Algorithmic isomorphism and the barrier cascade: Evaluating human and organizational obstacles to artificial- intelligence adoption in workforce systems

आधुनिक कार्यस्थल में, आर्टिफिशियल इंटेलिजेंस (AI) का आगमन अक्सर एक साधारण अपग्रेड की तरह माना जाता है, जैसे पुराने कंप्यूटर को एक तेज़ कंप्यूटर से बदलना। फिर भी, कई संगठनों के लिए, यह परिवर्तन एक सुचारू अपग्रेड के बजाय एक लड़खड़ाहट जैसा महसूस होता है। मुख्य समस्या यह नहीं है कि तकनीक काम करने में विफल रहती है, बल्कि यह है कि इसके आसपास के मानवीय और संगठनात्मक तंत्रों को इसका उपयोग करना नहीं आता। यह तनाव प्रबंधन विज्ञान और मनोविज्ञान के मिलन बिंदु पर स्थित है, जो उन क्षेत्रों का अध्ययन करते हैं कि लोग मिलकर कैसे काम करते हैं और नेता उनका मार्गदर्शन कैसे करते हैं। जब कोई कंपनी नए AI उपकरणों को अपनाने की कोशिश करती है, तो उसे बाधाओं के एक जटिल जाल का सामना करना पड़ता है: कर्मचारी नए सिस्टमों को लेकर तनाव या अविश्वास महसूस कर सकते हैं, प्रबंधकों के पास डेटा की व्याख्या करने के कौशल की कमी हो सकती है, और कंपनी की संस्कृति बदलाव का विरोध कर सकती है। वर्षों से, शोधकर्ता इन समस्याओं को एक-एक करके सूचीबद्ध करते रहे हैं, और इन्हें अलग-अलग ठीक किए जाने वाले व्यक्तिगत मुद्दों के रूप में देखते रहे हैं। लेकिन एक नया अध्ययन बताता है कि ये बाधाएं अलग-थलग नहीं हैं; वे गहराई से जुड़ी हुई हैं, जिससे एक ऐसी श्रृंखला अभिक्रिया (chain reaction) बनती है जहाँ कुछ समस्याएं वास्तव में दूसरों का कारण बनती हैं।

इस्तांबुल मेडिपोल यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस छिपे हुए ढांचे को समझने का प्रयास किया। उन्होंने डिजिटल और आर्टिफिशियल इंटेलिजेंस उपकरणों को अपनाने के संबंध में पिछले पच्चीस वर्षों के ओपन-एक्सेस शोध का अवलोकन करना शुरू किया। उन्होंने 2000 से 2025 के बीच प्रकाशित 336 वैज्ञानिक लेख एकत्र किए, जो एक ऐसा कालखंड है जिसमें इंटरनेट परिपक्व हुआ, बिग डेटा का उदय हुआ और हाल ही में जनरेटिव AI का विस्फोट हुआ। इन शोध पत्रों के कीवर्ड और विषयों का विश्लेषण करके, उन्होंने पांच चिरस्थायी बाधाओं की पहचान की जो इन सभी तकनीकी युगों में बनी रही हैं। ये बाधाएं हैं: उपलब्ध प्रतिभा और तकनीक के बीच तालमेल की कमी; एक संरचनात्मक और सांस्कृतिक जड़ता जो संगठनों को पुराने तरीकों में फंसाए रखती है; कर्मचारियों का मनोवैज्ञानिक और नैतिक प्रतिरोध; विश्लेणात्मक निर्णय लेने में कमी; और रणनीतिक नेतृत्व एवं दृष्टि (vision) का अभाव।

इन पांच बाधाओं को असंबंधित शिकायतों की एक सपाट सूची के रूप में देखने के बजाय, शोधकर्ता यह समझना चाहते थे कि वे एक-दूसरे को कैसे प्रभावित करती हैं। इसके लिए, उन्होंने पांच विशेषज्ञों का एक पैनल तैयार किया, जिनमें से प्रत्येक के पास कंप्यूटर इंजीनियरिंग से लेकर स्वास्थ्य प्रबंधन और अर्थशास्त्र जैसे क्षेत्रों में डॉक्टरेट की उपाधि और कम से कम पंद्रह वर्षों का अनुभव था। इन विशेषज्ञों से यह आंकलन करने के लिए कहा गया कि प्रत्येक बाधा दूसरों को कितना प्रभावित करती है। उदाहरण के लिए, उन्होंने विचार किया कि क्या नेतृत्व की दृष्टि की कमी कौशल के बेमेल होने का कारण बनती है, या क्या कर्मचारी तनाव के कारण विश्लेषणात्मक उपकरणों की कमी होती है। इन विशेषज्ञ निर्णयों को कारण और प्रभाव के एक स्पष्ट मानचित्र में बदलने के लिए डिज़ाइन की गई एक पद्धति का उपयोग करते हुए, टीम ने गणना की कि कौन सी बाधाएं 'ड्राइवर' (प्रेरक) थीं और कौन से परिणाम थे।

निष्कर्षों ने समस्याओं के एक स्पष्ट पदानुक्रम, या एक 'कैस्केड' (झरने जैसी गिरावट) का खुलासा किया। इस श्रृंखला के बिल्कुल शीर्ष पर नेतृत्व और दृष्टि का अभाव है। विशेषज्ञों ने इसे प्राथमिक चालक (primary driver) माना, जो मूल कारण है जो पूरे सिस्टम को गति देता है। जब नेता एक स्पष्ट दृष्टि या आवश्यक रणनीतिक दिशा प्रदान करने में विफल रहते हैं, तो वे अनजाने में एक ऐसे अपनाने की प्रक्रिया को अधिकृत कर देते हैं जो कागजों पर तो अच्छी दिखती है लेकिन उसमें सार की कमी होती है। दूसरा प्रमुख चालक संरचनात्मक और सांस्कृतिक जड़ता है। यह संगठन की मौजूदा आदतों और भौतिक संरचनाओं में निहित प्रतिरोध है, जो उस अंतर को बनाए रखता है जो कंपनी द्वारा किए जा रहे दावों और उसकी वास्तविक क्षमता के बीच होता है।

अन्य तीन बाधाओं को इन दो मूल कारणों के परिणाम, या लक्षण पाया गया। तकनीक और प्रतिभा के बीच का बेमेल होना, विश्लेषणात्मक निर्णय लेने की कमी, और कर्मचारियों द्वारा महसूस किया जाने वाला मनोवैज्ञानिक तनाव या नैतिक अविश्वास स्वतंत्र समस्याएं नहीं हैं। इसके बजाय, वे एक ऐसे तंत्र के अनुमानित परिणाम हैं जहाँ नेतृत्व परिवर्तन का मार्गदर्शन करने में विफल रहा है और जहाँ संगठन की संरचना अनुकूलित नहीं हुई है। अध्ययन में पाया गया कि मनोवैज्ञानिक और नैतिक बाधाएं, जैसे कि कर्मचारियों का डर या एल्गोरिदम आधारित प्रबंधन के प्रति अविश्वास, सबसे गंभीर लक्षण हैं, जो श्रृंखला के बिल्कुल अंत में स्थित हैं। तकनीक-प्रतिभा का बेमेल होना मध्य में स्थित है, जो कारणों और प्रभावों के बीच एक संक्रमणकालीन बिंदु के रूप में कार्य करता है।

यह खोज AI अपनाने के तरीके को सुधारने के सामान्य ढंग को चुनौती देती है। आमतौर पर, जब कोई कंपनी नए उपकरणों के प्रति प्रतिरोध देखते हुए या डेटा के साथ संघर्ष करते हुए देखती है, तो वह अधिक प्रशिक्षण देने, बेहतर सॉफ्टवेयर खरीदने या तनाव कम करने का प्रयास करके प्रतिक्रिया देती है। शोधकर्ताओं का तर्क है कि ये प्रयास अक्सर व्यर्थ होते हैं क्योंकि वे बीमारी के बजाय लक्षणों का इलाज करते हैं। यदि नेतृत्व की दृष्टि गायब है और संगठनात्मक संरचना कठोर है, तो कौशल या उपकरणों को ठीक करना केवल एक अस्थायी सुधार प्रदान करेगा। अंतर्निहित कारण अंततः उन्हीं समस्याओं को फिर से उत्पन्न करेंगे। अध्ययन सुझाव देता है कि आगे बढ़ने का सबसे प्रभावी मार्ग पहले 'जेनरेटिव' (उत्पादक) और 'स्ट्रक्चरल' (संरचनात्मक) स्तरों को संबोधित करना है: नेताओं को एक स्पष्ट दृष्टि को परिभाषित करना चाहिए, और संगठन को उस दृष्टि का समर्थन करने के लिए अपनी जड़ता को तोड़ना चाहिए। तभी कौशल अंतराल, विश्लेषणात्मक विफलताएं और कर्मचारियों का प्रतिरोध जैसे निचले स्तर के मुद्दे स्वतः ही हल होने लगेंगे।

शोधकर्ताओं ने एक घटना का भी अन्वेषण किया जिसे वे "एल्गोरिद्मिक आइसोमोर्फिज्म" (algorithmic isomorphism) कहते हैं। यह एक ऐसी स्थिति का वर्णन करता है जहाँ संगठन यह दिखाने के लिए तीव्र दबाव महसूस करते हैं कि वे आर्टिफिशियल इंटेलिजेंस का उपयोग कर रहे हैं, इसलिए नहीं कि उन्होंने इसमें महारत हासिल कर ली है, बल्कि इसलिए क्योंकि यह एक अपेक्षित मानक है। चूंकि AI उपकरणों को प्रदर्शित करना आसान है—डैशबोर्ड, बैज या लाइसेंस संख्या के माध्यम से—लेकिन उनका वास्तविक उपयोग करने की क्षमता को सत्यापित करना कठिन है, इसलिए कंपनियां आसानी से अपनी सार्वजनिक छवि और अपनी वास्तविक क्षमता के बीच एक अंतर पैदा कर सकती हैं। यह उन्हें "क्षमता के बिना अपनाने" (adoption without capability) की स्थिति को बनाए रखने की अनुमति देता है, जहाँ वे ऐसा दिखाते हैं जैसे कि वे परिवर्तन कर रहे हैं जबकि उनका कार्यबल अपदस्थ रहता है। अध्ययन का सुझाव है कि पिछले प्रबंधन रुझानों की तुलना में AI युग में यह अंतर अधिक व्यापक और निरंतर है क्योंकि संकेतों को नकली बनाना सस्ता है और वास्तविक कौशल का ऑडिट करना कठिन है।

अंततः, यह कार्य काम के भविष्य के लिए एक गंभीर लेकिन स्पष्ट रोडमैप प्रदान करता है। यह इंगित करता है कि सबसे मुखर और दृश्यमान बाधाएं, जैसे कि कर्मचारी तनाव या डेटा कौशल की कमी, वास्तव में हस्तक्षेप प्रयासों के लिए सबसे कम कुशल स्थान हैं। वास्तविक उत्तोलन (leverage) ऊपर की ओर है, उन लोगों के साथ जो प्रभारी हैं और उन संरचनाओं के साथ जिन्हें वे बनाए रखते हैं। हस्तक्षेप के लिए लक्षणों को ठीक करने के बजाय, नेतृत्व और संगठनात्मक संस्कृति को बदलने पर ध्यान केंद्रित करके, कंपनियां तकनीक का निष्क्रिय उपभोग करने की अवस्था से अपनी प्रतिभा को इंजीनियर करने की सक्रिय अवस्था की ओर बढ़ सकती हैं। यह दृष्टिकोण किसी जादुई समाधान का वादा नहीं करता है, लेकिन यह समझने का एक तरीका प्रदान करता है कि इतने सारे परिवर्तन क्यों विफल होते हैं और एक ऐसा सिस्टम कैसे बनाया जाए जहाँ तकनीक और लोग वास्तव में मिलकर काम कर सकें।