Sadece bir ay içinde Microsoft, Claude Code aboneliklerini iptal etmeye başladı. Meta ve Amazon gibi dev şirketler, şirket içi token kullanım sıralamalarını tamamen kaldırdı. Uber ise yıllık yapay zeka bütçesini yalnızca dört ayda tüketmesinin ardından yapay zeka kodlama araçlarına harcama üst limitleri getirdi. Uber'in operasyon müdürü daha sonra, yapay zeka kullanımı ile müşteriye yönelik yeni özellikler arasında net bir sınır çizmenin zor olduğunu açıkladı.
Mayıs ayındaki bu kurumsal geri adım, "tokenmaxxing" yani token harcama yarışı döneminin sonunu getirdi. Bu dönem, tokenlara daha fazla para harcamanın ve iş akışlarında yapay zeka kullanımını zirveye taşımanın verimliliği artıracağına dair yanlış bir inanca dayanıyordu. Üst düzey yöneticiler nihayetinde sadece hareket etmeyi ilerleme kaydetmekle karıştırdı. Yatırımcılara ne kadar "yapay zeka odaklı" olduklarını kanıtlama hevesiyle, asıl iş sonuçlarını gözden kaçırdılar.
Günümüzde popüler olan alternatif "valuemaxxing" yani değer yaratma odaklılık, yapay zeka araçlarını kullanmak için çok daha mantıklı bir yaklaşım sunuyor. Bu yöntem, tamamlanan her görev başına elde edilen getiriyi, müşteri memnuniyetini, risk azaltmayı veya yeni gelir fırsatlarını ölçüyor. Ancak bu yaklaşım bile, o getiriyi kimin ve hangi koşullar altında yaratacağı sorusunu yanıtlamaktan uzak kalıyor.
Herkese bir yapay zeka lisansı dağıtmak yerine, değeri en üst düzeye çıkarmanın en iyi yolu bu teknolojiyi önce en başarılı çalışanlarınıza vermektir. Bunlar, yüksek teknik yetkinliği ürün iş akışlarını derinlemesine anlama becerisiyle birleştiren yıldız çalışanlarınızdır. Bu kişilere yapay zekayı kontrollü bir ortamda kullanma imkanı tanıyın ve veriler bunu desteklediğinde yarattıkları yenilikleri tüm şirkete yaygınlaştırın.
Yapay zekayı kime vereceğinize karar vermek kritik bir önem taşıyor. MIT Sloan'dan yapılan bir araştırma, çalışanların yapay zeka ile etkileşimini üç farklı kategoride inceliyor: Cyborglar (yapay zeka ile omuz omuza çalışanlar), centaur'lar (yapay zekayı seçici bir şekilde yönlendirenler) ve self-automators yani kendi kendini otomatikleştirenler (işleri tamamen yapay zekaya devredenler). Çalışma, bu etkileşim tarzının çıktı ve öğrenme kalitesini doğrudan belirlediğini ortaya koydu. Araştırmacılar, en iyi sonuçları almak için yöneticilerin yapay zeka dağıtımını proaktif bir şekilde yönetmesi gerektiği sonucuna vardı.
Üstelik yapay zeka ajanları, yalnızca kendilerine verilen bağlam kadar başarılı olabilirler. Bilgisayar bilimlerinin meşhur sözüyle, "çöp girerse çöp çıkar". Çoğu kurumsal yapay zeka projesi, ortalama bir çalışanın bir süreci net bir şekilde ifade etmekte zorlanması veya girdileri adım adım iyileştirecek sabrı gösterememesi nedeniyle tıkanıyor. Oysa en iyi çalışanlar, bu araçları tam potansiyellerinde kullanmak için gerekli becerilere ve alan uzmanlığına sahiptir.
Bu içgörü, Paysend'deki stratejimizi şekillendirdi. Şirket içindeki en yüksek performans gösteren çalışanlardan oluşan küçük bir grupla yola çıktık. Onlara üç ay boyunca Claude erişimi verdik ve nelerin değiştiğini göstermelerini istedik. Kaç token harcadıkları veya kaç komut verdikleri bizim için önemli değildi. Önemli olan, yarattıkları araçların daha hızlı, daha iyi ve daha güvenli sonuçlar verip vermediğini ölçmekti.
Pilot programın sonunda liderlik ekibimiz, bu deneyi durdurup durdurmama, aynı grupla yola devam etme veya erişimi tüm şirkete yayma kararı vermek zorundaydı. Bu değerlendirme ölçütleri artık kaynak tahsisi için temel şablonumuz olarak işlev görüyor. Bu şablona göre çalışanlar, yapay zeka kullanımını yaygınlaştırma hakkını yalnızca somut ve ölçülebilir sonuçlar elde ederek kazanabiliyor.
Buradaki en barız eleştiri, araçları diğer çalışanlardan saklayarak bir "yapay zeka aristokrasisi" yaratma riskidir. Ancak pratikte bu durum, çalışanlar için temel performanslarını artırma motivasyonu yaratır. En önemlisi, yapay zeka bir çarpan etkisi yarattığı için hasar kontrolü açısından şarttır. Doğru ellerde dönüştürücü bir güce sahipken, yanlış ellerde yıkıcı olabilir. Tecrübesizlik risk, israf ve dikkat dağınıklığı yaratır. Bunlar, en iyi çalışanlarınızın kaçınma sağduyusuna sahip olduğu yaygın tuzaklardır.
Yapay zekanın değerini en üst düzeye çıkarmak isteyen finans liderleri, bu nedenle her şeyden önce sağlıklı bir şüpheciliğe sahip olmalıdır. Satıcıların abartılı tanıtımlarını ve popüler ama içi boş gösterge metriklerini bir kenara bırakın. Çünkü çoğu yapay zeka savunucusu ya size bir şey satmaya ya da kendi işini tanıtmaya çalışıyor. Her araca titiz bir şüphecilikle yaklaşın.
Bu süreç genellikle ulaşmak istediğiniz ölçülebilir hedefleri tanımlayarak ve yapay zeka yatırımlarını bu hedeflerle hizalayarak başlar. Her sorunu çözmek için yapay zeka kullanamazsınız çünkü sonuçta bu bir sihir değil. Hedefe odaklanarak işe başlayın. Personel sayısını gereksiz yere şişirmeden ölçeklendirebileceğiniz yüksek hacimli ve tekrarlanabilir işleri belirleyin.
Sonrasında bol bol demo yapın. Ekibin bu araçlarla tam olarak ne yaptığını gösterin. Yeniliği takdir edin, ancak yarattığı ticari etkiyi çok daha fazla ön plana çıkarın. İşe yarayan şeylerin üzerine inşa edin. Kanıtlanmış iş akışlarını standartlaştırın ve net bir getiri sağlayan kullanım alanlarını yaygınlaştırın.
Son adım ise bu kanıtlanmış iş akışlarını daha geniş ekip için bir eğitime dönüştürmektir. Çalışanlar temel performanslarını artırdıkça ve araçları etkili bir şekilde kullanmak için doğru merak seviyesini gösterdikçe, yapay zeka erişimini kademeli olarak tüm ekibe genişletin.
Yapay zeka ne bir erişim ayrıcalığıdır ne de bir harcama yarışması. Yapay zeka sayesinde kazanan firmalar, bu teknolojiyi önce en iyi insanların eline verecek, neleri değiştirdiğini kanıtlamalarını isteyecek ve erişimi yalnızca bu somut kanıtlara göre yaygınlaştıracaktır.
