Den skiftende skyprognosen

Et mønster jeg har sett før

Jeg jobbet profesjonelt da skyen ble en realitet. Fra den posisjonen så jeg den første adopsjonen: begeistring, fleksibilitet, følelsen av at alt skulle gå raskere. Dette ledet til massiv adopsjon, der hver arbeidsbyrde var en kandidat og hver leverandør hadde en skyhistorie.

Adopsjon var imidlertid bare den første halvdelen av hva jeg så. Deretter så jeg den andre siden: repatriering. Selskaper flyttet bestemte arbeidsbyrder tilbake, spurte om hver enkelt applikasjon virkelig trengte skyfleksibilitet. Den andre flyttingen skjedde av en grunn. Med økonomiske endringer og arbeidsbyrde-modning, stoppet antakelsene som gjorde skyen til det åpenbare valget for nesten alt, opp med å holde når organisasjonene begynte å undersøke dem i skala.

Hvis jeg har sett hele buet én gang, gjenkjenner jeg dens form når den begynner å danne seg igjen. Nå, mens jeg hjelper selskaper med å finne ut hva AI faktisk burde gjøre i deres miljøer, begynner den massive adopsjons-/repatrieringsmønsteret å se bekjent ut.

Den korreksjonen skyen

For å se hvorfor likheten er viktig, hjelper det å starte med hva som faktisk skjedde med skyen, på egne premisser. Flyttingen til skyen var rasjonell. Den fjernet friksjon, ga organisasjonene fleksibilitet og hastighet, og gjorde det mening for arbeidsbyrder som var usikre eller raskt endrende. Det var rasjonelt fordi av den spesifikke type arbeid det var bygget for. DevOps-team gikk sky-først fordi skyen var bygget for arbeid som er iterativt, variabelt eller vanskelig å forutsi.

Men det de bygde for, ble ikke stående stille. Skyen endret seg ikke, men arbeidsbyrdene gjorde. Etter hvert som prosessene modnet og ble forutsigbare, fikk organisasjonene øye på kostnadene rundt å få tilbake sine egne data. Egress-gebyrer, lagringskostnader, overføringsavgifter: utgifter som var lette å ignorere når fleksibiliteten var verdt det, og vanskelige å ignorere når arbeidsbyrdene stabiliserte seg. I 2024, etter årevis med å beregne for data-egress, opphevet AWS, Azure og Google Cloud alle disse gebyrene for kunder som migrerte av deres plattformer, ifølge DataCenterDynamics.

En gang disse kostnadene var synlige, stoppet matematikken med å fungere for en økende andel av porteføljen. Økonomien som hadde gjort skyen til en god strategi med noen ulemper, ble økonomisk ikke håndterbar for en økende mengde AI-orienterte arbeidsbyrder. Selskaper skarpt skarpen og spurte om hver enkelt applikasjon virkelig trengte hva skyen tilbød. Når de faktisk løste tallene, var svaret, for en stor del av arbeidsbyrdene, nei.

Disse akkumulerte svarene ble en korreksjon som bransjen feilaktig beskrev. Denne korreksjonen fikk navnet “sky-repatriering”, og den beskrives feilaktig mest av tiden. Det er faktisk arbeidsbyrde-modning: modne selskaper lærer å matche hver arbeidsbyrde med infrastrukturmodellen som passer den. Dataene støtter den selektive lesemetoden fremfor den helhetlige. IDC fant ut at omtrent 80% av organisasjonene forventer en viss repatriering i løpet av de neste 12 månedene, selv om færre enn 10% har repatriert hele arbeidsbyrder, ifølge rapportering i CIO.com.

Les korrekt, konklusjonen er ikke at skyen var en feil. Skyen er fortsatt verdifull, men den stoppet med å være universell. Den modne tilstanden er hybrid: skyen der den har tjent sin plass, privat eller dedikert infrastruktur overalt andre steder.

Sammen korreksjonskurve, forskjellig teknologi

Denne buet er ferdig og merket nå. Den samme formen begynner å danne seg igjen med AI. Hver eneste leverandør, hver eneste konferanse, hver eneste salgsoppring nå handler om AI. Metningen er identisk med hva jeg så skje med skyen. Utgiftene under støyen er reelle: Gartner forutser at verdensomspennende generativ-AI-utgifter vil nå 644 milliarder dollar i 2025, opp 76,4% fra året før.

Den samme metningen antyder den samme kommende korreksjonen. Jeg tror en lignende korreksjon kommer, ikke fordi AI er dårlig, men fordi den samme dynamikken som produserte sky-repatriering gjelder her også. Den kommer fordi organisasjonene presser hardt inn i AI-drevne arbeidsflyter uten alltid å vite, i deres egne miljøer, hvordan historien ender. Adopsjons-/modningsgapet er målbart: McKinsey finner ut at 88% av organisasjonene nå rapporterer regelmessig AI-bruk i minst en funksjon, men majoriteten er fortsatt i pilotfasen og bare omtrent 39% rapporterer om bedriftsnivå EBIT-påvirkning.

Påtrykk hardt uten en strategi, og oppgjøret er ikke et kanskje. Denne korreksjonen kommer. Den kommer alltid. Du påtrykker for hardt uten en strategi, og til slutt tvinger økonomien og den operative virkeligheten en korreksjon.

Det finnes allerede et navn på korreksjonsmønsteret, og det er ikke mitt. AI-repatriering, handlingen med å flytte bestemte oppgaver ut av probabilistiske AI-systemer og tilbake til deterministiske arbeidsflyter når disse oppgavene blir stabile og gjentakende, er ikke et begrep jeg har funnet opp. Det er et mønster jeg ser utvikle seg. Jeg er ikke alene i å se på det: Gartner forutser at over 40% av agens AI-prosjekter vil bli kansellert innen utgangen av 2027, med økende kostnader, uklar forretningsverdi og utilstrekkelige risikostyring.

Hva AI-korreksjonen ser ut som

For å forutse korreksjonen, hjelper det å ha rene definisjoner for de to typer arbeidsflyter som er involvert.

En deterministisk arbeidsflyt er regelbasert, forutsigbar og gjentakende. Samme innputt og samme regler produserer samme utgang, hver gang. Den er rask, den er fast. Den gjør nøyaktig hva den er designet til å gjøre, ikke mer, ikke mindre. En probabilistisk arbeidsflyt bruker AI eller modellbasert resonnering til å tolke kontekst og produsere en sannsynlig løsning. Den er nyttig når prosesser involverer tvetydighet, ustrukturert informasjon eller vurderinger der faste regler bryter sammen og inferensene bærer lasten.

Med definisjonene satt, svarer tids-spørsmålet seg selv. Probabilistiske arbeidsflyter er ofte riktig verktøy tidlig når prosesser ikke er fullt forstått. De blir problematiske når selskaper fortsetter å bruke dem når prosesser er klargjort.

En konkrete arbeidsflyt gjør den tidlige- mot senere-distinksjonen tangibel. En del av den arbeidsflyten krever faktisk AI. Å identifisere riktig konto fra en samtale-transkript, for eksempel, krever inferenser som en deterministisk system ikke kan gjøre. Andre deler, som å vedlegge en fil til en post eller sende en notifikasjon, er deterministiske oppgaver. En fast regel, en direkte API-kall, er samme utgang hver gang. Jeg er skyldig i dette selv: Jeg bygger for tiden en intern automatisering som kobler sammen samtale-transkript, ruter informasjon inn i vårt CRM, tilordner handlinger og skyver oppdateringer til Slack.

Frisken er å kjøre alt gjennom AI, og den fristen bærer en virkelig, gjentakende byrde. Mens det finnes en frist til å kjøre hele ting gjennom AI-medierte samtaler, introduserer hver AI-samtale forsinkelse og bærer bruk- og infrastrukturkost. AI-systemer krever overvåking, prompt-håndtering og retningslinjer, fordi den underliggende modellen utvikles konstant (og uforutsigbart) av eieren. Du vet aldri når den kommer til å begynne å fungere annerledes; utgangene kan variere på måter som skaper styringsproblemer i skala, raskt.

Spilt ut langt nok, blir den byrden til ren sløsing. Tenk på et selskap som bruker AI til å analysere 50 000 support-billetter. AI identifiserer de fem mest vanlige løsningsveiene. Først håndterer AI routingen probabilistisk: leser hver billett og gjør en vurdering. Over tid validerer selskapet mønsterene. Løsningsveiene er nå kjent. Å omdanne dem til deterministiske arbeidsflyt-grener fjerner ikke AI fra prosessen, men det fjerner den redundante praksisen med å betale AI for å gjenoppdage svar som nå er kjent.

Dette er den probabilistiske skatten: den tilleggs-kostnaden, forsinkelsen og styringsbyrden med å kjøre AI som kjøretid for arbeid som ikke lenger krever probabilistisk resonnering.

Hva modne driftsmodeller ser ut som

Hvis å kjøre løste arbeid på AI er en skatt, er den modne flyttingen å dele arbeid etter type. Sky-modning produserte hybrid-infrastruktur, sky der den tjente sin plass, privat eller dedikert infrastruktur overalt andre steder. Jeg forutser at AI-modning vil produsere hybrid-drift med samme logikk.

Den delte flyttingen produserer en tydelig driftsregel. Probabilistiske systemer er verdifulle der ekte tvetydighet eksisterer. Mennesker er tvetydige. Ustrukturert data er tvetydig. Prosesser som ikke er fullt forstått, er tvetydige. Inferens er riktig verktøy for alt dette. Den andre delen av regelen er like viktig: deterministiske systemer er der skala, kostnad, hastighet og styring teller. Den probabilistiske laget oppdager og tolker. Den deterministiske laget kjører.

På bakken, forteller to signaler deg hvilken side en gitt arbeidsbyrde tilhører:

1. Hvis du finner at ditt team avhenger av AI for noe som har blitt stabilt, gjentakende og fullt forstått, er det en kandidat for repatriering, fordi du betaler en probabilistisk skatt på deterministisk arbeid.
2. Hvis du finner at din deterministiske kode fyller seg med unntakshåndtering og variasjonsbetragtninger, er det et tegn på at du kanskje faktisk trenger AI. Regelsettet prøver å approksimere inferens.

I praksis trekkes grensen som en tillitsgrense. En bestemt tillitsgrense, å binde seg til en beslutning når modellen er over 90% sikker, eller å feile elegant under den, er ofte der grensen trekkes i praksis.

Hvilket omdefinerer hva seier med AI faktisk krever. De mest suksessfulle selskapene som adopterer AI, vil ikke være de som bruker det mest, men de som vet når å bruke det og når å supplere det.