Kurumsal yapılarda bilgi çoğu zaman mevcuttur; asıl sorun, doğru kişinin ona doğru anda ulaşamamasıdır. Politika dokümanları SharePoint'te, teknik kılavuzlar PDF klasörlerinde, prosedürler e-posta eklerinde, ekip içi notlar ise farklı uygulamalarda dağınık halde durur. Bir çalışan sorusuna yanıt ararken 10 farklı dosya açar, eski versiyonlarla karşılaşır ya da konu uzmanına mesaj atmak zorunda kalır. Şirket büyüdükçe bu tablo daha görünür olur.

yapay zeka bilgi asistanı, kurum içindeki dağınık bilgi kaynaklarını tek bir erişim katmanında bir araya getirerek bu sorunu çözer. Kullanıcı doğal dilde sorusunu yöneltir; sistem ilgili doküman parçalarını bulur, yanıtı üretir ve mümkünse kaynağını gösterir. Ancak etkili bir çözüm, yalnızca bir sohbet arayüzü kurmaktan ibaret değildir. İçerik hazırlığı, erişim yetkileri, veri tazeliği, doğrulama akışı ve teknik mimari birlikte düşünülmelidir.

Bu yazıda, kurumsal firmalar için uygulanabilir bir kurulum modelini ele alıyoruz: hangi veriler hazırlanmalı, mimari nasıl kurulmalı, hangi güvenlik katmanları zorunlu olmalı, pilot çalışma kaç haftada çıkar ve başarı nasıl ölçülür.

Kurumsal iç bilgi asistanı tam olarak ne yapar?

En basit haliyle sistem, kurum içi bilgi tabanına doğal dil aracılığıyla erişim sağlar. Çalışan “satın alma onay limiti kaç TL?”, “VPN erişimi için hangi adımlar izleniyor?”, “X ürününün API timeout değeri nedir?” gibi sorular sorar. Asistan ise ilgili kaynağı bulur, cevabı derler ve referans olarak belge adı, bölüm başlığı ya da bağlantı sunar.

İyi kurgulanmış bir yapıda yanıt yalnızca metin üretmez; bağlam da taşır. Örneğin insan kaynakları prosedürü için yayımlanma tarihi, teknik doküman için sürüm numarası, kalite kaydı için revizyon kodu gösterilir. Bu küçük ayrıntılar güveni ciddi ölçüde artırır.

Gerçek bir senaryo düşünelim: 1.200 çalışanı olan bir üretim şirketinde bakım ekibi, ERP kullanım notları, makine servis prosedürleri ve iş güvenliği talimatları arasında arama yapıyor. Aynı sorunun yanıtı bazen 15 dakika, bazen 40 dakika sürüyor. İç bilgi asistanı burada “tek ekran + kaynaklı cevap” modeliyle arama süresini saniyelere indirebilir. Süre, kurumun veri kalitesine bağlıdır; ancak hedef her zaman ölçülebilir olmalıdır.

Kuruluma başlamadan önce veri envanteri çıkarılmalı

Başarılı projelerin ortak noktası, teknik modelden önce veri haritası çıkarmalarıdır. İlk 2 ila 4 haftada şu soruların netleştirilmesi gerekir:

  • Bilgi hangi sistemlerde duruyor? SharePoint, Google Drive, Confluence, ERP, CRM, dosya sunucusu, e-posta arşivi.
  • Hangi içerikler güvenilir ana kaynak kabul ediliyor?
  • Dokümanların sürüm yönetimi var mı?
  • Erişim yetkileri kullanıcı, departman veya rol bazlı mı?
  • Yapılandırılmış veri ile serbest metin birlikte kullanılacak mı?

Buradaki kritik nokta, her veriyi sisteme yüklememektir. Eski, çelişkili ya da sahipliği belirsiz dokümanlar modele verildiğinde yanıt kalitesi düşer. Özellikle son 3 yıl içinde revize edilmemiş prosedürler ve birden fazla “nihai_v2_final” uzantılı dosyalar önce temizlenmelidir.

Kurumlar çoğu zaman içerik temizliğini küçük bir adım gibi görür. Oysa bilgi asistanı projelerinde en fazla zaman alan işlerden biri budur. Teknik entegrasyon 1 hafta sürebilir; fakat veri normalizasyonu, etiketleme ve erişim eşleştirmesi daha uzun zaman alır.

Mimari: Arama, bağlam ve yanıt üretimi birlikte çalışmalı

Kurumsal bir yapay zeka bilgi asistanı için yaygın mimari, retrieval-augmented generation yaklaşımıdır. Kısa adıyla RAG. Model önce kurum içi içerikte arama yapar, ilgili parçaları toplar, ardından bu bağlamla yanıt üretir. Böylece yalnızca modelin genel bilgisini değil, şirketin kendi güncel bilgisini de kullanır.

Temel bileşenler

  • Bağlayıcılar: SharePoint, Confluence, Jira, dosya sistemi, SQL, ERP veya CRM kaynaklarından veri çeker.
  • Parçalama ve indeksleme: Dokümanlar 300 ila 1.000 kelimelik mantıklı bloklara ayrılır. Başlık, sürüm, tarih, departman gibi meta veriler eklenir.
  • Vektör arama ve anahtar kelime arama: Yalnızca semantik arama yeterli olmaz. Teknik terimler, ürün kodları ve prosedür numaraları için hibrit arama daha iyi sonuç verir.
  • LLM katmanı: Toplanan bağlamdan kullanıcıya anlaşılır cevap üretir.
  • Yetkilendirme katmanı: Kullanıcı yalnızca erişim izni olan kaynakları görebilir.
  • Gözlemlenebilirlik: Hangi soru soruldu, hangi belge çağrıldı, hangi yanıt beğenilmedi; hepsi loglanır.

Basit bir akış şöyle okunabilir:

Kullanıcı sorusu -> Kimlik doğrulama -> Yetki kontrolü
-> Hibrit arama -> İlgili 5-10 parça
-> LLM ile kaynaklı yanıt üretimi
-> Geri bildirim ve log

Teknik bilgi içeren yapılarda ilk 5 sonuç yerine ilk 8 ya da 10 bağlam parçasını denemek daha isabetli olabilir. Ancak bağlam büyüdükçe maliyet ve gecikme artar. Bu denge pilot aşamada test edilmelidir.

Doküman ve prosedürleri modele uygun hale getirme

Bilgi asistanı, en çok düzensiz içeriklerden etkilenir. PDF taramaları, imzasız Word dosyaları, ekran görüntüsünden oluşan prosedürler ya da tablo içinde saklanan kritik kurallar yanıt kalitesini düşürür. Bu nedenle içerik hazırlığında somut standartlar belirlemek gerekir.

Pratik içerik standartları

  • Her dokümanda tek bir sahip kişi veya ekip tanımlansın.
  • Revizyon tarihi görünür olsun. Örnek: 2025-03-01.
  • Başlık yapısı korunmuş olsun: H1, H2, H3 mantığı.
  • Prosedür numaraları metin içinde açık yazılsın. Örnek: PR-IK-014.
  • Tablo içindeki kritik kurallar düz metin olarak da yer alsın.

Bir teknik servis prosedüründe “arıza sınıfı P1 ise 30 dakika içinde ilk dönüş” gibi bir kural yalnızca görsel tabloda kalırsa sistem bunu kaçırabilir. Aynı kural metin içinde de geçtiğinde erişim güvenilirliği artar.

OCR gerekiyorsa kalite kontrol mutlaka yapılmalıdır. Özellikle taranmış PDF'lerde “8” ve “B”, “0” ve “O” gibi karakter hataları ürün kodlarını bozabilir. Teknik ekipler için bu küçük hata bile yanlış yönlendirme anlamına gelir.

Güvenlik, yetki ve veri sınırları: Kurumsal projede pazarlık konusu değildir

İç bilgi asistanı, en hassas kurumsal verilere temas edebilir. İnsan kaynakları kayıtları, finans prosedürleri, sözleşme şablonları, güvenlik politikaları. Bu yüzden ilk günden itibaren rol bazlı erişim şarttır.

Örnek bir kural seti şöyle olabilir:

  • İK politikaları tüm çalışanlara açık; özlük süreç ekleri sadece İK ve yöneticilere açık.
  • Teknik operasyon runbook'ları ilgili ekiplerle sınırlı.
  • Satış teklif şablonları departman bazında erişilebilir.
  • Sözleşme ekleri sadece hukuk ve yetkili yönetici rollerinde görünür.

Burada iki hata sık görülür. İlki, kaynağın yetkisini yok sayıp tüm indeksin herkese açılmasıdır. İkincisi ise yanıt içinde görünmemesi gereken metnin dolaylı biçimde özetlenmesidir. Bu nedenle güvenlik yalnızca dosya erişiminde değil, retrieval ve answer generation katmanında da uygulanmalıdır.

Kurumsal ortamlarda SSO entegrasyonu, audit log ve veri saklama politikası da önemlidir. En az 90 günlük sorgu kaydı tutulması, yanlış yanıt incelemeleri açısından faydalıdır. Süre, şirket politikasına göre değişebilir.

Pilot proje nasıl kurgulanır? 6 haftalık uygulanabilir model

Geniş çaplı yayılım yerine sınırlı kapsamlı bir pilot daha sağlıklıdır. 6 haftalık örnek plan şu şekilde ilerleyebilir:

1. ve 2. hafta: Kapsam ve veri seçimi

Tek bir departman veya net bir kullanım alanı seçilir. Örneğin IT destek prosedürleri, satış operasyon kılavuzları ya da kalite yönetim dokümanları. İlk fazda 200 ila 1.000 doküman arası bir havuz yeterli olabilir.

3. hafta: Entegrasyon ve indeksleme

Kaynak sistemlere bağlanılır, meta veri kuralları uygulanır, ilk indeks oluşturulur. Bu aşamada erişim matrisi de test edilir.

4. hafta: Prompt ve yanıt kuralları

Asistanın nasıl cevap vereceği netleştirilir: kaynak gösterecek mi, emin değilse “bilmiyorum” diyecek mi, eski sürüm algılandığında uyarı verecek mi? Kurum dili bu aşamada belirlenir.

5. hafta: Test senaryoları

En az 50 gerçek soru ile test yapılır. Teknik, idari ve süreç odaklı sorular karıştırılmalıdır. Örnek: “Müşteri iade süreci hangi form ile başlıyor?”, “Oracle bağlantı timeout değeri kaç saniye?”, “Yeni tedarikçi açılışı için kaç imza gerekiyor?”

6. hafta: Ölçüm ve karar

Yanıt doğruluğu, kaynak uygunluğu, ortalama cevap süresi ve kullanıcı memnuniyeti gözden geçirilir. Ardından ikinci faz için kapsam belirlenir.

Pilotta hedef kusursuz bir sistem kurmak değildir. Asıl hedef; hangi veri kaynaklarının işe yaradığını, hangi soruların yanıtsız kaldığını ve güvenlik modelinin nerede zorlandığını görünür hale getirmektir.

Başarı hangi metriklerle ölçülür?

“Kullanıcılar sevdi” ifadesi tek başına yeterli değildir. Kurumsal yatırımın değeri, ölçülebilir metriklerle izlenmelidir.

  • İlk doğru yanıt oranı: Kullanıcının ek arama yapmadan ihtiyacı olan cevabı alması.
  • Kaynaklı yanıt oranı: Cevapların kaçında belge referansı gösterildiği.
  • Ortalama yanıt süresi: Örneğin 3 ila 8 saniye aralığı kabul edilebilir olabilir; altyapıya göre değişir.
  • Arama süresindeki azalma: Pilot öncesi ve sonrası kullanıcı testiyle ölçülür.
  • Yanlış yetki ihlali sayısı: Sıfıra yakın olmalıdır.
  • Yanıtsız soru kümeleri: Yeni içerik ihtiyacını gösterir.

Özellikle yanıtsız sorular oldukça değerlidir. Çünkü kurumun bilgi boşluklarını görünür kılar. Bazen sorun yapay zekada değil, hiç yazılmamış prosedürlerde ortaya çıkar.

En sık yapılan hatalar

Sahada benzer projelerde tekrar eden bazı sorunlar görülür:

  • Tüm şirket verisini tek seferde sisteme yüklemeye çalışmak.
  • Belge sahipliğini ve revizyon disiplinini kurmadan modele geçmek.
  • Kaynak göstermeyen yanıtları kabul etmek.
  • Sadece semantik aramaya güvenmek; ürün kodu, hata kodu, sözleşme numarası gibi alanları ihmal etmek.
  • Geri bildirim mekanizması kurmamak. Beğenilmeyen cevaplar incelenmezse sistem gelişmez.

Sağlam bir kurgu için dar kapsamla başlamak, içerik kalitesini iyileştirmek ve ölçüm kültürü oluşturmak daha etkili sonuç verir.

Kapanış: Doğru kurulan iç bilgi asistanı, aramayı değil işi hızlandırır

Kurumsal firmalarda bilgiye erişim sorunu çoğu zaman teknoloji eksikliğinden değil, dağınık veri ve kontrolsüz içerikten kaynaklanır. İyi tasarlanmış bir yapay zeka bilgi asistanı, dokümanları yalnızca indekslemez; onları yetkiyle, kaynakla ve güncel bağlamla birlikte erişilebilir hale getirir. Böylece çalışanlar dosya aramak yerine karar vermeye, destek üretmeye ve operasyonu ilerletmeye odaklanır.

Eğer kurumunuzda prosedürler, teknik bilgi ve iç dokümanlar birden fazla sistemde dağınık halde duruyorsa, küçük ama net tanımlı bir pilot ile başlamak en doğru adımdır. Başarının anahtarı, model seçimi kadar veri kalitesi, erişim kontrolü ve sürdürülebilir içerik yönetimidir.