Tüm Şirketlerin AI Çağı’nda Bilgi Grafikleri Nedenine İhtiyaç Duyduğu

AI, yazılım geliştirmeyi temel olarak hızlandırdı, ancak yazılım organizasyonlarının nasıl çalıştığını neredeyse hiç değiştirmedi. Bu uyumsuzluk, şirketlerin AI’sinin en büyük kısıtlaması haline geliyor.

Yıllarca, mühendislik ekipleri talebi karşılamak için daha fazla kaynağa ihtiyaç duydu. Bugün, küçük ekipler AI’ı kullanarak kodu oluşturuyor, test ediyor ve fikirlerden uygulamaya giden yolu hızlandırıyor. Geliştiriciler açıkça daha hızlı kod gönderiyorlar, ancak bu durumun sürekli olarak daha iyi sonuçlara dönüşüp dönüşmediği belirsiz.

Bu hız, yeni bir tıkanıklık yaratıyor: koordinasyon vergisi. AI, işlerin nasıl koordine edildiğini geliştirmesinden çok daha hızlı bir şekilde yürütme hızını artırdı. Bağlam paylaşımı, önceliklendirme, operasyonel karar verme, durum raporu ve çapraz fonksiyonel hizalama büyük ölçüde manuel olarak kalıyor, geliştirme hızlanırken.

Atlassian, oluşan kopukluğun Fortune 500 şirketlerine yaklaşık 161 milyar dolarlık yıllık maliyet getirdiğini tahmin ediyor. Aynı araştırmada, AI’ın işleri hızlandırdığını söyleyen yöneticilerin %89’u olmasına rağmen, yalnızca %6’sı ölçülebilir, şirket genelinde sonuçlar gösterebiliyor.

Daha hızlı çıktılar, otomatik olarak daha akıllı bir organizasyon yaratmıyor. Sadece %17’lik bir kullanıcı, ajanların ekibindeki işbirliğini iyileştirdiğine katılıyor, bu da en düşük puanlı etki oluyor ve koordinasyon döngüsünü kopuk bırakıyor.

Her sorgu için bağlamı yeniden oluşturmak büyük bir vergi

Bir demo, temiz, küratörlü veri kaynaklarını kullanarak canlı kalabilir, ancak üretim ortamları bir zorluk sunar: belirsiz, eski ve çelişkili bilgiler, bağlantısız sistemler boyunca dağılmış durumdadır. Bu boşluklarla karşılaştığında, büyük bir dil modeli tasarlandığı gibi davranır: bir sonraki en olası cevabı öngörür. Kontrollü bir demo’da akıl yürütme gibi görünen şey, gerçek üretim verisiyle birlikte confident bir tahmin haline gelir.

Endüstri, bu soruna bir isim vermeye başladı. “Bağlam mühendisliği” olarak adlandırılan disiplin, girişimlerin AI’ın başarısını belirleyen bilgi, ilişkiler, yönetim ve kaliteyi tasarlamayla ilgilenir. Sınırlayıcı faktör, artık model itself değil, çevresindeki bağlamın kalitesidir.

Her AI sistemi, bağlamı sıfırdan yeniden oluşturduğunda, bir vergi öder. Cevaplar yavaş, token maliyetleri artar ve cevaplar hangi kurumsal bilginin alındığına bağlı olarak değiştiğinden güven azalır. İki AI ajanı, aynı soruyu farklı şekilde cevaplayabilir, çünkü her biri bağlamı kurumsal bilginin farklı bir parçasından oluşturur.

Çoğu organizasyon, AI sistemlerine ihtiyaç duyduğu bilgilere zaten sahiptir. Sorun, bu bilginin biletler, depolar, belgeler, sohbetler ve planlama araçları arasında parçalanmış olmasıdır. Bu nedenle, her etkileşim, model akıl yürütmeye başlamadan önce kurumsal bağlamı yeniden oluşturarak başlar, her yeni soru için aynı pahalı işlemi tekrarlar.

Erişim, bilgi ile aynı şey değildir

Sıkça sorulan bir soru, daha büyük bağlam pencereleri, daha iyi arama veya geliştirilmiş alma, bu soruna çözüm getirip getiremeyeceğidir.

Model Bağlam Protokolleri, ajanlara, kurumsal bilginin yaşadığı sistemlere standart bir şekilde erişim sağlamalarına olanak tanıyan bir entegrasyon sorununu ele alır. Ancak erişim, anlama ile aynı şey değildir. Bir ajana bir düzine sisteme erişim izni vermek, hangi kararın diğerini geçersiz kıldığını, bir gereksinimin neden değiştiğini, bir belgenin hala yetkili olup olmadığını veya bir müşteri sohbetinin sonunda neyin sevkedildiğini açıklamaz.

Çoğu kurumsal AI sistemi, bağlamın her soru sorulduğunda sıfırdan oluşturulmasını varsayar. Bu yaklaşım, izole sorulara cevap verebilir, ancak bir işin yürütülmesi için gereken sürekli akıl yürütmeyi desteklemekte zorlanır. Liderler, organizasyon içinde zaten var olan soruların cevaplarını haftada saatlerce bir araya getirmeye devam etmektedir:

• Ne değişti?
• Bu öncelik neden değişti?
• Yol haritası hala doğru mu?
• Hala doğru problemi çözmeye çalışıyor muyuz?

Burada bir bilgi grafiği, yerini kazanıyor. Bir grafik, varlıkları ve ilişkilerini depolayarak, kurumsal hafızayı korumak için bir temel sağlar. Bir yazılım organizasyonunda, bu varlıklar müşterileri, özellikleri, gereksinimleri, kararları, biletleri, depoları, çekme isteklerini, sürümleri ve insanları içerebilir.

Bir ajan, bir kararı, o kararı tetikleyen gereksinime, onu uygulayan bilete, değiştiren çekme isteğine ve daha sonra onu zorlayan müşteri geri bildirimiyle bağlantılı olarak takip edebilir.

Bilgi grafikleri, sadece veri organize etmenin başka bir yolu değildir. Bağlantısız sistemlerden bağlamı yeniden oluşturmak yerine, AI, organizasyonun nasıl çalıştığına dair sürekli evrimleşen bir anlayıştan akıl yürütebilir.

Sonuç, kararlar, sohbetler ve kanıtlardan akıl yürüten bir AI’dir, her soru sormayla bağlamı yeniden oluşturmak yerine.

Yapı tek başına yeterli değildir

Grafikleri bir kez oluşturmak zor, ve onu doğru tutmak daha da zordur. Hızlı değişen bir organizasyonda, biletler değişir, planlar kaydırılır, kod sevkedilir, sorumluluklar değişir ve müşteri geri bildirimi öncelikleri değiştirir. Bu, kurumsal hafızanın gerçekliği değiştikçe güncellenmesi ve her değişikliğin kaynağına yeniden bağlanması anlamına gelir.

Geliştiricilerin %82’si, AI’ın kodlama hızını artırdığını ve %71’i, karmaşık sorunları çözmelerini kolaylaştırdığını söylüyor. Ancak bu hız, birBedel getiriyor: %96’lık geliştiriciler, oluşan kodun fonksiyonel olarak doğru olduğundan tam olarak emin değildir.

Bir AI sistemi, bir liderin bir sürümün plana uygun olduğunu söylediğinde, ancak bu sonuca varılmasına yol açan sinyalleri gösteremezse, deneyimli bir lider buna göre davranmak için tereddüt edecektir.

Takımların, makul cevaplar üreten ancak kullanıcıların bu cevapların nasıl elde edildiğini doğrulayamadıkları araçları terk ettiklerini gördüm. Ayrıca, kullanıcıların işlerini gösteren daha az gelişmiş sistemleri kullanmaya devam ettiklerini gördüm. Güvenilir bir özet, alıntılar olmadan sadece yanlış olma yoludur ve bir araç, bir lideri kaynak göstermeyen bir cevapla yakalarsa, güven geri gelmez. Her iddia, kaynağına bağlanır ve “güvenin” yerine “neden” olur.

Doğru olmak da aynı nedenle önemlidir. Bir sistem, plan ile gerçeğin arasındaki ilişkiyi sürekli olarak izlerse, bir ekibin kararlaştırdığı şey ile sevkedilen şey arasındaki fark, sessizce emilip güncellenen bir cevap yerine görünür bir sapma haline gelir. Bu, bir kenar endişe değildir. Thoughtworks, kod sapmasını AI ajanları için özel bir tehlike olarak işaretlemiştir. Bu, sapmaları tespit etmek ve gelişen işlerdeki sapmaları düzeltmeye yardımcı olan geri bildirim mekanizmaları ve doğrulama döngülerinin gerekliliğini vurgular. Bir organizasyonun görebileceği sapma, faydalı bilgidir. Gizli kalan sapma, bir AI sisteminin insanları yanıltmaya başladığı yerdir.

Sonraki Ajan Projesi Öncesinde Sormanız Gerekenler

Bir şirket AI girişimini değerlendirirken, dört soruyla başlardım:

• Sistem, zaman içinde kendi optimize edilmiş bağlam temsilini mi korur, yoksa yalnızca AI’a mevcut veri kaynaklarına erişim mi sağlar?
• Her cevap, bir bilete veya belge gibi belirli bir kaynağa geri izlenebilir mi?
• Sistem, organizasyonun bilgisinin değişmesi halinde otomatik olarak güncellenir mi?
• Ajan, veri noktaları arasında yalnızca erişimi değil, ilişkileri mi anlar?

Temel modeller gelişmeye devam edecek. Akıl yürütme yetenekleri güçlenecek, bağlam pencereleri büyüyecek ve bu ilerlemeler herkes için giderek daha fazla kullanılabilir hale gelecek. Organizasyonel anlama ise ticarileştirilmeyecek.

CEO’ların yarısından fazlası, AI’dan son bir yıl içinde gelir veya maliyet avantajı görülmediğini rapor ediyor. Bu CEO’ların çoğunun, AI modellerinin organizasyonun zaten bildiği şeyleri akıl yürütmelerine izin veren bağlam katmanını kaçırdıklarına bahse girerim.

Yazılım oluşturmak dramatik olarak kolaylaştıkça, anlama, kıt bir kaynak haline geliyor. AI’dan en fazla değeri yaratanlar, kurumsal bilgilere bağlanmada, onlarla bağ kurmada ve sürekli olarak öğrenmede daha iyiler. Bu, tahmin eden AI ile bilen AI arasındaki farktır.