Yapay zekâdan değer yaratmak, en yeni modeli ya da en gelişmiş teknolojiyi kullanmakla başlamıyor. Doğru iş problemini seçmek, uzmanlığı doğru yerde toplamak, çözümleri ölçekleyebilecek bir organizasyon kurmak ve yaratılan etkiyi sürekli ölçmek gerekiyor. ING’nin deneyimi, yapay zekâyı bir teknoloji projesinden kurumsal bir yetkinliğe dönüştürmenin neden organizasyon tasarımıyla başladığını gösteriyor.
Yapay zekânın iş dünyasına sunduğu ilk vaat son derece cazipti: Daha hızlı çalışmak. Beş dakikada okuyacağınız bir metni birkaç saniyede özetlemek, uzun bir dokümanın içinden aradığınız bilgiyi anında bulmak ya da rutin bir görevi çok daha kısa sürede tamamlamak… Bunlar hâlâ önemli kazanımlar. Fakat yapay zekânın stratejik değerini yalnızca zaman tasarrufu üzerinden okumak, potansiyelinin önemli bir bölümünü gözden kaçırmak anlamına geliyor.
ING’de yapay zekânın yarattığı değeri üç katmanda değerlendiriyoruz: Verimlilik, ölçek ve kalite. Verimlilik, mevcut bir işi daha hızlı yapmayı sağlıyor. Ölçek, insan gücüyle ulaşılması pratikte mümkün olmayan veri hacimlerini işleyerek daha önce yapılamayan işleri mümkün kılıyor. Kalite ise bu veriden elde edilen içgörülerin daha iyi kararlar, daha tutarlı süreçler ve daha güçlü müşteri deneyimleri yaratmasını ifade ediyor.
Örneğin, binlerce kişinin tek tek incelemesiyle dahi sistematik biçimde analiz edilmesi son derece güç olan müşteri geri bildirimlerini yapay zekâ ile sınıflandırmak, örüntüleri görmek ve bunlardan aksiyon üretmek artık mümkün. Bu nedenle bizim için asıl soru “Yapay zekâyla hangi işi daha hızlı yapabiliriz?” olmaktan ziyade “Yapay zekâ hangi iş problemlerinde daha önce mümkün olmayan bir ölçek, kalite ya da müşteri değeri yaratabilir?” Bu ayrım önemli. Çünkü yapay zekâ yatırımlarını gerçek iş değerine dönüştüren şey teknolojinin kendisi değil, teknolojinin hangi probleme yönelik, hangi organizasyonel yapı içinde ve hangi başarı kriterleriyle uygulandığı. ING açısından bu yaklaşım, yapay zekâyı yalnızca verimlilik sağlayan bir teknoloji olarak değil, Avrupa’nın en iyi bankası olma hedefini destekleyen stratejik bir yetkinlik olarak konumlandırmak anlamına geliyor.
Teknolojiden değil, iş probleminden başlayın
Yapay zekânın etrafındaki heyecan, kurumları kolaylıkla teknoloji odaklı bir düşünme biçimine sürükleyebiliyor. Yeni bir model ya da yeni bir yetenek ortaya çıktığında ilk refleks “Bunu nerede kullanabiliriz?” olabiliyor. Oysa doğru başlangıç noktası bunun tam tersi.
ING’de önce bankanın çözmesi gereken problemi tanımlıyoruz, ardından bu problem için hangi teknolojinin en uygun olduğuna karar veriyoruz. Merkezi Data & Analytics yapılanmamızın önemli görevlerinden biri de tam olarak bu. Bir iş birimi ajan tabanlı yapay zeka (agentic AI) kullanmak isteyebilir ancak bazen problemin çok daha basit bir teknikle çözülebileceğini söylememiz gerekir. Başka bir durumda ise sorun gerçekten daha gelişmiş ve maliyetli bir teknoloji yatırımını hak edebilir. Kararı belirleyen teknolojinin yeniliği değil, yaratabileceği iş değeridir.
Bu yaklaşım bizi bankacılığın temel iş alanlarına yöneltiyor: kredi kararları, konut kredisi süreçleri, müşteri edinimi, müşterini tanı (KYC) süreçleri ve finansal suçların önlenmesi. Bunların tümü bankanın hem operasyonel hem de ekonomik performansının merkezinde yer alıyor. Teknolojiyi denemek için proje üretmek yerine, bankanın en önemli problemlerini en uygun teknolojiyle eşleştirmeye çalışıyoruz.
Bu yaklaşımın sonuçlarından biri de pilot projelerdeki yüksek ilerleme oranı. ING’de üretken yapay zekâ pilotlarının yaklaşık yüzde 90’ı bir sonraki aşamaya geçiyor. Fakat bu oranı doğru okumak gerekiyor. Bunun nedeni çok sayıda deneme yapıp tesadüfen başarılı olan projeleri seçmemiz değil, o aşamaya gelmeden önce aday kullanım alanlarının önemli bir bölümünü elememiz. Başka bir deyişle yüksek pilot başarısı, aslında disiplinli bir önceliklendirme mekanizmasının sonucu.
Bu da yapay zekâ portföyü yöneten şirketler için önemli bir soruyu gündeme getiriyor: Başarıyı kaç pilot başlattığınızla mı ölçüyorsunuz, yoksa hangi projelere başlamamayı seçtiğinizle de mi?
Yapay zekâ dönüşümü aslında bir organizasyon tasarımı meselesidir
Yapay zekâ projelerinin önemli bir bölümü teknolojik olarak başarılı olduğu halde gerçek iş değerine dönüşemiyor. Bunun temel nedenlerinden biri, dönüşümün teknoloji projesi olarak ele alınması.
Oysa yapay zekâ, organizasyonların yalnızca kullandığı araçları değil, karar verme biçimlerini ve çalışma modellerini de değiştiriyor. Bir modeli geliştirmek ya da bir aracı devreye almak dönüşümün ilk adımı. Çözümün günlük iş akışına girmesi, çalışanların onu kullanması, ortaya çıkan etkinin ölçülmesi ve öğrenilenlerin yeniden sisteme aktarılması asıl kritik olan.
Bu nedenle ING’de uzmanlığı merkezileştirmeyi tercih ettik. Teknik bilgiyi, iş bilgisiyle ve organizasyonun stratejik öncelikleriyle aynı yapı içinde buluşturuyoruz. Böylece yalnızca hangi modelin kullanılacağına değil, modelin hangi probleme hizmet edeceğine ve ürettiği sonucun gerçekten iş değerine dönüşüp dönüşmediğine de bakabiliyoruz.
Bu yaklaşım insan kaynağı stratejimizi de etkiliyor. Yalnızca mevcut çalışanları yeni araçları kullanabilecek hale getirmek yeterli olmuyor. Organizasyonun düşünme biçimine yeni yetkinlikler kazandırmak gerekiyor. Bu nedenle veri bilimcileri, veri mühendisleri ve ürün yöneticileri gibi uzmanları organizasyona dahil edip onlara bankacılığı öğretmek de önemli bir strateji. 2024’ten bu yana ING’nin global ölçekte doğrudan bu alana odaklanan ekibi yaklaşık 200 kişiden 650 kişiye çıktı; daha geniş Data & Analytics organizasyonu ise yaklaşık 3 bin kişilik bir yapıya ulaştı.
Buradaki temel ders şu: Yapay zekâ dönüşümü yalnızca upskilling meselesi değil. Bazı durumlarda organizasyonun yeni uzmanlıkları içeri alması, bu uzmanlıkların sorumluluk alanını netleştirmesi ve teknik bilgiyle iş bilgisinin sürekli etkileşim içinde olduğu bir yapı kurması gerekiyor.
Aynı derecede önemli olan bir başka konu ise sahiplik. Bir organizasyon yapay zekâya önemli miktarda kaynak ayırıyorsa, yönetim düzeyinde şu sorunun tek ve net bir cevabı olmalı: “Bu yatırımın karşılığında ne elde ediyoruz?” Bu soruya farklı iş birimlerinden farklı yanıtlar geliyorsa, organizasyonun yapay zekâ stratejisinin sahipliği yeterince net olmayabilir.
Ölçeklemek, aynı çözümü her yere kopyalamak değildir
Bir yapay zekâ çözümünü tek bir ekipte ya da pazarda başarılı hale getirmek başka, onu büyük bir organizasyonun tamamında ölçeklemek başka bir yetkinlik gerektiriyor.
ING’de bunu ortak bir çerçeve ve olgunluk haritası üzerinden yönetiyoruz. Önce farklı pazarlarda bulunması gereken temel yapı taşlarını ve standartları tanımlıyor, ardından her ülkenin koşullarına göre gerekli uyarlamaları yapıyoruz.
Kredi süreçleri bunun iyi bir örneği. ING’nin kendi sistemlerinde bulunan veriler, ürünler ve süreçler farklı ülkelerde önemli ölçüde ortaklık gösterebiliyor. Bu alanlarda standartlaşmak ve ölçek ekonomisinden yararlanmak mümkün. Ancak kredi kayıt büroları gibi dış veri kaynakları ülkeden ülkeye değişiyor. Aynı isim altında sunulan veri bile farklı içeriğe sahip olabiliyor. Bu nedenle güçlü bir global çözüm, ortak çekirdeği korurken yerel farklılıkları göz ardı etmeyen ve onları sistematik biçimde yöneten bir yapıya dayanır.
ING Hubs Türkiye de bu ölçekleme modelinin önemli parçalarından biri. İstanbul’daki ekipler yalnızca Türkiye için çözüm geliştiren ya da global ekiplerden gelen işleri uygulayan bir yapı değil. Pazarlama analitiği, kredi risk analitiği, işlem izleme, tahsilat analitiği ve diyaloğa bağlı bankacılık(“Conversational Banking”) gibi çeşitli alanlarda farklı ülkelerde kullanılan çözümlerin geliştirilmesi ve yaygınlaştırılmasında global sorumluluk üstleniyor. İstanbul bugün sekiz farklı alanda ING’nin ana uzmanlık merkezlerinden biri olarak konumlanıyor.
Bu model bilgi birikiminin de ölçeklenmesini sağlıyor. Aynı uzman ekibin farklı pazarlarda benzer problemler üzerinde çalışması, her ülkenin aynı problemi ayrı ayrı çözmeye çalışmasından daha güçlü bir kurumsal öğrenme mekanizması yaratıyor.
En gelişmiş teknoloji her zaman doğru teknoloji değildir
Üretken yapay zekânın bir sonraki önemli aşaması olarak görülen ajan tabanlı yapay zeakâa, bu tartışmayı daha da kritik hale getiriyor.
Bugünkü büyük dil modelleri ağırlıklı olarak verilen bir girdiye yanıt üretiyor. ajan tabanlı sistemlerde ise modele dış dünyayla etkileşim kurma yeteneği ekleniyor: Bir API çağırabiliyor, veri tabanında sorgu yapabiliyor, bir uygulamayı kullanabiliyor, bir işlemi başlatabiliyor veya bir sürecin farklı adımlarını birbirine bağlayabiliyor.
Bu, özellikle bugüne kadar otomasyonu zor olan belge ve bilgi yoğun süreçler açısından önemli bir kırılma noktası. Ticari krediler, konut kredileri, due diligence, yazılım geliştirme ve test süreçleri gibi alanların daha büyük bölümleri otomasyona açılabilir hale geliyor.
Ancak burada gözden kaçırılmaması gereken bir gerçek var: ajan tabanlı yapay zekâa ucuz bir otomasyon biçimi değil.
Bir büyük dil modeli tek bir sorguyla bir çıktı üretirken, ajan tabanlı bir sistem aynı görevi tamamlamak için yüzlerce model çağrısı yapabilir. Bu da hesaplama maliyetini ve sistem karmaşıklığını ciddi biçimde artırabilir. Dolayısıyla ajan tabanlı yapay zekanın kullanılması gereken yerleri dikkatle seçmek gerekiyor.
ING’nin konut kredisi sürecini önceliklendirmesinin nedenlerinden biri de bu. ING, Avrupa konut kredisi pazarının önemli oyuncularından biri ve Avrupa’da kullandırılan konut kredilerinin yaklaşık yüzde 10’unu sağlıyor. Dolayısıyla bu süreçte yapılacak anlamlı bir iyileştirme hem müşteri deneyimi hem de iş sonucu açısından teknolojinin maliyetini ve karmaşıklığını karşılayabilecek ölçekte değer yaratabiliyor.
Bu nedenle ajan tabanlı yapay zekaya yaklaşırken doğru soru “Bu teknolojiyle bunu yapabilir miyiz?” olmaktan ziyade “Bu problemi çözmek için gerçekten bu düzeyde bir teknolojiye ihtiyacımız var mı?” olmalı.
Özellikle bankacılıkta, yaratılabilecek değer kadar bu değerin hangi sınırlar içinde yaratıldığı da önemli. Yerleşik model yönetişimi, görev ve sorumlulukların ayrıştırılması, kalite güvencesi, veri güvenliği ve risk kontrolleri yapay zekâ uygulamalarının sonradan eklenen unsurları değil, ölçeklenebilmesinin ön koşulları. Bu açıdan bankacılığın yıllar içinde geliştirdiği risk ve yönetişim kasları, yapay zekâ çağında yalnızca bir kısıt değil, aynı zamanda önemli bir avantaj.
Teknolojinin gelişmişliğini değil, iş etkisini ölçün
Bir yapay zekâ projesinin başarılı olup olmadığını teknik performans göstergeleriyle ölçmek kolaydır. Ama organizasyon açısından daha anlamlı sorular farklıdır: Müşterinin yaşadığı sürtünme azaldı mı? Çalışanın zamanı daha değerli işlere kaydı mı? Daha iyi kararlar alabiliyor muyuz? Gelir, risk ya da maliyet tarafında ölçülebilir bir değişim yarattık mı?
ING’de müşterini tanı süreçlerinde yapay zekâ kullanımı sayesinde bazı pazarlarda müşterilerden talep edilen soru ve dokümantasyon miktarını yüzde 80’e kadar azaltabildik. Buradaki değer yalnızca operasyon maliyetinin düşmesi değil; müşteriye gereksiz yük bindiren bir sürecin sadeleşmesi.
Benzer biçimde, farklı kullanım alanlarında dönüşüm oranı ve ortalama işlem büyüklüğünde yüzde 40’a varan artışlar ve risk maliyetinde düşüşler elde edilen örnekler bulunuyor. Ancak asıl önemli olan tek tek metriklerden ziyade, bu ölçüm biçiminin organizasyonun karar verme rutinine yerleşmesi.
Diyaloğa bağlı bankacılıkConversational Banking projesi bu dönüşümün müşteri tarafındaki görünür örneklerinden biri. Chatbot’ların yalnızca sorulara yanıt verdiği bir modelden, müşterinin bağlamını anlayan ve gerektiğinde işlem başlatabilen bir deneyime doğru ilerliyoruz. Örneğin müşteri “Kredi kartım çalışmıyor” dediğinde sistemin yalnızca genel bir açıklama sunması yerine, kartın durumunu ve son işlemleri proaktif olarak kontrol ederek sorunun nedenini anlaması ve müşterinin onayıyla çözüm sürecini başlatması mümkün hale geliyor.
Buradaki dönüşüm, chatbot’un yanıt kalitesini artırmanın çok ötesine geçiyor. Bankacılık hizmeti giderek reaktif bir destek modelinden, bağlama duyarlı ve proaktif bir etkileşim modeline doğru evriliyor.
Yapay zekâ stratejisinin üç temeli
Bugün pek çok şirket yapay zekâya ne kadar yatırım yapması gerektiğini tartışıyor. Oysa özellikle orta ve büyük ölçekli organizasyonlar için daha temel üç soru var.
Birincisi, yetkinlik. Organizasyonda yalnızca yeni araçları kullanabilen değil, yapay zekâyla düşünebilen ve onu gerçek iş problemlerine uygulayabilen insanlar var mı?
İkincisi, sahiplik. Yapay zekâ yatırımlarının yarattığı değerden kim sorumlu?
Üçüncüsü, altyapı. Veri nerede tutulacak? Nasıl işlenecek? Hesaplama maliyeti nasıl yönetilecek? Hangi tedarikçilerle çalışılacak? Bir sorun çıktığında sorumluluk kimde olacak?
Bunlar teknoloji seçiminin öncesinde verilmesi gereken kararlar. Çünkü yapay zekâ stratejisi, bir araç satın almak ya da yeni bir modeli kullanmaya başlamakla sınırlı değil. Organizasyonun hangi problemleri çözmeye değer bulduğunu, hangi yetkinlikleri geliştireceğini, nasıl karar vereceğini, çözümleri nasıl ölçekleyeceğini ve yarattığı değeri nasıl ölçeceğini yeniden düşünmesini gerektiriyor. Yapay zekâ çağında kalıcı rekabet avantajını da büyük olasılıkla en gelişmiş teknolojiye ilk sahip olanlar değil, teknolojiyi sürdürülebilir iş değerine dönüştürecek sistemi kurabilenler elde edecek.
