Yöneticiler İçin Yapay Zeka ROI Rehberi

Yapay zeka bütçelerinin bir slaytta onaylandığını ve bir çeyrek içinde yok olup gittiğini görüyorum. Teknoloji çalışıyor. ROI ise çalışmıyor.

Aradaki fark modelden kaynaklanmıyor. Aradaki fark, liderlerin değeri nasıl tanımladığı ve benimsenmeyi nasıl sağladığıdır. Yapay zekadan elde edilen ROI bir teknoloji problemi değil, bir liderlik problemidir.

Bir kullanım durumu (use case) şunu söyler: "Sözleşmeleri özetlemek için yapay zeka kullanıyoruz." Bir değer durumu (value case) ise şunu söyler: "Yılda 4.200 hukuk saatini ön eleme için harcıyoruz. Yapay zeka, bu ön elemeyi 90 bin dolara ortadan kaldırıyor. Bu da 380 bin dolarlık bir kapasite açığa çıkarıyor."

Biri bir demodur. Diğeri ise bir CFO'nun sorgusundan sağ çıkar.

Herhangi bir şeyi finanse etmeden önce üç rakam talep ederim:

  • Temel çizgi (baseline). Bu bugün saat veya hata bazında ne kadara mal oluyor? "Önce" olmadan "sonra"yı kanıtlayamazsınız.
  • Ele alınabilir pay. Yapay zeka nadiren bir görevin %100'ünü üstlenir. Bu %30 mu yoksa %70 mi? Bunu abartmak ROI'nizi mahveder.
  • Gerçekleştirme yolu. İnsanları yeniden görevlendirene kadar açığa çıkan saatler tasarruf sayılmaz. Yeniden tahsis yapılmayan %20'lik bir verimlilik artışı, %0'lık bir finansal kazançtır.

Model kalitesi manşetleri süsler. Benimsenme ise getiriyi sağlar.

Ekibin %20'si tarafından kullanılan %90 doğruluk oranına sahip bir araç, ekibin %90'ı tarafından kullanılan %70 doğruluk oranına sahip bir araçtan daha az getiri sağlar. Aradaki fark güven ve iş akışına uyumdur.

ROI = kullanım başına değer × kullanım sıklığı × kullanıcı payı. Bu değişkenlerden ikisi insani faktörlerdir.

Benimsenme için altyapı gibi bütçe ayırırım. Şunları ararım:

  • Her ekipte savunucular (champions).
  • Araca göre tasarlanmış iş akışları.
  • Gerçek kullanıcılardan gelen geri bildirim döngüleri.

"Yapay zeka 5 kat daha hızlı taslak oluşturuyor" gibi gösteriş amaçlı metrikler (vanity metrics) üzerine güvenmeyin. Daha hızlı taslak oluşturmak, daha yavaş incelemeye ve daha fazla hataya yol açabilir.

Üç katmanı takip ederim:

  • Aktivite. Ekip bunu kullanıyor mu?
  • Sonuç. Hedeflenen metrik değişti mi?
  • Sistem. Sürecin ilerleyen aşamalarında başka bir şey bozuldu mu?

Başarısız olan çoğu yapay zeka projesi şu hataları yapar:

  • Ölçeklenemeyen pilot uygulamalar. Gerçek dünyanın karmaşık verileri yerine temiz verileri test ederler.
  • Sorunları çözmek yerine yetenek satın almak. Geniş ve yüzeysel vakalar yerine, derin değeri olan üç vaka seçin.
  • Değişim maliyetlerini göz ardı etmek. Lisanslar faturanın %10'udur. Entegrasyon ve eğitim ise geri kalan %90'dır.
  • Sorumlu yok. Eğer ROI bir yönetici karnesinde (scorecard) yer almıyorsa, kimse onu savunmaz.

"Yapay zeka ne yapabilir?" diye sormayı bırakın. "Bugün nerede para kaybediyoruz ve yapay zeka bu kaybı diğer her şeyden daha hızlı durdurabilir mi?" diye sorun.

Daha az şeyi finanse edin, ancak daha derine inin. Önce temel çizgiyi ölçün. Benimsenmeye, teknolojiye harcadığınız kadar harcayın. Her doların yanına sorumlu bir isim yazın.

Kaynak: https://dev.to/cedricbignet/the-executives-guide-to-ai-roi-52ah

İsteğe bağlı öğrenme topluluğu: https://t.me/GyaanSetuAi