EMEA-வில் Enterprise AI-க்கு Systems பிரச்சனை ஏற்பட்டுள்ளது

AI இலக்கம் enterprise நிஜத்துடன் மோதுகிறது

ஐரோப்பா, மத்திய கிழக்கு மற்றும் ஆப்பிரிக்காவில் உள்ள CIO-க்களுக்கு IDC வழங்கிய சமீபத்திய செய்தி நேர்மையானது: AI rollout-கள் நின்றுவிட்டால், தீர்வு தற்போதைய systems-ஐ கடுமையாக audit செய்வதிலிருந்து தொடங்க வேண்டும். அந்த framing, model hype-இலிருந்து enterprise technology stacks உண்மையில் நீடித்த AI பயன்பாட்டை ஆதரிக்கத் தயாரா என்பதெனும் கடினமான operational கேள்விக்குச் கவனத்தை மாற்றுகிறது.

candidate materials-ல் சுருக்கமாக வழங்கப்பட்டுள்ள report-இன் முக்கிய வாதம், கடந்த 18 மாதங்களில் ஐரோப்பா முழுவதும் AI deployments பல நிறுவனங்களின் அடிப்படை systems-ஐ விட மிகவும் முன்னேறியுள்ளன என்பதாகும். அந்த mismatch இப்போது implementation-ஐ மெதுவாக்குகிறது. நடைமுறையில், நிறுவனங்களிடம் pilots, leadership mandates, supplier relationships ஆகியவை இருக்கலாம்; ஆனால் projects-ஐ நம்பகமான தினசரி பயன்பாட்டுக்குக் கொண்டுவர இன்னும் சிரமப்படலாம்.

Bottleneck இனி experimentation மட்டும் அல்ல

பல enterprises-க்கு AI adoption-இன் தொடக்க கட்டம் use cases-ஐ கண்டறிதலும் executive கவனத்தைப் பெறுதலும் பற்றியது. அந்த கட்டத்தில் வேகம் மற்றும் tools-ஐ சோதிக்க விருப்பம் இருந்ததற்கு பலன் கிடைத்தது. அடுத்த கட்டம் இவ்வளவு மன்னிப்பானது அல்ல. நிறுவனங்கள் மீண்டும் மீண்டும் மதிப்பை உருவாக்க விரும்பும் போது, data quality, integration, governance, infrastructure, மற்றும் process design தொடர்பான கேள்விகள் தீர்மானகரமாகின்றன.

Audits-க்கு IDC கொடுக்கும் முக்கியத்துவம், இப்போது அவை first-order constraints எனக் கருதப்பட வேண்டிய அளவுக்கு முக்கியமானதாகிவிட்டன என்பதைக் காட்டுகிறது. நின்றுபோன rollout என்பது AI use case பலவீனமானது என்பதற்கான உறுதியான சான்றல்ல. அதற்கு பதிலாக, fragmented systems-க்கு புதிய capabilities-ஐ அடுக்க முயன்றதன் விளைவாக இருக்கலாம்; அந்த systems அவற்றுக்காக ஒருபோதும் தயார் செய்யப்படவில்லை.

Systems audit ஏன் முக்கியம்

ஒரு கடுமையான audit என்பது operational truth-இன் ஒரு பட்டியல் போலச் செயல்படுகிறது. அது data எங்கு உள்ளது, அது எவ்வளவு அணுகக்கூடியது, எந்த systems brittle-ஆக உள்ளன, security மற்றும் compliance constraints எங்கு இருக்கின்றன, stack முழுவதும் எவ்வளவு interoperability உள்ளது என்பதைக் கண்டறிய தலைவர்களை வற்புறுத்துகிறது. AI projects-க்கு, இக்கேள்விகள் implementation details மட்டும் அல்ல. ஒரு deployment scale ஆகுமா இல்லையா என்பதையே அவை நிர்ணயிக்கின்றன.

இது குறிப்பாக EMEA-வில் பொருத்தமானது; அங்கு enterprise estates பெரும்பாலும் பழைய on-premises systems, பிராந்திய regulatory demands, சிக்கலான vendor footprint, மற்றும் மாறுபடும் cloud maturity நிலைகளை உள்ளடக்கியவையாக உள்ளன. அத்தகைய சூழலில், ஒரு AI application தொழில்நுட்ப ரீதியாக impressive-ஆக இருக்கலாம்; ஆனால் அது inconsistent data pipelines அல்லது பாதுகாப்பாக இணைப்பது கடினமான systems-ஐ சார்ந்திருந்தால், operationalize செய்வது இன்னும் கடினமாக இருக்கும்.

நின்றுபோன rollout-கள் உண்மையில் என்ன சொல்லுகின்றன

Deployment momentum குறையும் போது, நிறுவனங்கள் model, vendor, அல்லது workforce-ஐ குற்றம் சாட்டுவது வழக்கம். IDC-யின் framing அதற்கு ஒரு அடிப்படை விளக்கத்தை முன்வைக்கிறது: பல rollout-கள் enterprise architecture-இல் ஏற்கனவே இருந்த unresolved weaknesses-ஐ வெளிப்படுத்துகின்றன. AI அவற்றை புறக்கணிக்க முடியாத அளவுக்கு தெளிவாக்குகிறது.

ஏனெனில் AI systems reliable inputs, தெளிவான governance, மற்றும் business processes-உடன் integration மீது வழக்கத்துக்கு மாறாக அதிகமாக சார்ந்துள்ளன. ஒரு broken handoff, மோசமான data lineage, அல்லது தெளிவற்ற access model முடிவுகளை விரைவாகக் கெடுக்க முடியும். வழக்கமான software projects-ல் இவை சிரமமாக இருக்கலாம். AI projects-ல், அவை output மீதான நம்பிக்கையையே பாதிக்க முடியும்.

CIOs-க்கு நடைமுறை மாற்றம்

Report வழங்கும் ஆலோசனை, வெற்றிகரமான AI leadership எப்படி இருக்க வேண்டும் என்பதில் ஒரு மாற்றத்தைச் சுட்டிக்காட்டுகிறது. Innovation programs-ஐ sponsor செய்வதும் புதிய tools-ஐ procurement செய்வதும் மட்டும் போதாது. CIOs, எந்த legacy constraints delivery-ஐத் தடுக்கின்றன, மேலும் AI-ஐ பெரும் அளவில் பயனுள்ளதாக மாற்ற estate-இன் எந்த பகுதிகள் modernize, simplify, அல்லது retire செய்யப்பட வேண்டும் என்பதைத் தீர்மானிக்க வேண்டும்.

இதனால் ஒவ்வொரு நிறுவனத்துக்கும் முழுமையான மறுகட்டமைப்பு தேவை என்பதில்லை. ஆனால் leaders, friction எங்கு உள்ளது என்பதற்கான தெளிவான map-ஐ பெற வேண்டும் என்பதைத்தான் இது சொல்கிறது. சில projects-க்கு சிறந்த data engineering தேவைப்படலாம். மற்றவற்றுக்கு கடுமையான governance அல்லது தெளிவான system boundaries தேவைப்படலாம். ஒரு audit, readiness பிரச்சனைகளையும் strategy பிரச்சனைகளையும் பிரிக்க உதவுகிறது.

இது market narrative-க்கு ஏன் பயனுள்ள திருத்தம்

Enterprise AI coverage பெரும்பாலும் models, chips, மற்றும் applications-இல் ஏற்படும் முன்னேற்றங்களை முன்னிலைப்படுத்துகிறது. அவை முக்கியமானவைதான், ஆனால் IDC-யின் வாதம் மதிப்புமிக்கது; ஏனெனில் அது bottleneck-ஐ மீண்டும் நிறுவனத்தின் உள்ளே கொண்டு வருகிறது. Adoption என்பது frontier models என்ன செய்ய முடியும் என்பதிலேயே மட்டும் சார்ந்ததல்ல. அந்த capabilities-ஐ நிலையான, compliant, மற்றும் புரியக்கூடிய operating environments-உடன் நிறுவனங்கள் இணைக்க முடியுமா என்பதாலும் அது தீர்மானிக்கப்படுகிறது.

இது ஒரு புதிய model release-ஐ அறிவிப்பதைவிட குறைவான கவர்ச்சியான செய்தி; ஆனால் AI measurable value உருவாக்குமா இல்லையா என்பதை முடிவுசெய்வது பெரும்பாலும் இதுதான். Deployments நின்றுவிட்டால், காரணம் ambition குறைவு என்றே இருக்க வேண்டியதில்லை. அந்த ambition-ன் அடித்தளத்தில் இருந்த estate ஒருபோதும் தயாராக இல்லை என்பதும் காரணமாக இருக்கலாம்.

குறுகிய கால விளைவு

Enterprise AI adoption-இன் அடுத்த கட்டத்தில் வெற்றி பெற வாய்ப்புள்ளவர்கள், systems readiness-ஐ தொழில்நுட்பத்தின் பின்னணி விஷயமாக அல்ல, strategic issue-ஆகக் கருதும் நிறுவனங்களாக இருக்கும். கடுமையான audits-க்கு IDC பரிந்துரைப்பது அந்த logic-ஐ நேரடியாகப் பிடிக்கிறது. நிறுவனங்கள் AI-ஐ விரிவாக்குவதற்கு முன், அவர்களது infrastructure உண்மையில் என்ன ஆதரிக்க முடியும் என்பதை அறிந்திருக்க வேண்டும்.

EMEA-வில், பல நிறுவனங்கள் regulatory scrutiny, legacy complexity, மற்றும் போட்டி அழுத்தம் ஆகியவற்றை சமநிலைப்படுத்திக் கொண்டிருக்கின்றன; அங்கு இதுவே pilots portfolio-க்கும் உண்மையான operational rollout-க்கும் இடையிலான வேறுபாடாக இருக்கலாம்.

இந்த கட்டுரை AI News செய்தியினை அடிப்படையாகக் கொண்டது. மூலக் கட்டுரையை வாசிக்கவும்.