Yapay zekâ yol haritası, pilot projeler ve ölçekleme kararları için 6 adım
Bütçe döneminde yönetimin önüne aynı anda birkaç yapay zekâ teklifi gelebiliyor: müşteri hizmetleri için bir sohbet asistanı, finans için fatura eşleştirme, satış ekibi için Microsoft Copilot lisansları, üretim için arıza tahmini. Çalışanların bir kısmı da ChatGPT, Gemini ya da Claude'u zaten kendi işlerinde kullanıyor olabilir.
Sınırlı bütçe ve sınırlı ekip zamanıyla bu tekliflerden hangisine önce, hangisine sonra yatırım yapmalı, hangisini şimdilik rafa kaldırmalısınız?
Bu yazıdaki önceliklendirme yöntemi, her teklifi çözdüğü iş sorunu, gerektirdiği veri, toplam maliyeti ve şirketin üstlenebileceği risk üzerinden aynı çerçevede karşılaştırarak bu soruya cevap veriyor.
2027 bütçe planlarına girerken "rakipler de yapıyor" gerekçesi tek başına bir yatırım kararını taşımıyor. Denemeden ölçeğe geçemeyen projeler bütçede lisans ve entegrasyon maliyeti bırakabiliyor, ekiplerde de yeni araçlara karşı yorgunluk yaratabiliyor.
Bu rehberde yapay zekâ yatırımlarını önceliklendirmeyi 6 adımda ele alıyoruz: iş hedefleri ve darboğazlar, aday kullanım alanları, değer–veri–risk karşılaştırması, toplam maliyet ve sahiplik, küçük deneme ölçütleri ve 2027 için ölçekleme, erteleme ya da vazgeçme kararları.
Yapay zekâ yatırımlarını önceliklendirmenin 6 adımı
- İş hedefleri ve darboğazlar: Yatırımın çözeceği somut iş sorununu baştan tanımlar.
- Aday kullanım alanları: Sorunu çözebilecek yapay zekâ uygulamalarını tek listede toplar.
- Değer, veri ve risk: Adayları fayda, veri hazırlığı ve hata maliyetiyle karşılaştırır.
- Toplam maliyet ve sahiplik: Lisans dışındaki giderleri ve sorumlu kişileri netleştirir.
- Küçük deneme: Önceden yazılmış ölçütlerle sınırlı bir pilotta sonucu test eder.
- Ölçekle, ertele, vazgeç: 2027 yol haritasını deneme sonuçlarına göre üç karara ayırır.
Yapay zekâ ürünlerinin yetenekleri sık değişir; bu çerçeve yatırım getirisi garantisi vermez, kararı bugünkü kanıta bağlamaya yardım eder.
1. İş hedefleri ve mevcut darboğazlar: yatırımın çıkış noktası
İş hedefleri ve darboğazlar, yapay zekâ yatırımının hangi sonucu değiştirmesi gerektiğini belirler. Başlangıç sorusu "Yapay zekâyla ne yapabiliriz?" olduğunda liste teknolojiye göre uzar; "Hangi iş sonucu bizi en çok zorluyor?" olduğunda ise önceliklendirilebilir hâle gelir.
Darboğazları üç grupta arayın: tekrarlanan iş yükü (sipariş girişi, fatura kontrolü, müşteri e-postaları), yavaş ya da tutarsız kararlar (stok planlama, kredi limiti) ve kapasite yetmediği için kaçan gelir fırsatları (geç dönülen teklifler).
Her darboğazı ölçülebilir bir cümleye çevirin: "Teklifler yavaş" yerine "Teklifler müşteriye kaç günde gidiyor ve bu süre yüzünden hangi fırsatlar kaçıyor?"
2. Aday kullanım alanları: her darboğaz için seçenekler tek listede
Aday kullanım alanları, belirlenen darboğazları çözebilecek yapay zekâ uygulamalarının listesidir. Diyelim ki endüstriyel yedek parça dağıtan orta ölçekli bir şirket, ilk turda üç adayı öne çıkarıyor.
Birinci aday, müşterilerin e-postayla gönderdiği siparişlerden sipariş taslağı çıkarmak. İkincisi, geçmiş satışlardan talep tahmini yapıp stok planlamasına destek olmak. Üçüncüsü, satış ekibinin teknik kataloglarda arama yapmasını kolaylaştıran bir doküman asistanı kurmak.
Listeyi hazırlarken her darboğazın gerçekten yapay zekâ gerektirip gerektirmediğini de sorun. Bazı sorunlar basit bir otomasyonla, bir form düzenlemesiyle ya da süreçteki gereksiz bir onay adımını kaldırarak daha ucuza çözülebilir.
3. Değer, veri hazırlığı ve risk karşılaştırması: üç temsili kullanım alanı
Değer, veri hazırlığı ve risk karşılaştırması, adayları aynı soruların ışığında yan yana koymaktır. Tekrarlanan iş yükünü ne kadar azaltıyor, karar kalitesine ya da gelire ne katıyor, verisi hazır mı, hata yaptığında bedeli ne ve çalışanlar onu kullanmaya ne kadar istekli? Yedek parça örneğinde resim şöyle:
- Sipariş taslağı, değer: Tekrarlanan veri girişini azaltır; müşteriye dönüşü hızlandırıp sipariş kaçırma riskini düşürebilir.
- Sipariş taslağı, veri ve denetim: Ürün kodları düzenli; hatalı kod sevkiyata yansıyacağı için her taslağı bir çalışan onaylamalı.
- Stok planlama, değer: Karar kalitesini artırıp stoksuz kalma ve fazla stok sorununu hafifletebilir.
- Stok planlama, veri ve denetim: Geçmiş satış verisi dağınık, kampanya dönemleri işaretlenmemiş; öneriler planlamacı onayından geçmeli.
- Doküman asistanı, değer: Satış ekibinin teknik sorulara daha hızlı ve tutarlı cevap vermesine yardım eder.
- Doküman asistanı, veri ve denetim: Katalogların bir kısmı taranmış PDF; yanlış uyumluluk bilgisi müşteri güvenini zedeleyebilir.
- Benimseme: Sipariş ekibi değişime istekli; planlama ekibi mevcut hesap tablolarına bağlı ve daha temkinli.
Bu karşılaştırmada en heyecan verici görünen stok tahmini, veri hazırlığı yüzünden ilk sıraya çıkmıyor. En sade görünen sipariş taslağı ise verisi hazır, denetimi kolay ve ekibi istekli olduğu için öne geçiyor.
4. Toplam maliyet ve sahiplik: lisansın ötesindeki giderler ve sorumlular
Toplam maliyet, lisans ya da kullanım ücretinin yanında entegrasyon, veri hazırlığı, güvenlik ve hukuk incelemesi, çalışan eğitimi, insan denetimine harcanan zaman ve bakım giderlerini kapsar. Yedek parça örneğinde maliyetin ağırlığı sipariş taslağında entegrasyon ve onay süresinde, stok planlamada veri düzenlemede, doküman asistanında katalogların dijitalleştirilmesinde toplanır.
Sahiplik, her kullanım alanı için iki kişiyi baştan belirlemek demektir: sonuçtan sorumlu bir iş sahibi ve aracın çalışmasından sorumlu bir teknik sahip. Sahibi belli olmayan bir proje, deneme bittiğinde kimsenin bakmadığı bir araca dönüşebilir.
Maliyeti yalnızca lisans üzerinden hesaplamak ve insan denetimi saatlerini yok saymak, getirisi olduğundan yüksek görünen kararlara yol açar.
5. Küçük denemede başarı ölçütleri: pilot başlamadan yazılan kurallar
Küçük deneme, seçilen kullanım alanını sınırlı kapsamda ve önceden yazılmış ölçütlerle gerçek iş üzerinde sınamaktır. Sipariş taslağı için bu, örneğin tek bir ürün grubunun e-posta siparişleriyle yürütülen birkaç haftalık bir pilot anlamına gelebilir.
Başarı ölçütlerini pilot başlamadan yazın ve başlangıç değerleriyle karşılaştırın: taslak başına gereken düzeltme, sipariş başına harcanan süre, hatalı sevkiyat sayısı ve ekibin aracı kullanmaya devam etme isteği. Hangi durumda pilotu durduracağınızı da önceden belirleyin; örneğin hatalı taslakların onaydan kaçmaya başlaması.
Başarıyı pilot bittikten sonra, eldeki sonuçlara bakarak tanımlamaktan kaçının; bu durumda her deneme başarılı görünebilir.
6. 2027 için ölçekleme, erteleme ve vazgeçme kararları: kanıta dayalı yol haritası
2027 yol haritası, deneme sonuçlarına ve veri hazırlığına göre her kullanım alanını üç karardan birine ayırır: ölçekle, ertele ya da vazgeç.
Yedek parça örneğinde sipariş taslağı pilotta ölçütleri karşıladıysa diğer ürün gruplarına yayılabilir. Stok planlama, veri düzenleme projesi bitene kadar ertelenebilir; doküman asistanından ise, katalogları dijitalleştirmenin maliyeti beklenen faydayı aşıyorsa şimdilik vazgeçmek daha mantıklı olabilir.
Henüz doğrulanmamış yetenekleri kesinleşmiş kapasite gibi plana yazmayın. Bir sağlayıcının duyurduğu ama sizin verinizde denenmemiş bir özelliği "koşullu" olarak işaretleyin ve hangi kanıt geldiğinde devreye gireceğini yazın.
Yapay zekâ yatırım önceliklendirmesi nedir?
Yapay zekâ yatırım önceliklendirmesi; şirketin yapay zekâ adaylarını iş değeri, veri hazırlığı, risk ve toplam maliyete göre sıralayıp hangisine, ne zaman ve hangi ölçekte kaynak ayıracağına karar vermesine yardımcı olan bir yönetim çalışmasıdır.
Yapay zekâ portföy yönetimi, kullanım alanı önceliklendirmesi ya da yapay zekâ yol haritası planlaması adlarıyla da anılır.
Bu çalışmada, farklı bölümlerden gelen her aday için aynı biçimde ve yan yana tartılan temel ölçütler şunlardır:
- Tekrarlanan iş yükündeki azalma
- Karar kalitesine katkı
- Gelir fırsatı
- Veri hazırlığı
- Hata maliyeti ve insan denetimi ihtiyacı
- Çalışanların benimseme olasılığı
Kavram kanıtı, pilot proje ve ölçekli uygulama arasındaki fark nedir?
Kavram kanıtı, pilot proje ve ölçekli uygulama çoğu zaman aynı "deneme" sözcüğüyle anılır; oysa her biri farklı bir soruya cevap verir.
Kavram kanıtı (proof of concept), bir fikrin teknik olarak çalışıp çalışmadığını küçük ölçekte ve çoğu zaman örnek veriyle sınar; amacı öğrenmektir.
Pilot proje, seçilen kullanım alanını gerçek kullanıcılar ve gerçek veriyle, sınırlı kapsamda ve önceden yazılmış ölçütlerle çalıştırır; amacı karar vermektir.
Ölçekli uygulama, pilotta kanıtlanan çözümün ilgili bütün ekip ve süreçlere yayılmasıdır; destek, bakım, eğitim ve kalıcı sahiplik gerektirir.
Bu aşamaları karıştırmak, bir kavram kanıtının başarısını şirket geneline yayılmaya hazır bir çözüm gibi okumaya yol açar.
Dağınık denemelerden portföy kararına: 2027'de ne değişiyor?
Yapay zekâ kullanımı genellikle ekiplerin kendi denemeleriyle başlar: kişisel hesaplar, küçük lisanslar, bölüm bazında alınmış araçlar. Bu dönem öğrenmek için yararlıdır.
Denemeler çoğaldıkça dağınık kullanım veri güvenliği riskini, birbirini tekrar eden lisansları ve kimsenin ölçmediği faydayı aynı anda getirir. Yönetim neyin işe yaradığını göremez hâle gelir.
Risk, ya bütçeyi her şeye biraz dağıtıp hiçbir projeyi ölçekleyememek ya da tek bir büyük projeye bağlanıp esnekliği kaybetmektir.
Yapay zekâ önceliklendirmesi yönetim ekipleri için ne ifade ediyor?
Yapay zekâ önceliklendirmesi, yönetim ekipleri için yapay zekâyı bir teknoloji gündeminden çıkarıp diğer yatırımlar gibi yönetilen bir portföye dönüştürmek demektir.
Bir genel müdür kullandığı yapay zekâ asistanına şunu sorabilir: "Müşteri hizmetleri, finans ve üretimden gelen beş yapay zekâ teklifimiz var. Veri hazırlığını ve hata maliyetini de hesaba katarak hangisini önce denemeli, hangisini ertelemeliyiz?"
Klasik yaklaşımda her bölüm kendi bütçesiyle araç alır ve en çok konuşulan araç öne çıkar. Gelişmiş yaklaşımda bütün adaylar aynı ölçütlerle sıralanır, her birine bir sahip ve bir durdurma ölçütü atanır.
İleride yapay zekâ ajanları süreç adımlarının bir kısmını üstlenmeye başlarsa öncelik tartışması "hangi aracı alalım?" sorusundan "hangi kararı yazılıma, hangisini insana bırakalım?" sorusuna kayabilir.
Yapay zekâ yatırımı seçerken nelere dikkat edilmeli?
Bir teknolojinin yeni ya da popüler olması tek başına yatırım gerekçesi olmaz; seçim yaparken şu başlıklar birlikte tartılmalı:
- Ölçülebilir bir iş sorunu
- Kullanıma hazır ve erişilebilir veri
- Hatanın müşteriye ve operasyona maliyeti
- Gerekli insan denetimi süresi
- Lisans dışı toplam maliyet
- Belirlenmiş iş ve teknik sahip
- Çalışanların günlük işe uyumu
- Önceden yazılmış durdurma ölçütü
- Kâr, gelir ya da kapasiteye ölçülebilir katkı
Bu önceliklendirmede kimler masada olmalı?
Yapay zekâ önceliklendirmesi tek bir bölümün kararı olmadığı için aşağıdaki rollerin aynı masada bulunması gerekir:
- CEO ve genel müdürler: Yapay zekâ yatırımlarını şirket stratejisiyle hizalamak için
- Finans yöneticileri: Toplam maliyeti ve geri dönüş beklentisini gerçekçi kurmak için
- Operasyon ve bölüm yöneticileri: Gerçek darboğazları ve iş akışlarını masaya getirmek için
- Bilgi teknolojileri ve veri ekipleri: Veri hazırlığını, güvenliği ve entegrasyonu değerlendirmek için
- İnsan kaynakları: Benimseme, eğitim ve rol değişimlerini planlamak için
Sonuç: İyi bir yol haritası neyi yapmayacağınızı da yazar
Yapay zekâ bütçesi konuşulurken sık duyulan soru şudur: "Hangi yapay zekâ aracını almalıyız?" Bu soru satın alınacak şeyi öne koyar, çözülecek sorunu sona bırakır.
Yeni ölçüt, hangi iş sorununu hangi veriyle, hangi riski üstlenerek ve kimin sahipliğinde çözdüğünüzü ve sonucu neye bakarak ölçeceğinizi baştan yazmaktır.
Doğru yapay zekâ yol haritası, yalnızca ölçeklenecek projelerin listesi değil; ertelenecek ve vazgeçilecek olanları da gerekçesiyle yazan bir karar belgesidir. Bu kararları yönetim ekibiyle birlikte yapılandırmak isteyen şirketler için AfterFAANG'in keynote, eğitim, ileri atölye ve yol haritası aşamalarından oluşan Yapay Zekâ Dönüşümü programı bir çerçeve sunar.
