कृत्रिम बुद्धिमत्तेच्या (artificial intelligence) वेगाने झालेल्या विकासामुळे विविध उद्योगांमध्ये अनेक प्रयोग झाले आहेत. तरीही, बर्‍याच कंपन्यांना "प्रूफ-ऑफ-संकल्पना थकवा" (proof-of-concept fatigue) येत आहे, जिथे सुरुवातीचे प्रयत्न ठोस व्यावसायिक मूल्यात रूपांतरित होत नाहीत. कोहेअरचे (Cohere) सह-संस्थापक इवान झांग (Ivan Zhang) यांनी अलीकडेच झालेल्या वेब समिटमध्ये (Web Summit) या वाढत्या निराशेला संबोधित केले. कोहेअर ही एक मोठी एंटरप्राइझ लार्ज लँग्वेज मॉडेल (LLM) कंपनी आहे. त्यांनी संभाव्य ग्राहकांना एआयवर (AI) विश्वास ठेवण्याचे आवाहन केले आणि गुंतवणुकीवरील परताव्यावर (return on investment - ROI) लक्ष केंद्रित करण्याची गरज आहे यावर जोर दिला.
प्रूफ-ऑफ-संकल्पना (Proof-of-Concept) मधील अडचणी
झांग यांनी अशा उद्योगांमधील निराशेवर प्रकाश टाकला ज्यांनी एआय पायलटमध्ये (AI pilots) भरपूर गुंतवणूक केली आहे, पण त्यांना अपेक्षित फायदा दिसला नाही. त्यांनी मान्य केले की अनेक कोहेअरच्या (Cohere) क्लायंट्सनी (clients) सुरुवातीचे ॲप्लिकेशन्स (applications) तयार करूनही खर्च, व्यवस्थापन, डेटा सुरक्षा आणि गोपनीयतेमुळे त्यांना उत्पादनात आणण्यासाठी संघर्ष करावा लागला. हे एक व्यापक चित्र आहे, जिथे एआयचे (AI) वचन अंमलबजावणीच्या व्यावहारिकतेशी जुळत नाही.
खर्च, नियामक पालन, डेटा संरक्षण आणि गोपनीयता प्रोटोकॉलच्या समस्या कोहेअरने (Cohere) नॉर्थ (North) नावाच्याworkspace platform द्वारे सोडवण्याची अपेक्षा आहे, असे त्यांनी सांगितले.
गुंतवणुकीवरील परतावा (ROI) आवश्यक
एका मुलाखतीत, झांग यांनी यावर जोर दिला की एआयचा (AI) अवलंब गुंतवणुकीवरील परताव्यावर (ROI) आधारित असणे आवश्यक आहे. कंपन्यांना त्यांच्या एआय (AI) गुंतवणुकीसाठी स्पष्ट आर्थिक औचित्य (financial justification) दिसणे आवश्यक आहे, जेणेकरून खर्चापेक्षा जास्त फायदा होईल. त्यांनी असा इशारा दिला की काही एआय (AI) प्रणाली चालवण्यास इतक्या महागड्या आहेत की कार्ये स्वयंचलित (Automated) केल्याने होणारी संभाव्य खर्च बचतही त्यामुळे निष्फळ ठरते.
ते म्हणाले, "कधीकधी ते जी प्रणाली तयार करतात, त्या मॉडेलची किंमत (cost of the model) त्यास चालवणाऱ्या माणसांपेक्षा जास्त असते."
एआय (AI) अंमलबजावणीमध्ये (implementations) सुधारणा आहे की नाही, या प्रश्नाचे उत्तर देणे आवश्यक आहे. अनेक एआय (AI) कंपन्यांनी असे प्रोजेक्ट्स (projects) घेतले जे कधीच पूर्ण झाले नाहीत आणि त्यामुळे कंपन्यांमध्ये अविश्वास निर्माण झाला, तो दूर करणे आवश्यक आहे.
एआय संवर्धन (AI Augmentation) विरुद्ध उत्पादकता (Productivity)
झांग यांनी असेही निदर्शनास आणले की काही कंपन्यांनी एआयच्या (AI) मदतीने कर्मचाऱ्यांची संख्या वाढवण्याचा प्रयत्न केला, पण त्यांना उत्पादकतेत (productivity) कोणताही सुधार दिसून आला नाही. काही प्रकरणांमध्ये, कर्मचाऱ्यांनी फक्त त्यांचे कामाचे ओझे कमी केले, त्यामुळे एआयचा (AI) कोणताही फायदा झाला नाही. हे दर्शवते की एआयला (AI) सध्याच्या कार्यप्रणालीमध्ये (workflows) कसे समाकलित केले जाते, याचा काळजीपूर्वक विचार करणे महत्त्वाचे आहे.
सुरुवातीच्या अडचणींवर मात करणे
झांग यांचा अंदाज आहे की ज्या कंपन्यांचे प्रोजेक्ट्स (projects) अयशस्वी झाले आहेत, त्यांना परत जिंकण्याचे काम आता एआय (AI) स्टार्टअप्सना (startups) करावे लागेल. ते म्हणतात, "या तंत्रज्ञानासाठी आता ‘गुंतवणुकीवरील परतावा (ROI) कुठे आहे?’ यावर लक्ष केंद्रित करावे लागेल.” त्यांचा विश्वास आहे की एआय (AI) कंपन्यांना त्यांच्या सोल्यूशन्सचे (solutions) मूर्त मूल्य (tangible value) दर्शवून आणि मोजता येण्याजोगे (measurable) परिणाम देऊन पुन्हा विश्वास निर्माण करावा लागेल.
संशोधन समुदायाकडून (Research Community) प्रतिध्वनी
नॅशनल ब्यूरो ऑफ इकोनॉमिक रिसर्चसारख्या (National Bureau of Economic Research) संस्थांच्या संशोधनातून झांग यांच्या निरीक्षणांना समर्थन मिळाले आहे. त्यांनी एआय (AI) चॅटबॉट्स (chatbots) वापरणाऱ्या ७,००० कार्यस्थळांचे सर्वेक्षण केले आणि असे आढळले की "कोणत्याही व्यवसायात कमाई किंवा नोंदवलेल्या तासांवर लक्षणीय परिणाम झाला नाही." त्याचप्रमाणे, बोस्टन कंसल्टिंग ग्रुपच्या (Boston Consulting Group) अभ्यासात असे दिसून आले आहे की केवळ एक चतुर्थांश (quarter) अधिकाऱ्यांनी एआय (AI) पासून महत्त्वपूर्ण फायदा पाहिला आहे, हे सूचित करते की कंपन्या अनेकदा त्यांची गुंतवणूक अनेक पायलटमध्ये (pilots) विखुरलेली असते.
आकर्षक सोल्यूशन्सऐवजी (Solutions) व्यावसायिक समस्यांना प्राधान्य
एलएलएमचा (LLMs) विचार करणाऱ्या कंपन्यांना झांग यांचा सल्ला आहे की स्पष्ट उपयोगाशिवाय विस्तृत सोल्यूशन्स (solutions) तयार करण्याऐवजी विशिष्ट व्यावसायिक समस्यांवर लक्ष केंद्रित करा. त्यांनी "काहीतरी तयार करण्यात आणि नंतर समस्या शोधण्यात वेळ वाया घालवू नका" असा इशारा दिला. एआय (AI) गुंतवणुकीला धोरणात्मक व्यावसायिक ध्येयांशी (strategic business goals) जोडणे महत्त्वाचे आहे, यावर त्यांनी भर दिला.
एआय (AI) हे toolbox मधील एक Tool आहे
झांग यांनी असा युक्तिवाद केला की एआयला (AI) व्यावसायिक समस्या सोडवण्यासाठी आणि ग्राहकांसाठी मूल्य निर्माण करण्यासाठी toolbox मधील फक्त एक Tool म्हणून पाहिले पाहिजे. या तंत्रज्ञानामध्ये जगातील सर्व समस्या सोडवण्याची क्षमता आहे, असा अतिशयोक्तीपूर्ण दृष्टिकोन ठेवण्याबद्दल त्यांनी सावध केले. इतर सोल्यूशन्सच्या (solutions) संयोगाने धोरणात्मक (strategically) पद्धतीने वापर केल्यास ते अधिक प्रभावी ठरते, असे ते म्हणाले.
Hallucination चे आव्हान
एआयने (AI) लक्षणीय प्रगती केली असली तरी, "Hallucinations" च्या क्षेत्रात अजूनही काही आव्हानं आहेत. Hallucinations म्हणजे एलएलएम (LLMs) चुकीची माहिती तयार करतात. या क्षेत्रात प्रगती झाली असली तरी, एलएलएमच्या (LLMs) Hallucinations चा दर अजूनही खूप जास्त आहे. आघाडीच्या कंपन्यांच्या नवीनतम मॉडेल्समध्येही (models) त्रुटी आढळतात. या समस्येमुळे एआय (AI) मॉडेल्स (models) निष्कर्षांवर कसे पोहोचतात याबद्दल वापरकर्त्यांना माहिती देणे आवश्यक आहे.
सह-संस्थापकांनी अनेक व्यावसायिकांना सांगितले की जनरेटिव्ह्ह एआयमध्ये (generative AI) Hallucination अजूनही एक समस्या आहे. त्यांनी सांगितले की कंपनीने पारदर्शक राहून मदत करण्याचा प्रयत्न केला आहे. वापरकर्त्यांना एलएलएमचे (LLMs) "raw thinking" आणि त्यांची सिस्टीम (system) कोणती Tools वापरते, तसेच उत्तरे कशी मिळवतात हे दाखवले आहे.
स्पर्धात्मक वातावरण (Competitive Landscape)
कोहेअरला (Cohere) एआय (AI) क्षेत्रात चांगल्या निधी असलेल्या प्रतिस्पर्धकांकडून (rivals) मोठी स्पर्धा आहे. तरीही, झांग यांचा विश्वास आहे की खर्च-प्रभावी (cost-effective) आणि ऊर्जा-कार्यक्षम (energy-efficient) एआय (AI) मॉडेल्स (models) तयार करण्यासाठी मोठे असणे नेहमीच चांगले नसते. तो म्हणाला, एक मॉडेल (model) "डेटा आणि सिस्टीम्सपर्यंत (systems) पोहोचू शकते तितकेच चांगले असते." ग्राहकांच्या वातावरणात पूर्णपणे चालवता येतील अशा सोल्यूशन्स (solutions) तयार करण्यावर त्याने भर दिला. झांग यांनी कोहेअरच्या (Cohere) "तीव्र वाढी" चा उल्लेख केला आणि ते म्हणाले की "अपेक्षाकृत नवजात" स्वरूपामुळे कंपनीला विस्तार करण्यासाठी भरपूर वाव आहे.
महसूल वाढ आणि आव्हाने (Revenue Growth and Challenges)
कोहेअरच्या (Cohere) वाढीवर अलीकडेच टेक मीडियाने (tech media) लक्ष केंद्रित केले आहे. कोहेअरने (Cohere) या महिन्यात $100 million USD ($138 million CAD) वार्षिक महसूल गाठला आहे, 2025 च्या सुरुवातीपासून त्यांची विक्री दुप्पट झाली आहे. सीईओ (CEO) एडन गोमेझ (Aidan Gomez) यांनी ब्लूमबर्गला (Bloomberg) सांगितले की कंपनी नफ्यापासून “फार दूर नाही.” पण द इन्फॉर्मेशनने (The Information) नोंदवले आहे की 2023 मध्ये कोहेअरने (Cohere) गुंतवणूकदारांना (investors) सांगितले होते की यावर्षी त्यांची वार्षिक कमाई $350-million USD ने कमी आहे. महसूल लक्ष्य आणि stiff competition हीच एकमेव आव्हानं नाहीत, ज्यांचा सामना कोहेअरला (Cohere) करावा लागेल.
कॉपीराइट उल्लंघनाचा खटला (Copyright Infringement Lawsuit)
एआय (AI) स्टार्टअपवर (startup) प्रमुख मीडिया कंपन्यांनी (media companies) कॉपीराइट उल्लंघनाचा (copyright infringement) खटला दाखल केला आहे, ज्याला एका तज्ञांनी संभाव्य "नजीर" म्हटले आहे. टोरंटो स्टार (Toronto Star), कॉन्डे नास्ट (Condé Nast) आणि व्हॉक्स (Vox) यांसारख्या मीडिया संस्थांच्या (media organizations) एका गटाने असा आरोप केला आहे की कोहेअरने (Cohere) परवानगीशिवाय मीडिया कंटेंट (media content) काढला आणि त्याचा उपयोग एआय (AI) मॉडेल्सना (models) प्रशिक्षण देण्यासाठी केला. परवानगीशिवाय रिअल टाइममध्ये (real time) कंटेंट ॲक्सेस (content access) केला आणि उल्लंघन करणारे आउटपुट (outputs) तयार केले. कोहेअर (Cohere) अशा अनेक एआय (AI) स्टार्टअप्सपैकी (startups) एक आहे ज्यांना अशाच खटल्यांचा सामना करावा लागत आहे. कोहेअरने (Cohere) हे दावे फेटाळले आहेत आणि असा युक्तिवाद केला आहे की खटला दाखल करणाऱ्या प्रकाशकांनी (publishers) स्वतःहून खटला "तयार" केला आहे आणि कोणताही व्यावहारिक कॉपीराइटचे (copyright) उल्लंघन झाले नाही.
झांग यांनी या प्रकरणावर जास्त भाष्य करण्यास नकार दिला आणि बीटाकिटला (BetaKit) कोहेअरच्या (Cohere) विचारांचे तपशीलवार वर्णन करणारी ब्लॉग पोस्ट (blog post) पाहण्यास सांगितले. ते म्हणाले, "आम्हाला त्यावर विश्वास आहे."
एआय अंमलबजावणी (AI Implementation) मधील आव्हानांचा सखोल अभ्यास
सुरुवातीला अनेक व्यवसाय मोठ्या उत्साहाने एआय (AI) उपक्रमांमध्ये (initiatives) उतरतात. एआय (AI) त्यांच्या operations मध्ये क्रांती घडवेल आणि पूर्वी कधीही न पाहिलेली कार्यक्षमता निर्माण करेल, असा त्यांचा विश्वास असतो. पण त्यांना अनेक अनपेक्षित आव्हानांचा सामना करावा लागतो. तांत्रिक (technical) अडचणींपासून ते संस्थात्मक (organizational) विरोधापर्यंत अनेक रूपं या अडचणींना असू शकतात. एआय (AI) यशस्वीपणे implement करण्यासाठी आणि त्यांच्या गुंतवणुकीवर सकारात्मक परतावा मिळवण्यासाठी या आव्हानांना समजून घेणे आवश्यक आहे.
तांत्रिक (Technical) अडचणी आणि डेटा आवश्यकता
व्यवसायांना वारंवार येणाऱ्या अडचणींपैकी एक म्हणजे एआय (AI) सिस्टीमची (system) तांत्रिक (technical) गुंतागुंत. एआय (AI) मॉडेल्स (models), विशेषत: डीप लर्निंगवर (deep learning) आधारित मॉडेल्सना (models) तयार करण्यासाठी, प्रशिक्षित (train) करण्यासाठी आणि तैनात (deploy) करण्यासाठी विशेष ज्ञानाची आणि computational power ची आवश्यकता असते. डेटाची (data) गुणवत्ता आणि प्रमाण यांचा एआय (AI) मॉडेल्सच्या (models) कामगिरीवर मोठा परिणाम होतो. डेटा (data) गोळा करणे आणि तयार करणे ही वेळखाऊ आणि संसाधनांची मागणी करणारी प्रक्रिया असू शकते. उच्च-गुणवत्तेच्या, लेबल असलेल्या डेटाचा (data) अभाव एआय (AI) प्रोजेक्ट्सना (projects) बाधित करू शकतो, ज्यामुळे चुकीचे किंवा पूर्वग्रहदूषित (prejudiced) मॉडेल्स (models) तयार होतात.
शिवाय, सध्याच्या आयटी इन्फ्रास्ट्रक्चरमध्ये (IT infrastructure) एआय (AI) सिस्टीमची (system) interoperability सुनिश्चित करणे अधिक गुंतागुंतीचे आहे. भिन्न एआय (AI) प्लॅटफॉर्म (platform) आणि फ्रेमवर्क (framework) जुन्या सिस्टीमशी (system) सुसंगत (compatible) नसतील, त्यामुळे सध्याच्या कार्यप्रणालीमध्ये (workflows) आणि architectures मध्ये महत्त्वपूर्ण बदल करावे लागतील. एआयला (AI) गुंतागुंतीच्या organizational environments मध्ये समाकलित (integrate) करण्यासाठी मोठ्या अनुभवाची आणि एआय (AI) तंत्रज्ञान आणि underlying commercial operations या दोहोंची मजबूत समज असणे आवश्यक आहे.
संस्थात्मक (Organizational) आणि सांस्कृतिक (Cultural) अडथळे
तांत्रिक (technical) अडचणींव्यतिरिक्त, संघटनांना एआय (AI) स्वीकारताना संस्थात्मक (organizational) आणि सांस्कृतिक (cultural) अडथळ्यांचा सामना करावा लागू शकतो. एक सामान्य समस्या म्हणजे एआय-चालित (AI-driven) बदलांना स्वीकारण्यास कर्मचाऱ्यांची अनिच्छा. नोकरी जाण्याची भीती तसेच नवीन कौशल्ये शिकण्याची आणि नवीन कार्यपद्धतीशी जुळवून घेण्याची गरज यामुळे कर्मचारी चिंतेत असू शकतात. कर्मचाऱ्यांचा विरोध एआय (AI) उपक्रमांना (initiatives) रोखू शकतो आणि अपेक्षित फायदे मिळवण्यात अडथळा आणू शकतो.
शिवाय, एआय (AI) deployment साठी विभाग आणि टीम (team) यांच्यात सहकार्याची आवश्यकता असते. डेटा सायंटिस्ट्स (data scientists), आयटी प्रोफेशनल (IT professional), बिझनेस ॲनालिस्ट (business analyst) आणि तज्ञांनी समस्या define करण्यासाठी, एआय सोल्यूशन्स (AI solutions) तयार करण्यासाठी आणि त्यांना उत्पादनात deploy करण्यासाठी collaborate करणे आवश्यक आहे. silos आणि lack of communication सहकार्याला दाबून ठेवू शकतात आणि commercial operations मध्ये एआयचे (AI) effective integration करण्यात अडथळा आणू शकतात. या organizational आणि cultural अडथळ्यांवर मात करण्यासाठी strong leadership, effective communication आणि change management साठी dedication आवश्यक आहे.
नैतिक (Ethical) आणि प्रशासकीय (Governance) चिंता
एआय (AI) अधिकाधिक widespread होत असताना, ethical आणि governance issues अधिकाधिक महत्त्वाचे होत आहेत. एआय (AI) सिस्टीम्समध्ये (systems) prejudices टिकवून ठेवण्याची, अन्यायकारक judgments देण्याची आणि लोकांच्या गोपनीयतेचे उल्लंघन करण्याची क्षमता आहे. Organization नी एआय (AI) डिझाइन (design), डेव्हलपमेंट (development) आणि deployment साठी robust ethical guidelines आणि governance procedures विकसित करून या चिंतेचे निराकरण केले पाहिजे. Transparency, accountability आणि fairness हे responsible AI साठी महत्त्वाचे principles आहेत.
डेटा गोपनीयता (data privacy) हा विचार करण्यासारखा महत्त्वाचा मुद्दा आहे. एआय (AI) सिस्टीम्स (systems) तयार करताना डेटा गोपनीयतेच्या (data privacy) नियमांचे पालन केले पाहिजे, तसेच संवेदनशील माहिती unwanted access किंवा abuse पासून protect करण्यासाठी safeguards measures घेतल्या पाहिजेत. Organization नी डेटा (data) collection आणि usage साठी user consent घेणे आवश्यक आहे, तसेच एआय (AI) मॉडेल्स (models) choices कशी करत आहेत याबद्दल transparency provide करणे आवश्यक आहे. Furthermore, organization कडे एआय (AI) सिस्टीमचे (system) monitoring आणि auditing करण्यासाठी mechanisms असाव्यात, जेणेकरून ethical धोके किंवा unwelcome consequences शोधता येतील आणि कमी करता येतील.
ROI मोजणे आणि दर्शवणे
अखेरीस, कोणत्याही एआय (AI) प्रोजेक्टचे (project) यश त्याच्या गुंतवणुकीवर (ROI) एक quantifiable परतावा (return) तयार करण्याच्या क्षमतेवर अवलंबून असते. तथापि, एआय (AI) प्रोजेक्ट्सचा (projects) ROI निर्धारित करणे कठीण असू शकते, विशेषत: जेव्हा फायदे intangible किंवा long-term असतात. Organization नी त्यांच्या एआय (AI) initiatives साठी clear goals आणि indicators establish केले पाहिजेत, तसेच progress track केला पाहिजे आणि regularly results measure केले पाहिजे. यासाठी एआयने (AI) business value काय deliver करणे अपेक्षित आहे आणि ते value achieve करण्यासाठी necessary resources काय आहेत, याची thorough grasp असणे आवश्यक आहे.
Furthermore, एआयचे (AI) फायदे stakeholders पर्यंत communicate करणे, सपोर्ट मिळवण्यासाठी आणि एआय (AI) गुंतवणुकीमध्ये confidence establish करण्यासाठी critically महत्त्वाचे आहे. यामध्ये use cases introduce करणे, early triumphs showcase करणे आणि essential business indicators वरील एआयचा (AI) impact quantify करणे समाविष्ट असू शकते. एआयचा (AI) ROI successfully quantify आणि show करण्यासाठी, businesses नी performance measure करण्यासाठी एक defined framework तयार करणे आवश्यक आहे आणि stakeholders पर्यंत value proposition clearly express करणे आवश्यक आहे.
एआय (AI) ॲडॉप्शनचे (Adoption) भविष्यः संतुलित दृष्टीकोन
इवान झांग यांचे insights एआय (AI) ॲडॉप्शनसाठी (Adoption) संतुलित दृष्टिकोन असण्याचे महत्त्व सांगतात, जो तंत्रज्ञानाची क्षमता acknowledge करतो आणि practical realities मध्ये grounded राहतो. एआय (AI) विकसित होत असताना, कंपन्यांना tangible ROI deliver करणाऱ्या, ethical concerns address करणाऱ्या आणि existing workflows मध्ये seamlessly integrate होणाऱ्या सोल्यूशन्स (solutions) तयार करण्यावर लक्ष केंद्रित करावे लागेल. आकर्षक सोल्यूशन्सऐवजी (solutions) business problems ना प्राधान्य देऊन आणि एआयला (AI) toolbox मधील एक Tool म्हणून पाहून, organization एआयची (AI) खरी क्षमता unlock करू शकतात आणि meaningful business outcomes drive करू शकतात.