Kurumsal AI, Güvenilir Verilere Bağlıdır

2025’te, şirketler tahmini 30 ila 40 milyar dolar arasında jeneratif AI’ye yatırım yaptı, ancak MIT’nin Project NANDA’sı, 300’den fazla kurumsal dağıtımın yalnızca %5’inin incelediği ölçülebilir finansal getiriler ürettiğini buldu.

25 yıldan fazla bir süreyi kurumsal veri programlarında çalışarak geçirdim. Jeneratif AI konuşmaya girmeden çok önce, insanların arkasındaki verilere güvenemediğinde teknolojinin ne kadar çabuk güvenilirliğini yitirdiğini gördüm. Jeneratif AI, şüpheli verileri güvenilir bir yanıta dönüştürebildiği için riskleri artırıyor.

Eskiden ‘çöp girer, çöp çıkar’ derdik. Şimdi ise ‘çöp girer, felaket çıkar’ diyoruz. Veri şüpheli göründüğünde, bir kişi kendi yargısını kullanıp bir veri uzmanına başvurabilirdi. Uzman, kök neden analizini yapar, sorunu belirler ve bir çözüm uygular. Bugün ise ajanlar karşılaştıkları her veriyle hareket edebiliyor. Bilgili insan denetimi olmadan, sonuç operasyonların bir parçası haline gelebilir, kararlar için kullanılabilir ve organizasyon genelinde ölçeklenebilir.

Aynı sorun bir sohbet botunda da ortaya çıkabilir. Atlanan yönetişim, kötü ya da yetersiz anlaşılan verileri otoriter bir şekilde duyulan, anında ve ölçekli bir yanıta dönüştürebilir.

Güven, Gerçek Benimseme Darboğazıdır

İç bir sohbet botu birine kendinden emin ama yanlış bir yanıt verdiğinde, o kişi ona bir daha güvenmeyebilir. Büyük bir organizasyonda, AI aynı zamanda bulunmasını istemediğiniz verileri de bulur. Bunu yatağın altındaki kirli çoraplara benzetiyorum: veri gözden uzak olabilir, ama AI o karanlık veriyi bulacak ve kullanacaktır.

Bağlam, veriyle birlikte seyahat etmeli ve büyük dil modellerinin (LLM’lerin) üzerine dayanacağı temeli oluşturmalıdır. Bir AI modeli veriyi kullanmadan önce, insanların ne anlama geldiğini, nereden geldiğini, kime ait olduğunu ve hangi iş kuralları ve politikaların çevrelediğini bilmeleri gerekir.

Liderlik bunu kaçırabilir çünkü sistem nadiren çöküyor. AI kendinden emin bir şekilde yanlış olabilir; pizzanıza yapıştırıcı önerebilir (çok eski bir örnek). Kendinden emin ama yanlış bir yanıt veren bir sohbet botunu düşünün ve çalışanlar ona güvenmeyi bırakır. Bu güveni yeniden inşa etmek, doğru kontrolleri önceden kurmaktan çok daha uzun sürer.

Bu erozyon veride de görülür. Şirketlerin %90’ından fazlasının çalışanları MIT’in araştırdığı resmi pilotun güvenlerini kazanamaması üzerine yan tarafta kişisel AI araçlarını kullanmaya devam ediyor. Onaylanmış araç güvenlerini kazanmadığında, çalışanlar işi halletmenin başka bir yolunu bulur.

Bu yılki AI araştırmalarının çoğu aynı soruna işaret ediyor: organizasyonlar, verilerini güvenilir hâle getirmek için gerekli çalışmaları yapmadan AI’yi ilerletiyor. Gartner tahminine göre organizasyonların neredeyse üçte ikisinin AI için doğru veri yönetimi uygulamalarına sahip olmadığı ya da bunların mevcut olup olmadığından emin olmadığı. Ayrı IDC’den araştırma güven açısından benzer bir boşluk buldu: %78’i AI’lerine tam güven duyduklarını söylüyor, ancak yalnızca %40’ı bu güveni haklı çıkaracak yönetişim ve açıklanabilirlik çalışmalarına yatırım yaptı.

Güven ile yatırım arasındaki uyumsuzluk, birçok AI girişiminin üretime ulaşmadan durmasına ya da beklenen değerle uyum sağlamamasına neden olduğunu açıklar.

AI Yönetişimi Artık Rekabet Avantajıdır

Kariyerimin büyük bir bölümünde, veri yönetişimi kurumsal BT’nin en göz alıcı olmayan bölümlerinden biriydi. Üst veri kataloglamak, sahipliği tanımlamak, veri profili çıkarmak ve iş akışlarını yönetmek temizlik işine benzer bir his verirdi. İnsanlar genellikle bunu atlarlardı çünkü çaba, sağladığı değerden daha büyük görünürdü.

AI bunu değiştirdi. Veri planları tasarlama, sektör tarafından derlenmiş sözlükler oluşturma ve veri politikalarını önerme ve etkinleştirme gibi alanlarda bir yönetişim yeteneği haline geliyor. Veri kökeni bile artık daha hızlı çıkarılabilir ve düzenlenebilir, bu da yönetilen veri hatları ve gözlemlenebilirliğin değerini daha kolay kavramamızı sağlıyor.

Regülasyon da veri şeffaflığını daha acil hâle getiriyor. EU AI Act 2 Ağustos 2026’da geniş çapta uygulanabilir hâle geldi ve belirli sistemler ve AI tarafından üretilen içerikler için şeffaflık kurallarını içeriyor. Yasa ayrıca yüksek riskli sistemler için ayrı gereklilikler getiriyor; bu gereklilikler, dağıtıcıların çıktıları yorumlamasına yardımcı olacak belge ve bilgileri içeriyor, ancak bazı yüksek riskli hükümler daha sonraki zaman çizelgelerine göre uygulanacak.

Şirketler için pratik ders basittir: net köken ve yönetişim, hangi verinin kullanıldığını, nereden geldiğini ve sistemin nasıl çalışması gerektiğini belgelemeyi kolaylaştırır.

ABD’deki düzenleyici tablo hâlâ belirsiz. Kapsamlı bir federal AI yasası olmadan, şirketler farklı eyalet gereksinimlerini yönlendirmek zorunda, hatta Beyaz Saray kendi AI kurallarını oluşturma ve uygulama yetkisini sınırlamaya çalışırken. Kitaplarda bulunan en kapsamlı eyalet çerçevesi olan Colorado AI Yasası, bu mücadele sırasında zaten bir kez geciktirilmiş ve yeniden yazılmış, temel yükümlülükleri ise 2027’ye ertelenmiştir. Birçok ABD şirketi için cazibe, belirsizliği bekleyerek geçmektir.

Bence bu yanlış bir içgüdü. ABD’de hangi düzenleyici model nihayet başarılı olursa olsun, temel gereklilik ortadan kalkmayacak. Verinizin nereden geldiğini bilin. AI kullanmadan önce birinin gerçekten doğrulayıp doğrulamadığını bilin. Bu disiplini şimdi geliştirmek, şirketlerin yeni düzenlemelere hazırlanmasına ve umut vaat eden AI pilotlarını işin güvenle kullanabileceği araçlara dönüştürmesine yardımcı olacaktır.

5 Yüzdeyi Ayıran Nedir

Size bir müşteriden bahsetmeme izin verin. Genel muhasebe ekipleri, kitaplarda bir tutarsızlık ortaya çıktığında her seferinde 300 ayrı elektronik tabloyu incelemek zorundaydı. Üç yüz. Birisi sonunda bu karmaşayı tek bir yönetişimli veri varlığı olarak yeniden yapılandırdı; hesaplamalar, raporlar ve temel veri bir arada paketlenip önceden doğrulandı. Bir sonraki sorun ortaya çıktığında, düzeltme çok daha az çaba gerektirdi. Sadece bu süreç, yaklaşık 750 iş günü tasarruf sağladı. Bu, sadece temizlenmesinden kaynaklanan milyonlarca dolarlık maliyet tasarrufu demektir.

İyileşme, doğru veriyi bulmayı kolaylaştırmak ve ikinci kez sorgulamaya gerek kalmayacak kadar güvenilir hâle getirmekten kaynaklandı. İş birliği ve yeniden kullanım bunu mümkün kıldı. Güvenilir veri ürünleri, kurumsal standartlarla uyumlu hâle getirilebilir, zaman içinde genişletilip yükseltilebilir, güven puanı alabilir ve değer için yönetilebilir. Bu yaklaşım, tek tek fiziksel veritabanı tablolarına bağlı yüzlerce ya da binlerce ürün oluşturma ihtiyacını azaltır.

Güçlü programlar bu güveni görünür kılar. Çalıştığım veri pazarlarında, varlıklar kalite, kürasyon, kullanım ve sahiplik gibi faktörlere göre altın, gümüş veya bronz olarak sınıflandırılabilir. Bir iş kullanıcısı, bir varlığı kullanmadan önce ne kadar güvenilir olduğunu görebilir. Bu şeffaflık, insanların tahmin etmeyi bırakmasına ve zaten mevcut olan veriyi yeniden kullanmaya daha istekli olmalarına yardımcı olur.

%95’lik rakam, birçok şirketin jeneratif AI’nin arkasındaki veriyi ne kadar kayıtsız bir şekilde ele aldığının bir uyarısıdır. İlerleme kaydeden organizasyonlar, insanlara verilerinin nereden geldiğini, nasıl doğrulandığını ve işe uygun olup olmadığını net bir şekilde gösteriyor. Yıllarca veri yönetimi arka plan işi olarak görülürken, AI sonunda değerini görünür kılıyor.