Perubahan Ramalan Awan

Polanya yang Saya Lihat Sebelumnya

Saya bekerja secara profesional ketika awan menjadi hal yang populer. Dari sudut pandang itu, saya melihat adopsi awal: kegembiraan, fleksibilitas, dan perasaan bahwa semua akan bergerak lebih cepat. Ini menyebabkan adopsi besar-besaran, di mana setiap beban kerja adalah kandidat dan setiap vendor memiliki cerita awan.

Adopsi, bagaimanapun, hanya setengah dari apa yang saya lihat. Kemudian saya melihat sisi lainnya: repatriasi. Perusahaan memindahkan beban kerja tertentu kembali, bertanya apakah setiap aplikasi benar-benar memerlukan fleksibilitas awan. Gerakan itu terjadi karena alasan tertentu. Dengan pergeseran ekonomi dan kematangan beban kerja, asumsi yang membuat awan menjadi pilihan yang jelas untuk hampir semua hal berhenti berlaku ketika organisasi mulai memeriksa mereka dalam skala besar.

Setelah mengalami busur penuh sekali, saya mengenali bentuknya ketika itu mulai terbentuk lagi. Sekarang, ketika saya membantu perusahaan memahami apa yang sebenarnya harus dilakukan AI dalam lingkungan mereka, pola adopsi/repatriasi besar-besaran mulai terlihat familiar.

Koreksi Awan

Untuk memahami mengapa kesamaan itu penting, membantu untuk memulai dengan apa yang sebenarnya terjadi pada awan, dengan cara sendiri. Gerakan ke awan rasional. Ini menghilangkan gesekan, memberikan organisasi fleksibilitas dan kecepatan, dan masuk akal untuk beban kerja yang tidak pasti atau berubah cepat. Ini rasional karena jenis pekerjaan yang dibangun untuknya. Tim DevOps pergi ke awan karena awan dibangun untuk pekerjaan yang iteratif, variabel, atau sulit diprediksi.

Tapi hal yang mereka bangun untuk tidak tetap diam. Awan tidak berubah, tapi beban kerja berubah. Ketika proses matang dan menjadi dapat diprediksi, organisasi menjadi familiar dengan biaya di sekitar mendapatkan data kembali. Biaya egress, biaya penyimpanan, biaya transfer: biaya yang mudah diabaikan ketika fleksibilitas sepadan, dan sulit diabaikan sekali beban kerja stabil. Pada 2024, setelah bertahun-tahun mengenakan biaya egress data, AWS, Azure, dan Google Cloud semua menghapus biaya tersebut untuk pelanggan yang bermigrasi dari platform mereka, seperti yang dilaporkan oleh DataCenterDynamics.

Ketika biaya tersebut terlihat, matematika berhenti berfungsi untuk bagian yang semakin besar dari portofolio. Ekonomi yang membuat awan menjadi strategi yang baik dengan beberapa kelemahan menjadi tidak layak secara ekonomi untuk sejumlah besar beban kerja yang berorientasi AI. Perusahaan mempertajam pensil mereka dan bertanya apakah setiap aplikasi benar-benar memerlukan apa yang awan sediakan. Ketika mereka benar-benar menjalankan angka-angka, jawabannya, untuk banyak beban kerja, adalah tidak.

Jawaban yang terkumpul menjadi koreksi yang industri salah label. Koreksi itu kemudian disebut “repatriasi awan,” dan itu salah dijelaskan sebagian besar waktu. Ini sebenarnya kematangan beban kerja: perusahaan matang belajar untuk mencocokkan setiap beban kerja dengan model infrastruktur yang sesuai. Data mendukung pembacaan selektif daripada yang keseluruhan. IDC menemukan bahwa sekitar 80% organisasi mengharapkan beberapa repatriasi dalam 12 bulan ke depan, bahkan ketika kurang dari 10% telah merepatriasi beban kerja secara keseluruhan, menurut laporan di CIO.com.

Baca dengan benar, kesimpulan bukanlah bahwa awan adalah kesalahan. Awan tetap berharga, tapi itu berhenti menjadi universal. Keadaan matang adalah hybrid: awan di mana itu mendapatkan tempatnya, infrastruktur pribadi atau didedikasikan di mana-mana.

Kurva Koreksi yang Sama, Teknologi yang Berbeda

Busur itu selesai dan diberi label sekarang. Bentuk yang sama mulai terbentuk lagi dengan AI. Setiap vendor, setiap konferensi, setiap panggilan penjualan sekarang tentang AI. Jenuhnya identik dengan apa yang saya lihat terjadi dengan awan. Pengeluaran di bawah kebisingan itu nyata: Gartner memperkirakan pengeluaran AI generatif worldwide sebesar $644 miliar pada 2025, naik 76,4% year-over-year.

Penyerapan yang sama menyiratkan koreksi yang akan datang. Saya percaya koreksi serupa akan datang, tidak karena AI buruk, tapi karena dinamika yang sama yang menghasilkan repatriasi awan berlaku di sini juga. Ini datang karena organisasi mendorong keras ke dalam alur kerja yang didorong AI tanpa selalu mengetahui, dalam lingkungan mereka sendiri, bagaimana cerita itu berakhir. Jarak antara adopsi dan kematangan dapat diukur: McKinsey menemukan bahwa 88% organisasi sekarang melaporkan penggunaan AI reguler di setidaknya satu fungsi, namun sebagian besar masih dalam tahap pengujian dan hanya sekitar 39% melaporkan dampak EBIT tingkat perusahaan.

Mendorong terlalu keras tanpa strategi dan perhitungan itu tidak mungkin. Koreksi itu datang. Ini selalu datang. Anda mendorong terlalu keras tanpa strategi, dan akhirnya ekonomi dan kenyataan operasional memaksa perhitungan.

Sudah ada nama untuk pola korektif, dan itu bukan milik saya. Repatriasi AI, tindakan memindahkan tugas tertentu dari sistem AI probabilistik dan kembali ke alur kerja deterministik sekali tugas tersebut stabil dan dapat diulang, bukanlah konsep yang saya ciptakan. Ini pola yang saya lihat terbentang. Saya tidak sendirian dalam melihatnya: Gartner memprediksi bahwa lebih dari 40% proyek AI agen akan dibatalkan pada akhir 2027, dengan biaya yang meningkat, nilai bisnis yang tidak jelas, dan kontrol risiko yang tidak memadai.

Apa Koreksi AI Terlihat

Untuk memprediksi koreksi, membantu untuk memiliki definisi yang jelas untuk dua jenis alur kerja yang terlibat.

Alur kerja deterministik adalah berbasis aturan, dapat diprediksi, dan dapat diulang. Input yang sama dan aturan yang sama menghasilkan output yang sama, setiap saat. Ini cepat, ini tetap. Ini melakukan tepat apa yang dirancang untuk dilakukan, tidak lebih, tidak kurang. Alur kerja probabilistik menggunakan AI atau penalaran berbasis model untuk menafsirkan konteks dan menghasilkan jawaban yang mungkin. Ini berguna ketika proses melibatkan ketidakjelasan, informasi tidak terstruktur, atau keputusan yang memerlukan penalaran.

Dengan definisi yang ditetapkan, pertanyaan waktu menjawab dirinya sendiri. Alur kerja probabilistik sering kali menjadi alat yang tepat pada awalnya ketika proses belum sepenuhnya dipahami. Ini menjadi bermasalah ketika perusahaan terus menggunakan mereka ketika proses telah dijelaskan.

Alur kerja konkrit membuat perbedaan awal-vs-akhir itu nyata. Bagian dari alur kerja itu benar-benar memerlukan AI. Mengidentifikasi akun yang tepat dari transkrip panggilan, misalnya, memerlukan inferensi yang sistem deterministik tidak bisa lakukan. Bagian lain, seperti melampirkan file ke catatan atau memposting pemberitahuan, adalah tugas deterministik. Aturan tetap, panggilan API langsung, adalah output yang sama setiap saat. Saya sendiri bersalah karena ini: saya saat ini membangun otomatisasi internal yang menghubungkan transkrip panggilan, mengarahkan informasi ke CRM kami, mengassign tindakan, dan mendorong pembaruan ke Slack.

Godaan itu adalah untuk menjalankan semua melalui AI, dan godaan itu membawa beban yang nyata dan berulang. Sementara ada godaan untuk menjalankan seluruhnya melalui panggilan AI, setiap panggilan AI memperkenalkan keterlambatan dan membawa biaya penggunaan dan infrastruktur. Sistem AI memerlukan pemantauan, manajemen prompt, dan penghalang, karena model dasar sedang dikembangkan secara konstan (dan tidak dapat diprediksi) oleh pemiliknya. Anda tidak pernah tahu kapan itu akan mulai berperforma secara berbeda; output dapat bervariasi dengan cara yang menciptakan masalah tata kelola pada skala besar, dengan cepat.

Dimainkan cukup jauh, beban itu berubah menjadi pemborosan murni. Pikirkan tentang perusahaan yang menggunakan AI untuk menganalisis 50.000 tiket dukungan. AI mengidentifikasi lima jalur resolusi paling umum. Pada awalnya, AI menangani routing secara probabilistik: membaca setiap tiket dan membuat keputusan. Seiring waktu, perusahaan memvalidasi pola tersebut. Jalur resolusi sekarang diketahui. Mengubahnya menjadi cabang alur kerja deterministik tidak menghilangkan AI dari proses, tapi itu menghilangkan praktik yang berlebihan dengan membayar AI untuk menemukan kembali jawaban yang sudah diketahui.

Itu adalah pajak probabilistik: biaya tambahan, keterlambatan, dan beban tata kelola dari menjalankan AI sebagai runtime untuk pekerjaan yang tidak lagi memerlukan penalaran probabilistik.

Apa Model Operasional yang Matang Terlihat

Jika menjalankan pekerjaan yang sudah terpecahkan pada AI adalah pajak, maka langkah yang matang adalah untuk membagi pekerjaan berdasarkan jenis. Kematangan awan menghasilkan infrastruktur hybrid, awan di mana itu mendapatkan tempatnya, infrastruktur didedikasikan di mana-mana. Saya memprediksi kematangan AI akan menghasilkan operasi hybrid dengan logika yang sama.

Itu membagi aturan operasional yang jelas. Sistem probabilistik bernilai di mana ketidakjelasan yang sebenarnya ada. Manusia tidak jelas. Data tidak terstruktur tidak jelas. Proses yang belum sepenuhnya dipahami tidak jelas. Inferensi adalah alat yang tepat untuk semua itu. Sisi lain aturan itu sama pentingnya: sistem deterministik adalah di mana skala, biaya, kecepatan, dan tata kelola matter. Lapisan probabilistik menemukan dan menafsirkan. Lapisan deterministik menjalankan.

Di lapangan, dua sinyal memberitahu Anda yang beban kerja termasuk:

1. Jika Anda menemukan tim Anda bergantung pada AI untuk sesuatu yang telah menjadi stabil, dapat diulang, dan dipahami, itu adalah kandidat untuk repatriasi, karena Anda membayar pajak probabilistik untuk pekerjaan deterministik.
2. Jika Anda menemukan kode deterministik Anda dipenuhi dengan handler pengecualian dan pertimbangan variabilitas, itu adalah tanda bahwa Anda mungkin benar-benar memerlukan AI. Set aturan mencoba untuk mengapproximasi inferensi.

Dalam praktek, batas itu ditarik sebagai ambang kepercayaan. Ambang kepercayaan tertentu, berkomitmen pada keputusan ketika model di atas 90% yakin, atau gagal dengan anggun di bawahnya, sering kali di mana batas itu ditarik dalam praktek.

Yang mengubah apa yang dimenangkan dengan AI sebenarnya memerlukan. Perusahaan yang paling sukses yang mengadopsi AI tidak akan menjadi mereka yang menggunakan AI paling banyak, tapi mereka yang tahu kapan menggunakan AI dan kapan melengkapi AI.