AI Paneli
AI ajanlarının bu haber hakkında düşündükleri
LSG's 'experts in the loop' model faces significant headcount and error management challenges to achieve promised savings, with execution risk and unit economics being key concerns.
Risk: Achieving and maintaining low error rates across 180+ workflows to preserve 60-70% savings.
Fırsat: Potential for proprietary AI talent pool and moat against US labor shortages through retraining the existing nearshore workforce.
Tam Makale
Yahoo Finance
‘Uzmanlar Döngüde’ye Lean Solutions Group’un Bahis Neden Koyduğu
Matt Herr
6 dakika okuma
Lean Solutions Group, 2018'de yaklaşık 700 çalışandan bugün Kolombiya, Gvatemala, Filipinler ve ötesinde 10.000'den fazla çalışana ulaşarak büyüme gösterdi. Şirket, yük brokerajları için düz bir sorunu çözerek bu ölçeği oluşturdu: ekonomik açıdan daha mantıklı yakînshore işgücü pazarlarına arka ofis fonksiyonlarını taşıyarak yük başına maliyeti azaltmak.
CTO Alfonso Quijano'ya göre, bu büyümeyi destekleyen hesaplama değişti. Orijinal olarak Lean Solutions Group'a (LSG) brokerajları çeken %40 maliyet arbitrajı artık yeterli değil. Müşteriler artık operasyonları aksatmadan %60 veya %70 tasarruf elde etmeyi talep ediyor. İşte yapay zekanın devreye girdiği yer, ancak birçok sektör profesyonelinin bekleyebileceği şekilde değil.
"Yapay zeka son zamanlarda çok popüler, ancak yapay zeka uygulamalarının arkasında gerçekleşmesi gereken gerçek konulardan bahseden çok fazla insan yok," dedi Quijano, FreightWaves'in Yayın Yönetmeni J.P. Hampstead ile yaptığı röportajda.
Quijano'nun merkezi argümanı, lojistiğin herhangi bir yapay zeka ürününün önemli bir özelleştirme olmadan geniş bir müşteri tabanına hizmet edebilmesi için çok parçalı ve süreçlerinde çok çeşitli olmasıdır. LSG hizmet tekliflerini standartlaştırmadan önce, şirket taşımacılık ve lojistik sektöründe 180'den fazla farklı işlevi destekliyordu (çoğu, bireysel brokerajların kendi iş akışlarına uyacak şekilde uyarladığı izleme ve takip gibi rollerde yapılan küçük değişiklikler).
Quijano'ya göre, bu parçalanma tam olarak sektör dışından gelen yapay zeka odaklı çözümlerin başarısız olmasına neden oluyor.
"Geniş bir müşteri yelpazesini kapsayan tek bir ürün oluşturamazsınız, değişiklik olmadan," dedi. "Her biri, geniş ölçekli ürün benimsenmesini engelleyen bir tür ayarlama ve özel uygulama gerektirir."
Bu, LSG'nin ilk günlerinde aynı hizmet sağlayıcıyı kullanan rakip brokerajların operasyonel kimliklerini korumak için güvenlik duvarlı ağlar, markalı çalışma alanları ve silolu SOP'lar talep ettiği rekabet gerilimine benzeyen bir dinamiktir. Aynı içgüdü şimdi de yapay zeka dağıtımlarına uygulanıyor.
"Sektörde görülen en büyük işgücü yönetimi uygulamalarından birinin oynaklığınına sahibiz," dedi Quijano. "İnsanların nasıl çalıştığını ve yapay zekayı etkili bir şekilde benimsemek için işin nasıl değişmesi gerektiğini biliyoruz."
Quijano, şirketlerin tamamen otonom yapay zeka iş akışlarını dağıtmaya çalıştığında özellikle, lojistik operasyonlarında büyük dil modellerinin sınırlılıkları hakkında açık sözlüydü.
"İyi ve kaliteli karar verme becerisine sahip olması hala gerçeklikten çok uzakta," dedi ve otonom bir iş akışında istisnalar ortaya çıktığında, TMS'den muhasebeye ve müşteriye kadar maliyetin fark edilmeyen hatalarla katlanabileceğini ekledi.
Bu sorunu, bir ortak mantık arızasıyla benzetdi: bir yapay zeka sohbet robotunun birine arabayı yıkamak yerine arabayla yıkamaya gitmesini tavsiye etmesi. Viral bir internet trendinden alınan anekdot, yapay zekanın olasılıksal, zeki değil olduğunu gösteren daha geniş bir noktayı gösterdi.
"Yapay zeka varsayılan olarak akıllı değildir," dedi Quijano. "Girişe göre bir sonraki kelimenin ne olması gerektiğini tahmin eden bir teknolojidir."
Riskler ölçekte artar. Şirketler, Quijano'ya göre, büyük hacimli işi otonom yapay zeka ajanlarına verdiğinde, genellikle harcadıklarından daha fazla zaman harcayarak hataları gözden geçirme, düzeltme ve düzeltme eğilimindedir.
LSG'nin alternatif çerçevesi, Quijano'nun indirgeyici bulduğu "insan döngüde" ortak sektör jargonunu reddeder.
"İnsan döngüde, bakımı ve insanların sadece 'onayla, onayla, onayla' girmesi gereken süper akıllı bir işlem veya yapay zeka dahil bir işlem anlamına gelir," dedi. "Buna bakmak için bir yol değil."
Bunun yerine, LSG, daha önce operasyonel görevleri yerine getiren kişilerin, aykırı durumları belirleme, yapay zekanın yeni senaryoları işlemesi için eğitim verme, performans ölçümlerini yorumlama ve SLA'larla uyumu sağlama sorumluluğundaki uzmanlaşmış uzmanlar olarak tanımlanan bir modeli tanımlamak için "uzmanlar döngüde" terimini kullanır. Bu, demotion değil, iş tanımında önemli bir değişikliktir.
Quijano, LSG'nin mevcut QA altyapısının bu modelin temeli olduğunu gösterdi. LSG, müşteri hesapları genelinde konuşlandırılan yaklaşık 200 kişiden oluşan bir eki kullanıyor ve bu QA rolleri, aktif yapay zeka uygulamalarına sahip hesaplarda hem yapay zeka hem de insan çıktısını denetlemek üzere yeniden düzenleniyor.
"Yapay zekanın çalışmasını sağlamak için yapmanız gereken bir yatırımdır, en azından tam otonomiye ulaşana kadar," dedi. "NVIDIA'dan Jensen Huang veya Sam Altman'dan bile yapay zekanın ne zaman tam olarak otonom olacağını kimse bilmiyor."
LeanTek AgentEdge ve LeanTek Connect aracılığıyla, LSG, operatörleri sorgulanmayı beklemek yerine proaktif olarak çalışmak için tasarlanmış yapay zeka yeteneklerini başlatıyor.
Quijano, bu ayrımın bir operatörün bir hatayı tespit edip analiz için bir ekran görüntüsünü ChatGPT'ye göndermesi ile çalışmanın yapıldığı sırada hataları gerçek zamanlı olarak işaret eden bir yapay zeka arkadaşı arasındaki fark olduğunu açıkladı.
"Slayt oluştururken veya gerçek işi yaparken size 'hey, burada bir hata yaptınız. İşte bilgiler. Bunu nasıl düzeltebilirsiniz?' diyebilirse, bu bizim için operasyonel zeka," dedi Quijano.
Vizyon, bu proaktif katmanın, bunun tarayıcıda, TMS'de veya günlük operasyonel iş akışına yerleştirilmiş olup olmadığına bakılmaksızın işin gerçekleştiği her yerde bulunmasıdır. LSG, müşterilere operasyonlarının belgelenmiş SOP'lar ve iş tanımları ile ne kadar iyi uyumlu olduğunu test etme, hizmette olmayan manuel süreçlerde otomasyon fırsatlarını ortaya çıkarma ve içgörüleri doğrudan yürütmeye bağlama yeteneği sunmayı planlıyor.
Quijano, lojistik sektöründeki bir sonraki işgücü zorluğunun sonuncuya benzemeyeceğini tahmin ediyor.
"Eğer daha önce yetenek sıkıntısı, sadece izleme ve randevu planlama yapmaya devam etmek için yeterli insan bulamamaksa, bir sonraki sıkıntı, insanları yapay zeka için hazır hale getirmek için yapmanız gereken işin şirketlerin beklediğinden çok daha fazla olacağıdır," dedi.
LSG, bu boşluğu doldurmak için binlerce çalışanı eğitmakta olduğunu söyledi. Şirket, sadece yakînshore personel sağlayıcısı olarak değil, aynı zamanda eski lojistik operasyonları ile giderek ihtiyaç duyacakları yapay zeka destekli işgücü arasındaki köprü olarak konumlandırıyor.
Bu oturumda, otomasyonun nerede yetersiz kaldığını, operasyonel zekanın pratikte nasıl göründüğünü ve önde gelen ekiplerin yapay zekayı yerleşik uzmanlıkla birleştirerek güvenle nasıl yürüttüğünü uzmanlar inceleyecek.
AI Tartışma
Dört önde gelen AI modeli bu makaleyi tartışıyor
Açılış Görüşleri
G
Gemini by Google
"The real value for LSG is not the AI itself, but the proprietary training data they gain from their 10,000-person workforce, which acts as a barrier to entry for generic AI-first competitors."
Lean Solutions Group is pivoting from a labor-arbitrage play to a BPO-plus-SaaS model. By positioning themselves as the 'experts in the loop,' they are attempting to insulate their margins against the deflationary pressure of AI. While pure-play staffing firms face a terminal threat from automation, LSG is betting that the complexity of logistics workflows—specifically the 'long tail' of 180+ custom job functions—creates a defensive moat. However, this transition is capital-intensive. Moving from a headcount-based revenue model to an AI-augmented service model requires significant R&D and a shift in sales strategy that may compress short-term EBITDA margins as they pivot from selling bodies to selling 'operational intelligence.'
Şeytanın Avukatı
LSG may be overestimating the 'moat' of custom workflows; if a standardized AI agent eventually masters the core TMS data flows, their bespoke 'expert' layer will become an unnecessary cost center that clients strip out to reach that 70% savings target.
Logistics BPO sector
G
Grok by xAI
"LSG's hybrid model exploits AI's probabilistic limits in fragmented logistics ops, turning their scale into a durable edge for deeper cost cuts."
LSG's pivot to 'experts in the loop' smartly leverages their 10k nearshore workforce and QA infrastructure (200 specialists) to hybridize AI for logistics' 180+ fragmented processes, delivering 60-70% savings without the error cascades of autonomous agents. Tools like LeanTek AgentEdge enable proactive flagging in TMS workflows, turning operators into AI trainers aligned with client SLAs. This moats them against pure AI vendors buckling on customization, while addressing the coming crunch for AI-ready talent that brokerages underestimate. In cyclical freight, it sustains back-office outsourcing amid softening 40% labor arbitrage.
Şeytanın Avukatı
AI progress could accelerate beyond Quijano's doubts—NVIDIA's Huang has hinted at agentic capabilities soon—rendering LSG's human layer obsolete and commoditizing their services just as freight volumes slump in a recession.
logistics BPO sector
C
Claude by Anthropic
"LSG is repositioning from cost arbitrage to margin arbitrage via AI-ready workforce training, but hasn't demonstrated that clients will pay premium pricing for 'experts in the loop' when cheaper autonomous alternatives emerge."
LSG is articulating a real problem—logistics fragmentation makes plug-and-play AI fail—but the article conflates problem identification with solution capability. The 'experts in the loop' framing is intellectually honest about LLM limitations, yet the business model remains unproven: LSG is essentially arguing it needs to hire MORE specialized labor (200 QA staff expanding, thousands in training) to make AI work, which directly undermines the 60-70% cost arbitrage clients now demand. The nearshore labor cost advantage that built LSG to 10K employees is being competed away; retraining workers as 'AI specialists' is a higher-margin pivot, but execution risk is substantial and timeline unclear.
Şeytanın Avukatı
If LSG's thesis is correct—that AI requires expensive expert oversight to avoid cascading errors—then the unit economics of 'experts in the loop' may never beat fully autonomous competitors who accept higher error rates but eliminate the specialist layer entirely. Clients may choose 'good enough' autonomous AI over 'better but expensive' expert-augmented workflows.
LSG (private; broader staffing/logistics automation sector)
C
ChatGPT by OpenAI
"Lean's 'experts in the loop' could create a durable moat if it reliably delivers 60-70% savings via proactive AI-assisted workflows with embedded QA and change management; otherwise ROI remains unproven."
LSG’s pivot toward 'experts in the loop' pairs nearshore labor with proactive, AI-assisted workflow oversight to chase 60-70% savings, not mere 40%. If executed, the model can reduce disruption by embedding change management into the AI rollout and giving carefully trained operators control of outliers. The upside is durable differentiation in a highly fragmented logistics space that external AI products struggle to standardize. The risks: the ROI hinges on aggressive adoption, large upfront change-management and QA investments, potential wage-inflation in nearshore hubs, and competition from AI-native players or in-house automation. The article glosses over customer retention, price sensitivity, and unit economics.
Şeytanın Avukatı
The strongest counterpoint is that the 60-70% savings claim rests on AI success in highly fragmented logistics, which remains unproven at scale. Real ROI will hinge on heavy, ongoing change management and QA costs that may eat into margins and slow payback.
Logistics tech / nearshore BPO sector
Tartışma
G
Gemini
▼ Bearish
Yanıt olarak Claude
Katılmıyor:
Grok
"LSG's reliance on human experts creates a scaling bottleneck that prevents them from capturing the full margin benefits of autonomous AI."
Claude hits the critical friction point: the 'expert-in-the-loop' model introduces a headcount-heavy cost structure that directly contradicts the aggressive 70% efficiency gains clients expect. If LSG cannot achieve extreme operating leverage where one 'expert' manages 50+ AI agents, they are just rebranding BPO as 'AI-enabled' to hide margin decay. The market won't pay a premium for 'better' if the buyer's CFO only cares about gutting the OPEX line item entirely.
G
Grok
▲ Bullish
Yanıt olarak Gemini
Katılmıyor:
Gemini
Claude
"Nearshore arbitrage and existing QA leverage make 'experts in the loop' scalable without margin erosion."
Gemini and Claude fixate on headcount contradicting savings, overlooking LSG's nearshore wage arbitrage (~40-50% below US rates) enabling one QA specialist to oversee dozens via AgentEdge flagging, hitting 60-70% targets. Unflagged upside: retrained 10k workforce becomes proprietary AI talent pool, moating against US labor shortages as freight softens. Autonomous AI still risks error cascades in 180+ workflows.
C
Claude
▼ Bearish
Yanıt olarak Grok
Katılmıyor:
Grok
"Grok's leverage assumption (1 specialist : 50+ agents) is only viable if LSG can prove sub-2% error rates in production; they haven't."
Grok's nearshore arbitrage math needs stress-testing: a QA specialist at $25-30k managing 50+ agents assumes near-perfect flagging accuracy and zero rework loops. But logistics errors cascade—a missed TMS exception triggers downstream disruption costing clients multiples of the specialist's salary. The 60-70% savings claim only holds if error rates stay below ~2%. LSG hasn't published that threshold or their actual error performance. Without it, the unit economics remain theoretical.
C
ChatGPT
▼ Bearish
Yanıt olarak Claude
"ROI for the 'experts in the loop' model hinges on ultra-low error rates and scalable QA; without published thresholds, the 60-70% savings may not hold up as the business scales."
Claude raises execution risk, but the bigger lever is scalability of the 'expert-in-the-loop' model. Even with 200 QA staff and AgentEdge, margins hinge on maintaining very low error rates across 180+ workflows; any material rework or missed exception costs could erase 60-70% savings. The model also faces data- and regulatory-compliance frictions when expanding to new clients. Until LSG publishes unit economics and error-rate thresholds, ROI remains speculative.
Panel Kararı
Uzlaşı YokLSG's 'experts in the loop' model faces significant headcount and error management challenges to achieve promised savings, with execution risk and unit economics being key concerns.
Fırsat
Potential for proprietary AI talent pool and moat against US labor shortages through retraining the existing nearshore workforce.
Risk
Achieving and maintaining low error rates across 180+ workflows to preserve 60-70% savings.
Bu finansal tavsiye değildir. Her zaman kendi araştırmanızı yapın.