Okuma süresi: 9 dakika | Haziran 2026’da güncellenmiştir | Şunlar için geçerlidir: Üretim · ERP · APS · OEE · Öngörücü bakım · Dijital dönüşüm · Yapay zeka
Üretim yöneticilerinin yapay zeka konusunda en sık karşılaştıkları yanılgı şudur: “Yapay zeka bizim işimiz değil, yazılımcıların işi.” Oysa bir fabrikada yapay zekanın en hızlı geri dönüşü sağladığı alan kod yazmak değil, her gün alınan sıradan kararlardır: Hangi malzemeyi ne zaman sipariş etmeliyiz? Bu parti kalite riski taşıyor mu? Önümüzdeki hafta hangi makine darboğaz olacak? Bu kararlar bugün çoğunlukla deneyim ve sezgiyle alınıyor. Erken benimseyen üretim şirketleri ise aynı kararları veriden almaya başladı ve aradaki fark her geçen çeyrekte biraz daha büyüyor.
Özet — Üretimde yapay zekanın değeri, yeni bir teknoloji satın almakta değil, mevcut kararları yeniden tasarlamakta yatmaktadır. Erken benimseyenler, stok, kalite, planlama ve bakım kararlarını sezgiden veriye dayalı hale getiriyor; geride kalanlarla aralarındaki rekabet farkı katlanarak büyüyor. Bu yazıda, üretimde yapay zeka destekli karar almanın gerçekte nasıl işlediğini, erken benimseyenlerin somut olarak ne kazandığını ve projelerin çoğunun neden pilot aşamada 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 yapay zekanın yanlış anlaşılan yönü: Kod değil, karar
- Erken benimseyenler ne kazanıyor?
- Yapay zeka destekli karar alma, pratikte hangi alanlarda kullanılıyor?
- Neden yapay zeka projelerinin çoğu pilot aşamada kalıyor?
- Türkiye tablosu: Geride kalmış olsa da fırsat penceresi hâlâ açık
- Sonuç: Nereden başlamalı?
Üretimde yapay zekanın yanlış anlaşılan yönü: Kod değil, karar
Kamuoyundaki yapay zeka algısı büyük ölçüde sohbet eden dil modelleriyle şekillendi. Bu nedenle birçok üretim şirketi, yapay zekayı “metin yazan” ya da “yazılım geliştiren” bir araç olarak görüyor. Oysa üretimdeki asıl değer başka bir yerde yatıyor: makine sensörlerinden, ERP kayıtlarından ve süreç verilerinden gelen sinyalleri okuyarak karar sürecini hızlandıran ve kararların isabetini artıran sistemler.
Buradaki kritik nokta, yapay zekanın insanın yerini almamasıdır. McKinsey’in araştırmaları, insan ve yapay zekanın birlikte çalıştığı süreçlerin, her ikisinin tek başına çalıştığı durumlara kıyasla belirgin şekilde daha verimli olduğunu gösteriyor. Doğru yaklaşım şudur: Yapay zeka, seçenekleri ve riski önceden görünür kılar; nihai kararı ise alan uzmanı verir. Yani yapay zeka burada bir danışmandır; karar verici değildir. Bu yaklaşım sadece daha güvenli olmakla kalmaz, aynı zamanda daha doğru sonuçlar da verir; çünkü makine veriyi işlerken, insan ise bağlamı ve istisnaları yönetir.
Erken benimseyenler ne kazanıyor?
Yapay zeka artık nadir bir teknoloji değil; ancak ondan değer yaratmak hâlâ nadir. McKinsey’in 2025 sonu “State of AI” araştırmasınagöre, şirketlerin neredeyse onda dokuzu en az bir iş fonksiyonunda düzenli olarak yapay zeka kullanıyor; ancak çoğu, bundan henüz kurumsal düzeyde anlamlı bir finansal etki göremiyor. Aradaki fark, bu teknolojiye sahip olanlar ile onu kararlarına gerçekten entegre edenler arasında.
Boston Consulting Group’un 2025 analizinde bu fark net bir şekilde ortaya konuyor: Şirketlerin yalnızca küçük bir kısmı yapay zekadan ölçekli değer üretirken, çoğunluk geride kalıyor. BCG’nin bulgularına göre, yapay zekayı süreçlerine entegre eden şirketler, bunu yapmayan rakiplerine kıyasla belirgin şekilde daha yüksek gelir artışı ve verimlilik elde ediyor. Önemli olan, bu avantajın tek seferlik olmamasıdır: Yapay zekayı erken benimseyen şirketler veri biriktirdikçe modelleri iyileşiyor ve kararları daha da isabetli hale geliyor; bekleyen şirketler ise her yeni araçta sıfırdan başlıyor.
Üretim alanında iki belirgin profil göze çarpıyor: Yeni yapay zeka araçlarını hızla test ederek üretim ve tedarik zincirini optimize eden agresif benimseyenler ile çözüm olgunlaşıp riskler netleşene kadar bekleyen dengeli çoğunluk. İkinci grup istikrarı koruyor ancak hız kazanımlarını ve birikimli avantajı kaçırıyor.
Yapay zeka destekli karar alma, pratikte hangi alanlarda kullanılıyor?
Soyut kalmamak adına, bir üretim tesisinde yapay zekanın bugün karar verdiği değil, kararı desteklediği dört alana bir göz atalım. Bu dört alanın ortak özelliği şudur: Yapay zeka yeni bir karar icat etmiyor; zaten alınmış bir kararı daha erken ve daha isabetli hale getiriyor.
1. Stok ve satın alma kararı
“Ne zaman ve ne kadar sipariş verilmeli?” sorusu, üretimde en maliyetli sezgisel kararlardan biridir. Yanlış tahmin, ya stok tükenmesine (üretimin durmasına) ya da fazla stoğa (bağlı sermaye) yol açar. McKinsey’in dağıtım operasyonları analizine göre, yapay zeka destekli talep tahmini, tahmin hatasını önemli ölçüde azaltıp stok seviyelerini düşürürken, stok tükenmesinden kaynaklanan satış kayıplarını da ciddi oranda azaltabilir.
Bu kararın veri temeli sağlam bir ERP sistemidir. abas ERP, KPI’lar, gösterge panelleri ve iş zekası (BI) işlevleriyle “tam bilgilendirilmiş karar alma” sağlayacak şekilde tasarlanmıştır; orta ölçekli ve KOBİ üreticiler için ise Odoo, satın alma, stok ve sipariş süreçlerini tek bir platformda gerçek zamanlı olarak görünür hale getirir. Bu kararların hangi aşamada tıkanma yaşadığını anlamak için ise ProcessMind ile satın alma sürecinin (procure-to-pay) gerçekte nasıl işlediği ve hangi adımda gecikme yaşandığı ERP günlüklerinden tespit edilebiliyor.
2. Kalite kararı
“Bu parti riskli mi, sahaya gönderelim mi?” kararı geleneksel olarak örnekleme ve manuel inceleme yoluyla veriliyor. Yapay zeka tabanlı makine görüşü ve anomali tespiti, sensör verilerini sürekli analiz ederek bir partinin riskli olup olmadığını çoğu zaman üretim tamamlanmadan gösterebiliyor. BMW Group, seri üretiminde 2018’den beri yapay zeka destekli görüntü tanıma teknolojisini 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 sinyallerdir. Prodaso IIoT platformu, eski makineler de dahil olmak üzere tüm tezgâhları birbirine bağlayarak otomatik anomali tespiti ve canlı kalite göstergeleri sunar; MindDX verilerine göre, kurulumlarda hurda oranında %15–30’a varan bir azalma gözlemlenebilmektedir.
3. Planlama ve çizelgeleme kararı
“Önümüzdeki hafta hangi makine darboğaz olacak, hangi siparişi öncelikli olarak işleme almalı?” Bu karar, hâlâ çoğu fabrikada Excel’de statik bir şekilde alınıyor — oysa sahada durum dinamik: makineler arızalanıyor, malzemeler gecikiyor, acil siparişler geliyor. 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 üzerinde çalışması ve çekirdek sistemleri değiştirmemesi — ve kritik bir tasarım ilkesi: planlamacının yerini almıyor, kararın ondan çıktığı bir destek katmanı sunuyor.
Bunun gücünü Türkiye’den somut bir örnekle görmek mümkündür. Dünya Ekonomik Forumu’nun 2025 Global Lighthouse Network’üne giren Tüpraş İzmit rafinerisi, yapay zeka destekli tahmin ve optimizasyon çözümleriyle teslimat güvenilirliğini %85’ten %95’e çıkardı ve ortalama yükleme süresini önemli ölçüde kısalttı. Planlama, Excel’de değil veride gerçekleştiğinde elde edilen tipik kazanç budur.
4. Bakım kararı
“Bu makineyi şimdi mi durdurmalı?” kararı, üretimde yapay zekanın en olgun uygulama alanıdır. Öngörücü bakım, sensör verilerindeki anormallikleri tespit ederek arıza gerçekleşmeden müdahale imkânı sunar. McKinsey’in üretim analizlerine göre öngörücü bakım, plansız duruş süresini genellikle önemli ölçüde azaltarak ekipman ömrünü uzatabilir. BMW’nin Regensburg tesisi, mevcut sensör verilerini kullanan yapay zeka sistemi sayesinde yılda yüzlerce dakikalık üretim kesintisini önceden önlüyor. Bu kararın da temeli, bağlı makineler ve sürekli veri akışıdır; Prodaso burada dijital ikiz ve öngörücü modellerle devreye giriyor.
Neden yapay zeka projelerinin çoğu pilot aşamada kalıyor?
Bu konuda dürüst olmak gerekir: Yapay zeka projeleri sıklıkla başarısız oluyor. RAND’ın bulgularına göre yapay zeka projelerinin büyük çoğunluğu üretime geçemiyor; MIT’nin 2025 çalışması ise üretken yapay zeka pilot projelerinin ezici çoğunluğunun ölçülebilir finansal getiri sağlamadığını gösteriyor. Ancak temel neden, genellikle sanılanın aksine model ya da algoritma değil; iki temel eksiklik:
Veri temeli. Yapay zeka, ancak beslendiği veriler kadar iyi karar desteği sağlayabilir. ERP sistemi dağınık, süreç verileri görünmez ve makineler birbirine bağlı olmayan bir tesiste yapay zeka “akıllı” değil, “kör” olur. Sektör araştırmaları, başarısızlıkların en büyük nedeninin veri kalitesi ve hazırlığı olduğunu defalarca ortaya koymaktadır. Bu nedenle, sağlam karar desteği için öncelikle sağlam bir veri altyapısı gereklidir: bağlı makineler (IIoT), entegre ERP ve görünür süreçler.
İnsan, süreç ve doğru başlangıç. Başarılı yapay zeka dönüşümlerinde çabanın büyük kısmı araca değil; insanı eğitmeye, süreci güncellemeye ve değişimi yönetmeye harcanıyor. Bir başka kritik bulgu: projeye başlamadan önce ölçülebilir bir başarı metriği tanımlayan şirketlerin başarı oranı, bunu tanımlamayanların birkaç katıdır. Ayrıca araştırmalar, uzman bir iş ortağıyla yürütülen ya da hazır çözümlerle başlatılan projelerin, her şeyi sıfırdan kurum içinde geliştirenlere kıyasla çok daha yüksek başarı gösterdiğini ortaya koymaktadır.
Türkiye tablosu: Geride kalmış olsa da fırsat penceresi hâlâ açık
Türkiye’de işletmelerin yapay zeka kullanımı henüz düşük: TÜİK’in 2025 verilerine göre işletmelerin yaklaşık %7,5’i yapay zeka kullanıyor — bu oran 250’den fazla çalışanı olan şirketlerde belirgin bir şekilde artıyor. Avrupa Birliği ortalaması ise yaklaşık %20’dir. Bu tablo geride kalmış gibi görünse de aslında bir fırsat penceresi oluşturmaktadır: pazarın büyük bir kısmı henüz harekete geçmediğinden, yapay zekayı erken benimseyen Türk üreticilerin elde edeceği rekabet avantajı bugün çok daha büyüktür. Avantaj penceresi açık — ancak her geçen çeyrekte biraz daha daralmaktadır.
Sonuç: Nereden başlamalı?
Üretimde yapay zekayı “ne zaman kullanmaya başlamalı” sorusunun cevabı, “verilerinizi görünür hale getirmeye başladığınız an” oldu. Karar desteği, baştan sona her şeyi kapsayan bir proje olarak başlamaz; en çok sorun yaşadığınız tek bir kararla başlar — stok, kalite, planlama ya da bakım konusunda en sık yanlış karar verdiğiniz konu hangisiyse.
MindDX olarak Türkiye’deki üretim şirketleriyle çalışırken izlediğimiz süreç şöyledir: önce veri altyapısını kurmak (entegre üretim için abas ERP veya Odoo, bağlı makineler için Prodaso IIoT), ardından görünürlüğü sağlamak (ProcessMind ile süreçlerin gerçekte nasıl işlediğini görmek), son olarak da karar sürecini hızlandırmak (SkyPlanner APS ile planlamayı veriye dayandırmak). Karar desteği bu temele dayandığında kalıcı olur; tek başına bir araç olarak dayatıldığında ise pilot aşamada kalır.
Erken benimseyenlerin elde ettiği şey hiç de gizemli değil: aynı kararı rakibinden daha erken ve daha isabetli bir şekilde vermek. Üretim sürecinizde hangi kararın “veriye değil, sezgiye” dayandığını biliyorsanız, başlamak için doğru nokta işte orasıdır.
Üretim süreçlerinizde yapay zeka destekli karar almanın nerede mümkün olduğunu birlikte belirleyelim. Ücretsiz MindDX Check-Up ile mevcut verilerinizden yola çıkarak 30 dakikalık bir değerlendirme randevusu ayarlayın.
