సంస్థల్లో AI స్వీకరణను నెమ్మదింపజేస్తున్న దాగిన ఉచ్చు

సంస్థల్లో AI స్వీకరణ

Muhammed Gider
7 నిమిషాల పఠనం • 

ఇటీవలి చరిత్రలో ఏ సాంకేతిక మార్పు కంటేనైనా సంస్థల్లో AI స్వీకరణ వేగంగా పెరుగుతోంది. ప్రతి నాయకత్వ సమావేశంలోనూ చివరికి ఒకే అంచనా ముందుకొస్తుంది. AI సంస్థ అంతటా కొలవగల విలువను అందించాలి. ChatGPT విడుదలైన తర్వాత, ఇంజినీరింగ్ బృందాలు Copilot‌ను ఉపయోగించడం మొదలుపెట్టాయి, విశ్లేషకులు Perplexity‌ను అందిపుచ్చుకున్నారు, కార్యకలాపాల బృందాలు ఆటోమేషన్‌తో ప్రయోగాలు చేశాయి. ఉత్పాదకత దాదాపు వెంటనే మెరుగుపడింది.

అయితే కొన్ని నెలల్లోనే స్వీకరణ వేగం తగ్గింది. ప్రయోగాత్మక ప్రాజెక్టులు నిలిచిపోయాయి. ROI నిలకడగా లేకుండా పోయింది. ఈ మందగమనానికి బలహీనమైన మోడళ్లు గానీ, ఉన్నతాధికారుల్లో ఆశయం లేకపోవడం గానీ కారణం కాదు. AI సామర్థ్యాలకు, సంస్థల పని వాతావరణాలకు మధ్య ఉన్న నిర్మాణాత్మక అసమతుల్యతే దీనికి కారణం.

ఇటీవల, AI స్వీకరణలోని సంస్థాగత కోణాన్ని తరచూ పరిశీలించే కంటెంట్ సృష్టికర్త Caleb చేసిన ఒక విశ్లేషణ నా దృష్టికి వచ్చింది. ఆయన వివరించిన విధానం కొత్త భావనలను పరిచయం చేయలేదు, కానీ అనేక సంస్థల నాయకులు ఇప్పటికే గుర్తించిన ఒక వైరుధ్యాన్ని స్పష్టం చేసింది. విడివిడిగా ఉన్న వినియోగ సందర్భాల్లో AI అద్భుతంగా పనిచేసినా, వ్యవస్థ స్థాయిలో పరివర్తన తీసుకురావడంలో ఎందుకు ఇబ్బంది పడుతుందో అది వివరించింది.

AI స్వీకరణ మోడల్ బలంపై ఆధారపడదు. సంస్థలో AIని ఏ స్థాయిలో ప్రవేశపెడతామనే దానిపై ఆధారపడుతుంది.

డెమోల్లో AI ఆకట్టుకున్నా, అమలులో ఎందుకు ముందుకు సాగలేకపోతోందని ఆలోచిస్తున్న CIOలు, CTOలు, పరివర్తనకు నాయకత్వం వహించేవారి కోసం ఈ వ్యాసం దాగి ఉన్న పరిమితులను, సంస్థ అంతటా స్థిరమైన AI స్వీకరణకు అవసరమైన వ్యూహాత్మక మార్గాలను వివరిస్తుంది.

“మనం AIని స్వీకరించాలా” నుంచి “స్వీకరణ ఎందుకు ఇంత నెమ్మదిగా ఉంది” వరకు

రెండు సంవత్సరాల క్రితం సంస్థలు తమకు AI అవసరమా అని చర్చించేవి. నేడు దాన్ని స్థిరంగా, సురక్షితంగా ఎలా అనుసంధానించాలన్నదే ప్రశ్న. సంస్థలు ఉత్పత్తి చేసే పనిలో గణనీయమైన భాగం త్వరలో AI ద్వారా రూపొందవచ్చని విశ్లేషకులు అంచనా వేస్తున్నారు. సిద్ధాంతపరంగా ఇది అనివార్యంగా కనిపిస్తుంది. ఆచరణలో మాత్రం ప్రభావం అంతటా ఒకేలా ఉండటం లేదు.

ఇంజినీరింగ్ బృందాలు వేగంగా పనిచేస్తున్నా, విభాగాల మధ్య ఉమ్మడి కార్యాచరణలో మెరుగుదల నామమాత్రంగానే ఉంది. విక్రయ బృందాలు కస్టమర్లను సంప్రదించే ప్రక్రియను ఆటోమేట్ చేస్తున్నా, మాన్యువల్ సమన్వయానికి ఇంకా సమయం వెచ్చించాల్సి వస్తోంది. కార్యకలాపాల బృందాలు విశ్లేషణల నుంచి వేగంగా అవగాహన పొందుతున్నా, విడివిడిగా ఉన్న డేటాను మాత్రం చేతితోనే సరిపోల్చుకుంటున్నాయి.

సంస్థలు సరళరేఖలో పనిచేసే యంత్రాల వంటివి కావు. అవి పాలన, ప్రోత్సాహకాలు, సంస్కృతి, పాత సాంకేతికత కలిసి తీర్చిదిద్దిన సంక్లిష్ట వ్యవస్థలుగా పనిచేస్తాయి. AI ఈ సంక్లిష్టతను తగ్గించదు; మరింత పెంచుతుంది.

సంస్థల్లో AIని మూడు పరిపక్వత స్థాయిలుగా చూడటం దాన్ని అర్థం చేసుకోవడానికి ఉపయోగపడుతుంది.

స్థాయి 1. AI సహాయంతో చేసే పనులు

ఉపయోగకరమే, కానీ మౌలికంగా పరిమితులు ఉన్నాయి

చాలా సంస్థలు ఇక్కడే మొదలుపెడతాయి. ఉద్యోగులు పరిశోధన, సారాంశాలు తయారు చేయడం, కోడింగ్ సూచనలు, కంటెంట్ సృష్టి కోసం జనరేటివ్ AIని ఉపయోగిస్తారు. ఈ సాధనాలు తక్షణ ప్రయోజనాన్ని అందిస్తాయి.

కానీ పనులను వేగవంతం చేయడం, పని ప్రక్రియలను సమూలంగా మార్చడం ఒకటి కాదు. వాటి చుట్టూ ఉన్న ఆమోదాలు, పని అప్పగింతలు, నివేదికల అంచెలు వంటి ప్రక్రియలు మారవు. ఫలితంగా, సంస్థ పనితీరు వేగం గణనీయంగా మెరుగుపడదు.

పనులు వేగంగా జరగడం, సంస్థ వేగంగా ముందుకు సాగడం ఒకటి కాదు.

నిర్మాణపరమైన మార్పులేవీ అవసరం ఉండవు కాబట్టి ఈ దశ సురక్షితంగా అనిపిస్తుంది. కానీ దీని రూపకల్పనే దీర్ఘకాలిక పెట్టుబడి రాబడి (ROI)కి పరిమితి విధిస్తుంది.

స్థాయి 2. ఏజెంటిక్ పని ప్రక్రియలు

అపారమైన అవకాశాలు, తీవ్ర ప్రతిఘటన

ఏజెంటిక్ AI అనేక దశలతో కూడిన పని ప్రక్రియలను స్వతంత్రంగా అమలు చేస్తుంది. ఏజెంట్లు ఫైళ్లను సవరిస్తాయి, ఫలితాలను సమీక్షిస్తాయి, పనులను నిర్వహిస్తాయి లేదా కార్యకలాపాలను సమన్వయం చేస్తాయి. దీనితో సాధించగలిగేది అపారం.

కానీ వినియోగంలోకి తీసుకోవడం మాత్రం ఆ స్థాయిలో లేదు.

అడ్డంకి సాంకేతిక సామర్థ్యం కాదు, సంస్థాగత సంసిద్ధత. ఏజెంటిక్ వ్యవస్థలకు నమ్మకం, పర్యవేక్షణ, పాలన, ఆటోమేషన్‌ను అంగీకరించే సానుకూలత అవసరం. అవి స్థిరపడిన అధికార క్రమాలను, నిబంధనల అనుసరణ విధానాలను కదిలిస్తాయి. కార్యకలాపాల్లో ఇంతకు ముందు పరిచయం లేని ప్రమాదాలను తెస్తాయి.

దీంతో అనేక ఏజెంటిక్ సాధనాలు సురక్షిత పరిమితుల్లో మాత్రమే పనిచేసే పాక్షిక స్వతంత్ర సహాయకుల స్థాయికి వెనక్కి తగ్గిపోతాయి.

సంస్థలు స్వతంత్రంగా పనిచేసే సామర్థ్యాన్ని భయంతో తిరస్కరించవు. తమ అవసరాలకు, విధానాలకు సరిపోకపోవడం వల్ల తిరస్కరిస్తాయి.

స్థాయి 3. AI-నేటివ్ వ్యవస్థలు

దీర్ఘకాలిక ప్రయోజనం

AI-నేటివ్ వ్యవస్థలు అత్యున్నత పరిపక్వత స్థాయిని సూచిస్తాయి. మొదటి నుంచే AI భాగస్వామ్యాన్ని దృష్టిలో ఉంచుకుని వీటిని రూపొందిస్తారు. మనుషుల పనితీరుకు అనుకూలంగా రూపొందించిన పని ప్రక్రియలకు తర్వాత AIని జోడించే బదులు, డేటా ప్రవాహాన్ని, నిర్ణయాల క్రమాన్ని, పని లయను AI సమన్వయం చేసే కొత్త కార్యనిర్వహణ నిర్మాణాలను సంస్థలు ఏర్పాటు చేస్తాయి.

ఇది అంచనాల ఆధారిత కార్యకలాపాలను సాధ్యం చేస్తుంది, పనికి అడ్డుతగిలే అవరోధాలను తగ్గిస్తుంది, నిరంతరం నిర్ణయాలు తీసుకునే వీలు కల్పిస్తుంది.

దీన్ని చేరుకోవడం కష్టమే. కానీ దీర్ఘకాలిక ప్రయోజనం చిన్నచిన్న మెరుగుదలలతో వచ్చే లాభాలను ఎంతో మించిపోతుంది.

అయితే AI-నేటివ్ వ్యవస్థల దిశగా ప్రయాణం సుదీర్ఘమైనది. నిజమైన ప్రమాదం మధ్యంతర దశలోనే తలెత్తుతుంది.

Ferrari సమస్య

అదుపు లేని AI: అత్యంత శక్తివంతమైన ముప్పు

Caleb ఉపయోగించిన ఒక రూపకం సంస్థల సందర్భంలో మరింత బలంగా అర్థమవుతుంది. ఉద్యోగులకు ChatGPT లేదా Copilot వంటి శక్తివంతమైన AI సాధనాలను అందుబాటులో ఉంచడం అంటే కేవలం వారికి ఒక Ferrari ఇవ్వడం మాత్రమే కాదు.

అది వారికి శిక్షణ లేకుండా, రహదారి నియమాలు లేకుండా, బీమా లేకుండా, కారు నిజంగా ఎక్కడికి వెళ్తుందో తెలుసుకునే వీలు లేకుండా ఒక Ferrari ఇచ్చినట్టే.

ఇంజిన్ అసాధారణమైనది. కానీ సున్నితమైన డేటా, నియమ నిబంధనలకు అనుగుణంగా ఉండాల్సిన అవసరాలు, పాత వ్యవస్థలతో కూడిన సంక్లిష్ట సంస్థాగత వాతావరణంలో, ఈ స్థాయి అదుపులేని శక్తి ఒక నిర్మాణపరమైన ముప్పు.

నియంత్రణలేని AI అనుకోకుండా డేటా లీక్ కావడానికి, షాడో IT వినియోగానికి, ధృవీకరించలేని ఫలితాలకు, నియంత్రణలేని మోడల్ ఇన్‌పుట్‌లకు, ఆడిట్ చేయగల సామర్థ్యాన్ని పూర్తిగా కోల్పోవడానికి దారితీస్తుంది.

Ferrari కేవలం వేగంగా వెళ్లడమే కాదు. సంస్థకు కనిపించని దిశల్లోనూ వెళ్తుంది.

వర్క్‌ఫ్లోలు, పాలనాపరమైన హద్దులు, ధృవీకరణ అంచెలు, అనుసంధాన నిర్మాణాన్ని పునర్నిర్మించే వరకు, నిర్వహణలేని AI ఆస్తి కాదు, భారంగానే మిగులుతుంది.

సంస్థ పరిమాణం పెరిగితే వ్యవస్థ అంతటా ఆటంకాలు ఎందుకు ఏర్పడతాయి

సంస్థలు పెరిగే కొద్దీ, సమన్వయంలో సంక్లిష్టత మరింత వేగంగా పెరుగుతుంది. బృందం పరిమాణాన్ని రెట్టింపు చేస్తే సంక్లిష్టత కేవలం రెట్టింపు కాదు. అనేక రెట్లు పెరుగుతుంది.

AI వ్యక్తిగత పనితీరును మెరుగుపరుస్తుంది. కానీ సంస్థలు పరస్పరం అనుసంధానమైన వ్యవస్థ స్థాయిలో పనిచేస్తాయి. ఈ వ్యత్యాసం వల్ల AI ప్రభావంలో ఎక్కువ భాగం ఆవిరైపోతుంది.

పరిశోధన ఒక మౌలిక సత్యాన్ని వెల్లడిస్తుంది.

AI ఇప్పటికే ఉన్నదాన్ని మరింత పెంచుతుంది. సమన్వయంతో ఉన్నది వేగం పుంజుకుంటుంది. విచ్ఛిన్నమైనది కుప్పకూలుతుంది.

వర్క్‌ఫ్లోలను, పాలనా వ్యవస్థను పునఃరూపకల్పన చేయకపోతే, AI వ్యవస్థ అంతటా పరివర్తన తీసుకురావడానికి బదులుగా విడివిడి మెరుగుదలలను అందిస్తుంది.

సంస్థల్లోని వాస్తవ పరిస్థితి

భద్రత, నమ్మకం, డేటా సంబంధిత ముప్పు, అంతర్గత ప్రతిఘటన

సంస్థలు స్వయంప్రతిపత్తి వైపు లేదా AI ఆధారంగానే రూపొందిన వర్క్‌ఫ్లోల వైపు అడుగులు వేసే ముందు, తప్పించుకోలేని పరిమితులను ఎదుర్కొంటాయి.

భద్రతా అవసరాలు డేటా హద్దుల విషయంలో గానీ, నియమ నిబంధనలకు కట్టుబడి ఉండటంలో గానీ ఎలాంటి రాజీని అనుమతించవు.
LLMల విశ్వసనీయత లోపం సంకోచానికి దారితీస్తుంది, ఎందుకంటే అవి కల్పిత సమాచారాన్ని ఇవ్వడాన్ని సహించలేరు.
షాడో IT అధికారిక సాధనాలు ఉద్యోగుల అవసరాలను అందుకోలేనప్పుడు పుట్టుకొస్తుంది.
వ్యూహాత్మక, వ్యక్తిగత డేటా చట్టపరమైన ముప్పును, ప్రతిష్ఠకు ముప్పును తెచ్చిపెడుతుంది.
కేంద్రీకృత పాలన లేకపోవడం ధృవీకరణ, పర్యవేక్షణ విషయంలో అనిశ్చితిని సృష్టిస్తుంది.

ఇవి మార్పును వ్యతిరేకించే ధోరణికి సంకేతాలు కావు.
ఇవి సంస్థాగత బాధ్యతకు సంకేతాలు.

ఈ పునాదులను గౌరవించినప్పుడే AI స్వీకరణ వేగవంతమవుతుంది.

మార్కెట్‌లో అసలు లోటు

ప్రతి వర్క్‌ఫ్లోను కొత్తగా రూపొందించాల్సిన అవసరం లేదు

కొన్ని AI కథనాలు ఉద్యోగులు ఆటోమేషన్‌ను కోరుకుంటారని భావిస్తాయి. వాస్తవానికి, అనేక వర్క్‌ఫ్లోలు స్థిరంగా కొనసాగుతాయి, ఎందుకంటే అవి ఊహించదగినవిగా, సంస్థ సంస్కృతి పరంగా సురక్షితమైనవిగా అనిపిస్తాయి.

అసలు అవకాశం వేరే చోట ఉంది.
చేతితో చేసే డేటా బదిలీలు.
అదే సమాచారాన్ని పదేపదే డాక్యుమెంట్ చేయడం.
ఒక పని సందర్భం నుంచి మరోదానికి మారడం.
ఒకదానితో మరొకటి సంబంధం లేకుండా పనిచేసే ప్లాట్‌ఫారమ్‌లు.
అనుసంధానం లేని వర్క్‌ఫ్లోలు.

ఈ ఆటంకాలు ఉత్పాదకతను చాపకింద నీరులా దెబ్బతీస్తాయి.

కనిపించని ఆటంకాలను తొలగిస్తే, కొత్త వ్యవస్థలను అలవర్చుకోవడం సహజంగా జరుగుతుంది.

సంస్థల్లో దీర్ఘకాలిక పరివర్తనకు ఆచరణాత్మక చర్యలు

విజయం సాధించే సంస్థలు కొన్ని ఉమ్మడి పద్ధతులను అనుసరిస్తాయి.

వర్క్‌ఫ్లోలను సూక్ష్మ స్థాయిలో ఆడిట్ చేయండి.
పర్యవేక్షణతో, ఏజెంట్లు స్వతంత్రంగా పనిచేసే విధానాన్ని క్రమంగా ప్రవేశపెట్టండి.
సాంకేతికతను పునర్‌రూపకల్పన చేసే ముందు పాత్రలను పునర్‌రూపకల్పన చేయండి.
పాత వ్యవస్థల వల్ల పరిమితులు తక్కువగా ఉన్న విభాగాల్లో ప్రారంభించండి.
విడివిడి పనుల వేగాన్ని కాకుండా, సంస్థ ముందుకు సాగే వేగాన్ని కొలవండి.

ఈ చర్యలు సులువుగా కనిపిస్తాయి. వాటి ప్రభావం ఘాతాంకంగా పెరుగుతుంది.

సంస్థల నాయకులకు ఒక ముగింపు ఆలోచన

సంస్థల్లో AIని వినియోగంలోకి తీసుకురావడం అనేది మోడల్‌కు సంబంధించిన సవాలు కాదు. అది సంస్థ నిర్మాణం, సంస్కృతికి సంబంధించిన సవాలు. చాలా సంస్థల వర్క్‌ఫ్లోలు స్వతంత్రంగా పనిచేసే వ్యవస్థలకు అనువుగా రూపొందించలేదు. అందుకే అవి విడివిడి పనుల స్థాయిలో లభించే ప్రయోజనాల దగ్గరే ఆగిపోతున్నాయి.

దీన్ని గుర్తించి, స్పష్టమైన ఉద్దేశంతో పునర్‌రూపకల్పన చేసే నాయకులు సంస్థల ఉత్పాదకతలో తదుపరి యుగాన్ని మలుస్తారు.

AI సమన్వయంతో ఉన్న సంస్థలను బలోపేతం చేస్తుంది; విభజిత సంస్థల్లోని విభజనను మరింత పెంచుతుంది. ముందుగా పునాదిని బలోపేతం చేయండి. తర్వాత విస్తరించండి.

ఒక ఆచరణాత్మక సూచన

సురక్షితమైన, అనుసంధానిత ఎంటర్‌ప్రైజ్ లేయర్ అవసరం

CIOలు, పరివర్తన బృందాలతో జరిగే సంభాషణల్లో ఒక అంశం పదేపదే వినిపిస్తుంది. సంస్థలకు మరో విడిగా పనిచేసే అసిస్టెంట్ అవసరం లేదు. వాటికి అప్లికేషన్‌లను అనుసంధానించే, డేటాను రక్షించే, పాలనా విధానాలకు అనుగుణంగా ఉండే, ఇప్పటికే ఉన్న వ్యవస్థలను అస్థిరపరచకుండా వర్క్‌ఫ్లోల్లో AIని ప్రవేశపెట్టే ఉత్పాదకత లేయర్ అవసరం. అది సురక్షితంగా, ఆడిట్ చేయగలిగేలా, వ్యవస్థలతో లోతుగా అనుసంధానమై ఉండాలి.

లోతైన అనుసంధానాలు, గోప్యతకు ప్రాధాన్యమిచ్చే నిర్మాణం, సంస్థల అవసరాలకు తగిన పర్యవేక్షణతో రూపొందించిన ప్లాట్‌ఫారమ్‌లు నిర్వహణ లేని AIని ప్రమాదం నుంచి వ్యూహాత్మక ప్రయోజనంగా మారుస్తాయి. అవి Ferrariకి ఎన్నడూ అందుబాటులో లేని, పకడ్బందీగా రూపొందించిన రహదారి వ్యవస్థను అందిస్తాయి.

Dvina వెనుక ఉన్న ఆలోచన ఇదే. ఇది విడివిడి పనులు చేసే సాధనంగానో, విడిగా పనిచేసే ఏజెంట్‌గానో రూపొందించలేదు. అప్లికేషన్‌లను ఏకీకృతం చేసి, సున్నితమైన డేటాను రక్షించి, నియంత్రణను వదులుకోకుండానే బృందాలు వర్క్‌ఫ్లో స్థాయిలో పరివర్తన సాధించేందుకు వీలు కల్పించే వర్క్‌ఫ్లోలను అర్థం చేసుకునే ఉత్పాదకత లేయర్‌గా దీన్ని రూపొందించారు.

చివరి ఆలోచన

సరైన రహదారులను నిర్మించే సంస్థలదే భవిష్యత్తు

AI వైపు మార్పులో విజయం సాధించేది అత్యధిక మోడల్‌లు ఉన్న సంస్థలు కాదు. AI పనిచేయడానికి అత్యంత సురక్షితమైన, స్పష్టమైన, మార్పులకు అనుగుణంగా సులభంగా సర్దుబాటు చేసుకోగల మార్గాలను నిర్మించే సంస్థలే.

వర్క్‌ఫ్లోలు, పాలనా విధానాలు, డేటా ప్రవాహాలు సమన్వయంతో ఉన్నప్పుడు, AI ప్రయోగాత్మక ఇంజిన్‌లా పనిచేయడం మానేసి, సంస్థకు నిజమైన మౌలిక సదుపాయంగా మారుతుంది.

భవిష్యత్తు అత్యంత వేగవంతమైన ఇంజిన్లు ఉన్న సంస్థలది కాదు. అత్యంత బలమైన రహదారులు ఉన్న సంస్థలది.

రిఫరెన్స్ వీడియోను చూడండి

Dvinaలో చేరండి

ఉచితంగా సైన్ అప్ చేసి, మీ టూల్స్ అన్నింటినీ ఒకే సరళమైన వర్క్‌స్పేస్‌లోకి తీసుకురండి.

మరిన్ని అన్వేషించండి