Şirketler sistem günlüklerine sahip değildir; sahip oldukları şey, yeniden kullanılabilir, açıklanabilir ve hesap verebilir veri ürünleri dir. 2026 yılında AI asistanları ve agentler çok sayıda pilot uygulama kapsamında denenecek; ancak üretimdeki karar süreçlerine dahil olabilme oranı hâlâ sınırlı kalacaktır. Bunun temel nedenleri arasında ölçüm standartlarının birbirinden ayrılması, ana verilerin kirli olması ve geri bildirim döngüsünün eksikliği bulunmaktadır. Veri ortak platformu, yalnızca bir başka depo değil, iş metriklerinin ve akıllı hizmetlerin ölçeklenebilir şekilde sunulmasını sağlayan bir mekanizmadır.
Birinci bölüm: Ortak platformun temel yetkinlik haritası
| Yetkinlik | Neyi çözer | Eksikliğinde ortaya çıkan belirtiler |
|---|---|---|
| Toplama ve senkronizasyon | Çok kaynaklı girişlerin yönetilebilir depolamaya aktarılması | Raporların manuel dışarı aktarma ve birleştirilmesi |
| Ana veri yönetimi | Müşteri/mal/organizasyon için tekil tanımlar | Aynı müşterinin birden fazla kodu olması |
| Metrik platformu | Ölçüm standartlarının birleşmesi ve sürüm yönetimi | Toplantılarda hangi sayının doğru olduğuna dair tartışmalar |
| Veri hizmetleri | API/abonelik yoluyla uygulamalara sunulan hizmetler | Her proje için tekrar veri toplanması |
| Güvenlik ve uyumluluk | Yetkilendirme, gizleme ve denetim | İşletme ve AI’ya açık bırakılmaması |
İkinci bölüm: Önce metrikleri yönet, sonra modeller hakkında konuş
Önerilen yaklaşım, işletme için en önemli 10 metriği (brüt kâr, dönen sermaye, zamanında teslimat, müşteri adayına dönüş gibi) seçip “metrik anayasası” oluşturmak: Tanımlar, sorumlu kişiler, veri kaynakları, güncelleme sıklığı ve bilinen kısıtlar. Yanlış ölçüm standartlarına dayalı AI tahminleri, yalnızca daha hızlı şekilde yanlış öneriler üretir. Yönetim kadrosu için önce “aynı kâr rakamı” talep edilmeli, ardından “gelecek hafta için satış tahmini” istenmelidir.
Üçüncü bölüm: AI’nın uygulanmasının mantıklı sırası
- Akıllılığın tanımı: Otomatik özetleme ve anomalilerin açıklanması, veri okuma maliyetlerinin düşürülmesi.
- Tanısal akıllılık: Hata noktalarının tespiti (hangi depo veya hangi işlem aşamasının gecikmeye yol açtığı).
- Tahminsel akıllılık: Talep, risk ve müşteri kaybı olasılıkları.
- Karar-verme/uygulama akıllılığı: Yetki çerçevesinde otomatik olarak yeniden stoklama siparişi ve görev dağıtım önerileri oluşturulur; kritik eylemler ise insanlar tarafından onaylanır.
Sıralama sürecini atlayıp doğrudan “tam otomatik agente” geçmek, ana verilerde istikrarsızlık söz konusu olduğunda kazaların kapsamını artırabilir.
Dördüncü bölüm: İşletme sistemleriyle entegrasyon şekilleri
Akıllı hizmetlerin ERP/CRM/WMS’e doğrudan modelin veritabanını manipüle etmesine izin verilmeden, net API aracılığıyla bağlanması gerekmektedir. Her otomatik eylemde neden kodu ve sürüm bilgisi tutulmalı; böylece geriye dönük inceleme ve denetim kolaylaşır. Maliyet açısından da token ve çağrı bütçesi oluşturulmalı; pilot uygulamanın başarıya ulaşmasının ardından maliyetlerin kontrolsüz artmasını önlemek gerekir.
Beşinci bölüm: 90 gün başlangıç önerisi
Bir iş zincirini seçin (örneğin sipariş işleme), ilgili verileri birbirine bağlayın, 5–8 güvenilir metrik yayınlayın, bir anomalileri açıklama asistanı devreye alın ve ardından bir insan onaylı tahmini yeniden stoklama pilotu yapın. XYN Tech’in görüşüne göre: Küçük kapalı döngülerin çalışması, büyük bir plana kıyasla daha ikna edici olacaktır . Veri ve akıllılığın rekabet gücü, sonunda platform isimlerinin birikmesinden ziyade, karar alma hızı ve kalitesinde kendini gösterir.
Altıncı bölüm: Veri ürünleri ve risk kontrolü
Ortak platformun kurulumu, veri ürünleri teslimatına odaklanmalıdır: Her tematik alan için sorumlu kişi, SLA, kaynak bağlantısı açıklaması ve bilinen kısıtlar belirlenmelidir. Bazı perakende grupları önce “mağaza envanterinin güvenilir görünümünü” oluşturup ardından yeniden stoklama önerilerini devreye alıyor; böylece modelin doğrudan kirli verileri okuyup yanlış öneriler üretmesi önleniyor.
AI uygulama katmanı mutlaka denetlenebilir olmalıdır: Otomatik yeniden stoklama ve görev dağıtım önerileri, giriş özellikleri, model sürümü ve insan onayı kişisinin kayıtlarını tutmalıdır. Kişisel bilgi içeren eğitim ve akıl yürütme işlemlerinde gizleme ve erişim denetimi yapılmalı; otomatik işlemler için limit ve kesme ayarları belirlenerek, yanılgıların toplu yanlış siparişlere yol açmasını engellemek gerekir. FinOps açısından, token ve hesaplama gücü maliyetleri aylık işletme değerlendirmesine dahil edilmeli; pilot aşamasında bile bütçe üst sınırı belirlenmelidir.
6.1 Metrik sözlüğü ve kaynak bağlantıları
Öncelikle işletme için en önemli 10 metriğin tanımı ve ölçüm standardı sorumluları birleştirilir; ardından uzun kuyruk metrikler de genişletilir. Her metriğe ilişkin veri kaynağı tablosu, güncelleme sıklığı, bilinen gecikmeler ve geçmişte yapılan düzeltme kuralları belirtilmeli; böylece toplantıda herkesin farklı şeyler söylemesi önlenir. Kaynak bağlantı aracı bir seferde tamamlanmak zorunda değildir; ancak kritik raporların alan düzeyine kadar izlenebilir olması, düzenleyici sorulara ve iç denetimlere kolaylık sağlar. İşletme tarafı “bir pano ekleyelim” dediğinde, öncelikle karar verme eyleminin ne olduğunu sorup, bunun bir rapor mu, uyarı mı yoksa uygulanabilir bir agente mi olduğuna karar verilmelidir.
Yedinci bölüm: Pilot uygulamadan ölçekli yönetim sürecine geçiş
İlk AI pilotu başarılı olduktan sonra, model yönetimi grubu kurulur yeni senaryoları inceler: İşletme değeri, veri uyumluluğu, maliyet bütçesi ve geri dönüş planı. Değerlendirmeden geçen senaryolar dışında, üretim yazma arayüzlerine doğrudan erişim yasaktır; böylece各部门’ta “gölge AI”nın kendi başlarına yayılmasını önlemek mümkün olur.
Veri kalite kuralları ürün haline getirilmelidir: Boş değer oranı, tekrar oranı ve sistemler arası tutarlılık günlük olarak taranmalı; anormal durumlar veri sahibine gönderilmeli, diğerlerinin fark etmesine bırakılmamalıdır.
AI’yi işlevsel olarak tanıtırken, sonuçları, veri dayanaklarını, güven derecesini ve insan onay noktasını açıkça belirtmek gerekir; yüksek frekanslı ve düşük riskli senaryolarda önce güven kazanılmalı, ardından yarı otomatik uygulamaya geçilmelidir.
Sekizinci bölüm: İnsan-makine iş birliği pozisyon tasarımının önemine değinmek gerekir
AI asistanı devreye girdikten sonra, pozisyon açıklamaları güncellenmelidir: Hangi karar verenler neyi yapacak, hangi önerileri AI verecek, hangi işlemleri otomatik olarak gerçekleştirebilecek? Pozisyon düzeyinde tasarım eksikliği, çalışanların hem AI’ya güvenmemesine hem de manuel süreçlere başvurmamasına yol açar; bu durumda sistem atıl kalır ve gölge tablolar yaygınlaşır.
Birinci sıra kullanıcılarına “hatalı önerileri bildirme” giriş noktası sunulmalı; kötü örnekler kurallara veya özelliklere dönüştürülerek, yalnızca büyük modeli değiştirmekten çok daha etkili bir şekilde hit oranını sürekli artırmaya yardımcı olur.
Otomatik yeniden stoklama veya görev dağıtım önerilerinde, 7 günlük geri dönüş penceresi ve etki alanı simülasyonu korunmalı; böylece ilk kez devreye alındığında psikolojik direnç azaltılmalıdır.
Veri bilimcileri ile iş analistlerinin görev paylaşımları net olmalıdır: Birinciler özellik ve model sorumlusu, ikinciler metrik standartları ve senaryo tanımları sorumlusu; iş analistlerinin katılımının eksikliği, modelin “doğru ama faydasız” olmasına yol açabilir. Pilot senaryoların çıkış mekanizması da aynı derecede önemlidir: Aralıksız 8 hafta boyunca hiçbir işlevsel kullanım olmayan modeller, bakım için seviye düşürülüp, hesaplama gücü daha yüksek değerli senaryolara tahsis edilmelidir.
Dışarıya yönelik raporlar ile iç analizler ayrı yetki düzeylerinde yayımlanmalı; doğrulanmamış deney metriklerinin müşterilere veya düzenleyicilere ifşa edilmesi, güven krizine yol açabilir. Eğitim verilerinde değişikliklerde sürüm tutulmalı; böylece sapmalar oluştuğunda hızlıca bir önceki stabil modele geri dönülebilir.
Modelin devreye alınmasından önce, gölge çalışma yapılması önerilir : İki hafta boyunca insan kararlarıyla paralel olarak çalışılır; yalnızca farklılıklar kaydedilir, otomatik olarak uygulanmaz; yüzde tutarlılığı ve işlevsellik üzerinden hacmi artırıp artırmamaya karar verilir; doğrudan tümü değiştirme yönteminden daha güvenilirdir. Özellik mühendisliği belgesi, model sürümüyle birlikte tutulmalı; böylece denetim sırasında o dönemdeki giriş koşullarının nasıl olduğu kolayca yeniden oluşturulabilir. Yüksek hassasiyetli senaryolarda, insanın veto hakkı saklanmalı; veto nedenleri ayrıca gelecekteki inceleme ve iyileştirme için kaydedilmelidir.