Yapay Zeka ve Makine Öğrenimi, Yeni Nesil Teknolojiler ve Güvenli Geliştirme
Milyar dolarlık bahislere rağmen, somut getiriler küresel firmalar için hala zordur
Rashmi Ramesh (Rashmiramesh_) •
18 Temmuz 2025
Yapay zekaya yönelik işletme harcamaları son iki yılda hızlandı, ancak kurullar yatırımda ölçülebilir getiri için ittikçe, yöneticiler AI YG’deki “R” nin sadece bir sayı olmadığını buluyor: hareketli bir hedef.
Ayrıca bakınız: Ondemand Web Semineri | Cortex XSIAM3.0: #1 AI güdümlü SECOPS platformu
Şirketler üretken araçlar benimsemeye ve AI güdümlü ürünler oluşturmak için koştu, ancak ölçülebilir finansal etki genellikle geride kalıyor. Enterprise AI dağıtımlarını destekleyen Soaring Towers CEO’su Ryan Kane, “Etkili yatırım getirisi için gerekli olan büyük sıçramaya başlamadan önce uzun yıllar sürüyoruz – işlerin yerini alan tür,” dedi. “İnsanlar bizden çok daha yakın olduğumuzu düşünüyor.”
Mevcut yapay zeka “gerçekten zeki” değil, sofistike bir desen tanıma biçimi olduğunu söyledi.
Duygu danışmanlık liderleri, ürün inşaatçıları ve araştırmacılar tarafından yankılanıyor. Yapay zeka getirilerinin genellikle gerçekleşmediği nedenleri olarak, uyumsuz beklentilerin, uygulama kör noktalarının ve temel teknik sınırların bir karışımına işaret ediyorlar.
En görünür örneklerden biri kopilottur. “Copilot kendi başına çok az veya hiç ölçülebilir bir YG görüyor,” dedi Kane, en yaygın olarak benimsenen işletme AI tekliflerinden birinin değerini tartışarak. Araç, veri aramasını formatlar arasında hızlandırmak gibi kullanıcı deneyimini geliştirebilir, ancak bu geliştirmeleri bir finansal sistemde ölçmek zordur. “Kullanıcı verileri 30 saniye içinde organik veya hiç arayarak 3 saniye içinde bulur mu? Ölçmek zor?” Dedi.
Performansı değere çevirememe, Copilot’a özgü değildir.
UHY Consulting’in ortağı Cory McNeley, kurumsal müşterilerinin çoğunun AI için hazırlanmanın maliyetini ve karmaşıklığını hafife aldığını söyledi. “Şirketler genellikle veri temizlemek, etiketlemek ve susturan sistemlerden entegre etmek için gereken çabayı ihmal ediyorlar.” Dedi. Diğer gizli maliyetler arasında sürüklenmeyi önlemek, altyapının güncellenmesini ve düzenleyici ve güvenlik risklerinin yönetilmesi için modellerin yeniden eğitilmesi bulunmaktadır.
AI hype ayrıca sonuçları geride bırakır. Siber güvenlik başlangıç Mimoto CEO’su Kris Bondi, “AI araçları ve sonuçları hala gözetim gerektiriyor.” Dedi. Birçok kuruluşun yeterli korkuluklar olmadan AI pilotlarına atladığını veya araçların stratejik olarak nasıl kullanılacağına dair anlayışını görüyor. Diyerek şöyle devam etti: “AI araç süreçlerine veya çoğu kuruluşun AI uygulamasına sorunsuz bir şekilde yerleştirilmiyor.”
Bondi üç ana engele işaret ediyor: gözetim eksikliği, sığ kullanım kalıpları ve eski karar verme yapıları. “Kuruluşlar, bu işlevleri yerine getirmek için sorgulanmadığında veya düzgün bir şekilde eğitilmediğinde AI’dan stratejik atılımlar bekleyemezler.” Dedi. İşletmeler genellikle çürük görevleri otomatikleştirmek için üretken araçlar kullanırlar, ancak kullanımlarını daha yüksek değerli karar destek veya analize genişletmezler.
Bu sığ evlat edinme erken terk edilmeye katkıda bulunur. Kane, “Birkaç hafta sonra özellikleri denedikten ve çeşitli sonuçlar aldıktan sonra, birçok kullanıcı ürünü terk ediyor.” Dedi. Yapılandırılmış veya gerçek iş ihtiyaçlarına uyum sağlamadan, gömülü AI özellikleri bile genellikle kullanılmadı.
Zorluk daha küçük işletmeler için birleşir. Kane, genellikle çok az özelleştirme veya değerlendirme ile hazır araçlar satın alıyorlar ve sonunda köşeleri kesmek zorunda kalıyorlar, yani YG’nin elde edilmesi daha zor. Daha büyük işletmeler, kullanım durumlarını haritalamak, personelin işe alınması ve yapay zekayı iş akışlarına entegre etmek için özel kaynaklara sahip bir avantaja sahip olma eğilimindedir.
Ancak yapısal ve teknik sınırlarla karşılaşıyorlar. Santa Clara Üniversitesi İş Analizi Doçenti Ram Bala, mevcut AI sistemlerinin gerçek işletmelerin nasıl işlediğiyle hala iyi oynamadığını söyledi. Büyük dil modelleri dil işlemeyi otomatikleştirmeye yardımcı olabilir, ancak gerçek kararlar ekiplerde gerçekleşir ve yapay zeka henüz bu işbirlikçi nüansı ele alamaz.
Ayrıca, daha fazla veri eklemenin çatlakları düzelteceğine dair sürekli bir yanlış anlama var. Daha fazla veri halüsinasyon veya akıl yürütme problemlerini çözmeyecek, Slashnext’teki CTO Field CTO J Stephen Kowski, aynı mimarileri ölçeklendirmekten azalan geri dönüşleri gördüğümüzü de sözlerine ekledi.
Kowski, daha akıllı BET’in gerçek sorunları tekrarlanabilir yollarla çözen hedefli, alana özgü sistemlerde olduğunu söyledi. “Akıllı para, temel iş süreçlerini doğrudan geliştiren AI uygulamalarına hedefli yatırımlar yapan liderler üzerinde.” Dedi.
Teknik olarak sağlam dağıtımların bile net bir iş planına ihtiyacı vardır. NCC Group’un güvenlik araştırmacısı ve teknik danışmanı Thomas Atkinson, çok fazla AI sunumunun amaç yerine baskı nedeniyle yönlendirildiğini söyledi. “Birçok işletme, işlerinin yararına kullanmak yerine AI’ya tepki veriyor,” dedi ve gerici evlat edinmeden iş hedefleriyle daha kasıtlı bir uyum haline gelmeleri gerektiğini de sözlerine ekledi.
Bu, deneyin bir değeri olmadığı anlamına gelmez. Anzenot’taki CTO olan Stuart King, müşterilerin erken aşama AI projelerini bir kâr merkezi yerine bir eğitim alanı olarak gördüklerini söyledi. “İlk başta çözülmesi gereken gerçek sorunlar olmayabilir, teknolojiye aşina olmak daha sonra problem çözme yeteneklerinin artmasına yol açar.” Dedi.
Yine de, tek başına aşinalık YG’yi teslim etmeyecek. McNeley, işletmelerin başarıyı önceden tanımlamaları ve sürekli olarak ölçmeleri gerektiğini söyledi. Model çalışma süresinden çalışan inovasyon oranlarına, AI tarafından yönlendirilen yeni gelire kadar kısa, orta ve uzun vadeli metrikleri içeren katmanlı bir strateji önermektedir. “Gerçek zamanlı performans metrikleri, işletmelerin gerçek değer ve algılanan değer arasında ayrım yapmalarına izin veriyor” dedi.
Bala ayrıca şirketlere aşamalarda düşünmelerini tavsiye etti: Tasarruf edilen saatler, işbirlikçi ekip çıktısına taşınma ve sonunda gelir veya müşteri memnuniyeti gibi iş düzeyinde sonuçları ölçme gibi bireysel üretkenlikten başlayarak. Yetkili, dil üretiminin ötesine geçen mimarilere ihtiyacımız var ve akıl yürütmeye dayalı planlamayı destekliyor.
Kurul genelinde uzmanlar, mevcut modellerin çoğunun düşünür değil taklit olduğu konusunda hemfikirdir. Genellikle yüzey düzeyinde sorunları çözerken, daha derin, yapısal verimsizlikler dokunulmaz. “AI uygulamalarının çoğu yanlış sorunları çözüyor,” dedi Kowski. “Amaç, belirli sorunları gerçekten iyi çözen araçlar oluşturmak.”
Büyüyen AI bütçeleri iadeleri garanti etmez. “Kimse AI devrimini kaçıran CEO olmak istemiyor,” dedi Kowski. Ancak tek metrik görünüm ve etki değilse, YG sorunu cevaplanmaya devam edecektir.