McKinsey'nin Ağustos 2026'da yayımladığı küresel yapay zekâ araştırmasına göre çalışanların yüzde 80'i yapay zekânın bireysel üretkenliklerini artırdığını belirtirken, şirketlerin yalnızca yüzde 37'si yapay zekâ kullanımının faaliyet kârına olumlu katkı sağladığını bildiriyor.
Araştırma, yapay zekânın günlük çalışma hayatında hızla yaygınlaşmasına rağmen bireysel kazanımların şirket genelinde ekonomik değere dönüştürülmesinde hâlâ önemli bir boşluk bulunduğuna işaret ediyor.
McKinsey'nin eylül ayında yayımladığı bir diğer çalışma ise özellikle yapay zekâ ajanlarının yaygınlaşmasıyla birlikte şirketlerin mevcut iş akışlarını yeniden ele alması gerektiğini ortaya koyuyor. Çalışmada, farklı ekipler ve sistemler arasındaki koordinasyon, bilgi aktarımı ve iş devri noktalarının yapay zekâ ile yeniden tasarlanabilecek önemli alanlar arasında bulunduğu belirtiliyor.
"YAPAY ZEKÂYI MEVCUT SÜRECİN ÜZERİNE EKLEMEK YETERLİ DEĞİL"
Araştırma sonuçlarını değerlendiren veri bilimci Faruk Çelikkanat, bireysel üretkenlik ile şirket düzeyindeki finansal sonuçlar arasındaki farkın yapay zekâ dönüşümünde önemli bir probleme işaret ettiğini belirtiyor. Türk Silahlı Kuvvetleri'ndeki görev döneminde analiz ve veri odaklı karar destek çalışmaları yürüten Çelikkanat, askerî kariyerindeki performansı nedeniyle Cumhurbaşkanı ve Genelkurmay Başkanı tarafından ödüllendirildi. Çelikkanat, verinin karar süreçlerindeki yerini ele alan bu deneyimini daha sonra endüstriyel yapay zekâ alanına taşıdı.
Çelikkanat, "Bir çalışanın yapay zekâ kullanarak bir görevi daha hızlı tamamlaması önemli bir kazanım. Ancak şirket açısından asıl değer, bunun bütün iş akışına ve karar sürecine nasıl yansıdığıyla ortaya çıkıyor. Mevcut süreç aynı şekilde devam ederken yalnızca belirli noktalara yapay zekâ araçları eklemek, kurumsal ölçekte beklenen sonucu her zaman oluşturmayabilir" değerlendirmesinde bulundu.
DEĞER, TEKNOLOJİNİN OPERASYONA YERLEŞTİĞİ NOKTADA ORTAYA ÇIKIYOR
Yapay zekânın operasyonun içine yerleştirildiğinde ne tür bir fark yaratabileceğini gösteren örneklerden biri üretim sektöründen geliyor. Çelikkanat'ın Kıdemli Veri Bilimci olarak görev yaptığı karbon fiber üreticisi DowAksa'da yürütülen projelerde, üretim süreçlerinden elde edilen yüksek frekanslı veriler operasyonel kararları destekleyecek şekilde analiz edildi. Bilgisayarlı görü ile ürün kusurlarının üretim hattında tespit edilmesine yönelik çalışmalar kapsamında yıllık yaklaşık 425 bin dolarlık potansiyel maliyet avantajı hesaplandı. Bu tür örnekler, araştırmalarda öne çıkan tespitle örtüşüyor: yapay zekânın finansal sonuca etkisi, teknolojinin ayrı bir araç olarak kalmayıp doğrudan üretim ve karar sürecinin parçası haline gelmesiyle belirginleşiyor.
Endüstriyel verilerden tahmin üretmek, Çelikkanat'ın akademik çalışmalarının da konusu. Ankara Üniversitesi'nde İstatistik alanında yüksek lisansını tamamlayan Çelikkanat'ın endüstriyel merkezlerde hava kirliliğinin tahminine yönelik araştırması 2019 yılında uluslararası akademik bir dergide yayımlandı.
Çelikkanat'a göre şirketlerin yapay zekâ yatırımlarından önce hangi iş akışlarının gerçekten iyileştirilmeye ihtiyaç duyduğunu belirlemesi gerekiyor.
"Önce sürecin nasıl çalıştığını, kararın nerede verildiğini, hangi bilginin kimler arasında aktarıldığını ve darboğazların nerede oluştuğunu anlamak gerekiyor. Bundan sonra yapay zekânın hangi noktada analiz, otomasyon veya karar desteği sağlayacağı belirlenebilir" diyen Çelikkanat, aksi durumda şirketlerin çok sayıda yapay zekâ aracına sahip olmasına rağmen bunlardan kurumsal ölçekte sınırlı değer elde edebileceğini ifade etti. "The Digital Sniper: Where Data Meets Precision" adlı kitabın da yazarı olan Çelikkanat, bu yaklaşımı kendi geliştirdiği uygulamalarda da temel alıyor.
KARAR DESTEĞİ VE MALİYET KONTROLÜ ÖNE ÇIKIYOR
Çelikkanat'ın geliştirdiği Selltrix, verinin karar noktasına taşınması fikrini e-ticarete uyguluyor. Uygulama, e-ticaret ve pazar yeri verilerini fırsat, rekabet, risk ve fiyatlandırma gibi farklı boyutlarda değerlendirerek kullanıcıların karar süreçlerini desteklemeyi amaçlıyor.
Yapay zekânın kâra yansımaması sorununun bir de maliyet tarafı var. Büyük dil modelleri ve yapay zekâ ajanları farklı ekiplerde yaygınlaştıkça bu kullanımın nasıl izleneceği ve bütçelendirileceği şirketler için yönetilmesi gereken bir başlığa dönüşüyor. Çelikkanat'ın bir diğer çalışması olan LLMCap, büyük dil modeli API'lerinin kullanım limitleri, bütçe kontrolleri, model erişim politikaları ve kullanım kayıtları gibi mekanizmalar üzerinden daha kontrollü yönetilmesine odaklanıyor.
Araştırmalar, yapay zekânın şirketlerdeki bir sonraki aşamasının yalnızca çalışanların bireysel üretkenliğini artırmakla sınırlı kalmayacağını gösteriyor. Kurumların insan çalışanlar ile yapay zekâ sistemlerinin birlikte çalışacağı süreçleri yeniden tasarlaması ve teknolojiyi doğrudan karar ve operasyon mekanizmalarına bağlaması, önümüzdeki dönemin önemli dönüşüm alanlarından biri olarak görülüyor. Çelikkanat'a göre de bu dönemde öne çıkacak şirketler en fazla yapay zekâ aracına sahip olanlar değil, veriyi, insan uzmanlığını ve yapay zekâyı doğru iş akışları ve karar mekanizmaları içinde bir araya getirebilenler olacak.
