Danışmanlık Raporu Hazırlama: AI Nerede Yardım Eder?

758 danışman. Harvard Business School araştırmacılarının BCG ile yürüttüğü saha deneyinin örneklemi bu. Sonuç iki yönlüydü. Yapay zekanın güçlü olduğu görevlerde danışmanlar yüzde 12,2 daha fazla iş çıkardı ve yüzde 25,1 daha hızlı çalıştı. Aynı deneyde, veriyle mülakat notlarını birlikte yorumlayıp doğru iş önerisine varmayı gerektiren görevlerde ise yapay zeka kullananların doğru cevaba ulaşma olasılığı yüzde 19 daha düşük çıktı.

İkinci rakam birincisinden daha önemli, çünkü bir danışmanlık raporunun çekirdeği tam olarak o ikinci görev tipidir. Araştırmacılar buna "tırtıklı sınır" diyor: hangi işin yapay zekanın güçlü tarafında hangisinin zayıf tarafında olduğu, işin zorluğuna bakarak anlaşılmıyor. Benzer zorluktaki iki işten biri hızlanıyor, diğeri bozuluyor.

Yani danışmanlık şirketi için doğru soru "yapay zeka kullanmalı mıyım" değil, "raporun hangi katmanında kullanmalıyım". Bu yazı o katmanları ayırıyor. Farklı sektörlerde bu ayrımın nasıl değiştiğini sektör bazlı yapay zeka haritamızda topluca ele almıştık.

Rapor üretiminin hangi bölümünde yapay zeka işe yarar?

Yapay zeka, biçim ve dil işlerinde güvenilir; yargı ve atıf işlerinde değil. Dağınık saha notunu yapılandırılmış bulgu maddelerine çevirmek, uzun bir mevzuat metnini özetlemek, yönetici özetinin ilk taslağını çıkarmak, aynı bulguyu üç farklı müşteri formatına uyarlamak: bunların hepsi güvenli bölgede.

Somutlaştıralım. Bir ISO denetiminden çıkan danışmanın telefonunda otuz kalem dağınık not vardır. "Depoda etiketleme karışık", "eğitim kayıtları 2024'te kesilmiş", "düzeltici faaliyet formu doldurulmamış". Bu notları standart bulgu formatına, yani tespit, kanıt ve öneri üçlüsüne dökmek saatler alır ve düşünsel katkısı düşüktür. Yapay zeka bu işi dakikalar içinde yapar ve genelde iyi yapar.

Bozulduğu yerler ise şunlar:

• Mevzuat ve standart maddesi atfı. Model, var olmayan bir madde numarasını son derece kendinden emin bir dille yazar. ISO, İSG ve mali danışmanlıkta bu ölümcüldür.
• Sayısal analiz ve tablo tutarlılığı. Metinde yazan yüzde ile tablodaki rakam sessizce ayrışır.
• Müşteriye özgü bağlam. Aynı standart iki fabrikada farklı uygulanır. Model genel doğruyu yazar, sahadaki istisnayı bilmez.
• Bulgu ile kanıt arasındaki bağ. Model, o denetimde hiç gözlenmemiş ama son derece makul görünen bir bulgu üretebilir. Raporu okuyan bunu ayırt edemez.

Bu ayrımı bir cümleye indirmek gerekirse: yapay zekaya raporun nasıl yazılacağını devredebilirsiniz, ne yazılacağını devredemezsiniz.

Uydurma kaynak sorunu ne kadar ciddi?

Bu sorunun bedeli ölçüldü. Ekim 2025'te Deloitte Avustralya'nın bir bakanlık için hazırladığı, sözleşme bedeli yaklaşık 440 bin Avustralya doları olan denetim raporunda var olmayan akademik kaynaklara atıflar ve bir federal mahkeme kararından uydurulmuş bir alıntı bulundu. Firma sözleşmenin son taksitini geri ödedi.

Vakanın en öğretici tarafı hatanın kim tarafından bulunduğu. Raporu okuyan bir akademisyen, kendisine ait olmayan yayınların kendi adına atıfla verildiğini fark etti. Yani hatayı ne danışmanlık firması ne de müşteri yakaladı; dışarıdan bir okuyucu yakaladı.

Sorun yapay zekanın rapor yazması değildi. Sorun, kimsenin kaynakları kontrol etmemesiydi.

Bir başka ayrıntı da önemli: düzeltilmiş sürümde kullanılan aracın kurumsal bir kurulum olduğu açıklandı. Yani "kurumsal sürüm aldık, halüsinasyon sorunu bitti" varsayımı yanlış. Kurumsal kurulum veri gizliliğini iyileştirir, doğruluğu garanti etmez. Modelin neden uydurduğuna ve bunu azaltmanın yollarına halüsinasyon yazımızda ayrıntılı girmiştik.

Pratik karşılığı basit bir kural: rapordaki her sayı, her madde numarası ve her dış atıf, yapay zeka üretmiş olsun ya da olmasın, imzayı atan kişi tarafından kaynağından doğrulanır. Bu adımı atlamak, kazandığınız zamanı itibar riskine çevirmektir.

Yapay zekanın uydurduğu bir kaynağı nasıl yakalarsınız?

Uydurma atıflar rastgele değildir, tanınabilir bir deseni vardır. Model gerçek yazar adlarını, gerçek dergi isimlerini ve gerçekçi tarihleri birleştirerek var olmayan bir kaynak kurar. Bu yüzden metne bakarak anlamak neredeyse imkânsızdır; yakalamanın tek yolu kaynağa gitmektir.

Denetimi hızlandıran birkaç işaret var:

• Fazla uygun kaynak. İddianızı tam olarak destekleyen, başlığı iddianızın neredeyse birebir tekrarı olan bir kaynak şüphelidir.
• Doğrulanamayan künye. Yazar adı ve yıl var ama doğrudan bir bağlantı yok. Model künye uydurmakta zorlanmaz, çalışan bağlantı uydurmakta zorlanır.
• Yuvarlak ve çarpıcı rakamlar. "Yüzde 30 tasarruf" gibi ifadeler hem gerçek çalışmalarda hem uydurmalarda geçer; ayrımı yalnızca kaynağın kendisi verir.
• Madde numarası uyuşmazlığı. Standart maddesi doğru numarada ama içerik farklı olabilir. Numarayı değil, maddenin metnini kontrol edin.

Bu kontrolü ölçeklemenin yolu, doğrulamayı raporun sonuna değil yazımın içine yerleştirmektir. Bulgu yazılırken kaynak bağlantısı da yanına düşülürse imza aşamasındaki iş bir tarama işine iner. Sona bırakılan doğrulama ise pratikte hiç yapılmaz.

Saha notundan rapora: akış pratikte nasıl kurulur?

İşe yarayan kurulumların ortak yanı, yapay zekayı sürecin geneline değil belirli bir basamağına yerleştirmiş olmalarıdır. Rapor üretimini basamaklara ayırdığınızda hangisinin devredilebileceği kendiliğinden görünür hâle gelir.

Bir iş güvenliği danışmanlık şirketi örneğinden gidelim. Basamaklar şöyle: sahada gözlem ve not alma, notların bulgu formatına dökülmesi, bulguların ilgili mevzuat maddeleriyle eşleştirilmesi, düzeltici faaliyet önerilerinin yazılması, raporun müşteri formatında derlenmesi.

İkinci ve beşinci basamaklar bütünüyle devredilebilir. Danışman sahada sesli not alır, bu notlar metne çevrilir ve şirketin kendi bulgu şablonuna göre yapılandırılır. Derleme aşamasında da müşterinin istediği biçim otomatik uygulanır. Bu iki basamak tipik bir raporda harcanan zamanın ciddi bir kısmıdır ve düşünsel katkısı en düşük olan kısmıdır.

Üçüncü basamak, yani mevzuat eşleştirmesi, yalnızca kontrollü kurulumda devredilebilir: model ezberinden değil şirketin kendi doğrulanmış mevzuat arşivinden alıntı yapmalı ve hangi belgeden aldığını göstermelidir. Dördüncü basamak, yani öneri yazımı, taslak düzeyinde devredilebilir ama müşteriyi tanıyan gözden geçmeden rapora girmemelidir. Birinci basamak ise devredilemez; sahada ne görüldüğü danışmanın kendi gözlemidir ve raporun bütün değeri oradan gelir.

Bu ayrım ekip içi rol dağılımını da değiştiriyor. Kıdemsiz danışmanın zamanının büyük bölümü eskiden ikinci ve beşinci basamağa giderdi. O iş kısalınca kıdemsiz danışman daha erken saha deneyimi kazanmaya başlıyor. Ama burada dikkat edilecek bir risk var: giriş seviyesi işleri otomatikleştirirken ekibin yetişme kanalını da kapatmamak gerekiyor.

Şablon ve RAG ne demek, küçük bir danışmanlık şirketi kurabilir mi?

Büyük danışmanlık firmalarının 2023'ten beri kurduğu iç asistanların ortak noktası, kullandıkları modelin gücü değil, bağlandıkları arşivin düzeni. McKinsey'in Lilli adlı iç aracı, firmanın on yıllara yayılan belge havuzu üzerinde çalışır ve cevaplarını kaynak göstererek verir. PwC, Deloitte, EY, Bain ve KPMG de aynı dönemde benzer kapalı asistanlar kurdu.

Bu yapıya kısaca RAG deniyor: model, cevabı hafızasından uydurmak yerine önce sizin belge havuzunuzdan ilgili parçaları bulur, sonra yalnızca o parçalara dayanarak yazar. Uydurma riski bu yüzden düşer, çünkü cevabın dayanağı gösterilebilir bir belgedir.

Küçük bir danışmanlık şirketi bunu kurabilir mi? Teknik olarak evet, ama sıra önemli. Bu sistemin değeri modelden değil arşivden gelir. Geçmiş raporlarınız isimsiz klasörlerde dağınık duruyorsa, aynı standardın üç farklı sürümü dolaşıyorsa, kurulacak asistan da o karışıklığı size düzgün cümlelerle geri okur.

Dolayısıyla doğru sıra şu: önce rapor şablonlarınızı standartlaştırın, sonra geçmiş raporları düzenli bir arşive taşıyın, en son yapay zeka katmanını ekleyin. Sahada gördüğümüz kadarıyla ilk iki adım tek başına danışman başına haftada birkaç saat kazandırıyor ve hiçbir lisans bedeli gerektirmiyor.

Müşteri belgelerini yapay zeka aracına yükleyebilir miyim?

Burada iki ayrı sınır var ve çoğu şirket yalnızca birini düşünüyor. Birincisi kişisel verilerin korunması mevzuatı, ikincisi sözleşmedeki gizlilik yükümlülüğü. İkincisi çoğu zaman daha bağlayıcıdır ve kişisel veri hiç içermeyen belgelerde bile ihlal doğurabilir.

Mevzuat tarafında durum net: 6698 sayılı Kanun teknolojiden bağımsızdır. Bir yapay zeka aracına girdiğiniz metin kişisel veri içeriyorsa bu bir veri işleme faaliyetidir ve ölçülülük ilkesi gereği gereksiz kişisel veriyi hiç göndermemeniz gerekir. Kurum, üretken yapay zeka kullanımına dair ayrı bir rehber de yayımladı; kendi süreçlerinizi kurarken güncel metni doğrudan Kurum'un sitesinden takip etmenizde fayda var.

Sözleşme tarafı ise şudur: müşterinizin mali tablosunu, çalışan listesini ya da denetim bulgusunu üçüncü bir hizmete yüklemek, tipik bir gizlilik maddesinde "bilginin üçüncü tarafa aktarımı" sayılır. Aracın verinizi eğitimde kullanmıyor olması bu maddeyi ortadan kaldırmaz.

Pratik çerçeve şöyle kurulabilir:

• Kurumsal veya API tabanlı bir kurulum kullanın; verinin eğitime kapalı olduğunu sözleşme metninden teyit edin.
• Rapora girmeden önce maskeleyin: kişi adları "Çalışan A", firma adı "Müşteri X" olsun. Analizin kalitesi bundan neredeyse hiç etkilenmez.
• Yasak koymak yerine yazılı bir kullanım kuralı yazın. Yasaklanan araç, ekibin kişisel hesabından kullanılmaya devam eder ve o kullanım denetlenemez.
• Gizlilik maddesi ağır olan müşterilerde konuyu baştan konuşun. Sonradan öğrenilen kullanım, baştan söylenen kullanımdan çok daha büyük sorun yaratır.

Sözleşme metinlerinin kendisini yapay zekaya okutma konusundaki sınırları ve pratik yöntemleri sözleşme analizi rehberimizde ayrıca ele almıştık.

Yapay zeka kullandığınızı müşteriye söylemeli misiniz?

Evet, ve bunu kendiniz söylemeniz sonradan fark edilmesinden karşılaştırılamayacak kadar iyidir. Deloitte vakasında firmanın kullandığı aracı açıklaması, hata ortaya çıktıktan sonra oldu. O noktadan sonra yapılan her açıklama savunma gibi okunur; baştan yapılan aynı açıklama ise yöntem şeffaflığı sayılır.

Bunu bir itiraf gibi kurmaya da gerek yok. Yöntem bölümüne eklenecek birkaç cümle yeterli: hangi aşamada yapay zeka desteği kullanıldığı, verilerin nasıl korunduğu ve doğrulamanın kim tarafından yapıldığı. Müşterinin asıl merak ettiği şey aracı kullanıp kullanmadığınız değil, çıktının kim tarafından kontrol edildiğidir.

Bazı kurumsal müşterilerin ve kamu alımlarının sözleşmelerinde bu konuda açık hükümler görülmeye başladı. Sözleşme imzalarken bu maddeyi aramak, iş bittikten sonra tartışmaktan daha ucuza gelir.

Rapor hızlandıysa danışmanlık ücretimi düşürmem gerekir mi?

Bu sorunun cevabı fiyatlama modelinize bağlı ve sektörün şu an tartıştığı asıl konu bu. Ücretinizi harcanan adam-güne göre kesiyorsanız, işi hızlandırmak doğrudan gelirinizi düşürür. Teslim ettiğiniz değere göre kesiyorsanız hız marj olarak size kalır.

Büyük firmalar bu kaymayı zaten yaşıyor. Sektör basınına göre McKinsey gelirinin kayda değer bir bölümünü sonuç bazlı fiyatlamaya kaydırdı ve saatlik faturalamanın danışmanlıktaki geleceği açıkça tartışılıyor. Bu haberler firma açıklamalarından çok sektör basınına dayanıyor, dolayısıyla kesin oranlara değil yöne bakmak daha doğru.

Küçük ve orta ölçekli bir danışmanlık şirketi için üç çıkış yolu var:

• Kapasiteyi büyütmek: aynı ekiple daha çok müşteriye hizmet vermek. En kolay yol, ama pazarınız doymuşsa işe yaramaz.
• Sabit fiyatlı paket teslim: "şu kapsamda rapor, şu bedele". Hız kazancı doğrudan size kalır.
• Teslim kalemini genişletmek: raporu bitirdiğiniz yerde durmayıp uygulama takibi, periyodik izleme veya eğitim eklemek. Kazandığınız zamanı yeni bir hizmete çevirmek.

Kötü yol, hız kazancını doğrudan indirime çevirip aynı kâr için daha çok iş kovalamaktır. Bu, yapay zekanın verimlilik kazancını size değil müşterinize aktarır ve rekabeti fiyat üzerinden bir yarışa çevirir.

Peki siz ne yapmalısınız?

• Rapor sürecinizi katmanlara ayırın. Hangi bölüm biçim işi, hangisi yargı işi? Yalnızca birinciyi devredin.
• Doğrulama adımını yazılı kurala bağlayın. Her sayı, her madde numarası, her dış atıf imza öncesi kaynağından kontrol edilir. Bunu kontrol listesine koyun.
• Önce arşivinizi düzeltin. Şablon standardı ve düzenli belge havuzu olmadan kurulan yapay zeka katmanı, mevcut karışıklığı hızlandırmaktan başka bir şey yapmaz.
• Kurumsal kurulumla çalışın ve maskeleyin. İkisi birbirinin alternatifi değil, birlikte kullanılır.
• Fiyatlama modelinizi şimdi gözden geçirin. Adam-gün üzerinden fiyatlıyorsanız verimlilik kazancı size değil müşterinize gidiyor demektir.
• Müşteriye şeffaf olun. Yapay zeka kullandığınızı baştan söylemek, sonradan fark edilmesinden karşılaştırılamayacak kadar iyidir.

Danışmanlığın sattığı şey rapor değil, o raporun arkasındaki yargı. Yapay zeka yargının etrafındaki işleri, yani derlemeyi, biçimlendirmeyi ve yazmayı ciddi biçimde ucuzlatıyor. Yargının kendisini ucuzlatmıyor. Bu ayrımı süreçlerine net biçimde yazan danışmanlık şirketleri hem daha hızlı çalışacak hem de imzalarının değerini koruyacak. Kendi rapor akışınızda bu çizginin nereye düştüğünü bir örnek rapor üzerinden çıkarmak, çoğu zaman en açıklayıcı başlangıç oluyor.