Eylül ayında Las Vegas’ta gerçekleşen Groceryshop, perakendecileri, teknoloji şirketlerini, girişimleri ve araştırma şirketlerini bir araya getirerek sektörün gündemini bir kez daha yakından görme fırsatı sundu. Tahmin edileceği gibi yapay zeka hemen her oturumdaydı. Önceki yıllarda daha çok AI ile olabilecekler ele alınıyordu; bu yıl ise sahneye artık iş sonuçları çıkmaya başladı. Oturumlarda müşterinin alışverişini nasıl kolaylaştıracağımız, mağazada alınması gereken binlerce günlük kararı nasıl hızlandıracağımız ve veriyi sadece göstermek yerine nasıl aksiyona dönüştüreceğimiz konuşuluyordu. Notlarıma tekrar baktığımda, benim açımdan beş konu öne çıkıyor.

1. Hız artık sadece teslimat hızı değil

Perakendede hız dediğimizde uzun süre siparişin kaç dakikada teslim edildiğini konuştuk. Groceryshop’ta ise farklı bir hız kavramı öne çıktı: müşterinin alışveriş yapmak için harcadığı zamanı azaltmak. Hy-Vee’nin verdiği örnek çarpıcıydı. Bugün müşterilerinin online alışverişi tamamlaması yaklaşık 40 dakika sürüyor; hedef bunu beş dakikaya indirmek. Agentic AI açısından asıl fırsat da burada. Müşteri artık tek tek ürün aramak yerine “Bu akşam dört kişilik sağlıklı bir yemek hazırlamak istiyorum” diyecek. AI da menüyü, tercihleri, bütçeyi ve mevcut stokları dikkate alarak sepeti hazırlayacak. İlk sonuçlar umut verici. DoorDash, Ask DoorDash kullanan müşterilerde sepetlerin yüzde 50 daha büyük olduğunu paylaştı. Kroger da AI Shopping Assistant kullanan müşterilerde daha büyük sepetler gördüğünü söylüyor. Yani AI yalnızca alışverişi hızlandırmıyor; karar verme yükünü azaltarak sepeti de büyütebiliyor. Belki de önümüzdeki yıllarda online perakendenin önemli KPI’larından biri, müşterinin alışverişi tamamlamak için harcadığı süre olacak.

2. İyi bir AI deneyiminin arkasında güçlü operasyon olmak zorunda

Kroger’ın oturumundaki bir mesaj özellikle önemliydi. Müşteriye dünyanın en iyi ürün önerisini verebilirsiniz. Ancak önerdiğiniz ürün stokta yoksa ya da sipariş sırasında karşılanamıyorsa bütün deneyim bir anda bozuluyor. Bu nedenle müşteri tarafındaki AI’ın stok, mağaza, ürün ve fulfillment bilgisiyle birlikte çalışması gerekiyor. Agentic commerce tartışmalarında zaman zaman gözden kaçan nokta da bu. Ön tarafta çok güçlü bir AI asistan kurmak tek başına yeterli değil. Arkada gerçek zamanlıya yakın stok bilgisi, ürün verisi, fiyat, promosyon ve operasyonel sistemler yoksa AI’ın verdiği söz karşılanamıyor. Kısacası AI deneyimi ancak arkasındaki operasyon kadar güçlü.

3. Veriden aksiyona doğru gidiyoruz

OBASE’de uzun süredir üzerinde çalıştığımız alanlar açısından beni en çok ilgilendiren konu buydu. Perakendede yıllardır çok iyi raporlar ve dashboard’lar üretiyoruz. Bir sorun olduğunda sistem bunu gösteriyor. Sonra birilerinin ekrana bakması, problemi anlaması, karar vermesi ve aksiyon alması gerekiyor. Yeni yaklaşım ise bu zinciri kısaltmaya çalışıyor. Öne çıkan girişimlerden biri, işletmedeki hareketleri sürekli izleyen bir yapı sundu. Bu yapı satış, kar veya stok fırsatlarını belirliyor, ne yapılması gerektiğini öneriyor ve aksiyonu doğru kişiye yönlendiriyor; üstelik sonucun gerçekleşip gerçekleşmediğini de takip ediyor. Bir başka girişim son kullanma tarihi yönetimine odaklanmıştı. Ürünlerin son kullanma tarihlerini dijital hale getiriyor ve mağaza çalışanının sürekli raf kontrolü yapması yerine yalnızca müdahale gereken durumlarda uyarı üretiyor. Paylaşılan sonuçlara göre bu yaklaşım raf üzerindeki stok kontrol süresini yaklaşık yüzde 75 azaltmış. Bu da mağaza operasyonlarının gideceği yön hakkında önemli bir ipucu veriyor. AI’ın rolü çalışanın yerine geçmekten çok, hangi mağazada, hangi rafta, hangi ürüne, ne zaman müdahale edilmesi gerektiğini söylemek olabilir. Nitekim Groceryshop’un araştırmasına göre süpermarket yöneticilerinin yüzde 85’i, AI ile birlikte çalışan rollerin müşteri danışmanı, ürün uzmanı veya deneyim yöneticisi gibi alanlara doğru evrileceğini düşünüyor.

4. Fiyat, promosyon ve ürün gamını ayrı ayrı optimize etmek giderek zorlaşıyor

Bizim “kararların domino etkisi” dediğimiz konu da Groceryshop’un gündemindeydi: Perakendedeki kararlar birbirine giderek daha fazla bağlanıyor. Bir ürünün fiyatını değiştirdiğinizde talep değişiyor. Talep değişince stok, replenishment, alternatif ürünler, promosyonlar ve hatta müşteri iletişimi etkileniyor. Buna rağmen bu kararların önemli bir bölümü hala farklı ekipler ve farklı sistemler tarafından ayrı ayrı alınıyor. Etkinlikteki mesajlardan biri, AI sayesinde ürün portföyü, fiyat ve promosyon kararlarını mağaza ve SKU seviyesinde birlikte optimize etmenin giderek daha mümkün hale geldiğiydi. Bu konuda duyduğum en doğru yaklaşımlardan biri şuydu: Önce iş problemini ve karlılık fırsatını tanımlayın, ardından hangi AI modelinin gerekli olduğuna karar verin. Kaç AI pilotu yaptığımız ya da hangi modeli kullandığımız sonuç değil. Asıl soru, satış, marj, stok veya müşteri deneyiminde hangi problemi çözdüğümüz.

5. GLP-1 gıda perakendesi için düşündüğümüzden daha önemli olabilir

AI dışında etkinliğin beni en çok düşündüren konusu, son iki yıldır radarımda olan GLP-1 oldu. PwC’nin Haziran 2026 araştırmasına göre ABD’de GLP-1 kullanan en az bir kişinin bulunduğu hanelerin oranı kısa süre içerisinde yüzde 9’dan yüzde 21’e çıkmış. Groceryshop’ta paylaşılan verilere göre GLP-1 kullanmaya başlayan hanelerde market harcamaları ilk altı ayda yüzde 5,3 azalıyor; yüksek gelirli hanelerde bu oran yüzde 8,2’ye çıkıyor. Buna karşılık sektör yöneticilerinin yalnızca yüzde 17’si önümüzdeki beş yılda GLP-1 nedeniyle satışlarında yüzde 5-10 arasında bir düşüş bekliyor. Oysa kullanıcı hanelerde harcama düşüşü şimdiden yüzde 5’in üzerinde. Yani kullanım henüz yaygınlaşırken tüketim davranışında ölçülebilir bir değişim başlamış durumda; sektörün beklentisi ise bunun gerisinde kalıyor. Üstelik konu sadece daha az gıda tüketilmesi anlamına gelmeyebilir. Protein, taze ürün, sağlıklı atıştırmalık, porsiyon büyüklüğü ve fonksiyonel beslenme gibi alanlarda kategori dengeleri de değişebilir. Dolayısıyla GLP-1’i yalnızca sağlık sektörünün konusu olarak görmemek gerekiyor. Önümüzdeki yıllarda ürün gamından kategori alanlarına kadar pek çok perakende kararını etkileyebilir.

Türk perakendesi için ne anlama geliyor?

Bu başlıkların hiçbiri yalnızca ABD’ye özgü değil. Online alışverişin hızla büyüdüğü Türkiye’de de müşterinin sepeti tamamlamak için ne kadar zaman harcadığını ölçmek ve bunu bir hedefe bağlamak mümkün. Ancak ikinci başlıktaki uyarı bizim için belki daha da önemli. Ön tarafta bir AI asistan kurmadan önce, onu taşıyacak stok, ürün ve fiyat verisinin ne kadar güncel ve güvenilir olduğunu sormamız gerekiyor. Mağaza tarafında ise yüksek personel devri ve geniş mağaza ağlarıyla çalışan perakendecilerimiz için “hangi rafa ne zaman müdahale edilmeli” sorusuna cevap veren sistemler ciddi bir verimlilik kaldıracı olabilir. GLP-1 kullanımı Türkiye’de de giderek daha fazla konuşuluyor. Bugünden kategori verisinde bu sinyali izlemeye başlayan perakendeciler, değişim hızlandığında hazırlıksız yakalanmayacak.

Ortak nokta: Karar ile aksiyon arasındaki mesafe kısalıyor

Bu beş konuyu yan yana koyduğumda Groceryshop’un ana mesajı oldukça net. Perakendenin temel problemi artık veri eksikliği değil. Asıl mesele, gelen sinyali ne kadar hızlı anlayabildiğimiz, doğru karara ne kadar hızlı dönüştürebildiğimiz ve o kararı operasyonun içinde ne kadar hızlı uygulayabildiğimiz. Müşteri tarafında AI, 40 dakikalık alışverişi beş dakikaya indirmeye çalışıyor. Mağazada çalışana hangi aksiyonu alması gerektiğini söylüyor. Kategori yönetiminde ise fiyat, promosyon ve ürün gamını birlikte değerlendirmeye başlıyor. Bir yandan da GLP-1 gibi tüketim davranışını hızla değiştirebilecek yeni sinyaller ortaya çıkıyor. Bu nedenle önümüzdeki dönemin rekabetini yalnızca daha fazla veriye ya da daha güçlü AI modellerine sahip olmak belirlemeyecek. Sinyal ile aksiyon arasındaki mesafeyi en fazla kısaltabilen perakendeciler avantaj sağlayacak.

Yapay zekanın alışveriş deneyimini değiştireceğini uzun süredir konuşuyoruz. İlk dönemlerde bu değişimi daha çok kişiselleştirilmiş ürün önerileri, daha başarılı arama sonuçları ve müşteriye özel kampanyalar üzerinden gördük. Üretken yapay zeka ile birlikte müşterinin ürünleri tek tek aramak yerine ne istediğini doğal dille anlatabildiği yeni bir dönem başladı.

Şimdi ise bunun bir adım ötesine geçiyoruz. Yapay zeka yalnızca müşterinin sorularını cevaplayan bir asistan olmaktan çıkıp alışveriş sürecinin içinde görev alan bir ajana dönüşüyor.

Gıda perakendesinden basit bir örnek düşünelim. Bir süpermarket zincirinin mobil uygulamasına giren müşteri şöyle bir talepte bulunabilir: “Bu hafta dört kişilik aile alışverişimi planlamak istiyorum. İki akşam hızlı hazırlanabilecek yemek olsun, çocuklar için okul atıştırmalıkları ekle, pazar kahvaltısını da düşün. Laktozsuz ürünleri tercih ediyorum ve toplam bütçem beş bin TL’yi geçmesin. Evde makarna ve zeytinyağı var.”

Bugünkü e-ticaret deneyiminde müşterinin bu ihtiyacı farklı kategorilerde arama yaparak, ürünleri karşılaştırarak ve sepetini tek tek oluşturarak çözmesi gerekiyor. Yeni nesil bir alışveriş ajanı ise müşterinin ihtiyacını anlayabilir, geçmiş tercihlerini dikkate alabilir, uygun ürünleri ve alternatiflerini belirleyebilir, stok durumunu ve kampanyaları değerlendirebilir ve sepeti oluşturabilir. Bir ürün stokta yoksa müşterinin tercihleriyle uyumlu muadil ürünü de önerebilir.

Buradaki değişim sadece daha iyi bir kullanıcı arayüzü değil. Asıl değişim, yapay zekanın alışveriş kararının içine girmeye başlaması.

Anthropic’in 2 Eylül’de duyurduğu commerce agent blueprint’i bu açıdan dikkat çekici bir gelişme. Anthropic, şirketlerin kendi ticaret ajanlarını geliştirebilmeleri için açık bir referans mimari yayınladı. Yapıda iki temel ajan bulunuyor: müşteriye hizmet veren “shopping agent” ve perakendecinin kendi ekiplerine yardımcı olan “merchant agent”. Shopping agent ürün bulma, karşılaştırma, alışveriş listesi oluşturma, sepete ürün ekleme ve müşteri hizmetleri gibi işlevleri kapsarken; merchant agent satış analitiği, stok takibi, fiyat önerileri ve kampanya hazırlığı gibi konulara odaklanıyor. Dikkat çekici olan, kampanya hazırlığı gibi işlevlerin insan onayı gerektirecek şekilde kurgulanmış olması.

Bence burada özellikle üzerinde durulması gereken nokta, yapay zekanın alışverişin yalnızca müşteri tarafına değil, perakendecinin karar süreçlerine de yerleşmeye başlaması.

Müşteri tarafındaki ajan “Bu hafta ne almalıyım?” sorusunu çözmeye çalışırken, perakendeci tarafındaki ajan “Hangi ürünlerde stok riski oluşuyor?”, “Hangi kampanya beklediğimiz sonucu vermedi?”, “Hangi ürünlerde fiyat veya promosyon aksiyonu almalıyız?” gibi sorularla ilgileniyor.

Dolayısıyla gelecekte alışveriş deneyimini yalnızca müşteriye sunulan AI asistanları üzerinden değerlendirmek yeterli olmayacak. Arkada bu deneyimi besleyen ürün, müşteri, stok, fiyat, kampanya ve tedarik verisinin ne kadar bütünleşik olduğu ve bu verinin ne kadar hızlı karara dönüştürülebildiği çok daha önemli hale gelecek.

Anthropic’in yaklaşımında dikkatimi çeken bir diğer konu da müşteri ilişkisinin perakendecide kalmasına verilen önem. Shopping agent, perakendecinin kendi web sitesi veya mobil uygulaması içerisinde çalışıyor. Müşteri ürün araştırmasını ve alışverişini üçüncü taraf bir AI platformuna taşımadan perakendecinin kendi kanalında sürdürebiliyor. Ödeme tarafında da tablo benzer: Visa ve Mastercard gibi ödeme kuruluşları, ajana ham kart bilgisi vermek yerine tokenize kimlik ve harcama kuralları sağlayan programlar üzerinden bu yapıya eşlik ediyor. Yani checkout ve ödeme güvenliği katmanı model sağlayıcısının elinde değil.

Benim okumamla Anthropic burada Claude’u bir mağaza veya ödeme platformu olarak değil, perakendecinin kendi sistemlerine bağlayabileceği bir zeka katmanı olarak konumlandırıyor.

Bu konu önümüzdeki dönemde daha da önem kazanacak. Çünkü bir tarafta ChatGPT, Claude ve benzeri genel amaçlı AI platformları tüketicinin kişisel alışveriş asistanı olmaya aday. Diğer tarafta perakendeciler kendi müşteri ilişkilerini ve verilerini koruyarak kendi alışveriş ajanlarını geliştirmek isteyecekler.

Gıda perakendesinde bunun etkisinin daha da güçlü olacağını düşünüyorum. Çünkü alışveriş yüksek frekanslı, önemli ölçüde tekrarlı ve müşteri tercihleri zaman içinde öğrenilebilir durumda. Müşterinin kullandığı markalar, diyet tercihleri, aile yapısına bağlı tüketim alışkanlıkları, fiyat hassasiyeti, daha önce kabul ettiği ikame ürünler ve alışveriş sıklığı gibi bilgiler doğru kullanıldığında AI ajanı giderek daha iyi bir alışveriş yardımcısına dönüşebilir.

Ancak teknoloji tek başına yeterli olmayacak.

Asıl değer, müşterinin niyetini anlamakla perakendecinin elindeki veriyi ve operasyonel karar mekanizmalarını bir araya getirebilmekte oluşacak. Bir ürünü müşteriye önermek kolaylaşabilir. Ancak o ürünün doğru mağazada bulunması, stok riskinin önceden görülmesi, uygun fiyat ve promosyon kararının verilmesi ve gerektiğinde alternatif ürünün belirlenmesi hâlâ perakendenin temel karar problemleri olmaya devam ediyor.

Ajanın şirketin dilini öğrenmesi

Bu noktada çok konuşulmayan ama belirleyici olacak bir konu var. Bir ticaret ajanının bir şirketin hayatına gerçekten girebilmesi için o şirketin kendi diline, yani veri modelindeki anlam katmanına bağlanması gerekiyor.

Bir merchant agent’a “hangi kampanya beklediğimiz sonucu vermedi?” diye sorduğunuzu düşünün. Ajanın bu soruyu cevaplayabilmesi için önce o şirkette “sonuç”un ne demek olduğunu bilmesi gerekiyor. Satış brüt mü net mi ölçülüyor, iadeler düşülüyor mu, konsinye ürünler dahil mi, karşılaştırma için hangi baz dönem seçiliyor, kampanyanın diğer ürünler üzerindeki kanibalizasyon ve halo etkisi hesaba katılıyor mu? Bunların hiçbiri modelin kendiliğinden bilebileceği şeyler değil; her şirkete özgü tanımlar. Ajan ham tablolar üzerinde sorgu üretmeye başlarsa ortaya çıkan cevap dil olarak kusursuz, iş olarak yanlış olur. Daha kötüsü, yanlış olduğu kolayca fark edilmez; çünkü cevap makul görünür.

Müşteri tarafında da durum farklı değil. “Laktozsuz” tek başına bir etiket değil; bir ilişkiler bütünü. Hangi ürün grubuna dahil olduğunu, hangi ürünün yerine geçebileceğini, hangi müşterinin daha önce hangi ikameyi kabul ettiğini bilmeyi gerektiriyor. Bu ilişkiler tanımlı değilse ajan tahmin etmeye başlıyor.

Bu nedenle insan onayı şartını bir çözüm olarak değil, bir gösterge olarak okumak gerekiyor. Ajanın arkasındaki anlam katmanı ne kadar zayıfsa, o kadar çok kararı insana geri döndürmek zorunda kalırsınız. Kurumsal metrik tanımları, iş kuralları ve ürün, müşteri, mağaza arasındaki ilişkiler modellenmiş bir yapıda ise ajana çok daha geniş bir karar alanı devredilebilir. Yani semantik katman ve ontoloji, yapay zekanın ne kadar özerk çalışabileceğini belirleyen asıl unsur.

Bu da bizi çok somut üç başlığa getiriyor.

Katalog verisini ajanın anlayabileceği hale getirmek. Bugün çoğu perakendecide ürün verisi insan gözüyle okunmak üzere hazırlanmış durumda. Bir ajanın “laktozsuz”, “hızlı hazırlanabilir” ya da “okul atıştırmalığı” gibi bir talebi karşılayabilmesi için öznitelik, içerik, diyet ve alerjen bilgisinin yapılandırılmış biçimde var olması gerekiyor. Bu veri yoksa modelin ne kadar iyi olduğunun bir önemi kalmıyor.

İkame ürün ilişkilerini veri olarak tanımlamak. “Stokta yoksa muadilini önerir” cümlesi kulağa modelin işi gibi geliyor; oysa bu bir altyapı meselesi. Hangi ürünün hangisinin yerine, hangi müşteri için ve hangi koşulda geçerli olduğunu bilmek, ürün ilişkilerinin modellenmesini gerektiriyor. Bu alanda ürün bilgi grafiği çalışmaları bugün en somut ilerleme noktalarından biri.

Mağaza bazlı bulunurluk ve stok doğruluğunu ciddiye almak. Ajan mağaza seviyesinde yanlış stok görüyorsa deneyim ilk günde kırılıyor. Müşteri, kendisine önerdiği ürünü sonra “bulunamadı” diye geri alan bir asistana ikinci kez güvenmiyor.

Bu nedenle AI destekli alışverişin geldiği noktayı yalnızca “daha akıllı bir chatbot” olarak görmemek gerekiyor. Yapay zeka artık bir yandan müşterinin alışveriş kararının içine girerken, diğer yandan perakendecinin bu talebi karşılamak için verdiği kararların da parçası olmaya başlıyor.

Bence bundan sonraki rekabet de tam burada şekillenecek.

En iyi AI modelini kullanan değil; müşteriyi, veriyi, karar mekanizmalarını ve operasyonu en iyi biçimde birbirine bağlayan perakendeciler avantaj sağlayacak.

Kaynak: Anthropic, “Building commerce agents with Claude”, 2 Eylül 2026 — claude.com/blog/claude-for-commerce-agents

Perakende sektörü uzun yıllardır yalnızca perakendeciler için değil, aynı zamanda birlikte çalıştığı değer zinciri paydaşları, tedarikçiler, üreticiler, finansal servisler ve çapraz pazarlama yapılan tüm oyuncular için tüketici nabzını tutmak ve ortak yürütülen süreçlerin verimliliğini artırmak amacıyla gittikçe zenginleşen bir veri üretiyor. Özellikle dijitalleşme ile birlikte tüketicinin alışveriş öncesi ve sonrası yolculuğunu, diğer yandan ürünün üretim safhalarından rafa kadar olan sürecini çok daha iyi takip edebiliyoruz. Gerçek zamanlı mağaza operasyonlarını online dünyaya yakın hassasiyetle yönetme aşamasına doğru hızla ilerliyoruz.

Artan dijitalleşmenin sonucu ortaya çıkan zengin ve anlık veri, artık çok sayıda operasyonel kararın gerçek zamanlı ve içgörüye dayalı şekilde alınabilmesini mümkün hale getiriyor. Üretken yapay zekâ, Agentic AI ve karar zekâsı (Decision Intelligence) yaklaşımları sayesinde artık “ne oldu?” sorusundan “şimdi ne yapılmalı?” aşamasına geçmiş bulunuyoruz.

Önde gelen oyuncular uzun süredir birçok pilot proje yürütüyor. Ancak bugüne kadar ağırlıklı olarak deneme amaçlı projeler yapılırken, 2026 yılı somut iş sonuçlarına dokunan projelerin hayata geçirileceği bir dönem olacak. Maliyet düşüşü ve gelir artışı sağlayacak, kısa sürede devreye alınabilecek projeler işletmelerin önceliği haline gelecek. Şirketler, kendi altyapı yeterliliklerine ve operasyonel olgunluk seviyelerine göre hangi alanlarda ilerleyeceklerine karar vermek durumunda kalacak. Bu çerçevede özellikle en yüksek katkı potansiyeline sahip şu 5 alan öne çıkıyor:

1. Operasyonel karar orkestrasyonu ve envanter yönetimi

Önümüzdeki dönemde süpermarketlerde operasyon yönetimi yalnızca talep tahmini üzerinden ilerlemeyecek. Perakendeciler aynı anda promosyon etkilerini, mağaza bazlı tüketim farklılıklarını, tedarik sorunlarını, hava durumu değişimlerini, operasyonel kısıtları ve rakip aksiyonlarını birlikte değerlendiren sistemlere ihtiyaç duyacak.

Yeni nesil Agentic AI yaklaşımları sayesinde sistemler yalnızca rapor ve tahmin üreten yapılar olmaktan çıkacak; operasyon içindeki riskleri gerçek zamanlı izleyen ve aksiyon süreçlerini yöneten yapılara dönüşecek. Yok satma riski oluşan ürünler, mağaza bazlı operasyonel problemler, promosyonların tedarik zinciri üzerindeki baskısı, fire veya imha riski taşıyan kategoriler ile kritik teslimat gecikmeleri çok daha erken fark edilebilecek.

Bu sistemler ilgili ekipleri otomatik olarak yönlendirecek, alternatif aksiyon önerileri oluşturacak ve gerektiğinde süreçleri dinamik biçimde yeniden planlayacak. Böylece operasyon yönetimi yalnızca geçmiş veriye göre hareket eden yapılardan çıkıp; sürekli öğrenen, önceliklendiren ve şirket genelinde koordinasyonu artıran bir yapıya dönüşecek.

Yeni dönemde rekabet avantajı sağlayacak konu yalnızca daha iyi tahmin yapmak olmayacak. Asıl farkı, operasyonel gerçekleri birlikte değerlendirebilen ve daha hızlı ortak karar alabilen yapılar yaratacak.

2. Promosyon, müşteri etkileşimi ve karar motorları

Önümüzdeki dönemde süpermarketlerde herkese aynı kampanyayı sunan geleneksel yaklaşım giderek önemini kaybedecek. Perakendeciler yalnızca kişiselleştirme yapan sistemlere değil; müşteri davranışını, mağaza bazlı tüketim farklılıklarını, stok durumunu, tedarik koşullarını ve ticari hedefleri birlikte değerlendirebilen akıllı karar mekanizmalarına yönelecek.

Yeni nesil Agentic AI sistemleri sayesinde hangi müşteriye hangi ürünün önerileceği, hangi kampanyanın hangi mağazada öne çıkarılacağı ve hangi kategorilerde promosyon yoğunluğunun artırılması veya azaltılması gerektiği gerçek zamanlı olarak yönetilebilecek.

Örneğin yüksek talep gören ancak stok riski oluşan ürünlerde sistemler promosyon baskısını azaltabilecek; buna karşılık fazla stok veya fire riski taşıyan kategorilerde kişiselleştirilmiş kampanyaları otomatik olarak devreye alabilecek. Böylece kampanya yönetimi yalnızca pazarlama ekiplerinin yönettiği bir süreç olmaktan çıkacak; kategori yönetimi, tedarik zinciri, mağaza operasyonları ve müşteri deneyiminin birlikte optimize edildiği bütünleşik bir karar yapısına dönüşecek.

Yeni dönemde rekabet avantajı sağlayacak yapı, yalnızca daha fazla kampanya üretebilen değil; operasyonel gerçeklerle uyumlu, dinamik ve bağlamsal kararlar alabilen sistemler olacak.

3. Mağaza operasyonlarında gerçek zamanlı yönetim

Önümüzdeki dönemde mağaza operasyonlarında en büyük farkı yaratan unsur, problemlerin ne kadar hızlı fark edilip ne kadar hızlı aksiyon alınabildiği olacak. Çünkü süpermarketlerde raf boşlukları, fiyat uyumsuzlukları, operasyonel yoğunluklar, personel planlama problemleri ve mağaza içi aksaklıklar çoğu zaman geç fark edildiğinde hem satış kaybına hem de müşteri deneyiminde bozulmaya neden olacak.

Yeni nesil AI sistemleri sayesinde mağaza operasyonları artık yalnızca geçmiş verileri analiz eden yapılardan çıkacak; mağaza içindeki operasyonel akışı gerçek zamanlı izleyen ve süreçler arasında koordinasyon sağlayan yapılara dönüşecek. Sistemler raf erişilebilirliği problemlerini, fiyat hatalarını, operasyonel darboğazları, yoğunluk kaynaklı hizmet problemlerini ve mağaza içindeki anormal durumları çok daha erken tespit edebilecek.

Bu yapılar yalnızca problemi göstermekle kalmayacak; ilgili ekipleri yönlendirecek, operasyonel öncelikleri dinamik olarak güncelleyecek ve çözüm süreçlerini hızlandıracak. Böylece mağaza yönetimi reaktif operasyon yaklaşımından uzaklaşıp; sürekli öğrenen, riskleri erken yöneten ve aksiyon hızını artıran daha çevik bir yapıya dönüşecek.

4. Tedarik zinciri ve tedarikçi ekosistem yönetimi

Önümüzdeki dönemde perakendede rekabet yalnızca retailer’lar arasında yaşanmayacak. Asıl farkı, retailer ve tedarikçilerin ne kadar entegre çalışabildiği belirleyecek. Çünkü promosyon etkileri, talep değişimleri, lojistik problemleri, tedarik sürekliliği ve kategori bazlı operasyonel baskılar artık tek bir tarafın yönetebileceği kadar basit olmayacak.

Yeni nesil AI destekli karar sistemleri sayesinde retailer ve tedarikçiler ortak veriyle çalışan, süreçler arasında koordinasyon kurabilen ve operasyonel riskleri çok daha erken görebilen yapılara dönüşecek. Sistemler promosyonların tedarik zinciri üzerindeki etkilerini önceden değerlendirebilecek, talep değişimlerini erken fark edebilecek ve kritik lojistik veya tedarik problemlerinde alternatif senaryolar oluşturabilecek.

Agentic AI yapıları yalnızca analiz üreten sistemler olmayacak; ilgili ekipleri devreye alan, operasyonel öncelikleri dinamik olarak yeniden şekillendiren ve süreçler arasında koordinasyon sağlayan yapılara dönüşecek. Böylece retailer ve tedarikçiler arasındaki iş birliği daha reaktif değil, daha öngörülü ve senkronize bir yapıya evrilecek.

Önümüzdeki dönemde özellikle FMCG dünyasında ortak karar alma ve ortak operasyon yönetimi kabiliyeti, en önemli rekabet avantajlarından biri haline gelecek.

5. Taze ürün operasyonlarının dinamik yönetimi

Önümüzdeki dönemde taze ürün operasyonları perakendenin en kritik ve en karmaşık yönetim alanlarından biri olmaya devam edecek. Çünkü taze ürün tarafında yalnızca satış performansı değil; raf ömrü, fire, üretim planlama, personel yönetimi ve gün içindeki ani tüketim değişimleri aynı anda yönetilmek zorunda kalacak.

Yeni nesil AI sistemleri sayesinde taze ürün operasyonları artık yalnızca geçmiş satış verilerine göre yönetilmeyecek. Sistemler fire riski taşıyan ürünleri, mağaza bazlı tüketim anomalilerini, üretim-planlama uyumsuzluklarını, stok yaşlanmalarını ve operasyonel kalite risklerini çok daha erken tespit edebilecek.

Bu yapılar yalnızca problemi göstermekle kalmayacak; dinamik aksiyon önerileri oluşturabilecek, mağaza ve kategori bazlı öncelikleri güncelleyebilecek ve operasyon ekiplerini gerçek zamanlı yönlendirebilecek. Özellikle gün içindeki değişen tüketim davranışlarına göre üretim, fiyatlama ve ürün yönetimi daha çevik şekilde optimize edilebilecek.

Böylece taze ürün operasyonları statik planlarla yönetilen yapılardan çıkıp; gerçek zamanlı öğrenen, kendini optimize eden ve operasyonel çevikliği artıran yapılara dönüşecek.

Yeni nesil AI projeleri artık yalnızca teknoloji projeleri olarak değil; operasyonel dönüşüm projeleri olarak ele alınmalı. Operasyonel işleyiş ve yeni dönemdeki roller, karar süreçlerine göre yeniden düzenlenmediği takdirde, başarılı bir teknoloji implementasyonu bile sahaya sınırlı ölçüde yansıyacaktır.

Bu nedenle yeni nesil platformlar; üretken yapay zekâyı, kurumsal bilgi, süreç yönetimi ve operasyonel aksiyonlarla bütünleştiren yapılara dönüşüyor. Obase olarak AIR (AI-Ready) çözümümüz ile bu dönüşüme liderlik yapmayı hedefliyoruz. Alınması gereken kararları güvenilir bir şekilde operasyonların içine taşıyacak bir sistemi işletmelerin hayatına entegre etmeyi amaçlıyoruz.

Yapay zekâ çıktılarını karar süreçlerinin aktif bir parçası haline getirmek, kısa ve orta vadeli başarının çıtasını belirleyecek. Tüm süreçlerde bunu yapmak için veri kalitesi, süreçlerin tariflenmesi ve organizasyonel dönüşüm zaman alabilir. Ancak adım adım hayata geçirilebilecek çok sayıda somut proje bulunuyor.

Önümüzdeki dönemde fark yaratacak şirketler, en fazla veriye sahip olanlar değil; veriyi en hızlı, en güvenilir ve en doğru şekilde aksiyona dönüştürebilenler olacak.