Prognoza Nori a Cloud-ului în Schimbare

Un Model pe Care L-am Văzut în Trecut

Lucram profesional atunci când cloud-ul a devenit o realitate. Din acea perspectivă, am văzut adoptarea inițială: entuziasmul, flexibilitatea, senzația că totul va merge mai repede. Acest lucru a condus la o adoptare masivă, unde fiecare sarcină de lucru era un candidat și fiecare furnizor avea o poveste despre cloud.

Adoptarea, însă, a fost doar jumătate din ceea ce am văzut. Apoi am văzut și partea cealaltă: repatrierea. Companiile mutau anumite sarcini de lucru înapoi, întrebându-se dacă fiecare aplicație avea nevoie cu adevărat de flexibilitatea cloud-ului. Acest al doilea pas a avut loc dintr-un motiv. Cu schimbări economice și maturitatea sarcinilor de lucru, presupunerile care făceau cloud-ul alegerea evidentă pentru literalmente totul au încetat să se mai susțină odată ce organizațiile au început să le examineze la scară largă.

Având în vedere că am trăit întregul arc o dată, recunosc forma lui atunci când începe să se formeze din nou. Acum, în timp ce ajut companiile să înțeleagă ce ar trebui să facă AI-ul în mediile lor, modelul de adoptare/repatriere masivă începe să arate familiar.

Corecția Cloud-ului

Pentru a înțelege de ce asemănarea contează, ajută să începem cu ceea ce s-a întâmplat de fapt cu cloud-ul, pe propriile lui termene. Mutarea către cloud a fost rațională. A eliminat fricțiunea, a oferit organizațiilor flexibilitate și viteză și a avut sens pentru sarcini de lucru care erau incerte sau în schimbare rapidă. A fost rațional din cauza tipului specific de muncă pentru care a fost creat. Echipele de DevOps au adoptat cloud-ul din cauză că cloud-ul a fost creat pentru muncă iterativă, variabilă sau greu de prezis.

Dar lucrul pentru care se construia nu a rămas neschimbat. Cloud-ul nu s-a schimbat, dar sarcinile de lucru da. Pe măsură ce procesele s-au maturizat și au devenit previzibile, organizațiile au devenit familiare cu costurile legate de recuperarea propriilor date. Taxe de ieșire, costuri de stocare, taxe de transfer: cheltuieli care erau ușor de ignorat atunci când flexibilitatea merita, și greu de ignorat odată ce sarcinile de lucru s-au stabilizat. În 2024, după ani de taxare pentru ieșirea datelor, AWS, Azure și Google Cloud au renunțat la aceste taxe pentru clienții care migrau de pe platformele lor, așa cum a raportat DataCenterDynamics.

Odată ce aceste costuri au devenit vizibile, matematica a încetat să funcționeze pentru o parte din ce în ce mai mare a portofoliului. Economia care făcuse cloud-ul o strategie bună cu unele dezavantaje a devenit neviabilă din punct de vedere economic pentru un număr tot mai mare de sarcini de lucru orientate către AI. Companiile și-au ascuțit creioanele și s-au întrebat dacă fiecare aplicație avea nevoie cu adevărat de ceea ce oferea cloud-ul. Când au rulat numerele, răspunsul, pentru multe sarcini de lucru, a fost nu.

Aceste răspunsuri acumulate au devenit o corecție pe care industria a etichetat greșit. Acea corecție a fost numită “repatriere cloud”, și este descrisă în mod greșit de cele mai multe ori. De fapt, este vorba de maturitatea sarcinilor de lucru: companii mature care învață să asocieze fiecare sarcină de lucru cu modelul de infrastructură care i se potrivește. Datele susțin citirea selectivă, mai degrabă decât cea generală. IDC a constatat că aproximativ 80% dintre organizații se așteaptă la o repatriere parțială în următorii 12 luni, chiar dacă mai puțin de 10% au repatriat sarcini de lucru complete, conform raportării din CIO.com. ^{[1] [2]}

Citit corect, concluzia nu este că cloud-ul a fost o greșeală. Cloud-ul rămâne valoros, dar a încetat să fie universal. Starea matură este hibridă: cloud-ul acolo unde și-a câștigat locul, infrastructură privată sau dedicată peste tot.

Aceeași Curba de Corecție, Tehnologie Diferită

Acea curbă este acum terminată și etichetată. Aceeași formă începe să se vadă și cu AI-ul. Fiecare furnizor, fiecare conferință, fiecare apel de vânzări este despre AI în acest moment. Saturarea este identică cu ceea ce am văzut cu cloud-ul. Cheltuielile de sub zgomot sunt reale: Gartner prognozează cheltuieli globale cu AI generativ de 644 de miliarde de dolari în 2025, în creștere cu 76,4% față de anul precedent.

Asemănarea sugerează aceeași corecție care vine. Cred că o corecție similară vine, nu pentru că AI-ul este rău, ci pentru că aceeași dinamică care a produs repatrierea cloud-ului se aplică și aici. Vine pentru că organizațiile împing puternic în fluxurile de lucru bazate pe AI fără să știe întotdeauna, în propriile lor medii, cum se termină povestea. Decalajul dintre adoptare și maturitate este măsurabil: McKinsey constată că 88% dintre organizații raportează utilizarea regulată a AI-ului în cel puțin o funcție, însă majoritatea sunt încă în faza de pilotaj și doar aproximativ 39% raportează un impact EBIT la nivel de întreprindere.

Împingeți prea tare fără o strategie și ajustarea nu este o posibilitate. Acea corecție vine. Întotdeauna vine. Împingeți prea tare fără o strategie, și în cele din urmă, economia și realitatea operațională forțează o ajustare. ^{[1] [2]}

Există deja un nume pentru modelul corectiv, și nu este al meu. Repatrierea AI, actul de a muta anumite sarcini din sistemele probabilistice AI și înapoi în fluxuri de lucru deterministice, odată ce aceste sarcini devin stabile și repetitive, nu este un concept pe care l-am inventat. Este un model pe care îl urmăresc. Nu sunt singurul care îl urmărește: Gartner prognozează că peste 40% din proiectele AI agențice vor fi anulate până la sfârșitul anului 2027, invocând costuri în creștere, valoare comercială neclară și controale de risc inadecvate.

Ce Arată Corecția AI

Pentru a anticipa corecția, ajută să avem definiții clare pentru cele două tipuri de fluxuri de lucru implicate.

Un flux de lucru determinist este bazat pe reguli, previzibil și repetabil. Aceeași intrare și aceleași reguli produc aceeași ieșire, de fiecare dată. Este rapid, este fix. Face exact ceea ce este proiectat să facă, nimic mai mult, nimic mai puțin. Un flux de lucru probabilistic utilizează AI sau raționamentul bazat pe modele pentru a interpreta contextul și a produce un răspuns probabil. Este util atunci când procesele implică ambiguitate, informații nestructurate sau apeluri de judecată în care regulile fixe se prăbușesc și inferențele poartă încărcătura.

Cu definițiile stabilite, întrebarea cu privire la momentul în care se produce corecția se răspunde de la sine. Fluxurile de lucru probabilistice sunt adesea instrumentul potrivit la început, atunci când procesele nu sunt încă pe deplin înțelese. Devin problematice atunci când companiile continuă să le utilizeze atunci când procesele sunt clarificate.

Un flux de lucru concret face acea distincție între început și sfârșit tangibilă. O parte a acelui flux de lucru necesită cu adevărat AI. Identificarea contului corect dintr-o transcriere a apelului, de exemplu, necesită inferențe pe care un sistem determinist nu le poate face. Alte părți, atașarea unui fișier la un dosar sau postarea unei notificări, sunt sarcini deterministe. O regulă fixă, un apel API direct, este aceeași ieșire de fiecare dată. Sunt vinovat de asta și eu: în prezent, construiesc o automatizare internă care leagă transcrieri de apel, rutinizează informații în CRM-ul nostru, atribuie articole de acțiune și trimite actualizări în Slack.

Este tentant să rulez totul prin AI, și acea tentație poartă o povară reală și recurentă. În timp ce există o tentație de a rula totul prin apeluri AI-mediate, fiecare apel AI introduce întârziere și poartă costuri de utilizare și infrastructură. Sistemele AI necesită monitorizare, gestionare a prompturilor și garduri de protecție, deoarece modelul subiacent este dezvoltat în mod constant (și imprevizibil) de către proprietarul său. Nu știți niciodată când va începe să funcționeze diferit; ieșirile pot varia în moduri care creează probleme de guvernanță la scară, rapid.

Joacă-te suficient de departe, și acea povară se transformă într-o risipă pură. Gândiți-vă la o companie care utilizează AI pentru a analiza 50.000 de bilete de suport. AI-ul identifică cele mai comune cinci căi de rezolvare. La început, AI gestionează rutarea în mod probabilistic: citind fiecare bilet și făcând o judecată. În timp, compania validează aceste modele. Căile de rezolvare sunt acum cunoscute. Transformarea lor în ramuri de flux de lucru determinist nu elimină AI-ul din proces, dar elimină practica redundantă de a plăti AI-ul pentru a redescoperi răspunsuri care sunt acum cunoscute.

Acesta este impozitul probabilistic: costul adăugat, întârzierea și povara de guvernanță a rulării AI-ului ca runtime pentru muncă care nu mai necesită raționament probabilistic.

Ce Arată Modelele de Operare Mature

Dacă rularea muncii rezolvate pe AI este un impozit, mișcarea matură este să împartă munca după tip. Maturitatea cloud-ului a produs infrastructură hibridă, cloud-ul acolo unde și-a câștigat locul, infrastructură privată sau dedicată peste tot. Prognozez că maturitatea AI-ului va produce operațiuni hibride cu aceeași logică.

Această împărțire produce o regulă de operare clară. Sistemele probabilistice sunt valoroase acolo unde există cu adevărat ambiguitate. Oamenii sunt ambigui. Datele nestructurate sunt ambigue. Procesele care nu sunt încă pe deplin înțelese sunt ambigue. Inferența este instrumentul potrivit pentru toate acestea. Cealaltă jumătate a regulii este la fel de importantă: sistemele deterministe sunt acolo unde scala, costul, viteza și guvernanța contează. Stratul probabilistic descoperă și interpretează. Stratul determinist execută.

Pe teren, două semnale vă spun cui aparține o anumită sarcină de lucru:

1. Dacă găsiți echipa dvs. bazându-se pe AI pentru ceva care a devenit stabil, repetabil și bine înțeles, aceasta este o candidată pentru repatriere, deoarece plătiți un impozit probabilistic pentru muncă deterministă.
2. Dacă găsiți codul dvs. determinist umplut cu manipulatori de excepții și considerații de variabilitate, acesta este un semn că aveți nevoie de AI. Setul de reguli încearcă să aproximeze inferența.

În practică, acea limită se desenează ca un prag de încredere. Un prag de încredere specific, angajându-vă la o decizie atunci când modelul este de peste 90% sigur, sau eşuând cu graţie sub acesta, este adesea acolo unde se desenează acea limită în practică.

Ceea ce reconfigurează ceea ce înseamnă a câştiga cu AI-ul într-adevăr. Companiile cele mai de succes care adoptă AI-ul nu vor fi cele care îl utilizează cel mai mult, ci cele care știu când să îl utilizeze și când să îl completeze.