Изменяющийся облачный прогноз

Шаблон, который я видел раньше

Я работал профессионально, когда облако стало реальностью. С этой точки зрения я увидел первоначальное внедрение: волнение, гибкость, чувство, что все будет происходить быстрее. Это привело к массовому внедрению, когда каждая рабочая нагрузка была кандидатом, и каждый поставщик имел историю облака.

Однако внедрение было только первой половиной того, что я наблюдал. Затем я увидел другую сторону: репатриацию. Компании перемещали определенные рабочие нагрузки обратно, задаваясь вопросом, действительно ли каждое приложение нуждается в облачной гибкости. Этот второй шаг произошел по причине. С экономическими сдвигами и зрелостью рабочих нагрузок, предположения, которые сделали облако очевидным выбором для всего, перестали оправдываться, когда организации начали изучать их в масштабе.

Имея опыт полного цикла один раз, я узнаю его форму, когда она начинает формироваться снова. Теперь, когда я помогаю компаниям разобраться с тем, что AI должен делать в их среде, шаблон массового внедрения/репатриации начинает выглядеть знакомым.

Облачная коррекция

Чтобы понять, почему сходство имеет значение, помогает начать с того, что на самом деле произошло с облаком, на его собственных условиях. Переход в облако был рациональным. Он удалил трение, дал организациям гибкость и скорость, и имел смысл для рабочих нагрузок, которые были неопределенными или быстро меняющимися. Это было рациональным, потому что оно было построено для конкретного типа работы.

Но то, для чего они строили, не осталось静ким. Облако не изменилось, но рабочие нагрузки изменились. Когда процессы созрели и стали предсказуемыми, организации привыкли к затратам на получение своих собственных данных обратно. Платы за выход, затраты на хранение, сборы за передачу: расходы, которые были легко игнорировать, когда гибкость была стоит того, и трудно игнорировать, когда рабочие нагрузки стабилизировались. В 2024 году, после лет взимания платы за выход данных, AWS, Azure и Google Cloud все отменили эти сборы для клиентов, мигрирующих с их платформ, как сообщает DataCenterDynamics.

Как только эти затраты стали видны, математика перестала работать для растущей доли портфеля. Экономика, которая сделала облако хорошей стратегией с некоторым недостатком, стала экономически нецелесообразной для растущего набора рабочих нагрузок, ориентированных на AI. Компании точили карандаши и задавались вопросом, действительно ли каждое приложение нуждается в том, что предоставляет облако. Когда они действительно запустили цифры, ответ, для многих рабочих нагрузок, был нет.

Эти накопленные ответы стали коррекцией, которую промышленность неправильно назвала. Эта коррекция стала известна как “репатриация облака”, и она описывается неправильно большинством времени. На самом деле это зрелость рабочих нагрузок: зрелые компании учатся соответствовать каждую рабочую нагрузку модели инфраструктуры, которая подходит ей. Данные подтверждают выборочное чтение, а не общее. IDC обнаружил, что примерно 80% организаций ожидают некоторой репатриации в течение следующих 12 месяцев, даже когда менее 10% репатриировали всю рабочую нагрузку, согласно сообщениям в CIO.com.

Читая правильно, вывод не в том, что облако было ошибкой. Облако остается ценным, но оно перестало быть универсальным. Зрелое состояние – гибридное: облако, где оно заслужило свое место, частная или выделенная инфраструктура везде else.

Тот же корректирующий кривая, другая технология

Эта дуга завершена и помечена теперь. Тот же шаблон начинает формироваться с AI. Каждый поставщик, каждая конференция, каждый продажный звонок сейчас о AI. Насыщение идентично тому, что я наблюдал с облаком. Расходы под шумом реальны: Gartner прогнозирует мировые расходы на генеративный AI в размере 644 миллиардов долларов в 2025 году, вырос на 76,4% год к году.

Тот же шаблон подразумевает тот же корректирующий кривую. Я считаю, что подобная коррекция идет, не потому, что AI плох, а потому, что та же динамика, которая произвела репатриацию облака, применяется здесь. Она идет, потому что организации толкают сильно в AI-ориентированные рабочие процессы без всегда знания, внутри своей собственной среды, как история заканчивается. Зазор между внедрением и зрелостью измерим: McKinsey находит, что 88% организаций теперь сообщают о регулярном использовании AI хотя бы в одной функции, но большинство из них все еще пилотируют и только около 39% сообщают о влиянии на уровень компании.

Толкайте слишком сильно без стратегии, и расчет не является может быть. Эта коррекция идет. Она всегда идет. Вы толкаете слишком сильно без стратегии, и в конечном итоге экономика и операционная реальность заставляют расчет.

Есть уже название для корректирующего шаблона, и оно не мое. Репатриация AI, акт перемещения конкретных задач из вероятностных систем AI и обратно в детерминированные рабочие процессы, когда эти задачи становятся стабильными и повторяющимися, не является концепцией, которую я изобрел. Это шаблон, который я наблюдаю.

Что выглядит коррекция AI

Чтобы предвидеть коррекцию, помогает иметь чистые определения для двух типов рабочих процессов, участвующих в этом.

Детерминированный рабочий процесс основан на правилах, предсказуем и повторяем. То же вход и те же правила производят тот же выход, каждый раз. Он быстр, он фиксирован. Он делает именно то, что он предназначен для этого, ничего больше, ничего меньше. Вероятностный рабочий процесс использует AI или модельное рассуждение для интерпретации контекста и производства вероятного ответа. Он полезен, когда процессы включают двусмысленность, неструктурированную информацию или судебные решения, где фиксированные правила разрушаются и выводы несут нагрузку.

С определениями, задача времени отвечает сама собой. Вероятностные рабочие процессы часто являются правильным инструментом на ранней стадии, когда процессы еще не полностью поняты. Они становятся проблематичными, когда компании продолжают использовать их, когда процессы разъяснены.

Конкретный рабочий процесс делает этот ранний-поздний различие осязаемым. Часть этого рабочего процесса действительно требует AI. Определение правильного аккаунта из транскрипта звонка, например, требует выводов, которые детерминированная система не может сделать. Другие части, прикрепление файла к записи или публикация уведомления, являются детерминированными задачами. Фиксированное правило, прямой вызов API, является тем же выходом каждый раз.

Искушение состоит в том, чтобы запустить все через AI, и это искушение несет реальную, повторяющуюся нагрузку. Хотя есть искушение запустить все через AI-опосредованные вызовы, каждый AI-вызов вводит задержку и несет использование и инфраструктурную стоимость. Системы AI требуют мониторинга, управления подсказками и ограждений, потому что основная модель постоянно (и непредсказуемо) разрабатывается ее владельцем. Вы никогда не знаете, когда она начнет работать по-другому; выходы могут варьироваться способами, которые создают проблемы управления в масштабе, быстро.

Играйте это достаточно далеко, эта нагрузка превращается в чистую трату. Подумайте о компании, использующей AI для анализа 50 000 тикетов поддержки. AI определяет пять наиболее распространенных путей решения. Сначала AI обрабатывает маршрутизацию вероятностно: читая каждый тикет и делая суждение. Со временем компания проверяет эти шаблоны. Пути решения теперь известны. Преобразование их в ветви детерминированного рабочего процесса не удаляет AI из процесса, но это удаляет избыточную практику оплаты AI за открытие ответов, которые теперь известны.

Это вероятностный налог: добавленная стоимость, задержка и нагрузка управления вероятностным AI в качестве времени выполнения для работы, которая больше не требует вероятностного рассуждения.

Что выглядят зрелые операционные модели

Если запуск решенной работы на AI является налогом, зрелый шаг состоит в том, чтобы разделить работу по типу. Зрелость облака произвела гибридную инфраструктуру, облако, где оно заслужило свое место, выделенную инфраструктуру везде else. Я предсказываю, что зрелость AI произведет гибридные операции с той же логикой.

Этот раздел производит четкое операционное правило. Вероятностные системы ценны, где существует настоящая двусмысленность. Люди двусмысленны. Неструктурированные данные двусмысленны. Процессы, которые еще не полностью поняты, двусмысленны. Вывод является правильным инструментом для всего этого. Другая половина правила столь же важна: детерминированные системы являются там, где масштаб, стоимость, скорость и управление имеют значение. Вероятностный слой обнаруживает и интерпретирует. Детерминированный слой выполняет.

На земле, два сигнала говорят вам, какой рабочей нагрузке принадлежит данная рабочая нагрузка:

1. Если вы обнаружите, что ваша команда полагается на AI для чего-то, что стало стабильным, повторяемым и хорошо понятым, это кандидат на репатриацию, поскольку вы платите вероятностный налог на детерминированную работу.
2. Если вы обнаружите, что ваш детерминированный код заполнен обработчиками исключений и соображениями изменчивости, это знак того, что вам может действительно понадобиться AI. Набор правил пытается приблиžit вывод.

На практике эта граница проводится как порог доверия. Конкретный порог доверия, обязательство по решению, когда модель находится выше 90% уверенности, или отказ от этого ниже, часто является местом, где эта граница проводится на практике.

Что переформулирует то, что победа с AI на самом деле требует. Наиболее успешные компании, принимающие AI, не будут теми, кто использует его больше всего, а те, кто знает, когда использовать его и когда дополнить его.