DR. E. SERDAR GÖKPINAR
TTGV Yenilikçi Teknoloji Programları Direktörü
Yapay zekâ çalışmaları üzerine yazdığımız bir önceki yazıda iki temel paradigmadan söz etmiştik: “yapay zekâyı mevcut işin üzerine bir katman olarak eklemek mi”, yoksa “işi yapay zekâ merkezli olarak yeniden kurgulamak mı”? Hangi paradigma seçilirse seçilsin, er ya da geç aynı soruyla karşılaşılacak: yatırım yapacağız fakat bu yatırımın karşılığını nasıl alacağız? Bu yazıda, kurum ve kuruluş düzeyinde yapay zekâ yatırımlarının geri dönüşüne (RoI) değineceğiz. Yapılan yatırımlara beklenen geri dönüşlerin neden çoğu zaman gerçekleşmediğini, kimlerin ve nasıl gerçekleştirdiğini ve doğru soruların ne olması gerektiğini ele alıyoruz.
Yatırımlar Sürüyor
Çözüm sunanlar yönünden yapay zekâ yatırımları hız kesmeden sürüyor. Yalnızca altyapı tarafında (veri merkezleri, çipler, enerji, vb.) 2025 yılında yüzlerce milyar dolarlık harcama yapıldı ve Stanford Üniversitesi’nin 2026 AI Index raporuna göre insanlık bu teknolojiyi kişisel bilgisayardan ve internetten daha hızlı benimsiyor. Dünya nüfusunun yarısından fazlası artık yapay zekâyı bir şekilde kullanıyor, kuruluşların %88’i bünyesinde bir tür yapay zekâ barındırıyor.
Peki kârlılık zincirin neresinde? Piyasa gözlemcilerinin işaret ettiği çarpıcı bir dağılım var: yapay zekâ ekonomisinde bugüne kadar oluşan kârın kabaca %79’u çip üreticilerinde toplanırken, altyapı sağlayıcıları yaklaşık %14’ünü, uygulama katmanı (yani asıl iş değerinin üretilmesi gereken yer) sadece %7’sini alıyor.
“Piyasa gözlemcilerinin işaret ettiği çarpıcı bir dağılım var: yapay zekâ ekonomisinde bugüne kadar oluşan kârın kabaca %79’u çip üreticilerinde toplanırken, altyapı sağlayıcıları yaklaşık %14’ünü, uygulama katmanı sadece %7’sini alıyor.”
Bu rakamlar, teknolojinin kendisinin ucuzlamasıyla da çelişmiyor: aynı işi yapmanın maliyeti bir yıl içinde beşte birine kadar geriliyor, donanım verimliliği yılda yaklaşık %30 artarken algoritmik verimlilik kabaca üç katına çıkıyor. Ama maliyetler düşerken bile, harcanan enerji ve su katlanarak devasa boyutlara ulaşıyor. Dünya genelindeki yapay zekâ veri merkezleri artık New York eyaletinin zirve talebini karşılayacak kadar (29,6 gigavat) elektrik çekebiliyor ve tedarik zincirinin can damarı olan, çip üretiminin neredeyse tamamının tek bir Tayvanlı şirkette (TSMC) toplanmış durumda. Kısacası: teknoloji hızla ilerliyor, maliyetler düşüyor, ama değerin kuruluşlara ya da başka yani asıl kullanıcılara ne kadarının ulaştığı şimdilik bir muamma.
Kuruluş Düzeyinde: Yayılma Var, Etki Kısıtlı
Bu makro tablo, kuruluş düzeyinde beklentilerle örtüşmüyor. ABD Merkez Bankası’nın (FED) güncel araştırmalarına göre işgücünün yaklaşık %41’i işte üretken yapay zekâ (generative AI) kullanıyor; ABD Nüfus Sayım Bürosu’nun (Census Bureau) 2026 verilerine göre ise bu araçları kullananların ancak üçte biri, görevlerini 1-2 saat daha hızlı tamamladığını bildiriyor. Yani kullanım yaygınlaşıyor, ama etki mütevazı kalıyor. Beklenti çok yüksek ama “yapay zekâ ile zenginleşen kuruluşlar” listeleri henüz oluşmadı.
Bu tablo aslında beklenmedik değil, çünkü dönüşümün kendine has bir süreci var: önce kuruluşta farkındalık oluşuyor, ardından pilot çalışmalar başlıyor, stratejinin rafine edilmesi ve gerekirse yeni yetkinliklere (veri bilimci, veri mühendisi vb.) yönelik insan kaynağı temini geliyor, veri sistemlerinin düzenlenmesi ve siber güvenlik tedbirlerinin alınması gerekiyor ve ancak bunların üzerine uygulamaların kurum içinde yayılması mümkün oluyor. Yetkinlikler gelişip yapay zekâ kullanımı kültüre yerleştikten sonra ise asıl büyük etki geliyor: yapay zekânın mümkün kıldığı yeni iş modellerinin geliştirilmesi ve yeni gelir/fayda akışlarının yaratılması. Bugün çoğu kuruluş bu sürecin daha ilk basamaklarında... Dönüşüm ve değişim henüz bitmiş değil; hatta henüz başındayız demek yanlış olmaz. Peki bu koşullarda yatırımın geri dönüşü nasıl belirlenecek ve neden çoğu zaman belirlenemiyor?
Yatırımların Geri Dönüşü Neden Gerçekleşmiyor?
MIT’nin Project NANDA girişiminin 300’den fazla kamuya açık girişimi, 150’den fazla lider görüşmesini ve 350 çalışan anketini kapsayan “The GenAI Divide: State of AI in Business 2025” raporu, bu sorunun çarpıcı bir cevabını veriyor: kurumsal dünya generatif yapay zekâya 30-40 milyar dolar yatırmış olmasına rağmen, organizasyonların %95’i ölçülebilir hiçbir finansal getiri elde etmiyor. Değerin neredeyse tamamı entegre pilotların yalnızca %5’lik dilimine yoğunlaşmış durumda. Raporun bulduğu asıl neden model kalitesi değil; “öğrenme açığı” ya da başka bir deyişle hem araçların hem organizasyonların iş akışlarına gerçek anlamda adapte olamaması.
Bu noktada ilginç bir çelişki var: kurumların yapay zekâ bütçesinin yarıdan fazlası satış ve pazarlama gibi görünürlüğü yüksek alanlara giderken, MIT’nin bulduğu en yüksek RoI aslında arka ofis otomasyonunda (dış kaynak kullanımının azaltılması, dış ajans maliyetlerinin kesilmesi, operasyonların sadeleştirilmesi gibi «sıkıcı» ama ölçülebilir alanlarda) ortaya çıkıyor. Yani bütçe ile gerçek değer aynı yöne akmıyor. Buna bir de «bin çiçek açsın» (let-a-thousand-flowers-bloom approach) tuzağı ekleniyor: kuruluşlar yüzlerce küçük pilot projeyi aynı anda denemeye çalışıp hiçbirini kurumsal ölçeğe taşıyamıyor. Bunun altında genellikle teknoloji değil; veri yönetişimi, süreç sahipliği ve organizasyonel kapasite eksikliği yatıyor. HubSpot’un yakın tarihli bir raporuna göre gelir liderlerinin %78’i verinin izole sistemlerde dağınık durmasının karar alma yeteneğini doğrudan sınırladığını söylüyor: yapay zekâ modeli ne kadar güçlü olursa olsun, beslendiği veri parçalıysa çıktısı da parçalı kalıyor. Son olarak, ilk bütçe tahminleri sıkça %500-1000 oranında şaşıyor ve genel teknoloji yatırımlarının 7-12 aylık geri ödeme beklentisine karşılık yapay zekânın gerçek anlamda ölçeklenip finansal değer üretmesi 2-4 yıl sürebiliyor. Bu zaman uyuşmazlığını hesaba katmayan kuruluşlar, sabırsızlıkla erken vazgeçiyor.
Hedeflediği Yatırımın Geri Dönüşünü Yakalayanlar Ne Yapıyor?
Başarılı azınlığın ortak noktaları oldukça öğretici. Örneğin McKinsey’in beş katmanlı değer çerçevesi, RoI’yi tek bir metrikle değil; teknik performanstan (gecikme, hata oranı) kullanıcı benimsemesine, operasyonel KPI’lara, stratejik çıktılara ve nihayet kurumsal kâr-zarar etkisine uzanan bir zincir olarak ele almayı öneriyor. Gartner ise yapay zekâ olmayan alternatiflerin fırsat maliyetini baştan hesaba katan, hukuk ve uyumluluğu sürece erken dahil eden, dört aşamalı bir dağıtım disiplini öneriyor.
Bir diğer belirleyici faktör de “nasıl” edinildiği: MIT NANDA’nın verilerine göre uzman satıcılardan satın alınan veya ortaklıkla kurulan sistemler yaklaşık %67 oranında başarıya ulaşırken, tamamen içeride geliştirilen sistemler şimdilik bunun ancak üçte biri kadar başarılı oluyor. Çünkü asıl zorluk model seçiminde değil, veri mühendisliği, entegrasyon ve ölçüm altyapısında yatıyor. MIT Sloan Management Review ve Boston Consulting Group’un ortak araştırması ise “bileşik değer” kavramını öne çıkarıyor: insan ve yapay zekâ arasında sistematik geri bildirim döngüleri kuran, yani sadece “görev ver çıktı al” mantığıyla değil “ne işe yaradı ne başarısız oldu” sorusuyla ilerleyen organizasyonlar, anlamlı finansal fayda elde etme olasılığını 6 kat, öğrenmeye yatırım yapanlar ise %73 artırıyor.
Pfizer’ın üretim dijitalleşmesi bu dersleri somutlaştıran öğretici bir vaka. Şirket, 30’dan fazla üretim tesisinde neredeyse 20 yıl boyunca elektronik parti kayıtlarını (EBR) hayata geçirmeye çalışmış, ama teknoloji değil güven, yönetişim belirsizliği ve saha ekipleriyle kopukluk yüzünden sürekli tıkanmış. Yaklaşımı “uygulama” değil “yetkinlik kazandırma” olarak yeniden çerçeveleyip, değer-karmaşıklık dengesine göre tesis seçip, saha ekipleriyle ortaklık kurunca sonuçlar hızla değişmiş: EBR maliyeti %80 düşerken, yıllık dağıtım oranı %50’den fazla artmış. Teslimat tahminlerinin doğruluğu %40’tan %80’in üzerine çıkmış. Şirketin dijital lideri Doug McHugh’ın özetlediği gibi: “Bu artık bir dijital proje değil, dijital bileşeni olan bir operasyon projesi.” Alınan ders: en büyük engel nadiren yapay zekânın kendisi; sistemleri, veriyi ve insan ilişkilerini doğru kurmak. Bu sıkıcı ama asıl belirleyici çaba...
“En büyük engel nadiren yapay zekânın kendisi; sistemleri, veriyi ve insan ilişkilerini doğru kurmak. Bu sıkıcı ama asıl belirleyici çaba...”
Fiziksel Yapay Zekâ: Farklı Bir RoI Mantığı
Bu tartışmayı yalnızca yazılımsal/üretken yapay zekâya indirgemek eksik olur. Endüstri, imalat ve lojistik gibi alanlarda giderek daha görünür hâle gelen fiziksel yapay zekâ (robotik, endüstriyel otomasyon, kestirimci bakım) kendine has bir RoI mantığına sahip. Burada klasik yazılım RoI hesabı işlemiyor, çünkü yatırımın içine robotun kendisinin yanı sıra sensör ağları, saha güvenliği, entegrasyon, bakım, operatör eğitimi ve siber güvenlik gibi kalemler giriyor. Bazı tahminlere göre her 1 dolarlık donanım maliyetine karşılık en az 5 dolarlık bu tür “görünmez” altyapı maliyeti bütçelenmesi gerekiyor. Bu nedenle Toplam Sahip Olma Maliyeti (TCO) kavramı, salt satın alma fiyatının önüne geçiyor; robotu satın almak (CapEx) yerine “hizmet olarak robotik” (RaaS) modeliyle kiralama seçeneği de fırsat maliyeti analizine mutlaka dahil edilmeli. BCG’nin endüstriyel yapay zekâ araştırmasına göre sahadaki uygulamalar %10-35 arasında verimlilik artışı sağlayabiliyor; ama projelerin yarıda kalmasının asıl nedeni model hataları değil, sahadaki operasyonel direnç. Bu da Pfizer örneğindeki “insan ve organizasyon” dersinin fiziksel yapay zekâda da geçerli olduğunu gösteriyor.
Sentez: Hangi Soruları Sormalı, Hangi Göstergeleri İzlemeli?
Bu tablodan RoI’yi bilinçli biçimde yönetmek isteyen bir kuruluş için pratik bir çerçeve çıkarılabilir. Yatırımdan önce sorulması gereken sorular şunlar olmalı: “Bu yatırım neden yapılmalı?”, “Diğer seçeneklerden neden daha iyi?” ve “Başarılı olduğunu nasıl anlayacağız?”
Bu soruların cevabı yalnızca beklenen finansal getiriyle sınırlı değildir. Yapay zekâ projelerinde en sık yapılan hatalardan biri, çıktıları (output) sonuçlarla (outcome), sonuçları ise gerçek etkiyle (impact) karıştırmaktır. Örneğin bir çalışanın aynı işi iki saat daha kısa sürede tamamlaması önemli bir çıktıdır; ancak tek başına yatırımın başarılı olduğunu göstermez. Asıl sorgulanması gereken, bu zaman kazanımının süreç maliyetlerini azaltıp azaltmadığı, hata oranlarını düşürüp düşürmediği, müşteri memnuniyetini veya elde tutma oranını artırıp artırmadığı ve nihayetinde kuruluşun finansal performansına nasıl yansıdığıdır. Başka bir ifadeyle, zaman tasarrufu ancak ölçülebilir kurumsal değere dönüştüğü ölçüde anlam kazanacaktır.
Bu nedenle yatırım öncesinde ve dönüşüm süreci boyunca izlenecek göstergeler de klasik finansal RoI’nin ötesine geçmelidir. Finansal getirinin yanında operasyonel değer (süre, maliyet, kalite, hata oranı), stratejik değer (rekabet avantajı, pazara çıkış hızı), öğrenme değeri (veri birikimi, kurumsal yetkinlik, fikri mülkiyet), opsiyon değeri (gelecekte mümkün hâle gelen yeni ürünler, hizmetler ve yatırım seçenekleri) ile dayanıklılık (risklerin azaltılması, tedarik zinciri güvenliği, operasyonel esneklik) birlikte değerlendirilmelidir. Böylece RoI, tek bir finansal göstergenin ötesinde, kuruluşun ürettiği toplam değerin ölçümü hâline gelir.
Bu göstergelerin yalnızca proje sonunda geriye dönük olarak hesaplanması yeterli değildir. Hangilerinin önceden belirlenmeli, uygulama boyunca düzenli olarak gözden geçirilmeli ve elde edilen bulgular yatırımın yönünü gerektiğinde değiştirmek için kullanılmalıdır. Böylece RoI, yalnızca geçmişi değerlendiren bir gösterge olmaktan çıkar; yatırım kararlarını yönlendiren pratik bir yönetim aracına da dönüşebilir.
Sonuç: Bilinçli Kararlar İçin Öneriler
Dönüşüm ve değişim henüz bitmiş değil; hatta henüz başındayız demek yanlış olmaz. Ama elimizde bir takım ipuçları mevcut. Bu ipuçlarından beş somut öneri çıkarılabilir. Birincisi, yapay zekâ yatırımını bir teknoloji satın alma değil bir iş dönüşümü projesi olarak ele almaktır. Bu durumda model seçimi kadar veri yönetişimi, süreç entegrasyonu ve değişim yönetimi de planlanarak bütçelenmelidir. İkincisi, yayılmadan önce net bir ölçüm çerçevesi kurmak: hangi maliyetin, hangi zaman diliminde, hangi varsayımlarla azalacağı tanımlanmadan başlatılan bir pilotun başarısı objektif olarak değerlendirilemeyebilir. Üçüncüsü, “bin çiçek açsın” yaklaşımından kaçınıp az sayıda yüksek etkili alana odaklanmak. Dördüncüsü, iç kaynaklarla sınırlı kalmak yerine doğru dış ortaklıklardan yararlanmak (başarı olasılığını iki katına kadar çıkarabiliyor). Beşinci ve son olarak, RoI’yi bir kere hesaplanıp kapatılan bir iş olarak değil, sürekli tekrar eden bir döngü olarak kurmak: “ne işe yaradı ne yaramadı”, bunu düzenli olarak gözden geçirip bir sonraki uygulamaya aktarmak. Amaç mükemmel bir formül bulmak değil; olabildiğince yinelemeli biçimde bilinçli kararlar vermek.
Kaynakça:
https://docs.google.com/document/d/1JCMM1PJwTHYS_-bZncGD9WjQ6F9jlaPItP3sc7GqsU4/edit?usp=sharing
(Kaynakça dergide QR kod olarak verilmiştir; yukarıdaki bağlantı QR kodun yönlendirdiği adrestir.)
Kaynak: Teknoloji Perspektifi, Sayı 2, s. 26–29
