Saha Notları: Kurumsal AI Devreye Alma Deneyiminden Damıtılanlar

Kurumsal AI deneyimi sahada, tanıtım videolarında göründüğünden çok daha az teknik, çok daha fazla örgütseldir. Bu yazı, farklı sektörlerdeki devreye alma süreçlerinden birinci elden damıtılmış bir saha notları derlemesidir. Tek bir müşteriyi ya da uydurma bir başarı rakamını değil; çok sayıda kurumsal AI deneyiminde tekrar tekrar karşıma çıkan desenleri, hataları ve dersleri anlatır. Amacım bir tarif vermek değil, tekrarlanabilir bir bakış açısı bırakmaktır. Başka bir deyişle, bu yazı size ne yapacağınızı söylemez; farklı devreye alma gerçeklerinden süzülmüş bir gözle, nereye bakmanız gerektiğini gösterir.

Yıllar içinde farklı ölçeklerde ve farklı sektörlerde bir dizi devreye alma sürecinde bulundum. Başında şuna inanıyordum: her sektörün, her kurumun sorunu kendine özgüdür. Sahanın bana öğrettiği ise bunun tersi oldu. Sorunların kılığı sektöre göre değişiyor; ama altta yatan birkaç kök, şaşırtıcı ölçüde ortak. İşte bu saha notları, o ortak kökleri; devreye alma gerçekleri, uygulama dersleri ve sektörler arası gözlem başlıkları altında toplama denemesidir.

Tanım

Saha Notları (Kurumsal AI)

Farklı sektörlerdeki kurumsal AI devreye alma süreçlerinden birinci elden gözlemlenen, tekrarlayan desenlerin, hataların ve derslerin damıtılmış bir derlemesi. Tek bir vakayı değil, çok sayıda devreye alma deneyiminde ortaklaşan kalıpları anlatır; amacı tarif vermek değil, tekrarlanabilir bir bakış açısı ve karar çerçevesi sunmaktır. Kurumsal AI deneyimi bu notlarda teknik başarıdan çok örgütsel hazırlık, benimseme ve ölçülen değer üzerinden okunur.

Ayrıca: kurumsal AI saha notları, devreye alma gözlemleri, uygulama dersleri, AI vaka notları

Bir saha notunun değeri, kaynağının dürüstlüğüne bağlıdır. Bu yüzden ilk olarak, bu notların nasıl toplandığını açık etmem gerekir. Bunlar bir literatür taramasının ya da bir anketin özeti değil; farklı sektörlerdeki gerçek devreye alma süreçlerinde birinci elden gördüklerimin damıtılmasıdır. Toplantı odalarında, veri ambarlarının önünde, pilot demolarının ardından yapılan "peki şimdi ne olacak" konuşmalarında biriken gözlemlerdir.

Bir noktayı baştan netleştireyim: bu yazıda uydurma vaka, isim ya da rakam yoktur. Bir danışman olarak gördüğüm projelerin çoğu gizlilik altındadır ve zaten tek bir projeyi ifşa etmek, bu türden bir yazının amacına aykırıdır. Bir saha notunun gücü, tek bir hikâyenin renginde değil, çok sayıda hikâyede tekrarlayan desenin sağlamlığındadır. Bu yüzden burada anlatacaklarım hep desen düzeyindedir: "bir bankada", "bir üretim şirketinde", "bir perakendecide" derken, belirli bir kurumu değil, o sektörde defalarca karşılaştığım arketipi kastediyorum.

İkinci bir dürüstlük: gözlem, kanıt değildir. Benim gördüklerim, kontrollü bir deney değil; taraflı olabilecek, sınırlı bir örneklemden gelen izlenimlerdir. Bu yüzden bu saha notlarını mutlak doğrular olarak değil, sizin kendi bağlamınızla sınayacağınız hipotezler olarak okumanızı öneririm. Kurumsal AI deneyimi öyle bir alandır ki, en tehlikeli şey birinin kendi birkaç projesinden çıkardığı dersi evrensel yasa sanmasıdır. Ben de o tuzağa düşmemek için, gözlemlerimi kesinlik değil, tekrar sıklığı diliyle aktarıyorum.

Peki bir gözlem ne zaman "not" olmayı hak eder? Benim ölçütüm şuydu: aynı deseni en az üç farklı bağlamda, birbirinden bağımsız biçimde gördüysem, onu bir saha notu olarak yazmaya değer buldum. Tek seferlik tuhaflıklar ilginçtir ama öğretici değildir; asıl öğretici olan, farklı kurumların aynı duvara aynı yerden çarpmasıdır. Bu yazıdaki her tema, işte bu "en az üç bağımsız tekrar" süzgecinden geçti.

Kurumsal AI deneyimi üzerine yapılan en yaygın yanılgı, "bizim sektörümüz farklı" cümlesidir. Her sektör kendini benzersiz sanır; bankacılık uyumu, üretim saha koşullarını, perakende ölçeği, sağlık mahremiyeti öne sürer. Bunların hepsi gerçek farklardır. Ama sahada gördüğüm şey şudur: bu farklar, çoğu zaman aynı birkaç kök sorunun sektöre özgü kılıklarıdır. Sektörler arası gözlem yaptığınızda, yüzeydeki çeşitliliğin altında tekrarlayan bir iskelet belirir.

Bir örnek üzerinden gidelim. Bir bankada bir yapay zeka projesi "regülasyon ve onay yüzünden yavaş ilerliyor" diye anılır. Aynı yavaşlık bir üretim şirketinde "saha verisi dağınık ve entegrasyon zor" diye, bir perakendecide "sistemlerimiz eski, ölçeklenmiyor" diye, bir sigorta şirketinde "aktüeryal ekip ikna olmadı" diye anılır. Dört farklı cümle, dört farklı sektör. Ama altta yatan tek bir desen var: proje, teknik olgunluktan önce örgütsel hazırlığa takılıyor. İsimler farklı, hastalık aynı.

Bu neden böyle? Çünkü kurumsal AI, özünde bir bilgi ve karar teknolojisidir; ve her kurumun bilgisi ile kararı, benzer insani ve örgütsel dinamiklerle şekillenir. Verinin dağınıklığı, sahiplenme boşlukları, değişime direnç, karar ile uygulama arasındaki mesafe — bunlar sektöre değil, örgüt olmanın doğasına aittir. Teknoloji katmanı sektörden sektöre değişebilir; ama teknolojiyi kullanacak kurumun anatomisi büyük ölçüde aynıdır. Devreye alma gerçekleri bu yüzden taşınabilir: bir sektörde öğrendiğiniz ders, başka bir sektörde farklı bir kılıkta karşınıza çıkar.

Aynı kök sorunun sektöre göre değişen kılıkları (sektörler arası gözlem)

Ortak kök sorun	Bankacılıkta söyleniş	Üretimde söyleniş	Perakende/hizmette söyleniş
Belirsiz kullanım senaryosu	Her şeyi otomatikleştirelim	Fabrikayı akıllı yapalım	Müşteriyi AI ile tanıyalım
Hazır olmayan veri	Veri silolarda ve maskeli	Saha verisi dağınık/eksik	Kanallar arası veri kopuk
Örgütsel direnç	Uyum ve risk çekincesi	Usta bilgisine güven	Operasyon alışkanlıkları
Ölçülmeyen değer	ROI belirsiz, bütçe kısıtlı	Fayda soyut kalıyor	Pilot etkisi gösterilemiyor

Bu tablonun bana öğrettiği pratik ders şudur: bir sektöre girerken o sektörün kendine has diliyle konuşmak gerekir, ama o dilin altında hep aynı dört-beş soruyu aramak gerekir. "Bizim sektörümüz farklı" diyen bir yöneticiye hak vermek de, o farkın altındaki ortak deseni görmek de aynı anda mümkündür. Kurumsal AI deneyimi, işte bu iki bakışı birlikte tutabilmektir: yüzeydeki farkı ciddiye almak, ama kökteki ortaklığı gözden kaçırmamak. Bu ortak deseni sektörler üstü bir çerçeveyle ele aldığım kurumsal AI stratejisi ve kurumsal AI olgunluk modeli yazıları, buradaki gözlemlerin daha yapılandırılmış bir versiyonunu sunar.

Kurumsal AI deneyimi üzerine tuttuğum saha notlarının belki de en tekrarlayan bulgusu şudur: projeler neredeyse hiçbir zaman modelin yetersizliğinden çökmez. Model, çoğu senaryoda "yeterince iyi"dir; bazen fazlasıyla iyidir. Çöküş, neredeyse her seferinde tekniğin dışındaki nedenlerden gelir. Bu, ilk başta insanı şaşırtır — ne de olsa herkes yapay zekayı bir teknoloji problemi sanır. Oysa saha, tam tersini söyler.

Birinci ve en yaygın neden, belirsiz veya fazla geniş kullanım senaryosudur. "Yapay zekayı kullanalım" bir hedef değildir; bir slogandır. Sahada en hızlı çöken projeler, kapsamı sınırsız çizilmiş olanlardır: tüm operasyonu dönüştürecek, her departmana dokunacak, her soruyu yanıtlayacak bir sistem. Bu tür projeler kendi ağırlığı altında ezilir. Buna karşılık dar, tek bir acıya odaklanmış projeler ilerler. Bunu bir çerçeveye oturtmak için AI use-case önceliklendirme matrisi yazısında bir yöntem paylaştım; ama sahadaki asıl mesele, ekibin "hayır" diyebilme cesaretidir.

İkinci neden, verinin sahiplenilmemesidir. Herkes verinin önemli olduğunu söyler; ama sahada "bu verinin doğruluğundan kim sorumlu" diye sorduğunuzda oda sessizleşir. Veri hazır sanılır, oysa dağınıktır, çelişkilidir, eskimiştir. Bu boşluğu doküman ve veri hazırlığı saha notu yazısında ayrıntılı işledim; burada söylemek istediğim şu: veri sahipliği tanımlanmadan başlayan bir proje, temeli atılmadan çıkılan bir binadır.

Üçüncü neden, karar vericiyle saha arasındaki boşluktur. Kararı üst yönetim verir; işi ise sahadaki insan kullanır. Bu ikisi birbirini duymadığında, teknik olarak kusursuz bir sistem bile rafta kalır. Üst yönetim "neden kullanılmıyor" diye sorar; saha "bize sormadılar ki" diye yanıtlar. Dördüncü neden ise değerin hiç ölçülmemesidir: proje "başarılı" ilan edilir ama kimse bir taban çizgisiyle karşılaştırmaz. Bu iki nedeni kurumsal AI ROI neden başarısız olur ve yapay zeka yatırımlarında başarısızlık nedenleri yazılarında derinleştirdim.

Teknik olmayan başarısızlık nedenleri ve sahadaki belirtileri

Başarısızlık nedeni	Sahadaki belirti	Kök neden
Belirsiz senaryo	Kapsam sürekli büyür	Odak ve önceliklendirme yok
Sahiplenilmeyen veri	'Bu kimin verisi?' sessizliği	Veri yönetişimi tanımsız
Karar-saha boşluğu	Sistem kurulur ama kullanılmaz	Son kullanıcı sürece dahil değil
Ölçülmeyen değer	'İyi çalışıyor' ama kanıt yok	Taban çizgisi ve metrik yok
Benimseme tasarlanmamış	Eğitim ve alışkanlık atlanmış	Değişim yönetimi eksik

Bu listenin ortak paydası dikkat çekicidir: hiçbiri model, GPU ya da algoritma hakkında değildir. Hepsi insan, süreç ve örgüt hakkındadır. Kurumsal AI deneyimi olgunlaştıkça öğrendiğim en sağlam ders şudur: yapay zeka projesi bir teknoloji projesi kılığında gelir ama bir değişim yönetimi projesi olarak yaşar ya da ölür. Pilotta kalan projelerin ortak izini pilotta kalan projeler saha notu yazısında ayrıca ele aldım.

Eğer bu saha notlarından tek bir cümle akılda kalacaksa, o cümle şu olsun: hazırlık aşaması, sonucu projenin geri kalanından daha çok belirler. Devreye alma gerçekleri arasında en tutarlı olanı budur. Sahada defalarca gördüm ki, bir projenin kaderi çoğu zaman daha ilk haftalarda, henüz tek satır kod yazılmadan, model bile seçilmeden belli olur. Çünkü hazırlık, projenin üzerine kurulacağı zemindir; zemin çürükse, üstüne ne kurarsanız kurun eğrilir.

Hazırlığın ilk ayağı kullanım senaryosunun doğru daraltılmasıdır. Sahada en sağlıklı başlangıçlar, "tüm kurumu dönüştürelim" diyenler değil, "önce şu tek acıyı çözelim" diyenlerdir. Dar bir senaryo hem riski düşürür hem de öğrenmeyi hızlandırır; başarısızsa ucuza başarısız olur, başarılıysa taşınabilir bir kanıt üretir. Bu daraltmayı doğru yapmak, sanıldığından zordur; çünkü herkes kendi departmanının önce gelmesini ister. Bu politik gerilimi yönetmeden teknik başarı mümkün değildir. Bu konuyu PoC'den üretime yapay zeka projeleri yazısında ayrıntılandırdım.

İkinci ayak veri ve erişim hazırlığıdır. Bir kurumun verisi çoğu zaman iki halde bulunur: ya dağınık ve kirlidir, ya da erişimi bir yetki labirentinin arkasındadır. İkisi de projeyi durdurur. Sahada gördüğüm en pahalı gecikmeler, "veriyi çekelim" dendiğinde başlayan haftalarca süren yetki, format ve kalite mücadeleleridir. Bu yüzden olgun projeler, model seçmeden önce veriyi ve ona erişimi hazırlar. Regüle sektörlerde bu iş daha da ağırdır; onu regüle sektörde onay saha notu yazısında ayrı ele aldım.

Üçüncü ayak beklenti hizalamasıdır. Kurumsal AI deneyimi üzerine en sinsi başarısızlık, teknik değil, beklenti kaynaklıdır: üst yönetim sihir bekler, saha kusursuzluk bekler, ekip mucize bekler. Hiçbiri gerçekleşmeyince, teknik olarak başarılı bir proje bile "hayal kırıklığı" ilan edilir. Bu yüzden hazırlığın en ihmal edilen ama en kritik parçası, tarafların ne bekleyeceğini baştan hizalamaktır: neyi çözeceğiz, neyi çözmeyeceğiz, başarı neye benzeyecek, ne kadar sürecek. Bu hizalama yapılmadan başlayan proje, daha ilk demoda beklenti duvarına toslar.

Bir sistemin teknik olarak çalışması ile insanların onu gerçekten kullanması arasında, sahada gördüğüm en geniş uçurumlardan biri yatar. Kurumsal AI deneyimi bana şunu defalarca öğretti: en zor kısım modeli çalıştırmak değil, insanların davranışını değiştirmektir. Bir aracı kurmak günler alır; bir alışkanlığı değiştirmek aylar. Ve değer, kurulumdan değil, benimsemeden gelir. Kullanılmayan mükemmel bir sistem, kullanılan vasat bir sistemden daha değersizdir.

Benimsemenin neden bu kadar zor olduğunu anlamak için insana bakmak gerekir. Bir çalışan yeni bir aracı, iş yükünü azaltacağına ikna olmadıkça kullanmaz; hatta işini tehdit ettiğini düşünürse aktif olarak direnir. Sahada gördüğüm en yaygın benimseme hatası, aracı tepeden dayatmaktır: "artık bunu kullanacaksınız" demek, direnci azaltmaz, gizler. Gizlenen direnç, sistemin sessizce terk edilmesiyle sonuçlanır — kimse itiraz etmez ama kimse de kullanmaz. Bu deseni kullanıcı benimsemesi saha notu yazısında derinleştirdim.

Benimsemeyi kazanan projelerin ortak özelliği, kullanıcıyı baştan sürece katmasıdır. Aracı kullanacak kişi, onu tasarlarken masada olduğunda; kendi acısını çözdüğünü gördüğünde; ve ilk günlerde küçük ama gerçek bir fayda tattığında, benimseme kendiliğinden gelir. Ayrıca güven kritiktir: kullanıcı, aracın ne zaman doğru ne zaman yanılabilir olduğunu bilirse ona güvenir; her şeyi bilen bir sihirbaz gibi sunulursa, ilk hatada güven çöker. Bu yüzden dürüst bir araç — sınırlarını gösteren, emin olmadığında bunu söyleyen — abartılı bir araçtan daha çok benimsenir. Çalışanların yapay zekayla sağlıklı bir ilişki kurması için gereken temel okuryazarlığı yapay zeka okuryazarlığı yazısında ele aldım.

Süreklilik ise benimsemenin ikizidir. Bir sistem devreye alındıktan sonra bakılmazsa, sessizce bozulur: veri eskir, kullanım senaryosu kayar, kalite düşer, kullanıcı güveni erir. Sahada gördüğüm hazin desen şudur: coşkuyla kurulan projeler, altı ay sonra kimsenin sahiplenmediği yetim sistemlere dönüşür. Bunu önlemenin yolu, projeyi bir "kurulum" değil, bir "ürün" gibi düşünmektir — sürekli bakım, ölçüm ve iyileştirme gerektiren, yaşayan bir şey. Ekiplerin bu sürekliliği taşıyabilmesi için gereken yetkinliği kurumsal yapay zeka eğitimi yazısında tartıştım.

Bu istatistik önemli bir sezgiyi doğrular: Türkiye'de çalışanlar yapay zekaya bireysel olarak zaten aşinadır. Yani kurumsal benimsemenin önündeki engel, "insanlar teknolojiye yabancı" değildir. Engel, gölge kullanımın kurumsal, güvenli ve ölçülen bir kullanıma dönüştürülmemesidir. Çalışanların onaysız araçlarla kendi başlarına AI kullanmasının yönetişim boyutunu gölge yapay zeka yönetişimi yazısında ele aldım.

Bir devreye alma sürecinde en çok enerji harcadığım yer, çoğu zaman modelle değil, kurumun iki katmanı arasındaki tercümeyle ilgili oldu: kararı veren üst yönetim ile işi kullanan saha. Bu iki katman farklı diller konuşur, farklı şeylerden korkar, farklı başarı tanımlarına sahiptir. Kurumsal AI deneyimi büyük ölçüde bu iki dili birbirine çevirme sanatıdır; ve bu tercüme yapılmadığında, en iyi proje bile arada kaybolur.

Üst yönetimin dili strateji, rekabet, maliyet ve risktir. Onlar "bu bize ne kazandıracak, ne riski var, rakip ne yapıyor" sorularıyla düşünür. Sahanın dili ise günlük iştir: "bu benim işimi kolaylaştıracak mı yoksa üzerine bir yük mü ekleyecek". Bu iki soru birbirine bağlanmadığında, üst yönetim sahanın umursamadığı bir şey ister; saha, üst yönetimin duymadığı bir itirazı mırıldanır. Sonuç, ortada asılı kalan ve kimsenin gerçekten sahiplenmediği bir projedir.

Sahada bu boşluğu kapatan en etkili şey, erken ve somut bir kanıttır. Üst yönetime bir slayt değil, sahanın gerçekten kullandığı küçük bir çalışan pilot göstermek; sahaya bir vaat değil, kendi acısını dindiren somut bir fayda tattırmak. Bu iki taraf da soyut sözlerle değil, somut deneyimle ikna olur. Bu yüzden dar ve gerçek bir pilotun politik değeri, teknik değerinden bazen daha büyüktür: iki katmanı ortak bir gerçeğin etrafında buluşturur. Bu köprüyü kurmanın örgütsel tarafını üst yönetime yapay zeka projesi sunumu ve AI danışmanlığı mı iç ekip mi yazılarında ele aldım.

Bu boşluğun bir de sahiplik boyutu vardır. Sahada en çok gördüğüm örgütsel hata, projenin "kimin işi" olduğunun belirsiz kalmasıdır. IT sahiplenirse iş tarafı yabancılaşır; iş tarafı sahiplenirse teknik derinlik eksik kalır. En sağlıklı kurulum, iki taraftan da birer sahibin ortak sorumluluk aldığı ikili yapıdır. "Herkesin işi, kimsenin işi değildir" tuzağı, kurumsal AI projelerinde özellikle acımasızdır; çünkü bu projeler tam da katmanlar arası olduğu için, arada düşmeye en yatkın olanlardır. Bu yönetişim boşluğunu kurumsal AI yönetişimi yazısında yapılandırdım.

Bankacılık, sigorta, sağlık ve kamu gibi regüle sektörlerdeki devreye alma gerçekleri, diğerlerinden bir noktada belirgin biçimde ayrılır: burada teknik olgunluk yetmez, onay ve uyum da gerekir. Sahada bu sektörlerde çalışırken öğrendiğim en önemli ders, onayın bir "son adım" değil, projenin en başından örülmesi gereken bir kumaş olduğudur. Uyumu sona bırakan projeler, tam da üretime geçecekken duvara çarpar.

Regüle bir ortamda kurumsal AI deneyimi, teknolojiyle hukukun kesişiminde yaşar. Bir modelin ne kadar iyi çalıştığı kadar, kararını nasıl açıkladığı, hangi veriyi kullandığı, o veriye kimin eriştiği ve tüm bunların denetlenebilir bir iz bırakıp bırakmadığı da önemlidir. Bu yüzden regüle sektörlerde en hızlı ilerleyen projeler, en gelişmiş modeli seçenler değil; şeffaflığı, izlenebilirliği ve insan gözetimini baştan tasarlayanlardır. Bu gerçekliği regüle sektörde onay saha notu yazısında ayrıntılı işledim.

Türkiye bağlamında bu, KVKK ile başlar ve Avrupa'ya hizmet veren kurumlar için EU AI Act ile genişler. Ama sahada gördüğüm şey, bu düzenlemelerin çoğu zaman bir engel değil, bir disiplin kaynağı olduğudur: erişim kontrolünü, veri minimizasyonunu ve denetim kaydını zorunlu kılan bir çerçeve, aslında iyi mühendisliğin de gerektirdiği şeydir. İyi kurulmuş bir uyum katmanı, projeyi yavaşlatmaz; onu daha sağlam kılar. Bu yüzden regüle sektörlerdeki meslektaşlara hep şunu söylerim: uyumu bir fren değil, bir kalite güvencesi olarak görün.

Bir uyarı da gerekir: regüle sektörlerde "veri dışarı çıkmasın" kaygısı çoğu zaman on-premise (kurum içi) çözümlere yönlendirir; ama bu tercihin de kendi gerçekleri vardır. On-premise, veri egemenliği verir ama işletme yükü, donanım maliyeti ve bakım sorumluluğu getirir. Sahada bu dengenin nasıl kurulduğunu on-premise gerçekler saha notu yazısında, teknik boyutunu ise on-premise LLM kurulumu yazısında ele aldım. Not: bu bölümdeki hiçbir ifade hukuki tavsiye değildir; regüle bir projede uyum, kurumunuzun hukuk ve uyum birimiyle birlikte tasarlanmalıdır.

Kurumsal AI deneyimi üzerine tuttuğum saha notlarında, ölçümle ilgili bir desen diğerlerinin hepsinden daha ısrarla tekrar eder: değer ölçülmezse, tartışma his üzerinden yürür ve his, bütçe masasında kaybeder. Sahada gördüğüm en trajik başarısızlıklardan bazıları, teknik olarak başarılı ama değerini kanıtlayamadığı için kapatılan projelerdir. İyi çalışan bir sistemi, "faydası belirsiz" diye rafa kaldırmak, kötü çalışan bir sistemi kapatmaktan daha yazık bir kayıptır.

Ölçümün önündeki en büyük engel, taban çizgisinin (baseline) hiç alınmamasıdır. Bir projeyi başlatırken "şu an bu iş ne kadar sürüyor, hata oranı ne, kaç kişi uğraşıyor" sorularının cevabı kaydedilmezse, proje bittiğinde iyileşmeyi kanıtlamak imkânsızlaşır. Sahada defalarca gördüm: coşkuyla başlayan ekipler, taban çizgisi almayı atlar; sonra "gerçekten daha mı iyi oldu" sorusuna sağlam cevap veremezler. Bu yüzden ölçüm, projenin sonunda değil, başında kurulmalıdır. Bu disiplini yapay zeka ROI nasıl hesaplanır ve yapay zeka ROI ölçümü yazılarında ele aldım.

İkinci gözlem, değerin çoğu zaman beklenmedik yerden gelmesidir. Bir projeye "maliyet düşürecek" diye başlarsınız; asıl değeri, çalışan memnuniyeti ya da hata azalması olarak ortaya çıkar. Ya da tersine, gösterişli bir üretkenlik vaadi havada kalırken, sistemin sessiz faydası bilgiyi standartlaştırmak olur. Bu yüzden ölçüm çerçevesini tek bir metriğe kilitlememek gerekir; birkaç kanaldan (zaman, kalite, kapasite, memnuniyet) bakmak, değerin gerçekte nereden geldiğini görmeyi sağlar. Pilottan gerçek değere geçişin neden bu kadar zor olduğunu GenAI uçurumu: pilottan değere yazısında derinleştirdim.

Üçüncü ve belki en önemli gözlem: ölçüm bir kez değil, sürekli yapılmalıdır. Bir sistemin değeri kurulumda dondurulan bir sayı değildir; bilgi tabanı güncel tutuldukça, benimseme arttıkça büyür, ihmal edildikçe küçülür. Değerini kanıtlayan kurumlar, sistemi kurup unutanlar değil; düzenli ölçen, dinleyen ve iyileştirenlerdir. Bu süreklilik, kurumsal AI yatırımını bir maliyet kaleminden, zamanla büyüyen bir varlığa dönüştürür.

ROI ölçümünde sahada gözlemlenen kalıplar ve pratik sonuçları

Gözlemlenen kalıp	Sık sonuç	Pratik ders
Taban çizgisi alınmamış	İyileşme kanıtlanamaz	Ölçümü ilk gün kur
Tek metriğe kilitlenme	Gerçek değer kaçırılır	Çok kanallı bak (zaman/kalite/kapasite)
Tek seferlik ölçüm	Değer sessizce erir	Sürekli izleme kur
Benimseme sayılmamış	Kullanılmayan sistem	Kullanım oranını da ölç

Bir konferansta sunumları dinleyip, birkaç kitabı okuyup, birkaç kursu bitirdikten sonra insan kendini kurumsal AI konusunda hazır sanabilir. Sahada gördüğüm gerçek ise şudur: bu bilgi gereklidir ama yeterli değildir. Çünkü kitaplar temiz örneklerle, sunumlar başarı hikâyeleriyle, kurslar ideal koşullarla anlatır; oysa saha, dağınık veriler, çelişkili çıkarlar, yarım kalmış sistemler ve isteksiz kullanıcılarla doludur. Kurumsal AI deneyimi tam da bu ideal ile gerçek arasındaki boşlukta birikir; ve o boşluğu ancak içinden geçerek tanırsınız.

Bunun somut bir örneği şudur: bir teknik dokümanda "veriyi vektörleştirin, arama kurun, modeli bağlayın" diye üç madde geçer. Sahada bu üç madde, üç aylık bir yetki, format ve sahiplenme mücadelesine dönüşebilir. Kitap size "ne yapılacağını" öğretir; deneyim ise "neyin yanlış gideceğini ve önce nereye bakılacağını" öğretir. İşte danışmanlığın da, kıdemli bir iç ekibin de asıl değeri buradadır: yolun neresinde hangi çukurun beklediğini önceden bilmek. Bu sezgi, ancak çok sayıda benzer projeyi görmüş birinde oluşur.

Bir başka boyut, kalıp tanımadır. Deneyimli bir göz, bir projenin daha ilk toplantısında birçok şeyi sezer: kapsamın nasıl çizildiğine bakar ve "bu proje büyüklük altında ezilecek" der; veri sahibinin kim olduğunu sorar ve odanın sessizliğinden temeldeki boşluğu okur; üst yönetimle sahanın aynı toplantıda farklı şeylerden bahsettiğini görür ve gelecek kopmayı önceden fark eder. Bu kalıp tanıma, teoriden değil, aynı filmi defalarca izlemekten gelir. Kurumsal AI deneyimi, bir bakıma, bu tekrar eden filmin senaryosunu ezbere bilmektir.

Buradan çıkan pratik sonuç şudur: bir kuruma yeni bir AI girişimi başlatırken, yalnızca teknik yetkinliğe değil, saha deneyimine de ihtiyaç vardır. Bu deneyim içeride varsa harika; yoksa dışarıdan getirilebilir ya da yaparak zamanla kazanılır. Yalnızca kitaptan öğrenilenle başlayan ekipler, öğrenilebilir ama pahalı hatalar yapar; asıl mesele, o hataları başkasının cebinden ödemiş birinin haritasını kullanabilmektir. Bu yüzden bu saha notlarını yazıyorum: benim ve gördüğüm ekiplerin ödediği bedelin, sizin için ucuz bir derse dönüşmesi için.

Kurumsal AI deneyimi üzerine tuttuğum saha notlarının en acı bölümü, pilot ile üretim arasında yükselen görünmez duvarla ilgilidir. Sahada gördüğüm en yaygın trajedi, teknik olarak çalışan, demoda herkesi etkileyen, ama bir türlü gerçek operasyona geçemeyen projelerdir. Pilot başarılıdır; herkes memnundur; sonra proje aylarca "üretime geçiş" aşamasında asılı kalır ve yavaşça unutulur. Bu duvar o kadar sık karşıma çıktı ki, onu ayrı bir desen olarak yazmaya değer buldum.

Bu duvarın neden yükseldiğini anlamak için, pilot ile üretim arasındaki farkı görmek gerekir. Pilot, korunaklı bir ortamdır: seçilmiş temiz veri, istekli birkaç kullanıcı, hoşgörülü bir hata payı. Üretim ise acımasızdır: gerçek ve kirli veri, isteksiz kalabalık kullanıcı, sıfır hata toleransı, mevcut sistemlerle entegrasyon, güvenlik, erişim kontrolü, ölçek ve süreklilik. Pilotta işe yarayan bir şey, üretimin bu on kat ağır koşullarında çoğu zaman çöker. Sahada gördüğüm hata, pilottaki başarıyı üretim garantisi sanmaktır; oysa pilot yalnızca "fikrin işe yarayabileceğini" gösterir, "üretimde ayakta kalacağını" değil.

Duvarı aşan projelerin ortak özelliği, üretim gerçekliğini pilotun içine baştan katmalarıdır. Yani pilotu "en kolay senaryoda çalışsın" diye değil, "en zor gerçek koşulun küçük bir temsilcisi olsun" diye tasarlarlar. Kirli verinin bir kısmını pilota dahil ederler; erişim kontrolünü baştan düşünürler; entegrasyonu bir sonraki aşamaya ertelemek yerine küçük ölçekte denerler. Böylece pilot, üretimin bir provası olur, bir kaçış değil. Bu deseni pilotta kalmanın anatomisini incelediğim pilotta kalan projeler saha notu ve pilottan değere geçişi ele aldığım GenAI uçurumu yazılarında derinleştirdim.

Bir de örgütsel boyut var: pilot bir heyecan projesidir, üretim ise bir sorumluluk. Pilotu bir inovasyon ekibi yürütebilir; ama üretim, günlük operasyonu sahiplenen ekibin işidir. Bu iki ekip arasındaki devir teslim yapılmazsa, proje tam da bu boşlukta düşer. Kurumsal AI deneyimi, bu devir teslimin önceden planlanmasını öğretir: pilotu kim başlatacak, üretimi kim sahiplenecek, aradaki köprü nasıl kurulacak. Bu soruların cevabı pilot başlamadan bilinmiyorsa, görünmez duvar neredeyse kesindir.

Eğer bu saha notlarından bir tek kavramı vurgulamam gerekseydi, o kavram "değişim yönetimi" olurdu. Kurumsal AI deneyimi bana defalarca şunu öğretti: bir AI projesi, aslında bir teknoloji projesi kılığına girmiş bir değişim yönetimi projesidir. Teknoloji, denklemin en öngörülebilir, en satın alınabilir, en hazır parçasıdır. Zor olan, o teknolojinin dokunduğu insanların iş yapış biçimini, alışkanlıklarını, hatta kimlik algısını değiştirmektir. Ve bu, hiçbir modelin çözemeyeceği bir problemdir.

Sahada gördüğüm en yaygın körlük, projeyi tamamen teknik bir mesele sanmaktır. Ekip aylarca modeli, altyapıyı, arayüzü mükemmelleştirir; ama aracı kullanacak insanların bu değişime nasıl hazırlanacağını hiç düşünmez. Sonra sistem devreye girer ve kimse kullanmaz. Şaşırırlar: "Bu kadar iyi bir araç, neden benimsenmiyor?" Cevap basittir: insanlar araca değil, değişime direnir. Yeni bir aracın gelişi, çoğu çalışan için bir belirsizlik, bir tehdit, bir ek yük anlamına gelir; ve bu duygular yönetilmedikçe, en iyi araç bile duvara toslar.

Değişim yönetimini ciddiye alan projeler birkaç şeyi farklı yapar. Önce "neden" anlatılır: bu değişimin çalışana ne kazandıracağı, işini nasıl kolaylaştıracağı, neyi tehdit etmediği açıkça konuşulur. Sonra insanlar sürece katılır: kullanıcılar tasarımda söz sahibi olur, endişelerini dile getirir, aracı kendi işlerine göre şekillendirir. Ardından küçük ve erken kazanımlarla güven inşa edilir. Ve en önemlisi, değişim tepeden bir emirle değil, sahadan yükselen bir benimsemeyle yayılır. Bu insani tarafın temel okuryazarlığını yapay zeka okuryazarlığı ve kullanıcı tarafını kullanıcı benimsemesi saha notu yazılarında ele aldım.

Bir noktanın altını çizmeliyim: değişim yönetimi bir "yumuşak" ya da ikincil konu değildir; projenin kaderini belirleyen sert bir gerçekliktir. Sahada teknik olarak zayıf ama insani olarak iyi yönetilen projelerin, teknik olarak güçlü ama insanı ihmal eden projelerden daha başarılı olduğunu defalarca gördüm. Çünkü kullanılan vasat bir sistem, kullanılmayan mükemmel bir sistemden her zaman değerlidir. Kurumsal AI deneyimi, sonunda, bir teknoloji ustalığı kadar bir insan ve örgüt ustalığıdır.

Kurumsal AI projelerini sahada en sık zehirleyen şeylerden biri, teknik bir sorun değil, bir algı sorunudur: yapay zekanın sihir olduğu beklentisi. Medyada, tanıtımlarda ve söylemde yapay zeka çoğu zaman her şeyi bilen, her sorunu çözen, kusursuz bir güç olarak sunulur. Bu abartılı imaj, kuruma bir proje olarak girdiğinde, karşılanması imkânsız bir beklenti dalgası yaratır. Ve karşılanmayan her beklenti, teknik olarak başarılı bir projeyi bile hayal kırıklığına çevirir.

Sahada bu "sihir tuzağını" iki yönde de gördüm. Bir yanda aşırı iyimserlik: üst yönetim, yapay zekanın birkaç ayda tüm operasyonu dönüştüreceğini, insan gücünü yarıya indireceğini, rakipleri geride bırakacağını sanır. Bu beklenti gerçekle çarpıştığında, hayal kırıklığı ve bütçe geri çekilmesi gelir. Diğer yanda aşırı kötümserlik: bir önceki abartının yarattığı hayal kırıklığından sonra kurum, "bu iş bize göre değil" diye tümden vazgeçer. İki uç da aynı kökten, gerçekçi olmayan beklentiden beslenir.

Beklenti yönetiminin sahadaki karşılığı, dürüst ve somut konuşmaktır. Bir projeye başlarken tarafların şunu net biçimde duyması gerekir: bu araç neyi çözecek, neyi çözmeyecek; ne kadar iyi olacak, nerede yanılabilir; ne kadar sürecek, hangi kaynağı gerektirecek. Bu netlik, coşkuyu söndürmek için değil, coşkuyu sürdürülebilir kılmak içindir. Sahada en sağlam ilerleyen projeler, en çok vaat edenler değil, en dürüst çerçeveleyenlerdir. Kurumsal AI deneyimi, abartıyı satmanın kısa vadede kolay, uzun vadede yıkıcı olduğunu öğretir. Üst yönetimle bu dürüst çerçeveyi kurmanın yolunu üst yönetime yapay zeka projesi sunumu yazısında ele aldım.

Dürüst beklenti yönetiminin bir de araç tarafı vardır: aracın kendisinin de dürüst olması. Sınırlarını gösteren, emin olmadığında bunu söyleyen, hata yapabileceğini kabul eden bir araç, kusursuzluk vaat eden bir araçtan daha güvenilirdir. Çünkü kullanıcı, ilk hatada güvenini yitirmez; aracın zaten kusursuz olmadığını biliyordur. Sahada gördüğüm ilginç bir gerçek şudur: mütevazı sunulan araçlar, abartılı sunulanlardan daha kalıcı biçimde benimsenir. Sihir vaadi, ilk çatlakla kırılan bir cam; dürüst çerçeve ise üzerine güven inşa edilebilen bir zemindir.

Sahada öğrendiğim en pratik derslerden biri, teknik değil politiktir: bir kurumda AI girişimini ayakta tutan şey, büyük vaatler değil, küçük ve gerçek kazanımlardır. Kurumsal AI deneyimi bana şunu defalarca gösterdi: bir projeyi öldüren de yaşatan da, çoğu zaman ilk birkaç ayda üretilen somut kanıttır. Büyük bir dönüşüm vaadi, bütçe masasında heyecan yaratır ama güven yaratmaz; küçük ama gerçek bir kazanım ise sessizce güven biriktirir ve bir sonraki adımın kapısını açar.

Bunun ardındaki mantık örgütseldir. Bir kurumda yeni bir teknoloji, doğal olarak şüpheyle karşılanır: "Bu para ve zaman kaybı mı olacak?" sorusu her yöneticinin aklındadır. Bu şüpheyi dağıtmanın tek yolu, soyut sözler değil, gösterilebilir bir sonuçtur. Sahada gördüğüm en akıllı ekipler, ilk hedeflerini "etkileyici" değil, "kanıtlanabilir" olacak biçimde seçer. Küçük ama net bir kazanım — bir sürecin gözle görülür biçimde hızlanması, bir hatanın azalması, bir ekibin işini kolaylaştırması — bin slaytlık bir sunumdan daha ikna edicidir.

Küçük kazanımların bir de momentum etkisi vardır. İlk somut başarı, projeye bir meşruiyet kazandırır; meşruiyet, daha fazla kaynak ve destek getirir; kaynak, bir sonraki kazanımı mümkün kılar. Böylece proje, bir başarı sarmalına girer. Tersine, büyük vaatle başlayıp ilk aylarda gösterilebilir bir sonuç üretemeyen projeler, şüphe sarmalına düşer: sonuç yok, güven eriyor, destek çekiliyor, proje sönüyor. Bu yüzden dar başlamak yalnızca teknik değil, politik bir stratejidir. Bu daraltmanın yöntemini AI use-case önceliklendirme matrisi ve pilottan üretime geçişi PoC'den üretime yazısında ele aldım.

Buradan çıkan pratik ders şudur: eğer bir kurumda AI'ı yaymak istiyorsanız, en büyük problemi değil, en gösterilebilir kazanımı verecek problemi seçerek başlayın. İlk projenin görevi dünyayı değiştirmek değil, güven kazanmaktır. O güven kazanıldığında, daha büyük ve daha zor problemlere geçmek için hem kaynak hem cesaret oluşur. Sahada tekrar tekrar gördüm: en büyük dönüşümler, en mütevazı başlangıçlardan büyür. Kurumsal AI deneyimi, sabrı ve sırayı bilmektir.

Kurumsal AI deneyimi üzerine tuttuğum saha notlarında neredeyse hiç şaşmayan bir desen var: projeler, planlanandan uzun sürer. Bu, ekiplerin beceriksizliğinden değil, tahmin edilenden yapısal olarak farklı bir gerçeklikten kaynaklanır. Demoda birkaç günde kurulan bir şey, üretimde neden aylar alır? Cevap, görünmeyen işte gizlidir; ve o görünmeyen iş, çoğu planın hiç hesaba katmadığı yerdir.

Zaman kaçağının ilk kaynağı veridir. "Veriyi hazırlayalım" cümlesi bir satırda geçer ama pratikte haftalar sürebilir: verinin nerede olduğunu bulmak, erişim yetkisi almak, formatı düzeltmek, kaliteyi temizlemek, sahibini ikna etmek. Sahada gördüğüm en tutarlı sürpriz, veri hazırlığının her zaman tahmin edilenden uzun sürmesidir. İkinci kaynak entegrasyondur: bir aracı mevcut sistemlere bağlamak, tek başına çalıştırmaktan kat kat zordur; eski sistemler, güvenlik katmanları ve kurumsal süreçler her adımı yavaşlatır. Üçüncü kaynak insandır: onaylar, hizalanmalar, eğitimler ve benimseme, takvimde görünmeyen ama gerçekte en uzun süren işlerdir.

Bu gerçekliği kabul etmek, planlamayı dürüstleştirir. Sahada en sağlam ekipler, "birkaç haftada biteriz" iyimserliğiyle değil, "hazırlık ve benimseme asıl zamanı alır" gerçekçiliğiyle plan yapar. Ayrıca zaman çizelgesini tek bir büyük teslimat olarak değil, ölçülebilir küçük aşamalar olarak kurarlar; böylece her aşamada ilerleme görünür olur ve proje "hiç bitmeyen" hissine kapılmaz. Bu aşamalı yaklaşım, hem beklenti yönetimini hem de motivasyonu korur. Zaman tahmininin ROI hesabına etkisini yapay zeka ROI nasıl hesaplanır yazısında ele aldım.

Bir uyarı da gerekir: zaman çizelgesi gerçekliğini kabul etmek, "yavaş olmak" anlamına gelmez. Dar kapsam, hazır veri ve iyi planlama, projeyi hızlandıran şeylerdir. Yavaşlatan, gizli işi görmezden gelen iyimser planlardır; çünkü o iyimserlik, sürpriz gecikmelerle ve hayal kırıklığıyla sonuçlanır. Kurumsal AI deneyimi, paradoksal biçimde, gerçekçi olanın iyimserden daha hızlı bittiğini öğretir: gizli işi baştan hesaba katan proje, onu sonradan keşfeden projeden her zaman önce üretime ulaşır.

Çok sayıda devreye alma sürecini gördükten sonra, bir projenin daha ilk haftalarında nereye gideceğini sezmeyi öğrendim. Kurumsal AI deneyimi, bir bakıma, bu erken sinyalleri okuma sanatıdır. Elbette hiçbir sinyal kesin değildir; ama bazı desenler o kadar tutarlı tekrar eder ki, onları görünce projenin risk profilini önceden okuyabilirsiniz. Bu sinyalleri bir arada listelemek, kendi projenizde erken uyarı sistemi kurmanıza yardımcı olabilir.

Başarısızlığın erken sinyalleri genellikle ilk toplantılarda belirir. Kapsamın sürekli genişlemesi ve kimsenin "hayır" diyememesi, kötü bir işarettir. "Veri kimin sorumluluğunda" sorusuna net cevap alınamaması, bir başkası. Üst yönetimle sahanın aynı masada farklı dillerde konuşması, bir üçüncü. Başarının nasıl ölçüleceğinin belirsiz kalması, bir dördüncü. Ve belki en tehlikelisi: projenin "teknoloji heyecanıyla" başlaması, ama çözeceği somut bir acının net olmaması. Bu sinyallerden birkaçı bir araya geldiğinde, proje daha kod yazılmadan risk altındadır.

Başarının erken sinyalleri ise tersine, sağlıklı bir zemine işaret eder. Kapsamın dar ve net çizilmesi. Veri sahibinin belli olması ve masada bulunması. Aracı kullanacak son kullanıcının sürece baştan katılması. Başarının bir taban çizgisiyle önceden tanımlanması. Ve üst yönetimle sahanın aynı somut hedef etrafında buluşması. Bu sinyaller göründüğünde, projenin teknik ayrıntıları henüz belirsiz olsa bile, zeminin sağlam olduğunu bilirsiniz. Sahada gördüğüm gerçek şudur: projelerin kaderi çoğu zaman teknik seçimlerden değil, bu zemin sinyallerinden okunur.

Bir kurumsal AI projesinin erken risk sinyalleri ve sağlık sinyalleri

Boyut	Erken risk sinyali	Erken sağlık sinyali
Kapsam	Sürekli büyüyor, 'hayır' yok	Dar, net, tek acıya odaklı
Veri	Sahibi belirsiz, hazır sanılıyor	Sahibi belli ve masada
Kullanıcı	Süreçte yok, sonradan haber alacak	Baştan tasarıma katılmış
Ölçüm	Başarı tanımı yok	Taban çizgisi ve metrik tanımlı
Motivasyon	Teknoloji heyecanı, acı belirsiz	Somut bir acıyı çözme isteği

Bu sinyalleri erken okumanın pratik değeri şudur: bir projeyi kurtarmanın en ucuz anı, henüz başlamadan öncedir. Risk sinyalleri görüldüğünde, projeyi durdurmak değil, zemini düzeltmek gerekir: kapsamı daraltmak, veri sahibini bulmak, kullanıcıyı masaya çağırmak, ölçümü tanımlamak. Bu düzeltmeler ilk haftada ucuzdur; proje ilerledikçe kat kat pahalılaşır. Kurumsal AI deneyimi, sonunda, bu erken müdahale anlarını kaçırmamayı öğretir.

Kurumsal AI deneyimini kimin taşıyacağı sorusu, sahada sık sık karşıma çıkar: bu işi iç ekiple mi yürütelim, yoksa dışarıdan destek mi alalım? Dürüst cevap, "duruma göre değişir"dir; ama bu klişenin ardında, sahadan öğrendiğim somut bir çerçeve var. İki yolun da güçlü ve zayıf yanları vardır; ve doğru seçim, kurumun olgunluğuna, aciliyetine ve içindeki mevcut yetkinliğe bağlıdır.

İç ekibin en büyük gücü bağlamdır. İçerideki insanlar kurumu, kültürü, politikayı, verinin nerede gömülü olduğunu ve kimin neye direneceğini bilir. Bu bağlam, dışarıdan gelen birinin haftalarca öğrenmeye çalışacağı bir sermayedir. Ayrıca iç ekip kalıcıdır: projeyi kurup gitmez, sürekliliği taşır. Zayıf yanı ise deneyim darlığı olabilir: eğer kurum ilk AI projelerini yapıyorsa, iç ekip aynı hataları ilk kez yapar ve öğrenme pahalıya mal olur. İç ekip mi dış destek mi sorusunu ayrıntılı olarak AI danışmanlığı mı iç ekip mi yazısında ele aldım.

Dışarıdan bakışın en büyük gücü, tam da deneyim ve mesafedir. Çok sayıda benzer projeyi görmüş biri, çukurların yerini bilir ve kuruma pahalı hatalardan kaçınmayı öğretir. Ayrıca dışarıdan biri, iç politikadan bağımsız olduğu için, kimsenin söyleyemediği gerçekleri söyleyebilir: "Bu kapsam çok geniş", "Bu veri hazır değil", "Bu proje sahipsiz". Zayıf yanı ise geçiciliktir: danışman gider, bilgi onunla giderse kurum bağımlı kalır. Bu yüzden iyi bir dış desteğin görevi, iş yapmak kadar, iç ekibe yapmayı öğretmektir.

Sahada gördüğüm en sağlıklı model, ikisinin birleşimidir: dışarıdan gelen deneyim, içerideki bağlamla evlenir. Danışman ya da kıdemli dış kaynak, ilk projelerde çukurların yerini gösterir ve iç ekibi hızlandırır; iç ekip, bu deneyimi soğurup kurumun kalıcı yetkinliğine dönüştürür. Bu devir teslim planlanmadığında, iki taraf da eksik kalır. Kurumsal AI deneyimi, sonunda, dışarıdan bir kıvılcımla başlayıp içeride bir yangına dönüşmelidir; amaç, kurumu dışarıya bağımlı kılmak değil, içeride kendi kendine yeter hale getirmektir. Ekiplerin bu yetkinliği kazanması için gereken çerçeveyi kurumsal yapay zeka eğitimi yazısında ele aldım.

Kurumsal AI deneyimini soyut desenlerden somut bir akışa indirmek için, tipik bir devreye alma sürecinin yolculuğunu izleyelim. Aşağıdaki anlatı belirli bir kurumu değil, farklı bağlamlarda defalarca gördüğüm ortak yolu temsil eden bir arketiptir; içindeki hiçbir sayı ya da isim gerçek bir vakadan alınmamıştır, akışın kendisi gözlemlenen bir desendir.

Her şey bir hevesle başlar. Bir yönetici bir demoda etkilenir, "biz de bunu yapalım" der ve bir ekip toplanır. İlk hafta coşkuludur: herkes olasılıklardan bahseder, kapsam hızla genişler, "şunu da yapsak, bunu da eklesek" cümleleri uçuşur. İşte sahada ilk kritik an tam buradadır: eğer bu coşku dar bir senaryoya odaklanmazsa, proje daha doğmadan kapsamın altında ezilmeye başlar. Olgun ekipler bu anda frene basar: "Önce yalnızca şu tek acıyı çözelim" der.

Sonra veri gerçeği çarpar. "Veriyi çekelim" dendiğinde, verinin dağınık, çelişkili ya da erişimi kilitli olduğu ortaya çıkar. İlk coşkunun yerini, haftalarca sürebilen sıkıcı ama belirleyici bir hazırlık alır. Sahada projelerin sessizce burada çürüdüğünü ya da tam tersine burada sağlam bir temel kazandığını gördüm. Bu aşamayı ciddiye alan ekipler ödülünü sonra alır; atlayanlar ise ilerledikçe geri dönüp bedelini kat kat öder. Veri hazırlığının bu belirleyiciliğini doküman hazırlığı saha notu yazısında ayrıca işledim.

Ardından ilk çalışan sürüm gelir ve bir sürprizle karşılaşılır: sistem teknik olarak çalışır ama saha onu kullanmakta isteksizdir. Burada projenin kaderi, ekibin nasıl tepki verdiğine bağlıdır. Direnci "eğitim eksikliği" diye geçiştiren ekipler kaybeder; direncin altındaki gerçek endişeyi (iş yükü, güven, alışkanlık) dinleyen ekipler kazanır. Son olarak, eğer değer baştan ölçülüyorsa, proje somut bir kanıtla üst yönetime döner ve büyüme onayı alır; ölçülmüyorsa, "güzel ama gerekli mi" sorusuyla yavaşça söner. İşte bir devreye alma sürecinin bu dört dönemeci — kapsam, veri, benimseme, ölçüm — kurumsal AI deneyiminin özüdür ve dört sektörde de aynı yerlerde bükülür.

Kurumsal AI deneyimi üzerine tuttuğum tüm saha notlarını üst üste koysam, en kalın dosya veriyle ilgili olurdu. Çünkü sahada projeleri en sık ve en sessiz yavaşlatan katman budur. İlginç olan, herkesin verinin önemli olduğunu bilmesine rağmen, neredeyse hiç kimsenin onu gerçekten hazır bulmamasıdır. Bir toplantıda "veri sizde hazır mı" diye sorduğumda, aldığım "evet" cevabı ile birkaç hafta sonra keşfettiğim gerçeklik arasında, sahada gördüğüm en tutarlı uçurumlardan biri yatar.

Verinin sahadaki hali genellikle üç sorundan birine denk gelir. Birincisi dağınıklıktır: veri farklı sistemlerde, farklı formatlarda, farklı tanımlarla durur; aynı müşterinin adı üç yerde üç türlü yazılıdır. İkincisi kalitedir: eksik alanlar, çelişkili kayıtlar, eskimiş bilgiler, kopyalar. Üçüncüsü erişimdir: veri teknik olarak vardır ama ona ulaşmak bir yetki labirentini aşmayı gerektirir. Bu üç sorun birleştiğinde, "veriyi çekelim" cümlesi haftalarca süren sıkıcı ama belirleyici bir çalışmaya dönüşür. Bu boşluğun devreye almadaki belirleyiciliğini doküman ve veri hazırlığı saha notu yazısında ayrıntılı işledim.

Sahada veriyi ciddiye alan ekiplerle almayanları ayırmak kolaydır: ciddiye alanlar, model seçmeden önce veriye bakar; almayanlar, veriye ancak model kurulduktan sonra, iş çalışmayınca bakar. İlk grup, sıkıcı hazırlığı baştan yaparak sonradan gelecek büyük acıları önler; ikinci grup, o acıları kat kat pahalı biçimde öder. Kurumsal AI deneyimi bana şunu öğretti: bir projenin başarısı, çoğu zaman en gösterişsiz aşamada — veri temizliğinde, sahiplenmesinde ve erişim planlamasında — belirlenir. Bu yüzden "önce veriyi görelim" cümlesi, sahada bir olgunluk işaretidir.

Bir uyarı da eklemeliyim: veri gerçekliğini kabul etmek, veriyi kusursuz hale getirmeyi beklemek anlamına gelmez. Mükemmel veriyi bekleyen proje hiç başlamaz; çünkü hiçbir kurumun verisi mükemmel değildir. Doğru denge, "yeterince iyi" veriyle dar bir senaryoda başlamak, sonra veriyi kullanım geliştikçe iyileştirmektir. Sahada gördüğüm hata, iki uçta da yatar: ya veriyi tümden ihmal etmek ya da mükemmel olana kadar başlamamak. Olgun yaklaşım, veriyi projenin başında ciddiye almak ama onu ilerlemenin önünde bir bahane yapmamaktır.

Bir yapay zeka aracının tek başına, boş bir ekranda çalışması ile mevcut kurumsal sistemlerin içine oturması, sahada gördüğüm en büyük zorluk farklarından biridir. Kurumsal AI deneyimi çoğu zaman, modelin ne yaptığından çok, o modelin kurumun mevcut süreçlerine, sistemlerine ve iş akışlarına nasıl bağlandığıyla ilgilidir. Sahada projelerin çoğu, modelin yetersizliğinden değil, entegrasyonun karmaşıklığından yavaşlar.

Bunun nedeni, kurumların boş bir sayfa olmamasıdır. Her kurumun onlarca yıllık sistemleri, yerleşik süreçleri, güvenlik katmanları ve alışkanlıkları vardır. Yeni bir AI aracı, bu var olan dokunun içine girmek zorundadır; yoksa yararlı olsa bile kullanılamaz. Sahada gördüğüm yaygın hata, aracı bu bağlamdan kopuk, ayrı bir ada gibi kurmaktır: teknik olarak çalışır ama kimse günlük işine onu dahil edemez, çünkü mevcut akışın dışında kalır. En çok benimsenen araçlar, çalışanın zaten kullandığı sistemlerin içine görünmez biçimde yerleşenlerdir.

Bu entegrasyon meselesi, teknik olduğu kadar süreçseldir. Bir aracı bir veritabanına bağlamak bir mühendislik işidir; ama onu bir çalışanın günlük iş akışına oturtmak bir tasarım ve değişim işidir. Sahada en başarılı devreye almalar, aracı yeni bir alışkanlık dayatmadan, mevcut alışkanlığın içine yerleştirenlerdir. Çalışan, işini yaparken zaten olduğu yerde AI'ın yardımını görür; ayrı bir yere gidip ayrı bir araç açması gerekmez. Bu görünmez entegrasyon, benimsemenin en güçlü kaldıraçlarından biridir. Bunu bir sohbet ya da asistan katmanıyla sunmanın örgütsel tarafını kurumsal AI stratejisi yazısında ele aldım.

Kurumsal bağlamın bir de yönetişim boyutu vardır. Yeni bir araç, kurumun güvenlik, erişim ve uyum kurallarına uymak zorundadır; bunları görmezden gelen bir kurulum, üretim eşiğinde durdurulur. Sahada gördüğüm gerçek şudur: en hızlı ilerleyen projeler, kurumsal bağlamı bir engel değil, bir tasarım kısıtı olarak baştan kabul edenlerdir. Bir araç, kurumun içine oturacak biçimde tasarlandığında, o kurum tarafından sahiplenilir; kuruma rağmen kurulduğunda ise reddedilir. Kurumsal AI deneyimi, sonunda, teknolojiyi kurumun anatomisine saygıyla yerleştirme sanatıdır. Bu yerleştirmenin yönetişim çerçevesini kurumsal AI yönetişimi yazısında derinleştirdim.

Sahada bir AI sistemi devreye alındığında, teknik sorulardan çok önce insani bir soru gelir: "Buna neden güveneyim?" Kurumsal AI deneyimi bana defalarca gösterdi ki, bir sistemin benimsenmesi, ne kadar doğru olduğu kadar, ne kadar şeffaf ve anlaşılır olduğuna bağlıdır. İnsanlar, nasıl karar verdiğini anlamadıkları bir sisteme, en doğru cevabı verse bile tam güvenmez. Güven, doğruluktan değil, anlaşılabilirlikten doğar.

Bu, özellikle bir yanlış olduğunda kritik hale gelir. Bir sistem hata yaptığında, kullanıcının ilk sorusu "neden böyle karar verdi" olur. Eğer sistem bu soruya cevap veremiyorsa — kararının hangi bilgiye dayandığını gösteremiyorsa — kullanıcı yalnızca o hataya değil, sistemin bütününe güvenini yitirir. Sahada gördüğüm en yaygın güven çöküşü, "kara kutu" sistemlerde yaşanır: doğru çalıştığında sihirli, yanlış çalıştığında ise açıklanamaz ve bu yüzden affedilemez. Buna karşılık kararını dayanağıyla gösteren, kaynak gösteren, sınırlarını kabul eden sistemler, hata yapsa bile güveni korur.

Şeffaflığın bir de kurumsal boyutu vardır: kararın denetlenebilir bir iz bırakması. Özellikle regüle sektörlerde, bir sistemin ne zaman, hangi veriye dayanarak, hangi kararı verdiği kayıt altında olmalıdır. Ama bu yalnızca uyum için değil, güven için de önemlidir. İzlenebilir bir sistem, hata yaptığında geri dönüp neyin yanlış gittiğini gösterebilir; bu da onu düzeltilebilir ve dolayısıyla güvenilebilir kılar. Regüle sektörlerde bu izlenebilirliğin neden baştan tasarlanması gerektiğini regüle sektörde onay saha notu yazısında ele aldım.

Buradan çıkan pratik ders şudur: bir AI sistemini yalnızca doğru değil, aynı zamanda anlaşılır ve dürüst kurmak gerekir. Kararını açıklayabilen, emin olmadığında bunu söyleyen, kaynağını gösteren bir sistem, kusursuzluk taklidi yapan bir sistemden çok daha kalıcı biçimde benimsenir. Sahada gördüğüm gerçek şudur: güven, bir sistemin en kırılgan ve en değerli sermayesidir; kazanılması aylar, kaybedilmesi tek bir açıklanamayan hata alır. Kurumsal AI deneyimi, teknik doğruluğun yanına insani güveni koymayı öğretir; çünkü kullanılmayan doğru bir sistem, sonuçta hiçbir değer üretmez.

Farklı devreye alma süreçlerinde tuttuğum saha notlarını üst üste koyduğumda, aynı hataların farklı kurumlarda tekrar ettiğini gördüm. Bunları bir arada listelemek, en azından bilinen tuzaklara aynı yerden düşmeyi önleyebilir. Uygulama dersleri çoğu zaman bu hatalardan öğrenilir:

• Teknolojiyle başlamak, problemle değil: "Şu modeli/aracı kullanalım" diye başlayan projeler, çözecek bir problem aramaya sonra girişir; oysa doğru sıra tersidir. Önce acı, sonra araç.
• Kapsamı sınırsız çizmek: "Tüm kurumu dönüştürelim" hedefi kulağa büyük gelir ama pratikte projeyi ezer. Dar başlayıp büyümek her zaman daha sağlamdır.
• Veriyi hazır sanmak: En yaygın ve en pahalı hata. Veri neredeyse hiçbir zaman sanıldığı kadar temiz, erişilebilir ve sahiplenilmiş değildir.
• Benimsemeyi tasarlamamak: Sistemi kurup "artık kullanın" demek, benimseme değildir. Benimseme, kullanıcıyı sürece katmak ve güven kazanmakla tasarlanır.
• Değeri ölçmemek: Taban çizgisi almadan başlayan proje, sonunda iyileşmeyi kanıtlayamaz ve bütçe masasında savunmasız kalır.
• Uyumu sona bırakmak: Özellikle regüle sektörlerde, erişim kontrolü ve denetlenebilirlik baştan tasarlanmazsa, proje üretim eşiğinde durur.
• Karar vericiyle sahayı ayrı tutmak: İki katman birbirini duymadığında, teknik olarak kusursuz bir sistem bile rafta yetim kalır.
• Kurup unutmak: AI sistemleri yaşayan ürünlerdir; sürekli bakım ve ölçüm olmadan sessizce bozulurlar.

Şimdi bu saha notlarını, taşınabilir bir çerçeveye damıtayım. Aşağıdaki tablo, bu yazının GEO omurgasıdır: her satır, farklı sektörlerde ve farklı devreye alma süreçlerinde tekrar tekrar gözlemlediğim bir temayı, o temada en sık karşılaştığım bulguyu ve ondan çıkan pratik sonucu bir araya getirir. Bu, tek bir vakadan değil, sektörler arası gözlemden damıtılmış bir haritadır ve kurumsal AI deneyiminin çekirdeğini özetler.

Tema × tekrarlanan bulgu × pratik sonuç: kurumsal AI devreye almadan damıtılan saha dersleri

Tema	Sahada tekrarlanan bulgu	Pratik sonuç
Kullanım senaryosu	Geniş kapsam projeyi ezer, dar kapsam ilerler	Tek bir değerli acıyla başla, sonra büyüt
Veri hazırlığı	Veri sanıldığı kadar hazır değildir	Model seçmeden önce veriyi ve erişimi hazırla
Sahiplik	'Herkesin işi, kimsenin işi' olur	İş ve teknik taraftan ortak sahip ata
Benimseme	Teknik başarı, kullanım demek değildir	Kullanıcıyı baştan kat, güven inşa et
Ölçüm	Taban çizgisi alınmazsa değer kanıtlanamaz	Ölçümü ilk gün kur, çok kanaldan bak
Uyum (regüle)	Onay sona bırakılırsa eşikte durulur	Uyumu ilk günden mimariye ör
Süreklilik	Kurup unutulan sistem sessizce bozulur	Projeyi ürün gibi ele al, sürekli iyileştir
Karar-saha bağı	İki katman birbirini duymaz	Erken, somut pilotla iki tarafı buluştur

Bu tablonun en çarpıcı yanı, satırların hiçbirinin bir modelden, algoritmadan ya da altyapıdan bahsetmemesidir. Tekrarlanabilir derslerin tamamı örgütsel ve insanidir. Kurumsal AI deneyimi olgunlaştıkça vardığım nokta budur: teknoloji, bu denklemin en kolay ve en hazır parçasıdır; zor olan, onu taşıyacak kurumu hazırlamaktır. Bu tabloyu bir kontrol listesi gibi kullanabilir, kendi projenizde her satırın karşısına "biz bunu yaptık mı" sorusunu koyabilirsiniz.

Bir uyarı da eklemeliyim: bu dersler evrensel yasalar değil, tekrar sıklığı yüksek gözlemlerdir. Sizin bağlamınızda bazıları daha ağır, bazıları daha hafif basacaktır. Bir saha notunun doğru kullanımı, onu körü körüne uygulamak değil, kendi gerçekliğinizle sınamaktır. Bu yüzden bu tabloyu bir tarif değil, bir düşünme çerçevesi olarak alın; asıl kararı sizin bağlamınız verir.

Tüm bu saha notlarının arkasında, adını nadiren koyduğumuz bir belirleyici yatar: kurum kültürü. Kurumsal AI deneyimi bana şunu gösterdi ki, bir kurumun yapay zekaya hazır olması, sahip olduğu teknolojiyle değil, taşıdığı alışkanlıklarla ölçülür. Veriyle karar vermeye alışkın, hatadan öğrenen, deneyi normal karşılayan bir kültür, ortalama araçlarla bile ilerler; buna karşılık her hatayı cezalandıran, belirsizlikten korkan, kararı yalnızca hiyerarşiyle veren bir kültür, en iyi araçları bile boğar.

Bunu sahada somut biçimde görürsünüz. Deneye açık bir kurumda, dar bir pilot hızla başlar, ölçülür, düzeltilir; kimse "ilk denemede kusursuz olmalı" diye beklemez. Deneyden korkan bir kurumda ise her adım bir onay zincirine takılır, her hata bir suçlu arar ve bu yüzden kimse risk almak istemez. Kurumsal AI deneyimi, bir bakıma, kurumun bu kültürel hazırlığını okumak ve gerektiğinde onu nazikçe genişletmektir. Çünkü teknolojiyi kurmak günler alır; kültürü değiştirmek yıllar. Bu kültürel olgunluğun aşamalarını kurumsal AI olgunluk modeli yazısında ele aldım.

Pratik sonuç şudur: bir AI girişimini bir kurumda başlatırken, teknolojiyi değerlendirmeden önce kültürü değerlendirin. Kurum veriyle karar veriyor mu, yoksa sezgiyle mi? Hata bir öğrenme fırsatı mı, yoksa bir suç mu? Yeni fikirler deneniyor mu, yoksa hemen reddediliyor mu? Bu soruların cevabı, hangi hızda ve hangi sırayla ilerleyeceğinizi belirler. Kültürel olarak hazır olmayan bir kuruma en gelişmiş AI'ı vermek, yüzme bilmeyen birine derin suya atlamayı önermek gibidir. Doğru yaklaşım, kültürü küçük başarılarla adım adım güçlendirmek, sonra üzerine daha büyük hedefler kurmaktır.

Tüm bu devreye alma gerçekleri ve uygulama dersleri, sonunda birkaç pratik karara indirgenebilir. Kurumsal AI deneyimini kendi kurumunuza taşırken, aşağıdaki adımlar sahada tekrar tekrar işe yaradığını gördüğüm bir sıra sunar. Bu bir tarif değil; her adımı kendi bağlamınıza göre ağırlıklandıracağınız bir düşünme sırasıdır.

Nasıl Yapılır

Saha notlarından damıtılan devreye alma karar rehberi

Kurumsal AI devreye almayı sahada gözlemlenen desenlere göre sağlam bir sıraya oturtan pratik adımlar.

1. 1

   Problemle başla, teknolojiyle değil

   Çözülecek dar, değerli ve ölçülebilir tek bir acı belirle; aracı bu acıya göre seç, tersini değil.

2. 2

   Veriyi ve erişimi baştan hazırla

   Verinin nerede, ne kalitede ve kimin yetkisinde olduğunu model seçmeden önce netleştir.

3. 3

   Ölçümü ilk gün kur

   Taban çizgisini al; başarının neye benzeyeceğini ve hangi metriklerle bakılacağını önceden tanımla.

4. 4

   Beklentileri hizala

   Üst yönetim ve saha ile neyi çözeceğini, neyi çözmeyeceğini ve ne kadar süreceğini açıkça konuş.

5. 5

   Benimsemeyi tasarla

   Aracı kullanacak kişiyi baştan sürece kat; güven ve alışkanlığı ilk günden inşa et.

6. 6

   Uyumu mimariye ör (regüle ise)

   Erişim kontrolü, denetlenebilirlik ve insan gözetimini sona değil başa koy.

7. 7

   Ölç, düzelt, sonra büyüt

   En zayıf halkayı bul ve iyileştir; kapsamı ancak değer kanıtlandıkça genişlet.

8. 8

   Ürün gibi sürdür

   Projeyi kurup unutma; sürekli bakım, ölçüm ve geri besleme ile yaşayan bir ürün gibi yönet.

Bu rehberin ardındaki tek büyük fikir şudur: kurumsal AI, bir teknoloji satın alma değil, bir örgütsel dönüşüm sürecidir. Bu yüzden başarı, en gelişmiş modeli seçmekten değil, kurumu o modeli taşıyacak biçimde hazırlamaktan gelir. Devreye alma gerçekleri her sektörde bunu doğrular; uygulama dersleri her bağlamda tekrar eder; sektörler arası gözlem, farklılıkların altındaki bu ortak çekirdeği açığa çıkarır.

Kendi kurumunuza özel bir yol haritası çıkarmak, bu genel dersleri sizin bağlamınıza uyarlamayı gerektirir. Bunu tek başınıza yapabilirsiniz; ya da bu desenleri farklı sektörlerde defalarca görmüş biriyle birlikte hızlandırabilirsiniz. İster iç ekibinizle ilerleyin, ister dışarıdan destek alın, önemli olan bu saha notlarını bir "başkalarının hikâyesi" olarak değil, kendi devreye alma sürecinizde sınayacağınız bir kontrol listesi olarak kullanmanızdır. Kurumsal bir dönüşümü doğru sıraya oturtmak için kurumsal generatif AI yol haritası yazısı, bu rehberin daha yapılandırılmış bir eşlikçisidir.

Bu yazı bir pillar, yani bir çatı notudur: yukarıda değindiğim her temayı, seride ayrı bir saha notu olarak derinleştirdim. Burada topladığım desenler, o notların özetidir; her birinin ardında, o temaya özgü daha ayrıntılı bir gözlem seti yatar. Aşağıdaki harita, hangi temayı derinleştirmek isterseniz sizi doğru saha notuna yönlendirir. Bu saha notları birlikte, kurumsal AI deneyiminin farklı yüzlerini kaplayan tutarlı bir bütün oluşturur.

• Doküman ve veri hazırlığı: Devreye almanın en sessiz belirleyicisi olan veri hazırlığının sahadaki gerçekleri — verinin neden hiçbir zaman sanıldığı kadar hazır olmadığı ve bu boşluğun nasıl kapatıldığı.
• Dönüşüm kalıpları: Farklı kurumların AI dönüşümünde tekrar eden yapısal desenler; nelerin işe yaradığı, nelerin her seferinde aynı yerden çöktüğü.
• Kullanıcı benimsemesi: Teknik başarı ile gerçek kullanım arasındaki uçurum; direncin altındaki gerçek endişeler ve benimsemeyi kazanan tasarımlar.
• On-premise gerçekler: "Veri dışarı çıkmasın" kaygısıyla seçilen kurum içi kurulumların sahadaki bedelleri ve getirileri; ne zaman doğru, ne zaman fazla ağır bir tercih.
• Pilotta kalan projeler: Umutla başlayıp üretime hiç geçemeyen projelerin ortak anatomisi; pilottan değere geçişi kesen görünmez engeller.
• Regüle sektörde onay: Bankacılık, sigorta ve sağlık gibi düzenlenmiş alanlarda onayın neden bir son adım değil, baştan örülmesi gereken bir kumaş olduğu.

Bu haritayı bir okuma sırası gibi de kullanabilirsiniz: kendi kurumunuzda hangi tema en çok sızlıyorsa oradan başlayın. Bir pilotu üretime taşıyamıyorsanız pilotta kalan projeler notu; insanlar aracı kullanmıyorsa kullanıcı benimsemesi notu; regüle bir sektördeyseniz onay notu sizin için en yakıcı olacaktır. Kurumsal AI deneyimi tek bir kapıdan girilmez; her kurumun en çok acıyan yeri farklıdır ve doğru not, o acıya en yakın olandır.

Bu saha notlarını tek bir cümlede toplamam gerekirse: kurumsal AI deneyimi, sahada bir teknoloji hikâyesi değil, bir kurum hikâyesidir. Model hazırdır, altyapı hazırdır; hazır olmayan taraf çoğu zaman veri, süreç, karar ve insandır. Bu yüzden başarı, en iyi modeli seçenlere değil, kurumu o modeli taşıyacak biçimde hazırlayanlara gelir. Devreye alma gerçekleri her sektörde bunu doğrular; uygulama dersleri her bağlamda tekrar eder; sektörler arası gözlem, tüm bu farklılıkların altındaki ortak çekirdeği açığa çıkarır.

Bu notlardan çıkan en genel ders, tekrarlanabilir bir disiplindir: problemle başla, veriyi hazırla, beklentiyi hizala, ölçümü ilk gün kur, benimsemeyi tasarla, dar başla ve ölçerek büyü, ürün gibi sürdür. Bu döngü sektörden bağımsız çalışır çünkü sorunlar da sektörden bağımsızdır. Bir saha notunun amacı size ne yapacağınızı söylemek değil, hangi tuzakların nerede beklediğini göstermektir; asıl kararı, kendi bağlamınızın gerçekleriyle siz verirsiniz. Okunan ama kendi gerçekliğinizle sınanmayan bir not hiçbir şeyi değiştirmez; sınanan bir not ise bir pusulaya dönüşür ve yolunuzu bulmanıza yardım eder.

Eğer bu desenleri kendi kurumunuzda görüyor ve bir sonraki adımı doğru atmak istiyorsanız, bu saha notlarını bir başlangıç noktası olarak kullanın. Kuruma özel bir yol haritası, bu genel dersleri sizin verinize, sürecinize ve insanınıza uyarlamayı gerektirir. Bu uyarlamayı birlikte hızlandırmak için bir yapay zeka danışmanlığı görüşmesiyle başlayabilir, ekiplerinizin gerekli yetkinliği kazanması için kurumsal eğitim seçeneklerini inceleyebilir ve tüm kavramları öğrenme merkezinde derinleştirebilirsiniz. Serinin diğer saha notlarına da blog üzerinden ulaşabilirsiniz.