Yapay zekânın başarılı biçimde benimsenmesi, şirketlerin nadiren planladığı ikinci bir yaygınlaştırma sürecini beraberinde getiriyor

Yaklaşık üç yıl önce yapay zekâ için ilk ücretli aboneliğimi satın aldım ve benim için gerçekte neler yapabileceğini test etmeye başladım. Başlangıçta kişisel bir deneme olan bu süreç zamanla küçük bir şirket içi projeye, ardından şirket genelinde kullanılan iş aboneliklerine ve sonunda geliştirme, finans, hukuk, pazarlama ve destek dâhil neredeyse her departmanı kapsayan bir yapay zekâ yaygınlaştırmasına dönüştü.

İlk aşama temelde işe yaradı. Şirket içindeki geliştirme hızımız yaklaşık altı ay içinde kabaca beş kat arttı. Aynı zamanda başka bir rakam da yükseldi: Yapay zekâ harcamalarımız yaklaşık 15 katına çıktı.

İşte o zaman, yapay zekânın başarılı biçimde benimsenmesinin kendi başına sorunlar yaratabileceğini anladım. Teknoloji yaygın biçimde kullanılmaya başlayınca, başlangıçta belirlediğimiz kurallar artık işe yaramıyordu. Yapay zekâ daha fazla şirket verisine erişip daha çok görevi üstlendikçe maliyetler kontrolden çıkabilirdi; üstelik araçların çoğu hâlâ dış sağlayıcıların kontrolündeydi.

Peki, yapay zekânın benimsenmesi işe yarıyor ancak şirket artık teknolojinin nasıl kullanıldığı üzerinde tam kontrole sahip değilse bir CEO ne yapmalı? Gelin, bu soruyu yanıtlamaya çalışalım.

Yapay zekânın etkin kullanımını iş sonuçlarıyla bir tutmaktan vazgeçin

İlk dikkatimi çeken, ilk yaygınlaştırma sırasında etkin kullanıcı sayısı veya kullanım sıklığı gibi benimseme ölçütlerinin anlamlı olduğuydu. Bir yönetici olarak çalışanların bu araçları kullanıp kullanmadığını, özellikle hangilerini kullandığını ve yapay zekânın onlara gerçekten zaman kazandırıp kazandırmadığını bilmek istersiniz. Ancak kullanım şirketin geneline yayıldığında bu rakamlar çok daha az işe yarar hâle geliyor.

Bunu biz de bizzat gördük. İnsanlar güçlü modellere erişince onları neredeyse her iş için kullanmaya başladı. Bir ara çalışanlar yapay zekâya New York’ta saatin kaç olduğunu sormaya başladı. Elbette bu örnek gülünç, ancak şirket için kayda değer bir değer yaratmadan kullanımın ne kadar hızlı artabileceğini gösteriyor.

Shopify, yapay zekâyı şirket süreçlerine öylesine derinlemesine entegre ettikten sonra benzer bir sorun yaşadı; şirketin River adlı şirket içi ajanı artık üretim koduna ilişkin çekme isteklerinin yarısına kadarını hazırlıyor. Ancak CEO Tobi Lütke, kısa süre önce “çöp bombaları” dediği bir olguya karşı uyarıda bulundu: Çalışanların yapay zekâ tarafından üretilen işleri gerektiği gibi kontrol etmeden başkalarına devretmesi ve böylece başka birini bu çıktıları incelemek, düzeltmek, hatta özetlemek zorunda bırakması.

Başka bir deyişle, yapay zekâ kullanımının artması kolayca daha fazla değer yerine daha fazla iş doğurabilir. Bir şirket etkileyici kullanım rakamlarına ve büyük miktarda çıktıya sahip olabilir; ancak bu çıktıların bir kısmı başkalarına yeni bir görev çıkarmaktan ibaret kalabilir.

CEO’ların değiştirmesi gereken nokta bu. İstemler, oturum açma kayıtları ve token tüketimi iş akışında yoğun bir hareketlilik olduğunu gösterir. Yine de yapay zekânın gerçekten kendi maliyetini karşılayıp karşılamadığını göstermezler.

Hız, yeni bir darboğaz yaratıyor

“Acele işe şeytan karışır” diye bir söz vardır. Bunun yapay zekâ için de geçerli olduğunu düşünüyorum; çünkü insanları yapay zekâyla “hızlandırmanın” yapılacak iş miktarını birdenbire azaltmadığını öğrendik.

Geliştirme alanında yapay zekâ artık ekibimizin aynı sürede çok daha fazla kod üretmesini sağlıyor. Ancak asıl mesele, tüm bu kodların canlıya alınmadan önce hâlâ kontrol edilmesi gerektiği. Kuşkusuz, otomatik inceleme yardımcı oluyor.

Yine de, çıktılara körü körüne güvenebileceğim noktadan hâlâ çok uzakta. Dolayısıyla geliştiriciler her şeyi kendileri yazmaya daha az zaman harcarken, artık incelemeleri, test etmeleri ve hakkında karar vermeleri gereken çok daha fazla çıktı var.

Başka bir deyişle, iş ortadan kalkmıyor; yalnızca başka bir biçimde karşımıza çıkıyor.

İnsan müdahalesi gerektiren kod miktarı da aynı ölçüde arttığı için, geliştirme hızındaki beş katlık artış kulağa artık biraz daha az çarpıcı geliyor. Yapay zekâ destekli bir iş akışının gerçek maliyetine, yapay zekânın ürettiklerini kontrol etmek ve hepsinden önemlisi, bu çıktılara güvenilip güvenilemeyeceğine karar vermek için harcanan zaman da dâhil.

İkinci bir yaygınlaştırma süreci şart

Benim açımdan şirketlerin, “ikinci” bir yapay zekâ yaygınlaştırma sürecine ihtiyacı var.

İlk yaygınlaştırma süreci öncelikle benimsemeyle ilgilidir: İnsanlara erişim sağlamak, kullanım alanları bulmak, teknolojinin gerçekten nerede işe yaradığını ve nerede yaramadığını görmek. Ancak birkaç aylık gerçek kullanımın ardından varsayımlardan çok daha değerli bir şeye sahip olursunuz: Maliyetlerin nerede arttığına, hangi ekiplerin daha iyi sonuçlar ürettiğine ve insanların yapay zekâ çıktılarını kontrol etmek için nerede gereğinden fazla zaman harcadığına ilişkin kendi kanıtlarınıza.

Bu nedenle, daha geniş çaplı kullanımı teşvik etmek yerine yapay zekâya ilişkin kuralları yeniden düzenlemenin anlamlı olduğu nokta burası. Uygulamada üç konuya odaklanırdım:

• Modeli göreve göre seçin. Rutin istekler daha küçük ve ucuz modellere yönlendirilebilir; daha karmaşık işler ise ek maliyeti karşılamayı haklı kılan modellere verilebilir. Nihai amaç, düşük değerli görevler için en gelişmiş modellerin ücretlerini ödemekten kaçınmaktır.
• İnsan denetiminin nerelerde zorunlu olduğunu belirleyin. Üretim kodu, hukuki belgeler veya etkisi yüksek diğer çıktılar için, iş akışında ilerlemeden önce sonucun hangi aşamada bir insan tarafından onaylanması gerektiğini tanımlayın. Ayrıca, hassas veriler için erişim kuralları belirleyerek çalışanların bu verileri hangi modellerle paylaşabileceğini, hangileriyle paylaşamayacağını bilmesini sağlayın.
• İhtiyacınız olmayacağını düşünseniz bile bir yedek plan oluşturun. Kritik bir iş akışı harici bir sağlayıcıya bağlıysa, acil durumda iş yükünün başka bir sağlayıcıya taşınabilmesini sağlayacak ölçüde istemleri, entegrasyonları, veri akışlarını ve modele özgü bağımlılıkları belgeleyin.

İlk ve ikinci yapay zekâya geçiş arasındaki fark budur. İlkinde şu soru sorulur: Yapay zekâyı nerelerde kullanabiliriz? İkincisinde ise: Nerelerde kullanmalıyız, hangi kurallara ve hangi maliyete tabi olarak?

Yeniden Ölçeklendirmeden Önce Uygulama Sürecini Denetleyin

Yapay zekâ kullanımının işe yaradığını ve ilk uygulama sürecinin başarılı göründüğünü varsayalım. Ben bunu bir yıl daha aynı şekilde ölçeklendirmeyi sürdürmezdim. Gerçek kullanımın yaklaşık 90 ila 180 gününün ardından durup şirketin gerçekte neler geliştirdiğini denetlerdim.

Bu, kabul gören iş sonuçlarını ölçmek; model ve maliyetini görevin sağladığı gerçek değerle karşılaştırmak; insan denetiminin hâlâ zorunlu olduğu noktaları ve bir iş akışının tam otomasyona nasıl biraz daha yaklaştırılabileceğini belirlemek anlamına gelir.

İlk uygulama süreci, yapay zekânın şirketi daha hızlı hâle getirebileceğini kanıtlar. İkincisi ise bu hızın gereksiz harcamalara, denetimsiz erişime veya işletmenin hiçbir zaman bilinçli olarak kabul etmediği tedarikçi bağımlılıklarına dönüşmesini önler.