Ağustos 2025'te bir rakam teknoloji gündemine bomba gibi düştü: şirketlerin %95'i üretken yapay zekâ yatırımlarından hiçbir ölçülebilir getiri elde edemiyor. Kaynak, MIT'nin NANDA projesinin "The GenAI Divide" raporuydu.
Rakam o kadar çarpıcıydı ki raporun kendisinden daha çok konuşuldu, bir kısmı da yanlış konuşuldu. Bu yazıda raporun gerçekte ne söylediğine, neyi söylemediğine ve kazanan küçük azınlığın neyi farklı yaptığına bakıyorum.
Önce okuma notu: %95 neyi ölçüyor?
Bu rakamı "yapay zekâ işe yaramıyor" diye okumak yanlış olur. Rapor, kurumların yapay zekâyı benimseme oranının yüksek, ama işi dönüştürme oranının düşük olduğunu söylüyor. %95, pilot projelerin büyük çoğunluğunun şirketin kâr-zarar tablosunda ölçülebilir bir iz bırakmadan durması anlamına geliyor.
Yapay zekâ araçları çalışmıyor. Çalışanlar onları kullanmıyor. Bu teknolojiye yatırım boşa gidiyor.
Şirketlerin büyük çoğunluğu yapay zekâyı iş süreçlerine öğrenen, uyum sağlayan bir şekilde yerleştiremiyor; bu yüzden pilotlar kâr-zarar tablosuna yansımıyor.
Yöntemi de bilmek gerekiyor. Rapora göre çalışma, kamuya açıklanmış 300'ü aşkın yapay zekâ girişiminin incelenmesine, 52 kurumla yapılan yapılandırılmış görüşmelere ve dört sektör konferansında 153 üst düzey yöneticiyle yapılan ankete dayanıyor. Bazı haberler farklı sayılar aktardı ve rapor bir ön çalışma olarak sunuldu. Örneklem küçük, tanım da tartışmaya açık. Yine de bulguların yönü, Oxford'un finans kurumlarında gördüğü "pilotta takılma" tablosuyla birebir örtüşüyor.
Kimse istemeden kullanılan yapay zekâ
Raporun bence en ilginç bulgusu, resmî yapay zekâ projeleri sürünürken çalışanların yapay zekâyı zaten yoğun biçimde kullanıyor olması.
Bu tablo iki şey söylüyor. Birincisi, insanlar yapay zekâdan değer görüyor; yoksa kendi hesaplarını açıp kullanmazlardı. İkincisi, kurumun satın aldığı ya da inşa ettiği araç, çalışanın elindeki sohbet botundan daha az işe yarıyor. Bir de güvenlik boyutu var: şirket verisinin kişisel hesaplardan halka açık araçlara gitmesi, ilk yazıda anlattığım secret ve veri sızıntılarının en kolay yolu.
Asıl sorun: öğrenme açığı
Rapor bu ayrışmanın nedenini model kalitesinde ya da regülasyonda değil, öğrenme açığında buluyor. Genel amaçlı sohbet botları taslak yazmak için mükemmel. Ama kritik iş akışlarında başarısız oluyorlar: bağlamı hatırlamıyorlar, geri bildirimden öğrenmiyorlar, şirketin süreçlerine uyum sağlamıyorlar. Her seferinde sıfırdan anlatılması gereken bir araç, günlük işin parçası olamıyor.
Para yanlış yere gidiyor
Raporun bütçe analizi ayrı bir uyumsuzluğu gösteriyor: üretken yapay zekâ bütçelerinin yarısından fazlası satış ve pazarlama araçlarına gidiyor. Oysa en yüksek getiri, çok daha az ilgi gören arka ofis otomasyonunda: dış kaynak kullanımını, ajans maliyetlerini ve tekrarlayan operasyon işlerini azaltan uygulamalarda.
Bunun nedeni anlaşılır. Satış ve pazarlama etkisi kolay gösterilen, sunumda iyi duran işler. Arka ofis ise sıkıcı görünüyor. Ama ölçülebilir tasarruf tam da orada: bir dış hizmet sözleşmesinin küçülmesi, bir faturanın ortadan kalkması.
Satın almak mı, inşa etmek mi?
Bir yazılımcı olarak beni en çok düşündüren bulgu bu oldu.
İlk bakışta "kendin yapma, satın al" gibi okunabilir. Ben farklı okuyorum. Kurum içi projeler genelde modeli seçmekle başlayıp entegrasyonda, veri hazırlığında ve bakımda tıkanıyor; Oxford raporundaki "harcamanın %60–70'i yapay zekâyla ilgisiz" tespitinin karşılığı bu. Odaklanmış bir sağlayıcı ise bu işleri tek bir problem için defalarca çözmüş oluyor. Yani mesele "satın al ya da yap" değil; tek bir problemi derinlemesine çözmüş biriyle çalışmak.
İş gücüne etkisi: sessiz bir değişim
Rapora göre etki toplu işten çıkarmalar biçiminde değil. Şirketler boşalan pozisyonları yeniden doldurmuyor. Değişim, en çok müşteri desteği ve idari işlerde, özellikle daha önce dış kaynağa verilmiş rollerde yoğunlaşıyor. Bu da yine arka ofis bulgusuyla tutarlı: en ölçülebilir tasarruf, dışarıya ödenen faturada.
Kazanan %5 neyi farklı yapıyor?
Raporun başyazarı Aditya Challapally, başarılı örneklerin ortak noktasını üç şeye bağlıyor: tek bir acı noktası seçmek, onu iyi uygulamak ve akıllıca ortaklık kurmak. Rapora göre bu yaklaşımla bazı genç girişimler bir yıl içinde sıfırdan 20 milyon dolar gelire ulaştı.
- Genel amaçlı araç, genel bir hedef
- Bütçe görünür işlere: satış ve pazarlama
- Her şeyi içeride sıfırdan inşa etmek
- Hafızası olmayan, öğrenmeyen sistemler
- Başarı ölçütü: "kullanılıyor mu?"
- Tek bir acı noktası, derinlemesine
- Bütçe ölçülebilir işe: arka ofis
- Odaklı sağlayıcı ya da ortaklık
- İş akışına gömülü, öğrenen sistemler
- Başarı ölçütü: "hangi fatura küçüldü?"
Benim çıkardığım ders
Bu raporu, ürün geliştiren biri için bir kontrol listesi olarak okuyorum. Bir yapay zekâ özelliği tasarlarken kendime üç soru soruyorum:
- Hangi tek işi çözüyor? "Asistan" bir ürün değil; "veliye haftalık ilerleme raporunu hazırlayan sistem" bir ürün.
- Kullanıcının düzeltmesini hatırlıyor mu? Hatırlamıyorsa, kullanıcı bir hafta sonra kişisel sohbet botuna geri döner.
- Başarıyı neyle ölçeceğim? Kullanım sayısıyla değil; kazanılan zamanın, azalan maliyetin ya da artan gelirin kendisiyle.
Raporun belki de en umut verici mesajı şu: ayrışma teknoloji yüzünden değil, yaklaşım yüzünden oluşuyor. Yaklaşım ise değiştirilebilir.
Kaynaklar
- MIT NANDA, A. Challapally ve diğerleri, The GenAI Divide: State of AI in Business 2025, Temmuz 2025 (ön rapor).
- Fortune, MIT report: 95% of generative AI pilots at companies are failing, Ağustos 2025.
- Virtualization Review, MIT Report Finds Most AI Business Investments Fail, Reveals 'GenAI Divide', Ağustos 2025.
- Yahoo Finance, The shadow AI economy is booming, 2025.
- W. Kilminster, P. Özcan, AI Preparedness in Established Financial Services Firms, Oxford, 2025.