Yapay zeka, henüz çözülmemiş tek bir müşteri probleminden araştırmaları ve çalışan prototipleriyle birlikte birkaç özenli çözüm üretebilir. Bir ürün ekibi bu seçenekleri kısa sürede hazırlar ve her biri peşinden gitmeye değecek kadar ikna edici görünür.
Eskiden bir ay süren işi birkaç günde çıkarmak ilerleme gibi görünür.
Sonra değerlendirme toplantısı başlar.
Prototiplerin her biri problemin farklı bir yorumuna yanıt verir. Araştırmalar birbiriyle bağdaşmayan birkaç sonucu destekler. Aralarında seçim yapmak için hangi kanıtın gerektiği baştan kararlaştırılmamıştır. Seçeneklerden biri güvenlik onayı ister. Bir diğeri destek ekibinin iş akışını değiştirir. Üçüncüsünün ise devreye alındıktan sonra belirgin bir sahibi yoktur. Toplantı bir karşılaştırma daha yapılması talebiyle biter.
Çıktılarda bir sorun yoktur. Sadece kurumun sonuçlandırabileceğinden çok daha fazlası üretilmiştir.
Aynı durum farklı bilgi işlerinde de görülüyor. Yapay zeka, insanların üzerinde konuşabileceği makul bir ilk sürüm üretmenin maliyetini düşürüyor. Bu ilk sürüm bir taslak, analiz, tasarım, öneri ya da prototip olabilir. Ancak şirketler makul başlangıçları biriktirerek değer yaratmaz. Önce hangi işe kaynak ayıracaklarına karar vermeleri gerekir. Ardından o işi gerçeğe dönüştüren kısıtları aşmalı ve geri kalanını durdurmalıdırlar.
Yapay zeka işe başlamayı ucuzlatıyor. Avantaj, başladığı işi bitirebilen kurumlara geçiyor.
Üretim ucuzlarken yarım işlerin maliyeti artar
Yapay zeka desteğiyle bir işe başlamak neredeyse bedavaymış gibi gelebilir. Kimse henüz zor bir karar vermemişken fikir, bir araştırma özetine, birkaç tasarıma ve bir prototipe dönüşür.
Maliyetler daha sonra ortaya çıkar.
Her yeni girişimin mevcut önceliklerle karşılaştırılması gerekir. Kanıtları kontrol edecek ve bağımlılıkları çözecek biri olmalıdır. Sonraki adıma da yine birinin karar vermesi gerekir. Bir prototip güvenlik incelemesinden geçebilir. Bir kampanya içinse hukuk onayı ve üretim kapasitesi gerekebilir. İş müşteriye ulaşsın ya da ulaşmasın, kurum ona ayırdığı dikkatin bedelini öder.
Üretilmiş bir belge, tamamlanmamış iş stoğudur. Bir kararı değiştirmediği ya da tamamlanmış bir sonuca ulaşmadığı sürece kurumun sınırlı dikkati için diğer işlerle rekabet eder.
İş hayatında yapay zeka üzerine yapılan araştırmalar bu ayrımın bir bölümünü şimdiden gösteriyor. 6.000 bilgi çalışanıyla altı ay boyunca yürütülen rastgele kontrollü bir saha deneyinde üretken yapay zekaya erişim, insanların tek başına değiştirebildiği faaliyetleri etkiledi: Kullanıcılar e-postaya daha az zaman ayırdı ve belgeleri daha hızlı tamamlamış göründü. Ancak ilerlemenin başkalarının da birlikte değişmesine bağlı olduğu toplantılarda geçirilen süre anlamlı ölçüde değişmedi. Araç, bireysel üretimi kurumsal koordinasyondan daha kolay hızlandırdı. Microsoft Research
Bireysel kazanımlar gerçek. Ancak işin geri kalanına kendiliğinden yayılmıyorlar.
Başlangıçlar ucuzladıkça kurumlar daha fazla işe başlanmasına izin verir. Bunun sonucunda değerlendirme yapanların önüne daha çok içerik gelir. Yöneticiler dikkatlerini daha fazla girişim arasında bölmek zorunda kalır. Ekipler de kolayca onaylanan denemelerin bakım işini devralır.
Düşük üretim maliyeti, yüksek fırsat maliyetini gizleyebilir. Ekipler “Bunu ne kadar hızlı yapabiliriz?” sorusunun yanına şunu da koymalı: “Bu işi sürdürürsek hangi başka işten vazgeçeceğiz?”
Prototip artık tek başına güven telkin etmez
Çalışan bir prototip eskiden birinin bütçe bulduğuna ve ciddi zaman harcadığına işaret ederdi. Bu, ürünün iyi olduğunu kanıtlamazdı ama maliyet bir filtre görevi görürdü. Çok az fikir o aşamaya tesadüfen ulaşırdı.
Yapay zeka bu filtreyi zayıflatıyor.
Küçük bir ekip artık problemle ilgili temel soruları yanıtlamadan ikna edici bir şey üretebilir. Arayüz çalışır. Örnek veri inandırıcı görünür. Demo da tamamlanmış bir ürünü andırır.
Bu tamamlanmışlık hissi konuşmanın yönünü değiştirir. Karar vericiler problemin yatırıma değip değmediğini sormayı bırakıp renkleri, özellikleri ve çıkış tarihini tartışmaya başlar. Prototipin varlığı, fark ettirmeden çalışmaya devam etmenin gerekçesine dönüşür.
Oysa bir prototip yalnızca bu sürümün yapılabildiğini kanıtlar. Problemin önemli olduğunu göstermez. Müşterilerin ürünü kullanacağını ya da kurumun onu güvenle işletebileceğini de kanıtlamaz.
Ucuz prototipler ispat yükünü tersine çevirir. Artık taahhütten önce bir şeyler inşa edilebildiği için, ortaya çıkan ürün tek başına yatırım kararını haklı çıkaramaz. Ekibin bu kararı ayrıca gerekçelendirmesi gerekir.
Yararlı bir prototip, bir karara bağlanmalıdır. Örneğin destek temsilcilerinin bir öneriyi anlayıp anlamadığını ya da müşterilerin yeni bir kayıt akışını tamamlayıp tamamlamadığını sınayabilir. Prototipin hangi kararı kolaylaştırması gerektiğini kimse söyleyemiyorsa ortada devam etmek için gerekçe arayan bir demo vardır.
Hız belirsiz yönü daha tehlikeli hâle getirir
Rutin onaylar ve aynı veriyi tekrar tekrar girmek çoğu zaman işe katkı sağlamaz. Yapay zeka ve otomasyon bu tür gecikmeleri ortadan kaldırmalı.
Ancak bazı sürtünmeler bilgi taşıyordu.
Bir iş özeti yazmak, birini problemi açıklamaya zorluyordu. Bir talebi teknik gereksinimlere dönüştürmek, eksik kararları görünür kılıyordu. Üretimin yavaş olması, farklı ekiplerin aynı sözcükleri farklı hedefler için kullandığını fark etmelerine de zaman tanıyordu.
Yapay zeka, bu konuşmalar yapılmadan çıktıyı üretebilir.
Bir müşteri elde tutma planı istendiğinde, finans ve müşteri başarısı ekipleri hangi müşterilerin önemli olduğu konusunda anlaşamasa bile yapay zeka bir plan çıkarır. Bir ürün prototipi istendiğinde, kimsenin bilinçli olarak seçmediği makul varsayımlarla boşlukları doldurur.
Çıktı o kadar özenli olabilir ki alttaki belirsizliği görmek zorlaşır. Başlıklar, ekranlar ve hesaplar ortaya çıktıkça muğlak yön tarifleri somutlaşmış gibi görünür. Kendinden emin anlatım da bu yanılsamayı güçlendirir.
Bu yüzden netleştirme daha erken yapılmalı. Üretime başlamadan önce verilecek karar ve hedef kullanıcı tanımlanmalıdır. Kısıtlar ile çıktının çözmeye yardımcı olması gereken anlaşmazlık da açıkça ortaya konmalıdır. Aksi takdirde hız, zayıf bir önermenin itirazla karşılaşmadan daha uzun yol almasını sağlar.
Yapay zeka netlik ihtiyacını ortadan kaldırmaz. Netlik eksikliğinin eskiden açığa çıktığı anların birçoğunu ortadan kaldırır.
Seçim ayrı bir beceridir
Yaratıcı ve analitik iş akışlarının çoğu seçimi kısa bir son aşama olarak görür: Birkaç seçenek üret, değerlendir, en iyisini seç ve ilerle. Seçenekleri üretmek zamanın büyük bölümünü aldığında bu iş bölümü makuldü.
Üretim ucuzluyor. Seçim ucuzlamıyor.
Makul seçenekler arasından seçim yapmak farklı bir emek gerektirir. Önce hangi kanıtın geçerli olduğuna karar verilmelidir. Ardından seçeneklerin gerçekten aynı problemi çözüp çözmediğine bakılmalıdır. Öneriyi değiştiren istisnaları fark etmek de bu işin parçasıdır. Üstelik geri alınabilir bir deney ile kurumun yıllarca desteklemek zorunda kalacağı bir taahhüdü birbirinden ayırmak gerekir.
Daha fazla zeka bu soruları kendiliğinden çözmez. Bir model, büyüme stratejisiyle risk azaltma stratejisini karşılaştırabilir. Ancak şirket bu ödünleşimin sorumluluğunu birine vermedikçe hangi sonuca daha çok değer verdiğine karar veremez. Bir politikanın olası etkisini tahmin edebilir. Sonuçlarının sorumluluğunu şirket adına üstlenemez.
Procter & Gamble’dan 791 profesyonelin katıldığı bir saha deneyi önemli bir ayrım sunuyor. Yapay zeka, üretilen fikirlerin kalitesini artırdı. Ürün inovasyonu çalışmalarında bireylerin iki kişilik ekiplerle karşılaştırılabilir düzeyde performans göstermesine de yardımcı oldu. Ancak araştırmacılar fikir üretimini değerlendirmeden ayırdığında insan muhakemesinin hâlâ değer taşıdığı görüldü. Bu değer özellikle seçenekler arasından seçim yaparken ortaya çıktı. Organization Science
Bu bulgu uzmanlığın ortadan kalkacağına değil, biçim değiştireceğine işaret ediyor. Deneyimli bir çalışan temel yanıtı üretmeye daha az zaman ayırabilir. Bunun yerine bir yanıtın kabul edilebilir olup olmadığını anlamaya odaklanabilir. Hangi kaynağın eksik olduğunu ve hangi istisnanın sıradan olmadığını bilir. Kurumun hangi sözü veremeyeceğini de görür. Görünüşte küçük bir ayrıntının üretimde ne zaman pahalıya mal olacağını deneyimi sayesinde fark eder.
Şirketler bunu üretimin sonuna eklenebilecek sıradan bir inceleme işi olarak görmemeli. Seçimin kendi ölçütleri ve ayrılmış bir zamanı olmalıdır. Bu işi yapacak kişilerin yetkiye ihtiyacı vardır. Seçim yapma becerisinin de ayrıca geliştirilmesi gerekir. Kurum reddetme kabiliyetini güçlendirmeden çıktıyı çoğaltırsa üretilen bolluk, en deneyimli çalışanların önünde bir kuyruğa dönüşür.
Üretim ucuzladığında seçimin kalitesi daha önemli hâle gelir.
Ne zaman durulacağına baştan karar verilmeli
Üretken sistemler devam etme konusunda son derece iyidir. Her zaman çalıştırılacak başka bir sorgu ve özetlenecek başka bir kaynak vardır. Yeni bir sürüm üretmek ya da yeni bir istisnayı ele almak da mümkündür. Bir başka prototip yönü ise biraz daha iyi olabilir.
Birisi dur diyene kadar üretken sistemler memnuniyetle devam eder. Kurumların bu sınırı koyması gerekir.
Bir durdurma kuralı, araştırma ve deneme sürecinin hangi koşullarda devam edeceğini ya da sona ereceğini tanımlar. Önce sınanan işi ve yeterli sayılacak kanıtı belirler. Ardından kararın sahibini ve kanıtın ortaya çıkması gereken son tarihi tanımlar.
Sıralama önemlidir. Kural, prototip etkileyici göründükten sonra konursa ölçütler üretilmiş işe göre esner. Ekip haftalarca araştırma yaptıktan sonra konursa durmak, yapılan yatırımı boşa çıkarmak gibi gelir. Üretim başlamadan yazılan bir kural, kararı çıktının ikna gücünden korur.
Zaman da kuralın parçası olmalıdır. Analizler güncelliğini yitirir. Pazar fırsatları kapanır. Müşteri ihtiyaçları değişir. Olası bir girişim, bir revizyon daha üretmek ucuz olduğu için süresiz olarak iş listesinde kalmamalıdır. Bazı işler zaman aşımına uğramalıdır.
Kural yine de öğrenmeye alan tanımalıdır. Yeni kanıtlar sürenin uzatılmasını haklı çıkarabilir. Ancak bu uzatma, yarım kalmış işlerin varsayılan durumu değil bilinçli bir karar olmalıdır.
Bir durdurma kuralı oluşturun
Yarım kalmış işe devam etme koşulu ve durma tarihi verin.
Şu anda neyi araştırıyor ya da deniyorsunuz?
Kuralınız
[işi tanımlayın] yalnızca [bir tarih belirleyin] tarihine kadar [gereken kanıtı tanımlayın] koşulu sağlanırsa devam edecek. Devam edip etmeyeceğine [tek bir karar sahibi belirleyin] karar verecek.
Bir durdurma kuralı iyi karar vermeyi garanti etmez, ama karar vermeyi mümkün kılar.
Otomasyon insanlara işin daha zor kısmını bırakır
Üretimden otomasyona geçmek işi bitirme problemini çözmez. Yalnızca problemin biçimini değiştirir.
100 vakayı ele alan bir hizmet ekibi düşünelim. Vakaların çoğu rutindir. Bazıları yorum gerektirir. Az sayıda vaka ise sıra dışıdır. Bu vakalar önemli sonuçlar doğurabilir ya da duygusal açıdan zor olabilir. Rutin vakaları otomatikleştirmek insanlara ulaşan iş sayısını azaltır. Bu genellikle gerçek bir iyileşmedir.
Ancak insanlara kalan sıradan bir vakanın niteliğini de değiştirir.
Çalışan artık kolay ve zor işler arasında gidip gelmez. Kuyruğundaki istisnaların oranı yükselir. Eksik belgeler ve çelişen politikalarla daha sık karşılaşır. Sıra dışı müşteri koşulları ile sistemin çözemediği vakalar da bu kuyrukta birikir. Toplam hacim düşerken ortalama zorluk artar.
OECD’nin farklı iş yerlerinde yürüttüğü vaka çalışmaları bu örüntüyü belgeliyor. Avusturya’daki bir sigorta operasyonunda otomasyon, manuel indeksleme işinin büyük bölümünü ortadan kaldırdı ve çalışanları orta zorluktaki ve karmaşık vakalara yöneltti. Birleşik Krallık’taki bir finansal hizmetler örneğinde ise chatbot temel soruları yanıtlarken insan temsilciler daha fazla zor konuyla ilgilendi. İş yalnızca azalmadı. Vakaların dağılımı değişti. OECD
Bu durum, iş gerekçesini hacme dayandıranlar için önemlidir. Otomatik bir sistem kuyruğun yarısını ortadan kaldırdı diye kurumun insan kapasitesini de yarıya indirebileceği sonucu çıkmaz. Kalan işler daha uzun sürebilir ve daha deneyimli çalışanlar gerektirebilir. Çalışanlar üzerindeki stresi artırabilir. Kötü ele alındıklarında daha büyük risk de taşıyabilirler.
Uzmanlığın gelişimi açısından da önemlidir. İnsanlar yalnızca istisnaları görürse alanı öğrendikleri rutin vakalarla daha az karşılaşır. Kurum uzman muhakemesine daha çok bağımlı hâle gelirken yeni uzmanların yetiştiği yolu zayıflatabilir.
Doğru ölçüt, sistemin tek başına kaç vakayı tamamladığı değildir. Otomasyon ve insanlardan oluşan bütünün, iş dağılımının tamamını güvenilir biçimde sonuçlandırıp sonuçlandıramadığıdır.
Otomasyondan geriye kalan iş
En kolay vakalar önce ayrıldıkça insanlara kalan kuyruğun nasıl değiştiğini görün.
Temsili iş yüküdür, bir sektör benchmark'ı değildir
İnsanlara ulaşan vakalar
100 vakanın 100 tanesi
Otomatik tamamlanan vakalar
100 vakanın 0 tanesi
Henüz hiçbir vaka insan kuyruğundan ayrılmadı.
İnsanlara ulaşan vaka
100
Toplam insan emeği
30 sa 30 dk
Vaka başına ortalama
18.3 dk
Karmaşık vakaların payı
%40
İnsanlara ulaşan işler hâlâ vakaların tamamını içeriyor.
Otomasyon yine de yapılmaya değer olabilir. Burada önemli olan, sistemin rutin vakaları sonuçlandırdığı titizlikle düşünme sürecini de tamamlamaktır.
Nelerin biteceğini tesadüfe bırakmayın
Üretilen bolluğa verilecek kolay yanıt, araçları kimlerin kullanabileceğini ya da bir ekibin kaç deney yapabileceğini daha sıkı kurallara bağlamaktır. Bu, görünür hareketliliği azaltabilir. Ancak kurumun asıl ihtiyaç duyduğu beceriyi geliştirmez.
Daha iyi yanıt, tamamlanmanın ne anlama geldiğini açıkça tanımlamaktır.
İşe başlamadan önce verilecek kararı belirleyin. Bir prototipe yatırım yapmadan önce onun neyi kanıtladığını ve neyi kanıtlamadığını açıklayın. Alternatifler üretmeden önce aralarından kimin seçim yapacağına karar verin. Rutin işleri otomatikleştirmeden önce geride kalacak vakaları inceleyin. Yarım kalmış işe, devam etmesi için bir koşul ve sona ermesi için bir tarih verin.
Bu uygulamalar, yapay zekadan yeni bir sürüm istemekten daha yavaş görünebilir. Değildir. Kurumun hiçbir zaman bir karara ulaşamayacak işleri haftalarca değerlendirmesini, koordine etmesini ve sürdürmesini engeller.
Bolluk gerçek. Ekipler daha fazla olasılığı araştırabilir, fikirleri daha açık anlatabilir ve varsayımları birkaç yıl önce mümkün olmayacak bir hızla sınayabilir. Buradaki fırsat, her başlangıcın pahalı olduğu dünyaya geri dönmek değildir.
Fırsat, işe başlamanın maliyetiyle işi bitirmenin değerini birbirine karıştırmamaktır.
Bir sonraki etkileyici taslak, analiz ya da prototip ortaya çıktığında yalnızca ne kadar hızlı üretildiğini sormayın. Önce hangi kararı sonuçlandırması gerektiğini sorun. Ardından bu kararı hangi kanıtın mümkün kılacağını belirleyin. Sonuçların sorumluluğunu kimin üstleneceği de açık olmalıdır. Kanıt hiç gelmezse çalışmanın ne zaman duracağına baştan karar verin.
Başlamak giderek ucuzlayacak. Avantaj, işi bitirebilmekte kalacak.