Enflasyon Düşerken Bankalar Yapay Zekâyla Nasıl Yönetiyor?

Hazine ve Maliye Bakanı Mehmet Şimşek’in “ekonomi programı sonuç veriyor; enflasyon baz etkisinin ötesinde düşecek, istihdam artışı bir yılda çok güçlü” açıklaması, finans dünyası için tek bir anlama geliyor: veri daha hızlı akacak, beklentiler daha sık güncellenecek ve riskler daha dinamik yönetilecek. Kâğıt üzerinde iyi haber gibi görünen bu cümlelerin bankacılık tarafında karşılığı, her gün değişen fiyatlama, kredi iştahı ve portföy kalitesi demek.

Benim gözlemim şu: Türkiye’de çoğu kurum “makro görünüm iyileşiyor” cümlesini bir tür rahatlama olarak okuyor. Oysa iyi senaryoda bile rekabet sertleşir. Çünkü enflasyon düşüşe geçerken müşterinin beklediği faiz, vade, kredi limiti ve kampanya dili aynı hızla değişir. Bankalar bu geçiş döneminde iki seçenekle karşı karşıya: ya süreçleri manuel toplantılarla yönetip geriden gelecekler ya da bankacılıkta yapay zekâ uygulamaları ile karar döngülerini kısaltacaklar.

Bu yazı, Şimşek’in enflasyon ve istihdam vurgusunu merkeze alıp şu soruya odaklanıyor: Enflasyon düşerken, istihdam artarken bankalar yapay zekâ ile kredi, risk ve müşteri deneyimini nasıl daha doğru yönetir? “Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serimizin bu bölümünde, somut kullanım alanları ve uygulanabilir adımlarla ilerleyeceğiz.

Ekonomi programı sonuç veriyorsa bankacılıkta ne değişir?

Ekonomi programının sonuç verdiği bir senaryoda bankalar için en kritik değişim, belirsizliğin yapısının değişmesi olur: Tamamen sisli bir ortamdan, sisin dağıldığı ama rüzgârın sürekli yön değiştirdiği bir ortama geçersiniz. Bu da “tek seferlik kararlar” yerine sürekli kalibrasyon gerektirir.

Şimşek’in iki vurgusu özellikle bankacılık kararlarını doğrudan etkiler:

• Enflasyonun baz etkisinin ötesinde düşmesi beklentisi: Mevduat maliyeti, kredi faizleri, vade tercihleri ve varlık kalitesi projeksiyonları yeniden hesaplanır.
• Güçlü istihdam artışı: Hanehalkı gelirinin sürdürülebilirliği artarsa, perakende kredilerde tahsilat davranışı ve segment performansı değişir.

Burada kritik nokta şu: Bankaların “makro veri”yi okuması yetmez; bu verinin mikro düzeyde (müşteri, sektör, bölge, iş kolu) ne anlama geldiğini hızlıca çözmesi gerekir. Bu hız ihtiyacı, yapay zekâyı lüks değil, operasyonel zorunluluk hâline getiriyor.

Baz etkisi bittiğinde asıl test başlar

Baz etkisi, enflasyonun aritmetiğinde kısa süreli bir optik rahatlama yaratabilir. “Baz etkisinin ötesinde düşüş” vurgusu ise piyasanın asıl testine işaret eder: Fiyatlama davranışı kalıcı mı? Banka açısından bu, aşağıdaki sorulara hızlı yanıt verme becerisidir:

• Hangi müşteri segmentinde fiyat hassasiyeti arttı?
• Hangi KOBİ alt sektörlerinde marjlar toparlanıyor?
• Hangi bölgelerde gecikmeye düşme riski azalıyor?

Bu soruların cevapları, klasik raporlama ile haftalar sürerse, fırsat penceresi kapanır. Yapay zekâ tabanlı analitik burada devreye girer.

Enflasyon düşüşünde yapay zekâ ile risk yönetimi: “Erken uyarı” şart

Enflasyon düşüşe giderken risk azalır gibi görünür; gerçek hayatta ise risk şekil değiştirir. Özellikle kredi portföyünde, gecikme riskini tek bir oranla değil, davranış sinyalleriyle okumak gerekir. Yapay zekâ, bu sinyalleri insanın yakalayamayacağı hızda birleştirir.

Kredi riski: PD/LGD kalibrasyonu daha sık yapılmalı

Bankacılıkta riskin omurgası olan PD (temerrüt olasılığı) ve LGD (temerrütte kayıp) tahminleri, makro koşullar değiştikçe güncellenmezse model “doğruymuş gibi görünen yanlış” üretir. Enflasyonun düşmesiyle birlikte:

• Müşterinin nakit akışı düzelebilir ama sektörler arası fark açılabilir.
• Vade uzama eğilimi artabilir, bu da riskin zamana yayılmasına neden olur.

Makine öğrenmesi tabanlı kredi risk modelleri, bu kalibrasyonu daha sık ve daha otomatik yapabilir. Buradaki iyi uygulama, modelin her ay “yeniden yazılması” değil; drift (veri dağılımı kayması) tespitiyle, modelin ne zaman güncellenmesi gerektiğinin otomatik izlenmesidir.

Piyasa ve bilanço riski: Faiz duyarlılığı gerçek zamanlı izlenmeli

Enflasyon düşüş beklentisi, faiz eğrisi üzerinde hızlı fiyatlamalar doğurur. Banka bilançosunda bu; menkul kıymet değerlemesi, mevduat vadesi ve kredi faiz sabitleme kararlarının daha hassas yönetilmesi demektir.

Yapay zekâ burada üç alanda güçlü sonuç verir:

1. Senaryo üretimi: Tek bir “baz senaryo” yerine, çoklu senaryoları otomatik üretip stres testlerini zenginleştirir.
2. Anomali tespiti: Piyasa verisindeki sıra dışı hareketleri (ör. belirli vadede anormal spread) erken yakalar.
3. Karar destek: ALM ekiplerine “hangi ürün-müşteri karması bilanço dayanıklılığını artırır?” sorusunda ölçülebilir öneri üretir.

Dolandırıcılık riski düşmez; daha sofistike hâle gelir

Makro görünüm iyileşirken dijital işlem hacmi de artma eğilimindedir. İşlem sayısı arttıkça dolandırıcılık girişimleri “sayısal olarak” büyür; üstelik saldırganlar daha hedefli davranır.

Yapay zekâ ile dolandırıcılık tespiti (transaction monitoring) iyi kurgulanırsa:

• Yanlış alarm oranı düşer (müşteri deneyimi korunur).
• Gerçek şüpheli işlemler daha hızlı bloklanır.
• Ağ analizi ile (account-to-account) ilişkiler üzerinden “örgü” yakalanır.

İstihdam artışı ve kredi skorlama: Bankacılıkta yeni segmentler açılır

İstihdam artışı, bankacılık açısından iki kapı açar: kredi erişimi genişler ve müşteri yaşam boyu değerini büyüten yeni ürün paketleri için alan oluşur. Ancak bu alanı sağlıklı kullanmak için kredi skorlama yaklaşımı da evrilmeli.

Klasik skorlamanın kör noktaları

Türkiye’de perakende kredi kararları çoğu zaman düzenli gelir ve geçmiş kredi davranışı etrafında şekillenir. İstihdam artışıyla piyasaya yeni giren veya gelirini yeni stabilize etmiş gruplar için bu yaklaşım yetersiz kalır.

Yapay zekâ tabanlı kredi skorlama şu avantajı sağlar: Daha geniş değişken setini (davranışsal, işlem bazlı, müşteri etkileşimi sinyalleri) kullanarak ince segmentasyon yapar. Burada amaç “daha çok kredi vermek” değil; doğru müşteriye, doğru limit ve fiyatla kredi vermek.

KOBİ’lerde yapay zekâ: Nakit akışı merkezli karar

İstihdam artışı, KOBİ’lerin sipariş döngülerini ve tahsilat ritmini de etkiler. KOBİ kredilerinde en sağlam sinyal çoğu zaman bilanço değil, nakit akışı ve fatura-tahsilat paterni olur.

Bankalar için uygulanabilir bir çerçeve:

• POS/hesap hareketlerinden sezonluk dalgalanmayı öğrenen modeller
• Sektör bazlı karşılaştırma (peer analysis)
• “Nakit sıkışması”nı 30-60 gün önceden yakalayan erken uyarı skorları

Bu sayede “gecikme oluştuğunda aramak” yerine, gecikme oluşmadan yapılandırma ya da limit düzenleme yapılabilir.

Ekonomi programını destekleyen bankacılık: Veri analitiği olmadan olmaz

Ekonomi programı hedefleri (dezenflasyon, finansal istikrar, sürdürülebilir büyüme) bankaların kredi dağılımını ve fiyatlamasını da etkiler. Bu noktada yapay zekâ, sadece banka içi verimlilik aracı değil; aynı zamanda sistemin daha öngörülebilir çalışmasına katkı veren bir “altyapı” rolü oynar.

Müşteri odaklı fiyatlama: “Tek tarife” dönemi bitti

Enflasyon düşüşe giderken müşterinin beklentisi hızla değişir. Aynı faiz oranını herkese sunmak, ya kârlılığı eritir ya da iyi müşteriyi kaçırır. Yapay zekâ ile dinamik fiyatlama yaklaşımı şu bileşenlerle çalışır:

• Müşterinin risk profili (PD/LGD, davranış skoru)
• Ürün kullanım derinliği (maaş, fatura, kart, yatırım)
• Rekabet sinyalleri (kampanya tepkisi, kanal tercihi)

Bu, agresif bir “satış makinesi” kurmak değil; adil ve sürdürülebilir fiyatlamayı otomatikleştirmek demek.

Operasyonlarda otomasyon: Kredi tahsis süresi rekabet silahı

Makro koşullar iyileşirken kredi talebi canlanırsa, darboğaz genelde tahsiste yaşanır. Belge kontrolü, gelir doğrulama, istihdam teyidi gibi adımlarda yapay zekâ destekli otomasyon;

• Tahsis süresini kısaltır,
• Hata oranını düşürür,
• Uyumu (compliance) daha izlenebilir kılar.

Burada kritik tasarım ilkesi: İnsan onayını doğru noktaya koymak. Yüksek riskli veya modelin emin olmadığı dosyalarda insan devreye girmeli; geri kalanında süreç akmalı.

Bankalarda yapay zekâ uygulamalarında 90 günlük yol haritası

Yapay zekâ yatırımı “hemen platform alalım” diye başlamamalı. En hızlı sonuç veren yaklaşım, net bir iş probleminden başlayıp veri ve model yönetişimini paralel kurmak.

Aşağıdaki 90 günlük plan, özellikle enflasyon düşüş beklentisi ve istihdam artışı gibi makro değişim dönemlerinde iyi çalışır:

1. 0-15 gün: Sorun tanımı ve başarı metriği
   • Örnek: “KOBİ erken uyarı modelinin hedefi: 60 gün içinde gecikmeye düşecek müşterilerin %X’ini yakalamak.”
2. 15-45 gün: Veri envanteri ve kalite kontrol
   • Eksik veri, tekrar kayıt, gecikmeli akış gibi sorunlar sahada çözülür.
3. 45-75 gün: Pilot model ve gölge kullanım
   • Model karar verir ama gerçek süreçte sadece izlenir (shadow mode).
4. 75-90 gün: Üretime alma + izleme
   • Drift takibi, performans raporları, itiraz süreçleri ve model açıklanabilirliği devreye girer.

Bu planın tek şartı var: BT, risk, iş birimi ve uyum ekipleri aynı masada olmalı. Yapay zekâ projeleri, “tek departmanın işi” olunca sahada tutunmuyor.

Sık sorulan iki soru: Yapay zekâ bu ortamda gerçekten işe yarar mı?

“Enflasyon düşerken model riski artar mı?”

Evet, artabilir. Çünkü veri dağılımı değişir. Dün işe yarayan değişkenler bugün etkisini kaybedebilir. Bu yüzden model geliştirmek kadar model izlemek (drift, bias, performans) kritik.

“Yapay zekâ, kredi musluğunu açmak için mi kullanılıyor?”

Doğru kurulumda hayır. Yapay zekâ, kredi iştahını körlemesine büyütmek için değil; kredi kalitesini koruyarak erişimi genişletmek için kullanılır. En değerli çıktı, “hayır” demek değil; doğru müşteriye doğru koşulu bulmaktır.

Son söz: Dezenflasyon döneminde kazanan, hızlı öğrenen banka olur

Şimşek’in “program sonuç veriyor” vurgusu doğru yönde bir beklenti oluşturuyor: Enflasyon düşüş eğilimine girerken istihdamın güçlü kalması, finansal sistemde daha sağlıklı bir kredi döngüsü için zemini güçlendirir. Fakat bankacılık tarafında bu zemini kazanca çevirmek, “bekleyip görmekle” olmuyor.

Bu seride sürekli aynı noktaya dönüyorum: Finans ve bankacılıkta yapay zekâ uygulamaları, yalnızca otomasyon değil; değişen makro koşullarda riskin dilini hızlı çeviren bir karar motoru. 2026’ya girerken, asıl soru şu: Bankanız veriyi raporlayan tarafta mı kalacak, yoksa veriden karar üreten tarafta mı olacak?