ജനറേറ്റീവ് AI പൈലറ്റുകളില് 95% എണ്ണവും അളക്കാവുന്ന ബിസിനസ് നേട്ടം ഉണ്ടാക്കുന്നില്ലെന്ന് MIT-യുടെ NANDA പഠനം കണ്ടെത്തി. GCC മേഖലയില് 63% സ്ഥാപനങ്ങളും ഇപ്പോഴും നടപ്പാക്കലിനു മുന്പുള്ള ഘട്ടത്തിലാണ്. തടസ്സം ഒരിക്കലും മോഡല് ആയിരുന്നില്ല. ജോലി എവിടെ കാത്തുകിടക്കുന്നു എന്നതാണ്.
This article was translated from the English original. Translations are machine-assisted and reviewed on a rolling basis.
രണ്ട് സംഖ്യകള് ഒരേ വിടവിനെ രണ്ട് വശങ്ങളില് നിന്ന് വിവരിക്കുന്നു. MIT NANDA-യുടെ State of AI in Business പഠനം 300-ല് അധികം എന്റര്പ്രൈസ് AI സംരംഭങ്ങള് പരിശോധിച്ചു, അതില് ഏകദേശം 95% എണ്ണവും ലാഭനഷ്ടക്കണക്കില് അളക്കാവുന്ന ഒരു മാറ്റവും ഉണ്ടാക്കിയില്ലെന്ന് കണ്ടെത്തി. കൂടാതെ, ധനകാര്യ, നികുതി മേഖലയിലെ മുതിര്ന്ന നേതാക്കള്ക്കിടയില് നടത്തിയ Deloitte-ന്റെ GCC സര്വേ പ്രകാരം, മേഖലയിലെ 63% -ല് അധികം സ്ഥാപനങ്ങളും ഇപ്പോഴും നടപ്പാക്കലിനു മുന്പുള്ള ഘട്ടങ്ങളിലാണ്, 9% മാത്രമാണ് എന്തെങ്കിലും വലിയ തോതിലേക്ക് വളര്ത്തുന്നത്.
സാങ്കേതികവിദ്യ ഇനിയും പാകമായിട്ടില്ല എന്നതാണ് സൗകര്യപ്രദമായ വായന. തെളിവുകള് മറിച്ചാണ് പറയുന്നത്. പരാജയങ്ങള് അടുത്തുനിന്ന് വായിച്ചാല്, അവയില് ഒന്നുപോലും ഔട്ട്പുട്ടിന്റെ പരാജയമല്ല എന്ന് കാണാം. സിസ്റ്റങ്ങള് സംഗ്രഹങ്ങളും കരടുകളും വര്ഗീകരണങ്ങളും ഉണ്ടാക്കി, നന്നായിത്തന്നെ ഉണ്ടാക്കി. അവ ചൂണ്ടിവെച്ചിരുന്നത് തെറ്റായ തടസ്സത്തിലേക്കായിരുന്നു.
പൈലറ്റുകള് ഔട്ട്പുട്ടില് പരാജയപ്പെട്ടതല്ല
NANDA-യുടെ ഗവേഷകര് 52 സ്ഥാപനങ്ങളുമായി അഭിമുഖം നടത്തി, 153 മുതിര്ന്ന നേതാക്കളില് സര്വേ ചെയ്തു. ആ 95% -ന് പിന്നിലെ മാതൃക കേടായ മോഡലുകളായിരുന്നില്ല. സ്പോണ്സര് ശ്രദ്ധിച്ചിരുന്ന സംഖ്യയെ ഒരിക്കലും തൊടാത്ത സിസ്റ്റങ്ങളായിരുന്നു. ഉപയോഗം കൂടുതല്, പരിവര്ത്തനം കുറവ്: ഒന്പതില് ഏഴ് വ്യവസായങ്ങളിലും റിപ്പോര്ട്ട് വിളിക്കുന്ന ഘടനാപരമായ മാറ്റമില്ലാത്ത വ്യാപകമായ പരീക്ഷണം കാണാമായിരുന്നു.
ഈ വേര്തിരിവ് പ്രധാനമാണ്, കാരണം പരിഹാരം ആരുടേതാണ് എന്നത് അത് മാറ്റുന്നു. ശേഷിയുടെ പ്രശ്നം വെണ്ടറുടേതാണ്, ഭാവിയിലെ ഒരു മോഡല് പതിപ്പില് അത് പരിഹരിക്കപ്പെടും. വിന്യാസത്തിന്റെ പ്രശ്നം എന്ത് ഓട്ടോമേറ്റ് ചെയ്യണമെന്ന് തീരുമാനിച്ചയാളുടേതാണ്. 95% കേസുകളിലും ആ തീരുമാനമാണ് ഫലം നിശ്ചയിച്ചത്. മോഡലിന് ഒരു വോട്ടുപോലും ഉണ്ടായിരുന്നില്ല.
നേരത്തേ തന്നെ കാത്തുനിന്നിരുന്ന ഘട്ടം ഓട്ടോമേറ്റ് ചെയ്യുമ്പോള്
ഡസന് കണക്കിന് കമ്പനികളില് തിരിച്ചറിയാവുന്ന ഒരു മാതൃക നോക്കാം. ഒരു പ്രൊക്യുര്മെന്റ് വിഭാഗം വിതരണക്കാരുടെ റിസ്ക് സംഗ്രഹങ്ങള് ഉണ്ടാക്കാന് ഒരു മോഡല് വിന്യസിക്കുന്നു, രണ്ട് ദിവസത്തെ അനലിസ്റ്റ് ജോലി ഇരുപത് മിനിറ്റായി ചുരുങ്ങുന്നു. ആ ലാഭം യഥാര്ത്ഥമാണ്, വൃത്തിയായി അളക്കാവുന്നതുമാണ്. എന്നാല് ഒപ്പിട്ട വിതരണക്കാരുടെ കരാറുകളുടെ എണ്ണം ഒട്ടും അനങ്ങുന്നില്ല, കാരണം യഥാര്ത്ഥ തടസ്സം ആറ് ആഴ്ചയെടുക്കുന്ന ഒരു നിയമ പരിശോധനാ ക്യൂ ആയിരുന്നു.
തൊടാതെ വിട്ട ഘട്ടത്തിനായി നേരത്തേ തന്നെ കാത്തുനിന്നിരുന്ന ഘട്ടമാണ് ആ സ്ഥാപനം ഓട്ടോമേറ്റ് ചെയ്തത്. നേട്ടം യഥാര്ത്ഥമായിരുന്നു, ക്യൂ അത് മുഴുവന് വിഴുങ്ങി.
ഏത് ബോര്ഡിനും ഇതിന്റെ പ്രായോഗിക അര്ത്ഥം ഇതാണ്: ഒരു മോഡലിന് ഏതൊക്കെ ജോലികള് ചെയ്യാന് കഴിയും എന്ന് ചോദിക്കുന്നത് നിര്ത്തുക. ഇപ്പോള് ജോലി എവിടെ കാത്തുകിടക്കുന്നു, എത്ര നേരം എന്ന് ചോദിക്കുക. ഏറ്റവും നീണ്ട ക്യൂവിനെ മോഡല് തൊടുന്നില്ലെങ്കില്, ബിസിനസ് കേസ് ഒരു അക്കൗണ്ടിംഗ് അഭ്യാസം മാത്രമാണ്. പൈലറ്റ് അംഗീകരിക്കുന്നതിന് മുന്പ് കാത്തിരിപ്പ് സമയങ്ങള് അളക്കുക, അത് നിരാശപ്പെടുത്തിയ ശേഷമല്ല.
എല്ലാവരും ഒരേ പ്രവാചകനോട് ചോദിക്കുമ്പോള് പിഴവുകള് പരസ്പരം ഇല്ലാതാക്കാതാവുന്നു
അംഗങ്ങളുടെ പിഴവുകള് പരസ്പരം സ്വതന്ത്രമാകുമ്പോള് മാത്രമാണ് ഒരു കൂട്ടം അതിന്റെ ശരാശരി അംഗത്തെക്കാള് മികച്ചു നില്ക്കുന്നത്. പിഴവുകള് പരസ്പരബന്ധിതമായാല്, സമവായം ആത്മവിശ്വാസത്തോടെ, കൂട്ടായി തെറ്റാകും. യോജിപ്പിന്റെ എല്ലാ ആശ്വാസവും ഉണ്ടാകും, അതിന്റെ കാമ്പ് ഒട്ടും ഉണ്ടാകില്ല.
എന്റര്പ്രൈസ് AI രൂപകല്പ്പന കൊണ്ടുതന്നെ പിഴവുകളെ പരസ്പരബന്ധിതമാക്കുന്നു. ഗൗരവമുള്ള മിക്ക വിന്യാസങ്ങളും ചുരുക്കം ചില ഫ്രോണ്ടിയര് മോഡലുകള്ക്ക് മുകളിലാണ് നില്ക്കുന്നത്. ഒരു കമ്പനിക്കുള്ളില്, റിട്രീവല് ഒരൊറ്റ ഡോക്യുമെന്റ് ശേഖരത്തിന് മുകളില്, ഒരൊറ്റ പ്രോംപ്റ്റ് ടെംപ്ലേറ്റിലൂടെ, ഒരൊറ്റ പ്ലാറ്റ്ഫോം ടീം പരിപാലിക്കുന്ന രീതിയില് പ്രവര്ത്തിക്കുന്നു. ആ സ്റ്റാക്കിനോട് ചോദിക്കുന്ന അഞ്ച് അനലിസ്റ്റുകള് അഞ്ച് അനലിസ്റ്റുകളല്ല. അവര് ഒരു അനലിസ്റ്റാണ്, അഞ്ച് തവണ സാമ്പിള് ചെയ്തത്.
പ്രതിവിധി ആകര്ഷകമല്ല, ചെലവും കുറവാണ്: ജീവനുള്ള ഒരു കണ്ട്രോള് ആം നിലനിര്ത്തുക. പ്രാധാന്യമുള്ള തീരുമാനങ്ങളില് 5-10% സഹായമില്ലാത്ത മനുഷ്യവിവേചനത്തിലൂടെ കടത്തിവിടുക, ഒറ്റത്തവണ ഓഡിറ്റായിട്ടല്ല, സ്ഥിരമായി. സഹായത്തോടെയുള്ളതും അല്ലാത്തതുമായ രണ്ട് കൂട്ടങ്ങള് വേറിട്ട് പോകുമ്പോള്, നിങ്ങള് ഒന്നുകില് ഒരു മോഡല് പിഴവ് അല്ലെങ്കില് ഒരു മനുഷ്യപ്പിഴവ് കണ്ടെത്തിയിരിക്കുന്നു. രണ്ടും അറിയേണ്ടതാണ്, ആ വ്യത്യാസങ്ങള് ആരും പ്രതീക്ഷിച്ചിടത്ത് അപൂര്വമായേ വരൂ.
ഒപ്പില്ലാത്ത ഒരു വിലയിരുത്തല് ഒരു നിയന്ത്രണമല്ല
മോഡലിന്റെ ഔട്ട്പുട്ട് അനാഥമായാണ് എത്തുന്നത്. തയ്യാറായ കുറിപ്പില് മോഡല് എഴുതിയ ഖണ്ഡികയും വാദിച്ചുറപ്പിച്ച ഖണ്ഡികയും ഒരുപോലെ കാണപ്പെടും. ചോദ്യങ്ങള്ക്ക് മുന്നില് ആരെങ്കിലും ന്യായീകരിക്കുന്ന വാക്യങ്ങള് ഏതാണെന്നും വെറുതെ ഒരു ഓട്ടപ്രദക്ഷിണത്തില് അതിജീവിച്ചവ ഏതാണെന്നും റിവ്യൂവര്ക്ക് പറയാനാവില്ല. ഉത്തരവാദിത്തം ഓരോ അനാമധേയ ഖണ്ഡികയായി ദ്രവിക്കുന്നു, ഒടുവില് ആ സംഖ്യ ശരിക്കും ആര് വിശ്വസിച്ചു എന്ന് ശൃംഖലയിലെ ആര്ക്കും പറയാനാവാതാകുന്നു.
മൂന്ന് ഫീല്ഡുകള് ഇതില് ഭൂരിഭാഗവും പരിഹരിക്കും, തീരുമാനമെടുക്കുന്നയാളിലേക്ക് എത്തുന്ന ഓരോ മോഡല് നിര്മിത വിലയിരുത്തലിലും ഇവ ചേര്ക്കുക: ഇത് ശരിയാണെന്നതിന് ആരാണ് ഉത്തരവാദി, ഏത് സാഹചര്യമാണ് ഇത് ഉണ്ടാക്കിയത്, അയാളുടെ മനസ്സ് മാറ്റാന് എന്ത് വേണം എന്നത് ഒരു വരിയില്. പിന്നെ, ചോദിക്കുമ്പോള് വീണ്ടും ഉണ്ടാക്കുന്നതിന് പകരം വിലയിരുത്തല് സൂക്ഷിച്ചുവയ്ക്കുക. സൂക്ഷിച്ച ഒരു വിലയിരുത്തലിന് ഒരു രചയിതാവും തീയതിയുമുണ്ട്. വീണ്ടും ഉണ്ടാക്കുന്നത് ചോദിക്കുന്ന ഓരോ തവണയും വ്യത്യസ്തമാണ്, ആരോടും ഉത്തരം പറയേണ്ടതില്ല, ഓരോ തവണ കാണുമ്പോഴും വീണ്ടും പണം ഈടാക്കുകയും ചെയ്യും.
ഒരു ഏജന്റിനെ ആദ്യമേ ഓഡിറ്റ് ചെയ്യാവുന്നതാക്കുന്ന അതേ അച്ചടക്കമാണ് ഇത്. അതിനുള്ള വാദം ഇവിടെയുണ്ട്: AI ഏജന്റുകള് എന്തുകൊണ്ട് കബളിപ്പിക്കുന്നു, ശരിക്കും പിടിച്ചുനില്ക്കുന്ന ഭരണരീതി.
ദുബായില് നടപ്പാക്കലിനു മുന്പുള്ള ഘട്ടത്തിന്റെ യഥാര്ത്ഥ വില
GCC-യുടെ 63% ഒരു സാങ്കേതിക പിന്നാക്കാവസ്ഥയല്ല. AI പ്രധാനമാകുമെന്ന് മേഖലയിലെ നേതാക്കള് പ്രതീക്ഷിക്കുന്നു: അതേ Deloitte സര്വേയില് 93% പേരും കാര്യമായ സ്ഥാപനതല സ്വാധീനം പ്രവചിക്കുന്നു. വിടവ് നില്ക്കുന്നത് നിര്ദേശത്തിനും ആദ്യത്തെ പ്രവര്ത്തിക്കുന്ന സിസ്റ്റത്തിനും ഇടയിലാണ്, 95% എന്ന പരാജയ മാതൃക വളരുന്നതും കൃത്യമായി അവിടെയാണ്: നീണ്ട വിലയിരുത്തലുകള്, വിശാലമായ ചട്ടക്കൂടുകള്, ഒരു ക്യൂ നീക്കാനല്ല ഒരു വാദം തെളിയിക്കാന് വേണ്ടി രൂപപ്പെടുത്തിയ പൈലറ്റുകള്.
രക്ഷപ്പെടാനുള്ള വഴി ഇടുങ്ങിയ പരിധിയും അളന്നുവെച്ച അടിസ്ഥാനരേഖയുമാണ്. ഒരു പ്രക്രിയ, ഒരു ഉടമ, മുന്പും ശേഷവും സമയമെടുക്കാവുന്ന ഒരു ക്യൂ. ഒരു ദിവസത്തിന്റെ അവസാനത്തോടെ യഥാര്ത്ഥ ജോലിയുടെ ഒരു ഭാഗം ഏറ്റെടുക്കുന്ന ഒരു സിസ്റ്റം, ഒരു തന്ത്ര അവതരണത്തിനും എതിര്വാദം പറയാനാവാത്ത തെളിവാണ്, ഒരു സ്ഥാപനത്തെ ആ 63% -ല് നിന്ന് പുറത്തുകൊണ്ടുവരുന്ന ഒരേയൊരു തരം തെളിവും അതാണ്.
ജോലി ഏറ്റവും കൂടുതല് കാത്തുകിടക്കുന്ന പ്രക്രിയ തിരഞ്ഞെടുക്കുക, അവിടെ തുടങ്ങുക. ഒരു ക്ലിനിക് ദിവസം നിങ്ങളുടെ ഒരു പ്രക്രിയ എടുക്കുന്നു, അതിന് മുകളില് പ്രവര്ത്തിക്കുന്ന ഒരു ഏജന്റ് ഉണ്ടാക്കുന്നു, വൈകുന്നേരത്തോടെ അളന്നെടുത്ത മുന്പും ശേഷവുമുള്ള ചിത്രം നിങ്ങള്ക്ക് നല്കുന്നു. 95% -ന്റെ നേര്വിപരീതം. പൈലറ്റുകളുടെ ശ്മശാനം ഇതിനകം നിറഞ്ഞെങ്കില്, അഞ്ച് ഘട്ട കണ്സള്ട്ടിംഗ് രീതി തുടങ്ങുന്നത് ഉപയോഗസന്ദര്ഭം കണ്ടെത്തിക്കൊണ്ടല്ല, ക്യൂ കണ്ടെത്തിക്കൊണ്ടാണ്.
Frequently asked questions
Why do 95% of AI pilots fail to show ROI?+
MIT NANDA's 2025 study of over 300 enterprise AI initiatives found the failures were rarely failures of output. The systems generated good summaries, drafts, and classifications. They were pointed at the wrong constraint: automating steps that were already waiting on a slower queue elsewhere, so the gain was absorbed before it reached the P&L.
What should we measure before approving an AI pilot?+
Measure where work waits, and for how long, before approving the pilot, not after it disappoints. If the AI does not touch the longest queue in the process, the business case is an accounting exercise. Wait times, not task times, predict whether throughput will move.
How many GCC organisations are still pre-implementation on AI?+
Deloitte's 2025 survey of senior tax and finance leaders across Saudi Arabia, the UAE, Qatar, and Kuwait found more than 63% of GCC organisations remain in pre-implementation stages. Only 9% have begun scaling solutions.