JPMorgan'ın 450 Yapay Zeka Use-Case'i Bankacılıkta Neyi Değiştirdi

Bir bankanın CIO'su sahnede konuşurken duraksıyor ve şunu söylüyor: "Bizim 450 yapay zeka use-case'imiz var, hepsi prodüksiyonda." Salon susuyor.

Bu sahne yaşandı. JPMorgan yönetiminin 2025 sonunda yaptığı paylaşım, finans sektörünün yapay zeka okuma şeklini değiştirdi. Tek tek yürütülen projelerin yerini 450 paralel kullanım örneği aldı; yılda 360.000 saat manuel iş yükünden kurtarıldı. En kritik nokta şu: bu örneklerin tamamı gündelik operasyonun içinde çalışıyor.

Türk finans yöneticileri bu vakayı çoğunlukla ölçek itirazıyla okuyor. Haklı bir yan var. Ama metodolojinin asıl gereksinimi bütçeden önce disiplin.

JPMorgan ne yaptı?

Banka yönetimi 2023'te JPMorgan AI Research adlı birimi kurdu ve ertesi yıl bu birimi LLM Suite adlı dahili platforma bağladı.

2025 sonunda 450'den fazla use-case prodüksiyonda çalışıyordu. Ekip bu use-case'leri 5 ana kategoriye böldü.

Birincisi belge sentezi. Hukuki sözleşmeler, regülasyon dosyaları ve müşteri due diligence belgeleri yapay zeka özetiyle çalışana sunuluyor. Tek başına bu kullanım yıllık 100 bin saat tasarruf yaratıyor.

İkincisi araştırma asistanlığı. Equity research analistleri eskiden bir şirket dosyası için 4-6 saat harcıyordu; şimdi LLM Suite ile süre 45 dakikaya iniyor. Yıllık kazanç 60 bin saat.

Üçüncüsü müşteri etkileşim hazırlığı. Bir yatırım bankacısı toplantı öncesinde müşterinin son 6 aydaki tüm yazışmasını, raporunu ve etkileşimini özetlettiriyor. Yıllık kazanç 50 bin saat.

Dördüncüsü operasyonel kontrol. Kara para taramasından kredi onayına uzanan otomasyon katmanları yıllık 90 bin saat kazandırıyor.

Beşincisi developer üretkenliği. Banka kendi GitHub Copilot türevini kullanıyor; bu kalem yıllık 60 bin saat getiriyor.

Toplam yıllık 360 bin saat. Yaklaşık 175 tam zamanlı çalışanın iş yükü.

"Proje" yerine "operasyon birimi" kurmak ne demek?

JPMorgan'ın asıl kırılım noktası burası. Klasik banka yaklaşımı şöyle işler: bir use-case bulunur, dış danışman çağrılır, 6 ay POC yapılır, sonuç bütçeye girer ya da girmez.

JPMorgan yönetimi bu akışı tersine çevirdi ve yapay zekayı sürekli operasyon birimi olarak konumlandırdı. Use-case sahibi iş birimi başvuruyor, yapay zeka ekibi platform üzerinden 2-4 hafta içinde devreye alıyor. POC aşaması akıştan çıkarıldı; "production'a çık veya çıkma" kararı 30 gün içinde veriliyor.

Stanford'un Enterprise AI Playbook (2026) raporu bu yaklaşımı "operating cadence" olarak adlandırıyor. Şirket yapay zekayı tek seferlik proje yerine sürekli akış olarak yönetiyor. McKinsey'in aynı yıl raporladığı bulgu da bunu destekliyor: en yüksek yapay zeka ROI'sini üreten şirketler bu işi CIO hattı yerine COO hattında konumlandırıyor.

Türkiye finans sektörüne 5 net öneri

Şirketlere danışmanlık verirken fark ettik ki; yöneticiler ölçek tuzağından çıktığı an konuşma değişiyor. JPMorgan da bir günde 450 use-case'e ulaşmadı; ekip 12 use-case ile başladı. Türk bankaları için yol haritası şöyle kurulur.

Use-case kataloğu yarat. Her iş biriminden haftada 5 saatten fazla zaman alan tekrarlı görevlerin listesini al. Bunları kategori, hacim, etkilenen kişi sayısı ve hata maliyeti ekseninde puanla. İlk günün sonunda elinde 60-80 use-case olur; sonra darda kalanı seçersin.

Tek platform mantığı kur. JPMorgan yönetimi LLM Suite kurulurken net bir karar aldı ve 18 farklı pilot araç yerine tek bir iç katman inşa etti. Türk bankası da Azure OpenAI veya Anthropic enterprise üstüne tek bir katman kurmalı. Aksi halde veri yönetişimi parçalanır.

Yetkilendirme matrisi tanımla. Her use-case'in bir veri seviyesi olur; public, internal, confidential ve restricted. Bu seviyelere göre LLM erişimi tanımlarsın. JPMorgan ekibi bu matrisi compliance sürecinden önce kurdu.

Use-case sahipliğini iş birimine ver. Krediler ekibi kendi use-case'ini yazar; yapay zeka ekibi 14 gün içinde platform üstüne deploy eder. Gartner'ın son raporu net konuşuyor: iş birimi sponsorluğu olmadan kurulan otonom yapay zeka girişimlerinin yüzde 40'ı 2027'ye kadar başarısız olacak.

Saat tasarrufunu kategoriyle ilişkilendir. Soyut verimlilik konuşması fayda etmez. JPMorgan ekibi use-case başına saat ölçüyor. Bir Türk bankası da işlem onayında, müşteri raporunda ve compliance taramasında ayrı ayrı saat ölçmeli; yıllık toplamı bu kalemlerden çıkarmalı.

Orta ölçekli banka bu modeli kurabilir mi?

İtiraz çoğunlukla bütçe üzerinden gelir ve JPMorgan'ın 1 milyar dolar mertebesinde anılan yapay zeka bütçesine işaret eder. Sayı yanıltıcı. Use-case başına maliyet, bilinen rakamlarla 200-400 bin dolar aralığında.

Türkiye'de orta ölçekli bir banka 5 milyon dolarla yıllık 25-30 use-case açabilir. Veri zaten bankanın elinde; modeli açık kaynak ya da hosted alırsın. En pahalı kalem mühendislik kapasitesi, onu da iç ekiple büyütürsün.

JPMorgan da yolculuğa 12 use-case ile başladı. Bugünkü 450, beş yıl üst üste binmiş bir disiplinin sonucu.

EY 2026 CEO Outlook ne söylüyor?

Bu noktada soğuk bir veri var. EY 2026 CEO Outlook raporuna göre bankacılık ve finans CEO'larının yüzde 73'ü yapay zekayı önümüzdeki 12 ayda en stratejik yatırım kalemi olarak işaretliyor.

Aynı CEO'ların yalnızca yüzde 19'u yapay zeka dönüşüm ekibinin doğrudan kendilerine raporladığını söylüyor. Yüzde 81 bu işi hâlâ teknolojinin bir alt katmanına bırakmış durumda.

JPMorgan CEO'su Jamie Dimon'ın yapay zeka ekibiyle haftalık doğrudan toplantısı var. Yapısal fark bu. Türk bankalarının yöneticileri yapay zeka dönüşümünü bizzat yürütmediği sürece JPMorgan rakamlarına yaklaşamayacak.

Bir bakışta

JPMorgan 450'den fazla yapay zeka use-case'i ile yılda 360.000 saatlik manuel iş yükünü kaldırdı. İşin sırrı, yapay zekanın tek seferlik proje yerine kalıcı operasyon birimi olarak konumlandırılmasıydı.

Modelin üç ayağı var: tek platform, iş birimi sahipliği ve 30 günlük production karar döngüsü birlikte çalışıyor. Türk finans şirketleri 25-30 use-case ile 12 ayda aynı disiplini kurabilir.

Müşteri tarafındaki paralel vaka için Klarna'nın yapay zeka ajanı analizi yazısını okuyabilirsiniz. Bu dönüşümü yönetim kurulunuza sahnede bir vaka anlatımıyla taşımak isterseniz Speaker Agency'nin yapay zeka konuşmacıları için teklif alın.

Kaynaklar

• Tearsheet, "JPMorgan Chase's Gen AI implementation: 450 use cases and lessons learned" (2025). 450'den fazla use-case rakamı, LLM Suite mimarisi ve iş birimi sahipliği yaklaşımı.
• Best Practice AI, "JPMorgan reduced lawyers' hours by 360,000 annually with COiN" (2024). Yıllık 360.000 saat tasarrufun temelindeki COiN vakası.
• CNBC, "JPMorgan Chase's blueprint to become the world's first fully AI-powered megabank" (2025). Jamie Dimon'ın yapay zeka yatırımı, 200.000'den fazla çalışanın LLM Suite kullanımı ve haftalık yapay zeka ritmi.
• Stanford, Enterprise AI Playbook (2026). Yapay zekayı tek seferlik proje yerine sürekli operasyon olarak yöneten "operating cadence" çerçevesi.
• McKinsey, The State of AI 2025. En yüksek ROI üreten şirketlerde yapay zekanın CIO yerine COO hattında konumlandığı bulgusu.
• EY, 2026 CEO Outlook Global Report. Finans CEO'larının yapay zeka yatırım önceliği ve doğrudan raporlama yapısı analizi.

Sıkça Sorulan Sorular

JPMorgan'ın yapay zeka yatırımı ne kadar?

Kamuoyuna açık teknoloji bütçesi yıllık 17 milyar dolar civarında; bunun tamamı yapay zekaya gitmiyor. Saf yapay zeka yatırımı 2 milyar dolar mertebesinde. Use-case başına ortalama maliyet 200-400 bin dolar. Türkiye'deki bankalar için 25-30 use-case'lik bir başlangıç 5-10 milyon dolarlık bütçeyle mümkün.

LLM Suite nedir, dışarıdan satın alınabilir mi?

LLM Suite JPMorgan'ın iç platformu ve satışa kapalı. Temelinde Azure OpenAI ve OpenAI enterprise altyapısı yatıyor. Türk bankaları benzer bir iç platformu Microsoft Azure veya Anthropic enterprise üstüne 4-6 ayda kurabilir. Önemli olan şu: veri yönetişim katmanı, fine-tuning desteği ve denetim izi birlikte kurgulanmalı.

360 bin saat tasarruf nasıl ölçüldü?

Ölçüm use-case başına yapıldı. Her use-case için "yapay zeka öncesi ortalama süre çarpı hacim çarpı yıl içindeki tekrar sayısı" formülü uygulandı ve saatlerin toplamı raporlandı. Hesap saydam; iç denetim onaylıyor. Türk şirketi de aynı şablonla başlamalı.

Risk ve compliance tarafı nasıl yönetildi?

JPMorgan yönetimi compliance ekibini yapay zeka ekibinin içine yerleştirdi. Her use-case için risk değerlendirmesi dağıtımdan önce yapılıyor. Veri sınıflandırması 4 seviyede tanımlı. AB Yapay Zeka Yasası'nın yüksek riskli kategorisine giren use-case'ler ekstra insan onayı katmanına alındı.

LLM Suite'i kaç çalışan kullanıyor?

CNBC'nin aktarımına göre 200.000'den fazla JPMorgan çalışanı LLM Suite'e erişiyor. Platform tek katman olduğu için her yeni use-case aynı tabana açılıyor; benimseme bu yüzden hızlı ilerliyor.

Türkiye'deki bankalar ilk kaç use-case ile başlamalı?

JPMorgan 12 use-case ile başladı; bu sayı iyi bir referans. İlk adımda 60-80 maddelik bir katalog çıkarır, hacmi yüksek ve hata maliyeti taşınabilir olanları seçersin. Dar başlangıç, platform ve yönetişim disiplinini büyük risk almadan geliştirir.