Yapay zekanın hızla yükselişi, çeşitli sektörlerde bir dizi deneye yol açmıştır. Ancak birçok şirket, ilk denemelerin somut iş değerine dönüşemediği “kanıt konsepti yorgunluğu” yaşamaktadır. Önde gelen bir kurumsal büyük dil modeli (LLM) şirketi olan Cohere’nin kurucu ortağı Ivan Zhang, yakın zamanda düzenlenen bir Web Zirvesi sırasında bu artan hayal kırıklığını ele alarak, potansiyel müşterileri yapay zekaya olan inançlarını korumaya çağırırken, yatırım getirisini (ROI) odaklamanın kritik gerekliliğini vurguladı.
Kanıt Konsepti Tuzağı
Zhang, yapay zeka pilotlarına büyük yatırım yapan ancak karşılık gelen bir geri ödeme görmeyen işletmeler arasındaki hayal kırıklığına dikkat çekti. Birçok Cohere müşterisinin, ilk uygulamaları oluşturmalarına rağmen, maliyet ve yönetişimden veri güvenliği ve gizliliğine kadar değişen sorunlar nedeniyle bunları üretime geçirmekte zorlandıklarını kabul etti. Bu duygu, yapay zekanın vaadinin genellikle uygulamanın pratik gerçekleriyle çeliştiği daha geniş bir eğilimi yansıtmaktadır.
Zhang, Cohere’nin yeni çalışma alanı platformu North ile çözmeyi umduğu gider, mevzuata uyumluluk, veri koruma ve gizlilik protokolleri sorunlarına dikkat çekti.
ROI Zorunluluğu
Zhang bir röportajda, yapay zeka benimsenmesinin bir sonraki aşamasının, gösterilebilir ROI tarafından yönlendirilmesi gerektiğini vurguladı. Şirketlerin, AI yatırımları için, faydaların maliyetlerden daha ağır basmasını sağlayan açık bir finansal gerekçelendirme görmeleri gerekiyor. Bazı AI sistemlerinin işletilmesinin o kadar pahalı olduğu konusunda uyardı ki, görevleri otomatikleştirmekten elde edilecek potansiyel maliyet tasarruflarını ortadan kaldırıyorlar.
Zhang, "Bazen inşa ettikleri sistemler, modelin maliyeti fiilen onu çalıştıran insanlardan daha pahalı oluyor" dedi.
AI uygulamalarıyla gerçek bir gelişme olup olmadığı sorusu, asla sonuç vermeyen projelere giren AI şirketlerinin yakıp yıktığı köprülerin üstesinden gelmek için ele alınmalıdır.
AI Artırma vs. Verimlilik
Zhang ayrıca, şirketlerin mevcut işgücünü AI ile artırmaya çalıştığı ancak verimlilikte herhangi bir iyileşme görmediği durumları da belirtti. Bazı durumlarda, çalışanlar çıktılarını artırmadan iş yüklerini azaltarak AI’nın faydalarını fiilen ortadan kaldırdılar. Bu, AI’nın mevcut iş akışlarına nasıl entegre edildiğini dikkatlice değerlendirmenin ve gerçek verimlilik kazanımlarına yol açmasını sağlamanın önemini vurgulamaktadır.
Erken Aksiliklerin Üstesinden Gelmek
Zhang, AI girişimlerinin artık sonuç vermeyen projelerle "yakılmış" şirketleri geri kazanmakla görevlendirileceğini öngörüyor. "Bu teknoloji için pazara açılmanın bir sonraki aşaması, ‘ROI nerede?’" AI şirketlerinin, çözümlerinin somut değerini göstererek ve ölçülebilir sonuçlar sunmaya odaklanarak güveni yeniden inşa etmeleri gerektiğine inanıyor.
Araştırma Topluluğundan Yankılar
Zhang’ın gözlemleri, yapay zeka sohbet robotlarını kullanan 7.000 işyerini araştırdıktan sonra "herhangi bir meslekte kazanç veya kaydedilen saatler üzerinde önemli bir etkisi olmadığını" bulan Ulusal Ekonomik Araştırma Bürosu gibi kuruluşların araştırmalarıyla destekleniyor. Benzer şekilde, bir Boston Consulting Group araştırması, ankete katılan yöneticilerin yalnızca dörtte birinin yapay zekadan önemli bir değer gördüğünü ortaya koydu ve bu da şirketlerin yatırımlarını genellikle birden fazla pilot proje üzerinde çok ince bir şekilde yaydığını gösteriyor.
Gösterişli Çözümler Yerine İş Sorunlarına Öncelik Vermek
Zhang’ın LLM’leri düşünen şirketlere tavsiyesi, açık kullanım durumları olmayan ayrıntılı çözümler oluşturmak yerine, belirli iş sorunlarını çözmeye odaklanmaktır. Bir şeyler inşa etmeye ve bir sorun aramaya" kaybolmaktan kaçınmaları konusunda uyardı ve AI yatırımlarını stratejik iş hedefleriyle uyumlu hale getirmenin önemini vurguladı.
Araç Kutusunda Bir Araç Olarak AI
Zhang, AI’nın iş sorunlarını çözmek ve müşteriler için değer yaratmak için araç kutusundaki sadece bir araç olarak görülmesi gerektiğini savundu. Teknolojinin dünyanın tüm sorunlarını çözme potansiyelini abartmaya karşı uyardı ve stratejik olarak ve diğer çözümlerle birlikte kullanıldığında en etkili olduğunu vurguladı.
Halüsinasyon Zorluğu
AI önemli adımlar atmış olsa da, özellikle LLM’lerin yanlış veya uydurma bilgiler ürettiği "halüsinasyonlar" alanında zorluklar devam etmektedir. Bu alanda kaydedilen ilerlemeye rağmen, LLM halüsinasyon oranları inatla yüksek kalmıştır ve önde gelen şirketlerin en son modelleri bile hatalar üretmektedir. Bu sorun, şeffaflığın ve kullanıcılara AI modellerinin sonuçlarına nasıl ulaştığına dair içgörüler sağlamanın önemini vurgulamaktadır.
Kurucu ortak, birçok profesyonele üretken yapay zekada sanrıların bir sorun olmaya devam ettiğini kabul etti. Şirketin, LLM’lerinin "ham düşüncesini" ve sistemlerinin hangi araçları kullandığını, nasıl ve türetilmiş cevaplara atıflarla birlikte kullanıcılara göstererek yardımcı olmaya çalıştığını belirtti.
Rekabet Ortamı
Cohere, AI alanında, daha iyi finanse edilen rakiplerinden sert bir rekabetle karşı karşıya. Ancak Zhang, söz konusu maliyet etkin ve enerji verimli AI modelleri oluşturmak olduğunda, daha büyük olmanın her zaman daha iyi olmadığına inanıyor. Mükemmeliyetin modelin yalnızca erişebileceği veriler ve sistemler kadar iyi olduğunu savundu ve çözümleri tamamen müşterilerin ortamlarında çalıştırılabilen çözümler oluşturmanın önemini vurguladı. Zhang, Cohere’nin "yoğun büyümesini" övdü ve alanın "nispeten yeni geliştiğini" ve şirketin genişlemesi için bolca yer bıraktığını söyledi.
Gelir Artışı ve Zorluklar
Cohere’nin büyümesi, son dönemde teknoloji medyasının odak noktası oldu. Cohere, 2025’in başından bu yana satışlarını ikiye katladıktan sonra bu ay 100 milyon ABD Doları (138 milyon Kanada Doları) yıllık gelire ulaştı ve CEO Aidan Gomez yakın zamanda Bloomberg’e şirketin kârlılıktan "çok uzakta olmadığını" söyledi. Ancak The Information, bunun hala Cohere’nin 2023’te yatırımcılara şimdiye kadar yıllık olarak yapmayı beklediğini söylediği miktarın 350 milyon ABD Doları gerisinde olduğunu bildirdi. Gelir hedefleri ve sert rekabet, Cohere’nin mücadele etmek zorunda olduğu tek zorluk değil.
Telif Hakkı İhlali Davası
AI girişiminin ayrıca, bir uzmanın potansiyel olarak "emsal teşkil eden" telif hakkı ihlali davası olarak adlandırdığı bir dava da bulunmaktadır. Toronto Star, Condé Nast ve Vox dahil olmak üzere bir grup medya kuruluşu, Cohere’nin medya içeriğini izinsiz olarak kazıdığını ve AI modellerini eğitmek için kullandığını, içeriğe gerçek zamanlı olarak izinsiz eriştiğini ve ihlal edici çıktılar oluşturduğunu iddia etti. Cohere, benzer davalarla karşı karşıya olan birçok AI girişiminden sadece biridir. Cohere bu iddiaları reddetti ve dava açan yayıncıların bir dava "uydurmak" için ellerinden geleni yaptıklarını ve herhangi bir pratik telif hakkı ihlalinin meydana geldiği fikrine itiraz etti.
Zhang bu konuda fazla yorum yapmayı reddetti ve BetaKit’i Cohere’nin düşüncelerini ayrıntılı olarak anlatan bir blog gönderisine yönlendirdi. "O konuda kendimize güveniyoruz" dedi.
AI Uygulama Zorluklarına Daha Derin Bir Bakış
Birçok işletme başlangıçta AI girişimlerine büyük bir coşkuyla atılıyor ve AI’nın operasyonlarında hızla devrim yaratacağına ve daha önce duyulmamış verimlilikler yaratacağına inanıyor. Ancak birçoğu, öngörmedikleri önemli zorluklarla karşı karşıya kalıyor. Bu zorluklar, teknik karmaşıklıktan örgütsel dirence kadar çeşitli biçimlerde olabilir. Bu zorlukları anlamak, AI’yı başarıyla uygulamayı ve yatırımlarından olumlu bir getiri elde etmeyi uman işletmeler için önemlidir.
Teknik Karmaşıklık ve Veri Gereksinimleri
İşletmelerin sıklıkla karşılaştığı ilk engellerden biri, AI sistemlerinin teknik karmaşıklığıdır. AI modelleri, özellikle derin öğrenmeye dayalı olanlar, hesaplama açısından talepkardır ve oluşturmak, eğitmek ve dağıtmak için özel bilgi gerektirir. Veri de gereklidir. Eğitim verilerinin kalitesi ve miktarı, AI modellerinin performansı üzerinde önemli bir etkiye sahiptir. Büyük veri kümelerini toplamak ve hazırlamak, zaman alıcı ve kaynak yoğun bir süreç olabilir. AI projeleri, yüksek kaliteli, etiketlenmiş veri eksikliği nedeniyle engellenebilir ve bu da yanlış veya önyargılı modellerle sonuçlanır.
Dahası, AI sistemlerinin mevcut BT altyapısıyla birlikte çalışabilirliğini garanti etmek, daha fazla karmaşıklık getirir. Farklı AI platformları ve çerçeveleri, eski sistemlerle uyumlu olmayabilir ve bu da mevcut iş akışlarında ve mimarilerde önemli değişiklikler gerektirir. AI’nın karmaşık örgütsel ortamlara entegre edilmesi, genellikle önemli ölçüde deneyim ve hem AI teknolojileri hem de temel ticari operasyonlar hakkında güçlü bir kavrayış gerektirir.
Örgütsel ve Kültürel Engeller
Teknik engellerin yanı sıra, kuruluşlar AI benimsenmesine yönelik önemli örgütsel ve kültürel engellerle karşılaşabilirler. Yaygın bir sorun, işçilerin AI kaynaklı değişiklikleri benimseme konusundaki gönülsüzlüğüdür. Çalışanlar, işten çıkarılmanın yanı sıra yeni yetenekler öğrenme ve yeni çalışma yöntemlerine uyum sağlama konusunda da endişe duyabilirler. İşçilerden gelen direnç, AI girişimlerini engelleyebilir ve beklenen avantajların gerçekleştirilmesini engelleyebilir.
Dahası, AI dağıtımı, departmanlar ve ekipler arasında önemli işbirliği gerektirir. Veri bilimcileri, BT uzmanları, iş analistleri ve konu uzmanları, sorunları tanımlamak, AI çözümleri oluşturmak ve bunları üretime dağıtmak için işbirliği yapmalıdır. Silolar ve iletişim eksikliği, işbirliğini engelleyebilir ve AI’nın ticari operasyonlara etkin bir şekilde entegre edilmesini engelleyebilir. Bu örgütsel ve kültürel engellerin üstesinden gelmek, güçlü liderlik, etkili iletişim ve değişime bağlılık gerektirir.
Etik ve Yönetişim Kaygıları
AI daha yaygın hale geldikçe, etik ve yönetişim sorunları giderek daha önemli hale geliyor. AI sistemleri, önyargıları sürdürme, adaletsiz kararlar verme ve insanların gizliliğini ihlal etme yeteneğine sahiptir. Kuruluşlar, AI tasarımı, geliştirilmesi ve dağıtımı için sağlam etik yönergeler ve yönetişim prosedürleri geliştirerek bu endişeleri gidermelidir. Şeffaflık, hesap verebilirlik ve adalet, sorumlu AI için temel ilkelerdir.
Veri gizliliği, dikkate alınması gereken önemli bir konudur. Veri gizliliği kurallarına, AI sistemleri oluşturulurken uyulmalı ve hassas bilgileri istenmeyen erişimden veya kötüye kullanımdan korumak için önlemler alınmalıdır. Kuruluşlar, veri toplama ve kullanımı için kullanıcı onayı almalı ve AI modellerinin nasıl seçim yaptıkları konusunda şeffaflık sağlamalıdır. Dahası, kuruluşlar, herhangi bir etik riski veya istenmeyen sonucu keşfetmek ve azaltmak için AI sistemlerini izleme ve denetleme mekanizmalarına sahip olmalıdır.
ROI’yi Ölçmek ve Göstermek
Sonuç olarak, herhangi bir AI projesinin başarısı, ölçülebilir bir yatırım getirisi (ROI) üretme kapasitesine bağlıdır. Ancak, özellikle faydalar soyut veya uzun vadeli olduğunda, AI projelerinin ROI’sini belirlemek zor olabilir. Kuruluşlar, AI girişimleri için net hedefler ve göstergeler belirlemeli ve düzenli olarak ilerlemeyi takip etmeli ve sonuçları ölçmelidir. Bu, AI’nın sunması beklenen iş değerinin ve bu değere ulaşmak için gerekli kaynakların kapsamlı bir şekilde anlaşılmasını gerektirir.
Dahası, paydaşlara AI’nın faydalarını iletmek, destek kazanmak ve AI yatırımlarına güven oluşturmak için kritik öneme sahiptir. Bu, kullanım senaryoları sunmayı, erken zaferleri sergilemeyi ve AI’nın temel iş göstergeleri üzerindeki etkisini ölçmeyi içerebilir. AI’nın ROI’sini başarıyla ölçmek ve göstermek için işletmeler, performansı ölçmek için tanımlanmış bir çerçeve oluşturmalı ve değer önerisini paydaşlara açıkça ifade etmelidir.
AI Benimsenmesinin Geleceği: Dengeli Bir Perspektif
Ivan Zhang’ın içgörüleri, AI’nın potansiyelini kabul ederken pratik gerçeklere dayalı kalan AI benimsenmesine dengeli bir yaklaşımın önemini vurgulamaktadır. AI gelişmeye devam ettikçe, şirketlerin somut ROI sağlayan, etik endişeleri ele alan ve mevcut iş akışlarına sorunsuz bir şekilde entegre olan çözümler oluşturmaya odaklanmaları gerekecektir. Kuruluşlar, gösterişli çözümler yerine iş sorunlarına öncelik vererek ve AI’yı araç kutusundaki bir araç olarak görerek, AI’nın gerçek potansiyelini ortaya çıkarabilir ve anlamlı iş sonuçları elde edebilirler.