AI-in-the-loop merdiveni (AI-in-the-loop ladder), stratejik bir kararda yapay zekâya ne kadar karar yetkisi verilebileceğini kararın önemi, geri döndürülebilirliği, sonuç geri bildiriminin gözlenebilirliği ve hedefin ne kadar kesin tanımlanabildiğine göre beş seviyeye ayıran normatif bir yönetişim çerçevesidir. Singh ve Rao'nun kavramsal çalışması, yapay zekânın stratejik karar vermeyi tek biçimde etkilemediğini savunur. Makale bu etkiyi dört AI rolü, altı karar aşaması ve sekiz süreç kaynaklı hata biçimine ayırır; ardından her stratejik seçimde insan sorumluluğunu görünür tutmak için beş basamaklı karar-yetkisi merdiveni ve tek sayfalık bir karar charter'ı önerir. Çalışma yeni deneysel veri üretmez; yayımlanmış araştırmalar, sektör anketleri ve özellikle Hindistan teknoloji hizmetleri, bankacılık ve global capability centre bağlamındaki gözlenebilir uygulamalar üzerinden kavramsal bir model geliştirir.
Makalenin merkezî savı, yapay zekânın stratejik karar sürecindeki etkisinin en güçlü olduğu yerlerle kurumsal hesap verebilirliğin en yoğun olduğu yerlerin aynı olmamasıdır. AI; çevre taraması, bilgi sıkıştırma, tahmin ve seçenek değerlendirmede güçlü biçimde devreye girerken problem çerçeveleme ile nihai seçim ve taahhüt aşamalarında daha sınırlı kalır. Buna karşılık bir kararın kurumsal sorumluluğu özellikle çerçeveleme ve taahhüt aşamalarında yoğunlaşır. Bu nedenle bir modelin analitik katkısının artması, karar hakkının otomatik olarak modele devredilmesi anlamına gelmemelidir.
Çalışma ayrıca AI destekli stratejik kararların temel risklerini yalnız model doğruluğuyla açıklamaz. Otomasyon yanlılığı, algoritmadan kaçınma, değerlendirme kararsızlığı, seçeneklerin birbirine benzemesi, yanlış vekil hedef, kendini gerçekleştiren tahmin, hesap verebilirlik boşluğu ve gizli stratejik bilginin sızması gibi sorunlar modelin çevresindeki karar sürecinden doğabilir. Bu nedenle yazarların önerisi daha iyi bir model satın almaktan çok; kararın kim tarafından, hangi AI rolüyle, hangi alternatifler ve hangi itirazlar dikkate alınarak verildiğini kayıt altına alan bir yönetişim disiplini kurmaktır.
Stratejik karar verme, sıradan operasyonel kararların daha büyük ölçekli bir sürümü değildir. Çalışma, stratejik kararların içerik, süreç veya sonuç bakımından stratejik olabileceğini belirtir. Bir pazara girme, büyük bir yatırım yapma, şirket portföyünü değiştirme veya önemli bir müşteriye hangi fiyatla teklif verileceğine karar verme gibi seçimler stratejik içeriğe sahip olabilir. Stratejik süreç ise rutin olmayan, belirsiz, sonuçları ağır ve hedefi tam tanımlanmamış kararları içerir. Bazı kararlar ise büyük kaynak tahsisi, itibar riski veya geri döndürülmesi zor yükümlülükler doğurduğu için sonuç bakımından stratejiktir.
Bu ayrım önemlidir; çünkü yapay zekânın bir tahmini iyileştirmesi, bütün karar sürecini otomatik olarak iyileştirmez. Stratejik karar kalitesi yalnız sonucun kârlı veya zararlı çıkmasıyla ölçülemez. İyi kurulmuş bir karar süreci şanssız bir sonuç üretebilir; kötü kurulmuş bir süreç ise tesadüfen iyi sonuç verebilir. Çalışma bu nedenle stratejik karar kalitesini, seçeneklerin nasıl üretildiği, varsayımların nasıl sorgulandığı, itirazların kayda girip girmediği ve nihai taahhüdün kimin sorumluluğunda olduğu üzerinden değerlendirmeyi önerir.
Yapay zekânın stratejik karara dört giriş biçimi
| AI rolü | Temel işlev | Stratejik karardaki yeri | Temel yönetişim sorusu |
|---|---|---|---|
| Analyst — Analist | Pazar, rakip, müşteri, düzenleme ve şirket içi verileri tarar; sinyalleri toplar, özetler ve tahmin üretir. | Özellikle çevre taraması ve değerlendirme aşamalarında güçlüdür. | Modelin çıktısı bir bilgi girdisi olarak mı kalıyor, yoksa tartışılmadan kararın başlangıç noktası mı oluyor? |
| Generator — Üretici | Senaryolar, stratejik seçenekler, pazar giriş yolları, fiyatlama yapıları ve iş modeli alternatifleri üretir. | Seçenek üretme darboğazını azaltabilir. | Daha fazla seçenek gerçekten daha çeşitli seçenek anlamına geliyor mu? |
| Challenger — Meydan Okuyucu | Pre-mortem, red-team eleştirisi, karşı argüman, temel oran ve varsayım kontrolü yapar. | Karar sürecindeki örgütlü itirazı güçlendirmeyi amaçlar. | Model yalnız hâkim görüşü desteklemek için mi kullanılıyor, yoksa gerçekten karşı görüş üretiyor mu? |
| Agent — Ajan | İnsanların önceden belirlediği sınırlar içinde fiyat, bütçe, hedefleme veya benzeri eylemleri doğrudan uygular. | Tavsiye ile icra arasındaki mesafeyi azaltır. | Bir model eyleme geçtiğinde yetkinin ve hukuki sorumluluğun sahibi kimdir? |
Bu dört rol birbirini dışlamaz. Aynı sistem önce pazar taraması yapabilir, ardından stratejik seçenekler üretebilir, daha sonra seçenekleri eleştirebilir ve ilerleyen dönemde seçilen stratejinin sınırlandırılmış bir bölümünü icra edebilir. Çalışmanın yönetişim açısından önemli gördüğü nokta, şirketlerin çoğu zaman “AI kullanmaya başladık” şeklinde tek bir geçiş yaşamadığı; fark edilmeden daha yüksek yetki seviyelerine ilerleyebildiğidir.
Üretici rolünde ayrıca önemli bir değerlendirme problemi vardır. Kaynağın atıf yaptığı generative-AI değerlendirme çalışmasında aynı seçeneklerin sırasının değiştirilmesi tekil model yargılarında güçlü kararsızlık yaratabilmiştir. Yazarlar bu nedenle tek bir modele tek bir prompt vererek elde edilen değerlendirmenin stratejik karar belgesine doğrudan taşınmasına karşı çıkar; farklı modeller, promptlar ve roller üzerinden önceden tanımlanmış toplulaştırma protokolünü daha güvenilir bir yaklaşım olarak değerlendirir.
Yapay zekâ stratejik karar sürecinin hangi aşamalarında daha güçlüdür?
Çalışmaya göre yapay zekânın etkisi altı aşamaya eşit dağılmaz: çevre taraması ile değerlendirme ve tahmin aşamalarında yüksek, problem çerçevelemede ve nihai seçim-taahhüt aşamasında daha düşüktür. Bu dağılım yönetişim açısından kritiktir; çünkü AI etkisi çoğunlukla kararın yukarı akışında yoğunlaşırken hesap verebilirlik nihai taahhüt tarafında yoğunlaşır.
| Aşama | İşlev | AI etkisinin niteliği | Başlıca risk |
|---|---|---|---|
| 1. Tarama ve sinyal tespiti | Rakipler, pazarlar, teknoloji, düzenleyici ortam ve iç performans hakkında bilgi toplamak. | Çalışmanın en güçlü AI etkisi gördüğü aşamalardan biridir. | Geniş veri kapsamının doğru çerçeveyi seçtiği yanılgısı. |
| 2. Problem çerçeveleme ve teşhis | Hangi problemin çözüleceğini, hangi çıkarların önemli olduğunu ve olayların nasıl açıklanacağını belirlemek. | AI etkisi daha sınırlıdır. | Modelin verilen çerçeveyi çok iyi analiz ederek yanlış veya dar çerçevenin sorgulanmasını zorlaştırması. |
| 3. Seçenek üretimi | Alternatif stratejiler ve hareket yolları oluşturmak. | Hızla artan fakat iki yönlü etki. | Uzun seçenek listesinin gerçek çeşitlilik yaratmaması; eğitim dağılımının benzer fikirleri yeniden üretmesi. |
| 4. Değerlendirme ve tahmin | Talep, rakip tepkisi, finansal sonuç veya iş planı gibi seçenek sonuçlarını değerlendirmek. | AI etkisinin en güçlü olduğu alanlardan biridir. | Tekil model değerlendirmesinin kararsızlığı ve bağlamsız puanlamanın toplantı içi güç ilişkilerini temsil edememesi. |
| 5. Seçim ve taahhüt | Seçeneği belirlemek, kaynağı serbest bırakmak ve kararın kurumsal sorumluluğunu üstlenmek. | AI etkisi en zayıf aşamalardandır. | Analiz ile karar verme arasındaki farkın silinmesi ve insan sorumluluğunun görünmezleşmesi. |
| 6. Uygulama ve gözden geçirme | Kararın uygulanmasını izlemek, koşullara göre tepki vermek ve sonuçlardan öğrenmek. | Agentic AI ile yükselmektedir. | Model tarafından hazırlanan otomatik özetlerin gerçek örgütsel öğrenmenin yerine geçmesi. |
Bu altı aşamalı yapı, makalenin en önemli yapısal iddialarından birini ortaya çıkarır: yapay zekâ çoğu şirkette en görünür olduğu yerlerde yönetişim açısından en kritik role sahip olmayabilir. Tarama ve tahmin aşamasındaki güçlü teknik performans dikkat çeker; ancak stratejik sorumluluğun belirleyici noktaları çoğu zaman hangi problemin seçildiği ve hangi kararın imzalandığıdır.
Sekiz hata modu: sorun her zaman model doğruluğu değildir
Çalışmanın “signal landscape” adını verdiği bölüm, AI destekli stratejik kararların sekiz farklı biçimde bozulabileceğini savunur. Bu sorunların ortak yönü, modelin tahmin doğruluğundan bağımsız olarak karar sürecinin yapısından doğabilmeleridir.
| Hata modu | Ne olur? | Gözlenebilir sinyal | Önerilen karşı önlem |
|---|---|---|---|
| Automation bias — Otomasyon yanlılığı | Karar vericiler otomatik öneriye gereğinden fazla ağırlık verir ve karşı kanıt aramayı azaltır. | Toplantının model önerisiyle başlaması; varsayımlar yerine yalnız model çıktısının konuşulması. | Her AI önerisiyle temel varsayım ve güven düzeyini görünür kılmak; alternatif görüşü savunma sorumluluğunu kişiye vermek. |
| Algorithm aversion — Algoritmadan kaçınma | Model bir hata yaptıktan sonra insanlar, insan karar vericiler de hata yaptığı halde modele aşırı tepki verir. | Modelin resmen kullanıldığı ancak gerçek kararların ayrı ve kayıt dışı elektronik tablolarla verilmesi. | Tahmin hatalarını düzenli gözden geçirmek ve model hatası ile kullanıcının yanlış yorumunu ayırmak. |
| Evaluation instability — Değerlendirme kararsızlığı | Aynı seçenekler, sıralama veya prompt değiştiğinde farklı değerlendirilebilir. | Aynı soruyu seçenek sırasını değiştirerek tekrar sormanın farklı sonuç üretmesi. | Tek prompt yerine çoklu model/prompt/rol toplulaştırma protokolü ve önceden tanımlanmış birleştirme kuralı. |
| Option homogenisation — Seçenek homojenleşmesi | Aynı temel modeller ve kamu verileri kullanıldıkça farklı şirketlerin stratejik seçenekleri birbirine benzemeye başlar. | Şirketler arası kısa listelerin ve iş gerekçelerinin giderek şablonlaşması. | Her seçenek setinde en az bir insan kaynaklı, şirketin kendi verisi ve alan bilgisine dayanan alternatif bulundurmak. |
| Proxy mis-specification — Vekil hedefin yanlış belirlenmesi | Gerçek stratejik amaç, kolay ölçülebilen fakat amacı tam temsil etmeyen bir metriğe indirgenir. | Metrik iyileşirken gerçek amaç gözle görülür biçimde kötüleşir. | Model kullanılmadan önce amaç ve kısıtları düz dille yazmak ve hedefi adversarial biçimde sorgulamak. |
| Self-fulfilling forecasts — Kendini gerçekleştiren tahmin | Şirket model tahminine göre davranarak tahmin edilen ortamı değiştirir. | Koşullu tahminlerin toplantı belgelerinde kesin gerçek gibi kullanılmaya başlanması. | “Tahmin doğruysa / yanlışsa ne yaparız ve yanıldığımızı hangi kanıt gösterir?” dallarını önceden yazmak. |
| Accountability gap — Hesap verebilirlik boşluğu | AI katkısı büyürken karardan sorumlu insan sahibin kim olduğu belirsizleşir. | Karar belgelerinde sahip bulunmaması, itirazın kayda girmemesi veya aynı kişinin hem hazırlayan hem inceleyen olması. | Karar charter'ı ile insan sahibini, model rolünü, alternatifleri ve itirazı kayıt altına almak. |
| Confidential-strategy leakage — Gizli strateji sızıntısı | Yönetim kurulu taslakları, satın alma tezleri veya yeniden yapılanma senaryoları denetimsiz tüketici AI araçlarına girilir. | Kişisel hesaplarla şirket işi yapılması ve kurumsal gateway dışında hassas prompt kullanımı. | Veri sınıflandırması, kurumsal AI gateway'i ve gerçek kullanımın periyodik denetimi. |
Yazarların ortak yorumu, bu hata biçimlerinin çoğunun “model problemi” görünümündeki süreç problemleri olduğudur. Daha yüksek doğruluklu bir model satın almak, karar toplantısında itirazın kaybolmasını, yanlış hedefin optimize edilmesini veya hassas bilginin yanlış sisteme girilmesini kendiliğinden çözmez.
AI-in-the-loop merdiveni nedir ve karar yetkisini nasıl dağıtır?
AI-in-the-loop merdiveni, yapay zekâya verilecek karar yetkisini beş seviyeye ayırır: AI bilgi sağlar, önerir, insanlarla birlikte seçenek üretir, önceden tanımlanmış sınırlar içinde eyleme geçer veya düşük riskli ve kolay geri alınabilir kararlarda tam karar verir. Yazarların temel ilkesi, kararın etkisi ve geri döndürülemezliği arttıkça AI'ya verilebilecek azami yetki seviyesinin düşmesidir.
| Basamak | AI'nın rolü | Uygun karar tipi | İnsan rolü |
|---|---|---|---|
| 1 — AI informs | Tarar, birleştirir, özetler ve tahmin sağlar; resmî öneri sunmaz. | Çok yüksek riskli ve geri döndürülmesi zor stratejik kararlar. | Makine algısı kullanılır ancak karar yargısı insanda tutulur. |
| 2 — AI recommends | Varsayım, güven düzeyi ve en az bir karşı görüşle birlikte açık öneri sunar. | Büyük stratejik seçimlerin varsayılan seviyesi. | Adı belirlenmiş insan karar verir ve sorumluluğu taşır. |
| 3 — AI co-generates | İnsanla birlikte seçenekleri ve değerlendirmeyi önceden belirlenmiş protokolle üretir. | Pazar girişi, portföy yeniden şekillendirme ve fiyatlama mimarisi gibi seçenek çeşitliliğinin kritik olduğu durumlar. | Nihai taahhüt yine adı belirlenmiş insan tarafından yapılır. |
| 4 — AI acts within bounds | Önceden onaylanmış sınırlar içinde bütçe, fiyat veya benzeri eylemi uygular. | Geri döndürülebilir ve geri bildirimi hızlı görülebilen kararlar. | İnsan veto penceresi, sınırları ve otomatik durdurma koşullarını tasarlar. |
| 5 — AI decides | Tam delegasyonla karar verir; insan sonradan gözden geçirir. | Yüksek frekanslı, düşük etkili, hızla geri alınabilir ve hedefi açıkça tanımlanabilen kararlar. | Stratejik nitelik büyük ölçüde ortadan kalkmıştır; post-hoc denetim sürer. |
Merdivende konum seçmek için üç temel eksen kullanılır. Birincisi etki ve geri döndürülebilirliktir: karar ne kadar önemli ve geri alınması ne kadar zorsa üst basamaklara çıkmak o kadar sınırlanır. İkincisi geri bildirim gözlenebilirliğidir: sonucu hızlı ve temiz biçimde ölçülen bir karar, sonucu yıllar sonra ve birçok etkenden sonra görülen bir karardan daha yüksek otomasyona elverişlidir. Üçüncüsü hedefin tanımlanabilirliğidir: amaç açık, denetlenebilir ve çelişkisiz biçimde yazılabiliyorsa delegasyon daha anlamlıdır; amaç değer yargılarına, çoklu hedeflere veya tartışmalı kurumsal tercihlere dayanıyorsa merdivenin üst basamakları uygun değildir.
Çalışmanın iki sert kuralından ilki hesap verebilirliğin devredilemez olmasıdır. Basamak 1–3 kapsamındaki stratejik kararlarda ve basamak 4'te AI'nın hareket edeceği sınırları tasarlayan süreçte bir insan sahibi tanımlanmalıdır. İkinci kural, tanımlanamayan amaçların merdiveni sınırlamasıdır. Kültür, kurum amacı, ortak seçimi, iş gücü yapısı veya itibar gibi çok anlamlı hedefler yalnızca kolay ölçülebilen metriklere indirgenerek tam otomasyona taşınmamalıdır.
Karar charter'ı: AI'nın rolünü kayıt altına almak
Yazarlar, basamak 2 ve üzerindeki her önemli karar için tek sayfalık bir karar charter'ı önerir. Charter; kararın ne olduğunu, amaç ve kısıtları, seçilen basamağı ve gerekçesini, kullanılan AI rolü ve model/prompt bilgisini, AI'nın yapmasının yasaklandığı şeyleri, en az bir insan kaynaklı alternatif dâhil seçenek setini, kayıtlı itirazları, adı belirlenmiş insan sahibini ve gözden geçirme tarihini/tetikleyicisini saklamalıdır.
Bu kayıt, bürokratik belge üretmekten çok kurumsal hafıza oluşturmayı amaçlar. Bir karar başarılı veya başarısız olduğunda şirketin yalnız sonucu değil, kararın nasıl üretildiğini inceleyebilmesi gerekir. Yalnız sonuçları gözden geçirmek, şans eseri başarılı olmuş kötü karar süreçlerinin tekrarlanmasına yol açabilir.
Önerilen yedi adımlı uygulama disiplini
Çalışmanın uygulama mantığı şu sıraya dayanır: önce kararın etki, geri döndürülebilirlik, geri bildirim ve amaç tanımlanabilirliği sınıflandırılır; sonra kullanılan aracın yeteneğine göre değil bu sınıflandırmaya göre merdiven basamağı seçilir; karar charter'ı doldurulur; seçenek üretimi önceden tanımlı protokolle yapılır; karar kasıtlı biçimde pre-mortem ve temel-oran kontrolüyle zorlanır; nihai taahhüt adı belirlenmiş insan tarafından yapılır ve itiraz kaydedilir; son olarak önceden belirlenmiş tarihte hem sonuç hem karar süreci gözden geçirilir.
Hindistan bağlamı: kullanım hızı ile yönetişim olgunluğu aynı değil
Makale Hindistan'ı çerçevenin ampirik doğrulaması olarak değil, AI benimsemesinin yönetişimden daha hızlı ilerlediği açıklayıcı bir bağlam olarak kullanır. Yazarların aktardığı NASSCOM verilerine göre 2026 ortasında Hindistan teknoloji hizmetleri sektörünün AI hizmet gelirinin yaklaşık 10–12 milyar ABD doları düzeyinde olduğu, teknoloji hizmet şirketlerinin yaklaşık dörtte birinin AI deneylerini üretime taşıdığı, sağlayıcıların yaklaşık %85'inin agentic AI platformlarına sahip olduğu ve iki milyondan fazla AI becerisine sahip profesyonelin bulunduğu bildirilmiştir.
Buna karşılık yönetişim göstergeleri daha düşük olgunluğa işaret etmektedir. NASSCOM'un 574 işletmeyi kapsayan Responsible AI araştırmasında yaklaşık her on işletmeden üçünün olgun sorumlu-AI uygulamalarına sahip olduğu, yaklaşık %45'inin resmî adımlar başlattığı ve yaklaşık her yirmi işletmeden birinin temel farkındalığın ötesinde uygulamaya sahip olmadığı aktarılır. Grant Thornton'ın 2026 AI Impact Survey çalışmasında teknoloji sektöründeki katılımcıların %55'i düzenleyici veya uyum belirsizliğini AI'nın ölçeklenmesinin başlıca engeli olarak belirtmiştir; kaynak, teknoloji alt grubunun 100 kişi olması nedeniyle bu değerin kesin büyüklükten çok yön gösteren bir sinyal olarak değerlendirilmesi gerektiğini özellikle belirtir.
Teknoloji hizmetlerinde teklif/fiyatlama kararları, AI destekli stratejik kararın tipik örneği olarak sunulur. Rakip analizi, müşteri olasılığı, efor modelleri ve fiyat tabanı üretimi karar komitelerine model çıktısı olarak girebilir. Buradaki temel risk, tahminin toplantının varsayılan başlangıç noktasına dönüşmesi ve komitenin onayladığı analizin daha sonra yeniden üretilememesidir.
Bankacılık ve global capability centre bağlamında ise kredi, dolandırıcılık ve tahsilat gibi birçok algoritmik karar operasyonel olsa da önemli stratejik sonuçlar yaratabilir. Hangi müşteri segmentlerine girileceği, AI yeteneğinin içeride mi geliştirileceği yoksa satın mı alınacağı ve portföyün AI-native rekabet altında nasıl şekillendirileceği gibi gerçek stratejik tercihler insan tarafından çerçevelenir ve taahhüt edilir. Bu bağlamda seçenek homojenleşmesi ile yanlış vekil hedef seçimi özellikle önemli hale gelir.
Etik, hukuki ve hesap verebilirlik sınırları
Çalışma dört sınırı özellikle vurgular. Birincisi, kurumsal hesap verebilirliğin modele devredilemeyeceğidir. Yönetim kurulu veya karar komitesi, yalnızca “model böyle önerdi” diyerek kendi yargı sorumluluğunu ortadan kaldıramaz. Çalışanın veya müşterinin geleceğini maddi biçimde etkileyen kararlarda açık bir insan sahibinin bulunması meşru karar yetkisinin koşulu olarak görülür.
İkinci sınır gizlilik ve veri korumadır. Stratejik kararın veri yolu analiz başlamadan tasarlanmalıdır: hangi veri hangi modele girilebilir, hangi ortam kullanılabilir, kim erişebilir ve çıktılar ne kadar tutulabilir? Hindistan bağlamında yazarlar bu konuyu Digital Personal Data Protection Act ve uygulama çerçevesiyle ilişkilendirir; ancak çalışma hukuki tavsiye niteliğinde değildir ve düzenleyici gerekliliklerin gelişmeye devam ettiğini açıkça belirtir.
Üçüncü sınır adalettir. Stratejik kararlar işletmelere ve yatırımlara kaynak ayırmanın yanında hangi lokasyonların büyüyeceğini ve hangi iş rollerinin ortadan kalkabileceğini de belirleyebilir. Bu nedenle çalışanları veya müşterileri etkileyen AI destekli stratejik kararlarda korunan özelliklerin cezalandırıcı biçimde kullanılmaması, vekil değişkenlerin kontrol edilmesi, farklı gruplar üzerindeki etkinin gözden geçirilmesi ve etkilenen kişilere yönelik yeterli şeffaflığın sağlanması gerekir.
Dördüncü sınır amaç sınırlamasıdır. Belirli bir pazar girişini değerlendirmek için üretilmiş analiz daha sonra başka bir amaç için, örneğin iş gücü azaltma gerekçesi üretmek üzere sessizce yeniden kullanıldığında kararın veri ve yetki sınırı değişmiş olur. Yazarlar, amaç sınırlamasının yalnız politika belgesinde değil teknik veri akışında da uygulanması gerektiğini savunur.
Çalışmanın Yöntemi ve Bulguları
Bu çalışma deneysel veya nicel bir araştırma değildir. Yazarların yöntemi stratejik karar verme literatürü, insan–AI yargısına ilişkin gelişen ampirik çalışmalar, sektör anketleri, şirket açıklamaları, hukuki/düzenleyici belgeler ve uygulayıcı kaynaklarının kavramsal olarak sentezlenmesine dayanır. Hindistan teknoloji hizmetleri, bankacılık ve global capability centre bağlamları, geliştirilen çerçeveyi somutlaştırmak için kullanılır; bunlar örneklem temelli vaka çalışmaları değildir.
Çalışmanın özgün katkısı yeni bir AI modeli veya veri kümesi değil, karar sürecini yönetmek için üç katmanlı bir ayrıştırmadır: konum — AI kararın hangi aşamasında devreye giriyor; hata modu — o kullanım karar sürecini hangi biçimde bozabilir; yetki — öneri tartışmalı olduğunda karar hakkı ve sorumluluk kimde kalır. Bu üçlü ayrım dört AI rolü, altı karar aşaması, sekiz hata modu ve beş karar-yetkisi seviyesini aynı yönetişim dili içinde birleştirir.
Makalenin dört araştırma önermesi
| Önerme | İddia | Durum |
|---|---|---|
| 1. Süreç biçimselleştirmesi | AI kullanımının karar kalitesine olumlu etkisi, karar süreci belgelenebilir ve gözden geçirilebilir olduğunda daha güçlü olmalıdır; biçimsiz süreçte AI yalnız hızı artırabilir. | Test edilmesi gereken hipotez; bu çalışmada ampirik olarak doğrulanmamıştır. |
| 2. Foundation-model bağımlılığı | Aynı kamu verileri ve benzer foundation modellerine dayanan şirketler, özgün veri ve alan bilgisinden yoksunsa stratejik olarak birbirine yakınlaşabilir. | Test edilebilir kavramsal önerme. |
| 3. Adı belirlenmiş sahip + kayıtlı itiraz | İnsan sahibinin ve zorunlu alternatif görüşün kayıt altında olması otomasyon yanlılığını azaltabilir. | Davranışsal deney veya karşılaştırmalı saha çalışması gerektirir. |
| 4. Ters-U ilişkisi | AI kullanımının yönetişim olgunluğundan daha hızlı arttığı firmalarda, belirli bir noktadan sonra ilave AI etkisi karar kalitesini azaltabilir. | Normatif çerçeveden türetilmiş, henüz test edilmemiş önerme. |
Açık araştırma soruları
Çalışma üç önemli soruyu gelecekteki araştırmaya bırakır. Birincisi, stratejik karar kalitesinin karar verilmeden önce nasıl ölçüleceğidir; çünkü yalnız gerçekleşen sonucu kullanmak beceri ile şansı birbirine karıştırır. Süreç denetimleri, tahmin kalibrasyonu ve seçenek çeşitliliği aday ölçülerdir ancak kabul edilmiş tek bir standart bulunmamaktadır.
İkinci soru, analiz sürecinin ilk taslağının sürekli makine tarafından hazırlanmasının insan beceri gelişimini nasıl etkileyeceğidir. Strateji ekiplerinde genç analistlerin araştırma, sunum ve alternatif üretimi yoluyla kazandığı çıraklık deneyiminin otomatikleşmesi, gelecekte üst düzey stratejik yargı geliştirecek insan kaynağını etkileyebilir.
Üçüncü soru, basamak 4 ve 5 yetkileri yaygınlaştıkça şirketlerin yönetim kurullarına, yatırımcılara ve düzenleyicilere hangi AI karar yetkilerini açıklaması gerektiğidir. Yazarların önerdiği yönetişim dili bu açıklamada modelin rolünü, merdiven basamağını, insan sahibini ve gözden geçirme düzenini görünür hale getirebilir.
Çalışmanın desteklediği ve desteklemediği yorumlar
| Çalışmanın desteklediği | Çalışmanın desteklemediği |
|---|---|
| AI'nın stratejik karar vermedeki etkisinin karar aşamasına ve AI rolüne göre ayrıştırılması yararlı bir yönetişim çerçevesi sağlar. | AI-in-the-loop ladder'ın şirket performansını artırdığı bu makalede ampirik olarak kanıtlanmamıştır. |
| Model doğruluğundan bağımsız süreç hataları stratejik karar kalitesini etkileyebilir. | Sekiz hata modunun her sektörde aynı sıklıkta veya aynı büyüklükte ortaya çıktığı gösterilmemiştir. |
| Stratejik AI kullanımında açık karar yetkisi ve adı belirlenmiş insan sahipliği hesap verebilirliği güçlendirebilecek bir yönetim aracıdır. | İnsan karar vericilerin AI'dan bağımsız olarak hatasız veya daha üstün olduğu iddia edilmemektedir. |
| Hindistan bağlamındaki sektör verileri hızlı AI benimsemesi ile daha yavaş yönetişim olgunluğu arasında anlamlı bir yönetim problemi bulunduğuna işaret etmektedir. | Hindistan'daki bütün sektörlerin veya şirketlerin aynı olgunluk düzeyinde olduğu sonucuna varılamaz. |
| Karar sürecinin belgelenmesi, itirazın kaydedilmesi ve karar sahibinin belirlenmesi araştırmaya değer, uygulanabilir yönetişim araçlarıdır. | Bu araçların nedensel etkisi bu çalışma tarafından ölçülmemiştir. |
Temel sınırlılıklar
Birinci sınırlılık, çalışmanın yeni ampirik veri toplamamasıdır. Kullanılan nicel rakamlar farklı yöntem ve teşvik yapılarına sahip akademik veya sektör kaynaklarından gelmektedir. Bu nedenle sektör rakamlarının aynı kalite düzeyinde ölçüm olduğu varsayılmamalıdır.
İkinci sınırlılık, sekiz hata modunu destekleyen generative-AI literatürünün henüz genç olmasıdır. Bugünkü model davranışının sonraki model nesillerinde aynı kalacağı garanti değildir.
Üçüncü sınırlılık, Hindistan örneklerinin stilize olmasıdır. Teknoloji hizmetleri şirketleri, ürün şirketleri, captive merkezler, global capability centre'lar ve BFSI kurumları birbirinden farklı karar yapıları kullanır; çalışmanın örnekleri bütün bu kurumların aynı şekilde çalıştığı anlamına gelmez.
Dördüncü sınırlılık, AI-in-the-loop ladder'ın normatif bir araç olmasıdır. Yazarlar hangi kararın hangi basamağa yerleştirilmesi gerektiğini gerekçelendirmiş, fakat merdivenin uygulanmasının karar performansını ne ölçüde değiştirdiğini ölçmemiştir.
Beşinci sınırlılık hukuki yorumdur. Çalışma hukuki danışmanlık değildir; Hindistan'daki veri koruma ve AI yönetişimi yükümlülükleri gelişmeye devam etmektedir.
Genel sonuç
Çalışmanın temel mesajı, stratejik karar vermede AI etkisinin yalnız “AI kullanılıyor mu?” sorusuyla yönetilemeyeceğidir. Kurumların aynı anda üç şeyi belirlemesi gerekir: model karar sürecine nerede giriyor, bu kullanım hangi süreç hatalarını yaratabilir ve nihai karar yetkisi kimdedir.
AI'nın analitik kapasitesi arttıkça insanın rolünün otomatik olarak ortadan kalkması gerektiği sonucu çıkmaz. Tam tersine, tahmin ve analiz ucuzladıkça problem çerçeveleme, amaç seçimi, alternatif görüşü koruma, geri döndürülemez taahhütlerde bulunma ve hesap verebilir karar sahibi olma gibi insan yargısına dayanan unsurlar daha görünür hale gelir.
Bu nedenle çalışmanın pratik katkısı yeni bir AI teknolojisi değil, karar yönetişimi disiplinidir: AI rolünü açıkça tanımlamak, karar seviyesini önceden belirlemek, alternatif ve itirazı kaydetmek, modelin hareket alanını sınırlamak, insan sahibini isimlendirmek ve daha sonra yalnız sonucu değil karar sürecini de değerlendirmek.
Kaynak ve Yöntem Notu
Özgün başlık: The Influence of AI in Strategic Decision Making: Stages, Signals, and Decision Rights
Yazarlar: Abhishek Kumar Singh; Chetan Rao.
Kurum: School of Management, Anurag University, Hyderabad, India.
Yazar kimlikleri: PDF, Abhishek Kumar Singh için ORCID 0009-0002-4713-5706; Chetan Rao için ORCID 0009-0007-7163-1212 bilgisini vermektedir.
Kaynak türü: Kavramsal ve argümantatif working paper; uygulayıcı odaklı yönetim ve yapay zekâ yönetişimi çalışması.
Platform: SSRN.
Yazım tarihi: 27 Eylül 2026.
SSRN'ye gönderim tarihi: 29 Eylül 2026.
Sayfa sayısı: 17.
DOI: 10.2139/ssrn.7535159
Hakemlik durumu: Kaynak bir SSRN çalışma belgesidir; hakemli dergi makalesi olarak sunulmamalıdır.
Lisans: Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0).
Finansman: Yazarlar dış finansman kaynağı bulunmadığını beyan etmektedir.
Çıkar çatışması: Yazarlar rekabet eden çıkar bulunmadığını ve makalede atıf yapılan AI platformları, analitik sağlayıcılar, danışmanlık firmaları veya sektör kuruluşlarıyla ticarî ilişki bulunmadığını belirtmektedir.
Etik onay: Çalışma hasta, insan katılımcı, kişisel veri, anket, mülakat, odak grup, deney veya hayvan çalışması yürütmemiştir. Kullanılan kanıtlar kamuya açık akademik çalışmalar, sektör raporları, şirket açıklamaları, düzenleyici/hukuki belgeler ve uygulayıcı yorumlarından alınmıştır; bu nedenle kurumsal etik kurul veya IRB onayı gerekmemiştir.
Veri erişilebilirliği: Çalışma yeni bir özel veya gizli veri seti raporlamamaktadır. Analiz yayımlanmış ve kamuya açık kaynaklara dayanan kavramsal sentez niteliğindedir.
Yöntemsel sınır: AI-in-the-loop ladder, karar charter'ı ve dört araştırma önermesi ampirik performans sonuçları değil, gelecekte sınanmak üzere sunulan kavramsal ve normatif araçlardır. Sektör istatistikleri farklı dış kaynaklara dayanmakta ve aynı örnekleme/yöntem standardından gelmemektedir.
Telif ve Verianla yöntemi: Kaynak CC BY-NC 4.0 olsa da bu Verianla metni özgün çalışmanın doğrudan çevirisi veya paragraf-paragraf yeniden yazımı değildir. Çalışmanın bilimsel kavramları, sınıflandırmaları, dış kaynaklardan aktardığı sayısal bilgiler, sınırlılıkları ve yönetişim önerileri bilimsel envantere ayrılarak bağımsız Türkçe öğretici yapı içinde yeniden düzenlenmiştir.
Bir yorum bırakın
E-posta adresiniz yayınlanmayacaktır. Gerekli alanlar * ile işaretlenmiştir