İşletmeler için AI: Nereden başlamalı?

Yapay zeka projelerinde en sık gördüğümüz hata, teknolojiyle başlamak. "Hangi modeli kullanalım?" sorusu, "hangi işi düzeltmeye çalışıyoruz?" sorusundan önce sorulduğunda ortaya çalışan ama kimsenin kullanmadığı bir sistem çıkıyor.

Sıralamayı tersine çevirmek gerekiyor.

1. Modelden değil, tekrar eden işten başlayın

İyi bir ilk AI projesinin üç özelliği vardır: sık tekrarlanır, kuralları nispeten nettir ve hatası ölümcül değildir.

Bu üçünü birden karşılayan işler genelde göz önündedir:

Gelen taleplerin doğru ekibe yönlendirilmesi
Tekliflerin ve sözleşmelerin standart bölümlerinin hazırlanması
Müşteri sorularının sık tekrarlanan bölümüne ilk yanıtın verilmesi
Fatura, irsaliye, form gibi belgelerden veri çıkarılması

Buna karşılık ilk projede kaçınılması gereken alanlar da bellidir: tek başına bağlayıcı karar üreten, geri dönüşü zor ve hatası doğrudan müşteriye yansıyan süreçler.

2. Başarıyı önceden tanımlayın

"Verimlilik artsın" ölçülebilir bir hedef değil. Ölçülebilir hedef şuna benzer: bir talebin ilk yanıt süresini 4 saatten 15 dakikaya indirmek ya da tekliflerin ilk taslağını hazırlama süresini yarıya düşürmek.

Bu rakamı projeye başlamadan önce koymazsanız, sonunda sistemin işe yarayıp yaramadığını tartışırsınız — kimse kazanamaz.

3. Verinizin gerçekte nerede olduğuna bakın

Çoğu kurumda veri vardır ama dağınıktır: bir kısmı ERP'de, bir kısmı e-postada, bir kısmı birinin bilgisayarındaki tabloda. Yapay zeka bu dağınıklığı düzeltmez, üzerine kurulur.

Bu yüzden ilk hafta genelde model seçmekle değil, verinin nerede durduğunu ve kimin eriştiğini çıkarmakla geçer. Bu envanter aynı zamanda bir sonraki maddenin de temelidir.

4. Hukuki tarafı sonraya bırakmayın

Yapay zeka projelerinin hukuki boyutu, projenin sonunda "bir de sözleşmeye bakalım" denecek bir ek iş değil; tasarımın parçası.

Pratikte en sık karşılaşılan başlıklar:

Kişisel veri: Modele verilen içerikte kişisel veri varsa, bunun işlenmesi KVKK kapsamındadır. Aydınlatma metniniz bu işlemeyi kapsıyor mu?
Yurt dışına aktarım: Kullandığınız servisin sunucuları nerede? Yurt dışındaysa bu ayrıca bildirilmesi gereken bir aktarımdır.
Gizlilik taahhütleri: Müşterinizle imzaladığınız gizlilik sözleşmesi, o müşterinin verisini üçüncü taraf bir servise göndermenize izin veriyor mu?
Çıktının sorumluluğu: Sistem yanlış bir çıktı ürettiğinde sorumluluk kimde? Bu, insan onayının sürecin neresinde durduğuyla doğrudan ilgili.

Bu soruların cevabı çoğu zaman "hayır, yapamazsınız" değil; "şu şartla yapabilirsiniz" oluyor. Ama şartı baştan bilmek, sistemi kurduktan sonra öğrenmekten çok daha ucuz.

5. İnsan onayını mimarinin içine koyun

İlk sürümde sistemin ürettiği çıktı doğrudan müşteriye gitmemeli. Arada bir insan onayı olsun; hem hata maliyetini düşürür hem de modelin nerede yanıldığını görmenizi sağlar.

Onay adımını sonradan kaldırmak kolaydır. Hiç koymamış olmanın maliyetini geri almak zordur.

Kısaca

Yapay zeka, iyi tanımlanmış bir işi hızlandırır; tanımsız bir işi tanımlamaz. Küçük ve ölçülebilir bir yerden başlayın, veriyi ve hukuki çerçeveyi baştan netleştirin, insan onayını mimariye yerleştirin.

Nereden başlayacağınızı birlikte belirlemek isterseniz bize yazın.

The most common mistake we see in AI projects is starting with the technology. When "which model should we use?" comes before "which job are we trying to fix?", the result is a system that works but nobody uses.

The order needs to be reversed.

1. Start with a repetitive task, not a model

A good first AI project has three properties: it repeats often, its rules are reasonably clear, and its errors are not fatal.

Tasks that meet all three are usually hiding in plain sight:

Routing incoming requests to the right team
Drafting the standard sections of proposals and contracts
Giving the first response to the most frequently repeated customer questions
Extracting data from invoices, waybills and forms

Equally, the areas to avoid in a first project are clear: processes that produce binding decisions on their own, are hard to reverse, and whose errors reach the customer directly.

2. Define success before you start

"Improve efficiency" is not a measurable goal. A measurable goal looks like this: cut first response time from 4 hours to 15 minutes, or halve the time it takes to produce the first draft of a proposal.

If you don't set that number before the project begins, you'll end up debating whether the system worked at all — and nobody wins that argument.

3. Find out where your data actually lives

Most organizations have data, but it is scattered: some in the ERP, some in email, some in a spreadsheet on someone's laptop. AI does not fix that scattering; it is built on top of it.

So the first week usually goes not into choosing a model, but into mapping where the data sits and who can reach it. That inventory is also the foundation for the next point.

4. Don't leave the legal side until last

The legal dimension of an AI project is not an afterthought to be handled with "let's also look at the contract" at the end. It is part of the design.

The headings that come up most often in practice:

Personal data: If the content you feed the model contains personal data, processing it falls under data protection law. Does your privacy notice actually cover this processing?
Cross-border transfer: Where are your provider's servers? If they are abroad, that is a transfer requiring separate disclosure.
Confidentiality undertakings: Does the NDA you signed with your client permit you to send that client's data to a third-party service?
Responsibility for output: Who is liable when the system produces a wrong output? This ties directly to where human approval sits in the process.

The answer to these questions is usually not "no, you can't" but "you can, under these conditions." Knowing the conditions upfront is far cheaper than discovering them after the system is built.

5. Build human approval into the architecture

In the first version, the system's output should not go straight to the customer. Put a human approval step in between — it lowers the cost of errors and shows you where the model gets things wrong.

Removing an approval step later is easy. Recovering from never having had one is not.

In short

AI accelerates a well-defined task; it does not define an undefined one. Start somewhere small and measurable, settle the data and legal framework upfront, and place human approval inside the architecture.

If you'd like to work out where to start, get in touch.