MITच्या अहवालानुसार 95% AI प्रकल्प व्यवसायात अपयशी — शायकल्पनात्मक उदयोन्मुख यथार्थ

आजच्या डिजिटल युगात AI (कृत्रिम बुद्धिमत्ता) हे एक महत्त्वाचे साधन म्हणून ओळखले जाते, परंतु MIT (Massachusetts Institute of Technology) ने नुकताच प्रसिद्ध केलेला अहवाल त्याच्या व्यापक अपेक्षेपेक्षा खूपच वेगळा अनुभव दर्शवतो. अहवालानुसार, व्यवसायात सुरु करण्यात येणाऱ्या 95% AI प्रकल्पांना अपेक्षित आर्थिक फायदा किंवा उत्पादनक्षमता यापैकी काहीही साध्य होऊ शकलेले नाही.

अहवालाचे मुख्य निष्कर्ष:

  • महत्त्वपूर्ण अपयश दर: ‘The GenAI Divide: State of AI in Business 2025’ या अहवालात असे आढळले की 300 जण विशिष्ट AI प्रकल्पांपैकी केवळ 5% लाच जलद महसूल वाढ किंवा उत्पादनक्षमता सुधारण्यात यश आले. उरलेले 95% प्रकल्प अपेक्षित परिणाम देण्यात अपयशी ठरले.
  • “Learning Gap” — एक मुख्य कारण: हे अपयश AI मॉडेलच्या गुणवत्तेमुळे नसून, ते संस्थेच्या दैनंदिन वर्कफ्लोमध्ये कसे मिसळते यातील तफावत (“learning gap”) हे कारणाधिक महत्त्वाचे आहे. AI जसे ChatGPT हे स्वयंसिद्ध आणि विस्तृत प्रकारात वापरता येतात, तितकेच ते प्रत्येक कंपनीच्या कार्यपद्धतीत लागू करता येत नाहीत.
  • खराब संसाधन आणि धोरणे: अनेक कंपन्या AI मध्ये मोठ्या प्रमाणावर गुंतवणूक करतात, पण ती साधारणपणे सेल्स व मार्केटिंगवर केंद्रित असते—परंतु उच्च परतावा देणारी अवस्था म्हणजे बॅक‑ऑफिस ऑटोमेशन आहे. AI वापरातील धोरणे चुकीची असणे हे देखील एक मुख्य कारण आहे.
  • विक्रेत्यांसोबत भागीदारी जास्त यशस्वी: AI तंत्रज्ञान विकणाऱ्या बाह्य प्रदात्यांसोबत काम केल्यास सुमारे 67% प्रकल्प यशस्वी ठरतात, तर केवळ आताच्या टीमने स्वतः तयार केलेले AI फक्त 33% यश मिळवतात.
  • यशाची साधी सूत्रे: यशस्वी होणाऱ्या AI प्रकल्पात, प्रामुख्याने समस्या निवडणे, जिल्हास्तरीय व्यवस्थापकांना रूपांतरणाची जबाबदारी देणे, आणि AI च्या प्रवासात कायमस्वरूपी सुधारणांवर लक्ष केंद्रित करणे हे समाविष्ट असते.

सरकार आणि व्यवसायांसाठी मार्गदर्शन:

  1. सुस्पष्ट आणि मापनक्षम उद्देश – कोणत्या विशिष्ट समस्येवर AI वापरणार ते ठरवावे.
  2. बॅक‑ऑफिसवर अधिक लक्ष द्यावे—कार्यक्षमता आणि परतावा निश्चित करण्यासाठी.
  3. विकसित प्रदात्यांच्या तंत्रज्ञानाचा लाभ – संपूर्ण इन-हाऊस विकासाऐवजी सोप्या हलत्या उपायांची निवड.
  4. कार्यक्षेत्राच्या जवळच्या व्यवस्थापकांना सामील करणे – AI वापर सुलभ आणि प्रभावी बनवण्यासाठी.
  5. सतत सुधारणा व प्रतिक्रिया चक्र (feedback loop) – प्रभावी टिकावासाठी आवश्यक.

निष्कर्ष:

MIT अहवालातून स्पष्ट होते की AI मध्ये अपयशाचे खरे कारण तंत्रज्ञान नव्हे, तर अव्यवस्थित वापर, प्रशिक्षणाचा अभाव, व्यवस्थापनातील जागरूकता आणि अंमलबजावणीतल्या त्रुटी होय. AI प्रकल्प यशस्वी होत नाहीत असे समजणे शिक्षण घेण्याची संधी आहे—इंटरनेटच्या विकासासारखेच, AI चा प्रभावही काही काळात रुजून येऊ शकतो, पण त्यासाठी धोरणबद्ध, सखोल आणि दीर्घकालीन दृष्टिकोन आवश्यक आहे.

Leave a Comment