Yapay zekâ ile iş stratejisi

Yapay zekâ birkaç dakika içinde pazar fikirleri, iş modelleri, fiyat önerileri ve rekabet analizleri üretebilir. Onu stratejik açıdan değerli kılan şey tam da budur — ve aynı zamanda tehlikeli kılan da.

İkna edici biçimde yazılmış bir strateji henüz sürdürülebilir bir iş değildir. Bir model kulağa mantıklı gelen müşteri segmentleri uydurabilir, pazar büyüklüğünü şişirebilir, rakipleri küçümseyebilir ya da fiyatı gerçek müşteri değerinden değil özellik listesinden türetebilir. Dil ne kadar etkileyiciyse ekonomik temeli varmış izlenimi de o kadar kolay oluşur.

Bu nedenle profesyonel soru şu değildir: Yapay zekâ hangi iş stratejisini öneriyor?

Asıl soru şudur: Projemizdeki hangi ekonomik varsayımlar gerçek, hangileri hipotez — ve para, zaman ve itibarımızı bunlara bağlamadan önce hangi kanıtların bulunması gerekir?

Yapay zekâ strateji çalışmasını hızlandırır. Hangi soruların önemli olduğunu sektör bilgisi belirler. Hangi cevapların ayakta kalacağını ise pazar kanıtı belirler.

İş stratejisi fikir listesi değildir

Strateji seçim demektir.

Bir proje kimin için değer yaratacağını, hangi problemi alternatiflerden daha iyi çözeceğini, bu değeri nasıl sunacağını, müşterinin çözümü nasıl fark edip satın alacağını ve ortaya çıkan faaliyetin nasıl ekonomik olarak sürdürülebilir hâle geleceğini seçer.

Bu nedenle 30 farklı gelir fikrinin listesi strateji değildir. Business Model Canvas da ilk aşamada yalnızca varsayımların yapılandırılmış bir görünümüdür.

Strateji, seçenekler arasında bilinçli tercih yapıldığında ve bu tercih daha sonra gerçeklikle sınandığında oluşur.

İlk kaynak sektör bilgisidir

Bir sektörü gerçekten bilen kişi, açık verilerde çoğu zaman görünmeyen şeyleri görür: müşterilerin hangi problemleri gerçekten acil gördüğünü, teorideki süreçlerle günlük uygulama arasındaki farkı, hangi bütçelerin gerçekten var olduğunu, kimin resmen karar verdiğini ve kimin fiilen engelleyebildiğini, hangi kalite özelliklerinin zaten asgari beklenti sayıldığını, hangi düzenleyici ya da kurumsal sürtünmelerin satın alma kararını geciktirdiğini — ve teknik olarak zarif görünen hangi “çözümün” uygulamada kullanışsız olduğunu.

Bu bilgi yapay zekânın karşısında duran eski moda bir unsur değildir. Yüksek değerli bağlamdır.

Yapay zekâ stratejik olarak ne kadar yoğun kullanılırsa, gerçek alan uzmanlığı da kulağa mantıklı gelen fakat ekonomik açıdan önemsiz önerileri elemek için o kadar değerli olur.

Yapay zekâ sektör bilgisinin yerine geçmez — onu çoğaltır

Güçlü bir bağlam verildiğinde yapay zekâ sektör bilgisini yapılandırabilir, karşı hipotezler kurabilir, pazar segmentlerini karşılaştırabilir, rakipleri araştırabilir ve komşu pazarlardan aktarılabilir örüntüler bulabilir.

Bu temel olmadan ise kolayca genel stratejiler üretir: abonelik, freemium, platform, topluluk, pazar yeri, premium hizmet, API, danışmanlık, lisanslama.

Bunların hepsi bazı projelerde işe yarayabilir. Ancak sadece isimlerini saymak bu projede hangisinin çalışacağını söylemez.

Bu nedenle yapay zekânın en güçlü rolü çoğu zaman “iş modelini icat etmek” değil, iş hipotezlerini sistematik biçimde üretmek, karşılaştırmak ve yanlışlanabilir hâle getirmektir.

Önce pazar haritası, sonra proje stratejisi

Büyük stratejik sorularda iki aşamalı araştırma, tek bir dev prompttan daha sağlamdır.

Aşama 1: Pazar alanını haritalamak

Önce ekip tarafından sevilen üründen bağımsız biçimde pazar incelenir: müşteri segmentleri, tipik problemler, mevcut çözümler, fiyat seviyeleri, satış ve dağıtım kanalları, pazara giriş engelleri, ilgili mevzuat, iş modelleri, başarılı ve başarısız sağlayıcılar, teknolojik değişimler.

Aşama 2: Bulguları kendi projene sıkıştırmak

Ancak bundan sonra şu soru sorulur: Bu örüntülerin hangileri bizim somut projemiz için gerçekten geçerli?

Bu sıra, araştırmanın yalnızca önceden sevilen bir fikri savunan argümanlar toplamasını engeller.

Yapay zekânın sektör efsanelerine değil gerçek örneklere ihtiyacı vardır

Strateji araştırması “bu sektörde şirketler genellikle X kullanıyor” gibi ifadelerde durmamalıdır.

Önemli iddialar mümkün olduğunca gerçek vakalara bağlanmalıdır: Bunu gerçekte kim yapıyor? Hangi müşteri segmenti için? Hangi fiyatla? Hangi kanal üzerinden? Teklifin içinde ne var? Ne zamandır uygulanıyor? Talep ya da ekonomik sürdürülebilirlik hakkında hangi güvenilir işaretler mevcut?

Bu yüzden yapay zekâya yalnızca “örnek ver” denmemeli; örnekleri kanıtlaması istenmelidir.

Pazar TAM ile başlamaz

Birçok strateji sunumu devasa bir Total Addressable Market ile başlar. Bu profesyonel görünebilir fakat erken aşamadaki bir proje hakkında şaşırtıcı derecede az şey söyler.

İlk önemli alan erişilebilir problem alanıdır.

Bir pazar yalnızca büyük olduğu için cazip değildir. Tanımlanabilir bir segment önemli bir problem yaşıyorsa ve ulaşılabilir bir çözüm algılanabilir değer yaratabiliyorsa stratejik olarak anlamlıdır.

Bottom-up sorular çoğu zaman daha faydalıdır: Bir yıl içinde gerçekçi olarak kaç müşteriye ulaşabiliriz? Bunların kaçında problem gerçekten var? Bütçe kimin elinde? Satış döngüsü ne kadar sürüyor? Teslimat kapasitemiz nedir? Hangi dönüşüm oranı gerçekçi olabilir?

Müşteri çoğu zaman tek bir kişi değildir

Özellikle B2B ortamında birkaç farklı rol vardır:

Yapay zekâ bu rolleri hızlı biçimde modelleyebilir. Fakat haritanın doğru olup olmadığını ancak görüşmeler, süreç bilgisi ve gerçek satış verileri gösterir.

Bir strateji çoğu zaman kullanıcı değer görmediği için değil, satın alan taraf bütçe gerekçesi bulamadığı ya da engelleyici rol risk gördüğü için başarısız olur.

Çözümden önce problem

Güçlü bir yapay zekâ projesi “bir agent yapacağız” cümlesiyle değil, test edilebilir bir problemle başlar.

İyi bir problemin en az dört özelliği vardır:

Önem — önemli bir sonucu etkiler.

Sıklık — ekonomik olarak anlamlı olacak kadar sık yaşanır.

Şiddet — bugünkü çözüm zaman, para, kalite veya risk maliyeti yaratır.

Memnuniyetsizlik — mevcut alternatifler problemi yeterince iyi çözmez.

Böylece stratejinin merkezi teknolojiden ekonomik sürtünmeye kayar.

Jobs, pains ve gains gözlemdir, hayal ürünü değil

Value Proposition Canvas müşteri görevlerini, sorunlarını ve beklediği kazanımları faydalı biçimde ayırır.^[4]

Ancak kritik ek kural şudur: Bu unsurlar sadece yapay zekâ tarafından doldurulmamalı; gözlemlenmeli ve test edilmelidir.

Bir model iyi bir ilk hipotez yazabilir:

“Pazarlama ekipleri kampanyaları daha hızlı yerelleştirmek istiyor, onay döngülerinden zarar görüyor ve tutarlı kalite bekliyor.”

Bu ifade ancak şu sorular cevaplandığında stratejik değer taşır: Problem ne kadar sık yaşanıyor? Bugün nasıl çözülüyor? Mevcut durumun maliyeti nedir? Sorundan fiilen kim etkileniyor? Hiçbir şey yapılmazsa ne oluyor?

Talep bir kanıt merdivenidir

Her olumlu tepki aynı değerde değildir.

Pratik bir kanıt merdiveni şöyle olabilir:

Yapay zekâ bu kanıtları düzenleyebilir. Ancak ilgiyi ödeme isteği gibi yorumlamamalıdır.

Value Proposition özellik listesi değildir

“Daha hızlı”, “daha akıllı”, “AI-powered”, “otomatik” ya da “multi-agent” henüz bir değer önerisi değildir.

Ekonomik değer önerisi şu soruyu cevaplar:

Hangi müşterinin hangi önemli sonucu, hangi mevcut duruma kıyasla iyileşiyor?

Örneğin:

“Gelen ihale dosyalarının manuel ön incelemesini iki saatten yirmi dakikaya indirir ve her kararı proje dosyasında izlenebilir tutar.”

Burada teknoloji sonuca çevrilmiştir.

Müşteri değeri ölçülebilir hâle gelmelidir

Her faydayı tam olarak euro cinsinden ifade etmek mümkün değildir. Ancak ekonomik strateji en azından mantıklı bir değer mekanizmasına ihtiyaç duyar.

Tipik değer boyutları şunlardır: tasarruf edilen çalışma süresi, ek kapasite, daha yüksek dönüşüm veya satış kapanış oranı, daha düşük hata maliyeti, daha düşük düzenleyici veya operasyonel risk, daha kısa time-to-market, daha yüksek kalite, daha düşük dış hizmet maliyeti, daha iyi kapasite kullanımı ve önlenen fırsat maliyeti.

Soru yalnızca “Çözüm ne yapabiliyor?” değildir; çözüm sayesinde hangi ekonomik durum değişiyor?

Fiyat token maliyetinden çıkmaz

Yapay zekâ projelerinde sık görülen hata teknoloji merkezli fiyatlandırmadır:

“API çağrısı 0,40 euro; o hâlde çıktıyı 2 euroya satarız.”

Bu, üretim maliyeti ile müşteri değerini karıştırır.

Fiyat en az dört güçten etkilenir: müşterinin algıladığı değer, mevcut çözümün alternatif maliyeti, rakip ve referans fiyatlar ile kendi maliyet ve marj yapımız.

Model maliyeti önemlidir — fakat ödeme isteğini tek başına belirlemez.

Ödeme isteği test edilmelidir

Müşteri problemi doğrulayabilir fakat yine de ödeme yapmayabilir.

Bu nedenle strateji erken aşamada şu testleri içermelidir: fiyat görüşmeleri, somut satış görüşmeleri, ücretli pilotlar, gerçek fiyat konumlandırmalı landing page’ler, teklif varyantları, uygun olduğunda ön sipariş ve müşterinin hâlihazırda ödeme yaptığı alternatiflerle karşılaştırma.

En değerli soru çoğu zaman “Bunu kullanır mıydınız?” değil şudur:

“Bunu bugün nasıl çözüyorsunuz — ve bu çözüm için hangi bütçe zaten harcanıyor?”

Revenue Model ve Pricing iki ayrı karardır

Aynı hizmet farklı biçimlerde gelir üretebilir: tek seferlik proje ücreti, abonelik, kullanıma göre fiyatlandırma, kullanıcı/seat modeli, lisans, retainer, başarı primi, hizmet artı yazılım, ücretli genişletmesi olan freemium ya da kurum içi cost-center tahsisi.

Revenue Model paranın nasıl aktığını anlatır. Pricing ise fiyatın ne kadar olduğunu ve nasıl yapılandırıldığını belirler.

İkisi de kullanım, satın alma ve maliyet yapısına uymalıdır.

İş modeli değer yaratmak, sunmak ve değerden pay almak demektir

Sürdürülebilir mimari üç seviyeyi birbirine bağlar:

Value Creation

Faydayı hangi yetenek üretiyor?

Value Delivery

Değer müşteriye satış, onboarding, entegrasyon, destek ve kalite güvence dâhil olmak üzere nasıl güvenilir biçimde ulaşıyor?

Value Capture

Üretilen değerin bir bölümü nasıl gelire ve katkı marjına dönüşüyor?

Birçok yapay zekâ projesi ilk seviyede etkileyici, diğer iki seviyede eksiktir.

Maliyet yapısı: stratejinin görünmeyen yarısı

Yapay zekâ ürünlerinde maliyet yalnızca model değildir.

Gerçekçi bir maliyet haritasında şunlar olabilir: model ve API kullanımı, arama ve veri sağlayıcıları, hosting ve depolama, yerel donanım ve amortisman, geliştirme ve bakım, observability ve eval süreçleri, insan review süresi, destek, satış, veri lisansları, compliance ve hukuki inceleme, entegrasyonlar, kesinti ve fallback kapasitesi ile iade ve hata düzeltme maliyetleri.

Review, destek ve müşteri kazanımı baskınsa ucuz inference pahalı bir hizmet üretebilir.

Değişken yapay zekâ maliyetleri proje ekonomisini değiştirir

Klasik yazılımda ek kullanıcı başına marjinal maliyet çok düşük olabilir. Agentic AI farklı davranabilir.

Uzun context’ler, multi-agent run’lar, Deep Research, görsel/video üretimi veya yoğun tool kullanımı değişken maliyeti ciddi biçimde artırabilir.

Bu nedenle stratejide Cost per Task, Cost per Successful Task, Cost per Customer, Human Review Minutes per Task, Retry Rate, Failure Cost ve Provider/Fallback Premium gibi metrikler yer almalıdır.

Ancak o zaman “yapay zekâ ucuz” test edilebilir bir iddia olur.

Ölçek hayalinden önce katkı marjı

Basit temel denklem şudur:

Birim başına katkı marjı = satış fiyatı − birim başına değişken maliyet.

Bir hizmet 100 euro gelir getiriyor fakat 35 euro model/tool maliyeti, 25 euro insan incelemesi ve 15 euro destek gerektiriyorsa, sabit maliyetleri ve kârı karşılamak için 25 euro kalır.

Kötü bir model büyüdükçe kötüleşir. Her ek birim negatif katkı üretiyorsa ölçeklenme başarı değildir.

Break-even bir proje parametresidir

Basit modellerde:

Break-even miktarı = sabit maliyetler ÷ (birim fiyat − birim değişken maliyet).

Bu tek başına tam bir finans planı değildir. Ancak fiyat, maliyet ve satış miktarını aynı gerçeklik modeline zorlar.

KfW’nin girişim finansmanında iş planını finansman, likidite ve kârlılık planlamasıyla birlikte ele almasının nedeni de budur.^[2]

Yapay zekâ değeri çoğu zaman modelde değil süreçtedir

Güncel kurumsal araştırmalar tekrar eden bir örüntü gösteriyor: Ekonomik değer yalnızca güçlü bir modele erişmekle otomatik oluşmuyor.

McKinsey, workflow yeniden tasarımını EBIT etkisiyle bağlantılı önemli faktörlerden biri olarak öne çıkarıyor.^[7] OECD ise model ve compute’un yanında veri, dijital altyapı, yönetim yetkinliği, beceriler ve finansman gibi tamamlayıcı yetenekleri vurguluyor.^[6]

Projeler için sonuç şudur:

“Daha iyi bir model kullanıyoruz” çoğu zaman tam bir iş stratejisi değildir.

Asıl soru hangi sürecin gerçekten farklı çalışmaya başladığıdır.

AI decoration’dan önce core use case

Bir yapay zekâ özelliği ilgi çekebilir fakat iş modelini taşımayabilir.

Bu nedenle her strateji şunları sormalıdır: Yapay zekâ müşteri değeri için vazgeçilmez mi? Yoksa yalnızca konforu mu artırıyor? Müşteri AI olmadan da çözümü satın alır mıydı? Değerin ne kadarı veri, workflow, dağıtım veya uzmanlıktan geliyor? Rakip yarın aynı temel modele erişirse hangi değer bizde kalır?

Bu sorular yatırım ve destek programı görüşmelerinde de önemlidir.

Tehlikeli “wrapper moat”

Tek rekabet avantajı “Model X’i iyi bir promptla kullanıyoruz” ise avantaj hızla kaybolabilir.

Daha dayanıklı farklılaşma özel veya erişimi zor alan verisinden, derin süreç entegrasyonundan, güçlü dağıtımdan, güven ve itibardan, düzenlemeye dayanıklı süreçlerden, ağ etkilerinden, kötüye kullanılmayan workflow lock-in’den, özel değerlendirme ve kalite verilerinden, uzmanlaşmış kullanıcı deneyiminden, müşteri ilişkileri ve hizmet yetkinliğinden ve fikrî mülkiyetten doğabilir.