Yapay zekâ proje sayısını başarı metriği olarak kullanan şirketler yanlış soruyu soruyordur. Yanlış soru şu: ‘Kaç AI projemiz var?’ Doğru soru şu: ‘Bu sistemler Pazartesi sabahı kaç süreç kararını insansız veriyor, hangisini neden insana teslim ediyor ve bu kararların hangisi denetim altında?’ İki sorunun arasındaki mesafe, 2026 itibarıyla Türkiye’deki kurumların büyük çoğunluğunun hâlâ geçemediği bir eşiği tanımlıyor. Deneysel dönem kapandı — en azından bu konuyu ciddiye alan şirketler için. Ama deneysel dönemin kapanması, operasyonel olgunluğun otomatikman başladığı anlamına gelmiyor. Bu iki aşama arasında oldukça geniş ve tehlikeli bir boşluk var: projeyi teslim etmişsiniz, demo başarılı, yönetim kurulu memnun; ama sistem gerçek iş yüküyle karşılaştığında ya sessizce başarısız oluyor ya da insan denetimi olmadan yanlış kararlar alıyor.Deneysel AI döneminin Türkiye’deki mirası karışık. 2023-2024 yıllarında pek çok orta ölçekli şirket pilot projeler başlattı — bazıları fatura işleme, bazıları müşteri segmentasyonu, bir kısmı üretim hattı kalite kontrolü alanında. Bu pilotların önemli bir bölümü gerçekten çalıştı, ölçülebilir iyileştirmeler sağladı. Sorun pilotun kendisinde değildi. Sorun şuydu: pilot, kurumun geri kalanından izole bir başarı olarak kaldı. Veri akışı başka departmanlara bağlı değildi. Modelin kararları herhangi bir süreç belgesiyle ilişkilendirilmemişti. Kim sorumluydu, kim itiraz edebilirdi, model ne zaman güncellenecekti — bunların hiçbirinin net cevabı yoktu. Şu anda İzmir’de plastik hammadde üretimi yapan, 312 çalışanlı bir kimya firmasının operasyon direktörüyle konuştuğumda tam da bu tabloyu anlattı: ‘Pilot harika gitti. Sonra sistemi genele açtık, üç ay sonra kimse kullanmıyordu.’ Nedeni araştırdıklarında modelin çıktıları hangi kararla ilişkilendirileceğini saha ekibinin bilmediğini buldular. Entegrasyon değil benimseme sorunuydu — ama kökü, projenin başından beri işletim modelinin kurulmamasındaydı.AI işletim modeli soyut bir kavram değil. Üç somut bileşenden oluşuyor: hesap verebilirlik haritası, karar sınırı tanımı ve ölçüm döngüsü. Hesap verebilirlik haritası şunu belirliyor: hangi AI kararında hangi insan onay yetkisi var, hata durumunda süreç kime ulaşıyor? Karar sınırı tanımı şunu belirliyor: bu sistem neyi kendi başına yapabilir, neyi insan onayına sunmak zorunda? Ölçüm döngüsü şunu soruyor: modelin performansı hangi sıklıkta, hangi veriyle yeniden değerlendiriliyor? Bu üçü yazılı değilse — sadece zihinde değil, belgede — AI sisteminiz işletiyor değil tesadüfen çalışıyordur. Pratik örnek: İzmir kimya firması bu dersten sonra aynı modeli yeniden hayata geçirdi. Bu kez tedarikçi sipariş önerisi için bir karar sınırı koydular: 50.000 TL altındaki sipariş önerileri sistem onaylar ve satın alma birimine bildirir; üstündeki öneriler satın alma sorumlusunun ekranında onay bekler. Benimseme oranı sekiz hafta içinde sahadaki tüm satın alma personelinin yüzde seksenini aştı. Fark, teknoloji değil sorumluluk netliğiydi.Bu noktada Türkiye’nin özgün bir sorunu devreye giriyor. EU AI Act’ın 2025 itibarıyla aşamalı yürürlüğe girmesiyle birlikte, AB pazarına ihracat yapan veya AB kökenli tedarikçilerle çalışan Türk şirketleri uyum baskısıyla yüzleşiyor. Yüksek riskli AI sistemleri için insan denetim zorunluluğu, log tutma yükümlülüğü ve şeffaflık gereklilikleri — bunlar artık soyut politika tartışması değil, ihracat kontratlarına giren ön koşullar haline geliyor. KVKK ile çakışma noktası ise farklı ama eş derecede somut: bir RAG (Retrieval-Augmented Generation) mimarisiyle çalışan müşteri hizmetleri ajanı, sorgu sırasında kişisel veri içeren belgeleri bağlam olarak çekiyorsa KVKK kapsamında veri işleme sayılıyor. Peki bu işleme için açık rıza var mı, saklama süresi tanımlı mı, hangi belge hangi kullanıcıya açık? Bu soruları yanıtlamadan AB pazarında faaliyet gösteren bir şirketin hukuki riski ciddi. Gaziantep’te tekstil ihracatı yapan, 378 çalışanlı bir konfeksiyon firması bu gerilimi geçen yıl yaşadı: Alman alıcı, müşteri iletişiminde kullanılan yapay zekâ sisteminin EU AI Act uyumunu belgeleyen bir teknik dosya istedi. Şirket böyle bir dosyanın varlığından habersizdi. Sözleşme yenileme gecikti, yedi haftaya yayılan teknik düzeltme süreci başladı.SLM’lerin (küçük dil modelleri) bu tablodaki rolüne ayrıca değinmek gerekiyor, çünkü yanlış anlaşılıyor. SLM’ler büyük bulut modellerinin ucuz versiyonu değil, farklı bir mimari tercih. Veri egemenliği sorunu olan sektörler için — ilaç, finans, savunma tedariki — kendi altyapısında çalışan, dışarıya veri sızdırmayan ve belirli bir domain için ince ayar yapılmış küçük modeller operasyonel olarak anlamlı avantaj sunuyor. Türkiye’de bu tercih kur baskısıyla da örtüşüyor: büyük bulut API’larına ödenen dolar bazlı fatura, TL geliri olan bir KOBİ için sürdürülebilir olmayan bir maliyet kalemi haline gelebiliyor. Yerelde konuşlandırılan, sınırlı ama iyi tanımlanmış bir görev için eğitilmiş SLM, maliyet-performans dengesinde çoğu zaman daha elverişli. Ama burada da sınırı net çizmek gerekiyor: SLM genel amaçlı asistan değil, dar bir görevin uzmanı. Bunu karıştıran şirketler hayal kırıklığıyla karşılaşıyor. Bir modelin ‘küçük ama güçlü’ olması, her soruya cevap vereceği anlamına gelmiyor — doğru soruya tutarlı cevap vermesi, işletim katmanında zaten yeterli.Nasıl ölçersiniz? Bu soruyu yanıtsız bırakmak, AI yatırımını kör bir harcamaya dönüştürür. İşletim katmanına geçen her AI bileşeni için üç metrik tanımlanmalı: birincisi karar doğruluğu — sistemin ürettiği kararların insan uzman kararıyla örtüşme oranı, altı haftada bir yeniden ölçülmeli; ikincisi geri devir oranı — sistem önerilerinin insan tarafından ne sıklıkla reddedildiği, yüksekse ya model performansı düşmüş ya da karar sınırı yanlış çizilmiş; üçüncüsü müdahale gecikmesi — bir anormallik tespit edildiğinde sorumlu kişiye ulaşma süresi. Bu üç metrik spreadsheet’te değil, sisteminizin ürettiği loglardan otomatik okunabiliyorsa işletim modeliniz çalışıyor demektir. Okuyamıyorsanız, pilot dönemde takılı kalmışsınızdır.İzmir’deki kimya firmasının operasyon direktörü konuşmamızın sonunda şunu söyledi: ‘Artık AI projem var demiyorum. AI ile ne karar alıyorum, hangisini neden alamıyorum, bunu söylüyorum.’ Bu cümle, 2026’da kurumsal AI olgunluğunun tam karşılığı. Teknoloji satın almak bir başlangıç noktası, işletim modeli kurmak ise asıl iş. Kuruluşunuzun bu iki nokta arasında nerede durduğunu anlamak için tek bir soru yeterli: Yapay zekâ sisteminiz bir hafta boyunca sessizce yanlış karar verse, kaçıncı günde fark ederdiniz?