AI उन्माद दुनिया भर में निर्णय-प्रक्रिया को ध्वस्त कर रहा है

• Hermit Tech ने पिछले डेढ़ साल में जिन AI प्रोजेक्ट्स में भाग लिया या जिन्हें परोक्ष रूप से देखा, उनकी सफलता दर 0% रही, और कंपनियां वास्तविक नतीजों से अधिक AI अपनाने को ही रणनीतिक लक्ष्य बना रही हैं
• खराब documentation के कारण internal chatbot इस्तेमाल में नहीं आते, और customer-facing chatbot के लिए यह भी ठीक से नहीं मापा जाता कि वे समस्या हल करते हैं या नहीं, लेकिन management, कर्मचारी और vendors—किसी के पास भी विफलता सार्वजनिक करने की प्रेरणा नहीं है, इसलिए productivity improvement की घोषणाएं जारी रहती हैं
• 500 से अधिक कर्मचारियों वाले संगठनों में AI की उपयोगिता पर संदेह करने से promotion और नौकरी दोनों खतरे में पड़ सकते हैं, इसलिए कर्मचारी AI के बिना किए गए काम को भी AI की उपलब्धि बताकर पेश करते हैं या token usage को कृत्रिम रूप से बढ़ाकर evaluation metrics पूरे करते हैं
• management भी customer, board, या peers के दावों का विरोध करने पर contract या पद खो सकता है, इसलिए चुप रहता है, और यह coordination problem बढ़ा-चढ़ाकर बताए गए नतीजों और गैरज़रूरी निवेश को एक-दूसरे से मजबूत करती है
• जब हर business, hiring, और budget request में AI तत्व जोड़ना अनिवार्य हो जाता है, तो सामान्य खरीद और संचार बाधित हो जाते हैं; इसलिए practitioners को private interviews और anonymous surveys से तथ्य जांचने चाहिए, और अगर स्थिति जड़ हो चुकी हो तो नौकरी बदलने या contract role में जाने की तैयारी करनी चाहिए

---

देखे गए AI निवेश की विफलता

• Hermit Tech ने पिछले 1 साल में कंपनी की sales संभालते हुए दुनिया भर के लगभग 300 experts से बातचीत की और private तथा public organizations में AI adoption की स्थिति देखी
• टीम ने पिछले डेढ़ साल में जिन सभी AI projects में भाग लिया या अन्य कामों के दौरान परोक्ष रूप से देखा, वे सभी विफल रहे; और यदि कहीं सफलता के उदाहरण हों भी, तो वे सामान्य परिणाम नहीं बल्कि अपवाद के अधिक करीब लगते हैं
  • टीम ने AI implementation से जुड़े सभी काम ठुकरा दिए, और OpenAI गायब हो जाए तब भी मौजूदा contracts पर सीधा असर न पड़े, इसके लिए exposure न्यूनतम रखा
• भले ही AI tools कुछ खास काम तेज़ कर सकते हों, लेखक के अनुसार मौजूदा निवेश का तरीका और पैमाना उचित नहीं है
  • कंपनियों की सामान्य software project execution क्षमता कम है, इसलिए पुरानी विफलताओं के कारण जस के तस बने हुए हैं
  • AI projects में तकनीक की नवीनता से पैदा होने वाले अतिरिक्त failure risks भी मौजूद हैं
  • software को स्थिर रूप से release करते हुए इन जोखिमों को संभाल पाने वाली कंपनियां बहुत कम हैं

विफलता को छिपाने वाले हित

• board, management, कर्मचारी, vendors, और consultants—सभी के पास AI project की सफलता या विफलता को अस्पष्ट बनाए रखने की प्रेरणा है
  • विफलता मान लेने वाला management अपना पद खो सकता है
  • ईमानदारी से समस्या बताने वाले कर्मचारी को निकाला जा सकता है या layoffs का लक्ष्य बनाया जा सकता है
  • कुछ listed companies ने Copilot licenses खरीदने के अलावा लगभग कुछ नहीं किया, फिर भी AI productivity gains की घोषणा की
• project goals, users, और outcomes के बारे में बुनियादी सवाल पूछना भी command chain पर हमला माना जा सकता है
  • project चल रहा हो तो विफलता अभी सामने न आने के कारण जवाब यह मिलता है कि सब ठीक चल रहा है
  • Hermit Tech का मानना है कि संकट वास्तविक होने से पहले हस्तक्षेप करना कठिन है, इसलिए जब तक ग्राहक सामान्य data strategy पर स्पष्ट सलाह न मांगे, वह चल रहे AI projects को पहले मुद्दा नहीं बनाता
• यह तरीका Gerry Weinberg के सिद्धांत “consulting is influencing people at their request” पर आधारित है

internal और customer-facing chatbot की सीमाएं

• कंपनियों में सबसे आम AI project internal staff या customers के लिए LLM chatbot बनाना है
• internal chatbots का वास्तविक adoption लगभग नहीं के बराबर था
  • अगर कंपनी documentation की quality खराब हो, तो LLM जवाब के लिए ज़रूरी जानकारी हासिल नहीं कर सकता
  • वह सिर्फ वही जानकारी उपयोग कर सकता है जो recorded या accessible बनाई गई हो, इसलिए documentation की समस्या को AI अपने आप हल नहीं कर सकता
• customer-facing chatbot भी शायद ही संतोषजनक अनुभव दे पाए; medical consultations के दौरान real-time transcription एक अपवाद था
• project owners अक्सर tool के actual usage जैसे बुनियादी metrics से बचते हैं, या ऐसे metrics चुनते हैं जिन्हें आसानी से manipulate किया जा सके

• Mitsubishi customer support case

  • वाहन खराब होने के बाद Mitsubishi से संपर्क करने पर एक automated support system ने natural voice और तेज़ response के साथ समस्या दर्ज की और जल्द callback का आश्वासन दिया
  • 6 महीने बाद भी कोई callback नहीं आया
  • यह पता नहीं चल सका कि request error के रूप में दर्ज हुई थी या बिना इंसानी दखल के resolved मान ली गई थी
  • system metrics में यह success दिख सकता था, लेकिन वास्तविक परिणाम यह था कि ग्राहक ने दोबारा Mitsubishi vehicle न खरीदने का फैसला कर लिया

जब organizational strategy, AI में आस्था की घोषणा बन जाती है

• देखे गए 500+ कर्मचारियों वाले संगठनों में promotion और नौकरी बचाए रखने के लिए यह विश्वास बार-बार जताना बढ़ता जा रहा है कि AI उस business में सब कुछ बदल देगा
• यहां ठोस use cases नहीं, बल्कि आस्था-स्वीकारोक्ति जैसी बातें मांगी जाती हैं
  • गैर-तकनीकी भूमिकाओं में लोग यह अधिक कहते हैं, लेकिन तकनीकी लोग भी goodwill पाने के लिए साथ देते हैं
  • ऐसे मामले देखे गए जहां किसी ने कहा “AI सब कुछ बदल रहा है”, लेकिन संगठन में LLM के उपयोग या बदले हुए workflow का एक भी उदाहरण नहीं दे पाया
  • 2 billion dollar से अधिक annual revenue वाले संगठन की AI-केंद्रित tech strategy लिखने वाले एक executive ने माना कि उसने ChatGPT सहित किसी भी AI tool का कभी इस्तेमाल ही नहीं किया
• कुछ लोग विचारक दिखने के लिए जानबूझकर बढ़ा-चढ़ाकर बोलते हैं, लेकिन लेखक के अनुसार अधिक खतरनाक वे हैं जिनके पास technical background नहीं है और जो अपनी ही बातों पर सचमुच विश्वास करते हैं
• एक संगठन ने अपने top performers को सिर्फ इसलिए निकाल दिया क्योंकि उन्होंने LLM के बिना अच्छे नतीजे दिए थे; और यह फैसला सिर्फ बाहरी PR में नहीं, बल्कि अपने पैसों और internal strategy में भी कायम रखा

तकनीकी experts पर AI उपयोग थोपना

• AI skeptics और समर्थक—दोनों इस बात पर सहमत हैं कि management द्वारा LLM उपयोग थोपना खराब रणनीति है
  • “Contra Ptacek’s Terrible Article On AI” में Thomas Ptacek के “My AI Skeptic Friends Are All Nuts” से LLM की उपयोगिता का अलग आकलन है
  • लेकिन professional staff पर किसी खास काम करने का तरीका थोपना अनुचित है—इस निष्कर्ष पर दोनों सहमत हैं
• जब non-technical executives, experts की सहमति के बिना specific procedures और tools अनिवार्य करते हैं, तो समस्या वैसी ही होती है जैसे किसी hospital या civil engineering company का CEO विशेषज्ञ staff को सीधे medical या construction techniques बताने लगे

• AI washing और token leaderboard

  • managers नतीजे अच्छे होने पर भी इस बात से नाराज़ होते हैं कि AI इस्तेमाल नहीं हुआ, इसलिए कर्मचारी पुराने तरीके से काम करके बाद में झूठा दावा करते हैं कि Claude ने काम किया
  • कुछ संगठन ऐसे leaderboards चलाते हैं जहां AI cost या token consumption जितना अधिक हो, rating उतनी बेहतर मिलती है
  • system optimization engineers LLM को अपने ही prompts दोहराने पर मजबूर कर consumption बढ़ाते हैं
  • output deploy करने लायक न लगे तो भी उसे फेंक दिया जाता है और दूसरा काम करते हुए usage भर दिया जाता है
  • एक engineer ने कहा कि वह AI से पूरे Go repository copy को Zig में दोबारा लिखवाता है और फिर नतीजे को अनदेखा कर देता है
  • इस तरह metrics manipulate करने वालों को पकड़ा नहीं गया, जबकि रणनीति पर खुलकर संदेह जताने वालों को ही निकाले जाने के मामले सामने आए
  • कर्मचारी आखिरकार यह सीख जाते हैं कि management की AI strategy की तारीफ़ करना ही सुरक्षित है

AI demo कैसे buying decisions पर हावी हो जाता है

• Hermit Tech अपने ग्राहकों को जिन मुख्य infrastructure components में deploy करता है, उनमें usage-based analytics database Snowflake भी शामिल है
• Snowflake का Cortex एक AI layer है जो data columns के meaning जैसे metadata का उपयोग कर natural language में company database query करने देता है
  • यह “पिछले हफ्ते revenue कितना था?” जैसे सवालों का जवाब दे सकता है
  • लेखक को याद है कि Snowflake staff की एक presentation में ideal setup के बावजूद बड़े enterprise data की complexity के कारण accuracy लगभग 92% थी
  • यानी CFO द्वारा देखे गए लगभग हर 10 में से 1 number गलत हो सकता है, और deployment governance के लिहाज़ से भी यह गंभीर समस्या है, इसलिए यह production के लिए उपयुक्त नहीं लगा
• फिर भी Cortex से प्रभावशाली demo बनाना आसान था

• वह demo जिसने warnings को बेअसर कर दिया

  • जो ग्राहक मूल प्रस्ताव को लेकर ठंडे थे, वे natural language data query demo देखते ही खरीदने को तैयार हो गए
  • साफ़ चेतावनी दी गई कि यह इच्छित परिणाम नहीं देगा, फिर भी वे non-AI तरीकों से मिलने वाले multi-million dollar benefits तक छोड़कर budget chatbot पर केंद्रित करना चाहते थे
  • Hermit Tech ने इसे ग्राहक की निर्णय-क्षमता की कमी का फायदा उठाना, reputational और legal risk बढ़ाना, और गैर-जिम्मेदाराना समझा; इसलिए sales रोक दी और बाद में Cortex को demo list से हटा दिया
  • यह demo लगभग 2 घंटे में browser में data descriptions भरकर बनाया गया था, लेकिन ASX-listed company सहित ऐसे prospects, जो पहले से AI adoption का प्रचार कर रहे थे, उनके किसी मौजूदा investment output से बेहतर चला
  • इसके बाद AI को क्षणिक जिज्ञासा से आगे बढ़कर गहरे जुनून की तरह लेने वाले सभी prospects के साथ लेन-देन बंद कर दिया गया
  • कारण सिर्फ नैतिक आपत्ति नहीं थी; contract process में reputational और legal risk से बचना भी कठिन था
  • ऐसे ग्राहकों द्वारा बनाया गया management environment भी अधिक धार्मिक-सा और अक्षम होता जा रहा था

management को बांधने वाली coordination problem

• बड़े AI initiatives संभालने वाले या सार्वजनिक रूप से बढ़ा-चढ़ाकर दावे करने वाले कुछ executives अपनी ही बातों पर विश्वास नहीं करते
  • 1 billion dollar से अधिक annual recurring revenue वाली कंपनियों के कुछ AI heads ने कहा कि वे इस role को ही बनावटी मानते हैं, लेकिन संगठन में promotion का यही एक रास्ता था
  • कई CISOs AI initiatives को लेकर निजी तौर पर skeptical हैं, लेकिन खुलकर विरोध करने से डरते हैं
• Fortune 500 की एक executive ने कहा कि जब ग्राहक पक्ष के executives 100x productivity gains का दावा कर रहे हों, तब यदि vendor इसका खंडन करे तो ग्राहक management का भरोसा टूट सकता है और enterprise contract रद्द हो सकता है
• vendors खुद भी अन्य vendors के ग्राहक होते हैं, इसलिए हर कंपनी का management यह डर रखता है कि सामने वाले के अतिशयोक्तिपूर्ण दावों को काटने पर नुकसान पहले उसी को न उठाना पड़े
• इससे AI performance पर ईमानदारी से बोलना मुश्किल बना देने वाली coordination problem पैदा होती है
  • अगर सब अपनी मौजूदा स्थिति बनाए रखें, तो पद सुरक्षित रह सकते हैं
  • यदि कोई एक व्यक्ति झूठे नतीजों का खंडन करे, तो इसे peers को झूठा, डरपोक, या अयोग्य साबित करने की कोशिश समझा जा सकता है, और वह खुद निकाला जा सकता है
  • निकली हुई जगह फिर उसी व्यक्ति से भर दी जाती है जो पुरानी लाइन ही दोहराए
  • अगर सब एक साथ मान लें, तो स्थिति बदल सकती है, लेकिन ऐसा coordinate करने का कोई साधन नहीं है
• S&P 500 board members भी यह चिंता जताते दिखे कि AI investment की मांग किए बिना उनका पद सुरक्षित नहीं रहेगा
  • एक member ने कहा, “इतनी जल्दी निवेश करना upside कम और risk ज़्यादा लग रहा है”
  • लगभग 2 साल बाद वही multi-billion dollar company खुद को AI-native कहकर brand करने लगी

हर business proposal पर AI purity test

• AI पर सार्वजनिक संदेह व्यक्त न कर पाने की संरचना के कारण संगठनों में सामान्य decision-making रुक रही है
• कर्मचारियों का मूल्यांकन AI spend जैसे आसानी से manipulate होने वाले metrics से होता है, और गैरज़रूरी खरीद से इनकार करने पर उनकी AI strategy के प्रति loyalty पर सवाल उठता है
• internal politics से प्रभावित हर proposal में, भले उसकी value अस्पष्ट हो, AI तत्व शामिल करना पड़ता है
• कई AI projects मूलतः पुराने projects में एक AI step जोड़कर organizational purity test पास करने का तरीका बन गए हैं

• Oracle से Snowflake migration case

  • एक संगठन ने Oracle database को Snowflake में migrate करते समय LLM से Oracle SQL को Snowflake SQL में auto-convert करने का एक preliminary step जोड़ा
  • ज़रूरी permissions न मिलने के कारण automation विफल हो गई, तो vendor ने SQL manually convert किया
  • विफलता का कारण LLM की conversion capability नहीं, बल्कि automation permissions की कमी थी
  • AI द्वारा बदले गए कुछ गैर-महत्वपूर्ण SQL को paste कर देने भर से पूरे project को AI-based success बताकर bill किया गया
  • असल खरीद एक standard database migration थी, जिसका उद्देश्य license renewal से पहले legacy system हटाना था
  • ऊपर management को बताया गया कि “budget का बड़ा हिस्सा AI पर लगाकर goal हासिल किया गया”

उन projects का भाग्य जिन्हें AI कहना भी मुश्किल है

• ऐसे वास्तविक AI projects बहुत कम हैं जिनमें LLM ही अकेला core mechanism हो और success या failure को specific numeric goals से साफ़-साफ़ आंका जा सके
• यह प्रकार मुख्यतः startups में दिखा, लेकिन कुछ ने marketing में product को completed बताया और sales conversation के अंत में Hermit Tech से कहा कि असल में वह product उनके लिए बना दे
• यदि किसी proposal में AI element जोड़ा ही नहीं जा सकता, या proposer झूठा packaging करने से इंकार करे, तो budget request गायब हो जाती है या पूरे documents को “काफ़ी AI-जैसा” बनाने के लिए फिर से लिखना पड़ता है
• कुछ कंपनियां अतिरिक्त headcount मांगने से पहले यह साबित करने को कहती हैं कि AI से समस्या हल करने की कोशिश की गई थी
  • यदि आप कहें कि AI आज़माने के बाद भी लोगों की ज़रूरत है, तो आपको “AI ठीक से इस्तेमाल न करने वाला” कहकर layoffs में डाला जा सकता है
• उन कुछ कंपनियों को छोड़कर जहां AI सचमुच top-priority problem सुलझा रहा है, बड़े संगठनों के लिए तर्कसंगत software खरीद, talent hiring, project status reporting, और critical business execution पर ध्यान देना कठिन होता जा रहा है

जब किसी specific project को ठीक करना हो

• यदि लक्ष्य पूरे संगठन की AI-आस्था बदलना नहीं, बल्कि किसी खास project या दूसरे objective को हासिल करना हो, तो खुले टकराव से बचना चाहिए

• one-on-one बातचीत और anonymity

  • AI project की समस्याएं group meetings में न उठाना बेहतर है
  • क्योंकि हर participant अपने peers के सामने skeptic दिखने से डरता है
  • one-on-one interviews तय करें, और साफ़ करें कि AI माहौल शायद overhyped हो सकता है—ऐसी राय स्वीकार है और वक्ता की पहचान सुरक्षित रखी जाएगी
  • direct quotes जैसी कोई भी पहचान योग्य जानकारी हटानी चाहिए जिससे colleagues वक्ता को पहचान लें
  • यदि 6 में से केवल 1 व्यक्ति ही समस्या बताने को तैयार हो, तो शायद ऐसे दूसरे संगठन या project में जाना बेहतर है जहां सुधार की संभावना ज़्यादा हो

• anonymous assessment से छिपे विभाजन पहचानना

  • चल रहे initiative की success probability को 1 से 10 तक rate करने वाला anonymous survey प्रभावी हो सकता है
  • देखे गए typical results में आधे लोग 3 अंक और बाकी 8 अंक देते थे—एक bimodal distribution की तरह
  • 3 साल से देरी झेल रहे project में भी ऐसा विभाजन दिखा
  • यह परिणाम CEO को दिखाने पर समझा जा सकता है कि project status की जानकारी छिपाई जा रही है

• वास्तविक users की जांच क्यों ज़रूरी है

  • रोज़मर्रा के काम में tool इस्तेमाल करने वाले frontline staff ही investment outcome का आकलन करने का एकमात्र data source हैं
  • उन्हें ऐसे माहौल में बोलने देना चाहिए जहां उन्हें सम्मान मिले; बड़े संगठनों में कुछ लोग junior staff को बराबरी का इंसान ही नहीं मानते
  • एक ग्राहक कंपनी में यह सामने आया कि कर्मचारियों को यह तक नहीं पता था कि उन्हें AI tool licenses दिए गए हैं, जिससे productivity claims की बुनियाद हिल गई

• व्यापक विश्वास से सीधे न टकराना

  • यदि उद्देश्य किसी specific problem को हल करना है, तो “AI सब कुछ बदल देगा” जैसे व्यापक दावों को फिलहाल जाने देना बेहतर है
  • संगठन की वास्तविकता-बोध को चुनौती तभी दी जा सकती है जब सबसे senior व्यक्ति का भरोसा पहले जीत लिया जाए
  • भरोसा सार्वजनिक मंच पर किसी को मुश्किल में डालने से नहीं, बल्कि private dinner जैसी जगहों पर उसकी चिंता कम करने से बनता है
  • meeting room में प्रवेश करने से पहले यह जानना कठिन होता है कि किसने कौन-सा public commitment पहले ही कर रखा है
  • जिसने पहले ही “पिछले साल से productivity 100x बढ़ी” कह दिया हो, वह बात वापस लेना चाहे भी तो प्रतिष्ठा के कारण न ले पाए
  • “LLM को बिना human review के code deploy नहीं करना चाहिए” जैसी सामान्य समझ की बात भी शुरुआती रिश्ते तोड़ सकती है
  • यदि public-interest goal महत्वपूर्ण हो, तो core business में 10,000 dollar का AI chatbot जोड़कर meetings में उसी हिस्से को highlight करना भी एक व्यावहारिक survival tactic हो सकता है

जब संगठन में टिके रहना हो

• यह स्वीकार करना होगा कि ऐसी स्थिति का व्यावहारिक प्रतिरोध कठिन है; समस्या AI से अधिक dysfunctional corporate culture में है
• full-time employee के बजाय contractor बनना अधिक pay और internal politics से दूरी दे सकता है, और असहनीय स्थिति में भी contract end date तय होती है
• AI news consumption को उतना सीमित करना चाहिए कि मानसिक थकावट कम हो सके
  • Hacker News और Reddit जैसे स्थानों से बचें, जहां ऐसी खबरें लगातार मिलती रहती हैं
  • सिर्फ उतना पढ़ें जितना reality sense बनाए रखने के लिए ज़रूरी हो, फिर रुक जाएं
  • दोस्तों से शिकायत बांटते समय भी पहले बता देना अच्छा है कि उसका उद्देश्य सिर्फ vent करना है
• यदि कोई व्यक्ति AI का अनुचित उपयोग कर रहा हो लेकिन तत्काल शारीरिक खतरा न हो, तो बहस में पड़ने के बजाय बात को हल्के से टाल देना बेहतर है
• यदि programmer होने के नाते AI पर आपकी राय मांगी जाए, तो जब तक सामने वाला कोई ऐसा व्यक्ति न हो जो महत्वपूर्ण decision-making को प्रभावित कर सके, “थोड़ा बढ़ा-चढ़ाकर पेश किया जा रहा है” जैसा छोटा जवाब देकर विषय बदलने की सलाह दी गई है

• जब बड़े पैमाने का AI code काम पर हावी होने लगे

  • यदि आपको बार-बार 2,000 lines वाले low-quality AI-generated PRs review करने पड़ रहे हों, तो यह मानकर तुरंत नौकरी ढूंढना शुरू कर देना चाहिए कि संगठन अंततः reviewers को थका कर निकाल देगा
  • generator को अपना तरीका बदलने के लिए मनाना कठिन है; इसलिए जब तक ऊर्जा बची हो, तब तक नौकरी बदलने की तैयारी करना बेहतर है
  • job search के कारण आपकी processing speed घट भी जाए, तब भी यह बेहतर है, क्योंकि अन्यथा burnout और depression बाद में वही समस्या पैदा करेंगे

• जब manager AI-generated वाक्यों में बात करे

  • यदि manager साफ़ तौर पर AI-generated text से जवाब देता हो, तो मानसिक बोझ घटाने के लिए उसी तरह उत्तर दें और नई नौकरी खोजें
  • ऐसा manager कर्मचारी द्वारा AI से दिए गए जवाब को बदतमीज़ी नहीं, बल्कि AI usage के सकारात्मक संकेत के रूप में देख सकता है
  • यदि आपसे token usage अधिकतम रखने तक की मांग हो, तो मौजूदा संगठन से निकलने की तैयारी ज़रूरी है
  • ऐसी समस्याएं कम वाली कंपनियां मौजूद हैं, लेकिन वे अक्सर छोटी firms होती हैं जो job platforms पर साफ़ नहीं दिखतीं; उन्हें ढूंढने में महीनों लग सकते हैं, इसलिए जल्दी शुरू करना चाहिए

लंबी अवधि में बची रहने वाली समस्या

• मौजूदा AI bubble कभी न कभी खत्म हो जाए, तब भी leadership में जमी irrational प्रवृत्तियां आगे किसी दूसरे trend के साथ फिर सक्रिय हो सकती हैं
• कुछ संगठन, जैसे blockchain craze से बाहर न निकल पाने वाले उदाहरण, पूरी तरह ढहने तक ideologically captured स्थिति में रह सकते हैं
• फिलहाल जितना संभव हो, private data और ground-level opinions जुटाकर सामान्य निर्णय-क्षमता बहाल करने की कोशिश करनी चाहिए; और जिन संगठनों को बदला नहीं जा सकता, वहां व्यक्ति को अपनी reality sense और survival chances को प्राथमिकता देनी चाहिए