Kurumsal bilgi dağınık olduğunda, en basit soru bile birkaç sistem, eski PDF dosyaları ve ekip içi mesajlar arasında kaybolur. İK prosedürü nerede? Satış ekibinin kullandığı güncel fiyatlandırma kuralı hangisi? Bir ürün iade sürecinde hangi formun son sürümü geçerli? Bu tür sorular pek çok şirkette her gün yeniden sorulur. Arama vardır, ama cevap yoktur. Tam da bu noktada kurumsal yapay zeka asistanı devreye girer: şirketin kendi dokümanları, prosedürleri ve sık sorulan sorularıyla beslenen; yetki kurallarına uyan; kaynak göstererek yanıt üreten bir iç bilgi katmanı.

Yine de bu sistem, genel amaçlı bir sohbet botundan farklıdır. Kurumsal kullanımda iki başlık öne çıkar: güvenlik ve doğruluk. Bir çalışanın erişmemesi gereken finans dokümanını görmesi, eski bir prosedüre göre işlem yapması ya da modelin dokümanda yer almayan bir cevabı kesinmiş gibi sunması kabul edilemez. Bu nedenle iyi bir kurulum, yalnızca bir büyük dil modeli seçmekten ibaret değildir. Bilgi erişimi, indeksleme, izin yönetimi, kayıt tutma, insan onayı ve yaşam döngüsü yönetimi birlikte ele alınmalıdır.

Aşağıda, böyle bir yapının nasıl kurulduğunu teknik ama anlaşılır bir çerçevede anlatıyoruz. Odak noktamız, kurumsal dokümanlar, prosedürler, sık sorulan sorular ve gerektiğinde API entegrasyonlarıyla çalışan güvenli bir iç bilgi asistanı.

Kurumsal yapay zeka asistanı tam olarak ne yapar?

Basitçe söylemek gerekirse bu sistem, şirket içi bilgi kaynaklarını tarar, ilgili parçaları bulur ve kullanıcıya doğal dilde cevap üretir. Ancak üretim aşaması tek başına yeterli değildir. İyi bir kurumsal asistanın cevabında en az 2 somut unsur yer almalıdır: ilgili kaynağın referansı ve cevabın üretildiği bağlam. Örneğin “İzin politikası 14 gün” demek yerine, “İK El Kitabı v3.2, Madde 4.1’e göre yıllık izin hesabı...” şeklinde yanıt vermesi gerekir.

Pratikte sistem şu tür soruları karşılar:

  • “Onboarding sürecinde hangi belgeler zorunlu?”
  • “Satış teklif onayı için limit kaç TL?”
  • “Müşteri verisi silme talebinde izlenecek prosedür nedir?”
  • “Depo iade akışında son güncelleme hangi tarihte yapıldı?”

Buradaki amaç, çalışanların saatler süren manuel aramasını dakikalara, hatta saniyelere indirmektir. İyi tasarlanmış bir çözümde cevap süresi çoğu sorguda birkaç saniye seviyesinde kalır. Yine de performans tek başına bir başarı ölçütü değildir; daha kritik olan, cevabın hangi dokümana dayandığının izlenebilir olmasıdır.

Temel mimari: LLM, RAG ve yetki katmanı birlikte çalışır

Kurumsal bilgi asistanlarının büyük bölümü RAG yaklaşımıyla kurulur. RAG, “retrieval augmented generation”, yani bilgiyi getirip onun üzerinden cevap üretme modelidir. Böylece model, yalnızca genel eğitim verisine güvenmek yerine şirketin güncel kaynaklarına başvurur.

1. Veri kaynaklarını belirleme

İlk adım, hangi sistemlerin bilgi kaynağı olacağını netleştirmektir. Çoğu şirkette başlangıç kümesi 4 ila 8 kaynak arasında olur:

  • SharePoint, Google Drive, OneDrive gibi doküman depoları
  • Confluence, Notion veya iç wiki
  • PDF prosedürler, Word belgeleri, Excel tabloları
  • SSS kayıtları ve destek merkezi içerikleri
  • ERP, CRM, İK yazılımı gibi iş sistemleri

Burada kritik nokta, her kaynağın aynı kalitede olmamasıdır. 2019 tarihli bir PDF ile geçen hafta güncellenmiş bir prosedür yan yana duruyorsa, sistemin sürüm bilgisi ve yayın tarihi gibi alanları da işlemesi gerekir.

2. Parçalama ve indeksleme

Dokümanlar doğrudan modele verilmez. Önce anlamlı parçalara ayrılır. Örneğin 80 sayfalık bir prosedürü tek parça halinde işlemek verimsizdir. Bunun yerine genellikle 500 ila 1.000 token aralığında, başlık yapısını koruyan segmentler oluşturulur. Her segmente şu metaveriler eklenir:

  • Doküman adı
  • Sürüm numarası
  • Yayın tarihi
  • Erişim seviyesi
  • Departman etiketi

Ardından bu parçalar vektör veritabanında indekslenir. Arama sırasında kullanıcı sorusu da benzer bir gösterime dönüştürülür ve en ilgili içerik parçaları bulunur.

3. Cevap üretimi ve kaynak gösterimi

Model, yalnızca getirilen içerik parçalarına dayanarak cevap üretir. Bu kural kritik önemdedir. Kurum içi kullanımda sık görülen güvenli yaklaşım şudur: “Kaynakta yoksa cevap verme, gerekirse bilmiyorum de.” Örnek bir sistem talimatı şöyle olabilir:

Sadece sağlanan kurumsal içeriklere dayan.
Belge referansı olmadan kesin ifade kurma.
Çelişki varsa en güncel sürümü öne al.
Yetkisiz içerik görünüyorsa yanıt üretme.

Yalnızca bu yapı da yeterli değildir; kullanıcı yetkisi ayrıca kontrol edilmelidir. Arama sonucunda bulunan bir parçanın erişim seviyesi kullanıcıyla eşleşmiyorsa, o parça bağlama alınmamalıdır.

Güvenlik tasarımı: en kritik katman budur

Kurumsal yapay zeka asistanı projelerinde teknik başarıyı belirleyen asıl konu model kalitesi değil, güvenlik mimarisidir. Özellikle finans, sağlık, hukuk ve üretim gibi alanlarda içerik erişimi sıkı kurallara bağlıdır. Burada “önce bağla, sonra düşünürüz” yaklaşımı ciddi risk üretir.

Rol bazlı erişim kontrolü

En yaygın yöntem, mevcut kurumsal kimlik altyapısını kullanmaktır. Azure AD, Okta veya benzeri bir yapı zaten varsa, asistan bu rollerle konuşmalıdır. Örneğin satış çalışanı fiyat listesine erişebilir, bordro prosedürüne erişemez. Bu kontrol yalnızca uygulama ekranında değil, arama ve bağlam hazırlama adımında da uygulanmalıdır.

Gerçek bir senaryo düşünelim: 1.200 çalışanın olduğu bir şirkette, İnsan Kaynakları klasöründeki 300 doküman sadece 18 kişilik bir ekip tarafından görülebiliyor. İndeksleme sırasında tüm içerikler ortak bir havuza atılır ve sorgu anında izin filtrelenmezse, modelin yanlış bağlam alması mümkündür. Bu hata nadir görülse bile kabul edilemez.

Veri maskeleme ve kayıt tutma

Bazı içeriklerde belgeye erişim izinli olsa bile, cevap içinde kişisel veri görünmemelidir. TC kimlik numarası, IBAN, sağlık bilgisi veya sözleşme eki gibi alanlar gerektiğinde maskeleme kurallarından geçmelidir. Ayrıca her sorgu için en az şu kayıtlar tutulur:

  • Sorgu zamanı
  • Kullanıcı kimliği
  • Kullanılan kaynaklar
  • Üretilen cevap
  • Varsa insan onayı

Bu denetim izi, özellikle KVKK uyumu ve iç denetim süreçlerinde değerlidir.

Doğru cevap üretmek için içerik yönetişimi şart

Bir yapay zeka asistanı, zayıf içerik düzenini sihirli bir şekilde düzeltemez. Aynı prosedürün 3 farklı sürümü farklı klasörlerde duruyorsa model de kararsız kalır. Bu yüzden projeye başlamadan önce içerik temizliği yapılmalıdır. Çoğu kurumda ilk fazda şu tablo ortaya çıkar: benzer isimli belgeler, tarihsiz PDF dosyaları, departman bazında çelişen tanımlar.

Başlangıç için pratik bir kural seti oluşturulabilir:

  • Her dokümanda sürüm ve tarih zorunlu olsun
  • Taslak ve onaylı belge ayrımı netleşsin
  • Arşiv içerikleri aktif havuzdan ayrı tutulsun
  • SSS içerikleri sahipli olsun; sorumlu ekip belli olsun

Özellikle prosedür tabanlı cevaplarda belge sahipliği büyük önem taşır. “Bu içerikten kim sorumlu?” sorusunun cevabı yoksa, modelin verdiği cevabın kurumsal karşılığı da zayıf kalır.

Canlıya alma planı: 6 haftalık kontrollü kurulum örneği

Orta ölçekli bir şirket için ilk sürüm genellikle tek seferde tüm kuruma açılmaz. Daha güvenli yöntem, kapsamı sınırlı bir pilot çalışmadır. Örnek bir 6 haftalık plan şu şekilde ilerleyebilir:

1. ve 2. hafta: keşif ve veri haritası

Kaynak sistemler çıkarılır. İlk fazda alınacak dokümanlar seçilir. Başlangıç için 2 departman yeterlidir; örneğin İK ve Operasyon. 5.000 dokümanla başlamak mümkündür, ancak kalitesiz 50.000 dokümanla başlamak çoğu zaman daha kötü sonuç verir.

3. hafta: indeksleme ve güvenlik eşlemesi

Doküman parçalama stratejisi belirlenir. Kimlik ve rol sistemleri bağlanır. Test kullanıcıları tanımlanır.

4. hafta: prompt kuralları ve test senaryoları

En az 100 gerçek soru ile ölçüm yapılması faydalıdır. “Cevap doğru mu?”, “Kaynak gösteriyor mu?”, “Yetkisiz içerik sızıyor mu?” gibi kriterler puanlanır.

5. hafta: pilot kullanım

10 ila 30 kişilik bir kullanıcı grubuyla canlı deneme yapılır. Hangi sorular yanıtsız kalıyor, hangi belgeler eksik, hangi içerikler çelişiyor; bunlar net biçimde görülür.

6. hafta: iyileştirme ve yaygınlaştırma kararı

Pilot sonunda kapsam genişletilir ya da veri düzeni toparlanmadan ilerlenmez. Erken aşamada bu freni kullanmak, hatalı bir kurumsal hafıza sistemi oluşturmaktan daha sağlıklıdır.

Başarı nasıl ölçülür?

Kurumsal yapay zeka asistanı için başarıyı yalnızca kullanım sayısıyla ölçmek yetersiz kalır. Daha anlamlı metriklere ihtiyaç vardır. İlk 90 günde izlenebilecek metriklerden bazıları şunlardır:

  • Kaynaklı cevap oranı
  • İlk yanıtta doğru cevap oranı
  • İnsan eskalasyonu gerektiren sorgu yüzdesi
  • Ortalama cevap süresi
  • Yanlış veya eski sürüme dayanan cevap sayısı

Örneğin 1.000 sorguluk bir pilotta 820 sorgunun kaynaklı ve doğru biçimde cevaplanması, sistemin işe yaradığını gösterir; kalan 180 sorgu ise veri boşluklarını ve süreç problemlerini görünür hale getirir. Bu da aslında önemli bir kazanımdır. Çünkü asistan yalnızca cevap üretmez, kurumsal bilgi mimarisindeki dağınıklığı da ortaya çıkarır.

Hangi durumlarda API entegrasyonu gerekir?

Her bilgi sorusu dokümandan cevaplanmaz. Bazı sorular canlı sistem verisi gerektirir. “Bugün açık destek talebim kaç tane?”, “Bu sipariş hangi aşamada?”, “Müşteri limit bilgisi nedir?” gibi sorularda asistanın ERP, CRM veya destek yazılımına API ile bağlanması gerekir.

Buradaki önemli ayrım şudur: statik bilgi için doküman tabanlı RAG, dinamik bilgi için güvenli API çağrısı. Bu ikisini karıştırmak hataya yol açar. Örneğin 30 gün önce dışa aktarılmış bir Excel dosyasından cari bakiye cevabı üretmek teknik olarak mümkün olsa da iş açısından risklidir.

İyi bir tasarımda asistan önce niyeti tanır, ardından doğru kanala yönelir. Politika sorusuysa dokümana bakar. Anlık kayıt sorusuysa yetkili API üzerinden veri çeker. Cevabın içinde de bu ayrımı belirtir: “Aşağıdaki bilgi ERP sisteminden 24.07.2026 10:42 itibarıyla alınmıştır.” gibi.

Son değerlendirme

Güvenli bir kurumsal yapay zeka asistanı kurmak, tek başına model seçme işi değildir. Sağlam bir doküman yapısı, erişim kontrolü, doğru indeksleme, denetim izi ve kontrollü pilot birlikte yürütülmelidir. İyi kurulan bir sistem, çalışanların bilgiye erişim süresini ciddi biçimde kısaltır; daha da önemlisi, kurumsal bilginin izlenebilir ve yönetilebilir hale gelmesini sağlar.

İlk adım için en doğru yaklaşım çoğu zaman küçüktür: net kapsam, temiz veri, sınırlı kullanıcı grubu. Buradan büyümek çok daha güvenlidir. Kurum içi bilgi akışını gerçekten iyileştiren çözüm, en çok konuşan bot değil; doğru kaynağı, doğru kullanıcıya, doğru bağlamda sunan sistemdir.