The partial adoption trap: Coordination failure, trust, and cultural lock-in in health AI adoption

यहाँ एरी एर्कोले के शोध पत्र "द पार्शियल अडॉप्शन ट्रैप" (The Partial Adoption Trap) का सरल भाषा और उपमाओं के साथ हिंदी अनुवाद दिया गया है।

बड़ी तस्वीर: "आधे-अधूरे मन" की समस्या

कल्पना कीजिए कि एक अस्पताल एक नया, सुपर-स्मार्ट AI सिस्टम लगाने का निर्णय लेता है ताकि डॉक्टरों की मदद की जा सके। लक्ष्य केवल एक डॉक्टर का काम आसान बनाना नहीं है; लक्ष्य पूरे अस्पताल के काम करने के तरीके को पूरी तरह से पुनर्गठित करना है ताकि मरीजों को जल्दी देखा जा सके और लागत कम हो सके।

यह शोध पत्र तर्क देता है कि जबकि डॉक्टर छोटे, आसान कार्यों (जैसे नोट्स टाइप करना) के लिए AI का उपयोग करने में खुश होते हैं, वे अक्सर सिस्टम को उसके इच्छित तरीके से काम करने देने के लिए अपनी पूरी कार्यप्रणाली (workflow) को बदलने से इनकार कर देते हैं। परिणाम क्या होता है? AI हर जगह "स्थापित" तो हो जाता है, लेकिन अस्पताल कभी भी वह बड़े लाभ नहीं प्राप्त कर पाता जिसका उसने वादा किया था। यही "पार्शियल अडॉप्शन ट्रैप" (आंशिक रूप से अपनाने का जाल) है।

लेखक एक गणितीय मॉडल (जैसे गेम थ्योरी सिमुलेशन) का उपयोग करके यह दिखाता है कि ऐसा क्यों होता है और मानक समाधान (जैसे डॉक्टरों को बोनस देना) अक्सर स्थिति को और खराब क्यों कर देते हैं।

---

डॉक्टर यह खेल तीन तरह से खेलते हैं

मॉडल सुझाव देता है कि जब एक नया सिस्टम आता है, तो डॉक्टरों के पास तीन विकल्प होते हैं:

1. सच्चा अंगीकरण (The "All-In" Player - पूरी तरह समर्पित): डॉक्टर नए AI के अनुरूप अपनी दिनचर्या को पूरी तरह से बदल देता है। वे मरीजों को देखने का तरीका, अपॉइंटमेंट शेड्यूल करना और स्टाफ से बात करने का तरीका बदल देते हैं।
   • चुनौती: यह शुरुआत में कठिन और विघटनकारी होता है।
2. आंशिक अंगीकरण (The "Smart Saver" - समझदार बचतकर्ता): डॉक्टर AI का उपयोग आसान काम (जैसे कागजी कार्रवाई में समय बचाने) के लिए करता है, लेकिन बाकी सब कुछ के लिए अपनी पुरानी दिनचर्या बनाए रखता है।
   • चुनौती: यह तुरंत अच्छा महसूस कराता है क्योंकि इसमें बिना किसी झंझट के समय की बचत होती है।
3. अस्वीकृति (The "Luddite" - परंपरावादी): डॉक्टर टूल को पूरी तरह से अनदेखा कर देता है।

जाल: क्योंकि "आंशिक अंगीकरण" अल्पकाल में अधिक आसान और फायदेमंद लगता है, इसलिए अधिकांश डॉक्टर इसे चुनते हैं। लेकिन सिस्टम तभी काम करता है जब पर्याप्त लोग "सच्चा अंगीकरण" चुनें। यदि सभी "आंशिक रूप से अपना रहे" हैं, तो सिस्टम उस कार की तरह है जिसका इंजन तो चल रहा है लेकिन पहिए न्यूट्रल में हैं—यह शोर तो कर रहा है, लेकिन कहीं जा नहीं रहा है।

---

यह जाल चार कारणों से बनता है

शोध पत्र बताता है कि अस्पताल इस "आधे-अधूरे" राज्य में क्यों फंस जाता है।

1. "बहुत छोटा महत्व" की समस्या (थ्रेशोल्ड फेलियर)

उपमा: कल्पना कीजिए कि आप एक कैंपफायर (अलाव) जलाने की कोशिश कर रहे हैं। आपको पूरे टेंट को गर्म करने वाली लौ पैदा करने के लिए एक साथ कुछ लकड़ियों के जलने की आवश्यकता होती है। यदि आप केवल कुछ लकड़ियों को जलाते हैं, तो वे केवल धुआं छोड़ेंगी और बुझ जाएंगी।
वास्तविकता: AI केवल तभी प्रणाली-व्यापी लाभ (जैसे मरीजों का तेज़ प्रवाह) पैदा करता है जब पर्याप्त संख्या में डॉक्टर अपनी कार्यप्रणाली बदलते हैं। यदि आप अकेले बदलने वाले व्यक्ति हैं, तो आप केवल वर्तमान धारा के विरुद्ध लड़ रहे एक अलग व्यक्ति मात्र हैं। लाभ तब तक शुरू नहीं होते जब तक आप एक "टिपिंग पॉइंट" (निर्णायक बिंदु) को पार नहीं कर लेते। चूंकि कोई भी अकेला डॉक्टर इस बिंदु को पार नहीं कर सकता, इसलिए वे दूसरों की प्रतीक्षा करते हैं, और कुछ नहीं होता।

2. "टूटा हुआ वादा" की समस्या (विश्वास की विफलता)

उपमा: कल्पना कीजिए कि एक बॉस टीम से कहता है, "यदि आप कड़ी मेहनत करते हैं और कंपनी का पैसा बचाते हैं, तो मैं आपको बोनस दूंगा।" टीम कड़ी मेहनत करती है, पैसा बचाती है, लेकिन बॉस कहता है, "दरअसल, मैं यह बचत कंपनी के पास रख रहा हूँ। आपके लिए कोई बोनस नहीं है।"
वास्तविकता: डॉक्टर जानते हैं कि यदि वे वास्तव में अपने काम को पुनर्गठित करते हैं, तो अस्पताल बहुत पैसा बचाएगा। लेकिन डॉक्टरों को विश्वास नहीं है कि अस्पताल उन बचतों को उनके साथ साझा करेगा। उन्हें डर है कि यदि वे कठिन परिश्रम करते हैं, तो अस्पताल सारा श्रेय और पैसा खुद ले लेगा। इसलिए, वे "आंशिक" मार्ग चुनते जहाँ वे उस वादे के लिए जोखिम उठाने के बजाय (जो टूट सकता है) अपना स्वयं का समय बचाकर रखते हैं।

3. "पुरानी आदतें मुश्किल से जाती हैं" (सांस्कृतिक जड़ता)

उपमा: कल्पना कीजिए कि दोस्तों का एक समूह है जहाँ सभी इस बात पर सहमत हैं कि "हम वह नया डांस नहीं करते।" यदि एक व्यक्ति डांस करने की कोशिश करता है, तो दूसरे उसका मजाक उड़ाते हैं या उसे अनदेखा करते हैं। अंततः, वह व्यक्ति फिट होने के लिए डांस करना छोड़ देता है।
वास्तविकता: यदि अधिकांश डॉक्टर "आंशिक रूप से अपना रहे" हैं, तो टीम की संस्कृति "हम टूल का उपयोग करते हैं, लेकिन हम वास्तव में काम करने का तरीका नहीं बदलते" बन जाती है। यदि कोई डॉक्टर "सच्चा अंगीकरण" करने की कोशिश करता है, तो उसे सहकर्मियों के सामाजिक दबाव और घर्षण का सामना करना पड़ता है जो इसके पक्ष में नहीं हैं। समूह की संस्कृति सभी को औसत दर्जे के "आंशिक" राज्य में लॉक कर देती है।

4. "मूल्य का विरोधाभास" (Paradox of Value)

उपमा: खजाना जितना अधिक मूल्यवान होगा, लोगों को मिलकर खुदाई करने के लिए प्रेरित करना उतना ही कठिन होगा।
वास्तविकता: शोध पत्र एक क्रूर विडंबना पाता: जिन तकनीकों में सबसे अधिक क्षमता (जीवन बचाने और पैसा बचाने की) है (सिस्टम-चेंज AI), उन्हें अपनाने में सबसे अधिक कठिनाई होती है। वे तकनीकें जो अपनाने में आसान हैं (पॉइंट-सॉल्यूशन AI, जैसे एक साधारण स्पेल-चेकर), वे आसानी से फैलती हैं। बदलाव जितना अधिक मूल्यवान होगा, उसके जाल में फंसने की संभावना उतनी ही अधिक होगी।

---

"कॉस्ट रैचेट" (Cost Ratchet): आशा की एक किरण

मॉडल में एक दिलचस्प मोड़ है जिसे "कॉस्ट रैचेट" कहा जाता है।

उपमा: कल्पना कीजिए कि आप एक पहाड़ी पर भारी पत्थर को ऊपर धकेलने की कोशिश कर रहे हैं। शुरुआत में यह बहुत कठिन है। लेकिन यदि आप इसे एक निश्चित बिंदु से थोड़ा सा आगे धकेल देते हैं, तो जमीन बदल जाती है, और पत्थर को धकेलना हमेशा के लिए आसान हो जाता है। भले ही आप धकेलना बंद कर दें और पत्थर वापस नीचे लुढ़क जाए, जमीन वैसी ही बदली हुई रहती है। अगली बार जब आप प्रयास करेंगे, तो यह पहले की तुलना में आसान होगा।

वास्तविकता: यदि एक अस्पताल AI लागू करने की कोशिश करता है और विफल हो जाता है (वे टिपिंग पॉइंट तक नहीं पहुँच पाते), तो वे सोच सकते हैं कि उन्होंने अपना समय बर्बाद किया। लेकिन शोध पत्र तर्क देता है कि एक असफल प्रयास भी "लागत" (cost) को कम कर देता है। डॉक्टर थोड़ा सीख गए, सिस्टम थोड़ा अभ्यत हो गया। प्रवेश की बाधा स्थायी रूप से कम हो जाती है।

• हालांकि: यह तभी मदद करता है जब डॉक्टर बहुत जल्दी विश्वास न खो दें। यदि अस्पताल वादे बहुत जल्दी तोड़ देता है, तो डॉक्टरों का विश्वास "सीखने" की प्रक्रिया से कहीं अधिक तेजी से कम हो जाता है, और जाल और गहरा हो जाता है।

---

जाल से कैसे बचें (समाधान)

शोध पत्र तर्क देता है कि मानक नीतियां (जैसे हर डॉक्टर को टूल का उपयोग करने के लिए एक छोटा बोनस देना) वास्तव में जाल को बदतर बना देती हैं क्योंकि वे विश्वास या संस्कृति के मुद्दों को ठीक किए बिना केवल "आंशिक अंगीकरण" को प्रोत्साहित करती हैं।

बचने के लिए, अस्पताल को विशिष्ट क्रम में कार्य करने की आवश्यकता है:

1. पहले विश्वास ठीक करें: डॉक्टरों से बदलाव की मांग करने से पहले, अस्पताल को एक अनुबंध पर हस्ताक्षर करने चाहिए जो गारंटी दे कि यदि सिस्टम पैसा बचाता है, तो डॉक्टरों को उसका एक हिस्सा जरूर मिलेगा। बिना विश्वास के, कोई बदलाव नहीं।
2. संस्कृति को तैयार करें: तकनीक लाने से पहले, टीमों को तैयार करें। सुनिश्चित करें कि "समूह मानदंड" (group norm) बदलाव का समर्थन करता हो ताकि शुरुआती अपनाने वालों को यथास्थिति (status quo) द्वारा दबाया न जाए।
3. पूरी टीम को बीज की तरह बोएं, व्यक्ति को नहीं: पूरे अस्पताल में बदलाव को बहुत पतला न फैलाएं। एक विशिष्ट टीम (एक "बीज") चुनें और सुनिश्चित करें कि उस टीम के सभी लोग एक ही समय में "सच्चा अंगीकरण" करें। यह उन्हें स्थानीय स्तर पर टिपिंग पॉइंट पार करने में मदद करता है, जिससे एक छोटी आग पैदा होती है जो अंततः फैल सकती है।
4. "एम्बेडिंग" चरण का समर्थन करें: जब टीम आखिरकार दहलीज पार कर लेती है, तो उस क्षण में सभी संसाधन झोंक दें ताकि काम करने का नया तरीका टिक सके।

निष्कर्ष

शोध पत्र का निष्कर्ष है कि हम "सिस्टम-चेंज AI" के साथ एक साधारण सॉफ्टवेयर अपडेट जैसा व्यवहार नहीं कर सकते। यदि हम व्यक्तिगत प्रोत्साहन के साथ और बिना विश्वास के इसे डॉक्टरों पर थोपने की कोशिश करते हैं, तो हमें एक ऐसा अस्पताल मिलेगा जहाँ डॉक्टर नोट्स तेजी से टाइप करने के लिए टूल का उपयोग तो कर रहे होंगे, लेकिन अस्पताल पहले की तरह ही धीमा और महंगा बना रहेगा। हम "बदलाव जैसा दिखने, लेकिन वास्तव में न बदलने" के जाल में फंसे रहेंगे।