Muuttuva pilviennuste

Malli, jonka olen nähnyt aikaisemmin

Olin ammattimaisesti mukana, kun pilvi tuli kuvaan. Tästä näkökulmasta näin alkuvaiheen: innostuksen, joustavuuden, ajatuksen, että kaikki oli menossa nopeammin. Tämä johti massiiviseen omaksumiseen, jossa jokainen työkuorma oli ehdokas, ja jokaisella toimittajalla oli pilvi-tarina.

Omaksuminen oli vain ensimmäinen puoli siitä, mitä seurasin. Sitten näin toisen puolen: repatriaation. Yritykset siirsivät tiettyjä työkuormia takaisin, kysyen, tarvitaanko jokaisen sovelluksen todella pilven joustavuutta. Tämä toinen siirto tapahtui jonkin syyn takia. Taloudellisten muutosten ja työkuormien kypsymisen myötä ne oletukset, jotka tekivät pilvestä selvän valinnan kaikkeen, lakkasivat pitämästä paikkaansa, kun organisaatiot alkoivat tarkastella niitä laajassa mittakaavassa.

Koska olen kokenut tämän kaaren kerran, tunnistan sen muodon, kun se alkaa muotoutua uudelleen. Nyt, kun autan yrityksiä selvittämään, mitä AI todella pitäisi tehdä heidän ympäristöissään, massiivinen omaksuminen/repatriaatio-malli alkaa näyttää tutulta.

Pilviparannus

Jotta ymmärretään, miksi tämä muistutus on merkittävä, on syytä aloittaa siitä, mitä pilvelle todella tapahtui omalla tavallaan. Siirtyminen pilveen oli järkevä. Se poisti kitkan, antoi organisaatioille joustavuutta ja nopeutta, ja oli järkevää työkuormille, jotka olivat epävarmoja tai nopeasti muuttuvia. Se oli järkevää, koska se oli rakennettu tietynlaiselle työlle. DevOps-tiimit valitsivat pilven ensin, koska pilvi oli rakennettu työlle, joka on iteraatiivista, muuttuvaa tai vaikeasti ennustettavaa.

Asia, jota he rakennivat, ei kuitenkaan pysynyt paikallaan. Pilvi ei muuttunut, mutta työkuormat muuttuivat. Kun prosessit kypsentyivät ja tulivat ennustettaviksi, organisaatiot tutustuivat kustannuksiin, jotka liittyivät omien tietojen palauttamiseen. Egress-maksut, tallennuskustannukset, siirtokulut: kustannukset, jotka olivat helppoja ohittaa, kun joustavuus oli arvokasta, ja vaikeita ohittaa, kun työkuormat vakiintuivat. Vuonna 2024, vuosien jälkeen, kun he olivat laskeneet data-egress-maksuja, AWS, Azure ja Google Cloud kaikki luopuivat näistä maksuista asiakkailta, jotka siirsivät palvelujaan heidän alustoiltaan, kuten DataCenterDynamics raportoi.

Kun nämä kustannukset tulivat näkyviin, laskelma lakkasi toimimasta kasvavan osan portfolioa varten. Taloudelliset seikat, jotka olivat tehneet pilvestä hyvän strategian, muuttuivat taloudellisesti ei-viidattaviksi kasvavalle joukolle AI-suunnattuja työkuormia. Yritykset teroittivat kynänsä ja kysyivät, tarvitaanko jokaisen sovelluksen todella sitä, mitä pilvi tarjosi. Kun he todella laskivat numerot, vastaus, monille työkuormille, oli ei.

Nämä kertyneet vastaukset muodostivat korjauksen, jonka teollisuus virheellisesti nimesi. Tämä korjaus tuli tunnetuksi “pilvi-repatriaationa”, ja se kuvataan useimmiten väärin. Se on itse asiassa työkuormien kypsymistä: kypsiä yrityksiä, jotka oppivat sopimaan kunkin työkuorman infrastruktuurimalliin, joka sopii sille. Data tukee valikoivaa lukemista eikä kokonaista. IDC löysi, että noin 80 %:ssa organisaatioista odotetaan jonkinlaista repatriaatiota seuraavan 12 kuukauden aikana, vaikka vähemmän kuin 10 %:ssa on siirtänyt koko työkuormia, kuten CIO.com raportoi.

Oikein luettuna, johtopäätös ei ole, että pilvi oli virhe. Pilvi on edelleen arvokas, mutta se lakkasi olemasta universaali. Kypsä tila on hybridinen: pilvi, jossa se on ansainnut paikkansa, omistettu tai omistettu infrastruktuuri muualla.

Sama korjauskaari, eri teknologia

Tämä kaari on nyt valmis ja merkitty. Sama muoto on näkyvissä AI:n kanssa. Jokainen myyjä, jokainen konferenssi, jokainen myyntipuhelu on nyt AI:sta. Saturaatio on identtinen sille, mitä seurasin tapahtuvan pilven kanssa. Sijoitukset, jotka ovat alla melun, ovat todellisia: Gartner ennustaa maailmanlaajuista generatiivisen AI:n kulutusta 644 miljardiksi dollariksi vuonna 2025, 76,4 %:n kasvua edellisestä vuodesta.

Sama saturaatio viittaa samaan tulevaan korjaukseen. Uskon, että samanlainen korjaus on tulossa, ei siksi, että AI on huono, vaan siksi, että sama dynamiikka, joka tuotti pilven repatriaation, soveltuu myös tähän. Se on tulossa, koska organisaatiot työntävät kovaa AI-vetisiin työprosesseihin ilman, että he aina tietävät, miten tarina päättyy heidän omassa ympäristössään. Omaksumisen ja kypsymisen välinen aukko on mitattavissa: McKinsey löytää, että 88 %:ssa organisaatioista raportoi säännöllistä AI-käyttöä vähintään yhdessä toiminnossa, vaikka useimmat ovat edelleen kokeilemassa ja vain noin 39 %:ssa raportoi yrityksen laajuisia EBIT-vaikutuksia.

Tämä aukko on mitattavissa, ja se on kasvava. Kun organisaatiot työntävät kovaa ilman strategiaa, seurauksena on laskelmien ja toiminnallisen todellisuuden pakottama korjaus. Tämä korjaus tulee. Se tulee aina. Kun et tee strategiaa, laskelmat ja toiminnallinen todellisuus pakottavat korjauksen.

On jo nimi tälle korjausmallille, ja se ei ole minun keksimäni. AI-repatriaatio, eli tiettyjen tehtävien siirtäminen todennäköisyyden perusteella toimivista AI-järjestelmistä takaisin deterministisiin työprosesseihin, kun nämä tehtävät tulevat vakaiksi ja toistuviksi, ei ole käsite, jonka keksin. Se on malli, jota seuraan. En ole yksin tätä seuraamassa: Gartner ennustaa, että yli 40 %:ssa agenteista AI-projekteista peruutetaan vuoden 2027 loppuun mennessä, viitaten kohoaviin kustannuksiin, epäselviin liiketoimintaratkaisuihin ja riittämättömiin riskienhallintatoimiin.

Miltä AI-korjaus näyttää

Jotta voimme odottaa korjausta, on hyvä olla selkeät määritelmät kahdelle työprosessityypille, jotka ovat osana tätä.

Deterministinen työprosessi on sääntöpohjainen, ennustettavissa oleva ja toistuva. Sama syöte ja samat säännöt tuottavat aina saman tuloksen. Se on nopea, se on kiinteä. Se tekee juuri sen, mihin se on suunniteltu, ei enempää, ei vähempää. Todennäköisyyden perusteella toimiva työprosessi käyttää AI:ta tai mallipohjaista päättelyä tulkitaakseen asiayhteyden ja tuottaakseen todennäköisen vastauksen. Se on hyödyllinen, kun prosessit sisältävät epävarmuutta, rakenteettomia tietoja tai arviointeja, joissa kiinteät säännöt menevät rikki ja johtopäätökset kantavat kuormaa.

Näiden määritelmiensä kanssa korjausajankohta vastaa itseään. Todennäköisyyden perusteella toimivat työprosessit ovat usein oikea työkalu aluksi, kun prosessit eivät ole vielä täysin ymmärretty. Ne muuttuvat ongelmallisiksi, kun yritykset jatkavat niiden käyttämistä, kun prosessit on selkiytynyt.

Konkreettinen työprosessi tekee tämän varhaisen ja myöhäisen eron konkreettiseksi. Osa tästä työprosessista vaatii todella AI:ta. Esimerkiksi oikean tilin tunnistaminen puhelun transkriptista vaatii johtopäätöksiä, joita deterministinen järjestelmä ei voi tehdä. Toiset osat, kuten tiedoston liittäminen tietueeseen tai ilmoituksen lähettäminen, ovat deterministisiä tehtäviä. Kiinteä sääntö, suora API-kutsu, on aina sama tulos. Olen syyllinen tähän itse: rakennan parhaillaan sisäistä automaatiota, joka yhdistää puhelun transkriptit, reitittää tiedot CRM:ään, määrittää toimintakohteita ja lähettää päivityksiä Slackiin.

Houkutus on suuri ajaa kaikkea AI:n läpi, ja tämä houkutus kantaa todellista, toistuvaa taakkaa. Vaikka on houkutus ajaa kaikkea AI-välitteisesti, jokainen AI-kutsu tuo viiveen ja kantaa käyttö- ja infrastruktuurikustannuksia. AI-järjestelmien vaatii valvontaa, ohjattuja kehitystyökaluja ja esteitä, koska perustana oleva malli on jatkuvasti (ja epävarmasti) kehitetty sen omistajan toimesta. Et voi koskaan tietää, milloin se alkaa toimia eri tavoin; tulokset voivat vaihdella tavoin, jotka luovat hallinnollisia ongelmia laajassa mittakaavassa, nopeasti.

Jos tämä jatkuu tarpeeksi pitkään, se muuttuu puhdasvirheeksi. Ajattele yritystä, joka käyttää AI:ta 50 000 tukipyyntöä analysoimaan. AI tunnistaa viisi yleisintä ratkaisureittiä. Aluksi AI käsittelee reititystä todennäköisyyden perusteella: lukee jokaisen pyynnön ja tekee arvion. Ajan myötä yritys vahvistaa nämä mallit. Ratkaisureitit ovat nyt tiedossa. Muuttaminen deterministiseksi työprosessiksi ei poista AI:ta prosessista, mutta se poistaa tarpeettoman käytännön, jossa maksetaan AI:lle löytämään vastauksia, jotka ovat jo tiedossa.

Tämä on todennäköisyyden perusteella toimivan työprosessin verotus: lisäkustannukset, viive ja hallinnollinen taakka, jotka liittyvät AI:n käyttämiseen työprosessin suorittamiseen, kun työ ei enää vaadi todennäköisyyden perusteella toimivaa päättelyä.

Miltä kypsiä toimintamallit näyttävät

Jos ajaa ratkaistua työtä AI:lla on verotus, kypsä siirto on jakaa työ prosessityypin mukaan. Pilven kypsyminen tuotti hybridisen infrastruktuurin, pilven, jossa se ansaitsi paikkansa, omistetun infrastruktuurin muualla. Ennustan, että AI:n kypsyminen tuottaa hybridisen toiminnan samalla logiikalla.

Tämä jakautuminen tuottaa selkeän toimintasäännön. Todennäköisyyden perusteella toimivat järjestelmät ovat arvokkaita, kun todellista epävarmuutta on olemassa. Ihmiset ovat epävarmoja. Rakenteettomat tiedot ovat epävarmoja. Prosessit, jotka eivät ole vielä täysin ymmärretty, ovat epävarmoja. Johtopäätös on oikea työkalu kaikkeen tähän. Toisen puolen sääntö on yhtä tärkeä: deterministiset järjestelmät ovat siellä, missä skaala, kustannukset, nopeus ja hallinnointi merkitsevät. Todennäköisyyden perusteella toimiva kerros löytää ja tulkitsee. Deterministinen kerros suorittaa.

Käytännössä kaksi merkkiä kertoo, mihin kategoriaan tietty työkuorma kuuluu:

1. Jos löydät tiimisi luottavan AI:hen jossain, joka on tullut vakaaksi, toistuvaksi ja hyvin ymmärretyksi, se on ehdokas repatriaatiolle, koska maksat todennäköisyyden perusteella toimivan veron deterministiselle työlle.
2. Jos löydät deterministisen koodisi täyttyvän poikkeusten käsittelijöistä ja vaihtelun huomioon ottamisesta, se on merkki siitä, että tarvitset todennäköisyyden perusteella toimivaa järjestelmää. Sääntöjoukko yrittää approksimoida johtopäätöksiä.

Käytännössä tämä raja piirretään luottamusrajana. Tietty luottamusraja, sitoutuminen päätökseen, kun malli on yli 90 %:n varma, tai epäonnistuminen siinä, missä se on alle, on usein se, mihin tämä raja piirretään käytännössä.

Se uudelleenmuotoilee sitä, mitä voittaminen AI:n kanssa edellyttää. Menestyksekkäimmät yritykset, jotka omaksuvat AI:n, eivät ole niitä, jotka käyttävät sitä eniten, vaan ne, jotka tietävät, milloin käyttää sitä ja milloin täydentää sitä.