Kurumsal AI’nin En Zor Sorunu, Teşvik Mekanizması Olabilir: Onu Gerçekten Kullanmak İçin Motivasyonu Kim Üstlenecek?

Son günlerde bulut bilişim konferansında kurumsal AI panellerini dinlerken, teknik konular oldukça kapsamlı işlendi: model nasıl entegre edilir, veri nasıl yönetilir, yetkilendirmeler nasıl kontrol edilir, Agent’lar nasıl deploy edilir, bulut kaynakları nasıl yönetilir, güvenlik nasıl denetlenir, kurumsal bilgi Context’e nasıl dahil edilir. Bunların hepsi gerçek sorunlar.

Ancak bir imalat sanayii vakasını dinlerken, asıl sormak istediğim başka bir soru daha belirdi: Kurumdaki insanlar AI’yı neden aktif olarak kullanmak istesinler?

Teknik sorunlar parayla çözülebilir, ancak organizasyonel sorunlar parayla bile çözülemeyebilir. Bu yazıda bırakmak istediğim en önemli değerlendirme bu.

1. Verimlilik artışından sonra, tasarruf edilen zaman nereye gidiyor?

Diyelim ki bir çalışan normalde günde 8 saatini belirli bir işe harcıyor ve AI bunu 5 saate düşürüyor. Araç açısından bakıldığında, bu oldukça başarılı bir verimlilik artışı. Ancak çalışan için asıl soru şu: Geriye kalan 3 saat ne olacak?

Eğer şirketin cevabı “Harika, o halde artık günde %60 daha fazla iş yapacaksın” şeklindeyse, çalışanın AI’yı sürekli ve aktif olarak kullanma motivasyonu oluşması zor. Bu, kurumlarda en sık karşılaşılan kısır döngü—tasarruf edilen zaman anında geri alınıyor ve çalışanlar durumu ayaklarıyla oyluyor.

Eğer AI kullanımı sonrasında çalışan yeni öğrenme maliyetleri, kontrol maliyetleri ve hata sorumluluğu üstlenmek zorunda kalıyorsa, ancak performans değerlendirme yöntemi hiç değişmiyorsa, AI kolayca ek bir yük haline gelir, araç olmaktan çıkar.

Tersine düşünürsek, ekip KPI’ları zaten yeni ürün lansman hızı, müşteri yanıt süresi, materyal test hacmi, sipariş dönüşümü ya da teslimat döngüsüyle doğrudan ilişkiliyse, AI bu sonuçları iyileştirdiğinde ekipler doğrudan daha iyi performans değerlendirmesi ve kaynak elde eder; bu durumda benimseme motivasyonu tamamen farklı olur.

Birlikte çalıştığımız bir çağrı merkezi case study bu durumu çok iyi örneklendiriyor (not: gösterim amaçlı veriler, gerçek tekil istatistik değil). Agent’ı devreye aldıktan sonra ortalama işlem süresi (AHT) 12 dakikadan 7 dakikaya düştü. Araç perspektifinden bakıldığında etkileyici bir %40’lık verimlilik artışı. Ancak birinci hat müşteri temsilcilerinin iş yükü de sistem tarafından artırıldı; çünkü AHT hedefine ulaşılmış olması, platformun onlarda “hâlâ kapasite var” algısı oluşturmasına yol açtı. Üç ay sonunda şikayet sayısı düşmedi, aksine ayrılma oranı %18 arttı. Çalışanlar ayaklarıyla oy verdi.

Bu, AI’nın işe yaramadığı anlamına gelmiyor; tasarruf edilen zamanın nereye yönlendirileceği planlanmamış.

Dolayısıyla “AI ne kadar verimlilik sağlayabilir” sorusu yalnızca ilk katman. Daha derin soru şu: Verimlilik artışından kaynaklanan değer organizasyon içinde nasıl dağıtılacak, kime ait olacak, kimin değerlendirme kriterleri bu durumdan etkilenecek.

İkinci Bölüm: Kurumsal AI projelerinde genellikle birden fazla amaç fonksiyonu bulunur

Bir kurumsal AI projesi nadiren tek bir ekiple yürütülür.

İş ekipleri gelir artışı, maliyet düşüşü ve teslimat hızı istiyor. AI ekipleri teknolojik değeri kanıtlamak istiyor ve muhtemelen Agent sayısı, çağrı hacmi ve piyasaya çıkış hızı gibi metriklere odaklanıyor. IT ekipleri sistem stabilitesi, entegrasyon karmaşıklığı ve bakım maliyetleriyle ilgileniyor. Güvenlik ekipleri yetkilendirme, veri sızıntısı, denetim ve uyumluluk konularını önemsiyor. Yönetim ROI görmek istiyor ancak erken aşamada süreç dönüşüm maliyetlerini üstlenmeye istekli olmayabiliyor. Çalışanların en doğrudan kaygısı ise işlerinin daha kolaylaşıp kolaylaşmadığı, performanslarının iyileşip iyileşmediği ve yeni araçların daha fazla risk getirip getirmeyeceği.

Bu hedef fonksiyonları hizalanmadığında, teknik olarak tamamlanmış bir proje bile POC aşamasında, demonstrasyonda, düşük frekanslı kullanımda veya “yönetim talebiyle kullanım” aşamasında kalabiliyor.

Üretim sektöründeki bir müşterimize AI pilot uygulamasında eşlik ederken tipik bir senaryo gördük (not: anonimleştirilmiş örnek vaka). AI ekibinin çeyreklik KPI’sı “piyasaya çıkarılan Agent sayısı” ve “çağrı hacmi yıllık büyümesi”ydi; iş ekibinin çeyreklik KPI’sı ise “ekipman kapsamlı verimliliği OEE” ve “plansız duruş sayısı”ydi. İki tarafın metrikleri hiç örtüşmüyordu. Sonuç olarak AI ekibi KPI’sını doldurmak için sürekli yeni Agent’lar piyasaya sürdü, iş ekibi ise nihai OEE’den kimsenin sorumlu olmaması nedeniyle pasif kullanım sergiledi. Şirket raporları güzel Agent çağrı eğrileriyle doluydu ancak OEE’de yıllık bazda neredeyse hiç hareket yoktu.

Kurumsal AI projelerini değerlendirirken sadece model performansını ve teknik mimariyi sormak yetmez; her bir paydaşın Incentive’ını (teşvik mekanizmasını) da sormak gerekir.

3. En Tehlikeli Durum: Getiriler ve Riskler Farklı Ekiplerde Dağılmış Olduğunda

Kuruluşlarda sıklıkla şöyle bir yapı ile karşılaşılır: İş birimleri AI’ın getirdiği verimlilik kazanımlarını elde eder, ancak sistem bakımını IT yürütür; AI ekibi yenilik başarılarını vitrinine koyar, hatalı sonuçların yükünü ise saha çalışanları taşır; üst yönetim otomasyon ister, güvenlik ekibi ise her türlü olaydan sorumlu tutulur.

Böyle bir durumda kuruluşların en yaygın tepkisi daha fazla kısıtlama eklemek olur. Hızlı benimseme ise bu koşullar altında neredeyse imkansız hale gelir.

Güvenlik ekibi daha fazla onaylayer talep eder, IT daha sağlam sistem sınırları ister, iş birimleri piyasaya çıkışın yavaşlığından şikayet eder, AI ekibi ise geleneksel departmanların yenilikçiliği engellediğini düşünür.

Bu davranışı basitçe “kurumsal kültürün AI’ı yeterince benimsememesi”ne bağlamak kolaydır. Ancak getiri ve risk tasarımı asimetrik olduğunda, ekiplerin muhafazakar davranması kaçınılmazdır — bir ekip yalnızca dezavantajlarla karşı karşıya kalır, hiçbir avantaj görmezse, muhafazakar tepki vermesi en rasyonel davranışıdır. Bu bir tutum sorunu değil, teşvik mekanizmalarının doğrudan bir sonucudur.

Telekomünikasyon sektöründe bu durum özellikle belirgindir. Bir bölgesel operatörün kurumsal专线开通Agent’ı (şifrelenmiş kavramsal örnek) örneğinde, müşteri yöneticisinin siparişinden ağ kaynak planlaması, adres incelemesi, sözleşme değerlendirmesi ve inşaat görevlendirmesine kadar uzanan süreç, başlangıçta 14 iş günü sürüyordu. AI bu süreyi 7 güne düşürerek teorik olarak %50 hızlanma sağladı. Ancak yeni süreç devreye alındığında, güvenlik ekibi 3 ek onaylayer ekledi: müşteri kimlik doğrulamasının ikinci kez teyit edilmesi, elektronik sözleşme imzasının mevzuata uygunluk incelemesi ve şantiye alanında yüz tanıma doğrulaması. Sonuç olarak ortalama açılış süresi düşmek bir yana, arttı ve müşteri yöneticileri durumdan şikayetçi.

Teknoloji yetersiz değil, risk üstlenme yapısı süreçleri boğuyor.

Dördüncü Bölüm: AI Ekiplerinin Kendi KPI’ları da Organizasyonu Yanlış Yöne Sevk Edebilir

Kurumsal AI platformu oluştururken, işletmeler genellikle ölçülmesi kolay metriklere yöneliyor: kaç Agent devreye alındı, kaç model entegre edildi, Token çağrıları ne kadar arttı, kaç çalışan kaydoldu, kaç Workflow oluşturuldu.

Bu metrikler operasyonel açıdan değerli olsa da, kolayca kendileri başlı başına hedef haline gelebiliyor. AI ekibinin performansı “çıkarılan ürün sayısına” bağlandığında, sürekli yeni Agent geliştirmek için motivasyon oluşuyor ve iş değerinin gerçekten yaratılıp yaratılmadığı geri planda kalıyor.

Bu fenomen mühendislik yönetiminde defalarca farklı isimlerle anıldı—yazılım ekipleri üretkenliği kod satırı sayısıyla ölçerken, e-ticaret ekipleri içerik yayınlama hacmiyle büyümeyi ölçüyor; özünde aynı sorun söz konusu. JinData ekibi bu yılın Eylül ayında yayımlanan bir analizinde, Token tüketiminin KPI’ya dahil edildiğinde çalışanların hızla “çağrı sayısını” yeni bir oyun haline getirdiğini belirtiyor: tek seferde tamamlanabilecek görevler daha fazla döngüye bölünüyor, gereksiz araştırmalar, tekrarlayan revizyonlar ve uzun boşta kalma süreleri meşrulaştırılıyor (Kaynak: JinData, “Hesaplama Maliyetini Performans Sanmayın: Kurumsal AI Uygulamasında Değer Ölçüm Tuzağı”, 2026-09-13, üretici perspektifi). İşte bu, Goodhart Kanunu’nun AI yönetimindeki tezahürüdür: Bir metrik hedefe dönüştüğünde, artık iyi bir metrik değildir.

Kurumsal AI’ın gerçekten peşinde olması gereken şey uçtan uca sonuçlardır.

Müşteri hizmetleri Agent’ları değerlendirirken; manuel devralma oranı (makinenin çözemediği ve insanlara aktarılan vakaların oranı, bu oran ne kadar düşük olursa o kadar iyi, ancak aşırı düşük olması “anlıyormuş gibi yapmak” anlamına gelebilir), ilk çözüm oranı, yanıt süresi, müşteri memnuniyeti ve dönüşüm oranına bakılır. Satış Agent’ları için kriterler; lead kalitesi, takip hızı, dönüşüm oranı ve satış döngüsüdür. Ar-Ge Agent’ları ise Lead Time (talepten üretime geçen süre, ne kadar kısa olursa o kadar iyi), yeniden iş oranı, Human Minutes (gerçek insan emeği saatleri, fiziksel değil karar alma ve muhakeme süreçlerini yansıtır) ve canlı ortam hata oranı ile değerlendirilir. İçerik Agent’ları için etkili içerik üretimi, denetim geçme oranı, yayınlama döngüsü ve sonuçta elde edilen ticari performans ölçülür.

Göstergeler yalnızca iş sonuçlarına bağlandığında, organizasyonlar rakamların güzel görünmesi değil değer yaratma etrafında optimize eder.

Beşinci Bölüm: Mekanizmayı Anlamak İçin Klasik Bir Perspektif: Conway’s Prompt

慢慢学AI serisinden bir makale

1968’de Melvin Conway bir gözlem ortaya koydu ve bu gözlem daha sonra Conway Yasası (Conway’s Law) olarak adlandırıldı: “Sistemleri tasarlayan organizasyonlar, yapıları bu organizasyonların iletişim yapılarının kopyaları olan tasarımlar üretmeye kısıtlanmışlardır.” (İngilizce orijinal metin: “organizations which design systems are constrained to produce designs whose structures are copies of the communication structures of these organizations.”)

Martin Fowler, 2024’te hâlâ bu gözlemin güncelliğini vurguluyor—ekipleri yazılım katmanlarına (ön yüz, arka yüz, veri tabanı) göre bölerseniz, doğal olarak üç katmanlı bir mimari ortaya çıkar; yaşam döngüsü aktivitelerine (analiz, tasarım, kodlama, test) göre bölerseniz, her özellik ping-pong oyununa dönüşür. Skelton ve Pais, Team Topologies (2019) adlı eserinde bu ilkeyi “Tersine Conway Manevrası”na taşıdı: önce istediğiniz hedef mimariyi tasarlayın, ardından ekip sınırlarını ve arayüzlerini geriye doğru çıkarın—böylece organizasyon, sistemden önce harekete geçsin.

Conway’in bu sözlerini yapay zeka uygulamalarına taşıdığınızda da aynı ilke geçerlidir: Bir yapay zeka sistemi sonunda nasıl şekilleneceği, kimin kiminle konuştuğuna, kimin karar verdiğine ve kimin sorumluluk üstlendiğine bağlıdır.

Altı Alan, Bir Değerlendirme Çerçevesi: Rol × KPI × Fayda × Maliyet × Risk × Karar Yetkisi

Bu altı alanı netleştirdiğinizde, sistemin nihayetinde nasıl görüneceği büyük ölçüde belirlenmiş olur. Teknik mimari ise bu sürecin sonucudur.

Altı Alan Basit Bir Kurumsal AI Teşvik Değerlendirme Çerçevesi

Bundan sonra bir kurumsal AI projesini değerlendirirken önce bu altı alanı çizerek başlayacağım.

Rol → KPI → Fayda → Maliyet → Risk → Karar Yetkisi

Rol: Bu süreçte kimler yer alıyor.
KPI: Bu rol şu anda hangi göstergelerle değerlendiriliyor.
Fayda: AI başarılı olduğunda bu rol hangi doğrudan kazanımları elde ediyor.
Maliyet: Taşıma, öğrenme, etiketleme, inceleme ve süreç yeniden yapılandırma maliyetleri nelerdir.
Risk: AI hata yaptığında sorumluluk kimin üzerinde.
Karar Yetkisi: Yayına alma, durdurma, yetki değişikliği ve yatırım artırma kararlarını kim verebilir.

Bu altı alanı ortaya koyduktan sonra, “Neden kimse kullanmıyor?” sorusu çok daha anlaşılır hale gelir.

Yedi, Sıkı Düzenlenen Sektörler: “Ekonomik Hesap” Yerine “Sorumluluk Atama”

Banka, sigorta ve telekomünikasyon gibi sıkı düzenlenen sektörlerde, “kim fayda sağlar” sorusu “kim imza atar” sorusu kadar önemli değildir.

Çin yasal çerçevesinde, finans kurumlarının yönetim kurulları yapay zeka uygulamalarından nihai sorumluluğu üstlenmektedir. Jinfa [2026] No. 8 sayılı “Finans Kurumlarında Yapay Zeka Geliştirme ve Uygulama Yönetiminin Güçlendirilmesine İlişkin Rehberlik Görüşü” yönetim kurulunun yapay zeka yönetişimini koordine etmek üzere özel bir komite atamasını şart koşmaktadır. İş birimleri, müşteri haklarını veya mali durumu esasen etkileyen kritik kararlarda inceleme yükümlülüğü taşırken, uyumluluk ve risk birimleri modelin kullanıma açılmasında onay yetkisine sahiptir. Spesifik uyumluluk bütçeleri, model denetim döngüleri, düzenleyici raporlama standartları ve sorumluluk pozisyon listeleri proje onayından önce hizalanmalıdır; aksi takdirde, ne kadar iyi teknik yapıya sahip olunursa olunsun kurum içi ve kurum dışı denetim süreçlerinde tıkanıklık yaşanacaktır.

Deloitte’un 2026 yılında bankacılık agent’larına ilişkin araştırması da aynı doğrultuda vurgulamaktadır: düzenleyici gereklilikler tasarım ve devreye alma aşamalarında agent’ların temel mantığına içselleştirilmelidir, geriye dönük düzeltmeler yerine proaktif bir yaklaşım benimsenmelidir. Bankalar ayrıca her agent’ın sahibini, kullanım kapsamını, çağrılan veri setlerini ve risk durumunu kaydeden kapsamlı bir agent kayıt sistemi kurmalıdır (Kaynak: Deloitte, “Bankacılıkta Yapay Zeka Agent’ları ile Akıllı Otomasyona Geçiş Nasıl Sağlanır”, 2026, danışmanlık perspektifi). Zhonghao Hukuk Bürosu’nun Jinfa [2026] No. 8’e ilişkin analizi daha da ileri gitmektedir: finans kurumlarının asıl ihtiyacı yalnızca teknoloji değil, aynı zamanda “yetenek uyumu”dur. Yetenek havuzu ve uyumluluk mekanizmaları hazır olmadığında, karmaşık yapay zeka sistemlerini aceleyle devreye almak başlı başına düzenleyiciler tarafından “düşünceli işletme ilkelerinin sağlanmadığının tespiti” olarak değerlendirilebilir (Kaynak: Zhonghao Hukuk, “Finans Kurumlarında Yapay Zeka Uygulamalarının Uyumluluk Çerçevesi ve Uygulama Yolları – Zhonghao Araştırması”, 2026, hukuk bürosu perspektifi).

Sekiz, E-ticaret Perspektifi: Uyumluluk ve Kalite Kontrol İki Ayrı Defterde Tutulmalı

E-ticaret senaryosunda AI Agent en hızlı ilerleyen alan, ancak teşvik tasarımı en kolay ihmal edilen konu.

Bir sınır ötesi e-ticaret içerik Agent’ı, tek bir materyal üretim maliyetini yaklaşık %80 düşürerek, çıktı verimliliğini 10 kat artırarak ve dönüşüm oranını %25 iyileştirerek (Kaynak: ShiZai Intelligence vaka analizi, 2026-08, firma beyanı; veriler müşteri raporuna dayanmaktadır) gibi etkileyici sonuçlar elde etti. Bu tür parlak rakamlar yönetimde yatırıma devam kararı almayı kolaylaştırır. Ancak aynı projede, materyal sorumlusunun KPI’ları hâlâ “zamanında teslimat oranı” üzerinden ölçülüyor; AI’nın sağladığı verimlilik artışından kalan insan gücü için net bir yönlendirme yok. Buna karşın hukuk ekibi, AI tarafından üretilen görsellerin telif hakkı ihlali konusunda sorumluluk üstlenmek zorunda kalıyor. 2026 başlarında Hangzhou’daki bir sınır ötesi satıcının Amazon platformunda AI tarafından oluşturulan ürün ana görselinin telif hakkı ihlali sayılarak 500.000 yuan tazminat ödemeye mahkûm edildiği bir dava örneği mevcut (Kaynak: Lü Hui Hukuk Bürosu “AI Tarafından Üretilen İçeriğin Telif Hakkı İhlali Riskleri: Sınır Ötesi E-ticaretin Hukuki Sınırları ve Uyumluluk Rehberi”, 2026-02-06, hukuk bürosu perspektifi).

Bu nedenle e-ticaret senaryosunda teşvik tasarımı iki ayrı defteri eş zamanlı tutmalı:

Ekonomik denklem: AI verimlilik artışıyla sağlanan tasarım/müşteri hizmetleri/çekim kaynaklarının kime ait olacağı, bir sonraki ürün seçimi, yeni pazarlar veya marka yatırımlarına yönlendirilip yönlendirilemeyeceği; materyal maliyetlerinin gerçekten düşüp düşmediği veya yalnızca hesaplama yönteminin değişip değişmediği konularını kapsar.

Uyumluluk denklemi: AI tarafından üretilen içeriğin platform beyanname yükümlülüklerine uygun olup olmadığı (Yapay Zeka İşaretleme Yönetmeliği açık + örtük işaretleme gerektirir), “özgünlük” tartışmalarından kaçınmak için esaslı ikinci bir revizyon yapılıp yapılmadığı ve risk tamponu olarak AI telif hakkı sorumluluk sigortasının yaptırılıp yaptırılmadığı içerir.

Ekonomik denklem hızı belirler, uyumluluk denklemi ise ne kadar uzağa gidebileceğinizi belirler. Bu ikisi senkronize olmadığında, ne kadar çarpıcı görünürse görünsün her dönüşüm eğrisi bir avukat mektubuyla sıfıra düşer.

Dokuz, Yapay Zeka’nın Kurumsal Düzeyde Gerçekten Benimsenmesi İçin İş Süreçlerinin Yeniden Tasarımı Gerekiyor, Sadece Bir Araç Eklenmesi Yetmiyor

Birçok AI projesi, mevcut organizasyon yapısını ve süreçleri olduğu gibi bırakarak herkesin yanına bir Copilot eklemeyi varsayıyor. Bu yaklaşım hızlı başlar ve kabul görmesi kolaydır. Ancak AI yetenekleri zamanla güçlendikçe, gerçek değer genellikle İş Akışı Yeniden Tasarımından (Workflow Redesign) gelir.

Eskiden bir süreç beş kişi tarafından ardışık olarak tamamlanıyordu. AI ile birlikte, belki bir kişi ve bir Agent ilk üç adımı tamamlar, ikinci kişi yalnızca yüksek riskli İnceleme (Review) işleminden sorumlu olur, üçüncü kişi ise nihai kararı verir. Bu durumda rol sınırları, sorumluluklar, onaylar ve performans değerlendirmeleri de buna göre değişmelidir.

Organizasyon yapısı tamamen olduğu gibi kalıp, her eski adıma sadece bir AI düğmesi eklenirse, sonuç muhtemelen daha karmaşık eski bir süreç olacaktır.

On. Yönetimin Gerçekten Görmesi Gereken Ekonomik Model

Birçok kurumsal AI paylaşım toplantısı verimlilik yüzdelerini vurgularken, yönetim sonuçta hesaplanabilir bir ekonomik modele ihtiyaç duyar:

Bir iş önceden ayda kaç insan saati harcıyordu? AI ile bu süre ne kadar kısaldı? Bu zaman gerçekten daha yüksek çıktılara dönüşebilir mi, yoksa sadece teorik bir tasarruf mu? Yeni model, işlem gücü, yazılım ve denetim maliyetleri ne kadar? Hata oranındaki değişim nasıl? Projenin kendini amorti etmesi ne kadar sürecek?

Daha da önemlisi, tasarruf edilen kaynaklar yeniden tahsis edilebilir mi?

Eğer bir ekip 10 kişilik iş yükünden 7 kişilik seviyeye düşüyor, ancak organizasyon hâlâ aynı insan gücünü ve aynı çıktıyı koruyorsa, finansal açıdan doğrudan bir maliyet tasarrufu oluşmaz. Bu durumda bu 3 kişilik kapasitenin hangi yeni iş sonuçları için kullanılacağı netleştirilmelidir — yeni iş hatları mı açılacak, hizmet kalitesi mi artırılacak, yoksa bir sonraki maliyet düşürme turuna mı girecek. Yön farklı olduğunda, teşvik tasarımı da farklı olmalıdır.

AI’nin ROI’si “kaç dakika tasarruf ettik” noktasında kalamaz. Sonuçta gelir, maliyet, risk, hız veya yetenek sınırlarından en az birine yansıması gerekir.

On Bir. Gerçekten Sürdürülebilir Benimseme, Doğru İnsanların Doğru Faydaları Elde Etmesini Gerektirir

Kurumsal AI’nın hayata geçirilmesi sıklıkla teknik olgunluk meselesi olarak tanımlanır. Daha güçlü model, daha iyi veri, daha gelişmiş yetkilendirme elbette başarı olasılığını artırır. Ancak organizasyondaki insanlar teknoloji ileri düzeyde diye kendiliğinden davranış değiştirmez.

Uzun vadeli sürdürülebilir benimseme için şunlar gereklidir: AI kullananların doğrudan fayda görmesi, risk üstlenenlerin yeterli kontrol sahibi olması, projeyi yürütenlerin iş sonuçlarından sorumlu tutulması ve üst yönetimin net ekonomik değer görmesi.

Bu nedenle artık Enterprise AI Stack’e bir katman daha ekliyoruz:

Model → Data → Context → Workflow → Governance → Incentive

İlk beş katman sistemin çalışıp çalışmayacağını belirler. Son katman ise organizasyonun onu uzun vadeli çalıştırmaya istekli olup olmadığını belirler. Bu, kurumsal AI danışmanlığında teknik tartışmaların gölgesinde kalan en kolay gözden kaçan unsurlardan biridir.

Karar Vericiler İçin Çıkarımlar

Önce Altı Alanı Çizin, Sonra Mimari Konuşun

Herhangi bir kurumsal AI projesini değerlendirmeden önce Role (Rol) / KPI / Benefit (Fayda) / Cost (Maliyet) / Risk (Risk) / Decision Right (Karar Yetkisi) alanlarını doldurun — bu, model seçimi ve mimari diyagramdan çok projenin başarılı olup olmayacağını tahmin etmede daha etkilidir.

Maliyet ve Sorumluluk Analizini Eş Zamanlı Yürütün. Yoğun düzenlemeye tabi sektörlerde, hukuk, uyum, iç denetim ve iş birimlerini proje başlangıcında aynı masaya oturtmak, sonradan süreç eklemekten çok daha ucuzdur.

Tasarruf Edilen Zamanın Nereye Gittiğini Netleştirin. AI verimliliğiyle kazanılan insan saatlerini yeni iş alanlarına, yeni pazarlara veya kalite iyileştirmeye yeniden tahsis edin; “tasarruf edilen hemen alınır” döngüsünden kaçının.

KPI’ları İş Sonuçlarına Bağlayın. Token tüketimi, Agent sayısı ve çağrı sayılarını performans değerlendirmelerinden çıkarın; bunların yerine müşteri sadakati, dönüşüm oranı, hata oranı ve teslimat süresi gibi metrikleri kullanın.

Önce Organizasyon, Sonra Sistem. Tersine Conway Operasyonu’nu (Reverse Conway Maneuver) referans alın: önce hedef iş akışını netleştirin, ardından ekip sınırlarını ve arayüzleri geriye doğru çıkarın ve ancak ondan sonra teknoloji seçin.

Muhtemelen Sormak İstediğiniz Sorular

Tersine Öz-Denetim

“Bu sadece bir ‘yönetim sorunu’ değil mi? AI ile ne ilgisi var?”

İlişki şu: AI, “herkesin doğru işi yapmasını sağlama” maliyet yapısını kökten değiştirdi. Eskiden insanların birbirini denetlemesi, eğitmesi ve kontrol etmesiyle yürüyen süreçler, AI’nın uygulama aşamasını devralmasıyla birlikte, organizasyonlar orijinal geri bildirim mekanizmalarını kaybetti. Teşvik sistemleri “süreç denetimi”nden “sonuç odaklı yönetim”e evrilmeli.

“Küçük şirketlerde az sayıda insan olduğunda, bu sorun ortadan kalkmıyor mu?”

Bu makaledeki değerlendirme özellikle 30 kişiden fazla organizasyonlara yönelik. Küçük şirketlerde patron tek başına karar verir, teşvik sorunu “patronun kullanmak isteyip istememesi”ne indirgenir ve bu çerçeveye gerek kalmaz. Ancak ekip büyüklüğü 30-50 kişiyi aştığında, roller ve KPI’lar ayrışmaya başlar ve bu altı boyutlu çerçeve devreye girer.

“Agent dağıtım sayısı gerçekten de anlamsız bir metrik mi?”

Tamamen değil. Erken aşama deneme döneminde (0-6 ay), Agent sayısı, çağrı hacmi ve kapsama oranı makul “süreç göstergeleri”dir—ekibe “AI gerçekten çalışıyor” mesajını verirler. Ancak 6 ayı aşan bir süreçte bunları çeyreklik değerlendirmeye dahil etmeye devam etmek, Jinshu veri makalesinin tanımladığı “Goodwinhart Tuzağı”na yol açar. Bu ayrım şirkete göre değişir; muhafazakâr yaklaşım, 6 aydan sonra sonuç göstergelerine kademeli geçiş yapmaktır.

Bu makalede sorumluluğu “kurumsal tasarım”a yüklemek, CIO’ların “sadece KPI’ları düzeltelim, AI başarılı olur” yanılgısına düşmesine neden olmaz mı? KPI, teşvik mekanizmasının yalnızca bir parçasıdır; yetki-sorumluluk dağılımı, hata toleransı mekanizmaları, yetenek yapısı ve süreç yeniden tasarımı da en az o kadar kritiktir. KPI’ları değiştirip diğer unsurları aynı bırakmak, organizasyonu “hedefler tutturuldu ama işler yapılmadı” durumundan da beter bir duruma sokabilir.
Enterprise AI Stack’a bir Teşvik katmanı eklemek, BT departmanlarının suçlanıyormuş gibi hissetmesine yol açar mı? Bu katman BT ekipleri için değil, karar vericiler için hazırlanmıştır—bütçe ve yetki-sorumluluk konusunda CEO ile koordinasyon sağlaması amacıyla CIO/CTO’ların kullanacağı bir araçtır, teknik ekiplere yüklenmek için bir kontrol listesi değildir.
Metinde bolca kullanılan “anonimize edilmiş örnek vakalar” içeriğin içi boş hissettirir mi? Bu, uyumluluk gereksinimlerinin kaçınılmaz sonucudur, tembelliğin mazereti değildir. Müşteri NDA’ları ve HBS örnek vaka yöntemi daha dürüst bir yaklaşımdır; detayları gizlerken mekanizmayı açık bırakmak, uydurma somut bir vaka sunmaktan çok daha etik bir tutumdur.

Kaynak Açıklamaları

Metindeki her veri, örnek ve atıfın kaynağı. Kanıt düzeyi kısaltmaları: D = Doğrulanmış gerçekler (doğrudan arama veya orijinal kaynak doğrulaması) / S = Sağlayıcı iddiaları (sağlayıcı örnek verileri, kendi ürünlerine yönelik yanlılık) / G = Genel sektör gözlemleri (birden fazla kaynaktan çapraz doğrulama) / Y = Yazar çıkarımı (deneyimsel çerçeve, sektör analojisi, tekil kamu kaynağı yokluğu).

金数据《İşlem Gücü Maliyetini Performans Sanmayın: Kurumsal AI Uygulamalarında Değer Ölçüm Tuzağı》 (2026-09-13) — Bu makale, Token KPI ve Goodhart Yasası hakkındaki tartışmaların destek kaynaklarından biridir. Referans bağlantısı: jinshuju.net/guides/enterprise-ai-token-kpi-value-metrics-jsj. Kanıt düzeyi V (Tedarikçi perspektifi: Jinshuju, bir form/SaaS sağlayıcısıdır). Perspektif notu: Yazarların görüşleri tedarikçi çıkarlarıyla uyumludur; ancak alıntılanan “çalışanların görevleri parçalayarak hacim artırma” durumu, kamuya açık raporlarda yaygın bir fenomen olarak tanımlanmaktadır.
Deloitte《Bankacılık Sektörü Yapay Zeka Ajanlarıyla Akıllı Otomasyona Nasıl Geçiş Yapabilir》 (2026) — Bu makale, sıkı düzenlemeye tabi sektörlerdeki “sorumluluk atama” tartışmasının destek kaynaklarından biridir. Referans bağlantısı: deloitte.com/cn/zh/Industries/financial-services/perspectives/agentic-ai-banking.html. Kanıt düzeyi V (Danışmanlık kuruluşu perspektifi). Perspektif notu: Deloitte küresel bir danışmanlık kuruluşu olup, nispeten tarafsız profesyonel hizmet perspektifine sahiptir; “uyumluluk yerleştirme” ve “ajan kayıt sistemi” hakkındaki spesifik ifadeleri alıntılanmıştır.
中豪律师事务所 (Zhonghao Avukatlık Bürosu) 《Finansal Kurumlarda Yapay Zeka Uygulamalarının Uyum Çerçevesi ve Uygulama Yol Haritası — Zhonghao Araştırması》 (2026) — 金发〔2026〕8 No’lu Talimat’ın her maddesinin yorumu, “yetkinlik eşleştirme ilkesi”, “yönetim kurulunun nihai sorumluluğu” ve “insan denetimi düğüm noktaları” gibi üç spesifik ifadenin kaynağı; referans bağlantısı: zhhlaw.com/article/detail/1029. Kanıt düzeyi C (avukatlık bürosu uyum yorumu). Bakış açısı etiketi: Avukatlık bürosunun uyum iş kolu duruşu, düzenleyici belgelerin çözümlemesine atıfta bulunur, ticari önerilerine atıfta bulunmaz.
律辉律师事务所 (Lühui Avukatlık Bürosu) 《Yapay Zeka Tarafından Üretilen İçeriklerin Telif Hakkı İhlali Riski: Sınır Ötesi E‑Ticaretin Hukuki Kırmızı Çizgileri ve Uyum Rehberi》 (2026‑02‑06) — Bu makalede e‑ticaret perspektifinden 50 milyon yuanlık tazminat davasının kaynağı; referans bağlantısı: legalhonour.com/article/5694502937357437.html. Kanıt düzeyi C (avukatlık bürosu vaka analizi). Bakış açısı etiketi: Açık içtihatların olgusal açıklamalarına atıfta bulunur, ticari uyum hizmetlerinin içeriğine atıfta bulunmaz.
实在智能《商品素材怎么自动生成？AI 智能体正在重构电商内容生产链路》（2026-08-27）——Bu makaledeki e-ticaret perspektifine ait verilerin (maliyet düşüşü %80, verimlilik artışı 10 kat, dönüşüm oranı +%25) kaynağı. Referans linki: ai-indeed.com/encyclopedia/30482.html. Kanıt düzeyi V (üretici perspektifi). Perspektif açıklaması: 实在智能 bir RPA/AI Agent üreticisi olup, müşteri vaka verilerini aktarırken üretici kimliğini açıkça belirtmiştir.
Patrick God《Goodhart’s Law Comes for AI Adoption》（Substack）——Bu makaledeki “Token KPI Goodhart Tuzağı” konusundaki çapraz dil desteği referansı, dotNET Web Academy’de yeniden yayınlanmıştır. Kanıt düzeyi C. Perspektif açıklaması: Bağımsız geliştirici blog görüşü.
Melvin Conway “How Do Committees Invent?” (1968, Datamation) — Bu yazıda Conway Yasası’na yapılan referansın orijinal kaynağı; orijinal metinden: «organizations which design systems are constrained to produce designs whose structures are copies of the communication structures of these organizations». Kanıt düzeyi F (orijinal makale).
Martin Fowler “Conway’s Law” (martinfowler.com, sürekli güncellenmektedir) — Modern yazılım organizasyonlarında Conway Yasası’nın uygulanmasına ilişkin destekleyici kaynak; kanıt düzeyi C (sektör otoritesi tarafından sürekli bakım).
Matthew Skelton & Manuel Pais《Team Topologies: Organizing Business and Technology Teams for Fast Flow》（2019, IT Revolution Press）——Bu makalede “Tersine Conway Manevrası” ve “Bilişsel Yük” konularının kaynağı; kanıt düzeyi F (orijinal eser).
金发〔2026〕8号《关于加强金融机构人工智能开发应用管理的指导意见》——Bu makalede yoğun düzenleyici sektör tartışmalarının yerli düzenleyici belge kaynağı; kanıt düzeyi F (düzenleyici belge).
网易《AI 智能客服工具评估：7 大核心指标与实战方法论》（美洽 AI 客服 verilerini kullanmaktadır）——İlk çözüm oranı, manuel ele geçirme oranı, kullanılabilirlik vb. belirli eşik değerlerinin referans kaynağı; kanıt düzeyi V (üretici perspektifi: Meiqia müşteri hizmetleri SaaS sağlayıcısıdır).
人人都是产品经理《AI 项目失败的真相：60% 企业都忽略了这关键一点》——Bu makalede “AI ekibi KPI tuzağı” ve “sorumluluk zinciri kırılması” tartışmalarının Çince sektör tamamlayıcı kaynağı; kanıt düzeyi C (sektör medya platformu).

慢慢学AI<13>

Lee Kaifu – “AI Gelecek Zaten Burada” (104 İş Gücü, 2026-09-25) – Makalenin “Hata 1: AI dönüşümünü tamamen CIO’ya bırakmak” bölümünün Çin sektör bağlamında güçlendirilmesi. Kanıt düzeyi C (sektör lideri görüşü).
Schneider Electric 2026/2025 Sektör AI Uygulama Raporu (doğrudan alıntı yok, arka plan referansı) – Kanıt düzeyi V, doğrudan alıntı olmadığından metne dahil edilmemiştir.
Makaledeki tüm “anonimleştirilmiş örnek durumlar” (müşteri hizmetleri merkezi 12→7 dakika, imalat AI ekibi KPI’ları, telekom iş segmenti özel hatı 14→7 gün, banka dolandırıcılık önleme Agent beş rolü) – Hepsi sektör genel gözlemlerine dayanan temsili açıklamalardır; gerçek tekil müşteri verisi değildir. Kanıt düzeyi A (yazar çıkarımı).

Kurumsal AI’nin neresinden başlamanız gerektiğini, hangi organizasyonel tasarım sorunlarının önünüzü keseceğini ve hangi teşvik mekanizmalarının yeniden düzenlenmesi gerektiğini değerlendiriyorsanız, bizimle iletişime geçmekten çekinmeyin. Üç işbirliği modeli sunuyoruz:

Kurum içi eğitim (ekip ölçeğine göre özelleştirilmiş, 3 günlük atölye çalışması; üst düzey yönetici konsensüsü ve orta kademe yetkinlik geliştirme ile)
Özel danışmanlık (problem kapsamı ve teslim edilebilir sonuçlara göre fiyatlandırma; rol tanımından KPI tasarımına, sorumluluk dağılımına kadar)
Üst düzey yönetici paylaşımı ve sektör konuşmaları (karar alıcılar düzeyinde bakış açısı hizalama)

İşbirliği e-posta adresi: [email protected]

Bu Seri Hakkında

「Yunqi Gözlemleri」, IAIUSE tarafından yayınlanan bir sektör saha serisidir. 2026 Yunqi Konferansı’ndan yola çıkarak, bir araştırmacı perspektifinden AI endüstrisinde gerçekleşen değişimleri analiz eder; gündem peşinde koşmaz, sadece yatırım yapılan yönleri ve kanıtların gücünü inceler.

Seri, model katmanının üzerindeki sistem katmanı, Agent uygulamaları, Context varlıkları, kurumsal AI organizasyon tasarımı ve AI ürün rekabet birimlerinin göçü gibi konuları kapsar; toplamda yaklaşık 10 bölümden oluşur.

Benim yaklaşık 8 yıllık büyük ölçekli kurumsal danışmanlık ve iş analizi deneyimim var; IBM’de çalıştım, telekomünikasyon, finans, sigorta ve imalat sektörlerinde projelerde yer aldım. Daha sonra operatör ürünleri, internet ürünleri ve AI uygulama geliştirme cephesinde çalışmaya devam ettim; gereksinim analizi, ürün tasarımı ve çapraz takım uygulamasıyla uğraştım. Bu kanalın arkasında aslında küçük bir ekip var; 1-2 uzun süreli işbirlikçi meslektaşımla birlikte, AI programlama araçları araştırması, organizasyon yönetişimi vaka analizi ve koçluk görüşmeleri konularında görev bölüşümü yapıyoruz. Yazılarda “kurumsal yolculuklarında yanında olduğumuz” projelerin çoğu, bizim birlikte teslim ettiğimiz projelerdir.

Bu serinin değerlendirmeleri, saha gözlemlerimden ve sektörler arası doğrulamalardan kaynaklanmaktadır; açık bir yazarlık perspektifi taşır ve hiçbir üretici görüşünü temsil etmez.