Orta ölçekli şirketlerin yüzde 91'i kendi iç yapay zekâ yetkinliğine güvendiğini söylüyor. Yüzde 10'u tüm yapay zekâ girişimlerini gerçekten pilot aşamasının ötesine taşımış durumda (IT Brief UK, 2026).
Aynı 500 katılımcı. Aynı araştırma. Aynı altı haftalık saha çalışması.
Bu iki sayı arasındaki mesafe, orta ölçekli şirketlerdeki yapay zekâ pilotlarının öldüğü yerdir — ve çoğunun ölüm nedeni, finanse edilen neden değildir. Aynı yöneticilere projelerin neden tıkandığı sorulduğunda yüzde 48'i yapay zekâ uzmanlığı eksikliğini gösterdi. Yani az önce yüzde 91 güvenle kendilerine atfettikleri yetkinliği suçluyorlar.
Bu bir yetenek açığı değil. Bu bir teşhis hatası ve pahalıya mal oluyor.
Klarus araştırması gerçekte neyi ölçtü
Klarus, Vitreous World ile birlikte orta ölçekli şirketlerde yapay zekâ çalışmasını 8 Temmuz 2026'da yayımladı. Örneklem: Birleşik Krallık ve İrlanda'da 200 milyon–2 milyar sterlin ciroya ve 300–3.000 çalışana sahip şirketlerden 500 üst düzey karar verici — teknoloji kararlarında yetki sahibi sahipler, C-seviyesi yöneticiler, başkan yardımcıları, direktörler ve departman başkanları (IT Brief UK, 2026).
Sorun benimseme değil. Yüzde 73'ü yapay zekâyı kısmen veya tamamen devreye almış. Yapay zekâyı deneyenler arasında yalnızca yüzde 10'u tüm girişimlerini pilotun ötesine ölçeklemiş; geri kalan yüzde 90 erken aşamada takılı ya da durmuş işlerle kalmış (Klarus, 2026).
Bu segment marjinal değil. Klarus, NatWest verilerine dayanarak Birleşik Krallık orta ölçeğinin şirketlerin yüzde 0,5'ini oluştururken brüt katma değerin yüzde 30'unu ürettiğini aktarıyor. Bu bantta yüzde 90'lık bir tıkanma oranı, teknoloji sektörüne özgü bir merak konusu değil. Ulusal bir verimlilik kalemi — ve daha yakından bakılırsa, sizin operasyon bütçeniz.
Güven–yetkinlik terslemesi
İki temel rakamı birlikte okuyun; net bir patoloji ortaya çıkar.
İç yetkinliğe yüzde 91 güven. Pilotların ölüm nedeni olarak eksik uzmanlığı gösteren yüzde 48. Önümüzdeki on iki ayın önceliği olarak "iç uzmanlık geliştirmeyi" sayan yüzde 39.
Bu üç sayı aynı organizasyonu birlikte doğru biçimde tarif edemez. Tarif ettikleri şey, soyutta kendinden emin, somutta doğaçlama yapan bir ekip: yapay zekâ araçlarını kullanmakta yetkin, onları üretime almakta sınanmamış. Güven gerçek; yalnızca yanlış şeyi ölçüyor. Prompt yazmayı bilmek, bir modeli canlı operasyonel veriyle, denetim izi, sahibi ve geri alma planıyla çalıştırmayı bilmek değildir.
Sonuç, yanlış yöne akan bir bütçedir. Liderler kısıtın uzmanlık olduğuna inandığında işe alım yaparlar. Eğitim lisansları satın alır, enablement haftaları düzenler, bir yapay zekâ mühendisi ilanı açarlar. Bu sırada gerçek tıkanıklık bir kat aşağıda el değmeden durur ve bir sonraki pilot tam olarak öncekiyle aynı nedenden ölür.
Kimsenin finanse etmediği kısıt: orta ölçekli yapay zekâ pilotları neden veride tıkanıyor
Aynı yöneticilere insanları yerine verileri sorulduğunda söyledikleri şu.
Yapay zekâyı pilotlayan veya devreye alan şirketlerin yüzde 83'ü veri kalitesinin zayıf olduğunu bildirdi. Yüzde 69'u bunun yapay zekâ çalışmalarını fiilen engellediğini veya geciktirdiğini söyledi (IT Brief UK, 2026).
Projeler beklentileri karşıladığında ise katılımcılar nedeni açıkça belirtti: güçlü veri kalitesi, yüzde 59 tarafından kritik olarak gösterildi — yönetişim, güvenlik, gizlilik ve etiğin (yüzde 54) önünde.
Araştırma kendi sorusunu kendisi yanıtlıyor. Veri kalitesi, başarılı olanlarda en çok anılan başarı faktörü; tıkananlarda ise neredeyse evrensel bir şikâyet. Yalnızca suçlanan şey o değil — çünkü kendi verinizi suçlamak, işgücü piyasasını suçlamaktan daha az gurur okşayıcıdır.
Orta ölçekli bir danışmanlık işinde hiçbir çıkarı olmayan iki bağımsız kurum aynı yönü işaret ediyor. Gartner, 2026'ya kadar kuruluşların "yapay zekâya hazır" veriyle desteklenmeyen yapay zekâ projelerinin yüzde 60'ından vazgeçeceğini öngörüyor (Gartner, 2025). RAND ise 65 deneyimli veri bilimci ve mühendisle yaptığı yapılandırılmış görüşmelerin ardından yetersiz veriyi, yapay zekâ projelerinin beş kök başarısızlık nedeninden biri saydı — problemi yanlış anlamak, kullanım senaryosu yerine teknolojinin peşinden koşmak ve modelleri devreye alıp sürdürmek için yetersiz altyapı ile birlikte (RAND Corporation, 2024).
Üç veri kümesi. Biri Birleşik Krallık orta ölçek araştırmasından, biri analist öngörüsünden, biri uygulayıcılarla görüşen bir ABD araştırma kurumundan. Hiçbiri birincil kısıt olarak yeteneği göstermiyor.
Yönetişim, aynı problemin başka bir etiketi
Bu şirketlerin yüzde 59'unun kapsamlı bir yapay zekâ yönetişim çerçevesi yok. Yüzde 48'i tıkanma nedeni olarak yönetişim, etik, güvenlik veya gizlilik kaygılarını gösterdi — uzmanlık eksikliğini suçlayanlarla aynı oran (IT Brief UK, 2026).
Bunları iki bulgu değil, tek bir bulgu olarak ele alın. Yönetişim çerçevesi olmayan bir pilotun üretime giden tanımlı bir yolu yoktur; çünkü kimse model çıktısını kimin onayladığını, biri yanlış olduğunda ne olacağını, hangi verinin şirket dışına çıkabileceğini ve doksan gün sonra sahibinin kim olacağını yanıtlamamıştır. Bu yanıtlar olmadan başarılı bir pilot terfi ettirilemez. Yalnızca tekrarlanabilir.
Yüzde 90'ın arkasındaki mekanizma budur. Tıkanan yapay zekâ çalışmalarının çoğu teknik olarak başarısız olmuyor. Pilotunu geçiyor, sonra kimsenin inşa etmediği bir kapıya varıyor ve orada bekliyor.
Yalnızca yüzde 35'i önümüzdeki yıl yapay zekâ korkuluklarını güçlendirmeyi planlıyor. Çoğunluk için kapı inşa edilmemiş olarak kalıyor.
Bunu olduğu gibi kabul etmemek için nedenler
Kaynak konusunda açık olmak istiyorum, çünkü onu ıskontolama refleksi kısmen haklı.
Klarus tam da bu pazara satış yapan bir teknoloji hizmetleri şirketi. Orta ölçekli şirketlerin daha iyi veri temeline ve daha güçlü yönetişime ihtiyaç duyduğu sonucuna varan bir araştırma, ticari olarak yayımlamak isteyeceği araştırmanın ta kendisi. Örneklem yalnızca Birleşik Krallık ve İrlanda; dolayısıyla belirli yüzdeler bir ABD ya da AB operasyonuna düzeltmesiz taşınmamalı. Ve buradaki her rakam beyana dayalı: "yüzde 83 zayıf veri kalitesi bildiriyor", yöneticilerin verileri hakkında ne düşündüğünü ölçer; verilerin denetimini değil.
Ancak ters yönde işleyen iki nokta var.
Bu araştırmada beyan yanlılığı bulgunun aleyhine çalışıyor, lehine değil. Kendi uzmanlığını yüzde 91 ile abartan yöneticiler, kendi zayıflıklarını abartmaya meyilli bir kitle değildir. Aksine yüzde 83 bir taban sayılmalı.
Ve doğrulama bağımsız. Gartner'ın yapay zekâya hazır veri öngörüsü ile RAND'ın uygulayıcı görüşmeleri yıllar arayla, farklı kıtalarda ve Klarus ile hiçbir ticari ilişki olmadan üretildi. Tedarikçi destekli bir araştırma, bir analist öngörüsü ve akademik nitelikte bir görüşme çalışması aynı noktada buluştuğunda, tedarikçi güdüsü not edilir ve sonra bir kenara bırakılır.
Hiçbirinin size söylemediği şey, sizin pilotlarınızın bu nedenle tıkanıp tıkanmadığıdır. Bunu yalnızca kendi veriniz yanıtlar — ve deneyimime göre bu soru neredeyse hiç bu spesifik biçimde sorulmaz.
300–3.000 kişilik bir şirkette ne değişir
Bu, daha önce okuduğunuz "pilot arafı" hikâyesi değil
Orta ölçeğe yapay zekâ pilotlarının neden tıkandığına dair şimdiye kadar üç farklı şey anlatıldı: karar haklarının sahipsiz olduğu, olgun programların aşırı yönetişimle kendi deneylerini öldürdüğü ve şimdi de veri katmanının hiçbir zaman hazır olmadığı. Bunlar rakip açıklamalar değil. Aynı yol üzerindeki üç kapı ve bir pilotun hepsini geçmesi gerekiyor.
Operasyonel olarak önemli olan ayrım sıralamadır. Karar hakları ve yönetişim bir kararla çözülür — yetkili biri bir sahip ve bir onay yolu belirler, kapı cumaya kurulmuş olur. Veri temeli öyle değildir. Üç sistem arasında varlıkları eşleştirmek, kimsenin zorunlu yapmadığı alanları geriye dönük doldurmak ve modelin gerçekten okuyacağı tablolar için veri soyağacı kurmak, sonunda demo olmayan, gösterişsiz bir çeyreklik iştir.
Bütçe tartışmasını her seferinde bir eğitim programına kaptırmasının nedeni tam olarak budur.
Hazırlanmış veri yanılsaması
Bu ölçekte, boşta kapasitesi olan bir veri mühendisliği fonksiyonunuz yoktur. Her sistemde gerçeğin nerede yaşadığını bilen iki üç kişiniz vardır ve onlar zaten tamamen doludur.
Asıl ölçekleme kısıtı budur ve çoğu operasyon liderinin tanıyacağı bir örüntüyü açıklar: pilotlar hazırlanmış veride başarılı olur, üretim verisinde başarısız. Pilot, birinin elle hazırladığı temiz bir çıktı üzerinde çalışıyordu. Üretim ise kayıt sistemi üzerinde çalışıyor: mükerrer müşteri kimlikleri, serbest metin durum alanı ve kimsenin doğrulamadığı dört yıllık taşınmış kayıtlarla.
İki çalıştırma arasında modelde hiçbir şey değişmedi. Veri değişti.
Akılda tutulmaya değer bir bulgu daha: yüzde 45 yapay zekânın genç çalışanların işini daha iyi veya daha hızlı yapmasına yardım ettiğini, yüzde 24 ise yeni roller yarattığını söyledi (Klarus, 2026). Orta ölçekte yapay zekânın işgücü üzerindeki yakın etkisi, kadro azaltma olarak değil, görev desteği ve rol yeniden tasarımı olarak görünüyor. Yapay zekâ iş gerekçeniz işgücü tasarrufu üzerine kuruluyken emsalleriniz kapasite kazanımı bildiriyorsa, onlardan daha titiz değilsiniz. Bu segmentin henüz üretmediği bir getiriyi ölçüyorsunuz.
Bir sonraki pilotu finanse etmeden önce üç hamle
Ekibi değil veriyi denetleyin
Bir sonraki girişim bütçe almadan önce, gerçekten kullanacağı üç veri setini alın ve dört şeyi kontrol edin: eksiksizlik, mükerrer oranı, sahiplik ve soyağacı. Genel olarak veri ambarını değil — o üç tabloyu. Bir analistin bir haftasını alır ve pilotun şansı hakkında, onu yürütenlerin yetkinlik değerlendirmesinden çok daha fazlasını söyler.
Pilotu çalıştırmadan önce terfi kapısını inşa edin
Bir pilotun üretime geçmek için neyi kanıtlaması gerektiğini, kimin onayladığını, sonrasında kimin sahiplendiğini ve bir çıktı yanlış olduğunda ne olacağını önceden yazın. Bu pazarın yüzde 59'unun böyle bir çerçevesi yok. Tanımlı çıkışı olmayan bir pilot deney değildir; bütçe kalemi olan bir demodur.
Bir sterlinlik eğitimi bir sterlinlik veriye kaydırın
2026 yapay zekâ planınız enablement ve işe alımı finanse edip veri kalitesine hiçbir şey ayırmıyorsa, yüzde 83'lük açıklama yerine yüzde 48'lik açıklamayı finanse ediyorsunuz. Eğitimi bırakmanız gerekmiyor. Defterin diğer tarafında, bir çeyreklik gerçek iyileştirme işine göre boyutlandırılmış tek bir kaleme ihtiyacınız var.
Bu çeyrekte tek bir karar
Ölçeklenemeyen en son yapay zekâ pilotunuzu alın ve neden durduğunu tek bir cümleyle yazın. Sonra o cümleyi, üzerinde çalıştığı veriyle karşılaştırın.
Dürüst yanıt "model çalıştı, boru hattı çalışmadı" ise, eksik olan yapay zekâ uzmanlığı değildi. Eksik olan, altta duran o sıkıcı, finanse edilemeyen ama tamamen düzeltilebilir şeydi — ve orta ölçekte hiçbir yapay zekâ pilotunu ölçekleyemeyen yüzde 90, büyük ölçüde problemin yanlış yarısını finanse etmeye devam eden insanlardan oluşuyor.
Yüzde 91 güven hiçbir şey satın almaz. Skor tablosundaki tek sayı, ölçeklenen yüzde 10'dur.
