AI karar destek sistemi satın almak ile karar mimarisi tasarlamak arasındaki fark, şu an birçok Türk KOBİ’nin canlı yaşadığı krizin tam merkezinde duruyor. Eskişehir’de makine imalatı yapan, 312 çalışanlı bir firmanın satın alma müdürü geçen ay şunu anlattı: ‘Tedarikçi skorlama modülünü altı ay önce devreye aldık. Şimdi sistem aynı yanlış tedarikçiyi ısrarla öneriyor çünkü geçmiş verimiz zaten hatalıydı.’ Bu cümle, 2026’da yapay zekâ karar desteğine ilişkin en yaygın yanılgıyı mükemmel özetliyor: AI, kötü kararları düzeltmez; onları daha hızlı ve daha inandırıcı biçimde üretir. Bu makaledeki tez şu: Karar destek sistemlerini AI ile yeniden tasarlamak, önce bir yazılım projesi değil bir karar mimarisi disiplinidir — ve Türkiye’de bu sırayı tersine çeviren her proje, pahalı bir otomasyon başarısızlığıyla bitiyor.Mevcut yaklaşımın temel kırığını anlamak için işin içindeki herkesin bildiği ama nadiren konuştuğu bir gerçeği masaya yatırmak gerekiyor: Çoğu organizasyonda ‘karar süreci’ hiçbir zaman tasarlanmamış, sadece alışkanlık hâline gelmiş. Kim hangi veriyi bakıyor, hangi eşikte kim devreye giriyor, hangi kararın tersine çevrilmesi ne kadar sürede onaylanıyor — bunların büyük bölümü yazılı değil, hafızada yaşıyor. Bu ortama bir AI ajanı veya RAG tabanlı karar motoru kurduğunuzda şu paradoksla karşılaşırsınız: sistem, var olmayan bir süreci modelliyor. Gartner’ın 2025 sonunda yayımladığı AI operasyonelleşme raporunda da benzer bir örüntü tespit edilmiş; kurumsal AI dağıtımlarının yaklaşık üçte ikisinde beklenen verimlilik kazanımlarının sağlanamamasının temel nedeni, süreç olgunluğu değil, algoritma kalitesi olarak gösterilmiş. Bu oran Türkiye için muhtemelen daha yüksek çünkü Türkiye KOBİ’lerinde ‘karar sürecini belgele’ adımı proje planlarına çoğu zaman hiç girmiyor.Karar mimarisini yeniden tasarlarken üç katmana sırayla odaklanmak gerekiyor. Birinci katman veri: hangi karar hangi veriye dayanıyor, o verinin kim tarafından, hangi frekansta güncellendiği ve kalite eşiğinin ne olduğu netleşmeden AI ajanına görev verilmez. Eskişehir’deki aynı firmada bu çalışmayı altı haftalık bir veri haritalama egzersizi olarak yaptıklarında, satın alma kararlarını besleyen 14 farklı veri kaynağının yalnızca 4’ünün gerçek zamanlı güncellendiğini, diğerlerinin ise aylık toplu yüklemelerle beslendiğini keşfettiler. Bu boşluk kapatılmadan kurulan herhangi bir karar destek modeli, taze göründüğü hâlde eski veriyle çalışır. İkinci katman süreç: kararın kim tarafından, hangi koşulda alındığı ve insanın onay döngüsünün (human-in-the-loop) nerede konumlandığı belirlenmeli. EU AI Act’ın 2025’ten itibaren yürürlüğe giren yüksek riskli sistem sınıflandırması, AB pazarına ihracat yapan Türk üreticiler için bu katmanı hukuki zorunluluk hâline getirdi. İnsan onayı olmadan otomatik çalışan bir tedarik kararı sistemi artık sadece yönetim riski değil, ihracat belgesi riski. Üçüncü katman yönetişim: hangi modelin hangi sürümünün çalıştığı, model çıktısının ne sıklıkla denetlendiği ve ‘bu öneri neden yapıldı’ sorusunun yanıtlanabildiği açıklama kanalı (explainability pipeline) tasarlanmış olmalı.Pratik uygulama adımları net olmadan bu mimari tartışması soyutta kalır. Pazartesi sabahı ne yapmalı sorusunu üç adımda yanıtlamak mümkün. Birinci adım: mevcut karar envanteri çıkar. Organizasyondaki kritik kararları — fiyatlandırma, tedarik, üretim planlama, müşteri kredi limiti gibi — listele ve her biri için şu dört soruyu yaz: hangi veri tetikliyor, kim karar veriyor, karar ne kadar sürede tersine çevrilebilir, ve başarı nasıl ölçülüyor. Bu envanter olmadan AI modülü satın almak, temeli olmayan bir binanın çatısını döşemek kadar anlamsız. İkinci adım: pilot kararı seç ve izole et. Organizasyonun tamamını değil, düşük riskli ve sık tekrar eden tek bir karar tipini seç — örneğin hammadde stok yenileme eşiği veya rutin müşteri teklif onayı. Bu karar için önce kural tabanlı bir otomasyon (basit bir karar ağacı) kur; davranışını 8-10 hafta izle; sonra AI modelini bu altyapının üzerine ekle. Böylece modelin mevcut kural mantığından ne kadar saptığını ölçebilirsin. Üçüncü adım: ölçüm protokolünü önceden yaz. AI karar desteği devreye girmeden en az dört hafta önce temel metrikleri belirle: kararın doğruluk oranı, geri döndürme süresi, insan onayına düşen oran ve sistem önerisiyle kullanıcı tercihi arasındaki uyum yüzdesi. Bu metrikler yoksa iyileşme iddiası kanıtsız kalır.Bu noktada kendi tezime karşı durmayı tercih ediyorum çünkü karar mimarisi önce demek her durumda doğru değil. Küçük ölçekli, homojen işlem hacmi yüksek ve verisi zaten temiz olan süreçlerde — örneğin standart bir e-fatura onay akışı veya tekrarlayan lojistik rota optimizasyonu — mimari tasarım aşaması minimize edilebilir ve mevcut SaaS AI araçları neredeyse kutudan çıktığı hâliyle çalışır. Denizli’deki orta ölçekli bir konfeksiyon ihracatçısının liman çıkış belgesi kontrol sürecini SaaS tabanlı bir LLM ajanına devrederken herhangi bir karar mimarisi çalışması yapmadığını, ancak sürecin homojen ve düşük riskli olması nedeniyle %67 zaman tasarrufu elde ettiğini biliyorum. Yani kural şu: süreç ne kadar karmaşık, veri ne kadar dağınık ve karar ne kadar yüksek riskli ise mimari önce ilkesi o kadar kritikleşiyor. Tersine, süreci basit ve veri temizse doğrudan araca atlayabilirsiniz — ama bunu bilmek için bile o basit bir envanteri yapmanız gerekiyor.Türkiye’ye özgü bir gerilim daha var ve bunu görmezden gelirsek resim eksik kalır: veri egemenliği meselesi. 2026’da büyük bulut sağlayıcılarının sunduğu AI karar desteği hizmetleri hâlâ yurt dışı veri merkezlerinde çalışıyor. Ticari sır niteliğindeki üretim verisi, müşteri fiyatlandırma tarihi veya tedarik zinciri bilgileri bu sistemlere beslendiğinde hem KVKK’nın yurt dışı veri aktarım hükümleri hem de AB pazarına ihracat yapanlar için EU AI Act’ın veri işleme gereklilikleri devreye giriyor. Eskişehir’deki makine üreticisinin Ar-Ge mühendisi bu soruyu şöyle koyuyordu: ‘Rakibimin öğreneceği modeli neden başkasının sunucusunda eğiteyim?’ Bu soru bugün Türkiye’de KOBİ ölçeğinde bile SLM (küçük dil modeli) tabanlı, sahada çalışan çözümlere ilginin neden arttığını açıklıyor. Tam anlamıyla veri egemenliği için on-premise veya hibrit mimari seçimini şu kriterle değerlendirin: eğer karar için kullandığınız veri ticari sır veya kişisel veri içeriyorsa, o veriyi dışarıya göndermeden çalışan bir model mimarisi tercih edin — maliyet farkı artık kabul edilebilir sınırda.Eskişehir’deki makine üreticisi satın alma müdürü, karar mimarisi çalışmasından sekiz ay sonra tekrar konuştuğumda şunu söyledi: ‘Sistemi kapatmadık — ama şimdi sisteme sormadan önce verinin güvenilirliğini biz sorguluyoruz.’ Bu cümle, AI karar desteğinin 2026’da ulaşması gereken olgunluk noktasını tarif ediyor. Araç değişmedi — onu sorgulayan insanın karar disiplini değişti. Karar destek sistemlerini AI ile yeniden tasarlamak, sonuç olarak bir kültür ve mimari projesidir; yazılım lisansı satın almak değil. Veri envanteri çıkarmadan, insan onay döngüsünü tanımlamadan ve ölçüm protokolünü önceden yazmadan kurulan her AI karar sistemi, ya kullanılmaz hâle gelir ya da yanlış kararları inandırıcı biçimde üretmeye devam eder. Peki siz organizasyonunuzdaki hangi kritik kararın mimarisini henüz belgelemediniz?