Şirketlerde belge trafiği hâlâ yoğun. Satın alma ekipleri PDF fatura indiriyor, depo personeli irsaliyeleri kontrol ediyor, operasyon ekipleri form verilerini Excel'e giriyor, hukuk birimleri sözleşme maddelerini tek tek inceliyor. Mesele yalnızca zaman kaybı değil. Elle girilen her alan hata riski taşır. Özellikle günde 200, 500 ya da 2.000 belge işleyen yapılarda küçük bir hata oranı bile ciddi bir operasyon yüküne dönüşür.

Yapay zeka doküman işleme, bu akışı uçtan uca otomatikleştirmek için kullanılan bir yaklaşımdır. Amaç yalnızca metni OCR ile okumak değildir. Belgenin türünü tanımak, alanları ayıklamak, doğrulama kurallarını çalıştırmak, eksik ya da çelişkili veriyi işaretlemek ve sonucu ERP, CRM veya muhasebe sistemine aktarmak gerekir. Doğru kurgulandığında süreç birkaç dakikadan birkaç saniyeye düşer. Üstelik her belge için bir iz kaydı oluşur; hangi verinin nereden geldiği, ne zaman işlendiği ve hangi kurala takıldığı net biçimde görülebilir.

Yapay zeka doküman işleme tam olarak ne yapar?

Temel yapı 4 katmandan oluşur: belge alma, içerik çıkarma, doğrulama ve sistemlere işleme. Örneğin e-posta kutusuna gelen bir PDF faturayı düşünelim. Sistem önce belgeyi alır, PDF içinden metni çıkarır ya da tarama kalitesine göre OCR çalıştırır. Ardından belge tipini sınıflandırır: fatura mı, irsaliye mi, sipariş formu mu? Sonraki adım alan çıkarımıdır. Fatura numarası, tarih, VKN, toplam tutar, KDV satırları ve satır bazlı ürünler bulunur. Ancak iş burada bitmez. ERP'deki tedarikçi kartıyla eşleşme, vergi oranı kontrolü, para birimi denetimi ve mükerrer kayıt kontrolü de yapılır.

Klasik OCR çözümleri çoğu zaman yalnızca metin döker. Oysa operasyon ekiplerinin ihtiyacı yapılandırılmış veridir. Örnek bir JSON çıktı şöyle olabilir:

{
  "document_type": "invoice",
  "invoice_no": "FT-2025-01428",
  "issue_date": "2025-07-14",
  "tax_id": "1234567890",
  "currency": "TRY",
  "total": 18450.75,
  "confidence": 0.94
}

Bu yapı sayesinde veri manuel olarak kopyalanmaz. API ile muhasebe, ERP veya onay akışına aktarılır. Belge başına 3 dakika süren giriş işi, 15-30 saniyelik bir kontrol işine dönüşebilir. Bu fark, özellikle aylık 10.000 belgenin üstündeki operasyonlarda daha belirgin hale gelir.

Hangi belge türleri otomasyona uygundur?

En yaygın kullanım alanları fatura, irsaliye, sözleşme ve çeşitli operasyon formlarıdır. Yine de her belge aynı zorluk seviyesinde değildir. Yapılandırılmış belgeler daha hızlı devreye alınır. Örneğin standart alanları belli olan başvuru formları ya da satın alma formları ilk 2-4 haftada iyi sonuç verir. Serbest düzenli sözleşmeler ise daha fazla kural ve model ayarı gerektirir.

Fatura ve e-fatura çıktıları

Basılı PDF, taranmış görsel, tedarikçiye göre değişen şablonlar. Bu grup, en sık otomatikleştirilen alanlardan biridir. Temel hedef; başlık alanlarını, vergi bilgilerini, satır kalemlerini ve toplamları güvenilir biçimde çıkarmaktır. Özellikle farklı tedarikçilerden gelen 50'den fazla şablon varsa, şablon bağımlı sistemler zorlanır. Burada model tabanlı yaklaşım daha esnek çalışır.

İrsaliye ve sevk belgeleri

Depo süreçlerinde tarih, araç plakası, ürün kodu, miktar ve teslim alan kişi bilgisi kritik olur. Burada tek mesele okuma değildir. Ürün kodlarının ERP'deki malzeme kartlarıyla eşleştirilmesi gerekir. Örneğin irsaliyede “STK-00451” geçen ürün, sistemde “STOK_451” olarak kayıtlı olabilir. İyi bir çözüm, benzerlik eşleştirmesi ve sözlük mantığıyla bunu yakalar.

Sözleşmeler

Sözleşmelerde hedef farklıdır. Her alanı tablo gibi çıkarmak yerine belirli maddeleri bulmak gerekir: başlangıç tarihi, yenileme süresi, fesih koşulu, ceza maddesi, veri işleme hükmü. Bu noktada doğal dil işleme devreye girer. Sistem ilgili pasajı işaretler, özetler ve insan onayına sunar. Hukuki karar yine uzman ekipte kalır.

Formlar ve başvuru belgeleri

İK, saha operasyonu, servis formları, bakım raporları. El yazısı içeren belgelerde başarı seviyesi, baskı metne göre daha değişkendir. Yine de tarih, telefon, TCKN, plaka veya sayaç değeri gibi formatlı alanlar kurallarla desteklenirse anlamlı bir otomasyon elde edilir.

Teknik mimari nasıl kurulur?

Sağlıklı bir kurulum için tek bir model yetmez. Pratikte 5 bileşen birlikte çalışır. İlki ingest katmanıdır: e-posta, SFTP, tarayıcı klasörü, mobil uygulama yükleme ekranı ya da doğrudan API. İkincisi ön işleme katmanıdır. Görüntü döndürme, eğiklik düzeltme, gürültü azaltma, sayfa ayırma burada yapılır. 200 DPI altındaki taramalar çoğu zaman sorun çıkarır; 300 DPI ve üzeri kalite daha istikrarlı sonuç verir.

Üçüncü katmanda OCR ve belge anlama yer alır. Dördüncü katman iş kurallarıdır. Örneğin faturadaki toplam tutar, satır toplamlarının toplamına ±0,01 toleransla uymalıdır. VKN 10 haneli değilse belge kuyrukta bekletilir. Son katman ise entegrasyondur. REST API, webhook, mesaj kuyruğu ya da doğrudan veritabanı yazımı tercih edilebilir.

Kurumsal projelerde tipik akış şöyle ilerler:

  • Belge sisteme düşer ve benzersiz bir işlem kimliği alır.
  • Ön işleme sonrası OCR ve sınıflandırma çalışır.
  • Alanlar güven skoru ile çıkarılır. Örnek: fatura no %98, vergi no %91.
  • Kural motoru hatalı veya eksik alanları işaretler.
  • Eşik altı belgeler insan doğrulama ekranına gider.
  • Onaylanan veri ERP/CRM'ye aktarılır, ham dosya arşivlenir.

Bu yapı, tamamen karanlık otomasyon kurmayı zorunlu kılmaz. Pek çok şirket için en doğru model “human-in-the-loop” yaklaşımıdır. Güven skoru %90'ın üstündeyse otomatik işleme, altındaysa kullanıcı onayı mantığı yaygındır.

Manuel giriş nasıl ortadan kalkar?

Asıl değer veri çıkarmada değil, işleme almada ortaya çıkar. Bir faturayı okumak tek başına yeterli değildir; muhasebe kaydının açılması, tedarikçiyle eşleşmesi, onay akışına girmesi, gerekiyorsa satın alma siparişiyle karşılaştırılması gerekir. Manuel girişten kurtulmak için belge verisinin iş sistemleriyle bağlanması şarttır.

Örnek senaryo: bir üretim firmasında günde 700 irsaliye ve fatura geliyor. Belgeler e-posta ve depo tarayıcılarından toplanıyor. Sistem belge türünü ayırıyor, stok kodu ve sipariş numarasını çekiyor, ERP'deki açık siparişlerle eşleştiriyor. Miktar farkı %2 üstündeyse kayıt beklemeye alınıyor. Uyum varsa fiş otomatik oluşturuluyor. Operasyon ekibi yalnızca istisnalara bakıyor. 8 kişilik veri giriş ekibinin tüm işini ortadan kaldırmak gibi iddialı bir hedef her zaman gerçekçi olmayabilir; ancak istisna yönetimi ağırlıklı bir modele geçmek çoğu şirkette mümkündür.

Buradaki kritik nokta entegrasyondur. Logo, Mikro, Nebim, SAP, Oracle, Microsoft Dynamics gibi sistemlerle API ya da ara katman entegrasyonu kurulmadan otomasyon yarım kalır. Benzer şekilde CRM tarafında müşteri formu verileri otomatik açılmıyorsa ekip yine kopyala-yapıştır yapmak zorunda kalır.

Başarıyı belirleyen ölçüler nelerdir?

Doküman işleme projelerinde tek bir doğruluk oranına bakmak yanıltıcı olabilir. Ölçüm alan bazında yapılmalıdır. Fatura numarası %99 doğru çıkabilir, satır kalemleri %85'te kalabilir. Bu iki sonuç aynı şey değildir. Bu yüzden proje başlangıcında 100 ila 300 belge arasında temsil gücü olan bir test seti hazırlanması faydalı olur.

Takip edilmesi gereken pratik metrikler şunlardır:

  • Field accuracy: Her kritik alanın doğruluğu.
  • Straight-through processing rate: İnsan dokunuşu olmadan tamamlanan belge oranı.
  • Exception rate: Kurala takılan veya onaya düşen belge oranı.
  • Cycle time: Belgenin sisteme girişinden işlenmesine kadar geçen süre.
  • Rework load: Sonradan düzeltme gerektiren kayıt sayısı.

Örneğin ayda 12.000 fatura işleyen bir yapıda işlem süresi belge başına 4 dakikadan 40 saniyeye düşerse ciddi bir kazanım oluşur. Tam rakam kurumdan kuruma değişir; belge kalitesi, şablon çeşitliliği, entegrasyon derinliği ve onay kuralları sonucu doğrudan etkiler.

En sık karşılaşılan zorluklar

İlk zorluk, düşük kaliteli belge görüntüleridir. Eğri taramalar, karanlık fotoğraflar, üst üste basılmış kaşeler modeli zorlar. İkinci zorluk belge çeşitliliğidir. Aynı tedarikçinin bile 2024 ve 2025 şablonları farklı olabilir. Üçüncü konu ise veri güvenliğidir. Fatura, sözleşme ve kimlik içeren formlar KVKK açısından hassas veri barındırabilir.

Bu yüzden çözüm seçerken şu sorular sorulmalıdır: Veriler hangi bölgede tutuluyor? Belgeler eğitim verisi olarak kullanılıyor mu? Maskeleme, rol bazlı erişim, loglama ve saklama politikası var mı? Kurum içi kurulum, özel bulut ya da hibrit mimari seçenekleri gerekiyor mu? Özellikle sözleşme ve personel formlarında bu başlıklar, teknik doğruluk kadar önem taşır.

Bir başka hata da projeyi yalnızca model seçimi olarak görmektir. Oysa başarısızlıkların önemli bir kısmı süreç tasarımından kaynaklanır. Kimin hangi istisnayı yöneteceği, hangi alanın zorunlu olduğu, hangi veri kaynağının ana kayıt kabul edileceği netleşmeden model doğruluğu tek başına sorunu çözmez.

Kuruma uygun devreye alma yaklaşımı

En güvenli yöntem, küçük ama ölçülebilir bir pilotla başlamaktır. Örneğin ilk fazda yalnızca satın alma faturaları seçilir. Son 3 aydan 500 belge toplanır. Kritik alanlar belirlenir: fatura no, tarih, VKN, toplam, KDV, sipariş no. 4-6 haftalık pilotta doğruluk, onay ihtiyacı ve entegrasyon akışı ölçülür. Hedefler sağlanırsa irsaliye, form ve sözleşme gibi diğer belge tiplerine geçilir.

Başlangıçta beklentiyi doğru kurmak önemlidir. Her belgeyi sıfır hatayla otomatik işlemek gerçekçi değildir. Ancak manuel giriş yükünü ciddi biçimde azaltmak, çevrim süresini kısaltmak ve denetlenebilir kayıt üretmek mümkündür. İyi tasarlanmış bir yapay zeka doküman işleme çözümü, operasyon ekiplerini veri yazan rolden veri kontrol eden role taşır. Ölçek büyüdükçe bu fark daha görünür hale gelir.

Kısacası mesele yalnızca belge okumak değildir. Belgeleri iş akışına bağlamak, kurallarla doğrulamak ve kurumsal sistemlerle konuşturmak gerekir. Doğru kurgulanmış bir yaklaşım sayesinde fatura, irsaliye, sözleşme ve form verileri manuel girişe ihtiyaç duyulmadan işlenebilir hale gelir.