Det Skiftende Vejrudsigtsbillede I Skyen

En Mønster, Jeg Har Set Før

Jeg arbejdede professionelt, da skyen blev en realitet. Fra den vinkel så jeg den første adoption: begejstringen, fleksibiliteten, følelsen af, at alt ville gå hurtigere. Dette ledte til en massiv adoption, hvor hver arbejdsbyrde var en kandidat, og hver leverandør havde en sky-historie.

Adoptionen var dog kun den første halvdel af, hvad jeg så. Derefter så jeg den anden side: repatriering. Virksomheder flyttede bestemte arbejdsbyrder tilbage, og spurgte, om hver enkelt applikation virkelig havde brug for sky-fleksibilitet. Den anden bevægelse skete af en grund. Med økonomiske skift og arbejdsbyrde-modning, stoppede antagelserne, der gjorde skyen til det oplagte valg for næsten alt, med at holde, når organisationer begyndte at undersøge dem i stor skala.

At have levet den fulde bue én gang, genkender jeg dens form, når den begynder at danne sig igen. Nu, hvor jeg hjælper virksomheder med at finde ud af, hvad AI virkelig skal gøre i deres miljøer, ligner den massive adoption/repatrieringsmønster igen.

Sky-korrektionen

For at forstå, hvorfor ligheden er vigtig, hjælper det at starte med, hvad der faktisk skete med skyen, på dens egne præmisser. Bevægelsen til skyen var rationel. Den fjernede friktion, gav organisationer fleksibilitet og hastighed, og gjorde mening for arbejdsbyrder, der var usikre eller hurtigt skiftende. Det var rationelt, fordi det var bygget for en bestemt type arbejde. DevOps-hold gik sky-first, fordi skyen var bygget for arbejde, der er iterativt, variabelt eller svært at forudsige.

Men det, de byggede for, blev ikke stille. Skyen ændrede sig ikke, men arbejdsbyrderne gjorde. Da processer modnedes og blev forudsigelige, fik organisationer øje for omkostningerne ved at få deres egne data tilbage. Afgiftsgebyrer, lagringsomkostninger, overførselsgebyrer: udgifter, der var lette at ignorere, når fleksibiliteten var værd at have, og svære at ignorere, når arbejdsbyrderne stabiliseredes. I 2024, efter år med at opkræve gebyr for data-afgang, droppede AWS, Azure og Google Cloud alle gebyrerne for kunder, der migrerede væk fra deres platforme, som DataCenterDynamics rapporterede.

Da disse omkostninger blev synlige, stoppede matematikken med at fungere for en stigende andel af porteføljen. Økonomien, der havde gjort skyen til en god strategi med nogen nedside, blev økonomisk ikke-viable for en stigende del af AI-orienterede arbejdsbyrder. Virksomheder skarpede deres blyanter og spurgte, om hver enkelt applikation virkelig havde brug for, hvad skyen tilbød. Når de faktisk løste regnestykket, var svaret for mange arbejdsbyrder nej.

Disse akkumulerede svar blev en korrektion, som industrien forkert betegnede. Den korrektion blev kaldt “sky-repatriering”, og beskrives forkert det meste af tiden. Det er faktisk arbejdsbyrde-modning: modne virksomheder, der lærer at matche hver arbejdsbyrde med den infrastrukturmodel, der passer til den. Dataene støtter den selektive læsning snarere end den helhedsorienterede. IDC fandt, at omkring 80% af organisationer forventer en vis grad af repatriering over de næste 12 måneder, selv om færre end 10% havde repatrieret hele arbejdsbyrder, ifølge en rapport i CIO.com.

Læs korrekt, konklusionen er ikke, at skyen var en fejl. Skyen er stadig værdifuld, men den stoppede med at være universel. Den modne tilstand er hybrid: skyen, hvor den har fortjent sin plads, private eller dedikeret infrastruktur overalt andetsteds.

Samme Korrektionskurve, Forskellig Teknologi

Den bue er nu færdig og mærket. Den samme form begynder synligt at danne sig med AI. Hver enkelt leverandør, hver enkelt konference, hver enkelt salgsopkald lige nu handler om AI. Mættningen er identisk med, hvad jeg så ske med skyen. Udgifterne under støjen er reelle: Gartner forudser, at verdensomspændende udgifter til generativ AI vil nå 644 milliarder dollar i 2025, en stigning på 76,4% i forhold til året før.

Den samme mættning antyder den kommende korrektion. Jeg tror, en lignende korrektion er på vej, ikke fordi AI er dårligt, men fordi den samme dynamik, der producerede sky-repatriering, også gælder her. Den er på vej, fordi organisationer presser hårdt ind i AI-drevne arbejdsbyrder uden altid at vide, hvordan historien ender i deres egne miljøer. Adoptionen versus modningen er målbart: McKinsey finder, at 88% af organisationer nu rapporterer regelmæssig AI-brug i mindst én funktion, men flertallet er stadig i pilot-fase og kun omkring 39% rapporterer omfattende EBIT-påvirkning.

Når man presser for hårdt uden en strategi, er afregningen ikke et måske. Den korrektion kommer. Den kommer altid. Man presser for hårdt uden en strategi, og til sidst tvinger økonomien og den operationelle realitet en afregning.

Der er allerede et navn for den korrektive mønster, og det er ikke mit. AI-repatriering, handlingen med at flytte bestemte opgaver ud af probabilistiske AI-systemer og tilbage til deterministiske arbejdsbyrder, når disse opgaver bliver stabile og gentagende, er ikke et begreb, jeg har opfundet. Det er et mønster, jeg ser udvikle sig. Jeg er ikke alene om at se det: Gartner forudser, at mere end 40% af agens-ai-projekter vil blive annulleret inden udgangen af 2027, med henvisning til stigende omkostninger, uklar forretningsværdi og utilstrækkelige risikokontroller.

Hvad AI-Korrektionen Ligner

For at forudse korrektionen hjælper det at have rene definitioner for de to typer arbejdsbyrder, der er involveret.

En deterministisk arbejdsbyrde er regelbaseret, forudsigelig og gentagende. Samme input og samme regler producerer samme output, hver gang. Den er hurtig, den er fast. Den gør præcis, hvad den er designet til at gøre, ikke mere, ikke mindre. En probabilistisk arbejdsbyrde bruger AI eller modelbaseret resonnering til at fortolke kontekst og producere et sandsynligt svar. Den er nyttig, når processer indebærer tvivl, ustruktureret information eller bedømmelsesskudsomhed, hvor faste regler bryder sammen, og slutninger bærer byrden.

Med definitionerne fastsat, svarer tids-spørgsmålet sig selv. Probabilistiske arbejdsbyrder er ofte det rigtige værktøj tidligt, når processer ikke endnu er fuldt forstået. De bliver problematiske, når virksomheder fortsætter med at bruge dem, når processer er klare.

En konkrete arbejdsbyrde gør den tidlige versus senere forskel håndgribelig. En del af den arbejdsbyrde kræver virkelig AI. At identificere den rigtige konto fra en samtale-transkript, for eksempel, kræver slutninger, som en deterministisk system ikke kan. Andre dele, som at vedhæfte en fil til en post eller sende en meddelelse, er deterministiske opgaver. En fast regel, en direkte API-opkald, er det samme output hver gang. Jeg er skyldig i det selv: Jeg er i gang med at bygge en intern automatisering, der kobler sammen samtale-transkripter, routerer information ind i vores CRM, tildeler handlingspunkter og sender opdateringer til Slack.

Frisøgeren er at køre det hele gennem AI, og den frisøger medfører en reel, tilbagevendende byrde. Mens der er en frisøger for at køre hele processen gennem AI-medierte opkald, introducerer hver AI-opkald forsinkelse og medfører brugs- og infrastruktur-omkostninger. AI-systemer kræver overvågning, prompt-styring og sikkerhedsforanstaltninger, fordi den underliggende model konstant (og uforudsigeligt) udvikles af dens ejer. Man ved aldrig, hvornår den begynder at fungere anderledes; output kan variere på måder, der skaber regeringsproblemer i stor skala, hurtigt.

Spillet ud tilstrækkeligt langt, bliver den byrde til ren spild. Tænk på en virksomhed, der bruger AI til at analysere 50.000 support-billetter. AI identificerer de fem mest almindelige løsningsveje. Til at begynde med håndterer AI routningen probabilistisk: læser hver billet og tager en beslutning. Over tid validerer virksomheden mønstrene. Løsningsvejene er nu kendte. At omdanne dem til deterministiske arbejdsbyrde-grener fjerner ikke AI fra processen, men det fjerner den redundante praksis med at betale AI for at genopdage svar, der allerede er kendte.

Det er den probabilistiske afgift: den tilføjede omkostning, forsinkelse og regeringsbyrde ved at køre AI som runtime for arbejde, der ikke længere kræver probabilistisk resonnering.

Hvad Modne Driftsmodeller Ligner

Hvis kørsel af løste arbejde på AI er en afgift, er den modne bevægelse at splitte arbejde efter type. Sky-modning producerede hybrid-infrastruktur, skyen, hvor den havde fortjent sin plads, dedikeret infrastruktur overalt andetsteds. Jeg forudser, at AI-modning vil producere hybrid-drift med samme logik.

Den split producerer en klar driftsregel. Probabilistiske systemer er værdifulde, hvor ægte tvivl eksisterer. Mennesker er tvivlsomme. Ustruktureret data er tvivlsom. Processer, der ikke endnu er fuldt forstået, er tvivlsomme. Slutning er det rigtige værktøj til alt dette. Den anden del af reglen er lige så vigtig: deterministiske systemer er, hvor skala, omkostning, hastighed og regering er vigtig. Den probabilistiske lag opdager og fortolker. Den deterministiske lag udfører.

På jorden fortæller to signaler, hvilken side en given arbejdsbyrde tilhører:

1. Hvis du finder, at dit team afhænger af AI til noget, der er blevet stabil, gentagende og fuldt forstået, er det en kandidat til repatriering, da du betaler en probabilistisk afgift for deterministisk arbejde.
2. Hvis du finder, at din deterministiske kode fylder op med undtagelshåndterere og variabilitets-overvejelser, er det et tegn på, at du måske faktisk har brug for AI. Regelsættet forsøger at approksimere slutning.

I praksis tegnes den grænse som en tillidsgrænse. En bestemt tillidsgrænse, der forpligter sig til en beslutning, når modellen er over 90% sikker, eller fejler elegant under den, er ofte, hvor den grænse tegnes i praksis.

Hvilket omdefinerer, hvad det vil sige at vinde med AI. De mest succesfulde virksomheder, der adopterer AI, vil ikke være dem, der bruger det mest, men dem, der ved, hvornår at bruge det og hvornår at supplere det.