Üretim planlamada yapay zeka, çizelgenin dayandığı çevrim süresi, ayar süresi, fire ve gecikme riski gibi girdileri geçmiş üretim verisinden öğrenen ve planlamacıya gerekçeli öneriler sunan katmandır. Planı yine APS ve planlamacı kurar; yapay zeka varsayımları gerçeğe yaklaştırır ve risk altındaki siparişleri önceden gösterir.
Planlama yazılımı var, plan yine de tutmuyor
Birçok fabrika Excel'den bir APS'ye ya da ERP'nin planlama modülüne geçti. Sonlu kapasiteye göre çizelgelemenin mantığını üretim planlama ve APS rehberimizde anlattık; bu yazının konusu, o sistemin üzerine yapay zekanın ne eklediği. Çünkü matematiksel olarak kusursuz bir çizelge, yanlış sayılarla beslendiğinde yanlış termin üretir.
Sorunun ilk kaynağı sabit sürelerdir. Rota kartında bir operasyonun çevrim süresi dört dakika yazar; gerçekte süre ürün varyantına, operatöre, hammadde partisine ve kalıbın durumuna göre değişir. Ayar süreleri de çoğu zaman yıllar önce bir kez ölçülmüş, sonra hiç güncellenmemiştir.
İkinci kaynak risktir. Plan bugünkü durumu bilir ama olasılığı bilmez: belirli bir tedarikçinin sık geciktiğini, belirli bir ürünün ilk partisinde fire oranının yükseldiğini, cuma gece vardiyasında hattın daha yavaş çalıştığını planlamacı tecrübesinden bilir, sistem bilmez. Bu bilgi kişiyle birlikte izne çıkar.
Üçüncüsü açıklamadır. Satış "bu sipariş neden iki gün kaydı?" diye sorduğunda cevap, Gantt şemasında onlarca çubuğu tek tek izleyerek bulunur. Planlamanın katı kısıtları (bir makinede aynı anda tek iş, malzeme gelmeden başlamama) kural olarak kalmalıdır; yapay zekanın yeri belirsiz tahminlerdir. Bu ayrımı yapay zeka mı kural tabanlı otomasyon mu yazımızda ayrıntılı ele aldık.
Beklentiyi doğru kurmak: veriler ne söylüyor?
Türkiye'de üretim, yapay zekanın en sık kullanıldığı alanlardan biri. TÜİK Yapay Zeka İstatistikleri 2025 bültenine göre yapay zeka kullanan girişimlerin %41,1'i onu üretim veya hizmet süreçlerinde kullandı; ancak 10 ve üzeri çalışanı olan girişimlerin yalnızca %7,5'i herhangi bir yapay zeka teknolojisi kullanıyor. Yani alan açık, ama deneyim hâlâ az. Planlama dışındaki imalat örneklerini imalat sanayinde yapay zeka örnekleri yazımızda topladık.
Kazancın büyüklüğü konusunda gerçekçi olmak gerekir. Stanford HAI AI Index 2025 raporunun aktardığı McKinsey verisine göre tedarik zinciri ve stok yönetiminde yapay zeka kullanan şirketlerin %43'ü maliyet tasarrufu bildirdi; ancak çoğunda tasarruf %10'un altında kaldı. Planlamada yapay zeka mucize değil, doğru seçilmiş bir kararda birikerek büyüyen bir iyileşmedir.
Şirketin açıkladığına göre gıda üreticisi StarKist, tablolara dayalı talep, üretim ve finansal planlamasını makine öğrenmesi algoritmalarıyla entegre bir planlama platformuna taşıdı ve planlama döngüsünü 16 saatten bir saatin altına indirdi (%94 azalma). (Microsoft Customer Stories: StarKist cuts planning time by 94%)
Bu vakada kazancın ne kadarının makine öğrenmesinden, ne kadarının tablolardan tek platforma geçişten geldiği ayrıştırılmamış; bu yüzden onu "planlama otomasyonu ve makine öğrenmesinin birlikte getirdiği sonuç" olarak okumak doğru olur. Başarısızlık riski de gerçektir. Üretken yapay zeka için yapılmış bir öngörü olsa da nedenleri planlamaya birebir uyar: Gartner'ın 29 Temmuz 2024 tarihli bülteni, 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 öngördü. Planlamada bu risklerin başında ana veri gelir.
Üretim planlamada yapay zekanın katkı sağladığı 7 alan
Aşağıdaki tablo, planlamanın her sorusunda klasik yaklaşımın ne yaptığını ve yapay zekanın neyi değiştirdiğini gösteriyor. Hepsini aynı anda kurmak gerekmez; çoğu fabrika için ilk iki satır en hızlı karşılığı verir.
| Planlama sorusu | Klasik yaklaşım | Yapay zekanın katkısı | Gereken veri |
|---|---|---|---|
| Bu iş ne kadar sürer? | Rota kartındaki sabit çevrim süresi | Ürün, makine, operatör ve malzeme partisine göre gerçekleşen süreyi tahmin eder | MES başladı-bitti kayıtları |
| Ayar ne kadar sürer? | Sabit ayar süresi ya da tek bir ortalama | Önceki ve sonraki ürün çiftine göre ayar süresini öğrenir | Kalıp/ürün değişim kayıtları |
| Hangi sipariş gecikecek? | Plan kaydıktan sonra fark edilir | Her açık siparişin gecikme olasılığını ve olası nedenini önceden gösterir | Sipariş, tedarik ve geçmiş gecikme kayıtları |
| Ne kadar talep gelecek? | Satışın bildirdiği rakam | Geçmiş satış ve dış etkenlerden tahmin üretir | Satış geçmişi, kampanya takvimi |
| Kaç adet başlatmalı? | Sabit fire yüzdesi | Ürün ve hat bazında beklenen fireyi tahmin eder, başlatma miktarını düzeltir | Kalite ve fire kayıtları |
| Aksaklıkta ne yapmalı? | Planlamacı elle yeniden dizer | Alternatif senaryoları termin, ayar ve maliyet hedeflerine göre puanlayıp önerir | Planlama kuralları ve hedefler |
| Plan neden böyle? | Gantt şemasında elle arama | Doğal dille soruya plan verisinden gerekçeli cevap verir | Plan, ERP verisi ve yetki tanımı |
Talep tarafını ayrı bir yazıda ele aldık: yapay zeka ile talep tahmini, stok ve sipariş önerisine odaklanıyor. Burada tahmin, planın girdisidir; planlamada yapay zekanın asıl farkı üretimin kendi davranışını öğrenmesidir.
Sıralama ve çizelgelemede kullanılan optimizasyon yöntemleri (kısıt programlama, sezgisel arama algoritmaları) sık sık "yapay zeka" diye pazarlanır. Etiket önemli değildir; önemli olan, önerilen planın bugünkü plana göre ilk terminde teslim oranını ya da darboğazdaki ayar saatini ölçülebilir biçimde iyileştirmesidir. Planı makine davranışıyla birlikte sanal bir kopya üzerinde denemek isterseniz dijital ikiz yaklaşımı bir sonraki adımdır.
Doğal dille çalışan planlama asistanında tek kural şudur: asistan yalnızca plan ve ERP verisinden cevap üretmeli, cevabın dayandığı kaydı göstermelidir. Aksi hâlde model kendinden emin ama yanlış bir termin uydurabilir; bu riski azaltma yollarını yapay zeka halüsinasyonu yazımızda anlattık.
Bakım pencereleri de plana girer. Sensörlerden gelen arıza öncesi sinyalin nasıl üretildiğini kestirimci bakım rehberimizde anlattık; planlama açısından önemli olan, bu sinyalin plansız duruşu planlı bir bakım penceresine çevirmesi ve çizelgenin buna göre kurulmasıdır.
Üretim planlamada yapay zeka pilotu: 6 adım
- Tek bir karar ve tek darboğaz seçin. "Darboğaz presin ayar süresi tahmini" ya da "gelecek iki haftanın termin riski" gibi dar bir hedef belirleyin. Başlamadan önce ilk terminde teslim oranını ve planın gerçekleşenden sapmasını ölçün; bu, karşılaştırmanın temelidir. Darboğazı veriyle görmek için OEE hesaplama rehberimiz iyi bir başlangıçtır.
- Veriyi hazırlayın. Ürün ağaçları, rotalar ve ürün kodları tutarlı değilse model yanlış şeyi öğrenir; ana veri yönetimi bu adımın temelidir. PLC'si olmayan tezgâhlarda başladı-bitti ve duruş kaydı terminalden elle girilebilir.
- Basit bir başlangıç çizgisi kurun. Rota kartındaki süre ya da son üç ayın ortalaması ilk rakiptir. Model bu basit yöntemi geçemiyorsa daha karmaşık bir yönteme değil, veriye geri dönün.
- Geriye dönük test yapın. Son dönemin planlarını modelin tahminleriyle yeniden hesaplayın ve gerçekleşen üretimle karşılaştırın. Hangi ürün gruplarında iyileşme olduğunu, hangilerinde olmadığını ayrı ayrı görün.
- Planlamacıyı döngüde tutun. Sistem öneri ve gerekçesini sunar, planlamacı kabul eder ya da düzeltir. Her düzeltme kaydedilir; bir sonraki dönemde modelin mi yoksa düzeltmenin mi daha isabetli olduğu ölçülür.
- Ölçün, sonra yayın. Pilotun sonunda başlangıçta ölçtüğünüz göstergelere dönün. Değeri parasal karşılığıyla hesaplama yöntemini yapay zeka projesi ROI yazımızda anlattık; olumlu sonuçta aynı yaklaşımı ikinci hatta taşıyın.
Pilotun gecikme riski tahmini çoğu zaman tedarik tarafına dayanır. Tedarikçi teslim performansını ve sipariş takibini yapay zekayla izlemeyi satın almada yapay zeka yazımızda ele aldık; iki çalışma aynı veriden beslenir.
Digital Bridge'de üretim planlamada yapay zekayı nasıl kuruyoruz?
Hazır paket satmıyoruz. İşe ihtiyaç analiziyle başlıyor, planlama sürecinizi ve verinizi yerinde inceliyor, sonunda kapsamı, aşamaları ve bedeli net bir yazılı teklif sunuyoruz. Tipik bir projenin adımları şöyle:
- Keşif ve veri envanteri. Planlamacının kafasındaki kuralları ve sezgileri belgeliyor, ERP ve sahadaki kayıtların hangi soruyu cevaplamaya yettiğini çıkarıyoruz. Yapay zekanın hangi kararda değer üreteceğini yapay zeka entegrasyonu hizmetimizin keşif adımında birlikte seçiyoruz.
- Sahadan veri. Gerçekleşen süreler olmadan süre tahmini olmaz. MES üretim yönetimi ile başladı-bitti, duruş ve fire kayıtlarını topluyor; PLC'si olmayan makinelerde endüstriyel veri toplama terminalleri kullanıyoruz.
- Pilot. Tek darboğaz ve tek kararla başlıyor, modeli bugünkü yönteminizle aynı dönemde yarıştırıyoruz. Sonucu sizinle birlikte değerlendiriyor, yaygınlaştırma kararını ölçülen farka göre veriyoruz.
- Entegrasyon. Tahminleri üretim planlama ve APS çizelgesine girdi olarak bağlıyoruz; stoka üretiyorsanız talep tahmini analitiği planın başına ekleniyor. Sipariş ve stok verisi ERP'nizden alınır; MES çözümümüz Logo, SAP, Mikro ve özel ERP'lerle entegre çalışır.
- Planlama asistanı. "Hangi siparişler bu hafta risk altında, neden?" sorusunu kendi verinize sorabilmeniz için kurumsal LLM asistanı kuruyor, cevapları yetki tanımına ve kaynak kayda bağlıyoruz.
- Bakım bağlantısı. Kritik makinelerde kestirimci bakım sinyalini plana taşıyoruz; bu tarafta da 1–3 kritik makineyle pilotla başlıyoruz.
Endüstri 4.0 projeleri için ücretsiz saha değerlendirmesi yapıyoruz. Genel çerçeveyi merak ediyorsanız şirketlerde yapay zekaya nereden başlanır yazımız ilk projenin nasıl seçileceğini anlatıyor; diğer başlıklar için yapay zeka yazılarımızın tamamına göz atabilirsiniz.
Sonraki adım
Son üç ayda siparişlerinizin ne kadarının ilk verilen termininde teslim edildiğini ve darboğaz makinenizde rota kartındaki süreyle gerçekleşen süre arasındaki farkı çıkarın. Bu iki rakam, yapay zekanın planınıza nerede katkı yapacağını gösterir. İletişim sayfamızdan bize ulaşın; planlama verinizi birlikte inceleyelim.