Kurumsal AI Projelerinin %95'i Neden ROI Getirmiyor: MIT NANDA ve 2026 Gerçeği

TL;DR — MIT'nin Project NANDA araştırması, kurumsal üretken yapay zekâ pilotlarının yaklaşık %95'inin kâr-zarar tablosunda ölçülebilir bir getiri üretmediğini ortaya koydu. Daha çarpıcısı: projelerin %61'i, hiç ölçülmeyecek bir ROI vaadiyle onaylanmış; %73'ünün başlangıçta üzerinde uzlaşılmış bir başarı tanımı yokmuş. Buna karşılık satıcı liderliğindeki dağıtımlar %67 başarı sağlarken, iç geliştirmelerin başarısı üçte bir. Bu yazıda, bu istatistiklerin arkasındaki gerçek nedenleri; başarı tanımının neden her şeyin başı olduğunu; ve Türkiye'deki bir CTO/CDO'nun bu tuzaklardan nasıl kaçınacağını sahadan örneklerle anlatıyorum.

Önce şu %95 rakamını doğru okuyalım, çünkü yanlış yorumlanmaya çok müsait. MIT'nin NANDA girişimi; 150 liderlik görüşmesi, 350 çalışan anketi ve 300 kamuya açık yapay zekâ dağıtımını inceleyerek, üretken yapay zekâ pilotlarının yaklaşık %95'inin kâr-zarar tablosunda ölçülebilir bir getiri üretmediğini buldu. Buradaki kritik ifade "kâr-zarar tablosunda ölçülebilir getiri." Bu, teknolojinin işe yaramadığı anlamına gelmiyor; ölçülebilir iş değerine dönüşmediği anlamına geliyor.

Bu ayrım hayati. Aynı araştırmalar, yöneticilerin %97'sinin yapay zekâdan fayda gördüğünü söylediğini ama yalnızca %29'unun anlamlı bir kurumsal ROI gördüğünü ortaya koyuyor. Yani ortada bir "algı-gerçek makası" var: herkes fayda hissediyor, çok azı onu sayıya dökebiliyor. Sahada bu makası her gün görüyorum. "Yapay zekâ bize çok şey kattı" diyen bir yöneticiye "peki ne kadar?" diye sorduğunuzda gelen sessizlik, aslında sorunun ta kendisi.

"

Bir müşterime şunu söylemiştim: "Ölçemediğiniz değer, savunamadığınız değerdir. Ve savunamadığınız değer, bir sonraki bütçe döneminde kesilir."

Bütün istatistiklerin altında yatan tek bir kök neden var ve araştırma bunu net gösteriyor: başarısız yapay zekâ projelerinin %73'ünün, başlamadan önce üzerinde uzlaşılmış bir başarı tanımı yoktu. Bu tek cümle, %95'lik başarısızlığın büyük kısmını açıklıyor. Başarının ne olduğunu tanımlamadan bir projeye başlarsanız, başardığınızı da başaramadığınızı da kanıtlayamazsınız. Proje, "iyi gidiyor gibi" hissiyatıyla sürüklenir ve ilk bütçe sıkışmasında sessizce ölür.

Buna bağlı ikinci bir bulgu daha çarpıcı: projelerin %61'i, lansmandan sonra hiç ölçülmeyen bir ROI projeksiyonuyla onaylanmış. Yani karar vericiye güzel bir tablo sunulmuş, proje onaylanmış ve sonra kimse geri dönüp "peki gerçekleşti mi?" diye sormamış. Bu, kurumsal yapay zekânın en büyük disiplin açığı: vaat kültürü var, ölçüm kültürü yok.

Sahada bu tuzağa düşen ekiplerin ortak refleksi şu: teknolojiye odaklanıp iş sonucunu ihmal etmek. "Hangi modeli kullanalım, hangi vektör veritabanını seçelim" tartışması saatler sürerken, "bu proje hangi iş metriğini, ne kadar iyileştirecek ve bunu nasıl ölçeceğiz" sorusu hiç sorulmuyor. Oysa doğru sıra tam tersi: önce iş sonucu ve ölçüm, sonra teknoloji.

Araştırmanın en pratik bulgularından biri, dağıtım stratejisinin başarıyı belirlemesi: satıcı liderliğindeki dağıtımlar %67 oranında başarılı olurken, iç geliştirmeler yalnızca üçte bir oranında başarılı. Bu, sezgiye aykırı gelebilir — "kendi ekibimiz daha iyi bilir" diye düşünülür — ama nedenleri anlaşılır.

Satıcı liderliğindeki dağıtımlar genellikle dar, iyi tanımlı bir probleme odaklanır; hazır bir çözümün olgunluğundan yararlanır; ve satıcının başka müşterilerde biriktirdiği deneyimi taşır. İç geliştirmeler ise sıfırdan başlar, kapsamı genişleme eğilimindedir ve "her şeyi kendimiz yapalım" hevesiyle karmaşıklaşır. Ayrıca iç ekipler, üretime taşıma ve sürdürme disiplininde çoğu zaman deneyimsizdir.

Bu, "hep satın alın" demek değil. Doğru ders şu: build-buy kararını duygusal değil stratejik verin. Farklılaştırıcı olmayan, standart bir yeteneği sıfırdan inşa etmek nadiren mantıklı; hazır ve olgun bir çözüm varken. Farklılaştırıcı, rekabet avantajı yaratan çekirdek yetenekler ise iç geliştirmeyi hak edebilir. Sahada gördüğüm başarılı kurumlar, bu ayrımı net yapıyor: sıradan olanı satın alıyor, özel olanı inşa ediyor.

Bulgu	Rakam	Çıkarım
P&L'de ölçülebilir getiri üretmeyen pilotlar	~%95	Ölçüm ve iş değeri açığı
Başarı tanımı olmadan başlayan başarısız projeler	%73	Kök neden: tanım yokluğu
Ölçülmeyen ROI ile onaylanan projeler	%61	Vaat var, takip yok
Satıcı liderliğinde başarı	%67	Dar kapsam + olgunluk
İç geliştirmede başarı	~%33	Kapsam şişmesi + deneyimsizlik
Üretime ulaşan projeler	%48	Yarısı üretime bile varamıyor

Bir başka öğretici bulgu: yapay zekâ projelerinin yalnızca %48'i üretime ulaşıyor ve ulaşanların prototipten üretime geçişi ortalama sekiz ay sürüyor. Bu sekiz ay, çoğu projenin öldüğü mezarlık. Prototip heyecan vericidir, demo etkileyicidir; ama üretim, güvenilirlik, gözlemlenebilirlik, güvenlik ve sürdürülebilirlik ister. Bu geçiş disiplini olmayan ekipler, prototip cennetinde takılıp kalır.

Sahadaki gözlemim şu: prototip ile üretim arasındaki uçurum, teknik olduğu kadar örgütseldir. Prototip bir kişinin ya da küçük bir ekibin heyecanıyla doğar; üretim ise süreç, sahiplenme ve bakım gerektirir. "Kim bu sistemi gece yarısı çöktüğünde ayağa kaldıracak?" sorusunun cevabı yoksa, o sistem üretime hazır değildir. Başarılı ekipler, prototipi daha ilk günden üretim gözüyle tasarlar; başarısızlar, "önce çalıştıralım, sonra düşünürüz" der ve o "sonra" hiç gelmez.

Bu istatistikler karamsar görünebilir ama aslında son derece umut verici; çünkü başarısızlığın nedenleri teknolojik değil, yönetişimsel — yani kontrol edilebilir. Sahada uyguladığım reçete şu.

Her projeye başarı tanımıyla başlayın. Tek bir cümle: "Bu proje, X metriğini Y kadar iyileştirirse ve bunu Z tarihinde ölçebilirsek başarılıdır." Bu cümle yazılmadan proje onaylanmasın. Bu tek disiplin, %73'lük tuzağı doğrudan kapatıyor.

Taban çizgisini önceden ölçün. İyileşmeyi kanıtlamak için, önce mevcut durumu ölçmelisiniz. İşlem başına süre, hata oranı, birim maliyet — hangisiyse, yapay zekâ devreye girmeden önce sayısını alın. Sonrasıyla kıyaslanacak bir taban olmadan ROI hikâyesi kurulamaz.

Dar başlayın, üretimi hedefleyin. Geniş, iddialı bir proje yerine dar, iyi tanımlı bir problem seçin; ama daha ilk günden üretim gözüyle tasarlayın. Amaç, etkileyici bir demo değil, üretimde ölçülebilir değer.

Build-buy kararını stratejik verin. Farklılaştırıcı olmayanı satın alın, çekirdek rekabet avantajını inşa edin. Duygusal "kendimiz yapalım" refleksine değil, TCO ve olgunluk analizine dayanın.

Lansmandan sonra ölçmeye devam edin. %61'lik tuzak, tam da lansman sonrası ölçümü bırakmaktan kaynaklanıyor. Projeyi canlıya aldıktan sonra, vaat edilen metriği gerçekten takip edin; gerçekleşmediyse dürüstçe kabul edip düzeltin.

"

Bir müşterimde, altı aydır "başarılı" sanılan bir yapay zekâ projesini önceden tanımlı bir metrikle ölçtüğümüzde, aslında iş değeri üretmediğini gördük. Acı ama değerli bir ders: ölçmeden başarı sanmak, en pahalı yanılgı.

Bütün bunların ötesinde, kurumsal yapay zekâ başarısı bir kültür meselesi. Vaat kültüründen kanıt kültürüne geçmek gerekiyor. Vaat kültüründe herkes yapay zekânın harika olduğunu söyler, gösterişli demolar yapılır, bütçeler heyecanla onaylanır ve kimse geri dönüp sonucu ölçmez. Kanıt kültüründe ise her proje bir hipotezdir, her hipotez ölçülür ve başarısızlık dürüstçe kabul edilip öğrenilir.

Bu kültürel dönüşüm, üstten başlar. Bir CTO ya da CDO, "bana demo değil, ölçülmüş sonuç getirin" dediğinde, bütün ekip davranışını değiştirir. Sahada en başarılı gördüğüm kurumların ortak özelliği bu: yapay zekâyı bir moda ya da prestij projesi olarak değil, ölçülen ve yönetilen bir yatırım portföyü olarak ele almaları. %95'lik başarısızlık istatistiği, aslında ölçüm disiplinini kuran azınlık için devasa bir fırsat: rakiplerinizin çoğu ölçmediği için kaybederken, siz ölçtüğünüz için kazanabilirsiniz.

Bugün atacağınız ilk adım teknoloji seçmek değil; masaya oturup mevcut ya da planlanan bir yapay zekâ projeniz için tek cümlelik başarı tanımını yazmak. O cümle yazıldığı an, %73'lük tuzağın dışına çıkmış olursunuz. Kurumsal yapay zekâda kazanmanın yolu, daha büyük vaatlerden değil, daha dürüst ölçümden geçiyor.

"Ölçün" demek kolay; peki pratikte nasıl? Sahada kullandığım basit bir çerçeve var. Yapay zekâ değerini üç kovada toplayın: maliyet tasarrufu, gelir artışı ve risk azaltımı. Çoğu proje bu üçünden birine denk gelir ve her biri farklı ölçülür.

Maliyet tasarrufu en kolay ölçülenidir: bir görev eskiden kaç kişi-saat alıyordu, şimdi kaç alıyor? İşlem başına maliyet düştü mü? Bir müşteri hizmetleri ekibinde, yapay zekânın çözdüğü talep başına insan maliyetini önceki döneme kıyaslamak, temiz bir tasarruf sayısı verir. Gelir artışı biraz daha zordur çünkü nedensellik karmaşıktır; burada kontrollü deneyler (A/B testi) altın standarttır. Yapay zekâ destekli grupla desteksiz grubu kıyaslayıp dönüşüm farkını ölçmek, gelir katkısını izole eder. Risk azaltımı ise en çok ihmal edilenidir: bir dolandırıcılık tespit modeli, önlediği kayıpla değer üretir; bir uyum aracı, kaçınılan cezayla. Bu değerler görünmez olduğu için sık atlanır, ama gerçektir.

Ölçümün püf noktası, mümkün olduğunca kontrollü kıyaslama kurmak. "Yapay zekâdan önce ve sonra" kıyaslaması, başka faktörler de değiştiği için yanıltıcı olabilir. Mümkünse eş zamanlı bir kontrol grubu tutun: bazı ekipler yapay zekâ kullansın, bazıları kullanmasın, farkı ölçün. Bu, değeri iş bağlamındaki gürültüden ayıran en güvenilir yöntem.

Kurumsal yapay zekânın gözden kaçan gerçeği şu: değer genellikle tek bir devrimci projeden değil, birçok küçük kazanımın birikiminden gelir. %95'lik başarısızlık istatistiği, kısmen "büyük vuruş" arayışından kaynaklanıyor. Ekipler, tek hamlede işi dönüştürecek gösterişli bir proje peşinde koşarken, gerçek değer üreten mütevazı otomasyonları küçümsüyor.

Sahada gördüğüm başarılı kurumlar, tam tersini yapıyor: onlarca küçük, iyi tanımlı, ölçülebilir kazanımı üst üste koyuyorlar. Her biri tek başına devrim değil, ama toplamları ciddi bir birim ekonomisi iyileşmesi. Bu "birikimli değer" yaklaşımı, hem daha az riskli hem daha sürdürülebilir. Küçük bir kazanım hızlı ölçülür, güven inşa eder ve bir sonrakine zemin hazırlar. Büyük vuruş ise çoğu zaman sekiz aylık uçuruma düşüp ölür.

İlginç bir şekilde, ROI ölçüm disiplini ile düzenleyici uyum aynı kaslara dayanıyor. KVKK'nın ve EU AI Act'in istediği hesap verebilirlik — sistemin ne yaptığını, hangi veriyle çalıştığını, çıktısının nasıl olduğunu belgeleyebilmek — aynı zamanda ROI ölçümünün de temeli. Sistemini izleyen, çıktısını ölçen, kararlarını loglayan bir ekip, hem yatırımının değerini kanıtlayabiliyor hem de bir denetim geldiğinde dosyasını sunabiliyor.

Bu, ölçüm yatırımını iki kez haklı çıkarıyor: bir kez finansal (ROI kanıtı), bir kez düzenleyici (uyum kanıtı). Sahada bu ikili faydayı yöneticilere anlatmak, ölçüm altyapısı bütçesini onaylatmanın en etkili yolu. "Bu para hem değeri kanıtlamak hem de riski yönetmek için" cümlesi, çoğu finans liderini ikna ediyor.

Sonuçta MIT NANDA'nın %95'lik bulgusu bir felaket tablosu değil, bir yol haritası. Başarısızlığın nedenleri belli: başarı tanımının yokluğu, ölçümün ihmali, kapsam şişmesi ve prototip-üretim uçurumu. Bunların hepsi kontrol edilebilir yönetişim sorunları. Bu tuzaklardan kaçınan azınlık, %95'in kaybettiği yerde kazanıyor. Yapılacak ilk iş net: bir projenizi seçin, tek cümlelik başarı tanımını yazın, taban çizgisini ölçün ve kanıt kültürünü bu hafta başlatın.