ਇੰਡੀਆ ਇੰਕ ਦੀ ਏਆਈ ਨਾਲ ਸਮੱਸਿਆ ਸਿੱਖਣ ਦੀ ਨਹੀਂ ਹੈ। ਇਹ ਐਪਲੀਕੇਸ਼ਨ ਹੈ। ਪ੍ਰੀਮੀਅਮ ਕੀਮਤ

ਹਾਲੀਆ KNOLSKAPE L&D ਪੂਰਵ ਅਨੁਮਾਨ ਰਿਪੋਰਟ 2026 ਇੱਕ ਅਸੁਵਿਧਾਜਨਕ ਪਰ ਉਪਯੋਗੀ ਸ਼ੀਸ਼ਾ ਪੇਸ਼ ਕਰਦੀ ਹੈ। ਜ਼ਿਆਦਾਤਰ ਸੰਸਥਾਵਾਂ ਅਜੇ ਵੀ ਸ਼ੁਰੂਆਤੀ ਤੋਂ ਮੱਧ ਪਰਿਪੱਕਤਾ ਵਿੱਚ ਹਨ – POCs, ਪਾਇਲਟ, ਅਤੇ ਪ੍ਰਯੋਗ – ਜਦੋਂ ਕਿ ਸਿਰਫ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਘੱਟ ਗਿਣਤੀ ਨੇ ਅਸਲ ਵਿੱਚ ਸਾਰੇ ਫੰਕਸ਼ਨਾਂ ਵਿੱਚ AI ਦਾ “ਉਤਪਾਦਨ” ਕੀਤਾ ਹੈ। ਇਹ ਅੰਤਰ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਬੋਰਡ ਟਿਕਾਊ ਸੰਚਾਲਨ ਵਿਕਾਸ ਨੂੰ ਵੇਖੇ ਬਿਨਾਂ “AI ਮੋਮੈਂਟਮ” ਬਾਰੇ ਕਿਉਂ ਸੁਣ ਰਹੇ ਹਨ।

ਇੱਕ ਗਲੋਬਲ ਸਿਗਨਲ ਜੋਖਮਾਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਔਖਾ ਬਣਾਉਂਦਾ ਹੈ। ਵਰਲਡ ਇਕਨਾਮਿਕ ਫੋਰਮ ਦੀ ਨੌਕਰੀਆਂ ਦਾ ਭਵਿੱਖ 2025 ਰਿਪੋਰਟ ਦੱਸਦੀ ਹੈ ਕਿ, ਔਸਤਨ, ਕਾਮੇ 2025 ਅਤੇ 2030 ਦੇ ਵਿਚਕਾਰ ਆਪਣੇ ਮੌਜੂਦਾ ਹੁਨਰ ਸੈੱਟਾਂ ਦਾ ਦੋ-ਪੰਜਵਾਂ ਹਿੱਸਾ (39%) ਬਦਲਣ ਜਾਂ ਅਪ੍ਰਚਲਿਤ ਹੋ ਜਾਣ ਦੀ ਉਮੀਦ ਕਰ ਸਕਦੇ ਹਨ। ਸਭ ਤੋਂ ਵਧੀਆ, ਇਹ ਇੱਕ ਟੇਬਲ ਦਾਅ ਹੈ ਅਤੇ ਸਭ ਤੋਂ ਮਾੜੇ, ਇੱਕ ਭਟਕਣਾ ਹੈ.

ਦੋ ਜ਼ਰੂਰੀ ਸ਼ਿਫਟਾਂ

ਬੋਰਡਾਂ, CXOs, ਜਨਤਕ ਨੇਤਾਵਾਂ ਅਤੇ ਨੀਤੀ ਨਿਰਮਾਤਾਵਾਂ ਲਈ, ਦੋ ਬਦਲਾਅ ਜ਼ਰੂਰੀ ਹੋ ਗਏ ਹਨ। ਪਹਿਲਾਂ, AI-ਸੰਬੰਧੀ L&D ਨੂੰ ਸਮੱਗਰੀ ਦੀ ਡਿਲੀਵਰੀ ਨੂੰ ਮਾਪਣ ਤੋਂ ਲੈ ਕੇ ਐਪਲੀਕੇਸ਼ਨ ਨੂੰ ਮਾਪਣ ਤੱਕ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ – ਕੀ ਸਿੱਖਣ ਰੋਜ਼ਾਨਾ ਕੰਮ ਅਤੇ ਫੈਸਲੇ ਲੈਣ ਵਿੱਚ ਦਿਖਾਈ ਦੇ ਰਹੀ ਹੈ। ਦੂਜਾ, ਐਂਟਰਪ੍ਰਾਈਜ਼ AI ਨੂੰ ਭਰੋਸੇਮੰਦ ROI ਅਤੇ ਸ਼ਾਸਨ ਦੇ ਨਾਲ ਖਿੰਡੇ ਹੋਏ ਪਾਇਲਟਾਂ ਤੋਂ ਮੁੱਖ ਧਾਰਾ ਅਪਣਾਉਣ ਵੱਲ ਵਧਣਾ ਚਾਹੀਦਾ ਹੈ। ਦੋਵੇਂ ਅਟੁੱਟ ਹਨ: ਕਮਜ਼ੋਰ ਸਿਖਲਾਈ ਐਪਲੀਕੇਸ਼ਨ ਪਾਇਲਟਾਂ ਨੂੰ ਅੱਗੇ ਵਧਣ ਤੋਂ ਰੋਕਦੀ ਹੈ; ਪਾਇਲਟ ਪ੍ਰਸਾਰ ਸਿੱਖਿਆ ਨੂੰ ਵਿਆਪਕ ਅਤੇ ਨਤੀਜਿਆਂ ਨਾਲ ਅਟੁੱਟ ਬਣਾਉਂਦਾ ਹੈ।

ਮਾਪ ਦੀ ਸਮੱਸਿਆ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ. ਐਂਟਰਪ੍ਰਾਈਜ਼ ਲਰਨਿੰਗ ਨੇ ਇਸ ਗੱਲ ਦਾ ਧਿਆਨ ਰੱਖਿਆ ਹੈ ਕਿ ਕੀ ਗਿਣਨਾ ਸਭ ਤੋਂ ਆਸਾਨ ਹੈ: ਸੰਪੂਰਨਤਾ, ਖਪਤ ਕੀਤੇ ਘੰਟੇ, ਅਤੇ ਸੰਤੁਸ਼ਟੀ ਰੇਟਿੰਗ। ਏਆਈ-ਯੁੱਗ ਵਿੱਚ, ਨੇਤਾ ਤੇਜ਼ੀ ਨਾਲ ਗਲਤ ਹੋ ਰਹੇ ਹਨ ਜੋ ਉਹਨਾਂ ਨੂੰ ਜਾਣਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ. AI ਸਮਰੱਥਾ ਇੱਕ ਧਾਰਨਾ ਨਹੀਂ ਹੈ ਜਿਸਨੂੰ ਕਰਮਚਾਰੀ ਇੱਕ ਵਾਰ ਸਮਝਦੇ ਹਨ ਅਤੇ ਫਿਰ “ਇਸਨੂੰ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ।” ਇਹ ਇੱਕ ਅਜਿਹਾ ਵਿਵਹਾਰ ਹੈ ਜੋ ਬਾਰ-ਬਾਰ ਦਿਖਾਈ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ – ਮੀਟਿੰਗਾਂ, ਵਿਸ਼ਲੇਸ਼ਣ, ਗਾਹਕਾਂ ਨਾਲ ਗੱਲਬਾਤ, ਨਾਗਰਿਕ ਸੇਵਾ ਡਿਲੀਵਰੀ ਅਤੇ ਜੋਖਮ ਫੈਸਲੇ।

KNOLSKAPE ਦਾ ਡਾਇਗਨੌਸਟਿਕ ਚੁੱਪਚਾਪ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਸੰਸਥਾਵਾਂ ਕਿਉਂ ਫਸ ਜਾਂਦੀਆਂ ਹਨ। ਉਹ ਸਮੱਗਰੀ ਡਿਲੀਵਰੀ ਵਿੱਚ ਮੁਕਾਬਲਤਨ ਮਜ਼ਬੂਤ ​​ਹਨ, ਪਰ ਉਹਨਾਂ ਵਿਧੀਆਂ ਵਿੱਚ ਕਮਜ਼ੋਰ ਹਨ ਜੋ ਸਿੱਖਣ ਨੂੰ ਯੋਗਤਾ ਵਿੱਚ ਬਦਲਦੇ ਹਨ: ਮੁਲਾਂਕਣ, ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਰੋਲ ਪਲੇ, ਅਤੇ ਮਜ਼ਬੂਤੀ। ਸਿੱਖਣਾ ਅਕਸਰ ਪੂਰਾ ਹੋਣ ‘ਤੇ ਖਤਮ ਹੁੰਦਾ ਹੈ – ਬਿਲਕੁਲ ਜਿੱਥੇ ਸਮਰੱਥਾ ਸਿੱਖਣ ਅਤੇ ਨੌਕਰੀ ‘ਤੇ ਪ੍ਰਭਾਵ ਦੇ ਵਿਚਕਾਰ ਇੱਕ ਸਮਰੱਥ ਪੁਲ ਵਜੋਂ ਬਣਨਾ ਸ਼ੁਰੂ ਹੁੰਦੀ ਹੈ।

ਇੱਕ ਬੋਰਡ-ਪੱਧਰ ਦਾ ਸਵਾਲ

ਬੋਰਡਾਂ ਨੂੰ ਪ੍ਰਬੰਧਨ ਤੋਂ ਇੱਕ ਸਵਾਲ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ “ਅਸਲ ਕੰਮ ਵਿੱਚ ਕੀ ਬਦਲ ਰਿਹਾ ਹੈ” ਅਤੇ “ਇਸਦਾ ਕਾਰਨ ਕੀ ਹੈ?” ਜੇ ਸਭ ਤੋਂ ਵਧੀਆ ਜਵਾਬ “ਪੂਰਨਤਾ ਦਰ” ਹੈ, ਤਾਂ ਸੰਗਠਨ ਅਜੇ ਵੀ ਡਿਲੀਵਰੀ ਨੂੰ ਮਾਪ ਰਿਹਾ ਹੈ, ਸਮਰੱਥਾ ਨਹੀਂ।

ਇਸ ਨੂੰ ਕੀ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ ਇੱਕ ਹੋਰ ਨਤੀਜੇ ਵਾਲਾ ਬੈਰੋਮੀਟਰ ਹੈ – ਇਸਨੂੰ ਐਪਲੀਕੇਸ਼ਨ ਕੋਟੀਐਂਟ ਕਹੋ। ਕੋਈ ਟੈਸਟ ਸਕੋਰ ਨਹੀਂ, ਕੋਈ ਨਿਗਰਾਨੀ ਨਹੀਂ। ਇੱਕ ਸੰਪੂਰਨ ਸੂਚਕ ਜੋ ਜਵਾਬ ਦਿੰਦਾ ਹੈ ਕਿ ਕੀ ਕਰਮਚਾਰੀ ਨਾਜ਼ੁਕ ਵਰਕਫਲੋ ਲਈ AI ਨੂੰ ਲਾਗੂ ਕਰ ਰਹੇ ਹਨ ਅਤੇ ਕੀ ਉਹ ਐਪਲੀਕੇਸ਼ਨ ਨਤੀਜਿਆਂ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਰਹੀ ਹੈ। ਸਬੂਤ ਪਹਿਲਾਂ ਹੀ ਜ਼ਿਆਦਾਤਰ ਉਦਯੋਗਾਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਵਿੱਚ ਮੌਜੂਦ ਹਨ ਜੇਕਰ ਨੇਤਾ ਇਸਨੂੰ ਜੋੜਨਾ ਚਾਹੁੰਦੇ ਹਨ। ਕਾਰਜਸ਼ੀਲ KPIs ਚੱਕਰ ਦਾ ਸਮਾਂ, ਮੁੜ ਕੰਮ, ਗਲਤੀ ਦਰਾਂ, ਸੇਵਾ ਦੀ ਲਾਗਤ, ਘਟਨਾ ਹੱਲ ਅਤੇ ਗਾਹਕ ਵਾਧੇ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ। ਗੁੰਮ ਕਦਮ ਹੈ ਸਮਰੱਥਾ ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ “ਕਾਰਜਸ਼ੀਲ ਸੱਚਾਈਆਂ” ਦੇ ਇੱਕ ਛੋਟੇ ਸਮੂਹ ਨਾਲ ਜੋੜਨਾ, ਫਿਰ ਹਲਕੇ ਪਰੂਫ ਲੂਪਸ ਬਣਾਉਣਾ: AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਆਉਟਪੁੱਟਾਂ ਦੇ ਪ੍ਰਬੰਧਕ-ਸਮੀਖਿਆ ਕੀਤੇ ਨਮੂਨੇ, ਤਰਜੀਹੀ ਵਰਕਫਲੋਜ਼ ਵਿੱਚ ਅਪਣਾਉਣ ਲਈ ਥ੍ਰੈਸ਼ਹੋਲਡ, ਅਤੇ ਫੈਸਲੇ-ਗੁਣਵੱਤਾ ਮਾਰਕਰ (ਕੀ ਟੀਮਾਂ ਨੇ ਵਿਕਲਪਾਂ, ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਜ਼ੋਖਿਮ ਜਾਂ ਜ਼ੋਖਿਮ-ਸੰਕੇਤ ਦੇ ਰੂਪ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ)।

ਇਹ ਤਬਦੀਲੀ ਲੀਡਰਸ਼ਿਪ ਨੂੰ ਇਹ ਸੋਚਣ ਲਈ ਵੀ ਮਜਬੂਰ ਕਰਦੀ ਹੈ: L&D ਸਮੱਗਰੀ ਡਿਲੀਵਰੀ ਫੰਕਸ਼ਨ ਨਹੀਂ ਰਹਿ ਸਕਦਾ। ਇਹ ਇੱਕ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਸਿਸਟਮ ਬਣ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ. ਅਤੇ ਪ੍ਰਦਰਸ਼ਨ ਪ੍ਰਣਾਲੀਆਂ ਵਿੱਚ ਕੁਝ ਗੈਰ-ਗੱਲਬਾਤ ਕਰਨ ਯੋਗ ਹਨ: ਭੂਮਿਕਾ-ਅਧਾਰਤ ਯੋਗਤਾ ਪਰਿਭਾਸ਼ਾਵਾਂ (ਅਸਲ ਕੰਮ ਵਿੱਚ “ਕੀ ਚੰਗੀ ਲੱਗਦੀ ਹੈ”), ਵਾਰ-ਵਾਰ ਅਭਿਆਸ ਲੂਪਸ ਦੁਆਰਾ ਮਜ਼ਬੂਤੀ, ਅਤੇ ਯਥਾਰਥਵਾਦੀ ਰੁਕਾਵਟਾਂ ਦੇ ਅਧੀਨ ਪ੍ਰਬੰਧਕੀ ਤਾਲਾਂ। ਜੇਕਰ ਰੀਨਫੋਰਸਮੈਂਟ ਕਮਜ਼ੋਰ ਹੈ, ਤਾਂ ਬੋਰਡਾਂ ਅਤੇ ਲੀਡਰਾਂ ਨੂੰ ਹੈਰਾਨੀ ਨਹੀਂ ਹੋਣੀ ਚਾਹੀਦੀ ਜੇਕਰ ਸਿੱਖਣ ਦਾ ਅਨੁਵਾਦ ਅਸਫਲ ਹੋ ਜਾਂਦਾ ਹੈ।

ਪਾਇਲਟ ਸਮੱਸਿਆ

ਹੁਣ ਦੂਜੇ ਸਟਿਕਿੰਗ ਪੁਆਇੰਟ ‘ਤੇ: ਪਾਇਲਟ ਕਿਉਂ ਪ੍ਰਫੁੱਲਤ ਹੁੰਦੇ ਹਨ, ਪਰ ਮੁੱਲ ਕੱਢਣਾ ਅਧੂਰਾ ਰਹਿੰਦਾ ਹੈ। ਪਾਇਲਟ ਆਸਾਨੀ ਨਾਲ ਉੱਡਦੇ ਹਨ ਕਿਉਂਕਿ ਉਹ ਗਤੀ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ। ਉਹ ਡੈਮੋ, ਅੰਦਰੂਨੀ ਵਿਚਾਰ ਵਟਾਂਦਰੇ ਅਤੇ ਨਵੀਨਤਾ ਲਈ ਗੁੰਜਾਇਸ਼ ਬਣਾਉਂਦੇ ਹਨ। ਪਰ ਪਾਇਲਟ ਅਕਸਰ ਸਕੇਲ ਨਹੀਂ ਕਰਦੇ ਕਿਉਂਕਿ ਉਹ ਜੁੜਦੇ ਨਹੀਂ ਹਨ। ਵੱਖ-ਵੱਖ ਫੰਕਸ਼ਨ ਵੱਖ-ਵੱਖ ਟੂਲ, ਵਿਕਰੇਤਾ, ਮਿਆਰ ਅਤੇ ਆਰਕੀਟੈਕਚਰ ਚੁਣਦੇ ਹਨ; ਹਰੇਕ ਸਥਾਨਕ ਕਸਟਮਾਈਜ਼ੇਸ਼ਨ ਇੱਕ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਏਕੀਕਰਣ ਕਰਜ਼ਾ ਬਣਾਉਂਦਾ ਹੈ। KNOLSKAPE ਇਸ ਫਰੈਗਮੈਂਟੇਸ਼ਨ ਨੂੰ ਸਿੱਧੇ ਤੌਰ ‘ਤੇ ਕਹਿੰਦੇ ਹਨ: ਵੱਖ-ਵੱਖ ਫੰਕਸ਼ਨਾਂ ਵਿੱਚ ਕਈ ਪਾਇਲਟ ਅਸੰਗਤ ਮਿਆਰ ਅਤੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਐਂਟਰਪ੍ਰਾਈਜ਼-ਵਿਆਪਕ ਗੋਦ ਲੈਣਾ ਮੁਸ਼ਕਲ ਹੋ ਜਾਂਦਾ ਹੈ।

ਉਹ ਸੰਸਥਾਵਾਂ ਜੋ AI ਨੂੰ ਮਾਪਦੀਆਂ ਹਨ ਉਹ ਸ਼ਾਇਦ ਹੀ ਸਭ ਤੋਂ ਵੱਧ ਚਮਕਦਾਰ ਹੁੰਦੀਆਂ ਹਨ। ਉਹ AI ਨੂੰ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਬੁਨਿਆਦੀ ਢਾਂਚੇ ਦੇ ਤੌਰ ‘ਤੇ ਮੰਨਦੇ ਹਨ – ਜਿੱਥੇ ਇਹ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ, ਉਸ ਨੂੰ ਨਿਯੰਤਰਿਤ, ਮਾਨਕੀਕਰਨ ਅਤੇ ਦੁਹਰਾਉਣ ਯੋਗ ਬਣਾਉਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ। KNOLSKAPE ਦੱਸਦਾ ਹੈ ਕਿ ਸਕੇਲ ਕੀਤੇ ਖਿਡਾਰੀਆਂ ਨੂੰ ਕੀ ਵੱਖਰਾ ਕਰਦਾ ਹੈ: ਗਵਰਨੈਂਸ ਪਰਿਪੱਕਤਾ, ਡੇਟਾ ਤਿਆਰੀ, ਕਰਮਚਾਰੀਆਂ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਸਪਸ਼ਟ ਮੁੱਲ ਬਿਆਨ। ਉਹ “AI ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ” ਨਹੀਂ ਹਨ. ਉਹ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਸਮਰੱਥਾਵਾਂ ਹਨ।

ਇਹ ਫੰਡਿੰਗ “ਹੋਰ ਪ੍ਰਯੋਗਾਂ” ਦੀ ਅਪੀਲ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਬਜਾਏ ਇੱਕ ਓਪਰੇਟਿੰਗ ਮਾਡਲ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ। ਗੋਦ ਲੈਣ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ? ਐਂਟਰਪ੍ਰਾਈਜ਼ ਏਆਈ ਰਣਨੀਤੀ ਕੀ ਹੈ? ਕਿਹੜੇ ਮਾਪਦੰਡ ਡੇਟਾ ਪਹੁੰਚ ਅਤੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਦੇ ਹਨ? ਕਿਹੜੀ ਚੀਜ਼ ਵਰਤੋਂ ਦੇ ਕੇਸ ਨੂੰ ਸਕੇਲਿੰਗ ਦੇ ਯੋਗ ਬਣਾਉਂਦੀ ਹੈ? ਜੋਖਮਾਂ ਦੀ ਨਿਗਰਾਨੀ, ਆਡਿਟ ਅਤੇ ਸੰਚਾਰ ਕਿਵੇਂ ਕੀਤਾ ਜਾਵੇਗਾ? ਜਦੋਂ AI ਗੋਦ ਲੈਣਾ ਹਰ ਕਿਸੇ ਦਾ ਕੰਮ ਹੈ, ਇਹ ਹੁਣ ਕਿਸੇ ਦਾ ਕੰਮ ਨਹੀਂ ਹੈ – ਕਾਰੋਬਾਰ ਨਤੀਜੇ ਚਾਹੁੰਦਾ ਹੈ, IT ਸਥਿਰਤਾ ਚਾਹੁੰਦਾ ਹੈ, HR ਕੁਸ਼ਲਤਾ ਚਾਹੁੰਦਾ ਹੈ, ਜੋਖਮ ਪਹਿਰੇਦਾਰ ਚਾਹੁੰਦਾ ਹੈ। ਇੱਕ ਵੀ ਗੋਦ ਲੈਣ ਵਾਲੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਤੋਂ ਬਿਨਾਂ, ਪਾਇਲਟ ਫੈਲਾਅ ਡਿਫਾਲਟ ਬਣ ਜਾਂਦਾ ਹੈ।

ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ ਤੋਂ ਮੁੱਲ ਦੀਆਂ ਚੇਨਾਂ ਤੱਕ

ਇੱਕ ਪ੍ਰੈਕਟੀਕਲ ਫੋਰਸਿੰਗ ਫੰਕਸ਼ਨ AI ਨੂੰ ਵੱਖਰੇ “ਵਰਤੋਂ ਦੇ ਕੇਸਾਂ” ਦੇ ਆਲੇ ਦੁਆਲੇ ਸੰਗਠਿਤ ਕਰਨ ਤੋਂ AI ਮੁੱਲ ਚੇਨਾਂ ਦੇ ਦੁਆਲੇ ਸੰਗਠਿਤ ਕਰਨਾ ਹੈ – ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਪ੍ਰਵਾਹ ਜਿੱਥੇ ਅਸਲ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਬਣਾਇਆ ਜਾਂਦਾ ਹੈ: ਲੀਡ-ਟੂ-ਕੈਸ਼, ਖਰੀਦ-ਤੋਂ-ਭੁਗਤਾਨ, ਘਟਨਾ-ਤੋਂ-ਰੈਜ਼ੋਲੂਸ਼ਨ, ਕਿਰਾਏ ਤੋਂ ਉਤਪਾਦਕਤਾ। ਵੈਲਯੂ ਚੇਨ ਫੋਰਸ ਏਕੀਕਰਣ: ਸਾਂਝਾ ਡੇਟਾ, ਕਰਾਸ-ਫੰਕਸ਼ਨਲ ਮਲਕੀਅਤ, ਮਾਨਕੀਕ੍ਰਿਤ ਟੂਲਿੰਗ, ਅਤੇ ਮਾਪਣਯੋਗ ਨਤੀਜੇ। ਉਹ ਇਸ ਤੱਥ ਤੋਂ ਬਾਅਦ ROI ਬਣਾਉਣਾ ਵੀ ਔਖਾ ਬਣਾਉਂਦੇ ਹਨ, ਕਿਉਂਕਿ ਮੁੱਲ ਆਖਰਕਾਰ ਓਪਰੇਟਿੰਗ ਮੈਟ੍ਰਿਕਸ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ (ਜਾਂ ਨਹੀਂ).

ਫਿਰ, ਅੱਗੇ ਕੀ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ—ਬੋਰਡ, ਸੀਐਕਸਓ, ਜਨਤਕ ਨੇਤਾ ਅਤੇ ਨੀਤੀ ਨਿਰਮਾਤਾ ਕਿਸ ਪੱਧਰ ‘ਤੇ ਦੇਖਭਾਲ ਕਰਦੇ ਹਨ?

ਪਹਿਲਾਂ, ਨਤੀਜੇ ਦਾ ਸਹੀ ਨਾਮ ਦੱਸੋ। “AI ਸਿਖਲਾਈ” ਨਹੀਂ, ਪਰ AI- ਸਮਰਥਿਤ ਪ੍ਰਦਰਸ਼ਨ। ਨਾਮ ਡੈਸ਼ਬੋਰਡਾਂ ਨੂੰ ਆਕਾਰ ਦਿੰਦੇ ਹਨ, ਡੈਸ਼ਬੋਰਡ ਧਿਆਨ ਨੂੰ ਆਕਾਰ ਦਿੰਦੇ ਹਨ, ਧਿਆਨ ਆਕਾਰ ਦੇ ਨਤੀਜਿਆਂ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ।

ਦੂਜਾ, ਮਾਪ ‘ਤੇ ਸਕੇਲਿੰਗ ਨੂੰ ਸ਼ਰਤੀਆ ਬਣਾਓ। ਕਿਸੇ ਵੀ ਪਹਿਲਕਦਮੀ ਨੂੰ ਪਾਇਲਟ ਤੋਂ ਮੁੱਖ ਧਾਰਾ ਵਿੱਚ ਨਹੀਂ ਜਾਣਾ ਚਾਹੀਦਾ, ਬਿਨਾਂ ਦੱਸੇ ਮੁੱਲ ਦੀ ਪਰਿਕਲਪਨਾ ਅਤੇ ਇਸ ਨੂੰ ਮਾਪਣ ਲਈ ਇੱਕ ਸਹਿਮਤੀ ਵਿਧੀ – ਰੋਲਆਊਟ ਤੋਂ ਪਹਿਲਾਂ, ਬਾਅਦ ਵਿੱਚ ਨਹੀਂ। ਇਸ ਤਰ੍ਹਾਂ ਪ੍ਰਯੋਗ ਜਵਾਬਦੇਹੀ ਬਣ ਜਾਂਦਾ ਹੈ।

ਤੀਸਰਾ, ਸਮਗਰੀ-ਭਾਰੀ ਪ੍ਰੋਗਰਾਮਾਂ ਤੋਂ ਅਭਿਆਸ-ਭਾਰੀ ਮਾਰਗਾਂ ਤੱਕ ਸਿਖਲਾਈ ਦੇ ਖਰਚੇ ਨੂੰ ਸੰਤੁਲਿਤ ਕਰਨਾ ਜੋ ਅਸਲ ਕੰਮ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ: ਸਿਮੂਲੇਸ਼ਨ, ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਐਪਲੀਕੇਸ਼ਨ, ਪ੍ਰਬੰਧਕ-ਅਗਵਾਈ ਵਾਲੀ ਸਮੀਖਿਆ ਲੂਪਸ। KNOLSKAPE ਨੇ ਦੇਖਿਆ ਹੈ ਕਿ ਸਿਮੂਲੇਸ਼ਨ ਅਤੇ ਰੀਨਫੋਰਸਮੈਂਟ ਲੈਗ ਸਮਗਰੀ ਡਿਲੀਵਰੀ ਨੂੰ ਇੱਕ ਰਣਨੀਤਕ ਜੋਖਮ ਵਜੋਂ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ – ਕਿਉਂਕਿ AI ਸਮਰੱਥਾ ਜ਼ਿਆਦਾਤਰ ਨਿਰਣਾ ਹੈ, ਗਿਆਨ ਨਹੀਂ।

ਚੌਥਾ, ਪ੍ਰਬੰਧਕਾਂ ਨੂੰ ਟ੍ਰਾਂਸਮਿਸ਼ਨ ਬੈਲਟ ਬਣਾਓ। ਜੇਕਰ ਹਫ਼ਤਾਵਾਰੀ ਪ੍ਰਬੰਧਕੀ ਵਿੰਗ AI-ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਆਉਟਪੁੱਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਪਹਿਰੇਦਾਰਾਂ ਨੂੰ ਮਜ਼ਬੂਤ ​​ਕਰਦਾ ਹੈ, ਅਤੇ ਸਪੱਸ਼ਟ ਫੈਸਲੇ ਦੇ ਤਰਕ ਦੀ ਮੰਗ ਕਰਦਾ ਹੈ, ਤਾਂ ਵਿਵਹਾਰ ਕਾਇਮ ਨਹੀਂ ਰਹੇਗਾ। L&D ਪ੍ਰਬੰਧਨ ਨੂੰ ਬਦਲ ਨਹੀਂ ਸਕਦਾ।

ਅੰਤ ਵਿੱਚ, ਸ਼ਾਸਨ ਬਣਾਓ ਜੋ ਗਤੀ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ। ਬੋਰਡ ਅਤੇ ਰੈਗੂਲੇਟਰ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਫੈਸਲਿਆਂ ਦੀ ਡਾਟਾ ਸੁਰੱਖਿਆ, ਪੱਖਪਾਤ ਨਿਯੰਤਰਣ, ਵਿਆਖਿਆਯੋਗਤਾ ਅਤੇ ਆਡਿਟਯੋਗਤਾ ਦੀ ਤੇਜ਼ੀ ਨਾਲ ਜਾਂਚ ਕਰਨਗੇ। ਸ਼ਾਸਨ ਤੋਂ ਬਿਨਾਂ ਮੁੱਖ ਧਾਰਾ ਵਿੱਚ ਜਾਣਾ ਇੱਕ ਪ੍ਰਤਿਸ਼ਠਾ ਵਾਲਾ ਸੰਕਟ ਹੈ ਜੋ ਵਾਪਰਨ ਦੀ ਉਡੀਕ ਕਰ ਰਿਹਾ ਹੈ; ਮੁੱਖ ਧਾਰਾ ਤੋਂ ਬਿਨਾਂ ਸ਼ਾਸਨ ਗੈਰ-ਲਾਭਕਾਰੀ ਨੌਕਰਸ਼ਾਹੀ ਹੈ। ਉਦੇਸ਼ ਰੇਲਾਂ ਦਾ ਹੋਣਾ ਹੈ ਜੋ ਸਕੇਲ ‘ਤੇ ਜ਼ਿੰਮੇਵਾਰ ਗੋਦ ਲੈਣ ਦੇ ਯੋਗ ਬਣਾਉਂਦੇ ਹਨ।

ਸਰਕਾਰ ਅਤੇ ਨੀਤੀ ਨੇਤਾਵਾਂ ਲਈ, ਅਰਥ ਇੱਕੋ ਜਿਹਾ ਹੈ। ਜੇਕਰ ਰਾਸ਼ਟਰੀ ਉਤਪਾਦਕਤਾ ਲਾਭ ਇੱਕ ਨੀਤੀਗਤ ਉਦੇਸ਼ ਹੈ, ਤਾਂ ਪ੍ਰੋਤਸਾਹਨ ਨੂੰ “ਸਿਖਿਅਤ ਲੋਕਾਂ” ਦੀ ਗਿਣਤੀ ਕਰਨ ਤੋਂ ਦੂਰ ਅਤੇ ਐਪਲੀਕੇਸ਼ਨ ਦੇ ਸਬੂਤ ਵੱਲ ਅੱਗੇ ਵਧਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ: ਜਨਤਕ ਕਾਰਜ-ਪ੍ਰਵਾਹ ਵਿੱਚ ਕੀ ਸੁਧਾਰ ਹੋਇਆ, ਕਿਹੜੀਆਂ ਤਬਦੀਲੀਆਂ ਟਰਨਅਰਾਉਂਡ ਸਮੇਂ ਅਤੇ ਗਲਤੀ ਦਰਾਂ ਵਿੱਚ ਬਦਲੀਆਂ, ਅਤੇ ਕਿਵੇਂ ਭਰੋਸੇ ਅਤੇ ਜਵਾਬਦੇਹੀ ਦੀ ਰੱਖਿਆ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ।

ਭਾਰਤ ਕੋਲ ਇੱਥੇ ਇੱਕ ਅਸਲ ਮੌਕਾ ਹੈ – ਹੋਰ ਪ੍ਰਮਾਣ ਪੱਤਰ ਬਣਾ ਕੇ ਨਹੀਂ, ਅਤੇ ਹੋਰ ਪਾਇਲਟ ਲਾਂਚ ਕਰਕੇ ਨਹੀਂ, ਸਗੋਂ AI ਗੋਦ ਲੈਣ ਨੂੰ ਬੋਰਿੰਗ ਤੋਂ ਮੋੜ ਕੇ: ਵਰਕਫਲੋ ਵਿੱਚ ਏਮਬੇਡ ਕੀਤਾ ਗਿਆ, ਐਪਲੀਕੇਸ਼ਨਾਂ ਰਾਹੀਂ ਮਾਪਿਆ ਗਿਆ, ਸਪਸ਼ਟਤਾ ਨਾਲ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਗਿਆ, ਅਤੇ ਮੁੱਲ ਲੜੀ ਦੁਆਰਾ ਸਕੇਲ ਕੀਤਾ ਗਿਆ।

ਏਆਈ-ਯੁੱਗ ਵਿੱਚ, ਸਮੱਗਰੀ ਭਰਪੂਰ ਹੈ। ਸਮਰੱਥਾ ਦੁਰਲੱਭ ਹੈ. ਅੱਗੇ ਵਧਣ ਵਾਲੀਆਂ ਸੰਸਥਾਵਾਂ ਵਿਤਰਿਤ ਸਿੱਖਿਆ ਦਾ ਜਸ਼ਨ ਮਨਾਉਣਾ ਬੰਦ ਕਰ ਦੇਣਗੀਆਂ – ਅਤੇ ਹੱਥੀਂ ਸਿੱਖਣ ਦਾ ਪ੍ਰਬੰਧਨ ਸ਼ੁਰੂ ਕਰ ਦੇਣਗੀਆਂ।

(ਭਾਨੂ ਪੋਟਾ ਵਰਤਮਾਨ ਵਿੱਚ ਬਿਰਲਾ ਏਆਈ ਲੈਬਜ਼ ਵਿੱਚ ਇੱਕ ਸੀਨੀਅਰ ਸਲਾਹਕਾਰ ਅਤੇ ਜ਼ਿੰਗਰਲੈਬਜ਼ ਦੇ ਸੰਸਥਾਪਕ ਭਾਈਵਾਲ ਹਨ।)

(ਲਈ ਸਾਈਨ ਅੱਪ ਕਰੋ ਕਿਨਾਰਾਦ ਹਿੰਦੂ ਦਾ ਹਫਤਾਵਾਰੀ ਸਿੱਖਿਆ ਅਖਬਾਰ।)