Kredi Artışı Sürerken Yapay Zekâ ile Risk Nasıl Yönetilir?

BDDK verileri, kredi ve kredi kartı kullanımında artışın hız kesmeden sürdüğünü gösteriyor. Bu, ekonominin “canlı” olduğu anlamına da gelebilir; hanehalkının nakit akışını çevirmek için daha fazla borçlandığı anlamına da. Bankacılık tarafında ise tablo net: başvuru sayısı artarken, risk de aynı hızla büyüyor. Üstelik sadece kredi riski değil; dolandırıcılık, gecikme davranışı ve operasyon yükü de.

Bu noktada “daha çok kredi” demek “daha çok manuel inceleme” demek değil. Çoğu kurum burada hata yapıyor: Artan hacmi, aynı ekip ve aynı kurallarla yönetmeye çalışıyor. Sonuç; yavaşlayan onay süreçleri, kaçırılan iyi müşteriler ve sonradan patlayan riskler.

Benim net görüşüm şu: Kredi büyümesi dönemlerinde yapay zekâ (YZ), lüks değil, kredi portföyünü ayakta tutan emniyet kemeri. Bu yazıda, kredi artışı trendini “Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serimizin perspektifiyle ele alıp, bankaların YZ ile kredi skorlama, risk tahmini, dolandırıcılık tespiti ve davranış analizi tarafında nasıl daha akıllı kararlar aldığını somut örneklerle anlatacağım.

Kredi artışı neden kritik bir sinyal?

Kredi büyümesi, bankanın gelir fırsatı kadar model riski sinyalidir. Çünkü hacim arttığında portföy kompozisyonu değişir: Yeni müşteri segmentleri gelir, limitler yükselir, taksit davranışları kayar. Bu kayma, “dün doğru çalışan kural seti”nin bugün hatalı karar vermesine yol açar.

Aralık 2025’e gelmişken sezon etkisini de göz ardı etmeyelim. Yıl sonu kampanyaları, tatil harcamaları, e-ticaret yoğunluğu ve vergi/prim dönemleri, özellikle kredi kartında harcama ve limit kullanım oranlarını yukarı iter. Bu dönemlerde iki şey aynı anda olur:

• Gerçek talep artar: Kısa vadeli nakit ihtiyacı ve tüketim artışı.
• Kötü niyetli hareket artar: Kart dolandırıcılığı, sahte başvuru, hesap ele geçirme girişimleri.

Bu yüzden kredi artışı haberlerini sadece “piyasada kredi büyüyor” diye okumak eksik kalır. Banka açısından doğru okuma şudur: Veri drift’i (verinin davranış değiştirmesi) hızlandı; karar sistemini yeniden kalibre etmek şart.

Yapay zekâ kredi skorlama ve onay süreçlerini nasıl hızlandırır?

YZ’nin en net faydası, doğru müşteriye daha hızlı onay verip, riskli müşteriyi daha erken ayıklamasıdır. Klasik skor kartlar ve sabit kurallar hâlâ değerli; fakat tek başına yeterli değil. Çünkü artan başvuru hacmi ve çeşitlenen müşteri profili, daha fazla sinyalin aynı anda değerlendirilmesini gerektiriyor.

Klasik skor vs. YZ tabanlı skor: Fark nerede?

Klasik yaklaşım genelde sınırlı sayıda değişkene dayanır (gelir, mevcut borç, gecikme geçmişi gibi). YZ yaklaşımı ise daha geniş sinyalleri birlikte okuyabilir:

• Davranışsal sinyaller: Hesap hareketlerinin ritmi, maaş yatış düzeni, harcama kategorisi dağılımı
• Limit kullanım dinamikleri: Ay içi kullanım piki, taksitli harcamaya kayış, nakit avans paterni
• Başvuru davranışı: Kısa sürede çoklu başvuru, cihaz/kanal tutarlılığı

Buradaki kritik nokta “daha çok veri” değil; daha iyi ayrıştırma. YZ, aynı gelir seviyesindeki iki kişiden hangisinin 90 gün+ gecikmeye düşme ihtimalinin daha yüksek olduğunu, davranış farklarından yakalayabilir.

“Answer first”: Hız kazanımı nereden gelir?

Hız kazanımı, otomasyonun doğru eşiklerle kurulmasından gelir. İyi tasarlanmış bir akış şu mantıkla çalışır:

1. Düşük risk segmenti: Otomatik onay (STP – straight-through processing)
2. Orta risk segmenti: Ek doğrulama / doküman / kısa görüşme
3. Yüksek risk segmenti: Otomatik red veya uzman inceleme

Böylece uzman ekip, gerçekten uzmanlık isteyen dosyalara odaklanır. Banka da hem müşteri deneyimini iyileştirir hem de maliyeti kontrol eder.

“Kredi tahsis ekibinin zamanını en pahalı işlere ayırmak, YZ’nin görünmeyen ama en büyük getirilerinden biridir.”

Kredi riski tahmini: Temerrüt gelmeden önce sinyal yakalamak

Kredi risk yönetiminin hedefi, temerrüt olduktan sonra tahsilat yapmak değil; temerrüt olmadan davranışı düzeltmektir. YZ burada “erken uyarı sistemi” gibi çalışır.

Erken uyarıda hangi göstergeler işe yarar?

Bankalar genelde şu sinyallerden güçlü sonuç alır:

• Maaş/gelir yatışında gecikme veya tutar düşüşü
• Kredi kartında minimum ödeme oranına sıkışma
• Aynı ay içinde artan nakit çekim (ATM/nakit avans)
• Hesap bakiyesinde sürekli negatife düşme
• Otomatik ödeme talimatlarının iptali

Bu sinyaller tek tek bakıldığında “normal” görünebilir. YZ’nin farkı, bu sinyallerin birleşiminden risk puanını güncellemesidir.

Aksiyon tarafı: Model çıktılarını sahaya indirmek

Risk tahmini “dashboard”da kalırsa değeri sınırlı olur. İşe yarayan uygulamalar şunlar:

• Proaktif yapılandırma önerileri: Vade uzatma, taksit erteleme opsiyonu
• Mikro-segment kampanyaları: Riskli müşteriye limit artırmak yerine ödeme kolaylığı sunmak
• Tahsilat stratejisi optimizasyonu: Kime ne zaman, hangi kanaldan iletişim kurulacağını belirlemek

Ben burada net bir duruş alıyorum: Kredi büyürken herkese aynı tahsilat stratejisini uygulamak para yakmaktır. YZ, hem müşteri memnuniyetini hem geri dönüş oranını birlikte yükseltecek bir “iletişim planı” üretmeye yardım eder.

Dolandırıcılık ve kötüye kullanım: Kredi büyüdükçe saldırı yüzeyi genişler

Kredi ve kart kullanımındaki artış, dolandırıcılık tarafında da hacim artışı demektir. Üstelik modern dolandırıcılık “tek bir işlem” değil, bir zincir:

1. Kimlik/sahtecilik veya hesap ele geçirme
2. Limit yükseltme ya da yeni kredi açma
3. Hızlı harcama/transfer
4. İz kaybettirme

YZ’nin gücü, bu zincirin her halkasında anomali yakalayabilmesidir.

Gerçek zamanlı karar: Milisaniyelerin önemi

Kart işlemlerinde karar süresi çok kısadır. Bu yüzden kurumlar genelde şu yaklaşımı kullanır:

• Kural tabanlı filtreler: Çok hızlı “ilk eleme”
• Makine öğrenmesi modelleri: İnce ayrım ve bağlam analizi
• Graf analitiği: Aynı cihaz, IP, satıcı, telefon numarası gibi bağlantılardan ağ tespiti

Önemli olan denge: Dolandırıcılığı azaltırken yanlış pozitifleri (gerçek müşteriyi engelleme) kontrol etmek. Kredi büyümesi dönemlerinde yanlış pozitif maliyeti daha da artar; çünkü iyi müşteriyi kaçırırsınız.

Bankalar YZ’yi kredi süreçlerine entegre ederken nerede hata yapıyor?

En sık hata: Modeli “kurmakla” işi bitmiş sanmak. Oysa kredi portföyü yaşayan bir organizma; ekonomi, faiz, enflasyon beklentisi, kampanya dönemleri, regülasyon ve tüketici davranışı sürekli değişir.

1) Veri kalitesi ve “tek müşteri görünümü” eksikliği

Kredi skorlama için veri sadece çok olmak zorunda değil; tutarlı olmak zorunda. Farklı sistemlerdeki müşteri kayıtları birleşmiyorsa model yanlış öğrenir.

2) Model izleme (monitoring) yokluğu

Kredi artışı dönemlerinde model drift kaçınılmazdır. Kurumların şunları düzenli izlemesi gerekir:

• Onay oranı değişimi
• Gecikmeye düşen müşteri oranı (segment bazında)
• Gelir/borç oranı dağılımı
• Sahte başvuru sinyalleri

3) Açıklanabilirlik (explainability) ihmal edilmesi

Türkiye’de bankacılıkta kararların açıklanabilir olması pratik bir gereklilik. “Model böyle dedi” yaklaşımı sürdürülemez. İyi kurulan YZ sistemleri şunu üretebilmelidir:

• Karara en çok etki eden 3-5 faktör
• Müşterinin iyileştirebileceği aksiyonlar (ör. limit kullanımını düşürmek)
• Alternatif teklif (daha düşük limit, daha kısa vade gibi)

4) Operasyonla kopukluk

Risk ekibi model üretir, satış ekibi hedef koşar, tahsis ekibi sıkışır… Bu kopukluk, kredi büyümesi dönemlerinde daha görünür hale gelir. Çözüm: Model çıktısını süreç KPI’larına bağlamak.

Pratik bir yol haritası: 90 günde nereden başlanır?

YZ dönüşümünde en hızlı kazanım, kredi onayında “akıllı ön eleme + erken uyarı” kombinasyonundan gelir. Çok büyük platform projeleri yerine, ölçülebilir küçük adımlar daha iyi çalışır.

1. Hedefi netleştirin: Onay süresini mi düşürmek, temerrüdü mü azaltmak, dolandırıcılığı mı kontrol etmek?
2. Minimum veri setini belirleyin: Gelir/iş bilgisi + hesap hareketleri + kart davranışı + başvuru meta verisi (kanal, cihaz, zaman).
3. Segment bazlı pilot kurun: Örneğin sadece ihtiyaç kredisi ya da sadece limit artış talepleri.
4. Karar eşiklerini iş birimiyle birlikte tanımlayın: Otomatik onay/red/manuel inceleme sınırları.
5. Model izleme panosu kurun: Haftalık izleme bile, “model körlüğü”nü engeller.

Burada hedef “tek seferde mükemmel model” değil. Hedef, hızlı öğrenen bir karar sistemi kurmak.

Son söz: Kredi artışı yönetilmezse fırsat değil, maliyet olur

BDDK’nın işaret ettiği kredi ve kredi kartı kullanımındaki artış, bankalar için aynı anda iki mesaj taşıyor: büyüme fırsatı ve risk baskısı. Bu ikisini birlikte yönetmenin en gerçekçi yolu, yapay zekâyı kredi skorlama, risk tahmini ve dolandırıcılık tespitine süreç seviyesinde entegre etmek.

“Finans ve Bankacılıkta Yapay Zekâ Uygulamaları” serisinde sıkça altını çiziyorum: YZ’nin değeri model doğruluğundan önce karar kalitesinde ortaya çıkar. Doğru müşteriye hızlı onay, riskli müşteriye erken aksiyon ve operasyon yükünde ölçülebilir azalma… Kredi büyümesi dönemlerinde kazananlar, tam olarak bunu yapanlar.

Sizce kurumunuzda en büyük darboğaz nerede: kredi tahsiste hız mı, riskte isabet mi, yoksa dolandırıcılıkta kontrol mü? Oradan başlamak, en kısa yoldur.