Applied AI काम नहीं करता

दुनिया ने AI पर भारी भरकम पैसा खर्च किया है। लेकिन ज़्यादातर कंपनियों के लिए, कुछ नहीं बदला। मैंने दुनिया की सबसे बड़ी कंपनियों के 300 से अधिक CEOs, CIOs और CFOs से बात की है। मैंने सीखा कि ज़्यादातर कंपनियाँ अपनी बेकार प्रक्रियाओं पर AI लागू करती हैं, और इसका नतीजा सिर्फ़ बेकार काम को और तेज़ करना होता है। चाहे वह हज़ारों Claude Code लाइसेंस खरीदना हो, सालाना $50M टोकन खर्च करना हो, या Zoom पर AI ट्रेनिंग सेशन चलाना हो, मैंने पहले हाथों-हाथ देखा है कि AI अपनाना कितना बेअसर रहा है। ऐसा होना ज़रूरी नहीं है।

हम पहले भी इस रास्ते पर चल चुके हैं, कई बार, और हमें AI अपनाने के मामले में इतिहास से सीखना चाहिए। मेरी उम्मीद है कि इस लेख के अंत तक, दुनिया भर के AI लीडर AI लागू करने के अपने पुराने और भोले-भाले तरीकों को छोड़ देंगे, और इसके बजाय नीचे बताई गई आज़माई हुई और सच्ची प्रक्रिया का पालन करेंगे।

भाग 1: इतिहास और उसके समानांतर

1990 में, MIT के पूर्व कंप्यूटर साइंस प्रोफेसर माइकल हैमर ने हार्वर्ड बिज़नेस रिव्यू के लिए एक लेख लिखा था। उन्होंने पहले ही उन कंपनियों में साल बिताए थे जिन्होंने कंप्यूटर पर भारी पैसा खर्च किया था, लेकिन ROI बहुत कम पाया, और वह यह पता लगाने वाले पहले लोगों में से थे कि ऐसा क्यों है।

"सूचना प्रौद्योगिकी में भारी निवेश ने निराशाजनक परिणाम दिए हैं, मुख्यतः क्योंकि कंपनियाँ व्यवसाय करने के पुराने तरीकों को मशीनीकृत करने के लिए प्रौद्योगिकी का उपयोग करती हैं। वे मौजूदा प्रक्रियाओं को यथावत छोड़ देते हैं और उन्हें तेज़ करने के लिए केवल कंप्यूटर का उपयोग करते हैं।"

यह एक सच्चा उद्धरण है। मज़ाक कर रहे हैं क्या? अगर आप 'सूचना प्रौद्योगिकी' की जगह 'AI' डाल दें, तो आप इसे कल प्रकाशित कर सकते हैं और Business Insider के पहले पन्ने पर हो सकते हैं। उसी लेख में उन्होंने लिखा था कि अब समय आ गया है कि गाय के रास्तों को पक्का करना बंद किया जाए। इसे 36 साल हो गए हैं, और अंदाज़ा लगाइए हम अब भी क्या कर रहे हैं?

नोट: गाय के रास्तों को पक्का करने का मतलब है किसी मौजूदा अक्षम प्रक्रिया को स्वचालित, औपचारिक या लॉक कर देना, बजाय इसके कि उसे फिर से डिज़ाइन किया जाए कि चीज़ों को कैसे काम करना चाहिए। आपका Claude का सफ़र बचा लिया, आपका स्वागत है।

इस बीच, AI के निर्माण पर $1T से अधिक खर्च किया गया (अकेले Microsoft, Alphabet, Amazon और Meta ने 2025 में $410B खर्च किए; हैरान कर देने वाला, मुझे पता है), जबकि कंपनियों ने इसके वास्तविक उपयोग पर केवल $37B खर्च किए। व्यवहार में इसका मतलब: UK के Department for Business and Trade ने Microsoft 365 Copilot का परीक्षण किया और परिणाम प्रकाशित किए। 3 महीनों में 1,000 लाइसेंस जारी किए गए, और प्रति उपयोगकर्ता प्रति दिन औसतन केवल 1.14 Copilot क्रियाएँ हुईं। PowerPoint स्लाइड्स 7 मिनट तेज़ (18 मिनट से घटकर 11 मिनट) आईं, लेकिन गुणवत्ता स्कोर आधा था। Excel विश्लेषण वास्तव में अधिक धीरे (और खराब गुणवत्ता वाला) पूरा हुआ। ईमेल में समय की बचत, और मैं उद्धृत करता हूँ, "बेहद छोटी" थी। उनका अपना निष्कर्ष, शब्दशः: "हमें यह सुझाव देने के लिए कोई ठोस सबूत नहीं मिला कि समय की बचत से उत्पादकता में सुधार हो रहा है।" और फिर भी 72% उपयोगकर्ताओं ने कहा कि वे संतुष्ट या बहुत संतुष्ट हैं।

लंबी कहानी संक्षेप में: लोगों को यह पसंद आया, फिर भी वे बिल्कुल वही उत्पादन कर रहे थे जो पहले करते थे। Ethan Mollick (Wharton के एसोसिएट प्रोफेसर और AI शोधकर्ता) ने इसे सबसे अच्छे से कहा: "AI का उपयोग जो व्यक्तिगत प्रदर्शन को बढ़ाता है, स्वाभाविक रूप से संगठनात्मक प्रदर्शन को बेहतर बनाने में तब्दील नहीं होता है।" यह लेख इस बात का विस्तार करेगा कि ऐसा क्यों है, और उन समाधानों की पेशकश करेगा जिन्हें हमने व्यवहार में हमारे लिए काम करते देखा है।

संदर्भ के लिए, मैं Vas हूँ, @varickagents का CEO। हम बहुत बड़ी कंपनियों ($500M से $100B तक के राजस्व, 1k से 100k कर्मचारियों वाली) के साथ काम करते हैं, सामान्य रणनीति से लेकर प्रक्रिया पुनर्रचना, उनके एजेंटों के निर्माण, तैनाती और प्रबंधन तक, AI अपनाने में उनकी मदद करते हैं। यह लेख हमारे द्वारा प्राप्त सीखों पर आधारित है: वे AI पायलट जो विफल होते हैं (कोई मापने योग्य ROI नहीं) उनसे क्या अलग है जो सफल होते हैं (80%+ काम पूरी तरह से एक एजेंट द्वारा संभाला जाता है, समय और पैसा बचाता है)।

ऐसा होने का कारण सिर्फ़ मूर्खता नहीं है। इसमें से कुछ तो यह है, बिल्कुल, लेकिन इसका अधिकांश भाग जड़ता और डिज़ाइन है। जो कोई भी आज AI अनुबंध पर हस्ताक्षर करता है, वह टूलिंग और विक्रेता चयन का मालिक हो सकता है, लेकिन वह निश्चित रूप से प्रक्रिया का मालिक नहीं है। उस श्रृंखला में कोई भी यह कहने के लिए सशक्त नहीं है कि, उदाहरण के लिए, वित्त में जाकर कहे कि उनकी 14-चरणीय प्रक्रिया वास्तव में केवल 5 चरणों की होनी चाहिए। इसलिए कोई ऐसा नहीं करता। इसके बजाय, आप अपने पास मौजूद चीज़ों पर 'AI लागू' करते हैं, और आप तेज़ बकवास के साथ समाप्त होते हैं।

AI को 'लागू' नहीं किया जाना चाहिए। यह काम नहीं करता। आप पेंट का एक कोट 'लागू' करते हैं। बहुत से लोग AI को पेंट के एक ताज़ा कोट की तरह सोच रहे हैं, और पेंट उस चीज़ को ठीक नहीं करता जो नीचे है। किसी ने कभी 'एप्लाइड क्लाउड' या 'एप्लाइड डिजिटल' नहीं कहा। नहीं, इसके बजाय उन्होंने डिजिटल ट्रांसफॉर्मेशन, क्लाउड मॉडर्नाइज़ेशन कहा, क्योंकि हर कोई समझता था कि ये परिवर्तन थे, और प्रौद्योगिकी उनका केवल एक हिस्सा थी। AI भी यही रूप लेता है।

वापस हैमर पर: उनका सबसे अच्छा आंकड़ा एक बीमा कंपनी से है जिसका उन्होंने अध्ययन किया। एक आवेदन को व्यवसाय में आगे बढ़ने में 22 दिन लगे। उन 22 दिनों में से, किसी के द्वारा उस पर काम करने में बिताया गया कुल समय 17 मिनट था। मान लीजिए, आज, आपका AI आदमी उस प्रक्रिया पर दुनिया का सबसे अच्छा मॉडल डालता है और यह हर व्यक्तिगत चरण को दोगुना तेज़ कर देता है। उसने अब 8.5 मिनट बचाए हैं। वह इसे 50% समय की बचत बताता है, अपना प्रमोशन और बोनस पाता है, और सूर्यास्त की ओर चला जाता है। यह 8 मिनट है।

बचत आवेदन पर काम करने में नहीं थी। वे कतारों और हैंडऑफ़ में थी, अन्य टीमों की प्रतीक्षा अवधि में, और समीक्षा के दूसरे दौर में। 17 मिनट को तेज़ करने में अपनी ऊर्जा खर्च करना कुछ न करने से भी बदतर है; आपने अभी-अभी अपना बजट खर्च किया, और अपने बोर्ड को साबित कर दिया कि 'AI काम नहीं करता'। आप सोच सकते हैं कि यह 90 के दशक का अवशेष है, लेकिन ऐसा नहीं है। हमने एक ऐसी कंपनी के साथ काम किया जो अपने स्वयं के सिस्टम लॉग से इसी समस्या से गुज़री थी। एक नया क्लाइंट केस खोलने में 25 मिनट का वास्तविक काम लगता था। केस दर्ज होने से लेकर सक्रिय होने तक का बीता हुआ समय 2 दिन से लेकर 2 सप्ताह तक होता था। काम मिनटों का हो सकता है जबकि प्रक्रिया अभी भी हफ्तों की हो सकती है।

जब मैं कहता हूँ कि अधिकांश AI प्रोग्राम बकवास को तेज़ कर रहे हैं, तो मेरा शाब्दिक अर्थ यही है। प्रक्रिया बकवास है। AI इसे तेज़ कर रहा है। जिस पर मैंने सुना है: "ठीक है, हम एक बड़ी कंपनी हैं, तो स्पष्ट रूप से हम कुछ सही कर रहे हैं, और हमें बदलने की ज़रूरत नहीं है।" अनुकूलन करो या मरो आज भी उतना ही जीवित और सक्रिय है जितना पहले कभी नहीं था, और यह एकमात्र जगह है जहाँ AI डिजिटल और क्लाउड से अलग है। सही ढंग से उपयोग किया गया AI, एक प्रतियोगी को आप पर वह लाभ देता है जो उन्होंने कभी नहीं दिया। चाहे वह लागत पर आपको कम आंकना हो, प्रसंस्करण कर्मचारियों के बिना असीम रूप से स्केल करना हो, या इससे पहले कि आप एक लीड लिस्ट तैयार कर पाएं, पूरी दुनिया तक पहुँचना हो, वे आपको कुचल देंगे। सबसे अच्छी स्थिति में आप बढ़ते रहते हैं, और अब आपका हेडकाउंट तेज़ी से बढ़ता है। 3 विश्लेषक 6 हो जाते हैं, लेकिन 6 को अब एक प्रबंधक की आवश्यकता होती है, और यह देखते हुए कि यह 2 टीमें हैं, उन्हें एक हैंडऑफ़ की आवश्यकता होती है जो पहले मौजूद नहीं था, और अब उस हैंडऑफ़ को एक स्टेटस मीटिंग और एक PM आदि की आवश्यकता होती है। यही कारण है कि हेडकाउंट चार्ट ऊपर की ओर झुकते हैं, जबकि राजस्व-प्रति-कर्मचारी नहीं। अनुकूलन करो या मरो, लेकिन यह दिखावा मत करो कि AI नहीं हो रहा है। आपके प्रतिस्पर्धी इसे समझने के लिए कुछ भी करने को तैयार हैं।

भाग 2: आज क्या करें

आपका डेटा गड़बड़ है और आपके सिस्टम एक-दूसरे से बात नहीं करते हैं, इसलिए शायद आपकी पहली प्रवृत्ति कुछ और छूने से पहले इसे ठीक करने की है। आपको बस एक ERP, एक CRM, एक डेटा प्लेटफ़ॉर्म चाहिए, फिर उसके ऊपर AI। यह सिद्धांत में बहुत अच्छा लगता है, लेकिन IT विशेषज्ञ समझते हैं कि यह कभी इतना सरल नहीं होता है। देखें कि इसकी वास्तविक लागत क्या है, पैसे और समय दोनों में।

TSB ने कोर बैंकिंग माइग्रेशन पर £318M खर्च किए, घटना लागत में लगभग £200M अधिक खर्च किए, दिसंबर 2022 में FCA और PRA द्वारा £48.65M का जुर्माना लगाया गया, और 5.2 मिलियन ग्राहकों के लिए बैंकिंग तोड़ दी। Zimmer Biomet, एक $8B निर्माता, ने सितंबर 2025 में Deloitte के खिलाफ $172M का दावा दायर किया, एक बुरी तरह से विफल 'माइग्रेशन और समेकन' के बाद, जिसने उन्हें बुनियादी कार्य करने में असमर्थ छोड़ दिया, जैसे अपने उत्पाद को शिप करना, अपने ग्राहकों को चालान करना, या कार्यात्मक बिक्री रिपोर्टिंग तैयार करना। और ये सिर्फ़ दो उदाहरण हैं जो खबरों में आए; इस तरह की घटनाएँ आपके विचार से कहीं अधिक सामान्य हैं।

इसके बजाय, आपको जिस चीज़ पर ध्यान केंद्रित करना चाहिए, वह है प्रक्रिया को सुलझाना। मान लीजिए कि आपने पिछले 20 वर्षों में 9 कंपनियाँ खरीद ली हैं, जिसका अर्थ है कि अब आपके पास वही प्रक्रिया है जो आपकी 9 सहायक कंपनियों में 9 अलग-अलग तरीकों से चलती है। यदि आप अपनी पूरी कंपनी में AI 'लागू' करना चाहते हैं, तो आपको उसी एजेंट को 9 अलग-अलग तरीकों से बनाना होगा, और फिर सभी 9 सेटों के एजेंटों को हमेशा के लिए बनाए रखने के लिए मजबूर होना पड़ेगा। इस नरक से बचने के लिए, आपको पहले उस एकल प्रक्रिया को परिभाषित करना होगा जो वैश्विक स्तर पर चलती है, जिसे आप अपनी पूरी इकाई में लागू करते हैं, इससे पहले कि आप उसके ऊपर AI लागू करने के बारे में सोचें।

इसके विपरीत, आपको एक ERP की आवश्यकता नहीं है। नियतात्मक एकीकरण उसी क्षण टूट जाते थे जब 2 सिस्टम इस बात पर असहमत होते थे कि विक्रेता रिकॉर्ड क्या है। हालाँकि, एजेंट इस असंगति को सहन करते हैं, इसलिए एक ऑर्केस्ट्रेशन लेयर जो आपके पास पहले से मौजूद सिस्टम के बीच बैठता है, वह अलग-अलग सिस्टम का समाधान है। आपके सिस्टम को केवल एक-दूसरे से बात करने की ज़रूरत नहीं है, उन्हें खुशी-खुशी शादीशुदा होने की ज़रूरत है, एक-दूसरे की गलतियों को सहन करते हुए।

मैपिंग शुरू करें

अपने व्यवसाय को फिर से डिज़ाइन करने के लिए आपको पहले इसे समझना होगा। आप एक ही वर्कफ़्लो को चुनकर समझ के इस स्तर तक नहीं पहुँचते हैं, जहाँ आप किसी चीज़ को सही करने में 8 सप्ताह बिताते हैं जो बाद में पता चलता है कि वह ऊपर की एक सहयोगी प्रक्रिया द्वारा अवरुद्ध है, और अंत में शुद्ध 0 ROI के साथ समाप्त होते हैं।

साथ ही, हालाँकि, आप एक साथ पूरे व्यवसाय को शामिल नहीं कर सकते हैं, आपको कहीं से शुरुआत करनी ही होगी। विभाग स्तर पर शुरुआत करें। यह सही नहीं होने वाला है - वित्त हर बार बिक्री को छूता है जब राजस्व मान्यता इस बात पर निर्भर करती है कि कुछ कैसे बेचा गया था। HR हर नई भर्ती पर IT और Ops को छूता है। लेकिन कम से कम इस तरह, आप वर्कफ़्लो के 'बंडलों' की पहचान करते हैं जो एक ही विभाग को फीड करते हैं (उदाहरण के लिए, वित्त में AP, AR, FP&A, Billing, Banking, Reconciliations आदि शामिल हैं), और आप निम्नलिखित 7 विवरणों को मैप करना शुरू कर सकते हैं:

1. 'हैप्पी पाथ': यह वर्कफ़्लो किसके लिए ज़िम्मेदार है, और सबसे आदर्श परिदृश्य में क्या होता है। अधिकांश कंपनियों के लिए, यह लगभग एकमात्र चीज़ है जो वास्तव में पूरी तरह से प्रलेखित है।
2. अपवाद। यह वह जगह है जहाँ आपका अधिकांश समय जाता है। केवल यह वर्णन न करें कि क्या होता है, जाएँ और गणना करें कि वॉल्यूम का कितना हिस्सा हैप्पी पाथ छोड़ता है, वह कहाँ जाता है, किसे शामिल किया जाता है, इन अपवादों को संभालने का चक्र समय क्या है, और यहाँ त्रुटि की लागत क्या है।
3. इस वर्कफ़्लो के ऊपर और नीचे क्या है? जब चीज़ें देर से होती हैं या प्रत्येक में गलत होती हैं, तो यह प्रक्रिया उनके साथ कैसे बातचीत करती है?
4. इसमें शामिल सभी सिस्टम ऑफ़ रिकॉर्ड कौन से हैं, और जब उनमें से 2 असहमत होते हैं तो कौन सा जीतता है?
5. यह क्षेत्र, इकाई, सहायक कंपनी, इस बात से कैसे भिन्न होता है कि यह किस अधिग्रहण के माध्यम से आया?
6. टच टाइम बनाम बीता हुआ समय क्या है, और हर एक चरण पर अंतर कैसे बदलता है?
7. फ़ंक्शन में हर एक व्यक्ति की AI-क्षमता क्या है, और भविष्य की स्थिति वाली AI प्रणाली पर उनका कितना स्वामित्व होना चाहिए? (इसकी गणना करना व्यक्तिपरक है और बहुत भिन्न होता है)।

उपरोक्त जानकारी निकालने के लिए दो प्रक्रियाओं की आवश्यकता होती है:

• क्रियाओं, टाइमस्टैम्प, थ्रूपुट, संपादन और वास्तविकता को प्राप्त करने के लिए सिस्टम ऑफ़ रिकॉर्ड के विरुद्ध प्रक्रिया माइनिंग जो दस्तावेज़ीकरण से मेल नहीं खाती है।
• साक्षात्कार, क्योंकि उपरोक्त आपको डेटा देगा, लेकिन ऑपरेटरों के साथ बातचीत आपको बताएगी कि वास्तव में दर्द कहाँ है। आपके संगठन की वास्तविकता 10-20 लोगों के दिमाग में रहती है जो वर्षों से आपकी कंपनी के लिए यह सटीक काम कर रहे हैं, और अंत में आपके AI को इन लोगों द्वारा अपनाए जाने की आवश्यकता है ताकि यह प्रभावी ढंग से काम कर सके।

इनमें से केवल एक चरण करने से आपके पास अधूरी तस्वीर रह जाती है, और यह AI खोज के विफल होने का सबसे बड़ा कारण है। मैंने Applied AI फर्मों को 'AI साक्षात्कार' या साक्षात्कार करने के लिए इंजीनियरों को भेजकर शॉर्टकट लेने की कोशिश करते देखा है। यह काम नहीं करता है। आधा काम ऑपरेटरों के साथ एक मजबूत संबंध विकसित करना है, और यह जानना है कि उनसे क्या प्रश्न पूछने हैं, ताकि आप इस बात की अच्छी समझ के साथ जाएँ कि क्या बनाना है और इसे कैसे तैनात करना है।

जो एजेंट काम करते हैं वे सिर्फ़ LLM कॉल नहीं हैं

प्रक्रिया पुनर्रचना एक छँटाई अभ्यास है जिसके लिए सॉफ़्टवेयर और AI अनुभव की आवश्यकता होती है। प्रत्येक चरण 3 बाल्टियों में से एक में आता है:

नियतात्मक। यदि X तो Y, बिना किसी निर्णय के। उदाहरण के लिए, यदि चालान एक निश्चित डॉलर राशि सीमा से कम है और यह PO और माल प्राप्ति से मेल खाता है, तो आप इसका भुगतान करते हैं। यदि प्रकटीकरण किसी प्रतियोगी का नाम लेता है, तो इसे संघर्ष टीम को रूट करें। ये क्रियाएँ सादे, अच्छे पुराने सॉफ़्टवेयर के रूप में सबसे अच्छी हैं। यदि आप इसके बजाय नियमित कोड के साथ कर सकते हैं, जो सस्ता, ऑडिट करने योग्य, नियतात्मक (कभी मतिभ्रम नहीं करता) और तेज़ है, तो आपको एक फैंसी LLM कॉल की आवश्यकता नहीं है।

एजेंटिक। यदि आपके पास मनुष्यों द्वारा निर्णय लेने के हजारों पिछले उदाहरण हैं जिनमें परिणाम दर्ज किया गया है, और यह चरण पर्याप्त रूप से कम जोखिम वाला है (उदाहरण के लिए, डील डेस्क अनुमोदन, या GL कोडिंग), तो आपको निर्णय के लिए निश्चित रूप से LLM का उपयोग करना चाहिए। खासकर यदि आउटपुट हाँ/नहीं, इस-टीम-को-रूट-करें, फ़्लैग/फ़्लैग-न-करें, या मैच/मैच-न-करें है, तो इसे एक एजेंट के साथ शिप करें और हर आउटपुट को मापें। दूसरी ओर, यदि आवश्यक आउटपुट किसी दस्तावेज़ के 5 पृष्ठ हैं जिसे एक मानव को वैसे भी पूरी तरह से सत्यापित करने के लिए पढ़ना है, तो आप दृष्टिकोण को हाइब्रिड करने में बेहतर हैं। यहाँ, आपको कार्रवाई की कठिनाई का न्याय करने की आवश्यकता है, सोच की कठिनाई का नहीं।

ह्यूमन-इन-द-लूप। उन चरणों के लिए जो बहुत जोखिम भरे हैं, या जिनमें पर्याप्त ऐतिहासिक संदर्भ नहीं है, आप मानव को लूप में रखने में बेहतर हैं, क्योंकि किसी एजेंट द्वारा कार्रवाई गलत करने की लागत बहुत अधिक है। इसके बजाय, मानव के निर्णय लेने के समय उसके सामने सभी प्रासंगिक सबूत रखें। उदाहरण के लिए, एक एजेंट एक चालान और एक खरीद आदेश के बीच बेमेल का पता लगाएगा, और फिर मानव को 3 विकल्प प्रस्तुत करेगा: वैसे भी अनुमोदित करें, स्पष्ट रूप से अस्वीकार करें, या प्रतिक्रिया प्रदान करें और किसी और को रूट करें। एजेंट ने अभी-अभी आपके मानव को ईमेल, चालान रिकॉर्ड और अधिक की खोज में 40 मिनट बचाए हैं, ताकि इसके बजाय, वे 30 सेकंड में निर्णय ले सकें। लेकिन अंतिम कार्रवाई अभी भी उस मानव द्वारा अवरुद्ध है।

एक बार जब आप प्रत्येक चरण को उपरोक्त 3 बाल्टियों में से एक में क्रमबद्ध कर लेते हैं, तो आप 25-चरणीय प्रक्रिया जैसी किसी चीज़ को 3 एजेंटों के एक समूह में बदल सकते हैं, जिसमें पहले और बाद में नियतात्मक चरण हों, और अंत में अनब्लॉक करने के लिए ह्यूमन-इन-द-लूप कार्रवाई के 2 बिंदु हों। यह प्रक्रिया पुनर्रचना कार्य, स्वयं एजेंटों के साथ, वह जगह है जहाँ सारा ROI रहता है।

इसके बाद, आप कुछ भी बनाने से पहले KPI को बेसलाइन करते हैं। आपका लक्ष्य उस प्रक्रिया के पीछे की संख्याओं की गणना करना है जिसे आप हल कर रहे हैं, जिसमें यह भी शामिल है कि आज उन संख्याओं को कहाँ और कैसे मापा जाता है। यदि आप ऐसा नहीं कर सकते हैं, तो यह परियोजना विफल होने वाली है। आपको अब से 12 महीने पीछे देखने और कहने में सक्षम होना चाहिए: हम पहले X पर हुआ करते थे, और अब हम 3X, या 10X, या 100X पर हैं, हमारे द्वारा बनाए गए एजेंटों के लिए धन्यवाद। तभी आप कह सकते हैं कि यह परियोजना वास्तव में सफल रही।

अंत में, आप अपने निर्माण को प्राथमिकता देते हैं और अनुक्रमित करते हैं। पहले, सबसे अधिक हैंडऑफ़ वाले वर्कफ़्लो से निपटें, क्योंकि यह संभवतः सबसे कम लटकने वाला फल है जहाँ आप सबसे स्पष्ट परिणाम देख सकते हैं। मुख्य अंतर यह है कि यह आवश्यक रूप से सबसे अधिक वॉल्यूम वाला वही वर्कफ़्लो नहीं है।

व्यवहार में यह कैसा दिखता है?

हमने एक वैश्विक व्यवसाय को फिर से इंजीनियर किया जो हर महीने 300+ बैंक खातों का मिलान करता था। उनमें से 2/3 को एक ऑफशोर टीम द्वारा संभाला जाता था, और बाकी को 3 अलग-अलग प्रारूपों में 2 अन्य क्षेत्रों में विभाजित किया जाता था, लेकिन पूरी तरह से Excel में। 12,000+ खुले मिलान आइटम थे, और हर महीने की शुरुआत में 4 दिन स्टेटमेंट प्राप्त करने में बिताए जाते थे। उनकी मिलान प्रक्रिया में लगभग पूरा महीना लग जाता था, हर महीने।

हमारे द्वारा पुनर्रचना करने से पहले उनका वर्कफ़्लो इस प्रकार था (और इससे पहले कि आप उनका मज़ाक उड़ाएँ, पहचानें कि आपकी अपनी कंपनी में निश्चित रूप से ऐसी प्रक्रियाएँ हैं, यदि इससे भी बदतर नहीं हैं):

1. प्रत्येक बैंक से स्टेटमेंट का पीछा करें और उन्हें इकट्ठा करें, चाहे वे किसी भी प्रारूप में प्रदान करें
2. उन्हें क्षेत्रीय कार्यपुस्तिका में सामान्यीकृत करें
3. लेज़र एक्सट्रैक्ट खींचें
4. लाइन दर लाइन मिलान करें
5. जो मेल नहीं खाता उसे फ़्लैग करें
6. फ़्लैग किए गए आइटम के संदर्भ के लिए एक स्थानीय नियंत्रक को ईमेल करें
7. उनके उत्तर की प्रतीक्षा करें
8. यदि उत्तर नहीं मिला तो उसका पीछा करें
9. अंत में उत्तर प्राप्त करें, फिर समायोजन पोस्ट करें
10. क्षेत्र को समेकित फ़ाइल में रोल करें
11. अन्य 2 क्षेत्रों में से प्रत्येक के लिए पूरी 1-10 चरण प्रक्रिया फिर से करें, प्रत्येक अपने स्वयं के प्रारूप में।
12. बंद करें।

यदि आप उनमें से प्रत्येक चरण को तेज़ करते हैं, तो मिलान तेज़ हो जाता है। समस्या यह है कि मिलान कभी समस्या नहीं थी। स्टेटमेंट की प्रतीक्षा में 4 दिन, और दूसरे समय क्षेत्र में नियंत्रक को ईमेल, और उत्तर में अभी भी 3 दिन लगना, ये समस्या हैं। मिलान को तेज़ करके, आप एक ऐसी प्रक्रिया से घंटों कम कर देंगे जो हफ्तों में मापी जाती है।

हमने इसके बजाय उनकी प्रक्रिया को 3 चरणों में फिर से डिज़ाइन किया।

1. स्टेटमेंट एक फीड पर आते हैं, कन्वेयर बेल्ट शैली में, पीछा किए जाने के बजाय। इसका AI से कोई लेना-देना नहीं है।
2. नियमों के आधार पर जो कुछ भी मिलान किया जा सकता है, वह स्वचालित रूप से मिलान किया जाएगा, और यदि नहीं, तो एक एजेंट एंड-टू-एंड केस तैयार करेगा: आइटम के साथ, ऐतिहासिक वर्गीकरण, विभिन्न सिस्टम ऑफ़ रिकॉर्ड से एकत्र किए गए सबूत, और एक प्रस्तावित अगला कदम।
3. अंत में, एक मानव अपवादों की अपनी कतार के माध्यम से काम करता है, उनकी समीक्षा के लिए तैयार किए गए सबूतों के साथ, बजाय इसके कि उन्हें ERPs और स्प्रेडशीट्स में बिखरे डेटा को मैन्युअल रूप से छानना पड़े।

पीछा करना, ईमेल करना, प्रतीक्षा करना, पुनः-की-इंग करना और क्षेत्रीय रोल-अप पूरी तरह से समाप्त कर दिए गए। यह एक एजेंट सिस्टम के बीच का अंतर है जो मिनट और घंटे बचाता है, और एक एजेंट सिस्टम जो सप्ताह बचाता है।

भाग 3: यह अधिक सामान्य क्यों नहीं है?

आपसे झूठ बोला गया

AI पिच जो आपको मिली, वह शुरू से ही भ्रामक थी। एक बिंदु समाधान के रूप में अपनाया गया AI वह नहीं है जिससे आप मूल्य प्राप्त करते हैं। आप इसे केवल IT से नहीं कर सकते हैं, और आप इसे $1M बजट और 0 अधिकार वाले 'नवाचार फ़ंक्शन' से नहीं कर सकते हैं। एक ऐसी प्रक्रिया को फिर से डिज़ाइन करना जो 4 विभागों में फैली हुई है, के लिए किसी ऐसे व्यक्ति की आवश्यकता होती है जो सभी 4 विभागों को बता सके कि प्रक्रिया बदल रही है। एक कंपनी में केवल मुट्ठी भर लोग ही ऐसा कर सकते हैं; यह ऊपर से आना होगा।

लेकिन जटिलता की एक और डिग्री: आज वास्तव में काम करने वाले लोग, जैसे कि खातों देय के प्रमुख, और वित्त भर के ऑपरेटर और विश्लेषक, को भी शामिल किया जाना चाहिए। उन्हें नई AI प्रणाली चाहिए होगी, क्योंकि उन्हें इसे कल अपनाना और आगे बढ़ाना होगा। उन्हें ऐसी जानकारी देने की इच्छा होनी चाहिए जो वे सोचते हैं कि संभावित रूप से उनकी जगह ले सकती है, भले ही अधिकांश समय ऐसा न हो।

और सबसे महत्वपूर्ण बात, AI को अपनाना जोखिम भरा माना जाता है। यथास्थिति अधिकांश लोगों के लिए 'सुरक्षित' है, जिन्हें AI काम करने पर कोई प्रमोशन नहीं मिलता है, फिर भी यदि यह काम नहीं करता है तो उन्हें निकाल दिया जाता है, भले ही यथास्थिति पर बने रहने का मतलब कंपनी को धीरे-धीरे मरने देना हो।

पुनर्रचना काफी कठिन है

1993 में हैमर और चैम्पी का अपना अनुमान था कि प्रक्रिया पुनर्रचना का प्रयास करने वाले 50% से 70% संगठनों ने अपने इच्छित परिणाम प्राप्त नहीं किए। (स्पष्ट रूप से 90 के दशक के बाद से बहुत कुछ नहीं बदला है)। हैमर ने स्वयं बाद में कहा कि वह "मानवीय आयाम की पर्याप्त सराहना नहीं कर रहे थे।" उनका मतलब था कि 'हैंडऑफ़ हटाने' का मतलब, उस समय, उस हैंडऑफ़ के लिए ज़िम्मेदार व्यक्ति को निकाल देना था (यह उनकी पूरी नौकरी थी), और फिर बाकी सभी से अपना काम बदलने के लिए कहना, जबकि उस समय का 'सॉफ़्टवेयर' ऐसे बदलाव का समर्थन नहीं करता था। जिसका अर्थ है कि सलाहकारों के आने और जाने के बाद, संगठन संरचना और प्रक्रिया जल्दी से अपनी मूल स्थिति में वापस आ गई: एक जो अक्षमताओं और त्रुटियों से भरी हुई थी।

हालाँकि, आज दो चीज़ें मौलिक रूप से भिन्न हैं। पहला, AI-नेटिव टूलिंग एक अभूतपूर्व तरल सॉफ़्टवेयर स्थिति प्रदान करता है: एक जो अपने आस-पास के परिवर्तनों के अनुकूल हो सकता है। आपके सिस्टम ऑफ़ रिकॉर्ड में बैठा एक एजेंट उन हैंडऑफ़ को चला सकता है जो पहले लोगों पर निर्भर थे, साथ ही नियतात्मक सॉफ़्टवेयर से अपने आस-पास की विसंगतियों को संभाल सकता है, और मनुष्यों में आम भिन्नता से भी प्रतिरक्षित है। दूसरा, जो काम आप पहले समाप्त कर रहे हैं, वह लगभग पूरी तरह से समन्वय है, अर्थात: पीछा करना, प्रतीक्षा करना, एस्केलेट करना, ट्राइएज करना आदि। इन प्रक्रिया सुधारों और एक वास्तविक AI परिवर्तन के बाद, जो कुछ बचता है वह उच्च-निर्णय, उच्च-लाभ वाला काम है, जिसे करने में आपके सबसे अच्छे लोगों को वैसे भी अपना सारा समय बिताना चाहिए।

एक बहादुर नई दुनिया

पारंपरिक सलाहकार फर्म प्रक्रिया कार्य में अच्छी हैं, मैं उन्हें यह श्रेय दूंगा। वास्तव में, यदि आप एक 15-चरणीय प्रक्रिया का एक विस्तृत चित्रण चाहते हैं जो 10 देशों और 3 संस्थाओं में फैली हुई है, तो आपकी सामान्य सलाहकार फर्म सबसे सुंदर स्लाइड तैयार करेगी जो आपने कभी देखी है, $300,000 में। यह सलाहकार फर्म जो नहीं कर सकती है, वह है बाद का, अधिक महत्वपूर्ण आधा, जो यह जानना है कि किसी मॉडल पर क्या भरोसा किया जा सकता है और क्या नहीं, एक एजेंट की लागत क्या है जो एक महीने में 40,000 बार चलता है, किस प्रकार के कार्य (GL कोडिंग बनाम डील डेस्क रूटिंग) के लिए किस मॉडल (Fable 5.1, बनाम Gemini 3.8 Flash) का उपयोग करना है, किसी विशेष प्रक्रिया के लिए एक eval सूट को बेहतर तरीके से कैसे डिज़ाइन किया जाए, और किसी प्रक्रिया में दिया गया चरण वास्तव में उपरोक्त 3 बाल्टियों (नियतात्मक, एजेंटिक, HITL) में से किसमें आता है। और इस प्रकार, यदि आप इस मार्ग पर जाते हैं, तो आपका पुनर्डिज़ाइन सलाहकारों द्वारा बनाया जाता है जो अनुमान लगा रहे हैं, अनुभवी AI-नेटिव रणनीतिकारों और FDEs के विपरीत, और 6 महीने बाद आप सोचते हैं कि आपका पायलट क्यों दुर्घटनाग्रस्त हो गया।

दूसरी ओर, AI लैब्स और कंपनियों की विपरीत समस्या है। वे एक एजेंट बना सकते हैं (कम से कम अधिकांश समय), लेकिन उन्होंने कभी भी वित्त और संचालन दोनों के साथ बैठकर एक वर्कफ़्लो को तोड़ा नहीं है जहाँ दोनों विभाग स्वामित्व और इस बात पर असहमत हैं कि कौन किसके ऊपर है, इसलिए इसके बजाय वे एक टूटी हुई प्रक्रिया पर AI थप्पड़ मारेंगे और इसे स्वचालित कहेंगे, बजाय इसके कि उस प्रक्रिया को खत्म करें और फिर से डिज़ाइन करें जैसा कि महीनों पहले किया जाना चाहिए था। इसके अलावा, OpenAI (DeployCo) और Anthropic (Ode) जैसी सबसे बड़ी 'एप्लाइड AI' लैब्स आपको जीवन भर के लिए अपने मॉडल से शादी करने के लिए मजबूर करेंगी। अपनी पूरी कंपनी के इंटेलिजेंस स्टैक को एक ही प्रदाता पर दांव लगाना आत्महत्या है। कल, जैसे ही वे आपके द्वारा चलाए जा रहे मॉडल को रेट लिमिट, क्वांटाइज़, प्राइस-हाइक और रिटायर करते हैं, आप गड़बड़ी और बिल के साथ रह जाते हैं। आप सोच सकते हैं कि यह Claude से GLM या Gemini या DeepSeek पर एंडपॉइंट स्वैप करने जितना आसान है, लेकिन ऐसा नहीं है। प्रति मॉडल कॉल में उपयोग करने के लिए सोच के स्तर को पुनर्निर्धारित करना और evals को फिर से चलाना एक कठिन प्रक्रिया है, और लैब्स इसमें आपकी मदद नहीं करेंगी।

इसके बजाय आपको दोनों दुनिया के सर्वश्रेष्ठ के संयोजन की आवश्यकता है: ऐसे लोग जिन्होंने वास्तव में वित्त, संचालन, बिक्री या HR फ़ंक्शन चलाया है, साथ ही Microsoft Dynamics जैसे ERPs या Salesforce जैसे CRMs में प्रोडक्शन-ग्रेड सॉफ़्टवेयर शिप करने की इंजीनियरिंग प्रतिभा, साथ ही AI इंजीनियर जो अंतर्निहित एंटरप्राइज़-स्तरीय शासन और eval-सूट के साथ मॉडल-अज्ञेय कंपनी-हार्नेस बना सकते हैं। कुछ लोग इन लोगों को 'फ़ॉरवर्ड डिप्लॉयड इंजीनियर' कहते हैं, लेकिन सच्चाई यह है कि आज अधिकांश FDE औसत दर्जे के इंजीनियर और औसत दर्जे के सलाहकार हैं, जिनमें बिल्कुल भी AI क्षमता नहीं है, और आप मूल रूप से कुछ भी अच्छी तरह से नहीं कर पाते हैं।

जब आप इसे सही तरीके से करते हैं तो यह कैसा दिखता है?

जब आप AI के साथ किसी कंपनी को बदल रहे हैं तो 4 लीवर मायने रखते हैं: लागत (आदर्श रूप से कम), राजस्व (आदर्श रूप से बढ़ा हुआ), समय (आदर्श रूप से तेज़), और जोखिम (आदर्श रूप से कम)। हमारी तैनाती में, लगभग आधी सार्वजनिक कंपनियों में, यहाँ उदाहरण दिए गए हैं कि लीवर दर लीवर वास्तव में क्या चला गया:

• समय। हमने मासिक समापन प्रक्रिया को 18-22 दिनों से घटाकर 7-9 दिन कर दिया। आपूर्ति श्रृंखला में व्यवधान अब कई दिनों के बजाय 6 घंटे से भी कम समय में निपटाए जाते हैं।
• राजस्व। डील पहले औसतन 23 दिनों तक अटकी रहती थीं; अब औसत 6 दिन है, और प्रतिनिधि का प्रशासनिक समय सप्ताह के 38% से घटकर 14% हो गया। यह समय सीधे बिक्री में लग गया।
• लागत। AP अपवाद प्रबंधन प्रति माह 600-800 चालान से घटकर 50 से कम हो गया। एक मार्केटिंग संगठन में, मीडिया बजट का 8-12% पेसिंग त्रुटियों से वसूल किया गया, जो पहले केवल महीने के अंत में सामने आती थीं, जिससे प्रति तिमाही लाखों की बचत हुई।
• जोखिम। पेरोल सुधारों में 90% की गिरावट आई, क्योंकि सिस्टम के बीच समाधान अब पेरोल से पहले चलता था, बाद में नहीं। 80% कर्मचारी सहायता प्रश्नों का उत्तर कंपनी के अपने नीति दस्तावेज़ों से दिया गया, जबकि कठिन मामले अभी भी HR में एक मानव के पास भेजे गए।

कुल मिलाकर, इन तैनातियों के सेट में दिया गया मूल्य $100M से अधिक था। सबसे अच्छी बात यह है कि यह संख्या हमारे ग्राहकों के साथ मिलकर बनाई गई थी; यह सिर्फ हम नहीं कह रहे हैं, इसे मापा गया था।

एक वास्तविक AI परिवर्तन कंपनी कैसी दिखती है?

ऊपर वर्णित सब कुछ वैसे ही है जैसे हम Varick में काम करते हैं, और यह एकमात्र दृष्टिकोण है जो उन कंपनियों के लिए काम करता है जिनके लिए हमने AI रोल आउट किया है। ये अविश्वसनीय रूप से बड़े उद्यम हैं, जिनमें हजारों लोग, दर्जनों सिस्टम ऑफ रिकॉर्ड और अनंत जटिलताएं हैं, फिर भी प्लेबुक वही है, और यह हर बार काम करता है।

हमारी रणनीतिकारों और इंजीनियरों की टीम विभाग स्तर पर आती है, पहले यह मैप करने के लिए कि काम वास्तव में कैसे होता है, न कि केवल यह स्वीकार करने के लिए कि यह कैसे दस्तावेजित है, प्रक्रिया माइनिंग और साक्षात्कारों के संयोजन, बीते समय बनाम स्पर्श समय की गणना, अपवादों, ऊपरी प्रभावों और निचले प्रभावों की मैपिंग, और यह समझने के माध्यम से कि कौन क्या मालिक है। महीनों के बजाय, हम इस प्रक्रिया को कुछ ही हफ्तों में पूरा करते हैं, जिसके बाद आपको आपकी पुन: डिज़ाइन की गई प्रक्रिया, प्राप्त किया जाने वाला मूल्य, कस्टम बेसलाइन KPI और वह प्राथमिकता क्रम प्राप्त होता है जिसमें एजेंट बनाए जाएंगे। इसके बाद, हम एजेंट बनाना शुरू करेंगे, जो एंटरप्राइज़-स्तरीय शासन, ऑडिटेबिलिटी, eval-सूट और मॉनिटरिंग के साथ आउट-ऑफ-द-बॉक्स आते हैं।

हम $500M से अधिक राजस्व वाली कंपनियों के साथ काम करते हैं, उनके सबसे कठिन वर्कफ़्लो को संभालते हैं, उत्पाद, वित्त, बिक्री, खरीद, संचालन, HR और अधिक में। यदि आप देखना चाहते हैं कि यह आपकी अपनी प्रक्रियाओं में से किसी एक के खिलाफ कैसा दिखता है, तो हमारी वेबसाइट पर एक कॉल बुक करें, और अपने सबसे कम पसंदीदा वर्कफ़्लो और उन्हें इतना जटिल बनाने वाली चीज़ों के बारे में बात करने के लिए तैयार आएं। और यदि आपको यह सामग्री उपयोगी लगी, तो हमारे न्यूज़लेटर की सदस्यता लें, जहां हम 'Applied' AI में नवीनतम और काम करके सीखी गई हर चीज़ पर साप्ताहिक लेख प्रकाशित करते हैं।

TLDR

• आज एंटरप्राइज़ में अधिकांश AI खर्च उन्हीं प्रक्रियाओं के ऊपर लागू किया जा रहा है जो पहले से मौजूद थीं, जिसका मतलब है कि आप वास्तव में केवल एक खराब प्रक्रिया को तेज़ चला रहे हैं। माइकल हैमर ने 1990 में IT के बारे में यही कहा था, और UK सरकार ने 2025 में 1,000 Copilot लाइसेंसों के साथ मूल रूप से इसे फिर से साबित किया: प्रति उपयोगकर्ता प्रति दिन 1.14 क्रियाएं, कोई उत्पादकता लाभ नहीं जो वे पा सके, और 72% उपयोगकर्ता फिर भी संतुष्ट थे।
• समय कभी भी काम में ही नहीं था, यह कतारों और हैंडऑफ़ में था। हैमर का बीमा आवेदन प्रक्रिया में 22 दिनों तक बैठा रहा, जिसमें केवल 17 मिनट का वास्तविक काम था। भले ही आप काम को दोगुना तेज़ कर दें, आपने केवल 8 मिनट बचाए हैं।
• पहले अपने सिस्टम को समेकित करना (एक ERP, एक CRM, एक डेटा प्लेटफ़ॉर्म) एक अच्छी तरह से प्रलेखित तरीका है जिसमें एक डॉलर का मूल्य देखने से पहले 2 साल और 9 अंक खोने हैं। आपको वास्तव में प्रक्रिया की एक परिभाषा और एक मालिक चाहिए, क्योंकि एजेंट उन सिस्टम को सहन कर सकते हैं जो एक-दूसरे से असहमत हैं, और नियतात्मक एकीकरण कभी नहीं कर सके।
• विभाग स्तर पर शुरू करें, सिस्टम ऑफ रिकॉर्ड को माइन करें और ऑपरेटरों का साक्षात्कार लें, और फिर हर एक कदम को 3 बाल्टियों में से एक में क्रमबद्ध करें: नियतात्मक सॉफ्टवेयर, एक एजेंट, या एक मानव इन-द-लूप जिसके लिए साक्ष्य तैयार किया गया हो। ठीक से किए जाने पर, 25-चरणीय प्रक्रिया 2 मानव चेकपॉइंट वाले 3 एजेंट बन जाती है।
• जब हमने इसे इस तरह किया, तो मासिक समापन 18-22 दिनों से घटकर 7-9 दिन हो गया, AP अपवाद प्रति माह 600-800 से घटकर 50 से कम हो गए, पेरोल सुधारों में 90% की गिरावट आई, और हमारी तैनातियों में कुल $100M से अधिक निकला, जिसे ग्राहकों के साथ मिलकर मापा गया।
• इनमें से कुछ भी तब तक काम नहीं करता जब तक कि यह शीर्ष से न आए, ऑपरेटर वास्तव में इसे चाहते हों, और आप जिसे भी काम पर रखते हैं, उसके पास प्रक्रिया लोग, सॉफ्टवेयर इंजीनियर और AI इंजीनियर सभी एक ही कमरे में हों, और लगभग किसी के पास तीनों नहीं होते।