İnek Patikalarını Asfaltlamayı Bırakın: Yapay Zekâ Uygulamasından Önce Süreç Analizi ve Optimizasyon Neden Gelmeli?

Günümüzde yönetim kurulu toplantılarında “Yapay Zekâ stratejimiz nedir?” sorusunun sorulmadığı pek az yer var. Harekete geçme baskısı gerçek, fırsatı kaçırma korkusu yüksek: Rakipler pilot uygulamalar duyuruyor ve Yapay Zekâ ile manşetlere çıkıyor, tedarikçiler dönüşüm vaat ediyor ve kimse bu dalgayı kaçıran şirket olmak istemiyor. Bu baskı altında tanıdık bir örüntü ortaya çıkıyor: Kuruluşlar, Yapay Zekâ uygulamasını projenin kendisi olarak görüyor; önce bir araç seçiyor, sonra onu uygulayacakları bir yer arıyor.

Ekonomi, bilgi sistemleri araştırmaları ve başarısız Yapay Zekâ girişimlerine ilişkin giderek artan sayıda geriye dönük değerlendirmeden elde edilen kanıtlar tam tersini gösteriyor. Yapay Zekâdan değer elde eden kuruluşlar, bu teknolojiyi en hızlı benimseyenler değil; zemini hazırlayanlar: Tek bir model üretime alınmadan önce işlerini yeniden düşünen, iş süreçlerini haritalandıran, analiz eden ve optimize edenler. Çoğu zaman Bill Gates’e atfedilen bir özdeyiş, bunun ardındaki mantığı özetliyor: “(...) verimli bir operasyona uygulanan otomasyon verimliliği artırırken, verimsiz bir operasyona uygulanan otomasyon verimsizliği artırır.” Bu sözün kime ait olduğu bir şehir efsanesi olabilir; ancak göreceğimiz üzere, altında yatan mekanizma iyi belgelenmiştir.

Bu makale, disiplinli işletme yöneticilerinin her zaman izlediği sıralamanın lehine kanıtlarıyla birlikte bir sav ortaya koyuyor: Önce analiz et, sonra optimize et, en son otomatikleştir.

 

Kurumsal Yapay Zekânın Rahatsız Edici Aritmetiği

Sonuçlara bakalım. Deneyimli veri bilimcileri ve mühendislerle yapılan görüşmelere dayanan 2024 tarihli RAND Corporation araştırması, Yapay Zekâ projelerinin %80’inden fazlasının başarısız olduğunu tahmin ediyor; bu, Yapay Zekâ içermeyen BT projelerinin başarısızlık oranının yaklaşık iki katı [1]. Bir yıl sonra MIT’nin Project NANDA’sı, üretken Yapay Zekâ dönemine ilişkin daha da çarpıcı bir rakam açıkladı: Kurumsal yatırımlar on milyarlarca doları bulmasına rağmen, GenAI pilot uygulamalarının yaklaşık %95’i kâr ve zarar üzerinde ölçülebilir bir etki yaratmıyordu; kuruma özel araçların ise yalnızca yaklaşık %5’i geniş ölçekte üretime geçiyordu [2].

Anket verileri de aynı hikâyeyi farklı bir açıdan anlatıyor. S&P Global Market Intelligence, girişimlerinin çoğunu bırakan şirketlerin oranının 2025’te %42’ye çıktığını, bir önceki yıl bu oranın %17 olduğunu ve kavram kanıtı çalışmalarının ortalama %46’sının üretime geçmeden rafa kaldırıldığını buldu [3]. Gartner da bu elemeyi öngörmüş ve 2025’in sonuna kadar üretken Yapay Zekâ projelerinin en az %30’unun kavram kanıtı aşamasından sonra terk edileceğini tahmin etmişti [4]. Üstelik bunların hiçbiri yalnızca üretken Yapay Zekâya özgü değil: ChatGPT henüz ortada yokken, 2019’da MIT Sloan Management Review ve Boston Consulting Group’un küresel araştırması, her on şirketten yedisinin o güne kadarki Yapay Zekâ yatırımlarının etkisinin çok az olduğunu ya da hiç olmadığını bildirdiğini ortaya koymuştu [5].

Ancak önemli bulgu başarısızlık oranı değil, başarısızlığın nedenleri. RAND araştırmacıları temel nedenleri sınıflandırdığında, başlıca nedenlerin algoritmalarla neredeyse hiçbir ilgisi yoktu: İş liderleriyle teknik ekiplerin Yapay Zekânın hangi sorunu çözmesi gerektiği konusunda uzlaşamaması; yeterli modelleri eğitmek için gereken verilerin bulunmaması; gerçek kullanıcı sorunlarını çözmek yerine en yeni teknolojiyi kullanmaya odaklanılması; altyapı ve veri yönetişiminin yetersizliği [1]. MIT raporu da bunu tamamlayan bir sonuca vardı: Pilot uygulamalar, araçlar gerçek iş akışlarına uymadığı ve işin bağlamından öğrenemediği için başarısız oluyor; model kalitesinden değil, operasyonlardan kaynaklanan bir “öğrenme açığı” söz konusu [2].

Başka bir deyişle, kurumsal Yapay Zekâ projeleri çoğunlukla doğru problem seçimi, veri ve süreç entegrasyonu konularında başarısız oluyor. Süreç analizinin doğruya ulaştırmayı amaçladığı üç konu da tam olarak bunlar.

 

Bu Filmi Daha Önce İzledik

Kuruluşların içinden genel amaçlı bir teknolojinin geçtiği son dönemi hatırlayanlar için bunların hiçbiri şaşırtıcı olmamalı. 1990’da, şirketlerin on yıl boyunca yaptığı yoğun BT harcamaları hayal kırıklığı yaratan verimlilik sonuçları doğurduktan sonra, Michael Hammer gelmiş geçmiş en etkili yönetim makalelerinden birinde bunun nedenini teşhis etti: Şirketler, eski iş yapma biçimlerini mekanikleştirmek için teknolojiyi kullanıyor, verimsiz süreçleri olduğu gibi bırakıp bilgisayarlarla hızlandırıyordu. Hammer, “İnek patikalarını asfaltlamayı bırakmanın zamanı geldi,” diye yazmıştı; eski süreçleri silikona ve yazılıma gömmek yerine, kuruluşlar önce işin kendisini yeniden tasarlamalıydı [6].

Ekonomistler daha sonra Hammer’ın sezgisel olarak gördüğü bu durumu sayısal olarak ortaya koydu. Erik Brynjolfsson ve Lorin Hitt, 1990’lar boyunca şirket düzeyindeki verileri inceleyerek BT yatırımlarının getirilerinin büyük farklılıklar gösterdiğini ve bu farkın tamamlayıcı kurumsal yatırımlarla açıklanabildiğini gösterdi: Süreçlerini yeniden tasarlayan, karar alma yetkisini dağıtan ve becerilere yatırım yapan şirketler, yalnızca teknoloji kurulumuyla yetinen şirketlere çok az fayda sağlayan aynı teknolojiden büyük verimlilik kazanımları elde etti [7]. Yirmi yıl sonra aynı araştırma geleneği bunu “verimlilik J eğrisi” olarak resmileştirdi: Elektrik, bilişim ve şimdi de Yapay Zekâ gibi genel amaçlı teknolojiler, faydalarını ancak bir gecikmenin ardından sağlar; çünkü şirketlerin önce yeni süreçler, yeni beceriler ve yeniden düzenlenmiş iş akışları gibi maddi olmayan tamamlayıcı unsurları oluşturması gerekir. Bu tamamlayıcı unsurları atlayın, teknoloji süresiz olarak düşük performans gösterir [8].

Yapay Zekâ bu filmin, daha büyük bütçeli ve daha hızlı heyecan döngülerine sahip devam filmi. Teknoloji değişti; tamamlayıcılığın ekonomisi değişmedi.

İşte bu nedenle Mourinho Solutions, kuruluşunuzdaki verimliliğin önünü açmanıza ve Yapay Zekâ yatırımınızın getirisini en üst düzeye çıkarmanıza rehberlik edecek doğru iş ortağıdır. Biz, işin önce gelmesi gerektiğini savunuyoruz; teknoloji (ve Yapay Zekâ) onu izlemeli. Bunun için de 5 iyi nedenimiz var.

 

1. Neden: Otomasyon, Dokunduğu Her Süreci Güçlendirir

Bir sürece uygulanan algoritma, o sürecin mantığını, sorunlu yanları da dâhil olmak üzere, devralır. Hammer’ın BT konusundaki ilk uyarısı buydu [6]; robotik süreç otomasyonunun (RPA) 2010’ların sonlarında yaygınlaşmasıyla araştırma topluluğu da aynı uyarıyı yaptı. RPA robotları işin şu anda nasıl yapıldığını (aynı ekranlarda dolaşarak, aynı kuralları izleyerek) kopyaladığından, süreci önce incelemeden otomasyona geçmek verimsizliğin üzerini dijital betonla kaplama; kötü bir süreci hızlandırma, katılaştırma ve değiştirmeyi zorlaştırma riski taşır [9]. RPA literatürüne yönelik sistematik bir inceleme de süreçlerin seçimini ve uygunluğunu (kurallara dayalı, standartlaştırılmış, olgun süreçler) başarının temel belirleyicilerinden biri olarak saptadı; yanlış süreç seçimini ise başarısız girişimlerin tekrar eden nedenlerinden biri olarak gösterdi [10].

Bu ders, Yapay Zekâya doğrudan uygulanabilir ve riskleri muhtemelen daha da büyüktür. Bozuk bir onay zincirinde yanıt taslağı hazırlayan bir dil modeli, darboğazın kuyruğunu yalnızca daha hızlı doldurur. Kimsenin uymadığı bir planlama süreci için talep tahmini yapan bir makine öğrenmesi modeli, kimsenin kullanmadığı tahminler üretir. Otomasyonun asıl amacı güçlendirmektir; bu yüzden güçlendirilecek şeyin önce incelenmesi gerekir.

 

2. Neden: Veri Kalitesi Süreçlerin Bir Sonucudur ve Tahmin Ettiğinizden Daha Kötüdür

Her Yapay Zekâ sistemi veriye dayanır; veri de süreçlere dayanır: İşletmenin günlük operasyonları tarafından oluşturulur, sisteme girilir, dönüştürülür ve aktarılır. Verilerin mevcut durumu kaygı vericidir. Yöneticilerin kendi kuruluşlarına ait kayıt örneklerini değerlendirdiği bir araştırmada, şirketlerin verilerinin yalnızca %3’ünün temel kalite standartlarını karşıladığı, yeni oluşturulan kayıtların neredeyse yarısında ise işi etkileyen en az bir kritik hata bulunduğu görüldü [11]. RAND araştırmasına katılanlar, yeterli ve kullanılabilir veri eksikliğini Yapay Zekâ projelerinin başlıca başarısızlık nedenleri arasında gösterdi ve kuruluşların teknolojinin gerektirdiği veri hazırlığı çalışmalarını kronik biçimde hafife aldığını belirtti [1].

Bu durumu görmezden gelmenin sonuçları, uygulayıcıların deneyimlerini ele alan araştırmalarda da açıkça belgelenmiştir. Yüksek riskli alanlarda çalışan Yapay Zekâ uygulayıcılarını inceleyen bir araştırmada, katılımcıların %92’si “veri zinciri felaketleri” yaşadığını bildirdi. Bunlar, yukarı akıştaki veri kalitesi sorunlarının tetiklediği ve genellikle bozuk modeller ya da terk edilen uygulamalar olarak geç aşamada ortaya çıkan, giderek büyüyen aşağı akış başarısızlıklarıdır [12]. Araştırmanın başlığı bile sektördeki sıralama sorununu teşhis ediyor: “Herkes model üzerinde çalışmak istiyor, veri üzerinde değil.”

Stratejik nokta şu: Veri temizleme çalışmasıyla veri kalitesini düzeltemezsiniz; çünkü kötü veriler, onları üreten süreçler tarafından sürekli olarak yeniden üretilir. Süreç analizi verilerin nerede doğduğunu, kopyalandığını, yeniden girildiğini ve bozulduğunu ortaya çıkarır; süreç optimizasyonu ise sorunu kaynağında giderir. Süreçlerini önce optimize eden bir kuruluş, gelecekteki Yapay Zekâsının dayanacağı veri altyapısını da sessizce ve eş zamanlı olarak kurar.

 

3. Neden: Süreçlerin Görünürlüğü Olmadan Yanlış Kullanım Alanlarını Seçersiniz

Yapay Zekânın nerede kullanılacağına karar vermek bir portföy kararıdır ve işin gerçekte nasıl ilerlediğini bilmeden bu karar sağlıklı biçimde verilemez. Davenport ve Ronanki [13], bilişsel teknolojiye yönelik 152 projeyi incelediklerinde, iddialı “Ay’a insan gönderme” türü uygulamaların düzenli olarak hayal kırıklığı yarattığını; başarılı kullanıcıların ise kademeli bir yaklaşım benimsediğini buldu: Süreçleri görev görev inceleyip belirli Yapay Zekâ yeteneklerini belirli iş akışlarındaki belirli darboğazlarla eşleştirmek.

Görev düzeyindeki bu görünürlüğü, iş süreci yönetimi (BPM) disiplini sağlar ve bu, temel Yetkinliklerimizden biridir. Standart BPM yaşam döngüsü; süreçlerin belirlenmesi, keşfedilmesi, analiz edilmesi ve yeniden tasarlanması aşamalarından geçer; bunlar uygulama ve otomasyondan önce gelir. Bu sıralama, incelenmemiş bir süreci otomatikleştirmenin kategori hatası olduğunu gösteren onlarca yıllık uygulama deneyiminin özüdür [14]. Modern süreç madenciliği bunu daha da güçlendirir: Mevcut BT sistemlerinin olay günlüklerinden süreçleri yeniden oluşturarak, görüşlere dayalı süreç haritalarının yerini kanıtlarla doldurur; gerçek süreç çeşitlerini, yeniden işleme döngülerini, sapmaları ve darboğazları açığa çıkarır. Bunlar yalnızca görüşmelerle asla ortaya çıkarılamaz [15]. Başka bir deyişle, ameliyattan önce çekilen bir röntgen gibidir; yöneticilerin tarif ettiği sürecin, kuruluşun gerçekte yürüttüğü süreç olmadığını sık sık gösterir.

Klasik otomasyon başarı öyküleri de tam olarak bu seçim disiplinine dayanıyordu. En eski ve en çok atıfta bulunulan RPA uygulamalarından biri olan Telefónica O2’de, sonunda yüzde yüzlerle ifade edilen bir yatırım getirisi sağlayan otomasyon hedefleri bilinçli biçimde seçilmişti: Yazılım robotları devreye alınmadan önce istikrara kavuşturulmuş, yüksek hacimli, standartlaştırılmış ve kurallara dayalı süreçler [16]. Başarıyı yazılım değil, seçim süreci getirdi.

 

4. Neden: Bazen En İyi “Yapay Zekâ Projesi” Bir Adımı Silmektir

Süreç analizi rahatsız edici bir alışkanlığa sahiptir: Yapay Zekâya hiç ihtiyaç duymayan sorunları ortaya çıkarmaya devam eder. Yinelenen bir onay, kimsenin okumadığı bir rapor, 2014’teki bir organizasyon şeması yüzünden varlığını sürdüren bir devir teslim ya da kolayca entegre edilebilecek iki sistem arasında verilerin elle yeniden girilmesi… Endüstri mühendisliğinin klasik öğretisi, otomasyondan önce ortadan kaldırmayı, birleştirmeyi ve basitleştirmeyi söyler; çünkü israfı otomatikleştirmek yalnızca daha hızlı israf üretir. Hammer’ın “Otomatikleştirmeyin, ortadan kaldırın” savının özü de buydu: Teknolojiden hızlandırması istenen işlerin çoğu, en başta hiç var olmamalıydı [6].

Kişisel bir not olarak, Leonardo da Vinci’ye atfedilen “sadelik en üstün gelişmişliktir” özdeyişini çok severim. Bir süreci basitleştirmek yoğun emek ister: Güçlü analitik Yetkinlikler, farklı organizasyon alanlarından gelen girdileri ilişkilendirme becerisi ve farklı alanlardaki bilgileri bütünleştirme yeteneği gerektirir. Mourinho Solutions’ı etrafında kurduğumuz işte tam da bu ustalık söz konusudur.

Yapay Zekâ programına yatırım yapmak üzere olan bir kuruluş için bu, yoldan sapmak değil; bedelsiz kazanım ve risk azaltımıdır. Ortadan kaldırılan adımların otomasyon maliyeti yoktur, model bakımı gerektirmez, yeni hata biçimleri yaratmaz ve getiriyi hemen sağlamaya başlar. Süreç çalışmasının ikinci bir getirisi daha vardır: Ölçülmüş bir başlangıç düzeyi. MIT NANDA raporunun temel bulgularından biri, GenAI pilot uygulamalarının çoğunun kâr ve zarar üzerindeki etkisini ölçülebilir biçimde gösterememesiydi [2]; ancak etki, yalnızca bilinen bir başlangıç noktasıyla karşılaştırılarak ölçülebilir. Optimize edilmiş bir sürecin belgelenmiş çevrim süreleri, hata oranları ve işlem başına maliyetleri bulunur; böylece sonraki Yapay Zekâ uygulaması, yatırım getirisini kanıtlama olanağını bedelsiz olarak devralır.

 

5. Neden: Yapay Zekâdan Değer, Yazılımla Kurulmaz; Kurumsal Değişimle Elde Edilir

Son olarak, Yapay Zekâ değerinin gerçekte nereden geldiğini inceleyen araştırmalar, önce araç seçen stratejiler açısından rahatsız edici bir gerçekte buluşuyor: Değer, iş süreçleri düzeyinde ortaya çıkar ve ancak kuruluş teknolojiye göre değiştiğinde elde edilir. Yapay Zekâ ve iş değeri üzerine yapılan sistematik bir literatür incelemesi, ilk aşamadaki etkilerin süreç verimliliği ve süreç içindeki kararların iyileşmesi biçiminde görüldüğünü; bu etkilerden değer elde etmenin ise modelin gelişmişliğine değil, kurumsal kolaylaştırıcılara ve bilinçli iş süreci dönüşümüne bağlı olduğunu ortaya koydu [17]. Yapay Zekâyı benimseyen kuruluşlarla yapılan görüşme araştırmaları da stratejik uyum, veri kalitesi ve yönetişimi, süreç bilgisi ve kültür gibi kurumsal hazırlık unsurlarının, benimseme kararlarından önce değerlendirilmesi gereken ön koşullar olduğunu; sonradan keşfedilmemesi gerektiğini gösteriyor [18].

Uygulayıcıların araştırmaları da bu görüşü destekliyor. Harvard Business Review’da yazan McKinsey yöneticileri, Yapay Zekâyı ölçeklendirmenin önündeki en büyük engellerin teknik değil, kültürel ve kurumsal olduğunu ve başarının iş akışlarını yeniden tasarlamayı, Yapay Zekâ girişimlerini BT kurulumları olarak değil, iş liderliğinde yürütülen süreç değişimleri olarak ele almayı ve disiplinler arası ekiplerle çalışmayı gerektirdiğini bildirdi [19]. MIT Sloan/BCG’nin küresel araştırmasında da Yapay Zekâdan gerçekten değer elde eden şirketler, teknolojiyi stratejinin kendisi olarak görmek yerine stratejiyi, kurumsal değişimi ve teknolojiyi bir araya getirme biçimleriyle öne çıktı [5].

Süreç analizi ve optimizasyonu, doğru sırayla yapılan tam da bu kurumsal çalışmadır. Liderleri hangi sorunların önemli olduğu konusunda uzlaştırır (RAND’ın bir numaralı başarısızlık nedenini ele alır [1]), iş akışlarını yeniden tasarlamak için gereken süreç anlayışını oluşturur ve Yapay Zekânın güvenle uygulanabileceği istikrarlı, standartlaştırılmış operasyonları hazırlar.

 

Mourinho Solutions ile “Önce Süreç”

Yukarıdaki nedenlerin hiçbiri, birilerinin bir modele dokunmasına izin verilmeden önce yıllarca analiz yapılmasını savunmuyor. Savunduğumuz, disiplinli ve kısa bir sıralama: BPM yaşam döngüsünün esasen ilk yarısı [14]. Bu çalışma, önündeki Yapay Zekâ programının hedefleriyle orantılı biçimde ve çeyrekler değil haftalar içinde tamamlanır.

Mourinho Solutions, güncel bilgi birikimine ve yılların deneyimine dayanan, kuruluşunuzu tüm BPM yaşam döngüsü boyunca sistematik biçimde ilerleten ve yatırımınızdan en yüksek getiriyi elde etmenizi sağlayan, size özel bir danışmanlık yaklaşımı sunar.

Ayrıca, bileşik etki olarak adlandırmaya değer bir unsur da var. Başarılı azınlığı oluşturan kuruluşlar (MIT’nin %5’i, MIT Sloan/BCG araştırmalarındaki “öncüler”) yalnızca başarısızlıktan kaçınmadı; sonraki her Yapay Zekâ uygulamasını bir öncekinden daha ucuz ve hızlı kılan kurumsal kapasiteyi de geliştirdi [5], [2]. Süreçlerin netliği, temiz veri akışları ve ölçüm disiplini birer altyapıdır. Değerleri zamanla artar.

 

Sonuç: Yapay Zekâya Hazır Olmak, Süreçlere Hazır Olmaktır

Yapay zekâyı hayata geçirme telaşı, süreç analizini gecikme olarak görüyor. Oysa kanıtlar bunun tam tersini gösteriyor: Süreç analizi, yapay zekâ projelerinin başarısızlığının belgelenmiş temel nedenlerini —yanlış problem, yetersiz veri ve entegre edilmemiş iş akışları— terk edilmiş bir pilot projeye dönüşmeden önce ele alarak riski azaltmak için elimizdeki en yüksek etkili araçtır. Mevcut işleyişi sorgulamadan otomatikleştirmek neredeyse hiç değer yaratmaz; hatta değeri azaltabilir. İş süreçlerinin yeniden tasarımından [6] tamamlayıcılık ekonomisine [7], [8] ve günümüzün yapay zekâ proje değerlendirmelerine [1], [2] uzanan 35 yıllık araştırmaların ortak bir mesajı var: Teknoloji, dahil olduğu kuruluşun etkisini katlar. Önce kuruluşu optimize edin; böylece yapay zekâ, katlamaya değer bir şeyi katlar.

O hâlde liderlik ekiplerinin sorması gereken soru “Yapay zekâyı ne kadar hızlı hayata geçirebiliriz?” değil, “Anlayıp optimize ettikten sonra yapay zekânın gerçekten dönüştüreceği süreçlerimiz hangileri?” olmalı. Bu soruyu doğru sırayla yanıtlamak, %5’i %95’ten ayıran şeydir.

Mourinho Solutions, kuruluşunuzun %5’in içinde yer almasını sağlar.

---

Mourinho Solutions olarak çalışma şeklimiz bu sıralamaya dayanıyor. Kuruluşların süreçlerini haritalandırıp analiz etmelerine ve ölçülebilir kazanımlar sağlayacak şekilde optimize etmelerine yardımcı oluyor, ardından yalnızca somut fayda sağlayacağı kanıtlanan alanlarda yapay zekâ çözümleri tasarlayıp hayata geçiriyoruz. Şirketiniz bir yapay zekâ girişimi planlıyorsa, süreçleriniz hakkında bir görüşmeyle başlayın — süreç değerlendirmesi için bize ulaşın.

 

 

Kaynaklar

[1] J. Ryseff, B. F. De Bruhl, and S. J. Newberry, Yapay Zekâ Projelerinin Başarısızlığının Temel Nedenleri ve Başarıya Ulaşma Yolları: Yapay Zekâdaki Hatalı Yaklaşımlardan Kaçınmak. Santa Monica, CA, USA: RAND Corporation, 2024. [Online]. Available: https://www.rand.org/pubs/research_reports/RRA2680-1.html

[2] A. Challapally, C. Pease, R. Raskar, and P. Chari, “Üretken Yapay Zekâ uçurumu: İş dünyasında yapay zekânın durumu 2025,” MIT NANDA, Cambridge, MA, USA, 2025. [Online]. Available: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf

[3] S&P Global Market Intelligence, “Kurumsal yapay zekâ ve makine öğrenimi algısı” araştırması, 2025; bulgular “Yapay zekâ projelerindeki başarısızlık oranları artıyor: Rapor,” CIO Dive, Mar. 2025’te yayımlandı. [Online]. Available: https://www.ciodive.com/news/AI-project-fail-data-SPGlobal/742590/

[4] Gartner, “Gartner, üretken yapay zekâ projelerinin %30’unun 2025 sonuna kadar kavram kanıtı aşamasından sonra terk edileceğini öngörüyor,” Basın bülteni, Jul. 29, 2024. [Online]. Available: https://www.gartner.com/en/newsroom/press-releases/2024-07-29-gartner-predicts-30-percent-of-generative-ai-projects-will-be-abandoned-after-proof-of-concept-by-end-of-2025

[5] S. Ransbotham, S. Khodabandeh, R. Fehling, B. LaFountain, and D. Kiron, “Yapay zekâ ile başarıya ulaşmak,” MIT Sloan Management Review and Boston Consulting Group, Cambridge, MA, USA, Araştırma raporu, 2019. [Online]. Available: https://sloanreview.mit.edu/projects/winning-with-ai/

[6] M. Hammer, “İşin yeniden tasarlanması: Otomatikleştirmeyin, kökten değiştirin,” Harvard Business Review, cilt 68, sayı 4, ss. 104–112, Jul.–Aug. 1990. [Online]. Available: https://hbr.org/1990/07/reengineering-work-dont-automate-obliterate

[7] E. Brynjolfsson and L. M. Hitt, “Hesaplamanın ötesinde: Bilgi teknolojisi, kurumsal dönüşüm ve iş performansı,” Journal of Economic Perspectives, cilt 14, sayı 4, ss. 23–48, 2000, doi: 10.1257/jep.14.4.23.

[8] E. Brynjolfsson, D. Rock, and C. Syverson, “Verimlilik J eğrisi: Maddi olmayan varlıklar genel amaçlı teknolojileri nasıl tamamlar,” American Economic Journal: Macroeconomics, cilt 13, sayı 1, ss. 333–372, Jan. 2021, doi: 10.1257/mac.20180386.

[9] W. M. P. van der Aalst, M. Bichler, and A. Heinzl, “Robotik süreç otomasyonu,” Business & Information Systems Engineering, cilt 60, sayı 4, ss. 269–272, 2018, doi: 10.1007/s12599-018-0542-4.

[10] R. Syed et al., “Robotik süreç otomasyonu: Güncel temalar ve zorluklar,” Computers in Industry, cilt 115, Makale no. 103162, Feb. 2020, doi: 10.1016/j.compind.2019.103162.

[11] T. Nagle, T. C. Redman, and D. Sammon, “Şirketlerin verilerinin yalnızca %3’ü temel kalite standartlarını karşılıyor,” Harvard Business Review, Sep. 11, 2017. [Online]. Available: https://hbr.org/2017/09/only-3-of-companies-data-meets-basic-quality-standards

[12] N. Sambasivan, S. Kapania, H. Highfill, D. Akrong, P. Paritosh, and L. Aroyo, “‘Herkes model üzerinde çalışmak istiyor, veri üzerinde değil’: Yüksek riskli yapay zekâ uygulamalarında veri kaskatları,” 2021 CHI İnsan Bilgisayar Etkileşimi Konferansı Bildirileri (CHI ’21) içinde, Yokohama, Japan, 2021, Makale no. 39, doi: 10.1145/3411764.3445518.

[13] T. H. Davenport and R. Ronanki, “Gerçek dünya için yapay zekâ,” Harvard Business Review, cilt 96, sayı 1, ss. 108–116, Jan.–Feb. 2018. [Online]. Available: https://hbr.org/2018/01/artificial-intelligence-for-the-real-world

[14] M. Dumas, M. La Rosa, J. Mendling, and H. A. Reijers, İş Süreci Yönetiminin Temelleri, 2. baskı. Berlin, Germany: Springer, 2018, doi: 10.1007/978-3-662-56509-4.

[15] W. M. P. van der Aalst, Süreç Madenciliği: Uygulamada Veri Bilimi, 2. baskı. Berlin, Germany: Springer, 2016, doi: 10.1007/978-3-662-49851-4.

[16] M. C. Lacity and L. P. Willcocks, “Telefónica O2’de robotik süreç otomasyonu,” MIS Quarterly Executive, cilt 15, sayı 1, ss. 21–35, Mar. 2016. [Online]. Available: https://aisel.aisnet.org/misqe/vol15/iss1/4/

[17] I. M. Enholm, E. Papagiannidis, P. Mikalef, and J. Krogstie, “Yapay zekâ ve iş değeri: Bir literatür incelemesi,” Information Systems Frontiers, cilt 24, sayı 5, ss. 1709–1734, 2022, doi: 10.1007/s10796-021-10186-w.

[18] J. Jöhnk, M. Weißert, and K. Wyrtki, “Hazır olun ya da olmayın, yapay zekâ geliyor — Kurumların yapay zekâya hazır olma faktörleri üzerine bir mülakat araştırması,” Business & Information Systems Engineering, cilt 63, sayı 1, ss. 5–20, 2021, doi: 10.1007/s12599-020-00676-7.

[19] T. Fountaine, B. McCarthy, and T. Saleh, “Yapay zekâ destekli kuruluşun inşası,” Harvard Business Review, cilt 97, sayı 4, ss. 62–73, Jul.–Aug. 2019. [Online]. Available: https://hbr.org/2019/07/building-the-ai-powered-organization