জন্য আসল বার্তা
দেওয়া উপাদান কোনো প্রযুক্তিগত রোডম্যাপ নয়। এটি একটি ব্যবস্থাপনাগত সমালোচনা। এর কেন্দ্রীয় সতর্কতা হলো, কোম্পানিগুলো ২১শ শতকের ফলাফল ২০শ শতকের অপারেটিং সিস্টেম থেকে আশা করতে পারে না। এই বাক্যটি স্মরণীয়, কারণ এটি সেই কল্পনা থেকে দায়িত্ব সরিয়ে দেয় যে AI একাই প্রাতিষ্ঠানিক ধীরগতির সমাধান করবে.
নির্বাহীদের জন্য এই বার্তাটি অস্বস্তিকর হলেও উপকারী। এটি ইঙ্গিত দেয় যে AI স্কেল করতে না পারা শুধুমাত্র বাস্তবায়নের ব্যর্থতা নয়, নকশাগত ব্যর্থতাও হতে পারে। যদি তাই হয়, তবে উত্তর আরেকটি বিচ্ছিন্ন পাইলট বা আরেকটি এলোমেলো AI প্রচেষ্টা নয়। এটি প্রতিষ্ঠানের কাঠামো নতুনভাবে তারযুক্ত করার আরও কঠিন প্রক্রিয়া.
“hyperadaptive” স্থায়ী ব্যবসায়িক শব্দভান্ডার হয়ে উঠুক বা না উঠুক, এর পেছনের যুক্তি টিকে থাকার সম্ভাবনাই বেশি। AI দ্রুত বুদ্ধিমত্তা এবং ধীর প্রতিষ্ঠানগুলোর মধ্যকার অসামঞ্জস্য উন্মোচন করছে। যে কোম্পানিগুলো সেই ফাঁক বন্ধ করতে পারবে, তারা বাস্তব সুবিধা গড়ে তুলতে পারে। যারা পারবে না, তারা টুল জমাতে থাকবে আর ভাবতে থাকবে পরিবর্তন কেন কখনো পুরোপুরি আসে না.
এই নিবন্ধটি Fast Company-এর প্রতিবেদনের ভিত্তিতে লেখা। মূল নিবন্ধ পড়ুন.
Originally published on fastcompany.com