Gerçek rakamlar neyi gösteriyor?
Gartner, McKinsey, BCG gibi danışmanlık firmalarının raporlarına göre endüstriyel yapay zekâ projelerinin yüzde 70-85'i beklenen iş değerini üretemiyor. Bu oran küçük bir hata payı değil; yapısal bir sorun.
Peki neden? Teknoloji mi yetersiz? Hayır. Çoğu başarısız projede sorun teknolojide değil, projenin kurgulanma biçiminde. Yanlış problem, yanlış veri, yanlış beklenti yönetimi — hepsi tek tek öldürücü, bir arada ise felaket.
Bu makale, imalat sektöründen gerçek projelerde gördüğümüz 12 kök nedeni anlatıyor. Amaç korkutmak değil, aynı hataları tekrarlamamak.
1. Yanlış problem seçimi
En yaygın hata, projeye "AI ile ne yapabiliriz?" sorusuyla başlamaktır. Doğru soru şudur: "Çözemediğimiz hangi somut problem, veriye dayalı bir yaklaşımla daha iyi çözülür?"
Bir tekstil firması "tüm üretimimizi AI ile optimize edelim" hedefiyle yola çıktı. 6 ay sonra ortada ne model ne de sonuç vardı. Çünkü "tüm üretim" bir problem tanımı değil, bir dilek.
Başarılı projeler, dar kapsamlı ve ölçülebilir hedeflerle başlar. "X hattındaki hurda oranını yüzde 25 azaltmak" gibi.
2. Veri hazır değil
"Verimiz var" ile "verimiz kullanılabilir" arasında çoğu zaman aylar var. ERP'deki kayıtlar analiz için değil, muhasebe için tutulmuştur. SCADA logları yapılandırılmamış olabilir. Excel tabloları tutarsız olabilir.
Bir AI projesi başlatmadan önce üç soru sorulmalı:
-
Bu problem için hangi veriler gerekli?
-
Bu veriler mevcut mu? Kaynak nedir?
-
Verinin kalitesi (tutarlılık, tamlık, güncellik) yeterli mi?
Eğer bu soruların cevabı net değilse, proje öncesinde bir veri keşif çalışması yapılmalıdır. Kolektif360'ın RaporA platformu, ham veri dosyalarını yükleyerek otomatik veri profilleme ve kalite analizi yapar — projeye başlamadan verinin durumunu gösterir.
3. Süreçler dokümante edilmemiş
Yapay zekâya "sürecimizi optimize et" demek, müteahhide "bir bina yap" deyip plan vermemek gibidir. Model neyi optimize edeceğini bilmek için sürecin adımlarını, kısıtlarını ve değişkenlerini bilmelidir.
Türkiye'deki fabrikaların büyük çoğunluğunda süreçler kişilerin kafasındadır. Yazılı prosedür varsa bile güncel değildir.
Bu noktada Kolektif360'ın Akıllı Süreç Haritalayıcısı devreye girer: Türkçe serbest metin olarak anlatılan süreçlerden NLP ile otomatik adımlar çıkarır ve yapılandırılmış formatta dokümante eder. Süreç önce görünür olmalı ki, optimize edilebilsin.
4. İş birimi sahiplenmiyor
AI projesini IT departmanı başlatır, dışarıdan bir tedarikçi gelir, model kurulur, raporlanır — ama üretim müdürü projeyi hiç sahiplenmemiştir. Operatör modeli kullanmaz, planlama ekibi çıktılara güvenmez.
Sahiplenme eksikliğinin belirtileri:
-
"Bu projeyi IT yapsın" denilmesi
-
Üretim ekibinin toplantılara gelmemesi
-
Pilot sonrası hiç yaygınlaştırma yapılmaması
Çözüm: AI projesi bir iş projesidir, IT projesi değil. Proje sponsoru üretim veya kalite yöneticisi olmalıdır.
5. Beklenti gerçekçi değil
"AI gelsin, fabrikayı döndürsün" beklentisi hâlâ çok yaygın. Yapay zekâ bir araçtır; sihirli değnek değil. İlk projede yüzde 100 doğruluk beklemek, ilk gün her şeyin otomatik olmasını beklemek gerçekçi değildir.
Gerçekçi bir beklenti: İlk pilot projede 3-6 ay içinde ölçülebilir bir iyileşme görmek. Model doğruluğunun zaman içinde iterasyonlarla artması.
6. Pilot ile üretim arasındaki uçurum
Laboratuvar ortamında yüzde 95 doğruluk gösteren model, üretim hattında yüzde 60'a düşebilir. Bunun sebepleri:
-
Eğitim verisi gerçek koşulları yansıtmıyor
-
Aydınlatma, titreşim, sıcaklık gibi ortam faktörleri hesaba katılmamış
-
Veri akışı pilot ortamdaki kadar temiz değil
Bu uçurumu kapatmanın yolu: Pilotu sahada kurmak. Gerçek veriyle, gerçek koşullarda test etmek. Masabaşında çalışan ama sahada çalışmayan model, çalışmıyordur.
7. Yanlış KPI seçimi
Projenin başarısını ölçecek KPI yanlış seçilirse, proje başarılı bile olsa başarısız gibi görünür. Ya da daha kötüsü: başarısız olduğu hâlde başarılı gibi raporlanır.
| Kötü KPI | İyi KPI |
|---|---|
| "Üretimi iyileştirdik" | Hurda oranı yüzde 32'den yüzde 21'e düştü |
| "Model çalışıyor" | Model tahmin doğruluğu yüzde 88, yanlış pozitif oranı yüzde 4 |
| "ROI pozitif" | 9 ayda 180 bin TL tasarruf (bakım maliyeti düşüşü) |
Kolektif360'ın ROI & NPV Hesaplama Platformu, otomasyon ve AI projelerinin yatırım geri dönüşünü 5 kalemle somut hesaplar — proje öncesi beklenti yönetimi için kritiktir.
8. Tek projeyle her şeyi çözme çabası
"Kaliteyi, bakımı, planlamayı, teklifleri — hepsini tek bir AI projesiyle çözelim." Bu yaklaşım, hiçbirini düzgün yapmamak demektir.
Başarılı firmalar tek bir sürece odaklanarak başlar. Hurda azaltma, teklif hızlandırma, bakım tahmini — hangisi en acilse ve verisi en hazırsa, oradan başlanır.
9. Organizasyonel silolar
Kalite departmanı kendi verisini tutar, bakım kendi sistemini kullanır, planlama Excel'de çalışır, IT ayrı bir dünyadadır. Bu silolar, AI projesinin ihtiyaç duyduğu çapraz veri akışını engeller.
Model kurmadan önce, departmanlar arası veri paylaşımının mümkün olup olmadığı sorgulanmalıdır. Teknik olarak API'ler yazılabilir; asıl zorluk organizasyonel dirençtir.
10. Tedarikçi seçim hatası
"En büyük firmaya verelim" ya da "en ucuzu alalım" — ikisi de riskli. AI tedarikçisi seçiminde asıl kriter:
-
Sektör deneyimi (imalat bilen var mı ekipte?)
-
Referans projeleri (sahada çalışan, ölçülebilir sonuç üreten)
-
Devir teslim planı (proje bitince bilgi aktarımı nasıl olacak?)
-
Veriye yaklaşımı (verinizi dışarı çıkarıyor mu, yoksa kapalı devre mi çalışıyor?)
11. Dijital olgunluk eksikliği
AI, dijitalleşme yolculuğunun son aşamalarından biridir. Hâlâ kâğıt formlarla çalışan, verisi Excel'de olan, süreçleri standartlaşmamış bir fabrikada AI projesi başlatmak, koşmayı öğrenmeden maraton koşmaya benzer.
Önce dijital temel atılmalıdır: Veri toplama altyapısı, standart prosedürler, basit raporlama. Kolektif360'ın Dijitalleşme Asistanı tam da bu adımda devreye girer — işletmenizin YZ olgunluk seviyesini değerlendirir ve "nereden başlamalıyız" sorusuna yapılandırılmış bir cevap verir.
12. Proje sonrası bakım planı yok
Model canlıya alındı, herkes kutladı — ama 6 ay sonra performans düşmeye başladı. Çünkü:
-
Üretim koşulları değişti (yeni malzeme, yeni ürün)
-
Veri kaynağında değişiklik oldu
-
Modeli izleyen ve güncelleyen kimse atanmadı
AI modeli canlı bir organizmadır. Düzenli izleme, yeniden eğitim ve performans takibi gerektirir. Bu bakım planı proje bütçesine en baştan dahil edilmelidir.
Kök neden haritası
| Kategori | Kök Neden | Tipik Sonuç |
|---|---|---|
| Strateji | Yanlış problem, gerçekçi olmayan beklenti | Proje hedefine ulaşamaz |
| Veri | Veri hazır değil, kalite düşük | Model düşük performans gösterir |
| Organizasyon | Sahiplenme yok, silolar, olgunluk eksik | Pilot başarılı olsa bile yaygınlaşmaz |
| Uygulama | Pilot-üretim uçurumu, KPI hatası, bakım planı yok | Kısa ömürlü, sürdürülemez proje |
Ne yapılmalı?
-
Soruyla başlayın, teknolojiyle değil. Hangi iş problemi çözülecek?
-
Veriyi tanıyın. Mevcut verinin durumunu değerlendirin.
-
Küçük başlayın. Tek süreç, tek hat, ölçülebilir hedef.
-
Sahiplendirin. İş birimi proje sponsoru olsun.
-
Pilotu sahada kurun. Laboratuvar ortamında geçirdiğiniz vakit sınırlı olsun.
-
Bakım planlayın. Model canlıya alındıktan sonra ne olacak?
Bu adımların herhangi birinde destek almak isterseniz, 30 dakikalık ücretsiz ön görüşmede mevcut durumunuzu birlikte değerlendirelim.
