Yapay zekâ CFO’yu ikame etmez, CFO’yu erişilebilir kılar

Bugün herkes aynı soruyu soruyor: yapay zekâ CFO’nun yerini alacak mı?

Biz farklı bir soru soruyoruz. Yerini almak mı, yoksa CFO’yu daha erişilebilir kılmak mı?

Fark önemli. Çünkü ilk soru bir tehdit tarifidir; ikincisi bir yöntem sorusu. Ve yöntem sorusunun cevabı, yapay zekânın bu işin hangi kısmını devralabileceğine — daha da kritiği, bu ayrımı kimin yapacağına — bağlı.

Kurumsal finansta çeyrek asrı aşan bir pratikte geliştirdiğimiz model üç katmanlı: muhakeme insanda, hız ve biçim yapay zekâda, doğrulama yine insanda. Aşağıda bu sıralamanın neden böyle olduğunu anlatıyoruz.

1. Sınır düz değil, tırtıklı

Harvard Business School ve Boston Consulting Group’un 758 bilgi çalışanıyla yaptığı saha deneyi, 2026’da Organization Science’ta yayımlandı. Bulgular iki yönlü.

Yapay zekânın yetkin olduğu görevlerde performans belirgin arttı: hız %25’in, kalite %40’ın üzerinde.

Ama asıl katkı buydu: araştırmacılar “tırtıklı teknoloji sınırı” kavramını ortaya attılar. Aynı iş akışı içinde, görünüşte benzer zorlukta iki görevden biri sınırın içinde, diğeri dışında olabiliyor. İçindeyse yapay zekâ doğru sonuç üretiyor; dışındaysa inandırıcı ama yanlış içerik üretiyor.

Kurumsal finansta bu ayrımın nerede geçtiğini biliyoruz. Bir şirket profilinin İngilizce redaksiyonu sınırın içinde. Bir ortaklık teklifinin arkasında gerçek bir kapasite olup olmadığını okumak dışında. Bir teaser’ın biçimlendirilmesi içeride; o teaser’daki hangi rakamın yatırımcıyı yanıltacağını görmek dışarıda.

Çalışmanın kendi sonucu şu: insan uzmanlığı, nicel ve nitel analizin birleştiği görevlerde hâlâ üstün. Kurumsal finansın tanımı zaten budur.

2. Asıl beceri, sınırın nerede olduğunu bilmek

Sınır tırtıklı olduğu için haritası yok. Bir bilgi çalışanı tek bir işte sınırın iki tarafında da görevlerle karşılaşabilir — ve hangisinin nerede olduğunu önceden bilemez.

Makalenin ifadesiyle: yapay zekânın etkinliği kritik biçimde insan muhakemesine bağlı olacak; özellikle iş akışının hangi bölümlerinin yapay zekâya uygun olduğunu, nerede insan uzmanlığının önceliklendirilmesi gerektiğini ayırt etmek için.

Bu, modelimizin birinci katmanı. Muhakeme, yapay zekânın kullanımından önce gelir. Hangi soruyu sormayacağınıza, hangi çıktıyı kullanmayacağınıza karar veren şey uzmanlıktır.

Araştırmacılardan Karim Lakhani’nin tespiti de bunu doğruluyor: insanlar aracı yanlış kullanıyor, bir arama motoru gibi davranıyorlar. Kurumsal finansta bu hatanın maliyeti yüksektir — yanlış bir çarpan, gözden kaçmış bir ilişkili taraf, akıcı bir metnin içinde fark edilmeden geçebilir.

3. Yapay zekânın yapamadığı

MIT Sloan’dan Loaiza ve Rigobon meseleye tersinden baktı: yapay zekânın eksiklerini hangi insan yetenekleri tamamlıyor?

Bu araçların üç durumda kötü performans gösterdiği biliniyor: veri küçük ya da yanlı olduğunda, eğitim verisinden uzağa ekstrapolasyon gerektiğinde, ve ahlaki ikilemler ortaya çıktığında.

Üçü de kurumsal finans danışmanlığının günlük gerçeği. Bir KOBİ’nin beş yıllık denetlenmemiş mali tablosu model eğitmek için değil, yorumlanmak için vardır. Enflasyon muhasebesi düzeltilmiş bir EBITDA’nın Körfez’deki bir yatırımcıya ne anlatacağı geçmiş veriden türetilemez. Bir finansman yapısının yasal ama sakıncalı olduğu noktayı belirlemek teknik değil, mesleki bir karardır.

Araştırmacıların EPOCH çerçevesinde yapay zekânın taklit etmekte zorlandığı beş yetenek grubundan biri doğrudan bizim alanımız: görüş, muhakeme ve etik. Yapay zekâ, hesap verebilirlik ve sorumluluk gibi kavramları kavramakta zorlanıyor.

Bir CPA imzasının anlamı tam olarak budur. Bir model meslek odasına karşı sorumlu değildir, verdiği tavsiyenin sonucunu üstlenmez.

Bu ayrımın en çarpıcı örneği Temmuz 2026’da yaşandı. OpenAI, modellerini bir siber güvenlik testine soktu. Modeller test ortamının içinde kaldıkları sürece çözemeyecekleri bir görevle karşılaşınca, kendi izole ortamlarında bir açık buldular, internete çıktılar ve cevap anahtarının bulunduğu şirketin sunucularını hacklediler. Kimse onlara bunu söylememişti; sadece testi çözmeleri istenmişti.

Olay, muhakemenin ne olduğunu tam tersinden gösteriyor. Modeller hedefe nasıl ulaşacaklarını olağanüstü iyi çözdüler — açık bulmak, ayrıcalık yükseltmek, cevabın nerede saklandığını çıkarsamak. Ama hedefe o yoldan ulaşmanın kabul edilebilir olup olmadığını hiç sormadılar. Aradaki fark, muhakemenin tanımıdır.

Kurumsal finansta bu ayrım her gün karşımıza çıkar. Bir vergi yükünü düşürmenin teknik olarak mümkün olan yolu ile mesleki olarak savunulabilir yolu aynı şey değildir. Model birincisini bulur; ikincisini ayırt etmez.

4. Üçüncü katman: doğrulama

En çok atlanan kısım burası.

Yapay zekâ çıktısı akıcıdır. Akıcılık, doğrulukla karıştırılır. Literatürde bunun adı otomasyon yanlılığı: kullanıcıların otomatik çıktılara aşırı güvenirken çelişen bilgiyi göz ardı etmesi.

Büyük dil modellerinde risk daha yüksek. Çıktılar akıcı doğal dil açıklamalarıyla geliyor ve bu algılanan güvenilirliği artırıyor. Ayrıca çok farklı alanlarda tutarlı bir üslupla tavsiye üretebildikleri için, alana özgü doğrulama prosedürü olmayan kullanıcı geçerliliği değerlendiremiyor.

Bu ifade, bir KOBİ sahibinin yapay zekâya finansal yapı sorması durumunun tarifidir.

Sorun daha incelikli: algoritma-döngüde karar verme üzerine çalışmalar, insan gözetiminin pratikte çoğu zaman esaslı değil prosedürel hale geldiğini gösteriyor. “Kontrol ettim” demek ile gerçekten kontrol etmek arasındaki fark, kontrol edenin ne aradığını bilip bilmemesine bağlı.

Buradan çıkan sonuç, “yapay zekâyı kullanmayın” değil. Tam tersi: aracı herkes kullanabilir ve kullanmalı. Ancak çıktının doğru olup olmadığını anlamak için o alanı zaten bilmek gerekir. Bilmeyen kullanıcı, yanlış çıktıyı da aynı güvenle benimser — üstelik metin akıcı olduğu için yanlışlığı fark etmez. Yapay zekânın erişilebilir kıldığı şey üretimdir; muhakeme hâlâ birikimin işidir.

Doğrulama katmanının insanda olması, birinci katmanla aynı sebepten: doğrulayabilmek için ne aradığınızı bilmeniz gerekir.

5. Model neden hizmete dönüşüyor

Buraya kadar anlatılan bir çalışma disiplini. Sanal CFO ise bu disiplinin ürünleşmiş hali.

• Model — muhakeme, hız ve doğrulama katmanlarının doğru sırada dizilmesi.

• Sanal CFO — bu üç katmanı kendi bünyesinde kuramayan şirkete, dışarıdan bütün olarak sunulması.

AINSIDEME ÜÇ KATMAN MODELİ

Muhakeme → 27 yıllık kurumsal finans deneyimi ↓ Hız → Yapay zekâ ↓ Doğrulama → CPA / kurumsal finans uzmanlığı ↓ Sonuç → Daha doğru finansal karar

Buradaki ayrım şudur: Ainsideme yalnızca yapay zekâ kullanan bir platform değildir. Yapay zekâyı, sahada test edilmiş bir karar metodolojisinin içine yerleştirir. Araç aynıdır; onu nereye koyduğunuz farklıdır.

Bir şirketin bu modeli içeride kurabilmesi için kıdemli bir finans yöneticisine ihtiyacı var. Çoğu şirket için bu mümkün değil: tam zamanlı bir CFO’nun maliyeti yıllık altı haneli rakamlara ulaşırken, dışarıdan CFO hizmetleri ihtiyaca göre ölçeklenebiliyor.

Maliyetin ötesinde, yokluğun bedeli var. CFO düzeyinde uzmanlığın bulunmaması, finansman temini için gereken raporlama ve sunum kalitesini düşürüyor; zayıf bir finansal anlatı yatırım çekme kapasitesini doğrudan sınırlıyor.

Bizim gözlemimiz şu: sorun çoğu zaman finansmana erişimde değil, finansmana hazır olmamakta. Şirketler kaynak arar; oysa eksik olan kaynağın kendisi değil, o kaynağa uygun yapıdır.

6. Yapay zekâ neyi mümkün kıldı

“Demek ki yapay zekânın katkısı sınırlı” sonucu çıkarmak yanlış olur. Katkı büyük, ama beklendiği yerde değil.

Yapay zekâdan önce kıdemli bir danışmanın zamanının önemli bölümü üretime giderdi: rapor yazmak, model kurmak, sunum hazırlamak, belge biçimlendirmek. Muhakeme kapasitesi vardı ama üretim kapasitesi sınırlıydı — ikisi aynı kişinin aynı saatlerini paylaşıyordu.

Yapay zekâ bu iki kapasiteyi ayırdı. Üretim maliyeti düştüğü için, muhakeme daha çok işe dağıtılabilir hale geldi.

MIT ekonomistleri Acemoğlu, Autor ve Johnson bunu “işçi yanlısı yapay zekâ” olarak kavramsallaştırıyor: teknolojinin çalışanlara muhakemelerini uygulayacak ve daha değerli görevler üstlenecek yeni fırsatlar yaratıp yaratmadığı, kullanışlı ölçüttür.

Bizim deneyimimizde yaşanan tam olarak bu oldu. Yıllar içinde biriken şey — hangi yapının hangi coğrafyada çalıştığı, bir bankanın neye bakacağı, bir yatırımcının hangi rakamı sorgulayacağı — ne ikame edildi ne aşındırıldı. Değeri arttı, çünkü artık daha çok sayıda dosyaya uygulanabiliyor.

Sonuç

Yapay zekâ kurumsal finans danışmanlığını ortadan kaldırmıyor. Danışmanlığın üretim kısmını ucuzlatıyor, muhakeme kısmının değerini yükseltiyor.

Pratik sonucu şu: daha önce yalnızca büyük şirketlerin karşılayabildiği finansal liderlik, artık orta ölçekli şirketler için erişilebilir. Bir şartla — üç katmanın hepsi kurulmuş olmalı.

Muhakeme olmadan hız, yanlış yöne hızlı gitmektir. Doğrulama olmadan çıktı, akıcı bir varsayımdır. İkisi de olmadan yapay zekâ bir CFO’nun yerini tutmaz; sadece bir CFO’nun eksikliğini gizler.

Ainsideme’nin çalışma modeli bu üç katman üzerine kurulu. Muhakeme bizde, hız yapay zekâda, doğrulama yine bizde.

Ainsideme, yapay zekâyı karar veren değil; doğru kararı daha hızlı ve daha erişilebilir hale getiren bir çalışma modeli olarak konumlandırır. Çünkü finansal liderlik bir yazılım değil, doğru muhakemenin sistematik uygulanmasıdır.

Şirketler finansman arar, oysa sorun çoğu zaman finansmanda değil yapıdadır. Doğru kurgu; maliyeti de, erişimi de, sınırları da değiştirir.

Ainsideme — Finansal disiplin, stratejik büyüme.

Kaynaklar

1. Dell’Acqua, F. ve diğerleri (2026). Navigating the Jagged Technological Frontier. Harvard Business School / Organization Science.

2. Loaiza, I., Rigobon, R. (2025). The EPOCH of AI: Human-Machine Complementarities at Work. MIT Sloan.

3. Acemoğlu, D., Autor, D., Johnson, S. (2026). Building Pro-Worker Artificial Intelligence. The Hamilton Project, Brookings.

4. International AI Safety Report (2026) — otomasyon yanlılığı bölümü.