Bir ekip rapor hazırlama süresini yarıya indirdiğini söylüyor. Başka bir ekip sunumlarını daha hızlı tamamlıyor. Müşteri yanıtları birkaç dakikada taslak haline geliyor. Bunlar sevindirici gelişmeler. Fakat yönetim toplantısında biraz daha zor bir soru sormamız gerekiyor: Bu kazanımlar şirketin hangi sonucunu değiştirdi? Müşteri daha iyi bir deneyim mi yaşadı, bekleyen işler mi azaldı, kalite mi yükseldi, yeni bir gelir fırsatı mı ortaya çıktı?
Yapay zekâ yatırımlarının ekonomik karşılığını düşünürken zaman kazancı güçlü bir başlangıç noktasıdır. Ancak zaman ile ekonomik değer arasındaki bağlantı kendiliğinden kurulmaz. Bir işin daha hızlı tamamlanması kapasite açığa çıkarabilir. Bu kapasitenin nerede kullanılacağı, iş akışındaki diğer darboğazlar ve ortaya çıkan sonucun talep görüp görmeyeceği ayrı yönetim kararlarıdır. Benim ilgilendiğim alan, hızlanma ile gerçekleşen değer arasındaki bu mesafedir.
Brüt zaman, net kapasite
Tamamen varsayımsal bir örnek üzerinden düşünelim. Yirmi kişilik bir ekip, günlük çalışma süresinden kişi başına otuz dakika kazandığını bildiriyor. Yirmi iş günlük bir ayda bu, iki yüz saatlik brüt kapasiteye karşılık gelir. Eğer AI çıktılarını kontrol etmek ve düzeltmek kişi başına günde on dakika ek çaba gerektiriyorsa, net kapasite yaklaşık yüz otuz üç saate iner. Bu hesabı gerçek bir şirket sonucu olarak sunmuyorum. Amacım, aynı örnekte ölçüm kapsamının sonucu nasıl değiştirdiğini göstermek.
Dağınık dakikalar ve darboğazlar
Şimdi ikinci soruya geçelim. Bu yüz otuz üç saat gerçekten kullanılabilir durumda mı? Gün içine dağılmış küçük zaman parçaları, her zaman yeni bir işi üstlenecek kesintisiz kapasite oluşturmaz. Bir çalışan beş ayrı noktada dört dakika kazanıyorsa, bunu uzun bir müşteri analizi için kullanamayabilir. Ekip işlerini yeniden düzenleyip bu zamanı bir araya getirebiliyorsa, ortaya çıkan kapasite daha anlamlı hale gelir. İş tasarımı tam da burada ekonomik bir meseleye dönüşür.
Üçüncü soru, kapasitenin nereye aktarıldığıdır. Teklif taslaklarını hızlandırdığınız halde fiyat onayı birkaç gün bekliyorsa, müşterinin hissettiği toplam süre fazla değişmeyebilir. Daha hızlı çalışan bir bölüm, sıradaki darboğazın önünde daha büyük bir kuyruk da oluşturabilir. Bu nedenle yalnızca görev süresine bakmak yetersiz kalır. İşin başından sonuna kadar geçen süreyi ve müşteriye ulaşan sonucu birlikte görmek gerekir.
MIT Sloan’ın 2024’te aktardığı müşteri destek araştırması bu ayrımı düşünmek için yararlı bir örnek sunuyor. Araştırmada yapay zekâ aracına erişim, saat başına çözülen sorunlar üzerinden ölçülen verimlilikte ortalama yaklaşık yüzde 14 artışla ilişkilendiriliyor. Ölçütün doğrudan iş çıktısına bağlanması önemlidir. Bununla birlikte, tek bir iş ortamındaki bu bulgudan her şirketin kârlılığının aynı oranda artacağı sonucunu çıkaramayız.
Farklı değer yolları
Yöneticinin önünde farklı değer yolları bulunur. Kazanılan kapasite, daha fazla talebin karşılanmasını sağlayabilir. Mevcut müşterilerle daha nitelikli temas kurulmasına ayrılabilir. Hataları daha erken bulmak, tekrarlayan sorunları çözmek veya çalışanların öğrenmesine zaman açmak için kullanılabilir. Her yolun sonucu ve ölçümü farklıdır. Daha çok iş yapabilmek, ancak talep ve diğer kaynaklar buna uygunsa ekonomik karşılık üretir. Kalite için ayrılan zaman ise etkisini başka bir göstergede gösterir.
Bu yüzden tasarruf edilen zamanı otomatik olarak personel maliyetiyle çarpıp kâr hanesine yazmaya temkinli yaklaşırım. Böyle bir hesap, açığa çıkan kapasitenin yaklaşık maliyet karşılığını gösterebilir. Nakit tasarrufu iddiası için harcamanın gerçekten azalması gerekir. Aynı şekilde ek satış potansiyeli, satış gerçekleşmeden gelir değildir. Kapasite, maliyet, gelir ve müşteri değeri arasındaki farkları korumak, AI yatırımını küçümsemez; değerlendirmeyi daha güvenilir hale getirir.
Çalışanla yapılan anlaşma
Burada çalışanla yapılan anlaşma da belirleyicidir. Ekipten kazanılan zamanı görünür kılmasını istiyorsak, o zamanın kullanımını konuşmalıyız. Yönetici, örneğin haftanın belirli bir bölümünü tekrar eden müşteri şikâyetlerini incelemeye ayırabilir. Ekip, AI sayesinde açılan zamanı bu çalışmaya yönlendirir. Sonra şikâyet tekrarının, yeniden iş yapma ihtiyacının veya çözüm süresinin değişip değişmediğine bakılır. Böylece hızlanma ile sonuç arasında izlenebilir bir bağlantı kurulur.
Bu yaklaşımın önemli bir sınırı var. Her fayda kısa sürede veya kolayca paraya çevrilemez. Çalışanın zihinsel yükünün azalması, daha iyi hazırlanmış kararlar veya daha tutarlı bir hizmet dili değerli olabilir. Bu etkileri sırf finansal ölçüme hemen sığmıyor diye yok saymak da yanlış olur. Yapılması gereken, etkiyi kendi uygun göstergesiyle izlemek ve parasal iddia için gereken kanıtın henüz bulunmadığını açıkça söylemektir.
Pilotta basit bir ölçüm düzeni
Bir pilotta basit ama disiplinli bir ölçüm düzeni yeterli olabilir. Karşılaştırılabilir görevleri seçer, AI öncesi ve sonrası süreleri kontrol çabası dahil kaydederiz. Kaliteyi aynı ölçütlerle inceleriz. Sonra açılan kapasitenin hangi işe yöneldiğini ve o işin sonucunu takip ederiz. İşlerin zorluğu değişmişse, aynı dönemde başka bir süreç iyileştirmesi olmuşsa veya örnek sayısı küçükse, yorumumuzu bu sınırlarla birlikte yaparız. Her olumlu farkı AI etkisi diye adlandırmayız.
Yeni sütun: kapasitenin kullanım kararı
Benim önerim, AI değerlendirme toplantısına tek bir yeni sütun eklemek: “Kazanılan kapasitenin kullanım kararı.” Bu sütunda bir iş, bir sorumlu ve gözlenebilir bir sonuç yoksa, elimizde henüz tamamlanmamış bir değer hikâyesi vardır. Araç işin bir bölümünü hızlandırmış olabilir; liderliğin görevi, bu hızın hangi önceliğe hizmet edeceğini belirlemektir.
Bir sonraki yatırım değerlendirmesinde yalnızca kaç saat kazanıldığını sormayın. Bu saatlerin hangi müşteri ihtiyacına, kalite sorununa veya büyüme fırsatına ayrıldığını da sorun. Çünkü zamanın kuruma katkısı, takvimde boşalan yer kadar, o yere ne koyduğumuzla ilgilidir. Şirketiniz bugün kazandığı zamanın kullanımını bilinçli biçimde yönetiyor mu?
Kaynaklar
- MIT Sloan, Generative AI and Worker Productivity (16 Nisan 2024)
- Erik Brynjolfsson, Danielle Li, Lindsey Raymond, Generative AI at Work, NBER Working Paper 31161