Geçen yazımızdan devam edelim. Sırada Gen AI pilot uygulamalarının başarısız olma nedenleri var.
Şekil 6: GenAI pilot uygulamalarının başarısız olma nedenleri
Yeni araçları benimsemede isteksizlik en büyük başarısızlık nedeni olarak öne çıkmaktadır.
Araştırma, ChatGPT, her ikisi de benzer modeller kullanıyor olsa bile, daha iyi, daha hızlı ve daha tanıdık olduğu için kurumsal araçlardan daha üstündür. Ancak bu tercih, kuruluşların neden yanlış tarafta kalmaya devam ettiklerini ortaya koymaktadır.
Ayrıca takip eden görüşmeler çarpıcı bir çelişkiyi de ortaya çıkarmıştır. Kurumsal AI araçlarına şüpheyle yaklaşan profesyoneller, genellikle tüketici LLM arayüzlerinin yoğun kullanıcılarıymış. Deneyimlerini karşılaştırmaları istendiğinde, üç tutarlı tema ortaya çıkmış.
Şekil 7: Neden Jenerik LLM’ler
Orta ölçekli bir şirkette çalışan bir şirket avukatı bu dinamiği örneklemiş. Şirketi, özel bir sözleşme analiz aracına 50.000 dolar yatırım yapmış, fakat avukat, taslak hazırlama işleri için sürekli olarak ChatGPT’yi tercih etmiş:
“Satın aldığımız AI aracı, sınırlı özelleştirme seçenekleriyle katı özetler sunuyordu. Oysa ChatGPT ile tam olarak ihtiyacım olanı elde edene kadar konuşmayı yönlendirip tekrar edebiliyorum. Temel kalite farkı belirgin! Tedarikçimiz aynı temel teknolojiyi kullandığını iddia etse de, ChatGPT sürekli olarak daha iyi sonuçlar üretiyor.”
Rapora göre, bu model, aylık 20 dolarlık genel amaçlı bir aracın, en azından anlık kullanılabilirlik ve kullanıcı memnuniyeti açısından, çok daha pahalı olan özel kurumsal sistemlerden genellikle daha iyi performans gösterdiğini anlatmaktadır. Bu paradoks, çoğu şirketin neden GenAI bölünmesi’nin yanlış tarafında kaldığını örneklemesi açısından da büyük bir önem taşımaktadır.
Şekil 8: AI mi İnsan mı?
Rapor çok önemli bir noktayı da ortaya çıkartmaktadır. Karmaşık projeler için AI’nin tercih edilip kullanılması %10 oranındadır. Karmaşık projelerde üstünlük çalışanlardadır. AI hala hızlı görevler veya rutin görevlerde tercih edilmektedir.
BAŞARININ ANAHTARI
Raporda, başarılı olmak ve bölünmüşlüğün üstesinden gelmek için örnek ve öneriler de bulunmakta.
Başarılı olan araçların iki ortak özelliği:
•Düşük yapılandırma yükü ve
•Anında görülebilen değer.
Buna karşılık, kapsamlı kurumsal özelleştirme gerektiren araçlar genellikle pilot aşamada takılıp kalmış.
Katılımcı şirketlerdeki başarılı kategoriler şu şekilde belirlenmiş:
•Çağrı özetleme ve yönlendirme için sesli yapay zeka
•Sözleşmeler ve formlar için belge otomasyonu
•Tekrarlayan mühendislik görevleri için kod üretimi
Aynı şekilde problem yaşayan kategoriler: genellikle karmaşık, iç mantık veya sezgisel yöntemlere dayalı optimizasyon içeren kategoriler olarak belirlenmiş.
Bazı girişimler, özellikle satış ve pazarlama alanlarında küçük ama kritik iş akışlarını domine ederek ve ardından genişleyerek başarıya ulaşmış. En üst çeyrekteki GenAI girişimleri, lansmanlarından sonraki 6-12 ay içinde yıllık 1,2 milyon dolarlık gelire ulaşmış.
Şekil 9: GenAI çözümlerini keşfetmek
Güven engellerini aşmak için başarılı girişimler, genellikle sistem entegratörleriyle kanal ortaklıkları, yönetim kurulu üyeleri veya danışmanlardan gelen tedarik yönlendirmeleri ve tanıdık kurumsal pazar yerleri aracılığıyla dağıtım yöntemlerini kullanmış.
Yapılan görüşmeler bir şeyi çok net ortaya çıkarmış: En etkili AI satın alan kuruluşlar artık mükemmel kullanım örnekleri veya merkezi onay beklememektense dağıtılmış denemeler, tedarikçi ortaklıkları ve net hesap verebilirlik yoluyla benimsenmeyi teşvik eden şirketlermiş. Bu alıcılar sadece daha istekli değil, aynı zamanda stratejik olarak daha uyumlu şirketlermiş.
Öğrenme yeteneğine sahip, özelleştirilmiş araçlarla yapılan dış ortaklıklar, ~%67 oranında kullanıma sunulurken, şirket içinde geliştirilen araçlar için bu oran ~%33 olarak belirlenmiş. Netice itibariyle bu fark, ChatGPT’nin geçici görevlerde neden baskın olduğunu, ancak kritik iş akışlarında neden başarısız olduğunu ve genel kurumsal araçların neden hem tüketici LLM’lerine hem de derinlemesine özelleştirilmiş alternatiflere karşı neden kaybettiğini açıklamaktaymış.
GenAI bölünmesi’ni aşmanın önündeki en büyük engel entegrasyon veya bütçe değil, organizasyonel tasarımdır. Veriler şirketlerin uygulama yetkisini merkezileştirmeden, ancak hesap verebilirliği koruyarak başarılı olduklarını göstermiş.
Stratejik ortaklıklar, iç geliştirme çabalarına kıyasla başarılı uygulamaların önemli ölçüde daha yüksek bir payını elde etmiş. Araştırmaya katılan şirketlerde SATIN ALMA girişimlerinden çok daha fazla İNŞA etme girişimi gözlemlense de, iç geliştirmeyi araştıran çok daha fazla kuruluş olmasına rağmen, başarı oranları dış ortaklıkları göstermiş. Toplam girişim hacimleri hakkında kesin veriler olmasa da, bu eğilim, iç geliştirme çabalarının daha yaygın olarak denenmesine rağmen başarı oranlarının önemli ölçüde daha düşük olduğunu göstermiş.
Şirketlerin stratejik ortaklıklar yoluyla oluşturdukları pilot uygulamaların tam uygulamaya geçme olasılığı, içsel olarak oluşturulanlara göre 2 kat daha yüksek olarak gerçekleşmiş. Daha da çarpıcı olanı, çalışanların kullanım oranlarının dışsal olarak oluşturulan araçlarda neredeyse iki kat daha yüksek olarak ortaya çıkmış. Bu ortaklıklar genellikle daha hızlı değer elde etme süresi, daha düşük toplam maliyet ve operasyonel iş akışlarıyla daha iyi uyum sağlamış.
Görüşmelerde, GenAI Divide’ı başarıyla aşan kuruluşlar arasında tutarlı bir model ortaya çıkmış: en iyi alıcılar, AI girişimlerini yazılım satıcıları gibi değil, daha çok iş hizmeti sağlayıcıları gibi görmüşler sanki danışmaknlık şirketleri gibi. Bu kuruluşlar:
•İç süreçler ve verilerle uyumlu derinlemesine özelleştirme talep etmişler.
•Araçları model kriterlerine göre değil, operasyonel sonuçlara göre değerlendirmişler.
•Erken aşamadaki başarısızlıklarda ortaklık kurup uygulamayı ortak evrim olarak ele almışlar.
•AI girişimlerini merkezi laboratuvarlardan değil, ön saflardaki yöneticilerden almışlar.
GenAI Divide’ı aşan kuruluşlar, ROI’nin genellikle operasyonlar ve finans gibi göz ardı edilen işlevlerde en yüksek olduğunu keşfetmişler.
•Ön büro araçları dikkat çekerken arka büro araçları tasarruf sağlamış.
•AI bütçelerinin %50’si satış ve pazarlamaya ayrılmış olsa da (yöneticilerin teorik tahminlerine göre), bulunan en önemli maliyet tasarruflarının bir kısmı arka büro otomasyonundan kaynaklanmış. Ön büro kazançları görünür ve yönetim kurulu tarafından kabul edilirken, arka büro uygulamaları genellikle daha hızlı geri ödeme süreleri ve daha net maliyet azaltımları sağlamış.
Sınıfının en iyisi kuruluşlar, her iki alanda da ölçülebilir değer yaratmaktadır:
Ön büro kazançları:
•Potansiyel müşteri değerlendirme hızı: %40 daha hızlı
•Müşteri sadakati: AI destekli takip ve mesajlaşma sayesinde %10 iyileşme
Arka ofis kazançları:
•BPO (İş süreçşleri dış kaynak kullanımı) ortadan kaldırılması: Müşteri hizmetleri ve belge işleme alanında yıllık 2-10 milyon dolar tasarruf
•Ajans harcamalarında azalma: Dışarıdan sağlanan kreatif ve içerik maliyetlerinde %30 azalma
•Finansal hizmetler için risk kontrolleri: Dış kaynaklı risk yönetiminde yıllık 1 milyon dolar tasarruf
Bu durum, satış ve pazarlamanın dikkatlerin ve yatırımların çoğunu üzerine toplarken, arka ofis otomasyonunun, bariz kullanım örneklerinin ötesine bakmaya ve GenAI Divide’ı gerçekten aşmaya istekli kuruluşlar için daha çarpıcı ve sürdürülebilir getiriler sunabileceğini göstermektedir.
Son olarak raporda belirtildiği üzere;
Bireysel AI ajanlarının ötesindeki bir sonraki evrim, otonom sistemlerin tüm internet altyapısı üzerinde keşif, müzakere ve koordinasyon yapabildiği, iş süreçlerinin işleyişini temelden değiştiren bir ajan ağıdır.
Bu dönüşümün altyapı temelleri, ajanların birbirleriyle çalışabilirliğini değil, aynı zamanda otonom web navigasyonunu da mümkün kılan Model Context Protocol (MCP), Agent-to-Agent (A2A) ve NANDA gibi protokoller aracılığıyla şimdiden ortaya çıkmasıdır. Ajan tabanlı bir ağda, sistemler insan araştırması olmadan otomatik olarak en uygun satıcıları keşfedecek ve çözümleri değerlendirecek, önceden oluşturulmuş konektörler olmadan gerçek zamanlı olarak dinamik API entegrasyonları kuracak, blok zinciri destekli akıllı sözleşmeler aracılığıyla işlemler gerçekleştirecek ve birden fazla platform ve organizasyonel sınırlar arasında kendini optimize eden acil iş akışları geliştirecektir. İlk deneyler, tedarik ajanlarının yeni tedarikçileri bağımsız olarak belirleyip şartları müzakere ettiğini, müşteri hizmetleri sistemlerinin platformlar arasında sorunsuz bir şekilde koordinasyon sağladığını ve içerik oluşturma iş akışlarının otomatik kalite güvencesi ve ödeme ile birden fazla sağlayıcıyı kapsadığını göstermektedir. Bu, günümüzün insan aracılı iş süreçlerinden, tüm internet ekosisteminde çalışan otonom sistemlere doğru temel bir geçişi temsil etmektedir. Mevcut GenAI Divide’ı çok ötesine geçerek, kuruluşların ağ bağlantılı bir ekonomide keşif, entegrasyon ve işlem yapmasını yeniden şekillendirir.
