Şirketler için yapay zekâ cep kitabı

Yönetim Danışmanı METİN TABALU Yapay zekâ üzerine uygulama alanlarını belirlerken firma­ların sorusu genelde aynı: “Hangi modeli kullanalım?” Stanford Di­jital Ekonomi Laboratuvarı’nın bu ay yayımladığı “Kurumlar için Yapay Zekâ (YZ) El Kitabı” (The Enterprise AI Playbook) bu so­rulara cevap vermek amacıyla, 51 başarılı kurumsal YZ projesinin incelemesine dayanan çok özgün bir araştırma.

Ana mesajı ise tek­noloji değil de teknolojinin orga­nizasyon içinde nasıl hayata ge­çirildiği üzerine örülü.Kötü haber: YZ projelerinin büyük çoğunluğu beklenen iş de­ğerini üretemiyor.

MIT’nin 2025 NANDA çalışması, üretken ya­pay zekâ (generative AI) pilot çalışmalarının yüzde 95’inin öl­çülebilir bir finansal etki yara­tamadığını raporlamış.

Kurum­lar pilotlar ve üzerine denemeler gerçekleştiriyorlar ancak önemli bir kısmı bu aşamayı geçemiyor ve finansal etki yaratamıyorlar.

Bu durum ilk bakışta teknolojik yetersizlik gibi görünebilir ama 51 vaka incelemesine göre durum yetersizlikle ilgili değil.Problemlerin çoğu teknik değilİncelenen projelerde yaşanan zorlukların doğası da şaşırtıcı.

Araştırmaya göre karşılaşılan problemlerin yüzde 77’si teknik değil.

Veri kalitesi, süreç tasarı­mı, değişim yönetimi ve organi­zasyonel yeniden yapılanma gi­bi görünmeyen engeller projeler için en büyük riskleri oluştur­muş.

Firmalarda genelde süreç­lerin gerçekten çalışıp çalışmadı­ğı ya da organizasyonun bu deği­şime hazır olup olmadığı genelde göz ardı edilmiş.

Projelerin pay­daşlarının geriye baktıklarında söyledikleri şu olmuş: “Teknoloji en kolay kısımdı.”Bu noktada başarısızlık kavra­mını yeniden düşünmek gereki­yor.

Çünkü başarılı yapay zekâ uy­gulamalarının yüzde 61’i, önce­sinde en az bir başarısız deneme içeriyor.

Bu başarısızlıklar yatı­rım geri dönüş oranı (ROI) hesap­larına hiç girmeyen batık (sunk) maliyetler.

İlk denemeler genel­likle “YZ bir teknoloji projesidir” yanılgısıyla başlıyor: Dağınık iş süreçlerine YZ yapıştırılıyor, tek­nik ekipler iş sahipliği almadan ilerliyor ya da modelin her şeyi düzelteceği varsayılıyor.

Öğrenen organizasyonlar bu hatalardan ders çıkarıp ilerliyor; diğerleri ise pilot aşamasında takılı kalıyor.Zaman konusu da düşündü­rücü: Aynı tür bir model bazı şir­ketlerde haftalar, bazılarında ise 1 yılda hayata geçiyor.

Fintek’te milyonlarca satırlık çekme-dö­nüştürme-yükleme (ETL) kodu haftalar içinde YZ ile modernle­şirken, aynı müşteri destek sis­temi bir teknoloji şirketinde 6 ay­da kurulmuş, büyük bir bankada ise proje tamamlanamamış.

Farkı yaratan teknoloji değil; güçlü li­derlik, altyapı ve değişime açıklık.En yüksek verimlilik artışı olan modelYZ ile insanın nasıl birlikte ça­lıştığı da kritik.

En yüksek verim­lilik artışı, güçlendirme (augmen­tation) temelli modellerde görü­lüyor: YZ işin yüzde 80’ini özerk yapıyor, uzman insan sadece is­tisnaları inceliyor.

Bu modellerde ortalama verimlilik artışı yüzde 70 seviyesine ulaşıyor.

Her çıktı­nın insan onayından geçtiği mo­dellerde ise bu oran yüzde 30’a dü­şüyor.

Uygulamalarda insan de­netimi bir olgunluk eksikliği değil, stratejik bir tasarım tercihi ol­muş.

Sıfır hata toleransı gereken pazarlama içerikleri, yasal belge­ler ya da regüle sektörlerde (sağ­lık, finans) insan denetimi zorun­lu.

Yüksek hacimli, düzeltilebilir işlerde (müşteri desteği, fatura iş­leme, IT operasyonları) ise özerk­lik (otonomi) hızı çok artırıyor.Organizasyon içindeki direnç noktalarında da yaygın kanının aksine, en büyük direnç son kul­lanıcılardan gelmiyor.

Diren­cin yüzde 35’i hukuk, İK, risk ve uyum gibi fonksiyonlardan gelir­ken, son kullanıcı direnci yüzde 23’te kalıyor.

Yani projeler teknik ya da operasyonel olmaktan zi­yade yönetişim ve güven gerek­tiriyor.

Güvenlik ve regülasyon da çoğu vakada engelleyici değil; doğru kurgulandığında bir altya­pıya dönüşüyor.Liderlik burada tekrar devreye giriyor.

Yapay zekâ projelerinde “sadece bütçe onaylayan” spon­sorlar yetmiyor.

Süreci aktif yö­neten, engelleri kaldıran ve başa­rısızlığa izin veren bir kültür ya­ratan liderler projelerin kaderini belirliyor.Her 1 dolara karşılık 10 dolar yatırımMaliyet tarafında da sürpriz var.

YZ yatırımlarının gerçek ma­liyeti çoğu zaman düşük tahmin ediliyor.

Çünkü harcamaların bü­yük kısmı teknolojiye değil; süreç dönüşümüne, veri altyapısına ve organizasyonel değişime gidiyor.

Raporun J-eğrisi uyarısı burada devreye giriyor: Her 1 dolarlık gö­rünür teknoloji yatırımına karşı­lık 10 dolara varan görünmez ya­tırım gerekiyor.Verimlilik artışının iş gücüne etkisi de tek boyutlu değil.

Vaka­ların yüzde 45’inde çalışan sayı­sında azalma görülürken, yüzde 55’inde çalışanlar yeniden ko­numlandırılıyor ya da çıktıları artıyor.

Yani YZ otomatik olarak işten çıkarmaya gitmiyor; sonu­cu belirleyen şirketin stratejik tercihleri oluyor.Değer yaratma tarafında da kritik tecrübeler paylaşılmış.

Kazanımlar çoğunlukla maliyet düşürme üzerinden ölçülüyor.

Doğrudan gelir artışı daha nadir olsa da gerçekleşmiş, bu da ge­nelde pazarlama ve müşteri de­neyiminde kişiselleştirmeyle dönüşüm oranlarını artırmakla olmuş.YZ’nin kattığı hız sayesin­de yeni satışlar ve iç çözümleri ürüne dönüştürmeyi hızlandır­ma diğer örnekler.

Bunun öte­sinde, YZ bazı durumlarda sa­dece mevcut işleri daha verim­li yapmakla kalmıyor; daha önce mümkün olmayan işleri müm­kün hale getiriyor.

Agentik YZ (özerk ajanlar) ise henüz azın­lıkta (yüzde 20) ama medyan ve­rimlilik artışı yüzde 70’i aşıyor; belli ki gelecek burada.Veri konusunda da genel kanaa­tin aksine, veri kalitesi her zaman en büyük engel değil.

Yeni nesil mo­deller dağınık ve kusurlu verilerle de anlamlı sonuçlar üretebiliyor.

Model seçimi de öyle, birçok kulla­nım alanında model seçimi kritik bir fark yaratmıyor, belirlenen uy­gulama alanlarının yüzde 42’sinde modeller birbirinin yerine kulla­nılabiliyor.

Kalıcı rekabet avantajı modelde değil, iş süreçlerine nasıl entegre edildiğine dair orkestras­yon katmanında oluşuyor.Bütün bu tabloyu tek bir cüm­lede özetlemek mümkün: Yapay zekâ uygulamalarıyla sonuç al­mak bir teknoloji meselesi değil, bir dönüşüm meselesi.

Başarıyı belirleyen şey doğru modeli seç­mek değil; doğru problemi seç­mek, süreci önce yeniden tasar­lamak ve organizasyonu bu deği­şime hazırlamak.