Yapay Zeka Projelerinin %95'i Gerçekten Başarısız mı? MIT Raporunu Bir de Böyle Okuyun

"Kurumsal yapay zeka projelerinin %95'i başarısız oluyor."

Bu cümleyi bu yıl elli kez görmüşsünüzdür. Biz de gördük. Sonra raporun kendisini indirip 26 sayfanın tamamını okuduk. Okumaya değer bir rapor, ama viral olduğu sebepten değil.

%95 aslında neyi ölçüyor?

İstatistiğin kaynağı, MIT Project NANDA'nın Temmuz 2025 tarihli "The GenAI Divide: State of AI in Business 2025" raporu (Challapally, Pease, Raskar ve Chari). Araştırma 52 kurumla yapılan görüşmelere, 153 yönetici anketine ve 300'den fazla kamuya açık yapay zeka girişiminin incelenmesine dayanıyor.

Raporun kendi tanımına bakalım. "Başarılı" sayılmak için bir aracın, kullanıcıların ya da yöneticilerin "belirgin ve kalıcı bir üretkenlik veya kâr etkisi" olarak nitelediği bir sonuç üretmesi gerekiyor; etki, pilotun bitiminden altı ay sonra değerlendiriliyor. Yani ölçülen şey bilanço değil, görüşülen kişilerin beyanı. Raporun kendi araştırma notu da bunu söylüyor: rakamlar resmi şirket raporlamasına değil, bireysel görüşmelere dayanıyor ve "yön gösterici" kabul edilmeli.

Dahası, sınırlılıklar bölümünde yazarlar şunu itiraf ediyor: altı aylık gözlem süresi karmaşık kurumsal kurulumlar için yetersiz olabilir ve bu, başarı oranlarını olduğundan düşük gösterebilir.

Bulgu "yapay zeka işe yaramıyor" değil. Bulgu şu: pilotların çoğu, altıncı ayda, görüşülen kişilerin gözünde henüz karşılığını vermemişti. Bu ikisi aynı cümle değil.

Kimsenin alıntılamadığı üç bulgu

1. Shadow AI ekonomisi. Ankete katılan şirketlerin yalnızca %40'ı resmi bir yapay zeka aboneliği satın almış. Ama aynı şirketlerin %90'ından fazlasında çalışanlar, işlerini yapmak için kişisel yapay zeka hesaplarını zaten kullanıyor. Rapor buna "shadow AI economy", yani gölge yapay zeka ekonomisi diyor.

2. Bütçe rakamı bir ölçüm değil. Yapay zeka bütçelerinin satış ve pazarlamaya giden payı raporun bir bölümünde %50, başka bir bölümünde %70 olarak geçiyor. Rakamın kaynağı da yöneticilere sorulan "farazi 100 doları fonksiyonlara bölüştürün" sorusu. Bunu bir ölçüm gibi değil, bir eğilim işareti gibi okumak gerekiyor.

3. Dış ortaklık ile iç geliştirme kıyası. Dış tedarikçiyle yürütülen projeler yaklaşık %67, şirket içinde geliştirilen projeler yaklaşık %33 oranında canlıya ulaşmış. Biz hizmet satan bir şirketiz; bu rakamı bizden duyduğunuzda şüpheyle okumanız doğal. Raporun kendisi de aynı şüpheyi taşıyor: bu farkın satın alma kararından değil, kurumsal yetkinlik farkından kaynaklanıyor olabileceğini ve korelasyonun nedensellik kanıtlamadığını açıkça yazıyor.

Aynı şirkette yapay zeka hem "çalışmıyor" hem her gün kullanılıyor

Tabloyu birleştirin. Şirket, resmi projesi için "yapay zekadan sonuç alamadık" diyor. Aynı şirketin içinde insanlar her gün, çoğu zaman kendi cebinden ödediği kişisel hesaplarla yapay zeka kullanıyor ve işini daha hızlı bitiriyor.

Kimse bunu ölçmüyor. Kimse bu kazanımı şirketin sonuçlarına bağlamıyor.

Raporun kendi teşhisi de bu yönde: ölçeklenmenin önündeki temel engel altyapı, regülasyon ya da yetenek değil, öğrenme. Araçlar geri bildirimi tutmuyor, bağlama uyum sağlamıyor, zamanla iyileşmiyor. Genel amaçlı araçlarda pilotların yaklaşık %83'ü kullanıma geçerken, kullanıcıların %70'i basit işlerde yapay zekayı tercih ederken, karmaşık ve uzun vadeli işlerde %90 oranında insana dönülüyor.

Yani başarısız olan yapay zeka değil. Başarısız olan, bireysel üretkenliği kurumsal sonuca çeviren altyapı: ölçüm, entegrasyon ve öğrenme katmanı. Çoğu şirkette bu katman hiç kurulmadı.

Rapordaki bulgu, tam olarak bizim kurduğumuz şey

Raporun sektörümüze dokunan bir bulgusu var: gerçek tasarruflar çoğunlukla arka ofiste çıkıyor ve bunun bir kalemi, dış ajans ve içerik harcamalarında görülen yaklaşık %30'luk azalma.

Bu bulgu bizi rahatsız etmiyor; biz PumpGrowthOS'u tam olarak bu yüzden kurduk. Tekrarlanabilir işleri elle yapıp fatura kesen klasik ajans modelinin yapay zekaya yenileceği zaten görülüyordu. Raporun "başarılı %5"i ayırt eden özellikleri saydığı yere bakın: süreçlere gömülü sistemler, ölçülebilir iş sonuçları, zamanla öğrenen kurulumlar. Bizim modelimiz de bu: ajans hizmeti satmak yerine ölçüm altyapısını, veriyle karar döngüsünü ve süreçlere gömülü otomasyonu kurmak, sonra bu sistemin üzerinde büyümeyi işletmek.

Başka bir deyişle rapor, "ajans harcamanızı kesin" derken aslında neye geçileceğini de tarif ediyor ve tarif ettiği şey bir ajans değil, bir büyüme sistemi. Bu yaklaşımın pratikte nasıl göründüğünü veri odaklı pazarlama rehberimizde adım adım anlattık.

Bir şeffaflık notu

Rapor, MIT'nin Project NANDA ekibinden geliyor. NANDA, yapay zeka ajanlarının birlikte çalışmasını sağlayan protokoller geliştiren bir girişim ve raporun vardığı sonuç da "cevap ajan tabanlı sistemlerde" oluyor. Bu, raporu yanlış yapmaz. Ama verinin ve sonucun ayrı ayrı okunmayı hak ettiği anlamına gelir. Biz de bu yazıda aynısını yaptık.

Şirketinizde "yapay zeka çalışmıyor" gibi görünüyorsa

Önce şu dört soruya bakın:

1. Çalışanlarınız kişisel hesaplarıyla neyi zaten çözüyor? Gölge kullanım, neyin işe yaradığının en dürüst göstergesi.
2. Yapay zekanın etkisini hangi metrikle ölçüyorsunuz? Ölçüm yoksa "başarısız" hükmü de veriye değil izlenime dayanıyor demektir.
3. Pilotu geniş bir vizyonla mı, tek bir dar süreçle mi başlattınız? Raporda işe yarayan örneklerin ortak özelliği dar kapsam ve hızlı görünür değer.
4. Satın aldığınız araç sizin sürecinizden öğreniyor mu, yoksa her seferinde sıfırdan mı başlıyor?

Soru şu değil: "Yapay zeka işe yarıyor mu?" Soru şu: gerçekten mi çalışmıyor, yoksa bakmadığınız bir yerde mi çalışıyor?

Kaynak: Challapally, Pease, Raskar, Chari. "The GenAI Divide: State of AI in Business 2025", MIT Project NANDA, Temmuz 2025. Rapor PDF'i