Önce Hype'ı Bir Kenara Bırakın

Son birkaç yıldır neredeyse her yönetim kurulu toplantısında aynı cümle dolaşıyor: "Biz de yapay zekaya geçmeliyiz." Sorun şu ki bu bir hedef değil, bir his. "Dijitalleşmeliyiz" ya da "buluta geçmeliyiz" gibi, içi doldurulmadığında hiçbir şey ifade etmeyen bir slogan. Yapay zeka bir varış noktası değil; belirli bir işi daha ucuza, daha hızlı ya da daha iyi yapmanın bir aracıdır. Aracı amacın yerine koyduğunuz anda, elinizdeki çözüme uyacak bir problem icat etmeye başlarsınız.

Hype'ın tehlikesi sadece boşa harcanan bütçe değildir. Asıl tehlike, beklentinin gerçeğin önüne geçmesidir. Bir teknolojinin sunum slaytlarında kusursuz çalışması ile sizin gerçek verinizle, gerçek müşterinizle, gerçek mevzuatınızla çalışması arasında uçurum vardır. "Yapay zeka her şeyi çözer" inancıyla başlayan projeler, ilk gerçek dünya sürtüşmesinde hayal kırıklığına dönüşür ve çoğu zaman tüm konunun üzerine bir gölge düşürür.

Bu yazının amacı sizi yapay zekadan vazgeçirmek değil. Tam tersine: doğru kullanıldığında gerçekten işe yarayan, ölçülebilir değer üreten güçlü bir araç bu. Amaç, sizi vitrindeki parlaklıktan koparıp, bir mühendisin ya da işini ciddiye alan bir kurucunun durduğu yerden bakmaya davet etmek. O yerden sorulan sorular hep aynıdır: Hangi problem? Ne kadar para? Ne kadar risk? Ve sonucu nasıl ölçeceğiz?

Teknolojiyle Değil, Bir Problemle Başlayın

İyi bir yapay zeka projesi neredeyse hiçbir zaman "yapay zekayı nerede kullanabiliriz?" sorusuyla başlamaz. "Bizi en çok ne yoruyor, ne pahalıya patlıyor, neyi sürekli geç yapıyoruz?" sorusuyla başlar. Teknolojiyi bir kenara koyup şirketinizin en sıkıcı, en tekrar eden, en çok insan-saati yiyen işlerini listeleyin. Yapay zekanın bugün gerçekten parladığı yer tam burası: hacimli, kalıplaşmış, dilsel ya da görsel örüntü tanımaya dayanan, ama tek tek bakıldığında zihinsel olarak zorlamayan işler.

Somut olmakta fayda var. "Müşteri deneyimini iyileştirmek" bir problem değil, bir temennidir. Ama "destek ekibimiz gelen e-postaların yüzde altmışını üç tipik kategoriye ayırmak için günde dört saat harcıyor" — işte bu bir problemdir. Ölçülebilir, sınırları belli, başarısı net. İyi bir aday problem genelde şu üç özelliği taşır: sık tekrarlanır, sonucunu görmek için aylar beklemezsiniz ve yanlış cevabı bir insan bakar bakmaz fark eder.

Bir uyarı: en çekici problem her zaman en doğru başlangıç noktası değildir. Şirketin en kritik, en görünür sürecini ilk denek olarak seçmek cazip gelir ama risklidir. İlk projeniz için, yanlış gittiğinde dünyanın yıkılmayacağı ama doğru gittiğinde herkesin faydayı net göreceği bir yer seçin. Güven, küçük ve somut zaferlerle inşa edilir; büyük ve belirsiz vaatlerle değil.

Küçük Başlayın: Pilot, Devrim Değil

Bir problemi seçtikten sonra en yaygın hata hemen büyük düşünmektir. "Madem yapacağız, bütün departmanı dönüştürelim" düşüncesi, parayı ve itibarı en hızlı yakan yaklaşımdır. Doğru yöntem dar kapsamlı bir pilottur: tek bir süreç, tek bir ekip, birkaç haftalık net bir zaman dilimi ve baştan tanımlanmış bir başarı eşiği. Pilotun amacı dünyayı değiştirmek değil, tek bir soruyu cevaplamaktır: "Bu gerçekten işe yarıyor mu, ve ne kadar?"

İyi bir pilotun gizli faydası, ürettiği sonuçtan çok öğrettiği şeylerdir. Pilot sırasında verinizin ne kadar dağınık olduğunu, kullanıcıların aracı nasıl by-pass ettiğini, modelin nerede tökezlediğini ve gerçek tasarrufun nerede saklı olduğunu öğrenirsiniz. Bu bilgi, kağıt üstündeki en parlak iş planından daha değerlidir, çünkü gerçektir. Başarısız bir pilot bile, yedi haneli bir yatırımı yanlış yöne akıtmadan önce öğrendiğiniz için ucuz bir derstir.

Pilotu tasarlarken "insan döngüde" (human in the loop) ilkesini baştan benimseyin. Yani sistem öneri üretir, ama nihai kararı bir süre boyunca bir insan verir ya da onaylar. Bu hem riski azaltır hem de size modelin gerçek isabet oranını ölçme şansı verir. Yapay zekayı bir gecede direksiyona oturtmak yerine önce yardımcı koltuğa alın; güven kazandıkça sorumluluğu kademeli olarak devredersiniz.

Ölçemiyorsanız, İşe Yaradığını Bilemezsiniz

Yapay zeka projelerinin en sinsi tuzağı "havalı görünüyor" hissidir. Demo etkileyicidir, herkes başını sallar, proje yeşil ışık alır — ama kimse aslında neyi iyileştirdiğimizi sayıyla söyleyemez. Bunu önlemenin tek yolu, daha tek satır kod yazılmadan önce başarı metriğini ve mevcut durumu (baseline) yazıya dökmektir. "Şu an bu iş ortalama kırk dakika sürüyor ve hata oranı yüzde sekiz" gibi bir cümle, sonradan "daha iyi oldu" demenin tek dürüst zeminidir.

Doğru metrik genellikle teknik değil iş metriğidir. Modelin doğruluk oranı (accuracy) ilginçtir ama patronun umursadığı şey değildir. Patron; kazanılan saatleri, düşen hata sayısını, kısalan yanıt süresini, artan dönüşüm oranını ya da azalan iade oranını umursar. Mümkünse bir kontrol grubu kullanın: işin bir kısmını eski yöntemle, bir kısmını yeni sistemle yürütün ve ikisini yan yana koyun. Yoksa gerçek gelişmeyi, mevsimsel dalgalanmadan ya da o ay devreye giren başka bir değişiklikten ayırt edemezsiniz.

Ölçüm aynı zamanda bir dürüstlük disiplinidir. Bir pilotun rakamları tutmadığında bunu kabul edebilmek, başarının yarısıdır. Önceden tanımlanmış bir eşik ("hata oranını en az üçte bir düşürmezse devam etmeyiz") sizi hem kendinizi kandırmaktan hem de bitmek bilmeyen "bir hafta daha verelim" döngüsünden korur. İyi ekipler kötü haberi erken ve net duyar; kötü ekipler onu bütçe bitene kadar erteler.

Satın Al mı, Yap mı? Dürüst Bir Karar Ağacı

Bir noktada şu soru gelir: hazır bir ürün mü alalım, yoksa kendimiz mi geliştirelim? Genel kural basittir: ihtiyacınız rakiplerinizinkiyle aynıysa, satın alın. Fatura okuma, toplantı notu çıkarma, müşteri sorularını yanıtlama gibi işler için olgun, ucuz ve sürekli güncellenen ürünler var. Bunları sıfırdan yapmak, kendi elektriğinizi üretmeye benzer — mümkün, ama neredeyse hiçbir işletme için mantıklı değil. Rekabet avantajınız o işten gelmiyorsa, o işi kendiniz inşa etmeyin.

Kendiniz yapmak (ya da özel olarak yaptırmak) üç durumda anlamlıdır: işiniz gerçekten kendine özgüyse ve hazır ürünler sizin nüansınızı yakalayamıyorsa; veriniz öyle hassas ya da düzenlemeye tabi ki binanızın dışına çıkamıyorsa; ya da bu yetenek tam olarak sizi rakiplerinizden ayıran şeyse. Bu durumlarda jenerik bir araç işi yarım yapar ve sizi herkesle aynı tabana hapseder. Çoğu şirketin çoğu ihtiyacı 'satın al' tarafına düşer; gerçekten 'yap' gerektiren çekirdek ise azdır ama değerlidir.

Üçüncü ve çoğu zaman en akıllı yol ikisinin arasındadır: temel zekayı dışarıdan bir modelden alın, ama onu kendi verinizle, kendi kurallarınızla ve kendi alan bilginizle çevreleyin. İçtiHub'ı geliştirirken bizim yaklaşımımız da bu: dilin genel kabiliyetini güçlü temel modellerden alıyor, üstüne Türk hukukunun mevzuatını, içtihadını ve doğrulama katmanını biz inşa ediyoruz. Asıl değer modelin kendisinde değil; onu güvenilir, alana özgü ve doğrulanabilir kılan o ince ama zahmetli katmanda saklı. Bu ayrımı görmek, bütçenizi nereye koyacağınızı da netleştirir.

Veri Hazırlığı: Sıkıcı Ama Belirleyici

Yapay zeka projelerinin çoğu modelde değil, veride çuvallar. Eski bir mühendislik deyişi vardır: "çöp girerse, çöp çıkar." En güçlü model bile dağınık, eksik, çelişkili ya da on farklı yerde on farklı formatta duran veriyle parlayamaz. Çoğu şirket sandığından çok daha az 'hazır' veriye sahiptir; çünkü veri yıllarca insanlar için tutulmuştur, makineler için değil. Bu yüzden gerçek projelerin şaşırtıcı şekilde büyük bir kısmı, modeli kurmakla değil, veriyi toparlamak ve temizlemekle geçer.

İyi haber şu: bu temizlik işi zaten kendi başına değer üretir. Verinizi düzene sokmak, etiketlemek ve tek bir doğru kaynakta toplamak, yapay zeka hiç gelmese bile işinize yarar — raporlama düzelir, hatalar azalır, kurumsal hafıza güçlenir. Bu yüzden veri hazırlığını 'yapay zekanın angarya ön koşulu' olarak değil, kendi başına getirisi olan bir yatırım olarak görmek daha sağlıklı. Üstelik bu çalışma, hangi yapay zeka fikrinin gerçekçi olduğunu da size en dürüst şekilde gösterir.

Bir uyarı da gizlilik ve uyum tarafından gelir. Müşteri verisi, kişisel veri ya da düzenlemeye tabi bilgiyle çalışıyorsanız, bunları bir modele vermeden önce KVKK'yı ve sektörel kuralları netleştirmek pazarlık konusu değildir. Verinin nereye gittiği, nerede saklandığı, kime erişimi olduğu baştan tasarlanmalı. Bu sadece hukuki bir zorunluluk değil, müşterinizin güveninin de temelidir; sonradan eklenen bir yama değil, mimarinin bir parçası olmalıdır.

Sık Yapılan Hatalar ve Nasıl Kaçınılır

Birkaç hata o kadar sık tekrarlanır ki neredeyse bir desen oluşturur. Birincisi, çözümü problemden önce seçmek: "Falanca aracı aldık, şimdi nereye sokacağız?" Bu, çekiç alıp ortalıkta çivi aramaya benzer. İkincisi, işi tek seferlik bir proje sanmak: yapay zeka sistemleri kurulup unutulan değil; izlenen, beslenen ve zamanla bozulabilen canlı sistemlerdir. Dünya değişir, veri kayar, model dünkü kadar isabetli olmayabilir; buna 'kayma' (drift) denir ve bunun için bir bakım planınız olmalıdır.

Üçüncü ve belki en pahalı hata, modelin kendinden emin yanlışlarına körü körüne güvenmektir. Büyük dil modelleri, bilmedikleri bir şeyi de son derece ikna edici bir dille uydurabilir; buna 'halüsinasyon' denir. Doğruluğun pahalıya patladığı alanlarda — hukuk, sağlık, finans — bu en büyük risktir. Çözüm, modeli serbest bırakmak değil; onu doğrulanabilir kaynaklara bağlamak, çıktısını bir kontrol katmanından geçirmek ve kritik kararlarda insanı döngüde tutmaktır. İçtiHub'da her cevabı dayandığı mevzuat ve karar kaynağına bağlamamızın sebebi tam olarak budur: kullanıcı sadece cevabı değil, cevabın nereden geldiğini de görmeli.

Dördüncüsü insan tarafıdır ve çoğu zaman teknolojinin kendisinden daha belirleyicidir. En iyi sistem bile, onu kullanacak ekip güvenmiyorsa, korkuyorsa ya da süreçlerine oturmuyorsa rafta kalır. Çalışanlara 'seni işten edecek araç' diye değil, 'sıkıcı kısmı senin elinden alacak araç' diye sunulan, eğitimi ve geri bildirim kanalı olan projeler tutar. Teknolojiyi kurmak kolaydır; insanların onu gerçekten kullanmasını sağlamak işin asıl zor ve asıl değerli kısmıdır.

ROI'yi Dürüstçe Hesaplamak

Sonunda her şey tek bir soruya iner: bu yatırım kendini ödüyor mu? ROI (yatırım getirisi) hesabı kulağa basit gelir — kazanç bölü maliyet — ama dürüst yapıldığında çoğu sunumdan daha kapsamlıdır. Kazanç tarafı sadece 'kazanılan saatler' değildir; azalan hatalar, hızlanan teslimat, daha iyi kararlar, kaçırılmayan fırsatlar ve bazen sadece çalışanların daha anlamlı işe odaklanması da birer kazançtır. Bunların bir kısmı kolay ölçülür, bir kısmı zor; zoru görmezden gelmek yerine en azından dürüstçe işaret edin.

Maliyet tarafında en büyük hata, görünmeyen kalemleri unutmaktır. Lisans ya da model ücreti çoğu zaman buzdağının görünen kısmıdır. Altında veri hazırlığı, entegrasyon, bakım, izleme, eğitim ve yanlış cevapların düzeltilmesi gibi 'gizli' maliyetler yatar. Gerçekçi bir hesap bunları baştan masaya koyar; aksi halde projenin kağıttaki getirisi parlak görünür ama gerçekte çıkmaz. İyi bir kural: ilk yıl maliyetini olduğundan biraz yüksek, getirisini olduğundan biraz düşük tahmin edin — sürprizler genelde bu yönde olur.

Son olarak zaman ufkunu gerçekçi tutun. Bazı yapay zeka projeleri haftalar içinde kendini öder; bazıları aylar sürer; bazıları da hiç ödemez — ve bunu erken anlamak bir başarısızlık değil, iyi yönetimdir. ROI'yi tek seferlik bir kapı değil, sürekli güncellenen bir gösterge olarak görün. En sağlıklı yaklaşım, küçük bir pilotla başlayıp gerçek rakamı görmek, sonra işe yarayanı ölçekleyip yaramayanı dürüstçe rafa kaldırmaktır. Hype size bir devrim vaat eder; iyi mühendislik ve iyi yöneticilik ise size ölçülebilir, tekrarlanabilir ve dürüst bir getiri sunar. Uzun vadede kazandıran ikincisidir.