Yapay Zeka Mükemmeliyet Merkezi (AI CoE): Pilottan Üretime, Agentic İş Gücüne

TL;DR — Kurumların çoğu artık bir sürü yapay zeka pilotu çalıştırıyor ama çok azı bunları ölçekli, güvenli ve değer üreten üretim sistemlerine dönüştürebiliyor. Aradaki köprü, bir Yapay Zeka Mükemmeliyet Merkezi (AI CoE): iş hedefleriyle teknik uygulamayı birbirine bağlayan, stratejiyi tanımlayan, yönetişimi kuran ve pilotları üretime taşıyan merkezî, çapraz-fonksiyonel bir ekip. Gartner'a göre 2026'da şirketlerin %40'ı görev-özel yapay zeka ajanları kullanacak (2025'te bu oran %5'in altındaydı). Bu yazıda bir CoE'yi neden, nasıl kuracağınızı, agentic iş gücünü nasıl yöneteceğinizi ve Türkiye bağlamında (KVKK, yetenek, bütçe) nelere dikkat edeceğinizi sahadan anlatıyorum.

Sahada en sık gördüğüm manzara şu: bir kurum heyecanla yapay zekaya başlıyor, birkaç departman kendi küçük pilotunu kuruyor, güzel demolar çıkıyor, herkes etkileniyor. Sonra aylar geçiyor ve o pilotların hiçbiri gerçekten üretime geçmiyor, ölçeklenmiyor, kalıcı değer üretmiyor. Buna "pilot bataklığı" diyorum — bir sürü umut verici başlangıç, ama hiçbiri finish çizgisini geçemiyor.

Bunun nedeni yetenek eksikliği ya da yanlış model seçimi değil genellikle. Asıl neden yapısal: pilotlar dağınık, koordinasyonsuz ve tekrar eden çabalarla yürütülüyor. Bir departman veri gizliliği sorununu çözüyor, ama çözümünü başka departmanla paylaşmıyor; bir ekip bir değerlendirme yöntemi kuruyor, ama diğerleri sıfırdan başlıyor; her pilot kendi güvenlik, uyum ve altyapı kararlarını yeniden veriyor. Sonuç: tekrar tekrar aynı tekerlek icat ediliyor, hiçbiri üretim kalitesine ulaşamıyor ve kurum bir sürü çaba harcamasına rağmen bütünsel bir yetenek geliştiremiyor.

İşte AI CoE tam bu yapısal soruna cevap. Dağınık çabaları merkezileştiren, ortak standartları kuran, tekrarı önleyen ve pilottan üretime geçişi sistematik hale getiren bir yapı. Amaç, her departmanın yaratıcılığını öldürmek değil; onlara sağlam bir ortak zemin sunarak hızlarını ve başarı oranlarını artırmak. Sahada gördüğüm en net örüntü şu: aynı bütçeyle, aynı yetenekle çalışan iki kurumdan, disiplinli bir CoE'si olan, dağınık ilerleyeni her seferinde geride bırakıyor. Fark, kaynakta değil, koordinasyonda.

Bir AI CoE'yi, "iş hedefleri ile teknik uygulama arasındaki köprü" olarak tanımlıyorum. Merkezî, çapraz-fonksiyonel bir ekip; görevi, kurumun yapay zeka stratejisini tanımlamak, yönetişim çerçevelerini kurmak ve projeleri pilottan kurumsal-ölçekli üretime taşımak için gereken teknik standartları belirlemek.

Dikkat edin, bu bir "yapay zeka polisi" değil. CoE'nin işi departmanların önünü kesmek, her kararı onaylamak ya da tüm yapay zeka çalışmasını tek bir yere hapsetmek değil. Tam tersine, iyi bir CoE bir kolaylaştırıcıdır: departmanların kendi yapay zeka projelerini daha hızlı, daha güvenli ve daha başarılı biçimde yürütmelerini sağlayan ortak altyapı, standart ve rehberliği sunar. Merkez, tekrar eden zor işleri (güvenlik, uyum, değerlendirme altyapısı, model erişimi) bir kez çözer; departmanlar da bu hazır zemin üzerinde kendi iş değerlerini üretir.

2026'da bu yapının artık bir seçenek değil, bir zorunluluk olduğunu düşünüyorum. Yapay zeka rekabet avantajının merkezine oturdukça, dağınık ve koordinasyonsuz bir yaklaşımla ilerlemek, kaynakları boşa harcamak ve rakiplerin gerisinde kalmak demek. Resmî bir CoE, kurumun yapay zeka çabasına omurga kazandırır.

Zamanlamanın neden önemli olduğunu rakamlarla anlatayım. Gartner'ın öngörüsüne göre, 2026'da şirketlerin %40'ı uygulamalarında görev-özel yapay zeka ajanları kullanacak — oysa bu oran 2025'te %5'in altındaydı. Yani sadece bir yılda, ajanlar niş bir deneyden yaygın bir kurumsal araca dönüşüyor. Ve Gartner, agentic yapay zekanın 2028'de kurumsal uygulamaların üçte birine katılacağını öngörüyor.

Bu, CoE için ne anlama geliyor? Şu ana kadar yapay zeka çoğunlukla "insan bir aracı kullanır" biçimindeydi — bir kişi ChatGPT'ye soru sorar, bir cevap alır. Ama agentic çağda yapay zeka, kendi başına çok adımlı görevler yürüten, kararlar veren, sistemlerle etkileşen bir "dijital iş gücüne" dönüşüyor. Bu, tümüyle yeni bir yönetişim, güvenlik ve gözetim ihtiyacı yaratıyor. Dağınık pilotlarla bu karmaşıklığı yönetemezsiniz; merkezî bir yapı, standartlar ve gözetim şart.

Yani 2026, birçok kurum için "deneme" aşamasından "ölçekli üretim" aşamasına geçiş yılı. Ve bu geçişi disiplinli bir CoE ile yapanlar, dağınık çaba içinde boğulanların çok önüne geçecek. Zamanlama tesadüf değil; ajanların yaygınlaşması, tam da yapıyı kurmanız gereken anı işaret ediyor.

Peki bir CoE somut olarak ne yapar? Sahada işe yarayan bir CoE'nin birkaç temel işlevini paylaşayım.

Strateji ve önceliklendirme. CoE, kurumun yapay zeka stratejisini iş hedefleriyle hizalar ve hangi kullanım senaryolarının önce ele alınacağını belirler. Bu, "her parlak fikri deneyelim" kaosunu önler; kaynakları en yüksek değerli ve en uygulanabilir işlere yönlendirir. İyi bir önceliklendirme, bir CoE'nin en değerli çıktılarından biri.

Yönetişim ve risk. CoE, güvenlik, uyum (KVKK, sektörel düzenlemeler), etik ve risk yönetimi çerçevelerini kurar. Her departmanın bunları sıfırdan çözmesi yerine, merkez ortak bir güvenli zemin sunar. Bu, hem riski azaltır hem hızı artırır.

Teknik standartlar ve altyapı. Model erişimi, değerlendirme altyapısı, gözlemlenebilirlik, dağıtım hatları gibi tekrar eden teknik ihtiyaçları CoE bir kez kurar. Departmanlar bu hazır altyapı üzerinde çalışır, her seferinde yeniden inşa etmez.

Yetenek ve kültür. CoE, kurumun yapay zeka okuryazarlığını yükseltir; eğitim programları, iç topluluklar ve bilgi paylaşımı yoluyla yeteneği yayar. Yapay zeka, birkaç uzmanın tekelinde kalırsa ölçeklenmez; CoE bu bilgiyi kuruma yayar.

Değer ölçümü. CoE, yapay zeka yatırımlarının gerçekten değer üretip üretmediğini ölçer. Hangi projeler ROI sağlıyor, hangileri sağlamıyor? Bu ölçüm olmadan, kurum neye yatırım yaptığını ve neyin işe yaradığını bilemez.

"

Sahadan gözlem: Bu işlevlerden birini bile atlarsanız, CoE topal kalır. Sadece teknik altyapı kurup yönetişimi atlarsanız, ölçeklenirken risk biriktirirsiniz. Sadece strateji yapıp altyapı kurmazsanız, güzel planlar üretim gerçekliğine çarpar. İyi bir CoE, bu işlevleri dengeli biçimde bir arada yürütür.

CoE kurarken en kritik yapısal karar, ne kadar merkezî olacağı. İki uç var ve ikisi de tek başına sorunlu.

Tamamen merkezî model: tüm yapay zeka çalışması tek bir ekipte toplanır. Avantajı: tutarlılık, kontrol, tekrarın önlenmesi. Dezavantajı: darboğaz olur, departmanların iş bilgisinden kopar, ve "fildişi kule" haline gelip gerçek iş ihtiyaçlarına yabancılaşabilir. Tamamen dağıtık model: her departman kendi yapay zeka çalışmasını bağımsız yürütür. Avantajı: iş bilgisine yakınlık, hız. Dezavantajı: tam da başta anlattığım pilot bataklığı — tekrar, koordinasyonsuzluk, tutarsız standartlar.

Sahada en iyi çalışan, ikisinin ortası olan federatif (hub-and-spoke) model. Merkez (hub), ortak standartları, altyapıyı, yönetişimi ve rehberliği sağlar; departmanlardaki dağıtık ekipler (spokes) ise kendi iş alanlarına özgü yapay zeka çözümlerini bu ortak zemin üzerinde geliştirir. Böylece hem merkezî tutarlılık hem yerel çeviklik korunur. Merkez "nasıl" sorusunu standartlaştırır, departmanlar "ne" sorusunu kendi bağlamlarında yanıtlar. Bu denge, çoğu kurum için en sürdürülebilir yapı.

2026'nın yeni zorluğu, yapay zekanın bir araçtan bir "iş gücüne" dönüşmesi. Ajanlar artık sadece cevap vermiyor; görevler yürütüyor, sistemlerle etkileşiyor, kararlar veriyor. Bu, CoE için tümüyle yeni bir yönetişim boyutu açıyor ve bunu ciddiye almak şart.

Bir ajan iş gücünü yönetmek, insan iş gücünü yönetmeye benziyor ama farklı araçlarla. İnsanlarda olduğu gibi, ajanların da net rolleri, yetki sınırları, gözetim mekanizmaları ve hesap verebilirlik zincirleri olmalı. Hangi ajan neyi yapabilir? Hangi kararı kendi başına verebilir, hangisinde insana danışmalı? Bir ajan hata yaparsa kim sorumlu? Bu sorular, bir CoE'nin agentic çağda yanıtlaması gereken temel sorular.

Özellikle "gölge yapay zeka" (shadow AI) riski büyüyor: departmanlar, merkezî gözetim olmadan kendi ajanlarını kuruyor ve bu, güvenlik, uyum ve tutarlılık açısından ciddi riskler yaratıyor. CoE'nin işi, bu enerjiyi yasaklamak değil — çünkü yasak, insanları daha da gizli çalışmaya iter — güvenli bir çerçeve sunarak kanalize etmek. "İşte onaylı modeller, işte güvenli altyapı, işte kurallar; bunların içinde istediğiniz gibi yenilik yapın" demek, hem yeniliği hem güvenliği korur.

Türk kurumları için CoE kurmanın birkaç özel boyutu var. Birincisi ve en önemlisi KVKK ve veri yönetişimi. Bir CoE, yapay zeka projelerinin kişisel veriyi nasıl işlediğini merkezî olarak gözetmeli; her departmanın bunu tek tek çözmesi hem risklidir hem verimsiz. Merkez, KVKK-uyumlu veri işleme, anonimleştirme, veri ikametgahı ve aydınlatma standartlarını bir kez kurar, tüm projeler bunu miras alır. Bankacılıkta BDDK, sağlıkta ilgili düzenlemeler gibi sektörel yükümlülükler varsa, bunları da merkezî çerçeveye gömmek gerekir.

İkincisi, yetenek. Türkiye'de nitelikli yapay zeka yeteneği kıt ve pahalı. Bir CoE, bu kıt yeteneği en verimli kullanmanın yolu: uzmanları dağıtık projelere serpiştirmek yerine, merkezde toplayıp tüm kuruma hizmet etmelerini sağlamak. Ayrıca CoE, iç yetenek geliştirmenin de motoru — eğitim programları ve bilgi paylaşımıyla, dışarıdan pahalı uzman kiralamaya bağımlılığı azaltır.

Üçüncüsü, bütçe gerçekçiliği. Türk kurumlarının çoğu, sınırsız yapay zeka bütçesine sahip değil. Bir CoE, kaynakları en yüksek değerli işlere yönlendirerek ve tekrarı önleyerek bütçeyi korur. Merkezî model erişimi ve altyapı, dağıtık ve tekrarlı harcamadan çok daha ekonomiktir. CoE'nin değer ölçümü işlevi de burada kritik: hangi yatırımın geri döndüğünü bilmek, bütçeyi doğru yere kanalize etmenizi sağlar.

Bir CoE'nin işlemesi için, kimin neyi yaptığının net olması gerekir; belirsiz roller, en iyi niyetli CoE'yi bile felç eder. Sahada işe yarayan rol dağılımını paylaşayım. Bir CoE lideri (çoğu kurumda bu bir Chief AI Officer ya da benzeri bir rol) genel stratejiyi ve önceliklendirmeyi sahiplenir, üst yönetimle köprü kurar ve kaynakları yönetir. Teknik liderler, model erişimi, altyapı ve mühendislik standartlarından sorumludur. Bir yönetişim/uyum sorumlusu, KVKK, güvenlik ve etik çerçevelerini kurar ve gözetir. Alan uzmanları (departmanlardan gelen "spoke" temsilcileri), iş bağlamını ve gerçek kullanım ihtiyaçlarını masaya taşır. Ve bir değişim/eğitim sorumlusu, yapay zeka okuryazarlığını kuruma yayar.

Bu rollerin hepsi baştan tam zamanlı olmak zorunda değil; küçük bir kurumda bir kişi birkaç şapka takabilir. Ama her işlevin bir sahibi olmalı. En yaygın hata, "teknik ekip her şeyi halleder" varsayımı — yönetişim, değişim yönetimi ve iş hizalaması teknik bir mesele değildir ve teknik ekibe yıkıldığında ihmal edilir. Rolleri net tanımlamak, CoE'nin dengeli işlemesini sağlar.

Bir de karar hakları meselesi var. CoE hangi kararları verir, hangilerinde sadece danışmandır, hangilerinde departmanlar özgürdür? Bunu baştan netleştirmezseniz, ya CoE her şeye karışan bir darboğaz olur ya da hiçbir şeye karışamayan bir tavsiye organı. İdeal olan, net bir karar çerçevesi: güvenlik, uyum ve model onayı gibi konularda CoE'nin son sözü var; iş çözümü tasarımında departmanlar özgür ama merkezî standartlara uymak zorunda. Bu denge, hem tutarlılığı hem çevikliği korur.

"Yönetişim" soyut bir kelime; somutlaştıralım. İyi bir CoE yönetişim çerçevesi birkaç somut bileşenden oluşur. Birincisi, bir kullanım senaryosu onay süreci: yeni bir yapay zeka projesi başlamadan önce risk, uyum ve değer açısından hızlı bir değerlendirmeden geçer. Bu, ağır bir bürokrasi değil, hafif bir kontrol noktası olmalı — amaç yavaşlatmak değil, riskli işleri erken yakalamak.

İkincisi, bir model ve araç onay listesi: hangi modellerin, hangi verilerle, hangi işlerde kullanılabileceğini tanımlar. Bu, gölge yapay zekayı önlemenin en etkili yolu; departmanlara "işte onaylı, güvenli seçenekler" sunarsanız, denetimsiz alternatiflere yönelmezler. Üçüncüsü, bir gözlemlenebilirlik ve denetim katmanı: yapay zeka sistemlerinin ne yaptığını, hangi kararları verdiğini, nerede hata yaptığını izleyen bir altyapı. Bir düzenleyici ya da iç denetim sorduğunda, "sistemimiz şunu şöyle yaptı" diyebilmelisiniz.

Dördüncüsü, bir olay müdahale planı: bir yapay zeka sistemi yanlış bir şey yaptığında (hatalı karar, veri sızıntısı, uygunsuz çıktı) ne olacağını önceden tanımlar. İnsanların "bir sorun çıkarsa ne yaparız" sorusunu kriz anında değil, sakin kafayla yanıtlamış olmak, felaketi yönetilebilir bir olaya dönüştürür. Bu çerçeveyi kurmak zaman alır, ama bir kez kurulduğunda tüm yapay zeka çabanızı güvenli bir zemine oturtur.

Sahada başarısız olan CoE'leri de gördüm; onların hatalarından ders çıkarmak, sizi aynı bedeli ödemekten kurtarır. Birinci tuzak, fildişi kule sendromu: merkez, gerçek iş ihtiyaçlarından kopar, güzel çerçeveler üretir ama departmanların gerçek sorunlarını çözmez. Bunu önlemek için CoE'nin departmanlarla sürekli, iki yönlü teması olmalı; merkez tepeden buyurmamalı, sahayla birlikte çalışmalı.

İkinci tuzak, bürokratik darboğaz: CoE, her kararı onaylamak isteyen ağır bir kapı bekçisine dönüşür ve departmanların hızını öldürür. Bu, insanları CoE'yi atlamaya ve gölge yapay zekaya iter. Çözüm, hafif süreçler ve net karar hakları; CoE kolaylaştırıcı olmalı, engel değil. Üçüncü tuzak, değer gösterememek: CoE aylarca çerçeve ve strateji üretir ama somut iş sonucu çıkaramaz, ve üst yönetim desteğini çeker. Bu yüzden erken, somut kazanımlar kritik; CoE meşruiyetini demolarla değil, üretime geçmiş, değer üreten projelerle kurar.

Dördüncü tuzak, yönetişimi atlayıp hıza koşmak: bazı CoE'ler, hızlı değer göstermek için güvenlik ve uyumu erteler, sonra ölçeklenirken biriken risk patlar. Denge şart: ne bürokrasiye boğ, ne de yönetişimi tümüyle atla. Bu tuzakların ortak dersi, CoE'nin bir denge sanatı olduğu — kontrol ile çeviklik, merkez ile departman, hız ile güvenlik arasında sürekli bir denge kurmak.

CoE'nin en çok küçümsenen boyutu, insan tarafı. Teknik altyapıyı kurmak, çerçeveleri yazmak görece kolay; asıl zor olan, kurumun yapay zekaya bakışını ve çalışma biçimini değiştirmek. Bir CoE, ne kadar iyi tasarlanırsa tasarlansın, kurum kültürü onu benimsemezse başarısız olur.

İnsanların yapay zekaya iki tür tepkisi var: korku ve aşırı heyecan. Korkanlar, "beni işsiz bırakacak" ya da "kontrolü kaybederiz" endişesiyle direnç gösterir. Aşırı heyecanlılar ise her soruna yapay zekayı çözüm olarak dayatır ve gerçekçi olmayan beklentiler yaratır. İyi bir CoE, her iki uçla da çalışır: korkuları dürüst iletişim ve eğitimle yatıştırır, aşırı heyecanı gerçekçi önceliklendirmeyle dengeler. Yapay zeka okuryazarlığı burada anahtar; insanlar yapay zekanın ne yapıp ne yapamayacağını anladıkça, hem korku hem abartı azalır.

Kültür değişimi zaman alır ve sabır ister. Bir CoE, bunu bir "proje" gibi değil, sürekli bir çaba gibi görmeli. Küçük başarılar kutlanmalı, öğrenilen dersler paylaşılmalı, iç topluluklar beslenmeli. En etkili yöntem, "yapay zeka şampiyonları" yetiştirmek: her departmanda, yapay zekayı benimsemiş ve başkalarına örnek olan kişiler. Bu şampiyonlar, değişimi tepeden dayatmaktan çok daha güçlü biçimde, içeriden yayar.

Teoriden pratiğe geçelim. Sıfırdan bir CoE kurmak korkutucu görünebilir, ama küçük ve odaklı başlarsanız yönetilebilir. Sahada işe yarayan bir başlangıç sırası paylaşayım.

Önce bir sponsor ve mandate bulun. CoE, üst yönetimin açık desteği olmadan kağıt üstünde kalır. Kim sahipleniyor, hangi yetkiyle, hangi bütçeyle? Bunu netleştirmeden başlamayın. Sonra küçük, çapraz-fonksiyonel bir çekirdek ekip kurun: teknik, iş, hukuk/uyum ve veri tarafından temsilciler. Baştan devasa bir departman kurmaya çalışmayın; küçük ve etkili bir çekirdek, büyük ve hantal bir yapıdan daha hızlı değer üretir.

Ardından bir-iki yüksek-değerli, uygulanabilir pilotu seçip onları uçtan uca üretime taşıyın. Amaç, hızlı bir "kazanma" göstermek — çünkü CoE'nin meşruiyeti, somut değer üretmesiyle kurulur. Bu ilk kazanımlar üzerine, ortak standartları ve altyapıyı inşa edin. Sonra bu zemini yavaşça kuruma yayın: eğitim, topluluk, bilgi paylaşımı. CoE'yi bir "büyük patlama" projesi değil, kademeli olgunlaşan bir yapı olarak düşünün.

Bir CoE kurmadan önce, kurumunuzun yapay zeka olgunluğunun neresinde olduğunu dürüstçe değerlendirmek çok değerli; çünkü başlangıç seviyesindeki bir kuruma verilen ileri düzey reçete, işe yaramaz. Kabaca dört seviye görüyorum. En altta, deneme seviyesi: dağınık pilotlar, koordinasyon yok, üretimde neredeyse hiçbir şey — az önce anlattığım pilot bataklığı. Bir üstte, tekrarlanabilir seviye: bazı projeler üretime geçmiş ama her biri kendi yöntemiyle, ortak standart henüz yok.

Daha yukarıda, tanımlı seviye: merkezî standartlar, yönetişim ve altyapı kurulmuş; projeler bu ortak zemin üzerinde daha hızlı ve güvenli ilerliyor — işte iyi bir CoE'nin kurumu getirdiği yer burası. En üstte ise optimize seviye: yapay zeka, kurumun DNA'sına işlemiş, sürekli bir yenilik hattı, agentic iş gücü olgun biçimde yönetiliyor ve değer sistematik olarak ölçülüp iyileştiriliyor.

Kendi seviyenizi dürüstçe belirlemek, CoE stratejinizi buna göre kurmanızı sağlar. Deneme seviyesindeyseniz, hedef önce temel standartları ve birkaç üretim başarısını kurmak; optimize seviyeye atlama hayali kurmak yerine bir sonraki seviyeye sağlam geçmek. Olgunluk, atlanacak bir merdiven değil, tırmanılacak bir yol; her seviye bir öncekinin üzerine kurulur. CoE'nin işi, kurumu bu yolda bir sonraki seviyeye sistematik biçimde taşımak.

Anonim bir örnekle somutlaştırayım. Orta-büyük ölçekli bir kurum, altı ayda beş farklı departmanda yapay zeka pilotu başlatmıştı. Her biri ayrı bir dış tedarikçiyle, ayrı bir modelle, ayrı bir veri işleme yaklaşımıyla çalışıyordu. Sonuç: güzel demolar ama üretimde hiçbir şey, birbirini tekrar eden harcamalar, ve KVKK açısından kimsenin tam emin olmadığı bir gri alan. Üst yönetim, "yapay zekaya çok para harcıyoruz ama somut sonuç göremiyoruz" diye kaygılıydı.

Küçük ama net yetkili bir CoE kurduk. İlk işi, tüm pilotların envanterini çıkarmak ve hangisinin gerçekten değer potansiyeli taşıdığını değerlendirmek oldu. Beş pilottan ikisi gerçek iş değeri vaat ediyordu; diğer üçü ya değeri belirsiz ya teknik olarak çıkmazdaydı. CoE, kaynakları o iki pilota odakladı, ortak bir güvenli veri işleme ve model erişim zemini kurdu ve bu iki pilotu uçtan uca üretime taşıdı. Aynı zamanda KVKK uyumunu merkezî bir çerçeveye bağladı, böylece her departman aynı işi tekrar çözmek zorunda kalmadı.

Bir yıl sonunda tablo değişmişti: dağınık beş pilot yerine, üretimde çalışan ve ölçülebilir değer üreten iki sistem, artı yeni projelerin hızla ve güvenle başlayabildiği ortak bir zemin vardı. En önemlisi, üst yönetimin güveni geri gelmişti çünkü artık "ne yatırdık, ne aldık" sorusunun net bir cevabı vardı. Bu vakadan çıkan ders şu: CoE'nin değeri, daha çok pilot başlatmakta değil, doğru olanları seçip üretime taşımakta ve tekrarı ortadan kaldırmakta.

Türk kurumlarının sık sorduğu bir soru: CoE'yi kendi içimizde mi kuralım, yoksa dış danışmanlık mı alalım? Sahadaki gerçekçi cevap, ikisinin dengeli birleşimi. Tümüyle dış danışmana bağımlı bir CoE, danışman gidince çöker; çünkü bilgi ve yetenek kurumda kalıcı olarak yerleşmemiştir. Tümüyle içeride, sıfırdan kurulan bir CoE ise, özellikle kurumun bu alanda deneyimi yoksa, öğrenme eğrisinde çok zaman ve para kaybedebilir.

En sağlıklısı, dış uzmanlığı bir "hızlandırıcı" olarak kullanmak: başlangıçta çerçeveyi kurmak, ekibi eğitmek ve ilk pilotları üretime taşımak için dış deneyimden yararlanın, ama en baştan hedef, bilgiyi ve yeteneği iç ekibe transfer etmek olsun. Dış danışmanın işi, kendini gereksiz kılmak olmalı — yani kurum kendi ayakları üzerinde durabilecek hale gelene kadar destek olmak, sonra çekilmek.

Türkiye'de yetenek kıtlığı düşünüldüğünde bu denge daha da önemli. İç ekibi geliştirmek uzun vadeli sürdürülebilirlik için şart; ama bu ekibi sıfırdan, tek başına yetiştirmek yavaş olabilir. Dış uzmanlıkla iç yetenek gelişimini birleştirmek, hem hızı hem sürdürülebilirliği sağlar. Kritik olan, dış desteği bir bağımlılığa değil, bir yatırıma dönüştürmek — sonunda geriye kalan şey, kurumun kendi içinde kalıcı bir yetenek olmalı.

Son olarak, CoE'nin kendisinin işe yarayıp yaramadığını nasıl anlarsınız? Birkaç gösterge öneriyorum. Birincisi, pilottan üretime geçiş oranı: CoE öncesi ve sonrası, kaç pilot gerçekten üretime geçti? Bu oran yükseliyorsa, CoE işini yapıyor. İkincisi, tekrarın azalması: aynı sorunlar farklı departmanlarda tekrar tekrar mı çözülüyor, yoksa merkez bunları bir kez çözüp yayıyor mu? Üçüncüsü, üretilen iş değeri: yapay zeka projelerinin toplam ROI'si zamanla artıyor mu? Dördüncüsü, risk olayları: güvenlik ve uyum ihlalleri azalıyor mu?

Bu göstergeleri baştan kurmak önemli, çünkü CoE'nin kendisi de bir yatırım ve o yatırımın geri dönüşünü kanıtlamanız gerekir. Bir CoE, kurumun yapay zeka çabasına omurga kazandıran, dağınık pilotları ölçekli değere dönüştüren ve agentic çağın karmaşıklığını yönetilebilir kılan yapıdır. Doğru kurulduğunda, "bir sürü umut verici pilot ama hiçbiri üretimde" hikayesini "sistematik, güvenli ve değer üreten yapay zeka" hikayesine çevirir. Ve bu dönüşüm, 2026'da yapay zekayı gerçekten iş sonuçlarına bağlamak isteyen her kurum için artık ertelenemez bir öncelik. Sahada gördüğüm gerçek şu: yapay zekada öne geçen kurumlar, en çok pilot başlatanlar değil, en disiplinli ölçekleyenler. CoE, tam da bu disiplini kurumsallaştıran yapı. Küçük başlayın, somut bir kazanımla meşruiyet kurun, sonra kademeli büyütün; bu yol, dağınık çabanın boğulduğu yerde omurgalı bir yapay zeka programı inşa etmenin en güvenilir yöntemi.