മോഡലല്ല ചെലവേറിയ ഭാഗം. മിക്ക എന്റർപ്രൈസ് AI പദ്ധതികളിലും, പഴയ ഇൻഫ്രാസ്ട്രക്ചറുമായുള്ള ഇന്റഗ്രേഷൻ മൊത്തം നടപ്പാക്കൽ ചെലവിന്റെ 40–60% വരും. മിക്ക ബിസിനസ് കേസുകളും അത് ഒരിക്കലും കണക്കിൽ കൂട്ടുന്നില്ല.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
എല്ലാ എന്റർപ്രൈസ് AI വെണ്ടറും തങ്ങളുടെ ഉൽപ്പന്നം കാണിക്കുന്നത് വൃത്തിയുള്ള ഒരു ചുറ്റുപാടിലാണ്. ഡാറ്റ ഘടനയുള്ളതാണ്, API-കൾ നന്നായി രേഖപ്പെടുത്തിയിട്ടുണ്ട്, അവരുടെ മോഡൽ ഉണ്ടാക്കുന്ന തരം ഇൻപുട്ട് കൃത്യമായി സ്വീകരിക്കാൻ പാകത്തിലാണ് സിസ്റ്റം പണിതിരിക്കുന്നത്. ഇതിൽ ചതിയൊന്നുമില്ല; ഒരു ഉൽപ്പന്നം കാണിക്കാൻ യുക്തിപരമായ ഏക വഴി വൃത്തിയുള്ള ഒരു ചുറ്റുപാടാണ്. അതേസമയം, ഉൽപ്പന്നം യഥാർഥത്തിൽ പ്രവർത്തിക്കാൻ പോകുന്ന ചുറ്റുപാടിനെ അത് തീരെ പ്രതിനിധീകരിക്കുന്നുമില്ല.
യഥാർഥത്തിൽ അത് പ്രവർത്തിക്കേണ്ട ചുറ്റുപാട് പതിറ്റാണ്ടുകൾ കൊണ്ട്, വ്യത്യസ്ത ടീമുകൾ, വ്യത്യസ്ത സാങ്കേതിക അടിത്തറകൾക്കു മുകളിൽ പണിതതാണ്. അത് പണിയുന്ന കാലത്ത് നിലവിലില്ലാതിരുന്ന ഒന്നുമായി ബന്ധിപ്പിക്കാൻ അത് ഒരിക്കലും രൂപകൽപ്പന ചെയ്തിട്ടില്ല. ആ ചുറ്റുപാടിൽ AI വിശ്വസനീയമായി പ്രവർത്തിപ്പിക്കുക എന്നത് ഒരു എൻജിനിയറിങ് പദ്ധതിയാണ്, ക്രമീകരണ ജോലിയല്ല. എന്റർപ്രൈസ് AI ബിസിനസ് കേസുകൾ കണക്കിൽപ്പെടുത്താൻ വിട്ടുപോകുന്ന ഏറ്റവും വലിയ ചെലവിനവും സ്ഥിരമായി അതുതന്നെ.
മോഡലാണ് ഏറ്റവും വില കുറഞ്ഞ ഭാഗം
AI വെണ്ടർമാരുടെ വിലനിർണയ ഘടന, പദ്ധതിച്ചെലവ് കണക്കാക്കുന്ന രീതിയിൽ സ്ഥാപനങ്ങൾക്ക് ഒരു ചിട്ടയായ വക്രത ഉണ്ടാക്കുന്നു. മോഡൽ ഇൻഫറൻസ് ചെലവുകൾ കണ്ണിൽപ്പെടുന്നതാണ്, മുൻകൂട്ടി പറയാവുന്നതാണ്, കുറഞ്ഞുവരുന്നതുമാണ്. വെണ്ടർ നിർദേശങ്ങളിൽ അവ വ്യക്തമായി കാണാം, ഭാവിയിലേക്ക് കണക്കാക്കാനും എളുപ്പമാണ്. ഒരു മോഡലിനെ അത് ആശ്രയിക്കുന്ന സിസ്റ്റങ്ങളുമായി ബന്ധിപ്പിക്കാൻ വേണ്ട എൻജിനിയറിങ് ജോലി വെണ്ടറുടെ വിലവിവരപ്പട്ടികയിൽ ഒട്ടും വരുന്നില്ല.
വലിയ എന്റർപ്രൈസ് വിന്യാസങ്ങളിലെ AI പദ്ധതികളുടെ ചെലവുഘടനയെക്കുറിച്ചുള്ള Gartner-ന്റെ വിശകലനം പറയുന്നത്, വിന്യാസം പ്രൊഡക്ഷൻ തലത്തിലെത്തിക്കഴിഞ്ഞാൽ ഇന്റഗ്രേഷനും ഡാറ്റ എൻജിനിയറിങ്ങും ചേർന്ന് മൊത്തം പദ്ധതിച്ചെലവിന്റെ 40–60% വരും എന്നാണ്. മിക്ക പദ്ധതികളിലും ഒറ്റയ്ക്കുള്ള ഏറ്റവും വലിയ ചെലവിനം ഇതാണ്. അതേസമയം മിക്ക ബിസിനസ് കേസുകളിലും, അടിസ്ഥാനമുള്ള കണക്കിനു പകരം ഒരു താൽക്കാലിക അക്കം വെച്ച് നിറയ്ക്കാൻ ഏറ്റവും സാധ്യതയുള്ള വിഭാഗവും ഇതുതന്നെ.
L.E.K. Consulting-ന്റെ 2025 Office of the CFO സർവേ കണ്ടെത്തിയത്, AI-യിൽനിന്ന് മൂല്യം നേടുന്നതിനുള്ള തടസ്സമായി ഏറ്റവുമധികം പേർ ചൂണ്ടിക്കാട്ടിയത് ഇന്റഗ്രേഷൻ പരാജയമാണ് എന്നാണ് — മോഡലിന്റെ പ്രകടനത്തെക്കാളും, ജീവനക്കാരുടെ സ്വീകാര്യതയെക്കാളും, ബജറ്റ് പരിമിതികളെക്കാളും മുന്നിൽ. സാങ്കേതികവിദ്യ പ്രവർത്തിച്ചു. ചുറ്റുമുള്ള ഇൻഫ്രാസ്ട്രക്ചർ അതിനെ താങ്ങിയില്ല.
പഴയ സിസ്റ്റങ്ങളെ എന്തുകൊണ്ട് എപ്പോഴും കുറച്ചുകാണുന്നു
മിക്ക എന്റർപ്രൈസ് കോർ സിസ്റ്റങ്ങളും പണിത എൻജിനീയർമാർ അവ പ്രവർത്തിപ്പിക്കുന്ന കമ്പനികളിൽ ഇനി ഇല്ല. ആ സിസ്റ്റങ്ങളുടെ രേഖകൾ അപൂർണമാണ്, പൊരുത്തമില്ലാത്തതാണ്, അല്ലെങ്കിൽ 2017-ൽ മാറ്റിസ്ഥാപിക്കപ്പെട്ട ഒരു പതിപ്പിനെയാണ് വിവരിക്കുന്നത്. API-കൾ ഉണ്ടെങ്കിൽത്തന്നെ, അക്കാലത്ത് നിലവിലുണ്ടായിരുന്ന ഇന്റഗ്രേഷനുകൾക്കുവേണ്ടി പണിതവയാണ്; AI ആവശ്യപ്പെടുന്ന തത്സമയ, ഉയർന്ന അളവിലുള്ള, ഘടനയുള്ള ഡാറ്റാ പ്രവേശനത്തിനുവേണ്ടിയല്ല.
AI ഇന്റഗ്രേഷൻ ജോലിക്കിടെ ഇത് ഒരു നിശ്ചിത ക്രമത്തിലുള്ള കണ്ടെത്തലുകൾ ഉണ്ടാക്കുന്നു. ആദ്യത്തേത്: AI-ക്ക് വേണ്ട ഡാറ്റ ഉണ്ട്, പക്ഷേ അതിന് വേണ്ട രൂപത്തിലല്ല. രണ്ടാമത്തേത്: ശരിയായ രൂപത്തിൽ അത് ലഭ്യമാക്കണമെങ്കിൽ, അനുപാതമില്ലാത്ത സ്ഥാപനപരമായ അപകടസാധ്യത വഹിക്കുന്ന സിസ്റ്റങ്ങളിൽ കൈവെക്കണം — കോർ ERP, സാമ്പത്തിക ലെഡ്ജറുകൾ, ഉപഭോക്തൃ രേഖകൾ — അവിടെ മാറ്റം കൈകാര്യം ചെയ്യുന്ന സമയക്രമം സ്പ്രിന്റുകളിലല്ല, പാദങ്ങളിലാണ് അളക്കുന്നത്. മൂന്നാമത്തെ കണ്ടെത്തൽ: AI ആശ്രയിക്കുന്ന ഫീൽഡ് തലത്തിൽ ആ സിസ്റ്റങ്ങളിലെ ഡാറ്റാ ഗുണനിലവാരം, പദ്ധതിക്കു മുൻപുള്ള ഏതു പരിശോധന സൂചിപ്പിച്ചതിനെക്കാളും താഴ്ന്നതാണ്.
ഇതൊന്നും അസാധാരണമല്ല. പത്തു വർഷത്തിലേറെയായി പ്രവർത്തിക്കുന്ന സ്ഥാപനങ്ങളിലെ എന്റർപ്രൈസ് ഡാറ്റാ ഇൻഫ്രാസ്ട്രക്ചറിന്റെ സാധാരണ അവസ്ഥയാണിത്. അസാധാരണം, ഇതിനെ വഴിയിൽ കണ്ടെത്തുന്ന ചെലവായിട്ടല്ല, മുൻകൂട്ടി അറിയാവുന്ന ചെലവായി കണക്കാക്കുന്നതാണ്.
ബിസിനസ് കേസുകൾ വിട്ടുപോകുന്ന നാല് ഇന്റഗ്രേഷൻ ചെലവുകൾ
പോസ്റ്റ്-മോർട്ടങ്ങളിൽ വരികയും ബിസിനസ് കേസുകളിൽ വരാതിരിക്കുകയും ചെയ്യുന്ന ഇന്റഗ്രേഷൻ ചെലവുകൾക്ക് ഒരു സ്ഥിരം മാതൃകയുണ്ട്.
ഡാറ്റ ഒരുക്കലും ശുദ്ധീകരണവും. AI മോഡലുകളുടെ ഫലം അവയുടെ ഇൻപുട്ടിന്റെ ഗുണനിലവാരത്തിന് ആനുപാതികമാണ്. മിക്ക എന്റർപ്രൈസ് വിന്യാസങ്ങളിലും, മോഡൽ ആവശ്യപ്പെടുന്ന ഗുണനിലവാരത്തിലേക്ക് ഡാറ്റ ഒരുക്കുക എന്നത് സ്വന്തം നിലയിൽ ഒരു പദ്ധതിയാണ്: സോഴ്സ് സിസ്റ്റം പരിശോധന, ഇരട്ടിപ്പ് നീക്കൽ, ഏകീകരണം, തുടർച്ചയായ പൈപ്പ്ലൈൻ പരിപാലനം. ഒരു AI പൈലറ്റിന് പണം അനുവദിക്കുന്നതിനു മുൻപ് ഈ ജോലി പൂർത്തിയാകുന്നത് അപൂർവമാണ്; പൂർത്തിയാകുമ്പോൾപ്പോലും ഏതാണ്ട് എപ്പോഴും കുറച്ചുകാണപ്പെടുന്നു.
പ്രാമാണീകരണവും പ്രവേശന നിയന്ത്രണവും. എന്റർപ്രൈസ് സിസ്റ്റങ്ങൾ ഡാറ്റ സ്വതന്ത്രമായി പങ്കുവെക്കില്ല. അവയ്ക്ക് അനുമതി ഘടനകളും ഓഡിറ്റ് ആവശ്യങ്ങളും പ്രവേശന നിയന്ത്രണങ്ങളുമുണ്ട്; അവയൊന്നും AI സേവന അക്കൗണ്ടുകളെ മനസ്സിൽക്കണ്ട് ഉണ്ടാക്കിയവയല്ല. ഈ സിസ്റ്റങ്ങളുമായി AI ബന്ധിപ്പിക്കാൻ സുരക്ഷാ ആർക്കിടെക്ചർ ജോലി വേണം; അതിന് സമയമെടുക്കും, നിയന്ത്രിത മേഖലകളിൽ അനുസരണ പരിശോധനയും വേണ്ടിവരും. ഒരു മോഡൽ വെണ്ടറുടെയും വിലവിവരപ്പട്ടികയിൽ അത് കാണില്ല.
സോഴ്സ് സിസ്റ്റങ്ങളിലെ മാറ്റ നിർവഹണം. ഒരു സോഴ്സ് സിസ്റ്റം എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നത് മാറ്റേണ്ടിവരുമ്പോൾ — ഒരു API മാറ്റുക, ഒരു ഇവന്റ് ട്രിഗർ ചേർക്കുക, ഒരു ഡാറ്റാ ഘടന തിരുത്തുക — ആ മാറ്റം ആ സിസ്റ്റത്തിന്റെ മാറ്റ നിർവഹണ ക്യൂവിൽ ചെന്നു നിൽക്കും. വലിയ സ്ഥാപനങ്ങളിൽ ആ ക്യൂകൾ നീണ്ടതാണ്; മുന്നിൽ നിൽക്കുന്ന സിസ്റ്റങ്ങൾ AI പദ്ധതിക്ക് വേണ്ടവ ആകുന്നത് അപൂർവവുമാണ്. സോഴ്സ് സിസ്റ്റം മാറ്റങ്ങൾ പദ്ധതിയുടെ സമയക്രമത്തിനൊത്ത് നടക്കും എന്ന അനുമാനത്തിൽ ഉണ്ടാക്കുന്ന സമയക്കണക്കുകൾ സ്ഥിരമായി തെറ്റുന്നു.
തുടർച്ചയായ നിരീക്ഷണവും ഡ്രിഫ്റ്റ് നിർവഹണവും. ഒരു മോഡൽ പ്രൊഡക്ഷനിൽ എത്തിക്കഴിഞ്ഞാൽ ഇന്റഗ്രേഷൻ സൗജന്യമാകുന്നില്ല. സോഴ്സ് സിസ്റ്റങ്ങളിലെ ഡാറ്റ മാറും. അപ്സ്ട്രീം API-കൾക്ക് പുതിയ പതിപ്പുകൾ വരും. ഇൻപുട്ട് വിതരണം മാറുമ്പോൾ മോഡലിന്റെ ഫലങ്ങൾ വഴിമാറും. ഇന്റഗ്രേഷൻ പാളി നിരീക്ഷിക്കുകയും പരിപാലിക്കുകയും ചെയ്യുന്നത് തുടർച്ചയായ എൻജിനിയറിങ് ചെലവാണ്; മിക്ക ബിസിനസ് കേസുകളും ഗോ-ലൈവിനു ശേഷം അതിനെ നിസ്സാരമായി കാണുന്നു.
അടിസ്ഥാനമുള്ള ഒരു ബിസിനസ് കേസ് എങ്ങനെയിരിക്കും
പദ്ധതി തുടങ്ങുംമുൻപേ ഇന്റഗ്രേഷന് കൃത്യമായ വില കണക്കാക്കുന്ന സ്ഥാപനങ്ങൾ അത് ചെയ്യുന്നത് വെണ്ടർ വിലയിൽനിന്നല്ല, സിസ്റ്റം ആർക്കിടെക്ചറിൽനിന്ന് തുടങ്ങിയാണ്.
ഒരു ബിസിനസ് കേസ് സമർപ്പിക്കുംമുൻപ് ചോദിക്കേണ്ട ശരിയായ ചോദ്യങ്ങൾ ഇവയാണ്: ഈ AI-ക്ക് ഏതൊക്കെ സോഴ്സ് സിസ്റ്റങ്ങളിലേക്ക് പ്രവേശനം വേണം, ഏതു രൂപത്തിൽ, എത്ര കാലതാമസത്തിൽ, ആ സിസ്റ്റങ്ങളുടെ ഡാറ്റാ ഗുണനിലവാരവും API പ്രതലവും ഇപ്പോൾ ഏത് അവസ്ഥയിലാണ്? ആ വിശകലനം യഥാർഥമായ ഒരു ഇന്റഗ്രേഷൻ പരിധിയും യഥാർഥമായ ഒരു ചെലവുകണക്കും ഉണ്ടാക്കുന്നു. ഏതു മോഡൽ തിരഞ്ഞെടുക്കുന്നു എന്ന തീരുമാനത്തെക്കാൾ പദ്ധതിയുടെ സമയക്രമം നിർണയിക്കാൻ പോകുന്ന സോഴ്സ് സിസ്റ്റം പരിമിതികളെ അത് നേരത്തേ പുറത്തുകൊണ്ടുവരികയും ചെയ്യുന്നു.
ഇത് നീണ്ട ഒരു പ്രക്രിയയല്ല. വെണ്ടർ തിരഞ്ഞെടുപ്പിനു മുൻപ് നടത്തുന്ന രണ്ടു ദിവസത്തെ ഒരു സിസ്റ്റം ആർക്കിടെക്ചർ അവലോകനം മതി, പരിമിതികളില്ലാത്ത ഒരു ബിസിനസ് കേസിനെ ന്യായീകരിക്കാവുന്ന ചെലവുഘടനയുള്ള ഒന്നാക്കി മാറ്റാൻ. ഈ ഘട്ടം ഒഴിവാക്കുന്ന സ്ഥാപനങ്ങൾ ചെലവ് ഒഴിവാക്കുന്നില്ല. പദ്ധതി ഉറപ്പിച്ചുകഴിഞ്ഞ്, അത് കൈകാര്യം ചെയ്യാനുള്ള വഴികൾ നന്നായി ചുരുങ്ങിയശേഷം അവർ അത് കണ്ടെത്തുന്നു.
സംഭരണത്തിന് ഇത് എന്താണ് അർഥമാക്കുന്നത്
എന്റർപ്രൈസ് AI എങ്ങനെ വാങ്ങുന്നു എന്നതിൽ ഇന്റഗ്രേഷൻ നികുതിക്ക് നേരിട്ടുള്ള പ്രത്യാഘാതമുണ്ട്. ഇന്റഗ്രേഷന്റെ സങ്കീർണത കണക്കിലെടുക്കാതെ, മോഡലിന്റെ പ്രകടനവും ലൈസൻസ് ചെലവും നോക്കി വെണ്ടറെ തിരഞ്ഞെടുത്താൽ, ബജറ്റ് അംഗീകരിച്ചവരെ ഒഴികെ ആരെയും അമ്പരപ്പിക്കാത്ത ഒരു ചെലവുഘടന ഉണ്ടാകും.
നടപ്പാക്കൽ അപകടസാധ്യത നോക്കി — കൃത്യമായി പറഞ്ഞാൽ, സ്ഥാപനം യഥാർഥത്തിൽ പ്രവർത്തിപ്പിക്കുന്ന സോഴ്സ് സിസ്റ്റങ്ങളുമായി എത്ര വൃത്തിയായും വേഗത്തിലും അവ ബന്ധിപ്പിക്കുന്നു എന്നു നോക്കി — AI പ്ലാറ്റ്ഫോമുകളെ വിലയിരുത്തുന്ന സംഭരണ പ്രക്രിയകൾ, മോഡൽ ബെഞ്ച്മാർക്കുകൾ മാത്രം നോക്കുന്നവയെക്കാൾ മെച്ചപ്പെട്ട ഫലം നൽകുന്നു. പ്രമുഖ പ്ലാറ്റ്ഫോമുകളുടെ മോഡൽ ശേഷികൾ ഒന്നിനൊന്ന് അടുത്തുവരികയാണ്. അവ നൽകുന്ന ഇന്റഗ്രേഷൻ പ്രതലവും അതിനെ താങ്ങുന്ന പ്രൊഫഷണൽ സേവന ആവാസവ്യവസ്ഥയും ഗണ്യമായി വ്യത്യാസപ്പെടുന്നു.
എന്റർപ്രൈസ് AI-യിൽനിന്ന് ഏറ്റവുമധികം മൂല്യം നേടുന്ന സ്ഥാപനങ്ങൾ, ആ മോഡലുകളെ തങ്ങളുടെ ബിസിനസുമായി ബന്ധിപ്പിക്കാൻ യഥാർഥത്തിൽ എന്തു വേണ്ടിവരും എന്ന കൃത്യമായ ചിത്രവുമായി പദ്ധതിയിലേക്ക് കടന്നവരും, ആ ആവശ്യം തുടക്കംമുതൽ പദ്ധതിയിൽ ഉൾപ്പെടുത്തിയവരുമാണ്. മോഡലിന്റെ പ്രകടനം അതു തീരുമാനിക്കുന്നത് അപൂർവമാണ്.
കണ്ടെത്താൻ പ്രയാസമാണ് എന്ന അർഥത്തിൽ ഇന്റഗ്രേഷൻ നികുതി ഒരു മറഞ്ഞ ചെലവല്ല. സംഭരണ പ്രക്രിയയിൽ ആർക്കും അത് നേരത്തേ പുറത്തുകൊണ്ടുവരാൻ പ്രേരണയില്ല എന്ന അർഥത്തിലാണ് അത് മറഞ്ഞിരിക്കുന്നത്. വെണ്ടർമാർ മോഡൽ ചെലവ് പറയുന്നു. സിസ്റ്റം ഇന്റഗ്രേറ്റർമാർ ഇനിയും നിർവചിക്കപ്പെട്ടിട്ടില്ലാത്ത ഒരു പരിധിക്കെതിരെ നടപ്പാക്കൽ ചെലവ് പറയുന്നു. ആന്തരിക ടീമുകൾ ശുഭാപ്തി സാഹചര്യം വെച്ച് കണക്കാക്കുന്നു, കാരണം പദ്ധതിക്ക് പണം കിട്ടുന്നത് അങ്ങനെയാണ്.
ഫലം, പ്രൊഡക്ഷനുവേണ്ടി ഘടനാപരമായി പണം കുറഞ്ഞുപോയ, സമയക്രമത്തിൽ ഘടനാപരമായി അമിതവാഗ്ദാനം ചെയ്ത പദ്ധതികളാണ്. ബിസിനസ് കേസ് ശരിയാക്കാൻ പുതിയ ഉപകരണങ്ങളോ പുതിയ രീതിശാസ്ത്രമോ വേണ്ട. വെണ്ടറോടുള്ള ചോദ്യങ്ങൾക്കു മുൻപ് ഇൻഫ്രാസ്ട്രക്ചറിനെക്കുറിച്ചുള്ള ചോദ്യങ്ങൾ ചോദിക്കണം, ഉത്തരങ്ങളെ അടിക്കുറിപ്പുകളായല്ല, പരിമിതികളായി കാണണം. അത്രമാത്രം.
Frequently asked questions
Why is AI integration into legacy systems so expensive?+
Legacy enterprise systems were not designed to expose the data AI requires in the form it requires it. Connecting them requires translation layers, data cleaning pipelines, authentication bridging, and often significant engineering work on systems that were never meant to be touched again. This work does not appear in model vendor pricing.
What portion of enterprise AI cost is integration?+
Estimates vary, but L.E.K. Consulting's 2025 Office of the CFO survey found integration failure cited as the single largest operational blocker to AI value realisation. Gartner's analysis of AI programme cost structures suggests integration accounts for 40–60% of total programme cost in mature enterprise deployments.
How should enterprise leaders account for integration cost in AI business cases?+
Integration costs should be estimated at the systems architecture level before a business case is submitted — not after a vendor is selected. The questions to answer: which source systems does this AI require access to, in what form, at what latency, and what is the current state of those systems' data quality and API surface?