Fitch Büyüme Tahmini: Bankacılıkta Yapay Zekâ Ajandası

Fitch Ratings’in son güncellemesi net bir mesaj veriyor: büyüme beklentileri yukarı revize ediliyor. Kuruluş, küresel büyüme tahminini bu yıl %2,4’ten %2,5’e, gelecek yıl %2,3’ten %2,4’e çekti. Türkiye içinse beklenti bu yıl %3,8, gelecek yıl %3,5. Bu rakamlar tek başına “iyi haber” gibi okunabilir; ama bankacılık açısından daha kritik bir anlamı var: talep artışı ve risk yönetimi baskısı aynı anda yükselir.

Büyüme hızlandığında kredi talebi, POS hacmi, dijital kanal trafiği ve KOBİ finansmanı iştahı artar. Aynı anda dolandırıcılık girişimleri, temerrüt riski ve operasyonel yük de büyür. Bu yüzden “Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serimizde sıkça altını çizdiğim noktaya geliyoruz: büyümeyi taşımak için süreçleri insan gücüyle şişirmek yerine, yapay zekâ ile akıllandırmak gerekir.

Bu yazıda Fitch’in büyüme tahminini bir ekonomik haber olmaktan çıkarıp, bankalar ve finans ekipleri için yapay zekâ odaklı bir yol haritasına çeviriyorum: Nerede talep artar, nerede risk birikir, hangi AI kullanım alanları “hemen” değer üretir?

Fitch’in revizyonu bankacılıkta hangi baskıları artırır?

Kısa cevap: Büyüme, bankalarda aynı anda hacim, hız ve karmaşıklığı artırır; bu da karar mekanizmalarının daha veri odaklı ve otomatik olmasını zorunlu kılar.

Türkiye için %3,8 / %3,5 büyüme senaryosu; tüketici kredilerinde canlanma, ticari kredilerde proje finansmanı iştahı, kartlı harcamalarda artış ve tahsilat süreçlerinde daha değişken bir risk dağılımı anlamına gelebilir. Özellikle yıl sonu (Aralık) döneminde kampanya yoğunluğu, e-ticaret hareketliliği ve maaş/prim ödemeleri, bankaların dijital kanallarında “pik” yaratır. 21.12.2025 itibarıyla içinde bulunduğumuz bu dönem, operasyonel yükün zaten arttığı bir zaman.

Bu tabloda bankaların karşılaştığı tipik baskılar şunlar olur:

• Daha fazla kredi başvurusu: Daha hızlı ön değerlendirme ve daha tutarlı karar ihtiyacı.
• Daha fazla dijital işlem: Dolandırıcılık tespitinin gerçek zamanlı yapılması zorunluluğu.
• Daha karmaşık risk: Aynı ürün için farklı müşteri segmentlerinde riskin ayrışması.
• Maliyet baskısı: “İnsan ekleyerek ölçekleme” pahalı ve kırılgan bir yöntem.

Benim gözlemim şu: Çoğu kurum büyümeyi “satış hedefi” gibi görüp risk ve operasyonu sonradan toparlamaya çalışıyor. Bu yaklaşım pahalıya patlıyor. Daha iyi yol, büyüme senaryosunu AI destekli risk ve operasyon tasarımıyla birlikte ele almak.

Büyüme döneminde yapay zekâ ile risk yönetimi: daha erken, daha net

Kısa cevap: Büyüme ortamında risk yönetimi “geçmişe bakan rapor” olmaktan çıkmalı; yapay zekâ ile erken uyarı ve dinamik limit mantığına geçmelidir.

Kredi riski: statik skorlama yetmez, dinamik model gerekir

Klasik kredi skoru yaklaşımı (az sayıda değişken, düşük güncelleme frekansı) büyüme dönemlerinde zorlanır. Çünkü müşteri davranışı hızla değişir: gelir akışları, harcama profilleri, nakit döngüleri, sektör bazlı oynaklık… Yapay zekâ burada iki noktada fark yaratır:

1. Alternatif veri ve davranışsal sinyaller: Dijital kanal kullanımı, ödeme düzeni, hesap hareketi örüntüleri gibi sinyallerle daha erken risk tespiti.
2. Model güncelleme çevikliği: Model performansını izleyip belirli eşiklerde yeniden eğitme (ör. aylık/haftalık) disiplinine geçiş.

Bu yaklaşım, “krediyi reddedelim” demek için değil; doğru müşteriye doğru fiyat ve limit vermek için önemli. Büyümenin sürdürülebilir olması buradan geçiyor.

Erken uyarı sistemleri: tahsilat başlamadan önce aksiyon

Ekonomide büyüme olsa bile her segment aynı hızda iyileşmez. Yapay zekâ tabanlı erken uyarı modelleri, gecikme oluşmadan önce risk sinyali yakalar. Örnek aksiyonlar:

• Limit düşürme / kademeli limit yönetimi
• Proaktif yapılandırma teklifleri
• Riskli segmentlerde kampanya hedeflemesini değiştirme
• Tahsilat ekiplerine önceliklendirme listesi üretme

İyi tasarlanmış bir erken uyarı yaklaşımı, hem müşteri deneyimini korur hem de NPL baskısını azaltır.

Dolandırıcılık tespiti: büyüme arttıkça saldırı yüzeyi genişler

Kısa cevap: İşlem hacmi büyürken dolandırıcılık modelleri aynı hızda olgunlaşmıyorsa, kayıp oranı artar; yapay zekâ burada gerçek zamanlı karar motoru olarak çalışmalıdır.

Aralık döneminde kartlı işlemler ve e-ticaret artışı, dolandırıcıların da en sevdiği dönemdir. Dahası, büyüme ile birlikte yeni müşteri edinimi hızlanır; bu da sahte kimlik, hesap ele geçirme ve sentetik kimlik risklerini büyütür.

Yapay zekâ ile etkili bir dolandırıcılık mimarisi genelde üç katmanlıdır:

1. Gerçek zamanlı işlem skorlama: İşlem anında risk puanı, saniyeler içinde.
2. Ağ (network) analizi: Aynı cihaz, aynı IP blokları, benzer davranış kümeleri gibi bağlantıları yakalama.
3. Geri besleme döngüsü: İtiraz/chargeback ve sahtecilik onaylarının modele düzenli aktarılması.

Burada kritik KPI, sadece “kaç dolandırıcılık yakaladık” değil. Aynı zamanda yanlış pozitif oranı (temiz işlemi engelleme) ve bunun müşteri kaybına etkisi. Yapay zekânın işi, güvenliği artırırken gereksiz sürtünmeyi azaltmak.

Kredi tahmini ve portföy yönetimi: büyümeyi destekleyen “akıllı” kararlar

Kısa cevap: Fitch’in büyüme beklentisi, bankaların portföylerini büyütme motivasyonunu artırır; AI ise büyümeyi sermaye verimliliğiyle birleştirmenin en pratik yoludur.

Segment bazlı büyüme: “herkese aynı iştah” dönemi bitti

Büyüme dönemlerinde sık yapılan hata şudur: tek bir kredi politikasıyla portföyü şişirmek. Oysa AI ile segment bazında farklı stratejiler uygulanabilir:

• KOBİ’de nakit döngüsü güçlü sektörlere daha hızlı onay
• Bireyselde gelir istikrarı yüksek gruplara limit artışı
• Riskli segmentte teminat/peşinat yapısını optimize etme

Bu, hem büyümeyi hem de risk ayarlı getiriyi iyileştirir.

Stres testleri ve senaryo analizi: rapor değil, karar aracı

Fitch gibi kurumların büyüme tahminleri, bankalar için senaryo seti oluştururken başlangıç noktasıdır. AI destekli senaryo analizi; faiz, kur, talep, sektör şokları gibi değişkenleri portföy seviyesinde simüle ederek şunlara cevap üretir:

• Hangi segmentte temerrüt oranı daha hızlı yükselir?
• Hangi ürün grubu sermayeyi daha verimli kullanır?
• Hangi bölgede/kanalda tahsilat performansı düşer?

Bu çıktılar “sunum” için değil, limit, fiyatlama, tahsis politikası için kullanılmalı.

Operasyon ve müşteri deneyimi: büyüme, hizmet kalitesi düşmeden yönetilmeli

Kısa cevap: Büyüme, çağrı merkezi ve operasyon ekiplerini zorlar; yapay zekâ ise hizmet kalitesini koruyarak maliyeti kontrol altında tutar.

Bankacılıkta büyüme demek, daha fazla şube işi değil; çoğu zaman daha fazla dijital temas demek. Müşteri bir sorun yaşadığında beklemek istemiyor. Bu yüzden AI uygulamaları burada doğrudan “lead” etkisi de yaratır: hızlı hizmet, daha yüksek memnuniyet ve daha fazla ürün sahipliği.

Akıllı müşteri hizmetleri: sadece chatbot değil

Başarılı kurumlar chatbot’u “SSS kutusu” olarak değil, işlem tamamlatan asistan olarak kurguluyor:

• Kart şüpheli işlem itirazı başlatma
• Kredi başvuru durumunu açıklama ve eksik belge toplama
• Harcama analizi ve bütçe uyarıları
• Kayıp/çalıntı kart işlemlerini hızlandırma

Burada amaç, müşteri temasının önemli bir kısmını self-servise taşırken, karmaşık vakaları temsilciye doğru bağlamla iletmek.

Süreç madenciliği (process mining) + AI: darboğazı bul, otomatikleştir

Büyüme döneminde “nerede tıkanıyoruz?” sorusuna hisle cevap verilmez. Süreç madenciliği, gerçek log verisiyle darboğazı gösterir; AI ise bu darboğazları otomasyonla çözer. Örn:

• Kredi tahsisinde doküman kontrolünü sınıflandırma modelleriyle hızlandırma
• Operasyonel hata kök nedenlerini anomali tespitiyle bulma
• Uyum kontrollerinde risk bazlı önceliklendirme

Bu, hem SLA’leri korur hem de ekiplerin tükenmesini engeller.

“Peki nereden başlamalı?”: 90 günlük AI uygulama planı

Kısa cevap: En hızlı değer, genelde üç alanda çıkar: dolandırıcılık, kredi kararları ve operasyon otomasyonu. 90 günde ölçülebilir kazanım hedeflemek gerekir.

Büyüme beklentileri konuşulurken kurum içinde “AI yapalım” demek kolay; zor olan, ilk üretim çıktısını almak. Benim önerdiğim 90 günlük çerçeve:

1. Hafta 1-2 | Problem seçimi ve KPI tanımı
   • Örn. “Kart dolandırıcılık kaybını %X azaltmak” veya “kredi ön onay süresini Y dakikaya indirmek”
2. Hafta 3-6 | Veri envanteri ve model prototipi
   • Veri kalitesi, etiketleme (fraud/temerrüt), özellik (feature) seti
3. Hafta 7-10 | Pilot ve kontrol grubu
   • A/B benzeri kurgu, yanlış pozitif takibi, model izleme
4. Hafta 11-13 | Üretime alma ve yönetişim
   • Model drift takibi, onay akışları, loglama, denetim izi

Bu planın en kritik kısmı “yönetişim”. Bankacılıkta yapay zekâ, sadece veri bilimi projesi değil; risk, uyum, IT ve iş birimlerinin birlikte yürüttüğü bir ürün.

Büyüme döneminde hız kazanmak isteyen bankalar için en pahalı hata şudur: Yapay zekâyı vitrine koyup, kararı hâlâ manuel ve parçalı yönetmek.

Fitch’in büyüme senaryosu bize ne söylüyor?

Fitch’in küresel tahminleri yükseltmesi ve Türkiye için %3,8 / %3,5 büyüme öngörmesi, finans dünyasında işlerin hızlanacağına işaret ediyor. Bankacılık tarafında bu, daha fazla müşteri, daha fazla işlem ve daha fazla risk demek. Bunu daha fazla kişi işe alarak yönetmek bir yere kadar mümkün; sürdürülebilir olan yaklaşım, yapay zekâ ile ölçeklemek.

“Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serisinin bu bölümünde ana iddiam net: Büyümeyi fırsata çevirenler, AI’ı kredi tahmini, dolandırıcılık tespiti, risk yönetimi ve müşteri hizmetlerinde ölçülebilir KPI’larla üretime alanlar olacak.

Kurumunuz 2026 planlarını yaparken şu soruyu masaya koyun: Fitch’in işaret ettiği büyüme gerçekleşirse, artan hacmi güvenlikten, uyumdan ve müşteri deneyiminden ödün vermeden hangi yapay zekâ senaryolarıyla taşıyacaksınız?