Yapay zeka projesi teklifi değerlendirmek, gelen teklifleri demo etkisine ya da toplam bedele göre değil; hedeflenen iş adımını, veri hazırlığını, ölçülebilir doğruluk ölçütünü, pilot ve kabul koşullarını, entegrasyonu, model ile veri sahipliğini ve canlı sonrası bakımı aynı tabloda karşılaştırmaktır. İyi teklif, "ne kadar akıllı" sorusuna değil "neyi, hangi başarı eşiğiyle, kimin verisiyle yapacak" sorusuna yanıt verir.
Masadaki yapay zeka teklifleri neden birbirine benzemiyor?
Bir süreç için üç firmadan teklif istediniz diyelim: fatura verisini otomatik okumak ya da müşteri sorularını yanıtlamak. Biri hazır bir dil modeline bağlanan birkaç haftalık bir iş öneriyor, biri sizin verinizle model eğitmeyi, üçüncüsü ise "platform lisansı + danışmanlık günü" satıyor. Üçünün de sunumu etkileyici, ama kapsamları, varsayımları ve riskleri tamamen farklı.
ERP ya da web yazılımı tekliflerinde en azından fonksiyon listesi karşılaştırılabilir. Yapay zekada ise ürün olasılıksaldır: model bazen yanılır, başarısı verinize bağlıdır ve bu, teklifin en kritik kısmının çoğu zaman yazılmadan kaldığı anlamına gelir. ERP teklifi değerlendirme rehberimizdeki ağırlıklı puanlama mantığı burada da işe yarar, ancak sorulacak sorular değişir.
Bu yazı teklif masasındaki kararı anlatıyor. Projenin getirisini nasıl hesaplayacağınızı yapay zeka yatırım getirisi yazımızda, hangi işle başlayacağınızı ise şirketlerde yapay zeka kullanımına başlama rehberimizde ele aldık.
Yanlış teklifi seçmenin maliyeti
Değer üretemeyen yapay zeka projelerinde sorun çoğu zaman teknolojide değil, baştan neyin başarı sayılacağının tanımlanmamasındadır; bu da doğrudan teklif aşamasının konusudur. Somut değer elde edemeyen şirketlerin ne kadar yaygın olduğu ise şöyle:
BCG'nin 59 ülkede 1.000 yöneticiyle yaptığı 2024 araştırmasında ankete katılan şirketlerin %74'ü yapay zekadan henüz somut değer elde edememişti; ileri düzey yetkinliğe sahip olanların oranı yalnızca %4'tü. (BCG — Where's the Value in AI?)
Türkiye'de alıcı tarafın en büyük zorluğu teklifi okuyabilecek uzmanlık. TÜİK Yapay Zeka İstatistikleri 2025 bültenine göre yapay zekayı kullanmayı düşünüp kullanmayan girişimlerin %74,2'si uzmanlık eksikliğini, %67,4'ü yüksek maliyeti gerekçe gösterdi. Uzmanlık yoksa teklif, tedarikçinin anlattığı kadarıyla değerlendirilir; maliyet endişesi de en düşük bedeli cazip kılar.
Verinin durumu ise tekliflerde en sık atlanan kalemdir. Drexel Üniversitesi ile veri yönetimi yazılımı satan Precisely'nin 565 veri ve analitik uzmanıyla yaptığı 2025 Outlook: Data Integrity Trends and Insights araştırmasında yapay zeka girişimlerini engelleyen en büyük veri sorunu %62 ile veri yönetişimi eksikliği çıktı; verisini yapay zekaya hazır gören katılımcıların oranı ise yalnızca %12'de kaldı. Veri hazırlığını kapsam dışı bırakan teklif, bu işi size ya da ek faturaya bırakır.
Güvenlik tarafı da teklifin parçası olmalıdır. IBM'in 2025 Cost of a Data Breach bülteninde kuruluşların %13'ü yapay zeka modeli ya da uygulamasında ihlal yaşadığını bildirdi; bunların %97'sinde uygun yapay zeka erişim kontrolleri yoktu. Erişim yetkilerini, kayıt tutmayı ve veri akışını anlatmayan bir teklif, bu riski sessizce size devreder.
Bir yapay zeka projesi teklifinde bulunması gereken 8 bölüm
Değerlendirmeye başlamadan önce her teklifin aşağıdaki bölümleri içerip içermediğine bakın. Eksik bölüm, sonradan ek iş, gecikme ya da anlaşmazlık olarak geri döner.
- Hedef iş adımı ve bugünkü ölçüm. Hangi adım otomatikleşecek, bugün ayda kaç adet, adet başına ne kadar sürede ve hangi hata oranıyla yapılıyor? Bu tanım olmadan başarı ölçülemez.
- Yaklaşım ve gerekçesi. Hazır model, kurum belgelerine dayalı RAG, ince ayar ya da sıfırdan eğitim: hangisi seçildi ve neden? Farkları firmaya özel yapay zeka modeli yazımızda anlattık.
- Veri gereksinimi ve hazırlık işi. Kaç kayıt, hangi alanlar, kim etiketleyecek, temizlik kimin sorumluluğunda? Etiketleme emeğini veri etiketleme rehberimizde ayrıntılı ele aldık.
- Ölçülebilir başarı ölçütü. Doğruluk, isabet ya da hata oranı; hangi test setinde, hangi eşikle kabul edileceği yazılı olmalı.
- Pilot ve karar noktası. Pilotun süresi, kapsamı ve sonunda "devam / düzelt / durdur" kararının hangi rakama bakılarak verileceği.
- Entegrasyon. Model hangi sisteme, hangi arayüzle bağlanacak; belirsiz çıktı hangi ekranda kime onaya düşecek?
- Güvenlik, KVKK ve veri konumu. Veri kurum dışına çıkıyor mu, hangi ülkede işleniyor, erişim kimde, kayıtlar ne kadar saklanıyor? AB pazarına ürün ya da hizmet sunuyorsanız sistemin AB Yapay Zeka Yasası kapsamındaki risk sınıfı da sorulmalıdır.
- Sahiplik, bakım ve çıkış. Eğitilmiş model, kod, istem (prompt) ve etiketli veri kimin? Model performansı düşerse kim, hangi koşulla yeniden eğitir; sözleşme biterse ne teslim edilir?
Yapay zeka projesi teklifi değerlendirme tablosu
Bölümlerin varlığı yetmez; içerikleri karşılaştırılmalıdır. Aşağıdaki tabloyu her teklif için doldurun, ağırlıkları projenize göre ayarlayın ve her kritere 1–5 arası puan verin.
| Kriter | Teklifte ne aranır? | Kırmızı bayrak | Önerilen ağırlık |
|---|---|---|---|
| İş hedefi | Tek, ölçülebilir iş adımı ve bugünkü değer | "Süreçlerinizi yapay zekayla dönüştürüyoruz" gibi genel ifade | Yüksek |
| Veri hazırlığı | Kayıt sayısı, etiketleme ve temizlik iş kalemleri | Veri işi hiç yazılmamış ya da "müşteri sağlar" diye geçilmiş | Yüksek |
| Başarı ölçütü | Sizin verinizden ayrılmış test setinde eşik | Yalnızca genel "yüksek doğruluk" vaadi | Yüksek |
| Pilot | Kısa süre, dar kapsam, yazılı karar ölçütü | Pilotsuz doğrudan tam kapsam ya da ucu açık pilot | Orta-Yüksek |
| Entegrasyon | Hedef sistem, arayüz, insan onayı akışı | Ayrı bir ekran; personel çift iş yapar | Orta |
| Güvenlik ve KVKK | Veri konumu, erişim yetkisi, kayıt tutma | Veri akışının şeması yok | Yüksek |
| Sahiplik ve çıkış | Model, kod, istem ve verinin devri | Model yalnızca tedarikçinin platformunda yaşıyor | Orta-Yüksek |
| Bakım | Performans izleme ve yeniden eğitim koşulu | "Model kendini öğrenir" ifadesi, izleme yok | Orta |
Puanları ağırlıkla çarpıp toplayın; bedeli ayrı bir sütunda tutun. Böylece en düşük bedelin, eksik bıraktığı kalemler yüzünden aslında en pahalı teklif olup olmadığı görünür hale gelir.
Demo değil, sizin verinizle kanıt
Yapay zeka demosu neredeyse her zaman iyi görünür; çünkü tedarikçinin seçtiği örneklerle yapılır. Karar öncesinde her tedarikçiden, sizin gerçek verinizden alınmış ve onlarla önceden paylaşılmamış küçük bir örnek set üzerinde sonuç isteyin. Aynı seti tüm tedarikçilere verirseniz sonuçlar doğrudan karşılaştırılabilir olur.
Üretken yapay zekada bu test daha da önemlidir. Stanford AI Index 2026 raporunun aktardığı Vectara testinde en iyi 15 model bile belge özetlerine, oranı %1,8 ile %5,4 arasında değişen ölçüde kaynakta olmayan bilgi ekledi. Teklifte bu hataların nasıl yakalanacağı yazmıyorsa, yapay zeka halüsinasyonu yazımızdaki kontrol yöntemlerini tedarikçiye sorun.
Bir de şu soruyu sorun: bu işin gerçekten yapay zekaya ihtiyacı var mı? Kuralları belli, girdisi düzenli bir iş için kural tabanlı otomasyon daha ucuz ve daha öngörülebilir olabilir; karar ölçütlerini yapay zeka mı kural tabanlı otomasyon mu yazımızda anlattık. Bunu kendiliğinden söyleyen tedarikçi, genellikle güvenilir bir işarettir.
Sözleşmeye taşınması gereken maddeler
Teklifteki kabul eşiği, pilot karar ölçütü ve teslim edilecekler listesi sözleşmeye aynen girmelidir. Kodun, eğitilmiş modelin ve etiketli verinin kime ait olacağını yazılım sözleşmesi ve kaynak kodu rehberimizdeki maddelerle netleştirin.
Kişisel veri işleniyorsa tedarikçi çoğu durumda veri işleyen konumundadır; KVKK'ya göre onun güvenlik tedbirlerinden onunla birlikte siz de sorumlu olursunuz. Bu nedenle amaç, güvenlik tedbirleri ve iş bitiminde verinin akıbeti yazılı bir veri işleyen sözleşmesiyle belirlenmeli; veri yurt dışındaki bir modele gidiyorsa aktarım koşulları ayrıca değerlendirilmelidir. Ayrıntılar yapay zeka ve KVKK yazımızda; somut durumunuz için hukuk danışmanınızın görüşünü almanızı öneririz.
Tedarikçinin kendi güvenlik uygulamalarını sorgulamak için tedarikçi güvenlik değerlendirmesi çerçevesini kullanabilirsiniz; teklifte erişim yetkileri, kayıt tutma ve alt yüklenicilerin yazılı olarak yer alıp almadığına bakın.
Verinizin bugünkü durumu belirsizse, sözleşmeden önce kısa bir veri incelemesi isteyin. Hangi alanın kimin sorumluluğunda olduğunu belirleyen veri yönetişimi temeli, yapay zeka projesinin en az modeli kadar belirleyici parçasıdır.
Digital Bridge'de bu işi nasıl yapıyoruz?
Bize bir yapay zeka projesi için teklif sorulduğunda ya da elinizdeki teklifleri birlikte okumamız istendiğinde aynı sırayı izliyoruz:
- Önce iş adımı ve ölçüm. Danışmanlık kapsamında hedef iş adımını, bugünkü adet, süre ve hata oranını sizinle birlikte kaydediyoruz. Teklifteki her kalem bu ölçüme bağlanır.
- Doğru yaklaşımı seçmek. Tek bir iş adımını mevcut yazılıma bağlayan yapay zeka entegrasyonu, kurum belgelerine dayanan kurumsal LLM asistan ya da kendi verinizle firmaya özel yapay zeka eğitimi: hangisinin gerektiğini gerekçesiyle yazıyoruz. Yapay zeka gerekmiyorsa bunu açıkça söylüyoruz.
- Yazılı kabul eşiğiyle pilot. Canlıya almadan önce kabul edilecek doğruluk eşiğini sizinle birlikte belirliyor, pilotu sizin verinizle yürütüyor ve karar ölçütünü baştan yazıyoruz.
- Entegrasyon ve insan onayı. Modeli ERP, CRM ya da firmaya özel yazılımınıza sistem entegrasyonu ile bağlıyor, emin olunamayan kayıtları personelin alıştığı ekranda onaya düşürüyoruz.
- Yazılı teklif. Hazır paket satmıyoruz; ihtiyaç analizinin ardından kapsamı, aşamaları ve bedeli içeren yazılı bir teklif hazırlıyoruz. Bu teklifi yukarıdaki tabloyla kendi teklifinizmiş gibi puanlayabilirsiniz.
Sonraki adım
Elinizde bir ya da birden çok yapay zeka teklifi varsa, yukarıdaki sekiz bölümü ve değerlendirme tablosunu her biri için doldurun; boş kalan hücreler, tedarikçiye soracağınız soruların listesidir. Ardından iletişim sayfamızdan bize ulaşın; hedef iş adımını, başarı ölçütünü ve pilot kapsamını birlikte netleştirelim. Diğer kullanım alanları ve rehberler için Yapay Zeka konu sayfamıza göz atabilirsiniz.