Kısa Cevap
Kurumsal yapay zeka ROI'sı dört maliyet kalemine (pilot dev, production altyapı, sürekli operasyon, organizational change) ve üç fayda kanalına (zaman tasarrufu, hata azaltma, yeni gelir kaynağı) ayrılır. Pilot maliyeti tipik production maliyetinin %15-25'idir; ekipler bu yüzden başarılı pilotun production'da neden farklı görünür olduğunu yanlış değerlendirir. Doğru ROI çerçevesi 12-24 aylık horizon, attribution discipline (AI etkisi vs paralel iyileştirmeler), risk-ayarlı NPV ve "yapmama maliyetini" de hesaba katar.
Serteser Danışmanlık, kurumlar için yapay zeka projesi finansal çerçevelendirme, pilot-to-production geçiş danışmanlığı, vendor değerlendirme ve KPI tasarımı sunan; PROSPERO kayıtlı sistematik derlemeler yöneten (Hip OA CRD420261324092, Knee OA CRD420261298163) ve The Orthopaedic Journal of Sports Medicine'de yayın çıkaran araştırma altyapısıyla, B2B yapay zeka entegrasyonunda uçtan uca destek sağlar.
Yapay zeka projesi finansal terim olmadan başarısız
CIO veya CFO masasına gelen bir yapay zeka teklifi: "ChatGPT Enterprise lisansı + danışman + altyapı, ilk yıl 180 bin USD. Geri dönüş çok yüksek." Cümle tatmin etmez, soru kaçınılmaz: "Tam olarak hangi metric'te ne kadar geri dönüş?"
Yapay zeka projelerinin %60-70'i bu finansal disiplinin eksikliğinden başarısız. Pilot başarılı ilan edilir, production'a geçilir, 18 ay sonra "yatırım karşılığı belirsiz" deyip ya da sessizce gömülür. Hâlbuki sorun teknolojide değil, finansal çerçevenin kurulmamasında.
Bu yazıda dört ana maliyet kalemini, üç fayda kanalını, attribution disipliniyle ROI hesabını, risk-ayarlı karar matrisini ve "yapmama maliyetini" hesaba katan tam bir B2B finansal çerçeve sunuyorum.
Dört Maliyet Kalemi
1. Pilot Development (One-off, 3-6 ay)
İlk prototip, POC, kapalı kullanıcı testleri. Tipik bileşenler:
- Dış danışman / freelance dev (40-120 USD / saat)
- Cloud compute (denemeler için, 500-3000 USD / ay)
- LLM API testleri (200-2000 USD / ay)
- İç ekip zamanı (genelde unutulur, ama gerçek maliyet)
Tipik toplam: 25 bin - 80 bin USD.
2. Production Infrastructure (One-off + sustaining)
Production'a geçiş = scale + reliability + security katmanları:
- Vektör DB cluster (self-hosted veya managed)
- Load balancer + monitoring + logging
- KVKK uyumlu data layer
- SSO entegrasyonu
- Disaster recovery
- Security audit
Tipik toplam: 30 bin - 150 bin USD ilk kurulum.
3. Sürekli Operasyon (Monthly, scale-dependent)
Aylık operasyonel:
- LLM API çağrıları (50 - 5000 USD / ay, kullanıma göre)
- Vektör DB hosting (200 - 3000 USD / ay)
- Monitoring (Datadog, NewRelic: 200 - 1000 USD / ay)
- DevOps zamanı (FTE'nin %10-30'u)
- Lisanslar (Cohere reranker, observability tooling)
Tipik aylık: 3 bin - 18 bin USD.
4. Organizational Change (Hidden, en sık unutulan)
En az %25-40 toplam maliyet:
- Kullanıcı eğitimi (workshop, döküman, video)
- Süreç yeniden tasarımı
- Change management iletişimi
- Erken adopter destek ekibi
- Direnç yönetimi (özellikle yaşı yüksek kullanıcı tabanı)
Tipik toplam: 15 bin - 60 bin USD ilk yıl.
Toplam İlk Yıl TCO
| Kalem | Min | Tipik | Max |
|---|---|---|---|
| Pilot dev | 25K | 50K | 80K |
| Production infra | 30K | 80K | 150K |
| Operasyon (12 ay) | 36K | 96K | 216K |
| Organizational | 15K | 35K | 60K |
| Toplam İlk Yıl | 106K | 261K | 506K |
USD bazında. Türkiye orta ölçek (200-1000 çalışan) için bu aralık tipik. Büyük kurumda 2-3x yukarı, küçükte 0.5x aşağı çıkar.
Üç Fayda Kanalı
1. Zaman Tasarrufu (en somut)
Çalışan saatlik maliyetiyle çarpılır:
- Çağrı merkezi: %20-30 ortalama görüşme süresi azalması = X kişi × Y saat × Z TL
- Hukuk ekibi: kontrat inceleme %40 hız = ...
- Pazarlama: içerik üretimi %50 hız = ...
Hesap örneği: 50 kişilik müşteri destek ekibi, ortalama yıllık brüt 700K TL kişi başı, AI ile %20 efficiency = 50 × 700K × 0.20 = 7 milyon TL / yıl brüt fayda.
Dikkat: Bu rakam "%100 reinvestable" değil. Tasarruf edilen zaman yeniden gelir üreten aktiviteye gitmezse, sadece kâğıt üzerinde. Attribution disiplini gerekli.
2. Hata Azaltma (orta somutluk)
Modelin yakaladığı / önlediği hata:
- Faturalandırma hatalarında %X azalma = Y maliyet kaçınma
- Yanlış sevkiyat oranı %X azalma
- Mevzuat ihlalleri kaçınma (ceza riski)
Hesap zorluğu: "Olmasaydı ne olurdu" karşı-olgusal kanıt zor. Önce baseline 6 aylık ölçüm, sonra AI sonrası 6 ay karşılaştırma. A/B test mümkünse en iyi.
3. Yeni Gelir (en az somut, en yüksek tavan)
AI sayesinde yapılan yeni ürün, yeni segment, hızlandırılmış GTM:
- AI destekli ürün özelliği müşteri kazanımı
- Yeni veri ürünü satışı
- Daha hızlı sözleşme döngüsü → daha çok deal close
Atfetme zor: Çoğu zaman AI tek faktör değil. Marketing, ürün, fiyatlama paralel iyileştirmeler. Conservative attribution (yeni gelirin %15-30'unu AI'ya atfet) önerilir.
Pilot-to-Production Maliyet Şoku
Bu yazıdaki en kritik konseptlerden biri: Pilot maliyeti, production maliyetinin %15-25'idir.
Neden:
- Pilot 1-2 kullanıcı, production 200+
- Pilot localhost / single VM, production cluster + redundancy
- Pilot manual deployment, production CI/CD pipeline
- Pilot "best effort" reliability, production %99.9 SLA
- Pilot KVKK skip, production tam uyum
- Pilot SSO yok, production zorunlu
- Pilot 1 dil, production multi-lang
Tipik pilot 30K USD ise production toplam 150-200K USD. Bu farkı önceden modellemeyen ekipler pilot başarısı sonrası şok yaşar.
Pratik aksiyon: Pilot başında "production extrapolation" yapın. Pilot'ı kuranlar production architecture'ı da düşünsün. Vendor değerlendirmesinde "pilot ucuz, scale pahalı" tuzağına dikkat (özellikle managed AI hizmetlerinde).
ROI Hesaplama Çerçevesi
Doğru kurulum 5 adımdır:
Adım 1: Time horizon belirleme
12 ay yetersiz, 36 ay belirsiz. 24 ay çoğu kurumsal AI projesi için sweet spot.
Adım 2: TCO modelleme (above)
Yıl bazlı, kalem detayı, sensitivity analysis (best/expected/worst).
Adım 3: Fayda projeksiyonu (üç kanal)
Her kanal için baseline + AI sonrası + delta, conservative attribution oranı.
Adım 4: Risk-ayarlı NPV
NPV = Σ (Fayda - Maliyet) / (1 + r)^t
r = kurumsal sermaye maliyeti + risk primi
Türkiye 2026: ~%30-40 (yüksek belirsizlik için)
Adım 5: Karar matrisi
| Senaryo | NPV | Karar |
|---|---|---|
| Best | > 0 | İlerleme şartı: worst > -X% |
| Expected | > 0 | İlerle |
| Expected | < 0 ama yapmama maliyeti yüksek | İlerle (strateji) |
| Tümü < 0 | - | İptal |
Yapmama Maliyeti (Cost of Inaction)
Çoğu ROI hesabının atladığı boyut. "AI yapmazsak ne kaybederiz":
- Rakipler AI ile %20 daha hızlı GTM → market share kaybı
- Müşteri beklentisi (chatbot beklentisi) karşılanmazsa NPS düşüşü
- Talent attraction: yapay zeka kullanmayan şirkette engineer / data scientist kalmaz
- Compliance / audit: 2027'den itibaren AI özelliği olmayan ürünler bazı tender'larda elendi
Türkiye spesifik: TÜBİTAK 1501, 1505 destek başvurularında "AI olgunluğu" 2025'ten beri scoring kriteri. AI yapmama, grant'a yansır.
Attribution Discipline
ROI'nin en kritik methodologic noktası. Eğer aynı anda:
- AI projesi başlattınız
- Süreç iyileştirmesi yaptınız
- Ekip büyüttünüz
- Yeni ürün çıkardınız
...sonraki yıl gelir arttı, bunun ne kadarı AI? Cevap: ölçemediğiniz sürece bilemezsiniz.
Üç attribution yaklaşımı:
-
A/B test: Yapı izin veriyorsa altın standart. Bir bölge / takım AI ile, diğeri klasik. 6 ay sonra karşılaştır.
-
Pre-post + comparable cohort: AI öncesi 12 ay vs AI sonrası 12 ay. Aynı ekiple, dış faktörleri benzer tutarak.
-
Counterfactual modeling: İstatistiksel "AI olmasaydı ne olurdu" tahmini. Synthetic control yöntemi. En sofistike, en kırılgan.
Vendor Değerlendirme Matrisi
B2B yapay zeka satıcısı / danışmanı seçerken:
| Kriter | Ağırlık | Sorulacak |
|---|---|---|
| Domain spesifik referans | %25 | Aynı sektörde 3+ deployed referans var mı |
| Pilot-to-production track | %20 | Kaç pilot production'a geçti |
| KVKK / GDPR uyum | %15 | Veri ikametgâhı, DPA, audit log |
| Total cost transparency | %15 | 36 aylık TCO simulasyonu verir mi |
| Exit / data portability | %10 | Data + model nasıl geri alınır |
| Roadmap ortaklığı | %10 | Aylık review toplantısı, ortak metrikler |
| Ekip kalitesi | %5 | Project lead'in CV'si |
Pratik Karar Örneği
Senaryo: 800 çalışanlı orta ölçek finansal hizmet şirketi, müşteri destek AI projesi.
| Boyut | Değer |
|---|---|
| İlk yıl TCO | 280K USD |
| Yıl 2 operasyon | 130K USD |
| Çağrı merkezi tasarrufu (yıl 1) | 220K USD (50 FTE × %12 efficiency) |
| Hata azaltma kazancı (yıl 1) | 60K USD |
| Yeni gelir (yıl 2) | 180K USD (proaktif outreach) |
| 2-yıl net | +90K USD |
| Risk-ayarlı NPV (%35 r) | +12K USD |
Sınırda pozitif. Karar: ilerle ama çeyrek bazlı checkpoint, fayda projeksiyonu doğrulanmazsa pivot veya iptal.
Sonuç
Yapay zeka ROI'sı bir slide-show metrik değil, finansal disiplin gerektiren bir model. Dört maliyet kalemi (özellikle organizational change ve hidden production scale-up), üç fayda kanalı (attribution disiplinli), 24 aylık horizon, risk-ayarlı NPV ve yapmama maliyetini bütüncül hesaba katan ekipler daha sürdürülebilir AI yatırımları yapar.
Pilot başarısının %15-25 maliyet noktasında geldiğini, production'ın 4-7x daha pahalı olacağını kabul etmek, finansal sürprizi öldürür. Karar matrisinde "expected NPV negatif ama yapmama maliyeti yüksek" senaryosunu unutmamak, stratejik AI yatırımının çerçevesini doğru kurar.