Yapay zekâ; açık veya örtük amaçlar doğrultusunda aldığı girdilerden tahmin, içerik, öneri ya da karar gibi çıktılar çıkaran makine tabanlı sistemleri kapsar. Her otomasyon yapay zekâ değildir; her yapay zekâ da insan gibi düşünmez, doğru sonuç garantisi vermez veya kurumsal sorumluluğu üstlenmez.
Yapay zekâ için kullanılabilir kısa tanım
Kurumsal kullanım açısından yapay zekâyı, girdi verilerinden belirli amaçlara yönelik çıktı üreten makine tabanlı sistemler olarak tanımlamak yararlıdır. Bu çıktılar; bir sınıflandırma, risk skoru, tahmin, öneri, metin, görsel, plan veya fiziksel ya da dijital bir ortamı etkileyen karar olabilir.
OECD'nin güncellenmiş tanımı ve Avrupa Birliği AI Act yaklaşımı, yalnızca “insan zekâsını taklit etme” gibi soyut bir ifadeye dayanmaz; sistemin girdilerden nasıl çıktı çıkardığına, özerklik seviyesine ve çıktıların çevre üzerindeki etkisine odaklanır. Bu yaklaşım kurumlar için daha işlevseldir; çünkü tartışmayı modelin ne kadar “akıllı” göründüğünden, sistemin ne yaptığına ve hangi sorumlulukları doğurduğuna taşır.
Bir yapay zekâ sistemi nelerden oluşur?
Kurumsal AI sistemi yalnız modelden ibaret değildir. Üretimde değer ve risk, aşağıdaki katmanların birlikte çalışmasından doğar:
Amaç ve kullanım bağlamı
Sistemin hangi iş problemini, hangi kullanıcı için ve hangi başarı ölçütüyle ele aldığı.
Veri ve bilgi
Eğitim, referans veya işlem sırasında kullanılan verinin kaynağı, niteliği, yetkisi ve güncelliği.
Model ve kurallar
Örüntü çıkaran model, iş kuralları, eşikler, istemler ve varsa bilgi getirme katmanı.
Uygulama ve entegrasyon
Model çıktısını kullanıcıya, iş akışına, API'ye veya başka bir sisteme bağlayan yazılım.
İnsan kontrolü
Onay, itiraz, istisna, geri alma, yetki sınırı ve yüksek etkili kararların gözetimi.
Ölçüm ve kayıt
Doğruluk, hata türü, maliyet, gecikme, kullanım, etki ve olay kayıtlarının izlenmesi.
Bu nedenle güçlü bir model satın almak, tek başına güçlü bir AI sistemi kurmak anlamına gelmez. Zayıf veri, belirsiz sorumluluk veya ölçülemeyen süreç; model kalitesi yüksek olsa bile kurumsal sonucu zayıflatabilir.
Yapay zekâ, makine öğrenmesi ve üretken AI arasındaki fark
| Kavram | Temel işlev | Örnek çıktı | Kurumsal dikkat |
|---|---|---|---|
| Kural tabanlı otomasyon | Önceden yazılmış açık kuralları uygular. | “Fatura tutarı eşikten büyükse onaya gönder.” | Kural sahipliği, istisna ve değişiklik yönetimi. |
| Makine öğrenmesi | Verideki örüntülerden tahmin veya sınıflandırma üretir. | Talep tahmini, sahtecilik skoru, müşteri kaybı olasılığı. | Veri kalitesi, sapma, açıklanabilirlik ve performans izlemesi. |
| Derin öğrenme | Çok katmanlı sinir ağlarıyla karmaşık örüntüleri işler. | Görüntü tanıma, konuşma çözümleme, dil modeli. | Yüksek veri/hesap ihtiyacı, test ve hata davranışı. |
| Üretken yapay zekâ | Öğrendiği dağılımlara dayanarak yeni içerik üretir. | Metin, kod, görsel, özet veya taslak. | Doğrulama, kaynak, telif, gizlilik ve halüsinasyon. |
| AI ajanı | Bir hedefe ulaşmak için adımları seçer ve araçlarla eylem gerçekleştirir. | Veri toplama, dosya üretme, sistem güncelleme, çok adımlı iş akışı. | Yetki, araç güvenliği, durdurma, kayıt ve insan gözetimi. |
Kavramların iç içe geçmesi mümkündür. Bir ajan üretken bir model kullanabilir; aynı çözüm, kural tabanlı kontroller ve makine öğrenmesi bileşenleri de içerebilir. Yönetim açısından önemli olan etiketi değil, sistemin fiilî davranışını ve etkisini belgelemektir.
Yapay zekâ ne değildir?
- Her yazılım veya otomasyon değildir. Sabit kurallarla çalışan bir süreç otomatik olabilir, fakat girdilerden çıkarım yapan bir AI bileşeni içermeyebilir.
- İnsan gibi anlama garantisi değildir. Akıcı dil, sistemin gerçek dünya bağlamını eksiksiz kavradığını veya söylediğinin doğru olduğunu kanıtlamaz.
- Doğruluk garantisi değildir. Modeller olasılıksal sonuç üretir; performans kullanım alanına, veriye, isteme ve test yöntemine göre değişir.
- Tarafsızlık garantisi değildir. Veri, hedef fonksiyonu, ürün tasarımı ve kullanım bağlamı sonuçları etkileyebilir.
- Sorumluluğu devralan bağımsız bir aktör değildir. Kurumun hukuki, etik, yönetsel ve operasyonel sorumlulukları devam eder.
- Tek seferlik satın alma değildir. Model, veri, tedarikçi ve tehdit ortamı değiştiği için yaşam döngüsü boyunca izleme gerekir.
Kurumsal değer nasıl okunmalıdır?
Bir AI fikrinin değeri, etkileyici demo veya model büyüklüğüyle değil, mevcut iş sonucundaki ölçülebilir değişimle değerlendirilmelidir. Aşağıdaki beş katman birlikte okunmalıdır:
- Problem: Mevcut süreçte süre, maliyet, kalite, kapasite veya risk açısından hangi somut sorun var?
- Uygunluk: Sorun örüntü çıkarma, tahmin, içerik üretme veya çok adımlı karar desteği gerektiriyor mu; daha basit bir yöntem yeterli olabilir mi?
- Kanıt: Pilot hangi temel ölçüme karşı, hangi örneklemde ve hangi hata sınırıyla test edildi?
- Toplam maliyet: Lisansın yanında entegrasyon, veri hazırlığı, güvenlik, gözden geçirme, eğitim ve izleme maliyeti nedir?
- Benimseme: Çıktıyı kim kullanacak, hangi kararı değiştirecek ve süreç sahibi sonucu nasıl sahiplenecek?
AI için uygun problem sinyalleri
Yüksek hacimli örüntü
Tekrarlanan bilgi işi
Ölçülebilir kalite ölçütü
Yeterli ve yetkili veri
İnsan kontrolüne uygun akış
Hata maliyeti yönetilebilir kapsam
Risk ve yönetişim neden sistemin parçasıdır?
NIST AI Risk Management Framework, AI risk yönetimini tasarım, geliştirme, kullanım ve değerlendirme yaşam döngüsüne yayılan bir süreç olarak ele alır. Kurumsal uygulamada bu, risk kontrolünün yayına çıkmadan önce başlayan ve kullanım boyunca devam eden bir faaliyet olması anlamına gelir.
| Risk alanı | Örnek sorun | Asgari kontrol |
|---|---|---|
| Doğruluk | Yanlış özet, sınıflandırma veya öneri | Alan bazlı test, eşik, insan onayı ve hata örneği kaydı |
| Veri koruma | Yetkisiz kişisel veya ticari verinin modele aktarılması | Veri sınıflandırması, erişim kuralı, sözleşme ve kayıt |
| Adalet ve ayrımcılık | Belirli gruplar için sistematik olumsuz sonuç | Etki analizi, temsil kontrolü, segment bazlı performans testi |
| Güvenlik | İstem enjeksiyonu, veri sızıntısı veya araç kötüye kullanımı | Yetki sınırı, güvenli araç tasarımı, izolasyon ve olay müdahalesi |
| Şeffaflık | Kullanıcının AI kullanımını veya karar mantığını anlayamaması | Uygun bilgilendirme, kayıt, açıklama ve itiraz kanalı |
| Tedarikçi | Model, fiyat, veri işleme veya hizmet koşullarının değişmesi | Çıkış planı, sürüm takibi, SLA ve alternatif senaryo |
Bir AI projesi için sorulması gereken 10 karar sorusu
- Çözülen iş problemi tek cümleyle ve başlangıç ölçümüyle tanımlı mı?
- AI kullanmadan daha basit, ucuz ve denetlenebilir bir çözüm var mı?
- Kullanılan verinin kaynağı, yetkisi, kalitesi ve saklama kuralı açık mı?
- Başarı ölçütü yalnız hız değil; doğruluk, hata maliyeti ve kullanıcı etkisini de kapsıyor mu?
- Yanlış sonucun etkilediği kişi, süreç veya finansal karar nedir?
- İnsan onayı hangi eşikte zorunlu, hangi işlemler geri alınabilir?
- Sistemin verdiği çıktı ve yaptığı eylemler yeterli ayrıntıyla kaydediliyor mu?
- Tedarikçi veya model değişirse yeniden test ve geçiş planı var mı?
- Pilot sonucu gerçek kullanım koşullarında ve yeterli örneklemle doğrulandı mı?
- Fayda, toplam sahip olma maliyeti ve kalan risk birlikte karar organına sunuluyor mu?
Kaynaklar ve gözden geçirme notu
Bu rehberde değişebilir veya teknik iddialar için öncelikle resmî kurum, ürün geliştiricisi ve birincil araştırma kaynakları kullanılmıştır. Bağlantılar 27 Temmuz 2026 tarihinde gözden geçirilmiştir.
- 01OECD — Updated definition of an AI system: explanatory memorandum
AI sistemi tanımı ve kavramsal sınırlar.
- 02European Commission — Guidelines on the AI system definition
AI Act kapsamındaki sistem tanımının pratik uygulanması.
- 03NIST — AI Risk Management Framework
AI risklerini yaşam döngüsü boyunca yönetmek için gönüllü çerçeve.
- 04NIST — Generative AI Profile
Üretken AI riskleri ve önerilen eylemler için AI RMF profili.