GenAI Projelerinin %95’i Başarısız Oluyor

MIT tarafından yayımlanan son rapor, üretken yapay zekâ alanında büyük beklentilerle başlatılan kurumsal projelere soğuk bir duş etkisi yaptı. Raporun verilerine göre, şirketlerin hayata geçirdiği GenAI pilotlarının yüzde 95’i getiri yaratmıyor. Üstelik bu sonuç, 30 ila 40 milyar dolar arasında değişen dev yatırımlara rağmen ortaya çıkıyor.

Oysa üretken yapay zekâdan yüksek değer üretmek mümkün. Aynı raporda dikkat çeken bir başka veri de bu: Doğru şekilde tasarlanmış yüzde 5’lik azınlık, milyonlarca dolarlık fayda yaratmayı başarıyor. Fark yaratan ne peki? Teknoloji değil. Yaklaşım.

CBOT olarak 100’den fazla kurumla yapay zekâ projeleri yürütüyoruz. İlk adımımız her zaman aynı: Gerçekten dönüşmesi gereken alanı netleştirmek ve asıl değeri ortaya çıkarmak. Hangi sorun çözülmek isteniyor? Bu sorun kullanıcı deneyimini, operasyonel verimliliği ya da finansal sonuçları ne kadar etkiliyor? Ve en önemlisi, bu dönüşüm için en uygun teknoloji ne?

Bu yazıda, GenAI projelerinde “başarı” ile “boşa yatırım” arasındaki farkı yaratan bu yaklaşımı detaylarıyla ele alıyoruz.

Keyifli okumalar.

 

Şirketler üretken yapay zekâyı büyük vaatlerle masaya getiriyor ama MIT raporuna göre sonuç beklendiği gibi olmuyor. Çünkü projelerin büyük kısmı gerçek sorunları çözmek yerine teknolojiyi vitrine koymak için yapılıyor. “Önce araç, sonra kullanım alanı” yaklaşımı hâlâ çok yaygın. Oysa etkili GenAI projeleri tersinden başlıyor: Önce iş sorunu, sonra teknoloji.

MIT raporundaki veriler bu farkı net şekilde gösteriyor. Gerçek değer yaratan yüzde 5’lik azınlık, teknolojiyi değil süreci merkeze alıyor. Öğrenebilen, bağlama uyum sağlayan ve iş akışlarına entegre sistemler kurarak fark yaratıyor.

CBOT olarak her gün onlarca kurumla görüşüyoruz. Kimi net bir hedefle geliyor, kimi daha yolun başında. Bizim ilk adımımız hep aynı: Dinlemek. Analiz toplantılarında birlikte şunu netleştiriyoruz: Bu teknolojiye gerçekten nerede ihtiyaç var? Hangi süreçler öncelikli? Nasıl bir mimari değer üretir? GenAI bizim için sadece bir araç değil; doğru soruyu sormakla başlayan, birlikte tasarlanan bir dönüşüm.

 

Pilottan Üretime: Neden Geçemiyoruz?

MIT’nin State of AI in Business raporunda yer alan yüzde 95’lik başarısızlık oranı, birçok kurumun GenAI projelerine dair stratejik planlamasının eksikliğini ortaya koyuyor. Ancak bu verinin altına gizlenmiş daha önemli bir mesaj var: Teknolojinin kendisinden çok, onu hayata geçirme biçimi başarısız oluyor.

Çoğu kurum, ya rafine edilmiş genel araçlarla yola çıkıyor ya da pahalı ve karmaşık kuruma özel sistemler inşa etmeye çalışıyor. Ancak rapordaki veriler, bu iki yaklaşımın da uygulama aşamasında benzer şekilde tökezlediğini gösteriyor. Kurumların yüzde 60’ı özelleştirilmiş çözümleri değerlendirmiş, fakat yalnızca yüzde 20’si pilot aşamaya geçebilmiş. Üretime ulaşanların oranı ise yalnızca yüzde 5.

CBOT olarak biz bu tabloya şaşırmıyoruz. Çünkü bu projelerin çoğu, bağlamdan kopuk bir şekilde inşa ediliyor. Sistemin gerçek ihtiyaçlara entegre olamaması, sadece teknik bir problem değil — organizasyonel bir sorun. Öğrenemeyen, bağlamsal sinyalleri anlayamayan ve süreçle birlikte evrimleşemeyen yapılar; ne kadar güçlü olursa olsun, etkili sonuç üretmiyor.

Kurumsal Paradoks: Kaynak Var, Sonuç Yok

Raporun bir diğer dikkat çekici verisi daha var: Şirketlerin yüzde 80’i ChatGPT, Copilot gibi araçları denemiş, yüzde 40’ı bu araçları uygulamaya almış. Ancak bu yaygın kullanım, beklenen dönüşümü yaratmamış. Çünkü bu araçlar bireysel verimliliği artırsa da, kurumsal düzeyde etki üretmekte zorlanıyor. Sebebi açık: İş akışlarına entegre olamıyorlar ve bağlamsal zekadan yoksunlar.

Gölge AI Ekonomisi: Dönüşüm Bireyselden Başlıyor

Kurumsal GenAI projeleri çoğu zaman bürokratik tıkanıklıklar ve karmaşık onay süreçleriyle ilerlemeye çalışırken, sahada çok daha farklı bir tablo yaşanıyor. MIT raporuna göre şirketlerin yalnızca yüzde 40’ı resmi bir büyük dil modeli (LLM) lisansına sahip. Buna karşılık, çalışanların yüzde 90’ı ChatGPT, Claude ve benzeri araçları kişisel inisiyatifle günlük iş akışlarında aktif olarak kullanıyor.

Bu, görmezden gelinemeyecek bir gerçekliği ortaya koyuyor: Kurumsal yapay zekâ vizyonu, çoğu zaman kullanıcıların gerisinde kalıyor. Dönüşüm, resmi projelerden çok, bireysel denemelerle ve ihtiyaçlardan doğan çözümlerle şekilleniyor.

Bazı ileri görüşlü şirketler, bu “gölge” kullanımı analiz ederek önemli bir içgörü kaynağına dönüştürüyor. Hangi ekiplerin, hangi araçları, hangi iş süreçlerinde tercih ettiğini inceleyerek kurumsal satın alma ve entegrasyon kararlarını bu gözle şekillendiriyorlar. Böylece GenAI yatırımları, doğrudan sahadaki gerçek ihtiyaçlara ve alışkanlıklara yanıt veren çözümlere dönüşüyor.

CBOT olarak bu eğilimi yakından izliyor ve kurum içi kullanım alanlarının doğru belirlenmesini kritik görüyoruz. Bu nedenle projelere başlamadan önce, kurum içinde detaylı analiz çalışmaları yapıyoruz. Amacımız; departmanları, iş yüklerini, iş yapış biçimlerini ve bu yapıların ne ölçüde dijitalleştirilebilir olduğunu ortaya koymak. Bu analizler sonucunda, bazen bir kurumun en öncelikli gördüğü konu, aslında beşinci sıraya gerileyebiliyor. Veriye dayalı bu içgörüyle, gerçek ihtiyaçlara uygun bir yol haritası oluşturuyor ve projeyi bu temele oturtuyoruz.

Yatırımın Yönü: Yanlış Tarafa Bütçe

MIT’nin raporu, kurumların GenAI yatırımlarını büyük ölçüde “görünür” alanlara yönlendirdiğini gösteriyor. GenAI bütçelerinin yaklaşık yüzde 70’i satış ve pazarlama departmanlarına ayrılmış durumda. Uygulama örnekleri arasında e-posta otomasyonu, müşteri puanlama sistemleri, kişiselleştirilmiş kampanya içerikleri ve sosyal medya analizi gibi dikkat çekici ama sınırlı etkiye sahip senaryolar öne çıkıyor.

Bu tür uygulamalar, kısa vadede görünür başarılar sağlayabilir; ancak uzun vadeli yatırım getirisi (ROI) açısından oldukça kısıtlı kalıyor. Oysa aynı rapor, asıl değerin satışta değil, operasyonun derinliklerinde olduğunu net biçimde ortaya koyuyor.

Arka ofis fonksiyonları—özellikle tedarik zinciri, fatura-ödeme döngüsü, hukuk destek hizmetleri ve finansal süreçler—görünürlüğü az ama tasarruf potansiyeli yüksek alanlar olarak öne çıkıyor. Bu alanlarda yapılan GenAI tabanlı otomasyonlar yalnızca operasyonel verimlilik sağlamakla kalmıyor, aynı zamanda dış kaynak bağımlılığını da ciddi şekilde azaltıyor.

Raporun örneklerinden biri ilaç sektörüne ait. Satın alma süreçlerine GenAI tabanlı analiz araçlarının entegre edilmesiyle dış danışmanlık harcamaları yüzde 30 oranında düşürülmüş. Hukuk alanında ise sözleşme inceleme ve risk analizi gibi görevlerin otomatize edilmesiyle kurum yıllık 1 milyon dolara yakın tasarruf sağlamış.

Bir önceki başlıkta değindiğimiz analiz çalışmalarının değeri de tam burada kendini gösteriyor. Büyük ve maliyetli dönüşümler yerine, kurum içindeki küçük ancak etkili odak noktalarını belirleyerek daha niş problemleri çözmek, GenAI projelerinin verimliliğini ciddi oranda artırıyor.

CBOT olarak biz de bu anlayışla, imza sirkülerlerinin kontrolü, regülasyon uyumluluk denetimleri, tahsilat süreçleri gibi arka planda kalan ancak yüksek etki potansiyeli taşıyan birçok alanda çözümler geliştiriyoruz. GenAI dönüşümünü, yalnızca vitrinde değil, kurumun derinliklerinde de sürdürülebilir hale getiriyoruz.

GenAI Efsaneleri: Gerçeklerle Yüzleşmek

Üretken yapay zekâ üzerine konuşulurken, çoğu zaman söylemler veriyle değil, varsayımla şekilleniyor. Ancak MIT’nin State of AI in Business raporu, bu alandaki beş büyük efsaneyi somut verilerle çürütüyor. Gerçek tablo, sanıldığından çok daha farklı.

Kurumsal yapay zekâ yatırımlarının sürdürülebilir bir stratejiye dayanması için önce bu efsanelerle yüzleşmek gerekiyor:

1.“AI işlerimizi elimizden alacak”

Yaygın bir endişe, yapay zekânın doğrudan istihdamı azaltacağı yönünde. Ancak raporun verileri tam tersini gösteriyor. Şu ana kadar gözlemlenen en net etki, dış kaynak kullanımının azalması. Büyük çaplı işten çıkarmalar değil, dış destek ihtiyacının düşmesi söz konusu. Bu da yapay zekânın iş gücünü tamamen ortadan kaldırmak yerine, şirket içindeki kapasiteyi daha etkin kullanma fırsatı sunduğunu ortaya koyuyor.

CBOT olarak bu geçişin, insanın yerini alacak sistemler değil, insanla birlikte çalışan akıllı yapılar üzerinden gerçekleşmesi gerektiğine inanıyoruz.

2. “Yapay zekâ tüm sektörleri dönüştürüyor”

Dönüşüm hikâyeleri genellikle tüm sektörleri kapsıyormuş gibi anlatılıyor. Oysa gerçek tablo daha temkinli. Şu an için yapısal düzeyde dönüşüm gözlemlenen alanlar teknoloji ve medya sektörleriyle sınırlı. Diğer sektörlerde ise yapay zekâ hâlâ ağırlıklı olarak pilot projeler ve sınırlı kullanım senaryoları düzeyinde kalıyor.

Bu farkındalıkla CBOT olarak, her sektöre “tek tip” çözüm sunmak yerine, sektörün olgunluk seviyesine ve dönüşüm kapasitesine uygun yapılar kurguluyoruz.

3.“Kurumsallar yavaş”

Klişe ama yanıltıcı: Büyük şirketlerin yeniliklere kapalı olduğu sıkça söylenir. Ancak MIT’nin verileri aksini söylüyor. Birçok büyük şirket, üretken yapay zekâyı çoktan test etmeye başladı. Gerçek sorun hızda değil, uygulamaya geçişte. Başka bir deyişle, fikir bol ama çalışan sistem az.

Bu noktada hızın tek başına yeterli olmadığını, doğru uygulama mimarilerinin devreye alınması gerektiğini her projede tekrar tekrar gözlemliyoruz.

4.“Sorun teknik, yasal ya da verisel engeller”

GenAI projelerinin önündeki en büyük bariyerin teknik veya yasal kısıtlamalar olduğu düşünülüyor. Oysa MIT raporu, asıl sorunun başka yerde olduğunu gösteriyor: Öğrenemeyen, bağlamı algılayamayan ve kurumun işleyişine adapte olamayan sistemler başarısız oluyor.

CBOT olarak bu nedenle projelere teknik yeterlilikten önce organizasyonel bağlamı anlamaya çalışarak başlıyoruz. Teknoloji ancak doğru zemine yerleştiğinde değer üretmeye başlıyor.

5.“Kendi AI’mızı geliştirmeliyiz”

Bazı kurumlar, yapay zekâ projelerini tamamen kendi bünyelerinde geliştirerek daha fazla kontrol sahibi olabileceklerini düşünüyor. Ancak MIT raporu bu yaklaşımın düşündüğünüz kadar etkili olmadığını ortaya koyuyor. Dahili olarak geliştirilen çözümler, dış kaynaklı uygulamalara kıyasla iki kat daha fazla başarısız oluyor.

Bu veri, sahada bizim de sıkça karşılaştığımız bir durumu doğruluyor. CBOT olarak en güçlü rakiplerimiz zaman zaman başka teknoloji şirketleri değil, kurumların kendi IT birimleri oluyor. Görüştüğümüz birçok müşteride, GenAI projelerini içeride geliştirme yönünde doğal bir heves görüyoruz. Bu yaklaşım anlaşılır olsa da, çoğu zaman kritik bir fark gözden kaçıyor: Bilgi birikimi.

Biz yalnızca bir teknoloji sunmuyoruz; yüzlerce kurumdan, onlarca sektörden gelen deneyimle oluşmuş bir “nasıl yapılır” bilgisini taşıyoruz. Bir sorunun nasıl ele alınması gerektiğinden, doğru önceliklendirme yapılmasına, senaryo mimarisinden kullanıcı deneyimine kadar geniş bir yelpazede kurumsal bilgiye sahibiz.

Kurumların sıfırdan bir sistem kurmaya çalışması, bu birikimi ve tekrarlanabilir başarıyı göz ardı etmek anlamına geliyor. Sadece teknolojiyi değil, deneyimi de içeri almak; hem riski azaltıyor hem de dönüşüm sürecini hızlandırıyor.

Bu efsanelerle yüzleşmeden oluşturulan her yapay zekâ stratejisi, riskli bir varsayım üzerine kurulmuş olur. Gerçek verilerle desteklenmeyen kararlar, heyecanla başlayan projelerin kısa sürede rafa kalkmasına neden oluyor.

Kurumsal yapay zekâ dönüşümünde başarı; doğru kavramlara, gerçekçi beklentilere ve bağlama duyarlı uygulamalara dayanıyor.

Agentic AI: Statik Araçlardan Öğrenen Sistemlere Geçiş

Bugün birçok kurum, GenAI’yi hâlâ metin üreten bir araç olarak konumlandırıyor. Oysa gerçek potansiyel, sadece üretmekte değil; bağlamı hatırlamakta, süreçlere entegre olmakta ve zamanla öğrenmekte. İşte bu noktada yeni nesil bir yaklaşım öne çıkıyor: Agentic AI.

Agentic AI sistemleri yalnızca kullanıcıdan gelen komutlara yanıt vermekle kalmıyor; etkileşimleri biriktiriyor, bağlamsal sinyalleri öğreniyor ve kendini süreç içinde yeniden konumlandırabiliyor.
Bu sistemler:

• Her seferinde sıfırdan başlamak yerine geçmişi hatırlıyor,
  
• Kullanıcıdan bağımsız olarak aksiyon alabiliyor,
  
• İş akışlarına yerleşip, zamanla kurumun reflekslerine dönüşebiliyor.
  

CBOT olarak, kurumsal GenAI projelerinde bu yapıyı merkeze alıyoruz. Çünkü artık mesele yalnızca “doğru yanıt” değil; doğru zamanda, doğru aksiyon.

MCP’ler: Agentic Sistemlerin Sessiz Koordinatörleri

Agentic AI’nin bir sonraki aşaması ise çok daha iddialı: Agentic Web.
Yani, birbirinden bağımsız yapay zekâ ajanlarının birlikte çalışabildiği, müzakere edebildiği ve iş birliği yapabildiği otonom sistemler ağı.

Bu yapının altyapısını ise yeni protokoller oluşturuyor. En önemlileri arasında:

• MCP (Multi-Agent Coordination Protocols)
  
• A2A (Agent-to-Agent)
  
• NANDA (Negotiation and Delegation Architecture)
  

Bu protokoller sayesinde farklı temsilciler birbiriyle koordine olabiliyor.
Satın alma temsilcisi tedarikçiyi analiz ederken, finans temsilcisi risk değerlendirmesi yapıyor; müşteri hizmeti temsilcisi ise bu süreci uçtan uca özetleyip raporluyor.
Hepsi farklı sistemlerde, ama ortak bir bağlamda çalışıyor.

Bu, silo bazlı SaaS sistemlerinden; bağlamsal olarak senkronize, modüler ve esnek yapılara geçiş anlamına geliyor.

Kısacası:
Yapay zekâ yatırımları artık sadece güçlü modellerle değil, birlikte çalışabilen, öğrenebilen ve organizasyonel bağlama entegre olabilen sistemlerle kazanılıyor.

Ve bu dönüşüm çoktan başladı.

Dönüşümün Gerçek Maliyeti, Yanlış Başlangıçlardır

Üretken yapay zekâ, kurumlara yalnızca teknolojik değil, stratejik bir fırsat sunuyor. Ancak bu fırsat, doğru soruları sormadan, bağlamsal ihtiyaçları anlamadan ve öğrenebilen sistemler kurmadan gerçek bir değere dönüşmüyor. MIT raporunun da ortaya koyduğu gibi, GenAI projelerinde başarıyla başarısızlık arasındaki farkı teknoloji değil, yaklaşım belirliyor.

CBOT olarak biz, 100’den fazla kurumla yürüttüğümüz projelerden biliyoruz ki, bu dönüşüm tek seferlik bir teknoloji yatırımı değil; sürekli öğrenen, adapte olan ve kurumun dokusuna entegre olan bir sistem inşasıdır. Dinleyerek, analiz ederek ve sahadaki gerçek ihtiyaçları anlayarak başlıyoruz. Yalnızca görünür değil, görünmeyen potansiyeli de açığa çıkarıyoruz.

Bugün hâlâ birçok kurum GenAI’yi bir “proje” olarak görüyor. Oysa biz CBOT olarak, bunu bir “yapılanma biçimi” olarak ele alıyoruz. Agentic AI ve onu destekleyen protokollerle inşa edilen sistemler sayesinde, artık sadece yanıt değil, refleks üretebilen yapılar mümkün.

Gelecek, daha fazla yapay zekâya sahip olanların değil; yapay zekâyı daha akıllıca konumlandıranların olacak.
Ve bu geleceğe giden yol, doğru soruyu sormakla başlıyor.