Düşünceler
Doğru soru
“Rakipler ne yapıyor?” sorusundan “Nerede daha fazla değer yaratabiliriz?” sorusuna; yapay zekâyı P&L’de ölçülebilir değere bağlayan beş mercek.
Önce hangi soruyu soruyoruz?
2023’ten bu yana yönetim toplantılarında yapay zekâ konuşması genellikle aynı soruyla açıldı: “Rakipler ne yapıyor?” Oysa daha anlamlı soru şuydu: “Nerede daha fazla değer yaratabiliriz?”
İlk soru bizi başkasının çözümüne götürür. İkincisi kendi işimize, müşterimize ve P&L’imize, yani gelir tablomuza.
Bugünkü tablo da bu ayrımı önemli kılıyor. PwC’nin 2026 CEO Araştırması’na göre Türkiye’deki CEO’ların %66’sı yapay zekânın gelirlerinde bir değişim yaratmadığını söylüyor.[1] Dünya genelinde hem maliyette hem gelirde fayda görenlerin oranı yalnızca %12.[2]
Bu sonucun tek nedeni sorulan soru değil elbette. Ama paranın pahalı, talebin zayıf olduğu bir dönemde “deneyelim, bakalım” lüksü kalmadı. Yapay zekâya ayrılan her bütçenin hangi değer alanına dokunacağını baştan bilmemiz gerekiyor.
Komşunun ilacı
Doktora gidip komşumuzun hangi ilacı kullandığını sormayız. Önce tahlil isteriz. İş dünyasında ise sıkça sektördeki iyi örneği alıp kendimize uyarlamaya çalışıyoruz.
Sektör örnekleri faydasız değil; bir şeyin mümkün olduğunu gösterir. Ama semptom paylaşılır, kök neden paylaşılmaz. İki şirkette de müşteri kaybı olabilir. Birinde sebep hizmet kalitesidir, diğerinde fiyat. Komşunuza şifa olan ilaç, sizin derdinize deva olmayabilir.
En iyi sektör örneği bile ancak bir hipotezdir.
Nerede daha fazla değer yaratabiliriz?
Yazının tamamı bu soruya dayanıyor. Toplantı masasında ise onu şöyle somutlaştırıyorum:
P&L’imizin neresinde, kendi en iyi performansımızdan hareketle daha fazla değer yaratabiliriz?
Bu soru üç şey yapar. Süreçten ya da büyük resimden değil, yönetimin her ay baktığı tablodan başlar. Semptomda durmaz, nedene iner. Kıyaslamayı dışarıda değil, kurumun içinde arar.
Bu soruyu sormak için beş mercek kullanıyorum. Hiçbiri sektöre özel değil. Ama önce bir itirafta bulunmam lazım: hiçbiri yeni de değil.
Otuz yıldır bilinen, hâlâ çekmecede duran kaldıraçlar
Müşteri kârlılığının nasıl dağıldığını 1990’ların başından beri biliyoruz.[5] Liste fiyatı ile cebe giren fiyat arasındaki kayıp 1992’de tanımlandı.[7] Aynı şirketin birimleri arasındaki verimlilik farklarını ekonomistler on yıllardır ölçüyor.
O zaman asıl soru şu: Bu kadar uzun süredir biliniyorsa, şirketler neden hâlâ uygulamıyor?
Önemli nedenlerden biri, bu analizleri yapmanın ve güncel tutmanın maliyetiydi. Analizler elle yapılıyor ve çoğu zaman tek seferlik kalıyordu. Bir proje müşteri kârlılığını bir kez hesaplıyor, rapor çekmeceye giriyor, rakamlar birkaç ay içinde eskiyordu. Faaliyet tabanlı maliyetlemenin mimarlarından Robert Kaplan bile, birçok şirketin yöntemi kurmanın ve güncel tutmanın maliyeti nedeniyle uygulamayı bıraktığını 2004’te yazmıştı.[6] Buna, gereken bilginin farklı sistemlere ve departmanlara dağılmış olması da eklendi.
Yapay zekâ yeni kaldıraçlar icat etmiyor. Bildiğimiz ama işletemediğimiz kaldıraçları işletilebilir kılıyor.
Tek seferlik analiz sürekli hale geliyor. Yıllık rapor karar anına taşınıyor. Bu işin bir kısmı için yapay zekâ gerekmez; doğru hesaplama, entegrasyon ve otomasyon yeterlidir. Yapay zekâ, kaydın dağınık, yapılandırılmamış ya da yoruma açık olduğu yerde fark yaratır: e-postalar, sözleşmeler, talepler, şikâyetler, görüşme notları.
Fiyatına dokunamadığın kalemin miktarına dokunabilirsin
Türkiye’de maliyet kalemlerinin çoğu dokunulmaz görünür: enerji tarifesi, asgari ücret, kira, döviz cinsinden lisanslar. Ama her maliyet kalemi iki çarpandan oluşur:
Maliyet = Birim fiyat × Tüketilen miktar
Fiyatı çoğu zaman değiştiremezsin. Miktar ise çoğu zaman yönetilebilir: üretilen birim başına enerji, fazla mesai ve bekleme süreleri, kullanılmayan yazılım lisansları, boş dönen araçlar. Zylo’nun 2026 endeksine göre, incelediği kurumlarda satın alınan SaaS lisanslarının yalnızca %54’ü kullanılıyor.[4]
Neden yakalanamadı? Tüketim onlarca kaleme ve yüzlerce noktaya dağılmış durumda. Her birini izlemek insan emeği ister. Bu yüzden çoğu kurumda ayrıntılı bakış bütçe dönemine kalır.
Hangi karar değişiyor? Birim yöneticisi ay sonunu beklemeden, sapma olduğu gün müdahale ediyor. Fazla mesaiyi onaylamadan önce talep tahminine bakıyor, kullanılmayan lisansı yenileme gelmeden iptal ediyor.
Yapay zekâ burada talebi tahmin ederken ve sapmanın nedenini ayırt ederken devreye girer: Bu ayki enerji artışı üretim karışımından mı geliyor, arızalanmaya başlayan bir ekipmandan mı?
P&L neye harcadığını söyler, neden harcadığını söylemez
Hesap planı maliyeti türüne ya da fonksiyonuna göre gösterir. Ama hiçbir satır “bu müşteriye hizmet vermenin maliyeti” demez. Robert Kaplan, yapılan müşteri kârlılığı çalışmalarının neredeyse hepsinde benzer bir tablo çıktığını yazıyor: müşterilerin %15–20’si kârın tamamını, hatta daha fazlasını üretiyor.[5] Geri kalanların bir kısmı başa baş kalıyor, bir kısmı ise zarar ettirerek bu fazlalığı geri yiyor.
Yani birçok şirket, müşterilerinin bir kısmına zararına hizmet veriyor olabilir ve bunu müşteri bazında görmüyor. Aynı mercek ihracatçının “kurdan gol yedik” cümlesine de uygulanabilir. Toplam rakam öyle söyler. Müşteri, ürün ve pazar kırılımında ise bir kısmın hâlâ iyi kazandırdığı, bir kısmın artık zarar ettirdiği görülür.
Neden yakalanamadı? Müşteri ve ürün bazında maliyet hesaplamak, her faaliyetin kime ne kadar zaman harcadığını bilmeyi gerektiriyordu. Bu bilgi anketlerle ve görüşmelerle toplanıyor, kısa sürede eskiyordu.
Hangi karar değişiyor? Satış yöneticisi, zarar ettiren müşteride hizmet modelini değiştiriyor: minimum sipariş, teslimat sıklığı, özel talep ücreti ya da fiyat.
Sipariş, sevkiyat ve iade kayıtlarından hizmet maliyetini hesaplamak iyi kurgulanmış bir maliyet modeliyle yapılabilir. Yapay zekâ, e-posta, talep ve şikâyet gibi dağınık kayıtları okuyup hizmet maliyetinin nerede ve neden arttığını bulmada fark yaratır: Hangi müşteri sürekli acil sevkiyat istiyor, hangisinin talepleri ekibin saatlerini yiyor?
Kaçaklar kalemlerin içinde değil, arasındadır
McKinsey’nin S&P 1500 şirketleri üzerindeki analizine göre, hacim sabitken fiyatta %1’lik iyileşme faaliyet kârını yaklaşık %8 artırıyor. Aynı hesaba göre değişken maliyeti %1 düşürmek kârı yaklaşık %5,5, satış hacmini %1 artırmak ise yaklaşık %2,5 artırıyor.[7] Yani fiyat, kârı en hızlı hareket ettiren kaldıraç.
Fiyat, liste fiyatından cebe giren fiyata giden yolda kaybolur: iskontolar, ciro primleri, üstlenilen nakliye, iadeler ve vade. Türkiye için en görünmez örnek vade. Satış ekibi ciroyla ödüllendirilir ve 90 gün vade verir. Bu vadenin maliyeti satışın değil, finansman giderinin satırında görünür. Yıllık fonlama maliyetini %40 varsayalım. 90 günlük vade, faturanın yaklaşık %10’u kadar finansman yükü yaratır (basit faizle 40 × 90 / 365 ≈ %9,9). Ama bu maliyet iskonto onayında görünmüyor.
Neden yakalanamadı? Bu kayıpların her biri farklı bir departmanın farklı bir sisteminde duruyor. Toplamını görmek için her işlemi birkaç sistemden elle birleştirmek gerekiyordu. Yapıldığında da çoğu zaman ortalama üzerinden ve geriye dönük yapılıyordu.
Hangi karar değişiyor? Satış temsilcisi teklif verirken iskontonun ve vadenin cebe etkisini görüyor. Vade yerine fiyat, fiyat yerine vade pazarlığı yapabiliyor. Kaçak, oluştuktan sonra raporlanmak yerine oluşmadan önleniyor.
Yapay zekâ burada sözleşmelerde, e-postalarda ve özel anlaşmalarda dağınık duran ek indirimleri, ücretsiz hizmetleri ve istisnaları bulup bu hesaba katmakta işe yarar.
Kesmesi kolay olan, kesilmesi gereken değildir
Maliyet baskısı geldiğinde çoğu zaman ilk akla gelen kişi sayısıdır. Çünkü personel gideri görünürdür, müdahale edilecek tutar kolayca hesaplanır. İsraf ise onlarca kaleme dağılmış ve görünmezdir. Yönetici de bulabildiği kalemi keser.
Araştırmalar, yalnızca kişi sayısına dayanan küçülmenin beklenen sonucu vermeyebileceğini gösteriyor. Cascio ve arkadaşlarının S&P 500 şirketleri üzerindeki çalışmasında, yalnızca çalışan sayısını azaltan şirketler sektör ortalamasının anlamlı ölçüde üzerinde finansal performans göstermedi. Küçülmeyi varlıkların yeniden yapılandırılmasıyla birleştirenler ise daha iyi sonuç aldı.[8] Bain’in 700’den fazla üst düzey yöneticiyle yaptığı ankette de yöneticilerin %80’i tasarrufun kalıcı olmasını beklemediğini söylüyor.[9]
Neden yakalanamadı? Dağınık israfı bulmak, kişi saymaktan çok daha zahmetliydi. Baskı altında, ölçmesi en kolay kalem öne çıktı.
Hangi karar değişiyor? Maliyet tartışması “kimi çıkaralım?” sorusundan “hangi işi artık yapmayalım?” sorusuna taşınıyor.
Bekleme sürelerini ve tekrarlanan adımları ölçmek için süreç kayıtları ve raporlama yeterlidir. Yapay zekâ, serbest metinle yazılmış talepleri, onay notlarını ve yazışmaları okuyarak değer katmayan işin ve onayın nerede olduğunu gösterir. Bazı rutin işleri de doğrudan üstlenebilir. Burada kişi kesmenin değil, işi yeniden tasarlamanın aracıdır.
En iyi benchmark, kendi en iyi gününüzdür
Chad Syverson’ın derlediği verilere göre ABD imalat sanayinde, aynı dar sektördeki tesisler arasında verimlilikte üst %10’daki tesis, alt %10’dakinin aynı girdiyle neredeyse iki katı çıktı üretiyor.[10] Nicholas Bloom ve arkadaşlarının ABD’de 35 bin imalat tesisini kapsayan çalışması ise yönetim uygulamalarındaki farklılığın %40’ının aynı şirketin tesisleri arasında olduğunu gösteriyor.[11]
Yani en iyi şubeniz, ekibiniz ya da satış temsilciniz ile ortalamanız arasında büyük ihtimalle ciddi bir fark var. Ama bu farkın tamamı yönetim biçiminden ya da davranıştan gelmeyebilir. En iyi satışçının müşteri portföyü, en iyi tesisin ekipmanı farklı olabilir. O yüzden müşteri, ürün ve çalışma koşullarındaki farkları hesaba kattıktan sonra kalan farka bakıyoruz. Hedef, benzer koşullarda tekrarlanabilen performans. Bu farkı araştırmak özellikle değerli, çünkü daha iyi performansın bir örneği zaten kendi kurumunuzda bulunuyor.
Neden yakalanamadı? Farkı görmek mümkündü; nedenini ayırt etmek ve yaymak daha zordu. En iyi temsilcinin neyi farklı yaptığı çoğu zaman onun deneyiminde kalıyordu. Eğitimler ve el kitapları bu bilginin ancak bir kısmını taşıyabildi.
Hangi karar değişiyor? Ortalama performanstaki temsilci, bir sonraki müşteriyi ararken en iyi temsilcinin benzer durumda ne yaptığını görüyor: hangi teklifle, hangi sırayla, hangi zamanda.
Birimler arasındaki farkı ölçmek klasik analitik işidir. Koşul farklarını ayıklayıp kalan farkı açıklayabilecek etkenleri onlarca değişken içinde araştırmak, görüşme notlarını ve yazışmaları da hesaba katmak ve en iyi davranışı karar anında öneriye dönüştürmek ise yapay zekânın katkısıdır.
Bu mercek bir teşhis ipucu da verir:
En iyi gününüzde bile zarar ediyorsanız, stratejiyi de masaya yatırma zamanı gelmiş olabilir.
O durumda operasyonel iyileştirmelerin yanında pazar, ürün karışımı ve iş modeli de konuşulmalı.
Yapay zekâ projeleri neden P&L’den başlamalı?
Beş merceğin ortak noktası şu: değer zaten P&L’de duruyor. Eksik olan, onu her gün ve her kararda yakalayacak mekanizma. Bu mekanizma da çoğu zaman bir rapor değil, tekrarlanan bir karardır: bir fiyat, bir iskonto, bir vade, bir vardiya planı, bir müşteri araması.
Yapay zekânın ölçülebilir değer yarattığı yer de tam burası. Tek bir kararda yüzde birkaçlık iyileşme önemsiz görünür. Yılda on binlerce kez tekrarlanan bir kararda ise P&L’i değiştirir.
Bu yaklaşımın bir avantajı daha var: kusursuz bir altyapıyı beklemeyi gerektirmiyor. Fatura, sipariş, iskonto ve tahsilat kayıtları neredeyse her kurumun zaten tuttuğu kayıtlardır. İlk teşhis çoğu zaman haftalar içinde yapılabilir; ilk müdahale de arkasından gelebilir.
Kapanış
Yapay zekâya güvenin aşındığı bir dönemde yeni bir vaade ihtiyacımız yok. İhtiyacımız olan, doğru soruyla başlamak: “Rakipler ne yapıyor?” değil, “Nerede daha fazla değer yaratabiliriz?”
En iyi ekibiniz ile ortalamanız arasındaki fark ne kadar? Ve bu farkı bugüne kadar kim ölçtü?
Kaynaklar
- PwC Türkiye, 29. Küresel CEO Araştırması Türkiye sonuçları, yönetici özeti (2026)↩
- PwC, 2026 Global CEO Survey basın bülteni (Ocak 2026)↩
- Bloomberg HT, “Şirketler için susuz yaz” (Haziran 2026)
- Zylo, “How Much Is Wasted on SaaS Spend?” (2026 SaaS Management Index)↩
- Robert S. Kaplan, “A Balanced Scorecard Approach to Measure Customer Profitability”, HBS Working Knowledge (Ağustos 2005)↩↩
- Robert S. Kaplan ve Steven R. Anderson, “Time-Driven Activity-Based Costing”, Harvard Business Review (Kasım 2004)↩
- Marn, Roegner ve Zawada, “The power of pricing”, McKinsey Quarterly (2003); Marn ve Rosiello, “Managing Price, Gaining Profit”, HBR (1992)↩↩
- Cascio, Young ve Morris, “Financial Consequences of Employment-Change Decisions in Major U.S. Corporations”, Academy of Management Journal 40(5) (1997)↩
- Bain & Company, “Getting a competitive edge through cost transformation” (Ekim 2015)↩
- Chad Syverson, “What Determines Productivity?”, Journal of Economic Literature (2011)↩
- Bloom, Brynjolfsson, Foster, Jarmin, Patnaik, Saporta-Eksten ve Van Reenen, “What Drives Differences in Management Practices?”, American Economic Review (2019)↩