Ağustos sonunda iş dünyasını karıştıran bir rapordan bahsedeceğim. Raporun adı “The GenAI Divide STATE OF AI IN BUSINESS 2025.” Ocak-Haziran 2025 arasında Massachusetts Institute of Technology (MIT) tarafından kamuya açıklanan 300’den fazla AI girişiminin sistematik incelemesi yapılmış, 52 işletmenin katılımcılarıyla yapılan yapılandırılmış görüşmeler gerçekleştirilmiş ve dört büyük sektör konferansında toplanan 153 üst düzey yöneticinin anket yanıtları toplanmış ve analiz edilmiş. Sonucu görünce ve de araştırma MIT kaynaklı olunca detaylı bir şekilde rapordan bahsetmek istedim. 2 yazı halinde vereceğim bu raporun ilk bölümü bu sayımızda.
SONUÇ = HAYAL KIRIKLIĞI = KABUS:
Rapora göre, GenAI’ye yaklaşık olarak 30-40 milyar dolarlık kurumsal yatırım yapılmasına rağmen, işletmelerin %95’inin 0 (sıfır) getiri elde ettiği şaşırtıcı bir sonucu ortaya çıkarmaktadır. Sonuçlar, alıcılar (kuruluşlar, orta ölçekli pazar, KOBİ’ler) ve geliştiriciler (startup’lar, satıcılar, danışmanlık şirketleri) arasında o kadar keskin bir şekilde bölünmüş ki, buna “GenAI Bölünmesi” adını verilmiş. Entegre AI pilot projelerinin sadece %5’i milyonlarca dolarlık değer kazandırmış.
Gelin Kralın üstündeki elbiselere daha yakından bakalım.
Şekil 1: Sektörlere göre Gen AI
Şekil 1’e göre enerji ve malzemeler (materials) hiçbir dönüşüm göstermemekte. En yüksek dönüşüm/yıkım (disruption) ise medya ve telekom sektörlerinde gerçekleşmekte. Bir başka değişle medya ve telekom haricindeki sektörler, rapora göre, dönüşümü gerçekleştirmekten uzak. Tablo 1’de detaylar özetlenmektedir.
Tablo 1: GenAI’nin yarattığı dönüşümün açıklaması
Şekil 2: Genel Amaçlı LLM’ler ve Gömülü/Göreve Özel Gen AI arasındaki Uçurum
Şekil 2, genel amaçlı LLM’ler ve gömülü/göreve özel gen AI arasındaki uçurumu göstermektedir. Araştırılan, test edilen ve başarı ile uygulanan kullanım arasındaki fark bir uçurumu andırmaktadır. Gömülü veya göreve özel Gen AI’nin başarılı bir uygulanma oranı %5’tir. Başarısızlık oranı %95’tir. Şu an için jenerik LLM’ler daha başarılı görünmektedir.
Raporda, yapılan görüşmelerde, kurumsal kullanıcıların ChatGPT ve Copilot gibi tüketici sınıfı araçlarla ilgili olarak tutarlı bir şekilde olumlu deneyimler bildirdikleri; bunda da esneklik, aşinalık ve anında kullanışlılığın önemli olduğu ortaya çıkarılmış. Ancak aynı kullanıcılar, özel AI araçlarını kırılgan, aşırı mühendislik ürünü veya gerçek iş akışlarıyla uyumsuz olarak tanımladıkları belirtilmiş. Hatta verilen bir örnekte bir CIO, “Bu yıl düzinelerce demo gördük. Belki bir veya ikisi gerçekten yararlıydı. Geri kalanı ise sadece ambalaj veya bilim projeleri” şeklinde yorum yapmış.
Şekil 3: Gölge yapay zeka ekonomisi: çalışanların kullanımı ve resmi benimsenme oranı
Şekil 3 kurumsal girişimlerin GenAI bölünmesi konusunda yanlış tarafta kalmaya devam ettiğini ama çalışanların, kişisel AI araçları sayesinde bu bölünmeyi çoktan aştığını göstermektedir. Araştırma, çalışanların kişisel ChatGPT hesaplarını, Claude aboneliklerini ve diğer tüketici araçlarını kullanarak işlerinin önemli bir kısmını otomatikleştirdikleri, yani “gölge AI ekonomisi” ortaya çıkardığını raporlamaktadır. Ankete katılan şirketlerin yalnızca %40’ı resmi bir LLM aboneliği satın alırken bu şirketlerdeki çalışanların %90’ından fazlası görevleri için kişisel AI araçlarını düzenli olarak kullandıklarını belirtmiş.
Şekil 4: Gen AI yatırımlarının işlevlere göre dağılımı
Şekil 4’te gösterildiği üzere, rapora göre, GenAI bütçelerinin %50’si satış ve pazarlamaya ayrılmaktadır. Fakat arka ofis (dahili operasyonlar) otomasyonu genellikle daha iyi bir yatırım getirisi sağlamaktadır. Bu önyargı, gerçek değeri değil, daha kolay ölçümü yansıtmakta ve kuruluşların yanlış önceliklere odaklanmasına neden olmaktadır.
Araştırmaya katılan Fortune 1000 listesindeki bir ilaç şirketinin Satın Alma Başkan Yardımcısı:
“Ekibimin daha hızlı çalışmasına yardımcı olacak bir araç satın alırsam, bu etkinin ölçüsünü nasıl belirleyebilirim? Doğrudan gelir artışı veya ölçülebilir maliyet azalması sağlamayacağına göre, bunu CEO’ma nasıl açıklayabilirim? Bilim adamlarımızın araçlarına daha hızlı ulaşmasına yardımcı olduğunu savunabilirim, ancak bu, kârlılık üzerindeki etkiden oldukça uzak bir argüman.”
Rapora göre bu yatırım önyargısı, kaynakları görünür ancak genellikle daha az dönüştürücü kullanım örneklerine yönlendirerek Gen AI bölünmesini sürdürürken, arka ofis işlevlerinde en yüksek ROI fırsatları yetersiz fonlanmaya devam etmekte.
Ölçüm zorluklarının ötesinde, güven ve sosyal kanıtın satın alma kararlarında belirleyici olduğu, ürün kalitesinin tek başına yeterli olmadığı, tavsiyelerin, önceki ilişkilerin işlevsellik veya özellik setinden daha güçlü olmaya devam ettiğini de işaret etmekte araştırma.
Büyük bir CPG firmasının Satın Alma Müdürü, birçok alıcının karşılaştığı ikilemi şöyle özetlemekte:
“Her gün en iyi GenAI çözümünü sunduğunu iddia eden çok sayıda e-posta alıyorum. Bazıları etkileyici demolar sunuyor, ancak asıl zorluk güven oluşturmak. Gelen kutumuzu dolduran bu kadar çok seçenek varken, büyük ölçüde meslektaşlarımızın önerilerine ve ağımızdaki referanslara güveniyoruz.”
Nitekim şekil 5’te bunu gösteriyor.
Şekil 5: Gen AI tedarikçilerinin seçilme nedeni
İŞLETMELERDE GEN AI HAKKINDA BEŞ MİT
Raporda, Gen AI ile ilgili 5 efsane belirlenmiş.
1.AI, Önümüzdeki Birkaç Yıl İçinde Çoğu İşin Yerini Alacak: Araştırmalar, GenAI’nin işten çıkarmaların sınırlı olduğunu ve bunun yalnızca AI’dan zaten önemli ölçüde etkilenen sektörlerde olduğunu ortaya koymuş. Yöneticiler arasında önümüzdeki 3-5 yıl içindeki işe alım seviyeleri konusunda bir fikir birliği bulunmamaktaymış.
2.Üretken AI İşletmeleri Dönüştürüyor: Benimseme oranı yüksek, ancak dönüşüm nadir. İşletmelerin yalnızca %5’i iş akışlarına büyük ölçekte AI araçları entegre etmiş ve 9 sektörden 2’sinde gerçek bir yapısal değişiklik görülmüş.
3.İşletmeler Yeni Teknolojileri Benimsemekte Yavaş: İşletmeler AI’yı benimsemeye son derece isteklidir ve %90’ı AI çözümü satın almayı ciddi olarak araştırmış.
4.AI’yı engelleyen en büyük faktörler model kalitesi, yasal konular, veriler ve risklerdir: Aslında AI’yı engelleyen en büyük faktör, çoğu AI aracının öğrenmemesi ve iş akışlarına iyi entegre olamaması olarak belirlenmiş.
5.En iyi şirketler kendi araçlarını geliştiriyor: Şirket içi geliştirmeler iki kat daha sık başarısız oluyormuş.
