Bankalar üretken yapay zekâdan en çok fayda sağlayabilecek sektörlerin başında geliyor: müşteri hizmetleri, doküman işleme, kredi analizi, mevzuat takibi, çalışan destek asistanları… Ama bankacılık aynı zamanda verinin en sıkı korunduğu sektörlerden biri. Bu nedenle bankalarda GenAI projelerinin ilk ve en kritik sorusu genellikle şu oluyor: Model nerede çalışacak?
Türkiye'de düzenleyici çerçeve
Türkiye'de bankaların bilgi sistemleri, BDDK'nın Bankaların Bilgi Sistemleri ve Elektronik Bankacılık Hizmetleri Hakkında Yönetmeliği'ne tabi. Yönetmelik, bankaların birincil ve ikincil sistemlerini yurt içinde bulundurmasını gerektiriyor. Bu sistemler için bulut hizmeti kullanıldığında, hizmet sağlayıcının sistemlerinin ve yedeklerinin de Türkiye'de olması gerekiyor.
Buna KVKK'nın yurt dışına veri aktarımı kuralları ve bankacılık sır saklama yükümlülükleri eklendiğinde, müşteri verisinin yurt dışındaki genel bulut LLM servislerine gönderilmesi çoğu senaryoda mümkün olmuyor. Sektör kaynaklarına göre BDDK, yapay zekâya özel ek düzenlemeler üzerinde de çalışıyor.
Üç seçenek
1. On-premise: Model bankanın veri merkezinde
Açık ağırlıklı (open-weight) bir dil modeli bankanın kendi GPU altyapısında çalıştırılır.
- Artıları: Veri kurum dışına çıkmaz, tam kontrol, regülasyon uyumu en kolay seçenek, yüksek hacimde kullanım başına maliyet düşük
- Eksileri: GPU yatırımı, kurulum ve işletim uzmanlığı gerektirir, en güçlü kapalı modellere erişim yoktur
2. Bulut: Yönetilen LLM servisleri
Model, bir bulut sağlayıcısının yönetilen servisi üzerinden kullanılır.
- Artıları: En güçlü modellere hızlı erişim, altyapı yatırımı yok, hızlı başlangıç
- Eksileri: Veri lokalizasyonu ve aktarım kısıtları, sağlayıcıya bağımlılık, yüksek hacimde maliyet artışı
AWS'nin Mayıs 2026'da İstanbul'da açtığı Local Zone, veri yerelleştirme gereksinimleri için yeni bir seçenek sunuyor. Ancak Local Zone'da şu an temel altyapı servisleri (EC2, S3, EKS gibi) bulunuyor; yönetilen GenAI servisleri yer almıyor. Yani Local Zone üzerinde kendi modelinizi çalıştırabilirsiniz, ama yönetilen LLM servislerini yurt içinde kullanmak için bu yeterli değil.
3. Hibrit: Veriye göre doğru yer
Pratikte birçok banka için en mantıklı yol, veri sınıfına göre karar vermek:
- Müşteri verisi, kredi dosyaları, iç dokümanlar → On-premise açık modeller
- Kamuya açık bilgiler, anonimleştirilmiş veriler, genel verimlilik işleri → Uygun güvencelerle bulut
Karar kriterleri
| Kriter | On-premise | Bulut | Hibrit |
|---|---|---|---|
| Veri gizliliği ve regülasyon | ✅ En güçlü | ⚠️ Kısıtlı | ✅ Veriye göre |
| Model kalitesi | İyi (açık modeller) | En iyi (kapalı modeller) | İkisi birden |
| Başlangıç hızı | Yavaş | Hızlı | Orta |
| İlk yatırım | Yüksek | Düşük | Orta |
| Yüksek hacimde maliyet | Düşük | Yüksek | Orta |
| Operasyon yükü | Yüksek | Düşük | Orta |
Açık modellerin yükselişi
Birkaç yıl öncesine kadar on-premise seçeneğin en büyük dezavantajı model kalitesiydi. Bugün yüksek performanslı açık ağırlıklı modeller ve vLLM gibi verimli servis yazılımları sayesinde, doküman analizi, özetleme ve kurumsal bilgi asistanları gibi birçok bankacılık senaryosu kurum içinde başarıyla çalıştırılabiliyor. Ekonomik açıdan da yüksek ve sürekli kullanımda kendi altyapınızın API servislerine göre daha avantajlı hale gelebildiği bir eşik bulunuyor.
Hangi senaryo nerede?
| Senaryo | Önerilen yaklaşım |
|---|---|
| Kredi dosyası ve finansal tablo analizi | On-premise |
| Müşteri şikâyeti sınıflandırma | On-premise |
| İç mevzuat ve prosedür asistanı | On-premise |
| Kamuya açık mevzuat ve haber takibi | Bulut veya on-premise |
| Pazarlama metni taslakları (müşteri verisi olmadan) | Bulut |
| Yazılım geliştirme asistanları | Politikaya ve koda göre |
Sonuç
Bankalarda GenAI için "bulut mu, on-premise mi" sorusunun tek bir cevabı yok. Doğru cevap; verinin sınıfına, regülasyona, kullanım hacmine ve kurumun yetkinliklerine göre veriliyor. Çoğu banka için yol, kritik verinin kurum içinde kaldığı hibrit bir mimariden geçiyor.
Bankacılık sektöründe kurum içinde ve bulutta GenAI çözümleri geliştirme deneyimimizle On-Premise Yapay Zekâ Altyapısı, GenAI ve LLM Çözümleri ve AWS Danışmanlığı hizmetleri sunuyoruz.
Kaynaklar