Dr. Ömer Zeybek

Ekonometrist / Veri Bilimci

  • Enflasyon serisinin temel yılı değişiyor…

    789 words
    3–5 minutes

    TÜİK geçtiğimiz Ekim ayında yaptığı bir duyuru ile Tüketici Fiyat Endeksi’nin temel yılı ve alt grup ayırımlarının değişeceğini açıklamıştı. Aşağıda bıraktığım linkten ulaşabileceğiniz açıklamada söz konusu değişikliklerin istatistik teknolojisinde güncelleme olduğu ve manşet enflasyonu değiştirmeyeceği anlaşılıyor. Ancak yeni seriler ile ilgili en yeterli açıklamayı ancak Salı günü veri ile beraber yayınlanacak metodolojik bülteni gördükten sonra söyleyebileceğiz. Ekim ayında yapılan duyurudan anlaşılan, TÜİK’in temel yıl çalışması ile yapacağı değişiklik 2009 yılında paradan sıfır atılması benzeri bir uygulama ve piyasanın takip ettiği manşet enflasyona dokunmadan alt-endekslerin yeniden tanımlanması.

    Duyuru Metni

    Salı günü açıklanacak rakamların hesaplanma yönteminde yapılacak değişikliğin ne anlama geldiğini tartışmadan önce, belki de bazı temel kavramların ne anlama geldiğini üzerinden geçmekte fayda olabilir.

    Öncelikle “Endeksin Temel Yılı” ne anlama geliyor? Enflasyon sepeti içerisindeki 12 ana grup, 44 alt grup ve 901 ürün fiyatı derlenmekte. Bu ürün baz alınarak aylık saha çalışması kapsamında 609 bin üzerindeki fiyat her ay toplanıyor. Ancak çıplak fiyatlardan üretilecek bir göstergenin enflasyonu takip edebilmek için kullanılması hiç pratik değil. Bu nedenle Temel Yılı kapsamında belirlenen bir yıldaki fiyatlar “100” seviyesi olarak belirlenerek fiyatlar düzeyindeki aylık ve yıllık artışlar bu baz tarihe göre takip ediliyor.

    “Endeksin Alt Kırılım” ağırlıkları ise hangi ürün ve hizmetlerin benzer kabul edildiği ve beraber sınıflandırıldığına odaklanıyor. Burada da ürün bazında bir ekleme çıkarma yok. Sadece zincir endeks mantığı doğrultusunda belirlenmiş ürünler belli bir sınıflamaya konu edilerek karar vericilere ayrıntılı analiz yapma imkanı sağlanıyor.

    Son olarak “Zincir Endeks” nedir? Buna odaklanalım. Her dönemde güncel dönemin fiyat düzeyi bir önceki dönemin fiyat düzeyine oranlanır. Enflasyon bu oran üzerinden çıkarılır. Böylece yıllık olarak ürün sepetleri güncellenebilir. Aslında zincir endekste temel yıl her sene tekrar tanımlanır. Pratik bir örnek olarak 2026 yılında endekse girecek ürünün Aralık ayı fiyatları alınarak (2025 baz yılı) değeri bulunmuş olur. 2026 yılı boyunca yeni fiyatlar derlenerek enflasyon hesaplanır.


    Şimdi Ocak 2026 fiyatları ile yapılacak güncellemenin ne olduğuna bir bakalım. TÜİK’in Ekim ayı sonunda yaptığı kamuoyu açıklamasına göre TÜFE’de iki önemli değişiklik olacak. Bunlardan ilki “Baz Yılı” değişimi yukarıda açıkladığım üzere zaten “Zincir Endeks” bağlamında TÜİK Enflasyonu’nun baz yılı her sene giren çıkan ürünler ile değiştiği için bu daha çok kozmetik bir değişiklik olacak. Sadece bu haftadan sonra 2003’teki zincirin ilk halkasının fiyat seviyesi 100 olarak kabul edilmeyecek, onun yerine 2025 yılı baz yılı fiyat “100” olarak kabul edilecek.

    Bu enflasyonu zaten “yıllık ve aylık yüzdelik” artış açısından takip eden halk için önemli bir değişiklik getirmeyecek. Sadece endekslerle çalışan araştırmacılar artık 3000 lere ulaşmış endeks değerleri ile değil 100’lü seviyelerdeki değerler ile analizlerini yapacak.

    Peki sırf bu sıfır atma benzeri operasyon için mi bazı kullanıcıların kafasını karıştırabilecek bir güncelleme yapılıyor. Tabii ki hayır, resmi istatistikler aslında Türkiye’nin Avrupa Birliği adaylık sürecinde direkt görüşmelere başladığı iki alandan biri, her ne kadar daha sonra farklı fasıllarda görüşmeler tıkansa da, TÜİK aslında yıllardır, “AB İstatistik Sisteminin” bir parçası ve ürettiği verilerin metodoloji ve kapsamı 27 üye ülke ile tam uyumlu olarak belirleniyor. “AB İstatistik Ofisi” 2026 yılı itibariyle tüm ülkelerin verilerinin direkt karşılaştırılabilirliğini arttırmak için “ortak referans yıl” talep ediyor. Bu nedenle sadece oranlar olarak değil, seviyeler açısından da “Avrupa Ülkelerinin” enflasyonları karşılaştırılabilir olacak.


    Gelecek hafta açıklanacak veriler ile ilgili ikinci önemli değişiklik ise bundan böyle kategori ağırlıklarının belirlenmesinde farklı bir yönteme gidilmesi olacak. İlk olarak şunu belirtmek gerekiyor, TÜİK’in açıklamasında özellikle vurgulanan aşağıdaki ifadeye göre;

    “Yeni TÜFE serisinde ise grup düzeyindeki ağırlıklar, hanehalkı tüketim eğilimlerini daha kapsamlı ve güncel biçimde yansıtan Ulusal Hesaplar Hanehalkı Nihai Tüketim Harcamaları verilerinden elde edilecektir. Alt düzey ağırlıklar ise Hanehalkı Bütçe Anketi ile belirlenmeye devam edecektir. “

    Grup / Kategori tanımları ve ağırlıkları belirlenirken yeni bir yaklaşım getiriliyor ancak, manşet enflasyonun açıklanmasında kullanılan eski yapı devam ediyor. Manşet enflasyon (TÜFE’de açıklanan genel oran), teknik olarak maddelerin tek tek (en ayrıntılı seviye) harcama ağırlıkları kullanılarak hesaplanmaktaydı.

    Ancak şu anda Birleşmiş Milletler tarafından belirlenmiş olan 12’li COICOP sınıflamasına göre üretilen grup endeksleri, modern tüketim kalıplarına uygun olarak tekrar tanımlanacak. Bu yapılırken de gruplar içindeki, ürün ve alt grup ağırlıkları, en son 2021 baz yıllı veriler ile güncellenmiş olan GSYH altındaki “Hanehalkı Nihai Tüketim Harcamaları” yapısından beslenecek.

    Gruplandırma yapısında COICOP’tan AB normlarına uygun ECOICOP V2 sınıflamasına geçilmesi ile yeni oluşacak gruplarla “Türkiye Enflasyonu” üzerinden dijital hizmetlerin görünürlüğü daha artacak.

    Perplexity Yapay Zeka Sistemi’nin benim için hazırladığı aşağıdaki tablodan görüldüğü gibi “sigorta ve finansal hizmetler” ve “Kişisel Bakım – Sosyal Koruma” için yeni ana endeksler ortaya çıkarken, artık çok demode kalmış “Haberleşme” isimli alt grup, “Bilgi – İletişim” şeklinde kurgulanıyor. Yeni oluşan “Bilgi ve İletişim” grubu altında, “Haberleşme Hizmetlerinin” yanı sıra, “Bilgi ve İletişim” ekipmanlarının fiyatlarının da bir grup olarak takip edilmesi mümkün olacak.

    Her ne kadar TÜİK Ekim ayında genel prensipleri açıklamış olsa da, yeni üretilecek serilerde hangi kırılımları göreceğimiz Salı günü belli olacak. Öte yandan geçtiğimiz düzenlemelerde olduğu gibi bu seferde TÜİK’in geçmiş veriler ile bağlantının sağlanması için ilk açıklamada hem eski hem de yeni baz yılı ile rakamları yayınlaması beklenebilir.

    Hafta içerisinde gelecek yeni yıl verilerinin ardından tekrar görüşmek üzere…

  • Veri hikayeciliğine neden ihtiyaç duyarız…

    Sonu veri hikayeciliğine çıkan yolun kronolojik bir incelemesi ve operasyonel tanımın tartışılması üzerine bir not…

    938 words
    4–6 minutes

    Güçlü bir fikir, kesinlikle büyüleyicidir. Ancak o fikri kullanmaya karar verene kadar kesinlikle işe yaramazdır. Richard Bach

    “Büyük Veri” ve “Veri ile Karar Veren Kurumlar” gibi kavramlar “Dijital Dönüşüm” sürecinin merkezinde, neredeyse 15 yıldır gündemde. Veri işleme ve depolamada çığır açan teknolojilerin 2010’lu yılların ikinci yarısından itibaren yaygınlaşmasıyla, veriden içgörü çıkarma (veri analizi) iş hayatında tabana yayılan bir konsept oldu. Bir kaç sene içerisinde Genel Müdürden, iş birimi fonksiyonlarının uzmanlarına kadar herkes “Veri Analisti” rolünü üstlenmek zorunda kaldı.

    Bu süreç iş hayatının veri ile karar verme kültürü odağında evrilmesine neden oluyor. Ancak her kökten dönüşümde olduğu gibi, veri odaklı dönüşümde de yeni teknolojilerin kendisi, hangi ihtiyaçtan dolayı bu yolda büyük bir adım atıldığının ve teknolojilerin geliştirildiği çözümlemesinin önünde kaldı.

    Çok büyük verinin etkin olarak dağıtılması ve kesintisiz işlenmesinin sağlanması sistem mimarlarının birinci önceliği idi. Bu nedenle bu büyük dönüşüm yolculuğu sırasında kilit bir sorunun cevabı genelde hiç düşünülmedi ya da iş biriminin veri analiz ihtiyaçları şeklinde hızla atlandı;

    Veri odaklı kararı kim alacak? Bu kişinin bu kararı alırken içgörüye odaklanmasını nasıl kolaylaştırabiliriz? Veri odaklı karar alma ile ilgili karar alma noktalarının yetkinlikleri nasıl planlanmalı.

    Bu sorular özellikle BT yöneticilerin dijital dönüşüm alanında daha aşina olduğu teknoloji merkezli sorunlardan, farklı olarak çözüm metodolojisinin geliştirilmesi merkezli sorunları gündeme getirdi. “Büyük Verinin” saklanması ve etkin olarak işlenmesi için gerekli teknoloji hızla gelişirken, sürecin son aşaması için bir çözüm ihtiyacı doğdu. Veri işleme sürecinin en sonunda yer alan “Veri Analizi” aşamasında dev veri silolarında saklanan verilerin nasıl toplulaştırılacağı ve temsil gücü yüksek metriklere (KPI) dönüştürüleceği. Ve nihayet, nasıl somut içgörü haline getirileceği en kritik sorun olarak ön plana çıktı.

    Yazının gelişinden anladığınız gibi, “Bilgisayar Bilimi” verinin analistlerin önüne getirilmesi tarafında üzerine düşen görevi yerine getirmiştir. Ancak 20.yy’nin başında formüle olmuş geleneksel istatistik bilimi verinin özetlenmesi ve karar birimlerine sunulması aşamasında yetersiz kalmaktaydı.

    İngilizcede Exploratory Data Analysis (EDA) olarak geçen “Keşifsel Veri Analizi” geleneksel istatistiksel çıkarım tekniklerine bir tepki olarak doğdu. O dönemde hakim olan geleneksel yöntemler “Doğrulayıcı Veri Analizi”, (Confirmatory Analysis) olarak adlandırılabilir. Bu yaklaşım, veriden çıkarım yapmayı, hipotezlerin test edilmesi odaklı bir analiz süreci olarak ele almakta idi. Oysa “Keşifsel Veri Analizi”, veri odaklı idi.

    John Tukey’in 1968’den itibaren Princeton Üniversitesi İstatistik Bölümü’nde verdiği derslerin birikimi, 1977’de yayımlanan Exploratory Data Analysis (Keşifsel Veri Analizi) kitabında toplandı; bu kitap, keşifsel yaklaşımın istatistiksel çıkarım içindeki yerini kuramsal olarak temellendirdi.

    John Tukey

    1930’lardan itibaren hakim olan “Confirmatory Analysis” in tersine “Keşifsel Veri Analizi” istatistikçilerin teknik dilini kullanmıyordu. Analiz sırasında ortalama, medyan, standart sapma gibi tüm veri yığınını temsil gücü yüksek metrikler (KPI) hesaplanıyordu. Daha sonra, bu metrikler kullanılarak temsil gücü yüksek çizimler ile yöneticinin ya da karar alıcının içgörü üretmesi hedefleniyordu. Artık veri “modelleme” içerisinde bir girdi değildi, “çıkarım süreci” içerisinde aktif bir öğe idi.


    İşte “Veri Hikayeciliği” istatistiksel çıkarım sürecinin bu tarihsel dönüşümü sürecinde 2000’li yılların başında gündeme gelmeye başladı. Her ne kadar “Keşifsel Veri Analizi” veri odaklı karar vermeyi istatistikçiler ve analistlerin tekelinden çıkarmış olsada, kurumlarda veri iki ayrıcalıklı grubun tekelinde kalmaya devam etmekteydi.

    Bunlar işi yönetmesi için veriye ihtiyaç duyan üst düzey yöneticiler ve onlara sayfalarca ortalama ve oynaklık verisinin bulunduğu excel dosyaları hazırlayan veri uzmanlarıydı. Bu gruplar dışında kalan kişilerin veriye erişimi sınırlı ve genelde düzenli bir akışta olmuyordu.

    Günümüzün dinamik iş ortamı iki önemli konuda kurumları zorlamakta. Bunlardan birincisi böyle bir rekabet ortamında verinin sadece bir kaç tepe yöneticinin erişebildiği bir yerde bulunması. Bu durum kurum içi yenilikçiliği ciddi anlamda sınırlayarak rekabet gücünü düşürmekte. Buna ek olarak iş hayatının artan karmaşıklığına bağlı olarak, üst yönetimin çapraz tablolardaki ortalama rakamlarını kafasında somutlaştırarak karar alma sürecine sokma sürecindeki yükünün hafifletilmesi gerekiyor.

    2010’lu yıllarda yaşanan bu veri krizi, verinin iletişimi ve paylaşımının daha efektif olarak yapılması gereğini gözler önüne serdi. İşte bu noktada “Veri Okuryazarlığı” yeni dönemin en önemli yetkinliklerinden biri olarak ön plana çıktı. Ama veri okuryazarları veriyi sayfalarca ortalama ile dolu raporlardan mı okuyacaklardı? Bu yükün karar alıcının üzerine atılması doğru mu idi? Verinin sindirilerek, karara dönüştürülmesi sürecine bir kolaylaştırıcı yöntem bulunmalı idi.

    Nasıl İngilizceye hakim olmak için İngiliz Dili ve Edebiyatı bölümü mezunu olmanız gerekmiyor ise, veri okuryazarı olmak için de ileri istatistik tekniklerine hakim olmanız gerekmiyor…


    “Veri Hikayeciliği” konsepti bu süreç içerisinde ortaya çıktı. Veriden içgörü çıkarma sürecini zahmetsiz ve doğal bir algı sürecine dönüştürmek ve karar vericilerin yükünü azaltmak için bu konseptin yöntemleri iş hayatında yoğun olarak kullanılmaya başlandı.

    Psikolog Gary Klein, “Başkalarının göremediğini görmek…” isimli kitabında (linkten ulaşılabilir) içgörü için sezgi kavramından yola çıkarak bir tanım oluşturuyor. Sezgi, kişinin zaten öğrenmiş olduğu örüntüleri kullanmasıdır; içgörü ise yeni örüntülerin keşfedilmesidir.

    Veri hikayeciliği üç ana elemanın başarılı bir şekilde kombinasyonundan oluşur.

    • Veri
    • Öykü
    • Görsel

    Dilerseniz bugünkü yazımızın sonlarına yaklaşırken, “Veri Hikayeciliği” tekniklerinin öncüsü Brent Dykes, “Effective Data Storytelling” isimli kitabında bu üç öğenin nasıl harmanlanarak içgörü yaratılabileceği yönündeki süreç önerisini tartışalım.

    “Öykü ve Veri” elemanları, birleştiğinde hedef kitlenize verinin içerisinde neyin gerçekleştiğini ve altını çizdiğiniz kavrayışların neden önemli olduğunu açıklamış olursunuz. Öte yandan, “Görsel ve Veri” elemanları, birleştiğinde hedef kitlenizi grafikler ve tablolar dışında yakalanması mümkün olmayan kavrayışlar konusunda aydınlatmış olursunuz.

    Son aşamada, “Görsel ve Öykü” elemanları, birleştiğinde veri hikayeniz ile hedef kitlenizi konuya bağlama, hatta anlattığınız hikayeden keyif almasını sağlama imkanınız olur.

    Temel mekanizması yukarıdaki şekilde formüle edilebilecek “Veri Hikayeciliği”, “Analitik Değer Yaratma” yolunun üzerinde “Anlayış” / “İçgörü” basamağının geçilmesi için önerilen yöntemler bütünüdür.

    Bu yazıda, “Veri Bilimcileri”, (evet veri bilimciler sadece dev karar ağaçları ve karmaşık derin öğrenme sistemleri tasarlamıyor…) “Veri Hikayeciliği” süreçlerini geliştirmeye zorlayan süreci ve ilk aşamada “Veri Hikayeciliğin” operasyonel tanımı ve ana bileşenlerini sizlere aktarmaya çalıştım. Bu serinin bir sonraki aşamasında “Psikoloji” ve “Veri Analizi” arasındaki bağlantıyı inceleyerek hacimli veriler üzerine insanların nasıl zahmetsiz bir şekilde içgörü üretebileceği üzerinde duracağız.

  • Makineler düşünebilir mi? : Anlamak tutkusu ile bilim yapan bir adam, Cahit Arf

    Makineler düşünebilir mi? : Anlamak tutkusu ile bilim yapan bir adam, Cahit Arf
    6–8 minutes
    1,306 words

    Cahit Arf, İngilizce’de “algebra” olarak geçen cebir alanında uzmanlaşmış bir bilim adamıydı. Cebir, aritmetiğin temel yöntemlerinden biri olarak, matematiksel problemleri lineer denklemler veya polinomlar aracılığıyla genelleştirmeyi amaçlar. Kısaca cebir, ölçülebilen veya sayılabilen nicelikler arasındaki ilişkileri matematiksel olarak ifade etme biçimidir.

    Matematiğin cebirden ayrı olan diğer iki yöntemi; geometri, aritmetikte şeklin analizi olarak ortaya çıkarken; calculus, türev ve integral gibi değişimin analizine dayanır.

    Cebir, Harezmi’den başlayarak İslam Coğrafyasında düşün adamların yoğun olarak eğildiği bir konu olmuştur. Ord. Prof Dr. Cahit Arf ülkemizde cebir alanında Cumhuriyet Döneminde çok önemli çalışmalar örnek bir bilim adamıdır. Arf cebir’i anlamak için bir yöntem olarak konumlayarak bilgi üretimi konusunda görüşlerinin temelini oluşturmuştur. Profesör Arf, gönül verdiği cebir biliminin ilişkileri matematiksel olarak tanımlama amacına bağlı olarak sürekli olarak anlamaya çalışmak amacını hedeflemiştir. Bu amacının “Bilim insanının amacı anlamaktır ama büyük harflerle ANLAMAKTIR.”

    Arf’ın en dikkat çekici özelliği, matematiği sadece bir bilim dalı değil, aynı zamanda bir yaşam ve düşünme biçimi olarak değerlendirmesidir. Ben de doktora derecemi aldıktan sonra bilimi, dünyayı anlamak için bir yöntemler bütünü olarak görmeye başladım.

    Bu yazımızda bu büyük bilim adımının 1960 yılında yaptığı bir konuşması konu alacağız. Bu konuşma, öğrenen makineler kavramını formalize eden Alan Turing’in 1950 yılında yayınladığı “Makineler düşünebilir mi?” isimli makale ile aynı başlığı taşıyor. Turing’in makalesinin yayınlanmasından 10 yıl kadar sonra henüz üç yıllık bir üniversite olan Erzurum Atatürk Üniversite’sinde yapılan konuşmada, Arf yeni kurulmuş üniversite ile ilgili fikirlerini paylaştıktan sonra aklı-selim önemini vurgulayan düşüncelerini aktarıyor.

    Gündelik dilde “aklı selim” genelde makul, dengeli, panik yapmadan düşünen, sağlıklı karar veren kişi anlamına gelir; “sağduyu” ile neredeyse örtüşür.

    Makalenin başında, aklı selim yani sağduyu kavramını tartışan Arf, millet olarak, olağanüstü bir durumla karşılaştığımızda bunu kendi sağduyumuzla çözmek bizim adetimiz değildir tespitini paylaşıyor. Bunun yerine ilim sahibi bir hocaya veya yaşlıya müracaat edip, gerçekleşen olağanüstü duruma karşı davranışımızı tespit etmenin alışkanlığımız olduğunu öneriyor. Tabii ki bu ilim sahibi kişiden beklenen, sizi düşünmeye sevk etmesi değildir. Önerilerini ve açıklamalarını geçmişteki yaşanmışlıklara referans vererek iletmesi beklenir.

    Arf’ın bu saptaması, Kant’ın aydınlamanın parolası olan “Aklını kullanma cesaretini göster!” öğüdü ile örtüşür. Derinlemesine değerlendirirsek, aklı selim yerine ilim sahibine müracat yaklaşımının yeni bir düşünce iklimi, yenilik üretimi konusunda toplumu açmaza sokacağını görebiliriz.

    Arf burada güzel bir saptama yapıyor: Ona göre bilgiye ulaşma yolunda Batılıları yakalamamızın yolu, kendi sağduyumuza güvenerek karar vermektir. Ama bu güven, körü körüne kendi aklımızı beğenmek değil; hiçbir şeyi anlamadan kabul edememek, yapamamak, anlamadan öğrenememek, bilmemekten değil anlamamaktan acı duymak ve samimi olarak anlamaktır.

    Ben de özellikle 30’lu yaşlarımdan sonra bunun önemini daha iyi anladım.

    Bu arada bu düşünsel yolculukta Batılıları üstün kılan özelliğin, bedensel bir konu olmadığını; tümevarımcı bir yaklaşımla anladığı esasları üst üste koyarak bilgiye ulaştığını söylüyor.

    Arf, konuşmasının ilk bölümünde yukarıda gördüğünüz gibi insanın düşünce faaliyetinin aşamalarını tartıştıktan sonra, aklı kullanmanın ne olduğu ile ilgili askerliği sırasında şahit olduğu bir anısını paylaşmış ve “makineler gibi düşünmek” ile “olayları merkeze alarak düşünmenin” bilgi edinme konusunda ne kadar önemli olduğunu gösterir. Olayları merkeze alıp bilgi üretme yolunu “Tümevarım” olarak adlandırabiliriz. Aslında Arf’ın burada dikkat çektiği gerçek insanların “Tümevarım” ile örnekleri ve olayları değerlendirerek bilgiye varmaya çalışmasıdır. Oysa makineler daha önce dijital olarak programlarına kodlanmış sayısız opsiyon (anahtarı/jetonu “token”) kullanarak nihayi bilgiye ulaşmaya çalışırlar.

    Konuşmanın yapıldığı dönemde, derin öğrenme, yapay sinir ağları gibi yapılar ortaya konmadığı için, makinelerin dijital düşünme sistemine dayanan ama hız ve işlem gücü sayesinde “tümevarımsal” bilgi üretme yöntemine benzeten bir düşünce şeklini makinelerin ortaya koyması mümkün değildi. Zaten Turing yeterince gelişmiş bir yapay zekanın operasyonel düşünce akışının insandan ayrılmaz seviyeye gelmesi gerektiğini ortaya koymuştu.

    İnsan düşünce şeklini makineden ayıran yönü aslında daha az veri ile etkin değerlendirme yapıp genellemelere daha kolay ulaşabilmesidir. Öte yandan makine en azından 1960 ların teknolojik yapısında, çeşitli anahtar ve lambaların ürettiği sinyalin bir entegre devre içerisinde işlenmesi ile anlamaya çalışmakta idi. Her ne kadar günümüz teknolojisi ile makine düşünce şekli önceden belirlenmiş olası durumları daha hızlı işleyebiliyorsa da, insanın yaradılıştan gelen muhakeme yeteneği halen veriye daha zahmetsiz ulaşılmasını sağlıyor.

    Burada dikkat edilmesi gereken konu makinenin düşünce şeklinde 1960’lara göre önemli bir değişiklik olmamış olmasıdır. Sadece gücü artan donanımlar sayesinde daha önce çok külfetli şekilde gerçekleşen makine öğrenmesi çok daha hızlı gerçekleşen hale gelmiştir. Ancak halen insanın muhakeme yetkinliği kendini tam olarak makinelerde göstermemektedir.

    Arf konuşmasına telsizi bulan Marconi’nin radyo dalgalarının havada nasıl iletildiği ile ilgili bir hanımla arasında geçen eğlenceli bir sohbeti aktarıyor. Bunu okumanızı özellikle öneririm. Üstün, kötü ve kavramları sentezlemeden yapılan bir yargı üretiminin nerelere gidebileceğini görüyoruz. Marconi kısaca hanıma telsiz ses dalgalarının aynan denizde dalgaların birbirini etkilemesi için yayıldığını bir benzetme ile anlatmıştır. Ancak kadın bir arkadasına kıtalar arasında telegraf görüşmesinin Newyorktan denize atılan taşın Londra’dan okunması olarak anlatmıştır. Burada Marconi’nin karşısındaki bireyin biraz daha makine gibi düşdüğünü çıkarabiliriz.


    Konuşmanın ikinci bölümünde Arf, bir çalar saat ve telefon sinyalleri üzerinden bir benzetme ile makinelerin refleks olarak konuşmasını anlatıyor. Burada belki cevap telefonu öncesi döneme bir hatırlatma yapmak lazım: Eskiden sabit telefonlardan ahizeyi kaldırdığınızda karşı santralin verdiği düz tonu duymuyorsanız arama yapamazdınız. Telefonu kulağınıza yaklaştırdığınızda gelen düz tonlu ses, size santral hazır istediğin kişi ile konuşabilirsi şeklinde bir anonstur. Ancak bilgisayar asla bulunu belirttiğini bilemez sadece programlanmasındaki yapıya uygun olarak telefon görüşmesinin yapılabilmesi için gerekli doneler gerçekleştiğinde bu haberi kullanıcıya aktarma hedefi gözetir.

    Konuşmanın bir sonraki bölümünde “510 kafa, 1420 ayak olan bir kümeste kaç tavşan ve kaç tavuk vardır?” sorusunu hem insan hem de makinenin bağlı devreler halinde düşünme sürecini tartışılıyor. Makinenin sorunu düşünmesi için çizilen devre ve anahtarlar çizimini, ana dalı bilgisayar olan kişiler hemen anlayacaktır.

    Burada insanın problemi kafasında soyut kavramlarla inşa edebilmesinin, devreli sisteme göre düşünce hızında ona nasıl bir avantaj sağladığını çok net görüyoruz. Bir insan bu soruya genellemeler ile yukarıdaki devreli sistemden çok daha hızlı cevap verebiliyor. Bütün hayvanlar tavuk olsa 2 * 510 = 1020 bacak yerleştiririz. Bu durumda elimizde 400 bacak kalacak. Tamam 510 kafanın ilk 200 tanesine ikişer bacak daha takalım. Bu durumda kalan hayvanların 310 tanesi iki bacaklı yani Tavuktur. Düşünme konusunda yetiştirilmiş bir kişi bunu çok rahat hesaplaya biliyor. Ancak bunu makinenin düşünmesi için yukarıdaki makineyi tasarlamanız bir çok jeton ve anahtar ile makineye problem çözme dinamiğini anlatmanız gerekiyor. Yazının sonunda vereceğim site linkiden görebileceğiniz konuşmanın asıl metninde Cahit Arf bu sorunun makine ile düşünülmesi için gerekli makinenin tasarımını tam iki sayfada anlatabiliyor. Oysa insan algısı ile sorunu 5 satırda betimleyip, çözebildik.

    Ancak bir sorun var: İnsan çabuk yoruluyor ya da düşünme süreci içerisinde bölünebiliyor, odaklanamayabiliyor. Oysa bilgisayar düşünmesinde bu yok. Arf, konuşmasının devamında bir miras problemini makine düşünmesine göre tasarlayarak makine öğrenmesini detaylandırıyor. Asıl metinden bu örneği de inceleyebilirsiniz.

    Yukarıda bahsettiğim, elimizdeki bilgi ve bundan çıkarılması istenen netice arasındaki bağları hayalimizde kurduğumuz ve neticenin hayalimizdeki netice olduğu düşünme şekli analog makineler düşünme şekli olurken; oluşması mümkün bütün neticelerin lambalar aracılığı ile karşılaştırılarak evet-hayır akış algoritmalarına göre elenerek neticeye ulaşılan öğrenme şekline dijital diyoruz.

    Arf, konuşmada birkaç analog ve dijital düşünme arasındaki yaklaşım farkını tanıttıktan sonra güzel bir toparlama ile konuşmasını bitiriyor. Ancak etkili son söz bölümü çok fazla eski Türkçe terim barındırdığından, bu kısmı sizinle sadeleştirilmiş olarak paylaşmak isterim:


    Alıntı (Sadeleştirilmiş):

    “Makineler bazı işleri insan beynine göre çok daha hızlı yapabilmelerine rağmen, anlama yani algılama kapasiteleri, büyük bir salonu doldurabilecek kadar büyük olanlarında bile, insan beynine göre çok düşüktür. İnsan beyninin kendi kendini, kendi inisiyatifiyle geliştirmesi mümkünken, makine yapıldığı gibi kalır. Bununla birlikte, kendi kendini geliştiren bir makine tasarlamak mümkündür. Ancak bana göre insan beyni ile makine arasındaki asıl fark, insan beyninin estetik nitelikteki unsurları alıp onlar üzerinde çalışabilmesi ve yine estetik nitelikte kararlar verebilmesidir. Yani bir işi yapıp yapmamak konusunda kendini özgür hissetmesine karşılık, makinede bu özelliklerin benzerleri yoktur. Bu özellikleri belirleyen husus, hepsinin bir belirsizlik unsuru taşıması ve kesin kurallara bağlı olmamasıdır. Belirsizlik özelliğine sahip olan insan dışı doğa olayları da vardır. Bunlar atom içinde gerçekleşen olaylardır. Bu itibarla, nispeten küçük sayıda atom içinde gerçekleşen olaylar, makinelerin işleyişinde etkili hale getirilebilirse, makinelerin estetik açıdan da insan beynine benzeyeceği umulabilir. Böyle bir makine, örneğin bir müzik parçasını güzel bulmadığını söyleyebilecektir. Ancak bu işin uzun yıllar sonra bile belki de hiçbir zaman yapılamayacağını düşünüyorum.”

    Arf’ın konuşmasının tam metni için

  • Üretken Yapay Zekâ’nın geniş kitlelere ulaşmasının üçüncü yılına girerken, Türkiye’deki girişimlerin yapay zeka kullanımı artıyor…

    Üretken Yapay Zekâ’nın geniş kitlelere ulaşmasının üçüncü yılına girerken, Türkiye’deki girişimlerin yapay zeka kullanımı artıyor…
    3–5 minutes
    716 words

    Merhaba geçtiğimiz hafta TUIK tarafından ilk defa açıklanan yapay zeka istatistiklerinin hane halkları için ortaya koyduğu verileri değerlendirmiştik. Dilerseniz bugün konunun Girişimler bacağına bakalım. TUIK 2007 yılından itibaren aralıksız olarak her sene Girişimlerde Bilişim Teknolojileri Kullanım Araştırması yapmakta. Anket kapsamında, 10’dan fazla çalışanı olan girişimlere yapılan örnekleme ile gönderilen soru formu ile girişimlerin e-ticaret faaliyetleri, ERP yatırımları, web sitesi kullanımları ve internet bağlantı kaliteleri gibi çeşitli veriler alınıyor.

    Yapay zekanın iş hayatında artan önemine bağlı olarak, 2021 yılından itibaren bu ankete girişimlerin yapay zeka kullanımı ile ilgili sorular da eklendi. Bu sene 10 çalışan ve üstü çalışanı olan 215 bin girişimden 15 570 adet cevaplı form derlendi. Veri toplanan sektörleri hızlıca bir gözden geçirdiğimizde Türkiye ekonomisinin temel çarklarının hepsinin çalışmaya dahil edildiğini görüyoruz.

    • Tüm imalat sanayi
    • Elektrik, su , gaz ve iklimlendirme üretim ve dağıtımı
    • İnşaat
    • Toptan ve perakende ticaret
    • Ulaştırma ve depolama
    • Konaklama ve yiyecek hizmetleri
    • Bilgi ve iletişim
    • Finans ve sigorta faaliyetleri
    • Gayrimenkul faaliyetleri
    • İdari ve destek hizmetleri

    Çalışmada yapay zeka çalışması olarak kapsanan faaliyetler; yazılım tabanlı ya da cihazlara gömülü sistemler aracılığıyla öngörüler, öneriler veya kararlar üreten teknolojiler olarak belirlenmiş. Burada iş uygulamaları olarak; içerik üreten yapay zeka uygulamaları, sohbet robotları ve sanal asistanlar, yüz veya konuşma tanıma sistemleri, makine öğrenmesine dayalı veri analizleri ile depo otomasyonunda kullanılan otonom robotlar veya paket taşımada kullanılan otonom dronlar örnek olarak gösterilebilir.

    Girişimlerin son beş sene içerisinde yapay zeka teknolojisi kullanma oranlarına bakıldığında özellikle 250 ve üzeri kişinin çalıştığı girişimlerde neredeyse %25 seviyesine ulaşıldığı görülmektedir. Bu rakam beş yıl önce %9’lar seviyesinde idi. Salgının etkilerinin geçmesi sonrası kurumsal şirketlerde hızlı bir yapay zeka dönüşümü olduğunu görüyoruz.

    Ülkemizdeki bütün girişimler dikkate alındığında, 2025 yılında yapay zeka kullanımı oranı %7.5’ta kaldı.

    Kurumsal tarafta izlenen hızlı toparlanmaya rağmen, toplam girişimler içerisinde YZ kullanımının çok sınırlı kalması, ülkemizdeki girişimlerin sadece %0.4’ünün 250 ve fazla çalışanlı olmasından kaynaklanıyor. Son beş senelik harekete baktığımızda %5 bandının orta büyüklükteki şirketlerde (50-249 çalışan) 2024 yılında, küçük işletmelerde ise ancak içinde bulunduğumuz yılda geçildiğini görüyoruz.

    Yapay zeka kullanımı olmayan küçük ölçekli firmaların, %76’sının uzmanlık eksikliği, %67’sinin ise maliyetlerin yüksek olması nedeniyle yapay zeka kullanmadığını beyan ediyor. 10 ile 49 kişi arasında çalışanı olan firmalarda en düşük yapay zeka kullanmama nedeni ise %17’ile bu çalışmaların şirkete bir faydası olmadığının düşünülmesi. Bir noktada bu görünüm maliyet ve uzmanlık sorunu çözüldüğünde küçük işletmeler için yapay zeka kullanımı konusunda bir direnç göstermeyeceklerini yansıtıyor.

    Öte yandan orta büyüklüklü şirketlere baktığımızda yapay zeka kullanmama nedenleri açısından sıralamanın değişmediğini görüyoruz. Çalışan sayısı 50-249 arasında olan firmaların %68’i uzmanlık eksikliği, %66.2’si ise maliyetler nedeniyle yapay zeka kullanmamakta.

    Kurumsal firmalarda ise göreceli olarak hukuki geçerlilik ve veri gizliliği maddeleri önceki iki gruba göre daha belirgin. Ancak 250 üzeri çalışanı olan grupta dahi girişimlerin %65’i uzmanlık eksikliği, yine %65.5’i de maliyetler yüzünden yapay zeka kullanımını tercih etmemekteler. Türkiye verisi bize net olarak yapay zeka uzmanı sayısının arttırılması gerektiğine işaret ediyor. Uzman kurum ve kişi sayısındaki artış ta rekabet ile beraber maliyet tarafından firmalar için olumlu bir dönüşüme yol açacaktır.


    Sektörler detayında, bilgi ve iletişim sektörlerinde faaliyet gösteren kurumların %47.1’inde yapay zeka kullanıldığı görülüyor. Yapay zeka teknolojilerinin dayandığı eko-sistemdeki girişimlerin çoğunun burada faaliyet göstermesi nedeniyle, bilgi teknolojileri sektörünün açık ara liderliği beklenen bir olgu.

    Bilgi iletişim sektörünü %21 ile banka ve sigortacılık faaliyetleri takip ediyor. Bu sektördeki ağır regülasyon yükümlülükleri ve risk yönetiminin kritik olması yapay zeka kullanımını ivmelendiriyor olmalı. Kullanım alanının %10’nun üzerinde olduğu diğer iki sektör ise bilgisayar makinelerinin tamiri ve danışmanlık faaliyetlerini de içeren mesleki, bilimsel ve teknik faaliyetler grubu. En düşük yapay zeka kullanımı ise %3.9 ile inşaat sektöründe tespit edilmiş.



    Kullanım alanlarına baktığımızda ise işletmelerde yoğun olarak pazarlama ve satış ekiplerinin yapay zeka kullandığı görülüyor (%46). Bunu üretim, arge süreçleri ve işletmenin idari faaliyetleri takip ediyor. İşletmelerin bu üç alanda yapay zeka kullandıkları yönünde beyanları %40’lık bir paya işaret ediyor. Bilgi güvenliği (%22) ve lojistik (%12) ise yapay zeka kullanımının en sınırlı olduğu alanlar.

    Sonuç olarak 2025 yapay zeka istatistikleri, ülkemizde her büyüklükten firma grupları için yapay zeka kullanımının hızla arttığını ancak uzmanlık eksikliği ve maliyetler nedeniyle bu sürecin KOBİ’lerde daha ivmesiz olduğu gösteriyor. Öte yandan sektörler açısından yapay zeka kullanımı henüz geleneksel olarak yapay zeka kullanımına daha açık olan sektörlerin dışına çıkamamış durumda. İmalat sanayi, toptan ve perakende ticaret gibi alanlarda yapay zeka kullanımı için önemli bir fırsatlar olduğu çok açık. Perakende alanında planlama, tedarik zinciri yönetimi, ürünlerin etkin olarak yönetimi gibi konularda yapay zeka etkin çözümler getirebilir. Önümüzdeki dönemde bu ana sektörlerin bilgi teknolojisi uzmanlığını daha etkin kullanabilmesi için gerekli önlemlerin alınması gerekiyor.

  • Year in Tech 2026: Yapay Zekâ, Yaşayan Zekâ ve Belirsiz Gelecek

    4–5 minutes

    Merhaba,

    Bugün, yılın son günlerinde Harvard Business Review tarafından kasım ayında yayımlanan “Year in Tech 2026” kitabından seçtiğimiz bölümlere göz atacağız.

    Kitap, 2026 yılına ilham vermesi için seçtiği makaleleri üç ana başlık altında topluyor:

    • What’s Coming Next in AI?
    • Tech Stories with Big Impact
    • Predicting and Building the Future of Your Company

    Dilerseniz, bu bölümler içerisinden seçtiğimiz makalelerle kısa bir 2026 vizyonu oluşturalım.


    Agentic AI: Proaktif Yapay Zekâ

    Stratejist ve ekonomist Mark Purdy, bu senenin ilk makalesinde Agentic AI’ın ne olduğu ve nasıl bir dönüşüme işaret ettiği üzerinde duruyor.

    Purdy’ye göre Agentic AI’ı tek bir kelimeyle tanımlamak gerekirse, bu kelime “proaktiflik” olur. Bu proaktif ajanlar, hedeflere ulaşmak için sürekli ve sabit bir insan yönlendirmesine ihtiyaç duymadan hareket edebiliyor. Granüler seviyeye inen görev uzmanlıkları, yapay zekâ destekli faaliyetlerin etkinliğini ve inovasyon kapasitesini önemli ölçüde artırıyor. Geniş araştırma ortamlarını çok kısa sürede tarayabilen bu sistemler, yeni çözümlere ulaşmayı ciddi biçimde kolaylaştırıyor. Son dönemde gelişen bilişsel akıl yürütme yetenekleri sayesinde, önceki üretken yapay zekâ formlarına kıyasla hata toleransı ve karar kalitesi açısından belirgin biçimde ayrışıyorlar.

    Agentic AI ürünlerinin potansiyel kullanım alanları; müşteri ilişkileri yönetiminden üretim ve satış desteğine, hatta sağlık uygulamalarına kadar uzanıyor. Ancak bu tür sistemlerin başarılı olabilmesi için öncelikle net, ölçülebilir, ulaşılabilir ve geçerli hedefler ile alt hedeflerin doğru biçimde tanımlanması gerekiyor. Bu hedefler, ürün ve proje geliştirme aşamasında açık biçimde yapılandırılmalı.

    Karar sürecinin uygun yapılarla desteklenmesi, Agentic AI sistemlerinin taşıması gereken bir diğer kritik özellik. Öğrenme setlerinin gerçek dünya pratikleriyle beslenmesi; doğru sınırlamaların ve koruma önlemlerinin alınması, kritik karar anlarında hatalı çıktıları önlemek açısından hayati önem taşıyor.

    Son olarak, tıpkı ekip kurarken olduğu gibi, Agentic AI sistemleri arasında seçim yapılırken de yöneticilerin doğru görev için doğru ajanı görevlendirmesi gerekiyor.


    Yaşayan Zekâ: Yeni Büyük Paradigma

    Şimdi de Amerikalı fütürist Amy Webb’in, Türkçeye “Zekâyı Yaşamak: Yeni Büyük Paradigma” olarak çevrilebilecek yazısına göz atalım.

    Webb, öncelikle yaşayan zekâ kavramını tanımlıyor. Yeni gerçekliğimiz; hissedebilen, öğrenebilen, adapte olabilen ve gelişebilen sistemler. Geçmişin durağan yapılarından bu özellikleri barındıran sistemlere geçişimiz; yapay zekâdaki ilerlemeler, sensör teknolojilerindeki gelişmeler ve biyoteknolojide yaşanan devrimler sayesinde mümkün oldu.

    Yaşayan zekâ, patlayarak büyüyen bir inovasyon döngüsü yaratırken, birçok sektörü tehdit ediyor ve aynı zamanda tamamen yeni pazarların ortaya çıkmasına neden oluyor.

    Peki, organizasyonlarımızı yaşayan zekâ çağında başarılı olacak şekilde nasıl yönlendirebiliriz?

    • İlk adım olarak, yaşayan zekâ konusundaki gizemi tüm organizasyon için ortadan kaldırmamız gerekiyor. Özellikle üst düzey yöneticilerin; yapay zekâ, gelişmiş sensörler ve biyomühendisliğin birlikte çalışarak “yaşayan zekâyı” ortaya çıkardığını net biçimde kavraması şart.
    • Değer üretmek ve kapsayıcı bir dönüşüm sağlamak için liderlerin stratejik öngörü geliştirerek, yaşayan zekâ ekosisteminde kendilerini nasıl konumlandıracaklarını ve bunun mevcut ürünler ile süreçleri nasıl etkileyeceğini belirlemeleri gerekiyor.
    • İlk aşamada, iki ya da üç yüksek etkili kullanım senaryosunun test edilmesi öneriliyor. Yaşayan zekâ yaklaşımı, organizasyon genelinde bir zihniyet değişimi gerektiriyor. Bu nedenle yöneticilerin eğitim ve deneyim inisiyatiflerini önceliklendirmesi; çalışanların bu teknolojilerle birlikte etkin biçimde çalışmasını sağlaması kritik önem taşıyor.
    • Ayrıca yaşayan zekânın şirket içinde yaratacağı dönüşümün sürekli izlenmesi gerekiyor. Bu yaklaşım, inovasyon ateşini yakarken şirketlerin beklenmedik bir çevikliğe ulaşmasına da olanak tanıyabilir. Ortaya çıkan ürünler, dış dünyaya uyum sağlamaya çalışmak yerine, çoğu zaman kendi geleceklerini tanımlayan bir yapıda olacaktır.

    İş Hayatının Geleceği: Belirsizlik Üzerine Uzlaşı

    Year in Tech 2026’nın “Predicting the Future of Your Company” bölümünde ise HBR’ın 570 uzmandan topladığı verilerle, geleceğin iş ortamına dair bir tahmin sunuluyor.

    Uzmanların üzerinde uzlaştığı temel nokta şu: İş hayatının geleceği hiç de net değil. Farklı disiplinlerden gelen girişimciler, ekonomistler ve gazeteciler, geleceğe aynı perspektiften bakmıyor.

    Girişimciler genel olarak iyimser bir tablo çizerken, ekonomistler daha kuşkulu bir yaklaşım sergiliyor. Gazeteciler ise — pek de sürpriz olmayan şekilde — otomasyon ve yapay zekânın etkileri konusunda en karamsar grup olarak öne çıkıyor. Ekonomistler, gazetecilerin aşırı karamsar olduğunu düşünürken; teknoloji girişimcilerinin de beklentilerini fazlasıyla abarttığını savunuyor.

    Ekonomistler, büyüme karşıtı yaklaşım fikrine şiddetle karşı çıkıyor ve bunu kurumsallaşmış yoksulluk olarak tanımlıyor. Özellikle iklim değişikliği ve küresel eşitsizlik gerekçeleriyle ekonomik büyümenin sınırlandırılmasına mesafeli duruyorlar.

    Teknoloji girişimcileri ise kendilerini, gelişmiş teknolojiler hakkında söz söyleyebilecek tek grup olarak konumlandırıyor. Diğer grupların — özellikle “dinozor” olarak nitelendirdikleri politikacıların — bu dönüşümü tam anlamıyla kavrayamadığını düşünüyorlar.

    Ortaya çıkan tablo, farklı disiplinlerden profesyonellerin, kendi “saha çerçeveleri” nedeniyle teknoloji ve yapay zekânın iş hayatını nereye taşıyacağına dair bakışlarının grup içinde homojen, gruplar arasında ise oldukça heterojen olduğunu gösteriyor. Buna ek olarak, yaklaşmakta olan hiper zekâya sahip yapay zekâlar ve motor algılara sahip robotların yükselişi, bu algı karmaşasını daha da derinleştiriyor.

    Birinin ütopyası, diğerinin distopyası hâline geliyor.


    Gelecek Nasıl Olacak?

    Bu belirsizlik ortamında belki de asıl soru artık “Gelecek nasıl olacak?” değil,
    “Geleceğin nasıl olmasını istiyoruz?”

    Böylece iş hayatının geleceği tartışması; değerler, politikalar, ideolojiler ve tasarım tercihleri dünyasına taşınıyor. Artık bu konu, yalnızca soğuk bir trend analizi meselesi değil.

    Evet, bu yazıda “gelecek bilinemez” gibi bir sonuca vardık. Ancak başlığın yarattığı beklentiyi de karşılamak adına, geçtiğimiz yıl Academy of Management’ta fütüristler tarafından paylaşılan bir gelecek vizyonunu sizlerle paylaşarak yazıyı tamamlayalım.

    Herkese iyi seneler.
    Yapay zekânın post-truth çağına yavaş yavaş girdiğimiz bu dönemde, yıkıcı değişimin daha mutlu bir insanlığı beraberinde getirmesi dileğiyle 2026’yı karşılayalım.

    Bu makale gerçek bir insan tarafından yazılmıştır ancak son haline getirilirken sayfa düzeni, imla kuralları ve anlaşılırlığın arttırılması amacıyla üretken yapay zeka desteği alınmıştır.

  • Türkiye’nin üretken yapay zeka resmi istatistikleri ilk kez yayınlandı…

    2–3 minutes

    Yaklaşık üç sene kadar önce LLM modellerinin son kullanıcılara geniş anlamda açılması, yazılım dünyasında Sovyetlerin uzaya insan göndermesinin “Uzay Yarışını” başlatması gibi benzer bir alt-üst oluş yaşanmasına neden oldu. Geçen zaman içerisinde azalan zaman aralıkları ile farklı firmaların sunduğu yeni üretken yapay zeka servislerinin sayısı arttıkça, hem kullanım hem de rekabet hız ile arttı.

    Yapay zekanın toplumu dönüştürmesi sürecinin nasıl yürümekte olduğu konusunda dünyanın önde gelen danışmanlık şirketleri farklı raporlar yayınlanmaktalar. Türkiye’de yapay zekanın toplumu nasıl dönüştürüldüğü konusunda ise ilk resmi istatistik Kasım ayı sonunda TUIK tarafından yayınlandı.

    Bu yazıda, TUIK tarafından her sene yapılmakta olan “Hanehalkı ve Girişimlerde Bilişim Teknolojileri Anketlerine” ne eklenen sorulara verilen cevaplardan veri madenciliği yaparaki, 2025 yılı itibariyle Yapay Zekanın, toplumumuz nezdindeki algısını anlamaya çalışacağız.

    Girişimler için yapılan araştırma 10 ve üzerinde çalışanı bulunan firmaları kapsarken, hane halkları özelinde yapılan araştırmada toplam 25 bin civarında fert ile görüşülmüştür. Bu özellikleri ile her iki araştırma da Türkiye için genellenmesi en güvenilir çalışmalardır. Sonuçları kısaca incelemeye haneler tarafından başlayalım.

    Son üç ay içerisinden internet kullananların sadece %19,2’si yapay zeka kullandıklarını beyan etmektedir.

    16-35 yaş arasındaki grupta üretken yapay zeka kullanımı %30’lu seviyelerin üzerinde iken, 45 yaş ve sonrasında oranın %10 altına indiğini görüyoruz. 65-74 yaş aralığında ise üretken yapay zeka kullanımı %1,7 seviyesine geriliyor. Cinsiyete göre bakıldığında ise üretken yapay zeka kullanımında kadın ve erkekler arasında istatistiksel olarak anlamlı bir fark görülmüyor.

    Kullanıcıların %55’i özel amaç için yapay zeka kullanırken, eğitim ve mesleki amaçlarla yapay zeka kullanımı oranı kişisel amaçların neredeyse yarısı seviyesindedir. Bu sonuç halkımızın günlük sorunlarının çözümünde üretken yapay zeka imkanlarını çok etkin kullandığını göstermektedir.

    Kadınlarda örgün eğitim amaçlı kullanım erkeklere göre daha yüksek iken erkeklerde mesleki amaçlı kullanımın yüksek olduğu anlaşılıyor.

    Öte yandan yapay zeka kullanmıyorum diyen grubun neredeyse %65’inin ihtiyaç duymadım cevabını verdiğini görüyoruz. Öte yandan toplumun %12,4’ünün üretken yapay zekanın ne olduğunu bilmediğini görüyoruz. Pew Research’ün Ekim 2025’te yayınladığı araştırmasında ABD için bu oranın %12,4 olduğunu düşünürsek, Türkiye için rakam hiç düşük sayılmaz.

    Üniversite mezunları arasında üretken yapay zeka kullanımı tüm halkın nerdeyse iki katı oranda sıktır.

    Üniversite mezunlarının %36’sı üretken yapay zeka kullanırken, hiç bir okul bitirmeyenlerde bu oran %0,4’e kadar gerilemektedir. Lise ve İlköğretim mezunlarının eğitim için üretken yapay zeka kullanma oranları sırası ile %37 ve %49’dur. Lise mezunları arasında üniversite öğrencilerinin olduğu düşünüldüğünde bunların ilköğretim mezunlarına göre daha sıklık ile bu teknolojileri kullanmaları beklenebilirdi.

    Araştırmaların hane tarafı Türkiye’nin beklenenin üzerinde bir üretken yapay zeka doygunluğuna eriştiğini gösteriyor, dilerseniz işletmeler tarafına haftanın ikinci yazısında değinelim…

  • Türkiye 2024 GSYİH Rakamları ve Şehirlerin Ekonomik Rolü

    2–3 minutes

    TUIK geçtiğimiz hafta içerisinde 2024 milli gelir rakamlarının bölgesel kırılımlarını kamuoyu ile paylaştı. Veriler bize yıllar içerisinde il seviyesinde ekonominin nasıl bir seyir izlediğini gösteriyor…

    Öncelik ülkemizde yıllık miili geliri ölçmek için kullanılan Gayrısafi Yurtiçi Hasıla (GSYIH)’in ne oldugunu kısaca açıklamakta yarar var. GSYIH yıl içerisinde bir ülkede yerleşik vatandaşların ürettikleri mal ve hizmetlerin toplamıdır. Terimin başındaki “Gayrisafi” sözü ise üretim faaliyetleri yapılırken aşınan sermaye malı olarak adlandırılan makine ve aletlerin yıpranma payının değerden çıkarılmasıdır.

    İstanbul geçtiğimiz sene tek başında Türkiye’de gelirin %29’unu üretirken, İstanbul’a Ankara ve İzmir eklendiğinde milli gelirin %45 kadarına erişildiği görülüyor. Öte yandan İstanbul’un ülkemizdeki 15-64 yaş arasındaki üretken nüfusun %19’nun yaşadığı şehir olduğu, düşünüldüğünde ekonomik aktivitede ne kadar önemi olduğu daha iyi anlaşılıyor. Tek başına Türkiye milli gelirinin yüzde 3 ve üzerinde payını temsil eden şehirlerimiz ise üç büyük şehirin yanı sıra Kocaeli, Bursa ve Antalya oldu.

    Görsel Kaynağı: TUIK

    Kişi başına yıllık milli gelirde ise birinci sırayı İstanbul alırken, ikinci sırayı tecrübeli ve kalifiye mavi yakalı sayısının yüksek olduğu Kocaeli aldı. Kamu istihdamının yoğun olduğu başkent Ankara ise üçüncü oldu. Van, Ağrı ve Şanlıurfa ise kişi başına yıllık gelirin en düşük olduğu iller oldu. Aylık kişi başına gelir Türkiye için 41.900 TL civarında gerçekleşirken, sadece 11 ilimiz bu rakamın üzerinde bir gelir seviyesine işaret etti.

    Yıllık kişi başına geliri en yüksek 10 ile bakıldığında ise kişi başına milli gelirde salgın sonrası 2022 ile 2024 yılları arasında en büyük büyümenin Ankara’da kaydedildiği görülürken, diğer yüksek gelirli illerin hepsinde iki yılda %138 seviyesinde gerçekleşen fiyat artışlarının üzerinde kişi başına milli gelir büyümesi izlendi. Aşağıdaki grafikte pembe noktalar 2024 gelirlerini gösterirken, maviler 2022 kişi başına gelirlerine denk gelmektedir. Yüzdelik artışlar iki sene içerisinde toplam artış oranını gösterir.

    Öte yandan illerin %3,3 olarak gerçekleşen Türkiye’nin 2024 yılı büyümesine katkılarına bakıldığında 0,62 puanlık büyümenin İstanbul tarafından karşılandığı görüldü. İstanbul’u 0,44 puanlık katkı ile Ankara izlerken, 2023 yılında yaşanan büyük deprem felaketinin etkisinin ardından geçen ilk senede, bölgedeki illerin her biri 0,10 puanın üzerinde büyümeye katkı yaptı.

    Görsel Kaynağı : TUIK

    Ülkemizdeki bütün Bilgi-İletişim faaliyetlerinin %65’i, finans ve sigorta faaliyetlerinin ise %59’u İstanbul’da gerçekleşirken. Ticaret-Ulaştırma-Konaklama sektörlerini oluşturan sektör grubunda İstanbul’un payı %40’ta kaldı. İstanbul Tarım-Orman ve Hayvancılık dışında bütün sektörlerde Türkiye’de ilgili sektördeki faaliyetin en az %10’nunu sağladı.

    Sonuç olarak 2024 il detayında GSYIH verileri, Türkiye ekonomisi üzerinde İstanbul’un ağırlığının devam etmesinin yanı sıra Ankara ve Kocaelinde kişi başına gelirde önemli bir artış yaşandığını gösteriyor.

  • Yenilik Araştırması 2024

    TÜİK’in yıllık araştırmalarından biri olan “Yenilik Araştırması” bugün yayınlandı. Ülkemizde 10’dan fazla çalışanı olan şirketlerin %39’u yenilik faaliyeti yürütüyor…


    Bu çalışmada son üç yıllık dönem için 12000 civarında firmanın bilgileri toplanıyor. Bilgileri derlenen girişimlerden çalışan sayısı 10 – 250 arası olanlar için örnekleme yapılırken, 250 üzerinde çalışanı olan girişimler tam sayım olarak alınıyor.

    Araştırma sonuçları 2022 – 2024 dönemini içeriyor, bu nedenle ülkemizin Salgın sonrası ilk yenilik araştırması diyebiliriz. Araştırma sonuçlarına göre bu üç yıllık dönemde 10’dan fazla çalışanı olan şirketlerin %39,6’sı yenilik faaliyetinde bulundu. Öte yandan şirketin çalışan sayısının 250’yi geçmesi durumunda yenilik faaliyetinde bulunma oranının %69,3’e yükseldiği görüldü.

    Ancak Türkiye’de girişimlerin sadece %0,3’nün büyük işletmeler olduğu düşünüldüğünde yenilik yapan firma penetrasyonun %40’lar seviyesinde olacağı düşünülebilir.

    SektörDeğer (%)
    Sanayi42,1
    Madencilik ve taşocakçılığı32,3
    İmalat sanayi42,6
    Elektrik, gaz, buhar ve iklimlendirme üretimi ve dağıtımı36,4
    Su temini, kanalizasyon, atık yönetimi ve iyileştirme faaliyetleri33,5
    Hizmet36,9
    Toptan ticaret37,8
    Ulaştırma ve depolama26,1
    Bilgi ve iletişim71,6
    Finans ve sigorta faaliyetleri46,7
    Mimarlık ve mühendislik faaliyetleri, teknik test ve analiz faaliyetleri33,9
    Bilimsel araştırma ve geliştirme faaliyetleri76,7
    Reklamcılık ve piyasa araştırması48,1

    Sektörler detayına bakıldığında faaliyet alanı Bilimsel Araştırma Projeleri olan şirketler dışında yenilik faaliyeti yapan girişim sayısının fazla olduğu ana sektörün Bilgi Teknolojileri ve İletişim grubu olduğu görülüyor. Bu sektördeki firmaların %71’i yenilik yapıyor.

    Yenilik geliştiren firma sayısının en düşük olduğu sektör Madencilik olurken, en yüksek yenilikçilik Bilgi ve İletişim sektöründe görüldü. Öte yandan finans sektöründeki düşük yenilikçi firma payı dikkat çekti. Öte yandan ürün üzerinde yenilik yapan firma oranın en yüksek olduğu sektör bilişim teknolojileri ve bilimsel faaliyetler olurken, özellikle madencilik, elektrik üretimi, su dağıtımı atık yönetimi ve finans firmalarında süreç yeniliği yapma yüzdesi ürün geliştirme oranın neredeyse iki katında kaldı.

    Yenilik geliştiren firmaların dörte biri kadarının ek finansal destek aldığını görüyoruz. Dış fonlara başvurma yoluna bu kadar seyrek gidilmesi, şirketlerde yenilik faaliyetlerinin derinliği konusunda biraz şüphe duymamıza neden olabilir. Tamamen öz kaynaklara dayanan bir yenilik aktivitesinin kurumsal kültüre çok kenetlenmeyen, bir seferlik heves çalışmalarına işaret ediyor olabilir.

    Dışardan yenilik için alınan fonların kompozisyonuna baktığımızda %59’luk büyük bir tutarın merkezi ve yerel kamu kaynaklarından alındığını görüyoruz. Sadece %15’lik bir kısım AB fonları kullanılarak Türkiye dışından ülkemizdeki yenilik faaliyetlerine aktarılıyor.

    Peki yenilik faaliyetleri yapan firmaların bu yola adım atmaktaki asıl amaçları nedir? Bunu ankette sorulan “ekonomik performansınızı etkileyen faktörler sorusundan görebiliriz?”

    Yenilik yapan girişimlerin stratejileri öncelikle “Kalite” ve “Mevcut müşteri gruplarını mutlu etme” noktalarına odaklanıyor. Öte yandan “Yeni müşterilere odaklanma” strateji hemen arkadan geliyor. Bu yapı Türkiye’de firmaların yeniliği daha çok mevcut müşterinin karlılığını arttırma amacıyla yaptığını gösteriyor.

    Diğer stratejilere göre açık ara geride kalan strateji ise “Düşük fiyat stratejisine odaklanma”. Maalesef Türkiye’de yenilik vatandaşın alım gücünün iyileştirilmesi için yapılmıyor. Eğer bu çalışma 40 sene önce devletin iktisadi teşebbüslerinin tüketici pazarında etkisinin yüksek olduğu dönemde yapılsa bu strateji bu kadar geride kalır mıydı? Değerlendirmek lazım.

    Salgın dönemi olarak referans alabileceğimi 2020 – 2022 dönemi ile 2022 – 2024 dönemi arasında stratejilerin baskınlığındaki değişime baktığımızda stratejilerin neredeyse hepsinin öneminin aynı kaldığı görülüyor. Sadece ucuzluk stratejisi ve mevcut malların iyileştirilmesi stratejisinin payı güncel dönemde biraz daha fazla tercih edildiğini görüyoruz.

    Son olarak bu yenilik faaliyetlerinin sonunda oluşan çıktının ne olduğuna bakalım. Ülkemizde yeniliklerin %48’inin marka tescili ile sonuçlandığını görüyoruz. Öte yandan endüstriyel tasarım tescili sonucuna da ancak çalışmaların %13’ünde ulaşılıyor.

    Sonuç olarak “2024 Türkiye Yenilik Araştırması” birkaç önemli noktaya işaret ediyor. Bunlardan ilki Türkiye’de KOBİ’lerin yenlilik faaliyeti yürütme tercihinde %30-40’lar bandına yükseldiğini görüyoruz. Bu konseptin artık işveren tabanında oturmaya başladığını gösteriyor. Öte yandan dış mali kaynak temini ve patent başvuru oranlarındaki sınırlı pay, mevcut yenilik faaliyetlerinin derinleştirilmesi açısından önümüzde fırsat olduğunu gösteriyor.

    /

HAKKIMDA

Türkiye’nin önde gelen perakende zincirlerinden birinde veri bilimi ekibine liderlik ediyorum. Ayrıca veri bilimi master programlarında istatistik konusunda dersler vermekteyim. Amatör olarak da fotografçılık ile ilgileniyorum. Bu blog sitesinde yukarıda saydığım alanlarda bir çok yazımı paylaşmayı hedefliyorum…