TEKNOFEST Girişim Fabrikası: Finansta Yapay Zekâ Etkisi

TEKNOFEST sahnesinde Sanayi ve Teknoloji Bakanı Mehmet Fatih Kacır’ın “TEKNOFEST girişim fabrikası haline geldi” cümlesi, bir etkinlik övgüsünden daha fazlasını anlatıyor: Türkiye’de teknoloji üretme işi artık yalnızca Ar-Ge laboratuvarlarında değil; yarışma alanlarında, hızlandırma programlarında ve sahada kurulan ekiplerde hızlanıyor. Bu hızlanmanın en somut yansımasını da son iki yıldır tek bir kelime özetliyor: yapay zekâ.

Buradaki kritik nokta şu: Girişimlerin büyümesi için sadece “iyi fikir” yetmiyor. Veriye erişim, finansmana ulaşım, regülasyon uyumu ve ölçeklenebilir operasyon gerekiyor. İşte bu yüzden TEKNOFEST’te filizlenen yapay zekâ projelerinin doğal bir sonraki durağı finans ve bankacılık oluyor. Benim gözlemim, özellikle 2025’e girerken bankaların “deneme” dönemini bitirip, yapay zekâyı ölçülebilir iş sonuçlarına bağlama konusunda daha kararlı hale geldiği yönünde.

Bu yazı, TEKNOFEST’in “girişim fabrikası” iddiasını Üretim ve Akıllı Fabrikalarda Yapay Zekâ serimizin bağlamına oturtuyor; ardından aynı yaklaşımın finans ve bankacılıkta yapay zekâ uygulamaları için ne anlama geldiğini somut örneklerle açıyor. Amaç net: hem girişimciler hem de finans ekipleri için uygulanabilir bir çerçeve sunmak.

TEKNOFEST neden “girişim fabrikası” gibi çalışıyor?

TEKNOFEST’in girişim üretme kapasitesi, tek bir yarışma mantığıyla değil; pipeline (boru hattı) gibi işleyen bir ekosistem kurmasıyla açıklanır. Yani fikir → prototip → mentorluk → görünürlük → yatırım/iş birliği zinciri, sahada hızlanır.

Üç mekanizma: hız, görünürlük, doğrulama

TEKNOFEST benzeri organizasyonların startup üretiminde güçlü olmasının üç pratik nedeni var:

1. Hız: Takvim baskısı ekipleri “mükemmel” yerine “çalışan prototip” üretmeye iter. Bu, yapay zekâ projelerinde özellikle değerlidir; çünkü model geliştirme, veri temizliği ve saha testi sonsuz bir döngüye dönüşebilir.
2. Görünürlük: Kurumlar, yatırımcılar ve kamu paydaşları aynı alanda buluşur. Bu, bir girişimin 6 ayda ulaşacağı temas sayısını 3 günde yakalaması demektir.
3. Doğrulama: Jüri, senaryo testleri, saha sunumları… Bunların her biri bir tür pazar ve teknoloji doğrulaması sağlar. Yapay zekâ ürünlerinde “demo güzel” ama “üretimde çalışıyor mu?” sorusu belirleyicidir.

Bu üçlü mekanizma, akıllı fabrika, kestirimci bakım, kalite kontrol gibi üretim odaklı alanlarda nasıl işe yarıyorsa; dolandırıcılık tespiti, kredi skorlama, AML uyumu gibi finans alanlarında da benzer şekilde çalışır. Çünkü her iki dünyada da ortak problem şudur:

“Model doğru tahmin yapsın” kadar, “model süreçlere güvenli ve ölçülebilir biçimde entegre olsun” da gerekir.

Yapay zekâ ile finansın kesiştiği yer: girişimlerin büyüme motoru

Yapay zekâ girişimlerinin önündeki en büyük engel çoğu zaman algoritma değil, gelir modeli ve kurumsal entegrasyon olur. Finans sektörü bu noktada benzersiz bir rol oynar: bankalar hem büyük veri üretir hem de satın alma kası güçlüdür.

Bankalar neden yapay zekâ projeleri için “doğal müşteri”?

Bankaların yapay zekâya bu kadar yatırım yapmasının pratik gerekçeleri var:

• Yüksek hacim, yüksek tekrar: Milyonlarca işlem, çağrı merkezi görüşmesi, dijital kanal etkileşimi… Yapay zekâ için verimli bir zemin.
• Riskin ölçülebilir olması: Dolandırıcılık, kredi riski, operasyonel risk gibi alanlarda başarı metrikleri nettir (ör. yanlış pozitif oranı, kayıp tutarı, tahsilat performansı).
• Regülasyon baskısı: Uyum süreçleri “manuel” kaldığında maliyet artar. Otomasyon ve izlenebilirlik şart.

Ben burada net bir tavır alıyorum: 2026’ya doğru, bankacılıkta yapay zekâ projeleri “pilot” aşamasında takılı kalırsa, bu teknoloji problemi değil, yönetim ve ürünleşme problemi olur.

TEKNOFEST girişimlerinin avantajı: prototip kası

TEKNOFEST gibi ortamlarda yetişen ekipler, genelde iki konuda kuvvetli olur:

• Kısıt altında üretim: Az kaynakla hızlı iterasyon.
• Problem odaklılık: Sunumda “model mimarisi” değil “çözdüğüm dert” anlatma alışkanlığı.

Bu da finans kurumlarının aradığı şeye denk düşer: “Bana 12 ay sonra bir rapor değil, 8 haftada ölçülebilir sonuç ver.”

Bankacılıkta yapay zekâ: 5 kullanım alanı, 5 somut çıktı

Bu bölüm “yapay zekâ neler yapar?” listesinden ibaret değil. Her başlıkta çıktı ve uygulama notu var. Çünkü finans ekipleri için başarı, çoğu zaman model doğruluğundan önce iş sonucudur.

1) Dolandırıcılık tespiti (Fraud): daha erken sinyal, daha az kayıp

Yanıt: Yapay zekâ, işlem davranışını anlık izleyerek şüpheli paterni daha erken yakalar.

• Somut çıktı: İşlem bazında risk skoru, gerçek zamanlı alarm, dinamik doğrulama (step-up authentication).
• Uygulama notu: Dolandırıcılıkta en pahalı hata “kaçırmak” kadar “çok fazla yanlış alarm üretmek”tir. Modeli yalnızca precision/recall ile değil, müşteri deneyimi maliyetiyle birlikte optimize etmek gerekir.

2) Kredi tahsis ve skorlama: hız + tutarlılık

Yanıt: Yapay zekâ, kredi kararını hızlandırırken tutarlılığı artırır.

• Somut çıktı: Başvuru akışında otomatik ön değerlendirme, risk segmentasyonu, teminat/limit önerisi.
• Uygulama notu: Burada kritik konu açıklanabilirlik. Kurum içi denetim ve regülasyon uyumu için kararın “neden”ini gösterebilen yaklaşımlar şarttır.

3) AML ve uyum: maliyeti düşüren akıllı izleme

Yanıt: Yapay zekâ, şüpheli işlem izleme sistemlerinde alarm kalitesini yükseltir.

• Somut çıktı: Alarm önceliklendirme, vaka kümelendirme, şüpheli ağ analizi.
• Uygulama notu: AML’de başarı, tek modelden çok doğru iş akışı tasarımı ile gelir. Vaka yönetimi ekranı, analistin geri bildirimi ve modelin geri besleme döngüsü birlikte kurulmalıdır.

4) Müşteri hizmetleri: çağrı merkezi ve dijital kanalda “yük azaltma”

Yanıt: Üretken yapay zekâ, müşteri sorularını çözerken temsilciye de destek olur.

• Somut çıktı: Akıllı asistan, yanıt taslakları, konuşma özetleme, duygu analizi.
• Uygulama notu: Bankacılıkta üretken yapay zekâ kullanımında en güvenli başlangıç, “müşteriye doğrudan cevap” yerine temsilciye öneri veren kurgudur. Risk daha düşüktür, öğrenme daha hızlıdır.

5) Operasyon ve tahsilat: doğru kişiye doğru aksiyon

Yanıt: Yapay zekâ, tahsilat ve operasyon süreçlerinde önceliklendirme yaparak verimi yükseltir.

• Somut çıktı: Tahsilat stratejisi önerisi, müşteri iletişim zamanı optimizasyonu, belge işleme otomasyonu.
• Uygulama notu: En hızlı kazanımlar genelde burada gelir; çünkü veriler daha düzenli, süreçler daha tekrar edilebilirdir.

Üretim ve akıllı fabrikalardan bankacılığa: aynı disiplin, farklı saha

Bu yazı serisinin ana temasına geri dönelim: Üretim ve Akıllı Fabrikalarda Yapay Zekâ. İlk bakışta banka ile fabrika ayrı dünyalar gibi durur. Benzerlik sandığınızdan fazla.

Kestirimci bakım ↔ Kestirimci risk yönetimi

Fabrikada kestirimci bakımın amacı, arıza olmadan önce sinyali yakalayıp duruşu önlemektir. Bankada benzer mantık:

• Müşteri temerrüde düşmeden önce davranış sinyallerini yakalamak
• Dolandırıcılık gerçekleşmeden önce riskli akışı durdurmak
• Uyum ihlali büyümeden önce vakayı önceliklendirmek

Kısacası: Sinyal yakalama, erken müdahale, kaybı önleme.

Kalite kontrol ↔ Model kalite kontrol ve model izleme

Üretimde kalite kontrol “üretilen parçanın toleransları”yla ölçülür. Bankacılıkta kalite kontrol, yapay zekâ modellerinde şunları kapsar:

• Veri kayması (data drift): Veri dağılımı değişti mi?
• Model kayması (concept drift): Eski ilişki hâlâ geçerli mi?
• Adalet ve önyargı kontrolleri: Belirli gruplar sistematik dezavantaj yaşıyor mu?

Bunlar yapılmadığında, model ilk üç ay harika çalışır; altıncı ayda sessizce bozulur.

TEKNOFEST’ten çıkan yapay zekâ girişimleri bankalarla nasıl daha hızlı iş yapar?

Yanıt: Bankalarla iş birliği kazanmanın yolu, “teknoloji gösterisi” değil, ölçülebilir ve uyumlu bir ürün paketidir.

Aşağıdaki çerçeve, sahada en çok işe yarayan yaklaşım:

1) Problem cümlesini finans metriğine çevirin

“Fraud tespit edeceğiz” yerine:

• “Yanlış pozitifleri %20 düşürüp müşteri sürtünmesini azaltacağız”
• “Kayıp tutarını 90 günde X bandında azaltmayı hedefliyoruz”

2) Veri ve gizlilik kurgusunu en baştan planlayın

• PII (kişisel veri) ile çalışıyorsanız maskeleme/anonimleştirme stratejisi
• Modelin hangi veriye ne kadar ihtiyaç duyduğu
• Kurum içi/on-prem gereksinimleri

3) MVP’yi 6–8 haftalık “bankacılık ritmine” uydurun

Bankalar genelde hızlı pilot ister ama güvenlik ve uyum adımları zaman alır. O yüzden:

• İlk sürümde dar kapsam (tek ürün, tek kanal, tek senaryo)
• Net başarı metrikleri
• Pilot sonunda “go/no-go” kararı için raporlama

4) Model değil ürün satın aldırın

Bankanın satın aldığı şey çoğu zaman model dosyası değildir:

• İzleme ekranı
• Alarm yönetimi
• Loglama ve denetim izi
• SLA ve operasyon planı

Bu paketi sunan girişim, görüşmelerde bir adım öne çıkar.

2025 sonu – 2026 başı için pratik yol haritası: “AI pilotu”ndan “AI ürünü”ne

Aralık 2025 itibarıyla piyasanın ihtiyacı net: daha çok demo değil, daha çok üretimde çalışan sistem. Bankalar tarafında da girişimler tarafında da şu üç adım belirleyici:

1. Model yönetişimi (governance): Kim onaylıyor, kim izliyor, kim sorumlu?
2. MLOps standardı: Eğitim–dağıtım–izleme hattı oturmadan ölçek olmaz.
3. Regülasyon uyumu ve açıklanabilirlik: “Çalışıyor” yetmez, “anlatılabilir” olmalı.

Bu yaklaşım, akıllı fabrikalardaki Endüstri 4.0 programlarının olgunlaşma yoluyla aynı: önce pilot, sonra standart, sonra yaygınlaştırma.

Son söz: “girişim fabrikası” iddiası, finansla birleşince anlam kazanıyor

TEKNOFEST’in girişim fabrikasına dönüşmesi, Türkiye ekonomisi için iki kritik sonuç üretir: (1) teknoloji üretme kapasitesi artar, (2) bu kapasite doğru finansal mekanizmalarla buluşursa ölçeğe taşınır. Yapay zekâ burada ortak dil.

Bankacılıkta yapay zekâ uygulamaları, sadece bankaların verimlilik projesi değildir; aynı zamanda TEKNOFEST’te yetişen ekipler için en büyük kurumsal ölçekleme alanlarından biridir. Benim önerim net: 2026’ya girerken hem bankalar hem girişimler “pilot sayısı” ile değil, üretimde çalışan kullanım senaryosu sayısı ile övünmeli.

Sizce Türkiye’de bir sonraki büyük sıçrama, yapay zekânın akıllı fabrikalarda mı yoksa bankacılık süreçlerinde mi daha hızlı olgunlaşmasıyla gelecek?