smaple.tr
Yapay Zeka ve Veri

Yapay Zeka Danışmanlığı: Süreç, Maliyet ve Danışman Seçimi

Mehmet Kurtipek
2 Haziran 2026
12 dk okuma
Yapay Zeka ve Veri
yapay zeka danışmanlığı
LLM
üretken yapay zeka
KVKK

Yapay zeka danışmanlığı, yapay zekanın işinizde nerede gerçekten fayda sağlayacağını bulmak, bunu kendi verinizle denemek ve sonuç veren kısmı canlıya almak için aldığınız uzman desteğidir. İyi bir danışmanlık tek bir süreçle ve iyileştirmek istediğiniz tek bir göstergeyle başlar, birkaç hafta içinde gerçek örnekler üzerinde çalışan basit bir sürüm gösterir ve sonunda ya ekibinizin devralabileceği çalışan bir sistem ya da "bunu yapmayın" demek için sağlam bir gerekçe bırakır. Elinize geçen asıl şey bir strateji sunumuysa, işin en kolay kısmına para ödemişsiniz demektir.

Biz Ankara'da küçük bir yazılım ekibiyiz ve yapay zeka tarafındaki işlerimizin çoğu doğrudan geliştirme: ABD'de bir spor fizyoterapi kliniği için LLM tabanlı egzersiz programı üreticisi, Londra'da yapay zeka destekli muhasebe asistanı geliştiren bir girişim için veri ve yapay zeka mühendisliği, Kanada'da bir petrol sahası hizmet şirketi için her akşam çalışan bir belge okuma akışı. Aşağıda, yapay zeka danışmanlığı için bize gelenlere anlattıklarımızı, bugün olsa farklı yapacağımız şeylerle birlikte topladık.

Yapay zeka danışmanı aslında ne yapar

Bu unvanın altında iki ayrı iş var. Birincisi strateji tarafı: kullanım senaryolarını seçmek, sağlayıcıları karşılaştırmak, şirket içi yapay zeka politikasını ve yönetişimi kurmak. İkincisi uygulama tarafı: prototipi geliştirmek, mevcut sistemlere bağlamak, ne sıklıkla doğru sonuç verdiğini ölçmek ve canlıda ayakta tutmak. Büyük firmalar bu ikisini genelde ayrı satar. Küçük ekipler çoğunlukla ikisini birlikte yapar. Gördüğümüz kadarıyla, tavsiyeyi veren kişi o sistemi çalışır hale getirmek zorunda kaldıysa tavsiye de daha isabetli oluyor.

2026'da iş problemlerinin çoğunda model eğitmeniz gerekmiyor. OpenAI, Anthropic ya da Google gibi bir sağlayıcının modelini API üzerinden çağırıyor veya açık ağırlıklı bir modeli kendi sunucunuzda çalıştırıyor, ona kendi verinizden doğru bağlamı veriyor ve döndürdüğü sonucu kontrol ediyorsunuz. Bu yüzden işin zor kısmı büyük ölçüde sıradan mühendislik ve sağduyu: belgeleri e-posta kutularından ve ERP'den çıkarmak, "doğru sonuç"un ne olduğuna karar vermek, modelin yanıldığı durumları yönetmek ve sonucu insanların zaten kullandığı araçlara bağlamak.

Danışmanlığın sonunda elinizde şunlar olmalı:

  • kısa bir kullanım senaryosu listesi; her biri için değişecek süreç, iş hacmi ve kaba bir getiri tahmini
  • bir değerlendirme seti: işi yapan kişilerle birlikte doğru cevapları belirlenmiş gerçek örnekler
  • bu set üzerinde denenmiş ve hata oranı yazıya geçirilmiş bir prototip
  • sizin hacminizde belge, istek ya da kullanıcı başına işletme maliyeti tahmini
  • kendi kod depolarınızda ve hesaplarınızda duran kod, prompt'lar ve ayarlar; başka bir ekibin devralabileceği kadar dokümantasyon

Ne zaman gerekir, ne zaman gerekmez

Önce hazır olanı deneyin. İhtiyacınız çalışanlar için genel bir asistan, toplantı notlarının çıkarılması ya da CRM veya çağrı merkezi yazılımınızın zaten sunduğu bir yapay zeka özelliğiyse, onu açın ve bir ay kullanın. O bir ay, yapay zekanın şirketinizde nerede işe yaradığını bir çalıştaydan daha iyi gösterir.

Yapay zeka işi diye anılan bazı problemler makine öğrenmesi bile gerektirmez. Müşterimiz Oplist, hastaneler için nöbet ve vardiya çizelgesi hazırlayan bir SaaS. Çizelgeler gece nöbeti sonrası dinlenme kurallarına, birim kadro hedeflerine ve sevilmeyen nöbetlerin adil dağılımına uymak zorunda. Sistemin merkezinde hemşire çizelgeleme problemi için kurulmuş bir optimizasyon modeli ve bu modeli Python'da çözen bir MILP çözücü var. İçinde makine öğrenmesi yok, olması da gerekmiyor: kurallar belli ve bir çözücü bu kurallara uyulmasını garanti edebilir, bir dil modeli ise edemez.

Zaten yapılandırılmış veri için de durum aynı. Gelen bir e-Fatura, UBL-TR formatında bir XML dosyasıdır; onu okumak için bir XML ayrıştırıcı yeterli. Ayrıştırıcı modelden ucuzdur ve hiçbir zaman tahmin yürütmez. Yapay zeka asıl dağınık girdilerde işe yarıyor: taranmış irsaliyeler, e-postayla gelen serbest metinli talepler, her tedarikçiden farklı bir düzende gelen PDF'ler.

Dışarıdan destek şu durumlarda parasını hak eder:

  • süreç kendi belgeleriniz, verileriniz ya da sistemleriniz üzerinde dönüyor ve hazır bir araç bunlara erişemiyor
  • hatanın bedeli para ya da itibar kaybı, yani canlıya almadan önce birinin hata oranını ölçmesi gerekiyor
  • çıktının bir sohbet penceresinde kalmayıp ERP'ye, muhasebe programına ya da HBYS'ye gitmesi gerekiyor
  • işin içinde kişisel veri ya da mevzuat var ve bir model sağlayıcısına neyi gönderebileceğinizi bilmeniz gerekiyor
  • şirket içinde sağlayıcıların iddialarını tartabilecek kimse yok

İyi bir danışmanlık süreci nasıl ilerler

1. Tek bir süreç seçin ve bugünkü halini ölçün

İşi bugün kim yapıyor, günde kaç adet geliyor, her biri kaç dakika sürüyor, ne sıklıkla hata çıkıyor ve bir hatanın maliyeti ne? Bunun için birkaç gün ve bir Excel tablosu yeterli. Bu ölçüm olmadan yapay zeka destekli sürümün işe yarayıp yaramadığını sonradan anlayamazsınız; teklifteki her getiri hesabı da tahminden ibaret kalır.

2. Çözümden önce değerlendirme setini hazırlayın

Onlarca ile birkaç yüz arasında gerçek örnek toplayın (örnekler ne kadar çeşitliyse o kadar fazlası gerekir) ve işi yapan kişilerden her biri için doğru çıktıyı yazmalarını isteyin. Sorunlu örnekleri de ekleyin: taranmış sayfalar, el yazısı notlar, yarım doldurulmuş formlar. Bu set, danışmanlığın ürettiği en değerli şeydir. Modelleri, prompt'ları ve sağlayıcıları kendi verinizde karşılaştırmanızı, model değiştiğinde de her şeyi birkaç saat içinde yeniden test etmenizi sağlar.

3. Prototipi en basit çözümle çıkarın

Bu çoğunlukla güçlü bir hazır model, özenle yazılmış bir prompt ve model belgelerinize ihtiyaç duyuyorsa onlar üzerinde arama (RAG) demektir. Prototipi değerlendirme setinde çalıştırın. İnce ayar (fine-tuning) ya da özel model ancak iki durumda masaya gelmeli: rakamlar daha iyi prompt ve bağlamla kapanmayan bir açık gösteriyorsa ya da maliyet, gecikme veya veri kuralları sizi buna zorluyorsa.

4. İşi sisteme bırakmadan önce gerçek akışta deneyin

Değerlendirme seti belli bir anın fotoğrafıdır. Canlıya almadan önce prototipi birkaç hafta gerçek günlük akışta, elle yapılan işle paralel çalıştırın ve sonuçları karşılaştırın. Kimsenin bahsetmediği belge formatı genellikle bu aşamada ortaya çıkar.

5. Gerçekten karşılaşacağınız hatalara göre tasarlayın

Canlıda model bazen yanılacak, bazen yavaşlayacak, bazen de hiç yanıt vermeyecek. Çıktıyı bir şemaya göre doğrulayın, emin olunamayan ya da tutarı yüksek işleri bir insana yönlendirin, her girdiyi ve çıktıyı kaydedin ve sağlayıcı hata döndürdüğünde ne olacağına önceden karar verin. Parayla ilgili her işte insan kontrolü ucuz bir sigortadır.

6. Canlıya aldıktan sonra da ölçmeye devam edin

Girdiler zamanla değişir, modeller de. Sağlayıcılar eski modelleri belli bir takvimle kullanımdan kaldırıyor: Anthropic'in model kullanımdan kaldırma politikası en az 60 gün önceden haber vermeyi taahhüt ediyor ve Mayıs 2025'te çıkan Claude Sonnet 4, 15 Haziran 2026'da API'den kaldırıldı. Değerlendirme setiniz varsa zorunlu bir model geçişi, bir test turu ve bir ayar değişikliğinden ibarettir. Yoksa tahminle ilerlersiniz. Canlıdaki modellerin izlenmesini MLOps yazımızda ayrıca ele aldık.

Geliştirdiğimiz projelerden üç ders

Özel modeller geride kalabiliyor

2024 ve 2025'te kıdemli mühendislerimizden biri, Londralı fintek girişimi Jenesys AI'ın ekibinde çalıştı. Jenesys, faturaları ve fişleri okuyup muhasebe kaydını (kategori, KDV oranı, izleme kategorileri) öneren bir yapay zeka asistanı geliştiriyor. Bu çalışma sırasında geliştirdiğimiz özel modelleri bir süre sonra öncü (frontier) modeller geride bıraktı.

Benzer bir projeye bugün başlasak, öncü bir model ve bir değerlendirme setiyle başlar, özel bir şeyi ancak değerlendirme buna değecek bir açık gösterirse geliştirirdik. Daha uzun ömürlü olan iş, modelin çevresinde kalan kısım: kategori ya da KDV alanı boş döndüğünde uyarı üreten kontroller ve müşteri düzeltmelerini modellerin beslendiği embedding deposuna geri taşıyan veri hattı. Bu tür kontroller ve geri besleme döngüleri, arkada hangi modelin çalıştığıyla ilgilenmez.

Son söz uzmanda kalıyor

Sporcu sağlığı ve performansı bizim için yeni bir alandı. ABD'deki bir spor fizyoterapi kliniği sporcuları kuvvet platformlarında ve sprint zamanlama sistemlerinde test ediyor. Antrenörler ise her programı geniş bir egzersiz kütüphanesinden elle hazırlıyordu. Geliştirdiğimiz egzersiz programı üreticisinin şimdiye kadar iki motoru oldu. 2023-24'teki ilk motor, kuralları Q-learning ile birleştiriyordu. 2025'te motoru LLM çağrıları üzerine yeniden kurduk: her istekte, kliniğin egzersiz, hedef ve vücut bölgesine göre düzenlenmiş, 1.800'den fazla kayıt içeren kütüphanesinden ilgili egzersizler bulunup modele veriliyor.

Kararı yine antrenör veriyor: sporcuya dair not ekliyor, programı yeniden ürettiriyor, bir egzersizi alternatifiyle değiştiriyor, sonucu puanlıyor ve yazdırılabilir programı alıyor. Klinik ekibi sistemi 2025'ten beri gerçek sporcularla kullanıyor. Burada değeri yaratan, kliniğin kütüphanesi ve antrenörlerin muhakemesi. Motor bir kez değişti; bu yıl da sistemin seçimlerini geçmiş sporcularda antrenörlerin yaptıklarıyla karşılaştırabilmek için yapay zeka ve antrenör kararlarını yan yana saklamaya başlıyoruz.

Model çağrısı işin küçük kısmı

Kanada'daki bir petrol sahası hizmet şirketi için, bir otomasyon ajansıyla birlikte n8n üzerinde bir iş akışı kurduk. Akış her akşam günün saha fişlerini Gmail'den topluyor, fatura verisini bir LLM ile JSON olarak çıkarıyor (müşteri, saha konumu, AFE/PO numarası, kalemler, çalışma, bekleme ve yol saatleri), her PDF'i verisiyle birlikte tarihli Google Drive klasörlerine koyuyor ve birleştirilmiş bir raporu ekibe e-postayla gönderiyor. Canlıya almadan önce veri çıkarmayı bir ay boyunca gerçek fişler üzerinde test ettik. İşe Temmuz 2025'te başladık, akış Eylül 2025'te canlıya çıktı ve o günden beri her gün çalışıyor; günde yaklaşık 100 belge işliyor (vaka çalışması).

Bu akışta LLM ile veri çıkarma küçük bir parça. Gerisi bağlantı ve dosya işleri: e-posta kutusunu okumak, PDF'leri adlandırıp doğru klasöre koymak, raporu derlemek. Canlıda yaşadığımız arızaların çoğu da LLM API'sinin istek limitlerinden geldi, yani "yavaşla" anlamına gelen HTTP 429 yanıtlarından. Çözüm, bu istekleri alternatif modellere yönlendirmek oldu; böylece fiş yine de işleniyor.

Maliyet nereden çıkar

Bütçenin büyük kısmı insan zamanı: keşif, veriye erişim, entegrasyon, değerlendirme ve canlıya geçişten sonraki ilk aylar. Model faturası buna kıyasla çoğu zaman küçük kalır ve bunu daha geliştirmeye başlamadan hesaplayabilirsiniz.

Yukarıdaki saha fişi akışının hacmiyle, token sayılarını örnek olsun diye varsayarak kaba bir hesap yapalım (varsayımları kendi örneklerinizden ölçtüğünüz değerlerle değiştirin). Günde 100 belge, ayda yaklaşık 3.000 belge eder. Her istek 5.000 girdi token'ı (belge ve talimatlar), her yanıt da 1.000 çıktı token'ı tutarsa ayda 15 milyon girdi ve 3 milyon çıktı token'ı harcarsınız. Anthropic'in Claude Sonnet 5.5 için Ekim 2026 liste fiyatıyla (milyon girdi token'ı 2 dolar, milyon çıktı token'ı 10 dolar) bu, ayda yaklaşık 60 dolar eder. Ertesi sabaha kadar bekleyebilecek işler Batch API ile yarı fiyatına işlenir; küçük model Claude Haiku 5.5 ile (milyon girdi token'ı 0,10, milyon çıktı token'ı 0,50 dolar) aynı iş ayda yaklaşık 3 dolar tutar. Modeli önce değerlendirme setindeki başarısına göre seçin, faturaya sonra bakın. Taranmış sayfalar ve görseller düz metinden çok daha fazla token harcayabilir, bu yüzden ölçmeden karar vermeyin. Fatura dolar cinsinden geldiği için TL karşılığı da kurla birlikte değişir.

Bütçenin asıl büyüdüğü yerler:

  • veriyi elde etmek: eski sistemlerden dışa aktarım, e-posta kutularına erişim, değerlendirme setinin temizlenmesi ve etiketlenmesi
  • çıktının gitmesi gereken sistemlerle entegrasyon ve bunun için gereken yetkiler
  • en azından ilk dönemde planlamanız gereken insan kontrolü süresi
  • izleme, hata yönetimi ve ara sıra gelen model geçişleri
  • sürecin kendisinin değişmesi, çünkü insanlar her işi tek tek kontrol etmeyi bırakmadan önce çıktıya güvenmek ister

Keşif aşamasını sabit fiyatla, prototipi süre sınırıyla isteyin; canlı sistem teklifini de prototipin rakamları ortaya çıktıktan sonra alın. Verinizi görmeden canlı sistem için kesin fiyat veren bir danışman tahmin yürütüyordur. Her teklifi kişi ve hafta cinsinden istemek de işe yarar: kim çalışacak, ne kadar süre, hangi günlük ya da aylık ücretle. Farklı paketlenmiş teklifleri ancak böyle yan yana koyabilirsiniz.

KVKK ve yurt dışına veri aktarımı

OpenAI, Anthropic ya da Google'ın API'lerini kullandığınızda istekleriniz genellikle yurt dışındaki sunucularda işlenir. Prompt'un içinde kişisel veri varsa bu, KVKK'nın 9. maddesi kapsamında bir yurt dışına aktarımdır. Kişisel Verileri Koruma Kurumu'nun Kasım 2025'te yayımladığı Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi bunu açıkça yazıyor: Türkiye'deki bir veri sorumlusu yurt dışında yerleşik bir sağlayıcının üretken yapay zeka sistemini kullanıyor ve bu yolla kişisel veri aktarıyorsa, aktarımın 9. maddeye ve 10 Temmuz 2024'te Resmî Gazete'de yayımlanan Kişisel Verilerin Yurt Dışına Aktarılmasına İlişkin Usul ve Esaslar Hakkında Yönetmelik'e uygun yapılması gerekiyor.

Kanundaki sıralama şöyle: önce Kurulun bir yeterlilik kararı olup olmadığına bakılır; yoksa standart sözleşme gibi uygun güvencelerden birine dayanılır; ikisi de yoksa Kanunda sayılan istisnalara yalnızca aktarım arızi ise başvurulabilir. Her gün çalışan bir LLM akışının arızi sayılması pek mümkün değil, bu yüzden bu tür projelerde çoğu zaman standart sözleşme gündeme gelir. Uygun güvence olarak standart sözleşme kullanılıyorsa sözleşmenin, imzalandığı tarihten itibaren beş iş günü içinde Kuruma bildirilmesi gerekiyor (Kurumun duyurusu). Rehber ayrıca, sistemin kullanımı için yapılan işleme ile modelin geliştirilmesi için yapılan işleme hakkında ilgili kişilerin ayrı ayrı aydınlatılması gerektiğini vurguluyor.

Mühendislik tarafında işe yarayan birkaç alışkanlık:

  • görevin ihtiyaç duymadığı kişisel veriyi model sağlayıcısına göndermeden önce ayıklayın ya da maskeleyin; bir saha fişindeki çalışma saatlerini çıkarmak için kimsenin T.C. kimlik numarasına gerek yok
  • sağlayıcının girdileri ne kadar süre sakladığını ve eğitimde kullanıp kullanmadığını sözleşmeden ve hesap ayarlarından kontrol edin
  • sağlık verisi gibi özel nitelikli kişisel veri söz konusuysa, veriyi yurt dışına hiç çıkarmayan bir mimariyi (örneğin kendi sunucunuzda çalışan açık ağırlıklı bir modeli) baştan değerlendirin
  • AB pazarına ürün sunuyorsanız ya da sisteminizin çıktısı AB'de kullanılıyorsa AB Yapay Zeka Tüzüğü'nü (AI Act) de hesaba katın; işe alımda aday eleme ya da kredi puanlama gibi kullanımlar orada yüksek riskli sayılıyor

Bunlar hukuki görüş yerine geçmez. Hukuk ekibinizi ya da KVKK danışmanınızı işin başında dahil edin; verecekleri cevap mimariyi değiştirebilir.

Danışman seçerken sorulacak sorular

Gartner Eylül 2026'da bir öngörü yayımladı: 2028'e kadar kurumların %70'i, sağlayıcıların müşterinin yanına yerleştirdiği mühendislerin (forward-deployed engineering) kurduğu ajan tabanlı yapay zeka sistemlerini bırakacak. Gerekçe olarak artan maliyetleri ve şirketin kendi ekibinin sistemi geliştirmeyi sürdürememesini gösteriyor. Gartner'ın alıcılara tavsiyesi, fikri mülkiyetin kimde kalacağını, bilgi aktarımını ve çıkış planını sözleşmeden önce netleştirmek. Aynı tavsiye, hangi yapay zeka danışmanıyla çalışırsanız çalışın geçerli.

İmzadan önce sormaya değer sorular:

  1. İlk birkaç haftanın sonunda kendi verimiz üzerinde çalışan ne olacak?
  2. Kaliteyi nasıl ölçeceğiz, değerlendirme setini kim hazırlayacak?
  3. Kod, prompt'lar, değerlendirme verisi ve model sağlayıcı hesapları kimin olacak? (Cevap "sizin" olmalı.)
  4. Kullandığımız model kullanımdan kaldırıldığında ya da daha iyisi çıktığında ne olacak?
  5. Bizim hacmimizde belge, istek ya da kullanıcı başına maliyet ne olacak?
  6. Daha önce yaptığınız benzer bir işi gösterip neyin ters gittiğini anlatabilir misiniz?
  7. Bir müşterinize hiç "bunu yapmayın" dediğiniz oldu mu?

Uyarı işaretleri: kimse verinizi görmeden verilen doğruluk vaadi, ilk adım olarak özel model eğitimi, çıkamayacağınız kapalı bir platform, sizin rakamlarınızı kullanmayan getiri çarpanları ve içinde kod yazan kimsenin olmadığı bir ekip.

Bir kullanım senaryosu için ikinci bir görüş ya da ilk sürümü kurup ölçecek bir ekip arıyorsanız, veri ve yapay zeka tarafında yaptığımız iş bu.

İlgili Makaleler

10 Ağustos 2026

MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu

MLOps, bir modeli canlıya taşıyan ve orada işe yarar tutan pratiklerin toplamı. Hangi sırayla kurulacağını güncel MLflow ve DVC örnekleriyle anlattık, LLM tarafını da ekledik.

Devamını Oku: MLOps Nedir? ML Modelini Canlıya Almanın Pratik Yolu
8 Ağustos 2026

Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?

Fabrikadaki kalite kontrolden faturaya, tomografiden plaka tanımaya: bilgisayarlı görü nerede iş görüyor, nerede zorlanıyor, hazır modeller neyi değiştirdi?

Devamını Oku: Bilgisayarlı Görü Uygulamaları: Nerede İşe Yarar, Nerede Zorlanır?
5 Ağustos 2026

AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?

AI agent, araçlarla döngü içinde çalışan bir dil modeli. Ne zaman gerektiğini, Python'da çalışan bir döngüyü, framework seçimini, güvenliği, KVKK'yı ve maliyeti anlattık.

Devamını Oku: AI Agent Geliştirme: Ne Zaman Gerekir, Nasıl Kurulur?