Not: Bu makale Portekizce yazılmış ve yayınlanmıştır ve yayınlanan orijinalin çevrilmiş bir versiyonudur burada.
Bölüm 2/3 "AEC'de Yapay Zeka: Teşhis, Başucu Kitabı ve Test." Bölüm 1, AEC'deki yapay zeka girişimlerinin neden güç kaybettiğini teşhis etti. 3. Bölümde, Model Bağlam Protokolü'nün Revit bağlı olduğu işlevsel bir araç gösterilmektedir.
Bölüm 1, AEC'de yapay zekanın benimsenmesinin zorluklarının motivasyonel değil yapısal olduğunu savundu. Bu gönderi, SaaS playbook'larının nasıl çalıştığını varsaydığından ziyade AEC segmentinin gerçekte nasıl çalıştığına uyan dört sütunla bu konuda ne yapmanız gerektiğini gösterir. Temel sütunlar, işleve göre olgunluğun teşhisi, projelerin ekonomik mantığına bağlı yatırım getirisinin ölçümü, taşeron uygulaması için tasarlanmış değişiklik yönetimi ve prototipten üretime kadar dahili bir geliştirme ekibine bağlı olmayan bir yoldur.
Olgunluğu şirkete göre değil, role göre teşhis edin
Çoğu olgunluk modeli şirketi bir bütün olarak değerlendirir. Bu çerçeveleme, yönetici sunumları için kullanışlıdır, ancak uygulamaya koymak için pratik olarak yararsızdır. Bir AEC şirketindeki roller farklı veri biçimlerine, farklı kültürel uyumsuzluklara ve farklı yatırım getirisi profillerine sahiptir. Bunları tek bir blok olarak ele almak, seviye rolde alınması gereken kararları düzleştirir.
2025 verileri Tasarım ve Üretimde Gelinen Nokta bu değişikliği göstermektedir. 2024 ve 2025 yılları arasında, kendilerini yapay zekayı benimseme çabasının "ortasında" olarak tanımlayan katılımcıların oranı %25'ten %31'e yükselirken, "hedefe yakın" olduğunu bildirenlerin oranı %48'den %31'e düştü [Kaynak: Autodesk State of Design & MakeTasarım ve Üretimde Gelinen Nokta, 2025]. Veriler küreseldir, raporlama bu metriği segmente göre izole etmez, ancak hiçbir şey AECO ortak metinden saptığını göstermez. Olgunluğa yakın olduğunu düşünen şirketler, daha uzun bir sürecin ortasında olduklarını fark ettiler. Fonksiyona göre grafik, herhangi bir ortalamanın önerdiğinden daha kafa karıştırıcıydı.
İşlev bazında okuma, daha doğru tarama sağlar. Proje yazarlığı çoğunlukla tek başına bir çalışmadır, dosyalara bağlıdır ve araçların sınırlamalarına tabidir, koordinasyon ise daha da karmaşıktır, aynı teknoloji parkını paylaşmayan insanları içeren inceleme döngüleri nedeniyle çok disiplinli ve yavaştır. Tasarım işlemleri farklı bir sorundur, son derece üretim odaklıdır ve inceleme taleplerinin ve gönderimlerin hacmiyle sınırlıdır. Bu rollerin her biri farklı bir ilk adım gerektirir, bu da onları tek bir girişim olarak ele almanın neden Bölüm 1'de bahsedilen "bir araç satın aldık ve hiçbir şey olmadı" sonucunu ürettiğini açıklar.
AEC tasarımının ekonomik mantığına göre yatırım getirisini ölçme
AEC için belirli yapay zeka yatırım getirisi hakkında net bir genel veri kümesi yoktur. PwC'nin 1.217 şirket üzerinde yaptığı araştırma, yapay zekanın en tepedeki %20'sinin, diğerlerine kıyasla yapay zeka tarafından oluşturulan finansal performansın 7,2 katına ulaştığını ortaya koydu [Kaynak: PwC Yapay Zeka Performans Çalışması, 2025]. Bu sayı, birden fazla pazar sektöründen ve yönlüdür, harekete geçme aciliyetini güçlendirmeye yönelik ticari çıkarı olan bir danışmanlıktan gelmektedir, bu nedenle 7,2x'i AEC için bir ölçüt olarak değil, liderler ve diğerleri arasındaki uçurum hakkında bir sinyal olarak ele alın.
AEC için daha kullanışlı bir çerçeve, üç yatırım getirisi kategorisini ayırmak ve her birini kendi kriterlerine göre ölçmektir.
Yazarken zaman tasarrufu. Teslim edilebilir ürün başına saat cinsinden ölçümü kolaydır. Gerçek güç toplamadadır, çünkü haftada birkaç saat tasarruf eden birçok kullanıcı tarafından çarpılan tasarruflar, yönetici seviye bile önemli hale gelir. Sorun büyüklük değil, dönüşümdür, çünkü tasarruf edilen saatlerin gerçek üretkenliğe dönüşüp dönüşmediğini veya ölçülebilir değer üretmeden diğer görevlerde dağılıp dağılmadığını kesin olarak bilmek mümkün değildir.
Koordinasyonda zamandan tasarruf. Projenin ekonomik mantığını doğrudan yansıtır. Daha az çakışma, daha az inceleme talebi, daha hızlı onay döngüleri. Proje büyük, bazen daha yüksek olduğunda ortalama para miktarı. Sorun ilişkilendirmedir, çünkü çoğu şirket karşılaştırma metriklerini tutmaz, bu nedenle gerçek koordinasyon kazanımları elde eden ekipler bile, kazançların işin kendisinde bir gelişmeden ziyade yapay zekadan geldiğini kanıtlayamaz.
Yeniden çalışma önlendi. Paradaki en yüksek değer, doğru bir şekilde ölçülmesi en zor olanı. "Bunu tespit etmemiş olsaydık, X'e mal olurdu" argümanını kanıtlamak zordur, ancak büyüklük önemlidir.
Yazma süresini yalnızca iş akışı seviye ölçen bir şirket, yapay zekanın tek haneli kazançlar sağladığını görürken, tüm proje portföyünde üç kategoriyi de izleyen bir şirket gerçek resmi görür.
Yürütmeyi taşerona devreden bir sektör için değişiklik yönetimi
Yapay Zeka Aracılarının Benimsenmesi için Wharton Planı, benimsemenin önündeki üç psikolojik sürtüşmeyi tanımlar: algılanan yeterlilik, güven ve kontrol delegasyonu. Araştırmalar, kontrol endişelerinin tek başına evlat edinme kararının %26'sını oluşturduğunu gösteriyor [Kaynak: Yapay Zeka Aracısının Benimsenmesi için Wharton Planı, 2026]. İnsanlar kolayca gözden geçiremeyecekleri, duraklatamayacakları veya geri alamayacakları sistemlere yetki vermezler.
AEC'de ekstra bir nüans var. Yapay zekayı benimseyen şirket genellikle sahada iş yapan şirket değildir. Bir tasarım firması, çakışma tespitini Revit içinde otomatikleştirebilir. Revize edilmiş çizimleri okuyan alt yüklenici, başka teşvikler ve performans ölçütleri ile başka bir teknoloji parkındadır. Bu nedenle, değişim yönetimi iki kez gerçekleşir: bir kez onu benimseyen şirket içinde, bir kez de uygulamaya geçişte.
BIM yöneticisi tam da bu kavşak noktasındadır. Filtre olarak ele alındığında, benimsemeyi yavaşlatır. Tasarım amacı ve yürütme katmanı arasında bir orta yol olarak ele alındığında, benimsemeyi hızlandırır. Deloitte'un 2026 Yapay Zeka Temsilcilerinin Durumu Raporu'nun çerçevesi açıktır: "iş gücü dönüşümü kimin kazanacağını belirleyecek" [Kaynak: Yapay Zeka Ajanlarının Antropik Durumu Raporu, 2026, Deloitte'a atıfta bulunarak]. AEC'de iş gücü dönüşümü yalnızca kendi çalışanlarınızla ilgili değil, aynı zamanda zincirdeki bir sonraki halkanın yapay zekanın az önce ürettiklerini nasıl özümsediğiyle de ilgilidir.
Prototipten üretime giden yol
Başucu kitabı şöyle diyor: bir kullanım senaryosu tanımlayın, 12 aylık bir geliştirme döngüsünü finanse edin, sonuçları değerlendirin ve ancak o zaman ölçeklendirin. AEC segmentinde birinci kademe dışında çok az şirket bu döngüyü sürdürecek BT kapasitesine sahiptir ve bu, "yapay zekayı kuruluş genelinde dağıtma" öncülünün, pratikte var olmayan bir geliştirme birikimini gizlemesine neden olan şeydir.
Geçen yıl değişen şey, prototiplemenin ne kadar ucuz hale geldiğidir. Model Bağlam Protokolü gibi çerçeveler, BIM yöneticileri de dahil olmak üzere etki alanı uzmanlarının geleneksel bir geliştirme döngüsünden geçmeden mevcut yazılım bağlı işlevsel araçlar oluşturmasına olanak tanır. Anthropic'in 2026 Yapay Zeka Temsilcilerinin Durumu Raporu için görüşülen Accenture ekibi, MCP'yi durum bilgisi olan ve esnek temsilci iletişimi için önemli bir altyapı parçası olarak tanımlıyor [Kaynak: Yapay Zeka Ajanlarının Antropik Durumu Raporu, 2026]. Pratikte bu, bir zamanlar çeyrek BT çabası gerektiren araçların artık ihtiyacı olan kişi tarafından birkaç gün içinde prototip haline getirilebileceği anlamına gelir.
Bu, kurumsal ölçekte dağıtımı çözmez, bunun yerine Bölüm 1'de tanımlanan darboğazı çözer: şirket başına düşük BT kapasitesi. Bir hafta içinde Revit bağlı işlevsel bir pano kurabilen bir BIM yöneticisi, dahili araç geliştirmenin maliyet mantığını değiştirir.
Parçalarının toplamından daha fazlası
İzolasyonda uygulanan sütunlar gösterge tabloları üretir. Birlikte uygulanan sütunlar kapasite üretir.
Olgunluğu işleve göre teşhis eden ancak yatırım getirisini nasıl ölçtüğünü asla ayarlamayan bir şirket, geri ödeme görmeden ilerlemeyi rapor edecektir. Yatırım getirisi ölçümünü doğru yapan, ancak alt yükleniciye geçişi göz ardı eden bir şirket, yürütme katmanında yazarlık kazanımlarının buharlaştığını görecektir. Ve her ikisini de çözen, ancak prototipten üretime giden bir yolu olmayan şirketler, tamamlanması bir hafta sürmesi gereken araçlarda BT kapasitesinin duvarına çarpmaya devam ediyor.
Bu serinin 3. bölümü, bu araçlardan birinin pratikte nasıl göründüğünü gösterir: Claude'un yapıtı MCP kullanılarak oluşturulmuş, inceleme döngüleri boyunca bir modelin gelişimini izleyen, Revit'a bağlı bir pano. Bu, dağıtım boşluğunun küçük bir dilimidir, ancak sütunlar hizalandığında oyun kitabının ürettiği şeyin şeklini gösterir.
Kaynaklar
- Autodesk Tasarım ve Üretimde Gelinen Nokta 2025 — autodesk.com
- PwC, Yapay Zeka Performans Çalışması 2025 — pwc.com
- Wharton, Yapay Zeka Aracılarının Benimsenmesi için Wharton Planı (2026) — knowledge.wharton.upenn.edu
- Antropik, Yapay Zeka Ajanlarının 2026 Durumu Raporu — resources.anthropic.com
Buraya yorum eklemek için kayıtlı bir kullanıcı olmanız gerekir. Daha önce kayıt olduysanız, lütfen giriş yapın. Henüz kayıt olmadıysanız, lütfen kayıt olun ve giriş yapın.