Project Management Pitfalls and the Ambivalent Role of Artificial Intelligence: A Scoping Review of Bad Practices
यह स्कोपिंग समीक्षा परियोजना प्रबंधन की बुरी प्रथाओं की ज्ञात सूची को चार प्रमुख समूहों में बीस व्यवस्थित विफलताओं तक विस्तारित करती है और तर्क देती है कि जबकि आर्टिफिशियल इंटेलिजेंस सुधार की क्षमता प्रदान करता है, इसका बिना सोचे-समझे अपनाना मौजूदा समस्याओं को बढ़ाने का जोखिम पैदा करता है, जिससे इसे सुदृढ़ मानवीय निर्णय और शासन के विकल्प के बजाय एक पूरक के रूप में एकीकृत करने की आवश्यकता होती है।
मूल पेपर CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
द दशकों से, निर्माण कार्य की दुनिया उन नियमों के एक समूह पर निर्भर रही है जो जटिल प्रयासों को बिखरने से बचाने के लिए बनाए गए थे। चाहे वह एक पुल का निर्माण हो, किसी उपग्रह का प्रक्षेपण हो, या नए सॉफ़्टवेयर को लागू करना हो, टीमें 'प्रोजेक्ट मैनेजमेंट' (परियोजना प्रबंधन) नामक एक अनुशासन का पालन करती हैं। यह क्षेत्र इस विचार पर आधारित है कि यदि आप सावधानीपूर्वक योजना बनाते हैं, सही लोगों को नियुक्त करते हैं, और बजट पर नज़र रखते हैं, तो आप सफल होंगे। फिर भी, परिष्कृत सॉफ़्टवेयर के आविष्कार और लाखों पेशेवरों के प्रशिक्षण के बावजूद, परियोजनाएं अभी भी आश्चर्यजनक रूप से उच्च दर से विफल होती हैं। वे धन की कमी का शिकार हो जाती हैं, अपनी समय सीमा चूक जाती हैं, या ऐसा उत्पाद पेश करती हैं जिसे कोई चाहता ही नहीं था। इन विफलताओं के कारण शायद उपकरणों की कमी या ज्ञान की कमी नहीं होते; बल्कि, वे अक्सर गहरे बैठे मानवीय व्यवहारों से उत्पन्न होते हैं। हम इस बात को लेकर अत्यधिक आशावादी होते हैं कि चीजों में कितना समय लगेगा, हम नई मांगों को "ना" कहने में संघर्ष करते हैं, और हम एक साथ बहुत सारी चीजें करने की कोशिश करते हैं। ये पैटर्न इतने आम हैं कि इनका वर्षों तक अध्ययन किया गया है, जिससे गलतियों का एक ऐसा संग्रह बना है जिससे बचना असंभव सा लगता है।
अब, एक नया प्रश्न चर्चा में आया है। जैसे-जैसे आर्टिफिशियल इंटेलिजेंस (AI)—ऐसे कंप्यूटर सिस्टम जो डेटा से सीख सकते हैं और भविष्यवाणियां कर सकते हैं—अधिक शक्तिशाली होता जा रहा है, कई लोगों को उम्मीद है कि यह अंततः इन पुरानी समस्याओं को ठीक कर देगा। विचार यह है कि एक मशीन, जो मानवीय आशावाद या थकान से मुक्त है, सटीक समयरेखा की गणना कर सकती है, छिपे हुए जोखिमों को पहचान सकती है, और बिना किसी त्रुटि के संसाधनों का प्रबंधन कर सकती है। लेकिन हाल ही में नवीनतम शोध की एक समीक्षा से पता चला है कि उत्तर इतना सरल नहीं है। यह तकनीक वास्तविक क्षमता रखती है, लेकिन इसमें यह जोखिम भी है कि यदि हम सावधान नहीं रहे, तो यह हमारी पुरानी गलतियों को और भी बदतर बना सकती है।
होल्गुइन के टेक्नोलॉजिकल पार्क और यूनिवर्सिटी ऑफ होल्गुइन, क्यूबा के शोधकर्ताओं की एक टीम ने इसी तनाव की जांच करने के लिए एक अध्ययन किया। उन्होंने 2021 और 2026 के बीच प्रकाशित वैज्ञानिक साहित्य की एक 'स्कोपिंग समीक्षा' (scoping review) की, जिसमें पांच विशिष्ट डेटाबेस: स्कॉपस (Scopus), वेब ऑफ साइंस (Web of Science), DOAJ, ओपनएलेक्स (OpenAlex) और गूगल स्कॉलर (Google Scholar) शामिल थे। उन्होंने इस बात की खोज की कि परियोजनाएं क्यों विफल होती हैं और आर्टिफिशियल इंटेलिजेंस का उपयोग उन्हें ठीक करने के लिए कैसे किया जा रहा है। उन्होंने उन उद्योग विशेषज्ञों की रिपोर्टों की भी जांच की जो प्रतिदिन इन विफलताओं का सामना करते हैं। उनका लक्ष्य किसी एक सिद्धांत का परीक्षण करना नहीं था, बल्कि बीस विशिष्ट खराब प्रथाओं (bad practices) के परिदृश्य को मानचित्रित करना था जो इस क्षेत्र को प्रभावित करती रहती हैं। उन्होंने इन गलतियों को चार मुख्य समूहों में व्यवस्थित किया: योजना बनाने और समय का अनुमान लगाने में विफलताएं; लोगों और कार्य के दायरे (scope) के प्रबंधन में विफलताएं; टीमों के संचार और निर्णय लेने के तरीके में विफलताएं; और वास्तव में काम को पूरा करने में विफलताएं।
शोधकर्ताओं ने पाया कि ये बीस खराब प्रथाएं नई नहीं हैं। ये वही पैटर्न हैं जिनका वर्णन पुराने अध्ययनों में किया गया है, जो यह सिद्ध करते हैं कि हम क्या करना जानते हैं और हम वास्तव में क्या करते हैं, इसके बीच का अंतर अभी भी बना हुआ है। सबसे निरंतर होने वाली त्रुटियों में से एक "प्लानिंग फैलेसी" (planning fallacy) है, एक ऐसी आदत जहाँ लोग खुद को विश्वास दिलाते हैं कि उनकी परियोजना दूसरों की तुलना में अलग और बेहतर होगी, और ऐतिहासिक डेटा को अनदेखा कर देते हैं जो इसके विपरीत संकेत देता है। एक अन्य सामान्य मुद्दा बदलती आवश्यकताओं को "ना" कहने में असमर्थता है, जिससे "स्कोप क्रीप" (scope creep) होता है, जहाँ एक परियोजना धीरे-धीरे अपनी मूल सीमाओं से परे बढ़ जाती है जब तक कि वह अपने ही भार के नीचे ढह न जाए। समीक्षा ने मल्टीटास्किंग के विनाशकारी स्वभाव पर भी प्रकाश डाला, जहाँ टीम के सदस्यों को बहुत सारी दिशाओं में खींचा जाता है, जिससे वे थक जाते हैं और काम की गति धीमी हो जाती है।
जब शोधकर्ताओं ने देखा कि आर्टिफिशियल इंटेलिजेंस इन समस्याओं के साथ कैसे परस्पर क्रिया करता है, तो उन्होंने पाया कि यह एक दोधारी तलवार है। सकारात्मक पक्ष पर, तकनीक विशिष्ट कार्यों को बेहतर बनाने की वास्तविक क्षमता दिखाती है। उदाहरण के लिए, उन्नत कंप्यूटर मॉडल ऐतिहासिक डेटा के विशाल मात्रा का विश्लेषण करके यह अधिक सटीक अनुमान लगा सकते हैं कि किसी परियोजना में कितना समय लगेगा, जो अक्सर पारंपरिक तरीकों से बेहतर प्रदर्शन करते हैं। ये उपकरण संसाधनों को ट्रैक भी कर सकते हैं ताकि यह सुनिश्चित हो सके कि कोई भी अत्यधिक काम न करे, और यह भी स्वतः संकेत दे सकते हैं कि कब कोई परियोजना अपने मार्ग से भटक रही है। कुछ मामलों में, इन प्रणालियों को भविष्यवाणी में त्रुटियों को काफी हद तक कम करते हुए दिखाया गया है, जो सटीकता का एक ऐसा स्तर प्रदान करता है जिसे मानव योजनाकार मैच करने में संघर्ष करते हैं।
हालाँकि, समीक्षा चेतावनी देती है कि केवल कंप्यूटर चालू करने से अंतर्निहित मानवीय समस्याओं का समाधान नहीं होता है। यदि आर्टिफिशियल इंटेलिजेंस सिस्टम में डाला गया डेटा दोषपूर्ण, पक्षपाती या अधूरा है, तो मशीन उन्हीं त्रुटियों को दोहराएगी, शायद एक इंसान की तुलना में अधिक आत्मविश्वास के साथ। शोधकर्ताओं ने नोट किया कि यदि किसी कंपनी का इतिहास लागतों को कम आंकने का रहा है, तो उस कंपनी के पिछले डेटा पर प्रशिक्षित आर्टिफिशियल इंटेलिजेंस भी लागतों को कम आंकना सीख जाएगा। इसके अलावा, यह जोखिम भी है कि टीमें इन उपकरणों पर बहुत अधिक निर्भर हो सकती हैं, बिना सवाल किए मशीन के आउटपुट पर भरोसा कर सकती हैं। इससे ऐसी स्थिति पैदा हो सकती है जहाँ कंप्यूटर द्वारा समर्थित होने के कारण गलत निर्णय अधिक तेजी से और अधिक अधिकार के साथ लिए जाते हैं। समीक्षा ने यह भी बताया कि कई आर्टिफिशियल इंटेलिजेंस परियोजनाएं स्वयं तैनाती (deployment) तक पहुँचने में विफल रहती हैं क्योंकि वे बहुत जटिल होती हैं, गलत समस्या का समाधान करती हैं, या इस बात के स्पष्ट स्पष्टीकरण की कमी होती है कि वे अपने निष्कर्षों तक कैसे पहुँचीं।
अध्ययन का मुख्य निष्कर्ष यह है कि ये विफलताएं मौलिक रूप से संगठनात्मक और व्यवहारिक हैं, न कि केवल तकनीकी। आशावाद, खराब संचार और प्राथमिकता तय करने में अक्षमता जैसी समस्याएं मानवीय मनोविज्ञान और कंपनी संस्कृति में निहित हैं। आर्टिफिशियल इंटेलिजेंस एक शक्तिशाली उपकरण है, लेकिन यह वह जादुई छड़ी नहीं है जो एक टूटी हुई संस्कृति को ठीक कर सके। शोधकर्ता तर्क देते हैं कि तकनीक का उपयोग मानवीय निर्णय के समर्थन के लिए किया जाना चाहिए, न कि उसके विकल्प के रूप में। यह डेटा विश्लेषण और पैटर्न पहचान के भारी काम को संभाल सकता है, जिससे लोगों को उन चीजों पर ध्यान केंद्रित करने के लिए मुक्त किया जा सके जो मशीनें नहीं कर सकतीं: जटिल राजनीतिक संबंधों को समझना, टीम के मनोबल को महसूस करना, और कठिन नैतिक विकल्पों को चुनना जो अक्सर उच्च दांव वाली स्थितियों में उत्पन्न होते हैं।
अंततः, आगे का रास्ता एक संतुलित दृष्टिकोण की मांग करता है। जो संगठन सफल होना चाहते हैं उन्हें अपने डेटा की गुणवत्ता में सुधार करने और अपने लोगों को इन नए उपकरणों का बुद्धिमानी से उपयोग करने के लिए प्रशिक्षित करने में निवेश करना चाहिए। उन्हें ऐसे शासन ढांचे (governance structures) बनाने चाहिए जो यह सुनिश्चित करें कि आर्टिफिशियल इंटेलिजेंस पारदर्शी है और अंतिम निर्णयों के लिए मनुष्य प्रक्रिया में शामिल रहे। समीक्षा निष्कर्ष निकालती है कि जबकि तकनीक हमें गड्ढों को अधिक स्पष्ट रूप से देखने में मदद कर सकती है, लेकिन उनसे बचना हम पर निर्भर है। सबसे प्रभावी परियोजनाएं वे होंगी जो आर्टिफिशियल इंटेलिजेंस की गति और सटीकता को अनुभवी मानव नेतृत्व के विवेक, सहानुभूति और आलोचनात्मक सोच के साथ जोड़ेंगी।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।