RSYS / Türkiye operasyon analizi

Türkiye'deki kurumlar için yapay zeka ve otomasyon

Türkiye güçlü üretim, ihracat, lojistik, hizmetler, e-ticaret ve finans yapısına sahip büyük bir operasyon ekonomisidir. Yapay zeka değerini ancak gerçek süreçlere bağlandığında üretir: siparişler, müşteriler, belgeler, onaylar, stok, kalite, bakım, müşteri hizmetleri ve yönetim raporları.

Türkiye neden süreçlere bağlı AI'ya ihtiyaç duyar

Türkiye'de pek çok kurum ERP, CRM, e-ticaret, üretim ve muhasebe sistemleri kullanır; sorun çoğu zaman bu sistemlerin aynı operasyon gerçeğini göstermemesidir. World Bank, OECD ve dijital ekonomi kaynakları güçlü bağlantı, sanayi ve hizmet yapısını gösterirken, başarılı AI projeleri önce veri sözlüğü, statü standardı, izinler ve rapor mantığı kurmalıdır.

large market

Büyük müşteri ve tedarikçi hacmi süreç otomasyonunu değerli kılar. [1]

industry

Üretim, kalite, stok ve bakım verileri tek modele ihtiyaç duyar. [2]

mobile-first

Saha, lojistik ve müşteri bildirimleri mobil akışlarla desteklenmelidir. [3]

12 kaynak

Analiz ekonomi, dijitalleşme, siber güvenlik ve AI yönetişimini birleştirir. [4]

Ortak statü sözlüğü şarttır: yeni, inceleniyor, belge bekliyor, onay bekliyor, tamamlandı, reddedildi ve bloklandı. Bu kelimeler tüm ekiplerde aynı anlama gelmezse raporlar karşılaştırılamaz.

Operasyonel zorluklar

Area	Challenge	RSYS response
Üretim	Kalite, malzeme, termin ve bakım verileri dağınık olabilir.	Üretim kayıtları, kalite kontrolleri, stok ve istisna panoları.
Lojistik	Teslimat, depo ve tedarikçi gecikmeleri maliyet yaratır.	Teslimat durumu, stok uyarıları, tedarikçi kayıtları.
Hizmet	Müşteri talepleri çok kanaldan gelir.	Ticket, CRM, bilgi tabanı ve eskalasyon kuralları.
Güvenlik	Entegrasyon arttıkça veri riski artar.	Rol bazlı erişim, log, yedekleme ve NIST CSF mantığı.

AI nerede fayda sağlar

Özet

Müşteri, sipariş, servis ve uygunluk vakalarını hızlı özetler.

Belge sınıflandırma

Fatura, sözleşme, form ve ekleri insan kontrolünden önce tanır.

İç asistan

Onaylı prosedür ve politika kaynaklarından cevap verir.

Tahmin

Talep, stok, kapasite ve gecikme riskini temiz veriden çıkarır.

AI çıktısı resmi kayıtla karıştırılmamalıdır. Sipariş, sözleşme, fatura veya servis vakası gerçek kaynaktır; AI özeti kullanıcı tarafından kontrol edilen yardımcı metindir.

Önerilen yol haritası

Stage	Main work	Success measure
1. Seçim	Ölçülebilir maliyet veya gecikmesi olan süreç.	Sahip ve başlangıç ölçümü var.
2. Veri	Alan, statü, yetki ve kaynakları birleştirme.	Tek güvenilir veri modeli.
3. Otomasyon	Form, onay, uyarı ve dashboard.	Manuel takip azalır.
4. AI	Özet, sınıflandırma veya tahmin.	Sonuçlar açıklanabilir.
5. Ölçek	Modeli diğer ekiplere taşıma.	Veri karmaşası olmadan büyüme.

AI çıktısı resmi kayıtla karıştırılmamalıdır. Sipariş, sözleşme, fatura veya servis vakası gerçek kaynaktır; AI özeti kullanıcı tarafından kontrol edilen yardımcı metindir.

Uygulama öncesi ve sonrası ölçüm yapılmalıdır: vaka açma süresi, belge bulma süresi, onay süresi, hata düzeltme ve rapor hazırlama. Fayda bu rakamlarla görünür.

Her dashboard göstergesinin sahibi olmalıdır. Sayıyı kim açıklar, kaynağı kim düzeltir, sonraki aksiyonu kim alır? Bu roller yoksa raporlama pasif kalır.

Değişiklik yönetimi önemlidir. Yeni alanı kim ekler, statüyü kim değiştirir, AI kuralını kim günceller ve kullanıcılar nasıl bilgilendirilir? Bu disiplin ölçeklenmeyi korur.

Eğitim gerçek görevlerle yapılmalıdır: vaka açma, ek yükleme, statü değiştirme, onay isteme, veriyi düzeltme ve vakayı kapatma. Kısa tekrarlar veri kalitesini yükseltir.

İlk uygulamadan önce mevcut süreç ölçülmelidir: vaka açma, belge bulma, onay alma, kayıt düzeltme, rapor hazırlama ve işi kapatma kaç dakika sürüyor? Bu ölçüm yoksa otomasyonun gerçekten değer üretip üretmediği ancak tahmin edilir. Ölçüm olduğunda proje doğrudan verimlilik hedeflerine bağlanır.

Sistem karar geçmişini tutmalıdır. Statüyü kim değiştirdi, belge ne zaman eklendi, AI özeti hangi kaynağı kullandı, sonucu kim kabul etti veya düzeltti? Bu kayıt üretim, finans, lojistik, e-ticaret ve müşteri hizmetlerinde güven için kritiktir.

AI önce düşük riskli görevlerde kullanılmalıdır: vaka özeti, belge sınıflandırma, eksik alan uyarısı ve sonraki adım önerisi. Daha sonra talep, stok, kapasite veya bakım tahmini eklenebilir. Her aşamada insan kontrolü ve açıklanabilirlik korunmalıdır.

İstisna yönetimi güçlü bir başlangıç noktasıdır. Eksik belge, geciken tedarikçi, yetersiz stok, sıra dışı tutar, müşteri şikayeti veya onay bekleme gibi durumlar sistemde adlandırılmış istisna olarak görünmelidir. Böylece yönetim sorunun kaynağını görür.

Platform farklı şube, fabrika veya ekiplerde büyürken aynı çekirdek modeli korumalıdır. Yerel alanlar eklenebilir, fakat temel statüler, rol yapısı ve rapor mantığı aynı kalmalıdır. Bu olmadan grup raporları güvenilirliğini kaybeder.

Yetki yapısı açık olmalıdır. Bazı kullanıcılar yalnızca veriyi görür, bazıları statü değiştirir, bazıları onay verir, bazıları AI çıktısını gözden geçirir. Bu ayrım hem veri güvenliğini hem de karar kalitesini korur.

Çok şubeli veya çok ekipli yapılarda raporların karşılaştırılabilir olması gerekir. Her ekip yerel alan ekleyebilir, fakat ana statüler, alan anlamları, sorumluluklar ve rapor mantığı ortak kalmalıdır. Yönetim ancak bu şekilde tek bir operasyon resmi görür.

Veri olgunlaştıktan sonra AI müşteri yanıt taslağı hazırlayabilir, vaka geçmişini özetleyebilir, eksik belgeyi gösterebilir veya öncelik önerebilir. Fakat bu iş mevcut workflow içinde olmalıdır; ayrı bir araçta üretilen metin kullanıcıyı yeniden kopyala-yapıştır işine iter.

İyi proje arkasında operasyon hafızası bırakır: bu alan neden var, statüyü kim değiştirebilir, bildirim ne zaman gider, kapalı vaka ne demektir? Bu bilgiler belgelenirse platform kişi değişimlerinden etkilenmeden çalışmaya devam eder.

Kullanılan kaynaklar

[1] World Bank Türkiye overview https://www.worldbank.org/en/country/turkey

[2] World Bank WDI - individuals using the Internet https://data.worldbank.org/indicator/IT.NET.USER.ZS

[3] World Bank WDI - mobile cellular subscriptions https://data.worldbank.org/indicator/IT.CEL.SETS.P2

[4] World Bank WDI - GDP growth https://data.worldbank.org/indicator/NY.GDP.MKTP.KD.ZG

[5] World Bank WDI - industry value added https://data.worldbank.org/indicator/NV.IND.TOTL.ZS

[6] World Bank Digital Progress and Trends Report https://www.worldbank.org/en/publication/digital-progress-and-trends-report

[7] International Telecommunication Union statistics https://www.itu.int/en/ITU-D/Statistics/Pages/stat/default.aspx

[8] Internet Society Pulse https://pulse.internetsociety.org/

[9] NIST Cybersecurity Framework 2.0 https://www.nist.gov/publications/nist-cybersecurity-framework-csf-20

[10] European Commission AI Act overview https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai

[11] European Commission Data Act https://digital-strategy.ec.europa.eu/en/policies/data-act

[12] World Economic Forum Global Lighthouse Network https://www.weforum.org/impact/advanced-tecnologies-manufacturing-factories-scaling-innovations/