Satın almada yapay zeka, satın alma ekibinin en çok zaman harcadığı okuma, karşılaştırma ve kontrol işlerini üstlenen yazılımdır: harcama kalemlerini sınıflandırır, tedarikçi tekliflerini aynı tabloya döker, faturayı sipariş ve irsaliyeyle eşleştirir, olağan dışı fiyatı işaretler. Karar ve pazarlık satın almacıda kalır; yapay zeka ona temiz veri ve zaman kazandırır.
Satın alma masasında zaman nereye gidiyor?
Orta ölçekli bir sanayi şirketinde satın almacının günü çoğu zaman okumakla geçer. Talep formu gelir, üç tedarikçiden teklif istenir, her teklif farklı biçimde döner: biri PDF, biri Excel, biri mail gövdesinde. Birim, vade, teslim süresi ve navlun şartı farklı yazıldığı için karşılaştırma tablosu elle kurulur.
Sipariş verildikten sonra iş bitmez. Fatura gelir, sipariş ve irsaliyeyle karşılaştırılır; fiyat ya da miktar tutmuyorsa yazışma başlar. Yıl sonunda yönetim "hangi kategoride ne kadar harcadık, kaç tedarikçiye dağıldık?" diye sorduğunda, ERP'deki serbest metin kalem açıklamaları yüzünden cevap günler sürer.
Bu işlerin ortak noktası, kuralı belli ama verisi dağınık olmalarıdır. Yapay zekanın satın almada en hızlı değer ürettiği yer de tam burasıdır: stratejik karar değil, kararın önündeki ayıklama ve kontrol.
Satın almada yapay zeka neden gündemde?
Satın alma, yapay zeka yatırımlarında çoğu zaman ikinci planda kalsa da değer tarafında ölçülebilir bir payı var. BCG'nin 2024 tarihli "Where's the Value in AI?" araştırmasının basın bülteninde destek fonksiyonlarının yapay zeka değerinin %38'ini ürettiği, bu payın başını müşteri hizmetleri (%12), BT (%7) ve satın almanın (%7) çektiği belirtiliyor.
Maliyet tarafında da tedarik zinciri öne çıkıyor. Stanford HAI AI Index 2025 raporuna göre (McKinsey verisi) yapay zekayı tedarik zinciri ve stok yönetiminde kullanan kuruluşlardaki katılımcıların %43'ü maliyet tasarrufu bildirdi; ancak bunların çoğunda tasarruf %10'un altında kaldı. Yani kazanç gerçek ama mucize değil; doğru süreci seçmek belirleyici.
Beklemenin bir de risk tarafı var. Satın alma ve muhasebe, sahte fatura mailleri ve "hesabımız değişti" mesajlarının doğrudan hedefi:
FBI'ın İnternet Suçları Şikâyet Merkezi'ne göre ABD'de 2025'te iş e-postası ele geçirme (BEC) kaynaklı 24.768 şikâyette toplam 3,05 milyar dolar kayıp bildirildi. (FBI IC3 2025 Internet Crime Report)
Acele de pahalıya patlar. Gartner'ın 29 Temmuz 2024 tarihli basın bülteni, üretken yapay zeka projelerinin en az %30'unun kötü veri kalitesi, yetersiz risk kontrolü, artan maliyet ya da belirsiz iş değeri yüzünden kavram kanıtlamadan sonra terk edileceğini öngörmüştü. Satın almada bunun karşılığı, kalem kodları düzensiz bir ERP'nin üzerine model kurmaktır.
Satın almada yapay zekanın 7 kullanım alanı
Aşağıdaki alanlar, bir satın alma sürecinin talepten ödemeye akışına göre sıralandı. Her biri tek başına pilot olabilecek büyüklükte.
- Harcama sınıflandırma ve analizi. Model, "M8 civata galv." ve "cıvata M8 galvaniz" gibi serbest metin kalemleri aynı kategoriye toplar. Böylece kategori bazında harcama, tedarikçi sayısı ve fiyat dağılımı ilk kez güvenilir biçimde görülür.
- Talebe dayalı satın alma önerisi. Satış ve tüketim geçmişinden gelecek ihtiyacı tahmin eden modeller, yapay zeka ile talep tahmini ve MRP ile malzeme ihtiyaç planlaması üzerine kurulur; sipariş zamanını ve miktarını öneri olarak sunar.
- Teklif okuma ve karşılaştırma. Farklı biçimlerde gelen teklifler aynı alanlara (birim fiyat, para birimi, vade, teslim, navlun, opsiyon süresi) dökülür. Şartnameden sapan ya da eksik bırakılan kalemler ayrıca işaretlenir.
- Sözleşme ve şartname incelemesi. Tedarik sözleşmesinde sorumluluk sınırı, fiyat artış maddesi ve fesih süresi şirket standardıyla karşılaştırılır. Bunun ayrıntısını yapay zeka ile sözleşme analizi yazımızda anlattık.
- Fatura–sipariş–irsaliye eşleştirme. e-Fatura yapısal veri olarak gelir; PDF, kâğıt ya da yurt dışı faturalar ise önce OCR ile fatura okuma adımından geçer. Ardından üçlü eşleştirme yapılır ve yalnızca tutmayan satırlar insana düşer; ödeme ve kapanış tarafı muhasebe ve finansta yapay zeka yazısında.
- Sapma ve mükerrer ödeme tespiti. Aynı tutarın iki kez faturalanması, bir kalemin geçmiş fiyatından belirgin sapması ya da olağan dışı sipariş bölme davranışı anomali tespiti yöntemleriyle yakalanır.
- Tedarikçi yazışması ve risk izleme. Tedarikçi mailleri konu ve önceliğe göre ayrılır, uzun zincirler özetlenir. Banka hesabı değişikliği gibi riskli talepler ayrıca işaretlenir; bu saldırının nasıl kurulduğunu IBAN değişikliği maili dolandırıcılığı yazısında ele aldık.
Kamuya açık bir örnek olarak, Hepsiburada'nın SEC'e sunduğu 2025 yıllık raporuna (Form 20-F) göre şirket, sezona ve rekabete göre yaptığı stratejik alımlarda kendi ekiplerinin yanında makine öğrenmesi tabanlı tedarik modellerini kullanıyor. Şirket bu kullanımın rakamsal sonucunu açıklamadı; örnek, ölçeğin değil kullanım biçiminin göstergesi.
Hangi satın alma işinde hangi yaklaşım?
Her satın alma işi büyük dil modeli gerektirmez. Aşağıdaki tablo, işin türüne göre hangi tekniğin uygun olduğunu ve insanın nerede kalması gerektiğini özetliyor.
| Satın alma işi | Uygun yaklaşım | Gereken veri | İnsanın rolü |
|---|---|---|---|
| Harcama sınıflandırma | Metin sınıflandırma modeli | ERP kalem açıklamaları, kategori ağacı | Kategori ağacını belirler, düşük güvenli kalemleri onaylar |
| Talep ve sipariş önerisi | Zaman serisi / makine öğrenmesi | Tüketim, satış, tedarik süresi geçmişi | Öneriyi kabul eder ya da düzeltir |
| Teklif karşılaştırma | Belge okuma + büyük dil modeli | Teklif dosyaları, şartname | Ağırlıkları ve kazananı belirler |
| Sözleşme inceleme | Büyük dil modeli + oyun kitabı | Şirket standart maddeleri | Riskli maddeyi müzakere eder |
| Fatura eşleştirme | OCR + kural motoru | Sipariş, irsaliye, fatura | Tutmayan satırı çözer |
| Sapma / mükerrer ödeme | Anomali tespiti | Ödeme ve fiyat geçmişi | Uyarıyı inceler, gerekirse durdurur |
| Tedarikçi maili | Sınıflandırma + özet | Ortak posta kutusu | Yanıtı yazar, riskli talebi ayrı kanaldan teyit eder |
Tablonun son sütunu önemli: büyük dil modelleri bir teklifteki rakamı yanlış okuyabilir ya da olmayan bir maddeyi varmış gibi özetleyebilir. Bu riski azaltmanın yollarını yapay zeka halüsinasyonu yazısında anlattık. Satın almada kural basittir: tutar, IBAN ve sözleşme maddesi, kaynak belgeyle karşılaştırılmadan kesinleşmez.
Satın almada yapay zeka pilotu nasıl kurulur?
Pilot için en uygun iş, hacmi yüksek, sonucu ölçülebilir ve hatası geri alınabilir olandır. Harcama sınıflandırma ve fatura eşleştirme bu yüzden sık seçilir; stratejik tedarikçi seçimi ise ilk pilot için uygun değildir.
Önce bugünkü durumu ölçün: bir teklif karşılaştırma tablosu kaç saatte hazırlanıyor, faturaların yüzde kaçı elle düzeltiliyor, sınıflandırılamayan harcama payı ne? Bu başlangıç değerleri olmadan pilotun başarısı tartışma konusu olur. Getiriyi nasıl hesaplayacağınızı yapay zeka projesi ROI yazımızda adım adım anlattık.
Genel çerçeve ve hangi departmandan başlanacağı sorusu için şirketlerde yapay zeka nereden başlamalı rehberine bakabilirsiniz. Tedarikçilerle veri paylaşımı söz konusuysa tedarikçi bilgi güvenliği değerlendirmesi de pilot planına girmeli.
Digital Bridge'de satın alma yapay zekasını nasıl kuruyoruz?
Hazır paket satmıyoruz; işe ihtiyaç analiziyle başlıyoruz. Satın alma ekibinizle birlikte talepten ödemeye akışı çıkarıyor, zamanın en çok gittiği iki üç adımı ve bunların verisinin nerede durduğunu belirliyoruz. Sonunda kapsamı, aşamaları ve bedeli yazan bir teklif veriyoruz.
Pilotu tek bir işe odaklıyoruz. Teklif ya da fatura belgeleri söz konusuysa doküman OCR ve belge okuma katmanını kuruyor, doğruluğu sizin gerçek belgelerinizle ölçüyoruz. Fiyat sapması ve mükerrer ödeme için anomali tespiti hizmetimizle geçmiş ödeme verisini tarıyor, uyarı eşiğini ekiple birlikte ayarlıyoruz.
Sonuç, satın almacının zaten çalıştığı ekranda görünmeli. Bu yüzden modeli kullandığınız ERP sistemine bağlıyor, öneriyi sipariş ekranına taşıyoruz. Sipariş önerisi hedefleniyorsa talep tahmini analitiği aynı projede ele alınıyor; tüm bu bağlantıları yapay zeka entegrasyonu çatısı altında yürütüyoruz.
Smart360 ile satın alma yazışmasında yapay zeka
Satın almanın önemli bir bölümü e-postada ve dosyalarda döner. Kendi geliştirdiğimiz Smart360 ailesi, özel bir proje beklemeden bu kısmı üstlenir.
Teklif ve fatura mailleri kendiliğinden ayrılır. SmartMail gelen mesajları iletişim, fatura/ödeme, teklif/ihale, resmî yazışma, promosyon ve güncelleme olarak sınıflandırır. Fatura PDF'inden taraflar, düzenlenme ve vade tarihi, ara toplam, KDV, genel toplam, belge no ve vergi no dosya indirilmeden çıkarılır. Yurt dışı tedarikçinin mesajı 30 dile çeviri desteğiyle okunur, uzun yazışma zinciri özetlenir.
Teklifler tek klasörde sorgulanır. Teklif eki tek tıkla SmartFiles'taki proje klasörüne kaydedilir. Yüklenen her belge için kimse istemeden Özet, Ana Noktalar, Yapı ve Dikkat Çeken Detaylar bölümlerinden oluşan bir rapor üretilir; satın almacı "Hangi teklifte navlun dahil değil?" sorusunu klasörün tamamına sorabilir.
Riskli talep ve giden sipariş kontrol altında. SmartMail her gelen maili 12 sinyalle değerlendirir; benzer alan adı, görünen ad taklidi ya da Reply-To uyuşmazlığı gibi bulgular gerekçesi yazılı bir raporla gösterilir. Tedarikçiye gidecek sipariş ya da revizyon maili, gönderim onayı başlatılarak göndermeden önce yöneticinin onayına sunulabilir; her adım tarih-saatle kaydedilir.
Sonraki adım
Son üç ayda gelen teklif ve faturalardan bir örnek seçin; her birinin kaç dakikada işlendiğini ve kaçında düzeltme gerektiğini not edin. Ardından bizimle iletişime geçin: ilk pilot için en uygun satın alma işini birlikte belirleyelim. Diğer departmanlardaki örnekler için yapay zeka ile yapılabilecek 30 iş listesine ve Yapay Zeka konu sayfamıza göz atabilirsiniz.