Pilot Çalışıyor Şirket Değişmiyor

İş dünyasında son dönemde giderek daha sık karşılaşılan tanıdık bir örüntü var: Şirketler büyük heveslerle bir yapay zeka projesine başlıyor, sunulan demolar yönetimden tam not alıyor ancak proje bir noktadan sonra arafta kalıyor. Ne tamamen rafa kaldırılıyor ne de şirket geneline yayılarak gerçek bir dönüşüm yaratabiliyor. Paperwork Satış Direktörü Tolga Eşiz, şirketlerin yapay zeka yatırımlarında yaşadığı bu tıkanıklığın arka planını ve projelerin neden pilot aşamasından öteye geçemediğini değerlendirdi.

Eşiz’in sahadaki gözlemlerini küresel araştırmalar da doğruluyor. BCG'nin 2024 yılına ait araştırmasına göre şirketlerin yarısına yakını yapay zeka süreçlerinde hâlâ pilot aşamasında. Somut değer üretenlerin oranı beşte bire, gerçek anlamda ölçülebilir sonuç alanların oranıysa yirmide bire kadar düşüyor. McKinsey'nin 2025 yılı raporu da şirketlerin büyük çoğunluğunun en az bir alanda yapay zeka kullandığını, ancak yöneticilerin çok büyük bir kısmının bunun kâra henüz somut bir katkı sağlamadığını düşündüğünü ortaya koyuyor.

Paperwork Satış Direktörü Tolga Eşiz’e göre bu tablo, teknolojinin işe yaramadığını değil, projelerin kurgulanma biçiminde temel hatalar olduğunu gösteriyor.

“Yapay Zeka Kullanmak Bir Hedef Olamaz”

Yapay zeka projelerindeki en yaygın hatanın teknolojiyle işe başlamak olduğunu belirten Eşiz, önceliğin iş problemini tanımlamak olması gerektiğini vurguluyor. Eşiz, bu durumu şu örnekle açıklıyor: "Müşteri hizmetlerinde yapay zeka kullanmak başlı başına bir strateji değildir. Yanıt süresini mi kısaltmayı hedefliyorsunuz, yoksa talepleri doğru ekibe yönlendirme oranını mı iyileştireceksiniz? Bu iki senaryo birbirinden tamamen farklı projeler gerektiriyor, ancak çoğu ekip işe başlarken bu ayrımı netleştirmiyor."

RAND Corporation’ın uzmanlarla yaptığı araştırmanın sonuçları da bu görüşü destekliyor: İş birimiyle teknik ekip, çözülmesi gereken problemi baştan farklı anlıyor ve model kusursuz çalışsa bile kimse onu gerçek iş akışına oturtamıyor.

Eşiz'in dikkat çektiği bir diğer engel ise veri kalitesi. Şirketlerin ellerinde yılların birikimi olan veriler bulunsa da bunların eksik, dağınık veya güncelliğini yitirmiş olması süreci baltalıyor. IBM’in 2025 CEO araştırmasında yöneticilerin yarısının, hızlı teknoloji yatırımlarının aslında birbirinden kopuk sistemler yarattığını kabul etmesi, altyapıdaki bu veri entegrasyonu sorununu gözler önüne seriyor.

Asıl Kırılma Noktası: Çıktı Nereye Düşüyor?

Sahadaki uygulamalarda en can alıcı noktanın entegrasyon eksikliği olduğunun altını çizen Eşiz, “Model doğru sonuç üretse bile, o sonuç ayrı bir ekranda kalıyorsa hiçbir şey değişmiyor” diyor. Çalışanların bilgiyi kopyalayıp e-postayla gönderdiği veya sonucu başka bir sisteme elle girdiği senaryolarda yapay zeka bir çıktı üretse de kimsenin iş yükü azalmıyor.

McKinsey verilerine göre yapay zeka kullanan şirketlerin sadece beşte biri iş akışlarını bu teknolojiye göre yeniden tasarlamış durumda. Oysa finansal sonuçla en güçlü ilişkiyi gösteren uygulama da tam olarak bu yeniden tasarım süreci.

Eşiz, işe yarayan projelerdeki ortak başarı formülünü şu sözlerle özetliyor: "Sorun çoğu zaman modelin zekası değil, çıktının bir yere bağlı olmaması. Tedarikçi teklifleri karşılaştırma tablosuna düşünce ilgili kişiye otomatik görev açılmıyorsa, bir arıza bildirimi girildiğinde bakım ekibine anında haber gitmiyorsa, o 'akıllı' sistem ayrı bir raporlama aracından ibaret kalıyor. Başarılı projelerde yapay zeka platforma dışarıdan eklenen bir yama gibi değil, her fonksiyonun LLM tarafından tetiklenebildiği bir katman olarak kurgulanıyor. Örneğin, bir kullanıcı Teams'ten 'açık işlerim' yazdığında karşısına sadece chatbotun ürettiği bir metin değil, gerçek ve işlevsel bir onay ekranı çıkmalı. Bu küçük gibi görünen fark, aslında pilotun neden şirket geneline yayılamadığının cevabını barındırıyor."

“Doğruluk Tek Başına Yetmiyor, Ölçüm Şart”

Yapay zeka projelerinde başarıyı tanımlarken yapılan bir diğer hata da sadece modelin doğruluk oranına odaklanmak. Modelin %95 doğru çalışmasının projenin bittiği anlamına gelmediğini belirten Eşiz, kalan %5'lik yanılma payının nerede hataya yol açtığının ve şirkete maliyetinin bilinmesi gerektiğini ifade ediyor. Proje başlamadan önceki işlem süresi, hata oranı ve yeniden işleme maliyetleri ölçülmeden, uygulamanın getirdiği değer anlaşılamıyor. Nitekim McKinsey araştırması, şirketlerin beşte birinden azının üretken yapay zeka için açık bir performans göstergesi (KPI) takip ettiğini gösteriyor.

Tolga Eşiz'e göre, şirketlerin yapay zeka yolculuğunda kendilerine sormaları gereken ilk soru "Hangi modeli kullanalım?" değil. Bunun yerine şu temel sorulara odaklanmak gerekiyor: "Hangi işi, hangi veriyle, ne kadar iyileştirmek istiyoruz ve sonucu nasıl ölçeceğiz?" Eşiz, bu sorulara net bir cevap verilmeden teknoloji seçimine geçilmesinin, projelerin asılı kalmasındaki en büyük etken olduğunu vurguluyor.