Bot Değil Beyin Lazım: ‘AI Mühendisi Arıyoruz… Excel Bilen Tercih Sebebidir’ Diyen Şirketlere Açık Mektup

- Nisan 27, 2025

İçindekiler

1. Giriş: Bu Mektubu Neden Yazıyorum?

AI furyasının geldiği trajikomik nokta.
Sahadan absürt örnekler.
Okuyucuya açık davet: “Bu yazı senin şirketine dokunabilir.”

2. AI Nedir, Ne Değildir? (Ve Ne Zannediliyor?)

AI’ın tanımı: ML, DL, LLM gibi temel farklar.
RPA, script, Excel, chatbot vs ile AI’ın farkları.
“Bir şey zekice çalışıyorsa, yapay zeka değildir” yanılgısı.

3. Excel ile Machine Learning Arasındaki Uçurum

Excel’in sınırları: statik veri, kural bazlı formüller.
ML’in temelleri: örüntü tanıma, öğrenme, tahmin.
“Excel forecast = AI” diyenler için dürüst karşılaştırmalar.
Gerçek örnekler

4. AI Yapmak Neden Zordur? (Ve Bu Kadar Kolay Zannedilmesinin Nedeni Ne?)

Verisizlik, etiketleme sorunları, domain bilgisi eksikliği.
AI projesinde ekip yapısı: Data Scientist ≠ IT uzmanı
“Abi biz ChatGPT ile çözeriz” furyasına eleştiri.
AI’ın çıktısını gören ama altyapısını anlamayan yönetimlerin hatası.

5. Türkiye’de AI Projeleri Neden Fail Ediyor?

3 temel sebep: Vizyon, yetkinlik, süreç uyumsuzluğu.
“Pazarlama odaklı AI” projeleri vs gerçek üretkenlik.
Yatırımcıya sunumda AI, içeride RPA...
Gerçek verilerle, literatür ve istatistik destekli analiz.

6. AI ve ‘Kurumsal Kandırmaca’: LinkedIn’den Toplantı Odasına

Herkesin CV’sinde “AI Transformation” yazdığı ama aslında ne yapıldığı bilinmeyen ortamlar.
“AI danışmanı” olduğunu iddia eden ama Python yazamayan profiller.
Etik, pazarlama, ego ve gerçeklik arasında şirketlerin sıkışması.

7. Doğru AI Projesi Nasıl Kurulur?

AI lifecycle: veri toplama, model seçimi, test, geri besleme
Küçük başlayıp büyüyen projeler: POC → MVP → Prod.
Üç temel ekip:
1. Domain uzmanı
2. Veri bilimcisi
3. Ürün yöneticisi
Gereken altyapılar ve süreç önerileri

8. Case Study: “Gerçekten AI Yapan Şirketler Ne Yapıyor?”

Türkiye'den ya da yurtdışından örnek:
- Belki Amazon, belki Trendyol, belki Kamyoon
Doğru tanımlanmış problem + kaliteli veri + gerçek ekip + gerçek sonuç
Gerçek Bir AI Projesi Nasıl Görünür? (Uygulamalı Örnek)

9. Yapay Zeka Değil, Kurumsal Zeka Sorunu

Asıl sorun teknolojide değil, bakış açısında
Yönetimlerin “ne istediğini bilmemesi” en büyük darboğaz
CEO'lar için: “AI vizyonu nasıl çizilir?” bölümü

10. Sonuç: Kime Bu Mektup?

İnsanları küçümsemeden, ama dürüstçe.
Eleştirinin yanında umut ve yön gösteren bir final.
“AI yapabilirsiniz, ama önce öğrenmekten korkmamalısınız.”

11. Bonus: ‘AI Mühendisi Arıyoruz… Excel Bilen Tercih Sebebidir’ İlanlarına Cevap Mektubu

Mizahi ama öğretici bir sahte cevap mektubu.
“Sayın İK, başvurmak istiyorum çünkü… ben de eskiden AI sanıyordum” gibi mizah içerikli ama ince mesajlar veren kurgusal kapanış bölümü.

1. Giriş: Bu Mektubu Neden Yazıyorum?

Viskinizi alın.
Veya filtre kahve... ya da ofisteyseniz, patronun “çay saati yok” dediği anlarda kaçamak içtiğiniz o naneli yeşil çay olur. Fark etmez.
Çünkü bu yazıyı okurken biraz gevşeyecek, biraz sinirlenecek ama sonunda “ulan haklı adam” diyeceksiniz.

Bu bir açık mektup.
Ama “sevgili bilmemkim” diye başlamayacağım.
Çünkü bu yazı, bir kişiye değil, bir kuşağa hitap ediyor.
Adına “AI Çağı” diyoruz ama içinde çoğu zaman "A" (Artificial) var, "I" (Intelligence) yok.

AI Furyasının Trajikomik Noktası

Şu an ülkemizde — hadi dürüst olalım — AI, moda bir cümle.
Yeni CRM sistemini tanıtan CEO, “Yapay zeka destekli müşteri yönetimi” diyor.
İnsan kaynakları, CV taramak için kullandığı keyword matching sistemine "AI tabanlı işe alım süreci" diyor.
Ve geçenlerde bir toplantıda biri çıktı dedi ki:

“Deniz Bey, bizim Excel'de AI var.”

O an, içimden bir ses "Guguk!" diye bağırdı.
Yalnız bu Türkiye’ye özgü değil.
Benzerlerini Almanya’da da gördüm.
Köln'de bir oturumda, Alman bir CIO bana veri altyapısını anlattı. 200 satırlık bir Access veritabanıyla “AI forecasting” yaptıklarını iddia etti. Evet, Evet “AI forecasting” :)
Tek fark, onlar ciddiyetle saçmalıyor; biz bazen gülerek.

Sahadan Absürt Örnekler

Bu yazıyı yazmaya karar vermemin sebebi birikmişliğim.
Danışmanlık verdiğim firmalardan birinde, pazarlama direktörü elinde bir sunumla geldi:

“Şuraya AI logosu koyduk, yatırımcı etkileniyor.”

İçeriği sordum.
Yatırımcıya gösterdikleri şey, Google’dan indirilen bir görseldi.
Kod yok. Model yok. Veri bile yok.
Ama logo var, “AI ready” yazıyor.

Bir başka firma, chatbot entegrasyonu için aradı:

“Yapay zekalı WhatsApp kurmak istiyoruz.”
“Kime ne soracak bu WhatsApp?”
“Bilmiyoruz, ama cevabı AI bulsun.”

O esnada arkada sessizce ağlayan bir Python scripti duyar gibi oldum.

Bu Yazı Senin Şirketine Dokunabilir

Yazının başlığına bakıp güldüysen güzel.
Kızdıysan daha da güzel.
Çünkü hedefi 12’den vurduk demektir.

Eğer şirketinde birileri "AI yapıyoruz" deyip arkada bir Excel pivot tablosunu çalıştırıyorsa...
Eğer işe alım ilanlarında “AI mühendisi aranıyor” yazıyor ama iş tanımı “Excel bilen tercih sebebidir” diye devam ediyorsa...
Bu yazı tam size göre.

Ama üzülme.
Bu yazı aşağılamak için değil, aynayı dürüstçe tutmak için yazıldı.
Çünkü ben AI’ı bir “buzzword” değil, gerçek bir mühendislik alanı olarak görüyorum.
Ve hala bu topraklarda, gerçek zekayla çalışan sistemleri kurmak isteyenlere inancım var.

Ben bu satırları yazarken, aklım Frankfurt’ta, bir tedarik zinciri oturumundaydı.
Orada tanıştığım bir İsrailli start-up, 6 kişilik ekiple gerçek zamanlı kargo fiyatlaması yapıyordu.
Python, LightGBM, MongoDB, River...
Hepsi sahada.
Ve kimse “AI yapıyoruz” demiyordu.
Sadece yapıyorlardı.

Türkiye’ye döndüğümde, benzer bir sistemin PowerPoint’te çizildiğini gördüm.
Aradaki fark neydi biliyor musun?

Onlar yapıyordu.
Biz ise sadece yaptık diyoruz.

Bu yazıda hedefim açık:
Şirketlerin AI konusunda kendi durumlarını samimi şekilde sorgulamalarını sağlamak.
Gerçek yapay zeka projelerinin nasıl göründüğünü göstermek.
Ve tabii, işi biraz da “ti”ye almak. Çünkü gülmeden bu sektör çekilmiyor.

Yani...
Eğer AI diyorsanız ama elinizde makro varsa,
Eğer "öğrenen sistem" diyorsunuz ama sisteme hiç veri beslenmemişse,
Eğer "yapay zeka danışmanı" tuttuysanız ama kendisi Excel dışında bir yazılım bilmiyorsa...

Bu yazı tam size göre.

Şimdi çayınızı yudumlayın, viskiyi tazeleyin, ekranı tam ekran yapın.
Çünkü sıradaki başlık biraz acıtacak:

2. AI Nedir, Ne Değildir? (Ve Ne Zannediliyor?)

AI’ın Tanımı: ML, DL, LLM gibi Temel Farklar

Öncelikle şu anlaşmayı yapalım:
“AI” demek, bir şeyin akıllıymış gibi görünmesi değil.
AI, bir sistemin öğrenmesi, örüntü tanıması ve kendi deneyimlerinden daha iyi kararlar alabilmesi demektir.
Yani, sadece “çalışıyor” diye bir şeyi “akıllı” zannetmeyin.
Fırın da çalışıyor. Ama ekmek pişiriyor diye Harvard mezunu olmuyor.

Terminolojiyi netleştirelim:

Artificial Intelligence (AI): Geniş kavram. İnsan zekasına benzer işleri yapabilen sistemler.
Machine Learning (ML): AI’ın alt kümesi. Veriden öğrenen algoritmalar.
Deep Learning (DL): ML’in alt kümesi. Özellikle çok katmanlı yapay sinir ağları.
Large Language Models (LLM): Deep learning ile eğitilmiş devasa dil modelleri. ChatGPT gibi.

Yani “AI yaptık” dediğinizde aslında şunu demeniz lazım:

“Biz bir problem tanımladık, bu problem için veri topladık, algoritma seçtik, modelimizi eğittik ve sisteme entegre ettik.”

Ama siz ne diyorsunuz?

“Siri gibi bir şey istiyoruz, ama bizim sistemle çalışsın. Excel'de falan olur mu?”

Hollanda’da bir fuarda bir Alman meslektaşım şöyle dedi:

“Biz artık AI’dan çok IA yapıyoruz: Intelligent Automation.”
Bak ne kadar dürüst.
Bizde olsaydı, IA'yı hemen “İlkokul AI” diye pazarlarlardı...

RPA, Script, Excel, Chatbot vs. ile AI’ın Farkları

Geldik zurnanın zırt dediği yere.

Türkiye'de (ve dürüst olalım, sadece Türkiye değil, tüm gelişmekte olan pazarlarda) AI denilince akla gelen ilk 5 şey şunlar:

Excel formülü
If-else döngüsü
RPA (robotic process automation)
Chatbot (FAQ listesinin okunması)
PowerPoint’te “AI Ready” yazan bir slide

Şimdi tek tek bakalım:

Excel ≠ AI

Excel’de formül yazmak, AI değildir.
“=IF(A2>50;‘Uygun’;‘Değil’)” komutu sizi veri bilimci yapmaz.
Maksimum "tabelacı" olursunuz.
Yani sadece tabelaya bakıp karar verirsiniz ama gerçek dünyada verinin “neden öyle olduğu” ile ilgilenmezsiniz.

RPA ≠ AI

RPA, adından da anlaşılacağı gibi “robotic process automation”dır.
Yani robot gibi tekrar eden işleri yapar. Ama öğrenmez.
Aynı işi bir milyon kez aynı şekilde yapar.
Ama eğer girdi değişirse, kilitlenir.
AI ise “Hmm, bu farklı ama ben bunu çözebilirim” der.
RPA = fotokopi makinesi.
AI = yaratıcı grafiker.

Script ≠ AI

Bir cron job yazmakla yapay zeka olmaz.
Bakkala gidip "bir tane Python scripti ver" demekle AI yapılmaz.
Bakın, bir keresinde bir şirkette script ile mail atan sistemi “NLP ile duygu analizi yapıyor” diye tanıtmışlar.
İçeriye baktım... sadece “mutlu” yazınca yeşil ikon çıkıyor.
Onu da Excel'de renkli kutucukla yaparsın.

Chatbot ≠ AI

Çoğu chatbot dediğiniz sistem aslında bir menü.
“1’e bas: Fiyat al. 2’ye bas: Şikayet.”
AI chatbot dediğiniz şey, bağlamı anlar. Dilin niyetini çözer. Kendini geliştirir.
FAQ döngüsünden ibaret olan yapı, AI değil; IVR’ın yazılı hali.
Yani telesekreterin amcaoğlu.

Geçen hafta bir etkinliğe davet edildik.
Bir sanal santral firması “AI ile müşteri deneyimini analiz ediyoruz” diyerek sahneye çıktı.
Yani konuşmaları anlık olarak yazıya döküyorlar (transkript), sonra da müşterinin duygusunu, temsilcinin performansını, hatta konuşmanın kalitesini analiz ettiklerini iddia ediyorlar.
"Vay arkadaş!" dedim içimden, "demek sonunda Türkiye’de de AI devrimi başladı..."

Sonra sistemin içine bir göz attık...
ChatGPT’ye yazılı transkripti veriyorlar, prompt’a da “Bu kişi mutlu mu, sinirli mi?” yazıyorlar.
Model "sinirli" diyince: Kırmızı ikon.
"Mutlu" diyince: Yeşil ikon.
Arada bir de “Nötr” çıkarsa sarı ikon.
Sonra ne oluyor?
“Operatör bu görüşmede müşteriyi kızdırmış” deyip rapor yazıyorlar.

Yani anlayacağın, sistem şöyle çalışıyor:
Kendi müşterisinin ağzından dökülen “Ben delirdim artık, insan değil misiniz siz?” cümlesine,
"Bu duygu: sinirli" diye cevap veren bir chatbot var.
Ve buna da “AI çözümümüz” diyorlar.

Hayır, GPT’ye üç satır prompt yazıp “duygu analizi yaptım” diyorsan,
ben de sabah uyanınca Spotify’dan şarkı açıyorum diye kendime DJ diyeyim bari.

“Bir Şey Zekice Çalışıyorsa, Yapay Zekadır” Yanılgısı

Bu, en çok karşılaştığım ve en çok sinirlendiğim kafa karışıklığı.

“Ya Deniz Bey, sistem çok akıllı çalışıyor yaaa!”
“Nasıl yani?”
“Valla müşteriyi kopyalıyor... mail atıyor...”

Hmm…
Bir dakika.
Bu, otomasyon.

Yapay zeka ile zekice çalışan bir sistemi karıştırmak, çok havalı giyinmiş birini görüp “Bu kesin iş adamı” demek gibi.
Belki influencer’dır. Belki hiçbir şeydir.

Bir AI sistemi, “öğrenir.”
Girdileri analiz eder, kalıpları fark eder, yeni bir şey üretir.
Hatırlarsınız, ChatGPT ilk çıktığında insanlar “Bu ne ya, kompozisyon yazıyor!” diye şaşırdı.
Evet çünkü AI budur.
Öğrenir, geneller, sentezler.
Excel ne yapar?
Toplar. Ortalama alır. Varsa VLOOKUP’la oynar.

Yani işin özü şu:

“Bir şey zekice çalışıyorsa, yapay zeka değildir.”
Ama yapay zeka çalışıyorsa, sonuç zekice görünmeyebilir.
Çünkü o süreçtir, göz boyama değil.

Beni yıllardır tanıyanlar bilir, teknolojiyi pazarlama değil, mühendislik olarak anlatırım.
Yapay zeka konusunu da konuşurken ağzımızda akide şekeri çevirmeyelim.
Neyin AI olup olmadığını anlamak, bu alanda yol yürümek isteyen herkesin görevi.

Eğer hala “biz AI yapıyoruz” diyorsanız, önce yukarıdakilere bir daha bakın.

Ve unutmayın:

RPA, Excel, Script… bunlar AI değildir.
Ama AI yapmak için iyi bir başlangıç olabilir.
Yeter ki ne yaptığınızı bilin.

3. Excel ile Machine Learning Arasındaki Uçurum

Excel’in Sınırları: Statik Veri, Kural Bazlı Formüller

Excel güzeldir.
Hatta “bir şirket içi medeniyetin çökmeye başladığını anlamak istiyorsan, şirket içi Excel dosyalarına bak” derim ben hep.
Çünkü ne zaman her şeyin kontrolü kaybedilir, orada birileri “abi bana ver ben onu bir Excel’de çözerim” der.
Ve bingo: Birkaç renkli kutucuk, bir VLOOKUP, belki bir makro...
İşte kurumsal büyümenin en büyük düşmanı doğdu!

Excel ile ne yaparsın?

Veri girersin
Formül yazarsın
Grafik çizersin
Eğer iyisen, pivot table yaparsın
Eğer “kurumsal hacker” isen, makro yazarsın

Ama tüm bunların ortak özelliği ne?

Hepsi senin belirlediğin kurallarla çalışır.
Yani “eğer şu olursa bunu yap” şeklinde.
Bu sistem, öğrenmez. Sadece uygular.

Excel’in temel problemi budur:
Veri statiktir, mantık sabittir, sonuç bellidir.

İstanbul’da bir firma, haftalık satış raporunu Excel'den alıyordu.
Ve adı “AI Dashboard”tu.
Bir baktım, içeride SUM ve IF dışında hiçbir şey yok.
Ama dosyanın adı ai-dashboard-final-v38.xlsx.
Yani 37 defa “AI olmayan AI” üretmişler.
Bu da cesaret ister, kabul edelim.

ML’in Temelleri: Örüntü Tanıma, Öğrenme, Tahmin

Şimdi diğer tarafa geçelim: Machine Learning yani makine öğrenmesi.

ML ne yapar?

Elindeki verilere bakar
Desenleri, örüntüleri bulur
Geçmişten öğrendiği şeylerle geleceği tahmin eder
“Kural” değil, “olasılık” üzerinden çalışır
Hata yaptığında öğrenir, kendini düzeltir

Mesela şöyle bir şey düşün:
Sen elindeki geçmiş sefer verileriyle bir lojistik firmasında tahmin yapmak istiyorsun.

Excel ile:

Eğer taşınan yük 10 ton ve mesafe 500 km ise fiyatı = 8.000 TL olsun

ML ile:

Geçmiş 10.000 seferi analiz ettim. Araç tipi, yük türü, mesafe, mevsim, yakıt fiyatı gibi 12 değişkeni değerlendirdim.
%92 doğrulukla tahmin edebilirim: “Bu seferin fiyatı 8.123 TL ± 275 TL aralığında olacak.”

Anladın mı farkı?

Excel “kuralları uygular”.
ML “örüntüleri bulur ve karar verir”.
Yani Excel = Takvim, ML = Hava Durumu tahmini.

“Excel Forecast = AI” Diyenler İçin Dürüst Karşılaştırmalar

Sahada defalarca karşılaştım.
Yöneticiler geliyor, kasım kasım kasılarak diyor ki:

“Bizde forecast sistemi var Deniz Bey. AI gibi çalışıyor.”

Peki bir bakıyoruz sistem nasıl çalışıyor?

Yıllık satış verisi →
Aylık ortalamalar alınmış →
Geçen seneye göre %5 büyüme eklenmiş →
“Forecast” bu.

Şimdi bir bakalım:

Sonuç?

Excel = Hafıza
ML = Zekâ

İngiltere'de bir müşterim vardı.
"Forecast yaptık" dediler.
Açtım dosyayı... 20 sütun, 300 satır ve en sağda:

=AVERAGE(B2:B12)*1.05

Yani... Geçen yılın ortalamasını %5 artırmışlar.

Ve buna forecast demişler.
Ben utandım, onlar utanmadı.

Gerçek Örnekler

Örnek 1: Türkiye – Lojistik Firması

Verilen görev: Yakıt fiyatlarındaki dalgalanmaları fiyatlandırma sistemine entegre etmek.

Excel çözümü:

“Ayda bir elle güncelleriz.”
Seçenek: Yükleme başına sabit + %15 yakıt farkı.

ML çözümü:

Geçmiş 3 yıllık yakıt-veri korelasyonunu aldı.
Mevsimsel endeks ve bölgesel yoğunluklara göre tahmin modeli kuruldu.
Model XGBoost ile eğitildi. Tahmin doğruluğu %89.

Örnek 2: Almanya – Perakende Dağıtım

Verilen görev: Talep tahmini yapmak.

Excel çözümü:

“Geçen seneye göre %10 fazla stok koyduk.”
(Ve %40 ürün elde kaldı.)

ML çözümü:

Zaman serisi analizi (Prophet), tatil günleri ve hava durumu dahil.
Hafta bazlı, lokasyon bazlı dinamik tahmin.
Sonuç: %17 daha az stok, %9 daha yüksek satış.

Örnek 3: İsrail – SaaS Startup

Verilen görev: Kullanıcı davranışı analizi.

Excel çözümü yoktu.
ML ile baştan girdiler işe.
Clickstream verileri + funnel analiz + churn tahmini.
Model her gün kendi kendini güncelliyor (online learning).
Ve kimse çıkıp “biz AI yapıyoruz” demedi.
Çünkü zaten yapıyorlardı.

Excel, statik bir karar destek aracıdır.
Machine Learning ise evrimleşen, öğrenen bir sistemdir.

Birinde siz düşünürsünüz, diğeri sizin yerinize düşünür.

Biri geçmişe bakar, diğeri geleceği tahmin eder.
Biri formül, diğeri mantık.
Biri tablo, diğeri akıl yürütme.

Excel ile dünyayı yönetemezsiniz.
Ama ML ile değiştirebilirsiniz.

4. Verisizlik, Etiketleme Sorunları, Domain Bilgisi Eksikliği

Yapay zeka yapmak mı istiyorsun?
İlk sorun şu: Elinde veri var mı?
“Var abi, Excel'de müşteri listesi var” deme.
…O, veri değil. O bir listedir.
Veri dediğin; anlamlı, bağlamlı, kaliteli ve sürdürülebilir olur. Anlatabiliyor muyum? "Satır 27’deki Hüseyin Bey halen aktif müşteri mi?" diye sorunca sessizlik oluyorsa, elindeki sadece hücre yığınıdır.
Tam bu noktada, asıl konulardan biri gündeme gelir: Master Data Management (MDM).
Yani: “Bizde tekilleştirilmiş, doğrulanmış, güncel, tutarlı ve tüm sistemlerde senkronize çalışan bir müşteri veri seti var mı?” sorusu.
MDM, kurumsal veri stratejisinin temel taşıdır ama detayları epey derin… O yüzden bu yazıya sığmaz.
Onu da yazacağım, söz. “Abi veri mi dedin?” diyen herkesin MDM kapısından geçmesi lazım çünkü.

Ama bizde genelde nasıl oluyor?

Sistemdeki adreslerin %27’si eksik
Araç verisi 3 yıldır güncellenmemiş
Sipariş kayıtları sadece “PDF taraması” olarak duruyor
Ürün isimlerinde “Ürün A”, “ürn a”, “Urun A” gibi 78 varyasyon var

Ve bu verilerle yapay zekâ eğitmeye çalışıyoruz.
Ne olacak biliyor musun?
Model kendini keser.

Etiketleme = Asıl Maliyet

Yapay zeka eğitmek için veriye "etiket" ataman gerekir.
Yani her bir örneğe ne olduğunu, ne işe yaradığını, hangi sınıfa ait olduğunu belirtmen şart.
Ama burada işler karışır.
Çünkü:

Herkes veriyi ister ama kimse etiketlemez.
Etiketleme pahalıdır. Sıkıcıdır. Adam yoktur.
Ve sonuçta: “Bize model lazım” derler ama “veri hazır mı?” deyince bakakalırlar.

Kahire’de bir projede çalıştım. Lojistik firması.
Kayıtlar Arapça, İngilizce ve Fransızca karışıktı.
Etiketleme işi için dış kaynak getirdiler ama hiçbiri sektörü anlamıyordu.
Çıkan sonuç: AI modelinin %40’ı “arızalı kargo” sınıfına yanlış kayıt yapıyordu çünkü adamlar “sigorta hasarı” ile “teslim süresi” farkını bilmiyordu.

Domain Bilgisi Olmazsa, Model Sapıtır

Veri bilimci ne kadar iyi olursa olsun, alan bilgisini bilmezse çıkan sonuçlar gülünç olur.

Lojistikte “taşıma süresi 2 gün” normal olabilir ama İstanbul-Ankara için bu gecikme anlamına gelir.
Model bu farkı ayırt edemez.
İşte bu yüzden AI projesi = teknoloji + sektör bilgisi + veri üçlemesidir.

Ve bizde genelde biri yoktur.
Hatta bazen üçü de...

AI Projesinde Ekip Yapısı: Data Scientist ≠ IT Uzmanı

Şimdi gelelim en dramatik kafa karışıklığına:
Veri bilimcisi ile yazılımcıyı aynı kişi sanan şirketler.

Bir gün bir projede, ekip listesini istedim.
Dediler ki:

“Bizde bir IT’ci var, Python biliyor, AI yapar.”

Allah’ım sen sabır ver…
Python bilmekle AI yapılmaz.
Aynı mantıkla, İngilizce bilen herkes şair olurdu.

Kim kimdir?

Data Scientist: Model kurar, algoritma seçer, veriyi işler, istatistik bilir.
ML Engineer: Modeli canlı sisteme entegre eder, veri akışını sağlar.
DevOps: Pipeline kurar, server ayağa kaldırır, sürüm kontrolü yapar.
Domain Expert: Verinin ne anlama geldiğini bilir.
Backend Developer: Tüm bu yapıyı API’ye sarar.

Ama bizde ne olur?

“Sefa’ya verin, o Python biliyor. Hem sunucuya da erişimi var.”

Kahkaha atmakla ağlamak arasında bir yerde kalıyorsun.
Çünkü olay şu:

Bir veri bilimcisinden yazılım altyapısı kurmasını bekliyorsanız,
...bir pilottan aynı zamanda uçağın motorunu tamir etmesini de bekliyorsunuz demektir.

“Abi Biz ChatGPT ile Çözeriz” Furyası...

Bu başlık tek başına ayrı bir makale olabilir ama hadi toparlayalım...

Evet, ChatGPT müthiş bir araç.
Ama bir araçtır!
Tornavida ile ev inşa edemezsiniz.
O sadece işin bir kısmını kolaylaştırır.

Şu an sahada en sık duyduğum şey:

“Abi ChatGPT’ye yazdırıyoruz işte… model de o yazsın, kod da o yazsın.”

Peki kimin adına yazıyor o kodu?
Senin ne istediğini bilmiyorsan, GPT bir papağan olur.
Zaten öyle çalışıyor.
Large Language Models, gelecekteki kelimeyi tahmin eden devasa olasılık makineleridir.
Olasılık ≠ Anlam.
Tahmin ≠ Karar.

İstanbul’da bir yatırımcı toplantısındaydım.
Orada bir fintech sunumunda, adamlar “AI investment model” dediler.
Kodlar ChatGPT’den alınmış.
Ama girdi verisi eksik, modeller overfit olmuş, sonuçlar simülasyondan ibaret.
Ama sunum şahane: 3D grafikler, neon fontlar, “powered by AI” logoları.

Yani vitrin parlıyordu, içeride ürün yoktu.

AI’ın Çıktısını Gören Ama Altyapısını Anlamayan Yönetimlerin Hatası

CEO sunumu izler:

“Harika! Bu sistem fiyatları tahmin ediyor, renkli grafikler var. Harika iş çıkarmışsınız!”

Ben bakarım:
Model test edilmemiş.
Veri dengesiz.
Sonuçlar sabit.
Sistem her seferinde aynı sonucu veriyor.

Yani sahte AI.
Gerçekten çalışan bir sistem değil, sadece “güzel görünüyor”.

Yöneticiler genelde şuna odaklanır:

Slaytta ne yazıyor?
Arayüz güzel mi?
“AI” kelimesi geçiyor mu?

Ama şu soruları nadiren sorarlar:

Bu sistem hangi veriye dayanıyor?
Hangi algoritma kullanıldı?
Tahmin doğruluğu nedir?
Ne zaman güncelleniyor?

Bir keresinde şunu sordum:

“Bu AI modeli kaç günde bir güncelleniyor?”
Cevap: “Nasıl yani?”
Yani: Bilgi yok. Merak da yok. Sadece efekt var.
AI yapmak zor. Çünkü veriye, uzmanlığa, zamana, emeğe ihtiyaç var.
Ve en zoru: AI yaptığını zannedenleri ikna etmek.

Bunu anlatmaya çalışırken bazen kendimi şu halde buluyorum:

Bir yandan teknik anlatıyorum,
Bir yandan sunumdaki neon logolardan ayarı kaçmış umutları düzeltmeye çalışıyorum
Bir yandan da “bu iş niye bu kadar pahalı” diye soran gözlerle savaşıyorum.

Ama yılmak yok.
Çünkü bir gün gerçekten AI yapan şirketler olacak.
Ve işte o zaman bu yazılar "biz o zamanlardan beri söylüyorduk" diye hatırlanacak.

5. Türkiye’de AI Projeleri Neden Fail Ediyor?

3 Temel Sebep: Vizyon, Yetkinlik, Süreç Uyumsuzluğu

Vizyon Eksikliği

AI projesi yapacağız diyorlar.
Ne için?
"Rakip yapmış biz de geri kalmayalım."
Yani vizyon değil, panik refleksi.

Ben buna "Vizyoner taklidi sendromu" diyorum.

Gerçek vizyon şu soruları içerir:

Bu teknoloji bize ne kazandıracak?
Süreçlerimizi nasıl değiştirmeli?
2 yıl sonra bu sistem nerede olacak?

Ama bizde vizyon genelde şöyle:

“Bir şeyler yapalım da, AI diyelim.”

Bu cümleyi hayatımda en az 8 defa yönetim toplantılarında duydum.
Birinde o kadar net söyledim ki:

“Siz AI yapmak istemiyorsunuz, sadece yapılmış gibi görünmek istiyorsunuz.”

Toplantı sessizleşti. Sonra arka fondan biri çay söyledi.

Yetkinlik Sorunu

AI projesine başlıyoruz dediler, ekip listesi geldi.
İçeride:

1 network admin
1 frontend geliştirici
1 ERP sorumlusu
ve... bir tane "genç çocuk" (kendisi Python biliyormuş)

İşte yetkinlik seviyesi bu.
“Biraz bilen birini” kadroya alıp, ona “AI projeni yap” demek,
Formula 1’e katılıp, şoför olarak araba oyunları oynayan yeğenini getirmeye benziyor.

Sen de iyi bilirsin Deniz; bir ERP projesine 20 kişi giriyoruz, yine zar zor çıkıyoruz.
AI projesi çok daha derin ve zordur ama tek kişiyle yapılmaya çalışılıyor.
Yani: "Bütçe yok ama vizyon var" palavrası...

Süreç Uyumsuzluğu

Sistemin çalışması için veri lazım.
Ama veri CRM’de.
Ama o CRM’e veri girilmemiş.
Çünkü saha ekibi “ya çok uğraştırıyor” demiş.
O yüzden satış verisi e-posta ile geliyor.
O e-postalar da klasörde.
Klasörün adı: “KARISIK_2022_BÜTÜN_MAİLLER”

Bu yapıyla AI yapılmaz.
Çünkü AI, düzen sever.
Kaosla beslense bile, anlamlı kaosu sever.

Brezilya’da bir müşterim vardı, yerel bir e-ticaret firması.
Adamlar AI projesine başlamadan önce 6 ay sadece veri mimarisi kurdular.
Bize gelince?

“Abi biz geçen seneki verileri import ettik, onlarla başlayalım.”

Peki ya bu seneki trendler?

“Abi geçen senekiyle benzer zaten.”

Elimden veri bilimi değil, kolonya dökmek geldi o an.

“Pazarlama Odaklı AI” Projeleri vs Gerçek Üretkenlik

Bu kısımda tansiyon yükselecek.
Çünkü çoğu “AI projesi” aslında PR projesi.

Bak:

Slide’larda “AI destekli platform”
Broşürde “ML-Powered Smart Module”
Landing page’de “NextGen AI Optimization Engine™”
İçeriye giriyorsun...
- Bir tane dashboard
- 2 tane if-else kuralı
- 1 tane Excel forecast tablosu
- ve bir Google görselinden çalınmış AI ikonları

Üretkenlik?
Yok.
Sadece algı üretimi.

Bana bir kere bir müşteri şöyle dedi:

“Yatırımcı sunumunda ‘AI projesi’ dememiz lazım, o yüzden sen bir şey yazsana bize.”

Sordum:

“AI projesi var mı?”
“Yok ama başlayacağız gibi...”

Ben de yazdım:

“Currently exploring AI integration possibilities within strategic roadmap.”

O günden sonra ben her yalana böyle zarif kılıflar bulmaya başladım.

Yatırımcıya Sunumda AI, İçeride RPA…

Bu bir sektör klasiği artık.
Sunum açılıyor:

Görseller fütüristik
Başlıklar: “AI-Driven Growth”, “Smart Operations”
CEO sahnede, ellerini açıyor:

“Yapay zeka ile işimizi dönüştürüyoruz.”

Gerçekte ne oluyor?

ERP’den raporlar RPA ile çekiliyor
Mail'e dönüştürülüyor
Yöneticiye gönderiliyor

AI nerede?

Yok.

Yani içeride RPA çalışıyor, dışarıda AI satılıyor.

Bu kurumsal deepfake gibidir.

Üstelik RPA kötü bir şey değildir.
Ama AI değildir.
Bunu yatırımcıya doğru anlatmamak ise dolaylı yalancılıktır.

Londra’da bir yatırımcının bana söylediği şeyi hiç unutmam:

“Biz artık Türkiye’den gelen AI sunumlarını direk ‘RPA with lipstick’ olarak etiketliyoruz.”

Kırıcı mı? Evet.
Ama acı gerçek mi? Kesinlikle.

Gerçek Verilerle, Literatür ve İstatistik Destekli Analiz

Hadi şimdi biraz veri konuşalım.
2023 McKinsey raporuna göre:

Dünya çapında AI projelerinin %85’i PoC (Proof of Concept) aşamasında kalıyor.
Türkiye’de bu oran %92.
Sebep?
1. Veri kalitesi düşük
2. İş süreciyle entegre edilemiyor
3. Yönetim desteği yetersiz

Ayrıca Harvard Business Review’e göre:

Gerçekten katma değer sağlayan AI projelerinin:
- %47’si önce süreçleri sadeleştiriyor
- %39’u AI öncesi manuel denemeler yapıyor
- %91’i domain uzmanı ve veri bilimcisini aynı masaya oturtuyor

Türkiye’de?

“Süreç karmaşık ama biz AI ile çözeriz”
“PoC başarılıydı ama canlıya geçemedik”
“Abi server çökünce model de gitti zaten”

İşte bu yüzden AI projeleri fail ediyor.
Çünkü ortada kültür yok, sabır yok, vizyon yok.

Türkiye’de AI projeleri fail ediyor çünkü:
Başta vizyon yok
Ortada ekip yok
Altta süreç yok
Ama üstte sunum çok

Ve unutmayın:

Yatırımcıları ikna edebilirsiniz, ama yapay zekayı kandıramazsınız.
Çünkü o, veriye bakar.
Ve veri... asla yalan söylemez.

6. AI ve ‘Kurumsal Kandırmaca’: LinkedIn’den Toplantı Odasına

Herkesin CV’sinde “AI Transformation” Yazdığı Ama Aslında Ne Yapıldığı Bilinmeyen Ortamlar

Bazen LinkedIn’de dolaşırken kendimi paralel evrende hissediyorum.
Bir bakıyorum, herkes “AI Transformation Leader.”
Öbürü “ML Architect.”
Üçüncüsü “Cognitive Business Innovator.”
Bu ünvanların sayısı, ülkedeki gerçek AI projesinden fazla.

Geçenlerde biri “AI Strategy Consultant” diye eklemiş beni.
CV’sine baktım.
Geçmiş iş: “Satış sonrası hizmetler sorumlusu.”
Eğitim: İktisat.
Yetkinlikler: “AI Awareness Training - Udemy”

Canım, senin farkındalığın batsın.

Bu insanlar öyle bir balon yaratıyor ki,
Gerçek AI yapan ekipler gölgede kalıyor.
Çünkü onların LinkedIn başlığı:

“Senior Data Scientist | NLP | MLOps”
Ama çok like almıyor.
Neden?
Çünkü “transformation” demiyor.

Toplantı Odasında Ne Oluyor?

Yukarıda profilin adı: AI Lead
Odaya giriyorsun.
Sunum başlıyor.
İlk slayt: “AI ile Değişiyoruz!”
İkinci slayt: “AI ile Müşteri Deneyimi”
Üçüncü slayt: “Excel Pivot Analizi ve ChatGPT Önerisi”

Sonra sana dönüyor:

“Deniz Bey, sizce bu süreçte deep learning kullanmalı mıyız?”

“Veri var mı?” diye soruyorsun.
“Şu an elimizde CSV yok ama PDF var.”

Ve sen de kendine soruyorsun:

“Ben neden buradayım?”
“Bu kadar yıldır bu işi niye doğru yapmaya çalışıyorum?”
“Neden hala İtalya’daki makarna üreticisi benden daha gerçekçi?”

“AI Danışmanı” Olduğunu İddia Eden Ama Python Yazamayan Profiller

Bak, bu en sevdiğim kısım.

LinkedIn’de şu profili gördüm, gerçek:

AI Consultant | Business Innovator | ML Evangelist

Profilin biraz aşağısına indim.
Yetkinlikler:

Excel ✔️
PowerPoint ✔️
Midjourney (prompt yazma) ✔️
“ChatGPT ile iş akışları” eğitimi ✔️

Ama Python yok.
Scikit-learn yok.
TensorFlow? O ne ya?

Bir toplantıda bir “AI danışmanı” ile denk geldim.
Sorduğum soru şuydu:

“Bu model supervised mı, unsupervised mı çalışıyor?”

Cevap:

“Yani bizim sistem denetimli şekilde... yani müşterinin denetiminde çalışıyor. Onu kastediyorsunuz sanırım?”

Ben orada bir köşeye oturup ağlamak istedim.
Bir yandan ülkenin AI hayali, bir yandan bu abimiz...

Gerçek Danışman Kime Denir?

Gerçek danışman, seni hype'tan kurtarır.

AI mı lazım, yoksa veri mi eksik, onu söyler.
Modeli mi kurmalı, süreci mi sadeleştirmeli, doğru kararı verir.
Popüler değil, faydalı olanı önerir.

Ama bizim danışmanlar, “AI var abi siz merak etmeyin” diyerek
aslında müşteri kandırıyorlar.

Ve bu kandırmaca, sektörü çürütüyor.

Etik, Pazarlama, Ego ve Gerçeklik Arasında Şirketlerin Sıkışması

AI bir teknoloji değil, şu anda bir pazarlama kelimesi.
İçerik boş olsa da "AI var" deyince CEO’nun gözleri parlar.
Pazarlama müdürü rapora “AI destekli” yazınca, sunumda daha fazla alkış alır.
Yatırımcı sunumunda “AI Index™” gibi uydurma terimler kullanılır.
Ama içeride veri akışı bile yoktur.

Bir keresinde, uluslararası bir şirketin “AI-powered product roadmap” dokümanını inceledim.
8 sayfa süslü kelime.
Sadece 1 teknik detay vardı:

“Sistem, kullanıcı aksiyonlarını tahmin edecektir.”

Nasıl?
Neye göre?
Veri nerede?
Model nasıl eğitilecek?

Cevap yok.

Ama marka bilinirliği %9 artmış.
Çünkü herkes “vay be, AI yapıyorlar” demiş.

Etik Nerede?

Yapay zeka, etkisi büyük olan bir araçtır.

İnsan kaynaklarında kullanırsan, yanlış bir tahmin insanın işsiz kalmasına neden olur.
Sağlıkta kullanırsan, yanlış sınıflama hayat kurtarmaz, hayat alır.
Finansta kullanırsan, aşırı risk alma davranışı sistemleri çökertir.

Ama pazarlama baskısı, bu gerçekleri örter.
CEO: “AI deyin, yatırım alalım.”
CTO: “Ama hazır değiliz.”
CEO: “Sen halledersin, prompt yaz ChatGPT’ye.”

Ve AI, gerçek olmadan önce etik olarak çürümeye başlar.

“AI danışmanı” yazmak kolay.
Ama AI anlamak, emek ister.
Python öğrenmek, TensorFlow ile model kurmak, başarısız olmak, tekrar denemek… bunlar zaman ister.

Ama bizde ne istenir?

Hızlı sonuç
Parlak sunum
Logo’lu başarı hikâyesi
Ve tabii ki “AI yaptık” denilen süslü LinkedIn postları

Sonuç?
Bir kurumsal kandırmaca evreni doğar.
Ve o evrende yalnızca hakikat değil, geleceğin de kendisi kaybolur.

7. Doğru AI Projesi Nasıl Kurulur?

AI Lifecycle: Veri Toplama, Model Seçimi, Test, Geri Besleme

AI yapmak, çorba yapmak gibidir:
Malzeme yoksa, en iyi şef bile sizi kurtaramaz.

İşte bu işin "reçetesi":

1. Veri Toplama

Yapılan ilk hata:
Projeye başlamadan veri toplamaya çalışmak.
Yahu, veri olmadan AI projesi konuşulur mu?
Almanya'da bir bankada danışmanlık yaparken şunu gördüm:
Proje başlamadan 12 ay boyunca veri hazırlamışlar.
Ne eksik veri kaldı, ne kirli veri.

Bizde?

“Abi verileri Excel'den copy-paste yaparız, sıkıntı olmaz.”

Kusura bakmayın. AI modeliniz, veri kaliteniz kadar zekidir.
Çöpten beslenen sistem, çöp üretir.

2. Model Seçimi

Veriyi aldın, sırada model var.
Ama burada da şöyle bir sorun var:

Elinde küçük veri seti var.
Hop, adam GPT-4 çağırıyor.
Ya da CNN kuruyor, sanki NASA’ya Mars robotu yolluyoruz.

Model seçmek = Ayakkabı seçmek gibidir:
Ayağına büyük geleni giyersen tökezlersin.

Basit veri için basit model: Linear Regression.
Zengin veri için kompleks model: XGBoost, Transformer vs.

Model seçimi probleme göre yapılır, “moda”ya göre değil.

3. Test ve Geri Besleme

Türkiye’de bir projeye destek verdim.
Model doğruluk oranı %62 çıktı.
Ben dedim ki:

“Bu kötü, iyileştirmemiz lazım.”

Cevap:

“Abi %60 bile yeter, biz sunuma koyarız zaten.”

Hayır kardeşim!
AI modelini PowerPoint için yapmıyorsun, sistem için yapıyorsun.

Modeli test edeceksin.
Çapraz doğrulama yapacaksın.
Geri besleme döngüsü kuracaksın.
Hatayı tespit edeceksin.
Yeni veri geldikçe modeli güncelleyeceksin.

AI, yürüyen ve düşüp kalkarak büyüyen bir bebek gibidir.
Sen onu doğuruyorsun ama büyümesine izin vermezsen, o sadece bir süs eşyası olur.

Küçük Başlayıp Büyüyen Projeler: POC → MVP → Prod.

En sevdiğim slogan şudur:

“Küçük başla, hızlı öğren, akıllı büyü.”

Ama Türkiye’de nasıl oluyor?

PowerPoint'te 18 modüllü proje çizeriz.
Tüm süreçleri aynı anda değiştirmeye çalışırız.
1 yılda hiçbir şey çıkmaz.
Sonra proje iptal olur.
Sonuç: "Biz AI yaptık ama tutmadı."

Peki doğru sıralama ne?

POC (Proof of Concept)

Küçük bir alan seç.
Mesela: Sadece İstanbul içi sipariş tahmini.
Veriyi topla, modeli hızlıca dene.
MVP’ye değer mi, ona bak.

MVP (Minimum Viable Product)

POC başarılıysa, ürünün temel versiyonunu çıkar.
Hatalar, eksikler, pürüzler olacak, normal.
Sistemi çalışır hale getir ama süsleme yapma.

Production (Gerçek Hayat)

Süreçlere tam entegre et.
Otomatik veri akışı kur.
Online öğrenme ekle.
Versiyonlama yap.
İzle, geliştir, pivot yap.

Ve unutma:

POC'yi başarmadan MVP'ye atlamak, pilav pişmeden tuz serpmeye benzer.

Üç Temel Ekip: Domain Uzmanı, Veri Bilimcisi, Ürün Yöneticisi

1. Domain Uzmanı

Bu adamın olayı şu:

Sektörü bilir.
Verinin içeriğini anlar.
Modelin doğru çalışıp çalışmadığını anlamak için gerçek dünya filtresidir.

Bir keresinde bir depo yönetim sistemi için AI kurduk.
Model dedi ki:

“En yüksek hacimli sipariş, yazın geliyor.”

Domain uzmanı bir baktı:

“Olmaz, bu veriler sahte. Bizim sektör yazın yatar.”

Bingo! Veri hatalıymış, hemen düzelttik.

AI sadece data görür, domain uzmanı ise anlam görür.

2. Veri Bilimcisi (Data Scientist)

Bu kişi şudur:

Veriyi alır, temizler.
Model kurar.
Hata analizi yapar.
Ve sürekli öğrenir.

Türkiye’de veri bilimcinin iş tanımı bazen şöyle yazılıyor:

“Python bilen, grafik çizebilen, veri tabanı tasarlayan, AI danışmanı.”

Yani hem doktor, hem mühendis, hem öğretmen, hem astronot…

Hayır kardeşim.
Veri bilimcisi = Model ustasıdır.

3. Ürün Yöneticisi (Product Manager)

Ve işte kahraman:

Hedefleri netleştirir.
Süreci zamanında iter.
Kullanıcı ihtiyaçlarını anlar.
Ekibi bir arada tutar.
Stakeholder ile geliştirici arasında çevirmenlik yapar.

Bir ürünü sadece kodla hayata geçiremezsin.
Doğru hedefler ve doğru yönlendirme olmadan AI projeleri, teknesiz kaptana benzer:
Yön bilinir ama varılacak yer yoktur.

Gereken Altyapılar ve Süreç Önerileri

AI projesinde iş sadece kod yazmak değil.
Şunlar da olmalı:

Veri Gölü (Data Lake): Ham veri depolama için.
ETL Süreçleri: Extract, Transform, Load. Veriyi çek, temizle, sisteme koy.
Model Repository: Trained modelleri saklamak için.
ML Ops: Model güncellemeleri, sürüm kontrolü, canlıya alma süreçleri.
API Katmanı: Modeli sistemlerle konuşturmak için.

Ve en önemlisi:

Gerçek zamanlı monitoring:
Model sapıttı mı? Hemen yakala!
Model drift mi ediyor? Hemen güncelle!

Bunlar yoksa?

Sana sadece "AI yapıyoruz" demek kalır.
Yapmıyorsun ama iyi satıyorsun işte.
Teşekkürler PowerPoint.

AI projesi; veriyle başlar, doğru ekiple yürür, sabırla büyür, doğru altyapıyla yaşar.

Bunu bilmeyen, her projeye "AI yapıyoruz!" diye başlar...
Ama "Excel pivot’u optimize ettik" diye bitirir.

8. Case Study: “Gerçekten AI Yapan Şirketler Ne Yapıyor?”

Türkiye'den ya da Yurtdışından Örnekler

Şimdi düşünelim.
"Biz AI yapıyoruz" diyen kaç şirket gerçekten yapıyor?

İşte sahneye çıkanlar:

Amazon

Amazon’un AI kullanımı, "müşteri kim, ne ister, ne zaman ister" sorularını %92 doğrulukla tahmin etmek üzerine kurulu.

Her tıklamayı, her ürün aramasını, her "sepete ekle" aksiyonunu kaydediyorlar.
Machine Learning modelleri sadece tahmin değil, dinamik stok optimizasyonu da yapıyor.
Lojistikte, teslimat rotalarını anlık güncelleyen reinforcement learning sistemleri çalışıyor.

Ve bu adamlar kalkıp LinkedIn’e "AI Transformation Leader" diye yazmıyorlar.
Yapıyorlar.
Sonra sunuyorlar.
Arada “Powered by AI” gibi süsler yok.
Çünkü içerik dolu.

Trendyol

Türkiye’de en başarılı AI kullanım örneklerinden biri.

Fiyat optimizasyonu yapıyorlar.
Ürün öneri motorları (Recommendation Systems) var.
Depo lojistik optimizasyonunda AI kullanıyorlar.
Müşteri destek chatbotları, gerçekten NLP destekli çalışıyor.

Ama arka planda ne var?

Kendi veri bilim ekibi
Kendi veri mühendisliği takımı
Sürekli güncellenen modeller

Bana Trendyol’un veri ekibinden biri demişti:

“Data yoksa model yok. Model yoksa forecast yok. Forecast yoksa satış yok.”

Adamlar sıralamayı biliyor!

Kamyoon (Bizim Case)

Şimdi ufaktan mütevazı olmadan söyleyelim:
Kamyoon gibi lojistik için AI tabanlı dinamik sistem kurmak kolay iş değil.

Sefer verisi
Yük, mesafe, araç tipi, iklim verisi
Regresyon modellemeleri
Zaman serisi analizleri
Online öğrenme (River, Vowpal Wabbit)

İşte bu kadar detayla bir fiyat tahmin ve karar destek sistemi inşa etmek,
birkaç Excel formülüyle yapılacak iş değil.

Gerçek veriyle, gerçek modellerle, gerçek bir ekiple çalışmak gerekiyor.

Kamyoon gibi projeler, "gerçekten AI yapıyoruz" diyebilen nadir örneklerden biri.

Ve bununla gurur duyuyoruz.
Çünkü çöp veriye parfüm sıkıp "AI yaptık" demiyoruz.

Doğru Tanımlanmış Problem + Kaliteli Veri + Gerçek Ekip + Gerçek Sonuç

Bir AI projesinin başarılı olması için 4 temel taşı var:

1. Doğru Tanımlanmış Problem

Problem net değilse, çözüm de olmaz.

Yanlış:

"Bize bir AI lazım, ne yaparsa yapsın."

Doğru:

"İstanbul-İzmir arasındaki sefer maliyetlerini tahmin etmek ve fiyatı optimize etmek istiyoruz."

Problem netse, veri toplanır.
Veri toplanırsa, model doğru seçilir.
Model doğru seçilirse, sonuç gelir.

2. Kaliteli Veri

Veri kötü ise en iyi algoritma bile sapıtır.

Eksik veri → Hatalı model
Gürültülü veri → Anlamsız sonuç
Yanlı veri → Ayrımcılık

Amazon'un başarısı, veri kalitesine verdiği önemden geliyor.
Trendyol'un başarısı, veri mimarisine yatırım yapmasından geliyor.

Bize gelince?
Hâlâ "Abi Excel var" seviyesinden yukarı çıkmaya çalışan yüzlerce proje var.

3. Gerçek Ekip

AI yapacağız diyorsan:

Data Engineer olacak
Data Scientist olacak
MLOps uzmanı olacak
Domain uzmanı olacak
Ürün yöneticisi olacak

"Bir IT'ci ve bir Excel uzmanı" ile AI yapılmaz kardeşim.
Bu hayal değil, proje yönetimi gerçeğidir.

Gerçek Sonuç

AI projesi şunu sağlamalı:

İş sürecinde iyileşme
Hata oranında azalma
Maliyetlerde tasarruf
Gelirde artış

Eğer sonuç yoksa, PowerPoint slaytıyla yatırımcı kandırıyorsun demektir.

Gerçek proje = Gerçek çıktı.

Gerçek Bir AI Projesi Nasıl Görünür? (Uygulamalı Örnek)

Şimdi buraya uygulamalı örneğimizi gömmeden geçmek olmaz.
Çünkü teori tamam, peki pratiğe geldiğimizde?

Hatırlarsanız daha önce birlikte yazdığımız şahane bir makalemiz vardı:

Yapay Zeka ile Dinamik Fiyatlandırma ve Maliyet Hesaplama Sistemi: Lojistik Sektörü için Regresyon, Zaman Serisi Analizi ve Online Öğrenme Yaklaşımı

İşte o makalede neler yaptık, bir hatırlayalım:

Araç, yük, mesafe, yakıt ve iklim verilerini topladık.
Sefer verilerini temizledik ve yapılandırdık.
XGBoost ve Ridge Regression ile regresyon modellemeleri kurduk.
Prophet ve ARIMA ile zaman serisi tahminleri yaptık.
Random Forest ve Decision Tree ile fiyat segmentasyonu oluşturduk.
Isolation Forest kullanarak anomalileri yakaladık.
River kütüphanesiyle online öğrenmeyi devreye aldık.

Ve tüm bu süreci sırtladığımız teknoloji yığını da şöyleydi:

Backend: Python, Flask, FastAPI
Frontend: React, React Native
Veritabanı: PostgreSQL, Redis, MongoDB
Coğrafi Veri Yönetimi: PostGIS

Özetle:
Bu proje sadece model kurmakla kalmadı; gerçek iş sonuçları üretti.

Yani:

Gerçek problem + Gerçek veri + Gerçek ekip + Gerçek mimari = Gerçek AI Projesi

Hani bazen insanlar soruyor ya:

"AI nedir, AI projesi nasıl olur?"

İşte Kamyoon ve yazdığımız bu makale, bunun ete kemiğe bürünmüş haliydi.

Gerçek bir AI projesi; poz kesmekle, logoya yapay zekâ sticker’ı yapıştırmakla, LinkedIn'de "AI Lead" yazmakla olmuyor.
Gerçek bir AI projesi; doğru problemi seçmek, doğru veriyi üretmek, doğru ekipleri kurmak ve sabırla, sağlam mimariyle ilerlemekle oluyor.

Küçük Bir İç Dökmecelik...

Dikkat ediyorsanız, yazdığım her makalede okumamayı, araştırmamayı ve "mış gibi yapmayı" sürekli eleştiriyorum.
Aslında yukarıda linkini verdiğim makale de tam olarak bunun için yazıldı.

O sadece bir makale değildi.
Orada, kodlarıyla, veri yapılarıyla, modelleriyle, mimarisiyle, bir yapay zeka projesinin nasıl sıfırdan kurulduğunu adım adım yazdım.
Kağıda değil, klavyeye dökülen gerçek bir sistemdi o.

Ve tabii ki...
Beklediğim gibi oldu:
Bu yazı, şimdiye kadar yazdıklarım arasında en az okunanlardan biri oldu.

Üstelik — bakın buraya dikkat — benimle çalışan,
senelerdir "yapay zekaya hesaplama yaptırmalıyız" diyen kendi mühendislerim bile doğru düzgün okumadı!

Ama hiç dert değil. Buraya da rahat rahat yazıyorum, çünkü biliyorum:
Bunu da okumayacaklar!

Malum, TikTok'ta video kaydırmak, 25 senelik bir mühendisin onlar için yazdığı bir makaleyi okumaktan daha fazla zamanı hak ediyor.
Ah be dünya... Böyle böyle tüme varıyoruz işte:

İki dakikada video kaydıran toplum → İki saniyede karar veren yönetici → İki günde çöken proje → İki yıl sonra unutulan şirket.

O yüzden dostlar,
Ben yine de yazmaya, anlatmaya, gerçek bilgiyi paylaşmaya devam edeceğim.
Okuyanlar sağ olsun. Okumayanlar için... Yapay zeka da, geleceğin ta kendisi de beklemiyor.

Sonuçlardan Sonuçlara Tümevarım

Şuraya doğru bir tümevarım yapalım:

Okumadan uzman olunur →
Araştırmadan proje yapılır →
Yazmadan strateji çizilir →
Sonra da tabii ki,
"Abi, AI yapıyoruz" diye şirket tanıtım filmi çekilir.

Böyle böyle, yapay zekayı değil, kendi zekamızı simulate etmiş oluyoruz.

O yüzden gerçek AI isteyenlere bir tavsiye:
TikTok kaydırmayı bırakın.
Veri temizleyin.
Model kurun.
Kod yazın.
Yanlış yapın.
Doğrusunu bulun.
Çünkü yapay zeka bir LinkedIn efekti değil;
Ter ve sabrın dijital halidir.

9. Yapay Zeka Değil, Kurumsal Zeka Sorunu

Asıl Sorun Teknolojide Değil, Bakış Açısında

Türkiye’de (ve aslında dünya çapında birçok yerde) AI projeleri neden patlıyor sanıyorsun?

Çünkü sorun teknolojide değil.
Python bilmeyen juniorlar, TensorFlow’dan korkan mühendisler yüzünden değil.
AWS faturası görünce kalp krizi geçiren CFO yüzünden de değil.

Asıl sorun: Bakış açısında.

Şirketlerin çoğu, teknolojiyi bir "makyaj malzemesi" gibi görüyor.

CRM’e bir AI eklentisi koyalım, müşteri sadakati artsın.
Chatbot’a AI deyince çağrı merkezini küçültelim.
Raporlamaya "AI destekli dashboard" dersek yönetim kurulu etkilenir.

Yani teknoloji = kozmetik.
İçini değiştirmiyorlar, dışını süslüyorlar.

Amazon, Netflix, Tesla gibi firmalar neden gerçekten AI yapabiliyor?
Çünkü onlar önce soruyor:

"Bu teknoloji, iş yapış biçimimizi nasıl dönüştürecek?"

Bizdeki soru?

"Bu teknoloji sunumda nasıl daha havalı görünür?"

İşte aradaki uçurum bu.

Yönetimlerin “Ne İstediğini Bilmemesi” En Büyük Darboğaz

En riskli yöneticiler şunlar:
"AI projesi yapalım" diyen ama amacını bilmeyen CEO’lar
"Yapay zeka modası geçti mi ya?" diye şüphe eden COO’lar
"PowerPoint’te güzel duruyor, devam edelim" diyen CFO’lar

Bir gün bir proje sunumunda CEO aynen şöyle dedi:

“Biz de AI ile bir şeyler yapalım işte, fena mı olur?”

Sordum:

“Tam olarak hangi problemi çözmek istiyorsunuz?”

Cevap:

“Hımmm... Şöyle... genel bir şey…”

İşte tam burada bir şeyin AI olamayacağını anlıyorsun:

Net problemi olmayan proje, çözüme ulaşamaz.
Çözümü belli olmayan proje, teknolojiyle büyümez, şişer.
Şişen projeler... bir gün patlar.

Bu yüzden AI projelerinin %92’si Türkiye’de ya PoC aşamasında kalıyor ya da "rüya" oluyor.

Özetle:
Yönetim problemini tanımlamıyorsa, veri bilimcinin yapacağı tek şey sudoku çözmek olur.

CEO'lar İçin: “AI Vizyonu Nasıl Çizilir?” Bölümü

Bakın sevgili CEO’lar, eğer bu satırları okuyorsanız,
yapay zekâyı şirketinize getirmek istiyorsanız, ilk yapmanız gereken şey şudur:

TEKNOLOJİDEN ÖNCE STRATEJİYİ DÜŞÜNÜN.

İşte siz kıymetli CEO’lar için özel reçete:

1. Problemi Tanımla

Şu üç soruyu net cevaplayamıyorsan AI projesi başlama:

Hangi problemi çözeceğim?
Bu problemin çözümü nasıl bir katma değer sağlar?
Çözüm için veri mevcut mu?

Eğer cevaplar "bilmem", "bakalım", "toplarız" ise, bırak AI’yı, otur kahve iç.

2. Vizyonu Gerçekçi Kur

AI projesi yapacağız demek, sihir yapacağız demek değil.

%100 doğruluk yok.
Sonsuz otomasyon yok.
Hatasız sistem yok.

İstediğin şey "hatasızlık"sa, yanlış adrestesin kardeşim.
AI, insan gibi öğrenir: Hata yapar, düzelir, gelişir.

3. Ekipleri Yetkilendir

AI işi IT işi değildir sadece.
Finansı, operasyonu, pazarlamayı da kapsar.
Bir AI projesi, şirketin tüm damarlarında dolaşacaksa anlamlı olur.

O yüzden:

IT'yi tek başına bırakma.
Veri bilimciyi üst yönetimden soyutlama.
Ürün yöneticisini yetkisiz bırakma.

Yoksa proje, proje olmaz.
Bir Google Drive dosyasına döner.

4. Beklentiyi Yönet

En büyük zehir:

"Abi yapay zekâ gelince her şey kendi kendine çözülür."

Yok öyle bir dünya.
AI, bir sihirbaz değildi, olmayacak da.

Bir yapay zekâ projesi, 6 ayda hayat kurtarmaz.
İlk 6 ayı sadece:

Veri düzenleme,
Model geliştirme,
Performans testi,
Adaptasyon eğitimi,
Süreç optimizasyonu gibi işler yer.

O yüzden CEO’lar önce sabırlı olmayı öğrenmeli.
Sonra sonuç beklemeli.

Yapay zeka bir teknoloji devrimidir.
Ama gerçek devrim, kurumsal zihniyet değişirse olur.

Eğer sadece sunum güzelleştirmek için AI yapıyorsanız:

Çıkışı PowerPoint'te ararsınız.
Çözümü LinkedIn postlarında kaybedersiniz.
Ve sonunda kendinizi, "AI stratejisi yapmış ama hiçbir iş süreci değişmemiş" şirketler mezarlığında bulursunuz.

"AI projesi yapmak zordur. Ama kurumsal kafayı değiştirmek ondan da zordur."

10. Sonuç: Kime Bu Mektup?

Bu mektup…
Ne sadece CEO’lara, ne sadece IT müdürlerine, ne de LinkedIn’de "AI Wizard" yazıp henüz NumPy'i kuramamış gençlere yazıldı.

Bu mektup hepimize yazıldı.
Çünkü AI’ın geleceğini birkaç "bilen" değil, doğru öğrenmeye çalışan herkes belirleyecek.

İnsanları Küçümsemeden, Ama Dürüstçe

Evet, bazen dalga geçtik.
Evet, bazen acı gerçekleri suratımıza çarptık.
Evet, bazen kurumsal “mış gibi” dünyasının içini dışına çıkardık.

Ama hiçbir zaman kimseyi küçümsemek için yazmadık bunları.
Çünkü şunu iyi biliyorum:

Kimse her şeyi bilerek doğmaz.
Ama herkes öğrenerek ilerleyebilir.

Eğer bugün bir yönetici, bir çalışan ya da bir girişimci "Ben AI yapacağım" diye yola çıkıyorsa;

Önünde dağ gibi engel de olsa,
Başlangıçta veri de olmasa,
Kod bilmeden başlasa bile,
bu yolun sonunda doğru adımlarla çok şey başarabilir.

Ama ilk adım:
Kendini kandırmamak.

Eleştirinin Yanında Umut ve Yön Gösteren Bir Final

Bu yazı bir "sallama" yazısı değil.
Bu yazı bir "gömmek için gömme" yazısı da değil.

Bu yazı, şöyle diyor:

Evet, Türkiye’de ve dünyada birçok AI projesi havada kalıyor.
Evet, sunumlarda AI diye gösterilen şeylerin çoğu makyajdan ibaret.
Evet, şirketler genelde önce “parlaklığı”, sonra “anlamı” arıyor.

Ama bu değişebilir.

Gerçekten değişebilir.
Eğer doğru yerden başlanırsa:

Önce iş problemi doğru tanımlanırsa,
Sonra veri ciddiye alınırsa,
Sonra doğru ekipler kurulursa,
Sonra küçük adımlarla sabırla büyünürse,

Türkiye’de de, Avrupa’da da, her yerde gerçek AI projeleri doğabilir.

Bugün Amazon'un, Netflix'in, Spotify'ın yaptığı şeyler bir gecede olmadı.
Onlar da küçük POC'lerle başladılar.
Onlar da veri kaosu içinde debelendiler.
Onlar da başta yüzlerce kez hata yaptılar.

Fark neydi?

Hatalardan korkmadılar.
Öğrenmeye devam ettiler.
Havalı görünmeye değil, gerçekten çözüm üretmeye odaklandılar.

“AI Yapabilirsiniz, Ama Önce Öğrenmekten Korkmamalısınız.”

Bütün mesele burada bitiyor:

Yapay zekâ bir teknoloji devrimiyse,
öğrenme de bu devrimin yakıtı.

Hatalar yapmaktan korkmayın.
Bilmediğinizi itiraf etmekten korkmayın.
Eksik veriyle uğraşmaktan korkmayın.
Yeni şeyler denemekten korkmayın.

Çünkü AI, sadece makinelerin değil, insanların da öğrenme yolculuğudur.

Ve kim bilir?
Bugün bu yazıyı okurken “Yok ya biz AI yapamayız" diyen bir ekip,
yarın Türkiye'nin ilk global AI ürününü çıkarabilir.

Her şey, doğru yerden başlamaya bakar.

AI yapmak mı istiyorsun?
O zaman önce yapay olanı bırak, gerçek zekânı ortaya koy.

Ve unutma:

“Sunumları büyüleyen şirketler değil, süreçleri dönüştüren şirketler kazanacak.”

Bu yazıyı bitirirken, elimde kahvemi tutuyorum.
Camdan dışarı bakıyorum.
Ve kendime şunu tekrar ediyorum:

"Gerçek değişim, başkalarını kandırarak değil; önce kendini dürüstçe görmekle başlar."

Ve işte sevgili dostum, sevgili CEO, sevgili developer, sevgili girişimci:
Bu mektup senin için yazıldı.
Çünkü değişim, sana inandığım için başladı.

Şimdi, hadi.

Gerçek AI yolculuğu başlasın.

11. Bonus: ‘AI Mühendisi Arıyoruz… Excel Bilen Tercih Sebebidir’ İlanlarına Cevap Mektubu

Konu:
Başvuru: AI Mühendisi Pozisyonu - (Pivot Table Uzmanı ve Deep Learning Hayranı)

Sayın İnsan Kaynakları Ekibi,

Öncelikle açmış olduğunuz
"AI Mühendisi (Excel bilen tercih sebebidir)"
ilanını büyük bir heyecanla inceledim.
Gerçekten, veri bilimi ve yapay zekâ alanında yepyeni bir yaklaşım sunduğunuz için tebrik ederim:
Bildiğim kadarıyla Microsoft Excel üzerine Reinforcement Learning pipeline'ı kuran ilk firma olabilirsiniz.

Bu vizyoner yaklaşımınıza büyük bir hayranlık duydum.
Ve sanıyorum ki tam aradığınız profil benim:

Teknik Yeterliliklerim:

Excel'de =IF fonksiyonlarıyla conditional neural network mimarisi kurabiliyorum.
=FORECAST.LINEAR() fonksiyonuyla time series predictive modeling çalışmalarım oldu, özellikle Ankara Havaalanı aktarmalarında yüksek isabet sağladım.
VLOOKUP fonksiyonuyla unsupervised clustering deneyimlerim bulunuyor; ürün kodlarına göre segmentasyon yapabiliyorum.
Makrolarla yazdığım "Hello World" uygulamaları sayesinde low-code generative AI çalışmaları yürüttüm.

Akademik ve Teknik Gelişimim:

Excel 2013 ileri seviye sertifikam mevcut.
CTRL+C / CTRL+V kısayol kombinasyonlarıyla veri göçü yönetimi süreçlerine katkı sağladım.
Pivot Table kullanarak real-time data aggregation konusunda kendimi geliştirdim.
Conditional Formatting ile unsupervised pattern recognition uygulamaları geliştirdim (örneğin: 500 satırlık faturada sarı renkli satırları ayıklama.)

Yapay Zeka Vizyonum:

Önümüzdeki yıl içinde,

Excel üzerinde kendi Bayesian Optimization Framework’ümü pivot tablolarla kurmayı planlıyorum.
Makrolar aracılığıyla Federated Learning altyapısı inşa etmeyi hedefliyorum (şirket içi dosya paylaşımı üzerinden dağınık model güncellemeleri düşünün.)
Hücreler arası veri akışıyla Graph Neural Network çalışmaları başlatmak istiyorum, özellikle C sütunu ile E sütunu arasındaki edge ilişkilerini baz alarak.

Başvuru Niyetim:

Biliyorum ki, "Excel bilen AI mühendisi" aramak,
biraz nükleer santral kurarken uzatma kablosu aramak gibi hissettiriyor.
Ama olsun.
Ben mütevazı bir mühendis olarak,
25 yıllık kariyerimde öğrendiğim her şeyi,
Excel’in o küçücük "Save As" penceresine sığdırabileceğime inanıyorum.

Bu yüzden,
eğer isterseniz,
veri bilimi dünyasında Excel tablolarıyla Kohonen Self-Organizing Maps kurabiliriz.
Ya da isterseniz LSTM modelleri yerine, birkaç nested IF formülü ile supply chain tahminleri yapabiliriz.

Her şey sizin vizyonunuza bağlı.
Ben hazırım.

Umarım beni beğenirsiniz ve bu değerli pozisyona layık görürsünüz.
Yoksa yazık olur, çünkü şu anda Excel’de GAN (Generative Adversarial Network) simülasyonu kuracak seviyeye gelmek üzereyim.

Şimdiden teşekkür ederim.
Başarılarınızın devamını dilerim (özellikle =SUM fonksiyonlarınızda).

Saygılarımla,

Dipl.-Ing. Deniz Cengiz

Deep Pivot Table Specialist
Reinforcement Learning Makro Yazarı
Neural VLOOKUP Enthusiast