Şirketler İçin Yapay Zekâ Yol Haritası: Nereden Başlanmalı?

Şirketlerde yapay zekâ kullanımı söz konusu olduğunda ilk soru çoğu zaman “Hangi modeli veya aracı kullanalım?” oluyor. Oysa kurumsal ölçekte daha doğru başlangıç sorusu şudur: Hangi iş problemini yapay zekâ ile çözmek anlamlı?

Bu ayrım önemlidir. Çünkü yapay zekâ yol haritası, kullanılacak modellerin veya yazılımların listesi değildir. Şirketin hedeflerini, süreçlerini, verisini, teknik altyapısını, insan kaynağını ve risklerini birlikte değerlendirerek yapay zekânın nerede ve hangi koşullarda kullanılacağını belirleyen uygulama planıdır. Bu rehberin odağı, stratejiyi tartışmaktan çok seçilmiş yönü ilk 90 günde somut teslimatlara dönüştürmektir.

NIST'in Artificial Intelligence Risk Management Framework'ü (AI RMF), yapay zekâ risk yönetimini yalnızca teknik geliştirme aşamasına değil; sistemlerin tasarlanması, geliştirilmesi, devreye alınması ve kullanılması boyunca ele alır [1]. ISO/IEC 42001 ise kuruluşların yapay zekâ sistemlerini yönetebilmesi için politika, hedef, süreç ve sürekli iyileştirme mekanizmalarını kapsayan bir yapay zekâ yönetim sistemi yaklaşımı tanımlar [2].

Dolayısıyla başarılı bir yapay zekâ yol haritasının üç soruya aynı anda cevap vermesi gerekir:

1. Yapay zekâ şirket için nerede değer üretebilir?
2. Bu kullanım alanlarını güvenli ve sürdürülebilir biçimde hayata geçirmek için ne gerekir?
3. Hangi projelerin devam ettirileceğine, ölçekleneceğine veya durdurulacağına nasıl karar verilecek?

Yapay zekâ yol haritası nedir?

Yapay zekâ yol haritası, bir kuruluşun yapay zekâ teknolojilerini iş süreçlerine nasıl dahil edeceğini aşamalı olarak tanımlayan stratejik ve operasyonel plandır.

İyi hazırlanmış bir yol haritası yalnızca “yapay zekâ kullanalım” hedefini içermez. Şunları açıkça tanımlar:

• çözülecek iş problemleri,
• öncelikli kullanım alanları,
• gerekli veri kaynakları,
• teknik mimari,
• sorumlu ekipler,
• güvenlik ve gizlilik gereksinimleri,
• insan denetimi,
• başarı metrikleri,
• pilot proje kriterleri,
• ölçekleme koşulları,
• durdurma kriterleri.

Bu nedenle yapay zekâ yol haritası, klasik bir teknoloji satın alma planından daha geniştir.

Bir şirket yeni bir CRM sistemi kurarken temel olarak ürün, entegrasyon, kullanıcı ve süreç yönetimine odaklanabilir. Yapay zekâ sistemlerinde bunlara ek olarak model çıktılarının doğruluğu, hatalı veya uydurulmuş çıktılar, veri mahremiyeti, açıklanabilirlik, insan denetimi ve zaman içinde performans değişimi gibi konular da dikkate alınmalıdır.

NIST, üretken yapay zekâya özgü riskleri ele almak amacıyla AI RMF'e ek olarak 2024 yılında Generative AI Profile yayımlamıştır [3]. Bu yaklaşım, üretken yapay zekâ projelerinin genel yazılım projeleriyle tamamen aynı risk modeliyle değerlendirilmemesi gerektiğini gösterir.

Şirketler yapay zekâya nereden başlamalı?

En sağlıklı başlangıç noktası teknoloji değil, iş süreçlerinin haritalanmasıdır.

Şirket genelindeki süreçleri üç temel soruyla incelemek yararlıdır:

• Hangi işler yüksek miktarda çalışan zamanı tüketiyor?
• Hangi süreçlerde büyük miktarda veri veya doküman işleniyor?
• Hangi kararlar veya operasyonlar tekrar eden bilgi işleme faaliyetlerine dayanıyor?

Örneğin satış ekibinde müşteri görüşmelerinin özetlenmesi, üretimde kalite verilerinin analiz edilmesi, insan kaynaklarında kurum içi dokümanlara erişim veya müşteri hizmetlerinde taleplerin sınıflandırılması farklı yapay zekâ kullanım alanları oluşturabilir.

Buradaki amaç mümkün olduğunca fazla proje çıkarmak değildir. Amaç, şirket açısından anlamlı adayları ortaya çıkarmaktır.

1. İş hedefini belirleyin

Her yapay zekâ girişiminin ölçülebilir bir iş hedefi bulunmalıdır.

“Şirketimizde yapay zekâ kullanalım” bir hedef değildir.

Bunun yerine hedef şu tür sorulara cevap vermelidir:

• Çalışanların belirli bir işlem için harcadığı süre azaltılabilir mi?
• Müşteri taleplerine cevap süresi kısaltılabilir mi?
• Dokümanlardan bilgi bulmak kolaylaştırılabilir mi?
• Manuel veri girişleri azaltılabilir mi?
• Belirli bir operasyonel karar için çalışanlara daha iyi karar desteği sağlanabilir mi?

Teknoloji seçimi bu sorulardan sonra gelmelidir.

2. Kullanım alanı envanteri oluşturun

Şirket içindeki departmanlardan potansiyel yapay zekâ kullanım alanlarını toplayın.

Örneğin:

Bu aşamada kullanım alanlarının mutlaka üretken yapay zekâ içermesi gerekmez. Bazı problemlerde klasik makine öğrenmesi, optimizasyon, kural tabanlı otomasyon veya geleneksel yazılım geliştirme daha uygun olabilir.

Yapay zekâ kullanabilmek, yapay zekâ kullanmanın gerekli olduğu anlamına gelmez.

3. Kullanım alanlarını önceliklendirin

Her kullanım alanını en az dört boyutta değerlendirmek yararlıdır:

İş değeri: Problem çözülürse şirkete ne kazandıracak?

Uygulanabilirlik: Gerekli veri, entegrasyon ve teknik kapasite mevcut mu?

Risk: Yanlış sonuç üretildiğinde ne olur?

Ölçülebilirlik: Pilot sonunda başarılı olup olmadığını anlayabilir miyiz?

Bunlara ek olarak veri hazırlığı, uygulama süresi, kullanıcı kabulü ve mevcut sistemlerle entegrasyon zorluğu değerlendirilebilir.

Basit bir önceliklendirme matrisi şu şekilde kurulabilir:

Bu yöntem, yalnızca ilgi çekici olduğu için bir teknolojinin projeye dönüşmesini engeller.

4. Veri hazırlığını değerlendirin

Yapay zekâ projelerinin önemli bir bölümü gerçekte veri projeleridir.

Bir şirketin teknik olarak güçlü bir modele erişebilmesi, o modelden kurumsal değer üretebileceği anlamına gelmez. Gerekli bilgi farklı sistemlere dağılmış, güncelliğini kaybetmiş veya erişim izinleri tanımlanmamış olabilir.

Pilot öncesinde şu sorular cevaplanmalıdır:

• Gerekli veri nerede tutuluyor?
• Veri güncel mi?
• Veri yapısal mı, doküman tabanlı mı?
• Veri sahibi hangi ekip?
• Erişim yetkileri tanımlı mı?
• Kişisel veri bulunuyor mu?
• Verinin üçüncü taraf yapay zekâ hizmetlerine aktarılması gerekiyor mu?
• Verinin doğruluğu nasıl kontrol edilecek?
• Modelin hangi bilgi kaynaklarına erişmesine izin verilecek?

Türkiye'de kişisel veri içeren yapay zekâ uygulamaları KVKK perspektifinden ayrıca değerlendirilmelidir. Kişisel Verileri Koruma Kurumu'nun 2025'te yayımladığı “Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi”, üretken yapay zekâ sistemlerinin yaşam döngüsü boyunca gerçekleştirilen kişisel veri işleme faaliyetlerini 6698 sayılı Kanun kapsamında ele almaktadır [4].

Bu nedenle çalışanların kişisel hesapları üzerinden şirket verilerini genel amaçlı yapay zekâ araçlarına yüklemesi, kurumsal yapay zekâ stratejisinin yerine geçmemelidir.

5. Teknik yaklaşımı problemden sonra seçin

Kurumsal yapay zekâ projelerinde tek bir teknik mimari yoktur.

Problem türüne göre farklı çözümler kullanılabilir:

• hazır SaaS yapay zekâ özellikleri,
• büyük dil modeli API'leri,
• retrieval-augmented generation (RAG),
• klasik makine öğrenmesi,
• görüntü işleme,
• tahmin modelleri,
• AI agent sistemleri,
• şirket içinde barındırılan modeller,
• kural tabanlı sistemlerle yapay zekânın birlikte kullanılması.

Örneğin şirket içi prosedürlerden cevap veren bir bilgi asistanında mevcut dokümanların modele bağlam olarak sağlandığı RAG yaklaşımı değerlendirilebilir. Buna karşılık geçmiş satış verilerinden sayısal tahmin yapılacak bir problemde büyük dil modeli temel çözüm olmayabilir.

Teknoloji mimarisini belirleyen şey kullanılan moda kavram değil, problemin niteliğidir.

6. Risk seviyesini kullanım alanı bazında belirleyin

Her yapay zekâ uygulamasına aynı kontrol mekanizmasını uygulamak gereksiz maliyet yaratabilir. Buna karşılık yüksek etkili uygulamalara düşük riskli araçlar gibi davranmak ciddi sorunlara yol açabilir.

Risk değerlendirmesinde en az şu başlıklar incelenmelidir:

• kişisel veri,
• ticari sırlar,
• finansal etki,
• çalışan veya müşteri hakları,
• yanlış kararın etkisi,
• siber güvenlik,
• model çıktısının güvenilirliği,
• açıklanabilirlik ihtiyacı,
• insan denetimi,
• yasal yükümlülükler.

NIST AI RMF; yapay zekâ risk yönetimini Govern, Map, Measure ve Manage olmak üzere dört temel fonksiyon etrafında yapılandırır [1]. Bu yaklaşım, risk yönetiminin yalnızca proje sonunda yapılan güvenlik kontrolü değil, sistem yaşam döngüsüne yayılan bir süreç olması gerektiğini ortaya koyar.

Avrupa Birliği'nde AI Act, risk temelli bir düzenleme modeli uygular. Düzenleme 1 Ağustos 2024'te yürürlüğe girmiş ve genel hükümleri 2 Ağustos 2026'da uygulanmaya başlamıştır. (EU) 2026/1744 sonrasında Ek III kapsamındaki yüksek riskli sistem kuralları 2 Aralık 2027'de, düzenlenmiş ürünlere gömülü Ek I sistemlerine ilişkin kurallar ise 2 Ağustos 2028'de uygulanacaktır; güncel konsolide metin bu değişiklikleri içerir [5]. AB pazarına yapay zekâ sistemi veya genel amaçlı yapay zekâ modeli sunan sağlayıcıların, AB'de yerleşik kullanıcı kuruluşların ve sistem çıktıları AB'de kullanılan belirli AB dışı sağlayıcı veya kullanıcıların düzenleme kapsamındaki rol ve yükümlülüklerini ayrıca değerlendirmesi gerekir. Yalnızca AB'deki bir kuruluşla ticari ilişki kurmak, tek başına AI Act kapsamına girildiği anlamına gelmez.

AI Act ayrıca yapay zekâ sistemlerinin sağlayıcıları ve kullanıcı kuruluşları açısından, ilgili personelin teknik bilgisi, deneyimi, eğitimi ve sistemin kullanım bağlamı dikkate alınarak yeterli AI okuryazarlığını destekleyecek önlemler alınmasını öngörmektedir [5].

7. Küçük ve ölçülebilir bir pilot seçin

İlk yapay zekâ projesinin şirket genelini değiştirmesi gerekmez.

İyi bir pilot:

• sınırları açık,
• kullanıcı grubu belirli,
• veri kaynakları tanımlı,
• başarı kriterleri ölçülebilir,
• hata durumunda etkisi yönetilebilir,
• kısa geri bildirim döngüsüne sahip

olmalıdır.

Örneğin “tüm müşteri hizmetlerini yapay zekâ ile otomatikleştirmek” kötü tanımlanmış bir pilot olabilir.

Bunun yerine:

“Belirli bir ürün grubuna gelen destek taleplerini sınıflandırarak doğru ekibe yönlendiren ve nihai kararın çalışan tarafından verildiği bir sistem”

çok daha kontrollü bir başlangıç noktasıdır.

8. Başarı metriklerini proje başlamadan belirleyin

Pilot başladıktan sonra başarı kriteri belirlemek değerlendirmeyi yanıltabilir.

Metrikler kullanım alanına göre değişmelidir.

Operasyonel projelerde:

• işlem süresi,
• manuel işlem sayısı,
• hata oranı,
• kullanıcı başına tamamlanan iş miktarı

ölçülebilir.

Bilgi asistanlarında:

• doğru cevap oranı,
• kaynak gösterme başarısı,
• cevapsız bırakılması gereken soruları tanıma,
• kullanıcı geri bildirimi,
• bilgiye ulaşma süresi

izlenebilir.

Üretken yapay zekâ uygulamalarında yalnızca kullanıcı memnuniyetini ölçmek yeterli değildir. Modelin gerçeğe aykırı içerik üretmesi, uygunsuz bilgi açıklaması veya beklenmeyen kullanım biçimleri gibi riskler ayrıca test edilmelidir. NIST'in Generative AI Profile'ı, üretken yapay zekâya özgü risklerin belirlenmesi ve yönetilmesi için AI RMF'i genişleten bir çerçeve sunmaktadır [3].

9. Human-in-the-loop yaklaşımını doğru yerde kullanın

Her yapay zekâ çıktısının insan tarafından kontrol edilmesi gerekmez. Ancak kararın etkisi yükseldikçe insan denetiminin önemi artar.

Örneğin bir toplantı özetinin yanlış olması ile bir çalışanın işe alınması, kredi değerlendirmesi veya kritik operasyonel karar hakkında yanlış öneri üretilmesi aynı risk seviyesinde değildir.

İnsan denetimi özellikle şu durumlarda önemlidir:

• karar bireyleri doğrudan etkiliyorsa,
• yanlış sonuç ciddi mali veya hukuki sonuç doğuruyorsa,
• model çıktısının doğruluğu garanti edilemiyorsa,
• süreç hassas veya özel nitelikli veri içeriyorsa,
• yapay zekâ tavsiye vermekten çıkıp doğrudan eylem gerçekleştiriyorsa.

Amaç her çıktıyı manuel kontrol ederek otomasyon avantajını ortadan kaldırmak değil, riskle orantılı kontrol mekanizması oluşturmaktır.

10. Pilot sonrasında üç karardan birini verin

Her pilot üretime alınmak zorunda değildir.

Pilot sonunda üç temel karar bulunmalıdır:

Ölçekle: Sistem hedeflenen değeri sağlıyor ve riskler kabul edilebilir seviyede yönetilebiliyorsa.

Revize et: Potansiyel bulunuyor ancak veri, model, kullanıcı deneyimi veya süreç entegrasyonu geliştirilmeliyse.

Durdur: Sistem yeterli değer üretmiyor, maliyeti faydasını aşmış veya riskler kabul edilebilir seviyeye indirilemiyorsa.

Bir pilotu durdurmak başarısızlık olarak görülmemelidir. Kontrollü pilotların amaçlarından biri de pahalı bir ölçekleme kararından önce yanlış varsayımları ortaya çıkarmaktır.

Temsili kurumsal senaryo

Aşağıdaki örnek gerçek bir şirket veya proje değildir; yöntemin nasıl uygulanabileceğini göstermek amacıyla oluşturulmuş temsili bir senaryodur.

Orta ölçekli bir üretim şirketinin teknik ekibinde binlerce bakım dokümanı, ekipman kılavuzu ve geçmiş servis kaydı bulunduğunu düşünelim.

Çalışanlar bir arıza oluştuğunda doğru dokümana ulaşmak için farklı klasörlerde arama yapıyor.

Şirket doğrudan “AI chatbot” satın almak yerine problemi şöyle tanımlıyor:

Problem: Teknik personelin bakım bilgisine ulaşması uzun sürüyor.

Ardından ölçüm belirleniyor:

Metrik: Belirli bakım sorularında doğru dokümana ulaşmak için geçen süre.

Pilot için yalnızca belirli bir ekipman grubuna ait onaylı dokümanlar kullanılıyor. Sistem RAG mimarisiyle ilgili dokümanlardan bilgi getiriyor ve cevapların yanında kaynak gösteriyor.

Kritik bakım kararlarının otomatik uygulanmasına izin verilmiyor. Çıktı, teknisyene karar desteği sağlıyor.

Pilot sırasında:

• doğru kaynağın bulunup bulunmadığı,
• cevabın kaynakla tutarlılığı,
• sistemin bilmediği sorularda nasıl davrandığı,
• çalışanların arama süresindeki değişim,
• kullanıcı geri bildirimi

ölçülüyor.

Sonuç yeterli değilse model değiştirmek ilk seçenek olmayabilir. Doküman kalitesi, metadata yapısı, erişim izinleri veya retrieval yöntemi incelenebilir.

Bu yaklaşım teknoloji merkezli değil, problem merkezli yapay zekâ dönüşümünün basit bir örneğidir.

Yapay zekâ yönetişimi nasıl kurulmalı?

Pilot sayısı arttıkça şirketlerin merkezi bir yönetişim mekanizmasına ihtiyacı oluşur.

ISO/IEC 42001:2023, yapay zekâ sistemlerini geliştiren, sağlayan veya kullanan kuruluşlarda bir Artificial Intelligence Management System kurulmasına yönelik gereksinimleri tanımlar. Standart; politika, hedefler, süreçler, risk ve fırsatların yönetimi ile sürekli iyileştirmeyi kurumsal bir yönetim sistemi içinde ele alır [2].

Pratikte şirket içinde şu sorumlulukların açık olması gerekir:

• Yapay zekâ kullanımına kim onay verecek?
• Hangi veriler kullanılabilir?
• Hangi araçlar şirket içinde kullanılabilir?
• Tedarikçiler nasıl değerlendirilecek?
• Model performansından kim sorumlu?
• Güvenlik olaylarında hangi süreç çalışacak?
• Çalışanlar hangi yapay zekâ araçlarını hangi koşullarda kullanabilir?
• Sistem ne zaman yeniden değerlendirilecek?

Bu yapı mutlaka yeni bir departman kurulmasını gerektirmez. Ancak sorumlulukların sahipsiz kalmaması gerekir.

Yapay zekâ projelerinin gerçek maliyeti nasıl hesaplanmalı?

Bir yapay zekâ projesinin maliyeti yalnızca API veya model kullanım ücretinden oluşmaz.

Toplam maliyet değerlendirilirken şunlar dikkate alınmalıdır:

• veri hazırlama,
• yazılım geliştirme,
• entegrasyon,
• bulut veya altyapı,
• model kullanımı,
• gözlemleme ve loglama,
• güvenlik,
• değerlendirme ve test,
• çalışan eğitimi,
• bakım,
• insan denetimi,
• yönetişim ve uyum.

Bu nedenle ucuz görünen bir model her zaman daha düşük toplam sahip olma maliyetine sahip olmayabilir.

Aynı şekilde en gelişmiş modelin kullanılması da otomatik olarak daha iyi yatırım getirisi sağlamaz.

Model seçimi doğruluk, gecikme, maliyet, güvenlik, veri yerleşimi ve kullanım senaryosunun gereksinimleri birlikte değerlendirilerek yapılmalıdır.

Şirketlerin yaptığı yaygın hatalar

Teknolojiyle başlamak

“LLM kullanalım”, “agent yapalım” veya “chatbot geliştirelim” şeklindeki başlangıçlar problemi ikinci plana iter.

Önce süreç ve hedef tanımlanmalıdır.

Şirket genelinde aynı anda dönüşüm başlatmak

Çok sayıda kullanım alanını eş zamanlı başlatmak ölçüm, sahiplik ve kaynak dağılımını zorlaştırabilir.

Önceliklendirilmiş pilot portföyü daha kontrollü ilerleme sağlar.

Veri sorunlarını modelle çözmeye çalışmak

Eksik, yanlış veya erişilemeyen kurumsal bilgi daha büyük bir model kullanılarak otomatik olarak düzelmez.

Başarı kriteri belirlememek

Demo çalışması ile üretim değeri aynı şey değildir.

Bir sistem etkileyici çıktılar üretebilir ancak gerçek süreçte zaman kazandırmayabilir veya toplam maliyeti azaltmayabilir.

Güvenlik ve hukuku proje sonuna bırakmak

Kişisel veri, erişim kontrolü, loglama ve üçüncü taraf veri aktarımı gibi konular mimari oluşturulduktan sonra değil, tasarım aşamasında değerlendirilmelidir. KVKK'nın üretken yapay zekâ rehberi de kişisel veri işleme faaliyetlerinin sistem yaşam döngüsü boyunca ele alınmasına odaklanmaktadır [4].

Yapay zekâ hangi durumlarda kullanılmamalı?

Bir problemin yapay zekâ ile çözülebilmesi, bunun en doğru çözüm olduğu anlamına gelmez.

Şu durumlarda klasik yazılım veya süreç iyileştirmesi daha uygun olabilir:

• süreç tamamen deterministik kurallarla çözülebiliyorsa,
• yapay zekânın eklediği değer ölçülemiyorsa,
• gerekli veri bulunmuyorsa,
• hata toleransı son derece düşükken yeterli doğrulama mekanizması kurulamıyorsa,
• projenin bakım maliyeti beklenen faydayı aşıyorsa,
• yasal veya sözleşmesel gereksinimler gerekli veri kullanımına izin vermiyorsa,
• mevcut süreç zaten basit bir otomasyonla çözülebiliyorsa.

Yapay zekâ yol haritasının amacı mümkün olduğunca fazla yapay zekâ projesi üretmek değil, yapay zekânın gerçekten anlamlı olduğu alanları ayırabilmektir.

Uygulanabilir yapay zekâ yol haritası

İlk 90 gün: karar takvimi ve teslimatlar

İlk 90 günün amacı şirket genelinde dönüşümü tamamlamak değil, bir sonraki yatırım kararını kanıta dayandırmaktır. Çalışma üç faza ayrılabilir:

Her fazın sonunda yönetim kapısı bulunmalıdır. Teslimat tamamlanmadıysa sonraki faza sırf takvim ilerledi diye geçilmemeli; özellikle veri erişimi, sorumlu iş sahibi ve başlangıç metriği bulunmadan teknoloji seçimi kesinleştirilmemelidir.

Kurumsal uygulama aşağıdaki aşamalarla yapılandırılabilir:

Aşama 1 — İş hedefleri

Şirketin öncelikli operasyonel ve stratejik problemlerini belirleyin.

Aşama 2 — Süreç analizi

Departmanlardaki tekrar eden, veri yoğun ve karar desteğine ihtiyaç duyan süreçleri çıkarın.

Aşama 3 — Kullanım alanı envanteri

Potansiyel yapay zekâ projelerini ortak bir listede toplayın.

Aşama 4 — Önceliklendirme

Her projeyi iş değeri, uygulanabilirlik, veri hazırlığı, risk ve ölçülebilirlik açısından değerlendirin.

Aşama 5 — Veri ve altyapı hazırlığı

Veri kaynaklarını, erişim yetkilerini, entegrasyonları ve güvenlik gereksinimlerini belirleyin.

Aşama 6 — Pilot

Dar kapsamlı ve ölçülebilir bir kullanım alanında sistemi test edin.

Aşama 7 — Değerlendirme

Teknik performans ile iş etkisini ayrı ayrı ölçün.

Aşama 8 — Üretime geçiş

Başarılı pilotları izleme, erişim kontrolü, loglama, güvenlik ve insan denetimi mekanizmalarıyla üretime taşıyın.

Aşama 9 — Ölçekleme

Başarılı mimari ve süreçleri benzer kullanım alanlarına genişletin.

Aşama 10 — Sürekli yönetişim

Modelleri, veriyi, riskleri, mevzuatı ve kullanım biçimlerini düzenli olarak yeniden değerlendirin.

Yapay zekâ yol haritası kontrol listesi

Bir projeyi başlatmadan önce aşağıdaki soruların cevaplanabiliyor olması gerekir:

• Çözülmek istenen iş problemi tek cümleyle tanımlanabiliyor mu?
• Mevcut sürecin başlangıç performansı ölçüldü mü?
• Pilotun başarı metriği proje başlamadan belirlendi mi?
• Kullanılacak veri kaynakları tanımlandı mı?
• Verinin sahibi olan ekip belli mi?
• Kişisel veya hassas veri bulunup bulunmadığı kontrol edildi mi?
• Yapay zekâ kullanılmadan çözülebilecek alternatifler değerlendirildi mi?
• Modelin hata yapmasının olası etkileri belirlendi mi?
• İnsan denetiminin gerekli olduğu noktalar tanımlandı mı?
• Sistemin hangi işlemleri yapmasına izin verileceği sınırlandırıldı mı?
• Pilot kullanıcı grubu belirlendi mi?
• Teknik performans ölçüm yöntemi hazır mı?
• İş etkisini ölçecek metrik mevcut mu?
• Güvenlik ve erişim kontrolleri tanımlandı mı?
• Üçüncü taraf sağlayıcıların veri politikaları değerlendirildi mi?
• Pilotun durdurulmasını gerektirecek koşullar belirlendi mi?
• Üretime geçiş kriterleri tanımlandı mı?
• Üretim sonrasında sistemin nasıl izleneceği belirlendi mi?

Bu soruların önemli bir bölümü cevaplanamıyorsa model veya ürün seçmek için erken olabilir.

Sonuç

Şirketler için yapay zekâ yol haritası hazırlamak, kullanılacak araçların listesini çıkarmaktan çok daha kapsamlıdır. Sağlıklı bir yaklaşım; iş problemlerinin belirlenmesiyle başlar, kullanım alanlarının önceliklendirilmesiyle devam eder ve veri, teknik altyapı, güvenlik, hukuk, insan denetimi ve başarı ölçümüyle tamamlanır.

İlk hedef şirket genelinde büyük bir yapay zekâ dönüşümü başlatmak değil; ölçülebilir değere sahip, riski yönetilebilir ve teknik olarak uygulanabilir bir problemi kontrollü biçimde çözmek olmalıdır.

Pilot başarılı olduğunda ölçekleme yapılabilir. Başarısız olduğunda ise proje revize edilebilir veya durdurulabilir. Böylece yapay zekâ, amaç haline gelmek yerine şirketin gerçek problemlerini çözmek için kullanılan araçlardan biri olarak konumlandırılır.

Sık Sorulan Sorular

Şirketler yapay zekâ kullanmaya nereden başlamalı?

İlk adım yapay zekâ aracı seçmek değil, şirket içindeki iş problemlerini ve süreçleri analiz etmektir. Zaman alan, veri yoğun, tekrar eden veya karar desteğine ihtiyaç duyan süreçler belirlenmeli; ardından bunların yapay zekâ için uygunluğu değerlendirilmelidir.

İlk yapay zekâ projesi nasıl seçilmeli?

İlk proje yüksek iş değerine, yönetilebilir riske, erişilebilir veriye ve açık başarı metriklerine sahip olmalıdır. Kapsamın dar tutulması pilot sonuçlarının daha sağlıklı değerlendirilmesini sağlar.

Şirket içinde ChatGPT benzeri bir sistem kurmak yapay zekâ stratejisi sayılır mı?

Tek başına sayılmaz. Bir araç veya uygulama, daha geniş yapay zekâ stratejisinin yalnızca bir bileşenidir. Strateji; kullanım alanları, veri, yönetişim, güvenlik, insan kaynağı, ölçüm ve ölçekleme kararlarını birlikte kapsamalıdır.

Yapay zekâ projesi için veri bilimi ekibi şart mı?

Her kullanım alanında ayrı bir veri bilimi ekibi gerekmez. Hazır yapay zekâ servisleri veya API tabanlı çözümler bazı projelerde yeterli olabilir. Ancak veri yönetimi, yazılım entegrasyonu, güvenlik, iş süreci sahipliği ve performans değerlendirmesi gibi sorumlulukların yine tanımlanması gerekir.

Yapay zekâ projesinin başarılı olduğu nasıl anlaşılır?

Başarı hem teknik hem de iş metrikleriyle ölçülmelidir. Modelin doğruluğu tek başına yeterli değildir. İşlem süresi, hata oranı, kullanıcı deneyimi, operasyonel yük veya ilgili sürece özgü başka iş metrikleri başlangıç durumuyla karşılaştırılmalıdır.

Her şirketin yapay zekâ yol haritasına ihtiyacı var mı?

Yapay zekâyı birden fazla süreçte kullanmayı planlayan şirketlerde ortak ilkeler ve önceliklendirme mekanizması giderek daha önemli hale gelir. Çok sınırlı kullanımda kapsamlı bir program gerekmeyebilir; ancak veri kullanımı, güvenlik, sorumluluk ve başarı ölçümü yine tanımlanmalıdır.

Yapay zekâ pilotu ne zaman durdurulmalı?

Pilot ölçülebilir iş değeri üretmiyorsa, gerekli doğruluk seviyesine ulaşamıyorsa, toplam maliyet beklenen faydayı aşıyorsa veya ortaya çıkan riskler kabul edilebilir seviyeye indirilemiyorsa durdurma seçeneği değerlendirilmelidir.

Yapay zekâ yol haritası ne sıklıkla güncellenmeli?

Tek bir sabit takvim bütün şirketler için uygun değildir. Yol haritası; şirket öncelikleri, kullanılan sistemler, veri kaynakları, riskler, teknik yetenekler veya ilgili mevzuat değiştiğinde yeniden değerlendirilmelidir. Yapay zekâ yönetişiminin sürekli iyileştirme yaklaşımıyla ele alınması ISO/IEC 42001'in de temel unsurlarından biridir [2].

Kaynaklar

[1] National Institute of Standards and Technology (NIST) — Artificial Intelligence Risk Management Framework (AI RMF 1.0). Yayın tarihi: 26 Ocak 2023. Erişim tarihi: 27 Eylül 2026. Yapay zekâ risk yönetiminin organizasyonlar ve AI yaşam döngüsü boyunca ele alınması ile Govern, Map, Measure ve Manage yaklaşımını desteklemek için kullanıldı. NIST — Artificial Intelligence Risk Management Framework (AI RMF 1.0)

[2] International Organization for Standardization (ISO) — ISO/IEC 42001:2023 — Information technology — Artificial intelligence — Management system. Yayın: Aralık 2023. Erişim tarihi: 27 Eylül 2026. Yapay zekâ yönetim sistemi, yönetişim, risk ve fırsat yönetimi ile sürekli iyileştirme yaklaşımını desteklemek için kullanıldı. ISO — ISO/IEC 42001:2023

[3] National Institute of Standards and Technology (NIST) — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile (NIST AI 600-1). Yayın tarihi: 26 Temmuz 2024. Erişim tarihi: 27 Eylül 2026. Üretken yapay zekâya özgü risklerin AI RMF kapsamında değerlendirilmesini desteklemek için kullanıldı. NIST — Generative Artificial Intelligence Profile

[4] Kişisel Verileri Koruma Kurumu (KVKK) — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda). Yayın tarihi: 26 Kasım 2025. Erişim tarihi: 27 Eylül 2026. Üretken yapay zekâ sistemlerinde kişisel veri işleme faaliyetlerinin 6698 sayılı Kanun kapsamında değerlendirilmesi ve yaşam döngüsü boyunca veri koruma yaklaşımını desteklemek için kullanıldı. KVKK — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi

[5] Avrupa Birliği — EUR-Lex — Regulation (EU) 2024/1689 — Artificial Intelligence Act, 27 Temmuz 2026 konsolide metni. (EU) 2026/1744 değişikliklerini içerir. Erişim tarihi: 27 Eylül 2026. Risk temelli yapı, güncel uygulama takvimi ve AI okuryazarlığı hükümleri için kullanıldı. EUR-Lex — AI Act güncel konsolide metni