Kliniklerde Yapay Zeka Kullanımı: Uygulama, Mevzuat ve Yol Haritası Rehberi

Kliniklerde yapay zeka tartışması genellikle iki uçtan birine savruluyor: ya “yakında hekimlerin yerini alacak” abartısı ya da “bize göre değil, biz küçük bir kliniğiz” savunması. İkisi de aynı hatayı yapıyor — yapay zekayı tek bir şey sanıyor.

Oysa bir klinikte yapay zeka, birbirinden tamamen farklı üç katmanda çalışır ve bu katmanların risk profili, mevzuat yükü, maliyeti ve geri dönüş süresi birbirine hiç benzemez. Randevu hatırlatmasını otomatikleştirmekle radyoloji görüntüsü yorumlamak, aynı başlık altında konuşulamayacak kadar farklı işlerdir.

Bu rehber, kliniklerde yapay zeka kullanımını hangi katmandan başlanacağı, neyin yasal olarak mümkün olduğu, hangi verinin gerektiği ve yatırımın nasıl ölçüleceği sorularıyla ele alıyor. Sağlık sektöründe AI’ın genel görünümünü sağlık sektöründe yapay zeka yazısında paylaşmıştım; bu yazı onun devamı niteliğinde, uygulama tarafına odaklanıyor.

Kliniklerde Yapay Zekanın Üç Katmanı

Yatırım kararı vermeden önce netleştirilmesi gereken en önemli ayrım budur. Aşağıdaki tablo, üç katmanın neden aynı şekilde ele alınamayacağını gösteriyor.

	Katman 1: Büyüme	Katman 2: Operasyon	Katman 3: Klinik Karar
Ne yapar	Hasta kazanımı, içerik, iletişim	Randevu, dokümantasyon, planlama	Teşhis desteği, risk skorlama
Veri hassasiyeti	Düşük–orta	Yüksek	En yüksek
Mevzuat yükü	Reklam mevzuatı, KVKK	KVKK, veri güvenliği	KVKK + tıbbi cihaz mevzuatı
Hata maliyeti	Düşük (düzeltilebilir)	Orta (operasyonel aksama)	Çok yüksek (hasta güvenliği)
Kurulum süresi	Günler–haftalar	Haftalar–aylar	Aylar–yıllar
Geri dönüş hızı	Hızlı	Orta	Yavaş, dolaylı
Başlangıç önceliği	✅ Buradan başlayın	✅ İkinci adım	⚠️ Hazır olduğunuzda

Pratik sonuç: Türkiye’deki kliniklerin büyük çoğunluğu için doğru başlangıç noktası Katman 1 ve 2’dir. Katman 3, tıbbi cihaz mevzuatına tabi olabilen, doğrulama süreci gerektiren ve hekim sorumluluğunu ortadan kaldırmayan bir alandır — ve doğru altyapı kurulmadan girilmesi anlamsızdır.

Bu yazı boyunca tekrar edeceğim bir ilke var: yapay zeka, kötü çalışan bir süreci iyileştirmez — hızlandırır. Randevu sisteminiz karmaşıksa AI onu daha hızlı karmaşık hale getirir. Önce süreç, sonra otomasyon.

Bölüm 1: Yasal Çerçeve — Neyi Yapabilirsiniz, Neyi Yapamazsınız

Bu bölümü atlamayın. Sağlık verisiyle çalışan bir yapay zeka projesinde en pahalı hata, teknik değil hukuki olandır.

1.1 KVKK ve özel nitelikli kişisel veri

Sağlık verisi, 6698 sayılı KVKK kapsamında özel nitelikli kişisel veridir ve normal kişisel verilerden çok daha katı bir rejime tabidir. Bir klinik yapay zeka projesinde bunun pratik karşılıkları:

Açık rıza veya kanuni istisna gerekir. Sağlık verisi, sır saklama yükümlülüğü altındaki sağlık personeli veya yetkili kurumlarca belirli amaçlarla işlenebilir; bunun dışındaki her işleme için açık rıza aranır. “Hizmet sözleşmesi kapsamında” gerekçesi sağlık verisinde yeterli değildir.
Amaçla sınırlılık. Tedavi amacıyla toplanan veriyi pazarlama modeline beslemek ayrı bir işleme faaliyetidir ve ayrı rıza gerektirir.
Yurt dışına aktarım kritik eşiktir. Bulut tabanlı yapay zeka araçlarının çoğu veriyi yurt dışındaki sunucularda işler. Sağlık verisinin yurt dışına aktarımı, KVKK’nın aktarım rejimine (yeterlilik kararı, standart sözleşme, bağlayıcı şirket kuralları veya açık rıza) uygun olmalıdır. Bir hasta kaydını doğrudan halka açık bir sohbet aracına yapıştırmak, muhtemelen ihlal doğurur.
Veri minimizasyonu. Modelin işini görmesi için gereken minimum veri kullanılmalı; kimlik bilgileri anonimleştirilebiliyorsa anonimleştirilmelidir.
Aydınlatma ve VERBİS. Hastanın verisinin yapay zeka destekli bir süreçte işlendiği, aydınlatma metninde açıkça belirtilmelidir.

Web sitesi ve form tarafındaki KVKK uyumunu klinik web sitesi KVKK uyumu yazısında ayrıntılı ele almıştım; yapay zeka katmanı bu temelin üzerine kurulur.

1.2 Klinik karar destek yazılımı = tıbbi cihaz olabilir

Bu, kliniklerin en sık gözden kaçırdığı noktadır. Bir yazılım, teşhis veya tedavi kararına yönelik bilgi üretiyorsa tıbbi cihaz kapsamına girebilir. Bu durumda CE işareti, uygunluk değerlendirmesi ve ilgili kayıt yükümlülükleri gündeme gelir.

Pratik ayrım şu şekilde düşünülebilir:

Uygulama	Muhtemel statü
Randevu hatırlatma otomasyonu	Tıbbi cihaz değil
Hasta sorularını yanıtlayan bilgilendirme chatbot’u	Genellikle tıbbi cihaz değil (tanı/tedavi önerisi vermediği sürece)
Muayene notunu sesten metne dönüştüren araç	Genellikle tıbbi cihaz değil (yorum yapmıyorsa)
Semptomlara göre olası tanı öneren sistem	Tıbbi cihaz kapsamına girebilir
Görüntü üzerinde lezyon işaretleyen yazılım	Tıbbi cihaz — sertifikasyon gerekir
Tedavi dozu öneren algoritma	Tıbbi cihaz — yüksek risk sınıfı

Ayrım her zaman net değildir ve ürünün iddiasına göre değişir. Kural: Bir tedarikçi size klinik karar desteği satıyorsa, ürünün sertifikasyon belgelerini görmeden sözleşme imzalamayın.

1.3 Avrupa’ya hasta kabul ediyorsanız ek bir katman var

Sağlık turizmi yapan klinikler için AB’nin yapay zeka düzenlemesi de gündeme gelebilir. Bu düzenleme, yapay zeka sistemlerini risk seviyelerine göre sınıflandırır ve sağlıkla ilgili birçok uygulamayı yüksek riskli kategoriye yerleştirir; ayrıca kullanıcıya bir yapay zeka ile etkileşimde olduğunun bildirilmesi gibi şeffaflık yükümlülükleri getirir.

Pratik çıkarım basit ve zaten iyi bir uygulamadır: hastaya chatbot’un bot olduğunu söyleyin. Kendini insan gibi tanıtan bir asistan, hem hukuki risk hem de güven kaybı üretir.

Sağlık turizmi tarafındaki genel yasal çerçeve için sağlık turizmi yasal süreçler yazısına bakabilirsiniz.

1.4 Reklam mevzuatıyla kesişim

Yapay zeka ile üretilen pazarlama içerikleri, sağlık reklam mevzuatının dışında değildir. AI’ın ürettiği metin “garantili sonuç”, “en iyi klinik” gibi ifadeler içeriyorsa sorumluluk kliniktedir — modelin değil. Bu yüzden yapay zeka üretimi her içerik, yayına çıkmadan önce mevzuat filtresinden geçmelidir.

Sınırlar için sağlıkta reklam yasağı ve dijital pazarlama yazısı referans alınabilir.

1.5 Sorumluluk hekimdedir

Hukuken ve etik olarak değişmeyen tek şey budur: yapay zeka çıktısına dayanarak alınan klinik kararın sorumluluğu hekime aittir. “Sistem böyle önerdi” savunması yoktur. Bu nedenle Katman 3 uygulamalarında doğrulama adımı, sistemin kendisi kadar önemlidir.

Bölüm 2: Katman 1 — Hasta Yolculuğunda Yapay Zeka

En hızlı geri dönüş üreten katman budur; çünkü hasta verisiyle değil, çoğunlukla potansiyel hasta iletişimiyle çalışır.

2.1 İçerik üretimi — ama sandığınız şekilde değil

Kliniklerin yapay zekayla ilk denediği şey içerik üretmektir ve çoğu burada başarısız olur. Sebep basit: modele “saç ekimi hakkında blog yazısı yaz” demek, internette zaten yüzlercesi bulunan jenerik bir metin üretir. Arama motorları da hastalar da bunu ödüllendirmez.

Çalışan yaklaşım: Yapay zekayı yazar olarak değil, üretim hattının parçası olarak kullanmak.

Araştırma: Hastaların gerçekte hangi soruları sorduğunun çıkarılması. Konsültasyon kayıtları, WhatsApp yazışmaları ve çağrı merkezi notları bu iş için altın değerinde bir veri kaynağıdır — modele bu ham metni verip tekrarlayan soruları kategorize ettirmek, klasik anahtar kelime araştırmasının bulamayacağı içgörüler çıkarır. Klasik yöntemle birleştirmek için yapay zeka ile anahtar kelime araştırması yazısına bakın.
İskelet: Başlık yapısı ve kapsanacak alt başlıkların çıkarılması.
İlk taslak: Modelin taslağı üretmesi — ama kliniğin kendi verisi, kendi yöntemi ve hekimin kendi yaklaşımı prompt içine verilerek.
Hekim revizyonu: Tıbbi doğruluk kontrolü. Bu adım atlanamaz.
Mevzuat kontrolü: İddia içeren ifadelerin temizlenmesi.
Yayın ve ölçüm.

Bu akışta yapay zeka üretim süresini belirgin biçimde kısaltır ama tıbbi otoriteyi hekimden almaz. Google’ın sağlık içeriğinde aradığı uzmanlık ve güvenilirlik sinyalleri de tam olarak bunu gerektirir — konuyu E-E-A-T nedir, neden önemlidir yazısında detaylandırmıştım.

İçerik planının bütününü kurmak için sağlık turizmi blog stratejisi yazısı kullanılabilir.

2.2 Yapay zeka arama motorlarında görünürlük

Hastaların önemli bir kısmı artık Google’a değil, doğrudan yapay zeka asistanlarına soruyor: “İstanbul’da göz kliniği önerir misin?”, “Bu tedavi için hangi kriterlere bakmalıyım?”

Bu, kliniklerin görünürlük denkleminde yeni bir alan açtı. Klasik SEO’nun yanına, yapay zeka yanıtlarında kaynak olarak gösterilmeyi hedefleyen bir çalışma ekleniyor:

Yapılandırılmış ve alıntılanabilir içerik. Model, net tanımlar ve doğrudan cevaplar içeren içerikleri tercih eder.
Kaynak gösterilebilirlik. Hekim adı, kurum, tarih ve referans içeren içerikler daha güvenilir sinyal verir.
Teknik erişilebilirlik. Yapay zeka tarayıcılarının siteye erişebilmesi gerekir.

Bu alanı detaylandıran yazılar: GEO nedir — generative engine optimization rehberi, answer engine optimization (AEO) nedir, AI Overview optimizasyonu, AI crawler optimizasyonu ve LLM SEO stratejileri. Sağlık turizmi özelinde ise sağlık turizmi için GEO yazısı var. Bu tarafı profesyonel olarak kurmamı isterseniz GEO danışmanlığı hizmet sayfasında çalışma modelini anlattım.

2.3 Chatbot: en çok istenen, en çok yanlış kurulan uygulama

Klinik chatbot’u, doğru kurulduğunda gece 02:00’de gelen soruya cevap veren ve sabah satış ekibine hazır bir lead bırakan bir sistemdir. Yanlış kurulduğunda ise hastayı sinirlendiren bir menü ağacıdır.

Klinik chatbot’unda olması gerekenler:

Kapsam sınırı net tanımlanmış olmalı. Bot; fiyat aralığı, süreç, konum, hazırlık talimatları ve randevu gibi konularda konuşur. Tanı koymaz, tedavi önermez, ilaç adı vermez. Bu sınır sistem talimatında açıkça yazılmalıdır.
Bilgi tabanı kliniğin kendi içeriğinden beslenmeli. Modelin genel bilgisiyle değil, kliniğin doğrulanmış SSS’leri, süreç dokümanları ve hekim onaylı metinleriyle çalışmalı. Bu yaklaşım halüsinasyon riskini belirgin biçimde düşürür.
İnsana devir mekanizması olmalı. Bot cevabı bilmediğinde uydurmamalı, danışmana aktarmalı. “Bu soruyu danışmanımıza iletiyorum” cümlesi, yanlış cevaptan her zaman iyidir.
Acil durum protokolü olmalı. Acil bir tıbbi durum ifade eden mesajlarda bot, sohbeti sürdürmek yerine kullanıcıyı acil servise yönlendirmelidir.
Bot olduğunu söylemeli. Şeffaflık hem hukuki gereklilik hem güven unsuru.
Konuşma CRM’e düşmeli. Aksi halde kaydedilen ilgi kaybolur.

Chatbot kurulumunu ve teknik mimarisini AI chatbot geliştirme hizmet sayfasında anlattım; daha geniş otomasyon senaryoları için AI agent geliştirme sayfasına bakabilirsiniz.

2.4 Çok dilli hasta iletişimi

Sağlık turizmi yapan klinikler için yapay zekanın en somut faydası burada ortaya çıkıyor. Altı dilde danışman istihdam etmek çoğu klinik için mümkün değildir; makine çevirisi destekli bir iletişim akışı ise gerçekçidir.

Ancak iki kritik uyarı:

Tıbbi içerikli metinlerde ham makine çevirisi yayınlanmaz. Hazırlık talimatı, onam metni veya ilaç bilgisi gibi içerikler mutlaka insan kontrolünden geçmelidir. Çeviri hatası burada operasyonel bir risktir.
Pazarlama metinlerinde kültürel uyarlama gerekir. Almanca bir hastanın beklediği ton ile Körfez pazarındaki bir hastanın beklediği ton aynı değildir. Modele “çevir” demek yerine “bu pazarın beklentisine göre uyarla” demek, sonucu belirgin biçimde iyileştirir.

Çok dilli site altyapısı için çok dilli SEO yazısı teknik tarafı kapsıyor.

2.5 Reklam ve kampanya tarafında AI

Reklam platformlarının kendi otomasyonları zaten yapay zeka tabanlıdır. Kliniğin buradaki katkısı, algoritmaya doğru sinyali vermektir:

Kalitesiz lead’lerin dönüşüm verisinden temizlenmesi
Mevcut hasta listelerinden benzer kitle üretimi
Kreatif varyasyonlarının hızlı üretimi ve test edilmesi
Reklam metinlerinin pazar ve dile göre çoğaltılması

Bu mantığın saç ekimi özelindeki uygulamasını saç ekim merkezi reklam çalışması rehberinde, klinik genelinde ise klinikler için Google Ads yazısında ele aldım. Reklam ve yapay zekayı birleştiren hizmet tarafı için yapay zeka destekli dijital pazarlama sayfası var.

Bölüm 3: Katman 2 — Klinik Operasyonunda Yapay Zeka

Bu katman daha az konuşulur ama kliniğe en somut zaman tasarrufunu genellikle burası sağlar.

3.1 Tıbbi dokümantasyon

Hekimlerin mesai süresinin ciddi bir bölümü not tutmaya gider. Ses kaydından muayene notu üreten araçlar (ambient scribe), bu yükü belirgin biçimde azaltır.

Kurulumda dikkat edilmesi gerekenler:

Hasta rızası şart. Kaydın alındığı ve nasıl işlendiği hastaya bildirilmelidir.
Verinin nerede işlendiği bilinmelidir. Yerel işleme mümkünse tercih edilir; bulut kullanılacaksa aktarım rejimi netleştirilmelidir.
Hekim onayı olmadan kayda geçmez. Üretilen not taslaktır; hekim düzeltip onaylamadan hasta dosyasına işlenmemelidir.
Türkçe tıbbi terminoloji performansı test edilmelidir. İngilizce’de mükemmel çalışan bir aracın Türkçe tıbbi terimlerdeki başarısı farklı olabilir. Satın almadan önce kendi kliniğinizin ses kayıtlarıyla test edin.

3.2 Randevu ve kapasite yönetimi

No-show tahmini: Geçmiş randevu verisi üzerinden gelmeme olasılığı yüksek randevuların işaretlenmesi ve bunlara ek hatırlatma yapılması. Basit bir model bile boş koltuk oranını düşürebilir.
Akıllı hatırlatma: Hastanın tercih ettiği kanal ve saatte hatırlatma gönderimi.
Kapasite planlama: Yoğunluk tahminine göre personel ve oda planlaması.
Bekleme listesi otomasyonu: İptal olduğunda listedeki uygun hastaya otomatik teklif gönderimi — çoğu klinikte tamamen manuel yürüyen ve bu yüzden kaçırılan bir gelir kalemi.

3.3 Çağrı merkezi ve konuşma analizi

Klinikler her gün yüzlerce konuşma yapar ve bu konuşmaların içindeki bilgi neredeyse hiç kullanılmaz. Konuşma metne dönüştürülüp analiz edildiğinde ortaya çıkanlar:

En sık sorulan ama sitede cevabı olmayan sorular → içerik planına girer
Fiyat itirazının hangi aşamada geldiği → satış senaryosu düzeltilir
Danışman bazında yanıt kalitesi farkları → eğitim ihtiyacı
Kaçırılan çağrı oranları ve zaman dilimleri → vardiya planı

Bu analiz, yapay zekanın kliniklerde en hafife alınan ama en yüksek getirili kullanımlarından biridir. Satış tarafını güçlendirmek için sağlık turizmi satış teknikleri yazısındaki akışla birleştirilebilir.

3.4 CRM ve takip otomasyonu

Yapay zekanın klinik CRM’inde yaptığı işler:

Gelen lead’in niyet seviyesine göre skorlanması ve önceliklendirilmesi
Yanıt vermeyen hastalara aşamalı hatırlatma dizisi
Konuşma özetlerinin otomatik çıkarılıp danışman devrinde kullanılması
Operasyon sonrası takip mesajlarının zamanlanması

CRM altyapısı olmayan bir klinikte bu otomasyonların hiçbiri çalışmaz. Kurulum için sağlık turizmi CRM ve otomasyon rehberi ve CRM neden önemli yazıları temel oluşturur.

3.5 İtibar ve yorum yönetimi

Yapay zeka, gelen yorumları duygu analizine tabi tutup olumsuz olanları anında ilgili birime bildirebilir; yanıt taslakları üretebilir. Ancak yorum yanıtları onaylanmadan yayınlanmamalıdır — sağlıkla ilgili bir yoruma verilen otomatik yanıt, hasta mahremiyetini ihlal edebilir. Bu alanı sağlık turizmi online itibar yönetimi yazısında ele almıştım.

3.6 Departman bazında hızlı uygulama tablosu

Departman	Uygulama	Etki	Risk	Öncelik
Çağrı merkezi	Konuşma analizi, özetleme	Yüksek	Düşük	1
Pazarlama	İçerik üretim hattı, kreatif çoğaltma	Yüksek	Düşük	1
Satış / danışmanlık	Lead skorlama, takip otomasyonu	Yüksek	Orta	1
Ön büro	Randevu, hatırlatma, bekleme listesi	Orta–yüksek	Düşük	2
Hasta iletişimi	Chatbot, çok dilli yanıt	Yüksek	Orta	2
Klinik kadro	Sesten muayene notu	Yüksek	Orta–yüksek	3
Finans	Fatura eşleştirme, tahsilat takibi	Orta	Düşük	3
Klinik karar	Görüntü analizi, risk skorlama	Değişken	Çok yüksek	4

Bölüm 4: Katman 3 — Klinik Karar Desteği

Bu katmanı bilinçli olarak en sona bıraktım, çünkü çoğu klinik için doğru başlangıç noktası değildir.

Yapay zeka görüntüleme, patoloji ve risk skorlama alanlarında gerçek bir potansiyel taşır. Ancak klinik uygulamaya geçirilmesi şunları gerektirir:

Sertifikasyon. Ürünün tıbbi cihaz mevzuatına uygunluğu belgelenmiş olmalı.
Doğrulama. Ürünün eğitildiği popülasyon ile sizin hasta popülasyonunuz farklıysa performansı da farklı olur. Kendi verinizle doğrulama şarttır.
İş akışına entegrasyon. Hekimin mevcut sistemine entegre olmayan bir araç, ne kadar iyi olursa olsun kullanılmaz.
Sorumluluk ve dokümantasyon. Sistemin önerisinin ne olduğu, hekimin ne karar verdiği ve gerekçesi kayıt altına alınmalıdır.
Otomasyon önyargısına karşı önlem. Sistemin sürekli doğru çıkması, hekimin kontrolü gevşetmesine yol açabilir. Bu, literatürde bilinen ve ciddiye alınması gereken bir risktir.

Özet tavsiye: Katman 3’e girmeden önce Katman 1 ve 2’de en az bir yıl deneyim biriktirin. Veri altyapısı, ekip alışkanlığı ve tedarikçi değerlendirme yetkinliği bu katmanlarda oluşur.

Bölüm 5: Veri Altyapısı — Yapay Zekanın Görünmeyen Ön Koşulu

Yapay zeka projelerinin başarısızlık nedenlerinin çoğu modelde değil, veridedir. Kliniklerde tipik tablo şudur:

Hasta kayıtları HBYS’de, lead’ler Excel’de, WhatsApp konuşmaları telefonda, reklam verileri panellerde, muhasebe ayrı bir programda.
Aynı hasta üç sistemde üç farklı isimle kayıtlı.
Hangi hastanın hangi reklamdan geldiği hiçbir yerde yazmıyor.

Bu tabloda yapay zeka kurmak, temeli olmayan binaya çatı yapmaya benzer.

Minimum veri hazırlığı:

Tek hasta kimliği. Aynı kişinin tüm sistemlerde tek bir kimlikle eşleşmesi.
Kaynak takibi. Her lead’in geldiği kanalın kaydedilmesi.
Yapılandırılmış kayıt. Serbest metin yerine, en azından kritik alanların standart formatta tutulması.
Erişim yetkilendirmesi. Kimin hangi veriye erişebildiğinin tanımlı olması — hem güvenlik hem mevzuat gereği.
Saklama ve silme politikası. Verinin ne kadar süre tutulacağı ve nasıl imha edileceği.
Yedekleme ve olay müdahale planı. Veri ihlali durumunda ne yapılacağının önceden yazılmış olması.

Bu altyapı yapay zeka olmadan da değerlidir; yapay zeka sadece onu daha kârlı hale getirir. Entegrasyon tarafında destek isterseniz yapay zeka entegrasyonu ve yapay zeka otomasyon hizmetleri sayfalarında çalışma kapsamını paylaştım.

Bölüm 6: Araç Seçimi — Satın Almak mı, Kurmak mı?

	Hazır ürün (SaaS)	Özel geliştirme
Kurulum süresi	Günler	Haftalar–aylar
Başlangıç maliyeti	Düşük	Yüksek
Uzun vade maliyeti	Abonelik, kullanıcı başına artar	Sabit + bakım
Özelleştirme	Sınırlı	Tam
Veri kontrolü	Sağlayıcıya bağlı	Sizde
Uygun olduğu yer	Standart süreçler (randevu, CRM)	Kliniğe özgü akışlar, entegrasyon

Çoğu klinik için doğru cevap karmadır: standart işler için hazır ürün, kliniğe özgü akışlar için özel geliştirme.

Tedarikçiye sorulacak 12 soru

Verimiz nerede işleniyor ve nerede saklanıyor?
Verimiz model eğitiminde kullanılıyor mu? Kullanılmamasını sağlayabilir miyiz?
Veri işleyen sıfatıyla sözleşme imzalıyor musunuz?
Sağlık verisi için hangi güvenlik sertifikalarına sahipsiniz?
Ürün tıbbi cihaz kapsamında mı? Kapsamdaysa belgeleri paylaşabilir misiniz?
Sistem yanlış çıktı ürettiğinde sorumluluk nasıl paylaşılıyor?
Türkçe performansı hangi veriyle test edildi?
Mevcut HBYS ve CRM sistemimizle entegrasyon mümkün mü?
Sözleşme biterse verimizi hangi formatta geri alabiliriz?
Fiyatlandırma kullanım arttıkça nasıl değişiyor?
Modelin sürüm değişikliklerinde davranış değişimi nasıl bildiriliyor?
Benzer ölçekte kaç klinikle çalışıyorsunuz, referans verebilir misiniz?

Bu soruların yanıtlarını yazılı alın. Özellikle 2. ve 9. maddeler, ileride en çok sorun çıkaran kalemlerdir.

Değerlendirme sürecinde bağımsız bir görüş isterseniz yapay zeka danışmanlığı hizmetim tam olarak bu ihtiyaca yönelik; danışmanlığın kapsamını yapay zeka danışmanlığı nedir yazısında da açıklamıştım.

Bölüm 7: Maliyet ve Geri Dönüş Ölçümü

”Yapay zeka pahalı mı?” sorusunun cevabı, neyle karşılaştırdığınıza bağlıdır. Doğru soru: hangi maliyeti düşürüyor veya hangi geliri artırıyor?

Ölçülebilir kazanç kalemleri

Alan	Ölçüm metriği	Nasıl hesaplanır
Dokümantasyon	Hekim başına günlük not tutma süresi	Öncesi/sonrası kıyas × saatlik maliyet
Çağrı merkezi	Karşılanan çağrı oranı, ortalama yanıt süresi	Kaçırılan çağrı × dönüşüm oranı × hasta değeri
No-show	Gelmeyen randevu oranı	Doldurulan boş slot × ortalama gelir
Lead yanıtı	İlk yanıt süresi	Yanıt hızı–kapanma oranı ilişkisi
İçerik	Yayın başına üretim süresi ve maliyeti	Süre tasarrufu × birim maliyet
Çeviri	Dil başına dış kaynak gideri	Önceki fatura − yeni maliyet
Bekleme listesi	Doldurulan iptal slotu sayısı	Ek gelir

Pilot nasıl tasarlanır?

Yapay zeka yatırımını tek seferde büyük ölçekte yapmayın. Doğru yöntem, dar kapsamlı ve ölçülebilir pilot:

Tek bir süreç seçin. “Kliniği AI’a geçirelim” değil, “randevu hatırlatmasını otomatikleştirelim”.
Mevcut durumu ölçün. Pilot öncesi rakamı bilmiyorsanız sonrasını değerlendiremezsiniz.
Süre ve başarı kriteri belirleyin. “6 hafta sonunda no-show oranı X’ten Y’ye inerse devam.”
Bir sorumlu atayın. Sahipsiz pilot, kendiliğinden ölür.
Karşılaştırma grubu kurun. Mümkünse yarı yarıya karşılaştırın; böylece iyileşmenin AI’dan mı yoksa mevsimsellikten mi geldiğini ayırt edersiniz.
Sonucu yazılı raporlayın. Devam, düzelt veya durdur kararı bu rapora dayanmalı.

Klinik ölçeğinde bütçe planlamasının genel çerçevesi için klinik reklam bütçesi ve büyüme tarafı için sağlık sektöründe ciro artırma yazıları tamamlayıcıdır.

Bölüm 8: 6 Aylık Uygulama Yol Haritası

Ay 1 — Envanter ve hazırlık

Mevcut süreçlerin haritalanması: hangi iş nerede, kaç kişi, ne kadar sürede yapılıyor?
Veri envanteri: hangi veri nerede tutuluyor, kim erişiyor?
KVKK gözden geçirmesi: aydınlatma metinleri, rıza akışları, aktarım durumu
Ekipten “en çok zaman kaybettiren iş” listesinin toplanması — pilot adayları bu listeden çıkar
Kullanım politikası taslağı: personelin hangi araçlara hangi veriyi girebileceği

Ay 2 — İlk pilot (düşük risk, hızlı geri dönüş)

Tek bir süreç seçimi: içerik üretim hattı veya çağrı analizi önerilir
Mevcut durum ölçümü ve başarı kriterinin yazılması
Araç seçimi ve tedarikçi sorularının yanıtlanması
4–6 haftalık pilot ve haftalık değerlendirme

Ay 3 — Hasta iletişimi katmanı

Chatbot bilgi tabanının hazırlanması: SSS’ler, süreç dokümanları, hekim onaylı metinler
Kapsam sınırı ve acil durum protokolünün yazılması
Sınırlı yayın (önce yalnızca mesai dışı saatlerde), konuşma kayıtlarının incelenmesi
CRM entegrasyonu ve lead akışının doğrulanması

Ay 4 — Operasyon otomasyonu

Randevu hatırlatma, no-show tahmini ve bekleme listesi otomasyonu
Lead skorlama kurallarının devreye alınması
Çağrı merkezi analizinden çıkan içgörülerin içerik ve satış senaryosuna işlenmesi

Ay 5 — Ölçek ve eğitim

Pilotlardan başarılı olanların tüm birimlere yaygınlaştırılması
Personel eğitimi: doğru kullanım, sınırlar, doğrulama alışkanlığı
Kullanım politikasının kesinleştirilmesi ve imzalatılması
İlk çeyrek raporu: hangi kalem ne kazandırdı?

Ay 6 — Değerlendirme ve sonraki faz

Tüm uygulamaların maliyet–fayda değerlendirmesi
Çalışmayanların kapatılması (bu adım atlanır ve klinikler kullanılmayan araçlara ödeme yapmayı sürdürür)
Klinik karar desteği tarafının değerlendirilmeye alınıp alınmayacağı kararı
Sonraki 6 ay planı

Bu takvim, ekibin normal işini sürdürürken uygulanabilir bir tempoda tasarlandı. Süreci hızlandırmak isterseniz yapay zeka çözümleri ve işletmeler için yapay zeka sayfalarında kurumsal kurulum kapsamını paylaştım.

Bölüm 9: Personel Adaptasyonu

Teknoloji projelerinin başarısızlık nedeni genellikle teknoloji değildir. Kliniklerde en sık karşılaşılan direnç kalıpları ve karşılıkları:

“Bizim yerimizi alacak.” Karşılık: Hangi işin ortadan kalktığını değil, hangi zamanın serbest kaldığını konuşun. Not tutmaktan kurtulan hekimin kazandığı zaman, hasta başına ayrılan süreye dönüşüyorsa bunu somut biçimde gösterin.

”Hata yaparsa sorumlusu ben olurum.” Karşılık: Bu haklı bir endişedir ve doğru cevabı “merak etme” değildir. Doğrulama adımını sürecin resmi parçası yapın ve yazılı hale getirin. Sorumluluğun nerede olduğu netleşince direnç azalır.

”Zaten işim başımdan aşkın, bir de bunu öğrenemem.” Karşılık: Eğitim, ayrı bir toplantı değil işin içinde olmalı. İlk hafta yanında oturarak kullandırmak, üç saatlik sunumdan etkilidir.

”Denedik, saçmaladı.” Karşılık: Çoğunlukla haklıdırlar — ve genellikle sorun araçta değil, ona verilen bağlamdadır. Kliniğin kendi bilgisiyle beslenmiş bir sistemle, boş bir sohbet kutusuna soru sormak arasındaki farkı gösterin.

Yazılı kullanım politikası şart. İçermesi gerekenler: hangi araçların onaylı olduğu, hangi veri türünün hiçbir koşulda dış araca girilemeyeceği (hasta kimlik bilgileri başta olmak üzere), çıktının kim tarafından doğrulanacağı ve ihlal durumunda ne yapılacağı.

Bölüm 10: Riskler ve Karşı Önlemler

Risk	Ne demek	Karşı önlem
Halüsinasyon	Modelin emin bir tonda yanlış bilgi üretmesi	Kliniğin kendi bilgi tabanına dayandırma, kaynak gösterme zorunluluğu, insan onayı
Veri sızıntısı	Hasta verisinin dış sisteme çıkması	Kullanım politikası, anonimleştirme, kurumsal hesap, erişim kontrolü
Önyargı	Modelin belirli hasta gruplarında daha kötü çalışması	Kendi popülasyonunuzla test, sonuçların segment bazında izlenmesi
Otomasyon önyargısı	Sisteme fazla güvenip kontrolü gevşetme	Zorunlu doğrulama adımı, düzenli kör kontrol
Model çürümesi	Zamanla performansın sessizce düşmesi	Periyodik performans ölçümü, sürüm değişikliklerinin takibi
Tedarikçi bağımlılığı	Veriyi geri alamama, fiyat artışına mahkûm olma	Sözleşmede veri taşınabilirliği maddesi, çıkış planı
İtibar riski	Hastanın yanlış yönlendirilmesi veya bot ile aldatılma hissi	Şeffaflık, kapsam sınırı, acil durum protokolü
Mevzuat riski	Sertifikasız ürünün klinik kararda kullanılması	Satın alma öncesi hukuki ve teknik uygunluk kontrolü

En Sık Yapılan 12 Hata

Süreci düzeltmeden otomatikleştirmek. Bozuk süreç, otomatikleştirildiğinde daha hızlı bozulur.
Aynı anda beş projeye başlamak. Hiçbiri tamamlanmaz, hepsi “AI işe yaramıyor” kanısı bırakır.
Hasta verisini halka açık araçlara yapıştırmak. En yaygın ve en riskli personel alışkanlığı.
Yapay zeka içeriğini hekim kontrolünden geçirmeden yayınlamak. Tıbbi hata ve mevzuat riski bir arada.
Chatbot’a tanı sordurmak. Kapsam sınırı tanımlanmamış bot, kliniği hukuki riske sokar.
CRM olmadan otomasyon kurmak. Veri akmıyorsa otomasyonun tutunacağı yer yoktur.
Pilot ölçmeden ölçeklemek. Ne kazandırdığı bilinmeyen araç, bütçede sessiz bir gider olarak kalır.
Kullanılmayan araçları kapatmamak. Klinikler genellikle eklemeyi bilir, çıkarmayı bilmez.
Personeli sürece dahil etmemek. Yukarıdan inen araç kullanılmaz.
Tedarikçiye veri sorularını sormamak. Sözleşme imzalandıktan sonra sorulan soru geç kalmıştır.
Türkçe performansını varsaymak. Demoyu İngilizce izleyip Türkçe’de hayal kırıklığı yaşamak sık görülür.
Yapay zekayı SEO’nun yerine koymak. İçerik üretimini hızlandırmak, strateji kurmakla aynı şey değildir; nitekim yapay zeka görünürlüğü neden SEO ötesi yazısında bu ayrımı tartışmıştım.

Sıkça Sorulan Sorular

Küçük bir klinik için yapay zeka yatırımı mantıklı mı? Evet, ama Katman 3’ten değil Katman 1’den başlayarak. Küçük kliniklerde en hızlı geri dönüşü içerik üretimi, çağrı/mesaj yanıtlama ve randevu hatırlatma otomasyonu verir. Bunların hiçbiri büyük yatırım gerektirmez ve haftalar içinde ölçülebilir sonuç üretir.

Hasta verilerini yapay zeka araçlarına girebilir miyim? Hasta kimlik bilgilerini içeren veriyi genel amaçlı, halka açık araçlara girmemelisiniz. Kurumsal sözleşmeli, veri işleme koşulları netleştirilmiş ve verinin model eğitiminde kullanılmayacağı yazılı olarak taahhüt edilmiş çözümlerle çalışılmalı; her durumda KVKK’nın özel nitelikli veri ve yurt dışına aktarım kuralları gözetilmelidir. Somut kurulum öncesinde hukuki görüş almanızı öneririm.

Chatbot hastaya tıbbi tavsiye verebilir mi? Vermemeli. Bilgilendirme (süreç, hazırlık, konum, fiyat aralığı, randevu) ile tıbbi tavsiye (tanı, tedavi önerisi, ilaç) arasındaki sınır sistem talimatında açıkça çizilmeli ve düzenli olarak test edilmelidir. Ayrıca acil durum ifadelerinde bot, sohbeti sürdürmek yerine yönlendirme yapmalıdır.

Yapay zekayla üretilen içerik Google’da ceza alır mı? Google’ın yaklaşımı üretim yöntemine değil, içeriğin kalitesine ve kullanıcıya sağladığı faydaya odaklanıyor. Ceza riski “AI kullanmak”tan değil, özgün değer taşımayan, doğrulanmamış ve ölçek amacıyla üretilmiş içerikten doğar. Sağlık gibi hassas alanlarda uzman katkısı ve doğruluk kontrolü ayrıca önemlidir. Konuyu AI için içerik optimizasyonu yazısında ayrıntılandırdım.

Hangi araçla başlamalıyım? Araçla değil, süreçle başlayın. “Ekibimin en çok zamanını ne alıyor?” sorusunun cevabı, ilk projenizi belirler. Araç seçimi bu cevaptan sonra yapılır; tersi sıra, kullanılmayan aboneliklerle sonuçlanır.

Yapay zeka SEO’nun yerini alır mı? Hayır, ama görünürlüğün tanımını genişletti. Artık yalnızca Google sonuçlarında değil, yapay zeka yanıtlarında da kaynak olarak görünmek gerekiyor. Bu iki çalışma birbirinin alternatifi değil tamamlayıcısı — AI search ranking faktörleri ve klinikler için detaylı SEO rehberi yazıları bu ikiliyi birlikte ele alıyor.

Personelim direnç gösteriyor, ne yapmalıyım? Direncin nedenini ayırt edin: iş kaybı korkusu mu, sorumluluk endişesi mi, yoksa kötü bir deneyim mi? Üçünün karşılığı farklıdır. Ortak çözüm ise şudur: pilotu gönüllü ve istekli bir kişiyle başlatın, sonucu ekiple paylaşın. İçeriden gelen olumlu deneyim, yönetimden gelen talimattan çok daha ikna edicidir.

Yapay zeka yatırımının geri dönüşünü ne kadar sürede görürüm? Katman 1 uygulamalarında haftalar, Katman 2’de birkaç ay, Katman 3’te ise bir yılı aşan süreler gerçekçi beklentidir. Bu farkı baştan kabul etmek, yanlış katmandan başlayıp hayal kırıklığına uğramanın önüne geçer.

Sonuç: Araç Değil, Sistem Kararı

Kliniklerde yapay zeka kullanımı bir yazılım satın alma kararı değil, bir çalışma biçimi kararıdır. Başarılı örneklerin ortak noktası şu sırayı izlemeleri:

Önce süreçleri düzelttiler
Sonra veriyi düzenlediler
Mevzuat çerçevesini yazılı hale getirdiler
Düşük riskli bir alanda ölçülebilir pilot yaptılar
Çalışanı yaygınlaştırdılar, çalışmayanı kapattılar
Ekibi süreç boyunca içinde tuttular

Bu sırayı atlayan klinikler ise genellikle etkileyici bir demo izleyip abonelik başlatıyor, üç ay sonra kimsenin kullanmadığı bir araca ödeme yapıyor ve “yapay zeka bize göre değilmiş” sonucuna varıyor. Sorun teknolojide değil, sırada.

Kliniğiniz için yapay zeka yol haritası çıkarmak, mevcut süreçlerinizde otomasyona uygun alanları tespit etmek veya bir tedarikçi teklifini bağımsız gözle değerlendirmek isterseniz iletişime geçin — hangi katmandan başlamanız gerektiğini ve ilk 90 günde neyin ölçüleceğini somut biçimde planlayalım.

İlgili içerikler:

Not: Bu yazıdaki mevzuat açıklamaları genel bilgilendirme amaçlıdır ve hukuki görüş yerine geçmez. Sağlık verisiyle çalışan bir yapay zeka projesine başlamadan önce KVKK ve tıbbi cihaz mevzuatı açısından uzman hukuki destek almanızı öneririm. Süre ve etki tahminleri ise planlama başlangıcı için referans aralıklardır; kesin ölçüm kendi pilot verinizden çıkar.