सध्याच्या AI (एआय) विकास पद्धतीमध्ये अनेक मोठ्या मर्यादा दिसत आहेत. त्यामुळे जागतिक दक्षिणेकडील देशांनी फक्त AI-केंद्रित (एआय सेंट्रिक) विकासावर भर न देता मानवी विकासाला महत्त्व देणारे धोरण कायम ठेवणे गरजेचे आहे.
आजची AI (एआय) क्रांती मुख्यतः 2017 मध्ये विकसित झालेल्या “Transformer” (ट्रान्सफॉर्मर) तंत्रज्ञानामुळे आणि त्यानंतर तयार झालेल्या “Large Language Models” (लार्ज लँग्वेज मॉडेल्स) मुळे सुरू झाली. त्यानंतर “Generative AI” (जनरेटिव्ह एआय), चित्र तयार करणाऱ्या प्रणाली आणि “Agentic AI” (एजेन्टिक एआय) यामध्ये वेगाने प्रगती झाली. या प्रगतीनंतर अनेक तज्ज्ञ आणि तंत्रज्ञान कंपन्यांनी मोठे दावे केले. काहींनी म्हटले की भविष्यात लाखो लोकांच्या नोकऱ्या जाऊ शकतात, तर काहींनी AI (एआय) माणसाइतकी बुद्धिमान होण्याचा दावा केला, पण प्रत्यक्षात अनेक ठिकाणी हे दावे खरे ठरताना दिसत नाहीत. अनेक क्षेत्रांमध्ये AI (एआय) चा वापर अपेक्षेप्रमाणे यशस्वी झालेला नाही. अनेक कामांमध्ये “Automation” (ऑटोमेशन) अयशस्वी ठरत आहे.
याशिवाय सध्याची AI (एआय) प्रणाली चालवण्यासाठी खूप मोठ्या प्रमाणावर वीज, संगणकीय क्षमता आणि पैशांची गरज भासत आहे. त्यामुळे हा विकासमार्ग हळूहळू खर्चिक आणि टिकवणे कठीण बनत आहे. मोठ्या AI (एआय) कंपन्यांवर वाढणारे कर्जही ही समस्या अधिक गंभीर करत आहे. ही परिस्थिती जागतिक दक्षिणेकडील देशांसाठी एक इशारा आहे. कारण हे देश आता स्वतःची AI (एआय) क्षमता विकसित करण्याचा प्रयत्न करत आहेत. IndiaAI Impact Summit- 2026 नंतर या विषयावर अधिक गंभीरपणे विचार करण्याची गरज निर्माण झाली आहे. त्यामुळे विकास करताना फक्त AI (एआय) वर अवलंबून न राहता माणूस आणि समाजकेंद्रित दृष्टिकोन ठेवणे अधिक महत्त्वाचे ठरणार आहे.
“Generative AI” (जनरेटिव्ह एआय) सुरू झाल्यानंतर अनेक कंपन्यांनी दावा केला होता की “Coding” (कोडिंग) आणि घरातून केले जाणारे काम यांसारखी अनेक कामे लवकरच पूर्णपणे स्वयंचलित होतील, पण अनेक अभ्यासांमध्ये वेगळीच परिस्थिती दिसून आली. 2025 मध्ये करण्यात आलेल्या एका अभ्यासात असे दिसले की AI (एआय) वापरणारे “Open Source Coders” (ओपन सोर्स कोडर्स), AI (एआय) न वापरणाऱ्यांपेक्षा 19 टक्के जास्त वेळ घेत होते. तसेच Indian Institute of Science Bengaluru मधील संशोधनानुसार, अत्याधुनिक AI (एआय) प्रणाली अजूनही “Remote Labour Tasks” (रिमोट लेबर टास्क्स) प्रभावीपणे करण्यामध्ये खूपच कमकुवत आहेत. सर्वात चांगली कामगिरी करणाऱ्या प्रणालीनेही केवळ 4.17 टक्के कामेच स्वयंचलितपणे पूर्ण केली.
Massachusetts Institute of Technology च्या 2025 च्या अहवालानुसार, “Generative AI” (जनरेटिव्ह एआय) वरील 95 टक्के “Pilot Projects” (पायलट प्रोजेक्ट्स) अपयशी ठरले.
Massachusetts Institute of Technology च्या “State of AI in Business 2025” अहवालानुसार, “GenAI” (जनरेटिव्ह एआय) वर आधारित 95 टक्के “Pilot Projects” (पायलट प्रोजेक्ट्स) अपयशी ठरल्याचे सांगितले गेले आहे. AI (एआय) स्वीकारण्यात अपयश आलेल्या कंपन्यांमध्ये McDonald's, DPD, Air Canada, Klarna आणि Salesforce यांसारख्या मोठ्या कंपन्यांचाही समावेश आहे. यापैकी काही कंपन्यांनी AI (एआय) प्रणालींवर विश्वास ठेवून कर्मचाऱ्यांना कामावरून कमी केले होते, पण नंतर AI (एआय) अपेक्षेप्रमाणे काम करू शकले नाही म्हणून त्याच कर्मचाऱ्यांना पुन्हा कामावर घ्यावे लागले. वेगवेगळ्या क्षेत्रांमध्ये AI (एआय) वापराबाबत वेगवेगळ्या चिंता आहेत. “Fintech” (फिनटेक), आरोग्यसेवा, शिक्षण, उत्पादन उद्योग आणि सरकारी क्षेत्र अशा सर्वच क्षेत्रांमध्ये AI (एआय) बद्दल शंका व्यक्त केल्या जात आहेत. उदाहरणार्थ, University of Oxford आणि Stanford University यांच्या अनेक अभ्यासांमध्ये आरोग्यसेवेत AI (एआय) “Chatbots” (चॅटबॉट्स) वापरण्याचे धोके दाखवून दिले आहेत.
तसेच Emergency Care Research Institute च्या अलीकडील अभ्यासानुसार, 2026 मधील सर्वात मोठा आरोग्य तंत्रज्ञान धोका म्हणजे AI (एआय) चॅटबॉट्सचा चुकीचा वापर आहे. ही समस्या आणखी गंभीर बनते कारण अनेक कंपन्या “AI” (एआय) हा शब्द मुद्दाम अशा कामांसाठी वापरतात ज्यांना प्रत्यक्षात AI (एआय) ची गरजच नसते. उदाहरणार्थ, 1X या नॉर्वेतील तंत्रज्ञान कंपनीने 2025 मध्ये “NEO” (निओ) नावाचा जगातील पहिला ग्राहकांसाठी तयार “Humanoid Robot” (ह्युमनॉइड रोबोट) सादर केला. सुरुवातीला या रोबोटमध्ये AI (एआय) वापरल्याचा दावा करण्यात आला होता, पण नंतर असे समोर आले की काही कामांसाठी दूरस्थ ठिकाणांवरील कर्मचारी प्रत्यक्ष मदत करत होते. त्यामुळे वापरकर्त्यांच्या गोपनीयतेबाबतही चिंता निर्माण झाली.
त्यामुळे आज AI (एआय) आधारित स्वयंचलन खूप लोकप्रिय दिसत असले तरी अनेक ठिकाणी ते खर्च कमी करण्यासाठी वापरले जाणारे साधन असल्यासारखे वाटते. अनेक मोठ्या दाव्यांनंतरही AI (एआय) यशस्वीपणे काम करत असल्याचे ठोस आणि संशोधनाधारित पुरावे अजूनही खूप मर्यादित आहेत. बहुतेक ठिकाणी “LLMs” (लार्ज लँग्वेज मॉडेल्स) माणसांची जागा घेण्यासाठी पुरेसे सक्षम नाहीत. काही ठिकाणी तर ते काम अधिक अवघड बनवत असल्याचेही दिसून आले आहे.
AI (एआय) वापरातील अपयशांबरोबरच “Data Centres” (डेटा सेंटर्स) चालवण्यासाठी लागणारी प्रचंड वीज आणि संसाधनेही मोठी समस्या बनत आहेत. सध्याची अतिवेगाने वाढणारी AI (एआय) विकास पद्धती आता टिकवणे कठीण होत चालले आहे. जगभरात अनेक ठिकाणी मोठ्या प्रमाणावर वीजपुरवठा खंडित होणे, पाण्याची कमतरता आणि वायुप्रदूषण यांसारख्या समस्या निर्माण होत आहेत. त्यामुळे स्थानिक लोकांकडून आंदोलनही होत आहेत. उदाहरणार्थ, 2023 पर्यंत अमेरिकेमध्ये डेटा सेंटर्स एकट्यांचा वीज वापर देशाच्या एकूण वार्षिक वीज वापराच्या 4.4 टक्क्यांपेक्षा जास्त झाला आहे. 2018 पासून हा आकडा जवळपास दुप्पट झाला आहे. याशिवाय AI (एआय) साठी लागणाऱ्या वीज क्षमतेच्या कमतरतेमुळे अनेक डेटा सेंटर प्रकल्प उशिरा सुरू होत आहेत. 2026 साठी नियोजित जागतिक डेटा सेंटर क्षमतेपैकी सुमारे 11 गिगावॅट प्रकल्प अजूनही फक्त घोषणांच्या टप्प्यात आहेत आणि प्रत्यक्ष बांधकाम सुरू झाल्याचे चिन्ह दिसत नाही.
आकृती 1: कार्यान्वित होण्याच्या तारखेनुसार जागतिक डेटा सेंटर क्षमतेतील वाढ (गिगावॅट्समध्ये)
स्रोत: ॲक्सिओस
आर्थिक दृष्टिकोनातून पाहिले तर, फक्त AI (एआय) वर काम करणाऱ्या अनेक कंपन्या आणि मोठ्या “Hyperscalers” (हायपरस्केलर्स) कंपन्यांवर प्रचंड कर्ज वाढले आहे. याचे मुख्य कारण म्हणजे केलेल्या मोठ्या गुंतवणुकीच्या तुलनेत कमी परतावा मिळणे. यामुळे आता “AI Bubble” (एआय बबल) म्हणजेच कृत्रिम बुद्धिमत्ता क्षेत्रातील फुगवटा लवकरच फुटू शकतो, अशा चर्चा वाढत आहेत. उदाहरणार्थ, OpenAI ने 2025 पर्यंत 1.4 ट्रिलियन अमेरिकन डॉलरपेक्षा जास्त आर्थिक गुंतवणूक आकर्षित केली होती. पण त्याच काळात कंपनीचे वार्षिक उत्पन्न फक्त सुमारे 20 अब्ज अमेरिकन डॉलर इतकेच होते. अशीच परिस्थिती CoreWeave सारख्या मोठ्या तंत्रज्ञान कंपन्यांची आहे. या कंपनीने 2026 मध्ये 30 ते 35 अब्ज अमेरिकन डॉलर खर्च करण्याची योजना आखली आहे, तर 2025 मधील त्यांचे वार्षिक उत्पन्न फक्त 5 अब्ज अमेरिकन डॉलरपेक्षा थोडे जास्त होते.
पूर्वी “Dot Com Bubble” (डॉट कॉम बबल) सारख्या तंत्रज्ञान क्षेत्रातील तेजीच्या काळातही चुकीच्या गुंतवणुकी झाल्या होत्या. पण त्या वेळी उभारलेली बहुतांश पायाभूत सुविधा नंतर इतर कामांसाठी वापरता आली, मात्र AI (एआय) क्षेत्रातील परिस्थिती वेगळी आहे. सध्या मोठ्या प्रमाणावर उभारले जात असलेले “Data Centres” (डेटा सेंटर्स) भविष्यात “LLMs” (लार्ज लँग्वेज मॉडेल्स) ची प्रगती थांबल्यानंतर फार उपयोगी राहणार नाहीत, पण मोठ्या तंत्रज्ञान कंपन्या आता या खर्चिक आणि दीर्घकालीन “Hyperscaling” (हायपरस्केलिंग) मॉडेलमध्ये इतक्या अडकल्या आहेत की त्यांच्याकडे मागे वळून सुधारणा करण्याचा पर्याय उरलेला नाही.
सध्या मोठ्या प्रमाणावर AI (एआय) मध्ये गुंतवणूक होण्यामागचे एक मोठे कारण म्हणजे “LLMs” (लार्ज लँग्वेज मॉडेल्स) मध्ये दिसणाऱ्या “Emergent Abilities” (इमर्जन्ट अबिलिटीज) म्हणजे अचानक विकसित होणाऱ्या क्षमता. विशेषतः तर्कशक्तीसारखी क्षमता दिसू लागल्यामुळे अनेकांना वाटू लागले की भविष्यात हे मॉडेल्स अधिक बुद्धिमान बनतील आणि शेवटी “AGI” (एजीआय) म्हणजे माणसासारखी सर्वसाधारण कृत्रिम बुद्धिमत्ता तयार होईल. मात्र अनेक संशोधनांनुसार या क्षमता प्रत्यक्ष बुद्धिमत्तेपेक्षा चुकीच्या मोजमाप पद्धतींमुळे दिसत असाव्यात. तसेच “LLMs” (लार्ज लँग्वेज मॉडेल्स) मोठे होत गेल्यावर त्यांची कामगिरी सुधारते, पण त्यामागे खरे तर्कशक्तीपेक्षा मोठ्या प्रमाणावर माहिती लक्षात ठेवण्याची क्षमता अधिक कारणीभूत असू शकते. भविष्यात अधिक कठीण चाचण्यांमध्ये या मॉडेल्सची प्रगती थांबू शकते, असेही मानले जात आहे.
Association for the Advancement of Artificial Intelligence ने 475 तज्ज्ञांमध्ये केलेल्या सर्वेक्षणात 76 टक्के तज्ज्ञांनी असे मत व्यक्त केले की सध्याच्या “Machine Learning” (मशीन लर्निंग) पद्धतींमधून खरे “AGI” (एजीआय) तयार होण्याची शक्यता कमी आहे. सध्याच्या “LLMs” (लार्ज लँग्वेज मॉडेल्स) आणि “GenAI” (जनरेटिव्ह एआय) प्रणालींमधील सर्वात मोठी समस्या म्हणजे अचूक माहिती देण्यात होणारे अपयश. यामुळे चुकीची माहिती तयार होणे, काल्पनिक उत्तरे देणे आणि पक्षपातीपणा यांसारख्या समस्या निर्माण होत आहेत. त्यामुळे AI (एआय) वरील विश्वासही कमी होत आहे.
Association for the Advancement of Artificial Intelligence ने 475 तज्ज्ञांमध्ये केलेल्या सर्वेक्षणात 76 टक्के तज्ज्ञांनी असे मत व्यक्त केले की सध्याच्या “Machine Learning” (मशीन लर्निंग) पद्धतींमधून खरे “AGI” (एजीआय) तयार होण्याची शक्यता कमी आहे.
या समस्या कमी करण्यासाठी “Reinforcement Learning” (रिइन्फोर्समेंट लर्निंग), “Retrieval-Augmented Generation” (रिट्रिव्हल ऑगमेंटेड जनरेशन) आणि “Chain-of-Thought Reasoning” (चेन ऑफ थॉट रिझनिंग) यांसारख्या पद्धती वापरल्या जात आहेत. भविष्यात AI (एआय) क्षेत्रातील प्रगतीसाठी “Neuro-Symbolic Reasoning Systems” (न्यूरो-सिंबॉलिक रिझनिंग सिस्टिम्स) किंवा “Information Lattice Learning” (इन्फॉर्मेशन लॅटिस लर्निंग) यांसारख्या नवीन तंत्रज्ञानांची गरज लागू शकते, मात्र ही सर्व तंत्रज्ञान प्रणाली अजून सुरुवातीच्या टप्प्यात आहेत. यावरून असे दिसते की सध्याची AI (एआय) प्रणाली, जी प्रामुख्याने “LLMs” (लार्ज लँग्वेज मॉडेल्स) वर आधारित आहे, तिच्यामध्ये मूलभूत आणि रचनात्मक मर्यादा आहेत, म्हणूनच AI (एआय) चा वापर करताना विशेष काळजी घेणे आवश्यक आहे, विशेषतः मानवी जीवनाशी थेट संबंधित महत्त्वाच्या क्षेत्रांमध्ये.
सध्याच्या AI (एआय) स्वीकार आणि सहकार्याचा विषय, विशेषतः मानवी आणि सामाजिक विकासाच्या संदर्भात, IndiaAI Impact Summit 2026 मधील एक महत्त्वाचा मुद्दा होता. मात्र AI (एआय) चा घाईघाईने होणारा वापर अनेक गंभीर धोके निर्माण करत असल्यामुळे या दृष्टिकोनावर मोठे प्रश्नचिन्ह निर्माण झाले आहे. समाजाच्या जास्तीत जास्त फायद्याचा दावा करणाऱ्यांसाठीही सध्याच्या “LLMs” (लार्ज लँग्वेज मॉडेल्स) मुळे निर्माण होणारे धोके, त्यांच्या मोठ्या प्रमाणातील वापरातून मिळणाऱ्या फायद्यांपेक्षा अधिक मोठे दिसत आहेत. ही समस्या फक्त चुकीची किंवा बनावट उत्तरे देण्यापुरती मर्यादित नाही. समाजाशी संबंधित AI (एआय) प्रणालींचा परिणाम थेट लोकांच्या आयुष्यावर होतो आणि त्यामुळे त्यांच्या रोजगारावर व उपजीविकेवर नकारात्मक परिणाम होण्याचा धोका वाढतो.
याचा अर्थ असा नाही की AI (एआय) समाजासाठी पूर्णपणे निरुपयोगी आहे. अनेक ठिकाणी AI (एआय) चा यशस्वी वापर दिसून आला आहे. उदाहरणार्थ, भारतामध्ये “Bhashini” (भाषिणी) सारख्या प्लॅटफॉर्मद्वारे भाषांतरासाठी वापरलेले “Chatbots” (चॅटबॉट्स) यशस्वी ठरले आहेत. तसेच “AlphaFold” (अल्फाफोल्ड) सारख्या संशोधन साधनांनी वैज्ञानिक संशोधनाचा वेग मोठ्या प्रमाणावर वाढवला आहे. याच कामासाठी Google DeepMind च्या टीमला 2024 मध्ये रसायनशास्त्रातील नोबेल पारितोषिक मिळाले. मात्र हे समजून घेणे आवश्यक आहे की AI (एआय) माणसांची जागा घेण्यासाठी नाही, तर माणसांच्या क्षमतांना मदत करणारे साधन म्हणून अधिक उपयुक्त आहे. आजही AI (एआय) प्रणालींना मोठ्या प्रमाणावर मानवी नियंत्रण आणि देखरेखीची गरज असते. तसेच AI (एआय) यशस्वी ठरण्यामागचे एक मोठे कारण म्हणजे या उदाहरणांमध्ये चुकीच्या उत्तरांमुळे फार मोठे प्रत्यक्ष नुकसान होत नाही. उदाहरणार्थ, भाषांतरात झालेली चूक किंवा “ChatGPT” (चॅटजीपीटी) कडून आलेले चुकीचे उत्तर एखाद्याच्या आयुष्याला गंभीर धोका निर्माण करत नाही. पण आरोग्यसेवा किंवा शेतीसारख्या क्षेत्रांमध्ये AI (एआय) कडून आलेली अगदी छोटी चूकही गंभीर परिणाम घडवू शकते.
जागतिक दक्षिणेकडील देशांनी त्यांच्या वाढत्या AI-केंद्रित विकास धोरणाचा पुन्हा विचार करण्याची गरज आहे. फक्त AI (एआय) चा वापर वाढवण्यावर भर देण्याऐवजी कामगारांचे हक्क, मानवी विकास आणि सामाजिक कल्याण यांना केंद्रस्थानी ठेवणे अधिक आवश्यक आहे.
जागतिक स्तरावर AI (एआय) वापराबाबत तयार झालेल्या वातावरणामुळे माणसांची किंमत फक्त “Data Points” (डेटा पॉइंट्स) इतकी मर्यादित होत चालल्यासारखी दिसते. हे जागतिक दक्षिणेकडील देशांनी अनेक दशकांपासून राबवलेल्या मानवी विकास आणि समावेशकतेच्या प्रयत्नांच्या पूर्णपणे विरोधात आहे. इतर देशांशी स्पर्धा करण्याच्या दबावामुळे किंवा “Fear of Missing Out” (फिअर ऑफ मिसिंग आउट) मुळे AI (एआय) चा अतिवेगाने स्वीकार करणे जागतिक दक्षिणेकडील देशांसाठी धोकादायक ठरू शकते. कारण त्यामुळे काही मोठ्या कंपन्यांच्या आकर्षक प्रचार आणि व्यावसायिक रणनीतींचा हे देश बळी ठरू शकतात. त्यामुळे जागतिक दक्षिणेकडील देशांनी त्यांच्या वाढत्या AI-केंद्रित विकास धोरणाला पुन्हा मानवी विकास आणि कामगार हक्कांकडे वळवणे आवश्यक आहे. जिथे धोका कमी आहे आणि समाजाला खरा फायदा होऊ शकतो अशा क्षेत्रांमध्ये AI (एआय) चा वापर वाढवणे आवश्यक आहे. विशेषतः मानवी जीवनावर थेट परिणाम करणाऱ्या महत्त्वाच्या क्षेत्रांमध्ये अंधाधुंद AI (एआय) वापराच्या प्रवाहाला विरोध करणे गरजेचे आहे.
प्रतीक त्रिपाठी हे 'ऑब्झर्वर रिसर्च फाउंडेशन'च्या (ORF) 'सेंटर फॉर सिक्युरिटी, स्ट्रॅटेजी अँड टेक्नॉलॉजी' (CSST) मध्ये असोसिएट फेलो म्हणून कार्यरत आहेत.
The views expressed above belong to the author(s). ORF research and analyses now available on Telegram! Click here to access our curated content — blogs, longforms and interviews.
Prateek Tripathi is an Associate Fellow at the Centre for Security, Strategy and Technology. His work focuses on an emerging technologies and deep tech including quantum ...
Read More +
PREV
.webp)
.png)