Şirketler Yapay Zekâdan Nasıl Değer Üretebilir?

💡 Özet: Ana Çıkarımlar

• Model kapasitesi, görev sonucu, iş kabiliyeti ve işletme değeri aynı şey değildir. Bir aşamadaki başarı, sonraki aşamaya geçtiğinizi kendiliğinden kanıtlamaz.
• Şirkete özgü değer çoğu zaman modelin çevresinde oluşur. Veri, süreç, yetki, mevcut sistemlerle kurulan bağlantılar, uzmanlık ve ölçüm düzeni ortak bir modeli şirkete ait bir kabiliyete dönüştürür.
• Yapay zekâ çalışan sayısını azaltmadan da değer üretebilir. Çalıştığım şirkette karşılığı hız, verimlilik, kalite ve yönetim kabiliyeti oldu. Yalnızca insan emeğiyle karşılanması ekonomik olmayan bazı kabiliyetleri mümkün kıldı.

Bir şirket kaç AI lisansı aldığını, kaç pilot proje başlattığını ve kaç yapay zekâ ajanı geliştirdiğini kolayca sayabilir. Daha zor soru şudur: Bu sistemlerden hangisi müşterinin işini hızlandırdı, hangisi aynı ekibin aynı kalitede daha fazla iş tamamlamasını sağladı ve hangisi maliyet, gelir veya risk göstergelerinde görünür bir değişiklik yarattı?

2026'da ABD, Birleşik Krallık, Almanya ve Avustralya'dan yaklaşık 6 bin şirket yöneticisiyle yapılan temsili bir firma araştırmasında, şirketlerin yaklaşık yüzde 70'i yapay zekâ kullandığını bildirdi. Buna karşılık yüzde 80'den fazlası son üç yılda üretkenlik veya istihdam üzerinde bir etki görmediğini söyledi. Aynı yöneticiler önümüzdeki üç yılda yapay zekâ sayesinde üretkenliğin artmasını bekliyor.

Bu genel tablo, benim çalıştığım şirkette gördüğüm sonucu tarif etmiyor. Yürüttüğümüz yapay zekâ projelerinin tamamında hız, verimlilik, kalite ve yönetim kabiliyeti kazandık. AI çalışan sayısını azaltmadı. Ancak aynı kalite ve kabiliyetleri yalnızca insan emeğiyle sağlamak daha büyük bir ekip ve karşılayamayacağımız yatırımlar gerektirecekti.

Daha önce ayrıntılarını yazdığım VaniBot bunun en basit ve kamuya açık örneklerinden biri. VaniBot ön görüşme iletişimini ve düzenli bilgi toplamayı destekliyor, gerektiğinde konuşmayı ekibe devrediyor. Ekipte kimsenin yerini almadı. Tekrarlayan iletişim yükünü azaltarak bağlam ve değerlendirme gerektiren işler için alan açtı. Daha fazla hız, verimlilik ve yönetim kabiliyeti kazandıran başka projelerimiz de var; ancak kamuya açık olmayan ayrıntılarını burada paylaşmıyorum.

Bu tek şirket deneyimi temsili araştırmayı geçersiz kılmaz. Fakat istihdam üzerindeki etkiyi yalnızca çalışan sayısının azalmasıyla okumanın eksik kaldığını gösterir. Değer bazen aynı bütçeyle daha önce kurulamayan bir kalite veya yönetim kabiliyetinin mümkün hâle gelmesidir.

Temsili araştırma genel tabloyu, bu deneyim ise canlı sistemleri gösteriyor. Birlikte okunduğunda benimseme, üretkenlik, personel sayısı ve şirketin kazandığı kabiliyetin aynı ölçü olmadığı görülüyor. Bir şirkette yapay zekâ kullanılmasıyla o şirketin bundan değer üretmesi arasındaki boşluk da tam burada başlıyor.

Bu ayrım, MIT Sloan'da George Westerman'ın 3 Ağustos 2026 tarihli AI stratejisi için altı soru yazısında da görülüyor. Westerman ortak hedefi, yönetişimi, ölçeklemeyi, teknoloji temelini, kurum kültürünü ve çalışan becerilerini aynı stratejinin parçaları olarak ele alıyor. Mesele yalnızca iyi bir model seçmek değil; şirketin işi nasıl farklı yapacağını ve bu değişimi nasıl sürdüreceğini belirlemek.

Yapay zekâ bazı işlerde gerçekten verim sağlıyor

Benim kendi deneyimimde gördüğüm kazanımların başka iş akışlarında ölçülmüş karşılıkları da var.

Müşteri destek çalışanlarını inceleyen Generative AI at Work araştırmasında, yapay zekâ destekli bir asistan kullanan 5 binden fazla çalışanın saat başına çözdüğü sorun sayısı ortalama yaklaşık yüzde 14 arttı. Kazanım, daha az deneyimli çalışanlarda daha yüksekti. Deneyimli çalışanlardaki etki ise çok daha sınırlıydı.

Belirli bir iş akışında, gerçek çalışanlar üzerinde ölçülmüş bir verim artışı var. Çalışma ise tek bir şirketin müşteri destek süreciyle sınırlı. Yüzde 14'ü her şirket için geçerli bir yapay zekâ getirisi olarak okuyamayız. Araştırma ayrıca bu hızlanmanın şirket kârına veya kalıcı rekabet avantajına ne ölçüde dönüştüğünü ölçmüyor.

Bir işin daha hızlı tamamlanması küçümsenecek bir kazanım değil. Bunun şirketin kapasitesine, maliyetine veya müşteri sonucuna yansıması için ise birkaç geçişin daha gerçekleşmesi gerekiyor.

Modelden işletme değerine dört geçiş

Yapay zekâ yatırımını tek bir başarı oranıyla değerlendirmek yerine dört ayrı düzeyde düşünmek daha açıklayıcıdır:

Bir basamaktaki başarı diğerine geçmek için gereklidir, ama yeterli değildir. Modelin testlerde iyi sonuç vermesi, şirketin o sonucu canlı sistemde sürekli üretebildiğini göstermez.

Bir model, müşteri mesajından iade talebini doğru çıkarabilir. Yapay zekâ desteği alan temsilci talebi daha hızlı işleyebilir. Şirketin iş kabiliyeti ise doğru siparişi bulmayı, güncel politikayı uygulamayı, yetkiyi kontrol etmeyi, iadeyi güvenli biçimde yapmayı ve hatadan sonra toparlanmayı da içerir. İşletme değeri ancak bu düzen müşteri kaybını, işlem maliyetini, çözüm süresini veya başka bir hedef sonucu değiştirdiğinde görünür olur.

Yapay zekâ sistemlerinin başarısının nasıl ölçüleceğini ele aldığım yazıda, model çıktısı, sistemin izlediği yol, tamamlanan iş ve işletme etkisi için ayrı kanıtlar gerektiğini anlatmıştım. Değer tartışmasında da aynı ayrım geçerli. Kolay ölçülen ilk aşama, şirketin asıl sonucunun yerine geçmemeli.

Aynı modele erişmek, aynı kabiliyete sahip olmak değildir

Bugün pek çok şirket güçlü modellere kurumsal abonelikle erişebiliyor veya bu modelleri kendi sistemlerine bağlayabiliyor. Bu erişim önemli. Fakat rakibinizin de satın alabildiği bir model, tek başına şirketinize özgü bir üstünlük oluşturmaz.

AI projesine model seçerek başlamama nedenlerini daha önce yazmıştım. Model ile iş kabiliyeti arasındaki farkı şirketin güvenilir verisi, iş kuralları, mevcut sistemleri, kullanıcı yetkileri, uzman kararı ve geri bildirim düzeni yaratır.

OECD'nin 11 ülkedeki resmi firma anketlerini birlikte değerlendirdiği yapay zekâ benimseme araştırması, yapay zekâ kullanan şirketlerde dijital altyapı, başka dijital teknolojiler ve bilgi-iletişim becerileri gibi destekleyici unsurların da daha yaygın olduğunu gösteriyor.

Bu ilişki yapay zekânın tek başına üretkenliği artırdığını kanıtlamıyor. Zaten daha üretken olan şirketlerin hem bu altyapılara hem yapay zekâya daha kolay yatırım yapması da mümkün. Yine de teknoloji yatırımını, onu çalıştıracak şirket kabiliyetinden ayrı düşünmenin neden sorunlu olduğuna işaret ediyor.

Şirkete özel yapay zekâyı özel yapan unsurları incelediğim yazıda, her şirkete özgü gereksinimin modele gömülmediğini anlatıyorum. Güncel bilgi kaynak sistemde, açık kural yazılımda, işlem yetkisi erişim katmanında yaşayabilir. Model değişse bile bu parçaların şirkette kalması gerekir.

Stanford Digital Economy Lab’in 41 kuruluştaki 51 üretim uygulamasını inceleyen Enterprise AI Playbook raporu, bu geçişte modelin genellikle en zor parça olmadığını gösteriyor. İncelenen örneklerde en zor sorunların yüzde 77’si değişim yönetimi, veri kalitesi ve süreç yeniden tasarımı gibi görünmeyen maliyetlerdi.

Bu, model kapasitesinin işletme değerine dönüşmesi için organizasyonun işi yeniden kurması gerektiğine dair bizim çerçevemizi destekliyor. Ancak örneklem yalnızca başarıya ulaşmış uygulamalardan seçildiği için sonuç genel başarı oranı olarak okunmamalı.

Burada iki farklı hedefi ayırmak önemli. Bir şirket yapay zekâdan yararlanarak rakipleriyle aynı maliyet ve hizmet düzeyini koruyabilir. Bu da ekonomik değerdir. Her yatırımın benzersiz bir rekabet avantajı üretmesi gerekmez. Ancak hedef rakiplerden farklılaşmaksa ortak model erişimi yeterli değildir. Asıl fark, modelin şirkete özgü veri ve süreçlerle nasıl çalıştığında, şirketin de bu sistemi ne kadar iyi işletebildiğinde ortaya çıkar.

Prototip ucuzladı. Canlı sistemin faturası duruyor

Bir modele birkaç belge verip çalışan bir deneme sistemi hazırlamak artık çok hızlı. Bu kolaylık, canlıda kullanılacak sistemin de aynı hız ve maliyetle kurulacağı izlenimini yaratabiliyor.

Canlı ortam başka sorular getiriyor. Model güncel kaynağı mı kullandı? Kullanıcı bu kaydı görmeye yetkili mi? Gerçek işlem oluştu mu? Aynı talep ikinci kez çalışırsa sonuç çoğalacak mı? Hata olduğunda sistem duracak mı, geri dönecek mi, yoksa işi bir uzmana mı aktaracak? Model veya sağlayıcı değiştiğinde kaliteyi nasıl karşılaştıracağız?

MIT CISR'nin Ağustos 2026 tarihli AI Value Creation: Five Provocative Propositions araştırma notu, güveni altyapının parçası olarak tasarlamayı savunuyor. Aynı yazı, şirketlerin kaç yapay zekâ ajanı geliştirdiğinin zamanla önemsizleşeceğini söylüyor. Kalıcı değerin bu sistemleri canlıya alma ve yaygınlaştırma becerisinde olacağını öne sürüyor.

Bu önermeler bir sektör ortalamasından veya temsili bir deneyden çıkmıyor. MIT CISR bunları şirket görüşmeleri, örnek olaylar ve devam eden araştırmalardan türetilmiş tartışma tezleri olarak sunuyor. Burada sıralanan ihtiyaçlar ise canlı bir sistemde karşılığı olan işler: değerlendirme, izleme, sonucu asıl kaynaktan doğrulama, yetkilendirme, itiraz, işlemi geri alma ve hatadan sonra toparlanma.

Yapay zekâya verilecek yetkiyi ve iş akışı ile yapay zekâ ajanı arasındaki seçimi ayrı yazılarda bu nedenle teknik bir ayrıntı olarak değil, iş tasarımının parçası olarak ele aldım. Geliştirilen ajan sayısı bir faaliyet göstergesi olabilir. Sistem güvenilir çalışmıyor veya sonucu kanıtlanamıyorsa değer göstergesi değildir.

Bilgiyi yayarken uzmanlığı korumak

Müşteri destek araştırmasındaki en güçlü kazanım daha az deneyimli çalışanlarda görüldü. Yapay zekâ, deneyimli çalışanların çözüm biçimlerini daha geniş bir ekibe taşıyabilir. Böylece kurum içindeki mevcut bilginin daha fazla çalışana ulaşması kolaylaşır.

Fakat uzmanlık yalnızca mevcut cevaba erişmek değildir. Yanlış cevabı fark etmek, istisnayı tanımak, yeni bir durumla karşılaşınca kuralı geliştirmek ve başkalarının kullanacağı bilgiyi üretmek de uzmanlığın parçasıdır.

2026'da yayımlanan, 52 katılımcıyla yapılmış dar kapsamlı bir programlama deneyinde, yapay zekâ kullanan grubun görev sonrası kavramsal değerlendirme puanı yüzde 17 daha düşük çıktı. Ortalama tamamlama süresinde anlamlı bir hızlanma da görülmedi.

Çalışma henüz hakem değerlendirmesinden geçmedi. Tek bir programlama görevine ve küçük bir örnekleme dayanıyor. Bu nedenle bütün mesleklerde yapay zekânın uzmanlığı azalttığı sonucuna varamayız. Çalışma, kullanım biçiminin kısa vadeli çıktı kadar öğrenmeyi de etkileyebileceğine ilişkin sınırlı bir uyarı sunuyor.

MIT CISR'nin beceri sorununu mevcut uzmanlığın kaybı üzerinden tartışması bu nedenle önemli. Şirketler çalışanlara yalnızca yapay zekâ aracı kullanmayı öğretir, fakat çıktıyı sorgulayacak alan bilgisini nasıl koruyacağını düşünmezse kısa vadeli hız uğruna gelecekteki doğrulama gücünü zayıflatabilir.

Kazanılan zamanı şirket yakalayabiliyor mu?

Bir görev yirmi dakika yerine on dakikada tamamlandığında on dakikalık bir fayda vardır. İşletme değeri ise bu on dakikanın neye dönüştüğüne bağlıdır.

Aynı ekip daha fazla talebi aynı kalitede mi çözdü? Fazla mesai azaldı mı? Müşteri daha kısa mı bekledi? Çalışan, boşalan zamanı daha değerli bir işe ayırabildi mi? Yoksa günün farklı yerlerinde kazanılan birkaç dakika, ekibin iş yükünde veya hedeflerinde hiçbir şeyi değiştirmeden kayboldu mu?

Asıl sorun, oluşan faydanın şirketin sonucuna yansıyıp yansımadığıdır. Çalışanın işini kolaylaştıran her gelişme doğrudan kâr olarak görünmek zorunda değildir. Daha düşük hata riski, daha tutarlı hizmet veya daha az yıpranma da anlamlı sonuçlardır. Fakat hangi değerin hedeflendiği baştan söylenmezse, proje sonrasında bulunan her olumlu sinyal başarı kanıtı gibi sunulabilir.

Bu tür yeni kabiliyetlerin şirketin çalışma düzeninde nasıl bir bağımlılık yaratabileceğini daha önce ayrı bir yazıda ele aldım.

Yapay zekâ yatırımının etkisi bazen gecikmeli de görünür. Süreçlerin yeniden tasarlanması, verinin düzeltilmesi ve çalışanların yeni düzene alışması zaman alır. Bu gecikme ölçümü gereksiz kılmaz. Hangi ara göstergenin ne zaman değişmesini beklediğimizi ve hangi koşulda yatırım kararını yeniden değerlendireceğimizi baştan yazmamız gerekir.

Enterprise Intelligence Architecture (Kurumsal Zekâ Mimarisi) çalışma modeli, bir yapay zekâ sistemini iş sonucu, işin parçaları, sorumlulukların dağılımı, kontrollü erişim ve eylem, son olarak da kanıt üzerinden ele alıyor.

Aşağıdaki beş soru ayrı bir değerlendirme modeli değil, bu yaklaşımın yatırım değerlendirmesine uygulanmış hâli.

Yapay zekâ yatırımlarını değerlendirirken beş soru

Bir yapay zekâ sistemini daha geniş kullanıma açmadan önce şu beş noktayı açıkça yazmak gerekir:

1. Bugünkü durum ne? Süre, kalite, maliyet, kapasite, risk veya müşteri sonucu bugün nasıl ölçülüyor?
2. İşin tamamlandığını ne kanıtlayacak? Modelin cevabı dışında hangi kaynak sistemde hangi kaydı göreceğiz?
3. Yatırımın karşılığı nerede görülecek? Kazanılan zaman daha fazla kapasiteye, daha düşük maliyete, daha iyi kaliteye, gelire veya daha düşük riske nasıl dönüşecek?
4. Sistemi canlıya almak için ne eksik? Veri, bağlantılar, yetkilendirme, uzmanlık, değerlendirme ve hatadan sonra toparlanma nasıl sağlanacak?
5. Hangi sonuçta devam edecek, değiştirecek veya durduracağız? Başarı eşiği, gözlem süresi ve kabul edilemez hata maliyeti baştan belli mi?

Bu soruların cevabı modeli önemsizleştirmez. Model, sistemin yapabileceklerini, maliyetini ve kalite sınırını doğrudan etkiler. Fakat değer, o kapasite şirketin gerçek işine bağlandığında oluşur.

Yapay zekâ kullanımının yaygınlaşması muhtemelen devam edecek. Şirketleri birbirinden ayıracak olan yalnızca kaç lisans aldıkları veya kaç yapay zekâ ajanı geliştirdikleri olmayacak. Daha anlamlı soru şu: Hangi sonucu, hangi sistemde, hangi süre boyunca kanıtladılar ve oluşan değeri nasıl kullandılar?