Yapay zekâyı ölçeklendirmek, her seferinde veri altyapısını baştan kurmak anlamına gelmemeli

Şirketler için 2027 planlama dönemi kapıda ve yapay zekâ yatırımları bir kez daha üst yönetim gündeminin ilk sıralarında yer alıyor. Akeneo’nun BT karar vericileri arasında yaptığı son ankette, katılımcıların %93’ü yapay zekâ sayesinde verimlilik artışı sağladıklarını belirtirken %43’ü yapay zekânın görevlerine yeni sorumluluklar da eklediğini söyledi.

Bu bulgular, yapay zekâ projelerini hayata geçirmek için gereken kapsamlı ön hazırlığı gözler önüne seriyor. Bu çalışmaların önemli bir bölümünü özellikle verilerin hazırlanması oluşturuyor. Akeneo’nun anketine katılan BT liderlerinin %36’sı, kuruluşlarının bir yapay zekâ projesinde harcanan toplam çabanın yarısından fazlasını verileri hazırlamaya ayırdığını söyledi. Katılımcıların %53’ü ise proje çalışmalarının %26 ila %50’sini verilerin hazırlanmasına harcadıklarını bildirdi. Bu hazırlık gerekli olsa da asıl fırsat, bir yapay zekâ uygulaması için yapılan çalışmaların bir sonraki uygulamayı desteklemek üzere yeniden kullanılabilmesini sağlamakta yatıyor.

Yapay zekâ, işletmenin bir bölümündeki işleri ortadan kaldırırken BT ekipleri için verileri hazırlama ve her yeni uygulamada bağlamı yeniden oluşturma gibi farklı görevler ortaya çıkarabilir. Bugün önümüzdeki fırsat, yapılan bu çalışmaların daha büyük bir bölümünü yeniden kullanılabilir hâle getirerek her uygulamanın sıfırdan başlamak yerine bir öncekinden güç almasını sağlamaktır.

Yapay Zekânın Merkezinde İnsan Bağlamı

İnsanlar, tüm yapay zekâ pilot çalışmalarının ve uygulamalarının merkezinde yer almaya devam ediyor. BT ekipleri, iş ihtiyaçlarını anlamak ve çözümleri değerlendirmekten uygulama, eğitim, süreç geliştirme ve sürekli güvenliğe kadar yeni teknolojilerin tüm yaşam döngüsünde görev alıyor. Ekipler zaman içinde karşılaştıkları istisnaları ve yazılı olmayan kuralları belgelemeyi ihmal edebilir; aynı terimin farklı sistemlerde farklı biçimlerde tanımlanması da buna dâhildir. Bu bağlam, çoğu zaman kuruluşun genelinin güvenilir biçimde erişebileceği bilgiler olmak yerine, ekip üyelerinin bireysel olarak sahip olduğu kurumsal bilgiye dönüşür.

Bu çalışmalar, yanıtı bilen kişi artık erişilebilir olmayana kadar sürebilir. Çalışanlar görev değiştirince, kuruluştan ayrılınca ya da bir sorun ortaya çıktığında yalnızca müsait olmayınca, bağlam da kaybolur. Bu bilgiyi yapılandırılmış ve dijital olarak erişilebilir bir biçimde kaydetmek, tek bir kişinin ötesinde de kullanılmasını sağlar. Ayrıca her yeni uygulamada bilgiyi yeniden keşfetmek yerine, ekiplerin uzmanlıklarının sahipliğini korumasına ve bilginin kuruluş genelinde erişilebilir olup yeniden kullanılmasına imkân tanır.

İyi Veriler Her Zaman Yapay Zekâya Hazır Değildir

Tüm bunları başka bir veri kalitesi sorunu olarak nitelendirmek cazip gelebilir; ancak Akeneo’nun araştırması, konunun daha karmaşık olduğuna işaret ediyor. BT liderlerinin %92’si, yapay zekâ sistemlerinde kullanılan ürün ve operasyon verilerini iyi veya mükemmel olarak değerlendiriyor. Buna rağmen büyük çoğunluk, bir yapay zekâ projesinin toplam çabasının dörtte birinden fazlasını verileri hazırlamaya harcıyor.

Verilerin iyi olması, yapay zekâya hazır olduklarını garanti etmez; özellikle de “iyi” sayılan şey, veriyi kimin ya da neyin kullandığına bağlı olarak değişebilir. Modeller ve ajanlar, doğru bilgiden daha fazlasına ihtiyaç duyar. Verilerin nereden geldiğini, diğer bilgilerle nasıl ilişkili olduğunu, hangi kaynağın öncelikli sayıldığını ve hangi koşullarda kullanılabileceğini anlamaları gerekir. Bu kurallar, deneyimli ekiplerin çalışma biçiminde çoğu zaman örtük olduğundan kolayca gözden kaçabilir.

McKinsey’nin yapay zekâ için veri hazırlığına ilişkin son araştırması da bağlamın önemine benzer biçimde dikkat çekiyor. Her bilgi model veya ajanlar için değerli olmayacaktır. Ancak bir bilgi değer taşıyorsa bağlamı da aktarılabilir olmalıdır. Bilgi özgün kaynağından ayrıldığında, anlamının kaybolmaması için kökeni ve çevresindeki verilerle ilişkileri açık kalmalıdır.

Yapay zekânın arkasındaki mimari, tam da bu noktada modelin kendisi kadar önem kazanmaya başlıyor. Geleneksel yazılımlardan farklı olarak LLM’ler, bilgiler kaynaklar arasında farklı biçimlerde yapılandırılmış veya etiketlenmiş olsa bile, çoğu zaman parçalı veriler ve birbirinden kopuk sistemler üzerinde çalışabilir. Daha önce açıkça tanımlanmamış ilişkileri belirleyebilirler. Daha büyük sorun ise verilerin hiç bulunmamasıdır. Modeller ve ajanlar sistemler arasında çalışırken ihtiyaç duydukları bilgi ve bağlamın öncelikle mevcut ve erişilebilir olması gerekir.

PwC’nin 2026’da yapay zekâ uygulama açığı üzerine yaptığı araştırma, teknoloji yatırımlarının beklentileri karşılayamamasının başlıca nedeninin entegrasyon olmaya devam ettiğini ortaya koydu. Yapılandırılmamış verilerden oluşan geniş bir ağı birbirine bağlamak zaman alıyor ve projelerin tam kapsamlı uygulama aşamasına ulaşmasını çoğu zaman geciktiriyor.

Bir uygulamada bu sorunları çözmek için gereken çalışmalar, bir sonraki uygulamayı kolaylaştırabilir.

Yapay Zekâ Altyapısını Yeniden Kullanılabilir Hâle Getirmek

Tek bir yapay zekâ projesi için hazırlık çalışmalarının büyük bölümü arka planda yürütülebilir. BT ekipleri tutarsızlıkları giderir, uygulamanın ihtiyaç duyduğu bilgileri hazırlar ve projeyi üretim ortamına taşımak için uygulamayı diğer sistemlerle entegre eder.

Sorun, bu çalışmaların yalnızca o anki kullanım ihtiyacını karşılamasıdır. Verilerin hazırlanması, yapay zekâ uygulamalarının her zaman bir parçası olacaktır; ancak bu çabanın büyük bölümü sonraki uygulamalara da aktarılmalıdır. Bir ekip, aynı alanın veya terimin iki sistemde farklı anlamlara geldiğini keşfederse, bu belirsizliği gidermek gelecekteki uygulamaların yeniden kullanabileceği bir tanım ortaya çıkarmalıdır. Sistemler arasında anlaşmazlık olduğunda hangi kaynağa güvenileceğini belirlerlerse, bu karar sonraki uygulamalarda da geçerliliğini korumalıdır.

Aynı ilke entegrasyonlar için de geçerlidir. Kuruluşlar, her model veya ajan için ürünlere ve bilgilere ulaşmanın yeni bir yolunu oluşturmak yerine, yapay zekâ sistemlerinin güvenilir bilgileri bulup kullanması için tutarlı yöntemler belirlemelidir.

İlk uygulama yine de kapsamlı çalışma gerektirebilir; çünkü ekipler daha önce insanların deneyimlerinde yer alan tanımları, ilişkileri ve istisnaları ortaya çıkarıyor. Kurumsal bilgi giderek kuruluşun altyapısının bir parçası hâline geldikçe bu çalışma da sonraki aşamalara aktarılabilir. Sonraki uygulamalar bu çalışmadan yararlanabilir; yararın boyutu, verileri ve kullanım alanları arasında ne ölçüde ortaklık bulunduğuna bağlıdır.

Yapay zekânın yanıt üretmenin ötesine geçerek kurumsal sistemlerde eyleme geçmeye başlamasıyla bu konu giderek daha önemli hâle geliyor. NIST’in Yapay Zekâ Ajanı Standartları Girişimi, ajanların kurum içi verilerle ve harici sistemlerle güvenli biçimde etkileşim kurabilmesinin önemine dikkat çekiyor. Ajanlar daha fazla sorumluluk üstlenip daha çok sistem ve modelle etkileşime girdikçe kuruluşların, her kullanım senaryosu için doğru bağlamın ve denetim mekanizmalarının belirlenmesini, süreci baştan başlatmak zorunda kalmadan sağlaması gerekiyor.

Yönetişim Ortamın Bir Parçası Olmalı

Yeniden kullanılabilir altyapı, yeniden kullanılabilir yönetişim de gerektirir. EY’nin Eylül 2026 Yapay Zekâ Riskleri ve Yönetişimi Araştırması, üst düzey yapay zekâ yöneticilerinin %91’inin kuruluşlarının ajan tabanlı yapay zekâyı denediğini veya devreye aldığını söylediğini; ancak kuruluşları ajan kullanan katılımcıların %49’unun, mevcut yönetişim çerçevelerinin ajan tabanlı yapay zekânın gereksinim ve risklerine özel olarak uyarlanmadığını belirttiğini ortaya koydu.

Yapay zekâ bir iş sürecinde daha fazla sorumluluk üstlendikçe, bu süreci yöneten kurallar da yapay zekânın çalıştığı ortamın bir parçası hâline gelmelidir. Bir ajan bazı bilgilere bağımsız olarak erişebilirken sürecin başka aşamalarında ilerlemeden önce bir insanın incelemesi veya onayı gerekebilir. Bu kararlar yalnızca bir politika belgesinde ya da bir kişinin sürecin nasıl işlemesi gerektiğine ilişkin anlayışında kalamaz.

Yönetişim kararları, kurum içi incelemelerin ötesine geçerek yapay zekânın içinde çalıştığı sistemlere de yansımalıdır. Bir sisteme yön veren politikalar, izinler ve onay aşamaları, uygulamanın bir parçası olarak tanımlanmalıdır. Bu denetimler sisteme yerleştirilmezse ekipler, her yeni yapay zekâ kullanım senaryosu devreye alındığında politikaları ve izinleri yeniden yorumlamak zorunda kalır.

Yapay Zekânın Bir Sonraki Dalgasına Hazırlanmak

Kuruluşlar 2027’de büyüyen yapay zekâ bütçelerini kullanmaya başlarken BT ekipleri giderek genişleyen bir model, entegrasyon ve sistem yelpazesinden sorumlu olacak. Asıl sınav, kuruluşların sırada gelecekleri destekleyebilecek bir altyapı kurup kurmadığı olacak.

Ekipler hâlâ aynı tanımları netleştiriyor, aynı bağlantıları yeniden kuruyor ve aynı kuralları çeviriyorsa yapay zekâ, onu desteklemek için gereken altyapıdan daha hızlı ölçekleniyor olabilir.

Bu, yapay zekâya hazırlık konusunda farklı bir bakış açısı sunuyor. İlerleme yalnızca kaç modelin veya ajanın üretim ortamına alındığıyla değil, her uygulamanın kuruluşu bir sonrakine daha iyi hazırlayıp hazırlamadığıyla ölçülmelidir.

Yapay zekâ, tek tek görevleri şimdiden hızlandırıyor. Verimlilikteki bir sonraki artış, bu sistemlerin arkasındaki çalışmaların daha kolay yeniden kullanılmasını sağlamaktan gelecek. Yapay zekâ iş süreçlerine giderek daha fazla entegre ediliyor; bu da daha fazla sistemin aynı veri temellerine dayanmasını gerektiriyor. Bu temeli şimdi kurmak, kuruluşların yeni nesil yapay zekâyı ne kadar kolay devreye alabileceğini belirleyecek.