Bakımda yapay zeka asistanı, teknisyenin "bu hata kodu ne anlama geliyor, bu makinede daha önce nasıl çözüldü?" gibi sorularını makine kılavuzları, bakım talimatları ve geçmiş arıza kayıtlarından yanıtlayan, yanıtın hangi belgeden geldiğini gösteren yazılımdır. Makineyi izlemez, arızayı önceden tahmin etmez; arıza çıktığında doğru bilgiyi teknisyenin önüne getirir.
Arıza anında teknisyenin elinde ne var?
Gece vardiyasında bir paketleme makinesi durur, panelde bir hata kodu yanar. Teknisyenin önünde üç seçenek vardır: dolaptaki 400 sayfalık İngilizce kılavuzu açmak, bakım defterinde benzer bir kaydı aramak ya da gündüz vardiyasındaki ustayı telefonla uyandırmak. Çoğu zaman üçüncüsü seçilir, çünkü en hızlı yol odur.
Sorun bilginin olmaması değil, dağınık olmasıdır. Üretici kılavuzu PDF'tedir, iç talimatlar bir klasördedir, "geçen yıl sensör kablosunu değiştirmiştik" bilgisi ise bir iş emrinin serbest metin notunda ya da yalnızca ustanın aklındadır. Deneyimli teknisyen emekli olduğunda ya da işten ayrıldığında bu bilginin önemli bir kısmı onunla birlikte gider.
Bu yazı, sensör verisiyle arızayı önceden haber veren sistemleri değil, arıza anında teknisyene yardım eden asistanı anlatıyor. Titreşim ve sıcaklık verisiyle arızayı önceden görme yaklaşımını kestirimci bakım rehberimizde, iş emri ve yedek parça takibini ise bakım yönetim yazılımı yazımızda ele aldık.
Bilgiyi aramakla geçen duruşun maliyeti
Plansız duruş her sektörde pahalıdır ve sıklığı hâlâ yüksektir:
Siemens'in hesabına göre dünyanın en büyük 500 şirketi plansız duruşlar yüzünden yılda yaklaşık 1,4 trilyon dolar, yani gelirlerinin %11'ini kaybediyor; büyük üretim tesisleri ayda ortalama 25 plansız duruş yaşıyor ve ayda 27 saat üretim kaybediyor. — Siemens, The True Cost of Downtime 2024
Bu sürenin bir kısmı parça beklemek ya da onarımın kendisidir; ama bir kısmı da doğru bilgiyi bulmaya gider. Bilgi arama yükü yalnızca bakıma özgü değil: Atlassian'ın State of Teams 2025 araştırmasına göre 12.000 bilgi çalışanını kapsayan ankette ekipler zamanlarının %25'ini yalnızca yanıt aramakla harcıyor. Arıza anında bu arama doğrudan duruş süresine eklenir.
Asistanın asıl değeri deneyim farkını kapatmasıdır. NBER'de yayımlanan "Generative AI at Work" çalışmasında 5.179 müşteri destek temsilcisine verilen üretken yapay zeka asistanı, saatte çözülen talep sayısını ortalama %14, yeni başlayan ve düşük becerili temsilcilerde ise %34 artırdı. Çalışma bakım ekiplerinde yapılmadı; ancak gösterdiği mekanizma aynı: asistan, deneyimli kişinin bilgisini yeni başlayana taşıyor.
Bakımda yapay zeka asistanı ne yapar, ne yapmaz?
Asistanın rolünü baştan netleştirmek, yanlış beklentiyi ve yanlış yatırımı önler. Aşağıdaki tablo onu yakın yaklaşımlardan ayırır:
| Ölçüt | Bakım asistanı (bilgi) | Kestirimci bakım (sensör) | CMMS (kayıt) |
|---|---|---|---|
| Temel soru | "Bu arızayı nasıl gideririm?" | "Hangi makine ne zaman arızalanacak?" | "Hangi iş, kimde, ne zaman yapıldı?" |
| Veri kaynağı | Kılavuzlar, talimatlar, geçmiş iş emirleri | Titreşim, sıcaklık, akım verisi | İş emirleri, periyodik planlar, stok |
| Ne zaman çalışır? | Arıza anında ve eğitimde | Sürekli, arızadan önce | İşin planlanması ve kapanışı |
| Donanım gerekir mi? | Hayır; tablet ya da telefon yeterli | Evet; sensör ve bağlantı | Hayır |
| Ana gösterge | Arızayı giderme süresi (MTTR) | Plansız duruş sayısı | Plan uyumu, kayıt tamlığı |
Üçü birbirinin rakibi değil, tamamlayıcısıdır. Sağlam bir kurguda CMMS'teki kapanmış iş emirleri asistanın bilgi kaynağına dönüşür, kestirimci bakım uyarısı da asistana "bu uyarı gelince ne yapılır?" sorusuyla bağlanır.
Asistanın yapmadığı işler de açık olmalı. Makineye müdahale etmez, kilitleme-etiketleme (LOTO) prosedürünü atlatmaz, belgede olmayan bir tork değerini ya da ayar parametresini "tahmin etmez". Belgede yanıt yoksa "bulamadım" demeli; bunun nasıl sağlandığını yapay zeka halüsinasyonunu azaltma yazımızda anlattık.
Asistan hangi bilgi kaynaklarından beslenir?
Üretici kılavuzları. Bakım ve servis kılavuzları, hata kodu tabloları ve yedek parça listeleri. Çoğu İngilizce, Almanca ya da İtalyancadır; asistan Türkçe soruya yabancı dildeki bölümden yanıt verip kaynağı gösterebilir. Taranmış eski kılavuzlar önce doküman OCR ile aranabilir metne dönüştürülür.
İç talimatlar. Çalışma talimatları, periyodik bakım kontrol listeleri, emniyet prosedürleri ve kalite belgeleri. Bunlar şirketin kendi bilgisidir ve üretici kılavuzuyla çeliştiği noktada hangisinin geçerli olduğu baştan kurala bağlanmalıdır.
Geçmiş arıza kayıtları. En değerli ama en dağınık kaynak budur: kapanmış iş emirlerindeki "belirti, neden, yapılan işlem" notları. Asistan "bu makinede bu hata kodu son iki yılda kaç kez çıktı, nasıl çözüldü?" sorusunu bu kayıtlardan yanıtlar. Notların kalitesi yanıtın kalitesini belirler.
Sesli notlar. Eldiven takan, elleri yağlı bir teknisyen klavyeyle uzun not yazmaz. İş bitince telefona birkaç cümle söylemek, Türkçe konuşmayı yazıya çevirme ile iş emrine metin olarak işlenir ve bir sonraki arızada aranabilir hale gelir.
Bu dört kaynağı yanıtın temeline koyan mimarinin adı RAG'dir; asistan önce ilgili belge bölümünü bulur, yanıtı ona dayandırır. Ayrıntıları RAG nedir yazımızda bulabilirsiniz.
Teknisyen asistanını devreye almanın 6 adımı
- Kritik makineleri seçin. En sık duran ya da durduğunda hattı en çok etkileyen 3–5 makineyle başlayın. Her biri için son bir yılın arıza kayıtlarını ve mevcut belgelerini listeleyin.
- Belgeleri toplayın ve sahiplendirin. Kılavuzları, talimatları ve kontrol listelerini tek yerde toplayın. Her belgenin güncel sürümünü kimin onaylayacağını belirleyin; çelişen iki talimat, çelişen iki yanıt demektir.
- Arıza kayıtlarını temizleyin. Serbest metin notlarını en azından makine, belirti, neden ve yapılan işlem alanlarına ayırın. Kayıt hiç yoksa bugünden itibaren mobil servis formu ya da sesli notla toplamaya başlayın.
- Teknisyenin kullandığı cihaza yerleştirin. Asistan atölyedeki tablete, teknisyenin telefonuna ya da iş emri ekranına girmeli. Makine üzerindeki QR kod okutulduğunda o makinenin belgelerine odaklanan bir akış, aramayı kısaltır.
- Emniyet sınırlarını kurala bağlayın. Emniyet, elektrik ve basınçlı sistem adımlarında asistan yalnızca onaylı talimatı aynen göstermeli, yorum eklememeli. Yetki gerektiren işlemlerde son söz yetkili teknisyendedir.
- Pilotla ölçün. Pilot öncesi ve sonrası ortalama arıza giderme süresini (MTTR), dışarıdan destek çağrısı sayısını ve "bulamadım" yanıtlarının oranını karşılaştırın. Getiri hesabı için yapay zeka projesinde ROI yazımızdaki yöntemi kullanabilirsiniz.
Pilotu küçük tutmanın bir nedeni daha var. Gartner, üretken yapay zeka projelerinin en az %30'unun kötü veri kalitesi, yetersiz risk kontrolleri, artan maliyetler veya belirsiz iş değeri nedeniyle 2025 sonuna kadar kavram kanıtlama aşamasından sonra terk edileceğini öngörmüştü. Bakım asistanında bu risklerin başında dağınık arıza kayıtları gelir.
Başka şirketler ne yaptı?
Bakım dışından iki kamuya açık örnek, dağınık bilginin nasıl paketlenip kullanılır hale geldiğini gösteriyor. Microsoft'un yayımladığı Eaton müşteri hikâyesine göre elektrik ekipmanı üreticisi Eaton'ın finans ekipleri, 1.000 standart işletim prosedürünün hazırlanmasında Microsoft 365 Copilot kullandı. Şirketin açıkladığına göre prosedür başına süre bir saatten 10 dakikaya indi ve 650 saatten fazla tasarruf sağlandı.
Bilgiye erişim tarafında ise OpenAI'ın Morgan Stanley müşteri hikâyesine göre firmanın danışmanlara yönelik iç asistanı, danışman ekiplerinin %98'inden fazlası tarafından aktif kullanılıyor ve belgelere erişim oranı %20'den %80'e çıktı. Sektör farklı olsa da ders ortak: asistan, zaten var olan ama kullanılmayan belgeleri kullanılır hale getiriyor. Her iki kaynak da şirket ya da tedarikçi beyanıdır. Fabrikada yapay zekanın bakım dışındaki kullanım alanlarını imalat sanayinde yapay zeka örnekleri yazımızda topladık.
Digital Bridge'de bu işi nasıl yapıyoruz?
Hazır paket satmıyoruz; işe atölyenizi ve bakım kayıtlarınızı yerinde görerek başlıyoruz. Keşif aşamasında kritik makinelerinizi, belgelerin durduğu yerleri, arıza kayıtlarının biçimini ve teknisyenin bilgiye en çok ihtiyaç duyduğu anları birlikte çıkarıyoruz. Ardından kapsamı, aşamaları ve bedeli içeren yazılı bir teklif hazırlıyoruz.
Asistanın çekirdeğini kurumsal LLM asistanı yapısında, şirketinizin kendi belgelerine dayanan ve yanıtını kaynağıyla veren bir sistem olarak kuruyoruz; gerekirse tamamen kendi sunucunuzda çalışacak şekilde. Teknisyenin sahada not almasını kolaylaştırmak için ses tanıma altyapısını, asistanı mevcut iş emri ve saha servis yönetimi ekranlarına bağlamak için yapay zeka entegrasyonu çalışmalarımızı kullanıyoruz.
Pilot, birkaç kritik makine ve tek bir bakım ekibiyle yürüyor; ölçütler baştan yazılıyor. Asistan oturduktan sonra aynı makinelerde sensörle erken uyarı almak isterseniz kestirimci bakım pilotunu da 1–3 kritik makineyle kuruyoruz; uyarı geldiğinde teknisyen ne yapacağını asistana sorar. Asistanın genel yapay zeka yol haritanızdaki yerini görmek için şirketlerde yapay zeka nereden başlamalı yazımıza, ofis tarafındaki karşılığı için müşteri temsilcisi asistanı yazımıza bakabilirsiniz.
Arıza kayıtlarında teknisyen adları ve sesli notlarda kişisel veri bulunabilir. Hangi kaydın ne kadar saklanacağını ve kimin erişeceğini pilot başlamadan belirliyoruz; hukuki çerçeveyi yapay zeka ve KVKK yazımızda özetledik.
Sonraki adım
İlk iş olarak son altı ayda en uzun süren beş arızayı seçin ve her birinde teknisyenin bilgi aramak, birine danışmak ve belge bulmak için ne kadar zaman harcadığını ustanızla birlikte kabaca işaretleyin. Bu liste, asistanın ilk hangi makinelerde ve hangi sorularda işe yarayacağını gösterir. Listeyle iletişim sayfamızdan bize ulaşın; keşif görüşmesinde pilotun kapsamını birlikte çıkaralım. Diğer yazılar için yapay zeka kategori sayfamıza bakabilirsiniz.