# RAG Nedir? Kurumsal LLM Asistanı Şirket Belgelerinizden Nasıl Doğru Yanıt Verir?

> RAG nedir, nasıl çalışır? Şirket belgelerinizden kaynak göstererek ve yetkiye göre yanıt veren kurumsal LLM asistanının mimarisi ve 7 kurulum adımı.

Kaynak: https://digitalbridge.com.tr/blog/rag-nedir-kurumsal-llm.html
Yayıncı: Digital Bridge Teknoloji (https://digitalbridge.com.tr)
Konu: Yapay Zeka
Yayın: 2026-09-24 · Güncelleme: 2026-10-30

[RAG](https://digitalbridge.com.tr/sozluk.html#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.

## Kısaca

- RAG, dil modelini yeniden eğitmeden şirket belgelerinden yanıt üretir; belge güncellenince yanıt da güncellenir.
- Her yanıtta kaynak belge ve bölüm gösterilir; belgede yanıt yoksa asistan tahmin yürütmez, bulamadığını söyler.
- Stanford HAI AI Index 2026'ya göre 26 modelin bilgi testindeki halüsinasyon oranı %22 ile %94 arasında değişiyor.
- Asistan, soruyu soranın görmeye yetkili olduğu belgelerle sınırlı kalmalı; yetkiler dizinleme aşamasında saklanır.
- Kurulum bir alanla ve 50–100 gerçek soruyla başlar; bu sorular aynı zamanda doğruluk test setidir.

## Genel bir dil modeli şirketinizi neden tanımaz?

Büyük dil modelleri ([LLM](https://digitalbridge.com.tr/sozluk.html#llm), Large Language Model) 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](https://digitalbridge.com.tr/blog/kurumsal-arama-yapay-zeka.html) daha yalın bir başlangıçtır.

## Kaynaksız yapay zeka yanıtı ne kadar risklidir?

Dil modellerinin bilgi uydurma eğilimi, yani [yapay zeka halüsinasyonu](https://digitalbridge.com.tr/sozluk.html#ai-hallucination), ölçülebilir bir sorundur. [Stanford HAI AI Index Report 2026](https://hai.stanford.edu/assets/files/ai_index_report_2026.pdf) verisine göre Artificial Analysis'in geliştirdiği 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'nın HHEM (Hughes Hallucination Evaluation Model) belge özetleme testinde 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.

Yapay zeka asistanlarında erişim yetkisi de ayrı bir risk alanıdır. [IBM Cost of a Data Breach Report 2025](https://newsroom.ibm.com/2025-07-30-ibm-report-13-of-organizations-reported-breaches-of-ai-models-or-applications,-97-of-which-reported-lacking-proper-ai-access-controls) 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:

1. **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](https://digitalbridge.com.tr/blog/vektor-veritabani-nedir.html) kaydedilir. Her parçanın kaynağı ve kimlerin görebileceği bilgisi de saklanır.
2. **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](https://digitalbridge.com.tr/blog/turkce-dogal-dil-isleme.html) yazısında.
3. **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.
4. **Kaynak gösterme ve ölçüm.** Yanıtın altında hangi belgenin hangi bölümünün kullanıldığı gösterilir. Yanıtlanamayan sorular ve kullanıcı geri bildirimleri raporlanır.

RAG mimarisinin en önemli avantajı güncelliktir: prosedür değiştiğinde modeli yeniden eğitmeniz gerekmez; belgeyi güncellersiniz, asistan bir sonraki soruda yeni sürümden yanıt verir. Bu yaklaşımın çalışan gözünden nasıl göründüğünü [belgelerle sohbet eden yapay zeka](https://digitalbridge.com.tr/blog/belgelerle-sohbet-yapay-zeka.html) yazısında anlattık.

## RAG mi, ince ayar mı, hazır sohbet aracı mı?

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](https://digitalbridge.com.tr/blog/firmaya-ozel-yapay-zeka-modeli.html) bulabilirsiniz.

| Yaklaşım | Ne değişir? | Kurum bilgisi güncellenince | Kaynak gösterir mi? | Uygun olduğu iş |
|---|---|---|---|---|
| Hazır sohbet aracı | Hiçbir şey; model olduğu gibi kullanılır | Model şirket belgelerini bilmez | Hayır | Kurum bilgisi gerektirmeyen yazım ve özetleme |
| RAG | Her soruda ilgili belge parçaları modele verilir | Belgeyi güncellemek yeterlidir | Evet, belge ve bölüm düzeyinde | Prosedür, kılavuz, sözleşme ve politika soruları |
| İnce ayar (fine-tuning) | Modelin üslubu, terminolojisi ve çıktı biçimi | Model yeniden eğitilmelidir | Hayır | Terim yoğun alanlarda RAG'in yanına eklenir |

RAG kurulsa bile modelin ara sıra kaynakta olmayan bir ayrıntı eklemesi mümkündür. Bunu azaltan diğer teknikleri [yapay zeka halüsinasyonu rehberimizde](https://digitalbridge.com.tr/blog/yapay-zeka-halusinasyon.html) topladık. Modelin nerede çalışacağı ayrı bir karardır; şirket içi seçeneği [yerel LLM kurulumu](https://digitalbridge.com.tr/blog/yerel-llm-kurulumu.html) yazımızda ele aldık.

## 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](https://digitalbridge.com.tr/blog/insan-kaynaklarinda-yapay-zeka.html) yazımızda topladık.
- **Teknik servis ve arıza giderme.** Sahadaki teknisyen, cihaz kılavuzunun ilgili bölümüne telefonundan ulaşır; asistan [saha servis yönetimi yazılımına](https://digitalbridge.com.tr/blog/saha-servis-yonetimi-yazilimi.html) eklendiğinde iş emrinin yanında açılır. Bakım ekibine özel kurgusunu [bakım teknisyeni yapay zeka asistanı](https://digitalbridge.com.tr/blog/bakim-teknisyeni-yapay-zeka-asistani.html) yazısında anlattık.
- **Kalite prosedürleri ve ISO dokümantasyonu.** "Bu uygunsuzlukta hangi form doldurulur?" sorusu prosedür numarasıyla yanıtlanır; geçmiş [8D raporları](https://digitalbridge.com.tr/blog/8d-problem-cozme.html) 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](https://digitalbridge.com.tr/blog/hukuk-burosu-dosya-yonetimi.html) emsal ve dilekçe aramayı hızlandırır. Soru sormak yerine riskli maddeleri sistematik olarak işaretlemek ise [yapay zeka ile sözleşme incelemenin](https://digitalbridge.com.tr/blog/yapay-zeka-sozlesme-inceleme.html) işidir.
- **Müşteri soruları.** Aynı mimari müşteriye dönük botlarda da kullanılır; kapsam ve insana devir kurallarını [müşteri hizmetleri chatbotu](https://digitalbridge.com.tr/blog/musteri-hizmetleri-chatbot.html) yazımızda, yanlış cevabın nasıl ölçüleceğini ise [yapay zeka cevap doğruluğu](https://digitalbridge.com.tr/blog/yapay-zeka-musteri-cevap-dogrulugu.html) rehberinde anlattık.
- **Yeni çalışanın işe alışması.** Kime soracağını bilmeyen çalışan, ilk haftalarda sorularının çoğuna belgelerden yanıt alır.

RAG'in fark yarattığı bu alanların ortak noktası, yanlış yanıtın maliyetinin yüksek, kaynağı kontrol etmenin ise kolay olmasıdır. Kaynak gösteren bir asistan, çalışanın doğrulama alışkanlığını da korur. ERP verisiyle çalışan yapay zekanın hangi entegrasyon yöntemiyle kurulacağını [ERP'ye yapay zeka ekleme](https://digitalbridge.com.tr/blog/erp-yapay-zeka-entegrasyonu.html) rehberimizde ele aldık.

## Kurumsal LLM asistanı nasıl kurulur? 7 adım

1. **Kapsamı daraltın.** "Her şeyi bilen asistan" yerine bir alanla başlayın: İK politikaları, teknik servis kılavuzları ya da kalite prosedürleri.
2. **Gerçek soruları toplayın.** Çalışanların son birkaç ayda sorduğu 50–100 gerçek soruyu listeleyin. Bu liste hem tasarımın hem test setinin temelidir.
3. **Belgeleri temizleyin.** Aynı prosedürün üç farklı sürümü varsa asistan hangisinden yanıt vereceğini bilemez. Eski ve mükerrer belgeleri ayıklamak, [dosya sürüm kontrolünü](https://digitalbridge.com.tr/blog/dosya-surum-kontrolu.html) oturtmak doğruluğu doğrudan artırır.
4. **Yetkileri tasarlayın.** Her belgenin kimlere açık olduğunu belirleyin; asistan bu kuralları aynen uygulamalı. Klasör yetkilerinin nasıl kurgulanacağını [dosya paylaşım yetkilendirme yazımızda](https://digitalbridge.com.tr/blog/dosya-paylasim-yetkilendirme.html) anlattık.
5. **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](https://digitalbridge.com.tr/blog/chatgpt-sirket-verisi-guvenligi.html) yazımızda ele aldık.
6. **Test edin, ölçün.** Test setindeki soruları çalıştırıp doğru, eksik ve yanlış yanıtları sayın. Her belge ya da model güncellemesinde testi tekrarlayın.
7. **Kullanıcının olduğu yere koyun.** Asistan intranet, mevcut yardım masası ya da ekibin zaten kullandığı mesajlaşma kanalı üzerinden erişilebilir olsun; yanıtlanamayan soruları raporlayın.

## Digital Bridge kurumsal RAG asistanını nasıl kuruyor?

[Kurumsal LLM asistanı](https://digitalbridge.com.tr/teknoloji-donanim/kurumsal-llm-asistan.html) projelerinde RAG mimarisini şu ilkelerle kuruyoruz:

- **Belgeyi bilgi tabanına dönüştürüyoruz.** PDF, Word, Excel ve taranmış evrakı işliyoruz; taramalar için [doküman OCR](https://digitalbridge.com.tr/teknoloji-donanim/dokuman-ocr.html) 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](https://digitalbridge.com.tr/danismanlik/kvkk-uyum-danismanligi.html) kapsamında değerlendiriyoruz. Genel çerçeveyi [yapay zeka ve KVKK](https://digitalbridge.com.tr/blog/yapay-zeka-kvkk.html) 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](https://digitalbridge.com.tr/teknoloji-donanim/firmaya-ozel-yapay-zeka-egitimi.html) ile üslup ve terim doğruluğunu artırıyoruz.
- **Mevcut sistemlere bağlıyoruz.** Asistanı ERP, yardım masası ya da intranetinize [yapay zeka entegrasyonu](https://digitalbridge.com.tr/teknoloji-donanim/yapay-zeka-entegrasyonu.html) ile ekliyoruz. Asistan müşteriye dönük çalışacaksa aynı mimariyi [NLP chatbot](https://digitalbridge.com.tr/teknoloji-donanim/nlp-chatbot.html) çözümlerimizde kullanıyoruz.

Kurumsal LLM asistanını hazır paket olarak satmıyoruz; ihtiyaç analizinin ardından kapsamı, aşamaları ve bedeli içeren yazılı bir teklif hazırlıyoruz.

Kaynağa dayalı ve yetkiye göre yanıt verme ilkesi, Digital Bridge'in geliştirdiği [Smart360](https://digitalbridge.com.tr/smart360.html) ürün ailesinde de var. [SmartFiles kurumsal dosya yönetimi](https://digitalbridge.com.tr/smart360/smartfiles.html) kullanıcının tek bir belgeye ya da klasörün tamamına soru sormasını sağlar; yanıt yalnızca kullanıcının görme yetkisi olan dosyaların içeriğinden üretilir ve kısıtlı klasörler yetkisiz kişinin sorularına girmez. SmartFiles'ta yapay zeka yetkisi kişi ya da departman bazında ayrıca verilir.

Müşteriye dönük tarafta [SmartOperator yapay zeka müşteri temsilcisi](https://digitalbridge.com.tr/smart360/smartoperator.html), web sitesi ziyaretçisine yanıtı yalnızca bilgi bankası maddelerine ve kataloğa dayanarak yazar; hangi maddeyi ve hangi ürünü kullandığı panelde her cevabın altında görünür. Karşılığını bulamadığı soruda tahmin yürütmez, konuşmayı ekibe devreder.

## Kurumsal RAG projesine nereden başlanır?

Kurumsal 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](https://digitalbridge.com.tr/blog/kurumsal-dosya-yonetimi-nedir.html) göz atın. Belge tabanlı yapay zekanın günlük kullanımını görmek için [yapay zeka ile belge analizi yazımız](https://digitalbridge.com.tr/blog/yapay-zeka-ile-belge-analizi.html) iyi bir başlangıç.

Listeniz hazırsa [iletişim sayfamızdan](https://digitalbridge.com.tr/iletisim.html) bize ulaşın; soruları ve belgeleri birlikte inceleyip küçük bir pilotun kapsamını çıkaralım. Genel çerçeve için [şirketlerde yapay zekaya nereden başlanır yazımıza](https://digitalbridge.com.tr/blog/sirketlerde-yapay-zeka-nereden-baslamali.html), diğer kullanım alanları için [Yapay Zeka rehberimizin tamamına](https://digitalbridge.com.tr/blog/konu/yapay-zeka.html) bakabilirsiniz.

## Sık Sorulan Sorular

### RAG asistanı kurmak için model eğitmek gerekir mi?

Hayır. RAG'de dil modeli olduğu gibi kullanılır; şirkete özgü bilgi modele eğitimle değil, her soruda ilgili belge parçaları verilerek aktarılır. Asıl emek belgeleri toplamak, temizlemek, parçalara bölmek ve yetkileri tanımlamaktır. Terminoloji çok özelse ince ayar sonradan eklenebilir, ancak çoğu kurumsal asistan ilk aşamada buna ihtiyaç duymaz.

### RAG halüsinasyonu tamamen ortadan kaldırır mı?

Hayır, ama belirgin biçimde azaltır ve denetlenebilir hale getirir. Model yalnızca getirilen belge parçalarına dayanmaya yönlendirilir, yanıt yoksa "bulamadım" der ve her yanıtta kaynak gösterilir. Kullanıcı kaynağı açıp doğrulayabilir. Buna rağmen düzenli test seti çalıştırmak ve yanlış yanıtları raporlamak gerekir.

### Şirket belgeleri dış bir yapay zeka servisine gönderilir mi?

Bu, seçilen mimariye bağlıdır. Bulut tabanlı bir dil modeli kullanılırsa soru ve ilgili belge parçaları o servise iletilir. Verinin kurum dışına çıkmaması gereken durumlarda asistan açık kaynak modellerle tamamen kurum sunucusunda çalıştırılabilir. Kişisel veri içeren belgelerde KVKK'nın yurt dışına aktarım kuralları ayrıca değerlendirilmelidir.

### RAG asistanı hangi belge türleriyle çalışır?

PDF, Word ve Excel gibi yaygın ofis belgeleri, metin dosyaları ve OCR ile metne çevrilen taranmış evrak işlenebilir. Önemli olan biçimden çok içeriğin güncel ve tutarlı olmasıdır. Aynı prosedürün birden çok sürümü varsa önce hangisinin geçerli olduğu belirlenmeli, eski sürümler bilgi tabanından çıkarılmalıdır.

### Her çalışan her belgeden yanıt alabilir mi?

İyi kurulmuş bir asistanda hayır. Belge parçaları dizinlenirken kimlerin görebileceği bilgisi de saklanır ve getirme aşamasında kullanıcının yetkisi olmayan parçalar elenir. Böylece İK, finans veya yönetim belgeleri yetkisi olmayan kullanıcıya yanıt olarak dönmez. Yetki kuralları mevcut dosya sisteminizdeki yetkilerle uyumlu tasarlanmalıdır.

### RAG ile ince ayar (fine-tuning) arasındaki fark nedir?

RAG modele bilgi verir, ince ayar ise modelin üslubunu değiştirir. RAG'de şirket belgeleri her soruda modele aktarılır; belge güncellenince yanıt da güncellenir ve kaynak gösterilir. İnce ayar modeli şirketin terminolojisi, üslubu ve çıktı biçimiyle yeniden eğitir, ama kaynak göstermez ve bilgi değiştikçe yeniden eğitim gerektirir. Bu yüzden ince ayar RAG'in yerine değil, gerektiğinde yanına eklenir.

### Kurumsal RAG asistanına nereden başlanmalı?

Tek bir alanla ve gerçek sorularla başlanmalıdır. İK politikaları, teknik servis kılavuzları ya da kalite prosedürleri gibi bir alan seçilir, çalışanların son aylarda sorduğu 50–100 soru toplanır ve bu soruların yanıtını içeren belgeler belirlenir. Eski ve mükerrer belgeler ayıklanır, yetkiler tasarlanır. Soru listesi aynı zamanda asistanın doğruluğunu ölçen test seti olarak kullanılır.