Yapay Zekâ Yatırımının Geri Dönüşü Nasıl Hesaplanır?

Yapay zekâ yatırımlarında asıl soru: Model çalışıyor mu, değer üretiyor mu?

Bir yapay zekâ sisteminin teknik olarak başarılı olması, yatırımın başarılı olduğu anlamına gelmez. Model doğru cevaplar verebilir, kullanıcılar sistemi beğenebilir ve demo etkileyici görünebilir. Buna rağmen proje işletme açısından beklenen ekonomik değeri üretmeyebilir.

Bu nedenle kurumsal yapay zekâ yatırımlarında ölçülmesi gereken temel kavramlardan biri yatırımın geri dönüşüdür (Return on Investment — ROI).

En basit biçimiyle:

Örneğin bir yapay zekâ uygulamasının belirli bir dönemde toplam maliyeti 1 milyon TL ve ölçülebilir finansal faydası 1,4 milyon TL ise:

ROI = [(1.400.000 − 1.000.000) / 1.000.000] × 100 = %40

Matematik kolaydır. Zor olan, formüle hangi rakamların konulacağını doğru belirlemektir.

Yapay zekâ yatırımlarında yalnızca model veya API faturalarını maliyet kabul etmek; çalışanların kazandığı her dakikayı doğrudan nakit tasarrufu saymak; satış artışının tamamını yapay zekâya atfetmek veya pilot sonuçlarını aynı oranlarla şirket geneline yaymak ROI hesabını ciddi biçimde bozabilir.

OECD'nin deneysel çalışmaları inceleyen araştırması da üretken yapay zekânın etkisinin görev, kullanıcı deneyimi ve uygulama biçimine göre değiştiğini; kısa dönemli görev bazlı kazanımların uzun dönemli şirket performansına otomatik olarak eşitlenemeyeceğini vurguluyor [1].

Bu nedenle sağlıklı bir AI ROI analizi dört temel soruya dayanmalıdır:

1. Yapay zekâdan önce süreç nasıl çalışıyordu?
2. Yapay zekâ sonrasında ölçülebilir olarak ne değişti?
3. Bu değişimin ne kadarı finansal değere dönüştürülebiliyor?
4. Bu değeri üretmek ve sürdürebilmek için gerçekte ne kadar harcanıyor?

Yapay zekâ ROI hesabına başlamadan önce baseline belirleyin

Bir yapay zekâ projesinin etkisini ölçebilmek için önce yapay zekâ kullanılmadan önceki durumun ölçülmesi gerekir. Buna baseline, yani başlangıç baz değeri denilebilir.

Örneğin müşteri destek ekibinde yapay zekâ kullanmayı planladığınızı düşünün. Pilot başlamadan önce en azından şu göstergeler ölçülmelidir:

• Aylık destek talebi sayısı
• Talep başına ortalama işlem süresi
• İlk yanıt süresi
• Çözüm süresi
• İnsan müdahalesi gerektiren talep oranı
• Tekrar açılan talepler
• Hata veya yanlış yönlendirme oranı
• Müşteri memnuniyeti
• Destek operasyonunun toplam maliyeti

Baseline olmadan pilot sonunda gözlenen iyileşmenin gerçekten yapay zekâdan kaynaklanıp kaynaklanmadığını anlamak güçleşir.

Aynı mantık yazılım geliştirme, doküman işleme, satış operasyonları, üretim, finans veya insan kaynakları süreçlerinde de geçerlidir.

Örneğin amaç sözleşme inceleme süresini azaltmaksa mevcut ortalama inceleme süresi bilinmelidir. Amaç teklif hazırlama süresini düşürmekse bugün bir teklifin kaç dakika veya saat sürdüğü ölçülmelidir.

ROI hesabı teknolojiyle değil, mevcut iş sürecinin ölçülmesiyle başlamalıdır. Finansal modelin ayrıntısı yatırımın büyüklüğüne ve süresine göre belirlenmelidir. Yaşam döngüsü boyunca TCO ile aynı dönem için fayda ve maliyeti karşılaştıran ROI birlikte değerlendirilebilir. Çok dönemli ve maddi yatırımlarda paranın zaman değerini hesaba katmak için tercihen NPV, nakit akışları uygun ve konvansiyonel olduğunda tamamlayıcı olarak IRR kullanılabilir. Belirsizlik ise baz–iyimser–kötümser senaryolar ve duyarlılık analiziyle incelenebilir. Kısa dönemli basit pilotlarda bu ölçülerin tamamını birlikte kullanmak zorunlu değildir; ayrıca IRR bazı düzensiz nakit akışlarında birden fazla sonuç verebilir veya anlamlı bir sonuç üretmeyebilir.

Yapay zekâ yatırımının toplam maliyeti nasıl hesaplanır?

Yapay zekâ projelerinde en yaygın hatalardan biri maliyet hesabını yalnızca model kullanım ücretine indirgemektir.

Gerçekte değerlendirilmesi gereken kavram Toplam Sahip Olma Maliyeti (Total Cost of Ownership — TCO) olmalıdır.

Bir AI sisteminin TCO'su aşağıdaki maliyet gruplarını içerebilir.

1. Model ve altyapı maliyetleri

Üretken yapay zekâ uygulamalarında maliyet yapısı kullanılan mimariye göre değişebilir. API tabanlı sistemlerde giriş/çıkış tokenları, önbellekleme, görüntü veya ses işleme gibi kullanım kalemleri; bulut ortamlarında ise işlem, depolama, veri aktarımı ve diğer servisler maliyet yaratabilir. Sağlayıcıların fiyatlandırma modelleri ve fiyatları zaman içinde değişebildiği için ROI modellerinde sabit varsayılmamalıdır [2].

Altyapı maliyetlerine örneğin şunlar girebilir:

• LLM/API kullanımı
• GPU veya CPU kaynakları
• Veritabanı
• Vektör veritabanı
• Nesne depolama
• Loglama ve gözlemlenebilirlik sistemleri
• Arama servisleri
• Ağ ve veri transferi
• Yedekleme
• Güvenlik servisleri

Küçük bir pilotta önemsiz görünen bazı maliyetler kullanım hacmi büyüdüğünde önemli hale gelebilir.

2. Yazılım geliştirme ve entegrasyon maliyeti

Model tek başına iş süreci oluşturmaz.

Kurumsal bir AI uygulamasında çoğu zaman CRM, ERP, e-posta, doküman yönetimi, veri tabanı, çağrı merkezi veya şirket içi servislerle entegrasyon gerekir.

Bu nedenle aşağıdaki insan emeği de yatırım maliyetine dahil edilmelidir:

• Yazılım geliştirme
• Veri mühendisliği
• AI/ML mühendisliği
• Ürün yönetimi
• Test
• DevOps/MLOps
• Siber güvenlik
• UX/UI
• Proje yönetimi

Şirket içi çalışanların projeye ayırdığı süre de ücretsiz kabul edilmemelidir. Bu zamanın alternatif kullanım değeri vardır.

3. Veri hazırlama maliyeti

Birçok yapay zekâ projesinde görünmeyen önemli maliyetlerden biri veridir.

Örneğin kurumsal bir RAG sistemi kurulacaksa dokümanların:

• bulunması,
• sınıflandırılması,
• temizlenmesi,
• erişim yetkilerinin belirlenmesi,
• güncelliğinin kontrol edilmesi,
• parçalanması ve indekslenmesi,
• kalite testlerinden geçirilmesi

gerekebilir.

Veri düzensizse bu süreç, model entegrasyonundan daha fazla kaynak tüketebilir.

4. Güvenlik, hukuk ve yönetişim maliyetleri

AI sistemlerinin risk yönetimi de ekonomik değerlendirmenin bir parçasıdır.

NIST AI Risk Management Framework, kuruluşların AI sistemlerini yalnızca performans açısından değil; güvenilirlik ve risk yönetimi perspektifiyle de değerlendirmesini öneriyor. NIST ayrıca üretken yapay zekâya özgü riskler için 2024 yılında ayrı bir Generative AI Profile yayımladı [3].

ISO/IEC 42001:2023 ise AI yönetim sistemlerinin kurulması, uygulanması, sürdürülmesi ve sürekli iyileştirilmesine yönelik gereksinimler tanımlıyor [4].

Dolayısıyla projeye göre şu faaliyetler maliyet yaratabilir:

• güvenlik değerlendirmeleri,
• erişim kontrolü,
• hukuki incelemeler,
• veri yönetişimi,
• AI risk değerlendirmeleri,
• denetim kayıtları,
• kullanıcı yetkilendirmesi,
• insan denetimi mekanizmaları,
• çıktı değerlendirme süreçleri.

Bunları ROI hesabının dışında bırakmak projenin ekonomik görünümünü olduğundan daha iyi gösterebilir.

5. Operasyon ve bakım maliyetleri

AI projesi üretime alındığında maliyet sona ermez.

Model veya sağlayıcı değişiklikleri, prompt güncellemeleri, değerlendirme setleri, performans takibi, veri güncellemeleri, hataların incelenmesi ve kullanıcı desteği devam eden operasyon maliyetleridir.

FinOps Foundation da AI harcamalarının geleneksel teknoloji maliyetlerinden farklı olarak ayrıntılı kullanım verileri, değişken tüketim ve tahmin güçlüğü içerebildiğine dikkat çekiyor [5].

Bu nedenle TCO şu şekilde düşünülmelidir:

TCO = İlk geliştirme + entegrasyon + veri + altyapı + model kullanımı + güvenlik/yönetişim + eğitim + bakım + operasyon

Yapay zekânın finansal faydası nasıl hesaplanır?

Maliyet tarafı belirlendikten sonra ikinci adım faydanın parasal karşılığını hesaplamaktır.

AI yatırımlarında finansal fayda genellikle dört kategoride incelenebilir.

Zaman tasarrufu

En sık kullanılan fayda kalemidir.

Örneğin bir süreçte:

• aylık 10.000 işlem yapılıyor,
• her işlem 12 dakika sürüyor,
• yapay zekâ sonrasında süre 8 dakikaya düşüyorsa,

aylık teorik zaman kazanımı:

10.000 × 4 dakika = 40.000 dakika

yani yaklaşık:

667 saat

olur.

Ancak 667 saat kazanılması, otomatik olarak 667 saatlik maaş maliyetinin şirketin kasasına döndüğü anlamına gelmez.

Bu nedenle iki kavram ayrılmalıdır:

Kapasite kazanımı: Çalışanın aynı sürede daha fazla iş yapabilmesi.

Gerçek maliyet tasarrufu: Fazla mesainin, dış kaynak kullanımının, yeni işe alım ihtiyacının veya başka gerçek bir giderin azalması.

Bu ayrım ROI analizinde kritik öneme sahiptir.

Gelir artışı

Bazı AI projelerinin amacı maliyet azaltmak değil gelir artırmaktır.

Örneğin:

• daha fazla satış fırsatının işlenmesi,
• teklif hazırlama süresinin kısalması,
• müşteri kaybının azaltılması,
• çapraz satış fırsatlarının geliştirilmesi

gelir üzerinde etkili olabilir.

Burada dikkat edilmesi gereken konu attribution, yani etkinin ne kadarının yapay zekâya atfedilebildiğidir.

Satışlar %10 arttı diye artışın tamamını AI sistemine yazmak doğru değildir. Fiyat değişiklikleri, kampanyalar, sezon etkisi, satış ekibinin büyümesi veya pazar koşulları aynı dönemde sonucu etkilemiş olabilir.

Mümkün olduğunda kontrol grubu, A/B testi veya önce-sonra karşılaştırması kullanılmalıdır.

Hata ve yeniden işleme maliyetlerinin azalması

AI yatırımları bazen doğrudan iş gücü tasarrufu yerine hata maliyetlerini azaltır.

Örneğin:

• yanlış veri girişi,
• eksik doküman,
• hatalı sınıflandırma,
• tekrar işleme,
• yanlış yönlendirme

gibi durumların azalması finansal değer yaratabilir.

Bu durumda:

Yıllık fayda = Önlenen hata sayısı × Hata başına ortalama doğrulanmış maliyet

şeklinde bir model kurulabilir.

Riskten kaçınma

Siber güvenlik, uyumluluk veya kalite kontrol sistemlerinde değer bazen gerçekleşen gelirden değil, riskin azaltılmasından gelir.

Ancak bu fayda kategorisi özellikle dikkatli hesaplanmalıdır.

Örneğin gerçekleşme ihtimali bilinmeyen çok büyük bir olayın tüm maliyetini AI sisteminin faydası olarak yazmak ROI'yi yapay biçimde büyütebilir.

Bunun yerine mümkün olduğunda:

Beklenen risk maliyeti = Olay olasılığı × Olayın tahmini finansal etkisi

yaklaşımı kullanılabilir.

AI öncesi ve sonrası beklenen risk maliyetleri arasındaki fark, risk azaltımının ekonomik değeri için daha tutarlı bir yaklaşım sağlar.

ROI dışında hangi metrikler kullanılmalı?

ROI önemli olsa da tek başına yeterli değildir.

Bazı AI yatırımlarında faydalar uzun vadede ortaya çıkabilir. Bazılarında ise yüksek ROI hesaplanmasına rağmen kalite veya güvenlik kabul edilemez düzeyde olabilir.

Bu nedenle finansal ve operasyonel metrikler birlikte izlenmelidir.

Bu metriklerin tamamını her projede kullanmak gerekmez. Projenin ekonomik hipotezini test eden birkaç temel gösterge seçilmelidir.

Bir AI projesi için örnek ROI modeli

Aşağıdaki örnek tamamen temsili bir kurumsal senaryodur; gerçek bir şirket veya proje sonucu değildir.

Bir şirketin operasyon ekibinin gelen talepleri sınıflandırdığını ve ilgili departmanlara yönlendirdiğini düşünelim.

Mevcut durumda:

• yılda 120.000 talep işleniyor,
• ortalama işlem süresi 5 dakika,
• şirket AI destekli sınıflandırma sistemi kurmayı değerlendiriyor.

Pilot sonucunda ortalama insan işlem süresinin 5 dakikadan 3 dakikaya düştüğünü varsayalım.

Yıllık teorik kapasite kazanımı:

120.000 × 2 dakika = 240.000 dakika

yani:

4.000 saat

olur.

Fakat ROI modeline doğrudan “4.000 saat × çalışan saat maliyeti” yazmak yerine şirket şu soruyu sormalıdır:

Bu 4.000 saat gerçekten neye dönüşüyor?

Örneğin:

• fazla mesai azalıyor mu?
• dış kaynak kullanımı düşüyor mu?
• yeni çalışan ihtiyacı erteleniyor mu?
• ekip daha fazla işlem yapabiliyor mu?
• başka yüksek değerli görevler gerçekleştirilebiliyor mu?

Diyelim ki yapılan analiz sonunda yıllık doğrulanabilir ekonomik fayda 900.000 TL olarak hesaplandı.

Projenin:

• ilk geliştirme ve entegrasyon maliyeti: 350.000 TL,
• ilk yıl altyapı ve model maliyeti: 120.000 TL,
• bakım ve operasyon maliyeti: 130.000 TL

olsun.

Toplam ilk yıl maliyeti:

600.000 TL

olur.

Bu durumda:

ROI = [(900.000 − 600.000) / 600.000] × 100

ROI = %50

Ancak karar burada bitmemelidir.

Şirket ayrıca pilotta hata oranının kabul edilebilir seviyede olup olmadığını, yanlış yönlendirmelerin etkisini, kullanıcıların sistemi benimseyip benimsemediğini ve hacim arttığında altyapı maliyetinin nasıl değişeceğini incelemelidir.

Risk düzeltilmiş ROI neden daha gerçekçi olabilir?

AI projelerinde beklenen faydanın tamamının gerçekleşeceğini varsaymak iyimser bir finansal model yaratabilir.

Bunun yerine farklı senaryolar oluşturulabilir.

Örneğin:

Her senaryoya farklı fayda ve maliyet varsayımları uygulanabilir.

Daha gelişmiş modellerde faydaların gerçekleşme olasılığı da değerlendirilebilir:

Risk düzeltilmiş beklenen fayda = Tahmini fayda × Gerçekleşme olasılığı

Buradaki olasılıkların nesnel veri olmadan kesin gerçekler gibi sunulmaması gerekir. Amaç geleceği tahmin etmek değil, yatırım kararının hangi varsayımlara duyarlı olduğunu görmek olmalıdır.

Pilot proje ROI'si nasıl ölçülmeli?

Doğrudan şirket genelinde uygulama yapmak yerine sınırlı bir pilot, ekonomik hipotezi daha düşük riskle test etmeyi sağlar.

Pilot başlamadan önce şu unsurlar yazılı olarak belirlenmelidir:

Başlangıç koşulları

Mevcut süreç performansı ölçülmüş olmalıdır.

Pilot kapsamı

Hangi ekip, süreç, veri seti ve kullanıcı grubunun teste dahil olduğu tanımlanmalıdır.

Başarı kriterleri

Örneğin:

• işlem süresi,
• işlem başına maliyet,
• doğruluk,
• hata oranı,
• insan müdahale oranı,
• kullanıcı benimsemesi

önceden belirlenmelidir.

Maliyet sınırı

Pilotun geliştirme ve kullanım bütçesi belirlenmelidir.

İnsan denetimi

Özellikle finansal, hukuki, güvenlik veya müşteri etkisi yüksek işlemlerde AI çıktısının hangi aşamada insan tarafından kontrol edileceği tanımlanmalıdır.

NIST'in AI RMF yaklaşımı da risk yönetiminin AI yaşam döngüsü boyunca yönetişim, haritalama, ölçme ve yönetme faaliyetleriyle ele alınmasını öngörür [3].

Ölçekleme kriteri

Pilotun başarılı kabul edilmesi için yalnızca model performansı değil, ekonomik sonuç da değerlendirilmelidir.

Pilot başarısı neden şirket geneline doğrudan uygulanamaz?

Bir pilot 20 kullanıcıyla başarılı olmuş olabilir. Bu, 2.000 kullanıcıya geçildiğinde aynı ROI'nin korunacağı anlamına gelmez.

Ölçek büyüdükçe:

• API kullanımı,
• veri altyapısı,
• entegrasyon karmaşıklığı,
• destek ihtiyacı,
• erişim yönetimi,
• güvenlik gereksinimleri,
• gözlemlenebilirlik,
• eğitim,
• değişim yönetimi

gibi maliyetler değişebilir.

Bunun tersine, bazı sabit geliştirme maliyetleri daha fazla kullanıcıya dağıldıkça işlem başına maliyet düşebilir.

Dolayısıyla ölçekleme öncesinde şu hesap yapılmalıdır:

Tahmini ölçeklenmiş ROI (%) = [(Ölçeklenmiş ekonomik fayda − ölçeklenmiş TCO) / ölçeklenmiş TCO] × 100

ve sonuç yeniden yatırım maliyetine oranlanmalıdır.

Pilot ROI'sini doğrudan organizasyon geneline çarpmak yerine maliyet ve fayda eğrileri ayrı ayrı modellenmelidir.

Yapay zekâ ROI hesaplamasında sık yapılan hatalar

1. API maliyetini toplam maliyet sanmak

Model faturası çoğu projede maliyet yapısının yalnızca bir bölümüdür.

2. Kazanılan zamanı doğrudan nakit tasarrufu saymak

Çalışan başına haftada iki saat kazanılması değerlidir; ancak şirket bu zamanı ekonomik değere dönüştüremiyorsa muhasebesel maliyet otomatik olarak azalmaz.

3. Baseline ölçmeden projeye başlamak

Başlangıç performansı bilinmediğinde AI etkisini izole etmek zorlaşır.

4. Kaliteyi hesaba katmamak

Bir süreç %50 hızlanırken hata oranı ciddi biçimde yükseliyorsa zaman tasarrufu tek başına başarı göstergesi değildir.

5. İnsan kontrolünü ücretsiz kabul etmek

AI çıktılarının sürekli çalışanlar tarafından kontrol edilmesi gerekiyorsa bu zaman da operasyon maliyetidir.

6. Pilot performansını doğrudan ölçeklemek

Kullanıcı ve işlem hacmi büyüdükçe maliyetler ve hata profili değişebilir.

7. Model fiyatlarının sabit kalacağını varsaymak

AI pazarında fiyat, model ve ürün seçenekleri değişebilmektedir. OECD'nin 2025 tarihli AI pazarları çalışması da model fiyatları ve kalite ayarlı fiyatlarda zaman içinde değişim bulunduğunu gösteriyor [6].

8. Risk maliyetlerini yok saymak

Hatalı AI çıktıları, güvenlik açıkları, veri ihlalleri veya uyumluluk sorunları ekonomik faydayı azaltabilir.

Hukuki ve yönetişim maliyetleri ROI hesabına dahil edilmeli mi?

Evet. Projeye uygulanıyorsa bu maliyetler TCO'nun bir parçasıdır.

Örneğin Avrupa Birliği AI Act, risk seviyesine ve sistem türüne göre farklı yükümlülükler getiriyor. Düzenleme 1 Ağustos 2024'te yürürlüğe girdi ve hükümleri aşamalı biçimde uygulanmaya başladı; Avrupa Komisyonu'nun güncel uygulama takviminde bazı hükümler için 2025, 2026, 2027 ve 2028 tarihleri bulunuyor [7].

Bu nedenle AB pazarında faaliyet gösteren veya düzenlemenin kapsamına girebilecek şirketlerde uyumluluk analizi ayrı bir iş paketi olabilir.

Aynı şekilde kişisel verilerin işlendiği projelerde uygulanabilir veri koruma yükümlülükleri proje tasarımında ayrıca değerlendirilmelidir.

ROI hesabının amacı bu gereklilikleri “ekstra yük” olarak görmek değil, sistemi yasal ve sürdürülebilir biçimde işletmenin gerçek maliyetini ortaya koymaktır.

AI projesi hangi durumlarda durdurulmalı?

Bir projeye yatırım yapılmış olması devam etmek için tek başına gerekçe değildir.

Aşağıdaki koşullar proje kapsamının yeniden değerlendirilmesini gerektirebilir:

• doğruluk seviyesi iş sürecinin gereksinimini karşılamıyorsa,
• insan kontrolü otomasyon kazancını ortadan kaldırıyorsa,
• ölçeklendikçe işlem başına maliyet kabul edilemez hale geliyorsa,
• kullanıcılar sistemi benimsemiyorsa,
• gerekli verinin kalitesi sürdürülemiyorsa,
• güvenlik veya hukuki riskler kabul edilebilir seviyeye indirilemiyorsa,
• alternatif klasik otomasyon yöntemi aynı problemi daha düşük maliyetle çözüyorsa,
• ölçülebilir iş değeri ortaya çıkmıyorsa.

Burada önemli nokta “AI kullanmak” ile “iş problemini çözmek” arasındaki farktır.

Bazı süreçlerde LLM veya makine öğrenmesi yerine kurallı yazılım, RPA, SQL sorguları, arama motoru veya mevcut kurumsal yazılımdaki bir özellik daha ekonomik olabilir.

Yapay zekâ yatırım kararı için kontrol listesi

Bir AI yatırımını onaylamadan veya ölçeklemeden önce aşağıdaki sorular cevaplanabilmelidir:

• Çözülecek iş problemi açık biçimde tanımlandı mı?
• AI kullanılmadan önceki baseline ölçüldü mü?
• Başarı için en az bir finansal KPI belirlendi mi?
• Kalite ve hata metrikleri tanımlandı mı?
• İlk geliştirme maliyeti hesaplandı mı?
• Entegrasyon maliyetleri dahil edildi mi?
• Model/API ve altyapı maliyetleri kullanım hacmine göre modellendi mi?
• Veri hazırlama maliyetleri hesaplandı mı?
• İnsan kontrolü için harcanacak süre maliyetlendirildi mi?
• Güvenlik ve yönetişim maliyetleri dahil edildi mi?
• Bakım ve operasyon giderleri hesaplandı mı?
• Zaman tasarrufunun nasıl ekonomik değere dönüşeceği belirlendi mi?
• Gelir artışında AI etkisini diğer faktörlerden ayıracak yöntem var mı?
• Düşük, baz ve yüksek senaryolar oluşturuldu mu?
• Pilot için durdurma kriterleri tanımlandı mı?
• Ölçeklendirme sonrası TCO ayrıca hesaplandı mı?
• AI yerine daha basit bir otomasyon alternatifi değerlendirildi mi?

Bu soruların önemli bir kısmına yanıt verilemiyorsa ROI hesabı büyük ölçüde varsayımlara dayanıyor olabilir.

Sonuç

Yapay zekâ yatırımının geri dönüşünü hesaplamak, model maliyetini elde edilen zaman tasarrufuyla karşılaştırmaktan daha kapsamlı bir süreçtir.

Sağlıklı bir değerlendirme için önce mevcut iş sürecinin baseline değerleri belirlenmeli, ardından geliştirme, entegrasyon, veri, altyapı, model kullanımı, insan denetimi, güvenlik, yönetişim ve bakım dahil toplam sahip olma maliyeti hesaplanmalıdır.

Fayda tarafında ise zaman tasarrufu ile gerçek maliyet tasarrufu birbirinden ayrılmalı; gelir artışı, kapasite kazanımı, hata azalması ve risk azaltımı mümkün olduğunca ölçülebilir göstergelere bağlanmalıdır.

Son karar yalnızca “ROI pozitif mi?” sorusuna dayanmamalıdır. Kalite, risk, kullanıcı benimsemesi, ölçeklenebilirlik ve alternatif çözüm maliyetleri de değerlendirilmelidir.

Bu yaklaşım, yapay zekâ yatırımını bir teknoloji satın alma kararından çıkarıp ölçülebilir bir iş yatırımı haline getirir.

Sık Sorulan Sorular

Yapay zekâ ROI'si nasıl hesaplanır?

En temel hesaplama, AI yatırımından elde edilen finansal faydadan toplam yatırım maliyetinin çıkarılması ve sonucun toplam yatırım maliyetine bölünmesidir. Sağlıklı sonuç için geliştirme, altyapı, veri, entegrasyon, bakım ve insan denetimi gibi maliyetlerin tamamı dikkate alınmalıdır.

AI ile kazanılan zaman doğrudan maliyet tasarrufu sayılır mı?

Her zaman değil. Çalışanların kazandığı zaman kapasite artışı yaratabilir ancak maaş giderini otomatik olarak azaltmaz. Zamanın fazla mesaiyi, dış kaynak kullanımını veya yeni işe alım ihtiyacını azaltması gibi ekonomik bir sonuca dönüşüp dönüşmediği ayrıca değerlendirilmelidir.

Bir AI projesinin toplam maliyetine neler dahil edilmelidir?

Model/API kullanımı, altyapı, yazılım geliştirme, entegrasyon, veri hazırlama, güvenlik, yönetişim, eğitim, insan denetimi, bakım ve operasyon maliyetleri proje kapsamına göre TCO hesabına dahil edilmelidir.

Yapay zekâ projesinde ROI ne zaman ölçülmeli?

Baseline proje başlamadan önce oluşturulmalı; pilot sırasında operasyonel göstergeler izlenmeli ve pilot sonunda ekonomik sonuç değerlendirilmelidir. Sistem ölçeklendikten sonra kullanım hacmi ve maliyet yapısı değişebileceği için ROI yeniden hesaplanmalıdır.

Yüksek ROI bir AI projesinin başarılı olduğunu gösterir mi?

Tek başına göstermez. Finansal getirinin yanında doğruluk, hata oranı, güvenlik, insan müdahalesi, kullanıcı benimsemesi ve hukuki gereksinimler de değerlendirilmelidir.

Yapay zekâ yerine klasik otomasyon kullanmak daha mantıklı olabilir mi?

Evet. Problem deterministik kurallarla güvenilir biçimde çözülebiliyorsa klasik yazılım veya süreç otomasyonu daha düşük maliyetli ve öngörülebilir olabilir. AI seçimi, iş probleminin gerçekten AI gerektirip gerektirmediği değerlendirilerek yapılmalıdır.

Pilot projedeki ROI şirket geneline uygulanabilir mi?

Doğrudan uygulanmamalıdır. Kullanıcı ve işlem hacmi arttığında altyapı, destek, entegrasyon, güvenlik ve yönetişim maliyetleri değişebilir. Ölçekleme senaryosu için maliyet ve faydalar yeniden modellenmelidir.

Yapay zekâ projesinin geri ödeme süresi nasıl hesaplanır?

Geri ödeme süresi, ilk yatırımın aynı uzunluktaki dönemlerde oluşan net nakit akışlarıyla ne zaman karşılandığını gösterir. Net akışlar düzenliyse ilk yatırım dönemsel net nakit akışına bölünebilir; düzensizse her dönemin net nakit akışı birikimli olarak izlenir ve toplamın ilk yatırımı geçtiği dönem belirlenir. Aylık yatırım tutarını yıllık faydayla bölmek gibi farklı dönemleri karıştırmak yanıltıcıdır.

Kaynaklar

[1] OECD — The Effects of Generative AI on Productivity, Innovation and Entrepreneurship — 2025. Üretken yapay zekânın verimlilik üzerindeki etkisinin görev, kullanıcı deneyimi ve uygulama biçimine göre değişebildiğine; uzun dönemli işletme etkileri konusunda araştırma boşlukları bulunduğuna ilişkin değerlendirmeler için kullanıldı. Erişim tarihi: 27 Eylül 2026. OECD kaynağı

[2] OpenAI / Microsoft Azure — API ve Azure OpenAI fiyatlandırma dokümantasyonu — erişilen güncel sürümler. Model kullanım maliyetlerinin token, kullanım şekli ve dağıtım seçeneği gibi faktörlere göre değişebildiğine ilişkin açıklamalar için kullanıldı. Erişim tarihi: 27 Eylül 2026. OpenAI API Pricing — Azure OpenAI Pricing

[3] National Institute of Standards and Technology (NIST) — Artificial Intelligence Risk Management Framework (AI RMF 1.0), 26 Ocak 2023; Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, 26 Temmuz 2024. AI sistemlerinde yaşam döngüsü boyunca risk yönetimi ve üretken yapay zekâya özgü risklerin değerlendirilmesine ilişkin bölümler için kullanıldı. Erişim tarihi: 27 Eylül 2026. NIST AI RMF 1.0 — NIST Generative AI Profile

[4] International Organization for Standardization (ISO) — ISO/IEC 42001:2023, Information technology — Artificial intelligence — Management system — Aralık 2023. Kuruluşlarda yapay zekâ yönetim sistemlerinin kurulması, uygulanması, sürdürülmesi ve sürekli iyileştirilmesine ilişkin açıklamalar için kullanıldı. Erişim tarihi: 27 Eylül 2026. ISO/IEC 42001:2023

[5] FinOps Foundation — FinOps for AI. Yapay zekâ maliyetlerinin ayrıştırılması, tahmin edilmesi, kullanım ve iş değeriyle ilişkilendirilmesi konusundaki değerlendirmeler için kullanıldı. Erişim tarihi: 27 Eylül 2026. FinOps for AI

[6] André, Christophe; Bétin, Manuel; Gal, Peter; Peltier, Paul — OECD, “Developments in Artificial Intelligence Markets: New Indicators Based on Model Characteristics, Prices and Providers”, OECD Artificial Intelligence Papers No. 37, 17 Haziran 2025. Üretken yapay zekâ pazarında model seçenekleri, fiyatlar ve kalite ayarlı fiyatların zaman içinde değişmesine ilişkin değerlendirmeler için kullanıldı. Erişim tarihi: 27 Eylül 2026. OECD AI Markets araştırması

[7] European Commission — AI Act / Regulatory Framework for Artificial Intelligence — güncel uygulama takvimi. AB Yapay Zekâ Tüzüğü'nün yürürlüğe giriş tarihi ve yükümlülüklerin aşamalı uygulama takvimine ilişkin bilgiler için kullanıldı. Erişim tarihi: 27 Eylül 2026. European Commission AI Act