IDC: EMEA BT yöneticileri yapay zeka uygulamalarını nasıl hızlandırabilir?
Özet
EMEA bölgesindeki şirketler, yapay zeka projelerinde ilk aşamayı geçmelerine rağmen somut finansal getiri kanıtı sunamadıkları için ölçeklendirme aşamasında tıkanma yaşamaktadır. Projelerin başarısızlığı teknik sorunlardan ziyade, geleneksel ölçüm yöntemlerinin yapay zekanın sağladığı dolaylı faydaları analiz etmede yetersiz kalmasından kaynaklanmaktadır. Bu süreci aşmak isteyen CIO'ların, projeleri yalnızca maliyet tasarrufu odaklı değil, operasyonel verimlilik ve risk yönetimi gibi geniş kapsamlı stratejik değerler üzerinden denetlemesi gerekmektedir. Şirketlerin yapay zekada beklenen ivmeyi yakalayabilmeleri için projelerin iş sonuçlarını doğru şekilde raporlayabilecek yeni bir finansal çerçeve oluşturmaları kritik önem taşımaktadır.
EMEA bölgesinde duraksayan kurumsal yapay zeka geçişlerini yeniden harekete geçirmek, CIO’ların sistemlerini agresif bir şekilde denetlemelerini gerektirecektir.
Geçtiğimiz 18 ay içinde Avrupa genelindeki yapay zeka kurulumları, ilk test aşamalarının çok ötesine geçti. Şirketler, büyük operasyonel iyileştirmeler bekleyerek büyük dil modellerine ve makine öğrenimine sermaye yatırdı. IDC araştırması, yönetim kurullarının bu girişimleri yavaşlattığını, ölçeğini küçülttüğünü veya yeniden odakladığını ortaya koyuyor.
Bu daralma, teknik ilginin azalmasından ziyade uygulama sorunları ve finansal doğrulama eksikliğinden kaynaklanıyor. Rakip BT talepleri ve makroekonomik baskılar, direktörleri daha geniş çaplı bir uygulamaya onay vermeden önce somut finansal getiri kanıtları talep etmeye zorluyor.
Bölgedeki kuruluşların sadece yüzde dokuzu, geçtiğimiz iki yıl içinde yapay zeka projelerinin çoğundan ölçülebilir iş sonuçları elde etmeyi başardı. Kalan yüzde 91 ise sıkışmış durumda. Projeler nadiren felaket düzeyinde teknik başarısızlığa uğruyor; sadece ivmelerini kaybederek daha geniş bir kurumsal etki yaratamadan pilot aşamasında mahsur kalıyorlar.
Geleneksel satın alma metriklerinin ötesine geçmek
Geleneksel satın alma, yazılım lisanslama maliyetlerini doğrudan insan gücü azaltımı ile karşılaştırmaya dayanır. Üretken modellerin ve akıllı yönlendirme sistemlerinin değeri, dolaylı yollardan; yeni gelir akışlarını etkinleştirerek, çalışan verimliliğini hızlandırarak ve kurumsal riski düşürerek ortaya çıkar.
Bir üretim tesisindeki kestirimci bakım aracını düşünün. Model, mühendislik ekibinin boyutunu küçültmeyebilir. Ancak büyük bir montaj hattı arızasını önler. Önlenen bir felaketin finansal faydası, standart bir departman hesap tablosunda görünmez.
Kuruluşlar bu dolaylı değeri ölçmek için standart bir yaklaşımdan yoksun olduğundan, satın alma birimleri izole kullanım örneklerini dar kapsamlı metriklerle değerlendirir. Tanımlanmış bir finansal çerçeve olmadan, umut verici pilot projeler üretim ağlarına ulaşamadan fonlarını kaybeder. Teknoloji şefleri, bu kapsamlı faydaları yakalamak ve bunları doğrudan şirketin kârlılığına yansıtmak için yatırım getirisi (ROI) hesaplamalarını aktif bir şekilde yeniden yazmalıdır.
Bir pilot projeyi kalıcı bir kurumsal işlev haline getirmek, yoğun ve sürekli sermaye gerektirir. İnovasyon bütçeleri, ilk API çağrılarını ve bulut test ortamlarını kolayca karşılar. Aynı modeli canlı bir ortama taşımak, ağır altyapıya, aktif veri hatlarına ve günlük bakıma sürekli yatırım gerektirir. Bir AWS veya Azure korumalı alanından tam ölçekli bir kurumsal uygulamaya geçmek, ciddi mimari boşlukları ortaya çıkarır.
Mühendislik birimleri, modern vektör veritabanlarını on yıllardır kullanılan yerinde (on-premise) Oracle veya SAP sunucularıyla entegre etmeye çalışırken sürtünme yaşar. Bir Geri Getirme Destekli Üretim (RAG) mimarisini beslemek, temiz ve kategorize edilmiş bilgi gerektirir. Büyük dil modellerini düzensiz depolama alanlarında çalıştırmaya çalışmak, düşük kaliteli çıktılara ve yoğun halüsinasyon oranlarına yol açar.
Bu yapısal boşluğu gidermek, yazılım düzgün bir şekilde çalışabilmesi için kapsamlı ve maliyetli bir veri yeniden yapılandırmasını zorunlu kılar.