MIT'nin 2025 sonunda yayımladığı NANDA raporundan tek bir cümle haftalardır kafamı meşgul ediyor: 300 kurumsal AI projesinin sadece %5'i ölçülebilir gelir etkisi yaratmış. Geri kalan %95'i pilot aşamasında kalmış ya da sessizce rafa kaldırılmış. Rakam şaşırtıcı değil aslında. Asıl şaşırtıcı olan, başarısız projelerin ortalama 12-18 ay süren ve altı haneli bütçeler harcayan girişimler olması.
Raporu okurken not aldığım şey şu: başarısızlığın nedeni model kalitesi değil. Veri eksikliği de değil. Bütçe yetersizliği hiç değil. MIT araştırmacılarının tespit ettiği ortak örüntü çok daha sıradan ve bu yüzden çok daha tehlikeli. Şirketler AI'ı mevcut süreçlerin üzerine ekliyor, sürecin içine yerleştirmiyor.
Eklenen AI ile Gömülü AI Arasındaki Kritik Fark
Bir finans ekibinin fatura işleme sürecini düşün. Geleneksel akış şöyle: fatura gelir, muhasebe asistanı ERP'ye girer, kontrol eder, onaya gönderir. Şirket bir AI projesi başlatıyor ve fatura okuma modülü ekleniyor. Sonuç? Asistan artık AI'ın okuduğunu kontrol ediyor. İş azalmıyor, sadece doğası değişiyor.
Gömülü AI yaklaşımı tamamen farklı bir soru sorar: bu süreci sıfırdan tasarlasam, hangi adımlar gereksiz olur? Belki onay zinciri 3 kişiden 1'e iner. Belki istisna durumlar otomatik kategorize edilip doğru kişiye yönlendirilir. Belki ay sonu mutabakatı haftalık bir akışa dönüşür çünkü AI sürekli çalışıyor.
Fark şurada: ekleme yaklaşımında AI bir araç. Gömülü yaklaşımda AI bir rol. Bu ayrımı görmeden başlayan her proje, MIT raporundaki %95'e katılma riskini taşıyor.
Görev Haritası Olmadan AI Projesine Başlamanın Maliyeti
MIT araştırmasındaki başarılı %5'in ortak özelliklerine baktığımda en çarpıcı bulgu şu: bu şirketler AI'a başlamadan önce ortalama 6-8 hafta görev haritalama yapmış. Departman bazlı değil, görev bazlı.
Fark önemli. "Pazarlama departmanına AI getirelim" cümlesi anlamsız çünkü pazarlama departmanı 40 farklı görevden oluşuyor: içerik üretimi, kampanya analizi, müşteri segmentasyonu, raporlama, yaratıcı brief yazma, ajans koordinasyonu, bütçe takibi... Bunların her biri farklı bir AI yetkinliği, farklı bir veri seti, farklı bir başarı metriği gerektiriyor.
Görev haritası çıkarmadan AI projesi başlatmak, mimari plan olmadan inşaata başlamak gibi. Cravio'da bir müşteriyle çalışmaya başladığımızda ilk üç haftayı tek başına bu haritaya ayırıyoruz. Hangi görev kaç dakika sürüyor, kaç kez tekrarlanıyor, hata maliyeti ne, kim onaylıyor, hangi sistemler arasında geçiş var. Bu tablo olmadan hangi göreve dijital çalışan koymanın anlamlı olduğunu söylemek mümkün değil. Müşterilerimizin bir kısmı bu aşamada "AI'a hiç ihtiyacımız yokmuş, sadece form alanını değiştirmemiz yetiyormuş" diyerek projeyi durduruyor ve bu da bizim için başarı.
Üç Farklı Rolün Üç Farklı AI Tuzağı
Operasyon yöneticisi için tuzak: Mevcut KPI'ları korumak
AI geldiğinde ekibin verimlilik metriği aynı kalırsa proje başarısız sayılıyor. Oysa gerçek soru şu: bu KPI hâlâ doğru KPI mı? Belki AI sayesinde ölçmen gereken şey artık "saatte işlenen fatura" değil, "gün sonu kapanış süresi".
Ürün müdürü için tuzak: AI özelliğini ürüne yapıştırmak
"AI destekli" etiketi koymak ürünü dönüştürmüyor, sadece pazarlama metnini değiştiriyor. Müşteri ürünü 3 hafta kullandıktan sonra AI'ın ne işe yaradığını söyleyemiyorsa, o özellik gerçekte yok.
CEO için tuzak: Şirket geneli bir "AI stratejisi" beklemek
AI stratejisi diye bir şey yok. Operasyon stratejisi, ürün stratejisi, müşteri hizmetleri stratejisi var ve her birinin içinde AI bir araç olarak konumlanır. Üst seviyeden tek bir "AI vizyonu" dayatmak, raporun bahsettiği başarısız projelerin ortak başlangıç noktası.
AI Projelerinde ROI'nin Gerçekten Ölçülebildiği Yer
MIT raporundaki başarılı %5'in ikinci ortak özelliği: projeye başlamadan önce somut bir ROI tablosu çıkarmış olmaları. "AI verimliliği artırır" gibi bir vaatle değil. "Şu görevde insan başına haftalık 4 saat kazanç, yıllık X TL" gibi rakamlarla.
ROI tablosu bir bütçeleme aracı değil, bir karar aracı. Eğer bir görevin AI'a devrinden elde edilecek yıllık kazanç projenin maliyetini 18 ayda karşılamıyorsa, o görev yanlış görev. Bu basit hesap, MIT raporundaki başarısız projelerin büyük kısmını başlamadan durdurabilirdi.
Burada Cravio'nun yaklaşımının iki ayağı var. Bir: hangi göreve dokunulacaksa, o görevin mevcut maliyeti ve potansiyel kazancı rakamla ifade edilebilmeli. İki: dijital çalışan kurulduktan sonra ölçüm sürekli olmalı. Kurulum sonrası 3. ay, 6. ay, 12. ayda ROI eğrisinin nereye gittiği görülmeli. Çünkü bazı projeler 3. ayda harika görünüp 9. ayda çökebiliyor (genellikle istisna durumların birikmesinden).
Dijital Çalışan Kurulurken İnsanın İşini Yeniden Tasarlamak
MIT raporunun en az konuşulan bulgusu şu: başarılı projeler, AI'ı kurduktan sonra insanın işini yeniden tanımlamış. Yani muhasebe asistanı artık fatura girmiyor. Sözleşme istisnalarını yönetiyor, tedarikçi ilişkilerini takip ediyor, anomali analizleri yapıyor. Aynı kişi, aynı maaş, tamamen farklı bir rol.
Bu yeniden tasarım yapılmadığında ne oluyor? AI işi alıyor, insan boş kalıyor, ve şirket ya birini işten çıkarıyor (ki bu AI projesinin kültürel ölümü demek) ya da kişi eski işini AI'a rağmen yapmaya devam ediyor (ki bu da projenin operasyonel ölümü demek).
Başarılı %5, dijital çalışanı kurmadan önce "insan ne yapacak" sorusunun cevabını da kâğıda dökmüş. Bu yüzden Cravio'da bir göreve dijital çalışan yerleştirirken aynı anda iki tasarım birden yapıyoruz: AI'ın iş akışı ve insanın yeni iş akışı. İkisi aynı anda kurulmazsa, sistem uzun vadeli yaşamıyor. Çünkü AI tek başına bir görevi devralabilir ama tek başına bir organizasyonu dönüştüremez. Otomasyonu süreç haritası ve insan rol tanımı olmadan başlatmıyoruz çünkü 18 ay sonra MIT raporundaki istatistiğe katılmak istemiyoruz.
Bu yazı, The GenAI Divide: State of AI in Business 2025 raporundan esinlenerek yazılmıştır.