Değişen Bulut Tahmini

Önceden Gördüğüm Bir Kalıp

Bulutun ortaya çıktığı dönemde profesyonel olarak çalışıyordum. O bakış açısıyla ilk benimsemeyi gördüm: heyecan, esneklik, her şeyin daha hızlı ilerleyeceği hissi. Bu, büyük bir benimsemeye yol açtı, her iş yükü bir aday ve her satıcı bir bulut hikayesi vardı.

Benimsemeyse sadece başlangıçtı. Sonra diğer tarafını gördüm: geri dönüş. Şirketler belirli iş yüklerini geri getiriyor, her uygulamanın gerçekten bulut esnekliğine ihtiyacı olup olmadığını soruyorlardı. Bu ikinci hareket bir neden için oldu. Ekonomik değişiklikler ve iş yükü olgunlaşmasıyla, her şey için bulutun açık seçeneği yaptığı varsayımlar artık geçerli değildi.

Tam da bu nedenle, aynı şekli tekrar oluşmaya başladığını gördüğümde tanıdım. Şimdi, şirketlere AI’nin gerçekten ne yapması gerektiğini anlamalarına yardımcı olurken, büyük benimseme/geri dönüş modeli tekrar oluşmaya başlıyor.

Bulut Düzeltilmesi

Neden benzerlik önemli olduğunu anlamak için, bulutun kendi başına neler olduğuna bakmak yardımcı olur. Buluta geçmek mantıklıydı. Sürtünmeyi ortadan kaldırdı, organizasyonlara esneklik ve hız sağladı ve belirsiz veya hızlı değişen iş yükleri için mantıklıydı. Bu, bulutun inşa edildiği específik iş türü nedeniyle mantıklıydı. DevOps ekipleri bulut öncelikli oldu çünkü bulut, yinelemeli, değişken veya öngörülemez işler için inşa edildi.

Ama inşa ettikleri şey sabit kalmadı. Bulut değişmedi, ancak iş yükleri değişti. Süreçler olgunlaştıkça ve öngörülebilir hale geldikçe, organizasyonlar kendi verilerini geri alma maliyetleriyle tanıştılar. Çıkış ücretleri, depolama maliyetleri, transfer ücretleri: esneklik değerliyken kolayca görmezden gelinen, ancak iş yükleri stabilize olduğunda görmezden gelinemeyen masraflar. 2024 yılında, yıllar süren data çıkış ücretleri sonrası, AWS, Azure ve Google Cloud, DataCenterDynamics’in raporladığı gibi, platformlarından çıkan müşteriler için bu ücretleri kaldırdı.

Bu maliyetler görünür olduğunda, matematik birçoğunun portföyü için çalışmaz hale geldi. Ekonomik olarak bulutun iyi bir strateji olduğu, ancak bazı downside’ları olan bir strateji, artık AI odaklı iş yükleri için ekonomik olarak geçerli değildi. Şirketler kalemlerini keskinleştirdiler ve her uygulamanın gerçekten bulutun sunduğu şeyi gerekip gerekmediğini sorguladılar. Sayıları gerçekten ranzettiklerinde, cevap, birçok iş yükü için hayır oldu.

Bu biriken cevaplar endüstrinin yanlış olarak etiketlediği bir düzeltmeydi. Bu düzeltme “bulut geri dönüşü” olarak adlandırıldı ve genellikle yanlış bir şekilde tanımlanıyor. Aslında, iş yükü olgunlaşması: olgun şirketlerin her iş yükünü uygun altyapı modeline eşleştirmeyi öğrenmesi. Veri, seçici okumayı değil, genel okumayı destekler. IDC, yaklaşık %80’inin önümüzdeki 12 ay içinde bazı geri dönüşler beklediğini buldu, ancak %10’dan azı tüm iş yüklerini geri getirdi, CIO.com’da raporlandığı gibi.

Düzeltmeyi doğru okumak, bulutun bir hata olduğu anlamına gelmez. Bulut değerli kalır, ancak evrensel değildir. Olgun durum melezdir: bulut, hak ettiği yerde, her yerde özel veya adanmış altyapı.

Aynı Düzeltme Eğrisi, Farklı Teknoloji

Bu eğri şimdi bitmiş ve etiketlenmiş durumda. Aynı şekil AI ile de görünmeye başlıyor. Her bir satıcı, her bir konferans, her bir satış araması şu anda AI hakkında. Dozaj, bulutla olanla aynı. Altında yatan harcama gerçek: Gartner, 2025 yılında dünya genelinde generatif-AI harcamalarının %76,4 artışla 644 milyar dolara ulaşacağını öngörüyor, yıl içi artış.

Aynı dozaj, aynı gelen düzeltmeyi ima eder. Benzer bir düzeltme geldiğine inanıyorum, AI’nin kötü olduğu için değil, aynı dinamiğin bulut geri dönüşünü ürettiği için. Organizasyonlar, kendi ortamlarında AI sürüklenen iş akışlarına nasıl son vereceğini bilmeden AI’ye zorla giriyorlar. Benimseme-olgunluk açığı ölçülebilir: McKinsey, %88’inin düzenli AI kullanımını en az bir fonksiyonda rapor ettiğini, ancak çoğunluğun hala pilot aşamasında olduğunu ve yalnızca %39’un işletme düzeyinde EBIT etkisini rapor ettiğini buldu.

Bu açığı stratejisi olmadan zorlarsanız, hesaplaşma kaçınılmaz değildir. Bu düzeltme gelir. Her zaman gelir. Strateji olmadan çok fazla zorlarsınız ve sonunda ekonomi ve operasyonel gerçeklik bir hesaplaşma zorlar.

Zaten bir ismi var bu düzeltme kalıbı ve ben bunu icat etmedim. AI geri dönüşü, probabilistik AI sistemlerinden deterministic iş akışlarına geri dönen belirli görevlerin hareketi, benim keşfettiğim bir kavram değil. İzlediğim bir kalıptır. Bu kalıbı izlediğimde yalnız değilim: Gartner, 2027 yılı sonuna kadar %40’tan fazla ajentik AI projesinin iptal edileceğini öngörüyor, artan maliyetler, belirsiz iş değeri ve yetersiz risk kontrolleri nedeniyle.

AI Düzeltmesinin Gördüğü Şey

Düzeltmeyi öngörmenin yolu, ilgili iş akışlarının iki türünü temiz bir şekilde tanımlamaktır.

Bir deterministic iş akışı kural tabanlı, öngörülebilir ve yineleyebilir. Aynı girdi ve aynı kurallar her zaman aynı çıktıya yol açar. Hızlı, sabittir, tasarlandığı şeyi yapar, hiçbir şey daha fazla, hiçbir şey daha az değil. Bir probabilistik iş akışı, AI veya model tabanlı akıl yürütmeyi kullanarak bağlamı yorumlar ve muhtemel bir cevap üretir. Belirsizlik, yapılandırılmamış bilgi veya yargı çağrıları içeren süreçlerde faydalıdır, burada sabit kurallar bozulur ve çıkarımlar yükü taşır.

Tanımıyla, zaman sorusu kendini yanıtlar. Probabilistik iş akışları genellikle süreçler tam olarak anlaşılmadığında doğru araçtır. Ancak şirketler, süreçler netleştiğinde, probabilistik iş akışlarını kullanmaya devam ettiğinde sorunlu hale gelir.

Bir somut iş akışı, bu erken-sonraki ayrımını somutlaştırır. İş akışının bir parçası gerçekten AI gerektirir. Örneğin, bir çağrı kaydından doğru hesabı tanımlamak, deterministic bir sistem tarafından yapılamayan çıkarımları gerektirir. Diğer kısımlar, bir dosyayı bir kayda eklemek veya bir bildirimi göndermek, deterministic görevlerdir. Bir sabit kural, doğrudan bir API çağrısı, her zaman aynı çıktıya yol açar. Ben de buna suçluyum: şu anda, çağrı kayıtlarını birleştiren, bilgileri CRM’ye yönlendiren, eylem öğeleri atayan ve Slack’e güncellemeleri gönderen bir iç otomasyonu inşa ediyorum.

Her şeyi AI aracılığıyla çalıştırmak için bir eğilim vardır ve bu eğilim gerçek, yineleyen bir yük getirir. AI çağrıları, gecikme ve kullanım ve altyapı maliyeti getirir. AI sistemleri, sürekli ve öngörülemez bir şekilde geliştirildiği için, izleme,.prompt yönetimi ve guardrails gerektirir. Ne zaman farklı bir şekilde performans göstereceğini hiç bilmezsiniz; çıktılar, hızlı bir şekilde yönetim sorunları yaratabilecek şekilde değişebilir.

Bu yük, sonunda saf israfa dönüşür. Bir şirketin 50.000 destek bileti analiz etmesi için AI kullandığını düşünün. AI, beş en yaygın çözüm yolunu tanımlar. İlk olarak, AI, her bileti okuyarak ve bir yargı yaparak probabilistik olarak yönlendirir. Zamanla, şirket bu kalıpları doğrular. Çözüm yolları artık bilinir. Bunları deterministic iş akışı dallarına dönüştürmek, AI’yi işlemden kaldırmaz, ancak artık bilinen cevapları yeniden keşfetmek için AI’yi ödemeyi gerektiren uygulamayı kaldırır.

Bu, probabilistik vergi: deterministic iş için AI olarak çalıştırmanın ek maliyeti, gecikmesi ve yönetim yükü.

Olgun İşletme Modellerinin Gördüğü Şey

AI için çalıştırılan çözülmüş işi bir vergi olarak düşünürsek, olgun hareket, işi türüne göre bölmektir. Bulut olgunluğu, bulutun hak ettiği yerde, her yerde özel veya adanmış altyapı olan melez altyapıyı üretti. AI olgunluğunun da aynı mantıkla melez operasyonlar üreteceğini öngörüyorum.

Bu ayrım, net bir işletme kuralı üretir. Probabilistik sistemler, gerçek belirsizlik olduğunda değerli olur. İnsanlar belirsizdir. Yapılandırılmamış veriler belirsizdir. Tam olarak anlaşılmamış süreçler belirsizdir. Çıkarım, tüm bunların için doğru araçtır. Diğer kuralın yarısı da aynı derecede önemlidir: deterministic sistemler, ölçek, maliyet, hız ve yönetim önemli olduğunda kullanılır. Probabilistik katman keşfeder ve yorumlar. Deterministic katman yürütür.

Pratikte, iki sinyal, belirli bir iş yükünün hangi tarafta olduğunu gösterir:

1. Eğer AI’ye, artık stabil, tekrar edilebilir ve iyi anlaşılmış bir şey için güvenen bir ekibe sahipseniz, bu, deterministic işe geçiş için bir adaydır, çünkü deterministic iş için probabilistik vergi ödüyorsunuz.
2. Eğer deterministic kodunuz, istisna işleyicilerle ve değişkenlik考虑leriyle doluysa, bu, aslında AI’ye ihtiyacınız olabileceğinin bir işaretidir. Kural kümesi, çıkarımı yaklaştırmaya çalışıyor.

Uygulamada, bu sınır genellikle bir güven eşik olarak çizilir. Bir model %90’dan fazla emin olduğunda veya altında nazikçe başarısız olduğunda, genellikle bu sınırın nerede çizildiği görülür.

Bu, AI ile kazanmanın ne gerektirdiğini yeniden tanımlar. AI’yi benimseyen en başarılı şirketler, AI’yi en çok kullananlar olmayacak, AI’yi ne zaman kullanacağını ve ne zaman tamamlayacağını bilenler olacak.