Bir tekstil ihracatçısının lojistik müdürü, sabah ofise geldiğinde ekranında hazır bir sevkiyat planı buluyor. Sistem bir önceki gecenin sipariş verilerini, taşıyıcı kapasitelerini ve geçmiş teslimat performansını işlemiş; üç farklı rota seçeneğini maliyet ve süre kırılımıyla sıralamış. Müdürün yapması gereken tek şey onaylamak ya da müdahale etmek. Bu sahne artık büyük kurumsal yapılara özgü değil. Makine öğrenmesi tabanlı karar destek araçları, orta ölçekli Türk şirketlerinin gündemine de girmeye başlıyor ve bu geçiş, yönetim anlayışını kökten sorguluyor.
Makine öğrenmesi, en yalın tanımıyla, sistemin geçmiş veriden örüntüler çıkararak gelecek durumlar için tahmin veya öneri üretmesi demek. Klasik yazılım mantığından farkı şu: kuralları programcı yazmıyor, sistem veriyi işleyerek kendi modelini oluşturuyor. Perakendede stok yenileme önerileri, finans sektöründe kredi risk skorlaması, üretimde kalite kontrol anomali tespiti — bunların hepsi makine öğrenmesinin iş süreçlerine girdiği somut alanlar. Türkiye’de bu teknolojilere erişim, bulut tabanlı analitik platformların yaygınlaşmasıyla birlikte daha uygun maliyetli hale geliyor; ancak kurumsal benimseme hâlâ erken aşamada.
Karar destek ile karar alma arasındaki sınır, bu tartışmanın en kritik noktası. Bir algoritma size ‘Bu müşteriyi yüksek risk olarak işaretliyorum’ dediğinde, bu bir öneri mi yoksa bir karar mı? Eğer sistem uyarı üretiyor ve yetkili onay veriyorsa, karar desteğinden söz ediyoruz. Eğer sistem belirli bir eşiğin altındaki siparişleri otomatik olarak reddediyorsa, karar alma sürecinin kendisi makineye devredilmiş demek. Bu ayrım hem operasyonel hem hukuki açıdan önemli. Türkiye’de ticaret hukuku ve tüketici mevzuatı henüz algoritmik karar alma süreçlerini açıkça düzenlemiyor; bu belirsizlik, özellikle finansal ve sözleşmesel kararlar için yöneticilerin dikkatli olmasını gerektiriyor.
Hangi kararlar makineye devredilebilir? Operasyonel tekrarlanabilirlik ve veri zenginliği bu sorunun iki temel kriteri. Stok yenileme zamanlaması, fiyat güncelleme önerileri, müşteri segmentasyonu, üretim hattı bakım planlaması — bunlar yüksek frekanslı, geçmiş veriyle beslenebilen ve hata maliyeti yönetilebilir kararlardır. ROI hesabı da burada netleşiyor: bir analist günde on kez stok kararı alıyorsa ve algoritma bu kararların yüzde seksenini kabul edilebilir hata payıyla doğru veriyorsa, işgücünü daha katma değerli analizlere yönlendirmek mümkün. Toplam sahip olma maliyeti açısından bakıldığında, veri altyapısına yapılan yatırım ilk yıl ağır görünse de tekrar eden karar süreçlerindeki verimlilik kazanımı orta vadede bu yükü karşılıyor.
Öte yandan bazı kararlar insan onayını zorunlu kılıyor. Tedarikçi ilişkilerinde stratejik tercihler, işe alım ve çıkarım, müşteri şikâyetlerinin çözüm yöntemi, kriz anında iletişim kararları — bunlar hem bağlam bağımlı hem de kurumsal değer yargılarını içeren kararlar. Algoritma bu tür durumlarda geçmiş veriyi doğru işlese bile, kararın arkasında duracak bir insan sorumluluğu gerekiyor. Yöneticilerin sıklıkla gözden kaçırdığı nokta şu: makine öğrenmesi modeli, eğitildiği veriyi yansıtır. Geçmişte belirli bir müşteri profiline düşük kredi limiti biçildiyse, model bu örüntüyü öğrenir ve sürdürür. Veri kalitesi ve model denetimi, bu nedenle teknik bir mesele olmaktan çıkıp kurumsal yönetişim meselesi haline geliyor.
Pratikte en sık karşılaşılan zorluk, veri hazırlığı. Türkiye’deki pek çok orta ölçekli şirket ERP sistemine geçmiş, e-Fatura ve e-Defter süreçlerini hayata geçirmiş; ancak bu verilerin analitik modellere beslenecek biçimde yapılandırılmış olması ayrı bir mesele. Farklı dönemlerde farklı formatlarda tutulan satış kayıtları, eksik müşteri verileri, tutarsız ürün kodlamaları — bunlar makine öğrenmesi projelerinin önündeki gerçek engeller. Bir danışmanlık projesinde veri temizleme ve yapılandırma aşaması toplam proje süresinin yarısını aşabiliyor. Bunu görmezden gelen şirketler, modelin çıktısına güvenmek yerine sonuçları sorgulamakla vakit kaybediyor.
Makine öğrenmesini yönetim süreçlerine entegre etmeyi değerlendiren bir yönetici için somut başlangıç noktası şu olabilir: hangi kararı en sık, en az değişkenle ve en çok geçmiş veriyle alıyorsunuz? O karar, pilot alan adayınızdır. Büyük dönüşüm projelerine atlamak yerine, dar kapsamlı ve ölçülebilir bir süreçte modeli test edin; çıktıları altı ay boyunca insan kararlarıyla karşılaştırın. Bu karşılaştırma hem modelin güvenilirliğini ortaya koyar hem de organizasyonun algoritmik çıktıya olan güven eşiğini kademeli olarak yükseltir. Algoritmayı karar ortağı olarak konumlandırmak, onu kör bir otomasyona dönüştürmekten çok daha sürdürülebilir bir yaklaşım.