Yapay Zekâda Geri Adım: Liderlerden Gerçek Hikâyeler
Yapay Zekâdan Alınan Dersler: Birçok lider, başarısız olan veya duraklatılan yapay zekâ projelerinden çıkarılabilecek değerli dersleri gözden kaçırır; oysa bu projeler önemli içgörüler sunar.
İleri Gitmek Yerine Duraklayın: Şirketler, temel süreçleri ve veri kalitesini oluşturmak için yapay zekâ girişimlerini duraklatmaktan çoğu zaman fayda sağlar.
Önce Elle Yapın: Otomasyon ancak elle uygulama yapıldıktan sonra gerçekleştirilmelidir; bu sayede süreçlerin net biçimde tanımlanması ve anlaşılması sağlanır.
Etkisini Ölçün: Başarının anahtarı, uygulamaya başlamadan önce mevcut süreçleri ve yapay zekânın olası etkisini değerlendirmektir.
Dokümantasyonun Önemi: Etkili dokümantasyon yalnızca süreçleri değil, kararların ve istisnaların ardındaki gerekçeleri de kaydetmelidir.
Çoğu yapay zekâ benimsenmesi hikâyesi kazananların kürsüsünden anlatılır. Çok daha az sayıda lider, fişi çektikleri andan söz eder — iptal edilen otomasyon, duraklatılan kullanıma sunma süreci, sıfırdan yeniden oluşturulması gereken pilot uygulama. Ancak gerçek dersler çoğu zaman bu hikâyelerde gizlidir.
Bunu deneyimlemiş üç uzmana şu soruyu sorduk: Ne geri alındı, neden ve neyi farklı yapardınız? Yanıtları şaşırtıcı ölçüde tutarlı bir temada birleşiyor — sorun neredeyse hiçbir zaman yapay zekânın kendisi değil.
Akıllıca Hamlenin İlerlemek Değil, Duraklamak Olduğu Zaman
Çoğu kuruluş için, para harcandıktan sonra bir yapay zekâ yatırımını tamamen ortadan kaldırmak gerçekçi değildir. Deloitte Consulting'de Kıdemli Yönetici olan Tejinder, yapılan yatırımlar göz önüne alındığında tamamen kaldırmanın gündemde olmadığını, ancak bilinçli bir duraklamanın mümkün olduğunu söylüyor. Sonuçlar beklentileri karşılamadığında ekibi geri adım attı ve “önce temel unsurlara baktı”; temel süreçlerin oluşturulup oluşturulmadığını, “veri kalitesinin” “iyi” olup olmadığını ve planlamacıların temsilcilerin kendi rollerinden farklı rolünü anlayıp anlamadığını sorguladı. “Sanırım bu sorular yanıtlandıktan sonra yeniden etkinleştirmek mantıklı geldi,” diyor.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Oregon State University'de Yetenek Geliştirme Lideri ve Öğrenme Süreci Sorumlusu olan PhD Priyanka Dave, aynı örüntünün tekrar tekrar ortaya çıktığını gördü. “Bazı kuruluşların, operasyonel olarak hazır olmadıklarını fark ettikten sonra yapay zekâ girişimlerini genişletmeyi bilinçli olarak ertelediklerini gözlemledim.” Bu durumlarda geri çekilmek bir başarısızlık değil, yön değiştirmekti. Dave, “Yapay zekâyı hemen genişletmek yerine liderlik, odağını kurumsal temeli güçlendirmeye kaydırdı,” diye açıklıyor. Bu, “kuruluşların iş süreçlerini belgelemeye, iş akışlarını standartlaştırmaya, veri yönetişimini iyileştirmeye ve yapılandırılmış öğrenme ile değişim yönetimi aracılığıyla çalışanların yetkinliklerini geliştirmeye yatırım yapması” anlamına geliyordu.
Yapay zekâyı hemen genişletmek yerine liderlik, odağını kurumsal temeli güçlendirmeye kaydırdı.
Manuel Olarak Yapmadığınız Bir Şeyi Otomatikleştirmeyin
Bazen geri adım atmak, bir projeyi doğrudan iptal etmek ve bunun başından beri doğru karar olduğunu keşfetmek anlamına gelir. Swift Ops Solutions'ın Kurucusu ve Baş Danışmanı Jaime Gil Martinez bunu zor yoldan öğrendi. “Bir keresinde, süreci daha önce hiç manuel olarak yürütmemiş bir müşteri için pazarlama materyalleri üretmeye yönelik bir otomasyon oluşturdum,” diye hatırlıyor. “Bu onlar için yeni olduğundan, ikimiz de sıfırdan otomatik olarak oluşturmanın daha iyi olacağını düşündük. Kâğıt üzerinde mantıklıydı. Geriye dönüp baktığımda acemi hatasıymış.”
Sistem teknik olarak çalışıyordu. Gil Martinez, “Otomasyon işe yarıyordu,” diyor. “Sorun, her çıktı gerektiğinde bir şeylerin yeniden değerlendirilmesi veya değiştirilmesi gerektiğiydi (farklı bir hedef, farklı bir format, farklı bir düzen); bu yüzden sürekli yeniden oluşturuyordum. Bunun birkaç turu geçtikten sonra örüntü apaçık ortadaydı — henüz kimsenin tanımlamadığı bir süreci otomatikleştiriyordum.”
[Değişiklik yapmanın] birkaç turundan sonra, henüz kimsenin tanımlamadığı bir süreci otomatikleştirdiğim açıktı.
Çözüm geri dönmekti. “Bu yüzden projeyi doğrudan iptal ettik ve materyalleri elle üretmeye geri döndük,” diyor. “Asıl mesele de buydu: Her manuel tur, eksik olan şeyleri, yani altın standartta örnekleri ve neyin değişken olup neyin olmadığını net biçimde görmemizi sağladı. Daha sonra otomasyona yeniden başladık ve bu manuel çıktı, yapay zekâya verdiğimiz bilgi tabanı oldu.” Bu deneyim, artık kendi şirketinde ve müşterileriyle uyguladığı bir kural ortaya çıkardı: “En az üç kez manuel olarak yapmadan hiçbir şeyi otomatikleştirmeyin. Ondan sonra değerlendirmeye başlayabilirsiniz.”
Herkesin Atladığı Adım: Oluşturmadan Önce Ölçün
Çoğu yapay zekâ benimseme planının neleri eksik bıraktığını Gil Martinez'e sorun; yanıtı hemen geliyor: “İnşa etmeden önce ölçüm yapmak. Çoğu şirket işe başladığı noktada iki önemli veriden yoksun: mevcut süreçlerinin gerçekte ne kadar iyi veya kötü olduğu ve yapay zekânın bu süreç üzerinde gerçekçi olarak ne kadar etki yaratabileceği. Her ikisi de olmadan uygulamanızın ne kadar etkili olduğunu veya maliyetin haklı çıkarılıp çıkarılmadığını anlayamazsınız.”
100'den fazla hasta için randevu planlamasını otomatikleştirmek isteyen bir sağlık kliniğini örnek gösteriyor. “Bunun ne kadar sürdüğünü bilmiyorlardı; yalnızca zaman alıcı ve sinir bozucu olduğunu biliyorlardı,” diyor. “Ne kadar sürdüğünü bilmiyorsanız size maliyetini de bilemezsiniz.” Bu nedenle herhangi bir şey inşa etmeden önce ilk adımı, randevu planlamasının kaç saat sürdüğünü ve bu saatlerin finansal değerini hesaplamak oldu. “Bu bize temel durumu gösterdi: iki haftalık tam manuel çalışma. Otomasyon bunu, mevcut eşdeğer harcamalarından daha düşük bir maliyetle, yapay zekâ destekli bir günlük çalışmaya indirdi.” Bu rakamlar ellerinde olduğunda, “kararı vermek kendiliğinden gerçekleşti.”
Dave, farklı ama aynı derecede kritik bir eksiklik görüyor: hazırlık yalnızca teknolojiyle ilgili değil. “Kuruluşların en sık gözden kaçırdığını gördüğüm adım, yapay zekâyı uygulamadan önce iş gücünün yetkinliğini değerlendirmek,” diyor. Eksikliklerin nadiren araç eğitiminden kaynaklandığı ortaya çıkıyor. Birkaç yetkinlik değerlendirmesinde, “değerlendirmeler sürekli olarak daha büyük yetkinlik eksikliklerinin analitik düşünme, eleştirel düşünme, veri okuryazarlığı, danışmanlık iletişimi ve problem çözmeyi kapsadığını ortaya koydu.” Sonuç olarak söylediği şu: “Teknolojiye hazırlık ve iş gücüne hazırlık farklı zorluklardır. Sürdürülebilir yapay zekâ benimsemesi her ikisini de gerektirir.”
Yapay Zekâ Hazır Olmayan Bir Sürece Uygulandığında
Yapay zekâ olgunlaşmamış bir sürece eklendiğinde gerçekte ne bozulur? Tejinder bunu, “yapay zekânın yeterince olgunlaşmamış bir iş sürecine (sipariş işleme ve tahsisler) yerleştirildiği” bir durumda ilk elden gördü; sonuç, hatalarla dolu bir çözümdü. Ancak sorunun nerede olduğunu açıkça belirtiyor: “Burada sorunun yapay zekâ olduğuna inanmıyorum,” diyor ve bunun yerine süreç olgunluğuna, ana veri sorunlarına, kapatılmamış gereksinim boşluklarına ve yetersiz testlere işaret ediyor.
Yapay zekâ, yeterince olgunlaşmamış bir iş sürecine (sipariş işleme ve tahsisler) yerleştirildi.
Dave, değerlendirmelerinde aynı dinamiği şu örneklerle anlatıyor: farklı departmanların aynı işi farklı şekillerde tamamlaması, eksik belgeler ve yalnızca çalışanların zihninde yaşayan istisnalar. “Endişe, yapay zekânın kuruluş genelindeki tutarsız uygulamaları yalnızca yeniden üretmesiydi,” diyor. Bu, sık sık yinelediği bir ilkenin sonucu: “Yapay zekâ kurumsal sorunları çözmez. Mevcut sistemleri büyütür. Süreçler tutarsız veya yetersiz belgelenmişse yapay zekâ, onları iyileştirmek yerine çoğu zaman bu tutarsızlıkları ölçeklendirir.” Kendi sözleriyle çıkarım şu: “Tekrarlayan ders, kuruluşların süreçleri otomatikleştirmeye çalışmadan önce iyileştirmeleri gerektiğiydi.”
Süreçler tutarsız veya yetersiz belgelenmişse yapay zekâ, onları iyileştirmek yerine çoğu zaman bu tutarsızlıkları ölçeklendirir.
Gil Martinez'in de bu konuda kendi acı deneyimi var: “ilk seferinde dramatik biçimde başarısız olan” bir potansiyel müşteri oluşturma uygulaması. Gereksinimler veya testler tanımlanmadan, yarı manuel yapıdan tamamen otomatik yapıya geçildi. “Mantık açık ve basit göründüğü için yapay zekânın bazı mantık unsurlarını kendi başına çözeceğini varsaymak benim hatamdı,” diye itiraf ediyor. Sonrasında işler kontrolden çıktı. “Kod yönetilemez hale geldi ve tamamen yapay zekânın kontrolüne geçti; öyle ki güvenli bir kilometre taşına geri dönemez oldum. İşte o an, sorunun yalnızca hatalı değil, yapısal olarak bozuk olduğunu anladım.”
Kurtarma süreci, her şeyi baştan ele almayı gerektirdi. “Çözüm, açık olduğu kadar acı vericiydi: yeniden başlamak,” diyor. “Bu kez her gereksinimi ve her birine karşılık gelen testi ana hatlarıyla belirledim, kademeli olarak inşa ettim ve yapay zekâya, uygun sürüm kontrolünün yanı sıra başarısızlıkları ve başarıları kaydetmesi için açık talimatlar verdim.” Disiplinli ikinci deneme, “üretim kalitesinde, işe yarar bir çözüme ulaşmak için ilk denemede boşa harcadığım sürenin yaklaşık yarısını aldı.”
Yapay Zekâ İçin İyi Belgeler Gerçekte Nasıl Görünür?
Bu üç hikâyenin temelinde aynı çözüm yatıyor: işin gerçekte nasıl yapıldığını kaydeden belgeler. Dave için bu, görev listelerinin ötesine geçmek anlamına geliyor. “İyi süreç belgeleri yalnızca insanların ne yaptığını değil, belirli kararları neden aldıklarını da açıklar,” diyor. En değerli bilgiler ise genellikle hiç yazıya dökülmeyenlerdir. “Kuruluşların yaptığı en yaygın hatalardan biri, yalnızca standart iş akışını belgelemektir. En değerli kurumsal bilgi çoğu zaman deneyimli çalışanların yaptığı istisnalarda, takdir gerektiren kararlarda ve bağlama dayalı kararlarda bulunur.”
Gil Martinez bunu, proje yöneticilerinin giderek daha fazla aşina olacağı bir bakış açısıyla ifade ediyor: “İyi süreç dokümantasyonu, istem mühendisliğini yansıtır. Yapay zekâya bir istemde vermeyi öğrendiğimiz unsurların aynısı (rol, bağlam, görev, talimatlar, kısıtlamalar) proje düzeyinde de yer almalıdır.” Bu değişimin, uygulayıcıların zamanlarını nasıl harcadıkları açısından sonuçları var. “İnsanların yürüttüğü uygulama süresi ortadan kalkıyor ve yapay zekâya devrediliyor; bu nedenle odağımızı iyi planlama yapmaya ve çıktıları doğrulamaya kaydırmalıyız. Yapay zekâ yöneticileri gibi davranmamız gerekiyor.”
Sonuç: Sıralama Stratejidir
Bu liderlerin hiçbiri yapay zekâya yatırım yaptığı için pişman değil. Pişman oldukları — ya da başkalarının pişman olduğuna tanık oldukları — şey, işlemlerin sırasıdır. Tejinder bunu şöyle özetliyor: “Kurumsal yapay zekâ benimsemesi, model operasyonel temellerden önce devreye alındığında başarısız olur. Doğru sıralama önce süreç olgunluğu, veri kalitesi ve rol netliğidir. Yapay zekâ ise ikinci sırada gelir. Kuruluşlar bu sıralamayı tersine çevirdiğinde suçu yapay zekâya atarlar; oysa temel sorun neredeyse her zaman yapay zekânın dahil edildiği ortamdır.” Görünüşe göre geriye dönmek başarısızlık değildir. Hazır olmadan uygulamaya geçmek başarısızlıktır.
Bu türden daha fazla içgörü mü istiyorsunuz? Bu uzmanların daha fazlasını dinlemek için ücretsiz bir DPM hesabına kaydolun.
