Yapay Zeka Projeniz Neden Pilotta Takılı Kalıyor: Üç Kırılma Noktası

Maliyet düşsün, süreç hızlansın, hata payı azalsın. Bir yapay zeka projesi başlarken beklenti hep bu üçü etrafında şekilleniyor. Ama birkaç ay sonra ortaya çıkan tablo genelde başka bir şey söylüyor: etkileyici bir demo var, gerçek anlamda kullanılan bir sistem yok.

BCG'nin 2024 araştırması bunu rakamlarla gösteriyor: şirketlerin yarısına yakını hâlâ kavram kanıtlama ve pilot aşamasında, belirli bir değer üretmeye başlayanların oranı beşte bir civarında, gerçek anlamda ölçülebilir sonuca ulaşanlarınsa yirmide bir kadar. McKinsey'nin 2025 verisi de benzer bir tablo çiziyor: şirketlerin büyük çoğunluğu en az bir alanda yapay zeka kullandığını söylüyor, ama yöneticilerin ezici çoğunluğu bunun şirket kârına somut bir yansımasını henüz görmüyor.

Bunun sebebi genelde modelin başarısızlığı değil. Aşağıdaki üç noktadan biri, çoğu zaman da ikisi birden eksik kalıyor.

Sorun tarif edilmeden teknoloji seçiliyor

"Müşteri hizmetlerinde yapay zeka kullanalım" bir hedef gibi duyulur ama aslında hiçbir şey söylemez. Yanıt süresi mi kısalacak, talep sınıflandırması mı otomatikleşecek, yoksa iade süreci mi hızlanacak? Bunlar birbirinden tamamen farklı projeler demek, farklı veri gereksinimleri ve farklı başarı ölçütleri gerektiriyor.

RAND Corporation'ın 65 deneyimli uzmanla yaptığı görüşmelerde en sık karşılaşılan sorun tam olarak bu: iş birimiyle teknik ekip, çözülmesi gereken problemi baştan farklı tanımlıyor. Görüşülenlerin büyük bir kısmı, başarısızlığın asıl kaynağının teknik yetersizlik değil, liderlik kararları ve beklentiler olduğunu söylüyor.

İşe yarayan projeler genelde şöyle bir cümleyle başlıyor: "Muhasebe ekibi ayda binlerce faturayı elle kontrol ediyor, belge başına ortalama altı dakika harcanıyor, hedefimiz bu süreyi belirgin şekilde kısaltmak." Süreç, hacim, sorun ve ölçülebilir hedef netse teknoloji seçimi zaten kendiliğinden kolaylaşıyor.

Çıktı üretiliyor ama hiçbir yere bağlanmıyor

Bu, bence en çok gözden kaçan kısım. Model doğru çalışsa bile ürettiği sonuç ayrı bir ekranda kalıyorsa gerçek bir şey değişmiyor. Çalışan hâlâ bilgiyi kopyalıyor, e-postayla iletiyor, sonucu elle başka bir sisteme giriyor.

Somutlaştırmak gerekirse: bir satın alma talebi bütçe limitini aştığında ilgili yöneticiye otomatik onay adımı açılmıyorsa, stok seviyesi kritik eşiğin altına düştüğünde tedarik ekibine bildirim gitmiyorsa, o sistem aslında bir raporlama aracından öteye gitmiyor demektir.

McKinsey'nin verisine göre üretken yapay zeka kullanan şirketlerin yalnızca yüzde 21'i iş akışlarını bu teknolojiye göre yeniden tasarlamış durumda, oysa finansal etkiyle en güçlü ilişkiyi gösteren uygulamalardan biri tam olarak bu. PaperWork'te bu noktayı platformun temeline koyuyoruz: yapay zeka ürettiği öneriyi ayrı bir ekranda göstermek yerine, ilgili onay ya da işlem adımını doğrudan tetikliyor. Kullanıcı Teams üzerinden "açık işlerim" yazdığında karşısına gerçek bir işlem ekranı çıkıyor, bir metin özeti değil.

Ölçüm yok, o yüzden ilerleme de görünmüyor

"Model yüzde 94 doğrulukla çalışıyor" cümlesi tek başına bir şey ifade etmiyor. Kalan yüzde 6 nerede hata yapıyor, bu hatanın şirkete maliyeti ne? Proje başlamadan önceki işlem süresi, hata oranı ve yeniden işleme maliyeti not edilmezse, sonradan gerçek bir iyileşme olup olmadığı da anlaşılamıyor.

McKinsey araştırmasında şirketlerin beşte birinden azı üretken yapay zeka uygulamaları için tanımlı bir performans göstergesi takip ediyor. IBM'in 2.000 CEO ile yaptığı araştırmada da çarpıcı bir çelişki var: CEO'ların yüzde 64'ü geride kalma kaygısının, değerini tam anlamadıkları teknolojilere yatırım yapmalarına yol açtığını kabul ediyor, buna rağmen aynı grubun büyük çoğunluğu 2027'ye kadar bu yatırımların karşılığını alacağına inanıyor. Ölçüm olmadan bu inancı doğrulamanın da bir yolu yok.

Nereden başlamalı

İlk proje için şirketin en karmaşık kararını seçmek gereksiz risk demek. Daha iyi bir başlangıç noktası, hacmi yüksek, tekrar eden, sonucu ölçülebilen ve gerektiğinde insan onayına açık bir iş. Belge sınıflandırma, veri çıkarma, talep yönlendirme gibi alanlar bu tanıma çoğu zaman uyuyor.

Ama hangi alan seçilirse seçilsin, üç soru cevaplanmadan model seçimine geçmemek gerekiyor: Bu iş bugün nasıl yapılıyor, çıktı hangi işlemi başlatacak, sonuç nasıl ölçülecek? Bu sorulara net cevap yoksa teknoloji seçmek için henüz erken.

Kaynaklar: BCG, "Where's the Value in AI?" (2024) · McKinsey, "The State of AI" (2025) · RAND Corporation, "Why AI Projects Fail and How They Can Succeed" · IBM 2025 CEO Study