Okuma süresi: 9 dakika | Haziran 2026’da güncellenmiştir | Şunlar için geçerlidir: Üretim · ERP · APS · OEE · Kestirimci bakım · Dijital dönüşüm · AI
Üretim yöneticilerinin yapay zekâ hakkında en sık karşılaştığı yanılgı şu: “AI bizim işimiz için değil, o yazılımcıların işi.” Oysa bir fabrikada AI’ın en hızlı geri dönüş verdiği yer kod yazmak değil, her gün verilen sıradan kararlar: Hangi malzemeyi ne zaman sipariş etmeli? Bu parti kalite riski taşıyor mu? Önümüzdeki hafta hangi makine darboğaz olacak? Bu kararlar bugün çoğunlukla deneyimle ve sezgiyle alınıyor. Erken benimseyen üretim şirketleri ise aynı kararları veriden almaya başladı ve aradaki fark her geçen çeyrek biraz daha büyüyor.
Özet — Üretimde yapay zekânın değeri yeni bir teknoloji satın almakta değil, mevcut kararları yeniden tasarlamakta. Erken benimseyenler stok, kalite, planlama ve bakım kararlarını sezgiden veriye taşıyor; geride kalanlarla aralarındaki rekabet farkı katlanarak büyüyor. Bu yazıda üretimde AI destekli karar almanın gerçekte nasıl çalıştığını, erken benimseyenlerin somut olarak ne kazandığını ve neden projelerin çoğunun pilotta kaldığını ele alıyoruz. MindDX olarak bu kararları veriyle desteklerken kullandığımız abas ERP, Odoo, SkyPlanner APS, Prodaso IIoT ve ProcessMind çözümlerinin rolünü de bu çerçevede açıklıyoruz.
İçerik
- Üretimde AI’ın yanlış anlaşılan tarafı: Kod değil, karar
- Erken benimseyenler ne kazanıyor?
- AI destekli karar pratikte nerede çalışıyor?
- Neden AI projelerinin çoğu pilotta kalıyor?
- Türkiye tablosu: Geride ama fırsat penceresi açık
- Sonuç: Nereden başlamalı?
Üretimde AI’ın yanlış anlaşılan tarafı: Kod değil, karar
Kamuoyundaki yapay zekâ algısı büyük ölçüde sohbet eden dil modelleriyle şekillendi. Bu yüzden birçok üretim şirketi AI’ı “metin yazan” ya da “yazılım geliştiren” bir araç olarak görüyor. Gerçekte üretimdeki değer farklı bir yerde: makine sensörlerinden, ERP kayıtlarından ve süreç verilerinden gelen sinyalleri okuyup kararı hızlandıran ve isabetini artıran sistemler.
Burada kritik nokta, AI’ın insanın yerini almaması. McKinsey’in araştırmaları, insanın ve AI’ın birlikte çalıştığı süreçlerin tek başına ikisinden de belirgin biçimde daha verimli olduğunu gösteriyor. Doğru kurgu şu: AI seçenekleri ve riski önceden görünür kılar, son kararı ise alan uzmanı verir. Yani AI burada bir danışman; karar verici değil. Bu yaklaşım sadece daha güvenli değil, aynı zamanda daha doğru sonuç veriyor çünkü makine veriyi işler, insan ise bağlamı ve istisnayı yönetir.
Erken benimseyenler ne kazanıyor?
AI artık nadir bir teknoloji değil; ama ondan değer üretmek hâlâ nadir. McKinsey’in 2025 sonu “State of AI” araştırmasına göre şirketlerin neredeyse onda dokuzu en az bir iş fonksiyonunda düzenli olarak AI kullanıyor ancak çoğu henüz bundan kurumsal düzeyde anlamlı bir finansal etki göremiyor. Fark, araç sahibi olanlarla onu kararlarına gerçekten gömenler arasında.
Boston Consulting Group’un 2025 analizi bu farkı net çiziyor: şirketlerin yalnızca küçük bir azınlığı AI’dan ölçekli değer üretirken, çoğunluk geride kalıyor. BCG’nin bulgularına göre AI’ı süreçlerine entegre eden şirketler, etmeyen rakiplerine kıyasla belirgin biçimde daha yüksek gelir büyümesi ve verimlilik elde ediyor. Önemli olan, bu avantajın tek seferlik olmaması: erken benimseyen şirket veri biriktirdikçe modeli iyileşiyor, kararları daha da isabetli hale geliyor; bekleyen şirket ise her yeni araçta sıfırdan başlıyor.
Üretim özelinde sahada iki net profil görülüyor: yeni AI araçlarını hızla test edip üretim ve tedarik zincirini optimize eden agresif benimseyenler ile çözüm olgunlaşıp riskler netleşene kadar bekleyen dengeli çoğunluk. İkinci grup istikrarı koruyor ama hız kazançlarını ve birikimli avantajı kaçırıyor.
AI destekli karar pratikte nerede çalışıyor?
Soyut kalmamak için, bir üretim tesisinde yapay zekânın bugün karar verdiği değil, kararı desteklediği dört alana bakalım. Dördünün de ortak özelliği şu: AI yeni bir karar icat etmiyor; zaten verilen bir kararı daha erken ve daha isabetli kılıyor.
1. Stok ve satın alma kararı
“Ne zaman, ne kadar sipariş vermeli?” sorusu üretimde en pahalı sezgisel kararlardan biri. Yanlış tahmin ya stok-out’a (üretim durması) ya da fazla stoğa (bağlı sermaye) yol açıyor. McKinsey’in dağıtım operasyonları analizine göre AI destekli talep tahmini, tahmin hatasını önemli ölçüde azaltıp stok seviyelerini düşürürken stok-out kaynaklı satış kayıplarını da ciddi oranda azaltabiliyor.
Bu kararın veri temeli sağlam bir ERP’dir. abas ERP, KPI’lar, dashboard’lar ve BI fonksiyonlarıyla “tam bilgilendirilmiş karar alma” sağlayacak şekilde tasarlanmış; orta ölçekli ve KOBİ üreticiler için Odoo ise satın alma, stok ve sipariş süreçlerini tek platformda gerçek zamanlı görünür kılıyor. Bu kararların nerede tıkandığını anlamak içinse ProcessMind ile satın alma sürecinin (procure-to-pay) gerçekte nasıl aktığı, hangi adımda geciktiği ERP loglarından ortaya çıkarılabiliyor.
2. Kalite kararı
“Bu parti riskli mi, sahaya gönderelim mi?” kararı geleneksel olarak örnekleme ve manuel muayeneyle veriliyor. AI tabanlı makine görüşü ve anomali tespiti, sensör verisini sürekli analiz ederek bir partinin riskli olup olmadığını çoğu zaman üretim bitmeden gösterebiliyor. BMW Group, seri üretiminde AI görüntü tanımayı 2018’den beri kullanıyor; çatlak, çizik ve etiket hatalarını tespit ederken “sözde hataları” da eleyerek hem kaliteyi koruyor hem de çalışanları tekrarlayan kontrol görevlerinden kurtarıyor.
Bu kararın veri kaynağı, makinelerden gelen gerçek zamanlı sinyaldir. Prodaso IIoT platformu, eski makineler dâhil tüm tezgâhları bağlayarak otomatik anomali tespiti ve canlı kalite göstergeleri sunuyor; MindDX verilerine göre kurulumlarda hurda oranında %15–30’a varan azalma görülebiliyor.
3. Planlama ve çizelgeleme kararı
“Önümüzdeki hafta hangi makine darboğaz olacak, hangi siparişi öne almalı?” Bu karar hâlâ çoğu fabrikada Excel’de, statik biçimde veriliyor — oysa saha dinamik: makine arızalanıyor, malzeme gecikiyor, acil sipariş giriyor. SkyPlanner APS, Arcturus AI motoruyla makine kullanılabilirliğini, sınırlı kapasiteyi, malzeme hazırlığını ve sipariş önceliklerini sürekli analiz ediyor; bir kesinti olduğunda planı saniyeler içinde yeniden hesaplıyor. Önemli olan, ERP/MES üzerine çalışması ve çekirdek sistemleri değiştirmemesi — ve kritik bir tasarım ilkesi: planlamacının yerini almıyor, kararı onun verdiği bir destek katmanı sunuyor.
Bunun gücünü Türkiye’den somut bir örnekte görmek mümkün. Dünya Ekonomik Forumu’nun 2025 Global Lighthouse Network’üne giren Tüpraş İzmit rafinerisi, AI destekli tahmin ve optimizasyon çözümleriyle teslimat güvenilirliğini %85’ten %95’e çıkardı ve ortalama yükleme süresini önemli ölçüde kısalttı. Planlama, Excel’de değil veride yaşadığında elde edilen tipik kazanç budur.
4. Bakım kararı
“Bu makineyi şimdi mi durdurmalı?” kararı, üretimde AI’ın en olgun uygulama alanı. Kestirimci bakım, sensör verisindeki anomalileri okuyup arıza gerçekleşmeden müdahale imkânı veriyor. McKinsey’in üretim analizlerine göre kestirimci bakım, plansız duruşu tipik olarak ciddi oranda azaltıp ekipman ömrünü uzatabiliyor. BMW’nin Regensburg tesisi, mevcut sensör verisini kullanan AI sistemiyle yılda yüzlerce dakikalık hat kesintisini önceden engelliyor. Bu kararın da temeli bağlı makineler ve sürekli veri akışı; Prodaso burada dijital ikiz ve kestirimci modellerle devreye giriyor.
Neden AI projelerinin çoğu pilotta kalıyor?
Burada dürüst olmak gerekiyor: AI projeleri sık başarısız oluyor. RAND’ın bulgularına göre AI projelerinin büyük çoğunluğu üretime ulaşamıyor; MIT’in 2025 çalışması ise generatif AI pilotlarının ezici bölümünün ölçülebilir finansal getiri sağlamadığını gösteriyor. Ama kök neden genellikle sanılanın aksine model ya da algoritma değil; iki temel eksik:
Veri temeli. AI, ancak beslendiği veri kadar iyi karar destekler. ERP’si dağınık, süreç verisi görünmeyen, makineleri bağlı olmayan bir tesiste AI “akıllı” değil, “kör” olur. Sektör araştırmaları, başarısızlıkların en büyük nedeninin veri kalitesi ve hazırlığı olduğunu defalarca gösteriyor. Bu yüzden sağlam karar desteği önce sağlam veri altyapısı ister: bağlı makineler (IIoT), bütünleşik ERP ve görünür süreçler.
İnsan, süreç ve doğru başlangıç. Başarılı AI dönüşümlerinde eforun büyük kısmı araca değil; insanı eğitmeye, süreci güncellemeye ve değişimi yönetmeye gidiyor. Bir başka kritik bulgu: projeye başlamadan önce ölçülebilir bir başarı metriği tanımlayan şirketlerin başarı oranı, tanımlamayanların birkaç katı. Ayrıca araştırmalar, uzman bir partnerle yürütülen ya da hazır çözümden başlayan projelerin, her şeyi sıfırdan kurum içinde geliştirenlere göre çok daha yüksek başarı gösterdiğini ortaya koyuyor.
Türkiye tablosu: Geride ama fırsat penceresi açık
Türkiye’de işletmelerin yapay zekâ kullanımı henüz düşük: TÜİK’in 2025 verilerine göre işletmelerin yaklaşık %7,5’i AI kullanıyor — bu oran 250+ çalışanlı şirketlerde belirgin biçimde yükseliyor. Avrupa Birliği ortalaması ise yaklaşık %20. Bu tablo geride kalmış gibi görünse de aslında bir fırsat penceresi: pazarın büyük bölümü henüz harekete geçmediği için, erken benimseyen Türk üreticisinin elde edeceği rekabet avantajı bugün çok daha büyük. Avantaj penceresi açık — ama her geçen çeyrek biraz daha daralıyor.
Sonuç: Nereden başlamalı?
Üretimde AI’a “ne zaman başlamalı” sorusunun cevabı, “verinizi görünür kılmaya başladığınız an” oldu. Karar desteği baştan sona her şeyi kapsayan bir proje olarak başlamaz; en çok kör nokta yaşadığınız tek bir karardan başlar — en sık yanlış verdiğiniz stok, kalite, planlama ya da bakım kararı hangisiyse.
MindDX olarak Türkiye’deki üretim şirketleriyle çalışırken izlediğimiz sıra şu: önce veri temelini kurmak (bütünleşik üretim için abas ERP veya Odoo, bağlı makineler için Prodaso IIoT), sonra görünürlüğü açmak (ProcessMind ile süreçlerin gerçekte nasıl aktığını görmek), ardından kararı hızlandırmak (SkyPlanner APS ile planlamayı veriye taşımak). Karar desteği bu temelin üzerine oturduğunda kalıcı oluyor; tek başına bir araç olarak dayatıldığında ise pilotta kalıyor.
Erken benimseyenlerin kazandığı şey gizemli değil: aynı kararı rakibinden daha erken ve daha isabetli vermek. Üretiminizde en çok hangi kararın “veriye değil sezgiye” dayandığını biliyorsanız, başlamak için doğru nokta orasıdır.
Üretiminizde AI destekli kararın nerede mümkün olduğunu birlikte çıkaralım. Ücretsiz MindDX Check-Up ile mevcut verinizden hareketle 30 dakikalık bir değerlendirme planlayın.
