İlk yapay zeka projesi nasıl seçilir?

İyi bir ilk yapay zeka projesinin özellikleri neler?

İyi bir ilk yapay zeka projesi, şirketin sonucu kısa sürede görebileceği, hatasının telafi edilebildiği ve öğrendiklerinin sonraki projelere taşınabildiği bir projedir. Amaç en büyük problemi çözmek değil, kurumun yapay zekayla çalışmayı öğrenmesidir.

Böyle projelerin ortak özellikleri vardır:

• Sık tekrarlanır. Ayda birkaç kez değil, her gün ya da her hafta yapılan bir iştir.
• Girdisi ve çıktısı bellidir. “Fatura gelir, alanlar ERP’ye girer” gibi tarif edilebilir.
• Hatası telafi edilebilir. Yanlış bir öneri, bir insanın kontrolüyle yakalanabilir.
• Bir sahibi vardır. Sonucundan sorumlu, karar verebilen bir yönetici vardır.
• Ölçülebilir. Bugün ne kadar sürdüğü, ne kadar hata içerdiği bilinir veya kolayca ölçülür.

İlk projenin kötü seçilmesinin bedeli yalnız bütçe değildir. Başarısız bir pilot, ekibin “yapay zeka bizde işe yaramıyor” sonucuna varmasına yol açar. Bu yüzden ilk projede iddiayı küçük, öğrenmeyi büyük tutmak gerekir.

Kullanım senaryoları nasıl listelenir ve puanlanır?

Listeyi teknolojiden değil, işten başlatın. Her departmandan iki soruya cevap isteyin: “En çok zamanınızı alan tekrarlı iş ne?” ve “Hangi kararı daha iyi veriye sahip olsanız daha iyi verirdiniz?” Bu iki soru genellikle 15–30 aday çıkarır.

Ardından her adayı aynı ölçütlerle puanlayın. Aşağıdaki matris her kriteri 1–3 arasında tanımlar. Amaç kesin bir hesap değil, aynı dili konuşmaktır.

Kriter	1 (zayıf)	2 (orta)	3 (güçlü)
İş değeri	Faydası belirsiz veya tek kişiyi ilgilendiriyor	Bir ekibin işini belirgin hızlandırıyor	Gelir, maliyet veya müşteri deneyiminde doğrudan etki
Veri hazırlığı	Veri yok ya da dağınık, elle derlenmesi gerekiyor	Veri var ama temizlik ve birleştirme gerekiyor	Veri tek yerde, düzenli ve erişilebilir
Süreç tekrarlılığı	Nadir ve her seferinde farklı	Haftalık, belli bir kalıbı var	Günlük ve standart
Hata maliyeti (ters ölçek)	Hata müşteriye, sağlığa veya hukuka dokunuyor	Hata iç süreçte gecikme yaratıyor	Hata insan kontrolünde kolayca yakalanıyor
Uyum riski (ters ölçek)	Kişiler hakkında önemli karar veya yüksek riskli kullanım	Kişisel veri işleniyor, kontrol gerekli	Kişisel veri yok veya çok sınırlı
Sahiplik	Sahibi yok, “herkesin işi”	Sahibi var ama zamanı sınırlı	Sahibi var ve pilotu sahipleniyor

Matrisi nasıl okuyacağınızı dört örnekle görelim (puan vermiyoruz; her şirkette sonuç farklı çıkar):

• Talep tahmini. İş değeri genellikle yüksektir. Belirleyici kriter veri hazırlığıdır: satış geçmişi düzenli ve yeterince uzun mu, kampanya ve stok kesintileri işaretlenmiş mi?
• Görsel kalite kontrol. Üretim hattında tekrarlılık yüksektir. Belirleyici kriter hata maliyetidir: kaçan bir hata müşteriye ulaşıyorsa, ilk aşamada sistem yalnız insanı uyarmalıdır.
• Kredi risk skorlama. Değeri yüksektir ama uyum riski de yüksektir. Kişiler hakkında karar verdiği için KVKK ve AB Yapay Zeka Yasası (AI Act) açısından dikkatle değerlendirilmelidir. İlk proje olarak çoğu zaman uygun değildir.
• Fatura işleme. Tekrarlılık ve veri hazırlığı genellikle yüksek, hata maliyeti düşüktür. Birçok şirket için iyi bir ilk adaydır.

Veri hazırlığı nasıl hızlıca kontrol edilir?

Bir veri projesi başlatmadan önce beş soruyla durumu görebilirsiniz:

1. Nerede? Veri hangi sistemde: ERP, CRM, e-posta, Excel dosyaları, kâğıt?
2. Ne kadar? Senaryonun gerektirdiği dönem için kayıt var mı?
3. Ne kadar temiz? Rastgele seçilen 50 kayıttan kaçı eksiksiz ve tutarlı?
4. Erişilebilir mi? Sistemden dışa aktarma veya API ile alınabiliyor mu, yoksa biri elle mi çekiyor?
5. Kimin? Veriyi kullanmak için kimden onay gerekiyor, kişisel veri içeriyor mu?

Bu soruların cevabı, dijital olgunluk düzeyinizin de hızlı bir resmidir. Cevapların çoğu “bilmiyoruz” ise, ilk proje yapay zeka değil, verinin toplanması olabilir.

Risk ve uyum filtresi nasıl uygulanır?

Puanlamadan sonra en yüksek adayları bir filtreden geçirin. Bu bölüm hukuki danışmanlık değildir; hukuk danışmanınızla birlikte değerlendirin.

• KVKK. Senaryo kişisel veri işliyor mu? İşliyorsa hukuki dayanak, aydınlatma ve verinin hangi ülkede işlendiği netleşmeli.
• AB Yapay Zeka Yasası. Avrupa Birliği’nde müşteriniz veya kullanıcınız varsa, kredi değerlendirmesi, işe alım veya eğitimde değerlendirme gibi kullanımlar yüksek riskli kategoride olabilir. İlk projede bu alanlardan uzak durmak akıllıcadır.
• Risk yönetimi çerçevesi. NIST AI Risk Management Framework, riski yönetişim, haritalama, ölçme ve yönetme işlevleriyle ele alır. OECD’nin yapay zeka ilkeleri de şeffaflık, hesap verebilirlik ve insan denetimini öne çıkarır. İlk projede bu çerçevelerin tamamını kurmanız gerekmez, ama “kim denetler, nasıl geri alınır” sorularına cevap vermeniz gerekir.

Pilot başarısı nasıl tanımlanır ve ölçülür?

Pilotun başarısı başlamadan önce yazılmalıdır. Aksi halde her sonuç “umut verici” diye yorumlanır.

İyi bir pilot tanımı dört şey içerir:

• Temel ölçüm. İşin bugünkü hali: işlem başına süre, hata oranı, bekleme süresi.
• Hedef. Pilotun sonunda hangi değerde “devam” deneceği.
• Kapsam ve süre. Hangi ekip, hangi veri, hangi tarihe kadar.
• Kullanıcı tepkisi. Ekip aracı gerçekten kullanıyor mu, nerede vazgeçiyor?

Google’ın People + AI Guidebook’u, kullanıcıların sisteme ne kadar güveneceğinin ve hatalarla nasıl karşılaşacaklarının baştan tasarlanmasını önerir. Pilotta yalnız modelin doğruluğunu değil, insanın sonucu kontrol etme ve düzeltme biçimini de ölçün. Ekibin prompt mühendisliği gibi temel becerileri öğrenmesi bu yüzden pilotun parçasıdır.

Hangi işaretler “henüz yapay zeka değil, önce süreç ve veri” der?

Bazen en doğru karar, yapay zekayı ertelemektir. Şu işaretler bunu gösterir:

• Süreç her ekipte farklı yürüyor ve kimse doğru yolu tarif edemiyor.
• Veri birkaç Excel dosyasında, farklı biçimlerde ve elle tutuluyor.
• Sorun aslında bir onay adımının veya bir entegrasyonun eksikliği.
• İşin sahibi yok ya da sonucu ölçmek isteyen kimse yok.
• Basit bir kural veya otomasyon aynı işi görüyor.

Bu durumda önce süreci sadeleştirmek ve veriyi tek yerde toplamak, sonraki yapay zeka projesinin zeminini hazırlar. Özellikle KOBİ’lerde bu adım çoğu zaman hızlı ve görünür bir kazanç sağlar.

Nereden başlamalı?

Departman yöneticileriyle yarım günlük bir çalıştay, aday listesini çıkarmak için yeterlidir. Ardından yukarıdaki matrisle puanlayın, ilk üç adayı veri ve risk filtresinden geçirin ve birini seçin. Seçilmeyen adayları çöpe atmayın: aynı listeyi pilot bittiğinde yeniden puanlayın. İlk projede kurulan veri bağlantıları ve kontrol adımları, çoğu zaman ikinci adayın veri hazırlığı puanını yükseltir.

Corrplus’ta bu süreci ücretsiz bir keşif görüşmesiyle başlatıyor, ardından 2 haftalık yapay zeka keşif programı içinde senaryoları sizinle birlikte değerlendiriyoruz. Ayrıntılar için yapay zeka danışmanlığı, dijital dönüşüm danışmanlığı ve kurumsal yapay zeka eğitimi sayfalarımıza bakabilirsiniz. Sektörünüze özgü senaryolar için imalat ve e-ticaret ve perakende sayfalarını da inceleyebilirsiniz.