HSBC'nin yapay zekâ enstitüsü: Bankacılıkta kurumsal öğrenme sınavı

HSBC, 2 Kasım'da Hong Kong FinTech Haftası sırasında yapay zekâ ve gelişen teknolojilere odaklanacak bir enstitü kurma planını açıkladı. HSBC'nin duyurusunda, araştırma kapasitesiyle teknolojiyi bankacılık süreçlerine uygulayan ekiplerin aynı yapıda buluşturulması hedefleniyor. Yapay zekâ eğitimi, güvenlik, dolandırıcılık tespiti ve mühendislik süreçlerinin iyileştirilmesi ilk çalışma alanları arasında. Kuantum sonrası şifreleme ve blokzincir de araştırma gündeminde bulunuyor.

Hong Kong Bilim ve Teknoloji Üniversitesi (HKUST), 3 Kasım'da imzalanan çerçeve anlaşmasıyla enstitünün ana akademik ortağı oldu. Üniversitenin açıklaması, araştırmacılarla finans sektörünün uzmanlarını buluşturacak işbirliğinin yetenek geliştirmeyi de kapsadığını belirtiyor. Reuters'ın aktardığı takvime göre faaliyetin 2027'nin ilk çeyreğinde başlaması bekleniyor. Çalışan sayısı açıklanmadı; Northern Metropolis bölgesine taşınma, yerin hazır olmasına bağlı.

Duyuru, henüz sonuçları ölçülmüş bir eğitim modeli veya tamamlanmış teknoloji dönüşümü sunmuyor. Yeni olan, araştırmanın banka içindeki uygulama ve çalışan eğitimiyle birlikte örgütlenmesi yönündeki kurumsal adım. Bu yaklaşım, yapay zekâ rekabetinin yazılım seçiminin yanında kurumun öğrenme kapasitesini de kapsadığını düşündürüyor. Türkiye bakımından tartışılması gereken, benzer bir merkez kurmanın ötesinde, üretilen bilginin günlük bankacılık kararlarında nasıl sınanacağı ve sorumluluğun kimde kalacağı.

Araştırmanın günlük karara dönüşmesi

Bir araştırma ekibinin geliştirdiği araç, banka çalışanının karşılaştığı bütün sorunları aynı anda çözemez. Örneğin dolandırıcılık ihtimalini işaretleyen bir sistem düşünelim. Daha fazla şüpheli işlem yakalaması yararlı olabilir; ancak meşru işlemleri gereksiz yere durduruyorsa müşterinin hizmete erişimini zorlaştırabilir. Böyle bir uygulamanın başarısı, yakaladığı vakalarla birlikte yanlış alarmların maliyeti değerlendirilerek anlaşılır. Teknik sonuç ile hizmet kalitesi arasında kurulması gereken bağ budur.

Üniversite ortaklığı bu bağı güçlendirebilir. Araştırmacının farklı yöntemleri karşılaştırması, banka uzmanının gerçek iş akışındaki kısıtları açıklaması, eğitimin somut sorunlara dayanmasını sağlar. Bunun karşılığında banka, araştırmanın yalnızca beklenen sonucu doğrulamasını istememeli. Başarısız denemelerin kaydı, hatanın hangi müşteri grubunda yoğunlaştığının incelenmesi ve uygulamadan vazgeçme ölçütleri ortak çalışma düzeninde yer bulmalı. Böylece akademik ortaklık, kurumun kendisine yöneltilen eleştiriyi kullanabilmesine de katkı sunabilir.

Çalışanların konumu ise ayrı bir mesele. RTHK'nin haberinde HSBC Üst Yöneticisi Georges Elhedery, yapay zekânın bazı işleri ortadan kaldırırken yeni işler oluşturacağını söylüyor. Bütün çalışanları dönüşüme dahil etme hedefi, iş kaybı olmayacağına ilişkin bir güvence değil. Eğitim programlarının hangi görevlere geçiş sağlayacağı, öğrenme için çalışma süresinden pay ayrılıp ayrılmayacağı ve çalışanların itirazlarının nasıl dinleneceği açıklanmadıkça, katılım sayıları dönüşümün niteliğini göstermeye yetmez.

İşlem yapabilen sistemlerde sorumluluk

Hong Kong Para Otoritesinin 2 Kasım'da açıkladığı Project SAGE, aynı gündemin düzenleyici yönünü gösteriyor. Girişim; kullanıcı adına işlem yapabilen yapay zekâ ajanları için uygulama denemeleri, kimlik ve devredilmiş yetki doğrulaması, birlikte çalışabilirlik ile hukuki sorumluluk tartışmalarını bir araya getiriyor. Ödeme ve şirketlerin hazine işlemleri olası kullanım alanları arasında. Bu çalışma, HSBC enstitüsünün ürünlerine verilmiş bir onay anlamına gelmiyor; henüz araştırılması ve sınanması gereken meseleleri tanımlıyor.

Bir müşterinin hesabıyla ilgili bilgi sunmakla onun adına ödeme başlatmak farklı yetkiler gerektirir. Örneğin bir işletmenin ödeme hazırlayan yazılımına tutar sınırı koymak, belirli işlemleri insan onayına bırakmak ve yetkiyi geri çekebilecek bir mekanizma kurmak düşünülebilir. İşlem kayıtlarının, hangi kararın hangi yetkiyle alındığını göstermesi de gerekir. Bunlar, kullanılacak sistemin niteliğine göre tasarlanması gereken kontrol seçenekleridir.

Buna karşı, aşırı uzun onay süreçlerinin araştırmayı yavaşlatabileceği itirazı ciddiye alınmalı. Her denemeye aynı şartları uygulamak, küçük bir belge sınıflandırma çalışmasıyla müşteri hesabından para aktarabilen sistemi gereksiz yere eşitleyebilir. Daha işlevsel yaklaşım, denemenin kapsamına ve olası zararına göre kontrol düzeyini belirlemektir. Böylece hız ile gözetim arasındaki tercih, sınırları önceden tanımlanmış uygulamalar üzerinden tartışılabilir.

Türkiye için ölçülebilir bir öğrenme gündemi

Türkiye'de başlangıç noktası geniş bir dijital bankacılık kullanımı. Türkiye Bankalar Birliğinin Haziran 2026 raporunda aktif dijital müşteri sayısı 129 milyon 335 bin olarak veriliyor. Ancak bu toplam, bireysel ve kurumsal kayıtları içeriyor; aynı müşterinin farklı bankalardaki kayıtları tekilleştirilmiyor. Katılım bankaları da kapsam dışında. Aktiflik için son üç ayda sisteme giriş yeterli. Dolayısıyla rakam, Türkiye'deki farklı kişilerin veya yapay zekâ kullanan müşterilerin sayısı olarak okunamaz. Gösterdiği şey, rapora dahil bankalardaki dijital müşteri ilişkilerinin ölçeğidir.

Bu ölçeğin kurum içinde nasıl yönetildiği başka tür kanıt gerektiriyor. Eylem Şencan ve Berna Tektaş'ın 2026 tarihli araştırması, iki kamu ve üç özel mevduat bankasından amaçlı örneklemeyle seçilen 12 uzmanla yapılan görüşmelere dayanıyor. Tematik analizde katılımcılar rutin işlerin hafiflemesini anlatırken eski sistemlerle uyum, kararların açıklanması ve iş güvencesi kaygılarına da değiniyor. Bulgular, çalışan deneyimlerini görünür kılıyor; bütün sektörün performansını ölçmüyor ve yapay zekânın nedensel etkisini kanıtlamıyor. Bu sınırlar, araştırmayı ulusal başarı ilanına çevirmeden kullanmayı gerektiriyor.

Buradan Türkiye için somut bir çalışma gündemi çıkarılabilir. Banka ve üniversite ortaklıkları, müşteri verisinin korunacağı koşullarda sınanabilecek dar kapsamlı sorunlar seçebilir. Bir pilotta hangi işin kolaylaşacağı, mevcut yönteme göre neyin karşılaştırılacağı ve başarısızlığın hangi göstergeden anlaşılacağı başlangıçta yazılmalı. Sonuçlar yalnızca ortalama işlem süresiyle değerlendirilmemeli; müşterinin düzeltme talebi, çalışan müdahalesi ve hatanın tekrarlanma sıklığı da izlenmeli. Böyle bir tasarım, teknolojiyi benimseme hedefini gözlenebilir hizmet sonuçlarıyla ilişkilendirir.

Eğitim de görevlerle eşleşmeli. Bir şube çalışanının hatalı çıktıyı fark etmesi, veri uzmanının modeli sınaması ve yöneticinin uygulamayı durdurma kararını verebilmesi farklı beceriler gerektirir. Aynı sunumun bütün personele izletilmesi bu ayrımı karşılamaz. Düzenli vaka çalışmaları, kurum içi deneyim paylaşımı ve çalışanların sorun bildirebildiği açık kanallar, öğrenmenin günlük işin parçası olmasına yardımcı olabilir. Müşterinin insan desteğine ulaşabilmesi de tasarımın başından düşünülmelidir.

Ortaklıkların finansmanı ve sonuçların paylaşımı da baştan belirlenmeli. Bankanın ticari sırlarını koruma ihtiyacı, araştırmacının olumsuz bulguyu açıklayabilmesiyle birlikte ele alınabilir. Örneğin müşteri verisi içermeyen sınama yöntemleri ve hata sınıfları paylaşılırken kuruma özgü ayrıntılar korunabilir. Böylece küçük bankalar da her denemeyi sıfırdan tekrarlamadan ortak deneyimden yararlanabilir; bunun nasıl yapılacağı tarafların açıkça kararlaştıracağı çalışma koşullarına bağlıdır.

Üniversiteler açısından ise ortaklığın değeri, araştırmacıların bağımsız soru sorabildiği ve öğrencilerin tek bir ürünün kullanımına mahkûm edilmediği eğitim ortamıyla artar. Farklı araçları aynı sorun üzerinde karşılaştırabilmek, mezunların teknolojiler değiştiğinde de değerlendirme yapmasına yardımcı olur. Bu nedenle müfredatın merkezinde belirli bir yazılımın tanıtımı yerine kanıt değerlendirme becerisi yer almalı.

HSBC'nin adımı, bu çerçevede izlenmeye değer bir kurum denemesi. Bu kurumsal denemenin başarısı, araştırmanın günlük işleyişte uygulanabilir ve sorgulanabilir kararlara dönüşmesiyle ölçülebilecek. Türkiye açısından çıkarılacak ders de aynı yerde duruyor: Yapay zekâya yapılan yatırımın kalıcı değeri, çalışanların sistemi anlayabildiği, hataya müdahale edebildiği ve müşteriye gerekçe sunabildiği bir çalışma düzeni kuruldukça anlaşılabilir.