Bu çalışma, kurumsal yapay zekâ hazırlığının teknoloji, veri ve yönetişim gibi ayrı alanların puanlarının ortalamasıyla ölçülmesine karşı çıkarak hazırlığı süreç, veri ve benimsemenin birlikte çalışmasına dayanan bir tamamlayıcılık modeliyle incelemektedir. Araştırmacı, sınırlı ikameye sahip sabit ikame esnekliği modeli, bütçeli yatırım problemi, iki matematiksel önerme, sayısal bir yatırım örneği ve sentetik veri kalibrasyonu kullanmıştır. Modelin temel sonucu, gerçekleşen yapay zekâ değerinin ortalama yeterlilikten çok en zayıf bileşen tarafından sınırlandırılabileceği ve çıkarım maliyetleri düştükçe en uygun yatırım bileşiminin örgütsel benimsemeye doğru kayabileceğidir. Ancak çalışma gerçek işletme verisine dayanmayan, birincil tahmini sonraki araştırmaya bırakan hakemlik öncesi bir kuramsal çalışma raporudur.

Model üç ayrı ancak birbirini tamamlayan bileşen tanımlamaktadır. Süreç, yapay zekânın iş akışına yerleştirilebilmesi için görevin nasıl tasarlandığını; veri, bu iş akışının ürettiği ve kullandığı bilgi altyapısını; benimseme ise çalışanların ve yöneticilerin sistemi gerçek kararlarda sürekli kullanabilme kapasitesini temsil etmektedir. Benimseme kapasitesi ayrıca iş akışına entegrasyon, karar sorumluluğu, davranışsal kullanım, teşvik uyumu ve yönetişim sürekliliği olmak üzere beş gözlenebilir boyuta ayrılmıştır.

Çalışmadaki sayısal örnekte süreç ve veri düzeyleri 0,80, benimseme düzeyi ise 0,30’dur. Toplamsal hazırlık endeksi işletmeyi 0,63 düzeyinde, başka bir ifadeyle yaklaşık üçte iki oranında hazır göstermektedir. En zayıf bileşenin değeri sınırladığı Leontief biçiminde gerçekleşen değer yalnızca 0,30’dur. Toplam 0,30 birimlik ek yatırım üç bileşene eşit dağıtıldığında gerçekleşen değer 0,40’a, yatırımın tamamı darboğaz oluşturan benimsemeye ayrıldığında ise 0,60’a çıkmaktadır. Her iki seçenek toplamsal endeksi aynı biçimde 0,73’e yükseltmesine rağmen ikinci stratejinin modeldeki gerçekleşen değeri birinci stratejiden yüzde 50 daha yüksektir.

Araştırmacı ayrıca model erişimi ve çıkarım gibi teknoloji yoğun maliyetler düştükçe işletmelerin hazırlık bütçesi içinde benimsemeye ayrılan en uygun payın artacağını öne sürmektedir. Bu sonuç, süreç ve veri yatırımlarının tamamen maliyetsiz hâle geleceği anlamına gelmemektedir. Entegrasyon, güvenilirlik, güvenlik, veri mühendisliği ve süreç tasarımı gibi örgütsel emek maliyetleri devam etmektedir. Modeldeki kayma, yalnızca dışarıdan sağlanan model ve altyapı kapasitesinin örgütsel değişimden daha hızlı ucuzlaması varsayımına dayanmaktadır.

Türkiye açısından: Model, Türkiye’de kurumsal yapay zekâ yatırımı yapan işletmelerin ve kamu kurumlarının yalnızca model erişimi, bulut altyapısı veya veri platformu puanlarına bakmak yerine gerçek iş akışı kullanımı, karar sahipliği, çalışanların sürekli kullanımı ve yönetişim dayanıklılığını birlikte ölçmesi için araştırılabilir bir çerçeve sunmaktadır. Türkiye’de uygulanmadan önce süreç, veri ve benimseme göstergeleri yerel işletme yapısına göre tanımlanmalı; aynı teknoloji altyapısını kullanan farklı birimler veya kullanım senaryoları zaman içinde izlenmeli; yapay zekâ öncesi benimseme kapasitesi değer gerçekleşmeden önce ölçülmeli ve sektör, işletme büyüklüğü, mevzuat ile veri olgunluğu denetlenmelidir. Çalışmadan Türkiye’de benimsemenin her işletmede en büyük engel olduğu, belirli bir yatırım oranının en uygun olduğu veya benimsemeye ayrılan bütçenin kesin bir mali getiri sağlayacağı sonucu çıkarılamaz.

Araştırmanın temel sorusu nedir?

Araştırmanın temel sorusu, kurumsal yapay zekâ hazırlığının birbirinden bağımsız yeterliliklerin ortalaması olarak mı, yoksa birlikte çalışmak zorunda olan tamamlayıcı bileşenlerin oluşturduğu bir sistem olarak mı ölçülmesi gerektiğidir.

Yaygın hazırlık değerlendirmeleri veri kalitesi, platform olgunluğu, model erişimi, yetenek, güvenlik ve yönetişim gibi alanlara ayrı puanlar verir. Bu puanlar ortak bir ölçeğe dönüştürülür ve ortalaması alınır. Böyle bir endeks, bir alandaki yüksek puanın başka bir alandaki düşük puanı telafi edebileceğini varsayar.

Çalışma bu varsayımın işletme içindeki gerçek yapay zekâ değerini yanlış temsil edebileceğini savunmaktadır. Güçlü veri platformuna ve gelişmiş modellere sahip bir işletme, çalışanlar sistemi gerçek iş akışında kullanmıyor, karar sorumluluğu belirlenmemiş veya süreç yeniden tasarlanmamışsa beklenen değeri elde edemeyebilir. Yüksek teknoloji puanı düşük benimseme puanını matematiksel ortalamada telafi ederken üretim ortamındaki darboğazı ortadan kaldırmamaktadır.

Çalışma neden önemlidir?

Ölçüm biçimi yatırım kararlarını etkilediği için hazırlığın yanlış ölçülmesi yalnızca raporlama sorunu değildir. Bir işletme hangi bileşende eksik olduğunu yanlış belirlerse bütçesini asıl darboğaz yerine görünür, kolay satın alınabilen veya hızlı puan artıran alanlara yöneltebilir.

Araştırmacıya göre teknoloji ve veri altyapısı; sağlayıcı sözleşmeleri, bulut hizmetleri, model erişimi ve yazılım satın alımları üzerinden kolayca görünür hâle gelir. Benimseme ise iş süreçlerinin değiştirilmesini, karar yetkisinin belirlenmesini, davranışın kalıcı biçimde dönüşmesini ve yönetişim mekanizmalarının çalışmasını gerektirir. Bu çalışmalar daha yavaş ilerleyebilir ve tek bir tedarikçiden hazır olarak satın alınamaz.

Çalışmanın katkısı, “insanlar sistemi kullanmalı” biçimindeki genel yönetim önerisini matematiksel bir yatırım problemine dönüştürmesidir. Model, en düşük bileşenin değer üretimini sınırladığı koşullarda hangi yatırımın daha yüksek marjinal katkı sağladığını göstermeye çalışmaktadır.

Literatürde hangi boşluk hedeflenmiştir?

Çalışma, kurumsal yapay zekâ hazırlık endekslerinin çoğunun toplamsal veya ortalamaya dayalı olduğunu ve bileşenler arasındaki tamamlayıcılığı yatırım tahsisine doğrudan bağlamadığını ileri sürmektedir. Araştırmacı bu boşluğu üç adımla hedeflemektedir:

1. Hazırlığı süreç, veri ve benimsemeden oluşan tamamlayıcı bir üretim sistemi olarak tanımlamak.
2. Sınırlı bütçenin üç bileşen arasında nasıl dağıtılacağını açık bir optimizasyon problemiyle göstermek.
3. Benimseme darboğazı iddiasını gelecekte gerçek işletme veya kullanım senaryosu verileriyle yanlışlanabilir hâle getiren bir ampirik tasarım önermek.

Çalışma kendi katkısını “kuram ve ampirik tasarım” olarak sınırlandırmaktadır. Gerçek işletmelerden bir veri seti kurmak, model katsayılarını tahmin etmek ve nedensel ilişkiyi sınamak sonraki araştırmaya bırakılmıştır.

Modelde süreç, veri ve benimseme ne anlama gelmektedir?

Araştırmacı süreç ile benimsemeyi özellikle birbirinden ayırmaktadır. Yeni iş akışını çizmek ve sistemi akışa yerleştirmek süreç tasarımıdır. Çalışanların yeni akışa göre her gün çalışması, yapay zekâ çıktısını kararlarına katması ve kullanımın pilot dönemden sonra devam etmesi ise benimsemedir.

“İş akışı yeniden tasarımı” iki bileşene de dokunabilir. Yeni haritanın oluşturulması süreç faaliyetidir; insanların tasarlanan biçimde çalışması benimseme faaliyetidir. Bu ayrım, inşa aşaması ile işletme aşamasını farklı girdiler olarak modellemeyi sağlar.

Benimseme kapasitesi hangi boyutlardan oluşmaktadır?

Çalışma bu beş boyutun tek bir örgütsel sermaye faktörünün göstergeleri olabileceğini öne sürmektedir. Bunun ampirik olarak doğrulanması gerekir. Boyutlar birbiriyle ilişkili çıkmazsa benimsemenin tek bir endekste toplanması uygun olmayabilir ve her boyutun ayrı bir darboğaz olarak modellenmesi gerekebilir.

Gerçekleşen değer nasıl modellenmiştir?

Kurumsal yapay zekâdan gerçekleşen değer, üç bileşenin ortak fonksiyonu olarak tanımlanmıştır:

\[ V=f(P,D,A) \]

• \(V\), gerçekleşen yapay zekâ değerini temsil eder.
• \(P\), süreç yeterlilik düzeyidir.
• \(D\), veri yeterlilik düzeyidir.
• \(A\), benimseme kapasitesi düzeyidir.

Bu değişkenler çalışmada doğrudan para veya fiziksel birimle ölçülmemiş, normalize edilmiş kapasite düzeyleri olarak ele alınmıştır. Gelecekteki ampirik uygulamada \(V\); verimlilik artışı, maliyet azalması, gelir katkısı veya çevrim süresi azalması gibi ölçülerle temsil edilebilir.

Toplamsal yaklaşım değerin \(P+D+A\) ile orantılı olduğunu kabul eder. Bu durumda bir bileşenin etkisi diğer bileşenlerin düzeyinden bağımsızdır ve bileşenler arasındaki çapraz türevler sıfırdır. Çalışmanın önerdiği tamamlayıcılık yaklaşımında ise bir bileşenin katkısı diğerlerinin durumuna bağlıdır.

Sabit ikame esnekliği modeli neyi anlatmaktadır?

Çalışma, sınırlı ikameyi göstermek için sabit ikame esnekliği biçimini kullanmıştır:

\[ V= \left[ (\alpha P)^{\rho} + (\beta D)^{\rho} + (\gamma A)^{\rho} \right]^{1/\rho}, \qquad \rho<0 \]

• \(\alpha\), süreç bileşeninin ekonomik veya operasyonel ağırlığıdır.
• \(\beta\), veri bileşeninin ağırlığıdır.
• \(\gamma\), benimseme bileşeninin ağırlığıdır.
• \(\rho\), bileşenlerin birbirinin yerini ne ölçüde alabileceğini belirleyen parametredir.
• \(\sigma=1/(1-\rho)\), ikame esnekliğidir.

\(\rho<0\) olduğunda \(\sigma<1\) olur. Bu koşul, süreç, veri ve benimsemenin birbirinin yerini kolayca alamadığını ifade eder. İşletme çok yüksek veri puanıyla çok düşük benimseme kapasitesini tamamen telafi edemez.

\(\rho\) sıfıra yaklaştığında model Cobb–Douglas biçimine, eksi sonsuza yaklaştığında ise en zayıf bileşenin değeri belirlediği Leontief sınırına yaklaşır:

\[ V=\min\{\alpha P,\beta D,\gamma A\} \]

Leontief biçiminde gerçekleşen değer, ağırlıklarla ölçeklendirilmiş üç bileşenden en küçüğüne eşittir. En düşük bileşen yükseltilmeden diğer iki bileşene yapılan ek yatırım gerçekleşen değeri artırmaz.

Tamamlayıcılık ile sınırlı ikame arasındaki fark nedir?

Çalışma, tamamlayıcılık ve en zayıf bileşenin daha yüksek marjinal getiri sağlaması arasında ayrım yapmaktadır. Matematiksel olarak süpermodülerlik, bir bileşenin marjinal katkısının diğer bileşenler güçlendikçe artması anlamına gelir. Araştırmacının ek kanıtına göre kullanılan CES fonksiyonunun çapraz türevleri \(\rho<1\) olduğunda pozitiftir.

Ancak süpermodülerlik tek başına hangi bileşene yatırım yapılması gerektiğini sıralamaz. “En düşük bileşen en yüksek marjinal ürüne sahiptir” sonucunu veren ek varsayım, ikame esnekliğinin birden küçük olmasıdır. Çalışmanın darboğaz sonucu bu daha güçlü koşula dayanmaktadır.

Yatırım problemi nasıl kurulmuştur?

İşletmenin başlangıç kapasite düzeyleri \(P_0\), \(D_0\) ve \(A_0\) olarak tanımlanmıştır. İşletme süreç, veri ve benimseme için sırasıyla \(I_P\), \(I_D\) ve \(I_A\) yatırımlarını seçmektedir:

\[ P=P_0+g_P(I_P),\qquad D=D_0+g_D(I_D),\qquad A=A_0+g_A(I_A) \]

\(g_P\), \(g_D\) ve \(g_A\) artan fakat içbükey fonksiyonlardır. Yatırım yükseldikçe ilgili kapasite artar; ancak aynı bileşene yapılan her ilave yatırımın etkisi azalabilir.

Toplam bütçe kısıtı şöyledir:

\[ c_PI_P+c_DI_D+c_AI_A\leq B \]

• \(c_P\), bir birim süreç yatırımının maliyetidir.
• \(c_D\), bir birim veri yatırımının maliyetidir.
• \(c_A\), bir birim benimseme yatırımının maliyetidir.
• \(B\), toplam hazırlık bütçesidir.

Maliyetler işletmenin tercih ettiği para birimiyle ifade edilebilir. Modelin amacı, bütçe sınırı altında \(V=f(P,D,A)\) değerini en yüksek yapan yatırım bileşimini bulmaktır.

Birinci önerme ne söylemektedir?

Birinci önerme, sınırlı ikame koşulunda en düşük kapasiteye sahip bileşenin en yüksek marjinal yatırım getirisini sağlayabileceğini göstermektedir.

Leontief sınırında darboğaz, \(\alpha P\), \(\beta D\) ve \(\gamma A\) arasındaki en küçük değerdir. Örneğin \(\gamma A\) açık biçimde en küçükse gerçekleşen değer \(\gamma A\)’ya eşittir. Bu bölgede benimsemenin marjinal katkısı pozitiftir; süreç ve verinin marjinal katkısı ise sıfırdır.

Böyle bir durumda süreç veya veri kapasitesini daha da artırmak minimum değeri değiştirmez. Kaynakları benimsemeye yöneltmek ise darboğazı yükseltir. Bu durum, üç ölçeklendirilmiş bileşen birbirine yaklaşıncaya kadar devam eder.

Düzgün CES biçiminde sonuç daha yumuşaktır. Eşit ağırlıklar ve karşılaştırılabilir yatırım maliyetleri altında en düşük düzeydeki bileşenin marjinal ürünü en yüksektir. İkame esnekliği sıfıra yaklaştıkça bileşenler arasındaki bu fark büyür.

Önerme her koşulda “benimsemeye yatırım yapın” dememektedir. Darboğaz veri veya süreç ise yatırım önce o bileşene yönelmelidir. Ayrıca ağırlıkların farklı olması, hangi ham puanın gerçek darboğaz sayılacağını değiştirir.

Sayısal yatırım örneği ne göstermektedir?

Çalışmadaki işletmenin başlangıç düzeyleri şöyledir:

\[ P_0=0{,}80,\qquad D_0=0{,}80,\qquad A_0=0{,}30 \]

Toplamsal hazırlık puanı:

\[ \frac{0{,}80+0{,}80+0{,}30}{3}=0{,}63 \]

Leontief gerçekleşen değeri ise:

\[ \min\{0{,}80,0{,}80,0{,}30\}=0{,}30 \]

İşletmenin eşit birim maliyetlerle toplam 0,30 kapasite artışı satın alabildiği varsayılmıştır:

İki yatırım stratejisi toplamsal endekste aynı ilerlemeyi üretmektedir. Darboğaz modelinde ise benimsemeye odaklanan ikinci strateji 0,60, eşit dağılım 0,40 değer sağlamaktadır. 0,60 değeri 0,40’tan yüzde 50 yüksektir.

Bu sonuç gerçek bir işletmenin mali getirisi değildir. Varsayımsal düzeyler, eşit ağırlıklar, eşit maliyetler ve Leontief değer fonksiyonuyla oluşturulmuş açıklayıcı bir örnektir.

Şekil 1 ne anlatmaktadır?

Şekil 1’in dikey ekseni 0 ile 1 arasındaki kapasite düzeyini göstermektedir. Süreç ve veri sütunları 0,80’e, benimseme sütunu 0,30’a ulaşmaktadır. Gri kesikli çizgi 0,63’lük toplamsal endeksi, kırmızı çizgi 0,30’luk gerçekleşen darboğaz değerini göstermektedir.

Grafiğin ana mesajı, yüksek süreç ve veri puanlarının aritmetik ortalamayı yükseltmesine rağmen en düşük benimseme düzeyini ortadan kaldırmadığıdır. Grafik, gerçek işletmelerin mutlaka aynı oranlarda değer kaybettiğini göstermemektedir; yalnızca modeldeki ölçüm farkını görselleştirmektedir.

Çıkarım maliyetinin düşmesi modele nasıl eklenmiştir?

Araştırmacı, süreç ve veri bileşenlerinin dışarıdan sağlanan teknoloji yoğun maliyetleriyle benimsemenin örgütsel emek maliyetini birbirinden ayırmaktadır. Çıkarım, bulut, model erişimi ve veri platformu sağlama maliyetini ölçekleyen değişken \(\tau\) ile gösterilmiştir:

\[ c_P(\tau)=\tau c_P,\qquad c_D(\tau)=\tau c_D \]

Benimseme maliyeti \(c_A\) ise aynı teknoloji fiyat eğrisinde düşmeyen örgütsel emek maliyeti olarak sabit tutulmuştur. \(\tau\) azaldıkça süreç ve verinin teknoloji sağlama bileşeni ucuzlamaktadır.

Çalışma, süreç ve veri maliyetlerinin tamamının düşeceğini ileri sürmemektedir. Çözüm mühendisliği, süreç tasarımı, entegrasyon ve veri çalışması gibi düşmeyen örgütsel maliyetler \(L_{PD}\) ile ayrıca temsil edilmiştir.

İkinci önerme ne söylemektedir?

İkinci önerme, teknoloji yoğun sağlama maliyetleri düştükçe en uygun hazırlık bütçesi içinde benimsemeye ayrılan payın artacağını göstermektedir.

Ortak bir hedef kapasiteye ulaşmanın süreç ve veri için teknoloji sağlama maliyeti \(T_{PD}\), düşmeyen örgütsel maliyeti \(L_{PD}\), benimseme maliyeti ise \(T_A\) olarak tanımlanmıştır. Toplam maliyet:

\[ C(v;\tau)=\tau T_{PD}(v)+L_{PD}(v)+T_A(v) \]

Benimsemeye ayrılan harcama payı:

\[ s_A(\tau)= \frac{T_A} {T_A+L_{PD}+\tau T_{PD}} \]

\(\tau\) azaldıkça paydanın teknoloji yoğun bölümü küçülür ve \(s_A\) yükselir. Türev negatiftir:

\[ \frac{\partial s_A}{\partial \tau} = -\frac{T_AT_{PD}} {\left(T_A+L_{PD}+\tau T_{PD}\right)^2} <0 \]

Bu eşitsizlik, \(\tau\) yükseldiğinde benimseme payının düştüğünü; başka bir ifadeyle teknoloji maliyeti azaldığında benimseme payının arttığını göstermektedir.

\(\tau\) sıfıra yaklaştığında benimseme payı:

\[ s_A\longrightarrow \frac{T_A}{T_A+L_{PD}} \]

değerine yaklaşır. Süreç ve verinin düşmeyen örgütsel maliyeti yoksa, yani \(L_{PD}=0\) sınır durumunda pay bire yaklaşır. Gerçek işletmelerde süreç ve veri için örgütsel emek gerektiğinden bu uç durumun doğrudan gerçekleşmesi beklenmemelidir.

Şekil 2 ne göstermektedir?

Şekil 2’nin yatay ekseni, soldan sağa doğru 3’ten 0’a düşen çıkarım maliyeti ölçeği \(\tau\)’dur. Dikey eksen en uygun yatırım payını göstermektedir. Mavi benimseme eğrisi yaklaşık 0,50’den 1,00’a yükselirken gri kesikli süreç ve veri eğrisi yaklaşık 0,50’den sıfıra düşmektedir.

Grafik, \(L_{PD}=0\) olan sınır durumu ve örnek işletmenin bütün bileşenlerini 0,90 ortak düzeyine yükseltme hesabı kullanılarak üretilmiştir. Eğriler piyasa veya işletme verilerinden ölçülmemiştir. Grafikte benimseme payının bire yaklaşması, süreç ve veri faaliyetlerinin gerçek hayatta önemsizleşeceği anlamına gelmemektedir.

Araştırmanın yanlışlanabilir temel öngörüsü nedir?

Araştırmacının temel öngörüsü, yapay zekâ modeli ve altyapısına erişim işletmeler arasında daha benzer hâle geldikçe gerçekleşen yapay zekâ değerindeki farklılıkların giderek daha büyük bölümünün örgütsel benimseme kapasitesiyle açıklanacağıdır.

Bu öngörü üç ayrı beklenti üretmektedir:

• Benimseme kapasitesinin gerçekleşen değer üzerindeki koşullu katsayısı pozitif olmalıdır.
• Teknoloji erişimi yaygınlaştıkça benimseme katsayısı zaman içinde büyümelidir.
• Benimsemenin getirisi süreç ve veri kapasitesi güçlü olduğunda daha yüksek olmalıdır.

Bu öngörüler çalışmada gerçek verilerle sınanmamıştır. Araştırmacı bunları sonraki ampirik araştırma için önceden belirlenmiş yanlışlanabilir iddialar olarak sunmaktadır.

Önerilen ilk ampirik model nasıl kurulmuştur?

Gerçekleşen değerin benimseme, teknoloji-veri erişimi ve kontrol değişkenleriyle ilişkisi şu biçimde önerilmiştir:

\[ Value_{it} = \beta_0 +\beta_1 Adoption_{it} +\beta_2 TechData_{it} +\beta_3 X_{it} +\varepsilon_{it} \]

• \(Value_{it}\), \(i\) işletmesinin \(t\) zamanındaki gerçekleşen yapay zekâ değeridir.
• \(Adoption_{it}\), benimsemenin beş boyutundan oluşturulacak kapasite göstergesidir.
• \(TechData_{it}\), teknoloji ve veri erişimi göstergeleridir.
• \(X_{it}\), sektör, işletme büyüklüğü ve benzeri kontrol değişkenleridir.
• \(\varepsilon_{it}\), gözlenmeyen faktörleri içeren hata terimidir.

Ana beklenti \(\beta_1>0\) olmasıdır. Araştırmacı benimseme endeksinin ilk temel bileşen yöntemiyle tek bir skora dönüştürülebileceğini, ancak beş alt boyutun ayrıca incelenmesi gerektiğini belirtmektedir.

Bu doğrusal denklem, kuramsal modelin bileşenleri toplamsal kabul ettiği anlamına gelmemektedir. Önerilen tanımlama stratejisinde süreç ve veri yaklaşık sabit tutularak benimsemenin bu düzeylerdeki marjinal etkisi ölçülmektedir.

Tamamlayıcılık doğrudan nasıl sınanacaktır?

Tamamlayıcılık, benimseme ile süreç ve veri arasındaki etkileşim terimleri kullanılarak doğrudan sınanabilir:

\[ \begin{aligned} Value_{it} =&\ \beta_0 +\beta_1 Adoption_{it} +\beta_2 TechData_{it}\\ &+\beta_3(Adoption\times Process)_{it}\\ &+\beta_4(Adoption\times Data)_{it} +\beta_5X_{it} +\varepsilon_{it} \end{aligned} \]

Modelin tamamlayıcılık öngörüsü:

\[ \beta_3>0,\qquad \beta_4>0 \]

olmasıdır. Pozitif etkileşimler, benimsemenin değer katkısının süreç veya veri daha güçlü olduğunda arttığını gösterecektir. Toplamsal ayrışabilirlik hipotezi ise \(\beta_3=\beta_4=0\) biçimindedir.

Daha güçlü yapısal sınama, CES fonksiyonunun doğrusal olmayan en küçük karelerle tahmin edilmesi ve ikame esnekliğinin \(\sigma<1\) olup olmadığının incelenmesidir. Eşik veya minimum fonksiyonu da alternatif model olarak tahmin edilebilir.

Gerçekleşen değer hangi ölçülerle izlenebilir?

Çalışma, “benimsemeye göre düzeltilmiş yatırım getirisi” ölçüsünden kaçınılmasını önermektedir; çünkü böyle bir ölçü benimsemeyi hem bağımsız değişken hem sonuç hesabının parçası yapabilir. Pilotların üretime geçme oranı da büyük ölçüde benimseme sonucudur ve aynı nedenle temel bağımlı değişken olarak sorun oluşturabilir.

Tanımlama stratejisi neden işletme içi kullanım senaryolarına yönelmektedir?

Aynı işletmedeki farklı yapay zekâ kullanım senaryolarını karşılaştırmak, teknoloji erişimi ve veri platformu olgunluğunun bir bölümünü doğal olarak sabit tutabilir. Bir işletmenin aynı altyapıyı kullanan iki projesinden biri yüksek, diğeri düşük değer üretiyorsa farkın iş akışı entegrasyonu, karar sahipliği veya kullanım davranışıyla ilişkisi daha açık incelenebilir.

İşletmeler arası karşılaştırmada sektör, büyüklük, sermaye, veri kalitesi ve teknoloji sözleşmeleri büyük farklılık gösterebilir. Çalışma bu nedenle aynı sektör ve benzer büyüklükteki işletmeleri karşılaştırmayı veya daha güçlü seçenek olarak işletme içi kullanım senaryosu paneli oluşturmayı önermektedir.

Ana nedensellik sorunu ters nedenselliktir. Değer üreten projeler başarıdan sonra daha iyi yönetişim ve sahiplik mekanizmaları kurabilir. Bu durumda yüksek benimseme, değerin nedeni değil sonucu olabilir. Benimseme kapasitesinin değer ortaya çıkmadan önce ölçülmesi bu tehdidi azaltacaktır.

Sentetik kalibrasyon nasıl hazırlanmıştır?

Çalışma, önerilen ölçüm tasarımının varsayılan örüntüyü yakalayıp yakalayamayacağını göstermek için iki sentetik işletme rejimi oluşturmuştur. Her rejimde 4.000 işletme bulunmaktadır.

Sentetik hesapta süreç ve veri ayrı değişkenler olarak değil, tek bir teknoloji-veri erişimi değişkeni \(T\) içinde birleştirilmiştir. Bu nedenle benzetim üç bileşenli yapının tamamını ayrı ayrı doğrulamamaktadır.

Sentetik kalibrasyonun sonucu nedir?

Teknoloji erişiminin işletmeler arasında geniş dağıldığı metalaşma öncesi rejimde benimsemenin açıklanan varyanstaki payı yaklaşık 0,37’dir. Teknoloji erişimi dağılımı sıkıştırıldığında bu pay yaklaşık 0,86’ya yükselmektedir.

Bu değerler gerçek işletmelere ait tahminler değildir. Yalnızca teknoloji erişimindeki işletmeler arası farklılık azaltıldığında varyans ayrıştırmasının benimsemeye daha fazla pay verebildiğini göstermektedir.

Araştırmacı bu sonucun bir bölümünün mekanik olduğunu açıkça belirtmektedir. Bir bağımsız değişkenin dağılımı yapay olarak daraltıldığında açıklayabileceği çapraz kesit varyansı doğal olarak azalır. Bu nedenle asıl güçlü sınama yalnızca varyans payının değişmesi değildir. Benimseme katsayısının pozitif ve ekonomik olarak büyük kalması ile benimseme–süreç ve benimseme–veri etkileşimlerinin pozitif çıkması gerekmektedir.

Çalışma hangi işletmeler için daha az geçerli olabilir?

Model bu durumları dışlamamaktadır. En düşük ölçeklendirilmiş bileşen süreç veya veri olduğunda argüman doğal olarak o bileşene yatırım yapılmasını önerir. Çalışmanın temel varsayımı, yerleşik işletmelerin önemli bölümünde model kapasitesi yaygınlaştıkça benimsemenin daha sık darboğaz hâline geleceğidir.

Çalışmadaki maliyet payı göstergesi nasıl yorumlanmalıdır?

Araştırmacı, işletmenin yapay zekâ dağıtım maliyetleri içinde model erişimi, çıkarım ve veri platformu altyapısına giden payın yaklaşık yarı veya daha yüksek olması durumunda işletmenin hâlâ teknoloji sınırlı bir rejimde olabileceğini öne sürmektedir.

Bu pay yaklaşık dörtte bir veya daha düşükse çözüm mühendisliği, süreç yeniden tasarımı ve değişim çalışmaları gibi örgütsel maliyetlerin baskın hâle gelmiş olabileceği belirtilmektedir.

Yüzde 50 ve yüzde 25 eşikleri ampirik olarak tahmin edilmemiştir. Bunlar işletmenin kendi maliyet defterinden hesaplayabileceği değişkeni somutlaştırmak için verilen yaklaşık ve açıklayıcı eşiklerdir.

İşletme yönetimi açısından önerilen yaklaşım nedir?

Çalışmanın temel uygulama önerisi, benimseme faaliyetlerinin teknik sistem tamamlandıktan sonra başlayan yardımcı “değişim yönetimi” işi olarak görülmemesidir. İş akışı entegrasyonu, karar sahipliği, teşvikler ve sürekli yönetişim; sahipleri, bütçeleri, performans ölçütleri ve hizmet düzeyleri bulunan birer mühendislik işi olarak tasarlanmalıdır.

İkinci öneri, hazırlığın yalnızca denetim listesiyle ilan edilemeyeceğidir. Gerçek hazırlık, süreç gerçek veriyle çalışırken ve gerçek kullanıcılar çıktıyı kararlara katarken gözlenebilir.

Üçüncü öneri, kullanıcı düzeyindeki deneme ile kurumsal dağıtımın birbirine rakip değil, ardışık aşamalar olarak görülmesidir. Deneme hangi kullanımın gerçekten yararlı olduğunu ortaya çıkarır; kurumsal dağıtım ise seçilen kullanımın kalıcı, güvenli ve sınırlı denetimle çalışabilir hâle getirilmesini amaçlar.

Çalışmada “önce süreç, sonra verinin uyumlaştırılması, ardından otonom veya ajan tabanlı işlevlerin eklenmesi” biçiminde bir uygulama sırası önerilmektedir. Araştırmacı bunun statik modelden matematiksel olarak türetilmiş bir teorem değil, tamamlayıcılık mantığıyla uyumlu bir saha sezgisi olduğunu özellikle belirtmektedir.

Çalışmanın güçlü yönleri nelerdir?

• Kurumsal yapay zekâ hazırlığını soyut bir yönetim söyleminden açık bir değer ve yatırım modeline dönüştürmektedir.
• Süreç, veri ve benimsemeyi birbirine karıştırmadan tanımlamaktadır.
• Süpermodülerlik ile sınırlı ikame koşullarının farklı rollerini açıkça ayırmaktadır.
• Darboğaz sonucunun hangi varsayımlar altında geçerli olduğunu matematiksel olarak göstermektedir.
• Toplamsal endeksin iki farklı yatırım stratejisini neden ayırt edemediğini sayısal örnekle göstermektedir.
• Teknoloji maliyetinin düşmesini bütçe bileşimine bağlayan açık bir maliyet modeli sunmaktadır.
• Temel iddiayı yanlışlanabilir katsayılar, etkileşimler ve yapısal parametrelerle ifade etmektedir.
• Varyans payındaki mekanik değişimi kendi başına yeterli kanıt saymamakta ve daha güçlü sınamaları ayırmaktadır.
• Ters nedensellik, ölçüm eksikliği ve kapsam sınırlarını açık biçimde tartışmaktadır.

Çalışmanın başlıca sınırlılıkları nelerdir?

• Gerçek işletme, çalışan veya kullanım senaryosu verisi kullanılmamıştır.
• Temel benimseme darboğazı varsayımı ampirik olarak tahmin edilmemiştir.
• Nedensellik sınanmamış ve ters nedensellik temel tehdit olarak kalmıştır.
• Süreç, veri ve benimsemenin ekonomik ağırlıkları bilinmemektedir.
• Benimsemenin ne ölçüde önemli olduğu \(\gamma\) ağırlığına bağlıdır.
• Birinci önermedeki kesin sıfır marjinal getiri sonucu Leontief sınırına aittir.
• Düzgün CES sonucu eşit ağırlıklar ve karşılaştırılabilir maliyetler gibi ek koşullara bağlıdır.
• İkinci önerme doğrusal kapasite artışı, sabit hedef ve belirli maliyet ayrıştırması altında kanıtlanmıştır.
• Sentetik kalibrasyon süreç ve veriyi tek bir teknoloji-veri değişkeninde birleştirmektedir.
• Sentetik rejimler arasındaki temel değişiklik teknoloji değişkeninin dağılım genişliğidir.
• Benimseme göstergelerinin büyük bölümü anket veya kullanım kaydıyla ölçülmeyi gerektirir ve ölçüm hatasına açıktır.
• Önerilen yüzde 50 ve yüzde 25 maliyet payı eşikleri tahmin edilmiş sonuçlar değildir.
• Benzetim betiğinin açık deposu verilmemiş, talep üzerine paylaşılabileceği belirtilmiştir.
• Çalışma hakem değerlendirmesinden geçmemiştir.

Çalışma neyi desteklemektedir?

• Sınırlı ikameli bir değer fonksiyonunda en zayıf bileşen daha yüksek marjinal yatırım getirisi taşıyabilir.
• Leontief sınırında darboğaz dışındaki bileşenlere yapılan yatırım, darboğaz değişmeden gerçekleşen değeri artırmaz.
• Toplamsal hazırlık puanı, aynı toplam puana sahip fakat farklı gerçekleşen değer üreten yatırım stratejilerini ayırt edemeyebilir.
• Belirli maliyet yapısı altında teknoloji sağlama maliyeti azaldıkça benimsemeye ayrılan en uygun harcama payı artar.
• Önerilen regresyon ve etkileşim tasarımı, gerçek veri bulunduğunda benimseme darboğazı iddiasını sınanabilir hâle getirebilir.
• Sentetik kalibrasyon, teknoloji erişimi dağılımı daraldığında benimsemenin açıklanan varyanstaki payının yükselebileceğini göstermektedir.

Çalışma neyi kanıtlamamaktadır?

• Benimsemenin bütün işletmelerde en düşük kapasite bileşeni olduğunu kanıtlamaz.
• Gerçek işletmelerde gerçekleşen değerin tam olarak minimum fonksiyonuyla belirlendiğini göstermez.
• Benimsemeye yapılan yatırımın süreç veya veri yatırımından her zaman daha yüksek getiri sağlayacağını göstermez.
• Model erişimi, entegrasyon, güvenlik ve veri altyapısının artık önemsiz olduğunu ileri sürmez.
• Belirli bir benimseme bütçesi oranının bütün kurumlar için en uygun olduğunu kanıtlamaz.
• Sayısal örnekteki yüzde 50 değer farkının gerçek işletmelerde görüleceğini göstermez.
• Sentetik yüzde 37 ve yüzde 86 sonuçlarının gerçek ekonomiye ait tahminler olduğunu göstermez.
• Benimseme ile değer arasındaki ilişkinin nedensel olduğunu kanıtlamaz.
• Çalışanların yapay zekâ kullanımının tek başına kalite, güvenlik veya mali sonuçları iyileştireceğini göstermez.
• Türkiye’deki işletmelerin mevcut yapay zekâ hazırlık veya benimseme düzeyleri hakkında veri sunmaz.

Çalışmanın Yöntemi ve Bulguları

Teknik araştırma tasarımı

Model varsayımları ve sonuçlara etkileri

İki biçimsel önermenin özeti

Karşılaştırmalı yatırım örneği

Gelecekteki ampirik çalışma için önerilen ölçümler

Sentetik kalibrasyon bulguları

Grafiklerin temel mesajları

• Şekil 1: Süreç ve veri yüksek olsa da düşük benimsemenin gerçekleşen değeri sınırlayabileceğini göstermektedir. Gri kesikli ortalama çizgisi 0,63, kırmızı darboğaz çizgisi 0,30’dur.
• Şekil 2: Çıkarım maliyeti ölçeği 3’ten sıfıra inerken, sınır durumdaki modelde benimseme yatırım payının yaklaşık 0,50’den 1,00’a yükseldiğini göstermektedir.
• Tablo 1: Aynı toplamsal puana ulaşan iki yatırım stratejisinin tamamlayıcı değer fonksiyonunda farklı sonuçlar verebildiğini göstermektedir.

Kanıt düzeyinin özeti

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: The Adoption Bottleneck: A Complementarity Model of Enterprise AI Value Capture

Yazar: Gaston Besanson.

Yazar sıralaması: Çalışma tek yazarlıdır.

Eşit katkı bilgisi: Başka bir yazar veya eşit katkı bildirimi bulunmamaktadır.

Sorumlu yazar: Metinde ayrı bir sorumlu yazar sembolü bulunmamaktadır. Gaston Besanson tek yazar ve SSRN kaydında iletişim yazarıdır.

Kurumsal bağlantı: Universidad Torcuato Di Tella, Buenos Aires, Arjantin.

DOI:10.2139/ssrn.6939458

Yayın veya preprint platformu: SSRN.

Resmî kaynak bağlantısı:SSRN çalışma kaydı

Metin tarihi: Haziran 2026.

SSRN kayıt tarihi: 30 Haziran 2026.

Dergi: Hakemli bir dergi adı veya dergi kabulü doğrulanamamıştır.

Özgün yayınevi: Nihai hakemli yayın için yayınevi bilgisi bulunmamaktadır.

Kaynak türü: Kuramsal modelleme, ampirik araştırma tasarımı ve sentetik kalibrasyon içeren çalışma raporu; preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu sınırlılık dikkate alınarak okunmalıdır.

Gerçek veri durumu: Çalışmada gerçek işletme, çalışan veya kullanım senaryosu verisi analiz edilmemiştir.

Sentetik veri durumu: İki varsayımsal rejimin her birinde 4.000 sentetik işletme oluşturulmuş; sıradan en küçük kareler ve Shapley/LMG varyans ayrıştırması uygulanmıştır.

Yazılım ve kod erişimi: Sentetik kalibrasyon betiğinin talep üzerine paylaşılabileceği belirtilmiş, açık bir kod deposu bağlantısı verilmemiştir.

Finansman: Yüklenen sürümde finansman bilgisi yer almamaktadır.

Çıkar çatışması: Yüklenen sürümde açık bir çıkar çatışması beyanı yer almamaktadır.

Bu Türkçe açıklama, yüklenen 14 sayfalık çalışmanın kuramsal modeli, matematiksel ifadeleri, önermeleri, kanıtları, sayısal örneği, sentetik kalibrasyonu, Tablo 1’i ve Şekil 1–2’deki görsel sonuçları temel alınarak hazırlanmıştır. Çalışmada bulunmayan gerçek işletme sonucu, nedensel etki, ticari başarı veya yatırım getirisi eklenmemiştir. Dış kaynaklar yalnızca başlık, yazar, kurum, DOI, SSRN kayıt tarihi ve yayın durumunun bibliyografik olarak doğrulanması amacıyla kullanılmıştır.

Çalışmanın en güçlü sonucu, belirlenen matematiksel varsayımlar altında tamamlayıcı girdilerdeki darboğaz ve yatırım payı ilişkilerinin biçimsel olarak türetilmesidir. En önemli sınırlılığı ise kurumsal benimsemenin gerçek işletme değerini ne ölçüde açıkladığına ilişkin birincil ampirik tahmin bulunmamasıdır.

Sayısal yatırım örneğindeki 0,30, 0,40 ve 0,60 değerleri gerçek bir şirketin performansı değildir. Sentetik kalibrasyondaki yaklaşık yüzde 37 ve yüzde 86 varyans payları da gözlemsel bulgu değildir. Bu değerler yalnızca model mekanizmasını ve önerilen ampirik tasarımın belirli parametreler altındaki davranışını göstermektedir.

Model Türkiye’de veya başka bir ülkede kullanılmadan önce süreç, veri ve benimseme ölçülerinin yerel kurumsal yapılara göre doğrulanması; benimseme kapasitesinin değer ortaya çıkmadan önce ölçülmesi; aynı işletmedeki karşılaştırılabilir kullanım senaryolarının zaman içinde izlenmesi ve tamamlayıcılık etkileşimlerinin gerçek verilerle tahmin edilmesi gerekmektedir.