कृत्रिम बुद्धिमत्ता (एआई) इंजीनियरिंग की आपदा: जब पूंजी सोच की जगह ले लेती है - जनरेटिव एआई आर्थिक रूप से नियंत्रण से बाहर क्यों हो रही है

एक्सपर्ट प्री-रिलीज़

Available in 27 languages 📢

Google पर Xpert.Digital को प्राथमिकता देंⓘ

प्रकाशित तिथि: 26 जुलाई, 2026 / अद्यतन तिथि: 26 जुलाई, 2026 – लेखक: Konrad Wolfenstein

कृत्रिम बुद्धिमत्ता (एआई) इंजीनियरिंग की आपदा: जब पूंजी सोच की जगह ले लेती है – जनरेटिव एआई आर्थिक रूप से नियंत्रण से बाहर क्यों हो रही है – चित्र: Xpert.Digital

बिजली, भंडारण, अरबों की लागत: जनरेटिव एआई के बारे में असुविधाजनक सच्चाई

वास्तविक रणनीतिक मूल्य सृजन केवल स्पष्ट उपयोग-मामले पर ध्यान केंद्रित करने, मजबूत वास्तुकला और सुसंगत शासन के माध्यम से ही संभव है।

जनरेटिव एआई को लेकर जबरदस्त प्रचार हुआ था – लेकिन अब कारोबारी जगत में निराशा छाने लगी है। अरबों डॉलर विशाल डेटा केंद्रों में लगाए जा रहे हैं, जिनकी बिजली और महंगे मेमोरी चिप्स की खपत बेतहाशा बढ़ रही है। वहीं दूसरी ओर, अधिकांश कंपनियां वादे के मुताबिक वित्तीय सफलता हासिल करने में नाकाम हो रही हैं। क्या डिजिटल क्रांति के अगले चरण के रूप में सराही गई यह तकनीक अपनी भौतिक और आर्थिक सीमाओं तक पहुंच चुकी है? आलोचक तो इसे इतिहास की सबसे बड़ी "इंजीनियरिंग आपदाओं" में से एक बता रहे हैं: एक खरबों डॉलर का प्रयोग जो सॉफ्टवेयर स्केलिंग के पारंपरिक सिद्धांतों को धता बताता है। आंकड़ों पर गौर करने से पता चलता है कि क्यों बड़ी संख्या में विशेषज्ञ अंधाधुंध विशालता से दूर हटकर अधिक सटीकता की ओर एक मौलिक रणनीतिक पुनर्गठन की मांग कर रहे हैं।.

क्या यह अब तक की सबसे खराब तकनीक है? विशेषज्ञ अचानक एआई के चमत्कार पर सवाल क्यों उठा रहे हैं?

चिप्स नहीं, बल्कि बिजली: एआई के बुलबुले के फूटने का असली कारण

जनरेटिव आर्टिफिशियल इंटेलिजेंस के आर्थिक मूल्य को लेकर बहस हाल के हफ्तों में तेज हो गई है। अमेरिका की मशहूर पत्रिका 'द अटलांटिक' में पत्रकार एलेक्स रेसनर के एक लेख ने एक ऐसा दावा पेश किया है जिसने सबसे कट्टर तकनीकी आशावादियों को भी सोचने पर मजबूर कर दिया है: लागत और इंजीनियरिंग दक्षता को ध्यान में रखते हुए, जनरेटिव एआई बड़े पैमाने पर विकसित की गई अब तक की सबसे खराब डिजिटल तकनीक साबित हो सकती है। यह आकलन वैचारिक प्रौद्योगिकी-विरोध पर आधारित नहीं है, बल्कि संसाधन खपत, स्केलेबिलिटी और व्यापक आर्थिक दुष्प्रभावों के निष्पक्ष विश्लेषण पर आधारित है। रेसनर बताते हैं कि उन्होंने कई एआई शोधकर्ताओं से पूछा कि क्या वे किसी ऐसे वास्तविक सॉफ्टवेयर के बारे में जानते हैं जो बड़े भाषा मॉडल की तरह ही खराब तरीके से स्केल करता हो। कोई भी ऐसी तकनीक का नाम नहीं बता सका। यह बयान उस प्रचलित धारणा को तोड़ता है कि जनरेटिव एआई इंटरनेट और स्मार्टफोन के बाद डिजिटल क्रांति का सिर्फ अगला चरण है।.

"सटीकता गति से बेहतर है: स्पष्ट उपयोग-परिस्थिति पर ध्यान केंद्रित करने, मजबूत संरचना और सुसंगत शासन के माध्यम से ही जनरेटिव एआई एक खर्चीली छाया आईटी से वास्तविक रणनीतिक मूल्य सृजन घटक के रूप में विकसित हो सकता है। हमें अब अंध सक्रियता के बजाय ठोस इंजीनियरिंग अनुशासन की आवश्यकता है।"

सत्तर प्रतिशत की हिस्सेदारी जो पूरे उद्योग को बदल देती है

अक्षमता के सिद्धांत का समर्थन करने वाला मुख्य प्रमाण बड़े भाषा मॉडलों द्वारा मेमोरी की खपत में निहित है। रिपोर्टों से पता चलता है कि प्रौद्योगिकी कंपनियां अब चैटजीपीटी और क्लाउड जैसे मॉडलों को चलाने और प्रशिक्षित करने के लिए उच्च गुणवत्ता वाली कंप्यूटर मेमोरी की वैश्विक आपूर्ति का 70 प्रतिशत तक खरीद रही हैं। यह भारी हिस्सेदारी एक संरचनात्मक कमी पैदा कर रही है जो एआई उद्योग से कहीं आगे तक फैली हुई है। एसके हाइनिक्स, माइक्रोन और सैमसंग जैसे मेमोरी चिप निर्माताओं ने पहले ही अपनी 2026 की पूरी उत्पादन क्षमता प्रमुख क्लाउड प्रदाताओं को बेच दी है, जिसके परिणामस्वरूप उच्च-बैंडविड्थ मेमोरी चिप्स पर 60 से 70 प्रतिशत का रिकॉर्ड मार्जिन प्राप्त हुआ है। ऑटोमोटिव और उपभोक्ता इलेक्ट्रॉनिक्स से लेकर औद्योगिक स्वचालन तक, अर्धचालकों पर निर्भर लगभग हर दूसरे उद्योग के लिए, इसका अर्थ है उच्च खरीद लागत और लंबी लीड टाइम। इस प्रकार, मेमोरी निर्माताओं ने दशकों से कम मार्जिन वाले कच्चे माल आपूर्तिकर्ताओं की अपनी भूमिका से खुद को मुक्त कर लिया है और अब वे कीमतें निर्धारित कर रहे हैं क्योंकि कृत्रिम कमी उद्योग का सबसे लाभदायक उत्पाद बन गई है।.

सॉफ्टवेयर अर्थशास्त्र के पारंपरिक नियम यहाँ क्यों विफल हो जाते हैं?

पारंपरिक डिजिटल अर्थव्यवस्था में, दशकों से एक सरल सिद्धांत सत्य रहा है: सॉफ्टवेयर लगभग मुफ्त में स्केल हो जाता है। एक बार प्रोग्राम विकसित हो जाने पर, अतिरिक्त दस लाख उपयोगकर्ताओं को सेवा प्रदान करने में एक उपयोगकर्ता को सेवा प्रदान करने से शायद ही कोई अधिक लागत आती है। स्केलिंग का यही सिद्धांत, जिस पर Google, Facebook और पारंपरिक क्लाउड सेवाओं की आर्थिक सफलता आधारित थी, जनरेटिव AI पर लागू नहीं होता। एक बड़े भाषा मॉडल पर प्रत्येक क्वेरी के लिए मापने योग्य कंप्यूटिंग, स्टोरेज और ऊर्जा लागत आती है जो उपयोगकर्ताओं की संख्या के साथ रैखिक रूप से या असमान रूप से भी बढ़ती है। एक AI चैट सिस्टम पर एक क्वेरी के लिए अनुमानित ऊर्जा खपत एक पारंपरिक सर्च इंजन क्वेरी की तुलना में कई गुना अधिक होती है। इस भौतिक वास्तविकता को केवल सॉफ्टवेयर ऑप्टिमाइज़ेशन से दूर नहीं किया जा सकता। यही आलोचना का मूल बिंदु है: निवेशकों ने पारंपरिक सॉफ्टवेयर प्लेटफॉर्म के मूल्यांकन तर्क को एक ऐसे उत्पाद पर लागू कर दिया है जिसकी प्रति उपयोग सीमांत लागत शून्य के करीब नहीं पहुंचती, बल्कि वास्तविक और पर्याप्त बनी रहती है।.

एक खरब डॉलर का प्रयोग, जिसका कोई अंतिम खाका तैयार नहीं है।

इस बदलाव का वित्तीय पैमाना अभूतपूर्व है। अकेले पांच सबसे बड़े हाइपरस्केलर - अमेज़न, माइक्रोसॉफ्ट, गूगल, मेटा और ओरेकल - ने चालू वर्ष के लिए एआई इंफ्रास्ट्रक्चर में कुल मिलाकर 660 अरब अमेरिकी डॉलर से अधिक के निवेश की घोषणा की है। अकेले ओपनएआई ने अपने साझेदारों ओरेकल और एनवीडिया के साथ 400 अरब डॉलर से अधिक के समझौते किए हैं और टेक्सास में 1.2 गीगावाट क्षमता वाले डेटा सेंटर प्रोजेक्ट की योजना बना रहा है, जो लगभग 750,000 घरों की बिजली आपूर्ति के बराबर है। वहीं, सार्वजनिक रूप से उपलब्ध रिपोर्टों के अनुसार, कंपनी लगभग 12 अरब डॉलर के राजस्व पर लगभग 5 अरब डॉलर का वार्षिक परिचालन घाटा दर्ज कर रही है। इस प्रकार निवेश की राशि पिछले राजस्व के अनुपात में इतनी अधिक है कि पारंपरिक व्यावसायिक मापदंडों से इसे उचित ठहराना मुश्किल है। इसलिए आलोचक इसे एक खरब डॉलर का इंजीनियरिंग प्रयोग बताते हैं, जिसमें दक्षता, स्केलेबिलिटी और मजबूत आर्किटेक्चर जैसे महत्वपूर्ण कार्यों को शुरुआत से ही ठोस रूप से हल करने के बजाय, बाद में और समय के दबाव में निपटाया जा रहा है। क्या यह बाद का सुधार तकनीकी रूप से पूरी तरह सफल हो सकता है, यह वर्तमान में एक खुला प्रश्न है और विशेषज्ञ हलकों में इसे तेजी से संदेह की नजर से देखा जा रहा है।.

चीन किस प्रकार सत्ता के प्रश्न को पुनर्परिभाषित कर रहा है?

हाल के महीनों में एक दूसरे कारक ने इस बहस को और हवा दी है: तुलनात्मक रूप से अधिक कुशल चीनी मॉडलों का उदय। डीपसीक जैसे चीनी प्रदाताओं ने यह प्रदर्शित किया है कि उच्च-प्रदर्शन भाषा मॉडल प्रमुख अमेरिकी प्रदाताओं के तरीकों की तुलना में काफी कम कम्प्यूटेशनल प्रयास और कम प्रशिक्षण लागत के साथ लागू किए जा सकते हैं। मूल्य तुलना इस अंतर के पैमाने को दर्शाती है: जहां क्लाउड जैसे शीर्ष स्तरीय पश्चिमी मॉडल से क्वेरी करने में लगभग 4,811 यूनिट कम्प्यूटेशनल लागत आती है, वहीं एक तुलनीय चीनी मॉडल को केवल लगभग 1,071 यूनिट की आवश्यकता होती है। यह दक्षता अंतर निवेशकों के लिए केवल एक सैद्धांतिक मुद्दा नहीं है, बल्कि अस्तित्वगत महत्व का मामला है क्योंकि यह अमेरिकी मॉडल प्रदाताओं के नियोजित आईपीओ को सीधे प्रभावित करता है। रिपोर्टों से संकेत मिलता है कि सस्ते, फिर भी शक्तिशाली चीनी विकल्पों के अस्तित्व से ओपनएआई और एंथ्रोपिक के आईपीओ के लिए अनुमानित 800 बिलियन डॉलर से अधिक के मूल्यांकन पर सवाल उठ रहे हैं। यदि कोई प्रतिस्पर्धी लागत के एक अंश पर तुलनीय उत्पाद पेश कर सकता है, तो इतने उच्च मूल्यांकन को उचित ठहराना काफी मुश्किल हो जाता है।.

इस कमी का खामियाजा अन्य सभी उद्योगों को भी भुगतना पड़ रहा है।

जनरेटिव एआई की संसाधन मांगें भंडारण आवश्यकताओं से कहीं अधिक व्यापक हैं। सेमीकंडक्टर उद्योग के हालिया विश्लेषणों से पता चलता है कि कई भौतिक बाधाएं एक साथ उत्पन्न हो रही हैं: वायरिंग और कूलिंग के लिए तांबा, वेफर कूलिंग और लीक टेस्टिंग के लिए हीलियम, और सर्किट एचिंग के लिए ब्रोमीन - ये सभी दुर्लभ हो गए हैं, और डेटा सेंटर अब इन कच्चे माल के लिए पारंपरिक उद्योगों के साथ सक्रिय रूप से प्रतिस्पर्धा कर रहे हैं। इस वर्ष जनवरी में तांबे की कीमत लगभग छह डॉलर प्रति पाउंड के उच्चतम स्तर पर पहुंच गई, जबकि एल्युमीनियम की कीमत चार साल के उच्चतम स्तर पर पहुंच गई। इसके अतिरिक्त एक भू-राजनीतिक पहलू भी है: मार्च में कतर में एक प्रमुख प्राकृतिक गैस निर्यात केंद्र में व्यवधान के कारण वैश्विक बाजार को तरलीकृत प्राकृतिक गैस की लगभग 20 प्रतिशत आपूर्ति से अस्थायी रूप से वंचित होना पड़ा, जिससे ताइवान और दक्षिण कोरिया में ऊर्जा-गहन चिप कारखानों के लिए बिजली की लागत बढ़ गई। निर्भरताओं की यह श्रृंखला दर्शाती है कि कैसे एक उत्पाद जो मूल रूप से पूरी तरह से डिजिटल था, भौतिक आपूर्ति श्रृंखलाओं, ऊर्जा बाजारों और भू-राजनीतिक विभाजन रेखाओं के साथ गहराई से जुड़ गया है, जिससे ऐसे व्यवधान उत्पन्न हो रहे हैं जो प्रौद्योगिकी क्षेत्र से कहीं अधिक व्यापक हैं।.

जब चिप्स भी अब बाधा नहीं रह जातीं

इससे भी अधिक आश्चर्यजनक बात यह है कि 2026 के दौरान एक नया घटनाक्रम सामने आया: कृत्रिम बुद्धिमत्ता (एआई) के बुनियादी ढांचे के विस्तार में वास्तविक बाधा सेमीकंडक्टर के बजाय विद्युत ऊर्जा की उपलब्धता बन गई है। कई प्रौद्योगिकी कंपनियों के पास उन्नत एआई चिप्स का भंडार है, लेकिन पर्याप्त ग्रिड कनेक्टिविटी की कमी के कारण वे उन्हें उपयोग में नहीं ला पा रही हैं। संयुक्त राज्य अमेरिका में नए डेटा केंद्रों के लिए ग्रिड कनेक्शन का प्रतीक्षा समय अब तीन से सात वर्ष तक है, जबकि कुल ग्रिड कनेक्शन की कतारें 2,100 गीगावाट से अधिक हैं, जो देश की मौजूदा ग्रिड क्षमता से कहीं अधिक है। माइक्रोसॉफ्ट, गूगल या अमेज़ॅन जैसी कंपनियों द्वारा संचालित एक एआई प्रशिक्षण क्लस्टर सुविधा लगातार 50 से 150 मेगावाट बिजली की खपत कर सकती है, जो लगभग 40,000 से 120,000 औसत अमेरिकी परिवारों की बिजली की जरूरतों के बराबर है। गोल्डमैन सैक्स के विश्लेषकों का अनुमान है कि अमेरिका में डेटा केंद्रों की बिजली की मांग 2030 तक लगभग 160 प्रतिशत बढ़ जाएगी, जबकि उत्तरी अमेरिकी ग्रिड विश्वसनीयता आयोग देश के बड़े हिस्सों में बिजली कटौती के बढ़ते जोखिम की चेतावनी दे रहा है। इस स्थिति का सीधा मतलब यह है कि चिप्स में अरबों डॉलर का निवेश तब तक बेकार है जब तक कि ऊर्जा अवसंरचना इस मांग के अनुरूप विकसित नहीं हो जाती - यह स्थिति पूरे उद्योग के निवेश पर प्रतिफल को और भी प्रभावित करती है।.

🤖🚀 प्रबंधित एआई प्लेटफ़ॉर्म: UNFRAMEके साथ एआई समाधानों के लिए तेज़, सुरक्षित और स्मार्ट तरीके।

प्रबंधित एआई प्लेटफॉर्म - छवि: Xpert.Digital

यहां आप जानेंगे कि आपकी कंपनी बिना किसी बड़ी बाधा के, तेजी से, सुरक्षित रूप से और बिना किसी विशेष प्रक्रिया के अनुकूलित एआई समाधानों को कैसे लागू कर सकती है।.

एक प्रबंधित एआई प्लेटफॉर्म कृत्रिम बुद्धिमत्ता के लिए आपका संपूर्ण और चिंतामुक्त समाधान है। जटिल तकनीक, महंगे बुनियादी ढांचे और लंबी विकास प्रक्रियाओं से निपटने के बजाय, आपको एक विशेषज्ञ भागीदार से आपकी आवश्यकताओं के अनुरूप तैयार समाधान मिलता है - अक्सर कुछ ही दिनों के भीतर।.

मुख्य लाभ संक्षेप में:

⚡ त्वरित कार्यान्वयन: विचार से लेकर उपयोग के लिए तैयार एप्लिकेशन तक, महीनों में नहीं, दिनों में। हम ऐसे व्यावहारिक समाधान प्रदान करते हैं जो तत्काल मूल्यवर्धन करते हैं।.

🔒 अधिकतम डेटा सुरक्षा: आपका संवेदनशील डेटा आपके पास ही सुरक्षित रहता है। हम तीसरे पक्षों के साथ डेटा साझा किए बिना सुरक्षित और नियमों के अनुरूप प्रोसेसिंग की गारंटी देते हैं।.

💸 कोई वित्तीय जोखिम नहीं: आपको केवल परिणामों के लिए भुगतान करना होगा। हार्डवेयर, सॉफ्टवेयर या कर्मचारियों में होने वाले भारी प्रारंभिक निवेश की कोई आवश्यकता नहीं है।.

🎯 अपने मुख्य व्यवसाय पर ध्यान केंद्रित करें: आप जिस काम में सबसे अच्छे हैं, उसी पर ध्यान दें। हम आपके एआई समाधान के संपूर्ण तकनीकी कार्यान्वयन, संचालन और रखरखाव का ध्यान रखते हैं।.

📈 भविष्य के लिए तैयार और विस्तार योग्य: आपकी एआई आपके साथ बढ़ती है। हम निरंतर अनुकूलन और विस्तारशीलता सुनिश्चित करते हैं, और नए आवश्यकताओं के अनुसार मॉडलों को लचीले ढंग से अनुकूलित करते हैं।.

अधिक जानकारी यहाँ:

प्रबंधित एआई प्लेटफ़ॉर्म

कृत्रिम बुद्धिमत्ता के उत्साह का अंत: बड़े मॉडलों की तुलना में स्मार्ट सिस्टम आर्किटेक्चर क्यों अधिक महत्वपूर्ण है?

कंपनियों के भीतर ही व्याप्त निराशा

जहां एक ओर आपूर्ति पक्ष में अरबों डॉलर बड़े-बड़े मॉडलों में निवेश किए जा रहे हैं, वहीं मांग पक्ष में स्थिति कहीं अधिक निराशाजनक है, खासकर उन कंपनियों के बीच जो वास्तव में जनरेटिव एआई का उत्पादक रूप से उपयोग करना चाहती हैं। मैसाचुसेट्स इंस्टीट्यूट ऑफ टेक्नोलॉजी के एक चर्चित अध्ययन में पाया गया कि जनरेटिव एआई से जुड़े 95 प्रतिशत आंतरिक कॉर्पोरेट पायलट प्रोजेक्ट लगभग 40 अरब डॉलर के कुल निवेश के बावजूद कोई मापने योग्य वित्तीय लाभ उत्पन्न करने में विफल रहे। प्रबंधन परामर्श फर्म बेन ने 900 से अधिक कंपनियों के एक व्यापक सर्वेक्षण में भी इसी तरह का निष्कर्ष निकाला: जहां 37 प्रतिशत कंपनियों ने 11 से 20 प्रतिशत तक लागत बचत का लक्ष्य रखा था, वहीं लगभग 40 प्रतिशत कंपनियों ने अपने परिणामों का आकलन करने के बाद केवल शून्य से 10 प्रतिशत तक की बचत हासिल की। तकनीकी रूप से तो तकनीक कारगर साबित हुई, लेकिन अपेक्षित आर्थिक लाभ नहीं मिल पाए। दिलचस्प बात यह है कि इसी अध्ययन के अनुसार, असफलता के बावजूद, 90 प्रतिशत कंपनियों ने निवेश की अगली लहर के लिए अपने बजट में वृद्धि की, इस बार स्वायत्त एआई एजेंटों में निवेश किया गया - जिसे पर्यवेक्षक संभावित रूप से उन्हीं संरचनात्मक त्रुटियों की खतरनाक पुनरावृत्ति मानते हैं।.

परिचालन कार्यान्वयन वास्तव में विफल क्यों होता है?

असफल परियोजनाओं के मूल कारणों का विश्लेषण व्यावहारिक एआई परिवर्तन के लिए महत्वपूर्ण अंतर्दृष्टि प्रदान करता है। गार्टनर के अनुसार, कम से कम 30 प्रतिशत जनरेटिव एआई परियोजनाएं अवधारणा चरण के बाद ही छोड़ दी जाती हैं, जिसके मुख्य कारण खराब डेटा गुणवत्ता, अपर्याप्त जोखिम नियंत्रण, बढ़ती लागत या अस्पष्ट व्यावसायिक लाभ बताए जाते हैं। बेन के अनुसार, मालिकाना डेटा तक पहुंच की कमी सबसे बड़ी बाधा है, जो बजट संबंधी मुद्दों, अनुपालन संबंधी चिंताओं या कुशल कर्मियों की कमी से भी कहीं अधिक महत्वपूर्ण है। एक अन्य प्रमुख समस्या यह है कि कंपनियां अक्सर मौजूदा, अक्षम कार्यप्रवाहों को मौलिक रूप से पुनर्रचित किए बिना ही स्वचालित कर देती हैं। एआई के साथ किसी दोषपूर्ण प्रक्रिया को गति देने से मूल त्रुटि और भी बढ़ जाती है, जिससे वह और अधिक गंभीर और महंगी हो जाती है, न कि सुधरती है। इसके अलावा, तैनात प्रणालियों की स्वायत्तता के संबंध में एक विकृत अपेक्षा है: वास्तविकता में, वर्तमान में तैनात एआई एजेंटों में से केवल लगभग सात प्रतिशत ही पूरी तरह से स्वायत्त रूप से कार्य करते हैं, जबकि अधिकांश को अभी भी मानवीय अनुमोदन की आवश्यकता होती है या वे अपवादों पर निर्भर करते हैं। हालांकि, यदि मूल व्यावसायिक योजना पूर्ण स्वचालन की धारणा पर आधारित थी, तो अनुमानित और वास्तविक बचत के बीच एक महत्वपूर्ण अंतर है।.

प्रतिप्रस्ताव के रूप में उपयोग की प्रति इकाई लागत का तर्क

सभी विशेषज्ञ इस बात से सहमत नहीं हैं कि जनरेटिव एआई का विस्तार ठीक से नहीं हो पाता। अर्थशास्त्री क्रिस्टोस मैक्रिडिस का तर्क है कि महत्वपूर्ण कारक केवल मॉडल का प्रदर्शन नहीं है, बल्कि उपयोगी आउटपुट की प्रति लागत है। इस दृष्टिकोण के अनुसार, वास्तविक बर्बादी तकनीक में नहीं, बल्कि इस तथ्य में है कि कई कंपनियां सरल कार्यों के लिए भी उपलब्ध सबसे बड़े और उन्नत मॉडल को ही तैनात कर देती हैं, जबकि छोटे, विशिष्ट मॉडल, नियम-आधारित सिस्टम या पारंपरिक सॉफ़्टवेयर पर्याप्त होते। कंपनियों को टोकन (भाषा मॉडल की प्रोसेसिंग यूनिट) का प्रबंधन उसी अनुशासनात्मक दृष्टिकोण से करना चाहिए जैसे क्लाउड खर्च, कर्मचारियों के कार्य घंटे या इन्वेंट्री का: किन कार्यों के लिए उन्नत मॉडल उपयुक्त है, किन कार्यों को छोटे मॉडल द्वारा संभाला जा सकता है, प्रतिक्रियाओं को बफर करना कहां उचित है, और कहां निर्णय लेने की प्रक्रिया में मानव की भागीदारी आवश्यक है? यह परिप्रेक्ष्य जिम्मेदारी को तकनीक से प्रबंधन पर स्थानांतरित करता है, जो अंततः एआई कार्यान्वयन की सफलता या विफलता को निर्धारित करता है, न कि केवल कंप्यूटिंग शक्ति पर निर्भर करता है।.

सत्य और अतिशयोक्ति के बीच

इस कथित इंजीनियरिंग आपदा को लेकर चल रही बहस को अधिक सूक्ष्म परिप्रेक्ष्य से देखने की आवश्यकता है। यह निर्विवाद रूप से सच है कि जनरेटिव एआई सिस्टम अपने वर्तमान स्वरूप में संसाधनों का अत्यधिक उपयोग करते हैं और इससे बाहरी पक्षों को वास्तविक आर्थिक लागतें उठानी पड़ती हैं, उदाहरण के लिए भंडारण की बढ़ती कीमतों या बिजली क्षमता के लिए प्रतिस्पर्धा के रूप में। हालांकि, यह निष्कर्ष निकालना अति सरलीकरण होगा कि यह तकनीक अपने आप में ही बेकार है या इसका आगे का विकास असंभव है। ऐतिहासिक रूप से, लगभग सभी परिवर्तनकारी अवसंरचना प्रौद्योगिकियां - रेलवे और विद्युतीकरण से लेकर 1990 के दशक में फाइबर ऑप्टिक नेटवर्क के विस्तार तक - अपने प्रारंभिक चरणों में भारी मात्रा में निवेश, संसाधनों के गलत आवंटन और कभी-कभी बड़ी विफलताओं से गुज़रीं, जिसके बाद अंततः एक व्यवहार्य और कुशल प्रणाली सामने आई। जनरेटिव एआई के साथ महत्वपूर्ण अंतर इसमें लगाए गए पूंजी की गति और पैमाने में निहित है, जो कुछ ही वर्षों में उस स्तर तक पहुंच गया है जो पिछली प्रौद्योगिकी चक्रों से कहीं अधिक है, जबकि मूलभूत भौतिक बाधाएं - ऊर्जा, भंडारण, शीतलन - अभी तक पूरी तरह से हल नहीं हुई हैं।.

इस घटनाक्रम का कॉर्पोरेट एआई रणनीति पर क्या प्रभाव पड़ेगा?

जनरेटिव एआई को अपनी व्यावसायिक प्रक्रियाओं में एकीकृत करने की इच्छुक कंपनियों के लिए, इस समग्र स्थिति के स्पष्ट रणनीतिक निहितार्थ हैं। जो कंपनियां एआई उपकरणों को केवल उत्पादकता बढ़ाने वाले जादुई उपकरण के रूप में खरीदती हैं और अंधाधुंध सबसे शक्तिशाली, लेकिन सबसे महंगे मॉडल का चयन करती हैं, वे लागत और जटिलता के जाल में फंसने का जोखिम उठाती हैं, जो अंततः उनके मूल रूप से नियोजित व्यावसायिक योजना को पटरी से उतार देता है। दूसरी ओर, सफल कंपनियां ठोस, स्पष्ट रूप से परिभाषित उपयोग मामलों पर बहुत सटीक रूप से ध्यान केंद्रित करती हैं, जहां शुरू से ही अतिरिक्त मूल्य को मापने योग्य रूप से परिभाषित किया जाता है। एक सचेत आर्किटेक्चरल निर्णय भी उतना ही महत्वपूर्ण है: हर कार्य के लिए सबसे शक्तिशाली उपलब्ध मॉडल की आवश्यकता नहीं होती; अक्सर, छोटे, विशिष्ट या स्थानीय रूप से संचालित सिस्टम, जो काफी सस्ते और अधिक ऊर्जा-कुशल होते हैं, पर्याप्त होते हैं। इसके अलावा, एक मजबूत शासन संरचना आवश्यक है। यह संरचना स्पष्ट रूप से परिभाषित करती है कि कंपनी के भीतर एआई सिस्टम संबंधी निर्णयों के लिए कौन जिम्मेदार है, डेटा एक्सेस की संरचना कैसी है, और अगले निवेश दौर को मंजूरी देने से पहले सफलता को वास्तव में कैसे मापा जाता है।.

"जेनरेटिव एआई को अनियंत्रित छाया आईटी परियोजना बनकर नहीं रहना चाहिए। जो कोई भी इस प्रचार से वास्तविक लाभ उठाना चाहता है, उसे यह समझना होगा: सटीकता गति से बेहतर है। सफलता केवल उन्हीं को मिलेगी जो सिस्टम डिजाइन और स्मार्ट संगठनात्मक संरचना पर ध्यान केंद्रित करेंगे।"

गति के बजाय सटीकता को नया मार्गदर्शक सिद्धांत बनाना

इन सभी अवलोकनों से एक व्यापक सिद्धांत निकाला जा सकता है जो बड़े मॉडलों और अधिक निवेश राशियों की पूर्व-प्रचलित होड़ को प्रतिस्थापित करेगा: सटीकता गति से बेहतर है। डेटा केंद्रों, चिप्स और प्रशिक्षण प्रक्रियाओं में यथासंभव अधिक से अधिक पूंजी लगाना और यह उम्मीद करना कि दक्षता और लाभप्रदता अंततः अपने आप प्राप्त हो जाएगी, अब पर्याप्त नहीं है। इसके बजाय, एक ठोस प्रणाली संरचना, सुविचारित इंजीनियरिंग और मौजूदा व्यावसायिक प्रक्रियाओं में बुद्धिमान संगठनात्मक एकीकरण की शुरुआत से ही आवश्यकता है। केवल इन्हीं परिस्थितियों में जनरेटिव एआई एक महंगी, अक्सर अनियंत्रित छाया आईटी घटना से एक रणनीतिक मूल्य सृजन घटक के रूप में विकसित हो सकता है। अगले दो से तीन वर्षों में संभवतः यह पता चलेगा कि कौन से प्रदाता और कंपनियां विशुद्ध पूंजी-गहनता से एक वास्तविक इंजीनियरिंग अनुशासन में इस परिवर्तन को सफलतापूर्वक पूरा करती हैं, और कौन सी वर्तमान प्रणाली की भौतिक और आर्थिक सीमाओं के कारण विफल हो जाती हैं।.