ERP ve MES Birbiriyle Konuşmuyorsa, Yapay Zekâ Üretim Sahasına Ulaşamaz

Üretimde birçok yapay zekâ pilotu veriyle başlar ama eksik bağlam yüzünden başarısız olur.

Bir model bir sayıyı okuyabilir. Bir fabrika sadece sayılarla çalışmaz. İş emirleri, rotalar, reçeteler, makineler, vardiyalar, operatörler, malzeme durumu, kalite sonuçları, bakım geçmişi ve müşteri teslimat tarihleriyle çalışır.

Bu bağlam olmadan yapay zekâ bir tahmin üretebilir. Ama eylem üretmez.

Bu, üretimde yapay zekâ pilotlarının demoda umut verici görünüp günlük operasyonun parçası olamamasının en yaygın sebeplerinden biridir.

Sorun her zaman model değildir. Çoğu zaman sorun ERP, MES ve gerçek üretim sahası süreci arasındaki eksik bağlantıdır.

ERP planı bilir. MES gerçeği bilir.

ERP sistemleri genellikle üretimin iş ve planlama tarafını bilir.

Müşteri siparişlerini, teslimat tarihlerini, malzemeleri, satın almayı, stoğu, finansı, faturaları ve planlama bilgilerini içerirler.

MES sistemleri üretim sahasında gerçekte ne olduğuna daha yakındır.

Bir iş emrinin ne zaman başladığını, hangi makinenin operasyonu yürüttüğünü, durmanın nerede olduğunu, kaç parça üretildiğini, kaç parça reddedildiğini ve hangi kalite sonucunun kaydedildiğini yakalarlar.

Yapay zekâ için bu ayrım kritiktir.

ERP şu soruya yakındır: Ne olmalı?
MES şu soruya yakındır: Aslında ne oldu?
Yapay zekâ ikisini birleştirip bir sonraki soruyu desteklediğinde değerli olur: Şimdi ne yapmalıyız?

Yapay zekâ çağında ISA-95 neden hâlâ önemli

ISA-95 geleneksel bir endüstri standardı gibi gelebilir, ama yapay zekâ projeleri için son derece geçerlidir.

ISA-95 çerçevesi kurumsal sistemler ile üretim kontrol sistemleri arasındaki entegrasyonu tanımlar. Teknoloji ve iş süreçlerini katmanlar hâlinde tarif eder ve şirketlere bu katmanlar arasındaki arayüzleri tanımlamada yardımcı olur. ISA-95 modelinde Seviye 3 MES gibi üretim operasyon yönetimi sistemlerini, Seviye 4 ise ERP gibi iş planlama ve lojistik sistemlerini kapsar. Standart, bu seviyeler arasındaki arayüze yoğun şekilde odaklanır.

Yapay zekâ projeleri için bu, pratik bir mimari sorusuna dönüşür:

Yapay zekâ sistemi veriyi nereden okuyor?
Kararı hangi seviye sahipleniyor?
Yapay zekâ çıktısı nereye yazılıyor?
Hangi sistem source of truth olarak kalıyor?
Hangi eylemler insan onayı gerektiriyor?

Bu sorular erken cevaplanmazsa proje ölçeklenmeye hazır değildir.

Üretim bağlamı olmayan veri zayıf öneriler üretir.

Tek başına bir sensör değeri nadiren yeterlidir.

82 °C bir makine sıcaklığı düşünün. Normal mi? Duruma bağlı.

Hangi ürün işleniyordu? Hangi reçete aktifti? Bu operasyon için normal aralık neydi? Makineye kısa süre önce bakım yapıldı mı? Aynı vardiyada hurda oranı arttı mı? İş emri kritik bir müşteri teslimatına bağlı mı?

Aynı değer bir ürün için normal, başkası için riskli olabilir. Aynı duruş kategorisi bir makinede bakım sorununa, başka bir makinede malzeme tedarik sorununa işaret edebilir.

Bağlam olmadan yapay zekâ korelasyon bulur. Bağlamla yapay zekâ operasyonel kararları destekler.

"Sonra entegre ederiz" pahalı bir teknik borçtur.

Hızlı bir prototip faydalıdır. Her erken deney tam ERP-MES entegrasyonu gerektirmez.

Ama üretimde entegrasyon, her zaman sonradan eklenebilecek bir teknik detay değildir. Entegrasyon, yapay zekâ çıktısını operasyonel gerçekliğe bağlayan omurgadır.

Model bir kalite riski tahmin ediyorsa: hangi iş emri etkileniyor?
Bir bakım önceliği öneriyorsa: görevi hangi sistem oluşturuyor?
Bir teslimat gecikme riski algılıyorsa: uyarıyı hangi planlamacı alıyor?
Duruşları sınıflandırıyorsa: bu sınıflandırma mevcut MES neden kodlarına nasıl eşleşiyor?

Bu sorular pilot tasarımının parçası olmalı, pilottan sonraki bir aşama değil.

McKinsey'nin dijital üretimde "pilot purgatory" çalışması aynı ölçeklendirme zorluğunu tarif eder: birçok üretici pilot yapar, ama daha azı kritik use case'leri büyük ölçekli kullanıma taşır. McKinsey'nin önerilerinden biri, teknoloji-ileri yerine "bottom-line-value backward" çalışmak ve ölçeklenebilir, analytics destekli bir teknoloji yığınına dair erken bir vizyon geliştirmektir.

KOBİ'ler için daha iyi bir başlangıç noktası: minimum context model

KOBİ'lerin yapay zekâya başlamadan önce her sistemi değiştirmesi gerekmez.

Pratik bir ilk adım, bir karar için minimum context model oluşturmaktır.

Örneğin amaç, kritik müşteri siparişleri için gecikme riskini tahmin etmekse, yapay zekâ sistemine sadece şunları birleştiren odaklı bir veri kümesi yeterli olabilir:

iş emri,
ürün veya parça numarası,
routing adımı,
makine veya üretim hattı,
planlanan başlangıç ve bitiş zamanı,
gerçek başlangıç ve bitiş zamanı,
duruş nedeni,
üretilen miktar,
hurda veya yeniden işleme miktarı,
kalite sonucu,
vardiya,
müşteri teslimat tarihi.

Bu, ilk gün büyük bir veri gölü gerektirmez.

Net bir karar, güvenilir veri sahipliği ve ERP planlama verisini MES yürütme verisine bağlayan basit bir entegrasyon tasarımı gerektirir.

ERP-MES bağlamıyla açılan beş yapay zekâ use case'i

ERP ve MES bağlamı bağlandığında birkaç pratik yapay zekâ use case'i çok daha kolay uygulanabilir hâle gelir.

Teslimat gecikme tahmini. Yapay zekâ, mevcut üretim sahası yürütmesine bakarak hangi iş emirlerinin müşteri teslimat tarihini kaçırma olasılığı olduğunu belirleyebilir.
Duruş sınıflandırması. Yapay zekâ duruş nedenlerini standartlaştırmaya ve belirsiz veya tutarsız üretim sahası girişlerini azaltmaya yardım edebilir.
Kalite riski tespiti. Yapay zekâ proses verisini, operasyon geçmişini ve kalite sonuçlarını birleştirerek riskli partileri veya parçaları öne çıkarabilir.
Bakım önceliklendirmesi. Yapay zekâ duruş örüntülerini, makine geçmişini ve üretim aciliyetini birleştirerek bakım ekiplerini destekleyebilir.
Planlama desteği. Yapay zekâ planlamacılara hangi siparişlerin, makinelerin veya operasyonların önce dikkat gerektirdiğini anlamalarına yardım edebilir.

Ortak nokta basit: Her use case ancak yapay zekâ çıktısı operasyonel bir eyleme bağlandığında değerli olur.

Salt okunur, asistanlı eylem mi yoksa otomatik write-back mı?

En önemli tasarım kararlarından biri yapay zekâ sisteminin yetki seviyesidir.

Yapay zekâ sadece veri okuyup gösterge tablosu mu üretecek?
İnsan onayı için eylem mi önerecek?
Bakım görevleri mi oluşturacak?
ERP'de bir durumu güncelleyecek mi?
MES'e bir duruş kategorisi yazacak mı?

Birçok üretim KOBİ'si için en iyi ilk adım tam otomasyon değildir. Asistanlı eylemdir.

Yapay zekâ önerir. Bir insan onaylar.
Yapay zekâ sınıflandırır. Bir insan istisnaları gözden geçirir.
Yapay zekâ riski tespit eder. Bir planlamacı eyleme karar verir.

Bu yaklaşım riski azaltır, güven inşa eder ve bir öğrenme döngüsü yaratır. Sistemi de denetlenebilir kılar.

Deloitte'un 2025 Smart Manufacturing and Operations Survey'i, üreticilerin temiz veri analitiği, sensörler, bulut ve yapay zekâ gibi akıllı üretim temellerine yatırım yaptığını ama aynı zamanda operasyonel risk, karmaşık dönüşüm ve insan kaynağı gibi zorluklarla yüzleştiğini gösteriyor.

Entegrasyon bir güven mimarisidir.

Üretimde güven pratiktir.

Operatörler uyarıya güvenmiyorsa, görmezden gelirler.
Planlamacılar veriye güvenmiyorsa, Excel kullanmaya devam ederler.
Bakım ekipleri yapay zekânın bir görevi neden önerdiğini göremiyorsa, eyleme geçmezler.
Kalite ekipleri öneriyi izleyemiyorsa, sistemi reddederler.

Bu yüzden ERP-MES-AI entegrasyonu sadece API'larla ilgili değildir.

Source of truth, izlenebilirlik, sorumluluk ve eylemle ilgilidir.

Bir üretim yapay zekâ sistemi şu soruları cevaplamalı:

Hangi veri kaynağı kullanıldı?
Veri ne zaman güncellendi?
Durumu hangi sistem sahipleniyor?
Yapay zekâ ne önerdi?
Eylemi kim onayladı?
Sonuç ne oldu?

Bu izlenebilirlik olmadan yapay zekâ üretim operasyonunun parçası olmakta zorlanır.

Üretim KOBİ'leri için 90 günlük pilot yapısı

Pratik bir yapay zekâ pilotu küçük başlayabilir.

1–2. haftalar: Bir karar seçin ve iş KPI'sını tanımlayın. Örneğin: geç siparişleri azaltmak, belirsiz duruş kodlarını azaltmak, ilk seferinde doğru kaliteyi iyileştirmek veya bakım görevlerini önceliklendirmek.
3–6. haftalar: Gerekli ERP ve MES alanlarını mapleyin ve minimum context model'i kurun.
7–10. haftalar: İnsan denetimli yapay zekâ destekli iş akışını oluşturun.
11–12. haftalar: İş etkisini ölçün ve use case'in başka bir hatta, makine grubuna, lokasyona veya sürece ölçeklenip ölçeklenmeyeceğine karar verin.

Anahtar, yapay zekânın bir tahmin üretebileceğini kanıtlamak değildir.

Anahtar, yapay zekânın gerçek bir üretim kararını iyileştirebileceğini kanıtlamaktır.

Sonuç

ERP ve MES birbiriyle konuşmuyorsa, yapay zekâ üretim sahasına ulaşamaz.

Model yine bir gösterge tablosu, bir uyarı veya bir tahmin üretebilir. Ama iş bağlamı, üretim sahası bağlamı ve sistem sahipliği olmadan çıktı güvenilir şekilde eyleme dönüşmez.

Üretim KOBİ'leri için en iyi yapay zekâ projeleri tek bir operasyonel kararla, tek bir ölçülebilir KPI ile ve ERP'nin planlanan dünyasını MES'in gerçek dünyasıyla birleştiren tek bir entegrasyon tasarımıyla başlar.

OzyCore'da yapay zekâ otomasyon projelerini bu ilkeyle tasarlıyoruz: iş kararıyla başla, doğru veri bağlamını bağla, gerektiğinde insan onayını koru ve yalnızca pilot ölçülebilir değer kanıtladığında ölçeklendir.

ERP-MES-AI entegrasyonunuzu mapleyemeye hazır mısınız?

Fabrikanız bağımsız ERP, MES ve Excel gerçekleri üzerinde çalışıyorsa, bir yapay zekâ hazırlık kontrolü ile başlayın. Doğru operasyonel kararı seçmenize, minimum context model'i tanımlamanıza ve planlama ile yürütmeyi birleştiren kontrollü 90 günlük bir pilot tasarlamanıza yardım ediyoruz.

Kaynaklar

ISA, "ISA-95 Series of Standards: Enterprise-Control System Integration" — isa.org
MESA International, "AI & Machine Learning Hub" — mesa.org
Deloitte, "2025 Smart Manufacturing and Operations Survey" — deloitte.com
McKinsey, "How digital manufacturing can escape 'pilot purgatory'" — mckinsey.com