İmalatta yapay zeka kullanımı, kamera, sensör, makine ve üretim kayıtlarından gelen veriyi öğrenen modellerle kalite, bakım, planlama, enerji ve mühendislik kararlarını hızlandırmaktır. En yaygın örnekler görüntü işlemeyle kusur tespiti, kestirimci bakım, talep ve üretim planlama, enerji optimizasyonu ve teknik dokümandan cevap veren asistanlardır. Karar yine ustabaşında ve mühendiste kalır.
Fabrikada yapay zeka neden hâlâ sunum slaytında kalıyor?
Çoğu imalatçı yapay zekayı duymuş, bir fuarda demo izlemiş, belki bir danışmandan sunum almıştır. Ama sahaya inildiğinde soru değişir: hangi makinede, hangi veriyle, kimin iş yükünü azaltmak için? Bu soruya net cevap verilmediğinde proje ya hiç başlamaz ya da tek bir kameranın etrafında dönen bir denemede kalır.
Türkiye'de tablo da bunu gösteriyor. TÜİK'in Yapay Zeka İstatistikleri 2025 bültenine göre 10 ve daha fazla çalışanı olan girişimlerin yalnızca %7,5'i herhangi bir yapay zeka teknolojisi kullanıyor. Kullananların %41,1'i onu üretim veya hizmet süreçlerinde çalıştırıyor; bu, pazarlama ve satıştan (%46,5) sonra en yaygın ikinci kullanım amacı. Diğer göstergeleri Türkiye'de şirketlerin yapay zeka kullanımı yazısında derledik.
Kullanmayı düşünüp vazgeçenlerin gerekçesi de aynı bültende: %74,2'si uzmanlık eksikliğini, %67,4'ü yüksek maliyeti gösteriyor. Bu yazı, bu iki engeli küçültmek için imalattaki kullanım alanlarını somut örneklerle sıralıyor ve her birini ayrıntılı rehberine bağlıyor.
Beklemenin maliyeti: duruş, hurda ve kaybolan usta bilgisi
Fabrikada yapay zekayı ertelemenin bedeli çoğu zaman görünmez; çünkü kayıp zaten "normal" kabul edilmiştir. Plansız duruş bunun en büyük kalemidir:
Siemens'in "The True Cost of Downtime 2024" raporuna göre dünyanın en büyük 500 şirketi plansız duruşlar yüzünden yılda yaklaşık 1,4 trilyon dolar, yani gelirlerinin %11'ini kaybediyor; büyük bir tesis ayda ortalama 27 saat üretim kaybediyor. (Siemens, The True Cost of Downtime 2024)
Değerin nereden geldiğine bakınca da operasyon öne çıkıyor. BCG'nin 2024 tarihli "Where's the Value in AI?" araştırmasının basın bülteninde şirketlerin yapay zekadan elde ettiği değerin %23'ünün operasyonlardan geldiği belirtiliyor; bu, fonksiyonlar arasındaki en büyük pay.
Beklentiyi de doğru kurmak gerekir. Stanford HAI AI Index 2025 raporuna göre (McKinsey anketi) yapay zekayı tedarik zinciri ve stok yönetiminde kullanan katılımcıların %43'ü maliyet tasarrufu bildirdi, ancak çoğunda tasarruf %10'un altında. Kazanç gerçek ama doğru süreci seçmeye bağlı.
İmalatta yapay zeka kullanımı: 8 örnek alan
Aşağıdaki alanlar bir fabrikanın akışına göre sıralandı. Her biri tek başına pilot olabilecek büyüklükte ve sitemizde ayrıntılı bir rehberi var.
- Görüntü işlemeyle kalite kontrol. Hat üzerindeki kamera çizik, çatlak, eksik parça ve etiket hatasını hat hızında yakalar, kusur görüntüsünü kalite kaydına yazar. Kurulum adımlarını görüntü işleme ile kalite kontrol yazısında, tekstile özgü durumu yapay zeka ile kumaş hata tespiti yazısında anlattık.
- Kestirimci bakım. Titreşim, sıcaklık ve akım verisinden arızanın habercisi olan örüntüyü öğrenen model, bakımı takvime göre değil makinenin durumuna göre planlatır. Temelleri kestirimci bakım nedir yazısında, sinyal tarafını titreşim analizi ile arıza tespiti yazısında bulabilirsiniz.
- Proses anomalisi ve kök neden. Basınç, sıcaklık, çevrim süresi gibi proses değişkenlerinde normalden sapmayı erken yakalamak, hurda çıkmadan müdahale ettirir. Bu işin veri tarafını üretim verisi analizi ve kök neden yazısında ele aldık.
- Talep tahmini ve üretim planlama. Sipariş ve sevkiyat geçmişinden gelecek talebi tahmin eden model, çizelgeleme yazılımına daha gerçekçi bir girdi verir. Ayrıntılar yapay zeka ile talep tahmini ve üretim planlamada yapay zeka yazılarında.
- Enerji optimizasyonu. Kompresör, fırın ve soğutma gibi büyük tüketicilerde model, tüketimi üretim miktarıyla ilişkilendirip olağan dışı yükü işaretler. Önce ölçüm gerekir; bunu fabrikada enerji izleme yazısında anlattık.
- İş güvenliği. Kamera görüntüsünde baret, yelek ve gözlük gibi kişisel koruyucu donanım eksikliği ya da tehlikeli bölgeye giriş tespit edilir. Kurulum ve KVKK boyutu yapay zeka ile KKD tespiti yazısında.
- Teknik doküman ve bakım bilgisi asistanı. Makine kılavuzları, talimatlar ve geçmiş arıza kayıtları üzerinde çalışan bir dil modeli, teknisyenin sorusuna kaynağıyla cevap verir. Sahadaki kullanımını bakım teknisyeni için yapay zeka asistanı, yöntemin mantığını RAG ile kurumsal dil modeli yazısında açıkladık.
- Mühendislik ve dokümantasyon üretimi. Üretken yapay zeka, standart işletim prosedürü (SOP) taslağı, PLC kodu iskeleti ya da operatör paneli ekranı hazırlamada mühendisin ilk taslağını hızlandırır.
Dünyadan açıklanmış imalat örnekleri
Aşağıdaki örneklerin hepsi üçüncü taraflara ait ve kamuya açık; rakamlar şirketlerin ya da teknoloji tedarikçilerinin kendi açıklamalarıdır, bağımsız denetimden geçmemiştir.
Kalite tarafında, Microsoft'un Rolls-Royce müşteri hikâyesinde (Nisan 2025) şirketin türbin kanadı soğutma deliklerini eskiden ayda yaklaşık 2 milyon delik olacak şekilde elle muayene ettiği anlatılıyor. Şirketin açıkladığına göre titreşim verisinden kusuru önceden tahmin eden sistemle makine kullanımı %30 arttı ve arıza çözümü günlerden neredeyse gerçek zamana indi.
Mühendislikte, Microsoft'un Ekim 2024 tarihli duyurusuna göre Schaeffler ve thyssenkrupp Automation Engineering dahil 100'den fazla şirket Siemens Industrial Copilot'u kullanıyor. Siemens ve Microsoft'un açıkladığına göre mühendisler panel görselleştirmesini 30 saniyede oluşturuyor ve üretilen kodun yalnızca %20'si uyarlama gerektiriyor.
Dokümantasyonda, Eaton'ın Microsoft müşteri hikâyesine (Kasım 2024) göre elektrik ekipmanı üreticisi, muhasebe süreçlerini merkezileştirme programındaki 1.000 SOP'nin hazırlanmasında yapay zeka asistanı kullandı; SOP başına süre bir saatten 10 dakikaya indi. Aynı yöntem fabrika talimatlarına da uygulanabilir. Planlamada ise StarKist'in açıkladığına göre tablolardan makine öğrenmesiyle entegre bir planlama platformuna geçişle planlama döngüsü 16 saatten bir saatin altına indi; bu kazancın ne kadarının yapay zekadan geldiği ayrıştırılmadı.
Hangi örnekle başlamalı? Karşılaştırma tablosu
Her kullanım alanının veri ihtiyacı, donanım gereksinimi ve ilk ölçütü farklı. Aşağıdaki tablo, pilot seçerken sorulması gereken soruları tek yerde topluyor.
| Kullanım alanı | Veri kaynağı | Ek donanım | Pilotta ilk ölçüt | İnsanın rolü |
|---|---|---|---|---|
| Görüntü işlemeyle kalite | Etiketli kusur görüntüleri | Kamera, ışık, gerekirse uç bilgisayar | Kaçan kusur ve yanlış alarm oranı | Sınırda kalan parçaya karar verir |
| Kestirimci bakım | Titreşim, sıcaklık, akım geçmişi | Sensör ve veri toplayıcı | Plansız duruş sayısı ve süresi | Bakım zamanını onaylar |
| Proses anomalisi | PLC/SCADA proses değişkenleri | Çoğunlukla mevcut | Hurda oranı, erken uyarı süresi | Kök nedeni doğrular |
| Talep ve planlama | Sipariş, sevkiyat, stok geçmişi | Yok | Tahmin hatası, plan revizyon sayısı | Planı kesinleştirir |
| Enerji optimizasyonu | Sayaç ve üretim miktarı | Enerji analizörü | Birim ürün başına tüketim | Ayar değişikliğine karar verir |
| Doküman asistanı | Kılavuz, talimat, arıza kaydı | Yok | Cevap doğruluğu, arama süresi | Cevabı kaynağından teyit eder |
İlk pilot için üç soruyu birlikte cevaplayın: veri bugün kayıtlı mı, sorunun maliyeti ölçülebiliyor mu, hata olursa geri alınabilir mi? Üçüne de "evet" diyen alan genellikle en hızlı sonucu verir. Görüntü işlemede etiketli veri çoğu zaman ilk darboğazdır; bunun için veri etiketleme sürecini baştan planlamak gerekir. Talep ve planlama gibi ek donanım istemeyen alanlarda ise tahminin hangi çizelgeleme kurgusuna gireceği önceden netleşmelidir; bunu APS ile üretim planlama yazısında anlattık.
Pilotun başarısını tartışmasız kılmak için başlangıç değerini önceden ölçün: son üç ayın duruş saatleri, hurda oranı ya da OEE değeri gibi. Getiri hesabının adımlarını yapay zeka projesi ROI yazısında anlattık.
Gartner'ın 29 Temmuz 2024 tarihli basın bülteni, üretken yapay zeka projelerinin en az %30'unun kötü veri kalitesi ve belirsiz iş değeri gibi nedenlerle kavram kanıtlamadan sonra terk edileceğini öngörmüştü; ölçüm bu riskin ilk panzehiridir. Bu öngörü üretken yapay zeka geneline ilişkindir, imalata özgü değildir. Diğer başarısızlık nedenlerini yapay zeka projeleri neden başarısız olur yazısında topladık.
Üretim dışındaki departmanlardan da fikir almak isterseniz satın almada yapay zeka yazısı fabrikanın tedarik tarafını, şirketlerde yapay zeka nereden başlamalı rehberi ise genel yol haritasını anlatıyor.
Tüm departmanlar için fikir listesi yapay zeka ile yapılabilecek 30 iş yazısında.
Digital Bridge'de imalat yapay zekasını nasıl kuruyoruz?
Hazır paket satmıyoruz; işe sahada başlıyoruz. Endüstri 4.0 projeleri için ücretsiz saha değerlendirmesi yapıyor, hattı üretim ve bakım ekibinizle birlikte geziyor, kaybın en çok yaşandığı iki üç noktayı ve bu noktaların verisinin nerede durduğunu belirliyoruz. Sonunda kapsamı, aşamaları ve bedeli yazan bir teklif veriyoruz.
Yazılım ve donanım aynı ekipten çıktığı için kamera, sensör ve veri toplayıcıyı modelle birlikte tasarlayabiliyoruz; donanım tarafında teknik fizibilite ücretsiz. Kalite kontrolde görüntü işleme hizmetimizle kamera ve ışık kurgusunu sizin ürününüzle deniyoruz. Bakımda kestirimci bakım projelerini 1–3 kritik makineyle pilot olarak başlatıyoruz; hedefimiz, değerin ilk 30–60 günde metriklerle görünmesidir.
Model gerekiyorsa genel amaçlı bir modeli sizin kusur görüntüleriniz ve proses verinizle eğitiyoruz; bu işi firmaya özel yapay zeka eğitimi kapsamında yürütüyoruz. Proses sapmaları için anomali tespiti, teknik doküman asistanı için kurumsal LLM asistanı çözümlerimizi kullanıyoruz.
Sonuç, operatörün ve planlamacının zaten baktığı ekrana düşmeli. Bu yüzden modeli MES üretim yönetimi sisteminize ve Logo, SAP, Mikro ya da özel ERP'nize bağlıyoruz. Tüm bu bağlantıları yapay zeka entegrasyonu çatısı altında, sahada ve uzaktan yürütüyoruz.
Sonraki adım
Tesisinizde son üç ayda en çok kayıp yaratan tek sorunu seçin: bir makinenin duruşu, bir ürün ailesinin hurdası ya da bir hattın enerji tüketimi. O sorunla ilgili hangi verinin bugün kayıt altında olduğunu not edin. Ardından bizimle iletişime geçin; saha değerlendirmesinde ilk pilotu birlikte seçelim. Diğer yapay zeka rehberleri için Yapay Zeka konu sayfamıza göz atabilirsiniz.