Kurumsal Finans İçin Yapay Zeka ve Doğru Uygulama Yöntemleri

CFO'ların her biriyle konuştuğumda, AI dünyasında iki cephede mücadele ettiklerini görüyorum:

Yatay asistan: kuruluşunuzdaki herkese Microsoft Copilot veya Claude Cowork verin. Bunun sorunu, her çalışanın 3 tane agent oluşturması, hiçbirinin birbiriyle çalışmaması ve 3 ay içinde token'lara 3 milyon dolar harcamış olmanız, agent'ların %80'inin ya işlevsiz kalması ya da üretimde sürekli bozulmasıdır. Geriye 3 milyon dolarlık bir token faturası ve sahibi olmayan bir teknoloji borcu mezarlığı kalır.

Nokta çözüm: Borç hesapları için bir yeni yazılım çözümü, kapanış için bir başka, giderler için bir tane daha getirin. Bu işe yaramaz çünkü herkes için yapılmış bir yazılım sizin için yapılmamıştır. Borç hesapları sürecinizin 4 değil 7 adım olduğunu anlamaz ve istisna yönetim mantığınızı anlamaz. Sonuç olarak, çalışanlarınız ya onu kullanmaz ya da kullanır ancak yatırım getirisi %15'in altındadır. Daha da kötüsü, çalışanlarınız bu yeni yazılımın eski iş yapış şekillerinden farklı olduğundan şikayet eder ve yarısı bunun bir düşüş olduğunu düşünür. Kabus.

Benim işim, CFO'ların kendileri için her iki çözümün doğru karışımını anlamalarına yardımcı olmak. Yatay asistana kesinlikle ihtiyaç var, ancak farklı bir amaca hizmet ediyor. Çalışanların hala yapacak işleri olacak ve bu asistan, bir çalışanın 10 kişinin işini yapmasına yardımcı olmak içindir. Ancak daha büyük resmi kaçırıyorsunuz: hiçbir çalışanın komut vermesine veya kullanmasına gerek kalmadan işi yapan arka plan agent'ları. Ekibiniz dizüstü bilgisayarlarını açmadan önce, gelen her faturayı okuyan, doğru satın alma siparişiyle eşleştiren ve ya onaylayan ya da tek bir tuhaf olanı karar vermesi gereken tek kişiye ileten bir agent hayal edin. Her sabah dünkü banka hareketlerini deftere karşı dengeleyen bir agent, böylece ay sonu bile başlamadan kapanış neredeyse bitmiş olur. Kayıp W-9'u veya gecikmiş ödemeyi kendi başına takip eden bir agent, böylece ekibinizdeki hiç kimse bu e-postaları bir daha yazmak zorunda kalmaz. Bunlara kimse komut vermez. Sadece arka planda çalışırlar ve siz işe geldiğinizde iş zaten yapılmıştır.

Bağlam için, Varick Agents'ı (@varickagents) yönetiyorum. Kurumsal finans ekipleriyle entegre oluyor ve halihazırda kullandıkları araçların içinde çalışan AI agent'ları dağıtıyoruz. Finans, en hızlı ve en ölçülebilir sonuçları gördüğümüz alan çünkü iş tekrarlayıcı, süreçler iyi tanımlanmış ve manuel versiyonun maliyetini rakamsal olarak ifade etmek son derece kolay.

Bu makalenin amacı, bunu birkaç şirket için ölçekte nasıl yaptığımızı, kaçınmayı öğrendiğimiz tuzakları ve işin sonunda başarıyı nasıl ölçtüğümüzü göstermek. Bonus: Her yıl token'lara milyonlar harcamadığımızdan nasıl emin oluyoruz ve halüsinasyonları nasıl neredeyse sıfıra indiriyoruz. Referans olarak, bir müşterimizin ay sonu kapanışını 12 günden 5 güne indirdik. Aynı anda hata oranlarını %72 oranında azalttık. Elde edilen değer, gelir artışı, maliyet tasarrufu ve risk azaltma kombinasyonu olarak yıllık 45 milyon doların üzerindeydi. Sonuçta elde ettiğiniz agent'lar çok farklı olsa bile (bu nedenle nokta çözüm yazılımları işe yaramaz), her seferinde aynı oyun kitabını kullanıyoruz.

Finansta AI uygulamalarında başarısızlık oranları yüksek

Nasıl yapılacağından önce, rakamlara hızlıca bir göz atalım. Finans ekiplerinin bulundukları yerle olabilecekleri yer arasındaki fark büyük, ancak şu ana kadarki AI sonuçları oldukça zayıf.

• Gartner, 183 finans lideriyle anket yaptı ve %84'ü AI uyguladı veya uygulamayı planlıyor, ancak yalnızca %7'si yüksek etki bildirdi.
• MIT'nin NANDA grubu 300 dağıtımı inceledi ve kurumsal Gen-AI pilotlarının %95'inin Kâr ve Zarar tablosunda ölçülebilir bir getiri sağlamadığını buldu.
• Gartner, 2027 sonuna kadar aracılı (agentic) AI projelerinin %40'ından fazlasının maliyet, belirsiz değer ve zayıf risk kontrolleri nedeniyle iptal edilmesini bekliyor.

Bu nedenle, bunların çoğunun başarısız olduğunu söylediğimde, atıfta bulunduğum istatistikler bunlar. Aşağıda size nedenini anlatacağım, ancak karşılaştırma için, Varick'in finans departmanı uygulamalarının %100'ü, ölçülebilir pozitif yatırım getirisiyle (ortalama 5,5 kat) başarıyla üretime alındı.

Şimdi işin kendisine gelirsek:

• Faturaların 2/3'ü hala bir veya daha fazla insanın dokunmasını gerektiriyor. Sadece üçte biri doğrudan geçiyor (Ardent Partners, 2025). Birlikte çalıştığımız müşterilerde, her fatura tamamen işlenmeden önce genellikle 3 veya daha fazla kişi dokunuyor.
• Manuel bir faturanın uçtan uca işlenme maliyeti 12,42 dolardır.
• Tüm finans ekiplerinin yarısı, defterlerini kapatmak için bir haftadan fazla zaman harcıyor (Ledge, 2025) ve bunların %94'ü hala bu kapanışın bir yerinde Excel'de yaşıyor.
• Faturaların %14'ü istisna olarak işaretleniyor ve istisnalar, Borç Hesaplarında en çok bahsedilen baş ağrısı. En çok dikkat çekmek istediğim istatistik bu. Sizin istisnalarınız, bir sonraki şirketinkinden farklıdır; yani hiçbir genel SaaS veya ürün bu büyük baş ağrısını sizin ihtiyacınız olan şekilde çözemez. Finans fonksiyonları için özel yazılım ihtiyacı hiç bu kadar yüksek olmamıştı ve neyse ki AI burada mükemmel bir çözüm sunuyor.

Bunların hiçbiri artık bir teknoloji sorunu değil. Bu bir iş akışı sorunu, bir insan yapıştırıcısı (human-glue) sorunu ve bu ayrımı aşağıda daha ayrıntılı olarak vurgulayacağım.

Yatay asistanlar (Claude Cowork, Microsoft Copilot) neden başarısız oluyor

Token faturasını (çeyrek başına milyonlar) görmezden gelsek bile, daha büyük sorun, öncü modellerin bile çoğu zaman finans işini yanlış yapmasıdır. Öncü modeller (Fable, Opus, GPT 5.5, vb.) bu yıl 900'den fazla gerçek finans analisti görevi üzerinde test edildiğinde, en iyisi yalnızca %52 doğruluğa ulaştı (Vals AI). Başka bir çalışma, 19 modeli gerçek bir hesap planı üzerinde çalıştırdı ve en yüksek doğruluk %66 idi (DualEntry). Bir finans fonksiyonunda bu doğruluk seviyeleri felaket niteliğindedir. Microsoft'un kendi belgeleri bile Excel Copilot'u sayısal hesaplamalar veya uyumluluk etkileri olan herhangi bir şey için kullanmayın diyor ki bu, AI'yi ilk etapta e-tablonuza koydukları için komik.

Halüsinasyonlar, bir e-postadaki yazım hatası anlamına gelmez. AI'nız bir tedarikçi hayal ederse veya bir şirketlerarası mahsup işlemini bozarsa, bu, bulunup düzeltilmesi gereken gerçek paradır. Denetlenebilirlik eksikliği de büyük bir sorundur. "AI öyle dedi" bir SOX denetçisi yanında geçerli değildir.

AI agent'larınızın korkulukları ve izinleri olmalıdır, böylece yalnızca kapsamlı bir AI denetiminin sonucu olarak belirlenen, izin verdiğiniz tam eylemleri gerçekleştirir. Ayrıca, her görev en deterministik haline indirgenir, böylece model uçtan uca her şey yerine yalnızca muhakeme gerektiren birkaç adıma karar verir. Doğruluk bu şekilde %97'nin üzerinde kalır ve denetçiye ve yönetime sunulabilecek agent izleri oluşur.

Daha fazla nokta çözüm işleri neden daha da kötüleştiriyor

Yani generalisti atlayıp bir düzine uzman satın alıyorsunuz: Ramp, Brex ve Bill'den bir Borç Hesapları agent'ı, HighRadius'tan tahsilat, BlackLine ve FloQast'tan kapanış agent'ları, hepsi SAP ve Workday tarafından ERP'ye tıkılıyor, artı yeni bir AI-yerel ERP. Nereye varmak istediğimi anlıyor musunuz? AI, nihayet her biri farklı bir şey yapan 20 farklı yazılım satıcısından uzaklaşmanızın nedeni olacaktı. Mevcut sistemleriniz arasında yaşayan tek bir cam bölmeye (single pane of glass) ihtiyacınız var. Bu sistemler zaten bir agent'ın üzerinde çalışması için gereken her şeye sahip, yeni bir platform gerekmez. Bunun yerine, CFO'ların üzücü bir şekilde daha fazla yazılım lisansı, ekiplerinin oturum açıp takip etmesi gereken daha fazla yüzey ve sonuçta neredeyse hiçbir verimlilik artışı göstermeyen bir durum getirdiğini görüyorum.

İşe yarayan şey nedir?

Finans departmanlarında işe yarayan her dağıtım aynı felsefeyi izler: ekibinizin oturum açması için başka bir araç yerine, halihazırda çalıştırdığınız yazılımın üstünde ve arasında yer alan tek bir katman. NetSuite, Bill ve Workday gibi yazılımlarınızdan okur, verileri aralarında taşır ve işi tam olarak ekibinizin yapacağı gibi yapar. Yardıma ihtiyaç duyduğunda, ekibinizin ayarlaması için düzenlemeleri işaretler.

Bunu yaparken, görevi değil, operatörü güçlendirirsiniz. Şu anda araçlarınızın her biri işin bir kısmını otomatikleştiriyor, ancak hiçbiri ortadaki, bir sayıyı bir ekrandan diğerine kopyalayan, iki rakamın eşleşip eşleşmediğini kontrol eden, eşleşmediğinde takip e-postasını gönderen, kimse yanıtlamadığında konuyu üst seviyeye taşıyan kişiyi otomatikleştirmiyor. Bu kişi yapıştırıcıdır (glue) ve tüm değer bu yapıştırıcıda yatar: çevrim süresinin azalması, zamandan tasarruf edilmesi ve daha hızlı, daha fazla gelir elde edilmesi anlamına gelir.

Bu örneği istisnalara geri götürelim: Satın alma siparişi olmadan gelen bir fatura hayal edin. Şu anda, bir Borç Hesapları analistinin kimin sipariş ettiğini bulması, ardından gelen kutusunu filtreleyerek doğru satın alma siparişini bulması, ardından eşleştirmesi ve son olarak da onaylaması gerekir. İstisnalar düşündüğünüzden daha yaygındır; bu ayda yüzlerce kez olur.

Ancak, birleşik bir agent katmanı ile AI, bu istisnayı geldiği anda yakalar, ardından tıpkı analistinizin yapacağı gibi, satıcıya, tutara, tarihe göre satın alma siparişi sisteminde arama yapar ve sonunda temiz eşleşmeleri kendisi onaylar. Agent emin olmadığında, en olası iki satın alma siparişini Slack üzerinden bir analiste gönderir ve hangisinin doğru olduğuna karar vermesini ister. 15 dakikalık araştırma süresi, tüm bilgiler önceden getirilmişken, bir evet veya hayır için otuz saniyeye dönüşür. Aynı şekillendirme, banka mutabakatı, şirketlerarası mahsup işlemleri, W-9 takipleri, ödeme durumu e-postaları ve denetçinin PBC listesinde de gerçekleşir.

Bu sistemi pratikte nasıl uygulamalı?

Her seferinde 5 şey yapıyoruz:

1. Ön saflarda görevli mühendisler departmanınıza yerleşir ve her süreci uçtan uca haritalandırır. Belgelenmiş süreçler ve standart işlem prosedürleri (SOP'ler) gerçeği, yani insanların gerçekte ne yaptığını çok nadiren yakalar. Örneğin: "Bir şey ters gittiğinde önce şu e-tabloyu kontrol ederim" ve "Sarah'ya doğrudan e-posta atarım çünkü uyarılar 3 yıldır bozuk." Gerçek bir örnek: "SOP, faturaların sistemde satın alma siparişleriyle eşleştirildiğini söylüyor." Ancak gerçekte, satın alma siparişi hiç oluşturulmadığında sistemde eşleştirilirler, bu durumda Brittany geriye dönük bir tane için departman başkanına e-posta atar, meblağ 500 doların altındaysa bunu departmanın genel gider satırına kodlar ve daha sonra işaretler. Agent'ları yalnızca SOP'ye dayanarak inşa ederseniz, Brittany ile karşılaştıkları ilk anda bozulurlar ve bu da tesadüfen üretimin 1. gününe denk gelir. Bu nedenle insanlarla oturup onların çalışmasını izlemek inanılmaz derecede önemlidir. Bu, hizmetler (danışmanlık) ile yazılım (geliştirme) arasındaki köprüdür ve aynı zamanda başarılı bir agent dağıtımı ile hemen ölen bir karanlığa atılan taş arasındaki farktır.
2. Halihazırda kullandıkları araçların içinde inşa edin. Agent, NetSuite, SAP veya BlackLine'ı yeni bir işe alımın yapacağı gibi çalıştırır, oturum açar, aynı ekranları tıklar ve aynı API'lere erişir. Ekibinizden kimsenin yeni bir arayüz öğrenmesi gerekmez ve insanların fark ettiği tek şey, biriken işin azaldığı, istisnaların daha hızlı çözüldüğü ve ay sonu kapanışının kısaldığıdır.
3. Pano yerine iş yapan agent'lar inşa edin. "Finans için AI"nın çoğu, agent kılığına girmiş bir analitik aracıdır. Bu tuzağa düşmeyin. İzleme ve raporlama, onları yönlendiren agent eylemlerinin bir sonucu olarak gelir. Evet, gerçekten bir değişiklik yaratıp yaratmadığınızı görmek için inşaat öncesi KPI'ları ölçmek faydalıdır. Ancak çıktınız bir arka plan agent'ı yerine bir pano veya sohbet robotu ise, verimliliği masada bırakıyorsunuz demektir. Aylarınızı süslü raporlama yazılımının eşdeğerine adamayın.
4. Yalnızca gerçek muhakeme gerektiğinde ve önünde zamanla iyileşen bir güven eşiği olduğunda üst seviyeye taşıyın. Amaç, saf örüntü eşleştirme olan %70 ila %85'lik kısmı ekibinizin yükünden almak, böylece zamanlarını yalnızca yüksek kaldıraçlı, yüksek muhakeme gerektiren kararlara ayırmalarını sağlamaktır. Aynı anda, her agent eylemlerine (onaylama, düzenleme veya reddetme yoluyla) yanıt verdiklerinde, bu agent'ı eğitir ve doğruluğun sabit kalması veya daha da kötüsü gerilemesi yerine her hafta artmasına izin verir. AI mühendisliğinin kritik olduğu yer burasıdır; koşum takımınız (harness), gelişen bir sistem ile sönüp giden bir sistem arasındaki belirleyici fark olabilir.
5. İlk günden itibaren tüm departman için tasarım yapın. Bu, kurumsal düzeyde agent uygulamalarının açık ara en çok gözden kaçırılan yönüdür. Her operatörün bir vibe-kodlama aracı alıp sadece kendi köşesi için bir agent oluşturduğunu, ancak bunun kendi işinin ötesine geçemediğini hayal edin. Bu, büyük resmi gözden kaçırır. Çoğu zaman, darboğazları yukarı akışta (upstream) bulunur. Ancak yukarı akıştaki ekip, aşağı akıştakiyle (downstream) konuşmayan kendi agent'ını oluşturur. Çok hızlı bir şekilde, tümü kendi faaliyetlerine ayrılmış, iletişimsiz, kuruluş genelinde teknoloji borcu oluşturan düzinelerce agent'ınız olur. Bunun yerine, tüm organizasyonu haritalandırın, kimin kimin darboğazı olduğunu anlayın ve bunu aklınızda tutarak inşa edin.

Token harcamasının kontrolden çıkmasını ve agent halüsinasyonlarını önleyin

Token'lara milyonlar harcamamanın yolu: iyi bir AI agent'ı çoğunlukla AI değildir. Sevk ettiğimiz şey ~%85 düz kod ve ~%15 model çağrısıdır. Modeller yalnızca gerçek bir muhakeme ihtiyacı olduğunda kullanılır; örneğin dağınık bir faturadan bir değer okumak, bir istisnayı bilinen kovalarınızdan birine ayırmak veya bir insanın onaylaması için bir not yazmak gibi. Öte yandan, işin çoğunluğu karşılaştırmalar (matematik), aramalar (filtreleme), yönlendirme (eğer/ise/değilse ifadeleri) ve kaydetme (API çağrıları)dır. Bunu, neredeyse her eylemin bir LLM tarafından stokastik olarak belirlendiği Claude Cowork ile karşılaştırın. Bunun yerine, daha hızlı, daha ucuz, daha doğru agent'larımız var. LLM'ler sadece kilit açıcıydı (the unlock).

Hataları sıfıra yakın seviyeye getirmenin yolu: üç katman.

• Deterministik kod: tasarım gereği tutarlıdır, bu da onu denetlenebilir kılar.
• Değerlendirmeler (Evals): hem yanıtı hem de agent'ın izlediği yolu kontrol eden, manuel olarak oluşturulmuş ancak otomatik olarak güncellenen bir test paketi; bu, gitmemeleri gereken bir yere giden veya istediğimiz gibi davranışlarıyla tutarsız sonuçlar üreten agent'ları yakalamamızı sağlar.
• İnsan geri bildirimi: ekibinizin yaptığı her onay ve düzeltme sistemi eğitir ve bir iş akışındaki doğruluk birkaç ay içinde %90'ların üstüne çıkar. Düzeltmeler biriktikçe Genel Muhasebe kodlamasının yaklaşık %85'ten %97'ye ve üzerine çıktığını izliyoruz. Ve kara kutu yerine kod ve değerlendirmeler olduğu için, bir paydaş veya denetçi sorduğunda "agent bunu neden yaptı?" sorusuna her zaman yanıt verebilirsiniz. Yatay agent'lar bunu yapamaz.

Bu nasıl ölçülüyor?

Neyse ki, her iş akışı ve yazılım parçası boyunca kayıt sistemlerinizde (systems of record) yaşayan agent'larınız olduğunda, verileri en ayrıntılı ve gerçek zamanlı düzeyde takip etme yeteneğine sahip olursunuz. İstisnaların %80'inin agent'lar tarafından ele alındığı ve istisnaları uzlaştırma süresinin 4 günden 2 saate düştüğü çok açık hale gelir. Bazı gerçek sonuçlar:

• Kapanış 12 günden 5 güne düştü
• İstisna yönetimi ayda 130 saatten 20 saate düştü
• Fatura işleme, her biri ortalama 20 dakikadan 1 dakikanın altına düştü

Herhangi bir AI uygulaması için önemli olan yalnızca 3 değer yakalama kategorisi vardır. Zamandan/paradan tasarruf ediyor muyum? Geliri artırıyor muyum? Riski azaltıyor muyum? Ölçtüğünüz her şeyi bu 3 kategoriye ayırmak ve değer yakalama ve KPI amaçları için buna göre ölçmek yardımcı olur.

Nereden başlamalı?

Kuruluşunuzda süreç sahiplerini bulun ve onlarla başlayın. Mevcut süreçlerinin ne olduğunu derinlemesine anlayın (daha fazla bilgi için alt süreç sahipleri, analistler, bireysel katkıda bulunanlar vb. ile konuşmaya hazır olun). Şunların temeline inin:

• İşler bugün nasıl yürüyor, tabiri caizse iş akışı genomu nedir?
• Her görevdeki veri hacmi ve verimi (throughput) nedir?
• Hata oranları nedir ve bugün bir hatanın maliyeti nedir?
• İstisnalar nasıl ve hangi formatlarda ele alınıyor?

Buradan, öğrendiklerinizi alın ve aşağıdakileri haritalandırmaya başlayın:

• AI, her iş akışı için ne yapardı vs ne yapmazdı? AI sonrası bir dünya her süreç için nasıl görünürdü?
• 3 değer yakalama kategorisi arasında, her biri için ölçülebilir miktar nedir?
• Her bir inşaat ne kadar zaman ve çaba gerektirir? Her birinin riskleri nelerdir?

Değer yakalamayı yatırımla karşılaştırın ve artık önceliklendirme listeniz hazır.

Ancak özetle, bir platform satın almayın ve bir veri bilimi ekibi kurmayın. Tüm bu sürecin tam bir yıl sürmesine bile gerek yok. Bunun yerine, ekibinizle oturacak, gerçek iş akışını öğrenecek ve halihazırda çalıştırdığınız sistemlerin içinde bir agent inşa edecek, her adımda ölçüm yapacak insanlar bulmanız gerekiyor. Nihai durumu önce görmek isterseniz, sürecin beş dakikalık bir tanıtımını burada oluşturduk.

Varick Agents'ta yaptığımız şey tam olarak budur. Geliri 1 milyar dolardan başlayıp 50 milyar doların üzerinde ciro yapan Fortune 500 devlerine kadar şirketlerin finans, satış ve operasyon ekipleriyle çalıştık ve mevcut sistemlerinin içinde araçlarını çalıştıran agent'lar inşa ettik. Çeyrekte yalnızca bir avuç yeni taahhüt alıyoruz ve sonbahar grubunu şimdi planlıyoruz. Kapanışınız hala iki hafta sürüyorsa ve en iyi çalışanlarınız hala veri girişi yapıyorsa, bizi varickagents.com adresinde bulun.