Çoğu şirket Generative AI ROI’sini ölçemiyor diye yakınıyor. Bu doğru değil — ölçüyor, ama yanlış şeyi ölçüyor. İşte bu yüzden analizler yapay pozitif ya da açıklanamaz negatif çıkıyor. 2023’te pilot başlatıp 2024’te ölçmeye çalışan ekiplerin büyük çoğunluğu çıktı verimini saydı: kaç belge üretildi, kaç e-posta yazıldı, bir görev kaç dakika kısaldı. Bu metrikler gerçek ama yetersiz. Karar kalitesi değişti mi? Hata maliyeti ne kadar düştü? Çalışanın dikkat kapasitesi yüksek değerli işe mi kaydı? Bu sorular cevaplanmadan hesaplanan ROI, bir muhasebe satırı değil; güzel bir tahmindir.İzmir’deki orta ölçekli bir sigorta aracılık şirketini ele alalım — 312 çalışan, yedi şehirde acentesi var. Şirket 2024 başında RAG tabanlı bir poliçe sorgulama sistemi kurdu. İlk altı ayın ölçümü şunu gösterdi: müşteri temsilcisinin poliçe bilgisine erişim süresi 4,5 dakikadan 48 saniyeye indi. Güzel bir rakam. Ama sistem müdürü bu rakamı CFO’ya sunduğunda ilk soru şu oldu: ‘Peki müşteri memnuniyeti ne oldu? Hata oranı düştü mü? Temsilcinin kazandığı 4 dakikayı ne yapıyor?’ Üç sorudan ikisine cevap yoktu. Taban çizgisi kurulmamıştı; kazanılan zamanın nereye gittiği izlenmemişti. Bu eksiklik, harika operasyonel verinin yönetim kararına dönüşememesi demektir.Taban çizgisi disiplini — baseline discipline — AI ROI hesabının en zayıf halkası olmaya devam ediyor. Bunun nedeni teknik değil, organizasyonel: birisi AI sistemi devreye girmeden önce ‘şu anda bu süreci nasıl yapıyoruz ve bunu nasıl ölçüyoruz?’ sorusunu sormalı. Çoğu KOBİ’de bu soruyu soran yoktur, çünkü ölçüm kültürü oturmamıştır. Bir Ankara’lı inşaat malzemeleri toptancısı — 445 çalışan, yurt içi B2B satış — 2025 ortasında müşteri tekliflendirme sürecine LLM destekli bir öneri motoru ekledi. Proje başlamadan önce teklif hazırlama süresinin kaydı yoktu; tahminler ‘yaklaşık iki saat’ diye konuşuyordu. Sistem devreye girdikten sonra ‘yüzde kaç iyileştirme?’ sorusu yanıtsız kaldı. Gerçek sonuç muhtemelen iyiydi, ama ölçülemedi. Burası teselli değil, öğretici nokta: AI projesinin bütçesi onaylanmadan önce ölçüm altyapısı kurulmuyorsa ROI analizi başlamadan kapanmış demektir.Ajan bazlı sistemler değer atıfını daha da karmaşık hale getirdi. 2025-2026 döneminde kurumsal kullanımı hız kazanan AI ajanları çoğu zaman bir insan iş akışının ortasına giriyor; bir kısmını otomatikleştiriyor, bir kısmını hızlandırıyor, bir kısmını ise insana geri gönderiyor. Bu hibrit modelde ‘bu ajanın katkısı neydi?’ sorusu düzgün yanıtlanmak istiyorsa değer atıf modeli kurulmak zorunda. Bir Bursa’lı otomotiv yedek parça ihracatçısı — 378 çalışan, Almanya ve Polonya’ya doğrudan satış — dış ticaret belgelerini hazırlayan bir ajan sistemi 2025 sonunda devreye aldı. İlk üç ayda ajanın işlediği belge sayısı ve insan düzeltmesi gerektiren oranı kayıt altına alındı. Dört ay sonra düzeltme oranı ilk ölçüme göre yüzde on yedi düşmüştü. Bu rakam hem sistem öğrenmesini hem gerçek operasyonel değeri gösteriyor. Kilit fark şu: şirket devreye almadan önce atıf mekanizmasını tasarlamıştı; ‘insan ne yaptı, ajan ne yaptı, hata neredeydi’ ayrımı sistemin içine kodlanmıştı. Ajanı kurup sonra ‘ne kadar kazandırdı?’ diye sormak, fabrikayı açıp sonra sayaç takmaya çalışmak gibidir.Portföy yaklaşımı 2026’da artık bir lüks değil, zorunluluk. Generative AI projeleri artık tek tek pilot değil; birden fazla ajan, birden fazla LLM bağlantısı, birden fazla iş sürecini etkileyen bir sistem ailesi olarak işliyor. Bu karmaşıklıkta tek proje bazlı ROI hesabı yanıltıcı olabiliyor — bir ajan başka bir ajanın çıktısını kullanıyorsa kimin katkısı nedir? Türkiye’de finansal hizmetler ve büyük perakende zincirlerinde bu sorunun tam ortasında olan ekiplerle çalışıyorum. Gördüğüm olgun yaklaşım şu: AI portföyünü iki kova olarak yönet. Birinci kova — verimlilik ajanları: belgelenmiş süre ve hata tasarrufu, haftalık izleme, net ROI eşiği var. İkinci kova — karar destek sistemleri: kısa vadeli ROI belirsiz, değer ufku 12-18 ay, başarı kriteri ‘karar kalitesindeki değişim’. Bu iki kovanın aynı metrikle ölçülmesi hem birincisini hafife alır hem ikincisini haksız yere öldürür. EU AI Act’ın yüksek riskli sistem sınıflandırması da bu ayrımı güçlendiriyor: karar destek sistemleri farklı yönetişim yükümlülükleri taşıyor, dolayısıyla farklı ölçüm çerçeveleri gerektiriyor.Pazartesi sabahı ne yapacaksınız? Birinci adım: önümüzdeki üç ayda başlatacağınız veya hâlihazırda çalışan her AI projesine bir taban çizgisi zorunluluğu koyun — sistem devreye girmeden önce mevcut sürecin ‘şu anda nasıl çalışıyor ve bunu nasıl ölçüyoruz’ sorusu iki sayfa cevabını bulmuş olmalı. İkinci adım: ajan sistemleri için değer atıf mekanizmasını teknik ekiple birlikte sistem içine kodlayın — ‘insan adımı’, ‘ajan adımı’ ve ‘hata/düzeltme’ ayrımı kayıt altına alınmadan ROI sorusu cevaplanamaz. Üçüncü adım: AI projelerinizi iki kovaya ayırın, her kovaya farklı ölçüm ritmi ve başarı eşiği tanımlayın; CFO sunumunuzu ‘bu proje ne kadar kâr etti?’ değil ‘bu proje hangi kovada, o kovanın kriterini karşılıyor mu?’ sorusu etrafında kurun. Generative AI’nin üç yıllık kurumsal deneyinin bize öğrettiği şeyi tek cümleyle söyleyeyim: ROI sorunu ölçüm problemidir, teknoloji problemi değil. Sistemi kurmak zor; neyi, ne zaman, neyle kıyaslayarak ölçeceğini bilmek daha zor. Ve Türkiye’de bunu doğru yapan şirketlerin sayısı hâlâ bir elin parmaklarını geçmiyor.