इक्यानवे प्रतिशत मिड-मार्केट कंपनियाँ कहती हैं कि उन्हें अपनी आंतरिक AI विशेषज्ञता पर भरोसा है। दस प्रतिशत ने वास्तव में अपनी सारी AI पहलों को पायलट चरण से आगे स्केल किया है (IT Brief UK, 2026)।
वही 500 उत्तरदाता। वही सर्वेक्षण। फील्ड में वही छह हफ़्ते।
इन दो आँकड़ों के बीच की दूरी ही वह जगह है जहाँ मिड-मार्केट के AI पायलट मरते हैं — और जिस वजह से अधिकांश मरते हैं, उस पर पैसा नहीं लग रहा। जब इन्हीं अधिकारियों से पूछा गया कि प्रोजेक्ट क्यों अटके, तो 48% ने AI विशेषज्ञता की कमी बताई। यानी वे ठीक उसी क्षमता को दोष दे रहे हैं जिसे उन्होंने अभी-अभी 91% आत्मविश्वास के साथ खुद को दिया था।
यह स्किल गैप नहीं है। यह निदान की गलती है, और यह महँगी पड़ती है।
Klarus सर्वेक्षण ने असल में क्या मापा
Klarus ने Vitreous World के साथ मिलकर मिड-मार्केट में AI पर अपना अध्ययन 8 जुलाई 2026 को प्रकाशित किया। नमूना: ब्रिटेन और आयरलैंड की उन कंपनियों के 500 वरिष्ठ निर्णयकर्ता जिनका राजस्व £200 मिलियन से £2 बिलियन के बीच और कर्मचारी संख्या 300 से 3,000 के बीच है — मालिक, C-सूट, वाइस प्रेसिडेंट, डायरेक्टर और विभागाध्यक्ष जिनके पास तकनीकी निर्णयों का अधिकार है (IT Brief UK, 2026)।
अपनाना समस्या नहीं है। 73% ने AI को आंशिक या पूर्ण रूप से तैनात कर दिया था। जिन्होंने इसे आज़माया, उनमें से केवल 10% ने अपनी सभी पहलों को पायलट से आगे स्केल किया — यानी 90% के पास काम या तो अटका है या शुरुआती चरणों में फँसा है (Klarus, 2026)।
यह वर्ग हाशिये का नहीं है। Klarus NatWest के आँकड़ों का हवाला देता है, जिनके अनुसार ब्रिटेन का मिड-मार्केट कुल कंपनियों का मात्र 0.5% होते हुए सकल मूल्य वर्धन का 30% देता है। इस श्रेणी में 90% ठहराव कोई तकनीकी-क्षेत्र की जिज्ञासा नहीं है। यह राष्ट्रीय उत्पादकता की एक मद है — और, अधिक तात्कालिक रूप से, आपका परिचालन बजट।
आत्मविश्वास–योग्यता का उलटाव
दोनों प्रमुख आँकड़ों को साथ पढ़िए, और एक विशिष्ट रोग-लक्षण उभरता है।
आंतरिक विशेषज्ञता में 91% भरोसा। पायलट की मौत की वजह के रूप में विशेषज्ञता की कमी बताने वाले 48%। अगले बारह महीनों की प्राथमिकता के रूप में "आंतरिक विशेषज्ञता निर्माण" गिनाने वाले 39%।
ये तीनों आँकड़े एक ही संगठन का सटीक वर्णन नहीं कर सकते। ये जिसका वर्णन करते हैं वह है ऐसी टीम जो अमूर्त में आश्वस्त है और ठोस में तात्कालिक जुगाड़ पर चल रही है — AI टूल इस्तेमाल करने में सक्षम, उन्हें उत्पादन में उतारने में अपरीक्षित। भरोसा असली है; वह बस गलत चीज़ माप रहा है। प्रॉम्प्ट लिखना जानना यह जानना नहीं है कि किसी मॉडल को जीवित परिचालन डेटा पर, ऑडिट ट्रेल, एक मालिक और रोलबैक योजना के साथ कैसे चलाया जाए।
नतीजा है गलत दिशा में गया बजट। जब नेतृत्व मानता है कि अड़चन विशेषज्ञता है, तो वह भर्ती करता है। प्रशिक्षण लाइसेंस खरीदता है, enablement सप्ताह चलाता है, एक AI इंजीनियर की वैकेंसी निकालता है। इस बीच असली रुकावट एक परत नीचे, बिना छुए, बनी रहती है — और अगला पायलट ठीक उसी वजह से मरता है जिससे पिछला मरा था।
वह अड़चन जिस पर कोई पैसा नहीं लगाता: मिड-मार्केट के AI पायलट डेटा पर क्यों अटकते हैं
जब इन्हीं अधिकारियों से उनके लोगों की जगह उनके डेटा के बारे में पूछा गया, तो उन्होंने यह बताया।
जिन कंपनियों ने AI का पायलट चलाया या उसे तैनात किया, उनमें से 83% ने डेटा की खराब गुणवत्ता की शिकायत की। 69% ने कहा कि यह AI के काम को सक्रिय रूप से रोक या टाल रहा है (IT Brief UK, 2026)।
और जब प्रोजेक्ट अपेक्षाओं पर खरे उतरे, तो उत्तरदाताओं ने वजह बताई: मज़बूत डेटा गुणवत्ता, जिसे 59% ने महत्वपूर्ण बताया — गवर्नेंस, सुरक्षा, निजता और नैतिकता (54%) से आगे।
सर्वेक्षण अपना ही सवाल खुद हल कर देता है। डेटा गुणवत्ता सफल कंपनियों में सबसे अधिक उद्धृत सफलता-कारक है और अटकी कंपनियों में लगभग सार्वभौमिक शिकायत। बस उसे दोष नहीं दिया जाता — क्योंकि अपने डेटा को दोष देना, श्रम बाज़ार को दोष देने से कम शोभनीय है।
दो स्वतंत्र संस्थाएँ, जिनका मिड-मार्केट परामर्श कार्य में कोई हित नहीं, उसी दिशा में इशारा करती हैं। Gartner का अनुमान है कि 2026 तक संगठन उन 60% AI परियोजनाओं को छोड़ देंगे जिन्हें "AI-रेडी" डेटा का सहारा नहीं है (Gartner, 2025)। RAND ने 65 अनुभवी डेटा साइंटिस्ट और इंजीनियरों के संरचित साक्षात्कारों के बाद अपर्याप्त डेटा को AI परियोजनाओं की विफलता के पाँच मूल कारणों में रखा — समस्या को गलत समझना, उपयोग-मामले के बजाय तकनीक के पीछे भागना, और मॉडल तैनात व रखरखाव करने के लिए अपर्याप्त बुनियादी ढाँचा, इनके साथ (RAND Corporation, 2024)।
तीन डेटा-सेट। एक ब्रिटिश मिड-मार्केट सर्वेक्षण से, एक विश्लेषक पूर्वानुमान से, एक अमेरिकी शोध संस्थान से जो व्यवसायियों का साक्षात्कार लेता है। इनमें से कोई भी प्रतिभा को प्राथमिक अड़चन नहीं बताता।
गवर्नेंस उसी समस्या का दूसरा लेबल है
इनमें से 59% कंपनियों के पास कोई व्यापक AI गवर्नेंस ढाँचा नहीं है। 48% ने ठहराव की वजह के रूप में गवर्नेंस, नैतिकता, सुरक्षा या निजता की चिंताएँ बताईं — उतना ही हिस्सा जितना विशेषज्ञता की कमी को दोष देता है (IT Brief UK, 2026)।
इन्हें दो निष्कर्ष नहीं, एक मानिए। गवर्नेंस ढाँचे के बिना किसी पायलट के पास उत्पादन तक पहुँचने का कोई निर्धारित रास्ता नहीं होता, क्योंकि किसी ने यह तय ही नहीं किया कि मॉडल के आउटपुट को कौन मंज़ूरी देगा, कोई आउटपुट गलत निकले तो क्या होगा, कौन-सा डेटा कंपनी से बाहर जा सकता है, और नब्बे दिन बाद इसका मालिक कौन होगा। इन उत्तरों के अभाव में सफल पायलट को पदोन्नत नहीं किया जा सकता। उसे केवल दोहराया जा सकता है।
90% के पीछे यही तंत्र है। अटके हुए अधिकांश AI कार्य तकनीकी रूप से विफल नहीं हो रहे। वे पायलट पास कर लेते हैं और फिर एक ऐसे द्वार पर पहुँचते हैं जिसे किसी ने बनाया ही नहीं — और वहीं प्रतीक्षा करते रहते हैं।
आने वाले वर्ष में केवल 35% अपने AI गार्डरेल मज़बूत करने की योजना बना रहे हैं। अधिकांश के लिए वह द्वार अनबना ही रहता है।
इसे आँख मूँदकर स्वीकार न करने के कारण
मैं स्रोत को लेकर स्पष्ट रहना चाहती हूँ, क्योंकि इसे कम आँकने की प्रवृत्ति आंशिक रूप से सही है।
Klarus एक तकनीकी सेवा कंपनी है जो ठीक इसी बाज़ार को बेचती है। यह निष्कर्ष देने वाला सर्वेक्षण कि मिड-मार्केट कंपनियों को बेहतर डेटा नींव और मज़बूत गवर्नेंस चाहिए, व्यावसायिक रूप से ठीक वही सर्वेक्षण है जिसे वह प्रकाशित करना चाहेगी। नमूना केवल ब्रिटेन और आयरलैंड का है, इसलिए विशिष्ट प्रतिशत बिना समायोजन के अमेरिकी या यूरोपीय परिचालन पर नहीं थोपे जाने चाहिए। और यहाँ हर आँकड़ा स्व-घोषित है: "83% खराब डेटा गुणवत्ता की शिकायत करते हैं" यह मापता है कि अधिकारी अपने डेटा के बारे में क्या मानते हैं, उसका ऑडिट नहीं।
दो बातें, हालाँकि, उलटी दिशा में काम करती हैं।
इस सर्वेक्षण में स्व-घोषणा का पूर्वाग्रह निष्कर्ष के विरुद्ध जाता है, पक्ष में नहीं। जो अधिकारी अपनी विशेषज्ञता को 91% पर आँकते हैं, वे अपनी कमज़ोरियों को बढ़ा-चढ़ाकर बताने वाली आबादी नहीं हैं। अगर कुछ है, तो 83% एक न्यूनतम सीमा है।
और पुष्टि स्वतंत्र है। AI-रेडी डेटा पर Gartner का पूर्वानुमान और RAND के व्यवसायी-साक्षात्कार वर्षों के अंतर पर, अलग महाद्वीपों में, Klarus से बिना किसी व्यावसायिक संबंध के तैयार हुए। जब एक विक्रेता-प्रायोजित सर्वेक्षण, एक विश्लेषक पूर्वानुमान और एक अकादमिक-शैली का अध्ययन एक ही बिंदु पर मिलते हैं, तो विक्रेता का हित नोट करने लायक है — और फिर किनारे रखने लायक।
इनमें से कोई भी आपको यह नहीं बताता कि आपके पायलट इसी वजह से अटक रहे हैं या नहीं। इसका उत्तर केवल आपका अपना डेटा देता है — और मेरे अनुभव में यह सवाल इस विशिष्ट रूप में लगभग कभी नहीं पूछा जाता।
300–3,000 लोगों की कंपनी में यह क्या बदलता है
यह वह "पायलट पर्गेटरी" वाली कहानी नहीं है जो आप पहले पढ़ चुके हैं
मिड-मार्केट को अब तक AI पायलट अटकने की तीन अलग वजहें बताई जा चुकी हैं: कि निर्णय-अधिकारों का कोई मालिक नहीं; कि परिपक्व कार्यक्रम अति-गवर्नेंस से अपने ही प्रयोग मार देते हैं; और अब यह कि डेटा परत कभी तैयार थी ही नहीं। ये प्रतिस्पर्धी व्याख्याएँ नहीं हैं। ये एक ही रास्ते पर तीन द्वार हैं, और पायलट को सभी पार करने होते हैं।
परिचालन रूप से जो अंतर मायने रखता है वह क्रम है। निर्णय-अधिकार और गवर्नेंस एक निर्णय से ठीक हो जाते हैं — अधिकार रखने वाला कोई व्यक्ति एक मालिक और एक अनुमोदन मार्ग तय कर देता है, और द्वार शुक्रवार तक बन जाता है। डेटा नींव ऐसे नहीं बनती। तीन सिस्टम के बीच इकाइयों का मिलान, उन फ़ील्ड्स को भरना जिन्हें किसी ने अनिवार्य नहीं बनाया, और उन तालिकाओं की वंशावली स्थापित करना जिन्हें मॉडल वास्तव में पढ़ेगा — यह एक तिमाही का बेरौनक काम है जिसके अंत में कोई डेमो नहीं होता।
और ठीक इसीलिए यह बजट की बहस बार-बार किसी प्रशिक्षण कार्यक्रम से हार जाता है।
साफ़-सुथरे डेटा का भ्रम
इस आकार पर आपके पास खाली क्षमता वाला डेटा इंजीनियरिंग विभाग नहीं होता। आपके पास दो-तीन लोग होते हैं जो जानते हैं कि हर सिस्टम में सच कहाँ रहता है — और वे पहले से पूरी तरह व्यस्त हैं।
यही असली स्केलिंग अड़चन है, और यह उस पैटर्न को समझाती है जिसे अधिकांश परिचालन प्रमुख पहचान लेंगे: पायलट साफ़ किए गए डेटा पर सफल होते हैं और उत्पादन डेटा पर विफल। पायलट किसी के हाथ से तैयार किए गए स्वच्छ एक्सट्रैक्ट पर चला था। उत्पादन रिकॉर्ड-सिस्टम पर चलता है — डुप्लिकेट ग्राहक आईडी, फ्री-टेक्स्ट स्टेटस फ़ील्ड और चार साल के माइग्रेट किए गए रिकॉर्ड जिन्हें किसी ने सत्यापित नहीं किया।
इन दो रन के बीच मॉडल में कुछ नहीं बदला। डेटा बदल गया।
एक और निष्कर्ष याद रखने लायक: 45% ने कहा कि AI जूनियर कर्मचारियों को अपना काम बेहतर या तेज़ करने में मदद कर रहा है, और 24% ने कहा कि यह नई भूमिकाएँ बना रहा है (Klarus, 2026)। मिड-मार्केट में AI का तात्कालिक कार्यबल-प्रभाव कार्य-सहायता और भूमिका-पुनर्निर्माण के रूप में दिख रहा है, कर्मचारी कटौती के रूप में नहीं। अगर आपका AI बिज़नेस केस श्रम-बचत पर टिका है जबकि आपके समकक्ष क्षमता-लाभ बता रहे हैं, तो आप उनसे अधिक कठोर नहीं हैं। आप वह प्रतिफल माप रहे हैं जो यह वर्ग अभी पैदा ही नहीं कर रहा।
अगला पायलट फंड करने से पहले तीन कदम
डेटा का ऑडिट करें, टीम का नहीं
अगली पहल को बजट मिलने से पहले, वे तीन डेटा-सेट लीजिए जिन्हें वह वास्तव में इस्तेमाल करेगी और चार चीज़ें जाँचिए: पूर्णता, डुप्लिकेट दर, स्वामित्व और वंशावली। पूरा डेटा वेयरहाउस नहीं — बस वे तीन तालिकाएँ। एक विश्लेषक को इसमें एक हफ़्ता लगेगा, और यह पायलट की संभावनाओं के बारे में उसे चलाने वालों के किसी भी क्षमता-आकलन से अधिक बताएगा।
पायलट चलाने से पहले पदोन्नति-द्वार बनाइए
पहले से लिख लीजिए कि उत्पादन तक पहुँचने के लिए पायलट को क्या सिद्ध करना होगा, कौन मंज़ूरी देगा, बाद में उसका मालिक कौन होगा, और आउटपुट गलत निकलने पर क्या होगा। इस बाज़ार के 59% के पास ऐसा कोई ढाँचा नहीं है। जिस पायलट का निकास तय नहीं, वह प्रयोग नहीं है; वह बजट-मद वाला डेमो है।
प्रशिक्षण का एक पाउंड डेटा के एक पाउंड में बदलिए
अगर आपकी 2026 AI योजना enablement और भर्ती को फंड करती है पर डेटा गुणवत्ता पर कुछ नहीं, तो आप 83% वाली व्याख्या के बजाय 48% वाली व्याख्या को फंड कर रहे हैं। प्रशिक्षण छोड़ने की ज़रूरत नहीं। ज़रूरत है खाते के दूसरी ओर एक मद की, जो एक तिमाही के वास्तविक सुधार-कार्य के आकार की हो।
इस तिमाही एक निर्णय
अपना सबसे हालिया AI पायलट लीजिए जो स्केल नहीं हुआ, और एक ही वाक्य में लिखिए कि वह क्यों रुका। फिर उस वाक्य को उस डेटा से मिलाइए जिस पर वह चल रहा था।
अगर ईमानदार उत्तर यह है कि मॉडल काम कर रहा था और पाइपलाइन नहीं, तो आपके पास AI विशेषज्ञता की कमी नहीं थी। आपके पास उसके नीचे बैठी उस उबाऊ, बजट-अयोग्य और पूरी तरह ठीक हो सकने वाली चीज़ की कमी थी — और मिड-मार्केट में जिन 90% ने कभी कोई AI पायलट स्केल नहीं किया, वे अधिकतर वही लोग हैं जो समस्या के गलत आधे हिस्से को फंड करते रहे।
91% भरोसा कुछ नहीं खरीदता। स्कोरबोर्ड पर एकमात्र आँकड़ा है: 10% स्केल हुआ।
