Yapay Zekâ Her İşe Girmemeli

Kurumsal AI dönüşümünün asıl meselesi daha fazla model kullanmak değil; modelin nerede gerçekten işe yaradığını bilmek olabilir.

Bir şirketin yapay zekâyı ne kadar ileri kullandığını ölçmek istesek, ilk akla gelen şey muhtemelen model sayısı olurdu.

Kaç çalışan ChatGPT kullanıyor? Kaç agent devrede? Kaç süreçte yapay zekâ var? Şirket hangi büyük dil modelini seçti?

Fakat Zapier’in 2026 ikinci çeyrek verilerinde dikkat çekici bir sonuç var: Yapay zekâyı en yoğun kullanan şirketlerin AI içeren iş akışlarında bile adımların yalnızca yüzde 18’i yapay zekâ tarafından yürütülüyor.

Geri kalan yüzde 82; veri aktarma, kurallar, filtreler, API çağrıları, kayıt işlemleri, mesaj gönderme, zamanlama ve benzeri klasik otomasyonlardan oluşuyor.

İlk anda tuhaf geliyor.

AI dönüşümünde ileri olan şirketlerin iş akışlarının yüzde 82’si neden AI değil?

Belki de asıl soru tam olarak bu olmalı.

Zapier’in araştırması ortalama şirketi temsil etmiyor. Şirket, 1.500 orta ve büyük ölçekli müşterisi arasından AI iş akışlarını en yoğun kullanan üst yüzde 25’lik grubu, yani 375 kuruluşu incelemiş. Dolayısıyla elimizde “bütün şirketler böyle çalışıyor” denebilecek bir istatistik yok. Daha ilginç bir şey var: AI kullanımında önde olanların sistemi nasıl kurduğu.

Ve görünen o ki, en olgun mimari her şeyi modele göndermek değil.

Modeli gerektiği yerde kullanmak.

Bu fark küçük görünse de şirketlerin önümüzdeki birkaç yıldaki AI yatırımlarını ciddi biçimde değiştirebilir.

Kur çekmek için yapay zekâya ihtiyacınız yok

Bir ERP’den açık alacakları çekmek gerekiyor.

Bunu bir LLM’e sormanın anlamı yok.

Bir faturanın vadesinin geçip geçmediğini kontrol edeceksiniz.

Bunun için de yok.

Saat dokuzda rapor çalıştırmak, CRM’de alan güncellemek, veriyi bir API’den başka sisteme taşımak, bir tutarı formülle hesaplamak…

Bunlar deterministik işler.

Aynı veri geldiğinde mümkün olduğu kadar aynı sonucu vermelerini isteriz.

Yapay zekânın değeri başka bir yerde başlıyor.

Bir müşterinin geciken ödemesi gerçekten risk sinyali mi, yoksa operasyonel bir aksaklık mı?

Gelen talep hangi ekibe yönlendirilmeli?

Bir sözleşmedeki belirli madde alışılmışın dışında mı?

Müşteri mesajındaki sorun ne kadar acil?

Bir raporda görülen sapmanın olası nedeni nedir?

Burada artık yalnızca veri taşımıyoruz.

Yorum yapıyoruz.

Zapier’in çalışmasında kullanılan dört rol ayrımı bu nedenle faydalı: Communicator, Clerk, Analyst ve Coordinator.

İlk ikisi görece tanıdık.

Communicator bir şeyi okuyor, özetliyor veya insanlar için yazıyor. Clerk ise yapılandırılmamış bilgiyi alıp sisteme işliyor; örneğin bir görüşmeden müşteri adı, aksiyon, tarih veya duygu çıkarıp CRM alanlarına yazıyor.

Analyst aşamasında iş değişiyor. Model bir karar, skor veya sınıflandırma üretiyor ve sonraki adım bu sonuca göre belirleniyor.

Coordinator’da ise bu sonuç gerçek bir işe dönüşüyor; görev açılıyor, ticket yaratılıyor, bir ekip harekete geçiriliyor.

Araştırmadaki ileri kullanıcıların yüzde 84’ünde Communicator, yüzde 79’unda Clerk bulunuyor. Analyst kullananların oranı yüzde 45, Coordinator kullananların oranı yüzde 26. Dahası şirketlerin çoğu önce bilgi yazan veya kaydeden rolleri kuruyor; karar veren ve işi başlatan rollere daha sonra geçiyor. İlk AI rolünden ikinci role geçişin medyan süresi 143 gün. Sonraki geçişler 111 ve 99 güne düşüyor.

Bu sıralama tesadüf olmayabilir.

Bir özet kötü çıktıysa insan düzeltir.

CRM’e yanlış alan yazıldıysa geri alınabilir.

Ama modelin verdiği karar doğrudan başka bir sistemi harekete geçiriyorsa artık yalnızca çıktı kalitesinden söz etmiyoruz.

Yetkiden söz ediyoruz.

Model neye karar verebilir?

Hangi tutara kadar?

Hangi güven seviyesinde?

Ne zaman insan onayı gerekir?

Yanlış karar verildiğinde kim fark edecek?

Nasıl geri alınacak?

Yapay zekâ bir noktadan sonra teknoloji meselesi olmaktan çıkıp yetki tasarımı haline geliyor.

Şirketin çalışanı hızlanıyor. Peki şirket?

Bugün kurumsal AI’da en önemli ayrımlardan biri burada.

Bir çalışanın bir raporu üç saat yerine otuz dakikada hazırlaması gerçekten verimlilik artışıdır. Bunu küçümsememek gerekir.

Ama şirket açısından aynı şey değildir.

McKinsey’in 2026 araştırmasında katılımcıların yüzde 80’i AI’ın bireysel verimliliklerini artırdığını söylüyor. Buna karşılık AI kullanımının şirket EBIT’ine en azından bir miktar olumlu etkisi olduğunu söyleyenlerin oranı yüzde 37. Araştırmada “yüksek performanslı” olarak tanımlanan ve AI’dan en az yüzde 5 EBIT etkisi gördüğünü belirten şirketler ise yalnızca yüzde 6.

Aradaki fark önemli.

Bir çalışan daha hızlı e-posta yazıyor olabilir.

Daha çabuk araştırma yapıyor olabilir.

Sunumu birkaç saatte hazırlıyor olabilir.

Fakat müşteri talebi hâlâ dört departman arasında dolaşıyorsa, tahsilat riski hâlâ birilerinin Excel dosyasında elle izleniyorsa, fiyatlama kararı hâlâ üç ayrı onay kuyruğunda bekliyorsa çalışan hızlanmıştır.

Şirket değil.

BCG’nin temmuz ayında yayımladığı CEO araştırmasında da benzer bir ayrım var. Ankete katılan şirketlerin önemli bölümü belirli alanlarda AI’dan maliyet veya gelir katkısı gördüğünü söylüyor; buna rağmen etkinin şirket geneline taşınmasında zorlanıyorlar. Yüksek performans gösteren şirketlerin iş akışlarını uçtan uca yeniden tasarlama olasılığı diğerlerine göre yaklaşık yedi kat daha yüksek.

Bu bana AI dönüşümünün neden birçok şirkette beklenenden yavaş ilerlediğini de açıklıyor.

Şirketler modele yatırım yapıyor.

Ama çoğu zaman işin kendisini değiştirmiyor.

Eski süreç kalıyor.

AI onun içine birkaç noktadan ekleniyor.

Sonuçta daha hızlı çalışan eski bir süreç elde ediliyor.

Bu kötü bir sonuç değil.

Sadece dönüşüm değil.

Belki yeni bir ekran gerekmiyor

Burada başka bir yanlış anlaşılma daha var.

AI dönüşümü dendiğinde şirketin bütün mevcut sistemlerinin değişmesi gerekiyormuş gibi düşünülebiliyor.

ERP gidecek.

CRM değişecek.

Yeni bir agent ekranı gelecek.

İnsanlar artık başka bir yerde çalışacak.

Pratikte bunun her zaman gerekli olduğundan emin değilim.

Çoğu şirkette gerçek fırsat, mevcut sistemlerin üzerine ayrı bir “zeka katmanı” koymakta olabilir.

ERP hâlâ kayıt sistemi olarak kalabilir.

CRM müşterinin temel kaydı olmaya devam edebilir.

Teams veya Slack iletişim ortamı olabilir.

Excel bazı analizlerde yaşamaya devam edebilir.

AI’ın işi bunların yerine geçmekten çok, aralarındaki kör noktaları azaltmak olabilir.

McKinsey’in yakın tarihli çalışmasında buna oldukça yerinde bir isim veriliyor: “coordination tax”.

Şirketler yıllarca süreç şemalarındaki kutuları optimize etti.

Satış.

Finans.

Operasyon.

Satın alma.

Hukuk.

Fakat iş çoğu zaman kutunun içinde değil, bir kutudan diğerine geçerken yavaşlıyor. Bilginin aktarılması, tekrar açıklanması, yorumlanması, onay alınması, bağlamın kaybolması…

AI’ın büyük fırsatlarından biri burada yatıyor olabilir.

Sonra çok temel bir sorun çıkıyor: Şirketin hafızası nerede?

Bu noktada Zapier CEO’su Wade Foster’ın son dönemde anlattığı bir uygulama ilginç.

Zapier uzun süredir uzaktan çalışan bir şirket. Foster, şirket içi Slack konuşmalarının mümkün olduğunca özel mesajlarda değil, erişilebilir ortak kanallarda yapılmasını teşvik ediyor. Bunun için yöneticiler arasında bir “şeffaflık sıralaması” bile oluşturmuşlar.

Kendi açıkladığı son rakamlara göre mesajlarının yüzde 79’u ortak kanallarda. Şirketin CMO’sunda bu oran yüzde 98. Daha önce şirket genelinde halka açık Slack mesajlarının payının yüzde 33’ten yüzde 46’ya çıktığını da açıklamıştı.

Bu ilk bakışta kurumsal kültür hikâyesi gibi görünüyor.

AI açısından ise başka anlamı var.

Foster bunu çok açık ifade ediyor: bir karar özel mesajda alındığında AI ajanı o bağlamı göremiyor.

Sonucu bir sistemde olabilir.

Ama nedenini bilmiyor.

Şirketlerin gerçek hafızası zaten yıllardır burada sorunlu.

Bir yatırımın neden ertelendiği ERP’de yazmaz.

Bir müşteriye neden olağan dışı vade verildiğini CRM her zaman anlatmaz.

Bir yöneticinin neden belirli bir riski kabul ettiğinin gerekçesi toplantı notunda olmayabilir.

Bir müşterinin görünenden daha riskli olduğunu deneyimli satış yöneticisi biliyordur ama bu bilgi herhangi bir veri tabanında bulunmayabilir.

İnsan organizasyonları bunu yıllardır gayriresmî yöntemlerle çözüyor.

Birini arıyoruz.

Koridorda soruyoruz.

“Bu işin hikâyesi neydi?” diyoruz.

AI’ın koridoru yok.

Görebildiği veri ve bağlam kadar şirketi biliyor.

Burada elbette “bütün konuşmalar herkese açık olsun” gibi bir sonuç çıkarmak yanlış olur. Foster da hukuk, insan kaynakları ve hassas konuların özel kalması gerektiğini özellikle belirtiyor.

Asıl mesele başka:

Kurumsal hafızanın hangi bölümünün şirketin ortak hafızası olması gerektiğini artık bilinçli biçimde tasarlamak zorundayız.

Çünkü AI’ın şirket içinde ne kadar faydalı olacağını yalnızca modelin zekâsı belirlemeyecek.

Modelin şirket hakkında ne kadar doğru bağlama ulaşabildiği de belirleyecek.

Finans bu ayrımı çok net gösteriyor

Bir finans iş akışını ele alalım.

Banka bakiyelerinin sisteme çekilmesinde LLM kullanmak istemem.

Açık faturaların ERP’den alınmasında da.

DSCR hesabında, vade gününün hesaplanmasında, borç geri ödeme planının oluşturulmasında veya kur pozisyonlarının toplanmasında mümkün olduğu kadar deterministik yapı isterim.

Rakam aynıysa sonuç da aynı olmalı.

Sonra başka tür sorular geliyor.

Bu müşterinin ödeme davranışı neden bozuldu?

Önümüzdeki üç ayda nakit açığı yaratabilecek en önemli iki risk hangisi?

Bir kur şokunda hangi ödeme kararının operasyon üzerindeki etkisi daha sınırlı olur?

Bu sapma geçici mi, yapısal mı?

Burada AI anlam kazanmaya başlıyor.

Veriyi okumak, ilişkileri bulmak, senaryoları değerlendirmek, olası nedenleri sıralamak…

Fakat şirketin hangi müşteriye vade vereceği, hangi yatırımı erteleyeceği veya hangi finansman teklifini kabul edeceği noktası geldiğinde yine başka bir katman devreye giriyor:

İnsan muhakemesi.

Sonra karar sisteme dönüyor.

Görev açılıyor.

Uyarı gönderiliyor.

Tahsilat aksiyonu CRM’e işleniyor.

Senaryo yeniden çalıştırılıyor.

Belki iyi bir AI mimarisinin en önemli özelliği burada ortaya çıkıyor:

Model her şeyi yapmıyor.

İşin içinde doğru yerde duruyor.

Yüzde 18 neden düşündüğümüzden daha önemli?

Zapier ayrıca 24 örnek AI-agent iş akışı üzerinde yaptığı ayrı bir maliyet modellemesinde deterministik adımların LLM yerine klasik otomasyona bırakılması durumunda çalıştırma maliyetinin yüzde 71 daha düşük olabileceğini hesaplamış. Bunun gerçek müşteri faturalarından elde edilmiş bir sonuç olmadığını belirtmek önemli; belirli model ve fiyat varsayımlarına dayanan bir simülasyon. Dolayısıyla yüzde 71’i evrensel bir tasarruf oranı olarak okumamak gerekir.

Ama arkasındaki fikir güçlü.

Her şeyi modele göndermek yalnızca pahalı değildir.

Bazen gereksiz yere daha belirsiz hale getirir.

Bir API çağrısının yaratıcı olmasına ihtiyacımız yok.

Bir muhasebe kaydının yorum yapmasını istemeyiz.

Bir ödeme tarihinin “bence ayın 15’i daha uygun” demesi felaket olur.

Kurumsal sistemlerde bazı şeylerin sıkıcı olması iyidir.

Hatta zorunludur.

AI’ın değeri, o sıkıcı altyapının üzerine muhakeme eklediğimiz yerde ortaya çıkıyor.

Bu yüzden önümüzdeki birkaç yılda “AI-first şirket” tanımının da değişebileceğini düşünüyorum.

En çok modele sahip şirket olmayabilir.

En fazla agent çalıştıran da olmayabilir.

Daha önemli olan, hangi işi modele vereceğini, hangi işi deterministik bırakacağını, hangi kararı insana taşıyacağını ve bütün bunların nasıl izleneceğini bilen şirket olabilir.

Bu bakışla Zapier’in yüzde 18’i yapay zekânın az kullanıldığını göstermiyor.

Tam tersine.

Nereye konulacağını öğrenmeye başladığımızı gösteriyor.

Ve belki kurumsal AI dönüşümünün en zor tarafı teknoloji bile değil.

Şirketin kendi çalışma biçimini ilk kez yeterince açık tarif etmek zorunda kalması.

Hangi bilgi nerede?

Hangi karar neden alınıyor?

Kim hangi yetkiye sahip?

Hangi durumda insan devreye giriyor?

Hangi iş gerçekten muhakeme gerektiriyor?

Bunları bilmiyorsak en güçlü modeli sisteme bağlayabiliriz.

Model hızlı olur.

Şirket yine aynı şirket olarak kalır.

Asıl dönüşüm, yapay zekâ şirketi anlamaya başladığında değil; şirket kendi işleyişini yapay zekânın anlayabileceği kadar açık hale getirdiğinde başlayacak.