Yapay zekâ yatırımları dünya genelinde rekor düzeylere ulaşırken, şirketlerin karşılaştığı en büyük sorun teknolojinin kendisi değil, bu yatırımların finansal bir pahaya dönüşüp dönüşmediği oluyor. Amazon Web Services (AWS), iş dünyasının en çok tartıştığı bu mevzuyu mercek altına alan “Reimagine: Turning AI Into Value” başlıklı kapsamlı raporunu paylaştı. Araştırma, yapay zekâdan en yüksek getiriyi sağlayan kurumların en çok araca sahip olanlar değil; tertip şemasını, maliyet idaresini ve muvaffakiyet ölçütlerini bu yeni periyoda nazaran yine tasarlayanlar olduğunu net bir formda ortaya koyuyor.

En Çok Harcayan Değil, Getiriyi Açıklayan Kazanıyor

27 ülkeden 154 üst seviye yöneticiyle yapılan dokuz aylık görüşmeler sonucunda hazırlanan rapor, yöneticilerin üçte ikisinin asıl pürüzü teknolojik yetersizliklerde değil, şirketlerin hantal tertip yapısında gördüğünü gösteriyor. Yapay zekâ iş yükleri, klâsik yazılımların tersine token tüketimi ve süreç gücüne bağlı değişken maliyetler barındırıyor. Bu durum, eski metot yıllık sabit bütçeleme yapan şirketlerde denetimsiz harcamalara yol açıyor.

Başarılı şirketler ise harcamaları direkt iş sonuçlarına bağlıyor. Raporda yer alan dikkat cazip örneklerden biri telekom devi AT&T oldu. Günde 27 milyar token işleyen AT&T, yapay zekâya yatırdığı her 1 dolar karşılığında hür nakit akışına 5 dolardan fazla geri dönüş sağlıyor. Şirket, finansal sorumluluğu direkt projeyi yürüten iş ünitelerine vererek maliyet ile model yeteneği arasındaki dengeyi koruyor.

Yapay Zekâda Başarı Nasıl Ölçülmeli?

Öncü kuruluşlar, yapay zekâ projelerini değerlendirirken oturum sayısı, yazılan kod satırı yahut benimseme oranı üzere yüzeysel metriklere takılıp kalmıyor. Bunun yerine direkt finansal ve operasyonel çıktılara odaklanıyorlar:

• Net Başarı Eşikleri: Teşebbüslerin başında somut maksatlar konuyor. Beklenen faydayı sağlamayan projeler süratle iptal ediliyor. Örneğin BMW CIO’su Franz Decker, katma paha üretmeyen yapay zekâ projelerini erken kademede durdurarak kaynakları direkt çalışan sistemlere aktardıklarını vurguluyor.
• Kalite ve Verimlilik Dengesi: Yalnızca sürat yahut vakit tasarrufuna bakılmıyor. Dayanak süreçlerindeki verimlilik yahut kodlama suratı, kalite metrikleriyle dengelenerek sistemin gerçek kıymeti ölçülüyor.
• Akıllı Model Yönlendirmesi: Her vazife için en pahalı modeli kullanmak yerine, vazifenin zorluğuna nazaran küçük ve büyük modeller arasında dinamik geçiş yapılarak operasyonel masraflar denetim altında tutuluyor.

İş Dünyasında Değişen Beceriler: “Komut Mühendisliği” Yetersiz Kalıyor

Yapay zekâ araçlarının giriş düzeyindeki rutin işleri süratle devralması, şirketlerin yeni kuşak yetenekleri nasıl eğiteceği sorusunu gündeme getiriyor. Rapor, ömrü kısa olan “komut mühendisliği” (prompt engineering) üzere yüzeysel yetenekler yerine, çalışanların beş temel insani marifete odaklanması gerektiğini ortaya koyuyor:

• Öğrenme Çevikliği: Süratle değişen araçlara ve çalışma prosedürlerine anında adapte olabilme.
• Problemi Çerçeveleme: Tahlil aramadan evvel yanlışsız soruyu ve gereksinimi net biçimde tanımlayabilme.
• Muhakeme: Yapay zekânın ürettiği çıktıların doğruluğunu ve mantığını sorgulayabilme yeteneği.
• Sistem Düşüncesi: Bir sürecin tüm kesimlerini ve birbirleriyle olan etkileşimini geniş açıdan görebilme.
• Merak: Yeni kullanım alanlarını ve düzgünleştirme fırsatlarını keşfetme isteği.

Rekabette Belirleyici Unsur: Kuruma Özel Veri

AWS’in hazırladığı rapor, temel yapay zekâ modellerine herkesin basitçe erişebildiği bir dünyada asıl rekabet avantajının modellerde değil, kurumların kendi tescilli bilgilerinde yattığını gösteriyor. Şirket içi yazılı olmayan kurumsal deneyim ve özel bilgi setleri hakikat yapılandırıldığında yapay zekâ gerçek bir çarpan tesirine dönüşüyor. Amazon dahil pek çok teknoloji devinin de benzeri organizasyonel zorlukları aşmaya çalıştığı bu periyotta, teknolojiyi satın almaktan çok onu yönetecek kültürü inşa edenler öne çıkıyor.

Kaynak: Shiftdelete