நிறுவனங்களில் AI ஏற்றம், சமீபத்திய வரலாற்றிலுள்ள எந்த தொழில்நுட்ப மாற்றத்தையும் விட வேகமாக உயர்ந்து வருகிறது. ஒவ்வொரு தலைமைத்துவக் கூட்டமும் இறுதியில் ஒரே எதிர்பார்ப்பை நோக்கி செல்கிறது. AI நிறுவனம் முழுவதும் அளவிடக்கூடிய மதிப்பை வழங்க வேண்டும். ChatGPT வெளியான பிறகு, பொறியியல் அணிகள் Copilot-ஐ ஏற்றுக்கொண்டன, பகுப்பாய்வாளர்கள் Perplexity-யைத் தழுவினர், மற்றும் செயல்பாட்டு அணிகள் தானியக்கத்தைச் சோதித்தன. உற்பத்தித்திறன் கிட்டத்தட்ட உடனடியாக மேம்பட்டது.
ஆனால் சில மாதங்களுக்குப் பிறகே, ஏற்ற வளைவுகள் மந்தமானது. பைலட் முயற்சிகள் நின்றுபோனது. ROI சீரற்றதாக மாறியது. இந்த மந்தநிலை பலவீனமான மாதிரிகள் காரணமாகவோ அல்லது நிர்வாகத் தலைமையின் லட்சியக் குறைவால் ஏற்படுவதல்ல. இது AI-யின் திறன்களுக்கும் நிறுவனச் சூழல்களுக்கும் இடையிலான கட்டமைப்பு பொருந்தாமையின் விளைவு.
சமீபத்தில், AI ஏற்றத்தின் நிறுவன சார்ந்த பரிமாணங்களை அடிக்கடி ஆராயும் படைப்பாளரான Caleb எழுதிய ஒரு பகுப்பாய்வைப் பார்த்தேன். அவர் முன்வைத்த அணுகுமுறை புதிய கருத்துகளை அறிமுகப்படுத்தவில்லை; ஆனால் பல நிறுவனத் தலைவர்கள் ஏற்கனவே உணர்ந்திருந்த ஒரு பதற்றத்தை அது தெளிவுபடுத்தியது. தனித்துப் பிரிக்கப்பட்ட பயன்பாட்டு நிலைகளில் AI ஏன் சிறப்பாக செயல்படுகிறது, ஆனால் அமைப்பு-நிலை மாற்றத்தை உருவாக்குவதில் ஏன் சிரமப்படுகிறது என்பதையும் அது விளக்கியது.
AI ஏற்றம் மாதிரியின் வலிமையைச் சார்ந்ததல்ல. AI நிறுவனத்தில் எந்த அடுக்கில் அறிமுகப்படுத்தப்படுகிறது என்பதையே அது சார்ந்துள்ளது.
டெமோக்களில் AI ஏன் கவர்ச்சியாகத் தோன்றுகிறது, ஆனால் நடைமுறை அமல்படுத்தலில் ஏன் நின்றுவிடுகிறது என்று யோசிக்கும் CIOக்கள், CTOக்கள், மற்றும் மாற்றத் தலைவர்களுக்காக, இந்தக் கட்டுரை மறைந்துள்ள கட்டுப்பாடுகளையும், நிறுவனம் முழுவதும் நீடித்த ஏற்றத்திற்குத் தேவையான மூலோபாயப் பாதைகளையும் வரைபடமாகக் காட்டுகிறது.
“நாம் AI-ஐ ஏற்க வேண்டுமா?” என்பதிலிருந்து “ஏற்றம் ஏன் இவ்வளவு மந்தமாக உள்ளது?” என்பதற்கு
இரண்டு ஆண்டுகளுக்கு முன், நிறுவனங்களுக்கு AI தேவைதானா என்று விவாதிக்கப்பட்டது. இன்று கேள்வி, அதை எவ்வாறு நீடித்தும் பாதுகாப்பாகவும் ஒருங்கிணைப்பது என்பதாக உள்ளது. நிறுவன உற்பத்தியின் குறிப்பிடத்தக்க பகுதி விரைவில் AI மூலம் உருவாக்கப்படலாம் என்று பகுப்பாய்வாளர்கள் கணிக்கிறார்கள். காகிதத்தில் இது தவிர்க்க முடியாததாகத் தெரிகிறது. நடைமுறையில், அதன் தாக்கம் இன்னும் சமமற்றதாகவே உள்ளது.
பொறியியல் அணிகள் வேகமாக நகர்கின்றன; ஆனால் பல-செயல்பாட்டு ஒருங்கிணைந்த செயலாக்கம் மிகக் குறைவாகவே மேம்படுகிறது. விற்பனை அணிகள் அணுகலை தானியக்கப்படுத்துகின்றன; ஆனால் கையேடு ஒருங்கிணைப்பில் இன்னும் நேரத்தை இழக்கின்றன. operations விரைவாக உள்ளுணர்வுகளை உருவாக்குகிறது; ஆனால் சிதறிய தரவை இன்னும் கையேடாகவே ஒப்புமைப்படுத்துகிறது.
நிறுவனங்கள் நேர்கோட்டில் இயங்கும் இயந்திரங்களைப் போல செயல்படுவதில்லை. அவை நிர்வாகம், ஊக்கங்கள், பண்பாடு, மற்றும் மரபு தொழில்நுட்பம் ஆகியவற்றால் வடிவமைக்கப்பட்ட சிக்கலான அமைப்புகளாக இயங்குகின்றன. இந்தச் சிக்கலை AI குறைப்பதற்குப் பதிலாக மேலும் பெருக்குகிறது.
ஒரு பயனுள்ள அணுகுமுறை, நிறுவன AI-ஐ மூன்று முதிர்ச்சி நிலைகளாகப் பார்ப்பதாகும்.
நிலை 1. AI உதவியுடன் செய்யப்படும் பணிகள்
பயனுள்ளது, ஆனால் அடிப்படையில் வரையறுக்கப்பட்டது
பெரும்பாலான நிறுவனங்கள் தொடங்குவது இதிலிருந்துதான். பணியாளர்கள் ஆய்வு, சுருக்கம், குறியீட்டு பரிந்துரைகள், மற்றும் உள்ளடக்க உருவாக்கம் ஆகியவற்றிற்காக generative AI-ஐ பயன்படுத்துகிறார்கள். இந்த கருவிகள் உடனடி மதிப்பை வழங்குகின்றன.
ஆனால் பணிகளை வேகப்படுத்துவது, பணிப்பாய்வு மாற்றமாகாது. அதைச் சுற்றியுள்ள செயல்முறைகள்—அனுமதிகள், handoff-கள், அறிக்கையிடல் அடுக்குகள்—மாறாமல் தொடர்கின்றன. அதன் விளைவாக, நிறுவனத்தின் வேகம் குறிப்பிடத்தக்க அளவில் மேம்படாது.
பணியின் வேகம் என்பது நிறுவனத்தின் வேகத்துடன் ஒன்றல்ல.
இந்த கட்டம் பாதுகாப்பானதாகத் தோன்றுகிறது, ஏனெனில் எந்த கட்டமைப்பு மாற்றங்களும் தேவையில்லை. ஆனால் நீண்ட கால ROI, வடிவமைப்பிலேயே வரையறுக்கப்பட்டுள்ளது.
நிலை 2. Agentic Workflows
உயர் திறனும் உயர்ந்த எதிர்ப்பும்
Agentic AI பல-படி பணிப்பாய்வுகளை தன்னாட்சியுடன் செயல்படுத்துகிறது. Agents கோப்புகளை மாற்றுகின்றன, வெளியீடுகளை மதிப்பாய்வு செய்கின்றன, பணிகளை நிர்வகிக்கின்றன, அல்லது செயல்பாடுகளை ஒருங்கிணைக்கின்றன. இதன் வாக்குறுதி மிகப் பெரியது.
அதை ஏற்றுக்கொள்ளும் அளவு அப்படியில்லை.
தடையாக இருப்பது தொழில்நுட்ப திறன் அல்ல; நிறுவனத் தயார்நிலை தான். Agentic அமைப்புகளுக்கு நம்பிக்கை, மேற்பார்வை, ஆளுமை, மற்றும் தானியக்கத்திற்கான சகிப்புத்தன்மை தேவை. அவை நிலைபெற்ற அதிகார அடுக்குகளையும் இணக்கப்பாட்டு நடைமுறைகளையும் குலைக்கின்றன. அவை புதிதான செயல்பாட்டு அபாயத்தை அறிமுகப்படுத்துகின்றன.
இதன் விளைவாக, பல agentic கருவிகள் பாதுகாப்பான எல்லைகளுக்குள் மட்டுமே செயல்படும் அரை-தன்னாட்சி உதவியாளர்களாகத் தாழ்த்தப்படுகின்றன.
நிறுவனங்கள் தன்னாட்சியை பயத்தால் நிராகரிப்பதில்லை. ஒத்திசைவு இல்லாததால்தான் நிராகரிக்கின்றன.
நிலை 3. AI Native Systems
நீண்டகால முன்னிலை
AI native systems என்பது மிக உயர்ந்த முதிர்ச்சி நிலையை குறிக்கின்றன. அவை தொடக்கத்திலிருந்தே AI பங்கேற்புடன் வடிவமைக்கப்படுகின்றன. மனிதர்களுக்காக மேம்படுத்தப்பட்ட பணிப்பாய்வுகளை பின்னர் பொருத்துவதற்குப் பதிலாக, AI தரவு ஓட்டம், முடிவு வரிசைகள், மற்றும் வேலை ரிதம்களை ஒருங்கிணைக்கும் புதிய செயல்பாட்டு கட்டமைப்புகளை நிறுவனங்கள் உருவாக்குகின்றன.
இது முன்னறிவிப்பு செயல்பாடுகளைத் திறக்கிறது, bottleneck-களை குறைக்கிறது, மற்றும் தொடர்ச்சியான முடிவெடுப்பை சாத்தியமாக்குகிறது.
தடை உயர்ந்ததே. ஆனால் நீண்டகால முன்னிலை, படிப்படியான முன்னேற்றங்களை விட மிகவும் அதிகம்.
ஆனால் AI native systems நோக்கிய பயணம் நீண்டது. உண்மையான ஆபத்து இடைக்காலத்தில்தான் உருவாகிறது.
Ferrari பிரச்சினை
நிர்வகிக்கப்படாத AI என்பது உயர் செயல்திறன் கொண்ட அச்சுறுத்தல்
Caleb ஒரு உருவகத்தை பயன்படுத்தினார்; அது நிறுவனச் சூழலில் இன்னும் வலிமையாகிறது. பணியாளர்களுக்கு ChatGPT அல்லது Copilot போன்ற சக்திவாய்ந்த AI கருவிகளுக்கான அணுகலை வழங்குவது, அவர்களுக்கு வெறும் ஒரு Ferrari-யை கொடுப்பதல்ல.
அவர்களுக்கு பயிற்சியும் இல்லை, சாலை விதிகளும் இல்லை, காப்பீடும் இல்லை, அந்தக் கார் உண்மையில் எங்கு செல்லும் என்பதற்கான எந்தத் தெளிவும் இல்லை என்ற நிலையில் ஒரு Ferrari-யை கொடுப்பதுபோல இது உள்ளது.
என்ஜின் அசாதாரணமானது. ஆனால் நுணுக்கமான தரவு, இணக்கத் தேவைகள், மற்றும் பாரம்பரிய அமைப்புகள் நிறைந்த சிக்கலான enterprise சூழலில், இத்தகைய கட்டுப்பாடற்ற சக்தி ஒரு கட்டமைப்பு அச்சுறுத்தல் ஆகும்.
ஒழுங்குபடுத்தப்படாத AI, எதிர்பாராத தரவு கசிவு, shadow IT பயன்பாடு, சரிபார்க்க முடியாத வெளியீடுகள், கட்டுப்பாடற்ற model inputs, மற்றும் auditability-யை முழுமையாக இழப்பதற்கு வழிவகுக்கிறது.
Ferrari வெறும் வேகமாக மட்டும் செல்லாது. enterprise-க்கு தெரியாத திசைகளிலும் அது நகரும்.
workflows, governance boundaries, validation layers, மற்றும் integration architecture ஆகியவை மறுபடியும் கட்டியமைக்கப்படும் வரை, நிர்வகிக்கப்படாத AI ஒரு asset அல்ல, liability-யாகவே இருக்கும்.
ஏன் Enterprise அளவு அமைப்புமட்ட உராய்வை உருவாக்குகிறது
நிறுவனங்கள் வளர வளர, ஒருங்கிணைப்பின் சிக்கல்தன்மை அதைவிட வேகமாக அதிகரிக்கிறது. ஒரு குழுவின் அளவை இரட்டிப்பாக்குவது சிக்கல்தன்மையை இரட்டிப்பாக்காது. அதை பலமடங்காக்கும்.
AI தனிநபர் செயல்திறனை மேம்படுத்துகிறது. ஆனால் enterprises வலையமைப்பு மட்டத்தில் செயல்படுகின்றன. இந்தப் பொருந்தாமையே பெரும்பாலான தாக்கத்தை உறிஞ்சிக்கொள்கிறது.
ஆராய்ச்சி ஒரு மைய உண்மையை காட்டுகிறது.
ஏற்கனவே இருப்பதை AI பெருக்குகிறது. ஒத்திசைவு வேகமடைகிறது. சிதறல் சரிவை ஏற்படுத்துகிறது.
மறுவடிவமைக்கப்பட்ட workflows மற்றும் governance இல்லாமல், AI அமைப்புமுழுவதும் மாற்றத்தை விட தனித்தனியான மேம்பாடுகளையே வழங்குகிறது.
Enterprise-இன் நிஜ நிலை
பாதுகாப்பு, நம்பிக்கை, தரவு அபாயம், மற்றும் உள்நிலை எதிர்ப்பு
enterprises தன்னாட்சியையோ AI-native workflows-ஐயோ நோக்கிச் செல்லும் முன், தவிர்க்க முடியாத கட்டுப்பாடுகளை எதிர்கொள்கின்றன.
பாதுகாப்புத் தேவைகள் தரவு எல்லைகளிலோ ஒழுங்குமுறை இணக்கத்திலோ எந்த சமரசத்தையும் அனுமதிக்காது.
LLM நம்பகமின்மை தயக்கத்தை உருவாக்குகிறது, ஏனெனில் hallucinations-ஐ சகித்துக்கொள்ள முடியாது.
Shadow IT அதிகாரப்பூர்வ கருவிகள் பணியாளர்களின் தேவைகளை விட பின்தங்கும்போது உருவாகிறது.
மூலோபாய மற்றும் தனிப்பட்ட தரவு சட்ட மற்றும் கண்ணியப் பாதிப்பு அபாயத்தை உருவாக்குகிறது.
மையப்படுத்தப்பட்ட governance இல்லாமை validation மற்றும் oversight குறித்து நிச்சயமின்மையை உருவாக்குகிறது.
இவை பழமைவாதத்தின் அறிகுறிகள் அல்ல.
இவை நிறுவனப் பொறுப்புணர்வின் அறிகுறிகள்.
இந்த அடித்தளங்கள் மதிக்கப்படும்போதுதான் AI ஏற்றுக்கொள்ளல் வேகமடைகிறது.
உண்மையான சந்தை இடைவெளி
ஒவ்வொரு workflow-மும் மறுபடைப்பை விரும்புவதில்லை
சில AI கதைகள், பணியாளர்கள் automation-ஐ விரும்புகிறார்கள் என்று கருதுகின்றன. ஆனால் நிஜத்தில், பல workflows நிலைத்திருக்கின்றன; ஏனெனில் அவை முன்கூட்டியே கணிக்கக்கூடியதாகவும் பண்பாட்டு ரீதியில் பாதுகாப்பானதாகவும் உணரப்படுகின்றன.
உண்மையான வாய்ப்பு வேறு இடத்தில் உள்ளது.
கைமுறை தரவு மாற்றங்கள்.
மீண்டும் மீண்டும் செய்யப்படும் ஆவணப்படுத்தல்.
சூழல் மாறுதல்.
தனித்தனியாகப் பிரிந்த தளங்கள்.
இணைக்கப்படாத பணிப்பாய்ச்சல்கள்.
இந்த உராய்வு புள்ளிகள் அமைதியாக உற்பத்தித்திறனை சிதைக்கின்றன.
கண்ணுக்குப் புலப்படாத உராய்வை நீக்குங்கள்; அப்போது ஏற்றுக்கொள்ளுதல் இயல்பாகிவிடும்.
நிலையான நிறுவன மாற்றத்திற்கான நடைமுறை படிகள்
வெற்றி பெறும் நிறுவனங்கள் சில பொதுவான நடைமுறைகளைப் பகிர்ந்து கொள்கின்றன.
உயர் துல்லியத்துடன் பணிப்பாய்ச்சல் ஆய்வுகளை மேற்கொள்ளுங்கள்.
மேற்பார்வையுடன் agentic நடத்தை படிப்படியாக அறிமுகப்படுத்துங்கள்.
தொழில்நுட்பத்தை மறுவடிவமைப்பதற்கு முன் பங்குகளை மறுவடிவமைக்குங்கள்.
பாரம்பரிய கட்டுப்பாடுகள் குறைவாக உள்ள பகுதிகளில் தொடங்குங்கள்.
பணியின் வேகத்தை அல்ல, நிறுவனத்தின் செயல்முறை வேகத்தை அளவிடுங்கள்.
இந்த படிகள் எளிமையாகத் தோன்றலாம். அவற்றின் தாக்கம் பெருக்கல் அளவில் இருக்கும்.
நிறுவன தலைவர்களுக்கான ஒரு நிறைவு சிந்தனை
நிறுவனங்களில் AI ஏற்றுக்கொள்ளுதல் என்பது மாதிரி சார்ந்த சவால் அல்ல. அது கட்டமைப்பு மற்றும் பண்பாட்டு சவால். பெரும்பாலான நிறுவனங்கள் இன்னும் பணி-நிலை முன்னேற்றங்களிலேயே சிக்கியுள்ளன; ஏனெனில் அவற்றின் பணிப்பாய்ச்சல்கள் தன்னாட்சி அமைப்புகளுக்காக வடிவமைக்கப்படவில்லை.
இதனை உணர்ந்து நோக்கமுடனான மறுவடிவமைப்பை மேற்கொள்ளும் தலைவர்கள், நிறுவன உற்பத்தித்திறனின் அடுத்த காலத்தை வடிவமைப்பார்கள்.
AI ஒழுங்குபடுத்தப்பட்ட நிறுவனங்களை வலுப்படுத்துகிறது; சிதறிய நிறுவனங்களை மேலும் பெரிதாக்கிக் காட்டுகிறது. முதலில் அடித்தளத்தை வலுப்படுத்துங்கள். பின்னர் விரிவாக்குங்கள்.
ஒரு நடைமுறை குறிப்பு
பாதுகாப்பான மற்றும் ஒருங்கிணைந்த நிறுவன அடுக்கின் அவசியம்
CIOக்கள் மற்றும் மாற்றக் குழுக்களுடன் நடந்த உரையாடல்களில், ஒரு கரு மீண்டும் மீண்டும் வெளிப்படுகிறது. நிறுவனங்களுக்கு இன்னொரு தனித்த உதவியாளர் தேவையில்லை. பயன்பாடுகளை இணைக்கும், தரவை பாதுகாக்கும், ஆளுமை அமைப்புகளுடன் ஒத்திசையும், மேலும் ஏற்கனவே உள்ள அமைப்புகளை நிலைகுலையச் செய்யாமல் AI-ஐ பணிப்பாய்ச்சல்களில் அறிமுகப்படுத்தும் பாதுகாப்பான, தணிக்கைக்குட்பட்ட, ஆழமாக ஒருங்கிணைக்கப்பட்ட உற்பத்தித்திறன் அடுக்கு தான் அவற்றுக்கு தேவை.
ஆழமான ஒருங்கிணைப்புகள், privacy first கட்டமைப்பு, மற்றும் நிறுவனத் தர மேற்பார்வையுடன் உருவாக்கப்பட்ட தளங்கள், கட்டுப்பாடற்ற AI-ஐ ஒரு அபாயத்திலிருந்து ஒரு மூலோபாய நன்மையாக மாற்றுகின்றன. அவை Ferrari-க்கு ஒருபோதும் இல்லாத பொறியியல் செய்யப்பட்ட சாலை அமைப்பை வழங்குகின்றன.
இதுவே Dvina-வின் தத்துவம். இது ஒரு பணி கருவியாகவோ தனிமைப்படுத்தப்பட்ட agent ஆகவோ அல்ல; பயன்பாடுகளை ஒருங்கிணைக்கும், நுணுக்கமான தரவை பாதுகாக்கும், மேலும் கட்டுப்பாட்டை இழக்காமல் குழுக்கள் workflow level transformation-ஐ அடையச் செய்யும் workflow aware productivity layer ஆக வடிவமைக்கப்பட்டுள்ளது.
இறுதி சிந்தனை
சரியான சாலைகளை அமைக்கும் நிறுவனங்களுக்கே எதிர்காலம் சொந்தம்
AI மாற்றத்தில் வெற்றி பெறும் நிறுவனங்கள் அதிகமான மாதிரிகள் கொண்டவையாக இருக்காது. AI செயல்படுவதற்கான மிகப் பாதுகாப்பான, மிகத் தெளிவான, மேலும் மிகத் தழுவிக்கொள்ளக்கூடிய பாதைகளை உருவாக்குபவைகளாகவே அவை இருக்கும்.
பணிப்பாய்ச்சல்கள், ஆளுமை, மற்றும் தரவு ஓட்டங்கள் ஒத்திசைந்தபோது, AI ஒரு சோதனை இயந்திரம் போல நடப்பதை நிறுத்தி, உண்மையான நிறுவன உள்கட்டமைப்பாக மாறுகிறது.
எதிர்காலம் மிக வேகமான இயந்திரங்களைக் கொண்ட நிறுவனங்களுக்குச் சொந்தமானதல்ல. அது மிக வலுவான சாலைகளைக் கொண்டவர்களுக்குச் சொந்தமானது.
