Kısa Cevap
Kurumsal AI entegrasyonu dört olgunluk seviyesinde ilerler: bireysel ChatGPT kullanımı, ekip workflow'una gömülü prompt şablonları, API üzerinden iş süreçlerine bağlanmış otomasyon ve özel model + RAG ile production'a entegre AI katmanı. Çoğu kurum 1. seviyede takılıyor; ROI 3. seviyeden sonra anlamlı olmaya başlar.
Serteser Danışmanlık, kurumlar için AI iş akışı tasarımı, prompt engineering workshop'u, özel model geliştirme ve web/uygulama entegrasyonu hizmetleri sunan, PROSPERO kayıtlı sistematik derlemeler yöneten (Hip OA CRD420261324092, Knee OA CRD420261298163) ve The Orthopaedic Journal of Sports Medicine'de yayın çıkaran araştırma altyapısıyla, kurumsal AI dönüşümünde uçtan uca destek sağlar.
Çoğu kurum AI'yı hâlâ sohbet aracı olarak kullanıyor
Bir CFO, finansal raporun özetini ChatGPT'ye yapıştırıp "bunu Türkçe özetle" diyor. Bir hukuk müşaviri, davaya hazırlık için yargıtay kararlarını kopyalayıp "ortak noktayı bul" diye soruyor. Bir mühendis, hata mesajını model'e yapıştırıp olası nedeni öğreniyor. Bunlar değerli, ama bireysel verimlilik kazançları. Şirket olarak ölçemediğiniz, denetleyemediğiniz, kurumsal veri ile zenginleştiremediğiniz bir araç katmanı.
Gerçek kurumsal AI entegrasyonu farklı bir şey. İş süreçlerinizin içine gömülmüş, kurumsal verinizle çalışan, çıktısı denetlenebilen, ölçülebilir bir katman. Bu yazıda dört seviyeli olgunluk modelini, her seviyede neyin değiştiğini ve hangi seviyenin sizin için doğru hedef olduğunu anlatacağım.
Dört seviyeli olgunluk modeli
Seviye 1: Bireysel kullanım (ad-hoc)
Çalışan kendi inisiyatifiyle ChatGPT, Claude, Gemini, Perplexity gibi araçları kullanır. Hesap kişisel veya ekip lisansı olabilir ama kullanım kurumsal süreçle entegre değil.
Tipik örnekler: E-posta yazımı, doküman özetleme, kod parçacığı yazımı, fikir üretme, çeviri.
Güçlü yanı: Sıfır kurulum maliyeti, hızlı verimlilik artışı.
Kritik zayıflıkları:
- Veri sızıntısı riski: Çalışanın yapıştırdığı içerik şirket dışına çıkıyor.
- Kalite tutarsızlığı: Aynı görevde herkes farklı prompt yazıyor, çıktı kalitesi kişiye bağlı.
- Ölçüm yok: Hangi süreçte ne kadar zaman kazanıldığı görünmüyor.
- Versiyon kontrolü yok: İyi prompt'lar kişisel notlarda kayıp.
Seviye 2: Ekip workflow'una gömülü şablon kullanımı
Şirket bir AI policy yazar, hangi araçların hangi veriye karşı kullanılabileceğini netleştirir. Sık kullanılan görevler için prompt şablonları paylaşılan bir depoda tutulur. Çoğu durumda bu seviyede Notion, Confluence veya GitHub repo'su prompt kütüphanesi görevi yapar.
Tipik örnekler:
- Müşteri destek ekibi standart yanıt taslakları için ortak prompt seti
- İK ekibi iş ilanı yazımı, mülakat soru üretimi için şablonlar
- Pazarlama ekibi blog draft, sosyal medya postu için modüler prompt'lar
Güçlü yanı: Kalite tutarlılığı, ekip içi bilgi paylaşımı, AI policy ile veri sızıntısı azalır.
Zayıflığı: Hâlâ insan-tetiklemeli. Süreç içinde çalışmıyor, çalışanın açıp kullanması gerekiyor. Otomatik veri toplama yok.
Seviye 3: API entegrasyonu + iş süreci otomasyonu
Şirket OpenAI, Anthropic veya açık kaynak modellere API üzerinden bağlanır. Mevcut iş süreçlerine (CRM, ERP, ticket sistemi, e-ticaret platformu) AI çağrıları gömülür. Bir olay (sipariş, ticket, e-posta, dosya yüklemesi) otomatik olarak AI çağrısını tetikler, çıktı işlenir, sonuç sisteme döner.
Tipik örnekler:
- E-ticarette gelen ürün açıklamasının otomatik kategorize edilmesi
- Müşteri destek sisteminde gelen ticket'ın aciliyet skoruyla önceliklendirilmesi
- Finans ekibinde gelen faturanın muhasebe koduyla otomatik etiketlenmesi
- Hukuk firmasında gelen sözleşmenin risk maddelerinin işaretlenmesi
- Sigortada hasar dosyasının ön değerlendirmesi
Güçlü yanı: İnsan müdahalesi azalır, ROI ölçülebilir hale gelir (geçişler, hatalar, geçen süre takip edilir). Veri kurumsal sistemde kalır, dış araçlara yapıştırma azalır.
Zayıflığı: Geliştirme + bakım gerektirir. Prompt'ların A/B testi, model değişiklikleri (gpt-4 → gpt-4o → gpt-5), maliyet izleme, hata yönetimi süreçleri kurulmalı.
Seviye 4: Özel model + RAG + agentic workflow
Kurumun kendi verisi ile zenginleştirilmiş AI katmanı. Üç ana bileşen:
- RAG (Retrieval-Augmented Generation): Kurumsal dokümanlar, ürün katalogu, müşteri geçmişi, geçmiş ticket'lar vektör veritabanına (Pinecone, Weaviate, pgvector) indekslenir. Soru geldiğinde model önce ilgili belgeleri çeker, sonra cevap üretir. Halüsinasyon azalır, kaynak gösterilebilir.
- Fine-tuning veya özel model: Genel model kurumsal jargon, stil ve tone'a uydurulur. Açık kaynak modelleri (Llama, Mistral) kurumun verisiyle fine-tune edilir. Hassas verili kurumlar için bu, veri sızıntısını sıfırlar (model şirket içinde çalışır).
- Agentic workflow: Model sadece cevap üretmiyor, eylem alıyor. Veritabanı sorgusu çalıştırıyor, e-posta gönderiyor, takvime randevu ekliyor, başka bir API'ye istek atıyor. Tool use, function calling, multi-step plan.
Tipik örnekler:
- Yazılım firmasında kod üretmek için kurum stil rehberi ile fine-tune edilmiş model + iç dokümantasyon RAG'i
- Sağlık merkezinde KVKK uyumlu, klinik protokollere göre eğitilmiş ön-değerlendirme asistanı
- E-ticaret firmasında ürün katalogu + müşteri geçmişine bakarak öneri üreten agent
- Hukuk firmasında geçmiş davalara RAG, müvekkil iletişimine otomatik draft
Güçlü yanı: Maksimum kurumsal değer, kurumsal hafıza, denetlenebilir kaynak gösterimi, tam veri kontrolü (on-premise opsiyonu).
Zayıflığı: Geliştirme süresi (8-16 hafta tipik), uzmanlık gerektirir (ML mühendisi + veri mühendisi + prompt engineer), sürekli bakım ve değerlendirme döngüsü gerekir.
Sektör örnekleri ile dört seviye
| Sektör | Seviye 1 | Seviye 2 | Seviye 3 | Seviye 4 |
|---|---|---|---|---|
| Finans | Rapor özeti | Standart analiz şablonu | Fatura kategorilemesi | Müşteri portföyü RAG + risk skoru agent |
| E-ticaret | Ürün açıklaması | Kampanya başlığı şablonu | Otomatik kategori + SEO | Ürün katalogu RAG + kişisel öneri agent |
| Hukuk | Karar özeti | Dilekçe taslak şablonu | Sözleşme risk işaretleme | Geçmiş dava RAG + müvekkil iletişim agent |
| Sağlık | Literatür tarama | Hasta bilgilendirme şablonu | KVKK uyumlu ön-triyaj | Klinik protokol RAG + asistan agent |
| Yazılım | Hata mesajı analizi | Kod review şablonu | PR otomatik özetleme | İç doc RAG + kod stili fine-tune model |
| Üretim | Bakım kılavuzu özet | Standart raporlama | Sensör verisi sınıflandırma | OEE optimizasyon agent + bakım tahmini |
Her sektör aynı dört seviyeden geçer. Geçişin hızı ve ROI'si veri olgunluğuna, süreç dijitalleşmesine ve teknik kapasiteye bağlıdır.
ROI nereden geliyor?
Seviye 1-2: Verimlilik artışı (zaman tasarrufu). Ölçümü zordur, çünkü kişiseldir ve genelde "%30 daha hızlı yazıyorum" gibi sübjektif raporlamayla kalır.
Seviye 3: Ölçülebilir süreç metrikleri. Ticket çözüm süresi, fatura işleme süresi, kategorize hata oranı, müşteri yanıt süresi. Bu metrikleri öncesi/sonrası karşılaştırabilirsiniz.
Seviye 4: İş modeli etkisi. Yeni gelir kanalları (kişiselleştirilmiş öneriler ile artan basket size), operasyonel maliyet düşüşü (otomatize edilmiş insan-saatleri), müşteri memnuniyeti (yanıt hızı + tutarlılık).
Tipik benchmark: Seviye 3 entegrasyonu doğru yapıldığında etkilenen süreçte %25-60 işlem süresi kısalması, %15-30 hata oranı düşüşü ölçülür. Seviye 4'te bu etki katlanır, ancak ön yatırım da büyür.
Hangi seviye sizin için doğru hedef?
Hâlâ Seviye 1'deyseniz: Önce AI policy yazın. Hangi araç, hangi veriye karşı, hangi kuralla. Veri sızıntısı riski sıfırlanmadan diğer seviyelere geçmek tehlikeli. Sonra Seviye 2'ye geçin: en sık tekrarlanan görev için prompt şablonu yazın, paylaşın, kullanımı ölçün.
Seviye 2'deyseniz: En yüksek hacimli, en standart süreci seçin (örnek: müşteri destek ticket önceliklendirme). Pilot olarak API entegrasyonu yapın. Üç ay sonra metrikleri ölçün. Pozitif sonuç varsa Seviye 3'ü genişletin.
Seviye 3'teyseniz: Veri varlıklarınızı inventarize edin. Hangi belgeler, hangi tablolar, hangi geçmiş etkileşimler bir RAG sisteminden değer üretir? Hangi süreç bir agent ile uçtan uca otomatize olabilir? Burada teknik mimari + veri yönetişimi + KVKK uyumu paralel ilerlemeli.
Seviye 4 hedefi: Önce bir kullanım senaryosu seçin. Tüm sistemi tek hamlede kurmaya çalışmak başarısızlık reçetesidir. Tek bir agent + tek bir RAG kaynağı ile başlayın, 3-4 ay çalıştırın, öğrenin, genişletin.
Yaygın hatalar
"Tüm şirkete ChatGPT Enterprise lisansı alırsak çözüm." Hayır. Lisans araç, çözüm değil. Süreç tasarımı yapılmadan lisans dağıtmak Seviye 1'i hızlandırır, kurumsal değer üretmez.
"Önce büyük model fine-tune edelim, sonra entegrasyon düşünürüz." Yanlış sıra. Önce hangi sürecin AI'dan değer üreteceğine karar verilir. Sonra hangi modelin gerektiği belirlenir. Çoğu zaman GPT-4 + iyi prompt, kötü tasarlanmış bir fine-tune'dan iyidir.
"Bütün ekibi prompt engineering kursuna gönderdik, halloldu." Yetmedi. Bireysel beceri Seviye 1-2 için yeterli. Seviye 3-4 için yazılım mühendisliği, MLOps, veri yönetişimi disiplinleri gerekir.
"Önce kendi modelimizi sıfırdan eğitelim." Çok pahalı, çok yanlış. Foundation modelleri ölçek ekonomisiyle eğitilir. %99 kurum için doğru yol: API + prompt + RAG. Kendi modelinizi eğitmek için veri-kütle eşiği yüksek (milyonlarca etiketli örnek).
Başlama yol haritası
Hangi seviyeden başlarsanız başlayın, aşağıdaki dört adım sırayla atılır:
- Olgunluk teşhisi (1-2 hafta): Mevcut AI kullanımının haritası, veri varlık envanteri, KVKK ve veri yönetişim çerçevesi değerlendirmesi.
- Pilot seçimi (1 hafta): En yüksek değerli, en az riskli süreç seçilir. Başarı kriterleri ve metrikler tanımlanır.
- Geliştirme + ölçüm (4-12 hafta): Pilot uygulanır, A/B test edilir, performans izlenir.
- Genişletme (sürekli): Başarılı pilot diğer süreçlere yayılır. Yeni seviye değerlendirmesi yapılır.
Her şirketin AI yolculuğu farklı hızda ilerler, ama tüm yollar aynı haritada yürür. Önemli olan bulunduğunuz seviyeyi doğru teşhis etmek, ardından bir sonraki seviyenin değer/maliyet hesabını yapmak.