৬৬% প্রতিষ্ঠান agentic AI চালাচ্ছে—পুরো প্রস্তুত নয় ৯৭%

কানাডার ২০০টি মাঝারি ও বড় প্রতিষ্ঠানের জরিপে ৬৬% agentic AI পাইলট চালানোর কথা বলেছে, অথচ ৯৭% deployment ও governance-এর জন্য নিজেদের পুরো প্রস্তুত মনে করে না। Oxford Economics পরিচালিত জরিপটির কানাডীয় ফল SAP Canada ১০ সেপ্টেম্বর ২০২৬-এ প্রকাশ করেছে; SAP Canada-এর প্রকাশনায় একই সঙ্গে স্পষ্ট করা হয়েছে যে বিনিয়োগ-ফেরতের অঙ্কগুলো উত্তরদাতাদের প্রত্যাশা, নিরীক্ষিত ফল নয়।

এই ১০ সেপ্টেম্বরের ফলটি কানাডার নির্দিষ্ট নমুনার চিত্র—বাংলাদেশ বা ভারতের প্রতিষ্ঠানের প্রস্তুতির হার নয়। তবে পাইলট চালু থাকা যে production readiness-এর প্রমাণ নয়, সেটি যাচাই করতে ফলটি কার্যকর তুলনামূলক সংকেত: data, permission, process ownership, auditability, fallback ও incident response-এর প্রমাণ ছাড়া স্বয়ংক্রিয় agent-কে ব্যবসায়িক ব্যবস্থা বদলানোর ক্ষমতা দেওয়া ঝুঁকিপূর্ণ।

৬৬% ও ৯৭% একই অবস্থা বোঝায় না

শিরোনামের প্রথম সংখ্যাটি পরীক্ষামূলক গ্রহণের হার, পূর্ণমাত্রার production deployment নয়। দ্বিতীয় সংখ্যাটি deployment এবং governance—দুই ক্ষেত্রেই সম্পূর্ণ প্রস্তুত না থাকার স্বীকারোক্তি। ফলে একটি প্রতিষ্ঠান pilot চালাতে পারে, আবার একই সময়ে data, control বা operating process-এর ঘাটতির কারণে production-এর জন্য অপ্রস্তুতও থাকতে পারে।

জরিপটি সব আকারের কানাডীয় ব্যবসা বা সব কর্মীর অভিজ্ঞতার প্রতিনিধিত্ব করে না: নমুনায় ছিল মাঝারি ও বড় প্রতিষ্ঠান, আর উত্তরদাতারা ছিলেন অন্তত director পর্যায়ের নেতা। একই ঘটনার Rezo Montréal-এর সাম্প্রতিক প্রতিবেদনে ২০০ প্রতিষ্ঠানের নমুনা, ৬৬% pilot এবং ৯৭% পূর্ণ প্রস্তুতির ঘাটতির পাশাপাশি বেশি integration effort ৬৪%, scale বাড়লে reliability বা quality সমস্যা ৫৪% এবং agent-এর ভুল action ৪৮% বলে উল্লেখ করা হয়েছে। এগুলো উত্তরদাতাদের জানানো অভিজ্ঞতা; স্বাধীন system audit-এর ফল নয়।

পাইলট থেকে production-এ ব্যবধান কেন গুরুত্বপূর্ণ

Agentic AI শুধু লেখা বা উত্তর তৈরি করে না; নির্ধারিত অনুমতি পেলে এটি tool ব্যবহার, record বদল বা workflow-এর পরবর্তী কাজও করতে পারে। তাই পরীক্ষায় ভালো output পাওয়া এবং বাস্তব ব্যবস্থায় নিরাপদে action নেওয়া আলাদা সক্ষমতা। Integration ও reliability সমস্যা থাকলে বেশি autonomy একটি ভুলকে দ্রুত একাধিক system বা transaction-এ ছড়িয়ে দিতে পারে।

প্রস্তুতির মূল প্রশ্ন তাই model কত শক্তিশালী, শুধু তা নয়। কোন data ব্যবহার করা যাবে, কে process-এর ফলের মালিক, কোন action-এর আগে মানুষের অনুমোদন লাগবে, ব্যর্থতা কীভাবে থামবে এবং ঘটনার পরে সিদ্ধান্তটি পুনর্গঠন করা যাবে কি না—এসবের পরীক্ষাযোগ্য উত্তর প্রয়োজন। সাধারণভাবে “data-ready” বা “AI-ready” বলার চেয়ে এই control-গুলোর প্রমাণ বেশি অর্থবহ।

ROI দাবির সঙ্গে যে সীমা মনে রাখতে হবে

গবেষণাটি Oxford Economics পরিচালনা করলেও SAP-এর সঙ্গে যৌথ উদ্যোগে হয়েছে এবং ফল প্রকাশ করেছে SAP। ফলে প্রকাশনায় থাকা ভবিষ্যৎ ROI-কে vendor-sponsored জরিপে অংশগ্রহণকারীদের forecast হিসেবে পড়তে হবে—audited return, নিশ্চিত সাশ্রয় বা agentic AI একাই তৈরি করেছে এমন আয় হিসেবে নয়।

SAP ও Oxford Economics-এর বিস্তৃত গবেষণা পৃষ্ঠা AI থেকে মূল্য পাওয়ার শর্ত হিসেবে data readiness, governance, workforce transformation এবং responsible scaling চিহ্নিত করে। বাংলাদেশ বা ভারতের কোনো প্রতিষ্ঠান কানাডীয় প্রত্যাশা সরাসরি নিজের business case-এ বসালে শ্রমব্যয়, data maturity, process complexity, regulation এবং deployment scope-এর পার্থক্য উপেক্ষিত হবে।

বাংলাদেশ ও ভারতের জন্য ১২ দফা readiness gate

নিচের তালিকাটি জরিপের প্রশ্নমালা বা কোনো regulator-এর বাধ্যতামূলক standard নয়। প্রকাশিত readiness gap-কে ছোট ও মাঝারি প্রতিষ্ঠানের জন্য পরীক্ষাযোগ্য go/no-go কাঠামোয় রূপ দেওয়া হয়েছে। প্রতিটি প্রাসঙ্গিক মানদণ্ডে নথিভুক্ত প্রমাণসহ pass না হলে production deployment স্থগিত রেখে pilot সীমিত করাই সতর্ক সিদ্ধান্ত।

1. Data quality: নির্ধারিত sample-এ completeness, accuracy ও duplicate-এর গ্রহণযোগ্য সীমা লিখিত এবং সাম্প্রতিক পরীক্ষায় উত্তীর্ণ হলে pass; সীমা বা test result না থাকলে fail।
2. Data lineage: agent ব্যবহৃত গুরুত্বপূর্ণ field-এর উৎস, পরিবর্তন ও custodian শনাক্ত করা গেলে pass; উৎস পুনর্গঠন করা না গেলে fail।
3. Permission: আলাদা service identity, least-privilege access এবং অনুমোদিত data ও action-এর তালিকা থাকলে pass; shared credential বা প্রয়োজনের অতিরিক্ত access থাকলে fail।
4. Process owner: outcome, exception ও control-এর জন্য নামধারী accountable owner থাকলে pass; দায়িত্ব শুধু vendor বা অনির্দিষ্ট AI team-এর ওপর থাকলে fail।
5. Action boundary: machine-enforced allowlist দিয়ে অনুমোদিত ও নিষিদ্ধ কাজ নির্ধারিত হলে pass; কেবল prompt-এর নির্দেশের ওপর নির্ভর করলে fail।
6. Human approval: অর্থ, নিয়োগ, গ্রাহকের অধিকার বা অপরিবর্তনীয় পরিবর্তনের আগে বাধ্যতামূলক মানব অনুমোদন থাকলে pass; উচ্চ-প্রভাবের action স্বয়ংক্রিয় হলে fail।
7. Audit log: input, retrieved data, tool call, approval, action ও ফল timestamp-সহ সংরক্ষিত হলে pass; ঘটনার পরে সিদ্ধান্ত পুনর্গঠন করা না গেলে fail।
8. Fallback: agent অনুপলব্ধ বা অনিশ্চিত হলে পরীক্ষিত manual route বা safe-stop চালু হলে pass; ব্যর্থতা নীরবে ভুল চালালে বা পুরো process অচল করলে fail।
9. Incident response: ভুল action শনাক্ত, agent বিচ্ছিন্ন, credential বাতিল, ক্ষতি সীমিত ও সংশ্লিষ্ট পক্ষকে জানানোর দায়িত্ব এবং সময়সীমা মহড়ায় যাচাই হলে pass; শুধু সাধারণ IT helpdesk থাকলে fail।
10. Evaluation: স্থানীয় ভাষা, বাস্তব exception ও adversarial case-সহ স্থির test set এবং release threshold থাকলে pass; demo বা কয়েকটি সফল prompt-ই একমাত্র প্রমাণ হলে fail।
11. Integration safety: production-এর আগে sandbox, rate limit, transaction cap ও rollback পরীক্ষা হলে pass; agent সরাসরি live system-এ unrestricted action নিলে fail।
12. Workforce control: ব্যবহারকারী training, অনুমোদিত tool registry এবং shadow AI জানানোর নিরাপদ পথ থাকলে pass; কোন agent ব্যবহৃত হচ্ছে তা প্রতিষ্ঠান শনাক্ত করতে না পারলে fail।

এখনো কোন প্রমাণ অনুপস্থিত

প্রকাশিত কানাডীয় ফল দ্রুত pilot গ্রহণ এবং দুর্বল operational readiness-এর মধ্যে ব্যবধান দেখায়। কিন্তু উন্মুক্ত সারাংশে শিল্পভিত্তিক ৯৭% ফল, প্রতিষ্ঠানের নিজস্ব readiness score নির্ধারণের পূর্ণ rubric কিংবা বাংলাদেশ ও ভারতের তুলনামূলক data নেই। তাই এই শতাংশ স্থানীয় deployment-এর স্বয়ংক্রিয় verdict হতে পারে না।

বর্তমান অবস্থায় সবচেয়ে শক্ত সিদ্ধান্তটি সীমিত: pilot সফল হওয়া production readiness প্রমাণ করে না। স্থানীয় প্রতিষ্ঠানের go/no-go সিদ্ধান্ত নির্ভর করবে data quality, permission, process ownership, audit log, fallback ও incident response বাস্তবে পরীক্ষায় উত্তীর্ণ হয়েছে কি না তার ওপর; কানাডীয় সতর্কসংকেত কতটা প্রযোজ্য, তা জানতে স্থানীয় নমুনা ও স্বাধীন operational audit প্রয়োজন।