Fatura, Fiş, Sözleşme: Belge İşlemeyi Yapay Zekaya Devretmek

Mali müşavirler için fatura okuma ve KURGAN'a hazırlık konusunu ayrı bir yazıda ele almıştık: Muhasebeciler için Yapay Zeka. Bu yazı farklı bir yerden başlıyor: tek bir meslek grubuna değil, herhangi bir işletmenin operasyon, satın alma veya İK departmanının karşılaştığı fatura, fiş, sözleşme ve irsaliye yığınına, ve bu belgelerin arkasındaki teknik mimariye (OCR ile LLM'in nasıl farklı roller oynadığına) odaklanıyor. Otomasyon serimizin ikinci yazısı bu.

OCR ile LLM aslında farklı işler yapıyor

OCR (karakter tanıma), belirlenimci bir süreçtir: önce belgeyi metin bloğu, tablo ve görsel bölgelerine ayırır, sonra her bölgedeki karakterleri tanır. Basitçe: OCR gözdür, "bu görüntüde hangi karakterler var" sorusuna cevap verir ama "bu sayı KDV mi yoksa toplam mı" sorusuna cevap veremez. İyi taranmış, net belgelerde OCR tek başına yüzde 99'a yakın doğruluğa ulaşabiliyor.

LLM ise bağlamsal anlama katmanı, beyin gibi çalışır: belgeyi parça parça değil bütün olarak okur, metnin neresinin fatura numarası, neresinin tedarikçi adı, neresinin vade tarihi olduğunu semantik olarak çıkarır. Şablon farkı, düzensiz yerleşim veya düşük kaliteli tarama gibi durumlarda OCR'dan daha esnektir. 2026'da yaygın pratik, ikisini birlikte kullanmak: OCR başlık bilgilerini (fatura no, tarih, toplam) çıkarırken LLM satır kalemlerini ayrıştırıyor. Yeni nesil "görsel dil modeli" (VLM) yaklaşımları ise görseli doğrudan işleyip ikisini tek boru hattında birleştiriyor.

Somut bir örnek üzerinden gidelim: bir tedarikçi faturası düşünün, üstte firma logosu, ortada bir tablo (ürün, adet, birim fiyat, toplam), altta KDV ve genel toplam var. OCR bu görüntüdeki her karakteri doğru okuyabilir ama hangi sayının "birim fiyat", hangisinin "toplam" olduğunu bilmez; sadece karakterleri sırayla döker. LLM devreye girdiğinde tabloyu bir insan gibi "okur": sütun başlıklarına bakar, hangi rakamın hangi sütuna ait olduğunu çıkarır ve bunu "ürün adı: X, birim fiyat: Y, toplam: Z" gibi yapılandırılmış bir veriye dönüştürür. İki adımı ayrı ayrı düşünmek, bir aracı değerlendirirken "bu araç sadece OCR mi yapıyor, yoksa yapılandırma da mı yapıyor" sorusunu sormanızı kolaylaştırıyor.

Hangi araç ne işe yarıyor?

Sektöre özel olmayan, genel amaçlı belge işleme araçlarından birkaçı: Klippa fatura/fiş/genel belge OCR'ı KOBİ'lere uygun bir arayüzle sunuyor, sayfa başına birkaç sentten başlıyor. Rossum "şablonsuz" belge yakalama sunuyor, kurumsal odaklı, aylık yaklaşık 300 dolardan başlıyor. Docsumo fatura/ekstre gibi finansal belgeler için esnek AI modelleri sunuyor, aylık yaklaşık 299 dolardan başlıyor. Nanonets kutudan çıkma yüzde 93-96, özel eğitimle yüzde 98'in üzerinde doğruluk iddia ediyor, aylık yaklaşık 499 dolardan başlıyor. Lido bütçe dostu bir seçenek, 50 sayfa ücretsiz, aylık yaklaşık 29 dolardan başlıyor. ABBYY/Kofax gibi kurumsal araçlar yüksek hacim için özel fiyatlandırmayla (aylık binlerce dolar) geliyor. Bu rakamlar uluslararası örnekler; Türkiye'ye özel TL fiyatlandırma yayınlayan bir kaynak bulamadık, güncel teklifi sağlayıcıdan isteyin.

Araç seçerken fiyattan önce sorulacak asıl soru şu: bu araç sadece OCR mi sunuyor, yoksa yapılandırma ve sınıflandırmayı da mı içeriyor? Bazı ucuz "OCR" araçları gerçekte sadece metni dökme işini yapıyor, yapılandırma ve ERP'ye aktarma kısmını size bırakıyor; bu durumda ek bir otomasyon katmanı (n8n, Zapier gibi) kurmanız gerekiyor. Fiyat karşılaştırması yaparken bu farkı gözden kaçırmayın, aksi halde beklediğinizden daha fazla teknik kurulum yapmanız gerekebilir.

Sözleşme analizi ayrı bir kategori

Sözleşme analizi, fatura okumadan farklı ve daha riskli bir zorluk seviyesinde: sayısal alan çıkarımından çok hukuki risk yorumlama gerektiriyor. Ironclad, Juro, Kira, Spellbook (Word içine gömülü, 2.300'den fazla sözleşme türü şablonu), Evisort ve LegesGPT (aylık yaklaşık 19,99 dolardan başlayan self-servis seçenek) gibi araçlar sınırsız sorumluluk maddeleri, otomatik yenilenme tuzakları ve eksik hükümler gibi riskleri işaretliyor, madde bazında etiketleme yapıyor. Gartner, 2027'ye kadar kuruluşların yüzde 50'sinin AI destekli sözleşme risk analizi kullanacağını öngörüyor. Modern platformlar madde etiketlemede yüzde 6'nın altında hata oranı iddia ediyor; bu bir satıcı iddiası, bağımsız doğrulaması yok, temkinli okuyun.

Sözleşme analizinde insan kontrolü fatura okumadan daha da kritik. Bir fatura hatası genelde tek bir sayısal farkla sınırlı kalırken, kaçırılan bir "otomatik yenilenme" maddesi ya da fark edilmeyen bir "sınırsız sorumluluk" ifadesi yıllar sonra ciddi bir hukuki/mali soruna dönüşebiliyor. Bu araçları avukatın önce bakacağı yerleri işaretleyen bir ön filtre olarak görmenizi öneririz; avukatın yerini almıyorlar, sadece işini hızlandırıyorlar.

Doğruluk oranı gerçekte ne kadar?

Doğrulama kurallarıyla ve düşük güvenli alanlarda insan incelemesiyle birleştirildiğinde sistemler yüzde 95-99 doğruluk bandına ulaşabiliyor; salt otomasyon (insan yok) bu seviyeye güvenilir şekilde çıkamıyor. Doğru kurulmuş bir insan-döngüde (human-in-the-loop) süreç doğruluğu yaklaşık yüzde 80'den yüzde 95'in üzerine çıkarabiliyor. Kritik nokta güven eşiği kalibrasyonu: eşik çok yüksek konursa hatalar gözden kaçıyor, çok düşük konursa inceleme kuyruğu patlıyor ve insanlar "damga basar gibi" onaylamaya başlıyor, bu da doğruluğu düşürüyor. Pratik yaklaşım alan bazlı güven skoru: sadece belirsiz alanlar insana gidiyor, geri kalanı otomatik geçiyor. İyi kurulmuş bir sistemde ekipler zamanlarının çoğunu artık veri girişine harcamıyor, yüzde 10-20'lik "tartışmalı" vakalara (tedarikçi anlaşmazlığı, eksik sipariş no, fiyat farkı) ayırıyor.

LLM'in gizli riski: halüsinasyon

Burada dikkatli olunması gereken bir nokta var. LLM'ler OCR'ın aksine bariz şekilde başarısız olmuyor; yanlış çıktıyı da doğruymuş gibi güvenle sunuyor: "rn" harflerini "m" okuma, ondalık nokta kayması, uydurulmuş rakamlar gibi. Finansal veri bağlamında bu özellikle tehlikeli, çünkü hata bariz bir hata gibi görünmüyor, doğru gibi görünen yanlış veri oluyor. Bu yüzden çıplak, genel amaçlı bir LLM'e (örneğin sade ChatGPT'ye) doğrudan fatura okutmak profesyonel muhasebe/finans akışları için yüksek riskli kabul ediliyor; amaca özel veya hibrit araçlar (yukarıdaki gibi) tercih ediliyor.

Somut bir örnek: bir tedarikçi faturasında toplam tutar 15.750,00 TL yerine LLM tarafından 15.750,00 TL'nin ondalık noktası kayarak 157.500,00 TL olarak okunabiliyor; sistem bu rakamı hiçbir uyarı vermeden, "emin" bir şekilde sunuyor. OCR'da böyle bir hata genelde anlamsız bir karakter dizisi olarak ortaya çıkar ve kolayca fark edilir; LLM'de ise mantıklı görünen ama yanlış bir rakam olarak çıkar, bu da fark edilmesini zorlaştırır. Yüksek tutarlı işlemlerde bu yüzden mutlaka bir çapraz kontrol (örneğin toplamın satır kalemleri toplamıyla eşleşip eşleşmediğini otomatik kontrol eden bir kural) eklemenizi öneririz.

ERP'ye nasıl entegre olur?

Türkiye'de yaygın ERP'ler Logo, Mikro, Netsis, SAP ve Microsoft Dynamics; entegrasyon yöntemi ERP'ye göre değişiyor (Logo/Mikro'da servis/dosya tabanlı aktarım, SAP'de OData/IDoc/özel API). Somut akış şöyle işliyor: belge işleme sisteminden çıkan yapılandırılmış veri periyodik çalışan bir servisle ERP'ye aktarılıyor, eksik cari kartlar otomatik açılıyor, belgeler fatura/irsaliye kaydı olarak düşüyor; ama kayıt onayı genelde insanda kalıyor ("hazırlayan-onaylayan" deseni). Her ciddi ERP'nin GİB'in e-fatura/e-arşiv/e-irsaliye entegrasyonu zorunlu bir bileşen olarak geliyor, bu Türkiye pazarına özgü bir uyum katmanı.

Türkiye'ye özgü resmi bir "belge otomasyonu kullanım oranı" istatistiğine ulaşamadık, bu yüzden kesin bir rakam vermiyoruz. Ama dolaylı bir gösterge var: e-fatura sistemine dahil olmayan işletme sayısı hızla azalıyor ve önümüzdeki dönemde neredeyse tüm işletmelerin e-faturaya geçmesi bekleniyor. Bu, belgelerin zaten dijital/yapılandırılmış bir formatta akmaya başladığı, dolayısıyla AI katmanının asıl değerinin artık kağıt/PDF gibi hâlâ yapılandırılmamış kalan belgelerde olduğu anlamına geliyor.

Sık yapılan 3 hata

En sık düşülen hata: doğrulama adımı ve hata yönetimi olmadan çıkarılan veriyi doğrudan ERP'ye yazmak; belirsiz veri için mutlaka bir manuel inceleme süreci olmalı. İkinci hata: aynı anda çok fazla belge türünü/süreci birden otomatikleştirmeye çalışmak, ekipler yoğunluk altında eziliyor, eğitim yarım kalıyor; önce tek, yüksek etkili bir senaryoya (örneğin sadece tedarikçi faturaları) odaklanıp kademeli genişlemek daha güvenli. Üçüncü hata: "OCR tek başına yeter" varsayımı; OCR sadece görüntüyü metne çeviriyor, veriyi sınıflandırmıyor, sınıflandırma ve entegrasyon yeteneği olan bir araç seçilmeli.

Sık sorulan sorular

Küçük bir işletme için hangi belge türüyle başlamalıyım?

En yüksek hacimli ve en tekrar eden belge türüyle başlayın, genelde bu tedarikçi faturaları oluyor. Sözleşme analizi gibi daha riskli/nüanslı kategorilere, faturalarda sistemi güvenilir şekilde çalıştırdıktan sonra geçin.

Yanlış çıkarılan bir veriyi nasıl fark ederim?

En pratik yöntem, sistemin ürettiği toplamla belgedeki satır kalemlerinin toplamının otomatik olarak karşılaştırılmasını sağlamak; ikisi uyuşmuyorsa kayıt otomatik olarak insan incelemesine düşsün. Bunun dışında, ilk birkaç hafta çıkarılan her kaydı elle örnekleyerek (örneğin her 10 kayıttan birini) kontrol etmek, sistemin gerçek doğruluk oranını size gösteriyor; vendor'ın iddia ettiği rakama güvenmek yerine kendi verinizle ölçün.

Bu sistemi kurmak için teknik bir ekibe ihtiyacım var mı?

Klippa veya Lido gibi hazır araçlar için genelde hayır, arayüzden kurulum yapılabiliyor. ERP'nize özel bir entegrasyon (özellikle Logo/Mikro/SAP gibi sistemlere otomatik yazma) kuracaksanız deneyimli bir entegratörle çalışmak zaman kaybını önlüyor.

Peki siz ne yapmalısınız?

• En yüksek hacimli, en tekrar eden belge türüyle (genelde tedarikçi faturaları) başlayın.
• Güven eşiğini baştan doğru kalibre edin; çok yüksek hataları gizler, çok düşük ekibi "damga basmaya" iter.
• Çıplak bir sohbet asistanına finansal belge okutmayın; amaca özel veya hibrit bir araç seçin.
• Çıkarılan veriyi doğrudan ERP'ye yazmadan önce mutlaka bir onay adımı ekleyin.
• Sözleşme analizi gibi daha riskli kategorilere geçmeden önce faturalarda sistemi bir-iki ay test edin.

Belge işleme, süreç otomasyonunun en olgun ve en hızlı geri dönüşü olan alanlarından biri; ama "tam otomatik" ile "insan destekli otomatik" arasındaki fark, burada gerçek bir güven meselesi. Doğru kalibre edilmiş bir sistem, ekibinizin zamanını veri girişinden gerçek karar noktalarına taşıyor.