- MIT’nin araştırmasına göre kurumsal yapay zeka projelerinde %95 başarısızlık oranı görülüyor; ancak bu aslında büyük şirketlerin yapay zekayı kendi başına inşa edemediğine dair yapısal bir sorunu ortaya koyuyor
- Büyük şirketler yapay zeka sistemlerini iç BT ekipleri ya da danışmanlık şirketleri aracılığıyla kurmaya çalışıyor, ancak ürün geliştirme yetkinliği eksikliği ve politik engeller nedeniyle çoğu başarısız oluyor
- Dış startup tedarikçilerini seçen projelerin başarı oranı, şirket içi geliştirmeye kıyasla çok daha yüksekti; şirketler artık startup çözümlerine bel bağlamak zorunda kalıyor
- Büyük şirketlerin mühendislik ekiplerinde çok sayıda yapay zeka şüphecisi bulunduğundan gerçekten çalışan ürünler ortaya çıkarılamıyor; bu da startup’lara eşi görülmemiş bir fırsat sunuyor
- Yapay zeka yerel sistemler kurma ve geçiş maliyetlerinin yarattığı yüksek giriş engeli, gerçekten çalışan çözümler üretebilen startup’lar için elverişli bir ortam oluşturuyor
MIT araştırma raporunun gerçekte söylediği
- Yapay zeka influencer’larının yaydığı çarpıtılmış yorum: X ve YouTube’da “%95 AI proje başarısızlığı”, “AI bir aldatmaca” iddiasının kanıtı olarak sunuldu
- Oysa araştırma aslında şirketlerin yapay zekayı nasıl devreye aldığı ve başarı faktörleri üzerine bir analiz; yapay zeka ajanlarının pratikte nasıl çalıştığını ve etkili yaklaşımları inceliyor
- Üniversite öğrencileri bile yalnızca tweet versiyonunu okuyup “YC’nin sözünü ettiği yapay zeka startup’ları çalışmıyor” gibi yanlış bir sonuca vardı
Kurumsal yapay zeka benimsemesindeki yapısal başarısızlık nedenleri
- İç BT sistemlerinin kronik sorunu: Şirket içi BT sistemlerinin çoğu düşük kaliteli; Ernst & Young veya Deloitte gibi danışmanlık şirketleri işe alındığında sorun çoğu zaman iki katına çıkıyor
- Apple bile yazılım geliştirmede başarısız olabiliyor: Sınırsız sermaye ve yeteneğe erişimi olan Apple’da bile takvim uygulamasında her gün hata çıkabiliyor
- Bu, sıradan şirketlerin veya BT departmanlarının iyi yazılım üretmesinin neden zor olduğunu gösteren bir örnek
- Kurumsal iç siyaset çatışmaları: Büyük şirketlerde gelişmiş yazılımlar devreye alınırken birçok ekip sürece dahil oluyor ve politik çekişmeler ile alan kavgası ortaya çıkıyor
- Danışmanlar veri bilimi ekibi, müşteri destek ekibi, BT ekibi gibi taraflar arasında arabuluculuk yapıp gereksinim dokümanları hazırlıyor
- Ancak danışmanların gerçek yazılım inşa etme konusunda teknik uzmanlığı yetersiz
- Legacy sistemlerin sınırları: Şirket içi sistemler çok eski ve silo yapısında olduğu için hem dış danışmanlık uzmanlığına hem de yazılım geliştirme yeteneğine aynı anda ihtiyaç duyuluyor
- Nihai çıktı çoğu zaman komitenin tasarladığı deve gibi oluyor; yani işe yaramayan bir uzlaşma ürünü
Başarılı startup örnekleri
-
Tactile (iş karar motoru)
- Bankalarda KYC/AML işlemlerinin gerçek zamanlı yürütülmesi: Kredi başvurusu yapanların kredi kontrolü ve iş kurallarının doğrulanması, günde milyonlarca işlem ölçeğinde yapılıyor
- Citibank ve JP Morgan bunu kendi içinde geliştirmeye çalıştı ancak 3-5 yıl ve on milyonlarca dolar harcamak gerekti
- Tactile, REST API ile gerçek zamanlı karar verme sunuyor, modern yapay zeka model eklentilerini destekliyor ve bunu bütçenin bir kısmıyla çok daha kısa sürede kurdu
-
Greenlight (bankalar için yapay zeka sistemi)
- Bir banka mevcut tedarikçisi Ernst & Young’dan bir yapay zeka sistemi kurmasını istedi
- Ernst & Young 1 yıl boyunca geliştirdi ama tamamen başarısız oldu
- Banka daha sonra yeniden Greenlight ile iletişime geçti ve sistem şu anda tam olarak devrede ve çalışıyor
-
Araştırma bulgusu: dış tedarikçi vs iç geliştirme
- İncelenen projelerin üçte ikisi şirket içi geliştirme veya danışmanlık şirketleriyle iş birliği şeklindeydi
- Yalnızca üçte biri Greenlight veya Tactile gibi dış tedarikçi ürünleri satın aldı
- Dış tedarikçi seçildiğinde başarı oranı, iç geliştirmeye göre çok daha yüksekti
Startup’lar neden başarılı oluyor
- Polymath eksikliği sorunu: Hem ürün hem de mühendislik tarafında güçlü olan insanlar son derece nadir
- Harika mühendisler yalnızca kodlamaya odaklanıyor ve banka çalışanları gibi alan kullanıcılarıyla iletişim kuramıyor
- Alan uzmanlarının ise kodlama, teknoloji, tasarım veya ürün lansmanı becerileri yetersiz kalıyor
- Windsurf örneği: Mühendislik diploması olmayan bir satış lideri, Windsurf kullanarak kendi aracını geliştirdi
- IQ seviyesi çok yüksek organizasyonlarda bu şimdiden mümkün olsa da çoğu organizasyonda hâlâ değil
- Startup biçimindeki boşluk: Tüm iş süreçleri ve sistemlerde startup’ların doldurması gereken boşluklar var
- Nadir bir beceri kombinasyonu gerekiyor: Modern yapay zekayı anlama, ürün sezgisi ve insan süreçlerini kavrama becerisi bir arada olmalı
-
Castle AI örneği (mortgage sunucusu)
- Legacy tedarikçilerin yapay zeka ekleme çabası: On yıllık sistemlerin üzerine yapay zekayı sonradan ekleyerek rekabet etmeye çalışıyorlar
- Bankaların güvendiği mevcut tedarikçilerle bake-off rekabetine girmek şart
- Çoğu durumda tedarikçi çözümü “sadece üstüne AI eklenmiş” kadar zayıf kalıyor
- Castle AI, en baştan yerel olarak inşa edilmiş ürün yaklaşımıyla büyük bankalarla anlaşma yaptı
- Dağıtımdan sonraki 1 yıl içinde sonuç aldı
-
Reducto örneği (doküman işleme)
- YC launch üzerinden bir FAANG şirketi tarafından doğrudan keşfedildi: Devreye alındıktan 154 gün sonra bir FAANG şirketiyle sözleşme imzaladı
- İlgili şirket yıllarca kendi çözümünü kurmaya çalışmıştı
- Open source, AWS Tesseract dahil çeşitli OCR çözümleri denendi ancak başarısız olundu
- Sözleşme ürün mükemmeliyeti (product excellence) sayesinde kazanıldı
- İç ekiple rekabet ederken kurum içi siyaseti dikkatle yönetmek zorunda kaldı
- MIT raporunda da değinilen bir zorluk
- Şu anda 1-2 yıldan uzun süredir production ortamında çalışıyor
Başarı stratejisi
- İçeride bir şampiyon yetiştirmek: Akıllı genç insanlara fırsat vermek isteyen bir şirket içi destekçi edinmek
- Şirket içindeki ideal şampiyon tipi
- Startup hayali olan ama riskten kaçınan çalışan: Gerçekte kendi şirketini kurmayacak kişiler
- İlginç startup’lar üzerinden dolaylı tatmin yaşamak isteyen bir yapıya sahip olanlar
- Kendini startup yolculuğunun parçası gibi hissedip kurucunun başarısını isteyenler
- İçindeki startup hayalini beslemek isteyen kişileri bulmak
- Kurucunun benimsemesi gereken tavır
- Takım elbise giymek ya da Microsoft ana sayfasını taklit etmek gibi şekilciliğin peşine düşmemek
- Samimi biçimde startup gibi davranmak önemli
- Zeki ve akıllı görünmek önemli ama aşırı resmiyet gereksiz
Şirketlerin yapay zekayı benimseme isteği ve startup fırsatı
- MIT raporunun olumlu temel mesajı: Şirketlerde ezici düzeyde yapay zeka talebi var
- Geçmişte TripleByte işletildiği döneme kıyasla FAANG şirketlerine yapay zeka ajanları satmak çok daha kolay
- Şirketler çözümü mevcut yazılım şirketlerinden veya daha ileri aşamadaki startup’lardan satın almayı tercih ediyor
- Daha fazla sermayesi olan ve daha az riskli görünen sağlayıcılar tercih ediliyor
- Temelde ürün üretememeye yol açan yapısal sorun:
- Büyük şirket mühendislik ekipleri, yapay zekaya inanmayan kişilerden oluşuyor
- Kod üretim araçlarını kullanmıyorlar
- MIT araştırmasının abartıldığını söyleyen paylaşımları retweet edip beğeniyorlar
- İnanmak istedikleri anlatıya saplanıp kalıyorlar
- Mühendisler inanmıyorsa çalışan bir ürün inşa etmek imkânsız
- Startup’lar için eşi benzeri görülmemiş fırsat: Çalışan bir ürün yaptığınızda şirketler sizinle konuşmak zorunda kalıyor
- Ne içeride inşa edebiliyorlar ne de mevcut şirketlerden çözüm alabiliyorlar
Yapay zeka şüphecilerine mesaj
-
Bizzat deneyin
- Mühendisseniz gerçek bir projeye yatırım yapıp kullanın
- Bir kez deneyip değişken adı hatası aldınız diye vazgeçmeyin
- Ana işiniz dışında eğlenceli bir yan proje olarak da yapılabilir
- “Vibe Coding Dad's Night” örneği: Teknik olmayan bir ev sahibi, kiracıların kira ödemelerini kontrol eden bir sistem kurdu
- 10x mühendisi 100x’e, 1x mühendisi 10x’e çıkaran araçlar bunlar
- Aşılması gereken şey, kişinin kendi içsel duygusal direnci
-
Andrej Karpathy röportajının çarpıtılması örneği
- Tweet: “Karpathy ajanların abartıldığını söyledi”
- Gerçekte söylediği: Ajana sadece prompt verip kusursuz sonuç bekleyemezsiniz; doğru veri, bağlam, değerlendirme ve araç kullanımı gerekir
- Gerçek anlamı: Startup’lar ve yazılım geliştiriciler için devasa bir fırsat var
- Hâlâ inşa edilmesi gereken mükemmel araçlardan oluşan dev bir yığın bulunuyor
- Yapay zeka bir araçtır ve daha iyi çalışması için desteklenmelidir; sihirli biçimde çalışmasını beklememek gerekir
Yapay zeka yerel sistemleri yeniden kurmak bir fırsat
- Tüm sistemlerin tamamen yapay zeka yerel biçimde yeniden yazılması gerekiyor
- Yazılımın yapay zekayla birlikte çalışacak şekilde baştan yazılması gerekiyor
- Bu, kuruculara sınırsız fırsat sunuyor
- “Bir kez sistemi eğitmeye zaman yatırdığınızda, geçiş maliyeti katlanılamayacak kadar yüksek hale gelecek”
- İşte gerçek moat bu: ChatGPT wrapper’ların savunmasız olduğunu düşünenlere açık bir yanıt
Sonuç: startup fırsatı
- Yapay zeka kötümserlerinin yanlış yorumu: %95 başarısızlık oranını, yapay zekanın imkânsız olduğunun kanıtı gibi çarpıtıyorlar
- Asıl mesaj: Yapay zekayı hayata geçirmek son derece zor ve yalnızca %5’i başarılı oluyor
- Ama YC kabul oranı %1’in altında: O %1’lik kurucular, başarılı olan üst düzey %1’lik uygulama örneklerini ortaya çıkarıyor
- Başarı faktörleri: Üstün teknik yetkinlik + polymath tipi beceriler + başkalarını anlama
- 5 milyar dolarlık bir fintech CIO’sunun gerçekten ne istediğini anlayabilmek
- O %5’in içinde olabileceğine dair özgüven: Gerçekten iyiseniz bu kesinlikle mümkün ve YC’de bunun çok sayıda örneği var
Henüz yorum yok.