Yapay Zeka Projeleri Neden Tıkanıyor? Cevap Veri Altyapısında

Kısa cevap: Yapay zeka projelerini üretime taşıyamayan kurumların sorunu model seçimi değil, veriye erişim, veri kalitesi ve yönetişim eksikliğidir. Gartner'ın öngörüsüne göre 2026 boyunca "AI-ready data" ile desteklenmeyen yapay zeka projelerinin yüzde 60'ı terk edilecek. Bir sonraki pilot projeye başlamadan önce yapılması gereken, veri platformunu yapay zekanın çalışma koşullarına göre denetlemek ve hazırlamaktır.

Benimseme hızlı, üretim yavaş: makas açılıyor

Türkiye yapay zeka kullanımını en hızlı artıran ülkeler arasında. Microsoft'un 2026 Global Yapay Zeka Yayılım Raporu, Türkiye'de yaygın yapay zeka aracı kullanımının yüzde 30 arttığını ölçtü. Aynı veri setine dayanan analizlere göre bireysel üretken yapay zeka kullanımı 2026'nın ikinci çeyreğinde yüzde 18,9'a ulaştı.

Kurumsal tabloya bakınca hız düşüyor. TÜİK'in Girişimlerde Bilişim Teknolojileri Kullanım Araştırması sonuçlarına göre 2025'te yapay zeka teknolojilerini kullanan girişimlerin oranı yüzde 7,5. Bu oran 2021'de yüzde 2,7 idi; artış gerçek, ancak bireysel kullanımın çok gerisinde. Kırılım daha da öğretici: 250 ve üzeri çalışanı olan girişimlerde oran yüzde 24,1'e çıkarken, 10-49 çalışanlı girişimlerde yüzde 6,6'da kalıyor.

Sektör kırılımı da aynı hikayeyi anlatıyor. TÜİK'e göre 2025'te bilgi ve iletişim sektöründeki girişimlerin yüzde 47,1'i yapay zeka kullanırken, finans ve sigortada oran yüzde 21,1'de kalıyor; diğer sektörlerin çoğu tek haneli. En yaygın kullanım amaçları ise pazarlama ve satış (yüzde 46,5) ile üretim ve hizmet süreçleri (yüzde 41,1). Yani Türkiye'de kurumsal yapay zeka bugün ağırlıkla verisi zaten dijital doğmuş sektörlerde ve görece düşük riskli senaryolarda yaşıyor.

Çalışanlar yapay zekayı çoktan benimsedi; kurumlar ise henüz üretim ortamına taşıyamadı. Aradaki makas, gölge kullanım (onaysız araçlarla kurumsal veri paylaşımı) dahil bir dizi riski de büyütüyor. Bu tablonun Türkiye ekonomisi için ne anlama geldiğini kurumsal yapay zekanın Türkiye'deki etkisi yazısında ayrıca ele almıştık.

Pilotlar neden üretime geçemiyor?

Küresel veri, sorunun Türkiye'ye özgü olmadığını gösteriyor. MIT'nin GenAI Divide raporuna göre kurumsal üretken yapay zeka pilotlarının yüzde 95'i ölçülebilir bir getiri üretemiyor. Rapor, başarısızlığın nedenini modellerin yetersizliğinde değil, kurumların mevcut iş akışlarına ve verisine entegre olamayan yaklaşımlarında buluyor.

Gartner aynı teşhisi veri tarafından koyuyor: kurumların yüzde 63'ü yapay zeka için doğru veri yönetimi pratiklerine sahip değil ya da sahip olup olmadığından emin değil. Emin olmamak da bir cevaptır; denetlenmemiş veri altyapısı, üretime çıkan her modelin altındaki görünmez risktir.

Bu iki bulgu birlikte okunduğunda pilot tükenmişliğinin mekanizması netleşiyor. Demo ortamında etkileyici görünen bir asistan, üretimde şirketin gerçek verisine bağlanmak zorunda; o veri dağınık, erişilemez veya güvenilmez olduğunda proje sessizce rafa kalkıyor.

Asıl darboğaz: erişim, kalite ve yönetişim

Cloudera'nın Nisan 2026 tarihli Data Readiness araştırması, 1.270 BT liderinin yaklaşık yüzde 80'inin yapay zeka girişimlerinin farklı ortamlara dağılmış veriye erişim sorunları yüzünden kısıtlandığını söylediğini ortaya koydu. Aynı araştırmada verisinin tamamen yönetişim altında olduğunu söyleyebilen kurum oranı yalnızca yüzde 18; yüzde 73 ise altyapı performansının operasyonları yavaşlattığını belirtiyor.

Precisely ve Drexel Üniversitesi'nin 2026 State of Data Integrity and AI Readiness çalışması tabloyu tamamlıyor: katılımcıların yüzde 43'ü veri hazırlığını yapay zeka hedefleriyle uyumun önündeki en büyük engel olarak gösteriyor. Çarpıcı olan özgüven açığı: kurumların yüzde 87'si yapay zekayı destekleyecek altyapıya sahip olduğunu söylerken, yüzde 42'si altyapıyı en büyük zorluklardan biri olarak sıralıyor. Kendini hazır sanmak ile hazır olmak arasındaki bu fark, projeler üretime yaklaştıkça faturaya dönüşüyor.

Türkiye özelinde zemin ek bir gerçeklikle şekilleniyor. TÜİK'in Eylül 2026'da açıklanan verilerine göre ücretli bulut hizmeti kullanan girişimlerin oranı yüzde 20,2 ve BT uzmanı istihdam eden girişimlerin oranı yüzde 15,2. Yani girişimlerin büyük çoğunluğu, yapay zekanın veri katmanını kuracak ve işletecek uzmanlığı bünyesinde barındırmıyor. Veri hazırlığı bu kurumlar için bir ekip kurma sorunu olmaktan çıkarılıp bir hizmet modeli sorusu olarak ele alınmalı.

"AI-ready data" tam olarak ne demek?

Kavram pazarlama etiketi gibi görünse de tanımı nettir. IBM'in çerçevesine göre yapay zekaya hazır veri, hedeflenen kullanım senaryosu için temsil edici, bağlamıyla (metadata, köken, kalite ölçütleri) birlikte erişilebilir ve yönetişim kuralları uygulanabilir durumda olan veridir. Pratikte bunun dört bileşeni öne çıkıyor:

Erişim: Veri; farklı bulutlara, veri merkezlerine ve SaaS uygulamalarına dağılmış olsa bile modele güvenli ve izlenebilir şekilde ulaştırılabiliyor.
Kalite ve bağlam: Verinin tazeliği, doğruluğu ve kökeni biliniyor; model çıktısı bir kaynağa kadar izlenebiliyor.
Yönetişim: Kim hangi veriye, hangi amaçla erişebilir sorusunun cevabı KVKK dahil mevzuatla uyumlu ve teknik olarak uygulanmış durumda.
Altyapı: Depolama ve işleme katmanı, yapay zeka iş yüklerinin yoğun okuma ve vektör arama desenlerini üretim SLA'ları içinde karşılayabiliyor.

Bu bileşenlerin hiçbiri model seçiminden geçmiyor; hepsi veri platformu mühendisliğinden geçiyor. Yönetişim ayağının Türkiye'deki düzenleyici karşılığını yapay zeka yönetişimi ve hesap verebilirlik yazısında incelemiştik.

Veri platformunu hazırlamanın dört adımı

Sıfırdan bir "veri devrimi" başlatmak gerekmiyor; disiplinli bir sıralama gerekiyor.

Kullanım senaryosundan geriye doğru envanter çıkarın. Tüm veriyi değil, ilk iki üretim senaryosunun ihtiyaç duyduğu veri kümelerini haritalayın: nerede duruyor, kim sahibi, hangi formatta, ne kadar taze.
Erişim katmanını standartlaştırın. Her pilotun kendi veri kopyasını çıkarması, hem maliyeti hem riski büyütür. API veya sorgu katmanı üzerinden tek, yetkilendirilmiş erişim yolu tanımlayın.
Kalite ve yönetişimi ölçülebilir hale getirin. Kritik veri kümeleri için tazelik, doluluk ve doğruluk metriklerini izlemeye alın; erişim politikalarını dokümanda değil, platformda uygulayın.
Altyapıyı üretim yüküne göre test edin. Pilot aşamada sorun çıkarmayan veritabanı, üretim trafiğinde darboğaza dönüşebilir. Modernizasyon ihtiyacını erken teşhis etmek için veritabanı modernizasyonu yazısındaki değerlendirme çerçevesi iyi bir başlangıçtır.

Bu dört adımın ortak özelliği, hiçbirinin tek seferlik olmamasıdır. Veri kaynakları değişir, şemalar evrilir, erişim politikaları yeni mevzuatla güncellenir ve dünkü ölçümler bugünü temsil etmez. Yapay zeka pilotu bir proje takvimiyle yönetilebilir; onu besleyen veri platformu ise ancak sürekli izleme, bakım ve kapasite yönetimiyle ayakta kalır. Üretimdeki bir modelin çıktı kalitesi düştüğünde ilk bakılacak yer çoğu zaman model değil, beslendiği veri hattıdır.

Pilotu değil, platformu planlayın

Önümüzdeki bütçe döneminde yapay zeka kalemi tartışılırken sorulacak doğru soru "hangi modeli kullanacağız" değil, "verimiz üretimi kaldırır mı" sorusudur. Somut bir başlangıç için: ilk iki üretim senaryonuzu seçin, bu senaryoların veri kümelerinde erişim, kalite, yönetişim ve altyapı başlıklarını yukarıdaki çerçeveyle puanlayın ve zayıf çıkan başlıkları pilot takviminden önce yol haritasına yazın.

Bu denetimi içeride yapacak ekibi olmayan kurumlar için bu iş, yönetilen hizmet modelinin tam da çözdüğü türden bir problemdir: veri platformu, bir kere kurulan bir proje değil, sürekli işletilen bir operasyondur. Gartner'ın yüzde 60'lık terk öngörüsünün doğru tarafında kalmak, 2026'nın kalan aylarında model demolarına değil, veri altyapısına ayrılan mesaiyle belirlenecek.