కంపెనీలు పాత ఆపరేటింగ్ మోడళ్లను కొనసాగిస్తే AI ప్రాజెక్టులు ఆగిపోతాయి

“యాదృచ్ఛిక AI చర్యలు”కి వ్యతిరేకంగా ఉన్న వాదన నిజానికి నిర్మాణం గురించిందే

చాలా కంపెనీలు తాము AI-సक्षमంగా మారాలని అంటున్నాయి, కానీ అందించిన మూలం చెబుతున్నది ఏమిటంటే, అవి అదే తప్పును మళ్లీ మళ్లీ చేస్తున్నాయి: కృత్రిమ మేధస్సును ముందస్తు అంచనాల కోసం, అధిక స్థాయి క్రమశిక్షణ కోసం, మరియు నెమ్మదైన అనుమతుల కోసం రూపొందించిన పాత సంస్థకు కేవలం జోడించగలిగే దానిలా చూడటం. ఆ దృక్కోణంలో నిజమైన అడ్డంకి సాధనాల కొరత కాదు. అది వేరే శతాబ్దం కోసం నిర్మించిన ఆపరేటింగ్ మోడల్.

మూలంలోని ప్రధాన వాదన చాలా స్పష్టంగా ఉంది. చాలా సంస్థలు నిరంతరంగా గమనించడానికి, వేగంగా నేర్చుకోవడానికి, లేదా వికేంద్రీకృత నిర్ణయాలు తీసుకోవడానికి నిర్మించని వ్యవస్థలపై AIని అతికించడానికి ప్రయత్నిస్తున్నాయి. ఫలితంగా, పైలట్లు ఆగిపోతాయి, స్వీకరణ స్థిరమైపోతుంది, మరియు వ్యాపార అంచుల్లో AI తీసుకువచ్చే వేగం మధ్యభాగంలో కోల్పోతుంది. ఇది కార్పొరేట్ టెక్నాలజీ కార్యక్రమాల్లో సుపరిచితమైన నమూనా. ఆవిష్కరణ ఒక ల్యాబ్‌లో, ఒక బృందంలో, లేదా ఒక ఫంక్షనల్ యూనిట్‌లో మొదలై, బడ్జెటింగ్ చక్రాలు, ఆమోద శ్రేణులు, అనుకూలం కాని ప్రోత్సాహకాలు, మరియు విభజిత యాజమాన్యం అనే ఘర్షణలో చిక్కుకుంటుంది.

ఈ వ్యాసం సారాంశం ఏమిటంటే, AIలో విజయవంతమయ్యే కంపెనీలు కేవలం మెరుగైన సాఫ్ట్‌వేర్ ఎంచుకున్నందుకే గెలవడం లేదు. అవి భిన్నమైన సంస్థలుగా మారుతున్నాయి. మూలంలో నుండి తీసుకున్న పుస్తక రచయిత్రి మెలిస్సా రీవ్ ఈ సంస్థలను “హైపర్‌అడాప్టివ్” అని పిలుస్తారు. పేరు కొత్తగా ఉన్నా, అసలు భావం సుపరిచితమే: ఒక సంస్థ యొక్క రూపకల్పనే ప్రతి ముఖ్యమైన చర్యను నెమ్మదిపరుస్తే, వేగవంతమైన మేధస్సు నుండి అది పూర్తిగా లాభపడలేడు.

AI సంస్థాగత బలహీనతలను ఎందుకు బయటపెడుతుంది

సాంప్రదాయ ఆపరేటింగ్ మోడళ్లు స్థిరత్వం కోసం రూపొందించబడ్డాయి. వ్యూహం పై నుంచి కిందకు ప్రవహిస్తుంది. పని ప్రత్యేక సైలోల ద్వారా కదులుతుంది. హ్యాండ్ఆఫ్లు సాధారణం. నిర్ణయాలకు తరచుగా అనేక స్థాయి సమీక్ష అవసరం. పారిశ్రామిక యుగ వ్యవస్థల్లో ఈ నిర్మాణం సమంజసం, ఎందుకంటే అక్కడ ప్రధాన ప్రాధాన్యతలు స్కేలు, ప్రమాణీకరణ, మరియు ప్రమాద నియంత్రణ.

AI ఆ ఒత్తిడి బిందువులను మార్చుతుంది. అది అనేక ప్రస్తుత వ్యాపార ప్రక్రియలు జీర్ణించగల వేగం కంటే వేగంగా విశ్లేషణ, సిఫార్సులు, మరియు కంటెంట్‌ను సృష్టించగలదు. అది జరిగినప్పుడు, పరిమితి మారుతుంది. సమస్య ఇకపై సంస్థ అంతర్దృష్టిని ఉత్పత్తి చేయగలదా అనే ప్రశ్న మాత్రమే కాదు, ఆ అంతర్దృష్టిపై చర్య తీసుకోగలదా అనే ప్రశ్న అవుతుంది. బృందాలు ఇంకా కఠినమైన హైరార్కీలు, విడిపోయిన వ్యవస్థలు, మరియు ఫంక్షనల్ సరిహద్దులను దాటాల్సి వస్తే, AI స్థానిక సామర్థ్యాన్ని పెంచవచ్చు గానీ, మొత్తం పనితీరును మెరుగుపరచదు.

అందుకే అందించిన మూలం సంస్థలు అంచుల్లో వేగంగా మారతాయని, కానీ మధ్య భాగం ముందటిలానే నెమ్మదిగా ఉంటుందని చెబుతుంది. ఇది ముఖ్యమైన రూపకల్పన, ఎందుకంటే ఎన్నో AI కార్యక్రమాలు అంతర్గత ఉత్సాహాన్ని సృష్టించినా, సంస్థవ్యాప్త ఫలితాలను ఎందుకు మార్చలేకపోతున్నాయో ఇది వివరించుతుంది. సాంకేతికత పని చేయవచ్చు. సంస్థ మాత్రం కాదు.

“AI-native” ఆలోచన అమలు కంటే పెద్దది

మూలం ఈ సమస్యను “AI-native” గా మారడమనే రూపంలో చూసింది, ఇది సాఫ్ట్‌వేర్ విడుదల కంటే లోతైన మార్పును సూచిస్తుంది. ఈ వివరణలో, AI-native కంపెనీ వేగంగా గమనించడానికి, నిరంతరం నేర్చుకోవడానికి, మరియు మనుషులు ఒంటరిగా తీసుకునే నిర్ణయాల కంటే తెలివైన నిర్ణయాలు తీసుకోవడానికి నిర్మించబడి ఉంటుంది. ఈ వాదన ఆశావహమైనదైనా, ఇది ప్రాధాన్యతలో వచ్చిన నిజమైన మార్పును పట్టుకుంటుంది. లక్ష్యం కేవలం ఆటోమేషన్ కాదు. సమాచారం ఎలా కదులుతుంది, నిర్ణయాలు ఎలా తీసుకుంటారు అనే దాని పునర్నిర్మాణం.

దీంతో, స్థిరమైన నేపథ్య వ్యవస్థలుగా చూసిన ఫంక్షన్లపై ఒత్తిడి పెరుగుతుంది: మేనేజ్మెంట్ లేయర్లు, గవర్నెన్స్, పని రూపకల్పన, మరియు సహకార నమూనాలు. ఒక కంపెనీ AI ద్వారా త్రూపుట్ లేదా అనుకూలతను మెరుగుపరచాలనుకుంటే, దశలను తగ్గించాలి, హ్యాండ్ఆఫ్లను తగ్గించాలి, యాజమాన్యాన్ని స్పష్టీకరించాలి, మరియు వ్యూహాన్ని అమలుకు దగ్గరగా తీసుకురావాలి. లేదంటే, సంస్థ పాత వర్క్‌ఫ్లోల్లోనే అభివృద్ధి చెందిన సాధనాలను ఉపయోగించే ప్రమాదం ఉంది.

కంపెనీలలో ఒక రాజకీయ కోణం కూడా ఉంది. AI కార్యక్రమాలు తరచుగా ఆవిష్కరణ చర్యలుగా ప్రారంభమవుతాయి, కానీ నిర్మాణ పునర్నిర్మాణం అధికారాన్ని తాకుతుంది. పనిని ఎవరు ఆమోదిస్తారు, డేటాను ఎవరు నియంత్రిస్తారు, ఏ బృందాలు ఫలితాల యాజమాన్యం వహిస్తాయి, తీర్పు ఎంత వేగంగా వినియోగించబడుతుంది అన్నది అది ప్రభావితం చేస్తుంది. అందుకే పైలట్లు సాంకేతికంగా విజయం సాధించినా, కార్యాచరణపరంగా ఎందుకు నిలిచిపోతాయో అర్థమవుతుంది. కష్టమైన భాగం చాలా అరుదుగా మోడల్ పనితీరు మాత్రమే. సంస్థ తన్నుతానే ఎంతవరకు మార్చుకోవడానికి సిద్ధంగా ఉందన్నదే అసలు విషయం.

ప్రయోగం నుండి ఆపరేటింగ్ మార్పు వరకు

అందించిన భాగంలోని అత్యంత ఉపయోగకరమైన అవగాహనల్లో ఒకటి, సాంకేతికత ఎంపికే విజేతలు మరియు పరాజితులను వేరు చేసే ప్రధాన అంశం కాదని. మోడల్ ఎంపిక అసంబద్ధమని దీని అర్థం కాదు. విజయం మరియు వైఫల్యం మధ్య తేడా, సంస్థ తన స్వంత నిర్మాణాన్ని అనుకూలించుకునే సామర్థ్యంపై ఆధారపడవచ్చని దీని అర్థం. ఏ సాధనం కొనాలి అని మళ్లీ మళ్లీ అడుగుతున్న కంపెనీలు బహుశా తప్పు మొదటి ప్రశ్న అడుగుతున్నాయి.

మరింత ఉత్పాదకమైన ప్రశ్న ఏమిటంటే, సంస్థ వేగవంతమైన నేర్పును మళ్లీ నెమ్మదైన ఛానెళ్లలోకి నెట్టకుండా దాన్ని శోషించగలదా? ప్రతి ప్రయత్నం ఇంకా అదే పై నుండి కిందకు సాగే క్రమం, అదే విభాగాల మధ్య అనువాదం, అదే బ్యూరోక్రాటిక్ వేగం కోరుకుంటే, AI వ్యాపారంలో నిక్షిప్తమైన సామర్థ్యంగా కాకుండా అదనపు సాధనంలా ప్రవర్తిస్తుంది.

ఈ దృక్కోణం కార్యనిర్వాహక బాధ్యతను కూడా పునర్నిర్వచిస్తుంది. నాయకులు తరచుగా పైలట్లకు మద్దతు ఇస్తారు, విలువకు ఆధారాన్ని కోరుతారు. సాధనాల చుట్టూ ఉన్న వ్యవస్థను నాయకత్వం మార్చే వరకు విలువ పరిమితంగానే ఉండవచ్చని మూలం సూచిస్తుంది. ఆచరణలో, అది వర్క్‌ఫ్లోలను తిరిగి రూపకల్పన చేయడం, పనితీరు ప్రమాణాలను నవీకరించడం, అనవసరమైన అనుమతులను తగ్గించడం, లేదా నిజ సమయంలో సంకేతాలపై చర్య తీసుకోగల క్రాస్-ఫంక్షనల్ బృందాలను నిర్మించడం కావచ్చు.

ఎంటర్‌ప్రైజ్ నాయకులకు అసలు సందేశం

అందించిన పదార్థం సాంకేతిక రోడ్‌మ్యాప్ కాదు. ఇది మేనేజ్మెంట్ విమర్శ. దాని ప్రధాన హెచ్చరిక ఏమిటంటే, సంస్థలు 20వ శతాబ్దపు ఆపరేటింగ్ సిస్టమ్‌తో 21వ శతాబ్దపు ఫలితాలను ఆశించలేవు. ఈ వాక్యం గుర్తుండిపోయేలా ఉండటానికి కారణం, AI ఒక్కటే సంస్థాగత మందగమనాన్ని సరిచేస్తుందనే కల్పన నుంచి బాధ్యతను అది మళ్లించడమే.

ఎగ్జిక్యూటివ్‌లకు, ఆ సందేశం అసౌకర్యంగా ఉన్నప్పటికీ ఉపయోగకరం. AIని విస్తరించడంలో వైఫల్యం అమలు వైఫల్యమే కాక, రూపకల్పన వైఫల్యమూ కావచ్చని ఇది సూచిస్తుంది. అలా అయితే, సమాధానం మరొక ఒంటరి పైలట్ కాదు, లేదా AI యొక్క మరొక యాదృచ్ఛిక చర్య కాదు. ఇది సంస్థను తిరిగి వైర్ చేయాల్సిన మరింత డిమాండ్ చేసే ప్రక్రియ.

“హైపర్‌అడాప్టివ్” స్థిరమైన వ్యాపార పదంగా మారినా మారకపోయినా, దాని వెనుక ఉన్న వాదన కొనసాగుతుందనే అవకాశం ఉంది. AI వేగవంతమైన మేధస్సు మరియు నెమ్మదైన సంస్థల మధ్య ఉన్న అననుకూలతను బయటపెడుతోంది. ఆ అంతరాన్ని తగ్గించే కంపెనీలు నిజమైన ప్రయోజనం నిర్మించగలవు. అలా చేయని వారు, సాధనాలను కూడబెట్టుకుంటూనే మార్పు ఎందుకు రాలేదని ఆశ్చర్యపోతూనే ఉంటారు.

ఈ వ్యాసం Fast Company రిపోర్టింగ్‌పై ఆధారపడి ఉంది. మూల వ్యాసాన్ని చదవండి.