Yönetici özeti
Şirketlerde yapay zekâ kullanımı hızla artıyor. Çalışanlar metin yazıyor, sunum hazırlıyor, verileri özetliyor; departmanlar chatbot, otomasyon ve tahmin projeleri başlatıyor. Buna rağmen birçok yönetim ekibi aynı soruyla karşı karşıya: AI kullanımı artarken gelir, marj ve müşteri değeri neden aynı hızda artmıyor?
Temel sorun çoğu zaman yapay zekânın kapasitesi değildir. Sorun, teknoloji kullanımıyla ekonomik sonuç arasındaki yönetim bağlantısının kurulamamasıdır.
Şirketler genellikle altı noktada değer kaybeder:
- AI yatırımı ölçülebilir bir büyüme problemine bağlanmaz.
- Mevcut ve verimsiz iş akışının üzerine yeni bir araç eklenir.
- Kullanım senaryoları çok sayıda, küçük ve dağınık kalır.
- İş sonucu sahipliği teknoloji ekibine bırakılır.
- Çalışan davranışı ve görev tasarımı değişmez.
- Başarı lisans, kullanıcı veya üretilen içerikle ölçülür; finansal etki izlenmez.
Şirketler AI kullandıkları halde büyüyemiyor çünkü yapay zekâyı kurumsal hedeflere, yeniden tasarlanmış iş akışlarına, güvenilir veriye, hesap verebilir iş sahiplerine ve ölçülebilir finansal sonuçlara bağlayamıyor. Bireysel verimlilik, şirket büyümesine ancak kazanılan kapasite gelir, marj, müşteri değeri veya ölçeklenebilir bir sürece dönüştüğünde katkı sağlar.
AI kullanımı artıyor; ekonomik değer neden aynı hızda artmıyor?
AI kullanımının yaygınlaşması ile AI’dan değer üretmek aynı şey değildir.
McKinsey’nin 2025 küresel araştırmasında katılımcıların yüzde 88’i kurumlarının en az bir iş fonksiyonunda AI kullandığını bildiriyor. Buna karşılık AI kullanımından en az yüzde 5 EBIT etkisi ve anlamlı değer bildiren “yüksek performanslı” şirketler katılımcıların yaklaşık yüzde 6’sını oluşturuyor. Bu şirketleri ayıran özelliklerden biri, AI’ı mevcut işleyişe eklemek yerine iş akışlarını yeniden tasarlamaları. McKinsey — The State of AI 2025
BCG’nin 2025 yılında 1.250’den fazla şirketle yaptığı farklı bir araştırmada ise şirketlerin yalnızca yüzde 5’inin AI değerini ölçekli biçimde üretebildiği, yüzde 60’ının önemli gelir veya maliyet etkisi bildirmediği belirtiliyor. Yüzde 35’lik grup bazı sonuçlar elde etse de henüz yeterli hız ve ölçekte ilerlemiyor. Bu oranlar farklı araştırma yöntemlerine dayanıyor; ancak ortak mesaj aynı: AI kullanımı yaygın, kurumsal değer üretimi ise sınırlı ve yoğunlaşmış durumda. BCG — The Widening AI Value Gap
Bu tablo bir teknoloji krizinden çok bir işletim modeli krizine işaret ediyor. Şirketler AI’ı kullanıyor; fakat AI ile yönetim kararlarını, süreçleri ve ekonomik sistemi yeterince değiştiremiyor.
Kullanmak ile büyümek arasındaki fark
AI kullanımı bir aktivite, büyüme ise bir iş sonucudur.
Bir çalışanın iki saatte hazırladığı raporu 20 dakikada tamamlaması değerlidir. Fakat kazanılan 100 dakika daha fazla müşteri ziyareti, daha hızlı karar, daha yüksek kapasite veya daha düşük maliyete dönüşmüyorsa şirket bilançosunda görünmez.
| AI kullanım sonucu | İlk bakışta görülen fayda | Büyüme için gereken bağlantı |
|---|---|---|
| Daha hızlı içerik üretimi | Üretim adedi artar | Doğru hedefleme, dönüşüm ve artan gelir |
| Daha hızlı teklif hazırlama | Satışçı zaman kazanır | Daha fazla nitelikli teklif veya daha yüksek kazanma oranı |
| Otomatik müşteri yanıtı | İşlem maliyeti düşebilir | Çözüm kalitesi, memnuniyet ve müşteriyi tutma |
| Daha fazla lead üretimi | Form sayısı artar | Lead kalitesi, satış kabulü ve katkı marjı |
| Daha hızlı veri analizi | Raporlama süresi kısalır | Kararın değişmesi ve finansal sonuca yansıması |
| Talep tahmini | Öngörü oluşur | Stok, kapasite veya fiyatlama kararının uygulanması |
Bu nedenle yönetimin sorması gereken soru “Kaç kişi AI kullanıyor?” değil, “AI hangi kararı değiştirdi ve bunun ekonomik etkisi ne oldu?” olmalıdır.
Yerel verimlilik neden kurumsal büyümeye dönüşmez?
Üretken yapay zekâ belirli görevlerde gerçek verimlilik artışı sağlayabilir. NBER tarafından yayımlanan, 5.179 müşteri hizmetleri çalışanını kapsayan saha araştırmasında AI desteği saat başına çözülen müşteri talebini ortalama yüzde 14 artırdı. Ancak etki çalışan grupları arasında eşit değildi; kazanımlar daha çok daha az deneyimli çalışanlarda yoğunlaştı. NBER — Generative AI at Work
Bu sonuç iki önemli dersi gösterir:
- AI’ın etkisi görev, çalışan, veri ve süreç bağlamına göre değişir.
- Görev seviyesindeki verimlilik otomatik olarak şirket seviyesinde büyüme değildir.
Kurumsal büyüme için aşağıdaki değer zincirinin tamamlanması gerekir:
AI kullanımı → davranış veya iş akışı değişimi → operasyonel KPI → finansal KPI → ölçeklenebilir sistem
Zincirin herhangi bir halkası koparsa AI kullanılır ama değer sınırlı kalır.
ST AI Değer Açığı Modeli
AI Değer Açığı, bir şirketin yapay zekâdan teknik veya görev bazlı fayda elde etmesiyle bu faydayı ölçülebilir gelir, marj, müşteri değeri ve kurumsal kapasiteye dönüştürmesi arasındaki farktır.
ST AI Değer Açığı Modeli, bu farkın altı temel yönetim alanında oluştuğunu söyler.
| Değer açığı | Yönetimde görülen belirti | Ekonomik sonucu |
|---|---|---|
| 1. Strateji açığı | AI projeleri büyüme hedefinden bağımsız seçilir | Kaynaklar düşük etkili alanlara dağılır |
| 2. İş akışı açığı | AI mevcut sürecin üzerine eklenir | Hız artar, toplam süreç değişmez |
| 3. Veri ve entegrasyon açığı | Veri dağınık, gecikmeli veya güvenilmezdir | Çıktı kullanılamaz ya da manuel kontrolde kaybolur |
| 4. Sahiplik açığı | Proje BT’nin veya tedarikçinin sorumluluğunda kalır | İş birimi sonuçtan hesap vermez |
| 5. Benimsenme açığı | Çalışan davranışı ve görev tanımı değişmez | Lisans alınır ama kullanım kalıcı olmaz |
| 6. Ölçüm ve ölçek açığı | Pilot KPI’ı, finansal etki ve karar eşiği yoktur | Proje ne durdurulur ne de ölçeklenir |
Bu açıklar birbirinden bağımsız değildir. Örneğin strateji açığı yanlış kullanım senaryosuna; yanlış senaryo veri sorununa; veri sorunu kullanıcı güvensizliğine; güvensizlik düşük benimsenmeye; düşük benimsenme de zayıf ROI sonucuna dönüşür.
1. Strateji açığı: AI bir büyüme problemine bağlanmıyor
Birçok şirket “Nerede AI kullanabiliriz?” sorusuyla başlıyor. Bu soru doğal görünse de teknoloji merkezlidir. Doğru başlangıç sorusu şudur:
Strateji açığının sık görülen belirtileri:
- Kullanım senaryoları çalışan önerileri veya tedarikçi demolarıyla seçilir.
- Proje hedefinde gelir, marj, müşteriyi tutma veya kapasite metriği yoktur.
- “Rakipler kullanıyor” yatırım gerekçesi olur.
- Aynı anda çok fazla pilot başlatılır.
- Şirketin esas darboğazıyla bağlantısı zayıf projeler hızlı kazanım diye seçilir.
AI yatırımı doğrudan kurumsal hedefe bağlanmalıdır. Örneğin “satışta AI” bir strateji değildir. “Nitelikli tekliflerin hazırlanma süresini azaltarak aynı ekiple aylık teklif kapasitesini yüzde 30 artırmak” ölçülebilir bir stratejik hipotezdir.
2. İş akışı açığı: Kötü sürecin üzerine iyi teknoloji ekleniyor
AI, bozuk bir sürecin üzerine eklendiğinde çoğu zaman yalnızca sürecin bir bölümünü hızlandırır. Öncesindeki bekleme, sonrasındaki onay veya departmanlar arasındaki devir aynı kaldığı için toplam sonuç değişmez.
Örneğin teklif metni 90 dakikadan 15 dakikaya düşebilir. Ancak fiyat onayı iki gün sürüyor, ürün bilgisi güncel değil ve satışçı doğru müşteriye odaklanmıyorsa satış çevrimi anlamlı biçimde kısalmaz.
McKinsey’nin 2025 araştırması, incelenen 25 kurumsal özellik içinde iş akışı yeniden tasarımının üretken AI kullanımından EBIT etkisi elde etmeyle en güçlü ilişkiye sahip unsur olduğunu bildiriyor. Buna rağmen üretken AI kullanan şirketlerin yalnızca yüzde 21’i en az bazı iş akışlarını temel düzeyde yeniden tasarladığını belirtiyor. McKinsey — Rewiring to Capture Value
Yönetim, her kullanım senaryosunda süreci baştan sona incelemelidir:
- Hangi görev tamamen kaldırılabilir?
- Hangi görev AI tarafından desteklenebilir?
- Hangi karar insanda kalmalıdır?
- Hangi onay gerçekten gereklidir?
- AI çıktısı hangi sisteme ve aksiyona bağlanacaktır?
- Sonucun sahibi kimdir?
3. Veri ve entegrasyon açığı: AI doğru bağlama ulaşamıyor
Birçok kurumsal AI uygulaması model yetersiz olduğu için değil, şirketin gerçek verisine ve iş akışına güvenilir biçimde bağlanamadığı için değer üretemez.
Tipik problemler şunlardır:
- Müşteri bilgileri CRM, Excel, e-posta ve kişisel notlarda dağınıktır.
- Ürün, fiyat ve stok bilgileri güncel değildir.
- Aynı müşterinin farklı sistemlerde farklı kimlikleri vardır.
- Model çıktısı tekrar manuel olarak başka sisteme girilir.
- Veri sahipliği ve erişim yetkisi belirsizdir.
- Başarı sonucunu modele geri besleyecek kayıt tutulmaz.
OECD’nin şirketlerde AI benimsenmesine ilişkin çalışması, AI uygulamalarından önce iş süreçlerini ve müşteri–tedarikçi etkileşimlerini sistematik biçimde kaydeden dijital altyapının önemini vurguluyor. AI, şirketin bilmediği veya kaydetmediği gerçeği kendiliğinden oluşturamaz. OECD — The Adoption of Artificial Intelligence in Firms
Ancak çözüm bütün veriyi tek projede mükemmelleştirmek de değildir. Doğru yaklaşım, seçilen kullanım senaryosunun ihtiyaç duyduğu minimum güvenilir veri setini kurmak ve değer kanıtlandıkça genişletmektir.
4. Sahiplik açığı: İş sonucu kimsenin sorumluluğunda değil
AI projesinin teknoloji sahibi olabilir; fakat mutlaka bir iş sonucu sahibi olmalıdır.
Teknoloji ekibi modelin çalışmasından, entegrasyondan ve güvenlikten sorumludur. Satış, pazarlama, operasyon veya finans lideri ise sürecin değişmesinden, kullanıcı benimsenmesinden ve ekonomik KPI’dan sorumludur.
Sahiplik açığında şu durumlar görülür:
- Proje BT bütçesinden yürütülür, iş birimi sonucu sahiplenmez.
- Tedarikçi başarıyı “sistem kuruldu” şeklinde raporlar.
- Pilot bittiğinde ölçekleme bütçesini kimin vereceği bilinmez.
- Model hatalarında karar yetkisi belirsizdir.
- ROI raporu teknoloji maliyetine bakar, iş sonucuna bakmaz.
CEO’nun görevi her AI projesini yönetmek değildir. CEO’nun görevi, hangi yöneticinin hangi iş sonucundan hesap vereceğini netleştirmektir.
5. Benimsenme açığı: Çalışanlara araç veriliyor, iş yeniden tasarlanmıyor
AI eğitimi gereklidir ama tek başına yeterli değildir. İnsanlar günlük işlerinde kullanmaları beklenen sistemi güvenilir, kolay ve performans hedefleriyle uyumlu bulmazsa eski yöntemlerine döner.
Benimsenme açığının nedenleri:
- Eğitim genel kalır; role özgü gerçek iş akışına uygulanmaz.
- Çalışan AI çıktısını kontrol etmek için daha fazla zaman harcar.
- Hata sorumluluğu çalışanda, karar yetkisi sistemdedir.
- Yönetici sistemi kullanmaz ama ekipten kullanım bekler.
- Performans, prim veya kalite standardı değişmez.
- Çalışanlar iş kaybı ve uzmanlık değeri konusunda kaygı duyar.
BCG’nin 2025’te 10.600’den fazla çalışanla yaptığı araştırmada AI’ın düzenli kullanımının yaygınlaştığı; buna karşılık gerçek iş değerinin, araç dağıtımının ötesine geçip iş akışlarını yeniden tasarlayan daha küçük bir şirket grubunda yoğunlaştığı belirtiliyor. BCG — AI at Work 2025
Kalıcı benimsenme için dört unsur birlikte değişmelidir:
- Rol ve görev tanımı,
- iş akışı ve kullanılan sistem,
- performans ölçümü,
- eğitim, destek ve geri bildirim.
6. Ölçüm ve ölçek açığı: Şirket aktiviteyi başarı sanıyor
AI programlarında sık raporlanan göstergeler şunlardır:
- Satın alınan lisans sayısı,
- aktif kullanıcı sayısı,
- üretilen içerik veya prompt sayısı,
- tamamlanan pilot sayısı,
- kazanıldığı tahmin edilen saat.
Bu göstergeler faydalıdır; fakat ekonomik değer değildir.
Yönetim raporunda aşağıdaki zincir birlikte görünmelidir:
| Ölçüm katmanı | Örnek gösterge |
|---|---|
| Kullanım | Aktif kullanıcı, kullanım sıklığı |
| Davranış | Öneri kabul oranı, iş akışında kullanım |
| Operasyonel sonuç | Süre, hata, kapasite, dönüşüm |
| Finansal sonuç | Artan katkı marjı, önlenen maliyet, korunan müşteri değeri |
| Risk | Kritik hata, veri olayı, insan müdahalesi |
| Ölçek | Birim maliyet, tekrar kullanılabilirlik, geri ödeme süresi |
BCG’nin 2025 AI Radar çalışması, değer üreten şirketlerin daha az sayıda kullanım senaryosuna yoğunlaştığını ve finansal sonuçları sistematik ölçtüğünü belirtiyor. Araştırmada lider şirketlerin ortalama 3,5; diğer şirketlerin ise 6,1 kullanım senaryosuna odaklandığı aktarılıyor. Çok sayıda proje, ilerleme görüntüsü yaratabilir; ancak yönetim ve teknik kapasiteyi dağıtabilir. BCG — Closing the AI Impact Gap
AI kullanımından büyümeye geçiş için değer köprüsü
Bir AI uygulamasının büyüme üretmesi için altı sorunun kesintisiz cevaplanması gerekir:
- Hedef: Hangi gelir, marj, müşteri veya kapasite metriği değişecek?
- Karar: AI hangi kararı daha hızlı veya daha doğru hale getirecek?
- İş akışı: Bu karar gerçek süreçte nasıl uygulanacak?
- Davranış: Çalışan veya müşteri neyi farklı yapacak?
- Ekonomi: Değişim finansal değere nasıl dönüşecek?
- Ölçek: Sonuç başka ekip, bölge veya müşteri grubunda tekrarlanabilir mi?
Bu altı sorudan biri cevapsızsa değer köprüsü eksiktir.
Şirket mevcut AI yatırımlarını nasıl düzeltmeli?
İlk 30 gün: AI portföyünü ekonomik sonuç açısından yeniden görün
- Bütün resmi ve gölge AI kullanımlarını envanterleyin.
- Her proje için maliyet, iş sahibi, kullanıcı ve KPI bilgisini çıkarın.
- Kullanım metriği ile finansal metriği ayırın.
- Başlangıç değeri olmayan projeleri işaretleyin.
- Aynı probleme yönelik tekrar eden araçları belirleyin.
- Hukuki, güvenlik veya itibar riski yüksek kullanımları sınıflandırın.
Bu aşamada amaç bütün projeleri durdurmak değil; hangi projenin deneme, hangisinin yatırım olduğunu görünür hale getirmektir.
31–60. gün: Portföyü daraltın ve iş akışını yeniden tasarlayın
- En yüksek ekonomik etkiye sahip 1–3 kullanım senaryosunu seçin.
- Süreci AI öncesi ve sonrası olarak uçtan uca tasarlayın.
- Gereksiz görev ve onayları kaldırın.
- İş sonucu sahibi ile teknik sahibi ayırın.
- Başlangıç KPI’ı, hedef, risk eşiği ve durdurma kuralı belirleyin.
- Kullanıcıları tasarım ve test sürecine dahil edin.
61–90. gün: Finansal kanıt üretin ve ölçekleme kararı verin
- AI destekli süreci mevcut yöntem veya kontrol grubuyla karşılaştırın.
- Artan gelir ile zaten oluşacak geliri ayırın.
- Zaman tasarrufunun kapasite veya maliyete dönüştüğünü doğrulayın.
- Toplam sahip olma maliyetini hesaplayın.
- İnsan onayı, izleme ve hata müdahalesini devreye alın.
- Ölçekle, düzelt veya durdur kararını yönetim seviyesinde belgeleyin.
AI yatırımının büyüme etkisi nasıl hesaplanır?
AI net iş değeri = Artan katkı marjı + korunan müşteri değeri + doğrulanmış kapasite değeri + önlenen maliyet − toplam sahip olma maliyeti
Toplam sahip olma maliyeti yalnızca lisans bedeli değildir. Veri hazırlığı, entegrasyon, geliştirme, eğitim, değişim yönetimi, insan kontrolü, güvenlik, hukuk, bakım ve hata düzeltme maliyetleri de hesaba katılmalıdır.
Üç ölçüm hatasından kaçınılmalıdır:
- Korelasyonu etki sanmak: AI kullanan müşterilerin daha fazla satın alması, artışın AI nedeniyle oluştuğunu tek başına kanıtlamaz.
- Zamanı doğrudan para saymak: Kazanılan süre kullanılmıyorsa ekonomik değer gerçekleşmemiştir.
- Geliri kârlılık sanmak: İskonto, medya ve hizmet maliyeti sonrasında katkı marjı düşebilir.
CEO’nun yönetim toplantısında sorması gereken 12 soru
- AI hangi kurumsal büyüme problemini çözüyor?
- Bugünkü başlangıç performansı nedir?
- Ana ekonomik KPI hangisidir?
- AI hangi kararı veya davranışı değiştirecek?
- Süreç uçtan uca yeniden tasarlandı mı?
- İş sonucundan sorumlu yönetici kimdir?
- Gerekli veri erişilebilir ve güvenilir mi?
- Çalışan sistemi günlük işinde neden kullanacak?
- En pahalı hata senaryosu nedir?
- İnsan onayı hangi durumda zorunludur?
- Toplam sahip olma maliyeti nedir?
- Devam, ölçekleme ve durdurma eşikleri nelerdir?
Bu sorulara net cevap verilemiyorsa şirket AI kullanıyor olabilir; fakat henüz AI ile büyümeyi yönetmiyordur.
Sonuç: Sorun AI kullanmamak değil, AI’ı ekonomik sisteme bağlayamamaktır
Şirketlerin büyüyememesinin temel nedeni yapay zekânın yetersizliği değildir. Çoğu şirket AI’ı çalışanların görevlerini hızlandıran bir araç olarak kullanırken, büyüme üreten karar ve iş akışlarını değiştirmemektedir.
Gerçek değer için beş geçiş gerekir:
- Araçtan büyüme problemine,
- görevden uçtan uca iş akışına,
- kullanıcı sayısından davranış değişimine,
- zaman tasarrufundan ekonomik sonuca,
- pilottan tekrar edilebilir işletim sistemine geçiş.
AI yatırımları ancak gelir, marj, müşteri değeri veya kurumsal kapasiteyle ölçülebilir bir bağ kurduğunda büyüme üretir. Yönetimin hedefi daha fazla AI projesi başlatmak değil; daha az sayıda doğru projeyi iş akışı, insan ve finansal sonuçla birlikte ölçeklemek olmalıdır.
Çünkü AI kullanımı çoğu zaman ölçülebilir büyüme hedeflerine, yeniden tasarlanmış iş akışlarına, güvenilir veriye, iş birimi sahipliğine ve finansal KPI’lara bağlanmıyor. Yerel verimlilik oluşsa bile şirket seviyesinde gelir veya marj etkisi gerçekleşmeyebiliyor.
Kullanım oranı benimsenmeyi gösterir; ancak tek başına iş değeri göstermez. Başarı için kullanımın davranış değişimine, operasyonel KPI’a ve ardından artan katkı marjı, maliyet veya müşteri değeri gibi finansal sonuca dönüşmesi gerekir.
Pilotlar çoğunlukla gerçek veri, sistem entegrasyonu, süreç sahipliği, kullanıcı davranışı ve toplam maliyet test edilmeden hazırlanır. Kontrollü ortamda çalışan demo, günlük operasyonun karmaşıklığına geçtiğinde değerini kaybedebilir.
İlk KPI kullanım senaryosunun ekonomik amacına göre seçilmelidir. Satış projesinde kazanma oranı veya satış çevrimi; müşteri hizmetlerinde çözüm maliyeti ve memnuniyet; operasyonda hata, kapasite veya çevrim süresi kullanılabilir. Her projede tek ana sonuç KPI’ı bulunmalıdır.
Eğitim bilgiyi artırır; ancak görev tanımı, iş akışı, performans sistemi ve yönetici davranışı değişmezse kullanım günlük işe yerleşmez. Eğitim, gerçek kullanım senaryosu ve iş tasarımıyla birlikte yürütülmelidir.
Teknik uygulamanın bir teknoloji sahibi, ekonomik sonucun ise ilgili iş biriminden bir yönetici sahibi olmalıdır. Satış dönüşümü projesinin iş sonucu satış liderine; teknik güvenlik ve entegrasyonu teknoloji ekibine ait olmalıdır.
Sabit bir sayı yoktur; ancak erken aşamada az sayıda ve yüksek etkili kullanım senaryosuna yoğunlaşmak daha sağlıklıdır. Yönetim kapasitesi, veri hazırlığı ve ölçekleme bütçesi sınırlıyken çok sayıda pilot başlatmak kaynakları dağıtır.
Önceden belirlenen kalite, risk, maliyet veya ekonomik değer eşiği karşılanmıyorsa; veri ve benimsenme sorunu makul maliyetle çözülemiyorsa proje durdurulmalı veya yeniden tasarlanmalıdır. Durdurma kararı başarısızlık değil, sermaye disiplinidir.
