Rob Collie, CEO ve Kurucu, P3 Adaptive ve Fair Game Yazarı – Röportaj Serisi

Rob Collie, veri ve AI için bir Microsoft Solutions Partnerı olan P3 Adaptive’in kurucusu ve CEO’sudur ve yüzlerce orta ölçekli ve Fortune 1000 müşterisine hizmet vermektedir. Excel, Bing ve Power BI ekiplerinde Microsoft mühendislik lideri olarak görev yaptıktan sonra Microsoft’tan ayrıldıktan sonra Power BI dalgasını yönetti ve üç iş‑teknoloji kitabı (92.000+ kopya satıldı) kaleme almıştır. Ayrıca Raw Data with Rob Collie podcast’ini sunmaktadır. Dördüncü kitabı, Fair Game: Customizing AI to Your Business Is Easier Than You Think (Ağustos 2026), bu uygulayıcı itibarını AI anına dönüştürüyor.

Microsoft’ta bir on yılı aşkın bir süre Excel ve Power BI’da iş zekası özellikleri geliştirmeye yardımcı olduktan sonra 2013’te P3 Adaptive’i kurdunuz. Microsoft içinde yazılım inşa etmekten müşterilerin veri problemlerini çözmeye geçiş, kurumsal AI hakkındaki mevcut görüşünüzü nasıl etkiledi?

Microsoft’ta ürün ekiplerini yönettiğimde, tüm dünyaya hizmet edecek ve belirli bir müşteriye göre özelleştirilemeyecek bir yazılım geliştiriyorduk. Bunu “300 milyon insan için kabul edilebilir bir pizza sipariş etmek” olarak adlandırıyorduk. Bu işin doğal olarak en düşük ortak payda yaklaşımı ve bireysel müşterilerden belli bir mesafe gerektirdiği bir atmosferi vardı.

Büyük bir sahnede çalışmanın kesin bir prestiji vardı, ancak belirli müşterilerin benzersiz hedeflerine ulaşmalarına yardımcı olmaktan çok duygusal tatmin sağlamıyordu. Bir müşteriyle yakın çalıştığımızda, onların başarısına yatırım yapma ve büyük yazılımın tek beden herkese uyan modeline hiç uymayan yaratıcı çözümler keşfetme şansımız olur. Bu birçok açıdan daha zihinsel olarak uyarıcıdır ve müşterilerimizle doğrudan bağlantı, başarıları çok daha tatmin edici kılar.

Ama daha büyük bir sorumluluk da var. Microsoft’ta tek bir memnun olmayan müşteri sadece bir istatistikti ve şikayetleri işimin bir parçası olarak her gün hafife alırdım. Ancak P3 Adaptive’de tek bir memnun olmayan müşteri başarısız olduğumuz anlamına gelir. İstatistik yok. Her bir ilişkiye karşı sorumluluğumuz var.

Microsoft’ta birçok değerli şey öğrendim ve bu deneyimi dünyaya satmazdım, ancak kendime sık sık “iyileşen bir yazılım mühendisi” diyorum, çünkü başarı artık çok farklı bir şekilde çalışmak demektir.

Ve bu, kurumsal AI’ye baktığım tam o bakış açısı. Hazır AI, 300 milyon kişilik pizzanın en üst noktası – herkes için bireysel olarak değerli olacak şekilde tasarlanmış, ancak kimseye özel olmayan bir harika. Ancak kurumsal AI kazanımları özelleştirmeden gelir – belirli bir şirketin yanına yakınlaşarak AI’yı onların verilerine, onların süreçlerine, onların tanımlarına göre uyarlamaktan. Bu bölünmenin her iki tarafında da kariyerime zaman harcadım ve bu, kurumsal AI’nin hangi tarafta kazanacağını konusunda hiçbir şüphem kalmadı.

Fair Game’de, birçok şirketin yapay zekaya ters bir yaklaşım sergilediğini, genel amaçlı sohbet botu lisansları dağıtarak operasyonlarını anlamayan sistemler inşa etmeleri gerektiğini savunuyorsunuz. Hazır AI asistanlarının sınırları nerede ve bir işletmenin özelleştirilmiş bir şeye ihtiyacı olduğunu gösteren sinyaller nelerdir?

Hazır AI, işiniz dışında her konuda doktora derecesine sahiptir. Tüm interneti okumuş, ama internet şirketinizin “aktif müşteri” tanımını, fiyatlandırma mantığını, operasyonel süreçlerini ve iki sisteminiz çeliştiğinde hangisine güvenileceğini içermiyor. Bu bilgi asla kamuya açık olmayacak. Dolayısıyla kişisel kullanım için dünya çapında bir başarı olan jenerik AI, gerçek iş kullanımı için yetersiz kalıyor ve iki deneyim arasındaki boşluk hem cesaret kırıcı hem de kafa karıştırıcı.

Bugün, “AI ile ne yapılmalı” sorusunun yanıtı temelde “abonelik alın ve öğrenin” oldu. Bunun doğal bir ilk adım olduğunu düşünüyorum, bu yüzden bunu yapanları eleştirmiyorum. Aksine, bu aboneliklerin yeterli olmadığını ve nedenini açıklamak için kimsenin zaman ayırmadığını anlıyorum. Bu yüzden işletmelerin, mevcut olanı denemek ve bunun yetersiz olduğunu fark etmeye başlaması gerektiği konusunda temelde haklı olduklarını düşünüyorum.

Çözüm, AI modeline dokunmak değildir – LLM araştırmacısı olmanız gerekmez. Modeli çevreleyen her şey önemlidir: verileriniz, sade İngilizce yazılmış talimatlarınız ve normal yazılım. Bu hafta bir sohbet botuna aynı bağlamı beşinci kez yazdığınızı fark ettiğinizde, bu bir işarettir. Tekrarladığınız her açıklama, özelleştirilmiş bir sistemin zaten bilmesi gereken şeydir – her seferinde uyanır.

“Crafters” terimini, geleneksel yazılım geliştiricileri olmadan değerli özelleştirilmiş AI sistemleri inşa edebilen veri odaklı iş profesyonellerini tanımlamak için kullanıyorsunuz. Bir Crafter’ı ayıran özellikler nelerdir ve liderler bu kişileri mevcut çalışanları içinde nasıl tanımlayabilir?

Bir Crafter, problemleri araçlarla çözme tutkusuna doğuştan sahip kişidir. Deneyimlerime göre, bilgi çalışanlarının yaklaşık 16’sında bir tanesi bu özelliğe sahiptir. Onlar Excel güç kullanıcıları, ardından Power BI nesli ve daha sonra “gölge BT” olarak etiketlenen kişilerdi. Analistlerinizi, finans modelleyicilerinizi, operasyon liderlerinizi – iş içinde büyüyen ve araç kullanma yeteneği keşfeden kişilerdir.

İki özellik onları AI çalışmaları için ideal kılar. Birincisi, sistem düşüncesi: kaotik bir süreci girdiler, kurallar ve çıktılar olarak sezgisel bir şekilde ayırırlar, tıpkı profesyonel yazılım geliştiricileri gibi. İkincisi, iş bilgisini temellendirmeleri: CFO’nun gerçekten izlediği sayıları ve bir soruyu soran kişinin aslında neyi sorduğunu bilirler. Bunları bir bootcamp’te öğretemezsiniz.

Nasıl bulabilirsiniz: elektronik tablolara bakın. Şu anda şirketinizde kritik iş akışlarının kalbinde elektronik tablolar, panolar ve otomasyonlar var. Hiçbiri BT tarafından inşa edilmedi ve her birinin bir yazarı var. Oradan başlayın. Sonra bu yetenekleri özelleştirilmiş AI çözümlerine nasıl yönlendirebileceklerini değerlendirin.

Neden Crafters’ların, yalnızca geliştiriciler yerine, birçok iç AI projesine liderlik etmede en iyi konumda olduğunu düşünüyorsunuz ve sorumluluklar iş uzmanları, veri ekipleri, yazılım mühendisleri, BT departmanları ve güvenlik ekipleri arasında nasıl bölünmeli?

Özel AI’nın zor kısmı kod değil – bağlamdır. Bir AI projesindeki en yüksek etkiyi sağlayan aktivite, sistemin işiniz hakkında ne bilmesi gerektiğine karar vermektir ve Crafters bu bilgiyi doğuştan taşır. Üç organizasyon hiyerarşisi uzakta gelen parlak bir mühendis, opsiyon liderinizin refleksle bildiği şeyi öğrenmek için aylarca röportaj yapmak zorundadır.

Ama bu kesinlikle geliştiricilerin artık gereksiz olduğu bir hikaye değildir. Önerdiğim iş bölümü üç faktöre dayanır ve hiçbiri kıdem ya da kişilik değildir: yeniden kullanılabilirlik, karmaşıklık ve duyarlılık arttıkça iş profesyonel geliştiricilere kayar. Müşteriyle yüz yüze gelen, hassas verilere dokunan, otonom kararlar veren her şey geliştirici alanıdır ve ajanlar çoğaldıkça bu kıt mühendislik becerileri daha değerli hâle gelir, azalan değil. İş süreçlerinin inceliği hakim olduğunda iş, Crafters’a yönelir.

Ayrıca göz ardı edilen bir orta yol da var: Crafter inşa eder, geliştirici denetler. BT ve güvenlik, projeleri onaylayan kapı bekçileri olmamalı – yolun kendisine sahip olmalı. Onaylı platformları, kimlik, veri erişim kuralları, günlükleme gibi güvenlik çitlerini önceden yerleştirerek – uyumlu seçenek aynı zamanda kolay seçenek olmalı. Hafif bir kayıt tutun: kişisel deneyimden ikinci bir kişinin bağımlı olduğu bir şeye dönüşen her şey yazılı ve bir sorumlu sahibi olsun. Bu tek kural, isimsiz araç sorununu büyük ölçüde ortadan kaldırır, çünkü adı olan araçlar sessizce terk edilmez.

Özel AI, şirket‑specifik terminoloji, metrikler, süreçler ve kurumsal bilgiye erişim gerektirir. Semantik modeller ve mevcut iş zekası altyapısı, AI’nın bir şirketi doğru şekilde anlamasına nasıl bir rol oynar?

Onlar kod çözücü halkadıdır. Şu anda şirketinizin tanımları – aktif bir müşteri ne demektir, brüt kâra hangi maliyetler dahil edilir – insanların kafasında ve binlerce hafif tutarsız elektronik tabloda yaşar. Bir AI ajanı, bu tanımlar bir makinenin güvenebileceği bir biçimde yazılı olana kadar verileriniz hakkında güvenilir bir şekilde akıl yürütemez. Endüstri bu disipline “bağlam mühendisliği” adını vermeye başladı ve bunu şu şekilde çevirebilirim: AI’nın gerçekten kullanabilmesi için işinizin bildiklerini yapılandırma çalışması. Analistler bunu yeni gibi gösterdi. BI uygulayıcıları ise on yıllardır bunu yapıyor.

Bu, göz önünde açık bir iyi haber: BI dönemine (özellikle Power BI’ye) yatırım yaptıysanız, zaten bir avantajınız olabilir. İyi inşa edilmiş bir semantik model, ajanların ihtiyaç duyduğu iş anlamının makine‑okunur yakalanmasıdır. Semantik katmanlarını sonradan düşünmüş şirketler, “sıkıcı” tanımlama işini atladıklarını ve bunun artık AI yolundaki geçiş noktasını oluşturduğunu fark ediyor. Ve kritik olarak, bu çalışma işinize derinlemesine özgüdür – bu da dayanıklı bir avantajdır. Her satıcı aynı modeli satabilir. Kimse sizin kendi tanımlarınızı satamaz.

Fair Game’i geliştirmek için Eddie adlı bir özel AI editörü oluşturdunuz. Sistem yazım sürecinde tam olarak ne yaptı ve başarıları ve başarısızlıkları, AI’yı son derece kişisel bir iş akışına göre tasarlamaya dair size ne öğretti?

Açık olmak gerekirse, kitabın her paragrafını sıfırdan ben yazdım, Eddie ise çoğunlukla oturup bekledi. Bazen bir bölümün tamamını saatlerce döşerken “ona” okumasını isterdim. Diğer zamanlarda ise her birkaç dakikada bir ona bir şeyler sorardım. Ancak kritik olarak, Eddie 7/24 hizmetteydi. Saat üçte de, bir öğleden sonra da aynı kolaylıkla geri bildirim alabiliyordum ve bir dakikadan daha kısa sürede yanıt veriyordu. Toplamda Eddie’nin el kitabını en az otuz kez okuduğunu tahmin ediyorum. Hiçbir insan bu işi yapamazdı, çünkü hiçbir insan bunu istemez.

Eddie, Üçüncü Bölümde verdiğim vaatleri izledi ve On İkinci Bölüm onları unuttuğunda beni uyardı. Yazı stilimi öğrendi ve bunu zorladı – kendi sesimin en iyi versiyonuna bağlı kalmamı sağladı, beni Esprisiz İş Yazarı moduna kaydırmadı. Bana tembel olduğum zamanları ve boşuna uğraştığım zamanları söyledi. Gerçek anlaşmazlıklarımız oldu ve bazen o kazandı.

En büyük tasarım dersi: Eddie’nin “beyni” İngilizce olarak yazılmış ve bir klasörde bulunuyor. Her seferinde geri bildirimi kaçırdığında – çok genel, yanlış üslup, daha önce belirttiğim bir kuralı unutması – düzeltme, hatayı yazarak kalıcı bağlamına eklemekti. Başarısızlıklar AI başarısızlıkları değildi; onları öğretmekteki eksikliklerdi. Bu döngü – hatayı fark et, dersi kodla, tuttur – özelleştirilmiş AI’nın minyatür bir bütünüdür. Ve bu yüzden tanıtım, rekabet araştırması ve web sitesi mesajları için özelleştirilmiş Eddie’ler oluşturdum. Altında aynı LLM var. Ama farklı uzmanlıklar.

Birçok organizasyon, özel AI’ye başlamadan önce verilerini tamamen temizleyip merkezileştirmeleri gerektiğine inanıyor. Gerçekten ne kadar veri hazırlığı gerekir ve şirketler mükemmel bir temel beklemeden nasıl değer üretmeye başlayabilir?

Veri mükemmelliği bir ön koşul değildir ve bu iyi bir haber, çünkü mükemmel hiç gelmez. Eğer birçok danışmanlık firmasının önerdiği gibi önce kusursuz bir veri varlığı inşa etmeye çalışırsanız, “kendi kendine boru” gibi bir şey inşa edersiniz – her yere giden pahalı borular, ama sonunda musluk takmak istediğinizde o noktada boru yoktur.

Şirketimiz “muslukları önce” yaklaşımını savunur. Belirli bir kullanım senaryosu seçin ve altyapıdan değil iş etkisinden geriye doğru ilerleyin. O senaryodan bir MVP (minimum uygulanabilir ürün) oluşturun ve mümkün olduğunca az yeni altyapı ile yapın. MVP’yi üretime hazır olana kadar yineleyin, ardından altyapınızı güçlendirmek için geri dönün. Bu, iş etkisini daha hızlı sağlar, maliyeti minimize eder ve gelecekteki projelere ışık tutar – hem musluk hem de boru seviyelerinde.

Özel bir AI prototipi, bir gösterimde etkileyici görünebilir ancak gerçek çalışanlara, değişen verilere ve uç durumlara maruz kaldığında güvenilirliğini yitirir. İç AI sisteminin operasyonel hale gelmeden önce hangi değerlendirme, izleme ve insan denetimi kurulmalıdır?

Birkaç istisna dışında, demoların AI çağında yazılım çağındaki kadar değerli olmadığını düşünüyorum. Yazılım demoları her zaman aşırı vaatlerde bulunurdu ve hepimiz bunu biliyorduk. Ancak AI demoları gerçekliğinizden daha da uzak olacaktır.

AI, iş akışıyla ilgilidir. Ve belirli bir organizasyonun operasyonlarını güçlendiren binlerce iş akışından daha özelleştirilmiş bir şey yoktur. “Her şeyi bilen bir PhD’ye sahip yeni işe alınan” metaforuna geri dönün. Yeni bir işe alınanın şirketinizde etkili olabilmesi için ne kadar eğitim – ve pratik deneyim – gerekir? Bir demo bu kadarını nasıl hesaba katabilir?

Bu yüzden demoları insanları düşünmeye teşvik etmek için kullanıyoruz. Olasılık sanatını göstermek için. Bir ürünü satmak için değil. Gerçek demo, özel çözümün prototipiyle başlar. MVP. Ve ardından yineleyip iyileştiririz. Hızla.

Bir noktada yumuşak bir lansman ya da pilot program için hazırdır. Ve yine, birlikte öğrenir ve bu öğrenmeye dayanarak hızlıca iyileştiririz. Bu genellikle izleme, değerlendirme ve denetimin netleştiği aşamadır. İhtiyacınız olan şeyler, baştan tahmin ettiğinizden çok farklı olabilir.

Şirketler, Crafters’ların deney yapmasını nasıl güçlendirebilir, aynı zamanda gölge AI sistemleri, tekrarlanan iş akışları, güvenlik açıkları ve kimsenin bakımını üstlenmediği araçların yeni bir neslini yaratmadan?

Gölge BT’nin nereden geldiğini hatırlayın: kötü niyetli değildi, karşılanmamış talebin gerekli bir karşılığıydı. Crafters, sorunlar onları rahatsız ettiği için inşa eder – bu genetik bir özellik. Onaylı yol bir yıl beklemek anlamına geliyorsa, gölge AI boşluğu dolduracak – ve radarın altından, en tehlikeli yerde.

Dolayısıyla onaylı şeridi kolay şerit yapın. Crafters’a kimlik, veri erişim, günlükleme gibi güvenlik çitleri önceden yerleştirilmiş onaylı bir platform verin – böylece uyumlu seçenek aynı zamanda pratik olur. Hafif bir kayıt tutun: kişisel deneyimden ikinci bir kişinin bağımlı olduğu bir şeye dönüşen her şey yazılı ve bir sorumlu sahibi olsun. Bu tek kural, isimsiz‑araç sorununu büyük ölçüde ortadan kaldırır, çünkü adı olan araçlar sessizce terk edilmez.

Ardından yükseltme modelini uygulayın: deneyler serbesttir, ancak bir şey görev‑kritik hâle geldiğinde – daha fazla kullanıcı, daha fazla hassasiyet, daha fazla özerklik – giderek daha fazla mühendislik incelemesi alır. Crafter iş mantığının sahipliğini sürdürür; bir geliştirici ise sertleştirilmesi gerekeni güçlendirir. Hedef, bir olgunluk hattı, izin süreci değil. Şirketler bu tam senaryoyu elektronik tablolarla zaten yürüttü ve kazananlar Excel’i yasaklayanlar değildi.

İlk özel AI girişimini başlatan bir şirket, başlangıç kullanım senaryosunu nasıl seçmeli, projenin anlamlı iş değeri sağladığını nasıl ölçmeli ve genişletme, yeniden tasarlama ya da bırakma kararını nasıl vermeli?

Müşterilerimizle kullandığımız iki başlangıç çeşidimiz var.

Seçenek bir, kimsenin yapmadığı işleri aramak – ortadan kaldırmak istediğiniz işler değil. Yöneticilere sormayı sevdiğim bir soru var: “Eğer bir kişi sürekli bunu izleseydi ve üzerine düşse, işler anlamlı bir şekilde daha iyi olurdu – ama bunun için bir tam zamanlı çalışanı haklı çıkaramazdım” diye düşündünüz mü? Bunlar genellikle en iyi başlangıç noktalarıdır. Güvenlidir, özgüven kazandırır, kimse hedef gibi hissetmez ve karşıt senaryo dürüsttür: alternatif, bir insanın iyi yapması değil, hiç kimsenin yapmamasıydı (örneğin editör arkadaşım Eddie).

Seçenek iki, panoları veri ajanlarıyla değiştirmeye bakmaktır. Panolar ne kadar basit görünse de, vaat ettiklerini gerçekte sunmada büyük eksiklikleri vardı. Birisi iş sorusu sorduğunda, o soruyu panolar ortamına çevirmek çok çaba gerektirir. Hangi pano bu soruya yanıt verir? Adı ne? Böyle bir pano var mı? Ve “doğru” panoyu bulursanız, kullanımı açık ve rahat mı? Tekrar tekrar manipüle edip, birden çok sürümü yazarak ya da ekran görüntüsü alarak ihtiyacınız olan genel resmi bir araya getirmeniz gerekiyor mu?

AI çağında, iş sorununuzu – kendi kelimelerinizle – bir veri ajanına yazar (veya sesli komutla) ve o da tüm süreci sizin için halleder, bir‑iki dakika içinde sertifikalı, iyi araştırılmış bir yanıt – görsellerle birlikte – döner. Takip sorunuz olduğunda, o da hızlıca yanıt verir – kararların hâlâ alınabildiği toplantı sırasında.

Her iki başlangıç seçeneğinin ortak noktası nedir? İkisi de çalışanların benimseyeceği, direnç göstermeyecekleri acı noktalarına hitap eder. Erken AI girişimlerinizin güvensizlik yaratmasını istemezsiniz. Bunun yerine çalışanları masaya getirmenizi istersiniz. Çalışanların iyileştirme ve yeni proje fikirleri önermesini istersiniz. Çünkü şirketiniz binlerce iş akışından oluşur ve çalışanlar bunları sizden daha iyi bilir.

Genişletme, yeniden tasarlama ya da bırakma konularında – kendinize nazik davranın, çünkü bu konudaki araştırma gerçekten rahatlatıcı: çoğu başarılı AI uygulaması öncesinde başarısızlıklar yaşamıştır. Bir ilk proje, bir geri dönüş yerine bir ders üretiyorsa, bu bir öğrenme maliyetidir, AI’nın işe yaramadığını gösteren kanıt değildir. Benim kuralım: insanlar kullanıyorsa, genişletin. Kullanılmıyorsa, neden kullanılmadığını öğrenin; bu, “iyi çalışmıyor”dan “anlamıyorum”a, “benden korkuyor”a kadar geniş bir yelpazede cevaplar olabilir. Yanıt, iyileştirme, yeniden tasarlama ya da bırakma kararını belirler. Her şeyin nereye varacağını tahmin etmeniz gerekmez. Sadece dürüst bir başlangıç yapmanız yeterli.

Harika röportaj için teşekkürler, okuyucular ayrıca Fair Game: Customizing AI to Your Business Is Easier Than You Think’ı da okumalı.