Sigortacılıkta Yapay Zeka Danışmanlığı: Underwriting, Hasar ve Uyum

Sigortacılıkta yapay zeka danışmanlığı, bir sigorta şirketinin underwriting (risk kabul), hasar, fiyatlandırma ve müşteri operasyonlarında yapay zekayı nerede ve nasıl kullanacağını uçtan uca kurgulayan uzman rehberliktir. Amacı, teknolojiyi göstermek değil; sigortanın aktüeryal, hukuki ve operasyonel gerçekleriyle hizalanmış, SEDDK uyum ile KVKK çerçevesinde güvenli ve ölçülebilir sonuçlar üretmektir. Bu rehber, bir danışmanın masasında bu işin gerçekte nasıl yürüdüğünü anlatır.

Sigorta, verinin ve riskin dili üzerine kurulu bir sektördür; bu yüzden yapay zeka için hem en verimli hem de en hassas alanlardan biridir. Doğru kurgulandığında yapay zeka, poliçe teklifini hızlandırır, hasarı daha adil ve hızlı öder, dolandırıcılığı erken yakalar ve müşteriye daha iyi bir deneyim sunar. Yanlış kurgulandığında ise ayrımcılık, uyum ihlali ve pilotta çürüyen projeler doğurur. İşte sigortacılıkta yapay zeka danışmanlığının varlık nedeni, bu iki sonuç arasındaki farkı yönetmektir.

Tanım

Sigortacılıkta Yapay Zeka Danışmanlığı

Bir sigorta şirketinin underwriting, hasar, fiyatlandırma, dolandırıcılık tespiti ve müşteri operasyonlarında yapay zekayı nerede ve nasıl değer üretecek şekilde kullanacağını belirleyen; bunu SEDDK ve KVKK çerçevesinde uyumlu, açıklanabilir, ölçülebilir ve sürdürülebilir biçimde kurgulayan uzman danışmanlık hizmeti. Danışman use-case önceliklendirme, veri ve model mimarisi, uyum ve yönetişim, pilot tasarımı ve ROI ölçümünü tek bir yol haritasında birleştirir.

Ayrıca: Sigorta yapay zeka danışmanlığı, insurtech danışmanlığı, sigorta sektörü AI danışmanlığı

Sigortacılıkta yapay zeka danışmanlığı, en kısa tanımıyla, bir sigorta şirketinin yapay zeka ile "nereden başlayacağını, neyi nasıl kuracağını ve değeri nasıl kanıtlayacağını" belirleyen uzman hizmettir. Genel bir yapay zeka danışmanlığından farkı, sektörün diline hâkim olmasıdır: underwriting, hasar rezervi, reasürans, birleşik rasyo, aktüeryal fiyatlama ve yoğun bir denetim ortamı. Bu kavramların ne anlama geldiğini bilmeyen bir danışman, teknik olarak doğru ama sigortacılık açısından yanlış çözümler önerebilir.

Bu hizmet üç katmanda çalışır. Birincisi stratejidir: hangi use-case'lerin gerçekten değer ürettiğini, hangilerinin gösterişli ama getirisiz olduğunu ayırmak. İkincisi mimaridir: veriyi, modeli, entegrasyonu ve uyumu birlikte tasarlamak. Üçüncüsü ise yürütmedir: pilotu kurmak, ölçmek, iyileştirmek ve üretime taşımak. Genel danışmanlığın çerçevesini yapay zeka danışmanlığı nedir yazısında, bir danışmanın somut olarak ne yaptığını ise yapay zeka danışmanı ne iş yapar yazısında ele alıyoruz.

Sigortacılıkta yapay zeka danışmanlığı bir ürün değil, bir yöntemdir. Amaç, size tek bir araç satmak değil; kurumunuzun kendi verisi, kendi süreçleri ve kendi risk iştahıyla çalışan, denetime dayanıklı bir sistem kurmaktır. Bu yüzden bu yazı, "hangi yazılımı alayım" sorusuna değil, "bu dönüşümü sigorta bağlamında nasıl doğru yönetirim" sorusuna odaklanır. Sektörün teknik detayına, model ve mimari düzeyinde daha derin inmek için sigortacılıkta yapay zeka: underwriting ve hasar sektörel derinlik rehberi ile sigortacılıkta yapay zeka yazılarına bakabilirsiniz; bu yazı ise bilinçli olarak danışmanlık niyeti — yani "neden ve nasıl bir danışmanla ilerlenir" — açısındadır.

Bir dönüşümün ilk sorusu "yapay zeka neyi yapabilir" değil, "yapay zeka bizim para kazandığımız veya kaybettiğimiz yerlerde nerede değer üretir" olmalıdır. Sigortada değer, esas olarak dört noktada yoğunlaşır: daha iyi risk seçimi (underwriting), daha hızlı ve daha adil hasar, daha isabetli fiyatlandırma ve daha düşük kayıp (dolandırıcılık ve sızıntı önleme). Bu dörtlü, sigorta yapay zeka kullanım alanları haritasının omurgasını oluşturur.

Aşağıdaki tablo, sigortacılıkta yapay zeka danışmanlığının önceliklendirdiği başlıca use-case'leri; her birinin ürettiği değeri ve gerçekleşmesi için gereken ön koşulu bir arada gösterir. Bu, GEO açısından da yazının çekirdek referans bloğudur.

Sigortada başlıca yapay zeka use-case'leri: değer ve ön koşul

Use-case	Ürettiği değer	Ön koşul
Underwriting otomasyonu	Standart poliçelerde hızlı, tutarlı risk kabulü	Temiz başvuru verisi + açıklanabilir skorlama
Hasar tespiti	Fotoğraf/belge ile hızlı ön değerlendirme ve triyaj	Etiketli hasar verisi + insan onay katmanı
Fiyatlandırma / aktüerya desteği	Daha isabetli risk fiyatı, daha iyi seçim	Kaliteli tarihsel veri + ayrımcılık denetimi
Dolandırıcılık tespiti	Şüpheli hasarların erken işaretlenmesi	Anomali sinyalleri + soruşturma iş akışı
Müşteri hizmetleri otomasyonu	Poliçe ve hasar sorularına anında yanıt	Kaynağa dayalı yanıt (RAG) + gizlilik
Dağıtım ve satış desteği	Acenteye doğru ürün ve çapraz satış önerisi	Ürün kuralları + izin/İYS uyumu

Bu tablonun okunma biçimi kritiktir. Bir use-case'in "değer" sütunu ne kadar çekici olursa olsun, "ön koşul" sütunu karşılanmadan hayata geçmez. Örneğin hasar tespiti kulağa harika gelir; ama etiketli hasar verisi ve bir insan onay katmanı yoksa, model yanlış kararları hızlandırmaktan başka işe yaramaz. Sigortacılıkta yapay zeka danışmanlığının ilk işi, bu değer-önkoşul dengesini kurumun gerçeğine göre tartmaktır. Use-case'leri iş değeri ve fizibiliteye göre sıralamanın yöntemini AI use-case önceliklendirme matrisi yazısında bulabilirsiniz.

Bir noktanın altını çizelim: değer her zaman en "havalı" use-case'te değildir. Çoğu sigorta şirketinde en yüksek ve en hızlı getiri, göz alıcı bir müşteri chatbot'undan değil, hasar sürecindeki sıkıcı ama pahalı adımların otomasyonundan gelir. Danışmanın görevi, modayı değil, marjı takip etmektir.

Underwriting, sigortanın kalbidir: bir riski hangi şartlarla ve hangi fiyatla kabul edeceğinize karar verdiğiniz an. Underwriting otomasyonu, bu kararın standart ve tekrar eden kısmını yapay zekaya devrederken, uzman underwriter'ı karmaşık ve sınır durumlar için serbest bırakan yaklaşımdır. Amaç, insanı devre dışı bırakmak değil; insanın dikkatini en çok değer kattığı yere yöneltmektir.

Pratikte underwriting otomasyonu birkaç katmanda çalışır. İlk katman, başvuru verisinin toplanması ve eksik/çelişkili bilgilerin işaretlenmesidir; underwriter'ın saatlerini alan "eksik belge kovalama" işi büyük ölçüde otomatikleşir. İkinci katman risk skorlamadır: geçmiş verilere dayanarak bir riskin beklenen hasar davranışını tahmin etmek. Üçüncü katman ise karar desteğidir: modelin bir öneri üretmesi, ama nihai kararı — özellikle sınır ve yüksek tutarlı durumlarda — insanın vermesi. Bu insan-üstünde-kontrol modeli, hem kaliteyi hem de regülasyon uyumunu korur.

Ancak underwriting otomasyonunun en kritik yanı teknik değil, etik ve hukukidir. Bir risk skorlama modeli, farkında olmadan cinsiyet, yaş, coğrafya veya gelir üzerinden ayrımcı bir örüntü öğrenebilir. Bu yüzden modelin açıklanabilir olması ve ayrımcılık açısından denetlenmesi şarttır. Modelin neden öyle karar verdiğini anlamak için açıklanabilir yapay zeka nedir ve önyargının nasıl sızdığını görmek için yapay zekada önyargı nedir yazıları, sigortacılıkta yapay zeka danışmanlığının olmazsa olmaz okumalarıdır. Otomatik bir kararın müşteri açısından itiraz edilebilir olması gerektiğini otomatik karar ve itiraz hakkı yazısında ele alıyoruz.

Hasar süreci, çoğu sigorta şirketinde hem en yüksek maliyetin hem de en büyük müşteri memnuniyetsizliğinin kaynağıdır. Bu yüzden hasar tespiti ve hasar yönetimi, sigortacılıkta yapay zeka danışmanlığının en sık önerdiği başlangıç alanlarından biridir. Buradaki değer somuttur: her kazanılan gün, her azalan gereksiz ödeme ve her erken yakalanan dolandırıcılık doğrudan bilançoya yansır.

Hasar tespiti birkaç biçimde çalışır. Görsel tarafta, bir araç veya mülk hasarının fotoğrafından ön hasar tahmini ve triyaj yapılabilir; küçük ve net hasarlar hızlıca ilerlerken, karmaşık dosyalar eksperin önüne düşer. Görüntüden hasar değerlendirmesinin teknik temelini bilgisayarlı görü uygulamaları yazısında ele alıyoruz. Belge tarafında, poliçe, fatura, sağlık raporu ve ekspertiz belgeleri otomatik okunup özetlenebilir; bu, ilk kayıt (first notice of loss) ve dosya açma süresini kısaltır. Bir hasar dosyasındaki dağınık belgelere doğal dilde soru sorup kaynak göstererek yanıt almak için, kurumsal bilgi erişiminin temeli olan RAG mimarisini kullanmak yaygın bir desendir.

Hasar tespitinde en önemli ilke, hızın adaletin önüne geçmemesidir. Yapay zeka, hasarı hızlandırırken yanlış ret veya eksik ödeme üretirse, kısa vadeli verimlilik uzun vadeli itibar ve uyum riskine dönüşür. Bu yüzden hasar tespiti her zaman bir insan onay katmanıyla ve bir istisna yönetimiyle birlikte tasarlanır: model emin olduğunda hızlandırır, emin olmadığında insana devreder. Sağlıklı bir hasar tespiti kurgusu, "otomatik ödeme" değil, "otomatik değerlendirme + insan kararı" mantığına dayanır. Bu denge, sigortacılıkta yapay zeka danışmanlığının en dikkatle tasarladığı noktalardan biridir.

Fiyatlandırma, sigortanın en teknik ve en hassas alanıdır; çünkü hem şirketin kârlılığını hem de müşteriye yansıyan adaleti doğrudan belirler. Yapay zeka, aktüeryal ekibin yerini almaz; onun elindeki veriyi zenginleştiren ve örüntüleri daha ince yakalayan bir araç sunar. Doğru kurgulandığında, daha isabetli risk fiyatı, daha iyi risk seçimi ve birleşik rasyoda iyileşme mümkün olur.

Ancak fiyatlandırmada yapay zeka, en yüksek regülasyon ve etik riskini taşır. Bir model, geçmiş veriden öğrenirken toplumdaki mevcut eşitsizlikleri "meşru" bir fiyat farkı gibi kodlayabilir. Örneğin belirli bir coğrafyaya veya demografik gruba sistematik olarak yüksek fiyat çıkaran bir model, teknik olarak "doğru" görünse bile hukuki ve itibari açıdan savunulamaz olabilir. Bu yüzden fiyatlandırma modelleri, ayrımcılık testleri ve açıklanabilirlik gereksinimleriyle birlikte kurulmalıdır. Sigortacılıkta yapay zeka danışmanlığı, tam da burada teknik başarı ile uyum arasındaki ince çizgiyi çeker.

Aktüeryal tarafta yapay zeka üç şekilde katkı verir. Birincisi, geleneksel modellerin kaçırdığı doğrusal olmayan ilişkileri yakalamak; ikincisi, daha çok değişkeni birlikte değerlendirebilmek; üçüncüsü, senaryoları ve stres testlerini hızlandırmak. Makine öğrenmesinin temel mantığını makine öğrenmesi nedir yazısında bulabilirsiniz. Pratikte olgun kurumlar, klasik aktüeryal modelleri tümden atmaz; onları yapay zeka ile besleyip iki yaklaşımı bir arada kullanır. Böylece hem yorumlanabilirliği korur hem de tahmin gücünü artırır. Fiyatlandırma, "modeli en pahalı yapan" değil, "denetime en dayanıklı yapan" tasarımın kazandığı alandır.

Sigorta dolandırıcılığı, sektörün en eski ve en pahalı sorunlarından biridir; ödenen sahte veya şişirilmiş hasarlar, dürüst müşterilerin primine yansıyan gizli bir vergi gibidir. Yapay zeka, bu alanda özellikle güçlüdür; çünkü dolandırıcılık genellikle tek bir işlemde değil, işlemler arasındaki anormal örüntüde saklanır ve insanın gözden kaçırdığı bu örüntüleri model yakalayabilir.

Dolandırıcılık tespiti, temelde bir anomali tespiti problemidir: "normalden sapan" hasar davranışlarını işaretlemek. Bir kişinin kısa sürede birden çok benzer hasar bildirmesi, coğrafi ve zamansal tutarsızlıklar, tekrar eden ilişki ağları veya belgelerdeki manipülasyon izleri, modelin dikkat çektiği sinyallerdir. Anomali tespitinin mantığını anomali tespiti nedir yazısında ele alıyoruz. Kritik nokta şudur: model bir hasarı "dolandırıcılık" ilan etmez; yalnızca "incelemeye değer" diye işaretler ve nihai kararı bir insan soruşturmacı verir. Bu ayrım hem adalet hem uyum açısından zorunludur.

Dolandırıcılık modelinin değeri iki yönlüdür. Birincisi, gerçek dolandırıcılığı yakalayarak doğrudan kaybı azaltır. İkincisi — ve çoğu zaman ihmal edilen — dürüst hasarları gereksiz incelemeden kurtararak süreci hızlandırır ve müşteri memnuniyetini artırır. İyi bir dolandırıcılık tespiti sistemi yalnızca "kötüyü yakalamaz", "iyiyi de hızlandırır". Ancak bu sistemler, yanlış alarm (false positive) ekonomisiyle dikkatle dengelenmelidir: her yanlış işaret, bir soruşturmacının zamanını ve bir dürüst müşterinin güvenini harcar. Bu dengeyi kurmak, sigortacılıkta yapay zeka danışmanlığının sektöre özgü uzmanlık gerektiren bir başlığıdır.

Underwriting, hasar, fiyatlama ve dolandırıcılık "çekirdek" use-case'lerdir; ama sigorta yapay zeka kullanım alanları bunlarla sınırlı değildir. Müşteriyle temas eden ve operasyonel yükü taşıyan geniş bir alan daha vardır: poliçe soruları, teklif süreçleri, yenileme, dağıtım kanalı desteği ve acente verimliliği. Bu alanlar, çekirdek kadar "seksi" görünmese de, toplam maliyette ve müşteri sadakatinde büyük fark yaratır.

Müşteri tarafında en yaygın uygulama, poliçe ve hasar sorularına kaynağa dayalı, doğru yanıt veren bir asistandır. Buradaki incelik, asistanın uydurmamasıdır: bir sigorta müşterisine yanlış bir teminat kapsamı söylemek, hem hukuki hem itibari risktir. Bu yüzden bu asistanlar, modelin belgelere dayanmasını zorlayan RAG mimarisiyle ve bir gizlilik katmanıyla kurulur; halüsinasyonu azaltmanın yollarını LLM halüsinasyonu önleme yazısında ele alıyoruz. Dağıtım tarafında yapay zeka, acenteye doğru ürünü ve doğru zamanı önererek çapraz satış ve yenileme oranını artırabilir; ancak bu, izin ve İleti Yönetim Sistemi (İYS) gibi pazarlama izni kurallarıyla uyumlu kurgulanmalıdır.

Poliçe operasyonlarında ise değer, görünmeyen ama sürekli tekrar eden işlerin otomasyonundan gelir: veri girişi, belge kontrolü, mutabakat ve rutin yazışmalar. Bu "sıkıcı" otomasyonlar genellikle en hızlı geri dönüşü verir; çünkü hacimleri yüksek, kuralları nettir ve riski görece düşüktür. Sigortacılıkta yapay zeka danışmanlığı, bu alanı çoğu zaman ilk pilot için önerir: düşük risk, yüksek hacim, ölçülebilir kazanç. Görkemli bir dönüşüm vaadi yerine, bu tür somut ve hızlı bir kazanç, kurum içinde yapay zekaya güven inşa etmenin en sağlam yoludur.

Şimdiye dek tek tek ele aldığımız use-case'leri bir arada görmek, sigorta yapay zeka kullanım alanları resmini netleştirir. Bu bütünsel harita, bir sigorta şirketinin değer zincirini baştan sona izleyerek yapay zekanın nereye dokunduğunu gösterir: ürün tasarımından dağıtıma, underwriting'ten poliçeye, hasardan yenilemeye kadar. Danışmanın işi, bu haritada kurumun en çok acı çektiği ve en çok değer üretebileceği noktaları işaretlemektir.

Bu haritada use-case'ler üç olgunluk kuşağında düşünülebilir. Birinci kuşak, hızlı ve düşük riskli kazançlardır: belge otomasyonu, müşteri soruları, rutin operasyon. İkinci kuşak, çekirdek değer alanlarıdır: underwriting otomasyonu, hasar tespiti, dolandırıcılık tespiti. Üçüncü kuşak ise ileri ve stratejik alanlardır: dinamik fiyatlama, kişiselleştirilmiş ürün ve risk önleme (müşteriye zarar gerçekleşmeden uyarı vermek gibi). Doğru strateji, birinci kuşaktan başlayıp güven ve yetkinlik biriktirdikçe ilerlemektir; üçüncü kuşağa doğrudan atlamak, çoğu zaman veri ve uyum olgunluğu yetmediği için başarısız olur.

Bu haritayı çıkarırken sık yapılan bir hata, her use-case'i eşit görmektir. Oysa sigorta yapay zeka kullanım alanları arasında büyük fark vardır: bazıları temiz ve bol veri gerektirirken bazıları az veriyle çalışır; bazıları yüksek regülasyon riski taşırken bazıları neredeyse risksizdir; bazıları haftalar içinde değer üretirken bazıları aylar sürer. Bu farkları görmezden gelmek, en zor use-case'e en baştan yatırım yapıp tükenmeye yol açar. Danışmanın kattığı değer tam da burada belirginleşir: haritayı sadece çıkarmak değil, doğru sırayla okumak. Sektörün teknik ve mimari detayına daha derin inmek isteyenler için underwriting ve hasar sektörel derinlik rehberi bu haritayı tamamlar.

Sigorta, düzenlenmiş bir sektördür ve bu, yapay zeka projelerinin en belirleyici gerçeğidir. Türkiye'de sigorta ve özel emeklilik faaliyetleri, Sigortacılık ve Özel Emeklilik Düzenleme ve Denetleme Kurumu (SEDDK) tarafından düzenlenir ve denetlenir; kişisel verilerin işlenmesi ise Kişisel Verilerin Korunması Kanunu (KVKK) kapsamındadır. Sigortacılıkta yapay zeka danışmanlığının en ayırt edici katkısı, teknolojiyi bu iki çerçeveyle uyumlu tasarlamaktır. Aşağıdaki tablo, sektörün başlıca düzenleyici ve yönetişim çerçevelerini, sigortadaki ilgi alanlarını ve bunun danışmanlıktaki karşılığını gösterir.

Sigortada düzenleyici ve yönetişim çerçeveleri: ilgi alanı ve danışmanlıktaki karşılığı

Çerçeve / Kurum	Sigortada ilgi alanı	Danışmanlıkta karşılığı
SEDDK	Sigortacılık faaliyetinin düzenlenmesi ve denetimi	Kararların açıklanabilir, denetlenebilir ve sorumlu kurgulanması
KVKK	Kişisel ve özel nitelikli (ör. sağlık) verinin korunması	Hukuka uygun işleme, amaçla sınırlılık, erişim kontrolü
İç sistemler / yönetişim	Risk yönetimi, iç kontrol ve model yönetişimi	Model envanteri, doğrulama ve izleme süreçleri
EU AI Act (AB'ye hizmet edenler)	Risk temelli sınıflandırma ve şeffaflık	Yüksek riskli senaryolarda ek dokümantasyon

Bu tabloda dikkat edilmesi gereken nokta şudur: burada verilen çerçeve niteldir ve bilgilendirme amaçlıdır; belirli bir yönetmelik maddesi veya tarih iddiası içermez. SEDDK ve KVKK gerçek ve yürürlükteki kurumsal çerçevelerdir; ancak yapay zekaya dair her somut yükümlülük, kurumun hukuk ve uyum birimiyle, güncel mevzuata bakılarak değerlendirilmelidir. Bu yazı hukuki tavsiye değildir. KVKK'nın genel çerçevesini KVKK nedir, kişisel verinin ne olduğunu kişisel veri nedir ve KVKK ile uyumlu bir yapay zeka mimarisini KVKK uyumlu yapay zeka nedir yazılarında derinlemesine ele alıyoruz.

Sektöre özgü ikinci büyük zorluk, verinin doğası ve dağınıklığıdır. Sigorta verisi genellikle eski sistemlerde (legacy), farklı formatlarda ve farklı birimlerde dağınık halde durur; hasar dosyaları belge, fotoğraf ve serbest metin karışımıdır. Yapay zeka projelerinin önemli bir kısmı modelde değil, tam da bu veriyi kullanılabilir hale getirmede takılır. Üçüncü zorluk kültürel ve organizasyoneldir: aktüerya, underwriting, hasar ve BT ekiplerinin ortak bir dilde buluşması gerekir. Sigortacılıkta yapay zeka danışmanlığı, bu üç zorluğu — regülasyon, veri ve organizasyon — birlikte yönetmek zorundadır; birini çözüp diğerini ihmal etmek, projeyi sessizce başarısızlığa taşır.

Otomatik bir kararın müşteriyi doğrudan etkilediği her yerde, SEDDK uyum meselesi teknik bir ayrıntı olmaktan çıkıp projenin merkezine yerleşir. Bir underwriting reddi, bir prim artışı veya bir hasar kararı, müşterinin hakkını doğrudan etkiler; bu yüzden bu kararların nasıl verildiğinin açıklanabilir, denetlenebilir ve sorumluluğu tanımlı olması beklenir. SEDDK uyum çerçevesinde en sık gözden kaçan nokta, "modelin doğruluğu" ile "kararın savunulabilirliği"nin farklı şeyler olduğudur.

Açıklanabilirlik burada sadece etik bir tercih değil, operasyonel bir zorunluluktur. Bir müşteri "primim neden arttı" diye sorduğunda, "model öyle dedi" cevabı ne müşteriyi tatmin eder ne de bir denetimde geçerli olur. Bu yüzden sigortacılıkta yapay zeka danışmanlığı, model seçiminde çoğu zaman açıklanabilirliği doğrulukla birlikte, hatta bazen onun önünde tartar. Kararın gerekçesini insan diline çevirebilen, hangi faktörün ne kadar etkili olduğunu gösterebilen bir sistem, SEDDK uyum açısından her zaman kara kutu bir modele tercih edilir.

SEDDK uyum sorumluluğunun üç somut bileşeni vardır. Birincisi model yönetişimidir: hangi modelin nerede, hangi veriyle, kim tarafından kullanıldığının kayıt altında olması (model envanteri). İkincisi izlenebilirliktir: bir kararın hangi girdilere dayandığının ve zaman içinde nasıl değiştiğinin denetim kaydı. Üçüncüsü ise insan gözetimi ve itiraz yoludur: müşteriyi etkileyen kararlarda insan müdahalesi ve itiraz mekanizması bırakmak. Bu üçü kurulmadan bir sigorta yapay zeka sistemi teknik olarak çalışsa da yönetişim açısından eksiktir. Etken yapay zeka sistemlerinde bu yönetişimi kurmanın çerçevesini KVKK ve etken yapay zeka rehberi (DPIA şablonu) yazısında, uyum kontrol listesini ise KVKK uyumlu yapay zeka kontrol listesi yazısında bulabilirsiniz.

Sigortacılıkta yapay zeka danışmanlığının vaat ettiği değeri somutlaştırmanın yolu, tipik projelerin nasıl kurulduğunu ve getirisinin nasıl hesaplandığını görmektir. Sigortada tipik bir yapay zeka projesi, üç aşamalı bir ROI mantığı taşır: doğrudan maliyet tasarrufu, kayıp önleme ve büyüme/deneyim. Bu üç kanalın her biri ayrı ayrı ölçülmeli ve bir başlangıç referansına (baseline) bağlanmalıdır.

Birinci kanal, doğrudan verimliliktir. Bir hasar tespiti veya belge otomasyonu projesi, hasar başına işlem süresini, dosya başına insan-saatini ve operasyonel maliyeti düşürür. Bu tasarruf, önce ve sonra ölçülerek net biçimde gösterilebilir. İkinci kanal, kayıp önlemedir ve genellikle en büyüğüdür: daha iyi risk seçimi ve daha güçlü dolandırıcılık tespiti, ödenen gereksiz hasarı azaltır ve birleşik rasyoyu iyileştirir. Sigortada birkaç puanlık birleşik rasyo iyileşmesi bile büyük bir finansal etkidir. Üçüncü kanal, büyüme ve deneyimdir: daha hızlı teklif, daha adil hasar ve daha iyi hizmet, dönüşüm ve sadakati artırır.

ROI'nin doğru kurulması için genel yapay zeka yatırımı mantığı da işe yarar; bunu yapay zeka ROI nasıl hesaplanır ve üç katmanlı ölçüm modelini AI ROI çerçevesi yazılarında ele alıyoruz. Buradaki en önemli disiplin, faydayı ölçmeden varsaymamaktır. Yapay zeka projelerinin çoğu, teknik olarak başarısız olduğu için değil, değerini kanıtlayamadığı için bütçe masasında düşer. Neden başarısız olduklarını kurumsal AI ROI neden başarısız ve yapay zeka yatırımlarında başarısızlık nedenleri yazılarında inceliyoruz. Aşağıdaki tablo, tipik sigorta yapay zeka projelerini ve ana ROI göstergelerini özetler.

Tipik sigorta yapay zeka projeleri ve ana ROI göstergeleri

Proje	Ana ROI göstergesi	Ölçüm ipucu
Hasar belge/foto otomasyonu	Hasar başına işlem süresi ve maliyet	Önce/sonra baseline ile karşılaştır
Underwriting otomasyonu	Teklif hızı ve risk seçimi kalitesi	Dönüşüm ve hasar/prim oranını izle
Dolandırıcılık tespiti	Önlenen kayıp ve yanlış alarm oranı	Yakalama + gereksiz inceleme birlikte ölç
Müşteri asistanı (RAG)	İlk çözüm oranı ve memnuniyet	İnsana devir oranını takip et

"Yapay zeka her sektörde aynı değil mi; iyi bir yazılımcı hallederse yeter" düşüncesi, sigortada en pahalı yanılgıdır. Sigortacılıkta yapay zeka danışmanlığının değeri, tam da genel bir teknik ekibin bilmediği sektör gerçeklerini bilmesinden gelir. Aktüeryal mantık, poliçe yaşam döngüsü, reasürans, hasar rezervi, birleşik rasyo ve yoğun denetim ortamı — bunların her biri, çözümün tasarımını doğrudan etkiler. Bu bağlamı bilmeyen bir ekip, teknik olarak zarif ama sigortada işe yaramaz veya uyumsuz bir çözüm üretebilir.

Somut bir örnek üzerinden düşünelim. Genel bir ekip, underwriting için en yüksek doğruluğu veren "kara kutu" bir model kurabilir ve teknik olarak haklı görünebilir. Ama sektör-bilir bir danışman bilir ki bu modelin çıktısı bir müşteriye açıklanamıyorsa, SEDDK uyum ve müşteri güveni açısından savunulamaz; birkaç puan doğruluk için açıklanabilirlik feda edilemez. Aynı şekilde, hasar tespitinde "otomatik ödeme" cazip görünür; ama danışman, insan onay katmanı olmadan bunun bir uyum ve itibar bombası olduğunu en baştan bilir. Bu tür kararlar, ancak sektörün acılarını yaşamış birinin öngörebileceği kararlardır.

Sektör-bilir danışmanın kattığı bir diğer değer, doğru soruları sormasıdır. "Bu use-case'in verisi hasar dosyalarında mı yoksa poliçe sisteminde mi; reasürörün bu karara itirazı olur mu; bu model bir denetimde nasıl savunulur; bu fiyat farkı ayrımcılık testinden geçer mi?" Bu soruları ancak sektörü bilen sorabilir. İyi bir danışmanın hangi özellikleri taşıması gerektiğini iyi yapay zeka danışmanı özellikleri yazısında, danışman türleri arasındaki farkı yapay zeka danışmanı türleri yazısında ele alıyoruz. Bir danışmanla mı yoksa iç ekiple mi ilerlemek gerektiğini tartan karşılaştırmayı AI danışmanlığı mı iç ekip mi ve bağımsız danışman, ajans ve iç ekip karşılaştırması yazılarında bulabilirsiniz. Danışmana tam olarak ne zaman ihtiyaç duyulduğunu ise yapay zeka danışmanına ne zaman ihtiyaç duyulur yazısında netleştiriyoruz.

Sigortacılıkta yapay zeka danışmanlığı süreci, genel danışmanlıkla aynı iskeleti taşır ama her adımı sigortanın gerçeğine göre uyarlanır. Süreç kabaca beş aşamada ilerler: keşif, önceliklendirme, tasarım, pilot ve ölçekleme. Her aşamada, teknik kararların yanında bir uyum ve yönetişim kararı da verilir; çünkü sigortada bu ikisi ayrılamaz.

Keşif aşamasında danışman, kurumun değer zincirini, veri gerçeğini, mevcut sistemlerini ve acı noktalarını haritalar. Bu aşamada "hangi model" değil, "nerede acı var ve nerede veri var" sorusu sorulur. Önceliklendirme aşamasında, keşifte çıkan adaylar iş değeri, veri hazırlığı, uyum riski ve uygulanabilirlik açısından tartılır ve bir yol haritasına dizilir. Bu iki aşama, projenin kaderini belirler; çünkü yanlış use-case seçimi, en iyi yürütmeyle bile kurtarılamaz. Genel danışmanlığın ilk 30 gününün nasıl işlediğini yapay zeka danışmanlığı süreci: ilk 30 gün yazısında ele alıyoruz.

Tasarım aşamasında veri mimarisi, model yaklaşımı, entegrasyon ve — sigortada kritik olarak — uyum ve açıklanabilirlik çerçevesi birlikte kurgulanır. Pilot aşamasında dar, ölçülebilir bir use-case gerçek veriyle hayata geçirilir ve baseline'a karşı ölçülür. Ölçekleme aşamasında ise pilotun değeri kanıtlandıktan sonra kapsam genişletilir, model yönetişimi ve izleme kurulur, ekip yetkinlikle donatılır. Bir danışmanlık ilişkisinin hizmet kapsamının nasıl tanımlandığını kurumsal yapay zeka danışmanlığı hizmet kapsamı yazısında, sürecin ücretlendirme mantığını yapay zeka danışmanlığı ücretleri 2026 yazısında bulabilirsiniz. Bir danışmanı doğru seçmenin kriterlerini ise yapay zeka danışmanı nasıl seçilir yazısı özetler; danışmanlığa dair sık sorular için yapay zeka danışmanlığı SSS rehberi kapsamlı bir başvuru kaynağıdır.

Sürecin nasıl işlediğini somutlaştırmak için tamamen illustratif bir senaryo düşünelim; buradaki sayılar gerçek bir kuruma ait değildir, yalnızca mantığı göstermek için verilmiştir. Orta ölçekli bir elementer sigorta şirketi, kasko ve konut hasar süreçlerinde yavaşlıktan ve yüksek operasyonel maliyetten şikayetçidir. Müşteri memnuniyeti hasar hızından olumsuz etkilenmekte, ekip ise belge kovalamakla zaman kaybetmektedir. Şirket, sigortacılıkta yapay zeka danışmanlığı almaya karar verir.

Keşifte danışman, hasar sürecinin en çok zamanı "ilk kayıt ve belge kontrolü" adımında kaybettiğini görür: her dosyada belgeler farklı formatta gelir, eksikler geç fark edilir ve basit dosyalar bile karmaşıklarla aynı kuyrukta bekler. Önceliklendirmede, göz alıcı bir "otomatik hasar ödeme" fikri yerine, düşük riskli ve yüksek hacimli bir başlangıç seçilir: fotoğraf ve belge temelli hasar tespiti ile triyaj. Model, gelen hasarı okuyup küçük/net dosyaları hızlı şeride, karmaşık dosyaları eksperin önüne yönlendirecektir; hiçbir ödeme insan onayı olmadan yapılmayacaktır.

Tasarımda uyum en baştan konur: model kararları açıklanabilir tutulur, her triyaj kararı denetim kaydına yazılır, kişisel ve sağlık verisi maskeleme ve erişim kontrolüyle korunur, ve müşteriye itiraz yolu bırakılır. Pilot, tek bir hasar branşında ve sınırlı bir bölgede başlatılır. Baseline önceden ölçülmüştür: hasar başına ortalama süre, ilk çözüm oranı ve basit dosyaların bekleme süresi. Pilot boyunca bu metrikler izlenir; danışman değeri tahminle değil, önce-sonra karşılaştırmasıyla gösterir.

Senaryonun öğretici yanı sonucun büyüklüğünde değil, yaklaşımın disiplinindedir. Şirket, tüm hasar sürecini birden dönüştürmeye çalışmamış; dar, ölçülebilir ve değerli bir adımla başlamış, uyumu en baştan kurmuş, insanı devrede tutmuş ve değeri ölçmüştür. Başarı kanıtlandıktan sonra kapsam, önce diğer hasar branşlarına, sonra underwriting otomasyonuna doğru genişletilir. İşte sigortacılıkta yapay zeka danışmanlığının vaat ettiği yol budur: büyük söz değil, ölçülebilir ve tekrarlanabilir adım. Bir fikrin pilottan üretime nasıl taşındığını PoC'den üretime yapay zeka projeleri yazısında derinleştiriyoruz.

Bir sigorta şirketi "başlamaya karar verdim" dediğinde, ilk 90 gün, tüm dönüşümün tonunu belirler. Bu dönemde amaç, büyük bir sistem kurmak değil; doğru temeli atmak, ilk somut değeri üretmek ve kurum içinde güven inşa etmektir. Sigortacılıkta yapay zeka danışmanlığının ilk 90 günü genellikle üç aşamaya bölünür ve her aşamanın net bir çıktısı vardır.

Nasıl Yapılır

Sigortada yapay zeka için ilk 90 gün

Bir sigorta şirketinin yapay zeka dönüşümüne sağlam bir başlangıç yapması için ilk 90 günün temel adımları.

1. 1

   Gün 1-30: Keşif ve önceliklendirme

   Değer zinciri, veri gerçeği ve acı noktaları haritalanır; use-case'ler iş değeri, veri hazırlığı ve uyum riskine göre önceliklendirilir; tek bir pilot seçilir.

2. 2

   Gün 30-60: Uyum tasarımı ve veri hazırlığı

   Seçilen pilot için SEDDK uyum ve KVKK çerçevesi, erişim kontrolü ve açıklanabilirlik en baştan tasarlanır; veri toplanır ve temizlenir; baseline metrikleri ölçülür.

3. 3

   Gün 60-90: Pilot ve ölçüm

   Dar kapsamlı pilot gerçek veriyle çalıştırılır, insan onay katmanıyla izlenir ve baseline'a karşı ölçülür; sonuçlar ve bir sonraki adımın iş gerekçesi raporlanır.

Bu 90 günün en sık atlanan ama en belirleyici parçası, uyum ve baseline'ın en baştan kurulmasıdır. Uyumu sona bırakmak, pilot başarılı olsa bile onu üretime taşınamaz kılar; baseline ölçmemek ise başarıyı kanıtlanamaz hale getirir. Bu yüzden deneyimli bir danışman, ilk günden itibaren "bunu nasıl ölçeceğiz ve nasıl uyumlu kılacağız" sorusunu sorar. Kurum içinde bir yapay zeka stratejisini nasıl oluşturacağınızı kurumsal yapay zeka stratejisi nasıl oluşturulur yazısında ele alıyoruz.

İlk 90 günün sonunda elinizde büyük bir sistem olmayabilir; ama olması gereken şey daha değerlidir: kanıtlanmış bir değer, öğrenilmiş bir yöntem ve bir sonraki adım için sağlam bir gerekçe. Sigortacılıkta yapay zeka danışmanlığının başlangıç felsefesi tam olarak budur: küçük başla, ölç, kanıtla, sonra büyüt. KOBİ ölçeğinde bir başlangıcın nasıl kurgulandığını KOBİ yapay zeka danışmanlığı yazısında, danışmanlığın somut değerini ise yapay zeka danışmanlığı değeri yazısında bulabilirsiniz.

Deneyimli bir gözle bakıldığında, başarısız sigorta yapay zeka projeleri benzer hatalarla düşer. Bu hataları önceden bilmek, sigortacılıkta yapay zeka danışmanlığının kattığı en pratik değerlerden biridir. En sık görülenler şunlardır:

• Use-case yerine teknolojiyle başlamak: "Yapay zeka kuralım" diyerek çözümü aramaya değil, problemi tanımlamaya başlamak gerekir. Teknolojiyle başlayan projeler, çözüm arayan bir soruna değil, sorun arayan bir çözüme dönüşür.
• Uyumu sona bırakmak: SEDDK uyum ve KVKK'yı "sonra hallederiz" diye ertelemek, pilot başarılı olsa bile onu üretime taşınamaz kılar. Uyum, birinci günün konusudur.
• Açıklanabilirliği feda etmek: Birkaç puan doğruluk için kara kutu bir model seçmek, sigortada müşteri ve denetim karşısında savunulamaz. Underwriting ve fiyatlamada açıklanabilirlik pazarlık konusu değildir.
• İnsanı devreden çıkarmak: Hasar veya underwriting'te insan onay katmanı olmadan tam otomasyona geçmek, hız kazandırırken adalet ve itibar riski yaratır.
• Baseline ölçmemek: Faydayı önceden ölçmeden varsaymak, projeyi ROI masasında savunmasız bırakır. Ölçülmeyen değer, olmayan değerdir.
• Veriyi küçümsemek: Sigorta verisinin dağınıklığını hafife almak, projelerin modelde değil veride takılmasına yol açar.
• Her şeyi birden dönüştürmeye çalışmak: Dar bir pilot yerine tüm süreci birden değiştirmek, kapsamın ağırlığı altında ezilmeye ve tükenmeye yol açar.

Bu hataların ortak kökü genellikle acelecilik ve sektör körlüğüdür: değeri kanıtlamadan ölçeklemek, uyumu düşünmeden kurmak ve sigortanın gerçeğini görmezden gelmek. Sektör-bilir bir danışmanın varlık nedeni, tam da bu tuzakları önceden görüp kurumu onlardan korumaktır.

Sigortacılıkta yapay zeka danışmanlığının sahada en çok karşılaştığı sürpriz, projelerin genellikle modelde değil, veride takılmasıdır. Kurumlar çoğu zaman "hangi modeli kullanalım" diye başlar; oysa gerçek darboğaz, modele verilecek verinin dağınıklığı, tutarsızlığı ve eksikliğidir. Sigorta verisi doğası gereği zordur: on yıllardır biriken poliçe kayıtları eski sistemlerde durur, hasar dosyaları belge-fotoğraf-serbest metin karışımıdır, ürün ve teminat tanımları zamanla değişmiştir ve farklı birimler aynı bilgiyi farklı biçimde tutar. Bu tabloda en gelişmiş model bile, kirli veriden temiz karar üretemez.

Veri gerçeğinin ilk boyutu erişilebilirliktir. Bir hasar tahmin modeli kurmak istiyorsanız, geçmiş hasarların temiz ve etiketli bir kaydına ihtiyacınız vardır; ama çoğu kurumda bu veri farklı sistemlere dağılmış, bir kısmı serbest metne gömülmüş ve bir kısmı hiç yapılandırılmamıştır. İkinci boyut kalitedir: eksik alanlar, tutarsız kodlamalar ve tarih içinde değişen tanımlar, modelin öğrendiği örüntüyü bozar. Veri kalitesinin ne demek olduğunu veri kalitesi nedir yazısında, veriyi yönetmenin çerçevesini ise veri yönetişimi nedir yazısında ele alıyoruz.

Bu yüzden sigortacılıkta yapay zeka danışmanlığı, çoğu projede işe modelle değil, bir veri değerlendirmesiyle başlar: hangi use-case için hangi veri var, ne kadar temiz, nasıl etiketli ve hukuken nasıl kullanılabilir. Bu "sıkıcı" ön çalışma, projenin başarısını doğrudan belirler. Deneyimli bir danışman, gösterişli bir modelin peşine düşmeden önce veri temelini sağlamlaştırır; çünkü bilir ki sigorta yapay zeka kullanım alanları listesindeki en cazip use-case bile, altındaki veri hazır değilse bir hayal kırıklığına dönüşür. Veriyi doğru hazırlayan bir ekip, ortalama bileşenlerle bile güvenilir bir sistem kurar; veriyi ihmal eden ekip, en pahalı bileşenlerle bile başarısız olur.

Sigortacılıkta yapay zeka danışmanlığını bütünsel kılan bakış, yapay zekayı tek tek use-case'ler olarak değil, poliçenin doğumundan yenilenmesine kadar uzanan bir yaşam döngüsü boyunca konumlandırmaktır. Bu döngü, bir müşterinin ilk temasından hasar sonrası sadakatine kadar birçok dokunuş noktası içerir ve her noktada yapay zeka farklı bir değer üretir. Döngüyü bir bütün olarak görmek, danışmanın "önce nereye dokunalım" kararını daha bilinçli vermesini sağlar.

Döngünün başında dağıtım ve teklif vardır: müşteri adayının doğru ürüne yönlendirilmesi, teklifin hızlandırılması ve eksik bilginin en baştan tamamlanması. Ardından underwriting gelir; burada underwriting otomasyonu, riski skorlayarak ve standart durumları hızlandırarak devreye girer. Poliçe düzenlendikten sonra operasyonel katman başlar: belge kontrolü, mutabakat ve müşteri soruları. Poliçe süresince risk önleme mümkün olabilir; örneğin bir riske ilişkin erken uyarı, hasar gerçekleşmeden müdahaleye imkân tanır. Hasar anında hasar tespiti ve dolandırıcılık kontrolü öne çıkar. Ve döngü, yenileme ve çapraz satış kararlarıyla kapanır.

Bu yaşam döngüsü bakışı iki açıdan değerlidir. Birincisi, yapay zekanın izole bir "proje" değil, sürekli bir yetenek olduğunu gösterir; bir noktada kurulan veri ve model altyapısı, komşu noktalarda tekrar kullanılabilir. İkincisi, önceliklendirmeyi kolaylaştırır: danışman, döngüde en çok acı çekilen ve en çok değer üretilebilecek noktayı işaretleyip oradan başlar. Örneğin hasar tespiti bir kurumda döngünün en pahalı adımıysa, dönüşüm oradan başlatılır ve kazanılan güvenle komşu adımlara yayılır. Bu bütünsel bakış, dağınık ve birbirinden kopuk pilotlar yerine, birbirini besleyen bir yol haritası kurmanın anahtarıdır.

Sigortanın çoğu zaman gözden kaçan ama son derece önemli bir katmanı, tekil poliçelerin ötesinde portföyün ve reasüransın yönetimidir. Bir sigorta şirketi, riski yalnızca poliçe poliçe değil, portföy düzeyinde de yönetir; hangi risklerin ne kadar biriktiğini, portföyün nasıl dengelendiğini ve reasürörle nasıl paylaşıldığını izler. Yapay zeka bu üst katmanda da değer üretir; ve sigortacılıkta yapay zeka danışmanlığı, use-case'leri seçerken bu katmanı da göz önünde tutar.

Portföy yönetiminde yapay zeka, risk birikimlerini (accumulation) daha iyi görmeye ve senaryoları daha hızlı çalıştırmaya yardımcı olur. Örneğin belirli bir coğrafyada veya risk türünde biriken maruziyeti önceden görmek, hem fiyatlama hem de reasürans kararlarını iyileştirir. Aktüeryal tarafta ise yapay zeka, klasik modellerin yanında ek bir tahmin gücü sunar: daha çok değişkeni birlikte değerlendirmek, doğrusal olmayan ilişkileri yakalamak ve stres senaryolarını hızlandırmak. Bu, aktüeri işsiz bırakmaz; aksine, onun yargısını daha zengin bir analizle destekler.

Ancak bu üst katman, en yüksek yorumlanabilirlik beklentisini taşır; çünkü buradaki kararlar hem büyük finansal etki yaratır hem de denetim ve reasürör gözünde savunulabilir olmalıdır. Bu yüzden portföy ve aktüeryal modellemede yapay zeka, açıklanabilirlik ve doğrulama süreçleriyle birlikte kurulur. Danışmanın buradaki katkısı, teknolojiyi aktüeryal disipline saygı gösterecek biçimde entegre etmektir; çünkü sigortada güven, bir modelin ne kadar akıllı olduğundan çok, kararlarının ne kadar savunulabilir olduğundan doğar. Makine öğrenmesinin bu tahmin gücünü nasıl ürettiğini makine öğrenmesi nedir yazısında bulabilirsiniz.

Sigortacılıkta yapay zeka danışmanlığının en hassas alanı, sağlık ve hayat sigortasıdır; çünkü burada işlenen veri, çoğu zaman kişinin sağlık durumuna ilişkin özel nitelikli kişisel veridir. KVKK, sağlık verisi gibi özel nitelikli verileri daha yüksek bir koruma eşiğiyle ele alır; bu, sağlık ve hayat branşlarında yapay zeka kurgusunun en baştan çok daha dikkatli tasarlanmasını gerektirir. Bu alanda hız veya doğruluk uğruna atılacak bir uyum adımı, hem hukuki hem itibari açıdan ağır sonuçlar doğurabilir.

Bu hassasiyet birkaç somut tasarım kararına yansır. Birincisi, veri minimizasyonudur: modelin yalnızca gerçekten ihtiyaç duyduğu veriyi işlemesi, gereksiz sağlık ayrıntılarını toplamaması. İkincisi, maskeleme ve anonimleştirmedir: kimliği doğrudan açık eden bilgilerin, modele girmeden önce gizlenmesi. Bu tekniklerin nasıl uygulandığını yapay zeka veri anonimleştirme ve maskeleme ve veri anonimleştirme nedir yazılarında ele alıyoruz. Üçüncüsü, sıkı erişim kontrolüdür: sağlık verisine kimin, hangi amaçla ve ne kadar süre erişebileceğinin en baştan tanımlanması.

Sağlık ve hayat sigortasında bir başka kritik başlık, ayrımcılık ve adalettir. Sağlık verisine dayanan bir risk modeli, farkında olmadan belirli sağlık durumlarına veya demografik gruplara karşı sistematik bir dezavantaj öğrenebilir; bu, hem etik hem hukuki açıdan savunulamaz bir sonuçtur. Bu yüzden bu branşlarda modeller, ayrımcılık testleri ve insan gözetimiyle birlikte kurulur. Sigortacılıkta yapay zeka danışmanlığı, sağlık ve hayat sigortasında teknolojiyi mahremiyet ve adaletin hizmetine sokacak biçimde tasarlar; çünkü burada müşterinin en özel bilgisi söz konusudur ve güven, bir kez kaybedilirse geri kazanılması en zor varlıktır. Bu çerçeve bilgilendirme amaçlıdır; her somut uygulama, kurumun hukuk ve uyum birimiyle birlikte değerlendirilmelidir.

Sigorta şirketleri yapay zekaya yatırım yaparken sık sorulan bir soruyla karşılaşır: bu yeteneği kendimiz mi kuralım (build), hazır bir çözüm mü alalım (buy), yoksa ikisini birleştirelim mi (assemble)? Sigortacılıkta yapay zeka danışmanlığının önemli bir katkısı, bu kararı moda veya satıcı baskısıyla değil, kurumun gerçeğiyle vermektir. Doğru cevap tek değildir; use-case'e, veri hassasiyetine, uyum gereksinimine ve kurumun iç yetkinliğine göre değişir.

Hazır çözüm satın almanın (buy) avantajı hızdır: olgun bir ürün, kısa sürede değer üretebilir ve iç geliştirme yükü getirmez. Dezavantajı, kurumun özel süreçlerine ve verisine tam uymayabilmesi ve uyum/veri egemenliği açısından kısıt yaratabilmesidir. Kendi kurmanın (build) avantajı, tam kontrol ve kuruma özel uyumdur; dezavantajı, zaman, maliyet ve sürekli bakım yüküdür. Çoğu olgun kurum, üçüncü yolu — bileşenleri birleştirmeyi (assemble) — seçer: hazır parçaları kendi verisi ve süreciyle bir araya getirmek. Bu kararın çerçevesini kurumsal AI build vs buy ve build, buy, assemble kararı yazılarında ayrıntılandırıyoruz.

Sigorta bağlamında bu kararı belirleyen en kritik faktör genellikle uyum ve veridir. Kişisel ve sağlık verisi içeren, SEDDK uyum beklentisi yüksek bir use-case, veriyi kurum dışına çıkarmayı zorlaştırır ve bu da tercihleri veri egemenliğini koruyan mimarilere yöneltir. Buna karşılık, düşük riskli ve standart bir use-case için hazır bir çözüm yeterli olabilir. Danışmanın işi, her use-case için bu dengeyi ayrı ayrı tartmak ve kurumu ne aşırı bağımlılığa ne de gereksiz iç geliştirme yüküne mahkûm etmemektir. Karar, "en yeni teknoloji" değil, "bu use-case için en dayanıklı ve en uyumlu" seçenektir.

Sigortanın ürünü bir vaattir: "kötü gün geldiğinde yanında olacağım" sözü. Bu yüzden sigortada güven, diğer birçok sektörden daha merkezi bir varlıktır; ve yapay zeka, bu güveni hem güçlendirebilir hem de zedeleyebilir. Sigortacılıkta yapay zeka danışmanlığı, teknolojiyi yalnızca verimlilik aracı olarak değil, aynı zamanda bir güven meselesi olarak ele alır. Çünkü müşteri, kararlarının nasıl verildiğini anlamadığı bir sistemden hızla soğur.

Şeffaflık burada iki yönlüdür. Birincisi, müşteriye karşı şeffaflıktır: bir teklifin, primin veya hasar kararının nasıl oluştuğunu anlaşılır biçimde açıklayabilmek. Müşteri "primim neden bu kadar" diye sorduğunda, ona insan diliyle, gerekçeli bir yanıt verebilmek, güveni artırır. İkincisi, yapay zeka kullanımına dair şeffaflıktır: müşterinin, bir yapay zeka sistemiyle mi yoksa insanla mı etkileşimde olduğunu bilmesi ve gerektiğinde bir insana ulaşabilmesi. Bu, sorumlu yapay zekanın temel ilkelerindendir; konuyu sorumlu yapay zeka nedir yazısında ele alıyoruz.

Güveni koruyan bir diğer unsur, hata durumunda tutarlı davranmaktır. Hiçbir sistem kusursuz değildir; önemli olan, yapay zeka bir hata yaptığında bunu fark eden, düzelten ve müşteriye adil davranan bir sürecin var olmasıdır. Bir müşteriye yanlış bir teminat bilgisi verilmesi veya bir hasarın haksızca reddedilmesi, sadece o dosyayı değil, kuruma olan güveni zedeler. Bu yüzden sigortacılıkta yapay zeka danışmanlığı, teknolojiyi her zaman bir insan gözetimi ve itiraz mekanizmasıyla birlikte tasarlar. Yapay zekanın operasyonel etik ilkelerini AI etik ilkeleri operasyonda yazısında bulabilirsiniz. Sonuçta güven, sigortanın en değerli sermayesidir; yapay zeka bu sermayeyi büyütmeli, harcamamalıdır.

İyi bir danışmanlık ilişkisinin amacı, kurumu kalıcı biçimde danışmana bağımlı kılmak değil; ona kendi ayakları üzerinde durabileceği bir yetkinlik kazandırmaktır. Sigortacılıkta yapay zeka danışmanlığının uzun vadeli başarısı, projeler bittiğinde kurumun içinde ne kaldığıyla ölçülür: eğitilmiş bir ekip, kurulmuş bir yönetişim ve yapay zekayı doğru okuyan bir kültür. Teknoloji gelip geçer; kalıcı olan, kurumun yeni yetenekle çalışabilme kapasitesidir.

Bu kapasitenin ilk bileşeni eğitimdir. Underwriting, hasar, aktüerya ve BT ekiplerinin yapay zekayı yalnızca kullanmayı değil, sınırlarını ve risklerini anlamayı öğrenmesi gerekir; çünkü bir aracı bilinçli kullanmak, onu körü körüne uygulamaktan çok daha değerlidir. Kurumsal eğitimin bu yetkinliği nasıl kazandırdığını kurumsal yapay zeka eğitimi nedir yazısında ele alıyoruz. İkinci bileşen yönetişimdir: model envanteri, izleme ve karar sorumluluğunun kurum içinde kalıcı bir sürece dönüşmesi. Üçüncü bileşen ise kültürdür — yapay zekayı ne bir tehdit ne de sihirli bir değnek olarak gören, ölçmeye ve sorgulamaya dayalı bir çalışma kültürü.

Kültürel dönüşüm çoğu zaman teknik dönüşümden daha zordur; çünkü insanların alışkanlıklarını ve güven duygusunu değiştirmeyi gerektirir. Bir underwriter'ın bir model önerisine güvenmesi, bir hasar uzmanının otomasyonu bir tehdit değil bir kaldıraç olarak görmesi, zaman ve doğru iletişim ister. Danışmanın buradaki rolü, teknolojiyi kurmak kadar, bu geçişi insani biçimde yönetmektir. Kurumun yapay zeka olgunluğunu bir çerçeveye oturtmak için kurumsal AI olgunluk modeli yazısına bakabilirsiniz. Sonuçta bir dönüşümün gerçek ölçüsü, kurulan model sayısı değil; kurumun yapay zekayı sürdürülebilir, güvenli ve ölçülü biçimde kullanabilme yetkinliğidir.

Bir sigorta şirketi sigortacılıkta yapay zeka danışmanlığı almaya karar verdiğinde, teknik sorular kadar ticari sorular da netleşmelidir: bu iş ne kadar sürer, nasıl ücretlendirilir, hangi çıktılar teslim edilir ve başarı nasıl tanımlanır. Bu beklentilerin en baştan yazılı ve net biçimde tanımlanması, hem kurumu hem danışmanı korur; belirsiz bir kapsam, çoğu zaman hayal kırıklığının ve boşa harcanan kaynağın asıl nedenidir. İyi bir danışmanlık ilişkisi, muğlak bir "yapay zeka kuralım" vaadiyle değil, ölçülebilir çıktılara bağlı net bir kapsamla başlar.

Bütçe tarafında sigorta bağlamının kendine özgü kalemleri vardır. Danışmanlık ücretinin ötesinde, veri hazırlığı, entegrasyon, uyum çalışması ve — sıklıkla unutulan — modelin üretimdeki sürekli izleme ve bakım maliyeti hesaba katılmalıdır. Yapay zeka projelerinde en büyük ticari hata, projeyi tek seferlik bir kurulum gibi bütçelemek; oysa gerçek maliyet, sistemin zaman içinde bakımını da içerir. Danışmanlığın ücretlendirme mantığını yapay zeka danışmanlığı ücretleri 2026 yazısında, bir danışmanlık sözleşmesinde nelerin tanımlanması gerektiğini ise yapay zeka danışmanlığı sözleşmesi yazısında ele alıyoruz.

Beklenti yönetiminin en kritik parçası, "yapay zeka her şeyi çözer" hayaliyle "yapay zeka işe yaramaz" karamsarlığı arasında gerçekçi bir orta yol kurmaktır. Sigortacılıkta yapay zeka danışmanlığının dürüst duruşu, ne aşırı vaat ne de gereksiz kuşkudur; ölçülebilir, sınırlı ve kanıta dayalı bir ilerlemedir. Danışman, ilk günden itibaren "bu pilottan ne bekleyebiliriz, ne bekleyemeyiz" sorusunu açıkça yanıtlar; çünkü yanlış yönetilen bir beklenti, teknik olarak başarılı bir projeyi bile başarısız gösterebilir. Kurumunuza özel bir kapsam ve yol haritası konuşmak için bir görüşme planlayabilir veya danışmanlık sayfasından süreci inceleyebilirsiniz. Net bir kapsam, gerçekçi bir bütçe ve dürüst bir beklenti; başarılı bir sigorta yapay zeka dönüşümünün görünmeyen ama en sağlam temelidir.

ROI, bir projenin finansal getirisini gösterir; ama sigortacılıkta yapay zeka danışmanlığının başarısı yalnızca paraya indirgenemez. Sağlıklı bir başarı ölçümü, üç ayrı düzeyi birlikte izler: iş sonucu, model sağlığı ve benimseme. Bu üçü birlikte ölçülmediğinde, bir proje kağıt üzerinde başarılı görünürken sahada sessizce çürüyebilir. Danışmanın kattığı disiplin, tam da bu çok boyutlu ölçümü en baştan kurmaktır.

Birinci düzey iş sonucudur ve konuya göre değişir: hasar tarafında işlem süresi ve sızıntı, underwriting tarafında dönüşüm ve risk kalitesi, dolandırıcılık tarafında önlenen kayıp ve yanlış alarm oranı. İkinci düzey model sağlığıdır; bu, çoğu kurumun ihmal ettiği ama en kritik izleme katmanıdır. Bir model, kurulduğu gün iyi çalışıp zamanla bozulabilir; çünkü dünya değişir, veri kayar ve dünkü örüntü bugün geçersiz olabilir. Bu "model kayması" izlenmezse, sistem yanlış kararları güvenle üretmeye başlar. Üçüncü düzey benimsemedir: en iyi sistem bile, underwriter'lar ve hasar uzmanları onu kullanmıyorsa değer üretmez. Kullanım oranı, güven ve kullanıcı geri bildirimi, başarının görünmeyen ama belirleyici göstergeleridir.

Bu üç düzeyi izlemek, başarıyı bir anlık fotoğraf değil, süregelen bir film olarak görmek demektir. Sigortacılıkta yapay zeka danışmanlığı, projeyi teslim edip gitmez; ölçüm çerçevesini, izleme panosunu ve iyileştirme döngüsünü kurar ki değer zamanla korunsun ve büyüsün. Bir yapay zeka projesinin neden başarısız olduğunu genel çerçevede yapay zeka yatırımlarında başarısızlık nedenleri yazısında ele alıyoruz; sigortada da benzer örüntüler geçerlidir. Ölçmeyen bir kurum, iyileştiremez; iyileştiremeyen bir sistem ise kaçınılmaz olarak bozulur. Bu yüzden başarı ölçümü, danışmanlığın bir eki değil, çekirdeğidir.

Türkiye'de sigortanın büyük bir kısmı acente ve broker ağı üzerinden dağıtılır; bu yüzden sigortacılıkta yapay zeka danışmanlığı, dağıtım kanalını göz ardı edemez. Yapay zeka, yalnızca merkez ofiste değil, müşteriyle yüz yüze gelen bu ağda da önemli bir kaldıraç sunar. Doğru kurgulandığında acentenin işini kolaylaştırır, satışı hızlandırır ve müşteriye daha isabetli bir hizmet imkânı verir; yanlış kurgulandığında ise izin ve gizlilik ihlallerine kapı aralar.

Acente tarafında yapay zeka birkaç biçimde değer üretir. Birincisi, doğru ürün önerisidir: bir müşterinin ihtiyacına en uygun teminatı ve çapraz satış fırsatını acenteye önermek. İkincisi, teklif hızıdır: başvuru verisini otomatik toplayıp eksikleri işaretleyerek teklif sürecini kısaltmak; bu, sigorta yapay zeka kullanım alanları içinde acentenin en çok hissettiği kolaylıktır. Üçüncüsü, bilgi erişimidir: acentenin ürün, teminat ve süreç sorularına, kaynağa dayalı doğru yanıt veren bir asistan sunmak. Böylece acente, kalın kılavuzlar arasında kaybolmadan doğru bilgiye anında ulaşır.

Ancak dağıtım kanalında yapay zeka, pazarlama izni ve veri paylaşımı kurallarıyla dikkatle uyumlanmalıdır. Müşteriye ulaşımda İleti Yönetim Sistemi (İYS) ve KVKK yükümlülükleri, çapraz satış önerilerinin ve iletişimin sınırlarını çizer. Bir başka hassasiyet, acentenin müşteri verisini nasıl işlediği ve bu verinin merkezle nasıl paylaşıldığıdır. Sigortacılıkta yapay zeka danışmanlığı, dağıtım kanalındaki bu fırsat ve riskleri birlikte tasarlar; teknolojiyi acentenin işini kolaylaştıracak ama müşteri güvenini ve uyumu koruyacak biçimde kurar. Çünkü acente ağı, sigortanın hem büyüme motoru hem de en yakın müşteri temas noktasıdır; buradaki her hata, doğrudan müşteri deneyimine yansır.

Yapay zeka hızla, tek bir soruyu yanıtlayan araçlardan, çok adımlı görevleri yürütebilen ajanlara doğru evriliyor. Bu yapay zeka ajanları (AI agent), sigortada cazip bir gelecek vaat ediyor: bir hasar dosyasını baştan sona takip eden, eksik belgeyi isteyen, kuralları kontrol eden ve bir öneri hazırlayan otonom akışlar. Sigortacılıkta yapay zeka danışmanlığı, bu geleceğe heyecanla değil, dikkatle yaklaşır; çünkü otonomi arttıkça, hata ve uyum riski de artar. Ajan mimarilerinin temelini AI agent nedir ve agentic AI nedir yazılarında ele alıyoruz.

Sigortada bir yapay zeka ajanı, tek bir modelin ötesinde, birbirine bağlı adımları planlayıp yürüten bir sistemdir: veri topla, kuralı kontrol et, gerekirse ek bilgi iste, sonucu hazırla. Bu, doğru kurgulandığında büyük verimlilik sunar; ama sigortanın regüle doğası, otonomiye net sınırlar koymayı zorunlu kılar. Müşteriyi doğrudan etkileyen kararlarda — bir hasarın reddi, bir primin belirlenmesi — nihai söz her zaman insanda kalmalıdır. Ajan hazırlar, önerir ve hızlandırır; ama karar veren ve sorumluluğu taşıyan insan gözetimidir. Otonomi seviyelerini ve bunların getiri-risk dengesini kurumsal AI ajan otonomi seviyeleri yazısında derinleştiriyoruz.

Bu yüzden sigortada ajan mimarilerine geçiş, kademeli ve ölçülü olmalıdır. Doğru yol, önce dar ve düşük riskli bir görevde — örneğin belge toplama ve eksik kontrolü gibi kararı doğrudan müşteriyi etkilemeyen bir adımda — ajanı denemek, güven ve yönetişim biriktirdikçe kapsamı genişletmektir. Otonomiyi baştan yüksek tutmak, sigortada hem uyum hem itibar açısından tehlikelidir. Sigortacılıkta yapay zeka danışmanlığının buradaki katkısı, teknolojinin cazibesine kapılmadan, her otonomi adımını uyum, açıklanabilirlik ve insan gözetimiyle dengelemektir. Geleceğin sigortası daha otonom olacaktır; ama bu otonomi, güven ve denetim temeli üzerine kurulduğu ölçüde değerlidir.

Türkiye sigorta piyasası rekabetçidir ve yapay zeka, bu rekabette giderek belirleyici bir ayrışma noktasına dönüşüyor. Ancak buradaki avantaj, "yapay zeka kullanıyor olmaktan" değil, onu rakiplerden daha iyi kurgulamaktan doğar. Herkesin erişebildiği bir modeli kullanmak bir üstünlük sağlamaz; asıl fark, kurumun kendi verisi, kendi süreç bilgisi ve kendi uyum disipliniyle kurduğu, taklit edilmesi zor bir sistemden gelir. Sigortacılıkta yapay zeka danışmanlığının stratejik değeri, tam da bu taklit edilemez avantajı inşa etmektir.

Rekabet avantajı üç katmanda birikir. Birincisi hızdır: daha hızlı teklif ve daha hızlı hasar, müşteri gözünde somut bir farktır. İkincisi isabettir: daha iyi risk seçimi ve daha adil fiyat, uzun vadede birleşik rasyoyu iyileştirerek kârlı büyümeyi mümkün kılar. Üçüncüsü ve en kalıcısı güvendir: adil, şeffaf ve açıklanabilir kararlar veren bir sigortacı, müşteri sadakatinde rakiplerinden ayrışır. Bu üç katman, dağınık tekil projelerle değil, tutarlı bir yol haritasıyla biriktirilir.

Bu yüzden rekabet avantajı, tek bir gösterişli projeyle değil, sürdürülebilir bir yetenekle kurulur. Yapay zekayı bir kampanya gibi değil, bir kas gibi düşünmek gerekir: düzenli çalıştıkça güçlenen, ihmal edildikçe zayıflayan bir kapasite. Sigortacılıkta yapay zeka danışmanlığının nihai hedefi, kuruma bir araç satmak değil; onu, yapay zekayı rakiplerinden daha olgun, daha uyumlu ve daha ölçülü kullanan bir kuruma dönüştürmektir. Gerçek avantaj, en yeni teknolojiye sahip olmakta değil; onu en doğru soruna, en doğru sırayla ve en sağlam uyum temeliyle uygulayabilmektedir.

Sigortacılıkta yapay zeka danışmanlığı ne sağlar?

Sigortacılıkta yapay zeka danışmanlığı, bir sigorta şirketine yapay zekayı nerede ve nasıl uygulayacağını uçtan uca gösterir. Danışman önce underwriting, hasar, fiyatlama, dolandırıcılık tespiti ve müşteri operasyonları arasından değer üretecek use-case'leri önceliklendirir; sonra veri ve model mimarisini, SEDDK uyum ile KVKK yükümlülüklerini, pilot tasarımını ve ROI ölçümünü tek bir yol haritasında birleştirir. Sağladığı asıl değer, teknolojiyi sigortanın aktüeryal, hukuki ve operasyonel gerçekleriyle hizalayıp riski yöneterek, pilotta kalmayan ve gerçekten üretime geçen projeler kurmaktır.

Bu sektörde hangi use-case'ler öncelikli?

Sigortada en yüksek getirili use-case'ler genellikle hasar ve underwriting etrafında toplanır. Hasar tarafında belge ve fotoğraf temelli hasar tespiti, ilk kayıt otomasyonu ve dolandırıcılık sinyalleri; underwriting tarafında underwriting otomasyonu, risk skorlama ve eksik bilgi tespiti öne çıkar. Bunları fiyatlandırma, müşteri hizmetleri otomasyonu ve dağıtım desteği tamamlar. Öncelik, sadece teknik olgunlukla değil; veri hazırlığı, regülasyon riski ve iş değeri birlikte tartılarak bir önceliklendirme matrisiyle belirlenir. Doğru sıra, dar ama ölçülebilir bir pilotla başlamaktır.

Neden sektör-bilir danışman seçmeli?

Çünkü sigorta, genel bir yazılım projesinden farklı olarak aktüeryal mantık, poliçe yaşam döngüsü, reasürans, hasar rezervi ve yoğun bir denetim beklentisi taşır. Sektör-bilir bir danışman, otomatik bir underwriting veya hasar kararının SEDDK uyum ve KVKK açısından ne anlama geldiğini, açıklanabilirlik ve itiraz hakkının nasıl kurulacağını, modelin ayrımcılık yaratmadan nasıl fiyatlayacağını en baştan bilir. Bu bilgi, genel bir ekibin ancak pahalı hatalarla öğreneceği şeyleri önceden yönetir; böylece proje hem daha hızlı hem daha güvenli ilerler.

Underwriting otomasyonu insan eksperin yerini alır mı?

Hayır; sağlıklı kurgu, underwriting otomasyonunu ikame değil, kaldıraç olarak kullanır. Yapay zeka, standart ve düşük riskli poliçeleri hızlıca değerlendirip eksik bilgiyi işaretler ve riski skorlar; underwriter ise sınır durumlar, karmaşık riskler ve istisnalar üzerinde uzmanlığını yoğunlaştırır. Bu insan-üstünde-kontrol modeli hem hızı hem kaliteyi artırır ve regülasyon açısından da önemlidir; çünkü müşteriyi doğrudan etkileyen kararlarda insan gözetimi ve açıklanabilirlik beklenir.

SEDDK uyum ve KVKK açısından nelere dikkat edilmeli?

Sigortacılıkta yapay zeka, müşteriyi doğrudan etkileyen risk, fiyat ve hasar kararları ürettiği için uyum en baştan tasarlanmalıdır. SEDDK uyum tarafında modelin kararlarının açıklanabilir, denetlenebilir ve sorumluluğu tanımlı olması; KVKK tarafında kişisel ve sağlık gibi özel nitelikli verilerin hukuka uygun işlenmesi, amaçla sınırlılık, saklama ve erişim kontrolü öne çıkar. Otomatik kararlara itiraz ve insan müdahalesi yolu bırakmak, ayrımcılık riskini ölçmek ve denetim kaydı tutmak kritik başlıklardır. Bu çerçeve bilgilendirme amaçlıdır, hukuki tavsiye değildir.

Sigortacılıkta yapay zeka projesinin ROI'si nasıl ölçülür?

ROI, teknoloji üzerinden değil iş sonuçları üzerinden ölçülür ve mutlaka bir başlangıç referansı gerektirir. Hasar tarafında hasar başına işlem süresi, ilk çözüm oranı, sızıntı ve dolandırıcılık kaynaklı kayıp; underwriting tarafında teklif-poliçe dönüşümü, risk seçimi kalitesi ve birleşik rasyoya etki başlıca göstergelerdir. Danışman, projeden önce bu metrikleri ölçer, pilotta değişimi izler ve değeri tahminle değil kanıtla savunur. En sık hata, faydayı ölçmeden varsaymaktır.

Kısaca, sigortacılıkta yapay zeka danışmanlığı; bir sigorta şirketinin underwriting, hasar, fiyatlama ve dolandırıcılık gibi çekirdek alanlarında yapay zekayı ölçülebilir değere çeviren, bunu SEDDK uyum ve KVKK çerçevesinde güvenli ve açıklanabilir biçimde kurgulayan uzman rehberliktir. En yüksek getiri genellikle hasar tespiti ve underwriting otomasyonunda doğar; ama doğru başlangıç, tüm şirketi değil, dar ve ölçülebilir bir pilotu dönüştürmektir. Sektörün asıl kısıtı teknoloji değil, regülasyon ve açıklanabilirliktir; bu yüzden sektör-bilir bir danışman, genel bir ekibin göremediği riskleri en baştan yönetir.

En önemli mesaj şudur: sigorta yapay zeka kullanım alanları geniştir, ama değer, doğru use-case'i doğru sırayla ve doğru uyum çerçevesiyle hayata geçirmekten gelir. Underwriting otomasyonu, hasar tespiti ve SEDDK uyum bir arada, ölçülebilir bir yol haritasında buluştuğunda; yapay zeka bir gösteri olmaktan çıkıp kurumsal bir varlığa dönüşür. Sigortacılıkta yapay zeka danışmanlığı, tam da bu sırayı kurumun risk iştahına, aktüeryal gerçeklerine ve denetleyici beklentilerine göre belirleyen; teknolojiyi değil ölçülebilir iş sonucunu merkeze alan bir disiplindir. Bu dönüşümü kurumunuza özel bir yol haritasıyla tasarlamak için yapay zeka danışmanlığı hizmetiyle başlayabilir, ekiplerinizin yetkinliği için kurumsal eğitim seçeneklerini inceleyebilir ve tüm kavramları öğrenme merkezinde derinleştirebilirsiniz. Sektörün teknik detayına inmek isterseniz underwriting ve hasar sektörel derinlik rehberi tamamlayıcı bir kaynaktır; bir görüşme ayarlamak için ise iletişim sayfasından ulaşabilirsiniz.