Related Articles

Kubescape Nedir? Açık Kaynak Kubernetes Güvenlik Platformu Rehberi

5 gün ago

Kartla Ödeme Nasıl Çalışır? “Ödeme Başarılı” Mesajının Arkasında Ne Var?

5 gün ago

Grype Nedir? Container ve SBOM Zafiyet Tarama Rehberi

2 hafta ago

Bankacılıkta yapay zekâ artık yalnızca chatbot, rapor özetleme veya birkaç izole pilot proje konusu değil.

McKinsey’in yaklaşımına göre bankaların yapay zekâdan gerçek değer üretmesi için teknolojiyi kurumsal ölçekte yeniden tasarlanmış iş akışlarına, karar süreçlerine, veri mimarisine ve operasyon modeline yerleştirmesi gerekiyor.

Kısa ifade:

AI değeri = Model kurmak değil
AI değeri = İş akışını, karar mekanizmasını, veri katmanını ve operasyon modelini birlikte dönüştürmek

Kazanan bankalar, en çok AI denemesi yapanlar değil; AI’ı kurumsal mimarinin parçası haline getirenler olacak.

---

AI-First Banka Ne Demek?

AI-first banka, yapay zekâyı yalnızca yardımcı araç olarak değil, iş yapış modelinin merkezinde kullanan bankadır.

Bu yaklaşımda AI şu alanlara gömülür:

Müşteri deneyimi
Kredi kararları
Risk analizi
Dolandırıcılık tespiti
Çağrı merkezi operasyonları
Satış ve ilişki yönetimi
Uyum ve hukuk süreçleri
Operasyonel iş akışları
Veri ve teknoloji platformları

Amaç yalnızca maliyet düşürmek değildir.

Amaç:

Gelir artışı sağlamak
Müşteri deneyimini iyileştirmek
Çalışan verimliliğini artırmak
Riskleri daha erken tespit etmek
Karar süreçlerini hızlandırmak
Operasyonel ölçeklenebilirlik sağlamak

---

1️⃣ Etkileşim Katmanı — Engagement Layer

Bu katman, müşterilerin ve çalışanların yapay zekâ ile temas ettiği yüzdür.

Yani AI’ın kullanıcıya dokunduğu alan burasıdır.

Bu Katmanda Neler Var?

Mobil bankacılık
İnternet bankacılığı
Çağrı merkezi
Şube ekranları
Çalışan copilot’ları
Müşteri chatbot’ları
Sesli asistanlar
Multimodal deneyimler

Amaç Nedir?

Amaç yalnızca chatbot koymak değildir.

Asıl hedef:

Kişiselleştirilmiş müşteri deneyimi
Kanallar arası tutarlı etkileşim
Müşteri ihtiyacını önceden anlayan sistemler
Çalışanın kararını hızlandıran akıllı arayüzler
Daha az sürtünmeli bankacılık deneyimi

Örnek Kullanım Senaryoları

Müşteri kredi başvurusunu başlatır.
AI eksik belgeleri tespit eder.
Müşteriye sonraki adımı açıklar.
Çağrı merkezi temsilcisine özet bilgi verir.
Şube çalışanına önerilen aksiyonu gösterir.

Bu yapı, klasik kullanıcı arayüzünü daha akıllı bir deneyime dönüştürür.

Kısa ifade:

AI tabanlı UI/UX devrimi engagement layer’da başlar.

---

2️⃣ AI Destekli Karar Alma Katmanı — Decision-Making Layer

McKinsey’in mimarisinde bu katman AI-first bankanın beyni olarak konumlanır.

Çünkü müşteriyle, riskle, ürünle, krediyle, dolandırıcılıkla ve operasyonla ilgili kararlar burada şekillenir.

Bu Katmanda Neler Var?

Predictive AI modelleri
GenAI destekli ajanlar
AI orkestratörleri
Alan uzmanı ajanlar
Copilot’lar
Karar motorları
İş kuralı motorları
Risk ve uyum guardrail’leri

---

AI Orkestratörleri

AI orkestratörleri, karmaşık iş akışlarını planlayan ve farklı ajanlara görev dağıtan katmandır.

Örnek:

Kredi başvurusu geldi.
→ Belgeleri kontrol et.
→ Gelir bilgisini doğrula.
→ Risk skorunu al.
→ Teminat bilgisini incele.
→ Hukuki istisnaları kontrol et.
→ Kredi yöneticisine öneri hazırla.

Burada orkestratör, tek başına tüm işi yapan model değildir.

Doğru yaklaşım:

Orkestratör işi planlar.
Ajanlar uzman görevleri yapar.
İnsan kritik noktada denetim sağlar.

---

Alan Uzmanı Ajanlar

Bankacılıkta tek bir genel modelle her işi çözmek doğru yaklaşım değildir.

Bunun yerine alan uzmanı ajanlar kullanılır.

Örnek ajanlar:

Kredi ajanı
Risk ajanı
Dolandırıcılık ajanı
Hukuk ajanı
Uyum ajanı
Teminat inceleme ajanı
Müşteri iletişim ajanı
Satış öneri ajanı
Tahsilat ajanı

Bu ajanlar ilgili alanın verisi, politikaları ve iş kurallarıyla beslenir.

---

Copilot’lar

Copilot’lar çalışanların karar süreçlerine gömülü çalışan yardımcı sistemlerdir.

Örnek:

Kredi analisti copilot’u
Çağrı merkezi temsilcisi copilot’u
İlişki yöneticisi copilot’u
Risk analisti copilot’u
Hukuk ve uyum copilot’u

Copilot’un amacı insanı tamamen devreden çıkarmak değil, daha hızlı ve daha kaliteli karar almasını sağlamaktır.

Kısa ifade:

Copilot karar vermez; kararı güçlendirir.
Orkestratör süreci yönetir.
Ajan uzman işi yapar.
İnsan kritik kararı denetler.

---

Verimlilik Etkisi

McKinsey’in örnek analizinde, multi-agent sistemlerle kredi memo hazırlama gibi süreçlerde kredi analisti üretkenliğinde %20–60 arası kazanım ve karar alma süresinde yaklaşık %30 hızlanma potansiyeli belirtiliyor.

Burada önemli nokta şudur:

Bu oran tüm bankacılık süreçleri için genel bir garanti değildir.
Belirli kullanım senaryosu, veri kalitesi, süreç tasarımı ve operasyonel olgunluğa bağlıdır.

---

3️⃣ Çekirdek Teknoloji ve Veri Katmanı — Core Technology and Data Layer

Birçok kurum AI projelerinde en görünür alan olan chatbot veya model tarafına odaklanır.

Ancak üretim ortamında AI’ın gerçekten çalışmasını sağlayan katman burasıdır.

Bu katman zayıfsa, GenAI projesi demo aşamasında güzel görünür ama üretimde ölçeklenemez.

Bu Katmanda Neler Var?

Kurumsal veri mimarisi
API altyapısı
Vektör veritabanları
LLM orchestration
Model gateway
MLOps / LLMOps
Feature store
Prompt management
Retrieval-Augmented Generation
Veri erişim katmanı
Güvenli veri paylaşımı
Cybersecurity kontrolleri
FinOps
Monitoring ve observability

---

Vektör Veritabanları

Vektör veritabanları, doküman, metin, bilgi bankası ve kurumsal verilerin semantic search mantığıyla kullanılmasını sağlar.

Örnek kullanım:

Kredi politikası dokümanları
Ürün şartları
Uyum prosedürleri
Çağrı merkezi bilgi bankası
Hukuki metinler
Süreç dokümanları

Ancak vektör veritabanı tek başına yeterli değildir.

Gerekli kontroller:

Yetki kontrolü
Veri sınıflandırma
Kaynak doğrulama
Güncellik kontrolü
Audit log
PII masking
Şifreleme

---

LLM Orchestration ve Model Gateway

Bankalarda tek bir LLM kullanmak çoğu zaman yeterli olmaz.

Farklı kullanım senaryoları için farklı modeller gerekebilir.

Örnek:

Özetleme için farklı model
Kod analizi için farklı model
Doküman okuma için farklı model
Müşteri etkileşimi için farklı model
Risk analizi için daha kontrollü model

Model gateway şu sorulara cevap verir:

Hangi istek hangi modele gidecek?
Hangi veri modele gönderilebilir?
Hangi model hangi ortamda çalışacak?
Loglama nasıl yapılacak?
Maliyet nasıl izlenecek?
Güvenlik politikası nasıl uygulanacak?

---

MLOps ve LLMOps

AI-first banka için model geliştirmek kadar modeli yönetmek de önemlidir.

Takip edilmesi gerekenler:

Model versiyonu
Prompt versiyonu
Eğitim verisi
Test sonuçları
Model drift
Yanıt kalitesi
Latency
Token maliyeti
Hallucination oranı
Güvenlik ihlali
Audit trail

---

FinOps

GenAI projelerinde maliyet görünmeyen bir risk olabilir.

Özellikle LLM kullanımı arttıkça token maliyetleri ciddi seviyeye çıkabilir.

Kontrol edilmesi gerekenler:

Model başına maliyet
İş birimi bazlı tüketim
Token kullanımı
Cache oranı
Batch işlem maliyeti
GPU/CPU kaynak kullanımı
Bulut maliyeti
Kullanım başına ROI

Kısa ifade:

AI ölçeklenirken maliyet de ölçeklenir.
FinOps olmadan AI dönüşümü kontrolsüz büyür.

---

4️⃣ Operasyonel Model — Operating Model

AI dönüşümünün başarılı olup olmayacağı çoğu zaman teknolojiyle değil, operasyon modeliyle belirlenir.

Çünkü AI yalnızca IT projesi değildir.

AI-first banka için iş birimleri, teknoloji, veri, risk, hukuk, uyum ve güvenlik ekipleri birlikte çalışmalıdır.

Bu Katmanda Neler Var?

AI kontrol kulesi
AI governance council
Platform bazlı işletim modeli
Cross-functional ekipler
Risk ve uyum guardrail’leri
Reusable AI components
Değer takibi
Adoption yönetimi
Yetkinlik gelişimi

---

AI Kontrol Kulesi

AI kontrol kulesi, kurum genelindeki AI inisiyatiflerini izleyen ve yöneten merkezi yapıdır.

Görevleri:

AI stratejisini takip etmek
Hangi projeye yatırım yapılacağını belirlemek
Değer gerçekleşmesini ölçmek
Risk ve uyum standartlarını belirlemek
Tekrarlı yetkinlikleri yeniden kullandırmak
Başarısız denemeleri durdurmak
Kritik mimari kararları koordine etmek

---

Cross-Functional Ekipler

AI projelerinde yalnızca veri bilimci veya yazılım geliştirici olması yetmez.

Doğru ekip yapısı:

İş birimi sahibi
Ürün sahibi
Veri bilimci
Data engineer
Backend/API geliştirici
MLOps/LLMOps mühendisi
Siber güvenlik uzmanı
Risk uzmanı
Uyum/hukuk temsilcisi
UX uzmanı
Operasyon temsilcisi

Bu yapı kurulmazsa AI projesi teknik demo olarak kalır.

---

Platform Bazlı İşletim Modeli

Bankalar her AI projesini sıfırdan kurmamalıdır.

Tekrarlı kabiliyetler platformlaştırılmalıdır.

Örnek reusable bileşenler:

Kimlik doğrulama
Yetki kontrolü
Veri maskeleme
Prompt logging
Model gateway
RAG altyapısı
Doküman işleme
PII detection
Audit logging
Guardrail servisi
Risk scoring
Human approval workflow

Kısa ifade:

Her ekip kendi AI altyapısını kurarsa kaos oluşur.
Platform modeli reuse sağlar.
Reuse hız ve güvenlik getirir.

---

AI Bank Stack’in Dört Katmanı

Katman	Ana Amaç	Örnek Bileşenler
Engagement Layer	Müşteri ve çalışan deneyimini AI ile yeniden tasarlamak	Chat, voice, multimodal, copilot, dijital kanal entegrasyonu
Decision-Making Layer	Kararları AI, ajanlar ve orkestrasyon ile güçlendirmek	AI orchestrator, domain agents, predictive models, copilots
Core Technology & Data Layer	Ölçeklenebilir, güvenli ve tekrar kullanılabilir AI altyapısı kurmak	API, data platform, vector DB, LLMOps, MLOps, cybersecurity
Operating Model	Teknolojiyi değere dönüştürecek organizasyon yapısını kurmak	AI control tower, cross-functional teams, governance, platform model

---

Bankalar İçin Kritik Kullanım Senaryoları

1. Kredi Değerlendirme

Belge toplama
Gelir analizi
Kredi politikası kontrolü
Teminat inceleme
Risk skoru üretme
Kredi memo hazırlama
İnsan onayına sunma

2. Dolandırıcılık Tespiti

İşlem davranışı analizi
Anomali tespiti
Cihaz ve lokasyon kontrolü
Hesap ele geçirme sinyalleri
Sahte belge kontrolü
Gerçek zamanlı risk skoru

3. Çağrı Merkezi

Canlı görüşme özeti
Sonraki en iyi aksiyon önerisi
Müşteri duygu analizi
Şikayet sınıflandırma
Otomatik kayıt oluşturma
Temsilci koçluğu

4. Uyum ve Hukuk

Regülasyon metni analizi
Politika uyumluluk kontrolü
Sözleşme özetleme
Şüpheli işlem açıklama desteği
Denetim kanıtı hazırlama

5. Satış ve İlişki Yönetimi

Müşteri segmentasyonu
Next best offer
Relationship manager copilot
Portföy fırsat analizi
Müşteri terk riski tahmini

---

AI Dönüşümünde Sık Yapılan Hatalar

1️⃣ Chatbot’u AI Dönüşümü Sanmak

Chatbot yalnızca engagement layer’ın küçük bir parçasıdır.

Gerçek dönüşüm, karar süreçleri ve iş akışları yeniden tasarlandığında başlar.

---

2️⃣ Pilot Projelerde Takılı Kalmak

Çok sayıda küçük pilot yapmak kurumsal değer üretmez.

Doğru yaklaşım:

Yüksek değerli domain seç.
Süreci uçtan uca yeniden tasarla.
Veri ve teknoloji katmanını hazırla.
Operasyon modelini kur.
Ölçülebilir iş sonucu üret.

---

3️⃣ Veri Katmanını Hafife Almak

AI modelinin kalitesi veri kalitesiyle sınırlıdır.

Kötü veri, eksik yetki modeli veya dağınık API mimarisi AI projesini üretimde başarısız yapar.

---

4️⃣ Risk ve Uyum Ekiplerini Sona Bırakmak

Bankacılıkta AI projelerinde risk, hukuk, uyum ve siber güvenlik en baştan dahil edilmelidir.

Sonradan eklenen governance genellikle yavaşlatıcı ve maliyetli olur.

---

5️⃣ Her Ekibin Kendi AI Altyapısını Kurması

Bu yaklaşım şu riskleri doğurur:

Tekrarlı maliyet
Farklı güvenlik standartları
Kontrolsüz veri paylaşımı
Model karmaşası
Audit zorluğu
Regülasyon riski

---

6️⃣ İnsan Onayını Tamamen Kaldırmak

Bankacılıkta birçok kritik süreçte human-in-the-loop gereklidir.

Özellikle:

Kredi kararı
Risk istisnası
Yasal yorum
Şüpheli işlem kararı
Müşteri itirazı
Yüksek etkili otomatik aksiyon

---

AI-First Banka İçin Güvenlik ve Uyum Kontrolleri

Bankacılıkta AI mimarisi güvenliksiz kurulamaz.

Kontrol edilmesi gereken başlıklar:

Veri sınıflandırma
PII masking
Prompt injection koruması
Model output validation
Audit logging
RBAC / ABAC
Data loss prevention
Model access control
Encryption
Model risk management
Regülasyon uyumu
Third-party model riski
Red teaming
Adversarial testing
Incident response

Özellikle GenAI tarafında şu riskler ayrıca ele alınmalıdır:

Hallucination
Prompt injection
Data leakage
Model poisoning
Insecure plugin/tool use
Unauthorized data retrieval
Shadow AI
Telif ve veri sahipliği riski

---

48s Mini-PoC Planı

1. Tek bir yüksek değerli bankacılık süreci seçin.
2. Örneğin kredi memo hazırlama veya çağrı merkezi özetleme.
3. Sürecin mevcut adımlarını uçtan uca çıkarın.
4. Hangi adımda AI ajanı, hangi adımda copilot, hangi adımda insan onayı olacağını belirleyin.
5. Kullanılacak veri kaynaklarını sınıflandırın.
6. Yetki, maskeleme ve audit gereksinimlerini yazın.
7. Basit RAG prototipi kurun.
8. Orkestratör ve alan ajanlarını tasarlayın.
9. İnsan onay noktalarını ekleyin.
10. Başarı metriğini belirleyin: süre, kalite, maliyet, risk, müşteri memnuniyeti.
11. Pilot sonucu sadece teknik başarıyla değil, iş değeriyle ölçün.
12. Reusable bileşenleri platform katmanına taşıyın.

---

Kısa Yol Haritası

1. Vizyon:
Bankanın AI ile hangi değeri üreteceğini belirle.

2. Domain seçimi:
En yüksek iş etkisi olan süreçleri seç.

3. İş akışı tasarımı:
Süreci AI-first mantıkla yeniden kurgula.

4. Veri ve teknoloji:
API, veri erişimi, vector DB, LLMOps ve güvenliği hazırla.

5. Ajan mimarisi:
Orkestratör, alan ajanları ve copilot’ları tasarla.

6. Governance:
Risk, uyum, hukuk ve siber güvenlik guardrail’lerini kur.

7. Operasyon modeli:
Cross-functional ekip ve AI control tower oluştur.

8. Ölçekleme:
Reusable bileşenleri diğer domain’lere yay.

---

Sonuç

McKinsey’in bankalar için sunduğu AI yaklaşımındaki ana mesaj net:

AI’dan gerçek değer üretmek için model kurmak yetmez.
Bankanın çalışma şeklini yeniden tasarlamak gerekir.

Başarılı bankalar şunları yapacak:

Müşteri ve çalışan deneyimini AI ile yeniden kurgulayacak.
Karar süreçlerini ajanlar ve orkestrasyonla güçlendirecek.
Çekirdek veri ve teknoloji katmanını modernize edecek.
Operasyon modelini platform bazlı hale getirecek.
Risk, güvenlik ve uyumu tasarımın başına koyacak.

Kazanacak kurumlar, en çok AI pilotu yapanlar değil; AI’ı uçtan uca iş akışlarına, karar motorlarına, veri mimarisine ve operasyon modeline yerleştirenler olacak.

Kısa özet:

Pilot değil, dönüşüm.
Chatbot değil, tam yığın mimari.
Model değil, iş değeri.
Deney değil, ölçeklenebilir operasyon.

Bankacılıkta AI’ın gerçek değeri; ajanlar, orkestrasyon, güvenli veri mimarisi ve yeniden tasarlanmış iş akışları birlikte çalıştığında ortaya çıkar.