Makale içeriği

Giriş: "Her şeyi otomatikleştir" tavsiyesi neden çok pahalıya mal oluyor

Son üç yılda işletmelerin başına, daha önce var olmayan yeni bir gider kalemi geldi: hiçbir şeyi otomatikleştirmeyen otomasyona harcanan para. Şirket, CRM'e bir dil modeli bağlıyor, geliştirici talepleri işlemek için bir ajan kuruyor, arbitraj ekibi kreatif üreteci devreye alıyor. Altı ay sonra ortaya çıkıyor ki süreç hızlanmak yerine karmaşıklaşmış, API faturası büyüyor ve çalışanlar işi yapmak yerine sonuçları kontrol etmekle zaman harcıyor.

Oysa yan departmanda aynı yapay zekâ ile otomasyon haftada onlarca saat kazandırıyor ve bir ayda kendini amorti ediyor. Fark modellerde ya da araçlarda değil. Fark ekonomide: bazı işler doğası gereği makineye devredildiğinde kârlı, bazıları ise sistem ne kadar iyi kurulmuş olursa olsun sonsuz bir maliyet kuyusuna dönüşüyor.

Bu makale tam olarak ekonomiyle ilgili. Servisleri sıralamayacağız ve yapay sinir ağlarını karşılaştırmayacağız; blogda bunun için ayrı içerikler var. Bunun yerine otomasyon maliyetinin gerçekte nasıl işlediğini, gizli giderlerin nelerden oluştuğunu, belirli bir rutinin kendini amorti edip etmeyeceğini yarım saatte nasıl değerlendirebileceğinizi ve aynı süreçlerin bir ekipte üç kat tasarruf sağlarken diğerinde neden zarara dönüştüğünü ele alacağız.

Elinize geçecekler:

  • rutin görevlerin otomasyona uygunluğuna göre işleyen bir sınıflandırması;
  • sezgiyi hesapla değiştiren bir kârlılık matrisi;
  • yapay zekâ süreçlerine uyarlanmış ROI ve toplam sahip olma maliyeti formülleri;
  • güzel bir demoyla kandırılmanızı engelleyen bir pilot çerçevesi;
  • pazarlama, trafik arbitrajı ve geliştirme alanlarından rakamlı tipik vaka analizleri;
  • her biri birine gerçek paraya mal olmuş hataların listesi.

Bu içerik, yatırım kararlarını veren ve sonuçtan maddi olarak sorumlu olanlar için yazıldı: pazarlamacılar, işletme sahipleri, arbitraj ekiplerinin teknik liderleri ve otomasyonu kendi elleriyle kuran geliştiriciler.

Temeller: ekonomi açısından rutin nedir

Parayı hesaplamadan önce terimler üzerinde anlaşmak gerekiyor. "Rutin" kelimesi apaçık görünüyor, ama tam da bu kavramın bulanıklığı yanlış kararlara yol açıyor.

Otomatikleştirilebilir rutinin üç işareti

Ekonomik anlamda rutin, üç özelliği olan tekrarlayan bir işlemdir:

  1. Sıklık. Görev düzenli olarak yapılır: günde onlarca kez ya da ayda yüzlerce kez. Tek seferlik, çok emek gerektirse bile, bir işlem rutin değildir.
  2. Yapının öngörülebilirliği. Görevin girdisi ve çıktısı önceden tanımlanabilir. Hangi verilerin geldiğini ve neyin çıkması gerektiğini biliriz.
  3. Ölçülebilir maliyet. Bir seferlik yapımın ne kadar zaman ve para aldığı hesaplanabilir.

Bu işaretlerden en az biri yoksa, karşınızda rutin değil bir proje ya da yaratıcı bir görev var. Bu tür görevler de yapay sinir ağlarıyla hızlandırılabilir, ama ekonomileri tamamen farklı işler ve bunları otomasyon formülleriyle hesaplamak hatadır.

Deterministik ve olasılıksal otomasyon

Burada çoğu kişinin atladığı ilk temel ayrım yatıyor. Klasik otomasyon — betikler, makrolar, API üzerinden entegrasyonlar — deterministiktir. Aynı girdi her zaman aynı çıktıyı verir. Betik verileri tablodan CRM'e aktarıyorsa ya çalışır ya da hatayla düşer; ara durum yoktur.

Dil modelleri üzerine kurulu yapay zekâ otomasyonu ise olasılıksaldır. Model en olası yanıtı verir, garantili doğruyu değil. Aynı sorgu biraz farklı sonuçlar verebilir. Çoğu durumda sonuç doğrudur, ama yanıtların bir kısmı yanlışlık içerecektir ve hangisinin olacağı önceden bilinmez.

Fabrikadaki konveyör bandı ile çok yetenekli bir stajyer arasındaki farkı düşünün. Konveyör aynı parçaları üretir; bozulursa hatayı hemen görürsünüz. Stajyer çok daha fazlasını yapabilir, alışılmadık durumların üstesinden gelir, ama bazen kendinden emin ve fark edilmeden hata yapar. Stajyeri işe almanın ekonomisi ile konveyör satın almanın ekonomisi iki farklı ekonomidir. Bu yüzden klasik otomasyon deneyimini doğrudan yapay sinir ağlarına aktaramazsınız.

Tek bir işlemin maliyeti nelerden oluşur

İnsan rutini elle yaptığında işlem maliyeti basit hesaplanır: görev süresi çarpı çalışanın saat ücreti. Yapay zekâ otomasyonunda formül uzar. Tek işlem maliyetine şunlar girer:

  • model çağrısının maliyeti (girdi ve çıktı tokenları);
  • altyapı maliyeti: sunucular, kuyruklar, depolama, veriye erişim için proxy'ler;
  • öngörülmüşse sonucun insan tarafından kontrol edilme maliyeti;
  • hata maliyeti çarpı hata olasılığı;
  • tüm işlemlere dağıtılmış geliştirme ve kurulum maliyetlerinin amortismanı.

Son madde en sinsi olanı. Bir hattın geliştirilmesine 200 bin ruble harcadıysanız ve o hat ayda 500 işlem yapıyorsa, ilk ayda her işlem üzerine 400 ruble amortisman biner. 50 bin işlemde ise 4 ruble. Aynı sistem, hacme bağlı olarak ekonomik açıdan anlamsız da olabilir, mükemmel de.

Neyi kârlılık saymalı

Otomasyonun kârlılığı, biriken tasarrufun biriken maliyeti geçtiği andır. Kulağa basit geliyor, ama pratikte tasarruf bir yöntemle, maliyet başka bir yöntemle hesaplanır ve gerçeklikle bağı olmayan güzel bir sunum çıkar. Tasarruf "serbest kalan saatleri" değil, o saatlerin gerçekte nereye gittiğini hesaba katmalı. Çalışan otomasyondan sonra modelin çıktısını eskiden işi elle yaptığı kadar kontrol ediyorsa, tasarruf yoktur, faaliyet değişikliği vardır.

Derinlemesine bakış: yapay zekâ otomasyonunun gizli ekonomisi

Şimdi, satıcı sunumlarında nadiren konuşulan ama neredeyse her kurulumun sonucunu belirleyen kısma geçelim.

Ana çarpan olarak hata maliyeti

Aynı sıklıkta ve aynı elle yapım maliyetinde iki görev alalım. Birincisi gelen e-postaları konularına göre sınıflandırmak. İkincisi reklam kampanyalarındaki teklif fiyatlarını hesaplamak. Model her ikisinde de yaklaşık yüzde 3 hata yapıyor. Ekonomik olarak bunlar iki farklı evren.

Yanlış sınıflandırılmış bir e-posta başkasının bir dakikasına mal olur. Günlük bütçesi 300 bin ruble olan bir kampanyaya yanlış konulan teklif, bir gecede on binlerce rubleye mal olabilir. Bu yüzden herhangi bir otomasyonu değerlendirirken kilit parametre "model ne kadar doğru" değil, hata olasılığının maliyetiyle çarpımıdır. İşlem başına beklenen kayıp budur.

Bundan sezgiye aykırı bir sonuç çıkar: modelin doğruluğu, ancak hata pahalı olduğu kadar önemlidir. Ucuz hatalar için yüzde 90 doğrulukta bir model ve kontrolsüz çalışma yeterlidir. Pahalı hatalar için yüzde 99 bile insan olmadan yeterli değildir. Ve o zaman bu insanın maliyeti en baştan ekonomiye katılmalıdır.

Kuyruk sorunu: son yüzde 10, ilk yüzde 90 kadar pahalıya mal olur

Her gerçek görev akışında zorluk dağılımı vardır. Tipik durumlar hacmin yüzde 70–90'ını oluşturur ve kolayca otomatikleştirilir. Kalan kuyruk — alışılmadık durumlar, eksik veriler, çelişkili talepler. Otomasyonu yüzde 100'e çıkarma çabası genellikle geliştirme bütçesini iki-üç katına çıkarır, çünkü her nadir durum ayrı bir mantık, prompt ve test gerektirir.

Ekonomik olarak doğru strateji neredeyse her zaman tek bir tanedir: dağılımın başını otomatikleştir, kuyruğu insana yönlendir. Yüzde 15 durumda dürüstçe "emin değilim, operatöre aktarıyorum" diyen sistem, her şeye yanıt vermeye çalışan sistemden daha ucuz ve güvenilirdir. Modelin kendi yetkinlik sınırlarını belirleyebilmesi, tasarlanması gereken ayrı bir beceridir ve 2026'da üretken her hattın standart gereksinimi haline geliyor.

Kalite kayması ve bakım maliyeti

Üç yıl önce yazılmış klasik bir betik, veri formatı değişmediği sürece ilk günkü gibi çalışır. Dil modeline dayalı bir hat farklı davranır. Sağlayıcı modeli günceller ve aylarca ince ayar yapılmış promptlar başka sonuçlar vermeye başlar. Girdi yapısı değişir ve model alanları kaçırmaya başlar. Hacim büyür ve daha önce haftada bir görülen kuyruk vakaları artık her gün çıkar.

Yapay zekâ otomasyonunu bir yıldan fazla yürüten ekiplerin gözlemine göre, bakım giderleri ilk geliştirme maliyetinin yıllık yüzde 15–30'u kadardır. Klasik otomasyonda bu oran nadiren yüzde 10'u aşar. Kârlılık modelinizde bu satır yoksa, model sonucu en az dörtte bir oranında şişiriyor demektir.

Veri maliyeti: parası ödenmesi gereken yakıt

Her otomasyon veriyle çalışır ve bu verinin elde edilmesinin bir bedeli vardır. Pazarlama, trafik arbitrajı ve veri kazıma ile uğraşan kitle için bu özellikle önemli. Rakiplerin fiyatlarını, pazar yerlerindeki yorumları ya da farklı bölgelerdeki reklam kreatiflerini analiz eden bir yapay sinir ağı, istikrarlı bir girdi verisi akışı olmadan işe yaramaz.

Burada ekonomiye toplama altyapısı girer: kazıyıcılar, istek kuyrukları, yükü dağıtmak ve bölgesel site sürümleri ile reklam çıktılarını doğru göstermek için mobil proxy'ler. Bu tek seferlik bir alım değil, hacimle birlikte büyüyen bir işletme gideridir. Yalnızca token maliyetini hesaplayıp veri elde etme maliyetini unutan ekipler, plan ile fiili arasında istikrarlı biçimde iki-üç kat fark elde ettiler.

2026 token ekonomisi: fiyat düşüşü neden kötü ekonomiyi kurtarmıyor

Model çağrılarının maliyeti üç yılda bir büyüklük sırası kadar düştü ve trend sürüyor. Görünüşe göre bu her otomasyonu kârlı hale getirmeli. Ama başka bir şey oluyor: çağrının ucuzlaması hatların karmaşıklaşmasını teşvik ediyor. Eskiden tek bir sorgu olan yerde şimdi her biri diğerini denetleyen beş ajanlık bir zincir var. İşlem başına token sayısı, token fiyatının düştüğünden daha hızlı artıyor.

İkinci etki: olgun bir hatta modelin maliyet yapısındaki payı nadiren yüzde 20–30'u aşar. Geri kalanı geliştirme, bakım, kontrol ve veri altyapısıdır. Tokenlar bedava olsa bile kötü ekonomi kötü kalır. Bölümün kilit fikri şu: kârlılığı görevin yapısı belirler, modelin fiyatı değil.

Yöntem 1: rutin envanteri ve saat maliyetinin hesaplanması

Her kurulumun ilk pratik adımı model seçmek ya da prompt yazmak değil, ekipte gerçekte neler olup bittiğinin dürüst bir envanterini çıkarmaktır. Şaşırtıcı ama çoğu yönetici, çalışanlarının en sık yaptığı on işlemi süre tahminiyle birlikte sayamaz. Oysa bu olmadan yapay zekâ otomasyonunun nerede etki yaratacağını anlamak imkânsızdır.

Adım 1. İki haftalık işlem günlüğü toplayın

Her ekip üyesinden on iş günü boyunca tekrarlayan eylemleri kaydetmesini isteyin. Tüm işleri değil, yalnızca tekrarlayanları: dönem içinde en az üç kez yapılanları. Format basit — sütunları şöyle bir tablo: işlemin adı, kaç kez yapıldı, bir yapımın ortalama süresi, girdi neydi, çıktı neydi, en çok neyi sinir ediyor.

Son sütun şaka değil. Rahatsızlık, otomasyon potansiyeli yüksek rutinin kesin göstergesidir. İnsanlar ilginç işlerden nadiren rahatsız olurlar.

Adım 2. Saatin tam maliyetini hesaplayın

Çalışanın saat maliyeti, maaşın 160'a bölümü değildir. Buna vergiler ve primler, çalışma yeri, lisanslar, yöneticinin yönetime ayırdığı pay, izinler ve hastalık günleri girer. Çoğu şirkette gerçek saat maliyeti "saf" ücretin 1,6–2,2 katıdır. Çalışanların sözleşmeli çalıştığı arbitraj ekipleri ve küçük ajanslarda katsayı daha düşüktür, ama bunu da unutmamak gerekir.

Örnek: maaşı 120 bin ruble olan bir pazarlamacı. Saf ücret saatte 750 ruble. Tam maliyet yaklaşık 1300 ruble. Haftada 6 saatini reklam panosu raporlarını incelemeye harcıyorsa, bu rutinin yıllık maliyeti yaklaşık 400 bin ruble. Otomasyona ne kadar yatırılabileceği şimdiden belli.

Adım 3. Her işlemin yıllık hacmini hesaplayın

Günlükteki her satır için: haftalık sıklık çarpı bir yapım süresi çarpı 48 çalışma haftası çarpı saatin tam maliyeti. Ortaya rutinin yıllık maliyeti çıkar — sonraki tüm hesapların ana rakamı. Tabloyu bu sütuna göre sıralayın. Üstteki beş satır, otomasyon adaylarının gerçek listesidir. Yılda 50–70 bin ruble altındaki her şey neredeyse hiçbir zaman yapay sinir ağı geliştirmesini karşılamaz ve hazır araçlarla kapatılmalı ya da hiç dokunulmamalıdır.

Adım 4. Serbest kalan zamanın alternatif değerini belirleyin

En çok atlanan adım. Pazarlamacının haftada 6 saatini serbest bırakmak, yalnızca bu saatler daha değerli bir şeye gidecekse tasarruftur. Daha fazla hipotez testi yapacaksa, daha fazla kampanya başlatacaksa tasarruf gerçektir ve değeri çoğu zaman saat maliyetinden yüksektir. Şirketin süreçleri onu başka faydalı bir işle yüklemeye izin vermiyorsa otomasyon para üretmez, yalnızca parayı başka bir cebe aktarır.

Envanter kontrol listesi

  • İşlem günlüğü her katılımcıdan en az 10 iş günü boyunca toplandı.
  • Yalnızca dönem içinde üç ve daha fazla kez tekrarlanan işlemler dikkate alındı.
  • Saat maliyeti vergiler, altyapı ve genel giderler dahil hesaplandı.
  • Her işlem için yıllık maliyet hesaplandı.
  • İlk 5 işlem için serbest kalan zamanın nereye gideceği tanımlandı.
  • Yıllık maliyeti eşiğin altındaki işlemler yapay zekâ otomasyonundan çıkarıldı.

Yöntem 2: kârlılık matrisi — sezgi yerine üç eksen

Envanter neyin pahalı olduğunu gösterir. Ama pahalı olan her şey yapay sinir ağlarıyla otomatikleştirilmeye değmez. Şu soruya yanıt veren bir filtre gerek: "Bu görev betiklere, işe alıma ya da dış kaynağa değil de tam olarak yapay zekâya uygun mu?" Üç eksenli bir matris kullanıyoruz.

Eksen 1. Girdinin değişkenliği

Girdideki veriler ne kadar çeşitli? Veriler her zaman tek bir kaynaktan tek bir formatta geliyorsa yapay zekâya gerek yok: sıradan bir betik daha ucuza ve daha güvenilir üstesinden gelir. Dil modelleri, girdi yapılandırılmamış ya da yarı yapılandırılmış olduğunda ekonomik olarak haklı hale gelir: serbest biçimli müşteri e-postaları, farklı platformlardan ürün açıklamaları, yorumlar, rakip ilan metinleri, ekran görüntüleri.

1'den 5'e kadar derecelendirin; burada 1 — birebir aynı yapılandırılmış veri, 5 — birden çok kaynaktan serbest metin ve görüntü. 1–2 puanlı görevleri klasik otomasyona gönderin. 3–5 puanlılar yapay zekâ adaylarıdır.

Eksen 2. Hatanın maliyeti

Bir kez yanlış yapılan işlem ne kadara mal olur? 1'den 5'e kadar derecelendirin; burada 1 — hata bir dakikada sonuçsuz düzeltilir, 5 — hata maddi kayba, hesap engellenmesine, müşteri kaybına ya da hukuki riske yol açar.

1–2 puanlı görevler insan kontrolü olmadan tamamen otomatikleştirilebilir. 3 puan örneklemeli kontrol gerektirir. 4–5 puan her sonucun insan tarafından onaylanmasını gerektirir ve bu onayın maliyeti en baştan ekonomiye katılmalıdır.

Eksen 3. Hacim ve sıklık

Envanterdeki yıllık maliyeti kullanın. 1 — yılda 50 bin rubleye kadar, 5 — bir milyonun üzerinde. Bu eksen, geliştirme ve bakıma ne kadar harcayabileceğinizi belirler.

Matris nasıl okunur

İdeal kârlılık bölgesi — yüksek değişkenlik, düşük hata maliyeti, büyük hacim. Bunlar klasik başarı öyküleridir: başvuru sınıflandırma, potansiyel müşterilerin ilk işlenmesi, yapılandırılmamış belgelerden veri çıkarma, ürün açıklamalarının taslak halinde üretimi, içeriği etiketleme ve kategorilere ayırma, yorum duygu analizi, kreatiflerin özelliklerine göre ilk sıralaması.

Dikkat bölgesi — yüksek değişkenlik, yüksek hata maliyeti, büyük hacim. Burada yapay zekâ yalnızca modelin çözümü hazırladığı, insanın onayladığı karma bir şemada kârlıdır. Örnekler: teklif fiyatlarının yönetimi, tartışmalı konularda müşteri yanıtları, finansal hesaplamalar, hukuki sonuçları olan moderasyon.

Zarar bölgesi — herhangi bir hata maliyetinde düşük değişkenlik. Yapay sinir ağı burada yalnızca betikten daha pahalı ve daha öngörülemezdir. Sistemler arası veri aktarımı, aynı kaynaklardan standart rapor üretimi, dosyaların şablona göre yeniden adlandırılması — bunların hepsi klasik araçlara uygun görevlerdir ve bunları dil modeliyle çözmeye çalışmak istikrarlı biçimde aşırı harcamaya yol açar.

İkinci zarar bölgesi — diğer tüm parametreler ne olursa olsun küçük hacim. Yapay zekâ hattı geliştirmesinin sabit bir maliyeti vardır ve küçük hacim bunu seyreltemez. Görev ayda beş kez ortaya çıkıyorsa, elle yapmak ya da çalışana entegrasyonsuz hazır bir asistan vermek daha ucuzdur.

Matris uygulama örneği

Üç rutini olan tipik bir arbitraj ekibini ele alalım:

  • Farklı coğrafyalardaki rakip kreatiflerinin izlenmesi. Değişkenlik 5, hata maliyeti 2, hacim 4. İdeal bölge. Hat, istenen bölgelerin mobil proxy'leri üzerinden çıktıyı toplar, model kreatifleri tanımlar ve sınıflandırır, yeni yaklaşımları ayıklar. Sınıflandırmadaki hata az maliyetlidir, hacim büyüktür.
  • Reklam panolarındaki istatistiklerin özet tabloya aktarılması. Değişkenlik 1, hata maliyeti 3, hacim 3. Yapay zekâ için zarar bölgesi. Burada API ya da hazır bir konnektör üzerinden entegrasyon gerekir, yapay sinir ağı değil.
  • Kampanyalar arasında bütçe dağılımı. Değişkenlik 4, hata maliyeti 5, hacim 5. Dikkat bölgesi. Model gerekçeli öneriler hazırlar, medya alımcısı tek tıkla onaylar. Tam otonomi, tek bir hatanın maliyeti yüzünden ekonomik olarak savunulamaz.

Matrisle yarım saat geçirmek, aylarca başarısız denemeyi önler. Bu makaledeki her şey arasında emek/ sonuç oranı en iyi olan budur.

Yöntem 3: ROI ve toplam sahip olma maliyetinin hesaplanması

Matris hangi görevlerin uygun olduğunu söyler. ROI hesabı bunlara ne kadar harcanabileceğini ve ne zaman geri dönüş bekleneceğini yanıtlar. Aşağıda olasılıksal sistemlerin özelliklerini dikkate alan bir yöntem var.

Toplam sahip olma maliyeti formülü

Yapay zekâ otomasyonunun ilk yılındaki TCO (toplam sahip olma maliyeti) beş bileşenden oluşur:

  1. Geliştirme ve kurulum. Geliştiricinin ya da analistin saatleri çarpı tam ücret. Artı gerçek verilerle test çalıştırmalarının maliyeti.
  2. Model çağrılarının maliyeti. İşlem başına ortalama token çarpı token fiyatı çarpı yıllık işlem hacmi. Yüzde 30–50 pay bırakın: gerçek promptlar her zaman testtekilerden uzundur ve hatalarda tekrarlanan çağrılar kaçınılmazdır.
  3. Veri altyapısı. Sunucular, kuyruklar, depolama, veri toplamak için proxy altyapısı, yardımcı servis lisansları. Aylık gider çarpı 12 olarak hesaplanır.
  4. Kalite kontrolü. İnsan tarafından kontrol edilen işlemlerin payı çarpı kontrol süresi çarpı ücret çarpı hacim. Dikkat bölgesi için bu genellikle en büyük satırdır.
  5. Bakım ve uyarlama. Geliştirme maliyetinin yüzde 15–30'u. Daha azı yalnızca benzer sistemlerin işletme deneyimi varsa mümkündür.

Tasarruf formülü

Yıllık tasarruf = otomasyondan önceki yıllık rutin maliyeti eksi otomasyondan sonraki kalan elle iş maliyeti eksi beklenen hata kayıpları.

Kalan maliyet — kuyruktan insanın hâlâ yaptığı işlemler artı kontrol süresi. Beklenen kayıplar — kontrolden geçen hata olasılığı çarpı hata maliyeti çarpı hacim. Çoğu kişi üçüncü terimi atlar ve tam da bu, kâğıt üstündeki kârı gerçek zarara çevirir.

Örnek üzerinden hesaplama

Bir ajans ayda 4000 gelen talep işliyor. Yöneticiler her birinin ilk nitelendirmesine 4 dakika harcıyor: okuma, türü belirleme, sorumlu atama. Yöneticinin tam ücreti saatte 900 ruble.

Rutinin yıllık maliyeti: 4000 × 12 × 4 / 60 × 900 = 2 880 000 ruble.

İlk yılın TCO'su: geliştirme 350 000, model 4000 × 12 × işlem başına 0,8 ruble payla = 46 000, altyapı 120 000, kalite kontrolü (taleplerin yüzde 10'u 1 dakika kontrol ediliyor) 4000 × 12 × 0,1 × 1/60 × 900 = 72 000, bakım 90 000. Toplam yaklaşık 680 000 ruble.

Tasarruf: kalan iş — taleplerin yüzde 12'si insana gidiyor, her biri 4 dakika: 4000 × 12 × 0,12 × 4/60 × 900 = 346 000. Beklenen kayıplar: taleplerin yüzde 2'si yanlış sınıflandırıldı ve kontrolden geçti, hatanın maliyeti yeniden atama için 15 dakika: 4000 × 12 × 0,02 × 0,25 × 900 = 216 000. Tasarruf = 2 880 000 − 346 000 − 216 000 = 2 318 000 ruble.

İlk yılın ROI'si = (2 318 000 − 680 000) / 680 000 ≈ yüzde 240. Geri ödeme — yaklaşık üç buçuk ay. Bu iyi bir proje ve tahminlerde bir buçuk kat hata olsa bile iyi kalacak.

Şimdi aynı parametrelerle hacmi ayda 400 talebe düşürelim. Rutinin maliyeti — 288 000. TCO neredeyse değişmiyor: geliştirme ve bakım sabit, yaklaşık 500 000. Proje ilk yıl zararda ve ancak hiçbir şey bozulmazsa ikinci yılın sonunda sıfıra geliyor. Aynı görev, hacimde on kat fark — zıt sonuç.

Giriş eşiği: basit bir kural

Onlarca benzer hesaptan ampirik bir kural çıkıyor: Özel geliştirmeli yapay zekâ otomasyonu, yıllık rutin maliyeti geliştirme maliyetinin en az dört katını aşıyorsa bir yılda kendini amorti eder. İki ile dört arası oranda proje yalnızca asgari entegrasyonlu hazır araçlarla başlatılmalı. Oran ikinin altındaysa — başlatılmamalı.

Hesaplama kontrol listesi

  • TCO'nun beş bileşeni de hesaplandı, hiçbiri sıfır değil.
  • Modelin maliyetine yüzde 30'dan başlayan bir pay konuldu.
  • Kalan elle iş, hacmin yüzde 10'undan az olmayacak şekilde tahmin edildi.
  • Hatalardan beklenen kayıplar açıkça hesaplandı.
  • Hesaplama üç senaryoda yapıldı: iyimser, temel, kötümser.
  • Karar iyimser değil temel senaryoya göre veriliyor.

Yöntem 4: kandırılması imkânsız pilot

Kâğıt üstünde ROI hesabı bir hipotezdir. Onu pilot doğrular. Ama yapay zekâ projelerinin pilotlarının hoş olmayan bir özelliği var: demo neredeyse her zaman mükemmel görünür, üretim ise başka davranır. Nedeni, demonun uygun verilerle yapılması, üretimin ise gerçek veriyi almasıdır. Aşağıda bunu dikkate alan bir pilot çerçevesi var.

Adım 1. Gerçek akıştan referans örneklem toplayın

Geçen aydan görevin 200–500 gerçek örneğini alın. Seçilmiş değil, rastgele: her onuncu talep, her yirminci e-posta. Elle etiketleyin: her biri için doğru sonuç nedir. Bu sizin referansınız. Onsuz doğruluğu ölçmek imkânsız, doğruluk olmadan da ekonomi hesaplanamaz.

Evet, etiketleme zaman alır. 300 örnek için bu genellikle bir-iki iş günü uzman zamanıdır. Bu, tüm projenin en kârlı yatırımıdır: aylarca süren hatalardan korur.

Adım 2. Sistemi referans üzerinde çalıştırın ve üç metriği ölçün

  • Tipik durumlardaki doğruluk — dağılımın başındaki doğru yanıtların payı.
  • Reddetme oranı — sistemin görevi insana dürüstçe ne sıklıkta aktardığı. Sağlıklı aralık — yüzde 8–20. Sıfır reddetme, sistemin şüphelenmeyi bilmediği anlamına gelir ve bu kötü bir işarettir.
  • Gizli hata oranı — sistemin kendinden emin biçimde verdiği yanlış yanıtlar. Tam da bu rakam beklenen kayıplar hesabına girer.

Adım 3. Canlı akışta gölge modda çalıştırın

İki-dört hafta sistem insanlarla paralel çalışır ama sonuçları hiçbir yere gitmez. İnsanlar işi eskisi gibi yapar, sistem de yapar ve siz karşılaştırırsınız. Gölge mod referans üzerinde görünmeyeni gösterir: gerçek token maliyetini, yeni veri türlerindeki davranışı, gecikmeleri, veri toplama altyapısının arızalarını.

Veri kazıma ve izleme ile ilgili görevler için gölge mod özellikle önemlidir: proxy altyapısındaki gerçek yükü, başarısız isteklerin sıklığını ve model için verinin ne kadar istikrarlı geldiğini gösterir. Kesintili veri geliyorsa güzel doğruluk anlamsızdır.

Adım 4. ROI'yi gerçek verilerle yeniden hesaplayın

Önceki bölümdeki formüllere tahmin yerine ölçümleri koyun: işlem başına gerçek tokenlar, gerçek reddetme oranı, gerçek gizli hata oranı, gerçek kontrol süresi. Temel senaryo pozitif kalıyorsa, otomasyon payını kademeli artırarak üretime alın. Kalmıyorsa, tam olarak neyin tutmadığına dair kesin bilginiz var ve bu genellikle düzeltilebilir: görev alanını daraltın, kontrol ekleyin, tipik durumlar için daha ucuz bir modele geçin.

Adım 5. Otonomi seviyelerini ayarlayın

Üretim tam otonomi modunda başlatılmamalı. Sistemin sırayla geçtiği üç seviye öneriyoruz:

  1. Öneri. Sistem sonucu önerir, insan her birini onaylar. Zaman tasarrufu yüzde 30–50, risk asgari.
  2. Örneklemeli kontrollü otonomi. Sistem işlemleri kendisi yapar, insan rastgele yüzde 5–15'i ve düşük güvenli tüm durumları kontrol eder. Tasarruf yüzde 60–85.
  3. İzlemeli tam otonomi. Yalnızca hata maliyeti düşük görevler için. İnsan tek tek sonuçlara değil, toplu metriklere bakar.

Bir sonraki seviyeye geçiş — yalnızca mevcut seviyede bir ay istikrarlı metriklerden sonra. Bu yaklaşım tam tasarrufu geciktirir ama sistemin sessizce bozulduğu ve kimsenin bir hafta fark etmediği felaket senaryosundan korur.

Pilot kontrol listesi

  • Referans örneklem gerçek akıştan rastgele toplandı, en az 200 örnek.
  • Doğruluk, reddetme oranı ve gizli hata oranı ölçüldü.
  • Gölge mod en az iki hafta sürdü.
  • Altyapı dahil işlemin gerçek maliyeti kaydedildi.
  • ROI gerçek verilerle üç senaryoda yeniden hesaplandı.
  • Başlangıç otonomi seviyesi ve sonrakine geçiş kriterleri belirlendi.

Yöntem 5: karma mimari ve işin insan ile model arasında paylaştırılması

En istikrarlı ekonomik etkiyi tamamen otonom sistemler değil, iyi tasarlanmış karmalar veriyor. Her iki tarafın ucuz yapabildiğini yapmasını sağlayacak iş bölümünün nasıl kurulacağına bakalım.

Ucuz taraf ilkesi

Modelin ucuz yaptığı: büyük metin hacimlerini okumak, kaostan yapı çıkarmak, seçenek üretmek, sınıflandırmak, karşılaştırmak, özetlemek. İnsanın ucuz yaptığı: belirsizlik koşullarında karar vermek, sorumluluk taşımak, anormallikleri fark etmek, veride olmayan bağlamı anlamak.

Karma mimari, model için pahalı işlemler insana, insan için pahalı olanlar modele gidecek şekilde kurulur. Medya alımcısı kitlenin ruh halini anlamak için 400 yorum okumamalı. Model teklif değişikliği kararı vermemeli.

Model kaskadı: önce ucuz

TCO'yu düşürmenin en etkili yollarından biri kaskaddır. Birinci seviye — ucuz ve hızlı bir model ya da bariz durumları işleyen kurallar. İkinci seviye — birincinin emin olmadığı durumlar için orta sınıf bir model. Üçüncü — kalan için pahalı model ya da insan.

Pratikte kaskad, aynı nihai kalitede model çağrı giderlerini 3–6 kat azaltıyor. Ayda yüz binlerce işlemi olan hatlar için bu, kârlılıkla zarar arasındaki fark. 2026'da kompakt modellerin dar görevlerde iki yıl önceki amiral gemileriyle kaliteyi yakalamasıyla kaskad tasarım standardı haline geldi.

Kontrol noktaları ve geri bildirim

İnsanın modelin sonucunu her düzeltmesi bedava etiketlenmiş bir örnektir. Sistem bu düzeltmeleri toplayıp periyodik olarak yeniden eğitimde ya da promptlardaki örnekleri güncellemede kullanıyorsa kalite artar ve elle iş payı ek yatırım olmadan düşer. Bu döngüyü kuran ekipler altı ay sonra elle iş payını kurmayanlardan iki kat düşük tutuyor.

Altyapı katmanı: ekonominin görünmeyen kısmı

Yapay zekânın dış verilerle çalıştığı süreçlerde — fiyat izleme, farklı bölgelerdeki reklam çıktısını analiz etme, yorum toplama, pozisyon takibi — altyapı katmanı hem kaliteyi hem maliyeti belirler. Model, toplayıcının getirdiğini analiz eder. Toplayıcı eksik ya da bozuk veri getiriyorsa sonraki tüm hesaplamalar bozuktur.

Ekonomik olarak burada iki nokta önemli. Birincisi: mobil proxy'lerin ve ilgili altyapının maliyeti TCO'da hacimle ölçeklenen bir işletme gideri olarak yer almalı. İkincisi: veri kalitesi modelin maliyetini düşürür. Temiz yapılandırılmış veri kısa promptlar ve ucuz modeller gerektirir. Kirli veri ise uzun promptlar, tekrarlı çağrılar ve pahalı modeller gerektirir. Toplama kalitesine yapılan yatırım işleme aşamasında kendini amorti eder ve bu, yapay zekâ otomasyonu ekonomisindeki en hafife alınan yerlerden biridir.

Karma süreç tanımı şablonu

Otomatikleştirilecek her süreç için şunları doldurun:

  • Hangi veriler geliyor, nereden, hangi altyapı topluyor.
  • Birinci ucuz seviye hangi işlemleri yapıyor ve hangi kritere göre sonraki seviyeye aktarıyor.
  • Ana model hangi işlemleri yapıyor ve güven eşiği nedir.
  • İnsana ne düşüyor, ne kadar zaman alıyor, kararı sisteme nasıl geri dönüyor.
  • Yönetici haftada hangi metrikleri izliyor ve hangi değerlerde süreç durur.

Bu maddelerden birini bile dolduramıyorsanız, süreç üretime hazır değil.

Tipik hatalar: yapay zekâ otomasyonunda para nasıl kaybedilir

Aşağıdaki hataların her biri varsayımsal değil. Hepsi projeden projeye şaşırtıcı bir tutarlılıkla tekrarlanıyor.

Hata 1. Tanımlanmamış bir süreci otomatikleştirmek

Ekip, kimsenin kelimelerle tarif edemediği bir görevi modele vermeye çalışıyor: "yani, yönetici bakıyor ve anlıyor." İnsan karar kriterlerini formüle edemiyorsa model bunları rastgele tahmin edecektir. Önce süreci tanımlayın, sonra otomatikleştirin. Çoğu zaman tanımlama aşamasında görevin yarısının tamamen kaldırılabileceği ortaya çıkar.

Hata 2. Tasarrufu serbest kalan saatlerle hesaplamak

Sunumda: "ayda 200 saat kazandık." Gerçekte: çalışanlar bu 200 saatte modelin çıktısını kontrol ediyor ve hataları düzeltiyor. Tasarrufu teorik olarak değil, zamanın gerçekte nereye gittiğindeki fiili değişimle hesaplayın.

Hata 3. Betik gereken yerde yapay sinir ağı kullanmak

Verileri bir tablodan diğerine aktaran model, betikten yüzlerce kat pahalıdır ve betiğin hata yapamayacağı yerde hata yapar. Yapay zekâ modası sağduyuyu ortadan kaldırmaz: deterministik görevler deterministik araçlarla çözülür.

Hata 4. Yüzde yüz otomasyon hedeflemek

Dağılımın kuyruğu baştan pahalıdır. Son yüzde 10 durumu kapatma çabası bütçeyi ikiye katlar ve mantığın karmaşıklaşması yüzünden tipik durumlarda kaliteyi genellikle düşürür. Kuyruğu insanlara bırakın ve bunu en baştan ekonomiye katın.

Hata 5. Referans örneklem olmadan başlatmak

Etiketlenmiş referans olmadan sistemin doğruluğunu bilmezsiniz. Yalnızca "çalışıyor gibi" olduğunu bilirsiniz. Üç ay sonra sonuçların yüzde 8'inin yanlış olduğu ve onlara dayanan tüm kararların da yanlış olduğu ortaya çıkar.

Hata 6. Veri ve altyapı maliyetini unutmak

Hesap tokenları ve geliştirmeyi dikkate alır ama sunucuları, proxy'leri, kuyrukları, depolamayı ve veri toplama istikrarını sürdürmeye giden zamanı dikkate almaz. Plan-fiili arasında iki kat fark garantidir.

Hata 7. İlk günden tam otonomi

Sistem, "demoda her şey çalışıyordu" diye insan olmadan başlatılır. İlk büyük hata müşteri şikayetleri ya da reklam panosu faturasıyla ortaya çıkar. Otonomi seviyeleri mükemmeliyetçilik için değil, bütçeyi korumak için vardır.

Hata 8. Bakımı hesaba katmamak

Hat üç ay çalışır, sonra sağlayıcı modeli günceller ve kalite yüzde 15 düşer. Kimse fark etmez çünkü metrikler izlenmiyor ve iyileştirme bütçesi yok. Yapay zekâ otomasyonu bir satın alma değil, sürekli ayara dair bir aboneliktir.

Hata 9. Hukuki ve sözleşmesel kısıtları görmezden gelmek

Müşteri kişisel verilerini dış servislere aktarmak, kişisel veriler mevzuatının gerekliliklerine uymadan başvuru işlemeyi otomatikleştirmek, kullanıcı sözleşmesinin yasakladığı servislerde otomatik eylemler — bunların hepsi maliyeti tüm tasarrufu aşabilecek riskler yaratır. Sürecin hukuki kontrolü, sonuçlarına kıyasla ucuzdur.

Hata 10. Basitleştirmek yerine otomatikleştirmek

Çoğu zaman en kârlı seçenek rutini otomatikleştirmek değil, onu kaldırmaktır. Kimsenin okumadığı bir raporu yapay sinir ağıyla üretmeye gerek yok. İptal edilmesi gerek. Her projeden önce kendinize sorun: bu işlemi yapmayı bıraksak ne olur?

Araçlar ve kaynaklar: kurulum için değil, hesaplama için ne gerekli

Bu makale bilinçli olarak servislerle ilgili değil. Ama doğru ekonomi için belirli bir araç seti gerekir ve bundan somut adlar yerine araç sınıfları ve seçim kriterleri açısından söz etmek gerekir.

Zaman ve işlem takibi araçları

Envanter için çalışanın on saniyede bir işlemi kaydedebileceği herhangi bir araç uygundur: ortak bir tablo, mesajlaşma uygulamasında basit bir bot, etiketli bir zaman takipçisi. Tek kriter — asgari sürtünme. Kayıt bir dakikadan fazla sürüyorsa günlük eksik kalır.

TCO hesaplayıcı

Beş maliyet bileşeni ve üç senaryo içeren kendi tablonuzu kurun. Satıcıların hazır hesaplayıcıları, satıcılara avantaj sağladığı için bakım ve kalite kontrolünü sistematik olarak olduğundan düşük gösterir. On satırlık kendi tablonuz, herhangi bir yabancı araçtan daha dürüst bir sonuç verir.

Kalite değerlendirme araçları

Doğruluğu ölçmek için sistemin çıktısını referansla karşılaştıran bir mekanizma gerekir. Basit sınıflandırmalar için bir tablo yeterlidir. Üretici görevler için ya ölçekli elle değerlendirme ya da belirlenen kriterlere göre ikinci bir modelle değerlendirme ve ardından örneklemeli insan kontrolü gerekir. İkinci yaklaşım daha ucuzdur ama kalibrasyon gerektirir: 50 örnekte modelin değerlendirmelerinin insanınkilerle örtüştüğünü doğrulayın.

Üretim izleme

Her yapay zekâ sürecinin panelinde olması gereken asgari metrik seti: günlük işlem hacmi, işlem başına ortalama maliyet, reddetme oranı, insan düzeltme oranı, gecikme, veri kaynaklarına başarısız istek oranı. Herhangi bir metriğin bir haftada yüzde 20 değişmesi — ne olduğuna bakmak için sebeptir.

Veriye erişim altyapısı

Dış kaynaklarla çalışan süreçler için istikrarlı bir toplama katmanı gerekir: kazıyıcılar ya da hazır konnektörler, sıklık kontrollü istek kuyruğu, gerekli coğrafi kapsama sahip mobil proxy havuzu, ham veri deposu. Ekonomi açısından seçim kriterleri: trafik birimi başına öngörülebilir maliyet, bağlantı istikrarı, hattı yeniden yazmadan ölçekleme imkânı. Veri kaynaklarının kullanım kurallarını ve platformların kullanıcı sözleşmelerini unutmayın: etikten yapılan tasarruf zarara dönüşür.

Yetkinlik geliştirme kaynakları

En değerli yatırım araca değil, hem konu alanını hem modellerin sınırlarını anlayan ekipteki kişiye yapılan yatırımdır. Böyle bir uzman, süreçleri içeriden gördüğü için her taşerondan daha hızlı kendini amorti eder. Prompt tasarımına dair halka açık kurslar temel verir, ama gerçek yetkinlik referans örneklemli kendi pilotlarınızda oluşur.

Vakalar ve sonuçlar: nerede tuttu, nerede tutmadı

Aşağıda pazarlama, arbitraj ve geliştirmede çalışan ekiplerin pratiğinden dört genelleştirilmiş vaka var. Rakamlar yuvarlanmış, ayrıntılar değiştirilmiş ama ekonomik mantık tamamen korunmuştur.

Vaka 1. 12 bölgede reklam kreatiflerinin izlenmesi: 5 haftada amorti etti

Altı kişilik bir arbitraj ekibi, farklı ülkelerdeki rakip reklam çıktılarını ve açılış sayfalarını elle incelemeye haftada yaklaşık 25 saat harcıyordu. Analist ekran görüntüleri topluyor, yaklaşımları tanımlıyor, tabloya giriyordu.

Çözüm: gerekli bölgelerin mobil proxy'leri üzerinden toplayıcı günlük reklam materyallerini alır, model her kreatifi sabit bir şemaya göre tanımlar (teklif, mekanik, görsel teknik, hedef kitle), geçen haftaya göre yeni öğeleri ayıklar ve bir özet oluşturur. Analist günde 40 dakika özeti okur.

Ekonomi: rutinin yıllık maliyeti — yaklaşık 1,4 milyon ruble. İlk yılın TCO'su — 380 bin (geliştirme 180, model 40, proxy ve altyapı 110, bakım 50). Kalan elle iş — yüzde 15. İlk yıl tasarrufu — yaklaşık 1,1 milyon ruble. Tanımların doğruluğu — yüzde 91, üstelik kreatif tanımındaki hata neredeyse hiçbir şeye mal olmaz: özet ilgisini çektiyse analist zaten orijinaline bakar.

Neden tuttu: yüksek girdi değişkenliği, düşük hata maliyeti, büyük hacim. Ders kitabı niteliğinde ideal bölge.

Vaka 2. Pazar yerlerindeki mağaza zinciri için otomatik yorum yanıtları: yalnızca karmada tuttu

Ayda 3000 yorumu olan bir satıcı, yanıtları tamamen otomatikleştirmek istedi. İlk sürüm otonom çalıştı. Üç hafta sonra şirketin vermediği sözleri içeren yanıtlar ve bir şikayete uygunsuz tonda verilmiş, sosyal medyada yayılan bir yanıt ortaya çıktı. Doğrudan kayıp yoktu ama itibar riski ciddi biçimde değerlendirildi.

İkinci sürüm: model taslaklar oluşturuyor, yorumları üç risk kategorisine ayırıyor. Olumlu ve nötr yorumlar (yaklaşık yüzde 70) yasaklı ifadeler listesine karşı kontrol edildikten sonra otomatik yayınlanıyor. Olumsuz ve tartışmalı olanlar hazır bir taslak ve nelere dikkat edilmesi gerektiğine dair bir ipucuyla yöneticiye gidiyor.

Ekonomi: yanıtlara harcanan zaman ayda 90 saatten 28 saate düştü. Yıllık tasarruf — TCO yaklaşık 220 bin iken yaklaşık 670 bin ruble. Geri ödeme — 4 ay. Tamamen otonom sürüm kabul edilemez risk düzeyinde yüzde 15 daha fazla tasarruf sağlardı.

Ders: hata maliyeti mimariyi belirledi. Tam otomasyon ile elle çalışma arasında seçim yapmak gerekmiyordu; akışı bölmek gerekiyordu.

Vaka 3. 400 SKU'lu bir e-ticaret mağazası için ürün kartı üretimi: amorti etmedi

Küçük bir mağaza ürün açıklamaları yazmayı otomatikleştirmeye karar verdi. Geliştirici bir hat kurdu: özellik toplama, metin üretimi, özgünlük kontrolü, yükleme. Geliştirme maliyeti — yaklaşık 150 bin ruble.

Sorun: 400 kart tek seferlik bir hacimdi. Katalog doldurulduktan sonra ayda 10–15 yeni ürün geliyordu. Bu kartları elle yazmanın yıllık maliyeti — yaklaşık 40 bin ruble. Proje ancak dört yıl sonra sıfıra gelirdi ve o zamana kadar hat yeniden yazılması gerekirdi.

Doğrusu ne olurdu: ilk 400 kartı hazır bir asistan ve metin yazarıyla 30–40 bin rubleye doldurmak, yeni kartları asistanın ipuçlarıyla elle yazmak. Hiç özel geliştirme yok.

Ders: küçük hacim, çözümün kalitesinden bağımsız olarak ekonomiyi öldürür. Kârlılık matrisi bunu on dakikada gösterirdi.

Vaka 4. SaaS ürünü desteğinde gelen başvuruların triyajı: düzeltmeden sonra amorti etti

Geliştirme ekibi başvuruların ilk sınıflandırmasını otomatikleştirdi: konu belirleme, aciliyet, uzman atama. İlk sürüm referansta yüzde 94 doğruluk gösterdi ve örneklemeli kontrolle başlatıldı.

İki ay sonra ortalama işlem maliyeti hacim değişmeden 2,3 kat arttı. İnceleme şunu gösterdi: hat, modele müşteriyle tüm yazışma geçmişini gönderiyordu ve bu zamanla büyüyordu. İşlem başına tokenlar her başvuruyla artıyordu.

Düzeltme: yalnızca son mesajın ve geçmişin kısa özetinin ucuz bir modelle önceden çıkarılması, ardından ana sınıflandırma. İşlem maliyeti ilk değerin altına düştü, doğruluk değişmedi. Düzeltmeden sonra yıllık tasarruf — TCO 520 bin iken yaklaşık 1,8 milyon ruble.

Ders: işlem maliyetini izlemek bürokrasi değildir. Onsuz gider artışı altı ay sonra fark edilirdi ve biriken aşırı harcama tasarrufun önemli bir kısmını yerdi.

SSS: yapay zekâ otomasyonu ekonomisine dair zor sorular

Hangi işlem hacminden itibaren özel yapay zekâ otomasyonu kurmak mantıklı?

İşlem sayısına değil, rutinin yıllık maliyetine bakın. Ampirik eşik — rutinin maliyeti geliştirme maliyetini en az dört kat aşmalı. Tipik küçük bir geliştirme olan 150–300 bin ruble için bu, yılda 600 bin ile 1,2 milyon ruble arası maliyette bir rutin anlamına gelir. Bu eşiğin altında entegrasyonsuz hazır araçlar kullanın ya da hiç otomatikleştirmeyin.

Model sağlayıcısının fiyatları ya da koşulları değiştirme riskini ekonomiye nasıl katarım?

Sağlayıcıya bağımlılığı ayrı bir risk olarak değerlendirin. Pratik önlemler: model değişikliği tüm sistem yerine tek bir modülün değişmesini gerektirecek şekilde hattı tasarlayın; yeni bir modeli bir günde doğrulamak için referans örneklemi saklayın; TCO'ya token maliyeti için yüzde 30'dan başlayan pay koyun. Son yılların trendi fiyat düşüşü ama tarife yapısı öngörülemez biçimde değişiyor.

Ekonomiye yalnızca zaman tasarrufunu değil kalite artışını da katmalı mıyım?

Evet ama dikkatli. Otomasyon süreci hızlandırmakla kalmayıp sonucu da iyileştiriyorsa — örneğin model, insanın kaçırdığı içgörüleri yorumlarda buluyorsa — bu değer yaratır. Ama ölçülmesi daha zordur ve kolayca şişirilebilir. Kural: temel senaryoyu yalnızca zaman tasarrufu ve hata azalması üzerinden hesaplayın. Kalite artışını karar için gerekçe değil, ek argüman olarak değerlendirin.

Pilot neden mükemmel sonuç gösterirken üretim hayal kırıklığı yaratıyor?

Üç tipik neden. Birincisi: pilot seçilmiş verilerle yapıldı, gerçek akıştan rastgele bir örneklemle değil. İkincisi: pilotta dağılımın kuyruğu yoktu çünkü nadir durumlar kısa sürede ortaya çıkmaya fırsat bulamadı. Üçüncüsü: pilotta kontrol maliyeti dikkate alınmadı çünkü kontrolü hevesle geliştiricinin kendisi yapıyordu. Referans örneklemli ve gölge modlu pilot çerçevesi üçünü de kapatır.

Doğrudan parayla ölçülmeyen bir hatanın maliyetini nasıl tahmin ederim?

Asgari tahmin olarak düzeltme süresini kullanın. Fark edilip 15 dakikada düzeltilen bir hata, çalışanın 15 dakikalık ücreti artı tespit süresine mal olur. İtibar ve hukuki riskler için senaryo yaklaşımını kullanın: ciddi sonuç olasılığı nedir ve en kötü gerçekçi durumda ne kadara mal olur. Kaba bir tahmin bile tablodaki sıfırdan iyidir.

Bulut API'ler yerine kendi sunucularımızdaki modelleri kullanırsak ekonomi ne kadar değişir?

Yerel barındırma değişken maliyetleri sabit maliyetlere çevirir. Bu, büyük ve istikrarlı hacimlerde ve veriyi şirket içinde işleme dair katı gereksinimlerde avantajlıdır. Ayda birkaç milyon işlemin altındaki hacimlerde, ekipman, yönetim ve model güncelleme maliyetleri dahil edildiğinde bulut API'ler neredeyse her zaman daha ucuzdur. Yerel barındırma lehine ayrı bir argüman — kişisel veriler mevzuatının gereklilikleri, ekonomiden bağımsız olarak bulut seçeneğini kabul edilemez kılabilir.

Veri toplama altyapısının giderleri ile modelin giderleri nasıl ilişkilidir?

Belirli sınırlar içinde birbirlerine ters bağımlıdırlar. Temiz, yapılandırılmış, eksiksiz veri kısa promptlar ve ucuz modeller kullanmaya izin verir. Eksik ve tekrarlı kirli veri ise uzun promptlar, tekrarlı çağrılar ve anlamı yeniden kurmak için pahalı modeller gerektirir. İzleme ve kazıma süreçleri için istikrarlı bir toplama altyapısına yapılan yatırım — güvenilir mobil proxy'ler ve alınan verinin kalite kontrolü dahil — çoğu zaman işleme giderlerindeki azalmayla kendini amorti eder.

Hesap sınırda bir kârlılık gösteriyorsa ne yapmalıyım?

Temel senaryoda sınırda kârlılık neredeyse her zaman gerçekte zarar anlamına gelir, çünkü gerçek kötümser senaryoya daha yakındır. Üç seçenek: görevi en iyi ekonomiliye sahip akışın bir kısmına daraltın; özel geliştirmeyi daha düşük sabit maliyetli hazır bir araçla değiştirin; hacim büyüyene kadar erteleyin. Sınırda bir projeyi "denemek için" başlatmak, başkalarının hatalarından daha ucuza elde edilebilecek bir deneyime para harcamaktır.

Yönetimi ya da müşteriyi otomatikleştirmek istedikleri bir süreci otomatikleştirmemeye nasıl ikna ederim?

Üç senaryoda TCO ve tasarruf hesabını gösterin. Rakamlar argümanlardan daha iyi ikna eder. Ardından alternatif önerin: bunun yerine daha iyi ekonomili ne otomatikleştirilebilir. Alternatifsiz ret direniş olarak algılanır; hesaplı ve alternatifli ret ise uzmanlık olarak.

Sonuç: teknoloji değil, ekonomi karar verir

Tüm makaleyi tek bir düşünceye indirgersek şu olur: yapay zekâ ile otomasyonun kârlılığını modelin yetenekleri değil, görevin yapısı belirler. Aynı yapay sinir ağı bir görevde yatırımı bir ayda geri getirir, diğerinde asla. Fark girdinin değişkenliğinde, hata maliyetinde, hacimde ve tüm maliyet bileşenlerinin ne kadar dürüst hesaplandığındadır.

Kendini amorti eden görevler: yüksek veri değişkenliği, düşük ya da orta hata maliyeti, yıllık rutin maliyeti geliştirme maliyetinin kat kat üstünde. Sınıflandırma, çıkarma, özetleme, izleme, akışların ilk işlenmesi.

Kendini amorti etmeyen görevler: betikle daha ucuza kapatılabilecek yapılandırılmış deterministik işlemler; sabit giderleri seyreltemeyen küçük hacimler; tek bir hatanın yıllık tasarrufu yediği, insansız kritik kararlar.

Yalnızca karmada amorti eden görevler: büyük hacimde yüksek hata maliyeti. Model hazırlar, insan onaylar, sistem düzeltmelerden öğrenir.

Sonraki adımlar

  1. İki hafta boyunca rutin envanteri yapın. Her işlemin yıllık maliyetini saatin tam ücretiyle hesaplayın.
  2. İlk 5 işlemi üç eksenli matristen geçirin. Deterministik görevleri ve küçük hacimleri ayıklayın.
  3. Kalanlar için TCO ve tasarrufu üç senaryoda hesaplayın. Kararı temel senaryoya göre verin.
  4. Referans örneklemli ve gölge modlu bir pilot başlatın. Ekonomiyi gerçeklerle yeniden hesaplayın.
  5. Otonomi seviyeleri üzerinden üretime çıkarın. İşlem maliyetini ve düzeltme oranını haftalık izleyin.

Bu yol ilk süreç için altı ila on hafta sürer. Bir akşamda hazır ajanı bağlamaktan daha yavaştır. Ama inovasyon kurulumu raporları değil, para kazandıran otomasyona götüren tek yoldur. Teknolojiler her yıl değişecek. Burada anlatılan ekonomi ise aynı kalacak.