# Yapay zeka ile süreç otomasyonu

> Yapay zeka destekli süreç otomasyonu, kuralla tarif edilebilen adımları klasik otomasyona, serbest metin okumak, belgeden alan çıkarmak veya talebi sınıflandırmak gibi kuralla tarif edilemeyen adımları ise dil modellerine bırakan iş akışıdır. 2026'da fark yaratan şey model seçimi değil; hangi adımın modele verileceği, insanın nerede onay vereceği ve sonucun nasıl ölçüleceğidir.

URL: https://corrplus.net/tr/blog/yapay-zeka-surec-otomasyonu/
Güncellendi: 2026-10-27
Corrplus Ekibi

## Klasik otomasyondan farkı ne?

Klasik otomasyon kurala dayanır. "Fatura tutarı şu alandadır, şu tabloya yaz" gibi. Girdinin biçimi değişmedikçe hatasız çalışır. Biçim değiştiğinde durur.

Türkiye'de pek çok işletmede asıl yük kuralla tarif edilemeyen yerdedir. Müşteri talebi serbest metinli bir e-postayla veya WhatsApp mesajıyla gelir. Tedarikçi faturası her firmada farklı düzende bir PDF'tir. Teklif isteği bir telefon notundan ibarettir. Bu adımlar yıllarca bir insanın masasında bekledi.

Dil modelleri bu boşluğu dolduruyor. Bir model e-postayı okuyup talebin türünü belirleyebilir, PDF'ten tutarı ve vergi numarasını çekebilir, müşteriye taslak cevap yazabilir. Akışın geri kalanı yine klasik otomasyonla, yani n8n, Make veya Power Automate gibi araçlarla çalışır.

## Yapay zeka akışın neresine girmeli?

| Adım türü | Örnek | En uygun araç | İnsan onayı |
|---|---|---|---|
| Kuralla tarif edilebilen | Sipariş verisini ERP'ye yazmak | n8n, Make, API entegrasyonu | Genellikle gerekmez |
| Ekran üzerinden yapılan | API'si olmayan eski bir programa giriş | RPA (UiPath, Power Automate) | İstisnalarda |
| Metin anlama ve sınıflandırma | Gelen e-postayı departmana yönlendirmek | Dil modeli | Düşük güvenli sonuçlarda |
| Belgeden alan çıkarma | Tedarikçi PDF faturasından tutar ve VKN | Dil modeli veya belge anlama servisi | Tutar eşiği üstünde |
| Taslak üretme | Müşteriye cevap, teklif özeti | Dil modeli | Gönderimden önce her zaman |
| Sıradaki adımın bilinmediği iş | Çok kaynaklı araştırma, karmaşık destek talebi | Yapay zeka ajanı | Sınırlar ve kontrol noktaları tanımlı |

Tabloda bir ilke var: model, yalnız ihtiyaç duyulan adımda kullanılır. Anthropic'in Building effective agents yazısı da aynı şeyi önerir. Önceden tanımlı yolları izleyen "iş akışları" ile adımlarını kendi seçen "ajanlar" ayrı şeylerdir. Yazının önerisi açık: en basit çözümle başlayın, karmaşıklığı ancak gerektiğinde ekleyin.

## Hangi süreçle başlamalısınız?

İlk süreç, sonraki projelerin inandırıcılığını belirler. Şu dört soruya "evet" diyebildiğiniz bir süreç seçin:

- **Sık mı?** Haftada en az birkaç kez tekrarlanıyor mu?
- **Sınırı belli mi?** Girdisi ve beklenen çıktısı tarif edilebiliyor mu?
- **Hata bedeli var mı?** Yanlış veya geç yapıldığında para ya da müşteri kaybı oluyor mu?
- **Veri ulaşılabilir mi?** Gerekli sistemlere API, veritabanı veya en kötü ihtimalle ekran üzerinden erişilebiliyor mu?

Türkiye'deki KOBİ'lerde bu soruları geçen tipik adaylar şunlar: e-Fatura ve e-Arşiv belgelerinin muhasebeye aktarılması, Trendyol ve Hepsiburada siparişlerinin Logo, Mikro veya Netsis'e işlenmesi, WhatsApp Business ve e-postadan gelen taleplerin sınıflandırılıp doğru kişiye atanması ve haftalık satış raporlarının hazırlanması.

## İnsan onayı nerede kalmalı?

Otomasyonun güvenilirliği, insanın nerede devreye girdiğiyle ölçülür. Üç yerde onay adımı bırakmanızı öneririz.

Birincisi, dışarıya giden her şey. Müşteriye, tedarikçiye veya bir kuruma gönderilecek metin model tarafından yazılabilir ama gönderimden önce bir insan görmelidir. İkincisi, para hareketi. Belirli bir tutarın üzerindeki ödeme veya iade, otomatik çıkarılsa bile onay bekler. Üçüncüsü, modelin emin olmadığı sonuçlar. Sınıflandırmada düşük güvenli çıktılar bir kuyruğa düşer, bir çalışan karar verir.

n8n gibi araçlar bu onay adımlarını akışın içine koymayı kolaylaştırır. Onay bir e-posta düğmesi, bir Slack veya Teams mesajı ya da basit bir panel olabilir. Önemli olan, kimin neyi onayladığının kayıt altına alınmasıdır.

## Riskleri nasıl yönetirsiniz?

Dil modeli kullanan bir akış, klasik otomasyonda olmayan riskler taşır: model yanlış alan çıkarabilir, olmayan bir bilgiyi uydurabilir, aynı girdiye farklı zamanlarda farklı cevap verebilir. NIST'in AI Risk Management Framework'ü bu riskleri yönetmek için dört işlev tanımlar: yönetişim kurmak, bağlamı haritalamak, ölçmek ve yönetmek. KOBİ ölçeğinde bunun pratik karşılığı basittir:

- Her model çağrısının girdisini ve çıktısını kayıt altına alın.
- Modelden serbest metin değil, şeması belli bir çıktı isteyin ve şemaya uymayanı reddedin.
- Gerçek verilerden oluşan küçük bir test seti tutun, model veya istem değiştiğinde yeniden çalıştırın.
- Kişisel verileri modele göndermeden önce gereksiz alanları çıkarın.

KVKK açısından en kritik soru, verinin nerede işlendiğidir. 6698 sayılı Kanun yurt dışına aktarımı belirli şartlara bağlar. Yurt dışındaki bir model sağlayıcısını kullanacaksanız aktarımın dayanağını, sağlayıcının veri saklama ayarlarını ve aydınlatma metnini hukuk danışmanınızla birlikte netleştirin. Bazı senaryolarda açık kaynak bir modeli kendi sunucunuzda çalıştırmak daha uygun olabilir.

## Sonucu nasıl ölçersiniz?

Bu yazıda yüzde vermiyoruz, çünkü başka şirketlerin rakamları sizin süreciniz hakkında bir şey söylemez. Kendi rakamınızı üretmek ise kolaydır. Akışı kurmadan önce iki hafta boyunca işlem başına süreyi, hata veya düzeltme oranını ve bir talebin sıradaki kişiye ulaşana kadar beklediği süreyi not edin. Akış çalışmaya başladıktan sonra aynı ölçütleri tekrar alın. Buna modelin "bilmiyorum" deyip insana devrettiği iş oranını da ekleyin.

## Hangi model ve araç seçilmeli?

Model seçimi sanıldığı kadar belirleyici değildir, ama birkaç soru seçimi daraltır. OpenAI, Anthropic Claude ve Google Gemini modelleri metin sınıflandırma, alan çıkarma ve taslak yazma işlerinde benzer düzeyde iş görür. Asıl farkı maliyet, hız, Türkçe performansı ve verinin işlendiği bölge belirler.

Türkçe metinlerle çalışıyorsanız aday modelleri kendi gerçek belgelerinizle test edin. Genel karşılaştırma tabloları Türkçe e-posta, fatura ve dilekçe metinlerini yansıtmaz. Verinin yurt dışına çıkmaması gereken durumlarda en güvenli yol, kendi sunucunuzda veya Türkiye'deki bir veri merkezinde çalışan açık kaynak bir modeldir. Azure OpenAI gibi hizmetlerde bölge seçerek verinin örneğin AB içinde işlenmesini sağlayabilirsiniz; ancak Azure'un Türkiye'de bir bölgesi olmadığından bu, KVKK açısından yine yurt dışına aktarımdır ve hukuk danışmanınızla değerlendirilmelidir. Orkestrasyon tarafında n8n'i kendi sunucunuzda barındırmak, akışın kendisini de yurt içinde tutar.

Son olarak, akışı tek bir modele bağlamayın. Model çağrısını tek bir adımda toplarsanız, daha iyi veya daha ucuz bir model çıktığında yalnız o adımı değiştirmeniz yeter.

## Corrplus'ta nasıl yaklaşıyoruz?

İlk görüşmede ekibinizin bir haftasını birlikte gözden geçiriyor ve otomasyona uygun adımları listeliyoruz. Tasarım aşamasında her adım için aracı (kural, RPA veya dil modeli), onay noktalarını ve KVKK değerlendirmesini yazılı hale getiriyoruz. Kurulumu kısa döngülerle yapıyor, her döngü sonunda gerçek veriyle çalışan bir sürüm teslim ediyoruz. Ayrıntılar için [iş süreci otomasyonu](/tr/hizmetler/is-sureci-otomasyonu/) sayfamıza bakabilir veya iki haftalık [yapay zeka keşif programı](/tr/yapay-zeka-kesif-programi/) ile başlayabilirsiniz.

## Sık sorulan sorular

### Yapay zeka otomasyonu ile RPA arasındaki fark ne?

RPA ekran üzerindeki tıklama ve yazma adımlarını taklit eder, kurallar değişmedikçe iyi çalışır. Yapay zeka adımı ise serbest metni, e-postayı veya PDF'i anlamayı gerektiren işleri üstlenir. Çoğu projede ikisi aynı akışta birlikte kullanılır.

### Her şeyi bir yapay zeka ajanına bırakmak daha kolay olmaz mı?

Genellikle olmaz. Adımları belli bir süreçte sabit bir akış daha öngörülebilir, daha ucuz ve denetlemesi daha kolaydır. Ajan, sıradaki adımın önceden bilinemediği işler için anlamlıdır ve orada da sınırları ve onay noktaları net çizilmelidir.

### Müşteri verisini bir dil modeline göndermek KVKK'ya aykırı mı?

Kendiliğinden aykırı değildir ama bir veri işleme ve çoğu zaman yurt dışına aktarımdır. Hangi alanın gönderileceğini, sağlayıcının veriyi nasıl sakladığını ve aktarımın hukuki dayanağını hukuk danışmanınızla birlikte belirleyin. Gerekirse veriyi maskeleyin veya modeli yurt içinde çalıştırın.

### İlk projenin sonucu nasıl ölçülür?

Başlamadan önce mevcut durumu ölçün: işlem başına süre, hata oranı, bekleme süresi. Aynı ölçütleri akış çalışmaya başladıktan sonra tekrar alın. Başkasının vaka çalışmasındaki yüzdeler sizin süreciniz hakkında bilgi vermez.

## Kaynaklar

- [Anthropic, Building effective agents](https://www.anthropic.com/research/building-effective-agents)
- [n8n dokümantasyonu: Integrate AI](https://docs.n8n.io/build/integrate-ai)
- [NIST, AI Risk Management Framework](https://www.nist.gov/itl/ai-risk-management-framework)
- [6698 sayılı Kişisel Verilerin Korunması Kanunu (Mevzuat Bilgi Sistemi)](https://www.mevzuat.gov.tr/mevzuatmetin/1.5.6698.pdf)
- [Gelir İdaresi Başkanlığı](https://www.gib.gov.tr/)