इंजीनियरों ने एआई-सक्षम उत्पादों की शिपिंग में वृद्धि की सूचना दी (पिछले वर्ष 56% बनाम 42%), साल-दर-साल वृद्धि जो संकेत देती है कि बाजार पायलट से डिफ़ॉल्ट समावेशन की ओर बढ़ रहा है।
लेकिन सर्वेक्षण की शीर्ष चुनौतियों से पता चलता है कि रोलआउट तत्परता से आगे निकल सकता है, खासकर जब एआई सिस्टम उत्पादन वातावरण में चले जाते हैं जहां टीमों को प्रदर्शन की निगरानी करनी होती है, बहाव का प्रबंधन करना होता है और समय के साथ मॉडल बनाए रखना होता है।
उपभोक्ता क्षेत्र में, एआई को अपनाना कोई अखंड बात नहीं है। मेनलो वेंचर्स ने 5,031 अमेरिकी वयस्कों के एक सर्वेक्षण में पाया पिछले 6 महीनों में 61% ने एआई का उपयोग किया, केवल 3% ने प्रीमियम सेवाओं के लिए भुगतान किया.
इस बीच, कैपजेमिनी (12,000 उपभोक्ता) ने जनवरी 2025 में पाया कि 71% लोग जेनएआई को खरीदारी में एकीकृत करना चाहते हैं और 58% ने उत्पाद/सेवा अनुशंसाओं के लिए पारंपरिक खोज को जेनएआई से बदल दिया है।
एवनेट के सर्वेक्षण में, 46% इंजीनियरों ने डेटा गुणवत्ता को शीर्ष डिज़ाइन-स्तर की चुनौती के रूप में उद्धृत किया – एआई परिनियोजन के लिए उच्चतम रैंक वाली बाधा। यह खोज एक पुराने सिद्धांत को पुष्ट करती है: कचरा अंदर, कचरा बाहर। और एवनेट का नंबर रूढ़िवादी पक्ष में आ सकता है।
केपीएमजी की Q3 2025 एंटरप्राइज़ सर्वेक्षण में पाया गया कि डेटा गुणवत्ता संबंधी चिंताएँ एक ही तिमाही में 56% से बढ़कर 82% हो गईं क्योंकि कंपनियों ने एआई पहल को बढ़ाने का प्रयास किया।
. Qlik ने बताया कि 81% AI पेशेवर अभी भी महत्वपूर्ण डेटा गुणवत्ता समस्याओं का सामना कर रहे हैं85% ने कहा कि नेतृत्व समस्या का समाधान नहीं कर रहा है।
निरंतर सीखना और रखरखाव शीर्ष परिचालन चुनौती (54%) है, जो लागत से अधिक है। यह वह जगह है जहां एआई रोडमैप फिसल सकते हैं: बहाव की निगरानी करना, पुनः प्रशिक्षण शुरू करना, प्रतिगमन को पकड़ना और शासन आवश्यकताओं को नेविगेट करना।
2023 से 2024 की अवधि में पुरस्कृत प्रोटोटाइप; 2025 से 2026 लॉन्च के बाद सिस्टम को स्थिर रखने के बारे में है।
सबसे आम एम्बेडेड परिनियोजन प्रक्रिया स्वचालन (42%), पूर्वानुमानित रखरखाव (28%), और गलती या विसंगति का पता लगाना (28%) हैं। ये ऐसे उपयोग के मामले हैं जहां मूल्य को मापा जा सकता है और विफलता मोड को शामिल किया जा सकता है, जैसे फ़ैक्टरी फ़्लोर, सेंसर नेटवर्क और गुणवत्ता नियंत्रण प्रणाली।
पैटर्न व्यापक उद्योग डेटा के साथ संरेखित होता है। के अनुसार, 2024 में, पूर्वानुमानित रखरखाव विनिर्माण क्षेत्र में अग्रणी एआई अनुप्रयोग के रूप में उभरा बाजार अनुसंधान.
गोद लेने का ध्यान ऑटोमोटिव, भारी मशीनरी और सेमीकंडक्टर उत्पादन में केंद्रित है, ऐसे क्षेत्र जहां अनियोजित डाउनटाइम में महत्वपूर्ण लागत आती है।
किसी उत्पाद में एक से अधिक प्रकार के एआई का उपयोग करने के रूप में एवनेट मल्टी-मोडल फ्रेम करता है, या एआई जो एक से अधिक अनुमान प्रकार को संभाल सकता है, जैसे कि टेक्स्ट प्लस इमेज प्लस सेंसर फ़्यूज़न। व्यावहारिक निहितार्थ सिस्टम डिज़ाइन है: दृष्टि, भाषण, समय-श्रृंखला मॉडल और एलएलएम-आधारित इंटरफेस को एक ही उत्पाद में एकीकृत करना।
. आईडीसी का अनुमान है कि 2028 तकउत्पादन-ग्रेड उपयोग के मामलों के लिए उपयोग किए जाने वाले 80% फाउंडेशन मॉडल में मल्टीमॉडल क्षमताएं शामिल होंगी। वैश्विक मल्टीमॉडल एआई बाजार, जिसका मूल्य 2023 में 1.34 बिलियन डॉलर था, 2030 तक 35.8% सीएजीआर से बढ़ने का अनुमान है।
एवनेट के अध्ययन में, इंजीनियरों ने मुख्यधारा के टूल (चैटजीपीटी 69%, जेमिनी 57%, कोपायलट 50%) का उपयोग करने की सूचना दी। मिथुन संख्या एक बदलाव का प्रतीक है। Google ने 2023 का अधिकांश समय और 2024 की शुरुआत में LLM दौड़ में देर से आने वाले व्यक्ति के रूप में बिताया, जिसमें बार्ड को व्यापक रूप से ChatGPT से पीछे देखा गया। यह 2025 में बदल गया: जेमिनी 2.5 प्रो ने दिखाया कि कंपनी प्रतिस्पर्धा कर सकती है, और जेमिनी 3.0 अब कई सार्वजनिक लीडरबोर्ड में शीर्ष पर या उसके करीब है। Google ने जेमिनी को एंड्रॉइड, क्रोम और वर्कस्पेस में भी एम्बेड किया है, जो उपयोगकर्ताओं द्वारा पहले से उपयोग किए जाने वाले उत्पादों के माध्यम से पहुंच रहा है।
उस वितरण लाभ ने नियामक का ध्यान आकर्षित किया है: हाल ही में एक संघीय न्यायाधीश Google को भागीदारों को जेमिनी को बंडल करने के लिए बाध्य करने से रोक दिया अन्य सेवाओं और EU के साथ एक जांच खोली इस बात पर विचार करें कि क्या Google ने AI प्रशिक्षण के लिए स्वयं को सामग्री तक अधिमान्य पहुंच प्रदान की है।
लगभग आधे इंजीनियर (47%) अपने संगठन के बाहर के इंजीनियरों द्वारा प्रशिक्षित एलएलएम को प्राथमिकता देंगे: मजबूत मूल्यांकन, उद्गम और दस्तावेज़ीकरण के साथ विक्रेता-निर्मित, इंजीनियरिंग-विशिष्ट मॉडल।
केवल 16% का कहना है कि वे तकनीकी प्रश्नों के लिए सार्वजनिक रूप से उपलब्ध एलएलएम को प्राथमिकता देंगे। यह अंतर उन उपकरणों के लिए एक बाजार का सुझाव देता है जो वास्तविक बाधाओं को ध्यान में रखते हैं: विशिष्ट स्टैक, ज्ञात विफलता मोड और अनुपालन आवश्यकताएं।
स्टैक ओवरफ़्लो के ट्रस्ट डेटा के साथ एवनेट के अपनाने के पैटर्न को जोड़ें और एक सुसंगत ऑपरेटिंग मॉडल उभर कर आता है: एआई ड्राफ्ट को तेज करता है, लेकिन मनुष्य अभी भी मान्य करते हैं।
केवल 29% डेवलपर्स एआई आउटपुट सटीकता पर भरोसा करते हैं, और 66% इसका हवाला देते हैं।लगभग सही लेकिन बिल्कुल नहीं“उनकी शीर्ष हताशा के रूप में। अड़चन अक्सर सत्यापन की होती है, पीढ़ी की नहीं।
लाभ उन टीमों की ओर स्थानांतरित हो जाता है जो बेहतर परीक्षण कवरेज, स्वचालित मूल्यांकन पाइपलाइनों, संरचित समीक्षाओं और चरणबद्ध रोलआउट के माध्यम से तेजी से सत्यापन कर सकती हैं। जैसे-जैसे मॉडल आउटपुट टेबल स्टेक बन जाते हैं, विभेदक यह बन जाता है कि कोई टीम कितनी जल्दी और सख्ती से पुष्टि कर सकती है कि आउटपुट सही है।
जब डेटा गुणवत्ता (46%) और रखरखाव (54%) चुनौती सूची पर हावी हो जाते हैं, तो गैर-ग्लैमरस परतों में भेदभाव बढ़ जाता है: डेटा पाइपलाइन, मूल्यांकन ढांचे, निगरानी, प्रशासन और तैनाती पैटर्न जो परिचालन ड्रैग को कम करते हैं। फ्रंटियर मॉडल रेस अभी भी सुर्खियाँ बटोरती है, लेकिन अधिकांश इंजीनियरिंग टीमें प्रतिकूल परिस्थितियों के बिना एआई परियोजनाओं को आगे नहीं बढ़ा रही हैं।
एवनेट सर्वेक्षण का निष्कर्ष है कि बड़े पैमाने पर एआई को तैनात करने में उच्च गुणवत्ता वाला डेटा संग्रह सबसे बड़ी बाधाओं में से एक बना हुआ है।
