클라우드 예보의 변화

이전에 본 패턴

클라우드가 처음 등장했을 때私は 전문적으로 일하고 있었습니다. 그 시점에서私は 초기 채택을 보았습니다: 흥분, 유연성, 모든 것이 더 빠르게 진행될 것이라는 느낌. 이것은 대규모 채택으로 이어졌습니다. 모든 워크로드가 후보였고 모든 벤더는 클라우드 스토리를 가지고 있었습니다.

채택은私は 보았던 첫 번째 반쪽이었습니다. 그리고私は 다른 쪽을 보았습니다: 재이민. 특정 워크로드를 다시 이동하는 회사들, 모든 애플리케이션이本当に 클라우드 유연성이 필요한지 묻는 회사들. 두 번째 이동은 이유가 있었습니다. 경제적 변동과 워크로드 성숙度에 따라 클라우드가 모든 것에 대한 명백한 선택이 된 가정은 더 이상 유지되지 않았습니다.

전체 아크를 한번 살펴본 후,私は 그 모양을 다시 형성할 때마다認識합니다. 지금,私は 회사들이 실제로 환경에서 무엇을해야하는지 정리하는 것을 도와줄 때, 대규모 채택/재이민 패턴이 다시 시작되는 것을 보는 것 같습니다.

클라우드 교정

왜 유사성이 중요한지 이해하기 위해서는 클라우드가 실제로 어떻게 변화했는지 살펴보는 것이 도움이 됩니다. 클라우드로의 이동은 합리적이었습니다. 그것은 마찰을 제거하고, 조직에 유연성과 속도를 제공했으며, 불확실하거나 빠르게 변경되는 워크로드에 대해 의미가 있었습니다. 그것은 클라우드가 구축된 특정 종류의 작업 때문에 합리적이었습니다. DevOps 팀은 클라우드 우선으로 이동했습니다. 클라우드는 반복적이거나 예측할 수 없거나 변수가 많은 작업을 위해 구축되었습니다.

그러나 그들이 구축한 것은 정지하지 않았습니다. 클라우드는 변하지 않았지만 워크로드는 변했습니다. 프로세스가 성숙하고 예측 가능해지면서 조직은 자신의 데이터를 되찾는 데 따른 비용에 익숙해졌습니다.出口 수수료, 저장 비용, 전송 비용: 유연성이 가치가 있을 때 쉽게 무시할 수 있었던 비용이지만 워크로드가 안정화되면 무시하기 어려운 비용이 되었습니다. 2024년에, 수년간 데이터出口 수수료를 청구한 후, AWS, Azure, 및 Google Cloud는 모두 플랫폼에서 고객을 이동시키는 경우에 대한 수수료를 면제했습니다.

그 비용이 보이면 수학은 더 이상 작동하지 않았습니다. 경제학이 클라우드를 좋은 전략으로 만들었던 것은 이제 더 이상 경제적으로 지속 가능하지 않았습니다. 公司들은 연필을 뽑고 모든 애플리케이션이本当に 클라우드가 제공하는 것을 필요로 하는지 묻기 시작했습니다. 실제로 숫자를 실행했을 때, 많은 워크로드에 대한 답은 아니었습니다.

누적된 답은 산업이 잘못 레이블링한 교정을 만들었습니다. 그 교정은 “클라우드 재이민”이라고 불리우며, 대부분의 경우 잘못 설명됩니다. 그것은 실제로 워크로드 성숙도입니다: 성숙한 公司들이 각 워크로드에 적합한 인프라 모델을 매칭하는 것을 배우는 것입니다. 데이터는 전체적인 읽기보다 선택적인 읽기를 지원합니다. IDC는 약 80%의 公司들이 향후 12개월 내에 일부 재이민을 기대한다는 것을 발견했습니다. 그러나 10% 미만의 公司들이 전체 워크로드를 재이민했습니다.

클라우드를 올바르게 읽으면, 결론은 클라우드가 실수였다는 것이 아닙니다. 클라우드는 여전히 가치가 있지만, 더 이상 보편적이지 않습니다. 성숙한 상태는 하이브리드입니다: 클라우드가 그 자리를 얻은 곳에서 클라우드, 다른 곳에서는 전용 인프라입니다.

同じ 교정 곡선, 다른 기술

그 아크는 이제 완료되었습니다. 동일한 모양이 AI에서 시작되고 있습니다. 모든 벤더, 모든 컨퍼런스, 모든 판매 전화는現在 AI에 관한 것입니다. 포화도는 클라우드와 동일합니다: 지출은 실제로Noise 아래에 있습니다. Gartner는 2025년에 전 세계 생성 AI 지출이 644억 달러에 이를 것으로 예상합니다.

同じ 포화도는 동일한 교정을 의미합니다.私は 비슷한 교정이 오고 있다고 믿습니다. 그것은 AI가 나쁘기 때문이 아닙니다. 클라우드 재이민을 생성한 동일한 역학이 여기에서도 적용되기 때문입니다. 그것은 公司들이 자신의 환경에서 어떻게 끝나야 하는지 항상 알지 못하면서 AI 주도 워크플로우에 강하게 밀어붙이고 있기 때문입니다. 채택과 성숙도 간격은 측정 가능합니다: McKinsey는 88%의 公司들이現在 적어도 하나의 기능에서 정기적으로 AI를 사용하고 있다고 보고하지만, 대부분은 아직 시험 중이며, 약 39%만 기업 수준의 EBIT 영향을 보고합니다.

전략 없이 너무 강하게 밀어붙이면, 교정은 반드시 옵니다. 그것은 항상这样입니다. 전략 없이 너무 강하게 밀어붙이면, 경제와 운영 현실은最終적으로 교정을 강요합니다.

이미 교정 패턴에 이름이 있습니다. 그것은私の 것이 아닙니다. AI 재이민, 즉 안정적이고 반복 가능한 작업을 확립한 후에 확률적 AI 시스템에서 특정 작업을 제거하는 행위는私の 개념이 아닙니다. 그것은私は 관찰하고 있는 패턴입니다.私は 혼자 관찰하고 있지 않습니다: Gartner는 2027년 말까지 40% 이상의 에이전트 AI 프로젝트가 취소될 것으로 예상합니다.

AI 교정의 모양

교정을 예상하기 위해서는 두 가지 유형의 워크플로우에 대한 정의가 필요합니다.

결정론적 워크플로우는 규칙 기반, 예측 가능, 반복 가능합니다. 동일한 입력과 동일한 규칙은 항상 동일한 출력을 생성합니다. 그것은 빠르며, 고정되어 있습니다. 그것은 정확히 설계된 대로 작동하며, 더 이상 nichts도 없습니다. 확률론적 워크플로우는 AI 또는 모델 기반 추론을 사용하여 컨텍스트를 해석하고 가능성 있는 답변을 생성합니다. 그것은 모호성, 비정형 데이터 또는 판단 호출이 포함된 프로세스에서 유용합니다.

정의가 설정되면, 타이밍 질문은 自動으로 답이 됩니다. 확률론적 워크플로우는 프로세스가 아직 완전히 이해되지 않은 초기에 종종 올바른 도구입니다. 그러나 公司들이 프로세스가 명확해졌을 때에도 계속 사용하는 경우 문제가 됩니다.

구체적인 워크플로우는 초기와 후기의 구별을 구체적으로 만듭니다. 일부 워크플로우는真正로 AI가 필요합니다. 예를 들어, 콜 전송에서 올바른 계정을 식별하는 것은 확률론적 시스템이 할 수 없는 추론을 필요로 합니다. 다른 일부는 파일을 레코드에 첨부하거나 알림을 게시하는 것과 같이 결정론적 작업입니다. 고정된 규칙, 직접 API 호출, 항상 동일한 출력입니다.

유혹은 모든 것을 AI를 통해 실행하는 것입니다. 그러나 그 유혹은 실제로 반복되는 부담을 가지고 있습니다. AI를 통해 모든 것을 실행하는 경우, 각 AI 호출은 지연을 도입하고, 사용 및 인프라 비용을 가지고 있습니다. AI 시스템은 모니터링, 프롬프트 관리, 가드레일을 필요로 합니다. 기본 모델은不断으로 개발되고 있기 때문입니다. 언제 어떻게 작동할지 모릅니다. 출력은 규모에서 빠르게 거버넌스 문제를 생성할 수 있습니다.

충분히 진행되면, 그 부담은 순수한 낭비로 변합니다. 50,000개의 지원 티켓을 분석하는 公司를 생각해 보십시오. AI는 5개의 가장 일반적인 해결 경로를 식별합니다. 처음에는 AI가 확률론적으로 경로를 처리합니다. 그러나 公司가 그 패턴을 검증하면, 경로가 이제 알려져 있습니다. 확률론적 워크플로우를 결정론적 워크플로우로 전환하면 AI를 제거하지는 않지만, 이미 알려진 답변을 다시 발견하기 위해 AI를 지불하는 불필요한 관행을 제거합니다.

그것이 확률론적 세금입니다: 확률론적 워크플로우를 실행하는 추가 비용, 지연, 거버넌스 부담입니다.

성숙한 운영 모델

확률론적 시스템을 사용하여 해결된 작업을 실행하는 것은 세금이라고 하면, 성숙한 움직임은 작업을 유형별로 나누는 것입니다. 클라우드 성숙도는 하이브리드 인프라를 생성했습니다. 클라우드가 그 자리를 얻은 곳에서 클라우드, 다른 곳에서는 전용 인프라입니다.私は AI 성숙도도 동일한 논리로 하이브리드 운영을 생성할 것으로 예상합니다.

그 분할은 명확한 운영 규칙을 생성합니다. 확률론적 시스템은真正로 모호성이 있는 곳에서 가치가 있습니다. 인간은 모호합니다. 비정형 데이터는 모호합니다. 아직 완전히 이해되지 않은 프로세스는 모호합니다. 추론은 모든 것에 대한 올바른 도구입니다. 다른 쪽 규칙은 동일하게 중요합니다: 결정론적 시스템은 규모, 비용, 속도, 거버넌스가 중요할 때 사용됩니다. 확률론적 계층은 발견하고 해석합니다. 결정론적 계층은 실행합니다.

실제로, 두 가지 신호가 작업을 어느 쪽에 속하는지 알려줍니다:

1. 만약 당신의 팀이 이미 안정적이고 반복 가능하며 잘 이해된 작업을 위해 AI에 의존한다면, 그것은 확률론적 세금을 지불하는 결정론적 작업의 후보입니다.
2. 만약 당신의 결정론적 코드가 예외 처리기와 가변성 고려 사항으로 가득 차 있다면, 그것은 실제로 AI가 필요함을 나타냅니다. 규칙 집합은 추론을近似하고 있습니다.

실제로, 그 경계는 신뢰도 임계값으로 그려집니다. 모델이 90% 이상 확신할 때, 또는 그 아래에서 우아하게 실패할 때, 그 경계는 종종 실제로 그려집니다.

그것은 실제로 AI에서 승리하는 것이 무엇을 요구하는지 다시 정의합니다. AI를 채택하는 가장 성공적인 公司들은 그것을 가장 많이 사용하는 公司들이 아닙니다. 그것을 사용할 때와 보충할 때를 아는 公司들이 될 것입니다.