En İyi 25 Üretken Yapay Zeka Finans Kullanım Alanı

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

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

• Finansal hizmet firmaları için
• Finans dışı firmalardaki finans birimleri için.

Finans dışı firmalarda finans fonksiyonları

1-Muhasebe fonksiyonlarının otomasyonu

Özel transformer modelleri, finans birimlerinin denetim ve borç hesapları gibi fonksiyonları otomatikleştirmesine yardımcı olur; buna fatura yakalama ve işleme de dahildir. Derin öğrenme fonksiyonlarıyla, muhasebe alanında uzmanlaşmış GPT modelleri çoğu muhasebe görevinde yüksek otomasyon oranlarına ulaşabilir.

Finansal hizmet firmaları

2-Konuşmaya dayalı finans

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

Konuşmaya dayalı finans müşterilere şunları sağlar:

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

Örneğin, Morgan Stanley, OpenAI destekli chatbot'lar kullanıyor ve finansal danışmanları desteklemek için şirketin iç araştırma ve verilerini bilgi kaynağı olarak kullanıyor.

Konuşmaya dayalı finans hakkında daha fazla bilgi için, finansal hizmetler sektöründe konuşmaya dayalı yapay zekanın kullanım alanlarına ilişkin makalemize göz atabilirsiniz. Konuşmaya dayalı yapay zekanın müşteri hizmetleri operasyonlarını nasıl geliştirebileceğini keşfetmek için, müşteri hizmetleri için konuşmaya dayalı yapay zeka hakkındaki özel makalemize bakın.

3-Başvuru sahibi dostu ret açıklamaları üretme

Yapay zeka, bankacılık sektöründe özellikle kredi karar verme 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 başvurusu yapanların, güveni artırmak ve gelecekteki başvurular için müşteri farkındalığını geliştirmek amacıyla yapay zekaya dayalı kararların, örneğin başvuru reddi nedenlerinin net açıklamalarına ihtiyacı vardır.

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

Şekil 1: Yapay zeka tarafından oluşturulan kredi reddi açıklamaları¹

Gerçek hayattan metin oluşturma örneği

Bir vaka çalışmasında, yatırımcı ilişkileri ekibi şirketin çeyreklik finansal sonuçlarına güçlü bir piyasa tepkisi olacağını öngörür ve kazanç görüşmesi için kapsamlı bir metin ve potansiyel yatırımcı soruları hazırlaması gerekir.²

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

Yapay zeka aracı, olası yatırımcı soruları ve yanıtları da dahil olmak üzere kazanç görüşmesi için bir metin üretir. Analist bu içeriği bir Word belgesine dönüştürür, kilit yatırımcı sorularını vurgular ve yönetici incelemesi ile CFO'nun hazırlığı için hazırlar.

Arka ofis

4-Eski Sistemler İçin Kod Modernizasyonu

Bankalar hâlâ 1970'lerden ve 80s'lerden kalma COBOL ile yazılmış yazılımlar çalıştırıyor. COBOL bilen geliştirici bulmak neredeyse imkansızdır, ancak bu yazılım kritik işlemleri yönetir ve öylece kapatılamaz.

Üretken yapay zeka modelleri şunları yapabilir:

• COBOL, Fortran veya diğer eski dillerdeki eski kodu okuyabilir
• Python veya Java gibi modern dillere dönüştürebilir
• Aynı iş mantığını korurken performansı artırabilir
• Kodun gerçekte ne yaptığını açıklayan belgeler üretebilir

Goldman Sachs, üretken yapay zekanın artık uygulama geliştirme ve iyileştirme çalışmalarının merkezinde olduğunu 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 azaltmak kârlılığı doğrudan artırır.³

5-Uygulama modernizasyonu

Bankalar, güncelliğini yitirmiş yazılımlara bağımlı kalmaktan kaçınmayı hedefler ve modernizasyon çalışmalarına sürekli yatırım yapar. Kurumsal GenAI modelleri, eski yazılım dillerindeki kodu modern dillere dönüştürebilir; böylece geliştiricilerin yeni yazılımı doğrulamasını sağlar ve önemli ölçüde zaman kazandırır.

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

6-Otomatik Belge Üretimi

Bankalar her gün binlerce belge üretir: yatırım özetleri, kredi başvuruları, müşteri raporları ve düzenleyici kurumlara yapılan başvurular. Bu belgeler şablonlardan alınır, ancak özelleştirilmeleri zaman alır.

Üretken yapay zeka artık bunu üstleniyor:

• Basit prompt'lardan profesyonel belgeler üretir
• Birden çok 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 iyileştirir. Belirli bankalar ve ekonomik bağlamlar için uygun şekilde fine-tune edildiğinde, bu modeller aşağıdakiler hakkında tahminler yapar:

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

Anahtar ifade: “uygun şekilde fine-tune edilmiş.” Hazır modeller halüsinasyon görür ve var olmayan kalıplara dayanarak kendinden emin tahminler yapar. Yapay zeka tahmininde başarılı olan bankalar, modelleri kendi özel verileri üzerinde eğitmeye ve çıktıları uzman değerlendirmesiyle doğrulamaya ciddi yatırım yapar.

8- Piyasa tahminleri

Üretken yapay zeka, büyük hacimli verileri analiz ederek hisse senedi fiyatları, faiz oranları ve ekonomik göstergeler dahil olmak üzere finansal tahminlerin doğruluğunu artırabilir.

Gerçek hayattan örnek

Bir Asyalı finans kuruluşu, 2.000 analist ve kullanıcıya prompt'tan rapora işlevsellik sağlamak için bir PoC yürütüyordu.³

9-Finansal rapor üretimi

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 tutarlılığı, doğruluğu ve raporların zamanında teslim edilmesini 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 üretebilir.

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

11-Dolandırıcılık tespiti

Üretken yapay zeka, finans alanında dolandırıcılık tespiti için dolandırıcılık işlemleri veya faaliyetlerine ilişkin sentetik örnekler üreterek kullanılabilir. Bu üretilen örnekler, makine öğrenmesi algoritmalarının finansal verilerdeki meşru ve dolandırıcılık kalıplarını tanımasına ve ayırt etmesine yardımcı olmak ve onları güçlendirmek için kullanılabilir.

Dolandırıcılık kalıplarına ilişkin gelişmiş anlayış, bu modellerin şüpheli faaliyetleri daha doğru ve etkili bir şekilde tanımlamasını sağlayarak dolandırıcılığın daha hızlı tespit edilmesine 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

Yasal yapay zeka yazılımının dolandırıcılık faaliyetlerine karşı önlem alınmasına nasıl yardımcı olabileceğini keşfedin.

Gerçek hayattan örnek

Mastercard, dolandırıcıların çalıntı ödeme kartı verilerini istismar etmesi nedeniyle dolandırıcılık işlemlerini tespit etmek için daha hızlı ve daha doğru bir yola ihtiyaç duyuyordu. Mastercard, üretken yapay zekayı kullanarak milyonlarca üye işyerinin işlem verilerini taradı; ele geçirilmiş kartları tahmin edip tespit ederek bankaların bunları daha hızlı engellemesine ve dolandırıcılığı önlemesine yardımcı oldu.

Sonuçlar:

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

12-Düzenleyici taleplerine yanıt verme

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

Gerçek hayattan örnek

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

13-Portföy yönetimi

Dinamik portföy yönetimi

Üretken yapay zekanın bir diğer finansal uygulaması portföy optimizasyonu olabilir. Geçmiş finansal verileri analiz ederek ve çeşitli yatırım senaryoları üreterek üretken yapay zeka modelleri, varlık ve portföy yöneticileri ile yatırımcıların; risk toleransı, beklenen getiriler ve yatırım ufukları gibi faktörleri dikkate alarak optimal varlık ve servet yönetimini belirlemelerine yardımcı olabilir.

• Risk toleransı
• Beklenen getiriler
• Yatırım ufukları.

14-Özelleştirilmiş endeksler

Bu modeller, portföy performansı üzerindeki olası etkileri daha iyi anlamak için farklı piyasa koşullarını, ekonomik ortamları ve olayları simüle edebilir. Bu, finans profesyonellerinin yatırım stratejilerini geliştirip fine-tune etmelerini, riske göre ayarlanmış getirileri optimize etmelerini ve portföylerini yönetme konusunda daha bilinçli kararlar almalarını sağlar. Bu da sonuç olarak 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 edebilir; bu da finansal kurumların nadir ancak etkisi yüksek olaylara daha iyi hazırlanmasını sağlar.

16-Kredi riski modellemesi

Yapay zeka modelleri, kredi riski modellerinin sağlamlığını test etmek için sentetik borçlu profilleri üretebilir; bu da kredi puanlaması ve temerrüt tahminlerinin doğruluğunu artırır.

17-Anomaly tespiti

Üretken yapay zeka modelleri, işlemlerin normal kalıplarını anlamak ve aykırı değerleri veya anomalileri 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 faaliyetine ilişkin sentetik örnekler oluşturarak daha iyi tespit algoritmalarının eğitilmesine yardımcı olabilir.

19-Sentetik veri üretimi

Müşteri finansal verileri mülkiyete tabidir ve GDPR, CCPA ve diğer gizlilik yasaları kapsamında düzenlenir. Bu durum şu sorunları yaratır:

• Model eğitimi için veriler üçüncü taraf satıcılarla paylaşılamaz
• Geliştirme/test ortamlarında üretim verileri kullanılamaz
• Gizlilik ihlali riskine girmeden araştırma yapılamaz

Sentetik veri şunları sağlar:

• Müşteri bilgilerini ifşa etmeden makine öğrenmesi modellerinin eğitilmesini
• Sistemlerin gerçekçi veri hacimleriyle stres testinden geçirilmesini
• Modellerin çeşitli müşteri segmentlerinde doğrulanmasını
• Entegrasyon testi için verilerin iş ortaklarıyla paylaşılmasını

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

Müşteri bilgileri finans ekipleri için mülkiyete tabi veriler olduğundan, kullanımı ve düzenlenmesi zorluklar doğurur. Üretken yapay zeka, finansal kurumlar tarafından sentetik veriler üretmek için kullanılabilir; bu veriler GDPR ve CCPA gibi gizlilik düzenlemelerine uyumludur.

Sentetik veri üretimi gerçek hayat örneği

Morgan Stanley, veri güvenliğini korurken ve hataları en aza indirirken gelişmiş yapay zeka araçları aracılığıyla servet yönetimi operasyonlarını optimize etme ve danışman-müşteri etkileşimlerini geliştirme zorluğuyla karşı karşıyaydı.

Araştırma verilerini sentezlemek için üretken bir yapay zeka platformu uygulamak üzere OpenAI ile ortaklık kurdular.

20-Algoritmik ticaret ve yatırım stratejileri

21-Senaryo analizi

Bu modeller çeşitli piyasa senaryolarını simüle ederek yatırımcıların ve portföy yöneticilerinin farklı koşullar altındaki potansiyel riskleri ve getirileri anlamasına yardımcı olabilir.

Dimension Market Research'e göre, ticarette üretken yapay zeka için küresel pazarın büyüklüğünün 2033 yılına kadar 1.705.1 milyon ABD doları olması öngörülüyor.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 ve fiyatlandırma

Dinamik fiyatlandırma modelleri

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

Risk değerlendirmesi

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

Yaygın uygulamalar

24-Finansal soru yanıtlama

Üretken yapay zeka, insan dil kalıplarına ilişkin anlayışından ve tutarlı, bağlama uygun yanıtlar üretme becerisinden yararlanarak kullanıcıların yönelttiği finansal sorulara doğru ve ayrıntılı yanıtlar sağlayabilir.

Bu modeller; muhasebe ilkeleri, finansal oranlar, hisse senedi analizi ve düzenleyici uyum gibi konular da dahil olmak üzere geniş bir finansal sorgu yelpazesine uygun bilgilerle yanıt vermek üzere büyük finansal bilgi veri kümeleri üzerinde eğitilebilir.

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

Örneğin BloombergGPT, diğer üretken modellere kıyasla bazı finansla ilgili sorulara doğru yanıtlar verebilir.

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

25-Duygu analizi

Duygu analizi, NLP içinde bir yaklaşım olup metinleri, görüntüleri veya videoları olumsuz, olumlu veya nötr duygusal tonlara ayırır. Şirketler, müşterilerin duygu ve görüşlerine ilişkin içgörüler elde ederek bu bulgulara dayanarak hizmetlerini veya ürünlerini geliştirmek için stratejiler oluşturabilir.

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

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

Şekil 3: BloombergGPT'nin geniş iki NLP görev kategorisinde nasıl performans gösterdiği: finans özel ve genel amaçlı⁷

Finans sektöründe üretken yapay zeka zorlukları ve bunların üstesinden gelmek için 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 modelleri eğitmek için kullanılan önyargılı ve hatalı verilerin daha fazla hata içeren çıktılar üretme olasılığı vardır. Temel modelleri beslerken veri kalitesi ve doğruluğu kritik faktörlerdir.⁸
• Modellerde Önyargı: Yapay zeka modelleri, eğitildikleri verilerden önyargıları miras alabilir; bu da özellikle kredi puanlaması veya yatırım önerileri gibi alanlarda adil olmayan veya çarpık kararlara yol açabilir.
  • Bu tür yapay zeka önyargısını tespit etmek için işletmeler sorumlu yapay zeka platformu benimseyebilir.
• Sınırlı genelleme: İşletmeler, kullanım alanları için hazır büyük dil modellerine güvenebilir veya LLM'leri fine-tune edebilir. Hazır modeller, uygun fine-tuning yapılmadan belirli, yüksek düzeyde 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 araçlarını benimseyin.
• Halüsinasyonlar: Üretken yapay zeka, hassas verilere dayanan kararların alındığı finans alanında 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 araçlarını ve çıkarımsal yapay zekayı uygulayın.
• Düzenlemeler: Finans sektörü yüksek düzeyde düzenlemeye tabidir ve yapay zeka; şeffaflık, hesap verebilirlik ve veri kullanımı konusunda katı standartlara uymak zorundadır; bu da gelişen yasal çerçevelere uyum sağlamada zorluklar doğurur.
  • Yapay zeka yönetişim araçlarını devreye alın ve yapay zeka uyumluluğunu sağlamak için bir yapay zeka envanteri oluşturun.
• Veri Güvenliği: Finansal veriler hassastır ve yapay zeka sistemlerinin bunları 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 zeka yardımıyla üretilen finansal simülasyonlar ve tahminler; ticaret, portföy yönetimi ve finansal piyasalar için faydalıdır. Zaman tasarrufu, büyük veri kümeleri 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 yıllık bileşik büyüme oranının dikkat çekici bir şekilde %55.55 olması bekleniyor.¹⁰
• McKinsey Global Institute (MGI) verilerine göre, bankacılık sektöründe Gen AI kullanımı; toplam sektör gelirlerinin 2.8 ila 4.7 yüzdesine karşılık gelen, 200 milyar ABD doları ile 340 milyar ABD doları arasında yıllık değer artışı sağlayabilir. Bu değer artışı öncelikle artan üretkenlikten kaynaklanacaktır.¹¹

Finans sektöründeki otomasyona ilişkin ek bilgiler 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 Alanı}},
  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.

Generative AI in the Finance Function of the Future.

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.

Generative AI in Trading Market Is Expected To Reach a Revenue Of USD 1,705.1 Mn By 2033, at 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.

Banking sector gen AI spending worldwide 2023, with forecasts to 2030..

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