TOLGA EŞİZ - Paperwork Kurucu Ortağı
İş dünyasında son dönemde giderek daha sık karşılaşılan tanıdık bir örüntü var: Şirketler büyük heveslerle bir yapay zekâ projesine başlıyor, sunulan demolar yönetimden tam not alıyor ancak proje bir noktadan sonra arafta kalıyor. Ne tamamen rafa kaldırılıyor ne de şirket geneline yayılarak beklenen dönüşümü yaratabiliyor.
Sahadaki bu tabloyu küresel araştırmalar da net bir şekilde doğruluyor. BCG'nin 2024 yılına ait araştırmasına göre şirketlerin yarısına yakını yapay zekâ süreçlerinde hâlâ pilot aşamasında. Somut değer üretenlerin oranı beşte bire, gerçek anlamda ölçülebilir sonuç alanların oranıysa yirmide bire kadar düşüyor. McKinsey'nin 2025 yılı raporu da şirketlerin büyük çoğunluğunun en az bir alanda yapay zekâ kullandığını, ancak yöneticilerin çok büyük bir kısmının bunun kâra henüz somut bir katkı sağlamadığını düşündüğünü ortaya koyuyor.
Bu tablo, teknolojinin işe yaramadığını değil, projelerin kurgulanma biçiminde temel hatalar olduğunu gösteriyor.
Yapay zeka kullanmak bir hedef olamaz
Yapay zekâ projelerindeki en yaygın hata, işe teknolojiyle başlamaktır. Oysa öncelik her zaman iş problemini tanımlamak olmalıdır. Müşteri hizmetlerinde yapay zekâ kullanmak başlı başına bir strateji değildir. Yanıt süresini mi kısaltmayı hedefliyorsunuz, yoksa talepleri doğru ekibe yönlendirme oranını mı iyileştireceksiniz? Bu iki senaryo birbirinden tamamen farklı projeler gerektiriyor, ancak çoğu ekip işe başlarken bu ayrımı netleştirmiyor. RAND Corporation’ın uzmanlarla yaptığı araştırmanın sonuçları da bu durumu destekliyor: İş birimiyle teknik ekip, çözülmesi gereken problemi baştan farklı anlıyor ve model kusursuz çalışsa bile kimse onu gerçek iş akışına oturtamıyor.
Bir diğer kritik engel ise veri kalitesi... Şirketlerin ellerinde yılların birikimi olan veriler bulunsa da bunların eksik, dağınık veya güncelliğini yitirmiş olması süreci baltalıyor. IBM’in 2025 CEO araştırmasında yöneticilerin yarısının, hızlı teknoloji yatırımlarının aslında birbirinden kopuk sistemler yarattığını kabul etmesi, altyapıdaki bu veri entegrasyonu sorununu açıkça gözler önüne seriyor.
Asıl kırılma noktası: Çıktı nereye düşüyor?
Sahadaki uygulamalarda en can alıcı nokta entegrasyon eksikliğidir. Model doğru sonuç üretse bile, o sonuç ayrı bir ekranda kalıyorsa hiçbir şey değişmiyor. Çalışanların bilgiyi kopyalayıp e-postayla gönderdiği veya sonucu başka bir sisteme elle girdiği senaryolarda yapay zekâ bir çıktı üretse de kimsenin iş yükü azalmıyor. McKinsey verilerine göre yapay zekâ kullanan şirketlerin sadece beşte biri iş akışlarını bu teknolojiye göre yeniden tasarlamış durumda. Oysa finansal sonuçla en güçlü ilişkiyi gösteren uygulama tam olarak bu yeniden tasarım sürecidir.
İşe yarayan projelerdeki ortak başarı formülü şu şekilde özetlenebilir: Sorun çoğu zaman modelin zekâsı değil, çıktının bir yere bağlı olmamasıdır. Tedarikçi teklifleri karşılaştırma tablosuna düşünce ilgili kişiye otomatik görev açılmıyorsa, bir arıza bildirimi girildiğinde bakım ekibine anında haber gitmiyorsa, o 'akıllı' sistem ayrı bir raporlama aracından ibaret kalıyor. Başarılı projelerde yapay zekâ platforma dışarıdan eklenen bir yama gibi değil, her fonksiyonun LLM tarafından tetiklenebildiği bir katman olarak kurgulanıyor. Örneğin, bir kullanıcı Teams'ten 'açık işlerim' yazdığında karşısına sadece chatbotun ürettiği bir metin değil, gerçek ve işlevsel bir onay ekranı çıkmalı. Bu küçük gibi görünen fark, aslında pilotun neden şirket geneline yayılamadığının cevabını barındırıyor.
Doğruluk tek başına yetmiyor, ölçüm şart
Yapay zeka projelerinde başarıyı tanımlarken yapılan bir diğer hata da sadece modelin doğruluk oranına odaklanmaktır. Modelin %95 doğru çalışması projenin bittiği anlamına gelmez. Kalan %5'lik yanılma payının nerede hataya yol açtığının ve bunun şirkete maliyetinin bilinmesi gerekiyor. Proje başlamadan önceki işlem süresi, hata oranı ve yeniden işleme maliyetleri ölçülmeden, uygulamanın getirdiği değer anlaşılamıyor. Nitekim McKinsey araştırması, şirketlerin beşte birinden azının üretken yapay zeka için açık bir performans göstergesi (KPI) takip ettiğini gösteriyor.
Özetle; şirketlerin yapay zeka yolculuğunda kendilerine sormaları gereken ilk soru "Hangi modeli kullanalım?" olmamalıdır. Bunun yerine, odaklanılması gereken temel sorular şunlardır: "Hangi işi, hangi veriyle, ne kadar iyileştirmek istiyoruz ve sonucu nasıl ölçeceğiz?".
Bu sorulara net bir cevap verilmeden teknoloji seçimine geçilmesi, projelerin asılı kalmasındaki en büyük etkendir.
