Başarılı AI'ın altında başarılı BI vardır.
AI ile karar üreten her organizasyon için bir tez. Pazarda iki disiplinin birbirine değen ama birleşmeyen yüzeyini görünür kılar — ve onu kapatmanın dört maddesini koyar.
Pazarda iki dünya var.
Bir tarafta AI dünyası: Python ve istatistik becerisi yüksek data scientist'ler. Model eğitimini iyi yapar, algoritma seçimi konuşur, hyperparameter tuning derindir. Ama veri sorulduğunda — "bu feature nereden geliyor? Bu join doğru mu? Drift'i nasıl ölçeceğiz?" — bilinmeyen alanlar başlar.
Öte tarafta BI / EIM dünyası: yıllarla olgunlaşmış ETL, veri kalitesi, semantik modelleme, KPI governance disiplini olan analistler ve mühendisler. Doğru veriyi doğru kaynaktan doğru yere taşımayı bilir. Ama model sorulduğunda — "hangi algoritma? Feature mühendisliği? Retraining?" — bilinmeyen alanlar başlar.
Python, istatistik, algoritma, hyperparameter, model eğitimi. Çekirdek doğru — ama beslendiği boru hattı yabancı.
ETL, veri kalitesi, semantik modelleme, lineage, KPI governance. Disiplin derin — ama modelin diline yabancı.
Sonuç ortada: AI projelerinin büyük çoğunluğu model karmaşıklığından değil, feature enrichment, data quality ve domain disiplini eksikliğinden başarısızlığa uğruyor. Data scientist Python'la model eğitiyor; ama o modeli besleyen feature'lar yanlış join'lerden geliyor, kaynak veriler temizlenmemiş, KPI tanımı iş tarafıyla mutabık değil. Model çalışıyor — sonuçlar yanlış.
Asıl boşluk şurada: feature enrichment süreçleri, beslenmesi gereken tablolar, veri boyutu ve query karmaşıklığı saf kod yazımıyla yönetilemeyecek kadar komplikedir. Profesyonel BI know-how gerektirir — ETL pattern'leri, incremental load, semantik modelleme, data lineage. Data scientist'lerin uzmanlığı istatistik ve model eğitimidir; bu uzmanlık AI'ın çekirdeğidir. Ama bir AI projesi yalnız model değildir; o modeli besleyen boru hatlarıdır.
Bu yapısal boşluğu kapatmanın adı: BI-Driven AI. AI'ın BI metodolojisiyle inşa edilmesi — başarılı AI'ın altında başarılı BI'ın yattığının kabul edilmesi.
Başarılı AI'ın altında başarılı BI vardır.
Bu manifesto, o gerçeğin dört maddesini koyar.
İş sorusu, kabul kriteri, başarı metriği — bunlar AI'a girmeden önce BI yönetiminde tanımlanmalıdır. "Hangi soruyu soruyoruz, hangi karara ulaşmak istiyoruz, başarı kriteri nedir, hangi metriği takip edeceğiz" — bu soruların hepsi BI sorularıdır.
Sorunun şekli, baseline'ın seçimi, hangi referansın alınacağı veriye değil iş bağlamına bağlıdır; iş bağlamı BI metodolojisinde yaşar.
AI projelerinin başarısızlık örüntüsünün ortak adı bellidir: doğrudan model tasarımına geçilmesi, iş sorusunun ve kabul kriterinin atlanması. Sonuçta inşa edilen model bir karara hizmet etmez; sadece bir tahmin üretir. Tahmin karara dönmediği sürece projenin değeri belirsiz kalır.
Bu manifestonun merkezidir.
Modele beslenecek feature'ları hazırlamak — beslenmesi gereken tablolar, veri boyutu, join karmaşıklığı, incremental load stratejileri, semantik modelleme, data lineage, KPI standartları, veri kalitesi refleksleri — yıllarla biriken BI know-how'u gerektirir. ETL disiplini bir kütüphane ile değil, yıllarca veri ambarı içinde olgunlaşarak kazanılır.
Bir AI projesi yalnız model değildir; o modeli besleyen boru hatlarıdır. Boru hattı doğru kurulmadığında, en gelişmiş algoritma bile yanlış sonuç üretir. Feature enrichment'ın gerçek karmaşıklığını kabul etmek ve onu profesyonel BI disiplinine teslim etmek — başarılı AI'ın yapısal koşuludur.
AI modeli teslim edildiğinde proje bitmez. Training data zamanla değişir, feature'lar kayar, modelin doğruluğu düşer — drift. Ciddi bir AI projesi pipeline'ını sürekli izlemek, beslemek, yeniden eğitmek zorundadır.
Pipeline'ın yaşam döngüsü — feature mühendisliği, validation, deploy, drift monitoring, retraining — BI metodolojisi olmadan dönmez. Drift'in hangi metriklerle ölçüleceği, hangi eşikte alarm vereceği, hangi sıklıkta retraining tetikleneceği — hepsi BI metodolojisinin AI yaşam döngüsüne taşınmasıdır.
AI projesi bu disiplinde sürekli olgunlaşan bir yatırıma dönüşür. Modelin doğruluğu zamanla düşmez; ekosisteme yerleştiği için zamanla artar.
Pazarda yaygın yapı: BI ekibi bir çatı altında, AI ekibi başka bir çatı altında. Farklı raporlama hatları, farklı dil, farklı önceliklendirme. Bu yapı feature'ları yanlış üretir, KPI'ları mutabık etmez, drift takibini kimsenin sorumluluğu yapamaz.
BI delivery ve AI dev aynı yapı altında, tek yönetimde, tek raporlama hattında çalışmalıdır. Bu birliktelik AI başarı oranını yapısal olarak değiştirir. Basit ama nadir bir karardır — çünkü iki disiplin tarihsel olarak ayrı yetiştirildi ve hâlâ ayrı yetiştirilmektedir.
Dış katman: BI veriyi disiplinler → AI tahmin kurar → AI çıktısı yeni KPI olarak BI'a geri akar → BI sinyali AI'ı yeniden besler.
İç katman: AI pipeline'ın iç yaşam döngüsü — training, feature mühendisliği, validation, deploy, drift monitoring, retraining — BI metodolojisiyle yönetilir.
Dış katmanda BI ile AI partner; iç katmanda BI, AI'ın iskeletidir.
Bu çift katmanlı döngü, manifestonun dört maddesinin mimariye yansımış halidir.
Kavşak şimdi açıldı.
Agent'ın akıl yürütme eşiği son iki yılda geçildi; gerçek anlamda planlama yapan modeller piyasada.
Spec-driven üretim, agentic geliştirme ortamları, olgun API'ler — agent'ı kod yazarak değil, spec yazarak üretmek mümkün.
Yıllarla olgunlaşmış BI metodolojisi sonradan satın alınmaz, biriktirilir. Agent'a hız vermek kolay, disiplin vermek zaman ister.
Başarılı AI'ın altında başarılı BI vardır. Bu kavşakta buluşalım.
Pazarın iki dünyası, birbirini görmeyen iki ekip, başarısız AI projeleri — hepsi aynı kavşağa açılıyor. Bu manifesto o kavşağa bayrak diker. Manifesto bir başlangıçtır. Pencere şimdi açık. Sıra ekosistemi büyütmekte.