Yapay Zeka Stratejiniz Bozuldu mu? En İyi CEO'lar Büyük Kazanmak İçin Transformers'ı Nasıl Kullanıyor?

Birçok CEO aynı baskıyla karşı karşıya: Müşteriler daha hızlı hizmet bekliyor, çalışanlar bilgi aramak için çok fazla zaman harcıyor ve iş verileri büyümeye devam ediyor. Geleneksel yazılımlar net kuralları işleyebilir ancak iş dil, bağlam, belgeler veya birçok olası yanıt içerdiğinde zorluk yaşar. Bazı iş liderlerinin transformatör tabanlı yapay zekaya yatırım yapmasının nedeni budur. Transformatör; kelimeler, resimler, kodlar veya diğer veriler arasındaki ilişkileri anlamak için tasarlanmış bir tür yapay zeka modelidir. ChatGPT, Google Translate, Microsoft Copilot ve birçok modern dil aracı, transformatör modellerini kullanır. İtiraz teknoloji etiketinin kendisi değil. Temyiz, bir şirketin bunu açık bir soruna uyguladığında yaratabileceği iş değeridir. CEO'ların dikkat etmesinin beş pratik sebebini görüyorum. 1. Transformatörler birçok iş görevinde çalışır Bir şirketin müşteri e-postaları, ürün belgeleri, pazar raporları ve yazılım kodları için ayrı araçlara ihtiyacı olabilir. Bir transformatör modeli, bu görevlerin birçoğunu tek bir ortak sistem aracılığıyla destekleyebilir. Bir hizmet ekibine şu konularda yardımcı olabilir: - Müşteri isteklerini sınıflandırma - Yanıt taslakları - Dahili politikaları arama - Uzun konuşmaları özetleme - Yaygın şikayetleri tespit etme - Mesajları diller arasında çevirme Model her uzmanın yerine geçmez. Uzmanları yavaşlatan rutin okuma ve yazma miktarını azaltır. Bir destek çalışanı, iade politikasını aramak ve yanıt yazmak için on dakika harcayabilir. Bir yapay zeka asistanı saniyeler içinde bir taslak hazırlayabilir. Sistem, manuel işin bir kısmını ortadan kaldırırken, çalışan hâlâ yanıtı kontrol edip müşteri ilişkilerini yönetiyor. 2. Şirketlerin aranması zor verileri kullanmasına yardımcı olurlar Birçok işletme, PDF'lere, e-postalara, sohbet kayıtlarına, sözleşmelere, ürün sayfalarına ve eğitim dosyalarına yayılmış yararlı bilgilere sahiptir. Bu bilgi değerli olabilir ancak çalışanlar genellikle ihtiyaç duyduklarında bu bilgileri bulamazlar. Bir dönüştürücü, ifadeler orijinal belgeyle eşleşmese bile bir soruyu ilgili içerikle bağlayabilir. Örneğin bir çalışan şunu sorabilir: "Müşteri hasarlı bir ürünü 45 gün sonra iade edebilir mi?" Politika belgesi hiçbir zaman tam olarak bu cümleyi kullanmamalıdır. "Ayıplı mallar", "iade pencereleri" ve "satın alma kanıtı" gibi ifadelerden bahsedebilir. Dil modelleriyle oluşturulmuş bir arama sistemi bu fikirleri birbirine bağlayabilir ve çalışanı doğru bölüme yönlendirebilir. Bu, yöneticilere tekrarlanan soruları azaltabilir ve yeni çalışanların şirket süreçlerini daha az destekle öğrenmelerine yardımcı olabilir. Bir CEO bunu bir yapay zeka sorunu yerine bir bilgi sorunu olarak görebilir. Şirket zaten bilginin sahibidir. Transformatör çalışanlara ona ulaşmak için daha pratik bir yol sağlar. 3. Teknoloji, müşterinin yanıt verme süresini artırabilir Müşteriler her zaman uzun bir görüşme istemez. Genellikle teslimat, faturalandırma, hesap erişimi veya ürün kullanımı hakkında net bir yanıt isterler. Bir transformatör, müşterileri uzun bir menüden seçim yapmaya zorlamak yerine doğal dili anlayan bir sohbet robotunu destekleyebilir. Ayrıca zor durumları konuşmanın kısa bir özetiyle bir insan çalışana aktarabilir. Bu yaklaşım, şirketin net sınırlar koyması durumunda en iyi sonucu verir. Sistem, onaylanmış bilgilerle desteklenen soruları yanıtlamalıdır. Yeterli veri olmadığında bunu söylemesi gerekir. Bir geri ödeme politikası, tıbbi yanıt, teslimat tarihi veya yasal talep icat etmemelidir. Birçok şirket bu dersi, ilk sohbet robotlarının kendinden emin ancak yanlış yanıtlar üretmesinden sonra öğrendi. Müşterinin düzeltmek için şirketle tekrar iletişime geçmesi gerekiyorsa hızlı yanıtın pek bir değeri yoktur. 4. Transformers, her sistemi değiştirmeden çalışanları destekleyebilir Bir işletmenin, bir dil modelini test etmeden önce tüm teknoloji yığınını yeniden inşa etmesine gerek yoktur. Bir şirket, bir yapay zeka asistanını aşağıdakilere bağlayabilir: - Bir yardım masası platformu - Bir belge kitaplığı - Bir müşteri ilişkileri sistemi - Bir kodlama ortamı - Bir dahili arama aracı Bu, liderlerin bir iş akışını test etmesine ve sonucu ölçmesine olanak tanır. Bir yazılım şirketi kod inceleme özetleriyle başlayabilir. Bir lojistik firması nakliye kayıtlarından belge çıkarmayı test edebilir. Bir hukuk bürosu, sözleşmelerdeki maddeleri bulmak için özel bir araç kullanabilir ve bir avukat her sonucu kontrol edebilir. İlk proje ne kadar küçük olursa hataları belirlemek, maliyeti hesaplamak ve çalışanlardan geri bildirim toplamak o kadar kolay olur. 5. İş senaryosu ölçülebilir Akıllı CEO'lar, yapay zeka heyecan verici göründüğü için yatırım yapmıyorlar. Pratik sorular soruyorlar: - Bu işlem kaç saat kazandıracak? - Yanıt kalitesi artacak mı? - Model ne sıklıkla hata yapıyor? - Sistem hangi verilere erişecek? - Her isteğin maliyeti nedir? - Çıktıyı kim inceliyor? - Müşteriler yeni süreci kabul edecek mi? Bu sorular geniş bir teknoloji projesini bir iş testine dönüştürür. Bir destek ekibinin her ay 20.000 iletiyle ilgilendiğini varsayalım. Bir yapay zeka aracı, sık sorulan sorulara yanıtların taslağını hazırlarken, çalışanlar da yanıtları göndermeden önce inceliyor. Şirket, testten önce ve sonra ortalama işlem süresini, düzeltme oranlarını, müşteri memnuniyetini ve işletme maliyetini karşılaştırabiliyor. Sonuç, güçlü değer, sınırlı değer veya hiç değer göstermeyebilir. Her sonuç şirkete faydalı bilgiler verir. Genel örnekler, kullanım senaryolarının çeşitliliğini göstermektedir Google, arama ve dil ürünlerinde transformatör tabanlı sistemler kullanmıştır. Microsoft, işyeri yazılımlarına ve kodlama araçlarına yapay zeka asistanlarını ekledi. GitHub Copilot, geliştiricilerin kod oluşturmasına ve açıklamasına yardımcı olur. Bu örnekler, transformatör modellerinin arama, yazma, kodlama ve bilgi çalışmasını nasıl destekleyebileceğini göstermektedir. Sonuçlar her şirket için aynı değildir. Büyük bir teknoloji firmasının güçlü veri sistemleri ve uzman ekipleri olabilir. Küçük bir işletmenin daha az entegrasyon ihtiyacı olan daha basit bir araca ihtiyacı olabilir. Ders, başka bir şirketin yapay zeka planını kopyalamak değil. Ders, bir model seçmeden önce görevi, verileri ve inceleme sürecini incelemektir. Daha güvenli bir yol, dar bir iş akışıyla başlar Basit bir süreç kullanırdım: 1. Net sonucu olan, tekrarlanan bir görev seçin. 2. Küçük bir dizi onaylanmış belge veya örnek toplayın. 3. Sistemin ihtiyaç duymadığı özel verileri kaldırın. 4. Gerçek kişi tarafından yapılan incelemeye ilişkin kurallar belirleyin. 5. Modeli normal ve zor durumlarla test edin. 6. Doğruluğu, zamanı, maliyeti ve kullanıcı geri bildirimlerini takip edin. 7. Yalnızca ilk iş akışı istikrarlı sonuçlar gösterdikten sonra genişletin. Bu süreç aynı zamanda çalışanların araca güvenmesine de yardımcı olur. İnsanların ne yapabileceğini, ne yapamayacağını ve nihai karardan kimin sorumlu olduğunu anladıklarında yapay zekayı kullanma olasılıkları daha yüksek. Veri koruması en başından itibaren dikkat gerektirir. Bir şirket, istemlerin ve belgelerin nerede saklandığını, bunlara kimlerin erişebileceğini, verilerin ne kadar süre saklandığını ve satıcının model eğitimi için müşteri içeriğini kullanıp kullanmadığını kontrol etmelidir. Hassas finansal, sağlıkla ilgili, hukuki veya kişisel bilgiler ekstra kontroller gerektirebilir. Model çıktısının da gözden geçirilmesi gerekiyor. Transformers, verilerdeki kalıplardan yararlanarak yararlı dili tahmin eder. İnsan yargısına sahip değiller. Yanlış gerçekler, güncelliğini kaybetmiş bilgiler, eksik bağlam veya uygun destek olmadan güvenilir gibi görünen yanıtlar üretebilirler. Benim görüşüm basit: CEO'lar transformatörlerin modern iş dünyasının sembolü olduğuna inanmamalı. Transformatörlerin geliştirebileceği net süreçler üzerine bahse girmeliler. Bir model, ekibin daha hızlı arama yapmasına, taslaklar yazmasına, bilgileri düzenlemesine veya rutin soruları yanıtlamasına yardımcı olabilir. Zayıf verileri, belirsiz politikaları, zayıf müşteri hizmetlerini veya kimsenin anlamadığı bir süreci onarmaz. En güçlü plan, odaklanmış bir kullanım durumunu, güvenilir verileri, insan gözetimini ve ölçülebilir sonuçları birleştirir. Bu parçalar mevcut olduğunda, transformatör teknolojisi başka bir pahalı deney yerine yararlı bir iş aracı haline gelebilir.

Birçok şirket yapay zeka araçlarını kullanıyor ancak yapay zeka stratejileri hâlâ geride kalıyor olabilir. Sıklıkla aynı modeli görüyorum: Bir ekip bir sohbet robotuna erişim satın alıyor, birkaç pilot proje oluşturuyor ve iş sonuçlarını bekliyor. Araç çalışıyor ancak süreç aynı kalıyor. Çalışanlar sistemler arasında veri kopyalamaya devam ediyor. Yöneticiler hangi projelerin önemli olduğunu açıklayamıyor. Dahili ekipler açık bir amaç olmadan araçları test etmek için zaman harcarken, müşteriler yanıtların yavaş olduğunu fark ediyor. Yapay zeka stratejisi, yazılım aboneliklerinin bir listesi değildir. İş ihtiyaçlarını, verileri, insanları, riski ve ölçülebilir sonuçları birbirine bağlayan pratik bir plandır. Yapay zeka stratejinizin sıfırlanması gerektiğine işaret eder Aşağıdaki durumlarda planınızın dikkate alınması gerekebilir: - Farklı ekipler, ortak kuralları olmayan ayrı yapay zeka araçları kullanıyorsa. - Çalışanlar hassas şirket veya müşteri verilerini kamuya açık araçlara yapıştırıyor. - Yapay zeka projelerinin sahibi veya inceleme tarihi yoktur. - Liderler iş değeri yerine deney sayısını ölçer. - Personel araçlara erişim alıyor ancak çok az eğitim alıyor. - Bir pilot test ortamında çalışır ancak günlük operasyonlarda başarısız olur. - Müşteriler, kulağa genel gelen veya asıl sorunu gözden kaçıran otomatik yanıtlar alırlar. - Verileriniz yapay zeka sistemlerinin güvenle kullanamayacağı formatlarda saklanır. Bu işaretler şirketinizin başarısız olduğu anlamına gelmez. Araç benimsemenin planlamadan daha hızlı ilerlediğini gösteriyorlar. Bir iş problemiyle başlayın "Yapay zekayı nerede kullanabiliriz?" sorusuyla başlamam. "Hangi tekrarlanan görev işi yavaşlatıyor, hata yaratıyor veya hizmet kalitesini sınırlıyor?" diye sorardım. Yararlı bir sorunun genellikle açık bir sahibi ve görünür bir maliyeti vardır. Bu şunları içerebilir: - Destek bildirimlerinin gözden geçirilmesi - Ürün açıklamalarının oluşturulması - Satış çağrılarının özetlenmesi - Belgelerde eksik bilgi olup olmadığının kontrol edilmesi - Stok ihtiyaçlarının tahmin edilmesi - Ekipman verilerindeki kalıpların bulunması - Çalışanların dahili politikaları aramasına yardımcı olmak UPS yararlı bir örnek sağlar. ORION sistemi teslimat rota planlamasını desteklemek için kullanıldı. İşletmenin karşılaştığı zorluk yalnızca "yapay zekayı kullanmak" değildi. Amaç, sürücülerin ve planlamacıların daha az seyahat israfıyla rotaları yönetmelerine yardımcı olmaktı. Bu tür bir proje operasyonel bir ihtiyaçla başlar ve teknolojiyi belirli bir iş akışına bağlar. Bir araç seçmeden önce mevcut süreci yazın. Gereken süreyi, ilgili kişileri, yaygın hataları ve müşterilerin aldığı sonuçları kaydedin. Yararlı bir ölçüme sahip küçük bir proje seçin Bir pilot uygulama, yönetilebilecek kadar dar kapsamlı ve size bir şeyler öğretebilecek kadar anlamlı olmalıdır. Örneğin bir destek ekibi yapay zeka tarafından oluşturulan destek bildirimi özetlerini test edebilir. Ekip şunları ölçebilir: - Her bildirimi okumak için harcanan süre - Düzeltilmesi gereken özet sayısı - Özet oluşturulduktan sonra yanıt süresi - Müşteri memnuniyeti - İnsan incelemesi gerektiren vakalar Amaç, kişileri süreçten çıkarmak değildir. Amaç, insanlar yargılama, empati ve istisnalarla uğraşırken yapay zekanın rutin işleri nerede azaltabileceğini öğrenmektir. Birkaç dakika kazandıran ancak yeni inceleme çalışmaları yaratan bir proje faydalı olmayabilir. Ekipler arasındaki aktarımları iyileştiren bir proje, bir görevde dramatik bir değişiklik yaratmasa bile daha büyük değere sahip olabilir. Ölçeklendirmeden önce verilerinizi hazırlayın Yapay zeka araçları, kullandıkları bilgilerin kalitesine ve erişim kurallarına bağlıdır. Ürün adları sistemler arasında farklılık gösteriyorsa, müşteri kayıtları kopyalar içeriyorsa veya belgeler güncelliğini kaybetmişse çıktıya güvenmek zor olabilir. Şunları kontrol etmenizi öneririm: 1. Veriler nerede saklanıyor 2. Kimler erişebilir 3. Ne sıklıkta güncelleniyor 4. Hangi alanlar kişisel veya gizli bilgiler içeriyor 5. Hatalar nasıl düzeltiliyor 6. Veriler ne kadar süre saklanmalı Bir şirketin başlamadan önce her veri kaynağını temizlemesine gerek yoktur. Bir süreci seçebilir, gerekli verileri tanımlayabilir ve o süreci etkileyen sorunları çözebilir. Bu yaklaşım işin yönetilebilir olmasını sağlar ve ekibin gelecekteki ihtiyaçlara ilişkin daha iyi bir görüş açısına sahip olmasını sağlar. Çalışanlara kurallar verin ve sorunları bildirmelerine olanak tanıyın İnsanların oturum açma ve kısa bir ürün demosundan daha fazlasına ihtiyacı var. Yararlı bir iç yapay zeka politikası şunları açıklayabilir: - Çalışanların hangi araçları kullanabileceği - Hangi bilgilerin girilmemesi gerektiği - İnsan incelemesi gerektiğinde - Yapay zeka tarafından oluşturulan içeriğin nasıl kontrol edileceği - Yanlış veya güvenli olmayan çıktıların nasıl raporlanacağı - Nihai kararın kime ait olduğu Eğitim, çalışanların her hafta yerine getirdiği görevleri kullanmalıdır. Bir satış ekibi çağrıları özetleme alıştırması yapabilir. Bir finans ekibi, bir raporun yapay zeka tarafından üretilen açıklamasını inceleyebilir. Bir destek ekibi otomatik taslakları onaylanmış yanıtlarla karşılaştırabilir. Amaç her çalışanı yapay zeka uzmanı yapmak değil. İnsanların, aracın neler yapabileceğini, nerede başarısız olabileceğini ve ne zaman durup yardım istemeleri gerektiğini anlamalarına yardımcı olmaktır. Basit bir inceleme süreci oluşturun Her yapay zeka projesinin bir sahibine ihtiyacı vardır. Bu kişi projeyi takip etmeli, geri bildirim toplamalı ve testin devam etmesi, değişmesi veya durdurulması gerektiğine karar vermelidir. Aylık inceleme şunları kapsayabilir: - Projenin hangi sorunu çözdüğü - İş akışında nelerin değiştiği - Verilerin gösterdiği - Hangi hataların ortaya çıktığı - Çalışanların ve müşterilerin neler bildirdiği - Projenin genişletilip genişletilmeyeceği Bu, yapay zeka çalışmasını iş kararlarına bağlı tutar. Yararlı bir projeye ihtiyaç duyduğu desteği verirken, zayıf bir fikrin kaynakları tüketmesini önleyebilir. Değişebilecek bir strateji oluşturun Yapay zeka araçları ve iş yeri ihtiyaçları değişmeye devam edecek. Sabit bir plan, şirket onu tamamlamadan geçerliliğini yitirebilir. İstikrarlı ilkelere ve esnek projelere sahip bir stratejiyi tercih ederim. İlkeler veri korumayı, insan incelemesini, açık sahiplenmeyi ve dürüst ölçümü içerebilir. Yeni bilgiler ortaya çıktıkça projeler değişebilir. Her yeni aracı benimseyen bir şirket, kafa karışıklığı yaratırken aktif görünebilir. Mükemmel kesinliği bekleyen bir şirket değerli öğrenmeyi kaybedebilir. Bu seçenekler arasında pratik bir yol bulunur: Gerçek sorunları seçin, bunları dikkatle test edin, etkiyi ölçün ve ekibin öğrendiklerini paylaşın. Yapay zeka stratejiniz geride kalıyorsa başka bir araç satın almak yerine bir iş akışını gözden geçirerek başlayın. İşi yapan kişilerle konuşun, kullandıkları verileri koruyun ve gerçek iş ihtiyacını yansıtan bir önlem belirleyin. Bu süreç, dağınık yapay zeka etkinliğini insanların anlayabileceği ve kullanabileceği bir plana dönüştürebilir.

Birçok CEO dikkat çekmek için yapay zekayı kullanmıyor. Zaten paraya, zamana veya müşterinin güvenine mal olan bir iş sorununu çözmek için bunu kullanıyorlar. Bu fark önemli. Şirketlerin sıklıkla iyileştirmesi gereken işi tanımlamadan önce bir yapay zeka aracı satın aldığını görüyorum. Sonuç, uzun bir deney listesi, dağınık veriler ve sistemin günlük görevlerine nasıl uyduğundan emin olmayan çalışanlardır. Daha iyi bir yaklaşım, net bir iş ihtiyacıyla başlar. Bir CEO, yapay zekayı aşağıdakiler gibi ölçülebilir bir hedefe bağlayarak faydalı bir iş varlığına dönüştürebilir: - Müşteri desteği bekleme sürelerini azaltmak - Satış ekiplerinin toplantılara hazırlanmasına yardımcı olmak - İşletme maliyetlerinde kalıplar bulmak - Personeli rutin belge işleriyle desteklemek - Talep tahminlerini iyileştirmek - Yöneticilere dahili bilgilere daha hızlı erişim sağlamak Teknoloji, sürecin yalnızca bir parçasıdır. Bununla ilgili iş kararı daha fazla ağırlık taşır. Yazılımla değil iş akışıyla başlıyorum Bir yapay zeka projesini incelerken basit bir soru sorarım: "Hangi tekrarlanan görev ekibi yavaşlatıyor?" Bir müşteri hizmetleri ekibi, ürün sayfalarında, politika dosyalarında ve eski biletlerde yanıt aramak için saatler harcayabilir. Bir satış ekibi her günün bir kısmını hesap notlarını hazırlamakla geçirebilir. Bir finans ekibi, bir yöneticinin karar vermeden önce büyük belge gruplarını inceleyebilir. Bu görevlerin görünür bir maliyeti vardır. Ayrıca bir yapay zeka sisteminin onları desteklemesi için yeterli yapıya sahipler. UPS yararlı bir örnek sunuyor. ORION sistemi, teslimat verilerini inceleyerek ve sürücüler için daha verimli rotalar önererek rota planlamayı destekledi. Sistem, sürücünün yerel koşullara ilişkin bilgisinin yerini almaz. İşletmeye başka bir rehberlik kaynağı sağlar. Bu, yapay zekanın pratik bir kullanımıdır: tanımlanmış bir iş akışı, faydalı veriler ve işin içinde kalan bir insan. Ölçülebilecek bir hedef seçiyorum Belirsiz bir hedef, belirsiz sonuçlar doğurur. "Yapay zekayı şirket genelinde kullanın"ı yönetmek zordur. "Genel destek sorularını yanıtlamak için gereken süreyi kısaltmak", ekibe daha net bir yol sağlar. Genellikle üç tür önlemi takip ediyorum: - Süre: Yapay zeka aracı eklenmeden önce ve eklendikten sonra görev ne kadar sürüyor? - Kalite: Yanıtlar, raporlar veya tahminler rol için yeterince doğru mu? - İş etkisi: Değişiklik hizmeti iyileştiriyor mu, önlenebilir işleri azaltıyor mu veya ekibin daha iyi kararlar almasına yardımcı oluyor mu? Ölçünün karmaşık olması gerekmez. Bir destek yöneticisi bir destek talebine harcanan ortalama süreyi karşılaştırabilir. Bir depo yöneticisi tahmin hatalarını izleyebilir. Bir satış lideri, temsilcilerin müşteri araştırmasını hazırlamak için ne kadar zaman harcadığını inceleyebilir. Küçük ölçümler CEO'nun projeyi genişletmeye, düzenlemeye veya durdurmaya karar vermesine yardımcı olur. Tasarımda çalışanlara bir rol veririm Çalışanlar genellikle bir süreci yönetici ekibinden daha iyi anlar. Bilginin nerede eksik olduğunu, hangi adımların gecikmelere yol açtığını ve müşterilerin nerede hayal kırıklığına uğradığını biliyorlar. Araç seçilmeden önce bu çalışanları projeye dahil ederdim. Geri bildirimleri pratik sorulara cevap verebilir: - Görevin hangi kısımları tekrarlanıyor? - Hangi kararlar insan muhakemesini gerektirir? - Yapay zeka sistemi hangi bilgileri asla kullanmamalıdır? - Araca güvenilmesini zorlaştıran şey nedir? - Yanlış bir sonucu kişi nasıl düzeltmelidir? Bu adım yaygın bir hatayı önleyebilir: Gösterimde yararlı görünen ancak işe uymayan bir sistem oluşturmak. Bir müşteri destek asistanı hızlı yanıtlar verebilir ancak personelin yine de politika ayrıntılarını kontrol etmenin bir yoluna ihtiyacı vardır. Bir belge aracı önemli maddeleri bulabilir ancak yine de bir avukatın veya yöneticinin sonucu incelemesi gerekir. Yapay zeka sorumluluğu gizlememeli, desteklemelidir. Bir araca bağlanmadan önce şirket verilerini koruyorum Yapay zeka projeleri genellikle müşteri kayıtlarını, fiyatlandırma dosyalarını, çalışan bilgilerini veya dahili planları içerir. Bir CEO bu verilerin nereye gittiğini, bu verilere kimlerin erişebileceğini ve ne kadar süreyle saklanacağını bilmelidir. Temel bir inceleme şunları kapsayabilir: - Sistem tarafından kullanılan veri türü - Farklı çalışanlar için erişim seviyeleri - Kişisel ve gizli bilgilere ilişkin kurallar - Yapay zeka tarafından oluşturulan kararlara yönelik kayıt tutma - Hassas işler için insan incelemesi - Hataları veya kötüye kullanımı raporlamaya yönelik bir süreç JPMorgan'ın COiN platformu, ticari kredi anlaşmalarının gözden geçirilmesine yardımcı olmak için kullanılmıştır. Değer, eğitimli personel kararlardan sorumlu kalırken belge ağırlıklı bir görevin bazı kısımlarının ele alınmasından gelir. Bu model yararlı bir ders sunuyor. Yapay zeka bilgileri hızlı bir şekilde işleyebilir ancak şirketin hâlâ kurallara, incelemeye ve sorumluluğa ihtiyacı var. İnsanları çıktıyı sorgulamaları için eğitiyorum Bir yapay zeka yanıtı kulağa hoş gelse de yine de hata içerebilir. Çalışanların hangi tuşlara basacaklarını öğrenmenin ötesinde eğitime ihtiyaçları var. Personele şunları kontrol etmeyi öğretirdim: - Yanıtın doğru kaynağı kullanıp kullanmadığı - Önemli ayrıntıların eksik olup olmadığı - Bilginin güncel olup olmadığı - Önerinin müşteriye veya iş durumuna uygun olup olmadığı - Sonucun bir uzman tarafından gözden geçirilip geçirilmemesi gerektiği Bu özellikle finans, sağlık hizmetleri, hukuk hizmetleri, işe alım ve zayıf bir yanıtın insanları doğrudan etkileyebileceği diğer alanlarda faydalıdır. Kısa bir inceleme kontrol listesi, uzun bir politika belgesinden daha yararlı olabilir. İnsanların kabul edilebilir kullanıma, kısıtlı kullanıma ve onay gerektiren durumlara ilişkin net örneklere ihtiyacı vardır. Yalnızca pilotun güvenini kazandıktan sonra genişlerim Bir pilot, bir model gösterecek kadar büyük, kontrol edebilecek kadar da küçük olmalıdır. Tek bir departman, tek bir süreç ve tek bir net ölçüm yeterli olabilir. Pilot uygulama sırasında üç gruptan geri bildirim toplayacaktım: - Aracı kullanan çalışanlar - Çalışmayı inceleyen yöneticiler - Değişiklikten etkilenen müşteriler veya şirket içi ekipler. Görüşleri, performans verilerinin gözden kaçırdığı sorunlara işaret edebilir. Bir araç zamandan tasarruf sağlayabilir ancak ekstra düzenleme işi gerektirebilir. Yanıtları daha az kişisel hissettirirken hızı da artırabilir. Yaygın durumlarda işe yarayabilir ancak olağandışı isteklerde başarısız olabilir. Bu ayrıntılar bir sonraki kararı şekillendirir. Araç hedefi destekliyorsa şirket bunu dikkatle genişletebilir. Aksi takdirde projeyi durdurmak da faydalı bir iş kararıdır. Halihazırda harcanan para, zayıf bir sistemi daha geniş kullanıma zorlamamalıdır. Yapay zekadan kalıcı değer elde eden CEO'lar, bunu bir yazılım satın alımı olarak değil, iş değişikliği olarak ele alma eğiliminde. Sorunu tanımlar, işi yapan kişileri dahil eder, hassas verileri korur, etkiyi ölçer ve insan muhakemesini süreçte tutarlar. Bu yaklaşım, düzinelerce yapay zeka projesinin başlatılmasından daha az dramatik görünebilir. Daha pratiktir. Günlük bir yükü ortadan kaldıran odaklanmış bir sistem, açık bir sahibi veya önlemi olmayan büyük bir programdan daha fazla değer yaratabilir.

Birçok şirket, hangi sorunu çözmesi gerektiğine karar vermeden önce yapay zekayı iş akışlarına ekliyor. Bu seçim çoğu zaman daha fazla iş, eşit olmayan sonuçlar ve sonuçtan kimin sorumlu olduğu konusunda kafa karışıklığı yaratır. Ekiplerin çeşitli yapay zeka araçları satın aldığını, personeli bunları kullanmaları için eğittiklerini ve hala yavaş onaylarla, zayıf içerikle ve belirsiz veri uygulamalarıyla mücadele ettiklerini gördüm. Sorun nadiren tek başına yazılımdır. Daha derindeki sorun, net bir hedefi, sahibi veya inceleme süreci olmayan bir yapay zeka stratejisidir. Yararlı bir yapay zeka planı, kaliteyi, müşteri güvenini ve iş verilerini korurken insanların daha iyi çalışmasına yardımcı olmalıdır. ## İş problemiyle başlayın. "Hangi yapay zeka aracını satın almalıyız?" sorusuyla başlamıyorum. Şöyle başlıyorum: - İş nerede yavaşlar? - Her hafta hangi görevler tekrarlanıyor? - Hangi kararların daha iyi verilere ihtiyacı var? - Müşteriler nerede gecikmelerle veya belirsiz yanıtlarla karşılaşıyor? - Hangi süreç önlenebilir maliyetler yaratır? Bir müşteri hizmetleri ekibinin destek isteklerini sıralama konusunda yardıma ihtiyacı olabilir. Bir pazarlama ekibinin içerik özetleri oluşturmanın daha hızlı bir yoluna ihtiyacı olabilir. Bir satış ekibinin müşteri aramalarından sonra daha temiz notlara ihtiyacı olabilir. Bunlar farklı ihtiyaçlardır. Bir araç hepsine iyi hizmet etmeyebilir. Süreci, ilgili kişileri, harcanan zamanı ve beklediğiniz sonucu yazın. Bu, ekibe yararlı bir başlangıç ​​noktası sağlar ve araçların rastgele benimsenmesini önlemeye yardımcı olur. ## Odaklanmış bir kullanım örneği seçin Büyük yapay zeka projeleri, kapsam çok hızlı büyüdüğü için genellikle başarısız olur. Net sonucu olan küçük bir testi tercih ederim. Bir şirket yapay zekayı şu amaçlarla kullanabilir: - Gelen destek e-postalarını sınıflandırma - Ürün açıklamalarının ilk taslağını oluşturma - Toplantı notlarını eylem öğelerine dönüştürme - Eksik alanlar için belgeleri gözden geçirme - Dahili bilgi tabanı makaleleri önerme - Müşteri geri bildirimlerini konuya göre gruplandırma Görev, ölçülebilecek kadar sık ​​tekrarlanmalıdır. Ayrıca çıktıyı inceleyebilecek bir insanın da olması gerekir. Örneğin bir perakendeci yapay zekadan ürün kopyasının ilk taslağını oluşturmasını isteyebilir. Bir personel, yayınlanmadan önce ürün boyutunu, malzemeleri, nakliye ayrıntılarını ve talepleri kontrol etmeye devam ediyor. Bu yaklaşım, doğrulanmamış metinlerin müşterilere ulaşmasına izin vermeden yazma süresinden tasarruf sağlar. ## Net bir kalite standardı belirleyin AI çıktısı otomatik olarak doğru, kullanışlı veya yayınlanmaya uygun değildir. Pilot çalışmaya başlamadan önce kabul edilebilir çalışmanın neye benzediğini tanımlarım. Standart şunları içerebilir: - Doğru ürün bilgisi - Uygun bir okuma düzeyi - Tutarlı bir marka sesi - Desteklenmeyen iddiaların olmaması - Özel müşteri verilerinin olmaması - İnsan incelemesi için açık bir yol Bir destek chatbotu her soruyu tek başına yanıtlamamalıdır. Basit talepleri karşılayabilir ve hassas vakaları eğitimli bir çalışana gönderebilir. İçerik asistanı bir makale taslağı hazırlayabilir ancak konu uzmanının gerçekleri, üslubu ve arama amacını kontrol etmesi gerekir. Google ayrıca makine tarafından oluşturulan yanıtların hatalar içerebileceğini de göstermiştir. İlk yapay zeka arama özetleri hakkındaki kamuoyu tartışması bunu açıkça ortaya koydu. Arama görünürlüğü hala insanlara hizmet eden yararlı ve doğru içeriğe bağlıdır. Tek başına AI metni eklemek güven veya istikrarlı sıralama oluşturmaz. ## Araçları bağlamadan önce verileri koruyun Yapay zeka projeleri genellikle müşteri kayıtlarını, satış verilerini, dahili belgeleri veya çalışan bilgilerini içerir. Her veri kaynağının açık bir erişim kuralına ihtiyacı vardır. Bir aleti bağlamadan önce şu soruları soruyorum: - Sistem hangi bilgileri alacak? - Bu bilgi nerede saklanacak? - Çıktıya kimler erişebilir? - Sağlayıcı gönderilen verileri model eğitimi için kullanacak mı? - Şirket verileri daha sonra nasıl kaldırabilir? - Araç yanlış cevap verirse ne olur? Bir ekibin tüm müşteri kayıtlarını bir yapay zeka sistemine göndermesi gerekmeyebilir. Bunun yerine müşteri numarası, genel sorun türü veya kısa bir özet kullanılabilir. Basit veri sınırları, riske maruz kalmayı azaltır ve sürecin çalışanlara ve müşterilere açıklanmasını kolaylaştırır. ## Projeye bir sahip verin Paylaşılan sorumluluk hiçbir sorumluluk haline gelemez. Bir yapay zeka projesinin hedefi izleyen, performansı kontrol eden, geri bildirim toplayan ve iş akışının ne zaman ayarlanması gerektiğine karar veren adlandırılmış bir sahibine ihtiyacı vardır. Sahibinin teknik uzman olmasına gerek yoktur. Gerektiğinde pazarlamayı, operasyonları, yasal incelemeyi, müşteri hizmetlerini veya BT desteğini koordine etmek için yeterli yetkiye ihtiyaçları vardır. Ekip ayrıca içeriği kimin onaylayabileceğini, hataları kimin ele alacağını ve bir sorun ortaya çıktığında sistemi kimin durduracağını da tanımlamalıdır. Yapay zeka günlük bir sürecin parçası haline geldiğinde bu önemlidir. Taslaktaki küçük bir hatayı düzeltmek kolay olabilir. Yanlış fiyat, yanlış sağlık beyanı veya yanıltıcı müşteri yanıtı daha büyük bir sorun yaratabilir. ## Yararlı iş sonuçlarını ölçün Araç kullanımı iş değeriyle aynı şey değildir. Bir ekip, çalışanların 2.000 yapay zeka taslağı oluşturduğunu bildirebilir. Bu sayı kalite veya tasarruf hakkında çok az şey söylüyor. Daha iyi önlemler şunları içerir: - Ortalama işlem süresi - İnsan düzenleme süresi - Hata oranı - Müşteri yanıt süresi - Dönüşüm oranı - Tamamlanan görev başına maliyet - İnsan personele gönderilen vaka sayısı - Yapay zeka çıktısına bağlı müşteri şikayetleri Pilot başlamadan önce bir temel kullanın. Bir ekip bir ürün açıklamasını yazmak için 30 dakika harcıyorsa, gözden geçirilen taslağın düzeltmeleri artırmadan bu süreyi kısaltıp kısaltmadığını ölçün. Çalışanlar hataları düzeltmek için daha fazla saat harcıyorsa, daha düşük bir süre sayımı iyi bir sonuç değildir. ## İnsanları çıktıyı sorgulama konusunda eğitin Yapay zeka eğitimi, düğme tıklamalarından daha fazlasını kapsamalıdır. Çalışanların yararlı talimatların nasıl yazılacağını, gerçeklerin nasıl kontrol edileceğini, özel bilgilerin nasıl korunacağını ve hataların nasıl raporlanacağını bilmesi gerekir. Ayrıca yapay zekayı ne zaman kullanmamaları gerektiğini de anlamalılar. Kısa bir dahili kılavuz şunları içerebilir: - Onaylanmış araçlar - Yasaklanmış veriler - İnceleme adımları - Zayıf çıktı örnekleri - İlerletme iletişim bilgileri - Kayıt tutma kuralları Ayrıca çalışanlardan başarısız örnekleri paylaşmalarını isterim. Bu vakalar genellikle gösterişli gösterilerden daha fazlasını öğretir çünkü sistemin nerede sınırlara ihtiyaç duyduğunu gösterirler. ## Yapay zekanın arama içeriğini destekleyebileceği kişiler etrafında bir SEO planı oluşturun, ancak bu, araştırmanın veya editoryal yargının yerini almamalıdır. Sağlam bir iş akışı şöyle görünebilir: 1. Müşterilerin sorduğu soruları inceleyin. 2. Mevcut sayfaları inceleyin ve eksik bilgileri belirleyin. 3. Arama amacına uygun bir taslak oluşturun. 4. Araştırma desteği veya kaba taslak için yapay zekayı kullanın. 5. Uzman deneyimini, orijinal örnekleri ve net açıklamaları ekleyin. 6. Gerçekleri, bağlantıları, iddiaları ve sayfa yapısını kontrol edin. 7. Yayınlandıktan sonra içeriği inceleyin. Arama motorları tekrarlanan kalıpları, ince sayfaları ve çok az değer katan metinleri anlayabilir. Çok sayıda benzer sayfa yayınlamak, yararlı arama trafiği oluşturmadan iş yükünü artırabilir. Sığ taslaklardan oluşan geniş bir kitaplık oluşturmak yerine gerçek müşteri sorularına yanıt veren daha az sayfa yayınlamayı tercih ederim. ## Planı her ay gözden geçirin İşletme öğrendikçe yapay zeka stratejisi değişmelidir. Pilot programı her ay gözden geçirin: - Hangi görev iyileştirildi? - Hatalar nerede ortaya çıktı? - Hangi çalışanların daha fazla desteğe ihtiyacı var? - Müşteriler daha iyi bir deneyim fark etti mi? - Süreç yeni riskler yarattı mı? - Şirket kullanım senaryosunu genişletmeli mi, ayarlamalı mı yoksa durdurmalı mı? Bu inceleme, yapay zekanın iş ihtiyaçlarıyla bağlantılı olmasını sağlıyor. Ayrıca şirkete artık yeterli değer sağlamayan araçları kaldırma şansı da verir. Yapay zekanın bir işletmenin her bölümünü kontrol etmesi gerekmez. Odaklanmış bir iş akışı, dikkatli veri işleme, insan incelemesi ve ölçülebilir hedefler daha istikrarlı bir yol oluşturabilir. Erken hazırlanan takımlar her zaman en büyük bütçeye sahip takımlar olmuyor. Genellikle neyi geliştirmek istediklerini, neyi ölçeceklerini ve kişinin nerede sorumlu kalması gerektiğini bilen ekiplerdir. Sorularınızı bekliyoruz: amy.wu@ihuagroup.com/WhatsApp +8613612662976.

Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Łukasz Kaiser ve Illia Polosukhin, 2017, İhtiyacınız Olan Tek Şey Dikkat Ulusal Standartlar ve Teknoloji Enstitüsü, Ocak 2023, Yapay Zeka Risk Yönetimi Çerçevesi AI RMF 1.0 McKinsey Global Institute, Haziran 2023, Üretkenliğin Ekonomik Potansiyeli Yapay Zeka: Ekonomik İşbirliği ve Kalkınma için Sonraki Üretkenlik Sınırı Örgütü, Mayıs 2019, Yapay Zeka Konseyinin Tavsiyesi Google Arama Merkezi, Şubat 2023, Web Sitenizdeki Üretken Yapay Zeka İçeriği Hakkında Rehber JPMorgan Chase & Co, 2017, COIN Programı, Ticari Kredi Sözleşmelerini İncelemek İçin Makine Öğrenimini Kullanıyor