Johnson & Johnson'ın 900 yapay zekâ denemesinden çıkardığı ders
Yapay zekâ projelerinin çoğu modeller yetersiz kaldığı için değil, doğru yönetilmediği için tıkanıyor. Sonuç alan şirketler bu projeleri bir inovasyon portföyü gibi yönetiyor. Ekipler kısa sprintlerde öğreniyor, üst yönetim aşama kapılarında karar veriyor ve durdurma kriterleri pilot başlamadan belirleniyor.
Johnson & Johnson, çalışanlarını üç yıl boyunca üretken yapay zekâyla deneme yapmaya teşvik etti. Bu sürenin sonunda şirket genelinde 900’e yakın kullanım senaryosu birikmişti. Yönetim bu senaryoları gözden geçirdiğinde, yaratılan değerin yaklaşık yüzde 80’inin senaryoların yalnızca yüzde 10 ile 15’inden geldiğini gördü.1 Şirket geri kalanların büyük kısmına kaynak ayırmayı bıraktı ve satış temsilcilerine destek veren bir yardımcı araç ile tedarik zinciri risklerini önceden gösteren sistemler gibi az sayıda önceliğe odaklandı. Bu önceliklerin sahipliğini de merkezi ekipten alıp onları kullanacak iş birimlerine devretti.
Johnson & Johnson, üretken yapay zekâ portföyü
Bu dersin teknolojiyle ilgisi sınırlı. İnovasyon yönetimi on yıllardır aynı şeyi söylüyor. Erken aşamadaki denemeler ucuzdur ve sayıca çoktur. Değerin büyük kısmını bunların küçük bir bölümü üretir. Asıl yetkinlik, hangi denemelerin durdurulacağına zamanında karar verebilmektir.
Pek çok şirket bu dersi yapay zekâ projelerine henüz uygulamış değil. McKinsey’nin Kasım 2025’te yayımlanan araştırmasına göre kurumların yaklaşık üçte ikisi yapay zekâyı henüz kurum geneline ölçeklendirmeye başlamamıştı. Yüksek performanslı şirketlerin oranı ise yalnızca yüzde 6 civarındaydı.2 S&P Global’in araştırması da şirketlerin konsept doğrulama (PoC) çalışmalarının yüzde 46’sını canlıya almadan sonlandırdığını gösteriyor. Yapay zekâ girişimlerinin çoğunu rafa kaldıran şirketlerin oranı ise bir yıl içinde yüzde 17’den yüzde 42’ye çıktı.3
Projeler modelde değil, yönetim kararlarında tıkanıyor
RAND, başarısız olan yapay zekâ projelerini deneyimli veri bilimciler ve mühendislerle yaptığı görüşmeler üzerinden inceledi. En sık rastlanan kök neden model ya da veri değildi. Yönetim ile ekip arasında, projenin hangi sorunu çözeceği konusunda bir yanlış anlaşılma vardı.4 BCG aynı sonuca farklı bir yoldan ulaşıyor. Danışmanlık şirketinin 1.000 üst düzey yöneticiyle yaptığı ankete göre yapay zekâyı ölçeklendirmedeki zorlukların yaklaşık yüzde 70’i insan ve süreçlerden, yüzde 20’si teknolojiden, yalnızca yüzde 10’u ise algoritmalardan kaynaklanıyor.5
İki bulgu da aynı belirsizliğe işaret ediyor. Proje başlamadan önce kimse modelin şirketin kendi verisinde yeterince isabetli sonuç verip vermeyeceğini bilmiyor. Yeniden tasarlanan sürecin işletmenin önemsediği göstergeyi gerçekten iyileştirip iyileştirmeyeceği ve çalışanların ya da müşterilerin yeni çözümü benimseyip benimsemeyeceği de belirsiz. Bunlar bir altyapı yenilemesinin değil, yeni bir ürün geliştirmenin belirsizlikleri. Buna rağmen yapay zekâ çalışmalarının çoğu hâlâ bir BT projesi gibi yönetiliyor.
Ne klasik proje planı ne de tek başına Scrum yetiyor
Kapsamı ve canlıya geçiş tarihi baştan sabitlenen bir proje planı, fizibilitenin bilindiğini ve geriye yalnızca teslimatın kaldığını varsayar. Yapay zekâ projesinde ise ilk sorgulanan şey fizibilitenin kendisidir. Bu durumda plan ya art arda gelen ertelemelerle belirsizliği taşımaya çalışır ya da tarih geldiği için henüz hazır olmayan bir modeli canlıya alır.
Scrum değişen gereksinimlere çok daha iyi uyum sağlar, ancak farklı bir vaade dayanır. Her sprintin sonunda kullanıma alınabilecek, çalışan bir ürün parçası ortaya çıkması beklenir. Oysa bir yapay zekâ denemesi çoğu zaman bir ürün parçasıyla değil, bir bulguyla sonuçlanır. Model belirli bir bölgeden gelen sözleşmelerin dörtte birini yanlış sınıflandırıyor olabilir ya da bir sonraki adım için gereken veri hiç bulunmayabilir. Bu bulgu gerçek bir ilerlemedir, fakat teslim edilen özelliklere göre kurgulanmış bir sprint değerlendirmesinde karşılık bulmaz. Ekip hızı (velocity) ve kalan iş (burndown) grafikleri yoğun çalışan bir ekibi gösterirken asıl soru cevapsız kalır. Bu yatırıma devam edilmeli mi?
| Sabit proje planı | Tek başına Scrum | Aşama kapıları ve sprintler | |
|---|---|---|---|
| Temel varsayım | Fizibilite bellidir | Her sprint kullanılabilir bir çıktı üretir | Fizibilite ve değer kanıtlanmalıdır |
| İlerlemenin ölçüsü | Tamamlanan kilometre taşları | Teslim edilen özellikler | Toplanan kanıt |
| Devam kararını kim verir | Yönlendirme komitesi, proje sonunda | Ürün sahibi, her sprintte | Üst yönetim, her kapıda |
| Tipik başarısızlık | Sorunun geç fark edilmesi ve batık maliyet | Sürüp giden ama ölçeklenmeyen pilotlar | Kapıların bürokratik formaliteye dönmesi |
Kararlar kapılarda, öğrenme sprintlerde
İnovasyon yönetiminin hız ile belirsizliğin bir arada olduğu bu duruma denenmiş bir cevabı var. Yeni ürün geliştirme için aşama-kapı (Stage-Gate) modelini geliştiren Robert Cooper, daha sonra Anita Friis Sommer ile birlikte melez bir model tanımladı. Bu modelde çevik sprintler her aşamanın içinde yürür, aşamalar arasındaki kapılar ise devam ya da durdurma kararı olarak korunur.6 İki mekanizma farklı düzeylerde çalışır. Ekipler mümkün olan en hızlı öğrenmeyi süresi önceden belirlenmiş kısa sprintlerle sağlar. Üst yönetim de bu sprintlerin ürettiği kanıta bakarak bir yatırımın sonraki bütçe ve insan kaynağını hak edip etmediğine kapılarda karar verir.
Yapay zekâ projelerine uyarlandığında, bir fikirden günlük kullanımdaki bir sisteme uzanan yol beş aşamada ele alınabilir.
- 01
Bu sorun çözülmeye değer mi?
Sprintler: mevcut süreci haritalamak, başlangıç değerini ölçmek ve değer hipotezini yazmak
Kapı 1
Geçiş koşulu: iş biriminden bir süreç sahibi, ölçülmüş bir başlangıç değeri ve üzerinde uzlaşılmış durdurma kriterleri
Durdurma koşulu: sonucun bir sahibi yoksa ya da başlangıç değeri ölçülemiyorsa
- 02
Bizim verimizle çalışıyor mu?
Sprintler: gerçek vakalardan değerlendirme setleri oluşturmak, yaklaşımları ve maliyetlerini karşılaştırmak
Kapı 2
Geçiş koşulu: kabul edilebilir bir maliyetle, belirlenen eşiği aşan değerlendirme sonuçları
Durdurma koşulu: doğruluk ya da birim maliyet eşiğin gerisinde kalıyorsa
- 03
Yeniden tasarlanan süreç asıl göstergeyi iyileştiriyor mu?
Sprintler: yeni süreçte gerçek kullanıcılarla pilot yürütmek, maliyeti ve kaliteyi birlikte izlemek
Kapı 3
Geçiş koşulu: hedef gösterge, kaliteden ödün vermeden iyileşiyor
Durdurma koşulu: kazanım, iş uçtan uca yürütüldüğünde kayboluyorsa
- 04
Güvenilir ve makul bir maliyetle işletebilir miyiz?
Sprintler: ana sistemlerle entegrasyon, izleme altyapısı, kullanıcı eğitimi ve değişim yönetimi
Kapı 4
Geçiş koşulu: işletim maliyeti, izleme ve destek süreçleri hazır
Durdurma koşulu: ölçekteki maliyet, iş gerekçesini ortadan kaldırıyorsa
- 05
Hâlâ işe yarıyor mu?
Sprintler: kaliteyi, model sapmasını ve kullanımı izlemek, iyileştirmek
Dönemsel gözden geçirme
Geçiş koşulu: güncel kanıta göre sürdürmek, yeniden eğitmek ya da kullanımdan kaldırmak
Modeli işler kılan iki özellik var. Birincisi, her kapıda aranacak kanıt aşama başlamadan kararlaştırılır. Böylece karar, ekibin o aşamada bulduğu sonuca göre sonradan esnetilemez. İkincisi, finansman kapıları izler. Proje, henüz hak etmediği ölçekli bir sistemin bütçesinin tamamını değil, yalnızca bir sonraki soruyu yanıtlamaya yetecek kaynağı alır.
Morgan Stanley’nin varlık yönetimi danışmanları için geliştirdiği asistan, bunun uygulamada nasıl göründüğünü ortaya koyuyor. Firma GPT-4 tabanlı aracı danışmanlarına açmadan önce sistematik bir değerlendirme düzeni kurdu. Danışmanlar ve mühendisler modelin ürettiği özetleri doğruluk açısından puanladı. Örnek sorularla her gün tekrarlanan regresyon testleri de zayıf noktaları müşteriye ulaşmadan yakaladı. Sonuçta danışman ekiplerinin yüzde 98’inden fazlası aracı kullanmaya başladı.7 Bu değerlendirmeler fizibilite kapısının kanıtıydı. Ölçeklendirme kararı bu kanıta dayandığı için benimsenme de arkasından geldi.
Yapay zekâ projeleri birer inovasyon yatırımıdır ve yeni ürün portföylerinde uygulanan disiplinin aynısına ihtiyaç duyar. Öğrenme sprintlerde gerçekleşir. Ekipler bir yaklaşımın işe yaramadığını orada hızla görebilir. Kaynak ise kapılarda, önceden belirlenmiş kanıta göre verilen kararlarla hareket eder. J&J bu disipline 900 denemenin ardından ulaştı. Çoğu şirket aynı noktaya çok daha az denemeyle gelebilir.
Üst yöneticiler ve inovasyon liderleri için ilk adım, mevcut yapay zekâ girişimlerinin her birini bu beş aşamadan birine yerleştirip iki soru sormaktır. Proje gerçekte hangi aşamada? Bir sonraki kapı hangi kanıtı gerektirecek? Bir sonraki yazımızda, şirketlerin en sık atladığı kapıyı, durdurma kriterlerinin nasıl yazılacağını ve kararların kime ait olması gerektiğini ele alıyoruz.
Footnotes
-
The Wall Street Journal, Johnson & Johnson Pivots Its AI Strategy, Nisan 2025. Özet: DeepLearning.AI, The Batch, Mayıs 2025. ↩
-
McKinsey, The State of AI in 2025: Agents, Innovation, and Transformation, Kasım 2025. ↩
-
S&P Global Market Intelligence, Voice of the Enterprise: AI & Machine Learning, Use Cases 2025. Aktaran: CIO Dive, Mart 2025. ↩
-
RAND, The Root Causes of Failure for Artificial Intelligence Projects and How They Can Succeed, Ağustos 2024. ↩
-
BCG, AI Adoption in 2024: 74% of Companies Struggle to Achieve and Scale Value, Ekim 2024. ↩
-
R. G. Cooper ve A. F. Sommer, Agile–Stage-Gate Hybrids: The Next Stage for Product Development, Research-Technology Management 59(1), 2016. ↩
-
OpenAI, Morgan Stanley uses AI evals to shape the future of financial services. ↩