कंपन्या जुने ऑपरेटिंग मॉडेल कायम ठेवतात तेव्हा AI प्रकल्प अडकतात

“AI च्या अनियमित कृतीं”विरोधातील युक्तिवाद खरे तर रचनेबद्दल आहे

अनेक कंपन्या म्हणतात की त्यांना AI-सक्षम व्हायचे आहे, पण दिलेल्या स्रोताचा युक्तिवाद असा आहे की त्या सतत तीच चूक करत आहेत: कृत्रिम बुद्धिमत्तेला पूर्वानुमेयता, पदानुक्रम आणि मंद मंजुरी यासाठी बांधलेल्या जुन्या संस्थेला फक्त जोडता येणारी गोष्ट म्हणून पाहणे. त्या दृष्टीने, खरी अडचण साधनांची कमतरता नाही. ती म्हणजे वेगळ्या शतकासाठी बांधलेले ऑपरेटिंग मॉडेल.

स्रोताचा मुख्य दावा सरळ आहे. बहुतांश संस्था AI ला अशा प्रणालींवर चिकटवण्याचा प्रयत्न करत आहेत, ज्या सतत निरीक्षण, जलद शिकणे किंवा वितरित निर्णय-निर्मिती यासाठी बांधलेल्या नाहीत. परिणामी, पायलट प्रकल्प अडकतात, स्वीकार थांबतो, आणि व्यवसायाच्या कडांवर AI जेवढा वेग निर्माण करतो, तो मधोमध नष्ट होतो. हा कॉर्पोरेट तंत्रज्ञान कार्यक्रमांमधील परिचित नमुना आहे. नवोपक्रम एखाद्या प्रयोगशाळेत, टीममध्ये किंवा कार्यात्मक युनिटमध्ये सुरू होतो, आणि मग बजेट चक्र, मंजुरीच्या साखळ्या, विसंगत प्रोत्साहने, आणि विभागलेली मालकी यांच्या घर्षणाला सामोरा जातो.

लेखाचा मूळ मुद्दा असा आहे की AI मध्ये यशस्वी कंपन्या केवळ चांगले सॉफ्टवेअर निवडल्यामुळे जिंकत नाहीत. त्या वेगळ्या प्रकारच्या संस्था बनत आहेत. स्रोतामधील पुस्तकाच्या लेखिका मेलिसा रीव्ह या कंपन्यांना “hyperadaptive” म्हणतात. नाव नवीन असले तरी मूलभूत मुद्दा ओळखीचा आहे: जर एखाद्या उद्यमाची स्वतःची रचना प्रत्येक महत्त्वाची कृती धीमी करत असेल, तर जलद बुद्धिमत्तेचा पूर्ण लाभ त्याला मिळू शकत नाही.

AI संघटनात्मक कमकुवतपणा का उघड करतो

पारंपरिक ऑपरेटिंग मॉडेल्स सुसंगततेसाठी बांधले गेले होते. धोरण वरून खाली वाहते. काम विशेष सायलोमधून पुढे सरकते. हँडऑफ्स सामान्य असतात. निर्णयांसाठी अनेक स्तरांची समीक्षा लागते. औद्योगिक युगातील प्रणालींमध्ये ही रचना योग्य होती, जिथे प्रमाण, मानकीकरण आणि जोखीम नियंत्रण हे प्रमुख प्राधान्य होते.

AI दाबाचे बिंदू बदलतो. तो अनेक विद्यमान व्यावसायिक प्रक्रिया पचवू शकतील त्यापेक्षा जलद विश्लेषण, शिफारसी आणि सामग्री तयार करू शकतो. जेव्हा असे होते, तेव्हा मर्यादा बदलते. प्रश्न फक्त एवढाच उरत नाही की कंपनी अंतर्दृष्टी निर्माण करू शकते का, तर ती त्या अंतर्दृष्टीवर कृती करू शकते का. जर टीम्सना अजूनही कठोर पदानुक्रम, जोडणी नसलेल्या प्रणाली आणि कार्यात्मक सीमा पार कराव्या लागत असतील, तर AI स्थानिक कार्यक्षमता वाढवू शकतो, पण एकूण कामगिरी सुधारत नाही.

म्हणूनच दिलेल्या स्रोतामध्ये म्हटले आहे की संस्था कडांवर वेगवान होतात, पण मधला भाग आधीसारखाच मंद राहतो. हे एक महत्त्वाचे सूत्रीकरण आहे, कारण त्यामुळे इतके AI कार्यक्रम अंतर्गत उत्साह निर्माण करूनही कंपनी-व्यापी निकाल का बदलत नाहीत, हे स्पष्ट होते. तंत्रज्ञान काम करू शकते. संस्था नाही.

“AI-native” ही कल्पना केवळ तैनातीपेक्षा मोठी आहे

स्रोत हा प्रश्न “AI-native” होण्याच्या दृष्टीने मांडतो, ज्याचा अर्थ सॉफ्टवेअर रोलआउटपेक्षा खूप खोल बदल असा होतो. या मांडणीत, एक AI-native कंपनी वेगाने जाणण्यासाठी, सतत शिकण्यासाठी, आणि माणसे एकटीने घेऊ शकतील त्यापेक्षा अधिक चांगले निर्णय घेण्यासाठी रचलेली असते. ही भावना महत्त्वाकांक्षी असली, तरी प्राधान्यांमधील प्रत्यक्ष बदल ती पकडते. उद्दिष्ट केवळ ऑटोमेशन नाही. माहिती कशी वाहते आणि निर्णय कसे घेतले जातात याचे पुनर्रचना करणे हे आहे.

त्यामुळे अनेकदा स्थिर पार्श्वभूमी व्यवस्था समजल्या जाणाऱ्या कार्यांवर दबाव येतो: व्यवस्थापन स्तर, प्रशासन, कामाची रचना, आणि सहकार्याची पद्धत. जर कंपनीला AI मुळे throughput किंवा अनुकूलता वाढवायची असेल, तर तिला पावले कमी करावी लागू शकतात, हँडऑफ्स घटवावे लागू शकतात, मालकी स्पष्ट करावी लागू शकते, आणि धोरणाला अंमलबजावणीच्या जवळ आणावे लागू शकते. अन्यथा, उद्यम कालबाह्य workflow मध्ये प्रगत साधने वापरत राहण्याचा धोका पत्करते.

कंपन्यांमधील राजकीय परिमाणही आहे. AI कार्यक्रम बहुतेकदा नवोपक्रम उपक्रम म्हणून सुरू केले जातात, पण संरचनात्मक पुनर्रचना सत्तेला स्पर्श करते. कामाला कोण मंजुरी देतो, डेटा कोण नियंत्रित करतो, कोणत्या टीम्सकडे परिणामांची मालकी आहे, आणि निर्णय किती वेगाने राबवले जाऊ शकतात, यावर त्याचा परिणाम होतो. त्यामुळेच पायलट तांत्रिकदृष्ट्या यशस्वी होऊनही कार्यात्मक पातळीवर अडकतात. कठीण भाग बहुतेकदा फक्त मॉडेलची कामगिरी नसते. संस्थेने स्वतःबद्दल काय बदलायला तयार आहे, हेच खरे महत्त्वाचे.

प्रयोगापासून ऑपरेटिंग बदलापर्यंत

दिलेल्या उताऱ्यातील सर्वात उपयुक्त अंतर्दृष्टींपैकी एक म्हणजे तंत्रज्ञान निवड ही विजेते आणि पराभूत यांना वेगळी करणारी मुख्य गोष्ट नाही. याचा अर्थ मॉडेल निवड असंगत आहे असा नाही. याचा अर्थ असा आहे की यश आणि अपयशातील फरक संस्थेच्या स्वतःच्या रचनेला जुळवून घेण्याच्या क्षमतेवर अवलंबून असू शकतो. जे कंपन्या वारंवार कोणते साधन विकत घ्यायचे हेच विचारत राहतात, त्या कदाचित चुकीचा पहिला प्रश्न विचारत आहेत.

अधिक उपयोगी प्रश्न असा आहे की संस्था जलद शिकण्याला पुन्हा मंद वाहिन्यांमध्ये ढकलल्याशिवाय ते आत्मसात करू शकते का. जर प्रत्येक उपक्रमाला तोच वरून खाली जाणारा क्रम, तीच विभागांमधील भाषांतरे, आणि तोच नोकरशाहीचा वेग लागला, तर AI एक अंतर्गत क्षमता न राहता एक जोड-घटक म्हणून वागेल.

हा दृष्टिकोन कार्यकारी जबाबदारीकडेही नव्या पद्धतीने पाहतो. नेते अनेकदा पायलट्सना पाठिंबा देतात आणि मूल्याचा पुरावा मागतात. स्रोत सूचित करतो की साधनांभोवतीची व्यवस्था बदलल्याशिवाय मूल्य मर्यादित राहू शकते. प्रत्यक्षात, त्याचा अर्थ workflow पुन्हा डिझाइन करणे, कार्यक्षमता मोजमाप अद्ययावत करणे, अनावश्यक मंजुरी कमी करणे, किंवा प्रत्यक्ष वेळेत संकेतांवर कृती करू शकतील अशा cross-functional टीम्स उभारणे असा होऊ शकतो.

एंटरप्राइझ नेत्यांसाठी खरा संदेश

दिलेली सामग्री तांत्रिक रोडमॅप नाही. ती व्यवस्थापनाची टीका आहे. तिचा मुख्य इशारा असा आहे की कंपन्या 21व्या शतकाचे परिणाम 20व्या शतकाच्या ऑपरेटिंग सिस्टिमवरून अपेक्षित करू शकत नाहीत. हे वाक्य लक्षात राहते कारण ते AI एकट्याने संस्थात्मक मंदपणा दूर करेल या कल्पनेपासून जबाबदारी हटवते.

कार्यकारी अधिकाऱ्यांसाठी हा संदेश अस्वस्थ करणारा पण उपयोगी आहे. AI चे प्रमाण वाढविण्यातील अपयश हे केवळ अंमलबजावणीतील अपयश नसून, रचनेतील अपयशही असू शकते, असे तो सूचित करतो. तसे असेल तर उत्तर आणखी एक वेगळा पायलट किंवा आणखी एक यादृच्छिक AI कृती नाही. उत्तर म्हणजे संस्थेचे पुनर्वायरिंग करण्याची अधिक मागणी करणारी प्रक्रिया.

“hyperadaptive” हा शब्द कायमस्वरूपी व्यवसायाच्या शब्दसंग्रहात बसेल किंवा नाही, तरी त्यामागील युक्तिवाद टिकण्याची शक्यता आहे. AI जलद बुद्धिमत्ता आणि मंद संस्था यांमधील विसंगती उघड करत आहे. जी कंपन्या ही दरी भरून काढतील, त्या खरी आघाडी निर्माण करू शकतात. ज्या नाही, त्या साधने जमा करत राहतील आणि परिवर्तन का कधीच पूर्ण होत नाही, याचा विचार करत राहतील.

हा लेख Fast Company च्या रिपोर्टिंगवर आधारित आहे. मूळ लेख वाचा.