आर्टिफिशियल इंटेलिजेंस की मुख्य समस्या मॉडल में नहीं, बल्कि डेटा इंफ्रास्ट्रक्चर में निहित है

कई कंपनियाँ कॉर्पोरेट आर्टिफिशियल इंटेलिजेंस (एआई) को लागू करने की समस्या का सामना करती हैं: वे अत्यधिक बुद्धिमान मॉडल नियुक्त करती हैं जो बड़ी मात्रा में जानकारी का विश्लेषण और जटिल समस्याओं को हल करने में सक्षम होते हैं, लेकिन ये मॉडल अक्सर ग्राहक डेटा, व्यावसायिक प्रक्रियाओं की समझ या कंपनी की प्रणालियों में कार्य करने की क्षमता से रहित होते हैं।

हालांकि पायलट परियोजनाएं चल रही हैं और बजट स्वीकृत हो गए हैं, कई नेता यह सवाल पूछते हैं कि शक्तिशाली एआई कार्यप्रवाहों को अभी तक क्यों नहीं बदल रहा है। इसका उत्तर यह है कि बुद्धिमत्ता एक उपयोगिता बन जाती है, जबकि संदर्भ, विश्वास और निष्पादन की क्षमता महत्वपूर्ण बनी रहती है।

ब्लूस्काई, जो एंथ्रोपिक का भागीदार है, समाधान एंथ्रोपिक के क्लॉड के बुद्धिमत्ता को सेल्सफोर्स और अमेज़ॅन वेब सर्विसेज (एडब्ल्यूएस) की मौजूदा क्षमताओं के साथ एकीकृत करने में देखता है। कंपनी का मानना है कि इस तरह संगठन प्रयोगों से आगे बढ़कर व्यवहार में बुद्धिमत्ता का उपयोग करना शुरू कर सकते हैं।

तीन घटकों की शक्ति

कॉर्पोरेट एआई की पहली लहर संवाद पर केंद्रित थी, जहाँ उपयोगकर्ता प्रश्न पूछते थे और एआई उत्तर प्रदान करता था। हालांकि यह उपयोगी था, लेकिन इसने हमेशा परिवर्तनकारी बदलाव नहीं लाए।

विकास का अगला चरण निष्पादन की क्षमता द्वारा निर्धारित किया जाएगा। उदाहरण के लिए, एक छोटे या मध्यम आकार के उद्यम (एसएमई) के ऋण आवेदन पर विचार करते समय, एक शक्तिशाली एआई मॉडल मिनटों में वित्तीय विवरण का विश्लेषण कर सकता है। हालाँकि, यदि यह मॉडल ग्राहक रिकॉर्ड तक नहीं पहुंच सकता है, दस्तावेज़ निकाल नहीं सकता है, कार्यप्रवाह शुरू नहीं कर सकता है या अनुमोदन प्रक्रियाओं के साथ इंटरैक्ट नहीं कर सकता है, तो प्रक्रिया फिर भी हफ्तों लेगी।

कई संगठनों के लिए मुख्य समस्या बुद्धिमत्ता में नहीं है, बल्कि इस बुद्धिमत्ता को उन प्रणालियों से जोड़ने में है जहाँ वास्तव में काम किया जाता है। यहीं पर 'तीन शक्तियों' की अवधारणा महत्वपूर्ण होती है, जो 'मस्तिष्क, हाथ और रीढ़' के रूपक का प्रतिनिधित्व करती है:

• मस्तिष्क - यह एंथ्रोपिक है, जिसका क्लॉड मॉडल जटिल व्यावसायिक कार्यों को हल करने के लिए आवश्यक विश्लेषणात्मक क्षमता, निर्णय और तर्क प्रदान करता है।
• हाथ - यह सेल्सफोर्स है, क्योंकि संदर्भ के बिना बुद्धिमत्ता केवल एक राय है। सेल्सफोर्स ग्राहक डेटा, कार्यप्रवाह और व्यावसायिक प्रक्रियाएं प्रदान करता है, जिससे एआई वर्तमान को समझ सकता है और सार्थक कार्रवाई कर सकता है।
• रीढ़ - यह एडब्ल्यूएस है, क्योंकि कॉर्पोरेट एआई को काम करने के लिए एक सुरक्षित, स्केलेबल और दोष-सहिष्णु वातावरण की आवश्यकता होती है। एडब्ल्यूएस वह बुनियादी ढांचा, प्रबंधन और आधार प्रदान करता है जो बड़े पैमाने पर एआई को तैनात करने के लिए आवश्यक है।

इनमें से प्रत्येक क्षमता अपने आप में मजबूत है, लेकिन उनका संयुक्त उपयोग कहीं अधिक प्रभाव डालता है। वे तीन प्रमुख प्रश्नों का उत्तर देते हैं जो प्रत्येक नेता को एआई के संबंध में पूछना चाहिए: क्या यह पर्याप्त बुद्धिमान है? क्या यह हमारे व्यवसाय को समझता है? क्या हम इसे बड़े पैमाने पर काम करने के लिए भरोसा कर सकते हैं?

चौथा तत्व

फिर भी, एक चौथा घटक मौजूद है। मस्तिष्क, हाथ और रीढ़ को एक तंत्रिका तंत्र की आवश्यकता होती है जो उन्हें जोड़ता है, और ब्लूस्काई इसी भूमिका को निभाता है। एंथ्रोपिक के साथ ब्लूस्काई की साझेदारी एआई के क्षेत्र में उनकी यात्रा की शुरुआत नहीं है, बल्कि सेल्सफोर्स, एडब्ल्यूएस और डेटा-संचालित परिवर्तन के माध्यम से संगठनों को संचालन के आधुनिकीकरण, ग्राहक अनुभव को बेहतर बनाने और मूल्य को उजागर करने में मदद करने के लिए वर्षों के काम का अगला चरण है। उनका काम बुद्धिमत्ता, कॉर्पोरेट संदर्भ और निष्पादन को ऐसे तरीकों से जोड़ना है जो मापने योग्य व्यावसायिक परिणामों की ओर ले जाते हैं।

यह ध्यान रखना महत्वपूर्ण है कि इसका मतलब मौजूदा तकनीकी निवेशों को बदलना नहीं है। इसके विपरीत, संगठनों को अपने सेल्सफोर्स और एडब्ल्यूएस वातावरण को एक मूलभूत आधार के रूप में देखना चाहिए जो कॉर्पोरेट एआई को प्रभावी बनाता है।

स्वचालन से परे क्षमताएं

दूर में, क्षमताएं केवल स्वचालन से कहीं अधिक व्यापक हैं। दुनिया ऐसी दिशा में बढ़ रही है जहाँ संगठन डिजिटल कर्मचारियों, या जैसा कि कुछ लोग कहते हैं, 'सिलिकॉन कर्मचारियों' के साथ अधिक बार काम करेंगे। ये सिस्टम केवल सवालों का जवाब नहीं देंगे; वे जानकारी का विश्लेषण करने, कार्यों का समन्वय करने, सिफारिशें तैयार करने और पूरे संगठन में काम को आगे बढ़ाने में मदद करेंगे।

यह एक गहरा बदलाव का प्रतीक है। एआई एक मानव कौशल को प्रतिस्थापित नहीं करता है; इसके बजाय, यह मानव क्षमताओं की एक बहुत विस्तृत श्रृंखला को बढ़ाना शुरू कर देता है। नेतृत्व चुनौती यह होगी कि हजारों गुना तेज काम करने वाली बुद्धिमत्ता का उपयोग करने की क्षमता विकसित करना।

वे संगठन जो एआई युग में सफल होंगे, वे मॉडल से नहीं, बल्कि उस काम से शुरू करेंगे जिसे करने की आवश्यकता है और वांछित परिणामों से। वे बुद्धिमत्ता के चारों ओर प्रक्रियाओं को फिर से परिभाषित करेंगे, समझेंगे कि बातचीत से अधिक निष्पादन महत्वपूर्ण है, और महसूस करेंगे कि एआई का विस्तार अंततः एक संगठनात्मक, न कि केवल तकनीकी चुनौती है।

एआई युग के विजेता वे संगठन नहीं होंगे जिनके पास सबसे अधिक मॉडलों तक पहुंच है, क्योंकि बुद्धिमत्ता तक पहुंच सार्वभौमिक होती जा रही है। इसके बजाय, निर्माता जीतेंगे: वे संगठन जो बुद्धिमत्ता को अपने डेटा, प्रणालियों और लोगों से जोड़ते हैं, विचारों को कार्रवाई में बदलते हैं और बुद्धिमत्ता को मापने योग्य व्यावसायिक परिणामों में बदलते हैं। इस सबसे बुद्धिमान नए कर्मचारी का लाभ कोई भी व्यवसाय उठा सकता है। सवाल यह है कि क्या आप उसे एक डेस्क प्रदान करने के लिए तैयार हैं।

हाल के वर्षों में, एआई के साथ काम करने के परिणामों में सुधार इस बात पर निर्भर रहा है कि कितने उच्च गुणवत्ता वाले प्रॉम्प्ट लिखे जाते हैं। हालांकि, यह प्रतिमान तेजी से बदल रहा है क्योंकि एआई सिस्टम स्वयं तर्क करना, निर्णय लेना और पूरी कार्यप्रवाहों के भीतर कार्रवाई करना शुरू कर रहे हैं।

TechSparks 2026 कार्यक्रम में, जो YourStory का प्रमुख कार्यक्रम है, Intuit में एआई के प्रमुख वैज्ञानिक शोधकर्ता डॉ. विग्नेश सुब्रह्मण्यम ने YourStory और The CapTable के संपादकीय प्रबंधक आदित चार्ली के साथ बातचीत की। 'प्रॉम्प्ट से परे: सोचने, कार्य करने और सीखने वाले एआई का निर्माण' नामक चर्चा इस बात पर केंद्रित थी कि जैसे-जैसे बुद्धिमत्ता अधिक स्वायत्त होती जाती है, डेवलपर्स को क्या पुनर्कल्पित करने की आवश्यकता है।

सत्र सुब्रह्मण्यम के विशिष्ट कार्य दिवस और फिनटेक और एआई की अवधारणाओं को दर्शकों के लिए सरल बनाने के अनुरोधों के साथ शुरू हुआ। उन्होंने शतरंज के उदाहरण का उपयोग किया, यह सवाल पूछते हुए: यदि किसी एल्गोरिथम को शतरंज के नियम नहीं सिखाए जाते हैं, बल्कि विजेताओं के लाखों पूरे खेल दिखाए जाते हैं, तो क्या वह नियमों और जीतने के लिए सबसे संभावित रणनीतियों दोनों को निकाल सकता है?

Intuit टीम छोटे व्यवसायों का समर्थन करने के लिए इसी तरह के दृष्टिकोण का उपयोग करती है, क्योंकि कंपनी उपभोक्ताओं और लेखाकारों दोनों को सेवा प्रदान करती है। सुब्रह्मण्यम ने टिप्पणी की: 'जैसा कि हम डेटा, वास्तविक कार्यों और उद्यमों द्वारा किए गए परिणामों का विश्लेषण करके व्यवसाय के खेल का अध्ययन करते हैं।' लक्ष्य ग्राहकों को आकर्षित करने, तेजी से विकास और नकदी प्रवाह में सुधार में सफल होने वाले कारकों को समझना है।

इसके बाद बातचीत डेवलपर्स के लिए प्रतिमान परिवर्तन पर चली गई: अधिक बुद्धिमान प्रॉम्प्ट लिखने के कई वर्षों के अध्ययन से लक्ष्य वाले एजेंटों के डिजाइन तक, जो अपने लक्ष्यों को प्राप्त करने के लिए स्वयं कदम निर्धारित करते हैं। सुब्रह्मण्यम ने प्रॉम्प्ट इंजीनियरिंग की तुलना प्रोग्रामिंग भाषाओं के लंबे इतिहास से की, जो बाइनरी कोड और असेंबली से लेकर Fortran, C और Python तक है। बड़े भाषा मॉडल ने किसी भी व्यक्ति को सरल अंग्रेजी में प्रोग्राम करने की अनुमति दी है, लेकिन इस विधि की अपनी सीमाएं हैं।

शोधकर्ताओं ने जल्दी ही महसूस किया कि बुद्धिमत्ता केवल मॉडल में नहीं होनी चाहिए। मॉडल को एक ऑर्केस्ट्रेटर के रूप में कार्य करना चाहिए, जो एक जटिल कार्य को कार्यों और टूल कॉल्स के अनुक्रम में तोड़ता है। वास्तविक बुद्धिमत्ता उन उपकरणों में स्थानांतरित हो जाती है जिन्हें बुलाया जाता है; और इन उपकरणों को भी अलग तरह से डिज़ाइन किया जाना चाहिए: 'किसी व्यक्ति, या सॉफ्टवेयर डेवलपर, या किसी अन्य व्यक्ति द्वारा उपयोग करने के लिए नहीं, बल्कि इस तरह से कि LLM ऑर्केस्ट्रेटर वास्तव में उनका उपयोग कर सके।'

इसके लिए अत्यंत नियतात्मक परिणाम वाले उच्च सटीकता वाले उपकरणों के निर्माण की आवश्यकता होती है। डेवलपर्स के लिए महारत चतुर वाक्यांशों से हटकर विश्वसनीय घटकों की ओर स्थानांतरित हो जाती है जिन्हें मॉडल बिना किसी अप्रत्याशितता के बार-बार कॉल कर सकता है।

नए डेटा स्रोतों के संबंध में, सुब्रह्मण्यम ने खुले तौर पर कहा कि पाठ डेटा पर प्रशिक्षण काफी हद तक हल हो गया है। अधिक जटिल कार्य मल्टीमॉडल स्रोतों और वास्तविक कार्यों पर प्रशिक्षण है। उन्होंने एक छोटे बच्चे के उदाहरण का हवाला दिया जो मुख्य रूप से पढ़ने के बजाय जो देखता है, सुनता है और देखता है, उसके माध्यम से सीखता है, यह दावा करते हुए कि वास्तविक दुनिया के ऐसे संकेतों को एआई सिस्टम में शामिल करने से मॉडल टेक्स्ट जनरेशन से आगे बढ़कर कार्रवाई प्रस्तावित करना शुरू कर सकते हैं। उन्होंने इसे अगला मील का पत्थर कहा।

विनियमित उद्योग की समस्याओं पर विचार करते हुए, वह दर्शकों को 18 साल पहले बैंगलोर की मशीन लर्निंग की पहली प्रयोगशालाओं में वापस ले गए, जहां उन्होंने लॉजिस्टिक रिग्रेशन और मल्टीलेयर परसेप्ट्रॉन पर काम किया था। उस समय सबसे बड़ी समस्या एल्गोरिथम स्वयं नहीं थी। उन्होंने याद किया: 'वास्तव में, यह डेटा की गुणवत्ता थी।'

यह समस्या नहीं बदली है। चाहे टीम साधारण रिग्रेशन को प्रशिक्षित कर रही हो या ट्रांसफार्मर को फाइन-ट्यून कर रही हो, 'इनपुट कचरा - आउटपुट कचरा' का सिद्धांत कायम है। उनके अनुसार, उच्च गुणवत्ता वाले डेटा को एकत्र करने, एकत्रित करने और संग्रहीत करने में सक्षम कंपनियां लाभ उठाएंगी।

एक संक्षिप्त प्रश्नोत्तर सत्र के दौरान एक प्रतिभागी ने पूछा कि वित्तीय डेटा भंडारण पर प्रतिबंध Intuit के संचालन को कैसे प्रभावित करते हैं। सुब्रह्मण्यम ने सहमति को किसी भी प्रशिक्षण प्रणाली की नींव बताया और फ्रैमिंगहम अध्ययन का हवाला दिया, जहां मैसाचुसेट्स शहर के निवासियों ने डॉक्टरों को समय के साथ उनके स्वास्थ्य को ट्रैक करने की अनुमति दी, जिसने हृदय रोगों की आधुनिक समझ को आकार दिया। उन्होंने यह भी जोड़ा कि कंपनियों को जनता को डेटा के उपयोग के लाभों की व्याख्या करनी होगी।

बातचीत समाप्त होने के साथ, मुख्य विचार यह था कि जैसे-जैसे एआई प्रतिक्रिया से कार्रवाई की ओर बढ़ता है, इंटरफ़ेस की तुलना में नींव अधिक महत्वपूर्ण हो जाती है। प्रॉम्प्ट शुरुआती बिंदु बने रहेंगे, लेकिन असली काम अब विश्वसनीय उपकरण बनाने में है जिन्हें एजेंट कॉल कर सकते हैं, सिस्टम को उच्च गुणवत्ता वाले डेटा से लैस करना और सहमति प्राप्त करना जो उन्हें सीखने की अनुमति देता है। यहीं, प्रॉम्प्ट से परे, डेवलपर्स के लिए एआई की अगली लहर जीती जाएगी।

दिसंबर 2025 में, गेम क्लैर ऑब्स्क्योर: एक्सपेडिशन 33 को इंडी गेम अवार्ड्स में आर्टिफिशियल इंटेलिजेंस (एआई) द्वारा उत्पन्न बनावटों के उपयोग के कारण नकारात्मक पुरस्कार मिले। इसके विपरीत, एनवीडिया जैसी कंपनियां अपनी जीपीयू डिजाइन करने के लिए एआई का उपयोग करती हैं, जिनका उपयोग विभिन्न खेलों में किया जाता है, और उन्हें बहिष्कार की मांग का सामना नहीं करना पड़ता है।

यह परिदृश्य गेमर समुदाय में एआई के प्रति पूर्वाग्रह के प्रश्न को उठाता है। अंतर इस बात में निहित है कि क्या स्वीकार्य है और क्या नहीं, जिसके लिए न केवल डेटा का विश्लेषण आवश्यक है, बल्कि उन उदाहरणों का भी विश्लेषण आवश्यक है जहां तकनीक को सकारात्मक रूप से स्वीकार किया गया था और हार्डवेयर उद्योग की आंतरिक प्रथाओं का भी विश्लेषण आवश्यक है।

GDC 2026 द्वारा किए गए एक सर्वेक्षण ने, जिसमें उद्योग के 2,300 से अधिक पेशेवरों के जवाब शामिल थे, जेनरेटिव एआई के उपयोग पर राय का मूल्यांकन किया। परिणामों से पता चला कि पिछले वर्ष की तुलना में स्थिति बदतर थी, खासकर जेनरेटिव एआई के उपयोग के संबंध में।

साक्षात्कार दिए गए पेशेवरों में से, 52% मानते हैं कि जेनरेटिव एआई उद्योग को नुकसान पहुंचाता है, जो पिछले वर्ष के 30% और दो साल पहले के 18% की तुलना में एक महत्वपूर्ण वृद्धि है।

ये आंकड़े तब और भी गंभीर हो जाते हैं जब गेमर दर्शकों को देखा जाता है। क्वांटिक फाउंड्री द्वारा किए गए एक सर्वेक्षण में, जिसने 1,799 खिलाड़ियों से डेटा एकत्र किया, यह पता चला कि लगभग 85% ने जेनरेटिव एआई के उपयोग के प्रति प्रतिकूल राय व्यक्त की, जिनमें से लगभग 63% बहुत नकारात्मक दृष्टिकोण रखते हैं।

क्वांटिक फाउंड्री का अध्ययन बताता है कि गेमर दर्शकों की प्रेरणा एक प्रासंगिक कारक है। उन्होंने अधिक नकारात्मकता दिखाई जब एआई का उपयोग कला, संगीत, ध्वनि प्रभावों, कथा और संवाद बनाने में किया गया।

तुलना के लिए, कठिनाई को समायोजित करने के लिए एआई का उपयोग 27% दर्शकों द्वारा नकारात्मक रूप से देखा गया, जबकि दृश्य कलाओं में इसका उपयोग 83% विरोध तक पहुंच गया। यह सार्वजनिक प्रतिरोध अन्य रचनात्मक क्षेत्रों में भी उच्च था, जिसमें संगीत और ध्वनि प्रभावों के खिलाफ 77%, और कथा और संवाद के खिलाफ 70% था। यह सुझाव देता है कि जैसे-जैसे एआई का उपयोग सख्ती से रचनात्मक प्रक्रियाओं से दूर होता जाता है, जनता का विरोध कम होने लगता है।

एआई अनुप्रयोगों का एक उदाहरण जिसे कुछ सार्वजनिक स्वीकृति मिली है, वह DLSS और संबंधित प्रौद्योगिकियां हैं। ये सिस्टम फ्रेम दर (FPS) बढ़ाने, विलंबता कम करने और दृश्य गुणवत्ता में सुधार के लिए एआई का उपयोग करते हैं। उपयोगकर्ताओं ने इन सुविधाओं को प्राप्त गुणवत्ता और प्रदर्शन के कारण अपनाया।

हालांकि, DLSS के विकास के दौरान समस्याएं शुरू हो गईं। प्रदर्शन पर केंद्रित प्रारंभिक सुविधाओं ने गेम विकास के लिए निर्भरताएं बना लीं, जिससे नए शीर्षकों को इन उपकरणों की आवश्यकता हुई, जो अक्सर शक्तिशाली कंप्यूटरों पर भी प्रदर्शन में खामियां दिखाते थे।

DLSS 5 के प्रस्तुतीकरण के साथ स्थिति और बिगड़ गई। यह उपकरण, जो फोटो-यथार्थवादी प्रकाश व्यवस्था और सामग्रियों के साथ पिक्सेल को पुनर्निर्मित करने के लिए वास्तविक समय में न्यूरल रेंडरिंग को शामिल करता है, दृश्यों के बीच दृश्य निरंतरता बनाए रखने में कठिनाई प्रदर्शित करता है, जिसके परिणामस्वरूप मूल कार्य का विकृतिकरण और कृत्रिम और सामान्य विशेषताएं होती हैं। इन समस्याओं को गेमर समुदाय द्वारा अत्यंत नकारात्मक तरीके से स्वीकार किया गया।

एनवीडिया जैसी कंपनियां अपने चिप डिजाइनों में एआई लागू करती हैं, जिसमें घटकों के डिजाइन से लेकर परियोजनाओं के अंतिम सत्यापन तक सब कुछ शामिल है। एक उल्लेखनीय परिणाम 64-बिट एडर का विकास था - सर्किट जो बाइनरी मानों के योग के लिए जिम्मेदार है - जो गूगल के जेफ डीन और एनवीडिया के बिल डैली द्वारा बताए अनुसार, प्रीफिक्सआरएल का उपयोग करके बनाया गया तो चिप क्षेत्र का लगभग 25% कम घेरता है।

DAC (ऑटोमेशन एंड डिज़ाइन कॉन्फ्रेंस) 2026 में, सिनॉप्सिस, कैडेंस और सीमेंस जैसी कंपनियों ने एआई-सहायता प्राप्त स्वचालन परियोजनाओं का प्रदर्शन किया। सिनॉप्सिस का दीर्घकालिक डिज़ाइन सत्यापन एजेंट कंपनी के अनुसार 50 गुना तेज प्रक्रिया प्रदर्शित करता है। समानांतर में, सीमेंस की परियोजना, एनवीडिया के सहयोग से, ऐसे एजेंट प्रस्तुत करती है जो दस गुना तेजी से पुस्तकालयों को चित्रित कर सकते हैं।

हालांकि ये केवल दो उदाहरण हैं, वे एक सामान्य बिंदु साझा करते हैं: मानव श्रम का एआई द्वारा आंशिक प्रतिस्थापन से जनता की ओर से कोई विद्रोह, विरोध या बहिष्कार नहीं हुआ।