কেন ৭০% এন্টারপ্রাইজ এআই ডেপ্লয়মেন্ট ব্যর্থ হয় (এবং সেরা এআই কোম্পানিগুলো কী আলাদা করে)

এন্টারপ্রাইজ AI ব্যয় ত্বরান্বিত হচ্ছে। ২০২৪ সালে AI সফটওয়্যারে বৈশ্বিক বিনিয়োগ ১৫০ বিলিয়ন ডলার ছাড়িয়ে গেছে এবং ২০২৮ সালের মধ্যে তিনগুণ হওয়ার পূর্বাভাস দেওয়া হচ্ছে। বোর্ডগুলো AI কৌশল বাধ্যতামূলক করছে। CIO-রা OpenAI, Anthropic, Databricks এবং Palantir-এর সাথে চুক্তি স্বাক্ষর করছে।

এবং সেই ডিপ্লয়মেন্টগুলোর বেশিরভাগই নীরবে ব্যর্থ হচ্ছে।

ডেমো পর্যায়ে নয়। ডেমোগুলো নিখুঁত। চুক্তি স্বাক্ষরের পরে ব্যর্থতা আসে, যখন আসল কাজ শুরু হয়: একটি AI প্ল্যাটফর্মকে এমন একটি লিগ্যাসি এন্টারপ্রাইজ পরিবেশে সংযুক্ত করা যা এর জন্য ডিজাইন করা হয়নি, ভেন্ডর যে কমপ্লায়েন্স প্রয়োজনীয়তা আগে থেকে ভাবেনি, যেকোনো বেঞ্চমার্কের চেয়ে অগোছালো ডেটা এবং অভ্যন্তরীণ স্টেকহোল্ডার যারা ক্রয় সিদ্ধান্তের অংশ ছিলেন না।

McKinsey অনুমান করে যে ৭০% AI পাইলট কখনো টেকসই প্রোডাকশনে পৌঁছায় না। Gartner বিশেষভাবে বড় এন্টারপ্রাইজ ডিপ্লয়মেন্টের জন্য এই সংখ্যা আরও বেশি বলে মনে করে। AI শিল্পে একটি ডিপ্লয়মেন্ট সমস্যা রয়েছে — এবং এটি প্রেসে যে মডেল কোয়ালিটি আলোচনা আধিপত্য করে তার চেয়ে বড়।

যে কোম্পানিগুলো ধারাবাহিকভাবে এই প্রতিকূলতা জয় করছে তাদের একটি কাঠামোগত সুবিধা রয়েছে: নিবেদিত ফরওয়ার্ড ডিপ্লয়েড ইঞ্জিনিয়ার — এমন একটি ভূমিকা যা বেশিরভাগ এন্টারপ্রাইজ ক্রেতা কখনো শোনেননি কিন্তু এখন সরাসরি উপকৃত হচ্ছেন।

এই ভূমিকা বোঝা ব্যাখ্যা করে কেন কিছু AI ভেন্ডর ধারাবাহিকভাবে ROI প্রদান করে যখন অন্যরা ব্যয়বহুল চুক্তিগুলো প্রক্ষেপিত ক্ষমতার ২০%-এ চালু রাখে।

এন্টারপ্রাইজ AI ডিপ্লয়মেন্ট গ্যাপ

"AI ডেমো" এবং "প্রোডাকশনে AI"-এর মধ্যে ব্যবধান এন্টারপ্রাইজ সফটওয়্যারের যেকোনো অন্য বিভাগের চেয়ে বেশি। কারণ এখানে:

ডেটা সমস্যা

প্রতিটি AI ভেন্ডর পরিষ্কার, কাঠামোগত, API-অ্যাক্সেসযোগ্য ডেটায় ডেমো করে। প্রতিটি এন্টারপ্রাইজ গ্রাহকের কাছে ২০০৩ সালের Oracle ডেটাবেসে ডেটা আছে, পৃথক বিজনেস ইউনিট দ্বারা ম্যানুয়ালি রক্ষণাবেক্ষণ করা স্প্রেডশিট, ভৌত নথি থেকে স্ক্যান করা PDF এবং আধুনিক টুল দ্বারা আর সমর্থিত নয় এমন ফরম্যাটে রিয়েল-টাইম ফিড।

যেকোনো AI পণ্য কাজ করার আগে, কাউকে সেই ডেটা পরিষ্কার, কাঠামোগত এবং পাইপলাইন করতে হবে। এটি একটি এককালীন সেটআপ কাজ নয় — এটি চলমান ইঞ্জিনিয়ারিং কাজ যার জন্য AI প্ল্যাটফর্মের ডেটা প্রয়োজনীয়তা এবং গ্রাহকের অপারেশনাল সীমাবদ্ধতা উভয়ই বোঝা দরকার।

কমপ্লায়েন্স সমস্যা

এন্টারপ্রাইজ গ্রাহকরা — বিশেষত আর্থিক পরিষেবা, স্বাস্থ্যসেবা, সরকার এবং প্রতিরক্ষায় — নিয়ন্ত্রক কাঠামোর অধীনে কাজ করে যা স্ট্যান্ডার্ড ক্লাউড AI ডিপ্লয়মেন্ট ডিফল্টভাবে লঙ্ঘন করে:

• ডেটা রেসিডেন্সি প্রয়োজনীয়তা: EU গ্রাহকরা GDPR-এর অধীনে US সার্ভারে ডেটা প্রক্রিয়া করতে পারে না
• এয়ার-গ্যাপড নেটওয়ার্ক: সরকার ও প্রতিরক্ষা গ্রাহকদের শূন্য ইন্টারনেট সংযোগ রয়েছে
• অডিট প্রয়োজনীয়তা: আর্থিক পরিষেবা গ্রাহকদের সম্পূর্ণ অডিট ট্রেইল সহ ব্যাখ্যাযোগ্য AI সিদ্ধান্ত প্রয়োজন
• ডেটা ক্লাসিফিকেশন: PII, PHI এবং শ্রেণীবদ্ধ ডেটা সাধারণ AI ট্রেনিং পাইপলাইনে স্পর্শ করতে পারে না

AI প্ল্যাটফর্মের কার্যকারিতা বজায় রেখে এই প্রয়োজনীয়তাগুলো পূরণ করতে এন্টারপ্রাইজ সিকিউরিটি আর্কিটেকচার এবং AI সিস্টেমের সংযোগস্থলে ইঞ্জিনিয়ারিং দক্ষতা প্রয়োজন — এটি একটি সত্যিকারের বিরল সমন্বয়।

ইন্টিগ্রেশন সমস্যা

এন্টারপ্রাইজ গ্রাহকরা AI দিয়ে বিদ্যমান ওয়ার্কফ্লো প্রতিস্থাপন করে না। তারা AI-কে এমন ওয়ার্কফ্লোতে সংযুক্ত করে যা দশকের পর দশক ধরে পরিচালিত হয়েছে, মূল সিস্টেম তৈরির সময় যে নির্ভরতাগুলো নথিভুক্ত ছিল না।

একটি ব্যাংকে AI জালিয়াতি সনাক্তকরণ সিস্টেম ব্যাংকের বিদ্যমান জালিয়াতি পর্যালোচনা প্রক্রিয়া প্রতিস্থাপন করে না। এটিকে সংযুক্ত করতে হবে:

• কেস ম্যানেজমেন্ট সিস্টেমের সাথে (প্রায়শই কাস্টম-বিল্ট, ১৫ বছর পুরনো)
• রেগুলেটরি রিপোর্টিং ওয়ার্কফ্লোর সাথে (কঠোর অডিট প্রয়োজনীয়তা সহ)
• বিশ্লেষক ওয়ার্কফ্লোর সাথে (যেখানে মানুষ এখনও উচ্চ-মূল্যের ক্ষেত্রে চূড়ান্ত সিদ্ধান্ত নেয়)
• কোর ব্যাংকিং সিস্টেমের সাথে (যা AI বিশ্লেষণ করছে সেই লেনদেন প্রক্রিয়া করে)

এর কিছুই নথিভুক্ত নয়। কিছুই ভেন্ডরের ইমপ্লিমেন্টেশন গাইডে নেই। এবং এর সবকিছুর জন্য এমন ইঞ্জিনিয়ার প্রয়োজন যারা গ্রাহকের পরিবেশে প্রোডাকশন কোড লিখতে পারে।

অ্যাডপশন সমস্যা

বিশ্বের সেরা AI ডিপ্লয়মেন্ট ব্যর্থ হয় যদি যাদের সাহায্য করার কথা তারা এটি ব্যবহার না করে। এন্টারপ্রাইজ অ্যাডপশন ব্যর্থতা অপ্রতিরোধ্যভাবে প্রযুক্তিগত নয় — এগুলো সাংগঠনিক।

১৫ বছর ধরে জালিয়াতি পর্যালোচনা করা বিশ্লেষক এমন একটি AI স্কোর বিশ্বাস করেন না যা তিনি বোঝেন না। IT দল এমন একটি টুলকে অপছন্দ করে যা তাদের প্রকিউরমেন্ট প্রক্রিয়া বাইপাস করেছে। কমপ্লায়েন্স অফিসার এমন একটি সিস্টেমের সাথে স্বাচ্ছন্দ্য বোধ করেন না যা নিয়ন্ত্রকের গ্রহণযোগ্য ভাষায় তার সিদ্ধান্ত ব্যাখ্যা করতে পারে না।

AI কে টিকিয়ে রাখতে এমন ইঞ্জিনিয়ার প্রয়োজন যারা ব্যবহারকারীদের প্রশিক্ষণ দিতে পারে, সরল ভাষায় সিস্টেম কীভাবে কাজ করে তা যোগাযোগ করতে পারে এবং সময়ের সাথে বিশ্বাস বাড়ানোর ফিডব্যাক লুপ তৈরি করতে পারে। এটি একটি সাপোর্ট ফাংশন নয় — এর জন্য ডিপ্লয়মেন্টের মতোই প্রযুক্তিগত গভীরতা প্রয়োজন।

ফরওয়ার্ড ডিপ্লয়েড ইঞ্জিনিয়াররা আসলে কী করেন

FDE মডেলটির উৎপত্তি Palantir-এ, যেখানে কোম্পানি সরকার ও প্রতিরক্ষা গ্রাহকদের সাথে দীর্ঘ সময়ের জন্য — কখনো কখনো বছরের পর বছর — সরাসরি ইঞ্জিনিয়ার এম্বেড করার একটি অনুশীলন তৈরি করেছিল, যা ইন্টারনেট সংযোগবিহীন, শ্রেণীবদ্ধ ডেটা প্রয়োজনীয়তা এবং এর আগে কখনো এন্টারপ্রাইজ সফটওয়্যার ব্যবহার করেননি এমন স্টেকহোল্ডারদের পরিবেশে Foundry ডিপ্লয় করার জন্য।

মডেলটি ফলাফল দিয়েছে। Palantir-এর গ্রাহক ধরে রাখার এবং সম্প্রসারণের মেট্রিক্স এন্টারপ্রাইজ SaaS-এর জন্য বেঞ্চমার্ক হয়ে উঠেছে। যখন Palantir অ্যালামনাই অন্য কোম্পানিতে চলে গেছেন, তারা মডেলটি সাথে নিয়ে গেছেন।

আজ, প্রতিটি প্রধান AI প্ল্যাটফর্ম কোম্পানির এই ফাংশনের একটি সংস্করণ রয়েছে:

Databricks তাদের Resident Solutions Architects বলে। তারা বড় ডেটা মাইগ্রেশনের সময় ৬-১২ মাসের জন্য Fortune 500 গ্রাহকদের সাথে এম্বেড করে, কাস্টম কানেক্টর লেখে, গ্রাহকের নির্দিষ্ট ওয়ার্কলোডের জন্য Spark পারফরম্যান্স অপ্টিমাইজ করে এবং গ্রাহকের ডেটা ইঞ্জিনিয়ারিং দলকে প্রশিক্ষণ দেয়। যখন একজন খুচরা বিক্রেতা ডাউনটাইম ছাড়াই অন-প্রেম Hadoop থেকে Delta Lake-এ ৫০০TB মাইগ্রেট করে, একজন RSA সেটি সম্ভব করেছিলেন।

Scale AI তাদের Customer Engineers বলে। তারা ফাউন্ডেশন মডেল তৈরিকারী AI কোম্পানিতে ডেটা লেবেলিং এবং AI মূল্যায়ন অবকাঠামো ডিপ্লয় করে। যখন OpenAI বা Anthropic-এর প্রতিদিন লক্ষ লক্ষ উদাহরণ প্রক্রিয়াকারী একটি প্রোডাকশন-গ্রেড লেবেলিং পাইপলাইন প্রয়োজন, একজন Customer Engineer সেই ডিপ্লয়মেন্টের মালিকানা নেন।

Snowflake তাদের Professional Services Engineers বলে। যখন একটি আর্থিক প্রতিষ্ঠান তাদের ট্রেডিং সিস্টেম ব্যাহত না করে Oracle থেকে Snowflake-এ মাইগ্রেট করে, একজন PSE মাইগ্রেশনের আর্কিটেক্ট করেছিলেন, ডেটা রূপান্তর পরিচালনা করেছিলেন এবং কাটওভার পরিচালনা করেছিলেন।

OpenAI এবং Anthropic যথাক্রমে Deployment Engineers এবং Solutions Engineers রয়েছে, বড় সংগঠনে ChatGPT Enterprise এবং Claude ডিপ্লয় করছে — বিদ্যমান ওয়ার্কফ্লোর সাথে ইন্টিগ্রেট করছে, কমপ্লায়েন্স প্রয়োজনীয়তার জন্য কনফিগার করছে এবং বড় কর্মী জনগোষ্ঠীতে অ্যাডপশন চালাচ্ছে।

সাধারণ সুতো: এই ইঞ্জিনিয়াররা শেষ থেকে শেষ পর্যন্ত ডিপ্লয়মেন্ট সাফল্যের মালিকানা রাখেন। "এটি কি ইনস্টল হয়েছে" নয় — বরং "এটি কি গ্রাহক যে ব্যবসায়িক ফলাফলের জন্য কিনেছে তা তৈরি করছে?"

কেন এটি একটি প্রতিযোগিতামূলক পার্থক্যকারী, শুধু একটি সার্ভিস ফাংশন নয়

এন্টারপ্রাইজ ক্রেতারা সাধারণত ইমপ্লিমেন্টেশন এবং প্রফেশনাল সার্ভিসকে টেবিল স্টেকস হিসেবে দেখেন — ব্যবসার একটি খরচ, প্রতিযোগিতামূলক সুবিধার উৎস নয়। FDE মডেল এই অনুমানকে চ্যালেঞ্জ করে।

রিটেনশন গণিত

একটি নতুন এন্টারপ্রাইজ AI গ্রাহক অধিগ্রহণে বিক্রয় ও বিপণনে $৫০০K-$২M খরচ হয় (এন্টারপ্রাইজ সফটওয়্যার কোম্পানিতে সম্পূর্ণভাবে লোড করা CAC)। একজন বিদ্যমান গ্রাহক ধরে রাখতে বার্ষিক FDE সাপোর্টে $২০০K-$৪০০K খরচ হয়।

FDE দলে বিনিয়োগকারী কোম্পানিগুলো দেখে:

• কম চার্ন: যে গ্রাহকরা সফলভাবে ডিপ্লয় করেন তারা বাতিল করেন না। কাস্টম ইন্টিগ্রেশন দ্বারা তৈরি প্রযুক্তিগত পরিবর্তন খরচ উল্লেখযোগ্য।
• দ্রুত সম্প্রসারণ: একটি প্ল্যাটফর্মের ক্ষমতার ২০% ব্যবহারকারী গ্রাহক ৮০%-তে সম্প্রসারিত হয় যখন একজন FDE সক্রিয়ভাবে নতুন ব্যবহারের ক্ষেত্র খুঁজে বের করে এবং সেগুলো তৈরি করে।
• ভালো রেফারেন্স: কেস স্টাডি এবং রেফারেল সফল ডিপ্লয়মেন্ট থেকে আসে। ব্যর্থ ডিপ্লয়মেন্ট ব্যয়বহুল আইনি বিরোধে পরিণত হয়।

Palantir-এর নেট রেভিনিউ রিটেনশন বছরে বছরে ১২০% ছাড়িয়ে যায় — অর্থাৎ বিদ্যমান গ্রাহকরা প্রতি বছর আগের বছরের তুলনায় ২০%+ বেশি ব্যয় করেন। FDE মডেল এই মেট্রিকের একটি প্রাথমিক চালক।

মোট প্রভাব

যখন একজন FDE গ্রাহকের সিস্টেমে কাস্টম ইন্টিগ্রেশন তৈরি করতে, গ্রাহকের দলকে প্রশিক্ষণ দিতে এবং গ্রাহকের নির্দিষ্ট ব্যবহারের ক্ষেত্রে ডিপ্লয়মেন্ট অপ্টিমাইজ করতে ১২ মাস ব্যয় করেন, ফলস্বরূপ পরিবর্তন খরচ উল্লেখযোগ্য।

একজন প্রতিযোগীর AI পণ্য ব্যবহারকারী গ্রাহক একটি API কী পরিবর্তন করে পরিবর্তন করতে পারেন। ১২ মাসের FDE-তৈরি কাস্টম ইন্টিগ্রেশন, প্রশিক্ষিত অভ্যন্তরীণ দল এবং অপ্টিমাইজড ওয়ার্কফ্লো সহ একজন গ্রাহক পরিবর্তন করতে ১২-২৪ মাসের মাইগ্রেশন প্রকল্পের মুখোমুখি হন। এটি একটি সত্যিকারের প্রতিযোগিতামূলক মোট — পণ্য নিজে দ্বারা নয়, বরং ডিপ্লয়মেন্ট গুণমান দ্বারা তৈরি।

প্রোডাক্ট ইন্টেলিজেন্স লুপ

FDE-রা এমন জিনিস দেখেন যা প্রোডাক্ট দলগুলো কখনো দেখে না: গ্রাহকরা প্রোডাকশনে পণ্যটি আসলে কীভাবে ব্যবহার (এবং অপব্যবহার) করেন, কোন ইন্টিগ্রেশন প্রয়োজন কিন্তু বিদ্যমান নেই, ডকুমেন্টেশন কোথায় ব্যর্থ হয়, কোন কমপ্লায়েন্স প্রয়োজনীয়তা আগে থেকে ভাবা হয়নি।

শক্তিশালী FDE দল সহ AI কোম্পানিগুলোর দূরবর্তীভাবে তৈরি এবং শিপ করা কোম্পানিগুলোর তুলনায় কাঠামোগত প্রোডাক্ট ইন্টেলিজেন্স সুবিধা রয়েছে। প্রতিটি গ্রাহক ডিপ্লয়মেন্ট সংকেত তৈরি করে। যে কোম্পানিগুলো সেই সংকেত প্রক্রিয়া করে এবং প্রোডাক্ট ডেভেলপমেন্টে ফিড ব্যাক করে তারা দ্রুত ভালো পণ্য তৈরি করে।

এন্টারপ্রাইজ ক্রেতাদের যা জানা উচিত

AI ভেন্ডর মূল্যায়নকারী এন্টারপ্রাইজ সিদ্ধান্ত-প্রস্তুতকারীদের জন্য, FDE মডেলের ভেন্ডর নির্বাচন এবং চুক্তি কাঠামোর জন্য সরাসরি প্রভাব রয়েছে।

ভেন্ডরদের জিজ্ঞাসা করার প্রশ্ন

"আপনার ইমপ্লিমেন্টেশন দল কেমন দেখতে?"

এমন একজন ভেন্ডরের মধ্যে অর্থবহ পার্থক্য রয়েছে যিনি একজন প্রজেক্ট ম্যানেজার নিয়োগ দেন এবং এমন একজন ভেন্ডর যিনি আপনার পরিবেশে কোড লিখবেন এমন একজন ইঞ্জিনিয়ার নিয়োগ দেন। বিশেষভাবে জিজ্ঞাসা করুন: আপনার ইমপ্লিমেন্টেশন দল কি কাস্টম কোড লিখবে? তারা কি আমাদের অন-প্রেম পরিবেশে কাজ করতে পারে? আমাদের কমপ্লায়েন্স ফ্রেমওয়ার্কের সাথে তাদের অভিজ্ঞতা কী?

"ডিপ্লয়মেন্ট সাফল্যের মালিক কে?"

কিছু ভেন্ডর সাফল্যকে "ইনস্টল এবং চলমান" হিসেবে সংজ্ঞায়িত করেন। অন্যরা এটিকে "আপনি যে ব্যবসায়িক ফলাফলের জন্য কিনেছেন তা তৈরি করা" হিসেবে সংজ্ঞায়িত করেন। FDE মডেল দ্বিতীয় সংজ্ঞার উপর ভিত্তি করে তৈরি। স্বাক্ষর করার আগে বুঝুন আপনি কোন মডেল কিনছেন।

"আপনার নেট রেভিনিউ রিটেনশন রেট কত?"

NRR হল ডিপ্লয়মেন্ট গুণমানের সবচেয়ে সৎ সংকেত। ১০০%+ NRR সহ একজন ভেন্ডর এতটাই সফলভাবে ডিপ্লয় করছেন যে গ্রাহকরা সম্প্রসারিত হচ্ছেন। ৮০% NRR সহ একজন ভেন্ডর বার্ষিক গ্রাহকের ২০% মূল্য হারাচ্ছেন — প্রায়ই কারণ ডিপ্লয়মেন্টগুলো প্রতিশ্রুতির কম ছিল।

"আপনি আমাদের শিল্পে কতজন গ্রাহকের জন্য ডিপ্লয় করেছেন?"

FDE-রা নির্দিষ্ট শিল্পে বারবার ডিপ্লয়মেন্ট থেকে প্যাটার্ন লাইব্রেরি তৈরি করেন। একজন ভেন্ডর যিনি ২০টি আর্থিক পরিষেবা কোম্পানির জন্য ডিপ্লয় করেছেন তিনি এমন কমপ্লায়েন্স ইন্টিগ্রেশন সমস্যা সমাধান করেছেন যা আপনি এখনো আগে থেকে ভাবেননি। এটির জন্য অর্থ দেওয়া মূল্যবান।

চুক্তি কাঠামোর বিবেচনা

এন্টারপ্রাইজ AI চুক্তিগুলো সাধারণত সফটওয়্যার লাইসেন্সিং থেকে ইমপ্লিমেন্টেশন সার্ভিস আলাদা করে। মোট খরচ মূল্যায়ন করার সময়:

• ইমপ্লিমেন্টেশন একটি এককালীন খরচ নয় — অপ্টিমাইজেশন, নতুন ব্যবহারের ক্ষেত্র এবং সমস্যা সমাধানের জন্য চলমান FDE সাপোর্ট চুক্তিতে থাকা উচিত
• সাফল্যের মেট্রিক্স ব্যবসায়িক ফলাফলের পরিপ্রেক্ষিতে সংজ্ঞায়িত করা উচিত, প্রযুক্তিগত ডেলিভারেবল নয় ("জালিয়াতি সনাক্তকরণের নির্ভুলতা X% উন্নত হয়েছে" "সিস্টেম ডিপ্লয় এবং চলমান" নয়)
• সম্প্রসারণ অধিকার ভেন্ডরকে শুধু প্রাথমিক ডিপ্লয়মেন্ট বজায় রাখতে নয়, অ্যাডপশন চালাতে উৎসাহিত করার জন্য কাঠামোগত হওয়া উচিত

এন্টারপ্রাইজ AI অ্যাডপশন সীমিতকারী প্রতিভা বাধা

এন্টারপ্রাইজ AI ডিপ্লয়মেন্টের উপর একক বৃহত্তম সীমাবদ্ধতা মডেল গুণমান, ডেটা প্রাপ্যতা বা বাজেট নয়। এটি FDE কাজ করতে পারে এমন ইঞ্জিনিয়ারদের সরবরাহ।

ভালো FDE-দের প্রয়োজন:

• প্রোডাকশন সিস্টেম ডিবাগিং অভিজ্ঞতা (বাস্তব আউটেজ, বাস্তব চাপ, বাস্তব পরিণতি)
• একাধিক ক্লাউড পরিবেশ এবং অন-প্রেম জুড়ে ডিপ্লয়মেন্ট আর্কিটেকচার জ্ঞান
• নির্বাহী স্তরে গ্রাহক যোগাযোগ দক্ষতা
• ব্যবসায়িক ফলাফল অভিমুখিতা (প্রযুক্তিগত মেট্রিক্স নয়, গ্রাহকের KPI-তে সাফল্য পরিমাপ করা)
• তাদের ডিপ্লয়মেন্ট ভার্টিকালের সাথে প্রাসঙ্গিক নিয়ন্ত্রক জ্ঞান

এই সমন্বয় সত্যিকারের বিরল। ঐতিহ্যগত সফটওয়্যার ইঞ্জিনিয়ারিং প্রশিক্ষণ প্রযুক্তিগত দক্ষতায় শক্তিশালী এবং বাকি সবকিছুতে দুর্বল ইঞ্জিনিয়ার তৈরি করে। গ্রাহকমুখী প্রশিক্ষণ যোগাযোগে শক্তিশালী এবং প্রযুক্তিগত গভীরতায় দুর্বল মানুষ তৈরি করে।

প্রতিভার ঘাটতি কারণেই শীর্ষ AI কোম্পানিতে FDE ক্ষতিপূরণ $৩০০K-$৫০০K-এ পৌঁছায় এবং কেন কোম্পানিগুলো এই প্রতিভা স্বাভাবিকভাবে আবির্ভূত হওয়ার জন্য অপেক্ষা করার পরিবর্তে কাঠামোগত প্রশিক্ষণ প্রোগ্রাম তৈরি করছে। FDE Academy এই পরিবর্তনের একটি উদাহরণ — একটি প্রোগ্রাম বিশেষভাবে ডিপ্লয়মেন্ট-ভিত্তিক, গ্রাহকমুখী কাজের জন্য ইঞ্জিনিয়ারদের প্রশিক্ষণ দিতে ডিজাইন করা হয়েছে যা এন্টারপ্রাইজ AI প্রয়োজন।

যে কোম্পানিগুলো টেকসই FDE প্রতিভা পাইপলাইন তৈরি করে তাদের আগামী দশকে এন্টারপ্রাইজ AI-তে কাঠামোগত সুবিধা থাকবে। যে কোম্পানিগুলো ডিপ্লয়মেন্টকে পরবর্তী চিন্তা হিসেবে বিবেচনা করে তারা ডেমোর পরে গ্রাহক হারাতে থাকবে।

এন্টারপ্রাইজ AI বাজারের জন্য এর অর্থ কী

এন্টারপ্রাইজ AI ডিপ্লয়মেন্ট গ্যাপ পরবর্তী পাঁচ বছরে বাজার কীভাবে বিকশিত হয় তার জন্য গুরুত্বপূর্ণ প্রভাব রয়েছে।

মডেল গুণমান কম গুরুত্বপূর্ণ হবে, ডিপ্লয়মেন্ট গুণমান আরও গুরুত্বপূর্ণ হবে। যখন একাধিক ভেন্ডর একই মূল্যে তুলনীয় ক্ষমতা অফার করে, পার্থক্য স্থানান্তরিত হয় কে জটিল এন্টারপ্রাইজ পরিবেশে প্রযুক্তি কাজ করাতে পারে তার দিকে। এটি একটি FDE-চালিত সুবিধা।

ভার্টিকাল বিশেষায়ন ত্বরান্বিত হবে। FDE দলগুলো যারা আর্থিক পরিষেবা, স্বাস্থ্যসেবা বা সরকারে বারবার ডিপ্লয় করে তারা এমন প্রাতিষ্ঠানিক জ্ঞান তৈরি করে যা সাধারণবাদী দলগুলো মেলাতে পারে না। AI ভেন্ডররা সাধারণ-উদ্দেশ্য ইমপ্লিমেন্টেশন দলের পরিবর্তে ভার্টিকাল-নির্দিষ্ট FDE অনুশীলন তৈরি করবে বলে আশা করুন।

এন্টারপ্রাইজ ক্রেতারা আরও ভালো প্রশ্ন জিজ্ঞাসা করতে শুরু করবে। ডিপ্লয়মেন্ট ব্যর্থতার হার আরও ভালোভাবে নথিভুক্ত হওয়ার সাথে সাথে, এন্টারপ্রাইজ প্রকিউরমেন্ট দলগুলো শুধু ডেমো গুণমান নয়, ডিপ্লয়মেন্ট ট্র্যাক রেকর্ড দাবি করবে। যে ভেন্ডররা NRR মেট্রিক্স এবং নির্দিষ্ট কেস স্টাডি দেখাতে পারেন তারা এমন চুক্তি জিতবেন যা বিশুদ্ধ পণ্য পার্থক্য বন্ধ করতে পারে না।

প্রফেশনাল সার্ভিস মডেল বিকশিত হবে। ঐতিহ্যগত এন্টারপ্রাইজ সফটওয়্যার প্রফেশনাল সার্ভিস ছিল বিলযোগ্য-ঘণ্টার পরামর্শ — ব্যয়বহুল, ধীর এবং এনগেজমেন্ট সম্পন্ন করার পরিবর্তে বাড়ানোর জন্য উৎসাহিত। FDE মডেল, যেখানে ইঞ্জিনিয়ারদের ভেন্ডর নিয়োগ করেন এবং গ্রাহকের ফলাফল দ্বারা উৎসাহিত করা হয়, মৌলিকভাবে ভিন্ন ফলাফল তৈরি করে। এর প্রতিযোগিতামূলক সুবিধাগুলো স্পষ্ট হওয়ার সাথে সাথে আরও বেশি ভেন্ডর এই মডেলের দিকে এগিয়ে যাবে বলে আশা করুন।

চূড়ান্ত চিন্তা

৭০% এন্টারপ্রাইজ AI ডিপ্লয়মেন্ট ব্যর্থতার হার প্রাথমিকভাবে একটি প্রযুক্তি সমস্যা নয়। মডেলগুলো কাজ করে। প্ল্যাটফর্মগুলো সক্ষম। ব্যর্থতা অপারেশনাল — AI একটি নিয়ন্ত্রিত পরিবেশে কী করতে পারে এবং লিগ্যাসি সিস্টেম, কমপ্লায়েন্স প্রয়োজনীয়তা এবং ক্রয় সিদ্ধান্তে পরামর্শ না করা মানুষ সহ একটি বাস্তব এন্টারপ্রাইজে এটি আসলে কী করে তার মধ্যে ব্যবধান।

এই সমস্যা সমাধানকারী কোম্পানিগুলো শুধু ভালো মডেল তৈরি করছে না। তারা অপারেশনাল অবকাঠামো তৈরি করছে — বিশেষত FDE ফাংশন — যা বাস্তব বিশ্বে এন্টারপ্রাইজ AI কাজ করে।

এন্টারপ্রাইজ ক্রেতাদের জন্য, এই পার্থক্য বোঝা একটি সফল AI বিনিয়োগ এবং একটি ব্যয়বহুল পাইলটের মধ্যে পার্থক্য যা কখনো প্রোডাকশনে পৌঁছায় না। AI ভেন্ডরদের জন্য, FDE সক্ষমতা তৈরি করা এন্টারপ্রাইজ বাজার জেতা এবং বাইরে থেকে দেখার মধ্যে ক্রমবর্ধমান পার্থক্য।

AI শিল্প ক্রমাগত মডেল গুণমান, বেঞ্চমার্ক পারফরম্যান্স এবং ক্ষমতা রিলিজ সম্পর্কে কথা বলে। শান্তিপূর্ণ গল্প — যা আসলে এন্টারপ্রাইজ AI অ্যাডপশন নির্ধারণ করে — ডিপ্লয়মেন্ট ইঞ্জিনিয়ারিং সম্পর্কে। এবং যে কোম্পানিগুলো এটি বুঝে গেছে তারা এগিয়ে যাচ্ছে।