৮৩% প্রতিষ্ঠানে AI agent চলছে—কিন্তু trusted data পেয়েছে মাত্র ৩৬%
Box-এর ২০২৬ enterprise AI জরিপে agent চালু করা আর তাকে বিশ্বস্ত তথ্যসহ বড় পরিসরে স্বয়ংক্রিয়ভাবে চালানোর মধ্যে বড় ব্যবধান ধরা পড়েছে। Box-এর জরিপের সারসংক্ষেপ অনুযায়ী, চার দেশের ১,৬৪০ IT decision-maker-এর প্রতিষ্ঠানের ৮৩% AI agent চালায়; তবে autonomous scale-এ চালায় ১৯%, আর বহু use case-এ trusted company content-এর সঙ্গে agent যুক্ত করেছে ৩৬%।
অর্থাৎ শিরোনামের “trusted data” কোনো সাধারণ data-access হার নয়; মূল জরিপে মাপা হয়েছে বহু ব্যবহারে agent-এর সঙ্গে trusted content সংযোগ। ১৫ জুলাই প্রকাশিত The Neural Dispatch-এর পর্যালোচনাও ৮৩% adoption ও ৩৬% trusted-content connection পুনরুল্লেখ করে এবং জানায়, The Harris Poll জরিপটি ৩০ এপ্রিল থেকে ৮ মে ২০২৬ পর্যন্ত যুক্তরাষ্ট্র, যুক্তরাজ্য, ফ্রান্স ও জাপানে চালিয়েছিল।
Adoption, workflow ও autonomy একই মাপকাঠি নয়
৮৩% হারটি বোঝায়, উত্তরদাতা প্রতিষ্ঠানগুলো কোনো না কোনো ক্ষমতায় AI agent চালাচ্ছে। এর মধ্যে সীমিত পরীক্ষা, নির্দিষ্ট কাজের সহায়ক agent এবং production workflow—সবই থাকতে পারে। তাই এই হার থেকে প্রতিটি agent স্বাধীনভাবে জটিল কাজ শেষ করছে বলে ধরে নেওয়া যায় না।
Autonomous-at-scale সূচকটি কঠিনতর স্তর মাপে: বড় পরিসরে agent মানুষের প্রতিটি ধাপের অনুমোদন ছাড়াই কাজ করছে কি না। এই স্তরে পৌঁছানোর হার adoption-এর তুলনায় অনেক কম। দুটি সংখ্যার ব্যবধান ব্যর্থতার হার নয়; এগুলো deployment-এর বিস্তার ও operational autonomy—দুটি আলাদা প্রশ্নের উত্তর।
জরিপে ROI-ও self-reported business outcome। উত্তরদাতাদের ৮০% অন্তত ১০% উন্নতির সমতুল্য notable ROI জানিয়েছে; ২৫%-এর বেশি উন্নতিকে significant ROI ধরে leading-edge প্রতিষ্ঠানের অর্ধেক এবং early-stage প্রতিষ্ঠানের প্রায় নয়টির মধ্যে একটি সেই ফলের কথা বলেছে। কিন্তু কোন business metric মাপা হয়েছে, তা প্রতিষ্ঠানভেদে বদলাতে পারে; জরিপটি maturity ও return-এর সম্পর্ক দেখায়, সরাসরি কারণ প্রমাণ করে না।
Trusted content-এর সংযোগই বড় ফাঁক
উত্তরদাতাদের ৯৬% বলেছে, কার্যকর agent-এর জন্য company-specific content গুরুত্বপূর্ণ বা খুব গুরুত্বপূর্ণ। তবু বহু use case-এ trusted content সংযুক্ত করার হার অনেক কম। অর্থাৎ model বা agent চালু থাকাই যথেষ্ট নয়; তাকে প্রাসঙ্গিক, হালনাগাদ এবং অনুমতিসংগত enterprise knowledge দিতে হয়।
এই জায়গায় content access আর content trust আলাদা। একটি নথি প্রযুক্তিগতভাবে agent-এর নাগালে থাকতে পারে, কিন্তু সেটি পুরোনো, ভুল সংস্করণ, অননুমোদিত বা সংশ্লিষ্ট ব্যবহারকারীর permission-এর বাইরে হলে production সিদ্ধান্তে ব্যবহারযোগ্য নয়। জরিপ তাই agent adoption-এর পাশাপাশি context readiness-এর ঘাটতিও দেখায়।
চারটি maturity metric আলাদা করে পড়লে ছবিটি পরিষ্কার হয়: agent চালু আছে কি না, জটিল workflow-তে যুক্ত কি না, autonomous scale-এ চলছে কি না এবং trusted content পাচ্ছে কি না। একটির উচ্চ হার দিয়ে অন্যগুলোর সক্ষমতা অনুমান করলে deployment-এর বাস্তব গভীরতা অতিরঞ্জিত হবে।
Governance policy ও কার্যকর visibility-র ব্যবধান
জরিপে ৭৩% উত্তরদাতা তাদের AI governance framework-কে established বা advanced বলেছে। একই সময়ে মাত্র ৩৪% প্রতিষ্ঠানে agent কীভাবে company data নেবে, সে বিষয়ে formal standard ছিল; অনুমোদিত ও অননুমোদিত AI ব্যবহার মিলিয়ে comprehensive visibility জানিয়েছে ৩৯%। আবার ৪৯% অন্তত একটি AI-সংশ্লিষ্ট data-exposure incident-এর অভিজ্ঞতার কথা বলেছে।
এই ফলগুলো দেখায়, নীতিমালা থাকা এবং প্রতিটি agent-এর পরিচয়, permission, action ও output পর্যবেক্ষণ করা এক বিষয় নয়। কার্যকর governance-এর জন্য কোন agent-এর দায়ী owner কে, তার access কত দিন বৈধ এবং কোন সিদ্ধান্ত মানুষের কাছে যাবে—এসব operational record দরকার। সেই কারণে agent registry-তে owner ও expiry নির্ধারণ deployment inventory-র চেয়ে বেশি গুরুত্বপূর্ণ হতে পারে।
আরেকটি সীমা হলো self-assessment। উত্তরদাতারা নিজেরাই প্রতিষ্ঠানকে early stage, developing, advanced বা leading edge হিসেবে শ্রেণিবদ্ধ করেছেন; অভিন্ন technical audit দিয়ে maturity যাচাই করা হয়নি। ফলে “advanced” পরিচয়কে স্বাধীনভাবে প্রত্যয়িত security বা governance status হিসেবে পড়া যাবে না।
Security automation-এ শেষ escalation মানুষের হাতে
৪ সেপ্টেম্বর প্রকাশিত ITPro-এর Box CISO Heather Ceylan-কে নিয়ে আলোচনায় SOC-এর triage, enrichment ও log correlation agent দিয়ে স্বয়ংক্রিয় করার কথা এসেছে; তবে কোন ঘটনাকে incident হিসেবে escalate করা হবে, সেই চূড়ান্ত সিদ্ধান্তে মানুষের judgment রাখা হয়েছে।
এটি পুরো জরিপের সব প্রতিষ্ঠানের অভিন্ন practice নয়, বরং Box-এর নিজস্ব security operation-এর উদাহরণ। তবু উদাহরণটি autonomy ও accountability-র পার্থক্য স্পষ্ট করে: agent বেশি ধাপ সম্পন্ন করলেও high-impact সিদ্ধান্তের কর্তৃত্ব আলাদা control layer-এ রাখা যায়। Survey adoption rate থেকে এমন human-in-the-loop ব্যবস্থা কত প্রতিষ্ঠানে আছে, তা জানা যায় না।
বাংলাদেশ ও ভারতে হারগুলো সরাসরি প্রযোজ্য নয়
The Harris Poll-এর online sample-এ বাংলাদেশ বা ভারত ছিল না। অংশগ্রহণকারীরা ছিলেন অন্তত ২১ বছর বয়সী, পূর্ণকালীন কর্মরত, manager বা তার ঊর্ধ্বের পদে থাকা IT professional, যাদের AI-সংক্রান্ত সিদ্ধান্তে ভূমিকা ছিল; প্রতিটি প্রতিষ্ঠানে অন্তত ১০০ কর্মী ছিল। Raw data weighted ছিল না এবং ফল কেবল জরিপ সম্পন্ন করা ব্যক্তিদের প্রতিনিধিত্ব করে।
তাই জরিপের হারগুলো বাংলাদেশ বা ভারতের enterprise benchmark নয়। স্থানীয় cloud ও on-premises ব্যবস্থা, বাংলা ও অন্যান্য ভারতীয় ভাষার content quality, identity infrastructure, permission discipline এবং data-residency প্রয়োজন আলাদা হতে পারে। ফলটি স্থানীয় adoption rate না দেখিয়ে বরং কোন maturity metric আলাদাভাবে মাপা দরকার, তার একটি তুলনামূলক কাঠামো দেয়।
২০২৫ সালের সঙ্গে পরিবর্তনের দাবিও directional হিসেবে পড়তে হবে। Box জানিয়েছে, আগের জরিপে দেশ, প্রতিষ্ঠানের আকার ও respondent profile আলাদা ছিল। একই sample ও methodology-তে longitudinal measurement না হওয়ায় দুই বছরের self-rating-এর পরিবর্তনকে নির্ভুল বাজার প্রবণতা বলা যায় না।
যা নিশ্চিত, আর যা এখনও অজানা
নিশ্চিত ফল হলো, জরিপে agent deployment ব্যাপক হলেও autonomous scale, trusted-content connection এবং comprehensive visibility একই গতিতে এগোয়নি। ROI-এর ফল আশাব্যঞ্জক, কিন্তু তা self-reported এবং প্রতিষ্ঠানভেদে ভিন্ন metric-এর ওপর নির্ভরশীল।
দেশ ও industry অনুযায়ী বিস্তারিত ফল, অভিন্ন সংজ্ঞায় পুনরাবৃত্ত survey এবং independently audited production metrics ছাড়া বাংলাদেশ ও ভারতের readiness নির্ধারণ করা যাবে না। আপাতত adoption, autonomy, trusted content এবং visibility—এই চারটি সূচককে আলাদা রাখাই Box-এর ফল বোঝার সবচেয়ে নির্ভুল উপায়।
আরও পড়ুন:
আমাদের নিউজলেটার নিন
সর্বশেষ Web3, AI ও ক্রিপ্টো সংবাদ সরাসরি আপনার ইনবক্সে পান।