Yapay Zekâ Nedir? Nasıl Çalışır, Türleri ve İşletmede Kullanımı

Yapay zekâ, aldığı girdiden çıkarım yaparak tahmin, içerik, öneri veya karar üreten; bu çıktılarla fiziksel ya da dijital bir ortamı etkileyebilen makine tabanlı sistemlerin ortak adıdır. Kavram tek bir üründen ibaret değildir: bir e-postayı sınıflandıran filtre de, sipariş talebini yorumlayan sohbet robotu da, depoda rota hesaplayan otonom robot da aynı şemsiye altındadır. Bu yazı yapay zekânın tanımını, çalışma biçimini, türlerini, Türkiye'deki ölçülmüş kullanım oranlarını, yürürlükteki mevzuatı ve bir işletmenin nereden başlaması gerektiğini uçtan uca anlatır.

Yapay Zekâ Nedir?

Yapay zekânın bugün en bağlayıcı tanımı bir pazarlama metninden değil, bir kanundan geliyor. Avrupa Birliği'nin 13 Haziran 2024 tarihli (AB) 2024/1689 sayılı Yapay Zekâ Yasası, madde 3(1)'de yapay zekâ sistemini şöyle tanımlar: değişen düzeylerde özerklikle çalışacak biçimde tasarlanan, kullanıma alındıktan sonra uyarlanabilirlik gösterebilen ve açık ya da örtük amaçlar için aldığı girdiden, fiziksel veya sanal ortamları etkileyebilecek tahmin, içerik, öneri ya da karar gibi çıktıları nasıl üreteceğini çıkarımlayan makine tabanlı sistem.

Bu tanımın üç ayırt edici sözcüğü vardır. Çıkarım, sistemin sonucu önceden yazılmış bir kural listesinden okumadığını, veriden türettiğini söyler. Özerklik, her adımın insan tarafından tetiklenmediğini belirtir. Uyarlanabilirlik ise sistemin kullanıma alındıktan sonra da davranışını değiştirebileceğini kabul eder. Klasik bir muhasebe yazılımı bu üç özelliğin hiçbirini taşımaz; kural neyse sonuç odur. Yapay zekâda ise aynı girdi, modelin ve bağlamın durumuna göre farklı çıktı üretebilir.

Türkiye İstatistik Kurumu da resmi istatistik üretirken benzer bir sınır çizer: girişimlerde yapay zekâ kullanımını, yazılım tabanlı ya da cihazlara gömülü sistemler aracılığıyla öngörüler, öneriler veya kararlar üreten teknolojiler olarak tanımlar. Yani ölçüm birimi "akıllı" sıfatı değil, çıktının türüdür. Bir işletme "yapay zekâ kullanıyor muyum" sorusunu yanıtlarken doğru soru şudur: bu sistem bana veriden türetilmiş bir öngörü, öneri veya karar veriyor mu?

Yapay Zekâ Nasıl Çalışır?

Neredeyse tüm modern yapay zekâ sistemleri aynı dört aşamalı iskeleti paylaşır. Aşamaları ayrı ayrı görmek, bir projenin nerede bozulduğunu teşhis etmenin de en hızlı yoludur.

1. Veri: Sistem, öğreneceği örüntüyü içeren örneklerden beslenir. Etiketli müşteri talepleri, geçmiş siparişler, sözleşme metinleri ya da görüntüler olabilir. Veri temsil etmediği durumu öğretemez.
2. Eğitim: Model, örnekler üzerinde parametrelerini ayarlayarak girdi ile çıktı arasındaki ilişkiyi istatistiksel olarak temsil eder. Bu aşamanın çıktısı bir program değil, bir ağırlık kümesidir.
3. Çıkarım: Eğitilmiş model yeni bir girdiyle karşılaştığında, öğrendiği temsile dayanarak en olası çıktıyı üretir. Günlük kullanımda "yapay zekâ çalışıyor" dediğimiz an budur.
4. Geri bildirim: Çıktının doğru olup olmadığı ölçülür ve sonuç sisteme geri döner. Bu halka kurulmazsa sistem sessizce bozulur; kimse fark etmeden yanlış karar üretmeye devam eder.

Dördüncü aşama kurumsal projelerde en sık atlanan halkadır. Bir model canlıya alındığında dünya donmuş değildir: müşteri profili, ürün yelpazesi ve mevzuat değişir. Eğitim verisiyle bugünkü gerçeklik arasındaki açık büyüdükçe doğruluk düşer. Bu yüzden yapay zekâ projesi bir kurulum işi değil, bir işletim işidir; ölçülmeyen model zamanla değersizleşir.

Yapay Zekâ Türleri: Dar, Genel ve Üretken Yapay Zekâ

Yapay zekâ türleri en çok yeteneğin kapsamına ve çıktının biçimine göre ayrılır. Bu ayrımı bilmek, satın alma kararında abartılı vaatleri elemenin en pratik yoludur.

• Dar yapay zekâ: Tek bir görevi yapmak üzere eğitilmiş sistemlerdir. Spam filtresi, konuşma tanıma, talep sınıflandırma, öneri motoru. Bugün ticari olarak kullanılan sistemlerin tamamı bu kategoridedir.
• Genel yapay zekâ: İnsanın yapabildiği her bilişsel görevi devralabilecek varsayımsal sistemdir. Ürün olarak satın alınabilecek bir genel yapay zekâ mevcut değildir; bu terimi taşıyan bir satış vaadi ciddiye alınmamalıdır.
• Üretken yapay zekâ: Metin, görsel, kod, ses veya video gibi yeni içerik üreten sistemlerdir. TÜİK bireylerdeki kullanımı tam olarak bu tanımla ölçer: üretken yapay zekâ araçlarının bilinçli ve kasıtlı olarak içerik üretmek amacıyla kullanılması.

TÜİK'in girişimler için verdiği örnek listesi, türlerin pratikte nasıl göründüğünü iyi özetler: içerik üreten uygulamalar, sohbet robotları ve sanal asistanlar, yüz veya konuşma tanıma sistemleri, makine öğrenmesine dayalı veri analizleri, depo otomasyonundaki otonom robotlar ve paket taşımada kullanılan otonom dronlar. Görüldüğü gibi yapay zekâ tek bir arayüz değil, bir yetenek ailesidir. Dil tarafında bu ailenin en görünür üyesi büyük dil modelleridir; nasıl eğitildiklerini ve nerede yanıldıklarını LLM nedir rehberinde ayrıntılı ele alıyorum.

Makine Öğrenmesi ve Derin Öğrenme Yapay Zekâdan Farklı mı?

Bu üç terim eşanlamlı değildir; iç içe geçmiş halkalardır. Yapay zekâ en dıştaki şemsiyedir ve kural tabanlı sistemleri de kapsar. Makine öğrenmesi, kuralı elle yazmak yerine veriden öğrenen yöntemlerin adıdır. Derin öğrenme ise makine öğrenmesinin, çok katmanlı yapay sinir ağları kullanan alt kümesidir. Bugün gündemi belirleyen dil ve görüntü modelleri derin öğrenme ailesindendir.

Ayrımın pratik karşılığı maliyet ve veri ihtiyacıdır. Yüzlerce örnekle çalışan klasik bir makine öğrenmesi modeli, birçok kurumsal sınıflandırma işini yeterince iyi yapar ve açıklanabilirliği yüksektir. Derin öğrenme çok daha fazla veri ve hesaplama ister; buna karşılık dil, görüntü ve ses gibi yapılandırılmamış veride kıyaslanamaz sonuç verir. Yanlış eşleştirme yapmak yaygın bir israf sebebidir: basit bir kural motoruyla çözülecek işe büyük model koymak hem pahalı hem de gereksiz risklidir.

Doğru soru "hangisi daha gelişmiş" değil, "problemin şekli hangisine uyuyor" olmalıdır. Girdi yapılandırılmış tablo verisiyse ve kural sayısı sınırlıysa klasik yöntemler yeter. Girdi serbest metin, konuşma veya görüntüyse derin öğrenme gerekir. Kararın belirsiz ve sonucu geri alınamaz olduğu yerde ise hiçbir model tek başına yeterli değildir; oraya bir insan onayı kapısı konur.

Ölçüm ve Veri: Türkiye'de Yapay Zekâ Kullanımı Nerede?

Türkiye'de yapay zekâ kullanımı ilk kez resmi istatistik olarak ölçüldü. TÜİK'in 1 Ekim 2025 tarihli Yapay Zeka İstatistikleri, 2025 haber bülteni (Sayı 57945), Girişimlerde ve Hanehalkı Bilişim Teknolojileri Kullanım Araştırmalarına dayanır. Rakamlar, piyasadaki heyecanla sahadaki yaygınlık arasındaki farkı açıkça gösterir.

Tablonun en çarpıcı satırı en alttakidir: 250 ve üzeri çalışanı olan girişimlerde kullanım oranı dört yılda %9,6'dan %24,1'e çıkarken, 10-49 çalışanlı girişimlerde %6,6'da kaldı. Yani yapay zekâ Türkiye'de henüz yaygın bir işletme aracı değil, ölçek gerektiren bir kabiliyet. Sektör kırılımında da yoğunlaşma belirgindir: bilgi ve iletişim faaliyeti yürüten girişimlerin %47,1'i yapay zekâ kullanırken, bunu %21,1 ile finans ve sigorta, %15,2 ile bilgisayar ve iletişim araçlarının onarımı izler.

Bireyler tarafında tablo farklıdır. 2025'te üretken yapay zekâ kullandığını beyan eden bireylerin oranı %19,2; yani girişimlerdeki oranın iki katından fazla. Yaş kırılımı keskindir: 16-24 yaş grubunda %39,4, 25-34 yaş grubunda %30,0, 35-44 yaş grubunda %15,5. Eğitim düzeyi yükseldikçe oran artar; yükseköğretim mezunlarında %36,1'e çıkar. Kullananların %79,7'si özel amaçlarla, %33,8'i mesleki amaçlarla kullanmaktadır. Buradan çıkan yönetsel sonuç nettir: çalışanlar bu araçları kurumdan önce benimsemiştir. Kurum bir politika koymazsa, politika kendiliğinden oluşur ve şirket verisi kontrolsüz araçlara akar.

Yapay Zekâ Hangi İşlerde Kullanılır?

Aynı TÜİK bülteni kullanım amaçlarını da ölçmüştür. Yapay zekâ kullanan girişimlerde en yaygın amaç %46,5 ile pazarlama veya satıştır. Bunu %41,1 ile üretim veya hizmet süreçleri, %41,0 ile araştırma-geliştirme veya yenilik faaliyeti, %40,0 ile işletme süreçleri ve yönetim organizasyonu izler. Muhasebe, kontrol veya finans yönetimi %33,7; bilgi ve iletişim teknolojileri güvenliği %22,6; lojistik faaliyetler %13,6 seviyesindedir.

Bu dağılım, iyi bir otomasyon adayının profilini de anlatır. Yapay zekâdan hızlı değer çıkan işler; tekrarlanan, dijital veriyle başlayan, kuralı yazılabilen ve sonucu başka bir sistemde doğrulanabilen işlerdir. Gelen talebi sınıflandırmak, eksik alanı işaretlemek, taslak yanıt hazırlamak, belgeden alan çıkarmak, çok dilli mesajı özetlemek bu tanıma uyar.

Buna karşılık geri alınamaz ve yüksek bağlamlı kararlar tam otomatik bırakılmamalıdır: fiyat onayı, tıbbi değerlendirme, hukuki taahhüt, işten çıkarma, müşteriye gönderilen nihai iletişim. Bu adımlarda doğru desen sistemin veriyi hazırlaması ve yetkili kişiden onay istemesidir. Bu ayrımın mimarisini otonom ajanlarda insan onayı yazısında adım adım kuruyorum. Süreçleri uçtan uca bağlamak gerektiğinde ise yapay zekâ tek başına yetmez; bir otomasyon katmanına ihtiyaç duyarsınız — bunun nasıl kurulduğunu Make.com rehberinde anlattım.

Yapay Zekâ Örnekleri ve Çalışılmış Bir Senaryo

Soyut anlatım yerine tek bir işi uçtan uca izleyelim. Girdi, web sitesindeki teklif formuna düşen serbest metinli bir taleptir: "Merhaba, İzmir'de 40 kişilik bir muhasebe ofisiyiz, gelen faturaları elle giriyoruz, bunu otomatikleştirmek istiyoruz, bütçemiz belirsiz." Çıktı, satış temsilcisinin ekranında doğru sınıflandırılmış, eksikleri işaretlenmiş ve taslak yanıtı hazır bir kayıttır.

1. Alma: Form gönderimi sistemi tetikler. Ham metin, gönderim zamanı ve kaynak sayfa birlikte saklanır.
2. Çıkarım: Model serbest metinden yapılandırılmış alan üretir: şehir İzmir, çalışan sayısı 40, sektör muhasebe, ihtiyaç belge işleme otomasyonu, bütçe belirtilmemiş.
3. Eksik tespiti: Bütçe ve zaman ufku alanları boş kaldığı için kayıt "eksik bilgi" etiketi alır. Model burada tahmin üretmez; boşluğu boş bırakmak doğru davranıştır.
4. Sınıflandırma: Talep, hizmet kataloğundaki belge otomasyonu koluna yönlendirilir ve o kolun sorumlusuna atanır.
5. Taslak: Sistem, müşterinin kendi cümlelerini koruyan bir yanıt taslağı hazırlar ve eksik iki alanı soran nazik bir paragraf ekler.
6. Onay kapısı: Taslak müşteriye doğrudan gitmez. Temsilci okur, düzeltir, gönderir. Geri alınamaz adım budur ve insanda kalır.
7. Kanıt: Kaydın kimliği, modelin ürettiği alanlar ve temsilcinin yaptığı düzeltmeler denetim tablosuna yazılır.

Yedinci adım bu senaryonun asıl değerini üretir. Temsilcinin yaptığı her düzeltme, modelin nerede yanıldığının ölçüsüdür. Üç ay sonra "sistem işe yarıyor mu" sorusu, izlenim yerine tek bir sayıyla yanıtlanabilir: kaç kayıtta düzeltme gerekti. Bu ölçüm kurulmadan başlatılan projelerde tartışma her zaman kanıta değil, kanaate dayanır. Aynı halkanın teknik kurulumunu yapay zekâ ve iş akışı otomasyonu sayfasında bulabilirsiniz.

Bir İşletme Yapay Zekâya Nasıl Başlar?

TÜİK verisi, başlamayanların gerekçesini de ölçmüş: yapay zekâ kullanmayan ama kullanmayı düşünen girişimlerde en önemli engel %74,2 ile kurumdaki uzmanlık eksikliği, ardından %67,4 ile maliyetlerin yüksekliği ve %62,4 ile hukuki sonuçların net olmaması geliyor. Üçünün de ortak çözümü aynıdır: küçük, ölçülebilir ve geri alınabilir bir pilotla başlamak.

1. Süreç seçin, teknoloji seçmeyin: Haftada en az birkaç kez tekrarlanan, dijital veriyle başlayan ve sonucu doğrulanabilen tek bir iş belirleyin.
2. Bugünkü maliyeti ölçün: O iş şu anda kaç dakika sürüyor ve ayda kaç kez yapılıyor? Bu sayı yoksa iyileşme de kanıtlanamaz.
3. Başarı ölçütünü yazın: "Daha verimli olsun" ölçüt değildir. "Düzeltme gerektiren kayıt oranı %20'nin altına insin" ölçüttür.
4. Veriyi sınırlayın: Sürece yalnız gereken alanları verin. Kişisel veri işlenecekse hukuki dayanağı ve saklama süresini baştan belirleyin.
5. İnsan onayı kapısı koyun: İlk sürümde çıktı hiçbir zaman doğrudan müşteriye ya da üretim sistemine gitmesin.
6. Dört hafta ölçün: Düzeltme oranını, süreyi ve hata türlerini izleyin. Kararı bu tabloya bakarak verin.
7. Yaygınlaştırın ya da durdurun: Ölçüt tutmadıysa projeyi büyütmek zarar büyütmektir. Durdurmak da geçerli bir sonuçtur.

Bu sıranın en sık ihlal edilen maddesi ikincisidir. Bugünkü maliyet ölçülmeden başlanan projelerde sonuç her zaman tartışmalı kalır, çünkü karşılaştırılacak bir başlangıç noktası yoktur. Küçük ve orta ölçekli işletmeler için daha ayrıntılı bir sıralamayı KOBİ'ler için yapay zekâ yol haritasında bulabilirsiniz.

Yapay Zekâ Projelerinde Hata Desenleri ve Riskler

Aşağıdaki desenler, teknik olarak çalışan bir sistemin neden değer üretmediğinin en yaygın sebepleridir. Hiçbiri modelin kusuru değildir; hepsi kurgu tercihidir.

• Çözüm arayan problem: Önce araç seçilir, sonra ona uygun iş aranır. Doğru sıra tersidir; süreç haritası çıkmadan araç kararı verilmez.
• Ölçüm kurulmadan yayına alma: Düzeltme oranı, süre ve hata türü kaydedilmiyorsa sistemin işe yarayıp yaramadığı hiçbir zaman bilinemez. Kanaatle yönetilen proje ilk itirazda durur.
• Geri alınamaz adımın otomatikleştirilmesi: Müşteriye gönderilen mesaj, fiyat taahhüdü veya kayıt silme gibi adımlar ilk sürümde otomatik bırakılırsa tek bir yanlış çıktı itibar kaybına dönüşür.
• Kontrolsüz veri paylaşımı: Çalışanların kişisel hesaplarıyla dış araçlara şirket belgesi yüklemesi, kurumsal politika yokluğunda kaçınılmazdır. TÜİK verisindeki %19,2'lik bireysel kullanım oranı bu riskin büyüklüğünü gösterir.
• Sessiz bozulma: Model canlıda kalırken dünya değişir; ürün yelpazesi, müşteri profili ve mevzuat güncellenir. Periyodik gözden geçirme takvimi yoksa doğruluk fark edilmeden düşer.
• Tek seferlik proje sanmak: Yapay zekâ kurulup bitirilen bir yazılım değil, sahibi ve bütçesi olması gereken bir işletim yüküdür. Sahibi belirsiz sistem birkaç ay içinde kimsenin bakmadığı bir sekmeye dönüşür.

Bu risklerin kurumsal çerçevede nasıl yönetileceği konusunda ABD Ulusal Standartlar ve Teknoloji Enstitüsü'nün 26 Ocak 2023'te yayımladığı Yapay Zekâ Risk Yönetimi Çerçevesi (AI RMF 1.0) pratik bir iskelet sunar. Çerçeve gönüllü kullanım için tasarlanmıştır ve dört işlev etrafında kurulur: yönetişim, haritalama, ölçme ve yönetme. Zorunlu olmaması değerini azaltmaz; bir denetim sorusuna "riski nasıl yönetiyorsunuz" diye yanıt vermek gerektiğinde kurumun elinde tanımlı bir yöntem bulunur.

Yapay Zekâ Mevzuatı: AB Yapay Zekâ Yasası ve KVKK

Yapay zekâ artık hukuki boşlukta değildir ve takvim 2026 yazında değişmiştir. AB Yapay Zekâ Yasası 12 Temmuz 2024'te yürürlüğe girdi; yasaklı uygulamalar ve yapay zekâ okuryazarlığı yükümlülükleri 2 Şubat 2025'te, genel amaçlı model kuralları 2 Ağustos 2025'te uygulanmaya başladı. Ancak yüksek riskli sistemlere ilişkin yükümlülükler ilk takvimdeki 2 Ağustos 2026 tarihinde uygulanmayacak: AB Konseyi 29 Haziran 2026'da yapay zekâ kurallarının sadeleştirilmesine ilişkin düzenlemeye nihai onayını verdi ve Konsey'in açıklamasına göre bağımsız yüksek riskli sistemler için tarih 2 Aralık 2027'ye, ürünlere gömülü yüksek riskli sistemler için 2 Ağustos 2028'e taşındı.

Bu ayrıntı önemlidir, çünkü internetteki pek çok özet hâlâ eski takvimi anlatmaktadır. Bir uyum planı hazırlarken tarih iddiasını ikincil kaynaktan değil, kurumun kendi duyurusundan doğrulayın. Aynı düzenleme ayrıca yapay zekâ ile üretilmiş cinsel içerikli sahte görüntülerin yasaklanması gibi maddeler de getirmiştir.

Türkiye'de doğrudan bir yapay zekâ kanunu bulunmamakla birlikte, kişisel veri işleyen her yapay zekâ uygulaması 6698 sayılı Kişisel Verilerin Korunması Kanunu kapsamındadır. Kişisel Verileri Koruma Kurumu 24 Kasım 2025'te Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi'ni yayımladı; rehber üretken sistemlerin yaşam döngüsünü, doğurduğu riskleri, bu sistemler aracılığıyla yapılan kişisel veri işleme faaliyetlerini ve çocukların kullanımına dair önerileri ele alır. Kurumun daha önce yayımladığı Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler belgesi ise tasarımdan itibaren mahremiyet yaklaşımını ve ayrımcılık riskinin önlenmesini öne çıkarır.

Pratik sonuç şudur: bir yapay zekâ uygulamasını canlıya almadan önce hangi kişisel verinin neden işlendiği, nereye aktarıldığı, ne kadar saklandığı ve kimin eriştiği yazılı olmalıdır. Yurt dışındaki bir modele veri göndermek aktarım anlamına gelebilir ve ayrı bir hukuki değerlendirme gerektirir.

Yapay Zekânın Sınırları: Halüsinasyon ve Önyargı

Yapay zekânın en yanlış anlaşılan özelliği, bilmediğini bilmemesidir. Üretken modeller bir doğruluk veri tabanından okumaz; istatistiksel olarak makul görünen çıktıyı üretir. Bir olgu eğitim verisinde yoksa model boşluğu makul görünen bir uydurmayla doldurabilir. Buna halüsinasyon denir ve dil akıcı olduğu için fark edilmesi zordur. İş kritik bilgide çıktı ya doğrulanmalı ya da kaynağa bağlanmalıdır; ikincisinin yöntemini RAG mimarisi ve kurumsal bilgi bankaları yazısında anlatıyorum.

İkinci sınır önyargıdır. Model, eğitim verisindeki eğilimleri de öğrenir. Geçmiş kararların taşıdığı sistematik eşitsizlik veriye yansımışsa, model onu tarafsız bir hesaplama gibi yeniden üretir. İşe alım, kredi değerlendirme ve fiyatlandırma gibi alanlarda bu risk hem etik hem hukuki sonuç doğurur; KVKK'nın tavsiye belgesi de ayrımcılık riskinin önlenmesini açıkça vurgular.

Üçüncü sınır bağlamın kendisidir. Modelin bir seferde işleyebildiği bilgi miktarı sınırsız değildir ve bağlam büyüdükçe ilgili ayrıntıyı seçme başarısı düşer. Bu yüzden iyi sonuç, daha çok bilgi yığmakla değil, doğru bilgiyi doğru anda vermekle elde edilir. Bu tasarım disiplinini bağlam mühendisliği yazısında ayrıntılandırıyorum.

Araçlar, Kaynaklar ve Sonraki Adım

Yapay zekâya başlarken araç listesiyle değil, karar sırasıyla ilerlemek gerekir. Önce süreç, sonra veri, sonra ölçüt, en sonda araç. Bu sıra korunduğunda araç seçimi kolaylaşır; korunmadığında en iyi araç bile yanlış işi hızlandırır.

Bu yazıdaki iddiaların dayandığı birincil kaynaklar tek yerde toplandı: yapay zekânın hukuki tanımı için (AB) 2024/1689 sayılı Yapay Zekâ Yasası, güncel uygulama takvimi için AB Konseyi'nin 29 Haziran 2026 tarihli duyurusu, Türkiye'deki kullanım oranları için TÜİK Yapay Zeka İstatistikleri, 2025, kişisel veri boyutu için KVKK'nın üretken yapay zekâ rehberi ve risk yönetimi için NIST AI RMF 1.0. TÜİK bülteninin bir sonraki sürümünü Ekim 2026'da yayımlayacağını duyurduğunu da not edin; bu sayfadaki oranlar o tarihte yeniden ölçülecektir.

Sonraki adım için önerim tek bir süreçle başlamaktır. Kurumunuzda haftada birkaç kez tekrarlanan, dijital veriyle başlayan ve sonucu doğrulanabilen bir iş seçin; bugünkü süresini ölçün; dört haftalık bir pilot kurun. Bu haritayı birlikte çıkarmak isterseniz yapay zekâ ve iş akışı otomasyonu sayfasından ücretsiz bir değerlendirme talebi oluşturabilirsiniz.