# AI Use-Case Önceliklendirme Matrisi Nasıl Hazırlanır? (Adım Adım + Şablon) > Source: https://sukruyusufkaya.com/blog/ai-use-case-onceliklendirme-matrisi > Updated: 2026-07-07T21:42:32.061Z > Type: blog > Category: yapay-zeka **TLDR:** Use-case önceliklendirme nasıl yapılır? Değer-fizibilite matrisi, ağırlıklı skorlama, quick win portföyü, kopyalanabilir şablon ve örnek matris rehberi. Use-case önceliklendirme nasıl yapılır? Use-case önceliklendirme, bir kurumun aday yapay zeka kullanım senaryolarını (kullanım senaryosu önceliklendirme olarak da bilinir) ortak değerlendirme boyutlarında puanlayıp bir matrise yerleştirerek hangi projeye önce yatırım yapılacağını belirleyen sistematik bir karar sürecidir. Amaç, "hangi yapay zeka fikri ile başlamalıyız?" sorusuna sezgiyle değil, savunulabilir ve paydaşlarla hizalanmış bir use-case önceliklendirme yöntemiyle cevap vermektir. Çoğu kurumun sorunu yapay zeka fikri eksikliği değildir; tam tersine, aynı anda değerlendirilebilecek onlarca aday senaryo vardır ve sınırlı bütçe, dikkat ve teknik kapasite bunların hepsini aynı anda yapmayı imkânsız kılar. İşte tam bu noktada use-case önceliklendirme devreye girer: aday senaryoları ortak bir çerçevede karşılaştırır, değer-fizibilite matrisi ile görselleştirir ve ağırlıklı skorlama ile sıralar. Bu rehber use-case önceliklendirmeyi bir yönetim danışmanı titizliğiyle ele alıyor: use-case keşfi yöntemleri; altı değerlendirme boyutu; ağırlıklı skorlama yönteminin adım adım kurulumu; değer-fizibilite matrisi (2x2) ve portföy yaklaşımı; kopyalanabilir bir şablon tablo ve açıkça illüstratif örnek doldurulmuş bir matris; paydaş hizalaması; uygulama kontrol listesi ve yaygın hatalar. Amaç, elinizden çıktığında doğrudan uygulayabileceğiniz bir use-case önceliklendirme sistemi bırakmaktır. ## Use-Case Önceliklendirme Neden Bu Kadar Önemli? Yapay zeka bir kurumun önündeki en pahalı ve en belirsiz yatırım alanlarından biridir. Bir kurumun karşısındaki asıl soru "yapay zeka kullanalım mı?" değildir; soru "hangi yapay zeka use-case'ini, hangi sırayla, hangi bütçeyle hayata geçirelim?" sorusudur. Bu soruya sistematik cevap veren araç use-case önceliklendirmedir. Önceliklendirme olmadan yapay zeka programı, en yüksek sesle konuşan yöneticinin ya da en gösterişli demoların peşinden giden dağınık bir deneme yığınına dönüşür — ve bu, hem sermayeyi hem de kurumun yapay zekaya olan güvenini hızla tüketir. Birinci neden kaynak kıtlığıdır. Hiçbir kurumun, aklına gelen tüm yapay zeka fikirlerini aynı anda hayata geçirecek bütçesi, veri ekibi veya yönetim dikkati yoktur. Yatırım önceliklendirme, bu kıt kaynağı en yüksek getiriyi üretecek senaryolara yönlendirmenin tek disiplinli yoludur. Use-case önceliklendirme, "her şeyi yapamayız, o hâlde neyi önce yapmalıyız?" sorusuna sayısal ve savunulabilir bir cevap üretir. İkinci neden erken kazanım ve momentumdur. Yapay zeka programlarının çoğu, ilk 6-12 ayda somut değer gösteremediği için yönetim desteğini kaybeder. Doğru bir use-case önceliklendirme, portföye mutlaka birkaç quick win (hızlı kazanım) koyar: kısa sürede, düşük riskle görünür değer üreten senaryolar. Bu erken kazanımlar, daha büyük ve daha riskli yatırımlar için gereken bütçe güvenini ve kurumsal momentumu inşa eder. Üçüncü neden hizalama ve şeffaflıktır. Önceliklendirme yalnızca teknik değil, aynı zamanda politik bir süreçtir: pazarlama kendi senaryosunun, operasyon kendi senaryosunun öne çıkmasını ister. Ortak bir değerlendirme çerçevesi ve şeffaf bir ağırlıklı skorlama, bu rekabeti "kimin sesi daha güçlü" tartışmasından "hangi senaryo ortak kriterlerde daha yüksek puan alıyor" tartışmasına taşır. Bu, sonuçların sahiplenilmesini kolaylaştırır. Yapay zekayı bir bütün olarak kurumsal stratejiye oturtmak için kurumsal yapay zeka stratejisi nasıl oluşturulur rehberi iyi bir başlangıçtır; use-case önceliklendirme, o stratejinin somut karar katmanıdır. Dördüncü ve çoğu zaman en az konuşulan neden, yanlış yatırımdan kaçınmaktır. Yapay zeka hevesi güçlüdür; kurumlar sırf "geri kalmamak" için iş değeri belirsiz projelere kaynak ayırabilir. Sağlam bir use-case önceliklendirme disiplini, bu heves-kaynaklı yatırımları erken eler: bir fikir değerlendirme boyutlarından geçemiyorsa, henüz olgunlaşmamış demektir. Bu anlamda önceliklendirme yalnızca "hangi projeyi yapalım?" sorusuna değil, aynı ölçüde "hangi projeyi yapmayalım?" sorusuna da cevap verir. Nitekim yapay zeka yatırımlarının başarısızlık nedenlerinin başında, yanlış use-case seçimi ve önceliklendirme eksikliği gelir; bu tuzakları yapay zeka yatırımlarında başarısızlık nedenleri yazısında ayrıntılı ele alıyoruz. Beşinci ve genellikle gözden kaçan neden, öğrenme hızıdır. Yapay zeka, kurumların hâlâ öğrenmekte olduğu bir alandır; hiçbir kurum ilk seferde her senaryoyu doğru seçmez. Sistematik bir use-case önceliklendirme, bu öğrenmeyi hızlandırır: her senaryo bir hipotez gibi seçilir, uygulanır ve sonucu bir sonraki önceliklendirmeyi besler. Sezgiyle karar veren bir kurum, aynı hataları tekrarlar; sistematik önceliklendiren bir kurum ise her turda biraz daha isabetli hâle gelir. Bu öğrenme avantajı, zamanla rakipler arasında belirleyici bir fark yaratır — çünkü doğru senaryoları erken seçen kurum, kaynağını boşa harcamadan ilerler. Yapay zekada erken ve doğru seçim yapmak, geç ve dağınık başlayan rakiplere karşı bileşik bir avantaj biriktirir. Use-case önceliklendirmenin asıl değeri ürettiği sıralı liste değil, o listeyi üretmek için kurmanız gereken disiplindir: senaryoları ortak boyutlarda puanlamak, ağırlıkları paydaşlarla birlikte belirlemek ve varsayımları yazılı hale getirmek. Bu disiplin, kurumu daha en baştan daha gerçekçi ve daha hizalı düşünmeye zorlar. ## Use-Case Keşfi Nasıl Yapılır? Aday Senaryoları Toplama Önceliklendirme, ortada önceliklendirilecek yeterince aday senaryo yoksa anlamsızdır. Bu yüzden süreç, disiplinli bir use-case keşfi (aday senaryoları sistematik toplama) ile başlar. İyi bir use-case keşfi aşaması, hem geniş (hiçbir değerli fikri kaçırmayacak kadar) hem de yapılandırılmış (sonraki puanlamayı adil kılacak kadar) olmalıdır. ### Üç Keşif Kaynağı: Yukarıdan, Aşağıdan ve Dışarıdan Sağlıklı bir use-case keşfi üç kaynaktan beslenir ve bu üçünü birlikte kullanmak, tek yönlü bir listeye göre çok daha zengin bir aday havuzu üretir. **Yukarıdan aşağı (strateji odaklı):** Kurumun stratejik hedeflerinden yola çıkarak use-case türetmek. "Operasyon maliyetini %15 azaltmak istiyoruz — bunu nerede yapay zeka ile yapabiliriz?" ya da "müşteri kaybını düşürmek istiyoruz — hangi yapay zeka senaryosu buna hizmet eder?" Bu yaklaşım, senaryoların stratejik uyumunu baştan garanti eder ama saha gerçekliğinden kopabilir. **Aşağıdan yukarı (acı noktası odaklı):** İş birimlerinden ve saha çalışanlarından günlük acı noktalarını toplamak. "Hangi işler tekrarlı, sıkıcı ve zaman alıcı?" "Nerede sürekli hata yapılıyor?" Saha çalışanları, yöneticilerin göremediği somut otomasyon fırsatlarını bilir. Bu yaklaşım son derece pratik senaryolar üretir ama bütünsel stratejiden kopuk olabilir. **Dışarıdan içeriye (pazar odaklı):** Sektör örnekleri, rakip hamleleri ve tedarikçi/teknoloji yeteneklerinden ilham almak. "Rakiplerimiz bu alanda yapay zeka kullanıyor" veya "bu yeni teknoloji şu senaryoyu artık mümkün kılıyor." Bu yaklaşım, kurumun kendi içine kapanmasını önler ama körü körüne taklide dönüşme riski taşır. ### Keşif Yöntemleri ve Ortak Kayıt Şablonu Use-case keşfi pratikte birkaç yöntemle yapılır: çapraz-fonksiyonel çalıştaylar (en verimli yöntem), iş birimi anketleri, birebir görüşmeler, mevcut süreç haritalarının incelenmesi ve şikâyet/talep verilerinin analizi. Hangi yöntemi kullanırsanız kullanın, kritik kural şudur: her aday senaryo, ortak bir şablonla kaydedilmelidir. Aksi halde sonraki puanlama adımı, elmalarla armutları karşılaştırmaya dönüşür. Bu ortak şablon, use-case keşfinin en kritik çıktısıdır: her senaryo aynı bilgi setiyle tanımlandığında, sonraki ağırlıklı skorlama adımı adil, tutarlı ve savunulabilir olur. Keşif aşamasında ayrıca senaryoları kabaca gruplamak faydalıdır: içerik üretimi, karar desteği, otomasyon, bilgi erişimi gibi. Bu gruplama, portföyün belirli bir alanda yoğunlaşıp yoğunlaşmadığını görmeyi kolaylaştırır. Otomasyon ağırlıklı senaryolarda otomasyon nedir, bilgi erişimi senaryolarında RAG nedir ve karar/aksiyon senaryolarında AI agent nedir rehberleri, senaryonun teknik doğasını anlamak için yardımcı olur. Use-case keşfi aşamasının felsefesi "önce topla, sonra ele"dir. Bu aşamada fikirleri erken elemek en büyük hatalardan biridir; görünüşte küçük bir öneri, doğru puanlandığında bir quick win çıkabilir. Kapıyı geniş açın; eleme, sonraki objektif skorlama adımının işidir. ## Use-Case Değerlendirmesinde Hangi Boyutlar Kullanılır? Aday senaryolar toplandıktan sonra, hepsinin aynı objektif boyutlarda değerlendirilmesi gerekir. Sağlam bir use-case önceliklendirme, altı temel değerlendirme boyutu kullanır. Bu altı boyut, bir senaryonun hem çekiciliğini (ne kadar değerli) hem de yapılabilirliğini (ne kadar gerçekçi) birlikte ölçer. Her boyut tipik olarak 1-5 arası bir ölçekle puanlanır. ### 1. İş Değeri İş değeri, senaryonun kuruma sağlayacağı somut finansal ve operasyonel getiridir: maliyet azaltma, gelir artışı, verimlilik kazanımı, müşteri deneyimi iyileşmesi. Bu boyut önceliklendirmenin kalbidir; düşük iş değeri taşıyan bir senaryo, ne kadar kolay uygulanırsa uygulansın, portföyde üst sıralara çıkmamalıdır. İş değerini puanlarken, mümkün olduğunca parasal bir tahmine dayanmak — yani bir sonraki adım olan ROI mantığıyla düşünmek — objektifliği artırır. Bir senaryonun iş değerini finansal olarak modellemek için yapay zeka ROI nasıl hesaplanır rehberindeki fayda kalemleri (maliyet azaltma, gelir, hız, kalite, risk) doğrudan kullanılabilir. ### 2. Teknik Fizibilite Teknik fizibilite, senaryonun mevcut teknoloji, altyapı ve yetkinlikle ne kadar uygulanabilir olduğudur. Yüksek fizibilite, kanıtlanmış tekniklerle, makul bir sürede ve kabul edilebilir bir çabayla hayata geçebilecek senaryoları işaret eder. Düşük fizibilite ise ya olgunlaşmamış teknoloji, ya eksik yetkinlik, ya da aşırı entegrasyon karmaşıklığı anlamına gelir. Fizibiliteyi doğru puanlamak, kurumun kendi yapay zeka olgunluğunu dürüstçe değerlendirmesini gerektirir; bu öz-değerlendirme için yapay zeka olgunluk modeli rehberi çok işe yarar. Olgunluğu düşük bir kurumun "yüksek fizibilite" verdiği senaryolar, gerçekte tuzak olabilir. ### 3. Veri Hazırlığı Veri hazırlığı, çoğu use-case önceliklendirmenin en çok atladığı ama en belirleyici boyuttur. Bir yapay zeka senaryosu ancak, ihtiyaç duyduğu veri mevcut, erişilebilir, yeterli kalitede ve yasal olarak kullanılabilir ise başarılı olur. Mükemmel bir iş değeri taşıyan bir senaryo, gerekli veri dağınık, kirli veya erişilemez durumdaysa pratikte uygulanamaz. Veri hazırlığını ayrı bir boyut olarak puanlamak, "harika fikir ama veri yok" senaryolarının erken görülmesini sağlar. Veri kalitesi ve yönetiminin neden bu kadar kritik olduğunu veri kalitesi nedir ve veri yönetişimi nedir yazılarında ele alıyoruz. ### 4. Risk Risk boyutu, senaryonun getirdiği uyum, güvenlik, itibar ve model risklerini kapsar. Kişisel veri işleyen bir senaryo KVKK riski taşır; müşteriye doğrudan yanıt üreten bir senaryo halüsinasyon ve itibar riski taşır; kritik bir kararı otomatikleştiren bir senaryo model hatası riski taşır. Risk boyutu genellikle "ters" puanlanır: yüksek risk, düşük öncelik puanı anlamına gelir (veya risk azaltıcı önlemlerin maliyeti fizibiliteyi düşürür). Yapay zekanın getirdiği yeni riskleri anlamak için yapay zeka halüsinasyonu nedir ve düzenleyici çerçeve için KVKK nedir yazıları temel oluşturur. ### 5. Stratejik Uyum Stratejik uyum, senaryonun kurumun genel hedefleri ve önceliklerine ne kadar hizmet ettiğidir. Yüksek iş değeri taşıyan ama kurumun stratejik yönüyle örtüşmeyen bir senaryo, kaynağı ana hedeflerden uzaklaştırabilir. Bu boyut, önceliklendirmeyi kurumsal stratejiye bağlar ve "teknik olarak cazip ama stratejik olarak alakasız" senaryoları frenler. Stratejik uyumu doğru puanlamak, kurumun net bir yapay zeka stratejisine sahip olmasını gerektirir; bu da önceliklendirmeyi dijital dönüşüm nedir gündemiyle ilişkilendirir. ### 6. Ölçeklenebilirlik Ölçeklenebilirlik, bir senaryonun pilottan kurum geneline yayılabilme potansiyelidir. Bazı senaryolar dar bir alanda harika çalışır ama ölçeklendirilemez; bazıları ise bir kez kurulduğunda tüm organizasyona, hatta müşteri tabanına yayılabilir. Ölçeklenebilir senaryolar, aynı iş değerini çok daha geniş bir tabanda ürettiği için portföyde ekstra ağırlık hak eder. Bu boyut, "küçük bir departmanda işe yarar" ile "tüm kurumu dönüştürür" senaryolarını ayırır. Bazı kurumlar bu altı boyuta ek olarak etik uygunluk, pazara çıkış süresi (time-to-value) veya tahmini maliyet gibi boyutlar da ekler. Ancak boyut sayısını artırmak her zaman daha iyi değildir: çok fazla boyut, puanlamayı yorucu ve öznel hale getirir. Çoğu kurum için bu altı boyut, hem kapsayıcı hem de yönetilebilir bir denge sunar. Önemli olan boyutların sayısı değil, her boyutun net tanımlanmış ve tutarlı puanlanmış olmasıdır. ## Ağırlıklı Skorlama Yöntemi Nasıl Kurulur? (Adım Adım) Altı boyutta puanlama yaptıktan sonra, bu puanları tek bir karşılaştırılabilir sayıya indirgemek gerekir. Bunu yapan yöntem ağırlıklı skorlamadır (weighted scoring). Ağırlıklı skorlama, her boyuta stratejik önemine göre bir ağırlık atar ve puanları bu ağırlıklarla çarparak toplar; sonuç, her use-case için tek bir ağırlıklı toplam puandır. Bu yöntem, "hangi senaryo daha iyi?" tartışmasını sezgisel bir çekişmeden, şeffaf ve tekrarlanabilir bir hesaba dönüştürür. ### Adım 1: Boyutlara Ağırlık Ata (Toplam %100) İlk adım, altı boyutun her birine bir ağırlık vermektir; ağırlıkların toplamı %100 olmalıdır. Ağırlıklar, kurumun o dönemki stratejik önceliklerini yansıtır. Örneğin maliyet baskısı altındaki bir kurum iş değerine ve fizibiliteye yüksek ağırlık verirken, düzenlemeye tabi bir sektör riske daha yüksek ağırlık verebilir. Aşağıdaki ağırlıklar tamamen illüstratiftir ve yalnızca yöntemi göstermek içindir; kendi kurumunuzda bu ağırlıkları paydaşlarla birlikte belirlemelisiniz. Ağırlık atama, ağırlıklı skorlamanın en stratejik ve en politik adımıdır: ağırlıklar, kurumun neyi önemsediğini sayısal olarak ilan eder. Bu yüzden ağırlıkları teknik ekip tek başına değil, çapraz-fonksiyonel bir grup belirlemelidir. Ağırlıklar üzerinde anlaşan paydaşlar, sonuçtaki sıralamayı çok daha kolay kabul eder. ### Adım 2: Her Senaryoyu Her Boyutta Puanla (1-5) İkinci adımda, her use-case her boyutta 1-5 arası puanlanır. Puanlamanın tutarlı olması için her puanın ne anlama geldiğini önceden tanımlamak (bir rubrik oluşturmak) şarttır. Örneğin veri hazırlığı için: 5 = veri hazır, temiz ve erişilebilir; 3 = veri var ama temizlik gerekiyor; 1 = veri yok veya erişilemez. Risk gibi ters boyutlarda ise yüksek puan düşük riski gösterecek şekilde çevrilir (5 = risk düşük). Bu rubrik disiplini, farklı kişilerin aynı senaryoya benzer puan vermesini sağlar ve öznelliği azaltır. ### Adım 3: Ağırlıklı Toplam Puanı Hesapla Üçüncü adım basit bir aritmetiktir: her boyutun puanı, o boyutun ağırlığıyla çarpılır ve tüm boyutlar toplanır. **Ağırlıklı Puan = Σ (Boyut Puanı × Boyut Ağırlığı)** Örneğin bir senaryo iş değerinde 4, fizibilitede 3, veri hazırlığında 5, stratejik uyumda 4, riskte 3 (ters), ölçeklenebilirlikte 2 alırsa ve yukarıdaki illüstratif ağırlıklar kullanılırsa: (4×0,30) + (3×0,20) + (5×0,20) + (4×0,15) + (3×0,10) + (2×0,05) = 1,20 + 0,60 + 1,00 + 0,60 + 0,30 + 0,10 = 3,80. Bu 3,80, senaryonun tek bir karşılaştırılabilir toplam puanıdır. Tüm senaryolar bu şekilde puanlandığında, doğrudan sıralanabilir bir liste elde edilir. Bu son adım — sırala ve doğrula — kritiktir. Ağırlıklı skorlama tek başına bir cevap değil, bir tartışma başlatıcıdır. Sıralama beklenmedik bir sonuç verdiyse (örneğin herkesin favorisi olan senaryo düşük puan aldıysa), bu ya değerli bir içgörüdür (favori senaryo aslında zayıf) ya da bir puanlama/ağırlık hatasının işaretidir. Her iki durumda da bu tartışma, kararı güçlendirir. Ayrıca "ağırlıkları biraz değiştirsem sıralama değişir mi?" sorusunu test etmek — yani duyarlılık analizi — hangi senaryoların sağlam, hangilerinin kırılgan olduğunu gösterir. Ağırlıklı skorlamanın çıktısı olan sayı, kararı sizin yerinize vermez; kararı daha net görmenizi sağlar. Nihai kararda insan yargısı hâlâ devrededir — ama artık bu yargı, şeffaf ve paylaşılan bir çerçeveye dayanır. Sayıyı bir hakem gibi değil, bir mercek gibi kullanın. ## Değer-Fizibilite Matrisi (2x2) Nedir ve Nasıl Okunur? Ağırlıklı skorlama sıralı bir liste üretir; ama liste tek başına, bir senaryonun neden yukarıda veya aşağıda olduğunu tek bakışta göstermez. İşte burada değer-fizibilite matrisi devreye girer. Değer-fizibilite matrisi, senaryoları iki temel eksende — iş değeri (dikey) ve teknik fizibilite (yatay) — konumlandıran 2x2 bir görselleştirmedir. Bu iki eksen, altı boyutun en belirleyici ikisini temsil eder ve karmaşık bir skor tablosunu, yöneticilerin tek bakışta anlayabileceği bir portföy haritasına dönüştürür. Matris dört çeyrek oluşturur ve her çeyreğin farklı bir stratejik anlamı vardır: **Quick win (yüksek değer, yüksek fizibilite):** Matrisin en cazip çeyreği. Bu senaryolar kısa sürede, düşük riskle görünür değer üretir. Bir yapay zeka programının ilk aylarında mutlaka birkaç quick win hayata geçirilmelidir; bunlar hem somut değer hem de daha büyük yatırımlar için gereken kurumsal güveni üretir. Quick win, momentum kurmanın ve yatırım önceliklendirmede erken meşruiyet kazanmanın en hızlı yoludur. **Büyük bahis (yüksek değer, düşük fizibilite):** Yüksek getiri vaat eden ama uygulaması zor senaryolar. Bunlar daha çok yatırım, daha uzun süre ve daha yüksek risk gerektirir; ama başarılı olduklarında dönüştürücü rekabet avantajı yaratır. Büyük bahisler dikkatle planlanmalı ve genellikle fizibiliteyi artıracak ön çalışmalarla (veri hazırlığı, yetkinlik geliştirme) desteklenmelidir. **Dolgu (düşük değer, yüksek fizibilite):** Kolay uygulanan ama sınırlı değer üreten senaryolar. Bunlar ana öncelik olmamalı; ancak ekip boş kapasiteye sahipse veya bir quick win'in yan ürünü olarak yapılabiliyorsa değerlendirilebilir. **Tuzak (düşük değer, düşük fizibilite):** Hem zor hem az değerli senaryolar. Bunlardan kaçınmak veya en azından ertelemek gerekir. Tuzak çeyreğinde çok sayıda senaryo görünüyorsa, bu genellikle use-case keşfinin kalitesiz olduğunu ya da senaryoların yeterince olgunlaşmadığını gösterir. Değer-fizibilite matrisinin gücü, iletişimindedir: bir yönetim kuruluna 20 satırlık bir skor tablosu sunmak yerine, dört çeyreğe dağılmış noktalar gösterdiğinizde, stratejik hikâye anında anlaşılır. "İşte önce yapacağımız quick win'ler, işte yatırım yapacağımız büyük bahisler, işte kaçınacağımız tuzaklar." Bu netlik, use-case önceliklendirmenin en değerli çıktılarından biridir. Değer-fizibilite matrisinde "yüksek" ve "düşük" sınırını nereye koyduğunuz sonucu belirler. Bu eşikleri keyfi değil, portföyünüzün gerçek dağılımına ve stratejik iştahınıza göre belirleyin. Yatay ve dikey eksenlerin ortasını medyan skora veya paydaşlarla anlaşılan bir eşiğe sabitlemek, çeyreklerin anlamlı olmasını sağlar. ## Portföy Yaklaşımı: Quick Win ile Büyük Bahisi Dengelemek Use-case önceliklendirmenin nihai amacı, tek bir "en iyi" senaryoyu seçmek değil, dengeli bir portföy kurmaktır. Tıpkı bir yatırım portföyü gibi, bir yapay zeka use-case portföyü de risk ve getiri açısından çeşitlendirilmelidir. Yalnızca quick win'lerden oluşan bir portföy güvenli ama dönüştürücü olmayan bir programa; yalnızca büyük bahislerden oluşan bir portföy ise heyecan verici ama erken kazanımsız ve riskli bir programa yol açar. Sağlıklı portföy, ikisini bilinçli biçimde dengeler. ### Neden Dengeli Portföy? Quick win'ler bir yapay zeka programının yakıtıdır: erken, görünür değer üreterek yönetim desteğini ve bütçe güvenini sağlarlar. Ancak quick win'ler tek başına kurumu dönüştürmez; genellikle mevcut süreçleri iyileştirir, yeniden icat etmez. Büyük bahisler ise dönüşümün motorudur: uzun vadeli rekabet avantajı yaratır, ama olgunlaşmaları zaman alır ve başarısızlık riski taşır. Bir kurum, quick win'lerin ürettiği momentum ve güvenle büyük bahislere yatırım yapacak cesareti ve kaynağı bulur. Bu yüzden ikisi birbirini besler. ### Bir Portföy Dengeleme Kuralı (İllüstratif) Pratik bir başlangıç noktası olarak, birçok danışman illüstratif bir dağılım önerir: portföyün önemli bir kısmı quick win (momentum için), bir kısmı büyük bahis (dönüşüm için) ve küçük bir kısmı deneysel/dolgu senaryolar (öğrenme için). Bu oranlar kurumun olgunluğuna göre değişir: yapay zekada yeni bir kurum quick win'e ağırlık vermeli, olgun bir kurum daha fazla büyük bahis taşıyabilir. Portföy dengesini kurumun genel yapay zeka bütçesiyle uyumlu tutmak için kurumsal AI bütçesi planlama rehberindeki bütçe dağılım mantığı doğrudan kullanılabilir; yatırım önceliklendirme ve bütçeleme birbirini tamamlayan iki karardır. ### Sıralama ile Portföyü Birlikte Okumak Ağırlıklı skorlamanın ürettiği sıralama ile değer-fizibilite matrisinin ürettiği portföy görünümü birlikte okunmalıdır. Sıralama "hangi senaryo daha yüksek puanlı?" sorusuna, matris "bu senaryolar nasıl bir portföy oluşturuyor?" sorusuna cevap verir. En yüksek puanlı senaryo mutlaka ilk yapılacak olan değildir: bazen orta puanlı ama hızlı bir quick win, momentum için en yüksek puanlı ama yavaş bir büyük bahisten önce hayata geçirilir. Yatırım önceliklendirme, bu iki mercekten bakarak hem değeri hem de zamanlamayı optimize etmektir. Portföy dengesini ilk seferde mükemmel kurmak zorunda değilsiniz. Quick win'lerle başlayıp, onların ürettiği öğrenme ve güvenle kademeli olarak büyük bahislere geçmek, en sürdürülebilir yaklaşımdır. Önemli olan, portföyü bilinçli bir denge olarak görmek — bir yığın bağımsız proje olarak değil. ## Kopyalanabilir Use-Case Önceliklendirme Şablonu Şimdi teoriyi doğrudan uygulanabilir bir şablona dönüştürelim. Aşağıdaki şablon, kendi elektronik tablonuza (veya bir karar belgesine) doğrudan kopyalayıp uyarlayabileceğiniz bir yapıdır. Şablon iki bileşenden oluşur: ağırlık tanım bloğu ve senaryo skorlama tablosu. ### Bileşen 1: Ağırlık Tanım Bloğu Önce boyut ağırlıklarını sabitleyin. Bu blok, tüm skorlamanın temelidir ve bir kez paydaşlarla anlaşıldıktan sonra tüm senaryolara aynı şekilde uygulanır. ### Bileşen 2: Senaryo Skorlama Tablosu Sonra her aday senaryoyu bir satıra yerleştirin ve her boyutta puanlayın. Son sütun, ağırlıklı toplam puandır (her puan × ağırlık, toplanır). Aşağıdaki tablo, doldurulmamış şablon yapısını gösterir. Bu şablonun gücü basitliğindedir: bir elektronik tabloda, son sütunu bir formülle (=B2×ağırlık + C2×ağırlık + …) otomatikleştirdiğinizde, herhangi bir puanı veya ağırlığı değiştirdiğinizde sıralama anında güncellenir. Bu, duyarlılık analizini (ağırlıkları değiştirip sıralamanın nasıl değiştiğini görmek) neredeyse zahmetsiz kılar. Şablonu doldururken kritik kural değişmez: puanlar bir çapraz-fonksiyonel grup tarafından, ortak bir rubrikle ve paydaş hizalamasıyla verilmelidir. ## Örnek Doldurulmuş Use-Case Önceliklendirme Matrisi (İllüstratif) Şimdi şablonu, açıkça illüstratif ve varsayımsal rakamlarla dolduralım. Aşağıdaki tüm puanlar gerçek bir ölçüm değil, yalnızca yöntemi göstermek için uydurulmuş örnek bir senaryodur; kendi matrisinizde bunları kendi kurumunuzun değerlendirmesiyle değiştirmelisiniz. Aşağıdaki tüm puanlar ve ağırlıklar varsayımsal bir örnektir; hiçbiri ölçülmüş bir bulgu veya sektör standardı değildir. Amaç yalnızca use-case önceliklendirme yöntemini somutlaştırmaktır. Kendi kurumunuzda her puanı çapraz-fonksiyonel değerlendirmeyle belirleyin. **Senaryo (varsayımsal):** Orta ölçekli bir hizmet şirketi, dört aday yapay zeka use-case'ini önceliklendiriyor: (A) müşteri destek yanıt taslaklama, (B) fatura anomali tespiti, (C) sözleşme özetleme, (D) tam otomatik kredi kararı. Yukarıdaki illüstratif ağırlıklar kullanılıyor: iş değeri %30, fizibilite %20, veri %20, stratejik uyum %15, risk %10, ölçek %5. Bu illüstratif tablodan çıkan okuma şudur: **Senaryo A (destek yanıt taslaklama)** 4,25 ile en yüksek toplam puanı alıyor — yüksek fizibilite, iyi veri hazırlığı ve düşük risk sayesinde. Bu senaryo, değer-fizibilite matrisinde açık bir **quick win**'dir ve önce hayata geçirilmelidir. **Senaryo B (fatura anomali tespiti)** 4,05 ile ikinci: veri hazırlığı mükemmel ama ölçeklenebilirliği ve stratejik uyumu biraz daha düşük; yine de güçlü bir aday. **Senaryo D (tam otomatik kredi kararı)** ilginç bir vaka: iş değeri en yüksek (5) ama fizibilitesi düşük (2) ve riski çok yüksek (ters puan 1). Bu, klasik bir **büyük bahis** — hatta yüksek riski nedeniyle dikkatli bir büyük bahis; ancak uyum ve risk yönetimi ciddi yatırım gerektirir. **Senaryo C (sözleşme özetleme)** ortalama puanlarla bir **dolgu** senaryosu: kolay ama düşük değerli, boş kapasitede yapılabilir. Bu illüstratif matrisin asıl dersi rakamlar değil, Senaryo D'nin hikâyesidir: en yüksek iş değerine sahip senaryo, tek başına iş değerine baksaydınız birinci olurdu; oysa ağırlıklı skorlama, düşük fizibilite ve yüksek riski hesaba katarak onu üçüncü sıraya indirdi. İşte use-case önceliklendirmenin değeri tam da budur: tek bir çekici boyutun sizi yanıltmasını engeller. Bu örnekte Senaryo D (tam otomatik kredi kararı), yüksek riskli bir yapay zeka uygulaması olarak muhtemelen EU AI Act ve KVKK açısından ciddi yükümlülükler taşır; bu da fizibilite ve risk puanlarını haklı çıkarır. Yüksek riskli senaryoları puanlarken düzenleyici yükü mutlaka hesaba katmak gerekir; bu çerçeveyi EU AI Act nedir yazısında ele alıyoruz. ## Paydaş Hizalaması Use-Case Önceliklendirmede Neden Kritiktir? Use-case önceliklendirmenin en çok hafife alınan boyutu teknik değil, insanidir. Önceliklendirme kâğıt üzerinde bir hesap gibi görünse de, gerçekte derinlemesine politik bir süreçtir: her iş birimi kendi senaryosunun öne çıkmasını ister, her yönetici kendi önceliğini savunur. Paydaş hizalaması olmadan yapılan bir matris, matematiksel olarak kusursuz olsa bile, uygulamada sahiplenilmez ve sessiz bir dirençle sabote edilir. ### Neden Politik Bir Süreç? Yapay zeka bütçesi kıttır ve önceliklendirme, kimin senaryosunun önce fonlanacağını belirler — yani doğrudan bir kaynak ve prestij dağıtımıdır. Bir departmanın senaryosu üst sıraya çıktığında, başka bir departmanınki geride kalır. Eğer bu karar şeffaf ve ortak bir çerçeveyle alınmamışsa, geride kalan taraf sonucu "adaletsiz" olarak algılar. Bu algı, sadece o senaryoyu değil, tüm yapay zeka programına olan güveni zedeler. ### Hizalamayı Kuran Üç Uygulama Sağlıklı paydaş hizalaması üç uygulamayla kurulur. **Birincisi**, değerlendirme boyutlarını ve ağırlıklarını en baştan paydaşlarla birlikte belirlemek. Ağırlıklar, kurumun neyi önemsediğini ilan eder; bu ilanı ortak yapmak, sonraki sıralamayı meşrulaştırır. **İkincisi**, puanlamayı tek bir kişiyle veya tek bir departmanla değil, çapraz-fonksiyonel bir grupla yapmak. Farklı bakış açıları hem daha doğru puanlar üretir hem de sonucun ortak sahiplenilmesini sağlar. **Üçüncüsü**, sonucu tam şeffaflıkla paylaşmak: neden hangi senaryonun önde olduğunu, puanlarla ve gerekçelerle açıklamak. Şeffaflık, "arka odada karar verildi" algısını ortadan kaldırır. Paydaş hizalamasının sırrı şudur: insanlar kendi senaryolarının seçilmesini isterler, ama ortak ve adil bir çerçevede kaybettiklerinde bunu çok daha kolay kabul ederler. Önceliklendirmenin asıl ürünü sıralama değil, o sıralamayı üreten üzerinde anlaşılmış çerçevedir. Çerçeveyi birlikte kurun; sıralama kendini savunur. ## Use-Case Önceliklendirme Uygulama Kontrol Listesi Şimdiye kadar anlatılan tüm süreci, baştan sona uygulanabilir bir kontrol listesine dönüştürelim. Aşağıdaki adımlar, sıfırdan bir use-case önceliklendirme çalışması yürütürken izleyebileceğiniz sırayı verir. Bu kontrol listesinin son adımı — gözden geçir — çoğu kurumun atladığı ama en değerli olanıdır. Use-case önceliklendirme bir kerelik bir tören değil, yaşayan bir karar döngüsüdür. Teknoloji hızla değişir, veri hazırlığı iyileşir, stratejik öncelikler kayar; dün fizibl olmayan bir senaryo bugün quick win olabilir. Matrisi düzenli güncellemek, kararların gerçeklikle bağını korur. Bu kontrol listesini kurum genelinde bir yetkinlik hâline getirmek için ekiplerin yapay zeka okuryazarlığını geliştirmek gerekir; bu konuda kurumsal eğitim programları ve öğrenme merkezi kaynakları destek sağlar. ## Use-Case Önceliklendirmede Yaygın Hatalar Use-case önceliklendirme güçlü bir disiplindir ama yanlış uygulandığında yanlış bir güven duygusu üretir: sayılar objektif görünür, oysa altlarındaki varsayımlar hatalıdır. En sık karşılaşılan hatalar şunlardır: - **Paydaş hizalaması olmadan skorlamak:** Matrisi tek bir kişi veya departman doldurursa, sonuç ne kadar doğru olursa olsun sahiplenilmez ve dirençle karşılaşır. Puanlama çapraz-fonksiyonel olmalıdır. - **Veri hazırlığını atlamak:** İş değeri ve fizibiliteye odaklanıp veri boyutunu görmezden gelmek, "harika fikir ama uygulanabilir veri yok" tuzağına düşürür. Veri hazırlığı ayrı ve ciddi bir boyut olmalıdır. - **Yalnızca büyük bahislere odaklanmak:** Sadece dönüştürücü, gösterişli senaryoları kovalamak, erken kazanımsız ve momentumsuz bir program üretir. Portföyde mutlaka quick win olmalıdır. - **Tek bir çekici boyuta kapılmak:** Yalnızca iş değerine (veya yalnızca fizibiliteye) bakmak, dengesiz kararlara yol açar. Ağırlıklı skorlamanın amacı tam da bu tek-boyutlu yanılgıyı önlemektir. - **Ağırlıkları objektifmiş gibi sunmak:** Ağırlıklar stratejik bir seçimdir, evrensel bir gerçek değil. Onları tartışmaya kapalı sabitler gibi sunmak, hizalamayı ve güveni zedeler. - **Matrisi bir kez yapıp güncellememek:** En yaygın hata. Önceliklendirme statik değil, yaşayan bir araçtır; güncellenmediğinde zamanla gerçeklikten kopar ve yanlış kararlara yol açar. - **Riski ve uyumu geç fark etmek:** Yüksek riskli senaryolarda (özellikle kişisel veri veya kritik karar) uyum yükünü baştan puanlamamak, projede ilerledikçe sürpriz maliyetler ve gecikmeler üretir. Bir başka sinsi hata, önceliklendirmeyi yalnızca büyük projelere ayrılmış bir egzersiz sanmaktır. Oysa use-case önceliklendirme, küçük ve sürekli kararlar için de değerlidir: hangi senaryonun bir sonraki sprintte ele alınacağı, hangi fikrin bir pilota dönüştürüleceği gibi gündelik seçimler de aynı disiplinden geçmelidir. Önceliklendirmeyi yalnızca yılda bir yapılan büyük bir tören sanan kurumlar, gündelik kararlarını yine sezgiye bırakır ve portföyün tutarlılığını kaybeder. Doğru yaklaşım, önceliklendirme mantığını hem büyük stratejik kararlara hem de gündelik seçimlere yaymaktır; böylece kurum, her ölçekte tutarlı ve savunulabilir kararlar verir. Bu hataların ortak paydası şudur: önceliklendirmeyi bir tören ya da bir gösteri olarak görmek. Doğru yapıldığında use-case önceliklendirme bir tören değil, kurumun yapay zeka yatırımlarını yöneten canlı bir karar sistemidir. Bu sistemi kurumunuza özel olarak tasarlamak ve ilk portföyünüzü birlikte oluşturmak için bir yapay zeka danışmanlığı görüşmesiyle başlayabilirsiniz. ## Boyutları Derinlemesine: Her Boyutu Doğru Puanlamanın İncelikleri Altı değerlendirme boyutunu tanımlamak kolaydır; onları tutarlı ve dürüst puanlamak zordur. Bu bölüm, her boyutta en sık yapılan puanlama hatalarını ve doğru puanlamanın inceliklerini ele alıyor. Use-case önceliklendirmenin kalitesi, büyük ölçüde bu ince ayrıntılara gösterilen özene bağlıdır. ### İş Değerini Abartmadan Puanlamak İş değeri, en çok abartılan boyuttur — çünkü her senaryonun sahibi, kendi fikrinin değerini yüksek görmek ister. Dürüst bir iş değeri puanı, iyimser bir umut değil, savunulabilir bir tahmine dayanmalıdır. Pratik bir disiplin, iş değerini üç seviyede sormaktır: muhafazakâr, olası ve iyimser senaryo. Puanı olası senaryoya göre vermek, use-case önceliklendirmeyi sistematik iyimserlikten korur. İş değerini parasal terimlerle ifade etmek de yardımcı olur; "çok değerli" yerine "yıllık tahmini X tasarruf" demek, puanı somutlaştırır ve tartışmayı disipline eder. Bu tahminleri yaparken yapay zeka ROI çerçevesindeki fayda kategorileri doğrudan bir kontrol listesi işlevi görür. ### Fizibiliteyi Olgunluğa Göre Ayarlamak Teknik fizibilite puanı, mutlak değil, göreceli bir değerdir: aynı senaryo, olgun bir kurumda yüksek, yeni başlayan bir kurumda düşük fizibilite alır. Bu yüzden fizibiliteyi puanlarken kurumun kendi mevcut yetkinliğini referans almak gerekir. Sık yapılan hata, bir teknolojinin "genel olarak mümkün" olmasını, "bizim kurumda mümkün" ile karıştırmaktır. Bir teknoloji dünyada kanıtlanmış olabilir, ama kurumun ekibi, altyapısı ve deneyimi onu uygulayamıyorsa, o senaryonun fizibilitesi düşüktür. Kurumun gerçek olgunluğunu dürüstçe görmek için yapay zeka olgunluk modeli çerçevesi, fizibilite puanlamasının çapasıdır. ### Veri Hazırlığını Erken ve Acımasız Sorgulamak Veri hazırlığı, use-case önceliklendirmenin "gerçeklik kontrolü"dür. Bir senaryonun veri puanını verirken sorulması gereken sorular acımasız olmalıdır: Gerekli veri gerçekten var mı, yoksa "olması gerektiğini" mi varsayıyoruz? Veri erişilebilir mi, yoksa başka bir departmanın kilitli sisteminde mi? Veri kalitesi yeterli mi, yoksa aylarca temizlik mi gerekecek? Veri yasal olarak kullanılabilir mi (KVKK)? Bu soruların dürüst cevabı çoğu zaman, kağıt üzerinde parlak görünen bir senaryonun aslında bir veri altyapısı projesi olduğunu ortaya çıkarır. Veri boyutunu ciddiye almak, use-case önceliklendirmeyi hayal kırıklığından korur; veri kalitesinin neden bu kadar belirleyici olduğunu veri kalitesi nedir yazısında ele alıyoruz. ### Riski İki Yönlü Düşünmek Risk boyutunu puanlarken sık yapılan hata, yalnızca "teknik başarısızlık" riskini düşünmektir. Oysa yapay zeka senaryolarında risk çok boyutludur: uyum riski (KVKK, EU AI Act), itibar riski (yanlış çıktının müşteriye ulaşması), güvenlik riski (veri sızıntısı, prompt injection) ve etik risk (önyargılı kararlar). Yüksek riskli bir senaryonun risk puanını düşük vermek — yani riski görmezden gelmek — projede ilerledikçe patlayan sürprizlere yol açar. Dürüst bir risk puanı, bu dört risk türünü de tarar ve en yüksek olanı yansıtır. Yapay zekanın getirdiği yeni risk türleri için halüsinasyon ve model güvenliği literatürü, risk puanlamasında bir kontrol listesi sağlar. ### Stratejik Uyum ve Ölçeği Uzun Vadeli Düşünmek Stratejik uyum ve ölçeklenebilirlik, kısa vadeli heyecanın gölgede bıraktığı iki uzun vadeli boyuttur. Stratejik uyumu puanlarken, "bu senaryo şu an cazip mi?" değil, "bu senaryo kurumun üç yıllık yönüne hizmet ediyor mu?" sorusu sorulmalıdır. Ölçeklenebilirliği puanlarken ise, "bu pilot işe yarar mı?" değil, "bu senaryo başarılı olursa yüz katına çıkabilir mi?" sorusu sorulmalıdır. Bu iki boyut, use-case önceliklendirmeyi anlık cazibeden kurtarıp kurumsal geleceğe bağlar. Yüksek ölçeklenebilirlik, bir quick win'i bir stratejik varlığa dönüştüren çarpandır. ## Seçim Sonrası: Önceliklendirilmiş Use-Case'in Başarısı Nasıl Ölçülür? Use-case önceliklendirme, bir senaryo seçmekle bitmez; seçilen senaryonun gerçekten öngörülen değeri üretip üretmediğini ölçmek, döngüyü kapatan adımdır. Ölçüm olmadan, önceliklendirme bir tahminler koleksiyonu olarak kalır ve kurum, hangi tahminlerinin doğru çıktığını hiç öğrenemez. Ölçüm, use-case önceliklendirmeyi bir kerelik bir karardan, zamanla akıllanan bir öğrenme sistemine dönüştürür. ### Öngörüyü Sonuçla Karşılaştırmak En değerli ölçüm, basit bir karşılaştırmadır: önceliklendirme sırasında bir senaryoya verdiğimiz iş değeri puanı ile o senaryonun gerçekte ürettiği değer örtüşüyor mu? Eğer sürekli olarak iş değerini abartıyorsak, bu, gelecekteki önceliklendirmelerde puanlarımızı kalibre etmemiz gereken bir sinyaldir. Bu geri besleme döngüsü, use-case önceliklendirmeyi zamanla daha isabetli kılar. Kurumun ilk portföyünün tahminleri kaçınılmaz olarak kabadır; ama her tamamlanan senaryo, bir sonraki önceliklendirmeyi biraz daha keskinleştirir. ### Bir KPI Çerçevesine Bağlamak Seçilen her senaryonun, önceliklendirme sırasında iddia ettiği faydayı ölçen somut bir metriği olmalıdır. "Destek yanıt taslaklama" senaryosu için bu, yanıt süresi ve temsilci başına çözülen vaka sayısı olabilir; "anomali tespiti" için yakalanan olay sayısı ve yanlış alarm oranı olabilir. Bu metrikler, önceliklendirmedeki soyut puanları somut kanıta bağlar. Metrikleri bir taban çizgisiyle (senaryo öncesi durum) birlikte ölçmek şarttır; taban çizgisi olmadan, iyileşme iddiası havada kalır. Bu ölçüm disiplini, yapay zeka ROI hesabındaki KPI çerçevesiyle doğrudan örtüşür. ### Portföyü Bir Bütün Olarak İzlemek Tek tek senaryoların yanında, portföyün bütününü de izlemek gerekir: quick win'ler gerçekten hızlı değer üretti mi? Büyük bahisler ilerliyor mu yoksa takıldı mı? Portföy dengesi hâlâ sağlıklı mı, yoksa hepsi büyük bahislere mi kaydı? Bu portföy düzeyindeki izleme, use-case önceliklendirmeyi statik bir belgeden, kurumun yapay zeka programını yöneten canlı bir gösterge tablosuna dönüştürür. Portföyün düzenli gözden geçirilmesi, hem tamamlanan senaryoları emekliye ayırmayı hem de yeni aday senaryoları eklemeyi içerir; böylece matris hep güncel kalır. Use-case önceliklendirmenin en güçlü hâli, bir öğrenme döngüsü olduğunda ortaya çıkar: tahmin et, uygula, ölç, kalibre et, yeniden önceliklendir. Bu döngüyü çeviren kurumlar, birkaç tur sonra tahminlerinde belirgin biçimde isabetli hâle gelir. Ölçmeyen kurumlar ise her önceliklendirmede aynı hataları tekrar eder. Fark, ölçümdedir. ## Sektörlere Göre Use-Case Önceliklendirme Nasıl Farklılaşır? Use-case önceliklendirmenin çerçevesi evrenseldir, ama boyut ağırlıkları ve tipik quick win'ler sektöre göre belirgin biçimde değişir. Aynı altı boyut kullanılsa bile, bir bankanın risk boyutuna verdiği ağırlıkla bir perakendecinin iş değeri boyutuna verdiği ağırlık taban tabana zıt olabilir. Bu bölüm, use-case önceliklendirmenin sektörel gerçeklikte nasıl büküldüğünü örneklerle gösteriyor; verilen ağırlıklar ve senaryolar tamamen illüstratiftir. ### Finans ve Bankacılık: Risk Ağırlıklı Önceliklendirme Düzenlemeye yoğun tabi sektörlerde risk ve uyum boyutu, iş değerine yakın bir ağırlık taşır. Bir bankanın use-case önceliklendirme çalışmasında, "tam otomatik kredi kararı" gibi yüksek iş değerli bir senaryo, EU AI Act kapsamında yüksek riskli sayıldığı için ağır bir uyum yüküyle gelir ve fizibilite puanı düşer. Buna karşılık "işlem anomali tespiti" veya "müşteri destek yanıt taslaklama" gibi senaryolar, hem yüksek değer hem düşük risk taşıdıkları için tipik quick win adaylarıdır. Finans sektöründe use-case keşfi, çoğunlukla operasyonel verimlilik ve dolandırıcılık önleme etrafında yoğunlaşır; anomali tabanlı senaryolar için anomali tespiti nedir yazısı senaryonun teknik doğasını netleştirir. ### Perakende ve E-ticaret: İş Değeri ve Ölçek Ağırlıklı Perakendede önceliklendirme, gelir artışı ve müşteri deneyimi etrafında döner; iş değeri ve ölçeklenebilirlik boyutları yüksek ağırlık alır. "Kişiselleştirilmiş ürün önerisi" gibi bir senaryo, hem yüksek iş değeri hem de tüm müşteri tabanına yayılabilme (yüksek ölçek) taşıdığı için ağırlıklı skorlamada güçlü bir toplam alır. Bu sektörde bir quick win, genellikle mevcut bir öneri motorunu yapay zeka ile iyileştirmek; bir büyük bahis ise tüm tedarik zincirini talep tahminiyle yeniden kurgulamaktır. Perakende use-case keşfinde, dışarıdan içeriye kaynak (rakip hamleleri) özellikle verimlidir çünkü rekabet görünürdür. ### Üretim ve Sanayi: Fizibilite ve Veri Ağırlıklı Üretimde önceliklendirme, çoğu zaman veri hazırlığı ve teknik fizibilite tarafından belirlenir; çünkü sensör verisi, makine bağlantısı ve operasyonel teknoloji entegrasyonu kritiktir. "Kestirimci bakım" gibi bir senaryo yüksek iş değeri taşır ama yalnızca yeterli sensör verisi ve geçmiş arıza kaydı varsa fizibldir — bu yüzden veri boyutu belirleyici olur. Kestirimci senaryoların mantığı için kestirimci bakım nedir yazısı yol gösterir. Üretimde use-case önceliklendirme, sık sık "değer var ama veri yok" tuzağını ortaya çıkarır ve kurumu önce bir veri altyapısı büyük bahsine yönlendirir. Bu sektörel farklılıkların ortak dersi şudur: use-case önceliklendirme çerçevesi taşınabilir, ama ağırlıklar taşınamaz. Bir sektörün ağırlık setini başka bir sektöre kopyalamak, önceliklendirmenin en sinsi hatalarından biridir. Her kurum, kendi sektörünün risk profilini, veri gerçekliğini ve değer kaynaklarını yansıtan ağırlıkları sıfırdan belirlemelidir. ## Skorlamada Kalibrasyon ve Öznellik Nasıl Yönetilir? Ağırlıklı skorlamanın en zayıf halkası, puanların öznelliğidir. İki farklı kişi aynı senaryoya farklı puan verirse, ağırlıklı toplamın objektif görüntüsü aldatıcı olur: sayılar kesin görünür, ama altlarındaki yargı tutarsızdır. Sağlam bir use-case önceliklendirme, bu öznelliği ortadan kaldıramaz — çünkü yargı işin doğasında vardır — ama disiplinli bir kalibrasyonla yönetebilir. ### Rubrik: Öznelliğin İlk Savunması Kalibrasyonun temeli, her boyut için net bir puanlama rubriğidir. Rubrik, "5 puan ne demek, 1 puan ne demek?" sorusunu somut, gözlemlenebilir kriterlere bağlar. Örneğin veri hazırlığında 5, "veri mevcut, temiz, etiketli ve yasal olarak kullanılabilir" iken; 3, "veri mevcut ama önemli temizlik ve entegrasyon gerekiyor"; 1, "gerekli veri yok veya erişilemez" olabilir. Rubrik olmadan, herkes kendi içsel ölçeğini kullanır ve puanlar karşılaştırılamaz hâle gelir. İyi bir rubrik, use-case önceliklendirmedeki öznelliği yarı yarıya azaltır. ### Kalibrasyon Oturumu: Ortak Ölçeği Kurmak Rubrik tek başına yetmez; ekibin rubriği aynı şekilde uygulaması gerekir. Bunu sağlamanın en etkili yolu bir kalibrasyon oturumudur: puanlamaya başlamadan önce, ekip birkaç örnek senaryoyu birlikte puanlar ve puan farklılıklarını tartışır. "Sen bu veri hazırlığına neden 4 verdin, ben 2 verdim?" tartışması, ortak bir ölçek kurar. Bu oturum, sonraki tüm puanlamaların tutarlılığını dramatik biçimde artırır. Kalibrasyon, use-case önceliklendirmeyi "herkesin kendi kafasına göre puan verdiği" bir egzersizden, paylaşılan bir yargı sistemine dönüştürür. ### Bağımsız Puanlama ve Uzlaşma Grup düşüncesini (en yüksek rütbeli kişinin puanının diğerlerini sürüklemesi) önlemek için etkili bir teknik, önce bağımsız, sonra uzlaşmalı puanlamadır. Her değerlendirici senaryoları önce tek başına puanlar; sonra grup, puanların farklılaştığı yerleri tartışıp uzlaşır. Bu yaklaşım, hem çeşitli bakış açılarını korur hem de nihai bir ortak puan üretir. Farklılığın büyük olduğu senaryolar, genellikle en çok tartışılması gereken — yani hakkında en az ortak anlayış olan — senaryolardır; bu farklılık bir hata değil, değerli bir sinyaldir. Puanlamada ortaya çıkan büyük anlaşmazlıklar, çoğu zaman use-case önceliklendirmenin en değerli çıktısıdır: bir senaryo hakkında ekip taban tabana zıt puanlar veriyorsa, o senaryo hakkında ortak bir anlayış yok demektir. Bu anlaşmazlığı bastırmak yerine deşmek, gizli varsayımları ve riskleri açığa çıkarır. En iyi kararlar, anlaşmazlığın en yüksek olduğu yerlerde saklıdır. ### Aşırı Mühendislikten Kaçınmak Kalibrasyon önemlidir, ama önceliklendirmeyi aşırı karmaşıklaştırmak da bir tuzaktır. On boyut, ondalık ağırlıklar ve haftalarca süren puanlama tartışmaları, çoğu zaman kararın kalitesini artırmaz; sadece süreci felç eder. Use-case önceliklendirmenin amacı mükemmel bir sayı üretmek değil, savunulabilir bir karara hızlıca ulaşmaktır. Altı boyut, net bir rubrik, bir kalibrasyon oturumu ve bir duyarlılık kontrolü — çoğu kurum için bu yeterlidir. Sürecin ağırlığı, kararın önemiyle orantılı olmalıdır. ## Önceliklendirme ile Yapay Zeka Yol Haritası Arasındaki İlişki Nedir? Use-case önceliklendirme, tek başına bir son ürün değildir; daha büyük bir yapay zeka yol haritasının karar motorudur. Önceliklendirme "hangi senaryolar, hangi sırayla?" sorusunu cevaplar; yol haritası ise bu sıralamayı zaman, bütçe, bağımlılık ve kilometre taşlarıyla bir uygulama planına dönüştürür. İkisi arasındaki ilişkiyi doğru kurmak, önceliklendirmenin kağıt üzerinde kalmasını önler. ### Sıralamadan Zaman Çizelgesine Ağırlıklı skorlama ve değer-fizibilite matrisi bir öncelik sırası üretir; ama bu sıra, doğrudan bir takvim değildir. Yol haritası, bu sıralamayı gerçek dünya kısıtlarıyla harmanlar: hangi senaryolar aynı veriye bağımlı? Hangi büyük bahis, önce bir altyapı yatırımı gerektiriyor? Hangi quick win, bir sonraki senaryonun önünü açan bir öğrenme üretiyor? Örneğin bir "bilgi tabanı asistanı" büyük bahsi, önce bir "veri temizleme" quick win'ine bağımlı olabilir; bu bağımlılık, sıralamayı zaman çizelgesine çevirirken görünür olur. ### Dalgalar Hâlinde Uygulama Olgun kurumlar, önceliklendirilmiş portföyü tek seferde değil, dalgalar hâlinde uygular. İlk dalga genellikle 2-3 quick win'den oluşur: hızlı değer, düşük risk, kurumsal öğrenme. İkinci dalga, ilk dalganın güveni ve öğrenmesiyle beslenen daha iddialı senaryolardır. Üçüncü dalga, büyük bahisleri içerir. Bu dalga yaklaşımı, use-case önceliklendirmeyi bir kerelik bir karardan, sürekli beslenen bir uygulama ritmine dönüştürür. Her dalga tamamlandığında matris güncellenir ve bir sonraki dalga yeniden önceliklendirilir. ### Önceliklendirme, Bütçe ve Stratejinin Üçlüsü Use-case önceliklendirme, iki komşu kararla sıkı sıkıya bağlıdır: yapay zeka stratejisi (yukarıda, yönü verir) ve yapay zeka bütçesi (yanda, kaynağı verir). Strateji, önceliklendirmenin ağırlıklarını belirler; bütçe, portföyün büyüklüğünü sınırlar; önceliklendirme ise bu ikisini somut senaryo seçimlerine dönüştürür. Bu üçlüyü ayrı ayrı değil, birbirini besleyen bir döngü olarak yönetmek gerekir. Stratejik çerçeve için kurumsal yapay zeka stratejisi ve kaynak planlaması için kurumsal AI bütçesi planlama rehberleri, use-case önceliklendirmeyi tamamlayan iki temel parçadır. Use-case önceliklendirmeyi yol haritasından ayrı düşünmeyin: önceliklendirme kararı üretir, yol haritası o kararı harekete geçirir. En iyi önceliklendirme bile, bir uygulama planına ve dalga ritmine bağlanmadıkça bir sunum slaytı olarak kalır. Motoru araca bağlayın; portföy ancak o zaman yola çıkar. ## Use-Case Önceliklendirmeyi Kim Yönetmeli? Karar Hakları ve Yönetişim Use-case önceliklendirmenin başarısı, yalnızca yönteme değil, o yöntemi kimin yürüttüğüne ve kararın nasıl yönetildiğine de bağlıdır. Sahibi belirsiz bir önceliklendirme, ne kadar iyi tasarlanırsa tasarlansın, kurum içinde asılı kalır: kimse sonucu uygulamaya geçirmekten sorumlu hissetmez. Bu yüzden önceliklendirmenin bir yönetişim yapısına — net karar haklarına, bir sahibe ve bir ritme — bağlanması gerekir. ### Merkezî Bir Sahip: Yapay Zeka Konseyi veya Ofisi Olgun kurumlar, use-case önceliklendirmeyi merkezî bir yapıya emanet eder: bir yapay zeka konseyi, bir dönüşüm ofisi veya bir CoE (mükemmeliyet merkezi). Bu yapı, önceliklendirme çerçevesinin sahibidir: boyutları ve ağırlıkları tanımlar, puanlama oturumlarını yönetir, portföyü izler ve matrisi günceller. Merkezî bir sahip olmadan, önceliklendirme her departmanın kendi başına yaptığı, birbiriyle uyumsuz bir dizi mini-egzersize dağılır. Merkezî sahip, use-case önceliklendirmeye tutarlılık ve süreklilik kazandırır. ### Karar Hakları: Kim Puanlar, Kim Onaylar? Sağlıklı bir yönetişim, üç rolü net ayırır. **Puanlayanlar**, senaryoları değerlendiren çapraz-fonksiyonel gruptur — iş, teknik ve veri perspektiflerini bir araya getirir. **Öneren**, önceliklendirme çıktısını (sıralama ve portföy) hazırlayıp sunan merkezî yapıdır. **Onaylayan**, portföyü ve bütçeyi nihai karara bağlayan üst yönetim veya yönetim kuruludur. Bu roller karışırsa — örneğin onaylayan aynı zamanda tek puanlayansa — hem objektiflik hem de sahiplenme zarar görür. Net karar hakları, use-case önceliklendirmenin hem adil hem de uygulanabilir olmasını sağlar. ### Bir Yönetişim Ritmi Kurmak Önceliklendirme bir olay değil, bir ritimdir. Sağlıklı bir yönetişim, düzenli bir döngü kurar: çeyreklik portföy gözden geçirmeleri, tamamlanan senaryoların değerlendirilmesi ve yeni aday senaryoların eklenmesi. Bu ritim, matrisi canlı tutar ve kararların gerçeklikten kopmasını önler. Ritmi kurmak, use-case önceliklendirmeyi bir kerelik bir tören olmaktan çıkarıp kurumun karar kültürünün kalıcı bir parçası hâline getirir. Bu yönetişim yapısını kurumsal stratejiye ve olgunluk seviyesine göre tasarlamak için yapay zeka olgunluk modeli ve dijital dönüşüm çerçeveleri yol gösterir. Use-case önceliklendirmenin en sessiz başarısızlık biçimi, mükemmel bir matrisin hazırlanıp sonra kimsenin sahiplenmemesidir. Yöntem doğru olabilir, sayılar sağlam olabilir; ama net bir sahip, karar hakları ve bir gözden geçirme ritmi yoksa, matris bir sunum dosyası olarak arşivde kalır. Önce sahibi belirleyin; yöntem sonra gelir. ## Küçük ve Orta Ölçekli Kurumlar İçin Hafif Önceliklendirme Buraya kadar anlatılan altı boyutlu, ağırlıklı, çapraz-fonksiyonel süreç, çok sayıda aday senaryosu ve ciddi bütçesi olan kurumlar için idealdir. Ancak her kurumun bu ağırlıkta bir metodolojiye ihtiyacı yoktur. Küçük ve orta ölçekli kurumlar için, aynı mantığı koruyan ama çok daha hafif bir use-case önceliklendirme sürümü fazlasıyla yeterlidir. Önemli olan, sürecin ağırlığını kararın büyüklüğüyle orantılı tutmaktır. ### İki Boyutlu Hızlı Matris En hafif sürüm, altı boyutu ikiye indirir: iş değeri ve uygulama kolaylığı (fizibilite). Bir çalıştayda 5-10 aday senaryo toplanır, her biri bu iki boyutta 1-5 puanlanır ve doğrudan bir değer-fizibilite matrisine yerleştirilir. Bu iki boyutlu yaklaşım, karmaşık ağırlıklı skorlama olmadan da quick win'leri ve tuzakları hızla görünür kılar. Küçük bir kurum için, quick win çeyreğindeki tek bir senaryoyla başlamak, tüm portföyü aynı anda analiz etmeye çalışmaktan çok daha akıllıcadır. ### Tek Bir Quick Win ile Başlamak Küçük kurumlar için en büyük risk, analiz felcidir: mükemmel önceliklendirmeyi ararken hiç başlamamak. Bu tuzaktan kaçınmanın yolu, hafif matristen çıkan en net quick win'i seçip hemen bir pilota dönüştürmektir. Bir quick win'in ürettiği somut deneyim, aylarca süren teorik önceliklendirmeden daha değerlidir; çünkü kurum, yaparak öğrenir. İlk senaryonun ürettiği güven ve öğrenme, bir sonraki, biraz daha iddialı senaryonun önünü açar. ### Olgunlaştıkça Derinleşmek Hafif başlamak, hafif kalmak anlamına gelmez. Kurum yapay zekada olgunlaştıkça — daha çok senaryo, daha çok bütçe, daha çok paydaş — iki boyutlu matristen altı boyutlu ağırlıklı skorlamaya kademeli geçilebilir. Bu kademeli derinleşme, use-case önceliklendirmenin kurumla birlikte büyümesini sağlar. Erken aşamada yetkinlik geliştirmek için kurumsal eğitim programları ve kavramsal temel için öğrenme merkezi kaynakları, küçük kurumların hafif önceliklendirmeden olgun önceliklendirmeye geçişini destekler. Küçük kurumlar için mesaj nettir: use-case önceliklendirme ağır bir metodoloji gerektirmez, ama sistematik olmayı gerektirir. İki boyut, bir çalıştay ve bir quick win — bu bile, sezgiyle karar vermekten kat kat daha iyidir. Önemli olan aracın karmaşıklığı değil, kararın kanıta ve hizalamaya dayanmasıdır. ## Sıkça Sorulan Sorular ### AI use-case önceliklendirme nasıl yapılır? Use-case önceliklendirme dört adımda yapılır: (1) use-case keşfi — iş birimlerinden aday yapay zeka senaryolarını sistematik olarak toplamak; (2) değerlendirme boyutlarında puanlama — her senaryoyu iş değeri, teknik fizibilite, veri hazırlığı, risk, stratejik uyum ve ölçeklenebilirlik boyutlarında 1-5 arası puanlamak; (3) ağırlıklı skorlama — her boyuta stratejiye göre bir ağırlık verip toplam puan hesaplamak; (4) değer-fizibilite matrisine yerleştirme — senaryoları 2x2 bir matriste konumlandırıp quick win, büyük bahis, dolgu ve tuzak olarak sınıflamak. Sonuç, paydaşlarla hizalanmış, savunulabilir bir öncelik sırasıdır. ### Değer-fizibilite matrisi (2x2) nedir ve nasıl okunur? Değer-fizibilite matrisi, yatay eksende teknik fizibiliteyi (uygulama kolaylığı), dikey eksende iş değerini gösteren 2x2 bir grafiktir. Dört çeyrek oluşur: yüksek değer–yüksek fizibilite (quick win, önce yapılır), yüksek değer–düşük fizibilite (büyük bahis, stratejik yatırım gerektirir), düşük değer–yüksek fizibilite (dolgu, boş kapasitede yapılır) ve düşük değer–düşük fizibilite (tuzak, kaçınılır). Matris, karmaşık bir skor tablosunu tek bakışta anlaşılır bir portföy görünümüne dönüştürür. ### Use-case değerlendirmesinde hangi boyutlar kullanılır? Sağlam bir değerlendirme altı boyut kullanır: iş değeri (gelir, maliyet, verim etkisi), teknik fizibilite (mevcut teknoloji ve yetkinlikle uygulanabilirlik), veri hazırlığı (gerekli verinin varlığı, kalitesi ve erişilebilirliği), risk (uyum, güvenlik, itibar, model riski), stratejik uyum (kurumun hedefleriyle örtüşme) ve ölçeklenebilirlik (pilottan kurum geneline yayılabilirlik). Bazı kurumlar bunlara etik, zaman-değer ve maliyet gibi ek boyutlar ekler; ama bu altı boyut çoğu senaryo için yeterli ve dengeli bir çerçeve sunar. ### Ağırlıklı skorlama yöntemi use-case önceliklendirmede nasıl çalışır? Ağırlıklı skorlama, her değerlendirme boyutuna stratejik önemine göre bir ağırlık (yüzde) atar ve toplam ağırlık %100 olur. Her use-case, her boyutta örneğin 1-5 arası puanlanır; boyut puanı ile ağırlığı çarpılır ve tüm boyutlar toplanarak tek bir ağırlıklı toplam puan elde edilir. Örneğin iş değerine %30, veri hazırlığına %20 ağırlık verilirse, veri hazırlığı zayıf ama iş değeri yüksek bir senaryo, ağırlıklara göre dengeli bir toplam alır. Bu yöntem öznel tartışmayı sayısal, karşılaştırılabilir bir skora dönüştürür. ### Quick win ile büyük bahis (big bet) arasındaki fark nedir? Quick win, yüksek iş değeri ve yüksek fizibilite taşıyan; kısa sürede, düşük riskle hayata geçirilebilen bir use-case'tir — momentum ve erken kazanım için idealdir. Büyük bahis (big bet) ise yüksek iş değeri taşır ama fizibilitesi düşüktür: daha çok yatırım, daha uzun süre ve daha yüksek risk gerektirir, karşılığında dönüştürücü etki vaat eder. Sağlıklı bir yapay zeka portföyü ikisini dengeler: quick win'ler momentumu ve bütçe güvenini kurar, büyük bahisler uzun vadeli rekabet avantajı yaratır. ### Use-case keşfi (toplama) nasıl yapılır? Use-case keşfi üç kaynaktan beslenir: yukarıdan aşağı (stratejik hedeflerden türetme — "maliyeti %X azaltmak için nerede yapay zeka kullanılabilir?"), aşağıdan yukarı (iş birimlerinden ve saha çalışanlarından acı noktalarını toplama) ve dışarıdan içeriye (sektör örnekleri, rakip hamleleri, tedarikçi yetenekleri). Toplama; çalıştaylar, anketler, birebir görüşmeler ve mevcut süreç haritaları ile yapılır. Her aday senaryo, ortak bir şablonla (problem, etkilenen süreç, beklenen fayda, gerekli veri) kaydedilir; böylece sonraki puanlama adımı adil ve karşılaştırılabilir olur. ### Paydaş hizalaması use-case önceliklendirmede neden kritiktir? Önceliklendirme yalnızca teknik değil, politik bir süreçtir: farklı iş birimleri kendi senaryolarının öne çıkmasını ister. Paydaş hizalaması olmadan yapılan bir matris, kağıt üzerinde doğru olsa bile uygulamada sahiplenilmez ve dirençle karşılaşır. Sağlıklı yaklaşım, değerlendirme boyutlarını ve ağırlıklarını en baştan paydaşlarla birlikte belirlemek, puanlamayı çapraz-fonksiyonel bir grupla yapmak ve sonucu şeffaf biçimde paylaşmaktır. Ortak bir çerçevede anlaşan paydaşlar, kendi senaryoları öne çıkmasa bile sonucu daha kolay kabul eder. ### Örnek doldurulmuş bir use-case önceliklendirme matrisi neye benzer? Örnek bir matriste her satır bir use-case (örneğin "müşteri destek yanıt taslaklama", "fatura anomali tespiti", "sözleşme özetleme"), her sütun bir değerlendirme boyutudur (iş değeri, fizibilite, veri hazırlığı, risk, stratejik uyum, ölçeklenebilirlik). Hücreler 1-5 arası puan içerir, son sütun ağırlıklı toplam puanı gösterir. Puanlar illüstratiftir. Toplam puana göre sıralanan senaryolar, ayrıca değer-fizibilite matrisine yerleştirilerek quick win ve büyük bahis olarak sınıflanır. Bu rehberde tam bir örnek tablo ve kopyalanabilir şablon verilmiştir. ### Use-case önceliklendirme matrisi ne sıklıkla güncellenmelidir? Önceliklendirme matrisi statik bir belge değil, yaşayan bir karar aracıdır. En az çeyreklik gözden geçirilmesi önerilir; çünkü teknoloji hızla değişir (dün fizibl olmayan bir senaryo bugün mümkün olabilir), veri hazırlığı iyileşir, stratejik öncelikler kayar ve tamamlanan projeler yeni öğrenmeler bırakır. Ayrıca her büyük yapay zeka projesi tamamlandığında matris yeniden değerlendirilmelidir. Matrisi bir kez yapıp rafa kaldırmak, en yaygın hatalardan biridir ve zamanla kararların gerçeklikten kopmasına yol açar. ### Küçük bir kurum use-case önceliklendirmeyi nasıl basitçe yapabilir? Küçük bir kurum, ağır bir metodolojiye ihtiyaç duymadan basitleştirilmiş bir sürüm kullanabilir: 5-10 aday senaryoyu bir çalıştayda toplar, her birini yalnızca iki boyutta (iş değeri ve uygulama kolaylığı) 1-5 puanlar ve bir değer-fizibilite matrisine yerleştirir. Quick win çeyreğindeki tek bir senaryoyla başlamak, tüm portföyü aynı anda değerlendirmeye çalışmaktan çok daha akıllıcadır. Kurum olgunlaştıkça altı boyutlu ağırlıklı skorlamaya geçilebilir. Önemli olan, kararın sistematik ve paydaşlarla hizalanmış olmasıdır. ## Özetle: Use-Case Önceliklendirme Nasıl Yapılır? Özetle use-case önceliklendirme nasıl yapılır sorusunun cevabı şudur: aday yapay zeka senaryolarını sistematik bir use-case keşfi ile toplamak, hepsini altı ortak boyutta (iş değeri, teknik fizibilite, veri hazırlığı, risk, stratejik uyum, ölçeklenebilirlik) puanlamak, ağırlıklı skorlama ile tek bir karşılaştırılabilir puana indirgemek ve senaryoları değer-fizibilite matrisine yerleştirerek quick win, büyük bahis, dolgu ve tuzak olarak sınıflamak. Nihai amaç tek bir senaryo seçmek değil, quick win ile büyük bahisi dengeleyen sağlıklı bir portföy kurmaktır. Bu yatırım önceliklendirme disiplini, sınırlı kaynağı en yüksek getiriye yönlendirir ve kararı paydaşlarla hizalar. En önemli mesaj şudur: use-case önceliklendirme bir sıralı liste değil, bir karar disiplinidir. Bu disiplini kuran kurumlar, yapay zeka yatırımlarını sezgiyle değil, kanıtla ve hizalamayla yönetir. Temel kavramlar için yapay zeka nedir ve dijital dönüşüm nedir rehberlerine bakabilir; kurumunuza özel bir use-case önceliklendirme çalışması ve yapay zeka yol haritası için yapay zeka danışmanlığı ile başlayabilir, önceliklendirmeyi hayata geçirecek yetkinlik için kurumsal eğitim seçeneklerini inceleyebilir ve tüm kavramları öğrenme merkezinde derinleştirebilirsiniz.