Bu vaka çalışması, bir tıbbi analiz laboratuvarında insan yoğun bir kalite doğrulama sürecinin AI destekli doğrulama ile değiştirilmesine yönelik bir stratejiyi inceler. Belirli uygulama adımlarını takip ediyor ve AI uygulamasının stratejik düzeyde nasıl ele alındığını — gerekli kontrollerin devreye alınması ve paydaş ihtiyaçlarıyla stratejik uyum sağlanması yoluyla — gösteriyoruz.
AI uygulama stratejisine ilişkin bu vaka çalışması, Münih’teki OOP 2026 konferansında sunulmuştur. BSC Designer platformunun kuruluşların AI stratejilerini yönetmesine ve bunları genel işletme hedefleriyle uyumlu hâle getirmesine nasıl yardımcı olduğunu öğrenmek için ekibimizle iletişime geçin.
Şirket profili
Bu vaka çalışması, tıbbi analiz konusunda uzmanlaşmış, ülke çapında bağlı laboratuvarlardan oluşan bir ağa sahip özel bir laboratuvarı incelemektedir.
- Laboratuvar, ağı genelinde günde yaklaşık 80.000 test işlemektedir.
- Tanı ve klinik testlerde kullanılanlar da dâhil olmak üzere çeşitli laboratuvar cihazlarını birbirine bağlayan kendi BT sistemini işletmektedir.
İlk analiz
Başlangıç analizi, paydaş tanımlaması, maliyet haritalaması, kalite ölçütlerinin tanımlanması ve yetenek boşluklarının değerlendirilmesini içeriyordu.
Paydaş Analizi
Başlangıç noktası, paydaşların ve ihtiyaçlarının belirlenmesini içeriyordu:
- Kalite doğrulama zorluğu öncelikle iç kalite uzmanlarını etkiledi. İhtiyaçları, manuel kalite analizine harcanan aylık ortalama saat cinsinden ölçüldü.
- Diğer paydaşlar yasal yükümlülükler nedeniyle belirlendi. İlgi alanları, belgelenmiş ve izlenebilir bir doğrulama sürecinin devamını içeriyordu. AI işlemesiyle ilgili olarak, tıbbi verilerin operasyon ülkesinde işlenmesi gerektiğine dair düzenlemeler vardı.
- Kıdemli paydaşlar artan hız, azalan maliyetler ve hata oranlarının mevcut seviyelerle eşleşmesi veya bu seviyelerin üzerine çıkmasını bekliyordu.
Maliyet Haritalaması
Paydaş analizi sonrasında, doğrudan ve dolaylı maliyetler haritalandı. Bunlar, kalite uzmanlarının maaşlarını (doğrulama süresine dayalı olarak) ve ilgili yönetim genel giderlerini içeriyordu.
Uygulama Kapsamı
Uygulama kapsamı, AI uygulamasının mümkün olduğu alanları ve buna karşılık geleneksel yazılım otomasyonunun tercih edildiği alanları net bir şekilde ayırt etmek için tanımlandı.
Kalite Kriterleri
İyileşmeyi izlemek için, kalite kriterleri belirlendi. Başlangıç noktası, insan odaklı doğrulamanın mevcut hata oranıydı ve bu oran gelecekteki AI destekli performansla karşılaştırılacaktı.
Yetenekler ve Altyapı Eksiklikleri
Yetenek eksiklikleri, hem geliştirme ekibinde hem de insan kalite kontrolörleri arasında tespit edildi.
Mevcut BT altyapısı, AI destekli otomasyon görevlerini destekleme uygunluğu açısından gözden geçirildi ve doğrulandı.
Uygulama stratejisi
Belirlenen zorluklar, başarı kriterleri ve eylem yönleri, Kurumsal Karne tarzı strateji haritası kullanılarak haritalandı.
Uygulama
Stratejik Denetim için Platform
Yeni teknolojinin belirsizlikleri göz önüne alındığında, AI uygulaması sabit bir plan yerine stratejik, deneysel bir yaklaşımı takip etti. Zaten genel strateji uygulaması için kullanılan BSC Designer platformu, AI uygulama başarısını izlemek için birincil araç olarak benimsendi.
Güvenlik Kurallarının Tanımı
AI doğrulama sisteminin temel bir gereksinimi, AI’nin insan onayı gerektiren konuları ele almasını sınırlayan güvenlik kurallarının dahil edilmesiydi.
Temel AI işlevselliğini doğrulamak için, bilinen vakaları kullanarak kendi kendine testler tanıtıldı.
Uygulama Aşamaları
Paydaşlara kontrollü değer sunumunu sağlamak için uygulama bu adımlara ayrıldı.
Pilot Aşaması
- Verilerin hazırlanması ve anonimleştirilmesi; bu, mevcut eşik normlarının ve ölçüm birimlerinin yapılandırılmış bir JSON formatına dönüştürülmesini içeriyordu.
- Geliştiricilerin AI doğrulamasını (kullanıcılara görünmez) insan doğrulamasıyla karşılaştırdığı bir başlangıç öğrenme döngüsünün oluşturulması.
- İnsan operatörlerin AI talimatlarını güncellemelerine olanak tanıyan kontrollerin tasarlanması.
- İnsan operatörlerin doğrudan talimat ayarlamaları yapabilmesini sağlayan ikinci bir öğrenme döngüsünün oluşturulması.
Ölçeklendirme Aşaması
- AI’nin daha geniş bir anomali yelpazesini tespit etmesine olanak tanımak için veri kapsamını genişletmek.
- Öncelikle görevi belirleyip sadece görevle ilgili bilgileri yükleyerek AI hızını optimize etmek.
- Mevcut veri analizinden tarihsel verileri de içerecek şekilde AI-öncelikli bir yaklaşımla süreçleri yeniden yapılandırmak.
AI yönetişimi ve stratejik uyumu sağla
Uygun AI yönetişimini sağlamak için birkaç ek kontrol devreye alındı:
- İnsan gözetimi ve otomatik testlerden elde edilen nicelleştirilmiş çıktılar otomatik olarak AI paneline yönlendirildi.
- İnsan operatörler tarafından değiştirilen AI istemlerinin aylık gözden geçirilmesi ve yeniden düzenlenmesi.
- AI’nin öğrenme sürecini iyileştirmek için tipik hata kalıpları ve yanlış anlamalara ilişkin üç aylık incelemeler.
Sonuçlar
AI sistemi, insan doğrulamasına kıyasla genel hata oranını 10 kat azalttı.
Operasyonel Sonuçlar
- Vaka %90’ında, doğrulama neredeyse anında gerçekleşti ve insan doğrulamasıyla ilişkili ortalama 5 saatlik bekleme süresi ortadan kalktı.
- Ana laboratuvarda yaklaşık 5 tam zamanlı eşdeğer (FTE) doktor, rutin analizden serbest bırakıldı ve her şubede 2 FTE.
Yenilikler
- Analitik ve klinik geçmiş verileriyle AI bağlamının genişletilmesi, daha önce tanımlanamayan vakaların tespit edilmesini sağladı; bunlardan bazıları daha sonra bilimsel literatürde referans gösterildi.
- Kuruluşun sürekli öğrenme çabaları, ölçülebilir KPI’larla yapılandırılmış öğrenme döngüleri ile desteklendi.
İş Kaybı Korkusu
İş kaybı korkuları nedeniyle bazı olumsuz algıların olması beklenirken, hiçbir gerçek vaka meydana gelmedi. Bu, doğrulama görevinin rutin doğasına atfedilebilir. Yaratıcı yargı ve nihai kararlar insan elinde kalmaya devam etti, çünkü belirsiz durumlar hala insan denetimini gerektiriyordu.
AI yönetimi
- Kurulan kontroller, risklerin nicelendirilmesine yardımcı oldu ve etkili hafifletme sağladı.
- Performans raporlaması, planlanmış raporlar aracılığıyla otomatikleştirildi.
- Paydaşlar, AI uygulaması ve operasyonları hakkında net bir görünürlüğe sahipti.
Stratejik uyum
Belirli hedeflerden elde edilen çıktılar, diğer skor kartlarında öncü göstergeler olarak kullanıldı. Örneğin, hata oranı verileri kalite güvence skor kartlarına dahil edilirken, öğrenme döngüsü performansı İK skor kartlarına aktarıldı.
Marka Etkisi
Başarılı uygulama, stratejik uyum ve AI destekli anomali tespiti, laboratuvarın yönetimini kendi alanlarında yenilik liderleri olarak konumlandırdı.
Sonuçlar
AI uygulaması, yıkıcı teknolojinin benimsenmesi yoluyla gerçekleştirilen dijital dönüşümün bir örneğidir. Başarısı, paydaş ihtiyaçlarını derinlemesine anlamaya ve sürekli kalite ile öğrenme izlemeyi güvence altına almak için uygun kontrollerin kurulmasına bağlıdır.
- BSC Designer ekibi, teknik uygulama gereksinimlerini AI yönetişimindeki en iyi uygulamalar ve genel stratejik uyum ile hizalayan stratejik danışmanlık sağlayarak değer kattı.
- Belirli gözetim kontrolleri BSC Designer platformu üzerinden otomatikleştirildi; bu da sürekli izleme ve öğrenmeyi destekledi.
AI uygulamasına strateji-öncelikli yaklaşımımız hakkında daha fazla öğren.
Alexis Savkin, strateji yürütme ve Kurumsal Karne yazılım platformu BSC Designer’ın kurucusu ve Strateji Uygulama Mimarıdır. Kuruluşların performans yönetimini otomatikleştirmesine ve stratejiyi ölçülebilir sonuçlara dönüştürmesine yardımcı olur. Alexis, “Strategy Execution Canvas”’ın yaratıcısı, strateji ve performans ölçümü üzerine 100’den fazla makalenin yazarı ve sektör etkinliklerinde düzenli konuşmacıdır.