स्वामित्व डेटा सबसे मूल्यवान AI मोत बन सकता है

कृत्रिम बुद्धिमत्ता कंपनियों के लिए अधिक सुलभ हो रही है। प्रमुख मॉडल क्लाउड प्लेटफ़ॉर्म के माध्यम से लाइसेंस किए जा सकते हैं, ओपन‑सोर्स सिस्टम को अनुकूलित किया जा सकता है, और AI सहायक सामान्य व्यावसायिक सॉफ़्टवेयर में दिखाई दे रहे हैं। इस बढ़ती उपलब्धता से निवेशकों के लिए एक महत्वपूर्ण प्रश्न उठता है: यदि प्रतिस्पर्धी समान मॉडल तक पहुँच सकते हैं, तो स्थायी AI लाभ कहाँ से आएँगे?

Research Policy में प्रकाशित एक नई अध्ययन¹ सुझाव देती है कि उत्तर इस बात में हो सकता है कि कंपनियां कृत्रिम बुद्धिमत्ता को स्वामित्व डेटा, संस्थागत ज्ञान और मानवीय विशेषज्ञता के साथ कितनी प्रभावी ढंग से जोड़ती हैं। इसका मुख्य तर्क यह है कि AI को अब एक पारंपरिक सॉफ़्टवेयर टूल के रूप में नहीं माना जाना चाहिए। यह संगठन के भीतर एक और सीखने वाला एजेंट बन रहा है।

यह अंतर महत्वपूर्ण है क्योंकि AI खरीदना स्वचालित रूप से कंपनी को सीखने में बेहतर नहीं बनाता। व्यवसायों को अभी भी प्रासंगिक डेटा, ऐसे कर्मचारी जो संचालन वातावरण को समझते हैं, मॉडल को कॉन्फ़िगर करने में सक्षम तकनीकी टीमें, और प्रक्रियाएँ चाहिए जो AI‑जनित अंतर्दृष्टियों को कार्रवाई में बदलें। जो कंपनियां ये क्षमताएँ जल्दी एकत्र करती हैं, वे ऐसे लाभ विकसित कर सकती हैं जो समय के साथ पुनरुत्पादित करना अधिक कठिन हो जाता है।

AI कंपनियों की ज्ञान अवशोषण प्रक्रिया को बदल रहा है

प्रबंधन शोधकर्ता ‘अवशोषण क्षमता’ शब्द का उपयोग कंपनी की बाहरी मूल्यवान ज्ञान को पहचानने, उसे समझने और व्यावसायिक रूप से लागू करने की क्षमता का वर्णन करने के लिए करते हैं। पारंपरिक रूप से, इस प्रक्रिया को मानव गतिविधि माना जाता था जो शोध, संचार, प्रशिक्षण और अनुभव द्वारा समर्थित होती है।

नया पेपर तर्क देता है कि यह ढांचा अब पर्याप्त नहीं है। आधुनिक AI सिस्टम जानकारी को स्कैन कर सकते हैं, पैटर्न का पता लगा सकते हैं, असंबंधित डोमेनों से डेटा को मिलाकर संभावित व्याख्याएँ या समाधान उत्पन्न कर सकते हैं। केवल कर्मचारियों के लिए जानकारी को संग्रहित करने के बजाय, AI यह प्रभावित कर सकता है कि संगठन क्या खोजता है और वह पाए गए डेटा की व्याख्या कैसे करता है।

यह वह द्वि‑शिक्षण संरचना बनाता है जिसे शोधकर्ता ‘डुअल लर्निंग आर्किटेक्चर’ कहते हैं। मानव सीखना अनुभव, संदर्भ, संबद्धता और निर्णय द्वारा निर्देशित रहता है। मशीन लर्निंग डेटा में पाए गए सांख्यिकीय संबंधों के माध्यम से कार्य करती है। प्रत्येक की अलग‑अलग ताकत और कमजोरियाँ हैं, और अकेले कोई भी पर्याप्त नहीं है।

यह व्यापक अर्थव्यवस्था में उभरते एक बड़े सबक का समर्थन करता है: जानकारी तब तक मूल्य नहीं बनाती जब तक कोई संगठन उसे समझ कर कार्रवाई नहीं करता। हालिया Securities.io की कवरेज जिसमें बताया गया है कि AI छोटे व्यवसायों के लिए नई संभावनाएँ खोल रहा है, समान रूप से पाया गया कि AI क्षमता और उद्यमशील क्षमता परस्परपूरक हैं, न कि परस्पर बदलने योग्य।

डेटा विरासत एक संगठित कॉर्पोरेट संपत्ति बन सकती है

पेपर की सबसे उपयोगी अवधारणाओं में से एक ‘डेटा विरासत’ है। यह कंपनी द्वारा संचित डेटा की मात्रा, विविधता, गुणवत्ता और इतिहास को दर्शाता है।

पारंपरिक डेटाबेस मुख्यतः निष्क्रिय होते हैं। वे जानकारी को तब तक संरक्षित रखते हैं जब तक कोई व्यक्ति या पूर्वनिर्धारित प्रोग्राम उसे प्राप्त और विश्लेषण नहीं करता। AI संचित डेटा को अधिक सक्रिय बनाता है क्योंकि नई जानकारी प्रणाली के पैटर्न पहचानने और भविष्य के ज्ञान को उत्पन्न करने के तरीके को बदल सकती है।

उदाहरण के लिए, एक निर्माता के पास कई वर्षों के रखरखाव रिकॉर्ड, उत्पादन माप, दोष रिपोर्ट, उपकरण लॉग और तकनीशियन के अवलोकन हो सकते हैं। एक प्रतिस्पर्धी समान AI सॉफ़्टवेयर खरीद सकता है, लेकिन वह उस संचालन इतिहास को तुरंत पुनरुत्पादित नहीं कर सकता। मौजूदा कंपनी का डेटा उसके मॉडल को विफलताओं का निदान करने, उत्पादन को अनुकूलित करने और उन संबंधों की पहचान करने में मदद कर सकता है जो रिकॉर्ड बनते समय स्पष्ट नहीं थे।

यह प्रक्रिया स्व‑सुदृढ़ बन सकती है। बेहतर डेटा AI सिस्टम को यह पहचानने में मदद करता है कि कौन सी अतिरिक्त जानकारी मूल्यवान होगी। कंपनी फिर बेहतर जानकारी एकत्र करती है, जिससे आगे के विश्लेषण में सुधार होता है और आगे की संग्रहण प्रक्रिया का मार्गदर्शन होता है। पेपर इस डेटा को स्रोत करने, क्यूरेट करने, एकीकृत करने और प्रबंधित करने में जानबूझकर निवेश को ‘डेटा अवशोषण प्रयास’ के रूप में वर्णित करता है।

परिणामी लाभ केवल अधिक डेटा होने से नहीं आता। खराब संरचित, अप्रासंगिक या पक्षपाती डेटा सिस्टम को कमजोर कर सकता है। मोत इस संयोजन से आता है:

• स्वामित्व और प्रासंगिक जानकारी
• विश्वसनीय संग्रहण और शासन प्रक्रियाएँ
• ऐसे कर्मचारी जो संचालन संदर्भ को समझते हैं
• AI को अनुकूलित करने में सक्षम तकनीकी विशेषज्ञता

यह व्यापक परिवर्तन के साथ संगत है जो हाइब्रिड डेटा रणनीतियों की ओर बढ़ रहा है, जहाँ स्वामित्व वाली कॉर्पोरेट जानकारी को बड़े बाहरी डेटासेट्स के साथ मिलाया जाता है। एक शक्तिशाली मॉडल तक पहुँच सामान्य हो सकती है, लेकिन सही आंतरिक संदर्भ तक पहुँच असमान बनी रहेगी।

AI संस्थागत ज्ञान को कैसे संरक्षित कर सकता है

अध्ययन ज्ञान वर्चुअलाइज़ेशन की अवधारणा भी प्रस्तुत करता है। कर्मचारी अक्सर ऐसा विशेषज्ञता संचित करते हैं जिसे लिखित रूप में प्रस्तुत करना कठिन होता है। एक अनुभवी तकनीशियन असामान्य कंपन से यांत्रिक समस्या का पता लगा सकता है, जबकि एक जोखिम विश्लेषक बिना इसे सरल नियम में बदल पाए एक संदिग्ध आवेदन को पहचान सकता है।

परम्परागत रूप से कंपनियां इस अंतर्निहित ज्ञान को प्रशिक्षण, मेंटरशिप, रूटीन और साझा अनुभव के माध्यम से संरक्षित करती हैं। ये विधियाँ मूल्यवान हैं लेकिन महंगी, स्केल करने में धीमी, और कर्मचारी टर्नओवर के प्रति संवेदनशील होती हैं।

AI एक और संभावित चैनल बनाता है। निर्णयों, परिणामों, दस्तावेज़ों, सेंसर रीडिंग्स और ऐतिहासिक मामलों पर प्रशिक्षित मॉडल अनुभवात्मक ज्ञान के भागों को गणितीय प्रतिनिधित्व में एन्कोड कर सकते हैं। इसका मतलब यह नहीं है कि मॉडल वास्तविक रूप से एक अनुभवी कर्मचारी के सभी ज्ञान को समझता है। इसका अर्थ है कि संगठन उस विशेषज्ञता से निकाले गए पैटर्न को संरक्षित और पुनः उपयोग कर सकता है।

यह ज्ञान, जो पहले एक कर्मचारी या टीम से जुड़ा था, को पुन: प्रयोज्य कॉर्पोरेट संपत्ति में बदल सकता है। नए कर्मचारियों को AI सिस्टम के साथ इंटरैक्ट करने का अवसर मिल सकता है जो संगठन के ऐतिहासिक निर्णय‑निर्धारण के भागों को दर्शाता है, जबकि अनुभवी कर्मचारी इसका आउटपुट उपयोग करके अनदेखे साक्ष्य की पहचान कर सकते हैं।

हालाँकि, यहाँ एक रणनीतिक तनाव है। अंतर्निहित ज्ञान इसलिए मूल्यवान है क्योंकि प्रतिस्पर्धी इसे आसानी से नहीं कॉपी कर सकते। उस ज्ञान को वर्चुअलाइज़ करने से यह आंतरिक रूप से अधिक स्केलेबल हो जाता है, लेकिन इससे सुरक्षा, शासन और स्वामित्व संबंधी चिंताएँ भी उत्पन्न होती हैं। यदि संवेदनशील प्रशिक्षण डेटा, मॉडल वेट्स या वर्कफ़्लो उजागर हो जाएँ, तो कंपनी अनजाने में अपने संचालनात्मक लाभ का एक हिस्सा स्थानांतरित कर सकती है।

मानव और मशीन निर्णय को जुड़े रहना चाहिए

पेपर डोमेन ज्ञान और AI ज्ञान के प्रभावी समन्वय को ‘संज्ञानात्मक द्वैत’ कहता है। यह क्षमता केवल डेटा वैज्ञानिकों को अनुभवी प्रबंधकों के साथ नियुक्त करने से अधिक की मांग करती है। दोनों समूहों को एक-दूसरे को समझने और चुनौती देने में सक्षम होना चाहिए।

डोमेन विशेषज्ञों को पर्याप्त AI साक्षरता चाहिए ताकि वे पहचान सकें कि कब कोई मॉडल अविश्वसनीय है, अपने प्रशिक्षण वातावरण के बाहर कार्य कर रहा है, या सहसंबंध को कारण से भ्रमित कर रहा है। तकनीकी टीमों को पर्याप्त डोमेन परिचितता चाहिए ताकि वे समझ सकें कौन से परिणाम महत्वपूर्ण हैं और कौन सी बाधाएँ केवल डेटा से अनुमानित नहीं की जा सकतीं।

उस पुल के बिना, कंपनियों को दो विपरीत जोखिमों का सामना करना पड़ता है। कर्मचारी AI की सिफ़ारिशों पर बहुत जल्दी भरोसा कर सकते हैं, जिससे त्रुटियों या ऐतिहासिक पक्षपात का बड़े पैमाने पर प्रसार हो सकता है। वैकल्पिक रूप से, वे उपयोगी निष्कर्षों को अस्वीकार कर सकते हैं क्योंकि सिस्टम की तर्कशक्ति अपरिचित या अपर्याप्त रूप से समझाने योग्य है।

यह समझाने में मदद करता है कि क्यों एंटरप्राइज़ AI परियोजनाएँ बहुत अलग परिणाम दे सकती हैं, भले ही संगठन समान मूलभूत मॉडल का उपयोग करें। प्रदर्शन आसपास के सीखने वाले सिस्टम पर निर्भर करता है। विश्व आर्थिक मंच ने भी AI‑तैयार डेटा, कर्मचारी कौशल, उपयुक्त मॉडल और जिम्मेदार शासन को एंटरप्राइज़ में AI को स्केल करने के जुड़े आवश्यकताओं के रूप में पहचाना है।

अध्ययन ने AI‑प्रेरित सीखने के बारे में क्या पाया

शोध ने एक वैचारिक समीक्षा को इटली में आठ छोटे और मध्यम आकार के AI‑प्रथम फर्मों में किए गए 40 साक्षात्कारों के साथ मिलाया। प्रतिभागी स्वास्थ्य सेवा, वित्त, रचनात्मक सामग्री, डेटा प्रबंधन, पूर्वानुमान और जोखिम विश्लेषण में तकनीकी और प्रबंधकीय पदों पर थे।

यह फ्रेमवर्क मूल्यवान है, लेकिन इसकी सीमाएँ भी महत्वपूर्ण हैं। यह एक सिद्धांत‑निर्माण गुणात्मक अध्ययन है, न कि यह प्रमाणित करने वाला मात्रात्मक सबूत कि ये क्षमताएँ लाभ या शेयरधारक रिटर्न को बढ़ाती हैं। भाग लेने वाली कंपनियों में से कोई भी 250 या अधिक कर्मचारियों वाली नहीं थी, और सभी एक ही देश में स्थित थीं। बड़े उद्यमों, कम‑प्रौद्योगिकी उद्योगों और विभिन्न आर्थिक वातावरणों में मॉडल का परीक्षण करने के लिए आगे का शोध आवश्यक है।

ServiceNow एंटरप्राइज़ AI वर्कफ़्लो के एक्सपोज़र प्रदान करता है

इस परिवर्तन के एक्सपोज़र की तलाश में निवेशकों के लिए, ServiceNow एक प्रासंगिक उदाहरण प्रदान करता है। इसका प्लेटफ़ॉर्म एंटरप्राइज़ डेटा, वर्कफ़्लो, कर्मचारियों और बढ़ते स्वायत्त AI एजेंटों को जोड़ता है। यह स्थिति पेपर के तर्क को निकटता से प्रतिबिंबित करती है कि AI का मूल्य केवल मॉडल से नहीं, बल्कि उसके संगठनात्मक प्रक्रियाओं के साथ एकीकरण से उत्पन्न होता है।

ServiceNow ने अपने Workflow Data Fabric, AI Control Tower और स्वायत्त विश्लेषण क्षमताओं का विस्तार किया है। कंपनी अपने रियल‑टाइम एंटरप्राइज़ डेटा फाउंडेशन को AI सिस्टम को शासित संचालन संदर्भ प्रदान करने के तरीके के रूप में वर्णित करती है। Securities.io ने भी UiPath और एजेंटिक ऑटोमेशन बाजार की अपनी कवरेज के माध्यम से निकटवर्ती अवसर की जांच की है।

निवेश मामला जोखिम‑मुक्त नहीं है। एंटरप्राइज़ सॉफ़्टवेयर प्रतिस्पर्धा तीव्र है, AI सुविधाएँ बंडल किए गए वस्तुओं में बदल सकती हैं, और ग्राहक व्यापक प्लेटफ़ॉर्म डिप्लॉयमेंट की लागत या जटिलता का विरोध कर सकते हैं। ServiceNow को यह भी सिद्ध करना होगा कि उसके AI उत्पाद मात्र उत्पाद की विस्तृति बढ़ाने के बजाय मापनीय ग्राहक मूल्य उत्पन्न करते हैं।

फिर भी, उसकी स्थिति पेपर की मुख्य निवेश अंतर्दृष्टि को दर्शाती है। जैसे-जैसे फाउंडेशन मॉडल अधिक सुलभ होते जा रहे हैं, स्थायी मूल्य उन कंपनियों की ओर स्थानांतरित हो सकता है जो वर्कफ़्लो संदर्भ, शासित डेटा एक्सेस और उन सिस्टमों को नियंत्रित करती हैं जिनके माध्यम से मानव और मशीन निर्णय कार्यात्मक क्रियाओं में बदलते हैं।

वास्तविक AI विभाजन समय के साथ विस्तृत हो सकता है

उभरता विभाजन उन व्यवसायों के बीच नहीं हो सकता जो AI का उपयोग करते हैं और जो नहीं करते। यह उन कंपनियों के बीच हो सकता है जो AI को एक अलग उपकरण मानते हैं और उन कंपनियों के बीच जो उसके चारों ओर एक संगठनात्मक सीखने की प्रणाली बनाते हैं।

स्वामित्व डेटा, संचित विशेषज्ञता, मॉडल शासन और क्रॉस‑फ़ंक्शनल समन्वय सभी पथ‑निर्भर होते हैं। इन्हें विकसित करने और दोहराए गए उपयोग से सुधारने में समय लगता है। जो कंपनियां इन्हें जल्दी बनाना शुरू करती हैं, उन्हें संचयी लाभ मिल सकता है, जबकि देर से अपनाने वाले केवल नवीनतम मॉडल खरीदकर अंतर को जरूरी नहीं बंद कर सकें।

निवेशकों के लिए, यह बदलता है कि AI तत्परता का मूल्यांकन कैसे किया जाना चाहिए। सॉफ़्टवेयर और कंप्यूटिंग इन्फ्रास्ट्रक्चर पर खर्च महत्वपूर्ण है, लेकिन यह यह कम ही दर्शाता है कि क्या कंपनी AI को रक्षात्मक मूल्य में बदल सकती है। अधिक स्पष्ट प्रश्न इस बात से संबंधित हैं कि व्यवसाय कौन सी स्वामित्व जानकारी नियंत्रित करता है, क्या वह कर्मचारी विशेषज्ञता को संरक्षित कर सकता है, तकनीकी टीमें डोमेन विशेषज्ञों के साथ कितनी निकटता से काम करती हैं, और क्या AI अंतर्दृष्टि वास्तविक वर्कफ़्लो तक पहुँच सकती है।

इसलिए अगली पीढ़ी के AI विजेता कम इस बात से परिभाषित होंगे कि किसके पास बुद्धिमत्ता तक पहुँच है और अधिक इस बात से कि कौन इसे अवशोषित करना जानता है।

संदर्भ:

¹ Pedota, M. (2026). Minds and machines: कृत्रिम बुद्धिमत्ता के युग में अवशोषण क्षमता पर पुनर्विचार। Research Policy, 55, 105600. https://doi.org/10.1016/j.respol.2026.105600