पुराने रास्तों पर पक्की सड़क न बनाएं: AI लागू करने से पहले प्रक्रिया विश्लेषण और अनुकूलन क्यों ज़रूरी है

3Cp3Eआजकल शायद ही कोई बोर्डरूम ऐसा हो जहां यह सवाल न उठता हो: 26quot;हमारी AI रणनीति क्या है?26quot; कार्रवाई करने का दबाव वास्तविक है और पीछे छूट जाने की चिंता भी बहुत अधिक: प्रतिस्पर्धी पायलट परियोजनाओं की घोषणा कर रहे हैं और AI के साथ सुर्खियां बटोर रहे हैं, विक्रेता बदलाव का वादा कर रहे हैं, और कोई भी ऐसी कंपनी नहीं बनना चाहता जिसने यह लहर चूक दी हो। इस दबाव में एक जाना-पहचाना ढर्रा उभरता है—संस्थाएं AI लागू करने को ही परियोजना मान लेती हैं: पहले कोई उपकरण चुनती हैं और उसके बाद उसके उपयोग की जगह तलाशती हैं।3C/p3E 3Cp3Eअर्थशास्त्र, सूचना प्रणालियों के शोध और असफल AI पहलों की बढ़ती संख्या में किए गए विश्लेषणों से मिले साक्ष्य इसके ठीक उलट दिशा दिखाते हैं। कृत्रिम बुद्धिमत्ता से लाभ पाने वाली संस्थाएं वे नहीं हैं जो इसे सबसे तेज़ी से अपनाती हैं, बल्कि वे हैं जो इसके लिए ज़मीन तैयार करती हैं: अपने कारोबार पर नए सिरे से विचार करती हैं और किसी भी मॉडल को उत्पादन में लाने से पहले अपनी व्यावसायिक प्रक्रियाओं का मानचित्रण, विश्लेषण और अनुकूलन करती हैं। बिल गेट्स के नाम से अक्सर जोड़ी जाने वाली एक कहावत इस मूल तर्क को बयां करती है: 26quot;(...) किसी कुशल संचालन पर लागू स्वचालन उसकी दक्षता को कई गुना बढ़ाता है, जबकि अकुशल संचालन पर लागू स्वचालन उसकी अक्षमता को कई गुना बढ़ाता है। इस कथन का श्रेय शायद लोकश्रुति पर आधारित हो; लेकिन, जैसा कि हम देखेंगे, इसके पीछे का तंत्र अच्छी तरह दर्ज है।3C/p3E 3Cp3Eयह लेख अनुशासित संचालन विशेषज्ञों द्वारा हमेशा अपनाए गए क्रम के पक्ष में साक्ष्यों सहित तर्क देता है: पहले विश्लेषण, फिर अनुकूलन, और उसके बाद स्वचालन।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eएंटरप्राइज़ AI का असहज गणित3C/h23E 3Cp3Eनतीजों से शुरुआत करें। अनुभवी डेटा वैज्ञानिकों और इंजीनियरों के साक्षात्कारों पर आधारित RAND Corporation के 2024 के एक अध्ययन में अनुमान लगाया गया कि 80% से अधिक AI परियोजनाएं विफल होती हैं—यानी उन IT परियोजनाओं की तुलना में लगभग दोगुनी विफलता दर, जिनमें AI शामिल नहीं होता [1]। एक साल बाद, MIT के Project NANDA ने जनरेटिव AI के दौर के लिए इससे भी अधिक चौंकाने वाला आंकड़ा पेश किया: एंटरप्राइज़ निवेश में दसियों अरब डॉलर खर्च होने के बावजूद, GenAI के लगभग 95% पायलट परियोजनाएं लाभ-हानि पर कोई मापने योग्य प्रभाव नहीं डाल रही थीं, जबकि कस्टम एंटरप्राइज़ टूल में से केवल लगभग 5% ही बड़े पैमाने पर उत्पादन तक पहुंच पाए थे [2]।3C/p3E 3Cp3Eसर्वेक्षण के आंकड़े भी यही कहानी एक अलग नज़रिए से बताते हैं। S26amp;P Global Market Intelligence के अनुसार, अपनी 3Cem3Eअधिकांश3C/em3E AI पहलों को छोड़ देने वाली कंपनियों का अनुपात 2025 में बढ़कर 42% हो गया, जो एक साल पहले 17% था। औसतन 46% अवधारणा-सत्यापन परियोजनाएं उत्पादन तक पहुंचने से पहले ही रद्द कर दी गईं [3]। Gartner ने इस छंटनी का सटीक पूर्वानुमान लगाया था और अनुमान जताया था कि 2025 के अंत तक जनरेटिव AI की कम-से-कम 30% परियोजनाएं अवधारणा-सत्यापन के बाद छोड़ दी जाएंगी [4]। और यह सब केवल जनरेटिव AI तक सीमित नहीं है: 2019 में, ChatGPT के अस्तित्व में आने से पहले, MIT Sloan Management Review और Boston Consulting Group के एक वैश्विक सर्वेक्षण में पाया गया कि दस में से सात कंपनियों ने अपनी AI में किए गए निवेश से अब तक बहुत कम या कोई प्रभाव नहीं मिलने की बात कही थी [5]।3C/p3E 3Cp3Eहालांकि, अहम निष्कर्ष विफलता की दर नहीं, बल्कि विफलता के 3Cem3Eकारण3C/em3E हैं। RAND के शोधकर्ताओं ने जब मूल कारणों का वर्गीकरण किया, तो प्रमुख कारणों का एल्गोरिदम से लगभग कोई लेना-देना नहीं था: AI से कौन-सी समस्या हल करनी है, इस बारे में कारोबारी नेतृत्व और तकनीकी टीमों के बीच तालमेल का अभाव; पर्याप्त मॉडल प्रशिक्षित करने के लिए ज़रूरी डेटा की कमी; वास्तविक उपयोगकर्ता समस्याएं हल करने के बजाय नवीनतम तकनीक अपनाने पर ध्यान; और अपर्याप्त बुनियादी ढांचा तथा डेटा शासन [1]। MIT की रिपोर्ट का पूरक निष्कर्ष था कि पायलट परियोजनाएं इसलिए विफल होती हैं क्योंकि उपकरण वास्तविक कार्यप्रवाहों में फिट नहीं बैठते और काम के संदर्भ से सीखते नहीं हैं—यह 26ldquo;सीखने का अंतर26rdquo; संचालन में निहित है, मॉडल की गुणवत्ता में नहीं [2]।3C/p3E 3Cp3Eदूसरे शब्दों में, एंटरप्राइज़ AI अधिकतर समस्या-चयन, डेटा और प्रक्रिया-एकीकरण के मोर्चे पर विफल होता है। और प्रक्रिया विश्लेषण का उद्देश्य ही इन तीनों को सही करना है।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eहम यह कहानी पहले भी देख चुके हैं3C/h23E 3Cp3Eजिस किसी को भी याद है कि पिछली बार कोई बहुउद्देशीय तकनीक पूरे एंटरप्राइज़ में कैसे फैली थी, उसे इसमें कोई हैरानी नहीं होनी चाहिए। 1990 में, जब कॉरपोरेट IT पर एक दशक तक भारी खर्च करने के बावजूद उत्पादकता के नतीजे निराशाजनक रहे, तो Michael Hammer ने अब तक प्रकाशित प्रबंधन के सबसे प्रभावशाली लेखों में से एक में इसका कारण बताया: कंपनियां तकनीक का इस्तेमाल कारोबार करने के अपने पुराने तरीकों को मशीनी बनाने में कर रही थीं, जिससे अकुशल प्रक्रियाएं जस की तस बनी रहीं और कंप्यूटरों ने उन्हें बस तेज़ कर दिया। 3Cem3Eउन्होंने लिखा, 26ldquo;गायों के पुराने रास्तों पर पक्की सड़क बनाना बंद करने का समय आ गया है3C/em3E26rdquo;—पुरानी प्रक्रियाओं को सिलिकॉन और सॉफ्टवेयर में ढालने के बजाय, संस्थाओं को पहले काम को ही नए सिरे से डिज़ाइन करना चाहिए [6]।3C/p3E 3Cp3Eइसके बाद अर्थशास्त्रियों ने Hammer की सहज समझ को आंकड़ों के ज़रिए प्रमाणित किया। 1990 के दशक के कंपनी-स्तरीय आंकड़ों का अध्ययन करते हुए Erik Brynjolfsson और Lorin Hitt ने दिखाया कि IT निवेश से मिलने वाला लाभ बहुत असमान था। इस अंतर की वजह 3Cem3Eपूरक संगठनात्मक निवेश3C/em3E थे: जिन कंपनियों ने प्रक्रियाओं को नए सिरे से डिज़ाइन किया, निर्णय लेने की शक्तियों का विकेंद्रीकरण किया और कौशल में निवेश किया, उन्हें उसी तकनीक से उत्पादकता में बड़े लाभ मिले, जबकि केवल तकनीक स्थापित करने वाली कंपनियों को ऐसा लाभ नहीं हुआ [7]। दो दशक बाद, इसी शोध परंपरा ने इसे 26ldquo;उत्पादकता J-वक्र26rdquo; के रूप में औपचारिक रूप दिया: बिजली, कंप्यूटिंग और अब AI जैसी बहुउद्देशीय तकनीकें अपने लाभ कुछ समय बाद ही देती हैं, क्योंकि कंपनियों को पहले नई प्रक्रियाओं, नए कौशल और पुनर्गठित कार्यप्रवाहों जैसे अमूर्त पूरक तैयार करने पड़ते हैं। इन पूरकों को छोड़ दें, तो तकनीक लगातार अपेक्षा से कम प्रदर्शन करती रहती है [8]।3C/p3E 3Cp3EAI इस कहानी का अगला भाग है—बजट बड़े हैं और प्रचार चक्र तेज़। तकनीक बदल गई है, लेकिन पूरकता का अर्थशास्त्र नहीं।3C/p3E 3Cp3E3Cstrong3Eइसीलिए Mourinho Solutions आपकी संस्था में दक्षता बढ़ाने और AI निवेश पर अधिकतम लाभ पाने की राह में मार्गदर्शन देने वाला सही साझेदार है। 3C/strong3Eहमारा मानना है कि कारोबार पहले आता है—तकनीक (और AI) उसके बाद। इसके पांच अच्छे कारण हैं।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eकारण 1: स्वचालन जिस भी प्रक्रिया को छूता है, उसे कई गुना बढ़ा देता है3C/h23E 3Cp3Eकिसी प्रक्रिया पर लागू एल्गोरिदम उस प्रक्रिया का तर्क विरासत में पाता है—उसकी खामियों समेत। IT के बारे में Hammer की मूल चेतावनी यही थी [6], और 2010 के दशक के उत्तरार्ध में जब रोबोटिक प्रक्रिया स्वचालन (RPA) का तेज़ी से विस्तार हुआ, तब शोध समुदाय ने भी ठीक यही सावधानी बरती। चूंकि RPA रोबोट काम करने के 3Cem3Eमौजूदा3C/em3E तरीके की नकल करते हैं—उन्हीं स्क्रीन पर क्लिक करके और उन्हीं नियमों का पालन करके—इसलिए प्रक्रिया की पहले जांच किए बिना स्वचालन करने से अक्षमता पर डिजिटल कंक्रीट जम सकती है। इससे खराब प्रक्रिया तेज़, अधिक जड़ और बदलने में कठिन हो जाती है [9]। RPA साहित्य की एक व्यवस्थित समीक्षा में भी प्रक्रियाओं का चयन और उनकी उपयुक्तता—नियम-आधारित, मानकीकृत और परिपक्व होना—सफलता के केंद्रीय निर्धारकों में शामिल पाए गए। प्रक्रियाओं का खराब चयन पहलों की विफलता का एक बार-बार सामने आने वाला कारण था [10]।3C/p3E 3Cp3Eयह सीख सीधे AI पर लागू होती है, और दांव शायद इससे भी ऊंचे हैं। किसी टूटी हुई अनुमोदन-श्रृंखला में जवाब तैयार करने वाला भाषा मॉडल बस अड़चन की कतार को तेज़ी से भरता है। ऐसी नियोजन प्रक्रिया के लिए मांग का अनुमान लगाने वाला ML मॉडल, जिसका कोई पालन ही नहीं करता, ऐसे अनुमान देता है जिनका कोई उपयोग नहीं करता। स्वचालन का पूरा मकसद ही किसी चीज़ को कई गुना बढ़ाना है—इसीलिए पहले यह जांचना ज़रूरी है कि आखिर बढ़ाया क्या जा रहा है।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eकारण 2: डेटा की गुणवत्ता प्रक्रिया का नतीजा है—और स्थिति आपकी सोच से भी बदतर है3C/h23E 3Cp3Eहर AI प्रणाली डेटा पर निर्भर होती है, और डेटा प्रक्रियाओं पर: कारोबार के रोज़मर्रा के संचालन उसे बनाते हैं, दर्ज करते हैं, रूपांतरित करते हैं और आगे भेजते हैं। उस डेटा की स्थिति चिंताजनक है। एक अध्ययन में, जहां प्रबंधकों ने अपनी ही संस्थाओं के रिकॉर्ड के नमूनों का आकलन किया, केवल 3% कंपनियों का डेटा बुनियादी गुणवत्ता मानकों पर खरा उतरा और नए बनाए गए लगभग आधे रिकॉर्ड में कम-से-कम एक ऐसी गंभीर त्रुटि थी जो काम को प्रभावित करती थी [11]। RAND के साक्षात्कारकर्ताओं ने पर्याप्त और उपयोगी डेटा की कमी को AI परियोजनाओं की विफलता के प्रमुख कारणों में गिना और कहा कि संस्थाएं तकनीक के लिए ज़रूरी डेटा तैयारी के काम को लगातार कम करके आंकती हैं [1]।3C/p3E 3Cp3Eइसे नज़रअंदाज़ करने के नतीजे, कामकाजी स्तर पर, अच्छी तरह दर्ज हैं। अहम दांव वाले क्षेत्रों में AI विशेषज्ञों पर किए गए एक अध्ययन में पाया गया कि 92% ने 26ldquo;डेटा कैस्केड26rdquo; का अनुभव किया था—यानी स्रोत पर डेटा की गुणवत्ता से जुड़ी समस्याओं के कारण पैदा होने वाली और आगे बढ़ते हुए गंभीर होती विफलताएं, जो अक्सर तब तक नज़र नहीं आतीं जब तक देर से खराब मॉडल और छोड़ दिए गए परिनियोजन के रूप में सामने न आएं [12]। उस अध्ययन का शीर्षक ही उद्योग की क्रम-निर्धारण समस्या का निदान है: 3Cem3E26ldquo;हर कोई मॉडल पर काम करना चाहता है, डेटा पर नहीं।26rdquo;3C/em3E3C/p3E 3Cp3Eरणनीतिक बात यह है: डेटा-सफाई के एक अभियान से डेटा की गुणवत्ता नहीं सुधारी जा सकती, क्योंकि उसे बनाने वाली प्रक्रियाएं लगातार खराब डेटा 3Cem3Eदोबारा पैदा करती3C/em3E रहती हैं। प्रक्रिया विश्लेषण बताता है कि डेटा कहां बनता है, उसकी प्रतियां कहां बनती हैं, उसे कहां दोबारा दर्ज किया जाता है और वह कहां दूषित होता है; प्रक्रिया अनुकूलन समस्या को स्रोत पर ठीक करता है। जो संस्था पहले अपनी प्रक्रियाओं का अनुकूलन करती है, वह साथ ही चुपचाप अपने भविष्य के AI की नींव के लिए ज़रूरी डेटा आधार भी तैयार कर रही होती है।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eकारण 3: प्रक्रियाओं की स्पष्ट तस्वीर के बिना आप गलत उपयोग के मामले चुनेंगे3C/h23E 3Cp3EAI का उपयोग कहां होना चाहिए, यह तय करना एक पोर्टफोलियो संबंधी निर्णय है। काम वास्तव में कैसे आगे बढ़ता है, यह जाने बिना इसे समझदारी से नहीं लिया जा सकता। 152 संज्ञानात्मक प्रौद्योगिकी परियोजनाओं का सर्वेक्षण करते हुए Davenport और Ronanki [13] ने पाया कि महत्वाकांक्षी 26ldquo;मूनशॉट26rdquo; परिनियोजन अक्सर निराशाजनक साबित हुए, जबकि सफल अपनाने वालों ने क्रमिक दृष्टिकोण अपनाया: अपने काम का कार्य-दर-कार्य विश्लेषण किया और विशिष्ट कार्यप्रवाहों की विशिष्ट अड़चनों के लिए AI की विशिष्ट क्षमताएं चुनीं।3C/p3E 3Cp3Eकाम के हर चरण का यह स्पष्ट दृश्य ठीक वही है जो व्यवसाय प्रक्रिया प्रबंधन (BPM) का अनुशासन उपलब्ध कराता है, और यह हमारी प्रमुख क्षमताओं में से एक है। BPM का मानक जीवनचक्र कार्यान्वयन और स्वचालन से 3Cem3Eपहले3C/em3E प्रक्रिया की पहचान, खोज, विश्लेषण और पुनःडिज़ाइन से होकर गुजरता है। यह क्रम दशकों के व्यावहारिक अनुभव से निकला है, जिसमें बिना जांची प्रक्रिया को स्वचालित करना एक मूलभूत श्रेणीगत भूल है [14]। आधुनिक प्रक्रिया खनन इस दृष्टिकोण को और मजबूत करता है: मौजूदा IT प्रणालियों के इवेंट लॉग से प्रक्रियाओं का पुनर्निर्माण करके यह राय-आधारित प्रक्रिया मानचित्रों की जगह साक्ष्य प्रस्तुत करता है। इससे प्रक्रिया के वास्तविक रूपों की संख्या, दोबारा काम के चक्र, विचलन और अड़चनें सामने आती हैं, जिन्हें केवल साक्षात्कारों से जानना संभव नहीं होता [15]। यह दरअसल सर्जरी से पहले लिया गया एक्स-रे है—और अक्सर यह दिखाता है कि अधिकारी जिस प्रक्रिया का वर्णन करते हैं, संस्था वास्तव में वह प्रक्रिया चलाती ही नहीं।3C/p3E 3Cp3Eस्वचालन की प्रसिद्ध सफल कहानियां ठीक इसी चयन-अनुशासन पर आधारित थीं। Telefónica O2 में, शुरुआती और सबसे अधिक उद्धृत RPA परिनियोजनों में से एक में—जिससे अंततः सैकड़ों प्रतिशत का निवेश पर लाभ मिला—स्वचालन के लक्ष्य सोच-समझकर चुने गए थे: अधिक मात्रा वाले, मानकीकृत और नियम-आधारित प्रक्रियाएं, जिन्हें सॉफ्टवेयर रोबोट लागू करने से पहले स्थिर किया गया था [16]। सफलता का आधार सॉफ्टवेयर नहीं, बल्कि चयन का तरीका था।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eकारण 4: कभी-कभी सबसे अच्छा 26ldquo;AI प्रोजेक्ट26rdquo; किसी चरण को हटाना होता है3C/h23E 3Cp3Eप्रक्रिया विश्लेषण की एक असुविधाजनक आदत है: यह बार-बार ऐसी समस्याएं खोज निकालता है जिनके लिए AI की बिल्कुल ज़रूरत नहीं होती। दोहराई जाने वाली मंज़ूरी, ऐसी रिपोर्ट जिसे कोई नहीं पढ़ता, 2014 के संगठन-चार्ट के कारण बना हस्तांतरण, या दो ऐसी प्रणालियों के बीच डेटा को हाथ से दोबारा दर्ज करना जिन्हें आसानी से एकीकृत किया जा सकता है—औद्योगिक इंजीनियरिंग का पारंपरिक सिद्धांत कहता है कि स्वचालन से पहले चीज़ों को हटाएं, जोड़ें और सरल बनाएं, क्योंकि फिजूलखर्ची को स्वचालित करने से बस तेज़ी से फिजूलखर्ची होती है। Hammer के 3Cem3E26ldquo;स्वचालित मत करो, पूरी तरह खत्म करो26rdquo;3C/em3E तर्क का मूल यही था: तकनीक से जिन चीज़ों को तेज़ करने को कहा जा रहा था, उनमें से बहुत-सी चीज़ें शुरू से ही मौजूद नहीं होनी चाहिए थीं [6]।3C/p3E 3Cp3Eनिजी तौर पर, मुझे लियोनार्डो दा विंची के नाम से अक्सर जोड़े जाने वाले इस आदर्श-वाक्य से बहुत लगाव है—26ldquo;सादगी ही परिष्कार का चरम रूप है।26rdquo; किसी प्रक्रिया को सरल बनाना कठिन काम है: इसके लिए मज़बूत विश्लेषणात्मक क्षमताओं, विभिन्न संगठनात्मक क्षेत्रों से मिली जानकारी को जोड़ने की योग्यता और अलग-अलग क्षेत्रों के ज्ञान को एकीकृत करने की ज़रूरत होती है। 3Cstrong3Eयही वह हुनर है जिसके आधार पर हमने Mourinho Solutions का निर्माण किया है।3C/strong3E3C/p3E 3Cp3EAI कार्यक्रम के लिए धन देने जा रही संस्था के लिए यह भटकाव नहीं, बल्कि बिना अतिरिक्त खर्च के बचत और जोखिम में कमी है। जिन चरणों को हटा दिया जाता है, उन्हें स्वचालित करने में कुछ खर्च नहीं होता, उनके लिए मॉडल का रखरखाव नहीं करना पड़ता, वे विफलता के नए कारण नहीं बनते और तुरंत लाभ देना शुरू कर देते हैं। प्रक्रिया पर किए गए काम से एक दूसरा लाभांश भी मिलता है: मापने के लिए एक आधार-रेखा। MIT NANDA रिपोर्ट के प्रमुख निष्कर्षों में से एक यह था कि अधिकांश GenAI पायलट परियोजनाएं लाभ-हानि पर कोई मापने योग्य प्रभाव नहीं दिखा सकीं [2]—लेकिन प्रभाव को 3Cem3Eमापा3C/em3E तभी जा सकता है जब शुरुआत की स्थिति ज्ञात हो। अनुकूलित प्रक्रिया के चक्र समय, त्रुटि दर और प्रति लेन-देन लागत का दस्तावेज़ीकरण मौजूद होता है; इसके बाद AI लागू करने पर अपना ROI साबित करने की क्षमता भी उसे बिना किसी अतिरिक्त खर्च के मिल जाती है।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23Eकारण 5: AI का लाभ संगठनात्मक बदलाव से मिलता है, सॉफ्टवेयर के साथ इंस्टॉल नहीं होता3C/h23E 3Cp3Eअंततः, AI से वास्तविक लाभ कहां मिलता है, इस पर हुए शोध का निष्कर्ष टूल-प्रथम रणनीतियों के लिए एक असहज सच्चाई की ओर इशारा करता है: लाभ व्यावसायिक प्रक्रियाओं के स्तर पर साकार होता है और तभी जब संस्था तकनीक के अनुरूप खुद को बदलती है। AI और व्यावसायिक मूल्य पर उपलब्ध साहित्य की एक व्यवस्थित समीक्षा में पाया गया कि शुरुआती प्रभाव प्रक्रियाओं की दक्षता और उनके भीतर बेहतर निर्णयों के रूप में दिखाई देते हैं—और इन्हें हासिल करना संगठनात्मक सहायक कारकों तथा सोच-समझकर किए गए व्यावसायिक प्रक्रिया परिवर्तन पर निर्भर करता है, न कि मॉडल की परिष्कृतता पर [17]। AI अपनाने वालों के साक्षात्कार-आधारित अध्ययनों में भी संगठनात्मक तैयारी—रणनीतिक तालमेल, डेटा की गुणवत्ता और शासन, प्रक्रियाओं की समझ तथा संस्कृति—को ऐसी पूर्वशर्त माना गया है जिसका आकलन अपनाने के निर्णयों से 3Cem3Eपहले3C/em3E होना चाहिए, न कि उनके बाद [18]।3C/p3E 3Cp3Eव्यवहारिक शोध भी इससे सहमत है। Harvard Business Review में लिखते हुए McKinsey के नेताओं ने बताया कि AI को बड़े पैमाने पर लागू करने की सबसे बड़ी बाधाएं तकनीकी नहीं, बल्कि सांस्कृतिक और संगठनात्मक हैं। सफलता के लिए कार्यप्रवाहों का पुनःडिज़ाइन करना और AI पहलों को IT इंस्टॉलेशन के रूप में नहीं, बल्कि कारोबार-नेतृत्व वाले प्रक्रिया परिवर्तन के रूप में, बहुविषयक टीमों के साथ चलाना ज़रूरी है [19]। MIT Sloan/BCG के वैश्विक अध्ययन में भी AI से वास्तव में लाभ पाने वाली कंपनियां अपनी रणनीति, संगठनात्मक बदलाव और तकनीक को एक साथ जोड़ने के तरीके से अलग पहचानी गईं—उन्होंने तकनीक को ही रणनीति नहीं माना [5]।3C/p3E 3Cp3Eप्रक्रिया विश्लेषण और अनुकूलन ठीक यही संगठनात्मक काम है, जिसे सही क्रम में किया जाता है। यह नेतृत्व के बीच इस बात पर सहमति बनाता है कि कौन-सी समस्याएं अहम हैं (और RAND के अनुसार विफलता के सबसे बड़े कारण को दूर करता है [1]); कार्यप्रवाहों के पुनःडिज़ाइन के लिए ज़रूरी प्रक्रिया-समझ विकसित करता है; और ऐसी स्थिर, मानकीकृत गतिविधियां तैयार करता है जिन पर AI भरोसे के साथ लागू किया जा सकता है।3C/p3E 3Cp3E26nbsp;3C/p3E 3Ch23EMourinho Solutions अपनाता है 26ldquo;पहले प्रक्रिया26rdquo; का सिद्धांत3C/h23E 3Cp3Eपिछले कारणों में से कोई भी यह नहीं कहता कि मॉडल पर किसी को काम करने देने से पहले वर्षों तक विश्लेषण किया जाए। बात एक छोटे, अनुशासित क्रम की है—यानी BPM जीवनचक्र के शुरुआती चरणों की [14]—जिसे तिमाहियों में नहीं, हफ्तों में पूरा किया जाए और उससे पहले आने वाले AI कार्यक्रम के महत्वाकांक्षा-स्तर के अनुरूप रखा जाए।3C/p3E 3Cp3EMourinho Solutions की परामर्श पद्धति विशिष्ट आवश्यकताओं के अनुरूप है। अत्याधुनिक ज्ञान और वर्षों के अनुभव पर आधारित यह पद्धति आपकी संस्था को पूरे BPM जीवनचक्र से व्यवस्थित ढंग से गुज़ारती है, ताकि आपके निवेश पर अधिकतम लाभ मिले।3C/p3E 3Cp3Eएक और ऐसा प्रभाव है जो समय के साथ बढ़ता जाता है। सफल अल्पमत में शामिल संस्थाओं—MIT के 5% और MIT Sloan/BCG अध्ययनों के 26ldquo;अग्रदूतों26rdquo;—ने सिर्फ विफलता से बचाव नहीं किया; उन्होंने वह संगठनात्मक क्षमता भी विकसित की जिससे हर अगला AI परिनियोजन पिछले से सस्ता और तेज़ होता गया [5], [2]। प्रक्रियाओं की स्पष्टता, डेटा का साफ प्रवाह और मापन का अनुशासन बुनियादी ढांचा हैं। समय के साथ इनका मूल्य बढ़ता है।3C/p3E 3Cp3E26nbsp;3C/p3E

निष्कर्ष: AI के लिए तैयार होने का अर्थ है प्रक्रियाओं के लिए तैयार होना

AI लागू करने की होड़ में प्रक्रिया विश्लेषण को देरी समझा जाता है। इसके उलट, साक्ष्य बताते हैं कि यह जोखिम घटाने के सबसे प्रभावी तरीकों में से एक है: AI की विफलता के दर्ज मूल कारणों—गलत समस्या, कमजोर डेटा और असंबद्ध कार्यप्रवाह—पर शुरुआत में ही काम करके, इससे पहले कि वे मिलकर किसी पायलट परियोजना को बीच में छोड़ देने की नौबत ला दें। गायों की पगडंडियों को पक्का करने से लगभग कोई मूल्य नहीं बनेगा—और इससे मूल्य वास्तव में घट भी सकता है। बिज़नेस प्रोसेस रीइंजीनियरिंग [6] से लेकर पूरकता के अर्थशास्त्र [7], [8] और AI के हालिया परियोजना-पश्चात विश्लेषणों [1], [2] तक, 35 वर्षों के शोध से एक ही सुसंगत कहानी सामने आती है: तकनीक उस संगठन के प्रभाव को कई गुना बढ़ाती है जिसमें उसे लागू किया जाता है। पहले संगठन का अनुकूलन करें, फिर AI उस चीज़ को कई गुना बढ़ाएगा जिसे बढ़ाने का वास्तविक लाभ है।

इसलिए नेतृत्व टीमों के सामने सवाल यह नहीं है कि “हम AI कितनी जल्दी लागू कर सकते हैं?” बल्कि यह है कि “हमारी किन प्रक्रियाओं को समझने और अनुकूलित करने के बाद AI वास्तव में बदल सकता है?” इसी क्रम में इसका उत्तर देना 5% और 95% के बीच का अंतर तय करता है।

Mourinho Solutions यह सुनिश्चित करता है कि आपका संगठन 5% में शामिल हो।

---

Mourinho Solutions में हम इसी क्रम में काम करते हैं। हम संगठनों को उनकी प्रक्रियाओं का मानचित्रण और विश्लेषण करने, मापने योग्य लाभों के लिए उनका अनुकूलन करने और उसके बाद ही वहाँ AI की रूपरेखा तैयार कर उसे लागू करने में मदद करते हैं जहाँ उसके लाभ स्पष्ट रूप से साबित हों। यदि आपकी कंपनी AI पहल की योजना बना रही है, तो अपनी प्रक्रियाओं पर बातचीत से शुरुआत करें—प्रक्रिया का आकलन कराने के लिए हमसे संपर्क करें।

 

 

संदर्भ

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, कृत्रिम बुद्धिमत्ता परियोजनाओं की विफलता के मूल कारण और उनकी सफलता के उपाय: AI के प्रतिकूल पैटर्न से बचना. Santa Monica, CA, USA: RAND Corporation, 2024. [ऑनलाइन]. उपलब्ध: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “जनरेटिव AI का विभाजन: व्यवसाय में AI की स्थिति 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [ऑनलाइन]. उपलब्ध: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “एंटरप्राइज़ की आवाज़: AI और मशीन लर्निंग” सर्वेक्षण, 2025; निष्कर्ष “AI परियोजनाओं की विफलता दर बढ़ रही है: रिपोर्ट,” CIO Dive, मार्च 2025 में प्रकाशित। [ऑनलाइन]. उपलब्ध: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner का अनुमान: 2025 के अंत तक जनरेटिव AI की 30% परियोजनाएं अवधारणा-सिद्ध होने के बाद छोड़ दी जाएंगी,” प्रेस विज्ञप्ति, 29 जुलाई 2024. [ऑनलाइन]. उपलब्ध: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “AI के साथ सफलता,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, शोध रिपोर्ट, 2019. [ऑनलाइन]. उपलब्ध: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “काम का पुनर्रचना: स्वचालित न करें, पूरी तरह बदल दें,” Harvard Business Review, खंड 68, अंक 4, पृ. 104–112, जुलाई–अगस्त 1990. [ऑनलाइन]. उपलब्ध: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “गणना से परे: सूचना प्रौद्योगिकी, संगठनात्मक परिवर्तन और व्यावसायिक प्रदर्शन,” Journal of Economic Perspectives, खंड 14, अंक 4, पृ. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “उत्पादकता का J-वक्र: अमूर्त संपत्तियां सामान्य प्रयोजन की तकनीकों की पूरक कैसे होती हैं,” American Economic Journal: Macroeconomics, खंड 13, अंक 1, पृ. 333–372, जनवरी 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “रोबोटिक प्रक्रिया स्वचालन,” Business & Information Systems Engineering, खंड 60, अंक 4, पृ. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “रोबोटिक प्रक्रिया स्वचालन: समकालीन विषय और चुनौतियां,” Computers in Industry, खंड 115, लेख संख्या 103162, फरवरी 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “केवल 3% कंपनियों का डेटा बुनियादी गुणवत्ता मानकों पर खरा उतरता है,” Harvard Business Review, 11 सितंबर 2017. [ऑनलाइन]. उपलब्ध: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘हर कोई मॉडल पर काम करना चाहता है, डेटा पर नहीं’: उच्च जोखिम वाले AI में डेटा की समस्याओं की शृंखला,” 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21) की कार्यवाही, Yokohama, Japan, 2021, लेख संख्या 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “वास्तविक दुनिया के लिए कृत्रिम बुद्धिमत्ता,” Harvard Business Review, खंड 96, अंक 1, पृ. 108–116, जनवरी–फरवरी 2018. [ऑनलाइन]. उपलब्ध: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, व्यावसायिक प्रक्रिया प्रबंधन के मूल सिद्धांत, दूसरा संस्करण. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, प्रक्रिया खनन: व्यवहार में डेटा विज्ञान, दूसरा संस्करण. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Telefónica O2 में रोबोटिक प्रक्रिया स्वचालन,” MIS Quarterly Executive, खंड 15, अंक 1, पृ. 21–35, मार्च 2016. [ऑनलाइन]. उपलब्ध: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “कृत्रिम बुद्धिमत्ता और व्यावसायिक मूल्य: साहित्य समीक्षा,” Information Systems Frontiers, खंड 24, अंक 5, पृ. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “तैयार हों या न हों, AI आ रहा है—संगठन की AI तैयारी के कारकों पर साक्षात्कार अध्ययन,” Business & Information Systems Engineering, खंड 63, अंक 1, पृ. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “AI-संचालित संगठन का निर्माण,” Harvard Business Review, खंड 97, अंक 4, पृ. 62–73, जुलाई–अगस्त 2019. [ऑनलाइन]. उपलब्ध: https://hbr.org/2019/07/building-the-ai-powered-organization