Finans Sektöründe Yapay Zeka Nasıl Kullanılır?

Finans Sektöründe Yapay Zeka Nasıl Kullanılır?
06 May 2022 · Güncellendi: 10 Ağustos 2026

Finans sektöründe yapay zeka en yaygın olarak dolandırıcılık tespiti, chatbot destekli müşteri hizmetleri, kredi skorlama, iç süreç optimizasyonu ve düzenleyici risk modellemesi alanlarında kullanılıyor. Finans, yapay zekayı en erken benimseyen sektörlerden biri oldu. Avrupa Bankacılık Otoritesi’nin verilerine göre AB ve AEA bankalarının yaklaşık %40’ı bugün genel amaçlı yapay zeka kullanıyor. Bu yazıda bankaların yapay zekayı hangi süreçlerde kullandığını, üretken yapay zekanın neyi değiştirdiğini, önündeki en büyük engeli ve kredi değerlendirmesi gibi alanlarda gelen düzenleyici yükümlülükleri güncel verilerle ele alıyoruz.

Finans Sektöründe Yapay Zeka Ne Kadar Yaygın?

Avrupa Bankacılık Otoritesi’nin bankalara yönelik risk değerlendirme anketine göre yapay zeka kullanımı sektörde artık istisna değil, kural. Kullanım alanları şöyle dağılıyor:

Kullanım alanıBankaların oranı
Dolandırıcılık tespiti%71,8
Müşteri desteği (chatbot dahil)%70
İç süreçlerin optimizasyonu%54
Kredi skorlama%49,5
Düzenleyici kredi riski modellemesi%42,4
Kara para aklamayla mücadele%37
Müşteri ve işlem profilleme%30
Düzenleyici raporlama%17,7

Finans kurumlarının müşterisi olan şirketler tarafında da tablo hızla değişiyor. Avrupa Merkez Bankası’nın Mart 2026’da yayımladığı firma anketine göre euro bölgesindeki şirketlerin %38’i yapay zeka benimsemesinde ileri aşamada; büyük, halka açık veya risk sermayesi destekli şirketlerde bu oran %45’e, genç şirketlerde %56’ya çıkıyor.

Bankacılıkta Yapay Zeka Kullanım Alanları

Dolandırıcılık tespiti

Bankaların en yaygın yapay zeka uygulaması bu. Model, milyonlarca işlemi gerçek zamanlı tarayarak normal davranıştan sapan örüntüleri yakalar. Kural tabanlı sistemlerden farkı, dolandırıcılık yöntemleri değiştikçe modelin yeni veriyle birlikte güncellenebilmesidir.

Kredi riski ve skorlama

Kredi skorlama, bankaların yarısına yakınının yapay zeka kullandığı ikinci büyük alan. Klasik skor kartlarına kıyasla daha çok değişkeni birlikte değerlendirebilir. Ancak bu alan düzenleyici açıdan en hassas olanı, aşağıda ayrıca ele alıyoruz.

Müşteri hizmetleri

Chatbot ve sanal asistanlar bankaların %70’inde kullanılıyor. Üretken yapay zekayla birlikte bu sistemler kalıp cevap vermekten çıkıp müşterinin sorusunu bağlam içinde anlamaya ve kurumun kendi dokümanlarından yanıt üretmeye başladı.

Raporlama ve iç süreçler

Bankaların %54’ü iç süreçlerin optimizasyonunda yapay zeka kullanıyor. Mutabakat, veri kalitesi kontrolü ve rapor hazırlığı gibi tekrar eden işler bu kapsamda.

Kara para aklamayla mücadele

Şüpheli işlem tespitinde yapay zeka, klasik eşik tabanlı sistemlerin ürettiği yanlış alarm yükünü azaltmak için kullanılıyor.

Sigortacılıkta Yapay Zeka

Finans sektörü bankacılıktan ibaret değil ve sigortacılığın yapay zekayla ilişkisi bankacılığınkinden farklı yerlerde yoğunlaşıyor. Öne çıkan alanlar şunlar:

  • Risk değerlendirme ve fiyatlama: poliçe fiyatı, geçmiş hasar verisi ve risk faktörlerinin birlikte modellenmesiyle belirlenir.
  • Hasar süreçleri: hasar dosyalarındaki belge ve görsellerin otomatik değerlendirilmesi süreci kısaltır.
  • Sahtecilik tespiti: bankacılıktaki dolandırıcılık tespitine benzer biçimde, olağandışı hasar örüntüleri modelle yakalanır.
  • Müşteri kaybı tahmini: poliçe yenilemeyecek müşterilerin önceden öngörülmesi, elde tutma çalışmalarını yönlendirir.

Sigortacılıkta yapay zeka ve büyük verinin nereye evrildiğini Sigorta Sektöründe Dijital Devrim yazımızda ayrıca ele aldık.

Üretken Yapay Zeka Finansta Neyi Değiştiriyor?

McKinsey’nin Kasım 2025 tarihli Küresel Yapay Zeka Araştırması’na göre şirketlerin %88’i en az bir iş fonksiyonunda düzenli olarak yapay zeka kullanıyor, katılımcıların %62’si ise kurumlarının yapay zeka ajanlarıyla en azından deneme aşamasında olduğunu söylüyor.

Finansta üretken yapay zekanın farkı şurada: klasik modeller sınıflandırır ve tahmin eder, üretken modeller ise metinle çalışır. Kredi dosyası özetleme, mevzuat metinlerinde arama, müşteri yazışması taslağı ve rapor yorumlama gibi işler bu sayede otomatikleşebiliyor.

Kurumsal veriyle çalışırken en yaygın yaklaşım RAG (Retrieval-Augmented Generation) mimarisi: model, cevabı üretmeden önce bankanın kendi belgelerinden ilgili bilgiyi çekiyor, böylece uydurma cevap riski azalıyor. Böyle bir sistemi uçtan uca nasıl kurduğumuzu RAG sistemi oluşturma yazımızda anlattık.

Yapay Zekanın Önündeki Asıl Engel: Veri

Uluslararası Ödemeler Bankası’nın Mart 2026 tarihli çalışmasına göre finans sektörü, veri yönetimi sorunlarını üretken yapay zekanın yaygınlaşmasının önündeki en önemli engel olarak tanımlıyor. Sorun yeni değil ama üretken yapay zeka mevcut zayıflıkları büyütüyor: model, beslendiği verinin kalitesini aşan bir çıktı üretemiyor.

Pratikte bu şu demek: bir bankanın yapay zeka projesi genellikle model seçimiyle değil, verinin tekilleştirilmesi ve tek bir güvenilir kaynağa taşınmasıyla başlar.

Aynı çalışma, üretken yapay zekanın veriye olan bağımlılığının yaşam döngüsünün her aşamasına yayıldığını vurguluyor: veri yalnızca modeli eğitmek için değil, performansını ölçmek, önyargıları tespit etmek ve çıktıları iyileştirmek için de gerekli. Üretken yapay zekanın ölçeklenmesi ise mevcut zayıflıkları büyütmekle kalmıyor, sentetik ve alternatif veri kullanımının yaygınlaşmasıyla birlikte yeni sorunlar da getiriyor.

Bir finans kurumu için bunun pratik karşılığı şu sorulara net cevap verebilmektir:

  • Modelin eriştiği veri hangi kaynaktan geliyor ve o kaynağın sahibi kim?
  • Veri ne sıklıkla güncelleniyor, güncel olmayan veriyle üretilmiş bir çıktıyı nasıl fark ederiz?
  • Hangi kullanıcı hangi veriye erişebiliyor ve bu yetki modele de yansıyor mu?
  • Eğitimde veya testte sentetik veri kullanıldıysa bu nerede kayıt altına alınıyor?
  • Model üretimdeyken davranışındaki sapma nasıl izleniyor?

Bu sorular teknik ekibin değil, kurumun tamamının sorusudur. Denetleyici tarafında da gündemin bu yöne kaydığını, veri yönetişimini merkeze alan çalışmaların artmasından görüyoruz.

Örnek: Bank of Kigali GenAI İçin Veri Omurgasını Nasıl Kurdu?

Ruanda’nın halka açık en büyük bankası olan Bank of Kigali, üretken yapay zeka uygulamalarına hazırlanmak için önce veri tarafını ele aldı. Banka, “Tek Doğru Kaynak” (Single Source of Truth) oluşturmak amacıyla veri altyapısını GTech’in Symphony Analytics platformu üzerine kurdu.

Hazır finansal veri modelleri, ELT süreçleri ve önceden yapılandırılmış raporlar sayesinde banka, yıllar süren geleneksel kurulum sürecini kısalttı. Proje sonunda self servis iş zekası, 200’den fazla temel performans göstergesi ve 15’ten fazla gösterge paneliyle karara hazır içgörülere ölçeklenebilir erişim sağlandı. Projenin ayrıntılarını Bank of Kigali örneği yazımızda ele aldık.

Düzenleme: Kredi Değerlendirmesi Yüksek Riskli Sayılıyor

Avrupa Birliği’nin Yapay Zeka Yasası, kredi değerlendirmesinde kullanılan yapay zeka sistemlerini yüksek riskli kategoriye alıyor. Bu kategoride belgelenmiş risk yönetimi, insan gözetimi ve bazı durumlarda bağımsız denetim gerekiyor.

Takvim şöyle: yasa 1 Ağustos 2024’te yürürlüğe girdi, yasaklı uygulamalar 2 Şubat 2025’te, genel amaçlı yapay zeka modeli kuralları 2 Ağustos 2025’te devreye girdi. Yasa 2 Ağustos 2026 itibarıyla bazı istisnalarla genel olarak uygulanıyor. Kredi değerlendirmesi gibi yüksek riskli kullanım alanlarına ilişkin yükümlülüklerin başlangıcı ise AI Omnibus uzlaşısıyla 2 Aralık 2027’ye ertelendi.

Türkiye’de faaliyet gösteren finans kurumları için de bu çerçeve ilgili olabilir: AB pazarına hizmet sunan ya da AB’deki kişilere ilişkin veri işleyen sistemler kapsama girebiliyor.

Düzenlemeden bağımsız olarak Avrupa Bankacılık Otoritesi’nin bankalar için işaret ettiği riskler de var: modellerin açıklanabilirliği, gerçek dışı çıktı üretmesi, üçüncü taraf entegrasyonlarından kaynaklanan bilgi teknolojileri riskleri, eğitim verisi kalitesine bağlı veri yönetişimi sorunları ve gerekli yetkinliğe erişim zorluğu.

Finans Kurumları Nereden Başlamalı?

  • Dar ve ölçülebilir bir senaryo seçin. “Bankaya yapay zeka getirelim” bir proje tanımı değildir.
  • Veriyi projenin parçası sayın. Modelin erişeceği verinin kaynağı, güncelliği ve sahipliği netleşmeden üretime alınacak bir uygulama yazılamaz.
  • Denetimi tasarıma koyun. Üretken modellerde tek doğru cevap olmadığı için çıktının kim tarafından kontrol edileceği baştan belirlenmelidir.
  • Mevzuatı sonraya bırakmayın. Senaryonuz kredi değerlendirmesine giriyorsa yükümlülükleri proje başında masaya yatırın.
  • İzlemeyi ihmal etmeyin. Modeller zamanla bozulur; üretimdeki davranışın sürekli gözlenmesi gerekir.

Sonuç

Finans sektöründe yapay zeka artık pilot aşamasını geçti, dolandırıcılık tespitinden kredi skorlamaya kadar günlük operasyonun parçası. Ama hem Avrupa Bankacılık Otoritesi’nin hem Uluslararası Ödemeler Bankası’nın işaret ettiği nokta aynı: farkı yaratan modelin kendisi değil, altındaki veri.

GTech olarak finans kurumlarına bu iki tarafta da destek veriyoruz. Symphony Analytics bankacılık verisini merkezileştirerek raporlama ve analitik için tek bir temel kuruyor. Symphony Sense ise bankacılık sistemlerini gerçek zamanlı izleyerek olası aksaklıkları önceden yakalıyor. Yapay zekanın temel kavramları için Yapay Zeka Nedir yazımıza bakabilir, kurumunuz için doğru senaryoyu birlikte kurgulamak isterseniz bizimle iletişime geçebilirsiniz.

Kaynaklar

Hazırlayan: GTech Veri Bilimi Ekibi