Yapay Zekâ Tedarik Talep Alımı: İş Talebini İncelenebilir Gereksinimlere Dönüştürün

Kısa yanıt

Yapay zekâ tedarik talep alımı, “bir yapay zekâ tedarikçisine ihtiyacımız var” gibi bir talebi incelenebilir bir iş problemine, kullanım sınırına, kanıt paketine, veri planına, risk sınıflandırmasına, paydaş haritasına, kabul kriterlerine ve onay kaydına dönüştüren kontrollü adımdır. Tedarikçiyle iletişime geçmeden veya bir RFP yayımlanmadan önce gerçekleşir; tedarikçi seçimi sırasında değil.

Adı belirtilmiş sahipler talebi, yapay zekâ uygunluğunu, veri erişimini, risk düzeyini, test edilebilir gereksinimleri ve değerlendirme planını onaylamadan kaynak bulma etkinliğini başlatmayın. Bu ön uç kapısı, disiplinli bir procurement process parçasıdır; idari bir formalite değildir.

Altı parçalı CLEAR talep alım çerçevesi

Bir yapay zekâ tedarik talebinin özellik istek listesine dönüşmesini önlemek için CLEAR—Bağlam, Sınırlar, Kanıt, Sorumluluklar ve Yayınlama—çerçevesini kullanın.

1. Bağlam: yapay zekâyı dayatmadan talebi tanımlayın

Şunları belgelendirin:

• Operasyonel problem ve etkilenen kullanıcılar
• Mevcut hacimler, çevrim süresi, maliyetler, hatalar, yeniden işleme, şikâyetler ve hizmet seviyeleri
• İstenen sonuç ve bunun nasıl ölçüleceği
• Hiçbir işlem yapılmamasının sonucu
• Süreç yeniden tasarımı, kurala dayalı otomasyon, mevcut araçlar ve manuel iyileştirme dâhil yapay zekâ dışı alternatifler

Örneğin, “bir yapay zekâ sözleşme aracı satın al” yeterli bir talep ifadesi değildir. İncelenebilir bir ifade şudur: “Hukuk’un sapmalar üzerindeki yetkisini korurken kategori yöneticilerinin onaylı geri dönüş şartlarını bulmak için harcadığı süreyi azaltmak.”

Birleşik Krallık hükümetinin AI procurement guidance belgesi de benzer şekilde, pazara yaklaşmadan önce çözümü dayatmak yerine problemin tanımlanmasını ve ilgili verinin mevcut olup olmadığının değerlendirilmesini önerir.

2. Sınırlar: izin verilen ve yasaklanan kullanımları belirleyin

Kullanıcıları, iş akışlarını, konumları, nüfus gruplarını, kararları, entegrasyonları ve kanalları belirtin. Ardından açık istisnaları yazın.

Bir sözleşme destek sisteminin maddeleri getirmesine, farkları özetlemesine ve sorular taslaklamasına izin verilebilir. Şartları kabul etmesi, tedarikçi taahhütleri göndermesi veya onaylı oyun kitaplarını inceleme olmadan değiştirmesi yasaklanabilir.

Ayrıca gizlilik, güvenlik, erişilebilirlik, kayıtlar, bütçe, takvim, barındırma, kimlik, entegrasyon ve saklama kısıtlarını da kaydedin. Amaçlanan kullanım ve devreye alma bağlamı, NIST AI Risk Management Framework için merkezi önemdedir.

3. Kanıt: olguları, çıkarımları ve kararları ayırın

Her talep alımı ve sonraki değerlendirme şunları ayırt etmelidir:

Bu ayrım, yeniden üretilebilir testleri destekler ve bir hatanın kaynak veriden mi, model davranışından mı yoksa aşağı akıştaki bir karardan mı kaynaklandığını belirlemeye yardımcı olur. Bu ayrım tek başına sorumluluk tesis etmez veya bir çıktının doğru olduğunu kanıtlamaz.

4. Sorumluluklar: paydaşları kararlara eşleyin

İş sahibi, amaçlanan kullanıcılar, etkilenen gruplar, tedarik, hukuk, gizlilik, güvenlik, veri, mimari, finans, kayıtlar, erişilebilirlik, risk ve uygun olduğunda iş gücü temsilcilerini dâhil edin.

“Onay için Hukuk” yazmayın. Tanımlı bir karardan sorumlu rolü adlandırın: “Bölgesel gizlilik sorumlusu, destek kayıtlarının değerlendirme amacıyla kullanımını onaylar.” Bir onay sahibinin riski kabul etme veya ilerlemeyi durdurma yetkisi olmalıdır.

5. Yayınlama: gereksinimleri test edilebilir hâle getirin

Yayınlamadan önce temel ve hedef metrikleri, test senaryolarını, önemli alt grupları, toleransları, başarısızlık eşiklerini, geçersiz kılma prosedürlerini, yedek işleme yöntemlerini, izlemeyi, değişiklik kontrolünü, taşınabilirliği ve çıkış gereksinimlerini tanımlayın.

Sonuç, daha geniş AI procurement planlamasına ve tedarikçi görüşmeleri devam edecekse yönetilen AI negotiation hazırlığına sorunsuz şekilde bağlanmalıdır.

Gerekli iç ve dış veri girdileri

İç girdiler

• Talep kanıtı: hacimler, süreç süreleri, hizmet seviyeleri, hatalar, yeniden işleme, şikâyetler, itirazlar, maliyetler ve bilinen başarısızlık biçimleri
• Operasyonel bağlam: kullanıcı rolleri, izinler, karar yetkileri, etkilenen nüfus grupları, diller, erişilebilirlik ihtiyaçları, tepe yükler ve başarısızlığın sonuçları
• Kurumsal kısıtlar: politikalar, risk iştahı, gizlilik sınıflandırmaları, kayıt takvimleri, güvenlik mimarisi, entegrasyonlar, bütçe, personel ve son tarihler
• Veri hazırlığı: envanterler, sözlükler, köken, soy ağacı, toplama yöntemleri, hukuki dayanak, kalite, bütünlük, güncellik, temsil edicilik, lisanslar ve saklama sınırları
• Değerlendirme varlıkları: temsil edici senaryolar ve mümkün olduğunda teklif verenlere sunulmayan bağımsız bir test seti
• Tedarikçi geçmişi: sözleşmeler, fiyatlar, olaylar, kesintiler, önceki pilotlar, geçiş maliyetleri ve veri hakkı kısıtları

Dış girdiler

• Geçerli yasalar, düzenlemeler, tedarik politikaları ve standartlar
• Güvenilir yapay zekâ dışı seçenekler dâhil pazar alternatifleri
• Tedarikçi mimarisi, sistem veya model kartları, sürüm geçmişi ve bağımlılık listeleri
• Meşru fikri mülkiyet kısıtlarına tabi olmak kaydıyla eğitim, ince ayar ve değerlendirme verilerinin açıklamaları
• Bağımsız kıyaslamalar ve bağlama uygun test sonuçları
• Güvenlik raporları, olay geçmişi, alt işleyiciler, barındırma sağlayıcıları, temel modeller ve açık kaynak bağımlılıkları
• Fiyatlandırma birimleri, hacim varsayımları, artış mekanizmaları ve yaşam döngüsü maliyet senaryoları
• Girdilerin, çıktıların, türetilmiş eserlerin ve ince ayarlanmış bileşenlerin mülkiyeti ve izin verilen kullanımı
• Taşınabilirlik biçimleri, API’ler, dışa aktarma prosedürleri, geçiş desteği ve çıkış ücretleri
• Uygun olduğunda kullanıcılar, alan uzmanları, çalışan temsilcileri ve etkilenen gruplardan geri bildirim

Makine öğrenimi, üretken yapay zekâ ve ajan tabanlı iş akışları nereye oturur

Makine öğrenimi, talep alım isteklerini sınıflandırabilir, talebi tahmin edebilir, mükerrerleri tespit edebilir veya ön risk göstergeleri atayabilir. Etiketlenmiş tarihsel sonuçlara, temsil edici operasyonel verilere, istikrarlı tanımlara ve doğrulama verilerine ihtiyaç duyar. Sınırlamaları arasında sürüklenme, gömülü tarihsel önyargı, yetersiz temsil edilen koşullarda zayıf performans ve yanıltıcı toplu doğruluk yer alır.

Üretken yapay zekâ, ekleri özetleyebilir, gereksinim soruları taslaklayabilir, eksik alanları belirleyebilir ve iş dilini yapılandırılmış bir ilk taslağa dönüştürebilir. Onaylı kaynak belgelere, erişim izinlerine, istem ve model sürümü kayıtlarına ve temellendirilmiş değerlendirme örneklerine ihtiyaç duyar. Desteklenmeyen ifadeler üretebilir, kısıtları atlayabilir veya tutarsız yanıtlar verebilir. NIST Generative AI Profile, köken, tedarikçi riski, izleme, olay yönetimi ve yedek düzenlemeleri vurgular.

Ajan tabanlı iş akışları, eksik bilgi talep edebilir, incelemeleri yönlendirebilir, yanıtları politikaya göre karşılaştırabilir ve sistemler arasında onay paketleri hazırlayabilir. Ek olarak izin haritalarına, araç sınırlarına, durum ve eylem günlüklerine, durdurma koşullarına ve geri alma prosedürlerine ihtiyaç duyarlar. Bir ajan, yalnızca yönlendirme koşulları sağlandı diye bir RFP yayımlamamalı, veri erişimi vermemeli, risk kabul etmemeli, tedarikçi seçmemeli veya taahhütte bulunmamalıdır.

İnsan kararları ve onay kapıları

Adı belirtilmiş insanlar şu yaşam döngüsü kapılarını onaylamalıdır:

1. Problem: İş sahibi, temel durumu ve istenen sonucu doğrular.
2. Yapay zekâ uygunluğu: Mimari veya yapay zekâ yönetişimi, daha basit alternatiflere kıyasla yapay zekânın gerekçeli olduğunu doğrular.
3. Veri yetkilendirmesi: Veri sahibi ile gizlilik veya hukuk işlevleri amacı, erişimi, paylaşımı ve saklamayı onaylar.
4. Risk sınıflandırması: Risk sahibi, kullanımın sonuç doğurucu, güvenlikle ilgili veya başka şekilde yüksek riskli olup olmadığını belirler.
5. Kaynak bulma yayını: Tedarik ve iş sahibi, gereksinimlerin ölçülebilir olduğunu ve gereksiz şekilde tedarikçiye özgü olmadığını doğrular.
6. İhale verme ve devreye alma: Yetkili sahipler kanıtı, istisnaları, güvenlik duruşunu ve artık riski kabul eder.
7. Önemli değişiklik: Bir değişiklik yetkilisi yeni modelleri, amaçları, veri setlerini, sağlayıcıları veya özerklik düzeylerini onaylar.
8. Askıya alma veya emeklilik: Yetkili bir kişi operasyonu durdurabilir, yedek işleme yöntemini devreye alabilir ve nihai veri tasfiyesini onaylayabilir.

İnsan incelemesi ancak inceleyenlerin yeterli yetkinliğe, zamana, bilgiye, bağımsızlığa ve yetkiye sahip olması hâlinde anlamlıdır.

Uygulanabilir yapay zekâ tedarik talep alım şablonu

Bunu talep alım sisteminize kopyalayın:

• Problem ve temel durum: Şu anda ne oluyor; hangi hacimde, maliyette, hızda ve hata düzeyinde?
• Sonuç: Hangi ölçülebilir sonuç gereklidir ve bundan kim fayda sağlar veya zarar görebilir?
• Değerlendirilen alternatifler: Neden süreç değişikliği, mevcut yazılım, kurallar veya hiçbir işlem değil?
• İzin verilen yapay zekâ rolü: Taslak oluşturma, sıralama, tespit, tahmin, tavsiye veya eylem?
• Yasaklanan kullanımlar: Sistem asla neye karar vermemeli, ne göndermemeli, ne saklamamalı veya neyi değiştirmemeli?
• Veri: Kaynaklar, haklar, hassasiyet, kalite, temsil edicilik, saklama ve bağımsız testler?
• Kanıt etiketleri: Olgular, model çıkarımları ve insan kararları kayıtlarda ve arayüzlerde nasıl görünecek?
• Kabul kriterleri: Metrikler, alt gruplar, gecikme, güvenlik, başarısızlık eşikleri ve geçersiz kılma gereksinimleri?
• Yaşam döngüsü kontrolleri: İzleme, olaylar, sürüm değişiklikleri, taşınabilirlik, yedek süreç ve tasfiye?
• Onay sahipleri: Problemi, veriyi, riski, yayını, ihaleyi, devreye almayı ve değişiklikleri kim onaylar?
• Açık boşluklar: Hangi varsayımlar hâlâ çözümsüz ve bunları kimin ne zamana kadar çözmesi gerekiyor?

Müzakere senaryosu: talep alımı ticari görüşmeyi değiştirir

Bir iş birimi, kullanıcı başına aylık 60 $ bedelle 400 kullanıcı için üretken yapay zekâ hizmeti talep eder: yıllık 288.000 $. Talep alımı, yalnızca 120 kullanıcının haftalık erişime ihtiyaç duyduğunu, 280 kullanıcının ise ara sıra erişim gerektirdiğini ortaya çıkarır. Ayrıca yıllık 2 milyon belge sayfasını, gerekli 48 saatlik dışa aktarma penceresini ve alıcı verileriyle eğitim yasağını da belirler.

Tedarik artık yalnızca koltuk bazlı bir çıpayı kabul etmek yerine hibrit bir paket müzakere edebilir: 120 tam koltuk, ara sıra kullananlar için kullanıma dayalı erişim, tanımlı bir sayfa kotası, üst sınırı belirlenmiş aşım fiyatlandırması, silme kanıtı, önemli model değişikliklerinden önce regresyon testi ve fiyatlandırılmış geçiş desteği. Negotiations.AI, ekip bu onaylı olguları ve kısıtları tedarikçi sorularına, takas paketlerine ve masadan kalkma noktalarına dönüştürdüğünde burada ilgili olabilir; ancak platform talep verisi icat etmemeli veya istisnaları onaylamamalıdır. Hazırlık mekanikleri için bkz. AI Negotiation Platform: What Procurement Teams Need Before Supplier Meetings.

Uygulama için yapay zekâ istemleri

• “Bu talep ifadesini ölçülebilir sonuçlara dönüştür. Desteklenmeyen varsayımları etiketle.”
• “Ekli talep alımını gözlemlenen kanıt, model çıkarımı ve insan yargısı olarak ayır.”
• “Eksik veri haklarını, test, izleme, taşınabilirlik ve değişiklik kontrolü gereksinimlerini belirle.”
• “Yalnızca onaylı talep alım olgularını kullanarak beş tedarikçi sorusu taslakla; insan doğrulaması gerektiren her şeyi işaretle.”

Sınırlamalar

Yapay zekâ tedarik talep alımı, bir ürünün uygun olduğunu kanıtlayamaz, tarihsel verilerdeki önyargıyı ortadan kaldıramaz veya olgunlaşmamış metrikleri güvenilir kabul kriterlerine dönüştüremez. Tedarikçi kıyaslamaları alıcının ortamına aktarılmayabilir, ortalama doğruluk alt grup başarısızlıklarını gizleyebilir ve açıklamalar doğruluğu kanıtlamaz.

Bağımsız değerlendirme, yalnızca tedarikçi testinden daha güçlüdür ancak her gerçek dünya koşulunu kapsayamaz. İzleme, ortaya çıkan sorunları her zararı önlemeden tespit edebilir; sağlayıcı, model, API ve güvenlik filtresi değişiklikleri ise ihale sonrasında davranışı değiştirebilir. Belirsizliği ve kanıt boşluklarını gereksinim gibi göstermeyin; bunları kayda geçirin.

Kaynaklar

• NIST AI Risk Management Framework 1.0
• NIST Generative Artificial Intelligence Profile
• UK Government Guidelines for AI Procurement
• OMB M-25-22: Driving Efficient Acquisition of Artificial Intelligence in Government
• Regulation (EU) 2024/1689—the EU AI Act

Ek okuma

• ISO/IEC 42001:2023—AI management systems
• U.S. GAO: Artificial Intelligence Acquisitions
• FAR Subpart 27.4—Rights in Data and Copyrights

SSS

Yapay zekâ tedarik talep alımı, tedarikçi değerlendirmesiyle aynı şey midir?

Hayır. Talep alımı, savunulabilir bir değerlendirme yürütmek için gereken problemi, sınırları, kanıtı, veriyi, riski ve yetkiyi tanımlar. Tedarikçi puanlaması ancak kaynak bulma yayını sonrasında başlar.

Talep edilen veri hazır değilse ne olmalıdır?

Kullanım durumunu duraklatın, daraltın veya yeniden tasarlayın. Tedarikçilerden performans sözü istemeden önce köken, kalite, haklar, temsil edicilik veya test verisi boşluklarını çözmek üzere bir sahip atayın.

Tedarik, bir tedarikçinin standart kıyaslamasını kabul etmeli midir?

Bunu uygunluğun kanıtı değil, dış kanıt olarak değerlendirin. Alıcı tarafından kontrol edilen senaryolara, ilgili nüfus gruplarına, operasyonel koşullara ve başarısızlık maliyetlerine karşı test edin.

Yapay zekâ düşük riskli bir talep alımını otomatik olarak onaylayabilir mi?

Yapay zekâ bir talebi sınıflandırabilir ve yönlendirebilir, ancak risk sınıflandırması ve kaynak bulma yayını için adı belirtilmiş bir insan sorumlu kalmalıdır. Otomasyon; kanıtı, uygulanan kuralı, model sürümünü, geçersiz kılmaları ve nihai kararı korumalıdır.

Feragatname: Bu makale genel tedarik bilgileri sağlar ve hukuki, finansal, güvenlik veya düzenleyici tavsiye niteliğinde değildir.