Bir lojistik firmasının operasyon müdürü, geçen yıl talep tahminleme üzerine küçük bir makine öğrenmesi denemesi başlattı. Proje işe yaradı; depo doluluk oranları iyileşti, fazla stok maliyeti düştü. Ama şimdi soru şu: Bu deneyimi şirketin geri kalanına nasıl taşıyacak? Hangi veriyi toplayacak, hangi yetkinliği içeride kuracak, hangi süreçlere önce dokunacak? Türkiye’deki pek çok şirket tam da bu noktada duruyor. Yapay zekâ artık ‘gelecekte değerlendirilebilir’ kategorisinden çıkıp yönetim kurulu gündemine giriyor; ancak pilot projeyi kurumsal stratejiye dönüştürmek bambaşka bir yetenek gerektiriyor.
Makine öğrenmesi, bir sistemin veriden örüntü çıkararak tahmin veya sınıflandırma yapabilmesini sağlayan algoritmalar bütünüdür. Klasik yazılımdan farkı şu: kuralları siz yazmıyorsunuz, sistem veriyle kendi kurallarını öğreniyor. Müşteri kaybı tahmini, ürün öneri motorları, kalite kontrol görüntü analizi, doğal dil işleme tabanlı müşteri hizmetleri otomasyonu — bunların tamamı makine öğrenmesinin iş süreçlerine uygulandığı alanlardır. Türkiye’de finans, perakende ve üretim sektörlerinde bu tür uygulamaların ilk kurumsal örnekleri görülmeye başlıyor. Ancak çoğu şirkette bu çalışmalar hâlâ BT departmanının veya veri analistlerinin kendi inisiyatifiyle yürütülen izole projeler olarak kalıyor.
Yapay zekâ stratejisini kurumsal düzeye taşımanın üç temel ayağı var: veri altyapısı, insan yetkinliği ve kullanım alanı önceliklendirmesi. Veri meselesine bakıldığında, çoğu şirketin ERP sistemlerinde, e-Fatura kayıtlarında ve CRM araçlarında ciddi miktarda yapılandırılmış veri biriktirdiği görülüyor. Sorun, bu verinin dağınık, eksik veya tutarsız olması. Makine öğrenmesi modelleri temiz ve yeterli hacimde veriye ihtiyaç duyar; dolayısıyla veri kalitesine yapılacak yatırım, herhangi bir AI projesinden önce gelmek zorunda. Bu bir BT sorunu değil, operasyonel disiplin sorunudur ve yönetimin sahiplenmesi gerekir.
İnsan yetkinliği tarafında tablo daha da zorlu. Türkiye’de veri bilimcisi havuzu hâlâ sınırlı; iyi bir makine öğrenmesi mühendisi bulmak hem zaman hem maliyet açısından ciddi bir yük oluşturuyor. Şirketlerin büyük bölümü bu yetkinliği içeride kurmak yerine dışarıdan satın alma yolunu tercih ediyor. Bu yaklaşımın kısa vadede mantığı var; ancak uzun vadede kurumsal bağımlılık yaratıyor. Sürdürülebilir bir AI stratejisi için en az bir-iki kişilik içeride analitik yetkinlik oluşturmak, dış paydaşları yönlendirme kapasitesi açısından kritik. Bazı şirketler bu sorunu, üniversitelerle ortak projeler veya staj programları üzerinden çözmeye çalışıyor; bu pragmatik bir yaklaşım.
Kullanım alanı önceliklendirmesi ise stratejinin en az konuşulan ama en belirleyici parçası. Her süreç makine öğrenmesine uygun değil; her uygun süreç de aynı iş değerini üretmiyor. ROI analizi yapılmadan başlatılan projeler, başarılı teknik sonuçlar üretse bile kurumsal desteği kaybediyor çünkü iş etkisi ölçülemiyor. Doğru yaklaşım şu: önce iş problemi tanımlanır, ardından o problemi çözebilecek veri mevcut mu diye sorulur, sonra teknik fizibilite değerlendirilir. Sırayı tersine çevirmek — yani ‘elimizde şu algoritma var, nerede kullanalım’ demek — kurumsal AI projelerinin başarısızlık nedenlerinin başında geliyor.
Pratikte dikkat edilmesi gereken bir başka nokta, toplam sahip olma maliyetinin (TCO) yanlış hesaplanması. Bir makine öğrenmesi projesinin maliyeti yalnızca model geliştirme aşamasıyla bitmiyor. Modelin üretim ortamına alınması, izlenmesi, yeniden eğitilmesi ve iş süreçleriyle entegre tutulması ek kaynaklar gerektiriyor. Bulut altyapısı bu süreçleri kolaylaştırıyor; büyük ölçekli hesaplama kapasitesini yüksek sermaye yatırımı olmadan kullanmak artık mümkün. Ancak bulut üzerinde çalışan bir modelin işletme maliyeti, projeyi başlatmadan önce bütçeye dahil edilmeli. Yöneticilerin sıkça yaptığı hata, geliştirme bütçesini onaylayıp işletme maliyetini göz ardı etmek.
Yapay zekâyı şirket stratejisinin gerçek bir bileşeni haline getirmek isteyen yöneticiler için öncelik sırası şöyle kurulabilir: ilk adım, mevcut veri altyapısının dürüst bir değerlendirmesini yapmak ve eksikleri belgelemek. İkinci adım, iki veya üç yüksek etkili iş problemini belirleyip bunları ölçülebilir başarı kriterleriyle tanımlamak. Üçüncü adım, içerideki analitik yetkinliği en az bir kişiyle başlatmak ve bu kişiyi dış tedarikçileri yönetecek şekilde konumlandırmak. Dördüncü adım ise pilot projeyi kurumsal süreçlere entegre etmeden önce iş birimlerinin sahipliğini almak. Teknoloji departmanının tek başına yürüttüğü AI projeleri, iş birimleri sürece dahil olmadığında operasyonel dönüşüme dönüşmüyor. Strateji, teknoloji seçiminden önce gelir.