Veri Yönetişimi: Yapay Zekadan Önce mi, Sonra mı?

İki kampta da yanlış cümle var. Birinci kamp diyor ki "önce veriyi düzelt, sonra yapay zekaya geç." İkinci kamp diyor ki "veri zaten hiçbir zaman temizlenmez, modelleri kuralım gerisini hallederiz."

İkisi de masada saatlerce konuşulup hiçbir karar çıkmamasının sebebi.

Doğru cevap üçüncü cümlede. Veri yönetişimi yapay zekadan önce gelir, ama beklemez. Paralel ilerler. Yapay zeka da geri dönüp veriyi yönetilebilir hale getirir. Sıralama önemli; ama sıralama, sıraya girmek demek değil.

Yanlış soru neden yanlış cevap üretiyor?

Yıllardır kurumlara danışmanlık verirken hep aynı soruyu duyuyorum: "Yapay zeka projesine başlarken bizim verimiz hazır mı?"

Cevap basit. Hiçbir şirketin verisi hazır değil.

McKinsey'nin 2025 State of AI araştırması, yapay zekayı ölçeğe taşımanın önündeki birincil engeller arasında veri kalitesini sayıyor. Aynı araştırma daha çarpıcı bir şey daha gösteriyor: kurumların üçte biri yapay zekayı kurum geneline yaymış durumda, kalan üçte ikisi pilot aşamasında takılı.

Yani "verimiz hazır mı" sorusu yanlış soru. Doğru soru şu: hangi veri, hangi iş için, hangi eşikte yeterli?

Bekleyen şirket kaybediyor. Çoklu marka mimarisine sahip bir holding düşünün. Her markanın CRM'i ayrı, müşteri kayıtları parçalı. Beklerseniz iki yıl sonra hala konsolidasyon toplantısı yapıyor olursunuz.

Yapay zeka veriyi düzeltmek için de çalışır

Çoğu yöneticinin gözünden kaçan şey şu. Yapay zeka yalnız veriyi kullanan taraf değil. Aynı zamanda veriyi kullanılabilir hale getiren araç.

Stanford Digital Economy Lab, 41 kuruluşta 51 başarılı kurumsal yapay zeka uygulamasını inceledi. Kazananları ayıran şey daha iyi model değildi. Daha iyi mühendislik ve uygulamaydı. Aynı literatürün diğer yarısı da aynı yere bakıyor: üretken yapay zeka pilotlarının büyük çoğunluğu ölçülebilir finansal etki üretmeden kapanıyor.

Bu iki bulgu birlikte okunduğunda anlamı şu. Sorun modelin zekası değil, modelin bağlandığı verinin ve sürecin kalitesi. Veriyi düzeltmeden yapay zekadan sonuç alamazsınız. Ama veriyi düzeltmenin en hızlı yolu da yapay zekanın kendisi.

İkisini ayrı sıraya koyamazsınız. Yan yana yürürler.

Sahada ilk altı hafta nasıl geçer?

Kurum ölçeğinde gördüğüm desen hep aynı. Birden fazla markanın CRM'i ayrı duruyor. Aynı müşteri farklı kayıtlarla geziyor. Bir kanaldan koltuk almış, başka kanaldan yatak odası, üçüncüden gardırop. Pazarlama bunu görmüyor, satış da görmüyor.

İlk altı haftada yapılan şey şu. Üç beş CRM'i konsolide etmezsiniz, o toplantı bir yıl sürer. Onun yerine üstüne bir kimlik çözümleme katmanı koyarsınız. Yapay zeka tabanlı varlık eşleme: isim, telefon, adres ve geçmiş işlem örüntülerine bakarak aynı müşterinin farklı kayıtlarını eşleştirir. Kalan belirsiz eşleşmeleri insan onaylar.

Üçüncü ay sonunda elinizde tek müşteri görünümü olur. Ciroda payı yüksek bir segmentin var olduğunu görürsünüz. Kategori çapraz satışı ortalamanın üstüne çıkar.

Burası önemli: bu süre zarfında klasik MDM projesi de paralel yürür. Birinin bitmesini diğeri beklemez.

Ders şu. Yapay zeka projesi, kendi veri ihtiyacını kendi yaratır ve büyük ölçüde kendi karşılar.

Dört katmanlı veri yönetişim modeli

Aşağıdaki çerçeve sahada işe yarıyor. Dört katman, sıralı değil ama bağımlı.

Katman	Ne sorar	Yapay zeka öncesi minimum	Atlanırsa ne olur
Kalite	Veri doğru, eksiksiz, güncel mi	Kritik alanlarda ölçülmüş ve eşiği geçmiş	Modeli gerçeğe benzemeyen veriyle eğitirsiniz
Katalog	Hangi veri nerede, sahibi kim, ne anlama geliyor	Kritik terimlerin tek tanımı	Aynı soruya üç farklı cevap alırsınız
Lineage	Bu rakam nereden geldi, hangi dönüşümlerden geçti	Kritik raporlarda izlenebilir	Çıktının arkasını denetçiye anlatamazsınız
Erişim	Kim hangi veriye ulaşabilir	Rol bazlı ve kayıtlı	Ajan, yöneticisinden geniş yetkiyle dolaşır

Kalite. Doğruluk, eksiksizlik, tutarlılık, zamanlılık, geçerlilik. Beş kriter. Her kritik veri alanı için bir kalite skor kartı tanımlayın: müşteri adı, telefon, vergi numarası ayrı ayrı ölçülür. Eşiğin altındakilere yapay zeka destekli temizleme uygulayın, üstündekilerle çalışmaya başlayın. Hepsinin bitmesini beklemeyin.

Katalog. "Müşteri" kelimesinin pazarlamada, satışta, finansta ve operasyonda farklı tanımı olur. Pazarlama "potansiyel" der, finans "fatura kesilen" der. Katalog bunu çözer: her terim, her tablo, her alan tek yerden tanımlanır ve sahibi belirlenir. Aksi halde yapay zekaya "müşteri adedimiz nedir" diye sorduğunuzda üç farklı cevap alırsınız.

Lineage. Bir rakam nereden gelmiş, hangi tablolardan geçmiş, hangi dönüşümlere uğramış. Bu özellikle regülatöre karşı kritik. Türkiye Yapay Zeka İnisiyatifi'nin 2026 trend raporuna göre kurumların yüzde 37,6'sı yapay zeka stratejisini yönetim kurulu seviyesinde onaylamış durumda. Onaylamak ile denetime hazır olmak arasındaki mesafeyi kapatan şey lineage.

Erişim. Yapay zeka ajanları geldiğinde bu soru büyüyor, çünkü ajan insandan farklı olarak gece üçte de erişebilir. Harvard Business Review'un Şubat 2026 sayısındaki "agent manager" tartışması tam buraya bakıyor: ajanları yöneten, görev ve metrik tanımlayan, çıktıyı değerlendiren ve güvenlik açısından izleyen bir rol gerekiyor.

Uygulayıcı kuralı basit. Yapay zeka ajanı, onu yöneten insanın erişebildiği veriden fazlasına erişemez. Erişim her zaman izlenir, zaman damgalı kayıt tutulur.

MDM ile veri yönetişimi aynı şey mi?

Değil, ve bu karışıklık bütçe toplantılarında çok zaman yakıyor.

MDM, ana varlıkların tek doğru kaydını oluşturur: müşteri, ürün, tedarikçi. Veri yönetişimi ise tüm verinin nasıl yönetileceğine dair çerçeve. MDM, yönetişimin alt kümesi.

Yapay zeka çağında MDM'in yetmediği nokta net. Ajanların erişim kuralları, lineage takibi, model çıktılarının izlenmesi. Bunların hiçbiri MDM'in konusu değil, hepsi yönetişim katmanında çözülüyor.

Pratik sonuç şu: MDM projeniz varken "veri yönetişimi zaten yapılıyor" demeyin. Yapılmıyor, yalnız bir parçası yapılıyor.

Hangi katmanı önce kurmalısınız?

Dört katmanın ikisi acil, ikisi büyük yatırım. Doğru sıraya koyun.

Erişim ve kalite önce gelir, çünkü ikisi de yapay zeka projesinin başlamasına izin verir. Kalite olmadan model güvenilmez çıktı üretir; erişim olmadan hukuk ve güvenlik tarafı projeyi durdurur.

Katalog ve lineage ölçeklenince devreye girer. Pilotta gerekmez, prodüksiyonda zorunludur. Pilotu bunları bekleterek geciktirmek, en sık yaptığım uyarının konusu.

Ölçek küçükse bu iş pahalı mı?

Hayır, ölçek farklı sadece. KOBİ'nin sınırlı sayıda veri kaynağı var ve bu aslında avantaj.

Üç beş tablo için kalite kontrolü, basit bir katalog ve net bir erişim kuralı yeterli. Pahalı araç gerekmiyor, disiplin gerekiyor. Küçük şirketin ve büyük şirketin veri yönetişim ihtiyacı aynı, ölçeği farklı.

Erişim tarafında Türkiye'de ayrıca KVKK çerçevesi var: yetkilendirme, erişim kaydı ve özel nitelikli verinin korunması. Ölçeğiniz ne olursa olsun bu taban zorunlu.

Yarın masaya getirin

Şirketinizin en kritik üç veri tablosunu listeleyin. Her birinin sahibini, son güncelleme tarihini ve mevcut kalite skorunu yan yana koyun. Eksik kaç hücre var, görün.

Yarınki toplantıya bu tek sayfayı götürün. Tartışma "veri hazır mı" olmaktan çıkıp "hangi tablo, hangi eşikte, kimin sorumluluğunda" olur. Asıl kazanç bu.

Bir bakışta

Yapay zeka için veri yönetişimi, sistemlerin güvenilir, izlenebilir ve kullanılabilir veriyle çalışmasını sağlayan dört katmanlı bir disiplin: kalite, katalog, lineage ve erişim. Yapay zeka projesinin önünde değil, yanında ilerler. Yapay zekanın kendisi de veriyi yönetilebilir hale getirmenin en hızlı araçlarından biri.

İlgili video

Dr. Behice Ece İlhan, insan odaklı yapay zeka stratejisinin kurum içinde nasıl kurulduğunu anlatıyor.

Speaker Agency Talks: İnsan Odaklı Yapay Zeka Stratejisi

Sıkça Sorulan Sorular

Veri yönetişimi tamamlanmadan yapay zeka projesi başlatılabilir mi?

Evet, hatta başlatılmalı. Hiçbir şirketin verisi tam değil. Asıl mesele kritik alanlarda minimum eşiği yakalamak. Pilot için ölçülmüş ve eşiği geçmiş bir veri kümesi yeterli; ölçek aşamasında eşik yükseltilir. Beklediğiniz her ay rakip önünüze geçer. Paralel ilerlemek ikisini de hızlandırır.

Dört katmandan hangisi en acil?

Erişim ve kalite. İkisi de projenin başlamasına izin veren katmanlar. Kalite olmadan model güvenilmez çıktı üretir, erişim olmadan hukuk ve güvenlik projeyi durdurur. Katalog ve lineage ölçekte zorunlu hale gelir, pilotta gerekmez.

Veri kalitesini nasıl ölçeriz?

Beş kriterle: doğruluk, eksiksizlik, tutarlılık, zamanlılık, geçerlilik. Her kritik veri alanı için ayrı skor kartı tutun. Müşteri adı, telefon ve vergi numarası aynı kalitede olmaz, hepsini tek ortalamada toplamak gerçeği gizler. Alan bazlı ölçün, eşiğin altındakine müdahale edin.

Yapay zeka veriyi gerçekten temizleyebilir mi?

Belirli işlerde evet. Varlık eşleme, kayıt tekilleştirme, alan normalleştirme ve etiketleme bunların başında geliyor. Kalan belirsiz vakalar insana düşer. Tam otomasyon beklemeyin; beklenti "insanın işini azaltmak" olmalı, "insanı çıkarmak" değil.

MDM projesi varken yapay zeka projesi beklemeli mi?

Hayır. İkisi paralel yürür. MDM kalıcı ve yapısal çözüm, kimlik çözümleme katmanı ise hızlı ve pratik çözüm. Biri diğerinin yerine geçmez. MDM'in bitmesini beklemek, çoğu kurumda projeyi bir yıldan fazla geciktirir.

Yapay zeka ajanlarının veri erişimi nasıl sınırlanır?

Temel kural, ajanın onu yöneten insandan geniş yetkiye sahip olmaması. Rol bazlı erişim tanımlayın, her erişimi zaman damgalı kaydedin ve düzenli denetleyin. Ajan gece üçte de çalışabildiği için insan denetimine dayalı kontroller yetmez; kaydın kendisi otomatik olmalı.

Veri lineage neden yapay zeka için bu kadar kritik?

Çünkü yapay zekanın verdiği kararı geri izleyemezseniz savunamazsınız. Regülatör sorduğunda, müşteri itiraz ettiğinde ya da içeride bir denetim olduğunda "model böyle dedi" cevabı yetmez. Hangi veriden hangi dönüşümle çıktığını göstermeniz gerekir. Lineage olmadan yapay zeka yönetimi körlemesine sürmektir.

MDM ile veri yönetişimi aynı şey mi?

Değil. MDM, ana varlıkların tek doğru kaydını oluşturur: müşteri, ürün, tedarikçi. Veri yönetişimi ise tüm verinin nasıl yönetileceğine dair çerçevedir ve MDM onun alt kümesidir. Yapay zeka ajanlarının erişim kuralları, lineage takibi ve model çıktılarının izlenmesi MDM'in konusu değil, yönetişim katmanının konusudur.