# AI ROI Framework: %95 Pilot Tuzağından Çıkışın Üç Katmanlı Ölçüm Modeli (BCG 10-20-70 Kuralı)

> Source: https://sukruyusufkaya.com/blog/ai-roi-framework-uc-katmanli-olcum-modeli-bcg-10-20-70-2026
> Updated: 2026-08-24T01:09:53.970Z
> Type: blog
> Category: yapay-zeka
**TLDR:** AI projelerinin %95'i pilot aşamasından üretime geçemiyor. BCG 10-20-70 kuralı, McKinsey State of AI 2025 verisi, üç katmanlı ROI ölçüm modeli (Utilization → Productivity → Business Outcome), use case prioritization matrisi ve iki Türk şirketi vakası ile C-level karar destek rehberi.

<tldr data-summary="[&quot;AI yatırımlarının %95&apos;&apos;i ölçülebilir bir P&amp;L etkisi üretmiyor (BCG 2025 Widening AI Value Gap raporu); sadece %5 &apos;&apos;future-built&apos;&apos; şirket gerçek ROI yakalıyor.&quot;,&quot;BCG 10-20-70 kuralı: değerin %10&apos;&apos;u algoritmadan, %20&apos;&apos;si teknoloji + veriden, %70&apos;&apos;i insan + süreç + iş modeli değişiminden gelir.&quot;,&quot;Üç katmanlı ROI ölçüm modeli: Layer 1 Utilization (% kullanıcı + sıklık), Layer 2 Productivity (zaman tasarrufu + kalite), Layer 3 Business Outcome (gelir, maliyet, NPS, retention).&quot;,&quot;Pilot-to-ROI ortalama 14 ay. Hızlandırmanın tek yolu: use case prioritization (impact × feasibility) + executive sponsorship + change management bütçesi.&quot;,&quot;Türk şirketlerinde en sık görülen hata &apos;&apos;tech-first thinking&apos;&apos; — model seçimi öncelendi, süreç + insan ihmal edildi. BCG 10-20-70 kuralının tersine çevrilmesi.&quot;]" data-one-line="AI ROI ölçümü teknik değil yönetimsel bir disiplindir; üretime ulaşan %5 şirket, algoritmaya %10, teknolojiye %20, insan + sürece %70 yatırım yapan ve sonuçları üç katmanda ölçen şirkettir."></tldr>

## 1. Giriş: %95 Pilot Tuzağı ve Değer Boşluğunun Anatomisi

Boston Consulting Group'un Ocak 2025'te yayımladığı **"Widening AI Value Gap"** raporu, kurumsal AI yatırımları için en sert bilançoyu sundu: dünya çapında 1.000+ büyük şirket arasında sadece **%5'i** AI'dan ölçülebilir P&L etkisi yakalıyor. Geri kalan **%95'i** ya pilot aşamasında saplanmış (pilot purgatory) ya da üretime geçmiş ama "vanity metric" denilen sahte göstergelerle ROI ürettiğini düşünüyor.

MIT NANDA Initiative'in 2025'teki paralel çalışması daha da çarpıcı: incelenen GenAI projelerinin **%95'i hiç gelir üretmedi**. McKinsey State of AI 2025 raporu ise şirketlerin **%78'inin** en az bir iş alanında AI kullandığını gösteriyor ama bottom-line etkisi gören sadece **%19**.

<definition-box data-term="AI ROI (Return on AI Investment)" data-definition="Bir AI yatırımının üç katmanlı sonucu: (1) sistem benimsenme oranı, (2) bireysel ve takım üretkenliğinde ölçülebilir artış, (3) gelir, maliyet, müşteri deneyimi gibi P&L kalemlerinde net iyileşme. Hard ROI (parasal) ve Soft ROI (memnuniyet, retention, risk azaltma) ayrı değerlendirilir." data-also="AI ROI, AI Yatırım Geri Dönüşü" data-wikidata="Q1131354"></definition-box>

Bu rehberin amacı: **%95'ten çıkıp %5'e geçmek için gereken ölçüm disiplinini** kurumsal karar vericiler — CEO, CFO, CDO, CAIO — için tek bir doküman halinde sunmak. Konunun teknik değil yönetimsel olduğunu en başta net çizmemiz gerek: model seçimi, vendor karşılaştırması ya da hangi LLM'in kullanılacağı **soruyu değil semptomu** çözer. Sorun ölçüm + organizasyonel uyum sorunudur.

<stat-callout data-value="%95" data-context="BCG Widening AI Value Gap 2025 raporuna göre kurumsal AI projelerinin" data-outcome="ölçülebilir P&L etkisi üretmediği; bu oranın 2024'teki %92'den 2025'te kötüleşerek %95'e çıktığı tespit edildi — değer boşluğu kapanmıyor, genişliyor." data-source="{&quot;label&quot;:&quot;BCG Widening AI Value Gap, January 2025&quot;,&quot;url&quot;:&quot;https://www.bcg.com/publications/2025/closing-the-ai-impact-gap&quot;,&quot;date&quot;:&quot;2025-01&quot;}"></stat-callout>

### Neden Bu Kadar Yüksek Başarısızlık?

Sahada karşılaştığımız beş tekrarlayan kalıp:

1. **Tech-first thinking.** "Hangi LLM en iyi?" sorusu, "Hangi süreç en yüksek ROI'yi verir?" sorusunun yerine geçti.
2. **Vanity metrics.** "Token kullanımı arttı", "1.200 kullanıcı kaydoldu" gibi göstergeler ROI olarak rapor edildi; iş etkisi ölçülmedi.
3. **Executive sponsorship eksikliği.** AI projesi BT ya da Innovation Lab'da kaldı; iş birimi (commercial, ops, finance) sahiplenmedi.
4. **Change management bütçesi sıfır.** Eğitim, süreç yeniden tasarımı, prompt kütüphanesi, ödüllendirme — bunların hiçbiri planlanmadı.
5. **Eval altyapısı yok.** Sistemin gerçekten ne kadar iyi çalıştığını ölçen bir test seti olmadığından, "iyi çalışıyor" anekdotal kaldı.

## 2. BCG 10-20-70 Kuralı: AI Değerinin Anatomisi

BCG'nin 1.000 şirketle yaptığı 5 yıllık longitudinal çalışmanın bulgusu, AI projelerinde değerin nereden geldiğini matematiksel bir denkleme indirgedi:

<comparison-table data-caption="BCG 10-20-70 Kuralı: Değer Kompozisyonu" data-headers="[&quot;Katman&quot;,&quot;Yatırım Payı&quot;,&quot;Açıklama&quot;,&quot;Tipik Bütçe Hatası&quot;]" data-rows="[{&quot;feature&quot;:&quot;Algoritma&quot;,&quot;values&quot;:[&quot;10%&quot;,&quot;Model seçimi, fine-tuning, RAG mimarisi&quot;,&quot;Çoğu şirket bütçenin %50-70&apos;&apos;ini buraya ayırıyor&quot;]},{&quot;feature&quot;:&quot;Teknoloji + Veri&quot;,&quot;values&quot;:[&quot;20%&quot;,&quot;Veri pipeline, vektör DB, MLOps, observability&quot;,&quot;Genelde yeterli ama yanlış sıralı yapılıyor&quot;]},{&quot;feature&quot;:&quot;İnsan + Süreç + İş Modeli&quot;,&quot;values&quot;:[&quot;70%&quot;,&quot;Change management, eğitim, KPI&apos;&apos;ler, organizasyon, ödüllendirme&quot;,&quot;Çoğu şirket %10&apos;&apos;dan az ayırıyor — başarısızlığın ana sebebi&quot;]}]"></comparison-table>

Bu denklemin tersine çevrilmesi başarısızlık demektir. Türk şirketlerinde yaptığımız 47 AI maturity assessment'in **41'inde** bütçe dağılımı şuydu: algoritma + teknoloji birlikte %85, insan + süreç %15. BCG benchmark'ına göre tam tersi olmalıydı.

<stat-callout data-value="3.5x" data-context="BCG 10-20-70 kuralına uyan şirketler, kuralı tersine çeviren şirketlere göre" data-outcome="AI projelerinden 3.5 kat daha yüksek ROI yakaladı — algoritmaya değil insana ve sürece yatırım yapan kazandı." data-source="{&quot;label&quot;:&quot;BCG AI at Scale Survey, 2024&quot;,&quot;date&quot;:&quot;2024-11&quot;}"></stat-callout>

### 10-20-70 Kuralı Türk Şirketleri İçin Yeniden Yorumlanırsa

- **%10 Algoritma.** "Hangi LLM, RAG vs fine-tuning, embedding modeli" gibi teknik kararlar. Önemli ama tek başına değer üretmez.
- **%20 Teknoloji + Veri.** KVKK uyumlu vektör DB, MLOps, observability, eval harness. Türk şirketlerde özellikle "veri" kısmı zayıf — kullanılabilir veri %20-30'da kalıyor.
- **%70 İnsan + Süreç + İş Modeli.** İş süreçlerinin yeniden tasarımı, eğitim programları, ödüllendirme sistemi, KPI bağlama, organizasyon yapısı değişimi. Türk şirketlerin en zayıf olduğu yer burası.

## 3. Üç Katmanlı AI ROI Ölçüm Modeli

AI ROI'sını ölçmek için tek bir KPI yeterli değil. Sahada doğruluğu kanıtlanmış üç katmanlı bir model var.

### Layer 1 — Utilization (Benimseme)

**Soru:** İnsanlar gerçekten kullanıyor mu?

| Metrik | Hedef Aralık |
|---|---|
| Aktif kullanıcı oranı (MAU/Total) | İlk 3 ay: %20+, 6 ay: %50+, 12 ay: %75+ |
| Haftalık kullanım sıklığı | Kullanıcı başına 5+ session/hafta |
| Retention (D30) | %60+ |
| Feature adoption | Toplam feature'ın %60'ı en az bir kez kullanıldı |

Layer 1 ROI üretmez ama Layer 2 ve 3'ün önkoşuludur. Düşük utilization → değer yok.

### Layer 2 — Productivity (Üretkenlik)

**Soru:** Kullanıldığında işi gerçekten hızlandırıyor / kalitesini artırıyor mu?

| Metrik | Ölçüm Yöntemi | Tipik Hedef |
|---|---|---|
| Görev tamamlama süresi | A/B test (AI'lı vs AI'sız) | %30-60 azalma |
| Kalite skoru | İnsan-rated örneklem (1-5 ölçek) | 0.5+ puan artış |
| Hata oranı | Üretim QA log'ları | %20-40 azalma |
| Output volume | Birim başına çıktı sayısı | %25-50 artış |

Productivity ölçümü A/B test gerektirir. Anekdotal "kullanıcılar memnun" yetmez.

### Layer 3 — Business Outcome (İş Sonucu)

**Soru:** P&L'de görünür bir iyileşme var mı?

| Metrik | Örnek |
|---|---|
| Gelir artışı | Conversion rate, ARPU, cross-sell |
| Maliyet düşüşü | OpEx azalma, FTE tasarrufu, vendor azaltma |
| Müşteri deneyimi | NPS, CSAT, çağrı süresi, çözüm oranı |
| Retention | Churn azalma, LTV artışı |
| Risk azaltma | Hata oranı, fraud detection, compliance |

Layer 3 metrikleri **CFO dilinde** konuşur. AI projesi finansal raporlamada görünür hale gelmediği sürece, %95 grubuna aittir.

<comparison-table data-caption="Üç Katmanlı ROI Modeli: Ne Zaman Ne Ölçülür?" data-headers="[&quot;Katman&quot;,&quot;Ne Zaman&quot;,&quot;Kim Ölçer&quot;,&quot;Karar&quot;]" data-rows="[{&quot;feature&quot;:&quot;Layer 1 Utilization&quot;,&quot;values&quot;:[&quot;İlk 90 gün&quot;,&quot;Product / IT&quot;,&quot;Pilot devam mı kapanır mı?&quot;]},{&quot;feature&quot;:&quot;Layer 2 Productivity&quot;,&quot;values&quot;:[&quot;3-9 ay&quot;,&quot;Business unit + HR&quot;,&quot;Ölçeklendirme bütçesi serbest mi?&quot;]},{&quot;feature&quot;:&quot;Layer 3 Business Outcome&quot;,&quot;values&quot;:[&quot;6-18 ay&quot;,&quot;Finance + CEO&quot;,&quot;Bütçe artırılır mı, sektörel rollout olur mu?&quot;]}]"></comparison-table>

## 4. Hard ROI vs Soft ROI

ROI'nin iki türü var ve ikisi de gerçek:

### Hard ROI (Parasal, Doğrudan)

- **FTE tasarrufu:** 10 kişilik müşteri hizmetleri ekibi, 6 kişiye iniyor (anonim Türk e-ticaret vakası).
- **Vendor azaltma:** Manuel veri girişi vendor sözleşmesi $180K/yıl, AI ile $40K/yıl'a indi.
- **Conversion artışı:** Self-query RAG ile e-ticaret konversiyonu %15-23 arttı.
- **Çağrı süresi azalması:** Çağrı merkezi AHT (Average Handle Time) 12 dk → 4 dk.

Hard ROI hesabı basit: net fayda / yatırım × 100. Tipik kurumsal AI projesinde 18-36 ay payback hedeflenir.

### Soft ROI (Dolaylı, Stratejik)

- **Employee satisfaction.** Tekrar eden işlerden kurtulan çalışan retention'ı artar.
- **Brand reputation.** AI-first algılaması, talent çekme kabiliyetini artırır.
- **Risk azaltma.** Hata azalma → marka hasarı azalır.
- **Strategic optionality.** AI altyapısı, yeni ürün geliştirme hızını katlar.

Soft ROI ölçülmez denmesi yanlış. McKinsey'nin önerdiği formül: **proxy KPI** (örneğin "çalışan eNPS" → talent retention).

<stat-callout data-value="%23" data-context="Bir Türk perakende grubunda self-query RAG ile yapılandırılan ürün arama asistanı" data-outcome="ürün sayfası dönüşüm oranını %23 artırdı; aynı sistem aylık $48.000 manuel kategorizasyon vendor maliyetini ortadan kaldırdı — hard + soft ROI birleşimi 11 ay payback." data-source="{&quot;label&quot;:&quot;İç Vaka, Türk Perakende Grubu (anonim)&quot;,&quot;url&quot;:&quot;https://sukruyusufkaya.com/blog/ai-roi-framework-uc-katmanli-olcum-modeli-bcg-10-20-70-2026&quot;,&quot;date&quot;:&quot;2025&quot;}"></stat-callout>

## 5. Pilot-to-ROI 14 Aylık Timeline

BCG'nin observed median: **AI pilotundan ölçülebilir P&L etkisine 14 ay**. Türk şirketlerinde gözlemimiz 16-18 ay (change management gecikmesi). Hızlandırmak için disiplinli bir takvim gerek.

### Ay 0-2: Use Case Prioritization

- Impact × feasibility matrisi
- Executive sponsor atama
- Baseline ölçümü (mevcut süreçte AHT, conversion, FTE, hata)
- Eval kriteri tanımlama

### Ay 2-4: MVP

- Mimarinin oluşturulması (RAG, fine-tune, agent)
- 100+ örnek soru ile eval set
- 20-50 erken benimseyici (early adopter) seçimi
- KVKK + risk değerlendirme

### Ay 4-7: Pilot

- 200-500 kullanıcı
- Layer 1 utilization ölçümü
- A/B test (Layer 2 productivity)
- Geri bildirim → iyileştirme döngüsü

### Ay 7-12: Scale

- Şirket genelinde rollout
- Change management programı (eğitim, prompt kütüphanesi, ödüllendirme)
- Layer 3 business outcome ölçümü
- CFO raporlama formatı

### Ay 12-14: ROI Realization

- Hard + soft ROI raporu
- Bütçe genişletme kararı
- Sektörel rollout (yeni use case, yeni business unit)

## 6. Use Case Prioritization Framework: Impact × Feasibility Matrisi

AI projelerinin başarısızlığının %40'ı **yanlış use case seçimi**. Doğru framework:

<comparison-table data-caption="Use Case Prioritization Matrisi" data-headers="[&quot;Bölge&quot;,&quot;Impact&quot;,&quot;Feasibility&quot;,&quot;Aksiyon&quot;]" data-rows="[{&quot;feature&quot;:&quot;Quick Wins&quot;,&quot;values&quot;:[&quot;Düşük-Orta&quot;,&quot;Yüksek&quot;,&quot;İlk 6 ay — momentum yarat, finansman aç&quot;]},{&quot;feature&quot;:&quot;Strategic Bets&quot;,&quot;values&quot;:[&quot;Yüksek&quot;,&quot;Düşük-Orta&quot;,&quot;6-18 ay — executive sponsor + dedicated team gerek&quot;]},{&quot;feature&quot;:&quot;Fill-ins&quot;,&quot;values&quot;:[&quot;Düşük&quot;,&quot;Yüksek&quot;,&quot;Kapasite varsa, ROI sınırlı&quot;]},{&quot;feature&quot;:&quot;Money Pit&quot;,&quot;values&quot;:[&quot;Düşük&quot;,&quot;Düşük&quot;,&quot;Asla yapma — kaynak yakar&quot;]}]"></comparison-table>

### Impact Skoru Bileşenleri

1. **Gelir potansiyeli.** Conversion, ARPU, cross-sell, retention.
2. **Maliyet düşüşü potansiyeli.** FTE, vendor, error cost.
3. **Stratejik önem.** Sektörel farklılaşma, regülatif baskı, talent çekim.
4. **Volume.** Etkilenecek transaction sayısı.

### Feasibility Skoru Bileşenleri

1. **Veri hazırlığı.** Veri mevcut mu, kalitesi nasıl?
2. **Teknik karmaşıklık.** RAG mı, fine-tune mı, agent mı?
3. **KVKK + regülatif risk.** Compliance yükü?
4. **Change management ihtiyacı.** Süreç değişimi büyüklüğü?
5. **Executive sponsorship.** Karar verici sahipleniyor mu?

## 7. Common Pitfalls: Pilot Purgatory, Vanity Metrics, Tech-First

### Pitfall 1 — Pilot Purgatory

Pilot başarılı, ama ölçeklenmiyor. Sebep: pilot'un başarısı **kapsamlı KPI** ile değil, kullanıcı memnuniyeti ankettiyle ölçüldü. Çözüm: pilot başlamadan Layer 2 + Layer 3 metriklerini tanımla.

### Pitfall 2 — Vanity Metrics

"Token kullanımı %200 arttı." "1.500 kullanıcı login oldu." Bu metrikler iş etkisini ölçmez. CFO raporuna girmez. Çözüm: dashboard'da sadece Layer 2 + Layer 3 göster.

### Pitfall 3 — Tech-First Thinking

"En iyi LLM hangisi?" Bu soru başlangıç olmamalı. Çözüm: use case → süreç haritası → KPI → mimari sıralaması.

### Pitfall 4 — Executive Sponsorship Sıfır

AI projesi BT'de kaldı. İş birimi sahiplenmiyor. Çözüm: sponsor C-level olmalı; CAIO veya CDO veya iş birimi başkanı.

### Pitfall 5 — Change Management Bütçe Sıfır

BCG 10-20-70'in tersine çevirilmiş hali. Çözüm: bütçenin %50-70'ini eğitim, süreç tasarımı, ödüllendirme, iletişim.

<callout-box data-variant="warning" data-title="Türk Şirketlerinde En Sık Görülen Hata">

Türk şirketlerinde son 18 ayda yaptığımız 47 AI maturity assessment'in sonucuna göre, başarısız AI projelerinin **%83'ünde** ortak sebep change management bütçesinin sıfıra yakın olmasıdır. Şirketler "AI'yi satın aldık" diye düşündü; "AI ile çalışma şeklimizi yeniden tasarladık" demediği sürece üretim ROI gelmiyor.

</callout-box>

## 8. ROI Excel Hesaplayıcı Şablonu (Spek)

Karar destek için kullanılabilecek minimal hesaplayıcı yapısı:

### Giriş Parametreleri

| Sekme | Alanlar |
|---|---|
| **A. Maliyet** | LLM API maliyeti, vektör DB hosting, MLOps, dev FTE, eğitim, change mgmt |
| **B. Fayda — Hard** | FTE tasarrufu × maaş, vendor maliyet kesintisi, conversion uplift × AOV, AHT azalma × call volume |
| **C. Fayda — Soft** | Retention × replacement cost, brand value (proxy), strategic optionality |
| **D. Risk Düzeltme** | KVKK ceza riski, hallucination cost, ramp-up gecikmesi |

### Çıkış

- **Net ROI %**, **Payback ay**, **NPV (3 yıl)**, **IRR**
- Sensitivity analysis: utilization %, productivity %, business outcome %

Bu şablonu Excel'de 6 sekme + tek dashboard ile yapılır. İletişim formundan istenirse hazır template paylaşılabilir.

## 9. Sayılar: McKinsey + BCG + IBM 2025 Verisi

<stat-callout data-value="%19" data-context="McKinsey State of AI 2025 raporuna göre, AI kullanan şirketlerin sadece" data-outcome="EBIT etkisini %5'ten fazla artırdığını raporladı — geri kalan %81 ya küçük etki ya da ölçemiyor durumda." data-source="{&quot;label&quot;:&quot;McKinsey State of AI 2025&quot;,&quot;url&quot;:&quot;https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai&quot;,&quot;date&quot;:&quot;2025-03&quot;}"></stat-callout>

<stat-callout data-value="%30" data-context="IBM Institute for Business Value 2025 raporuna göre, AI generatif use case'lerinin" data-outcome="müşteri hizmetlerinde 30% AHT azalması, satış asistanlarında 25% conversion artışı yakaladı — ama bu sadece doğru ölçen %5 grupta." data-source="{&quot;label&quot;:&quot;IBM Institute for Business Value, AI ROI Report 2025&quot;,&quot;url&quot;:&quot;https://www.ibm.com/thought-leadership/institute-business-value&quot;,&quot;date&quot;:&quot;2025-04&quot;}"></stat-callout>

<stat-callout data-value="14 ay" data-context="BCG observed median pilot-to-ROI süresi" data-outcome="2023'te 22 ay, 2024'te 17 ay, 2025'te 14 ay — hızlanma var ama Türk şirketlerinde change management gecikmesi nedeniyle 16-18 ay seviyesinde." data-source="{&quot;label&quot;:&quot;BCG AI at Scale Longitudinal Study, 2025&quot;,&quot;date&quot;:&quot;2025-02&quot;}"></stat-callout>

### Sektör Bazlı ROI Beklentileri

| Sektör | Tipik Hard ROI | Payback | Öncelikli Use Case |
|---|---|---|---|
| Bankacılık | %150-300 (3 yıl) | 10-14 ay | Müşteri hizmetleri RAG, fraud detection, internal copilot |
| Perakende | %100-250 | 9-14 ay | Ürün arama RAG, personalization, çağrı merkezi |
| Üretim | %80-180 | 12-18 ay | Predictive maintenance, kalite kontrol, supply chain |
| Sağlık | %120-200 | 12-20 ay | Klinik karar destek, dokümantasyon, scheduling |
| Profesyonel hizmetler | %200-400 | 6-12 ay | Doküman analizi, araştırma, kontrat |
| Telekom | %150-250 | 10-14 ay | Network optimization, çağrı merkezi, churn |

## 10. Türkiye'ye Özgü Açı: KVKK, BDDK, Talent ve Vendor Ekosistemi

### KVKK + BDDK = ROI Düşmanı mı, Çarpanı mı?

Kısa cevap: doğru tasarlanırsa **çarpan**. Türk şirketleri KVKK uyumunu maliyet olarak görüyor; halbuki ROI hesabında KVKK ceza riski (€20M'a kadar) **bir potansiyel kayıp** olarak modellenir. Compliant tasarım, bu riski 0'a indirir = +€2-20M risk düzeltme katkısı.

### Talent Maliyeti

Türkiye'de senior AI engineer maliyeti $4.000-8.000/ay (full-loaded). Bir AI projesinin internal team maliyeti 6-12 kişi × 12-18 ay = $400K-1.2M. ROI hesabında bunu dahil etmek zorunda.

### Vendor Ekosistemi

Türkiye'de KVKK uyumlu kullanılabilecek vendor'lar sınırlı. Bütçenin %15-25'i vendor + lisans için ayrılır. Bu kalemi olduğundan az gösteren ROI hesapları gerçekçi değil.

### Türk Şirketlerinde ROI Ölçüm Olgunluk Seviyeleri

- **Seviye 0 (gözlenen %38):** Hiç ölçüm yok. "Hissi" iyi.
- **Seviye 1 (%34):** Vanity metrics. Token, login, kayıt sayısı.
- **Seviye 2 (%18):** Layer 2 productivity ölçülüyor ama A/B test yok.
- **Seviye 3 (%8):** Layer 1 + 2 + 3 birlikte ölçülüyor.
- **Seviye 4 (%2):** CFO dashboard'unda real-time AI ROI görünür.

Hedef: 12 ay içinde Seviye 0/1'den Seviye 2/3'e geçmek.

## 11. Vaka Çalışmaları (Anonim Türk Şirketleri)

### Vaka 1 — Türk Perakende Grubu (Online + Offline): %23 Conversion Artışı

**Problem.** 8.000 SKU'lu online katalog, müşteri yapılandırılmamış doğal dil sorguları yapıyor ("kış için su geçirmez kadın bot 3000 TL altı"). Klasik filtre arayüzü cevaplayamıyor, conversion düşük.

**Yaklaşım.**
- Self-query RAG (LLM, kullanıcı sorgusunu metadata filtre + semantik aramaya ayırıyor)
- Embedding: jina-v3 multilingual + Türkçe e-ticaret fine-tuning
- Layer 1 utilization: günde 80.000 sorgu (rollout sonrası 8. ay)
- Layer 2 productivity: müşteri başına ortalama 1.4 oturum (önce 4.2)
- Layer 3 business outcome: conversion %23↑, AOV %12↑

**ROI Hesabı.**
- Yatırım: $310.000 (development) + $48.000/yıl (LLM + vector DB + ops)
- Hard ROI: yıllık ek gelir $1.4M, vendor maliyet azaltma $48K/yıl
- Payback: 11 ay
- Soft ROI: 11 puan NPS artışı

**Anahtar Karar.** %70'i (BCG kuralı) change management'a yatırıldı: ürün ekibi yeniden eğitildi, taksonomi yeniden tasarlandı, içerik yazarlığı promp library'siyle desteklendi.

### Vaka 2 — Türk Bankası (Top 5): NPS +12 Puan, AHT 12dk → 3dk

**Problem.** Çağrı merkezi, 6.000 temsilci, müşteri sorusu başına 8-15 dk araştırma süresi. Ürün kataloğu + kampanya + regülatif değişiklikler haftalık.

**Yaklaşım.**
- Hybrid RAG (BGE-M3 + Qdrant on-prem + BM25)
- 50 chunk getir → BGE re-ranker → top-5 → GPT-5 EU instance
- Anonimleştirme katmanı (KVKK uyumu)
- Eval harness: 500 soru, RAGAS faithfulness ölçümü

**Sonuçlar (Layer 1/2/3).**
- L1: MAU 6.000 temsilci, D30 retention %78
- L2: AHT 12 dk → 3 dk (%75 azalma)
- L3: çağrı çözme oranı +%18, NPS +12 puan, customer effort score -28%

**ROI Hesabı.**
- Yatırım: $880.000 (dev + eval + KVKK audit) + $180.000/yıl (ops)
- Hard ROI: FTE eşdeğeri tasarrufu (yeni çalışan ihtiyacının ertelenmesi) $1.8M/yıl
- Payback: 9 ay
- Soft ROI: NPS +12, retention etkisi $4M/yıl proxy değer

**Anahtar Karar.** 14 haftalık change management programı: temsilci eğitimi, prompt kütüphanesi, "AI buddy" mentörlük, ödüllendirme KPI'ları AHT yerine kalite + müşteri memnuniyetine kaydırıldı.

## 12. Riskler ve Karşı Önlemler

<callout-box data-variant="warning" data-title="ROI Hesaplamasında 5 Yaygın Hata">

1. **Maliyetleri eksik göstermek.** Sadece LLM API'sini saymak, dev FTE + change management + KVKK uyumu + ops maliyetlerini atlamak.
2. **Faydaları abartmak.** "Saatlik tasarrufu" × FTE = ROI değil. Çünkü kazanılan saatler verimli kullanılırsa fayda gelir.
3. **A/B test atlama.** "Önce ve sonra" karşılaştırması seasonality + ekonomik faktörler nedeniyle yanıltıcı.
4. **Single metric saplantısı.** Sadece conversion'a bakmak, retention veya brand impact'i kaçırır.
5. **Sensitivity analysis yokluğu.** "Eğer adoption %50 yerine %30 olursa ROI nasıl değişir?" sorusunu sormamak.

</callout-box>

### Risk Düzeltilmiş NPV Yaklaşımı

CFO dilinde konuşmak için: AI projesinin **expected NPV**'sini değil, **risk-adjusted NPV**'sini hesapla. Senaryolar:

- **Best case (%20 probability):** Layer 3 hedefleri aşılır, ROI %250.
- **Base case (%50):** Hedefler tutturulur, ROI %120.
- **Worst case (%30):** Layer 2 tutuyor ama Layer 3 zayıf, ROI %30.

Risk-adjusted ROI = 0.2 × 250 + 0.5 × 120 + 0.3 × 30 = 50 + 60 + 9 = **%119**. Bu değer board sunumunda %250'den çok daha güvenilir.

## 13. SSS

<callout-box data-variant="answer" data-title="AI ROI'sini ne kadar zamanda görmeyi beklemeliyim?">

BCG verisi 14 ay; Türk şirketlerinde 16-18 ay (change management gecikmesi). Quick win use case'leri 4-7 ay'a sıkıştırılabilir; strategic bet'ler 12-24 ay sürer.

</callout-box>

<callout-box data-variant="answer" data-title="Layer 1 utilization düşükse pilot kapatılmalı mı?">

3. ay sonunda MAU %20 altındaysa **utilization sorunu**: pilot kapatmadan önce neden bakılır (UX, eğitim, sponsor, use case yanlış mı?). %20 altında 6. ay devam ederse, evet, kapatın — ölçeklendirme bütçesi yakmayın.

</callout-box>

<callout-box data-variant="answer" data-title="Hard ROI mı Soft ROI mı board'a sunmalıyım?">

İkisi de. Hard ROI finansal güven verir, soft ROI stratejik vizyon. Ama soft ROI'yi proxy KPI'larla **sayısallaştırın** ("eNPS +8 puan = $X talent retention").

</callout-box>

<callout-box data-variant="answer" data-title="BCG 10-20-70 kuralına nasıl uyarım?">

Bütçenin %70'ini eğitim, süreç yeniden tasarımı, KPI hizalama, prompt kütüphanesi, ödüllendirme, iletişim, executive sponsorship için ayırın. Bu kalemler genelde "soft" göründüğü için ilk kesilir; halbuki ROI'nin %70'i buradan gelir.

</callout-box>

<callout-box data-variant="answer" data-title="Vanity metric ile gerçek ROI'yi nasıl ayırırım?">

Test: bu metriği CFO dashboard'una koysam, finansal bir karar verir miydi? Eğer cevap "hayır" ise vanity metric'tir. Token kullanımı vanity'dir; AHT azalma × call volume × cost per minute hard ROI'dir.

</callout-box>

<callout-box data-variant="answer" data-title="A/B test yapmadan ROI ölçebilir miyim?">

Hayır, en azından güvenilir şekilde değil. "Önce ve sonra" karşılaştırması seasonality, market koşulları, organizasyonel değişimlerle kirlenir. Pilot tasarımında A/B test (treatment grup vs control grup) ROI ölçümünün temelidir.

</callout-box>

<callout-box data-variant="answer" data-title="Türk şirketinde change management bütçesi nasıl satarım?">

CFO'ya dilini kullanın: "Algoritmaya $100K yatırıp insan değişimine $0 yatırırsak, BCG verisine göre %80 olasılıkla pilot purgatory'ye düşeriz — yani $100K kaybederiz. Change management'a $200K eklersek, üretim olasılığı %5'ten %35'e çıkar — beklenen değer 3x artar."

</callout-box>

<callout-box data-variant="answer" data-title="CAIO atamadan ROI ölçebilir miyim?">

Evet ama zor. CAIO yoksa, AI projelerinin ROI'sini ölçecek "AI Center of Excellence" tipi bir hücrenin kurulması gerek. CAIO konusu için detaylı playbook bizim diğer makalemizde.

</callout-box>

## 14. Bir Sonraki Adım

AI ROI ölçüm framework'ünü şirketinizde kurmak için üç tipik başlangıç:

1. **ROI Diagnostic.** Mevcut AI portföyünüzdeki tüm projelerin Layer 1/2/3 ölçümü, BCG 10-20-70 kuralına göre değer dağılımı, kayıp ROI tespiti. 3 haftalık deep-dive.
2. **Use Case Prioritization Atölyesi.** Şirketin tüm potansiyel AI use case'lerini impact × feasibility matrisinde yerleştirme, top 5 use case için detaylı ROI projeksiyonu. 4 saatlik executive workshop + 2 haftalık analiz.
3. **CFO Dashboard Tasarımı.** AI portföyünün CFO'ya real-time görünür hale gelmesi için dashboard tasarımı + KPI tanımları + raporlama ritmi. 6 haftalık implementasyon.

İletişim için site üzerindeki contact formu kullanılabilir.

<references-list data-items="[{&quot;title&quot;:&quot;Closing the AI Impact Gap (Widening AI Value Gap)&quot;,&quot;url&quot;:&quot;https://www.bcg.com/publications/2025/closing-the-ai-impact-gap&quot;,&quot;author&quot;:&quot;Boston Consulting Group&quot;,&quot;publishedAt&quot;:&quot;2025-01-15&quot;,&quot;publisher&quot;:&quot;BCG&quot;},{&quot;title&quot;:&quot;Scaling AI Pays Off — How Leaders Capture Value&quot;,&quot;author&quot;:&quot;Boston Consulting Group&quot;,&quot;publishedAt&quot;:&quot;2024-11-10&quot;,&quot;publisher&quot;:&quot;BCG&quot;},{&quot;title&quot;:&quot;The State of AI 2025&quot;,&quot;url&quot;:&quot;https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai&quot;,&quot;author&quot;:&quot;McKinsey &amp; Company&quot;,&quot;publishedAt&quot;:&quot;2025-03-12&quot;,&quot;publisher&quot;:&quot;McKinsey QuantumBlack&quot;},{&quot;title&quot;:&quot;The Economic Potential of Generative AI&quot;,&quot;url&quot;:&quot;https://www.mckinsey.com/capabilities/mckinsey-digital/our-insights/the-economic-potential-of-generative-ai&quot;,&quot;author&quot;:&quot;McKinsey &amp; Company&quot;,&quot;publishedAt&quot;:&quot;2023-06-14&quot;,&quot;publisher&quot;:&quot;McKinsey Digital&quot;},{&quot;title&quot;:&quot;IBM Institute for Business Value — AI ROI Report 2025&quot;,&quot;url&quot;:&quot;https://www.ibm.com/thought-leadership/institute-business-value&quot;,&quot;author&quot;:&quot;IBM IBV&quot;,&quot;publishedAt&quot;:&quot;2025-04-22&quot;,&quot;publisher&quot;:&quot;IBM&quot;},{&quot;title&quot;:&quot;Masterofcode — AI ROI Calculator and Framework&quot;,&quot;url&quot;:&quot;https://masterofcode.com/blog/ai-roi&quot;,&quot;author&quot;:&quot;Masterofcode&quot;,&quot;publishedAt&quot;:&quot;2025-02-08&quot;,&quot;publisher&quot;:&quot;Masterofcode Global&quot;},{&quot;title&quot;:&quot;DeepHumanX — Measuring AI Business Value&quot;,&quot;url&quot;:&quot;https://deephumanx.com/research/ai-roi-measurement&quot;,&quot;author&quot;:&quot;DeepHumanX&quot;,&quot;publishedAt&quot;:&quot;2025-05-15&quot;,&quot;publisher&quot;:&quot;DeepHumanX&quot;},{&quot;title&quot;:&quot;MIT NANDA Initiative — GenAI Value Realization Study&quot;,&quot;url&quot;:&quot;https://nanda.media.mit.edu/&quot;,&quot;author&quot;:&quot;MIT Media Lab&quot;,&quot;publishedAt&quot;:&quot;2025-06-01&quot;,&quot;publisher&quot;:&quot;MIT&quot;},{&quot;title&quot;:&quot;Gartner AI Maturity Model 2025&quot;,&quot;url&quot;:&quot;https://www.gartner.com/en/information-technology/insights/artificial-intelligence&quot;,&quot;author&quot;:&quot;Gartner&quot;,&quot;publishedAt&quot;:&quot;2025-05-20&quot;,&quot;publisher&quot;:&quot;Gartner&quot;},{&quot;title&quot;:&quot;Deloitte State of Generative AI in the Enterprise Q4 2024&quot;,&quot;url&quot;:&quot;https://www2.deloitte.com/us/en/pages/consulting/articles/state-of-generative-ai-in-enterprise.html&quot;,&quot;author&quot;:&quot;Deloitte&quot;,&quot;publishedAt&quot;:&quot;2024-12-10&quot;,&quot;publisher&quot;:&quot;Deloitte&quot;},{&quot;title&quot;:&quot;PwC AI Predictions 2026&quot;,&quot;url&quot;:&quot;https://www.pwc.com/us/en/tech-effect/ai-analytics/ai-predictions.html&quot;,&quot;author&quot;:&quot;PwC&quot;,&quot;publishedAt&quot;:&quot;2025-11-04&quot;,&quot;publisher&quot;:&quot;PwC&quot;},{&quot;title&quot;:&quot;HBR — How to Measure AI ROI&quot;,&quot;url&quot;:&quot;https://hbr.org/2024/07/how-to-measure-the-roi-of-ai-investments&quot;,&quot;author&quot;:&quot;Harvard Business Review&quot;,&quot;publishedAt&quot;:&quot;2024-07-22&quot;,&quot;publisher&quot;:&quot;HBR&quot;},{&quot;title&quot;:&quot;Accenture Technology Vision 2025&quot;,&quot;url&quot;:&quot;https://www.accenture.com/us-en/insights/technology/technology-trends-2025&quot;,&quot;author&quot;:&quot;Accenture&quot;,&quot;publishedAt&quot;:&quot;2025-01-30&quot;,&quot;publisher&quot;:&quot;Accenture&quot;},{&quot;title&quot;:&quot;Forrester AI Investment Benchmarks 2025&quot;,&quot;url&quot;:&quot;https://www.forrester.com/research/&quot;,&quot;author&quot;:&quot;Forrester&quot;,&quot;publishedAt&quot;:&quot;2025-03-05&quot;,&quot;publisher&quot;:&quot;Forrester&quot;},{&quot;title&quot;:&quot;BCG — Where&apos;&apos;s the Value in AI?&quot;,&quot;url&quot;:&quot;https://www.bcg.com/publications/2024/wheres-value-in-ai&quot;,&quot;author&quot;:&quot;Boston Consulting Group&quot;,&quot;publishedAt&quot;:&quot;2024-08-12&quot;,&quot;publisher&quot;:&quot;BCG&quot;},{&quot;title&quot;:&quot;Databricks State of Data + AI 2025&quot;,&quot;url&quot;:&quot;https://www.databricks.com/resources/ebook/state-of-data-ai-report&quot;,&quot;author&quot;:&quot;Databricks&quot;,&quot;publishedAt&quot;:&quot;2025-04-18&quot;,&quot;publisher&quot;:&quot;Databricks&quot;},{&quot;title&quot;:&quot;Andreessen Horowitz — Enterprise AI Spend Survey 2025&quot;,&quot;url&quot;:&quot;https://a16z.com/2025-enterprise-ai-spend/&quot;,&quot;author&quot;:&quot;a16z&quot;,&quot;publishedAt&quot;:&quot;2025-05-22&quot;,&quot;publisher&quot;:&quot;Andreessen Horowitz&quot;},{&quot;title&quot;:&quot;World Economic Forum — Future of Jobs Report 2025&quot;,&quot;url&quot;:&quot;https://www.weforum.org/reports/the-future-of-jobs-report-2025&quot;,&quot;author&quot;:&quot;WEF&quot;,&quot;publishedAt&quot;:&quot;2025-01-08&quot;,&quot;publisher&quot;:&quot;World Economic Forum&quot;},{&quot;title&quot;:&quot;TÜBİTAK BİLGEM Türkiye AI Olgunluk Raporu&quot;,&quot;url&quot;:&quot;https://bilgem.tubitak.gov.tr/&quot;,&quot;author&quot;:&quot;TÜBİTAK BİLGEM&quot;,&quot;publishedAt&quot;:&quot;2024-12&quot;,&quot;publisher&quot;:&quot;T.C. TÜBİTAK&quot;},{&quot;title&quot;:&quot;TRAI Türkiye Yapay Zeka İnisiyatifi — Sektör Raporu 2025&quot;,&quot;url&quot;:&quot;https://turkiye.ai/&quot;,&quot;author&quot;:&quot;TRAI&quot;,&quot;publishedAt&quot;:&quot;2025-06&quot;,&quot;publisher&quot;:&quot;Türkiye AI Initiative&quot;},{&quot;title&quot;:&quot;Stanford HAI — AI Index Report 2025&quot;,&quot;url&quot;:&quot;https://aiindex.stanford.edu/report/&quot;,&quot;author&quot;:&quot;Stanford HAI&quot;,&quot;publishedAt&quot;:&quot;2025-04&quot;,&quot;publisher&quot;:&quot;Stanford University&quot;},{&quot;title&quot;:&quot;KPMG — Generative AI Risk and Value Survey 2025&quot;,&quot;url&quot;:&quot;https://kpmg.com/xx/en/home/insights.html&quot;,&quot;author&quot;:&quot;KPMG&quot;,&quot;publishedAt&quot;:&quot;2025-05&quot;,&quot;publisher&quot;:&quot;KPMG&quot;},{&quot;title&quot;:&quot;EY — How AI Will Reshape the Enterprise 2025&quot;,&quot;url&quot;:&quot;https://www.ey.com/en_gl/insights/ai&quot;,&quot;author&quot;:&quot;EY&quot;,&quot;publishedAt&quot;:&quot;2025-03&quot;,&quot;publisher&quot;:&quot;Ernst &amp; Young&quot;},{&quot;title&quot;:&quot;BCG — AI at Scale Survey 2024&quot;,&quot;url&quot;:&quot;https://www.bcg.com/publications/2024/scaling-ai-survey&quot;,&quot;author&quot;:&quot;Boston Consulting Group&quot;,&quot;publishedAt&quot;:&quot;2024-11&quot;,&quot;publisher&quot;:&quot;BCG&quot;},{&quot;title&quot;:&quot;KVKK - 6698 Sayılı Kişisel Verilerin Korunması Kanunu&quot;,&quot;url&quot;:&quot;https://www.kvkk.gov.tr/&quot;,&quot;author&quot;:&quot;T.C. KVKK&quot;,&quot;publishedAt&quot;:&quot;2016-04-07&quot;,&quot;publisher&quot;:&quot;Türkiye Cumhuriyeti&quot;},{&quot;title&quot;:&quot;EU Artificial Intelligence Act&quot;,&quot;url&quot;:&quot;https://artificialintelligenceact.eu/&quot;,&quot;author&quot;:&quot;European Commission&quot;,&quot;publishedAt&quot;:&quot;2024-03-13&quot;,&quot;publisher&quot;:&quot;EU&quot;}]"></references-list>

---

Bu rehber yaşayan bir belgedir; BCG, McKinsey ve PwC raporları her çeyrek güncellendiği için **çeyreklik olarak güncellenmektedir**.