ChatGPT Yetmez: Neden Her Şirket Kendi Yapay Zeka Sistemini Kurmalı?

İçindekiler

• Sorun: Herkes Yapay Zeka Kullanıyor Ama Kimse Verim Alamıyor
• MIT’nin Çarpıcı Raporu: %95 Başarısızlık
• ChatGPT’ye “Bir Şeyler Yap” Demek Neden İşe Yaramıyor?
• Bağlam Yok, Otomasyon Yok, Sistem Yok: Verim Olmaz
• RAG Sistemi: Şirketinizin Hafızası
• Fine-Tuning Maliyetli Ama RAG Şart
• Gerçek Hayattan Örnekler: Neden Başarısız Oluyorlar?
• Kendi Yapay Zeka Sisteminizi Nasıl Kurarsınız?
• Sonuç: Yapay Zeka Tiyatro Değil, Dönüşüm Olmalı

Son iki yılda Türkiye’de yapay zeka kullanımı patladı. ChatGPT, Gemini, Claude… Herkes deniyor, herkes konuşuyor. Ancak işin gerçeği şu: Çoğu şirket yapay zekadan beklediği verimi alamıyor. Hatta daha kötüsü, yapay zeka kullandığını sanıyor ama aslında sadece yüzeysel bir şekilde dokunuyor. Ben Ertuğrul Akben olarak, son altı ayda yüzlerce şirkete yapay zeka danışmanlığı verdim. Antalya’dan İstanbul’a, KOBİ’lerden kurumlara kadar hepsinde aynı şikayeti duydum: “AI saçmalıyor.”

Peki sorun gerçekten teknolojide mi? Yoksa şirketlerin yapay zekayı kullanma biçiminde mi? MIT’nin yeni yayımladığı rapor, bu sorunun cevabını net bir şekilde ortaya koyuyor: Sorun teknolojide değil, yaklaşımda.

Sorun: Herkes Yapay Zeka Kullanıyor Ama Kimse Verim Alamıyor

Yapay zeka araçları artık her yerde. ChatGPT’nin kullanıcı sayısı milyonları geçti, şirketler pilot projeler başlattı, yöneticiler sunumlarda “AI transformation” dedi. Ancak gerçek şu: Bu projelerin büyük çoğunluğu başarısız oluyor. Şirketler yapay zekayı kullanıyor gibi görünüyor ama aslında sadece yüzeyde kalıyor. Çünkü yapay zekayı kullanmak, Google’da arama yapmak gibi değil. ChatGPT’ye “bana bir pazarlama planı hazırla” demek, yapay zeka kullanmak değildir. Bu, sadece bir chatbot’la konuşmaktır.

Gerçek yapay zeka kullanımı şunları gerektirir:

• Bağlam (Context): Yapay zekanın şirketinizi, sektörünüzü, hedef kitlenizi, geçmiş verilerinizi bilmesi
• Otomasyon: Manuel copy-paste döngüsü yerine iş akışına entegre edilmiş sistemler
• Hafıza: Her seferinde sıfırdan başlamak yerine öğrenen, gelişen sistemler
• RAG (Retrieval-Augmented Generation): Şirketinizin özel verilerine erişebilen, güncel bilgiyle beslenen modeller
• Doğrulama Mekanizmaları: Halüsinasyonları engelleyen, güvenilir çıktılar üreten sistemler

Bu unsurlar olmadan yapay zeka kullanımı sadece bir gösteriş olur. Tıpkı bir araba almak ama motor yağı koymadan kullanmaya çalışmak gibi. Görünüşte araba var ama verim yok.

MIT’nin Çarpıcı Raporu: %95 Başarısızlık

Massachusetts Institute of Technology (MIT) tarafından Ağustos 2025’te yayımlanan “State of AI in Business 2025” raporu, kurumsal yapay zeka projelerinin durumunu acımasızca ortaya koyuyor. Raporda 300’den fazla kurumsal uygulama incelendi ve sonuç şok edici: Pilot yapay zeka projelerinin %95’i ölçülebilir iş sonuçları üretemiyor.

Bu rakam sadece bir istatistik değil, bir felaket. 2025’in ilk yarısında yapay zeka girişimleri 44 milyar dolardan fazla yatırım aldı. Bu rakam 2024’ün toplamını bile geçti. Ancak bu devasa yatırımların karşılığı alınamıyor. Şirketler milyonlar harcıyor ama ROI (yatırım getirisi) sıfır.

GenAI Divide: %95 ile %5 Arasındaki Uçurum

MIT raporu, şirketleri iki gruba ayırıyor:

Başarısız olan %95’lik grup, yapay zekayı sadece bir araç olarak görüyor. Demo için yeterli, sunumlarda güzel görünüyor ama iş akışında kırılgan. Çalışanlar ChatGPT’ye sorular soruyor, cevapları kopyalıyor, Word’e yapıştırıyor. Bu bir dönüşüm değil, sadece yeni bir kopyala-yapıştır döngüsü.

Başarılı olan %5’lik grup ise yapay zekayı bir sistem olarak kuruyor. Hafızalı, öğrenen, şirket verilerine erişebilen, iş akışına entegre edilmiş sistemler. İşte gerçek ROI burada yaşıyor.

ChatGPT’ye “Bir Şeyler Yap” Demek Neden İşe Yaramıyor?

Geçen ay Antalya’da bir e-ticaret firmasıyla görüştüm. Firma sahibi bana şunu söyledi:

“Ertuğrul Bey, biz ChatGPT’ye ‘bize bir pazarlama planı hazırla’ dedik. Verdiği şey çok genel, hiçbir işe yaramadı. Bu teknoloji abartılmış.”

Bu yakınmayı çok duydum. Ve haklılar. Çünkü yapay zekaya “bir şeyler yap” demek, eğitimsiz bir çırak almak gibi. O çırak yetenekli olabilir ama ona nasıl yapacağını, hangi adımları izleyeceğini, hangi formatta çıktı vereceğini öğretmezseniz, işi yarım yamalak bitirir.

ChatGPT gibi genel amaçlı yapay zeka araçları, geniş bir bilgi tabanına sahip. Ancak sizin şirketinizi bilmiyor. Sizin müşterilerinizi, rakiplerinizi, geçmiş kampanyalarınızı, marka sesinizi bilmiyor. Dolayısıyla verdiği çıktılar genel, jenerik ve işe yaramaz oluyor.

En Sık Karşılaşılan Problemler

Şirketlerin yapay zeka kullanımında karşılaştığı en yaygın problemler şunlar:

Bu problemlerin hiçbiri teknolojiden kaynaklanmıyor. Hepsi kullanım şeklinden kaynaklanıyor. Yapay zekayı doğru kullanmak, onu eğitmek, ona bağlam vermek, sistematik hale getirmek gerekiyor.

Bağlam Yok, Otomasyon Yok, Sistem Yok: Verim Olmaz

Yapay zekadan verim almak için üç temel unsur şart:

1. Bağlam (Context)

Yapay zekanın sizin şirketinizi, sektörünüzü, müşterilerinizi bilmesi gerekiyor. Bu sadece “biz bir e-ticaret firmasıyız” demekle olmuyor. Yapay zekaya şunları vermeniz gerekiyor:

• Şirket tanıtım dokümanları
• Geçmiş proje raporları
• Müşteri yorumları ve geri bildirimleri
• Rakip analizleri
• Marka kılavuzu ve ton rehberi
• Ürün katalogları ve teknik özellikler

Bu bilgiler olmadan yapay zeka, genel bilgilerle yanıt verir. Ancak bu bilgileri verdiğinizde, yapay zeka sizin şirketinize özel çıktılar üretir.

2. Otomasyon

Manuel olarak ChatGPT’ye gidip soru sormak, cevabı kopyalayıp yapıştırmak sürdürülebilir değil. Yapay zekayı iş akışınıza entegre etmeniz gerekiyor. Örneğin:

• Müşteri destek sisteminize entegre edilmiş AI chatbot
• E-posta pazarlama aracınıza bağlı içerik üretici
• CRM sisteminize entegre müşteri analiz aracı
• Sosyal medya yönetim aracınıza bağlı gönderi üretici

Otomasyon, yapay zekayı bir sistem haline getirir. Artık manuel işlem yapmıyorsunuz, sistem otomatik çalışıyor.

3. Hafıza ve Öğrenme

MIT raporunun en çarpıcı bulgularından biri şu:

“Pilot projeler takılıyor çünkü çoğu araç geri bildirim tutamıyor, bağlama uyum sağlayamıyor veya zaman içinde gelişemiyor.”

Çoğu şirket yapay zekayı kullanırken her seferinde sıfırdan başlıyor. Geçmiş konuşmalar, öğrenilen bilgiler, yapılan hatalar kaybolup gidiyor. Ancak başarılı olan %5’lik grup, hafızalı sistemler kuruyor. Bu sistemler:

• Geçmiş konuşmaları hatırlıyor
• Kullanıcı düzeltmelerinden öğreniyor
• Zaman içinde daha doğru hale geliyor
• Şirket verilerini sürekli güncelliyor

İşte bu noktada RAG sistemi devreye giriyor.

RAG Sistemi: Şirketinizin Hafızası

RAG (Retrieval-Augmented Generation), yapay zekanın kendi bilgi tabanına ek olarak sizin verilerinize erişmesini sağlayan bir teknolojidir. Basitçe açıklamak gerekirse:

Normal ChatGPT kullanımı:

1. Siz soru soruyorsunuz
2. ChatGPT kendi bilgi tabanından yanıt veriyor
3. Sizin şirket verilerinize erişemiyor
4. Genel, jenerik cevaplar

RAG sistemi ile:

1. Siz soru soruyorsunuz
2. Sistem önce sizin şirket verilerinizde arama yapıyor
3. İlgili dokümanları, raporları, verileri buluyor
4. Bu bilgileri kullanarak yapay zeka yanıt üretiyor
5. Şirkete özel, doğru, güncel cevaplar

RAG’ın Avantajları

RAG sistemi, şirketlerin yapay zekadan gerçek verim almasını sağlayan en kritik unsurdur. İşte avantajları:

RAG Nasıl Çalışır?

RAG sisteminin teknik detaylarına girmeden, basit bir örnekle açıklayayım:

Senaryo: Bir otel zincirisiniz ve müşteri yorumlarını analiz etmek istiyorsunuz.

Normal ChatGPT ile:

• ChatGPT’ye “otel yorumlarını analiz et” diyorsunuz
• ChatGPT genel otel yorum analizi bilgisi veriyor
• Sizin otellerinizin yorumlarını bilmiyor
• İşe yaramaz

RAG sistemi ile:

1. Tüm müşteri yorumlarınızı bir vektör veritabanına yüklüyorsunuz
2. “Son 3 aydaki olumsuz yorumları analiz et” diye soruyorsunuz
3. Sistem önce vektör veritabanında arama yapıyor
4. Son 3 aydaki olumsuz yorumları buluyor
5. Bu yorumları yapay zekaya veriyor
6. Yapay zeka sizin gerçek yorumlarınızı analiz ediyor
7. Hangi odaların, hangi hizmetlerin şikayet aldığını, öncelik sırasını, tahmini maliyetleri çıkarıyor

İşte bu gerçek verimdir. Artık genel bilgi değil, sizin verilerinizden çıkan, işlem yapılabilir içgörüler alıyorsunuz.

Fine-Tuning Maliyetli Ama RAG Şart

Şirketler yapay zekayı özelleştirmek için genellikle iki yöntem duyarlar:

1. Fine-Tuning: Modeli yeniden eğitmek
2. RAG: Modele dış bilgi kaynağı bağlamak

Fine-tuning, modelin ağırlıklarını değiştirerek onu belirli bir görev için özelleştirmektir. Ancak bu yöntem çok maliyetlidir:

Fine-Tuning Maliyetleri

• GPU/TPU kaynakları: Eğitim için güçlü sunucular gerekir ($1,000-10,000 per eğitim)
• Veri hazırlama: Binlerce etiketlenmiş örnek veri gerekir ($10,000-50,000)
• Uzman ekip: Veri bilimci, ML mühendisi gerekir ($100,000+/yıl)
• Zaman: Haftalar, hatta aylar sürebilir
• Bakım: Her güncelleme için yeniden eğitim ($20,000+/yıl)

Toplam ilk yıl maliyeti: ~$150,000-250,000

RAG Maliyetleri

• Vektör veritabanı: Pinecone, Weaviate gibi servisler ($50-500/ay)
• API çağrıları: OpenAI, Anthropic API kullanımı ($0.001-0.01 per query)
• Geliştirme: 1-2 hafta yazılım geliştirme
• Bakım: Minimal, veri güncellemeleri otomatik

Toplam ilk yıl maliyeti: ~$5,000-15,000

RAG vs Fine-Tuning: Hangisi Daha İyi?

Çoğu şirket için cevap net: RAG. İşte neden:

Fine-tuning sadece çok özel durumlarda gereklidir (örneğin, modelin üslubunu tamamen değiştirmek, özel format çıktıları). Ancak bilgiye erişim, analiz, içerik üretimi gibi çoğu kullanım senaryosunda RAG şarttır.

Gerçek Hayattan Örnekler: Neden Başarısız Oluyorlar?

MIT raporunda en ilginç bulgu, “Shadow AI” (Gölge Yapay Zeka) ekonomisi. Şirketlerin %90’ında çalışanlar, resmi pilot projeler başarısız olsa bile kişisel yapay zeka araçlarını kullanıyor. Bir Fortune 500 sigorta şirketinde resmi GenAI pilot yönetim kurulunda cilalı görünüyordu ama sahada çöktü. Neden? Bağlamı tutamadığı için. Çalışanlar ise sessizce kişisel AI araçlarıyla hasar taleplerini hızlandırıyordu.

Bu durum şunu gösteriyor: Yapay zeka işe yarıyor, ancak şirketlerin kurduğu sistemler işe yaramıyor. Çalışanlar kendi çözümlerini buluyor çünkü resmi sistemler yetersiz.

Örnek 1: E-Ticaret Firması – “Ürün Açıklaması Tutarsız”

Sorun:

• ChatGPT’ye “bu ürün için açıklama yaz” deniliyor
• Bazen 2 satır, bazen 3 paragraf yazıyor
• Ton tutarsız
• Müşteri yorumlarındaki kelimeleri kullanmıyor

Neden Başarısız:

• Bağlam yok (ürün detayları, müşteri yorumları, rakip analizleri)
• Otomasyon yok (manuel copy-paste)
• Standart format yok
• Hafıza yok (her seferinde sıfırdan)

Doğru Çözüm:

1. Müşteri yorumlarını RAG sistemine yükle
2. Rakip ürün açıklamalarını analiz ettir
3. Marka ton rehberi ver
4. Standart format belirle (başlık: 60 karakter, gövde: 150 kelime, 3 bullet point)
5. API ile ürün sayfasına otomatik yükle

Sonuç:

• Tutarlılık: %30 → %94
• Üretim süresi: 15 dakika → 45 saniye
• SEO performansı: %22 artış (3 ay)

Örnek 2: Danışmanlık Firması – “AI Toplantı Notlarını Karıştırıyor”

Sorun:

• Haftalık toplantı notları AI’ya özetlettiriliyor
• AI bazen bu haftanın kararlarını geçen haftayla karıştırıyor
• Güven sıfırlanıyor

Neden Başarısız:

• Bağlam ayrımı yok (hangi toplantı, hangi tarih?)
• Metadata yok
• Hafıza kontrolsüz

Doğru Çözüm:

1. Her toplantı için unique ID ve timestamp ekle
2. “Sadece bu toplantıyı özetle, önceki toplantılara atıfta bulunma” talimatı ver
3. Her çıktının sonuna “Bu özet [Tarih] tarihli toplantıya aittir” notu ekle
4. Kararları JSON formatında ayrıştır, veritabanına kaydet

Sonuç:

• Karıştırma hatası: %89 azalma
• Şirket artık AI’ya güveniyor
• Tüm toplantı yönetimi otomatize edildi

Örnek 3: Otel – “Yorum Analizi Çok Genel”

Sorun:

• ChatGPT’den misafir yorumlarını analiz etmesi isteniyor
• “Olumlu: Personel güzel, kahvaltı iyi. Olumsuz: Klima gürültülü” gibi genel şeyler söylüyor
• İşlem yapılabilir insight yok

Neden Başarısız:

• Gerçek yorumlara erişim yok
• Bağlam yok (hangi odalar, hangi tarihler?)
• Öncelik ve maliyet bilgisi yok

Doğru Çözüm:

1. Booking.com, Google Reviews, Tripadvisor yorumlarını RAG sistemine yükle
2. JSON şeması ile yapılandırılmış çıktı talep et:
   • Kategori (Klima/İklimlendirme)
   • Pozitif/Negatif sayısı
   • Ciddiyet puanı (1-10)
   • Etkilenen odalar
   • Gerekli aksiyon
   • Tahmini maliyet
3. Öncelik listesi ve gelir etkisi hesapla

Sonuç:

• Otel sahibi hangi odaların ne zaman bakıma alınacağını biliyor
• Hangi harcamaların öncelikli olduğunu görüyor
• Gelire etkisini ölçebiliyor
• AI artık operasyon analisti gibi çalışıyor

Kendi Yapay Zeka Sisteminizi Nasıl Kurarsınız?

Buraya kadar okuduysanız, muhtemelen şunu düşünüyorsunuzdur: “Tamam, anladık. Peki biz ne yapacağız?” İşte adım adım kendi yapay zeka sisteminizi kurma rehberi:

Adım 1: İhtiyaç Analizi

İlk adım, yapay zekanın nerelerde değer yaratacağını belirlemek. Şu soruları sorun:

• Hangi süreçler tekrarlı ve zaman alıcı?
• Hangi alanlarda veri çok ama analiz yok?
• Müşteri deneyiminde hangi noktalar iyileştirilebilir?
• Hangi görevler için uzman bilgisi gerekiyor ama ulaşılamıyor?

Adım 2: Veri Toplama ve Organizasyonu

RAG sistemi için verilerinizi organize edin:

• Şirket dokümanları (PDF, Word, Excel)
• Müşteri yorumları ve geri bildirimleri
• E-posta arşivleri
• Toplantı notları
• Ürün katalogları
• Geçmiş proje raporları

Bu verileri temizleyin, kategorize edin, erişilebilir hale getirin.

Adım 3: RAG Sistemi Kurulumu

Teknik detaylara girmeden, temel adımlar:

1. Vektör Veritabanı Seçimi: Pinecone, Weaviate, Qdrant gibi servislerden birini seçin
2. Embedding: Verilerinizi vektörlere dönüştürün (OpenAI Embeddings API kullanabilirsiniz)
3. Yükleme: Vektörleri veritabanına yükleyin
4. Arama Mekanizması: Kullanıcı sorusu geldiğinde ilgili dokümanları bulacak arama sistemi kurun
5. LLM Entegrasyonu: Bulunan dokümanları LLM’e (GPT-4, Claude, Gemini) gönderin ve yanıt üretin

Adım 4: Prompt Mühendisliği

Yapay zekaya nasıl davranacağını öğretin:

Sen [Şirket Adı]'nın müşteri destek asistanısın.
Görevin: Müşteri sorularını yanıtlamak, sorunları çözmek.
Ton: Profesyonel ama samimi, yardımsever.
Kısıtlamalar:
- Sadece şirket dokümanlarındaki bilgileri kullan
- Emin değilsen "Bu konuda kesin bilgim yok, ilgili departmanla iletişime geçeyim" de
- Her yanıtın sonunda kaynak göster
Format:
- Kısa ve öz yanıtlar (max 3 paragraf)
- Gerekirse bullet point kullan
- Eylem gerektiren durumlarda net adımlar ver

Adım 5: Otomasyon ve Entegrasyon

Sistemi iş akışınıza entegre edin:

• Müşteri Destek: Zendesk, Intercom gibi araçlara entegre edin
• E-posta: Gmail, Outlook eklentisi olarak kullanın
• CRM: Salesforce, HubSpot’a bağlayın
• Slack/Teams: Dahili iletişim araçlarına entegre edin

Adım 6: Ölçme ve İyileştirme

MIT raporunun önerisi: Benimsemeyi değil, emilimi ölçün.

• Login sayısını değil, yeniden tasarlanan iş akışlarını sayın
• Zaman tasarrufunu ölçün
• Hata oranlarını takip edin
• Kullanıcı geri bildirimlerini toplayın
• Sistemi sürekli iyileştirin

Maliyetler ve Zaman Çizelgesi

Küçük/Orta Ölçekli Şirket (10-100 kişi):

• Kurulum süresi: 2-4 hafta
• İlk yıl maliyeti: $5,000-15,000
• Beklenen ROI: 6-12 ay içinde başabaş, sonrasında 3-5x getiri

Büyük Ölçekli Şirket (100+ kişi):

• Kurulum süresi: 1-3 ay
• İlk yıl maliyeti: $20,000-50,000
• Beklenen ROI: 3-6 ay içinde başabaş, sonrasında 5-10x getiri

Sonuç: Yapay Zeka Tiyatro Değil, Dönüşüm Olmalı

MIT raporunun en önemli mesajı şu: Sürtünme başarısızlık değil, öğrenme fırsatıdır. Yapay zeka projelerinin %95’i başarısız oluyor çünkü şirketler sürtünmeden kaçınıyor. Pürüzsüz demo istiyorlar, kolay benimseme istiyorlar. Ancak gerçek değer, sürtünmeyi tasarlamakta yatıyor.

Yapay zekadan gerçek verim almak istiyorsanız, şunları kabul etmeniz gerekiyor:

1. ChatGPT yetmez. Genel amaçlı araçlar demo için yeterli ama dönüşüm için değil.
2. Bağlam şart. Yapay zekanın sizin şirketinizi, verilerinizi, süreçlerinizi bilmesi gerekiyor.
3. RAG sistemi şart. Fine-tuning maliyetli ama en azından RAG ile şirket verilerinize erişim sağlamalısınız.
4. Otomasyon şart. Manuel copy-paste döngüsü sürdürülebilir değil.
5. Hafıza şart. Her seferinde sıfırdan başlamak yerine öğrenen sistemler kurmalısınız.
6. Sürtünmeyi tasarlayın. Çok pürüzsüz pilot muhtemelen çok sığdır.

Geçen on yıl dijital dönüşüm sürtünmeyi kaldırmakla ilgiliydi. Önümüzdeki on yıl yapay zeka dönüşümü sürtünmeyi akıllıca tasarlamakla ilgili olacak. Direnci kalibre etmeyi öğrenenler, sadece ROI değil, dayanıklılık, anlam ve kalıcı avantaj elde edecek.

Ben Ertuğrul Akben olarak, Antalya’dan Türkiye’ye, KOBİ’lerden kurumlara kadar şirketlere özel yapay zeka danışmanlığı sunuyorum. Yapay zekayı tiyatro olmaktan çıkarıp gerçek dönüşüme çevirmek istiyorsanız, doğru adrestesiniz.

Çünkü yapay zeka bir araç değil, bir sistemdir. Ve sistem kurmak, uzmanlık gerektirir.

Kaynaklar

1. MIT Media Lab/Project NANDA – “State of AI in Business 2025” Raporu: https://www.forbes.com/sites/jasonsnyder/2025/08/26/mit-finds-95-of-genai-pilots-fail-because-companies-avoid-friction/
2. Fortune – MIT Report on AI Pilot Failures: https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo/
3. Harvard Business Review – “Beware the AI Experimentation Trap”: https://hbr.org/2025/08/beware-the-ai-experimentation-trap
4. AWS – “What is RAG (Retrieval-Augmented Generation)?”: https://aws.amazon.com/what-is/retrieval-augmented-generation/
5. IBM – “What is RAG?”: https://www.ibm.com/think/topics/retrieval-augmented-generation