बहुत ज्यादा AI कंपनियों की नवाचार क्षमता के लिए खतरा

एक नई स्टडी में चेतावनी दी गई है कि AI पर बहुत ज़्यादा निर्भरता आखिरकार कॉर्पोरेट क्रिएटिविटी को कमज़ोर कर सकती है और फर्मों को टेक्नोलॉजी की नकल के चक्कर में फंसा सकती है। चीनी मैन्युफैक्चरिंग कंपनियों के 25,000 से ज़्यादा फर्म-ईयर ऑब्ज़र्वेशन का एनालिसिस करने वाले रिसर्चर्स ने पाया कि AI अपनाने से इनोवेशन में सिर्फ़ एक ज़रूरी लिमिट तक ही सुधार होता है, जिसके बाद इसके फ़ायदे कम होने लगते हैं क्योंकि फर्में तेज़ी से स्टैंडर्ड AI-ड्रिवन सॉल्यूशन पर निर्भर हो जाती हैं जो अलग पहचान और ओरिजिनैलिटी को कम करते हैं।

सिस्टम्स में छपी "AI और कॉर्पोरेट इनोवेशन परफॉर्मेंस के बीच उल्टा-U संबंध" नाम की स्टडी, AI और कॉर्पोरेट इनोवेशन परफॉर्मेंस के बीच एक स्टैटिस्टिकली महत्वपूर्ण उल्टे-U-आकार के संबंध का खुलासा करती है, जिसमें इनोवेशन के फ़ायदे एक खास AI अपनाने की लिमिट पर सबसे ज़्यादा होते हैं, फिर कम फ़ायदे सामने आते हैं।

रिसर्चर्स एक "AI एम्पावरमेंट ट्रैप" की पहचान करते हैं क्योंकि AI को बहुत ज़्यादा अपनाने से इनोवेशन की क्वालिटी कम हो जाती है।

AI ने नॉलेज प्रोसेसिंग को तेज़ करके, रिसोर्स एलोकेशन में सुधार करके, प्रेडिक्टिव कैपेबिलिटी को बढ़ाकर और रिसर्च और डेवलपमेंट प्रोसेस को ऑप्टिमाइज़ करके मॉडर्न इनोवेशन सिस्टम को पूरी तरह से बदल दिया है। AI सिस्टम ग्लोबल मैन्युफैक्चरिंग इंडस्ट्रीज़ में प्रोडक्ट डेवलपमेंट, मैन्युफैक्चरिंग डिज़ाइन, इंडस्ट्रियल ऑटोमेशन, सप्लाई-चेन ऑप्टिमाइज़ेशन और डिसीजन-मेकिंग सिस्टम में तेज़ी से इंटीग्रेट हो रहे हैं।

रिसर्चर्स ने पाया कि AI को थोड़ा-बहुत अपनाने से इनोवेशन परफॉर्मेंस में काफी सुधार होता है क्योंकि AI फर्मों की नॉलेज की सीमाओं को बढ़ाता है, नॉलेज कपलिंग को सपोर्ट करता है, और इनोवेशन से जुड़ी एक्टिविटीज़ में एफिशिएंसी बढ़ाता है। मशीन लर्निंग और डीप लर्निंग सिस्टम कंपनियों को बड़े डेटासेट को प्रोसेस करने, टेक्नोलॉजिकल मौकों को तेज़ी से पहचानने, ट्रायल-एंड-एरर कॉस्ट कम करने और R&D पाथवे को ऑप्टिमाइज़ करने में मदद करते हैं।

AI टेक्नोलॉजी अब इंडस्ट्रियल एक्टिविटी के लगभग हर स्टेज में इनोवेशन को सपोर्ट करती हैं, प्रॉब्लम की पहचान और प्रोडक्ट डिज़ाइन से लेकर कमर्शियलाइज़ेशन और प्रोडक्शन ऑप्टिमाइज़ेशन तक। यह बड़ा इंटीग्रेशन फर्मों को एक साथ इनोवेशन स्पीड और ऑपरेशनल एफिशिएंसी दोनों को बेहतर बनाने में मदद करता है। हालांकि, AI का पॉजिटिव असर हमेशा नहीं रहता। इसके बजाय, फर्म आखिरकार एक ऐसे टर्निंग पॉइंट पर पहुँच जाती हैं जिसके बाद और AI अपनाने से इनोवेशन परफॉर्मेंस दबने लगती है।

फिक्स्ड-इफेक्ट्स इकोनॉमेट्रिक मॉडल्स और U-टेस्ट्स का इस्तेमाल करके, रिसर्चर्स ने AI अपनाने और इनोवेशन नतीजों के बीच एक साफ उल्टे-U-शेप का रिश्ता पहचाना। लीनियर AI कोएफिशिएंट काफी पॉजिटिव रहा, जबकि क्वाड्रेटिक टर्म काफी नेगेटिव हो गया, जिससे स्टैटिस्टिकली नॉन-लीनियर रिश्ते की पुष्टि हुई। कर्व का अनुमानित टर्निंग पॉइंट 2.948 पर कैलकुलेट किया गया, जो उस लेवल को दिखाता है जिस पर AI का इनोवेशन बढ़ाने वाला असर अपने मैक्सिमम तक पहुँचता है। रिसर्चर्स के अनुसार, इस लिमिट से नीचे काम करने वाली फर्मों को AI से होने वाले इनोवेशन से फ़ायदा होता है, जबकि इससे ज़्यादा करने वाली फर्मों को कम रिटर्न मिलने लगता है और आखिर में इनोवेशन परफॉर्मेंस में गिरावट आती है। स्टडी में इस घटना को "AI एम्पावरमेंट ट्रैप" बताया गया है, जहाँ फर्म AI से बने सॉल्यूशन पर बहुत ज़्यादा निर्भर हो जाती हैं और धीरे-धीरे अलग इनोवेशन क्षमताएँ खो देती हैं। रिसर्चर्स का तर्क है कि AI पर बहुत ज़्यादा निर्भर होने से कंपनियाँ तेज़ी से एक जैसे टेक्नोलॉजिकल रास्ते अपना सकती हैं, जिससे ओरिजिनैलिटी कम हो जाती है और कॉम्पिटिटिव फ़ायदा कमज़ोर हो जाता है। इस मैकेनिज़्म की सीधे जाँच करने के लिए, रिसर्चर्स ने सेंटेंस-BERT वेक्टराइज़ेशन और कोसाइन सिमिलैरिटी मेज़रमेंट का इस्तेमाल करके पेटेंट टेक्स्ट सिमिलैरिटी एनालिसिस किया। जिन फर्मों ने AI को ज़्यादा अपनाया, उन्होंने अपनी टेक्निकल भाषा और पेटेंट कंटेंट में कम AI अपनाने वाली फर्मों की तुलना में काफ़ी ज़्यादा सिमिलैरिटी दिखाई। ज़्यादा AI वाली फर्मों में एवरेज सिमिलैरिटी स्कोर 0.324 तक पहुँच गया, जबकि कम AI वाली फर्मों में यह 0.187 था, जिससे यह कन्फ़र्म होता है कि AI का ज़्यादा इस्तेमाल बढ़ते टेक्नोलॉजिकल होमोजेनाइज़ेशन से जुड़ा था।

स्टैंडर्ड AI सिस्टम के बड़े पैमाने पर इस्तेमाल से टेक्नोलॉजी में एंट्री की रुकावटें कम हो सकती हैं, लेकिन साथ ही एक जैसे इनोवेशन सॉल्यूशन के आस-पास कन्वर्जेंस को बढ़ावा मिल सकता है। जैसे-जैसे ज़्यादा फ़र्म एक जैसे AI आर्किटेक्चर, एल्गोरिदम, डेटासेट और ऑप्टिमाइज़ेशन तरीकों पर निर्भर होंगी, इंडस्ट्रीज़ में इनोवेशन डायवर्सिटी कम हो सकती है।

AI सिस्टम डेटा की उपलब्धता और कम्प्यूटेशनल रिसोर्स पर बहुत ज़्यादा निर्भर करते हैं। जब फ़र्म AI से बनी सलाह या प्रेडिक्टिव सिस्टम पर बहुत ज़्यादा निर्भर करती हैं, तो वे अपनी खुद की प्रॉब्लम-सॉल्विंग क्षमताओं को कमज़ोर करने और लंबे समय तक क्रिएटिव एडैप्टेबिलिटी को कम करने का जोखिम उठाती हैं।

स्टडी में पहचाना गया टर्निंग पॉइंट यूनिवर्सल के बजाय कॉन्टेक्स्ट पर निर्भर है। थ्रेशहोल्ड इंडस्ट्रीज़, पॉलिसी एनवायरनमेंट, टेक्नोलॉजिकल मैच्योरिटी लेवल और इंस्टीट्यूशनल कॉन्टेक्स्ट में बदल सकता है। फिर भी, नतीजे बताते हैं कि AI इन्वेस्टमेंट स्ट्रेटेजी को इनोवेशन गेन के अनलिमिटेड सोर्स के तौर पर देखने के बजाय सावधानी से मैनेज किया जाना चाहिए।

एब्ज़ॉर्प्टिव कैपेसिटी: AI-ड्रिवन इनोवेशन को आकार देने वाला एक मुख्य मैकेनिज़्म

ऑर्गनाइज़ेशनल एब्ज़ॉर्प्टिव कैपेसिटी यह तय करने में मुख्य भूमिका निभाती है कि AI अपनाने से सफल इनोवेशन नतीजे मिलते हैं या नहीं। रिसर्चर एब्जॉर्प्टिव कैपेसिटी को एक फर्म की बाहरी नॉलेज की वैल्यू को पहचानने, उस नॉलेज को अंदर ही अंदर अपनाने और उसे असरदार तरीके से कमर्शियलाइज़ करने की क्षमता के तौर पर बताते हैं। जिन फर्म्स में एब्जॉर्प्टिव कैपेसिटी ज़्यादा होती है, वे AI टेक्नोलॉजी को ज़्यादा अच्छे से इंटीग्रेट कर सकती हैं क्योंकि उनके पास मज़बूत इंटरनल लर्निंग सिस्टम, अडैप्टिव ऑर्गेनाइज़ेशनल स्ट्रक्चर और बेहतर नॉलेज ट्रांसफॉर्मेशन कैपेबिलिटी होती हैं।

स्टडी में R&D खर्च की इंटेंसिटी और R&D पर्सनल रेश्यो के आधार पर एंट्रॉपी-वेटेड कम्पोजिट इंडिकेटर्स का इस्तेमाल करके एब्जॉर्प्टिव कैपेसिटी को मापा गया। नतीजों से पता चला कि एब्जॉर्प्टिव कैपेसिटी AI और इनोवेशन परफॉर्मेंस के बीच के रिश्ते को कुछ हद तक मीडिएट करती है। AI अपनाने से शुरू में एब्जॉर्प्टिव कैपेसिटी में काफी सुधार हुआ, लेकिन यह असर भी उल्टे-U-शेप के पैटर्न जैसा था।

बूटस्ट्रैप मीडिएशन एनालिसिस ने कन्फर्म किया कि एब्जॉर्प्टिव कैपेसिटी एक ज़रूरी लेकिन अधूरे ट्रांसमिशन मैकेनिज्म के तौर पर काम करती है। इनडायरेक्ट असर स्टैटिस्टिकली सिग्निफिकेंट रहा, जिससे पता चलता है कि AI से बनी नॉलेज को इंटरनल ऑर्गेनाइज़ेशनल लर्निंग में बदलने में सक्षम फर्म्स को AI इंटीग्रेशन से ज़्यादा मज़बूत इनोवेशन बेनिफिट्स मिलते हैं।

रिसर्चर्स के अनुसार, एब्जॉर्प्टिव कैपेसिटी तीन प्रोग्रेसिव डाइमेंशन में काम करती है: टेक्नोलॉजिकल वैल्यू की पहचान करना, नॉलेज को अंदरूनी तौर पर बदलना, और ऑपरेशनल तौर पर इनोवेशन लागू करना। जिन फर्म्स की एब्जॉर्प्टिव कैपेसिटी ज़्यादा होती है, वे AI सिस्टम को ज़्यादा तेज़ी से अपना सकती हैं और टेक्नोलॉजिकल इन्वेस्टमेंट से ज़्यादा वैल्यू निकाल सकती हैं।

स्टडी में ज़ोर दिया गया है कि AI ट्रांसफॉर्मेशन सिर्फ़ वर्कप्लेस में नई टेक्नोलॉजी लाने की बात नहीं है। इसके बजाय, सफल AI इंटीग्रेशन के लिए ऑर्गेनाइज़ेशन्स को अंदरूनी लर्निंग प्रोसेस को फिर से डिज़ाइन करने, नॉलेज मैनेजमेंट सिस्टम को मज़बूत करने और क्रॉस-फंक्शनल कोऑर्डिनेशन को बेहतर बनाने की ज़रूरत होती है।

रिसर्चर्स ने यह भी पाया कि AI से चलने वाला इनोवेशन ऑर्गेनाइज़ेशनल फ्लेक्सिबिलिटी और स्ट्रेटेजिक रिसोर्स एलोकेशन पर बहुत ज़्यादा निर्भर करता है। जो फर्म्स अंदरूनी स्ट्रक्चर और वर्कफ़्लो को डायनामिक रूप से एडजस्ट करने में सक्षम हैं, वे रिसर्च, प्रोडक्शन और कमर्शियलाइज़ेशन प्रोसेस में AI को बेहतर तरीके से इंटीग्रेट कर सकती हैं।

रिसर्चर्स ने इस बात पर भी ज़ोर दिया कि सिर्फ़ एब्जॉर्प्टिव कैपेसिटी फर्मों को AI एम्पावरमेंट ट्रैप में फँसने से नहीं रोक सकती। ऑर्गेनाइज़ेशनल रीस्ट्रक्चरिंग, प्रोसेस ऑप्टिमाइज़ेशन और इनोवेशन गवर्नेंस जैसे दूसरे मैकेनिज़्म भी यह तय करते हैं कि AI लंबे समय तक चलने वाले इनोवेशन परफॉर्मेंस को कैसे प्रभावित करता है।

एब्जॉर्प्टिव कैपेसिटी को मज़बूत करने में इंडस्ट्री-एकेडेमिया कोलैबोरेशन भी ज़रूरी है। रिसर्चर्स ने सलाह दी है कि कंपनियाँ AI पर फोकस करने वाले ट्रेनिंग प्रोग्राम, जॉइंट लैब, इंटरनल AI थिंक टैंक और प्रोप्राइटरी नॉलेज सिस्टम बनाएं ताकि वे तेज़ी से बदल रही AI टेक्नोलॉजी के हिसाब से खुद को ढाल सकें।

पेपर में आगे कहा गया है कि कंपनियों को अपनी टेक्नोलॉजिकल ज़रूरतों के हिसाब से कस्टमाइज़्ड AI मॉडल को प्राथमिकता देनी चाहिए, न कि सिर्फ़ स्टैंडर्ड ऑफ़-द-शेल्फ़ सिस्टम पर निर्भर रहना चाहिए। प्रोप्राइटरी AI डेवलपमेंट से कंपनियों को अलग-अलग इनोवेशन क्षमताओं को बनाए रखते हुए एक जैसा होने के दबाव से बचने में मदद मिल सकती है।

मार्केट कंसंट्रेशन और ओनरशिप स्ट्रक्चर AI के इनोवेशन असर पर बहुत ज़्यादा असर डालते हैं।

स्टडी में पाया गया कि बाहरी मार्केट स्ट्रक्चर AI अपनाने और इनोवेशन परफॉर्मेंस के बीच के रिश्ते पर काफ़ी असर डालते हैं। रिसर्चर्स ने इंडस्ट्री कंसंट्रेशन को मापने के लिए हर्फ़िंडाहल-हिर्शमैन इंडेक्स का इस्तेमाल किया और पाया कि मार्केट कंसंट्रेशन AI और इनोवेशन परफॉर्मेंस के बीच उल्टे-U रिश्ते को नेगेटिव रूप से मॉडरेट करता है। जैसे-जैसे इंडस्ट्री कंसंट्रेशन बढ़ता है, AI के फ़ायदेमंद असर तेज़ी से कम होते जाते हैं और इनोवेशन का टर्निंग पॉइंट बाईं ओर शिफ्ट हो जाता है।

बहुत ज़्यादा कंसन्ट्रेटेड मार्केट में, जहाँ कुछ बड़ी फर्मों का दबदबा होता है, कंपनियाँ ब्रेकथ्रू इनोवेशन करने के बजाय मौजूदा कॉम्पिटिटिव पोजीशन को बनाए रखने के लिए डिज़ाइन किए गए स्टैंडर्ड AI सॉल्यूशंस पर ज़्यादा भरोसा करती हैं। इससे टेक्नोलॉजिकल कन्वर्जेंस तेज़ होता है और अलग-अलग इनोवेशन के लिए इंसेंटिव कमज़ोर होते हैं।

दूसरी ओर, ज़्यादा कॉम्पिटिटिव इंडस्ट्रीज़ में काम करने वाली फर्मों पर इनोवेट करने और खुद को अलग दिखाने का ज़्यादा दबाव होता है। इसलिए कॉम्पिटिटिव मार्केट एक्सपेरिमेंट, अडैप्टेशन और टेक्नोलॉजिकल डाइवर्सिफिकेशन के लिए AI के ज़्यादा असरदार इस्तेमाल को बढ़ावा देते हैं।

रिसर्चर्स का तर्क है कि मार्केट कॉम्पिटिशन खुद ही होमोजिनाइज़ेशन के काउंटरबैलेंस का काम करता है क्योंकि अलग-अलग मार्केट में फर्मों को बने रहने के लिए लगातार नए इनोवेशन पाथवे खोजने पड़ते हैं।

ओनरशिप स्ट्रक्चर ने भी इनोवेशन पर AI के असर में काफ़ी अंतर पैदा किया। स्टडी में पाया गया कि नॉन-स्टेट-ओन्ड एंटरप्राइज़ेज़ ने स्टेट-ओन्ड एंटरप्राइज़ेज़ की तुलना में ज़्यादा AI इनोवेशन थ्रेशहोल्ड दिखाया। नॉन-स्टेट-ओन्ड फर्मों के लिए टर्निंग पॉइंट 2.917 पर पहुँच गया, जबकि स्टेट-ओन्ड एंटरप्राइज़ेज़ के लिए यह 2.212 था।

रिसर्चर्स के अनुसार, स्टेट-ओन्ड एंटरप्राइज़ेज़ को अक्सर AI अपनाने के शुरुआती स्टेज में ज़्यादा पॉलिसी सपोर्ट और रिसोर्स एक्सेस से फ़ायदा होता है। लेकिन, ब्यूरोक्रेटिक सख्ती और एडमिनिस्ट्रेटिव रुकावटों की वजह से AI इन्वेस्टमेंट में कमी आ सकती है और टेक्नोलॉजी का इस्तेमाल कम हो सकता है, जिससे रिटर्न पहले ही कम हो सकता है।

गैर-सरकारी फर्म, भले ही शुरुआती एक्सपेरिमेंट की लागत ज़्यादा झेलती हों, लेकिन ज़्यादा रिसोर्स की कमी और मार्केट के दबाव की वजह से ज़्यादा टारगेटेड AI इन्वेस्टमेंट स्ट्रेटेजी अपनाती हैं। इससे वे AI से होने वाले इनोवेशन के फ़ायदों को लंबे समय तक बनाए रख पाती हैं।

स्टडी में यह भी पता चला कि इंडस्ट्रीज़ में काफ़ी अंतर है। हाई-टेक फर्मों ने लो-टेक फर्मों की तुलना में AI एम्पावरमेंट ट्रैप के लिए काफ़ी ज़्यादा मज़बूती दिखाई। हाई-टेक एंटरप्राइज़ के लिए टर्निंग पॉइंट 3.875 तक पहुँच गया, जबकि लो-टेक फर्मों के लिए यह सिर्फ़ 1.131 था।

रिसर्चर्स बताते हैं कि हाई-टेक फर्मों के प्रोप्राइटरी एल्गोरिदम, कस्टमाइज़्ड AI आर्किटेक्चर और खास इनोवेशन सिस्टम डेवलप करने की ज़्यादा संभावना होती है, जो जेनेरिक AI टूल्स पर निर्भरता कम करते हैं। इसके उलट, लो-टेक फर्म अक्सर स्टैंडर्डाइज़्ड AI एप्लीकेशन पर ज़्यादा निर्भर रहती हैं, जिससे टेक्नोलॉजी के मिलने और नकल करने का खतरा बढ़ जाता है।

पॉलिसी बनाने वालों को ओपन डेटा सिस्टम, एल्गोरिदम ट्रांसपेरेंसी और अलग-अलग AI गवर्नेंस फ्रेमवर्क को बढ़ावा देने पर ध्यान देना चाहिए, ताकि टेक्नोलॉजी पर ध्यान देने और डेटा मोनोपॉली से जुड़े इनोवेशन रिस्क को कम किया जा सके। स्टडी में कस्टमाइज़्ड AI मॉडल डेवलपमेंट, सुरक्षित डेटा-शेयरिंग सिस्टम और इंडस्ट्री-स्पेसिफिक AI इनोवेशन इकोसिस्टम के लिए मज़बूत सरकारी सपोर्ट की भी मांग की गई है, जो अलग-अलग सेक्टर में एक जैसा होने के दबाव को कम कर सकें।