İç Dokümantasyon İçin Yapay Zeka Asistanı Nasıl Kurulur?

İç dokümanlara yönelik yapay zeka asistanı, şirket prosedürleri, ürün rehberleri ve eğitim materyalleri içinde arama yapar; çalışan sorularını kaynak göstererek yanıtlar. Güvenilir çalışması için dokümanların güncel olması, kullanıcı izinlerinin doğru tanımlanması, kaynak bağlantılarının görünmesi ve yanıt bulunamadığında sistemin bunu açıkça söylemesi gerekir.

Şirketinizde bilgi eksik olmayabilir. Asıl sorun, bilginin hangi dosyada güncel kaldığının, kimlerin erişebileceğinin ve doğru yanıtın kimde olduğunun hızlıca anlaşılamamasıdır. PDF’lere, Google Drive klasörlerine, eski e-postalara, Excel dosyalarına ve birkaç kıdemli çalışanın hafızasına dağılmış bilgi, ekip büyüdükçe işi yavaşlatır.

Microsoft’un 2023 Work Trend Index araştırmasına göre çalışanların %62’si iş günü içinde bilgi aramak için fazla zaman harcadığını söylüyor. Sorun yalnızca aramaya ayrılan süre değildir. Yanlış prosedürün kullanılması, güncel olmayan teklif şablonunun gönderilmesi veya yetkisiz bilginin paylaşılması daha maliyetli sonuçlar doğurur.

Öne Çıkanlar

• İç bilgi asistanı, kaynak gösteremediği sorularda tahmin yürütmemelidir.
• RAG, sürekli değişen şirket prosedürleri için fine-tuning’den önce değerlendirilmesi gereken yaklaşımdır.
• Kullanıcı yetkileri yalnızca belge yüklenirken değil, her sorguda uygulanmalıdır.
• İlk pilot tüm Drive veya e-posta arşiviyle değil, tek departmanın güncel ve düşük riskli belgeleriyle başlamalıdır.
• Başarı, asistanın ne kadar çok cevap verdiğiyle değil; kaynaklı doğru yanıt, cevapsız bırakma ve bilgi bulma süresindeki iyileşmeyle ölçülmelidir.

İç dokümantasyon asistanı ne yapar?

İç dokümantasyona yönelik yapay zeka asistanı, şirketin onaylı bilgi kaynaklarında doğal dille arama yapar. Çalışan, “E17 hata kodunda ilk olarak hangi parçayı kontrol etmeliyim?” diye sorar. Sistem ilgili bakım kılavuzunu bulur, doğru bölümü getirir ve yanıtını bu kaynağa dayandırır.

Bu yapı, dokümanları sihirli biçimde “öğrenen” bir sohbet penceresi değildir. Görevi, doğru kullanıcıyı doğru dokümana ve o dokümanın doğru sürümüne daha kısa sürede ulaştırmaktır.

AWS’nin tanımladığı biçimiyle RAG (retrieval-augmented generation), model yanıt üretmeden önce dış kaynaklarda ilgili içeriği bulur ve bu içerikleri yanıta bağlar. Şirket prosedürleri, ürün bilgileri ve sık değişen politikalar için RAG yaklaşımı bu nedenle anlamlı bir başlangıçtır.

Klasik arama, genel yapay zeka ve RAG arasındaki fark

Geleneksel dosya aramasında çalışan, doğru anahtar sözcüğü bilmek zorundadır. Dosyanın adı “Revize_Prosedur_Final_v3” ise, “iade onay sırası” araması her seferinde doğru sonucu vermeyebilir.

Genel kullanımlı yapay zeka, şirketinizin güncel prosedürlerini varsayılan olarak bilmez. Ayrıca çalışan bir dokümanı doğrudan sohbet aracına yüklediğinde veri işleme şartları, erişim kısıtları ve kayıtların nasıl tutulduğu da değerlendirilmelidir.

RAG tabanlı kurum içi yapay zeka asistanı şu akışı kurar:

1. Onaylı kaynaklarda soruyla ilgili bölümleri bulur.
2. Kullanıcının erişim yetkisini kontrol eder.
3. Yanıtı yalnızca izinli kaynaklara dayandırır.
4. Belge adı, bölüm ve güncelleme bilgisiyle kaynağı gösterir.
5. Kaynak yetersizse tahmin etmek yerine bunu açıkça söyler.

Asistanın cevap vermesi değil, kaynak göstermesi gerekir

En iyi iç bilgi asistanı, en çok konuşan asistan değildir. Kaynak bulamadığında yanıt vermeyen asistandır.

Bir yanıtın altında yalnızca “Kaynak: Drive” yazması yeterli değildir. Kullanıcının şunları görebilmesi gerekir:

• Belgenin adı ve resmi sürümü
• İlgili başlık, sayfa veya bölüm
• Son güncellenme tarihi
• Mümkünse orijinal belgeye geçiş bağlantısı
• Cevabın hangi kaynaklara dayandığı

Microsoft’un 2026 Work Trend Index çalışmasında AI kullanıcılarının %86’sı, çıktıyı nihai yanıt değil, başlangıç noktası olarak gördüğünü söylüyor. Bu doğru yaklaşımdır. Asistan karar vermez; çalışanın doğrulayabileceği bilgiyi hızlıca bulur.

RAG neden fine-tuning’den önce düşünülmeli?

Fine-tuning, modelin belirli bir veri setiyle yeniden eğitilmesidir. Ancak şirket prosedürleri her güncellendiğinde modeli yeniden eğitmek, güncel bilgiye erişmek için uygulanabilir bir ilk adım değildir.

RAG kullanan yapay zeka asistanında doküman güncellenir, eski sürüm kaldırılır ve indeks yeniden oluşturulur. Böylece yanıtların hangi kaynağa dayandığı izlenebilir. Departman ve rol temelli erişim sınırları da doküman düzeyinde uygulanabilir.

Şirketinizde hangi sorunları çözebilir?

Kurumsal yapay zeka asistanı, bilgisini düzenli biçimde dokümante eden ekiplerde iyi çalışır. Özellikle aynı soruların her hafta aynı çalışanlara yöneltildiği süreçlerde fayda sağlar.

Örneğin teknik servisteki kıdemli bir teknisyen, her pazartesi aynı soruyu en az dört kez duyar: “X modelinde E17 hatasında neye bakıyoruz?” Yanıt aslında 86 sayfalık bakım PDF’inin 42. sayfasındadır. Ancak dosyanın adı eskidir, klasörün yeri yıllar önce değişmiştir ve işe yeni başlayanlar kılavuzu bulamaz.

Kaynak gösteren bir doküman arama asistanı, ilgili bölümü ve belgenin sürümünü gösterir. Çalışan yanıtı kontrol eder, teknisyenin telefonu çalmaz. Daha önemlisi, pilot çalışmada ekip eski bakım kılavuzunun hâlâ erişime açık olduğunu fark eder. Asistan yalnızca yanıt vermez; dokümantasyondaki boşluğu da görünür kılar.

Uygun kullanım alanları şunlardır:

• Teknik servis: Arıza kodları, bakım talimatları, parça kontrol sırası
• İK: İzin, masraf, uzaktan çalışma ve işe giriş prosedürleri
• Operasyon: Sipariş, iade, kalite ve onay akışları
• Satış: Güncel ürün özellikleri, teklif şablonları ve teslimat koşulları
• Müşteri destek: Onaylı garanti ve ürün bilgilerine dayalı yanıtlar
• Yeni çalışan eğitimi: İlk 30 günde tekrar eden süreç soruları

Çözmeyeceği sorunlar

İç dokümantasyon asistanı, şirketin karar alma sorumluluğunu üstlenmez. Resmî bir kaynağa dayanmayan kararları güvenilir hale getiremez.

Aşağıdaki durumlarda sistemin yanıt vermemesi veya insan onayına yönlendirmesi gerekir:

• Birbiriyle çelişen veya güncel olmayan prosedürler
• Hukuk, finans, disiplin veya iş güvenliği açısından yüksek riskli kararlar
• Henüz yazılı hale getirilmemiş yönetim kararları
• Kullanıcının normalde erişemediği hassas belgeler
• Belge dışında yorum, istisna veya onay gerektiren talepler

Bu sınırlar baştan tanımlanmazsa, “bilgi asistanı” diye alınan ürün kısa sürede doğrulanmamış yanıtlar üreten bir sohbet arayüzüne dönüşür.

Güvenilir bir asistan için 6 zorunlu şart

Şirket dokümanlarıyla çalışan yapay zeka, yalnızca PDF yüklenerek kurulmaz. Üretimde kullanılabilecek bir yapı için aşağıdaki altı koşul gerekir.

1. Resmî ve güncel belge listesi

Önce hangi kaynakların resmî kabul edildiği belirlenmelidir. Google Drive’daki tüm klasörleri, eski SharePoint alanlarını ve e-posta arşivlerini aynı anda bağlamak hız kazandırmaz. Kontrol kaybı yaratır.

Her dokümanın bir sorumlusu olmalıdır. Bu kişi, belgenin güncel kalmasından, yeni sürüm geldiğinde eskisinin kaldırılmasından ve içeriğe hangi ekiplerin erişebileceğinden sorumlu olur.

2. Kaynak gösteren yanıtlar

Bir yanıtın doğru görünmesi, gerçekten doğru olduğu anlamına gelmez. Bu nedenle kaynak görünürlüğü bir ürün özelliği değil, kalite denetimidir.

Kullanıcı yanıtı gördüğünde dokümanı açabilmeli ve gerektiğinde bağlamı inceleyebilmelidir. Kaynak tıklama oranı da pilot sürecinde izlenmesi gereken bir metriktir: çalışanlar kaynakları hiç açmıyorsa sistem gereğinden fazla kesin konuşuyor olabilir.

3. Sorgu anında kullanıcı yetkisi kontrolü

“Tüm dokümanları güvenli bir indekse aldık” demek yeterli bir güvenlik açıklaması değildir. Kullanıcının normalde erişemediği bir belge, asistanın yanıtında da görünmemelidir.

Doğru yön şudur: yetkilendirme sonradan eklenen bir kutucuk değil, mimarinin başlangıç noktasıdır.

4. “Bulamadım” diyebilme kuralı

Asistanın “Bu kaynaklarda doğrulanmış bir yanıt bulamadım” demesi başarısızlık değildir. Tahmin ederek prosedür uydurmasından çok daha güvenlidir.

Bu ilke, özellikle yüksek riskli alanlarda önemlidir. Kaynaklar yetersiz kaldığında sistem, kullanıcıyı doğru ekibe, belge sahibine veya resmî süreç bağlantısına yönlendirmelidir.

5. Belge güncelleme ve eski sürümü kaldırma süreci

Yeni sürüm yüklenirken eski sürüm sistemde kalırsa, asistan iki ayrı prosedürü aynı anda doğru kabul edebilir. Bu, modelden önce bir bilgi yönetimi sorunudur.

Belgenin sürüm numarası, güncellenme tarihi, sahibi ve arşivleme kuralı açık olmalıdır. Yeni prosedür yayımlandığında indeksin ne zaman yenileneceği de tanımlanmalıdır.

6. Gerçek çalışan sorularıyla düzenli kalite testi

Demo sırasında sorulan beş iyi soru, üretim kalitesini kanıtlamaz. Test seti, çalışanların gerçekte sorduğu sorulardan oluşturulmalıdır.

Bu set hem kolay soruları hem de asistanın yanıtlamaması gereken soruları içermelidir. Yanıt doğruluğunun yanında, yanlış yerde sessiz kalabilme becerisi de değerlendirilmelidir.

Kırmızı bayrak: “Sıfır halüsinasyon”, “önce tüm veriyi bağlayalım” veya “yetkileri sonra ekleriz” cümleleri güvenilir kurulum planı değildir.

Hangi dokümanlarla başlanmalı?

İlk pilotun amacı şirketin tüm bilgisini sisteme bağlamak değildir. Amaç, sınırlı bir problem alanında sistemin gerçekten güvenilir çalışıp çalışmadığını görmektir.

Başlangıç için en uygun doküman seti şu niteliklere sahip olur:

• Tek bir departmana aittir.
• Sık sorulan soruları kapsar.
• Belge sahipleri bellidir.
• Sürümleri görece düzenlidir.
• Yüksek riskli karar üretmez.
• Kullanıcı erişim sınırları tanımlanabilir.

Yeni çalışan operasyon rehberi, teknik servis bakım kılavuzları veya standart iade prosedürleri iyi pilot seçenekleridir.

Büyüyen bir dağıtım şirketinin operasyon yöneticisinin önce şirketin tüm Drive’ını bağlamayı planladığını düşünün. İnceleme sonunda 14 farklı “iade süreci” dosyası çıkabilir. Bunların dördü güncel değildir, üçünün sorumlusu belli değildir ve ikisi yalnızca finans ekibinin görmesi gereken müşteri bilgilerini içerir.

Böyle bir durumda pilot yalnızca güncel iade prosedürü, onay matrisi ve depo kontrol listesiyle sınırlandırılır. İlk dört haftada asistanın yanıtlayamadığı sorular, eksik dokümanları ortaya çıkarır. Ekibin kazancı bir chatbot değil, resmî iade bilgisinin sonunda tek yerde toplanması olur.

İlk pilotta bağlanmaması gereken kaynaklar

Bazı kaynaklar ilk sürümün dışında bırakılmalıdır:

• Kişisel veri yoğun klasörler
• Sahibi belirsiz eski arşivler
• Hassas sözleşmeler ve hukuk dosyaları
• Yetki yapısı temizlenmemiş Drive veya SharePoint alanları
• Serbest biçimli e-posta kutuları
• Harici kaynaktan alınmış, doğrulanmamış PDF ve web içerikleri

OWASP, üretken yapay zeka sistemlerinde prompt injection, veri sızıntısı ve veri zehirlemeyi başlıca riskler arasında sayıyor. Güvenilmeyen dosyalar yalnızca yanlış içerik taşımaz; sistemin davranışını manipüle etmeye de çalışabilir.

KVKK, yetki ve veri güvenliği nasıl ele alınmalı?

Şirket içi bilgi asistanı, KVKK değerlendirmesinden bağımsız ele alınamaz. Dokümanlarda çalışan özlük bilgileri, müşteri kayıtları, sağlık verileri, sözleşmeler veya ticari sırlar bulunabilir.

KVKK’nın üretken yapay zeka rehberi, kişisel veri işleme faaliyetlerinin sistemin tüm yaşam döngüsü boyunca değerlendirilmesi gerektiğini belirtir. Bu metin hukuki tavsiye değildir. Yine de proje başlamadan önce aşağıdaki sorular yanıtlanmalıdır:

• Hangi belgelerde kişisel veri veya ticari sır bulunuyor?
• Bu belgeleri indekslemek gerçekten gerekli mi?
• Sağlayıcı veriyi nerede ve hangi amaçla işliyor?
• Sorgu ve yanıt kayıtları ne kadar süre tutuluyor?
• Bir belge silindiğinde indeks ve yedeklerden nasıl kaldırılıyor?
• Kaynak sistemlerdeki kullanıcı izinleri güncel mi?
• İnsan onayı gerektiren cevap türleri tanımlı mı?

En az yetki ilkesi burada uygulanabilir bir kuraldır: Her kullanıcı yalnızca işini yapmak için gerekli bilgiye erişmelidir. “Yönetici isterse tüm belgeleri görür” yaklaşımı, erişim yapısının belirsiz kalabileceği anlamına gelmez.

Özel rol yapıları, mevcut ERP veya CRM bağlantıları ve kurum içi veri sınırları varsa, hazır araçların izin modelini dikkatle değerlendirmek gerekir. Bazı projelerde özel bir arayüz veya iç portal daha doğru olur. Bu tür kullanım senaryolarında Astro web geliştirme, hızlı ve yalnızca gerekli işlevleri yükleyen özel bilgi ekranları için uygun bir altyapı olabilir.

Hazır araç mı, özel kurulum mu?

Şirket hâlihazırda Microsoft 365, Google Workspace, Confluence veya Jira gibi düzenli kullanılan sistemlerden yararlanıyorsa hazır araçlar mantıklı bir seçenek olabilir. Kaynaklar temiz, yetkiler güncel ve ihtiyaç standartsa, mevcut ekosistemle çalışan çözüm daha hızlı değer sağlayabilir.

Özel kurulum şu koşullarda değerlendirilmelidir:

• Departman, rol ve lokasyona göre karmaşık erişim kuralları varsa
• ERP, CRM veya özel iş sistemlerinden kontrollü veri alınacaksa
• Şirketin özel onay, yönlendirme veya insan kontrolü akışları varsa
• Hazır aracın veri işleme ve barındırma koşulları yeterli gelmiyorsa
• Kullanıcıların tek bir bilgi portalında özel iş akışlarıyla çalışması gerekiyorsa

Kararı belirleyen soru teknoloji değildir. Önce şunu sorun: Hangi bilgi resmîdir, kimler görebilir ve yanlış olduğunda kim düzeltecektir?

Bu soruların yanıtı yoksa, en gelişmiş model de dağınık bilgiyi güvenilir hale getiremez. Bu soruların yanıtı varsa, yapay zeka çözümleri kapsamında ihtiyaç duyulan kaynak, yetki, arayüz ve iş akışı daha net tanımlanabilir.

Bilgi kaynağınızın kapsamını, erişim haritanızı ve pilot senaryonuzu netleştirmek istiyorsanız bize ulaşın. Görüşme için toplantı zinciri kurmak yerine, projenizi e-postayla anlatın; uygun kapsamı yazılı olarak değerlendirelim.

İlk pilotun başarısı nasıl ölçülür?

Başarıyı “kaç kişi giriş yaptı?” sorusuyla ölçmek zayıftır. Asistanın operasyon üzerindeki etkisini gösteren metriklere ihtiyaç vardır.

Pilot boyunca aşağıdaki metrikler izlenmelidir:

• Kaynaklı doğru yanıt oranı: Yanıt hem doğru mu hem de doğru kaynağa mı dayanıyor?
• Cevapsız bırakılan yüksek riskli soru oranı: Sistem tahmin etmek yerine doğru yerde duruyor mu?
• Bilgi bulma süresi: Çalışan cevap için önceye göre daha az mı bekliyor?
• Kaynak tıklama oranı: Kullanıcılar cevabın dayandığı belgeyi inceleyebiliyor mu?
• Tekrarlayan soru oranı: Aynı soru hâlâ kıdemli çalışanlara gidiyor mu?
• Belge boşlukları: Asistanın cevaplayamadığı sorular hangi eksik prosedürleri gösteriyor?
• Yanlış veya eski kaynak sayısı: Pilot, hangi belgelerin temizlenmesi gerektiğini ortaya çıkarıyor mu?

Microsoft’un 2026 verisinde AI kullananların %66’sı, daha yüksek değerli işlere daha fazla zaman ayırabildiğini belirtiyor. İç bilgi asistanı için bunun anlamı çalışan azaltma vaadi değildir. Kıdemli çalışanların aynı prosedürü günde beş kez açıklamak yerine, istisna, kalite ve karar gerektiren işlere zaman ayırabilmesidir.

İç dokümantasyon asistanı için uygulama kontrol listesi

Yayın öncesinde aşağıdaki 10 maddeyi gözden geçirin:

1. Pilotun tek bir departman ve net bir problemle sınırlandığından emin olun.
2. Kaynak kabul edilen klasörleri ve sistemleri yazılı olarak belirleyin.
3. Her belge için sorumlu bir içerik sahibi atayın.
4. Güncel sürüm, eski sürüm ve arşivleme kurallarını tanımlayın.
5. Kullanıcı, rol ve departman bazlı yetki haritasını temizleyin.
6. Asistanın kaynak göstermeden cevap vermemesini sağlayın.
7. “Bulamadım” ve insan onayına yönlendirme kurallarını test edin.
8. Gerçek çalışan sorularından bir değerlendirme seti hazırlayın.
9. Sorgu, kaynak kullanımı ve hata düzeltmeleri için denetim kaydı planlayın.
10. Belge güncelleme, silme ve yeniden indeksleme takvimini belirleyin.

Bu liste tamamlanmadan yalnızca iyi görünen bir demo elde edebilirsiniz. Tamamlandığında ise şirket dokümanlarıyla çalışan, sınırları tanımlanmış bir bilgi altyapısı kurulur.

Sık Sorulan Sorular

İç dokümantasyon için yapay zeka asistanı nedir?

Şirket prosedürleri, ürün kılavuzları, eğitim dokümanları ve diğer onaylanmış kaynaklarda arama yaparak çalışan sorularını doğal dille yanıtlayan sistemdir. Güvenilir bir sürüm, yanıtın hangi belgeye dayandığını da gösterir.

RAG ile çalışan yapay zeka asistanı ne demektir?

RAG, soru geldiğinde asistanın önce ilgili şirket dokümanlarını bulması, sonra yanıtını bu içeriklere dayanarak üretmesidir. Böylece modelin genel bilgisi yerine şirketin seçilmiş ve güncel kaynakları kullanılır.

Asistan yanlış cevap verebilir mi?

Evet. RAG, yanlış yanıt olasılığını azaltabilir. Ancak belge eski veya çelişkiliyse ya da sorunun yanıtı kaynaklarda yoksa asistan eksik veya hatalı cevap verebilir. Bu nedenle kaynak gösterme, yanıt vermeme eşiği ve düzenli test gerekir.

Şirket belgelerini yapay zekaya yüklemek KVKK açısından sorun yaratır mı?

Değerlendirme; belgenin içeriğine, kişisel veri niteliğine, kullanılan altyapıya, erişim izinlerine ve veri işleme koşullarına göre yapılmalıdır. Kişisel veri içeren dokümanlarda veri sınıflandırması ve gerekli hukuki değerlendirme tamamlanmadan indeksleme yapılmamalıdır.

İlk pilot hangi departmanda başlamalı?

Sık sorulan soruların bulunduğu, dokümanları nispeten düzenli olan ve yüksek riskli kararlar üretmeyen bir departmanla başlanmalıdır. Teknik servis, yeni çalışan eğitimi veya operasyon prosedürleri çoğu işletme için uygun başlangıç alanlarıdır.

Asistan, kullanıcının erişemediği belgeleri görebilir mi?

Görmemelidir. Asistan yalnızca kullanıcının normalde erişebildiği belgelerden yanıt üretmelidir. Yetki denetimi yalnızca indeksleme sırasında değil, sorgu anında da uygulanmalıdır.

Doküman güncellendiğinde asistanın cevabı ne zaman güncellenir?

Doğru kurulumda kaynak sistemdeki yeni sürüm indeksleme sürecine alınır, eski sürüm ise kullanım dışına çıkarılır. Bunun için belge sürümü, güncelleme sorumlusu ve yeniden indeksleme mekanizması baştan tanımlanmalıdır.

Sonuç

İç dokümantasyon için yapay zeka asistanının değeri, kaç dokümanı yuttuğuyla değil; doğru kullanıcıya doğru kaynağı ne kadar güvenilir sunduğuyla ölçülür. Bilgi dağınıksa ilk iş chatbot yaptırmak değildir. Önce resmî bilgi sınırlarını, belge sahiplerini ve erişim yapısını görünür hale getirmektir.

Şirket verisiyle çalışan bir yapay zeka projesinde kapsam, sohbet ekranından önce belirlenmelidir: hangi kaynağın kullanılacağı, kimin neyi görebileceği, sistemin hangi durumda yanıt vermeyeceği ve pilotun nasıl ölçüleceği baştan yazılmalıdır.