Yapay Zeka’yı Kullanmak vs. Çevresini İnşa Etmek: Çizgi Nerede?

AI kelimesini, bir tarayıcıda ChatGPT ile konuşmaktan, dil modelleri olmadan mevcut biçimlerinde var olamayacak işletmeler yürütmeye kadar her türlü şeyi tanımlamak için kullanıyoruz. AI otomasyonu kullanmak ile AI’nın bir işletmenin çekirdeğinde yer alması arasındaki çizgi nerede? Temel bir kayma ne zaman gerçekleşir? Ve en önemlisi, şirketler AI’yı sahneye çıkarmak için çaba göstermeli mi?

Bir İşletme Ne Zaman AI‑Yerel Olur?

Bugün, yönetim bir AI dönüşümü duyurmasa bile, çalışanlar hâlâ Gemini’yi bilgi aramak, ChatGPT’yi e-posta yazmak, Grok’u rapor hazırlamak, Claude’u kod yazmak ve benzeri amaçlarla kullanıyor. LLM araçlarına erişim o kadar yaygın hâle geldi ki, bunları sadece kullanmak artık şirket hakkında çok az şey söylüyor.

Benim için çok daha basit bir test var: AI’yı kapatırsanız ne olur?

Bir muhasebe yazılımı şirketini ele alalım. Geliştiricileri özellikler yazmak ya da ürünü sürdürmek için AI kullanabilir. Yarın bu araçları kapatırsanız, mühendisler muhtemelen daha yavaş çalışacak. Ancak yazılım hâlâ var olacak, muhasebeciler hâlâ onu kullanacak ve müşteriler hâlâ ödeyecek. AI şirketin operasyonlarını iyileştirir, ancak işin kendisi ona bağımlı değildir.

Şimdi, bir zamanlar on bin çalışanı olabilecek bir banka çağrı merkezini hayal edin. Bu ortamda AI’nın ilk nesli, operatörün yanına oturan bir hatırlatıcı gibi çalışıyordu: konuşmayı dinliyor, sorunu anlıyor ve bir cevap öneriyordu. Birçok durumda, bu hatırlatıcı artık ajan kendisi haline geldi. Bir müşteri yanlış bir tutar tahsil edildiğini söylediğinde; sistem kayıtları kontrol eder, ilgili verileri inceler, sorunu belirler ve bazen bir insanı devreye sokmadan çözüm sağlar. Bir insan yalnızca durumun yükseltilmesi gerektiğinde devreye girer.

Bu, teknolojiyle çok farklı bir ilişki. Muhasebe şirketi AI olmadan daha az verimli olur. Çağrı merkezi ise işletim modelinin büyük bir kısmını yeniden inşa etmek zorunda kalabilir. Bu fark, bir şirketin kaç AI aboneliği olduğu ya da “AI”nın ana sayfasında görünüp görünmediği kadar AI‑yerel olduğunun daha yakın bir göstergesidir.

Bu En Çok Nerede Görünür?

Bazı şirketler işlerini, başkalarına bu geçişi yapmalarına yardımcı olmak üzerine inşa etti.Cohere iyi bir örnek: Kanada şirketi, işletmeleri geleneksel yazılımlardan ve iş akışlarından AI’ya geçiş yapmalarına yardımcı olarak büyük bir iş haline geldi. Ancak diğer sektörlerde AI, ürünün içinde o kadar derinlemesine yerleşmiş ki, ikisini ayırmak neredeyse imkânsız.

Kendiliğinden sürüş, muhtemelen en net örnek. Bir arabadan yolun görülmesi, nesnelerin tanınması, çevresinde neler olduğunun anlaşılması ve kendi başına kararlar alınması beklendiğinde, AI’yı kaldırmak ürünün temel fikrini kaldırmak anlamına gelir.

Tıp ve ilaç sektörü aynı noktayı farklı bir şekilde ortaya koyar, özellikle ilaç keşfinde. Bu durumun ölçek olarak ne anlama gelebileceğinin en iyi örneklerinden biri DeepMind’ın protein yapılarına yaptığı çalışmadır.

Protein Data Bank 1971’de kuruldu ve dünya çapındaki bilim insanlarının on yıllarca süren çalışmasıyla deneysel olarak belirlenmiş büyük bir yapı koleksiyonu oluşturuldu. veritabanı 1993’te 1.000 yapıyı, 2000 civarında 10.000’i ve 2014’te 100.000’i geçti. Ocak 2023 itibarıyla 200,000 deneysel olarak belirlenmiş biyomoleküler yapı aştı. Başka bir deyişle, yaklaşık altı on yıl süren yapısal biyoloji çalışması sonucunda araştırmacılar iki yüz bin civarında deneysel yapı biriktirmiş oldu.

Ardından AlphaFold geldi; DeepMind’ın bir proteinin üç boyutlu yapısını amino asit dizisinden tahmin eden sistemi. 2022’de AlphaFold, 200 milyonden fazla tahmini protein yapısını kullanıma sundu, o dönemde bilime kayıtlı neredeyse tüm proteinleri kapsıyordu. Bu, AI’nın “var olan her proteini keşfettiği” anlamına gelmez. Bunlar, zaten bilinen amino asit dizilerine dayalı tahmini yapılardır. Ancak ölçek farkı hâlâ muazzamdır.

Bu kaymanın önemi 2024’te daha da netleşti; Google DeepMind’den Demis Hassabis ve John Jumper, “protein yapı tahmini” için Kimya Nobel Ödülü’nün yarısını aldılar. Diğer yarısı David Baker’a, hesaplamalı protein tasarımı için verildi. Birkaç yıl önce etkileyici bir AI atılımı gibi görünen şey, çok kısa sürede modern biyolojide temel bir ilerleme olarak tanındı.

DeepMind küresel, manşetlerde yer alan örnek olsa da, AI‑ilk tıbbi girişimler artık olağan değildir. Keymakr’daki yıllarımda, ekibimiz projeler üzerinde çalıştı diş hekimliği ve ultrason görüntülemeden girişimsel kardiyolojiye kadar uzanan projelerde çalıştık; bu projelerde modeller prosedür sırasında kalp kapakçıklarını, aortayı ve diğer yapıları tespit edecek şekilde eğitildi. Ayrıca beyin cerrahisi projelerinde modeller beyin dokusunu, kan damarlarını, cerrahi aletleri ve operasyon alanını ayırt etmeyi öğrendi. Bu tüm durumlarda AI, ürüne ek bir özellik değildi; ürünün kendisiydi.

Protein Yapılarından Soğuk E-postaya

Aynı şey, işin çok daha sıradan bölümlerinde de gerçekleşiyor. Satış ve pazarlama muhtemelen en hızlı hareket eden örnekler arasında; saatler süren işler artık çok az ek çabayla yüzlerce ya da binlerce kez tekrarlanabiliyor.

CRM, kampanyalar, potansiyel müşteri bulma ve lead araştırması dil modelleri etrafında inşa ediliyor. Artık ChatGPT’den soğuk bir e-posta yazmasını istemek noktasının çok ötesindeyiz. Bir sistem, birinin LinkedIn profilini inceleyebilir, ne yaptığını, neye önem verdiğini ve ne hakkında paylaşımlarda bulunduğunu görebilir, ardından bu bilgileri çok kişisel hissettiren bir şey yazmak için kullanabilir.

Bir keresinde şu şekilde bir mesaj aldım: “Michael, 4.000 feet yükseklikte uçmak ve camdan dışarı bakmak inanılmaz olmalı…” Mesaj, sosyal medyada paylaştığım havacılık hikayelerime atıfta bulunuyordu. İlk tepkim, birinin gerçekten LinkedIn profilimi inceleyip dikkatlice okuduğu yönündeydi. Elbette böyle bir şey olmadı. Sistem, bilgiyi buldu ve otomatik olarak iletiyi oluşturdu.

İşte kişiselleştirmenin ekonomisinin değişmeye başladığı nokta bu. Bir zamanlar bir kişinin uzun sürede yaptığı araştırma, artık kamu bilgilerini tarayan ve ilgili detayları belirleyen araçlarla desteklenebiliyor. Daha sonra bir insan, gerçekten faydalı, uygun ve eklenmeye değer olanı seçiyor.

Aynı değişimi Keymakr’de gördüm, ancak bizim için hedef asla insan yargısını ya da ilişkileri otomatikleştirmek değildi. İnsanları günlük işlerinin tekrarlayan bölümlerine bakmaya ve ajanların nerede zaman kazandırabileceğini, daha fazla tutarlılık getirebileceğini ya da daha büyük ölçekte çalışmalarına nasıl yardımcı olabileceğini sormaya teşvik etmeye devam ettim. 

Şu firmada Scryon, bu mantık şirketin içinde zaten yer alıyordu. Pazarlama işlerinin büyük bir kısmı, makaleler, blog, LinkedIn ve web sitesi boyunca birkaç ajan tarafından yürütülüyor.

İlginç olan, en büyük avantajlarının genellikle yazı olmaması. Diyelim ki bir web sitesine yirmi yeni sayfa ekliyorsunuz. Yeni bir makale yazan bir kişi muhtemelen birkaç dahili bağlantı ekleyecek. 80 ya da 800 eski içeriğe geri dönüp bu yeni sayfaların nereye bağlanması gerektiğini kontrol edecek neredeyse kimse yok. Bir ajan bunu yapabilir. Bu tür bir işte, ajanın bir insandan daha akıllı olması gerekmez. Sadece sıkılmaz ve 80 sayfa ile 800 sayfa arasındaki fark, bizim için olduğu kadar onun için de çok daha az önem taşır.

Fakat benim için otomasyonun sınırlarına ulaştığı yer burada. İyi bir halkla ilişkiler çalışması sadece bir ajana verilip unutulamaz. Aynı durum, konumlandırma, hedef kitle anlayışı ve ne söyleneceğine karar verme yetisinin kritik olduğu bir görüş yazısı için de geçerlidir.

Dolayısıyla, oldukça karmaşık bir ajan sistemi kursanız bile, onu yönetecek birine ihtiyacınız var. Birisi çıktıyı değerlendirmeli, neyin önemli olduğuna karar vermeli ve yönü belirlemelidir.

Bir Kurucuyu Otomatikleştirebilir misiniz?

Erken aşamadaki bir startup’ta kurucu genellikle teknik, operasyonel ve yönetsel rolleri bir arada yürütür. Bu yüzden düşünce doğal olarak ortaya çıkar: ajanlar ekibin iş yükünün büyük bir kısmını hafifletebiliyorsa, neden kurucunun görevlerinden bir kısmını da onlara vermeyelim?

Scryon Business’a bağlı ayrı bir ajanim var ve şirket hakkında çok şey biliyor. Ona “Gelecek ay 5.000 kullanıcı elde etmek istiyoruz” gibi bir şey sorabiliyorum. Bu gerçekçi mi, yoksa sadece uydurduğum hoş bir sayı mı?

Verileri çekebilir, piyasayı inceleyebilir, rakipleri ve bağlı sistemleri kontrol edebilir ve 5.000’in muhtemelen çok fazla, hatta 2.000’in bile bu aşamada agresif olacağını söyleyerek geri dönebilir. Bu, kendi düşüncelerimi test etmeme yardımcı olur. Ancak ajan hâlâ tavsiye veriyor.

Karar hâlâ bana ait. Tüm veri ve hesaplamalardan sonra, bazen dışarı çıkıp bir parkta yürümek ve şirketi nereye götürmek istediğime karar vermek gerekir.

Benim için gerçek yük boşaltma, birine sorumluluk verip, “Bu senin” demek ve bir ay sonra geri dönüp onun benim olmadan da çalışmaya devam ettiğini görmekle başlar. Bugün kurucu rolünde bunu görmüyorum.

Aynı durum C düzeyi rollerde de geçerlidir. Görevleri yön belirlemektir: altı ay içinde otomotiv pazarına girmek istiyoruz ya da sektördeki insanların markayı tanımasını istiyoruz. VP’ler, başkanlar ve ekip liderleri bunu ardından belirli hedeflere ve çalışmalara dönüştürür.

AI Araç Seti: Kişisel ve Şirket Maliyetleri

Tek bir “en iyi” model olduğuna pek inanmıyorum. Daha çok belirli bir görev için hangisinin en iyi çalıştığı ve ölçekli kullanımının bana ne kadar maliyet getirdiği önemli. Çoğu zaman kodlama için Codex’i kullanıyorum ve ihtiyaçlarıma göre içinde modelleri değiştiriyorum. Bir gün tasarım için Claude’u deneyebilir, dil odaklı görevler için ChatGPT’ye geçebilirim; ancak bu tercihler ay ay değişiyor ve bazen bir görevin ortasında bile değişebiliyor.

Sonuç olarak, herkes zamanla kendi yığını inşa eder ve belirli bir hedef için hangi modelin optimal olduğunu değerlendirir. Kendisi çok kod yazan teknik bir kurucuysanız, kendi yığınıza ayda yaklaşık 1.000 $ harcamanızı beklerim. Ancak daha agresif otomasyon yapan ve ayda 10.000–15.000 $ harcayan kişiler de biliyorum.

AI işin çekirdeğine dahil olduğunda, sayılar tekrar değişir. Scryon ile, gelirin %30–40’ının ürünün çalıştığı altyapı ve hizmetlere doğrudan gidebileceği fikri beni rahatlatıyor, bunu ürünün inşa eden insanları saymadan önce.

İlk İş Hedefi, Sonra Teknoloji

Otomasyon yarışında ve “AI şirketleri” etiketi altında, “hangi tür AI uygulamalıyız?” sorusu tehlikelidir. Yanlış uçtan başlıyor.

Kısa süre önce kendimize oldukça standart bir iş hedefi koyduk – maliyetleri azaltmak. Bunu yapmak için bir ajan oluşturduk, ona şirketin para harcadığı yerler hakkında, Amazon, Google ve diğer hizmetler dahil, bilgi verdik ve düzenli olarak anormallikleri arayıp bir şey tuhaf görünürse kırmızı bayrak kaldırmasını istedik.

Sadece ilk hafta içinde, sistemin neredeyse unutmuş olduğumuz harcamaları hızla gösterdiği için maliyetleri yaklaşık %30 azalttık. Ajanın kendisi ayda sadece 50$ tutabilir, ancak tasarruf on binlerce dolar olabilir.

Keymakr’da AI öncelikle insanları ve bireysel süreçleri güçlendirdi. Scryon’da ise zaten şirket mimarisine entegre edilmiş durumda. Otonom sürüşte, AI olmadan ürün kaybolur ve ilaç keşfinde keşif kapsamını değiştirir.

Benim için temel hedeflerin sorulması, AI‑yerli bir şirket olma arzusundan çok daha sağlıklı bir başlangıçtır. Önce bir iş hedefi ortaya çıkmalı: daha fazla kazanmak, daha hızlı ölçeklenmek, maliyetleri azaltmak, yeni bir ürün sunmak ya da mevcut bir süreci kökten değiştirmek. Ancak o zaman hangi teknolojinin sizi oraya götüreceğini sormak mantıklı olur.