# Document AI nedir? Kurumsal belgeleri veriye ve iş akışına dönüştürmek

*2026-09-29 · 16 dk*

Document AI yaklaşımını OCR, düzen ve tablo anlama, alan çıkarımı, doğrulama, insan incelemesi, güvenlik ve iş akışı entegrasyonuyla açıklayan kurumsal rehber.


Kurumsal belgeler çoğu işin sessiz veri tabanıdır. Sözleşme, teklif, fatura, teknik rapor, başvuru formu, tutanak ve e-posta eki kararların kanıtını taşır; ancak bu kanıt çoğu zaman PDF, tarama veya farklı Word şablonları içinde kilitlidir. Bir çalışan belgeyi açar, önemli alanları okur, başka sisteme girer ve iş arkadaşına e-posta gönderir. Bu süreç hacim büyüdükçe yavaşlar, ölçülemez ve aynı belgenin farklı yorumları oluşur.

Document AI bu problemi yalnızca OCR ile çözmeye çalışmaz. Belgenin ne olduğunu, sayfadaki düzeni, tablo ilişkisini, alanların kaynağını ve hangi iş akışını tetiklemesi gerektiğini birlikte anlamlandırır. [alfi Engines](/urunler/aile/engines) docs ve search yetenekleri, [doküman anlama ve akıllı belge işleme](/hizmetler/yapay-zeka-yazilim-gelistirme/dokuman-anlama-akilli-belge-isleme) hizmetiyle; [alfi Platform](/urunler/aile/platform) pipeline, gateway ve ops katmanlarıyla birleştiğinde belge ham dosyadan denetlenebilir kurumsal olaya dönüşür.

## Document AI nedir?

Document AI, farklı kaynaklardan gelen belgeleri makine tarafından işlenebilir, yapılandırılmış ve kaynağına geri izlenebilir veriye dönüştüren yapay zekâ ve yazılım katmanlarının bütünüdür. Girdi PDF, görüntü, e-posta eki, tarayıcı çıktısı veya yapısal XML olabilir. Çıktı yalnızca düz metin değil; belge türü, sayfa ve bölüm ilişkisi, alanlar, tablolar, varlıklar, güven skorları, kaynak koordinatları ve önerilen eylemdir.

Bir belgeyi “okumak” ile “işe çevirmek” arasındaki fark burada başlar. Sözleşmeden taraf ve bitiş tarihi çıkarıldıysa bu veri yenileme takvimine bağlanabilir. Faturadan tedarikçi ve toplam çıkarıldıysa 3-way match akışı başlatılabilir. Teknik rapordan ölçüm ve sapma çıkarıldıysa kalite görevine dönüşebilir. Belge zekâsı ancak bu sonraki adım tanımlı olduğunda iş değeri üretir.

## OCR, düzen anlama ve semantik çıkarım

OCR karakterleri tanır; düzen anlama bir başlığın, tablonun, dipnotun ve imza alanının sayfadaki rolünü belirler. Semantik çıkarım ise “sözleşme bitiş tarihi”, “fatura toplamı” veya “risk seviyesi” gibi iş alanlarını bulur. Bu katmanlar birbirine bağlıdır ama aynı doğruluk ölçüsüne sahip değildir. Karakter doğru okunup yanlış alanla ilişkilendirilebilir.

Belge modeli sayfa numarası, koordinat, bölüm başlığı, tablo satırı ve görsel kanıtı korumalıdır. İnsanın düzeltme yaptığı ekranda yalnız çıkarılan değeri değil, değerin kaynak görüntüsünü de görmek istemesi bu yüzdendir. Düşük çözünürlüklü tarama, eğik sayfa, damga ve el yazısı için kalite tespiti yapılmadan “model güveni” sunmak yanıltıcıdır.

## Belge envanteri ve kapsam seçimi

İlk proje adımı model seçmek değil belge envanteridir. Hangi departmanda hangi belge tipi, hangi kanaldan, hangi hacimle, hangi sıklıkta ve hangi kararla kullanılıyor? Şablon sayısı, dil, tablo yoğunluğu, sayfa sayısı, tekrar oranı ve hassas veri alanları kaydedilir. En çok belge sayısına sahip süreç en iyi başlangıç olmayabilir; yüksek değerli ve sınırları belirli bir süreç daha hızlı kanıt üretir.

Kapsam sözleşmesine “şu belge türleri desteklenir” kadar “şu belge türleri insan incelemesine gider” de yazılmalıdır. Her belgeyi zorla aynı modele sokmak yerine sınıflandırıcı, uzman çıkarıcı ve genel OCR birlikte kullanılabilir. [Kurumsal yapay zekâ danışmanlığı](/hizmetler/kurumsal-yapay-zeka-danismanligi) çalışmaları bu envanteri iş sahibi, veri sorumlusu ve teknik ekip arasında ortak tasarıma dönüştürür.

## Veri alımı, dosya güvenliği ve değişmez orijinal

Belge e-posta, portal, tarayıcı, dosya paylaşımı, ERP veya mobil kameradan gelebilir. Alım katmanı MIME doğrulaması, virüs taraması, dosya boyutu, hash, gönderen, tenant ve kanal bilgisi üretmelidir. Orijinal dosya işlem boyunca değişmez tutulur; görüntü iyileştirme, metin çıkarma ve maskeleme kopyalarda yapılır. Aynı hash veya aynı kaynak kimliği tekrar geldiğinde yeni belge değil mükerrer olay olarak işaretlenir.

Erişim kontrolü dosya depolamayla bitmez. OCR çıktısı, alan JSON'u, arama indeksi, önbellek ve log da aynı hassasiyet sınıfını taşır. Bir belgenin kaynak görüntüsüne erişemeyen kullanıcı, çıkarılmış bütün metni arama sonucunda da görmemelidir. [alfi Guard](/urunler/aile/guard) access, redact, govern ve audit yetenekleri belge yaşam döngüsünde bu sınırları merkezileştirmek için kullanılabilir.

## Alan şeması ve kanıt ilişkisi

Document AI projesinde beklenen alanların sözlüğü yazılmadan doğruluk ölçülemez. Alan adı, veri tipi, zorunluluk, birim, tarih biçimi, çoklu değer davranışı, kaynak sayfa ve doğrulama kuralı tanımlanır. “Toplam” parasal değer, “tarih” fatura tarihi mi vade mi, “taraf” imzalayan mı şirket mi? Belirsiz şema modelin başarısızlığı gibi görünür.

Her çıkarım bir kanıt nesnesiyle saklanmalıdır: kaynak belge kimliği, sayfa, koordinat, metin parçası, model sürümü, güven skoru ve insan düzeltmesi. Sonraki sistem yalnız değeri değil güven ve kanıtı da okuyabilir. Bu yapı, düşük güvenli alanları otomatik akıştan ayırır; sözleşme bitiş tarihini yanlış okumak gibi hatalar neden-sonuç ilişkisiyle incelenebilir.

## Tablo ve satır ilişkileri

Belge tabloları, düz metne çevrildiğinde anlamını kolayca kaybeder. Satır başlığı, sütun başlığı, birleştirilmiş hücre, sayfa devamı, ara toplam ve genel toplam ilişkisi korunmalıdır. Fatura kalemi ile birim fiyatı ayırmak, teklif satırını koşul bölümüyle ilişkilendirmek veya teknik rapordaki ölçüm serisini zaman ekseninde tutmak tablo modellemesi gerektirir.

Tablo çıkarımı sonrasında matematiksel ve iş kuralı kontrolleri çalışır. Satır toplamları genel toplamla uyumsuzsa belge insan incelemesine gider. Birim ile miktar dönüşümü, para birimi, indirim ve vergi ayrı alanlardır. Modelin tabloyu “yaklaşık doğru” çıkarması, finansal kayıt veya satın alma kararı için yeterli doğruluk sayılmamalıdır.

## İnsan doğrulama ekranı

İnsan incelemesi Document AI’ın başarısız olduğu yer değil, belirsizliği güvenli biçimde yöneten kontrol noktasıdır. Ekran belge görüntüsünü, çıkarılan alanları, güven skorunu, kaynak koordinatını ve iş kuralı hatalarını yan yana sunmalıdır. Çalışan OCR metnini yeniden yazmak yerine alanı kaynaktan seçebilir, belgeyi sınıflandırabilir ve düzeltme nedenini belirleyebilir.

İnceleme kuyruğu önceliklendirilir: ödeme son tarihi yaklaşan, müşteri etkisi yüksek, özel nitelikli veri içeren veya güveni düşük belgeler öne alınır. Her düzeltme model eğitimi için otomatik kullanılmaz; uzman onayı ve veri kalitesi kontrolü gerekir. Bu kararların saklanması, aynı belge tipi tekrar geldiğinde insanın iş yükünü azaltır.

## Belgeyi iş akışına dönüştürme

Çıkarılmış veri tek başına değer değildir; bir sonraki eylemi tetiklemelidir. Fatura satın alma ve ödeme akışına, sözleşme bitiş tarihi uyarı ve yenileme görevine, başvuru formu uygunluk kontrolüne, teknik rapor kalite aksiyonuna gidebilir. [alfi Automate](/urunler/aile/automate) orchestrator ve approve yetenekleri belge olayını kural, insan onayı ve entegrasyonla birleştirebilir.

Akış idempotent ve geri alınabilir olmalıdır. Aynı belge iki kez alındığında iki görev açılmamalı; yanlış çıkarım düzeltildiğinde eski ERP kaydı veya görev durumu izlenebilir biçimde güncellenmelidir. Belge yaşam döngüsü alındı, işlendi, doğrulandı, onaylandı, aktarıldı, arşivlendi ve silindi durumlarıyla izlenir.

## Document AI ve RAG ilişkisi

Belgeyi RAG sistemine vermek, tüm PDF'leri vektör veritabanına yüklemek değildir. [RAG](/sozluk/rag) için metin anlamlı bölümlere ayrılır; başlık, bölüm, sayfa, yürürlük tarihi, belge sahibi, erişim etiketi ve sürüm bağlamı korunur. Tablo ilişkileri düz metinle kayboluyorsa tabloya özel temsil veya yapılandırılmış alan yanında tutulur.

Eski ve yeni politika aynı aramada dönmemelidir. Arama katmanı yürürlük, tenant, rol ve gizlilik filtresini sorgudan önce uygular. Agent yanıtı kaynağı ve alıntıyı göstermeli; belge içinde cevap yoksa [halüsinasyon](/sozluk/halusinasyon) üretmek yerine yetersiz kanıt bildirmelidir. [RAG sistemleri](/hizmetler/yapay-zeka-yazilim-gelistirme/rag-sistemleri) hizmeti bu veri hazırlama, erişim ve değerlendirme işini baştan sona ele alır.

## Arama, sınıflandırma ve semantik etiketleme

Kurumsal arama yalnız anahtar kelime eşleşmesi değildir. “İptal süresi”, “fesih penceresi” ve “sözleşme bitişi” aynı kavramı ifade edebilir. Semantik arama benzer anlamları bulurken, kesin arama numara ve tarih gibi alanlarda üstün olabilir. Hibrit arama ve alan filtresi birlikte çalıştırılmalıdır.

Etiketler belgeyi kimliğiyle bağlar: departman, süreç, müşteri, proje, ürün, gizlilik, yürürlük ve bölge. Otomatik etiket insanın düzeltmesine açık olmalı, kritik etikette kaynak kanıtı bulunmalıdır. Etiket kalitesi düşükse RAG, arama ve raporlama aynı anda bozulur. [alfi Insight](/urunler/aile/insight) hangi belge türlerinin aranamadığını ve hangi alanların sürekli düzeltildiğini görünür kılabilir.

## Güvenlik, KVKK ve saklama

Belge işleme kişisel veri, sağlık bilgisi, ücret, banka, ticari sır ve hukuki içerik barındırabilir. [Veri minimizasyonu](/sozluk/veri-minimizasyonu) gereği model yalnız görevi için gereken alanları görmelidir. Görüntüdeki kimlik numarası arama için gerekmiyorsa maskelemeli; yasal saklama zorunluluğu ile model hafızasını birbirinden ayırmalıyız.

Veri sorumlusu, işleyen, alt işleyen, model sağlayıcı, bölgesel depolama, destek erişimi ve silme talebi dokümante edilir. [DPO](/sozluk/dpo) veya bilgi güvenliği sorumlusu sürece erken katılır. On-premise gereksinimi varsa [on-premise KVKK uyumlu AI](/hizmetler/on-premise-kvkk-uyumlu-ai) kurulumu; bulut seçeneğinde ise veri işleme şartları ve anahtar yönetimi değerlendirilir.

## Model seçimi ve hibrit mimari

Tek bir model her belge tipinde iyi sonuç vermez. Genel OCR düşük karmaşıklıkta, özel çıkarıcı belirli şablonda, görsel dil modeli karmaşık düzenlerde, kural motoru ise matematik ve politika kontrollerinde kullanılabilir. İşlem maliyeti, gecikme, veri bölgesi, dil desteği, izlenebilirlik ve bakım yükü birlikte değerlendirilmelidir.

Hibrit mimari modelin her şeyi yapmasını beklemez. Belge sınıflandırma kural ve modelle, alan çıkarımı modelle, toplam kontrolü deterministik hesapla, erişim filtresi politika motoruyla, son onay insanla yapılabilir. Bu ayrım hem hatayı sınırlar hem de sistem değiştiğinde tüm akışı yeniden kurma ihtiyacını azaltır.

## Değerlendirme kümesi ve kalite metrikleri

Küme temiz örneklerden değil gerçek varyasyondan oluşmalıdır: düşük kalite tarama, farklı tedarikçi şablonu, çok sayfa, tablo devamı, el yazısı, damga, farklı dil ve eksik alan. Alan bazlı precision/recall, belge sınıflandırma, tablo satırı doğruluğu, insan düzeltme süresi ve iş akışına doğru bağlanma ayrı ölçülür.

Bir alanın yüzde 98 doğru çıkması, kritik yüzde 2 hatanın kabul edilebilir olduğu anlamına gelmez. Kimlik, tutar, tarih ve banka hesabı gibi yüksek etkili alanlarda eşik daha yüksek tutulur. İnsan inceleme oranı, yanlış otomatik kayıt oranı, kaynağa geri izleme süresi ve belge başına maliyet iş sonucu metriklerine eklenir.

## Uygulama planı ve pilot

İlk iki haftada belge envanteri, alan sözlüğü, veri sınıfı, süreç sahibi ve değerlendirme örnekleri çıkarılır. Sonraki aşamada tek bir belge tipi için alım, çıkarım ve insan doğrulama prototipi kurulur. Pilotun başarısı yalnız model doğruluğu değil, çalışanın aynı işi ne kadar kısa sürede ve daha az hata ile yaptığıyla ölçülür.

Canlıya geçişte belge akışı durdurulmaz. Yeni sistem öneri üretir, eski kayıt yolu referans olarak korunur ve farklar incelenir. Şablon değişikliği, yeni tedarikçi, yeni dil veya mevzuat alanı için değişiklik yönetimi hazırlanır. Model veya çıkarıcı sürümü değiştiğinde eski kayıtlar geriye dönük sessizce değiştirilmemelidir.

## Satın alma kontrol listesi

Document AI çözümünü değerlendirirken şu soruları sorun:

- Orijinal dosya değişmez biçimde saklanıyor mu?
- Belge türü, düzen, tablo, alan ve kaynak koordinatı ayrı üretiliyor mu?
- Güven skoru alan bazında görülebiliyor mu?
- Düşük güvenli belge insan kuyruğuna neden bilgisiyle gidebiliyor mu?
- PDF, tarama, e-posta eki, XML ve çok sayfalı belge aynı şemaya bağlanıyor mu?
- Kaynak, sürüm, yürürlük tarihi ve erişim etiketi RAG aramasında korunuyor mu?
- ERP, CRM, satın alma veya görev sistemine idempotent aktarım var mı?
- Maskeleme, saklama, silme, tenant izolasyonu ve audit nasıl uygulanıyor?
- Yeni şablon ve insan düzeltmesi kontrollü kalite döngüsüne giriyor mu?
- Alan doğruluğu ile gerçek iş sonucu ayrı raporlanıyor mu?

Document AI yatırımı belge okumayı hızlandırmaktan daha geniştir. Kurumun yazılı olmayan karar bilgisini, kanıtını ve sorumluluk sınırını görünür bir veri akışına dönüştürür. Bu yüzden iyi proje; model demosu, arama ekranı veya OCR doğruluğu ile değil, belgeden doğru eyleme giden zincirin güvenilirliğiyle değerlendirilmelidir.

## Belge sınıflandırma ve yönlendirme

İşleme başlamadan önce belgenin türü, sürümü ve iş sahibi belirlenir. Fatura, sözleşme, tutanak, teklif ve teknik rapor aynı çıkarıcıya gönderilmemeli; belge ailesine uygun şema ve kontrol seti seçilmelidir. Sınıflandırıcı düşük güven ürettiğinde sistem “genel belge” etiketiyle ilerlemek yerine uzman kuyruğuna gönderir. Yanlış sınıf, sonraki tüm alanları doğru görünse bile yanlış iş akışı açar.

Belge sınıfı arşiv, RAG ve raporlama için de kullanılır. Aynı PDF hem “sözleşme” hem “müşteri projesi” etiketi taşıyabilir; tek bir hiyerarşi bütün kullanım ihtiyacını karşılamaz. Taksonomi sahipleri ve sınıf değişikliği prosedürü belirlenir. Yeni belge tipi çıktığında modelin kendiliğinden sınıf açması yerine insan onayıyla kontrollü genişleme yapılır.

## Çok sayfalı ve karma belge paketleri

Bir PDF içinde teklif, teknik ek, imza sayfası ve şartname birlikte bulunabilir. Document AI önce sayfa ve belge sınırlarını tespit eder, sonra her alt belgeyi kendi kimliğiyle işler. Paket içindeki eklerin ilişkisinin korunması, bir sayfanın başka sözleşmeye ait sanılmasını engeller. Sayfa sırası bozulduğunda insan incelemesi ve paket yeniden birleştirme akışı gerekir.

Karma paketlerde ortak üst bilgi ile alt belge alanları ayrılır. Müşteri adı ve proje numarası paketin tamamına, fiyat ve süre bazı bölümlere ait olabilir. Çıktı yalnız tek JSON değil, belge–bölüm–alan hiyerarşisi olarak saklanır. Böylece ERP'ye yalnız gereken alan aktarılırken orijinal paket ve kanıt bağlantısı korunur.

## Kalite güveni ve alan bazlı eşikler

Belge skoru tek bir sayı olmamalıdır. Sınıflandırma güveni, alan çıkarımı, tablo düzeni, OCR kalitesi ve iş kuralı sonucu ayrı değerlendirilir. Tutar alanı yüksek güvenli, tedarikçi adı düşük güvenli olabilir; sistem bu farklılığı insan ekranına taşımalıdır. Kritik alanlardan biri düşükse tüm belge otomatik akıştan çıkarılabilir.

Eşikler belge tipine, alan önemine ve iş sonucuna göre ayarlanır. Başvuru formundaki telefon numarası ile banka hesabı aynı eşik olamaz. Eşik düşürüldüğünde yanlış kayıt, eşik yükseltildiğinde insan kuyruğu maliyeti ölçülür. Karar yüzdesi değil toplam risk ve işlem süresi optimizasyonu hedeflenir.

## İnsan geri beslemesi ve veri etiketleme

İnsan düzeltmesi modelin doğrudan eğitimi değildir; önce doğrulanmış etiket havuzuna girer. Aynı belge örneği iki uzman tarafından farklı işaretleniyorsa şema veya kural belirsizdir. Etiketleme kılavuzu, sınır örnekleri ve beklenen çıktı formatı canlıda sürekli güncellenir. Böylece yeni model sürümü geçmiş kararları anlaşılır bir veriyle karşılaştırabilir.

Düzeltme nedeni sınıflandırılır: OCR, alan sınırı, tablo, belge türü, ana veri, politika veya kullanıcı hatası. Teknik ekip her şeyi “model yanlışı” sanmaz; bazen kaynak belge okunamaz, bazen süreç sahibi yanlış alan bekler. [alfi Engines](/urunler/aile/engines) docs çıktıları [alfi Insight](/urunler/aile/insight) kalite göstergeleriyle izlenerek yatırım önceliği seçilir.

## Belge yaşam döngüsü ve arşiv

Belge alındı, sınıflandırıldı, işlendi, doğrulandı, onaylandı, aktarıldı, arşivlendi ve silindi durumlarıyla izlenmelidir. Her durumun giriş koşulu, sahibi, bekleme süresi ve hata yolu bulunur. Bir belge aktarılmış görünse bile ERP API'si cevabı doğrulanmadıysa işlem tamamlanmış sayılmaz. Kuyruk ve yeniden işleme, yaşam döngüsünün görünür parçalarıdır.

Arşiv ile arama indeksi aynı değildir. Denetim için orijinal ve değişmez dosya saklanabilir; RAG için güncel ve yetkili metin kullanılabilir. Silme talebi arama, embedding, özet, cache ve türetilmiş görevleri etkiler. Saklanması zorunlu kanıt ile günlük operasyon kopyası ayrıştırılmazsa kurum hem gereğinden fazla veri tutar hem de silme taleplerini yönetemez.

## API ve süreç entegrasyonu

Document AI çıktısı olay tabanlı veya kuyruk tabanlı aktarılabilir. Kısa belge için anlık sonuç, büyük paket için asenkron görev ve durum webhook'u kullanılabilir. Her çağrıda idempotency, schema version, correlation id ve kaynak belge kimliği bulunur. Bir sistem geçici kapalıyken belge kaybolmamalı; yeniden denemede aynı kayıt çoğalmamalıdır.

 [alfi Platform](/urunler/aile/platform) gateway, pipeline ve ops katmanları; [alfi Automate](/urunler/aile/automate) orchestrator ve approve yetenekleriyle bu akışları bağlayabilir. Entegrasyon sahipliği iş biriminde kalır: “API çalıştı” demek belgenin doğru kayda dönüştüğünü kanıtlamaz. Mutabakat, hata kodu ve insan istisnası her hedef sistem için ayrıca test edilir.

## Çok dilli ve el yazısı belgeler

Türkçe belgelerde karakter, tarih, para ve şirket adı çeşitliliği; İngilizce belgelerde farklı sayı biçimleri ve sözleşme terminolojisi görülür. Dil algılama ve belge sınıfı birlikte çalışır. Çeviri yapılırsa orijinal metin korunur, çıkarımın hangi dil ve modelle üretildiği kaydedilir. El yazısı veya mühür gibi alanlar otomatik kabul yerine yüksek riskli insan incelemesine gidebilir.

Dil modeli özel isimleri “düzeltmeye” çalışırken belgeyi değiştirmemelidir. Vergi numarası, ürün kodu ve sözleşme maddesi için karakter güveni ve ana veri karşılaştırması kullanılır. Farklı dildeki alanların aynı kanonik şemaya dönmesi raporlamayı kolaylaştırır, fakat yerel mevzuat ve format kuralı kaybolmamalıdır.

## Sözleşme ve belge zekâsı

Sözleşmelerde taraflar, kapsam, yükümlülük, süre, bedel, fesih, yenileme, ceza ve istisna maddeleri birlikte ele alınır. Belge AI maddeleri bulabilir, ancak hukuki yorum veya risk kararı vermez. Her çıkarım madde numarası, sayfa, sürüm ve imza durumu ile gösterilir. Tarih uyarısı veya yenileme görevi ancak yetkili hukuk veya sözleşme sahibinin onayıyla açılır.

 [Legal Suite Pro](/urunler/legal-suite-pro) dava, süre ve belge bağlamını; [alfi Engines](/urunler/aile/engines) search ve docs yetenekleri aranabilir içeriği destekleyebilir. Sözleşme karşılaştırmasında değişiklik farkı insanın görebileceği şekilde sunulur. Model özetinin hukuki görüş gibi algılanmaması için arayüzde kaynak ve sınır uyarısı açık kalır.

## Güvenlik testi ve kırmızı takım

Belge sistemi zararlı dosya, prompt enjeksiyonu, görünmez metin, sahte imza, bozuk XML ve yetkisiz belgeyle test edilir. Belgedeki “önceki talimatları yok say” cümlesi veri olarak kalmalı, agent aracı çalıştırmamalıdır. Erişim filtresi aramadan önce uygulanır; belge görüntüsü, metin ve embedding için tenant sızıntı testi yapılır.

Model cevabı kaynak belgenin dışında iddia üretiyor mu, sayfa alıntısı doğru mu, eski sürüm seçiliyor mu? [Halüsinasyon](/sozluk/halusinasyon) değerlendirmesi RAG çıktısı ve Document AI alan çıkarımı için ayrı yapılır. Olay planı belgeyi izolasyona alma, indeks geri çekme, erişim anahtarı döndürme ve insan incelemesini içerir.

## Operasyon ve kapasite

Belge hacmi ay sonu, ihale dönemi, kampanya ve denetim zamanında artabilir. Queue kapasitesi, worker sayısı, OCR süresi, model gecikmesi ve depolama büyümesi pik senaryoyla test edilir. Geciken belge için kullanıcıya durum, tahmini süre ve insan alternatifini gösteren deneyim gerekir; sessizce bekleyen kuyruk güveni düşürür.

İşletim dashboard'unda işlenemeyen belge, düşük güven, insan kuyruğu yaşı, yeniden işleme, veri kalite hatası ve başarısız entegrasyon görünür. [alfi Platform](/urunler/aile/platform) ops katmanı teknik sağlığı; iş sahibi ise belge ve karar kalitesini izler. Model veya OCR sürümü değişince kapasite ve kalite birlikte yeniden ölçülür.

## Belge sahipliği ve yayın disiplini

Her belge ailesinin yayın sahibi, gözden geçirme sıklığı ve geri çekme sorumlusu belirlenmelidir. Sahipsiz bir prosedür RAG aramasında doğru görünebilir fakat operasyonu yanlış yönlendirebilir. Document AI alan çıkarımı da belge sahibi tarafından doğrulanmış şemaya dayanır. Yeni şablon veya mevzuat değiştiğinde çıkarıcı sürümü, değerlendirme örnekleri ve insan eğitim notları birlikte güncellenir.

Yayın onayı tamamlanmadan belge canlı süreç veya arama indeksine alınmayabilir. Taslaklar test alanında işlenir, canlı kullanıcıların erişimi politika ile kapatılır. Yayın geçmişi, kimlik, tarih ve önceki sürümle ilişki taşır. Bu düzen, belgeyi yalnız arşiv nesnesi olmaktan çıkarıp işletilen bir bilgi varlığına dönüştürür.

## Başarıyı belge başına değil süreç başına ölçün

Belge başına alan doğruluğu teknik kaliteyi, doğru iş akışına bağlanma ve çevrim süresi operasyonel kaliteyi gösterir. İnsan düzeltme süresi, hatalı kayıt, yeniden işleme, SLA, denetim hazırlığı ve belge başına maliyet birlikte izlenir. Çok doğru alan çıkarıp yanlış ekibe görev açan sistem başarılı sayılmaz.

Pilotun başlangıç değerleri aynı formülle karşılaştırılır. Yeni bir model sürümü OCR skorunu artırırken insan kuyruğunu büyütüyorsa toplam sonuç kötüleşebilir. [alfi Insight](/urunler/aile/insight) teknik ve iş metriklerini tek görünümde birleştirebilir. Karar, demo etkisiyle değil ölçülen iş sonucu ve güvenlik kanıtıyla verilir.

## Son kontrol: kaynaktan eyleme

Document AI projesi için son kabul senaryosu belgenin alımından başlar; sınıf, alan, kanıt, insan düzeltmesi, politika ve entegrasyon adımlarını geçer; görev veya kayıt sonucu ile kapanır. Her adımda işlem kimliği korunur. Hata oluştuğunda sistem kaydı kaybetmez, insana neden ve sonraki adımı gösterir.

Bu zincir kurulduğunda kurum belgeleri daha hızlı okumaktan fazlasını kazanır: kararların kaynağı görünür olur, tekrar veri girişi azalır ve bilgi farklı uygulamalarda tutarlı kalır. Model değişse bile veri sözleşmesi, sahiplik ve denetim izi korunur. Document AI’ın sürdürülebilir değeri, tam da bu sistem tasarımından doğar.

## Yönetim için son kontrol

Yönetim değerlendirmesinde üç soru yeterli bir başlangıçtır: Belge verisi doğru mu, doğru kişi tarafından doğrulanıyor mu, doğru sistemde iz bırakıyor mu? Bu üç sorunun yanıtı bir arada değilse model doğruluğu tek başına yatırım kanıtı değildir. Pilotun sonunda insan süresi, hata maliyeti, işlem süresi, erişim olayı ve belge tazeliği aynı raporda sunulmalıdır.

## Belge yaşam döngüsü ve arşiv stratejisi

Document AI mimarisi belgenin yalnız ilk okunmasını değil, yaşam döngüsünü de kapsar. Belge alındığında benzersiz bir işlem kimliği verilir; sınıflandırma, alan çıkarımı, doğrulama, ERP veya dosya yönetimi kaydı ve arşiv sonucu bu kimlikle ilişkilendirilir. Aynı belgenin yeniden yüklenmesi, farklı formatta kopyalanması veya birden fazla ek içinde bulunması mükerrerlik kontrolünden geçer. Bu kontrol yoksa arşivde iki ayrı “doğru” kayıt oluşabilir ve sonraki denetimde hangi sürümün esas olduğu belirsizleşir.

Saklama süresi belge sınıfına göre belirlenir. Bir sözleşme, bir sevk irsaliyesi, bir insan kaynakları formu veya bir klinik rapor aynı süre ve erişim politikasıyla tutulmamalıdır. [Veri minimizasyonu](/sozluk/veri-minimizasyonu) ilkesi doğrultusunda gereksiz kopyalar silinir, hassas alanlar maskeleme politikasına bağlanır ve arama indeksinde yalnız yetkili özet tutulur. Silme veya saklama uzatma kararı verildiğinde, model eğitim seti, embedding ve yedek kopyalar üzerindeki etkisi de kayıt altına alınır.

Belge değiştiğinde sürüm ilişkisi korunmalıdır. Kullanıcı bir sözleşmenin ek protokolünü yüklediğinde eski sürüm ortadan kaldırılmaz; geçerlilik tarihi, supersede ilişkisi ve onay durumu gösterilir. Arama veya RAG katmanı yalnız geçerli sürümü getirecek şekilde filtrelenir. [Veri odası](/sozluk/veri-odasi) yaklaşımı, inceleme ekibinin belgenin kaynağını, erişim kapsamını ve son güncellemesini tek bağlamda görmesini sağlar. Bu görünürlük, yapay zekânın yanlış sürümden ikna edici ama geçersiz bir özet üretme riskini azaltır.

İşletim ekibi aylık olarak belge hacmi, sınıf dağılımı, okunamayan sayfa oranı, manuel düzeltme, mükerrerlik, saklama ihlali ve silme taleplerini inceler. Yeni belge formatı geldiğinde model hemen genelleştirilmez; küçük bir kabul kümesinde alan sözleşmesi, kaynak kanıtı ve hedef uygulama sonucu kontrol edilir. Böylece Document AI, tek seferlik tarama otomasyonu yerine kurumun kanıt üretme, bilgiyi koruma ve doğru iş akışını tetikleme kapasitesini kalıcı biçimde yükseltir.