En İyi 25 Üretken Yapay Zeka Finans Kullanım Örneği

Finansal hizmet firmalarına bir on yıl boyunca danışmanlık yaptım. Gördüğüm her yapay zeka uygulaması aynı kalıbı izledi: sunumlarda etkileyici görünen ama üretimde takılıp kalan pilot projeler.

Bu değişiyor. Bankalar artık üretken yapay zekayı ölçekli olarak devreye alıyor ve sonuçlar ölçülebilir durumda. İşte doğrulayabileceğiniz uygulamalara dayanarak gerçekten işe yarayanlar.

• Finansal hizmet firmaları için
• Finansal olmayan firmalardaki finans birimleri için.

Finansal olmayan firmalardaki finans fonksiyonları

1-Muhasebe fonksiyonlarının otomasyonu

Özelleşmiş transformer model'leri, finans birimlerinin denetim ve borç hesapları gibi fonksiyonları, fatura yakalama ve işleme dahil olmak üzere otomatikleştirmesine yardımcı olur. Derin öğrenme fonksiyonları sayesinde, muhasebede uzmanlaşmış GPT model'leri çoğu muhasebe görevinde yüksek otomasyon oranlarına ulaşabilir.

Finansal hizmet firmaları

2-Konuşmaya dayalı finans

Üretken yapay zeka model'leri, insan benzeri dil kalıplarını anlamak ve üretmek üzere eğitildikleri için daha doğal ve bağlama uygun yanıtlar üretebilir. Sonuç olarak üretken yapay zeka, finansal konuşmaya dayalı yapay zeka sistemlerinin ve chatbot'ların performansını ve kullanıcı deneyimini, kullanıcılara daha doğru, ilgi çekici ve incelikli etkileşimler sunarak önemli ölçüde artırabilir.

Konuşmaya dayalı finans müşterilere şunları sağlar:

• Gelişmiş müşteri desteği
• Kişiselleştirilmiş finansal tavsiye
• Ödeme bildirimleri
• Yatırım özetleri veya kredi başvuruları gibi belge oluşturma.

Örneğin, Morgan Stanley, OpenAI destekli chatbot'ları şirketin iç araştırmalarını ve verilerini bir bilgi kaynağı olarak kullanarak finansal danışmanlara destek olmak için kullanıyor.

Konuşmaya dayalı finans hakkında daha fazla bilgi için finansal hizmetler sektöründe konuşmaya dayalı yapay zekanın kullanım örneklerine ilişkin makalemize göz atabilirsiniz. Konuşmaya dayalı yapay zekanın müşteri hizmetleri operasyonlarını iyileştirmesinin birçok yolunu keşfetmek için müşteri hizmetlerinde konuşmaya dayalı yapay zeka hakkındaki özel makalemize bakın.

3-Başvuru sahibi dostu ret açıklamaları oluşturma

Yapay zeka, bankacılık sektöründe özellikle kredi karar alma süreçlerinde önemli bir rol oynar. Bankaların ve finansal kurumların müşterilerin kredi değerliliğini değerlendirmesine, uygun kredi limitlerini belirlemesine ve riske göre kredi fiyatlandırması yapmasına yardımcı olur.

Ancak hem karar vericilerin hem de kredi başvuru sahiplerinin, güven oluşturmak ve gelecekteki başvurular için müşteri farkındalığını artırmak amacıyla başvuru reddi nedenleri gibi yapay zeka tabanlı kararların net açıklamalarına ihtiyacı vardır.

Koşullu bir üretken çekişmeli ağ (GAN), bir üretken yapay zeka türü olarak, kullanıcı dostu ret açıklamaları üretmek için kullanıldı. Ret nedenleri basitten karmaşığa hiyerarşik olarak düzenlenerek, başvuru sahipleri için daha anlaşılır açıklamalar üretmek üzere iki seviyeli koşullandırma kullanılır.

Şekil 1: Yapay zeka tarafından oluşturulan kredi reddi açıklamaları¹

Gerçek hayattan senaryo oluşturma örneği

Bir vaka çalışmasında, yatırımcı ilişkileri ekibi şirketin çeyreklik finansal sonuçlarına piyasanın güçlü bir tepki vereceğini öngörüyor ve kazanç görüşmesi için kapsamlı bir senaryo ve potansiyel yatırımcı soruları hazırlaması gerekiyor.²

Bir analist, mevcut ve önceki çeyreklere ait finansal verileri bir elektronik tabloya aktarır ve bir üretken yapay zeka aracı kullanır. Yapay zekaya, ilgili yorumlar üretmek için geçmiş kazanç görüşmelerinden bağlam ve belirli içgörüler verilir.

Yapay zeka aracı, olası yatırımcı soruları ve yanıtları dahil olmak üzere kazanç görüşmesi için bir senaryo üretir. Analist bu içeriği Word belgesine biçimlendirir, önemli yatırımcı sorularını vurgular ve yönetim incelemesi ile CFO'nun hazırlanmasına hazırlar.

Arka ofis

4-Eski Sistemler için Kod Modernizasyonu

Bankalar hâlâ 1970'lerden ve 80s döneminden kalma COBOL ile yazılmış yazılımlar çalıştırıyor. COBOL bilen geliştiriciler bulmak neredeyse imkânsızdır, ancak bu yazılım kritik işlemleri yürütür ve öylece kapatılamaz.

Üretken yapay zeka model'leri şunları yapabilir:

• COBOL, Fortran veya diğer eski dillerdeki miras kodu okuyabilir
• Python veya Java gibi modern dillere dönüştürebilir
• Performansı artırırken aynı iş mantığını koruyabilir
• Kodun gerçekte ne yaptığını açıklayan belgeler oluşturabilir

Goldman Sachs, üretken yapay zekanın artık uygulama geliştirme ve iyileştirme çalışmalarının merkezinde yer aldığını doğruladı. Bir bankanın geliştiricileri, dağıtımdan önce hataları yakalayarak yapay zeka tarafından üretilen kodu doğrular; ancak ağır işi yapay zeka yapar.

Teknoloji maliyetleri tipik bir bankanın giderlerinin yaklaşık %10'unu oluşturur. Geliştirmeyi hızlandırmak ve bakım maliyetlerini düşürmek kârlılığı doğrudan artırır.³

5-Uygulama modernizasyonu

Bankalar, güncelliğini yitirmiş yazılımlara bağımlı kalmamayı hedefliyor ve modernizasyon çalışmalarına sürekli yatırım yapıyor. Kurumsal GenAI model'leri, eski yazılım dillerindeki kodu modern dillere dönüştürerek geliştiricilerin yeni yazılımı doğrulamasını sağlayabilir ve önemli ölçüde zaman kazandırır.

Goldman Sachs çalışanları, üretken yapay zekanın uygulama geliştirme ve iyileştirmenin güçlü bir parçası olduğunu doğruluyor.⁴

6-Otomatik Belge Oluşturma

Bankalar günlük binlerce belge üretir: yatırım özetleri, kredi başvuruları, müşteri raporları ve düzenleyici başvurular. Bu belgeler şablonlardan alınır, ancak bunları özelleştirmek zaman alır.

Üretken yapay zeka artık bu işi yapıyor:

• Basit prompt'lardan profesyonel belgeler oluşturur
• Birden fazla sistemden ilgili verileri çeker
• Belge türüne ve alıcıya göre uygun biçimlendirme uygular
• Düzenleyici gerekliliklerle tutarlılık sağlar

7-Finansal Tahmin ve Analiz

Üretken yapay zeka, karmaşık kalıpları ve ilişkileri yakalamak için geçmiş finansal verilerden öğrenerek tahmini geliştirir. Belirli bankalar ve ekonomik bağlamlar için uygun şekilde fine-tune edildiğinde bu model'ler şunlarla ilgili tahminler yapar:

• Varlık fiyat hareketleri
• Faiz oranı yörüngeleri
• Kredi temerrüt olasılıkları
• Piyasa oynaklığı
• Ekonomik gösterge eğilimleri

Anahtar ifade: 'uygun şekilde fine-tune edilmiş.' Hazır model'ler halüsinasyon görür ve var olmayan kalıplara dayanarak kendinden emin tahminler yapar. Yapay zeka tahmininde başarılı olan bankalar, model'leri kendi özel verileriyle eğitmeye ve çıktıları uzman görüşüyle doğrulamaya ciddi yatırım yapar.

8- Piyasa tahminleri

Büyük hacimli verileri analiz ederek üretken yapay zeka; hisse senedi fiyatları, faiz oranları ve ekonomik göstergeler dahil finansal tahminlerin doğruluğunu artırabilir.

Gerçek hayat örneği

Asyalı bir finans kurumu, 2.000 analiste ve kullanıcıya prompt-to-report işlevselliği sağlamak için bir PoC yürütüyor.³

9-Finansal rapor oluşturma

Otomatik raporlama

Üretken yapay zeka, mevcut verilere dayanarak iyi yapılandırılmış, tutarlı ve bilgilendirici finansal raporları otomatik olarak oluşturabilir. Bu raporlar şunları içerebilir:

• Bilançolar
• Gelir tabloları
• Nakit akış tabloları

Bu otomasyon raporlama sürecini kolaylaştırır, manuel çabayı azaltır ve tutarlılık, doğruluk ve zamanında rapor teslimi sağlar.

10- Senaryo tabanlı raporlama

Yapay zeka, farklı düzenleyici senaryoları simüle edebilir ve finansal kurumların gerekli tüm gerekliliklere çeşitli koşullar altında uyum sağlamasına yardımcı olmak için raporlar oluşturabilir.

Yapay zeka metin üretimi kullanım örneklerini ve gerçek hayattan örnekleri öğrenin.

11-Dolandırıcılık tespiti

Üretken yapay zeka, dolandırıcılık işlemlerinin veya faaliyetlerinin sentetik örneklerini üreterek finansta dolandırıcılık tespiti için kullanılabilir. Bu üretilen örnekler, makine öğrenmesi algoritmalarının finansal verilerdeki meşru ve dolandırıcılık kalıplarını tanıması ve ayırt etmesi için eğitilmesine ve güçlendirilmesine yardımcı olabilir.

Dolandırıcılık kalıplarının daha iyi anlaşılması, bu model'lerin şüpheli faaliyeti daha doğru ve etkili bir şekilde belirlemesini sağlayarak daha hızlı dolandırıcılık tespiti ve önlenmesine yol açar. Üretken yapay zekayı dolandırıcılık tespit sistemlerine dahil ederek finansal kurumlar şunları yapabilir:

• Operasyonlarının genel güvenliğini ve bütünlüğünü artırabilir
• Dolandırıcılıktan kaynaklanan kayıpları en aza indirebilir
• Tüketici güvenini koruyabilir

Dolandırıcılık faaliyetlerine karşı önlem alınmasına nasıl yardımcı olabileceğini görmek için yasal yapay zeka yazılımlarını keşfedin.

Gerçek hayat örneği

Mastercard, dolandırıcıların çalınan ödeme kartı verilerini istismar etmesi nedeniyle dolandırıcılık işlemlerini daha hızlı ve daha doğru tespit etmenin bir yoluna ihtiyaç duydu. Mastercard, üretken yapay zekayı kullanarak milyonlarca satıcıdaki işlem verilerini tarayarak ele geçirilmiş kartları tahmin etti ve tespit etti; böylece bankaların onları daha hızlı engellemesine ve dolandırıcılığı önlemesine yardımcı oldu.

Sonuçlar:

• Ele geçirilmiş kartların tespit oranını iki katına çıkardı.
• Dolandırıcılık tespitinde yanlış pozitifleri azalttı.
• Satıcı dolandırıcılık tespit hızını artırdı.

12-Düzenleyici taleplerine yanıt verme

Yüksek düzeyde düzenlenen sektör oyuncuları olarak bankalar, düzenleyicilerden düzenli talepler alır.

Gerçek hayat örneği

Bankalar, düzenleyicilerden gelen basit ve daha az kritik soruları yanıtlamak için LLM'leri kullanıp kullanamayacaklarını görmek için PoC'ler yürütüyor.³

13-Portföy yönetimi

Dinamik portföy yönetimi

Üretken yapay zekanın bir başka finansal uygulaması portföy optimizasyonu olabilir. Üretken yapay zeka model'leri, geçmiş finansal verileri analiz ederek ve çeşitli yatırım senaryoları üreterek varlık yöneticilerinin ve yatırımcıların aşağıdaki gibi faktörleri dikkate alarak optimum varlık ve servet yönetimini belirlemelerine yardımcı olabilir:

• Risk toleransı
• Beklenen getiriler
• Yatırım ufukları.

14-Özelleştirilmiş endeksler

Bu model'ler portföy performansı üzerindeki potansiyel etkileri daha iyi anlamak için farklı piyasa koşullarını, ekonomik ortamları ve olayları simüle edebilir. Bu, finans profesyonellerinin yatırım stratejilerini geliştirmesine ve fine-tune etmesine, riske göre ayarlanmış getirileri optimize etmesine ve portföylerini yönetme konusunda daha bilinçli kararlar almasına olanak tanır. Bu da nihayetinde müşterileri veya kurumları için daha iyi finansal sonuçlara yol açar.

15-Risk yönetimi

Stres testi

Üretken yapay zeka, geçmiş verilerde meydana gelmemiş aşırı piyasa koşullarını simüle ederek finansal kurumların nadir ancak yüksek etkili olaylara daha iyi hazırlanmasını sağlayabilir.

16-Kredi riski modellemesi

Yapay zeka model'leri, kredi riski model'lerinin sağlamlığını test etmek için sentetik borçlu profilleri üreterek kredi puanlama ve temerrüt tahminlerinin doğruluğunu artırabilir.

17-Anomaly tespiti

Üretken yapay zeka model'leri, işlemlerin normal kalıplarını anlamak ve aykırı değerleri veya anormallikleri temsil eden veri noktaları üretmek üzere eğitilebilir. Bu, potansiyel dolandırıcılık faaliyetlerinin veya kara para aklamaya işaret edebilecek olağandışı işlem kalıplarının belirlenmesine yardımcı olur.

18-Eğitim için sentetik veri

Gerçek dolandırıcılık işlemleri nadir olduğundan, üretken yapay zeka dolandırıcılık faaliyetinin sentetik örneklerini oluşturarak daha iyi tespit algoritmalarının eğitilmesine yardımcı olabilir.

19-Sentetik veri üretimi

Müşteri finansal verileri özeldir ve GDPR, CCPA ve diğer gizlilik yasaları kapsamında düzenlenir. Bu bazı sorunlar yaratır:

• Model eğitimi için üçüncü taraf satıcılarla veri paylaşılamaz
• Geliştirme/test ortamlarında üretim verileri kullanılamaz
• Gizlilik ihlalleri riski olmadan araştırma yürütülemez

Sentetik veri şunları sağlar:

• Müşteri bilgilerini ifşa etmeden makine öğrenmesi model'lerini eğitme
• Gerçekçi veri hacimleriyle sistemleri stres testine tabi tutma
• Model'leri çeşitli müşteri segmentlerinde doğrulama
• Entegrasyon testi için ortaklarla veri paylaşma

Sentetik müşteriler gerçekçi kredi puanlarına, işlem kalıplarına, gelir düzeylerine ve finansal davranışlara sahiptir; ancak gerçek kişiler değillerdir, bu nedenle gizlilik ihlali meydana gelmez.

Müşteri bilgileri finans ekipleri için özel veriler olduğundan, kullanımı ve düzenlenmesi açısından zorluklar yaratır. Üretken yapay zeka, finansal kurumlar tarafından sentetik veriler üretmek için kullanılabilir ve bu veriler GDPR ve CCPA gibi gizlilik düzenlemelerine uyar.

Sentetik veri üretiminin gerçek hayat örneği

Morgan Stanley, gelişmiş yapay zeka araçlarıyla servet yönetimi operasyonlarını optimize etme ve danışman-müşteri etkileşimlerini geliştirme zorluğuyla karşı karşıyaydı; aynı zamanda veri güvenliğini korumak ve hataları en aza indirmek gerekiyordu.

Araştırma verilerini sentezlemek için üretken yapay zeka platformu uygulamak üzere OpenAI ile ortaklık kurdular. Aracı 900 danışmanla pilot olarak test ettiler ve daha geniş bir kullanıma sunmayı planladılar.

20-Algoritmik ticaret & yatırım stratejileri

21-Senaryo analizi

Bu model'ler çeşitli piyasa senaryolarını simüle ederek trader'ların ve portföy yöneticilerinin farklı koşullar altında potansiyel riskleri ve getirileri anlamasına yardımcı olabilir.

Dimension Market Research'e göre, ticarette üretken yapay zeka için küresel pazarın büyüklüğünün 2024 yılına kadar 208.3 milyon ABD doları, 2033 yılına kadar ise 1.705.1 milyon ABD doları olması öngörülmektedir. 2024'te pazarın yıllık bileşik büyüme oranı (CAGR) %26,3 olarak büyümesi beklenmektedir.⁵

22-Ürün geliştirme

Özelleştirilmiş yatırım portföyleri

Üretken yapay zeka, kişiselleştirilmiş yatırım portföyleri oluşturmak için bireysel yatırımcı profillerini, tercihlerini ve finansal hedeflerini analiz edebilir. Bu, özellikle robo-danışmanlar ve servet yönetimi platformları için faydalıdır.

Kişiye özel sigorta ürünleri

Yapay zeka, farklı müşteriler için benzersiz koşullar ve fiyatlandırma yapıları üreterek bireysel risk profillerine dayalı kişiselleştirilmiş sigorta ürünleri oluşturabilir.

23-Sigortalama & fiyatlandırma

Dinamik fiyatlandırma model'leri

Üretken yapay zeka, sigortacıların ve kredi verenlerin yeni verilere, piyasa koşullarına ve bireysel müşteri davranışına göre gerçek zamanlı olarak ayarlanan dinamik fiyatlandırma model'leri geliştirmesine yardımcı olabilir.

Risk değerlendirmesi

Yapay zeka, farklı risk senaryoları üreterek sigortacıların potansiyel sonuçları değerlendirmesine ve uygun primleri veya faiz oranlarını belirlemesine yardımcı olabilir.

Yaygın uygulamalar

24-Finansal soru yanıtlama

İnsan dil kalıplarını anlama yeteneğinden ve bağlama uygun, tutarlı yanıtlar üretme becerisinden yararlanarak üretken yapay zeka, kullanıcıların sorduğu finansal sorulara doğru ve ayrıntılı yanıtlar sağlayabilir.

Bu model'ler, aşağıdakiler gibi konular da dahil olmak üzere çok çeşitli finansal sorulara uygun bilgilerle yanıt vermek üzere geniş finansal bilgi dataset'leri üzerinde eğitilebilir:

• Muhasebe ilkeleri
• Finansal oranlar
• Hisse senedi analizi
• Düzenleyici uyum

Örneğin BloombergGPT, diğer üretken model'lere kıyasla bazı finansla ilgili sorulara doğru yanıt verebilir.

Şekil 2. BloombergGPT, GPT-NeoX ve FLAN-T5-XXL'in şirketlerin CEO'larının adlarını hatırlama becerisi⁶

25-Duygu analizi

Duygu analizi, NLP içinde yer alan bir yaklaşım olarak metinleri, görüntüleri veya videoları olumsuz, olumlu veya nötr duygusal tonlara ayırır. Şirketler, müşterilerin duygularına ve görüşlerine ilişkin içgörüler elde ederek bu bulgulara dayanarak hizmetlerini veya ürünlerini iyileştirmek için stratejiler geliştirebilir.

Finansal kurumlar, marka itibarlarını ve müşteri memnuniyetini sosyal medya gönderileri, haber makaleleri, iletişim merkezi etkileşimleri veya diğer kaynaklar aracılığıyla ölçmek için duygu analizinden yararlanabilir.

Örneğin Bloomberg, duygu analizi, haber sınıflandırması ve bazı diğer finansal görevleri yapabilen, benchmark'ları başarıyla geçen, finans için fine-tune edilmiş üretken modeli BloombergGPT'yi duyurdu.

Şekil 3: BloombergGPT'nin iki geniş NLP görev kategorisindeki performansı: finans odaklı ve genel amaçlı⁷

Finans sektöründe üretken yapay zeka zorlukları ve bunların üstesinden gelme ipuçları

• Veri doğruluğu: Avrupa Merkez Bankası'nın belirttiği gibi, 'Yapay zeka verilerin işlenmesini ve üretilmesini büyük ölçüde geliştirse de önemli veri kalitesi sorunlarına açık olabilir.' Temel model'leri eğitmek için kullanılan önyargılı ve hatalı verilerin daha fazla hata içeren çıktılar üretme olasılığı vardır. Temel model'leri beslerken veri kalitesi ve doğruluğu kritik faktörlerdir.⁸
• Model'lerde Önyargı: Yapay zeka model'leri, eğitildikleri verilerden önyargıları miras alabilir; bu da özellikle kredi puanlama veya yatırım önerileri gibi alanlarda adil olmayan veya çarpık kararlara yol açabilir.
  • Bu tür yapay zeka önyargısını tespit etmek için işletmeler bir sorumlu yapay zeka platformu benimseyebilir.
• Sınırlı genelleme: İşletmeler, kullanım senaryoları için ya hazır büyük dil model'lerine güvenebilir ya da fine-tune LLM'leri yapabilir. Hazır model'ler, uygun fine-tuning olmadan belirli, oldukça uzmanlaşmış finansal bağlamlarda iyi performans göstermeyebilir; bu da hatalı veya ilgisiz çıktılara yol açabilir.
  • LLM'lerinizi daha iyi oluşturmak, test etmek, izlemek ve fine-tune etmek için LLMOps araçları benimseyin.
• Halüsinasyonlar: Üretken yapay zeka, finansta kararların hassas verilere dayandığı durumlarda riskli olan hatalı veya uydurma bilgiler üretebilir; bu da kötü yatırım tavsiyesine veya düzenleyici ihlallere yol açabilir.
  • Bu sorunun üstesinden gelmek ve model doğruluğunu sağlamak için LLM güvenlik araçları ve çıkarımsal yapay zeka uygulayın.
• Düzenlemeler: Finans sektörü yüksek düzeyde düzenlenmiştir ve yapay zeka; şeffaflık, hesap verebilirlik ve veri kullanımı konusunda katı standartlara uymak zorundadır; bu da gelişen yasal çerçevelere uyumu sağlama konusunda zorluklar yaratır.
  • Yapay zeka yönetişim araçları dağıtın ve yapay zeka uyumunu sağlamak için bir yapay zeka envanteri oluşturun.
• Veri Güvenliği: Finansal veriler hassastır ve yapay zeka sistemlerinin bu verileri güvenli bir şekilde işlemesini, ihlalleri veya kötüye kullanımı önlemesini sağlamak, müşteri güvenini korumak ve düzenleyici cezalardan kaçınmak için kritik öneme sahiptir.⁹

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Üretken yapay zekaya yapılan harcamalar ve piyasa beklentileri

Kurumsal üretken yapay zekanın yardımıyla üretilen finansal simülasyonlar ve tahminler; ticaret, portföy yönetimi ve finansal piyasalar için faydalıdır. Zaman tasarrufu, büyük veri setleri ve hesaplama gücü gibi birçok avantajına rağmen arızalanabilir ve hassas verileri ifşa ederek güvenlik riskleri oluşturabilir. Bu zorluklar özellikle finans süreçlerini ve genel finans fonksiyonunu etkileyebilir.

• 2030 yılına kadar bankacılık sektörünün üretken yapay zekaya (AI) 84.99 milyar ABD doları harcaması ve 55.55 yüzde gibi dikkat çekici bir yıllık bileşik büyüme oranıyla büyümesi bekleniyor.¹⁰
• McKinsey Global Institute'a (MGI) göre, bankacılık sektöründe Gen AI kullanımı yıllık 200 milyar ABD doları ile 340 milyar ABD doları arasında, yani toplam sektör gelirlerinin 2.8 ila 4.7 yüzdesi kadar bir değer artışı sağlayabilir. Bu değer artışı öncelikle artan üretkenlikten kaynaklanacaktır.¹¹

Finans sektöründe otomasyona ilişkin ek içgörüler için Bankacılık ve Finansal Hizmetlerde Akıllı Otomasyon hakkındaki makalemizi inceleyin.

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem and Ermut, Sıla},
  title  = {{En İyi 25 Üretken Yapay Zeka Finans Kullanım Örneği}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/generative-ai-finance}},
  note   = {AIMultiple. Erişim tarihi: 2 Eylül 2026}
}

Değişiklik günlüğü

10 güncelleme

2026202520242023

1. 28 Oca

   “Bankaların Doğru Yaptığı En İyi Uygulamalar” bölümü kaldırıldı.

2. 21 Oca

   Finans sektöründe üretken yapay zeka uygulama en iyi uygulamaları bölümü güncellendi.

Referans Linkleri

1.

Your Sustainability Transformation Partner | Fujitsu Global

2.

Geleceğin Finans Fonksiyonunda Üretken Yapay Zeka.

3.

What Generative AI Means For Banking

Forbes

4.

Goldman Sachs Deploys Its First Generative AI Tool Across the Firm - WSJ

The Wall Street Journal

5.

Üretken Yapay Zeka Ticaret Pazarının 2033'e Kadar 1.705,1 Milyon ABD Doları Gelire Ulaşması Bekleniyor, %26,3 CAGR | DMR.

6.

BloombergGPT: A Large Language Model for Finance

7.

Introducing BloombergGPT, Bloomberg’s 50-billion parameter large language model, purpose-built from scratch for finance | Press | Bloomberg LP

8.

The rise of artificial intelligence: benefits and risks for financial stability

9.

The Rise of Generative AI | J.P. Morgan Research

J.P. Morgan

10.

Bankacılık sektörü gen AI harcamaları dünya genelinde 2023, 2030'a kadar tahminler..

11.

The future of AI in banking | McKinsey

McKinsey & Company

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Sıla Ermut

Sektör Analisti

Takip Et

Sıla Ermut, AIMultiple'da yapay zeka model'lerini, yapay zeka altyapısını, yapay zeka yönetişimini ve kurumsal yapay zeka uygulamalarını ele alan bir sektör analistidir. Araştırmaları çoğunlukla yapay zekanın pazarlama, sağlık hizmetleri, tedarik zincirleri ve sürdürülebilirlik alanlarındaki kullanımına odaklanmaktadır.
Daha önce proje yönetimi ve danışmanlık firmalarında işe alım uzmanı olarak çalıştı. Sıla, Sosyal Psikoloji alanında yüksek lisans derecesine ve Uluslararası İlişkiler alanında lisans derecesine sahiptir.

Tam Profili Görüntüle

Yorumlar 1

Düşüncelerinizi Paylaşın

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder

Praveenkumar Prasadkumar

Dec 31, 2025 at 08:54

Ai tool is helping toll for understanding unknown thing and we learn more thing from AI, while using an AI we can completed easy and faster and doing things better .

Yanıtla