Yapay zeka ile raporlama, yöneticinin şirket verisine "Geçen ay Güney bölgesinde marj neden düştü?" gibi doğal dille soru sorması ve dönem raporlarının yorumunun otomatik yazılı özete dönüşmesidir. Doğru kurulumda dil modeli rakamı kendisi uydurmaz: onaylı veri setlerinden sorgu üretir, sonucu hesaplatır, kaynağını gösterir. Yönetici panelinin yerini almaz; ona konuşan bir katman ekler.
Yönetici panelde neyi göremiyor?
Birçok şirkette yönetici paneli artık vardır: ciro, marj, tahsilat, stok günleri tek ekrandadır. Sorun, panelin "ne oldu" sorusunu yanıtlayıp "neden oldu" ve "şimdi neye bakmalıyım" sorularını yanıtlamamasıdır. Yönetici bir sapma gördüğünde soruyu analiste ya da finans ekibine iletir; cevap iki gün sonra bir Excel dosyasıyla gelir, o sırada yeni sorular birikmiştir.
Aylık yönetim raporunun yorum kısmı da benzer bir darboğazdır. Birisi tabloları dışa aktarır, önceki ayla karşılaştırır ve "satışlar beklentinin altında kaldı, çünkü..." diye başlayan paragrafları elle yazar. Bu iş her ay aynı kişinin birkaç gününü alır ve yorumun kalitesi o kişinin o hafta ne kadar zamanı olduğuna bağlıdır.
Panelin nasıl tasarlanacağını yönetici paneli (BI dashboard) rehberimizde, iş birimlerinin raporu kendisinin üretmesini ise self servis raporlama yazısında anlattık. Bu yazının konusu bir sonraki katman: panelin üzerine doğal dille soru sorma ve otomatik özet eklemek, bunu da rakamların güvenilirliğini kaybetmeden yapmak.
Sorunu çözmemenin ve yanlış çözmenin maliyeti
Yöneticinin soruları analist kuyruğunda beklerken kararlar ya gecikir ya da sezgiyle alınır. Ancak asıl risk, bu boşluğu genel amaçlı bir sohbet aracıyla doldurmaya çalışmaktır. Dil modelleri akıcı ve ikna edici yanıt üretir; yanıtın yanlış olduğunu fark etmek ise okurun işidir.
Harvard Business School araştırmacılarının BCG danışmanlarıyla yaptığı deneyde, yapay zekanın yetenek sınırı dışında seçilen bir görevde yapay zeka kullanan danışmanların doğru sonuca ulaşma olasılığı, kullanmayanlara göre 19 yüzde puan daha düşük çıktı; kontrol grubu yaklaşık %84,5 oranında doğru sonuca ulaşırken yapay zeka grupları %60 ve %70'te kaldı. (Dell'Acqua vd., HBS Working Paper 24-013)
Otomatik özetler de bu riskten muaf değildir. Stanford HAI AI Index 2026 raporuna göre Vectara'nın belge özetleme testinde en iyi 15 model bile özetlere %1,8 ile %5,4 arasında oranla kaynakta olmayan bilgi ekledi. Bu oran, en iyi modellerde bile kabaca her yirmi özetten birinde kaynakta olmayan bir bilgi çıkabileceği anlamına gelir; yönetim raporunda tek bir uydurma cümle bütün raporu şüpheli hâle getirmeye yeter. Aynı kontrol ihtiyacı yönetim toplantısının tutanağında da vardır; yapay zeka ile toplantı özeti yazısında bunu ele aldık.
Başarısızlığın nedeni çoğu zaman modelin kendisi değil, onun üzerine oturduğu veri ve yönetişim temelidir. Gartner, üretken yapay zeka projelerinin en az %30'unun kötü veri kalitesi, yetersiz risk kontrolleri, artan maliyetler ya da belirsiz iş değeri nedeniyle 2025 sonuna kadar kavram kanıtlama aşamasından sonra terk edileceğini öngörmüştü (Gartner basın bülteni, 29 Temmuz 2024). IBM CEO Study 2025 bültenine göre de CEO'ların %50'si hızlı yatırımların kurumlarında birbirinden kopuk, parça parça teknoloji bıraktığını kabul ediyor.
Doğru sıralama kamuya açık vakalarda da görülüyor. Microsoft'un yayımladığı müşteri hikâyesine göre Sabancı Holding önce grup şirketlerinin verisini tek platformda topladı, analizi hızlandıracak yapay zeka asistanını bundan sonra devreye aldı. Enerjisa Üretim ise şirketin açıkladığına göre eskiden üç kişinin iki tam gününü alan 30 sayfalık bütçe sunumunu tek kişiyle %60 daha kısa sürede hazırlamayı hedefliyor; bu rakam ulaşılmış bir sonuç değil, açıklanmış bir hedef.
Yapay zeka ile raporlama nasıl çalışır?
Güvenilir bir kurulumda dil modelinin görevi hesap yapmak değil, çevirmenlik yapmaktır. Yöneticinin cümlesini tanımlı metriklere ve boyutlara çevirir, veri ambarında çalışacak sorguyu üretir, dönen sonucu okunur bir cevaba dönüştürür. Toplama, oran ve dönem karşılaştırması veritabanında yapılır; böylece aynı soru her seferinde aynı rakamı verir.
Bu çeviri, iş dilinin veriyle eşleştiği bir anlam katmanı olmadan çalışmaz. "Net satış", "aktif müşteri" ya da "vadesi geçmiş alacak" bir kez tanımlanır ve model yalnızca bu tanımları kullanır. Tanımların nasıl yazılacağını KPI nasıl belirlenir ve veri kataloğu ve veri sözlüğü yazılarında ele aldık.
Üç raporlama yaklaşımı yan yana şöyle görünür:
| Ölçüt | Klasik yönetici paneli | Self servis raporlama | Yapay zeka ile raporlama |
|---|---|---|---|
| Soruyu kim sorar? | Paneli tasarlayan, önceden | Aracı bilen iş kullanıcısı | Her yetkili yönetici, doğal dille |
| Yeni soruya yanıt süresi | Analist kuyruğu kadar | Kullanıcının araç becerisi kadar | Dakikalar, tanımlı metrik varsa |
| "Neden" açıklaması | Yok, yorum elle yazılır | Kullanıcı kırılımla arar | Kırılım önerisi ve yazılı özet |
| Başlıca risk | Esneklik eksikliği | Rakam karmaşası | Akıcı ama yanlış yanıt |
| Ön koşul | Temiz kaynak veri | Sertifikalı veri setleri | Sertifikalı setler + anlam katmanı + kaynak gösterimi |
Tabloda görüldüğü gibi yapay zeka katmanı öncekilerin yerini almaz, onların üzerine oturur. Sertifikalı veri seti ve tanımlı metrik yoksa doğal dille soru sormak yalnızca hatayı hızlandırır.
Yapay zeka ile raporlamayı kurmanın 7 adımı
- Soruları toplayın. Yönetimin son üç ayda analiste sorduğu soruları ve aylık rapordaki yorum paragraflarını derleyin. Bu liste hem kapsamı hem de başarı ölçütünü belirler.
- Metrikleri ve boyutları tanımlayın. Her metriğin formülü, kaynağı ve sahibi yazılı olsun. Aynı kavram için iki farklı hesap varsa önce hangisinin geçerli olduğuna karar verin.
- Veriyi tek kaynakta toplayın. Sorgular canlı ERP'ye değil, veri ambarı ve ETL düzenine gitmeli. Mükerrer cari ve farklı kodlanmış ürünler varsa veri kalitesi çalışması bu adımdan önce gelir.
- Hesabı modele bırakmayın. Model sorguyu üretir, rakamı veritabanı hesaplar. Otomatik özetteki her sayı, sorgu sonucuyla karşılaştırılarak doğrulanır; eşleşmeyen cümle yayımlanmaz.
- Her yanıtta kaynağı gösterin. Yanıtın altında hangi metriğin, hangi filtre ve dönemle kullanıldığı görünsün. Model soruyu tanımlı metriklere eşleyemiyorsa tahmin yürütmek yerine "bu soruyu yanıtlayamıyorum" demeli. Bu tasarımın mantığını yapay zeka halüsinasyonu yazısında ayrıntılı anlattık.
- Yetkiyi veri katmanında uygulayın. Bölge müdürü yalnızca kendi bölgesini, finans dışı yönetici yalnızca izinli metrikleri görsün. Kişisel veri içeren sorgular (personel, müşteri) için ayrı kural koyun; model kurum dışında çalışacaksa hangi verinin gönderildiğini netleştirin.
- Pilotu bir değerlendirme setiyle ölçün. Birinci adımdaki sorulardan beklenen cevabı bilinen 50 kadarını test seti yapın. Doğru yanıt oranını, "yanıtlayamıyorum" oranını ve kullanım sıklığını izleyin; kapsamı ancak bu oranlar oturunca genişletin.
Kişisel verinin yapay zeka sistemlerinde işlenmesine dair KVKK yükümlülüklerini yapay zeka ve KVKK rehberinde, genel sohbet araçlarına şirket verisi girmenin risklerini ChatGPT ve şirket verisi güvenliği yazısında bulabilirsiniz.
Pilot öncesi kontrol listesi
Aşağıdaki sorulardan birine "hayır" diyorsanız, doğal dil katmanından önce o eksiği kapatmak daha hızlı sonuç verir:
| Kontrol | Neden önemli? |
|---|---|
| Yönetim raporundaki ana metriklerin yazılı tanımı var mı? | Tanımsız metrikte model kendi yorumunu yapar. |
| Veri tek bir ambarda ya da onaylı setlerde mi? | Dağınık kaynakta aynı soru farklı rakam verir. |
| Kullanıcı yetkileri veri katmanında tanımlı mı? | Arayüzde gizlenen veri, soruyla açığa çıkabilir. |
| Beklenen cevabı bilinen bir test soruları listesi var mı? | Ölçülmeyen doğruluk, güven kaybıyla ölçülür. |
| Yanlış yanıt bildirimi için bir sahip belirlendi mi? | Hatalar düzeltilmezse kullanım hızla düşer. |
Başarının iş tarafında nasıl ölçüleceğini yapay zeka projesi ROI yazısında ele aldık.
Aynı yaklaşım finans ekibinin ay sonu yorumlarında ve satış ekibinin haftalık değerlendirmesinde de işe yarar; bu alanlara özgü kullanımlar için finans ekibinde yapay zeka ve satışta yapay zeka kullanımı yazılarına bakabilirsiniz.
Digital Bridge'de bu işi nasıl yapıyoruz?
Yapay zeka ile raporlama projelerine model seçimiyle değil, yönetimin sorularıyla başlıyoruz:
- Keşif ve ihtiyaç analizi. Yönetimle birlikte soru listesini ve aylık rapordaki yorum ihtiyacını çıkarıyor, mevcut paneli ve veri kaynaklarını inceliyoruz. Panel henüz yoksa önce BI dashboard ve yönetici paneli kurulumunu planlıyoruz.
- Veri temeli. ERP, CRM ve diğer kaynakları bir veri ambarında topluyor, metrik tanımlarını ve yetkileri veri yönetişimi ve kalite çalışmasıyla netleştiriyoruz.
- Doğal dil katmanı. Anlam katmanı üzerinde çalışan, her yanıtta kullandığı metriği ve filtreyi gösteren, yetkiye göre yanıt veren bir kurumsal LLM asistanı kuruyoruz. Verinin kurum dışına çıkmaması gereken yapılarda asistan açık kaynak modellerle kendi sunucunuzda çalışabilir.
- Otomatik özet ve entegrasyon. Haftalık ya da aylık yönetim özetini, rakamları sorgu sonuçlarıyla doğrulanmış biçimde üretiyor; yapay zeka entegrasyonu ile ekibin zaten kullandığı panele ya da iş akışına bağlıyoruz.
- Pilot ve ölçüm. Tek bir departman ve sınırlı bir soru setiyle başlıyor, değerlendirme setindeki doğruluk ve kullanım verisine göre kapsamı genişletiyoruz.
Hazır paket satmıyoruz; ihtiyaç analizinin ardından kapsamı, aşamaları ve bedeli içeren yazılı bir teklif hazırlıyoruz. 2013'ten bu yana Adana merkezli ekibimizle Türkiye'nin her iline uzaktan ve yerinde hizmet veriyoruz.
Sonraki adım
İlk iş, yönetiminizin son üç ayda sorduğu ama hemen cevap alamadığı soruları bir listeye dökmektir. Bu liste hangi metriklerin tanımlı olduğunu, hangi verinin eksik kaldığını ve bir pilotun nereden başlaması gerektiğini kendiliğinden gösterir. Genel çerçeve için şirketlerde yapay zekaya nereden başlanır yazımıza, belge tabanlı asistanların mimarisi için RAG nedir rehberine göz atabilirsiniz.
Listeniz hazırsa iletişim sayfamızdan bize ulaşın; sorularınızı ve veri kaynaklarınızı birlikte inceleyip küçük bir pilotun kapsamını çıkaralım. Diğer kullanım alanları için Yapay Zeka rehberimizin tamamına bakabilirsiniz.