എന്തുകൊണ്ട് 95% AI പദ്ധതികളും പരാജയപ്പെടുന്നു?

സാങ്കേതികവിദ്യയല്ല പ്രശ്നം; സ്ഥാപനങ്ങളുടെ ചിന്താരീതിയാണ് ലോകമെമ്പാടുമുള്ള കമ്പനികൾ ഇന്ന് കൃത്രിമബുദ്ധിയുടെ (Artificial Intelligence) പിന്നാലെയാണ്. ഓരോ ബോർഡ്റൂമിലും AIയെക്കുറിച്ചുള്ള ചർച്ചകളുണ്ട്. ഓരോ കമ്പനിക്കും ഒരു AI റോഡ്‌മാപ്പുണ്ട്. നിക്ഷേപകർക്ക് AI വേണം, ഉപഭോക്താക്കൾക്ക് AI വേണം, സർക്കാരുകൾക്ക് AI വേണം. എന്നാൽ ഒരു നിർണായക ചോദ്യം ഉയരുന്നു: ഇത്രയും വലിയ നിക്ഷേപങ്ങൾ യഥാർത്ഥത്തിൽ ബിസിനസിനെ മാറ്റിമറിക്കുന്നുണ്ടോ?

MITയുടെ NANDA Initiative പ്രസിദ്ധീകരിച്ച “The GenAI Divide: State of AI in Business 2025” എന്ന റിപ്പോർട്ട് ഈ ആവേശത്തിന് ഒരു യാഥാർത്ഥ്യക്കണ്ണാടി ഉയർത്തുന്നു. റിപ്പോർട്ടിന്റെ ഏറ്റവും ശ്രദ്ധേയമായ കണ്ടെത്തൽ ഞെട്ടിക്കുന്നതാണ്: കമ്പനികളിലെ ജനറേറ്റീവ് AI പൈലറ്റ് പദ്ധതികളിൽ വെറും അഞ്ച് ശതമാനം മാത്രമാണ് വരുമാനത്തിൽ ഗണ്യമായ വളർച്ച സൃഷ്ടിക്കുന്നത്. ബാക്കി 95 ശതമാനവും പൈലറ്റ് ഘട്ടത്തിൽ തന്നെ നിലച്ചു പോകുകയോ, ബിസിനസിന് അളക്കാവുന്ന മൂല്യം സൃഷ്ടിക്കാതിരിക്കുകയോ ചെയ്യുന്നു.

ഇത് AI സാങ്കേതികവിദ്യയുടെ പരാജയമല്ല. മറിച്ച്, AIയെ സ്ഥാപനങ്ങൾ എങ്ങനെ മനസ്സിലാക്കുകയും നടപ്പാക്കുകയും ചെയ്യുന്നു എന്നതിന്റെ പരാജയമാണ്.
AIയെ പല സ്ഥാപനങ്ങളും ഒരു “സോഫ്റ്റ്‌വെയർ വാങ്ങൽ” പദ്ധതിയായി കാണുന്നു. ChatGPT പോലുള്ള ഒരു മോഡൽ വാങ്ങിയാൽ സ്ഥാപനം AI-പ്രാപ്തമാകും എന്നാണ് ധാരണ. എന്നാൽ AI ഒരു ഉൽപ്പന്നമല്ല; അത് ഒരു പുതിയ തൊഴിൽസംവിധാനമാണ്. ഒരു സ്ഥാപനത്തിന്റെ പ്രവർത്തനരീതി, ഡാറ്റാ ഘടന, ജീവനക്കാരുടെ കഴിവ്, തീരുമാനമെടുക്കുന്ന സംസ്കാരം എന്നിവയെല്ലാം മാറ്റേണ്ട ഒരു പരിവർത്തന പ്രക്രിയയാണ്.

MIT പഠനത്തിൽ നിന്നുള്ള മറ്റൊരു പ്രധാന കണ്ടെത്തൽ, AIയുടെ പരാജയത്തിന് കാരണം മോഡലുകളുടെ പരിമിതിയല്ല എന്നതാണ്. പല കമ്പനികളും നിയമപരമായ നിയന്ത്രണങ്ങളെയും സാങ്കേതിക പരിമിതികളെയും കുറ്റപ്പെടുത്തുന്നു. എന്നാൽ യഥാർത്ഥ പ്രശ്നം സ്ഥാപനങ്ങൾക്കുള്ളിലെ “learning gap” ആണെന്ന് പഠനം ചൂണ്ടിക്കാട്ടുന്നു. ജീവനക്കാർക്ക് AI ഉപയോഗിക്കാൻ അറിയില്ല, മാനേജർമാർക്ക് AIയെ ബിസിനസ് പ്രവാഹങ്ങളുമായി ബന്ധിപ്പിക്കാൻ അറിയില്ല, നേതൃത്വം AIയെ ഒരു തന്ത്രപരമായ മാറ്റമായി കാണുന്നില്ല.
വലിയ കോർപ്പറേറ്റുകൾ AIയിൽ കോടിക്കണക്കിന് രൂപ നിക്ഷേപിക്കുമ്പോൾ, ഇരുപതിൽ താഴെ പ്രായമുള്ള യുവാക്കൾ ആരംഭിച്ച സ്റ്റാർട്ടപ്പുകൾ അതേ AI ഉപയോഗിച്ച് ഒരു വർഷത്തിനുള്ളിൽ കോടിക്കണക്കിന് ഡോളർ വരുമാനം നേടുന്ന ഉദാഹരണങ്ങളും റിപ്പോർട്ടിലുണ്ട്. കാരണം അവർ എല്ലാ പ്രശ്നങ്ങളും ഒരുമിച്ച് പരിഹരിക്കാൻ ശ്രമിച്ചില്ല. ഒരു ചെറിയ പ്രശ്നം തിരഞ്ഞെടുത്തു, അതിന് AI അടിസ്ഥാനമാക്കിയ പരിഹാരം നിർമ്മിച്ചു, ഉപഭോക്താവിന്റെ പ്രവൃത്തി രീതിയിലേക്ക് ആ പരിഹാരം ചേർത്തു.
AI വിജയിക്കുന്നത് സാങ്കേതിക മികവുകൊണ്ടല്ല; പ്രശ്നം കൃത്യമായി തിരിച്ചറിയാനുള്ള കഴിവുകൊണ്ടാണ്.
റിപ്പോർട്ടിലെ മറ്റൊരു കൗതുകകരമായ കണ്ടെത്തൽ AI നിക്ഷേപങ്ങളുടെ ദിശയെക്കുറിച്ചാണ്. സ്ഥാപനങ്ങളുടെ AI ബജറ്റിന്റെ പകുതിയിലധികവും മാർക്കറ്റിംഗ്, സെയിൽസ് തുടങ്ങിയ മേഖലകളിലേക്കാണ് പോകുന്നത്. എന്നാൽ ഏറ്റവും കൂടുതൽ സാമ്പത്തിക ലാഭം ലഭിക്കുന്നത് ബാക്ക്-ഓഫീസ് പ്രവർത്തനങ്ങളിലെ ഓട്ടോമേഷനിലൂടെയാണ്. അക്കൗണ്ടിംഗ്, രേഖാ പരിശോധന, ഇൻവോയ്സ് പ്രോസസ്സിംഗ്, സപ്ലൈ ചെയിൻ ഏകോപനം, മാനവവിഭവശേഷി മാനേജ്മെന്റ് തുടങ്ങിയ മേഖലകളിൽ AI ചെലവ് കുറയ്ക്കുകയും കാര്യക്ഷമത വർധിപ്പിക്കുകയും ചെയ്യുന്നു.
ഇന്ത്യൻ കമ്പനികൾക്കും ഇത് വലിയ പാഠമാണ്. ഇന്ന് നിരവധി സ്ഥാപനങ്ങൾ ഉപഭോക്താവിന് കാണിക്കാൻ കഴിയുന്ന AI ചാറ്റ്ബോട്ടുകളിലും പരസ്യ ഉള്ളടക്കം സൃഷ്ടിക്കുന്ന സംവിധാനങ്ങളിലുമാണ് ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നത്. എന്നാൽ സ്ഥാപനത്തിനുള്ളിലെ മന്ദഗതിയിലുള്ള പ്രക്രിയകൾ മെച്ചപ്പെടുത്തുന്നതിലാണ് കൂടുതൽ നേട്ടം ലഭിക്കാനുള്ള സാധ്യത.
റിപ്പോർട്ടിൽ ഏറ്റവും ശ്രദ്ധേയമായ മറ്റൊരു കണ്ടെത്തൽ AI വികസിപ്പിക്കുന്ന രീതിയെക്കുറിച്ചാണ്. സ്വന്തം AI സംവിധാനം പൂർണമായും അകത്ത് നിർമ്മിക്കാൻ ശ്രമിച്ച സ്ഥാപനങ്ങളെ അപേക്ഷിച്ച്, പ്രത്യേക വൈദഗ്ധ്യമുള്ള കമ്പനികളുമായി പങ്കാളിത്തം സ്ഥാപിച്ച് AI സ്വീകരിച്ച സ്ഥാപനങ്ങൾ വളരെ മികച്ച വിജയം കൈവരിച്ചു. AIയെ മുഴുവനായും സ്വയം നിർമ്മിക്കണമെന്ന സമീപനം പലപ്പോഴും ചെലവും സമയവും വർധിപ്പിക്കുകയും വിജയസാധ്യത കുറയ്ക്കുകയും ചെയ്തു.
ഇന്ത്യയിലും ഇതേ പ്രവണതയാണ് കാണുന്നത്. വലിയ ബാങ്കുകളും ഇൻഷുറൻസ് കമ്പനികളും പൊതുമേഖലാ സ്ഥാപനങ്ങളും സ്വന്തമായി ജനറേറ്റീവ് AI വികസിപ്പിക്കാൻ ശ്രമിക്കുന്നു. എന്നാൽ എല്ലാ സ്ഥാപനങ്ങൾക്കും AI ഗവേഷണ സ്ഥാപനമാകാൻ കഴിയില്ല. അതിനേക്കാൾ പ്രായോഗികം, വിശ്വസനീയമായ AI പ്ലാറ്റ്ഫോമുകളെ സ്വന്തം പ്രവർത്തനരീതിയിലേക്ക് സുരക്ഷിതമായി സംയോജിപ്പിക്കുകയാണ്.
AI തൊഴിലവസരങ്ങളെ എങ്ങനെ ബാധിക്കും എന്ന ചോദ്യത്തിനും റിപ്പോർട്ട് ഒരു യാഥാർത്ഥ്യ ചിത്രം നൽകുന്നു. വലിയ തോതിലുള്ള പിരിച്ചുവിടലുകൾ ഇപ്പോൾ വ്യാപകമല്ല. എന്നാൽ പുതിയ ആളുകളെ നിയമിക്കാതിരിക്കുന്ന പ്രവണത ശക്തമാകുകയാണ്. പ്രത്യേകിച്ച് ഉപഭോക്തൃ സേവനം, അഡ്മിനിസ്ട്രേറ്റീവ് ജോലികൾ, ആവർത്തന സ്വഭാവമുള്ള പ്രക്രിയകൾ എന്നിവയിൽ ഒഴിവാകുന്ന തസ്തികകൾ വീണ്ടും നികത്തപ്പെടുന്നില്ല. ഇത് തൊഴിൽ വിപണിയെ നിശ്ശബ്ദമായി മാറ്റിമറിക്കുന്ന പ്രക്രിയയാണ്.
ഇന്ത്യ പോലുള്ള യുവജനസംഖ്യ കൂടുതലുള്ള രാജ്യങ്ങൾക്ക് ഇതിന് പ്രത്യേക പ്രാധാന്യമുണ്ട്. ഇവിടെ ഓരോ വർഷവും ലക്ഷക്കണക്കിന് ബിരുദധാരികൾ തൊഴിൽ വിപണിയിലേക്ക് എത്തുന്നു. പ്രവേശനതലത്തിലുള്ള ജോലികൾ കുറയുന്ന സാഹചര്യത്തിൽ, വിദ്യാഭ്യാസ സമ്പ്രദായം AIയോടൊപ്പം പ്രവർത്തിക്കാൻ കഴിയുന്ന കഴിവുകൾ വളർത്തേണ്ടതുണ്ട്. AIയെ ഉപയോഗിക്കുന്നവരും AIയാൽ മാറ്റിസ്ഥാപിക്കപ്പെടുന്നവരും തമ്മിലുള്ള വിടവ് വർധിക്കാതിരിക്കാൻ നൈപുണ്യ വികസനം അനിവാര്യമാണ്.
റിപ്പോർട്ട് മറ്റൊരു പ്രതിഭാസത്തെയും ചൂണ്ടിക്കാണിക്കുന്നു: “Shadow AI.” സ്ഥാപനങ്ങളുടെ ഔദ്യോഗിക അനുമതിയില്ലാതെ ജീവനക്കാർ ChatGPT പോലുള്ള ഉപകരണങ്ങൾ രഹസ്യമായി ഉപയോഗിക്കുന്നു. ഇത് ഉൽപ്പാദനക്ഷമത വർധിപ്പിക്കുമെങ്കിലും, ഡാറ്റാ സുരക്ഷ, സ്വകാര്യത, ബൗദ്ധികസ്വത്ത് സംരക്ഷണം തുടങ്ങിയ മേഖലകളിൽ പുതിയ അപകടസാധ്യതകൾ സൃഷ്ടിക്കുന്നു. അതിനാൽ AI നിരോധിക്കുന്നതല്ല പരിഹാരം; ഉത്തരവാദിത്തത്തോടെയുള്ള ഉപയോഗത്തിനുള്ള വ്യക്തമായ നയങ്ങൾ രൂപപ്പെടുത്തുകയാണ് വേണ്ടത്.
അടുത്ത ഘട്ടത്തിൽ AI വെറും ചോദ്യം-ഉത്തരം പറയുന്ന സംവിധാനമല്ല, മറിച്ച് Agentic AI എന്ന സ്വയം പഠിക്കുകയും ഓർമ്മിക്കുകയും നിശ്ചിത പരിധിക്കുള്ളിൽ സ്വതന്ത്രമായി പ്രവർത്തിക്കുകയും ചെയ്യുന്ന സംവിധാനങ്ങളിലേക്കാണ് നീങ്ങുന്നത്. അതിനാൽ ഇന്നത്തെ പരാജയങ്ങളിൽ നിന്ന് പാഠം പഠിക്കുന്ന സ്ഥാപനങ്ങൾക്കായിരിക്കും നാളത്തെ മത്സരത്തിൽ മുൻതൂക്കം.
MIT റിപ്പോർട്ട് ഒടുവിൽ നൽകുന്ന ഏറ്റവും വലിയ സന്ദേശം വളരെ ലളിതമാണ്. AIയുടെ വിജയമോ പരാജയമോ തീരുമാനിക്കുന്നത് സാങ്കേതികവിദ്യയുടെ ശക്തിയല്ല; സ്ഥാപനങ്ങളുടെ പഠനശേഷി, നേതൃപാടവം, മാറ്റം സ്വീകരിക്കുന്ന സംസ്കാരം, ശരിയായ പ്രശ്നം കണ്ടെത്തി അതിന് ഉചിതമായ പരിഹാരം നിർമ്മിക്കുന്ന കഴിവ് എന്നിവയാണ്.
AIയുടെ കാലത്ത് വിജയിക്കുന്ന സ്ഥാപനങ്ങൾ ഏറ്റവും കൂടുതൽ AI വാങ്ങുന്നവരായിരിക്കില്ല; ഏറ്റവും വേഗത്തിൽ പഠിക്കുന്നവരായിരിക്കും.