CIO’ların BT’de AI İşini Hesaplamak İçin Daha İyi Bir Yönteme İhtiyacı Var

Son iki yılda, CIO’lar BT’de AI için basit bir hedefe sahipti: onu organizasyona dahil etmek, ekiplerin deneme yapmasına izin vermek ve hizmet sunumunu nerede iyileştirebileceğini görmek.

BT organizasyonları lisanslar satın aldı, pilot projeler yürüttü ve zaten şişirilmiş yazılım yığınları üzerine AI özellikleri ekledi. Bu, ekipler AI’nın neler yapabileceğini hâlâ keşfederken mantıklıydı. Şimdi bu harcama gerçek bütçeler içinde yer alıyor ve CFO’lar şirketin parasına ne aldığını bilmek istiyor.

Sorun şu ki, CIO’ların AI’yı ölçmek için kullandığı birçok sayı bu soruya cevap vermiyor. CIO’lar kaç çalışanının AI kullandığını, ne sıklıkta kullandığını ve onlara ne kadar zaman tasarrufu sağladığını gösterebilir. Finans ise şirketin daha az para harcayıp harcamadığını, daha fazla iş yapıp yapmadığını ya da daha fazla personel işe almayı önleyip önlemediğini bilmek istiyor.

Bir çalışana haftada beş saat tasarruf sağlamak değerli gibi görünse de, şirket bu beş saatin ne olduğuna hâlâ ihtiyaç duyuyor. Çalışan daha fazla iş yaparsa ya da ekip, başka bir kişi işe almadan artan iş yükünü destekleyebiliyorsa, şirket finansal sonucu görebilir. Başka bir şey değişmezse, zaman tasarrufu bütçede hiç görünmeyebilir.

Şirketler AI’ya daha fazla harcama yaptıkça, CIO’ların AI’nın yaptığı iş ve bu işin maliyeti hakkında çok daha spesifik olmaları gerekiyor.

Kaydedilen Zaman Zorunlu Olarak Para Tasarrufu Sağlamaz

Birçok AI YG hesabı, zaman kriteriyle başlar – yani, AI bir çalışanı günde 30 dakika tasarruf ettirirse, şirket bu dakikaları binlerce çalışan üzerine çarparak çok büyük bir sayı elde edebilir.

Ancak iş süreçleri nadiren bu kadar düzenli çalışır. İş bir kişiden diğerine geçer, onayları bekler ve kuyruklarda bekler. AI bir sürecin bir bölümünde on dakika tasarruf sağlasa ve iş daha sonra başka biri için altı saat beklese, şirket on dakikalık faydalı kapasite kazanmaz.

CIO’lar için daha yararlı soru, AI’nın hizmetin performansını değiştirip değiştirmediğidir. Erişim istekleri kuyruğu daha hızlı geçerse, daha az bilet insan müdahalesi gerektirir ya da talep başına maliyet düşerse, BT bu sonucu zaten izlediği aynı operasyonel ölçütlerle ölçebilir.

Aviva iyi bir örnek. Sigorta şirketi, hasar operasyonundaki değişikliklerin bir parçası olarak 80’den fazla AI modeli kullandı ve sorumluluk değerlendirme süresini 23 gün, şikayetleri ise %65 azalttığını bildirdi. Bu sayılar yönetim ekibine operasyonun ne şekilde değiştiğini gösteriyor ve finansın ölçebileceği bir şey sunuyor.

CIO’lar AI yatırımlarına aynı düşünceyi uygulamalıdır. Bir pilotu genişletmeden önce, işin hangi kısmını değiştirmeyi beklediklerini ve bunun gerçekleşmesi için AI’nın ne kadar iş üstlenmesi gerektiğini bilmelidirler.

AI’nın Tamamladığı İş, Başlamak İçin Daha İyi Bir Başlangıç

Yaygın bir BT erişim isteğini düşünün. Bir yardımcı (copilot), bileti özetleyebilir ve bir yanıt taslağı hazırlayabilir, ancak bir BT ajanı şirket politikasını kontrol eder, isteği yapanı doğrular, onay alır, izni değiştirir ve isteği kapatır.

Yardımcı çalışanı birkaç dakikaya tasarruf ettirebilir, ancak işin çoğu hâlâ çalışanına aittir.

Şimdi, isteği şirket politikasına göre kontrol edebilen, eksik bilgileri toplayabilen, isteği onay için yönlendirebilen ve onayı aldıktan sonra değişikliği yapabilen bir AI sistemini düşünün. BT, AI sisteminin kaç isteği tamamladığını, bir çalışanın ne sıklıkta devreye girmesi gerektiğini ve her bir isteğin hâlâ ne kadar insan işi gerektirdiğini görebilir.

Bu, CIO’lara AI’yı hesaba katmak için çok daha net bir yol sunar. Teknolojinin kaç dakika tasarruf sağladığını tahmin etmek yerine, ne kadar işi tamamladığını ve bu işi tamamlamanın maliyetini ölçebilirler.

Aynı yaklaşım şu alanlara da uygulanabilir çalışan işe alımı, iç destek ve olay yanıtı. Önemli kısım, AI’ya şirketin zaten anladığı ve ölçebildiği işleri sorumluluk vermektir.

Ancak İnsan İşini de Saymanız Gerekiyor

Bir AI sistemi 1,000 işe alım talebi başlatabilir ve bunların 600’inde bir çalışanın devreye girmesini gerektirebilir. Tüm 1,000’i otomatik olarak nitelendirmek, yönetime AI’nın gerçekte ne kadar işi yönettiği konusunda yanlış bir izlenim verir.

Bu müdahaleler para maliyetine sahiptir. Bir ajan bir istek üzerinde birkaç dakika çalışıp ardından onu başka bir çalışanına devreder ve o çalışan da tamamlamak için ekstra yirmi dakika harcarsa, bu yirmi dakika sürecin maliyetine dahil edilmelidir.

Bu, BT’nin şunu gerektirdiği anlamına gelir her iş sırasında ne olduğunu gösteren bir kayıt. BT, AI’nın ne yaptığını, hangi sistemlere eriştiğini, nerede onaya ihtiyaç duyduğunu, bir çalışanın ne zaman devreye girdiğini ve işin gerçekten tamamlanıp tamamlanmadığını bilmelidir. Bu kayıtlar, ortalama çözüm süresi gibi geleneksel hizmet masası ölçütlerine besleme yapabilirken, AI’ya özgü müdahale oranları ve tamamlanan görev başına maliyet gibi ölçütleri de ekler.

Güvenlik ekipleri bir şeyler ters gittiğinde aynı bilgilere ihtiyaç duyar. Bir yapay zeka sistemi yanlış bir izni değiştirirse ya da almaması gereken bir eylemi gerçekleştirirse, ne olduğunu yeniden oluşturmalı ve nedenini anlamalıdır.

Bu kaydı tutmak, CIO’lara yatırımın her iki yönünü ölçme imkanı sağlar. Yapay zekanın çalıştırma maliyetini ve hâlâ denetleme ve işi tamamlama için gereken insan emeğini görebilirler.

Yapay Zekanın Aldığı Sorumluluk Miktarı Ekonomiyi Etkiler

CIO’lar ayrıca yapay zekaya ne kadar yetki vermeye istekli olduklarını belirlemelidir.

Sınırlı izinlere sahip bir yapay zeka sistemi, eylemlerinin çoğunu bir çalışanın onaylamasını gerektirebilir. Bu, bir kişinin sürece dahil olmasını sağlar, ancak şirketin daha fazla insan emeği için ödeme yapmaya devam etmesi anlamına da gelir.

Sisteme daha fazla yetki vermek, onun daha fazla işi kendi başına tamamlamasını sağlayabilir, ancak bu aynı zamanda BT’nin yönetmesi gereken riski artırır. Bir hesabı oluşturabilen ya da bir izni değiştirebilen bir sistem, yalnızca bir çalışana ne yapması gerektiğini önerebilen bir sisteme göre hata yaptığında daha fazla zarar verebilir. Bir ajan bir döngüye takıldığında, aynı görevi tekrar tekrar denediğinde ya da talimat çok belirsiz olduğundan hesaplama kaynaklarını tükettiğinde maliyet beklenmedik şekilde artabilir. Bu tür başarısızlıklar da ekonominin bir parçasıdır.

Şirketler, ilgili işe bağlı olarak bu sınırı farklı çizeceklerdir. Yatırım getirisi (ROI) hesabı için önemli olan, sınırın nerede konumlandığını ve ne kadar insan katılımı yarattığını bilmektir.

Bir yapay zeka sistemi bir sürecin %90’ını güvenli bir şekilde tamamlayabiliyorsa, ekonomisi her adımda bir çalışana ihtiyaç duyan bir sistemden çok farklı görünebilir.

Zaten Para Harcayan İşlerle Başlayın

Bir sonraki yapay zeka harcama turunu planlayan CIO’lar, zaten anlamlı zaman ya da personel harcayan işlerle başlamalıdır.

Erişim istekleri, çalışan işe alımı, olay müdahalesi ve iç destek, BT’ye ölçülebilir somut bir şey sunar. Şirket zaten kaç talebi işlediğini, bu taleplerin ne kadar çalışan zamanına ihtiyaç duyduğunu ve işin nerelerde takıldığını kabaca bilir.

Bundan sonra, BT yapay zekanın güvenle üstlenebileceği bölümleri ve bir çalışanın hâlâ müdahale etmesi gereken alanları belirleyebilir. Ardından, yatırımın neyi başarmasını beklediğine karar verebilir.

Belki ekip, yeni bir personel almadan %30 daha fazla talebi ele almak istiyordur. Belki her erişim isteğinin maliyetini düşürmek istiyordur. Belki de çalışanların rutin destek üzerinde harcadıkları zamanı azaltarak, şu anda birikmiş olan işleri halledecek zamanı artırmak istiyordur. BT, bir görevi yapay zeka ile tamamlamanın, insan müdahalesi dahil tam maliyetini bildiğinde, o görev için hedef bir maliyet belirleyebilir ve otomasyonun gerçekten değerli olup olmadığına karar verebilir.

Yapay zeka çalışmaya başladıktan sonra, CIO’lar beklentileri ile gerçekte ne olduğunu karşılaştırabilir. Yapay zekanın ne kadar işi tamamladığını, insanların ne sıklıkta devreye girdiğini ve tüm sürecin maliyetini görebilirler.

Bu, CIO’ların finans departmanıyla yapay zeka harcamalarını çok daha basit bir şekilde tartışmasını sağlar. Binlerce tahmini tasarruf edilen dakikaya dolar değeri koymaya çalışmak yerine, yapay zekanın hangi işleri üstlendiğini, hâlâ ne kadar insan emeği gerektiğini ve şirketin bu işi tamamlamak için daha az para harcayıp harcamadığını gösterebilirler.