İş bölümü kültürü üretimin o kadar doğal bir parçası ki, hemen her durumda hiç düşünmeden fonksiyona bağlı iş bölümü prensiplerine göre organize olmaya meylediyoruz. Veri bilimi ve yapay zeka takımlarında da bu görülüyor: Bir veri mühendisi veriyi hazırlar, bir araştırmacı modeli kurar, bir yapay zeka mühendisi modeli işler hale getirir, bir başkası modelin sonuçlarını değerlendirir, bütün bunlar bir proje ya da ürün yöneticisi tarafından koordine edilir. Örneğin aşağıdaki iş akışında her bir fonksiyonun ayrı bir uzman tarafından yürütülmesi gibi.

Eğer söz konusu olan tam olarak ne yapmanız gerektiğini bildiğiniz bir üretim süreciyse, bu yaklaşımın çok iyi çalışacağına süphe yok. Her bir fonksiyonda uzman kişilerden oluşan bir ekip, doğru koordine edildiğinde hızla ürünleri oluşturacak, projeleri tamamlayacaktır. Fakat veri bilimi ve yapay zeka projelerinin önemli bir kısmında ne yapacağınızı baştan bilmek neredeyse imkansızdır. Eğer neyin nasıl yapılması gerektiği tam olarak biliniyor olsaydı, sorununuzu çözen bir yapay zeka uygulamasını dış kaynaklardan almak pek çok durumda en verimli çözüm olurdu. Oysa -bazı istisnalar dışında- henüz yapay zeka uygulamalarını kutusundan çıkarıp, sunucuya yükleyip uygulamaya başlamak sözkonusu değil. Her bir uygulamanın özenle geliştirilmesi ve süreç içinde iyileştirilmesi gerekiyor.

Veri bilimi ve yapay zeka uygulamaları bir yürütme fonksiyonundan (executive function) ibaret değildir, özünde yeni iş becerileri öğrenme ve geliştirme amacı taşırlar, deneme yanılma ve süreç içerisinde öğrenme vazgeçilmezdir. Netflix’in paha biçmekte zorlandığı tavsiye motorunu işe başlarken tam olarak nasıl yapacağını bilmediğine emin olabilirsiniz. Oysa fonksiyonel iş bölümü prensiplerine göre organize edilmiş bir ekip için deney yapmak oldukça verimsizdir. Ekipteki her bir uzmanın yapılacak deneyi en azından temel bir seviyede anlaması gerekir, ekip büyüdükçe koordinasyon zamanı/masrafları karesel olarak artar (n kişilik bir ekipte yaklaşık n² ilişki vardır), her bir uzman sadece kendi alanını gördüğü için çözümler genel bağlamdan uzaklaşır.

Bu şekilde organize olmuş çıkmaz sokaklarda aylar kaybeden bir ekiptense ürün/projenin tamamından sorumlu bir veri bilimci hızlı deneylerle günler içerisinde doğru yaklaşımı geliştirebilir. Elbette bu kişi her bir fonksiyonu en iyi ve hızlı şekilde yerine getiremez fakat yapay zeka projelerinin başarısı herhangi bir fonksiyonun mükemmel gerçekleştirilmesinden gelmez, yepyeni bir iş becerisi geliştirdiğimizde başarılı oluruz.

Elbette bütünsellik yaklaşım da her iş süreci için uygun değildir. Öncelikle, Deneme-yanılma metodunun uygulanabilir olması için öncelikle yanılma maliyetlerinin düşük olması gerekir. Ayrıca sistem erişilebilirliği kısıtlarının büyük önem taşıdığı durumlarda iş bölümü yöntemi tercih edilir. En son olarak da bütünselci bir yaklaşım için gerekli donanıma sahip insan kaynağını bulmanın zorluğunu not edebiliriz.