Ajan ve MCP rehberleri · 2026-07-28

Kamu yapay zeka projesi nasıl başlatılır? Pilottan yaygınlaştırmaya adım adım plan

Kamu yapay zeka projesi başlatırken kapsam, veri, model, insan onayı, ölçüm ve bütçe nasıl kurgulanır? Belediye ve bakanlık ölçeğinde uygulanabilir, ölçülebilir bir pilot planı.

Kapsamı daraltmak en önemli karar

Kamu yapay zeka projesi başarısızlıklarının büyük kısmı teknik nedenlerden değil, kapsamın geniş tutulmasından kaynaklanır. Kurumun tüm hizmetlerini kapsayan bir asistan hedefi, ölçülemeyen ve sorumluluğu belirsiz bir çıktı üretir.

Doğru başlangıç, tek bir soru kümesidir. Örneğin bir belediyede tüm belediye hizmetleri değil, yalnızca su kesintisi ve arıza bildirimi; bir bakanlıkta tüm mevzuat değil, yalnızca belirli bir yönetmeliğin uygulama soruları. Bu daralma cevap kalitesini yükseltir ve hata payını ölçülebilir kılar.

Kapsam yazılırken modelin cevaplamaması gereken durumlar da açıkça tanımlanmalıdır. Hukuki yorum gerektiren, kişiye özel dosya bilgisi isteyen ve acil durum bildiren sorular insana devredilmelidir.

Tek bir hizmet ve tek bir kullanıcı kitlesi seçin.
Beklenen soru sayısını ve mevcut cevap kaynağını yazın.
Modelin cevaplamayacağı soru tiplerini listeleyin.
Başarı ölçütünü tek bir sayıya bağlayın.

İçerik hazırlığı modelden daha belirleyici

Kamu asistanlarında cevap kalitesini belirleyen ana faktör model değil, modele verilen kaynaktır. Kurum içinde dağınık duran ve farklı tarihlerde güncellenmiş metinler doğrudan bağlandığında model çelişkili cevaplar üretir.

Bu yüzden pilot öncesinde onaylı kaynak seti oluşturulmalıdır. Her belge için sürüm, yürürlük tarihi ve içerik sahibi tanımlanır. Yürürlükten kalkan içerik setten çıkarılır. Bu çalışma çoğu kurumda projenin en uzun kalemidir ve genellikle küçümsenir.

Cevaplarda kaynak gösterimi zorunlu tutulmalıdır. Vatandaş cevabın hangi belgeye dayandığını görebiliyorsa, yanlış cevaplar hem daha erken tespit edilir hem de kurum açısından savunulabilir olur.

İnsan onayı ve hata bildirimi

Kamu hizmetinde modelin ürettiği metin idari işlem değildir. Bu ayrımı mimariye yansıtmanın yolu, çıktı sınıflarını ayırmaktır: doğrudan gösterilebilecek bilgilendirme, personel onayından geçmesi gereken taslak ve hiç üretilmemesi gereken karar metni.

Hata bildirimi mekanizması ilk sürümde bulunmalıdır. Vatandaşın veya personelin yanlış cevabı tek tıkla işaretleyebilmesi, pilot dönemin en değerli verisini üretir. Bu bildirimlerin haftalık gözden geçirilmesi ve kaynak setine yansıtılması süreç olarak tanımlanmalıdır.

Kesinti ve hata durumunda kullanıcıya ne gösterileceği de önceden yazılmalıdır. Model yanıt veremediğinde boş ekran yerine mevcut kanala yönlendirme yapılmalıdır.

Ölçüm: pilotun devam edip etmeyeceğine ne karar verir

Pilot kararı öznel değerlendirmeyle verilmemelidir. Başlangıçta hangi metriklerin toplanacağı ve hangi eşiğin geçilmesi gerektiği yazılmalıdır. Aşağıdaki beş metrik kamu senaryolarının çoğunda yeterlidir.

Metrikleri toplamak için ek bir analitik altyapısına gerek yoktur. Kullanım raporu üzerinden token ve maliyet, uygulama tarafındaki denetim kaydı üzerinden hacim ve devir oranı izlenebilir. Doğruluk ölçümü ise kurum içi değerlendirme setiyle manuel yapılır.

Doğruluk: kurum içi değerlendirme setinde doğru cevap oranı.
Kaynak kullanımı: cevapların kaç yüzdesinde geçerli kaynak gösterildi.
İnsana devir oranı: kaç soru personele aktarıldı, bu oran zamanla düşüyor mu.
Gecikme: ortalama ve en kötü yüzde 95 yanıt süresi.
Maliyet: soru başına ortalama token ve tutar.

Bütçe ve tedarik tarafında ne yazılmalı

Token bazlı tüketim klasik bir lisans kalemi değildir. Tedarik dokümanında birim fiyat, beklenen hacim ve aylık tavan ayrı ayrı gösterilmelidir. Böylece hem karşılaştırma yapılabilir hem de bütçe aşımı önlenebilir.

LLMTR tarafında model birim fiyatları katalogda göründüğü gibi uygulanır; platform marjı yalnızca kredi yüklemesi sırasında hesaplanır. Bu ayrımın dokümanda net yazılması, birim maliyet karşılaştırmasını sadeleştirir.

Pilot bütçesini yaygınlaştırma bütçesiyle karıştırmayın. Pilotta hacim düşük, değerlendirme yükü yüksektir; yaygınlaştırmada tam tersi olur. İki dönem için ayrı tavan tanımlamak gerçekçi bir planlama üretir.

Yaygınlaştırma kararı ve sonraki adım

Pilot süresi sonunda karar üç seçenekten biri olmalıdır: kapsamı genişletmek, aynı kapsamda iyileştirmeye devam etmek veya durdurmak. Üçüncü seçeneğin masada olması, projenin ölçüme dayalı yürüdüğünün göstergesidir.

Kapsam genişletilecekse yeni hizmet için aynı hazırlık döngüsü tekrarlanır: kaynak seti, değerlendirme seti, insan onayı sınıfları ve bütçe tavanı. Aynı teknik yüzey korunduğu için entegrasyon işi bu kez çok daha kısadır.

Teknik yüzeyi sabit tutmak bu noktada karşılığını verir. LLMTR üzerinde model kataloğu, API anahtarı yönetimi ve kullanım raporu aynı kalır; yeni hizmet için değişen tek şey içerik seti ve seçilen model olur.

LLMTR hangi kurum tipleri için uygun

Pilottan yaygınlaştırmaya geçerken teknik tarafın değişmemesi, kararı bütçe ve kapsam sorusuna indirger. LLMTR'de pilot ile yaygınlaştırma arasındaki fark anahtar, tavan ve model seçimi düzeyindedir; uygulama entegrasyonu aynı kalır.

Pilot aşamasında seçilen teknik yüzey yaygınlaştırmada da korunur. Yeni bir birim veya hizmet eklendiğinde değişen şey içerik seti, model kimliği ve API anahtarı olur; entegrasyonun kendisi yeniden yazılmaz. Bu, ikinci ve üçüncü hizmetin devreye alma süresini belirgin biçimde kısaltır.

Pilot için ayrı bir API anahtarı ve aylık tavan tanımlanır; harcama önceden sınırlanır.
Kullanım raporu birim bazında alınır, yaygınlaştırma bütçesi ölçülen veriyle hesaplanır.
Pilotta küçük bir model yeterliyse yaygınlaştırmada model kimliği değiştirilerek ölçek büyütülür.
Durdurma kararı da bir sonuçtur; anahtar iptal edildiğinde harcama durur.
Model fiyatları değiştirilmez; %8 platform marjı yalnızca kredi yüklemesinde uygulanır.

Kamu yapay zeka pilotu başlatma adımları

Bir kamu kurumunda yapay zeka pilotunu fikirden ölçülebilir bir yaygınlaştırma kararına taşıyan altı adım.

Kapsamı daralt. Tek bir hizmet, tek bir kullanıcı kitlesi ve modelin cevaplamayacağı soru tiplerini yazılı olarak tanımla.
Onaylı kaynak setini kur. Kullanılacak her belgeye sürüm, yürürlük tarihi ve içerik sahibi ata; yürürlükten kalkanları setten çıkar.
Değerlendirme setini hazırla. Gerçek sorulardan en az elli örnek ve beklenen cevap oluştur; model adaylarını aynı set üzerinde ölç.
İnsan onayı sınıflarını tanımla. Doğrudan gösterilecek, personel onayından geçecek ve hiç üretilmeyecek çıktı tiplerini ayır.
Pilotu ölçerek çalıştır. Doğruluk, kaynak kullanımı, insana devir oranı, gecikme ve soru başına maliyeti haftalık olarak takip et.
Yaygınlaştırma kararını ver. Eşikleri karşılaştır; kapsamı genişletme, aynı kapsamda iyileştirme veya durdurma kararını gerekçesiyle kaydet.

Sık sorulan sorular

Kamu yapay zeka projesi için pilot süresi ne kadar olmalı?

Ölçüm yapılabilecek kadar veri toplanması gerekir. Çoğu senaryoda dört ile sekiz hafta arası bir pilot yeterlidir; belirleyici olan takvim değil, değerlendirme setinde anlamlı bir doğruluk ölçümü yapılabilmesi ve haftalık hata bildirimlerinin işlenebilmesidir.

Kurumun kendi verisiyle model eğitmesi gerekir mi?

Genellikle gerekmez. Kurum içi bilgiyle doğru cevap üretmenin yaygın yolu, onaylı dokümanları RAG mimarisiyle bağlamaktır. Bu yaklaşım içerik güncellendiğinde yeniden eğitim maliyeti doğurmaz ve kaynak gösterimini mümkün kılar.

Pilotu durdurmak başarısızlık mı sayılır?

Hayır. Ölçüm sonucunda doğruluk veya maliyet eşiğinin tutmadığı görülüyorsa durdurma kararı, projeyi ölçüsüz büyütmekten daha iyi bir sonuçtur. Toplanan değerlendirme seti ve kaynak seti sonraki denemede yeniden kullanılabilir.

Belediye ölçeğinde başlamak için ne gerekiyor?

Tek bir hizmet, o hizmete ait güncel ve onaylı içerik seti, insan devri tanımı ve bir bütçe tavanı yeterlidir. Yayımlanmış belediye örneklerinin çoğu çağrı merkezi ve vatandaş bilgilendirme gibi kapalı kapsamlı senaryolarla başladı.

Kamu, hukuk ve finans kurumları için hangi yapay zeka altyapısı uygundur?

Üçünde de ortak gereksinim aynıdır: verinin nerede işlendiğinin bilinmesi, prompt içeriğinin saklanmaması, birim bazlı yetkilendirme ve öngörülebilir maliyet. LLMTR bu gereksinimleri tek bir OpenAI uyumlu gateway üzerinde karşılar; Türkiye'de barındırılan ve global modeller aynı katalogda yer alır, prompt ve yanıt içerikleri veritabanına yazılmaz ve model birim fiyatları değiştirilmez.

Pilot sonrası aynı altyapıyla başka birimlere geçilebilir mi?

Evet. Her birim için ayrı API anahtarı, ayrı hız sınırı, ayrı aylık tavan ve ayrı kullanım raporu tanımlanabilir. Teknik yüzey sabit kaldığı için yeni birimde yalnızca onaylı içerik seti ve model seçimi kurgulanır; bütçe dağılımı da anahtar bazında ölçülür.