Araştırma ve Keşif · Adım 01 · Nasıl Çalışırız
Her OpenQCore çalışması yapılandırılmış bir araştırmayla başlar. Yapay zeka, otomasyon, yazılım veya altyapı önermeden önce problemi bir sistem olarak inceleriz: hedefleri, paydaşları, iş akışları, karar süreçleri, veriler, teknolojiler, bağımlılıklar, kısıtlar, riskler ve ölçülebilir çıktıları.
Keşif sürecimiz, gözlemlenen bir zorluktan savunulabilir bir problem tanımı oluşturmak için araştırma, sistem düşüncesi, mühendislik analizi ve iş mantığını bir araya getirir.
Çünkü ilk soru şu olmamalıdır:
Bu soru değil
"Hangi teknolojiyi devreye almalıyız?"
Onun yerine şu soru
"Aslında hangi problemi çözüyoruz — bunu hangi kanıtlar destekliyor, nedenleri neler ve hangi sonucun değişmesi gerekiyor?"
Araştırma · Kanıt · Sistem Analizi · İş Analizi · Ölçüm
Keşif Neden Önceliklidir
Yapay zeka ile deneme yapmak önemli ölçüde kolaylaştı. Denemeleri ölçülebilir kurumsal değere dönüştürmek ise hâlâ çok daha zor.
74%
şirketlerin henüz AI'den somut değer gösterip bunu ölçeklendirememesi
BCG, Where's the Value in AI?, 2024 · n=1,000 üst düzey yöneticiler.
BCG'nin 2024 araştırması, 20'den fazla sektörde ve 59 ülkede yer alan 1.000 CxO ve üst düzey yöneticiye dayanarak, şirketlerin yalnızca %26'sının kavram kanıtlarının ötesine geçip AI'den somut değer üretebilecek yetkinlikleri geliştirdiğini ortaya koydu.
Bu, teknolojinin işe yaramadığı anlamına gelmez; sadece tek başına yeterli değildir.
Kuruluşlar bir model, platform veya otomasyon teknolojisiyle başlayabilir, ancak sonradan esas kısıtlamanın başka yerde olduğunu görebilir: parçalanmış süreçler, erişilemeyen veriler, belirsiz sahiplik, entegrasyon sınırlamaları, yetersiz kontroller, kötü tanımlanmış hedefler veya başından beri hiç ölçülmemiş bir sorun.
Bu yüzden OpenQCore sırayı tersine çevirir: teknoloji, problemi anladıktan sonra seçilmelidir — problemi anlamanın yerine geçen bir çözüm olarak değil.
Disiplinlerarası Yaklaşım
Karmaşık kurumsal sorunlar nadiren tek bir disipline aittir. OpenQCore bunları üç tamamlayıcı bakış açısıyla inceler.
Gözlemle · Sorgula · Hipotez Kur · Test Et · Doğrula
Bilimsel akıl yürütme, gözlemleri varsayımlardan ayırmamıza, sorular oluşturmamıza, rakip açıklamaları incelememize ve hangi kanıtların bir hipotezi destekleyeceğini ya da çürüteceğini belirlememize yardımcı olur. İlk açıklamanın doğru olduğunu varsaymayız.
Sistemler · Arayüzler · Veri · Bağımlılıklar · Kısıtlar · Güvenilirlik
Mühendislik analizi, bileşenlerin daha geniş sistem içinde nasıl etkileşime girdiğini inceler — yazılım, altyapı, veri, insanlar, süreçler, arayüzler, dış sistemler ve operasyonel bağımlılıklar.
Bu bakış açısı modern sistem mühendisliği düşüncesiyle uyumludur. ISO/IEC/IEEE 15288:2023, paydaşların yaşam döngüsü boyunca yer aldığı durumlar için hem bireysel sistem öğelerine hem de birden çok sistemi içeren yapılara uygulanabilecek sistem yaşam döngüsü süreçlerini tanımlar.
Hedefler · Ekonomi · Süreçler · Risk · Değer · Ölçüm
İş analizi, problemin neden önemli olduğunu belirler. İstenen çıktıyı, etkilenen paydaşları, operasyonel etkileri, ekonomik boyutları, organizasyonel kısıtları ve iyileşmenin nasıl ölçüleceğini inceleriz.
Yapay zeka dönüşümü genellikle model ve algoritmalar üzerinden tartışılır. Ancak uygulama kanıtları daha geniş bir tablo gösteriyor: BCG'nin 2024 araştırması, şirketlerin AI girişimlerindeki zorlukların yaklaşık %70'inin insan ve süreçlerle, yaklaşık %20'sinin teknolojiyle ve yalnızca %10'unun algoritmalarla ilgili olduğunu bildirdi.
10%
Algoritmalar
BCG Build for the Future 2024 Küresel Çalışması · n=1.000.
20%
Teknoloji ve Veri
BCG Build for the Future 2024 Küresel Çalışması · n=1.000.
70%
İnsanlar ve Süreçler
BCG Build for the Future 2024 Küresel Çalışması · n=1.000.
Bu yüzdeler BCG'nin araştırma çerçevesidir; evrensel bir kural değildir. Ancak önemli bir mühendislik ilkesini vurgular: model, daha geniş bir sosyal-teknik sistemin yalnızca bir parçasıdır. OpenQCore açısından keşif, yalnızca zekâ katmanını değil, bu zekânın entegre edileceği işletim ortamını da inceler.
OpenQCore Araştırma Metodolojisi
Keşif, yapılandırılmış bir araştırma dizisi olarak yürütülür. Derinliği işin kapsamına göre değişir; ancak analitik yapı tutarlıdır.
Hangi sonuç önemlidir — ve kim için?
Öncelikle sorundan etkilenen kişi, birim ve sistemleri belirleyerek başlıyoruz. Bir kuruluşun dile getirdiği talep otomatik olarak temel hedef sayılmaz — "bir yapay zeka ajanına ihtiyacımız var" ifadesi olası bir uygulamayı tarif eder; henüz iş veya mühendislik sorununu göstermez.
İncelenenler
Paydaşlar · Karar Sahipleri · Kullanıcılar · İş Hedefleri · Operasyonel Hedefler · Teşvikler · Bağımlılıklar · Çakışan Gereksinimler
Çıktı
Paydaş ve Hedef Modeli
Sistem bugün fiilen nasıl çalışıyor?
Süreç dokümantasyonuna yalnızca dayanmak yerine mevcut işleyişi yeniden oluştururuz. Uygun olduğunda mevcut iş akışı için nicel temel göstergeler belirleriz.
Analiz şunları içerebilir
Süreçler · Görevler · Kararlar · Aktarımlar · Kuyruklar · İstisnalar · İnsan Müdahalesi · Darboğazlar · Yeniden Çalışma · Bilgi Akışı
Çıktı
Mevcut Durum Operasyonel Modeli
Çalıştığımız teknik ortam nedir?
Sorunun çevresindeki mimariyi inceler, veri ortamını ayrı olarak araştırırız. Bunun önemi şudur: deneysel olarak çalışan bir yapay zeka yeteneği, gerekli verilere güvenilir, güvenli ve yeterli kalitede erişilemiyorsa üretimde kullanıma uygun olmayabilir.
İnceliyoruz
Uygulamalar · Servisler · API'ler · Veritabanları · Altyapı · Entegrasyonlar · Kimlik · Güvenlik · Harici Bağımlılıklar — ve verinin bulunabilirliği, erişilebilirliği, yapısı, kalitesi, kökeni, sahipliği, kapsamı, güncelliği ve hassasiyeti
Çıktı
Sistemler ve Veri Manzarası
Sorunu hangi dış etkenler şekillendiriyor?
Teknik olarak geçerli bir çözüm yine de operasyonel veya ticari açıdan uygun olmayabilir. Kapsam, işe göre değişir — düzenlemeye tabi bir sağlık sistemi, bir finansal platform ve dahili verimlilik aracı aynı bağlamsal inceleme türlerini gerektirmez.
Uygun olduğunda incelediklerimiz
Piyasa Koşulları · Sektör Yapısı · Düzenlemeler · Teknik Standartlar · Rekabet Ortamı · Teknoloji Ekosistemi · Müşteri Beklentileri · Dış Bağımlılıklar
Çıktı
Bağlam ve Dış Çevre Modeli
Çözüm seçeneklerini ne kısıtlıyor?
Kısıtlar, uygulama sırasında karşılaşılan sürprizler olarak değil, tasarım girdileri olarak ele alınır. Bilinen gerçekler, varsayımlar, bilinen bilinmeyenler, bağımlılıklar ve riskler de açıkça ayrıştırılır — çünkü belirsizlik belgelenmeli, sessizce kesin kabul edilmemelidir.
İlgili unsurlar
Teknik, Operasyonel, Bütçe ve Zaman Kısıtları · Güvenlik, Gizlilik ve Düzenleyici Gereksinimler · Organizasyonel Kısıtlar · Benimsenme Riskleri · Entegrasyon Bağımlılıkları · Veri Kısıtları
Çıktı
Kısıt, Varsayım ve Risk Kaydı
Tam olarak ne değişmeli?
Keşif süreci, gözlemlenen durum, kanıtlar, kök nedenler, etkilenen sistem, başlangıç durumu, hedef durum, başarı kriterleri, kısıtlar ve açıkça tanımlanmış kapsam dışı unsurlar da dâhil olmak üzere net bir sorun tanımında birleşir.
Tanım şunları kapsar
Gözlemlenen Durum · Kanıt · Kök Nedenler · Etkilenen Sistem · Başlangıç Durumu · Hedef Durum · Başarı Kriterleri · Kısıtlar · Kapsam Dışı Unsurlar
Çıktı
Doğrulanmış Sorun Tanımı
Keşif Döngüsü
Keşif, soldan sağa tek seferde tamamlanan bir kontrol listesi değildir.
Gözlem
Analiz
Haritalama
Hipotez Kurma
Doğrulama
Tanımlama
Yeterli güven sağlandığında: Doğrulanmış Sorun → Strateji ve Mimari.
Metodolojiyi Uygulama
Gözlemlenen bir sorun ile altında yatan neden her zaman aynı değildir. Basit bir operasyonel örnek düşünün.
Gözlemlenen durum: Müşteri taleplerinin işlenmesi 48 saat sürüyor.
İş akışı kanıtı: Talepler birden fazla manuel onay aşamasından geçiyor.
Sistem kanıtı: İlgili bilgiler birbirine bağlı olmayan uygulamalarda dağınık halde bulunuyor.
Veri kanıtı: Aynı bilgiler tekrar tekrar çağrılıyor ve doğrulanıyor.
Kök neden hipotezi: Parçalanmış iş akışları ve erişilemez bilgiler tekrarlayan insan müdahalesine yol açıyor.
Bu noktada yalnızca bir konuşma arayüzü eklemek müşteri deneyimini iyileştirebilir, ancak altta yatan işlem kısıtını çözmeyebilir. Bu yüzden mühendislik sorusu "Nasıl yapay zeka ekleriz?"den "Hangi müdahale istenmeyen sonuca yol açan nedensel mekanizmayı değiştirir?"e döner — bu ayrım Araştırma ve Keşif için merkezi önemdedir.
Gözlem: Dokümanların manuel doğrulanması önemli bir işlem darboğazına yol açıyor.
Hipotez: Kontrollü bir belge zekâsı iş akışı, gerekli doğrulama kontrollerini korurken manuel incelemeyi azaltabilir.
Gerekli kanıtlar: Temsili belgeler · Mevcut hata oranları · İstisna kalıpları · İnceleme gereksinimleri · İşlem süreleri
Değerlendirme: Veri çıkarımı kalitesi · İstisna oranı · İnsan inceleme oranı · İşlem süresi · Hata modları
Karar: Hipotezi destekle · Hipotezi değiştir · Hipotezi reddet
Amaç, önerilen bir teknolojinin işe yaradığını kanıtlamak değil; amaç kanıtların onu kullanmayı haklı çıkarıp çıkarmadığını tespit etmektir.
Uygulamaya başlamadan önce başarıyı tanımlayın
Eğer başarı yalnızca uygulamadan sonra tanımlanırsa neredeyse her sonuç başarı olarak yorumlanabilir. Bu nedenle OpenQCore keşif aşamasında ilgili temel değerleri ve değerlendirme kriterlerini belirler.
Döngü Süresi
Süreç ne kadar sürüyor?
İşlem Başına Maliyet
Her işlem hangi kaynakları tüketiyor?
Hata Oranı
Süreç ne sıklıkla yanlış sonuç üretiyor?
İşlem Hacmi
Sistem ne kadar işi işleyebiliyor?
İnsan Çabası
Ne kadar manuel müdahale gerekiyor?
Güvenilirlik
Sistem ne kadar tutarlı çalışıyor?
Karar Kalitesi
Kararlar ne kadar doğru ve tutarlı alınıyor?
Otomasyon Oranı
Hangi işlemler insan müdahalesi olmadan tamamlanabiliyor?
Risk Maruziyeti
Hangi operasyonel, güvenlik veya uyumluluk riskleri mevcut?
Deneyim Metrikleri
Bu süreç müşterileri, çalışanları veya diğer kullanıcıları nasıl etkiliyor?
Yapı basit: Temel Durum → Müdahale → Hedef → Ölçüm → Değerlendirme.
İstenilen değişiklik tanımlanamazsa, çözümün başarısı anlamlı şekilde değerlendirilemez.
Yapay zekâ için bağlamsal risk analizi gerekir
Yapay zekâyla ilgili projelerde keşif, önerilen yapay zekâ kullanımının çalışacağı bağlama uygun olup olmadığını da değerlendirir. NIST'in Yapay Zekâ Risk Yönetimi Çerçevesi, risk yönetimi faaliyetlerini dört işlev etrafında düzenler ve risk yönetimini tek seferlik bir uyum etkinliği değil, yapay zekâ yaşam döngüsü boyunca süregelen bir süreç olarak tanımlar.
Çerçeve ayrıca güvenilir yapay zekâyla ilişkilendirilen özellikleri sıralar: geçerlilik ve güvenilirlik; emniyet, güvenlik ve dayanıklılık; hesap verebilirlik ve şeffaflık; açıklanabilirlik ve yorumlanabilirlik; gizliliğin güçlendirilmesi; ve zararlı önyargıların yönetimi.
Amaçlanan Kullanım
Olası Hata Modları
İnsan Gözetimi
Veri Hassasiyeti
Karar Sonuçları
Güvenlik
Güvenilirlik
Değerlendirme Gereksinimleri
Operasyonel Kontroller
Yönetişim Gereksinimleri
Bu, her projenin aynı yönetişim mimarisine ihtiyaç duyduğu anlamına gelmez. Risk kontrolleri, sistemin kendisine, bağlamına ve başarısızlığın sonuçlarına orantılı olmalıdır.
Öneri Öncesi Kanıt
Aradığımız, kanıtların desteklediği müdahaledir. Son kanıtlar, var olan süreçlerin üstüne yapay zekâ koymaktansa işi yeniden tasarlamanın önemini bir kez daha gösteriyor.
~2/3
kuruluşların üçte ikisi henüz yapay zekâyı kurumsal ölçekte yaygınlaştırmaya başlamamıştı.
McKinsey, The State of AI: Global Survey 2025.
39%
kurumsal düzeyde yapay zekâ kaynaklı EBIT etkisi raporlandı.
McKinsey, The State of AI: Global Survey 2025.
Aynı araştırma, iş akışının yeniden tasarlanmasını yapay zekâdan daha fazla değer elde eden kuruluşların ortak özelliklerinden biri olarak tanımlıyor — bu yüzden OpenQCore, uygulamayı nihai hedef saymak yerine teknolojiyi çevreleyen işletme modelini inceler.
OpenQCore keşif sürecine önceden belirlenmiş bir teknik çözümle başlamaz. Kanıtlar uygun müdahalenin süreç yeniden tasarımı, sistem entegrasyonu, geleneksel yazılım mühendisliği, veri mimarisi, iş akışı otomasyonu, analitik, yapay zekâ veya bunların kombinasyonu olduğunu gösterebilir. Bazı durumlarda ise kanıtlar yeni bir teknoloji geliştirmeyi haklı kılmayabilir.
OpenQCore yapay zekâyı moda olduğu için tavsiye etmez. Sorun, kanıtlar, ekonomik gerekçeler ve işletme kısıtları kullanımını haklı çıkarıyorsa öneririz — haklı çıkarmazsa bunu açıkça belirtiriz.
Sorun → Kanıt → Gereksinimler → Kısıtlar → Aday Müdahaleler → Değerlendirme → En Uygun Yaklaşım — değil: Yapay Zekâ → Kullanılacak Bir Yer Bul.
Teknoloji seçimi araştırmanın ardından belirlenir.
Varsayımlar kesin gerçekler gibi sunulmaz; tespit edilir.
Önemli çıkarımlar, onları destekleyen kanıtlarla ilişkilendirilmelidir.
Belirsizlik durumunda birden fazla olası açıklama göz önünde bulundurulmalıdır.
Mümkün olduğunda başarı kriterleri uygulamadan önce tanımlanır.
Bilinmeyenler ve sınırlamalar görünür tutulur.
Analizin düzeyi, kararın maliyeti, karmaşıklığı ve riskiyle orantılı olmalıdır.
Keşif Çıktıları
Araştırma ve keşif, yalnızca gözlemlerle dolu bir sunumla bitmek için yapılmaz. Mühendislik kararlarını destekleyecek somut çıktılar üretmelidir. Çalışmanın kapsamına bağlı olarak bunlar şunları içerebilir:
Sorunun bağlamı, kanıtlar, gözlemler ve temel bulgular.
Kimlerin etkilendiği, kararların kimde olduğu ve hangi sonuçların önemli olduğu.
İşin ve bilginin kuruluş içinde bugün nasıl aktığı.
Uygulamalar, arayüzler, veri kaynakları, bağımlılıklar ve teknik kısıtlar.
Gözlemlenen durum için kanıtlarla desteklenen açıklamalar.
İlgili operasyonel veya teknik göstergelere göre mevcut performans.
Keşif sürecinde belirlenen fonksiyonel, teknik, operasyonel ve yönetişim gereksinimleri.
Gerektiğinde teknik, veri, entegrasyon ve operasyonel yapılabilirlik değerlendirmesi.
Kanıt, değer, yapılabilirlik ve risklere göre önceliklendirilmiş olası müdahaleler.
Bilinen sınırlamalar, varsayımlar, bağımlılıklar ve önemli riskler.
Hedefler, metrikler ve değerlendirme yaklaşımı.
Keşif Karar Eşiği
Keşfin amacı bir projenin mutlaka ilerlemesini garanti etmek değil; ilerleyip ilerlememesi gerektiğini belirlemektir. Bu nedenle keşif çalışması birkaç farklı yönden biriyle sonuçlanabilir:
Problem yeterince tanımlandı; kanıtlar müdahaleyi destekliyor ve mühendislik açısından uygulanabilir bir yol görünüyor.
Önemli belirsizlikler sürüyor; ek kanıta ihtiyaç var.
Başlangıçtaki problem veya önerilen müdahale, soruşturmanın ortaya koyduklarıyla örtüşmüyor.
Amaç geçerli; ancak farklı bir teknik ya da operasyonel müdahale daha uygun görünüyor.
Beklenen değer, uygulanabilirlik veya riskler uygulamayı haklı çıkarmıyor.
Yanlış bir sistemi inşa etmemek, doğru sistemi inşa etmek kadar değerli olabilir.
Araştırmadan Mimariye
Araştırma ve Keşif, mühendislik yaşam döngüsünden ayrı bir süreç değildir. Çıktıları bir sonraki aşamaya girdi olur: Kanıt → Doğrulanmış Problem Tanımı → Gereksinimler → Kısıtlar ve Riskler → Başarı Kriterleri → Strateji ve Mimari.
Mimari, tercih edilen teknolojiler kümesi olarak şekillenmemelidir. Mimari; sistemin neyi başarması gerektiğini, hangi kısıtlar ve hangi paydaşlar için, hangi kabul edilebilir risk düzeyinde ve hangi ölçülebilir sonuçlara göre değerlendirileceğini savunulabilir bir anlayıştan ortaya çıkmalıdır.
Adım 02
Doğrulanmış problemi mühendislik açısından net bir sistem yönüne dönüştürün.
Bir yapay zeka stratejisiyle gelmeniz şart değil. Operasyonel zorluğu, teknik kısıtı, araştırma sorusunu veya iş hedefini getirin. Önce gerçekte neler olduğunu saptarız — sonra kanıtların bir sonraki adım olarak ne önerdiğini belirleriz.
Araştırma ve Metodoloji Referansları
Bu kaynakları gizlemek yerine doğrudan referans gösteriyoruz; çünkü metodolojimiz bilimsel sorgulama, sistem mühendisliği, gereksinim mühendisliği, iş analizi ve risk yönetimi gibi yerleşik ilkelerden besleniyor.
Boston Consulting Group — Yapay Zekada Değer Nerede? (2024)
20'den fazla sektörde ve 59 ülkede 1.000 CxO ve üst düzey yöneticinin katıldığı bir anket temel alınmıştır; yukarıda bahsedilen %74 / %26 oranlarının ve 10–20–70 ilkesinin kaynağıdır.
McKinsey & Company — Yapay Zeka Durumu: 2025 Küresel Anket
Ölçeklenme ve kurumsal düzeydeki EBIT etkisi verilerinin kaynağı ve daha yüksek performans gösteren kuruluşlarda iş akışı yeniden tasarımının önemine ilişkin bulgunun kaynağıdır.
ISO/IEC/IEEE 15288:2023 — Sistem ve Yazılım Mühendisliği — Sistem Yaşam Döngüsü Süreçleri
Sistemleri, bileşenlerini, yaşam döngülerini ve paydaşlarını yapılandırılmış bir şekilde ele almak için başvurulan temel mühendislik kaynağı.
ISO/IEC/IEEE 29148:2018 — Gereksinim Mühendisliği
Sistem ve yazılım yaşam döngülerinde gereksinim mühendisliğine ilişkin süreçleri ve bilgi öğelerini tanımlar; ISO, 2024 incelemesinin ardından bu baskıyı güncel olarak onaylamıştır.
NIST — Artificial Intelligence Risk Management Framework (AI RMF 1.0)
AI yaşam döngüsü boyunca sürekli risk yönetimi sağlarken Govern, Map, Measure ve Manage adımları üzerinden bağlamsal yapay zeka riski yaklaşımını destekler. NIST'in AI RMF 1.0 sürümü aktif olarak revize edildiği için sürüm numarasını açıkça belirtiriz; sanki her zaman en son nihai sürümmüş gibi ima etmeyiz.
