Andreea Pleşea, PhD, COO ve Druid AI Kurucu Ortak – Röportaj Serisi

Andreea Pleşea, PhD, COO ve Druid AI Kurucu Ortak, neredeyse iki on yılı kapsayan yazılım mühendisliği, kurumsal teknoloji, yapay zeka, operasyon ve müşteri başarısı deneyimine sahip bir teknoloji yöneticisi ve girişimcidir. Druid AI’yi kurduktan bu yana, organizasyon içinde Operasyon Direktörü, Gelir Direktörü ve Müşteri Başarı Direktörü gibi çeşitli üst düzey liderlik görevlerinde bulunmuş, böylece kurumsal bir yazılım şirketini ölçeklendiren teknik ve ticari taraflarda deneyim kazanmıştır. Druid AI’den önce, Pleşea TotalSoft’ta neredeyse on yıl çalışmış, .NET programcısından Yazılım Geliştirme Müdürü ve nihayet Charisma İş Uygulamaları Direktörü pozisyonuna yükselmiş; bu rolde ürün geliştirme, uygulama, teknik destek, çözüm mimarisi ve P&L sorumluluklarını yönetmiştir. Akademik geçmişinde, Roma Tor Vergata Üniversitesi’nde AI araştırması yapmış; üniversitenin Yapay Zeka Araştırma Grubu ile yapılandırılmamış veriden bilgi çıkarma ve yapılandırma teknolojileri üzerine çalışmıştır. Ayrıca Women in Tech Romania Danışma Kurulu’nda görev yapmaktadır.

Druid AI, işletmelerde karmaşık iş süreçlerini otomatikleştirebilen AI ajanları oluşturup yöneten bir kurumsal AI şirketidir. Platformu doğal dil anlama, üretken AI, geri getirilmiş artırmalı üretim (RAG), kurumsal entegrasyonlar, iş akışı otomasyonu, analiz ve yönetişim özelliklerini birleştirir; Druid Conductor ise birden çok uzman ajan ve sistemi iş sonuçlarına yönlendirmek için koordine eder. Kuruluşlar, Druid’in ajanlarını ERP, CRM, ITSM ve insan kaynakları platformları gibi sistemlere bağlayabilir; teknoloji bulut, hibrit, şirket içi ya da hava boşluğu (air‑gapped) ortamlarında dağıtılabilir. Şirket, teknolojisinin 300’den fazla kurumsal müşteri tarafından kullanıldığını ve 200’ün üzerinde küresel ortak tarafından desteklendiğini, uygulama alanlarının çalışan desteği, müşteri hizmetleri, sağlık, yükseköğretim ve paylaşımlı hizmetler gibi çeşitli sektörleri kapsadığını belirtmektedir.

2018’de Bükreş’te Druid AI’yi kurmadan önce TotalSoft’ta neredeyse on yıl çalıştıktan sonra, konuşma tabanlı AI’nın kurumsal teknolojinin temel bir katmanı olabileceğine ikna eden neydi ve Druid ajan tabanlı AI’ye geçtikçe o orijinal vizyon nasıl evrildi? 

İki ayrı yolun – akademik titizlik ve ön saflardaki kurumsal sıkıntıların – birleşmesi, doktora çalışmam sırasında düşünce akışımı şekillendirdi. Ancak, Liviu Dragan gibi son derece vizyoner bir liderin Druid AI’yi kurma fikrini ortaya atması, araştırmamın gerçek hayatta kullanılabileceğini fark etmemi sağladı.

2008 ile 2011 arasında doktora araştırmam, semantik web teknolojileri ve ontolojiler aracılığıyla iletişim kuran otonom AI ajanlarını odakladı; akıllı sistemlerin geleneksel kurumsal yazılımların yerine geçebileceğini ya da onların üzerine oturabileceğini keşfetti. Kısa bir süre sonra, kurumsal teknoloji liderliğinde çalışmak, şu açık gerçeği gözler önüne serdi: çalışanlara yönetilemez bir karmaşıklık yükleniyorduk.

Tek bir rutin görevi tamamlamak, hangi uygulamayı açacağınızı, verinin nerede olduğunu, hangi politikanın geçerli olduğunu ve bir sonraki adımı kimin üstleneceğini bilmeyi gerektiriyordu. Aynı zamanda ofis dışında, mesajlaşma insan etkileşiminin baskın arayüzü haline geliyordu.

2018’de Druid AI’yi kurduğumuzda vizyonumuz basit ama iddialıydı: her çalışan ve müşteriye, tüm kurumu kapsayan işleri koordine edebilen bir sanal asistan sağlamak.

Neredeyse on yıl sonra bu temel vizyon değişmedi – teknoloji sadece yetişti. Konuşma tabanlı AI, büyük ölçüde niyet tanıma, veri getirme ve statik senaryoları tetikleme üzerine kuruluydu. Ajan tabanlı AI ise delegasyon sınırını değiştiriyor. Modern ajanlar hedefleri değerlendiriyor, uzman alt‑ajanlarla iş birliği yapıyor, farklı sistemlerde geziniyor ve karmaşık, çok adımlı iş akışlarını otonom olarak yürütüyor.

Bizim için mevcut ajan devrimi, konuşma tabanlı AI’dan stratejik bir sapma değil; kurucu tezimizin doğal bir gerçekleşmesi: kurumsal teknoloji, insanların işi halletmesini kolaylaştırmak için daha basit olmalı; perde arkasındaki orkestrasyon ise sonsuz derecede karmaşıklaşmalı.

AI endüstrisinin büyük bir kısmı giderek daha güçlü temel modeller inşa etmeye odaklanırken, Druid AI farklı modelleri kurumsal veri, sistem ve iş akışlarıyla bağlamaya odaklandı. Modeller giderek değiştirilebilir hale geldikçe, orkestrasyonun temel modelin kendisinden daha önemli bir rekabet avantajı haline geleceğine inanıyor musunuz?

Druid AI’de temel misyonumuz basit: her insan etkileşiminden olağanüstüyü çıkarmak, işi verimli bir şekilde halletmek. Pazar olgunlaştıkça, bu değeri sunmanın anahtarı, altta yatan teknoloji yığını üzerinden kaymak.

Kurumsal teknolojide klasik bir desen görüyoruz: bir zamanlar erken farklılaştırıcı olan yetenekler hızla meta hâline geliyor. Bugün temel modeller her oyuncuya erişilebilir. Kurumlar, performans, maliyet, güvenlik ya da düzenleyici ihtiyaçlara göre seçilen hibrit bir model matrisi kullanmak zorunda kalacak. Zekâ meta hâline geldikçe, stratejik savaş alanı yığının üstüne çıkıyor.

Bugün kurumsal AI’daki en zor problemler yürütme bağlamıyla ilgili: yönetişim ve erişim (AI hangi verilere dokunabilir, hangi politikalar çerçevesinde), ajan yönlendirme (hangi uzman ajan belirli bir görevi üstlenmeli), sistem entegrasyonu (birden çok işlem sisteminin güvenli koordinasyonu), özerklik vs. kontrol (bir ajan ne zaman bağımsız hareket edebilir, ne zaman insan onayı gerekir), denetlenebilirlik (bir iş akışı başarısız olursa karar izini adım adım yeniden oluşturabilir miyiz).

Bu yüzden orkestrasyon nihai stratejik kaldıraç haline geldi. Modeller zekâ üretir, ancak kurumlar güvenilir yürütme ister.

Druid AI, bu kesin kontrol ve orkestrasyon katmanını sunmak için inşa edildi. Farklı modelleri kurumsal veri, iş akışları ve insanlar arasında güvenli bir şekilde köprüler. Kritik olarak, yürütme etkinliğini ölçmek, gerçek iş sonuçlarını değerlendirmek için referans çerçevesi sağlar.

Uzun vadede kazanacak soru “Hangi modeli kullanıyorsunuz?” değil, “Ham zekâyı çalışanlarınız ve müşterileriniz için tamamlanmış işe ne kadar etkili dönüştürebiliyorsunuz?” olacaktır.

Druid Conductor, bilgi getirme, karar mantığı ve sistem eylemleri konusunda birden çok uzman ajanı koordine edebilir. Tek bir AI asistanının soruları yanıtlamasından, bağımsız olarak çok adımlı iş süreçlerini yürütebilen birden çok ajana geçişte teknik olarak ne tür zorluklar ortaya çıkar?

Basit konuşma arayüzlerinden çok‑ajan mimarilerine geçiş, mühendislik zorluğunu kökten değiştirir. Doğrusal bir sohbeti yönetmekten, dağıtık bir karar‑ve‑yürütme sistemini yönetmeye geçersiniz.

Tek bir S&S asistanı için temel engeller niyet tanıma, veri getirme ve yüksek doğrulukta yanıt üretimidir. Çok‑ajan ekosistemleri ise tamamen farklı bir dağıtık sistem sınıfı ve soruları getirir:

1. Hangi ajan eylem yetkisine sahiptir ve alan kayması nasıl önlenir?
2. Ajanlar arasında sorumluluk devri gerçekleştiğinde durum nasıl korunur?
3. Uzman ajanlar arasındaki çelişkili kararlar nasıl uzlaştırılır?
4. Alt‑ajanlar erişim izinlerini dinamik ve güvenli bir şekilde nasıl devralır?

Bu zorluklar gerçek kurumsal altyapıya uygulandığında katlanır. Tek bir iş akışı bir CRM, ERP, kimlik yönetim platformu, bilet sistemi ve eski veri tabanlarını kapsayabilir. Her biri farklı iş mantığı ve hata modlarıyla çalışır, ancak sonunda konduktör ajanının işi doğru şekilde bitirmesi gerekir.

Altı adımlı bir sürecin dördüncü adımı, üç sistem zaten işlem değişiklikleri yapmışken başarısız olursa, temel bir ajan hattı çöküş gösterir. Orkestrasyon katmanı sadece genel bir hata veremez; durumu yönetmeli, gerekirse geri almalı, alternatif yönlendirme olup olmadığını belirlemeli ya da insan‑döngüsü müdahalesine zarifçe geçmelidir.

Gerçek kurumsal orkestrasyon, durum yönetimi, işlem tutarlılığı, gözlemlenebilirlik, politika uygulaması ve güvenli özerklik demektir. Bu karmaşıklığın temel amacı sadelik: çok‑sistemli karmaşık işleri tek, sürtünmesiz bir etkileşimle sorunsuzca tamamlamaktır.

Druid AI, binlerce dağıtılmış ajanla bir milyarın üzerinde sohbeti yönetti. Bu ölçekte, pilot ya da kontrollü gösterimlerden öğrenilemeyecek ne tür kurumsal AI içgörüleri elde ettiniz?

Üretim, alçakgönüllülüğü çabuk öğretir.

Pilot genellikle nispeten kontrollü bir ortamdır. Kullanım senaryosu tanımlıdır, veri makul derecede temizdir, kullanıcılar bellidir ve genellikle proje ekibi yakından izler.

Üretim ise bunun hiç birine benzemez. İnsanlar aynı soruyu yirmi farklı şekilde sorar. Konuşma ortasında fikir değiştirirler. Eksik bilgi verirler. Dilleri ya da konuları değiştirirler. Beklenmedik zamanlarda etkileşime girerler. Politikalar değişir. API’ler başarısız olur. Arka uç sistemler yavaşlar. Kimsenin orijinal tasarıma eklemeyi düşünmediği yeni kenar durumlar ortaya çıkar. Kesin olan bir şey var: kullanıcıların beklentisi işi etkili, sorunsuz ve doğal bir şekilde halletmektir. Metin üzerinden olsun, ama özellikle ses üzerinden, konuşma doğal akmalı, gecikmesiz olmalı; bir ölçüde empatik hissettirmeli ve görevi yerine getirirken en iyi seçenekleri ve sonraki adımları önermeli; istisna ve döngüleri gerektiğinde insan müdahalesine yönlendirmelidir.

En yüksek değerli otomasyon, olağan şeyleri olağanüstü derecede iyi yapmak ve bunları yüz binlerce kez tekrarlamaktan gelir: bir çalışan sorusuna yanıt vermek, bir hesabı kontrol etmek, bir randevuyu yeniden planlamak, bir BT talebini çözmek ya da kurumsal bir sistemden doğru bilgiyi çekmek. Bu, AI değerine bakış açımızı değiştirdi.

İkinci ders, yayına geçmenin sadece öğrenme döngüsünün başlangıcı olduğudur. Kullanıcıların ne istediğini, hangi niyetlerin büyüdüğünü, nerede sohbetlerin başarısız olduğunu, nerede insan müdahalesi gerçekleştiğini ve bazen temel iş sürecinin kendisinin değişmesi gerektiğini görmek gerekir.

Ve belki de en önemli ders, güvenin operasyonel olduğudur; kurumlar AI’ye güvenir çünkü zamanla öngörülebilir davranır, istisnalar doğru şekilde ele alınır, kararlar görünür ve organizasyon kontrolü elinde tutar.

Druid’un üretim verileri, nispeten az sayıda iş akışının kurumsal AI kullanımının büyük bir kısmını oluşturduğunu gösteriyor. Bu, şirketlerin AI yatırımlarını yüksek hacimli birkaç iş akışına odaklamaları gerektiği anlamına mı geliyor, yoksa geniş çaplı kurumsal dönüşüm denemeleri mi yapılmalı?

Üretim verilerimizde en net örüntü, talebin yoğunlaştığı yönündedir. Örneğin finans hizmetlerinde üç iş akışı kategorisi üretim kullanımının yaklaşık %90’ını oluşturur. Yükseköğretimde ise bu yoğunlaşma daha da fazladır. Bu, şirketlerin AI dönüşümünü nasıl düşünmeleri gerektiği konusunda önemli bir ipucu verir. Bu içgörüleri analiz ederek yükseköğretim, sağlık ve bankacılık için benchmark raporları hazırladık; bu raporlar ortaklarımızın ve müşterilerimizin verimliliği artıracak süreçleri tanımlamasına ve insan‑ajan etkileşimini nasıl şekillendireceklerini öngörmelerine yardımcı olur.

Yönetim seviyesinde “AI’yi kullanmalısınız, aksi takdirde geride kalırsınız” gibi çok geniş bir talep oluşturma eğilimi vardır. Operasyon ekibi ise doğru işleri belirlemekte zorlanır; aynı zamanda işlerini kaybetme korkusuyla da mücadele eder. O halde doğru denge ne olmalı ve ajanın işi onlarla birlikte yapmasını sağlarken yönetim kurulunun beklediği KPI’ları maksimize etmeyi nasıl başarabiliriz?

Geliri artırma ve/veya maliyeti azaltma potansiyeli olan, genellikle tekrarlanan görevleri hedefleyin. Binlerce müşteri, çalışan, öğrenci ya da hastanın aynı sonucu tekrar tekrar elde etmeye çalıştığı bir senaryo, ölçülebilir bir temel ve değeri kanıtlama fırsatı sunar.

Ama önemli bir ayrım vardır: dar başlayın, geniş mimariyi tasarlayın.

İlk kullanım durumları odaklı olabilir. Altındaki platform, kurumsal çapta genişlemeye uygun olmalıdır. Birkaç anlamlı iş akışında ekonomi, yönetişim modeli, entegrasyon ve insan yükseltme mekanizmalarını kanıtlayın. Ardından öğrendiklerinizi kullanarak yan süreçlere genişleyin.

Hacim tek kriter olmamalıdır. Düşük frekanslı bir iş akışı, her başarılı çözümün önemli finansal ya da operasyonel etkisi varsa son derece değerli olabilir.

Kuruluşlar, AI ajanının hangi kararları otonom olarak alabileceğini ve insan yükseltmesinin zorunlu kalması gereken durumları nasıl belirlemeli?

Druid AI, 26 kriteri kapsayan bir değerlendirme çerçevesi oluşturdu ve ajanın nasıl inşa edildiğinden işin nasıl tamamlandığına kadar nesnel bir değerlendirme sağlıyor.

Eğer bir eylem geri alınabilir, nispeten düşük riskli, net kurallarla yönetiliyor ve güvenilir bilgilerle destekleniyorsa, özerklik için güçlü bir gerekçe vardır. Önceden tanımlı parametrelerle bir randevuyu yeniden planlamak, klinik bir karar vermekten çok farklıdır. Ancak etkili bir şekilde yapılması için birçok unsur göz önünde bulundurulmalıdır: örneğin doktor B’nin boş bir zamanı var, ama o zamanı bloke etmek istiyor; AI ajanı bu boşlukta hastanın randevusunu yeniden planlamamalı, çünkü görev doktorun takvim kapsama oranını maksimize etmektir.

Değerlendirirken bakmam gereken birkaç boyut vardır: hatanın finansal ya da insan kaynaklı sonuçları, eylemin geri alınabilirliği, mevcut bilginin tamlığı ve kalitesi, düzenleyici gereklilikler ve gerçek bir insan yargısı ya da empatisi gerekip gerekmediği. Bu unsurlara göre yükseltme tasarlanır.

Erken aşamadaki AI otomasyon düşüncesi çok basitti: “İnsanı mümkün olduğunca az dahil ederek etkileşimleri tutmak”. Ancak birçok süreçte yükseltme tam da doğru sonuçtur.

Bu yüzden, yönetişimli çözümleme kavramını saf tutma yerine tercih ediyorum.

Hedef, AI’nın kendi başına çözmesi gereken işleri otonom olarak halletmesi, hareket etmemesi gereken durumları tanıması ve ilgili bağlamı önceden toplayarak bir kişiyi sürece dahil etmesidir.

AI ajanları hassas bilgileri alıp, kurumsal sistemleri güncelleyip, gerçek dünya eylemlerini başlatabildiğinde gözlemlenebilirlik ve yönetişim çok daha kritik hâle geliyor. Şirketler bir ajanın mantığını, veri erişimini ve eylemlerini ne kadar denetleyebilmeli ki kritik iş akışlarına güvenebilsin?

Gartner yönergelerini izleyerek, DRUID yerleşik bir değerlendirme çerçevesi oluşturdu; bu çerçeve ajanları 5 açıdan inceler: hata toleransı, risk, uyumluluk, gözlemlenebilirlik ve sapma. Bu kategoriler altında toplam 26 bileşen bulunur; her birinin tanımı, açılabilir bir artefaktı ve ölçümü vardır.

Bir ajanı değerlendirirken platform, orijinal kullanıcı talebinden nihai eylem sistemine kadar tam zinciri yeniden oluşturabilmelidir. Bu, hangi ajanın talebi işlediğini, hangi modelin kullanıldığını, modele hangi bağlamın verildiğini, hangi kurumsal bilginin getirildiğini, hangi iş kurallarının veya politikaların uygulandığını, belirli bir yolun ya da eylemin neden seçildiğini ve alt sistemlerde tam olarak neyin değiştiğini bilmek demektir. Yüzlerce denetlenebilir etkileşim izlenir, analiz edilir ve ölçülür.

Kimlik de aynı derecede önemlidir. Bir AI ajanı, kurumsal erişim kontrolünün etrafında bir kısayol olmamalıdır. Talebi kim başlattığını, bu kişinin neyi görmeye ya da yapmaya yetkili olduğunu ve ajanın tam olarak bu sınırlar içinde kalıp kalmadığını bilmek gerekir.

Çok‑ajan mimarilerinde izlenebilirlik daha da kritik hâle gelir. Hangi ajan başka bir ajana devretmiştir? Hangi bilgi bu sınırı aşmıştır? Karar nereden kaynaklanmıştır? Hangi bileşen aslında eylemi gerçekleştirmiştir? Ardından operasyonel kanıtlar gelir: zaman damgaları, güven puanları, yürütme sonuçları, istisnalar, yükseltme olayları ve ne olduğunu anlama ya da yeniden oynatma yeteneği.

Bu, konuşma AI’dan ajan tabanlı AI’ya geçerken en büyük değişikliklerden biridir.

AI sadece bir soruya yanıt verdiğinde gözlemlenebilirlik faydalıdır. AI bir müşteri kaydını değiştirebildiğinde, bir ödemeyi tetiklediğinde, birden çok kayıt sistemini güncellediğinde ya da bir iş sürecini başlattığında, gözlemlenebilirlik kontrol mimarisinin bir parçası haline gelir.

Druid AI’de geliştirme, operasyon, gelir ve müşteri başarısı gibi çok çeşitli roller üstlendiniz. Müşterilerle doğrudan çalışmak, bazı kurumsal AI uygulamalarının ölçülebilir değer yaratmasını, diğerlerinin ise pilot aşamasında takılı kalmasını nasıl şekillendirdi?

Kariyerime geliştirici olarak başladım ve birçok mühendis gibi, teknoloji yeterince iyiyse değerinin açıkça ortaya çıkacağını düşünürdüm. Müşteriler, bu düşüncenin kurumsal teknoloji dünyasında geçerli olmadığını çok çabuk öğretir.

Teknik açıdan sofistike bir dağıtım, iş problemi yeterince önemli değilse, süreç sahibi yoksa, entegrasyon bir sonradan düşünülmüşse ya da başarı ne demektir konusunda ortak bir anlayış yoksa çok az değer yaratır. Müşteriler, teknoloji anlatısını hızla ortadan kaldırır. Mimari ne kadar şık olursa olsun, sorumlu oldukları süreç iyileşmezse umursamazlar.

Bu ölçekli uygulamalardan bahsettiğimizde, gerçek bir problemi çözmek için bir iş sahibi vardır. Ölçülebilir bir hacim, maliyet/gelir ya da sürtünme vardır. AI, işin gerçekleştiği sistemlere bağlanmıştır. Yayına alındıktan sonra benimsenme ve sürekli iyileştirme planı vardır. Pilotlar genellikle sadece teknolojinin çalıştığını kanıtlar; işletme modelinin çalıştığını kanıtlamaz. Bu yüzden bir AI projesi çözerken, ekibimizi ve ortaklarımızı önce işi, sistemlerdeki tıklamaları değil, süreci anlamaya yönlendiririz. “İş”, tüm süreci, istisnaları nasıl ele aldığını, sonucunu, istisna sıklığını, verimliliği artırmayı engelleyen faktörleri, ne kadar sürdüğünü ve otomatikleştirildiğinde ne kadar çaba gerekeceğini ifade eder.

Kendi kariyerim teknoloji, operasyon, satış, müşteri başarısı ve şirket kurma alanlarında ilerledi; bu genişlik benim en büyük avantajlarımdan biri. Teknoloji, bir şeyin nasıl çalıştığını öğretir. Satış, birinin neden ödeyeceğini gösterir. Müşteri başarısı, gerçek dünyada işe yarayıp yaramadığını söyler. Operasyon, organizasyonun bunu tekrar tekrar ve ölçekli bir şekilde sunup sunamayacağını gösterir.

Birçok açıdan Druid AI’nin evrimi aynı yolu izledi: konuşma AI’nin çalışabileceğini kanıtlamaktan, değer yaratabileceğini kanıtlamaya, akıllı ajanların kurumsal ölçekte güvenilir olmasını sağlayacak altyapıyı inşa etmeye.

Ayrıca Women in Tech Romania ile Druid’i uluslararası bir AI şirketi haline getirirken de yer aldınız. Kadınların AI şirketi kurup yönetmesindeki en büyük engeller hâlâ nerede ve yöneticilik ya da kurucu seviyesinde temsilciliği anlamlı şekilde artırmak için ne yapılmalı? 

Son veriler, Avrupa teknoloji ekosisteminde çarpıcı bir farkı ortaya koyuyor: AI girişimlerinin sadece %5’i kadınlar tarafından kurulmuş ya da ortak kurulmuş ve bu kurucuların yarısı doktora sahibi. İstatistikler çarpıcı olsa da, bu eşitsizliği gidermek sadece cinsiyet ayrımcılığı anlatılarına odaklanmayı gerektirmiyor.

Girişimcilik, kişilik, risk toleransı, kişisel öncelikler ve kariyer seçimleriyle şekillenen bireysel bir çabadır. Bunu yalnızca sosyal bir engel olarak görmek yerine, kurucuların şekillendiği pratik bir yol haritasına bakmalıyız.

Kızların teknik disiplinlere ilgi göstermesi istatistiksel olarak düşük olsa da, daha sonraki kurumsal kariyerlerde ortaya çıkan çok daha önemli ve az konuşulan engel, tam iş sahipliği deneyimidir.

Kadınlar dünya‑çapında teknik uzmanlar ve fonksiyonel liderler olarak öne çıkar. Ancak, doğrudan gelir sorumluluğu, P&L yönetimi, ticari karar alma ve kurumsal strateji gibi rollere geçişleri daha azdır. İşte bu roller, bir kurumsal teknoloji şirketi kurup ölçeklendirmek için gerekli operasyonel kasları oluşturur.

Kendi yolculuğum, yazılım geliştirmeden CEO’luğa lineer bir çizgi değildi; liderlik, operasyon, ticari yürütme ve nihayet şirket kurma aşamalarını içeren bir dizi geçişti. Romanya eğitim sisteminde, herkes için (cinsiyet farkı gözetmeksizin) pratik finansal eğitim ve girişimcilik eğitimi eksikti; bu da iş riskini adım adım deneyimleyerek öğrenmeyi zorunlu kıldı.

Bu boşluğu kapatmak, yaygın bir miti yıkmayı da gerektirir: teknoloji liderliği, tamamen hâkim bir bilgi birikimi gerektirir. Hızla gelişen AI çağında kimse tüm cevaplara sahip değildir. Bugünün liderlik özellikleri merak, sürekli öğrenme ve sonuç garantisi olmadan karmaşık problemleri çözme cesaretidir.

Daha fazla kadının teknoloji şirketi yönetmesini görmek için ticari ağlara erişimi genişletmeli, görünür rol modelleri öne çıkarmalı ve deneyimli yetenekleri fonksiyonel siloların dışına çıkıp P&L sorumluluğu alıp iş riskini benimsemeye teşvik etmeliyiz.

İleriye baktığınızda, hangi faktörler kurumsal AI platformlarını iş operasyonlarına derinlemesine entegre edenlerle, sadece deneme aşamasında kalan AI ürünlerini ayıracak?

Ayırıcı çizgi, zekâyı güvenilir yürütmeye dönüştürebilmeleri olacaktır.

Etkileyici bir yanıt üretmek artık nispeten kolaylaşıyor. Büyük bir kurumsal ortamda sorunsuz çalışmak ise başka bir hikâye.

İş operasyonlarına yerleşecek platformlar, şirketlerin hâlihazırda kullandığı sistemleri değiştirmeye çalışmak yerine güvenli bir şekilde bağlanabilmelidir. Farklı modeller ve teknolojiler arasında çalışabilmelidir.

Ayrıca, ajanları, iş akışlarını ve insan kararlarını koordine edebilen bir orkestrasyona ihtiyaç duyarlar. Kimlik, yönetişim, gözlemlenebilirlik ve kontrol mimarinin içine tasarlanmış olmalı, sonradan eklenmemelidir.

Bir diğer kritik gereklilik ise, kusurlu koşullarda güvenilir olmaktır. Bir gösteri, her şey yolunda olduğunda AI sisteminin neler yapabileceğini gösterir; ancak bir kurum, bir şeyler ters gittiğinde ne olacağını bilmek ister.

Veri eksik olduğunda ne olur? Bir API başarısız olduğunda? İki politika çeliştiğinde? Güven puanı düşük olduğunda? Kullanıcı yetkisiz bir işlem istediğinde?

Bir ajan %90 zaman mükemmel çalışıyorsa ama kalan %10’da öngörülemez davranıyorsa, kritik bir süreçte sorumluluk verilemez.

Son birkaç yılda hâkim soru “Bu model ne yapabilir?” oldu.

Kurumsal soru ise “Bu işi etkili bir şekilde nasıl halledebilirim?” şeklinde evriliyor.

Kuruluşların derinlemesine yerleşecek AI platformları, ikinci soruya ikna edici bir şekilde yanıt verebilenler olacaktır: teknik, operasyonel ve ekonomik açıdan. İşin kendisinin nasıl yapıldığını zekâyla birleştirme fırsatını Druid AI’yi kurduğumuzda gördük. Teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Druid AI‘yi ziyaret etmelidir.