Bankalar yapay zeka ajanlarını müşteri hizmetlerinden fraud ve AML süreçlerine, yazılım geliştirmeden operasyon otomasyonuna kadar pek çok alana entegre ederken yeni bir maliyet gerçeğiyle karşılaşıyor. Sistemlerin kullanım hacmi arttıkça model harcamaları, denetim adımları ve insan gözetimi maliyetleri de büyüyor.
Reuters’ın aktardığı McKinsey Global Banking Annual Review değerlendirmesine göre bazı bankalarda AI ajanlarına harcanan token bütçeleri toplam iş gücü maliyetinin yüzde 20’sine kadar çıkabilir. Bu tablo, bazı bankaların AI FinOps ekipleri kurmasına ve kullanım senaryolarını yatırım geri dönüşü açısından daha sıkı değerlendirmesine yol açıyor.
Agentic AI’ın ilk döneminde temel başarı ölçütü sistemlerin ne kadar güçlü çalıştığıydı. Şimdi ise aynı ölçüde önemli başka bir soru öne çıkıyor. AI ajanları gerçekten operasyonel yükü azaltıyor mu, yoksa bankanın teknoloji bütçesine yeni maliyet katmanları mı ekliyor?
AI ajanları artık ayrı bir maliyet kalemi
Zincirleme görev yürüten bir AI ajanı farklı veri tabanlarına bağlanabiliyor, harici araçlar kullanabiliyor, başka modellerle iletişim kurabiliyor ve uzun görev süreçlerinde yüksek miktarda token tüketebiliyor.
Bu nedenle toplam maliyet yalnız model kullanım bedelinden oluşmuyor. Veri erişimi, entegrasyon, güvenlik, denetim ve insan gözetimi de agentic AI’ın toplam sahip olma maliyetinin bir parçasına dönüşüyor.
Ölçek büyüdükçe küçük görünen kullanım maliyetleri de önemli bütçelere ulaşabiliyor. Özellikle milyonlarca müşteri etkileşimi veya yüksek hacimli operasyonel süreçlerde birim başına oluşan küçük giderler toplamda ciddi maliyet yaratabiliyor.
Bu nedenle bankaların artık yalnız kaç AI ajanı kullandığını değil, her kullanım senaryosunun ne kadar ekonomik değer yarattığını da ölçmesi gerekiyor.
İnsan gözetimi maliyetin önemli bir parçası
McKinsey’in agentic workflow ekonomisine ilişkin çalışmalarında insan gözetiminin toplam maliyet içindeki ağırlığı özellikle dikkat çekiyor.
Bazı bankacılık kullanım senaryolarında model ve token maliyetleri değişken çalışma maliyetinin daha sınırlı bir bölümünü oluştururken insan gözetimi çok daha yüksek pay alabiliyor.
Bu durum özellikle ödeme, kredi, fraud ve AML gibi yüksek riskli süreçlerde önemli.
AI ajanı işlemi hızlandırsa veya analistin önüne daha iyi hazırlanmış bir dosya getirse bile, kararın insan tarafından yeniden değerlendirilmesi gerekiyorsa beklenen maliyet avantajı sınırlı kalabilir.
Bu nedenle agentic AI’ın ekonomik başarısı yalnız otomasyon oranıyla ölçülemiyor. İnsan müdahalesinin hangi noktada gerektiği ve bu kontrolün sürece ne kadar maliyet eklediği de aynı hesaplamaya dahil ediliyor.
Müşteriler otonom işlem yetkisini 500 dolarla sınırlıyor
Reuters’ın aktardığı, dünya genelinde 46 bin bireysel bankacılık müşterisini kapsayan McKinsey araştırması müşteri tarafında da önemli bir sınır olduğunu gösteriyor.
AI kullanan katılımcıların yüzde 72’si bir bankacılık ajanının kendi adına en az bir finansal işlem gerçekleştirmesine açık olduğunu belirtiyor.
Ancak katılımcılar otonom işlem yetkisini yaklaşık 500 dolarla sınırlandırma eğilimi gösteriyor.
Bu veri, müşterilerin düşük tutarlı ve rutin işlemleri AI ajanlarına bırakmaya daha açık olduğunu, işlem büyüdükçe insan kontrolü beklentisinin arttığını gösteriyor.
Bu durum bankaların maliyet hesabını da doğrudan etkiliyor. Müşterinin yüksek tutarlı işlemlerde insan doğrulamasını tercih etmesi, tamamen otonom bankacılık modelinin getireceği tasarrufu sınırlayabilir.
Kullanım alanına göre insan gözetimi değişiyor
Agentic AI sistemlerinde insan gözetimi ihtiyacı kullanım senaryosuna göre önemli ölçüde farklılaşabiliyor.
| Kullanım alanı | İnsan gözetimi ihtiyacı | Olası maliyet etkisi |
|---|---|---|
| Basit müşteri talepleri ve SSS | Görece düşük olabilir | Otomasyon potansiyeli daha yüksek |
| Kredi ve limit süreçleri | Kullanım senaryosuna göre yüksek olabilir | Model maliyeti ile insan kontrolü birlikte değerlendirilir |
| Fraud ve AML incelemeleri | Genellikle daha yüksek gözetim gerektirir | Süreç hızlanabilir ancak insan ve teknoloji maliyetleri birlikte devam edebilir |
Not: Bu tablo McKinsey’in agentic AI ekonomisine ilişkin değerlendirmelerinden hareketle hazırlanmış editoryal bir çerçevedir. Düzenleyici zorunluluk veya sabit maliyet oranı tablosu değildir.
AI FinOps bankaların yeni kontrol alanı oluyor
Bankaların bu maliyet yapısını yönetmek için başvurduğu yöntemlerden biri AI FinOps.
FinOps yaklaşımı daha önce ağırlıklı olarak bulut harcamalarını yönetmek için kullanılıyordu. Şimdi benzer disiplin AI modelleri ve agentic sistemlere uygulanmaya başlıyor.
Amaç, hangi ekip veya kullanım senaryosunun ne kadar model tükettiğini görmek, görev başına maliyeti hesaplamak ve yüksek harcama yapan sistemlerin gerçekten ölçülebilir iş sonucu üretip üretmediğini anlamak.
Bu yaklaşım teknoloji ve finans ekiplerini aynı noktada buluşturuyor.
Teknoloji yöneticileri model performansını, hızını ve doğruluğunu izlerken CFO ve iş birimleri aynı sistemin bütçe üzerindeki etkisini ve yatırım geri dönüşünü görmek istiyor.
Agentic AI ölçeklendikçe bu iki ölçüm birbirinden ayrı değerlendirilemez hale geliyor.
Türkiye’de bankalar için neden önemli?
Türkiye, dijital bankacılık ve anlık ödeme kullanımının yüksek olduğu pazarlardan biri. Bu yapı AI ajanlarının çok sayıda müşteri etkileşimine ve operasyonel sürece uygulanması için güçlü bir zemin oluşturuyor.
Bununla birlikte bankacılık sektöründeki veri güvenliği, müşteri sırrı ve mevzuata uyum gereklilikleri, harici yapay zeka servislerinin nasıl kullanılacağını belirleyen temel unsurlar arasında yer alıyor.
Bankalar kullanım senaryosuna göre yerel veri merkezi, özel bulut, kurum içi altyapı veya hibrit modeller gibi farklı teknik seçenekleri değerlendirebilir. Bu tercihler donanım, lisanslama, entegrasyon ve operasyon maliyetlerini doğrudan etkileyebilir.
Dolayısıyla Türkiye’de AI ajanlarının ekonomik karşılığı yalnız token fiyatıyla ölçülemez.
Model kullanım bedeli, altyapı, veri güvenliği, entegrasyon ve insan gözetimi birlikte değerlendirildiğinde gerçek toplam maliyet ortaya çıkıyor.
Günde milyonlarca işlemin gerçekleştiği bir bankacılık ekosisteminde işlem başına küçük görünen giderler de toplamda belirgin bütçelere ulaşabilir.
Bu nedenle yerli bankalar açısından agentic AI’ın bir sonraki aşaması, kullanım sayısını artırmaktan çok hangi kullanım senaryosunun gerçekten ekonomik değer ürettiğini doğru ölçmek olabilir.
Akıllı model seçimi bütçe baskısını azaltabilir
McKinsey değerlendirmelerinde öne çıkan bir diğer konu görev bazlı model seçimi.
Her iş sürecini en kapsamlı ve en yüksek maliyetli modellerle yürütmek ekonomik açıdan verimli olmayabilir.
Basit ve tekrarlayan işlemler daha küçük veya amaca özel modellerle yürütülürken karmaşık muhakeme gerektiren görevler daha gelişmiş modellere yönlendirilebilir.
Bu yaklaşım model routing sistemlerinin önemini artırıyor.
Görevin karmaşıklığına, güvenlik ihtiyacına ve beklenen çıktı kalitesine göre en uygun modelin otomatik seçilmesi, bankaların token maliyetlerini kontrol altında tutmasına yardımcı olabilir.
Bu nedenle bankaların AI rekabetinde avantajı yalnız daha güçlü modeller kullanmaktan gelmeyebilir. Doğru işi doğru model ve doğru maliyetle çalıştırabilmek daha önemli hale gelebilir.
AI projelerinde KPI seti değişiyor
Agentic AI yatırımlarında performans göstergeleri de dönüşüyor.
Model doğruluğu, cevap kalitesi ve işlem hızı önemini koruyor ancak bunlara maliyet ölçümleri ekleniyor.
Görev başına token tüketimi, insan müdahalesi oranı, işlem başına toplam maliyet, sağlanan zaman tasarrufu ve gelir katkısı gibi göstergeler daha kritik hale geliyor.
Bu değişim AI projelerini teknoloji ekiplerinin sınırlarının dışına çıkarıyor.
Agentic AI artık yalnız teknoloji yatırımı olarak ele alınmıyor. Operasyon, finans ve risk ekiplerinin birlikte yönettiği bir maliyet ve verimlilik alanına dönüşüyor.
Agentic banking’in bir sonraki büyük sınavı teknoloji kapasitesinden çok ekonomi olacak.
Bankalar AI ajanlarının hangi işlemleri yapabildiğini giderek daha iyi görüyor. Şimdi asıl soru, bu yeteneklerin kurumsal ölçekte ne kadara mal olduğu ve gerçekten hangi kullanım alanlarında ölçülebilir değer yarattığı.
Türkiye bankacılık sektörü açısından da bu soru giderek daha önemli hale gelecek.
Yüksek dijital kullanım ve yoğun işlem hacmi, AI ajanlarının hızlı ölçeklenmesini mümkün kılıyor. Ancak aynı ölçek maliyet tarafında da etkisini gösteriyor. Küçük görünen model ve işlem giderleri milyonlarca etkileşim üzerinden ciddi bütçelere dönüşebilir.
Bu nedenle önümüzdeki dönemde “kaç AI ajanı devreye aldınız?” sorusu tek başına yeterli olmayacak.
Daha önemli soru, bu ajanların mevcut süreci daha düşük toplam maliyetle yürütüp yürütemediği olacak.
Token tüketimi, insan gözetimi, entegrasyon ve güvenlik birlikte değerlendirildiğinde her AI kullanım senaryosunun aynı ekonomik sonucu üretmeyeceği açık.
Bankalar açısından avantaj, en fazla ajanı kullanan yapıya değil, hangi ajanı hangi süreçte ve hangi maliyetle çalıştıracağını doğru belirleyen yapıya geçebilir.
Agentic AI pilot teknolojiden bütçe kalemine dönüşüyor. AI FinOps, akıllı model yönlendirme ve kullanım bazlı yatırım geri dönüşü ölçümü de bu nedenle bankacılığın yeni yönetim alanlarından biri haline geliyor.
