RAG (Retrieval-Augmented Generation, getirme destekli üretim), bir dil modelinin soruyu yanıtlamadan önce şirketinizin belgelerinde ilgili bölümü bulması ve yanıtını yalnızca o bölüme dayandırmasıdır. Böylece kurumsal LLM asistanı güncel prosedürlerinizden yanıt verir, kaynağı gösterir ve belgede olmayan bilgiyi uydurmak yerine "bulamadım" der.
Genel bir dil modeli şirketinizi neden tanımaz?
Büyük dil modelleri (LLM) internetteki geniş bir metin yığınıyla eğitilir. Dil konusunda son derece yeteneklidirler ama sizin izin prosedürünüzü, garanti koşullarınızı, bir makinenin bakım talimatını ya da geçen ay güncellenen fiyat listenizi bilmezler. Bu belgeler modelin eğitim verisinde yoktur; olsa bile güncel değildir.
Bir çalışan genel bir sohbet aracına "Yurt dışı seyahatte harcırah nasıl hesaplanır?" diye sorduğunda iki şeyden biri olur: model genel bir yanıt verir ya da daha kötüsü, sizin şirketinize aitmiş gibi görünen ama tamamen uydurulmuş bir kural yazar. İkinci durum, ilkinden daha tehlikelidir; çünkü yanıt ikna edicidir ve kaynağı yoktur.
Şirketlerde asıl bilgi paylaşılan klasörlerde, e-posta eklerinde ve birkaç deneyimli çalışanın kafasında durur. Doğru belgeyi bulmak çoğu zaman onu kimin bildiğini bulmaktan geçer. RAG bu iki sorunu birlikte çözer: modelin dil yeteneğini kullanır, bilgiyi ise sizin belgelerinizden alır. İhtiyaç yanıt üretmekten çok doğru belgeyi bulmaksa yapay zeka ile kurumsal arama daha yalın bir başlangıçtır.
Doğrulanmamış yanıtın maliyeti
Dil modellerinin uydurma eğilimi ölçülebilir bir sorundur. Stanford HAI AI Index Report 2026 verisine göre AA-Omniscience bilgi testinde 26 önde gelen modelin halüsinasyon oranı %22 ile %94 arasında değişti. Yani belge desteği olmadan bilgi sorulan bir model, hangi model olduğuna bağlı olarak yanıtların ciddi bir kısmında yanılabiliyor.
Belge verildiğinde bile risk sıfırlanmaz. Aynı raporun aktardığı Vectara belge özetleme testinde (HHEM) en iyi 15 model bile özetlere %1,8 ile %5,4 arasında oranla kaynakta olmayan bilgi ekledi. Bu yüzden iyi bir RAG sistemi yalnızca belge getirmekle kalmaz, yanıtın kaynağını gösterir ve düzenli olarak test edilir.
Erişim tarafı da ayrı bir risk alanıdır. IBM Cost of a Data Breach Report 2025 bülteninde kuruluşların %13'ü yapay zeka modeli ya da uygulamasında ihlal yaşadığını bildirdi ve bunların %97'sinde uygun yapay zeka erişim kontrolleri yoktu. Tüm şirket belgelerini tek bir havuza atıp herkese açan bir asistan, İK ya da finans belgelerini yetkisiz kişilere de "yanıt" olarak sunabilir.
RAG nedir, nasıl çalışır? Dört aşamada mimari
Bir RAG sistemi, soru sorulmadan önce ve soru sorulduğunda olmak üzere iki ayrı iş yapar:
- Belgelerin hazırlanması (dizinleme). Prosedür, kılavuz, sözleşme ve SSS belgeleri toplanır; taranmış evrak metne çevrilir. Belgeler anlamlı parçalara (bölüm, madde, paragraf) bölünür ve her parça, anlamını sayısal olarak temsil eden bir vektöre dönüştürülerek vektör veritabanına kaydedilir. Her parçanın kaynağı ve kimlerin görebileceği bilgisi de saklanır.
- Getirme (retrieval). Kullanıcı soru sorduğunda soru da vektöre çevrilir; anlamca en yakın belge parçaları bulunur. Burada anahtar kelime aramasıyla anlamsal arama birlikte kullanıldığında ürün kodu, madde numarası gibi kesin ifadeler de kaçmaz. Kullanıcının yetkisi olmayan parçalar bu aşamada elenir. Türkçenin eklemeli yapısı arama kalitesini doğrudan etkiler; ayrıntısı Türkçe doğal dil işleme yazısında.
- Üretim (generation). Bulunan parçalar soruyla birlikte dil modeline verilir ve modelden yalnızca bu metinlere dayanarak yanıt yazması istenir. Metinlerde yanıt yoksa model "bulamadım" demeye yönlendirilir.
- Kaynak gösterme ve ölçüm. Yanıtın altında hangi belgenin hangi bölümünün kullanıldığı gösterilir. Yanıtlanamayan sorular ve kullanıcı geri bildirimleri raporlanır.
Bu mimarinin en önemli avantajı güncelliktir: prosedür değiştiğinde modeli yeniden eğitmeniz gerekmez; belgeyi güncellersiniz, asistan bir sonraki soruda yeni sürümden yanıt verir.
RAG ne zaman doğru yöntemdir?
Çoğu kurumsal asistan için doğru başlangıç RAG'dir: bilgi belgelerde durur, belge güncellenince yanıt da güncellenir ve her yanıtın kaynağı gösterilir. Hazır bir sohbet aracı, kurum bilgisi gerektirmeyen yazım ve özetleme işlerine yeter. İnce ayar ise modelin bilgisini değil üslubunu, terminolojisini ve çıktı biçimini değiştirir; bu yüzden RAG'in yerine değil yanına eklenir. Yaklaşımların veri ihtiyacı ve güncelleme yüküyle yan yana karşılaştırmasını firmaya özel yapay zeka modeli rehberimizde bulabilirsiniz.
RAG kurulsa bile modelin ara sıra kaynakta olmayan bir ayrıntı eklemesi mümkündür. Bunu azaltan diğer teknikleri yapay zeka halüsinasyonu rehberimizde topladık.
RAG en çok hangi işlerde fark yaratır?
RAG'in değeri, yanıtın zaten bir belgede yazılı olduğu ama o belgeyi bulmanın zaman aldığı işlerde ortaya çıkar. Sık karşılaştığımız kullanım alanları:
- İK politikaları ve özlük soruları. İzin, harcırah, yan haklar; İK ekibine her gün gelen aynı sorular. Bu soruların ötesindeki kullanımları insan kaynaklarında yapay zeka yazımızda topladık.
- Teknik servis ve arıza giderme. Sahadaki teknisyen, cihaz kılavuzunun ilgili bölümüne telefonundan ulaşır; asistan saha servis yönetimi yazılımına eklendiğinde iş emrinin yanında açılır. Bakım ekibine özel kurgusunu bakım teknisyeni yapay zeka asistanı yazısında anlattık.
- Kalite prosedürleri ve ISO dokümantasyonu. "Bu uygunsuzlukta hangi form doldurulur?" sorusu prosedür numarasıyla yanıtlanır; geçmiş 8D raporları da benzer sorunların nasıl çözüldüğünü gösteren değerli bir kaynaktır.
- Satış ekibi için ürün bilgisi. Teknik özellik, uyumluluk ve katalog bilgisi müşteri beklerken bulunur.
- Sözleşme ve mevzuat maddeleri. Uzun metinlerde ilgili madde kaynak gösterilerek getirilir; dosya arşivi büyük hukuk bürolarında emsal ve dilekçe aramayı hızlandırır. Soru sormak yerine riskli maddeleri sistematik olarak işaretlemek ise yapay zeka ile sözleşme incelemenin işidir.
- Müşteri soruları. Aynı mimari müşteriye dönük botlarda da kullanılır; kapsam ve insana devir kurallarını müşteri hizmetleri chatbotu yazımızda anlattık.
- Yeni çalışanın işe alışması. Kime soracağını bilmeyen çalışan, ilk haftalarda sorularının çoğuna belgelerden yanıt alır.
Bu alanların ortak noktası, yanlış yanıtın maliyetinin yüksek, kaynağı kontrol etmenin ise kolay olmasıdır. Kaynak gösteren bir asistan, çalışanın doğrulama alışkanlığını da korur.
Kurumsal LLM asistanı kurmanın 7 adımı
- Kapsamı daraltın. "Her şeyi bilen asistan" yerine bir alanla başlayın: İK politikaları, teknik servis kılavuzları ya da kalite prosedürleri.
- Gerçek soruları toplayın. Çalışanların son birkaç ayda sorduğu 50–100 gerçek soruyu listeleyin. Bu liste hem tasarımın hem test setinin temelidir.
- Belgeleri temizleyin. Aynı prosedürün üç farklı sürümü varsa asistan hangisinden yanıt vereceğini bilemez. Eski ve mükerrer belgeleri ayıklamak, dosya sürüm kontrolünü oturtmak doğruluğu doğrudan artırır.
- Yetkileri tasarlayın. Her belgenin kimlere açık olduğunu belirleyin; asistan bu kuralları aynen uygulamalı. Klasör yetkilerinin nasıl kurgulanacağını dosya paylaşım yetkilendirme yazımızda anlattık.
- Modeli ve barındırmayı seçin. Veri kurum dışına çıkabiliyorsa bulut tabanlı modeller, çıkamıyorsa kurum sunucusunda çalışan açık kaynak modeller değerlendirilir. Genel servislerde hangi verinin risk taşıdığını ChatGPT ve şirket verisi güvenliği yazımızda ele aldık.
- Test edin, ölçün. Test setindeki soruları çalıştırıp doğru, eksik ve yanlış yanıtları sayın. Her belge ya da model güncellemesinde testi tekrarlayın.
- Kullanıcının olduğu yere koyun. Asistan intranet, mevcut yardım masası ya da ekibin zaten kullandığı mesajlaşma kanalı üzerinden erişilebilir olsun; yanıtlanamayan soruları raporlayın.
Digital Bridge'de bu işi nasıl yapıyoruz?
Kurumsal LLM asistanı projelerinde RAG mimarisini şu ilkelerle kuruyoruz:
- Belgeyi bilgi tabanına dönüştürüyoruz. PDF, Word, Excel ve taranmış evrakı işliyoruz; taramalar için doküman OCR katmanı kuruyoruz.
- Her yanıtta kaynak gösteriyoruz. Kullanıcı kaynağı tek tıkla açıp doğrulayabiliyor; belgede yanıt yoksa asistan tahmin yürütmüyor, bulamadığını söylüyor ve soru eksik bilgi raporuna düşüyor.
- Yetkiye göre yanıt veriyoruz. Asistan, soruyu soranın görmeye yetkili olduğu belgelerden yanıt veriyor. Kişisel veri boyutunu KVKK uyum danışmanlığı kapsamında değerlendiriyoruz. Genel çerçeveyi yapay zeka ve KVKK yazımızda anlattık.
- Kendi sunucunuzda çalıştırabiliyoruz. Verinin kurum dışına çıkamadığı yapılarda asistanı açık kaynak dil modelleriyle tamamen kurum sunucusunda kuruyoruz.
- Terminolojiyi güçlendiriyoruz. Teknik servis, kalite ve üretim gibi terim yoğun alanlarda firmaya özel yapay zeka eğitimi ile üslup ve terim doğruluğunu artırıyoruz.
- Mevcut sistemlere bağlıyoruz. Asistanı ERP, yardım masası ya da intranetinize yapay zeka entegrasyonu ile ekliyoruz. Asistan müşteriye dönük çalışacaksa aynı mimariyi NLP chatbot çözümlerimizde kullanıyoruz.
Hazır paket satmıyoruz; ihtiyaç analizinin ardından kapsamı, aşamaları ve bedeli içeren yazılı bir teklif hazırlıyoruz.
Sonraki adım
Bir RAG projesinin ilk çıktısı kod değil, bir listedir: ekibinizin en sık sorduğu 50 soru ve bu soruların yanıtının bulunduğu belgeler. Bu listeyi çıkarırken belgelerin dağınıklığı fark edilirse önce kurumsal dosya yönetimi rehberimize göz atın. Belge tabanlı yapay zekanın günlük kullanımını görmek için yapay zeka ile belge analizi yazımız iyi bir başlangıç.
Listeniz hazırsa iletişim sayfamızdan bize ulaşın; soruları ve belgeleri birlikte inceleyip küçük bir pilotun kapsamını çıkaralım. Genel çerçeve için şirketlerde yapay zekaya nereden başlanır yazımıza, diğer kullanım alanları için Yapay Zeka rehberimizin tamamına bakabilirsiniz.