2018 yılında Google, tamamen yeni bir iş unvanı oluşturdu: Cassie Kozyrkov, şirketin ilk Chief Decision Scientist i oldu — Chief Data Officer, VP of Analytics değil, sondern organizasyonun daha iyi kararlar almasına yardımcı olacak biri.
Neden? Çünkü Google, çoğu organizasyonun henüz anlamadığı şeyi keşfetti: veriye sahip olmak, veriyi iyi kullanmakla aynı şey değildir. Petabaytlarca bilgi, veri bilimcileri orduları ve dünya çapında ML altyapısı vardı. Ancak aynı kalıbı görmeye devam ettiler: kimsenin harekete geçmediği mükemmel analizler, kimsenin davranışını değiştirmeyen paneller, etki değil içgörü üreten AI modelleri.
"Karar Zekası, herhangi bir ölçekte, herhangi bir ortamda bilgiyi daha iyi eyleme dönüştürme disiplinidir."
Bu, eski fikirlerin yeni bir etiketi değildir. Karar Zekası, organizasyonların veri, analiz ve eylem arasındaki ilişkiyi düşünme şeklinde temel bir değişimi temsil eder. İşbirlikçi Karar Verme rehberimizi okuduysanız, bu denklemin insan tarafını gördünüz — Condorcet'ten Google Project Aristotle'ye 240 yıllık araştırma, uygun şekilde agregasyon yapılmış çeşitli perspektiflerin bireysel yargıdan daha iyi olduğunu kanıtladı.
Karar Zekası, bu temeli alır ve sorar: AI, neden-sonuç modellemesi ve sistematik geri bildirim döngüleri eklediğimizde ne olur?
3.1 Trilyon Dolarlık Problem: Eylem Olmadan İçgörü
Yöneticilerin alarm vermesi gereken bir sayı: organizasyonların %65'i hala kararları vermeye başlamadan önce veriyi seçerek kullanıyor, verinin gerçekten kararları sürdüremiyor (Gartner, 2024). İş Zekası panelleri var. Veri Bilimi ekipleri var. Ancak veri, davranışı değiştirmiyor.
Analitik-Eylem Arası Uçurum
- İş Zekası size söyler: "Satışlar Q3'te %12 düştü."
- Veri Bilimi size söyler: "Satışlar muhtemelen Q4'te %8 daha düşecek."
- Hiçbiri size söyler: Alınacak özel eylem, muhtemel sonuç ne olacak ve işe yarayıp yaramadığını nasıl bileceğiz.
McKinsey, bu analitik-eylem aralığına yıllık 3.1 trilyon dolarlık unrealized değer maliyeti olduğunu tahmin ediyor.
Bu, Karar Zekasının çözduğu problemdir. Daha fazla paneller veya daha fazla ML modelleri ekleyerek değil, sondern bilgiyi eyleme ve sonuç ölçümüne dönüştüren tüm akışı yeniden tasarlayarak.
Kısa Tarih: Karar Mühendisliğinden Karar Zekasına
Karar Zekasının kavramsal kökleri 1950'lere kadar uzanır — aynı dönem, yapay zeka, operasyonel araştırma ve Herbert Simon'un sınırlı rasyonellik üzerine Nobel Ödülü kazandığı dönem. Ancak modern disiplin, iki paralel izden ortaya çıktı:
Akademik İz
Dr. Lorien Pratt (Rutgers PhD, eski DARPA araştırmacısı) 2010 yılında "Karar Mühendisliği" terimini coin etti, 2012 yılında "Karar Zekası" olarak yeniden adlandırdı. Çalışması, makine öğrenimi, neden-sonuç mantığı ve kurumsal karar vermeyi birleştirdi.
"Karar Mühendisliği" terimi satmadı. Tüm materyallerimizi ve konumlandırmamızı değiştirdik.
Endüstri İz
Cassie Kozyrkov (Duke PhD, istatistikçi) Google'ın Karar Zekası fonksiyonunu 2018-2023 yılları arasında oluşturdu. Binlerce Googlu'yu DI yöntemlerinde eğitti, Araştırma/ML ve işletme arasında oturdu. Google buna "Karar Zekası Mühendisliği" diyor.
"Veri bilimi artı sosyal ve yönetim bilimleri."
Birleşme, her iki izde de aynı duvara çarpması nedeniyle gerçekleşti: teknik sofistike olmadan karar etkisi. Pratt'ın akademik çalışması nedenini gösterdi (eksik neden-sonuç mantığı); Kozyrkov'un endüstri çalışması, bunu nasıl düzelteceğini gösterdi.
İş Zekası vs Veri Bilimi vs Karar Zekası
DI'yi anlamak için en net yol, karşılaştırmadır. Üç disiplin nasıl farklıdır:
| Yön | İş Zekası | Veri Bilimi | Karar Zekası |
|---|---|---|---|
| Temel Soru | "Ne oldu?" | "Ne olacak?" | "Ne yapmalıyız?" |
| Analitik Türü | Beton | Öngörü | Öneri + Geri Bildirim |
| Çıktı | Raporlar, paneller | Modeller, tahminler | Kararlar + sonuçlar |
| Zaman Yönü | Geçmiş/geçerli | Gelecek | Tam döngü (geçmiş → eylem → gelecek → öğrenme) |
| İnsan Rolü | Raporları yorumla | Tahminleri yorumla | Sorumluluk sahibi ol, değerleri ve ticaretleri belirle |
Ana fikir: DI, İş Zekası veya Veri Bilimi yerine geçmez — onları tamamlar. İş Zekası, tarihi bağlam sağlar. Veri Bilimi, öngörüler sağlar. DI, karar mantığını, eylem önerilerini ve analitik-eylem aralığını kapatan geri bildirim döngüsünü ekler.
Karar Zekası Çerçevesi
Temelde, DI basit ancak güçlü bir modele dayanır:
Gözlem
Mevcut durum hakkında veri toplama
Model
Neden-sonuç ilişkilerini haritalama
Karar
Öngörülmüş sonuçla eylem seçme
Öğren
Sonucu ölçme, modeli güncelleme
Karar Zekası Döngüsü: Gözlem → Model → Karar → Öğren → (tekrarla)
Bu, askeri stratejiden OODA döngüsüne (Gözlem-Oryantasyon-Karar-Eylem) benzer gibi görünüyor. Ancak kritik bir fark var: Öğren adımı. OODA, gerçek zamanlı savaş kararları için tasarlandı ve sonuçları ölçmek için durulamaz. DI, organizasyonel kararlar için tasarlandı ve sonuçları sistemli olarak öğrenmek gerekir — ve öğrenmelidir.
Neden-Sonuç Karar Şemaları: Neden-Sonuç Haritasını Görmek
Karar Zekasının kalbi neden-sonuç mantığı — sadece neyin neyle ilişkili olduğunu değil, neyin neyi gerçekten neden olduğunu anlamak. Bu, aşağıdaki arasındaki farktır:
Korelasyon Tabanlı Analitik
"Ürün A alan müşteriler genellikle ürün B de alırlar."
Sorun: Ürün B'yi tanıttığımızda, ürün A satışları artar mı? Bilmiyoruz.
Neden-Sonuç Karar Şeması
"Ürün A fiyatı indirimi → ürün A satışları artışı → ürün B satışları artışı (tamamlayıcı kullanım)."
Eylem için uygun: Kolu (A fiyatı) ve mekanizmayı (tamamlayıcı etki) biliyoruz.
Neden-Sonuç Karar Şeması (CDD), bu neden-sonuç ilişkilerini görselleştirir. Aşağıdakileri gösterir:
- Hedefler: Ulaşılmaya çalışılan sonuçlar
- Manivela: Alınabilecek eylemler
- Ara Sonuçlar: Manivela ve hedef arasındaki etki zinciri
- Dış Faktörler: Kontrol edilemeyen ancak hesaba katılması gereken faktörler
"Karar verilecek karar etrafında bilgiyi organize etmek, karar etrafındaki verilere göre organize etmekten daha iyidir."
AI Nerede Uygulanır: Artırma, Değil Yer Değiştirme
Bu, Karar Zekasının hem "her şeyi otomatikleştirecek AI" hype'ından hem de "insanların her zaman karar vermesi gereken" gelenekselcilikten en keskin şekilde ayrıldığı yer. DI'nin pozisyonu: AI, insan karar alma süreçlerini güçlendirir; insanlar sorumluluğu korur.
DI'de AI'nin İyi Yaptığı Şeyler
Bilgi Sentezi
İnsanlar için imkansız veri hacimlerini işleme. 10.000 belgeyi ilgili içgörülere özetleme.
Desen Tespiti
İnsanların kaçırdığı yüksek boyutlu verilerdeki korelasyonları ve anormallikleri bulma.
Sonuç Simülasyonu
El ile analizden daha hızlı ve kapsamlı olarak 'ne olur' senaryolarını modelleme.
AI'nin Yapamadığı, İnsanların Yaptığı Şeyler
Değerler ve Etik
Kabul edilebilir ticaretleri belirleme. Rekabetçi paydaş çıkarlarını dengeleme.
Bağlam ve Yargı
Kurumsal bilgi, ilişki farkındalığı ve durumsal nüansı uygulama.
Sorumluluk
Kararı sahip olma. Düzenleyiciler ve paydaşlar tarafından gereken insan-çevrimiçi olma.
Netflix mükemmel bir örnek sunuyor. Their recommendation engine (AI) 300 milyon abonenin izleme kalıplarını işler. Tek bir bölüm çekilmeden önce House of Cards'in başarılı olacağını öngördü. Ancak insanlar — stüdyo yöneticileri — 100 milyon dolarlık prodüksiyona yeşil ışık yakma kararını verdiler. AI, kalıp tespit etme bilişsel yükünü ele aldı; insanlar hesap verebilirliği ele aldı.
Netflix'te izlenen içeriklerin %80'i öneri motorundan gelir. Ancak Netflix, "insanların, makinelerin değil, nihai karar vericiler olduğunu" iddia ediyor.
2025-2030 Benimsenme Dalgası
Karar Zekası, akademik teori’den kurumsal benimsenmeye çoğu disiplinden daha hızlı ilerledi:
Geçerli Durum (Gartner, 2025)
- 33% organizasyon DI'yi dağıttı
- 17% 6 ay içinde pilot için taahhütte bulundu
- 19% 6-12 ay içinde dağıtıma bakıyor
- 25% 12-24 ay içinde araştırıyor
- Sadece 7% ilgi olmadığını belirtti
Pazar Projeksiyonu
2025 Gartner AI Hype Cycle, Karar Zekasını transformasyonel teknoloji olarak tanır — şu anki benimsenmeyi %5-20 olarak yerleştirir ve ana akım olgunluğun 2-5 yıl içinde beklendiğini belirtir. DI yeteneği şu anda inşa eden organizasyonlar, bu yeteneğin masa başı olması beklenirken rafine süreçlere ve kurumsal uzmanlığa sahip olacak.
İnsani Karar Alma'dan Karar Zekasına
İnsani Karar Alma rehberimizi okuduysanız, DI'nin üzerine inşa ettiği temeli tanıyacaksınız:
İnsani Karar Alma'nın Kuruluşu
- Çeşitli perspektifler bireysel yargıdan daha iyi (Condorcet, 1785)
- Psikolojik güvenlik perspektif paylaşımını sağlar (Google Proje Aristotle)
- Diverjan-converjan evreleri grup keşfini yapılandırır
- Bilişsel yanlılıklar yapılandırılmış çerçevelerle azaltılabilir
DI'nin Ekledikleri
- AI artırımı: İnsan işleme için imkansız bilgi hacimlerini işleme
- Neden-sonuç modelleme: 'ne olur' analizi için neden-sonuç ilişkilerini haritalama
- Geri bildirim döngüleri: Karar sonuçlarının sistematik ölçümü
- Karar otomasyonu: Rutin kararları AI ile insan denetimi altında işleme
Bunu şöyle düşünün: İnsani Karar Alma, insan-merkezli temeldir; DI, bu temelin üzerine inşa edilen teknoloji-augmente sistemdir. İyi bir DI olmadan, insanı-merkezli karar prensiplerini oluşturamazsınız. Ancak DI'nin yeteneklerini ekleyerek İnsani Karar Alma'nın gücünü dramatik olarak genişletebilirsiniz.
Argumentree'nin Karar Zekasını Uygulaması
Argumentree, Karar Zekası prensiplerini gerçek kurumsal karar alma süreçlerine uygular. Kararlar, tek seferlik olaylar olarak değil, sürekli öğrenme sistemi olarak ele alınır:
Sonuç: Her karar, öğrenme fırsatı haline gelir. Ekipler, kurumsal hafıza oluşturur. Yeni üyeler, sadece ne kararlaştırıldığını değil, neden kararlaştırıldığını ve nedenlerin gerçekle karşılaştığını anlayabilir.
Tam Rehber
Bu yazı, Karar Zekası'nın temellerini kapsar. Tam ve derinlemesine bir inceleme için — tam çerçeve mimarisi, uygulama kalıpları, neden-sonuç şablonları ve mevcut BI/DS altyapısı ile entegrasyon dahil — kesin kaynağımıza bakın:
Karar Zekası Nedir?
Tam referans rehberi
5.000+ kelime, tam DI çerçevesi: kökenler, mimari, neden-sonuç modelleme teknikleri, AI entegrasyon kalıpları, kurumsal uygulama ve her şeyin arkasındaki araştırma.
Tam Rehberi Oku