← Tüm yazılar
AI

Yapay Zeka Projesinden Ne Zaman Vazgeçilmeli

Yapay zeka projesi hangi durumda bırakılmalı? Açık bir iş faydası yoksa, gerekli veriye güvenilir biçimde erişilemiyorsa, insan denetimi tasarrufu siliyorsa, hata riski kabul edilemiyorsa veya kullanıcılar sistemi günlük işlerine katmıyorsa proje sonlandırılmalıdır.

Bir yapay zekâ projesi yalnızca yavaş ilerlediği için iptal edilmez. Model yanıt üretebilir, demo etkileyici görünebilir ve ekip istekli olabilir. Ancak çıktıları incelemek, düzeltmek ve güvenli hale getirmek eski süreçten daha pahalıya geliyorsa sistem teknik olarak çalışsa da operasyonel olarak başarısızdır.

Asıl başarısızlık, net bir çıktısı olmayan pilotu “AI stratejisi” adıyla aylarca sürdürmektir. Bu metin dört kararı ayırır: projeyi sürdürmek, kapsamı daraltmak, standart otomasyona geçmek veya sonlandırmak.

Öne Çıkanlar

  • AI projesi, model yanıt veriyor diye değil; ölçülebilir süre, hata veya maliyet avantajı sağladığında devam etmelidir.
  • İnsan doğrulama ve hata düzeltme maliyeti kazanımı geçiyorsa AI çözümü ekonomik değildir.
  • Veri eksikliği geçiciyse kapsam daraltılabilir; veri erişimi iş modelinin gereği olarak mümkün değilse proje kapatılmalıdır.
  • Sabit kurallarla çözülen işler için LLM yerine kural tabanlı otomasyon daha ucuz ve daha güvenilir olabilir.
  • Pilot başlamadan önce başarı metriği, bütçe sınırı, bitiş tarihi ve durdurma kriteri yazılmalıdır.

Yapay Zeka Projesini Durdurmanız Gereken 5 Durum

Bir AI projesinin sorunlu ilerlemesi, projenin hemen bırakılması gerektiği anlamına gelmez. Bazı sorunlar çözülebilir. Bazıları ise kapsamın gereğinden geniş kurulduğunu gösterir. Ancak aşağıdaki beş durum, durdurma kararını ciddi biçimde değerlendirmeyi gerektirir.

  1. Çözülen iş probleminin bugünkü maliyeti bilinmiyorsa
  2. Gerekli veri yoksa veya sürekli erişilemiyorsa
  3. İnsan doğrulaması tasarrufu yok ediyorsa
  4. Kullanıcılar çözümü iş akışına almıyorsa
  5. Hata, güvenlik veya uyum riski kabul edilemezse

Çözülen problemin bugünkü maliyeti bilinmiyorsa

“Müşteri hizmetlerini AI ile iyileştireceğiz” ölçülebilir bir hedef değildir. Hangi müşteri talebinin, ne kadar sürede ve hangi maliyetle çözüleceği yazılmıyorsa projenin getirisi de hesaplanamaz.

Ölçülebilir bir hedef şöyle yazılabilir: “İade taleplerinde ilk yanıt süresini 12 saatten 30 dakikaya indireceğiz.” Mevcut süre, hedef süre ve sonuç burada takip edilebilir. AI çözümü bu farkı yaratmıyorsa projenin nerede duracağı da netleşir.

Bir e-ticaret ekibinin destek taleplerini yönettiğini düşünün. Ekip ayda yaklaşık 1.200 kargo ve iade sorusunu yanıtlıyor olabilir. Bu taleplerin ortalama çözüm süresi, temsilci maliyeti ve müşteri kaybına etkisi ölçülmeden chatbot kurulursa proje yalnızca “çalışıyor” diye değerlendirilir. “İşe yarıyor mu?” sorusu ise yanıtsız kalır.

Bir sorunun maliyeti bilinmiyorsa, AI çözümünün değeri de bilinmez.

Bu noktada doğru karar her zaman projeyi kapatmak değildir. Önce mevcut iş yükünü iki ila dört hafta boyunca ölçün. Ölçüm yapılamıyorsa veya ekip hedef sonuçta uzlaşamıyorsa geliştirmeyi durdurun. Problem netleşmeden model seçmek, pahalı bir sunum hazırlamaktır.

Gerekli veri yoksa veya veriye sürekli erişilemiyorsa

AI, var olmayan ya da güncelliğini yitirmiş bilgiyi güvenilir hale getiremez. Dağınık Excel dosyaları, eski PDF’ler, ekipler arasında çelişen fiyat listeleri ve yetkileri belirsiz sistemler model sorunu değil, veri altyapısı sorunudur.

Satış ekibi için teklif taslağı hazırlayan bir asistanı düşünün. Sistem eski teklifleri inceler ve ilk taslağı birkaç dakika içinde oluşturur. Ancak güncel fiyat listesine erişemediği için tekliflere eski fiyatları ekler. Bu, kapatılması gereken bir AI projesi değildir. Güncel fiyat verisi bağlanana kadar canlıya alınmaması gereken bir projedir.

Veri sorununu iki ayrı başlıkta değerlendirmek gerekir:

  • Geçici sorun: Veri var ama temizlenmesi, tek yerde toplanması veya yetki yapısının kurulması gerekiyor.
  • Kalıcı sorun: Gerekli veri işletmede hiç üretilmiyor, hukuken erişilemiyor veya sürekli güncel tutulması gerçekçi değil.

İlk durumda AI pilotunun kapsamı daraltılabilir. İkinci durumda proje kapatılmalıdır. Aylarca veri bekleyen bir pilotu açık tutmak, veri projesini AI projesi diye sunmaktır.

İnsan doğrulaması elde edilen tasarrufu yok ediyorsa

İnsan denetimi başlı başına kötü bir uygulama değildir. Müşteriye fiyat veren, sözleşme özeti hazırlayan veya finansal risk taşıyan sistemlerde insan onayı gerekebilir. Sorun, insanın yalnızca istisnaları kontrol etmesi yerine her çıktıyı sıfırdan yeniden üretmek zorunda kalmasıdır.

Bir mağazanın destek ekibinin yükünü azaltmak için AI asistanı kurduğunu düşünün. İlk hafta sistem, kargo durumu ve iade politikası sorularının çoğunu yanıtlıyor. Sonra stok bilgisi, teslimat süresi ve ürün özelliklerinde hatalar görülmeye başlıyor. Destek ekibi her yanıtı gönderilmeden önce kontrol etmek zorunda kalıyor. Eski iş yükü yerinde duruyor, üstüne yeni bir kontrol işi ekleniyor.

Bu durumda chatbotu tamamen kapatmak doğru olmayabilir. Sistem, yalnızca doğrulanmış bilgi tabanından yanıt verecek şekilde sınırlandırılabilir. Stok ve teslimat sorularında insan devralma akışı kurulabilir. Ancak insan incelemesi çıktıların büyük çoğunluğunda zorunluysa otomasyonun değeri kalmaz.

AI projesi için ROI hesaplama formülü şöyledir:

Net fayda = sağlanan süre ve hata maliyeti tasarrufu - model - entegrasyon - insan denetimi - bakım maliyeti

Bu hesabı her ay yapın. İnsan denetimi, sistem gideri ve hata düzeltme yükü tasarrufu aşıyorsa projeyi ölçeklendirmeyin.

Kullanıcılar çözümü günlük iş akışına almıyorsa

Bir aracın kurulmuş olması, kullanıldığı anlamına gelmez. Ekip eski Excel dosyasına, WhatsApp grubuna veya manuel sürece dönüyorsa bunu “kullanıcılar değişime direniyor” diye açıklamak kolaydır. Çoğu zaman çözüm, iş akışının dışında kalmıştır.

Bu nedenle ayrı bir sohbet ekranı açmayı ve her seferinde doğru soruyu yazmayı gerektiren iç bilgi asistanlarında kullanım düşük kalabilir. Çalışan zaten CRM, destek paneli veya sipariş ekranında çalışıyorsa bilgiye de aynı noktadan ulaşmak ister.

Kullanım sorunlarında önce şu üç unsuru deneyin:

  • Araç, kullanıcının zaten bulunduğu sisteme bağlanıyor mu?
  • Çıktı, kullanıcı için yeterince hızlı ve güvenilir mi?
  • Kullanıcının eski yönteme dönmesini gereksiz kılan bir avantaj var mı?

İç prosedür asistanını 40 kişilik bir ekipte pilot olarak devreye aldığınızı düşünün. Altı haftanın sonunda haftalık aktif kullanıcı sayısı 6’da kaldıysa hemen kapatmayın. Önce entegrasyonu ve kullanım senaryosunu iyileştirin. Araç Teams, CRM veya destek paneline taşındığı halde kullanım artmıyorsa sorun arayüz değildir. Çözülen iş yeterince değer üretmiyordur.

Hata, güvenlik veya uyum riski kabul edilemezse

Yanlış bir ürün açıklaması üretmekle yanlış kredi değerlendirmesi yapmak aynı risk düzeyinde değildir. Hatanın maliyeti yükseldikçe kabul edilebilir hata oranı düşer.

Müşteri verisi, teklif metni, satış görüşmesi, çalışan kaydı, sağlık bilgisi veya finansal veri kullanan projelerde teknik başarı tek başına yeterli değildir. Verinin nerede işlendiği, kimlerin erişebildiği, ne kadar süre saklandığı ve silme taleplerinin nasıl karşılandığı proje kapsamına dahil edilmelidir.

Türkiye’de KVKK kapsamındaki veri işleme yükümlülükleri için hukuk ve veri güvenliği uzmanlarının değerlendirmesi gerekir. Avrupa’ya ürün veya hizmet sunan işletmeler için AI Act’ın uygulama ve denetim yapısı da 2 Ağustos 2026 itibarıyla devrededir (AB Komisyonu). Bu metin hukuki tavsiye değildir. Ancak uyum, sonradan eklenecek bir unsur olarak görülemez.

Risk azaltmanın maliyeti projenin beklenen yararını aşıyorsa, sistem teknik olarak mümkün olsa bile işletme için doğru yatırım değildir.

Durdur, Daralt, Yön Değiştir veya Devam Et

Bir AI projesinin sonucu yalnızca “başarılı” veya “başarısız” değildir. Dört ayrı karar seçeneği vardır.

DurumİşaretDoğru karar
İş hedefi net, veri güvenilir, kullanım yüksek, hata yönetilebilirPilot ölçülebilir fayda üretiyorDevam et
Büyük hedef çalışmıyor, ancak dar bir görev sonuç veriyorBazı kullanım alanlarında doğruluk ve benimseme yüksekKapsamı daralt
İş sabit kurallarla çözülüyorTahmin veya doğal dil yorumu gerekmiyorNormal otomasyona dön
İş değeri, veri, risk veya kullanım sorunu kalıcıBakım maliyeti faydayı geçiyorProjeyi kapat

Ne zaman devam edilmeli?

Aşağıdaki koşullar aynı anda sağlanıyorsa proje üretime yaklaşmış sayılır:

  • Ölçülebilir iş hedefi vardır.
  • Veri erişilebilir ve yeterince güvenilirdir.
  • Pilot, hedeflenen süre, maliyet veya hata metriğinde anlamlı iyileşme göstermiştir.
  • Kullanıcılar çözümü tekrar kullanmaktadır.
  • Hata olduğunda insan devralma ve düzeltme akışı çalışmaktadır.
  • Birim maliyet büyüdükçe kontrol dışına çıkmamaktadır.

Stanford’un 2025 AI Index raporuna göre, yapay zekâ kullandığını bildiren kuruluşların oranı 2023’te yüzde 55 iken 2024’te yüzde 78’e yükseldi. Kullanım hızla yayılıyor. Ancak kullanımın artması, her kullanım alanının iyi bir yatırım olduğu anlamına gelmez.

Ne zaman kapsam daraltılmalı?

“Tüm müşteri hizmetlerini otomatikleştireceğiz” hedefi çoğu işletme için gereğinden geniştir. Kargo durumu, iade politikası ve sık sorulan ürün bilgileri ise daha dar, kaynağı doğrulanabilir ve düşük riskli bir başlangıç olabilir.

Kapsamı daraltmak, projenin başarısızlığını gizlemek değildir. Belirsizliği azaltır. AI’ın iyi yaptığı işi ayırır, iyi sonuç vermeyen alanları insan akışında tutar.

Bu yaklaşım, işletmeniz için yapay zeka çözümü planlarken modelden önce görev sınırını belirlemeyi gerektirir. Sistem neyi yapacak, neyi yapmayacak ve hata olduğunda kim devralacak soruları yazılı olmalıdır.

Ne zaman normal otomasyona dönülmeli?

Tekrarlanan her iş AI gerektirmez. Belge formatı standartsa, kurallar değişmiyorsa ve karar ağacı açıksa form, entegrasyon veya kural tabanlı akış çoğu zaman daha uygundur.

Bir belge sınıflandırma sistemi düşünün. Belgelerde her zaman aynı alanlar bulunuyor ve süreç “bu alan boşsa şu departmana gönder” gibi açık kurallarla ilerliyorsa LLM kullanmak gereksiz maliyet yaratabilir. Kural tabanlı otomasyon daha öngörülebilir, daha düşük maliyetli ve denetlemesi daha kolaydır.

AI; belirsiz metni anlamak, farklı ifade biçimlerini yorumlamak veya tahmin üretmek gerektiğinde anlamlıdır. İş yalnızca “eğer buysa şunu yap” düzeyindeyse AI etiketi işin ekonomisini iyileştirmez.

Ne zaman proje kapatılmalı?

Proje şu koşullarda kapatılmalıdır:

  • İş değeri kanıtlanamıyorsa
  • Gerekli veri kalıcı olarak erişilemez durumdaysa
  • Hata maliyeti kabul edilemezse
  • Kullanıcı benimsemesi düzelmiyorsa
  • Güvenlik ve uyum gereksinimleri karşılanamıyorsa
  • İnsan kontrolü ve bakım maliyeti sağlanan faydayı geçiyorsa

Kapatma kararı teknoloji karşıtlığı değildir. Bir hipotezin işe yaramadığını erken görmek, daha büyük bir bütçenin yanlış yere bağlanmasını önler.

Pilota Başlamadan Önce Durdurma Kurallarını Yazın

AI projelerinin önemli bir bölümü bitiş kriteri olmadan başlar. Pilot uzar, yeni özellikler eklenir ve ekip “biraz daha veriyle düzelir” demeye başlar. Eksik olan proje değil, karar disiplinidir.

Pilot başlamadan önce şu eşikleri belirleyin:

ÖlçütBaşlamadan önce yazılacak eşikEşik tutmazsa
İş değeriHangi süre, hata veya maliyet azalacak?Projeyi başlatmayın
VeriKaynak nedir, kim erişecek, kim güncelleyecek?Veri projesine dönün veya kapatın
DoğrulukKabul edilebilir hata oranı nedir?Kapsamı daraltın veya kapatın
İnsan müdahalesiÇıktıların ne kadarı inceleme gerektirebilir?Otomasyon değeri yoksa kapatın
KullanımHedef kullanıcıların kaçı haftalık kullanacak?Entegrasyonu düzeltin, düzelmezse kapatın
MaliyetModel, entegrasyon, denetim ve bakım maliyeti nedir?Birim ekonomi bozuluyorsa kapatın
RiskHata olduğunda müşteri, gelir veya veri üzerinde ne olur?Riski azaltamıyorsanız kapatın

Bu tablo tahmin değil, yönetim aracıdır. Eşiklerdeki rakamlar işletmeden işletmeye değişir. Ancak bu eşikleri hiç yazmamak, her sonucu olumlu yorumlamanın yolunu açar.

Pilotun bitiş tarihi de baştan tanımlanmalıdır. Örneğin sekiz haftalık bir pilot için bütçe limiti, veri sahibi, başarı metriği ve karar toplantısının tarihi yazılabilir. Sekiz haftanın sonunda “biraz daha deneyelim” denmez. Devam, daraltma, otomasyona dönüş veya kapatma kararı alınır.

Pilotlar Neden Üretime Geçemez?

Çalışan bir demo, üretim sistemi değildir. Modelin doğru yanıt vermesi veri erişimi, kullanıcı yetkileri, hata kayıtları, insan devralma akışı, güvenlik kontrolleri ve bakım ihtiyacını çözmez.

Birçok AI projesi, kavram kanıtı (PoC) aşamasıyla yaygın kullanım arasında rafa kaldırılır. Bunu tüm AI projeleri için evrensel bir başarısızlık ölçüsü saymak doğru olmaz. Farklı araştırmalar farklı başarı tanımları kullanır. Yine de bu tablo, pilotlar için açık çıkış kriterleri gerektiğini gösteriyor.

AI programlarını kurum genelinde ölçeklendirebilen kuruluşlar hâlâ azınlıkta. Aradaki fark çoğu zaman model kalitesinden kaynaklanmaz. Entegrasyon, yönetişim, sahiplik ve kullanıcı davranışı belirleyicidir.

NIST AI Risk Management Framework, AI riskini yönetişim, bağlamı anlama, ölçme ve yönetme başlıklarında ele alır. Bu dört başlık, teknik ekip kodu yazdıktan sonra değil; üretime geçmeden önce netleşmelidir.

Türkiye’de Veri ve Uyum Riski Daha Erken Değerlendirilmeli

Birçok ekip, dışarıdaki bir AI aracına müşteri listesi, teklif metni veya destek kaydı yüklemeyi teknik seçim sayar. Oysa bu, veri işleme kararıdır.

Özellikle şu veri türleri ek değerlendirme gerektirir:

  • Müşteri ve çalışan kişisel verileri
  • Satış teklifleri ve fiyat listeleri
  • Sözleşmeler ve ticari sırlar
  • Sağlık, finans ve işe alım verileri
  • Müşteri destek görüşmeleri

Verinin hangi sağlayıcıya gönderildiği, hangi bölgede işlendiği, ne kadar saklandığı, erişim yetkileri ve silme süreci açık değilse proje canlıya alınmamalıdır. “Sonra bakarız” yaklaşımı burada maliyetli sonuçlar doğurur.

Avrupa’ya satış yapan işletmelerin, Avrupa Komisyonu’nun AI Act uygulama çerçevesini ayrıca izlemesi gerekir. Şeffaflık, dokümantasyon ve risk sınıflandırması; ürün büyüdükten sonra eklenecek formaliteler değildir.

AI Projesi İçin 30 Günlük Karar Kontrolü

Bir AI fikrini aylarca tartışmak yerine, ilk 30 günde karar vermeyi sağlayacak veriyi toplayın.

  1. Çözülen iş problemini tek cümlede yazın.
  2. Bugünkü maliyeti ölçün: süre, hata, kayıp gelir veya personel yükü.
  3. Pilot için tek bir ana başarı metriği belirleyin.
  4. Kabul edilebilir hata oranını ve insan onay ihtiyacını yazın.
  5. Veri kaynağını, erişim yetkisini ve veri sahibini netleştirin.
  6. Pilotun bitiş tarihini ve bütçe sınırını baştan koyun.
  7. Hata olduğunda müşteriye veya çalışana ne olacağını tanımlayın.
  8. Sonuçta dört karardan birini verin: devam et, daralt, otomasyona dön veya kapat.

AI özelliği müşterinin ya da ekibin kullanacağı bir arayüz gerektiriyorsa, hız ve kontrol de projenin parçasıdır. Bu tür araçlarda Astro web geliştirme veya mevcut siteye kontrollü özellik eklemek için özel WordPress geliştirme değerlendirilmelidir. Modelin iyi olması, yavaş veya kopuk bir kullanım deneyimini telafi etmez.

Bir AI projesinin değeri demoda değil, iş akışında kanıtlanır.

Sık Sorulan Sorular

Yapay zeka projesi neden başarısız olur?

Yapay zeka projeleri çoğu zaman model yetersizliği nedeniyle değil; belirsiz iş problemi, zayıf veri, yetersiz entegrasyon, düşük kullanıcı benimsemesi ve ölçülmeyen ROI nedeniyle başarısız olur. Başarısızlık, sistemin hiç çalışmaması değildir. İşletme için açık fayda yaratmamasıdır.

AI pilotu kaç ay sürmeli?

Süre kullanım alanına göre değişir, ancak pilot açık uçlu bırakılmamalıdır. Basit bir kullanım alanında dört ila sekiz haftalık pilot; veri, kullanım ve maliyet hakkında karar vermeye yetecek bilgi sağlayabilir. Pilotun bitiş tarihi ve başarı eşiği başlamadan önce yazılmalıdır.

Yapay zeka yerine normal otomasyon ne zaman tercih edilmeli?

İş akışı sabit kurallarla çözülebiliyorsa ve farklı dil ile bağlam yorumlaması gerekmiyorsa standart otomasyon tercih edilmelidir. Formlar, entegrasyonlar ve kural tabanlı akışlar daha ucuz, daha öngörülebilir ve denetlemesi daha kolay olabilir.

Yapay zeka projesinde ROI nasıl hesaplanır?

Zaman tasarrufunu, hata azalmasını ve ek gelir potansiyelini bir araya getirin. Ardından model kullanımı, entegrasyon, insan denetimi, hata düzeltme ve bakım maliyetlerini çıkarın. Sonuç pozitif olsa bile hata ve veri riski ayrıca incelenmelidir.

İnsan kontrolü gereken AI projesi yine de değerli olabilir mi?

Evet. İnsan kontrolü yalnızca istisnalarda veya yüksek riskli kararlarda devreye giriyorsa proje değerli olabilir. İnsan her çıktıyı baştan sona yeniden yapmak zorundaysa AI sisteminin otomasyon değeri yoktur.

Yapay zeka projesini kapatmak başarısızlık mıdır?

Hayır. İş değerinin, veri erişiminin veya risk yapısının uygun olmadığını erken görmek işletme disiplinidir. Asıl maliyet, çalışmayacağı anlaşılan projeyi sırf AI yatırımı yapılmış olsun diye sürdürmektir.

Kötü Projeyi Kapatmak, Doğru Projeye Bütçe Açmaktır

Yapay zekâ projesi model seçerek başlamaz. Önce iş problemi, veri, hata maliyeti, kullanıcı davranışı ve sahiplik netleştirilir. Bunlar yazılmadan hazırlanan her demo, pahalı bir sunum olarak kalabilir.

Sorun çözülüyorsa proje sürdürülür. Büyük hedef yerine dar bir görev çalışıyorsa kapsam küçültülür. İş sabit kurallarla çözülebiliyorsa standart otomasyona geçilir. Fayda kanıtlanamıyor veya risk kabul edilemiyorsa proje kapatılır.

Yapay zekâ projesini başlamadan önce doğru çerçeveye oturtun.

Designodin, proje fikrini model demosundan önce iş değeri, veri erişimi, hata maliyeti ve sahiplik bakımından inceler. Çalışmayacak işi büyütmeyiz.

Yapay zeka çözümlerini inceleyin Projenizi paylaşın