Veri Girişi Otomasyonu Yapay Zeka ile Nasıl Kurulur

Yapay zeka destekli veri girişi otomasyonu; fatura, form, dekont veya PDF’deki bilgileri okur, doğrular ve ERP, CRM ya da Excel’e aktarır. Ancak her veri girişi sorunu yapay zekâ gerektirmez. Veriyi siz üretiyorsanız, doğru tasarlanmış bir form ve API entegrasyonu belge okumaktan daha güvenilir bir başlangıçtır.

Asıl hata, tüm PDF’leri bir AI aracına yükleyip “tam otomasyon” beklemektir. Yapay zekâ asıl, verinin bir belgenin içinde gömülü olduğu yerde işe yarar: tedarikçi faturaları, farklı formatlardaki irsaliyeler ya da e-posta ekinde gelen sipariş formları gibi. İyi bir sistem her kaydı sorgusuz işlemez. Belirsiz kayıtları değerlendirmesi için doğru kişiye gönderir.

Öne Çıkanlar

• Veri işletmeniz tarafından ilk kez giriliyorsa, form doğrulama ve API entegrasyonu çoğu zaman OCR’dan daha güvenilir ve düşük bakım maliyetli çözümdür.
• OCR metni çıkarır; belge anlayışı alanları ve tabloları tanır; iş kuralları ise kaydın mantıklı olup olmadığını kontrol eder.
• Finansal kayıtlarda insan onayı otomasyonun eksikliği değil, düşük güvenli ve çelişkili kayıtları yöneten denetim katmanıdır.
• API varken RPA yerine doğrudan entegrasyon tercih edilmelidir; ekran tabanlı otomasyon, arayüz değiştikçe bakım yükü yaratır.
• Pilot başarı oranı “AI çalışıyor mu?” diye değil, otomatik işlenen kayıt, hata oranı ve istisna çözüm süresiyle ölçülmelidir.

Yapay Zeka ile Veri Girişi Otomasyonu Nedir?

Yapay zeka ile veri girişi otomasyonu; fatura, form, e-posta, sipariş veya PDF’deki bilgilerin OCR, belge anlayışı ve iş kurallarıyla okunması, doğrulanması ve ERP, CRM ya da elektronik tabloya aktarılmasıdır. Amaç yalnızca metin kopyalamak değildir. Hatalı veya eksik kayıtları insan onayına yönlendirerek tekrarlayan veri girişini azaltmaktır.

Bu iş iki ayrı görevden oluşur. İlki, belgeden veriyi çıkarmaktır. İkincisi ise bu verinin işletme için geçerli olup olmadığını denetleyip doğru sisteme kaydetmektir.

Örneğin faturadaki “12.500,00 TL” tutarını okumak tek başına yeterli değildir. Sistem ayrıca şu soruları sormalıdır:

• Fatura numarası daha önce işlenmiş mi?
• Toplam ile KDV hesaplaması tutuyor mu?
• Tedarikçi sistemde kayıtlı mı?
• Satır kalemleri doğru stok veya gider hesabıyla eşleşiyor mu?
• Belgenin tarih aralığı muhasebe dönemiyle uyumlu mu?

Belge işleme otomasyonu, PDF, taranmış evrak ve fotoğraflardan bilgi çıkarır. Genel veri otomasyonu ise formdan CRM’ye müşteri aktarmak, stokları iki sistem arasında eşitlemek veya e-postayla gelen talepleri ilgili ekibe yönlendirmek gibi daha geniş işleri kapsar.

Önce Sorunu Doğru Tanımlayın: Veri Nereden Geliyor?

Yapay zekâya geçmeden önce şu soruyu yanıtlayın: Veri nerede oluşuyor?

Veri şirket içi uygulamanızda, bayi portalınızda veya web formunuzda oluşuyorsa belge okumak çoğu zaman yanlış yaklaşımdır. Bilgiyi en baştan yapılandırılmış biçimde toplamak daha az hata üretir.

Veriyi Siz Topluyorsanız Form ve API ile Başlayın

Müşteri başvuru formunda vergi numarası, telefon, tarih veya ürün adedi yanlış girilebiliyorsa önce formu düzeltin. Zorunlu alanlar, biçim doğrulamaları ve seçim listeleri, sonradan PDF’den bilgi çıkarmaya çalışmaktan daha güvenilirdir.

İyi tasarlanmış bir form, veri girildiği anda aşağıdaki hataları engeller:

• Eksik zorunlu alanları
• Hatalı e-posta veya telefon biçimlerini
• Geçersiz vergi numarası uzunluklarını
• Yanlış tarih biçimlerini
• Negatif ya da mantıksız miktarları
• Aynı talebin tekrar gönderilmesini

Kaynak ve hedef sistem API sağlıyorsa veri doğrudan aktarılmalıdır. Örneğin B2B sipariş formundaki ürün, miktar ve müşteri bilgisi ERP’ye taslak sipariş olarak doğrudan düşebilir. Araya Excel dışa aktarması, e-posta eki ve elle kopyalama giriyorsa sorun yapay zekâ eksikliği değil, kesintili akıştır.

Müşteri formu veya bayi başvuru ekranı gibi bir süreç sıfırdan kurulacaksa, özel WordPress geliştirme ile veri girişini kaynağında düzenlemek daha doğru bir ilk adım olabilir.

Veri PDF, Fotoğraf veya E-Postada Geliyorsa AI Devreye Girer

Bazı verilerin nasıl geldiğini siz belirleyemezsiniz. Tedarikçi faturayı kendi sisteminden gönderir. Saha ekibi teslim formunu fotoğraflar. Banka dekontu e-posta ekiyle gelir. Belgelerin düzeni de birbirinden farklı olabilir.

Yapay zeka ile veri girişi otomasyonu bu noktada anlamlı hale gelir. Özellikle şu durumlarda:

• Tedarikçilerden PDF veya taranmış fatura geliyorsa
• İrsaliye ve teslim belgeleri saha ekiplerinden fotoğraf olarak ulaşıyorsa
• Sipariş formları farklı müşteri şablonlarıyla geliyorsa
• E-posta eklerindeki talepler ilgili sistemlere elle giriliyorsa
• Fiyat listeleri karşılaştırılabilir bir tabloya dönüştürülmek isteniyorsa

Bir örnek düşünelim: 18 tedarikçiyle çalışan bir dağıtım şirketinde operasyon ekibinin gelen kutusuna her sabah 30–40 fatura düşüyor. Faturaların bir kısmı PDF, bir kısmı taranmış belge, bir kısmı da telefonla çekilmiş fotoğraf. Ekip her faturayı tek tek açıp tedarikçi, tarih, fatura numarası, KDV ve toplam tutarı ERP’ye giriyor.

Doğru kurulan bir akışta sistem önce belge tipini sınıflandırır, sonra alanları çıkarır. Toplam-KDV kontrolünü geçen ve mükerrer olmayan kayıtlar ERP’ye taslak olarak aktarılır. Yeni tedarikçi içeren, satırı okunamayan veya toplamı tutarsız belgeler onay kuyruğuna gider. Ekip de kayıt yazmak yerine istisnaları çözmeye odaklanır.

OCR, RPA ve Yapay Zeka Aynı Şey Değil

Bu terimler birçok otomasyon teklifinde tek bir paket gibi sunulur. Oysa aynı işi yapmazlar. Her biri farklı bir sorunu çözer.

Teknoloji	En uygun kaynak	Güçlü tarafı	Sınırı
Form doğrulama	İşletmenin kendi formu	Hataları giriş anında önler	Dışarıdan gelen belgeyi okuyamaz
API entegrasyonu	İki yazılım sistemi	Doğrudan ve izlenebilir veri akışı	Her sistem API sunmaz
OCR	Tarama, fotoğraf, görüntü PDF	Metni dijital metne çevirir	Alanın iş anlamını tek başına kuramaz
Belge anlayışı / IDP	Fatura, irsaliye, form	Alan, tablo ve belge türü çıkarır	Doğrulama kuralları yine gerekir
LLM	Serbest metin, değişken belge	Sınıflandırma ve şemaya oturtma	Doğruluk garantisi vermez
RPA	API olmayan eski ekranlar	Ekran üzerinde işlem yürütür	Arayüz değişince kırılabilir

OCR Metni Okur

OCR, görseldeki veya taranmış PDF’deki karakterleri metne dönüştürür. “Fatura No: A-2026-184” satırını yazıya çevirmek OCR’nin işidir.

Ancak OCR, bu ifadenin her zaman fatura numarası olduğunu anlayamaz. Aynı belgede “Sipariş No”, “İrsaliye No” ve “Referans No” da bulunabilir. Metni okumak ile doğru alanı belirlemek farklı görevlerdir.

Belge Anlayışı Alanları ve Tabloları Tanır

Belge anlayışı veya IDP katmanı, metnin yanında belgenin yapısını da değerlendirir. Fatura numarası, tarih, satıcı, vergi bilgisi, toplam tutar ve satır kalemlerini ayırmaya çalışır.

Microsoft’un Azure Document Intelligence dokümantasyonu, OCR ile metin, tablo, yapı ve anahtar-değer çiftlerinin birlikte çıkarılabildiğini açıklıyor. Google’ın Document AI araçları da form alanları, tablolar ve onay kutuları gibi yapıların ayrıştırılabildiğini belirtiyor.

Bu katman fatura işlemede önemlidir. Çünkü muhasebe kaydı yalnızca düz metinden ibaret değildir. Birbiriyle ilişkili alanları ve satır kalemlerini de içerir.

RPA Eski Sistemlerde Ekran Üzerinden İş Yapar

RPA, kullanıcının ekranda yaptığı tıklama ve veri girişi hareketlerini taklit eder. API’si olmayan eski bir muhasebe yazılımına otomatik kayıt girilmesi gerektiğinde kullanılabilir.

Yine de RPA ilk tercih olmamalıdır. Hedef sistemin ekranı değişirse, alanların yeri kayarsa veya giriş adımları güncellenirse otomasyon aksayabilir. API varken tarayıcıda tıklayan bir robot kurmak, daha kırılgan bir bağlantı kurmaktır.

LLM Çıktıyı Şemaya ve İş Diline Yaklaştırır

LLM’ler, değişken açıklama metinlerini sınıflandırmak veya belgede farklı adlarla geçen alanları ortak bir şemada birleştirmek için kullanılabilir. Örneğin “ödeme vadesi”, “son ödeme” ve “vade tarihi” ifadelerini tek hedef alana eşleyebilir.

OpenAI Structured Outputs gibi yaklaşımlar, çıktının belirlenen JSON şemasına uymasına yardımcı olur. Ancak şema uyumu doğruluk değildir. Sistem düzgün biçimlenmiş bir invoice_total alanı üretebilir; içindeki rakam yine yanlış okunmuş olabilir.

Bu nedenle LLM çıktıları iş kurallarıyla denetlenmeli, gerektiğinde insan incelemesine gönderilmelidir.

İşe Yarayan Akış: Belgeden ERP Kaydına

Güvenilir bir fatura veri girişi otomasyonu, “PDF yükle ve ERP’ye yaz” yaklaşımıyla kurulmaz. Doğrulama, istisna yönetimi ve kayıt izi sürecin parçası olmalıdır.

1. Belgeyi alın. E-posta kutusu, izlenen klasör, tarayıcı, tedarikçi portalı veya API kaynağı belirlenir.
2. Belge türünü ayırın. Fatura, irsaliye, dekont veya sipariş formu aynı işleme girmemelidir.
3. Metin, alan ve satır kalemlerini çıkarın. OCR ve belge anlayışı uygun alanları üretir.
4. İş kurallarını çalıştırın. Toplam, KDV, mükerrer kayıt, tedarikçi ve zorunlu alan kontrolleri yapılır.
5. Düşük güvenli kaydı onaya gönderin. Eksik, çelişkili veya alışılmadık kayıtlar insan incelemesine düşer.
6. Hedef sisteme kaydedin. ERP, CRM veya Excel’e taslak ya da onaylı kayıt gönderilir.
7. İşlem kaydı oluşturun. Hangi belgenin ne zaman işlendiği, hangi alanın değiştiği ve kim tarafından onaylandığı izlenebilir olmalıdır.

Bu süreçte asıl kritik nokta dördüncü adımdır. “Toplam 10.000 TL” doğru görünebilir. Ancak satır kalemleri, iskonto, KDV ve genel toplam birbirini tutmuyorsa kayıt otomatik aktarılmamalıdır.

Belge örnekleri, hedef sistem, iş kuralları ve onay akışı incelenmeden “AI otomasyonu” teklifi hazırlanamaz. Önce kapsam belirlenir, sonra gerekli teknik katman seçilir.

İnsan Onayı Otomasyonun Hatası Değil

Tam otomasyon vaadi çekici gelebilir. Ancak finansal kayıtlardaki hataların maliyeti yüksektir.

İnsan onayı, sistemin düşük güven verdiği, kurallarla çelişen veya işletme açısından yüksek risk taşıyan kayıtları ayırır. Bu kayıtlar örneğin şunlar olabilir:

• İlk kez görülen tedarikçi
• Okunamayan veya eksik fatura numarası
• Toplam-KDV kontrolü geçmeyen belge
• Aynı numarayla daha önce işlenmiş fatura
• Olağandışı yüksek tutar
• Eşleşmeyen ürün veya stok kodu

Varsayalım ki bir yapı malzemesi şirketinde ekip, dekontları ödeme kayıtlarıyla eşleştirmeye her gün iki saat ayırıyor. İlk akla gelen, tüm dekontları otomatik onaylamak. Ancak bazı müşteriler aynı tutarı iki kez göndermiş, bazı dekontların açıklama alanı boş olabilir.

Doğru kurulan akışta sistem, yalnızca tutar, tarih ve müşteri verisi yüksek güvenle eşleştiğinde kayıt önerir. Eşleşmeyen dekontlar kısa bir onay ekranına gider. Böylece ekip her dekontu sıfırdan okumaz; yalnızca sistemin çözemediği kayıtları inceler.

Doğru yaklaşım iki yanlış uç arasında kalır. Her kaydı insanın yeniden yazması da hiçbir kaydın denetlenmemesi de iyi bir tasarım değildir.

Hangi Süreçler Yapay Zeka ile Veri Girişine Uygun?

Her süreç otomasyona uygun değildir. Sürecin yüksek tekrar içermesi, belirli bir veri yapısına sahip olması ve açık bir hedef sisteme bağlanması gerekir.

Fatura ve İrsaliye İşleme

Tedarikçi belgeleri farklı şablonlarda geliyorsa belge sınıflandırma ve alan çıkarma mantıklı olabilir. Ancak vergi, toplam, tedarikçi ve mükerrer kayıt kontrolleri olmadan yalnızca OCR kullanmak yeterli değildir.

E-Posta Eklerinden Talep ve Sipariş Açma

Satış ekibine gelen PDF sipariş formları ve müşteri talepleri; ürün, adet, teslimat adresi ve müşteri bilgisi alanlarına ayrılabilir. Belirsiz ürün adları ve eksik bilgiler ise satış operasyonunun onayına gitmelidir.

Saha Formları ve Teslim Belgeleri

Saha ekiplerinin çektiği fotoğraflar, imzalı teslim belgeleri ve servis formları otomasyona uygundur. Burada görüntü kalitesi sonucu doğrudan etkiler. Bulanık görüntüleri iyi bir modelle telafi etmeye çalışmak yerine belge çekim standardı oluşturmak gerekir.

CRM’ye Müşteri veya Başvuru Aktarımı

E-posta ile gelen başvurular veya farklı kaynaklardan ulaşan talep formları sınıflandırılıp CRM’ye aktarılabilir. Ancak başvuru zaten şirketin kendi sitesinde toplanıyorsa en doğru yöntem, yapılandırılmış form ve doğrudan entegrasyondur.

Fiyat Listesi ve Tedarikçi Belgesi Karşılaştırma

Tedarikçilerin farklı Excel, PDF veya katalog formatlarındaki fiyat listeleri ortak bir tabloya dönüştürülebilir. Otomasyon yalnızca sayıları çıkarmamalı; ürün eşleştirmesi, birim farkları ve tarih kontrollerini de yapmalıdır.

Başlamadan Önce Ölçmeniz Gereken 6 Şey

Otomasyon yatırımı, “kaç saat kazanırız?” sorusundan önce mevcut işleyişi ölçmekle başlar.

Ölçüm	Neyi gösterir?
Aylık belge veya kayıt hacmi	Otomasyon için yeterli tekrar olup olmadığını
Belge türü ve format çeşitliliği	Model, kural ve test kapsamını
Kayıt başına manuel süre	Zaman maliyetini
Hata ve yeniden işleme oranı	Mevcut sürecin gerçek yükünü
Hedef sistemin API imkânı	Entegrasyon yöntemini
Yanlış kaydın maliyeti	İnsan onayı eşiğini

Pilot öncesinde ve sonrasında aynı skor kartını kullanın:

Ölçüm	Pilot öncesi	Pilot sonrası	Hedef
Belge başına manuel süre
İnsan incelemesine düşen kayıt oranı
Hatalı kayıt oranı
İşlem bekleme süresi
Otomatik işlenen kayıt oranı

Bu tablo yoksa “sistem iyi çalışıyor” sözü yoruma açık kalır. Ölçüm yaptığınızda hangi belge türünün sorun çıkardığını, hangi kuralın gereğinden fazla kaydı durdurduğunu ve insan onayının hangi aşamada yoğunlaştığını görürsünüz.

Kendi ekibiniz için belge yükleme, onay ve hata kuyruğu ekranı gerekiyorsa, hafif bir özel iş akışı arayüzü da sürecin parçası olabilir. Ama arayüz, yanlış tasarlanmış akışı düzeltmez; önce iş kuralı net olmalıdır.

KVKK ve Güvenlik: Belgeyi Her AI Aracına Yüklemeyin

Fatura, dekont, çalışan formu ve müşteri başvurusu yalnızca operasyon verisi değildir. Bu belgeler kişisel veri, finansal bilgi veya ticari sır içerebilir.

Bu nedenle çalışanların belgeleri kontrolsüz biçimde kamuya açık sohbet araçlarına yüklemesi kabul edilebilir bir süreç değildir. KVKK’nin üretken yapay zekâ rehberi, şeffaflık, denetlenebilirlik ve insan merkezli yaklaşımın önemini vurguluyor. Rehber ayrıca risk temelli bir yaklaşımı ve risk değerlendirmelerinin düzenli olarak gözden geçirilmesini öneriyor.

Teknik tasarımda en azından şu sorular yanıtlanmalıdır:

• Hangi belge türleri işlenecek?
• Hangi alanlar gerçekten gerekli?
• Veriye kim erişebilecek?
• Belgeler ne kadar süre saklanacak?
• İşlem kayıtları nerede tutulacak?
• Üçüncü taraf sağlayıcı veriyi hangi koşullarla işleyecek?
• Verinin bulunduğu ülke, sözleşmeler ve silme süreçleri uygun mu?

Bu bölüm hukuki tavsiye değildir. İşletmenin veri sorumluluğu, işleme şartları, saklama politikası ve tedarikçi sözleşmeleri kendi hukuk ve veri koruma danışmanlarıyla değerlendirilmelidir.

Pilot Projeyi Nasıl Kapsamlarsınız?

İlk projede tüm belge türlerini, departmanları ve ERP modüllerini otomatikleştirmeye çalışmayın. Küçük ve ölçülebilir bir başlangıç, kapsamı netleştirmenin en kısa yoludur.

Tek Belge Türüyle Başlayın

Örneğin yalnızca tedarikçi faturalarına odaklanın. Tek hedef sistem, sınırlı kullanıcı grubu ve belirlenmiş bir tedarikçi kümesiyle başlayın.

Bu sınır, hem test sürecini hem de hataların nedenini bulmayı kolaylaştırır. Pilot sürerken yeni belge türleri eklemek yerine mevcut akıştaki istisnaları önce anlayın.

Başarı Kriterini Baştan Yazın

Pilot sonunda hangi sonucun yeterli sayılacağını baştan belirleyin:

• Otomatik işlenen kayıt oranı
• İnsan incelemesine düşen kayıt oranı
• Hatalı kayıt oranı
• Belge başına toplam işlem süresi
• İstisna çözüm süresi
• Kullanıcının kayıt başına harcadığı aktif süre

“Yapay zekâ faturayı okudu” başarı ölçütü değildir. Başarı, faturanın gerekli kontrollerden geçerek doğru sisteme ve doğru yetkiyle aktarılmasıdır.

İstisna Kuyruğunu Tasarlayın

Otomasyonun kalitesi hata çıktığında belli olur. Her istisna için şu unsurlar yazılmalıdır:

• Kaydı kim inceleyecek?
• Hangi durum otomatik reddedilecek?
• Hangi durum taslak olarak kaydedilecek?
• Kullanıcı düzeltmesi model veya kurallara nasıl geri yansıyacak?
• İnceleme bekleyen kayıt ne kadar sürede ele alınacak?

Yapay zeka çözümleri, belge okuma aracından ibaret değildir. Kaynak veri, iş kuralı, onay ekranı ve hedef sistem birlikte tasarlanmalıdır. Yapay zeka çözümlerini inceleyin.

Yapay Zeka Veri Girişini Bitirmez, Veri Giriş İşini Değiştirir

İyi otomasyonun amacı insanı süreçten tamamen çıkarmak değildir. İnsan zamanını kopyala-yapıştır yerine karar gerektiren işlere ayırmaktır.

Bir senaryo düşünün: Büyüyen bir e-ticaret tedarikçisi, artan sipariş ve iade belgeleri yüzünden yeni veri giriş personeli almayı düşünüyor. Yakından bakıldığında belgelerin yarısının zaten sistemler arasında elle yeniden taşındığı görülebilir. Bu durumda önce sipariş akışını API ile düzeltmek, belge işleme katmanını ise yalnızca farklı formatlarda gelen tedarikçi belgeleri için kurmak gerekir.

Böyle bir kurguda sonuç “her şeyi AI yaptı” olmaz. Operasyon ekibi belge yazmak yerine ürün eşleştirmesine, tedarikçi farklarına ve istisna yönetimine odaklanır. Doğru kapsam, gereksiz otomasyonu da engeller.

En iyi veri girişi otomasyonu, en çok AI kullanan çözüm değildir. Veriyi mümkünse kaynağında doğru biçimde toplar. Belge okuması gerektiğinde alanları çıkarır, kurallarla doğrular ve belirsiz kayıtları doğru kişiye gönderir.

Sık Sorulan Sorular

Yapay zeka ile veri girişi otomasyonu yüzde 100 doğru çalışır mı?

Hayır. Doğruluk oranı belge kalitesine, tedarikçi çeşitliliğine, satır kalemlerinin karmaşıklığına ve uygulanan iş kurallarına bağlıdır. Kritik kayıtlarda düşük güvenli veya kurallarla çelişen belgeler insan onayına gönderilmelidir.

OCR ile yapay zeka destekli belge işleme arasındaki fark nedir?

OCR, görseldeki veya taranmış belgedeki metni dijital metne çevirir. Yapay zeka destekli belge işleme ise alanları, tabloları, belge tipini ve bazı bağlamsal ilişkileri tanımaya çalışır. Hiçbiri iş kuralı denetiminin yerini tutmaz.

Faturaları otomatik olarak muhasebe programına aktarabilir miyim?

Teknik olarak mümkündür. Ancak aktarımın taslak mı yoksa onaylı kayıt mı olacağı, mükerrer fatura, KDV, toplam ve tedarikçi kontrollerinin nasıl yapılacağı proje başında tanımlanmalıdır.

API varken RPA kullanmak gerekir mi?

Çoğu durumda hayır. API, sistemler arasında daha doğrudan ve izlenebilir veri aktarımı sağlar. RPA, API’si olmayan eski sistemler için gerekli bir köprü olabilir. Ancak ekran değişiklikleri bakım maliyeti yaratır.

Veri girişi otomasyonunda insan onayı neden gereklidir?

İnsan onayı, düşük güvenli, eksik veya işletme kurallarına uymayan kayıtları ayırır. Böylece ekip tüm belgeleri elle girmek yerine yalnızca istisnaları inceleyebilir.

KVKK açısından belgeleri yapay zeka ile işlemek mümkün mü?

Mümkün olabilir. Ancak belge türü, kişisel verinin kapsamı, sağlayıcı sözleşmesi, erişim yetkileri, saklama süresi ve işleme şartları incelenmelidir. Bu değerlendirme için hukuk ve veri koruma danışmanlığı alınmalıdır.

Pilot proje için hangi belge türüyle başlanmalı?

Düzenli hacmi olan, iş kuralı açık ve hata maliyeti yönetilebilir tek bir belge türüyle başlamak en sağlıklı yaklaşımdır. Tedarikçi faturaları veya belirli bir talep formu grubu, birçok işletme için uygun pilot adaylarıdır.