Yapay Zekânın Yeni Hammaddesi, Henüz “Veri” Olmayan Şey Olabilir
Son günlerde karşıma çıkan bir bilgi, yapay zekâ yarışına farklı bir yerden bakmama neden oldu.
Uzun zamandır model gücünü, çipleri ve hesaplama kapasitesini konuşuyoruz. Ama giderek daha değerli hale gelen başka bir alan var:
İnsanların bildiği, fakat hiçbir yerde açıkça yazmayan şeyler.
Buna kimi çalışmalarda “örtük veri” deniyor.
Bir ustanın makinenin sesinden bir problemi sezmesi. Bir doktorun vakada önce hangi ayrıntıya baktığı. Bir mühendisin teorik olarak mümkün iki seçenekten neden birini elemesi.
Ya da bir finansçının önündeki rakam teknik olarak doğru olsa bile neden “burada bir şey oturmuyor” demesi.
Bu bilginin önemli bir bölümü bugüne kadar veri tabanlarında yoktu. Çünkü çoğunu veri olarak görmedik.
Gradient Ventures’ın Temmuz 2026’da yayımladığı Everyone’s Watching the Wrong Benchmark başlıklı analiz bu dönüşümü oldukça çarpıcı örneklerle anlatıyor.
Eski bir Goldman Sachs analisti bir LBO modeli kurması için değil, LBO üzerinde nasıl düşündüğünü anlatması için ücret alıyor. Doktorlardan klinik muhakemelerini, hukukçulardan değerlendirme biçimlerini, kıdemli mühendislerden karar süreçlerini açıklamaları isteniyor.
AI şirketlerinin ilgilendiği şey artık yalnızca sonuç değil.
Sonuca nasıl ulaşıldığı.
İnternette DCF formülünü bulabilirsiniz.
Ama deneyimli bir finansçının neden bir şirkette terminal büyümeyi sorguladığını, başka bir şirkette nakit yaratma kapasitesini daha kritik gördüğünü ya da bir proje finansmanında sözleşme yapısı ile finansman yapısını neden birlikte düşündüğünü aynı kolaylıkla bulamazsınız.
Formül yazılıdır.
Muhakemenin önemli bir kısmı değildir.
Bence bu gelişmenin iş dünyası açısından ilginç tarafı burada başlıyor.
Bugüne kadar dijitalleşme denince çoğunlukla elimizde olanı dijitale taşıdık:
işlemleri, belgeleri, raporları, tabloları, verileri.
AI ile birlikte daha zor bir soru ortaya çıkıyor:
Henüz yapılandırılmamış uzmanlık bilgisinin ne kadarı dijital olarak çalışabilir hale getirilebilir?
Ainsideme ile bağlantıyı da tam burada kuruyorum.
Biz bir finansçının zihnini kopyalamaya ya da kişisel sezgileri “doğru” kabul edip yazılıma aktarmaya çalışmıyoruz.
Nakit akışı, şirket değerleme, ticaret ve proje finansmanı, dış ticaret, vergi ve risk gibi alanlarda yerleşik finans teorisini, profesyonel metodolojileri ve gerçek uygulama pratiğini belirli finansal model yapılarına dönüştürüyoruz.
Aradaki fark önemli.
Bir AI’a:
“Şirketimi değerle.”
diyebilirsiniz.
Ama değerlemenin şirketin iş modeliyle uyumlu bir çerçevede yapılması, varsayımların birbirleriyle tutarlı olması, risklerin senaryolar içinde sınanması ve sonucun hangi değişkenlere duyarlı olduğunun görünür hale gelmesi başka bir şeydir.
Nakit akışında da gelecek 12 aya ait rakam üretmek tek başına yeterli değildir.
Tahsilat, ödeme, işletme sermayesi, kur, borç servisi ve finansman ihtiyacı aynı ekonomik yapının parçalarıdır.
Finansman tarafında da yalnızca “hangi kaynak daha ucuz?” sorusu yoktur. Şirketin veya projenin yapısı, borç taşıma kapasitesi, özkaynak kullanımı ve ticari koşullar birlikte değerlendirilmek zorundadır.
Dış ticarette ödeme yöntemi finansmandan, finansman kur riskinden, kur riski nakit sonucundan bağımsız değildir.
Yani dijitalleştirilmesi zor olan bölüm yalnızca bilgi değildir.
Bilginin hangi bağlamda, hangi diğer bilgiyle birlikte ve hangi karar için kullanıldığıdır.
Bu yüzden “know-how” kavramının AI çağında yeniden değer kazandığını düşünüyorum.
Know-how uzun süre insanların tecrübesinde yaşadı.
Bir kısmı prosedürlere geçti.
Bir kısmı Excel’lere, raporlara ve ERP sistemlerine dağıldı.
Ama önemli bir kısmı hâlâ şu cümlede saklı:
“Ben burada buna bakarım, çünkü…”
AI dünyasının bugün peşine düştüğü şey biraz da bu “çünkü”.
Gradient’ın sonraki analizleri de benzer bir yöne işaret ediyor: prosedürel görevlerde modeller birbirine yaklaşırken, yüksek bağlam ve alan bilgisi gerektiren işlerde farklar devam ediyor.
Bu yalnızca AI şirketleri açısından önemli değil.
Şirketlerin kendileri için de stratejik bir soru yaratıyor:
Kurumsal bilgi gerçekten nerede yaşıyor?
ERP’de mi?
Raporlarda mı?
Excel dosyalarında mı?
Prosedürlerde mi?
Yoksa hâlâ birkaç kişinin yıllar içinde geliştirdiği çalışma biçiminde mi?
Eğer sonuncusuysa, şirketin değerli varlıklarından bir kısmı henüz tam anlamıyla dijital bir varlık değildir.
Ainsideme açısından bu gelişmenin anlamı da burada.
Amacımız finansçının yerine düşünen genel amaçlı bir yapay zekâ yaratmak değil.
Finans teorisi, profesyonel metodoloji ve uygulama pratiğinin kesiştiği noktaları; açık, sınanabilir ve yeniden çalıştırılabilir finansal modellere dönüştürmek.
AI bu yapının hızını ve kullanım alanını büyütebilir.
Ama değer yalnızca daha güçlü bir modelden gelmeyebilir.
Modelin hangi finansal çerçevede çalıştığı, hangi bilgileri birlikte değerlendirdiği ve hangi noktada insan muhakemesine ihtiyaç duyduğu da giderek daha önemli hale gelebilir.
Belki de yapay zekânın bundan sonraki en değerli hammaddelerinden biri yeni keşfedilmiyor.
Yıllardır şirketlerin içindeydi.
Sadece adına veri demiyorduk.
Kaynak: Zach Bratun-Glennon, Gradient Ventures, Everyone’s Watching the Wrong Benchmark, 9 Temmuz 2026; Gradient Ventures, Hidden Capabilities Revealed, 29 Temmuz 2026.
Yorumlar