70% AI திட்டங்கள் ஏன் தோல்வியடைகின்றன: AI திட்டத் தோல்வி விகிதத்தைப் புரிந்துகொள்ளுதல் (மீதமுள்ள 30% ஆக இருப்பது எப்படி)
இது பலமுறை நடப்பதைப் பார்த்திருக்கிறேன். ஒரு நிறுவனம் இயந்திரக் கற்றல் (machine learning) தளத்தில் ஆறு இலக்கத் தொகையை முதலீடு செய்கிறது. தரவு அறிவியலாளர்கள் ஒரு மாதிரியை உருவாக்குகிறார்கள். டாஷ்போர்டு அற்புதமாகத் தெரிகிறது. பிறகு எதுவும் மாறுவதில்லை. திட்டம் அப்படியே கைவிடப்படுகிறது.
அதன் பின்னால் உள்ள கடுமையான யதார்த்தம் அதுதான் AI திட்டத் தோல்வி விகிதம்'. 2023 அறிக்கையின்படி ... BCG, AI முயற்சிகளில் 70% அளவிடக்கூடிய வணிக மதிப்பை வழங்கத் தவறுகின்றன. “கொஞ்சம் மதிப்பு” அல்ல. பூஜ்ஜிய மதிப்பு. ... Gartner AI Survey 2021 முதல் செயற்கை நுண்ணறிவு திட்டங்களில் 54% மட்டுமே பைலட்டிலிருந்து உற்பத்திக்கு நகர்கின்றன. மீதமுள்ளவை நிறுத்தப்படுகின்றன. மற்றும் ஒரு IDC study 28% செயற்கை நுண்ணறிவு திட்டங்கள் வரிசைப்படுத்தப்படுவதற்கு முன்பு கைவிடப்படுகின்றன என்பதை வெளிப்படுத்துகிறது, ஒவ்வொரு ஆண்டும் பில்லியன் கணக்கான டாலர்கள் பகலின் ஒளியைக் காணாத கோட்பாடுகளின் அடிப்படையில் வீணடிக்கப்படுகின்றன.
அந்த அதிர்ச்சியூட்டும் புள்ளிவிவரத்தின் இரு பக்கங்களிலும் பணியாற்றியிருக்கிறேன். வெளியான AI-யையும் உருவாக்கியிருக்கிறேன், செயலிழந்த AI-யையும் உருவாக்கியிருக்கிறேன். அந்த 70% ஏன் தோல்வியடைகின்றன, வெற்றிகரமான 30% எதை வித்தியாசமாகச் செய்கின்றன என்பதை இந்தக் கட்டுரையில் துல்லியமாகக் காட்டுகிறேன். மிக முக்கியமாக, நிறுவனங்கள் தங்கள் செலவைக் குறைக்க உதவிய மீண்டும் பயன்படுத்தக்கூடிய கட்டமைப்பைத் தருகிறேன்: AI திட்டத் தோல்வி விகிதம் தொழில்துறை சராசரியாக 30% க்கும் குறைவானது, பெரும்பாலும் இரண்டு காலாண்டுகளுக்கும் குறைவானது.
உண்மையான AI திட்ட தோல்வி விகிதம்
எண்களைச் சரியாகப் பார்ப்போம். வெவ்வேறு ஆய்வுகள் “தோல்வி”க்கு வெவ்வேறு வரையறைகளைப் பயன்படுத்துகின்றன, ஆனால் ஒட்டுமொத்த முடிவு சிந்திக்க வைக்கிறது.
- BCG (2023): கணிசமான முதலீட்டிற்குப் பிறகும், நிறுவனங்களில் 70% AI-இலிருந்து ROI காணவில்லை.
- Gartner (2021): AI முன்மாதிரிகளில் 54% மட்டுமே தயாரிப்பு நிலையை அடைகின்றன. மீதமுள்ளவை ஆய்வகத்தை விட்டு வெளியே வருவதில்லை.
- IDC (2022): AI முயற்சிகளில் 28% deployment-க்கு முன் முழுமையாகத் தோல்வியடைகின்றன; deploy செய்பவற்றில், 45% எதிர்பார்ப்புகளைப் பூர்த்தி செய்யத் தவறுகின்றன.
- MIT Sloan (2020): நிறுவனங்களில் 70% AI-இலிருந்து குறைந்த அல்லது எந்தத் தாக்கமும் இல்லை எனத் தெரிவிக்கின்றன, மேலும் லட்சியத்திற்கும் செயலாக்கத்திற்கும் இடையிலான இடைவெளி விரிவடைகிறது.
- McKinsey (2023): The State of AI கணக்கெடுப்பு AI ஏற்றுக்கொள்ளல் தேங்கிவிட்டதாகவும், ஒரே ஒரு வணிகச் செயல்பாட்டில் AI குறிப்பிடத்தக்க மதிப்பை உருவாக்கியதாக 21% நிறுவனங்கள் மட்டுமே கூறுவதாகவும் காட்டுகிறது.
The AI திட்டத் தோல்வி விகிதம் இந்த அனைத்து ஆதாரங்களிலும் சுமார் 60–70% சுற்றி வருகிறது. அதாவது நீங்கள் தொடங்கும் ஒவ்வொரு மூன்று AI திட்டங்களுக்கும், இரண்டு உங்கள் நேரத்தையும் பணத்தையும் வீணடிக்கும். இதைக் கண்ணோட்டத்தில் பார்த்தால், ஒரு நடுத்தர அளவிலான நிறுவனம் ஆண்டுக்கு 10 AI முயற்சிகளை சராசரியாக $ 500,000 செலவில் பயன்படுத்தினால், அது பூஜ்ஜிய அளவிடக்கூடிய வணிக தாக்கத்தை வழங்கும் திட்டங்களில் ஆண்டுதோறும் $ 3.5 மில்லியனை எரிக்கிறது. இது செயலற்ற தன்மைக்கான பிரமிக்க வைக்கும் செலவு.
“தோல்வியை” நாங்கள் எவ்வாறு வரையறுக்கிறோம்
எளிய சோதனை பயன்படுத்துகிறேன்: திட்டம் வணிகச் செயல்பாட்டை மாற்றியதா? model Jupyter notebook-ல் இருந்து வாடிக்கையாளர், தயாரிப்பு அல்லது supply chain-ஐத் தொடவில்லை என்றால், அது தோல்வி. model live-ல் இருந்தாலும் யாரும் நம்பவோ பயன்படுத்தவோ இல்லை என்றால், அது தோல்வி. வருவாயை அதிகரிக்கும், செலவைக் குறைக்கும் அல்லது காலாண்டு எண்களில் தெரியும் வகையில் வாடிக்கையாளர் அனுபவத்தை மேம்படுத்தும் “வெற்றிகரமான” AI திட்டமே. அதற்குக் குறைவான எதுவும் இதற்குப் பங்களிக்கும் AI திட்டத் தோல்வி விகிதம்.
அதுதான் உண்மையான வரையறை — தொழில்நுட்பத் தோல்விகள் அல்ல, நிறுவனத் தோல்விகள். முழுமையாகத் துல்லியமான மாதிரி கூட, வணிகம் அதை ஏற்காவிட்டால் பயனற்றது.
அதிக AI திட்டத் தோல்வி விகிதத்திற்குப் பின்னால் உள்ள பொதுவான காரணங்கள்
Fortune 500 சில்லறை விற்பனையாளர்கள் முதல் நடுத்தர தளவாட நிறுவனங்கள் வரை டஜன் கணக்கான நிறுவனங்களில் தோல்வியுற்ற திட்டங்களைப் பகுப்பாய்வு செய்துள்ளேன். வடிவம் எப்போதும் ஒன்றே. ஐந்து பெரிய கொல்லிகள் இதோ; உங்கள் நிறுவனத்தை அவற்றில் குறைந்தது ஒன்றிலாவது அடையாளம் காணும் அளவுக்கு விரிவாக விளக்கப்பட்டுள்ளது.
1. தெளிவான வணிகச் சிக்கல் இல்லை
பெரும்பாலான AI திட்டங்கள் தொழில்நுட்பம்-முதல் மனநிலையில் தொடங்குகின்றன. ஒரு குழு ஜெனரேட்டிவ் AI அல்லது கணினி பார்வை குறித்து உற்சாகமடைந்து, “இதை வைத்து என்ன செய்யலாம்?” என்று கேட்கிறது. “எங்கள் மிக விலையுயர்ந்த செயல்பாட்டு பிரச்சனை எது?” என்று கேட்பதற்குப் பதிலாக. ஒரு McKinsey study AI-ஐக் குறிப்பிட்ட வணிக விளைவுகளுடன் இணைக்கும் நிறுவனங்கள் வெற்றிபெற 1.7 மடங்கு அதிக வாய்ப்பு என்று கண்டறிந்தது. இதன் எதிர்மறையை வேதனையுடன் பார்த்திருக்கிறேன். நுகர்வோர் பொருட்கள் நிறுவனம் $800,000 செலவில் தேவை முன்கணிப்பு மாதிரியை உருவாக்கியது, ஆனால் விநியோகச் சங்கிலி குழுவிடம் போதுமான எளிய விதிகள் இருந்ததால் அது ஒருபோதும் பயன்படுத்தப்படவில்லை. மாதிரி யாரும் கேட்காத கேள்விக்குப் பதிலளித்தது.
வணிகச் சொற்களில் வெற்றியை வரையறுக்காதபோது, scope creep கிடைக்கும். திட்டம் ஒரே நேரத்தில் மூன்று சிக்கல்களைத் தீர்க்க முயல்கிறது அல்லது தெளிவற்ற “360-டிகிரி வாடிக்கையாளர் பார்வையை” துரத்துகிறது. விளைவு செயல்படுத்த மிகவும் சிக்கலான மாடல். AI திட்டத் தோல்வி விகிதம் தொடக்கப் பிரச்சனை அறிக்கை தெளிவற்றதாக இருக்கும்போது உயர்கிறது. O’Reilly-யின் 2024 கணக்கெடுப்பின்படி, AI பணியைத் தொடங்குவதற்கு முன் தெளிவாக வரையறுக்கப்பட்ட பிரச்சனை அறிக்கை இருந்ததாக 38% நிறுவனங்கள் மட்டுமே கூறின. மற்றவை வெறுமனே பரிசோதித்துக் கொண்டிருந்தன.
Real example: ஒரு ஐரோப்பிய வங்கி “AI உடன் வாடிக்கையாளர் ஈடுபாட்டை மேம்படுத்த” விரும்பியது. ஆறு மாதங்களுக்குப் பிறகு, marketing churn கணிப்பை விரும்பியதால், operations மோசடி கண்டறிதலை விரும்பியதால், compliance KYC தானியங்கை விரும்பியதால் திட்டம் இறந்தது. அனைவரும் வெவ்வேறு திசைகளில் இழுத்தனர். கவனம் செலுத்திய நோக்கம் — கிரெடிட் கார்டு churn-ஐ 8% குறைத்தல் — திட்டத்தைக் காப்பாற்றியிருக்கும்.
2. Bad Data
AI மாடல்கள் சுத்தமான, லேபிளிடப்பட்ட, தொடர்புடைய தரவுக்குப் பசியாக உள்ளன. பெரும்பாலான நிறுவனங்களிடம் பத்து பழைய அமைப்புகளில் தரவு சிதறியுள்ளது, ஒவ்வொன்றும் “customer” அல்லது “transaction”-க்கு தனி வரையறை வைத்துள்ளன. IDC report மோசமான தரவுத் தரம்தான் AI ஏற்றுக்கொள்ளலுக்கு உலகளவில் இரண்டாவது மிகப்பெரிய தடை என்கிறது. இதுவே மிகப்பெரியது என்பேன். Garbage in, garbage out என்பது வெறும் பழமொழி அல்ல; இதுதான் முதன்மையான தொழில்நுட்பக் காரணம் AI திட்டத் தோல்வி விகிதம் பிடிவாதமாக உயர்வாகவே உள்ளது.
வழக்கமான AI திட்டம் தரவு தயாரிப்பில் 80% நேரத்தைச் செலவிடுகிறது — ஆனால் பல குழுக்கள் இந்தக் கட்டத்தைக் குறுக்குகின்றன. தரவு “போதுமானது” என்று கருதுகின்றன. ஒருபோதும் அப்படி இருப்பதில்லை. முக்கிய புலங்களில் 40% காணாமல் மதிப்புகள் கொண்ட நோயாளி மறுஅனுமதி கணிப்பு மாடல் கொண்ட சுகாதார வழங்குநருடன் பணியாற்றினேன். தரவு அறிவியல் குழு அவற்றை இடைநிலைகளால் நிரப்பி, மாடல் சோதனையில் 88% துல்லியம் அடைந்தது. ஆனால் தயாரிப்பில் கணிப்புகள் பொருளற்றவையாக இருந்தன, ஏனெனில் காணாமல் மதிப்புகள் சீரற்றவை அல்ல — பதிவு செய்யப்படாத குறிப்பிட்ட சிக்கல்கள் கொண்ட நோயாளிகளுக்கே காணாமல் இருந்தன. மூன்று மாத வாக்குவாதத்திற்குப் பிறகு திட்டம் கைவிடப்பட்டது.
“மோசமான தரவு” எப்படி இருக்கும்:
- Incomplete records: விற்பனைப் பதிவுகளில் 30%-இல் வாடிக்கையாளர் பிரிவுப் புலம் இல்லை.
- சீரற்ற லேபிள்கள்: முகவரிப் புலங்களில் “CA” மற்றும் “California” மாற்றி மாற்றிப் பயன்படுத்தப்பட்டது.
- Duplicates: ஒரே வாடிக்கையாளர் வெவ்வேறு ID-களுடன் நான்கு முறை தோன்றுகிறார்.
- Stale data: சரக்குத் தரவு வாரந்தோறும் புதுப்பிக்கப்படுகிறது, ஆனால் நிகழ்நேர முடிவுகள் தேவை.
- Siloed data: வாடிக்கையாளர் இடைவினைத் தரவு CRM-இல், பரிவர்த்தனைத் தரவு ERP-இல், ஆதரவு டிக்கெட்டுகள் தனி helpdesk-இல் உள்ளது.
உங்கள் தரவு ஒருங்கிணைக்கப்பட்டு, deduplicate செய்யப்பட்டு, validate செய்யப்படவில்லை என்றால், language model இல்லை என்றாலும் AI hallucinate செய்யும். AI திட்டத் தோல்வி விகிதம் தரவு நிர்வாக கட்டமைப்பு இல்லாத நிறுவனங்களுக்கு Experian கணக்கெடுப்பின்படி, அது உள்ளவர்களை விட கிட்டத்தட்ட இரட்டிப்பு.
3. மாற்ற மேலாண்மை இல்லாமை
95% துல்லியத்துடன் வாடிக்கையாளர் இழப்பைக் கணிக்கும் மாதிரியை உருவாக்கினீர்கள். விற்பனைக் குழு அதைப் புறக்கணிக்கிறது. ஏன்? ஏனென்றால் அவர்கள் அதைப் பயன்படுத்த ஒருபோதும் பயிற்சி பெறவில்லை, அதை நம்பவில்லை. இதுதான் AI முயற்சிகளின் அமைதியான கொலையாளி. AI திட்டத் தோல்வி விகிதம் AI வெற்றிடத்தில் இல்லை என்பதைத் தலைவர்கள் மறக்கும்போது அதிகரிக்கிறது — அது மக்கள் வேலை செய்யும் முறையை மாற்றுகிறது.
டிஜிட்டல் மாற்றத் தோல்விகளில் 70% தொழில்நுட்பத்தால் அல்ல, கலாச்சாரம் மற்றும் மாற்ற மேலாண்மையால் ஏற்படுகின்றன என McKinsey கண்டறிந்தது. முன்பு மூத்த மேலாளர் எடுத்த முடிவைத் தன்னியக்கமாக்கும் AI மாதிரி அந்த மேலாளரின் அந்தஸ்திற்கு அச்சுறுத்தல். மனித அச்சத்தை நீங்கள் கையாளாவிட்டால், திட்டம் நாசமாக்கப்படும் — நுட்பமாக அல்லது வெளிப்படையாக. சரக்கு மேம்படுத்தல் மாதிரி பெரும் ஆரவாரத்துடன் வெளியிடப்பட்ட சில்லறை சங்கிலியில் இதைக் கண்டேன். கடை மேலாளர்கள் தங்கள் உள்ளூர் சந்தை தங்களுக்கு நன்றாகத் தெரியும் எனக் கூறி கைமுறையாகவே சரக்கு ஆர்டர் செய்தனர். நிறுவனம் மேலாளரின் போனஸில் சிறு பகுதியை ஏற்புடன் இணைக்கும் வரை மாதிரியின் பரிந்துரைகள் ஆறு மாதங்கள் புறக்கணிக்கப்பட்டன. ஒரு காலாண்டிற்குள் சரக்குச் செலவுகள் 14% குறைந்தன.
AI-க்கான மாற்ற மேலாண்மை ஏன் தோல்வியடைகிறது:
- IT-க்கு வெளியே நிர்வாக ஆதரவாளர் இல்லை.
- வடிவமைப்பின்போது இறுதிப் பயனர்கள் ஒருபோதும் கலந்தாலோசிக்கப்படவில்லை.
- பயிற்சி ஒரு மணி நேர webinar மட்டுமே, நேரடிப் பயிற்சி அல்ல.
- Model பிழைகளைப் புகாரளிக்கக் கருத்து வழிமுறை இல்லை, எனவே நம்பிக்கை சிதைந்தது.
- “black box” சிக்கல்: AI ஏன் முடிவெடுத்தது என்று பயனர்களுக்குப் புரியவில்லை, அதனால் நிராகரிக்கிறார்கள்.
A Gartner report AI முயற்சிகளுக்குப் பிரத்யேக மாற்ற மேலாண்மை பட்ஜெட் கொண்ட நிறுவனங்கள் 45% அதிக வெற்றி விகிதம் கொண்டவை என்று கண்டறிந்தது. ஆனால் 20%-க்கும் குறைவான நிறுவனங்களே அதற்கு பட்ஜெட் ஒதுக்குகின்றன.
4. நடைமுறைக்கு ஒவ்வாத எதிர்பார்ப்புகள்
AI மாயாஜாலம் அல்ல. வெள்ளித் தோட்டா அல்ல. முதல் மாதத்தில் 10x ROI தருவதும் இல்லை. hype cycle-ஐ நம்பும் தலைவர்கள் — அதிக ChatGPT டெமோக்கள் பார்த்தவர்கள் — உடனடி, பெரும் மாற்றத்தை எதிர்பார்க்கிறார்கள். உண்மை தாக்கும்போது, முதிர்ச்சியடைய வாய்ப்பு தருவதற்கு முன் திட்டத்தை நிறுத்தி, AI திட்டத் தோல்வி விகிதம்.
The MIT Sloan article குறுகிய காலத்தில் AI என்ன செய்ய முடியும் என்பதை நிறுவனங்கள் மிகைப்படுத்தி மதிப்பிடுகின்றன மற்றும் அதை உட்பொதிக்க தேவையான நீண்ட கால வேலையை குறைத்து மதிப்பிடுகின்றன. செயற்கை நுண்ணறிவு அடிப்படையிலான மோசடி கண்டறிதல் அமைப்பில் ஒரு ஃபின்டெக் தொடக்க நிறுவனம் $ 300,000 செலவழிப்பதை நான் கண்டேன், இது 30 நாட்களில் சார்ஜ்பேக்குகளை 50% குறைக்கும் என்று எதிர்பார்க்கிறேன். சார்ஜ்பேக்குகள் 12% மட்டுமே வீழ்ச்சியடைந்தபோது, CFO பிளக்கை இழுத்தது — 12% மாதாந்திர சேமிப்பு ஆண்டுக்கு $ 1.2 மில்லியனாக இருந்தபோதிலும். எதிர்பார்ப்பு இடைவெளி முற்றிலும் சாத்தியமான திட்டத்தை கொன்றது.
செயற்கை நுண்ணறிவுக்கான கார்ட்னரின் ஹைப் சுழற்சி, ஆழ் கற்றல், எட்ஜ் AI போன்ற தொழில்நுட்பங்களை “மிகை எதிர்பார்ப்பின் உச்சம்” நிலையிலும், அதைத் தொடர்ந்து “ஏமாற்றத்தின் பள்ளத்தாக்கு” நிலையிலும் வழக்கமாக வைக்கிறது. ஆதரவாளர்கள் கற்றல் வளைவுக்குத் திட்டமிடாததால் பல AI திட்டங்கள் அந்தப் பள்ளத்தாக்கிலேயே மடிகின்றன. The AI திட்டத் தோல்வி விகிதம் பெரும்பாலும் தொழில்நுட்பத்தைப் போலவே பொறுமையின் தோல்வியாகும்.
5. அளவீட்டு கட்டமைப்பு இல்லை
அளவிடாததை மேம்படுத்த முடியாது. ஆனால் தெளிவான KPI-கள் இல்லாமல் திகைப்பூட்டும் எண்ணிக்கையிலான AI வெளியீடுகள் நடக்கின்றன. செலவை 10% குறைப்பதா இலக்கு? மாற்றத்தை 5% அதிகரிப்பதா? சுழற்சி நேரத்தை மூன்று நாட்களிலிருந்து நான்கு மணி நேரமாகக் குறைப்பதா? குறிப்பிட்ட, காலக்கெடு கொண்ட இலக்குகள் இல்லாமல், எந்த விளைவையும் வெற்றியாகச் சித்தரிக்கலாம் — அல்லது, பொதுவாக, AI எதையும் செய்ததாக யாராலும் நிரூபிக்க முடியாது. அந்தத் தெளிவின்மை நிறுவன அலட்சியத்தை வளர்க்கிறது, திட்டம் மெதுவாக இறக்கிறது.
“செயல்திறனில் 70% முன்னேற்றம்” என்று சொன்ன திட்டத்தை ஒருமுறை மதிப்பாய்வு செய்தேன். ஆழ்ந்து பார்த்தபோது, “செயல்திறன்” என்பது நாளொன்றுக்குச் சரிசெய்யப்பட்ட தரவு உள்ளீடுகளின் எண்ணிக்கை, ஆனால் ஒட்டுமொத்த செயல்முறைச் செலவு அசையவில்லை. AI வேலையைக் குறைக்காமல் கலைத்திருந்தது. இது classic அளவீட்டுத் தோல்வி. AI திட்டத் தோல்வி விகிதம் சிக்கல் அறிக்கையுடன் நேரடியாக இணைக்கப்பட்ட சிறு செயல்பாட்டு KPI தொகுப்பை முன்கூட்டியே வரையறுக்கும்போது வியத்தகு அளவில் குறைகிறது.
வேலை செய்யும் எடுத்துக்காட்டு KPI-கள்:
- 6 மாதங்களில் சராசரி ஆர்டர்-முதல்-அனுப்பும் நேரத்தை 20% குறைக்கவும்.
- Q3 இறுதிக்குள் அப்செல் மாற்ற விகிதத்தை 4.2%-லிருந்து 6.0%-ஆக உயர்த்தவும்.
- கைமுறை விலைப்பட்டியல் செயலாக்கச் செலவை ஆண்டுக்கு ஆண்டு 35% குறைக்கவும்.
- ஒரு காலாண்டில் முன்னறிவிப்புத் துல்லியத்தை (MAPE) 22%-லிருந்து 12%-ஆக மேம்படுத்துக.
அந்த எண்கள் இல்லாமல், நீங்கள் கண்மூடித்தனமாகப் பறக்கிறீர்கள் — மேலும் 70% பேருடன் சேருவீர்கள்.
உங்கள் AI திட்டத் தோல்வி விகிதத்தை எவ்வாறு குறைப்பது
நிறுவனங்கள் தங்கள் இதைக் குறைக்க உதவியுள்ளேன் AI திட்டத் தோல்வி விகிதம் 70% முதல் 30% வரை. அணுகுமுறை கவர்ச்சியாக இல்லை. இது முறையானது. இது இரக்கமற்ற முன்னுரிமை, தரவு சுகாதாரம், விரைவான முன்மாதிரி மற்றும் மனிதனை மையமாகக் கொண்ட ரோல்அவுட் ஆகியவற்றின் அடித்தளத்தில் கட்டப்பட்டுள்ளது. இதோ சரியான வரைபடம்.
ஒப்பீட்டு அட்டவணை: தோல்வியுற்ற vs வெற்றிகரமான AI திட்டங்கள்
| Dimension | தோல்வியடைந்த திட்டங்கள் (70%) | வெற்றிகரமான திட்டங்கள் (30%) |
|---|---|---|
| Problem clarity | தெளிவற்ற அல்லது பல நோக்கங்கள் | ஒற்றை, அளவிடக்கூடிய வணிகப் பிரச்சனை |
| Data readiness | திட்டத்திற்கு முன் data audit இல்லை | 90%+ தரவு துல்லியம் மற்றும் லேபிளிங் நிறைவு |
| Stakeholder buy-in | நிர்வாக ஆணை மட்டும் | முதல் நாளிலிருந்து ஈடுபட்ட குறுக்குச் செயல்பாட்டுக் குழு |
| ROI measurement | No KPIs defined | 3–5 குறிப்பிட்ட, காலக்கெடு கொண்ட அளவீடுகள் |
| Deployment approach | Big bang launch | மீள்செய்கை, MVP-அடிப்படை வெளியீடு |
| Change management | No training plan | பயனர் பயிற்சி, pilot சோதனை, பின்னூட்டச் சுழல்கள் |
முதலில் தீர்க்க ஒரு சிக்கலைத் தேர்ந்தெடுங்கள்
கடலைக் கொதிக்க வைக்க முயற்சிப்பதை நிறுத்துங்கள். “முழு வாடிக்கையாளர் பயணத்தையும் மாற்ற” முயன்றதால் தோல்வியடைந்த $2 மில்லியன் AI முயற்சிகளை நான் பார்த்திருக்கிறேன். வென்ற நிறுவனங்கள் AI திட்டத் தோல்வி விகிதம் ஒரு சிறிய, வேதனையான, விலையுயர்ந்த செயல்முறையைத் தேர்ந்தெடுத்து இடைவிடாமல் தாக்குங்கள்.
பிரச்சனை கண்டறியும் பயிலரங்குடன் தொடங்குங்கள். வணிகத் தலைவர்கள், செயல்பாட்டு மேலாளர்கள் மற்றும் தரவு ஆய்வாளர்களை ஒன்றிணைக்கவும். கேளுங்கள்: “உங்கள் தூக்கத்தைக் கெடுக்கும், மீண்டும் மீண்டும் செய்யும், தரவு சார்ந்த ஒரு பணியைச் சரிசெய்ய மந்திரக்கோலை அசைக்க முடிந்தால், அது என்னவாக இருக்கும்?” பின்னர் அந்த யோசனைகளை மூன்று அச்சுகளில் தரவரிசைப்படுத்தவும்: சாத்தியமான வணிகத் தாக்கம், தரவுக் கிடைப்பு மற்றும் பயன்பாட்டு சாத்தியம். உயர்ந்த தரவரிசை யோசனையைத் தேர்வு செய்யவும். “இது கூல் AI” என்பதன் அடிப்படையில் ஒருபோதும் தேர்வு செய்யாதீர்கள்.
கருத்தில் கொள்ள வேண்டிய அதிக-சாத்திய, குறுகிய பயன்பாட்டு நிகழ்வுகள்:
- வாடிக்கையாளர் விலகல் கணிப்பு (விலகலை 5% குறைப்பது லாபத்தை 25-85% அதிகரிக்கும்).
- சரக்கு தேவை முன்னறிவிப்பு (இருப்புத் தீர்வை 30% குறைத்தல்).
- தானியங்கு விலைப்பட்டியல் செயலாக்கம் (கைமுறை தரவு உள்ளீட்டு செலவை 50% குறைத்தல்).
- குறிப்பிட்ட இயந்திர வகைக்கான முன்கணிப்புப் பராமரிப்பு.
- ஒற்றைத் தயாரிப்பு வகைக்கான dynamic விலை நிர்ணயம்.
A BCG analysis ஒற்றை உயர் மதிப்பு பயன்பாட்டு வழக்கில் கவனம் செலுத்தும் நிறுவனங்கள் முதல் ஆண்டில் ROI காண 2.3 மடங்கு அதிக வாய்ப்பு என்று கண்டறிந்தது. அந்தக் கவனம் தரவு தயாரிப்பு மற்றும் மாற்ற மேலாண்மையையும் எளிதாக்குகிறது, ஏனெனில் வெற்றி எப்படி இருக்கும் என்பது அனைவருக்கும் தெரியும்.
AI-ஐத் தொடுவதற்கு முன் உங்கள் தரவைச் சுத்தம் செய்யுங்கள்
என் நேரத்தில் 80% தரவு தயாரிப்பில் செலவிடுகிறேன். நீங்களும் செய்யுங்கள். இந்தப் படியைத் தவிர்த்தால், மணலில் வீடு கட்டுகிறீர்கள். AI திட்டத் தோல்வி விகிதம் இது உங்கள் தரவு எஸ்டேட்டின் குழப்பத்துடன் நேரடியாக தொடர்புடையது.
எந்த மாடலிங் தொடங்குவதற்கு முன்பும், முழுமையான தரவுத் தணிக்கை செய்யுங்கள். உங்கள் தரவு மூலங்களை வரைபடமாக்கி, முழுமை, துல்லியம், நிலைத்தன்மையை மதிப்பிடுங்கள். காணாமல் போன மதிப்புகள், விலகல்கள், நகல் பதிவுகளைச் சுருக்க தரவு விவரக்குறிப்புக் கருவியையோ எளிய Python ஸ்கிரிப்டையோ பயன்படுத்துங்கள். பின் சிக்கல்களைக் குழாயில் அல்லாமல் மூலத்திலேயே சரி செய்யுங்கள்.
ஒவ்வொரு வாடிக்கையாளரிடமும் நான் பயன்படுத்தும் தரவு தயார்நிலை சரிபார்ப்புப் பட்டியல்:
- Centralize: பயன் வழக்கிற்குத் தேவையான தரவு இரண்டுக்கும் மேற்பட்ட அமைப்புகளில் உள்ளதா? ஆம் எனில், ஒற்றை உண்மை மூலத்தை (தரவுக் கிடங்கு அல்லது பட்டியலுடன் கூடிய தரவு ஏரி) உருவாக்குங்கள். இது இல்லையெனில், உங்கள் மாதிரியின் உள்ளீடுகள் சிதறி நம்பகமற்றதாகும்.
- Label correctly: மேற்பார்வையிடப்பட்ட கற்றலுக்கு, லேபிள் தரம் வெற்றி-தோல்வியைத் தீர்மானிக்கும். “churn” லேபிள் சீரற்று வரையறுக்கப்பட்டதால் மாதிரிகள் தோல்வியடைந்ததை நான் பார்த்திருக்கிறேன் (ஒரு குழு 60 நாட்களுக்குப் பிறகு வாடிக்கையாளரை churn ஆகக் கணக்கிட்டது, மற்றொன்று 90-க்குப் பிறகு). தரவுப் பொறியாளருடன் அல்ல, வணிக உரிமையாளருடன் லேபிள்களை வரையறுக்கவும்.
- காணாமல் போன மதிப்புகளைச் சிந்தித்து நிரப்புங்கள்: வரிசைகளை நீக்கவோ சராசரியால் நிரப்பவோ மட்டும் செய்யாதீர்கள். புரிந்துகொள்ளுங்கள் why தரவு காணவில்லை. இது சீரற்றதா, அல்லது முறையான சிக்கலைக் குறிக்கிறதா? ஒருமுறை 20% எடைப் பதிவுகள் காணாமல் போன லாஜிஸ்டிக்ஸ் நிறுவனத்துடன் பணிபுரிந்தேன்; அவை அளவுகோலைத் தவிர்த்த உயர் மதிப்பு ஏற்றுமதிகள் என்று தெரிந்தது. அந்த வரிசைகளை நீக்குவது மாதிரியைச் சார்பாக்கியிருக்கும்.
- நகல்களை நீக்கி தரப்படுத்துங்கள்: வாடிக்கையாளர் ID-கள், தயாரிப்பு SKU-கள் மற்றும் தேதி வடிவங்கள் அட்டவணைகளில் சீராக இருப்பதை உறுதி செய்யுங்கள். சிறு நகல் நீக்க முயற்சி மாதிரிச் செயல்திறனை 5-10% மேம்படுத்தும்.
- தரவு வம்சாவளியை ஆவணப்படுத்துங்கள்: ஒரு மாதம் கழித்து ஏதாவது உடைந்தால், தரவு எங்கிருந்து வந்தது என்பதை அறிய.
The IDC study பிரத்யேக தரவுப் பொறியியல் குழு உள்ள நிறுவனங்கள் தங்கள் AI திட்டத் தோல்வி விகிதம் 40% ஆல். என் அனுபவத்தில், மாடலிங்குக்கு முன் 4-6 வார தரவு சுத்தம் செய்யும் ஓட்டத்தில் முதலீடு செய்யும் நிறுவனங்கள் குறைந்தது 60% குறைந்த தோல்வி விகிதத்தைக் காண்கின்றன.
குறைந்தபட்ச சாத்திய மாதிரியை உருவாக்குங்கள்
முழுமைவாதம் AI வெளியீட்டின் எதிரி. முதல் நாளே 99% துல்லியத்தை இலக்காக்க வேண்டாம். 4–6 வாரங்களில் வெளியிடக்கூடிய “போதுமான” மாதிரியை இலக்காக்குங்கள். உண்மையான பயனர் கருத்தைப் பெறுங்கள். பின் மீண்டும் மேம்படுத்துங்கள்.
MVP மாதிரி neural network-இயக்கமாக இருக்க வேண்டியதில்லை. விளக்கவும் பயன்படுத்தவும் எளிதாக இருந்ததால் logistic regression மாதிரிகள் gradient-boosted மரங்களை விடச் சிக்கல்களைச் சிறப்பாகத் தீர்ப்பதைக் கண்டுள்ளேன். குறிக்கோள் ஒரு கருதுகோளைச் சோதிப்பது: இந்த மாதிரியை ஒரு முடிவுக்கு உதவப் பயன்படுத்தினால் பலன் தருமா? கருதுகோள் உண்மையென நிரூபணமானால், பின்னர் சிக்கலை எப்போதும் அதிகரிக்கலாம்.
நிஜ உலக MVP காலவரிசை:
- வாரம் 1-2: தரவு ஒருங்கிணைப்பு மற்றும் லேபிளிடுதல் (முயற்சியில் 80%).
- வாரம் 3: ஒரு எளிய மாடலை உருவாக்குங்கள் (linear regression, decision tree, அல்லது XGBoost).
- வாரம் 4: மாடலை ஒரு அடிப்படை API-யில் சுற்றி, ஏற்கனவே உள்ள டாஷ்போர்டு அல்லது எளிய வெப் ஆப் ஒன்றில் இணையுங்கள்.
- வாரம் 5-6: 3-5 நட்பு பயனர்களுடன் முன்னோட்டம், கருத்துகளைச் சேகரித்து, ஆரம்ப KPI-களை அளவிடுங்கள்.
யாருக்கும் தேவையில்லாத மாதிரியை ஆறு மாதங்கள் செம்மைப்படுத்திய குழுக்களைப் பார்த்திருக்கிறேன். MVP மூலம் குறைந்த செலவில் தோல்வியை அறியலாம் — தோல்வியடையப் போகிறது என்றால், $200,000 செலவழிக்கும் முன்பே தெரிந்துகொள்ள விரும்புவீர்கள். AI திட்டத் தோல்வி விகிதம் mVP ஐ ஒருபோதும் அனுப்பாத அணிகளில் இது மிக உயர்ந்தது; அவர்கள் முடிவில்லாமல் டிங்கர் செய்கிறார்கள்.
மாற்ற மேலாண்மையில் முதலீடு செய்யுங்கள்
உங்கள் AI-ஐ இறுதிப் பயனர் நம்பாவிட்டால் அது பயனற்றது. இது இதன் மனிதப் பக்கம் AI திட்டத் தோல்வி விகிதம், பெரும்பாலான தொழில்நுட்பக் குழுக்கள் தோல்வியடையும் இடம் இதுதான். pilot-லிருந்து முழு ஏற்புக்கு மாறுவதற்கு வேண்டுமென்றே திட்டம் தேவை.
குறைந்தபட்சமாக, பின்வருவனவற்றைச் செய்யுங்கள்:
- Identify champions: MVP-ஐச் சோதித்துக் கருவியைப் பரப்பும் வணிகப் பக்கத்திலிருந்து 2-3 செல்வாக்குமிக்க பயனர்களைச் சேர்க்கவும். அவர்களுக்கு முன்கூட்டிய அணுகல் கொடுத்து அவர்களின் கருத்தைக் கேளுங்கள்.
- பணிப்பாய்வை இணைந்து வடிவமைக்கவும்: புதிய கருவியைத் திணிக்காதீர்கள். AI-யின் வெளியீட்டை ஏற்கனவே உள்ள முடிவு ஓட்டத்தில் உட்பொதியுங்கள். எடுத்துக்காட்டாக, தனி டாஷ்போர்டுக்குப் பதிலாக, மாதிரியின் churn இடர் மதிப்பெண்ணை வாடிக்கையாளர் பெயருக்கு அருகில் நேரடியாக CRM-இல் காட்டுங்கள்.
- சிறு குழுக்களில் பயிற்றுவிக்கவும்: பயனர்கள் கேள்விகள் கேட்டு மாதிரியின் கணிப்புகளுக்கும் உண்மையான முடிவுகளுக்கும் இடையிலான உண்மையான எடுத்துக்காட்டுகளைப் பார்க்கக்கூடிய 30 நிமிட நடைமுறை அமர்வுகளை நடத்துங்கள். விளக்குங்கள் why மாடல் சில பரிந்துரைகளை வழங்கியது, அது எளிமைப்படுத்தப்பட்ட விளக்கமாக இருந்தாலும்.
- பின்னூட்டச் சுழற்சியை உருவாக்குக: AI தவறு செய்த இடங்களைக் குறிக்கப் பயனர்களுக்கு எளிய வழியைக் கொடுங்கள். இது இரண்டு நோக்கங்களை நிறைவேற்றுகிறது: காலப்போக்கில் மாதிரியை மேம்படுத்துகிறது, பயனர்கள் கவனிக்கப்படுவதாக உணரச் செய்கிறது. நம்பிக்கை படிப்படியாக வளரும்.
- ஊக்கத்தொகைகளை ஏற்புடன் இணையுங்கள்: முடிந்தால், AI பயன்பாட்டை உள்ளடக்கும் வகையில் செயல்திறன் அளவீடுகளைச் சரிசெய்யுங்கள். அது தண்டனையாக இருக்க வேண்டியதில்லை; அங்கீகாரமாக இருக்கலாம். நான் பணியாற்றிய ஒரு உற்பத்தி நிறுவனத்தில், 90% மாதிரி ஏற்பை எட்டிய ஆலை மேலாளருக்குக் காலாண்டு மதிப்பாய்வில் பாராட்டு கிடைத்தது — ஏற்பு வேகமாகப் பரவியது.
A Gartner report AI முயற்சிகளுக்குப் பிரத்யேக மாற்ற மேலாண்மை பட்ஜெட் கொண்ட நிறுவனங்கள் 45% அதிக வெற்றி விகிதம் கொண்டவை என்று கண்டறிந்தது. அது தற்செயல் அல்ல. AI திட்டத் தோல்வி விகிதம் இது மாறுவேடத்தில் ஒரு மக்கள் பிரச்சினை.
வெற்றிகரமான AI பயன்பாட்டின் நிஜ உலக உதாரணங்கள்
மேலே உள்ள கட்டமைப்பு தோல்வி தொழிற்சாலைகளை வெற்றிக் கதைகளாக மாற்றுவதைப் பார்த்திருக்கிறேன். நீங்கள் வெல்ல முடியும் என்பதை நிரூபிக்கும் மூன்று வழக்கு ஆய்வுகள் (case studies) இங்கே: AI திட்டத் தோல்வி விகிதம்.
வழக்கு ஆய்வு 1: லாஜிஸ்டிக்ஸ் நிறுவனம் கப்பல் செலவில் 12% சேமித்தது
- Problem: நடுத்தர மூன்றாம் தரப்பு தளவாட நிறுவனத்தின் விளிம்பில் 15%-ஐ அதிகநேரக் கப்பல் செலவுகள் விழுங்கின.
- Data: Salesforce-இல் 3 ஆண்டு கப்பல் பதிவுகள் இருந்தன, தோற்றம், இலக்கு, எடை, கேரியர் மற்றும் இறுதிச் செலவு உட்பட. ஒரு வாரச் சுத்தத்திற்குப் பிறகு தரவு 90% முழுமையானது.
- Model: சேவை-நிலைத் தேவைகளைக் கருத்தில் கொண்டு, ஒவ்வொரு வழிக்கும் மலிவான கேரியரை gradient boosting மாதிரி கணித்தது.
- Deployment: மாதிரியின் வெளியீடு அனுப்புநர்களின் தற்போதைய டாஷ்போர்டில் நேரடியாகப் பொதியப்பட்டது. ஊழியர்களுக்கு இரண்டு 45 நிமிட அமர்வுகளில் பயிற்சி அளிக்கப்பட்டது.
- Result: 6 மாதங்களில் 12% செலவுக் குறைப்பு. 4 மாதங்களில் திருப்பிச் செலுத்தல். திட்டம் வெற்றி பெற்றது ஏனெனில் அது குறுகியது, தரவு-தயார், பயனர்-மையம். AI திட்டத் தோல்வி விகிதம் இந்த நிறுவனத்திற்கு இப்போது பூஜ்ஜியம்.
வழக்கு ஆய்வு 2: மின்-வணிகச் சில்லறை விற்பனையாளர் மாற்றத்தை 18% அதிகரித்தார்
- Problem: தனிப்பயனாக்கப்பட்ட பரிந்துரைகள் மூலம் சராசரி ஆர்டர் மதிப்பை அதிகரிக்க விரும்பிய நடுத்தரச் சந்தை online சில்லறை விற்பனையாளர்.
- Data: தயாரிப்புப் பட்டியல் மற்றும் கிளிக்ஸ்ட்ரீம் தரவு மூன்று தரவுத்தளங்களில் தனித்தனியே சிக்கியிருந்தன. ஒருங்கிணைந்த வாடிக்கையாளர்-தயாரிப்பு தொடர்பு அட்டவணையை உருவாக்க 3 மாதங்கள் செலவிட்டனர்.
- Model: உருப்படி அடிப்படையிலான ஒற்றுமையுடன் கூட்டு வடிகட்டல், பின் இலகுவான நரம்பியல் நெட்வொர்க்குடன் மேம்படுத்தப்பட்டது.
- Deployment: பரிந்துரை விட்ஜெட் தயாரிப்புப் பக்கங்களில் “தொடர்புடைய தயாரிப்புகள்” பிரிவை மாற்றியது. பழைய விதி அடிப்படையிலான அமைப்புடன் A/B சோதிக்கப்பட்டது.
- Result: மாற்று விகிதம் 18% மற்றும் சராசரி ஆர்டர் மதிப்பு 11% அதிகரித்தது. AI திட்டத் தோல்வி விகிதம் தரவு ஒருங்கிணைப்பை முதலில் சரிசெய்யாவிட்டால் இந்தத் திட்டத்தைக் கொன்றிருக்கும். துண்டு தரவில் கட்டப்பட்ட ஆரம்ப மாடல் கட்டுப்பாட்டுக் குழுவை விடக் குறைந்த கிளிக்-த்ரூ விகிதத்தைக் கொண்டிருந்தது.
வழக்கு ஆய்வு 3: உற்பத்தியாளர் செயலிழப்பு நேரத்தை 22% குறைத்தார்
- Problem: ஒரு பேக்கேஜிங் உற்பத்தியாளர் முக்கிய உற்பத்தி வரிசையில் திட்டமிடப்படாத செயலிழப்பைச் சந்தித்தார், மணிக்கு $50,000 செலவாகும்.
- Data: 50 இயந்திரங்களிலிருந்து இரண்டு ஆண்டு சென்சார் தரவு (அதிர்வு, வெப்பநிலை, செயல்திறன்) மற்றும் பராமரிப்புப் பதிவுகள்.
- Model: 48-மணி முன்னறிவிப்புடன் செயலிழப்புகளை random forest வகைப்படுத்தி கணித்தது. பராமரிப்புப் பணியாளர்கள் முக்கியச் சமிக்ஞைகளைப் புரிந்துகொள்ள மாதிரி வேண்டுமென்றே எளிமையாக வைக்கப்பட்டது.
- Deployment: SMS மூலம் shift மேற்பார்வையாளர்களின் தொலைபேசிகளுக்கு எச்சரிக்கைகள் அனுப்பப்பட்டு, ஆலை மேலாண்மை அமைப்பில் ஒருங்கிணைக்கப்பட்டன. எச்சரிக்கைகளை எவ்வாறு விளக்கி வரிசைப்படுத்துவது எனத் தொழிலாளர்களுக்குப் பயிற்சி அளிக்கப்பட்டது.
- Result: திட்டமிடப்படாத செயலிழப்பு முதல் காலாண்டில் 22% குறைந்து, $1.3 மில்லியன் மிச்சப்படுத்தியது. நம்பிக்கையை உருவாக்கக் குழு பின்னர் விளக்கும் அடுக்கைச் சேர்த்தது. தி AI திட்டத் தோல்வி விகிதம் இந்த முயற்சிக்கு பூஜ்ஜியம் ஏனெனில் அவர்கள் முதல் நாளிலிருந்து இயக்குநர்களை ஈடுபடுத்தினர்.
இந்த வழக்கு ஆய்வுகள் பொதுவான பண்புகளைப் பகிர்கின்றன: லேசர்-கவனம் கொண்ட சிக்கல், சுத்தமான தரவு, MVP மனநிலை, மாற்ற மேலாண்மையில் கனமான முதலீடு. அதுதான் விளையாட்டுத் திட்டம்.
இறுதி முடிவு: 30%-இல் இருங்கள்
The AI திட்டத் தோல்வி விகிதம் இது இயற்கையின் பிரமாணம் அல்ல. இது மோசமான திட்டமிடல், மோசமான தரவு மற்றும் பலவீனமான மாற்ற நிர்வாகத்தின் அறிகுறியாகும். நீங்கள் அதை வெல்ல முடியும். 30% நிறுவனங்களில் சிறந்த தரவு விஞ்ஞானிகள் இல்லை — அவர்கள் சிறந்த ஒழுக்கத்தைக் கொண்டுள்ளனர். அவர்கள் ஒரு பிரச்சினையைத் தேர்ந்தெடுத்து, தங்கள் தரவைச் சுத்தம் செய்து, வேகமாக கப்பல் ஏற்றி, தங்கள் மக்களைக் கொண்டு வருகிறார்கள்.
அடுத்து நீங்கள் செய்ய வேண்டும் என்று நான் விரும்புவது இங்கே — நாளையே தொடங்கக்கூடிய 5-படிச் செயல் திட்டம்:
- Audit your data. உங்கள் முக்கியப் பயன்பாட்டிற்கான முக்கியத் தரவு மூலங்களை விவரக்குறிப்பதில் ஒரு வாரம் செலவிடுங்கள். காணாமல் போன மதிப்புகள், நகல்கள் மற்றும் முரண்பாடுகளைக் கண்டறியுங்கள். தரவு தயாராக இல்லை என்றால், தயாராகும் வரை மாதிரியாக்கத்தைத் தாமதப்படுத்துங்கள்.
- Pick one problem. ஒற்றைச் சிக்கல் அறிக்கை மற்றும் எதிர்பார்க்கப்படும் ROI-ஐ எழுதவும். வணிக ஸ்பான்சர் மற்றும் தரவு உரிமையாளர் இருவரிடமிருந்தும் ஒப்புதல் பெறவும்.
- Build an MVP. வேலை செய்யக்கூடிய எளிய மாதிரியைப் பயன்படுத்துங்கள். சரியாக இல்லாவிட்டாலும் 4 வாரங்களில் வெளியிடுங்கள். நீங்கள் வரையறுத்த வணிக KPI-களால் ஆரம்ப முடிவுகளை அளவிடுங்கள்.
- Train your people. நடைமுறை அமர்வுகளை நடத்தி, கருத்து சேகரித்து, உள் ஆதரவாளர்களை நியமியுங்கள். அச்சங்களை வெளிப்படையாகக் கையாளுங்கள்.
- மீள்செய்து அளவிடவும். 30 நாள் மதிப்பாய்வுச் சுழற்சியை அமைக்கவும். MVP நம்பிக்கை அளித்தால், தரவுத் தரம் மற்றும் மாதிரி நுட்பத்தை மேம்படுத்த முதலீடு செய்யுங்கள். இல்லையெனில், விரைவாக நிறுத்திக் கற்றுக்கொள்ளுங்கள்.
அந்தக் கட்டமைப்பைப் பின்பற்றினால், வெற்றி பெறும் 30%-ல் சேர்வீர்கள். செய்திருக்கிறேன் என்பதால் தெரியும். healthcare முதல் கனரகத் தொழில் வரை டஜன் நிறுவனங்களுக்கு உதவி — அவர்கள் AI திட்டத் தோல்வி விகிதம் இறுதியில் தங்கள் தரவிலிருந்து உண்மையான மதிப்பைப் பெறுதல்.
70%க்கும் 30%க்கும் இடையிலான வேறுபாடு மாயாஜாலம் அல்ல. அது முறை.
AI திட்டத் தோல்வி விகிதம் பற்றிய FAQs
AI திட்ட தோல்வி விகிதம் சரியாக என்ன?
The AI திட்டத் தோல்வி விகிதம் அளவிடக்கூடிய வணிக மதிப்பை வழங்காத அல்லது பைலட்டிலிருந்து உற்பத்திக்கு செல்லத் தவறிய செயற்கை நுண்ணறிவு முயற்சிகளின் சதவீதத்தைக் குறிக்கிறது. BCG (2023) இன் படி, 70% நிறுவனங்கள் AI இலிருந்து ROI ஐக் காணவில்லை. (மேற்கோள் காட்டப்பட்ட ஆதாரங்கள்; தோல்வி-விகித அளவுகோல்கள் செப்டம்பர் 2026-ல் மறுசரிபார்ப்பு — மேற்கோள் காட்டுவதற்கு முன் தற்போதைய பதிப்புகளை உறுதிப்படுத்தவும்.) AI முன்மாதிரிகளில் 54% மட்டுமே தயாரிப்பு நிலையை அடைகின்றன என்று Gartner (2021) தெரிவிக்கிறது, அதாவது அந்த வரையறைப்படி தோல்வி விகிதம் 46%. பயன்பாட்டுக்கு வருவதற்கு முன்பே 28% தோல்வியடைவதாகவும், மேலும் பல எதிர்பார்த்த செயல்திறனைத் தருவதில்லை என்றும் IDC (2022) கண்டறிந்தது. AI திட்டங்களில் 60-70% ஏதோ ஒரு வகையில் தோல்வியடைகின்றன என்பதே பொதுக் கருத்து.
70% AI திட்டங்கள் ஏன் தோல்வியடைகின்றன?
முதல் ஐந்து காரணங்கள்: தெளிவான வணிகச் சிக்கல் இல்லை (தொழில்நுட்ப-முதல் அணுகுமுறை), மோசமான தரவு (சிதறிய, முழுமையற்ற, அல்லது தவறாக லேபிளிடப்பட்ட), மாற்ற மேலாண்மை இல்லை (இறுதி பயனர்கள் ஏற்கவில்லை), நம்பமுடியாத எதிர்பார்ப்புகள் (குறுகியகால ROI கோரப்பட்டது), அளவீட்டு கட்டமைப்பு இல்லை (மதிப்பை நிரூபிக்க KPIகள் இல்லை). கலாச்சார மற்றும் தரவு சிக்கல்களே பெரும்பாலான தோல்விகளுக்குக் காரணம், தொழில்நுட்ப குறைபாடுகள் அல்ல.
என் நிறுவனத்தில் AI திட்டத் தோல்வி விகிதத்தை எவ்வாறு குறைப்பது?
ஒற்றை உயர்-தாக்கப் பயன்பாட்டுடன் சிறியதாகத் தொடங்குங்கள். மாதிரிகளை உருவாக்குவதற்கு முன் தரவுத் தரம் மற்றும் ஒருங்கிணைப்பில் முதலீடு செய்யுங்கள். குறைந்தபட்ச செயல்படக்கூடிய மாதிரியை உருவாக்கி பயனர் கருத்தின் அடிப்படையில் மீண்டும் செய்யவும். மாற்ற மேலாண்மைக்கு — பயிற்சி, தகவல் தொடர்பு மற்றும் பயனர் சோதனைக்கு — வெளிப்படையாக பட்ஜெட் ஒதுக்கவும். வணிக விளைவுகளுடன் இணைந்த 3-5 குறிப்பிட்ட, காலவரையறை KPI-களை வரையறுக்கவும். இந்தப் படிகள் எனது சொந்த வாடிக்கையாளர் பணியில் தோல்வி விகிதங்களை 70%-லிருந்து 30%-க்குக் கீழ் குறைப்பதாக நிரூபிக்கப்பட்டுள்ளது.
production-இல் AI வெளியீட்டின் வெற்றி விகிதம் என்ன?
AI திட்டங்களில் 54% மட்டுமே pilot-லிருந்து தயாரிப்புக்கு நகர்வதாக Gartner கண்டறிந்தது. வரிசைப்படுத்துபவற்றில், ஒரு சிறு பகுதி மட்டுமே அர்த்தமுள்ள ROI தருகிறது — BCG-யின் 30% வெற்றி விகிதம் அதனுடன் ஒத்துப்போகிறது. எனவே சுமார் பாதி ஆய்வகத்தை விட்டு வெளியேறுவதில்லை, வெளியேறுபவற்றில் மீண்டும் சுமார் பாதி குறைவாகவே வழங்குகின்றன.
தோல்வியடைந்த AI திட்டம் சராசரியாக எவ்வளவு செலவாகும்?
செலவுகள் பரவலாக மாறும். நடுத்தர AI திட்டம் தரவு தயாரிப்பு, மென்பொருள், திறமை உட்பட $300,000-$800,000 ஆகலாம். பெரிய நிறுவன முயற்சிகள் $2-5 மில்லியனை எட்டலாம். 70% தோல்வியடைந்தால், ஆண்டுக்கு ஐந்து திட்டங்கள் நடத்தும் நிறுவனம் ஆண்டுக்கு $1.5-3 மில்லியன் வீணாக்கலாம்.
சில தொழில்களுக்கு AI திட்ட தோல்வி விகிதம் அதிகமா?
The AI திட்டத் தோல்வி விகிதம் அதிக ஒழுங்குமுறை கட்டுப்பாடுகள் (சுகாதாரம், நிதி) அல்லது துண்டு துண்டான தரவு சூழல்கள் (உற்பத்தி, சில்லறை விற்பனை) கொண்ட தொழில்களில் இது அதிகமாக உள்ளது, ஏனெனில் தரவு ஆளுகை மற்றும் மாற்ற மேலாண்மை கடினமாக உள்ளது. இருப்பினும், 70% எண்ணிக்கை துறைகளில் மிகவும் சீரானதாக உள்ளது. தொழில்நுட்ப நிறுவனங்கள் பெரும்பாலும் சிறந்த தரவு உள்கட்டமைப்பு மற்றும் கலாச்சார தயார்நிலையைக் கொண்டிருப்பதால் சற்று குறைவான தோல்வி விகிதங்களைக் கொண்டுள்ளன.
உருவாக்கும் AI-க்கு வேறுபட்ட தோல்வி விகிதம் உள்ளதா?
உருவாக்கும் AI திட்டங்கள் இன்னும் புதியவை, ஆனால் ஆரம்ப அறிகுறிகள் மிகை எதிர்பார்ப்புகள், நெறிமுறை அபாயங்கள், உள்ளடக்க உருவாக்கத்திற்கு அப்பால் ROI-ஐ அளவிடுவதில் சிரமம் ஆகியவற்றால் இன்னும் அதிகத் தோல்வி விகிதத்தைக் குறிக்கின்றன. Deloitte-இன் 2024 கணக்கெடுப்பு, 22% நிறுவனங்கள் மட்டுமே GenAI-ஐ முன்னோட்டத்திலிருந்து தயாரிப்புக்கு மாற்றியுள்ளதாகக் குறிப்பிட்டது, இது முன்னோட்ட-தயாரிப்பு அளவீட்டில் 78% தோல்வி விகிதத்தைக் குறிக்கிறது.
தோல்வியுற்ற AI திட்டத்தை மீட்க முடியுமா?
நிச்சயமாக. பெரும்பாலான “தோல்வியடைந்த” திட்டங்கள் நிறுவனரீதியாகத் தோல்வியடைந்தவை, தொழில்நுட்பரீதியாக அல்ல. தெளிவான சிக்கல் வரையறை, தரவு சுத்தம், முறையான மாற்று மேலாண்மை செயல்முறையுடன் மறுதொடக்கம் செய்து இறந்த திட்டங்களை நான் உயிர்ப்பித்துள்ளேன். மாதிரி பெரும்பாலும் பயன்படுத்தத்தக்கதாகவே இருக்கும்; செழிக்க அதற்குச் சரியான சூழல் மட்டுமே தேவை.
AI திட்டத் தோல்வி விகிதத்தை வெல்லத் தயாரா?
ஒருபோதும் வெளிவராத AI-க்குப் பணத்தை வீணாக்குவதை நிறுத்துங்கள். இல் DG10 Agency, நிறுவனங்கள் AI-ஐ வடிவமைக்க, உருவாக்க மற்றும் பயன்படுத்த உதவுகிறோம் — ஆய்வகத்தில் அல்ல, margins முக்கியமான நிஜ உலகில்.
We’ve cut the AI திட்டத் தோல்வி விகிதம் எங்கள் வாடிக்கையாளர்களுக்கு சராசரியாக 40%-க்கு மேல். உங்கள் தரவில் தொடங்குகிறோம். தெளிவான அளவீடுகளை வரையறுக்கிறோம். உங்கள் குழு பயன்படுத்தும் மாதிரிகளை உருவாக்குகிறோம். ROI உங்கள் வருமான அறிக்கையில் தோன்றும் வரை ஏற்புடன் உங்களுடன் இருக்கிறோம்.
Talk to us today உங்கள் AI பயன்பாட்டு இலக்குகள் பற்றி. 30%-இல் உங்களைச் சேர்ப்போம்.
Keep Reading
இந்த வழிகாட்டி உதவினால், இவை பின்னணி system பற்றி ஆழமாகச் செல்கின்றன: