Jon Howe, プリンシパルソリューションアーキテクト、Myriad360 Jon Howe プリンシパルソリューションアーキテクト、Myriad360

クラウド予測の変化

以前見たパターンクラウドが現れたとき、私はプロとして働いていました。クラウドの初期の採用、すなわち、エキサイティングなもの、柔軟性、すべてが速くなるという感覚を見ました。その結果、すべてのワークロードが候補となり、すべてのベンダーがクラウドのストーリーを持つことになりました。採用は、私が見たものの最初の半分でした。次に、私はその反対側を見ました: リパトリエーション。企業が特定のワークロードを戻し、すべてのアプリケーションが本当にクラウドの柔軟性を必要とするかどうかを尋ねることになりました。その第二の動きは理由がありました。経済的変化とワークロードの成熟度により、クラウドがすべてのものにとって明らかな選択肢であったと考えられていた仮定は、組織がそれらを大規模に検討し始めたときに機能しなくなりました。一度完全なアークを生きているので、その形が再び形成され始めるときにそれを認識します。現在、企業が自分の環境でAIが実際に何をすべきかを整理するのを手伝っているので、採用/リパトリエーションのパターンが再び始まっているようです。クラウドの修正なぜその類似性が重要かを理解するには、クラウドが実際に何であったかをその独自の条件で見る必要があります。クラウドへの移行は合理的でした。摩擦を取り除き、組織に柔軟性とスピードを与え、不確実または急速に変化するワークロードに意味がありました。クラウドは、反復的、可変、または予測が難しい作業を目的として構築されていたため、合理的でした。DevOpsチームはクラウドを最初に選択しました。クラウドは、反復的、可変、または予測が難しい作業を目的として構築されていたからです。しかし、彼らが構築しようとしていたものは静止していませんでした。クラウドは変わりませんでしたが、ワークロードは変わりました。プロセスが成熟し、予測可能になったとき、組織は自分のデータを取り戻すためのコストに慣れました。エグレス料金、ストレージコスト、転送料金: 柔軟性がそれに値したときは無視しやすいですが、ワークロードが安定したときは無視しにくい費用でした。2024年、AWS、Azure、Google Cloudはすべて、データセンターのダイナミクスによると、プラットフォームから移行する顧客に対してデータエグレス料金を免除しました。そのコストが可視化されると、数学はクラウドの戦略が経済的に実行可能でなくなったワークロードの増加するシェアにとって機能しなくなりました。企業は鉛筆を鋭くし、すべてのアプリケーションが本当にクラウドが提供するものを必要とするかどうかを尋ねました。実際に数字を実行したとき、答えは、多くのワークロードに対して「いいえ」でした。それらの蓄積された答えは、業界が誤ってラベル付けした修正でした。その修正は「クラウドのリパトリエーション」と呼ばれ、ほとんどの時間に誤って説明されます。実際には、ワークロードの成熟度です: 成熟した企業が各ワークロードを、適合するインフラストラクチャモデルにマッチングすることを学ぶことです。データは、総合的な読み方ではなく、選択的な読み方を裏付けています。IDCによると、約80%の組織は次の12ヶ月間に何らかのリパトリエーションを予想していますが、CIO.comの報告によると、10%未満の組織がワークロードを完全にリパトリエーションしています。正しく読み取ると、結論はクラウドが間違いであったということではありません。クラウドはまだ価値がありますが、普遍的ではなくなりました。成熟した状態はハイブリッドです: クラウドはそれがその場所を獲得した場所で、プライベートまたは専用のインフラストラクチャはどこでもそうです。同じ修正曲線、異なるテクノロジーそのアークは終了し、ラベル付けされています。同じ形がAIで明らかに始まっています。すべてのベンダー、すべてのカンファレンス、すべてのセールスキャルは現在AIについてです。飽和はクラウドで見たのと同じです。ノイズの下にある支出は実際です: ガートナーは、2025年の世界的なジェネレーティブAIの支出を644億ドルと予測しています。76.4%の年間増加です。同じ飽和は同じ修正の来ることを意味します。我々はAIドリブンのワークフローに常に戦略を持たずに押し込んでいるので、同じ動的なクラウドのリパトリエーションがここでも適用されます。採用と成熟度のギャップは測定可能です: マッキンゼーによると、88%の組織は現在、少なくとも1つの機能で定期的にAIを使用していますが、大多数はまだパイロットを実施しており、約39%が企業レベルのEBITへの影響を報告しています。戦略を持たずにそれを押し込むと、結果は必然的に来ます。修正は来ます。常に来ます。戦略を持たずにそれを押し込むと、最終的には経済と運用の現実が修正を強いることになります。すでにその修正パターンには名前があります。それは私が作ったものではありません。安定したタスクを確率的なAIシステムから決定的なワークフローに戻すことをAIのリパトリエーションと呼びます。これは私が発明した概念ではありません。これは私が見ているパターンです。我々はそれを見ている唯一のものではありません。ガートナーは、2027年末までに40%以上のエージェントAIプロジェクトがキャンセルされることを予測しています。コストの増加、ビジネス価値の不明確さ、リスク管理の不十分さを引用しています。AIの修正が見えるようにその修正を予測するには、関与する2つのタイプのワークフローに対するクリーンな定義を持つ必要があります。決定的なワークフローはルールベースで、予測可能で、繰り返し実行可能です。同じ入力と同じルールは、毎回同じ出力を生成します。速く、固定されています。設計されたものを正確に実行します。確率的なワークフローは、AIまたはモデルベースの推論を使用してコンテキストを解釈し、可能な答えを生成します。曖昧性、構造化されていない情報、または判断の呼び出しで固定ルールが崩壊し、推論が負荷を運ぶ場所で役立ちます。定義が設定されると、タイミングの質問はそれ自体で答えられます。確率的なワークフローは、プロセスがまだ完全に理解されていない初期段階で、よく適したツールです。プロセスが明確化されたときに企業がそれらを使用し続けると、問題が生じます。具体的なワークフローは、初期段階と後期段階の違いを具体的に示しています。ワークフローの一部は、AIを必要とします。たとえば、コールトランスクリプトから正しいアカウントを特定するには、決定的なシステムではできない推論が必要です。他の部分、レコードにファイルを添付するか、通知を投稿することは、決定的なタスクです。固定ルール、直接APIコールは、毎回同じ出力です。全体をAIを介して実行する誘惑がありますが、その誘惑は実際の、繰り返しになる負担を伴います。AIを介したコールを実行することは、待ち時間を導入し、使用とインフラストラクチャのコストを伴います。AIシステムは、所有者のもとで常に（そして予測不可能に）開発されているため、監視、プロンプト管理、ガードレールが必要です。いつも同じように動作しない可能性があり、出力は、スケールでガバナンスの問題を素早く生み出す方法で変化する可能性があります。十分に実行すると、その負担は純粋な浪費に変わります。50,000のサポートチケットを分析するためにAIを使用する会社について考えてみましょう。AIは5つの最も一般的な解決パスを特定します。最初は、AIが確率的にルーティングを処理します: チケットを読み、判断を下します。時間の経過とともに、会社はパターンを検証します。解決パスはすでにわかっているので、決定的なワークフローブランチに変換することでAIをプロセスから除去することはできませんが、既にわかっている答えを再発見するためにAIを支払うという冗長な慣行を除去することはできます。それが確率的な税金です: 冗長な実践のコスト、待ち時間、ガバナンスの負担: それが必要とされなくなった仕事を実行するためにAIを実行することです。成熟した運用モデルの見え方決定的な仕事をAIで実行することは税金である場合、成熟した動きは仕事を種類別に分割することです。クラウドの成熟度はハイブリッドインフラストラクチャを生み出し、クラウドはそれがその場所を獲得した場所で、専用のインフラストラクチャはどこでもそうでした。私は、AIの成熟度が同じ論理でハイブリッド運用を生み出すと予測しています。その分割は明確な運用ルールを生み出します。確率的なシステムは、真正な曖昧さがある場所で価値があります。人間は曖昧です。構造化されていないデータは曖昧です。まだ完全に理解されていないプロセスは曖昧です。推論はすべてのための適切なツールです。もう一方のルールは同じくらい重要です: 決定的なシステムは、スケール、コスト、スピード、ガバナンスが重要な場所です。確率的なレイヤーは発見と解釈を担当し、決定的なレイヤーは実行を担当します。現場では、2つのシグナルが特定のワークロードがどちらのカテゴリに属するかを示します: ワークロードが安定し、繰り返し、完全に理解されたものになっている場合、決定的な仕事のための候補となります。確率的な仕事に対して確率的な税金を支払っているためです。 決定的なコードが例外ハンドラーと変化性の考慮事項でいっぱいになっている場合、それはAIが必要なことを示す兆候です。ルールセットは推論を近似しています。 実践では、境界は信頼性のしきい値として描かれます。90%以上の信頼性のあるモデルにコミットするか、それ以下の場合は優雅に失敗することが、境界が描かれる場所です。それがAIで勝つことが実際に何を必要とするかを再定義します。AIを採用する最も成功した企業は、AIを最も使用する企業ではありません。AIを使用する時と補足する時を知っている企業です。