Bu akademik öğretim vakası, bağlantılı televizyon ve dijital reklam teknolojileri alanında çalışan Cadent’in dağınık yapay zekâ denemelerini kurumsal bir dönüşüm programına dönüştürme çabasını incelemektedir. Şirket içinde mühendislik, ürün, satış ve kampanya yönetimi ekipleri farklı yapay zekâ araçlarını denemeye başlamış; ancak bu faaliyetlerin ortak bir mimari, yönetişim sistemi ve ölçülebilir iş hedefi altında birleşmemesi parçalanma riski yaratmıştır.

Cadent’in yaklaşımı “İnsan Öncelikli, Etki Odaklı ve Veriyle Yönlendirilen” bir model üzerine kurulmuştur. Şirket bütün yapay zekâ geliştirmelerini tek bir merkezde toplamak yerine, yönetimin stratejik yönü ve güvenlik sınırlarını belirlediği; çalışanların ve işlevler arası ekiplerin ise kontrollü biçimde deney yaptığı katmanlı bir yapı benimsemiştir.

Dönüşüm beş aşamada ele alınmıştır: yönetişim ve politikaların kurulması, kullanım alanlarının belirlenmesi, çalışanların yetkilendirilmesi, deneylerin başlatılması ve başarılı uygulamaların ölçeklenmesi. Yapay zekâ uygulamalarının devreye alınması; üç ayrı veri gölünün tek bir yapıda birleştirilmesi, bilgi işlem altyapısının Google Cloud’a taşınması ve yapay zekâ ajanlarının izlenebilir, konteyner tabanlı ortamlarda çalıştırılmasıyla eş zamanlı yürütülmüştür.

Vaka metnine göre ilk 90 günlük dönemde 90.000 yapay zekâ etkileşiminden 1.750 saatin üzerinde zaman tasarrufu ve 134.000 ABD doları değer üretimi elde edilmiştir. Yapay zekâ destekli kampanya özetleri için aylık 45.000 ABD doları tasarruf, kampanya yönetimindeki manuel görevlerde yüzde 70 azalma ve kod inceleme süresinde yüzde 50 hızlanma bildirilmiştir. Ancak bu değerlerin hesaplanma yöntemi, karşılaştırma dönemi, maliyet bileşenleri ve bağımsız doğrulaması sunulmamaktadır.

Çalışmanın Türkiye açısından en önemli mesajı, yapay zekâ dönüşümünün yalnızca çalışanlara yeni araçlar vermekten ibaret olmadığıdır. Kurumun veri altyapısı parçalıysa, sorumluluklar belirsizse, araç seçimi denetlenmiyorsa ve kullanım senaryoları ölçülebilir iş sonuçlarına bağlanmıyorsa yapay zekâ mevcut düzensizlikleri hızlandırabilir. Buna karşılık ortak veri temeli, aşamalı uygulama, insan denetimi, çalışan katılımı ve güvenlik politikaları birlikte ele alındığında deneyler kurumsal kapasiteye dönüşebilir.

Cadent’in karşılaştığı temel yönetim sorunu

Vakanın başlangıcında Cadent için soru yapay zekânın kullanılıp kullanılmayacağı değildir. Şirket içindeki farklı ekipler zaten çeşitli araçlarla denemeler yapmaktadır. Mühendisler yapay zekâ destekli kodlama uygulamalarını, ürün ekipleri otomatik kampanya analizlerini, satış ekipleri ise müşteri taleplerine yanıt hazırlayan sistemleri incelemektedir.

Temel sorun, bu denemelerin birbirinden kopuk gelişmesidir. Her ekip kendi aracını, veri kaynağını ve çalışma yöntemini seçtiğinde kısa vadeli verimlilik kazanımları görülebilir; ancak uzun vadede şu riskler ortaya çıkabilir:

• Aynı görevi yapan birden fazla ve uyumsuz sistemin oluşması,
• Kurumsal verilerin onaylanmamış araçlara aktarılması,
• Benzer kullanım alanlarının tekrar tekrar geliştirilmesi,
• Yapay zekâ çıktılarından kimin sorumlu olduğunun belirsizleşmesi,
• İş akışlarının birimler arasında parçalanması,
• Başarı ölçütleri tanımlanmadığı için gerçek değer ile teknoloji heyecanının birbirine karışması.

Cadent yönetimi bu nedenle yapay zekâ dönüşümünü yalnızca teknoloji satın alma kararı olarak değil; veri mimarisi, iş süreçleri, insan kaynağı, güvenlik, yönetişim ve kurumsal değişim programı olarak ele almıştır.

Yapay zekâ heyecanı ile gerçek iş değeri nasıl ayrılmaktadır?

Çalışmada yapay zekâ sektöründeki hızlı gelişmenin bir “heyecan döngüsü” yarattığı belirtilmektedir. Yeni araçlar neredeyse her gün daha yüksek doğruluk, daha hızlı otomasyon veya daha gelişmiş müşteri hedefleme iddiasıyla ortaya çıkmaktadır. Bu ortamda bir sistemin etkileyici gösterimi, gerçek bir işletme sorununu ekonomik ve güvenli biçimde çözdüğü anlamına gelmemektedir.

Cadent kullanım alanlarını değerlendirirken iki ana ölçüt kullanmıştır:

Bu yaklaşım, yalnızca teknolojik olarak yapılabilir olan projeleri değil, iş değeri yüksek ve uygulanması yönetilebilir projeleri öne çıkarmaktadır. Stratejik etkisi düşük fakat teknik olarak kolay bir uygulama dikkat çekici bir gösterim oluşturabilir; ancak kurumsal dönüşüm için öncelikli olmayabilir. Stratejik etkisi çok yüksek fakat henüz güvenli biçimde uygulanamayacak bir proje ise daha sonraki aşamaya bırakılabilir.

Cadent’in şirket ve sektör bağlamı

Cadent, reklamverenleri farklı medya kanallarındaki hedef kitlelerle buluşturan bütünleşik reklam teknolojisi ve hizmetleri şirketi olarak tanımlanmaktadır. Şirketin faaliyet alanı doğrusal televizyon, internet bağlantılı televizyon, dijital video ve başka medya kanallarını aynı kampanya yapısında bir araya getirmektedir.

Cadent’in geçmişinde çok sayıda şirket satın alması ve platform birleşmesi bulunmaktadır. Bu büyüme yöntemi veri, yazılım ve iş akışı kapasitesini genişletmiş; fakat aynı zamanda farklı dönemlerde kurulmuş sistemlerin birlikte çalışması sorununu ortaya çıkarmıştır.

Çalışmanın zaman çizelgesinde öne çıkarılan gelişmeler şöyledir:

Metinde şirketin Novacap tarafından 2023’te satın alınmasından sonra Cadent adını aldığı yönünde bir ifade bulunmaktadır. Aynı çalışmanın zaman çizelgesi ise isim değişikliğini 2016’ya yerleştirmektedir. Bu iki ifade birbiriyle uyumlu değildir ve çalışma içinde açıklanmamıştır.

Satın almalar neden teknik borç oluşturmuştur?

Farklı şirketlerin satın alınması, yalnızca çalışanların ve müşterilerin değil, veri tabanlarının, yazılım platformlarının ve bulut hizmetlerinin de birleşmesini gerektirmiştir. Cadent’in farklı altyapı hizmeti sağlayıcıları kullandığı ve üç ayrı veri gölüne sahip olduğu belirtilmektedir.

Bu parçalı mimari yapay zekâ açısından önemli bir sorundur. Bir ajan doğru yanıt üretebilmek için hangi veri kaynağının güncel olduğunu, farklı sistemlerde aynı müşterinin nasıl tanımlandığını ve erişim yetkisinin nerede bulunduğunu bilmelidir. Birbirinden kopuk veri gölleri şu sonuçlara yol açabilir:

• Aynı müşteri veya kampanya için farklı sonuçların üretilmesi,
• Eski ve güncel kayıtların birbirine karışması,
• Model çıktılarının kaynağının izlenememesi,
• Veri temizleme ve entegrasyon maliyetinin artması,
• Yeni ajanların her sistem için ayrı ayrı geliştirilmesi,
• Güvenlik ve erişim politikalarının tutarsız uygulanması.

Cadent bu nedenle üretken yapay zekâyı eski yapının üzerine ek bir arayüz olarak yerleştirmek yerine altyapıyı yeniden kurma kararı almıştır. Hesaplama ve depolama kaynaklarının Google Cloud’a taşınması, üç veri gölünün tek yapıda birleştirilmesi ve yapay zekâ araçlarının bu yeni mimariyle birlikte geliştirilmesi amaçlanmıştır.

Bu yaklaşım kısa vadede daha yüksek öğrenme maliyeti ve pazara çıkış süresi riski taşımaktadır. Buna karşılık uzun vadede modellerin aynı veri temelinden yararlanması, güvenlik kontrollerinin merkezileşmesi ve yeni ajanların ortak altyapı üzerinde geliştirilmesi hedeflenmiştir.

Bağlantılı televizyon reklamcılığı neden önemlidir?

Geleneksel doğrusal televizyon reklamcılığında aynı kanalı aynı saatte izleyen kişilere büyük ölçüde aynı reklam gösterilmektedir. Reklamverenler belirli programların ve saatlerin beklenen izleyici özelliklerine göre yayın süresi satın almaktadır.

İnternet bağlantılı televizyon ve yayın platformları ise reklamların belirli hanelere, cihazlara, izleme davranışlarına veya içerik bağlamlarına göre farklılaştırılmasına imkân sağlamaktadır. Bu model, geleneksel televizyonun geniş erişimiyle dijital reklamcılığın hedefleme kapasitesini bir araya getirmektedir.

Çalışmada internet bağlantılı televizyon için iki farklı kapsam kullanılmaktadır. Şirket geçmişinin anlatıldığı bölümde masaüstü bilgisayar, dizüstü bilgisayar ve elde taşınan cihazlar da bağlantılı televizyon kapsamına alınırken sektör bölümünde akıllı televizyonlar, yayın platformları ve medya oynatıcıları öne çıkarılmaktadır. Kavramsal kapsamın iki bölümde aynı biçimde tanımlanmaması, sektör ölçümlerinin yorumlanmasında dikkat gerektirmektedir.

Reklam harcaması grafiği ne göstermektedir?

Çalışmanın 5. sayfasındaki grafikte ABD’deki bağlantılı televizyon reklam harcamaları ile doğrusal televizyon reklam harcamaları karşılaştırılmaktadır. Düz çizgiler gerçekleştiği belirtilen, noktalı çizgiler ise öngörülen değerleri göstermektedir.

Noktalı tahmin çizgileri yaklaşık 2027 civarında kesişmektedir. Ancak grafik açıklamasında bağlantılı televizyon rakamlarının sektör tahminlerine dayandığı, doğrusal televizyon eğiliminin ise “temsili” olduğu belirtilmektedir. Bu nedenle grafiğin geleceğe dönük kısmı ölçülmüş sonuç değil, sektör yönünü göstermek amacıyla hazırlanmış bir projeksiyondur.

Cadent’in veri yapısı

Şirketin reklam hedefleme ve kampanya optimizasyon kapasitesi, birden fazla kaynaktan gelen cihaz ve hane düzeyindeki sinyallere dayanmaktadır. Vaka metni verileri üç genel grupta toplamaktadır:

Bu veri ölçeği yapay zekâ için önemli bir potansiyel oluştururken, gizlilik, erişim, veri kalitesi ve izlenebilirlik risklerini de artırmaktadır. Bir modelin belirli bir kitleyi neden önerdiğinin açıklanamaması, reklamverenlerin kampanya performansına ilişkin şeffaflık beklentileriyle çatışabilir.

Şirketin yapay zekâdan beklediği dört ana değer

Katmanlı yapay zekâ benimseme modeli

Cadent bütün yapay zekâ çalışmalarını tek bir merkezî ekibe devretmemiştir. Üst yönetim yön, güvenlik ve yönetişim kurallarını belirlerken, kullanım alanlarının keşfi ve araçların sınanması işlevler arası ekipler tarafından yürütülmüştür.

Modelin temel ilkeleri şöyledir:

• İnsan öncelikli: Teknolojinin çalışanların yerine geçmesinden çok çalışan kapasitesini artırması amaçlanmaktadır.
• Etki odaklı: Gösterişli fakat sınırlı iş değeri üreten uygulamalar yerine somut sorunları çözen ajanlar seçilmektedir.
• Veriyle yönlendirilen: Kullanım alanlarının performansı ölçülebilir göstergelerle izlenmektedir.
• Temeli yeniden kurma: Yapay zekâyı eski sistemlerin üzerine yüzeysel bir katman olarak eklemek yerine veri ve bulut altyapısını yenilemek hedeflenmektedir.
• Stratejik ortaklık: Google ile teknoloji, eğitim ve kullanım alanı geliştirme ilişkisi kurulmuştur.

Beş aşamalı uygulama planı

Aşamalar yalnızca teknik ürün geliştirme sırası değildir. Politika, eğitim ve çalışan kabulü sistem geliştirmeyle birlikte ilerlemektedir. Bu durum, başarılı bir prototipin otomatik olarak kurumsal benimsemeye dönüşmeyeceği kabulüne dayanmaktadır.

“Kaplan ekipleri” ve yapay zekâ elçileri

Mühendislik birimlerinden oluşturulan küçük “kaplan ekipleri”, araçları gerçek çalışma koşullarında değerlendirmekle görevlendirilmiştir. Böylece araç seçiminin yalnızca üst yönetim veya dış danışmanlar tarafından yapılması yerine, günlük iş akışını bilen çalışanların değerlendirmeye katılması sağlanmıştır.

Bu ekiplerin işlevleri şunlardır:

• Yeni araçları kontrollü ortamda denemek,
• Kodlama ve veri geliştirme iş akışlarındaki sorunları belirlemek,
• Araçların gerçek zaman kazancı sağlayıp sağlamadığını değerlendirmek,
• Güvenlik veya kullanım sorunlarını yönetime bildirmek,
• Başarılı uygulamaların başka ekiplere aktarılmasına yardımcı olmak.

Ayrıca açık bir yapay zekâ politikasıyla birlikte çalışanların benimsemesini destekleyecek bir “şampiyonlar grubu” oluşturulmuştur. Bu grup, yalnızca teknik yardım sağlamak yerine kurum içindeki davranış ve kültür değişimini destekleyen bir elçi ağı olarak konumlandırılmıştır.

Teknoloji ortaklığı ve model çeşitliliği

Cadent’in Google’ı temel teknoloji ortağı olarak seçmesi, şirketin veri altyapısını Google Cloud’a taşımasıyla aynı döneme denk getirilmiştir. Yerel bulut hizmetleri ile yapay zekâ araçlarının aynı ekosistemde kullanılması, farklı altyapılar arasında yeni parçalanmalar oluşmasını önleme amacı taşımaktadır.

Bununla birlikte şirketin tek bir yapay zekâ modeline tamamen bağlı kalmadığı belirtilmektedir. İlk öğrenme aşamalarından sonra mühendislerin Cursor ve Claude Code gibi farklı kodlama araçlarını kullanmasına izin verilmesi planlanmıştır. Ancak geliştirilen ajanların konteyner tabanlı Google Cloud projelerinde çalıştırılması zorunlu tutulmuştur.

Bu tasarım araç düzeyinde esneklik, veri ve çalıştırma ortamı düzeyinde ise merkezî kontrol sağlamayı amaçlamaktadır. Çalışan farklı bir model veya kod asistanı kullanabilir; fakat kurumsal veriyle çalışan ajan şirketin gözlemleyebildiği güvenli altyapıdan çıkamaz.

Önceliklendirilen ajanlı yapay zekâ kullanım alanları

Fikir geliştirme çalışmaları sırasında aşağıdaki kullanım alanları belirlenmiştir:

• Müşteri not defteri,
• Sektör eğilimleri ajanı,
• Teklif talebi hazırlama,
• Bilgi talebi hazırlama,
• Müşteri başarı öykülerinin özetlenmesi,
• Kampanya optimizasyon notları.

Stratejik etki ve teknik karmaşıklık değerlendirmesinden sonra üç uygulama ilk aşamada öne çıkarılmıştır:

1. Bilgi Talebi Üretim Ajanı,
2. Kampanya Planlama Ajanı,
3. Satış Adayı Bulma Ajanı.

Bilgi Talebi Üretim Ajanı

Ek C’deki iş akışında Bilgi Talebi Üretim Ajanının, müşteriden gelen bir elektronik posta ve Excel dosyasını işleyerek taslak yanıt oluşturması gösterilmektedir.

Akışın son adımında insan onayının korunması önemlidir. Ajan bilgiyi toplayıp taslağı hazırlasa da müşteriye gönderilen nihai yanıtın sorumluluğu tamamen sisteme bırakılmamaktadır.

Kampanya Planlama Ajanı

Kampanya Planlama Ajanı, müşterinin elektronik posta veya ek dosyada ilettiği talebi anlayarak uygun kampanya planı ve medya karması hazırlamayı amaçlamaktadır.

İlk aşamada öne çıkan adımlar şunlardır:

• Müşteri talebinin anlaşılması,
• Müşteri türüne veya benzer vakalara uygun kurumsal uygulama bilgilerinin alınması,
• İnsan incelemesine sunulacak kampanya stratejisi ve medya karması taslağının hazırlanması.

Geçmiş Salesforce performans verilerinin kullanılması ve açık internet kaynaklarından sektör verisi eklenmesi ise şemada daha sonraki geliştirme aşamaları olarak gösterilmektedir. Bu ayrım, ilk sürümün her veri kaynağını aynı anda bağlamak yerine daha sınırlı ve denetlenebilir bir işlevle başlamasını sağlamaktadır.

Satış Adayı Bulma Ajanı

Satış Adayı Bulma Ajanı, potansiyel müşteriler hakkında sektör bilgisi toplamak ve satış iletişimi için taslak hazırlamak amacı taşımaktadır.

Birinci aşamada vurgulanan işlevler şunlardır:

• İnternetten ilgili sektör haberlerinin alınması,
• Kurumsal müşteri listelerinden aday müşteri raporu hazırlanması,
• Satışa yönelik ilk iletişim e-postasının taslak hâline getirilmesi.

Salesforce’tan yeni hesapların alınması, LinkedIn üzerinden kişi aranması, açık internet sonuçlarıyla aday eşleştirilmesi ve müşteri kayıtlarının otomatik güncellenmesi sonraki aşamaya bırakılmıştır. Böylece doğrudan müşteri veri tabanını değiştiren veya kişiler hakkında kapsamlı dış veri toplayan işlevler ilk sürümde otomatikleştirilmemiştir.

İlk 90 günde bildirilen sonuçlar

Bu rakamlar dönüşümün ilk döneminde ölçülebilir sonuç arandığını göstermektedir. Bununla birlikte çalışma, performans değerlendirme yöntemini açıklayan akademik bir yöntem bölümü sunmamaktadır. Sonuçların ne kadarı yapay zekâya, ne kadarı altyapı yenilenmesine, süreç sadeleştirmesine veya çalışanların öğrenme etkisine bağlıdır, ayrıştırılamamaktadır.

Gölge yapay zekâ nedir?

Gölge yapay zekâ, çalışanların kurum tarafından incelenmemiş veya onaylanmamış yapay zekâ araçlarını iş amacıyla kullanmasıdır. Çalışanlar bu araçları hızlı oldukları, kendi ihtiyaçlarına daha iyi uydukları veya resmî sistem henüz aynı işlevi sunmadığı için tercih edebilir.

Bu kullanım yenilikçi fikirler üretebilse de şu riskleri doğurabilir:

• Müşteri veya şirket verilerinin dış hizmetlere aktarılması,
• Aracın verileri ne kadar süreyle sakladığının bilinmemesi,
• Model çıktılarının kurumsal kalite denetiminden geçmemesi,
• Satın alma ve lisans süreçlerinin atlanması,
• Bir aracın güvenlik veya mevzuat açısından değerlendirilmemesi,
• Kritik iş süreçlerinin bireysel çalışan hesaplarına bağımlı hâle gelmesi,
• Kurumun hangi yapay zekâ sistemlerinin kullanıldığını görememesi.

Cadent gölge yapay zekâyı nasıl yönetmeye çalışmıştır?

Şirket, gölge yapay zekâ için ayrı ve tamamen yeni bir kontrol sistemi kurmaktan önce mevcut bilgi teknolojileri yönetişimini güçlendirmiştir. Bilgi güvenliği, hukuk ve tedarikçi risk yönetimi süreçleri yapay zekâ araçlarına uygulanmıştır.

Yeni bir yazılım tedarikçisiyle sözleşme yapılmadan önce hukuk ve bilgi güvenliği ekiplerinin onayı zorunlu tutulmuştur. İlgili politikalar çalışanlara verilen yapay zekâ eğitim materyallerine eklenmiştir.

Bununla birlikte vaka, yapay zekâ özelliklerinin web tarayıcılarına ve gündelik yazılımlara gömülmesi nedeniyle gölge kullanımın tamamen engellenemeyeceğini kabul etmektedir. Cadent’in değerlendirdiği ek önlemler arasında şunlar bulunmaktadır:

• Kullanım ve veri akışını izleyen araçlar,
• Kurumsal verileri ayrıştıran korumalı web tarayıcıları,
• Cihaz yönetimi politikaları,
• Onaylı araçların çalışan ihtiyaçlarını karşılayacak kadar erişilebilir hâle getirilmesi.

Buradaki temel yönetim dengesi, bütün deneyleri yasaklayarak yeniliği durdurmamak; fakat çalışanların kurumsal veriyi görünmez ve denetlenemeyen sistemlere taşımasını da önlemektir.

İnsan denetimi nerede korunmaktadır?

Ek C’deki ajan iş akışları, sistemlerin bütünüyle bağımsız karar vermesi yerine taslak oluşturma, bilgi getirme ve öneri üretme görevlerinde kullanıldığını göstermektedir. Müşteriye gönderilecek bilgi talebi yanıtı ve kampanya stratejisi insan incelemesine bırakılmaktadır.

Ancak “insan onayı” ifadesi tek başına gerçek denetim garantisi değildir. Çalışmada insan incelemesinin süresi, uzmanın hangi ölçütleri kullandığı veya otomasyon çıktısını ne sıklıkla değiştirdiği bildirilmemektedir. Ajanların ölçeklenmesiyle birlikte insanlara çok fazla çıktı yönlendirilirse onay mekanizmasının biçimsel hâle gelmesi mümkündür. Vaka bu sonucu ölçmemekte, ancak gözlemlenebilirlik ve yönetişim ihtiyacını vurgulamaktadır.

Cadent’in çözülmemiş kararları

İlk uygulama sonuçlarına rağmen şirket yönetiminin karşısında üç önemli tercih bulunmaktadır:

1. Müşteri ürünü mü, iç verimlilik mi? Kaynakların müşteri tarafından kullanılacak yapay zekâ özelliklerine mi, yoksa şirket içindeki işleri hızlandıracak uygulamalara mı ayrılacağı kesinleşmemiştir.
2. Kurumsal benimseme nasıl sürdürülecek? İlk gönüllü ekiplerin başarısının yüzlerce çalışana ve farklı işlevlere nasıl taşınacağı belirsizdir.
3. Yönetişim nasıl gelişecek? Otonom ajanların, gölge yapay zekânın, veri güvenliğinin ve model izleme süreçlerinin hangi ek standartlarla yönetileceği açık bir soru olarak kalmaktadır.

Vakanın en önemli stratejik sorusu, kısa vadeli verimlilik kazanımlarının sürdürülebilir rekabet avantajına nasıl dönüştürüleceğidir. Genel amaçlı araçlar rakipler tarafından da satın alınabildiği için kalıcı avantajın yalnızca modele erişimden gelmesi beklenemez. Çalışmanın yaklaşımından çıkarılabilen yönetim varsayımı; kuruma özgü veri, iş akışı, çalışan bilgisi, müşteri ilişkisi ve güvenli uygulama kapasitesinin birlikte geliştirilmesidir.

Türkiye’deki şirketler açısından aktarılabilir model

Cadent vakası reklam teknolojisi şirketine ait olsa da önerilen dönüşüm sırası farklı sektörlere uyarlanabilir. Türkiye’de üretim, perakende, lojistik, finans, yazılım, medya veya hizmet alanındaki bir şirket için doğrudan kopyalanacak ürünlerden çok aşağıdaki yönetim soruları önemlidir:

Bu modelin Türkiye’de aynı sonuçları sağlayacağı çalışma tarafından gösterilmemektedir. Kurum büyüklüğü, mevcut altyapı, çalışan yetkinliği, veri erişimi, sektör düzenlemeleri ve yazılım bütçesi uygulamanın sonucunu değiştirebilir. Cadent’in Google Cloud merkezli çözümü de evrensel veya zorunlu bir teknik tercih olarak sunulmamalıdır.

Çalışmanın güçlü yönleri

• Yapay zekâ dönüşümünü yalnızca model veya yazılım seçimi olarak değerlendirmemektedir.
• Veri altyapısı ile yapay zekâ stratejisi arasındaki bağı açık biçimde göstermektedir.
• Kurumsal yönetişim ile çalışanların tabandan gelen deneylerini aynı modelde birleştirmektedir.
• Uygulamaları stratejik etki ve teknik karmaşıklık üzerinden önceliklendirmektedir.
• Beş aşamalı, anlaşılır ve farklı şirketlere uyarlanabilir bir benimseme sırası sunmaktadır.
• Gölge yapay zekâyı yalnızca çalışan disiplini değil; kullanılabilirlik, güvenlik ve tedarikçi yönetimi sorunu olarak ele almaktadır.
• Ek C’de ajanların gerçek kurumsal belge ve veri kaynaklarıyla nasıl çalışabileceğini süreç adımlarıyla göstermektedir.
• Erken dönemde parasal değer, zaman, manuel görev ve kod inceleme süresi gibi ölçülebilir göstergeler kullanılmasını savunmaktadır.
• İlk aşamadaki ajanlarda insan incelemesini tamamen ortadan kaldırmamaktadır.

Çalışmanın temel sınırlılıkları

• Belge bilimsel deney değil, öğretim amacıyla hazırlanmış şirket vakasıdır.
• İlk sayfada açıkça birincil veri kaynağı oluşturmadığı belirtilmektedir.
• Şirket bilgileri büyük ölçüde Cadent yöneticisinin desteğiyle hazırlanmıştır; bağımsız veri toplama yöntemi açıklanmamıştır.
• 134.000 ABD doları değer üretimi ve diğer performans göstergelerinin hesaplama yöntemi verilmemiştir.
• Önceki dönem veya yapay zekâ kullanmayan karşılaştırma grubu bulunmamaktadır.
• Verimlilik artışlarının kalite, hata, güvenlik ve müşteri memnuniyeti üzerindeki etkisi ölçülmemiştir.
• Şirketin 2016 veya 2023’te Cadent adını aldığına ilişkin metin içinde tutarsızlık bulunmaktadır.
• Bağlantılı televizyon kavramının kapsamı farklı bölümlerde farklı açıklanmaktadır.
• Reklam harcaması grafiğinin doğrusal televizyon tahminleri temsili olarak nitelenmiştir.
• Yapay zekâ ajanlarının doğruluk oranı, uydurma bilgi oranı veya uzman düzeltme sıklığı verilmemiştir.
• Gölge yapay zekâ için önerilen izleme önlemlerinin uygulanma sonucu açıklanmamıştır.
• Çalışma tek bir ABD reklam teknolojisi şirketine dayanmaktadır.
• Türkiye veya başka bir ülkedeki şirketlerde karşılaştırmalı doğrulama yapılmamıştır.
• Hakemli bir dergide yayımlandığı doğrulanmamıştır.

Çalışma neyi göstermekte, neyi kanıtlamamaktadır?

Çalışmanın Yöntemi ve Bulguları

Yöntemsel sınıflandırma

İncelenen dönüşüm bileşenleri

1. Şirket satın almalarından kaynaklanan parçalı bilgi teknolojileri altyapısı,
2. Üç veri gölünün tek yapıda birleştirilmesi,
3. Hesaplama ve depolamanın Google Cloud’a taşınması,
4. Yapay zekâ kullanım alanlarının stratejik etki ve teknik karmaşıklığa göre seçilmesi,
5. Beş aşamalı kurumsal benimseme programı,
6. Çalışan test ekipleri ve yapay zekâ elçileri,
7. Konteyner tabanlı ve merkezî olarak izlenen ajan altyapısı,
8. RFI, kampanya planlama ve satış araştırması ajanları,
9. İlk 90 günlük operasyonel göstergeler,
10. Gölge yapay zekâ ve tedarikçi risk yönetimi.

Vaka içinde bildirilen temel sonuçlar

• 90.000 yapay zekâ etkileşiminden 1.750 saatin üzerinde zaman tasarrufu bildirilmiştir.
• Toplam 134.000 ABD doları değer üretildiği belirtilmiştir.
• Kampanya özetlerinden aylık yaklaşık 45.000 ABD doları tasarruf tahmin edilmiştir.
• Kampanya yönetimindeki manuel görevlerin yüzde 70 azaldığı bildirilmiştir.
• Kod incelemelerinin yüzde 50 hızlandığı belirtilmiştir.
• RFI üretimi, kampanya planlama ve satış adaylarını araştırma ilk uygulama alanları olarak seçilmiştir.
• Şirket çalışanların farklı yapay zekâ araçlarını kullanmasına izin verirken ajanların merkezî bulut ortamında çalışmasını şart koşmuştur.
• Yeni yazılım tedarikçilerinin hukuk ve bilgi güvenliği onayından geçmesi zorunlu tutulmuştur.

Bu sonuçlar, vaka metninde bildirilen kurumsal göstergelerdir. Veri toplama, hesaplama, hata payı veya bağımsız denetim bilgisi bulunmadığı için bilimsel etki büyüklükleri olarak değerlendirilmemelidir.

Bilimsel olarak sınanabilecek gelecekteki sorular

• Katmanlı benimseme modeli, merkezî yapay zekâ geliştirme modeline göre daha yüksek çalışan kabulü sağlıyor mu?
• Yapay zekâ ajanları iş süresini azaltırken hata ve yeniden çalışma oranını nasıl değiştiriyor?
• Tek veri gölüne geçiş, ajanların doğruluğunu ve kaynak izlenebilirliğini ne ölçüde artırıyor?
• İnsan onayı, otomatik taslaklardaki hataların ne kadarını yakalayabiliyor?
• Yapay zekâ elçileri ve çalışan test ekipleri gölge yapay zekâ kullanımını azaltıyor mu?
• Şirket içi üretkenlik uygulamaları mı, müşteri ürünleri mi daha yüksek ve kalıcı ekonomik değer oluşturuyor?
• İlk 90 günlük kazançlar bir, iki ve üç yıllık dönemlerde devam ediyor mu?
• Model farklı büyüklükteki ve farklı ülkelerdeki şirketlere aktarıldığında hangi bileşenler değişiyor?

Kaynak ve Yöntem Notu

Çalışmanın tam özgün adı: Cadent: Managing AI Transformation in the Connected TV Advertising Industry

Yazarlar ve sıraları: Evangelos Katsamakas; Aditya Saharia

Eş katkı veya eş birinci yazarlık: Çalışmada eş katkı açıklaması bulunmamaktadır.

İletişim yazarı: Resmî SSRN kaydında Evangelos Katsamakas iletişim yazarı olarak gösterilmektedir.

Kurumsal bağlantı: Gabelli School of Business, Fordham University, Amerika Birleşik Devletleri.

Yazarların doğrulanan görevleri: Evangelos Katsamakas ve Aditya Saharia, Fordham University Gabelli School of Business bünyesinde Information, Technology, and Operations alanında profesördür.

Kaynak türü: Akademik öğretim vakası, işletme vakası ve SSRN çalışma metni.

Yazım tarihi: 5 Haziran 2026.

SSRN’ye yüklenme tarihi: 28 Haziran 2026.

Sayfa sayısı: 13.

SSRN kayıt numarası: 6890459.

DOI: DOI bilgisi yüklenen metinde bulunmamaktadır ve erişilebilen resmî SSRN metadata kaydında görünür biçimde doğrulanamamıştır. Bu nedenle DOI tahmin edilmemiştir.

Dergi: Hakemli bir dergi adı bulunmamaktadır.

Yayın platformu: Social Science Research Network (SSRN).

Özgün yayınevi: Hakemli bir dergi yayınevi bulunmamaktadır. Çalışma Fordham University Gabelli School of Business öğretim vakası olarak hazırlanmış ve SSRN’de paylaşılmıştır.

Hakemlik durumu: Hakemli dergi değerlendirmesinden geçtiğine ilişkin kayıt doğrulanmamıştır. Çalışma öğretim vakası/preprint niteliğinde okunmalıdır.

Resmî çalışma bağlantısı:SSRN çalışma sayfası

Etik ve izin açıklaması: Resmî SSRN metadata kaydında Michael Michelini’den yazılı izin alındığı belirtilmektedir.

Finansman açıklaması: Yüklenen çalışmada ayrı bir finansman bildirimi bulunmamaktadır.

Çıkar çatışması: Yüklenen çalışmada ayrı bir çıkar çatışması bildirimi bulunmamaktadır. Vaka Michael Michelini’nin desteğiyle hazırlanmıştır.

Birincil veri uyarısı: Çalışmanın ilk sayfasındaki dipnot, vakanın yalnızca eğitim amacıyla geliştirildiğini, şirket veya ürün onayı oluşturmadığını ve birincil veri kaynağı olmadığını açıkça belirtmektedir.

Bu Türkçe açıklama, yüklenen 13 sayfalık çalışma; metni, tabloları, reklam harcaması grafiği, şirket zaman çizelgesi, ajan kapasite şeması, Ek C’deki ayrıntılı iş akışları ve yöntemsel uyarılarıyla birlikte incelenerek hazırlanmıştır. Bilimsel ve işletmesel içerik çalışmanın kendi anlatımına dayandırılmış; dış kaynaklar yalnızca başlık, yazarlar, kurumsal görevler, SSRN kaydı, tarih ve yayın türü gibi bibliyografik bilgilerin doğrulanmasında kullanılmıştır.

Vaka, Cadent’in yapay zekâ dönüşümüne ilişkin uygulanabilir bir yönetim modeli ve erken performans göstergeleri sunmaktadır. Bununla birlikte bildirilen mali ve operasyonel sonuçlar bağımsız olarak doğrulanmamış; veri toplama ve hesaplama yöntemleri açıklanmamıştır. Dolayısıyla çalışma, katmanlı yapay zekâ benimsemesinin kesin etkinlik kanıtı değil, başka kurumlarda karşılaştırmalı biçimde sınanabilecek güncel bir işletme vakası olarak değerlendirilmelidir.