Bir yapay zeka aracını kullanmayı öğrenmek birkaç saat sürebilir. Onu gerçek bir iş akışının güvenilir parçası haline getirmek ise bambaşka bir süreç. Kurumsal yapay zeka eğitiminin asıl değeri de burada başlıyor.

Bir müşteri destek ekibinin eğitim sırasında iade taleplerine yanıt hazırlayan bir yapay zeka asistanı geliştirdiğini düşünelim.

İlk deneme oldukça iyi gider. Asistan müşterinin sorusunu okur, şirketin iade politikasını bulur ve birkaç saniye içinde düzgün bir yanıt taslağı hazırlar. Bunun ekip için etkileyici olan tarafı açıktır: Her gün tekrar tekrar yapılan bir iş artık çok daha hızlı tamamlanabilecek gibi görünür.

Sonra gerçek hayata biraz daha benzeyen bir talep gelir.

Müşteri, özel bir kampanyadan aldığı ürünü iade etmek istemektedir. Yapay zeka asistanı yine hızlı ve ikna edici bir yanıt hazırlar. Fakat kullandığı belge geçen yılın kampanya koşullarına aittir.

Metin kusursuz görünür. Gelin görün ki bilgi yanlıştır.

Kurumsal yapay zeka projelerinde asıl zorlu çalışma, çoğu zaman tam da bu noktada başlar.

Demo çalıştı. Peki gerçek iş akışı ne olacak?

Bir yapay zeka demosunun başarılı olmasıyla bir çözümün günlük işlerinizde güvenilir biçimde kullanılabilmesi arasında ciddi bir fark vardır.

Gerçek iş akışında yalnızca modelin ne kadar iyi yanıt verdiği değil, hangi bilgiye eriştiği, hangi belgeyi doğru kabul ettiği, ne zaman emin olmadığını fark ettiği ve hangi noktada işi bir insana devrettiği önem kazanır.

Müşteri destek örneğinde sorun, yalnızca daha iyi bir prompt yazılarak çözülmeyebilir. Ekip aynı klasörde eski ve yeni iade politikalarının birlikte tutulduğunu fark edebilir. Bu durumda yapay zeka projesi bir anda bilgi yönetimi projesine de dönüşür.

Bir sonraki testte başka bir sorun çıkar. Müşteri sipariş tarihini yazmamıştır. Asistan eksik bilgiye rağmen tahminde mi bulunacak, müşteriye ek soru mu soracak, yoksa talebi doğrudan bir çalışana mı aktaracak?

Bu kararların hiçbiri yalnızca "yapay zekayı kullanmayı bilmekle" ilgili değildir.

Asıl mesele, teknolojiyi şirketin gerçek çalışma biçimine yerleştirmektir.

Kurumsal yapay zeka eğitimi neden bir süreç olmalı?

Tek günlük bir eğitim, yeni araçları tanımak, temel kavramları öğrenmek ve ilk denemeleri yapmak için faydalıdır. Fakat şirket yapay zekayla gerçek bir süreci değiştirmek istiyorsa öğrenmenin eğitim salonunda bitmemesi gerekir.

Burada birkaç haftaya yayılan cohort tipi programların önemli bir avantajı ortaya çıkıyor.

Aynı ekip aynı iş akışına tekrar tekrar dönebiliyor. Bir oturumda öğrendiğini iş üzerinde deniyor, karşılaştığı sorunları sonraki oturuma getiriyor ve çözümü gerçek örneklerle geliştiriyor.

Bu döngü, eğitim programını soyut bir öğrenme deneyiminden çıkarıp uygulamalı bir dönüşüm sürecine yaklaştırıyor.

İlk hafta "bir AI agent nasıl çalışır?" sorusu konuşulurken birkaç hafta sonra tartışma çok daha somut hale geliyor:

Bu ajan hangi veriye erişebilir?

Hangi durumda insandan onay almalı?

Yanlış cevap verdiğinde bunu nasıl fark ederiz?

Sistemin sağladığı zaman kazancı gerçekten toplam iş yükünü azaltıyor mu?

Bu sorular ortaya çıktığında ekip yalnızca bir araç öğrenmiyor. Kendi çalışma biçimini de yeniden tasarlamaya başlıyor.

Hızlı yanıt, verimli süreç anlamına gelmeyebilir

Yapay zeka projelerinde en kolay ölçülen şey genellikle hızdır.

Bir çalışan aynı yanıtı beş dakikada yazarken yapay zeka bunu yirmi saniyede hazırlayabilir. İlk bakışta kazanım çok nettir.

Fakat iş akışının tamamına bakıldığında tablo değişebilir.

Çalışan taslağı kontrol etmek için iki dakika harcıyorsa, doğru kaynağı yeniden bulması gerekiyorsa veya hatalı yanıt müşterinin tekrar yazmasına neden oluyorsa başlangıçta görünen zaman kazancı hızla küçülebilir.

Bu nedenle iyi bir kurumsal AI programında soru yalnızca "yapay zeka ne kadar hızlı?" değildir.

Daha anlamlı soru şudur:

Bu iş artık gerçekten daha iyi mi yapılıyor?

Bunun cevabı da taslak oluşturma süresinden daha geniş bir tabloya bakmayı gerektirir. Kontrol süresi, düzeltme ihtiyacı, hata türleri, istisnalar ve insan müdahalesi işin gerçek maliyetinin parçasıdır.

Aynı şey kalite için de geçerlidir.

Yapay zekanın cümleyi biraz kötü kurmasıyla müşteriye yanlış bir iade hakkı tanıması aynı hata değildir. Bir sistemin güvenilirliği, yalnızca kaç kez hata yaptığıyla değil, yaptığı hataların sonuçlarıyla da değerlendirilir.

Pilotların amacı yalnızca başarıyı kanıtlamak değildir

Bir AI pilotu çoğu zaman "projenin işe yaradığını gösterecek test" gibi düşünülüyor.

Oysa iyi tasarlanmış bir pilotun başka bir işlevi daha var: neyin çalışmadığını erken göstermek.

Müşteri destek asistanı örneğinde ekip birkaç hafta içinde belirli talep türlerinde sistemin oldukça başarılı olduğunu görebilir. Aynı zamanda kampanyalı ürünler, istisnai iadeler veya eksik bilgi içeren başvurularda insan müdahalesinin hâlâ gerekli olduğunu fark edebilir.

Bu, başarısızlık değildir.

Tam tersine, sistemin nerede kullanılabileceğini tarif eden değerli bir bilgidir.

Bazı iş akışlarında sonuç sınırlı bir pilot olur. Bazılarında biraz daha entegrasyon gerekir. Bazılarında ise ekip, yapay zekanın düşündüğü kadar anlamlı bir çözüm olmadığını görebilir.

Kurumsal yapay zeka eğitiminin olgun bir çıktısı her zaman "production'a geçiyoruz" değildir.

Bazen doğru sonuç, "burada devam etmeye değmez" diyebilmektir.

İşin içine yalnızca eğitim ekibi girmiyor

Bir yapay zeka asistanı gerçek bir sürece yaklaştıkça eğitim, teknoloji ve operasyon arasındaki sınırlar da bulanıklaşır.

Müşteri destek ekibi hangi taleplerin sık geldiğini bilir. Teknik ekip sistemin hangi verilere güvenli biçimde erişebileceğini belirler. Süreç sahibi, hangi kararların otomatikleşebileceğine karar verir. Hukuk veya bilgi güvenliği ekibi bazı kullanım alanlarına sınır koyabilir.

Bu nedenle başarılı bir kurumsal AI programı yalnızca çalışanlarla eğitmenin buluştuğu bir sınıf değildir.

Gerçek iş akışının sahipleri de sürecin parçası haline gelir.

İşte cohort yaklaşımının önemli avantajlarından biri burada ortaya çıkar. Program birkaç haftaya yayıldığında bu kararların eğitim dışında kaybolması yerine bir sonraki oturuma geri dönmesi mümkün olur.

Ekip yalnızca daha iyi prompt yazmayı değil, yapay zekayla çalışacak sistemi kurmayı öğrenir.

Programın sonunda elde ne kalıyor?

Sekiz haftalık veya benzer uzunlukta bir programın sonunda başarıyı "katılımcılar AI konusunda ne kadar bilgi sahibi oldu?" sorusuyla ölçmek eksik kalır.

Daha ilginç olan soru şudur:

Hangi gerçek iş akışı program başladığı güne göre daha ileride?

Müşteri destek örneğinde cevap oldukça somut olabilir.

Ekip artık hangi taleplerde yapay zeka asistanını kullanabileceğini biliyordur. Asistanın hangi kaynaklara dayanacağı belirlenmiştir. Bazı talepler otomatik olarak insana yönlendiriliyordur. Kaliteyi ölçmek için gerçek vakalardan oluşan bir test seti vardır. Sistemin bakımından kimin sorumlu olduğu da nettir.

Belki henüz tüm müşteriler için canlıya çıkmaya hazır değildir.

Ama ortada yalnızca bir demo da yoktur.

Test edilmiş bir iş akışı, bilinen sınırlar ve bir sonraki adım için karar vardır.

Kurumsal yapay zeka eğitimini klasik bir kurstan ayıran şey tam olarak bu olabilir.

Eğitim bittiğinde çalışma bitmemeli

Coyotiv'de kurumsal yapay zeka eğitimlerini bu nedenle yalnızca bilgi aktarımı olarak ele almıyoruz.

Değerlendirme, kuruma özel eğitim, gerçek iş akışları üzerinde uygulama, yol haritası ve mentorluk birbirini tamamlayan parçalar. Çünkü çalışanların bir aracı nasıl kullanacağını bilmesiyle, şirketin o aracı güvenilir ve sürdürülebilir biçimde kullanabilmesi aynı şey değil.

İyi tasarlanmış bir programın sonunda ekip, yalnızca "AI ile neler yapılabilir?" sorusuna cevap vermiyor.

Kendi işi için daha zor ve daha değerli sorulara da cevap verebiliyor:

Nerede gerçekten işe yarıyor?

Nerede insan kontrolü gerekiyor?

Hangi riskler hâlâ çözülmedi?

Ve en önemlisi, buradan sonra ne yapacağız?

Kurumsal yapay zeka eğitiminin gerçek çıktısı belki de bir sertifika değil.

Bir sonraki iş gününde kullanılabilecek kadar iyi anlaşılmış, test edilmiş ve sahiplenilmiş bir iş akışı.