RAG Nedir? Kuruma Bilgi Öğretmek

Yapay zekaya bir soru soruyoruz.

Örneğin:

“Şirketimizin önümüzdeki 12 ayda nakit açığı yaşama riski var mı?”

Yapay zeka birkaç saniye içinde oldukça profesyonel görünen bir cevap verebiliyor.

Ama burada önemli bir soru var:

Yapay zeka bu cevabı hangi bilgiye dayanarak verdi?

Şirketimizin finansal tablolarını biliyor mu? Geçen yılki bütçemizi biliyor mu? Şirketimizin nakit akışını biliyor mu? Kullandığımız finansal politikaları biliyor mu? Varsa daha önce hazırlanmış mali analizleri biliyor mu?

Çoğu zaman cevap: Hayır.

İşte tam bu noktada RAG devreye giriyor. RAG, basitçe yapay zekâya:

“Cevap vermeden önce git, benim için gerekli bilgileri bul.”

dememizi sağlayan bir yöntemdir.

Önce çok basit bir örnek

Bir finans danışmanına gidip şöyle sorduğunuzu düşünün:

“Şirketimizin mali durumunu değerlendirir misiniz?”

Danışman sizi hiç tanımıyor. Şirketinizi bilmiyor. Finansal tablolarınızı görmemiş. Bütçenizi bilmiyor. Geçmiş performansınızı bilmiyor. Buna rağmen size bir cevap verirse, bu cevap ne kadar güvenilir olabilir?Muhtemelen çok genel olacaktır.

Şimdi danışmana şu dosyaları verdiğimizi düşünelim:

Son 3 yıllık bilanço
Gelir tabloları
Nakit akışı
Bütçe
Satış raporları
Maliyet raporları
Sektör raporları
Vergi ve teşvik bilgileri
Daha önce hazırlanmış mali analizler

Ve danışmana tekrar soralım:

“Şirketimizin mali durumunu değerlendirir misiniz?”

Artık danışmanın elinde gerçek bilgi var.İşte RAG’ın yaptığı şey temelde budur.

RAG’ın açılımı nedir?

RAG:Retrieval-Augmented Generation kelimelerinin kısaltmasıdır. Türkçeye kabaca: “Bilgi Getirme ile Güçlendirilmiş Cevap Üretimi” olarak çevrilebilir. İsim biraz teknik. Ama mantığı oldukça basit:

Önce bilgiyi bul → sonra yapay zekâya ver → sonra cevabı oluştur.

Yani:

RAG = Ara + Bul + AI’a Ver + Cevap Üret

Klasik yapay zekâ nasıl çalışıyor?

Basitleştirelim. Bir kullanıcı soru soruyor:

Kullanıcı
   ↓
AI
   ↓
Cevap

Örneğin:

“Nakit akışını iyileştirmek için ne yapabilirim?”

AI genel finans bilgisine dayanarak bir cevap oluşturabilir.

Örneğin:

“Alacak tahsilat sürelerinizi azaltabilir, stok maliyetlerinizi düşürebilir ve ödeme vadelerinizi yeniden müzakere edebilirsiniz.”

Bu cevap mantıklı. Ama çok genel. Çünkü AI şirketimizi bilmiyor.

RAG geldiğinde ne değişiyor?

Aynı soruyu bu kez RAG ile soralım.

Kullanıcı
   ↓
Soru
   ↓
RAG
   ↓
İlgili bilgileri bul
   ↓
AI
   ↓
Cevap

Örneğin kullanıcı:

“Şirketimizin nakit akışını nasıl iyileştirebiliriz?” diye soruyor.

RAG önce şirketin bilgilerinde arama yapıyor. Şunları buluyor:

📄 2025 Finansal Raporu 📄 2026 Bütçe Planı 📄 Nakit Akış Raporu 📄 Alacak Yaşlandırma Raporu 📄 Maliyet Analizi

Sonra bu bilgileri AI’a veriyor. AI artık sadece genel finans bilgisine değil, şirketle ilgili gerçek bilgilere dayanarak cevap oluşturabiliyor.

Buradaki kritik fark

RAG’ın yaptığı şey: “AI’a yeni bir beyin vermek” değildir.

RAG daha çok AI’ın önüne doğru dosyaları koyan bir araştırma asistanı gibidir. Bir insan danışman düşünelim. Danışman bir soruyla karşılaştığında hemen cevap vermeyebilir.

Önce:

“Bu şirketin geçen yılki raporlarına bakayım.” der.

Sonra:

“Nakit akışına bakalım.” der.

Sonra:

“Alacakların tahsil süresi artmış.” der.

Sonra:

“Maliyetlerde de %12 artış var.” der.

Ve bütün bu bilgileri bir araya getirerek yorum yapar. RAG’ın rolü buna çok benzer.

Peki RAG bilgiyi nasıl buluyor?

Burada işler biraz daha ilginç hale geliyor. Çünkü bilgisayarda binlerce doküman olabilir.

Örneğin:

5.000 PDF
10.000 rapor
milyonlarca satır finansal veri
yüzlerce mevzuat dokümanı

Kullanıcı:

“Nakit akışımızdaki temel problemi bul.”

dediğinde sistemin bütün dokümanları AI’a göndermesi mümkün değildir. Hem gereksizdir hem de çok pahalıdır. Bu yüzden RAG önce: “Bu soruyla ilgili hangi bilgiler önemli?” sorusunu çözmeye çalışır.

Dokümanları küçük parçalara ayırmak

Örneğin elimizde 100 sayfalık bir finansal rapor olsun. Bunu tek bir belge olarak saklamak yerine küçük anlamlı parçalara ayırabiliriz.

Örneğin:

Finansal Rapor

Bölüm 1
→ Gelirler

Bölüm 2
→ Giderler

Bölüm 3
→ Nakit Akışı

Bölüm 4
→ Borçlar

Bölüm 5
→ Alacaklar

Bölüm 6
→ Karlılık

Bu küçük parçalara genellikle: chunkdenir.

Yani:

Chunk = Dokümanın anlamlı küçük bir parçası

Peki sistem doğru parçayı nasıl buluyor?

İşte RAG’ın en önemli bölümlerinden biri burada.

Kullanıcı:

“Şirketimizin nakit problemi neden oluşuyor?”

diyor. Sistem sadece “nakit” kelimesini aramak zorunda değil. Sorunun anlamını da anlayabilir.

Örneğin şu bilgiler ilişkili olabilir:

Nakit akışı
Alacak tahsil süresi
Stok maliyetleri
Kısa vadeli borçlar
Ödeme vadeleri
İşletme sermayesi

Bunun için embedding adı verilen bir yöntem kullanılabilir.

Embedding nedir?

Embedding’i çok basit düşünelim. Bilgisayarın kelimelerin ve cümlelerin anlamlarını matematiksel olarak karşılaştırabilmesini sağlayan bir yöntemdir.

Örneğin:

“Nakit akışında problem yaşıyoruz.”

ile:

“İşletme sermayesi ihtiyacımız arttı.”

cümlelerinde aynı kelimeler bulunmayabilir.

Ama anlam açısından birbirleriyle ilişkili olabilirler. Embedding sayesinde sistem bu tür anlamsal ilişkileri yakalayabilir.

Böylece RAG:

“Bu belgede ‘nakit problemi’ yazmıyor.”

deyip belgeyi tamamen göz ardı etmek yerine,

“Burada işletme sermayesi ve nakit akışıyla ilgili önemli bilgiler var.”

diyebilir.

RAG’ın küçük bir hafızası varmış gibi düşünebiliriz

Burada önemli bir yanlış anlaşılmayı düzeltelim. RAG aslında AI’ın beynine bilgileri kalıcı olarak öğretmek değildir. Daha çok bir bilgi kütüphanesi oluşturur.

Şöyle düşünün:

ŞİRKET BİLGİ KÜTÜPHANESİ

        ┌─────────────────────────────┐
        │ Finansal Raporlar           │
        ├─────────────────────────────┤
        │ Bütçeler                    │
        ├─────────────────────────────┤
        │ Nakit Akışları              │
        ├─────────────────────────────┤
        │ Mali Analizler              │
        ├─────────────────────────────┤
        │ Mevzuat                     │
        ├─────────────────────────────┤
        │ Sektör Raporları            │
        └─────────────────────────────┘
                     ↑
                     │
                   RAG
                     │
                     ↓
              Kullanıcı Sorusu

Kullanıcı bir soru sorduğunda RAG bu kütüphaneye gidiyor. İlgili bilgileri buluyor. Sonra AI’a getiriyor.

Stratejik Mali Danışmanlıkta RAG neden önemli?

Şimdi bizim projemize gelelim.

Stratejik Mali Danışmanlık yapan bir AI asistanının sadece genel finans bilgisini bilmesi yeterli değil. Çünkü kullanıcı aslında şunu soruyor:

“Finans hakkında ne biliyorsun?” demiyor.

Şunu soruyor:

“Benim şirketim için ne düşünüyorsun?”

Bu çok farklı bir soru.

Örnek: Genel AI

Kullanıcı:

“Şirketimin kârlılığını nasıl artırabilirim?”

RAG olmayan AI şöyle cevap verebilir:

“Maliyetleri azaltabilir, satışları artırabilir, operasyonel verimliliği yükseltebilir ve fiyatlandırma stratejinizi gözden geçirebilirsiniz.”

Kötü bir cevap değil.Ama herhangi bir şirkete verilebilir.

RAG kullanan AI

Şimdi AI’ın elinde şirketin gerçek verilerinin olduğunu düşünelim.

Örneğin sistem şunları buluyor:

Son 12 ay:

Ciro                 100 M TL
Maliyet               72 M TL
Operasyonel gider     21 M TL
EBITDA                 7 M TL

Alacak tahsil süresi  68 gün
Stok süresi            54 gün

Geçen yıl tahsilat    43 gün

AI artık çok daha farklı konuşabilir:

“Son 12 ayda cironuz %14 artmasına rağmen EBITDA marjınız %9'dan %7'ye gerilemiş. Özellikle operasyonel giderlerdeki artış ve alacak tahsil süresinin 43 günden 68 güne çıkması dikkat çekiyor.”

Bu artık genel bir finans cevabı değildir.

Şirkete özel bir analizdir.

RAG burada ne yaptı?

RAG kendisi finansal yorum yapmadı. Sadece gerekli bilgileri buldu.

Yani:

RAG

"Şirketin hangi bilgilerine ihtiyacımız var?"

↓

Finansal rapor
Nakit akışı
Alacak raporu
Maliyet raporu
Bütçe

Sonra:

AI

"Bu bilgileri nasıl yorumlamalıyım?"

diye devreye girdi. Bu ayrım çok önemlidir.

RAG + AI birlikte çalışır

Aslında sistemi iki uzman gibi düşünebiliriz.

RAG

Araştırmacı

“Bu soruyla ilgili şu 5 bilgiyi buldum.”

AI

Danışman

“Bu bilgiler ışığında durum şu şekilde görünüyor.”

Dolayısıyla:

RAG bilgi bulur. AI bilgiyi yorumlar.

Daha güçlü bir örnek

Kullanıcı soruyor:

“Önümüzdeki 12 ay içinde nakit açığı yaşama riskimiz var mı?”

Bu soru artık sadece RAG ile çözülemez. Burada birkaç farklı sistem birlikte çalışabilir.

Kullanıcı
                       │
                       ↓
              "Nakit açığı riski var mı?"
                       │
                       ↓
                Soru Analizi
                       │
          ┌────────────┼─────────────┐
          ↓            ↓             ↓
         RAG          SQL         Forecast
          │            │             │
          ↓            ↓             ↓
      Raporlar      Gerçek        Gelecek
      Politikalar   Finansal      Tahmin
      Mevzuat       Veriler       Modeli
          │            │             │
          └────────────┼─────────────┘
                       ↓
                      AI
                       ↓
              Stratejik Yorum

İşte burada çok daha güçlü bir mimari ortaya çıkıyor.

RAG her şeyi çözmez

Bu da çok önemli.

RAG:

“Şirketimizin geçen yılki nakit akışı nasıldı?”

sorusunda çok faydalı olabilir.

Ama:

“Gelecek yıl nakit akışımız ne olacak?”

sorusunda tek başına yeterli değildir. Çünkü gelecek için bir tahmin modeli gerekebilir.

Benzer şekilde:

“Toplam giderimiz ne kadar?”

sorusunda RAG yerine doğrudan veritabanından hesaplama yapmak daha doğru olabilir. Bu nedenle iyi bir AI danışmanlık sisteminde farklı araçlar birlikte çalışmalıdır.

RAG + SQL + Forecast + AI

Stratejik Mali Danışmanlık projesi için uzun vadede hedef mimariyi şöyle düşünebiliriz:

KULLANICI
                     │
                     ↓
                AI ASİSTAN
                     │
              ┌──────┼──────┐
              ↓      ↓      ↓
             RAG    SQL  FORECAST
              │      │      │
              ↓      ↓      ↓
           Bilgi   Gerçek  Tahmin
           Bulma   Veriler Modeli
              │      │      │
              └──────┼──────┘
                     ↓
                    AI
                     ↓
             STRATEJİK ÖNERİ

Burada AI artık sadece soru-cevap yapan bir chatbot olmaktan çıkar.

Karar destek sistemi haline gelmeye başlar.

RAG olmadan ve RAG ile aynı soru

Bir karşılaştırma yapalım.

Soru:

“Maliyetlerimiz neden yükseliyor?”

RAG olmadan:

“Maliyet artışlarının nedenleri arasında enflasyon, hammadde fiyatları, personel giderleri ve operasyonel verimsizlikler bulunabilir.”

Mantıklı. Ama genel.

RAG ile:

Sistem şirketin raporlarını buluyor:

Hammadde maliyet raporu
Personel giderleri
Tedarikçi fiyat değişimleri
Son 12 aylık bütçe
Üretim maliyetleri

AI bunları analiz ediyor.

Ve şöyle bir sonuç verebiliyor:

“Maliyet artışının ana kaynağı hammadde fiyatlarındaki %18'lik yükseliş görünüyor. Bunun yanında personel giderleri %9 artmış. Ancak toplam maliyet artışının yaklaşık üçte biri, üretim hacmi değişmemesine rağmen artan enerji giderlerinden kaynaklanıyor.”

Artık cevap: “Maliyetler arttı.” değil. “Neden arttığını açıklayan şirket verisine dayalı bir analiz.”

Peki RAG sadece şirket içi bilgilerden mi oluşur?

Hayır. Stratejik Mali Danışmanlık açısından RAG’ın bilgi kaynakları oldukça geniş olabilir.

Örneğin:

Şirket içi bilgiler

bilanço
gelir tablosu
nakit akışı
bütçe
satış raporları
maliyetler
geçmiş analizler

Mevzuat

vergi mevzuatı
teşvikler
SGK düzenlemeleri
ilgili yönetmelikler

Piyasa

sektör raporları
ekonomik göstergeler
piyasa analizleri

Kurumsal bilgi

şirket politikaları
prosedürler
stratejik planlar

Böylece AI’ın önünde adeta kuruma özel bir bilgi merkezi oluşur.

Peki güvenlik?

Stratejik Mali Danışmanlık sisteminde belki de en önemli konu budur.

Çünkü finansal bilgiler hassastır.

Örneğin:

ABC A.Ş.

ile ilgili bir kullanıcının:

“Şirketimizin nakit durumunu göster.”

dediğinde başka bir şirketin verileri kesinlikle RAG sonucuna karışmamalıdır.

Sistem şu ayrımı yapmalıdır:

Kullanıcı
   ↓
Yetki kontrolü
   ↓
Şirket / Tenant
   ↓
Sadece erişebildiği bilgiler
   ↓
RAG
   ↓
AI

Yani RAG sadece:

“En alakalı belge hangisi?” diye düşünmemeli.

Aynı zamanda: “Bu kullanıcı bu belgeyi görmeye yetkili mi?”

diye de düşünmelidir.

RAG’ın cevabı nereden aldığını göstermek

Bence finansal danışmanlık sistemlerinde RAG’ın en değerli özelliklerinden biri de budur.

AI bir cevap verdiğinde kullanıcı:

“Bu sonucu nereden çıkardın?”

diye sorabilmeli.

Sistem:

Cevabın dayandığı kaynaklar

📄 2025 Finansal Raporu — Sayfa 12

📄 2026 Bütçe Planı — Sayfa 8

📄 Nakit Akış Analizi — Sayfa 4

şeklinde kaynakları gösterebilir. Böylece AI:

“Bana güven.”

diyen bir sistem olmaktan çıkar.

Bunun yerine:

“Sonucumu şu bilgilere dayanarak oluşturdum.”

diyebilir. Finansal karar destek sistemlerinde bu fark oldukça önemlidir.

RAG aslında bir “hafıza” değil

Burada tekrar altını çizmek gerekiyor.

RAG’ı:

“AI’a şirketimizin bütün bilgilerini öğrettik.”

şeklinde düşünmek tam olarak doğru değildir.

Daha doğru ifade:

“AI’ın gerektiğinde şirketimizin bilgi kaynaklarına erişmesini sağladık.”

Bu çok önemli bir farktır. Çünkü şirket bilgileri değişebilir.

Bugün:

Nakit = 10 milyon TL

olabilir. Bir ay sonra:

Nakit = 7 milyon TL

olabilir. RAG yaklaşımında bilgi kaynağı güncellenebilir.

AI’ın modeli baştan eğitilmek zorunda değildir.

Fine-tuning ile RAG aynı şey değil

Bu konu da sık karıştırılıyor.

Fine-tuning

AI modelinin davranışını veya belirli görevlerdeki performansını değiştirmek için modelin eğitilmesidir.

RAG

AI’ın cevap vermeden önce dış bilgi kaynaklarından bilgi almasını sağlamaktır. Basit bir benzetmeyle:

Fine-tuning:

Öğrenciyi eğitmek.

RAG:

Öğrenciye sınav sırasında doğru kitapları vermek.

Stratejik Mali Danışmanlık gibi sürekli değişen finansal bilgilerle çalışan sistemlerde RAG bu nedenle oldukça değerlidir.

RAG’ın tamamını tek cümlede anlatırsak

RAG’ı hiç bilmeyen birine anlatmam gerekirse şöyle derdim:

“Yapay zekâya doğrudan cevap verdirmek yerine, önce kütüphaneden soruyla ilgili doğru bilgileri buldurup, sonra bu bilgileri kullanarak cevap oluşturmasını sağlamaktır.”

Stratejik Mali Danışmanlık için ise:

“AI’a şirketin finansal hafızasına erişim vererek, genel finans bilgisi yerine şirketin gerçek verilerine ve güvenilir kaynaklara dayanarak danışmanlık yapmasını sağlamaktır.”

Stratejik Mali Danışmanlık AI’ının geleceği

Asıl heyecan verici taraf bundan sonrası.

Bugün:

“Şirketimizin kârlılığı nasıl?”

diye soruyoruz.

Yarın sistem:

“Kârlılık neden düşüyor?”

sorusunu kendisi araştırabilir.

Sonra:

“Bu düşüş devam ederse ne olur?”

diye senaryo oluşturabilir.

Daha sonra:

“Kârlılığı artırmak için hangi aksiyonları önceliklendirmeliyiz?”

sorusuna cevap verebilir.

Ve hatta:

“Bu aksiyonların finansal etkisi ne olur?”

diye farklı senaryoları karşılaştırabilir.

Burada artık klasik bir chatbot’tan bahsetmiyoruz.

Şirketin finansal verilerini, kurumsal bilgisini, piyasa bilgisini ve analitik modellerini bir araya getiren bir AI karar destek sisteminden bahsediyoruz.

RAG tek başına sihirli bir teknoloji değildir. Ama yapay zekâ ile gerçek dünya bilgisi arasındaki önemli bir köprüdür.

Klasik AI:

“Ben bildiklerimle cevap vereyim.”

der.

RAG kullanan AI:

“Önce elimdeki kaynaklarda araştırayım, sonra cevap vereyim.”

der. Stratejik Mali Danışmanlık açısından bu fark daha da önemlidir.

Çünkü amaç:

“Finans hakkında konuşabilen bir AI”

yapmak değildir.

Asıl amaç:

“Şirketin gerçek verilerini anlayan, güvenilir kaynaklara ulaşabilen, finansal analiz yapabilen ve bu bilgiler üzerinden stratejik kararları destekleyebilen bir AI danışman oluşturmak.”

Yapay Zeka