Verinizle Sade Dilde Konuşun: Önce BI Aracınızla ya da Veri Platformunuzla Başlayın, Ne Zaman Kendi Çözümünüzü Geliştirmelisiniz

Verinizle konuşan bir asistan, çalışanlarınızın “Geçen çeyrekte bölgelere göre brüt marj neydi?” gibi bir soru yazıp karşılığında bir sayı ya da grafik almasını sağlar. Bu ürünlerin çoğunda ChatGPT'nin arkasındaki türden bir yapay zekâ olan dil modeli soruyu bir veritabanı sorgusuna çevirir, hesabı ise veritabanı yapar. İş zekâsı (BI) aracınız ya da veri platformunuz böyle bir asistanı zaten sunuyor olabilir; bu yüzden önce onu test edin, kendi çözümünüzü yalnızca o araçların karşılayamadığı durumlar için geliştirin. Hangi yolu seçerseniz seçin işin büyük kısmı, metriklerinizin ne anlama geldiği konusunda anlaşmaya gider.

Sade dilde bir soru nasıl sayıya dönüşür?

Asistan sorunuzu okur ve veri aracınızın anladığı dilde bir sorgu yazar. Veritabanları SQL kullanır, Power BI ise DAX denen bir dil kullanır. Veritabanı ya da BI aracı bu sorguyu çalıştırır ve sonucu döndürür; asistan da bunu bir sayı ya da grafik olarak gösterir. Pulse'taki Tableau Agent farklı çalışır. Önceden tanımladığınız metrikler üzerinde istatistiksel kontroller kullanır ve bulduğunu anlatır.

Databricks, Genie ürününün “doğal dildeki soruları eşdeğer bir SQL sorgusuna dönüştürmek” için tablolarınızdaki adları ve açıklamaları kullandığını söylüyor. Çalışan sorgu için toplam doğru olacaktır, çünkü toplamı bir veritabanı yaptı; ama o sorgu, istediğiniz sorgu olmayabilir.

Asistan bize doğru gibi görünen yanlış bir sayı verebilir mi?

Bir sorgu başarısız olursa genellikle bir hata alırsınız ve birisi konuyu inceleyebilir. Çalışan ama yanlış şeyi sayan bir sorgu ise üzerinde yanlış rakam yazan temiz bir grafik verir ve ekranda hiçbir şey bunu belli etmez. Hâlâ iadeleri içeren bir gelir, diğer gelir rakamlarından farksız görünür. Şirketiniz mali yıl üzerinden raporlama yaparken takvim çeyreği rakamı da öyle.

Sağlayıcılar bu konuda kendi dokümantasyonlarında uyarıyor. Microsoft'un Copilot'un sorumlu kullanımına ilişkin sayfası şöyle diyor: “Copilot yanıtları hatalı ya da düşük kaliteli içerik barındırabilir; bu yüzden çıktıları işinizde kullanmadan önce gözden geçirdiğinizden emin olun.” Tableau ise üretken yapay zekânın “kulağa makul gelen ama hatalı ya da alakasız bilgi içeren çıktılar üretmeye yatkın olabileceğini” söylüyor.

Microsoft ayrıca, bir soru Copilot'a verinizi anlatan anlamsal modelle ilgili değilse Copilot'un “büyük dil modelinin (LLM) genel bilgisinden yanıt verdiğini” söylüyor. Yani yanıt hiç verinizden gelmemiş olabilir. Yönergeleri ayrıca “yapay zekâ davranışının belirleyici olmadığını” ekliyor; bu, aynı sorunun farklı bir yanıtla dönebileceği anlamına gelir.

Neden önce metrik tanımları üzerinde anlaşmamız gerekir?

Bir veritabanı tablosunda sütun adları ve değerler bulunur. Şirketinizin geliri iadelerden önce mi sonra mı saydığını bilmez; bu bilgi çoğu zaman bir finans tablosunda ya da birinin kafasındadır. Anlamsal model, bu anlamların yazılıma anlatıldığı yerdir: hangi tabloların birleştiği, her metriğin nasıl hesaplandığı gibi.

Snowflake'in dokümantasyonu şöyle diyor: “Genel amaçlı yapay zekâ çözümleri, kendilerine yalnızca bir veritabanı şeması verildiğinde metinden SQL'e dönüştürmede sıklıkla zorlanır; çünkü şemalarda iş süreçlerinin tanımları ve metriklerin nasıl ele alındığı gibi kritik bilgiler bulunmaz.” Microsoft ise anlamsal model sahiplerine şunu söylüyor: “Hazırlık yapılmazsa Copilot veriyi yanlış yorumlayabilir ve genel ya da hatalı sonuçlar döndürebilir.”

Yaygın soruların arkasındaki mantığı elle de belirleyebilirsiniz. Power BI bunlara doğrulanmış yanıtlar, Snowflake ise doğrulanmış sorgular diyor. Databricks'te güvenilir varlıklar (trusted assets) var ve bunları “mantığı bir ajan yazarı tarafından doğrulanmış parametreli örnek sorgular ve SQL fonksiyonları” olarak tanımlıyor. Buna rağmen Microsoft, hazırlık özelliklerinin “her seferinde belirli bir çıktıyı garanti edemeyeceğini” söylüyor.

Satış ve finansın her birinin kendi gelir rakamı varsa hiçbir yazılım bunu çözemez. Üst düzey birinin hangi tanımın geçerli olduğuna karar vermesi ve bunu herhangi bir demodan önce yazıya dökmesi gerekir.

BI aracımızın içindeki yapay zekâdan ne elde ederiz?

Power BI için Copilot, mevcut anlamsal modellerinizden yararlanır; yani zaten yapılmış işi yeniden kullanırsınız. Microsoft, raporun yanındaki paneli genel kullanıma açık olarak listeliyor. Tam ekran bağımsız sohbet hâlâ önizlemede ve Microsoft, Power BI içinde şu an herkese açık önizlemede olan Microsoft Copilot ana deneyim haline geldiğinde bunun ileride bir aşamada “kullanımdan kaldırılacağını” söylüyor. Bir tarih belirlenmedi; Microsoft “nihai kullanımdan kaldırma tarihini yayımlayacağını” belirtiyor.

Power BI için Copilot, “Ücretli Fabric kapasitesi (F2 veya üzeri) ya da Power BI Premium (P1 veya üzeri)” gerektirir; bu, şirketinizin ödediği bir hesaplama gücü bloğudur, dolayısıyla kişi başına Pro lisansı tek başına yetmez. Daha yeni Copilot farklı koşullarla çalışıyor; Microsoft “Bu senaryoda Copilot'u kullanmak için Fabric'teki Copilot'u kullanmanız veya bir F SKU'suna erişiminiz olması gerekmez” diyor. Bu yüzden lisanslarınızın hangisini kapsadığını sorun.

Tableau'nun bunun için iki asistanı var. Dashboards'taki Tableau Agent, yayımlanmış bir panoya soru yazılmasını sağlar ve Tableau bunun “temel veri kaynağını sorgulayacağını” söylüyor. Tableau Cloud+ sürümünü ya da Tableau Cloud üzerinde Tableau+ Bundle'ı, Tableau Server'da ise henüz beta aşamasında olan Tableau Server+'ı (2026.3 sürümünden itibaren) gerektirir. Tableau'nun yardım sayfalarında Tableau Cloud'un “bir Tableau+ özelliği” olarak anlatılan Pulse'taki Tableau Agent ise, önceden tanımladığınız metriklerden yanıt verir. “Metriklerde kullanılmayan sütunlar veya veri kaynağına ilişkin meta veriler hakkındaki soruları yanıtlayamaz.” Tableau, Pulse içgörülerinin “metrikler hakkındaki olguları tespit eden standartlaştırılmış, belirleyici istatistiksel modellerden” başladığını söylüyor; okuduğunuz cümleler bu olgulardan üretiliyor.

Asistan yalnızca raporlama için kurulmuş olanı görür; bu yüzden modele kimsenin eklemediği bir alanı kullanamaz. Copilot'un dil modelini Microsoft seçer. Başka dillerde çalışan personel için Microsoft, Copilot özelliklerinin İngilizcedeki kadar “iyi performans göstermeyebileceğini” söylüyor. Tableau Server farklıdır, çünkü “kendi LLM sağlayıcınıza bağlanmaya ve onu kullanmaya dayanır”.

Veri platformumuzun asistanından ne elde ederiz?

Bu asistanlar, kendilerine bağladığınız tablolar üzerinde çalışır; bu yüzden hiçbir zaman bir rapora girmemiş verilere de ulaşabilirler. Sınır bu tablolardır. Databricks, bir Genie Agent'ın “yalnızca açıkça eklenen veri kaynaklarını kullandığını”, en fazla 50 tablo ya da görünüm olabileceğini söylüyor ve “Beş veya daha az tabloyu hedefleyin” tavsiyesinde bulunuyor. Snowflake'in Cortex Analyst'i “Snowflake'teki yapılandırılmış verilerden” yanıt verir; ancak Snowflake artık “her Cortex Analyst özelliğini daha yüksek yanıt kalitesiyle destekleyen Cortex Agents'a geçişi önerdiğini” belirtiyor.

Databricks, veri ekiplerinin “güvenilir veri, metrikler ve iş kuralları” ile Genie Agent'lar kurduğu ve çalışanların soruları Genie One üzerinden sorduğu Genie'yi sunuyor.

Sizin tarafınızda birinin verinizin iyi açıklamalarını yazması gerekir; çünkü Databricks'in ifadesiyle “Unity Catalog'daki kaliteli tablo ve sütun açıklamaları, Genie'nin doğruluğu için kritiktir”. Databricks ayrıca şunu söylüyor: “Genie Agent'ın verisi Unity Catalog'a kayıtlı olmalıdır”; bu, tabloların ve izinlerin merkezi listesidir. Platformun dışındaki her şeyin önce içeri taşınması ya da bağlanması gerekir.

Veri işleme konusunda Snowflake, Cortex Analyst'in “Müşteri Verisi üzerinde eğitim yapmadığını” söylüyor. Ayrıca “Doğrudan bir model seçemezsiniz” diyor; çünkü her istek, rolünüzün kullanabildiği en üst sıradaki modele gidiyor ve liste Anthropic Claude Sonnet 4.6 ile başlayıp Mistral Large 2 ve Llama 3.1 70b ile bitiyor.

Bu yollarda dil modelini sağlayıcı ya da adını verdiği bir ortak çalıştırır; Databricks, Sohbet modundaki Genie Agent'lar için Azure OpenAI hizmetini ve Databricks üzerindeki OpenAI'ı listeliyor. Tableau Server bunun istisnasıdır, çünkü kendi model sağlayıcınıza bağlanır. Kurallarınız kontrol ettiğiniz sunucuları şart koşuyorsa bunun neleri gerektirdiğini, aşağıda bağlantısı verilen özel ChatGPT makalesi anlatıyor.

Kendimiz geliştirmeye ne zaman değer?

Özel geliştirme, sizin için bir dil modelinin etrafında yazılmış bir yazılımdır. Soruları kendi tanımlarınızla sorguya çevirir ve yanıtları istediğiniz yere iletir. Aşağıdakilerden en az biri doğruysa geliştirmek mantıklıdır:

• Yanıtlar kendi müşterileriniz için kendi ürününüzün içine gidiyor
• Bir soru, sağlayıcı araçlarının ulaşamadığı sistemlerdeki veriyi gerektiriyor; örneğin bir veri ambarının yanında şirket içi bir arka ofis
• Kurallarınız, verinin ve modelin kontrol ettiğiniz sunucularda kalmasını şart koşuyor
• Seçtiğiniz sağlayıcı aracının sunmadığı bir davranışa ihtiyacınız var; örneğin onaylı metrikler listesinin dışındaki her soruyu reddetmek

Verileriniz zaten tek bir platformdaysa önce daha küçük bir adım atılabilir. Snowflake, Cortex Analyst'i bir REST API olarak, yani diğer programların çağırabildiği bir arayüz olarak sunuyor; “özel sohbet arayüzleri” gibi kullanımlar için. Şu an önerdiği ürün olan Cortex Agents de aynı yolla çağrılabiliyor. Databricks ise “Genie Agent'ları kendi sohbet botunuza, ajanınıza ya da uygulamanıza entegre edebileceğinizi” söylüyor. Ekranları siz geliştirirsiniz, sorguları platform yazar.

Sorular kendi çalışanlarınızdan geliyorsa ve bir platformun asistanı testinizi geçiyorsa geliştirmeyi haklı çıkarmak zordur. Geliştirme, belirsiz tanımları da çözmez. Gelirin nasıl hesaplandığını henüz söyleyemiyorsanız özel geliştirme de size yanlış rakamlar verir, üstelik daha pahalıya mal olur. Yayına aldıktan sonra bakım sizin üzerinizdedir; aşağıdaki makaleler bu işi kimin yapabileceğini ve yapay zekâ pilotlarının neden tıkandığını anlatıyor.

Asistan insanlara görmeye hakları olmayan veriyi gösterebilir mi?

Satır düzeyi güvenlik (RLS), örneğin bir bölge müdürünün kendi bölgesi dışında hiçbir bölgeyi görmesini engelleyen şeydir. Veri neredeyse orada uygulanmalıdır; çünkü asistanın talimatlarındaki bir satır, bir sorgunun bir tabloyu okumasını durduramaz. Her yol bunu farklı biçimde ele alır:

• Power BI: “Copilot yalnızca mevcut kullanıcının erişim iznine sahip olduğu verilere erişebilir”. Microsoft, satır düzeyi güvenliğin daha geniş erişimi olan kişilere uygulanmayabileceğini belirterek şunu ekliyor: “RLS'nin uygulanması gerektiğinde içerik tüketicilerinin ve oluşturucularının temel anlamsal model üzerinde yalnızca Okuma iznine sahip olması kritik önem taşır”
• Tableau: Pulse'taki metrikler için “kullanıcıların bir metriği görüntülerken gördüğü veri, veri kaynağına uygulanan satır düzeyi güvenliğe uyar” ve Tableau, Dashboards'taki Tableau Agent'ın “mevcut tüm Tableau izinlerinize, erişim denetimlerinize ve satır düzeyi güvenliğinize kesin biçimde uyarak” çalıştığını söylüyor
• Snowflake: üretilen sorgular “tüm tanımlı erişim denetimlerine uyar” ve temel tablolarda tanımlanan satır erişim politikaları “anlamsal görünümlere yayılır ve uygulanır”. Satır erişim politikaları Enterprise veya üzeri sürüm gerektirir; bir anlamsal görünümü sorgulayabilen kişi için “temel tablolarına ayrı bir erişim gerekmez”, dolayısıyla yalnızca tablo yetkileri insanları birbirinden ayırmaz
• Databricks: “Veri erişimi her zaman her son kullanıcının kendi Unity Catalog izinleriyle değerlendirilir” ve Unity Catalog'daki satır filtreleri “kullanıcı bazında otomatik olarak uygulanır”
• Özel geliştirme: yazılımınızın her kişinin kimliğini veritabanına iletmesi gerekir; aksi halde her soru tek bir ortak hesapla çalışır ve insanlar o hesabın görebildiği her şeyi görür. Snowflake'in çok sayıda müşteriye hizmet veren ürünler için hazırladığı kılavuz şöyle diyor: “Snowflake son kullanıcılarınızın kimliğini doğrulamaz; bunu uygulama sunucunuz yapar.” Yapay zekâ ajanları için kurulmuş tek bir Power BI bağlantısı konusunda Microsoft şu uyarıyı yapıyor: “Hizmet sorumlusu kimlik doğrulaması kullandığınızda Power BI, RLS'yi uygulamaz”; bu, bir yazılım hesabıyla oturum açmak demektir

Erişim kuralları asistanın yanlış bir şey söylemesine de yol açabilir. Snowflake'in geliştirici kılavuzlarından biri, bir ajanın bir bölgede hiç gelir olmadığını bildirdiği durumu örnek veriyor. Nedeni şöyle açıklıyor: “Satır erişim politikası o satırları gizledi ve ajan gizli ile yok arasındaki farkı ayırt edemez.” Asistanın sonuçlarının yalnızca kişinin görmesine izin verilen veriyi kapsadığını söylemesini sağlayın ve her rolü, veriyi görmemesi gereken bir hesapla test edin.

Verinizle konuşan bir asistan ne kadara mal olur?

Çoğu yolda iki şey için ödersiniz. Hesaplama, sorguyu verinizin üzerinde çalıştıran bilgi işlem gücüdür. Model kullanımı, soruyu sorguya çevirmeyi kapsar ve çoğu sağlayıcı bunu, bir dil modelinin okuduğu ve yazdığı metin parçaları olan token'lar üzerinden faturalandırır. Snowflake'in Cortex Analyst'i, kendi API'si üzerinden çağrıldığında mesaj başına faturalandırır. Aşağıdaki fiyatlar, ABD bölgeleri için yayımlanmış sağlayıcı fiyatlarından alınmış ABD doları cinsinden tutarlardır:

• Power BI: Power BI için Copilot, ödediğiniz Fabric ya da Premium kapasitesini kullanır; 1.000 girdi token'ı için 100, 1.000 çıktı token'ı için 400 kapasite birimi saniyesi harcar. Azure'un herkese açık perakende fiyat listesi, East US'ta kullandıkça öde olarak saatte kapasite birimi başına $0,18 gösteriyor; buna göre Microsoft'un 2.000 girdi ve 500 çıktı token'lık örnek isteği yaklaşık 2 sentlik kapasite kullanır. Microsoft'un örneğindeki boyut olan 64 birimlik bir F64 kapasitesi bu fiyatla günde yaklaşık $276 tutar ve raporlarınız aynı kapasiteyi kullanır. Microsoft şöyle diyor: “Fabric, Copilot'un tetiklediği tüm sonraki işlemleri ayrıca faturalandırır”
• Tableau: yardım sayfaları bu yapay zekâ özelliklerini Tableau Cloud+ sürümüne ya da Tableau Cloud üzerindeki Tableau+ Bundle'a, Tableau Server'da ise model kullanımının “özel LLM sağlayıcı sözleşmenize göre doğrudan faturalandırıldığı” Tableau Server+'a bağlıyor. Tableau'dan teklif isteyin
• Snowflake: API üzerinden Cortex Analyst, 1.000 mesaj için 67 Platform Credit olarak listeleniyor. AWS US East'te talep üzerine bir kredi, Standard sürümde $2,00, Enterprise sürümde $3,00 tutuyor; dolayısıyla 1.000 mesaj $134 ya da $201 eder. “Cortex Analyst'in ürettiği SQL'i çalıştırdığınızda ek warehouse maliyetleri uygulanır.” Cortex Agents üzerinden faturalandırma, model bazında fiyatlarla token'a geçer
• Databricks: “Genie One ve Genie Agent'ların kullanıcılar tarafından kullanımı 31 Ocak 2027'ye kadar ücretsizdir.” Yazılım hesapları (hizmet sorumluları) kapsam dışındadır ve “kullanımları ücretlendirilir”; ayrıca “Genie'nin ürettiği sorguları çalıştırmak için kullanılan hesaplama, örneğin bir SQL warehouse, ayrıca faturalandırılır”. Databricks, bu tarihten sonra Genie ürünlerinin her kullanıcı için aylık ücretsiz bir kullanım hakkıyla birlikte “kullandıkça öde modeliyle faturalandırılacağını” söylüyor; bu yüzden kendi hacminizde kullanımın neye mal olacağını sorun
• Özel geliştirme: model sağlayıcıya doğrudan ödeme yaparsınız; buna kendi veritabanı hesaplama maliyetiniz ve sistemi kurup işleten mühendisler eklenir. Anthropic, Claude Sonnet 5.5'i milyon girdi token'ı için $2, milyon çıktı token'ı için $10 olarak listeliyor; bu hesapla 2.000 girdi ve 500 çıktı token'ı yaklaşık 1 sente mal olur. Gerçek istekler tablo açıklamalarınızı da taşır ve daha büyük olur

Bu rakamlar aynı şeyleri kapsamıyor; bu yüzden karşılaştırmadan önce her birine hesaplama maliyetini ekleyin. Microsoft küçük bir pilot grupla başlamayı öneriyor ve şöyle diyor: “Tüketim örüntülerini doğrulamadan geniş çapta devreye almak kapasitenizi hızla tüketebilir.”

Yanıtlarını önceden bildiğimiz sorularla nasıl test ederiz?

Ürün seçmeden önce testi hazırlayın. Çalışanlarınızın sorduğu birkaç düzine gerçek soru alın ve her biri için doğru yanıtı, finans ekibinizin onayladığı bir rapordan not edin. Kısa listenizdeki her ürüne bu soruları sorun ve her yanıtı puanlayın. Sette şunlar olmalı:

• Onaylı raporlardan alınmış, tek doğru yanıtı olan sorular; ürün ve aya göre marj gibi iki konuyu birleştirenler de dahil
• Tanımlarınızın tutarlı olup olmadığını görmek için aynı soru, farklı departmanlardan insanlar tarafından farklı sözcüklerle
• Asistanın yanıtlamayı reddetmesi gereken sorular; örneğin elinde bulunmayan veriyle ilgili bir soru, çünkü uydurma yanıt en çok yakalamanız gereken hatadır
• Satır düzeyi güvenliği kontrol etmek için aynı soru, farklı erişimi olan kişilerin hesaplarıyla

Yanlış bir sorgu şans eseri doğru bir toplam üretebilir; bu yüzden yalnızca sayıyı değil sorguyu da puanlayın. Databricks, “ajanınızı genel doğruluk açısından sistematik biçimde test etmek ve puanlamak” için kıyaslama setleri sunuyor; Snowflake ise “doğrulanmış sorgularınızı Cortex Analyst üzerinde” çalıştırıp SQL üretiminin ne kadar doğru olduğunu ölçebileceğinizi söylüyor. Yukarıda bağlantısı verilen, bir yapay zekâ asistanının nasıl test edileceğini anlatan makale, geçme notlarının önceden nasıl belirleneceğini açıklıyor.

Microsoft, değişmemiş bir anlamsal modelde aynı soruyu “24 saatlik kayan bir pencere içinde” sorarsanız Copilot'un yanıtı önbelleğinden, yani önceki yanıtın kayıtlı bir kopyasından verdiğini söylüyor. Bu yüzden ertesi sabahki bir yeniden testi saymayın. Tüm seti 24 saatten daha sonra yeniden çalıştırın; sağlayıcı bir modeli değiştirdiğinde ya da siz bir tanımı değiştirdiğinizde de yine çalıştırın.

Çalışanlar bir yanıtın nereden geldiğini nasıl kontrol edebilir?

İnsanlar çıplak bir sayıyı kontrol edemez; bu yüzden her yanıttan kullandığı tanımı ve kapsadığı dönemi belirtmesini isteyin. Power BI “How Copilot arrived at this” adlı bir görünüm sunuyor, Genie ise “mümkünse oluşturulan sorguyu ve sonuç tablosunu” veriyor. Microsoft'un daha yeni Copilot önizlemesine ilişkin sayfası da insanlardan “önemli kararları kaynak veriye karşı doğrulamalarını” istiyor. Yönetim kuruluna ya da bir müşteriye giden her sayının önce kaynak raporla kontrol edilmesini kural haline getirin.

Bir BI ya da veri platformu sağlayıcısına neler sormalıyız?

• Metriklerimizden hangilerini üzerinde anlaşılan tanımlardan yanıtlayacak ve bu tanımların dışındaki bir soruya ne olacak?
• Her sorguyu kimin izinleri çalıştırıyor ve bunu tek bir kişinin hesabı için nasıl test ederiz?
• Sorularımızı ve verilerimizi hangi model sağlayıcıları işliyor ve hangi bölgede?
• Sorgu hesaplaması ve asgari tutarlar dahil, gerçek soru hacmimizin bir ayı ne kadara mal olur?
• Her yanıtın arkasındaki sorguyu görebiliyor ve bunların kaydını tutabiliyor muyuz?
• Bu özellik genel kullanıma açık mı ve yerine neyin geçmesi planlanıyor?
• Testlerimizi yeniden çalıştırabilmemiz için model değişmeden önce ne kadar önceden haber alırız?

Bunu geliştirecek bir firmaya neler sormalıyız?

• Metrik tanımları nerede duracak ve analistlerimiz bunları geliştirici olmadan değiştirebilir mi?
• Her kişinin kimliği veritabanına nasıl ulaşır ve kimlik olmadığında ne olur?
• Sorguları hangi model yazıyor ve sunucularımızdan hangi veri çıkıyor?
• Yanıtlarını önceden bildiğimiz sorularla nasıl test edeceksiniz ve bizim tarafımızda kim onay verecek?
• Asistan emin olmadığında bunu söylüyor mu, yoksa tahmin mi yürütüyor?
• Sonunda kodun, tanımların, test setlerinin ve kayıtların sahibi biz olacak mıyız?

amBrain nerede devreye girer?

Bu blogu amBrain yayımlıyor. amBrain kendi ürünü hakkında şöyle diyor: “Kendi ürünümüz shyash.ai, şirket bilgilerinin tek bir ortak belleğinden araştıran, yazan, kontrol eden ve ölçen yapay zekâ ajanları üzerinde çalışır. Yayınlanan her şeyi bir kişi onaylar.”

Bu makale bir vaka çalışması değildir ve hiçbir müşteri işini anlatmaz; amBrain'in herhangi bir müşteri için verinizle konuşan bir asistan geliştirdiğini de öne sürmez. Yukarıdaki cümle amBrain'in kendi ürünüyle ilgilidir, örnekler ise geneldir.

Burada adı geçen şirketlerden yapılan alıntılar, hepsi 9 Kasım 2026'da açılan yayımlanmış sayfalarından alınmıştır. Makale, amBrain ile bunların hiçbiri arasında bir ilişki olduğunu öne sürmez ve amBrain'e ait fiyat ya da süre vermez.

amBrain 2019'dan bu yana yazılım geliştiriyor. Müşterileriyle nasıl çalıştığı konusunda şöyle diyor: “Üç format: tam teslim, özel ekip ya da sizin ekibinize yerleşen mühendisler.” Mülkiyet konusundaki satırı ise şöyle: “Müşteri, yeniden kullanılabilir bileşenlerimiz dışında ürünün ve kodun tam mülkiyetini elinde tutar.” İmzalamadan önce bu bileşenlerin adlarıyla listesini isteyin.

amBrain kısa listenizdeyse ona da diğer firmalara sorduğunuz soruların aynısını sorun.