Şirketlerde Yapay Zekâ Kullanım Alanları: Departmanlara Göre Uygulama Rehberi

Giriş

Şirketlerde yapay zekâ tartışması çoğu zaman araç seçimiyle başlar: Bir sohbet asistanı alınmalı mı, belge özetleme otomatikleşmeli mi, tahmin modeli kurulmalı mı? Asıl başlangıç noktası ise daha yalındır: Hangi iş kararı veya tekrarlayan iş, güvenlik ve kalite koşulları korunarak daha iyi desteklenebilir? Yapay zekâ, her süreci otomatikleştiren bir katman değildir. Veriyle öğrenen ya da girdilerden içerik üreten sistemlerin; tahmin, öneri, sınıflandırma veya taslak üretme yoluyla belirli görevleri desteklemesidir.

OECD'nin güncel açıklamasında yapay zekâ sistemi; açık veya örtük amaçlar için aldığı girdilerden, fiziksel ya da sanal ortamları etkileyebilecek tahmin, içerik, öneri veya karar gibi çıktıları nasıl üreteceğini çıkarımlayan makine tabanlı bir sistem olarak tanımlanır. Yapay zekâ sistemleri özerklik düzeyleri ve kullanıma alındıktan sonraki uyarlanabilirlikleri bakımından farklılık gösterebilir [1]. Kurumsal pratikte sık karşılaşılan kullanım biçimlerinden biri; satış ve talep tahmini, anomali tespiti veya sınıflandırma gibi analitik modellerdir. Bir diğeri; metin, görsel, ses veya kod taslağı üreten üretken yapay zekâdır. Bunlar bütün yapay zekâ yöntemlerini tüketen iki kategori değildir; bilgisayarlı görü, konuşma tanıma, karar destek ve robotik gibi başka yaklaşımlar da kullanılabilir. Aynı departman farklı yaklaşımları birlikte kullanabilir; örneğin finans ekibi olağandışı harcama sinyallerini modelle belirleyip inceleme notunu üretken sistemle taslak hâline getirebilir.

Bu ayrım önemlidir çünkü doğruluk, gizlilik, denetlenebilirlik ve hata maliyeti kullanım alanına göre değişir. Bir toplantı özetindeki eksik madde çoğu zaman insanın gözden geçirmesiyle düzeltilebilir. Bir aday eleme, kredi, sağlık, fiyatlama veya iş güvenliği kararı ise haklar, güvenlik ya da maddi sonuçlar bakımından daha yüksek risk taşıyabilir. NIST'in yapay zekâ risk yaklaşımı, güvenilirliği tek bir "doğruluk" sayısına indirgemez; geçerlilik ve güvenilirlik, güvenlik, emniyet, hesap verebilirlik ve şeffaflık, açıklanabilirlik, mahremiyet ile zararlı önyargıların yönetilmesini birlikte ele alır [2].

Yapay zekâ şirket içinde nasıl çalışır?

En sade hâliyle sistem, bir girdiyi alır ve bir çıktı verir. Girdi; bir destek talebi, fatura, ürün bilgisi, satış geçmişi veya teknik doküman olabilir. Çıktı; kategori, olasılık, öncelik sırası, tahmin, özet ya da taslaktır. Kurumsal değer, çıktının bir iş akışında güvenli biçimde kullanılmasıyla oluşur: çıktı bir personele öneri sunar, bir kuyruğu önceliklendirir veya düşük riskli bir adımı otomatik başlatır.

Teknik tarafta üç katmanı ayırmak yararlıdır. Veri katmanı, kullanılmasına izin verilen ve kalitesi bilinen kaynakları içerir. Model katmanı, tahmin veya üretim yapan bileşendir; şirket içi geliştirilen model, bulut hizmeti veya açık kaynak bir model olabilir. İş akışı katmanı ise model çıktısının hangi sisteme yazılacağını, kimin onaylayacağını, kayıtların ne kadar tutulacağını ve hata halinde ne yapılacağını belirler. Başarısız projelerin önemli bir bölümü modelden çok bu üçüncü katmandaki belirsizlikten doğar.

Üretken yapay zekâda ayrıca "halüsinasyon" riski vardır: Sistem akıcı ama hatalı veya kaynağı belirsiz bir çıktı üretebilir. Bu nedenle bir modelin metnini doğru kabul etmek yerine; kaynak gösterme, izinli kurumsal bilgi tabanından yanıtlama, kritik alanlarda insan onayı ve örneklem temelli kalite kontrolleri tasarlanmalıdır. NIST'in üretken yapay zekâ profili de risklerin kullanım bağlamı ve yaşam döngüsü boyunca ele alınmasını önerir [3].

Departmanlara göre gerçekçi kullanım alanları

Bir kullanım alanının iyi olması, "yapay zekâ ile yapılabilir" olmasından değil; ölçülebilir bir hedefe, yeterli veriye, yönetilebilir hata etkisine ve açık bir sorumluya sahip olmasından anlaşılır.

Müşteri hizmetleri ve satış

Yapay zekâ, gelen kayıtları konu, dil, duygu veya aciliyet bakımından sınıflandırabilir; temsilciye önceki çözümlerden bir taslak önerebilir. En sağlıklı ilk kullanım, müşteriye doğrudan cevap göndermek değil, temsilcinin ekranında taslak ve kaynak bağlantısı göstermektir. Böylece çözüm süresi, ilk temas çözüm oranı ve kalite puanı gibi mevcut metriklerle karşılaştırma yapılabilir. İade koşulu, sözleşme yorumu ya da kimlik doğrulama gerektiren vakalarda sistem tek başına karar verici olmamalıdır.

Finans, muhasebe ve satın alma

Faturalardan alan çıkarma, tekrar eden belge kontrolü, harcama kalemlerini sınıflandırma ve istisna işaretleme; insanın doğrulamasıyla başlayan somut alanlardır. Tahmin modelleri nakit akışı veya talep için senaryo üretebilir; ancak tahmin bir kararın yerine geçmez. Özellikle ödeme, kredi limiti, vergi beyanı ve muhasebe kaydı gibi işlemlerde yetki matrisi, denetim izi ve geri alma mekanizması gerekir. Kişisel veri veya ticari sır içeren belgelerin genel amaçlı, onaysız dış hizmetlere yüklenmesi ayrıca değerlendirilmelidir.

Operasyon, üretim ve tedarik zinciri

Stok seviyeleri, teslimat süreleri, satış geçmişi ve sensör verileri; tahmin, sıra optimizasyonu veya anomali tespiti için kullanılabilir. Fakat geçmişin geleceği kusursuz temsil ettiği varsayımı hatalıdır. Yeni ürün, kampanya, tedarik kesintisi veya mevzuat değişikliği modelin performansını düşürebilir. Bu nedenle sonuç, planlamacıya gerekçesiyle gösterilmeli; manuel düzeltmeler kayda alınmalı ve model belirli aralıklarla yeni veride yeniden değerlendirilmelidir.

İnsan kaynakları ve hukukî etkisi yüksek süreçler

İK'da düşük riskli destekler; iş ilanı dilini sadeleştirme, eğitim materyalini özetleme veya çalışan politikalarında arama ile sınırlı tutulabilir. Aday sıralama, performans puanlama, terfi veya işten çıkarma önerileri ise kişiler üzerinde doğrudan etkili olabilir. AB Yapay Zekâ Tüzüğü, istihdam alanındaki belirli kullanımları yüksek risk kategorisi içinde sayar; AB pazarında veya kapsamındaki faaliyetlerde yer alan kuruluşların somut rol ve kullanım bağlamını hukukî olarak değerlendirmesi gerekir [4]. Takvim tek bir tarihten ibaret değildir: genel hükümler 2 Ağustos 2026'da uygulanmaya başlamış olsa da (EU) 2026/1744 ile Ek III kapsamındaki yüksek riskli sistem kuralları 2 Aralık 2027'ye, düzenlenmiş ürünlere gömülü Ek I sistemleri içinse 2 Ağustos 2028'e uzatılmıştır. Bu geçiş, risk analizi ve hazırlığın ertelenebileceği anlamına gelmez. Türkiye'de de kişisel verilerin işlenmesi bakımından 6698 sayılı Kanun ve KVKK rehberleri dikkate alınmalıdır [5]. Bu süreçlerde otomatik sonucu insan kararı gibi göstermek, anlamlı inceleme imkânı vermemek veya eğitim verisindeki tarihsel önyargıyı kontrol etmemek uygun değildir.

Pazarlama, ürün ve içerik ekipleri

İçerik başlıkları, ilk taslaklar, araştırma notlarının düzenlenmesi, geri bildirimlerin temalara ayrılması ve ürün dokümantasyonunun sadeleştirilmesi iyi başlangıç noktalarıdır. Ancak üretilen metinler yayımlanmadan önce gerçeklik, marka dili, telif ve tüketici mevzuatı bakımından kontrol edilmelidir. Yapay zekânın bir kaynaktan türettiği iddia doğrulanmadan kampanya metnine girmemelidir. Kamu yararını ilgilendiren sentetik içerik veya kullanıcıyla etkileşen sistemler için şeffaflık yükümlülükleri de faaliyet gösterilen yargı alanına göre incelenmelidir [4].

Yazılım, BT ve siber güvenlik

Kod önerisi, test senaryosu taslağı, teknik doküman arama ve olay günlüklerinin özetlenmesi ekiplerin işini destekleyebilir. Buna karşılık erişim anahtarı, müşteri verisi, kaynak kod veya güvenlik olayı ayrıntısı içeren bağlamın hangi sağlayıcıya gönderildiği kritik bir konudur. Otomatik üretilen kodun lisans, güvenlik açığı, bağımlılık ve test sonuçları bakımından normal kod inceleme sürecinden geçmesi gerekir. Bir güvenlik alarmını önceliklendiren model, alarmı kapatan tek otorite olmamalıdır.

Fayda, maliyet ve kaynak gereksinimi

İyi tasarlanmış bir uygulama; tekrar eden işi azaltabilir, bilgiye erişimi hızlandırabilir, daha tutarlı ilk taslaklar sağlayabilir ve istisnaları daha erken görünür kılabilir. Bunlar garanti edilmiş sonuçlar değildir; aynı araç, kötü veri veya belirsiz iş akışıyla ek iş de yaratabilir. Bu yüzden yatırım gerekçesi "yapay zekâ kullanalım" değil, örneğin "temsilcinin bilgi arama süresini azaltırken yanlış yanıt oranını artırmamak" gibi ölçülebilir bir hipotez olmalıdır.

Maliyet yalnızca lisans bedeli değildir. Veri hazırlama ve erişim yetkileri, entegrasyon, kimlik ve erişim yönetimi, güvenlik değerlendirmesi, test verisi, kullanıcı eğitimi, izleme, insan incelemesi ve tedarikçi yönetimi de toplam sahip olma maliyetinin parçasıdır. Özellikle yüksek etkili kararlar için bağımsız kontrol ve kayıt tutma yükü daha büyük olabilir. Küçük bir pilotta bile iş sahibi, teknik sorumlu, bilgi güvenliği ve hukuk/veri koruma temsilcilerinin rolü netleşmelidir.

Veri güvenliği, gizlilik ve yönetişim

Bir araca veri vermeden önce şu sorular cevaplanmalıdır: Veri kişisel veri, özel nitelikli veri, ticari sır veya erişim anahtarı içeriyor mu? Sağlayıcı veriyi hangi amaçla ve ne kadar süreyle işler? Eğitim için kullanıyor mu? Veri hangi ülkelerde tutuluyor? Yetki, kayıt silme, olay bildirimi ve alt yüklenici koşulları sözleşmede açık mı?

KVKK'nın üretken yapay zekâ rehberi, üretken sistemlerin yaşam döngüsündeki kişisel veri işleme faaliyetlerini 6698 sayılı Kanun bağlamında ele alır [6]. Bu, yalnızca bir gizlilik metni yayımlamanın yeterli olmayabileceği anlamına gelir: işleme şartı, amaçla sınırlılık, veri minimizasyonu, saklama, ilgili kişi hakları ve uygun teknik/idari tedbirler kullanım senaryosuna göre değerlendirilmelidir. Hukukî değerlendirme yerine geçmeyecek pratik başlangıç; hassas içerikleri varsayılan olarak dışarı aktarmamak, yalnızca gerekli alanları kullanmak, erişimi rol bazında sınırlandırmak ve işlem kayıtlarını tutmaktır.

Yönetişim, tek seferlik onay değildir. NIST'in çerçevesindeki Yönet (Govern), Haritala (Map), Ölç (Measure), Yönet/Uygula (Manage) işlevleri; riski yaşam döngüsü boyunca ele almayı önerir [2]. Kurumsal karşılığı; politika ve sorumlulukları tanımlamak, kullanım bağlamını ve etkilenen tarafları haritalamak, testi ve metrikleri belirlemek, sonra risklere göre kontrol veya durdurma kararı almaktır. Çerçeve gönüllüdür; kuruluşun kendi bağlamına göre uyarlaması gerekir.

Uygulama adımları: küçük, ölçülebilir ve geri alınabilir başlayın

1. Problemi seçin. Tekrarlayan, hacmi bilinen ve başarısı ölçülebilen bir işi belirleyin. Yüksek etkili kişi kararlarını ilk pilot yapmayın.
2. Süreç ve veri envanteri çıkarın. Girdi kaynağını, veri sınıfını, sahipliği, mevcut hata noktalarını ve çıktının gideceği sistemi yazın.
3. Risk değerlendirmesi yapın. Hata olursa kim etkilenir, en kötü sonuç ne olur, insanın hangi noktada müdahale edeceği ve sistemin ne zaman durdurulacağı net olsun.
4. Başarı ölçütünü ve referans düzeyi kurun. Pilot öncesi süre, kalite, hata ve maliyet göstergelerini ölçün; sonrası için aynı tanımları kullanın.
5. Korumalı pilot çalıştırın. Sınırlı kullanıcı, izinli veri, kayıt alma, insan onayı ve geri alma seçeneğiyle başlayın. Üretim erişimlerini aşamalı açın.
6. Test edin ve izleyin. Temsili örneklerde doğruluk, hatalı yönlendirme, önyargı, güvenlik ve kullanılabilirliği inceleyin. Canlıda veri dağılımı ve hata örneklerini düzenli gözden geçirin.
7. Karar verin. Ölçütler karşılanmıyorsa kullanımı daraltın, tasarımı değiştirin veya sonlandırın. Ölçekleme, yalnızca fayda ve kontroller birlikte doğrulandıysa anlamlıdır.

Uygulanabilir karar kontrol listesi

• Kullanım alanının sahibi ve karar yetkilisi belli mi?
• Çözülecek problem, mevcut süreç ve hedef metrik tek cümleyle tanımlı mı?
• Girdi verilerinin sınıfı, kaynağı, işleme amacı ve erişim yetkisi belgelendi mi?
• Çıktının yanlış olması hâlinde etkilenebilecek kişiler ve iş sonuçları değerlendirildi mi?
• İnsan onayı, istisna yolu, geri alma ve olay eskalasyonu tasarlandı mı?
• Sağlayıcı sözleşmesi; veri kullanımı, saklama, alt işleyenler ve güvenlik sorumluluklarını kapsıyor mu?
• Pilot için kalite, hız, maliyet ve güvenlik metrikleri ile karşılaştırma düzeyi belirlendi mi?
• Model, veri veya iş akışı değiştiğinde yeniden test ve onay süreci var mı?

Başarı nasıl ölçülür?

Tek bir "verimlilik" metriği yeterli değildir. Müşteri hizmetleri için ortalama işlem süresi yanında kalite denetim puanı, yeniden açılan kayıt oranı ve hatalı yönlendirme izlenebilir. Belge işleme için alan çıkarma doğruluğu, insan düzeltme oranı ve istisna kuyruğu; operasyon için tahmin hatası, stokta yok satma ve gereksiz stok; yazılım için kabul edilen öneri oranı, test geçişi ve güvenlik bulguları birlikte incelenebilir.

Ölçümün güvenilir olması için pilot ve karşılaştırma grubu benzer olmalı; tanımlar süreç boyunca değiştirilmemelidir. NIST, sistemlerin dağıtımdan önce ve çalışırken düzenli test edilmesini; belirsizlik, kıyaslama ve sonuçların dokümantasyonunu vurgular [2]. Bir metrik iyileşirken başka bir zarar sinyali ortaya çıkıyorsa, örneğin işlem süresi düşerken müşteri şikâyeti artıyorsa, sistem başarılı sayılmamalıdır.

Sık yapılan hatalar ve kullanılmaması gereken durumlar

En yaygın hata, aracı süreçten bağımsız ele almaktır. İkinci hata, hassas veriyi kullanıcının takdirine bırakmaktır. Üçüncüsü, tek bir iyi demo sonucunu genelleştirip gerçek veri, uç durum ve hata senaryolarında test etmemektir. Dördüncüsü, modelin verdiği akıcı cevabı gerekçeli ve doğru bir sonuçla karıştırmaktır. Beşincisi ise kullanıcı eğitimini yalnızca komut yazma becerisi sanmaktır; kullanıcı, hangi verinin girilemeyeceğini ve sonucu nasıl doğrulayacağını da bilmelidir.

Yapay zekâ; kararın hata maliyeti çok yüksekse, anlamlı insan incelemesi kurulamayacaksa, güvenilir/izinli veri yoksa, çıktının doğruluğu makul biçimde sınanamıyorsa veya mevcut süreç sorunu esasen yetki ve veri kalitesi problemiyse kullanılmamalı ya da yalnızca dar bir destek rolüne indirgenmelidir. İşe alım, sağlık, hukukî sonuç, kredi, güvenlik ve çocuklara yönelik süreçlerde bu eşik özellikle yüksektir. Otomasyon, sorumluluğu ortadan kaldırmaz.

Temsili kurumsal senaryo

Bu örnek temsili bir senaryodur; gerçek bir şirket vakası değildir. Orta ölçekli bir B2B yazılım şirketi, destek ekibinin ürün dokümanlarında arama için harcadığı zamanı azaltmak ister. İlk aşamada müşteri mesajları doğrudan modele verilmez. Yalnızca onaylı ürün dokümanları indekslenir; sistem temsilcinin ekranında yanıt taslağı ve doküman bağlantıları üretir. Temsilci göndermeden önce metni düzenler; kaynak bulunmayan cevaplar "yanıt üretme" yerine eskalasyona gider.

Pilot boyunca ekip; taslağın kabul/yeniden yazım oranını, çözüm süresini, kalite örneklemini ve kaynak dışı cevap oranını karşılaştırır. Gizlilik sorumlusu müşteri verisinin maskeleme kurallarını gözden geçirir, güvenlik ekibi erişim kayıtlarını izler. Ölçümler iyileşse bile kaynak dışı cevap oranı hedefin üzerindeyse şirket müşteriyle otomatik iletişime geçmez; önce bilgi tabanını ve sınırlandırma kurallarını iyileştirir. Senaryonun değeri, hızlı tam otomasyon değil, kontrollü öğrenmedir.

Sonuç

Şirketlerde yapay zekâ için en sağlam yaklaşım, departmanları aynı araca zorlamak değil; her süreçte hedefi, veri koşullarını, hata etkisini ve insan denetimini ayrı değerlendirmektir. Düşük riskli, geri alınabilir ve ölçülebilir destek görevleriyle başlayan pilotlar; yalnızca faydayı değil, güvenlik ve kalite sınırlarını da görünür kılar. Bu sınırlar açıkça yönetildiğinde yapay zekâ, iş kararının yerine geçen belirsiz bir otorite değil, sorumluluğu belli bir yardımcı araç olur.

Sık Sorulan Sorular

Şirketlerde yapay zekâ en çok hangi departmanlarda kullanılır?

Müşteri hizmetleri, finans, operasyon, insan kaynakları, pazarlama ve BT; belge işleme, sınıflandırma, tahmin, arama ve taslak üretme gibi görevlerde sık değerlendirilen alanlardır. Uygunluk, departmandan çok sürecin veri, risk ve denetim koşullarına bağlıdır.

Küçük bir şirket yapay zekâya nereden başlamalı?

Hacmi bilinen, tekrarlayan, düşük riskli ve insanın son kontrolü yapabildiği bir görevden başlamalıdır. Örneğin onaylı şirket dokümanlarında arama veya içerik taslağı, yüksek etkili otomatik kararlardan daha uygun bir ilk pilot olabilir.

Yapay zekâ müşteri hizmetleri temsilcisinin yerini alır mı?

Belirli işleri destekleyebilir; ancak karmaşık, hassas veya istisnai taleplerde insanın bağlam değerlendirmesi ve sorumluluğu gereklidir. İlk aşamada taslak ve yönlendirme desteği, doğrudan otomatik yanıttan daha kontrol edilebilir bir modeldir.

Kurumsal veriyi üretken yapay zekâ araçlarına girmek güvenli mi?

Bu, kullanılan hizmetin sözleşme ve teknik ayarlarına, verinin türüne ve kuruluşun güvenlik kurallarına bağlıdır. Kişisel veri, ticari sır, erişim anahtarı ve hassas belgeler için veri işleme, saklama ve erişim koşulları değerlendirilmeden paylaşım yapılmamalıdır.

Yapay zekâ çıktısının doğru olduğunu nasıl kontrol ederiz?

Çıktıyı kaynaklara bağlamak, temsilî test kümesinde ölçmek, insan incelemesi uygulamak ve canlı ortamda hata örneklerini izlemek gerekir. Akıcı veya ikna edici bir yanıt, tek başına doğruluk kanıtı değildir.

İK'da yapay zekâ kullanırken nelere dikkat edilmeli?

Aday, çalışan veya başvuru sahibi üzerinde etkili olabilecek süreçlerde ayrımcılık, gizlilik, açıklanabilirlik ve anlamlı insan incelemesi önceliklidir. Yüksek etkili kararları otomatikleştirmek yerine önce destekleyici, düşük riskli görevler değerlendirilmelidir.

Yapay zekâ projesinin başarılı olup olmadığını hangi metrikler gösterir?

Süre veya maliyet yanında kalite, hata/düzeltme oranı, güvenlik olayı, kullanıcı memnuniyeti ve iş sonucuna yönelik metrikler birlikte izlenmelidir. Pilot öncesi bir karşılaştırma düzeyi belirlemek, değişimi yorumlamayı kolaylaştırır.

Kaynaklar

1. OECD — AI Principles. 2019'da kabul edildi, 2024'te güncellendi. https://www.oecd.org/en/topics/ai-principles.html
   Yapay zekâ sisteminin kapsamını ve güvenilir yapay zekâ için uluslararası ilkeleri destekler.
2. National Institute of Standards and Technology (NIST) — Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1. Ocak 2023. https://doi.org/10.6028/NIST.AI.100-1
   Güvenilirlik niteliklerini, Govern/Map/Measure/Manage işlevlerini ve sürekli test yaklaşımını destekler.
3. NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1. 26 Temmuz 2024; sayfa 8 Nisan 2026 güncellemesi. https://doi.org/10.6028/NIST.AI.600-1
   Üretken yapay zekâya özgü risklerin yaşam döngüsü boyunca yönetilmesi gereğini destekler.
4. European Commission — AI Act. Son güncelleme: 3 Ağustos 2026. https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai
   AB Yapay Zekâ Tüzüğü'nün risk temelli yapısını, şeffaflık yükümlülüklerini ve yüksek riskli kullanım alanlarına ilişkin güncel uygulama takvimini destekler.
5. T.C. Kişisel Verileri Koruma Kurumu — 6698 Sayılı Kişisel Verilerin Korunması Kanunu. Erişim: 27 Eylül 2026. https://www.kvkk.gov.tr/Icerik/6649/Kisisel-Verilerin-Korunmasi-Kanunu
   Türkiye'de kişisel verilerin işlenmesine ilişkin temel hukukî çerçeveyi destekler.
6. T.C. Kişisel Verileri Koruma Kurumu — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda). Erişim: 27 Eylül 2026. https://www.kvkk.gov.tr/Icerik/8547/uretken-yapay-zeka-ve-kisisel-verilerin-korunmasi-rehberi-15-soruda
   Üretken yapay zekâ sistemlerinin kişisel veri işleme faaliyetlerinin KVKK bağlamında değerlendirilmesini destekler.