Deloitte: Gerçek büyüme için 'otonom zekayı' ölçeklendirin
Özet
Otonom sistemlerden gerçek ekonomik değer elde etmek için bu teknolojilerin doğrudan gelir getirici iş akışlarına entegre edilmesi ve kapsamlı bir operasyonel incelemeden geçirilmesi gerekir. Başarılı bir otonom yapı; dijital kimlik, güncel veri erişimi ve hukuki uyum gibi kritik altyapı bileşenlerinin eksiksiz tamamlanmasını zorunlu kılar. Bu süreçte liderlerin, operasyonel darboğazları ve karar mekanizmalarını detaylıca analiz ederek otomasyonun değer yaratacağı alanları önceliklendirmesi büyük önem taşır. Söz konusu adli süreç denetimi, hem verimliliği artıran iş akışlarını ortaya çıkarır hem de uygulama aşamasında yaşanabilecek yönetişim açıklarını önceden tespit ederek sistemin güvenli çalışmasını sağlar.
Gerçek bir ekonomik değer elde etmek için, bu otonom sistemlerin doğrudan gelir getiren veya yüksek maliyetli iş akışlarına entegre edilmesi gerekir.
Kurumsal satın alma alanında bir senaryo düşünün: ajan tabanlı bir uygulama, tedarik zinciri envanterini kurumsal kaynak planlama (ERP) sistemindeki canlı tedarikçi fiyatlarıyla sürekli olarak karşılaştırır. Ardından, önceden tanımlanmış finansal parametreler dahilinde bağımsız olarak satın alma siparişlerini onaylayabilir ve yalnızca sapmalar meydana geldiğinde insan onayı için duraksayabilir.
Aynı sistemin ayrıca ERP içinde doğrulanabilir bir kimliğe sahip olması, sözleşmesel olarak bağlayıcı olacak kadar güncel fiyatlandırma verilerini okuması ve hukuk ve uyum birimlerinin resmen onayladığı onay eşiklerinde çalışması gerekir. Bu bağımlılıklardan herhangi birinin çözülmeden bırakılması, otonom yürütme gerekçesini tamamen çökertir. Bu nedenle, bu otomasyon seviyesine ulaşmak, herhangi bir bilişim kaynağı tahsis etmeden önce mevcut operasyonların adli bir incelemesini gerektirir.
Sharma, Deloitte'un bu operasyonel revizyonu başlatmak ve özerkliğin somut gelir yaratabileceği alanları tespit etmek için kullandığı yöntemi şöyle özetliyor:
“Tavsiye ettiğimiz ilk adım, bir karar denetimi ve süreçle başlamaktır. Liderlerden, sonuçların görevler tarafından değil, o süreçteki kararlar tarafından kısıtlandığı bir veya iki değer zinciri seçmelerini ve bu kararların bugün nasıl alındığını haritalandırmalarını istiyoruz. Veriye kimin sahip olduğu, yetkinin kimde olduğu, aktarımların nerede koptuğu, hangi eylemlerin gerektiği ve muhakemenin nerede uygulandığı gibi sorular soruyoruz.
“Bu soruları sormak, özerkliğin gerçek ekonomik değer yaratacağı süreç iş akışlarını ortaya çıkarırken, aynı zamanda bir pilot uygulamayı raydan çıkarabilecek tüm veri ve yönetişim açıklarını da ifşa eder. Oradan, liderlerin yeniden yapılandırmayı sıralamalarına yardımcı oluyoruz: yapay zeka ve ajan yapısı, veri, değerlendirmeler, ajan kimliği ve insan-döngüde modelleri ile ilk değer zincirine karşı temel katmanları oluşturuyoruz, çalıştığını kanıtlıyoruz ve ardından bunu ölçeklendirmek için bir şablon olarak kullanıyoruz.”
Operasyonel hedef izole edildikten sonra, teknolojik yürütme sıklıkla yukarı yönlü sürtünme nedeniyle duraksar. Büyük sağlayıcıların temelindeki temel modeller, karmaşık muhakeme görevlerini yerine getirecek kadar hızlı ilerledi ve büyük ölçüde birbirinin yerine geçebilir emtialar haline geldi. Sürtünme noktası, bu muhakeme motorlarını eski veri mimarilerine bağlamakta yatmaktadır.
Sharma, gerçek teknik engellerin istem büyük dil modeline ulaşmadan çok önce ortaya çıktığını gözlemliyor:
“Gördüklerimize dayanarak, sınır yetenekleri hızla bir emtia haline geldiğinden, model nadiren darboğaz oluşturur. İşletmelerin tasarım aşamasında takıldığı yer, modelin öncesidir. Altındaki iş akışını haritalandırmadan önce bir kullanım durumu seçerler, bu da ajanın halihazırda bozuk veya kötü yapılandırılmış bir süreci otomatikleştirmesiyle sonuçlanır.
“İkinci model veridir: müşteriler, otonom sistemlerin raporlama düzeyinde veriye değil, karar düzeyinde veriye ihtiyaç duyduğunu, yani çoğu kurumsal veri varlığının desteklemek üzere inşa edilmediği soy ağacı ve erişim kontrollerine ihtiyaç duyduğunu hafife alabilirler.”