# Şirket içi bilgi bankası: belgelerinize soru soran yapay zekâ

> Şirket içi bilgi bankası, şirketin belgelerini yapay zekâ ile aranabilir hale getirir. Çalışan sorusunu Türkçe yazar, sistem ilgili belge parçalarını bulur ve cevabı dayandığı belgeyle birlikte verir. Bu yönteme RAG (getirme destekli üretim) denir. Model şirket belgeleriyle yeniden eğitilmez; her soruda ilgili parçalar bulunup modele okutulur. Yetki kontrolü ve belgelerin güncel tutulması sistemin güvenilirliğini belirler.

- Kaynak: https://birbu.com/rehberler/sirket-ici-bilgi-bankasi-yapay-zeka/
- Yayıncı: Birbu (https://birbu.com)
- Yazar: Volkan Celiloğlu, Kurucu ve baş AI uzmanı
- Son güncelleme: 2026-11-22

Dağınık şirket belgelerinin yapay zekâ ile soru sorulabilir bir bilgi bankasına nasıl dönüştürüldüğü ve nelere dikkat edildiği.

Her şirketin bir "her şeyi bilen" çalışanı vardır. Hangi müşteriye hangi indirimin verildiğini, makinenin bakımının nasıl yapıldığını, geçen yılki ihaleye hangi belgelerin gönderildiğini o bilir. O kişi izne çıktığında ya da işten ayrıldığında şirketin hafızasının bir kısmı da gider. Belgeler aslında bir yerlerde duruyordur, ama hangi klasörde, hangi adla, hangi sürümde olduğunu bulmak saatler alır. Şirket içi bilgi bankası bu sorunu çözmek için kuruluyor.

## Sistem nasıl çalışır?

Çalışan Türkçe bir soru yazar: "Yurt dışı müşteriye numune gönderirken hangi belgeler gerekiyor?" Sistem şirket belgeleri arasında bu soruyla ilgili parçaları bulur. Bulduğu parçaları soruyla birlikte bir yapay zekâ modeline verir. Model cevabı bu parçalara dayanarak yazar ve hangi belgeden aldığını gösterir.

Bu yönteme RAG (Retrieval Augmented Generation, getirme destekli üretim) deniyor. İki önemli özelliği var.

Model şirket belgeleriyle yeniden eğitilmiyor. Belgeler ayrı bir dizinde duruyor ve her soruda yalnız ilgili parçalar okutuluyor. Bu sayede belge değiştiğinde modeli yeniden eğitmek gerekmiyor, dizini güncellemek yetiyor.

Cevap kaynağa bağlı. Model kendi genel bilgisinden değil, şirketin belgelerinden cevap veriyor ve kaynağı gösteriyor. Çalışan kaynağa tıklayıp doğrulayabiliyor.

## Hangi belgeler eklenir?

Neredeyse her türlü yazılı bilgi:

- Prosedürler, talimatlar, kalite belgeleri
- Teknik dokümanlar, ürün kılavuzları, bakım kayıtları
- Sözleşmeler ve şartnameler
- Geçmiş teklifler ve proje dosyaları
- İnsan kaynakları yönetmelikleri
- Destek kayıtları ve çözülmüş müşteri talepleri
- E-posta arşivleri (dikkatli seçilerek)
- Google Drive, SharePoint, OneDrive ve ağ klasörleri

Taranmış PDF ve görseller önce metne çevriliyor. Tablolar ve Excel dosyaları için ayrı bir okuma yöntemi gerekiyor, çünkü tablodaki bilgi düz metin gibi parçalanırsa anlamını kaybediyor.

## Kurulum adımları

1. Kaynakları belirleyin. Hangi klasörler, hangi sistemler? Önce en çok aranan belgelerle başlamak iyi bir yöntem.
2. Belgeleri temizleyin. Eski sürümler, kopyalar ve geçersiz prosedürler ayıklanır. Bu adım atlanırsa sistem eski bilgiyle cevap verir.
3. Dizini kurun. Belgeler anlamlı parçalara bölünür ve aranabilir hale getirilir.
4. Yetkileri tanımlayın. Kim hangi belgeyi görebilir?
5. Arayüzü seçin. Ayrı bir web ekranı, Slack ya da Teams botu, WhatsApp hattı.
6. Gerçek sorularla test edin. Çalışanlardan son ay içinde sordukları ya da aradıkları yirmi otuz soruyu toplayın, cevapları kontrol edin.

## Yetki kontrolü neden şart?

Bir bilgi bankası şirketin bütün belgelerine erişiyorsa, yanlış kurulduğunda herkes her şeyi görebilir. Maaş tablosu, disiplin kayıtları ya da yönetim kurulu notları bir çalışanın sorusunun cevabında çıkmamalı.

İyi bir kurulumda sistem, kullanıcının belge kaynağındaki mevcut yetkilerini dikkate alır. Bir çalışan SharePoint'te göremediği bir belgeyi bilgi bankasında da göremez.

## Belgeleri güncel tutmak

Bilgi bankasının en büyük düşmanı eski bilgi. Prosedür değişmiş ama eski sürüm klasörde duruyorsa sistem ikisini de bulabilir ve yanlış olanla cevap verebilir.

Bunu önlemenin yolları:

- Kaynak klasörlerin düzenli olarak taranması ve değişikliklerin dizine yansıması
- Her belgenin bir sahibi ve son güncelleme tarihi olması
- Eski sürümlerin ayrı bir arşive taşınması
- Çelişkili cevapların raporlanması ve düzeltilmesi

İlginç bir yan etki: bilgi bankası kurulurken şirketler kendi belgelerindeki çelişkileri fark ediyor. Aynı konuda iki farklı talimat, kimsenin güncellemediği eski bir fiyat listesi. Bunları temizlemek tek başına bile faydalı.

## Nerede işe yarar?

Yeni çalışanın işe alışması. Soruları için her seferinde bir meslektaşını meşgul etmek yerine sisteme sorar.

Teknik destek ve saha ekipleri. Arıza kodunun ne anlama geldiğini, hangi parçanın gerektiğini sahada telefondan sorar.

Satış. Geçmişte benzer bir müşteriye ne teklif edildiğini, hangi referansların olduğunu bulur.

Hukuk ve uyum. Yüzlerce sözleşme arasında belirli bir maddeyi içerenleri bulur.

İnsan kaynakları. İzin, yan haklar ve yönetmelik sorularını yanıtlar.

## Veri güvenliği

Belgeler şirketin en hassas bilgilerini içerebilir. Kullanılan model hizmetinin veriyi eğitimde kullanmaması, belge dizininin şirketin kontrolündeki bir altyapıda tutulması ve erişimlerin kaydedilmesi gerekiyor. Çok hassas belgeler için dizin ve model şirketin kendi sunucusunda çalıştırılabilir. Ayrıntılar: [ChatGPT'yi şirkette güvenli kullanma ve KVKK](/rehberler/chatgpt-sirkette-guvenli-kullanim-kvkk/).

## İlgili rehberler

Bilgi bankası ile modeli özel eğitmek arasındaki farkı [özel model mi, hazır model mi](/rehberler/ozel-model-mi-hazir-model-mi/) rehberinde anlattık. Departman örnekleri için [şirketimde yapay zekâ ile neler yapabilirim](/rehberler/sirketimde-yapay-zeka-ile-neler-yapabilirim/) rehberine bakabilirsiniz.

Birbu'nun kurduğu bilgi bankası [şirket belleği](/cozumler/sirket-bellegi/) sayfasında. Belgelerinizle küçük bir deneme yapmak isterseniz [ücretsiz 30 dakikalık analiz](/randevu/) görüşmesinde planlayabiliriz.

## Sık sorulan sorular

### RAG nedir?

Retrieval Augmented Generation, Türkçesiyle getirme destekli üretim. Soru geldiğinde önce şirket belgeleri arasından ilgili parçalar bulunur, sonra bu parçalar soruyla birlikte modele verilir ve model cevabı bu parçalara dayanarak yazar.

### Model şirket belgelerimizle eğitiliyor mu?

Hayır. RAG'de model değişmez. Belgeler ayrı bir dizinde tutulur ve her soruda yalnız ilgili parçalar modele okutulur. Belge güncellendiğinde dizin güncellenir, model yeniden eğitilmez.

### Hangi belge türleri eklenebilir?

PDF, Word, Excel, PowerPoint, e-posta arşivleri, wiki sayfaları, Google Drive ve SharePoint klasörleri, destek kayıtları ve veritabanı tabloları. Taranmış belgeler önce metne çevrilir.

### Cevabın doğru olduğunu nasıl anlarım?

İyi bir sistem her cevabın yanında dayandığı belgeyi ve bölümü gösterir. Çalışan tıklayıp kaynağı okuyabilir. Kaynak gösteremeyen cevaplara güvenilmemeli.

### Herkes her belgeyi görebilir mi?

Görmemeli. Sistem kullanıcının mevcut yetkilerini dikkate alır. İnsan kaynakları belgeleri yalnız yetkili kişilerin aramasında çıkar.

### Belgeler değişince ne olur?

Kaynak klasörler düzenli olarak taranır, değişen belgeler yeniden dizinlenir, silinenler dizinden çıkarılır. Eski sürümlerin cevaplara karışmaması için belgelerin bir sahibi ve güncelleme tarihi olması önemli.

### Çelişkili belgeler varsa sistem ne yapar?

İki farklı prosedür aynı konuda farklı şey söylüyorsa sistem ikisini de gösterip çelişkiyi belirtmeli. Bu tür çelişkiler aslında bilgi bankası kurulurken ortaya çıkan faydalı bir bulgudur.

### Müşterilere de açılabilir mi?

Ürün kılavuzları, sık sorulan sorular ve destek makaleleri gibi dışarıya açık belgelerle müşteri asistanı kurulabilir. İç belgeler ayrı tutulur.

### Kendi sunucumuzda çalışabilir mi?

Evet. Belge dizini ve gerekiyorsa açık ağırlıklı bir model şirketin kendi sunucusunda çalıştırılabilir. Veri dışarı çıkmaz.

### Birbu şirket belleği kurulumunda ne yapıyor?

Belge kaynaklarını bağlıyor, dizini kuruyor, yetkileri tanımlıyor, kaynak gösteren bir arayüz ya da Slack, Teams, WhatsApp entegrasyonu hazırlıyor. Test, şirketin gerçek sorularıyla yapılıyor.
