Sigortacılıkta Yapay Zeka: Underwriting, Hasar Yönetimi ve Sahtekârlık Tespiti

TL;DR — Sigortacılık, yapay zekânın en hızlı somut değer ürettiği sektörlerden biri; underwriting'de risk profillerini zenginleştiriyor, hasar yönetiminde fotoğraf ve videodan hızlı ekspertiz yapıyor, sahtekârlık tespitinde ise gerçek zamanlı örüntü analizi ile yanlış pozitifleri düşürüyor. Ama 2026'da işin diğer yüzü de burada: dolandırıcılar da üretken yapay zekâ kullanıyor; sahte tıbbi rapor, sentetik kimlik ve manipüle edilmiş hasar görselleri üretiyor. Bu yazıda değer zincirini, veri ve model yönetişimini, KVKK ve SEDDK boyutunu, EU AI Act'in yüksek riskli sınıflandırmasını ve pratik bir benimseme yol haritasını sahadan gözlemlerle anlatıyorum.

Sigortacılık aslında baştan sona bir veri ve olasılık işidir. Bir poliçe fiyatlarken de, bir hasarı öderken de, bir dosyanın gerçek mi sahte mi olduğunu değerlendirirken de yaptığınız şey aynı: eldeki sınırlı bilgiden geleceğe dair bir tahmin çıkarmak. Yapay zekânın tam olarak iyi olduğu şey de bu. Sahada gördüğüm kadarıyla, bir bankacılık projesine kıyasla sigorta şirketlerinde yapay zekânın işe yarama hızı çoğu zaman daha yüksek oluyor, çünkü şirketin zaten aktüeryal bir kültürü var; "model", "risk", "beklenen kayıp" gibi kavramlar yabancı değil. Bu kültürel hazırlık, teknolojinin benimsenmesini kolaylaştırıyor.

Size şunu net söyleyeyim: 2026'da sigortada yapay zekâ artık bir "acaba yapsak mı" sorusu değil. Soru, "hangi süreçte, ne kadar otomasyonla ve hangi denetim çerçevesiyle" sorusuna dönüştü. Bu yazıda o üç soruya sırayla cevap vereceğim. Önce değer zincirinin neresinde ne işe yaradığını, sonra bunun altındaki yönetişim ve mevzuat katmanını, en sonda da nereden başlamanız gerektiğini konuşacağız.

Bir uyarıyı baştan yapayım: bu yazıda paylaştığım yüzde rakamlarının neredeyse tamamı, teknoloji sağlayıcılarının ve sektör raporlarının bildirdiği değerlerdir. Yani "vaka bazında böyle sonuçlar raporlandı" demek doğru; "her kurulumda bu sonucu alırsınız" demek yanlış olur. Kendi verinizle, kendi süreçlerinizle ölçmeden hiçbir rakamı kendi iş planınıza taşımayın. Bu disiplini en baştan kurmanız, ilerideki hayal kırıklıklarını önler.

Sigorta değer zincirini kabaca altı halkaya ayırabiliriz ve yapay zekâ bunların hepsine dokunuyor. Bu haritayı zihninizde net tutmanız, yatırım kararlarınızı önceliklendirmenize yardımcı olur.

Halka	Klasik yaklaşım	Yapay zekâ ile değişen
Dağıtım ve teklif	Acente, çağrı merkezi, statik tarife	Kişiselleştirilmiş teklif, sohbet tabanlı satış, dinamik fiyat
Underwriting	Manuel başvuru değerlendirme, tablo bazlı skor	Kamu kaydı, cihaz istihbaratı, dinamik risk profili
Poliçe yönetimi	Form ve arşiv	Otomatik veri çıkarımı, akıllı belge işleme
Hasar yönetimi	Eksper ziyareti, manuel dosya	Foto/video hasar analizi, otomatik ön değerlendirme
Sahtekârlık tespiti	Kural motoru, örnekleme denetimi	Gerçek zamanlı örüntü analizi, ağ ve grafik analizi
Müşteri hizmetleri	Çağrı merkezi	Yapay zekâ asistanı, çok kanallı otomasyon

Bu tablonun en kritik noktası şu: yapay zekâ bir yerde ne kadar iyi çalışırsa çalışsın, komşu halkadaki veriye bağımlıdır. Hasar analiziniz ne kadar akıllı olursa olsun, underwriting sırasında topladığınız veri zayıfsa sonuç zayıf olur. Onun için sektörde başarılı olan şirketler, tek bir "parlak" kullanım senaryosuna değil, veri akışının bütününe yatırım yapıyor. Yani mesele izole bir yetenek değil, uçtan uca bir veri mimarisidir.

Underwriting, yapay zekânın belki de en sessiz ama en değerli katkı yaptığı alan. Klasik underwriting'de bir başvuru gelir, birkaç soru sorulur, birkaç tabloyla eşleştirilir ve bir fiyat çıkar. Sorun şu: bu tablolar geçmişin ortalamasıdır ve önünüzdeki kişinin gerçek riskini çok kaba yakalar. Ortalamalar, uçları ıskalar.

2026'da gördüğüm modern underwriting akışı şöyle işliyor. Başvuru geldiğinde sistem eş zamanlı olarak birden fazla sinyali topluyor: kamuya açık kayıtlar, cihaz ve oturum istihbaratı (başvurunun hangi cihazdan, nasıl bir davranış örüntüsüyle geldiği), geçmiş hasar geçmişi, ve sentetik kimlik örüntüleri. Bunların hepsi bir araya gelip başvuranın gerçekten iddia ettiği kişi olup olmadığını ve risk seviyesini çıkarıyor. Buna genellikle "dinamik risk profili" deniyor, çünkü profil sabit bir forma değil, sürekli güncellenen bir sinyaller kümesine dayanıyor.

Özellikle kasko, konut ve tarım sigortasında hava durumu, coğrafi konum ve mekânsal veriyi entegre etmek büyük fark yaratıyor. Bir konutun sel riski, o mahallenin geçmiş su baskını verileriyle; bir aracın çalınma riski, park edildiği bölgenin suç istatistikleriyle birleştiğinde ortaya çok daha adil ve gerçekçi bir fiyat çıkıyor. "Adil" kelimesinin altını çiziyorum, çünkü doğru yapıldığında yapay zekâ, düşük riskli müşteriyi yüksek riskliyle sübvanse etmekten kurtarır. Bu da hem müşteri hem de şirket için kazançtır.

Ama burada bir tehlike var ve bunu göz ardı eden şirketler ilerde ağır bedel ödeyecek: dinamik risk profili, yanlış kurgulandığında ayrımcılığa dönüşür. Posta koduna dayalı fiyatlama, çoğu zaman gizli bir sosyoekonomik ya da etnik ayrımcılığa yol açabilir. Modeliniz farkında olmadan korunan bir grubu dezavantajlı hale getirebilir. Bunun için modelinizin hangi değişkene ne kadar ağırlık verdiğini bilmek zorundasınız. Bu yazının ilerleyen bölümündeki adalet ve açıklanabilirlik başlığı tam olarak bu yüzden var.

Hasar yönetimi, müşterinin sigorta şirketiyle gerçekten yüzleştiği andır. Poliçeyi kimse okumaz ama hasar anında herkes şirketini test eder. İşte yapay zekânın müşteri memnuniyetine en doğrudan dokunduğu yer burası; çünkü hız, bu anda her şey demektir.

2026'da yaygınlaşan senaryo şu: müşteri hasarı telefonuyla fotoğraflıyor ya da videoya alıyor, uygulamaya yüklüyor. Görüntü işleme modeli hasarın türünü, şiddetini ve tahmini onarım maliyetini saniyeler içinde çıkarıyor. Basit dosyalarda insan eksperine hiç gitmeden ödeme onaylanabiliyor; karmaşık dosyalarda ise eksper, önüne hazır bir ön değerlendirmeyle oturuyor. Yani insan tamamen devre dışı kalmıyor, işin kolay yüzde 70'i otomatikleşiyor ve uzman zamanı gerçekten zor dosyalara ayrılıyor.

Sağlayıcıların bildirdiği rakamlara göre bu tür kurulumlarda hasar işleme süresi yüzde 50'ye varan oranda kısalabiliyor ve operasyonel maliyetlerde yüzde 20 ila 35 arası düşüş raporlanıyor. Tekrar hatırlatıyorum: bunlar bildirilen, sağlayıcı kaynaklı değerlerdir. Sizin sonucunuz veri kalitenize, süreç olgunluğunuza ve otomasyon sınırınıza göre değişir. Ama yönün doğru olduğu konusunda sahadaki gözlemim net.

Burada gözden kaçan bir risk var: foto/video hasar analizi, tam da sahtekârların üretken yapay zekâyla saldırdığı noktadır. Bir müşteri gerçek bir hasarı fotoğraflayabileceği gibi, üretken bir modelle sahte bir hasar görüntüsü de üretebilir. Onun için hasar analizi modeliniz, aynı zamanda görüntünün gerçekliğini de sorgulamak zorunda: metaveri tutarlılığı, üretken model izleri, aynı görüntünün başka dosyalarda kullanılıp kullanılmadığı. Yani hasar ve sahtekârlık modülleri artık birbirinden ayrı düşünülemez; ikisi tek bir savunma hattının parçasıdır.

Şimdi bu yazının en kritik başlığına geldik. Sigorta sahtekârlığı her zaman vardı, ama 2026'da oyunun kuralları değişti. Eskiden bir sahtekâr, sahte bir belge hazırlamak için ciddi emek harcardı ve çoğu zaman ipuçları bırakırdı. Bugün ise üretken yapay zekâ ile dakikalar içinde ikna edici sahte tıbbi raporlar, sentetik kimlikler ve manipüle edilmiş hasar görselleri üretilebiliyor. Bu, oyunun ölçeğini ve hızını tümden değiştiriyor.

Bu durum, geleneksel kural tabanlı sistemleri âdeta işlevsiz bırakıyor. Kural motorları "şu eşiği aşarsa şüpheli işaretle" mantığıyla çalışır; oysa modern sahtekâr, tam da o eşiğin altında kalacak şekilde tasarlanmış sahte veriler üretebiliyor. İşte bu yüzden yapay zekâ tabanlı, öğrenen sahtekârlık tespiti artık bir lüks değil, zorunluluk.

Modern bir sahtekârlık tespit ajanının yaptığı işi şöyle özetleyebilirim:

• Gerçek zamanlı analiz: Dosya sisteme düştüğü an, ödemeden önce değerlendiriliyor. Sonradan denetim değil, anlık skorlama.
• Örüntü öğrenme: Sistem geçmiş sahtekârlık vakalarından öğreniyor ve yeni örüntülere uyum sağlıyor. Statik kural değil, sürekli güncellenen bir model.
• Çapraz kontrol: Dış kaynaklar ve tarihsel veriyle karşılaştırma; aynı kişinin, aynı aracın, aynı görüntünün farklı dosyalarda tekrar edip etmediği.
• Ağ analizi: Organize sahtekârlık, çoğu zaman tek bir dosyada değil, dosyalar arası ilişkilerde saklıdır. Grafik tabanlı analiz, birbirine bağlı sahte dosya kümelerini yakalar.

Sağlayıcıların bildirdiği en çarpıcı iyileşme yanlış pozitiflerde. Klasik sistemlerde şüpheli işaretlenen dosyaların yüzde 30 ila 50'si aslında masumdur; bu hem müşteriyi kızdırır hem de ekibin zamanını çalar. Yapay zekâ tabanlı skorlama ile bu oranın yüzde 10'un altına indiği raporlanıyor. Bu rakam doğruysa, sadece dolandırıcıları yakalamaktan değil, aynı zamanda dürüst müşterileri gereksiz yere rahatsız etmemekten de bahsediyoruz demektir. İkincisi, çoğu zaman birincisinden daha değerlidir; çünkü müşteri güveni kaybetmesi geri kazanılması zor bir maliyettir.

Şunu da açıkça söyleyeyim: sahtekârlık tespitinde yapay zekâ bir "sınır" değil, bir "yarış". Siz modelinizi geliştirdikçe karşı taraf da tekniklerini geliştiriyor. Bu yüzden sahtekârlık modeliniz canlı bir varlık olmalı; sürekli beslenen, düzenli yeniden eğitilen, yeni saldırı türlerine karşı test edilen bir sistem. Bir kez kurup unutacağınız bir proje değil. Bunu bir "kurulum" değil, sürekli bir "operasyon" olarak düşünmelisiniz.

Şimdi işin en çok ihmal edilen ama en çok ceza doğuran tarafına geldik: mevzuat. Türkiye'de sigortacılık faaliyeti Sigortacılık ve Özel Emeklilik Düzenleme ve Denetleme Kurumu (SEDDK) tarafından düzenleniyor. Yapay zekâ kullanan bir sigorta şirketi olarak, kurduğunuz her otomatik karar mekanizmasının SEDDK'nın gözetim çerçevesiyle uyumlu olması gerekiyor. Özellikle fiyatlama, underwriting ve hasar reddi gibi müşterinin doğrudan etkilendiği kararlarda hesap verebilirlik bekleniyor. Bu beklentiyi hafife almayın.

İkinci katman KVKK. Sigorta, doğası gereği en hassas verilerle çalışır: sağlık verisi, finansal veri, konum verisi. Sağlık verisi KVKK'da özel nitelikli kişisel veridir ve işlenmesi çok daha sıkı koşullara tabidir. Yapay zekâ modelinizi bu verilerle eğitiyorsanız, açık rıza, amaçla sınırlılık, veri minimizasyonu ve saklama süresi ilkelerini baştan mimariye gömmelisiniz. Sonradan eklenen uyum, hem pahalı hem kırılgan olur. Uyumu en baştan tasarlamak, en ucuz yoldur.

Üçüncü ve giderek daha kritik katman EU AI Act. Avrupa Birliği'nin yapay zekâ tüzüğü, sigorta alanında iki uygulamayı açıkça yüksek riskli olarak sınıflandırıyor: hayat ve sağlık sigortasında risk değerlendirmesi/fiyatlama, ve genel olarak sigorta risk skorlaması. Yüksek riskli sınıflandırma, teknik dokümantasyon, insan gözetimi, kayıt tutma, şeffaflık ve uygunluk değerlendirmesi gibi ağır yükümlülükler getiriyor.

Peki bu Türkiye'deki bir şirketi neden ilgilendirsin? Üç senaryoda doğrudan ilgilendirir. Birincisi, AB'de yerleşik müşterilere hizmet veriyorsanız. İkincisi, çıktısı AB'de kullanılan bir sistem işletiyorsanız. Üçüncüsü, ve bu en yaygın olanı, AB merkezli bir yapay zekâ sağlayıcısının teknolojisini kullanıyorsanız; bu durumda tedarik zinciri üzerinden uygunluk ve şeffaflık yükümlülükleri size de yansıyabilir. Yani "biz sadece Türkiye'deyiz" demek, sizi otomatik olarak kapsam dışı bırakmıyor. Bu ayrımı doğru yapmak, hukuk ekibinizle erken bir masaya oturmanızı gerektirir.

Benim sahadaki tavsiyem şu: EU AI Act'i bir maliyet değil, bir kalite çerçevesi olarak görün. Tüzüğün istediği şeylerin çoğu (dokümantasyon, insan gözetimi, açıklanabilirlik) zaten iyi bir yapay zekâ sisteminin sahip olması gereken özellikler. Yani uyum için yaptığınız yatırım, aynı zamanda sisteminizi daha güvenilir hale getirir. Bu bakış açısı, ekibinizin motivasyonunu da değiştirir.

Sigortada yapay zekânın başarısı, çoğu zaman modelin ne kadar akıllı olduğundan çok, altındaki yönetişimin ne kadar sağlam olduğuna bağlıdır. Bunu defalarca gördüm: parlak bir model, zayıf bir yönetişimle çöker; sıradan bir model, sağlam bir yönetişimle yıllarca değer üretir. İşte kurmanız gereken temel yönetişim bileşenleri.

Veri soy kütüğü (data lineage). Her modelin hangi veriyle eğitildiğini, o verinin nereden geldiğini ve nasıl dönüştürüldüğünü izleyebilmelisiniz. Bir düzenleyici "bu fiyatı neye göre verdiniz" diye sorduğunda, cevabınız veriye kadar inebilmeli. Bu, hem denetim hem de hata ayıklama için hayati.

Model kaydı ve versiyonlama. Hangi model versiyonunun ne zaman, hangi kararları verdiğini bilmelisiniz. Bir hasar reddi itiraz edildiğinde, o kararı veren tam model versiyonunu geri getirebilmek zorundasınız. Versiyonlama olmadan hesap verebilirlik mümkün değildir.

İzleme ve model kayması (drift). Sigorta riskleri zamanla değişir; enflasyon, iklim, davranış. Dün doğru olan model bugün kayabilir. Sürekli izleme olmadan, modeliniz sessizce yanlışlanır ve siz aylarca fark etmezsiniz. Bu sessiz bozulma, en tehlikeli bozulmadır.

İnsan gözetimi. Özellikle yüksek etkili kararlarda (büyük hasar, poliçe reddi, yüksek prim) insan onayı zorunlu olmalı. Otomasyon, insanı işten çıkarmak için değil, insanın dikkatini gerçekten önemli dosyalara yöneltmek için var. Bu ayrımı ekibinize doğru anlatmak, benimsemeyi kolaylaştırır.

Erişim kontrolü ve kayıt. Modele ve verilere kimin eriştiği, hangi kararın kim tarafından değiştirildiği kayıt altında olmalı. Bu hem KVKW hem de EU AI Act kayıt tutma yükümlülüğü açısından gerekli.

Bu başlığı ayrı açıyorum çünkü sigortada en çok dava ve itibar riski buradan geliyor. Bir sigorta modeli, tanımı gereği insanları ayırır; düşük riskliyi yüksek riskliden ayırır. Sorun ayırmak değil, yanlış ya da haksız gerekçeyle ayırmaktır. İşte bu ince çizgi, tüm meselenin kalbidir.

Yanlılık çoğu zaman kötü niyetten değil, veriden gelir. Geçmiş verileriniz geçmişteki eşitsizlikleri taşıyorsa, modeliniz o eşitsizlikleri geleceğe taşır ve hatta pekiştirir. Örneğin belirli bir bölgeye tarihsel olarak daha az hizmet verilmişse, o bölgeye dair veriniz eksik ve yanlıdır; model de o bölgeyi haksız yere cezalandırabilir. Bu döngüyü kırmanın tek yolu, onu ölçmektir.

Bunu yönetmek için üç pratik disiplin öneriyorum. Birincisi, korunan özelliklere (yaş, cinsiyet, etnik köken, sağlık durumu) göre model çıktılarını düzenli olarak test edin; grup bazında sistematik bir sapma var mı bakın. İkincisi, açıklanabilirlik araçlarıyla modelinizin hangi değişkene ne kadar ağırlık verdiğini izleyin; posta kodu gibi bir değişken beklenmedik ölçüde baskınsa, orada gizli bir ayrımcılık olabilir. Üçüncüsü, müşteriye anlamlı bir açıklama sunabilecek bir mekanizma kurun; "algoritma böyle dedi" bir cevap değildir, üstelik EU AI Act'in şeffaflık ruhuna da aykırıdır.

Açıklanabilirlik ayrıca operasyonel bir fayda da sağlıyor. Ekspertiz ekibiniz, modelin neden bir dosyayı şüpheli işaretlediğini anlayabildiğinde çok daha hızlı ve güvenle karar veriyor. Yani açıklanabilirlik sadece bir uyum gereği değil, aynı zamanda verimlilik aracı. Bu ikili faydayı ekibinize hatırlatmak, dirençleri azaltır.

Nereden başlayacağınıza karar verirken, her senaryoyu iki eksende değerlendirmenizi öneriyorum: iş etkisi ve uygulama zorluğu (veri hazırlığı, mevzuat yükü, teknik olgunluk). Aşağıdaki tablo, sahada gördüğüm tipik bir önceliklendirmeyi yansıtıyor; sizin kurumunuzda sıralama değişebilir ama düşünce çerçevesi işe yarar.

Kullanım senaryosu	İş etkisi	Uygulama zorluğu	Öneri
Foto/video hasar ön değerlendirme	Yüksek	Orta	Erken başlayın, hızlı kazanç
Gerçek zamanlı sahtekârlık skorlama	Çok yüksek	Yüksek	Stratejik yatırım, aşamalı kurun
Underwriting risk zenginleştirme	Yüksek	Yüksek	Mevzuatı erken çözün
Belge işleme ve veri çıkarımı	Orta	Düşük	Hızlı otomasyon, düşük risk
Müşteri hizmetleri asistanı	Orta	Düşük	Erken başlayın, deneyim kazanın
Dinamik fiyatlama	Çok yüksek	Çok yüksek	En son, tam yönetişimle

Bu tablonun mantığı şu: düşük zorluk-yüksek etki köşesinden başlayın (belge işleme, hasar ön değerlendirme), ekibinizin ve kurumunuzun kaslarını orada geliştirin, sonra sahtekârlık ve underwriting gibi stratejik ama zor senaryolara geçin. Dinamik fiyatlamayı en sona bıraktım, çünkü hem en yüksek etkisi hem de en yüksek mevzuat ve adalet riski var; buraya olgunlaşmadan girmek, ceza ve itibar kaybı riskini artırır. Sabırlı bir sıralama, uzun vadede en hızlı yoldur.

Son olarak, tüm bunları bir zaman çizgisine oturtalım. Sahada işe yaradığını gördüğüm dört aşamalı bir yaklaşım paylaşacağım. Bu takvim gösterge niteliğindedir; kurumunuzun büyüklüğüne ve olgunluğuna göre esner.

Aşama 1 — Temel (0-3 ay). Veri envanterinizi çıkarın, veri kalitesini ölçün, yönetişim çerçevesini (model kaydı, erişim kontrolü, kayıt tutma) kurun. Paralelde, düşük riskli bir pilot seçin: belge işleme ya da hasar ön değerlendirme. Amaç, hızlı bir kazanç ve kurumsal öğrenme. İlk zaferi küçük ama görünür seçin.

Aşama 2 — Genişleme (3-9 ay). Pilotu üretime alın, ölçün, iterasyon yapın. Sahtekârlık tespiti için gerçek zamanlı skorlama altyapısını kurmaya başlayın. Bu aşamada KVKK uyumunu ve gerekiyorsa EU AI Act uygunluk değerlendirmesini iş akışına gömün. Uyumu sonraya bırakmayın; sonraya bırakılan uyum en pahalı olandır.

Aşama 3 — Stratejik (9-18 ay). Underwriting risk zenginleştirmeyi ve dinamik risk profillerini devreye alın. Bu noktada yanlılık ve açıklanabilirlik testlerini rutin hale getirin. İnsan gözetimi mekanizmalarını yüksek etkili kararlara sıkıca bağlayın. Artık yapay zekâ, tek tek projeler değil, bir yetenek katmanı.

Aşama 4 — Olgun (18+ ay). Uçtan uca entegre bir yapay zekâ katmanınız var; modeller sürekli izleniyor, düzenli yeniden eğitiliyor, sahtekârlık modeli yeni saldırılara karşı test ediliyor. Dinamik fiyatlama gibi en hassas senaryolara ancak burada, tam yönetişimle giriyorsunuz. Bu aşamada rekabet avantajınız modelin kendisi değil, onu ne kadar sağlam yönettiğinizdir.

Bu yol haritasının en önemli mesajı şu: sigortada yapay zekâ bir teknoloji projesi değil, bir kurumsal dönüşümdür. Model kolay kısım; zor olan veri, yönetişim, mevzuat ve insan. Bu dört ayağı sağlam kurarsanız, bildirilen o etkileyici rakamlar sizin için de gerçek olma şansı bulur. Bu ayakları ihmal ederseniz, en akıllı model bile size hüsran yaşatır. Şimdi kendi kurumunuzun değer zincirine dönün ve hangi halkanın en zayıf veriye sahip olduğunu sorun; başlanacak yer çoğu zaman orasıdır.

Danışmanlık yaptığım sigorta projelerinde, başarısızlıkların neredeyse hiçbiri "model yeterince akıllı değildi" diye olmadı. Hemen hepsi, aşağıdaki tuzakların birine düşülmesiyle oldu. Bunları baştan bilirseniz, aynı çukura düşmezsiniz.

Tuzak 1 — Pilotu üretim sanmak. Bir kullanım senaryosu laboratuvarda güzel çalışıyor diye üretime hazır sanılıyor. Oysa üretim; gerçek zamanlı veri akışı, kenar durumlar, kötü niyetli girdiler ve mevzuat demek. Pilotu üretimden ayıran duvar çoğu zaman modelde değil, çevresindeki mühendislikte. Bu duvarı hafife almayın.

Tuzak 2 — Veri borcunu görmezden gelmek. Şirketler modele yatırım yaparken, o modeli besleyecek verinin dağınık, tutarsız ve eksik olduğunu görmezden geliyor. Sonuç: çöp girer, çöp çıkar. Modelden önce veriyi düzeltmek, sıkıcı ama en getirili iştir. Sabırlı olun.

Tuzak 3 — İnsanı denklemden çıkarmak. Otomasyon hevesiyle insan gözetimini tamamen kaldırmak, hem mevzuat hem itibar açısından çok tehlikeli. Doğru kurgu, insanı zor dosyalara odaklamak; kolay dosyaları otomatikleştirmek. İnsanı düşman değil, ortak yapın.

Tuzak 4 — Sahtekârlık modelini bir kez kurup unutmak. Daha önce vurguladım ama tekrar ediyorum çünkü en pahalı tuzak bu: sahtekârlar sürekli evrim geçiriyor. Statik bir savunma, birkaç ay içinde aşılıyor. Sürekli beslenmeyen bir sahtekârlık modeli, güvenlik yanılsaması yaratır ki bu, hiç modeli olmamaktan bile tehlikelidir.

Tuzak 5 — Mevzuatı en sona bırakmak. Hukuk ve uyum ekibini projenin sonunda masaya çağırmak, en yaygın ve en pahalı hata. Onları en baştan, tasarım masasına oturtun. Uyum, sonradan boyanan bir cephe değil, en baştan atılan temeldir.

Sık aldığım bir soru: bu yetenekleri kendimiz mi geliştirelim, yoksa hazır bir çözüm mü alalım? Cevabım nüanslı. Genel bir kural olarak, farklılaşmadığınız yerde satın alın, farklılaştığınız yerde geliştirin.

Belge işleme, temel görüntü analizi ve müşteri asistanı gibi standartlaşmış yeteneklerde hazır çözümler çoğu zaman daha hızlı ve ucuz. Bunları sıfırdan yazmak, tekerleği yeniden icat etmektir. Buna karşılık, sahtekârlık tespiti ve underwriting risk modelleri sizin özel verinize ve iş kurallarınıza sıkı sıkıya bağlıdır; burada farklılaşma rekabet avantajınızdır ve genellikle kendi modelinizi geliştirmek ya da en azından hazır bir temeli kendi verinizle ince ayarlamak daha mantıklıdır.

Hangi yolu seçerseniz seçin, sağlayıcı bir AB kaynaklıysa, EU AI Act kapsamında tedarik zinciri yükümlülüklerini sözleşmeye baştan yazın: teknik dokümantasyon paylaşımı, model kartları, veri işleme şeffaflığı. Sağlayıcınızın uyumu, sizin uyumunuzun bir parçası haline gelir. Bu bağımlılığı sözleşmeyle güvence altına almazsanız, denetim anında açıkta kalırsınız. Kısacası: seçiminizi teknolojiyle değil, nerede gerçekten farklılaştığınız ve hangi riski taşımaya hazır olduğunuz sorusuyla yapın.

Bu yazıyı bitirirken üzerinde en çok durmak istediğim şey ölçüm disiplinidir. Sigorta şirketleri rakamla yaşayan kurumlardır, ama iş yapay zekâ yatırımına gelince şaşırtıcı biçimde ölçümsüz ilerliyorlar. Oysa her kullanım senaryosu için baştan net metrikler tanımlamanız gerekir: hasar işleme süresi, birim başına operasyonel maliyet, yanlış pozitif oranı, sahtekârlık yakalama oranı, müşteri memnuniyeti ve itiraz oranı. Bu metrikleri projeye başlamadan önce ölçün ki, sonrasında gerçekten neyin değiştiğini bilebilesiniz.

Sağlayıcıların bildirdiği yüzde 20-35 maliyet düşüşü ya da yüzde 50 hız artışı gibi rakamları hedef olarak değil, hipotez olarak alın. Kendi pilotunuzda kendi taban çizginizle karşılaştırın. Bazı senaryolarda bu rakamları aşabilir, bazılarında altında kalabilirsiniz; ikisi de değerli bilgidir. Önemli olan, kararlarınızı pazarlama broşürlerinin değil, kendi verinizin yönlendirmesidir. Bu disiplini kuran sigorta şirketleri, yapay zekâ yatırımından gerçek getiri elde ediyor; kurmayanlar ise bütçe yakıp hayal kırıklığı topluyor. Fark, modelde değil, ölçüm kültüründe. Şimdi kendinize sorun: her aktif yapay zekâ senaryonuz için net bir taban çizginiz ve haftalık izlediğiniz bir metriğiniz var mı? Yoksa, işe oradan başlayın.