अंतर्दृष्टि
AI अडॉप्शन बीच में क्यों अटक जाता है
अधिकारियों से पूछें कि उनका AI कार्यक्रम किस वजह से धीमा हो रहा है, तो आप टूलिंग, डेटा क्वालिटी, प्रोक्योरमेंट के बारे में सुनेंगे। ईमानदार जवाब आमतौर पर अधिक सरल होता है: संगठन के बीच के किसी भी व्यक्ति को यह नहीं बताया गया है कि यदि यह काम कर गया तो उनके लोगों का क्या होगा।
2026 के दो साक्ष्य इसे खारिज करना मुश्किल बनाते हैं। अमेरिका और ब्रिटेन के 2,000 मैनेजरों के साथ एक पूर्व-पंजीकृत प्रयोग में, इंस्टीट्यूट फॉर फिस्कल स्टडीज ने मैनेजरों को AI के बारे में छोटे वीडियो दिखाए। जिन मैनेजरों ने AI की श्रम-विस्थापन क्षमता के प्रमाण देखे, उन्होंने AI को अपनाने और उसका समर्थन करने के इरादे में 0.4 से 0.5 मानक विचलन की गिरावट दर्ज की, और अपनी हायरिंग की योजनाओं को भी पीछे खींच लिया। जिन मैनेजरों ने उत्पादकता लाभ के प्रमाण देखे, वे बिल्कुल भी नहीं हिले।
उत्पादकता के मामले ने किसी को नहीं मनाया
दूसरे शब्दों में कहें तो, उत्पादकता के मामले ने किसी को नहीं मनाया। खतरे के मामले ने सभी को मना लिया — रुकने के लिए। अलग से, गैलुप वर्कफोर्स पैनल (30,000 से अधिक अमेरिकी कर्मचारी, 2023 से 2026 की शुरुआत तक) का उपयोग करने वाले कार्य से पता चला कि जिन कर्मचारियों का कहना है कि उनके संगठन की एक स्पष्ट AI रणनीति है, उनके AI का बार-बार उपयोग करने की संभावना लगभग 27 प्रतिशत अंक अधिक है। उस स्पष्टता के बिना बार-बार उपयोग करने से जुड़ाव के साथ लगभग शून्य संबंध और बर्नआउट के साथ सकारात्मक संबंध दिखाई देता है। रणनीतिक स्पष्टता उन जगहों पर केंद्रित थी जहां विकासात्मक फीडबैक और नेतृत्व में विश्वास था — जो यह बताता है कि लोग नीतिगत दस्तावेज में क्या कहा गया है, इसके बजाय इस बात से रणनीति का अनुमान लगाते हैं कि उनके मैनेजर कैसा व्यवहार करते हैं। इन सबको एक साथ रखें और आपको एक असहज निदान मिलता है। अडॉप्शन मुख्य रूप से कोई तकनीकी समस्या या प्रशिक्षण समस्या नहीं है। यह इस बात की समस्या है कि लोग तकनीक का अपने लिए क्या अर्थ मानते हैं। और यह विश्वास स्थानीय स्तर पर, एक ऐसे मैनेजर द्वारा बनता है जिसने गणित लगा लिया है और उसे जवाब पसंद नहीं आया है। आप इसे उत्साह के साथ ठीक नहीं कर सकते।
ऐसी प्रतिबद्धताएं जिन्हें तोड़ना महंगा पड़े
आप इसे केवल ऐसी प्रतिबद्धताओं के साथ ठीक कर सकते हैं जिन्हें तोड़ना महंगा पड़े। तीन बातें सबसे महत्वपूर्ण प्रतीत होती हैं।
1. एक निर्धारित पुनर्निवेश नियम। तैनाती से पहले, लिखित में बताएं कि बचाए गए घंटे कहां जाते हैं। “दक्षता” नहीं — एक गंतव्य। ग्राहक संपर्क, गुणवत्ता समीक्षा, या टीम की सोच के लिए बचाए गए समय का 20%, बाकी क्षमता को वापस लौटा दिया गया। एक नियम का ऑडिट किया जा सकता है। एक इरादे का नहीं।
2. एक क्षितिज के साथ हेडकाउंट डिकपलिंग (अलग करना)। स्पष्ट रूप से कहें कि क्या यह तैनाती किसी स्टाफिंग निर्णय से जुड़ी है, और कितने समय के लिए। अस्पष्टता तटस्थ नहीं है। अस्पष्टता को सबसे बुरे मामले के रूप में पढ़ा जाता है, और मैनेजर प्रोजेक्ट को धीमा करके टीम की रक्षा करता है।
3. रिकॉर्ड में योगदान, केवल आउटपुट नहीं। यदि प्रदर्शन प्रणालियाँ केवल थ्रूपुट देख सकती हैं, तो AI द्वारा थ्रूपुट को सस्ता बनाने से लोग अनावश्यक दिखाई देते हैं। इसलिए रिकॉर्ड को विस्तृत करना होगा: वह प्रश्न जिसने एक खराब योजना को रोका, निर्णय कॉल, वह ज्ञान जिसे किसी ने लिख लिया ताकि किसी सहकर्मी को उसे फिर से न खोजना पड़े।
यदि यह काम कर गया तो उनके लोगों का क्या होगा
इनमें से किसी के लिए भी एक नए प्लेटफॉर्म की आवश्यकता नहीं है। इसके लिए एक पेज की आवश्यकता है, जिसे टूल आने के बाद के बजाय प्रतिरोध प्रकट होने से पहले लिखा गया हो। IFS के परिणाम में जो बात मुझे सबसे अधिक प्रभावित करती है, वह है विषमता। सकारात्मक तर्क ने किसी को नहीं हिलाया; नकारात्मक तर्क ने सभी को हिला दिया। वे उत्पादकता के आंकड़ों के बारे में भ्रमित नहीं हैं। वे यह सुनने का इंतजार कर रहे हैं कि उत्पादकता किसके लिए है। शायद किसी भी AI कार्यक्रम का पहला डिलीवरएबल कोई पायलट नहीं होना चाहिए। शायद यह एक ऐसा वाक्य होना चाहिए जिसे एक मैनेजर बिना हिचकिचाए अपनी टीम के सामने जोर से कह सके।