گائے کی پگڈنڈیوں پر فرش بچھانا بند کریں: مصنوعی ذہانت سے پہلے عمل کا تجزیہ اور آپٹیمائزیشن کیوں ضروری ہے

آج کل بہت کم بورڈ روم ایسے ہیں جہاں یہ سوال نہ اٹھتا ہو کہ ”مصنوعی ذہانت کے لیے ہماری حکمتِ عملی کیا ہے؟“ عمل کرنے کا دباؤ حقیقی ہے اور پیچھے رہ جانے کا خوف شدید: حریف آزمائشی منصوبوں کا اعلان کر رہے ہیں اور مصنوعی ذہانت کے ذریعے سرخیاں بٹور رہے ہیں، فروخت کنندگان تبدیلی کے وعدے کر رہے ہیں، اور کوئی بھی ایسی کمپنی نہیں بننا چاہتا جو اس لہر سے محروم رہ گئی ہو۔ اس دباؤ کے تحت ایک مانوس طرزِ عمل سامنے آتا ہے—تنظیمیں مصنوعی ذہانت نافذ کرنے کو ہی منصوبہ سمجھ لیتی ہیں: پہلے ایک ٹول منتخب کریں، پھر اس کے استعمال کی جگہ تلاش کریں۔

شواہد—معاشیات، معلوماتی نظاموں کی تحقیق اور ناکام مصنوعی ذہانت کے اقدامات کے بعد ہونے والے جائزوں کے بڑھتے ہوئے ذخیرے سے—اس کے برعکس نتیجے کی طرف اشارہ کرتے ہیں۔ مصنوعی ذہانت سے قدر حاصل کرنے والی تنظیمیں وہ نہیں جو اسے سب سے تیزی سے اپناتی ہیں، بلکہ وہ ہیں جو اس کے لیے بنیاد تیار کرتی ہیں: اپنے کاروبار پر ازسرِنو غور کرتی ہیں اور ایک بھی ماڈل عملی پیداوار میں لانے سے پہلے اپنے کاروباری عملوں کا نقشہ بناتی، تجزیہ کرتی اور آپٹیمائزیشن کرتی ہیں۔ بل گیٹس سے اکثر منسوب ایک قول اس بنیادی منطق کو سمیٹتا ہے: ”(...) مؤثر آپریشن پر خودکاری اس کی افادیت بڑھاتی ہے، جبکہ غیر مؤثر آپریشن پر خودکاری نااہلی کو بڑھا دیتی ہے۔“ اس قول کی نسبت شاید محض روایت ہو؛ لیکن جیسا کہ ہم دیکھیں گے، اس کے پیچھے کارفرما طریقۂ کار کے شواہد مضبوط ہیں۔

یہ مضمون شواہد کے ساتھ اس ترتیب کے حق میں دلیل دیتا ہے جس پر منظم انداز سے کام کرنے والے ماہرین ہمیشہ عمل کرتے آئے ہیں: پہلے تجزیہ، پھر آپٹیمائزیشن، اور آخر میں خودکاری۔

 

کاروباری مصنوعی ذہانت کے تلخ اعدادوشمار

نتائج سے آغاز کرتے ہیں۔ RAND Corporation کی 2024 کی ایک تحقیق میں، جو تجربہ کار ڈیٹا سائنس دانوں اور انجینئروں کے انٹرویوز پر مبنی تھی، اندازہ لگایا گیا کہ مصنوعی ذہانت کے 80% سے زیادہ منصوبے ناکام ہو جاتے ہیں—یعنی مصنوعی ذہانت سے متعلق نہ ہونے والے آئی ٹی منصوبوں کے مقابلے میں ناکامی کی شرح تقریباً دوگنی ہے [1]۔ ایک سال بعد، MIT کے Project NANDA نے تخلیقی مصنوعی ذہانت کے دور کے لیے اس سے بھی زیادہ تشویش ناک اعدادوشمار پیش کیے: کاروباری شعبے میں دسیوں ارب ڈالر کی سرمایہ کاری کے باوجود، GenAI کے تقریباً 95% آزمائشی منصوبے نفع و نقصان پر کوئی قابلِ پیمائش اثر نہیں ڈال رہے تھے، جبکہ کمپنیوں کے تیار کردہ ٹولز میں سے صرف تقریباً 5% ہی بڑے پیمانے پر عملی پیداوار تک پہنچے تھے [2]۔

سروے کے اعدادوشمار بھی یہی کہانی ایک اور زاویے سے بیان کرتے ہیں۔ S&P Global Market Intelligence کے مطابق، 2025 میں اپنی مصنوعی ذہانت کی زیادہ تر کوششیں ترک کرنے والی کمپنیوں کا تناسب بڑھ کر 42% ہو گیا، جو ایک سال پہلے 17% تھا؛ اور اوسطاً 46% تصدیقِ تصور کے منصوبے عملی پیداوار تک پہنچنے سے پہلے ہی ختم کر دیے گئے [3]۔ Gartner نے اس چھانٹی کی عین پیش گوئی کی تھی اور اندازہ لگایا تھا کہ 2025 کے آخر تک تخلیقی مصنوعی ذہانت کے کم از کم 30% منصوبے تصدیقِ تصور کے بعد ترک کر دیے جائیں گے [4]۔ اور یہ رجحان صرف تخلیقی مصنوعی ذہانت تک محدود نہیں: 2019 میں، ChatGPT کی موجودگی سے پہلے، MIT Sloan Management Review اور Boston Consulting Group کے عالمی سروے میں سات میں سے دس کمپنیوں نے بتایا تھا کہ اس وقت تک ان کی مصنوعی ذہانت کی سرمایہ کاری کا اثر نہ ہونے کے برابر تھا یا بالکل نہیں تھا [5]۔

تاہم، اہم بات ناکامی کی شرح نہیں، بلکہ ناکامی کی وجوہات ہیں۔ RAND کے محققین نے بنیادی وجوہات کی درجہ بندی کی تو نمایاں وجوہات کا الگورتھم سے تقریباً کوئی تعلق نہیں تھا: کاروباری رہنماؤں اور تکنیکی ٹیموں میں اس مسئلے کے بارے میں عدم ہم آہنگی جسے مصنوعی ذہانت کے ذریعے حل کرنا تھا؛ موزوں ماڈلز کی تربیت کے لیے درکار ڈیٹا کی کمی؛ صارفین کے حقیقی مسائل حل کرنے کے بجائے جدید ترین ٹیکنالوجی استعمال کرنے پر توجہ؛ اور ناکافی بنیادی ڈھانچہ اور ڈیٹا گورننس [1]۔ MIT کی رپورٹ بھی ایک تکمیلی نتیجے پر پہنچی: آزمائشی منصوبے اس لیے ناکام ہوتے ہیں کہ ٹولز حقیقی کام کے طریقۂ کار میں فٹ نہیں بیٹھتے اور کام کے سیاق و سباق سے نہیں سیکھتے—یہ ”سیکھنے کا خلا“ ماڈل کے معیار سے نہیں بلکہ آپریشنز سے جڑا ہے [2]۔

دوسرے لفظوں میں: کاروباری مصنوعی ذہانت زیادہ تر مسئلے کے انتخاب، ڈیٹا اور عمل میں انضمام کے معاملے میں ناکام ہوتی ہے۔ عمل کا تجزیہ عین انہی تینوں امور کو درست کرنے کے لیے کیا جاتا ہے۔

 

یہ منظر ہم پہلے بھی دیکھ چکے ہیں

جن لوگوں کو یاد ہے کہ عمومی مقصد کی ٹیکنالوجی کی پچھلی بڑی لہر کاروباری اداروں میں کیسے آئی تھی، انہیں اس میں کوئی حیرت نہیں ہونی چاہیے۔ 1990 میں، جب ایک دہائی تک کارپوریٹ آئی ٹی پر بھاری خرچ کے باوجود پیداواریت کے نتائج مایوس کن رہے، تو Michael Hammer نے انتظامی امور کے سب سے زیادہ مؤثر مضامین میں سے ایک میں اس کی وجہ بیان کی: کمپنیاں ٹیکنالوجی سے کاروبار کرنے کے اپنے پرانے طریقوں کو مشینی بنا رہی تھیں، غیر مؤثر عمل برقرار رکھ رہی تھیں اور کمپیوٹروں سے انہیں تیز کروا رہی تھیں۔ انہوں نے لکھا، ”گائے کی پگڈنڈیوں پر فرش بچھانا بند کرنے کا وقت آ گیا ہے۔“ فرسودہ عمل کو سلیکون اور سافٹ ویئر میں جوں کا توں ڈھالنے کے بجائے، تنظیموں کو پہلے کام کے طریقے کو ازسرِنو ترتیب دینا چاہیے [6]۔

بعد میں ماہرینِ معاشیات نے Hammer کے وجدان کو اعدادوشمار کی صورت میں پیش کیا۔ 1990 کی دہائی کے دوران کمپنیوں کے اعدادوشمار کا مطالعہ کرتے ہوئے Erik Brynjolfsson اور Lorin Hitt نے دکھایا کہ آئی ٹی سرمایہ کاری سے حاصل ہونے والے منافع میں بہت تفاوت تھا، اور اس فرق کی وجہ تکمیلی تنظیمی سرمایہ کاری تھی: جن کمپنیوں نے عمل ازسرِنو ترتیب دیے، فیصلے کرنے کا اختیار نچلی سطح تک منتقل کیا اور مہارتوں میں سرمایہ کاری کی، انہوں نے اسی ٹیکنالوجی سے پیداواریت میں بڑے فوائد حاصل کیے جس سے صرف ٹیکنالوجی نصب کرنے والی کمپنیوں کو بہت کم فائدہ ہوا [7]۔ دو دہائیوں بعد، اسی تحقیقی روایت نے اسے ”پیداواریت کا J-curve“ قرار دیا: عمومی مقصد کی ٹیکنالوجیز—بجلی، کمپیوٹنگ اور اب مصنوعی ذہانت—اپنے فوائد تاخیر سے دیتی ہیں، کیونکہ کمپنیوں کو پہلے غیر محسوس تکمیلی صلاحیتیں، مثلاً نئے عمل، نئی مہارتیں اور ازسرِنو منظم کیے گئے کام کے طریقے، تشکیل دینا پڑتے ہیں۔ ان تکمیلی اقدامات کو نظرانداز کریں تو ٹیکنالوجی غیر معینہ مدت تک اپنی پوری کارکردگی نہیں دکھاتی [8]۔

مصنوعی ذہانت اسی فلم کا اگلا حصہ ہے، جس کے بجٹ بڑے اور تشہیری چکر تیز ہیں۔ ٹیکنالوجی بدل گئی ہے؛ تکمیلیت کی معاشیات نہیں بدلی۔

اسی لیے Mourinho Solutions آپ کی تنظیم میں افادیت بڑھانے اور مصنوعی ذہانت میں اپنی سرمایہ کاری کا زیادہ سے زیادہ منافع حاصل کرنے کے سفر میں رہنمائی کے لیے موزوں شراکت دار ہے۔ ہمارا مؤقف ہے کہ کاروبار پہلے آتا ہے—ٹیکنالوجی (اور مصنوعی ذہانت) کو اس کے بعد آنا چاہیے۔ اس کی 5 اچھی وجوہات ہیں۔

 

وجہ 1: خودکاری جس عمل کو چھوتی ہے، اسی کے اثرات بڑھا دیتی ہے

کسی عمل میں نافذ کیا گیا الگورتھم اس عمل کی منطق—اور اس کی خامیوں—کو اپنا لیتا ہے۔ آئی ٹی کے بارے میں Hammer کی اصل تنبیہ یہی تھی [6]، اور 2010 کی دہائی کے اواخر میں جب روبوٹک پراسیس آٹومیشن (RPA) کا تیزی سے پھیلاؤ ہوا تو تحقیقی برادری نے بھی عین یہی احتیاط برتنے کا کہا۔ چونکہ RPA روبوٹس کام کرنے کے موجودہ طریقے کی نقل کرتے ہیں—انہی اسکرینوں پر کلک کرتے ہیں اور انہی اصولوں پر چلتے ہیں—اس لیے عمل کا پہلے جائزہ لیے بغیر خودکاری کرنے سے نااہلی پر ڈیجیٹل کنکریٹ ڈالنے کا خطرہ ہے؛ یوں خراب عمل تیز تر، زیادہ سخت اور تبدیل کرنا مزید مشکل ہو جاتا ہے [9]۔ RPA کے تحقیقی لٹریچر کے ایک منظم جائزے میں بھی عمل کا انتخاب اور موزونیت—قاعدہ پر مبنی، معیاری اور پختہ ہونا—کامیابی کے بنیادی عوامل میں شمار کیے گئے، جبکہ عمل کا ناقص انتخاب ناکام اقدامات کی بار بار سامنے آنے والی وجہ تھا [10]۔

یہ سبق براہِ راست مصنوعی ذہانت پر بھی لاگو ہوتا ہے، اور اس کے نتائج شاید زیادہ سنگین ہیں۔ ایک ٹوٹی ہوئی منظوری کی زنجیر میں جواب تیار کرنے والا زبان کا ماڈل صرف رکاوٹ کی قطار کو زیادہ تیزی سے بھرے گا۔ کسی ایسے منصوبہ بندی کے عمل کے لیے طلب کی پیش گوئی کرنے والا ML ماڈل جس پر کوئی عمل ہی نہیں کرتا، ایسی پیش گوئیاں دے گا جنہیں کوئی استعمال نہیں کرے گا۔ خودکاری کا بنیادی مقصد اثرات کو بڑھانا ہے—اسی لیے پہلے یہ جانچنا ضروری ہے کہ بڑھایا کیا جا رہا ہے۔

 

وجہ 2: ڈیٹا کا معیار عمل کا نتیجہ ہے—اور صورتِ حال آپ کے خیال سے بدتر ہے

ہر مصنوعی ذہانت کا نظام ڈیٹا پر منحصر ہے، اور ڈیٹا عملوں پر منحصر ہوتا ہے: کاروبار کے روزمرہ آپریشنز ہی اسے تخلیق کرتے، درج کرتے، تبدیل کرتے اور ایک جگہ سے دوسری جگہ منتقل کرتے ہیں۔ اس ڈیٹا کی حالت تشویش ناک ہے۔ ایک تحقیق میں، جس کے دوران منتظمین نے اپنی تنظیموں کے ریکارڈز کے نمونوں کا جائزہ لیا، صرف 3% کمپنیوں کا ڈیٹا معیار کے بنیادی تقاضوں پر پورا اترا، اور نئے بنائے گئے تقریباً نصف ریکارڈز میں کم از کم ایک ایسی سنگین غلطی تھی جو کام پر اثر انداز ہوتی ہے [11]۔ RAND کے انٹرویو میں شامل افراد نے قابلِ استعمال اور موزوں ڈیٹا کی کمی کو مصنوعی ذہانت کے منصوبوں کی ناکامی کی بڑی وجوہات میں شمار کیا اور بتایا کہ تنظیمیں ٹیکنالوجی کے لیے درکار ڈیٹا کی تیاری کو مستقل طور پر کم اہم سمجھتی ہیں [1]۔

اس حقیقت کو نظرانداز کرنے کے نتائج عملی سطح پر بھی اچھی طرح دستاویزی شکل میں موجود ہیں۔ اہم نتائج والے شعبوں میں کام کرنے والے مصنوعی ذہانت کے ماہرین کی ایک تحقیق میں 92% نے ”ڈیٹا کے سلسلہ وار بحرانوں“ کا تجربہ کیا تھا—یعنی بالائی سطح پر ڈیٹا کے معیار کے مسائل سے پیدا ہونے والی، آگے چل کر بڑھتی ہوئی ناکامیاں، جو عموماً اس وقت تک نظر نہیں آتیں جب تک دیر سے خراب ماڈلز اور ترک شدہ نظاموں کی صورت میں سامنے نہ آئیں [12]۔ اس مطالعے کا عنوان ہی صنعت کی ترتیب سے متعلق مشکل کی نشاندہی کرتا ہے: ”ہر کوئی ماڈل پر کام کرنا چاہتا ہے، ڈیٹا پر نہیں۔“

یہاں حکمتِ عملی کا اہم نکتہ یہ ہے: ڈیٹا کی صفائی کے ایک مختصر منصوبے سے ڈیٹا کا معیار درست نہیں کیا جا سکتا، کیونکہ خراب ڈیٹا کو پیدا کرنے والے عمل اسے مسلسل دوبارہ پیدا کرتے رہتے ہیں۔ عمل کا تجزیہ بتاتا ہے کہ ڈیٹا کہاں پیدا، نقل، دوبارہ درج اور خراب ہوتا ہے؛ عمل کی آپٹیمائزیشن بنیادی مقام پر ہی نقص دور کرتی ہے۔ جو تنظیم پہلے اپنے عملوں کو بہتر بناتی ہے، وہ خاموشی سے اور اسی دوران اس ڈیٹا کی بنیاد بھی تیار کر رہی ہوتی ہے جس پر مستقبل کی مصنوعی ذہانت قائم ہوگی۔

 

وجہ 3: عمل کی واضح صورت سامنے نہ ہو تو آپ غلط استعمالات منتخب کریں گے

یہ فیصلہ کرنا کہ مصنوعی ذہانت کہاں استعمال ہونی چاہیے، پورٹ فولیو سے متعلق فیصلہ ہے؛ اور یہ اس وقت تک معقول طور پر نہیں کیا جا سکتا جب تک یہ معلوم نہ ہو کہ کام حقیقت میں کیسے آگے بڑھتا ہے۔ Davenport اور Ronanki [13] نے ادراکی ٹیکنالوجی کے 152 منصوبوں کا جائزہ لیتے ہوئے پایا کہ حد سے زیادہ پُرعزم ”بڑا خواب“ نوعیت کے منصوبے اکثر مایوس کن ثابت ہوئے، جبکہ کامیاب اداروں نے مرحلہ وار طریقہ اپنایا: اپنے عملوں کا کام بہ کام جائزہ لیا اور مصنوعی ذہانت کی مخصوص صلاحیتوں کو مخصوص کام کے بہاؤ کی مخصوص رکاوٹوں سے جوڑا۔

کام کی یہ سطحی تفصیل بالکل وہی ہے جو بزنس پراسیس مینجمنٹ (BPM) کا شعبہ فراہم کرتا ہے اور ہماری بنیادی مہارتوں میں شامل ہے۔ BPM کا معیاری دورانیہ عمل کی شناخت، دریافت، تجزیے اور ازسرِنو ڈیزائن سے گزرتا ہے—عمل درآمد اور خودکاری سے پہلے۔ یہ ترتیب کئی دہائیوں کے تجربے سے اخذ کی گئی ہے، جس میں بغیر جانچ کے عمل کو خودکار بنانا بنیادی نوعیت کی غلطی سمجھا جاتا ہے [14]۔ جدید پروسیس مائننگ اس بات کو مزید مضبوط کرتی ہے: موجودہ آئی ٹی نظاموں کے ایونٹ لاگز سے عملوں کی ازسرِنو تشکیل کر کے، یہ رائے پر مبنی عمل کے نقشوں کی جگہ شواہد فراہم کرتی ہے—اور عمل کی حقیقی متبادل صورتوں، دوبارہ کام کے چکروں، انحرافات اور رکاوٹوں کو ظاہر کرتی ہے، جن کا انٹرویوز سے پتا نہیں چلتا [15]۔ گویا یہ آپریشن سے پہلے لیا گیا ایکسرے ہے—اور اکثر یہ دکھاتا ہے کہ منتظمین جس عمل کا بیان کرتے ہیں، تنظیم حقیقت میں اس پر عمل نہیں کرتی۔

خودکاری کی کامیابی کی روایتی مثالیں اسی انتخاب کے نظم و ضبط پر قائم تھیں۔ Telefónica O2 میں، جو RPA کے اولین اور سب سے زیادہ حوالہ دیے جانے والے نفاذات میں سے ایک تھا اور بالآخر اس نے کئی سو فیصد منافعِ سرمایہ کاری دیا، خودکاری کے اہداف سوچ سمجھ کر منتخب کیے گئے تھے: زیادہ حجم والے، معیاری اور قاعدہ پر مبنی عمل، جنہیں سافٹ ویئر روبوٹس کے اطلاق سے پہلے مستحکم کیا گیا تھا [16]۔ کامیابی کا سبب سافٹ ویئر نہیں، بلکہ انتخاب کا طریقۂ کار تھا۔

 

وجہ 4: بعض اوقات بہترین ”مصنوعی ذہانت کا منصوبہ“ کسی مرحلے کو ختم کرنا ہوتا ہے

عمل کا تجزیہ ایک قدرے ناگوار عادت رکھتا ہے: یہ ایسے مسائل بار بار سامنے لاتا ہے جن کے لیے مصنوعی ذہانت کی قطعاً ضرورت نہیں ہوتی۔ منظوری کی دہرائی جانے والی کارروائی، ایسی رپورٹ جسے کوئی نہیں پڑھتا، ایسا کام کی حوالگی کا مرحلہ جو 2014 کے تنظیمی خاکے کی وجہ سے موجود ہے، یا دو ایسے نظاموں کے درمیان دستی طور پر دوبارہ درج کیا جانے والا ڈیٹا جنہیں بس باہم مربوط کیا جا سکتا ہے—صنعتی انجینئرنگ کا روایتی اصول کہتا ہے کہ خودکاری سے پہلے غیر ضروری کام ختم کریں، مراحل کو یکجا کریں اور سادگی پیدا کریں، کیونکہ ضیاع کو خودکار بنانے کا نتیجہ صرف تیز تر ضیاع ہوتا ہے۔ یہی Hammer کی ”خودکار نہ بنائیں، جڑ سے ختم کریں“ والی دلیل کا مرکزی نکتہ تھا: جن کاموں کو تیز کرنے کے لیے ٹیکنالوجی سے مدد مانگی جا رہی تھی، ان میں سے بہت سے سرے سے موجود ہی نہیں ہونے چاہییں تھے [6]۔

ذاتی طور پر، مجھے وہ قول بہت پسند ہے جو اکثر Leonardo da Vinci سے منسوب کیا جاتا ہے—”سادگی ہی اعلیٰ ترین نفاست ہے۔“ عمل کو سادہ بنانا مشکل کام ہے: اس کے لیے مضبوط تجزیاتی مہارتیں، تنظیم کے مختلف شعبوں سے معلومات کو جوڑنے کی صلاحیت، اور مختلف شعبوں کے علم کو یکجا کرنا ضروری ہے۔ Mourinho Solutions کی بنیاد عین اسی ہنر پر رکھی گئی ہے۔

مصنوعی ذہانت کے پروگرام کے لیے بجٹ مختص کرنے والی تنظیم کے لیے یہ کوئی غیر ضروری چکر نہیں، بلکہ مفت بچت اور خطرے میں کمی کا ذریعہ ہے۔ ختم کیے گئے مراحل کو خودکار بنانے پر کوئی خرچ نہیں آتا، ان کے لیے ماڈل کی دیکھ بھال درکار نہیں ہوتی، وہ ناکامی کے نئے امکانات پیدا نہیں کرتے اور ان سے فائدہ فوراً ملنا شروع ہو جاتا ہے۔ عمل پر کام کرنے سے ایک اور فائدہ بھی حاصل ہوتا ہے: ناپا ہوا بنیادی معیار۔ MIT NANDA کی رپورٹ کے نمایاں نتائج میں سے ایک یہ تھا کہ GenAI کے زیادہ تر آزمائشی منصوبے نفع و نقصان پر کوئی قابلِ پیمائش اثر نہیں دکھا سکے [2]—لیکن اثر تبھی ناپا جا سکتا ہے جب آغاز کی معلوم حالت موجود ہو۔ آپٹیمائزیشن کیے گئے عمل کے ساتھ دستاویزی دورانیۂ کار، غلطیوں کی شرح اور ہر لین دین کی لاگت موجود ہوتی ہے؛ اس کے بعد نافذ ہونے والی مصنوعی ذہانت کو اپنے منافعِ سرمایہ کاری کا ثبوت دینے کی صلاحیت بلا معاوضہ مل جاتی ہے۔

 

وجہ 5: مصنوعی ذہانت کی قدر تنظیمی تبدیلی سے حاصل ہوتی ہے، سافٹ ویئر نصب کرنے سے نہیں

آخر میں، مصنوعی ذہانت کی قدر کے اصل ذرائع سے متعلق تحقیق ایک ایسی حقیقت پر متفق ہے جو ٹول کو پہلے رکھنے والی حکمتِ عملیوں کے لیے شاید خوش گوار نہ ہو: قدر کاروباری عملوں کی سطح پر پیدا ہوتی ہے اور صرف اسی وقت جب تنظیم ٹیکنالوجی کے مطابق خود کو بدلتی ہے۔ مصنوعی ذہانت اور کاروباری قدر پر لٹریچر کے ایک منظم جائزے میں بتایا گیا کہ ابتدائی اثرات عملوں کی افادیت اور ان کے اندر بہتر فیصلوں کی صورت میں سامنے آتے ہیں—اور ان سے فائدہ حاصل کرنا ماڈل کی پیچیدگی کے بجائے تنظیمی سہولت کاروں اور سوچے سمجھے کاروباری عمل کی تبدیلی پر منحصر ہے [17]۔ مصنوعی ذہانت اپنانے والی تنظیموں کے انٹرویوز پر مبنی مطالعات میں بھی تنظیمی تیاری—حکمتِ عملی سے ہم آہنگی، ڈیٹا کا معیار اور گورننس، عمل سے متعلق مہارت اور ثقافت—کو ایسی شرط قرار دیا گیا ہے جس کا جائزہ اختیار کرنے کے فیصلوں سے پہلے لیا جانا چاہیے، بعد میں معلوم نہیں کرنا چاہیے [18]۔

عملی تحقیق بھی اس کی تائید کرتی ہے۔ Harvard Business Review میں لکھتے ہوئے McKinsey کے رہنماؤں نے بتایا کہ مصنوعی ذہانت کو بڑے پیمانے پر اپنانے کی سب سے بڑی رکاوٹیں تکنیکی نہیں بلکہ ثقافتی اور تنظیمی ہیں، اور کامیابی کے لیے کام کے بہاؤ کو ازسرِنو ترتیب دینا اور مصنوعی ذہانت کے اقدامات کو کاروبار کی قیادت میں ہونے والی عمل کی تبدیلی کے طور پر چلانا ضروری ہے—نہ کہ آئی ٹی کی تنصیبات کے طور پر [19]۔ اسی طرح، MIT Sloan/BCG کے عالمی مطالعے میں مصنوعی ذہانت سے حقیقتاً قدر حاصل کرنے والی کمپنیوں کی نمایاں خصوصیت یہ تھی کہ انہوں نے ٹیکنالوجی کو حکمتِ عملی سمجھنے کے بجائے حکمتِ عملی، تنظیمی تبدیلی اور ٹیکنالوجی کو یکجا کیا [5]۔

عمل کا تجزیہ اور آپٹیمائزیشن اسی تنظیمی کام کا نام ہے، جب اسے درست ترتیب سے انجام دیا جائے۔ یہ قیادت کو اس بات پر متفق کرتا ہے کہ کون سے مسائل اہم ہیں (یوں RAND میں ناکامی کی سب سے بڑی وجہ کا سدباب ہوتا ہے [1])، کام کے بہاؤ کو ازسرِنو ترتیب دینے کے لیے درکار عمل کی سمجھ پیدا کرتا ہے، اور ایسے مستحکم، معیاری آپریشنز بناتا ہے جن میں مصنوعی ذہانت اعتماد کے ساتھ نافذ کی جا سکتی ہے۔

 

Mourinho Solutions آپ کے لیے ”عمل پہلے“ کا طریقہ لاتا ہے

مذکورہ وجوہات میں سے کوئی بھی اس بات کی حمایت نہیں کرتی کہ کسی کو ماڈل تک رسائی دینے سے پہلے برسوں تجزیہ کیا جائے۔ دلیل ایک مختصر، منظم ترتیب کے حق میں ہے—بنیادی طور پر BPM کے دورانیے کا ابتدائی نصف [14]—جسے سہ ماہیوں کے بجائے ہفتوں میں مکمل کیا جائے اور اس AI پروگرام کے دائرۂ کار کے مطابق رکھا جائے جس سے پہلے یہ عمل انجام پائے گا۔

Mourinho Solutions کا مشاورتی طریقۂ کار آپ کی ضروریات کے مطابق تیار کیا گیا ہے، جدید ترین علم اور برسوں کے تجربے پر مبنی ہے، اور آپ کی تنظیم کو BPM کے پورے دورانیے سے مرحلہ وار گزارتا ہے تاکہ آپ اپنی سرمایہ کاری سے زیادہ سے زیادہ منافع حاصل کریں۔

ایک ایسا اثر بھی ہے جو وقت کے ساتھ بڑھتا جاتا ہے اور جس کا ذکر ضروری ہے۔ کامیاب اقلیت میں شامل تنظیموں—MIT کے 5% اور MIT Sloan/BCG مطالعات کے ”سرخیلوں“—نے صرف ناکامی سے گریز نہیں کیا؛ انہوں نے ایسی تنظیمی صلاحیت پیدا کی جس کے باعث مصنوعی ذہانت کا ہر اگلا نفاذ پچھلے سے سستا اور تیز تر ہوتا گیا [5]، [2]۔ عمل کی وضاحت، ڈیٹا کے صاف بہاؤ اور پیمائش کا نظم بنیادی ڈھانچہ ہیں۔ وقت کے ساتھ ان کی قدر بڑھتی ہے۔

 

نتیجہ: AI کے لیے تیار ہونا، عمل کے لیے تیار ہونے کا نام ہے

AI نافذ کرنے کی جلدبازی میں عمل کے تجزیے کو تاخیر سمجھا جاتا ہے۔ شواہد اس کے برعکس بتاتے ہیں: یہ خطرات کم کرنے کا سب سے مؤثر ذریعہ ہے، جو AI کی ناکامی کی دستاویزی بنیادی وجوہات—غلط مسئلہ، ناقص ڈیٹا، غیر مربوط ورک فلو—کو اس سے پہلے دور کرتا ہے کہ وہ بڑھتے بڑھتے کسی ترک شدہ پائلٹ منصوبے کا سبب بن جائیں۔ ناقص عمل کو جوں کا توں خودکار بنانا تقریباً کوئی قدر پیدا نہیں کرے گا—بلکہ حقیقتاً قدر میں کمی بھی لا سکتا ہے۔ پینتیس سال کی تحقیق، کاروباری عمل کی ازسرنو تشکیل [6] سے لے کر تکمیلیت کی معاشیات [7]، [8] اور AI کے حالیہ ناکامی کے تجزیوں [1]، [2] تک، ایک ہی مستقل بات بتاتی ہے: ٹیکنالوجی اس تنظیم کے اثر کو کئی گنا بڑھا دیتی ہے جس میں اسے شامل کیا جاتا ہے۔ پہلے تنظیم کو بہتر بنائیں، تو AI ایسی چیز کے اثر کو بڑھائے گا جسے بڑھانا واقعی فائدہ مند ہو۔

لہٰذا قیادت کی ٹیموں کے لیے سوال یہ نہیں کہ “ہم کتنی تیزی سے AI نافذ کر سکتے ہیں؟” بلکہ یہ ہے کہ “ہمارے کون سے عمل، جب سمجھ اور بہتر بنا لیے جائیں، تو AI ان میں حقیقی تبدیلی لا سکتا ہے؟” اس سوال کا جواب اسی ترتیب سے دینا ہی 5% کو 95% سے ممتاز کرتا ہے۔

Mourinho Solutions یقینی بناتا ہے کہ آپ کی تنظیم ان 5% میں شامل ہو۔

---

Mourinho Solutions میں ہم اسی ترتیب سے کام کرتے ہیں۔ ہم تنظیموں کو ان کے عمل کی نقشہ بندی اور تجزیہ کرنے، قابلِ پیمائش فوائد کے لیے انہیں بہتر بنانے، اور پھر صرف وہاں AI تیار اور نافذ کرنے میں مدد دیتے ہیں جہاں اس کے فائدہ مند ہونے کا واضح ثبوت ہو۔ اگر آپ کی کمپنی AI اقدام کی منصوبہ بندی کر رہی ہے، تو اپنے عمل کے بارے میں گفتگو سے آغاز کریں—عمل کے جائزے کے لیے ہم سے رابطہ کریں۔

 

 

حوالہ جات

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, مصنوعی ذہانت کے منصوبوں کی ناکامی کی بنیادی وجوہات اور ان کی کامیابی کے طریقے: AI کے ناکامی کے نمونوں سے بچاؤ۔ Santa Monica, CA, USA: RAND Corporation, 2024. [آن لائن]. دستیاب: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “جنریٹو AI کی تقسیم: کاروبار میں AI کی صورتِ حال 2025،” MIT NANDA, Cambridge, MA, USA, 2025. [آن لائن]. دستیاب: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “انٹرپرائز کی آواز: AI اور مشین لرننگ” سروے، 2025؛ نتائج “AI منصوبوں کی ناکامی کی شرح بڑھ رہی ہے: رپورٹ،” CIO Dive، مارچ 2025 میں رپورٹ کیے گئے۔ [آن لائن]. دستیاب: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner کی پیش گوئی: 2025 کے آخر تک جنریٹو AI کے 30% منصوبے تصور کے ثبوت کے بعد ترک کر دیے جائیں گے،” پریس ریلیز، 29 جولائی 2024۔ [آن لائن]. دستیاب: 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 کے ذریعے کامیابی،” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, تحقیقی رپورٹ، 2019۔ [آن لائن]. دستیاب: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “کام کی ازسرنو تشکیل: خودکار نہ بنائیں، یکسر بدل دیں،” Harvard Business Review، جلد 68، شمارہ 4، صفحات 104–112، جولائی–اگست 1990۔ [آن لائن]. دستیاب: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “حساب کتاب سے آگے: انفارمیشن ٹیکنالوجی، تنظیمی تبدیلی اور کاروباری کارکردگی،” Journal of Economic Perspectives، جلد 14، شمارہ 4، صفحات 23–48، 2000، doi: 10.1257/jep.14.4.23۔

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “پیداواری صلاحیت کا J-curve: غیر مادی اثاثے عمومی مقاصد کی ٹیکنالوجیز کی تکمیل کیسے کرتے ہیں،” American Economic Journal: Macroeconomics، جلد 13، شمارہ 1، صفحات 333–372، جنوری 2021، doi: 10.1257/mac.20180386۔

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “روبوٹک عمل کی خودکاری،” Business & Information Systems Engineering، جلد 60، شمارہ 4، صفحات 269–272، 2018، doi: 10.1007/s12599-018-0542-4۔

[10] R. Syed et al., “روبوٹک عمل کی خودکاری: عصری موضوعات اور چیلنجز،” Computers in Industry، جلد 115، مضمون نمبر 103162، فروری 2020، doi: 10.1016/j.compind.2019.103162۔

[11] T. Nagle, T. C. Redman, and D. Sammon, “صرف 3% کمپنیوں کا ڈیٹا بنیادی معیار کے معیارات پر پورا اترتا ہے،” Harvard Business Review، 11 ستمبر 2017۔ [آن لائن]. دستیاب: 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, “’ہر کوئی ماڈل پر کام کرنا چاہتا ہے، ڈیٹا پر نہیں‘: اعلیٰ داؤ والے AI میں ڈیٹا کے مسائل کا پھیلاؤ،” Proc. 2021 CHI Conference on Human Factors in Computing Systems (CHI ’21)، Yokohama, Japan، 2021، مضمون نمبر 39، doi: 10.1145/3411764.3445518۔

[13] T. H. Davenport and R. Ronanki, “حقیقی دنیا کے لیے مصنوعی ذہانت،” Harvard Business Review، جلد 96، شمارہ 1، صفحات 108–116، جنوری–فروری 2018۔ [آن لائن]. دستیاب: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, کاروباری عمل کے انتظام کے بنیادی اصول، دوسرا ایڈیشن۔ Berlin, Germany: Springer, 2018، doi: 10.1007/978-3-662-56509-4۔

[15] W. M. P. van der Aalst, عمل کی مائننگ: عملی اطلاق میں ڈیٹا سائنس، دوسرا ایڈیشن۔ Berlin, Germany: Springer, 2016، doi: 10.1007/978-3-662-49851-4۔

[16] M. C. Lacity and L. P. Willcocks, “Telefónica O2 میں روبوٹک عمل کی خودکاری،” MIS Quarterly Executive، جلد 15، شمارہ 1، صفحات 21–35، مارچ 2016۔ [آن لائن]. دستیاب: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “مصنوعی ذہانت اور کاروباری قدر: ادب کا جائزہ،” Information Systems Frontiers، جلد 24، شمارہ 5، صفحات 1709–1734، 2022، doi: 10.1007/s10796-021-10186-w۔

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “تیار ہوں یا نہ ہوں، AI آ رہی ہے—تنظیمی AI تیاری کے عوامل پر انٹرویو مطالعہ،” Business & Information Systems Engineering، جلد 63، شمارہ 1، صفحات 5–20، 2021، doi: 10.1007/s12599-020-00676-7۔

[19] T. Fountaine, B. McCarthy, and T. Saleh, “AI سے چلنے والی تنظیم کی تعمیر،” Harvard Business Review، جلد 97، شمارہ 4، صفحات 62–73، جولائی–اگست 2019۔ [آن لائن]. دستیاب: https://hbr.org/2019/07/building-the-ai-powered-organization