17-Ekim-2023-Yapay Zeka Ve Yönetim

YAPAY ZEKÂ VE YÖNETİM
Editörler:
Dr. Nurdan Apaydın
Dr. Gönül Gül Ekşi
Dr. Evren Dinçer
YAPAY ZEKÂ VE YÖNETİM
Editörler:
Dr. Nurdan Apaydın, Dr. Gönül Gül Ekşi, Dr. Evren Dinçer
Yayın No.: .........................

ISBN: .........................
E-ISBN: .........................
Basım Sayısı: 1. Basım, Ekim 2022
© Copyright 2023, NOBEL BİLİMSEL ESERLER SERTİFİKA NO.: 20779

Bu baskının bütün hakları Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti.ne aittir.
Yayınevinin yazılı izni olmaksızın, kitabın tümünün veya bir kısmının elektronik, mekanik
ya da fotokopi yoluyla basımı, yayımı, çoğaltımı ve dağıtımı yapılamaz.
Nobel Yayın Grubu, 1984 yılından itibaren ulusal ve 2011 yılından itibaren ise uluslararası düzeyde düzenli olarak faaliyet
yürütmekte ve yayınladığı kitaplar, ulusal ve uluslararası düzeydeki yükseköğretim kurumları kataloglarında yer almaktadır.
“NOBEL BİLİMSEL ESERLER” bir Nobel Akademik Yayıncılık markasıdır.
Genel Yayın Yönetmeni: Nevzat Argun -nargun@nobelyayin.com-

Genel Yayın Koordinatörü: Gülfem Dursun -gulfem@nobelyayin.com-
Sayfa Tasarım: Tarkan Kara -erdal@nobelyayin.com-

Redaksiyon: Sergen Öz -sergen@nobelyayin.com-
Kapak Tasarım: Sezai Özden -sezai@nobelyayin.com-
Görsel Tasarım Uzmanı: Mehtap Yürümez -mehtap@nobelyayin.com-
Kütüphane Bilgi Kartı

Apaydın, Nurdan., Ekşi, Gönül Gül., Dinçer, Evren.
Yapay Zekâ ve Yönetim / Nurdan Apaydın, Gönül Gül Ekşi, Evren Dinçer
1. Basım, VI + 206 s., 16,5x24 cm. Kaynakça var, dizin yok.
ISBN: .........................
E-ISBN: .........................
1. Yapay Zekâ 2. Yönetim
Genel Dağıtım
ATLAS AKADEMİK BASIM YAYIN DAĞITIM TİC. LTD. ŞTİ.
Adres: Bahçekapı Mh. 2465 Sk. Oto Sanayi Sitesi No:7 Bodrum Kat, Şaşmaz/ANKARA
Telefon: +90 312 278 50 77 - Faks: 0 312 278 21 65
Sipariş: siparis@nobelyayin.com- E-Satış: www.nobelkitap.com - esatis@nobelkitap.com
www.atlaskitap.com - info@atlaskitap.com
Dağıtım ve Satış Noktaları: Alfa, Kırmızı Kedi, Arkadaş, D&R, Dost, Kika, Kitapsan,
Nezih, Odak, Pandora, Prefix, Remzi Kitabevleri, Yeryüzü Dağıtım
Baskı ve Cilt: Meteksan Matbaacılık ve Teknik Sanayi Tic. Anonim Şirketi / Sertifika No.: 46519
Beytepe Köy Yolu No.: 3 06800 Bilkent-Çankaya/ANKARA
İÇİNDEKİLER
1. BÖLÜM
YÖNETİM VE YAPAY ZEKÂ..................................................................................... 1
Giriş................................................................................................................................ 1
Yönetim Kavramı ve Kapsamı ......................................................................................... 2
Yönetim Teorileri ............................................................................................................ 3
Klasik/Geleneksel Yönetim ............................................................................................. 3
Bilimsel Yönetim Yaklaşımı: Frederick Wilson Taylor .................................................... 4
Yönetim Süreci Yaklaşımı: Henry Fayol .......................................................................... 4
Bürokrasi Yaklaşımı: Max Weber .................................................................................... 6
Neo Klasik (Davranışsal) Yönetim .................................................................................. 7
Modern Organizasyon Teorileri ....................................................................................... 9
Sistem Yaklaşımı ............................................................................................................ 9
Durumsallık Yaklaşımı .................................................................................................. 10
Yapay Zekâ Kavramı ve Kapsamı.................................................................................. 11
Makine Öğrenimi ve Derin Öğrenme ............................................................................. 12
Yapay Zekânın Aşamaları/Evreleri ................................................................................ 14
Yapay Zekânın Yönetimdeki Yeri.................................................................................. 15
Sonuç ............................................................................................................................ 17
Kaynakça ...................................................................................................................... 17
2. BÖLÜM
YAPAY ZEKÂ VE GİRİŞİMCİLİK .......................................................................... 25
Giriş.............................................................................................................................. 25
1. Girişimciliğin Tanımı ve Önemi .............................................................................. 25
2. Yapay Zekânın Saklı Ar-Ge Kaynağı: Biyomimikri ................................................. 27
2.1. Kedi Beyni ...................................................................................................... 30
2.2. Miksomiset (Cıvık Küf) ................................................................................... 30
2.3. Böcekler .......................................................................................................... 31
3.3. Yapay Zekânın Girişimcilikteki Rolü ............................................................... 31
3.3.1. Yapay Zekâ ve Girişimci........................................................................ 31
3.3.2. Yapay Zekâ ve Girişim Ekonomisi ......................................................... 34
3.3.3. Yapay Zekâ Girişimciliğinin Sürdürülebilirlik Boyutu ............................ 35
4. Sonuç...................................................................................................................... 36
Kaynakça ...................................................................................................................... 37
- iii -
3. BÖLÜM
YAPAY ZEKA ve ÜRETİM YÖNETİMİ .................................................................. 41
GİRİŞ ........................................................................................................................... 41
1. Üretim ve Yapay Zekanın Tarihi ............................................................................. 43
2. Üretim Sistemleri İçin Yapay Zeka .......................................................................... 44
3. Üretim Sistemlerinin İnsan ve Robot İşbirliği (HRC) Uygulamalarında
Yapay Zeka ............................................................................................................. 47
4. Yapay Zeka Geleceğinde Zorluk ve Fırsatlar ........................................................... 49
Sonuç ............................................................................................................................ 50
Kaynakça ...................................................................................................................... 51
4. BÖLÜM
YAPAY ZEKÂ DESTEKLİ STRATEJİK KARAR VERME................................... 55
Giriş.............................................................................................................................. 55
1. Yapay Zekâ ............................................................................................................. 56
1.1. Makine Öğrenmesi........................................................................................... 58
1.1.1. Denetimli Öğrenme (Supervised Learning)............................................. 60
1.1.2. Denetimsiz Öğrenme (Unsupervised Learning)....................................... 61
2. Stratejik Karar Verme Süreci ................................................................................... 62
2.1. Strateji Kavramı............................................................................................... 62
2.2. Stratejik Karar Verme Sürecinin İşleyişi ........................................................... 65
3. Yapay Zekanın Stratejik Karar Verme Üzerindeki Etkisi .......................................... 66
Sonuç ............................................................................................................................ 67
Kaynakça ...................................................................................................................... 68
5. BÖLÜM
YAPAY ZEKA VE DİJİTAL LİDERLİK .................................................................. 73
1. Giriş........................................................................................................................ 73
2. Dijital Liderlik Özellikleri ....................................................................................... 74
3. Dijital Liderliğin Fırsatları ve Zorlukları .................................................................... 78
4. Dijital Liderlik Tarzları ........................................................................................... 82
5. Sonuç...................................................................................................................... 85
Kaynakça ...................................................................................................................... 86
6. BÖLÜM
YAPAY ZEKANIN DİJİTAL DÖNÜŞÜM STRATEJİLERİNDEKİ ROLÜ ........... 91
Giriş.............................................................................................................................. 91
1. Dijital Dönüşüm Stratejileri ..................................................................................... 92
1.1. Dijital Teknolojiler .......................................................................................... 92
1.2. Dijital Dönüşüm Stratejileri ............................................................................. 93
1.3. Dijital Dönüşüm Stratejilerinin Boyutları ......................................................... 94
2. Yapay Zeka ............................................................................................................. 95
2.1. Dijital Dönüşümün Vazgeçilmezi Yapay Zeka ................................................. 95
- iv -
3. Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü ............................................ 97
3.1. Yapay Zeka ile Dijital Dönüşüm Stratejisini Başarmak..................................... 97
3.2. Dijital Dönüşümde Yapay Zekanın Geleceği .................................................... 98
Sonuç ............................................................................................................................ 99
Kaynakça ..................................................................................................................... 100
7. BÖLÜM
DERİN ÖĞRENME ................................................................................................... 105
1. Derin Öğrenme Kavramı ........................................................................................ 105
2. Derin Öğrenme Tarihi ............................................................................................ 105
3. Derin Öğrenmenin Mimari Yapısı .......................................................................... 107
3.1. Kısıtlanmış Boltzman Makineleri .................................................................... 107
3.2. Tekrarlayan Sinir Ağları ................................................................................. 108
3.4. Derin Sinir Ağları ........................................................................................... 112
3.5. Derin İnanç Ağları .......................................................................................... 113
4. Derin Öğrenme Katmanları .................................................................................... 115
5. Derin Öğrenme Kütüphaneleri ve Yazılımları ......................................................... 117
6. Derin Öğrenme Uygulamalarının Hiperparametreleri .............................................. 118
Kaynakça ..................................................................................................................... 118
8. BÖLÜM
AKILLI KENT YÖNETİMİNDE YAPAY ZEKÂ TEKNOLOJİSİNİN
ARAÇSALLIĞI ......................................................................................................... 123
Giriş............................................................................................................................. 123
1. Yapay Zekâ Teknolojisi ......................................................................................... 124
2. Akıllı Kentlerde Yapay Zekânın Kullanım Alanları................................................. 126
Sonuç ........................................................................................................................... 132
Kaynakça ..................................................................................................................... 133
9. BÖLÜM
YAPAY ZEKÂNIN MUHASEBE VE DENETİMDE KULLANIMI: FIRSATLAR
VE TEHDİTLER ....................................................................................................... 137
Giriş............................................................................................................................. 137
1. Yapay Zekânın Kavramsal Çerçevesi ve Gelişimi ................................................... 138
2. Yapay Zekâ ve Muhasebe İlişkisi ........................................................................... 140
2.1. Yapay Zekânın Muhasebede Fırsatları ve Tehditleri ........................................ 141
2.2. Yapay Zekâ ve Muhasebe Eğitimi ................................................................... 144
2.3. Yapay Zekânın Muhasebede Uygulama Alanları ............................................. 145
3. Yapay Zekânın Denetim Süreçlerine Etkisi ve Sürekli Denetim............................... 148
4. Yapay Zekânın Muhasebe ve Denetim Süreçlerinin Geleceğine Etkisi..................... 150
Sonuç ........................................................................................................................... 152
Kaynakça ..................................................................................................................... 153
-v-
10. BÖLÜM
FİNANS SEKTÖRÜNDE CHATGPT DEVRİMİ..................................................... 157
Giriş............................................................................................................................. 157
1. ChatGPT ile İlgili Literatür Taraması...................................................................... 160
2. ChatGPT-Finans Etkileşimi .................................................................................... 162
3. Sonuç ve Öneriler................................................................................................... 166
Kaynakça ..................................................................................................................... 167
11. BÖLÜM
YAPAY ZEKA UYGULAMALARININ SÜRDÜRÜLEBİLİR TEDARİK
ZİNCİRLERİNE ETKİLERİ .................................................................................... 169
Giriş............................................................................................................................. 169
1. Sürdürülebilir Tedarik Zinciri ................................................................................. 171
2. Yapay Zekanın Tedarik Zincirindeki Rolü .............................................................. 174
3. Sürdürülebilir Tedarik Zincirinin Oluşturulmasında Yapay Zekanın Etkileri ............ 178
4. Sürdürülebilir Tedarik Zincirlerinde Yapay Zekanın Karşılaştığı Zorluklar ve
Sınırlamalar ........................................................................................................... 182
Sonuç ........................................................................................................................... 186
Kaynakça ..................................................................................................................... 187
12. BÖLÜM
YAPAY ZEKA VE İNSAN İLİŞKİLERİNDEKİ ROLÜ ......................................... 191
GİRİŞ .......................................................................................................................... 191
1. Yapay Zeka Kavramı ............................................................................................. 192
1.1. Yapay Zeka Tarihçe ........................................................................................ 192
1.2. Yapay Zeka Türleri ......................................................................................... 194
1.3. Yapay Zeka Öğrenme Modelleri ..................................................................... 195
1.2. Yapay Zeka İnsan ........................................................................................... 197
2. Yapay Zeka Uygulama Alanları.............................................................................. 198
2.1. Yapay Zeka – İletişim ..................................................................................... 198
3. Yapay Zekanın İlişkilere Yansıması........................................................................ 199
3.1. Yapay Zeka ve Birey ...................................................................................... 200
3.2. Yapay Zeka ve Toplum ................................................................................... 200
4. Yapay Zekanın İlişkilerdeki Rolü ........................................................................... 201
4.1. İlişkilerde Yapay Zeka .................................................................................... 202
5. Sonuç..................................................................................................................... 203
Kaynakça ..................................................................................................................... 204
- vi -
1. BÖLÜM
YÖNETİM VE YAPAY ZEKÂ
Prof. Dr. Şebnem YÜCEL1

Prof. Dr. Recep YÜCEL2
Arş. Gör. Havva Nur ATALAY3
Giriş
Yapay zekâ, herhangi canlı bir organizma kullanılmadan tamamen yapay araçlar
kullanılarak oluşturulmaktadır. Aynı zamanda, insana has hareket, tutum ve dav-
ranışlar sergileyerek makinelerin çalışma sistemi ile faaliyet gösteren teknolojik
bir özelliktir (Sucu ve Ataman, 2020). Yapay zekâ temel olarak bilgisayarların
zekâyı gerçekleştirmesi ve insan beyni kadar zeki bilgisayarlar üreterek bilgisayar-
ların üst düzey uygulamalar gerçekleştirmesini sağlama teorisini içerir (Xu ve di-
ğerleri, 2022). Bazı cihazlar, tipik olarak insan yorumu ve karar vermeyi içeren bir
rolü yerine getirebilir (Panch, Szolovits ve Atun, 2018). Örneğin; yapay zekâ 1997
yılında satrançta, 2002 yılında tavlada ve 2006 yılında scrabble oyunlarında ol-
dukça yüksek başarı göstermiştir (Y. Uzun, Hatipoğlu, Bütüner ve Calp, 2021).
Ayrıca Google Deepmind tarafından geliştirilen AlphaGo, insansı bir şekilde dü-
şünme ve his yeteneği gerektiren Go oyununda 2 farklı şampiyonu yenmiştir (Ünal
ve Kılınç, 2020).
Google Trends verileri incelendiğinde yapay zekâ kavramının on yılı aşkın bir
süredir ilgi konusu olmaya devam ettiği görülmektedir (Misra ve diğerleri, 2022, s.
6305). Yapay zekânın popülaritesi, bağlamdan bağımsız doğası ve büyüklüğü ve
1
Selçuk Üniversitesi, Sağlık Bilimleri Fakültesi, Sağlık Yönetimi Bölümü, ORCID ID: 0000-
0003-2135-242X, sebnemaslan27@gmail.com.
2
Kırıkkale Üniversitesi, İktisadi ve İdari Bilimler Fakültesi, İşletme Bölümü, Yönetim ve
Organizasyon Anabilim Dalı, ORCID ID: 0000-0002-4755-417X, akademik71@gmail.com
3
Bandırma Onyedi Eylül Üniversitesi, Sağlık Bilimleri Fakültesi, Sağlık Yönetimi Bölümü,
ORCID ID: 0000-0002-2805-1921, hatalay@bandirma.edu.tr.
-1-
- Yapay Zekâ ve Yönetim -
sektörü ne olursa olsun herhangi bir şirketi dönüştürme potansiyeli nedeniyle art-
maktadır (Solaimani ve Swaak, 2023). Yapay zekâ organizasyonlarda yalnızca
planlama, üretim, tedarik gibi aşamalarda değil aynı zamanda yönetimde karar
verme süreçlerinde de oldukça etkin kullanılmaktadır. Bu doğrultuda bu bölümde
yönetim ve yapay zekâ kavramları ilk olarak ayrı ayrı ele alınmış daha sonra yapay
zekânın yönetimdeki yerine yer verilmiştir.
Yönetim Kavramı ve Kapsamı
Yönetim uygulamalarının M.Ö. 3000 yıllarında Sümerler tarafından başlatıldığı

düşünülmektedir. Bu uygulamalar insanlık devletli toplum veya sınıflı toplum
kavramlarının da ortaya çıkışı olarak görülmektedir. Yaklaşık 5000 yıldır, insan-
lar toplumsal ve ekonomik örgütlenme gibi gerçekleştirdikleri eylemleri “yöne-
tim” bakış açısı etrafında gerçekleştirmektedir (Kara ve Çavuş, 2014, s. 475).
Yönetim, bir işin başında bulunup o işi/faaliyeti yürütmek, idare etmek, çekip
çevirmek anlamlarına gelen yönetmek fiilinden türetilmiş bir isimdir. Yönetim
kavramı yönetim işi, idare etme ve çekip çevirme anlamlarına gelmektedir (Şiş-
man, 1996, s. 296). Daha genel bir tanımla “yönetim, belirli amaç veya amaçları
gerçekleştirmek için iş birliği içinde yürütülen bir grup faaliyetidir. Örgütün
sahip olduğu kaynakların (maddi ve beşerî), belirli bir amacın gerçekleştirilmesi
için düzenlenmesi ve kullanılması faaliyeti ya da sürecidir.” (Özer ve Çiftçi,
2022). Şahin’e (Şahin, 2004) göre ise yönetim; farklı tutkuları, beklentileri,
amaçları ve ihtirasları olan bireylere iş yaptırma sanatıdır. Bu sebeple hem orga-
nizasyonun hem de organizasyonları oluşturan bireylerin amaçlarının etkin ve
verimli bir şekilde uyum içerisinde gerçekleştirilmesi ve devam etmesini sağla-
maktır (Şahin, 2004, s. 524). Genel olarak bakıldığında yönetim, bir amaç doğ-
rultusunda bir araya gelen bireyleri ve mevcut kaynakları sevk ve idare etme işi
olarak tanımlanabilmektedir. Yönetim hem bir bilim hem de bir sanat olarak
görülmektedir. Yönetimin bilimsel yönü, mevcut olan bilimsel bilgilerden ve bu
bilgilerin artırılması için yapılan çalışmalardan; sanat yönü ise, bu bilgi birikim-
lerinin kullanılması ile problemlerin çözülmesinden gelmektedir (Koçel, 2015).
Yönetimin bilim yönünü oluşturan çalışmalar sonucunda yönetim teorileri ortaya
çıkmıştır.
-2-
- Yönetim ve Yapay Zekâ -
Yönetim Teorileri
“Yönetim bilimcileri, teorisyenleri ve yazarları da insandır:

Belirli bir toplumda ve belirli bir dönemde büyüdüler ve fikirleri,
bildikleri çevrenin kısıtlamalarını yansıtmaktan başka bir şey yapamaz.”
Hofstede (1993)
Tarihsel süreçte dünya savaşları, sanayi devrimi, bilgi ve iletişim teknolojisindeki

yenilikler, beklentilerdeki değişimler, işgücü yapısı ve küreselleşme gibi faktörle-
rin getirdiği gelişmeler sonucunda yönetim düşüncesinde de değişikliklerin oluş-
ması kaçınılmaz olmuştur. Bu değişikliklere adaptasyon sağlayabilmek amacıyla
yeni yönetim yaklaşımları ve teorileri oluşturmuştur (Kocabaş, 2021; Seçtim ve
Erkul, 2020, s. 22). Literatürde bu teoriler ve yaklaşımlar Klasik Yönetim, Neok-
lasik Yönetim ve Modern Yaklaşımlar olarak ele alınmaktadır. Günümüzde bu
yaklaşımlara ek olarak post modern yönetim yaklaşımları veya çağdaş yönetim
yaklaşımları adı altında yeni teoriler geliştirilmiştir ve geliştirilmeye devam edil-
mektedir.
Klasik/Geleneksel Yönetim
Klasik yönetim yaklaşımları, 1800’lü yıllardan beri günümüzde bile hâlâ geçerlili-
ğini korumaları, yönetim teorileri arasında diğerlerinden daha fazla kabul gören ve
kullanılan yaklaşımlar olmaları sebebiyle klasik veya geleneksel olarak adlandı-
rılmaktadır (Kocabaş, 2021). Klasik yönetim yaklaşımında iki temel düşünce var-
dır. Bunlardan ilki, günlük rutin işlerin gerçekleştirilmesinde nasıl etkili ve verimli
olunacağı; ikincisi ise organizasyonun formel olan yani biçimsel yapısıdır (Özer
ve Çiftçi, 2022; Şahin, 2004). Diğer bir deyişle klasik yönetim teorilerinde, bir
organizasyonun bölümleri, görevleri ve süreçlerindeki formel ilişkilere ve perso-
nellerin daha fazla etkin ve üretken olmasına odaklanılmaktadır (Dahlgaard-Park,
Reyes ve Chen, 2018, s. 31). Bu sebeple klasik yönetim yaklaşımlarının genel
odak noktası üretimde etkinlik ve verimlilik olarak ele alınmaktadır.
Klasik yönetim teorileri. W. Taylor, H. Fayol ve Max Weber tarafından oluşturu-
lan ve günümüzde de uygulanan teorileri kapsamaktadır (Kocabaş, 2021). F. W.
Taylor bilimsel yönetim, H. Fayol yönetim süreci ve Max Weber bürokrasi yakla-
şımlarının öncüleridir. Bu üç yönetim yaklaşımı da 1890’ların sonuyla 1990’ların
-3-
başlarında ortaya çıkmış ve büyük ölçüde fabrikalarda üretkenliği artırmaya özel

ilgi duyan mühendislerin çalışmalarından kaynaklanmıştır (Dahlgaard-Park ve
diğerleri, 2018, s. 31). Bu teoriler aşağıda detaylı olarak açıklanmıştır.
Bilimsel Yönetim Yaklaşımı: Frederick Wilson Taylor
Bilimsel yönetim yaklaşımı, mühendis F. W. Taylor tarafından 1911’de yayımla-

nan "Bilimsel Yönetimin İlkeleri" (The Principles of Scientific Management) adlı
eser ile oluşmuştur. Bu yaklaşımda temel hedef işverenler ve çalışanlar için en
yüksek refahı sağlamak temel alınmıştır (Z. Öztürk ve Demir, 2017). Taylor, bu
yaklaşımda sanayi toplumuna özgü olan şu noktaları vurgulamıştır; gelişigüzel
yöntemler yerine bilim, bireycilik yerine iş birliği, kısıtlı üretim yerine en üst dü-
zey üretim, ihtilaf (uyuşmazlık) yerine uyum ve tüm işçilerin en üst refah ve ve-
rimlilik düzeyine ulaşması gerekmektedir (Alpaslan ve Kutanis, 2007, s. 51). Tay-
lor, üretim tesislerinde bireysel işçi-makine ilişkilerini detaylı bir şekilde incelemiş
ve uzmanlaşmaya büyük önem vermiştir. Zaman ve hareket etüdü yaparak, bir
işçinin bir görevi yerine getirirken fiziksel hareketlerini belirlemede ve ölçmede
başarılı olmuş ve bu hareketlerin bir işçinin üretkenliğini nasıl etkilediğini analiz
etmiştir (Dahlgaard-Park ve diğerleri, 2018, s. 32). Ayrıca organizasyonlarda
fonksiyonel bölümlenmenin temellerini atarak fonksiyonel ustabaşılık kavramını
geliştirmiş ve uzmanlığın otoriteden daha önemli olduğunu ileri sürmüştür. Tay-
lor’a göre her kurumda işler belirli uzmanlar tarafından yapılırsa verimlilik ve
etkinlik artacaktır. Taylor’un bu düşüncelerine karşılık Henry Fayol üretimde ve-
rimliliğin yalnızca işlerin yapılması ile ilgili olmadığını aynı zamanda yönetimin
de sorumlu olduğunu belirtmiş ve böylece yeni bir yaklaşım oluşmuştur.
Yönetim Süreci Yaklaşımı: Henry Fayol
Henry Fayol yönetim süreci yaklaşımının öncüsüdür. Fayol, yazdığı “Genel ve

Endüstriyel Yönetim (Administration Industrielle et Générale)” isimli kitabı ile
yönetime yeni bir bakış açısı getirmiştir. 1946 yılında İngilizce çevirisi yapılana
kadar 1916 yılında Fransa’da yayımlanan bu eser hak ettiği ilgiyi görmemiştir (Z.
Öztürk ve Demir, 2017; Wren, Bedeian ve Breeze, 2002). Örgütün tamamını ele
alan Fayol, yönetimin ilkeleri ve iyi bir organizasyon yapısının neler olması gerek-
tiğini araştırmıştır (Akbıyıklı ve diğerleri, 2017). Araştırmaları sonucu Fayol, içe-
risinde uzmanlaşma, yetki, ücret, adalet vb. konuların yer aldığı 14 farklı yönetim
ilkesi belirlemiştir.
-4-
Yönetim süreci yaklaşımı da bilimsel yönetim yaklaşımı gibi ekonomik etkinlik ve

rasyonellik fikrini almıştır. Dolayısıyla bu yaklaşım Taylor’un görüşünün bir deva-
mı, onun tamamlayıcısı sayılabilir. Bu yaklaşım sadece organizasyon konuları ile
değil, yönetimin bütün alanları ile ilgili ilkeler geliştirmeye çalışmıştır (Koçel, 2015,
s. 245). Diğer bir deyişle Fayol, organizasyonu bir bütün şeklinde görerek iyi bir
organizasyon tasarımının olması gereken şeklini ve yönetim ilkelerini incelemiş ve
ortaya koymuştur (Karaboğa ve Zehir, 2020, s. 55). Taylor, çalışmaya işçi olarak
başladığından dolayı çoğunlukla üretim yönetimine odaklanmış; ilkelerini de atölye
düzeyindeki deney ve çalışmalarla alt kademeden üst kademeye doğru geliştirmiştir.
Henry Fayol ise alt kademe yönetici pozisyonunda başladığı için ilkelerini yönetim
seviyesinden aşağıya doğru geliştirmiştir (Akbıyıklı ve diğerleri, 2017). Bu yönü ile
yönetim süreci yaklaşımı, bilimsel yönetim yaklaşımına göre daha kapsamlı ve daha
geniştir (Koçel, 2015, s. 245).
Fayol tarafından planlama, örgütleme, yöneltme/yönlendirme, koordinas-
yon/eşgüdümleme ve denetim/kontrol şeklinde beş farklı yönetim süreci oluştu-
rulmuştur (Koçel, 2015; Tuan ve Memiş, 2007, s. 2). Yönetim sürecinin ilk aşama-
sı işlemelerin neden, nerede, nasıl, kim tarafından, hangi yöntemlerle ve ne zaman
gerçekleştirileceğinin belirlendiği planlamadır (Anameriç, 2005). Planlama, gele-
cekteki olaylara ilgilenirken aynı zamanda geleceğin bugünden şekillenmesidir
(Özalp, 2012). Organizasyonların amacını gerçekleştirirken bu amaca uygun bir
yapının oluşturulması, doğru personelin seçilmesi ve belirlenen amaç doğrultusun-
da donatının gerçekleştirilmesi gerekmektedir (Buluç, 1996, s. 514). Bu gereklilik-
ler örgütleme kavramı ile açıklanmakta ve oluşturulan plan doğrultusunda hareket
edilmesi ile gerçekleştirilmektedir. Yöneltme/yönverme ise yöneticinin çalışanlara
yol göstererek liderlik yapmasıdır (Altuntop, 2015, s. 18). Yapılan bu yönlendir-
meler doğrultusunda tüm planların eşgüdümlü bir şekilde aksaklık yaşanmadan
gerçekleştirilmesinin sağlanması koordinasyon sürecini oluşturmaktadır. Son ola-
rak denetim/kontrol ise yönetimin diğer dört fonksiyonunun birleşmesi ile oluşan
çıktının değerlendirilmesi ve geri bildirim sağlanmasıdır (Aslan, 2010). Drucker
(1954), Kast ve Rosenzweig (1965; 1970), Litterer (1965) ve Luneski (1964) tara-
fından yönetimde kontrolün/denetimin iki şekilde görülebileceği belirlenmiştir.
Bunlardan ilki faaliyetlerinin yönlendirilmesi yoluyla astlar üzerinde etkili kontro-
lün sağlanmasıyla ilgilidir. İkincisi, bir faaliyetin istenen sonucunun değerlendi-
rilmesi ve gerektiğinde düzeltmelerin yapılması ile ilgilidir (Giglioni ve Bedeian,
1974; Ulin, 1954). Bu yönetim fonksiyonları Gullick ve Urwick tarafından
1937‘de yayınlanan eserde POSDCORB olarak kodlanmıştır (Buluç, 1996, s.
-5-
514). POSDCORB Planning (Planlama), Organizing (Örgütleme), Staffing (Per-

sonel temini), Directing (Yönetme), Coordinating (Koordine etme), Reporting
(Bilgilendirme), Budgeting (Bütçe hazırlama) kavramlarının ilk harflerinin bir
araya gelmesinden oluşmaktadır (Altuntop, 2015). Sonuç olarak bu süreçler plan-
lama ile başlamakta, kontrol ile bitmekte ve yeniden planlama ile devam etmekte-
dir (Kocabaş, 2021). Buradan yola çıkarak yönetim sürecinin organizasyon var
oldukça devam eden sonsuz bir döngü olduğunu ve herhangi bir aksaklıkta tüm
sürecin etkileneceğini söylemek gerekmektedir.
Bürokrasi Yaklaşımı: Max Weber
Alman sosyolog Max Weber’in görüşlerinden yola çıkarak bürokrasi yaklaşımı

oluşmuştur (Koçel, 2015, s. 263). Weber'in görüşüne göre bürokrasi iki farklı şe-
kilde oluşabilir. Bürokrasi ya yasal-rasyonel bir düzen sonucunda ya da karizma-
nın kalıtsal değil, bürokratik yönde kurumsallaşması sonucu ortaya çıkar (Constas,
1958). Yönetim ve organizasyon açısından incelendiğinde Weber'in bürokrasi yak-
laşımı aşağıdaki başlıklar altında toplanabilir (Şeker, 2014):
1. Hiyerarşik yapılanma ve emir-komuta zinciri
2. Yönetmelikler ve kurallar
3. İş bölümü ve uzmanlaşma
4. Yönetici ve ast ilişkisinin bireysellikten çok profesyonellik içermesi
5. İş atamaları yapılırken liyakatin öncelikli olması (hatta dikkate alınana tek
şey olması).
Bürokrasi teorisi, örgütsel özellikler ile davranış, idari zihniyet, değişim ve per-
formans arasındaki ilişkilere ilişkin bir dizi teorik fikir ve hipotezi ifade etmektedir
(Olsen, 2006). Weber'in yazıları incelendiğinde, "bürokratik" olarak nitelendirdiği
örgütlerin, hiyerarşik bir otorite yapısı, idari bir kadro ve göreve göre farklılaşan
ödüller ile ayırt edildiği görülür. Dolayısıyla bu özellikler, resmi organizasyonun
bürokratik unsurları olarak adlandırılır (Udy, 1959, s. 793). Constas’a (1958) göre
Weber’in bürokrasisinde yatan temel, otoriteden kaynaklanmaktadır. Otorite de bu
noktada 3 farklı şekilde oluşmaktadır. Bunlardan ilki, meşruiyetin "normatif kural
kalıplarının" yasallığına "ve bu tür kurallar altında otoriteye yükseltilmiş olanların
emir verme hakkına" dayandığı yasal-rasyonel temeldir. Yönetim veya otorite için
olası temellerden ikincisi gelenekseldir yani babadan oğula geçen bir otorite mev-
cuttur. Sonuncusu ise karizma yani karizmatik güçtür (Constas, 1958). Sonuç ola-
-6-
rak Weber’in bürokrasi yaklaşımında yöneticiler ya meşru otorite ile ya geleneksel

otorite ile ya da karizmatik otorite ile yetki elde etmektedir.
Genel olarak bakıldığında klasik yönetim teorilerinde öncelikle üretim, yönetim,
organizasyon, teknoloji ve bilime odaklanılmış, ancak insanların nasıl etkilenebile-
ceğine, nasıl tepki vereceklerine ve geleceğe nasıl tepki vereceklerine çok az ilgi
gösterilmiştir (Dahlgaard-Park ve diğerleri, 2018). Bu sebeple klasik yönetim teori-
lerinin insan unsurunu geride bırakması yönetim teorisyenleri tarafından eleştirilmiş
ve insan unsurunu da kapsayan neo klasik yönetim yaklaşımı ortaya çıkmıştır.
Neo Klasik (Davranışsal) Yönetim
Davranışsal teori olarak ele alınan ve insanların davranışlarını farklı açılardan in-
celeyen bu yeni yaklaşımın en dikkat çeken özelliği klasik yönetimden farklı ola-
rak yönetimde insan unsurunu da ele almalarıdır (Koçel, 2015, s. 273). Neoklasik
yaklaşım, organizasyonda insan davranışının anlaşılmasına kayda değer birçok
katkı sağlamıştır. İnsan unsurunun endüstrideki ezici rolüne dair farkındalık oluş-
turmuştur. Bu yaklaşım, insan davranışını daha iyi kavramak için yeni fikirler ve
yöntemler sağlamıştır (Sarker ve Khan, 2013, s. 4). Neo klasik yaklaşım adı altın-
da incelenen birçok çalışma ve deney yer almaktadır. Bunlardan ilki Elton Mayo
ve arkadaşları tarafından geliştirilen insan ilişkileri yaklaşımıdır.
Elton Mayo 1927-1932 yılları arasında Western Electric Company'de (ABD) ünlü
Hawthorne Deneylerini yürüten ekibin lideriydi (Sarker ve Khan, 2013). Mayo
çalışmaları esnasında dikkatini, bireysel ve fiziksel düşüncelerden, sosyolojik ve
psikolojik değerlendirme gerektiren iş gruplarının önemine çevirmeyi başarmıştır.
Mayo ve arkadaşları tarafından yapılan çalışmaların başlıca bulgularından bazıları
şunları içermektedir (Dahlgaard-Park ve diğerleri, 2018):
1. İş görenler bireysel değil grup şeklinde hareket etmiştir.
2. İş görenler, grup çıkarlarını bireysel çıkarlardan üstün tutmuştur.
3. Para motive olmak için tek kaynak değildir.
4. Denetçiler çıktı üzerinde önemli etkiye sahiptir.
5. Bireylerin sosyal dünyası iş faaliyetleri dahilinde şekillenmektedir.
6. İş görenlerin moral ve üretkenliklerini belirlemede çalıştıkları fiziksel or-
tamdan ziyade tanınma, güvenlik ve aidiyet duygusu daha önemlidir.
7. Şikâyet genellikle bir bireyin mevcut durumundan rahatsızlığını gösteren
bir belirtidir.
-7-
8. İş gören, davranışları ve etkinliği hem organizasyon içinden hem de dışar-

dan gelen sosyal beklentilerle şekillenen bir kişidir.
9. Organizasyondaki informal ilişkiler, iş görenlerin çalışma alışkanlıkları ve
tutumları üzerinde güçlü sosyal kontrol uygulamaktadır.
10. Grup iş birliği tesadüfen oluşmaz; planlanmalı ve geliştirilmelidir.
McGregor, klasik ve neoklasik yönetim kuramlarından esinlenerek yöneticilerin
insan davranışları ile ilgili görüşlerini iki farklı yapıyı içeren bir model oluştur-
muştur. Bu zıt yapılar da X ve Y kuramlarıdır. Bu kuramlara ait özellikler aşağıda
verilmiştir (Deniz ve Tulya, 2003, s. 57; Koçel, 2015; Kopelman, Prottas ve Da-
vis, 2008, s. 255; Kopelman, Prottas ve Falk, 2010; Tekı̇ n, Baş ve Gökdemı̇ r,
2016).
X kuramına göre;
1. Ortalama bir insan çalışmayı sevmemekle birlikte işten mümkün oldu-
ğunca kaçmaya çalışır.
2. Ortalama bir insan sorumluluk yüklenmek istemez, fazla istekli değildir
ve güvence onun için en önemli unsurdur.
3. Yukarıdaki iki unsurdan dolayı insanları çalıştırmak için onları zorlamak,
yakından kontrol etmek ve amaçlara ulaşmak için cezalandırmak gerek-
mektedir.
Y kuramına göre ise,
1. İnsan için iş, dinlenme ve oyun kadar doğal bir durumdur.
2. İnsan doğası gereği veya doğuştan tembel değildir, insanı bu hale getiren
elde ettiği tecrübelerdir.
3. İnsanın kendi kendini bireysel olarak denetleyebilme yeteneği vardır ve
bu yüzden ayrıca denetlenmeye ihtiyaç duymamaktadır.
4. Her insan uygun koşullar sağlandığında mevcut potansiyelini geliştirir ve
organizasyonun etkinliğine katkıda bulunacak fikirler ve önerilere sahiptir.
5. Liderler uygun koşulları sağlayarak, kişisel gelişime fırsat oluşturmalıdır.
Bu sayede ödüller sağlayarak ve kararlara katılım teşvik edilerek hem ki-
şisel hem de örgütsel hedefler eş zamanlı olarak gerçekleştirilebilir.
McGregor’un X ve Y yaklaşımını geliştiren Rensis Likert, etkin olan ve etkin
olmayan örgütleri birbirinden ayıran yönetsel, yapısal ve davranışsal etmenleri
araştırmıştır. Organizasyonlar için insan unsurunun en önemli faktörlerden biri
olduğunu belirten Likert, yönetim sistemleri ve yönetici davranışlarını sistem 1,
-8-
sistem 2, sistem 3 ve sistem 4 olmak üzere dört farklı kategoride ele almıştır.
Sistem 1 ve 2 McGregor’un X teorisini belirtirken, Sistem 3 ve 4 ise Y teorisi
belirtmektedir (Seçtim ve Erkul, 2020, s. 28).
Literatürde, yukarıda açıklanan yaklaşımlara ek olarak Kurt Lewin tarafından
Iowa Üniversitesi’nde yapılan Maske deneyleri ve Chris Argyris tarafından gelişti-
rilen olgunlaşma kuramı da Neoklasik yaklaşımlar adı altında incelenmektedir.
Kurt Lewin tarafından yapılan maske deneylerinde liderlik tarzlarının üretimdeki
rolü incelenmiştir (Lewin ve Lippitt, 1938). Chris Argyris tarafından ise hem or-
ganizasyonun hem çalışanların olgunlaşma sürecinin olduğunu ve organizasyonla-
rın biçimsel yapısının çalışanların olgunlaşmasını engellediği belirtilmiştir (Öz-
türk, 2016).
Modern Organizasyon Teorileri
Klasik ve neoklasik yönetim teorileri organizasyonları çevresinden bağımsız bir

şekilde ele almıştır. Buna ek olarak modern organizasyon teorilerinde organizas-
yonlar birer sistem olarak ele alınmış ve organizasyonların hem iç çevreye hem de
dış çevreye sahip oldukları, genel geçer bir yönetim tarzının çok mümkün olmaya-
cağı ve hem klasik hem neoklasik yönetim teorilerinin bir arada bulunabileceğini
benimseyen yaklaşımlar ortaya çıkmıştır. Bu doğrultuda modern organizasyon
teorilerinin ele alındığı bu bölümde Sistem Yaklaşımı ve Durumsallık (Koşul Bağ-
lılık) Yaklaşımı ile ilgili bilgilere yer verilmiştir.
Sistem Yaklaşımı
Bugünkü anlamda sistem yaklaşımı, 1920’lerde Ludwig Von Bertalanffy adında

bir biyolog tarafından oluşturulmuştur (Akkuş ve Alevok İzci, 2018). Bu yaklaşım,
örgütü bütüncül bir bakış açısı ile incelemiş ve çevrenin örgütler üzerindeki öne-
mini vurgulamıştır. Örgütün amaçlarına ulaşmasında, bütünü oluşturan her bir
parçanın birbiri ile ilişkisi ve amaçlara sağladığı katkının derecesi bu yaklaşımın
temelini oluşturmaktadır (Demir ve Erigüç, 2018). Sistem teorisinin odak noktası,
bir kurumun işleyişini, organizasyonunu ve sonuçlarını anlayabilmek için o kuru-
mu oluşturan parçalar arasındaki etkileşimler ve ilişkilerdir (Mele, Pels ve Polese,
2010).
Sistem yaklaşımının temel hedefi, yönetim işleminin ve yönetim birimlerinin bir-
biri arasındaki ilişkileri ve bu ilişkilerin niteliğini araştırmak, belirli bir birimde
-9-
oluşan gelişmelerin farklı bir birimdeki etkisini/etkilerini belirlemek yani yönetim

olaylarını diğer olaylarla ve çevresel koşullarla ilişkilerini değerlendirmektir (Te-
cim, 2004, s. 80). Bu yaklaşıma göre işletmeler de birer sistemdir ve işletmeler
birbirine bağlı alt sistemlerden oluşmaktadır (Akkuş ve Alevok İzci, 2018). Bu
durumda esas sistem organizasyondur ve birbirleriyle ilişkili ve birbirine bağımlı
farklı alt sistemleri içermektedir. Üretim, muhasebe, pazarlama, araştırma-
geliştirme, personel ve satış alt sistemler olarak sayılabilmektedir. Sistem yaklaşı-
mında önemli olan bu her bir alt sistemin nasıl ve nerede ilişkili olduğu ve birbir-
lerine bağımlı olduklarıdır (Tecim, 2004, s. 81).
Sistem Yaklaşımına göre, sistemler açık sistem ve kapalı sistem olmak üzere ikiye
ayrılmaktadır. Açık sistemler, kuruluşlar ve dahil oldukları çevre arasındaki ilişki-
lere bakar. Bu durum, kuruluşların çevresel koşullardaki değişikliklere uyum sağ-
lama becerisini yansıtır (Boulding, 1956). Kapalı sistemler ise aksine çevresi ile
bilgi veya malzeme alışverişi gerçekleştirmemektedir (Mele ve diğerleri, 2010, s.
127). Açık sistemlerin çevrelerine uyum sağlamaları veya çevrelerini yönlendire-
bilmeleri gerekmektedir. Aksi takdirde işletmeler entropi ile karşı karşıya kalmak-
tadır. Entropi, bir işletmenin çevresine uyum sağlayamaması ve çöküşe geçmesi
demektir. İşletmeler çevrelerine bu süreçte uyum sağlamayı başarabilirse nego-
entropi veya negatif entropi gerçekleşmiş olur ve negatif entropi kavramı da bu
çöküş aşamasından çıkılmasını ifade eder.
Durumsallık Yaklaşımı
Neoklasik yaklaşımlar bölümünde McGregor tarafından geliştirilen ve iki farklı uç

olan X ve Y kuramına yer verilmişti. McGregor'un varsayımları birbirinden bağım-
sız bir şekilde X ve Y olarak ayrılsa da birbirinden aslında bağımsız değildir. Aslın-
da, yöneticiler için her iki kutbun yönlerini sergilemek mümkündür; böylece bir
teori X/Y tipolojisi yaratılır (Russ, 2011, s. 826). Russ (2011) tarafından belirtilen bu
görüş aslında durumsallık yaklaşımının temelini oluşturmaktadır. Çünkü bu yakla-
şımının diğer yaklaşımlardan en büyük farkı hiçbirini yok saymadan her birinin za-
mana veya duruma göre uygulanabileceğinden bahsetmesidir (Alpaslan ve Kutanis,
2007). Alpaslan ve Kutanis ‘e (2007) göre durumsallık yaklaşımında, organizasyon-
lar çevresindeki değişiklerden bağımsız değildir ve etkilenmektedir. Bu durumda
çevresindeki değişiklikleri takip etmeli ve buna göre kararlar almalıdır.
Durumsallık Yaklaşımı altında ele alınarak organizasyon ile çevre ve organizasyon
ile teknoloji arasındaki ilişkinin yönetimdeki etkisini ölçmek amacıyla literatürde
- 10 -
birçok saha araştırması yapılmıştır. Bu araştırmalara örnek olarak Woodward araş-

tırması, Aston Grubu Araştırması, Tavistock Enstitüsü Çalışmaları, Lawrence
Lorsch Çalışması, Emery-Trist Çalışması vb. verilebilir (Koçel, 2015). Bu çalış-
malar, belirli organizasyonlarda küçük grupların oluşturulması, bu gruplara farklı
tarzda yöneticiler atanması ve bu duruma deneklerin verdiği tepkiler sonucunda
her durumda aynı yönetim tarzının benimsenemeyeceğini ortaya koymuştur.
Yapay Zekâ Kavramı ve Kapsamı
“Yapay zekânın halk için bir tehlike oluşturmadığından emin olmak için yapay
zekâyı denetleyecek bir düzenleyici organın kurulması gerektiğini düşünüyorum”
Elon Musk (2023)
Yapay zekâ, II. Dünya Savaşı ile birlikte hayatımıza giren bilgisayar yazılımları-
nın önde gelen isimlerinden biri olan ünlü matematikçi ve bilgisayar bilimi uzmanı
Alan Turing’in makine zekâsıyla ilgili testi oluşturması ile ortaya çıkmıştır (Lom-
bardo ve diğerleri, 2022; T. Uzun, 2020). Daha sonrasında ise yapay zekâ, 1956'da
Dartmouth konferansında John McCarthy tarafından ileri sürülmüş ve yapay zekâ
alanı isim olarak buradan doğmuştur (Liu, Rong ve Peng, 2020). Bunun üzerine
1980-1990 yıllarında yapay zekâ alanında birçok çalışma yapılmış fakat yapay
zekânın kullanımı 2000’li yıllarda mümkün olabilmiştir. Günümüzde metin anali-
zi, alışveriş siteleri, sosyal medya platformları, çeviri ve yüz tanıma programları
gibi pek çok program/uygulama yapay zekâ temelli çalışmaktadır (Erturk ve Er-
turk, 2021, s. 40).
Literatüre bakıldığında, birbirine benzer bir şekilde her biri belirli görevleri ger-
çekleştirmek amacıyla programlanan insan dışı zekânın temel kavramlarını içeren
(Dwivedi ve diğerleri, 2021) yapay zekâ tanımlarının olduğu görülmektedir. Bir
tanıma göre yapay zekâ, bilgisayar biliminin belki de en eski alanıdır ve çok geniş-
tir. Yapay zekâ gerçek dünyadaki problem çözen, insanlar gibi öğrenen ve düşü-
nen sistemler oluşturmak için bilişsel işlevleri taklit etme ile ilgilenmektedir (Hol-
zinger, Langs, Denk, Zatloukal ve Müller, 2019, s. 1). Yapay zekâ, analiz ve öğ-
renme gibi akıllı davranış yeteneğine sahip bilgisayarlar ve bilgisayar yazılımı
olarak tanımlanabilmektedir (Büyükgöze ve Dereli, 2019). Kaplan ve Haenlein’e
(2019) göre ise yapay zekâ, bir sistemin mevcut verileri yorumlama, verilerden
öğrenme ve öğrenme sonucunda mevcut verileri belirli görev ve hedefleri gerçek-
leştirmek için kullanabilme becerisidir. Diğer bir tanıma göre yapay zekâ; bilgisa-
yar sistemiyle oluşturulan robotların tıpkı bir insan gibi düşünmesini ve onun gibi
- 11 -
hareket etmesini sağlamak amacıyla oluşturulmuş bir teknolojidir (Sucu, 2019, s.

205). OECD'nin Yapay Zekâ Konseyi'nde yapay zekânın tanımı şu şekilde yapıl-
mıştır: “Yapay zekâ sistemi, belirli bir insan tanımlı hedefler dizisi için gerçek
veya sanal ortamları etkileyen tahminler, öneriler veya kararlar verebilen makine
tabanlı bir sistemdir.” (OECD Legal Instruments, 2019). Yapay zekâ, insana has
düşünme ve bilinç yapısının makineye adapte edilmesiyle karmaşık işlemleri insan
beyin yapısı gibi çözmek amacıyla oluşturulmuş sistemlerdir (Akalın ve Veran-
yurt, 2020, s. 134). Bu tanımlardan yola çıkarak yapay zekânın insan gibi düşüne-
bilen, bilgiyi işleyebilen, öğrenebilen ve karar verebilen bilgisayar sistemleri oldu-
ğu söylenebilmektedir. Verileri işleyebilmek ve bunlardan anlam çıkarabilmek için
ise yapay zekânın öğrenebilmesi gerekmektedir. Bu noktada makine öğrenimi kav-
ramı oluşmaktadır.
Makine Öğrenimi ve Derin Öğrenme
Yapay zekâyı tek başlık olarak tanımlamak işlevlerini anlamak için yeterli olma-
yabilir. Bu nedenle, yapay zekâ kavramı açıklanırken derin öğrenme ve makine
öğrenimi kavramlarının da tanımlanması gerekmektedir. Yapay zekâ, makine öğ-
renimi ve derin öğrenme arasındaki bağlantı Şekil 1’de yer almaktadır. Buna göre
yapay zekâ temel alanı makine öğrenimi ve derin öğrenmeyi kapsarken makine
öğrenimi de derin öğrenmeyi kapsamaktadır.
Yapay Zekâ
Makine Öğrenimi
Derin Öğrenme
Şekil 1. Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme Hiyerarşisi

Kaynak. Shinde ve Shah (2018) kaynağından uyarlanmıştır.
- 12 -
Öğrenme, makinelerin hayati bir yönünü oluşturmaktadır. Makine öğrenimi, yapay

zekânın bir alt alanı olarak ele alınmaktadır. Bilgisayar bilimciler, makine öğreni-
mi alanında 1950'lerden beri çaba sarf etmektedir (Shinde ve Shah, 2018). Makine
öğrenimi, öğrenen sistemlerin ve makinelerin oluşmasını içeren yapay zekânın
önemli alanlarından biridir. Makine öğrenimi alanı, gelişen ve değişen yapay zekâ
için kritik bir değere sahiptir (Ozturk Dilek, 2019). Haniesch ve diğerlerine (2021)
göre makine öğrenimi denetimli öğrenme, denetimsiz öğrenme ve güçlendiril-
miş/takviyeli öğrenme olmak üzere üç şekilde gerçekleştirilmektedir. Jiang ve
diğerleri (2017) tarafından da bu aşamalar makine öğrenimi içerisinde denetimli
öğrenme, denetimsiz öğrenme ve yarı denetimli öğrenme olarak sınıflandırılmıştır.
Bu aşamalarda birbirinden farklı olan nokta yönlendirme sağlamaktır. Denetimli
öğrenmede belirli eğitim setleri ile girdi ve çıktı yönlendirilirken denetimsiz öğ-
renmede girdilerde bu tarz bir yönlendirme söz konusu değildir. Güçlendiril-
miş/takviyeli öğrenmede ise herhangi bir girdi ve çıktı çiftleri bulunmadan makine
öğrenimi sistemi serbest bırakılır ve genellikle oyunlar gibi kapalı sistemlerde ol-
dukça işe yaramaktadır. Goodfellow ve diğerleri (2020), en çok kullanılan makine
öğrenimi modelinin denetimli öğrenme olduğunu belirtmiştir.
Makine öğrenimi, bir veri kümesine dayalı olarak akıllı tahminler gerçekleştiren
çok çeşitli algoritmaları ifade eden şemsiye bir terimdir. Bu veri kümeleri genel-
likle büyüktür ve belki de milyonlarca benzersiz veri noktasından oluşur (Nichols,
Herbert Chan ve Baker, 2019). Bu tür öğrenilmiş modeller daha sonra belirli gö-
revleri yerine getirmek veya yönlendirmek ve tahminler yapmak için uygulanmak-
tadır (OECD Legal Instruments, 2019). Diğer bir deyişle makine öğrenimi, değiş-
kenler arasındaki etkileşim modellerini tanımlayarak büyük verilerle karmaşık
sorunları çözmeye yönelik çeşitli teknikleri temsil etmektedir (Krittanawong,
Zhang, Wang, Aydar ve Kitai, 2017). Makine öğrenimindeki son ilerlemelerin,
insan düzeyinde bir semantik anlama ve bilgi çıkarma seviyesine ve bazen soyut
kalıpları uzmanlardan daha yüksek doğrulukla tespit etme becerisine ulaştığı gö-
rülmektedir (Nichols ve diğerleri, 2019).
Son birkaç on yıldır, makine öğreniminin geliştirilebilmesi için üstün çabalar sarf
edilmektedir. Bu, makinelerden daha yüksek beklentilere yol açmaktadır. Makine
öğreniminin bir alt kümesi olan derin öğrenme de bu çabaların bir sonucudur
(Shinde ve Shah, 2018). Derin öğrenme, son yıllarda örüntü tanıma ve makine
öğrenmesinde önemli bir yer edinmiştir (Ravì ve diğerleri, 2017, s. 17). Modern
bilgi işlemin hızlı gelişimi, klasik sinir ağları için mümkün olmayan çok sayıda
katmana sahip sinir ağları oluşturmak için derin öğrenmeyi mümkün kılmaktadır.
Bu nedenle derin öğrenme, verilerdeki daha karmaşık doğrusal olmayan kalıpları
keşfedebilmektedir (Jiang ve diğerleri, 2017). Diğer bir deyişle derin öğrenme,
- 13 -
girdilerden (eğitim veri kümeleri) otomatikleştirilmiş tahminler üretebilen çok

sayıda yapay nöronal ağ katmanı kullanarak insan beyninin işleyişini taklit etmek-
tedir (Krittanawong ve diğerleri, 2017).
Derin öğrenme, çok büyük hacimli verilerden üst düzey bilgileri çıkardığı için
büyük veriler bağlamında paha biçilmez olacaktır (Rusk, 2016; Zhang, Yang,
Chen ve Li, 2018). Tam tersi olarak, sistemli büyük verilerin oluşturulması da
derin öğrenme açısından oldukça önemli görülmektedir. Genel olarak derin öğ-
renme, veriler büyümeye devam ettikçe, özellikle artan işlem gücü ve grafik iş-
lemcilerdeki gelişmelerle birlikte, büyük veri tahminine dayalı analitik çözümleri
sağlamada önemli bir rol oynayacağı bilinmektedir (Chen ve Lin, 2014). Bu doğ-
rultuda doğru veri setleri oluşturarak büyük verilerin sistemli bir şekilde depolan-
ması oldukça önemli olmaktadır.
Yapay Zekânın Aşamaları/Evreleri
Yapay zekânın dar yapay zekâ, genel yapay zekâ ve süper yapay zekâ olmak üzere
üç farklı gelişim aşaması bulunmaktadır. Bu aşamalar/evreler Şekil 2’de yer al-
maktadır. Günümüzde modern işletmelerde kullanılan yapay zekâ teknolojilerinin
kısıtlı alanda uzmanlık sahibi olan dar yapay zekâ sistemleri olduğu bilinmektedir
(Ünal ve Kılınç, 2020). Bu bağlamda dar yapay zekânın insan zekâsını aşamadığı-
nı söylemek mümkündür (Peifer, Jeske ve Hille, 2022).
Kısıtlı/Dar
Yapay Zekâ Genel Yapay Zekâ Süper Yapay Zekâ
(Zayıf, Düşük, İnsan (Güçlü, İnsan (Bilinçli/Kendinin
Farkında, İnsan
Düzeyinde Yapay Düzeyinde Yapay
Düzeyinin Üzerinde
Zekâ) Zekâ)
Yapay Zekâ)
- Yapay zekâyı - Yapay zekâyı birkaç

- Yapay zekâyı
yalnızca belirli alanlara alana uygular
herhangi bir alana
uygular - Diğer alanlardaki uygular
- Diğer alanlardaki sorunları otonom
- Diğer alanlardaki
sorunları otonom olarak çözebilir
sorunları anında
olarak çözemez - Birçok alanda çözebilme
- Belirli bir alanda insanlardan daha iyi
- Her alanda
insanlardan daha iyi performans
insanlardan daha iyi
performans gösterir/eşittir
performans gösterir
gösterir/eşittir
Şekil 2. Yapay Zekânın Evreleri/Aşamaları

Kaynak. Kaplan ve Haenlein (2019) ile Uzun ve diğerleri (2021) kaynaklarından
uyarlanmıştır.
- 14 -
İlk aşama olan dar yapay zekâ, insan performansına daha yakın olan bir evredir.
Bu aşamada yapay zekâ yalnızca belirli görevlerde kullanılmakta ve neredeyse her
yerde bulunmaktadır. Dar yapay zekâ uygulamalarına Facebook’un resimlerdeki
yüzleri tanıması, kullanıcıları etiketlemesi ve Siri’nin bireylerin seslerini algılayıp
buna göre hareket etmesi, Tesla’nın sürücüsüz araçlar üretmesi örnek olarak veri-
lebilmektedir. Genel yapay zekâ aşaması ikinci aşamayı oluşturmakta ve tasarlan-
madıkları görevler için özerk bir şekilde akıl yürütebilen, planlayabilen ve sorunla-
rı çözebilen ikinci nesil yapay zekâ olarak tanımlanabilmektedir. Son aşamada ise
gelecekte, gerçekten kendini tanıyan ve bilinçli sistemler olan ve belirli bir şekilde
insanları gereksiz kılacak olan üçüncü nesil yapay süper zekâ gelmektedir. Yapay
süper zekâ, yapay zekânın her alanda uygulanabilmesini, bilimsel yaratıcılık, sos-
yal beceri ve genel bilgelik yeteneğine sahip olunabilmesini içerdiği için gerçek
yapay zekâ olarak da adlandırılabilmektedir (Kaplan ve Haenlein, 2019; Y. Uzun
ve diğerleri, 2021). Sonuç olarak, günümüzde yapay zekânın belirli girdilere ve
çıktıların yönlendirilmesine ihtiyacı vardır ancak gelecekte bu durumun değişeceği
ve tamamen kendiliğinden çalışan ve sonuçlar elde eden yapay zekâların oluşacağı
beklenmektedir.
Yapay Zekânın Yönetimdeki Yeri
Uzun yıllar boyunca üzerinde çalışılan ve geliştirilen, farklı uygulamaları olan

yapay zekâ teknolojisinin hayatın her alanını dönüştürme yeteneğine sahip olduğu
varsayılmaktadır. Finans, sağlık, ulaşım, güvenlik ve adalet gibi alanlarda farklı
uygulamalar ile yapay zekâ teknolojisi kullanılmaktadır (Yılmazel, 2022, ss. 96-
98). Yapay zekâ modern bilgi teknolojileri ve yapay zekâ tarafından desteklenen
bilişsel makinelerin ortaya çıkışı, insanların yaşamlarını ve çalışmalarını güçlü bir
şekilde dönüştürdü. Yapay zekâ bazı sektörlerde üretkenliği artırabilirken, insan
işini devralabileceği ve çoğu meslekte devrim yaratabileceği durumlar da vardır
(Guliyev, 2023). Guliyev (2023) tarafından panel veri analizi yöntemi kullanılarak
yapılan bir çalışmada, ileri teknoloji kullanan ve gelişmiş 24 farklı ülkede yapay
zekâ ile işsizlik arasında anlamlı bir ilişkinin olup olmadığı araştırılmış ve çalış-
manın sonucunda yapay zekânın işsizliği azalttığı tespit edilmiştir.
Toprak, Özel ve Çalışkan’a (2022, s. 77) göre yapay zekâ, resmi kurum ve kuru-
luşlarda ve aynı zamanda özel sektörde memnuniyet belirlenmesi, şikayet ölçümü
ve personelin işe alımı gibi yönetim süreçlerinde devrim yaratmaktadır. Kuruluş-
lar, operasyonlar ve lojistikteki rutin yönetim görevlerini otomatikleştirmek için de
uzun süredir yapay zekâ tabanlı çözümler kullanıyor (Raisch ve Krakowski, 2021).
- 15 -
Müşteri hizmetleri, yapay zekânın mevcut ilişkileri iyileştirebileceği ve verimliliği

artırabileceği kilit bir alan olarak görülmektedir. Çünkü yapay zekâ destekli geliş-
tirilen sohbet robotları, müşterilerden aldığı geri bildirimlerden makine öğrenimi
sayesinde müşterilere kişiselleştirilmiş yardım hizmeti verebilmektedir (Toprak ve
diğerleri, 2022, s. 78). Ayrıca yapay zekâ gibi yenilikçi teknolojiler, veri analitiği-
nin önemli ölçüde artan gücüyle birleştiğinde, kurumlara müşteriler hakkında daha
fazla bilgi toplama ve ardından bunları her zamankinden daha hızlı ve doğru bir
şekilde analiz etme potansiyeli verebilir (DiClaudio, 2019, s. 45). İş ortamı dina-
miktir ve pazarda rekabetçi kalabilmek için stratejik, operasyonel ve taktiksel açı-
dan yüksek kaliteli kararlar gerektirir (Dubey ve diğerleri, 2020). Bu doğrultuda
yapay zekâ, kurumlara üretim yönetimi sürecinde stratejik karar verme açısından
faydalı analizler oluşturmakta ve yöneticilere birer istatistik uzmanı görevi gör-
mektedir. Accenture Institute for High Performance (AIHP) ve Accenture Strategy
tarafından yapılan araştırmalar doğrultusunda, gelecekte yapay zekâ uygulamala-
rının programlama, planlama, optimizasyon vb. rutin görevleri yöneticiler yerine
üstlenebilecekleri düşünülmektedir (Ünal ve Kılınç, 2020).
Bu dijital çağda, başarılı uygulama iş gücü becerilerine bağlı olduğundan, büyük
veri analitiği (BDA) ve yapay zekâ bilgisinin örtülü bir kaynak olduğu kanıtlan-
mıştır. Bu iş gücü becerileri temel olarak programlama ve veri analitiği yetenekle-
rini içermektedir (Bag, Pretorius, Gupta ve Dwivedi, 2021). Solaimani ve Swaak
(2023) programlama ve veri analitiği gibi yeteneklere henüz sahip olmayan ku-
rumların yapay zekâ gibi yeni teknolojileri benimserken dış kaynak kullanımına
giderek destek aldıklarını ancak bu desteğin mevcut verileri paylaşmayı içerdiğin-
den kurumlarda endişe oluşturduğunu belirmiştir. Organizasyonlarda yapay zekâ
kullanımını benimseme aşamasında, yöneticilerin başarılı yapay zekâ uygulamala-
rı için gereken yetenekleri ve potansiyel engelleri bilmeleri gerekmektedir
(Dwivedi ve diğerleri, 2021). Bu doğrultuda mevcut endişelerin giderilmesi, orga-
nizasyonlarda yapay zekânın ve yapay zekâ odaklı teknolojilerin benimsenmesi
için liderliğe ihtiyaç duyulmaktadır.
Liderlik, yönetim biliminde oldukça önemli bir unsurdur. Çünkü liderlik tanımı
gereği takipçilerini etkilemek ve bir amaç doğrultusunda bu takipçileri harekete
geçirebilmeyi içermektedir. Liderliğin özünde liyakat vardır. Mumford ve diğerleri
(2000), liderlik etmede en önemli özelliklerden birinin liderin problem çözme be-
cerileri ve bilgisinin olduğunu belirtmektedir. Bu bakış açısı liderliği bir sosyal
problem çözme şeklinde ele almakta ve liderler (Fleishman ve diğerleri, 1991);
 organizasyonların ve grupların hedeflerine ulaşması için oluşan potansiyel
engelleri belirlemek,
- 16 -
 bu engellere çözümler üretip planlamak ve

 tipik olarak karmaşık sosyal alanlarda çözümler üretmek ve bunları uygu-
lamaktan sorumludur.
Yapay zekânın esnek ve açık çözüm kapsamının, gerçek dünya tabanlı problemle-
re yönelik çözüm yaklaşımlarının etkinliğini ve verimliliğini artırmada ve insanla-
rın hayatını daha konforlu hale getirmede önemli bir rolü olduğu açıktır (Kose ve
Vasant, 2017). Bu nedenle yukarıda liderin rollerinin açıklandığı sosyal problem
çözme açısından yapay zekânın liderlere faydalı olacağı görülmektedir. Ayrıca
liderlerin, çalışanlar ile yapay zekâ arasındaki etkileşimi şekillendirme görevi var-
dır. Bu durum liderler için yeni gereksinimler yaratmaktadır. Liderlerin hangi faa-
liyetlerin insanlar tarafından, hangilerinin yapay zekâ tarafından gerçekleştirilece-
ğine karar vermesi gerekmektedir (Peifer ve diğerleri, 2022).
Sonuç
Kendisinden önceki dijitalleşmenin daha da geliştirilmesi olan yapay zekâ, organi-

zasyondaki çalışma ortamı üzerinde büyük bir etkiye sahip olacak (Peifer ve diğer-
leri, 2022) ve bu doğrultuda hem çalışanların üretimdeki rolünde hem de yönetici-
lerin konumunda değişiklik yaratacaktır. Günümüzde yapay zekâ genel olarak,
kurumlarda var olan anlamlı bilgi bütünlerini işlemek, karar verme süreçlerine
katkı sağlamak ve müşteri portföyüne göre hem üretimde hem pazarlamada strate-
jiler oluşturmak amacıyla dar yapay zekâ olarak kullanılmaktadır. Gelecekte bu
durumun daha da genişleyeceği ve insanlar gibi düşünebilen ve kendi kendine
karar alabilen yapay süper zekânın oluşacağı beklenmektedir. Bu nedenle vizyoner
liderler olarak görülen yöneticilerin yapay zekânın risklerinin olduğu gibi aynı
zamanda kurumları için birer fırsat da olabileceğini düşünmesi ve yapay zekânın
gelişimini kabullenmesi gerekmektedir.
KAYNAKÇA
Akalın, B. ve Veranyurt, Ü. (2020). Sağlıkta dijitalleşme ve yapay zekâ. SDÜ Sağlık Yöne-
timi Dergisi, 2(2), 131-141.
Akbıyıklı, R., Gündüz, E., Opçin, G., Akdemir, M., Daraman, E. ve Tunç, G. (2017). Kla-
sik yönetim teorileri örgütsel yapılarının şantiye bazında Türkiye’de bir incelemesi.
Web Sitesi: Http://www. İmo. Org. Tr/resimler/ekutuphane/pdf/18221_23_14. Pdf,
Erişim Tarihi, 11, 2020.
- 17 -
Akkuş, B. ve Alevok İzci, N. A. (2018). Sistem yaklaşımı, kavramları ve yönetim. Recep

Tayyip Erdoğan Üniversitesi Sosyal Bilimler Dergisi, (7), 223-237.
Alpaslan, S. ve Kutanis, R. Ö. (2007). Sanayi ve bilgi toplumu yönetim metaforlarının
karşılaştırılması. Akademik İncelemeler Dergisi, 2(2), 49-71.
Altuntop, S. (2015). Temel Yönetim Fonksiyonları. F. M. Harmancı, M. Gözübenli ve M.
Dağlar (Ed.), Güvenlik Sektöründe Taktiksel Yöneticilik içinde (1. basım., ss. 2-30).
Ankara: Nobel Yayınevi.
Anameriç, H. (2005). Yönetim bilgi sistemlerinin yönetim fonksiyonları üzerine etkisi.
Ankara Üniversitesi Dil ve Tarih-Coğrafya Fakültesi Dergisi, 45(2), 25-43.
Aslan, B. (2010). Bir yönetim fonksiyonu olarak iç denetim. Sayıştay Dergisi, (77), 63-86.
Bag, S., Pretorius, J. H. C., Gupta, S. ve Dwivedi, Y. K. (2021). Role of institutional pres-
sures and resources in the adoption of big data analytics powered artificial intelli-
gence, sustainable manufacturing practices and circular economy capabilities. Tech-
nological Forecasting and Social Change, 163, 120420. doi:10.1016/
j.techfore.2020.120420
BBS News. (2023, 7 Temmuz). Elon Musk announces new AI start-up. BBC News. 10
Ağustos 2023 tarihinde https://www.bbc.com/news/technology-66183034 adresinden
erişildi.
Boulding, K. E. (1956). General systems theory—The skeleton of science. Management
science, 2(3), 197-208.
Buluç, B. (1996). Yönetimde örgütleme süreci. Kuram ve Uygulamada Eğitim Yönetimi
Dergisi, 2(4), 513-522.
Büyükgöze, S. ve Dereli, E. (2019). Dijital sağlık uygulamalarında yapay zekâ. VI. Ulusla-
rarası Bilimsel ve Mesleki Çalışmalar Kongresi-Fen ve Sağlık, 7(10).
Chen, X.-W. ve Lin, X. (2014). Big data deep learning: challenges and perspectives. IEEE
Access, 2, 514-525. IEEE Access, sunulmuş bildiri. doi:10.1109/access.2014.
2325029
Constas, H. (1958). Max Weber’s two conceptions of Bureaucracy. American Journal of
Sociology, 63(4), 400-409.
Dahlgaard-Park, S. M., Reyes, L. ve Chen, C.-K. (2018). The evolution and convergence
of total quality management and management theories. Total Quality Management &
Business Excellence, 29(9-10), 1108-1128.
Demir, H. ve Erigüç, G. (2018). Bibliyometrik bir analiz ile yönetim düşünce sisteminin
incelenmesi. İş ve İnsan Dergisi, 5(2), 91-114. doi:10.18394/iid.395214
Deniz, L. ve Tulya, H. (2003). Öğretmen liderlik stillerini belirlemeye yönelik bir ölçek
çalışması. Marmara Üniversitesi Atatürk Eğitim Fakültesi Eğitim Bilimleri Dergisi,
(17), 55-62.
- 18 -
DiClaudio, M. (2019). People analytics and the rise of HR: How data, analytics and emer-
ging technology can transform human resources (HR) into a profit center. Strategic
HR Review, 18(2), 42-46. doi:10.1108/SHR-11-2018-0096
Drucker, P. (1954). The practice of Management. New York.
Dubey, R., Gunasekaran, A., Childe, S. J., Bryde, D. J., Giannakis, M., Foropon, C., …
Hazen, B. T. (2020). Big data analytics and artificial intelligence pathway to opera-
tional performance under the effects of entrepreneurial orientation and environmental
dynamism: A study of manufacturing organisations. International Journal of Produc-
tion Economics, 226, 1-12. doi:10.1016/j.ijpe.2019.107599
Dwivedi, Y. K., Hughes, L., Ismagilova, E., Aarts, G., Coombs, C., Crick, T., … Williams,
M. D. (2021). Artificial intelligence (AI): multidisciplinary perspectives on emerging
challenges, opportunities, and agenda for research, practice and policy. International
Journal of Information Management, 57, 101994. doi:10.1016/ j.ijinfomgt.
2019.08.002
Erturk, Z. K. ve Erturk, B. (2021). Acil tıpta yapay zekâ. Aksaray Üniversitesi Tıp Bilim-
leri Dergisi, 2(2), 40-41.
Fleishman, E. A., Mumford, M. D., Zaccaro, S. J., Levin, K. Y., Korotkin, A. L. ve Hein,
M. B. (1991). Taxonomic efforts in the description of leader behavior: A synthesis
and functional interpretation. The Leadership Quarterly, 2(4), 245-287.
Giglioni, G. B. ve Bedeian, A. G. (1974). A conspectus of management control theory:
1900-1972. Academy of Management Journal, 17(2), 292-305.
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., …
Bengio, Y. (2020). Generative adversarial networks. Communications of the ACM,
63(11), 139-144. doi:10.1145/3422622
Guliyev, H. (2023). Artificial intelligence and unemployment in high-tech developed
countries: New insights from dynamic panel data model. Research in Globalization,
7, 1-7. doi:10.1016/j.resglo.2023.100140
Hofstede, G. (1993). Cultural constraints in management theories. Academy of Manage-
ment Perspectives, 7(1), 81-94.
Holzinger, A., Langs, G., Denk, H., Zatloukal, K. ve Müller, H. (2019). Causability and
explainability of artificial intelligence in medicine. WIREs Data Mining and
Knowledge Discovery, 9(4), e1312. doi:10.1002/widm.1312
Janiesch, C., Zschech, P. ve Heinrich, K. (2021). Machine learning and deep learning.
Electronic Markets, 31(3), 685-695. doi:10.1007/s12525-021-00475-2
Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., … Wang, Y. (2017). Artificial intel-
ligence in healthcare: Past, present and future. Stroke and vascular neurology, 2(4),
230-243. doi:doi:10.1136/svn-2017-000101
- 19 -
Kaplan, A. ve Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land?
On the interpretations, illustrations, and implications of artificial intelligence. Busi-
ness Horizons, 62(1), 15-25. doi:10.1016/j.bushor.2018.08.004
Kara, E. ve Çavuş, M. F. (2014). Turizmde modern yönetim uygulamaları. Turizmde Mo-
dern Yönetim Uygulamaları, 2(1), 473-485.
Karaboğa, T. ve Zehir, C. (2020). Henri Fayol ve yönetim alanına katkıları üzerine bir
inceleme. IBAD Sosyal Bilimler Dergisi, (7), 53-68. doi:10.21733/ibad.665130
Kast, FREMONT E. ve Rosenzweig, J. E. (1965). Organization and Management of Space
Programs. F. I. Ordway (Ed.), Advances in Space Science and Technology içinde (C.
7, ss. 273-364). Elsevier. doi:10.1016/B978-1-4831-9965-8.50011-3
Kast, Fremont E. ve Rosenzweig, J. E. (1970). Organization and Management. New York:
Mc-Grawhill.
Kocabaş, S. (2021). Klasik yönetim teorilerinin iki sacayağı: Bilimsel yönetim yaklaşımı
ve yönetim süreçleri yaklaşımı. M. Mete, H. İ. Karakan ve A. Toptaş (Ed.), İktisadi
ve İdari Bilimlerde Araştırma ve Değerlendirme—II içinde (1. basım., ss. 1-16). An-
kara: Gece Kitaplığı.
Koçel, T. (2015). İşletme Yöneticiliği. 733 (16. bs.). İstanbul: Beta Basım Yyaın Dağıtım A.Ş.
Kopelman, R. E., Prottas, D. J. ve Davis, A. L. (2008). Douglas McGregor’s theory X and Y:
Toward a construct-valid measure. Journal of Managerial Issues, 20(2), 255-271.
Kopelman, R. E., Prottas, D. J. ve Falk, D. W. (2010). Construct validation of a Theory
X/Y behavior scale. Leadership & Organization Development Journal, 31(2), 120-
135. doi:10.1108/01437731011024385
Kose, U. ve Vasant, P. (2017). Fading intelligence theory: A theory on keeping artificial
intelligence safety for the future. 2017 International Artificial Intelligence and Data
Processing Symposium (IDAP) içinde (ss. 1-5). 2017 International Artificial Intelli-
gence and Data Processing Symposium (IDAP), sunulmuş bildiri. doi:10.1109/IDAP.
2017.8090235
Krittanawong, C., Zhang, H., Wang, Z., Aydar, M. ve Kitai, T. (2017). Artificial Intelli-
gence in Precision Cardiovascular Medicine. Journal of the American College of
Cardiology, 69(21), 2657-2664. doi:10.1016/j.jacc.2017.03.571
Lewin, K. ve Lippitt, R. (1938). An Experimental Approach to the Study of Autocracy and
Democracy: A Preliminary Note. Sociometry, 1(3/4), 292-300. doi:10.2307/ 2785585
Litterer, J. A. (1965). The Analysis of Organizations. New York: Wiley.
Liu, R., Rong, Y. ve Peng, Z. (2020). A review of medical artificial intelligence. Global
Health Journal, 4(2), 42-45. doi:10.1016/j.glohj.2020.04.002
Lombardo, T., Duquesnoy, M., El-Bouysidy, H., Årén, F., Gallo-Bueno, A., Jørgensen, P.
B., … Franco, A. A. (2022). Artificial Intelligence Applied to Battery Research:
Hype or Reality? Chemical Reviews, 122(12), 10899-10969. doi:10.1021/
acs.chemrev.1c00108
- 20 -
Luneski, C. (1964). Some Aspects of the Meaning of Control. The Accounting Review,
39(3), 591-597.
Mele, C., Pels, J. ve Polese, F. (2010). A brief review of systems theories and their mana-
gerial applications. Service science, 2(1-2), 126-135.
Misra, N. N., Dixit, Y., Al-Mallahi, A., Bhullar, M. S., Upadhyay, R. ve Martynenko, A.
(2022). Iot, big data, and artificial intelligence in agriculture and food industry. IEEE
Internet of Things Journal, 9(9), 6305-6324. IEEE Internet of Things Journal, su-
nulmuş bildiri. doi:10.1109/JIOT.2020.2998584
Mumford, M. D., Zaccaro, S. J., Harding, F. D., Jacobs, T. O. ve Fleishman, E. A. (2000).
Leadership skills for a changing world: Solving complex social problems. The Lea-
dership Quarterly, 11(1), 11-35. doi:https://doi.org/10.1016/S1048-9843(99)00041-7
Nichols, J. A., Herbert Chan, H. W. ve Baker, M. A. B. (2019). Machine learning: Appli-
cations of artificial intelligence to imaging and diagnosis. Biophysical Reviews,
11(1), 111-118. doi:10.1007/s12551-018-0449-9
OECD Legal Instruments. (2019). Recommendation of the Council on Artificial Intelli-
gence. Recommendation of the Council on Artificial Intelligence. 17 Ağustos 2023
tarihinde https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449#main
Text adresinden erişildi.
Olsen, J. P. (2006). Maybe it is time to rediscover bureaucracy. Journal of public administ-
ration research and theory, 16(1), 1-24.
Ozturk Dilek, G. (2019). Yapay zekânın etik gerçekliği. Ankara Uluslararası Sosyal Bilim-
ler Dergisi, 2(4), 47-59.
Özalp, İ. (2012). Yönetim Bilimine Giriş. C. Koparal (Ed.), Yönetim ve Organizasyon-I
içinde (1. bs., ss. 2-20). Eskişehir: Anadolu Üniversitesi.
Özer, M. A. ve Çiftçi, A. (2022). Klasik yönetim teorisi’nin iki öncü ismi fayol ve we-
ber’in yönetime katkısı üzerine bir değerlendirme. Fenerbahçe Üniversitesi Sosyal
Bilimler Dergisi, 2(1), 133-152.
Öztürk, C. (2016). Argyris’in olgunlaşma teorisine liderlikte durumsallık yaklaşımlarından
çözüm arayışları. İnsan ve Toplum Bilimleri Araştırmaları Dergisi, 5(8), 3085-3085.
doi:10.15869/itobiad.273166
Öztürk, Z. ve Demir, Ö. (2017). Klasik, neo-klasik ve modern yönetim yaklaşımlarının
karşılaştırılmasına ilişkin bir analiz. Uluslararası Sağlık Yönetimi ve Stratejileri
Araştırma Dergisi, 3(2), 119-134.
Panch, T., Szolovits, P. ve Atun, R. (2018). Artificial intelligence, machine learning and
health systems. Journal of Global Health, 8(2), 1-8. doi:10.7189/jogh.08.020303
Peifer, Y., Jeske, T. ve Hille, S. (2022). Artificial Intelligence and its Impact on Leaders
and Leadership. Procedia Computer Science, 200, 1024-1030. doi:10.1016/
j.procs.2022.01.301
- 21 -
Raisch, S. ve Krakowski, S. (2021). Artificial Intelligence and Management: The Automa-

tion–Augmentation Paradox. Academy of Management Review, 46(1), 192-210.
doi:10.5465/amr.2018.0072
Ravì, D., Wong, C., Deligianni, F., Berthelot, M., Andreu-Perez, J., Lo, B. ve Yang, G.-Z.
(2017). Deep learning for health ınformatics. IEEE Journal of Biomedical and Health
Informatics, 21(1), 4-21. IEEE Journal of Biomedical and Health Informatics, su-
nulmuş bildiri. doi:10.1109/JBHI.2016.2636665
Rusk, N. (2016). Deep learning. Nature Methods, 13(1), 35-35. doi:10.1038/nmeth.3707
Russ, T. L. (2011). Theory X/Y assumptions as predictors of managers’ propensity for
participative decision making. Management Decision, 49(5), 823-836. doi:10.1108/
00251741111130887
Sarker, S. I. ve Khan, M. R. A. (2013). Classical and neoclassical approaches of manage-
ment: An overview. IOSR Journal of Business and Management, 14(6), 1-5.
Seçtim, H. ve Erkul, H. (2020). Yönetim Yaklaşımları Üzerine Kuramsal Bir Değerlen-
dirme. Management and Political Sciences Review, 2(1), 18-50.
Shinde, P. P. ve Shah, S. (2018). A Review of Machine Learning and Deep Learning App-
lications. 2018 Fourth International Conference on Computing Communication
Control and Automation (ICCUBEA) içinde (ss. 1-6). 2018 Fourth International Con-
ference on Computing Communication Control and Automation (ICCUBEA), su-
nulmuş bildiri. doi:10.1109/ICCUBEA.2018.8697857
Solaimani, S. ve Swaak, L. (2023). Critical Success Factors in a multi-stage adoption of
Artificial Intelligence: A Necessary Condition Analysis. Journal of Engineering and
Technology Management, 69, 1-17. doi:10.1016/j.jengtecman.2023.101760
Sucu, İ. (2019). Yapay Zekânın Toplum Üzerindeki Etkisi ve Yapay Zekâ (A.I.) Filmi
Bağlamında Yapay Zekâya Bakış. Uluslararası Ders Kitapları ve Eğitim Materyalle-
ri Dergisi, 2(2), 203-215.
Sucu, İ. ve Ataman, E. (2020). Dijital evrenin yeni dünyası olarak yapay zekâ ve her filmi
üzerine bir çalışma. Yeni Medya Elektronik Dergisi, 4(1), 40-52.
Şahin, A. (2004). Yönetim Kuramları ve Motivasyon İlişkisi. Selçuk Üniversitesi Sosyal
Bilimler Enstitüsü Dergisi, (11), 523-547.
Şeker, S. E. (2014). Max Weber ve Bürokrasi. YBS Ansiklopedisi, 1(1).
Şişman, M. (1996). Yönetim kuramları ve kültürlerarası farklılaşma açısından yönetim
uygulamaları. Kuram ve Uygulamada Eğitim Yönetimi, 2(2), 295-308.
Tecim, V. (2004). Sistem yaklaşımı ve soft sistem düşüncesi. Dokuz Eylül Üniversitesi
İktisadi İdari Bilimler Fakültesi Dergisi, 19(2), 75-100.
Tekı̇ n, Ö. A., Baş, M. ve Gökdemı̇ r, A. (2016). Konaklama dşletmesd çalışanlarının douglas
mcgregor’unx ve y teorilerine yönelik tutumları üzerine bir araştırma. Süleyman De-
mirel Üniversitesi Vizyoner Dergisi, 7(14), 81-91. doi:10.21076/vizyoner.245978
- 22 -
Toprak, M., Özel, D. ve Çalışkan, S. (2022). Yapay zekâ kullanımı ve insan kaynakları
yönetimi. Uluslararası Eşitlik Politikası Dergisi, 2(2), 76-103.
Tuan, K. ve Memiş, M. Ü. (2007). İç denetimin yönetim fonksiyonlarının yerine getirilme-
sindeki rolü. Muhasebe ve Finansman Dergisi, (35), 1-14.
Udy, S. H. (1959). “Bureaucracy” and" rationality" in weber’s organization theory: an
empirical study. American Sociological Review, 24(6), 791-795.
Ulin, R. P. (1954). The Practice of Management by Peter F. Drucker. Taylor & Francis,
3(3), 61-64.
Uzun, T. (2020). Yapay Zekâ ve Sağlık Uygulamaları. İzmir Katip Çelebi Üniversitesi
İktisadi ve İdari Bilimler Fakültesi Dergisi, 3(1), 80-92.
Uzun, Y., Hatipoğlu, M., Bütüner, R. ve Calp, M. H. (2021). Yapay Zekâ İnsan Zekâsını
Geçebilecek Mi? (ss. 1-5). Uluslararası Mühendislik, Doğa ve Sosyal Bilimler Sem-
pozyumu, sunulmuş bildiri, Batman: Batman Üniversitesi.
Ünal, A. ve Kılınç, İ. (2020). Yapay zekâ işletme yönetimi üzerine bir değerlendirme. Yö-
netim Bilişim Sistemleri Dergisi, 6(1), 51-78.
Wren, D. A., Bedeian, A. G. ve Breeze, J. D. (2002). The foundations of Henri Fayol’s
administrative theory. Management Decision, 40(9), 906-918. doi:10.1108/002517
40210441108
Xu, X., Li, H., Xu, W., Liu, Z., Yao, L. ve Dai, F. (2022). Artificial intelligence for edge
service optimization in Internet of Vehicles: A survey. Tsinghua Science and Tech-
nology, 27(2), 270-287. Tsinghua Science and Technology, sunulmuş bildiri.
doi:10.26599/TST.2020.9010025
Yılmazel, S. C. (2022). Yapay zekâ çağında diplomasi. Türk Dünyası Araştırmaları,
132(260), 91-112. doi:10.55773/tda.1153159
Zhang, Q., Yang, L. T., Chen, Z. ve Li, P. (2018). A survey on deep learning for big data.
Information Fusion, 42, 146-157. doi:10.1016/j.inffus.2017.10.006
- 23 -
2. BÖLÜM
YAPAY ZEKÂ VE GİRİŞİMCİLİK
Müge Kınay
Yıldız Teknik Üniversitesi, Sosyal Bilimler Enstitüsü
İşletme Fakültesi, mgkistanbul@outlook.com.tr
Orcid No: 0000-0002-6478-3433
Giriş
21.yüzyıl çığır niteliğinde teknoloji devrimlerine öncülük etmiş, dijital çağ olarak
adını tarihe yazdırmış ve işletme evreni için köklü değişim rüzgarlarının esmeye
başladığı bir yıl olmuştur. Pandemi sonrası teknolojinin yükselen hakimiyeti, yaşa-
mın pek çok alanında kendini hissettirmiştir. Sosyal izolasyon nedeniyle çalışma
hayatında kısa süreliğine de olsa aktif olarak yer alamayan iş gücü, yerini hastalık,
salgın fark etmeksizin her koşulda çalışabilecek güvenilir işçilere- otonom araçlara
ve yapay zekâ yazılımlarına – bırakmaya başlamış ve bir süre sonra da beşerî iş gücü
ile yapay iş gücünü harmanlayan başarılı girişimcilik modelleri yükselmeye başla-
mıştır. Bu süreçte daha da ön plana çıkan dijitalleşme, girişim evreninin de vazge-
çilmez ve bütünleşmiş bir parçası haline gelmiştir. Girişimcilerin iş yapma şeklinin
değişmesi ile; yapay zekâ gibi endüstri 4.0 ürünlerinden istifade eden girişimcilerin
NASDAQ gibi önemli platformlarda yer bulabilmeleri mümkün olmuştur. Literatür-
de henüz bir ikili olarak ele alınmamış olan yapay zekâ ve girişimciliğin ele alınaca-
ğı bu bölümde, yapay zekâ ve girişimcilik arasındaki bağlara, girişimcilerin yapay
zekâ teknolojileri geliştirmek için doğayı nasıl bir ar-ge kaynağı olarak kullanabile-
ceklerine, yapay zekâdan girişimcilerin nasıl istifade edebileceğine değinilecek ve
yapay zekânın sürdürülebilirlik ve ekonomi üzerindeki izleri tartışılacaktır.
1. Girişimciliğin Tanımı ve Önemi
18.yy’da ekonomist Richard Cantillon tarafından ilk kez kullanılan girişimci (ent-
repreneur) sözcüğü, aslen Fransızca “entreprendre” (girişmek) ifadesinden gelmek-
- 25 -
tedir ve en basit tabirle gelişmeyi tetikleyen bir ekonomik gücü ifade eder (Long,
1983). Cantillon’dan sonra çok sayıda ekonomist, tanıma katkıda bulunmuştur.
Girişimcilik, Hull, Bosley ve Udell (1980)’e göre; kar uğruna risk alarak bir işlet-
menin yönetilmesi ve organizasyonu; Knight’a (1921) göre; piyasadaki değişiklikle-
ri ön görebilme ve bu değişikliklere göre harekete geçebilme; Leibenstein (1968)’e
göre tüm piyasanın henüz oluşmadığı ya da hatlarının kesin bir şekilde çizilmediği
veya üretim fonksiyonunun ilgili kısımlarının tamamen bilinmediği bir yerde bir
teşebbüs kurmak ya da devam ettirmek için gerekli eylemler; Stevenson ve Jarillo
(1990)’a göre, bireylerin kendi kendilerine ya da bir örgüt halinde hali hazırda kont-
rol ettikleri kaynaklar olmadan fırsatların peşinden koşma süreci olarak tanımlar. Bu
araştırmacılara göre, girişimciliğin ağır basan yönü belirsizlik ortamıdır.
Öte yandan, Brockhaus (1980), Low ve MacMillan (1988), Gartner (1988),
Lumpkin ve Dess (1996) gibi araştırmacılar, girişimciliği yeni bir işletme ya da
organizasyon oluşturma olarak değerlendirirler.
Girişimcilik alanının önde gelen ismi ve İnovasyon’un fikir babası Schumpeter
(1934) ise; girişimciliği yeni kombinasyonlarla piyasada yakalanan yenilikçi bir
değişim olarak görür.
Kirzner (1983) ile Shane ve Venkataraman (2000), girişimin fırsat yönüne değin-
miş ve girişimciliği fırsatların fark edilmesi, değerlendirilmesi ve kullanılması
olarak tanımlamışlardır.
İkinci milenyumda ise; girişimcilik tanımlarına ‘değer oluşturma’ özelliği eklen-
miştir. Bruyat ve Julian (2001), belirli özelliklere sahip bir ortamda ya da devam
eden bir süreçte birey ile yeni değer oluşumu arasında bir etkileşim olarak girişim-
ciliği tanımlarken; Lackéus, Lundqvist ve Williams Middleton (2016), başkaları
için ortak değer oluşturmak olarak nitelemiştir.
Temel hatlarıyla, bu tanımlar girişimciliğin belirsizlik ve risk içerdiğini, tamamla-
yıcı yönetsel yeterlilik ve yaratıcı fırsatçılık (Long, 1983) gerektirdiğini ve katma
değer ürettiğini ifade eder.
Girişimci ise, değişim temsilcisi, yenilikçi, kaynak distribütörü ve belirsizlik taşı-
yıcısı olarak görülür (Karlsson, Friis ve Paulsson, 2004) ve başarılı olması için
muhakeme gücüne, sebata, ticaret bilgisine, liderliğe, belirsizlikle başa çıkabilme
yetisine, örtülü bilgiye, vizyona, kazanç fırsatlarını görebilecek bir yaratıcılığa
sahip olması beklenir (Van Praag, 1999).
- 26 -
- Yapay Zekâ ve Girişimcilik -
Girişimciler, piyasadaki ya da toplumdaki ihtiyacı tespit edip bu ihtiyacı karşıla-

maya yönelik bir iş kurma teşebbüsünde bulunarak, ekonomiye, istihdama destek
vermekte; getirdikleri yeniliklerle sosyal ve ekonomik kalkınmaya destek olmak-
tadır. Bu nedenle de gelişmekte olan ekonomilerin belkemiğidir.
2. Yapay Zekânın Saklı Ar-Ge Kaynağı: Biyomimikri
Girişimciler için, ihtiyacı tespit ettikten sonra en önemli süreç, ihtiyaca cevap ve-
rebilmektir. Bir ihtiyaca cevap verebilecek ürün ve hizmetler geliştirebilmek, örtü-
lü bilgi gerektiren, yoğun ar-ge çalışması isteyen ve çoğu zaman maliyet ve vakit
açısından meşakkatli bir süreçtir. Bu süreçte, girişimcilerin en önemli destekçisi
ise; doğadan esinlenme olarak bilinen biyomimikri bilim dalıdır.
Milyonlarca yıldır hatasız işleyen organik sistemler, bir girişimci için en iyi ar-ge
bankasıdır. Nitekim, tarih boyunca birçok yenilikçi ve mucit çevresini kuşatan
biyolojik sistemleri sürekli incelemiş, bu sistemlerden ve tasarımlardan esinlenmiş
ve onları taklit etmeyi arzulamıştır.
Da Vinci, bu amaçla, doğadaki kuş ve yarasa kanatlarından esinlenerek yapay ka-
nat tasarımları geliştirmiş (Debolini, 2006), Wright kardeşler güvercinleri incele-
yerek tarihteki ilk hava aracını tasarlamış (Shukor, 2015), Gaudi inşa ettiği yapıla-
rın gövdesinde ağaçların, kas sistemlerinin ve tendonların tasarımsal kalitesini ve
dayanıklılığını taklit etmiştir (Orman, 2013).
Tıpkı geçmişteki icat ve inovasyonlarda olduğu gibi, günümüzde de sayısız tekno-
loji ve yenilik de ilhamını doğadan alır. İşte; ilhamının kökleri doğaya ve biyomi-
mikri bilim dalına uzanan bu yeniliklerden biri de yapay zekâdır.
Biyolojik sistemlerde oldukça karmaşık bir zekâ sistemi bulunur. Stanford Üniver-
sitesi’nden nörobiyolog Lu Chen, beyne dair çok az şey bildiğimizi, beynin bağ-
lantıları nasıl kurduğunu öğrendiğimizi ancak bilgiyi nasıl işlediğini ise hala öğ-
renmeye çalıştığımızı dile getirir (Lam, 2016). Yapay zekâ dediğimiz inovasyon,
aslen makinede bu karmaşık biyolojik zekâyı taklit etme bilimidir. Bu nedenle de
yapay zekâ alanında en önemli gelişmeler, beyne ve sinir sistemine dair önemli
çalışmalar ile elde edilmiştir. Örneğin, 1940’larda Norbert Wiener ve bir grup araş-
tırmacı tarafından biyolojik sinir sistemleri üzerinde gerçekleştirilen çalışmalar,
bilgisayar bilimi ile nörobilim arasındaki köprü kurarak yapay zekânın mihenk
taşını oluşturmuştur. Yunanca pilot anlamına gelen ve kontrolü ifade eden kyber-
netes kelimesinden gelen Sibernetik adlı bu yeni bilim dalı ile, Wiener hayvan ve
makinelerde kontrol ve iletişim üzerine yaptığı çalışmalarla, öğrenme, biliş, adap-
- 27 -
tasyon, iletişim ve verimlilik gibi karmaşık sistemlerin daha iyi anlaşılmasına katkı
sağlamıştır (Cordeschi, 2004). Doğadaki iletişim sistemlerinin ve nörolojik bağ-
lantıların bilgi teknolojilerine yansıtılma yöntemlerine odaklanan sibernetik ilkesi,
doğayla olan gündelik etkileşimlerden, tek hücreliyi Kuantum mekaniği prensiple-
ri yoluyla kozmosa bağlayan her yerdedir (Torday, 2022).
Doğa hazır bulunan ilkelerin, bilgisayar bilimi ve bilgi teknolojilerine aktarılması
yapay zekâ çalışmalarına ivme kazandırmıştır.
İkinci dünya savaşı döneminde İngiliz matematikçi Alan Turing, Nazi Alman-
ya’sındaki haberleşmede kullanılan kodları kırabilecek bir cihaz geliştirdiği ve bu
cihaz günümüz bilgisayar ve yapay zekâ teknolojilerine öncülük ettiğinden beri,
sorgulama, problem çözme, yaratıcılık gibi entelektüel görevleri yerine getirebile-
cek insan beyninin potansiyeline denk bir yapay genel zekâ (AGI) sistemi geliş-
tirmek en büyük uğraşlardan biri olmuş (Zhao vd., 2023) ve biyomimikri bir kez
daha çözüm olmuştur.
286 milyarın üzerinde nörondan oluşan insan beyni, dünyadaki en gelişmiş bilgi
işlem sistemi olduğundan, işlemsel yetenek kapasitesi çok zengindir. Bu nöronlar,
birbirleriyle çok karmaşık sinaps ağlarıyla bağlantı kurarlar. Bu fizyolojik komp-
lekslik, beynin işlevsel kompleksliğine katkı sağlar. Bu nedenle de bilim adamları
beyindeki bu nöral ağ sistemine odaklanmıştır. 1943 yılında, McCulloch ve Pitts
bilinen ilk yapay nöron modeli olarak kabul edilen bir matematiksel denklem ge-
liştirmiş ve ilerleyen yıllarda, Frank Rosenblatt ise, bu yapay nöronların veri yo-
luyla öğrenebileceğini keşfetmiştir (Zhao vd., 2023). Bu yapay nöron teknolojisi
zaman içerisinde geliştirilerek, beyindeki gibi bilgiyi paralel ve dağıtılmış bir şe-
kilde işleyebilen nöromorfik çipler üretilmiş ve verimlilik arttırılmıştır. IBM tara-
fından geliştirilen TrueNorth çipi, bu nöromorfik çiplere örnek teşkil edebilir
(Akopyan vd., 2015).
İnsan beyninin işlevsel kompleksliklerinden biri, dış dünyanın çoklu duyular yo-
luyla algılanmasıdır. Nöromorfik çipler, yapay zekâ tabanlı robotik teknolojilerin-
de özellikle görüntü ve konuşma gibi gereksinimleri karşılamaktadır.
İnsan beyninin, koku, tat ve dokunma yoluyla elde edilen verilerden de öğrenebil-
diğini varsayarsak, yapay zekâ teknolojileri hala bu alanda biyolojik beyinle reka-
bet edebilecek noktada değildir. Yapay zekâ, varoluşunu ve ilhamını biyolojik
zekâya borçlu iken; insan zekâsı, yapay zekâ aracılığıyla dış dünyadan işlenen
verilerden ve bu verilerden elde edilen geri bildirimlerden istifade eder. Başka bir
deyişle, insan zekâsı, yapay zekânın üreticisi ve ilham kaynağı; yapay zekâ ise
- 28 -
insan zekâsı için öncelikle bir ürün ve çıktı; ikincil olarak ise, farklı görevleri yeri-
ne getirmede bir fayda görevi görür. Bu yönüyle, yapay zekâ ile biyolojik zekâ
simbiyotik bir etkileşim vardır denilebilir. Yapay zekâ, varlığını insan zekâsına
borçludur ve insan zekâsının ürettiği ve topladığı veriler aracılığıyla öğrenme ger-
çekleştirebilir. İnsan zekâsı ise; yüklü miktardaki verileri verimli bir şekilde işle-
yebilmek ve bu verilerden edinilen sonuçların analitik değerlendirmelerini hızlı bir
şekilde gerçekleştirebilmek için yapay zekâya ihtiyaç duyar. Özetle, aralarındaki
etkileşim karşılıklı faydaya dayanır.
İnsan Zekâsı Fayda Yapay Zekâ

Üretici Fayda Ürün / Çıktı
Şekil 1: İnsan Zekâsı ile Yapay Zekâ Arasındaki İlişki

Kaynak: Zhao vd., 2023
Bu simbiyotik etkileşime rağmen, insan beyni ile yapay zekâ arasında çeşitli fark-
lılıklar vardır. İki zekâ türü arasındaki farklılıklar Tablo 1’de gösterilmiştir.
Tablo 1: Biyolojik Zekâ ile Yapay Zekâ Karşılaştırması
Farklılık Türü Biyolojik Zekâ (BZ) Yapay Zekâ (YZ)

Temel yapı Karbon temelli Silikon temelli
Hız Yavaş Hızlı
Bağlantı ve iletişim Dil, Jest ve Mimikler Entegre Algoritmalar
Güncellenebilir ve Ölçeklene- Zor Kolay
bilir Olma
Verimlilik Az enerji Yüksek enerji
Kaynak: Korteling vd., 2021
Tablo 1’de de görüldüğü üzere; biyolojik organizmalar karbon temellidirler. Bu

özellik, onları çevre dostu ve sürdürülebilir kılar. Öte yandan, yapay zekâ silikon
temelli bir zekâ türüdür ve çevresel sürdürülebilirlik açısından çeşitli kaygılar do-
ğurmaktadır. İlaveten, biyolojik zekâ çok az malzeme ve enerji kullanarak son
derece kompleks faaliyetleri yerine getirebilirken; yapay zekâ aynı işi yapabilmek
- 29 -
için neredeyse bir kasabaya yetecek kadar enerji kullanır. Bu nedenle, verimlilik
ve sürdürülebilirlik açısından, beyin, yapay zekâdan üstündür.
Öte yandan, yapay zekâ entegre algoritmalar kullanarak, verileri çok hızlı bir şe-
kilde işleyebilir ve depoladığı verileri sürekli güncelleyebilir. Başka bir deyişle,
performans açısından değerlendirildiğinde yapay zekâ, insan beyninden daha hızlı
ve daha üstündür.
Bilindiği üzere, girişim yolculuklarının sorun tespit ettikten sonraki en önemli
aşaması, mevcut soruna cevap olabilecek bir fikir geliştirebilmektedir. Biyomimik-
ri, milyonlarca yıllık bir ar-ge kaynağı olarak doğayı bu çözüm arayışı yolculu-
ğunda nasıl kullanabileceğimizi gösterir. Yapay zekâya dair doğanın girişimcilere
sunabileceği fikirler, sadece insan beyni ile sınırlı değildir. Karmaşık yapısı, orga-
nik malzeme kullanımı ile sayısız sürdürülebilir teknolojiye bugüne dek model
olmuş doğadaki canlılar, yapay zekâ çalışmalarında bir ar-ge kaynağı olarak kulla-
nılmaya devam etmektedir.
Girişimcilerin ve yenilikçilerin yapay zekâ teknolojileri geliştirirken bu anlamda
istifade edebileceği bazı biyomimikri çalışmaları şu şekildedir:
2.1. Kedi Beyni

Kedi beyni, renk, boyut ya da pozisyon gibi özellikleri görmezden gelerek verileri
kategorize edebilir. Başka bir deyişle, verileri gereksiz detaylardan kurtularak ba-
sitleştirerek işler. Bu istatiksel yeteneğe, renormalizasyon adı verilir. Renormali-
zasyon, bilhassa derin öğrenmenin performansını arttıracak bir istatiksel tekniktir.
Bu sayede, fiziksel sistemlerin büyük ölçekli davranışlarının incelenmesinde, veri-
ler basitleştirilip kategorize edilebilir. Bu sayede, yapay zekâ sistemleri, bir video-
daki görseli (örneğin, bir köpeği), şekli, duruşu, boyutu ve rengi ne olursa olsun
tanıyabilir (Khan, 2022).
2.2. Miksomiset (Cıvık Küf)

Cıvık küf olarak da bilinen ve beyni olmayan miksomisetler, sürü zekâsı alanında
çalışan araştırmacılar tarafından yakından incelenmektedir. Kolektif zekâ kullanan
miksomisetler, bireylerin çözemediği bilişsel problemlere çözüm üretebilme yet-
kinliğine sahiptirler. Kolektif sistemler, davranış senkronizasyonundan istifade
ederler (Reid ve Latty, 2016). Cıvık küflerin bu mekanobiyolojik davranışları,
aslen moleküler sinyalleme, malzeme özellikleri ve akış düzenleri sayesinde geliş-
- 30 -
tirilen bir tür hafıza davranış ve veri depolama yöntemidir (Fischer, 2021). Ko-
lektif zekâ ve mekanobiyolojik davranışlar, yapay zekâ sistemlerinin veri işleme
performanslarını iyileştirme potansiyeline sahiptir.
2.3. Böcekler
İkili sistemlerle çalışan bilgisayarlar, kodları takip ederek sadece kendilerine
verilen görevleri yerine getirebilir ve yeniden programlanmadıkları takdirde yeni
süreçleri öğrenemezler. Öte yandan, böcekler analitiktir ve bu yönleriyle yapay
zekâ algoritmalarına model olmuşlardır. Meyve sineklerini inceleyen bilim
adamları, belirli bir kokuyu bulmalarının karşılığında meyve sineklerini ödüllen-
dirmiş ve sinekler hangi kokuların ödüllendirildiğini öğrenmiş ve daha karmaşık
çevre koşullarında bile bu bilgiyi hatırlayabilmiştir. Meyve sineklerini öğrenme
süreci boyunca inceleyen araştırmacılar, sineklerin nöronları arasında sürekli
değişen ve yeniden düzenlenen bir hafıza motifi tespit etmiştir. Sahip oldukları
kısa sinir uyarılarıyla, bilgiyi hızlı ve paralel olarak işleyip, bu sayede geçmiş
deneyimlerinden yola çıkarak değişen koşullara ayak uydurabilmelerini sağlayan
dağıtılmış bir hafıza motifi oluşturabilmektedirler. Cologne Üniversitesi’nden
bilim adamları, meyve sineklerinin sinir sistemlerindeki bu özelliği taklit ederek
paralel veri işleyebilen ve geçmiş verilerden yola çıkarak değişen çevresel şartla-
ra uyum sağlayabilen bir makine öğrenme modeli geliştirmişlerdir (Rapp ve
Nawrot, 2020).
Görüldüğü üzere, doğa yapay zekâ ile ilgilenen girişimciler için önemli bir ilham
kaynağıdır. Milyonlarca yıldır doğada hatasız işleyen organizmalar, yapay zekâ
teknolojilerinin önündeki engelleri aşabilecek ve kalitesini arttırabilecek pek çok
yenilikçi çözüm sunmaktadır. Doğadaki canlıların sinir sistemleri, nörolojik dav-
ranışları ve beyin faaliyetlerine dair gelecekte yapılacak tüm keşifler, dolaylı ola-
rak yapay zekâ teknolojileri üzerinde de etkili olacak ve bu teknolojilerin iyileşti-
rilmesi ve geliştirilmesinde önemli rol oynayacaktır.
3.3. Yapay Zekânın Girişimcilikteki Rolü
3.3.1. Yapay Zekâ ve Girişimci

Önceki bölümde de vurgulandığı üzere, insan zekâsının bir ürünü olan yapay zekâ,
üreticisi tarafından bir fayda sağlamak üzere geliştirilmiştir. Yapay zekânın suna-
bildiği katma değer, girişimci için yenilikçi düşünce olanakları ve yeni fırsatlar
- 31 -
olarak yorumlanabilir. Girişimcinin, yapay zekâdan istifade etmesinin pek çok

yolu vardır. Üretim, tedarik zinciri ve maliyet yönetimi bunlardan birkaçıdır. Ör-
neğin; yapay zekâ teknolojileri üretim ve tedarik zinciri gibi süreçlerde verimliliği
arttırır ve işçi gideri gibi maliyetleri düşürür. Yapay zekânın girişimciler için sun-
duğu bir diğer katma değer ise; veri madenciliği ve makine öğrenme algoritmaları
yoluyla toplanan verilerle, etkili karar verme süreçleri yönetimidir (Kabir, 2018).
Sadece finans, satış ve pazarlama kararları değil; doğru insan kaynağının oluştu-
rulması ile ilgili kararların yönetiminde de yapay zekâ kritiktir.
Girişimcilerin başarılı olabilmeleri ve doğru yatırımcıları çekebilmeleri için, doğru
bir insan kaynağı oluşturmuş olmaları elzemdir. Yapay zekâ tabanlı insan kaynak-
ları yazılımları, başvuru sahiplerinin özgeçmişlerini önyargılardan arındırılmış
olarak değerlendirir ve doğal dil işleme ve makine öğrenme ile aranan pozisyon
için istenen özellikleri doğru özgeçmişlerle eşleştirerek, nitelikli insan kaynağını
hızlı ve doğru bir şekilde tedarik edebilirler. Lakin, insan kaynakları yönetiminde
yapay zekâ kullanmanın getirdiği birtakım zorlukları da bulunur. Tambe, Cappelli
ve Yakubovich (2019), küçük veri kümelerinden kaynaklanan kısıtlamalar, etik ve
yasal kısıtlamalar çatısı altında ele aldıkları bu zorlukların nedensel akıl yürütme
(reasoning), rastgeleleştirme (randomization), deneyler (experiments) ve çalışanla-
rın katkısı (employee contribution) ile aşılabileceğini öne sürmüştür. İnsan kay-
nakları (İK) personelinin teknik bilgi donanımı da yapay zekâ yazılımlarının bu
alandaki yayılımları açısından önemli bir rol oynayacaktır. Personelin YZ yazılım-
larına dair aşinalıklarını güçlendirmek, bu alanda öğrenme ve geliştirme faaliyetle-
ri yürütmek girişimcilerin yapay zekâ yazılımlarından optimum fayda elde etmele-
rine yardımcı olabilir.
Yapay zekâ, girişimciler için aynı zamanda etkili bir proje yönetim süreci sağlar.
Terimsel olarak ilk kez 2017’de danışmanlık şirketi Gartner tarafından öne sürülen
proje yönetimi botları, insanlarla etkileşim kurabilme özelliğine sahiptir. Bu botlar,
proje yönetiminin, ekip iletişimi, koordinasyon, süreç yönetimi gibi tüm aşamala-
rının otomasyon aracılığıyla sorunsuz bir şekilde yürütülmesini sağlayarak giri-
şimcilere yardımcı olur (Auth, JokischPave ve Dürk, 2019).
Özellikle insan kaynakları ve proje yönetimi gibi, bir girişimin başarısı açısından
belirleyici iki önemli unsura büyük katkı sağlayan yapay zekâ araçlarından bazıları
Tablo 2’de gösterilmiştir.
- 32 -
Tablo 2. Girişimciler için Yapay Zekâ Uygulamaları
Yazılım Menşei Kullanım Alanı

HireVue* Utah, ABD Mülakat esnasında çalışan adayının kelime terci-
hi, ses tonu, telaffuz, jest ve mimiklerini incele-
yerek işveren tarafından seçilen iletişim, takım
çalışması gibi karakterlerle eşleştiren yapay zekâ
bileşenli bir mülakat platformu
Spark Hire* ABD, Illinois İşverenin adayların önceden kaydedilmiş video
mülakatları üzerinde metin ya da video tabanlı
aramalar yapmasını sağlayan bir yapay zekâ Chat
bot uygulamasıdır.
Affectiva* Londra, Birleşik Duygu ölçüm teknolojileri aracılığıyla, işe alım
Krallık sürecinde değerlendirmeye alınacak yeterlilikler-
le ilişki yüz ifadesi ve duyguları ölçümleyen bir
duygu veri tabanıdır.
Click-up** San Diego, ABD Yapay zekâ algoritmaları kullanarak karmaşık
projeleri basitleştirebilen, makine öğrenme aracı-
lığıyla kullanıcı davranışını öğrenip adapte olabi-
len, girişimciler için üretkenliği arttırıcı bulut
tabanlı proje yönetimi yazılımıdır.
Asana** San Francisco, Takım çalışması, görev yönetimi ve proje izleme
ABD gibi özellikleriyle girişimcilerin proje yönetim
ihtiyaçlarını karşılamayı hedefleyen yapay zekâ
tabanlı bir proje yönetimi yazılımıdır.
Kaynak: *Fernández-Martínez ve Fernández (2020) ; **Institute Project Management (2023)
Tablo 2’de önerilen uygulamalar, insan kaynakları ve proje yönetimi süreçlerini

girişimciler için hızlandıracak uygulamalar olarak görülmektedir. Lakin, girişimci-
lerin bir diğer önemli ihtiyacı ise satış ve pazarlama süreçlerinde verimliliği yaka-
lamaktır. Bu alanda faydalı olabilecek yapay zekâ tabanlı uygulamalardan bazıları
şu şekildedir:
 Chat GPT: Bir doğal dil işleme (NLP) sistemi olarak OpenAi tarafından ge-
liştirilen uygulama, bir diyaloğu anlayabilme ve diyaloğa uygun sohbet ede-
bilme özelliği (Deng ve Lin, 2022) ile girişimcilerin iş gücü maliyetini ve iş
yükünü azaltmasına yardımcı olabilecek çeşitli özelliklere sahiptir. Örneğin;
girişimcinin ürün ve hizmetlerinin hedeflenen demografik kitleye ulaşmasını
- 33 -
sağlayacak reklam ve pazarlama içerikleri oluşturabilir, farklı dillere tercüme

edebilir ve hazırlanan içeriği haber bültenleri, video ya da podcast metinleri
gibi çok farklı versiyonlara saniyeler içerisinde uyarlayabilir.
 Midjourney: Yapay zekâ tabanlı yazılımı sayesinde, girişimcilerin ihti-
yaçlarına yönelik görselleri tasarlayabilir. Yazılı olarak verilen komut ve
tariflere göre, görsel hazırlayabildiğinden (Çeken ve Şen, 2023) girişimci-
ler için reklam ve pazarlama kampanyalarında kullanılacak logo ve resim
gibi görsellerin hazırlanmasını sağlayarak verimli kaynak kullanımı sağlar.
Metinleri hiper-gerçekçi grafiklere dönüştüren uygulama, sanatsal olarak
da başarılıdır. Örneğin; Colorada Eyalet Fuarı’nın yıllık olarak gerçekleş-
tirdiği sanat yarışmasında, Jason M. Allen isimli yarışmacı Midjourney ile
oluşturduğu hipergerçekçi eser ile ödül almıştır (Roose, 2022).
3.3.2. Yapay Zekâ ve Girişim Ekonomisi

PwC (2018) tarafından hazırlanan Yapay Zekânın Makroekonomik Etkisi konulu
rapora göre; yapay zekânın kişiselleştirme ve zaman tasarrufu etkisi en fazla sağ-
lık, eğitim, kamu ve kişisel hizmetleri alanında; kullanım etkisi ise en fazla üretim,
sağlık ve finansal hizmetler alanındadır.
Tablo 3: Yapay Zekâ Etki Endeksinin Sektörel Dağılımı
Yapay Zeka Etki Endeksinin Sektörel Dağılımı

5,00
4,00
3,00
2,00
1,00
0,00
Kişiselleştirme Zaman Tasarrufu Kullanım/Kalite
Kaynak: PwC, 2018
- 34 -
2035 yılı öngörülerine dair hazırlanan bir başka raporda ise; yapay zekânın karlılık
üzerinde ortalama yüzde 38’lik bir pozitif etkiye sahip olacağı ve 12 ülkede 14
trilyon ABD doları değerinde bir ekonomi yükselişi tetikleyeceği öne sürülmüştür
(Accenture, 2015). Rapora göre, 2035 yılına kadar yapay zekânın ABD, Finlandi-
ya, İngiltere ilk üçte olmak üzere; sırasıyla İsviçre, Hollanda, Almanya, Avusturya,
Fransa, Japonya, Belçika, İspanya ve İtalya’da gayri safi milli hasılayı ikiye katla-
yacağı tahmin edilmektedir.
E-ticaret platformlarının yükselişi ile birlikte online alışverişe dair ilginin arttığı ve
Covid-19 ile birlikte daha da yükseldiği dikkate alınacak olursa; yapay zekâ ala-
nında çalışan girişimlerin cazibesinin yatırımcılar için artması ve risk sermayesi
finansmanında bu tür start-up şirketlerin yatırım alması ve yatırım olan bu şirketle-
rin de bölge ekonomilerine katkı sağlamaları kaçınılmazdır.
Örneğin, müşterilerinin isteklerini yapay zekâ tabanlı bir arama motoru ve veri
bankası üzerinden işleyen Türk şirketi Getir, Amerika’lı Sequoia Sermaye Yatırım
Şirketi’nden 25 milyon dolar, Silikon Vadisinden ise 38 milyon dolarlık yatırım
alarak pandemi döneminde ve sonrasında büyümüş (Barış ve Yılmaz, 2021) ve çok
sayıda motor kurye işe alarak hem Türkiye’de hem de hizmetlerini genişlettiği
ülkelerde önemli bir istihdam kaynağı oluşturarak girişim ekonomisine ciddi bir
katkıda bulunmuştur.
3.3.3. Yapay Zekâ Girişimciliğinin Sürdürülebilirlik Boyutu

Girişimcilerin en büyük kaygılarından biri sürdürülebilirliktir. Yapay zekâ sahip
olduğu yetkinlikleri (akıllı algoritmalar, başarılı veri yönetimi, tahmin hesaplama)
ve sunduğu potansiyeller (verimlilik, maliyet yönetimi, fiyatlandırma, kalite kont-
rol pazarlama analizleri) sayesinde, girişimler için sürdürülebilirliğin anahtarıdır.
Yapay zekâ, sadece girişimcilerin işletmelerindeki sürdürülebilirlik hedeflerine
değil; çevresel sürdürülebilirlik hedeflerine de katkı sağlar. Örneğin; yapay zekâ
teknolojisi kullanan otonom elektrikli araçlar, sahip oldukları akıllı yakıt tüketimi
ile daha az karbon ayak izi bırakır ve çevreye daha az zarar verirler. Yapay zekâ
tabanlı sulama sistemleri, su israfının önüne geçerek verimli bir tarımı mümkün
kılmış; çiftçilik faaliyetlerinde ekin ve kaynak verimliliğini yükselmiş, maliyet
etkin tarım ve hayvancılığa olanak sağlamıştır (Townsend, 2019).
Örneğin; İsviçre Lozan’da kurulan bir yeşil girişimcilik ve eko girişimcilik projesi
olan PlantVillage, cep telefonlarındaki bir YZ uygulaması aracılığıyla çiftçilerin
ekinlerdeki hastalıkları teşhis edebilmelerini mümkün kılmış ve tarımda sürdürü-
- 35 -
lebilirliğe bir değer katmıştır (Goralski ve Tan, 2020). Gelişmekte olan ülkelerde
yaşamın ekin hasadına bağlı olduğu düşünüldüğünde, yapay zekânın bölge eko-
nomisinin sürdürülebilirliğine katkısından da bahsetmek mümkün olabilir.
Akıllı filtrelerle, fabrikalardaki karbon salınımını anlık takip ederek hava kirliliği-
nin önüne geçmek, akıllı atık takibi ile zehirli ve kimyasal atıklarla ilgili tüm süre-
ci en titiz şekilde yürütebilmek, akıllı şebekelerle ışık ve enerji israfının önüne
geçebilmek mümkün olduğundan; bu teknolojilerin çevresel sürdürülebilirlik üze-
rinde olumlu bir etkisi olabileceği öngörülmektedir.
Yapay zekânın, sürdürülebilirlik üzerindeki tek etkisi olumlu değildir. Her ne ka-
dar, iklim değişikliği ve küresel ısınmanın etkilerini azaltabilecek sayısız fayda
sunsa da yapay zekâ teknolojilerinin kendi karbon ayak izleri oldukça büyüktür.
Öyle ki, Massachusetts Amherst Universitesi’nden araştırmacılara göre, bir yapay
zekâ programı için doğal dil işleme modelini geliştirmek için harcanan enerji New
York ile Pekin arasında 125 kere uçakla gidip gelmeye denktir. Başka bir deyişle,
yapay zekânın kendisi bir kaynak olduğu gibi, kendisi de kaynak kullanır. Bu so-
runu çözmek için, farklı çözümler öne sürülmüştür. Faydası, çevresel zararına ağır
basan senaryolarda yapay zekâ kullanımı teşvik edilmesi, bulut sağlayıcılarının
hidroelektrik ya da güneş enerjisi olan yerlerde veri merkezleri açmaya yönlendi-
rilmesi ve hükümetlerin yeşil yapa zekâ kullanımını içeren bu uygulamalar için
vergi teşviği getirmesi önerilmektedir (Dhar, 2020).
4. Sonuç
Yapay zekâ araçları, günümüzde girişimcilerin teşebbüslerine insan kaynakları,

proje yönetimi ve pazarlama gibi çok farklı alanlarda destek olabilme ve yatırımcı
nezdindeki cazibelerini arttırma potansiyeline sahip yeniliklerdir.
Bir 21. Yüzyıl inovasyonu olarak tanınmalarına rağmen, kökenleri doğaya – biyo-
mimikri bilim dalına- uzanır. Bu nedenle de yapay zekâ girişimcileri biyomimikri
bilim dalından ve doğadaki keşiflerden bir ar-ge kaynağı olarak sürekli istifade
edebilir, karşılaştıkları sorunların çözümünü doğada bulabilir ve biyolojik zekâ ile
yapay zeka arasındaki simbiyotik bağı aktif olarak kullanabilirler.
Ancak, yapay zekâ her ne kadar biyolojik zekayı modelleyen ve performans açı-
sından biyolojik zekaya üstün gelen bir yenilik olsa da malzeme ve kaynak kulla-
nımı ve çevresel sürdürülebilirlik açısından biyolojik zekanın gerisinde kalmakta-
dır. Sürdürülebilirliğe katkı sağlamak amacıyla geliştirilmiş pek çok versiyonu
- 36 -
olmasına rağmen, çevre üzerindeki olumsuz etkisi olumlu etkisine ağır basmakta
ve bu yönüyle eleştirilmektedir. Çevre üzerindeki olumsuz etkisini en aza indirge-
mek için, vergi teşvikleri, lisanslama koşullarında değişiklik gibi tedbirler öneril-
mektedir.
KAYNAKÇA
Akopyan, F., Sawada, J., Cassidy, A., Alvarez-Icaza, R., Arthur, J., Merolla, P., ... & Mod-
ha, D. S. (2015). Truenorth: Design and tool flow of a 65 mw 1 million neuron prog-
rammable neurosynaptic chip. IEEE transactions on computer-aided design of integ-
rated circuits and systems, 34(10), 1537-1557.
Auth, G., JokischPavel, O., & Dürk, C. (2019). Revisiting automated project management
in the digital age–a survey of AI approaches. Online Journal of Applied Knowledge
Management (OJAKM), 7(1), 27-39.
Barış, A. & Yılmaz, T. (2021). Consumers’ Perceptions of Online Grocery Applications:
‘Getir’ a case study in Turkey . Maltepe Üniversitesi İletişim Fakültesi Dergisi , 8
(2), 206-228 . https://dergipark.org.tr/en/pub/iled/issue/68447/1020209 Erişim: 24
Ağustos 2023
Brockhaus Sr, R. H. (1980). Risk taking propensity of entrepreneurs. Academy of mana-
gement Journal, 23(3), 509-520.
Bruyat, C., & Julien, P. A. (2001). Defining the field of research in entrepreneurship. Jour-
nal of business venturing, 16(2), 165-180.
Cordeschi, R. (2004). Cybernetics. The Blackwell guide to the philosophy of computing
and information, 186-196.
Çeken, B., & Şen, O. (2023, May). GRAFİK TASARIM SEKTÖRÜNDE YAPAY ZEKÂNIN
KULLANILMASI (MİDJOURNEY). In International Conference on Contemporary
Academic Research (Vol. 1, pp. 138-145).
Debolini, F. (2006). Art Book Leonardo da Vinci. Ankara: Dost Kitabevi Yayınları, p.92-93
Deng, J., & Lin, Y. (2022). The benefits and challenges of ChatGPT: An overview. Fronti-
ers in Computing and Intelligent Systems, 2(2), 81-83.
Dhar, P. (2020). The carbon impact of artificial intelligence. Nat. Mach. Intell., 2(8),
423-425.
Fernández-Martínez, C. & Fernández, A. (2020). AI and recruiting software: Ethical and
legal implications. Paladyn, Journal of Behavioral Robotics, 11(1), 199-216.
https://doi.org/10.1515/pjbr-2020-0030 Erişim: 20 Ağustos 2023
Fischer, L. (2021). How slime molds remember where they ate. Scientific American.
https://www.scientificamerican.com/article/how-slime-molds-remember-where-they-
ate/ Erişim: 3 Temmuz 2023
- 37 -
Gartner, W. B. (1988). “Who is an entrepreneur?” is the wrong question. American journal

of small business, 12(4), 11-32.
Goralski, M. A., & Tan, T. K. (2020). Artificial intelligence and sustainable development.
The International Journal of Management Education, 18(1), 100330.
Hull, D. L., Bosley, J. J., & Udell, G. G. (1980). Renewing the hunt for the heffalump:
identifying potential entrepreneurs by personality characteristics. Journal of Small
Business Management (pre-1986), 18(000001), 11.
Institute Project Management (2023) The 6 Best AI Project Management Tools to Help
You Succeed. https://instituteprojectmanagement.com/blog/the-6-best-ai-project-
management-tools-to-help-you-succeed/ Erişim: 8 Ağustos 2023
Kabir, M. (2018, March). Entrepreneurship process in the era of Artificial Intelligence. In
ACPI (pp. 174-182).
Karlsson, C., Friis, C., & Paulsson, T. (2004). Relating entrepreneurship to economic
growth. The Emerging Digital Economy: Entrepreneurship Clusters and Policy.
Springer-Verlag, Berlin.
Khan, T. (2022). Brain criticality, fractal, and renormalization concepts extended for unifi-
cation and decoherence theories.
Kirzner, I. M. (1983). Perception, opportunity, and profit. Chicago, IL, USA: Chicago
University Press.
Korteling, J. H., van de Boer-Visschedijk, G. C., Blankendaal, R. A., Boonekamp, R. C., &
Eikelboom, A. R. (2021). Human-versus artificial intelligence. Frontiers in artificial
intelligence, 4, 622364.
Lackéus, M., Lundqvist, M., & Middleton, K. W. (2016). Bridging the traditional-
progressive education rift through entrepreneurship. International Journal of Entrep-
reneurial Behavior & Research, 22(6), 777-803.
Lam, V. (2016). We know very little about the brain": Experts Outline Challenges in Neurosci-
ence. Scope. https://scopeblog.stanford.edu/2016/11/08/challenges-in-neuroscience- in-
the-21st-century/ Erişim: 19 Ağustos 2023
Leibenstein, H. (1968). Entrepreneurship and development. The American economic re-
view, 58(2), 72-83.
Lumpkin, G. T., & Dess, G. G. (1996). Clarifying the entrepreneurial orientation construct
and linking it to performance. Academy of management Review, 21(1), 135-172.
Long, W. (1983). The meaning of entrepreneurship. American Journal of small business,
8(2), 47-59.
Low, M. B., & MacMillan, I. C. (1988). Entrepreneurship: Past research and future chal-
lenges. Journal of management, 14(2), 139-161.
Orman, B. (2013). Art Nouveau & Gaudí: The Way of Nature. JCCC Honors Journal, 4(1), 2.
- 38 -
PwC (2018). The macroeconomic impact of artificial intelligence. https://www.pwc.co.uk/

economic-services/assets/macroeconomic-impact-of-ai-technical-report-feb-18.pdf
Erişim: 10 Temmuz 2023
Rapp, H., & Nawrot, M. P. (2020). A spiking neural program for sensorimotor control du-
ring foraging in flying insects. Proceedings of the National Academy of Sciences,
117(45), 28412-28421.
Reid, C. R., & Latty, T. (2016). Collective behaviour and swarm intelligence in slime mo-
ulds. FEMS microbiology reviews, 40(6), 798-806.
Roose, K. (2022). An AI-generated picture won an art prize. Artists aren’t happy. The New
York Times, 2(September).
Schumpeter, J. A. (1934). The theory of economic development (Harvard University Press,
Cambridge, MA).
Shane, S., & Venkataraman, S. (2000). The promise of entrepreneurship as a field of rese-
arch. Academy of management review, 25(1), 217-226.
Shukor, S. F. A. Avian-Centric Design. Nature’s Yield and Wonders of Art (NYAWA) 15,
p.81 https://core.ac.uk/download/pdf/153825146.pdf Erişim: 14 Haziran 2022
Stevenson, H. H., & Jarillo, J. C. (2007). A paradigm of entrepreneurship: Entrepreneurial
management. In Entrepreneurship: Concepts, theory and perspective (pp. 155-170).
Berlin, Heidelberg: Springer Berlin Heidelberg.
Tambe, P., Cappelli, P., & Yakubovich, V. (2019). Artificial intelligence in human resources
management: Challenges and a path forward. California Management Review, 61(4),
15-42.
Torday, J. S. (2022). Cybernetics as a conversation with the Cosmos. Progress in Biophy-
sics and Molecular Biology, 172, 77-81.
Townsend, R., Lampietti, J. A., Treguer, D. O., Schroeder, K. G., Haile, M. G., Juergenli-
emk, A., ... & Hakobyan, A. (2019). Future of food: harnessing digital technologies
to improve food system outcomes (No. 136012, pp. 1-44). The World Bank.
Wiener, N. (1988). Cybernetics, Cambridge, MA: MIT Press. Introduction to the First Edi-
tion, pp. 1-29; Chapter V," Computing machines and the nervous system, 11 pp. 116-
132; Chapter VI," Gestalt and Universals," pp. 133-143; and Chapter VII," Cyberne-
tics and psychopathology," pp. 144-154. Neurocomputing, 2, 14.
Van Praag, C. M. (1999). Some classic views on entrepreneurship. De economist, 147,
311-335.
Zhao, L., Zhang, L., Wu, Z., Chen, Y., Dai, H., Yu, X., ... & Liu, T. (2023). When brain-
inspired ai meets agi. Meta-Radiology, 100005.
- 39 -
3. BÖLÜM
YAPAY ZEKA ve ÜRETİM YÖNETİMİ
Öğr. Gör. Dr. Buşra Kesici

Düzce Üniversitesi
Sosyal Bilimler Meslek Yüksekokulu, Yönetim ve Organizasyon Bölümü
busrakesici@duzce.edu.tr
ORCID: 0000-0001-7107-761X
GİRİŞ
Yapay zeka; düşünme, algılama, öğrenme, problem çözme ve karar verme gibi üst
düzey bilişsel süreçleri mümkün kılan uygulamalarla dünyada bilişsel bir süreç
olarak popülerliği kazanmıştır. Kaliteli veri toplama, analiz ve problem çözümü
gibi kolaylaştırıcı avantajlarla, insanların yaşama ve çalışma şeklini insan zekası
ve kümülatif öğrenme yeteneğiyle desteklemek için çeşitli avantajlar sunmaktadır
(Lee ve diğerleri, 2018). Yapay zeka aslında, bilgisayar temelli sistemlerin algıla-
ma, öğrenme ve problem çözme gibi insan zihniyle ilişkili bilişsel işlevleri yerine
getirmesidir. Üretimi kolaylaştırarak kullanıcılara hizmet sağlamak için internet
tabanlı, hizmet odaklı, işbirliğine dayalı ve esnek akıllı üretim sistemini tanımla-
yan modellerin geliştirilmesine odaklanmaktadır.
Günümüzün üretim sistemleri giderek daha karmaşık, dinamik ve rekabet koşulla-
rının sert olduğu bir duruma gelmiştir. Fabrika operasyonları, belirsiz koşullar ve
süreçlerin birbiriyle ilişkisi nedeniyle sistemler yüksek oranda doğrusal olmayan
ve stokastik faaliyet zorluklarıyla karşı karşıyadır. Yapay zeka kavramının hızlı
evrimi, son yıllarda makine öğrenimi konularındaki gelişmeler, literatürde büyük
veri olarak tanımlanmış ve büyük boyutlardaki üretim verisini işlemek için kulla-
nılan gelişmiş analitik araçlar, üretim süreçlerini dönüştürmek adına önemli bir
potansiyeldir. İnternetin günümüzde yaygınlaşması, sensörlerin evrensel varlığı,
büyük verinin ortaya çıkışı, bilgi topluluğunun yükselişi ile veri ve bilginin top-
- 41 -
lum, fiziksel alan ve siber alan ile birbirine bağlanmasıyla birlikte yapay zeka geli-
şimi için bilgi ortamı, yeni bir aşamaya yol açacak şekilde temelinden değişmiştir
(Pan, 2016). Son yıllarda akıllı ekonomi, şehir, tıbbi bakım faaliyetleri, ulaşım,
lojistik, vb. uygulamalardaki sürekli gelişme yapay zeka uygulamalarının gelişi-
minde önemli bir pazar talebi avantajı sağlamaktadır. Üretim teknolojisinin bilgi
iletişim teknolojisi, akıllı teknoloji ve özellikle ürünle ilgili uzmanlıkla derin bir
şekilde birleşmesi, üretim modelleri, üretim yaklaşımları ve ekosistemleri açısın-
dan oyunun kurallarını değiştiren bir dönüşümü mümkün kılmaktadır (Li ve diğer-
leri, 2017).
Üretimde kullanılan yapay zeka, sürdürülebilir bir performansla tüm endüstriyel
uygulamalar için çeşitli makine öğrenimi algoritmalarını geliştirmeye, doğrula-
maya ve dağıtmaya özel olarak odaklanan bir disiplindir (Lee ve diğerleri,
2018). Akıllı üretim olarak da tanımlanan yapay zeka destekli üretim yaklaşımı,
otonom algılamayı, veri yoğun modellemeyi, bilgi işlem platformları ve iletişim
teknolojisinin işbirliğini, simülasyonu entegre eder. Ayrıca Nesnelerin İnterneti
(IoT) ve yapay zekanın birleşimi de üretim süreçlerinde faydalıdır. Nesnelerin
İnterneti çok büyük miktarda bilgi üretir ve yapay zeka tüm bu verilerin anlamlı
hale getirilmesine yardımcı olarak tahmine dayalı bulgulara ve kuralcı önerilere
dönüştürür. Bu, endüstriyel şirketlerin maliyetleri ve arıza sürelerini azaltmaları-
na, varlık üretkenliğini en üst düzeye çıkarmalarına, iş kesintisi riskini azaltma-
larına, kaliteyi iyileştirmelerine ve makineleri analiz ederek, kesintileri tahmin
ederek, ekipman onarımlarını gerçekleştirerek ve ekipman bakımını otomatikleş-
tirerek varlık işletim verimliliğini en üst düzeye çıkarmak için operasyonları
kolaylaştırmaya yardımcı olmakla ilgilidir (Stracener ve diğerleri, 2019).
İşletmelerdeki akıllı üretim sistemleri; siber-fiziksel koşullarda, Nesnelerin İnter-
neti, bulut bilgi işlem, görüntü işleme, doğal dil işleme, makine öğrenimi gibi kav-
ramlardan yararlanarak veri bilimini oluşturup üretim süreçlerinde kullanarak
planlama ve uygulama süreçlerine destek olabilen bilişsel bir bilimdir. Bu kitap
bölümünün odak noktası dört yönlüdür: (1) yapay zekanın üretim süreçlerine yö-
nelik tarihsel gelişimini gözden geçirmek, (2) yapay zekanın uygulama alanları ile
üretim süreçlerinin ilişkisini analiz edebilecek bir inceleme yapmak (3) üretim
süreçlerindeki insan ve robot ilişkisine değinmek ve (4) üretimde yapay zekadan
yararlanılmasına ek olarak bu alanlarda yapay zekanın gelecekteki gelişimini etki-
leyecek zorlukları ve fırsatları tanımlamaktır.
- 42 -
- Yapay Zeka ve Üretim Yönetimi -
1. ÜRETİM ve YAPAY ZEKANIN TARİHİ
İşletmelerdeki üretim süreçlerinde en önemli ihtiyaç, herkes için güvenli bir çalış-
ma ortamı sağlarken verim, kalite ve maliyet hedeflerini de gerçekleştirmektir.
Artan ürün çeşitliliği ve süreç karmaşıklığı, müşteri beklentilerindeki yüksek de-
ğişkenlik ile birleşince, pazarda karlı kalmak için önemli bir rekabet ortamı oluş-
maktadır. Ancak üreticilerin karşı karşıya olduğu bu zorlu çalışma ortamı, yapay
zekanın geleneksel yaklaşımlar üzerindeki benzersiz yetenekleri için bir fırsat
sunmaktadır. Özellikle, problemlerin kökünden çözülmesi, operasyonel ve perfor-
mans verilerindeki çok değişkenliğin sınıflandırabilen yapay zeka araçlarına dö-
nüştürülmesinin sektöre önemli bir faydası bulunmaktadır.
Üretimde yapay zeka konusu, son 40 yılda düzenli olarak artan yayın sayısıyla
bilim camiasında büyük ilgi görmüştür (Arinez ve diğerleri, 2020). 1956 yılında
bilgisayar bilimcileri Arthur Samuel, Allen Newell, Herbert Simon, John
McCarthy ve Marvin Minsky tarafından geliştirilen yapay zeka kavramı, çığır açan
bir araştırma olarak alanın öncüsü kabul edilmiştir (Stracener ve diğerleri, 2019).
Bununla birlikte, yapay zekanın kullanımı, bilgi işlem, iletişim ve kontrol uygula-
malarının dijitalleşmesi sayesinde 1990'ların sonlarında ve yirmi birinci yüzyılın
başlarında yaygın bir şekilde artmıştır (Ji ve diğerleri, 2018).
Amerika Birleşik Devletleri'nin Gelişmiş Üretim Ortaklığını başlatması ve Birleşik
Krallık tarafından Birleşik Krallık 2050 stratejisi düzenlenmesi, Fransa’nın Yeni
Endüstriyel Fransa programı, Japonya’nın Toplum 5.0 stratejisi, Kore’nin Üretim
İnovasyonu 3.0 programı gibi uygulamalar ile ülkelerin teknoloji konusunda en iyi
uygulamaları yapmaya çalıştıkları görülmektedir (Ji ve diğerleri, 2018). 2013 yı-
lında Almanya, akıllı fabrikalara ve akıllı üretime vurgu yaparak Endüstri 4.0 pla-
nını başlatmıştır. Endüstri 4.0'ın özü, "siber fiziksel sistem" temelinde akıllı fabri-
kayı gerçekleştirmektir (Li ve diğerleri, 2017). 21. yüzyılın başından bu yana yeni
nesil bilgi teknolojisi ülkelerde ve üretim süreçlerinde dikkat çekici bir büyüme
göstermiştir.
Yapay zeka kapsamında ülkelerin önem verdiği konular birbirinden farklılaşmıştır.
Almanya, akıllı algılama, kablosuz sensör ağları ve CPS'ler gibi üreticiler için En-
düstri 4.0 teknolojilerinin araştırılmasına odaklanırken (Lee ve diğerleri, 2015),
ABD akıllı makineler, gelişmiş analizler ve iş yerindeki insanlar gibi bilgi işlemin,
analitiğin, düşük maliyetli algılamanın ve yeni internet bağlantısı düzeylerinin
uygulandığı BT teknolojilerine öncelik vermektedir (Posada ve diğerleri, 2015).
Yapay zekanın katılımı ile üretim kavramı akıllı üretim olarak kullanılmaya baş-
- 43 -
lanmıştır. Teknolojilerin, endüstrilerin ve uygulamaların geliştirilmesinin her ülke-

nin stratejik planındaki temel kaygı haline geldiği açıktır. Stratejik planları açısın-
dan hem ABD hem de Almanya lider konumdadır. Ekonomik açıdan büyümesi
gereken ülkeler, akıllı imalatın yeni bir imalat modeli olduğuna ve yeni bilgi ile
iletişim teknolojisinin, akıllı bilim ve teknolojinin, büyük imalat teknolojisinin
(tasarım, üretim, yönetim, test ve entegrasyon dahil), tüm sistem ve ürün geliştir-
me yaşam döngüsü ile entegre edilmesine odaklanmaktadır (Li ve diğerleri, 2017).
Almanya ve ABD'deki akıllı üretim endüstrileri, General Electric tarafından
ABD'de geliştirilen endüstriyel internet platformu Predix ve Almanya'da Siemens
tarafından inşa edilen dijital bulut hizmet platformu Sinalytics gibi akıllı üretim
sistemi araçları ve platformlarının geliştirilmesiyle şekillenmiştir. General Electric
tarafından geliştirilen akıllı İnternet motoru gibi akıllı internet ürünleri, uçak mo-
torlarını veri toplayacak, analiz edecek ve proaktif bakımı harekete geçirecek kont-
rol sistemlerine bağlayabilir. Almanya'daki Amberg fabrikası, Siemens şirketinin
akıllı bir fabrikasının modelidir. Gerçek fabrika, sanal fabrika ile birlikte işletilir
ve gerçek fabrika verileri ile üretim ortamları, insanların gerçek fabrikayı yönetip
kontrol edebildiği sanal fabrika tarafından yansıtılır. Fabrikanın ilk kurulduğu
1989 yılı ile karşılaştırıldığında, çalışan sayısı temelde aynı kalırken, üretim kapa-
sitesi sekiz kat artırılmış ve bir milyon elektronik ürünün işlenmesinde hata oranı
1/40'a inmiştir. (Li ve diğerleri, 2017).
Yapay zeka uygulamaları ile ülkeler, üretim süreçlerini gelişmiş teknolojilerle ta-
sarlayarak yüksek kaliteli ve sıfır hata yaklaşımıyla üretimlerini gerçekleştirmeyi
hedeflemektedir.
2. ÜRETİM SİSTEMLERİ İÇİN YAPAY ZEKA
Li ve diğerleri (2017) dünya çapında akıllı üretim sistemleri ve hükümet girişimle-

rine ilişkin kapsamlı bir çerçeve sunmuştur. Akıllı üretim, bilgi iletişimi, üretim ile
ürün teknolojisi entegrasyonu, IoT, siber-fiziksel sistemler (CPS), bulut bilgi iş-
lem, büyük veri analitiği ve bilgi ve iletişim teknolojisi (ICT) gibi bileşen teknolo-
jiler ve bunların karşılıklı ilişkileri tartışılmıştır.
Sharp ve diğerleri (2018), Makine öğrenimi (otonom bilgisayar bilgisi kazanımına
odaklanan bir yapay zeka alt kümesi) konusunda detaylı bir çalışma yapmıştır.
Makine öğrenimi eğlence, ticaret gibi birçok alanda ve endüstriyel ortamlarda gi-
derek daha fazla kullanılmaktadır. Bu algoritmaların geniş uygulanabilirliği ve
geliştirilmesinin önündeki engellerin düşük olması, bir zamanlar ulaşılamaz oldu-
- 44 -
ğu düşünülen yeniliklerin giderek daha dijital bir dünyada gerçekleştirilmesine

olanak tanımaktadır. Wang ve diğerleri (2018), derin öğrenme tekniklerinin ve
bunların üretimdeki uygulamalarının incelemiştir. Derin öğrenme, büyük üretim
verilerinin işlenmesi ve analiz edilmesi için gelişmiş analiz araçları sağlamaktadır.
Üretim sürecindeki veriler, örneğin yüzey kusuru tespiti, konuşma, metin, seslerde,
telefonda ve hecelerde görüntü ve makine bozulmasının altında yatan diziler, daha
etkili işleme için karmaşıklığı küçük parçalara ayırabilen aşamalı, hiyerarşik tem-
sili giderek daha fazla gerektirmektedir. Gelişmiş hesaplama altyapısından ve fark-
lı soyutlama düzeylerine karşılık gelen ağ katmanları dizisinden yararlanarak ma-
kine öğrenimi yerini derin öğrenmeye (DL) dönüştürmüştür (Lecun ve diğerleri,
2015).
Üretim sistemlerinde verimlilik, üretim sistemindeki tüm öğelerin verimliliği ile
ilişkilidir. Verimlilikler hesaplanırken üretim süreçlerinde kullanılan makinelerin
arıza veya planlı önleyici ve düzeltici bakım çalışmalarının göz önünde bulundu-
rulması gerekmektedir. Üretim operasyonlarındaki bu tür kesintiler verimliliği
önemli ölçüde etkilemektedir (Negahban ve Smith, 2014). İmalat tarihi, beklen-
meyen duruş sürelerini azaltmak için makine ekipmanının güvenilirliğini geliştir-
me geçmişiyle yakından ilişkilidir. Makine durumu izleme, arıza kök neden teşhisi
ve kalan faydalı ömür üzerine yapılan araştırma ve bakım temel yeterliliği oluştu-
rur. Amaç, bileşenlerin öncüllerinin veya yeni başlayan hatalarının zamanında tes-
pit edilmesini ve izole edilmesini sağlamak, ilerlemelerini tahmin etmek ve rasyo-
nel karar vermeyi desteklemektir (Arinez ve diğerleri, 2020). Üretim sistemi veri-
mini etkileyen bir başka önemli konu, üretim hattında darboğaza sebep olup üre-
tim süresini uzatan operasyona müdahale edilmesidir. Genellikle darboğaz maki-
nesini tanımlayarak ve çalışmasını iyileştirerek gerçekleştirilir. Zou ve diğerleri
(2018), mevcut verilere dayalı bir model geliştirerek gerçek zamanlı üretim kısıt-
lamalarını ve verimlilik darboğazlarını belirleyen bir yöntem sistemi önermiştir.
Üretim sistemleri için, istenmeyen kalite sapmaları süreç boyunca yayılabilir ve
nihai ürünlerin kusurlu olmasına neden olabilir. Kalite sapmalarının ilk operasyon-
larda tespit edilmesi üretim kaynaklarından tasarruf sağladığı gibi arızalı parçaları
derhal yeniden işleyerek toplam maliyeti düşürür. Yaygın olarak, istatistiksel süreç
kontrolü (SPC), belirli spesifikasyon aralıklarına göre süreçteki parçaların kalitesi-
ni izlemek için yaygın olarak kullanılır. Wang ve diğerleri (2019a), otomatik kod-
layıcılara ve tekrarlayan sinir ağlarına (RNN'ler) dayalı olarak toz metalürjisi üre-
timinde ürünlerin kalite kontrolüne ilişkin bir vaka çalışması gerçekleştirmiş. Ke-
sici ve Yıldız (2016), üretim sürecinde operatör kaynaklı kalite hatalarını elimine
- 45 -
etmek için geliştirilen yapay zeka teknolojisinin bir otomotiv yan sanayi firmasın-
da uygulanmasına dair vaka çalışması yapmıştır. Algılama teknolojisi fabrika ze-
minlerinde sürekli olarak gelişip benimsendikçe, görüntü verileri giderek artan bir
şekilde proses izleme ve arıza teşhisi için toplanıp analiz edilmektedir. Geleneksel
olarak ölçülen zaman serisi verileriyle karşılaştırıldığında, görüntülerin daha yük-
sek bir bilgi yoğunluğu vardır ve bunların kullanımının izlenen nesneler hakkında
bilgi edinmede avantajlı olduğu gösterilmiştir (Arinez ve diğerleri, 2020).
Yapay zeka, akıllı imalat sistemi aracılığıyla akıllı imalat alanında uygulanmakta-
dır. "İnternet artı yapay zeka" arka planına karşı akıllı üretim sistemi, otonom akıl-
lı algılama, ara bağlantı, işbirliği, öğrenme, analiz, biliş, karar verme, kontrol ve
insan, makine, malzeme, çevre ve bilgilerin yürütülmesi ile karakterize edilmekte-
dir. Sistem, kaynaklar/kapasiteler katmanından, her yerde bulunan ağ katmanın-
dan, hizmet platformundan, akıllı bulut hizmeti uygulama katmanının yanı sıra
güvenlik yönetimi sisteminden oluşmaktadır (Li ve diğerleri, 2017). Geleneksel
üretim hattıyla karşılaştırıldığında akıllı imalat sistemi, farklı türdeki küçük partili
ürünleri daha verimli bir şekilde üretebilir. Bir yandan, farklı ürün türleri arasında
geçiş yapılırken kurulum süresi en aza indirilir. Öte yandan, büyük veri geri bildi-
rimi ve koordinasyonu yardımıyla üretim süreci optimize edildikçe ortalama üre-
tim rotaları kısalarak makinelerin ve diğer kaynakların kullanım oranı iyileşmek-
tedir (Wang ve diğerleri, 2016).
Esnek üretim sistemlerinde, aynı zaman aralığında işlenmeyi bekleyen çok sayıda
ürün siparişi olduğunda işlerin hangi sıra ile gönderilmesinin gerektiği sorusu or-
taya çıkar. Hangi sıraya öncelik verilmesi gerektiğini ve hangi makinenin işi üst-
lenmesi gerektiğini belirlemek kritik öneme sahiptir. Bu bağlamda, örneğin maki-
ne kapasitesi ve kullanılabilirliği gibi çeşitli iç faktörleri ve sipariş teslim tarihleri
gibi dış faktörleri göz önünde bulundurarak en uygun iş dizilerini ve iş rotalarını
bulacak bir sistem geliştirilmesi gerekmektedir. Doğru rotalamayı yapmak için
kaynaklar, test ekipmanları, malzeme, enerji, üretim modeli, veri analizi, simülas-
yon, yazılım, tasarım, üretim, simülasyon, deney, yönetim, satış, operasyon, bakım
ve entegrasyonun yanı sıra yeni dijital ve akıllı üretim ara bağlantı ürünlerinin
üretim kapasitelerine de odaklanılması gerekmektedir.
Endüstriyel Nesnelerin İnterneti'nin ilerlemesiyle makine öğrenimi algoritmaları,
zor olarak nitelendirilen üretim problemlerinde döngü süresini, hurdayı azaltmak,
kaliteyi artırmak ve kaynak kullanımını iyileştirmek için önemli bir imkandır
(Wuest ve diğerleri, 2016). Endüstriyel İnternet; veri, donanım, yazılım ve istihba-
rat arasındaki etkileşim olarak tanımlanmıştır. Endüstriyel İnternetin maksimum
- 46 -
potansiyeli, üç bileşenin (akıllı ekipman, akıllı sistemler ve akıllı kararlar) makine-

ler, ekipmanlar, tesisler ve sistem ağları ile bütünsel entegrasyonu yoluyla gerçek-
leştirilmektir (Li ve diğerleri, 2017).
3. ÜRETİM SİSTEMLERİNİN İNSAN VE ROBOT İŞBİRLİĞİ

(HRC) UYGULAMALARINDA YAPAY ZEKA
Üretim sistemlerinde yapay zeka incelemesini detaylandırmak için insan ve robot

işbirliği konusu hem sistem hem de makine/süreç katmanlarını birleştiren önemli
bir konudur. Wang ve diğerleri (2019b), gelişmekte olan insan-robot işbirliği ala-
nında uygulanan yapay zeka teknikleri hakkında kapsamlı bir çalışma yapmıştır.
Üretim bağlamında insan-robot işbirliği (HRC) ile insanların yakın mesafedeki
robotlarla yan yana çalışabileceği bir ortam oluşturmak amaçlanmaktadır. Böyle
işbirlikçi bir düzende insanlar ve robotlar aynı çalışma alanını, aynı kaynakları ve
bazı durumlarda aynı görevleri paylaşabilirler.
İmalatta robotik uygulamaların sürekli artan çeşitliliği ve miktarı göz önüne alın-
dığında, yapay zekanın bu konu üzerindeki etkisinin gözden geçirilmesi özellikle
önemlidir. Geleneksel olarak, üretimde robotik uygulamanın amacı, robotların
insanlar üzerindeki tekrarlanabilirlik, dayanıklılık, güç, tehlikeli ortamlarda çalışa-
bilme yeteneği vb. gibi avantajlarından yararlanmak olmuştur. Görevler insan ope-
ratörleri, biliş, uyarlanabilirlik, belirsizlik ve esneklik ile ilgili olan doğal avantaj-
larına daha verimli bir şekilde odaklanma konusunda özgür kılar. Bu sayede gide-
rek daha güçlü ve yetenekli yapay zeka/makine öğrenimi araçlarının ortaya çık-
maktadır (Arinez ve diğerleri, 2019).
Bir üretim operasyonunda işlemlerin insan ve robot ile ortak olarak yönetilmesini
sağlayan dört tip insan ve robot işbirliği davranışı tanımlanmıştır. İşbirliği derece-
si, süreçler ve iş parçalarından oluşan belirli bir imalat operasyonunda insanlar ile
robotların ne kadar yakın çalıştıklarına göre sınıflandırılır. Bunlardan ilki, farklı
süreçlerin ve iş parçalarının tam bağımsızlığıdır. İşçi ve robot farklı iş parçaları
üzerinde bağımsız olarak çalışır. Günümüzün endüstriyel robotları için standart
durum budur. İkinci olarak ortak bir iş parçasıyla farklı süreçlerin senkronizasyo-
nudur. Üçüncü işlem eşzamanlı farklı işlemler ve ortak iş parçasından ve dördüncü
olarak ortak işlem ve iş parçası üzerinde eşzamanlı iş birliğidir (Helms ve diğerle-
ri, 2002).
İnsan-robot işbirlikçi faaliyetlerinde kullanılan çok çeşitli stratejiler arasındaki ortak
yaklaşımlara göre robotun belirli bir ölçüde özerkliğe sahip olması, işbirliğinin ve-
- 47 -
rimlilik ve etkinlik açısından son derece faydalı olması sayılabilir (Roncone ve di-
ğerleri, 2017). Bir insan ve robot işbirliği montaj uygulamasında, başarılı montaj
operasyonlarını belirlemek ve bunları insandan robotik operasyonlara geçişinde kul-
lanılmak üzere bir makine öğrenimi çerçevesi önerilmiştir. Bu çerçeve, görülmeyen
nesneleri genelleştirme yeteneği ve model tabanlı bir yöntemle karşılaştırmada dik-
kate değer sonuçlar elde etmeyi hedeflemiştir (Doltsinis ve diğerleri, 2020). Üretim
operasyonlarında, uygulama ve sistemin türüne bağlı olarak, bu operasyonel adımlar
veya süreçler önceden planlanmış olabilir veya olmayabilir. Bu da operasyonel ve-
rimliliği artırmak için seçilen belirli bir yapay zeka tekniğinin gerekliliklerini buna
göre yönlendirecektir. İnsan ve robot işbirliğinin karşı karşıya olduğu daha da büyük
bir zorluk, insan görevi performans sürelerindeki doğal belirsizlik ve değişkenliktir.
Bu tür bir değişkenliğin insan operatörler tarafından sağlanan esnekliğin maliyeti
olduğu öne sürülebilirse de yine de verimliliğin korunmasını sağlamak için yakla-
şımların geliştirilmesini gerektirir (Arinez ve diğerleri, 2020).
İnsan ve robotların sürekli olarak gözlemlenmesi ve değerlendirmesi gerekir. Ro-
botik izleme yetenekleri göz önüne alındığında, "Robot Nesnelerin İnterneti"
(IoRT) terimi, olayları izleyebilen, çeşitli kaynaklardan gelen sensör verilerini
birleştirebilen, en iyi rotayı belirlemek için yerel ve dağıtılmış zekayı kullanan
akıllı cihazları tanımlanmıştır (Batth ve diğerleri, 2018). İnsan ve robot iş birliği-
nin önemli bir unsuru, operasyonlara müdahale ile ilgilidir ve izleme sırasında
insan veya robot bir arıza ya da anormallik meydana geldiğini gözlemlerse hangi
alternatif adımların veya düzeltici eylemlerin izlenmesi gerektiğini dikkate alır.
Sınırlı etkileşimi olan insan robotik sistemlerde, bir insan denetçinin, hatanın tek-
rar oluşmasını önlemek için manuel kontrolleri geçersiz kılarak veya sistemi dur-
durup yeniden öğreterek sistem çalışmasını değiştirmesi gerekecektir. Sistemin
kontrolüne müdahalenin önemli bir yönü, gerçek zamanlı karar verme yeteneğidir.
Karmaşık ve belirsiz durumlarda, insan operatörler, insanın bilişsel yetenekleri
sayesinde robotlara kıyasla göreceli bir avantaja sahiptir. İşbirliğinin robotik tara-
fında karmaşık olay işleme gereksinimi, yapay zekanın geliştirebileceği bir fırsattır
(Arinez ve diğerleri, 2020).
İnsan ve robot işbirliğinin yapıldığı önemli faaliyet alanlarından biri de lojistik
faaliyetlerdir. Özellikle depolama koşullarında ürünlerin izlenebilirliğinin sağlan-
ması için yapay zeka teknolojilerinden önemli ölçüde faydalanılmaktadır. Bunlar;
bir radyo frekansı tanımlama (RFID) sensörünün, kablosuz sensör ağının, ses, ışık
ve elektronik sensörlerin/ekipmanın akıllı algılama birimleri aracılığıyla işletme,
endüstri, insan, makine ve malzeme gibi nesnelere aktarılmasıdır. Barkod/2D bar-
- 48 -
kod ve radar ve bir ağ üzerinden veri ve talimat aktarımı yapılarak ürünlerin izle-
nebilirliği sağlanmaktadır (Li ve diğerleri, 2017).
4. YAPAY ZEKA GELECEĞİNDE ZORLUK VE FIRSATLAR
İşletmeler, üretim süreçlerinin tamamından gelen bilgileri eyleme dönüştürülebil-

mek için son yıllarda yapay zekadan giderek daha fazla yararlanmaktadır. Bu du-
rum da fabrikaları daha akıllı hale getirmektedir. Ancak, bu gelişme yapay zekanın
fabrika süreçlerine entegrasyonunun sorunsuz olarak ele alınması için gerekli tüm
adımları belirlemesiyle mümkündür. Söz konusu adımların gelecekte oluşturacağı
zorluk ve fırsatlar kitap bölümünün bu aşamasında ele alınmıştır.
Makine öğrenimi, üretim sistemlerinde popüler bir konudur. Etkili yapay zeka araç-
ları seçimi ve ardından model oluşturma, veri analizi ve yorumlama olasılığını ar-
tırmak için bir sorunun, nedenlerinin, sonuçlarının ve istenen çözüm durumunun
derinlemesine anlaşılması çok önemlidir. Bu konuların tamamı yeterli alan uzmanlı-
ğına sahip yöneticiler tarafından başarıyla gerçekleştirilebilir. Ek olarak, üretim hi-
yerarşisinin en üst seviyesinde, genel tesis performansını yöneten çeşitli etkileşimli
tesis kontrol sistemleri vardır. Tek makine öğrenimi yaklaşımları geliştirilmiş olsa
da, tek bir yapay zeka aracı veya grubu henüz bu kontrol sistemlerini tüm perfor-
mans hedeflerine entegre edememiştir (Arinez ve diğerleri, 2020). Makine arıza
tiplerinin değişkenliği, veri örneklerinin çeşitli çalışma koşulları altında farklı dağı-
lımları takip etmesine neden olur ve bu da makine öğrenme tekniklerine dayalı oto-
nom teşhis konusunda önemli zorluklar yaratır (Wang ve diğerleri, 2020).
Çeşitli yapay zeka teknikleri, sistem performansını doğru bir şekilde modelleme ve
optimize etme, insan-robot işbirliğini gerçekleştirmek için insan hareketini yorum-
lama, hatayı tespit edip sınıflandırma ve gelecekteki makine durumunu tahmin
etme yeteneğini göstermektedir. Bununla birlikte, gerçek uygulamalarda, farklı
çalışma koşullarından veya üretim konfigürasyonlarından sistematik bir şekilde
veri elde etmek çoğu zaman mümkün değildir (Arinez ve diğerleri, 2020).
Yapay zeka gelişmeye ve ilerlemeye devam ettikçe, çıktılarını ve teknik ayrıntıları
anlamak ve yorumlamak, giderek bu alanda uzmanlaşmış becerilere sahip veri
bilimcilere ihtiyacı arttırmaktadır. Yapay zekanın üretimdeki önemli bir zorluklar-
dan biri, bu konuda uzman olmayan karar vericiler için yapay zeka analizinin doğ-
ru yorumlanmasıdır. Bu konudaki temel analizleri doğru bir şekilde kavramadan,
kullanıcıların analiz sonuçlarına güvenmek ve kabul etmek doğru bir yaklaşım
olmayacaktır. Üretim operasyonları, yapay zeka modellerinin belirttiği gibi olası-
- 49 -
lıksal olarak meydana gelebilecek şeylere değil, fiziksel olarak bilinenlere dayan-
dığından, daha şeffaf, fizik kılavuzlu süreç modelleri gereklidir (Arinez ve diğerle-
ri, 2020).
İnsan ve robot işbirliği konusunda üstesinden gelinmesi gereken temel zorluklar ve
gereksinimler vardır. Bunların başında, insan operatörlerin ve robotların ortak bir
çalışma alanını paylaşmalarını yasaklayan endüstriyel robotik ortamlardaki ana
güvenlik gereklilikleri gelmektedir (Robla ve diğerleri, 2017). Diğer bir zorluk,
robotların insan davranışlarını ve niyetlerindeki belirsizliği nasıl anlayıp yorum-
lamaları ile ilgilidir (Nikolaidis ve diğerleri, 2013). Bu noktada bazı üreticilerin
pratik endüstriyel sorunları çözmek için yenilikçi çözümler geliştirerek bu sorunu
ortadan kaldırması gerekmektedir.
Bazı küçük ölçekli işletmelerde yerleşik bir bilgi işlem teknolojisi alt yapısı olma-
dığı görülmektedir. Çoğunlukla telefon ve e-posta görüşmeleri ve bir dereceye
kadar maliyetlendirme ve muhasebe için kullanılan mobil ve iletişim teknolojileri-
ne ait bir alt yapı bulunmalıdır. Bu teknolojik geri kalmışlığın ardındaki bazı ne-
denler arasında, bu teknolojilerle ilgili olarak insanlar arasında beceri ve eğitim
eksikliği, çoğu işletme kırsal alanlarda çalıştığı için temel yapıyı kuracak kaynak-
ların eksikliği ve gelecek vaat eden uygun bir yatırım sayılabilir (Rizvi ve diğerle-
ri, 2021). Bunu ele almak için, büyük ölçekli ülke ekonomilerinin politikalarında
üretim ile ilgili yeni yapay zeka teknolojileri barındırmak için faydalı değişiklikler
yapması gerekmektedir. Üretim sektörü açısından yapay zekayı teşvik etmek ve bu
tekniklerin geniş çapta kabul görmesini kolaylaştırmak için hem işletmelerin hem
de hükümetlerin daha fazla çaba sarf etmesi gerektiğini belirtmek önemlidir.
Teknoloji meraklısı ve yapay zeka araştırmacısı Tegmark (2017), yayınladığı ça-
lışmasında yapay zekanın fırsatlarından bahsetmiş ve insanları gelirden veya
amaçtan yoksun bırakmadan, otomasyon yoluyla dünyanın refahını artırabileceği-
ne inandığını belirtmiştir. Tegmark'a göre yapay zeka bu şekilde kullanıldığında
insanlığın silahlanma yarışından korkmasına gerek yoktur. Beklenmedik bir varo-
luşsal tehdit hakkında endişelenmek yerine, yapay zekanın insan hayatını nasıl
iyileştireceğinin dikkate alınması gerekmektedir.
SONUÇ
Yapay Zekanın gelişimi yakın insanlık tarihinin en önemli olaylarından biridir.

Değişen ve globalleşen teknolojik dünyada üretim süreçleri otomasyonlu sistemle-
re daha çok ihtiyaç duymaya başlamıştır. Maliyetlerin düşürülmesi, verimlilik ve
- 50 -
karın en yüksek seviyelere çıkarılabilmesi için tedarik zincirinde bulunan tüm

fonksiyonlarda yapay zeka uygulamalarının kullanılması yaygınlaşmaktadır. Bu
çalışma kapsamında, üretim süreçlerinde yapay zekanın tarihi, mevcut uygulama-
ları, insan robot işbirliği ve tüm bu süreçlerde karşılaşabileceği zorluklar ile fırsat-
lara değinilmiştir. 1940’lardaki yapay zekanın ilerleyişinin hızlanması ile üretim
ve mühendislik gibi alanlarda gerçekleşen ciddi iyileştirmelerin yanı sıra bu konu-
da çalışan uygulayıcıların yeterli teknik donanıma sahip olması ihtiyacı ortaya
çıkmıştır. Bu kapsamda özellikle üretim süreçlerinde yapay zeka faaliyetlerinin
tarihinin iyi bilinmesi, gelişmeler doğrultusunda yeni uygulamaların sistemlere
hızlı şekilde entegre edilmesi ve ortaya çıkabilecek tehdit ile fırsatların doğru şe-
kilde değerlendirilmesi sağlanmalıdır. Tüm bu aşamaların da değerlendirilmesiyle
birlikte kitap bölümü kapsamında üretim süreçlerinde kullanılan terminolojinin bir
özeti ile tarihi gelişimi incelenmiştir. Yapay zeka uygulamaları hakkında yapılan
önemli çalışmalara değinilerek mevcut çerçeve çizilmiştir. Sonrasında, günümüzde
yine yaygın kullanılan insan robot işbirliği hakkındaki çalışmalara değinilmiştir.
Son olarak da üretim süreçlerinde yapay zeka kaynaklı tehditlerin ve fırsatların
çerçevesi tanımlanmıştır.
Bundan sonraki çalışmalarda araştırmacıların bugün popülerliğini koruyan makine
öğrenimi ve derin öğrenme tekniklerinin üretim süreçlerinde daha yaygın kullan-
ması önerilmektedir. Ayrıca, disiplinler arası çalışmalar ile yapay zekanın farklı
sektörlerdeki benzer ve değişen uygulamalarına değinilmelidir.
KAYNAKÇA
Arinez, J. F., Chang, Q., Gao, R. X., Xu, C.,and Zhang, J. (2020). Artificial Intelligence in
Advanced Manufacturing: Current Status and Future Outlook. Journal of Manufactu-
ring Science and Engineering, 142(11), 110804-1 – 110804-16.
Batth, R. S., Nayyar, A. and Nagpal, A. (2018). Internet of Robotic Things: Driving Intel-
ligent Robotics of Future—Concept, Architecture, Applications and Technologies,
Proceedings of the International Conference on Computer Science, Jalandhar, India,
151–160.
Doltsinis, S., Krestenitis, M., and Doulgeri, Z. (2020). A Machine Learning Framework for
Real-Time Identification of Successful Snap-Fit Assemblies. IEEE Transactions on
Automation Science and Engineering, 17(1), 513–523.
Helms, E., Sehraft, R. D. and Hägele, M. (2002). “Rob@Work: Robot Assdstant dn Indust-
rial Environments,” Proceedings of the IEEE International Workshop on Robot and
Human Interactive Communication, Berlin, Germany, 399–404.
- 51 -
Ji, Z., Peigen L., Yanhong Z., Baicun W., Jiyuan Z. and Liu M. (2018). Toward New-
Generation Intelligent Manufacturing, Engineering, 4(1), 11-20.
Kesici, B. ve Yıldız, M. S. (2016). Kalite Kontrol Faaliyetlerinde Yapay Zekâ Kullanımı
ve Bir Otomotiv Yan Sanayisinde Uygulanması. Yalova Sosyal Bilimler Dergisi, 6
(12), 307-323.
Lecun, Y., Bengio, Y. and Hinton, G. (2015). Deep Learning. Nature, 521(7553), 436–444.
Lee, J., Bagheri, B. and Kao, H.A. (2015). A cyber-physical systems architecture for In-
dustry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18-23.
Lee, J. Davari, H, Singh J and Pandhare V. (2018) Industrial artificial intelligence for in-
dustry 4.0 - based manufacturing systems. Manufacturing Letters, 18, 20–23.
Li, B., Hou, B., Yu, W., Lu, X., Yang, C. (2017). Applications of artificial intelligence in
intelligent manufacturing: a review. Frontiers of Information Technology & Electro-
nic Engineering, 18. 86-96.
Negahban, A., and Smith, J. S. (2014). Simulation for Manufacturing System Design and
Operation: Literature Review and Analysis. Journal of Manufacturing Systems,
33(2), 241–261.
Nikolaidis, S., Lasota, P., Rossano, G., Martinez, C., Fuhlbrigge, T., and Shah, J. (2013).
Human-Robot Collaboration in Manufacturing: Quantitative Evaluation of Predictab-
le, Convergent Joint Action. International Symposium on Robotics, ISR 2013, Seoul,
South Korea.
Pan, Y.H. (2016). Heading toward artificial intelligence 2.0. Engineering, 2(4), 409-413.
Posada, J., Toro, C., Barandiaran, I., Oyarzun, D., Stricker, D., Amicis, R., Pinto, E., Ei-
sert, P., Döllner, J. and Vallarino, I. (2015). Visual computing as a key enabling
technology for industrie 4.0 and industrial Internet. Institute of Electrical and Elect-
ronics Engineering, 35(2), 26-40.
Rizvi, A., Haleem, A., Bahl, S. and Javaid, M. (2021). Artificial Intelligence (AI) and Its
Applications in Indian Manufacturing: A Review, In book: Current Advances in
Mechanical Engineering, Chapter: 76, Publisher: Springer, Singapore
Robla, S., Becerra, V. M., Llata, J., Gonzalez-Sarabia, E., Torre-Ferrero, C., and Perez-
Oria, J. (2017). Working Together: A Review on Safe Human-Robot Collaboration
in Industrial Environments, IEEE Access, 5, 26754–26773.
Roncone, A., Mangin, O., and Scassellati, B. (2017). Transparent Role Assignment and
Task Allocation in Human Robot Collaboration, Proceedings of the IEEE Internatio-
nal Conference on Robotics Automation, Singapore, 1014–1021.
Sharp, M., Ak, R. and Hedberg, T. (2018) A Survey of the Advancing Use and Develop-
ment of Machine Learning in Smart Manufacturing. Journal of Manufacturing Sys-
tems, 48 (Part C), 170–179.
- 52 -
Stracener, C., Samelson, Q., Mackie, J., Ihaza, M., Laplante, P. A. and Amabe, B. (2019)
The internet of things grows artificial intelligence and data sciences. IT Proffesional,
21(3), 55–62.
Tegmark, M. (2017). Life 3.0: Being Human in the Age of Artificial Intelligence. Knopf.
Wang, S., Wan, J., Li, D., and Zhang, C. (2016). Implementing Smart Factory of Industrie
4.0: An Outlook. International Journal of Distributed Sensor Networks, 2016(4), 1-10.
Wang, J., Ma, Y., Zhang, L., Gao, R. X. And Wu, D. (2018). Deep learning for smart ma-
nufacturing: Methods and applications. Journal of Manufacturing Systems, 48 (Part
C), 144-156.
Wang, G., Ledwoch, A., Hasani, R. M., Grosu, R., and Brintrup, A. (2019a). A Generative
Neural Network Model for the Quality Prediction of Work in Progress Products,
Applied Soft Computing, 85, 1-13.
Wang, L., Gao, R., Váncza, J., Krüger, J., Wang, X. V., Makrds, S. and Chryssolouris, G.
(2019b). Symbiotic Human-Robot Collaborative Assembly. CIRP Annals, 68(2),
701–726.
Wang, J., Zhao, R. and Gao, R. (2020) Probabilistic Transfer Factor Analysis for Machi-
nery Autonomous Diagnosis Cross Various Operating Conditions, IEEE Transacti-
ons on Instrumentation and Measurement, 69(8), 5335–5344.
Wuest, T., Weimer, D., Irgens, C., and Thoben, K. D. (2016). Machine Learning in Manu-
facturing: Advantages, Challenges, and Applications. Production and Manufacturing
Research, 4(1), 23–45.
Zou, J., Chang, Q., Lei, Y. and Arinez, J. (2018). Production System Performance Identifi-
cation Using Sensor Data. IEEE Transactions on Systems Man and Cybernetics: Sys-
tems, 48(2), 255–264.
- 53 -
4. BÖLÜM
YAPAY ZEKÂ DESTEKLİ

STRATEJİK KARAR VERME
Dr. Öğr. Üyesi Şükrü Mustafa Kaya

İstanbul Aydın Üniversitesi, Bilgisayar Teknolojileri
mustafakaya@aydin.edu.tr
ORCİD: 0000 0003 2710 0063
Dr. Öğr. Üyesi Vildan Bayram

İstanbul Aydın Üniversitesi, İşletme Yönetimi
vildanbayram@aydin.edu.tr
ORCID: 0000-0001-7526-6485
Giriş
Yapay zekâ teknolojileri, iş dünyasında ve stratejik karar alma süreçlerinde büyük

bir dönüm noktası olmuştur. Bu teknolojiler, hızlı bir şekilde büyük miktardaki
verileri analiz edebilme ve tahminde bulunma özellikleri sayesinde stratejik karar
verme süreçlerinde büyük yarar sağlamaktadır. Stratejik karar alma süreçlerinde
yapay zekâ teknolojileri, talep tahminleri, pazar trendleri analizi, risk değerlendir-
meleri ve rekabet analizleri gibi alanlarda kullanılmaktadır. Böylece bazı otomatik
karar alma süreçlerinde işlerlik sağlanmakta, işletmeler daha hızlı ve etkili kararlar
almakta ve rekabet avantajı elde etmektedirler.
Son yıllarda stratejik karar alma süreçlerini etkilemenin ötesinde günlük hayatın
bile gündemini oluşturan yapay zekâ konusu, dijital teknolojiler ve bu teknolojiler-
le oluşan dijital devrimin sonucu olarak dünya üzerinde büyük bir dönüşüm ve
değişime neden olmuştur. Buharlı makinelerle başlayan birinci sanayi devrimi, kas
gücünün üstlendiği misyonu makinalara yüklerken, elektrik enerjisinin yaygınlaş-
ması makineleşmeye hız katmış ve 19. yüzyılda yaşanan büyük sanayi devriminin
lokomotifi olmuştur.
- 55 -
Günümüzde fiziksel dünyadaki anlık değişiklikler, duyu organlarımızla algılayabi-

leceğimiz; sıcaklık, basınç, ses, rüzgâr, nem, hareket, koku, renk ve benzer birçok
somut olay, sensör teknolojileri aracılığıyla dijital platformlara taşınmaktadır. Bu
durum, eğitim, sağlık, güvenlik, endüstri, ulaşım, iletişim kısacası tüm alanlardaki
alışkanlıkların değişmesini zorunlu hale getirmekte ve bilgi yönetim sistemleri
aracılığı ile geliştirilen stratejik karar alma yöntemlerinin de gelişmeler doğrultu-
sunda yenilenmesi ihtiyacı ortaya çıkmaktadır.
Kamu kurumlarının ve işletmelerin hayatta kalmaları ve sürdürülebilirliklerini
koruyabilmeleri için dijital devrimin yaşandığı günümüzde doğru stratejik kararlar
alabilmeleri için, dijital dünyaya aktarılan her bilgiyi yönetebilme kabiliyetini ar-
tırmaları gerekmektedir. Bireysel ve örgütsel olarak dijital teknoloji üretme ve
kullanma kabiliyetini geliştiremeyen kesimlerin geleceğe yönelik doğru stratejik
karar alma ve uygulama ihtimalleri de düşmektedir. Günümüzde gücün belirleyici-
sinin, sahip olunan veri ve bu veriyi işleyerek anlamlı sonuçlar elde edebilme kabi-
liyeti olduğu anlaşılmaktadır.
Bu doğrultuda kitabın bu bölümünde “Yapay Zekâ Destekli Stratejik Karar Ver-
me” başlığı altında yapay zekâ ve yapay zekanın stratejik karar verme süreçlerine
etkileri incelenmektedir. Ayrıca stratejik karar verme ve yapay zekâ kavramlarının
en çok etkileşim halinde olduğu konular ele alınacaktır.
1. Yapay Zekâ
İngiliz matematikçi Alan Turing, 1950 yılında "Computing Machinery and Intelli-
gence" adlı makalesini yayınladı. Bu makalede, Turing testi olarak bilinen bir de-
ney önerdi ve bu test, bir bilgisayarın insan gibi düşünme yeteneğine sahip olup
olmadığını belirlemek için kullanılmaktadır. 1956 yılında, John McCarthy, Marvin
Minsky, Nathaniel Rochester ve Claude Shannon gibi bilim insanları, Dartmouth
Koleji'nde bir araya gelerek yapay zekâ araştırmalarının temellerini attılar. 1970'ler
ve 1980'lerde yapay zekâ alanında uzman sistemler adı verilen yaklaşım geliştiril-
di. Uzman sistemler, insan uzmanlarının bilgisini bir bilgisayar programına akta-
ran ve karar verme süreçlerinde kullanılan sistemlerdir. 1980'ler ve 1990'lar bo-
yunca yapay zekâ alanında makine öğrenmesi üzerine yoğunlaşıldı. Makine öğ-
renmesi, bilgisayarların veri üzerinden öğrenme yeteneğini geliştirmeyi hedefle-
yen bir yaklaşımdır. Bu dönemde önemli algoritmalar ve teknikler geliştirildi
(Haenlein & Kaplan, 2019).
- 56 -
- Yapay Zekâ Destekli Stratejik Karar Verme -
Yapay zekâ, en genel tanımıyla; bir bilgisayarın ya da bilgisayar denetimli bir ma-
kinenin, genellikle insana özgü nitelikler olduğu varsayılan akıl yürütme, anlam
çıkartma, genelleme ve geçmiş deneyimlerden öğrenme gibi yüksek zihinsel sü-
reçlere ilişkin görevleri yerine getirme yeteneği olarak tanımlanmaktadır (Nabiyev,
2016). 1955 yılında emekli Stanford Profesörü John McCarthy tarafından türetilen
bir terim olan yapay zekâ (AI), kendisi tarafından akıllı makineler yapmanın bilimi
ve mühendisliği olarak tanımlanmıştır (Youdong vd., 2014). Yapay zekâ (AI),
bilgisayar biliminin bir dalıdır ve insan zekasını gerektirecek görevleri tamamla-
mak için bilgisayar programları geliştirmeyi içerir. Yapay zekâ algoritmaları öğ-
renme, algılama, problem çözme, dil anlama ve/veya mantıksal akıl yürütme gibi
problemlere çözümler üretmektedir (Saleh, 2019).
Yapay zekâ alanında yapılan çalışmaların temeli insan gibi düşünen ve insan gibi
karar veren sistemleri geliştirebilmek olduğu için, bir yapay zekâ ortaya koya-
bilmek için biyolojik beyinin yapısı ve işleyişi araştırmacıların bu alanda fikir
üretmeleri için ilham kaynağı olmuştur. Bu nedenle de yapay zekâ konusunda
mihenk taşı sayılabilecek gelişmelere 1943 yılında Warren S. McCulloch ve
Walter Pitts tarafından ortaya konan McCulloh-Pitts Nöronu olarak da bilinen
biyolojik beyindeki nöronlardan- sinir hücrelerinden- (neuron) esinlenerek oluş-
turulmuş nöron modeli örnek verilebilir. Geliştirilen bu nöron, yapısı gereği
ve/veya gibi temel mantık fonksiyonlarını çözebilen basitçe açık ya da kapalı
olma durumuna sahip ikili bir değişken olarak düşünülebilir (Kartal, 2021). Ya-
pay zekâ, bilgisayar bilimi ve fizyolojinin bir entegrasyonudur. Basit dilde zekâ,
dünyadaki hedeflere ulaşma yeteneğinin hesaplamalı kısmıdır. Zekâ, ezberleme
ve anlama oluşturmayı, kalıpları tanımayı, değişime uyum sağlayacak seçimler
yapmayı ve deneyimlerden öğrenmeyi hayal etme ve düşünebilme yeteneğidir
(Borana, 2016).
Literatürde karar verme stratejileri geliştirmek üzere kullanılan birçok yapay zekâ
tekniklerinden bahsedilmektedir. Yapay zekanın önem kazandığı 80’li yıllardan
günümüze kadar geçen sürede yapılan çalışmalar algoritma tabanlıdır. Bilgi tabanlı
yapay zekâ uygulamaları 90’lı yıllardan sonra gelişerek günümüzdeki haliyle yay-
gın bir şekilde kullanılmaktadır. Bu yaklaşımların algoritmalara göre en önemli
avantajı problem tanımlanması ile çözümün birbirinden bağımsız olması ve öğ-
renme için gereken sürecin daha sistemli tasarlanması gerektiğidir. Yaygın olarak
kullanılan yapay zekâ teknikleri aşağıda maddeler halinde belirtilmektedir (Nabi-
yev, 2016).
- 57 -
 Sezgisel yaklaşımlar
 Bulanık Mantık
 Uzman Sistemler
 Yapay Sinir Ağları
 Genetik algoritmalar
 Makine Öğrenmesi
 Pekiştirmeli Öğrenme
 Derin Öğrenme Yaklaşımları
Yapay zekâ oluşturmanın birçok yolu vardır ve bunlardan bazıları Şekil 1’de su-
nulmaktadır (Saleh 2019):
Şekil 1. Yapay Zekâ

Kaynak: Şahinarslan, 2019
1.1. Makine Öğrenmesi

Makine öğrenimi (Machine Learning- ML), bilgisayar sistemlerinin açıkça prog-
ramlanmadan belirli bir görevi gerçekleştirmek için kullandığı algoritmaların ve
- 58 -
istatistiksel modellerin bilimsel olarak incelenmesidir. İnternette arama yapmak

için Google gibi bir web arama motoru her kullanıldığında, bu kadar iyi çalışması-
nın nedenlerinden biri, web sayfalarını nasıl sıralayacağını öğrenen bir öğrenme
algoritması üzerinde çalışıyor olmasıdır. Bu algoritmalar, birkaçını saymak gere-
kirse veri madenciliği, görüntü işleme, tahmine dayalı analitik vb. gibi çeşitli
amaçlar için kullanılır. Makine öğrenimini kullanmanın temel avantajı, bir algo-
ritmanın verilerle ne yapacağını öğrendikten sonra işini otomatik olarak yapabil-
mesidir (Mahesh, 2019).
Makine öğrenmesi ile ilgili literatürde karşılaşılabilecek olan en iyi tanımlardan
biri “Eğer bir bilgisayar programının G görevlerinde P ile ölçülen performansı,
deneyim D ile artıyorsa, o bilgisayar programının bazı G görevlerinin sınıflarına
ve performans ölçüsü P’ye göre deneyim D’den öğrendiği söylenmektedir” şek-
lindedir. Tanımda verilen örnek incelendiğinde, makineye öncelikle bir G göre-
vinin verilmiş olması gerekmektedir. Bu görev bir kişinin şeker hastası olup ol-
madığının belirlenmesi olabileceği gibi, bir e-postanın spam bir e-posta olup
olmadığının tespiti de olabilir. Makineden yapması istenen görev belirlendikten
sonra, deneyim olarak faydalanacağı bilginin veri olarak sunulması gereklidir.
Eğer makineye verilen görev bir hastanın şeker hastası olup olmadığını belirle-
mek ise, makineye şeker hastalığının tespitine yönelik değişkenleri içeren veri
öğretilmelidir. Ya da bir alışveriş merkezine ait müşteriler gruplandırılacaksa bu
kez de alışveriş merkezi müşterilerinin geçmişte yaptığı işlemlere ait veri dikkate
alınacaktır. Veri toplama ve işleme süreçleri sonunda belirli bir kritere göre ma-
kinenin öğrenip öğrenmediğinden emin olmak ve bilginin güvenilirliğini ölçmek
için sürecin performansının ölçülmesi gerekecektir (Balaban ve Kartal, 2018;
Mitchell, 1997).
Uygulama alanlarını çok geniş kapsamlı olsa da en temel hâliyle makine öğrenimi
dört disiplin üzerinde geliştirilmektedir. Bunlar: Veri madenciliği, veritabanı yöne-
timi, yapay zekâ ve derin öğrenme şeklinde ifade edilebilir. Veri madenciliği, öğ-
renilmiş bilgiler üzerinden, tahminlerde bulunmak için büyük veri kümeleri için-
deki anormallikleri, kalıpları ve korelasyonları bulma sürecidir. Veritabanı yöneti-
mi, dijital platformlardan elde edilen verilerin tutulduğu ilişkili verileri yönetme
sürecidir. Yapay zekâ (Artificial Intelligence- AI), makinelerin deneyimlerden öğ-
renmesini, yeni girdilere uyum sağlamasını ve insan davranışlarına benzeri eylem-
ler gerçekleştirmesini sağlamayı amaçlamaktadır. Makine öğrenmesinin ilişkili
olduğu alanlar Şekil 2’de sunulmaktadır (Petekci, 2021).
- 59 -
Şekil 2. Makine Öğrenmesi

Kaynak: Şahinarslan 2019
Makine öğrenmesi ile geliştirilen öğrenme yöntemleri denetimli öğrenme (super-

vised learning), denetimsiz öğrenme (unsupervised learning) ve güçlendirilmiş
öğrenme (reinforcement learning) olmak üzere üç ana başlıkta incelenebilir. Ayrıca
yarı denetimli ve öz denetimli öğrenme gibi karma öğrenme yöntemleri, aktif,
gerçek zamanlı ve transfer öğrenme teknikleri gibi farklı teknikler kullanılarak
makine öğrenme türleri geliştirilmektedir (Kartal, 2021).
1.1.1. Denetimli Öğrenme (Supervised Learning)

Denetimli öğrenme (Supervesied Learning) algoritmalar, veri seti üzerinde belirle-
nen veri kümesi ile veriyi etiketleyerek algoritmanın eğitilmesi sonucu elde edilen
örnekler kullanılarak tahminler yapılmasına dayanır. Oluşturulan tüm örnekler bir
veya daha fazla girdi ve belirlenmiş bir çıktı içermektedir. Algoritma, optimal veya
çıkarımlı bir fonksiyonun yinelenmesi yoluyla öğrenir ve daha sonra bu deneyimi,
tahminler yapmak ve ideal bir sonuç elde etmek veya çıktı üretmek için aynı özel-
liklere sahip test veri kümesi dediğimiz yeni veri kümesinde kullanır. Algoritmanın
başarı yüzdesi ve performansını değerlendirmek için üretilen sonuçlar daha sonra
birincil çıktıyla karşılaştırılır. Sınıflandırma, regresyon, gradyan artırma ve kesti-
rime dayanan algoritmalar denetimli öğrenme algoritmaları olarak sınıflandırılır.
- 60 -
Denetimli öğrenmede genel olarak algoritma performansı yüksektir fakat aynı

zamanda etiketleme ve benzer süreçlerden yararlanma gereği nedeniyle maliyetli
bir yöntemdir (Shams, 2020). Şekil 3’te bir örnekle denetimli öğrenme modeli yer
almaktadır.
Şekil 3. Örnek Denetimli Öğrenme Modeli

Kaynak: Şengül, 2022
1.1.2. Denetimsiz Öğrenme (Unsupervised Learning)

Geliştirilen modele eğitim seti olarak sadece girdi değişkenleri verilir. Denetimli
öğrenmedekinin aksine eğitim setinde çıktı ya da etiketleme işlemleri yapılmaz.
Ayrıca sistemin eğitilmesi için öğretim yapan bir denetçi de yoktur. Sistem, girdi
değişkenlerinin arasında ilişkiyi inceleyerek sınıflandırma, kümeleme gibi işlemler
yapmaya çalışır. Eğitim setinde sınıflandırma ya da çıktı bilgisi tutulmadığı için
kullanılan algoritmaların öğrenme performansını ölçmek zordur (Şahinars-
lan,2019). Denetimsiz makine öğrenmesi, etiketlenmemiş veri kümelerini işlemek
ve analiz ederek kümeleme yapmak için makine öğrenimi algoritmalarını kullanır.
Bu algoritmalar, herhangi bir denetime, insan desteğine ihtiyaç duymadan gizli
kalıpları veya veri kümelerini keşfeder. Bilgilerdeki benzerlikleri ve farklılıkları
- 61 -
keşfetme yeteneği, onu keşifsel veri analizi, çapraz satış stratejileri, müşteri seg-
mantasyonu ve görüntü tanıma için ideal çözüm hâline getirir (Petekci, 2021).
Denetimsiz öğrenmede sistemin eğitilmesi için veri setinde herhangi bir etiketleme
yapılmaz ve algoritmaların öğrenmesi sağlanır. Denetimsiz öğrenmenin amacı,
gözlemlerin çıktıları bilinmediği için sınıflandırma yapmak değildir. Bu yöntemle
veri setindeki gözlemler arasındaki benzerlikler bulunarak kümelere ayrılmaktadır.
Denetimsiz öğrenme modeli bir örnekle Şekil 4’te sunulmaktadır.
Şekil 4. Örnek Denetimsiz Öğrenme Modeli

Kaynak: Şengül, 2022
2. Stratejik Karar Verme Süreci
2.1. Strateji Kavramı

Strateji, uzun vadeli hedeflere ulaşmak için planlanan bir dizi adım ve yaklaşım-
dan oluşan hedeflere ulaşma yolundaki süreçtir. Strateji kavramı, Yunan komutan
Strategos’un adına dayanmakta olan Latince kökenli bir kavramdır. Yol, çizgi ve
yatak anlamına gelen straum kavramından türemiştir ve “bir amaca varmak için
eylem birliği sağlama, yöneltme, sevketme ve düzenleme sanatı” olarak kullanıl-
maktadır (Bayram, 2021: 265). Strateji kavramı, ilk olarak askeri ve savunma ala-
nında kullanılmış daha sonra yönetim alanında kullanılmaya başlanmıştır. İşletme
- 62 -
yönetiminde strateji, “bir organizasyonun amacına ulaşmak için izleyeceği yollar”

olarak tanımlanabilir (Odabaş, 2004). Porter’a (1996) göre strateji, örgütler için
belirlenen hedefler doğrultusunda örgüt kaynaklarının kullanılarak o hedeflere
ulaşılmasıdır. Diğer bir deyişle strateji, örgüt için belirlenen yere nasıl gidileceği-
nin tespit edilmesi, örgütün amaç ve hedeflerine ulaşabilmesinde izleyeceği yol ve
aldığı kararların bütünüdür (Güçlü, 2003). Strateji, örgütün hedeflerini, ulaşmak
istediği noktaya götürecek olan amaçları ve görevleri gerçekleştirmek için gerekli
olan genel yol ve yöntemlerdir (Budak, 2000: 3-4). Stratejik yönetim ise örgütün
amaçlarına ulaşması ve uzun vadede hayatta kalabilmesi için, mevcut kaynaklarını
verimli ve etkili bir biçimde kullanma sürecidir (Ülgen ve Mirze, 2014). İşletme-
ler, uzun dönemde çevre unsurlarını inceleyerek sürdürülebilir rekabet üstünlüğü
sağlamak, ortalamanın üzerinde kar getirisi elde etmek amacıyla işletmenin strate-
jisini belirlenmeye çalışırlar (Mucuk, 2018). Stratejik yönetim süreci aşağıda Şekil
5’te yer almaktadır.
Şekil 5. Stratejik Yönetim Süreci

Kaynak: Pamuk vd., 1997: 26
Şekil 5’te görüldüğü gibi strateji üç aşamada gerçekleştirilmektedir: 1. Stratejik

plan ve kararların yapımı, 2. Organizasyon, program, bütçe ve faaliyet süreçlerinin
oluşturulması ve uygulanması, 3. Belirtilen hedeflere ulaşıp ulaşılmadığının her
evrede sürekli kontrollü ve düzeltici önlemler alınması. Stratejinin uygulama aşa-
masında elde edilen deneyimler yeni stratejilerin oluşturulmasında etkili olacak,
böylece stratejik öğrenme sağlanacaktır (Eren, 2013). Bu bağlamda stratejinin
geliştirilmesi güçlü yönetici veya liderlerin olmasını gerektirmektedir (Porter,
1996). Stratejik yönetim üst yönetim tarafından oluşturulur ve stratejik planlama
- 63 -
daha alt kademelerde görev alacak stratejistler tarafından uygulanır ve izlenir (Ak-
tan, 2003). Stratejik yönetim örgütü bir sistem olarak kabul ederek örgüt fonksi-
yonlarını ve kademeler arasındaki uyumu sağlamaya çalışır. Böylece örgüt per-
formansı artırılarak, sorunlar belirlenip çözümlenerek, etkin ve verimli bir çalışma
ortamı hayata geçirilir. Stratejik yönetim örgütsel faaliyetlerin planlanması, örgüt-
lenmesi, koordinasyonu, uygulanması ve kontrol edilmesinde planlı ve örgütlü
hareket edilmesini sağlamaktadır (Sterling, 2003).
Aşağıda Şekil 6’da stratejik yönetimin aşamalarına yer verilmiştir.
Şekil 6. Stratejik Yönetimin Aşamaları

Kaynak: Ülgen & Mirze, 2014
Stratejik adımlar, kaynakları etkin bir şekilde kullanmayı, riskleri yönetmeyi ve

belirli bir sonuca ulaşmayı amaçlamaktadır. Strateji, işletmeler, organizasyonlar,
askeri birimler ve hatta bireyler tarafından kullanılmaktadır. Strateji, belirli hedef-
lere ulaşmayı amaçlar. Bu hedefler, bir işletme için büyümeyi, pazar payını artır-
mayı, mali hedeflere ulaşmayı veya bir organizasyonda belirli bir değişimi gerçek-
leştirmeyi içerebilir. Strateji oluştururken, mevcut durumun ve çevrenin analiz
edilmesi önemlidir. Bu amaçla iç ve dış faktörler değerlendirilir. İç faktörler, orga-
nizasyonun güçlü ve zayıf yönlerini belirlemek için içsel bir analizi içerirken, dış
faktörler, pazar trendleri, rekabet, ekonomik faktörler gibi dış çevreyi değerlen-
dirmektedir. Strateji oluştururken, farklı seçeneklerin değerlendirilmesi gerekmek-
tedir. Bu seçenekler, belirlenen hedeflere ulaşmak için farklı yaklaşımları veya
eylem adımlarını içerebilir. Seçenekler, riskler, maliyetler ve kaynaklar gibi faktör-
ler açısından analiz edilir. Stratejiyi uygulamak, planı gerçeğe dönüştürmek için
adımların atılması anlamına gelir. Bu aşamada, kaynakların tahsis edilmesi, eylem
planlarının oluşturulması, performans göstergelerinin belirlenmesi ve sürekli izle-
me ve değerlendirme yapılması gerekebilir. Strateji uygulandıktan sonra sonuçla-
rının değerlendirilmesi önemlidir (Dinçer, 2003; Strategor, 1997). Bu değerlen-
dirme, stratejinin hedeflere ulaşıp ulaşmadığını, başarı faktörlerini ve geliştirme
alanlarını belirlemeyi içerir. Gerekirse, stratejiye adapte edilmeler yapılabilir.
- 64 -
2.2. Stratejik Karar Verme Sürecinin İşleyişi

Stratejik yönetim kavramı 1950’lerin sonlarında kullanılmaya başlanmıştır. Eko-
nomik ve teknolojik gelişmeler sonucu rakip firmalarla rekabet etmek, örgütlerin
amaç ve hedeflerine ulaşmasında önem arz etmeye başlamıştır. Rekabette başarılı
olmak için stratejik yönetim uygulanmaya başlanmıştır (Ansoff, 2007). Örgütsel
performansın ve verimliliğin artması amacıyla daha planlı ve istikrarlı bir faaliyet
göstermek için alınan stratejik kararlar, örgütlerin uzun vadeli gelecek tahminleri
yapmalarında önemli rol oynamaktadır. Stratejik yönetim günümüzde belirsiz ve
riskli ekonomik koşullarda örgütün hayatta kalması, karlılık elde etmesi, iç ve dış
çevre ilişkilerini düzenlemesi bakımından kılavuzluk yapmaktadır (Meier vd.,
2007). Karar vermek, seçenekler arasından en uygun olanını seçmeyi gerektiren
bir eylemdir. İyi bir karar verme süreci, mantıklı düşünme, bilgi toplama, analiz
yapma ve sonuçları değerlendirme gibi adımları içermektedir. Stratejik karar ver-
me, üst yönetimin deneyimlerini ve bilgi birikimlerini kullanarak uzun vadede
örgütün geleceğini tasarlayacak şekilde yapılandırılmamış kararlar alması ve bu
kararları hayata geçirmesidir (Schwenk, 1995; Ülgen ve Mirze, 2010: 35). Strate-
jik karar verme sürecinde alınacak karar türleri programlanmış kararlar ve prog-
ramlanmamış kararlar şeklinde sınıflandırılabilir. Programlanmış kararlar, tekrar
eden, rutin, standartlaştırılmış ve belirlenmiş prosedürleri takip eden kararlardır.
Programlanmamış kararlar ise yapılandırılmamış, prosedürlere/standartlara bağlı
olmayan, belirsizliğin yoğun olduğu ortamlarda verilen ve sık alınmayan kararlar-
dır (Simon, 1977: 45; Koçel, 2013: 112; Daft, 2010: 447-448). Şekil 7’de örgütsel
seviyeye göre alınan karar tipleri görülmektedir.
Şekil 7. Problemlerin Tipi, Kararların Tipi Ve Örgütsel Seviye

Kaynak: Robbins vd., 2011: 109.
- 65 -
Üst seviye yöneticilerin yapılandırılmamış problemler için programlanmamış ka-

rarlar verdikleri ve uyguladıkları, alt seviye yöneticilerin ise yapılandırılmış prob-
lemler için programlanmış kararlar verdikleri ve uyguladıkları söylenebilir.
Stratejik karar verme sürecinin evreleri şu şekilde sınıflandırılabilir (Drucker,
1967): 1. Problemi sınıflandırmak, 2. Problemin tanımlanması, 3. Problemi özel-
leştirmek, 4. Sınırlayıcı şartlara göre hareket etmek, 5. Eyleme geçirmek, 6. Kara-
rın geçerliliğini ve etkililiğini test etmek. Bu süreçte etki eden pek çok faktör bu-
lunmaktadır. Stratejik karar verme sürecine, örgütsel iç ve dış faktörler, yöneticile-
rin bilinçaltı, kısıtlı kaynaklar, zamanlama, rasyonellik, belirsizlik, kararın önem
derecesi, üst yönetimdeki çatışmalar gibi faktörler etki etmektedir. Stratejik karar
verme süreci, döngüsel bir yapıya sahiptir ve sürekli olarak tekrarlanmalıdır (Zehir
ve Özşahin, 2006: 137- 157; Mintzberg, 1971: 97-110; Papadakis vd., 1998: 115-
147; Fredrickson, 1984: 445-466; Bourgeois, 1985: 548-573). Değişen iç ve dış
faktörler, yeni fırsatlar ve tehditler ortaya çıktıkça stratejik kararlar güncellenmeli
ve yenilenmelidir.
3. Yapay Zekanın Stratejik Karar Verme Üzerindeki Etkisi
Stratejik kararlar, işletmelerin başarıya ulaşması için kritik öneme sahiptir. Yapay
zekâ, bu süreçte karar vericilere fayda sağlamak için kullanılan bir araç haline
gelmiştir. Yapay zekâ, karar verme sürecinde veri analizi, modelleme, makine öğ-
renimi, derin öğrenme, tahmin yapma ve optimize etme gibi alanlarda stratejik
kararlarını destekleyen bir dizi teknik sunmaktadır (Baum ve Wally, 2003: 1124).
Yapay zekâ büyük miktarda veriyi kısa sürede analiz ederek çıkarımda bulunabilir.
Yapay zekâ yöntemlerini kullanarak büyük miktardaki verileri toplamak, işlemek,
analiz etmek ve sonuçları çıkarmak mümkündür. Yapay zekâ, karar vericilere
mevcut durumu anlamaları, gelecekteki eğilimleri tahmin etmeleri ve stratejik he-
deflere ulaşmak için en iyi yolun ne olduğunu belirlemeleri konusunda yardımcı
olabilir. Ayrıca karmaşık veri setlerinden hızlı ve doğru bir şekilde bilgi çıkarabilir,
önerilerde bulunabilir, kararları otomatik olarak alabilir, insan hatalarını azaltabilir.
Bu özelliği sayesinde yapay zekâ kullanımı, stratejik kararların hızlı biçimde alın-
masını, pazar fırsatlarının rakiplerden önce değerlendirilmesini sağlayarak örgüt
ortaklarına avantaj sağlayabilir (Aralova, 2020: 36). Hızlı biçimde hareket edilme-
si gereken kriz zamanlarında alınacak stratejik kararlarda yapay zekâ yönetim ku-
ruluna önemli ölçüde destek sağlayabilir. Karar verme sürecinde yapay zekânın
kullanılması çıkar çatışmalarını ve vekalet maaliyetini azaltabilir. Yetki devrinden
- 66 -
dolayı oluşan maliyetler vekalet maliyeti olarak değerlendirilmektedir. Yöneticiler

kişisel çıkarları yönünde hareket ederek bazı kararlar alabilirler ve bu kararlar ne-
deniyle maliyetler ortaya çıkabilir. Yapay zekâ, bilinç, kişilik, duygu veya zaaf gibi
insani özelliklere sahip olmadığı için tarafsız biçimde hareket ederek kararlar ala-
bilir (Jensen ve Meckling, 1976: 5). Bu nedenle, yapay zekânın ortaklık yöneti-
minde yer almasının vekalet maaliyetlerini azaltabileceği ifade edilebilir. Yapay
zekâ sadece verilerle hareket eder. Veriler ne kadar gerçek, şeffaf ve konu ile ilgili
olursa aldığı kararlar o kadar sağlıklı olacaktır. Bu nedenle, karar alma sürecinde
yapay zekâdan yararlanılması çıkar çatışmalarının ve bu çatışmalardan kaynakla-
nan maaliyetlerin azalmasına yardımcı olabilir (Gözübüyük, 2022:160).
Yapay zekâ, stratejik karar verme sürecinde geleceği tahmin etme ve farklı senar-
yoları simüle etme yetenekleri sağlamaktadır (Riedl, 2019: 33). Bu konuda kulla-
nılan başlıca yapay zekâ uygulamaları, uzman sistemler, bulanık mantık, genetik
algoritmalar ve yapay sinir ağlarıdır (Demirhan vd., 2010: 31). Bu uygulamalar,
geçmiş verileri analiz ederek gelecekteki eğilimleri tahmin etmek için kullanılabi-
lir (Keskenler ve Keskenler, 2017: 10). Aynı zamanda, yapay zekâ, farklı karar
senaryolarının sonuçlarını simüle ederek karar vericilerin olası sonuçları değerlen-
dirmelerine yardımcı olabilir. Yapay zekâ, hava durumu tahmini, finansal tahmin-
ler, trafik tahminleri, salgın hastalık yayılımı tahminleri, üretim hatlarının ve lojis-
tik ağlarının optimize edilmesi, stok yönetimi, tedarik zinciri planlaması ve üretim
süreçlerinin iyileştirilmesi için kullanılabilir.
Karmaşık işletme süreçlerinde ortaya çıkan sorunlarda finans, sağlık, ulaşım, üre-
tim ve enerji gibi alanlarda otomatik karar verme ve optimizasyon sağlayabilir. Bir
problem veya hedef karşısında yapay zekâ algoritmaları, veri analizi ve optimizas-
yon teknikleri kullanılarak en iyi kararı vermeye veya en iyi sonucu elde etmeye
yönelik otomatik bir sistem geliştirilebilir (Özçalıcı ve Ayrıçay, 2016: 281). Ancak,
bu sistemlerin kullanımı dikkatli bir şekilde yapılmalı, etik ve güvenlik konularına
özen gösterilmelidir.
Sonuç
Dijital çağa uygun ve sürdürülebilir bir yönetim anlayışı için, stratejik karar ver-
meyi destekleyecek güncel ve geliştirilebilir yapay zekâ destekli sistemlere entegre
olmak bir üstünlük değil artık zorunlu bir ihtiyaç haline gelmiştir. Bu anlamda
stratejik kararların doğru, güvenilir ve güncellenebilir olması için işletmeler ve
benzer kuruluşların yapısına uygun modeller oluşturup doğru yapay zekâ teknikle-
- 67 -
riyle faaliyetlerini kolaylaştıracak, verimliliğini artıracak ve sürdürülebilir kurum-

sal yapıyı hayata geçirebilecek yapay zekâ tekniklerinden maksimum ölçüde ya-
rarlanmaları gerekmektedir.
Yapay zekâ ve stratejik karar verme ile ilgili yapılan birçok çalışma literatürde
mevcuttur. Bu çalışmalar incelendiğinde görülmektedir ki yapay zekanın işletme-
lerde stratejik karar verme kavramıyla ilişkilendirilirken özellikle bilgi yönetim
süreçlerinde karar verme konusu odak noktası haline gelmektedir. Yapay zekâ tek-
nolojisinin insan işlerini kolaylaştırmaktan ziyade insan hayatına yön verici ve
şekillendirici hal alması farklı disiplinlerinde bu konunun ele almasına neden ol-
maktadır.
Bir olay ya da durumla ilgili yargıda bulunma ve karar alma doğal haliyle insana
özgü bir özellik olarak kabul edilmektedir. Üst düzey yöneticilerde bulunması ge-
reken muhakeme becerisi henüz yapay zekalarda tam anlamıyla gelişmemiştir.
Fakat yakın gelecekte yapay zekanın işletmelerde karar alıcı pozisyonda olacağı
öngörülmektedir. Yapay zekâ destekli stratejik karar verme başlığı altında incele-
diğimiz yapay zekâ ve stratejik karar verme kavramlarının hem literatürde hem de
iş hayatında oldukça büyük bir gündem olduğu görülmektedir.
Yapay zekâ destekli stratejik karar verme, işletmelerin hızlı ve doğru kararlar al-
masına yardımcı olan güçlü bir araçtır. Ayrıca yapay zekâ kullanımı işletme per-
formansını artırabilir ve rekabet üstünlüğü sağlayabilir. Öncelikle, güvenilir ve
kaliteli veri kaynaklarının sağlanması gerekmektedir. Yanlış veya eksik verilerle
çalışmak, karar verme sürecini olumsuz etkileyebilir. Ayrıca, etik ve gizlilik konu-
ları da göz önünde bulundurulmalıdır. Yapay zekâ algoritmalarının insan değerle-
riyle uyumlu olarak çalışması ve kişisel verilerin korunması sağlanmalıdır. İşlet-
meler, yapay zekâ destekli stratejik karar verme sistemlerini benimseyerek rekabet
avantajını elde edebilir ve sürdürülebilir başarı sağlayabilirler.
Kaynakça
Aktan, C.C. (2003). Değişim Çağında Yönetim, Sistem Yayıncılık, İstanbul.

Ansoff, H. I. (2007). Strategic Management Classic. Palgrave Macmillan. Hampshire, UK.
http://dx.doi.org/10.1057/9780230590601
Aralova, O. (2020). Appointing Artificial Intelligence As a Director of a Company: Utopia
or Reality of the Future? (Master Thesis), Mykolas Romeris University Mykolas
Romeris Law School Institute of Private Law, Vilnius.
- 68 -
Baum J. R. & Wally S. (2003). Strategic decision speed and firm performance, Strategic
Management Journal, 24(11), 1107-1129.
Bayram, V. (2021). Çağdaş İşletme Stratejisi Formülasyonunda Nitel Bir Çalışma: Mavi
Örneği. Organizasyon ve Yönetim Bilimleri Dergisi, 13(2), 260- 286.
Balaban, M. E. ve Kartal, E. (2018). Veri Madenciliği ve Makine Öğrenmesi Temel Algo-
ritmaları ve R Dili ile Uygulamaları (2. bs.). Beyoğlu, İstanbul: Çağlayan Kitabevi.
Borana J., (2016), Applications of Artificial Intelligence & Associated Technolo-
gies,Proceeding of International Conference on Emerging Technologies in Enginee-
ring, Biomedical, Management and Science
Bourgeois, L. J. (1985). Strategic Goals, Perceived Uncertainty, and Economic Performan-
ce in Volatile Environments. The Academy of Management Journal, 28(3), 548-573.
Budak, G. (2000). Öğrenen örgütlerde stratejik planlama ve stratejik öğrenme. Dokuz Eylül
Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 15(1).
Daft, R., L. (2010). Management. Ninth Edition. USA: South Western Publishing.
Demirhan, A., Kılıç, Y. A. & İnan, G. (2010). Tıpta yapay zekâ uygulamaları. Yoğun Bakım
Dergisi, 9(1):31-41.
Dinçer, Ö. (2003). Stratejik Yönetim ve İşletme Politikası, BETA Yayınları, İstanbul.
Drucker P. F. (1967). The Effective Decision, Harvard Business Review.
Eren, E. (2013). İşletmelerde Stratejik Yönetim ve İşletme Politikası. İstanbul: Der Yayınevi.
Fredrickson, J., W. (1984). The Comprehensiveness of Strategic Decision Processes:
Extension, Observations, Future Directions. Academy of Management Journal, 27(3),
445-466.
Gözübüyük, B. (2022). Yapay Zekâ Algoritmalarının Anonim Ortaklıklarda Alınan Strate-
jik Kararlar Bakımından Yönetim Kuruluna Sağlayabileceği Olası Katkılar. Ankara
Hacı Bayram Veli Üniversitesi Hukuk Fakültesi Dergisi, 26(1), 141-164.
https://doi.org/10.34246/ahbvuhfd.1066623
Güçlü, N. (2003). Stratejik yönetim. Gazi Üniversitesi Gazi Eğitim Fakültesi Dergisi,
23(2).
Haenlein, M. & Kaplan, A. (2019). A brief history of artificial intelligence: On the past,
present, and future of artificial intelligence. California ManagementRreview, 61(4),
5-14.
Jensen, M. C. & Meckling, W. H. (1976). Theory of the Firm: Managerial Behavior,
Agency Costs and Ownership Structure, Journal of Financial Economics, 3(4), 5.
Kartal E. (2021). Machine Learning and Artificial Intelligence, Tıp Bilişimi, 18. Bölüm,
İstanbul Üniversitesi, Enformatik Bölümü, İstanbul, Türkiye, DOI: 10.26650/
B/ET07.2021.003.18
- 69 -
Keskenler, M. F. & Keskenler, E. F. (2017). Geçmişten günümüze yapay sinir ağları ve

tarihçesi. Takvim-i Vekayi, 5(2), 8-18.
Koçel, T. (2013). İşletme Yöneticiliği: Yönetim ve Organizasyon, Organizasyonlarda Dav-
ranış, Klasik-Modern-Çağdaş ve Güncel Yaklaşımlar, 14.b, Beta Basım, İstanbul.
Mahesh B. (2019), Machine Learning Algorithms -A Review, International Journal of Sci-
ence and Research (IJSR), ISSN: 2319-7064, DOI:10.21275/ART20203995,
Meier, K. J., Laurence J. Jr., George A. B. & Richard M. W. (2007). Strategic Management
and the Performance of Public Organizations: Testing Venerable Ideas against Recent
Theories. Journal of Public Administration Research and Theory, 17(3), 357–377.
Mintzberg, H. (1971). Managerial Work: Analysis From Observation. Management Scien-
ce, Application Series, 18(2), 97-110.
Mucuk İ. (2018). Pazarlama İlkeleri, 11. Basım, Türkmen Kitabevi, İstanbul.
Nabiyev. V.V., (2016), Yapay Zeka:İnsan-Bilgisayar Etkileşimi, Seçkin Yayıncılık San. ve
Tic.A.Ş., ISBN:978-975-02-3727-0
Odabaş, Ç. (2004). Stratejik yönetim ve e-devlet. Sayıştay Dergisi, (55), 83-93.
Özçalıcı, M. & Ayrıçay, Y. (2016). Bilgi işlemsel zekâ yöntemleri ile hisse senedi fiyat
tahmini: BİST uygulaması. Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü Dergi-
si, 25(1): 274-298.
Pamuk,G., Erkut, H. & Ülegin, F. (1997). Stratejik Yönetim ve Senaryo Tekniği, İrfan Ya-
yıncılık, İstanbul.
Papadakis, V., M., Lioukas, S. & Chambers, D. (1998). Strategic Decision-Making Processes:
The Role of Management and Context. Strategic Management Journal, 19: 115-147.
Petekci A.R. (2021). Teorik Olarak Makine Öğrenimi,ISBN: 9786254125195
Porter, M. E. (1996). What is strategy?, Harvard Business Review, November-December
Pospolev D.A. (1990). Yayap Zekâ. Modeller ve Yöntemler, Kitap II,Moskova Radio
Svyaz.,304 s.
Riedl, M. O. (2019). Human‐centered artificial intelligence and machine learning. Human
Behavior and Emerging Technologies, 1(1): 33-36.
Robbins, S.P., De Cenzo, D. A. & Coulter, M. (2011). Fundamental of Management: Es-
sential Concepts and Applications, 7. Edition, Pearson, Boston, s. 109.
Russel S.Norving P.,(2010). Artificial Intelligence A Modern Approach Third Edition,
Copyright 2010, 2003, 1995 by Pearson Education, Inc., Upper Saddle River, New
Jersey 07458.ISBN-13: 978-0-13-604259-4
Shams M. (2020)., Ağ Anomalisi Tespitinde Makine Öğrenmesi Algotirmalarının Kullanı-
mı Ve Karşılaştırılmalı Analizi,Sakarya Üniversitesi Fen Bilimleri Enstitü-
sü,Bilgisayar ve Bilişim Mühendisliği ABD.
- 70 -
Saleh Z.M. (2019), Artificial Intelligence Definition, Ethics and Standards,The British
Universty in Egypt, Electronics and Communications: Law, Standards and Practice |
18ELEC07I
Schwenk, C., R. (1995). Strategic Decision Making. Journal of Management. 21(3), 47-493.
Simon, H. A. (1987). Making Management Decisions: The Role of Intuition and Emotion.
Academy of Management Executive, 1(1), 57–64.
Sterling, J. (2003). Translating Strategy into Effective Implementation: Dispelling the
Myths and Highlighting What Works, Strategy and Leadership, 31(3), 27–34.
Strategor, (1997). Politique Generale de l’entreprise, 3 edition, Dunod, Paris.
Slage, J.R. (1971), Artificial Intelligence:The Heuristic Programming Approach, N.Y.:Mc.
Graw Hill.
Şahinarslan F.V. (2019). Makine Öğrenmesi Algoritmaları ile Nüfus Tahmini:Türkiye Ör-
neği,İstanbul Teknik Üniversitesi Sosyal Bilimler Enstitüsü,İşletme ABD.
Şengül Z. (2022). Makine Öğrenmesi Algoritmaları Kullanılarak Bitcoin Fiyat Tahmi-
ni,Trakya Üniversitesi Sosyal Bilimler Enstitüsü Ekonometri ABD,Edirne.
Ülgen, H. & Mirze, S. K. (2014). İşletmelerde Stratejik Yönetim. İstanbul: Beta Ya
Yudong Zhang, Saeed Balochian, Praveen Agarwal, Vishal Bhatnagar, Orwa Jaber Hous-
heya, "Artificial Intelligence and Its Applications", Mathematical Problems in Engi-
neering, vol. 2014, Article ID 840491, 10 pages, 2014. https://doi.org/10.1155/
2014/840491
Zehir, C., Özşahin, M. (2006). Stratejik Karar Verme Hızını Etkileyen Örgütsel, Çevresel
faktörler ve Firma Performansı İlişkisi: İmalat Sektöründe Bir Saha Çalışması. Gazi
Üniversitesi İİBF Dergisi, 9 (1): 137-157.
- 71 -
5. BÖLÜM
YAPAY ZEKA VE DİJİTAL LİDERLİK
Zeynep Kabadayı Kuşçu
1. Giriş
Dijital liderlik 21. yüzyıl ile birlikte öne çıkan yeni yeni anlaşılmaya ve araştı-
rılmaya başlanan bir kavramdır. Endüstri 4.0 sonrasında tüm sektörlerdeki şir-
ketler ve kuruluşlar artan sayı ve süratle dijitalleşmekte ve yeni dijital örgüt bi-
çimlerine göre yeniden organize edilmektedir (Zeike vd. , 2019). 2020 yılında
patlak veren ve ofiste çalışma düzenini alt üst eden COVID 19 salgını ise kalıcı
olarak hibrid çalışma modelini birçok örgütün benimsemesine yol açmış, hatta
bazı şirketler çalışanlarının başka şehirlerde yaşayıp tamamen uzaktan çalışma-
sının da önünü açmıştır. Google, Amazon, Microsoft, Turkcell, Garanti gibi dev
şirketler bu çalışma düzenlerinin öncülüğünü yapmaktadır. Uzaktan çalışma mo-
dellerinin yaygınlaşması ve sanal örgüt sayılarının artması bilgi teknolojileri ve
yönetim bilişim sistemlerinin iş süreçlerine etkin bir şekilde entegre edilmesini
gerekli kılmıştır. (Erer vd., 2023). Yeni nesil birçok girişim ise zaten geleneksel
bir iş modeli ve yönetim anlayışına sahip değil, doğuştan dijital olarak hayata
başlıyor.
Gidişat gösteriyor ki yönetim ve organizasyon alanında dijital liderliğin nasıl etkili
hale getirebileceği ve sanal takımların nasıl motive edilebileceği en önemli araş-
tırma konularından olacaktır. Erer vd. (2023)’ün 2004-2023 yılları arasında dijital
liderlik üzerinde 134 eser üzerinde yaptığı bibliyometrik analiz sonucu dijital li-
derlik çalışmalarının 2019’da sonra hızlı artış gösterdiği, çalışmaların en çok yöne-
tim alanında çıktığı ve en çok kullanılan kelimenin dijital dönüşüm olduğu görül-
müştür. Endüstri 4.0'ın tetiklediği dijital dönüşüm sadece teknolojik bir dönüm
noktası değil aynı zamanda şirketlerin süreç ve dizaynlarında köklü değişiklere
neden olmuştur (Klein, 2020). Bugün dijitalleşme trendini kaçıran şirketlerin gele-
cekte dijital öncülerden daha yavaş, daha az esnek ve daha az rekabetçi olacağı
düşünülmektedir (Berman ve Marshall, 2014)
- 73 -
Bu çalışmada ilk olarak dijital liderlik ve özellikleri tanımlanacak, dijital liderlerin

karşılaştığı öne çıkan fırsatlar ve zorluklar değinilecek ve dijital dünyaya uygun
liderlik stillerine gözatılacaktır.
2. Dijital Liderlik Özellikleri
Dijital dönüşümü teknolojiler ve çevresel olaylar tetiklese de bu dönüşüme öncülük

eden liderler olması gereklidir, teknoloji veya diğer etkenler bir örgütü doğrudan
dönüştüremez (Sainger, 2018). Dijital dönüşüm, işletmelerin nesnelerin interneti
(IoT), dijital platformlar, yapay zekâ (artificial intelligence-AI), makine öğrenimi
(machine learning-ML) ve büyük veri (big data-BD) gibi bir dizi teknolojiyi bünye-
sine katması anlamına gelir (Harvard Business Review Analytic Services, 2017)
Yenal (2023, s.2)’ye göre “hız, tasarruf, kazanç, süreklilik ve erişebilirlik kazan-
mak, kısacası verimliliik sağlamak amacı ile dijital teknolojilerin kullanılması-
dır”.Dijital dönüşüme dair üç kaide: geri döndürülemez, kaçınılmaz ve çok hızlı
olmasıdır (Mahraz vd., 2019). Dijital dönüşümü gerçekleştirmek için başarılı liderle-
re ihtiyaç vardır. Dijital liderlik(DL), teknolojinin yardımıyla bireyleri, grupları veya
kuruluşları belirli bir hedefe ulaşmaya yönlendirmek için tutum, duygu, düşünce,
davranış ve performansta değişiklik yaratma sürecidir (Avolio ve Kahai, 2002)
Toduk (2014, s.341) üst düzey yöneticiler ile yaptığı röportajlar sonucunda şirket-
lerin 10 yıl içinde şebeke (network) yapılarının nasıl değiştiğini verilen cevaplara
göre şu şekilde toparlamıştır:
 Coğrafi konumun önemsizleşmesi
 İş yapısının 7/24’e dönmesi
 Tedarikçi çeşitliliğinin artması
 Stratejik ve operasyonel işbirliklerinin çoğalması
 Şirketlerin temel yeteneklere (core competence) yoğunlaşıp kalan işler için
dış kaynaklardan yararlanılması (outsourcing)
 Danışmanlıklara ve uzmanlıklara önemin artması
 Daha iyi rekabet edebilmek için işbirliğinin kaçınılmaz olması
 Paydaşlar ile birlikte değer yaratılması
 Hizmetlerin dışarıdan alınması
 Sosyal medyadaki yorum veya çözüm önerilerinin iş/ürün geliştitmeye
katkı sağlaması
- 74 -
- Yapay Zeka ve Dijital Liderlik -
Dijital liderlerin şebeke tipi örgüt yapılarında hızlı ve esnek hareket etmeleri
beklenirken eş zamanlı olarak örgütün dijital dönüşümünü de yönetmeleri ge-
rekmektedir (Klein, 2020). Dijital dönüşüm sürecinin kilit unsuru olan liderlerin
dijitalleşme beceri ve yetkinlikleri bu nedenle önem kazanmıştır (Erer vd.,
2023). El Sawy vd. (2016) dijital liderliği örgütlerin başarılı bir şekilde dijital-
leşme süreçlerinde doğru şeyleri yapan kişiler yapmak olarak tanımlıyor.
.Avrupa Birliği Komisyonu tarafından 2007’de yapılan hesaplamalara göre Av-
rupa Birliği'nin 2025 yılına kadar her yıl yaklaşık 50.000 profesyonel dijital lider
yetiştirmesi gerekiyor. Ancak yapılan anketlerde çalışanların çoğu liderlerin diji-
tal ortamlarda çalışabilme becerilerinin eksik olduğunu ve şirketlerinde dijital
liderlik becerilerinin geliştirme seçeneklerinin az olduğunu belirtiyor (Temelko-
va, 2018).
Klein (2020) dijital liderlerin karakteristik özelliklerini ilgili literatürde içerik ana-
lizi yöntemi kullanarak araştırmış ve bu alandaki çalışmalarda yer alan dijital lider
özelliklerini sıklığa göre sıralamışlardır, sonuçlar Tablo 1’de görülebilir.
Tablo 1: Dijital Liderlik Özellikleri ve Bilimsel Yayınlarda Görülme Sıklığı

Görülme Görülme
Dijital Liderlik Sıklığı Dijital Liderlik Sıklığı
Karakteristikleri Karakteristikleri
(%) (%)
Yenilikçi vizyoner 52 Cesur karar veren 14
Sosyal ağ kurma zekâsı 44 Yaratıcı 12
Adaptasyon 34 Açık 12
Motive eden koç 34 Öz farkındalığı yüksek 12
Çift yönlülük
Dijital zekâ 32 10
(Ambidexterity)
Karmaşıklık ustası 24 Bilgi odaklı 10
Sosyal zekâ 20 Dijital yetenek avcısı 8
Demokratik delege 18 Çalışan odaklı 8
Çevik 16 İş zekâsına sahip 6
Hatalarından öğrenen 16 Hayat boyu öğrenen 6
Rol model 14
Etik 4
Çeşitlilik şampiyonu 14
Kaynak: Klein (2020)
- 75 -
Buna göre en öne çıkan beş özellik yenilikçi vizyoner olma, sosyal ağ zekâsına
sahip olma, adaptasyon yeteneği, motive eden koç niteliği taşıma ve dijital zekâya
sahip olmaktır.
1) Yenilikçi vizyoner: Dijitalleşme, işletmelerin işlerini yürütme biçimlerimi
değiştirmiştir, ancak hiçbir kuruluş kendi başına değiştirmemiştir; bir örgütün
bu tür bir dönüşüm geçirmesine yardımcı olan liderlerinin dijitalleşme konu-
sundaki vizyonudur (Özmen vd., 2020). Dijital liderlerin sadece vizyoner ol-
ması yeterli değildir aynı zamanda yenilikçi olmalıdır ve bu sayede liderler
aynı zamanda takipçilerine de iyi birer rol model olmaktadır (Toduk,2014).
Schumpeter’ci yenilikçilik kavramı teknolojinin önemini vurgulamaktadır. ve
yeni kaynak kombinasyonlarını ve bunların sağladıkları hizmetleri yeni ürün-
ler ve üretim yöntemlerinin temeli olarak görmektedir (Amit ve Zott,
2001).Sanal pazarların gelişmesi yenilikçilik kavramını daha da geliştirmiş;
firma ve endüstri sınırlarını genişleterek yeni ürün veya üretim süreçlerine ek
olarak firmalar arasında yeni işbirliklerini teşvik etmiştir (Amit ve Zott,
2001). Genişleyen sınırlardan yararlanabilmek, ürün, süreç ve işbirliklerini
geliştirebilmek hem yenilikçilik hem vizyon hem de şebeke (network) kurma
kabiliyeti gerektirmektedir. Bilişim sektörünün öncü şirketlerinde üst düzey
yöneticilik görevleri üstlenen Tansu Yeğen’e göre liderlerin vizyonu ekipleri
ile birlikte kurması daha değerlidir, bu şekilde tüm ekip vizyona sahip çıka-
caktır (Toduk, 2014, s.87).
2) Sosyal ağ kurma zekâsı: Günümüzde kazan-kazan tarzı ilişkiler ve işbirlikle-
ri ön plana çıkmıştır. Özellikle çok uluslu ve şebeke yapıda şirketlerin çok sa-
yıda iş ortağı vardır, hatta rakip işletmeler ile de iş ortaklıkları kurabilmekte-
dirler (Toduk, 2014, s.24). Örnek olarak Apple iphone ekranlarını Samsung’a
ürettirmektedir. Dijital çağda liderlerin çoklu yapıları, şirket içi ve dışı ilişki-
leri yönetip geliştirebilmesi en önemli yeteneklerdendir. Büyük resim içinde
aktörler arasındaki ilişkileri anlayabilmek, uzun ve kısa süreli iş birliklerini
yönetebilmek ve çeşitli fırsatları öngörüp buna göre iş ortakları ile kazan-
kazan stratejileri oluşturmak sosyal ağ kurma zekâsı ile ilgili olup şirketin
stratejisi, karlılık ve rekabet gücü ile doğrudan ilişkilidir.
3) Adptasyon: Günümüzün hızla değişen teknolojik, sosyal, ekonomik ve siya-
sal çevresinde dijital liderlerin değişiklilere hızlı adapte olup ekibini de hem
bilişsel hem duygusal olarak bu değişikliklere hazırlaması çok önemlidir.İlaç
sektöründe üst düzey yöneticilik yapan Serdar Sözeri’ye göre başarılı bir lider
davranışlarını gerektiğinde diğerlerine göre düzenleyebilmeli iki adım ileri
- 76 -
sıçrayıp bir adım geri çekilebilmeli (Toduk, 2014, s. 175). Benzer şekilde te-
lekom sektöründe üst düzey yöneticilik yapmış olan Erkan Akdemir hızlı öğ-
renme ve çabuk adapte olup sonuçları değiştirebilmenin günümüz iş dünya-
sında en önemli liderlik özellikleri arasında olduğunu belirtiyor. (Toduk,
2014, s. 196). Adaptasyon yeteneği ani ve beklenmeyen durumlara karşı hızlı
cevap verebilmeyi sağlıyor, günümüzde çok dillendirilen çevik(agile) liderlik
için de bu yetenek önem taşıyor.
4) Motive eden koç: Avolio ve Kahai (2002) başarılı dijital liderliğin sırrının
geleneksel ve yeni yöntemler arasında uygun bir denge kurmak, takipçilerine
niyetini dikkatli ve açık bir şekilde ileterek yanlış anlamaları önlemek ve baş-
kalarına duyarlı yollarla ulaşmak için teknolojiyi kullanabilmek olduğunu be-
lirtmiştir. İş yerlerinde giderek artan iş gücü çeşitliliği beraberinde uyum so-
runları da yaratabilmektedir. Bu durumda dijital liderlerin görevi bu kadar çe-
şitli bir iş gücünü teknolojik imkanları da kullanarak çevrimiçi eğitimler, top-
lantılar ve yüzyüze sosyalleşmeyi de (iş modeli mümkün kılıyorsa) harmanla-
yarak motive edebilmektir. Dijital bir liderde dijital zekâ teknik bir yetenektir
ancak ağ kurma ve motive etme ise sosyal bir yeteneklerdir. Bu durumda diji-
tal liderlerin çift yetenekli (ambidexterious) olması veya bu şeklide kendileri-
ni geliştirmeleri gerekmektedir. Motive edebilmek için çalışanı anlayabilmek,
anlayabilmek için de dinleyebilmek çok önemlidir (Yenal, 2023, s.4). Katı-
lımcı liderlik stili de teknolojiden beslenip şeffaflık getirmektedir (Toduk,
2014). Böylelikle dinlemeyen, motive etmekten uzak otokratik liderler de yer-
lerini katılımcı liderlere bırakmaktadır.
5) Dijital zekâ: Bu özelliğe sahip bir lider sadece teknolojide usta değildir, aynı
zamanda örgütün iyiliği için dijital teknolojilerin faydalarını da örgüte aşılar
(Sainger, 2018). Dijital dönüşümde teknoloji sadece işin bir boyutudur, bunun
dışındakiler iş modeli, yapı, insanlar, süreçler, bilişim yetkesi, engajman mo-
deli ve olanaklardır (Sainger, 2018). Örgütü dijital olarak yeniden tasarlama
yeteneği yeniyi icat edebilecek bir kültürü teşvik eden liderler tarafından des-
teklenir (Kane vd., 2015). Bu nedenle dijital değişimin en önemli faktörlerin-
den biri olan insanların bu değişime ayak uydurabilmek için gerekli eğitimleri
alıyor olması da çok önemlidir (Sainger, 2018). Dijital zekâ beşeri sermaye ile
ilgilidir, iyi bir teknik eğitim ve güçlendirici bir çalışma deneyimi dijital
zekâyı geliştirecektir. Marvel ve Lumpkin (2007)’nin yapmış olduğu çalışma-
da radikal inovasyonların yapılmasında liderlerin örgün eğitimin ve deneyim
derinliğinin çok önemli olduğu bulunmuştur.
- 77 -
Zeike vd (2019) büyük ölçekli bir Alman şirketinin üst düzey yöneticileri üzerin-
de yaptıkları çalışmada liderlerin dijital dönüşüm süreçlerini iyi yönetmek için
ihtiyaç duydukları dijital liderlik becerileri eğer düşük ise psikolojik iyi oluşları
üzerinde de olumsuz etkisi olduğunu bulmuşlardır. Cinsiyet, yaş ve tecrübenin ise
bu ilişkide belirleyici olmadığını görülmüştür. Bu çalışmadan yola çıkarak dijital
yeteneklerin geliştirilmesinin kariyer gelişimi ve ruhsal denge için ne kadar önemli
olduğu ve bunun mümkün olduğu kadar erken yaşlarda geliştirilmeye başlanması
gerektiği sonucuna varılabilir. Tabii ki bu alanlarda yapılan çalışmalar daha yeni-
dir ve teyide ihtiyacı vardır.
3. Dijital Liderliğin Fırsatları ve Zorlukları
Dijital liderliğin sunduğu birçok fırsat vardır. Bunlardan bazıları çalışanlar, müşte-
riler ve tedarikçilerle anında birebir iletişim kurabilme; yetenekli çalışanları sanal
bir örgüt altında toplayabilme; çok işlevli ekipler oluşturarak orgütsel performansı
artırma ve müşteri memnuniyetini daha kolay ölçme, hızlı cevap verebilme; mali-
yetleri düşürme ve daha iyi bilgi yönetimidir (DasGupta, 2011) Bunun yanı sıra
dijital liderler, uzaktan izleme, farklı kültürlerden ekipleri yönetme, ekibi uzaktan
motive etme, teknolojik değişiklikleri karşılamak gibi zorluklarla karşı karşıyadır
(Crawford-Mathis, 2009). Dijital dönüşüm kaçınılmazdır ve birçok fırsatlar içerir;
bu fırsatlardan yararlanmak için de zorlukları anlamak ve onları aşmak için gayret
göstermek gereklidir.
Kuşak Farklılıkları
Küreselleşme, uzaktan çalışmanın artışı ve ileri yaşlara kadar çalışma eğilimi ne-
deni ile iş yerleri hiç olmadığı kadar iş gücü çeşitliliği içeriyor. Kuşak farklılıkları
gerek geleneksel gerek dijital liderlerin gözönüne alması gereken önemli bir et-
kendir. Değişik kuşaklar en çok otoriteye bağlılık, iş yaşam dengesi ve teknolojiye
yatkınlık alanlarında farklılık gösterir. Mannheim’e göre insanlar anne babaların-
dan çok yaşadıkları zamana benzerler (Kuran,2021) Howe ve Strauss (1992) tara-
fından ortaya atılan kuşak teorisi belli dönemde doğup büyüyen bireylerin benzer
değer yargıları, inanç sistemleri ve davranışlara sahip olduğunu ve kendinden eski
veya yeni kuşaklarla da farklılık gösterebildiğini öne sürer. Bugüne kadar 6 kuşak
tanımlanmıştır: Gelenekselciler/Sessiz Kuşak/Yokluk Kuşağı (1925-1945), Bebek
Patlaması(BB) Kuşağı/İlk Sanayileşme Kuşağı(1946-1964) X Kuşağı(1965-
1979), Y Kuşağı (1980-1995) ve Z Kuşağı(1996 -2009), Alfa Kuşağı (2010 ve
sonrası). Günümüzde Bebek Patlaması Kuşağı, X,Y ve Z jenerasyonları bir arada
- 78 -
çalışmaktadır. Dört kuşağı birden aynı anda hem de dijital ortamda yönetebilmek
kuşkusuz dijital liderlerin yaşadığı en büyük zorluklardandır.
BB kuşağı çalışma hayatında disiplinli, başarılı olmak için "fedakârlık" gibi şeyle-
rin gerekli olduğuna inanan, çalışkan, işbirliğini seven, kariyere değer veren, işve-
renlerine sadık ve aynı işyerinde uzun süre çalışan bireylerden oluşur (Demirel,
2021). Aynı zamanda namı diğer 68 kuşağıdır: ırk ayrımcılığına karşı, çevreye ve
toplumsal olaylara duyarlı, haksızlıklara başkaldıran bir yapıları vardır. Genç yaşta
evlenip hem çocuklarına hem yaşlılıklarında ebebeynlerine bakan, bu nedenle
sandviç kuşak olarak da adlandırılan özverili bir kuşaktır (Kuyucu, 2014, s.57). X
kuşağı savaş sonrası refah artışı için kurulmak istenen sosyal devletlerin çatısında
büyüyecekken 1970 krizi ile çatısız kalmış ve kayıp kuşak adını almıştır(Altuntuğ,
2012). Yücebalkan ve Aksu (2013)’e göre X kuşağı; markalara ilgi duyan, otorite-
ye saygılı, iş motivasyonları yüksek, iş yaşamında sadık ve gelecek kaygısı nedeni
ile çalışkan, hırslı, kariyer hedefli ve para kazanmaya odaklıdır. Adıgüzel vd.
(2014)’e göre kendine güvenen ve teknolojiyi iyi kullanan, Dereli ve Toruntay
(2015)’e göre bireyci ancak toplumsal sorunlara duyarlı biraylerdir. Hewitt vd.
(2012)’ye göre gelişme istekleri, kendi hızlarında çalışma talepleri, problem çöz-
me yetenekleri vardır; somut sonuçlar görmek istemektedirler. Y kuşağına odak-
landığımızda ileri teknoloji ile büyüdükleri, daha çok bilgi ile çoklu görevlere atıl-
dıkları, yüksek yetenek kazanma konusunda yetkin oldukları göze çarpmaktadır.
Yaş, etnik köken ve cinsel eğilim alanındaki çeşitliliklere saygı duyar ve dünyanın
herkes için daha iyi bir yer olmasını isterler (Kian and Yusoff, 2012). Koç vd. .
(2016)’ya göre bu kuşak işlerine eğlence katmayı sever, kişisel iletişime önem
verir ve takım halinde çalışmaktan hoşlanır. Ayrıca bencil ve tüketim odaklı gö-
zükseler de sosyal sorumluluk ve sürdürebilirlik gibi kavramlara önem verirler
(Ayhan ve Saral, 2018). Çok iş değiştirmeleri, gelişime önem vermeleri ve öz gü-
venli olmaları diğer öne çıkan özelliklerindendir (Köprülü, 2020). Ancak, X kuşa-
ğına göre Y kuşağının daha zor yönetildiğini ve yakından takip gerektiği de belir-
tilmektedir (Keleş, 2011).X kuşağı çalışanları “yaşamak için çalışmak” , Y kuşağı
ise, “önce yaşama daha sonra çalışma” düşüncesini benimsemişlerdir (Aka, 2018).
Z kuşağı bizzat teknolojinin içine doğmuştur, hatta çeşitli kaynaklarda “yeni sessiz
kuşak” olarak da adlandırılmasının nedeni tepkilerini teknolojik cihazlar üzerinden
vermesi ve bireyselleşme sonucu yalnız kalacaklarının öngörülmesindedir (Kaval-
cı ve Ünal, 2016). Sönmez (2016)’ya göre sürekli bilgiye maruz kalan bu jeneras-
yon karmaşık bilgileri kolayca analiz edebilecek ve bilgisayar başında çoklu işler
ile aynı anda uğraşabildikleri için iş hayatında başarılı olacaklardır. Bako(2016)
ise konsantrasyon problemleri olabileceğini öne sürmektedir. Ayrıca çoklu kariyer
- 79 -
peşinde olup, yeni işler ortaya koymak isteyeceklerdir. Duygulu (2018)’e göre bu
kuşak etkileşime açık ve yüksek derecede el, göz, kulak, motor beceri senkroni-
zasyonuna sahiptir. Yaratıcı ve işbirlikçi olmaları güçlü taraflarındandır (Akdemir
ve diğerleri,2013). Sihombing (2021), Endonezya’da Z kuşağının iş değerleri ter-
cihlerini araştırmış ve en güçlü boyutun içsel değer(intrinsic value) olduğunu bul-
muşlardır. Buna göre Z kuşağının sadece iyi para verdiği ve iyi iş yaşam dengesi
sunduğu için bir işe devam etmeyip onun bilgi ve yetenekleri geliştirecek ve işin
içeriğini seveceği bir iş bulduğunda mutlu olacağı düşünülebilir. Z kuşağı onların
düşüncesini önemseyen liderleri ile birlikte karar vermek istemektedir (Toduk,
2014, s. 50). Şirketler sürdürebilir olmak, çalışanları elde tutmak ve farklı kuşak-
ların bir arada etkin biçimde çalışabilmesi için Z kuşağını anlamak zorundadırlar
(Singh ve Dangmei, 2016; Knoll, 2014).Alfa kuşağı aynı zamanda dijital yerliler
olarak da bilinmektedir. Alfa kuşağı, kurallardan ve otoriteden hoşanmadıkları için
ileride hiyerarşik olarak yapılandırılmış bir örgütte çalışmak istemeyecekleri tah-
min edilmektedir (Demirel, 2021)
Genel olarak bakıldığında BB, X, Y,Z kuşaklarında giderek artan teknoloji yatkın-
lığı ve azalan otoriteye bağlılık dikkati çekmektedir. Yeni jenerasyonların otorite-
ye baş kaldırabilme öz güvenleri nedeni ile haksızlıklara daha fazla ses çılaracağı
ve özellikle şirketlerin çok hızlı iş değiştirebilen yeni jenerasyonları ellerinde tut-
mak için iş dizaynlarını buna uygun tasarlamaları gerekmektedir. Yeni nesiller
ayrıca çevre hakkında oldukça duyarlı ve bilgili ve bunun iş seçimlerini de etkile-
mesi beklenmektedir (Sullivan, 2007, s.21). British Carbon Trust tarafından yapı-
lan bir araştırmaya göre, bir işletmede çalışmayı düşünen çalışanların %75'inden
fazlası, aktif bir çevre politikasına sahip olmanın karbon emisyonlarını en aza in-
dirmek için çok önemli olduğuna inanmaktadır (Clarke, 2006). Dijital liderler,bu
kadar çeşitli kuşaklara ait çalışanları zorlu öğrenme eğrileri ve bilişsel açıdan zorlu
engeller karşısında desteklemek ve motive etmek için onların becerilerini geliştir-
meye odaklanmalıdır (Cortellazo vd., 2019). Öğrenme ve gelişme dijital örgütlerin
rutini olmalıdır. Artan dijitalleşme ve beraberinde öğrenme ihtiyaçları nedeni ile
insan kaynakları departmanları bünyesinde öğrenme ve geliştirme bölümleri açıl-
makta ve yetişkin eğitimi konusunda tecrübeli uzmanlar tarafından yönetilmekte-
dir. Kuşkusuz aynı çatı altında çalışan BB ve Alfa kuşakları arasında öğren-
me/öğretme süreçleri farklılık gösterecektir. Bu sadece eski kuşakların teknolojiye
daha uzak olması değil, yeni kuşakların da azalan konsantrasyon süresi nedeni ile
de zorlu bir süreçtir. Ancak çeşitliliğin yarattığı zenginlik de unutulmamalıdır.
Koza Yönetim’in eski genel müdürü Levent Alatlı’ya göre kuşak değişimi iş yap-
ma şeklini ve iş dünyasını daha keyifli hale getirmektedir (Toduk, 2014, s.303)
- 80 -
İletişim
İletişim liderlerin iş yaptırmak için kullandığı temel araçtır ve yapılan araştırmalar
çeşitli seviyelerdeki yöneticilerin zamanlarının .%75 ile %95’ini iletişime ayırdı-
ğını göstermiştir (Koçel, 2010). İletişim bir şahıstan diğerine bilgi, veri ve anlayış
aktarmaktır. Dijitalleşen iş dünyasında iletişim yöntemleri de çeşitlenmiş, yüzyüze
toplantılar yerini e-posta, video konferans, hatta cep telefonlarına yollanan yazılı
ve sözlü mesajlarına bırakmıştır. Ancak yüzyüze iletişimde kullanılan jestler, mi-
mikler veya tonlama dijital iletişimde her zaman mümkün olmamaktadır ve mesaj-
lar her zaman çok sağlıklı ulaşamamaktadır. Yüzyüze toplantılara en yakın video
konferans görüşmelerinde ise gruplar büyüdükçe ve toplantılar uzadıkça dikkatle-
rin dağılması, kameraların kapanması ve ortamdan uzaklaşılması gibi riskler orta-
ya çıkabilmektedir. Diğer yandan aynı anda çok kişiye ulaşmak, yer ve zamandan
bağımsız bilgi paylaşabilmek de dijital çağda iletişimin avantajlarındandır. Bazı
işverenler bu durumu sömürüye çevirmiş, özellikle pandemi esnasında geç saatle-
re toplantılar konulmuş, e-posta ve cep telefonlarından mesai sonrası mesajlar
gelmeye devam etmiştir. Fransa gibi çalışan haklarının yüksek olduğu ülkelerde
mesai sonrası toplantı, e-mail ve cep telefonuna mesaj atma gibi durumlar yasak-
lanmaya başlanmıştır. İletişim kanallarından ve süresinden kaynaklanan iletişim
problemleri daha sistematik olarak çözülebilirken kuşak ve kültür farklarından
doğan iletişim aksaklıkları daha zor çözülebilmektedir.
Çok kültürlü ve farklı kuşaklardan çalışanların bulunduğu örgütlerde iletişim
kopuklukları, yanlış anlaşılmalar ve değer yargılarının farklı olmasından dolayı
çatışmalar olabilmektedir. İletişim ve kültür farklılıkları ile ilgili farkındalık eği-
timlerinin örgütler tarafından üyelerine verilmesi en az teknik eğitimler kadar
önemlidir. Tüm farklılıklara saygılı bir şekilde ortak bir çalışma yaşamını uzak-
tan veya yüzyüze sağlıklı kılabilecek prensipler belirlenmeli, şirketin değerleri
her fırsatta yüzyüze veya çevrimiçi toplantılarda hatırlatılmalıdır. Pozitif şirket
kültürlerinin en önemli göstergelerinden biri çatışmaların işlevsel(functional
conflict) olmasıdır, bu çatışmalardan en iyi fikirler ve kararlar doğmaktadır. Ak-
bank Yönetim Kurulu Üyesi Kaan Terzioğlu liderlikte en önemli iki silahın doğ-
ru iletişim ve güven olduğunu, mesajları doğru iletebilmek için onları her fırsatta
çeşitli mecralarda yorulmadan tekrarladığını belirtmektedir (Toduk, 2014,
p.118). Kuşkusuz açık, etkin ve önyargısız bir iletişim liderler ve ekip arkadaşla-
rı arasındaki güven bağlarını güçlendirecek hem de kararların ve işleyişlerin sağ-
lıklı olmasını sağlayacaktır.
- 81 -
4. Dijital Liderlik Tarzları
Gelişen teknoloji, dijitalleşme ve şebeke tipi örgütlerin sayısındaki artış nedeni ile
kuşkusuz liderlik anlayışı ve şekilleri de evrilmeye başladı. Yeni kuşaklar insiyatif
almak, fikrini söylemek, önemsenmek ve yönetim kararlarında aktif rol oynamak
istemektedir. Önemsenmediğini hissettiği bir örgütte çok fazla zaman harcama-
makta, gerekirse risk alıp ayrılarak yeni iş bakmaktadır. Şirketler ise çalışmayı
daha cazip kılmak için X kuşağı ve BB kuşağının çok da alışkın olmadığı kafa
izni, doğum günü izni jestler yapmakta, güç mesafeleri, giyim kısıtlamaları kalk-
makta; çalışanlara karar yetkisi tanınmaktadır. Bu adaptasyonu gösteremeyen ör-
gütler beşeri sermayesini kaybetmeye başlamakta ve rekabette geri kalmaktadır.
20.yy da geçerli olan otokratik ve karizmatik liderlik bugün yerini dönüştürücü,
katılımcı, paylaşılan, hizmetkar ve otantik liderlik biçimlerine bırakmaktadır.
Dönüşümcü(transformational) lider takipçilerinin amaçlarını ve organizasyonun
amacına bağdaştırarak üstün performansların oluşmasına öncülük eder (Judge and
Robins, 2018). Karizmatik ve vizyoner liderin birleşimi gibidir, ortaya bir vizyon
koyar ve takipçilerine ilham verir. Dönüşümcü lider aynı zamanda duygular, de-
ğerler, etik, standartlar ve uzun vadeli planlar ile ilgilenir ve takipçilerine insanca
yaklaşır, onların ihtiyaçları ve motivasyonlarını önemser (Northouse, 2016, p.161).
Dönüşümcü lidere örnek olarak Apple kurucularından Steve Jobs verilebilir, diğer
kurucu ortağı teknik dahi Steve Wozniak ile birbirlerini tamamlayıp çift yetenekli
(ambidexterious) bir şirket yaratmışlardır.
Katılımcı (participative) lider örgüt üyeleri arasında iletişim ve açıklığın teşvik
edilmesi yoluyla örgüt üyelerinin karar alma süreçlerine katılmasını sağlar (Avolio
ve Kahai, 2003). Araştırma sonuçlarına göre katılımcı liderliğin yarı yapılandırıl-
mış veya yarı yapılandırılmış sorunlara çözüm üretmek için daha uygun iken yön-
lendirici(directive) liderliğin yapılandırılmış sorunlara çözüm üretmek için daha
uygun olabilmektedir (Avolio ve Kahai, 2003), ancak günümüzde örgütler yapı-
landırmamış sorunlar ile hergün karşı karşıya kalabilmektedir. Katılımcı lidere iyi
bir örnek de Virgin Group kurucusu ve Richard Branson olacaktır.
Paylaşılan (shared) liderlik tek bir kişi tarafından üretilmek yerine birçok kişi
arasında dağıtılan ve paylaşılan bir liderlik biçimidir ( Meuser vd. ,2016, s. 1390) .
Bu bir ekip fenomeni olarak nitelendirilebilir çünkü liderlik sorumlulukları diğer
ekip üyelerine dağılmıştır(Carson vd., 2007). Bunun aksine liderlikte geleneksel
“büyük adam” yaklaşımları bireysel liderlik nitelikleri vurgular. (Zhu vd., 2019).
Paylaşılan liderlik yaklaşımı, tek bir dikey liderin tüm yetkiyi elinde tutmasının
- 82 -
ötesine geçer ve ekiplerin liderlik için potansiyel kaynaklar olarak oynadığı rolü
vurgular. Pearce and Conger'e (2002)’ye göre paylaşılan liderlik ekiplerde tam
gelişmiş yetkilendirmenin bir göstergesidir.
Newton (2005), ekip üyeleri arasında rol ve sorumlulukların güçlü yönlere ve uz-
manlıklara göre net bir şekilde bölünmesinin; rollerin ve etkililiğin düzenli olarak
yeniden değerlendirilmesinin önemli olduğunun altını çizmektedir. O2E Brands'ın
kurucusu ve CEO'su olan ve liderliği Erik Church ile paylaşan Brian Scudamore
(Şekil 1) şöyle diyor: “Steve Jobs'ta Steve Wozniak vardı, FDR'de Eleanor vardı,
Warren Buffett'ta Charlie Munger vardı; liste uzayıp gidiyor. En büyük başarılar,
iki kafanın (veya daha fazlasının!) gerçekten bir kafadan daha iyi olduğunu benim-
seyen şirketlerdir.”(Scudamore, 2018).
Şekil 1: O2E şirketinin eş-liderleri Brian Scudamore(CEO) ve Erik Church (COO)

Kaynak: https://www.jeffbullas.com/using-pr-case-study/
Hizmetkar (servant) liderin özellikleri incelendiğinde dürüst olmak, güvenilir

olmak, hizmet odaklı olmak, rol model olmak, başkalarının hizmetlerine takdir
göstermek ve yetkilendirme, iyi iletişimci ve dinleyici, güvenilir, yetkin, başkala-
rını cesaretlendiren özelliklere sahip oldukları görülmektedir (Russell ve Stone,
- 83 -
2022). Genel olarak, hizmetkar liderlik üzerine yapılan sınırlı ampirik araştırma,
bunun takipçilerin memnuniyeti, onların iş tatmini, içsel iş tatmini, başkalarının
güvenliğine önem verme ve örgütsel bağlılık ile pozitif yönde ilişkili olduğunu
göstermiştir. Microsoft Türkiye Genel Müdür Yardımcısı Mustafa Çağan 10 sene
önce liderliği “insanları peşinden sürükleyebilmektir” olarak tanımlarken şimdi
“insanlara yön çizebilmek ve potansiyellerini geliştirme imkanı sunmaktır” olarak
tanımladığını belirtmektedir ve önümüzdeki yıllar en çok hizmetkar lider stilinin
öne çıkacağını düşünmektedir (Toduk, 2014, p.305).. Microsoft’un kurucusu Bill
Gates hizmetkar lidere örnek olarak verilebilir. Şu sözleri ile iletişim ve dinleme-
nin dijital bir şirketin başarısı için ne kadar önemli bulduğunu belirtmiştir. “Tıpkı
diğer türdeki inovasyonları gibi, yazılım inovasyonu da işbirliği yapmayı ve fikir-
leri diğer insanlarla paylaşmayı, oturmayı ve müşterilerle konuşmayı, geri bildirim
almayı ve ihtiyaçlarını anlamayı gerektirir” (https://www.azquotes.com/quote/
689386
Otantik (authentic) lider düşüncelerinin, davranışlarının ve bunların başkaları
tarafından nasıl algılandığın farkındadır; kendilerine ve başkalarına ait değerleri
bilir, etik görüşleri, bilgileri ve güçlü yönleri vardır; kendine güvenen, iyimser,
ahlaklı ve umutludur (Avolio vd., 2004) . İçselleştirilmiş bir ahlaki perspektifi
olan, ilişkilerde şeffaflığı benimseyen, olumlu bir etik iklimden yararlanan ve bu-
nu destekleyen bir lider davranış modelidir (Walumbwa vd., 2004). Otantik lider
ihtiyacı 2000li yılların başında meydana gelen ve çok sayıda çalışanın işsiz kalma-
sına neden olan Enron skandalı, 2008 yılında son tüm dünyadaki krizi tetikleyen
Lehmann Brothers iflası gibi etik olmayan liderlerin tetiklediği olaylar sonrasında
iyice önem kazanmıştır..Akbank Yönetim Kurulu Üyesi Kaan Terzioğlu’ya göre
liderlikte en önemli unsurlar sözünde durmak ve güven yaratabilmektir.(Toduk,
2014, p.117). Otantik lidere örnek olarak Xerox’un önceki CEO su .Anne Mul-
cahy(Şekil 2) gösterilebilir. Şu sözleri ile de çalışanlarına insan olarak değer ver-
menin öneminin altını çiziyor: “Yönetimin bütün bir insan olarak -sadece bir çalı-
şan değil- kendilerini önemsediğine inanan çalışanlar daha üretkendirler, daha
memnunlardır ve daha başarılıdırlar. Memnun çalışanlar memnun müşteriler an-
lamına gelir ve bu da karlılığı beraberinde getirir.” (https://www.azquotes.com/
quote/208512)
- 84 -
Şekil 2: Anne Mulcahy (Xerox’un eski CEO’su )

Kaynak: https://worldfamouswomeninbusiness.blogspot.com/2010/08/anne-mulcahy-
pioneer-in-xerox.html
5. Sonuç
Dijital liderler dijital dönüşümün bazen görünür bazen görünmez kahramanlarıdır.

Geçmişte dijital dönüşüme gereken önemi vermemiş ve bedelini ağır ödemiş bir-
çok şirket vardır: Blockbuster, Kodak gibi. Bu çalışmada dijital liderlik tanımlana-
rak literatürde öne çıkan özellikleri (yenilikçi vizyoner olma, sosyal ağ zekâsına
sahip olma, adaptasyon yeteneği, motive eden koç niteliği taşıma ve dijital zekâya
sahip olmak) irdelenmiştir. Liderler sürekli bir değişim, dönüşüm ve rekabette
üstün olma çabasında iken, bu hedefleri asla yalnız başına gerçekleştiremezler. Bu
nedenle beşeri sermaye çok değerlidir. Günümüzde sessiz kuşak ve alfa kuşağı
hariç tüm kuşaklar aynı iş yerinde çalışmaktadır. Kuşak farklılıkları örgütlere de-
ğişik bakış açıları, deneyim ve yetenekler sunarak zenginlik sağlayabilir. Diğer
yandan otoriteye yaklaşım ve teknolojiye yatkınlıkta farklılıkları olması dolayısı
ile iletişimde ve iş süreçlerinde zorluklar da yaratabilir. Bu nedenle örgütlerde
öğrenme ve gelişim uzmanlarına hiç olmadığı kadar ihtiyaç vardır. Sadece teknik
bilgi değil empatiyi arttırıcı ve iletişim yeteneklerini geliştirici eğitimler de veril-
melidir. Dijitalleşme ile iletişimde zaman ve yer engelleri kalkmış, internet ve
- 85 -
dizüstü bilgisayar olan her yer ofis olmuştur. Bilgi hızlı paylaşılırken, özel hayatla-
rımız her kanaldan gelen mesajlar ile altüst olmuştur. Kaçınılmaz, geri dönüşü
olmayan ve bu çok hızlı dijital dönüşüm gerçekleşirken en büyük ilaç dinlemek
olmuştur. Ekip arkadaşlarını ve müşteriyi dinleyen liderler şirketlerini ileriye götü-
rebilmişlerdir.
Dijital liderler ile örtüşen liderlik biçimleri (dönüşümcü, katılımcı, paylaşılan,
hizmetkar, otantik vb.) geçmişte hükmü olan karizmatik ve otokratik tarzdaki li-
derliklerin yerini almakta; yeni nesil çalışanlar daha eşitlikçi, yenilikçi, ekibini
güçlendiren, yardımsever ve etik liderleri tercih etmektedir. Dünya Bankası Grubu
Cinsiyet ve Gelişme Danışma Kurulu Üyesi Gülden Türktan yeni dijital çağın ka-
dın çağı olacağına inanıyor, çünkü yeni tarz liderlik biçimleri kadınların güçlü
olduğu nitelikler ile örtüşüyor, onları avantajlı kılıyor. İletişime açık olmak, birlik-
te karar vermek, süreç odaklılık, ayrıntılı düşünmek, eş zamanlı olarak daha çok
faaliyete odaklanabilmek ortalama bir kadında ortalama bir erkekten daha çok
görülüyor, tabii ki her birey kendine özgü ve biriciktir ama en basit hali ile kraliçe
arı sendromunu azaltacak bir süreç başlamış olabilir. Bu bağlamda dijitalleşmenin
işgücü çeşitliliğini toplumsal cinsiyet açısından nasıl etkilediği üzerinde daha çok
araştırmaya ihtiyaç vardır. Örgütlerin çift yetenekli olması örneğin hem operas-
yonları verimli yürütüp hem de vizyoner ve yenilikçi olabilmesi için çeşitli yete-
neklere sahip liderlere eş zamanlı ihtiyaç duymaktadır. Paylaşılan liderlik de gele-
cekte çok duyacağımız kavramlar arasında olacaktır. Dijitalleşirken insana daha
çok değmek umuduyla.
Kaynakça
Adıgüzel, O., Batur, H. Z. ve Ekşili, N. (2014), “Kuşakların Değişen Yüzü ve Y Kuşağı ile
Ortaya Çıkan Yeni Çalışma Tarzı: Mobil Yakalılar”, Süleyman Demirel Üniversitesi
Sosyal Bilimler Enstitüsü Dergisi, S: 19, ss. 165-182.
Aka, B. (2018). Bebek Patlaması X ve Y Kuşağı Yöneticilerinin Örgütsel Bağlılık Düzey-
lerinin Kamu ve Özel Sektör Farklılıklarına Göre İncelenmesi: Bir Araştırma. Visio-
nary E-Journal/Vizyoner Dergisi, 9(20).
Akdemir, A., Konakay, G., & Demirkaya, H. (2013). Y kuşağının kariyer algısı, kariyer
değişimi ve liderlik tarzı beklentilerinin araştırılması. Ekonomi ve Yönetim Araştır-
maları Dergisi, 2(2), 11-42.
Altuntuğ, N. (2012), “Kuşaktan Kuşağa Tüketim Olgusu ve Geleceğin Tüketici Profili”,
Süleyman Demirel Üniversitesi Organizasyon ve Yönetim Bilimleri Dergisi, C: 4, S:
1, ss. 203-212.
- 86 -
Amit, R., & Zott, C. (2001). Value creation in e‐business. Strategic management journal,
22(6‐7), 493-520.
Avolio, B. J., Gardner, W. L, Walumbwa, F. O., Luthans, F., & May, D.R., (2004). Unloc-
king the mask: A look at the process by which authentic leaders’ impact follower at-
titudes and behaviors. The Leadership Quarterly, 15, 801–823.
Avolio, B. J., & Kahai, S. S. (2002). Placing the “E” in e-leadership: Minor tweak or fun-
damental change. The future of leadership development, 49-70.
Avolio, B. J., & Kahai, S. (2003). Placing the “E” in e-leadership: Minor tweak or funda-
mental change. In The future of leadership development (pp. 75-96). Psychology
Press.
Ayhan, A. ve Saral, G. S. (2018), “Farklı Kuşakların Kurumsal Sosyal Sorumluluk Faali-
yetlerine Yönelik Tutumları: X ve Y Kuşakları Üzerine Betimsel Bir Analiz”, Gala-
tasaray Üniversitesi İletişim Dergisi, S: 29, ss. 161-182.
Bako, M. (2016), “The Leadershıp Style Preferences Of Academics From Different Genera-
tions: Baby Boomers, Generation X, Generation Y and Generation Z”, Master Of The-
sis, İstanbul Kemerburgaz Üniversity Graduate School Of Social Sciences, İstanbul.
Berman, S., & Marshall, A. (2014). The next digital transformation: from an individual-
centered to an everyone-to-everyone economy. Strategy & Leadership, 42(5), 9-17.
Carson, J. B., Tesluk, P. E., & Marrone, J. A. (2007). Shared leadership in teams: An in-
vestigation of antecedent conditions and performance. Academy of Management Jo-
urnal, 50, 1217–1234.
Cortellazzo, L., Bruni, E., & Zampieri, R. (2019). The role of leadership in a digitalized
world: A review. Frontiers in psychology, 10, 1938.
Crawford-Mathis, K. J. (2009). Concepts and challenges of e-leadership. In Encyclopedia
of Human Resources Information Systems: Challenges in e-HRM (pp. 161-165). IGI
Global.
DasGupta, P. (2011). Literature review: e-Leadership. Emerging Leadership Journeys,
4(1), 1-36.
Demirel, Z. H. (2021). Çalışma hayatında geleceğin insan kaynağı: Alfa kuşağı. OPUS
International Journal of Society Researches, 18(Yönetim ve Organizasyon Özel Sa-
yısı), 1796-1827.
Dereli, B. ve Toruntay, H. (2015), “Örgütlerde Kuşakların İş Değerleri, Motivasyon ve
Mentorluk Kavramlarına Dayalı Yönetimi”, İstanbul Ticaret Üniversitesi Tartışma
Metinleri, C: 3, S: 5, ss. 1-11.
Duygulu, S. (2018), “Yeni Medya Teknolojilerinin K-Kuşağının Ebeveynleriyle Olan İleti-
şimine Etkisi”, TRT Akademi, C: 3, S: 6, ss. 632-652.
El Sawy, O. A., Kræmmergaard, P., Amsinck, H., & Vinther, A. L. (2016). How LEGO
Built the Foundations and Enterprise Capabilities for Digital Leadership. MIS Quar-
terly Executive, 15(2), 141-166.
- 87 -
Erer B.., Demirel, E. & Savaş, Y. (2023). Dijital Liderliğin Görsel Haritalama Tekniğine
Göre Bibliyometrik Analizi. Uluslararası Liderlik Çalışmaları Dergisi: Kuram ve
Uygulama, 6(1), 1-22.
Harvard Business Review Analytic Services (2017). Operationalizing Digital Transforma-
tion: New Insights Into Making Digital Work. 1–12. Erişim: https://hbr.org/ sponso-
red/2017/05/operationalizing-digital-transformation-new-insights-into-making-digital-
transformation-work
Hewitt, P. M., Pijanowski, J., Tavano, J. and Denny, G. S. (2012), “Baby Boomers, Gene-
ration X and Generation Y: Who Will Lead Our Schools?”, International Review of
Social Sciences and Humanities, Vol: 3, No: 1, pp. 232-240.
Howe, N. ve Strauss, W. (1992). “The New Generation Gap”, The Atlantic Monthly, ss.
67-89.
Kane, G. C., Palmer, D., Phillips, A. N., Kiron, D., & Buckley, N. (2015). Strategy, not
Technology, Drives Digital Transformation.
Kavalcı, K. ve Ünal, S. (2016), “Y ve Z Kuşaklarının Öğrenme Stilleri ve Tüketici Karar
Verme Tarzları Açısından Karşılaştırılması”, Atatürk Üniversitesi Sosyal Bilimler
Enstitüsü Dergisi, C: 20, S: 3, ss. 1033-1050.
Kian, Tan S. and Yusoff, Wan F. W. (2012), “Generation and Their Work Motivation”,
Proceedings International Conference of Technology Management, Business and
Entrepreneurship, pp. 396-408.
Keleş, H. N. (2011), “Y Kuşağı Çalışanlarının Motivasyon Profillerinin Belirlenmesine
Yönelik Bir Araştırma”, Bahçeşehir Üniversitesi Organizasyon ve Yönetim Bilimleri
Dergisi, C: 3, S: 2, ss. 129-139.
Koç, M., Öztürk, L. ve Yıldırım, A. (2016), “X ve Y Kuşağının Örgütsel Bağlılık Farklı-
lıklarını Belirlemeye Yönelik Ampirik Bir Çalışma”, Küresel İş Araştırmaları Kong-
resi, C: 2, S: 1, ss. 69-78.
Koçel, T. (2010). İşletme yöneticiliği (12. baskı). İstanbul: Beta Yayınları.
Klein, M. (2020), Leadership Characteristics In The Era Of Digital Transformation, BMIJ,
(2020), 8(1): 883-902 doi: http://dx.doi.org/10.15295/bmij.v8i1.1441
Kuran, E. (2021). Z/Bir Kuşağı Anlamak. Can Yayınları.
Kuyucu, M. (2014). Y Kuşağı ve Facebook: Y Kuşağının Facebook kullanım alışkanlıkları
üzerine bir inceleme. Elektronik Sosyal Bilimler Dergisi, 13(49), 55-83.
Mahraz, M. I., Benabbou, L., & Berrado, A. (2019, October). A systematic literature re-
view of digital transformation. In Proceedings of the International Conference on In-
dustrial Engineering and Operations Management (pp. 917-931). IEOM Society.
Marvel, M. R., & Lumpkin, G. T. (2007). Technology entrepreneurs’ human capital and its
effects on innovation radicalness. Entrepreneurship theory and practice, 31(6),
807-828.
- 88 -
Meuser, J. D., Gardner, W. L., Dinh, J. E., Hu, J., Liden, R. C., & Lord, R. G. (2016). A
network analysis of leadership theory: The infancy of integration. Journal of Mana-
gement, 42, 1374–1403.
Özmen, Ö. N., Engin, E. R. İ. Ş., & Pınar, Ö. Z. E. R. (2020). Dijital liderlik çalışmalarına
bir bakış. Süleyman Demirel Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi,
25(1), 57-69.
Newton, R. (2015). How to Co-Lead a Team? Harvard Business Review (https://hbr.
org/2015/07/how-to-co-lead-a-team)
Northouse, P. G. (2016). Leadership: Theory and practice. Sage publications.
Pearce, C. L., & Conger, J. A. (2002). Shared leadership: Reframing the hows and whys of
leadership. Sage Publications.
Robbins, S. P., & Judge, T. (2018). Essentials of organizational behavior.
Russell RF, Stone AG. 2002. A review of servant leadership attributes: developing a
practical model. Leadersh. Organ. Dev. J. 23:145–57
Sainger, G. (2018). Leadership in digital age: A study on the role of leader in this era of
digital transformation. International Journal on Leadership, 6(1), 1
Scudamore, B. (2018). Why Co-Leadership Is The New Strategy For Company Growth.
Forbes (https://www.forbes.com/sites/brianscudamore/2018/04/10/why-co-leadership- is-
the-new-strategy-for-company-growth/?sh=2801720619f3)
Sihombing, Y. (2021). Understanding working values preferences of Generation Z. Pa-
lArch's Journal of Archaeology of Egypt/Egyptology, 18(1), 915-924.
Singh, A. P., ve Dangmei, J. (2016). Understanding the generation Z: the future workforce.
South-Asian journal of multidisciplinary studies, 3(3), 1-5.
Sönmez, F. (2016), “Sosyal Medyanın, Z Kuşağı Tüketicilerinin Satın Alma Davranışları
Üzerindeki Etkisi”, Basılmamış Yüksek Lisans Tezi, Celal Bayar Üniversitesi Sosyal
Bilimler Enstitüsü, Manisa.
Sullivan, D. (2007). Sullivan climate change renters background paper.
Temelkova, M. (2018). Skills for digital leadership-Prerequisite for developing high-tech
economy. International Journal of Advanced Research in Management and Social
Sciences, 7(12), 50-74.
Toduk, Y. (2017). Türkiye'nin liderlik haritası: güncel liderlik yaklaşımları ve Türkiye'den
örnekler. CEO Plus.
Toduk, Y. (2014). 2023 Lideri Dijital Çağın Liderlik Sırları . İstanbul, Doğan Egmont
Yayıncılık
Yenal, A. (2023). Dijital Dönüşüm ve Liderlik (2. Basım). Ankara, Nobel Yayın.
- 89 -
Yücebalkan, B. Ve Aksu, B. (2013), “Potansiyel İşgücü Olarak Y Kuşağının Transsormas-

yonel Liderlerle Çalışabilirliğine Yönelik Bir Araştırma”, Organizasyon ve Yönetim
Bilimleri Dergisi, C: 5, S: 1, ss. 16-32.
Walumbwa, F. O., Avolio, B. J., Gardner, W. L., Wernsing, T. S., & Peterson, S. J. (2008).
Authentic leadership: Development and validation of a theory-based measure. Jour-
nal of Management, 34(1), 89-126.
Zeike, S., Bradbury, K., Lindert, L. & Pfaff, H. (2019). Digital leadership skills and asso-
ciations with psychological well-being. International journal of environmental rese-
arch and public health, 16(14), 2628.
Zhu, J., Liao, Z., Yam, K. C., & Johnson, R. E. Manuscript for the IRIOP Annual Review
Issue 2019 Shared Leadership: A State-of-the-Art Review and Future Research
Agenda.
- 90 -
6. BÖLÜM
YAPAY ZEKANIN DİJİTAL DÖNÜŞÜM

STRATEJİLERİNDEKİ ROLÜ
Dr. Öğr. Üyesi Gülaçtı ŞEN

Balıkesir University
Edremit School of Civil Aviation, Department of Aviation Management
gulacti.sen@balikesir.edu.tr
ORCID:0000-0003-4168-0586
GİRİŞ
Dijitalleşme, mobil cihazlar, dronlar veya sürücüsüz arabalar gibi gelişmekte olan
teknolojileriyle hayatın her alanını ve tüm toplumları etkileyen önemli bir konudur
(Preindl, Nikolopoulos ve Litsiou (2020). Teknoloji tarafından desteklenen, top-
lumun siyasi ve ekonomik durumunu etkileyen çok boyutlu bir olgu olarak litera-
türde yerini alan kavram ise ‘dijital dönüşüm’ dür (Rêgo, vd., 2021). Dijital dönü-
şüm, gelişen teknoloji ile hem organizasyonlar, hem de bireyler için yadsınamaya-
cak kadar önemli hale gelmiştir. Dijital dönüşüm, hayatın her alanındaki değişimin
dijitalleşme ile desteklenmesi olarak ifade edilebilir. Toplumu her yönüyle etkile-
yen diğer bir konu ise yapay zekadır. Robotları ve otonom araçları, yüz tanımayı,
doğal dil işlemeyi ve her türden sanal aracıları içeren mevcut yapay zeka teknolo-
jileri, yaşamın çeşitli alanlarında kullanılmaktadır. Sağlık hizmetleri, eğitim, istih-
dam, eğlence, güvenlik ve ulaşım gibi çeşitli alanlarda insanların yaşamlarını iyi-
leştirmek için paha biçilemez olanaklar sağlamaktadır (Berente vd., 2021). Şirket-
lerde ise işin değeri açısından çeşitli avantajlar vaat eden geniş kapsamlı teknoloji-
ler kümesi olarak ele alınmaktadır (Enholm vd., 2021).
Günümüzde yapay zekadaki tüm gelişmeler, bilgisayar bilimi, elektronik ve ileti-
şim ağlarındaki (internet ve ilgili teknolojiler dahil) ilerlemelerle birlikte, yeni
yaşam biçimlerini ve insanlar arasındaki etkileşimi temsil eden dijital dönüşüm
- 91 -
olgusunun yükselişini sağlamaktadır (Siebel, 2019). Dijital dönüşüm, bulut bilgi

işlem, Nesnelerin İnterneti, büyük veri ve yapay zeka merkezli temel teknolojiler
yoluyla geleneksel endüstri süreçlerini ve organizasyonlarını değiştirerek ve yeni
bir iş modeli oluşturarak yeni pazarlar ve müşteriler yaratan bir yönetim stratejisi
anlamına gelmektedir (Nguyen, Nguyen ve Huy, 2021).
Dijital dönüşüm stratejisi, geleneksel iş modellerini yeniden tasarlamak üzerine
kuruludur. Odak noktası; dijital teknolojilerin akıllı telefonlar, tabletler, dizüstü
bilgisayarlar gibi dijital cihazları; bulut bilgi işlem, web hizmetleri ve bulut tabanlı
çözümler tarafından etkinleştiren yazılım platformlarını kullanarak, operasyonlar-
dan nasıl yararlanılabileceğini ortaya koymaktır (Cantú vd., 2020). Yapay zekanın
gelişimi ve kullanım alanlarının artması ile dijital dönüşüm stratejileri şirketler
için kaçınılmaz bir konu haline gelmiştir. Stratejilerin yapay zekaya dayalı tekno-
lojilerle gerçekleştirilmesi, şirketin hedeflerine ulaşması için şart olmuştur. Çünkü
dijital dönüşüm ve yapay zeka, mevcut sanayi devriminin temel yapı taşlarıdır
(Simões vd., 2022).
Literatürde yapay zeka ile dijital dönüşüm stratejilerinin birlikte ele alındığı çalış-
malar çoğunlukla iş süreçlerini iyileştirmek, operasyonların verimliliğini artırmak
üzerinedir (Brock ve Wangenheim, 2019; Vardarlier ve Zafer, 2020; Calp, 2020;
Kitsios ve Kamariotou, 2021; Aslan, 2021; Kim ve Kim, 2022; Rathore, 2023). Bu
çalışmada ise yapay zeka teknolojisinin, dijital dönüşüm için neden vazgeçilmez
olduğu ve gelecekte yapay zekanın dijital dönüşüm stratejilerindeki rolünün nere-
ye evrileceği ele alınmakta ve alan yazına katkı sağlanması amaçlanmaktadır. Bu
doğrultuda araştırmanın birinci bölümünde dijital dönüşüm stratejileri; ikinci bö-
lümde yapay zeka; üçüncü bölümde ise yapay zekanın dijital dönüşüm stratejile-
rindeki rolü açıklanmaktadır.
1. DİJİTAL DÖNÜŞÜM STRATEJİLERİ
1.1. Dijital Teknolojiler

Dijital teknolojiler, bilgi, bilgi işlem ve iletişim teknolojilerinin kombinasyonları
yoluyla, özelliklerinde önemli değişiklikleri tetikleyerek bir varlığı iyileştirmeyi
amaçlayan süreçtir (Setzke vd., 2021). Ancak şirketlerin performansı artırmak için
dijital teknolojilerden yararlanabilecekleri mekanizmalar net bir şekilde tanımlan-
mamıştır (Caro, Navarro ve Ruiz, 2020). Dijital teknolojiler, anında etkileşim ve
çok çeşitli veri ve bilgi işlem gücüne erişim sağlayan mobilite ve her yerde bulu-
- 92 -
- Yapay Zekanın Dijital Dönüşüm Stratejilerindeki Rolü -
nan bağlantı özelliklerine sahiptir. Bu özellikler günümüzün ürün ve hizmetlerine

de yansımakta ve coğrafi konumdan bağımsız olarak (insanların) daha geniş bir
erişimi sağlamaktadır (Zeki, 2019).
Günümüzde her toplum, dijital teknolojilerin etkisinin tam anlamıyla ortaya çıktığı
ve benzeri görülmemiş şeyleri mümkün kıldığı bir dönüm noktasındadır (Bryn-
jolfsson ve Mcfee, 2014). En çok talep gören dijital teknoloji de yapay zekadır
(Lyu ve Liu, 2021). Yapay zeka, en basit haliyle, bilgisayar bilimi ile sağlam veri
kümelerini birleştirerek problem çözmeye olanak sağlayan bir alandır. İnsan zeka-
sını anlamaya çalışarak yürütülen yapay zeka süreci, insan gibi davranan ve düşü-
nen sistemlerden, rasyonel düşünen ve hareket eden sistemlere kadar araştırılmaya
devam etmektedir (IBM, 2023). Tüm bu süreçler devam ederken, yapay zeka ha-
yatın nerdeyse her alanına girmiş ve en önemli dijital teknolojilerden biri olmuştur.
1.2. Dijital Dönüşüm Stratejileri

Bir organizasyonun farklı yönlerine değişiklikler getirmek için dijitalleşmenin
kullanılması, dijital dönüşüm olarak adlandırılır (Karltorp, 2017). Şirketlerde diji-
tal dönüşüm yolculuğunun amacı, üretkenlik iyileştirmeleri, maliyet düşürme ve
yenilik gibi dijitalleşmenin faydalarından yararlanmaktır. Dijital teknolojileri dev-
reye almak ve kullanmak için net bir strateji, gelecekteki iş başarısı için çok önem-
lidir (Hess vd., 2016). Dijital dönüşüm, dijital teknolojilerin (büyük veri analizi,
bulut bilişim, nesnelerin interneti, 3D baskı gibi) değiştirmeye alışkın olduğu, şir-
ketin ürünlerinde değer yaratan, müşterilerin, ortakların ve tedarikçilerin küresel
pazarda rekabet etmesini sağlayan güçtür (Alkan ve Kahraman, 2023).
Dijital teknolojilerin bütünleştirilmesi ve her şeyin dijital hale getirilmesi sürecini
içeren dijitalleşmenin aksine, dijital dönüşüm aynı zamanda temel iş operasyonla-
rında değişiklikler anlamına gelmektedir ve hem ürün ve süreçleri hem de organi-
zasyon yapılarını ve yönetim kavramlarını etkilemektedir (Matt, Hess ve Benlian,
2015). Başarılı dijital dönüşüm, dijital teknolojilerden yararlanmak ve nihayetinde
rekabet avantajı elde etmek için işletmeleri değiştirmekle ilgilidir (Westerman ve
diğerleri, 2014). Dijital dönüşüm stratejisi üzerine yapılan araştırmalar, bilişim
teknolojileri ile işletmelerin iş stratejileri ve yetenekleri arasındaki ilişkiye odak-
lanmaktadır (Drnevich ve Croson, 2013). Günümüzde bir işletmenin verimliliğini
sağlaması ve sürdürülebilir olabilmesi, iş stratejileri ve yeteneklerinde teknoloji
olmadan mümkün değildir. Dolayısıyla dijital dönüşüm stratejisi, her işletme için
zorunlu bir hal alırken, yapay zeka odaklı dijital dönüşüm stratejileri de vazgeçil-
mez olmaktadır.
- 93 -
1.3. Dijital Dönüşüm Stratejilerinin Boyutları

Dijital dönüşüm stratejilerinin farklı boyutlarda ele alındığı çalışmalar bulunmak-
tadır. Tekic ve Koroteev (2019) tarafından dijital dönüşüm stratejilerinin iki unsura
bağlı olarak ortaya konulan dört boyutu tablo 1’de verilmiştir.
Tablo 1. Dijital Dönüşüm Stratejilerinin Boyutları I
Yıkıcı dijital dönüşüm Dijital operasyon için yüksek düzeyde iş modeli hazırlığı
ve şirketin rekabet ettiği sektörle ilgili dijital teknolojiler-
de yüksek düzeyde ustalık
İş modeli liderliğinde dijital Şirketin rekabet ettiği sektörle ilgili dijital teknolojilerde
dönüşüm düşük düzeyde ustalık ve dijital operasyon için yüksek
düzeyde iş modeli hazırlığı
Teknoloji liderliğinde dijital Bir şirketin rekabet ettiği sektörle ilgili dijital teknolojiler-
dönüşüm de yüksek düzeyde ustalık ve dijital operasyon için düşük
düzeyde iş modeli hazırlığı
Analog olmaktan gurur Dijital operasyon için düşük düzeyde iş modeli hazırlığı ve
duyan dijital dönüşüm şirketin rekabet ettiği sektörle ilgili dijital teknolojilerdeki
düşük düzeyde ustalık
Kaynak: Tekic, Z., & Koroteev, D. (2019). From disruptively digital to proudly analog: A
holistic typology of digital transformation strategies. Business Horizons, 62(6), 683-693.
Yukarıda sıralanan boyutlara bağlı olunan unsurlar; (1) şirketin rekabet ettiği sek-
törle ilgili dijital teknolojilerin kullanımı (yüksek veya düşük) ve (2) iş modelinin
dijital operasyon için hazırlığıdır (yüksek veya düşük). Dijital dönüşüm stratejile-
rinin boyutları yararlı buluşsal yöntemler oluşturmakta ve karşılaştırma için siste-
matik bir temel sağlamaktadır. Böylece yöneticilerin dijital dönüşüme daha siste-
matik yaklaşmalarına yardımcı olmaktadır. Dönüşümün temel hedefleri ise, lider-
lik tarzı, çalışanlar arasında yaratıcılık ve girişimci ruh gibi becerilerin önemi,
süreçte karşılaşılan riskler ve zorluklar ve başarısızlığın sonuçları olarak ifade
edilmektedir (Tekic ve Koroteev, 2019).
Matt, Hess ve Benlian (2015), dijital dönüşüm stratejilerinin boyutlarını, herhangi
bir sektöre ya da işletmeye atfetmeden dört boyutta ortaya koymaktadırlar. Bunlar
tablo 1’de sıralanmıştır.
- 94 -
Tablo 2. Dijital Dönüşüm Stratejilerinin Boyutları II
Teknolojilerin Bir şirketin teknolojiyi kullanma becerisi, yeni teknolojilere karşı

Kullanımı tutumu ve stratejik hedeflere ulaşması
Değer yaratma- Değer zincirindeki dijital dönüşüm stratejisinin etkisi
daki değişiklikler
Yapısal değişiklik- Yeni dijital faaliyetlerin işlere entegre edilmesiyle, organizasyon
ler yapısında meydana gelen değişiklikler
Finansal yönler Dönüşümün itici gücü finansal güçtür ve diğer üç boyutu da yön-
lendirir.
Kaynak: Matt, C., Hess, T., & Benlian, A. (2015). Digital Transformation Strategies. Bu-
siness and Information Systems Engineering, 57(5), 339–343.
Dijital dönüşüm stratejilerinin başarılı olarak uygulanabilmesi, işletmenin bu stra-

tejiyi benimsemesi ve bu strateji boyutlarını birbirleriyle entegre etmesidir. Farklı
yazarlara göre ele alınan boyutlarda ortak nokta, bulunulan sektöre ve sektörün
rekabet durumuna göre işletmenin dijital dönüşüm stratejilerini belirlemesidir.
2. YAPAY ZEKA
2.1. Dijital Dönüşümün Vazgeçilmezi Yapay Zeka

Dijital çağda, yüksek performans ve rekabet avantajı elde etmek için tasarlanmış
yeni teknolojilerden biri yapay zekadır (Kitsios ve Kamariotou, 2021). Yapay ze-
ka, insan olmaksızın bağımsız makineler yapmak için araştırma yapan bilişsel bi-
lim dalıdır. Süreci ise; düşünme, anlama ve faaliyete geçirmeyi sağlayacak bilgi
işleme çalışması olarak ifade edilebilir (Pirim, 2006). Bir sistemin harici verileri
düzeltmesi, yorumlaması ile verilerden öğrenme ve esnek uyum yoluyla belirli
hedeflere ulaşmak için kullanılan yetenek yapay zekadır (Kaplan ve Haenlein,
2018). Accenture Research’ göre yapay zeka, makinelerin kendi başlarına algıla-
masına, anlamasına, harekete geçmesine ve öğrenmesine veya insan faaliyetlerini
artırmasına olanak tanıyan farklı teknolojilerin toplamıdır (Accenture, 2023).
Akıllı telefonlar, arabalar, bankalar, evler ve şehirler yapay zekayı günlük olarak
kullanmaktadır. En yakın benzin istasyonuna yol tarifi almak veya pizza sipariş
etmek için Google kullanıldığında; dolandırıcılığı kontrol eden bir sistemle kredi
- 95 -
kartıyla alışveriş yapıldığında yapay zeka hep yaşamın içindedir ve gün geçtikçe
artacağı görülmektedir (Gams vd., 2019). Elektronik hız, kapasite ve yazılım prog-
ramlamada devam eden ilerleme ile bilgisayarların insanlar kadar zeki olabileceği
düşüncesi, yapay zekanın dijital teknolojilerde kullanımı gün geçtikçe artırmakta-
dır. Yapay zeka, karmaşık sorunları çözmek için yeni çözümler uygulayan bir mü-
hendislik dalı olarak kabul edilmektedir (Hamet ve Tremblay, 2017). Ancak gü-
nümüzde her alanda, özellikle işletmeler, dijital teknolojilerin ve yapay zekanın
çeşitliliği aracılığıyla dijital dönüşüm stratejileri aramaktadırlar (Kim ve Kim,
2022).
Dijital dönüşüm stratejilerinin gerçekleştirilmesi, nerdeyse her sektörde kaçınıl-
maz olmuştur. Küresel rekabette yer almak için işletmeler stratejilerini dijitalleşme
ile yapmaktadırlar. Dijital dönüşüm stratejisinin gerçekleştirilmesinde en önemli
teknolojilerinden olan yapay zeka, birçok farklı sektörde uygulama alanı bulmak-
tadır. Yapay zeka, otomatik karar vermeyi, gelişmiş algoritmaları ve büyük ölçekte
veri işlemeyi içeren daha büyük bir bilgi işlem teknolojileri kümesinin bir bileşeni
olarak işletmelerde kullanılmaktadır (Newman ve O’Neill, 2022). Yapay zeka tek-
nolojisinin temel uygulama alanları tablo 3’de gösterilmiştir.
Tablo 3. Yapay Zeka Teknolojileri ve Uygulama Etki Alanları

Taşımacılık Otonom Araçlar
Hizmet Robotları Robot Navigasyonu
Sağlık Hizmeti Online Reçeteler
Eğitim Özel Ders Sistemi
Kamu Güvenliği Akıllı Devriye
İstihdam Bilgi çalışanları
Eğlence Oyun makineleri
Akıllı Şehirler Nesnelerin İnterneti
Kaynak: Cantú-Ortiz, FJ, Galeano Sánchez, N., Garrido, L., Terashima-Marin, H., & Bre-
na, RF (2020). Dijital dönüşüm için bir yapay zeka eğitim stratejisi. International Journal
on Interactive Design and Manufacturing (IJIDeM) , 14 , 1195-1209.
Yapay zeka verimli faaliyetlerin, yeni iş modellerinin ve endüstriyel süreçlerin

yaratılmasına yol açan yıkıcı bir teknolojidir. Çoğunlukla imalat ve hizmet sektör-
lerinin performansını artıran bir teknolojidir olsa da (Sousa, Barros ve Tavares,
- 96 -
2021); tablo 3’de görüldüğü gibi farklı temel alanlarda uygulama alanı bulmuştur.
Tüm sektörlerdeki iş liderlerinin ise, işletmelerinin rekabet gücünü artırmak için
yapay zeka teknolojilerinin kullanımı konusunda farkındalıkları artmıştır (Ferras,
Nylund ve Brem, 2022). Dijital dönüşümün gerçekleştirilmesinde yapay zekanın
tüm işletmelerde benimsenmesi gerektiğini söylemek mümkündür. İşletmelerin
yeni iş modellerine adapte olması, sürdürülebilirliklerini sağlaması ve rekabet gü-
cünü ellerinde bulundurması, dijital dönüşümü başarabilmesi için önemlidir.
3. YAPAY ZEKANIN DİJİTAL DÖNÜŞÜM

STRATEJİLERİNDEKİ ROLÜ
3.1. Yapay Zeka ile Dijital Dönüşüm Stratejisini Başarmak

Teknoloji sonsuz fırsatlar sunarken, dijital dönüşümle hem bireylere hem işletme-
lere meydan okumaktadır (Okunlaya, Abdullah ve Alias, 2022). Dijital dönüşüm,
işletmelerin iş modellerinde, süreçlerinde, yapılarında, ürünlerinde ve kültürlerin-
de köklü değişikliklere sebep olmaktadır. Bu değişim şirketlerin strateji geliştirme
süreçlerini önemli ölçüde etkilemektedir (Güler ve Büyüközkan, 2019). Dijital
teknolojiler, şirketlerin pazar dinamiklerine doğru ve hızlı yanıt verebilmesi için
kritik hale gelmektedir. Tüketici davranışını, şirketler de örgütlenme şeklini değiş-
tirmek zorundadır. Yapay zeka gibi tüm dijital teknolojilerin, kanseri teşhis etme
ve tedavi etme şeklinden çevrimiçi işlemlerin güvenliğine kadar, yaşama ve çalış-
ma şeklini değiştireceği düşünülürken (Zeki, 2019); yaşamın her alanına etki eden
yapay zekanın, dijital dönüşüm ile birlikte ele alınması kaçınılmazdır. Otonom
araçlar veya otonom robotlar gibi akıllı makineler ile gündeme gelen Yapay Zekâ
uygulamaları, son yıllarda en çok gelişmiş dijital teknolojilerden biridir. İnsanların
davranışlarını taklit etmeye programlanmış ve insanlardan bağımsız eyleme geçen
akıllı makineler işletmelerde iş süreçlerini kolaylaştırmakta ve hızlandırmaktadır
(Klein, 2020).
Küresel ekonomik sistemlerde, işletmelerin yapay zeka teknolojisi aracılığıyla
yeni fırsatlardan yararlanabileceği ifade edilebilir (Cockburn, Henderson ve Stern,
2018). İşletmelerde yapay zeka teknolojisi, genel olarak üç önemli iş ihtiyacını
destekleyebilmektedir. Bunlar; (1) iş süreçlerini otomatikleştirme, (2) veri analizi
yoluyla içgörü elde etme ve (3) müşterilerle ve çalışanlarla etkileşim kurmaktır
(Davenport ve Ronanki, 2018). Bu üç ihtiyacın uygulanabilmesi için dijital dönü-
şüm stratejisinin geliştirilmesi gerekmektedir. Sürecin basit olmadığı gibi kolay
- 97 -
olmadığını da söylemek mümkündür. Dijital dönüşümde yapay zeka teknolojileri

çoğunlukla işletmelerin mevcut işlerini desteklemektedir (Brock vd., 2019). Aslın-
da yapay zeka teknolojilerinin sektörlerde ve işletmelerde kullanılması yeni değil-
dir. Yeni olan, dijital dönüşüm ile yapay zeka teknolojisinin kullanımının hızlan-
masıdır (Yankın, 2019).
Yapay zeka ve dijital dönüşüm stratejisinin birbirinden bağımsız olmadığını ifade
etmek mümkündür. Dijital dönüşüm stratejisini başarmak için yapay zeka teknolo-
jilerinin kullanımına ihtiyaç vardır. Buna ilaveten yapay zekanın farklı alanlara
hızla girmesi dijital dönüşüm stratejisini zorunlu hale getirmektedir. İki olguyu iyi
anlamak, hem dijital dönüşüm stratejisinin başarısı, hem de yapay zeka teknoloji-
sinden olabildiğince yararlanabilmek için gereklidir. Dijital dönüşüm stratejisinin
başarılı bir şekilde uygulanabilmesi için yapay zeka bir aracı rol görevi görebil-
mektedir. Ancak başarıya ulaşabilmek için işletmelerdeki stratejik süreçlerin sü-
rekli izlenmesi, yeniden tasarlanması, dönüşüme öncelik verilmesi ve sürecin ko-
ordine edilmesi gerekmektedir (Şekkeli, 2022).
3.2. Dijital Dönüşümde Yapay Zekanın Geleceği

Günümüzde şirketler, yapay zeka teknolojisine dayalı dijital dönüşüm yoluyla
geleneksel iş modelinde veri merkezli teknolojik yeteneklere dayalı olarak üretici-
lerin ve tüketicilerin ağlar ve platform ekosistemi ile bağlantılı olduğu iş modelleri
geliştirmektedir (Verhoef vd., 2021). Geleneksel iş modellerinin teknoloji yoluyla
entegrasyonu dijital dönüşüm sayesinde mümkündür. Yeni teknolojilerin şirketin
tüm alanlarına entegrasyonunda kullanılan dijital dönüşüm, son on yılda özellikle
en yıkıcı teknolojilerden biri ile gerçekleştirilmektedir. Bu en yıkıcı teknoloji ya-
pay zekadır (Reier ve Garay, 2021).
Yapay zeka, işletmelere akıllı ürünler tasarlamak, yeni hizmet teklifleri tasarlamak
ve yeni iş modelleri ve organizasyon biçimleri icat etmek için benzeri görülmemiş
fırsatlar sunmaktadır (Berente vd., 2021). Dolayısıyla yapay zeka ile dijital dönü-
şüm stratejisini başarmak ve yapay zekanın gelecekte evrileceği alan hakkında
fikir yürütmek önem kazanmaktadır. McKinsey Global Institute Raporu’na göre
(2018), 2030 yılına kadar yaklaşık %70 şirketin bir tür yapay zeka uygulamış ola-
cağı ortaya konulmuştur (McKinsey Global Institute, 2018). 2018 yılında yayınla-
nan bu raporun ardından, küresel dünyada hem işletmeleri hem bireyleri etkileyen,
dijital dönüşümü zorunlu kılan bir salgın yaşanmıştır.
- 98 -
Covid-19 salgını, 2019 yılında ortaya çıkan ve kısa sürede tüm dünyayı etkisi altı-
na almıştır. Bu salgın iş dünyasında dijital dönüşümü teşvik etmiş ve hızlandırmış-
tır (Papagiannidis, Harris ve Morton, 2020). Uzaktan çalışma, uzaktan eğitim, sağ-
lık hizmeti sunumu, eğlence ve destekleyici sosyal etkileşimler yoluyla yapay zeka
teknolojisi hayatımıza girmiş ve işletmelerin dijital dönüşümü gerçekleştirmesinin
itici gücü olmuştur. Yapay zekanın, salgınlar gibi öngörülemeyen durumlara hazır-
lanması, dijital dönüşüm çabalarını arttıracaktır (Coombs, 2020).
Yapay zeka teknolojilerinin kullanımın dijital dönüşüm stratejisinin yanı sıra, tüm
iş stratejisiyle bağlantısı da önemli ölçüde artmaktadır. Ancak yapay zekanın so-
runları çözme konusundaki potansiyeline rağmen, iş değeri yaratmak için yapay
zekayı stratejik bir şekilde kullanma konusunda pratik kullanım ve bilgi eksikliği
ile ilgili sorunlar hala mevcuttur (Borges vd., 2021). Rodrigues vd. (2022) yapay
zeka ve dijital dönüşüm entegrasyonu ile ilgili bankacılık sektörüne yönelik yaptı-
ğı çalışmalarında, birçok belirsizliğin yanı sıra risklerin de olduğunu açıklamakta-
dırlar. Yapay zeka ve dijital dönüşümü etkileyen faktörler, kısıtlar, sektör içerisin-
den ve dışarısından farklı faktörler, yeni teknolojilerin gelişimi gibi tüm değerlen-
dirmelerin yapılabilmesi güçtür (Rodrigues vd., 2022).
SONUÇ
Dijital dönüşüm stratejilerinin yapay zeka teknolojileriyle önemli olduğu yadsı-

namayacak bir gerçektir. Hayatın nerdeyse her yönünü değiştirmekte olan dijital-
leşme, tüm toplumda dönüşümü zorunlu kılmaktadır. İş dünyasının dijital dönü-
şümü gerçekleştirmesi de, artık dijital dönüşümü bir strateji olarak benimsemesi ve
dijital dönüşüm stratejilerini oluşturması ile mümkündür. Günümüzde dijital dönü-
şüm stratejilerinde yapay zekanın etkisi gün geçtikçe artmaktadır. Yapay zeka,
işletmelerin rekabet edebilmesi, sürdürülebilirliğini sağlaması ve büyümesi için
işletmelere sonsuz fırsatlar sunmaktadır. Buna ilaveten dijital dönüşümün bir so-
nucu olarak dijital uygulamalar artarken, yapay zeka teknolojilerinin bunda etkisi
büyüktür. Dolayısıyla işletmelerin dijital dönüşüm stratejilerinde yapay zeka tek-
nolojilerini kullanması önem kazanmaktadır.
Hem dijital dönüşüm, hem de yapay zeka, tüm toplumda devrim yaratan iki olgu-
dur. Yapay zeka, insanlığı dönüştürme potansiyeline sahip devrim niteliğinde bir
teknoloji iken, dijital dönüşüm işletmelerin iş modellerini geliştirmek için yapay
zeka gibi teknolojileri kullanarak süregelen bir devrimdir. Dijital dönüşüm olgusu-
nun benimsenmesinin bir zorunluluk olduğu ve dijital dönüşüm stratejilerinde ya-
- 99 -
pay zeka uygulamalarının vazgeçilmez olduğu ortadadır. İş dünyasının bu yöndeki

dönüşümü ve dönüşüm stratejilerindeki yapay zeka uygulamalarını entegre ederek
arttıracağı görülmektedir. Bu çalışmada dijital dönüşüm stratejilerinde yapay zeka
uygulamalarının önemi ve yapay zeka odaklı dijital dönüşüm stratejilerinin iş dün-
yası açısından gelecekteki etkileri aktarılmaya çalışılmıştır. Literatürde yer alan bir
diğer konu ise yapay zekanın zararlarıdır. Özellikle işgücü piyasasında eşitsizlik ya
da istihdam sorunları ele alınabilecek konulardır. Ancak bunun kanıtlanabilirliği
henüz olmadığı ve detaylı araştırma gerektirdiği için farklı bir çalışmanın konusu
olarak ele alınabilir. Bu çalışmada yapay zekanın dijital dönüşüm stratejilerinde,
işletmenin başarısı açısından önemli olduğu ve gelecekte etkili olabileceği ifade
edilmiştir.
KAYNAKÇA
Accenture (2023). Artificial Intelligence. https://www.accenture.com/us-en/insights/ artifi-

cial-intelligence-summary-index (Erişim Tarihi: 09.06.2023).
Alkan, N., & Kahraman, C. (2023). Prioritization of supply chain digital transformation
strategies using multi-expert Fermatean fuzzy analytic hierarchy process. Informati-
ca, 34(1), 1-33.
Aslan, M. (2021). Stratejik Karar Alma Sürecinin Dijital Dönüşümü ve Yapay Zeka. Deği-
şimden Dönüşüme Sosyal Bilimlerde Yeni Normlar. Gazi Kitabevi, 1. Basım, Ankara.
Berente, N., Gu, B., Recker, J., & Santhanam, R. (2021). Managing artificial intelligence.
MIS quarterly, 45(3).
Borges, A. F., Laurindo, F. J., Spínola, M. M., Gonçalves, R. F., & Mattos, C. A. (2021).
The strategic use of artificial intelligence in the digital era: Systematic literature re-
view and future research directions. International Journal of Information Manage-
ment, 57, 102225.
Brock, J. K. U., & Von Wangenheim, F. (2019). Demystifying AI: What digital transforma-
tion leaders can teach you about realistic artificial intelligence. California Manage-
ment Review, 61(4), 110-134.
Brock, J. K. U., & Von Wangenheim, F. (2019). Demystifying AI: What digital transforma-
tion leaders can teach you about realistic artificial intelligence. California manage-
ment review, 61(4), 110-134.
Brynjolfsson, E., & McAfee, A. (2014). The second machine age: Work, progress, and
prosperity in a time of brilliant technologies. WW Norton & Company.
Calp, M. H. (2020). The role of artificial intelligence within the scope of digital transfor-
mation in enterprises. In Advanced MIS and digital transformation for increased cre-
ativity and innovation in business (pp. 122-146). IGI Global.
- 100 -
Cantú-Ortiz, F. J., Galeano Sánchez, N., Garrido, L., Terashima-Marin, H., & Brena, R. F.
(2020). An artificial intelligence educational strategy for the digital transformation.
International Journal on Interactive Design and Manufacturing (IJIDeM), 14, 1195-
1209.
Cockburn, I. M., Henderson, R., & Stern, S. (2018). The impact of artificial intelligence on
innovation: An exploratory analysis. In The economics of artificial intelligence: An
agenda (pp. 115-146). University of Chicago Press.
Coombs, C. (2020), “Will COVID-19 be the tipping point for the intelligent automation of
work? A review of the debate and implications for research”, International Journal of
Information Management, Vol. 55, 102182.
Davenport, T. H., & Ronanki, R. (2018). Artificial intelligence for the real world. Harvard
business review, 96(1), 108-116.
Drnevich, P. L., & Croson, D. C. (2013). Information technology and business-level stra-
tegy: Toward an integrated theoretical perspective. MIS Quarterly, 37(2), 483–509.
Enholm, I. M., Papagiannidis, E., Mikalef, P., & Krogstie, J. (2022). Artificial intelligence
and business value: A literature review. Information Systems Frontiers, 24(5),
1709-1734.
Ferras-Hernandez, X., Nylund, PA ve Brem, A. (2022). Strateji Yapay Zekanın Yapısını
Takip Eder. IEEE Mühendislik Yönetimi İncelemesi , 50 (3), 17-19.
Gams, M., Gu, I. Y. H., Härmä, A., Muñoz, A., & Tam, V. (2019). Artificial intelligence
and ambient intelligence. Journal of Ambient Intelligence and Smart Environments,
11(1), 71-86.
Güler, M. ve Büyüközkan, G. (2019). Entegre bir bulanık AHP-aksiyomatik tasarım meto-
dolojisi ile dijital dönüşüm stratejilerinin analizi. IFAC-PapersOnLine , 52 (13),
1186-1191.
Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36-
S40.
Hess, T., Benlian, A., Matt, C., & Wiesböck, F. (2016). How german media companies
defined their digital transformation strategies. MIS Quarterly Executive, 15(2),
103-119.
IBM (2023). What is artificial intelligence? https://www.ibm.com/topics/artificial-
intelligence.
Kaplan, A. and Haenlein, M. (2018), “Call for papers: special issue on digital transforma-
tion and disruption”, Business Horizons, Vol. 61 No. 6, pp. 809-810.
Karltorp, L. (2017). Digital transformation strategies in small businesses: A case study in
the Swedish manufacturing industry.
Kim, K., & Kim, B. (2022). Decision-making model for reinforcing digital transformation
strategies based on artificial intelligence technology. Information, 13(5), 253.
- 101 -
Kitsios, F., & Kamariotou, M. (2021). Artificial intelligence and business strategy towards
digital transformation: A research agenda. Sustainability, 13(4), 2021.
Klein, M. (2020). İşletmelerde dijital dönüşüm ve etmenleri. Journal of Business in The
Digital Age, 3(1), 24-35.
Lyu, W., & Liu, J. (2021). Artificial Intelligence and emerging digital technologies in the
energy sector. Applied energy, 303, 117615.
Martínez-Caro, E., Cegarra-Navarro, J. G., & Alfonso-Ruiz, F. J. (2020). Digital technolo-
gies and firm performance: The role of digital organisational culture. Technological
Forecasting and Social Change, 154, 119962.
Matt, C., Hess, T., & Benlian, A. (2015). Digital Transformation Strategies. Business and
Information Systems Engineering, 57(5), 339–343.
McKinsey Global Institute ( 2018 ), " AI frontier'den notlar: AI'nın dünya ekonomisi üze-
rindeki etkisini modelleme ", şu adreste bulunabilir: www.mckinsey.com/featured-
insights/artificial-intelligence/notes-from-the-ai-sınır-modelleme-the-ai-on-the-world-
economy (erişim tarihi : 26 Ocak 2019 ).
Newman, J., Mintrom, M. ve O'Neill, D. (2022). Dijital teknolojiler, yapay zeka ve bürok-
ratik dönüşüm. Vadeli İşlemler , 136 , 102886.
Nguyen, T. H., Nguyen, V. H., & Huy, D. T. N. (2021). Transforming the University Ma-
nagement Model in the Concept of Digital Transformation. Revista Geintec-Gestao
Inovacao E Tecnologias, 11(3), 380-387.
Okunlaya, R. O., Syed Abdullah, N., & Alias, R. A. (2022). Artificial intelligence (AI)
library services innovative conceptual framework for the digital transformation of
university education. Library Hi Tech, 40(6), 1869-1892.
Papagiannidis, S., Harris, J. and Morton, D. (2020), “WHO led the digital transformation
of your company? A reflection of IT related challenges during the pandemic”, Inter-
national Journal of Information Management, Vol. 55, 102166.
Pirim, A. G. H. (2006). Yapay zeka. Yaşar Üniversitesi E-Dergisi, 1(1), 81-93.
Preindl, R., Nikolopoulos, K., & Litsiou, K. (2020, January). Transformation strategies for
the supply chain: The impact of industry 4.0 and digital transformation. In Supply
Chain Forum: An International Journal (Vol. 21, No. 1, pp. 26-34). Taylor & Francis.
Rathore, B. (2023). Digital Transformation 4.0: Integration of Artificial Intelligence &
Metaverse in Marketing. Eduzone: International Peer Reviewed/Refereed Multidis-
ciplinary Journal, 12(1), 42-48.
Rêgo, B. S., Jayantilal, S., Ferreira, J. J., & Carayannis, E. G. (2021). Digital transforma-
tion and strategic management: A systematic review of the literature. Journal of the
Knowledge Economy, 1-28.
Reier Forradellas, R. F., & Garay Gallastegui, L. M. (2021). Digital Transformation and
Artificial Intelligence Applied to Business: Legal Regulations, Economic Impact and
Perspective. Laws, 10(3), 70.
- 102 -
Rodrigues, A. R. D., Ferreira, F. A., Teixeira, F. J., & Zopounidis, C. (2022). Artificial
intelligence, digital transformation and cybersecurity in the banking sector: A multi-
stakeholder cognition-driven framework. Research in International Business and Fi-
nance, 60, 101616.
Siebel, T. M. (2019). Digital transformation: survive and thrive in an era of mass extinc-
tion. RosettaBooks.
Simões, R. V., Parreiras, M. V. C., Da Silva, A. C. C., Barbosa, C. E., de Lima, Y. O., & de
Souza, J. M. (2022, October). Artificial intelligence and digital transformation: analy-
zing future trends. In 2022 IEEE International Conference on Systems, Man, and Cy-
bernetics (SMC) (pp. 1462-1467). IEEE.
Soto Setzke, D., Riasanow, T., Böhm, M., & Krcmar, H. (2021). Pathways to digital servi-
ce innovation: The role of digital transformation strategies in established organizati-
ons. Information Systems Frontiers, 1-21.
Sousa, MJ, de Barros, GO ve Tavares, N. (2021). Yapay Zeka Dijital Dönüşüm için Bir
Sürücü. Handbook of Research on Digital Transformation and Challenges to Data
Security and Privacy'de (s. 1-17). IGI Küresel.
Şekkeli, Z. H. (2022). Dijital Dönüşüm Yönetimi. Sosyal, Beşeri ve İdari Bilimler XV.
Konya: Eğitim Yayınevi, 169-189.
Tekic, Z., & Koroteev, D. (2019). From disruptively digital to proudly analog: A holistic
typology of digital transformation strategies. Business Horizons, 62(6), 683-693.
Vardarlier, P., & Zafer, C. (2020). Use of artificial intelligence as business strategy in rec-
ruitment process and social perspective. Digital Business Strategies in Blockchain
Ecosystems: Transformational Design and Future of Global Business, 355-373.
Verhoef, P. C., Broekhuizen, T., Bart, Y., Bhattacharya, A., Dong, J. Q., Fabian, N., &
Haenlein, M. (2021). Digital transformation: A multidisciplinary reflection and rese-
arch agenda. Journal of business research, 122, 889-901.
Westerman, G., Bonnet, D., & McAfee, A. (2014). Leading Digital: Turning Technology
into Business Transformation. Boston: Harvard Business Review Press.
Yankın, F. B. (2019). Dijital Dönüşüm Sürecinde Çalışma Yaşamı. Trakya Üniversitesi
İktisadi ve İdari Bilimler Fakültesi E-Dergi, 7(2), 1-38.
Zaki, M. (2019). Dijital dönüşüm: yeni nesil hizmetler için dijital teknolojilerden yarar-
lanmak. Hizmet Pazarlama Dergisi , 33 (4), 429-435.
- 103 -
7. BÖLÜM
DERİN ÖĞRENME
DAMLA YALÇINER ÇAL
1. Derin Öğrenme Kavramı
Derin öğrenme (DÖ) makinelerin evrenimizi anlama ve algılayabilme döngüsüne

yaklaşımını sağlayan yapay zekâ sürecinin önemli yöntemlerinden biridir. DÖ,
özellik ve görev açısından bilgileri verilerden anlayabilen makine öğrenme sınıfı-
dır ancak farklı özelliklere sahiptir. Sistematik açıdan makine öğrenme ve yapay
zekânın en alt kısmında yer almaktadır. Derin öğrenmede gerçekleştirilen çalışma-
lar veri anlamlandırma tekniği olarak ifade edilir (LeCun vd., 2015; Aalami,
2020).
Derin öğrenmede veriler ses, görüntü, metin olarak bulunurken; özellikleri belir-
leme ve değiştirme gibi pek çok doğrusal olmayan işlem birimi katmanlarını tercih
edilir. Peşi sıra gelen her katman, bir önceki katmanda meydana gelen çıktıyı gir-
disi alarak işlemleri gerçekleştirir. Burada, bir tahminin doğruluğu tek başına algo-
ritma ile belirlenebilir (Deng ve Yu, 2014; LeCun vd., 2015; Aalami, 2020). Algo-
ritmalar denetimli veya denetimsiz gerçekleştirilebilir. Denetimli algoritmalar (sı-
nıflandırma, regresyon gibi), denetimsiz algoritmalar (kümeleme, desen analizi
gibi) olarak gerçekleştirilir (Şeker vd., 2017).
2. Derin Öğrenme Tarihi
1965 yılında denetimli derin beslemeli çok katmanlı algılayıcılar (perceptron)

için ilk olarak Ivakhnenko ve Lapa tarafından açıklanmıştır (Ivakhnenko ve La-
pa, 1966). Çalışmanın her katmanında yer alan özellikler arasında en ideali ista-
tistiki açıdan belirlenerek bir diğer katmana iletilir. Ağların peş peşe eğitilmesi
için geri yayılım (backpropagation) kullanılmamıştır. Bir önceki katmanlardan,
devamında gelen katmanlara en küçük kareler yöntemi Şekil 1’de gösterilmekte-
dir (Şeker vd., 2017).
- 105 -
Şekil 1. Bilinen İlk Derin Ağ Mimarisi

Kaynak: (Şeker vd. 2017).
1979 yılında Fukushima, Ivakhnenko’dan sonra ‘Neokognitron’ ilk derin öğrenme

mimarisini önermiştir. Fukushima kendi kendini organize eden bir ağ sistemi ge-
liştirmiştir. Bu ağlar; modern ağlara benzeyen çoklu bükülme ve havuz katmanını
içerir (Fukushima, 1980).
Çoklu katmanlardan öğrenme eksikliği hataların geri yayılım algoritmalarını orta-
ya çıkarmıştır. LeCun ve arkadaşları tarafından posta kutusu üzerinde yer alan
yazılar için geliştirilen ve ilk kez başarılı olunan derin sinir ağı uygulaması yapıl-
mıştır. Ağ başarılı bir şekilde çalışsa dâhi eğitimin 3 gün sürmesinden ötürü işlev-
selliğinin uygun olmadığı gözlemlenmiştir (LeCun vd., 1989). Daha sonra tekrar
LeCunn el yazısı rakamlarını sınıflandırmak üzere ‘LeNet’ ağını kıvrımlı ağlar ile
birlikte geri yayılımını birlikte kullanmıştır (LeCun vd., 1989). 1995 yılında Uya-
nık-Uyku (Weka-Sleep) algoritmasını ise Frey, Dayan, Hinton ve Neal birlikte
geliştirdikleri altı tane birbirleriyle bağlantılı katmanlar ve çok sayıda gizli katman
içeren ağın eğitilmesini 2 günde gerçekleştirmişlerdir (Hinton vd., 1995). 1997
yılında Tekrarlayan Sinir Ağlarını (Recurrent Neural Networks) Hochreiter ve
Schmidhuber Uzun-Kısa Vadeli Bellek (Long-Short Term Memory) benzer şekil-
de önemli ilerlemeler yapmışlardır (Hochreiter ve Schmidhuber, 1997).
- 106 -
- Derin Öğrenme -
1990’lı ve 2000’li yıllarda Yapay Sinir Ağlarının (YSA) tahminleme maliyetinden

ötürü, avantajlı olmasının yanı sıra Destek Vektör Makineleri (Support Vector
Machine) probleme özel çalışan, otomatik olmayan özellikleri yönetmekten ve
yalın modellerin kullanılması güncel bir seçim olarak kullanılmıştır (Cortes ve
Vapnik, 1995). Bilgisayarların çok daha hızlı çalışmaya başlaması ve grafik işlem-
ci ünitelerinin (GPU) kurulması ile birlikte köklü değişiklikler gerçekleştirilmiştir.
İleri gelen 10 yıllık süre içerisinde işlem hesaplama hızını olduğundan 1000 kat
daha hızlı gerçekleştirerek; destek vektör makinelerine, sinir ağları alternatif ola-
rak ortaya çıkmıştır (Schmidhuber, 2015). 2000 yılında Igor Aizenberg, Naum
Aizenberg ve Joss Vandewalle tarafından ‘Derin Öğrenme’ YSA bağlamında tanı-
tılmıştır (Aizenberg vd., 2000). 2006 yılında Hinton yapmış olduğu çalışmada, çok
katmanlı algılayıcı ileri beslemeli sinir ağı modelinde her defasında bir katman
için Boltzmann makinesi (denetimsiz) ile etkin bir şekilde eğitip, devamında geri
yayılım süreciyle (denetimli) ince ayar yapmıştır (Hinton, 2017). 2012’de GPU
kullanılarak eğitim hızı arttırılmış ve tam-bağlı (fully-connected) katmanlardaki
hafızaya yerleştirmeyi azaltarak (overfitting), son dönemdeki ilerlemeyle “dro-
pout” 3 ismi verilerek normalleştirme yönteminin etkinliği ispat edilmiştir
(Krizhevsky vd., 2012).
3. Derin Öğrenmenin Mimari Yapısı
Bir derin öğrenme uygulayıcısı eğer derin öğrenme dünyasında bulunmayı seçi-
yorsa, sinir ağları ile de ilgilenmesi gerekir. Burada biyolojik açıdan sinir ağların-
dan esinlenerek sinir ağları; kompleks ve çok katmanlı hesaplama problemlerini
sonuçlandırma açısından oldukça yararlıdır. Burada, yüz seçme, konuşmanın belir-
lenmesi, doğal dil işleme, makine çevirisi ve pek çok dahasını barındıran ileri pro-
filli inceleme alanlarında oldukça etkin olmaktadır (Şeker, 2017). En çok kullanı-
lan derin öğrenme mimarileri aşağıdaki başlıklarda anlatılmaktadır.
3.1. Kısıtlanmış Boltzman Makineleri

Kısıtlanmış Boltzman Makineleri (Restricted Boltzmann Machines-RBM), enerji
fonksiyonlarının serbest parametrelerde lineer olduğu logaritmik lineer Markov
Tesadüfi Alanları’nın özel bir türü ve koşullu iki yönlü çizgileridir (Gurney,
1997). RBM’ler görünür ve gizli kalmış katmanların kendi aralarında olan bağlan-
tılarını sınırlandıran bir modeldir. Bu sebepten ötürü görünen ve gizli kalan kat-
- 107 -
manların düğümleri kendi içlerinde herhangi bir bağlantı oluşturmaz. Şekil 2’de 4
gizli katman (hidden units) ve 3 görünür katman (visible units) oluşan RBM göste-
rilmektedir (Krizhevsky, 2009).
Şekil 2. Kısıtlı Boltzmann Makineleri Ağının Bağlantı Yapısı

Kaynak: (Krizhevsky, 2009).
Şekil 2’de gizli ve görünür katmanlarda yer alan düğümler kendi aralarında birbir-
leriyle bağlantıları yoktur. Gizli katmandaki düğümlerin kendi aralarında herhangi
bir bağlantısı yokken, görünür katmanda yer alan düğümlerinde kendi aralarında
bağlantısı bulunmaz. Sadece görünür ve gizli katmanlar arasında bulunan düğüm-
lerde çift yönlü bağlantılar vardır. Burada RBM’ler öğretmenli ya da öğretmensiz
metotlarla çözümlenebilecek problemin türüne göre eğitilebilir.
3.2. Tekrarlayan Sinir Ağları

Basit Tekrarlayan Ağ (Simple Recurrent Network-SRN), Elman tarafından cümle
yapısını göstermek için Şekil 3’te tasarlanan SRN ağ mimarisi uyarlamıştır. Bu
mimaride uygulanan simülasyonda yer alan tüm kelimeler için gizli katmanların
kümelenmesi durumunda isim ve fiil grupları duru bir şeklide ayrılmışlardır (El-
man, 1990).
- 108 -
- Derin Öğrenme -
Şekil 3. SRN Ağ Mimarisi

Kaynak: (Elman, 1990).
Tekrarlayan Sinir Ağları (Recurrent Neural Network-RNN), temel düşünce yapı-

sında yer alan organize bilgileri kullanmaktadır. Klasik sinir ağındaki mutlak girdi
ve çıktılar birbirlerinden özerk olarak olduğu düşünülür. RNN yapısının tekrarla-
yan (recurrent) olarak isimlendirilmesi; bir dizinde her bir nesnesi için benzer iş-
lemi (görevi) önceki sonuçlarla ilgili olarak yerine getirmesi işlemidir (Şeker,
2017).
- 109 -
RNN, birimler arasındaki bağlantılar arasında yönlendirilen döngünün meydana

getirdiği yapay sinir ağı türüdür. Döngüde, dinamik olarak zamansal davranış tu-
tumuna imkân sağlayan bir ağ iç yapısını meydana getirirken, kişisel giriş belleği-
ni girdilerin tesadüfi dizilerini ilerletmek için kullanmaktadırlar. Bu durum Şekil
4’te gösterilmektedir (Mikolov vd., 2010).
Şekil 4. RNN Modeli

Kaynak: (Mikolov vd., 2010).
Graves yaptığı çalışmada, ses verilerinin fonetik talebine gerek kalmadan direkt
metne çeviren RNN alt yapılı konuşma ve tanıma sistemini sunmuştur (Graves ve
Jaitly, 2014). Karpathy ve Fei-Fei ise RNN ve CNN ile birleştirilmiş model yapa-
rak, görüntüdeki nesneleri belirlemekle birlikte aynı zamanda konum bulmayı da
başarabilmişlerdir. Bu durum Şekil 5’te gösterilmektedir (Karpathy ve Fei-Fei,
2015).
- 110 -
- Derin Öğrenme -
Şekil 5. Görüntü Tanımlayıcıları Oluşturmak İçin Derin Görsel-Anlamsal Hizalanma

Kaynak: (Karpathy ve Fei-Fei, 2015).
3.3. Evrişimsel Sinir Ağları

Evrişimsel Sinir Ağları (Convolutional Neural Networks-CNN), Çok Katmanlı
Algılayıcıların (Multi Layer Perceptron-MLP) çeşididir. Görme merkezinde yer
alan hücreler bütün görseli sarmakla birlikte alt kesimlere ayrılmaktadır. Sıradan
hücreler; ayrım gibi özelliklere odaklanırken, kompleks hücrelerde ise, olabildi-
ğince kapsamlı alıcılar ile birlikte bütün görsele hâkim olmaktadır. CNN, hayvan-
ların görme merkezinden ilham alınarak ileri sürülmüştür (Hubel ve Wiesel,
1968). Buradaki evrişimsel işlem, bir nöronun kendi sinir sisteminden gelen uyarı-
lara verdiği cevap olarak kabul edilmektedir (Fukushima, 1980).
CNN, bir veya birden çok daha fazla evrişimsel katmanın; alt örnekleme (havuz-
lama) ve alt örnekleme ardında yer alan standart çok katmanlı bir ya da daha çok
bağlı katmandan oluşmaktadır (LeCun vd., 2015). Burada tümüyle bağlı katmanın
hemen ardından sınıflandırma katmanı (son katman) bulunmaktadır. CNN’lerin
faydalarından biri de, eş sayıda gizli birimin tümüyle bağlı ağlardan daha düşük
sayıda eğitime ve çok daha düşük sayıda değişkene sahip olmasıdır (Cireşan vd.,
2012). İlk CNN ağı LeCunn tarafından 1988 yılında Yann LeCun tarafından sunu-
lan ve davamın da 1998 yılına kadar iyileştirme çalışmaları süre gelen LeNet isim-
li mimari Şekil 6’da gösterilmektedir (Scherer vd., 2010).
- 111 -
Şekil 6. LeNet Model Mimarisi

Kaynak: (Scherer vd., 2010).
Şekil 6’da art arda sıralanan katmanlardaki giriş verilerinin sınıflandırma etkisi
sağlayan farklı özellik belirlenmekte ve son katmanda belirlenen bütün özelliklere
göre sınıflandırma yapmaktadır. Öğrenme aşamasında giriş verilerinden elde edi-
len farklı özelliklerle model katmanları belirlenir ve devamında atanması gereken
sınıflarda belirlenmektedir. Modelde belirlenen nitelikler ile birlikte atanan sınıf-
gözetimli öğrenme ataması gereken sınıf arasında ki fark kadar hata oluşur. Hata-
nın en düşük tutulabilmesi için her bir kademede yer alan ağırlıkların değerleri
yayılım algoritması ile güncellenebilir. Bununla birlikte; daha iyi nitelik ve verim-
lilik ile birlikte eğitim verilerinin çok daha iyi bir şekilde sınıflandırma sağlanması
amaçlanır (Kurt, 2018). CNN algoritmaları; görsel, işitsel, dilsel vb. pek çok farklı
alanlarda kullanılmaktadır (Cireşan vd., 2012).
3.4. Derin Sinir Ağları

Derin Sinir Ağları (Deep Neural Networks-DNN), insan beyninin bilgi işleme
politikasından ilham alınarak ilerletilen yapay sinir ağlarının çok katmanlı şeklidir.
Fernandez ve arkadaşları tarafından 2006 yılında doğrusal olmayan problemlerin
çözümlenmesinde tek katmanlı algılayıcı (single-layer perceptron) yeterli gelme-
diğinden dolayı çok katmanlı algılayıcılar (multi-layer perceptron) geliştirilmiştir.
(Fernandez vd., 2006). Şekil 7’de giriş, gizli ve çıkış katmanlarından meydana
gelen Derin Sinir Ağ Yapısı gösterilmektedir (Kızrak ve Bolat, 2018; Ser ve Bati,
2019).
- 112 -
- Derin Öğrenme -
Şekil 7. Derin Sinir Ağ Yapısı

Kaynak: (Kızrak ve Bolat, 2018; Ser ve Bati, 2019).
3.5. Derin İnanç Ağları

Hinton, RBM’leri kullanarak Derin İnanç Ağ (Deep Belief Networks-DBN)
yığınını oluşturmuştur. Hinton oluşturduğu bu ağ yapısında eğitilip-
eğitilemeyeceğini göstermiştir. Her bir RBM katmanı bir önceki ve bir sonraki
RBM katmanı ile birbiriyle bağlantılıdır. Bu bağlantılar dikeydir çünkü bu
katmanlar birbirleri arasında yatay iletişimde bulunmamaktadır. Burada en son
katman (softmax) ile sınıflandırma ya da kümeleme uygulanabilir (Hinton ve
Salakhutdinov, 2006). Derin İnanç Ağ Yapısı Şekil 8’de gösterilmektedir (Do-
ğan ve Türkoğlu, 2019).
Şekil 8. Derin İnanç Ağ Yapısı

Kaynak: (Doğan ve Türkoğlu, 2019).
- 113 -
3.6. Derin Oto-Kodlayıcılar

Diabolo ağı olarakta isimlendirilen Oto-Kodlayıcılar (Autoencoders-AE) denetim-
siz öğrenme tabanlı CNN yapay sinir ağı modelidir (Bengio, 2009). Süreç boyunca
sinir ağlarının ana parçasını oluşturmuştur (Hinton ve Zemel, 1994). AE, giriş veri
kümesi için boyut indirgeme ile kodlamayı öğrenmeyi amaçlar, zorlayarak en az
kayıpla maksimum öğrenmeyi amaç eder ve ileri beslemeli bir sinir ağ modelidir
(Krizhevsky ve Hinton, 2011). AE, 3 katmandan meydana gelir ve bunlar girdi,
gizli ve çıktı katmanıdır. Girdi katmanı ve çıktı katmanında yer alan nöron sayıları
birbirine eşittir ancak gizli katmanda yer alan nöron sayısı farklılık göstermektedir
(Vincent vd., 2008). Hedefe varıldığında ise gizli katmandaki düğüm sayısı ile
girdi katmanında ki veri sayısı gösterilir. Bu durum Şekil 9’da Basit Oto-
Kodlayıcılar Mimarisi ile gösterilmektedir (Karcı, 2021).
Şekil 9. Basit Oto-Kodlayıcılar Mimarisi

Kaynak: (Karcı, 2021).
- 114 -
- Derin Öğrenme -
Derin Oto-Kodlayıcılar (Denoising Autoencoders-DAE); her bir katmandaki çıktı-

ların ardışık katmanın girdilerine birleştiği AE’lerin çok katmanlarından meydana
gelen DAE ağ modeli Şekil 10’da gösterilmektedir. Burada ardışık olarak yerleşti-
rilmiş iki AE ağı yer almaktadır. Girdi dizisi ilk gizli katman içerisinde şifrelenen
Özellik I dizisini elde ederken, gizli katmanda yer alan özelliği girdi olarak veril-
miştir. Özellik II dizisi şifrelemeyle elde edilmiştir. Özellik II dizisinde, son kat-
manda softmax sınıflandırıcıya girdi olarak yüklenmiş ve sınıflandırma işlemi
gerçekleştirilmiştir (Şeker, 2017).
Şekil 4.10. Derin Oto-Kodlayıcılar Ağ Modeli

Kaynak: (Şeker, 2017).
4. Derin Öğrenme Katmanları
Derin öğrenme katmanları: giriş (input), konvolüsyon (convolution), aktivasyon

(relu), havuzlama (pooling), tam bağlı (full connected), dropout, sınıflandırma
(classification), yumuşatma (softmax) ve normalizasyon (normalization) katmanı
şekildedir. Katmanlar arasındaki bağlantılar ve sınıflandırma için genel yapı Şekil
11’de gösterilmektedir (Doğan ve Türkoğlu, 2019).
- 115 -
Şekil 11. Derin Konvolüsyon Katmanları Arasındaki Bağlantılar ve Sınıflandırma

Kaynak: (Doğan ve Türkoğlu, 2019).
Giriş (Input) Katmanı: Giriş olarak kullanılacak veri işlenmemiş şeklinde bulu-
nur. Giriş verisinin çözünürlük ve boyutu dizayn edilecek yapının etkin olması
açısından mühimdir. Görüntü boyutu yüksek seçildiğinde eğitim ve test süresini
uzatırken hafıza gereksinimini de ortaya çıkarabilir. Bu durum model başarısını da
arttırabilir. Görüntü boyutu küçük seçildiğinde eğitim ve test süresi azalırken bel-
lek gereksinimine de ihtiyaç olmayabilir. Bu durum modelin performansını düşü-
rebilir. Bu durumlar göz önüne alındığında ideal giriş verişi hem performans hem
de eğitim süresi açısından çok önemlidir (Tan, 2019).
Konvolüsyon (Convolution) Katmanı: En temel katmandır. Dönüşüm işlemi bu-
rada gerçekleşir. Dönüşüm esnasında görüntünün belirli filtresel aşamalardan ge-
çerek kaydırılması ile oluşur. Filtreler görsel esnasında kaydırılmaktadır. Kaydır-
ma esnasında görsel ve filtre değerleri birbirleri ile çarpılır ve sonuçta meydana
gelen değerler toplanır, nihai sonuç elde edilir. Tüm bu işlemler tüm görsel yapısı-
na uygulandıktan sonra yeni bir görsel elde edilir (Gündüz, 2019).
Düzleştirilmiş Doğrusal Birim (Relu) Katmanı: Relu katmanında, kendinden ön-
ceki katmanda yer alan doğrusal olan yapının, doğrusal olmayan yapıya çevirmek
için kullanılır. Bu katmanda ağ öğrenimi hızlanarak, ağ hızı da öğrenilir (He vd.,
2015).
Havuzlama (Pooling) Katmanı: Bu katman aşağıya doğru örnekleme işlemi ger-
çekleştirerek bir sonraki katman için giriş boyutunu azaltma görevini gerçekleşti-
rir. Burada bilgi kaybı yaşanmasına sebep olur Burada konvolüsyon işlemi esna-
sında meydana gelen filtreleme sayısı kadar işlem gerçekleştirilir. Filtreler görüntü
üzerinde maksimum değerleri (maksimum havuzlama), değerlerin ortalaması alı-
narak (ortalama havuzlama) olarak işlem gerçekleşir (Boureau vd., 2010).
- 116 -
- Derin Öğrenme -
Tam Bağlı (Full-Connected) Katmanı: Tam bağlı katman yapay sinir ağlarında ki
gibi, her girişin tüm nöronlara ekli olduğu bir giriş üzerinde gerçekleşir. Tam bağlı
katmanı genellikle CNN yapısının son aşamasına doğru bulunarak, sınıf sonuçları-
nın hedeflerini en uygun hale getirir (https://stanford.edu/~shervine/l/tr/ teac-
hing/cs-230/cheatsheet-convolutional-neuralnetworks, E.T.: 05.09.2023).
Dropout Katmanı: Dropout katmanı, büyük verilerim eğitimi esnasında ezberleme
yapmamak için kullanılır. Buradaki katmanda yer alan ağda tesadüfi bir şekilde
seçilen bazı sinirler geçersiz hale getirilerek, sinirlere bağımsızlık kazandırması
durumunda çok daha iyi verim almasını sağlamaktadır (Srivastava vd., 2014).
Sınıflandırma (Classification) Katmanı: Sınıflandırma öge sayısı kadar sonuç
çıkarmaktadır. Son katman olarak bilinen sınıflandırıcı katmanda farklı türde
softmax çok sınıflı derin öğrenme çalışmaları için tercih edilen sınıflandırıcılardır
(Tan, 2019).
Yumuşatma (Softmax) Katmanı: Dropout katmanından gelen değerleri alarak,
sınıflandırma (classification) katmanı içerisinde olasılıksal değer üretimi gerçekle-
şir. Sınıflandırma işlemi içerisinde hangi sınıfa daha yakın olduğuna dair değer
oluşturur. Derin öğrenme ağ yapısında hangi sınıfa dair olduğunu olasılıksal de-
ğerlerini probalistik hesaplama yöntemi ile gerçekleştirilen ve her sınıf için çeşitli
olasılıksal değerleri ortaya koyar. Bu hesaplama yapılırken cross entropy yöntemi
kullanılır (Tang, 2013).
Normalizasyon (Ölçeklendirme) Katmanı: Katmana girdi olarak girilen değerler,
oldukça küçük ya da büyük olabilmektedir. Girilen değerlerin normalize edilme-
siyle, belirli bir aralıkta bulunması daha güvenli olmaktadır. Bu durumdan dolayı
hem ağ verimi, hem de girdi verileri ölçeklendirilerek belirli bir aralıkta bulunur
(Ioffe ve Szegedy, 2015).
5. Derin Öğrenme Kütüphaneleri ve Yazılımları
Derin öğrenme için farklı eğitim kurumları, araştırma merkezleri ve işletmeler

tarafından geliştirilen ve çeşitli özellikleri bulunan pek çok çatı ve kütüphane yer
almaktadır. Derin öğrenmenin gelişimi pek çok alanda büyük adımlar sağlamıştır.
Derin öğrenme üzerine çeşitli program dillerinde C++, C#, Java, Python en çok
kullanılan programlama dilleri olarak tanımlanır. Phyton programlama dilinle kul-
lanılan derin öğrenme kütüphaneleri Caffe, DeepLearning4j, Digits, TensorFlow,
Theano ve Torch şeklindedir (Toğaçar ve Ergen, 2019).
- 117 -
6. Derin Öğrenme Uygulamalarının Hiperparametreleri
Derin öğrenme uygulamalarının hiperparametreleri: veri setinin boyutu, aktivas-

yon fonksiyonları, öğrenme katsayısı, mini-batch boyutu, katman sayısı ve gizli
katman, eğitim tur sayısı, loss fonksiyonu, bias değeri, transfer öğrenme olmak
üzere yer almaktadır (Tan, 2019).
Kaynakça
Aalami, N. (2020). Derin öğrenme yöntemlerini kullanarak görüntülerin analizi. Eskişehir

Türk Dünyası Uygulama ve Araştırma Merkezi Bilişim Dergisi, 1(1), 17-20.
Aizenberg, I.N., Aizenberg, N.N., ve Vandewalle, J. (2000). Multiple-Valued Threshold
Logic and Multi-Valued Neurons, in Multi-Valued and Universal Binary Neurons.
Boston, MA: Springer US, 25–80.
Bengio, Y. (2009). Learning deep architectures for AI. Foundations and trends® in Machi-
ne Learning, 2(1), 1-127.
Boureau, Y.L., Ponce, J., ve LeCun, Y. (2010). A Theoretical Analysis of Feature Pooling
in Visual Recognition, Conference: Proceedings of the 27th International Confe-
rence on Machine Learning (ICML-10), Haifa, Israel, 5, 21-24.
Cireşan, D., Meier, U., Masci, J., ve Schmidhuber, J. (2012). Multi-column deep neural
network for traffic sign classification, Neural Networks, 32, 333–338.
Cortes, C., ve Vapnik, V. (1995). Support-Vector Networks, Mach. Learn., 20(3), 273–297.
Deng, L., ve Yu, D. (2014). Deep Learning: Methods and Applications, Found. Trends®
Signal Process., 7(3-4), 197-387.
Doğan, F., ve Türkoğlu, İ. (2019). Derin Öğrenme Modelleri ve Uygulama Alanlarına
İlişkin Bir Derleme, DÜMF Mühendislik Dergisi, 10(2), 409-445.
Elman, J.L. (1990). Finding Structure in Time, Cogn. Sci., 14(2), 179–211.
Fernandez, C., Soria, E., Martin, J.D., ve Serrano, A.J. (2006). Neural networks for animal
science applications: Two case studies. Expert Systems With Applications. 31,
444-450.
Fukushima, K.N. (1980). A self-organizing neural network model for a mechanism of
pattern recognition unaffected by shift in position.,Biol. Cybern., 36(4), 193–202.
Graves, A., ve Jaitly, N. (2014). Towards End-To-End Speech Recognition with Recurrent
Neural Networks.,” in ICML, 2014, 1764–1772.
Gurney, K. (1997). An introduction to neural networks. CRC press.
- 118 -
- Derin Öğrenme -
Gündüz, G. (2019). Derin Öğrenme ile Fotoğraftan Yaş Ve Cinsiyet Tespiti, Yüksek Li-
sans Tezi. Sakarya: T.C. Sakarya Üniversitesi Fen Bilimleri Enstitüsü Endüstri
Mühendisliği Anabilim Dalı.
He, K., Zhang, X., Ren, S., ve Sun, J. (2015). Delving Deep into Rectifiers: Surpassing
Human-Level Performance on ImageNet Classification, 2015 IEEE International
Conference on Computer Vision (ICCV), Santiago, 1026-1034.
Hinton, G.E. (2017). Learning multiple layers of representation,Trends Cogn. Sci., 11(10),
428–434.
Hinton, G.E., Dayan, P., Frey, B.J., ve Neal, R.M. (1995). The wake-sleep algorithm for
unsupervised neural networks, Science, 268(5214), 5(396-404).
Hinton, G.E., ve Salakhutdinov, R.R. (2006). Reducing the Dimensionality of Data with
Neural Networks,” Science (80-. ), 313(5786) 504–507.
Hinton, G.E., ve Zemel, R.S. (1994). Autoencoders, minimum description length and
Helmholtz free energy. In Advances in neural information processing systems, 3-10.
Hochreiter, S., ve Schmidhuber, J. (1997). Long Short-Term Memory, Neural Comput.
9(8), 1735-1780.
https://stanford.edu/~shervine/l/tr/teaching/cs-230/cheatsheet-convolutional-
neuralnetworks, Erişim Tarihi:05.09.2023.
Hubel, D.H., ve Wiesel, T.N. (1968). Receptive fields and functional architecture of mon-
key striate cortex, J. Physiol., 195(1), 215–243.
Ioffe, S., ve Szegedy, C. (2015). Batch normalization: Accelerating deep network training
by reducing internal covariate shift. In International conference on machine lear-
ning, 6, 448-456.
Ivakhnenko, A.G., ve Lapa, V.G. (1966). Cybernetic Predicting Devices Cybernetic pre-
dicting devices (No. TR-EE66-5), Purdue Univ Lafayette Ind School Of Electrical
Engineering.
Karcı, Ş. (2021). Farklı Otokodlayıcı Modelleri ile Sentetik Beyin MR Görüntülerinin
Çoğaltılması. Muş Alparslan Üniversitesi Mühendislik-Mimarlık Fakültesi Dergi-
si, 2(1),29-34.
Karpathy, A., ve Fei-Fei, L. (2015). Deep Visual-Semantic Alignments for Generating
Image Descriptions, in CVPR, 3128–3137.
Kızrak, M.A., ve Bolat, B. (2018). Derin Öğrenme ile Kalabalık Analizi Üzerine Detaylı
Bir Araştırma, Bilişim Teknolojileri Dergisi, 11(3), 263-286.
Krizhevsky, A. (2009). Learning multiple layers of features from tiny images.
Krizhevsky, A., ve Hinton, G.E. (2011). Using very deep autoencoders for content-based
image retrieval. In ESANN.
- 119 -
Krizhevsky, A., Sutskever, I., ve Hinton, G.E. (2012). ImageNet Classification with Deep
Convolutional Neural Networks, in Advances in neural information processing
systems, 1097–1105.
Kurt, M.S. (2018). Derin Öğrenme Modelleri İle Web Sayfası Sınıflandırma, Yüksek Li-
sans Tezi. İstanbul: T.C. İstanbul Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar
Mühendisliği Anabilim Dalı.
LeCun, Y., Bengio, Y., ve Hinton, G. (2015). Deep Learning, Nature, 521, 436–444.
LeCun, Y., Boser, B, ve Denker, J.S. (1989). Handwritten Digit Recognition with a Back
Propagation Network, Advances in Neural Information Processing Systems (NIPS
1989), Denver, CO.
LeCun, Y., Boser, B., Denker, S.J., Henderson, D., Howard, R.E., Hubbard, W., ve Jackel,
L.D. (1989). Backpropagation Applied to Handwritten Zip Code Recognition,
Neural Comput., 1(4), 541–551.
Mikolov, T., Karafiat, M., Burget, L., Cernock, J., ve Khudanpur, S. (2010). Recurrent
neural network based language model, in Interspeech 2010, 1045-1048.
Scherer, D., Müller, A., ve Behnke, S. (2010). Evaluation of Pooling Operations in Convolu-
tional Architectures for Object Recognition, Springer, Berlin, Heidelberg, 92–101.
Schmidhuber, J. (2015). Deep learning in neural networks An overview, Neural Networks,
61, 85-117.
Ser, G., ve Bati, C.T. (2019). Derin Sinir Ağları ile En İyi Modelin Belirlenmesi: Mantar
Verileri Üzerine Keras Uygulaması, Yüzüncü Yıl Üniversitesi Tarım Bilimleri
Dergisi, 29(3), 406-417.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., ve Salakhutdinov, R. (2014).
Dropout: A Simple Way to Prevent Neural Networks from Overfitting,» Journal
of Machine Learning Research, 1929-1958.
Şeker, A. (2017). Derin Öğrenme Yöntemleri Ve Uygulamaları Hakkında Bir İnceleme,
Doktora Semineri. T.C. Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü Bilgi-
sayar Mühendisliği Anabilim Dalı.
Şeker, A., Diri, B. ve, Balık, H.H. (2017). Derin Öğrenme Yöntemleri ve Uygulamaları
Hakkında Bir İnceleme, Gazi Mühendislik Bilimleri Dergisi, 3(3): 47-64.
Tan, Z. (2019). Derin Öğrenme Yardımıyla Araç Sınıflandırma, Yüksek Lisans Tezi. TC.
Fırat Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı.
Tang, Y. (2013). Deep learning using linear support vector machines. arXiv preprint
arXiv:1306.0239.
Theano Development Team (2016) Theano: A Python framework for fast computation of
mathematical expressions, arXiv e-prints, vol. abs/1605.02688.
- 120 -
- Derin Öğrenme -
Toğaçar, M., ve Ergen, B. (2019). Biyomedikal Görüntülerde Derin Öğrenme ile Mevcut
Yöntemlerin Kıyaslanması. Fırat Üniversitesi Mühendislik Bilimleri Dergisi,
31(1), 109-121.
Vincent, P., Larochelle, H., Bengio, Y., ve Manzagol, P.A. (2008). Extracting and compo-
sing robust features with denoising autoencoders. In Proceedings of the 25th in-
ternational conference on Machine learning, ACM, 1096-1103.
- 121 -
8. BÖLÜM
AKILLI KENT YÖNETİMİNDE YAPAY ZEKÂ

TEKNOLOJİSİNİN ARAÇSALLIĞI
ABİDİN KEMEÇ
Giriş
Dijital araçların ve uygulamaların politika üretim sürecinde kullanımı akıllı kent

yöneticileri tarafından sıklıkla başvurulan yöntemlerden biridir. Akıllı kent yöneti-
cilerinin yeni nesil dijital araçların kullanılma nedenleri arasında; daha hızlı karar
verme, zamandan tasaarruf, maliyetleri düşürme, yaşam kalitesini yükseltme, sür-
dürülebilir bir çevre oluşturma ve bürokratik süreçleri hızlandırma yer almaktadır.
Çağımızın en önemli dijital teknolojilerinnden olan yapay zekâ (Artificial Intelli-
gence- AI), veri toplama araçlarının etkin olarak kullanılması ve doğru veri analizi
için kullanıldığında akıllı kent planlama ve uygulama süreçlerine önemli katkılar
sunmaktadır.
Yapay zekâ, bilgi toplumunda ve bilgi ve bilgiye dayalı küresel kalkınmada yeni
bir dönemi temsil etmektedir. Geleneksel üretim faktörlerini kullanmanın yeni
yollarını ve mevcut zorluklara cevap verebilmek için faaliyetleri organize etmenin
yeni kurallarını ifade etmektedir. Yapay zekânın tarihsel evrimi önemli kilometre
taşları göstermek zorunda olsa da, sinir ağları araştırması, bilişsel bilgi işlem ve
makine öğrenimindeki son gelişmeler, enerji yönetimi, izleme ve optimizasyon
için öngörülemeyen yeni yetenekleri teşvik etmektedir. Yapay zekânın 5G ağları
ve sensör ağları ile entegrasyonu, gelecek nesil akıllı kent hizmetleri için yeni ve
verimli bir zemin oluşturmaktadır (Şerban ve Lytras, 2020). Yapay zekâ, akıllı kent
yönetiminde uygun bir şekilde kullanılırsa, kaynak açısından daha verimli bir ya-
şanabilirlik paradigmasına sürdürülebilir geçişleri teşvik edebilecek olumlu bir
değişim için bir araç sağlama potansiyeline sahiptir (Nikitas, vd., 2020).
Çalışmanın birinci bölümünde yapay zekâ teknolojisinin teorik boyutu değerlendi-
rilmiştir. Birinci bölümde farklı yazarların yapay zekâ tanımlarına yer verilmiş
- 123 -
ayrıca özellikleri ele alınmıştır. Çalışmanın ikinci bölümünde ise yapay zekâ tek-
nolojinin akıllı kentlerde kullanım alanları kapsamlı bir şekilde ele alınmıştır.
1. Yapay Zekâ Teknolojisi
Yapay zekâ, karmaşık problemleri çözmek için yapay bir varlık tarafından sergile-
nen zekâ olarak tanımlanır ve böyle bir sistemin genellikle bir bilgisayar veya ma-
kine olduğu varsayılır. Yapay zekâ, bilgisayar bilimi ve fizyolojinin bir entegras-
yonudur Basit bir dilde zekâ, dünyadaki hedeflere ulaşma yeteneğinin hesaplamalı
kısmıdır. Zekâ, ezberleme ve anlama, kalıpları tanıma, değişime uyum sağlayan
seçimler yapma ve deneyimlerden öğrenme yaratmayı hayal etmek için düşünme
yeteneğidir. Yapay zekâ, bilgisayarların insanlar gibi daha insani bir şekilde ve bir
insandan çok daha kısa sürede davranmasını sağlamakla ilgilenir (Borana, 2016).
Bilgi işlem gücündeki katlanarak artan büyüme ve büyük miktarda veri sayesinde
yapay zekâ, son yıllarda dikkat çekici gelişmelere tanık olmuştur. Günlük hayatı-
mızın her yerinde benimsenmesini sağlamıştır (Minh, vd., 2022). Yapay zekâ algo-
ritmaları, büyük miktarda veriyi işlemek ve geleneksel yaklaşımlar kullanılarak
tespit edilemeyecek kalıpları ve özellikleri tespit etmek için yetenekler sağlar
(Luckey, 2021). Bugün yapay zekâ, karmaşık zorlukları çözmek için yeni kavram-
lar ve yeni çözümler uygulayan bir mühendislik dalı olarak kabul edilmektedir.
Elektronik hız, kapasite ve yazılım programlamada devam eden ilerleme ile bilgi-
sayarlar bir gün insanlar kadar zeki olabilir (Hamet ve Tremblay, 2017).
Yapay zekâ, akıllı davranışların hesaplamalı olarak anlaşılması ve dolayısıyla akıl-
lı makinelerin yaratılmasıyla ilgilenen bilim ve mühendisliktir. Yapay zekâ, Şekil
1'de gösterildiği gibi, sinir ağları, genetik algoritmalar, sembolik yapay zekâ ve
derin öğrenme dahil olmak üzere heterojen bir dizi araç, teknik ve algoritmayı
içermektedir. Bu ana alanlar üstel bir büyüme göstermekte ve sağlık hizmetleri,
uzay, robotik ve askeri gibi çeşitli alanlarda önemli etkiler yaratmaktadır. Artan
veri miktarı, her yerde bağlantı, yüksek performanslı bilgi işlem ve elimizde bulu-
nan çeşitli algoritmalarla yapay zekâ, gelecekteki teknolojilere yeni bir verimlilik
ve karmaşıklık düzeyi katacaktır. Yapay zekâ alanının temel hedeflerinden biri,
çevreleriyle etkileşime giren, en uygun davranışları bulan, neredeyse insanlar gibi
deneme yanılma yoluyla zaman içinde gelişen tamamen otonom akıllı ajanlar
üretmektir. Bu, çevrelerindeki dünyayı algılayabilen ve tepki verebilen robotlar-
dan, doğal dil ve multimedya ile etkileşime girebilen tamamen yazılım tabanlı
- 124 -
- Akıllı Kent Yönetiminde Yapay Zekâ Teknolojisinin Araçsallığı -
ajanlara kadar uzanan uzun soluklu bir meydan okuma olmuştur. Mevcut yapay
zekâ teknolojileri sürüş, havacılık, tıp, çevrimiçi reklamcılık, görüntü tanıma ve
kişisel yardım alanlarında kullanılmaktadır (Kayid, 2020).
Şekil 1. Yapay Zekâ Teknolojisinin Alt Alanları

Kaynak: (Kayid, 2020)
Yapay zekâ çalışması, uzun yıllardır bilim insanlarının ve mühendislerin ilgisini

çeken bir çalışma alanı olmuştur. Yapay zekânın sosyo-ekonomik yaşamları değiş-
tirmeye yönelik en büyük itici güçlerden biridir. Başka bir açıdan yapay zekâ, çığır
açan araştırmalar için yardımcı araçlar olarak birçok çalışma alanının ilerlemesine
katkı sunmuştur (Jiang, vd., 2022).
Yapay zekâ görüntü ve konuşma tanıma gibi bir dizi sorun için doğruluk açısından
insani performans seviyelerine ulaşarak ve hatta bunları aşarak endüstrilerde, ka-
mu hizmetlerinde ve toplumda devrim yaratma potansiyelini göstermiştir (Ange-
lov, vd., 2021). Son yıllarada en yaygın teknoloji olarak kabul edilmektedir. Inter-
national Data Corporation (IDC) tarafından hazırlanan bir rapora göre, küresel
yapay zekâ harcamalarının 2023'te yaklaşık 100 milyar Amerikan dolarına ulaşa-
cağı tahmin etmektedir. Bu rakam 2019'daki 37,5 milyar Amerkan doları olan har-
camanın iki katından fazladır (IDC, 2020).
- 125 -
2. Akıllı Kentlerde Yapay Zekânın Kullanım Alanları
Akıllı kentler, artan kentleşmeyi, enerji tüketimini verimli bir şekilde yönetmeyi,
yeşil bir çevreyi korumayı, vatandaşlarının ekonomik ve yaşam standartlarını iyi-
leştirmeyi ve modern bilgi ve iletişim teknolojilerini verimli bir şekilde kullanma
ve benimseme konusunda insanların yeteneklerini artırmayı amaçlamaktadır. Akıl-
lı kent konseptinde, bilişim teknolojileri, politika tasarımı, karar, uygulama ve
nihai üretken hizmetlerde hayati bir rol oynamaktadır (Ullah, vd., 2020).
Akıllı kentlerde daha fazla akıllı çözüm kullanıldıkça, siber güvenlik sorunu daha
ciddi hale gelmektedir. Geleneksel siber saldırılar sistemin açıklarını araştırabilir
ve sistemi istila etmek için bunlardan yararlanabilirken, akıllı kentlerde herhangi
bir zayıflık tüm sisteminin istila edilmesine neden olabilir (Jia, vd., 2023). Bu bağ-
lamda, yapay zekâ teknolojisi, akıllı kentlerde siber güvenliğin sağlanması için
önemli avantajarlar sahiptir (Lin, vd., 2023). Bu avantajlar;
 Veri veya kurallara dayalı olarak çalışır;
 Kendi öğrenir ve kendini eğitir;
 İnsandan daha derin analiz yapabilir;
 Daha yüksek hız (60 kata kadar);
 Zaman alıcı araştırma görevlerini hızlı bir şekilde tamamlar;
 Asla takılmaz;
 Her zaman bir sonuç verir;
 Siber tehditleri ve siber risk seviyelerini daha iyi anlar;
 Anahtar kararları daha hızlı alır;
 Algılanan bir tehdide karşı tedbirleri daha iyi koordine eder;
 Hemen hemen her yerde kullanılabilen ölçeklenebilir kurumsal düzeyde
güvenlik (bulut teknolojileri) önlemleri mevcuttur;
 "Sıfır güven (zero trust)" ilkesi doğrultusunda çözümleri yaratıcı bir şekil-
de tamamlar.
Yapay zekâ teknolojisi kullanılarak akıllı kentin farklı alanlarında çözümler ve
yenilikler hayata geçirilmektedir. Herath ve Mittal (2022), yaptıkları çalışmada bu
alanları; hareketlilik, eğitim, sağlık hizmeti, çevre, yönetişim, yaşam ve altyapı,
ekonomi olarak kategorize etmiştir (Bkz. Tablo 1.). Hareketlilik alanında, trafik
yönetimi, otonom ve sürdürülebilir hareketlilik; eğitim alanında, sanal gerçeklik
- 126 -
tabanlı öğrenme platformları; sağlık alanında tıbbi süreçlerin izlenmesi, teşhis ve

tedavi; çevre alanında hava kalitesi izleme ve atık yönetimi; yönetim alanında, afet
önleme ve yönetimi; yaşam ve altyapı alanında, akıllı güvenlik ve akıllı ev sistem-
leri; ekonomi alanında ise, akıllı tedarik zincirleri ve akıllı paylaşım hizmetleri ön
plana çıkmaktadır.
Tablo 1. Yapay Zekâ Teknolojisinin Akıllı Kentlerde Kullanım Alanları
Akıllı Kent Tanım Yenilikler

Alanı
Hareketlilik Akıllı ulaşım ağı, otonom ve sür- Trafik yönetimi, otonom ve sürdü-
dürülebilir bir yapıyı içeren sis- rülebilir hareketlilik, tedarik zinciri
temdir. esnekliği, akıllı yönlendirme ve
park etme
Eğitim Akıllı eğitim, gelişmekte olan Akıllı sınıf, sanal gerçeklik tabanlı
dijital yerli nesillerin ihtiyaçlarına öğrenme platformları, öğrenci
göre uyarlanmış bir öğrenme takip yönetimi, özel ihtiyaçları
paradigmasıdır. olan öğrenciler için öğrenme araç-
ları, akıllı kütüphane
Sağlık hizmeti Akıllı sağlık hizmetleri, verilere Akıllı hastane, akıllı sağlık takibi,
sürekli olarak erişmek ve insan- E-sağlık kaydı, uzaktan hasta izle-
ları, kaynakları ve kurumları me, pandemi tahminleri
birbirine bağlamak için giyilebilir
teknoloji, nesnelerin interneti ve
mobil interneti kullanan bir sağ-
lık hizmeti sağlama yöntemidir.
Çevre İnsanların çevrelerini daha iyi Hava kalitesi izleme, dava durumu
anlamalarını ve yönetmelerini izleme, atık yönetimi, su yöneti-
sağlamak için entegre sensörler, mi, akıllı sulama, fotovoltaik
ekranlar ve bilgisayar cihazlarıyla
bir ortam yaratma konseptidir.
Yönetişim Akıllı yönetişim, yönetim kuru- E-devlet, karar alma politikaları,
luşlarında karar verme ve plan- afet önleme ve yönetimi, kentsel
lamayı geliştirmek için teknoloji planlama
ve yeniliğin uygulanmasıdır.
- 127 -
Yaşam ve Akıllı yaşam, kentin altyapısını Akıllı bina, akıllı ev, akıllı eğitim,
Altyapı kullanırken aynı zamanda insan- akıllı turizm, akıllı güvenlik
ların yaşam kalitesini artıran bir
yaklaşımdır.
Ekonomi Akıllı bir ekonomi, başarı faktör- Akıllı iş, E-ticaret, perakende, akıllı
leri olarak teknik yenilik, sürdü- alışveriş, eşler arası pazar yeri,
rülebilirlik, yüksek düzeyde sos- eşler arası işgücü hizmetleri, akıllı
yal refah ve kaynak verimliliğine tedarik zincirleri, akıllı paylaşım
odaklanan bir ekonomidir. hizmetleri
Kaynak: (Herath ve Mittal 2022)
Yeni teknolojik devrim ve yeni sanayi devriminin ivme kazandığı bilinmektedir.

Her yerde bulunan ağlar, veri odaklılık, paylaşılan hizmetler, sınır ötesi entegras-
yon, otomatik zekâ ve kitlesel inovasyon ile karakterize edilen yeni yapay zekâ
çağının yaklaştırmaktadır. Yeni yapay zekâ teknolojilerinin internet teknolojileri,
yeni nesil bilgi teknolojileri, yeni enerji teknolojileri, malzeme teknolojisi ve biyo-
teknoloji ile hızlı bir şekilde geliştirilmesi ve kaynaştırılması bu yeni dönemin
önemli bir parçasıdır ve bu da modellerin, araçların ve ekosistemlerin ulusal eko-
nomiye, refaha ve ulusal güvenliğe uygulanması açısından oyunun kurallarını de-
ğiştirecek şekilde dönüştürülmesini sağlamaktır. Akıllı kentler, akıllı tıbbi bakım,
akıllı ulaşım, akıllı lojistik, akıllı robotlar, sürücüsüz araçlar, akıllı telefonlar, akıllı
oyuncaklar, akıllı topluluklar ve akıllı ekonomilerin sürekli evrimi, hem yapay
zekâ teknolojilerinin hem de uygulamalarının yeni gelişimi açısından geniş bir
pazar talebi ve itici güç sağlamaktadır (Li, vd., 2017).
Teknoloji, hayatın farklı alanlarında dönüşümü mümkün kılmış ve insanların ve
kentsel sistemlerin birbirine bağlılığı, insanların yaşama ve etkileşim kurma şekli-
ni değiştirmiştir. Teknoloji, verilerin çeşitli biçimlerde toplanmasına, depolanma-
sına, analizine ve yorumlanmasına izin verdiği için, kentsel doku için dikkate de-
ğer pek çok fayda sağlanmıştır. Verilerin yapay zekâ aracılığıyla işlenmesi, sağlık
ve elverişli ortamlar aracılığıyla insanların kentsel kirlilik ve trafik sıkışıklığı so-
runları olmadan daha iyi koşullarda yaşamasını sağlayabilir. Ayrıca, bu teknoloji
sayesinde yapılı ortamın akıllı ve duyarlı hizmetleri, hem uygun maliyetle hem de
gerçek zamanlı olarak dijital olarak desteklenmektedir. Verilerin ve modern tekno-
lojilerin okunmasıyla ortaya çıkan kentsel yönetişim kararları daha verimli, vatan-
daş odaklı ve sürdürülebilir özelliktedir (Allam ve Dhunny, 2019).
- 128 -
Öğrenme, akıl yürütme ve algılama yapay zekânın ana hedefleridir. Bu kavram

halihazırda tıbbi teşhis, robot kontrolü, elektronik eğitim, finans, uzaktan algılama,
optik karakter tanıma, bilgisayar görüşü, sanal gerçeklik, görüntü işleme, oyun
teorisi, semantik web ve daha pek çok alanda kullanılmaktadır. Akıllı kentlerin
geliştirilmesinde kapsamlı hale getirilmektedir. Yapay zekâ, insanların kenti nasıl
kullandıklarını öğrenmektedir. Sonrasında yapay zekâ görüntü tanıma teknolojisi,
toplu taşımada bilet satışları, emniyet raporları, yollardaki sensörler ve hava du-
rumu istasyonları gibi devasa ham veri kaynaklarını yönetmek için önemli ölçüde
kullanılmaktadır. Bu ham verinin kaynağını artırmak için devlet mülkü ve altyapı-
sında milyarlarca kamera konuşlandırılmaktadır (Navarathna ve Malagi, 2018).
Yapay zekâ uygulamaları, son yıllarda kentsel peyzajı yeniden şekillendirebilecek
sorunları çözmek için makinelere güç veren ve yeni bir akıllı kent çağının kurul-
masına yardımcı olan bir araç olarak kullanılabilir. Yapay zekânın yeniden tanım-
layabileceği kilit alanlardan biri ulaşımdır. Hareketliliğin sağlanması ve bunun
kentsel gelişim üzerindeki etkisi, genel olarak akıllı ulaşım sistemlerinin ve özel
olarak da otomatikleştirilmiş ulaşımın kullanılmasıyla önemli ölçüde iyileştirilebi-
lir. Yapay zekâ tabanlı hareketliliğin bu yeni türü, makine yönelimli olmasına rağ-
men, insan kullanıcıyı, piyasaları ve toplumu bir bütün olarak “anlayan” ve
“memnun eden” kullanıcı merkezli bir teknoloji olmalıdır. Bu geçişin başlaması
için güven inşa edilmeli ve riskler ortadan kaldırılmalıdır. İnsansız hava araçları
istihbarat, gözetleme ve keşif, sınır devriyesi, hedef belirleme, saldırı ile mücadele,
sivil güvenlik kontrolü, kolluk uygulamaları, çevresel izleme, ölçme ve jeo-
uzamsal faaliyetler, uzaktan algılama ile ilgili görevleri destekleyebilir. Bu görev-
lerin yanında yapay zekâ ile havadan haritalama, hava durumu izleme, orman yan-
gını algılama, trafik kontrolü, kargo taşımacılığı, kaza raporlama, acil durum ara-
ma ve kurtarma, afet kontrolü ve yönetimi, kablosuz kapsama alanı, bulut desteği
işlemleride başarılı bir şekilde gerçekleştirilmektedir. Bu görevlerin çoğu, akıllı bir
kentin günlük işlevselliğini ve çalışabilirliğini yansıtan ve etkileyen barometreler-
dir (Nikitas, vd., 2020).
Kentler günümüzde elektriğin en büyük tüketicileridir. Kentlerde tüketilen enerjiyi
sürdürülebilir hale getirmek için tasarlanan enerji yönetim sistemleri, enerji israfı-
nın azaltılmasına yönelik umut verici bir çözümdür (Mischos, Dalagdi ve Vrakas,
2023). Enerji tüketimi, bıraktığı çevresel ayak izi ve küresel ısınmanın etkileri
arasında var olan korelasyon göz önüne alındığında, enerji sürdürülebilirliği, en-
düstri, karar vericiler ve toplum dahil olmak üzere paydaşların önündeki temel
sorulardan biri olarak ortaya çıkmaktadır. Eski elektrik altyapısının akıllı şebekey-
- 129 -
le değiştirilmesinin dünya çapındaki bu sorunu çözmenin en etkili yolu olabileceği

konusunda fikir birliği vardır. Mikro şebekeler genellikle jeneratörler veya yenile-
nebilir rüzgar ve güneş enerjisi kaynakları tarafından desteklenir ve genellikle ye-
dek güç sağlamak veya talebin yoğun olduğu dönemlerde ana güç şebekesine des-
tek sağlamak için kullanılır. Yerel rüzgar veya güneş kaynaklarını entegre eden bir
mikro şebeke stratejisi, temel hizmetler için yedeklilik sağlayabilir ve ana şebekeyi
yerel felaketlere karşı daha az duyarlı hale getirebilir. Teknik açıdan bakıldığında
yapay zekâ tekniklerinin enerji kaynaklı karmaşık sorunları modelleme ve optimi-
ze edilmiş çözümleri simüle etme kapasitesi yüksektir (Chui, vd., 2018).
Eğitim sektöründe yapay zekânın bir süper bilgisayar olarak geleneksel anlayışının
ötesine geçerek gömülü bilgisayar sistemlerini içerecek şekilde iyileştirilmesi ya-
pay zekânın kullanımı arttırmıştır. Örneğin robotlara, yapay zekâya veya bilgisa-
yarlara yerleştirilmiş ve destekleyici ekipmanlar, eğitimin en temel birimi olan
erken çocukluk eğitiminden itibaren öğrencinin öğrenme deneyimini geliştiren
robotların oluşturulmasına olanak sağlamıştır (Chen, Chen ve Lin, 2020).
Yapay zekâ sistemlerinin kullanılmasıyla birlikte sağlık kuruluşlarının idari ve
tıbbi süreçleri hızla değişiyor. Bu değişiklik, yapay zekânın birçok faaliyette, özel-
likle de erken teşhis ve teşhisle ilgili tıbbi süreçlerde kritik etkisini göstermektedir.
Yapay zekânın, tıbbi ve ilgili idari süreçlerin doğruluğu, verimliliği ve zamanında
yürütülmesi açısından insanlardan önemli ölçüde daha iyi performans göstermeye
devam ettiği belirlenmiştir (Ali, vd., 2023). İlaç tasarımı ve geliştirme alanında
ortaya çıkan düşük etkinlik, hedef dışı teslimat, zaman tüketimi ve yüksek maliyet,
ilaç tasarımını ve keşfini etkileyen bir engeller ve zorluklara karşı çözüm üretmede
yapay zekâ teknolojisi çok önemli bir rol oynamaktadır (Gupta, vd., 2021).
Akıllı kent projesinde, akıllı ulaşım, siber güvenlik, akıllı şebekeler ve insansız
hava aracı destekli yeni nesil iletişim gibi çeşitli sektörler hayati bir rol oynamak-
tadır. Akıllı bir kentin önceki tüm sektörleri, bir akıllı kent projesinde verimlilikle-
rini ve ölçeklenebilirliklerini artırabilen büyük veri analitiğinden ve yapay zekâ,
makine öğrenimi ve derin pekiştirme öğrenimi tabanlı tekniklerin etkin kullanı-
mından büyük ölçüde etkilenmektedir (Ullah, vd., 2020).
Teknolojik yeniliklerin avantajlarının yanında bir dizi gereksinim ve zorlukta mev-
cuttur. Akıllı bir kentin, çok çeşitli gereksinimleri karşılayan ve destekleyen, geliş-
miş sensörler, ölçüm ve analiz araçları ile makine öğrenimi ve yapay zekâ tarafından
yönlendirilen çözümler gibi yeni teknolojilere uyum sağlayabilen, standartlara dayalı
bilgi teknolojisi altyapısının temeline ihtiyacı vardır (Lai, vd., 2020).
- 130 -
Yapay zekâ, akıllı kentlerin gelişiminde önemli bir rol oynamakta ve finans, sağ-
lık, güvenlik, tarım, ulaşım, eğitim ve üretim gibi farklı hizmetlere faydalar sun-
maktadır. Beklenen faydalara rağmen, kısmen akıllı bir kentin yapay zekâyı be-
nimsemesini önleyebilecek engeller nedeniyle yapay zekanın benimsenmesi bir
akıllı kentten diğerine farklılık göstermektedir (Rjab, Mellouli ve Corbett, 2023).
Yapay zekânın akıllı kentlerde uygulanrken karşılaşılan engeller şu şekildedir;
 Gizlilik sorunları; vatandaşların kişisel verilerinin izinleri olmadan top-
lanması, analiz edilmesi, paylaşılması ve kullanılmasıyla ilgilidir.
 Siber güvenlik sorunları; yapay zekâ algoritmalarının siber saldırılara veya
diğer güvenlik tehditlerine karşı savunmasızlığı ve yapay zeka algoritma-
larının hacklenebilecek girdi verilerine bağımlılığıyla ilgilidir.
 Yapay zekanın açıklanabilirliğinin eksikliği; yapay zekâ teknolojilerinin,
büyük veri kümelerinin gözlemlenmesi, toplanması ve analiz edilmesinden
kaynaklanan deneyime dayanarak, açık bir yeniden programlama olmaksı-
zın davranışlarını değiştirme yeteneği ile ilgilidir.
 Yapay zekâ teknolojilerinin yıkıcı doğası; yapay zekâ teknolojisinin, ya-
pay zekânın endüstrileri, mevcut pazarları veya tüm iş piyasalarını, iş sü-
reçlerini ve toplumumuzu önemli ölçüde değiştirme yeteneğinde kendini
gösteren yıkıcı bir doğası vardır.
 Tekillik sorunları; yapay zekânın insan zekâ kapasitesini aştığı ve bu güçle
yapay zekânın insanlığı köleleştirmeye veya ortadan kaldırmaya karar
vermesi etik konularla ilgilidir.
 Karar verme sorunları; akıllı kentlerde akıllı asistanlar veya karar verme
algoritmaları gibi yapay zekâ uygulamalarının kullanılması, yapay zekâ
kararlarının sonuçlarına ilişkin yanlış kararlar, ayrımcılık ve hesap verebi-
lirlik sorunları gibi ciddi sorunlar doğurabilmektedir.
 Mali kaynak eksikliği; yeterli mali kaynağa sahip olmayan akıllı kentin
yapay zekâ yatırımı yapamadığı, yatırım kararını zorlaştıran ve derinleme-
sine çalışmalar gerektiren yapay zekâ teknolojilerinin yüksek maliyetiyle
ilgilidir.
19. yüzyıldan beri kentsel planlama çalışmalarında, kentin ekonomik olarak nasıl
işlediği ve kentin sosyal eşitlik açısından nasıl organize edildiği, hangi alanlarda
yaşam kalitesini artıracak düzenlemeler gerektiği gibi sorulara cevaplar aranmak-
tadır. Diğer yazarların aksine Batty (2018)’e göre kentsel planlama çalışmalarında
belirlenen hedeflere ulaşmak için kentin uzun vadeli gelişimi için herhangi bir plan
- 131 -
üretmenin bazı zor seçimleri var ve bu tür bir planlamada yer alan tasarım ve karar
vermenin yerini bir yapay zekânın aldığını görmek zordur. Çok çeşitli faktörler ve
ilgili belirsizlikler, herhangi bir mevcut yapay zekâ teknolojisi kullanılarak otoma-
tikleştirilemez, ancak belirsizliklerle başa çıkan bazı sınırlı yapay zekâ türlerinin,
zekânın insan tasarımı tarafından üretilenden daha üstün olacak şekilde üretilmesi
mümkündür (Batty, 2018).
Batty gibi Cugurullo (2020)’ de yapay zekânın olası tehditlerini vurgulamaktadır.
Cugurullo’a göre, kentsel yapay zekâ uygulamaları, kentlerde faaliyet gösteren,
çevredeki kentsel çevre hakkında bilgi edinme ve anlamlandırma yeteneğine sahip
ve sonunda edinilen bilgiyi rasyonel hareket etmek için kullanılmaktadır. Kentsel
yapay zekâ uygulamaları otonom olarak çalışmaktadır. Denetimsiz bir şekilde ka-
rarlar almakta bu nedenle ilkel bir düşünce biçimi sergilemekte ve kentlerde radi-
kal değişiklikleri tetikleyebilecek eylemlerde bulunmaktadır.
Sonuç
Sensörler, mobil uygulamalar, internet siteleri, oyunlar, sosyal medya hesapları,

bankacılık işlemleri gibi çeşitli araçlardan toplanan büyük miktarda veriler yapay
zekâ teknolojisi aracılığıyla işlenerek ve yorumlanarak geleneksel yöntemlerle
çözülmesi zor hatta imkansız olan problemleri kısa sürede ve isabetli olarak çö-
zümlenmektedir. Yapay zekânın bir diğer işlevi verilen görevleri yerine getirmek-
tir. Yapay zeka teknolojisi ile geliştilen yazılımlar ve donanımlar sayesinde duru-
ma göre anlık karar alınmakta ve uygulanmaktadır. Akıllı kentlerde; eğitimden
sağlığa; ulaşımdan çevre yönetimine; turizimden güvenliğe; geniş yelpazede haya-
tın bir çok alanda yapay zekâ teknolojisine dayalı uygulamalar geliştirilmektedir.
Kent yöneticileri yapay zekâya yönelik olarak geliştirilecek stratejilerin ilk adımı
diğer kentlerde uygulanıp başarı sağlanan projeleri denemek olabilir. Daha sonraki
aşamada ise, bütçe dengesi gözetilerek, yaşam kalitesini arttıracak, kalıtımı teşvik
edecek, maliyetleri azaltacak, karar verme süreçlerini optimize edecek yenilikçi
projeler için çalışmalar yürütülebilir. Belediye bütçelerinin yetersiz kaldığı haller-
de ise, genel bütçe planlamasında yapay zekâ ile ilgili geliştirilen projelere bütçede
daha fazla kaynak ayrılabilir. Teşvik benzeri uygulamalar ile bu alanada yapılacak
çalışmaların sayısı artırılabilir. Ayrıca hayata geçirilecek yasal ve yönetsel düzen-
lemeler ile büroktik süreçlerin hızlandırılması için adımlar atılabilir.
Teknolojik yeniliklerin faydasının maksimize edilebilmesi için sistem tasarlayanla-
rın, kent yöneticilerinin ve ilgili departmalarda çalışan/çalışacak kişilerin bilgi
- 132 -
düzeyinin yüksek olması gereklidir. Karar verme, uygulama, değerlendirme süreç-

lerinde yer alan/alacak kişilere yapay zekâ teknolojisinin teorik çerçevesi ve uygu-
lamaları hakkında bilgilendirme eğitimleri verilmesi sürecin daha başarılı yürü-
tülmesi açısından oldukça önemlidir.
Yapay zekâ teknolojisinin tasarlanması ve uygulanması kadar önemli bir diğer
hususta kullanıcıların projeleri benimsemeleri, projeye yönelik çekincelerinin ol-
maması ve dijital okur yazarlık seviyelerinin yüksek olmasıdır. Bu bağlamda kul-
lanıcıların dijital okuryazalık seviyesinin yükseltilmesi için yeni nesil teknolojilere
yönelik olarak farkındalık çalışmasılarının yürütülmesi, seminerlerin düzenlenme-
si, yarışmaların yapılması önemlidir. Güvenlik ve veri ihlali konusunda ortaya
çıkan çekincelerin giderilmesi veya azaltılması için ise, güçlü bir siber güvenlik alt
yapısı oluşturulmalıdır.
KAYNAKÇA
Allam, Z., & Dhunny, Z. A. (2019). On big data, artificial intelligence and smart cities.
Cities, 89, 80-91.
Ali, O., Abdelbaki, W., Shrestha, A., Elbasi, E., Alryalat, M. A. A., & Dwivedi, Y. K.
(2023). A systematic literature review of artificial intelligence in the healthcare
sector: Benefits, challenges, methodologies, and functionalities. Journal of Inno-
vation & Knowledge, 8(1), 100333.
Angelov, P. P., Soares, E. A., Jiang, R., Arnold, N. I., & Atkinson, P. M. (2021). Explainab-
le artificial intelligence: an analytical review. Wiley Interdisciplinary Reviews:
Data Mining and Knowledge Discovery, 11(5), e1424.
Batty, M. (2018). Artificial intelligence and smart cities. Environment and Planning B:
Urban Analytics and City Science, 45(1), 3-6.
Borana, J. (2016), “Applications of artificial intelligence and associated technologies”,
International Conference on Emerging Technologies in Engineering, Biomedical,
Management and Science [ETEBMS-2016], Jodhpur National University, Jod-
hpur, India.
Chen, L., Chen, P., & Lin, Z. (2020). Artificial intelligence in education: A review. Ieee
Access, 8, 75264-75278.
Chui, K. T., Lytras, M. D., & Visvizi, A. (2018). Energy sustainability in smart cities: Arti-
ficial intelligence, smart monitoring, and optimization of energy consumption.
Energies, 11(11), 2869.
Cugurullo, F. (2020). Urban artificial intelligence: From automation to autonomy in the
smart city. Frontiers in Sustainable Cities, 2, 38.
- 133 -
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Arti-
ficial intelligence to deep learning: machine intelligence approach for drug disco-
very. Molecular diversity, 25, 1315-1360.
Hamet, P., & Tremblay, J. (2017). Artificial intelligence in medicine. Metabolism, 69, S36-
S40.
Herath, H. M. K. K. M. B., & Mittal, M. (2022). Adoption of artificial intelligence in smart
cities: A comprehensive review. International Journal of Information Manage-
ment Data Insights, 2(1), 100076.
IDC (2020) Worldwide spending on artificial intelligence systems will be nearly 98 billion
dollars in 2023. https://www.idc.com/getdoc.jsp?containerId=prUS45481219. Eri-
şim Tarihi: 12 Ağustos 2023.
Jia, Y., Gu, Z., Du, L., Long, Y., Wang, Y., Li, J., & Zhang, Y. (2023). Artificial intelligence
enabled cyber security defense for smart cities: A novel attack detection fra-
mework based on the MDATA model. Knowledge-Based Systems, 276, 110781.
Jiang, Y., Li, X., Luo, H., Yin, S., & Kaynak, O. (2022). Quo vadis artificial intelligence?.
Discover Artificial Intelligence, 2(1), 4.
Kayid, A. (2020). The role of Artificial Intelligence in future technology. Department of
Computer Science, The German University in Cairo.
Lai, C. S., Jia, Y., Dong, Z., Wang, D., Tao, Y., Lai, Q. H., ... & Lai, L. L. (2020). A review
of technical standards for smart cities. Clean Technologies, 2(3), 290-310.
Li, B. H., Hou, B. C., Yu, W. T., Lu, X. B., & Yang, C. W. (2017). Applications of artificial
intelligence in intelligent manufacturing: a review. Frontiers of Information Tech-
nology & Electronic Engineering, 18, 86-96.
Lin Y. Yang R. Shimoda R. Xian Z. Liu S.(2023). Unveiling the Role of Zoos in Smart
Cities: A Quantitative Analysis of the Degree of Smartness in Kyoto City Zoo.
Land, 12(9):1747. https://doi.org/10.3390/land12091747.
Luckey, D., Fritz, H., Legatiuk, D., Dragos, K., & Smarsly, K. (2021). Artificial intelligen-
ce techniques for smart city applications. In Proceedings of the 18th International
Conference on Computing in Civil and Building Engineering: ICCCBE 2020 (pp.
3-15). Springer International Publishing.
Mischos, S., Dalagdi, E., & Vrakas, D. (2023). Intelligent energy management systems: a
review. Artificial Intelligence Review, 1-40.
Minh, D., Wang, H. X., Li, Y. F., & Nguyen, T. N. (2022). Explainable artificial intelligen-
ce: a comprehensive review. Artificial Intelligence Review, 1-66.
Rjab, A. B., Mellouli, S., & Corbett, J. (2023). Barriers to artificial intelligence adoption in
smart cities: A systematic literature review and research agenda. Government In-
formation Quarterly, 101814.
- 134 -
Navarathna, P. J., & Malagi, V. P. (2018, December). Artificial intelligence in smart city
analysis. In 2018 International conference on smart systems and inventive techno-
logy (ICSSIT) (pp. 44-47). IEEE.
Nikitas, A., Michalakopoulou, K., Njoya, E. T., & Karampatzakis, D. (2020). Artificial
intelligence, transport and the smart city: Definitions and dimensions of a new
mobility era. Sustainability, 12(7), 2789.
Şerban, A. C., & Lytras, M. D. (2020). Artificial intelligence for smart renewable energy
sector in europe—smart energy infrastructures for next generation smart cities.
IEEE access, 8, 77364-77377.
Ullah, Z., Al-Turjman, F., Mostarda, L., & Gagliardi, R. (2020). Applications of artificial
intelligence and machine learning in smart cities. Computer Communications,
154, 313-323.
- 135 -
9. BÖLÜM
YAPAY ZEKÂNIN MUHASEBE VE DENETİMDE

KULLANIMI: FIRSATLAR VE TEHDİTLER
Dr.Öğr.Üyesi Aydın BAĞDAT

Sakarya Uygulamalı Bilimler Üniversitesi
Sakarya Meslek Yüksekokulu, Muhasebe ve Vergi Bölümü
aydinbagdat@subu.edu.tr
ORCID: 0000-0002-0183-9866
Giriş
Ülkeler arasındaki sınırların ortadan kalkması ile küreselleşmenin en üst noktaya

ulaştığı ve yoğun rekabet ortamının söz konusu olduğu günümüz ekonomisinde
işletmeler rakiplerine göre üstünlüklere sahip olma çabası içindedir. Bu üstünlük-
ler üretim sistemlerinde, kalitede, maliyet yönetiminde, pazarlama yönetiminde
veya teknoloji kullanımında olabilmektedir. Günümüzde işletmelerin rekabet üs-
tünlüğü sağlamaları endüstri 4.0 olarak adlandırılan yapay zekâ, nesnelerin inter-
neti, blok zinciri, sanal gerçeklik, bulut bilişim, büyük veri, siber güvenlik gibi
teknolojileri kullanmalarına bağlı hale gelmiştir. Bu teknolojiler tüm sektörlerde
etkili olmuş, yoğun şekilde kullanılmaya başlanmış ve yeni iş modellerinin de or-
taya çıkmasını sağlamıştır.
Yapay zekâ (YZ) da tüm sektörlerde etkisini gösteren Endüstri 4.0 teknolojilerinden
biridir. Günümüzde yapay zekâ teknolojisi eğitim, pazarlama, tıp, adalet, basın gibi
sektörlerin vazgeçilmezi haline gelme yolundadır. Örneğin yapay zekâ destekli gö-
rüntülü, sesli veya soru-cevap şeklinde eğitim programları, Amazon şirketinin kasi-
yersiz mağazaları, ünlü mağazalar tarafından kullanılan yapay zekâ satış danışman-
ları, yapay zekâ destekli tedavi ve tıbbi operasyonlar, yapay zekâ avukatlar ve TV
spikerleri yaşam içinde sıkça karşılaştığımız uygulamalardır (Yücel ve Adiloğlu,
2019: 49). Yapay zekânın önemli bir özelliği, bilgi sistemlerinin geliştirilmiş oto-
masyonu ve optimizasyonu ile bilgi sistemlerinin istihbarat sistemlerine dönüştü-
- 137 -
rülmesi için bir köprü sağlamasıdır. YZ sistemleri, insanlara benzer şekilde öğren-
me, akıl yürütme, uyum sağlama, tespit etme, tahmin etme ve görevleri gerçekleş-
tirme özelliklerine sahiptir (Kommunuri, 2022). Üretim sistemlerinde de yapay zekâ
teknolojinin kullanımı sayesinde makineler arası iletişim kurulması ile insan müda-
halesinin olmadığı karanlık fabrikalar ve akıllı fabrikalar kurulmaktadır.
Yapay zekâ teknolojileri, rutin görevleri otomatikleştirerek, veri analizi yetenekle-
rini geliştirerek, karar verme süreçlerini iyileştirerek ve riskleri azaltarak gelenek-
sel muhasebe uygulamalarında önemli bir dönüşüm potansiyeline sahiptir. Yapay
zekâ sistemleri çok büyük miktarda finansal veriyi analiz edebilir, hataları ve
anormallikleri tespit edebilir, gerçek zamanlı bilgiler sağlayabilir ve kaynak tahsi-
sini optimize edebilir. Bu sayede muhasebe ve denetim süreçlerinde verimliliği
artırarak, doğru bilgi üretme işlevine önemli bir katkı sunabilmektedir (Ibrahim,
2023: 34). YZ, muhasebe ve denetim çalışmalarında insanın müdahalesini en aza
indirmek suretiyle, önceden oluşturulmuş olan veriyi otomasyon müdahalesi ile
hatasız olarak yeni şekline getirme veya kontrol etme işlevlerini üstlenmektedir.
Çalışmanın amacı, yapay zekâ teknolojisinin muhasebe mesleğinin belge düzen-
leme, kaydetme, raporlama, analiz ve bildirim süreçleri ile denetimin kontrol ve
inceleme çalışmalarına etkisini ortaya koymaktır. Bu kapsamda çalışmada öncelik-
le YZ kavramsal açıdan incelenerek, gelişim süreci değerlendirilecektir. Daha son-
ra YZ teknolojisinin muhasebe ve denetim süreçlerine etkisi hem günümüz hem de
gelecek perspektifinden ele alınacaktır.
1. Yapay Zekânın Kavramsal Çerçevesi ve Gelişimi
Yapay zekâ (YZ), bilgisayarların daha önce insanlara bırakılan karara dayalı gö-
revleri gerçekleştirmesini sağlayan teknoloji olarak ifade edilebilir. Endüstri 4.0
sürecinin önemli teknolojilerinden biri olan, günümüzde neredeyse tüm iş süreçle-
rini etkisi altına alan ve kullanan işletmelere rekabet üstünlüğü sağlayan bir tekno-
loji konumundadır. YZ, kullanımı arttıkça analiz ve karar vermede giderek daha
iyi hale gelebilen, makine tabanlı öğrenme ile farklı ifadeleri, sesleri ve dilleri an-
layabilme özelliğine sahip, konuşma tabanlı teknoloji de dahil olmak üzere birçok
biçimde uygulanması mümkün olan bir teknolojidir.
Yapay zekâ, makinelere insan gibi düşünebilme yeteneği kazandırılması olarak
tanımlanabilir. Örneğin Chess and Go sistemleri ve sürücüsüz arabalar yapay zekâ
ile çalışan karar verme yeteneğine sahip olan araçlar olarak adlandırılmaktadır
(Issa vd., 2016: 1). Oxford İngilizce sözlüğü yapay zekâyı ‘‘bilgisayarların veya
- 138 -
- Yapay Zekânın Muhasebe ve Denetimde Kullanımı: Fırsatlar ve Tehditler -
diğer makinelerin akıllı davranış sergileme veya simüle etme kapasaitesi’’ olarak
tanımlamaktadır (Munoko, Brown Liburd ve Vasarhely, 2020: 211). Bilgi teknolo-
jisinde yapay zekânın temel uygulama alanlarından bazıları şunlardır (Damerji ve
Salimi, 2021):
 Veri güvenliğine yönelik tehditleri algılayıp karşılayabilen akıllı bir sistem
oluşturarak veri güvenliği sağlamak.
 Daha verimli, daha etkin, hatasız ve daha iyi bilgi sistemleri oluşturarak,
elde edilen verilere ilişkin daha fazla bilgi sağlamak.
 Yapılacak işleri otomatikleştirmek için süreç otomasyonu kurmak. Bu sa-
yede zaman ve maliyet tasarruf sağlamak.
Ayrıca YZ, öğrenme, akıl yürütme, uyum sağlama ve insanlara benzer görevleri
yerine getirme yeteneğine sahip akıllı sistemlerdir. Bilgi teknolojisi sistemleri, bir
bilgi parçası olarak en iyi çıktıyı iletmek için verileri yakalamak, depolamak, ana-
liz etmek ve değerlendirmekle ilgili iken, YZ sistemleri ise daha akıllı olan ve in-
san gibi düşünerek karar verebilen sistemler olarak kabul edilmektedir.
Bizarro ve Dorian (2017) “Yapay Zeka: Denetimin Geleceği” başlıklı makalesin-
de, çevresel güçlerin yapay zekanın denetimde kabul edilmesini ve entegrasyonu-
nu yönlendirmeye devam edeceğini belirtmektedir. Yapay zekâ, öğrenebilen, akıl
yürütebilen ve insanlar gibi çalışabilen akıllı sistemler oluşturmaya odaklanmakta-
dır (Soulpage, 2020). Bilgi teknolojisi genel olarak karar vermek için çok sayıdaki
veriyi toplayarak, analiz etmektedir. YZ, geleneksel bilgi sistemlerinden daha akıl-
lı kabul edilmekte ve bilgi sistemlerinin akıllı sistemlere dönüştürülmesi için bir
köprü sağlayarak, bilgi sistemlerinin daha fazla otomasyonu ve optimizasyonuyla
sonuca ulaşmaktadır (Damerji ve Salimi, 2021).
Yapay zekâ, teknolojinin düşünebildiği, öğrenebildiği, görevleri zekâyla yerine
getirebildiği ve insan zekâsını taklit edebildiği kapsayıcı bir terimdir. YZ, “akıllı
makineler yapma ve makinelerde insan benzeri zekâyı benimseme bilimi ve mü-
hendisliğidir. Bir sistemin verilen verileri doğru şekilde yorumlama, bu verilerden
öğrenme ve bu öğrendiklerini belirli hedeflere ulaşmak için kullanma yeteneğini
gösterir” (Kommunuri, 2022). YZ, bir sistemin dış verileri doğru şekilde yorum-
lama, bu tür verilerden öğrenme ve esnek adaptasyon yoluyla bu öğrenmeleri be-
lirli hedeflere ve görevlere ulaşmak için kullanma yeteneği olarak tanımlanabilir
(Kaplan ve Haenlein, 2019: 17). Aslında YZ ile, insan gibi düşünebilen ve karar
verme yeteneğine sahip olan bir teknolojiye ulaşmak hedeflenmektedir.
- 139 -
Yapay zekâ, günümüzde yeni olan bir kavram olmayıp, MGI (McKinsey Global
Institute) tarafından hazırlanan ‘‘Artificial Intelligence The Next Digital Fron-
tier?” adlı araştırmaya göre, yapay zekâ fikri Alan Turing’in bir makinenin, bir
insanı kendisinin de bir insan olduğuna ikna edebilecek kadar iyi iletişim kura-
bileceğini ilk ortaya attığı 1950 yıllarına kadar dayanmaktadır” (Bughin vd.,
2017). Alan Turing 1930’lu yıllarda yaptığı çalışmalarla karmaşık matematiksel
hesapları yapan Turing hesap makinesini icat etmiş ve o dönemde bilgisayar
biliminin kurucusu olmuştur (Tekbaş, 2019). Ayrıca yapay zekâ adından ilk kez
20. yüzyılın ortalarında yapılan Dartmouth Konferansı’nda söz edilmiş ve kav-
ram tartışılmıştır. Yapay zekânın ilk tartışıldığı dönemdeki tasarımı makine öğ-
renme teorisine dayanan, satranç gibi bir oyunda rakiplere karşı savaşma ve ka-
zanmaya çalışma yeteneğine sahip olan mekanik bir süreçtir. Ardından biyonik
tabanlı yapay zekânın ortaya çıkması, endüstride değişim getirerek, üretimdeki
maliyetlerin büyük ölçüde azalmasını sağlamış, ancak tam olarak yapay zekâya
geçilememiştir. 20. yüzyılın sonunda süper bilgisayar “Blue Gene”in üretilmesi
ile yapay zekâ algoritmalarının da kullanımı konusunda önemli bir adım atılmış-
tır (Kıymetli Şen ve Terzi, 2022: 106). Bu bakımdan yapay zekânın tamamen
gelişmiş bilgisayar sistemlerine bağlı olarak çalıştığı ifade edilebilir. Günümüz-
de de bilgi ve iletişim teknolojilerinin gelişim düzeyi YZ teknolojisinin gelişi-
mini ve iş yapma kabiliyetini değiştirecektir.
Bilgi ve iletişim teknolojilerindeki hızlı gelişme akademik çalışmaları da etkile-
mektedir. YZ konusunda 522 araştırmacı tarafından 2021 yılı sonuna kadar yayın-
lanmış olan 247 makalenin incelendiği araştırmada, yayınların 2015 yılından itiba-
ren artış gösterdiği ve 2020 yılında 59 makale ile önemli bir yükselişin olduğu
ortaya konulmuştur. Ayrıca 6 araştırmacının üçten fazla, 60 araştırmacının da en
az iki yayınlanmış eserinin bulunduğu tespit edilmiştir (Agustí and Orta-Pérez,
2022). Akademik çalışmalarda da son yıllarda yapay zekâ konusuna eğilimin ol-
duğu görülmektedir.
2. Yapay Zekâ ve Muhasebe İlişkisi
Yapay zekâ, birçok alanda olduğu gibi muhasebe işlemlerinde de hem süreçleri
kolay ve otomatik hale getirmekte hem de yeni çalışma modelleri geliştirmekte-
dir. Örneğin faturaları kaydetmeyi otomatik hale getirmekten tedarik takibi sü-
reçlerini kolaylaştırmaya, maliyetlerin etkili yönetiminden iç kontrol süreçlerine
kadar çok çeşitli uygulama alanları bulabilmektedir. YZ uygulamaları, çalışanla-
- 140 -
ra başka işleri yerine getirmek için zaman kazandırmakla birlikte muhasebe iş-
lemlerini otomatikleştirmekte ve operasyonları iyileştirmek suretiyle maliyetle-
rin azalmasına katkı sağlamaktadır (Küçüker, 2023: 878). Bilgi ve iletişim tek-
nolojilerinin işletmelerde tam anlamıyla uygulanması ile birlikte muhasebe ala-
nında uzman personel ihtiyacı artarken, sadece otomatikleşen işlemleri yürüt-
mekte olan personele ihtiyaç ortadan kalkacaktır. Bu bakımdan muhasebe ala-
nında çalışanların yapay zekâ gibi önemli teknolojileri benimsemesi ve meslek-
teki dönüşümü takip etmesi önem arz etmektedir.
2.1. Yapay Zekânın Muhasebede Fırsatları ve Tehditleri

Yapay zekâ teknolojisi, bilgisayarlar aracılığıyla kullanılabilen gömülü çoklu iş-
levler yardımıyla muhasebecilere tanıma, öğrenme, analiz ve akıl yürütme gibi
görevlerde önemli faydalar sağlayacaktır. Bu işlevler, satın alma siparişlerini içe-
ren büyük veri kümelerini veya belgeleri işlemelerine yardımcı olmakta, bazen
veri toplama ve işlemleri kaydetme gibi rutin görevlerde insan çalışanların yerini
almaktadır. Muhasebecilerin günlük olarak uğraşması gereken sıkıcı ve sıradan
görevlerin otomatikleştirilmesi, YZ ve onun alt kümeleri aracılığıyla mümkün
olabilmektedir. Dahası, muhasebe stratejik bir görev haline geldikçe YZ, muhase-
becilerin değer zincirinde yukarılara doğru ilerlemesine ve daha stratejik bir rol
oynamasına olanak tanıyacaktır. Bu nedenle muhasebeciler, daha fazla katma de-
ğerli ve yaratıcı görevleri günlük rutinlerine dahil etmek için mükemmel fırsatlara
sahiptir (Kommunuri, 2022). Muhasebe bilgisi ve deneyimi çok uzun sürede elde
edilebilen uzmanlığa dayalı bilgi türü olduğundan, katma değerli işlerde değerlen-
dirilmesi işletmelerin yönetim karar süreçleri açısından önem arz etmektedir.
Muhasebe süreçlerinde kayıt, raporlama, bildirim gibi işlemlerde YZ ve diğer uz-
man sistemlerin kullanılması, çalışanlara yardımcı olmak için bilgi sistemlerinde
zekâ ve uzmanlık oluşturma fırsatı sunmaktadır. Bu sistemler, kullanıcıların anlık
doğrudan müdahalesi olmadan büyük miktardaki veriyi işleyebilmekte, kullanıcı-
ların işini kolaylaştırabilmekte, kısıtlı zaman içinde çalışanlara yardımcı olabil-
mekte ve sonraki işlemler için verileri değerlendirmek veya aramak için alternatif
modeller geliştirebilmektedir (Moudud Ul Huq, 2014; Özçetin, 2022). Aynı za-
manda YZ insan hatasını ortadan kaldırmaya yardımcı olacağından, muhasebe
süreçleri sonunda oluşturulan muhasebe verisinin ve bilgisinin de güvenilirliği
artacaktır. Muhasebe verileri genellikle kurallara dayalı ve iyi yapılandırılmış ol-
duğundan yapay zekâ modelleri kullanılarak otomatik değerlendirmeye çok uygun
verilerdir.
- 141 -
YZ teknolojisinin muhasebe alanında yaygın olarak kullanılmasıyla birlikte, mes-

lek çalışanlarınca yapılan birçok iş, insan gibi düşünmeye programlanmış makine-
ler tarafından yerine getirilebilecektir. Buna bağlı olarak da muhasebe meslek
mensubu ve personeli yetiştiren eğitim kuruluşlarının müfredatlarını teknolojik
dönüşüme uygun hale getirmeleri zorunlu olacaktır. Bu durum muhasebe mesleği
adına tehdit olarak algılansa da, teknolojik gelişim konusunda kamu destekli uygu-
lamalar sayesinde muhasebe mesleği açısından bir fırsat olarak değerlendirilmek-
tedir (Gacar, 2019: 393). YZ teknolojisinin muhasebe alanında ortaya çıkartacağı
fırsatlar şu şekilde sayılabilir (Gacar, 2019; Uzun, 2020):
 YZ teknolojisi, en az hata ile yüksek kapasiteli hesaplama yeteneği saye-
sinde kayıt, raporlama, analiz gibi muhasebe işlemlerinin eş zamanlı ve
güvenilir şekilde yapılmasını sağlayacaktır. Bu sayede bilgi ve tecrübe
açısından donanımlı olan muhasebe meslek mensupları rutin işler yerine
katma değeri yüksek olan ve uzmanlık gerektiren işlere odaklanabilecek-
tir. Bu durum da muhasebe alanında kalifiye personel ihtiyacını artırabile-
cektir.
 Yüksek veri işleme kabiliyeti sayesinde ve büyük veri teknolojisi desteği
ile yüksek miktarlardaki muhasebe verisinin hızlı şekilde analiz edilerek
faydalı çıkarımlar elde edilmesinde ve işletme karar süreçlerinde etkili
olabilecektir.
 Otomatik kontrol yeteneği sayesinde vergi kayıp ve kaçaklarının hızlı tes-
pitinde ve engellenmesinde etkili olacaktır. Bu sayede devletin vergi gelir-
lerinin artmasına katkı sunacaktır.
 İşletmelerin planlama, kontrol ve denetim faaliyetlerinin daha kolay, daha
hızlı ve daha az maliyetli hale gelmesini sağlayacaktır.
 Otomatik süreçler sayesinde değişen mevzuat hükümlerine uyumu hızlan-
dırabilecektir. Ayrıca meslek mensubunun uzmanlığına dair ortaya çıkan
değişikliklerden hızlı şekilde haberdar olmasında etkili olabilecektir.
 YZ teknolojisi ve büyük veri entegrasyonu ile elde edilen verilerin işlen-
mesi sayesinde işletmelerde ortaya çıkabilecek krizlerin tespiti, önlenmesi
ve iyileştirilmesinde etkili sonuçlar elde edilebilecektir.
Yapay zekânın fırsatlarından faydalanmak ve kullanım sonucunda katma değer
ortaya koymak stratejik bir eylem sürecinin var olmasına bağlıdır (Gacar, 2019).
Diğer taraftan Tesla ile SpaceX’in kurucusu Elon Musk ve fizikçi Stephen
Hawking gibi teknoloji ile yoğun şekilde ilgilenen kişiler yapay zekânın potansiyel
- 142 -
tehlikesini öne sürmüştür (Clifford, 2018). Yakın zamanda bilgi ve iletişim tekno-
lojilerinde ortaya çıkan gelişmeler düşünüldüğünde YZ teknolojisinin muhasebe
gibi veriye dayalı bir sektörde kullanımının kaçınılmaz olduğu görülecektir. YZ
teknolojisinin muhasebede kullanımı birçok fırsatı beraberinde getirecektir, fakat
bunun yanında bazı tehditleri de ortaya çıkartacağı düşünülmektedir. YZ teknolo-
jisinin muhasebe alanında ortaya çıkartacağı tehditler şu şekilde sayılabilir (Akdo-
ğan ve Akdoğan, 2018; Gacar, 2019; Jobin vd., 2019; Uzun, 2020):
 Muhasebe sık değişen mevzuat nedeniyle makine öğrenmesinin güncelle-
meye ihtiyaç duymayacak kadar detaylı oluşturulması gerekmektedir. Bu
durum da yüksek uzmanlık gerektiren ve maliyetli bir işlem sürecine tabi
olabilmektedir.
 Muhasebe süreçlerinin önemli işlemleri olan beyanname ve bildirimlerde
kamunun yaptığı sık değişiklikler nedeniyle bazı uyum sorunları yaşanabi-
lecektir.
 Mali olayların iç içe geçen bazı işlemlerden oluşması nedeniyle makine
öğrenmesi süreçleri yüksek uzmanlık ve detaylı analiz gerektirmektedir.
 YZ teknolojisinin muhasebede yoğun kullanımı kayıt, raporlama, bildirim,
analiz gibi tekrar eden rutin işleri otomatik hale getireceğinden, kalifiye
olmayan çalışan ihtiyacını ortadan kaldıracaktır. Bu durum da muhasebe
mesleğinde personel ihtiyacını azaltabilecektir.
 YZ sistemlerinin itici gücü eldeki veridir ve sistemin etkin çalışması mev-
cut veri kapasitesine bağlıdır. Bu nedenle yanlış veya kalitesi düşük olan
veriler analiz sonuçlarının başarısız ve alınan kararların hatalı olmasına
sebep olabilecektir.
 YZ uygulamalarının yasal yönleri ve etik kuralları konusunda birçok soru
işareti ve belirsizlik söz konusudur.
 İşletmeler açısından mahrem olan bazı bilgilerin elektronik ortama aktarı-
mı nedeniyle veri güvenliği sorunları yaşanması muhtemeldir.
YZ, teknolojik gelişimin hızı itibariyle bunların dışında birçok fırsatı ve tehdidi
barındırmaktadır. Henüz gelişim sürecinin başında olan YZ teknolojisi, muhase-
benin geleceğini etkileyecek önemli teknolojilerden biri olacağının sinyalini ver-
mektedir. Bu bakımdan devletlerin, mesleki kuruluşların ve meslek mensuplarının
YZ teknolojisinin gelişimi konusunda AR-GE faaliyetleri yürütmesi ve bir strateji
belirlemesi zorunlu görünmektedir (Uzun, 2020).
- 143 -
2.2. Yapay Zekâ ve Muhasebe Eğitimi

Uluslararası muhasebe şirketleri teknolojik yeniliklere yoğun yatırım yaparken,
muhasebe eğitimi de buna ayak uydurma çabası içerisindedir. Dünya çapındaki
üniversitelerin mevcut muhasebe müfredatlarında, muhasebe öğrencilerini sek-
tördeki değişikliklere etkili bir şekilde hazırlayan YZ teknolojilerine ilişkin ders-
ler bulunmamaktadır. Muhasebe uygulamalarında YZ kullanımı yaygınlaşmaya
başladıkça, öğrenciler muhasebe ve denetim alanındaki kariyer hedefleri için
gerekli olan teknoloji becerileri yetersiz kalabilmektedir. Kaçınılmaz olarak üni-
versitelerin, mezunlarının istihdam edilebilirliğini artırmak için teknolojik ge-
lişmeleri yansıtacak şekilde müfredatlarını gözden geçirmeleri gerekmektedir
(Damerji ve Salimi, 2021). Yapay zekâyı genel olarak akademik programlarda
ve özel olarak muhasebe müfredat programlarında kurumsallaştırmak için üni-
versiteler, yapay zekânın muhasebede uygulanmasını araştıran kursları aşılamak
amacıyla YZ yazılım şirketleriyle ortaklık kurabilir. Bu derslerin muhasebe müf-
redatına dahil edilmesi, muhasebe öğrencilerinin YZ konusundaki deneyimlerini
geliştirebilir.
Müşterilere belgelerin hazırlanmasının ötesinde yardımcı olmak, muhasebecilerin
mevcut piyasa koşullarını ve enflasyonun potansiyel etkilerini anlamalarını ve
daha eleştirel düşünmelerini, aynı zamanda müşterilere öğretebilmelerini ve onla-
rın daha üst düzeyde anlamalarına yardımcı olabilmelerini gerektirir. Nasıl ki mu-
hasebecilerin sorumlulukları ve görevleri yapay zekânın entegrasyonu yoluyla
dönüştürülecekse, muhasebe eğitimi de değiştirilmelidir (Shaffer vd., 2020)
Üniversite İşletme Okullarını Geliştirme Derneği, 2014 yılında 'veri oluşturma,
veri paylaşımı, veri analitiği, veri madenciliği ve müfredata veri raporlama ile ilgi-
li beceri ve bilgilerin geliştirilmesini içeren Muhasebe Standardı 7'yi benimsemiş-
tir. Bu durum, muhasebe öğrencilerinin kariyer gelişimlerine iyi hazırlanmalarını
sağlamaktadır. Yeni nesil muhasebecileri hazırlamak için ise, yapay zekâ (AI),
makine öğrenimi (ML) ve robotik süreç otomasyonu (RPA) uygulamalarını muha-
sebe müfredatına entegre etmek gerekmektedir. Ayrıca üniversite müfredatındaki
ilgili mesleki eğitim ve reformlar, muhasebe öğrencilerinin ve muhasebecilerin
sosyal becerileri ve yaratıcılığı güçlendirmelerine ve geleceğe daha iyi hazırlanma-
larına yardımcı olabilecektir (Kommunuri, 2022).
Muhasebe meslek mensubu ve muhasebe öğrencilerinin YZ teknolojisi konusunda
öğrenim ve gelişimleri için aşağıdaki yöntemler uygulanabilir (Gambhir ve Bhat-
tacharjee 2021):
- 144 -
 Muhasebe meslek mensuplarının çalıştıkları seviyeden bağımsız olarak

kendilerini geliştirmeleri ve makinelerle birlikte çalışmak için gereken ye-
ni becerileri kazanmaları gerekiyor. Birkaçını saymak gerekirse analitikle-
rin (Alteryx, ACL, BRIO), mevcut yeni teknolojik araçların (Power BI,
Tableau, Qlikview) ve robotik süreç otomasyonunun kullanımı konusunda
eğitilmeleri gerekmektedir.
 Aktif çalışan muhasebe meslek mensupları için beceri açığı analizine ihti-
yaç vardır. Analize dayanarak, çalışanların teknolojik değişim nedeniyle
gelecekte ihtiyaç duyulan becerilerle hazır olmalarını sağlamak için orga-
nizasyon çapında eğitim programlarının başlatılması gerekiyor. Beceri ge-
liştirme, yeniden beceri kazanma ve öğrenme ve gelişim fonksiyonuna ya-
tırım yapma kararı önemlidir.
 Benzer şekilde eğitim kurumları ve meslek kuruluşları da muhasebe mes-
lek mensuplarını teknolojiyle uyumlu hale getirmek için çaba göstermeli-
dir. Temel muhasebe uygulamaları dışında teknolojik, analitik ve görsel-
leştirme becerilerinin öğrenilmesine yardımcı olacak muhasebe müfredatı-
nın geliştirilmesi önemlidir.
Ayrıca muhasebe meslek mensubu ve muhasebe öğrencileri, YZ teknolojisi ve
diğer güncel teknolojilere yönelik olarak sürekli öğrenme çabası içinde olmak zo-
rundadır. Yapay zekâ gibi teknolojileri öğrenmenin sürekli bir süreç olduğu ve
yeni teknolojilere uyumun artık muhasebe meslek mensupları için bir zorunluluk
olduğu açıktır. Bu nedenle yapay zekânın oluşturacağı tehditler için gerekli önlem-
lerin alınması ve fırsatlardan yararlanılması için de çalışmalar yapılması muhase-
benin gelişimi açısından önem arz etmektedir.
2.3. Yapay Zekânın Muhasebede Uygulama Alanları

Muhasebede YZ tahminlerinin temel uygulama konularından biri de insan faktörü-
dür. Öncelikle çalışanların bu modelleri kullanmayı kabul etmesinin dikkate alınma-
sı önemlidir. Çalışanların YZ uygulamalarını kullanmayı kabul etmesi, kullanıcı ve
yapay zekâ rollerinin netliğine ve ayrıca YZ sistemlerine duyulan güvene bağlı ola-
caktır. Günümüzde muhasebe süreçleri incelendiğinde; bordro hazırlama, iç dene-
tim, banka mutabakatları, risk değerlendirmesi, fatura sınıflandırması ve ödemeler
gibi öngörülebilir tahsilat ve veri işleme görevini gerektiren temel muhasebe işlevle-
rinin otomatik yapılır hale geldiği görülmektedir. Bu bakımdan mevcut ve gelecekte
karşımıza çıkacağı düşünülen muhasebe işlevleri çerçevesinde YZ teknolojisinin
muhasebe alanında kullanım şekillerinin belirlenmesi gerekmektedir.
- 145 -
YZ uygulamalarına üretim, dağıtım, satın alma, satış ve pazarlama, muhasebe,

finans, denetim, araştırma-geliştirme, insan kaynakları yönetimi gibi çeşitli işletme
fonksiyonlarında rastlamak mümkündür. Ticari yaşamın ve devletin ayrılmaz bir
parçası olan muhasebe de yapay zekâdan önemli düzeyde etkilenen bir çalışma
alanı olmuştur. Bu bakımda yapay zekânın çok sayıdaki uygulama alanından mu-
hasebeye etki edenleri ve bunların etkileri aşağıdaki şekilde sayılabilir (Daştan ve
Göl, 2022; Özçetin, 2022; Hasan, 2022):
 Uzman Sistemler (ES): Bu sistemler, sorulan sorulara cevap verme yete-
neğine sahip olan, öneriler sunan ve karar alma süreçlerinde yardımcı ola-
bilen bilgisayar destekli bir sistemlerdir. Uzman sistemler, 1980’li yıllarda
kullanılmaya başlanan ve belirli bir konuda karar vermede destek sağla-
maktadır. ES muhasebe süreçlerinde; finansal tabloların hazırlanması, fa-
turaların ve diğer belgelerin otomatik kaydedilmesi, çalışma sayfalarının
geliştirilmesi, maliyet ve varyans analizi, envanter kontrolü, yönetim kont-
rol sistemlerinin kurulması ve yatırım kararlarının verilmesi gibi işlemler-
de kullanılmaktadır.
 Karar Destek Sistemleri (DSS): Karar alma sürecine yardımcı olan, etkile-
şimli, uyarlanabilir ve çok yönlü bilgisayar tabanlı bir sistemdir. DSS,
akıllı bir kararın verilebilmesi için alternatifler ve farklı yollar oluşturmak-
tır. Bu sistemler, özellikle alternatif maliyet ve fırsat maliyeti hesaplama
işlemleri ile stratejik kararlar alınırken fizibilite süreçlerinde kullanılabil-
mektedir.
 Sinir Ağları (NN): İnsan düşüncesinin organizasyonunu kopyalayan ve
öğrendiği görevi daha iyi başarmak için yapısını değiştirebilen bir makine
öğrenme sistemidir. Sinir ağlarından, denetim sürecinin temel bir parçası
olan risk değerlendirmesinde yararlanılmaktadır.
 Derin Öğrenme (DL) ve Makine Öğrenimi (ML): Makine öğrenimi, bilgi-
sayarların minimum insan müdahalesiyle düşünmeyi ve hareket etmeyi
öğrenmesiyle ilgilidir. ML, bilgisayarlara açık programlama olmadan gö-
revleri gerçekleştirme talimatı vermek olan belirli bir hedefe odaklanan bir
yapay zeka alt kümesidir. Derin öğrenme ise, makine öğreniminin bir alt
kümesidir ve bilgisayarların, insan beynini örnek alan mimariyi kullanarak
düşünmeyi öğrenmesiyle ilgilidir (Zhang vd., 2020). Bu uygulamalar, çok
sayıda girdi ve çıktıya sahip olup, içerisinde sayıca çok katmanı barındıran
bir algoritmadır. Önceki verileri işleyerek, anlamlı sonuçlar ortaya koy-
- 146 -
maya odaklanmaktadır. Özellikle denetim süreçlerine ve mali tablo verile-

rinin işlenmesi yoluyla yönetim karar süreçlerine katkı sunabilmektedir.
 Robotik Süreç Otomasyonu (RSO-RPA): Önceden programlanmış kural-
ları uygulayan ve yapılandırılmış verilerle çalışan mantık odaklı robotları
tasvir eden bir tür akıllı süreç otomasyonudur. Süreç robotları, yorumla-
ma, karar verme, harekete geçme ve öğrenme gibi temel insan benzeri iş-
lemleri kendi başlarına gerçekleştirebilir. Denetimler için veri hazırlama,
dosya organizasyonu, farklı dosyalardan veri entegrasyonu, temel denetim
testleri, veri kopyalama ve yapıştırma gibi uygulamalar RPA'nın kullanım
örnekleri arasındadır.
 Doğal Dil İşleme (NLP): Türkçe ve İngilizce gibi insan iletişiminde kulla-
nılan bir dil yardımıyla akıllı sistemlerle iletişim kurma yöntemidir.
YZ, insan zekâsı gerektiren görsel algı, konuşma tanıma ve karar verme gibi gö-
revleri bilgisayar sistemlerini kullanarak yerine getirmesine izin veren ve farklı
teknolojileri içine alan genel bir terimdir (Struthers-Kennedy and Nesgood, 2020).
Yapay zekânın alt kümeleri ile ilişkileri Şekil 1’de sunulmuştur. YZ, alt kümesi
olarak kabul edilen teknolojileri içine almış durumdadır ve her bir alt teknoloji
farklı uygulamaları kullanmak suretiyle insan gibi düşünme ve karar verme kabili-
yetini zorlamaktadır.
Şekil 1. Yapay Zekânın Alt Kümeleri İle İlişkisi

Kaynak: (Struthers-Kennedy ve Nesgood, 2020; aktaran Efe, A., 2022)
- 147 -
Ayrıca yapay zekâ tabanlı likidite tahminleri yapmak, dolandırıcılık tespit sistem-
lerini desteklemek, blok zinciri teknolojisine dayalı çevrimiçi açık artırmalarda
tahvil ve tahvil emisyonlarını desteklemek, dava risklerini tahmin etmek, kasıtlı
yanlış beyanları düzeltmek için yönetimin yeniden beyan açıklamalarını analiz
etmek veya kasıtsız hataları tespit etmek ve düzeltmek gibi uygulamalar da yapay
zekâ tabanlı süreçlerdir (Kommunuri, 2022). Günümüzde sayılan YZ uygulamaları
dışında da muhasebe süreçlerinde kullanılan temel bazı uygulamaların ve muhase-
be işlemlerinin de olması muhtemeldir. Ayrıca bu uygulamalara ek olarak, hızlı
teknolojik dönüşümle birlikte her geçen gün yeni uygulamalar da kullanılmaktadır.
3. Yapay Zekânın Denetim Süreçlerine Etkisi ve Sürekli Denetim
Denetim süreçleri bilgiye, deneyime, emeğe dayanan ve veri odaklı çalışmalar

olduğundan, bilgi teknolojilerinden yararlanmaya oldukça uygundur. Bu bakımdan
bilgi teknolojilerindeki gelişmeler ve büyük veri imkânları ise, denetçinin görevini
daha hızlı ve güvenli şekilde yapmasına olanak sağlamaktadır. İşletme faaliyetle-
rinin denetlenmesi ve denetim sonucu hazırlanan raporlar, finansal bilgi kullanıcı-
larının verdikleri kararlarda daha rasyonel davranmalarına ve hedefleri doğrultu-
sunda tutarlı davranış geliştirmelerinde etkili olmaktadır (Akdoğan ve Akdoğan,
2018). Yapay zekâyı oluşturan algoritmaların yetenekleri düşünüldüğünde, gele-
cekte işletmelerdeki birçok iş alanında önemli bir etkisi olacağından dolayı dene-
tim süreçleri ve mesleği de bu değişimden kuşkusuz etkilenecektir (Efe, 2022).
Yapay zekâ, makine öğrenmesi, derin öğrenme, robotik süreç otomasyonu gibi alt
teknolojileri ile veri odaklı olan denetim çalışmaları açısından oldukça önemli bir
teknolojidir. Yapay zekânın denetim faaliyetlerine entegrasyonundan potansiyel
olarak fayda sağlayabilecek denetim görevleri şu şekilde sayılabilir (Baldwin vd.,
2006):
 Analitik inceleme prosedürleri: YZ, denetim kanıtı toplamak amacıyla yü-
rütülen analitik inceleme prosedürlerini gerçekleştirmek için kullanılabilir.
Denetçiler YZ algoritmalarından yararlanarak, bu prosedürlerin verimlili-
ğini ve doğruluğunu artırabilir.
 Sınıflandırma: YZ, genel algoritmalar kullanarak muhasebe birimlerinin
veya kalemlerinin sınıflandırılmasına yardımcı olabilir. Bu otomatikleşti-
rilmiş süreç, karar almayı kolaylaştırabilir ve hem tutarlı hem de güvenilir
bir sınıflandırma sağlayabilir.
- 148 -
 Önemlilik değerlendirmeleri: Belirli işlemlerin veya bakiyelerin öneminin

belirlenmesini içeren önemliliği değerlendirmek için YZ uygulanabilir.
Ayrıca denetçiler, YZ algoritmalarını kullanarak önemliliği daha etkili ve
verimli bir şekilde değerlendirebilir.
 İşletmenin sürekliliği ilkesine ilişkin kararlar: YZ, denetçilerin faaliyet yü-
rüttüğü şirketin mali sürdürülebilirliği ve sürekliliğini etkileyebilecek po-
tansiyel bir sıkıntıyla karşı karşıya olup olmadığı konusunda karar verme-
lerine destek olabilir. YZ algoritmaları, ilgili verileri analiz ederek denet-
çilere bu belirlemede yardımcı olacak bilgiler sağlayabilir.
 İflas tahmini: YZ, şirketin iflas olasılığını tahmin etmek için kullanılabilir.
YZ algoritmaları, çeşitli finansal göstergeleri ve kalıpları analiz ederek,
denetçilere iflas riskini değerlendirmeleri için çok önemli bilgiler sağlaya-
bilir.
Yapay zekânın denetim faaliyetlerindeki rolünün hızlı şekilde ilerlediğine dair çok
sayıda kanıt sunmak mümkündür. Örneğin büyük denetim şirketlerinin teknolojik
dönüşüme büyük yatırım yapması bunun önemli bir kanıtıdır. Özellikle yeni tek-
nolojileri belirlemek ve uygulanabilir çözümler üretmekle görevli ekipler oluştur-
muşlardır. KPMG, YZ denetim araçlarını geliştirmek için IBM'in Watson yapay
zekâsı ile ortaklık kurmuştur. KPMG, ayrıca mali tablo riskini incelemek için
otomobil yarışları firması McLaren Applied Technologies'in gelişmiş tahmine
dayalı analitik teknolojisinden de yararlanmaktadır (Kokina and Davenport, 2017).
PwC, YZ ve artırılmış gerçeklik ürünlerine geçiş yolu görevi gören bir analiz plat-
formu olan Halo'yu geliştirdi. PwC, muhasebe günlüklerini analiz etmek ve gele-
neksel insan desteğine dayalı iş zekâsının yerini almak için 'Halo'yu kullanıyor.
Deloitte’un, YZ için Argus'u, veri analitiği için Optix'i ve küçük şirketlerin daha
akıllı denetimleri için Auvenir'i geliştirdiği bilinmektedir. Deloitte’un ayrıca kira
sözleşmeleri ve diğer sözleşmeler, faturalar ve diğer yasal belgelerden ilgili şartları
belgelemek, incelemek ve çıkarmak için satıcı Kira Systems ile ortaklık kurmuştur
(Damerji ve Salimi, 2021). Ernst ve Young, 2015’ten beri insan davranışını mo-
delleyen bir yazılım kullanmaktadır. Ernst&Young, ayrıca farklı alanda çalışan
birçok uzmanı bir araya getirerek, Hindistan’da kendine ait ilk YZ şirketini kur-
muştur (Özçetin, 2022). Bu gelişmeler dünyada denetim alanındaki teknoloji dö-
nüşümün ve YZ uygulamalarının denetim şirketleri tarafından takip edildiğini ve
uyum çalışmalarının yürütüldüğünü göstermektedir. Denetim süreçlerine yapay
zekâ, blok zinciri, büyük veri gibi teknolojilerin adapte edilmesi denetimin eş za-
manlı ve sürekli hale gelmesine imkân sağlayacaktır.
- 149 -
Deloitte, Ernst & Young, PwC ve KPMG denetim planlamasında, risk değerlen-
dirmesinde, işlem testlerinde, analitikte yapay zekâyı kullanmayı ve bunlardan
yararlanmak için denetim çalışma kağıtları hazırlamayı planladıklarını bildirmek-
tedir. Zamandan tasarruf, daha hızlı veri analizi, yüksek doğruluk, derinlemesine
bilgi ve daha fazla müşteri memnuniyeti sağlamak amacıyla YZ teknolojisini kul-
lanmaktadır (Munoko vd., 2020). Dört büyük denetim şirketi, YZ sistemlerini kul-
lanırken, teknolojik dönüşüm ortamının kalıpları tanımak, uygulamak ve yeni veri-
lerin nasıl sunulacağını görebilmek için özellikle makine öğrenimi ile verilerden
öğrenme olanaklarından yararlanmaktadır (Han vd, 2023).
Bu teknoloji çalışmaları yakın zamanda denetim faaliyetlerinde eş zamanlılık ve
süreklilik esaslarını beraberinde getirecektir. Yani denetime konu olan verilerin
oluştuğu andan itibaren otomatik denetime tabi tutulacağı bir sisteme doğru gidiş
söz konusudur. Bu gidiş sürekli denetim kavramının ortaya çıkmasında etkili ol-
maktadır. Sürekli denetim, kontrolleri test etmek, riskleri analiz etmek, istisnaları
veya anormallikleri belirlemek, kalıpları analiz etmek ve eğilimleri gözden geçir-
mek amacıyla denetim faaliyetlerini sürekli olarak otomatikleştirmek için ileri
teknolojinin kullanılması anlamına gelmektedir (Cong ve diğerleri, 2018 ). Sürekli
denetim, kağıtsız, gerçek zamanlı bir muhasebe sisteminde yapılan mali tabloların
gerçeğe uygun sunumu hakkında görüş vermek için makul bir temel olarak elekt-
ronik denetim kanıtlarının toplanması olarak ifade edilebilmektedir. Ayrıca sürekli
denetimin, denetçilerin sürekli veriler hakkında ifşa edilirken veya ifşa edildikten
kısa bir süre sonra belirli düzeyde güvence sağlamalarına olanak tanıyan kapsamlı
bir elektronik denetim yöntemi olduğu da söylenebilir (Hasan, 2022).
4. Yapay Zekânın Muhasebe ve Denetim Süreçlerinin Geleceğine

Etkisi
Veriye ve bilgiye dayalı olarak çalışan muhasebe ve denetim süreçleri sonunda

elde edilen raporların doğru ve güvenilir olması, işletmelerin stratejik kararların-
da kullanılması dolayısıyla büyük öneme sahiptir. Bu nedenle muhasebe bilgisi-
nin hatasız, doğru ve güvenilir üretilmesi gerekmektedir. Günümüzde bilgi tek-
nolojilerindeki hızlı gelişimin etkisiyle insan müdahalesi olmadan, otomatik ger-
çekleşen muhasebe ve denetim faaliyetleri sonucunda doğru ve güvenilir bilgiye
ulaşmada önemli adımlar atılmıştır. Bilgi teknolojilerindeki hızlı dönüşüm uz-
man sistemler, karar destek sistemleri makine öğrenmesi, derin öğrenme, robotik
- 150 -
süreç otomasyonu gibi yapay zekâ sistemlerinin de hızlı gelişimini sağlamıştır.

Bu sistemler her alanda olduğu gibi muhasebe ve denetim alanlarında da önemli
değişimler getirmiştir. Yakın zaman içinde manuel ve kâğıt ortamında yapılan
birçok muhasebe işlemi günümüzde bilgisayar ortamında, hatta otomatik yapılır
hale gelmiştir.
Günümüzde muhasebe ve denetim alanlarının gelişimine önemli etkileri olan ya-
pay zekâ teknolojilerinin, gelecekte daha da fazla etkisi olacağı konusunda şüphe
yoktur. Muhasebe meslek mensupları, faaliyetlerini YZ tabanlı teknolojilerden
oluşan bir ortamda yeniden tasarlayarak, kayıttan rapora sürecin her aşamasını
yeniden tasarlama imkânını bulabilecektir. Muhasebe meslek mensuplarının gele-
cekte; robotik süreçlerle ilişkili, dijital dönüşüme uyumlu, veri analizini başarıyla
yapabilen, gelişmiş liderlik özelliklerine sahip, istatistik kabiliyeti olan ve bu ko-
nularda şirketlere danışmanlık yapabilecek kişiler olması beklenmektedir. Muha-
sebenin çalışma alanı değişeceğinden meslek mensuplarının yeni yeterlilikler ka-
zanması gerekecektir (Akdoğan ve Akdoğan, 2022). Aynı zamanda YZ teknolojisi
kullanılarak oluşturulan muhasebe sistemleri, manuel veri girişleri aşamasında
oluşan hataları ve problemlerin ortadan kalmasında etkili olacaktır (Tekbaş, 2019).
Denetim alanında ise, başta yapay zekâ olmak üzere yeni teknolojiler; denetimin
planlanması, müşteri risk değerlendirmesinin yapılması, iç kontrolün gerçekleşti-
rilmesi, denetim testlerinin yapılması, kanıt toplanması gibi denetimin tüm aşama-
larını etkileyecektir (Appelbaum vd., 2017).
Muhasebede entegre sistemler, bulut çözümleri, blok zinciri teknolojisi ve yapay
zeka ile ilgili teknolojiler her geçen gün değişmektedir ve gelecekte de muhase-
be mesleğinin iş akışını ve süreçlerini önemli düzeyde değiştirecektir. Büyük
muhasebe ve denetim firmaları yapay zekâ kullanımında rakiplerine göre önemli
ölçüde öndedir. Yapay zekânın muhasebe sektöründe uygulanmasına yönelik
teknolojinin evriminde ilerleme kaydedildikçe, bu firmalar yapay zekâya milyar-
larca dolarlık yatırıma mal olan çok sayıda proje başlatmıştır. Örneğin PWC,
2026 yılına kadar YZ alanında 12 milyar dolar harcamayı ve 100.000'den fazla
yeni personel almayı, YZ ve makine öğrenimi içeren yeni ürünler sunmayı plan-
lamaktadır. KPMG beş yıl içinde 5 milyar dolar, Ernst&Young ise yaklaşık 1,5
milyar dolar kâr elde etmeyi hedeflemektedir (Maurer, 2021; Kommunuri,
2022). Muhasebe ve denetim alanında dünyada başı çeken büyük firmaların ya-
pay zekâya yönelik yatırımları ve hedefleri YZ teknolojisine odaklanmanın
önemini vurgulamaktadır.
- 151 -
Sonuç
İşletmelerin en temel amaçları en yüksek kâra ve en yüksek işletme değerine

ulaşmaktır. Bunu sağlamak için ise, işletmelerin en az maliyetle, en kaliteli ürün
ya da hizmeti üretmesi ve rekabet üstünlüğü sağlaması gerekmektedir. Günümüz-
de işletmelerin bu amaçlarına ulaşabilmesi, yeni teknolojilere uyum sağlayabilme-
sine bağlıdır. İşletmelerin gelişim süreçlerinde endüstri 4.0 olarak adlandırılan
yapay zekâ, nesnelerin interneti, blok zinciri, sanal gerçeklik, bulut bilişim, büyük
veri, siber güvenlik gibi teknolojilere uyum sağlamaları önem arz etmektedir. Bu
teknolojiler tüm sektörlerde etkili olmuş, yoğun şekilde kullanılmaya başlanmış ve
yeni iş modellerinin de ortaya çıkmasını sağlamıştır.
Bu teknolojilerden biri olan yapay zekâ, muhasebe ve denetim alanını etkilemesi
bakımından incelemeye değer bulunmuştur. Yapay zekâ teknolojileri, rutin görev-
leri otomatikleştirerek, veri analizi yeteneklerini geliştirerek, karar verme süreçle-
rini iyileştirerek ve riskleri azaltarak geleneksel muhasebe ve denetim uygulamala-
rında önemli bir dönüşüm potansiyeline sahiptir. YZ, muhasebe ve denetim çalış-
malarında insan müdahalesini en aza indirmek suretiyle, önceden oluşturulmuş
olan veriyi otomasyon müdahalesi ile hatasız olarak yeni şekline getirme veya
kontrol etme işlevlerini üstlenmektedir.
YZ, birçok alanda olduğu gibi muhasebe ve denetim faaliyetlerinin de geleceğini
etkileme potansiyeline sahiptir. Bilgi işlemedeki gelişmeler dikkate alındığında,
insan zekâsıyla birleşen yapay zekâ, muhasebe ve denetimde daha fazla verimlilik,
daha iyi şeffaflık, daha yüksek kalite ve daha iyi sonuçlar sağlayabilecektir. Bu
nedenle devletlerin, mesleki kuruluşların ve meslek mensuplarının YZ teknolojisi-
nin gelişimi konusunda araştırma-geliştirme faaliyetleri yürütmesi ve bir strateji
belirlemesi zorunlu görünmektedir. Ayrıca muhasebe meslek mensubu ve muha-
sebe öğrencileri, YZ teknolojisi ve diğer güncel teknolojilere yönelik olarak sürek-
li öğrenme çabası içinde olmak zorundadır. Yapay zekâ gibi teknolojileri öğren-
menin sürekli bir süreç olduğu ve yeni teknolojilere uyumun artık muhasebe mes-
lek mensupları için bir zorunluluk olduğu açıktır. Bu nedenle yapay zekânın oluş-
turacağı tehditler için gerekli önlemlerin alınması ve fırsatlardan yararlanılması
için de çalışmalar yapılması muhasebenin gelişimi açısından önem arz etmektedir.
Bilgi ve iletişim teknolojilerinin işletmelerde tam anlamıyla uygulanması ile bir-
likte muhasebe alanında uzman personel ihtiyacı artarken, sadece otomatikleşen
işlemleri yürütmekte olan personele ihtiyaç ortadan kalkacaktır. Muhasebe meslek
mensuplarının gelecekte; robotik süreçlerle ilişkili, dijital dönüşüme uyumlu, veri
- 152 -
analizini başarıyla yapabilen, gelişmiş liderlik özelliklerine sahip, istatistik kabili-

yeti olan ve bu konularda şirketlere danışmanlık yapabilecek kişiler olması bek-
lenmektedir. Sonuç olarak çok zaman kaybedilen rutin işlerin YZ ile otomatik hale
gelmesi sayesinde, alanında yüksek bilgi ve deneyime sahip olan muhasebe ve
denetim uzmanları, katma değeri yüksek işlere yönelebilecektir.
Kaynakça
A.Agusti, M., and Orta-Pérez, M. (2022). Big data and artificial intelligence in the fields of
accounting and auditing: a bibliometric analysis. Spanish Journal of Finance and Ac-
counting, 52(3), 412-438. https://doi.org/10.1080/02102412.2022.2099675
Akdoğan, N. ve Akdoğan, M.U. (2018). Büyük Veri - Bilişim Teknolojisindeki Gelişmele-
rin Muhasebe Uygulamalarına ve Muhasebe Mesleğine Etkisi. Muhasebe ve Deneti-
me Bakış, (55), 1-14.
Appelbaum, D., Kogan, A., and Vasarhelyi, M. A. (2017). Big Data and analytics in the
modern audit engagement: Research needs. Auditing: A Journal of Practice & The-
ory, 36(4), 1–27. https://doi.org/10.2308/ajpt-51684
Baldwin, A. A., Brown, C. E., and Trinkle, B. S. (2006). Opportunities for Artificial Intel-
ligence Development in the Accounting Domain: The Case for Auditing. Intelligent
Systems in Accounting, Finance and Management, 14, 77-86. https://doi.org/
10.1002/isaf.277
Bizarro, P.A. and Dorian, M. (2017). Artificial Intelligence: The Future of Auditing. Inter-
nal Auditing, 32(5), 21 – 26.
Bughin J., Hazan, E., Ramaswamy, S., Chui, M., Allas, T., Dahlstrom, P., Henke, N. and
Trench, M. (2017). Artificial Intelligence, The Next Digital Frontier. McKinsey Glo-
bal Institute Study, 1-80.
Clifford, C. (2018). Elon Musk: ‘Mark my words — A.I. is far more dangerousthan nu-
kes’. CNBC. https://www.cnbc.com/2018/03/13/elon-musk-at-sxsw-a-i-is-more-
dangerous-than-nuclear-weapons.html
Cong, Y., Du, H. and Vasarhelyi, M.A. (2018). Technological disruption in accounting and
auditing. Journal of Emerging Technologies in Accounting, 15 (2), 1-10.
Damerji, H. and Salimi, A. (2021) Mediating effect of use perceptions on technology rea-
diness and adoption of artificial intelligence in accounting, Accounting Education,
30:2, 107-130, DOI: 10.1080/09639284.2021.1872035
Daştan Ş. ve Göl, M. (2022). İşletmelerin Muhasebe Süreçlerinde Yapay Zekâ Uygulama-
ları. Muhasebe ve Finans alanında Güncel Konular (Ed: Evci, S. ve Kefe, İ.), s. 109-
128. Gazi Kitabevi, Ankara.
- 153 -
Efe, A. (2022). Yapay Zekâ Algoritmalarının Denetim Mesleği Üzerindeki Potansiyel

Etkileri. Yönetim Bilişim Sistemleri Dergisi, 8(2), 1-19.
Gacar, A. (2019). Yapay Zekâ ve Yapay Zekânın Muhasebe Mesleğine Olan Etkileri: Tür-
kiye’ye Yönelik Fırsat ve Tehditler. Balkan Sosyal Bilimler Dergisi, 2019
8(EUREFE’ 19), 389–394.
Gambhir, B. and Bhattacharjee, A. (2021). Embracing the role of artificial intelligence in
accounting and finance: contemplating the changing skillset expectations. Develop-
ment and Learning in Organizations, 36(1), 17-20. https://doi.org/10.1108/DLO-01-
2021-0016
Han, H., Shiwakoti, R.K., Jarvis, R., Mordi, C. and Botchie, D. (2023). Accounting and
auditing with blockchain technology and artificial Intelligence: A literature review.
International Journal of Accounting Information Systems, 48, 1-16.
Hasan, R. A. (2022). Artificial Intelligence (AI) in Accounting & Auditing: A literature
Review. Journal of Research in Business, and Management, 10(1), 440-465.
Ibrahim, R.S.S. (2023). Exploring the Impact of Artificial Intelligence on Accounting In-
formation Quality and Auditing Profession Efficiency and Effectiveness; Theoretical
and Empirical study. Egyptian Russian University.
Issa, H., Sun, T. and Vasarhelyi, M.A. (2016). Research Ideas for Artificial Intelligence in
Auditing: The Formalization of Audit and Workforce Supplementation. Journal of
Emerging Technologies in Accounting, 13(2): 1-20. https://doi.org/10.2308/jeta-
10511
Jobin, A., Ienca, M., and Vayena, E. (2019). The global landscape of AI ethics guidelines.
Nature Machine Intelligence, 1(9), 389-399.
Kaplan, A. M., and Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the
land? On the interpretations, illustrations, and implications of artificial intelligence.
Business Horizons, 62(1), 15–25. https://doi.org/10.1016/j.bushor.2018.08.004
Kıymetli Şen, İ. ve Terzi, S. (2022). Yapay Zekâ Ve Dijital Muhasebe Trendlerinde Muhase-
be Eğitimine İlişkin Öneriler. Journal of Business in The Digital Age, 5(2), 105-113.
Kokina, J. and Davenport, TH ( 2017 ). The Emergence of Artificial Intelligence: How
Automation is Changing Auditing. Journal of Emerging Technologies in Accounting,
14 (1), 115 – 122.
Kommunuri, J. (2022). Artificial intelligence and the changing landscape of accounting: a
viewpoint. Pacific Accounting Review, 34(4), 585-594. https://doi.org/10.1108/PAR-
06-2021-0107
Küçüker, M. (2023). Muhasebede Yapay Zekâ Uygulamaları: ChatGPT’nin Muhasebe
Sınavı. Fırat Üniversitesi Sosyal Bilimler Dergisi, 33, 2, 875-888.
Maurer, M. (2021). PwC to spend $12 billion on hiring, expanding expertise in AI, cyber
security. www.wsj.com:https://www.wsj.com/articles/pwc-to-spend-12-billion-on-
hiring-expanding-expertise-in-ai-cybersecurity Erişim: 04.08.2023
- 154 -
Moudud Ul Huq, S. (2014). The role of artificial intelligence in the development of acco-
unting systems: A review. The IUP Journal of Accounting Research & Audit Practi-
ces, 13(2), 7-20.
Munoko, I., Brown-Liburd, H.L. ve Vasarhelyi, M. (2020). The ethical implications of
using artificial intelligence in auditing. Journal of Business Ethics, 167 (2) (2020),
209-234.
Özçetin, N. (2022). Muhasebe Denetiminde Yapay Zekâ. Uşak Üniversitesi Uygulamalı
Bilimler Fakültesi Dergisi, 2(1), 29-41.
Shaffer, K.J., Gaumer, C.J. and Bradley, K.P. (2020), "Artificial intelligence products res-
hape accounting: time to re-train", Development and Learning in Organizations,
34(6), 41-43. https://doi.org/10.1108/DLO-10-2019-0242
Soulpage, (2020). Importance of AI In Information Technology. https://soulpageit.com
/importance-of-artificial-intelligence-ai-in-information-technology/ Erişim: 02.08.2023
Struthers-Kennedy A. and Nesgood K., (2020). Artificial Intelligence and Internal Audit:
A Pragmatic Perspective, Protivity. https://blog.protiviti.com/2020/01/02/artificial-
intelligence-and-internal-audit-a-pragmatic-perspective/ Erişim: 01.08.2023
Tekbaş, İ. (2019). Muhasebenin Dijital Dönüşümü ve Mali Mühendislik. Ceres Yayınları,
İstanbul.
Uzun, M.M. (2020). Yapay Zekâ: Fırsatlar ve Tehditler. Kitap: Disiplinlerarası Politika
Vizyonu ve Stratejiler 2020 (Ed: Demir, İ.), 137-153. İksad Yayınevi, Ankara.
Yücel ve Adiloğlu (2019). Dijitalleşme-Yapay Zekâ ve Muhasebe Beklentiler. Muhasebe
ve Finans Tarihi Araştırmaları Dergisi, 17, 47-60.
Zhang, Y., Xiong, F., Xie, Y., Fan, X., and Gu, H. (2020). The Impact of Artificial Intelli-
gence and Blockchain on the Accounting Profession. IEEE Access, 8, 110461-
110477. https://doi.org/10.1109/ACCESS.2020.3000505
- 155 -
10. BÖLÜM
FİNANS SEKTÖRÜNDE CHATGPT DEVRİMİ
Dr. Öğr. Üyesi Salih AYDIN

Artvin Çoruh Üniversitesi
Borçka Acarlar Meslek Yüksekokulu, Finans-Bankacılık ve Sigortacılık Bölümü
salihaydin@artvin.edu.tr
ORCID:0000-0002-3817-1169
GİRİŞ
Konuşma aracıları olarak da bilinen chatbotları, kullanıcılarla konuşmayı simüle

etmek için tasarlanmış bilgisayar programlarıdır. Chatbotların tarihi yapay zekâ
kavramının ilk ortaya çıktığı 1960’lı yıllara kadar dayanmaktadır. En eski chatbot
programlarından biri, 1960’larda MIT’de bilgisayar bilimci olarak görev yapan
Joseph Weizenbaum tarafından geliştirilen ELIZA’dır. ELIZA, bir terapisti simüle
etmek için tasarlanmış bir bilgisayar programıdır. Bu program, kalıp eşleştirmeye
ve doğal dil işlemeye dayalı olarak geliştirilmiştir. 1970’lere gelindiğinde parano-
yak bir hastayı simüle etmek için geliştirilen PARRY ve ticarileştirilecek ilk soh-
bet programlarından birisi olan RACTER dâhil olmak üzere bir takım sohbet robo-
tu programları geliştirilmiştir. 1990’larda internetin ve World Wide Web'in geli-
şimi, sohbet robotlarına olan ilginin artmasına neden olmuştur. Bu dönem, web
sitelerinde müşteri hizmetleri ve destek sağlamak için tasarlanmış web tabanlı
sohbet robotlarının ortaya çıkışına tanık olunan dönem olarak görülmektedir (Ali
ve Aysan, 2023).
2000’lerde, doğal dil işleme ve makine öğrenimindeki gelişmeler, daha karmaşık
insan girdilerini anlayabilen ve bunlara yanıt verebilen daha gelişmiş sohbet robot-
larının geliştirilmesinin önünü açmıştır. Günümüzde sohbet robotları, müşteri
hizmetleri, e-ticaret, sağlık ve finans gibi birçok sektörde yaygın şekilde kullanıl-
maktadır. Genel olarak sohbet robotlarının geçmişi, yalnızca sınırlı sayıda girdiye
yanıt verebilen basit programlardan başlayarak, çok çeşitli insan girdilerini anlayıp
- 157 -
bunlara cevap verebilen gelişmiş yapay zekâ destekli sohbet robotlarına kadar
uzundur. Kasım 2022’ye gelindiğinde piyasaya sürülen en yeni ve en güçlü yapay
zekâ robotu olan ChatGPT, herkesin kullanımına açık bir bilgisayar programı ola-
rak karşımıza çıkmaktadır.
ChatGPT, Chat Generative Pre-training Transformer’ın kısaltmasıdır. Model, de-
netimli öğrenme ve insanların modelin yanıtlarını sıraladığı pekiştirmeli öğrenme
ile oluşturulmuştur (Wenzlaff ve Spaeth, 2022).
ChatGPT, soru istemlerine oluşturulmuş konuşma yanıtları sağlayan bir yapay
zekâ dili modelidir. Model, takviyeli öğrenme algoritmaları ve 150 milyardan faz-
la parametrede insan girdisinin karışımı ile oluşturulmuştur. Platform, halka açık
olduğu ilk haftasında bir milyon kullanıcıya ulaşmış ve modelden elde edilen yanıt
çıktılarının algılanan kalitesi nedeniyle kısa sürede "sektörün bir sonraki büyü
bozucusu" olarak adlandırılmasına neden olmuştur (Dowling ve Lucey, 2023).
ChatGPT, OpenAI tarafından geliştirilen, transformatör mimarisine dayanan ve
büyük miktarda veri üzerinde ince ayarı yapılmış büyük bir dil modelidir. Trans-
formatör mimarisi, girdi dizilerini işlemek için kendi kendine dikkat mekanizmala-
rını kullanan, değişken uzunluklu girdi ve çıktı dizilerini işlemesine ve insan ben-
zeri metinler üretmesine izin veren derin bir sinir ağıdır. ChatGPT’de ince ayar
yapmak için kullanılan eğitim verileri, modelin çok çeşitli dil stilleri ve içeriğin-
den öğrenmesine olanak tanıyan kitaplar, makaleler ve web siteleri gibi çeşitli me-
tinler içermektedir. Eğitim verilerinde, düşük kaliteli ve tekrar eden metinleri kal-
dırmak ve modelin belirli bir grubun bakış açısına yönelik önyargılı olmamasını
sağlamak için önceden filtreleme yapılmıştır (Zaremba ve Demir, 2023).
ChatGPT, gerçekçi, insan benzeri konuşmalar oluşturmak için gelişmiş Doğal Dil
İşleme (NLP) teknikleri ve derin öğrenme kullanan Açık Yapay Zekânın tescilli
sohbet robotu platformudur. AI platformu, büyük miktarda veriden öğrenme sağ-
lamakta ve kullanıcılara doğal dilde kişiselleştirilmiş, duyarlı etkileşimler sunmak-
tadır. ChatGPT, otomatik müşteri desteği, dijital pazarlama içerik oluşturma ve
müşteri deneyimi optimizasyonu gibi çeşitli amaçlar için kullanılmak üzere tasar-
lanmıştır. Chatbot platformu ayrıca farklı kullanıcıların ihtiyaçlarına ve tercihleri-
ne uyacak şekilde kolayca özelleştirilebilmektedir. Platformun bağlamı anlayabil-
me, insan benzeri sohbetler oluşturabilme, takip sorularını cevaplayabilme ve ya-
ratıcı sohbet konuları önerebilme vb. avantajları kullanıcılarına sunması bu plat-
formun önünü açmıştır. ChatGPT ayrıca, etki alanına özgü dili, kavramları ve var-
lıkları tanımasını sağlayan güçlü doğal dil anlama yeteneği, geliştiricilerin oluştur-
- 158 -
- Finans Sektöründe ChatGPT Devrimi -
duğu konuşmaları özelleştirmesine olanak tanıyan yerleşik özellikleri gibi farklı

durumları da bünyesinde taşımaktadır (Singh, 2023).
ChatGPT, kullanıcıların tıpkı başka bir kişiyle olduğu gibi bir bilgisayarla doğal
konuşmalar yapmalarını sağlayan bir yapay zekâ sohbet robotu platformudur.
ChatGPT, gelişmiş doğal dil anlayışı sayesinde insan dilini anlayabilir, insana
benzer yanıtlar üretebilir, takip sorularını yanıtlayabilir ve yaratıcı yeni konuşma
konuları önerebilmektedir. Platform ayrıca geliştiricilere, konuşmaları kendi özel
ihtiyaçlarına göre uyarlamak için çeşitli özelleştirme seçenekleri sunmaktadır. Bu,
geçmişi veya deneyimi ne olursa olsun herkesin doğal ve gerçekten insani hissetti-
recek şekilde birden çok dilde iletişim kurmasını mümkün kılmaktadır (Rathore
vd., 2022).
Sohbetleri özel ihtiyaçlarına uyacak şekilde özelleştirme yeteneği ve çeşitli dil-
lerde iletişim kurma yeteneği ile ChatGPT, hem işletmeler hem de bireyler için
güçlü bir araçtır. ChatGPT, müşteri hizmetlerine erişimi artırma, serbest üretken-
liği sağlama, bilgi bulmak için doğal dilde aramayı etkinleştirme, hızlı ve doğru
veri girişi sağlama, daha verimli müşteri hizmet botları geliştirme ve daha kişi-
selleştirilmiş reklamlar sağlama potansiyeline sahiptir. Ek olarak ChatGPT, müş-
teri hizmetleri maliyetlerini düşürme ve şirket kaynaklarının daha önemli görev-
lere odaklamasını sağlama gibi olanaklar tanımaktadır. Yapay zekâ ve makine
öğrenimindeki en son gelişmelerden yararlanan teknoloji, mümkün olan en iyi
müşteri deneyimini sağlamak için müşteri etkileşimlerinden öğrenerek işletmele-
rin müşterileriyle daha derin bağlantılar kurmasını sağlamaktadır (Baidoo-Anu
ve Owusu, 2022).
ChatGPT bilgisayar programının arka planında programı açıklayan bazı anahtar
kavramlar vardır (Lund ve Wang, 2023). Bu kavramlar:
 Dikkat mekanizması: Sinir ağlarında, bir modelin tahminler yaparken yalnız-
ca girdi verilerinin belirli yönlerine odaklanmasına izin vermek için bir dikkat
mekanizması kullanılır.
 Chatbot: Chatbot, özellikle internet üzerinden insan olan kullanıcılarla ko-
nuşmayı simüle etmek için tasarlanmış bir bilgisayar programıdır.
 Üretken Model: Üretken model, yalnızca girdi verilerine dayalı olarak sınıf-
landırma veya tahmin yapmanın aksine, yeni veriler üreten bir model türüdür.
 GPT: GPT, insan benzeri dili anlamak ve oluşturmak için denetimsiz ve dene-
timli öğrenme tekniklerini kullanan bir makine öğrenimi modelidir.
- 159 -
 Dil Modeli: Dil modeli, insan diline benzer metinler oluşturmak için eğitilmiş
bir yapay zekâ modeli türüdür.
 Mültimodal Nöronlar: Mültimodal nöronlar, bir nesnenin şeklini resim, metin
ve konuşma gibi farklı modlar veya temsiller üzerinden anlayabilen ve yorum-
layabilen yapay sinir ağı birimleridir.
 NLP: NLP, anlam çıkarmak ve yararlı bilgiler ortaya koymak için metin ve
konuşma gibi insan dilini analiz etmek ve yorumlamak için algoritmaların kul-
lanılmasını içeren bir yapay zekâ alanıdır.
 Sinir Ağı: Bir sinir ağı, aralarındaki bağlantıların gücünü ayarlayarak belirli bir
görevi yerine getirmek için veriler üzerinde eğitilen, birbirine bağlı işleme dü-
ğümlerinden oluşan bir makine öğrenimi modelidir.
 Denetimli İnce Ayar: Denetimli ince ayar, önceden eğitilmiş bir modelin be-
lirli bir görevdeki performansını iyileştirmek için daha küçük, etiketli bir veri
kümesi üzerinde daha fazla eğitildiği bir makine öğrenimi tekniğidir.
 Aktarım Öğrenimi: Aktarım öğrenimi, ChatGPT gibi araçların bir görevden
elde edilen bilgileri ilgili başka bir görevdeki performansını iyileştirmek için
kullanma yeteneğidir.
 Denetimsiz Ön Eğitim: Denetimsiz ön eğitim, bir modelin herhangi bir etiketli
örnek olmadan büyük bir veri kümesi üzerinde eğitildiği ve verideki temel ya-
pıyı ve kalıpları öğrenmesine izin veren bir makine öğrenimi tekniğidir.
ChatGPT, Kasım 2022 tarihinden itibaren programlama sektöründe ciddi gelişme-
lere öncülük etmiştir. Bu programın kullanıma sunulması ile birlikte bu alanda
yapılmış çalışmaların nicelik ve nitelik anlamında her geçen gün sayısının arttığı
görülmektedir. Bu çalışmalara kısaca literatür taraması kısmında değinilmiştir.
1. CHATGPT İLE İLGİLİ LİTERATÜR TARAMASI
Aydın ve Karaarslan (2022), Dijital Twin’in sağlık alanındaki uygulamalarına

yönelik ChatGPT’nin etkisini incelemişlerdir. 2020, 2021 ve 2022 yılları arasında
bu alanda yapılmış çalışmalar incelenmiş ve bu çalışmaların ChatGPT tarafından
yorumlanması takip edilmiştir. Elde edilen sonuçlar, sağlık alanında bu programın
kullanılmasının son derece umut verici olduğunu göstermiştir.
Gao ve diğerleri (2022) çalışmalarında etki faktörü yüksek beş tıp dergisinden 10
araştırma özeti toplamışlar ve ChaGPT'den başlıklarına ve dergilerine göre araştırma
- 160 -
özetleri oluşturmasını istemişlerdir. Çalışma sonucunda ChatGPT tarafından oluştu-

rulan özetlerin tümünün net bir şekilde yazıldığı doğrulanmıştır. Sonuç olarak,
ChatGPT, tamamen oluşturulmuş verilerle de olsa inandırıcı bilimsel özetler yaz-
maktadır. Elde edilen sonuç doğrultusunda araştırmacılar tarafından, yapay zekâ
çıktı algılayıcılarının editoryal sürece dâhil edilmesi çalışmada önerilmektedir.
Zhai (2022), eğitim sektöründeki araştırmacıların ChatGPT ile bilimsel çalışma
yapma olasılıklarını incelemiştir. Yapılan pilot uygulama sonucunda ChatGPT’nin
araştırmacıların tutarlı, doğru, bilgilendirici ve sistematik bir makale yazmalarına
yardımcı olabileceği kanıtlanmıştır.
George ve diğerleri (2023), OpenAI'nin GPT-3 teknolojisi tarafından desteklenen
bir Doğal Dil Üretimi modeli olan ChatGPT’nin, sohbet yoluyla e-ticaretin yanı
sıra eğitim, eğlence, finans, sağlık, haberleşme gibi diğer sektörleri nasıl geliştire-
bileceğini incelemişlerdir. Sonuç olarak ChatGPT tarafından sağlananlar gibi ya-
pay zekâ odaklı çözümlerin çeşitli iş sektörlerine uygulanmasının, günümüzde
kuruluşların çalışma biçimine katkı sağladığı çalışmada vurgulanmıştır.
Lo ve Singh (2023), doğal dil işleme (NLP) teknolojisinin yapılandırılmamış fi-
nansal metinlerin işlenmesi, analizi ve anlaşılması sürecine etkisini incelemişler-
dir. Çalışma sonucunda doğal dil işleme teknolojisindeki ilerlemeler ve mevcut
finansal verilerin hacminin artmasıyla, NLP’nin, finansal analiz ve yatırım kararı
vermeye, dolandırıcılık tespitine ve yasal uyumluluğa kadar değişen potansiyel
uygulamalarla finansta giderek daha önemli bir rol oynamaya hazırlandığına deği-
nilmiştir.
McGee (2023), çalışmasında ChatGPT’den ESG kavramının neden kötü bir kav-
ram olduğunu açıklayan bir makale yazmasını istemiştir. ChatGPT, bu kavramın
iyi bir fikir olduğu inancı nedeniyle bu makaleyi yazmayı reddetmiştir. Sonuç ola-
rak, ChatGPT kaba bir ilk taslak oluşturmak için iyi bir araştırma aracı olsa da, bu
çalışma sırasında bulunan birçok yanlışlık nedeniyle dikkatli olunması gerekliliği
araştırmacı tarafından belirtilmiştir.
Yue ve diğerleri (2023), finansal bilginin finansal olmayan profesyonellere iletil-
mesinde Açıklanabilir Yapay Zekâ ve ChatGPT gibi dil modellerinin kullanılabi-
lirliğini incelemişlerdir. Çalışma sonucunda, ChatGPT’nin karmaşık finansal kav-
ramları çok çeşitli hedef kitlelere erişilebilir kılmak için büyük bir potansiyele
sahip olduğu tespit edilmiştir. ChatGPT'nin, eşit şartlara sahip olma ve finansal
geçmişleri ne olursa olsun tüm bireyleri bilinçli yatırım kararları alma konusunda
güçlendirme potansiyeline sahip olduğu da çalışmada aktarılmıştır.
- 161 -
Zaremba ve Demir (2023), çalışmalarında ChatGPT teknolojisinin finans alanın-

daki mevcut durumunu ve mevcut NLP tabanlı finansal uygulamalarını iyileştirme
potansiyelini incelemişlerdir. Araştırmacılar tarafından incelenen literatür, Chat-
GPT'nin NLP tabanlı finansal uygulamalarını iyileştirme potansiyeline sahip oldu-
ğunu öne sürmekte, ancak aynı zamanda ele alınması gereken etik ve düzenleyici
kaygıları da gündeme getirmektedir.
Literatürde yapılan çalışmalar incelendiğinde ChatGPT teknolojisinin birçok sek-
törde kullanılmaya başlandığına rastlanılmıştır. Çok kısa bir süre içerisinde birçok
sektörde ve akademide kullanılan bu program dilinin önümüzdeki günlerde kulla-
nım alanını genişleteceği aşikârdır. ChatGPT, birçok sektörde kullanıldığı gibi
finans sektöründe de kullanım alanı bulmuştur. ChatGPT-finans ilişkisi araştırma-
cılar için ilgi uyandırmıştır.
2. CHATGPT-FİNANS ETKİLEŞİMİ
GPT teknolojisi, doğal dil anlama, doğal dil oluşturma ve metin tabanlı finansal
analize yardımcı olan ancak bunlarla sınırlı olmamak üzere finansın çeşitli alanla-
rında uygulanmıştır.
GPT teknolojisinin uygulandığı alanlardan biri, finansal veriler için doğal dil anla-
yışıdır. Örneğin, finansal belgelerde finansal belge sınıflandırması, duyarlılık ana-
lizi ve adlandırılmış varlık tanıma için GPT modelleri kullanılmıştır. Bu, finansal
veri analizi sürecini otomatikleştirerek daha verimli ve daha doğru hale getirmeye
yardımcı olmaktadır.
GPT teknolojisinin uygulandığı bir diğer alan da finansal raporlar ve özetler için
doğal dil üretimidir. GPT modelleri, daha doğru ve daha güvenilir bilgiler sağla-
yan finansal raporlar, özetler ve hatta finansal tahminler oluşturmak için kullanıl-
mıştır.
GPT teknolojisinin uygulandığı üçüncü bir alan, finansal duyarlılık analizi, haber
analitiği ve sosyal medya analitiği gibi metin tabanlı mali analizdir. GPT modelle-
ri, finansal haber makaleleri, sosyal medya gönderileri ve yatırımcı iletişimi gibi
yapılandırılmamış finansal verilerden bilgi çıkarmak için kullanılmıştır. Bu, hisse
senedi fiyatlarını tahmin etmede ve piyasa trendlerini tespit etmede yardımcı ol-
maktadır.
Finans endüstrisindeki sohbet robotları, müşterilerle metin veya ses yoluyla etkile-
şime giren ve finansal hizmetler sağlayan yapay zekâ destekli sanal asistanlardır.
- 162 -
Bu sohbet robotları, bankaların ve diğer finans kurumlarının 7/24 müşteri hizmet-

leri sunmalarına, tekrar eden görevleri otomatikleştirmelerine ve müşteri deneyi-
mini iyileştirmelerine yardımcı olmaktadır. Sohbet robotlarının hesap yönetimi,
müşteri hizmetleri ve yatırım danışmanlığı gibi finans alanındaki bazı yaygın uy-
gulamaları desteklediği görülmektedir.
Finans alanındaki sohbet robotları, şirketlerin maliyetleri düşürmesine, verimliliği
artırmasına ve müşteri deneyimini geliştirmesine yardımcı olmaktadır.
ChatGPT, finans kurumları tarafından farklı amaçlar için kullanılmaktadır. Örne-
ğin ChatGPT; finansal belge sınıflandırması, duyarlılık analizi ve finansal belge-
lerle adlandırılmış varlıkları tanıma amacıyla kullanılabilmektedir. ChatGPT, eko-
nomi ve finansın diğer alanlarında da kullanılmaktadır. Örneğin, finansal haber
makaleleri veya raporların oluşturmasının yanı sıra dolandırıcılık tespiti gibi alan-
larda da uygulanma potansiyeline sahiptir. Bu özelliği ile potansiyel olarak şirket-
leri ve finans kurumlarını dolandırıcılık nedeniyle önemli kayıplardan kurtarabil-
mektedir (Zaremba ve Demir, 2023). ChatGPT'yi finans sektöründe kullanmak,
müşteri hizmetleri maliyetlerini azalttığı ve müşterilere hızlı, doğru yanıtlar verdi-
ği için oldukça önemlidir. Bankalar, müşteriler ve temsilciler arasındaki konuşma-
ları otomatikleştirerek basit soruları yanıtlamak veya hesap bilgilerini kontrol et-
mek gibi sıkıcı görevlerde zamandan tasarruf etmektedir. Bu durum bankanın,
kaynaklarını bir kişi tarafından yanıtlanması gereken veya bankanın başka bir bö-
lümünden yardıma ihtiyaç duyan daha karmaşık sorular üzerinde kullanmalarına
olanak tanımaktadır. Ayrıca, ChatGPT'nin NLP özelliği, geçmiş etkileşimlerine ve
zaman içinde onlar hakkında toplanan verilere dayanarak her kullanıcıya benzersiz
bir şekilde yanıt vermesine olanak tanımaktadır. Bu avantaj, bankacılığı geleneksel
yöntemlere göre çok daha kolay ve hızlı hale getirmektedir (George vd., 2023).
ChatGPT, doğal dil işleme sistemiyle etkileşime giren kullanıcılardan toplanan
yeni veri kümeleriyle sürekli eğitim oturumları aracılığıyla devamlı olarak iyi-
leştirilmekte olan makine öğrenimi algoritmaları tarafından desteklenmektedir.
Bu, daha önce görülmemiş yeni soru türlerine yanıt verirken bile doğruluk dü-
zeylerinin yüksek kalması anlamına gelmektedir. Hangi tür soru gelirse gelsin,
bankanızın müşterilerinin her zaman hızlı bir şekilde güvenilir yanıtlar almasını
sağlamaktadır. Tüm bu avantajlarla birlikte, özellikle modern bankacılık hizmet-
lerinin daha çok rekabetçi hale gelmesinden dolayı, bu teknolojiye yatırım yap-
mak iyi bir fikirdir.
ChatGPT, anında chatbot desteği gibi özelliklerle finans ve bankacılıkta müşteri
hizmetlerini geliştirmektedir. Birçok müşteri sorusuna verimli bir şekilde yanıt
- 163 -
vererek onları tatmin etmektedir. ChatGPT, hesap bakiyelerini kontrol etme ve

hesap sorgularını yanıtlama gibi görevleri otomatikleştirmeyi kolaylaştırmaktadır.
Bu durum, müşteri hizmetleri temsilcilerinin daha karmaşık konulara odaklanma-
sını sağlamaktadır. Bu avantajlar finans ve bankacılıkta etkinliği ve çıktıyı artır-
maktadır. Bunların yanında ChatGPT müşterilerin finansal ihtiyaç ve hedeflerine
göre özel tavsiyeler ve öneriler sağlamaktadır. Bu sebeple, müşteri sadakati ve
finans/bankacılıkta güven artmaktadır. ChatGPT, müşteri etkileşim modellerini
analiz ederek dolandırıcılık faaliyetlerini tespit etmeye yardımcı olmaktadır. Bu
durum mali kayıpların yaşanmasının önüne geçmektedir (George ve George,
2022).
Finans ve bankacılık sektörleri, müşteri sorularına zamanında yanıt verebilecek
sohbet robotları oluşturmak için ChatGPT'yi kullanmaktadır. Bir işletmenin web
sitesi veya uygulaması, müşterinin bilgiye erişimini kolaylaştırmak için bir sohbet
robotu ile zenginleştirilmektedir. ChatGPT, müşterilerin harcamalarını izlemeleri-
ne, finansal planlar oluşturmalarına ve fonlarıyla ilgili bilinçli kararlar almalarına
olanak tanımaktadır. ChatGPT, müşterilere risk toleranslarına, amaçlanan sonuçla-
ra ve yatırım geçmişine uygun olarak özel yatırım tavsiyeleri sunmanın yanında
yatırımcıların ihtiyatlı kararlar almalarına yardımcı olmaktadır. ChatGPT, müşteri
etkileşimlerinin incelenmesi ve anormal davranışların saptanması yoluyla dolandı-
rıcılık faaliyetlerini ortaya çıkarmak içinde kullanılmaktadır.
Bankalar ve diğer finansal kuruluşlar, dolandırıcılık faaliyetlerinden kaynaklanan
kayıpları azaltmak için çaba göstermektedir. ChatGPT, müşterilerin sorguları ve
yanıtları için doğal dil işleme sağlayarak finans kurumlarının müşteri hizmetleri
yeteneklerini genişletmelerine olanak tanımaktadır. Uluslararası bankalar ve finans
kuruluşları için bu durum avantaj sağlamaktadır.
Finansal kurumlar, ChatGPT’yi müşteri bilgilerini incelemek, kredi notları oluş-
turmak ve daha bilinçli borç verme kararlarına varmak için kullanabilmektedir.
ChatGPT, müşterilerin mali durumlarına ve kredi geçmişlerine göre müşterilere
kredi vermek amacıyla da kullanılmaktadır (George vd., 2023). ChatGPT, bir yatı-
rım veya krediyle ilişkili risk düzeyini belirlemek için borçlunun kredi sicilini,
sektörün istikrarını ve piyasadaki dalgalanmaları analiz edebilmektedir. Finansal
kurumlar bunu riski azaltmanın bir yolu olarak kullanabilmektedir. ChatGPT, fi-
nansal kurumların düzenlemelere ve standartlara uymasını garanti etmektedir. Ku-
rumlar, olası uyum endişelerini belirleyerek bunları önceden ele alabilmektedir.
ChatGPT kullanılarak finansal işlemler analiz edilebilir, pazar eğilimleri tespit
edilebilir ve daha bilinçli iş kararları almak için daha fazla iç görü elde edilebil-
- 164 -
mektedir. Bu durum veriler, raporlar ve diğer belgeleri oluşturmak için kullanıla-

bilmektedir. ChatGPT, emeklilik planlaması, kredi notları ve yatırım konularında
danışmanlık da sağlamaktadır. ChatGPT sayesinde müşteriler finansal okuryazar-
lık kazanabilmekte ve bilinçli finansal kararlar alabilmektedir. ChatGPT, müşteri
hizmetlerini güçlendirmek, verimliliği artırmak, deneyimleri özelleştirmek ve risk-
leri azaltmak için bankacılık ve finans sektöründe kullanılabilmektedir.
Chatbot'lar, insan davranışlarını taklit etme yetenekleri nedeniyle çeşitli iş gerek-
sinimleri ve sektörler için oldukça avantajlıdır (George vd., 2023).
Finans sektöründe, müşterilere uygun ve verimli hizmetler sağlamaya yönelik ge-
liştirilen sohbet robotları farklı şekillerde kullanılmaktadır. Bu kullanımlara farklı
şirketler üzerinden örnekler verilebilir (Ali ve Aysan, 2023). Bunlar:
 HSBC’nin Amelia’sı: Müşterilere hesap yönetimi, para transferleri ve yatırım
danışmanlığı konularında yardımcı olabilecek bir sanal asistan.
 Chase’nin COIN’i: Müşterilere hesap sorguları, kart etkinleştirme ve dolandı-
rıcılık uyarıları konusunda yardımcı olan bir sohbet robotu.
 Citi’nin Sanal Asistanı: Müşterilere hesap yönetimi, bakiye sorgulama ve
fatura ödemelerinde yardımcı olan bir sohbet robotu.
 Amerika Bankası’nın Erica’sı: Müşterilerin hesaplarını yönetmelerine, fatu-
ralarını ödemelerine ve bütçe planları yapmalarına yardımcı olan sanal bir mali
asistan.
 Sermaye Bir Eno: Müşterilerin hesap bakiyelerini kontrol etmelerine, işlemle-
ri görüntülemelerine ve dolandırıcılık uyarıları almalarına yardımcı olan bir
sohbet robotu.
 Ally Asistan: Ally Bank tarafından sunulan ve müşterilere hesap yönetimi,
fatura ödemeleri ve yatırım danışmanlığı konularında yardımcı olan bir sanal
asistan.
 TD Ameritrade'in yapay zekâ destekli sohbet robotu: Gerçek zamanlı pazar
öngörüleri ve yatırım önerileri sağlayan sanal bir asistan.
 American Express'in sanal asistanı: Kart sahiplerinin hesaplarını yönetmele-
rine, ödülleri takip etmelerine ve müşteri hizmetleri almalarına yardımcı olan
bir sohbet robotu.
 Fidelity'nin sanal asistanı: Müşterilere yatırım tavsiyesi, hesap yönetimi ve
araştırma konusunda yardımcı olan bir sohbet robotu.
- 165 -
GPT teknolojisi, doğal dil anlama, doğal dil oluşturma ve metin tabanlı finansal
analiz gibi çeşitli finans alanlarında çok umut verici olduğunu göstermiştir. Gele-
cekteki araştırmalar, finansta GPT teknolojisinin yeni uygulamalarını geliştirmeye
ve mevcut olanların performansını iyileştirmeye odaklanmalıdır (Zaremba ve De-
mir, 2023).
3. Sonuç ve Öneriler
Yapay zekâ devriminin son ürünlerinden olan ChatGPT, kısa süre içerisinde sohbet
robotları içerisinde bir devrim yaratmıştır. ChatGPT, birçok sektörde olduğu gibi
finans sektöründe de ihtilal yaratan, en yeni ve en güçlü açık yapay zekâ sohbet ro-
botu olarak görülmektedir. ChatGPT, finansal kurumlara hesap yönetimi, müşteri
hizmetleri, yatırım danışmanlığı, veri analizi ve finansal düzenlemelere ve yasalara
uyum gibi hizmetler sunması, konuşma davranışı, sürekli öğrenme, kişiselleştirme
ve birlikte çalışabilirlik gibi benzersiz özelliklere sahip olması bu sohbet robotunun
neden bu kadar hızlı ilerlediği sorusuna cevap olarak gösterilmektedir.
Yatırımcıların irrasyonel yatırımcı davranışlarının ortaya çıkardığı rasyonel olma-
yan yatırım davranışlarının önüne geçmek için oluşturulan robo-danışmanlık hiz-
metlerinde olduğu gibi ChatGPT, hisse senedi fiyat tahmini, yatırım ve portföy
yönetimi vb. görevleri yerine getirme özelliklerine sahiptir. Ancak ChatGPT'nin
bu görevleri gerçekleştirmesi için büyük miktarda veriye, derin öğrenmeye ve ma-
kine öğrenimi algoritmalarına ve ağlarına ihtiyacı vardır. Bu sistemlerin tam anla-
mı ile kurulmaması durumunda istenilen verim düzeyine ulaşmak pek mümkün
değildir. ChatGPT, hisse senedi fiyat tahmini gibi bireysel yatırımcıların yatırım
süreçlerinde aktif rol alması onun kusursuz bir program olduğunu açıklamamakta-
dır. Hisse senedi fiyat tahmini gibi yatırımcılar için oldukça önemli olan bir konu-
da bazı durumlarda bu program hatalı çıktılar verebilmektedir. Bu nedenle Chat-
GPT’nin hisse senedi fiyat tahmini yapması yüksek risk taşımaktadır. ChatGPT,
hala daha eksikleri olan ve güvenirlilik konusunda bir takım soru işaretleri taşıyan
bir program olması sebebi ile yatırımcıların bu programı kullanırken dikkatli dav-
ranmaları gerekmektedir.
Açıklanabilir yapay zekâ teknolojisindeki son gelişmeler ve ChatGPT gibi dil mo-
delleri, finansal bilgilerin finans dışı profesyonellere iletilme biçiminde devrim
yaratma potansiyeline sahiptir. Literatürde yapılan çalışmalar ChatGPT’nin kar-
maşık finansal kavramları çok çeşitli hedef kitlelere açıklamak için bir araç olarak
büyük bir potansiyele sahip olduğunu göstermektedir. ChatGPT’nin finansal bilgi-
- 166 -
leri finansal olmayan profesyoneller tarafından kolaylıkla anlaşılabilecek bir dile

etkili bir şekilde dönüştürme yeteneği önemli bir avantaj olarak görülmektedir.
ChatGPT’nin kullanımı, eşit şartlara sahip olma ve finansal geçmişleri ne olursa
olsun tüm bireyleri bilinçli yatırım kararları alma konusunda güçlendirme potansi-
yeline sahiptir.
Yapay zekâ devriminin önümüzdeki süreçte nasıl bir gelişim göstereceğini şimdi-
den kestirmek güçtür. Bu nedenle bu teknolojinin finansal piyasalara etkisini tah-
min etmek de pek mümkün değildir. Son yıllarda ortaya çıkan robo-danışmanlık
hizmetleri, makine öğrenimi algoritmaları ve ChatGPT gibi yazılımlar birçok sek-
törde olduğu gibi finans sektörüne yenilikler katmıştır. Yaşanacak yeni gelişmele-
rin de beraberinde birçok yeniliği getireceği de aşikârdır.
Türkiye’de bu alanda yapılmış çalışma sayısının oldukça sınırlı olduğu görülmek-
tedir. Özellikle ChantGPT dil programının finansal piyasalar üzerindeki etkisini
inceleyen çalışmaya rastlanılmadığı ve bu çalışmanın bu alana ışık tutma potansi-
yelinin olduğu söylenebilir. ChatGPT programının gerekli eksikliklerini gidermesi
durumunda finansal piyasalardaki kullanım alanını genişletmesi beklenmektedir.
Finansal piyasalara Chat GPT’nin etkisini inceleyen teorik ve uygulamaya yönelik
çalışmaların sayısının gün geçtikçe artacağı düşünülmektedir.
KAYNAKÇA
Ali, H. ve Aysan, A. F. (2023). What will ChatGPT Revolutionize in Financial Industry?

SSRN 4403372’de mevcuttur.
Aydın, Ö. ve Karaarslan, E. (2022). OpenAI ChatGPT Generated Literature Review: Digi-
tal Twin in Healthcare . In Ö. Aydın (Ed.), Emerging Computer Technologies 2 (pp.
22-31). İzmir Akademi Dernegi.
Baidoo-Anu, D. ve Owusu Ansah, L. (2023). Education in the era of generative artificial
intelligence (AI): Understanding the potential benefits of ChatGPT in promoting te-
aching and learning. SSRN 4337484’de mevcuttur.
Dowling, M. ve Lucey, B. (2023). ChatGPT for (finance) research: The Bananarama con-
jecture. Finance Research Letters, 53, 103662.
Gao, C. A., Howard, F. M., Markov, N. S., Dyer, E. C., Ramesh, S., Luo, Y. ve Pearson,
A. T. (2022). Comparing scientific abstracts generated by ChatGPT to original abst-
racts using an artificial intelligence output detector, plagiarism detector, and blinded
human reviewers. bioRxiv, 1-12.
George, A. S. ve George, A. H. (2022). A Review of Moonlighting in the IT Sector And its
Impact. Partners Universal International Research Journal, 1(3), 64-73.
- 167 -
George, A. S., George, A. H. ve Martin, A.S.G. (2023). A review of ChatGPT AI's impact
on several business sectors. Partners Universal International Innovation Journal,
1(1), 9-23.
Lo, A. W. ve Singh, M. (2023, in press). “From ELIZA to ChatGPT: The Evolution of
NLP and Financial Applications,” Journal of Portfolio Management.
Lund, B. D. ve Wang, T. (2023). Chatting about ChatGPT: how may AI and GPT impact
academia and libraries?. Library Hi Tech News.
McGee, R. W. (2023). Is ESG a Bad Idea? The ChatGPT Response. Working Paper,
https://ssrn. com/abstract= 4413431.
Rathore, R. S., Kaiwartya, O., Qureshi, K. N., Javed, I. T., Nagmeldin, W., Abdelmaboud,
A. ve Crespi, N. (2022). Towards enabling fault tolerance and reliable green commu-
nications in next-generation wireless systems. Applied Sciences, 12(17), 8870.
Singh, D. (2023). ChatGPT: A New Approach to Revolutionise Organisations. Internatio-
nal Journal of New Media Studies (IJNMS), 10(1), 57-63.
Wenzlaff, K. ve Spaeth, S. (2022). Smarter than Humans? Validating how OpenAI’s
ChatGPT model explains Crowdfunding, Alternative Finance and Community Finan-
ce. Validating how OpenAI’s ChatGPT model explains Crowdfunding, Alternative
Finance and Community Finance.(December 22, 2022).
Yue, T., Au, D., Au, C. C. ve Iu, K. Y. (2023). Democratizing financial knowledge with
ChatGPT by OpenAI: Unleashing the Power of Technology. SSRN 4346152’de mev-
cuttur.
Zaremba, A. ve Demir, E. (2023). ChatGPT: Unlocking the Future of NLP in Finance.
SSRN 4323643’de mevcuttur.
Zhai, X. (2022). ChatGPT user experience: Implications for education. SSRN 4312418’de
mevcuttur.
- 168 -
11. BÖLÜM
YAPAY ZEKA UYGULAMALARININ

SÜRDÜRÜLEBİLİR TEDARİK
ZİNCİRLERİNE ETKİLERİ
Öğr. Gör. Dr. Sinan ÇIKMAK

Düzce Üniversitesi
Sosyal Bilimler MYO, İşletme Yönetimi Programı
sinancikmak@duzce.edu.tr
ORCID: 0000-0002-4704-3409
Giriş
Yapay zekâ, bilgisayar bilimlerinde normalde insan zekâsı gerektiren görevleri

yerine getirebilen sistemlerin geliştirilmesini kapsayan bir alandır. Yapay zekâ
sistemlerin insan müdahalesi olmaksızın doğru kararların verilmesini ve faaliyet-
lerin otomatik olarak yürütebilmesini sağlamaktadır. Yapay zekâ sadece insanla-
rın günlük yaşamlarında değil, aynı zamanda işletme operasyonlarında ve tedarik
zinciri yönetiminde de uygulanmaktadır (Helo & Hao, 2021: 1587). Her geçen
gün genişleyen bir uygulama yelpazesine sahip olan yapay zekâ uygulamaları
uluslararası ticaret, lojistik, tedarik zinciri yönetimi başta olmak üzere sağlık,
üretim, güvenlik, inşaat, eğitim, hukuk gibi birçok alanda kullanılmaya başlan-
mıştır (Turgut, 2023: 462). Yapay zekâ teknolojilerinin ekonomik katkısının
2030 yılına kadar yaklaşık 13 trilyon dolar olacağı ve küresel GSYH'yi yılda
yaklaşık yüzde 1,2 oranında artıracağı tahmin edilmektedir (Pournader vd.,
2021: 2). İşletmelerin verimliliğini ve rekabet gücünü artırma potansiyeline sa-
hip olan yapay zekanın hem akademik çalışmalarda hem de endüstride ön plana
çıkmasının nedenleri; hesaplama gücündeki önemli gelişmeler, Nesnelerin İnter-
neti (Internet of Things- IoT) cihazlarının yaygın olarak benimsenmesi, büyük
veri kümelerinin kullanılabilirliği ve yeni öğrenme algoritmalarının geliştirilme-
sidir. Ayrıca günümüzde Google, IBM, Microsoft ve Amazon gibi önde gelen
- 169 -
teknoloji şirketlerinin gelişmekte olan yapay zekâ pazarının öncüsü olabilmek

için önemli yatırımlar yapmaya devam etmeleri konunun önemini vurgulamakta-
dır (Pournader vd., 2021: 2).
Son yıllarda, karmaşık sistemlerin modellenmesi ve simülasyonu için yapay zekâ
tekniklerinin kullanımı yaygınlaşmış (Chen vd., 2008), uygulama örnekleri birçok
endüstride giderek artan bir ilgi görmeye başlamıştır (Helo & Hao, 2021). Model-
lemede ve simülasyonda yapay zekanın kullanılması, gelişmiş senaryo bazlı ana-
lizleri mümkün kılmaktadır. Böylece sistem davranışının daha iyi anlaşılması sa-
yesinde karar vermeye destek olmaktadır (Pournader vd., 2021: 4). Yapay zekâ ve
uygulamaları, son derece heyecan verici ve değerli araştırma alanlarından biri ha-
line gelmeye başlamıştır. Henüz emekleme aşamasında olsa da iş dünyasında ya-
pay zekâ destekli uygulamalarla karşılaşmak mümkündür. Örneğin en büyük pera-
kendecilerden biri olan Walmart, büyük miktarda veriyi işlemek için yapay zekâ
teknolojinden yararlanmaktadır. Müşterilerinin farklı sosyal medyadaki faaliyetle-
rini analiz ederek müşterilerin tercihleri ve davranışları hakkında içgörü oluştur-
makta ve doğrudan hedef müşteriyi tespit ederek ürün hakkında bilgileri aktarmak-
tadır (Helo & Hao, 2021: 1577). Bir başka örnekte ise yapay zekâ aracılığı ile ta-
şımacılık faaliyetlerindeki yüklerin planlaması ve daha dengeli bir nakliye planının
oluşturulmasıdır. ProvisionAI şirketinin LevelLoad yazılımı sevkiyat modellerini
analiz ederek gelecek 30 gün içinde talepteki ani artışları belirlemektedir. Sistem
daha sonra bazı yükleri erken göndererek veya daha az ihtiyaç duyulan ürünleri ise
birkaç gün bekleterek optimizasyonu sağlamaktadır (Arabe, 2023).
Tedarik zinciri yönetimi, yapay zekâ uygulamalarından en çok yararlanabilecek
alanlardan biri olarak kabul edilmektedir (Toorajipour vd., 2021: 502). Bununla
birlikte, son zamanlarda konuyla ilgili araştırmalarda yaşanan patlamaya rağmen,
tedarik zincirlerindeki yapay zekâ potansiyeli tam olarak keşfedilmemiştir (Dora
vd., 2021: 4621). Tedarik zincirlerindeki yapay zekâ, daha doğru kapasite planla-
ması, gelişmiş talep tahmini, gelişmiş üretkenlik, daha düşük tedarik zinciri mali-
yetleri ve daha fazla çıktı için gereken güçlü optimizasyon yeteneklerini sunmak-
tadır. Yapay zekâ ile entegrasyon sayesinde tedarik zinciri yönetimi, kendi farkın-
dalığına sahip olma, kendi kendini yönetme ve kendi kendini optimize etme özel-
liklerine sahip otonom tedarik zinciri haline gelmektedir (Helo & Hao, 2021:
1587). Böylece tedarik zinciri boyunca ortaya çıkabilecek risklerin veya kesintile-
rin hızlı bir şekilde değerlendirilmesine ve etkilerinin azaltılmasına olanak tanıyan
veriye dayalı doğru tahminler yapılarak gerekli adımlar atılabilmektedir. Örneğin,
bir tedarik zinciri görünürlüğü, risk, uyum ve sigorta çözümü olan Overhaul, kul-
- 170 -
- Yapay Zeka Uygulamalarının Sürdürülebilir Tedarik Zincirlerine Etkileri -
lanıcıların transit sevkiyat riskine hızlı bir şekilde yanıt vermelerini sağlamak için
platformunda RiskGPT adlı bir yapay zekâ yazılımı kullanmaktadır. Nakliyeciler
RiskGPT'ye belirli bir olaya nasıl çözüm sunacaklarını sorduklarında ayrıntılar ve
bağlamsal doğruluk içeren bir yanıt almaktadır. Bu uygulama sayesinde karar
vericiler daha fazla sayıda riski yönetebilmektedir (Arabe, 2023).
Diğer yandan, tedarik zincirinde sürdürülebilirlik, her geçen gün önemi hızla artan
bir konu haline gelmiştir. Dünyanın dört bir yanındaki şirketler karbon emisyonla-
rını azaltmak, atıkları azaltmak ve çalışma koşullarını iyileştirmek için önemli
adımlar atmaktadır. İşletmeler tedarik zinciri yönetimi sistemlerinde sürdürülebi-
lirlik metriklerini takip ederek, yenilenebilir enerjiye öncelik veren, ürünleri ve
malzemeleri geri dönüştüren veya tedarikçiler arasında daha fazla sosyal sorumlu-
luğu teşvik eden çok yönlü programları izlemeleri gerekmektedir (Luther, 2020).
İşte bu bölümde yapay zekanın sürdürülebilir tedarik zincirine etkilerinin neler
olduğu/olabileceği konusunda bir içgörü sunulması amaçlanmıştır. Bu amacın ger-
çekleştirilmesi için sürdürülebilir tedarik zinciri yönetiminde yapay zekâ uygula-
maları ile ilgili makaleler, raporlar ve güvenilir internet kaynakları incelenerek
konuyla ilgili güncel bilgiler derlenmeye çalışılmıştır. Sürdürülebilir tedarik zinciri
yönetimini destekleyen çeşitli yapay zekâ uygulamalarının etkileri vurgulanarak,
son derece yeni bir çalışma alanı olan sürdürülebilir tedarik zincirinde yapay zekâ
uygulamalarına yönelik anlayışın oluşturulması konusunda rehberlik edebilecek
bilgiler aktarılmıştır.
1. Sürdürülebilir Tedarik Zinciri
Sürdürülebilirlik her geçen gün önemi artan ve işletmelerin benimsemesi gereken

ve tüm iş süreçlerini etkileyen bir kavram olarak ortaya çıkmıştır. Müşteriler, çalı-
şanlar, yatırımcılar, hükümetler ve hatta kamuoyu, şirketler üzerinde çevreye zarar
vermemeleri ve sosyal sorumluluk faaliyetleri sergilemeleri konularında giderek
artan bir baskı oluşturmaktadır. Bu nedenle günümüzde işletmeler ürün ve hizmet-
lerinin sunumunda yürüttükleri faaliyetlerin ekonomik faydalarının yanı sıra çev-
resel ve sosyal etkilerini de göz önünde bulundurmaları gerekmektedir. Sürdürü-
lebilirlik ilkesi, işletmelerin karlılıklarını korurken hammadde ve kaynakları etkili
bir şekilde kullanmayı, çevreye zarar vermemeyi ve toplumsal refahı artırmayı
birlikte gerçekleştirmeyi amaçlamaktadır. Sürdürülebilirliğin çıktıları, çevresel,
sosyal ve ekonomik performansa ulaşmanın yanı sıra çevresel ve sosyal açıdan
sorumlu uygulamaların benimsenmesini kapsar (Koberg& Longoni, 2019: 1085).
- 171 -
Tüm dünyada odak noktasının firma seviyesinden tedarik zinciri seviyesine dö-
nüşmesi, işletmelerin sadece kendi içi operasyonlarında değil, ürettikleri ürünlerin
tüm yaşam döngüsü boyunca sürdürülebilirlik ilkeleri doğrultusunda tüm ortakları
ile birlikte hareket etmesi gerekliliğini doğurmuştur. İşte bu noktada sürdürülebilir
tedarik zinciri kavramı ön plana çıkmaktadır. Sürdürülebilir tedarik zinciri yöneti-
mi, müşteri ve paydaş gereksinimlerinden türetilen sürdürülebilir kalkınmanın
ekonomik, çevresel ve sosyal olmak üzere üç boyutundaki hedefleri dikkate alarak
tedarik zinciri boyunca işletmeler arasından malzeme, bilgi ve sermaye akışlarının
yönetimi ve işbirliğinin sağlanması olarak tanımlanmaktadır (Seuring & Muller:
2008:1700). Sürdürülebilir tedarik zinciri yönetimi kısa ve uzun vadeli karlılığı,
paydaş gereksinimlerini, rekabet gücünü ve kuruluşun dirençliliğini elde etmek
için ürün veya hizmetlerin tedariki, üretimi ve dağıtımıyla ilişkili malzeme, bilgi
ve sermaye akışlarını etkin bir şekilde yönetmek için koordineli bir tedarik zinciri
oluşturmak üzere sosyal, ekonomik ve çevresel hususların temel kuruluşlar arası iş
sistemleriyle gönüllü olarak bütünleştirmektedir (Dubey vd., 2017: 1120). Birleş-
miş Milletler Global Impact 2010 Raporu’na göre tedarik zinciri sürdürülebilirliği,
çevresel, sosyal ve ekonomik etkilerin yönetimi ile ürün ve hizmetlerin yaşam
döngüsü boyunca iyi yönetişim uygulamalarının teşvik edilmesidir. Tedarik zinciri
sürdürülebilirliği ile ürünlerin/hizmetlerin müşteriye ulaşıncaya kadar ki tüm pay-
daşlar için uzun vadeli çevresel, sosyal ve ekonomik değer yaratmak, korumak ve
büyütmek amaçlanmıştır (Gedik, 2021: 832).
Sürdürülebilir tedarik zincirlerine odaklanmak çevresel, sosyal ve yönetişim çaba-
ları için kilit önem taşımaktadır. Çünkü bir kuruluşun sera gazı emisyonlarının
%90'ından fazlası ile işletme maliyetlerinin %50 veya %70'i tedarik zincirleri faa-
liyetlerinden kaynaklanmaktadır (Alves & Steinberg, 2022). Sürdürülebilir tedarik
zinciri kapsamında yürütülen tüm faaliyetler, odak işleteme ile birlikte çalışan alt
işletmelerin yanı sıra müşterilere kadar uzanan geniş bir ağı kapsamaktadır. Teda-
rik zinciri sürdürülebilirliği, şirketlerin hammadde tedarikinden üretime, depola-
maya, teslimata ve hatta ürünlerin geri dönüşümüne kadar tüm süreçlerdeki yolcu-
luğunun çevresel ve insani etkilerini dikkate alma çabalarına karşılık gelmektedir.
Bu yolculuktaki amaç, enerji kullanımı, su tüketimi ve atık üretimi gibi faktörler-
den kaynaklanan çevresel zararı en aza indirirken, faaliyetlerin içindeki ve çevre-
sindeki insanlar üzerinde olumlu bir etki oluşturmaktır. Aynı zamanda bu süreçte,
karlılıkla ilgili geleneksel tedarik zinciri hedeflerinin gerçekleştirilmesi gerekmek-
tedir. Sonuç olarak işletmeler tedarik zincirlerini sürdürülebilir kılmak ürün ve
hizmetlerinin yaşam döngülerinin başından sonuna kadar çevresel ve sosyal etkile-
rini yönetebilmek için ölçmeleri gerekecektir.
- 172 -
Tedarik zinciri ağlarında işletmelerin çok kademeli tedarikçilerle çalışması tedarik

zinciri sürdürülebilirliğinin sağlanmasının önündeki en büyük zorluklardan biridir.
Çünkü geniş tedarik zinciri yapısı görünürlüğüne engel olmaktadır. Yakın zamanda
Ernst & Young tarafından yapılan bir araştırmaya katılan işletmeler, birinci kade-
me tedarikçilerinin ötesindeki ortakların faaliyetlerine ilişkin şeffaflık eksikliği
olduğunu dile getirmişlerdir (Luther, 2020). Şirketlerin sürdürülebilirliği genel iş
stratejilerinin merkezine koymaları gerekmektedir. Süreci başlatmak için, yönetici-
ler tedarik zinciri ağlarının tüm işlevlerini incelemeli ve kuruluşlarının içindeki ve
dışındaki sürdürülebilirlik zayıflıklarını belirlemelidir (Howells, 2022). İlk hedef-
ler belirlendikten sonra, işletme yöneticileri performans ölçümü yapmalı ve ope-
rasyonlarını iyileştirmek için tedarik zinciri boyunca elde edilen verileri kullanma-
lıdır. Sürdürülebilirlik, bir ürünün tasarımından kullanım ömrünün sonuna kadar
uzanmalıdır. Ürün yaşam döngüsü; ürün tasarımı, hammaddelerin tedariki, malla-
rın üretimi, son adım lojistiğini ve hatta ürün kullanımı, iadeleri ve geri dönüşüm
süreçlerine kapsamalıdır (Howells, 2022).
Günümüzde geri dönüştürülebilir ürünler tasarlayan, etik olarak tedarik edilen
veya yeniden kullanılan malzemelerle üretim yapan ve minimum karbon emisyonu
veya atıkla ürünler sunan daha gezegen dostu işletmelerin rekabet yarışında öne
geçmeye başlamıştır (Howells, 2022). Ancak, tedarik zinciri yöneticileri, sürdürü-
lebilirliği göz önünde bulundurarak, kaynaklara erişimlerini korumak ve dayanıklı-
lıklarını artırmak için gerekli adımları atmalıdır. Sürdürülebilirlik konusunda karşı-
laşılan problemlerden biri de tedarik zinciri görünürlüğünün arttırılmasıdır. Teda-
rik zinciri görünürlüğü, bir ürünün üretim aşamasından son tüketiciye kadar olan
süreç boyunca adımların, bileşenlerin ve bilgilerin açık ve şeffaf bir şekilde izlen-
mesi ve takip edilmesi anlamına gelmektedir. Görünürlük şirketlerin malzeme ve
tedarik faaliyetlerini takip etmelerine, tedarikçilerin çalışma koşullarını anlamala-
rına ve program etkinliklerini ölçmek için veri toplamalarına yardımcı olur (Alves
& Steinberg, 2022). Yöneticiler için uçtan uca tedarik zinciri görünürlüğünün artı-
rılması en önemli önceliklerden biri olsa da bu konuda çalışmalar istenilen seviye-
ye ulaşamamıştır. Ernst & Young’ın yapmış olduğu bir araştırmada birçok yöneti-
cinin tedarik zincirleri için uzun vadeli sürdürülebilirlik hedefleri oluşturmalarına
rağmen, çok azının ilerlemelerini ölçmek için yeterli görünürlük, teknolojik uygu-
lamalar ve kapsamlı programlara sahip olduğunu göstermiştir (Alves & Steinberg,
2022). Dolayısıyla tedarik zinciri sürdürülebilirliğinin oluşturulması, denetlenmesi
ve geliştirilmesi için gelişmiş dijital teknolojilere başvurulması gerekebilir. Dijital
araçlar, veri analitiği ve işbirliği platformları kuruluşların sürdürülebilir ölçütleri
yakalamasına, temel performans göstergelerini belirlemesine ve yönetişim oluş-
- 173 -
turmasına yardımcı olur. Yapay zekâ önemli teknolojik araçlardan biri olup tedarik
zinciri boyunca sürdürülebilirliğin takibi ve denetiminde işletmelere faydalar sağ-
layabilir.
2. Yapay Zekanın Tedarik Zincirindeki Rolü
Başlangıçta uzman sistemlerin ve bulanık mantığın geliştirilmesiyle başlayan ya-

pay zekâ, 2010'dan sonra büyük veri, analitik, grafik işlem birimleri, görüntü işle-
me ve derin öğrenmenin sayısız uygulamasının ortaya çıkmasıyla daha da olgun-
laşmıştır (Pournader vd., 2021: 1). Gelinen son aşamada ise yapay zekâ ve robotik
gibi yıkıcı teknolojilerle karakterize edilen dördüncü sanayi devrimi, insan ve ma-
kine arasındaki geleneksel sınırı bulanıklaştırmaya başlamıştır (Sharma vd., 2022:
7528). Genel olarak yapay zekâ, bilgisayarların akıl yürütme, kalıpları tanıma,
öğrenme veya deneyimlerden belirli davranışları anlama, bilgi edinme, tutma ve
optimal veya kesin çözümlerin üretilmesinin çok maliyetli veya zor olduğu karar
verme durumlarında sorunları çözmek ve çeşitli çıkarım biçimleri geliştirmek için
kullanılması olarak açıklanmaktadır. Yapay zekâ, bir makineye, öz farkındalığı ve
kendi kendine öğrenmesi yoluyla insanın üstesinden gelmek için kullandığı her-
hangi bir bilişsel işlevi yerine getirme yeteneği sağlar (Min, 2010). Tedarik zincir-
lerinin karmaşıklığı ve küreselliği, büyük veri setlerini sıralayıp işleyebilen, insan-
ların yaptığından daha az hatayla bilgi ve görselleştirmeler üreten yapay zekâ gibi
teknolojilerden faydalanabilir (Garcia, 2023). Bu nedenle yapay zekâ, tedarik zin-
ciri faaliyetlerinin otomasyonu ve dijitalleştirilmesi ve sonuç olarak tedarik zinciri
verimliliğinin artırılmasında etkili olacaktır. Tedarik zinciri yönetiminde yapay
zekâ kullanımı, mevcut iş uygulamalarını ve yönetim görevlerini temelden değişti-
rebilir (Sharma vd., 2022: 7528).
Tedarik zinciri yönetiminde yapay zekanın benimsenmesi, yapay zekanın karar
verme yeteneklerini geliştirme, döngü sürelerini azaltma ve genel operasyonel
verimliliği artırma potansiyelinden kaynaklanmaktadır. Yapay zekanın tedarik zin-
ciri yönetiminde avantajları güçlü optimizasyon yetenekleri, doğru tahmin yete-
nekleri, iyileştirilmiş kalite, daha düşük tedarik zinciri maliyetleri ve güvenli ça-
lışma koşullarıdır (Sharma vd., 2022: 7529). Tedarik zinciri yönetiminde yapay
zekâ, uçtan uca görünürlük ve şeffaflık sağlayarak hızlı ve duyarlı karar alma sü-
reçlerine katkı sağlayacaktır (Pournader vd., 2021). Organizasyonlar, tedarik zin-
cirleri sistemlerinde yapay zekayı kullanarak üretim planlaması, akıllı bakım, akıllı
hizmet operasyonları, akıllı üretim ve çizelgelemeyi kolaylaştırmak için darboğaz-
ları etkili bir şekilde tahmin edebilirler (Helo & Hao, 2021). Gerçek zamanlı bilgi-
- 174 -
lere dayanarak, üreticiler mevsimsel dalgalanmaları tahmin edebilir ve gelişmiş

kaynak planlaması ve talep odaklı üretim yoluyla kamçı etkilerini azaltabilir. En-
vanter optimizasyonu durumunda, arz-talep verilerinden yola çıkan yapay zekâ
tabanlı sistemler, israf ve maliyetlerin azaltılmasını mümkün kılan doğru planla-
maya yardımcı olur (Pillai vd., 2021). Yapay zekanın başarılı olduğu en büyük
alanlardan biri, envanter optimizasyonu ve eksiklik yönetimi ile ilgili faaliyetlerin
belirlenmesi ve önceliklendirilmesidir. Ardından bunların tedarik zinciri esnekliği-
ni ve yanıt verebilirliğini artıran otomatik iş akışlarına bağlanmasıdır (Lebovitz,
2023).
Bazı işletmeler, bilişsel tahminlere dayalı analitik öngörüler sunan yapay zekâ
destekli tedarik zinciri optimizasyon yazılımları kullanmaya başlamışlardır. Bu
yazılımlar tarafından sağlanan bilgiler (maliyet, zaman ve gelir verilerine dayalı
olarak) genel tedarik zinciri performansının iyileştirilmesine yardımcı olur (Shar-
ma vd., 2022: 7529). Yapay zekâ, tedarik zincirlerinde görünürlük sağlamak için
Nesnelerin İnterneti (IoT) sensör girdileriyle birlikte çalışabilir. Örneğin, Roam-
bee'nin yapay zekâ destekli platformu, gerçek zamanlı IoT sensör bilgilerini taşıyı-
cılardan, limanlardan, havaalanı operasyonlarından, demiryolu hatlarından, trafik
raporlarından ve hava durumu tahminlerinden gelen veri akışlarıyla birleştirmek-
tedir. Platform daha sonra bu verileri, ikmal tetikleyicileri ve kalite uyum tahmin-
leri gibi tahmine dayalı ve bağlamsal iş sinyallerine ve içgörülere dönüştürmekte-
dir (Arabe, 2023). Yapay zekanın talep tahmin yetenekleri, perakendecilerin ve
üreticilerin stok tutma birimlerinin mevsimselliğini anlamalarını sağlayarak envan-
ter seviyesini optimize etmek için kullanılmıştır. Örneğin, otomatik güneş koruma-
sı ve panjur üreticisi olan Gaviota firması, ToolsGroup'un SO99+ yazılımını kul-
lanmış ve stok seviyelerini %43'lük bir azalma elde ederek stok dönüşümünü 61
günden 35 güne indirmeyi başarmıştır (Arabe, 2023). Japon NEC şirketi, denetim
çalışmalarını ve ürün kalitesini eş zamanlı olarak iyileştirmek amacıyla lojistik
operasyonlarında görüntü tanıma teknolojisinden yararlanarak bir depo ürün dene-
tim sistemi geliştirmiştir. Sistem, sevk edilecek ürünlerin sevkiyat programı liste-
sindeki ürünlerle eşleşip eşleşmediğine dair anlık karar verebilmektedir (Helo &
Hao, 2021: 1577). Satınalma ve tedarikçi seçimi ile ilgili olarak tedarik zinciri
yönetiminde yapay zekanın rolü, tedarik verilerinin toplandığı, işlendiği ve analiz
edildiği harcama analizidir. Kuruluşlar tedarikçilerini yönetmek, tedarik ve teda-
rikçi performansını izlemek ve maliyetleri optimize etmek için harcama analizin-
den elde edilen bilgileri kullanır (Sharma vd., 2022: 7536). Yapay zekâ, büyük
miktarda veriyi işleme ve bu bilgilere dayanarak isabetli tahminler yapabilir. Ör-
neğin, navlun teknolojisi sağlayıcısı Loadsmart, navlun yönetim platformu Ship-
- 175 -
perGuide'a üretken bir yapay zekâ aracı entegre etmiştir. CoPilot adı verilen bu
yazılım, şirketlerin nakliye verilerine dayanarak raporlar, haritalar ve grafikler
oluşturmasına olanak tanıyor (Arabe, 2023).
Depo Optimizasyonu
Envanter Yönetimi
Tedarik Zincirinde
Yapay Zekanın
Kullanıldığı Alanlar
Taşımacılık
Optimizasyonu
Talep Tahmini
Müşteri Hizmetleri
Şekil 1. Yapay Zekanın Tedarik Zincirinde Kullanıldığı Alanlar (QUANTIC,

2023).
Yapay zekanın kullanım örnekleri tedarik zincirinin 5 farklı aşamasını işaret et-
mektedir. Bunlar Şekil 1’de görüleceği üzere; envanter yönetimi, talep tahmini,
taşımacılık optimizasyonu, depo otomasyonu ve müşteri hizmetleridir. Shrivastav
(2021) ise çalışmasında tedarik zinciri yönetiminin çeşitli alanlarında kendini gös-
termiş olan yapay zekâ uygulamalarının kullanım alanları daha kapsamlı bir şekil-
de ele alarak 6 temel tedarik zinciri faaliyetinde yapay zekâ kullanımlarını göster-
miştir. Tablo 1’de tedarik zinciri fonksiyonları ve yapay zekanın kullanım amaçları
açıklanmıştır.
- 176 -
Tablo 1. Tedarik Zinciri Yönetimi Fonksiyonlarında Yapay Zekâ Kullanımı
Tedarik Zinciri
Amaçlar Yapay Zekanın Kullanımı
Fonksiyonları
Operasyonel verimlilik elde Müşteri talep tahmini
Strateji ve Operasyon
etmek için tüm aktörler arasın-
Planlama Uçtan uca optimizasyon
da stratejik uyum sağlanması
Doğru satıcılardan optimum Tedarikçi analitiği ve seçimi

Tedarik ve Satınalma şartlarda istenen ürünlerin elde Optimum maliyet görüşme-
edilmesi leri
Önleyici bakım
Verimliliği artırmak için varlıkla-
Üretim Kusur azaltma
rın optimum tahsisi
Optimum iş gücü tahsisi
Akıllı depolama
Malların kaynaktan müşterilere
en düşük maliyetle sürekli akışı Otomatik yenileme
Lojistik ve Dağıtım
için tüm faaliyetlerin optimize Doğru envanter takibi
edilmesi
Optimum Ağ planlaması
Kişiselleştirme
Karı ve pazar payını artırmak
Pazarlama ve Satış için tedarik zincirini müşteri Dijital Hedef Pazarlama
talebiyle entegre edilmesi
İleri pazar araştırması
Hava durumu değişiklikleri-
Genel tedarik zincirini etkileye- nin tahmini
Ekstrem olaylara ha-
bilecek ekstrem olaylar için hızlı Doğal afetler ve benzeri
zırlık
çözüm geliştirilmesi görülmemiş olaylarda talep
oynaklığının tahmini
Kaynak: Shrivastav, (2021: 6).
Tedarik zincirindeki karmaşıklık son on yılda katlanarak artmıştır. Yapay zekâ,

işletmelerin büyük miktarda veriyi analiz etmesine, değerli içgörüler elde etme-
sine ve daha akıllı kararlar almasına yardımcı olabilir. Yapay zekâ teknolojisi,
operasyonların verimliliğini artırmak, maliyetleri düşürmek ve müşteri memnu-
- 177 -
niyetini artırmak için tedarik zinciri yapısını dönüştürebilme potansiyeline sahip-

tir. Yapay zeka, yenilikçi tedarik zinciri dönüşümü için vazgeçilmez hale gel-
mektedir. Yapılan bir araştırmada tedarik zinciri yöneticilerinin yüzde 46'sı, ya-
pay zekâ/bilişsel bilişim ve bulut uygulamalarının önümüzdeki üç yıl içinde diji-
tal operasyonlara en fazla yatırım yapılan alanlar olacağını belirtmişlerdir (But-
her, 2017). Son olarak bu dönüştürücü teknoloji, işletmelerin her gün gerçekleş-
tirdiği karbon emisyonları, atık üretimi, su tüketimi, enerji kullanımı gibi yüksek
oranda çevresel etkileri olan eylemler hakkında sürekli geri bildirim sağlayarak
bir işletmenin mevcut sürdürülebilirlik performansını izleyebilmesine katkı sağ-
layabilir (Garcia, 2023).
3. Sürdürülebilir Tedarik Zincirinin Oluşturulmasında Yapay

Zekanın Etkileri
Ürünlerin yaşam döngüleri boyunca çevresel, sosyal ve ekonomik etkilerinin

yönetimini ifade eden tedarik zinciri sürdürülebilirliği, gezegenimizin kötüleşen
durumu nedeniyle günümüzde işletmelerin önemle ele almaları gereken acil bir
konu haline gelmiştir. İklim krizi geri dönüşü olmayan bir noktaya yaklaştıkça,
şirketlerin iş uygulamalarının sürdürülebilir olmasını ve faaliyetleri nedeniyle
çevreye zarar vermemeleri gerekmektedir (Garcia, 2023). Araştırmalar, karbon
emisyonlarının yaklaşık %90'ının tedarik zincirlerinde meydana geldiği göster-
mektedir. Bu durum, çevresel ve sosyal tehditleri engellemek için sürdürülebilir
tedarik zinciri faaliyetlerine daha fazla önem verilmesini işaret etmektedir (Naz
vd., 2022: 2401). Ayrıca işletmeler, tedarik zincirlerinden kaynaklanan karbon
emisyonları azaltmak için çevre bilincine sahip tüketicilerin ve düzenleyici ku-
rumların artan baskısı altındadır. Ancak hala kat edilmesi gereken çok yol vardır
(Ashton, 2022).
Tedarik zincirleri karmaşık ve küresel bir yapıya sahiptir. Dolayısıyla, işletmelerin
sürdürülebilirlik performanslarını ölçmek, karbon ayak izlerini yönetmek ve atık-
larını azaltmak konusunda zorlanmaları şaşırtıcı değildir. Bir tedarik zincirinin
karmaşık yapısı yöneticilerin karar vermesini oldukça zor hale getirmektedir. Çün-
kü söz konusu yapı yöneticinin hesaplayamayacağı kadar çok değişken sunar. Bir
insan beyninin, tipik bir tedarik zincirinde yer alan yüzlerce tedarikçi ve diğer
paydaşlardan gelen bilgilere hızla adapte olması imkansızdır. Çünkü veri kümele-
rinin listesi sonsuzdur. Operasyonel faaliyetler, nakliye modlarının çeşitliliği, deği-
şen taşıma fiyatları, tahmini nakliye süreleri ve rota değişiklikleri bunlardan sade-
- 178 -
ce birkaçıdır (Ashton, 2022). Diğer taraftan birçok işletme için hem karbon emis-
yonlarının azaltılması hem de maliyetlerin düşük tutulmasını birbirleriyle çelişen
iki farklı hedef olarak görebilmektedir. Ancak birbirleriyle çelişmekten çok ta-
mamlayıcı yönlerinin keşfedilmesi gerekmektedir. Çünkü, işletmeler için çevresel
ve ticari hedefleri uyumlu hale getirmek mümkündür. Çevresel performansı iyileş-
tirme çabalarının işletme performansını iyileştirebileceği konusunda artık geniş bir
fikir birliği vardır. Örneğin, Unilever'in üretim operasyonlarını yenilenebilir enerji
kullanarak güçlendirme hedefi, operasyonel maliyetleri düşürme, esnekliği artırma
ve büyümeyi teşvik etme fırsatlarıyla açıkça bağlantılı olduğunu göstermektedir
(Stühler, 2021).
Sürdürülebilirlik son yıllarda kritik bir iş odağı haline gelmiş olup tedarik zincirle-
ri bu yükselişten önemli ölçüde etkilenmişlerdir. Sürdürülebilir iş uygulamalarının
önemli bir bileşeni olan tedarik zincirleri, ürünlerin ve malzemelerin küresel hare-
ketini içerir ve genellikle çevreyi ve sosyal koşulları etkiler. Tedarik zincirlerini
sürdürülebilir kılmak için ise şirketler daha fazla teknolojiye yönelmektedir. Gü-
nümüzün yapay zekâ ve analitik çözümleri, çevre politikalarının belirlenmesinden
tedarik hatlarının yeniden yönlendirilmesine kadar birçok aşamada veri odaklı
içgörüler sağlamaktadır (Stühler, 2021). İşletmelerin tedarik zinciri sürdürülebilir-
liğini sağlamada karşılaştıkları en önemli engellerden biri modern tedarik zincirle-
rinin karmaşıklığıdır. Dünya çapına yayılmış yüz binlerce tedarikçiyle, çevresel
verileri, özellikle de sürdürülebilirlik performanslarını izlemek, toplamak ve ölç-
mek zordur (Garcia, 2023). Hükümetler tarafından uygulanan yasal düzenleme
sayısındaki artış, tedarik zinciri verilerinin yönetiminin karmaşıklığını artırmakta-
dır. İşletmelerin veri odaklı kararlar alabilmesi, en etkili sürdürülebilirlik girişimle-
rini uygulayabilmesi ve mevcut ilerlemelerini analiz edebilmesi için tüm bu verile-
rin insan tarafından okunabilir bir formatta sentezlenmesi gerekir. İşte bu noktada
yapay zekâ, işletmelerin verilerle etkileşim kurma biçimini dönüştürme potansiyeli
devreye girmektedir.
Yapay zekâ, ürünleri ayırma ve sökme, bileşenleri yeniden üretme ve malzemeleri
geri dönüştürme süreçlerinde görünürlüğü ve eyleme geçebilmeyi artırabilir ve
malzemeler üzerindeki "döngüyü kapatmak" için gereken tersine lojistik altyapısı-
nın iyileştirilmesine yardımcı olabilir (La Face, 2023). İşletmeler depolar, tedarik-
çiler ve envanter dahil olmak üzere tedarik zinciri bileşenlerinin yapay zekâ des-
tekli sanal tasvirleri olan dijital ikizler oluşturabilir. Bunlar, çevreci olmanın mali-
yetini etkili bir şekilde hesaplayabilen hızlı ve kapsamlı simülasyonlar çalıştırarak
tedarik zinciri davranışı hakkında daha fazla bilgi sağlar (Ashton, 2022).
- 179 -
Yapay zekâ, tedarik zinciri sürdürülebilirliğini optimize etmek için de değerli bir
araç olabilir ve bunun önemli bir yolu da envanter seviyelerini tahmin etmek ve
yönetmektir. Yapay zekâ, envanter seviyelerini, satış modellerini ve tedarik zin-
ciri trendlerini analiz ederek bir işletmenin ihtiyaç duyduğu ve beklemesi gere-
ken arz ve talebi tahmin etmeye yardımcı olabilir (Garcia, 2023). Bu tür içgörü-
ler, ürünlerin aşırı üretimine, israfın azaltılmasına ve nakliye rotalarının analizi
yoluyla ürünlerin müşterilere güvenli bir şekilde teslim edilmesine yardımcı ola-
caktır. Avery Dennison şirketine göre aşırı üretim ve israf, yaklaşık 163 milyar
dolar değerinde kayıp envantere neden olmaktadır. İşletmeler kârlarını maksimi-
ze ederken aynı zamanda daha az ürün kaybetmek ve müşteri memnuniyetini
artırmak istiyorlarsa, yapay zekâ uygulamaları bunu başarmaya yardımcı olabilir
(Garcia, 2023). Yapay zekâ destekli algoritmalar, şirketlerin talep/tedarik model-
lerini tahmin ederek ve potansiyel tedarik zinciri aksaklıklarını belirleyebilir.
Böylece işletmeler tedarik zinciri operasyonlarını ve emisyon yoğunluğunu op-
timize edebilirler. Yapay zeka, hava durumu, tüketici davranışları ve taşımacılık
modelleri dahil olmak üzere birden fazla kaynaktan gelen verileri analiz ederek,
şirketlerin kullanılabilirliğini artırmak, israfı en aza indirmek ve teslimat karbon
ayak izini azaltmak için operasyonlarını planlamalarına ve ayarlamalarına yar-
dımcı olabilir (La Face, 2023).
Bir yapay zekâ sistemi şunları yapabilir (Garcia, 2023):
 Tedarik zinciri boyunca ortaya çakan önemli hacimdeki veriyi toplar, ana-
liz eder ve anlaşılır hale getirir.
 Sürdürülebilirlik iyileştirmeleri için önerilerle birlikte farkındalık sağlar,
modeller ve projeksiyonlar oluşturulmasını mümkün kılar.
 Toplanan bilgilerin sürekli raporlanması ve gerçekleştirilen tahmine dayalı
analiz sayesinde bir işletmenin gelişebileceği yolların yanı sıra nerede ba-
şarısız olduğunu tespit etme yeteneği sağlar.
 İşletme için tehdit oluşturan gelecekteki riskleri değerlendirebilir.
 Veriye dayalı karar verme yoluyla tedarik zinciri sürdürülebilirliğini opti-
mize eder.
 Aşırı üretimin ve atık üretiminin azaltılmasına üretimin iyileştirilmesine
ve verimliliğin artırılmasına katkı sağlar.
Tedarik zinciri yönetiminde yapay zekâ, sürdürülebilirliği geliştirmek için muaz-
zam bir potansiyele sahiptir. Yapay zekâ, gelişmiş analitik ve gerçek zamanlı veri-
leri kullanarak lojistiği optimize etmeye, israfı azaltmaya ve verimliliği artırmaya
- 180 -
yardımcı olabilir. Örneğin, yapay zekâ destekli tahmine dayalı analitik, hava ko-
şullarını, trafiğin durumunu ve yakıt verimliliğini göz önünde bulundurarak en
verimli nakliye rotalarını belirleyebilir. Bu sayede, taşımacılıkla ilişkili karbon
ayak izinin azaltılması ve tüm tedarik zincirinin sürdürülebilirliğinin iyileştirilmesi
mümkün olacaktır. Buna ek olarak, yapay zekâ talep tahminini ve envanter yöne-
timini iyileştirebilir. Yapay zekâ, geçmiş verileri analiz ederek ve makine öğrenimi
algoritmalarını kullanarak talebi daha doğru bir şekilde tahmin edebilir ve envan-
ter seviyelerini optimize ederek fazla stoğu azaltabilir. Böylece, sürdürülebilirliği
artırabilir, depolama ve depo yönetimiyle ilişkili maliyetleri azaltabilir.
Dünya Ekonomik Forum’unda, düşük karbonlu tedarik zincirlerine geçiş için ge-
lişmiş teknolojilerin iklim değişikliği çözümlerinin bir sonraki aşamasını mümkün
kılacak güçlü araçlar olabileceği vurgulanmıştır. Özellikle yapay zekâ teknolojisi,
optimum rota planlamasın ile verimli karbon sayımı analitiğine, varlık kullanımı-
nın artırılmasına ve akıllı stok yönetimine kadar lojistik faaliyetlerin farklı yönle-
rini optimize etme potansiyeline sahiptir. Yapay zekanın bu alanlarda uygulanması,
tedarik zincirlerini daha verimli, uygun maliyetli ve çevresel olarak daha sürdürü-
lebilir hale getirme potansiyelini sunmaktadır (La Face, 2023). Dahası, yapay
zekâ, üretim süreçlerinde otomasyon ve kestirimci bakım sağlayarak verimliliği
artırabilir ve enerji tüketimini azaltacaktır. Yapay zekâ, ekipman performans veri-
lerini gerçek zamanlı olarak izleyip analiz ederek bakım ihtiyaçlarını tahmin ede-
bilir ve olası arızaları meydana gelmeden önce belirleyebilir. Böylece, arıza süre-
sini ve bakım maliyetlerini azaltırken israfı ve enerji tüketimini en aza indirir
(Cannas vd., 2023). Yapay zekâ, işletmelerin tedarik zincirinde yeniden kullanım,
yenileme veya geri dönüşüm fırsatları için öneriler oluşturmak gibi döngüsel eko-
nomi uygulamaları yönelik ürün tasarımlarını optimize etmek için kullanılabilir.
Bunlar (La Face, 2023):
Enerji optimizasyonu: Yapay zekâ, enerji kullanımına ilişkin verileri analiz ederek
ve verimlilik iyileştirmeleri için fırsatları belirleyerek şirketlerin enerji tüketimle-
rini optimize etmelerine yardımcı olur.
Gemi, kamyon, uçak ve liman optimizasyonu: Yapay zekâ destekli yazılım çözüm-
leri deniz, kara ve hava taşımacılığının verimliliğini ve entegrasyonunu artıracak
kapasitedir. Emisyonları azaltmaya, ihtiyaçları öngörmeye ve operasyonlarda ve-
rimliliği artırmaya yardımcı olmak için yapay zekâ destekli yeni modeller geliştiri-
lebilir.
Talep tahmini: Yapay zekâ, daha doğru talep algılamasına dayalı olarak fazla stoku
veya üretimi azaltmak için kullanılabilir. Talebin ve satın alma modellerinin daha
- 181 -
iyi anlaşılması, daha az hammadde kullanımıyla sonuçlanan daha düşük üretim

israfına yol açtığı için bu önemlidir. Bu aynı zamanda nakliye ihtiyacının azalacağı
ve daha az ürünün israf edileceği anlamına gelir.
Ortaklık değerlendirmesi: Yapay zekâ, ortakların ve tedarikçilerin sürdürülebilirli-
ğini değerlendirmek ve potansiyel iyileştirme alanlarını belirlemek için kullanıla-
bilir. Karbon emisyonları da dahil olmak üzere tedarikçi performansına ilişkin
mevcut verilerin analiz edilmesiyle işletmeler, tedarik zinciri ortakları hakkında
bilinçli kararlar verme yetkisine sahip olacaktır.
Diğer taraftan, tedarik zinciri yönetiminde yapay zekâ kullanımının etik ve sosyal
sorumlulukları da beraberinde getirdiğini unutmamak gerekir. Yapay zekâ tarafın-
dan kullanılan veri ve algoritmaların şeffaf ve etik olması, teknolojinin sorumlu ve
sürdürülebilir bir şekilde kullanılması çok önemlidir (ALEWK, 2023). İşletmeler
yapay zekayı, ekonomik, sosyal ve çevresel açıdan etkin bir şekilde kullanılmasını
sağlayarak, tedarik zinciri sürdürülebilirliği üzerindeki olumlu etkilerinden fayda-
lanırken, muhtemel zorlukları da göz ardı etmemeleri gerekir.
4. Sürdürülebilir Tedarik Zincirlerinde Yapay Zekanın Karşılaştığı

Zorluklar ve Sınırlamalar
Günümüzde şirketler tedarik zinciri süreçlerinde yapay zekayı uygulamakta

zorlanmakta ve çok sayıda engelle karşılaşmaktadır (Cannas vd., 2023: 2). Ya-
pay zekâ, tedarik zincirlerinde sürdürülebilirliği iyileştirmek için muazzam bir
potansiyele sahip olsa da bazı zorlukları ve sınırlamaları göz önünde bulundur-
mak gerekir. Bu zorluklardan ilki, yüksek kaliteli veriye duyulan ihtiyaçtır. Ya-
pay zekâ algoritmaları, öğrenmek ve tahminlerde bulunmak için büyük miktar-
da veriye ihtiyaç duyar ve veriler eksik veya yanlışsa, algoritmalar güvenilir
olmayan sonuçlar üretebilir (Khashei & Chahkoutahi, 2021). Diğer yandan ku-
rumlar arası işbirlikleri, bilgi paylaşımında ikili/çok taraflı güven, yeni sistem-
lerin kullanımında güven ve yeni teknolojilerin kabulü ve uygulanmasında kül-
türel engeller gibi çeşitli davranışsal sorunları da beraberinde getirebilir (Pour-
nader vd., 2021: 12).
Şirketin üst yönetiminin desteği, yapay zekanın kuluçka/araştırma aşamasında
destek sağlamak, pilot uygulamaların geri bildirimlerini değerlendirmek ve işlet-
menin çalışanlarının bu yeni teknolojiyi benimsemesi noktasında kritik bir rolü
vardır. Bu nedenle üst yönetimin yeterli desteğinin olmaması çok kritik bir engel-
- 182 -
dir. Birçok şirket yapay zekanın potansiyelini tam olarak kavrayamamıştır. İşlet-
meler net bir stratejiden, sağlam bir teknoloji altyapısından ve üst yönetimin des-
teğinden yoksundur (Cannas vd., 2023: 2). Üst yönetimin desteği önemli olmakla
birlikte, tedarik zinciri aktörleri arasındaki yapay zekaya bakış açısının uyumlu
olması ve yapay zekâ girişimlerinin doğrudan veya dolaylı olarak fayda sağlaya-
cağı konusunda hemfikir olmaları gerekmektedir. Tedarik zincirindeki her liderin
makine öğrenimi veya optimizasyon konusunda derinlemesine bilgi sahibi olması
gerekmez. Yine de karar vermek için verilerden yararlanmanın sezgilerden daha
iyi olduğuna dair ortak bir inancı paylaşmaları gerekir (Shrivastav, 2021: 9). Ayrı-
ca yıllardır işleri aynı şekilde yapmaya odaklanan ve esnek olmayan iş kültürleri
nedeniyle, sonuçları önemli ölçüde iyileştirebilecek yıkıcı teknolojiler ve yeni iş
uygulamaları benimsemek işletmeler için kolay olmayacaktır. Yeni teknolojiyi
başarılı bir şekilde uygulamak ve operasyonları sürdürmek için bir şirketin "dijital
becerilere" sahip iş gücüne sahip olması gerekir. İnsanların hem üretim süreçlerini
hem de bu süreçleri destekleyen dijital araçları anlamaları son derece önemlidir
(Nozari vd., 2022: 7).
Tedarik zincirlerinin karmaşıklığının önemli bir zorluk olduğunu bilmek gerekir.
Tedarik zincirleri çok sayıda paydaş ve değişkeni içerebilir, ilgili tüm verileri ve
ilişkileri doğru bir şekilde ele alabilen yapay zekâ algoritmaları geliştirmek teknik
açıdan son derece zor olabilir. Büyük miktarda verinin neden olduğu model kar-
maşıklığı insanların modelin nasıl çalıştığını anlamasını son derece zorlaştırdığı
için güven sorununa neden olmaktadır. Tedarik zinciri yönetimi söz konusu oldu-
ğunda yapay zekanın “kara kutu” yapısı, çoğu karar alma ve planlama döngüsünde
insanların şüphe duymasına neden olmaktadır (Shrivastav, 2021: 9).
Cannas vd., (2023) çalışmalarında tedarik zinciri ve operasyon yönetimini destek-
lemek için yapay zekayı uygularken şirketlerin karşılaştığı engelleri finansal, or-
ganizasyonel, stratejik ve teknolojik olmak üzere 4 temel kategoride özetlemiştir.
Tablo 2’de yapay zekanın tedarik zinciri yönetiminde uygulanmasının önündeki
engeller gösterilmektedir.
- 183 -
Tablo 2. Tedarik Zinciri Yönetiminde Yapay Zekanın Uygulanmasının Önündeki Engeller
Temel Kategoriler Engeller

Yapay zekâ girişimlerini uygulamak için yüksek yatırım gereksi-
nimi
Şirket içi mali kaynakların yetersiz olması
Finansal Engeller Dış finansman eksikliği
Ekonomik fayda konusunda net olunamaması
Bütçeleme, maliyet analizi, kaynak tahsisi vb. konularda dene-
yim yetersizliği
İşgücü piyasasında yeterli beceriye sahip iş gücünün olmayışı
Kurum içi eğitim eksikliği
Çalışanların gerekli becerilerinin olmayışı
Teknolojik gelişmeleri benimsemek için kurum içi dijital kültür
Organizasyonel ve eğitim eksikliği
Engeller
Çalışanların hazır olmama durumu ve değişime karşı yüksek
direnç
Bilgi yönetim sistemlerinin eksikliği
Birimler ve tedarik zinciri ortakları arasında düşük entegrasyon
ve işbirliği
Zorlayıcı süreç değişiklikleri
Stratejik Engeller
Etkin olmayan değişim yönetimi
Farklı makineler, ekipmanlar, teknolojiler ve ağ sistemleri ara-
sında uyumluluk, Ölçeklenebilirlik ve birlikte çalışabilirlik gibi
Teknolojik Engeller entegrasyon sorunları
Veri kalitesinin sağlanmasında karşılaşılan zorluklar
Kaynak: Cannas vd., (2023: 18)
Mevcut yapay zekâ teknolojisinin yeteneklerinin sınırları vardır. Örneğin, yapay

zekâ algoritmaları, tüketici davranışını tahmin etmek veya beklenmedik olaylara
yanıt vermek gibi insan yargısı veya sezgisi gerektiren görevlerde zorlanabilir. Ek
- 184 -
olarak, yapay zekâ teknolojisine güvenmenin kullanımı meslek kaybına veya iş

gereksinimlerinde değişikliğe neden olma riski vardır. Ve bunun sosyal ve ekono-
mik etkileri olabilir (ALEWK, 2023). Bir diğer konu siber saldırılardır. Akıllı bir
fabrikada ve buna bağlı olarak, IoT teknolojisini kullanarak veri üretmenin yanı
sıra analiz için yapay zekâ kullanan ve gerçek zamanlı işbirliğine olanak tanıyan
akıllı bir tedarik zincirinde fiziksel ve dijital sistemlerin bir kombinasyonu söz
konusudur. Bu durum sistemin siber saldırılara karşı yüzey alanını genişletmekte-
dir. Akıllı süreçlerde tek veya çoklu ağlara bağlı birden fazla makine ve cihazlar-
dan herhangi birindeki güvenlik açığı sistemin tümünü saldırılara açık hale getire-
bilir (Nozari vd., 2022: 8). Öne çıkan bir başka konu yapay zekâ sistemlerinin en-
tegrasyonu nedeniyle ortaya çıkabilecek işsizlik sorunudur. Aksine yapay zekanın
kullanımı yeni iş olanakları oluşturabilir. Özellikle doğruluğunu denetlemek için
insanlardan girdi gerektirir; bu nedenle şirketler bu yeni işleri yaratmak için ilham
almalı ve çalışanlarını basitçe işten çıkarmak yerine bu makinelerle başa çıkmaları
için eğitmelidir. Çalışanlara, eğitim programları uygulanarak, gelişen işgücü üret-
kenliği artırılabilir ve zaman kaybettiren idari görevleri azaltmak için yapay zekayı
kullanma becerileri kazandırılabilir. İş kayıpları bireyler için geçerli bir endişe
kaynağıdır ve iyimser olarak, doğru yaklaşım ve yapay zekâ tasarımı ile potansiyel
iş kayıpları kısmen telafi edilebilir (Garcia, 2023).
Sözü edilen tüm bu zorluklara ve sınırlamalara rağmen, yapay zekâ tedarik zincir-
lerinde sürdürülebilirliği iyileştirmek için muazzam bir potansiyele sahiptir. İşlet-
meler, bu zorlukları ele alarak ve sorumlu yapay sistemler geliştirerek, daha hesap
verebilir ve sürdürülebilir tedarik zincirleri oluşturmak için yapay zekânın gücün-
den yararlanabilir (ALEWK, 2023). Sonuç olarak, yapay zekâ sürdürülebilir teda-
rik zincirlerinin oluşturulmasında kritik bir rol oynamak için muazzam bir potan-
siyele sahiptir. Şirketler, yapay zekâ araç ve tekniklerinden yararlanarak tedarik
zinciri süreçlerini optimize edebilir, israfı azaltabilir ve çevresel etkilerini en aza
indirebilir. Bununla birlikte, yüksek kaliteli veri ihtiyacı ve tedarik zinciri sistem-
lerinin karmaşıklığı yapay zekâ teknolojisinin zorluklarını ve sınırlamalarını neden
olmaktadır. Günümüzün yapay zekâ yaklaşımlarının muazzam miktardaki verilere
dayanması, yüksek finansal yatırım gereksinimi, entegrasyon sorunları, siber gü-
venlik vb. konular yapay zekanın tedarik zinciri yönetiminde, özellikle de organi-
zasyonlar arası düzeyde uygulanmasında engel teşkil edebilmektedir (Shrivastav,
2021: 9). Yapay zekanın tedarik zincirinde kullanımının önündeki zorlukların üste-
sinden gelmek için veri kalitesini iyileştirme çalışmalarının yapılması, çalışanların
eğitilmesi, yapay zekanın tedarik zinciri süreçlerine entegrasyonunun sağlanması,
- 185 -
örgütlerde kültürel değişimlerin teşvik edilmesi ve en önemlisi şirketlerin stratejik,

teknolojik ve kültürel olarak hazırlıklı olması gerekmektedir.
Sonuç
Teknolojik gelişmelerin çok hızlı olduğu bu çağda, yapay zekâ gibi sofistike tek-
nolojilerin yaygın kullanımı işletmelerin faaliyetlerini etkileyecektir. Bununla bir-
likte sürdürülebilirlik konusu işletmelerin göz ardı edemeyecekleri bir çalışma
alanı haline gelmiştir. Bu nedenle, bu çalışmada son derece güncel bir konu olan
yapay zekanın sürdürülebilir tedarik zincirlerindeki potansiyel etkileri hakkında
bir araştırma yapılmıştır. Bu araştırma, yapay zekâ uygulamalarının sürdürülebilir
tedarik zinciri süreçlerini nasıl destekleyebileceğine ışık tutmayı, söz konusu tek-
nolojinin uygulanmasının sağlayacağı faydaları ve karşılaşılabilecek engelleri or-
taya koymayı amaçlamıştır.
Tedarik zinciri, günümüz dünyasında Dördüncü Sanayi Devrimi'nden ve bu dev-
rimin mimarı olan IoT, yapay zekâ, gelişmiş robotik ve büyük veri analitiği gibi
dijital teknolojilerden etkilenen alanlardan biridir. Akıllı tedarik zinciri kavramı,
tüm zincir süreçlerinde sürdürülebilir koşulların sağlanması için önemlidir (Nozari
vd., 2022: 15). Yapay zekânın tedarik zincirinde uygulamalarının sayısı ve önemi
her geçen gün artmaktadır. Yapay zekânın tedarik zinciri ve lojistik alanlarındaki
etki alanları arasında; operasyonel satın alma, arz ve talebi tahmin etmek için teda-
rik zinciri planlaması, envanteri optimize etmek için depo yönetimi, nakliye ve
teslimat süresini ve maliyetlerini azaltmak ve güncel verileri kullanarak tedarikçi
seçimi vardır. Yapay zekâ, tedarik zinciri operasyonları hakkında önemli bilgiler
sağlayarak iyileştirme alanlarını belirlemelerine ve çevresel ayak izlerini azaltmak
için stratejiler geliştirmelerine olanak tanımaktadır.
Diğer taraftan yürütülen son çalışmalar, yapay zekanın iş modellerini dönüştürme
vaadine rağmen, birçok kuruluşun ve tedarik zincirlerinin bu potansiyeli tam ola-
rak kavrayamadığını ve birçoğunun ilgili teknolojilerden yararlanmada çok sayıda
engelle karşılaştığını göstermektedir (Pournader vd., 2021: 12). Bu engellerin tes-
pit edilip gerekli adımların atılması gelecekte rekabet avantajı kazandıracak olan
yapay zekâ uygulamalarının benimsenmesinde oldukça kritik bir hamle olacaktır.
Dolaysıyla ileride yapılacak çalışmalarda sürdürülebilir tedarik zincirinin oluştu-
rulmasında yapay zekâ kullanımının önündeki engellerin araştırıldığı ve bu engel-
lerin birbirleriyle olan neden sonuç ilişkilerinin analiz edildiği vaka analizi temelli
çalışmaların yürütülmesi alanın gelişimine katkı sağlayacaktır.
- 186 -
Genel olarak, sürdürülebilir tedarik zincirleri oluşturmada yapay zekanın rolü,

teknoloji ilerledikçe ve işletmeler değişen toplumsal ve çevresel baskılara uyum
sağladıkça gelişmeye devam edecektir. Yapay zekanın olanaklarının iyi anlaşılması
ve çekinceyle yaklaşılmaması rekabet avantajının yanında daha sürdürülebilir bir
tedarik zinciri yapısının oluşturulmasına katkı sağlayacaktır.
Kaynakça
ALEWK (2023). The Role of Artificial Intelligence in Building Sustainable Supply Chains
https://alewk.com/blog/the-role-of-artificial-intelligence-in-building-sustainable-
supply-chains/
Alves, R. A. & Steinberg, G. (2022). How sustainable supply chains are driving business
transformation, Ernst & Young, https://www.ey.com/en_gl/supply-chain/supply-
chain-sustainability-2022, Erişim Tarihi: 29.08.2023
Arabe, K. (2023). Top 20 AI Applications in the Supply Chain. Inbound Logistics.
https://www.inboundlogistics.com/articles/top-20-ai-applications-in-the-supply-
chain/, Erişim Tarihi: 31.08.2023
Ashton, P. (2022). How AI Is Driving Sustainability in the Supply Chain. SupplyCha-
inBrain https://www.supplychainbrain.com/articles/35019-how-ai-is-driving-
sustainability-in-the-supply-chain, Erişim Tarihi: 22.08.2023
Buther, K. (2017). AI is reshaping the supply chain. IBM. https://www.ibm.com/thought-
leadership/institute-business-value/en-us/report/cognitivesupplychain, Erişim Tarihi:
02.09.2023.
Cannas, V. G., Ciano, M. P., Saltalamacchia, M., & Secchi, R. (2023). Artificial intelligen-
ce in supply chain and operations management: a multiple case study research. Inter-
national Journal of Production Research, 1-28.
Chen, S. H., Jakeman, A. J., & Norton, J. P. (2008). Artificial intelligence techniques: an
introduction to their use for modelling environmental systems. Mathematics and
computers in simulation, 78(2-3), 379-400.
Dora, M., Kumar, A., Mangla, S. K., Pant, A., & Kamal, M. M. (2022). Critical success
factors influencing artificial intelligence adoption in food supply chains. Internatio-
nal Journal of Production Research, 60(14), 4621-4640.
Dubey, R., Gunasekaran, A., Papadopoulos, T., Childe, S. J., Shibin, K. T., & Wamba, S. F.
(2017). Sustainable supply chain management: framework and further research direc-
tions. Journal of Cleaner Production, 142, 1119-1130.
Garcia, A. (2023). Can AI Help Supply Chains Be More Environmentally Conscious?
World Environment Center. https://www.wec.org/can-ai-help-supply-chains-be-more-
environmentally-conscious/, Erişim Tarihi: 24.08.2023.
- 187 -
Gedik, Y. (2021). Sürdürülebilir Tedarik Zinciri Yönetimi: Kuramsal Bir Değerlendirme.

Uluslararası Yönetim İktisat ve İşletme Dergisi, 17(3), 830-860.
Helo, P., & Hao, Y. (2022). Artificial intelligence in operations management and supply
chain management: An exploratory case study. Production Planning & Control,
33(16), 1573-1590.
Howells, R. (2022). Five Actions For A Sustainable Supply Chain. Forbes.
https://www.forbes.com/sites/sap/2022/04/06/5-actions-for-a-sustainable-supply-
chain/?sh=40e4a1d86b39, Erişim Tarihi: 30.08.2023.
Khashei, M., & Chahkoutahi, F. (2022). Electricity demand forecasting using fuzzy hybrid
intelligence-based seasonal models. Journal of Modelling in Management, 17(1),
154-176.
Koberg, E., & Longoni, A. (2019). A systematic review of sustainable supply chain mana-
gement in global supply chains. Journal of cleaner production, 207, 1084-1098.
La Face, S. (2023). 7 ways AI technology can boost sustainable logistics. Maersk.
https://www.maersk.com/insights/sustainability/ai-technology-can-boost-sustainable-
logistics, Erişim Tarihi: 24.08.2023.
Lebovitz, R. (2023). How AI Technology Trends Are Impacting Supply Chain Operations.
SupplyChainBrain. https://www.supplychainbrain.com/blogs/1-think-tank/post/37185-
how-ai-technology-trends-are-impacting-supply-chain-operations, Erişim Tarihi:
03.09.2023.
Luther, D. (2020). Supply Chain Sustainability: Why It Is Important & Best Practices. Orac-
le. https://www.netsuite.com/portal/resource/articles/erp/supply-chain-sustainability.
shtml, Erişim Tarihi: 28.08.2023.
Min, H. (2010). Artificial Intelligence in Supply Chain Management: Theory and Applica-
tions. International Journal of Logistics: Research and Applications, 13(1): 13–39.
Naz, F., Agrawal, R., Kumar, A., Gunasekaran, A., Majumdar, A., & Luthra, S. (2022).
Reviewing the applications of artificial intelligence in sustainable supply chains:
Exploring research propositions for future directions. Business Strategy and the Envi-
ronment, 31(5), 2400-2423.
Nozari, H., Szmelter-Jarosz, A., & Ghahremani-Nahr, J. (2022). Analysis of the challenges
of artificial intelligence of things (AIoT) for the smart supply chain (case study:
FMCG industries). Sensors, 22(8), 2931.
Pillai, R., Sivathanu, B., Mariani, M., Rana, N. P., Yang, B., & Dwivedi, Y. K. (2022).
Adoption of AI-empowered industrial robots in auto component manufacturing com-
panies. Production Planning & Control, 33(16), 1517-1533.
Pournader, M., Ghaderi, H., Hassanzadegan, A., & Fahimnia, B. (2021). Artificial intelli-
gence applications in supply chain management. International Journal of Production
Economics, 241, 108250.
- 188 -
QUANTIC (2023). The Important Role of AI in Supply Chain Management and Logistics.
https://quantic.edu/blog/2023/04/10/the-important-role-of-ai-in-supply-chain-
management-logistics/, Erişim Tarihi: 03.09.2023.
Seuring, S. & Muller, M. (2008). From a literature review to a conceptual framework
for sustainable supply chain management. Journal of Cleaner Production, 16,
1699-1710.
Sharma, R., Shishodia, A., Gunasekaran, A., Min, H., & Munim, Z. H. (2022). The role of
artificial intelligence in supply chain management: mapping the territory. Internatio-
nal Journal of Production Research, 60(24), 7527-7550.
Shrivastav, M. (2021). Barriers related to AI implementation in supply chain management.
Journal of Global Information Management (JGIM), 30(8), 1-19.
Stühler, G. (2021). How AI Is Paving The Way For More Sustainable Supply Chains. For-
bes Technology Council. https://www.forbes.com/sites/forbestechcouncil/ 2021/01/
20/how-ai-is-paving-the-way-for-more-sustainable-supply-
chains/?sh=3e2626435896, Erişim Tarihi: 23.08.2023.
Toorajipour, R., Sohrabpour, V., Nazarpour, A., Oghazi, P., & Fischl, M. (2021). Artificial
intelligence in supply chain management: A systematic literature review. Journal of
Business Research, 122, 502-517.
Turgut, A. (2023). Lojistik ve Tedarik Zincirinde Yapay Zekâ Çalışmaları: Bibliyometrik
Bir Analiz. Alanya Akademik Bakış, 7(1), 461-480.
- 189 -
12. BÖLÜM
YAPAY ZEKA VE
İNSAN İLİŞKİLERİNDEKİ ROLÜ
Prof. Dr. Remziye TERKAN

Onbeş Kasım Kıbrıs Universitesi
Faculty of Communication, Department of New Media
remziyeterkan@onbeskku.edu.tr
ORCID: 0009-0002-2341-9050
Öğretim Görevlisi Zeynep Nezaket KÖKSAL

Onbeş Kasım Kıbrıs Universitesi
Faculty of Education, Department of Computer Education and
Instructional Technologies Teaching
zeynepkoksal@onbeskku.edu.tr
ORCID: 0000-0002-5309-3285
GİRİŞ
Bugün bilgi çağının durmadan zenginleşmesi ve teknolojinin gelişimi ile bilgi üre-
timinin artışı, iletişim teknolojilerinin akıl almaz bir şekilde yol alışı birbirine pa-
ralel bir süratle gerçekleşmektedir. Tüm küreyi saran iletişim sistemi içerisindeyiz.
Teknoloji, yaşam döngüsüne öyle güzel bir uyumla gelişmekte ve değişim gerçek-
leşmektedir ki bu değişimin farkında olmadan küresel olarak değişim yaşanmakta-
dır. İletişim teknolojilerinin, internetin ve gelişen teknolojik cihazların yakın bir
geçmişte olmadığı düşünüldüğünde içerisinde bulunulan süratin gerçekliği ile kar-
şı karşıya kalınmaktadır. Günümüzde iletişim teknolojilerinin önemi yaşam içeri-
sinde olmadıkları düşünüldüğünde daha iyi anlaşılabilir. Bugün, internet öncesi
döneme bakıldığında, insanlığın yaşam akışı nasıl gerçekleşiyordu diye düşünme-
mek mümkün değidir. Kısa denilebilecek bir dönem içerisinde de bu değişime
nasıl uyum sağlandığı ve sanki hep bu teknoloji içerisinde yaşam akışı var oluyor-
du gibi teknoljik gelişimle bütünleşmek ayrı bir gerçek olarak ortaya çıkmaktadır.
Sürekli gelişen teknoloji yaşam koşullarını hızlandırmakta, daha akıllıca yol alma-
- 191 -
ya ve bilginin, işleyişin köklü bir şekilde yaşamın her alanına girmesine olanak
sağlamaktadır.
İletişim sistemlerinin karmaşık yapısı ve teknolojinin yaşamın büyük bir alanı kap-
lamasıyla, bugün yapay zeka kavramı ile karşılaşılmaktadır. ‘Yapay Zeka’ kavramı
ilk anda ister akademisyen, öğretmen, öğrenci veya toplumdan herhangi bir birey
olsun, ister iş insanı olsun bir çok kişi üzerinde merak uyandırmaktadır. Nedeni araş-
tırıldığında, zeka gibi soyut bir kavramın yapay ile nitelendirilmesi olarak ifade edi-
lebilir. Kavramın uyandırdığı merakla birlikte, içeriği ya da temsil ettiği konular
hakkında bir çok çalışma bulunmaktadır. Pek çok teknolojik gelişimin ardından ge-
len yapay zeka, günümüz dünyasında en son teknolojik yeri kaplamaktadır.
Yaşamın her alanında, yapay zeka olarak adlandırılan akıllı sistemler yer almaktadır.
Bu sistemler yapay sinir ağları ve sayısal verilerle hareket ederek, bilgileri depolaya-
rak iletişime geçerler. Yapay zekanın çevresinde konuşulan konu başlıkları, bileşen-
ler ile yapay sinir ağları, uzman sistemler, bulanık mantık, genetik algoritmalardır.
Yapay zekayı sahiplenen bir çok disiplin vardır. Bazıları, bilgisayar mühendisliği,
felsefe, bilişsel bilim, elektronik bilimlerdir. Yaşamın her alanında, yapay zeka ola-
rak adlandırılan akıllı sistemler yer almaktadır. Bu sistemler yapay sinir ağları ve
sayısal verilerle hareket ederek, bilgileri depolayarak iletişime geçerler.
Bu çalışma ile amaç, yaşanan teknolojik gelişimlerle ortaya çıkan yapay zekanın
insanlık üzerindeki iletişimsel etkisini yapay zekanın özellikleri ve uygulama alan-
larını irdeleyerek yapay zekanın ilişkilerdeki rolünü ortaya koymaktır.
1. YAPAY ZEKA KAVRAMI
1.1. Yapay Zeka Tarihçe

Genesereth ve Nilsson, yapay zekayı davranışın akılcı olmasına yönelik bir çalış-
ma olarak değerlendirirken, esas hedefin yaşam döngüsündeki varlıkların davra-
nışlarının akılcılığını yapay olarak ortaya koymaya çalışan bir teorinin oluşturul-
ması olduğunu söyler (Charniak ve McDermot, 1985). Popov ise, yapay zekanın;
insanlığın yaptığı her şeyin bilgisayarlar tarafından yaptırılabilme çalışması oldu-
ğunu söyler (1990). Slage, yapay zekayı; sezgiye yönelik program temelindeki bir
yaklaşım olarak tanımlar (Andrew, 1991). Axe ise yapay zekanın, akıl temelli
programları hedefleyen bilim olduğunu söyler (Copelan, 1993). Bu tanımlamalara
ek olarak, yapay zeka akıllı makinelerin, genellikle insana yönelik tüm özellikle-
rin, düşünme, anlama, anlamlandırma, öğrenme, değerlendirme gibi mantıki yön-
- 192 -
- Yapay Zeka ve İnsan İlişkilerindeki Rolü -
den yaşamsal noktaları yerine getiren bir sanal çalışma olarak tanımlanmıştır (Na-
biyev, 2012). Yapay zeka ile ilgili pek çok şey yazılmakta ve söylenmektedir. Ön-
celikle akıl ve zeka kavramları birbirine eş tutulabilir mi diye değerlendirmek ge-
reklidir. Genellikle toplumda akıl kavramı, insan zekasının seviyesini ifade etmek
için kullanılır. Akıl düşünebilme, anlayabilme, analizleme, karar verebilme ve
tedbirli olabilme yeteneğine sahip olabilmektir. Zeka kavramı, var olan her şeyi
anlama, değerlendirme ve sonucu belirleme yeteneğini barındırmak olarak ifade
edilebilir. Zekanın ölçülebilirliği ve ne kadar ölçülebildiği tartışılırken, ortak bir
ifade ile zeka, bilginin, beyin tarafından alınıp, süratli ve doğru bir şekilde analiz
edilmesi olarak tarif edilmiştir (Tekin, 2006).
Akıl ve zeka kavramı önemli noktalarla birbirinden ayrılırken, yapay zekanın, in-
san beynindeki biyolojik sinirsel yapısının yapaya uyarlanması ile algılayıcılar
sayesinde özümsenmiş ya da sınıflara ayrılmış bilgilerle yeni bilgileri ortaya ko-
yabilen, kararları verebilen gelişmiş sanal praogramlar olarak ifade edildiği vurgu-
lanır (Efe, Abadoğlu ve Kaynak, 1999; Efe ve Kaynak, 1999; Narendra ve Partha-
sarathy, 1990).
Yaşam sürecinde yapay sinir ağları geliştirilerek pek çok konuda ve uygulama
alanlarında kullanılıyor olup her geçen gün olabilir mi denilen her yeniliğin anah-
tarı rolünü üstlenmektedir.
Uygulama alanları her geçen gün artarken, “kan analizlerinin sınıflandırılması, beyin
modellemesi çalışmaları, parmak izi tanıma, kredi kartı hilelerini saptama, ses tanı-
ma, meteorolojik yorumlama, elektrik işareti tanıma, el yazısı tanıma, hastalıkların
tanımlanması ve tedavisi, radar ve sonar sinyalleri sınıflandırma, spam maillerin
filtrelenmesi olarak örnek verilebilir” (Keskenler ve Keskenler, s.11, 2017).
Yapay sinir ağları ile ilgili incelemeler yaparken, bilgisayarın gelişiminde dönüm
noktası olarak gösterilen 1980 yılları öncesini ve sonrasını dikkate alarak değerlen-
dirmek önemlidir. Yapay sinir ağlarının durgun ilerleme gösterdiği dönem ile hız
kazandığı dönem sonrasında özellikle 1990’lı yıllarda yapay sinirsel ağların geldiği
durum ve kazandığı boyut takibi zor bir süreci de beraberinde getirmiştir. Bilgisayar
donanımının gelişimi, teknik olarak pek çok şeyi ortaya koymuştur. Bilgisayar do-
nanımının gelişimi, yapay sinirsel ağların gelişimine önemli katkı koymuştur. Özel-
likle 1990’lı yıllar sonrası alışılmış teorik çalışmalar ve laboratuvar ortamlarından
çok yaşamımızdaki sistemlere uyarlanmaya çalışılan yapay sinir ağları insanlığa
fayda sağlamaya başlamıştır (Öztemel, 2012). Yapay sinir ağlarının gelişimi ve kul-
lanımı ile insanlığın ortaya koyacağı ultra teknolojik ilerlemelerin her anlamda dün-
yanın dönüş hızına ayak uydurmaya yönelik gelişimler olacağının düşünülmesi ka-
çınılmazdır. Gelişmekte olan yapay sinir ağlarının yaşam süreci içerisinde, özellikle
- 193 -
makinelerin insanların yaşam kalitesini, akış içerisinde artıracağına yönelik önemli

bir adım olacağını ifade etrmektedir (Efe ve Kaynak, 2000).
1.2. Yapay Zeka Türleri

Endüstri 4.0 ın başlaması teknoloji alanında önemli gelişmelere neden oldu. Her
alan ve her disiplin bu gelişmeden etkilenmiştir. Bu gelişme ile internetin hızlan-
ması ve nesnelerin internet ile yayılması verilerin depolanmasına ve daha sonra-
sında bu verilerden bir çıkarım yapılabileceğini ortaya koymuştur. İnsan beyninin
depolama sınırı her ne kadar olağanüstü olsa da tüm bilgileri aklımızda tutmamız
mümkün değildi bu aşamada devreye bilgisayarlar girmektedir. Bilgisayarda veri-
ler depolanır işlenir ve çıkarımlarda bulunmak için çağımızda kullanılmaktadır.
Veri madenciliği, veri analizi, büyük veri ve veri görselleştirme, toplanan milyon-
larca veri noktasından farklı sonuçlar çıkarmaya başlayan disiplinlerden sadece
birkaçıdır. Güncel tanımlara göre "Yapay Zeka" şu anda topladığı verileri kullana-
rak kendi kendine öğrenebilen ve büyüyebilen bir sistem olarak tanımlanıyor. Öte
yandan, bu tanım teorik olarak geleceğe giden yolda henüz yeni adımlar atılduğını
gösteriyor çünkü yapay zeka üzerine çalışan akademisyenler, gelecekteki olasılık-
ları göz önünde bulundurarak soruna üç aşamada yaklaşıyor.
Tablo 1. Yapay Zekâ Türleri ve Tanımları
Artut, S. (2019, S.772)
- 194 -
Günümüzde yukarıda adı geçenlerden yalnızca Sınırlı Yapay Zekâ uygulamalarını

görmekteyiz. Diğer yapay zekâ seviyeleri ise henüz ulaşılamamış olmalarına rağ-
men gelecekte hedef olarak gösterilmektedirler. Fakat bugün var olan yapay zekâ
uygulamaları sınırlı görevler dâhilinde de olsa birçok alanda insanları geride bı-
rakmaya devam etmektedir. Dünyada yaşanan son gelişmelerin ışığında yapay
zeka teknolojisinin büyük bir adım atmaya hazırlanmakta olduğunu söyleyebiliriz.
1.3. Yapay Zeka Öğrenme Modelleri

Akıllı uygulama yazılımlarında yapay zeka, makine öğrenmesi ve derin öğrenme
terimleri sıklıkla birbirinin yerine kullanılmaktadır. Ancak hepsi aynı değildir.
Makine öğreniminin bir alt kümesine derin öğrenme denir. Yapay zekanın akıllı
uygulamalar gerçekleştiren bir alt kümesi olan makine öğrenimi, yapay zeka ola-
rak kabul edilen tüm makine öğrenimi uygulamalarını kapsar (Şekil 1).
Şekil 1. Yapay Zeka, Makine Öğrenmesi ve Derin Öğrenme Kapsamı

(Güngör ve Yardımcı, 2020)
Yapay zekanın konusu çok geniştir ve karmaşık prosedürleri kapsar. Bu, çalışma
konusunda neden çok çeşitli teorilerin, tekniklerin ve teknolojilerin kullanıldığı-
nı açıklamaktadır. Şekil 2'de yapay zekanın alt alanları gösterilmektedir. Bilişsel
hesaplama, birbirleriyle ve insanlarla iletişim kuran akıllı sistemleri tanımlamak
için kullanılan terimdir. Bu sistemler, kasıtlı olarak kodlanmak yerine bilgiyi
çevrelerindeki deneyimlerden ve insan etkileşimlerinden alır. Yapay zeka sis-
temleri de insanlar gibi bilgiyi uygulamadan önce parça parça edinir (Güngör ve
Yardımcı, 2020).
- 195 -
Şekil 2. Yapay Zekâ Alt Alanları (Intellipaah, 2020)
Tekrarlanan etkinliklerin tamamlanması ve kapsamlı veri analizi sayesinde bilişsel

bilişim, masrafları azaltır, üretkenliği artırır ve daha iyi sonuçlar üretir. Demirkan
ve arkadaşlarına (2017), göre bilişsel hesaplamanın amacı, bir bireyin veya bir
organizasyonun üretkenliğini ve yaratıcılığını (karar verme, bağlantı kurma, yeni-
lik ve büyüme) arttırmaktır.
Bilgisayar görüşü, makinelerin görüntüleri insanların yaptığına benzer bir şekilde
görüntülemesine, tanımlamasına ve yorumlamasına olanak tanır. Gerçek dünyada-
ki makine görme uygulamalarında rasyonel olarak geliştirilip uygulanabilecek
yöntem ve teknikler bilgisayarlı görme kapsamındadır. Bu yaklaşımlar için ihtiyaç
duyulan donanım, yazılım ve görüntüleme teknikleri yapay zekanın bu alanına
girmektedir (Davies, 2005).
Bir makine, kendisine verilen örneği ve önceki çıkarımlarını öğrenmeye temel
olarak kullanarak, makine öğrenimi yoluyla öğrenebilir. Başka bir deyişle makine
öğrenmesi, bir bilgisayarın verilerden doğrudan öğrenmesini ve daha sonra prob-
lem çözmede yetkin hale gelmesini sağlayan yöntemleri ifade eder (Ratner, 2000).
Yapay sinir ağları: Teori deneyimlerden öğrenebilir, kalıpları tespit edebilir, özellikleri
ayırt edebilir ve öğeleri kümeleyebilir. Beyindeki nöronların çalışma şekline dayanır
ve birbirine bağlı düğümlerden oluşan bir ağdan oluşur (Russell ve Norvig, 1995).
Yine Öztemel’e (2003) göre ağın amaçlanan sonuca ulaşması için, veriler arasın-
daki gizli ilişkileri keşfetmek ve ilgili olaylardaki veri modellerine tepki vermek
amacıyla ilgili olayın örnekleriyle eğitilmesi gerekir. Cevabın alınabilmesi için ağa
girilen verinin kendi ağırlıkları ile çarpılmasıyla elde edilen değerin işlenmesi için
aktivasyon fonksiyonu kullanılmaktadır
Derin öğrenme, çeşitli işlem katmanlarından oluşan bilgisayar modellerinin, veri-
leri çeşitli soyutlama katmanlarıyla temsil etmesini mümkün kılar. Parça parça bir
- 196 -
program (yazılım) oluşturmak yerine kurguyu oluşturmak için kullanılan modelin

temelini atmak amaçlanır, çünkü bu alternatif senaryolara karşı çözüm üretilmesi-
ne olanak sağlayacaktır (Çakıroğlu, Süzen, 2020).
Derin öğrenme, iç parametrelerin önceki katmana göre nasıl ayarlanması gerekti-
ğini belirlemek için geri yayılım tekniğini kullanarak, devasa veri kümelerindeki
önemli yapıyı ortaya çıkarır. Resimlerin, videoların, seslerin ve konuşmaların iş-
lenmesindeki ilerlemeler derin ağlar sayesinde mümkün olmuştur (Lecun ve ark.
2015).
Doğal dil işleme Adalı’ya (2016) göre farklı dilleri konuşan makinelerle etkileşim
kurma teknikleri, dilleri işlemek için bilgisayarları kullanan doğal dil işlemenin
yardımıyla oluşturulabilir. Yazım hatalarının düzeltilmesi, sesle etkinleştirilen
bilgisayar arayüzleri, çok dilli çeviri, metinden konuşmaya dönüştürme ve metin
seslendirme, doğal dil işleme uygulamaları arasındadır
1.2. Yapay Zeka İnsan

Yapay zekanın bir gün gelip insan kontrolünden çıkarak, insanı kontrol altına ala-
cağı konusunun gündemde olduğu ve bununla birlikte yapay zeka üzerine yapılan
çalışmaların yoğun olduğu bir dönem içerisinde bulunulmaktadır.
Yapay zeka insanlık için öncü bir düşünce ve üretme hareketi iken aynı zamanda
olumsuz olarak da insanlığa dönüş yapar mı sorusunu beraberinde getiriyor.
Yaşamımıza girmesi ile insanlığa fayda sağlayarak hayatın kolaylaşmasına neden
olmuştur. Pek çok alanda tanı koymak ve öngörü sahibi olmak yapay zekanın sun-
duğu olanaklardan olmaktadır. Ama bunun yanı sıra yapay zeka ve onu taşıyan
robotlar bir gün gelir de yabancı filmlerde karşımıza çıkan insanlığı yok eden ro-
botlar olarak ortaya çıkabilirler mi? Kısacası insanlığın yarattığı teknoloji ve ya-
pay sinir ağları, yapay zeka, insanlığın üzerine geçer, yaşamın kontrolü eline alabi-
lir mi? Sorusuna kaygı ile bakmadan durulamamaktadır.
Bu durumda gözler yeniden insanlığa çevrilmekte ve insanın ne kadar insani özel-
liklerde yapay sinir ağlarına yüklemeler yaptığı önem arz etmektedir. Şiddete yö-
nelik oluşturulan yapay sinir ağları bu yönde hareket edecek ve geliştirilecek, sev-
gi ve hassasiyete yönelik oluşturulan yapay sinir ağları da insani bir duyarlılıkla
yaklaşım gösterecektir. Tıpkı filmlerdeki gibi, iyi robot, kötü robot.
Kullanım amacı, insanlığa yansıması ve yön vermesi ile önem arz etmektedir.
Geleceğe doğru teknolojinin akıl almaz hızı ile ilerlerken, bu süratle dünya akışı
- 197 -
boyut değiştiriken yaşamın akışını da değiştirecek ve insanlar arası ilişkileri de

yönlendirecek olan yapay zekanın çok dikkatli ve getirebileceği sorunları mini-
mize ederek hareket edilmesi gerekmektedir. Kişisel veriler, siber güvenlik so-
runu öncelikli olarak kontrol altına alınmalıdır. Doğabilecek tüm olumsuzlukla-
rın yapay zekanın insanlığa yaratacağı olumlu özelliklerle ortadan kaldırılması
sağlanmalıdır. İnsanlar tarafından geliştirilen yapay zeka, insanın roboto yükle-
diği görevlerle aktif olur. İnsan yapay zekaya ne kodlarsa yapay zeka bu kodlara
göre hareket eder.
2. YAPAY ZEKA UYGULAMA ALANLARI
Teknolojinin gelişimi ile internet, internetin gelişimi ile sosyal ağlar ve bu ağların
artışı, arama tekniklerini geliştirmiş ve bilgi sistemlerini daha faydalı duruma ge-
tirmiştir. Bilim insanlarının sıklıkla sorduğu soru bilgisayarlar ve geliştirilen tek-
nolojik cihazlar insanlardan daha zeki olur mu sorusudur. Konu ile ilgilenen uz-
manlar ve bilim insanları temelde geliştirilen tekniklerin sürekli yenilenmesi ve
bunun da insanlar tarafından gerçekleştirilmesi nedeni ile bilgisayarların ve gelişti-
rilen teknolojik cihazların insanlardan daha zeki olamayacağı yargısına varmaları-
na sebep olmuştur. Bilgisayarlara ve en yeni tabiri ile akıllı cihazlara bilgiler yük-
lenir, buna göre bilgilerin kullanımının nasıl gerçekleşeceği belirlenir ve yükleme
gerçekleşir. Böylelikle istenilen konu ile ilgili sonuç üretilebilir. Bilgisayarlar bil-
giyi kullanan ve işleyen cihazlar olarak pek çok konuda pek çok yönden derinle-
mesine işlev gerçekleştirirler. Böylece sonuç elde ederek tatminkar yönlendirmele-
re sebep olurlar.
2.1. Yapay Zeka – İletişim

Uzman sistemlerin, yapay zeka uygulamaları altında yer aldığı düşünüldüğünde,
uzman sistemler gelişen teknolojik cihazlar üzerinde uyarlanan karar mekanizması
olarak da değerlendirilebilir.
Bugün uzman sistemler, “yatırım danışmanlığı, hastalıklara tanı koyma, işletme,
mühendislik, eczacılık, hukuk ve yapı tasarımı, yapı planlaması, yapı denetimi ve
iç mimari, bilgisayar tasarımı, ürün maliyetlerini bulma gibi çok geniş bir sahada
rastlamak mümkündür (Karaduman, 2019, s.8). Pratik çözümlerle yaşama kolaylık
katmaları yanında uzman sistemlerle doğru kararlar alındığı ve elde edilen sonu-
cun güvenilir bir karar almada etkili olduğu, iş verimini, insanlar arası iş bölümü-
nü iş gücünü kuvvetlendirerek katkı koyduğu görülebilmektedir.
- 198 -
Pek çok alanda yapay zekanın uygulanmakta olduğu görülmektedir. Her alana
yansıdığı gibi iletişim alanına da yansımakta ve etkililiğini hissettirmektedir. İleti-
şim teknolojilerinin gelişmesi ile yapay zeka kullanımı daha da bir önem kazanmış
ve süreç içerisinde önemi artmıştır. Disiplinler arası bir alan olarak değerlendirile-
bilecek yapay zeka, mühendislik alanlarından, elektroniğe, programlamadan felse-
fe gibi farklı bilim dalları ile ilgili olmakta ve bu alanlarla bütünleşmektedir (Öz-
türk ve Şahin 2018).
İletişim alanı içerisine giren pek çok bölüm, yapay zekayı ve uygulamalarını aktif
olarak kullanırken, örneğin; halkla ilişkilerden sorumlu çalışan ve uzmanlar etki
sahibi olarak yapay zekayı kullanmaktadırlar (Ilıcak Aydınalp, 2020). Dijitalleşme
yaşama ayrı bir iletişim hızı kazandırmıştır. Bu iletişim hızı ile de yapay zeka ayrı
bir boyut ve önem kazanmıştır. Sesli mesajlar, konuşmalarda gerçekleşen ifadelere
karşılık verecek şekilde ortaya çıkarılmıştır. İnternetten yapılan aramalarda yanıt-
ların hemen ekrana gelmesi, aranılan bir anahtar sözcükle bilgisayar veya akıllı
telefonlarda sürekli olarak bu anahtar sözcüğe yönelik reklam veya promosyonlar
çıkması, iletişim alanını da daha yaşamın odağı, nefesi durumuna getirmiştir. İleti-
şim faaliyetlerinin etkililiği yapay zeka ile artmaktadır. İletişimde yapay zekanın
önemi her alanda dikkat çektiği gibi eğitim dünyasında akademisyenler tarafından
da üretkenlik potansiyeli fark edilmeye başlanmıştır (Panda, Upadhyay ve Khan-
delwal, 2019).
Yapay zeka ile birlikte iletişim alanında da önemli gelişmeler olmuştur. Haber
yazılarının otomatik yazılımından, insanlarla makinelerin iletişim kurabilmesine,
duygu ve düşüncelerin analizinden, insanı etkileyen içeriklerin cazibesine kadar
yapay zekadan faydalanılabilir duruma gelinmiştir. Yapay zeka, pek çok alanda
varlığını güçlü bir şekilde ortaya koymaktadır. Günümüzde yapay zeka için çok
fazla kaynak olmamasına rağmen, büyük oranda bu alanda çalışmalar yapılmakta-
dır. Kısa bir süre içerisinde gelişimi kadar süratli varlığı ile kendini her alanda her
an gösterebilecek uygulamalarla da, kaynaklarla da gözler önüne serecektir. Geli-
şen iletişim teknolojileri ile gelişen yapay zeka birebir iletişim alanı ile örtüşerek
ilerlemektedir.
3. YAPAY ZEKANIN İLİŞKİLERE YANSIMASI
İletişim ilk insanla birlikte doğarak her an yaşamın sürdürülebilmesi için var olan
kaçınılmaz bir gerçektir. Yiyecekten içeceğe, giyinmekten barınmaya kadar temel
ihtiyaçlar doğrultusunda hareket ederek varlığını sürdüren insanlık en temel ihti-
- 199 -
yaçlardan biri olan iletişimle dünyanın döngüsünü sağlamaktadır. Yaşam savaşı

içerisinde ilerlerken ve de teknolojinin akıl almaz hızı ile her geçen gün ayrı bir
yeniliğe göz açarken, insanlık iletişimin güçlü hakimiyetinden de faydalanmakta-
dır. Durum böyle iken, her şeyin temelinde insanın varlığının olduğu ve bu varlı-
ğın etkililiği olduğu söylenebilir. İnsan varlığının temelinde iletişim, etkililiğinde
de eylem ve hareketler olmaktadır. Bireyler arası iletişim, kurumlar, topluluklar
arası iletişim, ilişkilerin gücü ile şekil almaktadır. İletişim teknolojilerinin aklın
sınırlarını zorlayan gelişimi ile dijitalizm ilişkilere yansımış ve hareketlere yön
vermiştir.
3.1. Yapay Zeka ve Birey

İnsanın doğuşundan itibaren, gelişimi süresince teknoloji de en ilkel araç gereçler-
le gelişim göstermiş ve dünyanın gelişiminde parallel bir ilerleme sağladığı göz-
lenmiştir. Kişiler arası iletişimden, toplumlar arası iletişime kadar insanlığı bir
arada daha da kenetlenerek tutan önemli bir unsur olmuştur. İnsanlık geliştikçe
teknoloji gelişmiş, teknoloji geliştikçe iletişim kolaylaşmış, iletişim kolaylaştıkça
iletişim teknolojileri her geçen gün daha da yaşamın vaz geçilmezi durumuna gel-
miştir. Internetin varlığı ve yaşam süreci içerisindeki hızı ve etkililiğindeki büyü-
me hayatın her alanında köklü değişim ve dönüşümlere olanak sağlamıştır. Geçmiş
dönemlerde yapay zeka ile bilim kurgu kapsamı altında karşılaşılırken bugün yazı-
lımlarda ve yaşamın her alanında can damarı kadar önemli bir rolü üstlenerek in-
sanlığın karşısına çıkmaktadır. İnsanlığın istek ve ihtiyacına yönelik her alanda
gelişim gösteren bu akıllı sistemler ve yeni teknolojiler, bireysel tatminlere ek ola-
rak toplumsal yaşama çok farklı boyutlarla yansıma yapmakta ve bu sosyal olarak
toplumu da etkileyen ve toplumsal yaklaşımlara ve birey/bireylerin toplum içeri-
sindeki davranışlarına kadar etki eden önemli bir konu olarak insanlığın karşısına
çıkmaktadır.
3.2. Yapay Zeka ve Toplum

Teknoloji en basit hali ile insanlık tarihi ile başlamış ve dünya gelişip değiştikçe
gelişip değişim göstermiştir. Bireysel istek ve ihtiyaçlar için kullanılan teknoloji
topluma ve toplumsal istek ve ihtiyaçları karşılamaya da yönelmiştir. Sosyolojik
ve felsefik yaklaşım teknolojiyi iki şekilde değerlendirir. Bunlardan biri, Marx’tan
başlayarak postmodern teknolojiye kadar giden siyasi ve ekonomik amaçlar için
teknolojinin kullanılan bir araç olarak değerlendirildiği (Marx, 2019; Marcuse,
2007; Beck, 2011; Foucault, 2012). Diğeri ise, teknolojinin insan yaşamına ve
- 200 -
doğasına müdahale eden, insan davranışını yönlendirici etkisini vurgulayan yakla-

şımdır (Ellul, 1964; Heidegger, 1977). Günümüzde yapay zeka, teknolojinin geli-
şimi ve hızı ile aynı süratte yaşama girmiş ve insanlık tarafından kabul görmüştür.
Her geçen gün farklı bir alan içerisinde gelişerek karşımıza çıkan yapay zeka mu-
azzam bir ilgi görmektedir. Yapay zeka için toplum içinde ilginin arttığı söylene-
bilir (Liu, 2021). Toplumsal olarak yapay zekaya bakıldığında, iki genel yaklaşım
ile karşılaşılmaktadır. Bunlardan biri, yapay zekanın insan merkezli yaklaşımı ve
toplumsal bir sorun olduğu, diğerinin ise genel olarak teknolojinin özel olarak ya-
pay zekanın toplumu etkisi altına alan insanın ötesinde bir yaklaşım olduğudur.
İnsan merkezli yaklaşımda yapay zekanın toplum üzerindeki etkilerine odaklanılır.
İnsan ötesinde bir yaklaşım olarak değerlendirilen post humanism, insan merkezli
yaklaşıma eleştirel tutum gösterirken, yapay zeka ile ilgili tüm gelişmelerin toplu-
mun üretim ve uygulamasında rol oynadığı ifade edilebilir.
Yapay zeka ile ilgili literature bakıldığında pek çok açıdan ele alındığı görülmek-
tedir. Yapay zeka üzerine yapılan çalışmalardan bazıları bilimsel alan çalışmaları,
yapay zekada güç mücadeleleri ve yapay zeka üretiminde öznel bilgilerin engel
olması gibi konular olmaktadır. Günümüzde iletişim teknolojilerinin süratle geli-
şimi ve teknolojinin yapay zeka ile birebir örtüşmesi nedeni ile birbirine yetişmeye
çalışan teknoloji ve iletişim insanlığın karşısına teknoloji ve iletişimle harmanlana-
rak hakimiyet gösterecek yapay zekayı çıkarmaktadır. İnsanın, insan beyninin
ürettiği bu akıllı sistem, her geçen gün ortaya koydukları ile insanlığı şaşırtmakta-
dır. İnsan olmayan makinelerin insan gibi hareket etmesi ve insani teknik özellik-
lerin pek çoğunu sistemlerinde taşıması dünyayı sosyal ve teknoloji yumağı içeri-
sinde bütünleşen bir sisteme çevirmektedir. Bu sosyo teknik system, yaşama öyle
bir entegre olmuş ve olmaya devam etmektedir ki insandan ayrı bir faktör olarak
düşünülmesine engel olmaktadır. İnsan ve akıllı sistemlerin ilişkisini birbirinden
bağımsız düşünmek olanaksız bir duruma gelmiştir.
4. YAPAY ZEKANIN İLİŞKİLERDEKİ ROLÜ
Yapay zeka hızla gelişen teknoloji ve iletişim teknolojilerinin de getirisi ile insan
yaşamına aynı süratle girmiş ve çeşitlenip gelişerek girmeye de devam etmektedir.
İnsanlık şu ana kadar yaşanmamış, kendi yarattığı ancak kendi kontrolü üzerine
çıkabilecek muazzam bir üretkenlik göstermiştir. Geliştikçe insanlığı dahi şaşırta-
cak yapay zeka bugüne kadar üretilen teknolojik ürünlerden çok daha farklı, çok
daha muazzam ve aklın ürettiğinin aklın üzerine geçmesini sağlayacak bir şaheser
olarak ortaya çıkmaktadır.
- 201 -
4.1. İlişkilerde Yapay Zeka

Yeryüzünün en özel varlığı nedir sorusuna karşılık tüm kaynaklarda ‘insan’ keli-
mesine rastlanır. Doğadaki her şeyi değerlendiren, düşünen, kaynakları kullanarak
üretim yapan insan olduğu bilinmektedir. Aklı ile insanlığın başlangıcında var olan
ilkel teknolojiyi geliştirip dönüştüren yine insan. Tüm canlılardan aklı ile ayrışan
insan herhangi bir şeyi değerlendirip anlam yüklemesi yanında, duygular ile de
kavrama özelliğine sahiptir.
Günümüzde insani özellikleri taşıyacağı vaad edilen bir akıllı sistem ile karşı kar-
şıya kalınmaktadır. Yapay zeka olarak adlandırılan system aynı zamanda bilişsel
bir varlık olarak da ifade edilmektedir. Her geçen gün yapay zekaya eklenen yeni-
likler ve yapay zekanın bilişssel bir varlık olarak güncellenerek ortaya çıkması,
teknolojinin sürati ve insan aklının bir biri ile yarışını bir kez daha gözler önüne
sermektedir.
“İnsan gibi son derece karmaşık bir organizmanın bütün fonksiyonlarının bir ma-
kinaya yüklenebilirliği veya bir makinanın insanın yerine ikame edilmesi bir prob-
lem olarak tartışılmalıdır ve nitekim tartışılmaktadır” (Gültekin ve Çelebi, s.29).
İnsanın sahip olduğu tüm yetilerin bir makine tarafından da sahip olunabileceği
gerçeği bir yana insan kalbi ve ruhunun hissettiği tüm duygu akışlarının bu akıllı
sistemler üzerinde nasıl uygulanabileceği düşündürücü bir gerçek olarak değerlen-
dirilmektedir. Bir makinenin, insan tarafından oluşturulan, geliştirilen yapay bir
sistemin duygusal bakış açısına ne kadar veya nasıl sahip olabileceği tartışılan ve
düşündüren bir gerçektir.
İletişimde yaşanan tüm ilişkiler, etkin ve edilgen olarak olarak ifade edilebilir. Bir
şeyden direk etkilenildiği zaman etkin duygular yaşanır ve hareketler buna göre
şekillenir. Edilgen ilişkilerde başka faktörlerin düşünce ve duyguları etkilemesi
doğrultusunda hareketler ve ifadeler oluşur. Çoğu kez kişiler çevrelerinde yaşanan
ve kendilerine yakın hissettikleri kişilerin yaşadığı olayları kendi yaşar gibi algıla-
yarak tepki gösterirler. Spinoza bunu duygu taklidi olarak ifade eder. Ona göre,
kişiler, kendilerine benzeyenlerden ve kendilerine benzeyenlerin etkilendiği her
şeyden etkilenirler, ayni duygu akışına sahip olurlar (Spinoza, 2016, s.179). Böyle
bir gerçeğin varlığı bilindiğinden, düşüncelerin duyguları etkileme ve hareketlere
yön verme özelliğinin akıllı sistemlere de yüklenip yüklenemeyeceği tartışılan ayrı
bir konudur. Yüklenebilen her özellik benzer etkileşimleri gösterebilecek şekilde
ayarlanabilir. İnsanın bişişsel, duyuşsal tüm özellikleri mekanik olarak yapay ze-
kada vuku bulabilir. Durum böyle ifade edilince biraz ürperten, biraz insan varlı-
- 202 -
ğından uzaklaştıran ve yapay zekayı doğallığın içine çekerek aslında yapay zeka
yıllar boyu var olan bir oluşum olarak değerlendirilebilir.
Başlarda olur mu diye düşündüren tüm yenilikler gibi yapay zeka için de gösteri-
len aynı yaklaşım, yapay zekanın gelişimi ve her gün yeni bir özellikle doğacağı
göstergeleri insanın yapay zekayı doğallaştırmasına hızlı bir bakış açısı getirmek-
tedir. İletişimin kazandığı, kazanacağı boyutta insan ve doğası, yapay zekanın olu-
şumuna yansıyarak ilişkilere bu şekilde yön verecektir diye düşünülüp konuşulu-
yorken, makinelerin insana benzetildiği yapay zeka- yapay insan modelinde aslın-
da insanlar makinelere benzeyerek ve benzerlikleri örtüşerek uyumlaşarak yaşam-
da yol alacağı kaçınılmaz bir gerçek olarak görülmektedir.
5. SONUÇ
Yapay zeka günümüzde gündemden düşmeyen ve hemen hemen her alanda karşı-
laşılan teknolojinin son noktası olarak değerlendirilen bir kavram olarak bilinmek-
tedir. İnsanın ürettiği, insan ötesi becerilerle ve yetilerle zaman yolculuğunda yeri-
ni bulacak gibi görülmektedir. İnsanın sahip olduğu tüm özellikler değerlendirile-
rek modellenen yapay zeka, bireysel ilişkiler, toplum hatta toplumlar arası etkile-
şimlere farklı bir zemin hazırlayacak güce sahip olabileceği gözlenmektedir. Bu
durumda ifade edilmelidir ki, her alanda ekonomik, sosyal, kültürel, ahlaki, psiko-
lojik ve hukuki olarak gözden geçirilmesi ve değerlendirilerek bu yönde çalışmalar
doğrultusunda hareket edilmesi büyük önem taşımaktadır. İnsanlığın ürettiği bu
olağanüstü yeniliğin, insanlığın sonunu getirmeyecek hatta insana katkı koyarak
güçlü bir şekilde ileriye taşıması gerekmektedir. Aklın sınırlarını zorlayan bu yeni
dünyanın aslında yapay zeka ile başlayacak olmasını fark etmemek mümkün de-
ğildir. Yapay zekanın önemi ve ne kadar etkili olup, yaşama nasıl şekil vereceği
sosyal olarak ortaya koyacağı etkilerle oluşmaya başlayacaktır. Bunun farkında
olarak yapay zekayı şekillendirmek ve faydalı alanlarda insanlığa fayda sağlaya-
cak şekilde ortaya koymak ayrı bir sosyo itina gerektirmektedir. İnsan merkezli
yaklaşımlar doğrultusunda yapılan çalışmaların “yapay zekâ çalışmaları yapay
zekânın toplumsal eşitsizlik üretme, iktidarın denetim ve baskı aygıtı ve genel ola-
rak topluma etkileri bağlamında teknolojinin, salt teknik veya kültürel ve ideolojik
yargılardan bağımsız olmadığını ortaya koyması açısından son derece önemli so-
run alanlarını irdelediğini söyleyebiliriz” (Adaş, E. B. ve Erbay B.2022, S.334).
Yapay zekanın oluşumu, ortaya nasıl çıkarılacağı, nereye veya kimlere hangi amaç
ile hizmet edeceği, uygulanışı ve bu uygulamada kimlerin nasıl etkileneceği, bu-
nun nasıl yansıma yapacağı, sonuç olarak insanlığın karşı karşıya kaldığı durumla
- 203 -
nasıl yüzleşeceği yapay zekayı kabullenebilmek adına büyük önem taşımakta ve

sosyal olarak hassas bir yer tutmaktadır. Yaşamı kaçınılmaz bir iletişim akışı için-
de düşündüğümüzde, birebir başlayan ilişkilerin, topluma yansıması ve toplumlar
arası ilişkilerle yayılıp devam etmesi evrende pek çok ortak veya ayrık değerlerle
dönen dünyada yapay zekanın tüm döngüyü değiştirecek güce sahip olduğu ifade
edilebilir.
KAYNAKÇA
Adalı, E., “Doğal Dil İşleme”, Türkiye Bilişim Vakfı Bilgisayar Bilimleri ve Mühendisliği
Dergisi, 2016, 5 (2). https://dergipark.org.tr/tr/pub/tbbmd/issue/22245 /238797
Adaş, E. & Erbay, B. (2022). Yapay Zekâ Sosyolojisi Üzerine Bir Değerlendirme. Gazian-
tep University Journal of Social Sciences, 21 (1), 326-337. DOI: 10.21547/jss.991383
Andrew, A. M., (1991). Artificial Intelligence. Boston: Addison Wesley Company.
Artut, S. (2019). Yapay Zeka Olgusunun Güncel Sanat Çalışmalarındaki Açılımları . İnsan
ve İnsan, 6 (22) , 767-783. DOI: 10.29224/insanveinsan.478162
Beck, U. (2011). Risk toplumu: Başka bir modernliğe doğru (K. Özdoğan, B. Doğan,
Çev.), İstanbul: İthaki Yayınları.
Charniak, E., McDermot, D., (1985). Introduction to Artificial Intelligence. Boston: Addi-
son-Wesley Company
Copeland, J. (1993). Artificial Intelligence: A Philosophical. Blackwell: Oxford.
Çakıroğlu, M. A., Süzen A. A., “Assessment and Application of Deep Learning
Algorithms in Civil Engineering”, El-Cezerî Fen ve Mühendislik Dergisi 2020, 7(2),
906-922.
Davies, E., “Machine Vision, third ed.”, Signal Processing and its Applications, Morgan
Kaufmann, Burlington, 2005. doi:https://doi.org/10.1016/B978-0-12-206093-9.
Demirkan, H., Earley, S. and Harmon, R. R., “Cognitive Computing”, IT Professional,
2017, 19 (4), 16-20.
Efe, Abadoğlu, E., ve Kaynak, O. (1999). Analysis and Desing of a Neural Network Assis-
ted Nonlinear Controller for a Bioreactor. International Journal of Robust and Nonli-
near Control, 9(11), 799- 815.
Efe, ve Kaynak, O. (1999). A Comparative Study of Neural Network Structures in Indenti-
fication of Nonlinear Systems. Mechatronics, 9(3), 287-300.
Efe, ve Kaynak, O. (2000). Yapay Sinir Ağları ve Uygulamaları: Boğaziçi Üniversitesi.
Ellul, J. (1964). The technological society. New York: Vintage Books.
- 204 -
Foucault, M. (2012). İktidarın gözü: Seçme yazılar 4 (I. Ergüden, Çev.). İstanbul: Ayrıntı
Yayınları.
Gültekin, A. & Çelebi, E. (2021). Spinoza Ontolojisi Bağlamında Yapay Zeka Ve Bir
Duygu Varlığı Olan İnsan Üzerine Bir Değerlendirme. Birey ve Toplum Sosyal Bilim-
ler Dergisi, 11 (2), 27-42. DOI: 10.20493/birtop.1020539
Güngör, D. N., Yardımcı, U, İ., “Yapay Zeka Kavramı ve Makine Öğrenme Uygulamala-
rı”, Erişim adresi: https://stratejico.com/yapay-zeka-kavrami-ve-makineogrenme-
uygulamalari Erişim Tarihi: 27.07.2020
Heidegger, M. (1977). The question concerning technology and other essays. New York:
Garland Publishing.
Ilıcak Aydınalp, Ş. G. (2020). Halkla İlişkiler Perspektifiyle Yapay Zekâ. Turkish Studies-
Social, 15(4), 2283-2300.
Intellipaah., “What is Artificial Intelligence?”, Erişim adresi: https://intellipaat.com/blog/
what-is-artificial-intelligence/ Erişim tarihi:27.07.2020
Karaduman, T. (2019). Yapay zekâ uygulama alanlari. Gazi Universitesi, Bilisim Enstitu-
su, Adli Bilisim. ABD.
Keskenler, M. F. ve Keskenler, E. F. (2017). Geçmişten Günümüze Yapay Sinir Ağları ve
Tarihçesi. ISSN: 2148-0087 Basım Tarihi: 29 Aralık 2017/ 11 Rebîulâhir 1439 Cilt:
5 No: 2 Sayfa: 8-18
LeCun, Y., Bengio, Y. and Hinton, G., “Deep learning”. Nature, 2015, 521, 436-444.
Liu, Z. (2021). Sociological perspectives on artificial intelligence: A typological reading.
Sociology Compass, 15(1).
Marx, K. (2019): Kapital: Ekonomi politiğin eleştirisi, I. cilt. (M. Selik, N. Satlıgan, Çev.).
İstanbul: Yordam Kitap.
Nabiyev, V. V. (2012). Yapay Zekâ: İnsan-Bilgisayar Etkileşimi. Baski Yeri: Seçkin Ya-
yıncılık.
Narendra, K. S., & Parthasarathy, K. (1990). Indentification and Control of Dynamical
Systems Using Neural Networks. IEEE Transactions on Neural Networks, 1(1), 4-27.
Öztemel, E. (2003). “Yapay Sinir Ağları”, Papatya Yayıncılık, İstanbul.
Öztemel, E. (2012). Yapay Sinir Ağları (Vol. 3). İstanbul: Papatya Yayıncılık Eğitim.
Öztürk, K. & Şahin, M. (2018). Yapay Sinir Ağları ve Yapay Zekâ’ya Genel Bir Bakış.
Takvim-i Vekayi, 25-36.
Panda, G., Upadhyay, A. & Khandelwal, K. (2019). Artificial Intelligence: A Strategic
Disruption in Public Relations. Journal of Creative Communications., 14(3),
196-213.
- 205 -
Popov, E. V., (Ed), (1990). Yapay Zekâ. Uzman Sitemler ve Doğal Dil İşleme. Moskova:
Radio i Svyaz, s. 461.
Ratner, B., “A comparison of two popular machine learning methods”, DM STAT-1 Onli-
ne Newsletter about Quantitative Methods in Direct Marketing, 2000, 4.
Russell, S., Norvig, P., “Artificial intelligence: a modern approach”, Upper Saddle River,
NJ: Prentice-Hall Samuel, A. L. Some Studies in Machine Learning Using the Game
of Checkers. IBM Journal of Research and Development, 1995, 3 (3), 210-229.
Spinoza, B. D. (2016). Ethica geometrik yöntemle kanıtlanmış ve beş bölüme ayrılmış
ahlak (Çev.: Çiğdem Dürüşken). İstanbul: Kabalcı Yayınları.
Tekin, H. (2006). Yapay Zekâ. Journal of Yasar University, 1(1), 81-93.
- 206 -

17-Ekim-2023-Yapay Zeka Ve Yönetim

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

17-Ekim-2023-Yapay Zeka Ve Yönetim

Uploaded by

Copyright:

Available Formats

YAPAY ZEKÂ VE YÖNETİM

Yayın No.: .........................

© Copyright 2023, NOBEL BİLİMSEL ESERLER SERTİFİKA NO.: 20779

Genel Yayın Yönetmeni: Nevzat Argun -nargun@nobelyayin.com-

Sayfa Tasarım: Tarkan Kara -erdal@nobelyayin.com-

Kütüphane Bilgi Kartı

YÖNETİM VE YAPAY ZEKÂ

Prof. Dr. Şebnem YÜCEL1

Yönetim Kavramı ve Kapsamı

Yönetim uygulamalarının M.Ö. 3000 yıllarında Sümerler tarafından başlatıldığı

“Yönetim bilimcileri, teorisyenleri ve yazarları da insandır:

Tarihsel süreçte dünya savaşları, sanayi devrimi, bilgi ve iletişim teknolojisindeki

başlarında ortaya çıkmış ve büyük ölçüde fabrikalarda üretkenliği artırmaya özel

Bilimsel Yönetim Yaklaşımı: Frederick Wilson Taylor

Bilimsel yönetim yaklaşımı, mühendis F. W. Taylor tarafından 1911’de yayımla-

Yönetim Süreci Yaklaşımı: Henry Fayol

Henry Fayol yönetim süreci yaklaşımının öncüsüdür. Fayol, yazdığı “Genel ve

Yönetim süreci yaklaşımı da bilimsel yönetim yaklaşımı gibi ekonomik etkinlik ve

514). POSDCORB Planning (Planlama), Organizing (Örgütleme), Staffing (Per-

Bürokrasi Yaklaşımı: Max Weber

Alman sosyolog Max Weber’in görüşlerinden yola çıkarak bürokrasi yaklaşımı

rak Weber’in bürokrasi yaklaşımında yöneticiler ya meşru otorite ile ya geleneksel

Neo Klasik (Davranışsal) Yönetim

8. İş gören, davranışları ve etkinliği hem organizasyon içinden hem de dışar-

Modern Organizasyon Teorileri

Klasik ve neoklasik yönetim teorileri organizasyonları çevresinden bağımsız bir

Bugünkü anlamda sistem yaklaşımı, 1920’lerde Ludwig Von Bertalanffy adında

oluşan gelişmelerin farklı bir birimdeki etkisini/etkilerini belirlemek yani yönetim

Neoklasik yaklaşımlar bölümünde McGregor tarafından geliştirilen ve iki farklı uç

birçok saha araştırması yapılmıştır. Bu araştırmalara örnek olarak Woodward araş-

Yapay Zekâ Kavramı ve Kapsamı

hareket etmesini sağlamak amacıyla oluşturulmuş bir teknolojidir (Sucu, 2019, s.

Makine Öğrenimi ve Derin Öğrenme

Şekil 1. Yapay Zekâ, Makine Öğrenimi ve Derin Öğrenme Hiyerarşisi

Öğrenme, makinelerin hayati bir yönünü oluşturmaktadır. Makine öğrenimi, yapay

girdilerden (eğitim veri kümeleri) otomatikleştirilmiş tahminler üretebilen çok

Yapay Zekânın Aşamaları/Evreleri

- Yapay zekâyı - Yapay zekâyı birkaç

Şekil 2. Yapay Zekânın Evreleri/Aşamaları

Yapay Zekânın Yönetimdeki Yeri

Uzun yıllar boyunca üzerinde çalışılan ve geliştirilen, farklı uygulamaları olan

Müşteri hizmetleri, yapay zekânın mevcut ilişkileri iyileştirebileceği ve verimliliği

 bu engellere çözümler üretip planlamak ve

Kendisinden önceki dijitalleşmenin daha da geliştirilmesi olan yapay zekâ, organi-

Akkuş, B. ve Alevok İzci, N. A. (2018). Sistem yaklaşımı, kavramları ve yönetim. Recep

Raisch, S. ve Krakowski, S. (2021). Artificial Intelligence and Management: The Automa-

YAPAY ZEKÂ VE GİRİŞİMCİLİK

1. Girişimciliğin Tanımı ve Önemi

Girişimciler, piyasadaki ya da toplumdaki ihtiyacı tespit edip bu ihtiyacı karşıla-

2. Yapay Zekânın Saklı Ar-Ge Kaynağı: Biyomimikri

İnsan Zekâsı Fayda Yapay Zekâ

Şekil 1: İnsan Zekâsı ile Yapay Zekâ Arasındaki İlişki

Tablo 1: Biyolojik Zekâ ile Yapay Zekâ Karşılaştırması

Farklılık Türü Biyolojik Zekâ (BZ) Yapay Zekâ (YZ)

Kaynak: Korteling vd., 2021

Tablo 1’de de görüldüğü üzere; biyolojik organizmalar karbon temellidirler. Bu

2.1. Kedi Beyni

2.2. Miksomiset (Cıvık Küf)

3.3. Yapay Zekânın Girişimcilikteki Rolü

3.3.1. Yapay Zekâ ve Girişimci

olarak yorumlanabilir. Girişimcinin, yapay zekâdan istifade etmesinin pek çok

Tablo 2. Girişimciler için Yapay Zekâ Uygulamaları

Yazılım Menşei Kullanım Alanı