Bu yazı, Dr. Eng. Samir Lotfi Ali tarafından hazırlanan “Decision-Making Driven Design (DMDD): Foundational Architecture for Enterprise Decision Intelligence” başlıklı working paper üzerinden hazırlanmıştır. Metin, işletme mimarisi, karar zekâsı, yapay zekâ yönetişimi, ERP sistemleri, kurumsal hafıza ve insan-yapay zekâ iş birliği alanlarını bir araya getirir.

Çalışma, klasik anlamda deneysel sonuçlar sunan bir makale değildir. Daha çok “design science” yani tasarım bilimi yaklaşımıyla önerilmiş bir mimari çerçevedir. Bu nedenle yazı, belirli bir yazılım ürünü, ERP çözümü veya yapay zekâ sistemi için uygulama tavsiyesi olarak okunmamalıdır. Amaç, akademik metnin ana fikrini Verianla okuyucusu için sade, özgün ve tarafsız Türkçe editoryal içeriğe dönüştürmektir.

Makalenin temel iddiası şudur: Kurumlar daha fazla veri, daha fazla rapor ve daha güçlü yapay zekâ modeli kullanmasına rağmen daha iyi kararlar almakta zorlanıyorsa, sorun yalnızca teknoloji eksikliği değildir. Asıl sorun, mevcut kurumsal sistemlerin kararları yönetmek için değil, işlemleri kaydetmek ve yürütmek için tasarlanmış olmasıdır.

Şirketler bugün her zamankinden daha fazla veri üretiyor. ERP sistemleri işlemleri kaydediyor, raporlama araçları performansı gösteriyor, yapay zekâ modelleri tahmin ve öneriler üretiyor. Buna rağmen birçok kurum hâlâ şu temel sorulara net cevap veremiyor: Bu karar neden alındı? Hangi alternatifler değerlendirildi? Hangi varsayımlar kullanıldı? Karar yanlış çıktıysa kurum bundan ne öğrendi?

DMDD, yani Decision-Making Driven Design, bu soruna karar merkezli bir işletme mimarisiyle yanıt vermeyi önerir. Çerçeveye göre kurumların asıl hedefi yalnızca işlem hızını artırmak değil, karar kalitesini, karar izlenebilirliğini ve kurumsal öğrenmeyi güçlendirmek olmalıdır.

Çalışma dört ana yapı önerir. Enterprise Decision Twin, kurumun karar ortamının yaşayan bilişsel kopyasıdır. SDOF Cycle, Scan, Dig, Optimise ve Foresee aşamalarından oluşan sürekli karar zekâsı döngüsüdür. NIUA, bu karar zekâsını yedi katmanlı bir mimaride çalıştırır. Decision Black Box ise kararların yalnızca sonucunu değil; gerekçesini, alternatiflerini, tahminlerini, insan müdahalelerini ve sonuçlarını saklayan kurumsal hafıza katmanıdır.

Makalenin ana mesajı güçlüdür: Daha güçlü yapay zekâ modelleri, yanlış mimari üzerine kurulduğunda kurumsal hataları daha hızlı büyütebilir. Gerçek ihtiyaç, yapay zekâya daha fazla yetki vermek değil; kararların nasıl oluştuğunu, nasıl doğrulandığını, kim tarafından onaylandığını ve kurumun bu kararlardan nasıl öğrendiğini yöneten bir mimari kurmaktır.

Problem Ne?

Modern kurumların çoğu ERP, CRM, muhasebe, tedarik zinciri, üretim, insan kaynakları ve raporlama sistemleri üzerine kuruludur. Bu sistemler işlem kaydetmekte çok başarılıdır. Sipariş girilir, fatura kesilir, stok hareketi oluşur, ödeme yapılır, üretim emri açılır, rapor alınır. Bu dünya, işlem merkezli mimarinin dünyasıdır.

Fakat karar almak, işlem kaydetmekten farklıdır. Karar; belirsizlik, eksik bilgi, çelişkili sinyaller, paydaş çıkarları, riskler, alternatifler ve gelecek tahminleri içerir. Bir şirket tedarikçisini değiştirecekse, yeni pazara girecekse, fiyat politikasını güncelleyecekse, üretimi durduracaksa veya yapay zekâ önerisine güvenecekse, yalnızca geçmiş işlem kayıtları yeterli değildir.

Makale, mevcut sistemlerin bu noktada yetersiz kaldığını savunur. Çünkü ERP sistemleri çoğu zaman “ne oldu?” sorusunu cevaplar. Oysa karar zekâsı “ne oluyor, ne olabilir, hangi alternatifler var, ne seçilmeli ve kurum bu seçimden ne öğrenmeli?” sorularına ihtiyaç duyar.

Çalışma bu açığı “enterprise intelligence gap” yani kurumsal zekâ açığı olarak tanımlar. Bu açık, kurumun sahip olduğu veri miktarı ile bu veriden üretebildiği karar kalitesi arasındaki mesafedir. Kurum çok fazla veri toplayabilir; fakat kararın gerekçesini, bağlamını, alternatiflerini ve sonucunu sistematik biçimde saklamıyorsa, aynı hatalar tekrar eder.

Bu sorun özellikle yapay zekâ çağında daha kritiktir. Çünkü yapay zekâ, zayıf yönetişim mimarisi üzerine eklendiğinde yalnızca daha fazla öneri üretmez; yanlış, eksik veya bağlam dışı girdilerle daha büyük karar hataları da üretebilir.

Yöntem Ne Öneriyor?

Makale, design science research yaklaşımını kullanır. Yani çalışma bir problemi tanımlar, bu probleme karşı mimari bir çözüm artefaktı önerir ve bu çözümün hangi tasarım ilkelerine dayanması gerektiğini açıklar.

DMDD’nin önerdiği ana yaklaşım, işletme sistemlerini işlem merkezli olmaktan çıkarıp karar merkezli hale getirmektir. Bu, ERP sistemlerini tamamen değiştirmek anlamına gelmez. Çalışma, ERP’nin yürütme ve kayıt işlevini korur; fakat ERP’nin üzerine veya yanında karar zekâsını yöneten ayrı bir bilişsel katman önerir.

Bu yaklaşım beş tasarım ilkesine dayanır:

1. Karar merkezlilik: Sistemin birincil hedefi işlem hızı değil, karar kalitesi olmalıdır.

2. İşlem öncesi zekâ: Zekâ ve yönetişim, işlem tamamlandıktan sonra değil, karar oluşmadan önce devreye girmelidir.

3. Bileşik öğrenme: Her karar döngüsü, sonraki kararlar için kurumsal hafızayı güçlendirmelidir.

4. Devredilemez insan önceliği: Kritik kararlarda insan yetkisi sistem tarafından devre dışı bırakılamayan yapısal bir kural olmalıdır.

5. Epistemik geçerlilik: Verinin doğru olması tek başına yetmez. Veri, ilgili karar bağlamı için anlamlı, kapsamlı ve akıl yürütmeye uygun olmalıdır.

Bu ilkeler, kurumun karar alma sistemini yalnızca veri toplayan veya öneri üreten bir araç olmaktan çıkarıp, kararları yöneten, kaydeden ve öğrenen bir mimariye dönüştürmeyi amaçlar.

Formüller Ne Anlatıyor?

PDF’te klasik matematiksel regresyon formülü veya istatistiksel model bulunmamaktadır. Ancak çalışma, karar kalitesi ve insan-yapay zekâ iş birliği için bazı ölçülebilir boyutlar ve eşik mantıkları sunar. Aşağıdaki MathJax blokları, makaledeki kavramsal yapıyı CMS içinde okunabilir hale getirmek için hazırlanmıştır.

Bu gösterim, çalışmanın karar kalitesini ölçmek için önerdiği dört boyutu sadeleştirir. Karar kalitesi; karar izlenebilirliği, girdilerin epistemik geçerliliği, hatalı varsayımın ne kadar hızlı fark edildiği ve geçmiş karar hafızasının ne kadar yeniden kullanıldığıyla ilişkilidir.

Bu ifade, DMDD’nin sürekli karar zekâsı döngüsünü özetler. Scan aşaması çevresel sinyalleri tarar. Dig aşaması kurumsal hafızadan benzer kararları ve geçmiş örüntüleri çıkarır. Optimise aşaması alternatifleri ve ödünleşimleri değerlendirir. Foresee aşaması ise gelecekteki olası durumları ve erken uyarı sorgularını üretir.

Bu eşik yapısı, makaledeki insan-yapay zekâ iş birliği modlarını açıklar. Güven skoru düşükse insan tüm kararı verir, yapay zekâ yalnızca analiz desteği sağlar. Orta düzey güven skorunda insan ve yapay zekâ birlikte çalışır. Yüksek güven skorunda ise yapay zekâ belirlenmiş sınırlar içinde daha fazla otomasyon kullanabilir; ancak kritik ve yüksek riskli alanlarda bu mod tamamen dışlanabilir.

VIVO, “Valid In, Valid Out” anlamına gelir. Yani sisteme giren sinyal karar bağlamı için geçerli değilse, sistemin üreteceği karar çıktısı da güvenilir olamaz. Bu yaklaşım, klasik “garbage in, garbage out” fikrini karar zekâsı mimarisi için daha güçlü bir ilkeye dönüştürür.

Bu kavramsal gösterim, Decision Black Box mantığını özetler. Her kararın bağlamı, gerekçesi, tahmini, sonucu ve insan müdahalesi kurumsal hafızaya eklenirse, bir sonraki karar daha zengin bir bilgi tabanıyla başlar. Böylece öğrenme kişilere bağlı bir kültür beklentisi olmaktan çıkar, mimarinin yapısal özelliği haline gelir.

Grafik, Tablo ve Şema Ana Mesajı

PDF’in 2. ve 3. sayfalarındaki Tablo 1, işletmelerde görülen karar başarısızlıklarını listeler. Burada “rigidity paradox”, “organisational amnesia”, “epistemic rupture”, “shadow system proliferation”, “deterministic error propagation” ve “compound AI risk” gibi arıza modları öne çıkar. Ana mesaj şudur: Bu hatalar tekil kullanıcı hatası değil, işlem merkezli mimarinin yapısal sonuçlarıdır.

PDF’in 5. sayfasındaki Tablo 2, DMDD’nin beş tasarım ilkesini ve bunların mimari sonuçlarını gösterir. Bu tablo, çalışmanın “daha fazla yapay zekâ” değil, “daha doğru karar mimarisi” önerdiğini açıkça ortaya koyar.

PDF’in 6. ve 7. sayfalarındaki Tablo 3, sekiz adımlı rasyonel karar sürecini verir. Pattern Detection, Feasibility Assessment, Objective Function Definition, Multi-Scenario Generation, Knowledge Retrieval, Human Synthesis & Validation, Implementation Tracking ve Mass-Scale Learning adımları, kararın ham sinyalden kurumsal öğrenmeye nasıl dönüştüğünü gösterir.

PDF’in 8. sayfasındaki Tablo 4, Enterprise Decision Twin’in üç katmanlı mimarisini açıklar. İlk katman epistemik rasyonalite, yani kurumsal bilgi tabanıdır. İkinci katman computational rationality, yani analiz ve akıl yürütme katmanıdır. Üçüncü katman collaborative rationality, yani insanla etkileşim ve karar yönetişimi katmanıdır.

PDF’in 10. ve 11. sayfalarındaki SDOF tablosu, karar zekâsının doğrusal bir iş akışı olmadığını; Scan, Dig, Optimise ve Foresee aşamalarının sürekli dönen bir bilişsel sistem oluşturduğunu anlatır. Bu döngü, her tamamlanan kararın bir sonraki kararın başlangıç bilgisini zenginleştirmesiyle değer üretir.

PDF’in 12. ve 13. sayfalarındaki NIUA tablosu, yedi katmanlı yapıyı gösterir: Data Source Neurons, Unified Data Lake, Feature Engineering, Neuro-Decision Core, Human-in-the-Loop Integration, Action Execution ve Outcome Learning. Bu yapı, karar zekâsını veri girişinden insan onayına, yürütmeden sonuç öğrenmeye kadar bütünsel olarak düzenler.

PDF’in 15. sayfasındaki Decision Black Box tablosu, karar hafızasının hangi unsurları saklaması gerektiğini açıklar: karar bağlamı, alternatifler, reddedilen seçeneklerin gerekçeleri, tahminler, gerçekleşen sonuçlar, informal bağlam ve insan müdahaleleri. Bu tablo, makalenin en önemli pratik mesajlarından birini taşır: Kurumlar sadece ne karar verdiklerini değil, neden karar verdiklerini de saklamalıdır.

Deneyler Nasıl Yapılmış?

Bu çalışma deneysel bir saha araştırması değildir. Yazar, tasarım bilimi yaklaşımıyla kurumsal karar zekâsı için bir mimari artefakt önerir. Makalede belirtilen çerçeve; üretim, finans, lojistik ve sağlık gibi alanlarda gözlenen uygulama problemlerinden, karar teorisi ve organizasyonel hafıza literatüründen beslenir.

Çalışma, şu aşamada “bu mimari şu kurumda şu kadar performans artışı sağladı” şeklinde ampirik kanıt sunmaz. Bunun yerine, kurumsal sistemlerin hangi yapısal eksiklikleri nedeniyle karar kalitesi üretmekte zorlandığını ve DMDD’nin bu eksiklikleri hangi mimari bileşenlerle çözmeyi hedeflediğini açıklar.

Makalenin araştırma gündemi de bu sınırlılığı kabul eder. DMDD serisinin sonraki çalışmalarında mimarinin farklı yönlerinin detaylandırılması, uygulama yollarının belirlenmesi ve ampirik doğrulama yapılması hedeflenmektedir.

Sonuçlar Ne Gösteriyor?

Çalışmanın ilk kavramsal sonucu, kurumsal karar sorununun veri miktarıyla çözülemeyeceğidir. Kurum daha fazla veri toplasa bile, karar bağlamını, varsayımları, alternatifleri ve sonuçları kayıt altına almıyorsa aynı hatalar tekrar edebilir.

İkinci sonuç, ERP sistemlerinin karar zekâsı için yeterli olmadığıdır. ERP, işlemleri kaydetmek ve yürütmek için güçlüdür; fakat kararların neden alındığını, hangi alternatiflerin elendiğini ve hangi öğrenmenin oluştuğunu doğal olarak yönetmez.

Üçüncü sonuç, yapay zekânın tek başına çözüm olmadığıdır. Yapay zekâ modelleri doğru mimari içine alınmadığında, yanlış veriyi daha hızlı işleyebilir, zayıf varsayımları daha güvenli gösterebilir ve kurum içindeki hataları daha geniş ölçekte yayabilir.

Dördüncü sonuç, insan-yapay zekâ iş birliğinin politika beyanı olarak değil, mimari kural olarak kurulması gerektiğidir. Makale, insanı kritik kararların dışına çıkaran sınırsız otomasyon fikrine mesafeli yaklaşır. İnsan otoritesi özellikle yüksek riskli ve karmaşık kararlarda devredilemez bir sınır olmalıdır.

Beşinci sonuç, kurumsal hafızanın teknik mimariye dönüştürülmesi gerektiğidir. Kurumlar çoğu zaman deneyimli yöneticiler ayrıldığında, onların karar gerekçelerini de kaybeder. Decision Black Box, bu bilgiyi kişilerin hafızasından çıkarıp kurumun karar altyapısına yerleştirmeyi hedefler.

Bu Neden Önemli?

Yapay zekâ çağında şirketlerin en büyük riski, yalnızca teknolojiyi geç benimsemek değildir. Daha büyük risk, güçlü yapay zekâyı zayıf karar mimarisi üzerine kurmaktır. Böyle bir durumda kurum daha hızlı rapor üretebilir, daha çok tahmin alabilir ve daha fazla otomasyon kullanabilir; fakat karar kalitesi yine de artmayabilir.

DMDD’nin önemi, yapay zekâ tartışmasını model performansından karar yönetişimine taşımasıdır. Bir modelin doğru cevap üretmesi yetmez. O cevabın hangi bağlamda üretildiği, hangi veriye dayandığı, hangi varsayımları içerdiği, hangi insan tarafından nasıl değerlendirildiği ve sonrasında kurumun bu karardan ne öğrendiği de önemlidir.

Bu yaklaşım özellikle büyük ve karmaşık kurumlar için değerlidir. Üretim, lojistik, finans, sağlık, kamu, sigorta, enerji ve perakende gibi alanlarda kararlar yalnızca tek bir departmanın işi değildir. Bir karar stokları, finansı, müşteri deneyimini, regülasyon uyumunu, çalışanları ve tedarik zincirini aynı anda etkileyebilir. Böyle durumlarda kararın izlenebilir ve öğrenilebilir olması kritik hale gelir.

Verianla açısından bu çalışma, yapay zekâ ve kurumsal dönüşüm tartışmalarında önemli bir ayrımı görünür kılar: Akıllı kurum, sadece çok veri toplayan veya yapay zekâ kullanan kurum değildir. Akıllı kurum, kararlarının nedenini bilen, sonuçlarından öğrenen ve bu öğrenmeyi mimari olarak biriktiren kurumdur.

Dikkat Noktaları

Bu çalışmanın bazı önemli sınırlılıkları vardır.

İlk olarak, makale ampirik doğrulama sunmaz. DMDD mimarisi teorik ve tasarım bilimi temelli bir öneridir. Gerçek işletme ortamlarında performans etkisinin ölçülmesi sonraki araştırmalara bırakılmıştır.

İkinci olarak, çalışma teknik uygulama detaylarını tam olarak vermez. Algoritma seçimi, ERP entegrasyonu, veri mimarisi, yazılım altyapısı ve kurulum yöntemi gibi ayrıntılar bu working paper’ın kapsamı dışındadır.

Üçüncü olarak, DMDD her kurum için gerekli olmayabilir. Düşük belirsizlik ortamında çalışan, karar karmaşıklığı az olan veya çok erken aşamadaki küçük işletmeler için tam NIUA mimarisi ağır ve gereksiz olabilir.

Dördüncü olarak, güçlü veri yönetişimi olmayan kurumlarda DMDD doğrudan çalışmayabilir. Eğer veri kalitesi, master data yönetimi, karar sorumluluğu ve temel yönetişim kültürü zayıfsa, karar zekâsı mimarisi önce hazırlık aşaması gerektirir.

Beşinci olarak, milisaniyelik hız gerektiren bazı alanlarda insan-onaylı karar sentezi uygun olmayabilir. Örneğin yüksek frekanslı işlem, gerçek zamanlı proses kontrolü veya acil müdahale sistemlerinde gecikme toleransı çok düşüktür. Bu tür alanlarda DMDD’nin insan merkezli yönetişim sınırı dikkatle değerlendirilmelidir.

Sonuç

Decision-Making Driven Design çalışması, işletme sistemleri ve yapay zekâ tartışmalarına güçlü bir mimari soru ekliyor: Kurumlar işlemleri çok iyi kaydediyor olabilir, yapay zekâ modelleri güçlü çıktılar üretebilir; fakat kararların oluşumunu, gerekçesini, insan müdahalesini ve öğrenme döngüsünü kim yönetiyor?

DMDD’nin yanıtı, karar merkezli bir mimaridir. Enterprise Decision Twin kurumun karar ortamını modelleyen bilişsel katman olarak çalışır. SDOF döngüsü sürekli tarama, derinlemesine analiz, optimizasyon ve öngörü üretir. NIUA bu işleyişi yedi katmanlı bir mimariye taşır. Decision Black Box ise karar gerekçelerini kalıcı kurumsal hafızaya dönüştürür.

Makalenin en önemli katkısı, yapay zekâ çağında karar kalitesinin yalnızca model gücüyle değil, mimari yönetişimle ilişkili olduğunu göstermesidir. Güçlü model, zayıf mimari içinde kurumsal hataları büyütebilir. Güçlü mimari ise insan ve yapay zekâ iş birliğini izlenebilir, açıklanabilir ve öğrenebilir hale getirebilir.

Verianla okuyucusu için ana mesaj şudur: Geleceğin kurumsal zekâsı, sadece daha fazla veri veya daha büyük yapay zekâ modeliyle kurulmayacak. Asıl farkı, kararları yöneten, hatalardan öğrenen ve kurumsal hafızayı canlı tutan mimariler yaratacak.

Kaynak ve Yöntem Notu

Bu yazı, Dr. Eng. Samir Lotfi Ali’nin “Decision-Making Driven Design (DMDD): Foundational Architecture for Enterprise Decision Intelligence” başlıklı Mayıs 2026 tarihli working paper metnine dayalı olarak hazırlanmıştır. İçerik birebir çeviri değildir; çalışmanın ana problemi, mimari önerisi, tabloları, kavramsal yapıları ve sınırlılıkları Verianla yayın çizgisine uygun şekilde sadeleştirilmiş ve özgün Türkçe editoryal makaleye dönüştürülmüştür.

Metinde ERP, yapay zekâ, karar zekâsı, kurumsal hafıza, insan-yapay zekâ iş birliği ve işletme mimarisi konuları ele alınmaktadır. Bu içerik yazılım mimarisi, ERP seçimi, yapay zekâ ürünü veya kurumsal dönüşüm danışmanlığı tavsiyesi değildir. Somut uygulamalar için kurumun veri olgunluğu, iş süreçleri, regülasyon koşulları, teknik altyapısı ve bağımsız uzman değerlendirmesi dikkate alınmalıdır.