Bu vaka çalışması, bir tıbbi analiz laboratuvarında insan yoğunluklu kalite doğrulama sürecinin AI destekli doğrulama ile değiştirilmesine yönelik bir stratejiyi incelemektedir. Belirli uygulama adımlarını takip ediyor ve AI uygulamasının stratejik düzeyde nasıl ele alındığını—gerekli kontrollerin getirilmesi ve paydaş ihtiyaçlarıyla stratejik uyum sağlanması yoluyla—gösteriyoruz.
Bu AI uygulama stratejisiyle ilgili vaka çalışması, Münih'teki OOP 2026 konferansında sunulacaktır. BSC Designer platformunun kuruluşların AI stratejilerini yönetmelerine ve bunları genel iş hedefleriyle uyumlu hale getirmelerine nasıl yardımcı olduğunu öğrenmek için ekibimizle iletişime geçin.
OOP 2026, konum: Munich, Germany, tarih: 13 February 2026.
Şirket profili
Bu vaka çalışması, tıbbi analizlerde uzmanlaşmış ve ulusal bağlı laboratuvar ağına sahip özel bir laboratuvarı incelemektedir.
- Laboratuvar, ağı üzerinden günde yaklaşık 80.000 test gerçekleştirmektedir.
- Teşhis ve klinik testlerde kullanılanlar da dahil olmak üzere çeşitli laboratuvar cihazlarını 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 yönetimi ve stratejik uyum
Doğru AI yönetimi sağlamak için, birkaç ek kontrol tanıtıldı:
- İnsan denetimi ve otomatik testlerden elde edilen sayısal çıktılar otomatik olarak AI paneline yönlendirildi.
- İnsan operatörler tarafından değiştirilen AI komutlarının aylık incelemeleri ve yeniden düzenlenmesi.
- AI’nin öğrenme sürecini geliştirmek için tipik hata kalıpları ve yanlış anlamalar üzerine 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.
Oturum: 'AI Uygulamasının Stratejik Gözetimi', BSC Designer'ın devam eden öğrenme programının bir parçası olarak, hem çevrimiçi hem de yerinde atölye çalışması olarak sunulmaktadır. Daha fazla bilgi edinin....
Sonuçlar
AI’nin uygulanması, yıkıcı teknolojilerin benimsenmesi yoluyla dijital dönüşümün bir örneğidir. Başarısı, paydaş ihtiyaçlarının derinlemesine anlaşılmasına ve sürekli kalite ve öğrenme izlemesini sağlamak için uygun kontrollerin kurulmasına bağlıdır.
- BSC Designer ekibi, teknik uygulama gereksinimlerini AI yönetimindeki en iyi uygulamalar ve genel stratejik uyum ile hizalayarak stratejik danışmanlık sağlayarak değer kattı.
- Belirli denetim kontrolleri, BSC Designer platformu aracılığıyla otomatik hale getirildi ve sürekli izleme ve öğrenmeyi destekledi.
Alexis Savkin, Kıdemli Strateji Danışmanı ve Kurumsal Karne platformu BSC Designer’ın CEO’sudur. Uygulamalı matematik ve bilgi teknolojileri alanında geçmişiyle birlikte, alanda 20 yılı aşkın deneyime sahiptir. Alexis, “Strateji Uygulama Sistemi”nin yazarıdır. Strateji ve performans ölçümü üzerine 100’den fazla makale yayımlamış, sektör etkinliklerinde düzenli olarak konuşmalar yapmaktadır ve çalışmaları sıklıkla akademik araştırmalarda kaynak gösterilmektedir.