Claude Code’u ilk kez kullandığımda ne kadar heyecanlandığımı hâlâ hatırlıyorum.
Tek bir komutla, yıllar önce tasarladığım bir algoritmayı mevcut projeme uyarladı ve müşterinin Google Sheets’ine bağlanmaya hazır bir şekilde sunucuma yerleştirdi.
Bu, aylarca geliştirdiğim herhangi bir optimizasyon algoritmasını ürünleştirmem ve dağıtmam için yarı otomatik bir yol sunarak işleri kökten değiştirmişti.

O zamanlar bunun getirdiği verimlilik artışından büyük heyecan duyuyordum.
Şimdi ise 18 ay sonra her gün şu soruyla uyanıyorum: “Benim değerim nerede ve yapay zeka tarafından değiştirilmekten nasıl kaçınabilirim?”
Yapay zeka ajanları artık analitik değer zincirinin giderek daha büyük bir kısmını ele alıyor. Bu yüzden tedarik zinciri ve analitik uzmanı olarak nereye ait olduğumu anlamam gerekti.
Neyse ki, imalat ve lojistik operasyonları için yapay zeka uygulama deneyimim bana bunların nadiren otomasyon beklentilerini karşıladığını öğretti.
Bir planlamacının, aynı soruya her gün farklı cevap verdiği için yapay zeka asistanını bırakmasını ve bir şirketteki ekiplerin aynı KPI’yı 36 farklı, belgelenmemiş şekilde ölçmesini gördüm.
Hiçbir ajan bunları tek başına çözemezdi ve bu da bizim (analitik uzmanları olarak) güncel kalmak için bir fırsat sunuyor.
2027 hedefim: Bir “etli vekil”e, yani tek işi talepleri bir yapay zekaya iletip cevaplarını geri aktarmak olan bir insana dönüşmemek.
Bu makalede, orta ve büyük ölçekli şirketlerde ajan tabanlı projeleri yönetme deneyimimi paylaşarak yapay zekanın kurumsal ortamlardaki sınırlarını göstereceğim.
Bu, yapay zekanın taklit edemeyeceği temel becerileri anlamamıza yardımcı olacak:
Verilerinizin geçtiği tüm zinciri öğrenmek: verilerin kurumsal sistemlerde nasıl üretildiğini, dönüştürüldüğünü ve kullanıldığını anlamak
Bir talebi, ekibin gerçekten ihtiyaç duyduğu araca dönüştürmek
Yapay zekayı uygulamak bana sınırlarını öğretti
Arka plan olarak, imalat ve lojistik operasyonlarının kârlılık ve sürdürülebilirlik için süreçlerini optimize etmelerine yardımcı olmak amacıyla veri bilimi öğrenmiş bir tedarik zinciri uzmanıyım.
2020’den beri bu blogda analitiğin operasyonel veya iş problemlerini çözmeye nasıl yardımcı olduğuna dair gerçek kullanım örnekleri paylaşıyorum.
O zamanlar amaç, tedarik zinciri uzmanlarını şirketlerinde karşılaştıkları problemleri çözmek için veri bilimini kullanmaları konusunda eğitmekti.
İlgi çok büyüktü: Veri bilimi, şirketler için değer yaratmak amacıyla ileri matematik kullanmak adına bir fırsattı.
Ancak 2025’ten bu yana odak noktası, ajanların çok karmaşık iş ve operasyonel süreçleri özerk bir şekilde yönetmesi beklenen iş akışları oluşturmak için yapay zekayı kullanmaya kaydı.
Ne yazık ki, gördüğüm projelerde bu çözümler vaatlerini yerine getiremedi.
Neden mi?
Çünkü bir şirketi yöneten sistemler (ERP, CRM, WMS vb.), analitik ve yapay zeka uzmanları için ne yazık ki, uyumlu ve temizlenmiş veri gerektiren modeller için tak-çalıştır çözümler değil.
Engel 1: Yapay zeka sadece veritabanına bakarak sistemlerin nasıl kullanıldığını tahmin edemez
Yapay zeka çözümlerini uygulayan şirketlerin karşılaştığı ilk engel, süreçlerin haritalandırılmasıdır; yani artık ontoloji dediğimiz şey.
Tipik bir tüketim malları şirketinde, imalat, lojistik, finans ve insan kaynaklarını yöneten sistemler, belgelenmiş verilerin merkezi bir kaynağı olan monolitik bir yapı oluşturmaz.
Çoğu eski sistemlerdir ve yıllar içinde verileri kendi yöntemleriyle üreten ve kullanan ekiplerin ihtiyaçlarını karşılamak için birçok özel geliştirme içermektedir.
Bunu bir tüketim malları şirketindeki projemden bir örnekle açıklayayım.
Görevim, mağaza teslimatlarındaki gecikmelerin temel nedenini bulmak için bir araç tasarlamaktı.
Bu, basit bir görevle başladı: her teslimatın zamanında mı yoksa gecikmiş mi olduğunu tanımlamak.
Kağıt üzerinde formül basit: Kurumsal Kaynak Planlama (ERP) sistemindeki Teslimat Zamanı alanını alıp Talep Edilen Teslimat Zamanı alanıyla karşılaştırmak ve bir boolean değeri (zamanında ise 1, değilse 0) oluşturmak.
Lojistik ekipleriyle 12 haftalık atölye çalışmaları sonucunda, bu boolean değerini tanımlamak için 36 farklı yöntem kullandıklarını keşfettim.
Örneğin:
Fransa’daki ekipler, mağazalar kendi kamyonlarını gönderdiği için Sevkiyat Zamanı alanını kullanır
Brezilya ekibi ise bir teslimatı yalnızca sevkiyat Talep Edilen Teslimat Zamanı’ndan 10 gün sonra ulaşırsa gecikmiş olarak işaretler, çünkü değişken teslim sürelerine sahip deniz taşımacılığı kullanıyorlar
Bu istisnai durumlar hiçbir yerde belgelenmemiştir.
Bunlar, benim gibi bir insanın diğer insanlara soru sormasını ve cevaplarını sistemlerin içinde ve dışında gerçekleştirilen veri dönüşümlerinin bir modeline çevirmesini gerektirir.
Bir yapay zeka ajanı, sadece veritabanındaki işlem verilerine bakarak bu karmaşıklığı anlayamaz.
Bu, ajanların henüz sahip olmadığı insani yumuşak beceriler gerektirir:
Bir şirket içinde bağlantılar kurmak, ihtiyacınız olan bilgiye sahip doğru kişiye erişebilmek için
Operasyonel ve iş ekipleriyle atölye çalışmaları yönetmek ve yapılandırmak, doğru bilgileri toplamak için (örneğin, gecikmiş bir mağaza teslimatını nasıl tanımlıyorsunuz?)
Genellikle çevrimiçi olarak belgelenmemiş olan sektör deneyimi (örneğin, geçmiş projelerimden ERP’deki aynı alanın iki ekip tarafından farklı şekillerde kullanılabileceğini biliyordum)
Eğer bu bilgiyi ekipten çıkarırsanız, şirketin sistemleriyle bağlantılı herhangi bir analitik veya ajan tabanlı ürünün uygulanması için temeli oluşturmuş olursunuz.
Ne yazık ki, çözümleri uygulamak kullanıcı benimsemesini sağlamak için her zaman yeterli değildir.
Engel 2: Yapay zeka modelleri stokastiktir ve bu, kullanıcıların güvenilir çözümlere ihtiyaç duyduğu durumlarda bir sorun olabilir
Veri bilimi dünyasında, büyük dil modellerinin (LLM’ler) istatistiksel doğaları nedeniyle aynı girdi için farklı çıktılar üretebileceğini çabucak öğrendik.
Ancak bu davranış, öngörülebilirlik ve tekrarlanabilirliğin kilit olduğu ortamlara nadiren uyar.
Bir imalat şirketi, planlama ekiplerini günlük görevlerinde desteklemek için yapay zeka asistanlarıyla donattıktan sonra benimle iletişime geçti.
Tedarik zinciri direktörleri, planlamacılarının Claude Cowork gibi araçlarla otomatik iş akışları oluşturmasını sağlayarak bir Excel dosyasından veri çekip stratejik ve operasyonel soruları yanıtlamasını istiyordu:
Müşteri talebini karşılamak için önümüzdeki hafta kaç birim üretmeliyiz?
Stoku %15 azaltmak için kaç üretim partisine ihtiyacımız var?
Fikri, planlamacıların sorularını talep üzerine yanıtlayacak ajanlarla hizmet olarak analitik uygulamaktı.
Tedarik Zinciri Direktörü: “Bu, operasyonel bir kaosa dönüştü.”
Bir planlamacı, “Yapay zeka aynı soruya bir günden diğerine farklı cevaplar verebiliyor” diyerek Excel tabanlı planlama tablosuna geri döndüğünü itiraf etti.
Ajan tarafından oluşturulan farklı analizleri birlikte inceledik ve aynı soru ve aynı girdi Excel dosyası için iki farklı Python betiği oluşturduğunu keşfettik.
Bu planlamacıların ihtiyaçlarını anlamak için atölye çalışmaları düzenlemeye karar verdim ve şunu sordum:
Temel Bulgular ve Genel Değerlendirme
Bu nedenle, ihtiyacınız olan ikinci beceri, bir iş talebini ekibin ihtiyaç duyduğu araca çevirmek (ve sorgulamak) tir.
İkinci örneğe geri döneyim: Planlamacıların yapay zeka asistanları, sınırlı bir bağlama göre taleplerini yanıtladı.
Ek bilgi istemediler veya ihtiyaçları netleştirmek için bir atölye çalışması düzenlemediler; komut metninden en olası çıktıyı ürettiler.
Ve talebi sorgulamadılar: Planlamacıların her seferinde yeniden yazılan kodla oluşturulan geçici analizlere ihtiyacı yoktu.
Bir yapay zeka asistanı talebi yanıtlar; bunun doğru olup olmadığını sormaz.
Bunu İsviçre’deki bir mekanik parça üreticisiyle yaptığım bir projeyle açıklayayım.
Tedarik zinciri direktörü, üretim planlaması optimizasyonu hakkındaki makalem sayesinde beni buldu ve maliyetlerini azaltmak için benzer bir çözüm istedi.
O zamanlar, GitHub’da paylaştığım aracın Python uygulamasını Claude Code’dan çekip kendi verileriyle çalıştırmasını isteyebilirdi.
Birleşik bir sürece ihtiyaçları vardı, sihirli bir algoritmaya değil.
Ancak planlamacıların nasıl çalıştığını incelediğimde, asıl sorunun algoritma olmadığını gördüm.
Müşteri siparişleri e-posta yoluyla, doğrudan müşterilerden veya ticari ekiplerden, her planlamacı grubu için ayrı bir posta kutusuna geliyordu.
Planlamacılar daha sonra üretim partilerini Excel’de elle oluşturuyorlardı; genellikle çok fazla stok veya çok fazla parti oluşturuyorlardı çünkü partileri paylaşabilecek SKU’lar için gelen siparişler bir araya getirilmiyordu.
Bağımsız bir algoritma yerine, her adımı planlamacılarla birlikte doğrulanan üç aşamalı bir prosedür tasarladık:
Veri: Tüm müşteri siparişlerinin, planlamacı grupları için ayrı posta kutuları yerine tek bir yer olan Anaplan’da toplanması
Optimizasyon: Partileri paylaşabilecek SKU’ların veya SKU ailelerinin siparişlerini gruplandıran bir Wagner-Whitin parti boyutlandırma algoritması
Uygulama: Optimizasyonun, ayrı bir araç olmak yerine, bir gösterge paneli ve e-posta akışıyla planlamacıların günlük iş akışının içinde çalışması
Bu, onların ihtiyaçlarını karşıladı: Üretim maliyetlerinin, özellikle daha düşük stok seviyeleri sayesinde %30 oranında düşmesi bekleniyor.
Optimizasyon, hizmet olarak sunulan deterministik bir kod olduğundan, diğer ekipler de tüm analizleri takip etmek için merkezi bir kayıt sistemiyle kendi simülasyonları için bu kodu yeniden kullandılar.
Bir kodlama asistanı, onların istediği algoritmayı yazacak ve süreç hakkında hiçbir soru sormayacaktı.
Herhangi bir şey inşa etmeden önce, aracın hangi kararı değiştireceğini ve bu kararı kimin vereceğini sorun.
Şu ana kadar ajanlar bunu yapmıyor.
İşte bu yüzden, yapay zeka öncelikli bu yeni çağda antifragil olmak istiyorsak bu becerinin önemli olduğuna inanıyorum.
Peki bu becerileri nasıl geliştirebiliriz?
Benim becerilerim, Asya-Pasifik ve Avrupa’daki 60’tan fazla uluslararası tedarik zinciri operasyonunda tedarik zinciri çözümleri tasarlama ve optimize etme konusundaki yılların deneyiminden geliyor.
Deneyimlerimden bu blog ve veri bilimi topluluğuyla gerçek operasyonel projeler paylaştığım YouTube kanalım aracılığıyla öğrenebilirsiniz.
Operasyonel beceriler öğrenmek isteyen analitik profesyonelleri için, 25’ten fazla analitik ve veri bilimi kavramını tanıtan 5 dakikalık videolardan oluşan bir oynatma listesi oluşturdum:
Gerçek bir operasyonel ve iş kullanım durumu tanıtımı
Operasyonel terimler kullanılarak sunulan bir sorun tanımı
Operasyonel etkiyi güvence altına alan çözüm uygulama yaklaşımı
Kaynak kodu ve anonimleştirilmiş veri seti
Bu kısa eğitimler, kod üreten stokastik bir papağan tarafından yerinize geçilmesini önlemek için gereken becerileri güçlendirirken operasyonel ve iş kültürünüzü geliştirmenize yardımcı olmayı amaçlıyor.
Bu yönergeleri takip ederseniz, 2027’ye bir ajan tabanlı iş akışı tarafından yerinize geçilmeyeceğinizden emin olarak başlayabilirsiniz.
LinkedIn ve Twitter’da bağlantı kuralım. Ben, lojistik operasyonlarını iyileştirmek ve maliyetleri düşürmek için veri analitiği kullanan bir Tedarik Zinciri Mühendisiyim.
Analitik ve sürdürülebilir tedarik zinciri dönüşümü konusunda danışmanlık veya tavsiye için Logigreen aracılığıyla benimle iletişime geçebilirsiniz.
Veri Analitiği ve Tedarik Zinciri ile ilgileniyorsanız, daha fazla eğitim için kişisel bloguma ve YouTube kanalıma göz atın.


Bu Gelişmeyi Toplulukta Değerlendirin
Haber hakkındaki düşüncelerinizi, donanım deneyimlerinizi ve teknik sorularınızı topluluk üyeleriyle anlık olarak tartışın.
Bu gelişme hakkında düşüncelerinizi, donanım deneyimlerinizi veya sorularınızı Topluluk Forumumuzda paylaşın.
Foruma Katıl & Yanıtla ➔




Söz sizde.
Deneyiminizi, sorularınızı ve katkılarınızı paylaşın. E-posta adresiniz yayımlanmaz.