ERP’nin Kabuk Değişimi: Statik Kayıttan Dinamik Aksiyona
SAP ekosistemi, tarihindeki en büyük mimari ve fonksiyonel kırılma noktasının eşiğinde duruyor. On yıllardır işletmelerin “hafızası” ve “kayıt defteri” olma görevini üstlenen ERP sistemleri, artık sadece veriyi depolayan pasif yapılar olmaktan çıkıp, o veriyi kullanarak muhakeme yapabilen ve iş süreçlerini kısmen de olsa otonom olarak yürüten “aktif karar merkezlerine” dönüşüyor. Agentic AI (Ajan Tabanlı Yapay Zeka), bu dönüşümün en somut ve geri dönülemez aşamasını temsil ediyor. Bugün karşılaşılan teknik bariyerler, lisans modelleri veya veri kalitesi sorunları, bu büyük yürüyüşün duracağı değil, aksine daha disiplinli ve stratejik bir zemine oturacağı anlamına geliyor. Çünkü biliyoruz ki; iş süreçlerinin hızı insan müdahalesinin sınırlarını çoktan aştı ve bu yeni “otonom katmana” geçiş, bir tercih olmaktan çıkıp modern işletmeciliğin yeni standardı haline geldi.
Agentic AI, SAP ekosisteminde; belirli hedeflere ulaşmak için birden fazla “skill” kullanarak planlama yapabilen ve insan denetiminde aksiyon başlatabilen yapay zeka ajanlarını ifade eder.
İstatistikten Karar Desteğine: SAP Yapay Zekasının Engebeli Evrimi
SAP dünyasında yapay zeka, doğrusal ve kusursuz bir başarı hikayesi değil; sancılı pivotlar ve öğrenilmiş derslerle dolu bir süreçtir. Bugün Agentic AI (Ajan Tabanlı Yapay Zeka) mimarisini doğru konumlandırmak için bu evrimi gerçekçi bir perspektifle okumak gerekir:
Leonardo Dönemi (Tahminleme / Predictive): Yaklaşık on yıl önce başlayan bu dönem, geçmiş veriye bakıp “gelecekte ne olabilir?” sorusuna yanıt arıyordu. Ancak veri siloları ve müşteri hazırsızlığı nedeniyle beklenen devrimi gerçekleştiremedi. SAP, Leonardo’nun düştüğü bu çukurdan çok kritik bir ders çıkardı: AI, ERP’nin dışındaki bir eklenti değil, çekirdeğin bir parçası olmalıydı.
Joule ve Copilot (Etkileşim / Interaction): Yapay zekanın ERP içine gömüldüğü, veriyi özetleyen “yardımcı pilot” dönemi. Joule’u Leonardo’dan ayıran temel yapısal fark; SAP Knowledge Graph ve Business Data Cloud (İş Veri Bulutu) altyapısını kullanarak veriyi iş bağlamı (Context) içinde anlamlandırmasıdır.
Bugün (Agentic AI – Kontrollü Aksiyon / Action): Geldiğimiz aşama, AI’nın sadece öneri sunmakla kalmayıp, belirli sınırlar içinde çok adımlı planlama yapabildiği bir evredir. Ancak bu “tam otonomi” değildir; çoğu senaryoda “Human-in-the-loop” (İnsan onayı) mekanizması kurumsal güvenliğin anahtarıdır.
SAP AI Yaygınlaşması (Adoption): Production’a Geçişi Sınırlayan 3 Temel Bariyer
SAP pazarlama materyallerinde yapay zekâ yetenekleri hızla genişlerken, sahadaki dönüşüm daha temkinli ilerliyor. Deutschsprachige SAP-Anwendergruppe (DSAG) tarafından yayımlanan Investment Report 2026 verileri, AI’nin SAP ekosisteminde giderek daha fazla gündeme geldiğini; ancak şirketlerin bu yatırımların ekonomik değeri, uygulanabilirliği ve operasyonel etkisi konusunda halen dikkatli bir değerlendirme sürecinde olduğunu ortaya koyuyor.
Peki, AI bu kadar konuşulurken neden production kullanım hâlâ sınırlı? SAP ekosisteminde Agentic AI’ın yaygınlaşmasının önündeki 3 temel bariyer:
- Lisans Modeli: Bu yetenekler, On-premise (Kurum içi) S/4HANA müşterilerine büyük ölçüde kapalıdır; yalnızca RISE with SAP veya GROW with SAP sözleşmeleriyle erişilebilmektedir.
- Veri Kalitesi: Saha tecrübemizde, veri kalitesi düşük olan sistemlerde AI uygulamaları çoğu zaman beklenen faydayı üretmek yerine hatalı aksiyon riskini artırmaktadır. Veri kirli ise, AI yalnızca daha hızlı hata üretir. AI’nın değeri, algoritmasından değil; beslendiği verinin doğruluğundan gelir.
- Rekabet: SAP’nin kendi ekosistemi içinde bile AI liderliğini kanıtlaması için, genel amaçlı AI araçlarından daha derin bir iş değeri sunması şarttır.
Beceri mi (Skill), Ajan (Agent) mı? SAP Mimarideki Fonksiyonel Kırılma
Yapay zekayı SAP sistemlerine entegre ederken en sık yapılan hata, “Joule”u tek bir blok olarak görmektir. SAP’nin resmi açıklamalarına göre, Joule, SAP süreçlerine gömülü çalışan ve iş verisini bağlam içinde yorumlayarak kullanıcıya aksiyon öneren AI copilot’tur. Oysa sahada verimliliği belirleyen, Skills (Beceriler) ve Agents (Ajanlar) arasındaki keskin görev ayrımıdır. SAP mimarisinde bu ayrım, özellikle BTP üzerinde geliştirilen custom AI senaryolarında belirgin hale gelir.
Skills (Reaktif – Komut Bekleyen): Bunlar atomik, belirli bir göreve odaklanmış “araçlardır”. Bir Basis uzmanının sisteme “Dump loglarını özetle” demesi veya bir satış temsilcisinin “Müşterinin borç limitini göster” diye sorması bir “Beceri” kullanımıdır. AI burada pasiftir; komut gelir, veri işlenir ve sonuç döner. Süreç orada biter.
Agents (Proaktif – Hedef Odaklı): Ajanlar, ellerindeki “Becerileri” (Skills) bir orkestra şefi gibi kullanarak karmaşık hedeflere ulaşan otonom yapılardır. Bir ajana “Kredi limitindeki bu tıkanıklığı çöz” dediğinizde; ajan önce stok durumuna bakar, ardından müşteri risk skorunu analiz eder ve en sonunda onay akışını (Workflow) kendisi başlatır. AI burada aktiftir; hedefi gerçekleştirmek için sistem içinde adımlar atar, muhakeme yapar ve süreci uçtan uca takip eder.
SAP mimarisinde “skill”, tek bir görevi yerine getiren reaktif bir fonksiyonu; “agent” ise birden fazla skill’i kullanarak hedef odaklı aksiyon alan yapıyı ifade eder.
İleri Okuma
SAP Basis operasyonlarında yapay zekânın nasıl proaktif izleme, öngörü ve otomasyon sağladığını görmek ve trendler hakkında fikir edinmek için için bu yazımıza göz atabilirsiniz.
Agentic AI Olgunluk Modeli: 3 Seviyede Gerçek Senaryolar
Bu iki kavram arasındaki farkı, sistemin olgunluk seviyesine (Maturity Level) göre üç ana senaryoda inceleyebiliriz:
Birinci Seviye: Assistive (Yardımcı – Yüksek Olgunluk)
Senaryo: İtiraz Yönetimi (Dispute Resolution)
Skill Seviyesi: Kullanıcı itirazlı faturayı açar, AI faturadaki tutarsızlığı özetler.
Agentic Seviye: Ajan, gelen itiraz e-postasını algılar, sistemdeki geçmiş vakaları tarar, çözüm önerisini bir taslak olarak hazırlar ve AR (Alacak Hesapları) uzmanının ekranına “onay bekliyor” olarak düşürür. Süreç, uzman daha faturayı açmadan %80 oranında tamamlanmıştır.
İkinci Seviye: Augmented (Zenginleştirilmiş – Orta Olgunluk)
Senaryo: Akıllı Tedarikçi Mutabakatı
Skill Seviyesi: Banka ekstresindeki satır ile SAP faturasını eşleştirmeye çalışır.
Agentic Seviye: Ajan, eşleşmeyen kayıtlar için tedarikçi portalına gider, bekleyen irsaliyeleri kontrol eder, farkın nedenini (örneğin eksik ürün) tespit eder ve “kısmi ödeme” önerisiyle muhasebe kaydını tetikler.
Üçüncü Seviye: Agentic (Otonom – Gelişmekte Olan)
Senaryo: Varlık Yönetimi ve Bakım (PM/EAM)
Skill Seviyesi: Cihazdan gelen hata kodunun ne anlama geldiğini söyler.
Agentic Seviye: SAP Asset Intelligence Network üzerinden gelen anomaliyi algılayan ajan, bakım takvimine bakar, depodaki yedek parçayı rezerve eder ve ilgili teknik ekibin takvimine “kritik arıza önleme” görevini atar. Burada AI, sadece bilgi vermez; sistemin sürdürülebilirliği için otonom bir koruma kalkanı oluşturur.
Sloganların Ötesinde: Üretim Ortamında (Production) Test Edilmiş Vaka Analizleri
SAP ekosisteminde “yeni nesil teknoloji” denildiğinde, çoğu zaman lansman videolarındaki idealize edilmiş senaryolarla yetinmek zorunda kalıyoruz. Ancak Agentic AI için durum, sadece bir vizyon belgesi olmaktan çıktı. Aşağıdaki vakalar, SAP’nin standart süreçleri içinde teknik bariyerleri aşmayı başarmış, hata payı minimize edilmiş ve en önemlisi üretim ortamında (production) belirli süreçlerde devreye alınmış ölçülebilir değer üretmiş gerçek dünya örnekleridir. Burada odaklandığımız veri, “ne yapılabileceği” değil, “neyin başarıldığı”dır:
Bosch (Müşteri Hizmetlerinde Operasyonel Hız): Joule ajanlarını SAP Service Cloud yapısına entegre ederek yeni ürünler için iş akışı düzenleme süresini haftalardan dakikalara indirdi.
Wieland Group (Finansal Mutabakatta Otonomi): Nakit yönetimi ve banka ekstresi mutabakatı süreçlerinde manuel iş yükünü %70-80 oranında azaltarak uluslararası kapanış sürecini hızlandırdı.
Smart Press Shop (Görsel Denetim): Pres hattındaki kusurları görsel denetim ajanlarıyla (Visual Inspection) otomatik olarak tespit ederek, hata reaksiyon hızını saatlerden saniyelere indirdi.
CFO Perspektifi: FinOps ve ROI Gerçekliği
Bir CFO için Agentic AI, sadece verimlilik değil, yeni bir finansal disiplin olan FinOps‘un başlangıcıdır. Birçok kurumda AI yatırımlarının geri dönüş süresi, teknik implementasyondan çok veri hazırlığı ve organizasyonel adaptasyon süresi tarafından belirlenmektedir.
Gizli Maliyetler: Sadece lisans değil; veri transferi, model çalıştırma (Inference) ve token giderleri bütçeye yeni birer kalem olarak eklenir.
Geri Dönüş Süresi (Payback Period): RISE geçiş maliyetleri ve veri temizliği göz önüne alındığında, bu yatırımın geri dönüşü kurumun olgunluğuna göre 18 ay ile 4 yıl arasında değişebilir. Stratejik kazanç, ancak operasyonel hızın nakit dönüş döngüsüne (Cash Conversion Cycle) ve çalışma sermayesine (working capital) doğrudan katkısıyla realize edilir.
SAP Basis Profesyonelleri İçin “Orkestrasyon” Devrimi
Basis uzmanı için “saha tozu” artık log temizlemede değil, Launchpad ve SAP LeanIX AI Agent Hub araçlarının başında savruluyor. Rol tanımı Platform Mimarlığına evrilirken şu disiplinler kritik hale geliyor:
Gözlemlenebilirlik (Observability): AI ajanlarının kararlarını izlemek ve hata anında “açıklanabilirlik” (Explainability) raporları sunmak.
Ajan Yaşam Döngüsü (Agent Lifecycle): Ajan becerilerinin versiyonlanması ve gerektiğinde geri alınması (Rollback).
Entegrasyon & veri akışı karmaşıklığı: Özellikle SAP dışı sistemlerle veri akışının doğruluğu, AI ajanlarının karar kalitesini doğrudan etkileyen kritik bir faktör haline geliyor.
ECC Uzmanları İçin Yol Haritası: Henüz ECC dünyasında olan uzmanlar için bugün yapılabilecek en somut hazırlık; BTP servislerini keşfetmek ve Clean Core (Temiz Çekirdek) mimarisinin prensiplerini kavramaktır. Clean Core, yalnızca teknik bir sadeleşme değil; organizasyonel bir dönüşümdür. Sahada, yoğun modifikasyonlu sistemlerde AI projelerinin en çok bu noktada yavaşladığını gözlemliyoruz.
Risk, Yönetişim ve Mevzuat (AI Act & KVKK)
Özellikle finansal karar destek süreçlerinde yer alan ajanlar, AB AI Act (Yapay Zeka Yasası) kapsamında özellikle finans, İK ve karar destek süreçlerinde “Yüksek Riskli Sistemler” kategorisine girebilir. Bu durum şeffaflık, insan denetimi ve katı kayıt tutma (Logging) zorunluluklarını beraberinde getirir. Türkiye özelinde ise verilerin işlenmesi ve bulut transferi süreçlerinde KVKK uyumu, projenin hukuksal başarısını belirleyen ana bariyerdir.
Organizasyonel Çeviklik: AI Uyumluluğu İçin Clean Core Bir Tercih Değil, Ön Koşuldur
Clean Core yaklaşımı, yalnızca teknik bir sadeleşme değil; aynı zamanda iş birimlerinin standart süreçlere uyum göstermesini gerektiren organizasyonel bir dönüşümdür. Türkiye gibi ağır modifikasyonlu ECC sistemlerinin yoğun olduğu pazarlarda, Clean Core hedefine ulaşmak 3-5 yıllık bir sabır projesidir. Sistem ne kadar yalınsa AI o kadar akıllı; işletme o kadar çeviktir.
Sahada özellikle yoğun modifikasyonlu sistemlerde, AI senaryolarının devreye alınmasının beklenenden çok daha uzun sürdüğünü görüyoruz. Bunun temel nedeni, standart dışı süreçlerin AI tarafından anlamlandırılmasının ciddi ek efor gerektirmesidir.
Teoriden Pratiğe: Vizyonu Operasyona Dönüştürmek
Tüm bu vizyoner çerçeve ve küresel başarı hikayeleri, günlük operasyonların ve legacy sistemlerin karmaşası içinde “nereden başlamalı?” sorusunu beraberinde getiriyor. Agentic AI’ya geçiş, tek bir kurulumla tamamlanan bir “IT projesi” değil; aşamalı bir mimari olgunlaşma ve kültürel bir göç sürecidir. Stratejiyi sahada somut bir kazanıma dönüştürmek, sistemin bugünkü kısıtlarını kabul ederek yarının standartlarını inşa etmekle başlar. Bu yolculukta pusulanızın doğru yönü göstermesi için, bugünden atılması gereken temel adımlar şunlardır:
Yol Haritası: Bugünden Atılması Gereken 3 Somut Adım
- SAP BTP’yi AI Orkestrasyon Merkezi Yapın: BTP (SAP Business Technology Platform), AI orkestrasyonunun merkezi platformudur. Agentic AI senaryolarında ajanların kullandığı skill’ler ve iş akışları bu katman üzerinde tanımlanır. Ancak unutulmamalıdır ki; Joule ve tam ajan yetenekleri için sistemin RISE veya GROW kapsamında buluta taşınmış olması bir ön koşuldur.
- RICEF Analizi ile Teknik Borçları Temizleyin: Kapsamlı bir analiz yaparak hangi modifikasyonun standart sürece döneceğini, hangisinin BTP üzerine taşınacağını netleştirin. Unutmayın, Z’li kodlar AI’nın IQ’sunu düşürür. Gerçek projelerde, AI dönüşümünün önündeki en büyük engelin yeni teknoloji eksikliği değil, yıllar içinde birikmiş teknik borçlar olduğunu net şekilde gözlemliyoruz.
- Ajan Olgunluk Modelini Belirleyin: Önce yardımcı (Assistive), sonra iş akışı tetikleyen (Augmented) ve en son kontrollü otonomi (Agentic) seviyesine geçecek pilot bölgeler belirleyin.
Sahada başarılı örneklerde gördüğümüz ortak nokta, kurumların tüm süreçleri aynı anda dönüştürmeye çalışmak yerine sınırlı ve ölçülebilir pilot alanlarla başlamasıdır.
Sonuç: ERP’nin Yeni Gerçekliği
SAP ekosisteminde Agentic AI, ERP sistemlerini pasif kayıt yapılarından; insan denetiminde aksiyon alabilen, planlama yapabilen ve süreçleri hızlandıran aktif karar destek sistemlerine dönüştürmektedir.
Önümüzdeki dönemde SAP ERP dünyası; kendi kendini izleyen, proaktif öneriler sunan ve insan denetiminde aksiyon alabilen sistemlere evrilecek.
Ancak asıl rekabet avantajı, sadece AI kullananlarda değil; AI’nın hatasız karar alabileceği kadar sade ve doğru tasarlanmış sistemlere sahip olan kurumlarda oluşacaktır.
S/4HANA Cloud mimarisine geçen ve veri kalitesine yatırım yapan kurumlar bu dönüşümün kazananı olurken; ağır modifikasyonlu sistemlerle “önce geçelim sonra düşünürüz” diyen kurumlar, yüksek lisans maliyetleri ödeyip düşük AI değeri üretme riskiyle karşı karşıyadır.