- Son 18 ayda gözlemlenen veya katkı istenen yapay zeka projelerinin başarı oranı %0 oldu; teknolojinin belirsizliği ile mevcut yazılım projelerindeki kötü yönetim birleşince yatırım sonuç üretmedi
- 500'den fazla çalışanı olan kurumlarda yalnızca yapay zekanın faydasını sorgulamak bile terfi ve istihdamı riske atıyor; çalışanlar ise AI washing ve token kullanımını manipüle ederek kurumun taleplerine uyum sağlıyor
- Doğal dille veri sorgulama gibi gösterişli AI demoları, doğruluk ve operasyonel sınırlamalar konusunda uyarı yapılsa bile satın alma iştahını tetikliyor ve satıcı açısından itibar ile hukuki risk bile yaratabiliyor
- Müşterilerle yönetim kurullarının birbirlerinin abartılı verimlilik iddialarını çürütemediği koordinasyon sorunu yüzünden, şüpheci yöneticiler bile yapay zeka yatırımını kamuoyu önünde destekliyor ve yapay zeka dışı işlere bile zorla AI unsurları ekleniyor
- Kurumları düzeltmek için bire bir görüşmeler, anonim anketler ve sahada doğrulama gerekiyor; iç siyasetten kaçınması zor olan çalışanlar ise AI ile üretilmiş kod yüzünden tükenmeden önce iş değiştirmeye ya da sözleşmeli çalışmaya hazırlanmalı
18 ay boyunca gözlemlenen yapay zeka projelerinin başarısızlığı
- Geçen 1 yılda şirketin satışını ve teknik işlerinin çoğunu üstlenip dünya genelindeki uzmanlarla yaklaşık 300 görüşme yapma deneyiminde, özel ve kamu kurumlarındaki yöneticilerin plansız biçimde yapay zekaya daldığı ya da sessiz kaldığı görüldü
- Yapay zeka projelerinin gerçek sonuçlarını doğrulamanın zor olmasının nedeni, yönetim kurulu, üst yönetim, çalışanlar, satıcılar ve danışmanların hiçbirinin başarısızlığı açıklamak için teşvike sahip olmamasıydı
- Üst yönetim başarısızlığı kabul ederse görevini kaybedebilir
- Çalışanlar işten çıkarma ya da küçülme hedefi olabilir
- Bazı halka açık şirketler Copilot lisansı satın aldıktan sonra bunu AI verimlilik artışı olarak duyurdu
- Gözlemlenen ya da katılım istenen projelerin tamamı 18 ay boyunca başarısız oldu; ekip ise tüm AI uygulama işlerini reddedip yalnızca OpenAI'ın varlığından doğrudan etkilenmeyen sözleşmeleri sürdürdü
- AI araçları belirli işleri hızlandırsa da, mevcut yatırım biçimi ve ölçeği makul değildi
- Sıradan yazılım projelerindeki tüm başarısızlık etkenleri aynen mevcuttu
- Yeni teknoloji olmasının getirdiği ek risk nedeniyle, uygulama doğru yapılsa bile proje başarısız olabiliyordu
- Bu riski taşıyabilecek kadar güçlü yazılım sunum kapasitesine sahip şirket sayısı azdı
İç ve müşteri odaklı chatbotların sonuç verememesinin nedeni
- İç chatbotlar, kurumsal belgelerin kalitesi düşük olduğu için yeterli yanıt üretemiyor; çalışanların gerçek kullanım oranı da anlamlı değildi
- Müşteri odaklı chatbotlarda da tatmin edici örnek azdı; tıbbi muayene sırasında gerçek zamanlı transkripsiyon bunun istisnasıydı
- Proje sorumluları, aracın gerçekten kullanıldığını gösteren temel metriklerden kaçınıp kolayca manipüle edilebilen metrikleri seçiyordu
- Mitsubishi'nin araç arıza desteği için sunduğu sesli bot; doğal ses, hızlı yanıt ve gerçek operasyon ortamı açısından oldukça olgundu, ancak vaat edilen geri dönüş 6 ay boyunca gelmedi
- Talebin kaybolup kaybolmadığı ya da insan müdahalesi olmadan çözülmüş sayılıp sayılmadığı bilinmiyordu
- Sistemde görünür hata olmasa da müşteri bir daha Mitsubishi aracı almamaya karar verdi
- Devam eden bir AI projesinin hedefini, kullanıcılarını ve sonuçlarını sormak bile sorumluluk yapısına saldırı gibi algılanabildiği için, kriz gelmeden müdahale etmek zordur
- Danışmanlığın, Gerry Weinberg'in ilkesinde olduğu gibi, karşı taraf istediğinde insanları etkileyen bir iş olduğu kabul edilerek; genel veri stratejisi hakkında açıkça tavsiye istenmedikçe projeye müdahale edilmez
Şüpheye izin vermeyen kurum kültürü
- Gözlemlenen 500'den fazla çalışanlı tüm şirketlerde, terfi almak ve işini korumak için yapay zekanın dönüştürücü gücünü tekrar tekrar ilan etmek gerekiyordu
- Bu, teknik kullanım önerisi sunmaktan çok dinsel bir inanç beyanına yakındı; çoğunlukla teknik olmayan çalışanlar öncülük ediyor, bazı teknisyenler de buna katılıyordu
- “AI her şeyi değiştiriyor” denmesine rağmen, kurum içinde LLM kullanımına dair tek bir somut örnek ya da gerçekten neyin değiştiği bile gösterilemeyen durumlar vardı
- Yıllık geliri 2 milyar doların üzerinde olan bir kurumun AI merkezli teknoloji stratejisini hazırlayan bir yöneticinin ChatGPT dahil hiçbir AI aracını hiç kullanmamış olduğu da görüldü
- Teknik geçmişi olmayan bir yöneticinin söylediklerine gerçekten inanması, basit bir tanıtım yalanından daha tehlikeliydi
- Yalan söyleyen biriyle kişisel çıkar üzerinden pazarlık yapılabilir, ama gerçek bir mümin kendi çıkarına rağmen sarsılmaz
- Bir kurum, LLM olmadan yüksek performans gösterdikleri için en iyi çalışanlarını işten çıkardı
- “My AI Skeptic Friends Are All Nuts” ile eleştirel bakış aynı olmasa da, yönetimin LLM kullanımını zorunlu kılması kötü bir stratejidir ve uzman çalışanlara anormal iş kısıtları getirir noktasında ortaklaşılıyor
AI washing ve manipüle edilebilir değerlendirme metrikleri
- Yöneticiler sonuçtan çok AI kullanımına önem verince, mühendisler mevcut yöntemle çalışıp bunu Claude'un yaptığını söyleyen bir AI washing uygulamasına başladı
- Bazı kurumlar, token tüketimi arttıkça daha yüksek değerlendirme veren sıralama tabloları işletiyordu
- Sistem optimizasyon yeteneği için işe alınan çalışanlar, LLM'in kendi promptlarını tekrar tekrar üretmesini ayarlıyordu
- Çıktı dağıtıma uygun olmasa bile yalnızca token kullanımını doldurup başka işlere geçiyorlardı
- Bir yazılım mühendisi, Go deposunun bir kopyasını AI'ya verip tamamını Zig ile yeniden yazdırdıktan sonra sonucu çöpe atarak kullanım kotasını dolduruyordu
- Gerçekte işten çıkarılanlar, AI stratejisine görünür biçimde soru işareti koyan kişilerdi; çalışanlar da yönetimin AI vizyonunu övmenin güvenli olduğunu öğrendi
- Hastane veya inşaat mühendisliği şirketlerinde uzman olmayan yöneticiler saha uzmanlarının onayı olmadan belirli prosedürleri dayatmadığı gibi, teknik olmayan yöneticilerin yazılım uzmanlarına belirli araçları zorunlu kılması da uygun değildir
Snowflake Cortex demosunun tetiklediği satın alma çılgınlığı
- Snowflake kullanım bazlı ücretlendirme yapıyor ve sıradan kurumsal veriler günde yaklaşık 1 dakikada işlenebildiği için analitik veritabanı olarak kullanılıyordu; ancak AI chatbot katmanı Cortex kullanılmıyordu
- Cortex, veri sütunlarının anlamı gibi metadata temelinde “geçen haftaki satış ne kadardı?” gibi doğal dil sorularını veritabanı sorgusuna dönüştürüyor
- Bir Snowflake çalışanının sunumunda en iyi ayarlarda doğruluk yaklaşık %92 idi; büyük şirket verilerinde bu, 10 sayıdan yaklaşık 1'inin yanlış olabileceği anlamına geliyor ve dağıtım yönetiminde de ciddi sorunlar vardı
- Üretim ortamına uygun olmadığı uyarısıyla demo gösterilmesine rağmen, isteksiz duran tüm potansiyel müşteriler anında satın almak istedi
- AI dışı yöntemlerle milyonlarca dolar değer yaratılabileceği önerisi bile ilgi görmedi
- Akılcı yargı boşluğundan yararlanmanın sorumsuzluk olduğu düşünülerek satış durduruldu ve Cortex demo listesinden çıkarıldı
- Ekip tarafından iki saatte yapılan düşük kaliteli bir demo bile potansiyel müşterilerin daha önce gördüğü sonuçlardan daha iyiydi
- AI kullanımını zaten tanıtan bir ASX halka açık şirketi bile önceki yatırımından gösterecek bir sonuç üretememişti
- AI'ya geçici meraktan fazlasını gösteren potansiyel müşteriler, satış sürecinde irrasyonel davranışlar ve tapınmaya yakın bir yönetim ortamı sergiledi; sözleşmeler itibar ve hukuki risk yaratabileceği için tüm anlaşmalardan vazgeçildi
Yöneticilerin abartıyı durduramamasının koordinasyon sorunu
- Yıllık tekrar eden geliri 1 milyar doların üzerinde olan bazı şirketlerdeki AI sorumluları, kendi unvanlarının fiilen sahte olduğunu düşündüklerini ama kurum içinde tek terfi yolu bu olduğu için bu görevi aldıklarını söyledi
- Bir Fortune 500 şirketinde teknik yetkinliği olan bir yönetici bile şirketin “100 kat verimlilik” gibi kamuya açık açıklamalarını özel olarak savunamıyordu
- Abartının temel itici gücü satış söyleminden çok müşteri yöneticilerinin itibarı ve sözleşme ilişkileri idi
- Satıcı taraftaki bir yönetici müşterinin 100 kat verimlilik iddiasını çürütürse, bu müşteri yöneticisinin güvenilirliğine saldırı olarak görülebilirdi
- Sonuçta büyük bir kurumsal sözleşme iptal edilirse, ilgili satıcı yöneticisi de işten çıkarılabilirdi
- Şirketler birbirinin hem müşterisi hem tedarikçisi olduğunda, hiçbir yönetici gerçeği ilk söyleyen kişi olmak istemiyor
- Herkes abartıya ortak olursa yerini koruyabiliyor
- Biri ayrışırsa meslektaşlarını yalancı, korkak ya da yetersiz göstermiş oluyor ve işten atılabiliyor
- Herkes aynı anda kabul etse durum değişebilir, ama bunu koordine etmenin bir yolu yok
- S&P 500 şirketlerinin yönetim kurulu üyeleri de AI yatırımlarının riskinden şüphe duysa bile, koltuklarını korumak için bu yatırımları talep etmeleri gerektiğini hissediyordu
- Bir yönetim kurulu üyesi, “Bu kadar erken yatırım yapmak, yukarı yönlü potansiyel olmadan yalnızca riski üstlenmek gibi görünüyor” dedi
- Yaklaşık 2 yıl sonra söz konusu milyarlarca dolarlık kurum kendisini AI-native olarak tanıtmaya başladı
Her işi AI ile paketleyen saflık testi
- Kurum içi siyasetin devreye girdiği her öneri, gerçek değeri belirsiz olsa bile AI uyumu içermedikçe onay alamıyordu
- Çok sayıda AI projesi, aslında mevcut AI dışı projelere sonradan AI unsuru eklenerek bu saflık testinden geçirilmişti
- Oracle'dan Snowflake'e veritabanı taşıma örneğinde, satıcı Oracle SQL'i Snowflake SQL'e dönüştürme işine LLM ile otomasyon aşaması ekledi
- Yetki eksikliği nedeniyle otomasyon başarısız olunca dönüşüm insanlar tarafından yapıldı
- SQL'in bir kısmı AI ile çevrilmiş diye tüm proje AI tabanlı bir başarı olarak raporlandı
- Oysa asıl satın alınan iş, lisans yenilemesinden önce mevcut sistemi terk etmek için yapılan sıradan bir veritabanı migrasyonu idi
- LLM'in tek temel mekanizma olduğu ve başarının somut sayılarla ölçülebildiği gerçek AI projeleri nadirdi
- Bunlar daha çok startup'larda görülüyordu, ancak satışın son aşamasında zaten tamamlanmış gibi tanıtılan ürünün aslında yapılmasının istenmesi tekrarlandıkça anlaşmalar durduruldu
- AI etiketi eklenmesi zor olan işler için fon talepleri reddediliyor ya da iletişim, teklif “yeterince AI gibi” görünene kadar geciktiriliyordu
- Ek personel isteyenlerden önce AI kullanmayı denediklerini kanıtlamalarını isteyen şirketler de vardı
- AI kullandıkları halde yine de personele ihtiyaç duyduklarını söylerlerse, “AI'yı yanlış kullanan kişi” diye sınıflandırılıp işten çıkarılabiliyorlardı
- AI'nın gerçekten en öncelikli konu olduğu çok az sayıdaki şirket dışında, büyük kurumlar doğru yazılım satın alma, yetenekli insanları işe alma, projeleri dürüstçe raporlama ve makul yeni işler geliştirmeye odaklanmakta zorlanıyor
Belirli bir projeyi düzeltmek gerektiğinde
- AI projelerindeki sorunlar, grup toplantılarından çok bire bir görüşmelerde ele alındığında daha etkili oluyor
- Açık ortamlarda herkes, çalışma arkadaşlarına şüpheci görünmekten korkuyor
- Görüşleri başka yere aktarırken kimliği gizli tutma sözü vermek gerekiyor
- Doğrudan alıntı gibi, kaynağın tahmin edilmesine yol açacak yöntemlerden kaçınılmalı
- 6 kişiden yalnızca 1'i sorunu dile getiriyorsa, iyileşme ihtimali daha yüksek bir kuruma geçmek daha iyi olabilir
- Devam eden projelerde, Secrets of Consulting'den alınan anonim anket yöntemi kullanılabilir
- İnsanlardan başarı ihtimalini 1-10 arasında puanlamaları istendiğinde, bir kısmının 3, bir kısmının 8 verdiği kutuplaşmış bir dağılım görülebilir
- Zaten 3 yıl gecikmiş bir projede bile bu fark görülmüş ve CEO'dan önemli bilgilerin saklandığını gösterebilmiştir
- Bir projenin gerçekten başarılı olup olmadığını, aracı her gün kullanan saha çalışanlarına sorarak doğrulamak gerekir
- Bu kişilerin, saygı gördükleri bir ortamda görüş bildirmesi sağlanmalıdır
- Bir müşteri şirketinde çalışanlar, kendilerine AI araç lisansı verildiğinden bile habersizdi; bu da verimlilik artışı iddialarının temelini sarstı
- Amaç belirli bir sorunu çözmekse, “AI her şeyi değiştirir” gibi kapsamlı önermeleri çürütmeye çalışmamak daha iyidir
- Kurumun gerçeklik algısına meydan okumak için önce en üst düzey yöneticinin güvenini kazanmak gerekir
- İnsanları açık toplantıda utandırmak yerine, özel bir yemek buluşmasında kaygıyı düşürmek daha etkilidir
- Toplantıya katılanların geçmişte ne tür kamuya açık açıklamalar yaptığını bilmek mümkün olmadığından, “LLM insan incelemesi olmadan kodu dağıtıma almamalı” gibi sağduyulu bir ifade bile ilk güven inşasını bozabilir
- Başka bir kamusal yarar hedefi gerçekleştirilmek zorundaysa ve dürüst bir yaklaşım mümkün değilse, projeye 10 bin dolarlık bir AI chatbot ekleyip yalnızca o kısmı öne çıkarmak bile gerçekçi bir seçenek olarak görülür
Kurumu değiştirmekten çok hayatta kalmak gerektiğinde
- AI'ya yönelik kolektif saplantı, teknolojinin kendisinden çok işlevsiz şirket kültürünün sorunudur; bu yüzden bireyin buna anlamlı biçimde direnmesi zordur
- Kadrolu çalışan olmak yerine sözleşmeli çalışmaya geçmek, daha yüksek gelir ve iç siyasetten uzaklaşma sağlayabilir; ayrıca katlanması zor bir ortam için net bir bitiş tarihi yaratır
- AI haberlerini yalnızca gerektiği kadar tüketmek ve Hacker News, Reddit gibi sürekli ilgili içerik akıtan kanallardan uzak durmak zihinsel yükü azaltır
- Bir arkadaşa dert yanarken bile bu konuşmanın neden gerekli olduğunu söylemek ve uygun noktada durmak gerekir
- Etrafınızdaki biri tehlikeli olmayan bir kullanım için uygunsuz biçimde AI kullanıyorsa, tartışmadan geçmek; programcı olarak fikriniz sorulursa “biraz abartılıyor” deyip konuyu değiştirmek önerilir
- Sürekli 2.000 satırlık AI üretimi PR incelemek zorundaysanız, tükenmişlik ve işten çıkarılma ihtimalini veri kabul edip enerjiniz varken iş aramaya başlamalısınız
- Bu kişiyi büyük miktarda düşük kaliteli kod üretmeyi bırakmaya ikna etmek zordur
- İş hızındaki düşüş ve yöneticinin memnuniyetsizliği, ya bugünkü iş arama yüzünden ya da yarınki tükenmişlik yüzünden ortaya çıkacaktır; kaçınmak zordur
- Yönetici size açıkça AI üretimi cümlelerle yanıt veriyorsa, enerjinizi korumak için AI ile cevap verip yeni iş aramalısınız
- Token kullanımını son sınıra kadar doldurmanız isteniyorsa da, gerçeklik duygunuzu kaybetmeden önce iş değişikliğine hazırlanmalısınız
- Bu tür şirketler, işe alım platformlarında pek görünmeyen küçük ölçekli kurumlar olabilir
- Bulmak aylar sürebileceği için erken başlamak gerekir
1 yorum
Hacker News görüşleri
Çoğumuz, yapay zekanın toplumu tamamen dönüştürüp tekillik getireceğine bir ölçüde emindik, ama gerçek öyle olmadı. Yanıldığımızı kabul edip yeniden değerlendirmek yerine, yapay zekayı her boşluğa zorla sıkıştırıp buna ilerleme diye bağıran bir gelecek rol oyunu oynuyoruz
Bu, Nintendo Power Glove takınca hacker olduğuna inanan 1990’lardaki bir çocuğa benziyor; bu tekillik değil. Bu çılgınlık sona erip herkesin bir sonraki sihirli çözümü beklediği döneme dönmeyi umuyorum
Yazılım sektörünün dışında olan ve her hafta 40 saat kod yazamayan biri olarak, ajan tipi yapay zeka benim için arama motoru, elektronik ilan panosu ve derleyici kadar büyük bir teknolojik sıçrama. Claude Code’a homelab SMTP kurulumu, 2017 Android uygulamasını modernleştirme ve imzalama, çeşitli işletim sistemi ve mimariler için GitHub Actions runner yapılandırması yaptırıyorum; ben bulaşık yıkarken sonucu çıkarıyor
Bunu önemsiz diye reddeden taraf aslında yapay zeka psikozuna karşı psikoz içinde. Model zekası şu anda sınıra dayanmış olsa bile bu zaten oyunu değiştiren bir teknoloji
Bireyler işlerinde LLM’leri yerinde kullanırken de kendi işlerini ve başkalarının istediği çıktıyı tam anlamadan pek çok hata yapacak. E-posta, mesaj ve telefon dışında neredeyse hiç teknoloji kullanmayan yöneticiler ise teknolojiyi anlamadan konuşmayı sürdürecek
Nihai sonucun ne olacağını kimse bilmiyor, ama Claude’u 5 dakika kullanmak bile tüm beyaz yaka işlerin geçmiştekiyle tamamen aynı kalacağını hayal etmeyi zorlaştırıyor
İnsan beyniyle eşdeğer hale gelse bile, insan toplumunun toplam üretimini yakalamak için verimliliği birkaç basamak daha artırması gerekir; ancak o zaman insan ilerleme hızını geçebilir. Yapay zeka tekilliği mümkün olsa bile hızlanma bir ömür sürebilir
Yapay zekada da 1950’de Turing testinin önerilmesinden, onu geçmiş gibi görünen sistemlerin ortaya çıkmasına kadar yaklaşık 75 yıl geçti; biraz daha zaman vermek lazım
“İçinde berbat yapay zeka kodu olan 2.000 satırlık PR’ları topluca incelemeni isteyen bir organizasyon sonunda seni tüketecek ve işten çıkaracak; o yüzden şimdiden işten çıkarılmışsın gibi yeni iş ara” kısmına katılıyorum. Ajan tipi geliştirme ne kadar yaygınlaşırsa bunun o kadar sık yaşanacağını düşünüyorum
Verimi iki-üç kat artıracak koşulları bulup organizasyonu buna göre kurmalı, darboğazlara ve en zor kısımlara odaklanmalısın. Bunu gerçekten yapmış biri olarak söylüyorum
“Bir buçuk yıldır gözlemlediğim tüm yapay zeka projeleri başarısız oldu, yani başarı oranı %0” ifadesi abartılı olduğu için güven zedeliyor. Yapay zeka denince uzman sistemlerden LLM’lere, transformer’lara ve diffusion modellere kadar çok geniş bir alan kastediliyor
Anlamsal arama ya da diffusion modellerle içerik üretiminde, hatta denetimli öğrenme bağlamındaki doğrusal regresyonda bile verimlilik artışı görülüyor. Son dönemde ilgiyi yeniden canlandıran transformer tabanlı LLM’lerle sınırlasak bile, basit ve sıkıcı işleri otomatikleştiren küçük ölçekli projeler çoğunlukla başarılı oldu
Model yeteneğinin ötesini isteyen iddialı projeler başarısız olmaya yatkın ve çoğu zaman bu önceden tahmin edilebilir, ama imkanların sınırında duran bazılarının Ar-Ge projeleri olması da gayet meşru
Yani bu, iç uzmanlığı olmadığı için başarısız olan şirketlere reklam verip sonra da gördükleri tüm projelerin başarısız olduğunu söyleyen bir seçim yanlılığı örneği. Üstelik destek vermeyi de reddettikleri için başarı hikayesine dönüşme ihtimalini baştan kapatıyorlar
Kibar kurumsal dili sevmediği anlaşılıyor, ama bu üslubu beğeniyorum ve sektörün alışkanlıklarına ters düşen içgörülü bakış açıları da sık sık sunuyor
Kod satırı, unit test, dokümantasyon ve PR hızı gibi metrikler arttı, ama gerçek iş sonuçları belirsiz. PR artışı özelliklerin daha hızlı çıkmasını sağlayabilir ama incelemeyi yavaşlatabilir ya da hatalarla kullanıcı deneyimini bozabilir. Daha fazla kodun gerçek gelire nasıl dönüştüğü konusunda şirketler konuşmuyor
İlki, teknolojiye aktif biçimde direnmediği sürece bir yazılım mühendisi için faydalı sonuç üretmeyi nispeten kolaylaştırır. İkincisi ise LLM gibi tuhaf bir temel üzerine inşa edilmek zorunda olduğu için çok zordur; şirket içi chatbot gibi bariz projeler de kolayca aşırı vaat ve beklentinin altında sonuçlara yol açar
Dünyanın öbür ucundaki birbirinden tamamen farklı iki şirkette, yöneticilerin hukuki ve mali etkileri büyük dış belgeleri LLM ile hazırlatmaya çalıştığını gördüm. Her zaman, gönderilmeden önce bir uzmanın okuyup olguları kontrol ettiği söyleniyor ama düzenleme ve olgu kontrolü uzmanlığı olmayan kişiler, bir şeyi baştan doğru yazmaya kıyasla denetlerken çok daha gevşek davranma eğiliminde oluyor
“Başka işler yaparken Go deposunun tüm kopyasını Zig ile yeniden yazdırmak işini korumanın tek yolu” ya da müşteri şirketin yöneticileri 100 kat verimlilik iddia ettiği için, tedarikçi tarafındaki bir yöneticinin bunun gerçekçi olmadığını söylemesinin müşteri yöneticilerinin güvenini sarsıp kurumsal sözleşmenin iptaline yol açabileceği gibi anekdotlar çok iyi
“Gözlemlediğim tüm AI projelerinin başarı oranı %0” deniyor ama AI projesinin tanımı yok. Bunun yazılımı sıfırdan yazmak mı, geliştirici olmayanların şirket içinde ya da dışında LLM chatbot kullanması mı, yoksa başka bir şey mi olduğu konusunda somut örnekler gerekli
İş otomasyonuna yönelik çıplak kral eleştirisine tamamen katılıyorum, ama birçok kişi için olumlu olan AI destekli mühendisliğe hiç değinmemesi şaşırtıcı. Chatbotlar da problem alanı daraltılıp doğru seçim yapılırsa başarılı olabilir. Önceki şirketim vektör veritabanı için konuşmalı bir arayüzle iyi sonuçlar aldı, ama asıl önemli olan vektör veritabanının kendisiydi; geleneksel bir UI daha hızlı ve daha doğru da olabilirdi
Genel olarak yazının yönü büyük ölçüde doğru; özellikle üst düzey yöneticileri saran AI çılgınlığı ve gerçek dışı beklentiler hakkındaki kısmı yerinde
Claude ile gelişmiş SQL ve Python kodu yazma deneyimim yazının iddialarıyla örtüşmüyor. Veriyi doğal dille sorgulayan gerçekten tatmin edici bir chatbotu bizzat görmedim, ama çok karmaşık sorguları doğal dille yazdırdığımda %80–90 düzeyine kadar yaklaşabildi
AI sayesinde rakiplerinin önüne geçen şirketler muhtemelen bunu çok duyurmadan sessizce kullanıyordur. Yazının hedef aldığı kesim, yönetici fazlası olan büyük şirketler; bu tür organizasyonlar AI öncesinde de veri bilimi-analitiği ya da blockchain konusunda aynı şekilde davranıyordu
Herkes LLM kullanarak kötü fikirleri makul gösterebilir; böylece sıradan bir başkan yardımcısının yanlış fikrinin tüm organizasyon tarafından izlenmesi ve devasa üretkenlik kaybı yaşanması mümkün
Özellik geliştirme ise hâlâ benzer süre alıyor ya da verimlilik artışı sınırlı kalıyor. Muhtemelen bunun nedeni çoğu organizasyonun yazılım geliştirme işini zaten kronik olarak iyi yapamaması
Geçen hafta iki farklı yerden işte AI’ı nasıl kullandığımı soran anket aldım; ikisi de çoktan seçmeliydi ama 0 seçenek işaretlemeye izin vermiyordu ve zorunlu soru olarak ayarlanmıştı
Şirketlerde AI benimsenmesinin gerçekten devasa verimlilik artışı üretip üretmediğini bilmiyorum ama kazma satanlar olan Nvidia ve Anthropic için bu tamamen mantıklı
Kralın çıplak olduğunu ortaya koymak çılgınlığı durdurmuyor. Sadece 17. yüzyıl lale çılgınlığı değil; çevik süreçler, çalışma çizelgeleri ve kod satırı bazlı verimlilik ölçümü de benzer, şirketler her dönemde yeni bir kolektif çılgınlığı tekrarlıyor
Bunu tetikleyen şeyler danışman uzmanların süreççiliği, güvenlikçilerin aşırı kontrolü, geride kalma korkusu ve AI tabanlı modern bir şirket gibi görünmeye yönelik sunum hedefleri. Müşteriler, şirketler, tedarik zinciri, hükümetler ve düşünürler bu küresel dansın parçası; müzik bir gün değişecek ve dans da değişecek
İş dünyası ve siyaset çoğunlukla bunun tarafından yönlendiriliyor; teknoloji sektörü de modaya, abartıya ve sonradan apaçık görünen onlarca yıllık hatalara tekrar tekrar kapılıyor