4 अगस्त 2026 को विश्व बैंक ने "आर्टिफिशियल इंटेलिजेंस का वादा" शीर्षक से अपनी विश्व विकास रिपोर्ट जारी की — यह इस बात का उसका पहला व्यापक आकलन है कि यह तकनीक विकासशील अर्थव्यवस्थाओं के लिए क्या मायने रखती है। एक पंक्ति में व्यावहारिक निष्कर्ष: सबसे बड़ा लाभ तैयार AI टूल खरीदने से नहीं, बल्कि उन्हें आपके स्थानीय संदर्भ, आपके डेटा और आपके कार्य-प्रवाह के अनुरूप ढालने से मिलता है। रिपोर्ट क्रमशः कठिन होते तीन चरण बताती है — अपनाना, ढालना, आगे बढ़ना — और तर्क देती है कि अधिकांश संगठनों और अर्थव्यवस्थाओं को अपना प्रयास पहले दो चरणों पर केंद्रित करना चाहिए, तीसरे पर नहीं।

एक व्यवसाय स्वामी के रूप में आपको वैश्विक विकास रिपोर्ट की परवाह क्यों करनी चाहिए?

क्योंकि यह उस प्रश्न का उत्तर देती है जिस पर इस समय हर व्यवसाय स्वामी अटका है: मैं अपना बजट कहाँ लगाऊँ? रिपोर्ट न तो टूल बेच रही है और न ही किसी विक्रेता का प्रचार कर रही है। यह जाँचती है कि लाभ वास्तव में कहाँ मिले और कहाँ गायब हो गए। निष्कर्ष यह है कि जिस कंपनी को लाभ हुआ और जिसे नहीं हुआ, उनके बीच का अंतर शायद ही कभी इस बात से समझाया जा सकता है कि किसने कौन-सा मॉडल इस्तेमाल किया — लगभग सभी की पहुँच एक जैसे मॉडलों तक है। यह अंतर उपलब्ध डेटा, आंतरिक संचालन की गुणवत्ता और हल की जाने वाली समस्या की स्पष्टता से समझाया जाता है।

रिपोर्ट ने विशेष रूप से सऊदी अरब पर भी बात की: उसने किंगडम को निजी AI निवेश में दुनिया के शीर्ष दस देशों में रखा, और उसे विशेषज्ञ प्रतिभाओं के लिए एक आकर्षक गंतव्य तथा सरकारी डेटा एकीकरण में एक मॉडल के रूप में रेखांकित किया। दूसरे शब्दों में, बुनियादी ढाँचा, धन और प्रतिभा अब आपके आसपास उपलब्ध हैं। जो कड़ी गायब है, वह आमतौर पर आपकी अपनी कंपनी के भीतर होती है।

यह तकनीक पिछली हर लहर से तेज़ी से फैल रही है

रिपोर्ट एक ऐसी तुलना पेश करती है जिस पर ठहरकर सोचना चाहिए: भाप के इंजन को कम आय वाले देशों तक पहुँचने में लगभग अस्सी साल लगे, बिजली को लगभग चालीस साल और इंटरनेट को लगभग बीस साल। आधुनिक संवादी मॉडलों की कहानी अलग है — ChatGPT के लॉन्च के छह महीनों के भीतर उसके वैश्विक ट्रैफ़िक का आधा हिस्सा मध्यम आय वाले देशों से आया।

व्यवहार में इसका अर्थ है कि जो शुरुआती बढ़त पिछली लहरों में वर्षों तक रहती थी, वह अब कुछ महीनों तक ही रहती है। तकनीक तक पहुँच अब अंतर पैदा करने वाली चीज़ नहीं है, क्योंकि आपका प्रतिस्पर्धी उसी दिन उस तक पहुँच जाता है जिस दिन आप। अंतर इस बात से पड़ता है कि आप कितनी जल्दी उसे कंपनी के भीतर एक दैनिक संचालन प्रक्रिया में बदलते हैं।

तीन कारक मूल्य तय करते हैं: क्षमताएँ, केंद्रीकरण, पूरक तत्व

  • क्षमताएँ: AI ऐसे संज्ञानात्मक कार्य करता है जिनके लिए आमतौर पर दुर्लभ मानवीय विशेषज्ञता की ज़रूरत होती है — और यही दुर्लभता विकासशील अर्थव्यवस्थाओं में सबसे बड़ी बाधा है। इसलिए यह सबसे अधिक मूल्य तब देता है जब यह उस विशेषज्ञता की जगह लेता है जो आपके पास नहीं है, न कि तब जब यह वह काम दोहराता है जो आपकी टीम पहले से अच्छी तरह करती है।
  • केंद्रीकरण: कुछ ही अर्थव्यवस्थाओं की थोड़ी-सी कंपनियाँ सबसे उन्नत मॉडलों, उन पर निर्भर चिप्स और उन्हें चलाने वाले डेटा सेंटरों को नियंत्रित करती हैं। इससे एक ही आपूर्तिकर्ता पर निर्भरता का जोखिम पैदा होता है, लेकिन इसका यह भी अर्थ है कि आप शून्य से सिस्टम बनाने पर अरबों खर्च किए बिना तैयार मॉडलों को अनुकूलित कर सकते हैं।
  • पूरक तत्व: AI वहाँ सबसे अच्छा काम करता है जहाँ बुनियादी ढाँचा भरोसेमंद हो, शिक्षा अच्छी हो, संस्थाएँ मज़बूत हों और स्थानीय भाषा में डेटा मौजूद हो। इन पूरक तत्वों की कमी ही वह कारण है जिससे मॉडल कितना भी मज़बूत हो, असर आने में देर होती है।

व्यावहारिक ढाँचा: अपनाएँ, फिर ढालें, फिर आगे बढ़ें

रिपोर्ट तीन चरणों का वर्णन करती है, जिनमें हर चरण पिछले से अधिक महंगा और अधिक मांग वाला है:

  • अपनाना सही शुरुआती बिंदु है: पहले से मौजूद टूल का उपयोग करके अपने कर्मचारियों का काम तेज़ करना और अपने निर्णय बेहतर बनाना। कम लागत, तेज़ असर।
  • ढालना रिपोर्ट के अनुसार वह चरण है जहाँ सबसे बड़ा लाभ है। किसी दूसरी अर्थव्यवस्था में प्रशिक्षित टूल ऐसी सिफ़ारिशें दे सकता है जो आपके संदर्भ, आपके ग्राहकों की भाषा या आपके देश के नियमों से मेल न खाएँ। ढालने का अर्थ है कि समाधान आपके डेटा पर, अरबी में और आपकी प्रक्रियाओं के भीतर चले।
  • आगे बढ़ना का अर्थ है अग्रणी मॉडल और उन्हें चलाने वाला बुनियादी ढाँचा बनाना। यह कहीं अधिक कठिन और महंगा रास्ता है, जिसके लिए चिप्स, बड़े डेटा सेंटर, विशाल प्रशिक्षण डेटा और विश्वस्तरीय शोधकर्ताओं की आवश्यकता होती है। रिपोर्ट साफ़ कहती है कि अधिकांश विकासशील अर्थव्यवस्थाओं के लिए यह निकट भविष्य का यथार्थवादी लक्ष्य नहीं है — और इसी तर्क से अधिकांश कंपनियों के लिए भी यह यथार्थवादी लक्ष्य नहीं है।
याद रखने लायक नियम: अपनाने से शुरू करें क्योंकि यह सस्ता और तेज़ है, ढालने में गंभीरता से निवेश करें क्योंकि असली बढ़त वहीं है, और आगे बढ़ने के चरण में तभी उतरें जब मॉडल बनाना ही आपका असली व्यवसाय हो।

मज़बूत मॉडल होने पर भी AI परियोजनाएँ क्यों अटक जाती हैं?

आमतौर पर इसलिए कि पूरक तत्व मौजूद नहीं होते। एक कंपनी किसी सक्षम टूल की सदस्यता लेती है, फिर पाती है कि उसका डेटा स्प्रेडशीट और WhatsApp संदेशों में बिखरा है, हर शाखा एक ही उत्पाद को अलग नाम से पुकारती है, और कोई भी इस बात की एक परिभाषा का ज़िम्मेदार नहीं है कि "पूरा हुआ ऑर्डर" का क्या अर्थ है। यहाँ मॉडल विफल नहीं हो रहा — उसके पास काम करने के लिए कुछ भी सुसंगत नहीं है।

इसलिए सही क्रम यह है: पहले अपना डेटा साफ़ करें और अपने सिस्टम जोड़ें, फिर उनके ऊपर इंटेलिजेंस की परत जोड़ें। व्यवस्थित संचालन प्रणाली वाली कंपनी कुछ ही हफ़्तों में असर देखती है; जिसके पास यह नहीं है, वह ऐसे टूल के लिए भुगतान करती है जिसे अंत में कोई इस्तेमाल नहीं करता।

ढाँचे को लागू करने की नब्बे दिन की योजना

  • दिन 1-30, अपनाएँ: एक ऐसी प्रक्रिया चुनें जो महंगी, दोहराव वाली और मापने योग्य हो — ग्राहकों के प्रश्नों का उत्तर देना, इनवॉइस से डेटा निकालना, अनुबंधों का सारांश बनाना। उस पर कोई तैयार टूल लागू करें और पहले और बाद में बचाया गया समय मापें।
  • दिन 30-60, पूरक तत्व तैयार करें: उस प्रक्रिया के पीछे के डेटा को एक जगह इकट्ठा करें, अनुमतियाँ तय करें और उन शब्दों की साझा परिभाषाएँ लिखें जिन पर आपकी टीमें असहमत हैं।
  • दिन 60-90, ढालें: समाधान को अपने डेटा, अपनी भाषा और अपनी प्रक्रियाओं पर बनाएँ, और उसे API के ज़रिए अपने मौजूदा सिस्टमों से जोड़ें — अंतिम स्वीकृति अब भी एक जवाबदेह व्यक्ति के पास रहे।
  • उसके बाद: इसी तरीके से दूसरी प्रक्रिया तक क्षैतिज रूप से विस्तार करें। एक साथ पाँच मोर्चे न खोलें।

Origami में हम ठीक यही बनाते हैं: कस्टम सिस्टम जो पहले कंपनी के डेटा को आपस में जोड़ते हैं, और फिर उनके ऊपर अरबी में और वास्तविक व्यावसायिक प्रक्रियाओं के भीतर एक AI परत जोड़ी जाती है, ताकि असर प्रायोगिक नहीं बल्कि मापने योग्य हो।

स्रोत