Yapay Zekâ Hazırlık Denetimi — başlamadan önce 30 maddelik kontrol listesi

Bu liste teorik bir çerçeve değil. Her yeni yapay zekâ devreye alımından önce gözden geçirilecek otuz somut madde. 25 veya daha fazlasını net biçimde karşılıyorsanız projeyi başlatabilirsiniz. Daha azsa, geliştirme aşamasına geçmeden önce bir Yapay Zekâ Hazırlık aylık danışmanlığı (retainer) hazırlık aşaması öneriyoruz — aksi hâlde devreye alma yarım kalır ve yatırım getirisi 6-12 ay gecikir.

Maddeler altı başlık altında toplanmıştır: veri olgunluğu, model seçimi, entegrasyon yüzeyi, RBAC ve erişim, bütçe ve KPI çerçevesi, marka ve denetim. Her madde bir-iki cümleyle açıklanır: ne anlama geldiği ve nasıl karar verileceği.

Veri olgunluğu (1-6)

• 1. Yapılandırılmış veri kaynağı. Ana verilerin düzgün aktığı en az bir konsolide sisteminiz (ERP, CRM, faturalama) var mı, yoksa hâlâ dağınık tablolardan mı derliyorsunuz? İkincisiyse, yapay zekânın ilk işi kirli veriye dayanarak yanlış cevap vermek olur — önce verileri temizleyin.
• 2. Veri güncelliği. Yapay zekânın güncel ya da günlük yenilenen verilere ihtiyacı vardır. En son ürün açıklaması üç haftalık bir Excel dışa aktarımıysa, sohbet botu müşteriyi yanlış bilgilendirir. Beklenen, zamanlanmış senkronizasyondur (15 dakika - 1 saat).
• 3. Şema disiplini. Tablolarda tekil bir anahtar (ürün kimliği, müşteri kimliği, fatura numarası) var mı, yoksa herkes kendi "isme göre" geçici çözümüyle mi çalışıyor? Anahtarsız yapay zekâ temellendirmesi hataları biriktirir.
• 4. Geçmiş veri derinliği. Trendler, mevsimsellik ve lead puanlama için 12-24 aylık geçmiş veriniz olmalı. Üç ay çok azdır. Bu olmadan yapay zekâ ilk altı ayda yalnızca "şimdiki ana" dayanabilir.
• 5. Veri etiketleme. Kilit alanlar (ürün kategorisi, lead durumu, ödeme durumu) tutarlı etiketlerle mi işliyor, yoksa aynı şey için 14 farklı değer mi buluyorsunuz? Yapay zekâ bu çeşitliliği gürültü olarak algılar.
• 6. Kişisel veri sınırı. Hangi alanın kişisel veri olduğu (ad, e-posta, telefon, IP adresi), hangisinin olmadığı net olmalı. Yapay zekâ istemleri bunu bilinçli şekilde ele almalıdır — GDPR bağlamında bu bir seçenek değil, temel gerekliliktir.

Model seçimi (7-12)

• 7. Görev türü netleştirildi. Sınıflandırma, içerik üretimi, ajan eylemi veya sesli asistan — her biri farklı bir model ailesi gerektirir. Modeli seçmeden önce yapay zekânın ne yapacağını tek cümleyle anlatabilmelisiniz.
• 8. Gecikme hedefi. Gerçek zamanlı ses (medyan hedef 280 ms'nin altı), etkileşimli sohbet (1-2 saniye), toplu analiz (10 dakika) — her biri farklı bir model seviyesi gerektirir. Hedef, seçimi belirler.
• 9. Dil kapsamı. Küçük modellerin Macarca dil kalitesi büyük modellerin belirgin şekilde gerisinde. Ana kullanım dili Macarcaysa temel tercih büyük model seviyesidir.
• 10. Sağlayıcı stratejisi. Tek sağlayıcı (bağımlılık riski) mı, model karması (işletmeci esnekliği) mı? Nortinia Engine ikincisini uygular — farklı sağlayıcıların modelleri kiracı düzeyinde yönlendirmeyle değiştirilebilir.
• 11. Model düzeyinde maliyet tavanı. Token'lara aylık ne kadar harcayabileceğinizi bilmelisiniz. Buradan, pahalı modeli yalnızca premium müşteri akışında, daha ucuzunu ise toplu arka plan görevlerinde kullanacağınız netleşir.
• 12. Yedek strateji. Birincil model yavaşlar veya 5xx döndürürse B planı nedir? Sağlayıcı karması olmadan B planı yoktur — tek bir sağlayıcının kesintisi tüm yapay zekâ yüzeyini durdurur.

Entegrasyon yüzeyi (13-18)

• 13. MCP mi, REST mi kararı. Arka plandaki sistemler MCP uyumlu mu olacak, yoksa klasik REST araç izlemesi mi kuracağız? Nortinia Engine öncelikle MCP'ye dayanır ama her ikisini de destekler.
• 14. Araç kataloğu listelendi. Yapay zekânın ihtiyaç duyduğu 20-50 eylemi somut olarak sayabiliyor musunuz? Liste olmadan yapay zekâ sisteme ulaşamaz — sadece "sohbet eder".
• 15. Değişikliklerde önizleme ve onay. Her "yazma" aracı iki adımlıdır: önizleme (ne olacak) + kullanıcı onayı. Bu olmadan yapay zekâ "kendi adına" hareket eder — bu bir uyum riskidir.
• 16. Birleşik hata yönetimi. Araçlar ham yığın izleri değil, yapılandırılmış hatalar (kod, mesaj, yeniden deneme stratejisi) döndürür. Böylece yapay zekâ sorunu doğal dile çevirebilir.
• 17. İdempotans. Kritik değişiklik araçları (sipariş, iade, fatura) bir idempotans anahtarıyla korunur. Bir ağ yeniden denemesi mükerrer kayıt oluşturmamalıdır.
• 18. Araç içinde erişim sınırı. Bir araç yalnızca çağıran kullanıcının kiracısına ve rolüne bağlı verileri görür. Kiracılar arası bir istek, kazara bile olsa veri sızdırmamalıdır.

RBAC ve erişim (19-22)

• 19. Rol kataloğu netleştirildi. Kimin neyi yapabileceğini biliyorsunuz: super_admin, tenant_admin, sales, finance, logistics, support. 30 kişi 4 farklı rolü karışık kullanıyorsa, yapay zekâ rol haritası da bulanık olur.
• 20. Role göre araç seti. Yapay zekâ her kullanıcıya farklı bir araç seti sunar — satış kullanıcısı finans iadesine erişemez. Nortinia Engine bunu istemin dışında, bir rol filtresiyle yönetir.
• 21. Kullanıcı tarafında bilinçli sürtünme. Pahalı işlemlerde (büyük iade, kiracı genelinde fiyat değişikliği) ikinci bir kişinin onayı zorunludur. Bu bir engel değil, bir güvenlik ağıdır.
• 22. Anonim mi, kimliği doğrulanmış mı ilkesi. Yapay zekânın yalnızca giriş yapmış kullanıcılara mı, yoksa anonim kullanıcılara da mı yanıt vereceğine karar verirsiniz. Mağaza sohbeti anonimdir, yönetim paneli yapay zekâsı giriş gerektirir — ikisini karıştırmak yasaktır.

Bütçe ve KPI çerçevesi (23-27)

• 23. Kiracı düzeyinde aylık token bütçesi. Aylık somut bir forint tutarı. "Ne gelirse harcarız" yaklaşımı bir anti-desen doğurur.
• 24. KPI öncelikli hedefler. İki ya da üç ölçüm: ör. müşteri hizmetleri yanıt süresi -%40, lead puanlama doğruluğu +%25, sesli asistanla çözülen çağrı oranı %60. Geliştirme önceliğini bunlar belirler.
• 25. Altı aylık yatırım getirisi çerçevesi. Yapay zekâ altı ayda ne kadar tasarruf sağlıyor ve maliyeti ne? İki rakam birbirinden çok uzaksa denetimin sonucu şudur: başlatmayın.
• 26. Kurulum ve işletim maliyetlerinin ayrılması. Tek seferlik devreye alma ve aylık işletim maliyeti ayrı satırlarda. Bunları karıştırmak yatırım getirisi hesabını çarpıtır.
• 27. Acil kesme eşiği. Ayın ortasında token bütçesinin %80'ine ulaştıysanız ne olur? Modelde otomatik tavan mı, insan incelemesi mi — karar vermelisiniz.

Marka ve denetim (28-30)

• 28. Marka istem kuralları. Zorunlu üslup ("sen" mi "siz" mi), yasaklı ifadeler, vurgulanacak değerler. Nortinia Engine bunu isteme gizlice eklemek yerine kiracı düzeyinde yönetir.
• 29. Her eylemde denetim izi. Her değişiklikte iki kimlik: eylemi yapan (kullanıcı) ve kaynak (MCP aracı). Altı ay sonra bile yeniden oynatılabilir. Bu olmadan GDPR uyumu sorunludur.
• 30. GDPR silme kapsamı. Nortinia tarafında kayıt defteri tabanlı kişisel veri silme (Madde 17) vardır. Yapay zekâ istemlerinde atıfta bulunulan müşteri verileri de birlikte silinmelidir. Silinmezse yapay zekâdaki veri ana sistemden sonra da "yaşamaya devam eder" — buna izin verilmez.

Sonunda nasıl karar verilir

30 maddeyi gözden geçirin ve her birini yeşil / sarı / kırmızı olarak işaretleyin. 25+ yeşil varsa başlayabilirsiniz: Nortinia Engine + seçilen model seviyesi hemen kurulabilir. 20-24 yeşil varsa bir Yapay Zekâ Hazırlık aylık danışmanlığı hazırlık aşaması öneriyoruz: kırmızı maddeleri yeşile çekmek için 4-6 hafta. 20'nin altında yeşil varsa önce temel sistemleri (ERP, CRM, ana veriler) düzene sokun, yapay zekâya ancak ondan sonra geçin. Yapay zekâ bir hata düzeltmesi değildir — altında ne varsa onu büyütür.

Yapay zekâ bir hata düzeltmesi değildir — altında ne varsa onu büyütür.