Andrej Jonovic, XBP Global CEO’su – Röportaj Serisi

Andrej Jonovic, kritik öneme sahip kurumsal iş akışlarına odaklanan çok uluslu bir teknoloji ve hizmet şirketi olan XBP Global’in CEO’sudur. XBP Global, hassasiyet, güvenlik, veri egemenliği ve denetlenebilirliğin temel gereklilikler olduğu sağlık, kamu ve finansal hizmetler dâhil olmak üzere düzenlemelere tabi alanlarda ajan tabanlı yapay zekâ uyguluyor. Bu röportajda Jonovic; uyarlanabilir süreç orkestrasyonunu, açık ağırlıklı modelleri, akıllı belge işlemeyi, insan gözetiminde karar vermeyi ve yapay zekâyı teknik bir yetkinlik olmaktan çıkarıp ölçülebilir operasyonel sonuçlara dönüştürmek için gerekenleri ele alıyor.

Kariyerinize işlem avukatı olarak başladınız; ardından birleşme ve satın almalara, kurumsal dönüşüme yöneldiniz ve sonunda XBP Global’in liderliğini üstlendiniz. Bu geçmiş, kritik öneme sahip iş akışlarında yapay zekâ kullanımının yönetişimini, ticari risklerini ve kurumsal etkisini değerlendirmenizi nasıl şekillendirdi?

Yapay zekâyı öncelikle iş modeli açısından değerlendirme eğilimindeyim. İşlemler ve dönüşüm alanlarından geldiğinizde, sunumu geride bırakıp uygulamaya geçtiğinizde yapının gerçekten ayakta kalıp kalmadığını sorgulamaya alışırsınız.

Bu yaklaşım yapay zekâ söz konusu olduğunda çok önem kazanıyor; çünkü bir model tek başına son derece iyi performans gösterse bile operasyonel açıdan kötü sonuçlar doğurabilir. Sağlık, kamu ve bankacılık alanlarında işlem hassasiyeti, mevzuata uyum ve denetlenebilirlik vazgeçilmezdir. Verilerin nerede bulunduğunu, sistemin neler yapmasına izin verildiğini, kararların nasıl denetlendiğini ve iş akışını yüksek hacimde yürüttüğünüzde maliyet yapısının nasıl göründüğünü anlamanız gerekir.

Yönetişim, bu mimarinin tasarımına dâhil edilmelidir. Modelin nerede çalıştığını, hangi bilgilerin kurum sınırlarının dışına çıktığını, denetim izine nelerin kaydedildiğini ve iş akışının farklı düzeyde denetim gerektiren bir karara ulaştığında ne olduğunu bilmek isterim.

Geçmişimin en büyük etkisinin muhtemelen burada olduğunu düşünüyorum. Teknolojinin kontrollü bir gösterimde neler yapabileceğiyle genellikle daha az ilgileniyorum. Onu kritik öneme sahip bir sürece dâhil edip güvenilir biçimde kullanıp kullanamayacağınızı bilmek istiyorum.

XBP Global, ajan tabanlı yapay zekâyı geleneksel kural tabanlı otomasyonun ve robotik süreç otomasyonunun ötesine geçen bir gelişim olarak tanımlıyor. Bir iş akışı önceden belirlenmiş talimatları izlemekten çıkarak çıkarım yapabilen, karar verebilen ve birden fazla görevi koordine edebilen yapay zekâ ajanlarından yararlanmaya geçtiğinde teknik açıdan neler değişiyor?

Mimari çok daha uyarlanabilir hâle geliyor.

Geleneksel iş akışı otomasyonu deterministiktir. Kurallar vardır; bir sonraki adımda ne olacağını bilirsiniz ve süreç karmaşıklaştıkça sisteme daha fazla mantık eklersiniz. Bu yaklaşım öngörülebilir işler için çok iyi sonuç verir. Kuralların sayısı çok arttığında veya süreç, sistemin yeniden oluşturulabileceğinden daha hızlı değiştiğinde ise zorluk başlar.

Şu anda yaptığımız şey uyarlanabilir süreç orkestrasyonudur. Hassasiyet ve mevzuata uyum gerektiren noktalarda deterministik kural motorlarını koruyabilir, ardından çıkarımın değer kattığı iş akışı bölümlerine akıllı modeller ekleyebilirsiniz. Ajanlar, süreçteki olası her yolu önceden kodlamak zorunda kalmadan görevleri koordine edebilir, bilgilere erişebilir ve bir sonraki adımı seçebilir.

Bir diğer değişiklik de temel modelin daha kolay değiştirilebilir hâle gelmesidir. Kurumsal kullanıma uygun açık ağırlıklı modellerin çok hızlı geliştiğini görüyoruz. İşlem hattı doğru tasarlanırsa ekosistem geliştikçe tüm operasyonel süreci baştan kurmadan daha güçlü bir modeli entegre edebilirsiniz.

Dolayısıyla, giderek daha önemli hâle gelen teknik varlığın iş akışının kendisi olduğunu düşünüyorum: orkestrasyon, alan bilgisi, denetim mekanizmaları ve modelin çevresindeki veriler.

Pek çok şirket yapay zekâyı deniyor ancak pilot uygulamalardan üretime geçmekte zorlanıyor. Kurumların ajan tabanlı iş akışlarını geniş ölçekte devreye almasını engelleyen en yaygın mimari veya organizasyonel bariyerler neler? 

Müşteriler artık deneme aşamasını geride bırakıyor. Demoları gördüler ve oldukça iddialı yatırım getirisi vaatlerini duydular. Bir noktada birilerinin bu teknolojiyi gerçek bir sürece dâhil edip çalışır hâle getirmesi gerekiyor.

Mimarinin zorlaştığı nokta da burası. Üretim ortamındaki bir iş akışı, şirketin hâlihazırda kullandığı altyapıyla bağlantı kurmalıdır. Hassas bilgilerin özel bulutta veya şirket içi sistemlerde kalması gerekebilir. Mevcut sistemlere erişim sağlanmalıdır. Mevzuat gereklilikleri karşılanmalıdır. Ekonomik açıdan da kurumsal ölçekteki hacimlerde uygulanabilir olmalıdır.

Yakın zamanda, küresel bir hava yolu filosunun bakım yaşam döngüsüne ilişkin bir iş aldık. Her bakım kalemi vektörleştirilerek müşterinin özel bulutundaki özel bir vektör veri tabanında saklanacak. Ajan tabanlı altyapı bu bilgilere erişimi yönetecek ve uçakların kiralama kapsamından çıkması veya satılması durumunda kayıtların yeniden oluşturulmasını destekleyecek.

Bu, bir modelin uçak kaydıyla ilgili bir soruyu yanıtlayabildiğini kanıtlamaktan çok farklı bir sorun. Verilerin denetlendiği ve tekrar tekrar çalışması gereken bir sürecin bulunduğu, bütün bir operasyonel ortamla uğraşıyorsunuz.

Kurumsal açıdan bakıldığında, eksiklik genellikle sahiplenmeyle ilgilidir. Birinin, üretimde çalışmanın gerçekte ne anlama geldiğini belirleyebilecek kadar süreci derinlemesine anlaması gerekir. Bu operasyonel disiplin olmadığında pilot uygulama, kullanışlı hâle gelmeden çok uzun süre etkileyici kalabilir.

XBP Global, özellikle sonuçları ağır olabilecek kararlarda otomasyonu insan denetimiyle birleştiriyor. Bir yapay zekâ sisteminin hangi kararları otonom biçimde uygulayabileceğini ve insan yargısının sürecin parçası olarak nerede kalması gerektiğini nasıl belirliyorsunuz? 

İnsanın rolünü inceleme ve karara bağlama etrafında tasarlıyoruz.

Sonuçları ağır olabilecek bir iş akışında, genellikle yüksek güven düzeyiyle süreç boyunca ilerleyebilecek büyük miktarda iş bulunur. Bunun yanında, bilgilerin eksik olduğu, koşulların olağandışı olduğu ya da yanlış yanıtın bedelinin çok ağır olacağı istisnai durumlar da vardır.

Süreç bu durumlardan birine ulaştığında işlemi ilgili konuda uzman bir kişiye yönlendirir. Bu kişi konuyu çözüme kavuşturur; ardından uzman değerlendirmesi sisteme geri aktarılabilir ve böylece model gelişmeye devam eder.

Bu geri bildirim döngüsünün önemli olduğunu düşünüyorum. İnsan denetimi, iş akışını zaman içinde iyileştirdiğinde daha fazla değer sağlar. Uzman, modelin hâlâ desteğe ihtiyaç duyduğu vakalara alan bilgisini katar.

Otonomi eşiği büyük ölçüde ortama da bağlıdır. Sağlık hizmetlerinde kararların incelenmesi, kamu sektörü kayıtları ve düzenlemelere tabi finansal süreçler, sonuçları hafif bir kurum içi görevden farklı gerekliliklere sahiptir. Kabul edilebilir güven düzeyi, sistem kararı uyguladığında bu kararın gerçekte neye yol açacağını yansıtmalıdır.

Müşterileriniz, veri egemenliğinin, güvenliğin ve denetlenebilirliğin temel önem taşıdığı düzenlemelere tabi sektörlerde ve kamu sektöründe faaliyet gösteriyor. Kuruluşlar, bu sistemleri yararlı kılan özelliklerden ödün vermeden büyük dil modellerini korumalı ortamlarda nasıl kullanıma alabilir? 

Açık ağırlıklı modeller bu sorunun yanıtını önemli ölçüde değiştiriyor.

Uzun süre, en iyi model performansını elde etmenin bilgileri başka birinin ortamına göndermek anlamına geldiği varsayıldı. Verilerin kurum sınırları içinde kalması gerektiğinde bu durum açık bir sorun yaratıyor.

Artık kurumsal kullanıma uygun açık ağırlıklı modelleri alıp, verileri müşterinin ortamında tutarak devreye alınmış ajan tabanlı iş akışlarına entegre edebiliyoruz. Gereksinimlere bağlı olarak bu, özel bulut ya da kurum içi altyapı anlamına gelebilir. Veri egemenliği konusunda kuruluşun ihtiyaç duyduğu denetimleri korurken daha geniş model ekosistemindeki ilerlemelerden de yararlanabiliyorsunuz.

Mimarinin değişime de uyum sağlayabilmesi gerekir. Bugünkü modelin belirli bir görev için en iyi model olmaya devam edeceğini varsaymak için hiçbir neden yok. Eğitim protokollerimiz, yeni modelleri mevcut bir iş akışına hızla entegre edebilmemizi sağlayacak şekilde tasarlandı.

Düzenlemelere tabi sektörlerdeki müşteriler için bu esneklik son derece değerlidir; çünkü veri sınırları korunurken iş akışı gelişmeye devam edebilir. AB Yapay Z zekâ Yasası gibi gereklilikleri ele almaya başlamanın yolu da budur: uyumluluğu, teknoloji kullanıma alındıktan sonra eklenecek bir unsur olarak görmemek.

Kurumsal bilgilerin önemli bir bölümü hâlâ belgelerde, görsellerde, eski sistemlerde ve fiziksel kayıtlarda sıkışıp kalıyor. Akıllı belge işleme nasıl gelişiyor ve parçalı verileri yapay zekâ ajanlarının güvenilir biçimde kullanabileceği bilgilere dönüştürmede nasıl bir rol oynuyor?

Akıllı belge işlemenin ajan tabanlı iş akışlarının altyapısının bir parçası hâline geldiğini düşünüyorum.

Geçmişte belge işleme büyük ölçüde şablonlara dayanıyordu. Belgenin nasıl göründüğünü ve hangi alanı istediğinizi biliyordunuz; sistem de bu alanı çıkarıyordu. Kurumsal bilgiler nadiren bu kadar düzenlidir. Sağlık hizmetlerinde bile EOB belgeleri, karmaşık yazışmalar, talep bilgileri ve farklı biçimlerde gelen kayıtlarla karşılaşılabilir.

Yeni yaklaşım, bağlamı çok daha fazla dikkate alıyor. Yapılandırılmamış bilgileri alıp neyin önemli olduğunu anlayabilir ve bunları sonraki sistemlerin gerçekten kullanabileceği yapılandırılmış çıktılara dönüştürebilirsiniz. Bu önemlidir; çünkü altta yatan bilgiler eksikse ya da yanlış yorumlanmışsa bir ajan işi güvenilir biçimde koordine edemez.

Ölçek de sorunu değiştiriyor. Çok büyük hacimlerde görsel, talep, ödeme işlemi ve başka belge işleyen ortamlar işletiyoruz. Bu ölçekte, veri çıkarma kalitesindeki küçük bir fark bile operasyonel açıdan çok büyük bir soruna dönüşür.

Bu nedenle akıllı belge işleme (IDP), akıllı iş akışının başlangıcında giderek daha fazla yer alıyor. Parçalı bilgileri kullanılabilir verilere dönüştürüyor, sürecin sonraki aşamasına güvenilir biçimde işleyebileceği bir temel sağlıyor ve iş akışının ilerleyen aşamalarında daha fazla otomasyonun önünü açıyor.

XBP Global, eski, kurallara dayalı süreçleri ajan tabanlı yapay zekâ iş akışlarına taşıma ve ilk geçişte çözüm oranlarını artırma konusunu ele aldı. Güvenilir sonuçlar sunabilmesi için bir yapay zekâ sisteminin, kuruluşun süreçleri, istisnaları ve kurumsal bilgisi hakkında neleri anlaması gerekir?

Kurumsal bilginin büyük bir bölümü hiçbir zaman düzgün bir süreç belgesine aktarılmadı.

Bu bilgi, eski sistemlerin, kural kümelerinin ve süreci yıllarca yürütmüş kişilerin yargılarının içinde yer alır. Bu kişiler hangi bilgilerin önemli olduğunu, belirli bir durumda hangi kuralın geçerli olduğunu ve yanlış karar verildiğinde sürecin sonraki aşamalarında neler yaşandığını bilir.

Bu işi taşırken operasyonel bilgi birikimini korumanız gerekir. Bizim dünyamızda bu, çoğu zaman her kuralın hemen ortadan kalkması gerektiğini varsaymak yerine deterministik mantığı yapay zekâyla birleştirmek anlamına gelir. Düzenlemelere tabi bir iş akışının bazı bölümlerinde, gereklilik kesin olduğu için kural motoru son derece yararlıdır. Başka bölümlerdeyse akıllı bir model, değişken durumları çok daha etkili biçimde ele alabilir.

Her birinin nerede kullanılması gerektiğini alan uzmanlığı gösterir.

İlk denemede çözüm oranı da bu nedenle tek başına bir model puanı olarak değerlendirilemez. İş akışı, sürecin bir sonraki adımında da geçerliliğini koruyan bir sonuç üretmelidir. Sürecin ilerleyen aşamalarında başka bir eskalasyona yol açıyorsa sorunu çözmüş değil, yalnızca başka bir yere taşımış olursunuz.

Sistem, başarılı bir işlemin başından sonuna kadar nasıl göründüğünü bilecek kadar süreci anlamalıdır.

XBP Global, otomasyonu yalnızca müşteri operasyonlarında değil, yapay zekâ odaklı bir işletim modeline geçiş sürecinde kendi bünyesinde de uyguluyor. Şirketi kurum içi bir deneme alanı olarak kullanmaktan neler öğrendiniz ve verimlilik artışlarını iş gücünün gelişimi ve değişim yönetimiyle nasıl dengeliyorsunuz?

Sonucun doğrudan kendi mali tablolarımıza yansıması sayesinde çok hızlı öğrenildiğini düşündüğüm için otomasyonu şirket içinde uygulama konusunda oldukça iddialı davrandık.

Yapay zekâ odaklı otomasyon çalışmalarımızın yıllıklandırılmış operasyonel verimlilikte 65 milyon ila 75 milyon dolar yaratması bekleniyor; bu faydanın yaklaşık 35 milyon dolarlık bölümünün 2026’da elde edilmesi öngörülüyor. Çalışan başına gelir, önceki çeyrekteki yaklaşık 82.000 dolardan ikinci çeyrekte yaklaşık 89.000 dolara yükseldi ve yıl sonuna kadar 100.000 dolara yaklaşmasını bekliyoruz.

Bunlar yararlı ölçütler; çünkü işletim modelimizin gerçekten daha verimli hâle gelip gelmediğini gösteriyorlar.

İş gücü üzerindeki etkiler somut. Daha yüksek verimlilik sağlayan bir işletim modeline geçerken, 2026 sonuna kadar küresel çalışan sayısında yaklaşık %20’lik bir azalma olacağını öngörüyoruz. Değişim yönetimi, verimlilikteki değişimin personel gereksinimlerini de değiştirdiğini kabul etmelidir.

Aynı zamanda bu iş akışlarında çalışmaya devam eden kişilerin yetkinliklerini geliştirmeleri gerekiyor. İşleri yapılandırabilecek, çıktıları değerlendirebilecek ve katma değeri daha yüksek kararların sorumluluğunu üstlenebilecek alan uzmanlarına, mimarlara ve operatörlere ihtiyacımız var.

Bu dönüşümü kendi şirketimizde yürütmek, konuyu çok daha somut biçimde ele almamızı sağladı. Hangi otomasyonun kalıcı verimlilik yarattığını, hangi faaliyetin ise yalnızca bir kişinin yapay zekâyı daha sık kullanmasından ibaret olduğunu çok hızlı görüyorsunuz.

Kurumsal yapay zekâ projeleri, ölçülebilir iş sonuçlarından çok gösterimlerle öne çıkarılıyor. Liderler akıllı bir iş akışını değerlendirmek için hangi ölçütleri kullanmalı; doğruluk, istisna oranları, işlem süresi, operasyonel maliyet ve risk azaltımını nasıl hesaba katmalı?

İş akışını iki düzeyde ölçerdim.

Operasyon düzeyinde doğruluğu, ilk denemede çözüm oranını, işlem süresini, istisna sayısını ve işleme maliyetini bilmek isterim. Düzenlemelere tabi bir ortamda, işlemin denetlenebilir olup olmadığına ve kontrollerin yüksek işlem hacminde de tutarlı biçimde uygulanıp uygulanmadığına da önem veririm.

Ardından bu iyileştirmelerin işletmenin mali sonuçlarına yansıyıp yansımadığına bakmak isterim.

XBP’de düzeltilmiş brüt kâr marjımız ikinci çeyrekte %24,9’a ulaşarak bugüne kadarki en yüksek seviyesini gördü; çalışan başına gelirimiz de yaklaşık 89.000 dolara yükseldi. Ek otomasyon fırsatları belirledikçe yıllıklandırılmış operasyonel verimlilik hedefimiz de 65 milyon ila 75 milyon dolara çıkarıldı.

Bu ölçütler, kıyaslama puanından farklı bir şeyi ortaya koyar. Teknolojinin operasyonun maliyet yapısını değiştirip değiştirmediğini gösterirler.

Bir iş akışı model doğruluğu açısından mükemmel olabilir; ancak işletme maliyeti çok yüksekse ya da çok fazla manuel yeniden işleme gerektiriyorsa başarısız bir uygulamadır. Bence liderler, sonucu başından sonuna kadar takip etmeli. Teknoloji, gerçekten ölçebileceğiniz bir alanda operasyonel fayda sağlamalıdır.

İleriye baktığınızda, ajan tabanlı yapay zekânın mevcut kurumsal sistemlere eklenen bir katman olarak kalmasını mı, yoksa insanların, yazılımların, verilerin ve iş süreçlerinin etkileşim kurduğu temel orkestrasyon katmanına dönüşmesini mi bekliyorsunuz?

İş akışlarının daha büyük bir bölümünün ajan tabanlı hâle geleceğini düşünüyorum.

Kurumsal yapılarda belirli işlevleri yerine getiren sistemler, veri havuzları ve uygulamalar var olmaya devam edecek. Değişecek olan, işlerin bunlar arasında nasıl ilerlediği. Ajan tabanlı bir işlem hattı bilgileri alabilir, araçları koordine edebilir, eylemleri başlatabilir ve bir işlemin başka türde bir müdahale gerektirip gerektirmediğine karar verebilir.

Bunu havayolu örneğinde şimdiden görebilirsiniz. Bakım kayıtları müşterinin ortamındaki özel bir vektör veritabanında tutulurken, ajan tabanlı katman bu bilgilere bakım yaşam döngüsü boyunca nasıl erişileceğini ve bunların nasıl kullanılacağını yönetiyor.

Bu tür bir orkestrasyonun çok daha yaygın hâle geleceğini düşünüyorum.

Temel modeller değişmeye devam edecek. Açık ağırlıklı modeller hızla gelişiyor ve bugün kullandıklarımızın ardından yeni bir nesil daha gelecek. Kurumların bu modellerin çevresinde kalıcı bir yapıya ihtiyaç duyması, orkestrasyon katmanını giderek daha önemli hâle getiriyor.

İşlem hattını süreç, alan bilgisi, güvenlik gereksinimleri ve kurumsal denetimler etrafında oluşturursanız, daha iyi modeller kullanıma sunuldukça bunlardan yararlanmaya devam edebilirsiniz. Uzun vadeli değerin büyük bölümünün burada ortaya çıkacağını düşünüyorum.

Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okurlar XBP Global‘i ziyaret edebilir.