Azərbaycanda müəssisə AI mənimsənilməsi bankçılıq, telekom və dövlət sektorunda cəmlənib və üç şeylə məhdudlaşır: modellərin istifadə edə biləcəyi vəziyyətdə olmayan data, ən asan tətbiq yolunu istisna edən tənzimləyici məhdudiyyətlər, və AI sistemini istehsala çıxarıb sonra onu istismar etmiş adamların azlığı. Real irəliləyiş əldə edənlər ən böyük iddiası olanlar deyil. Onlar ölçülə bilən nəticəsi olan dar problemlər seçib əvvəlcə datalarını qaydaya salanlardır.

Bütün müzakirəni iki rəqəm çərçivəyə salır. McKinsey-in 2026 State of AI araşdırması göstərir ki, təşkilatların 88%-i ən azı bir funksiyada AI işlədir, yalnız 39%-i hər hansı EBIT təsiri bildirir və təxminən üçdə ikisi pilotlardan kənara çıxa bilməyib. Gartner agentic AI layihələrinin 40%-dən çoxunun 2027-ci ilin sonuna qədər ləğv olunacağını gözləyir — xərc, aydın olmayan dəyər və yetərsiz risk nəzarəti səbəbindən. Bunlar qlobal rəqəmlərdir. Azərbaycanda gördüyümüz heç nə onları təkzib etmir; yerli məhdudiyyətlər sadəcə boşluğu genişləndirir və səbəbləri adlandırmağı asanlaşdırır.

Bu məqalə həmin sistemləri burada tətbiq edərkən müşahidə etdiklərimizi təsvir edir. Yerli statistikanın faydalı olduğu yerdə beynəlxalq ortalamanı götürüb azərbaycanlı kimi təqdim etmək əvəzinə bunu açıq yazır — bu bazar üzrə etibarlı sorğu hələ yoxdur, Yukon Labs da elə buna görə birini aparır.

Siyasət konteksti dəyişib

Dövlət AI-ı arzudan proqrama keçirib və bu il biznes əsaslandırması quran hər kəs üçün vaxt əhəmiyyətlidir.

Azərbaycanın İnnovasiya və Rəqəmsal İnkişaf Agentliyi 2025–2028-ci illər üçün Süni İntellekt Strategiyasını təsdiqləyib; prioritetlər arasında data idarəetməsi, kadr potensialı, dövlət-özəl əməkdaşlığı, təhlükəsizlik və etika adlanır. 2026–2028-ci illər üçün Rəqəmsal İnkişafın Sürətləndirilməsi üzrə Fəaliyyət Planı 2026-cı il fevralın 27-də prezident sərəncamı ilə təsdiqlənib və rəqəmsallaşma, süni intellekt, innovasiya ekosistemi və kibertəhlükəsizlik üzrə 58 təşəbbüs daşıyır. Vitse-prezident səviyyəsində sədrlik olunan Rəqəmsal İnkişaf Şurası ilk iclasını 2026-cı il iyunun 29-da keçirib və AI üzrə qanunvericilik çərçivəsini gündəliyə salıb.

Dövlət qurumu üçün bu, tarixləri olan mandatdır. Bank üçün isə tənzimləmə istiqamətini göstərir: sənədləşmə, izlənilə bilənlik və hesabatlılıq tələbləri indi yazılır, sonra yox.

Bazar əslində haradadır

Mənimsənilmə tədrici deyil, ikiqütblüdür — bu bazar haqqında bilinməli ən faydalı şey budur.

Az sayda böyük institut — əsas banklar, ən iri telekom operatorları, bir neçə dövlət qurumu — eksperimenti keçib real biznes prosesləri üzərində AI-ı istehsalda işlədir. Onların ayrıca komandaları var, infrastruktur qərarları veriblər və ikinci dərəcəli problemlərlə məşğuldurlar: qiymətləndirmə, model idarəetməsi, sorğu başına xərc.

Digər böyük təşkilatların çoxu daha uzun pilot mərhələsindədir. Harasa bir çatbot qoyulub. Kimsə sənəd çıxarışı üzrə sınaq aparıb. Vendor təsirli bir şey nümayiş etdirib. Bunların heç biri hər hansı biznes prosesini dəyişməyib, və demo ilə istehsal arasındakı fərqin niyə bu qədər geniş olduğuna dair səssiz bir qeyri-müəyyənlik var.

Bu iki qrup arasındakı məsafə nə büdcə, nə də istedaddır. Demək olar ki, həmişə datanın hazırlıq səviyyəsi, ikinci növbədə isə AI sistemini işə salındıqdan sonra istismar etmiş adamın olmamasıdır.

Əvvəlcə hansı sektorlar hərəkət edir və niyə

Bankçılıq öndədir və bunun struktur səbəbləri var. Sektorun aktivləri 2026-cı il aprelin 1-nə təxminən 57,1 milyard manat — 33,6 milyard dollar — təşkil edib, illik 6,7% artımla; rəqəmsal baza isə onsuz da yüksəkdir: Kapital Bankın Birbank tətbiqi 3,4 milyon aktiv istifadəçini keçib, AMB isə nağdsız ödənişlərin pərakəndə əməliyyatlarda 40%-dən yuxarı, müştəri köçürmələrinin 90%-dən çoxunun rəqəmsal kanallarla aparılmasını hədəfləyir. Banklarda illərlə geri gedən rəqəmsallaşdırılmış əməliyyat datası, avtomatlaşdırmağa dəyən bahalı proseslərin aydın siyahısı, intizamlı sənədləşməyə məcbur edən tənzimləyici təzyiq və infrastrukturu udacaq büdcələr var. Eyni zamanda ən sərt tətbiq məhdudiyyətləri də onlardadır — buradakı demək olar ki, hər ciddi bank AI layihəsinin on-premise layihəsinə çevrilməsinin səbəbi budur.

Telekom arxadan gəlir: böyük həcmdə davranış datası və churn, dəstəyin avtomatlaşdırılması, şəbəkə əməliyyatları üzrə aydın ssenarilər.

Dövlət sektoru xidmətlərin rəqəmsallaşması və indi də 2026–2028 fəaliyyət planı ilə hərəkət edir. Məhdudiyyətlər burada ən güclüdür — vətəndaş datası, suverenlik, satınalma — potensial təsir isə ən böyükdür, çünki avtomatlaşdırılan proseslər yüksək həcmli və hazırda əl işidir.

İri sənaye və enerji təşkilatlarında ölkənin ən dəyərli, toxunulmamış datası var və onlar adətən ən geridədir, çünki dataları heç vaxt başqası tərəfindən oxunmaq üçün nəzərdə tutulmamış əməliyyat sistemlərində yaşayır.

Əslində bağlayıcı olan dörd maneə

Adətən sadalananlar yox. Layihələri dayandıranlar bunlardır.

1. Datanın hazırlığı — qalanların çoxunun arxasındakı maneə

Nümunə proqnozlaşdırıla biləcək qədər ardıcıldır. Təşkilat perspektivli ssenari müəyyən edir, əl ilə seçilmiş dataset üzərində sınaq qurur, yaxşı nəticə alır və istehsala keçir — orada isə real data ilə üzləşir. Üst-üstə düşən müştəri qeydləri olan dörd sistem. Hansının səlahiyyətli olduğuna dair razılıq yoxdur. On il ərzində qeyri-ardıcıl doldurulmuş açar sahələr. Sxemin əvvəlki versiyasını təsvir edən sənədləşmə.

Layihə səs-küylə uğursuz olmur. Yavaşlayır, səyi udur və səssizcə yenidən pilota çevrilir. Gartner-in ləğvetmə proqnozunun arxasındakı mexanizm budur: komandaların təxminən onda dördü datanın təmizlənməsini layihə nəticələrinə təsir edən amil kimi göstərir, və "bu nə qaytarır, nəyi sındıra bilər" sualına cavab verə bilməyən baxış layihəni bitirir.

Elə buna görə AI təşəbbüsləri bu qədər tez-tez data idarəetməsi təşəbbüslərinə çevrilir — və elə buna görə əvvəlcə idarəetmə işi görmüş təşkilatlar sonradan gözlə görünəcək qədər sürətli hərəkət edir. Model öz girişlərinin funksiyasıdır, və heç bir model keyfiyyəti heç kimin zaminlik edə bilmədiyi girişləri əvəz etmir. Bunun praktiki variantını Azərbaycanda data idarəetməsi yazısında vermişik.

Narahat edən nəticə: datanız hazır deyilsə, istehsal səviyyəli AI-a ən sürətli yol iki rüb boyunca AI üzərində işləməyi dayandırmaqdır.

2. Tətbiq məhdudiyyətləri

Banklar və dövlət qurumları üçün datanı xarici AI API-sinə göndərmək, bir qayda olaraq, mümkün deyil — səbəblər suveren AI yazısında verilib. Bu, ən asan yolu — hər beynəlxalq nümunənin nəzərdə tutduğu yolu — aradan qaldırır və onun yerinə satınalma, infrastruktur qərarı və qurulmalı olan əməliyyat imkanı qoyur.

Bu, tamamilə həll edilə bilən məsələdir. Açıq çəkili modellər müəssisə ssenarilərinin böyük əksəriyyəti üçün kifayətdir, on-premise inference isə yaxşı öyrənilmiş mühəndislik məsələsidir. Amma iki həftəlik inteqrasiyanı iki rüblük proqrama çevirir, birincisinə büdcə ayıran təşkilatlar isə ilişib qalır.

Nəticə budur ki, bu məhdudiyyət birinci həftədə üzə çıxarılmalıdır — pilot miqyaslanmağa hazır olanda və hüquq departamenti ona ilk dəfə baxanda, dördüncü ayda yox.

3. Dil

Azərbaycan dili böyük dil modelləri üçün az resurslu dildir. Ümumi təyinatlı modellər onu emal edir, keyfiyyət isə ingilis və ya rus dilində əldə etdiklərindən aşağıdır, və fərq sahəyə xas lüğətdə — xüsusən bank, hüquq və texniki terminologiyada — daha da genişlənir.

Bunun praktiki nəticələri var və onlar tez-tez gec aşkarlanır:

  • Azərbaycanca sənədlər üzrə retrieval bu dili bacarıqla emal edən embedding modelləri tələb edir. Hamısı etmir, retrieval keyfiyyətindəki fərq isə böyükdür.
  • Qiymətləndirmə dəstləri azərbaycanca qurulmalıdır. İngiliscə qiymətləndirmə dəsti azərbaycanca girişlərdə istehsal performansı barədə sizə heç nə demir.
  • Qarışıq dilli korpuslar istisna deyil, normadır — bir sənəd toplusunda azərbaycanca, rusca və ingiliscə mətn olacaq, bəzən bir sənədin içində. Retrieval arxitekturası bunu qəsdən nəzərə almalıdır.

Bunların heç biri əngəl deyil. Bu, açıq şəkildə idarə olunmalı dizayn məhdudiyyətidir, və Azərbaycan dilinə sonradan düşünüləcək detal kimi yanaşan təşkilatlar demoda işləyən, sahədə isə məyus edən sistemlər buraxır.

4. İstismar imkanı

Bu bazarda ən qıt resurs AI prototipi qura bilən adamlar deyil. Onu bir il istehsalda işlətmiş adamlardır.

İşə salındıqdan sonra əhəmiyyət daşıyan bacarıqlar — qiymətləndirmə, drift üçün monitorinq, model gözlənilməz davrananda insidentə reaksiya, davranışı geriyə salmadan model yeniləməsini idarə etmək — işləyən demo istehsal edən bacarıqlardan fərqlidir və burada xeyli az yayılıb.

Nəticə budur ki, sistemlər qurulur, sonra isə köhnəlir, çünki onların hələ də işləyib-işləmədiyi sualının sahibi yoxdur. İstismar funksiyasını əvvəldən planlaşdırın — yoxsa yenidən qurmağı planlaşdırın.

İstehsala nə çatır

Uğur qazanan tətbiqlərdə ardıcıl nümunələr. Hamısının forması eynidir: dar əhatə, retrieval-a əsaslanan, ölçülə bilən nəticə, nəticə doğuran qərarlarda insanın iştirakı.

Daxili bilik axtarışı. İşçilər siyasət sənədləri, prosedurlar və qaydalar üzrə sual verir və mənbəsi göstərilən cavab alır. Yüksək həcm, aşağı risk, dərhal ölçülə bilən — və retrieval düzgün qurulduqdan sonra hər dildə yaxşı işləyir. Bu, ən etibarlı ilk istehsal ssenarisidir və təşkilatlara ondan başlamağı tövsiyə edirik.

Sənəd çıxarışı. Müqavilələrdən, qaimələrdən, ərizələrdən və çıxarışlardan strukturlaşdırılmış sahələrin çıxarılması. Həqiqətən bahalı əl işini əvəz edir, dəqiqlik etalon dəstə qarşı ölçülə bilir, səhvləri isə mövcud sonrakı yoxlamalar tutur.

Müştəri xidməti operatoruna dəstək. Operatoru əvəz etmək yox — cavabı qaralamaq, uyğun qaydanı tapmaq, iş tarixçəsini xülasə etmək. Mənimsənilmə yüksəkdir, çünki rolu təhdid etmək əvəzinə işi azaldır, məsuliyyət isə insanda qalır.

Uyğunluq və risk sənədlərinin baxışı. Əməliyyat təsvirlərinin, KYC sənədlərinin və ya tənzimləyici yazışmaların insan təsdiqi ilə ilkin baxışı. Dəyəri yüksəkdir, çünki əl ilə görülən baza iş bahalı və yavaşdır.

Əməliyyat xülasələri. İnsident hesabatları, iclas qeydləri, iş faylları. Cəlbedici deyil, geniş faydalı, aşağı riskli.

Ardıcıl olaraq nə ilişib qalır

Tam avtonom, müştəri ilə üzbəüz agentlər. Təşkilatlar ilk növbədə buraya hədəflənir, çünki ən görünəndir. Ən yüksək etibarlılığı tələb edir, ən böyük reputasiya riskini daşıyır və ən tam datadan asılıdır. Bu, birinci deyil, üçüncü və ya dördüncü tətbiq olmalıdır.

Mövcud olmayan vahid müştəri görünüşünü tələb edən hər şey. Fərdiləşdirmə və növbəti-ən-yaxşı-addım layihələri vahid, ardıcıl müştəri qeydini nəzərdə tutur. Dörd sistem müştərinin kim olduğu barədə razılaşmırsa, bu, AI etiketi taxmış data inteqrasiyası layihəsidir və elə də əhatələndirilməlidir.

Qərara bağlanmamış proqnoz modelləri. Heç kimin reaksiya vermədiyi ballar istehsal edən churn modeli — tədqiqat nəticəsidir. Modeli qurmazdan əvvəl əməliyyat reaksiyasını müəyyən edin, ya da qurmayın.

Departament-departament alınan nöqtəvi həllər. Üç departament üç AI aləti alır — hər birinin öz data bağlantısı, öz təhlükəsizlik baxışı və öz vendoru ilə. On səkkiz ay sonra nə ortaq idarəetmə var, nə təkrar istifadə, üç ayrı audit problemi isə var. Orkestrasiya qatının öz yerini qazandığı yer budur — bir idarəetmə müstəvisi, bir audit izi, bir icazə dəsti. Baxın: AI orkestrasiyası nədir.

İşləyən ardıcıllıq

Real iddiası və başlanğıc nöqtəsinə real baxışı olan təşkilat üçün.

Faza 1 — Təməl (1–4-cü aylar). Ən vacib sahə üzrə datanın hazırlıq qiymətləndirməsi. Əhatədəki sistemlər üçün kataloq və lineage. Tətbiq duruşuna qərar verilir, infrastruktur satın alınır. Bu faza heç bir AI istehsal etmir — sonrakı fazaların işləməsinin səbəbi isə odur.

Faza 2 — İlk istehsal ssenarisi (4–7-ci aylar). Bir departamentlə məhdudlaşdırılmış daxili bilik axtarışı. Qəsdən aşağı riskli və yüksək həcmli. Məqsəd qiymətləndirmə dəsti, monitorinqi və sahibi olan, istehsalda işləyən sistemdir — ssenarinin özü yox, təşkilati əzələ.

Faza 3 — Genişləndirmə (7–12-ci aylar). Eyni platforma üzərində daha iki-üç ssenari. Adətən sənəd çıxarışı və operator dəstəyi. Ssenari başına marjinal xərc burada kəskin düşür — nöqtəvi həll almaq əvəzinə platforma qurmağın bütün arqumenti də elə budur.

Faza 4 — Nəticə doğuran qərarlar (2-ci il). Yalnız indi, sübut olunmuş qiymətləndirmə və idarəetmə imkanı ilə, AI-ı müştəriyə təsir edən qərarların yaxınına qoyursunuz. Bu nöqtədə tənzimləyiciyə sistemin necə işlədiyini, nəyə qarşı sınandığını və konkret nəticənin necə alındığını göstərə bilirsiniz.

Bunu tərsinə edən — ən böyük biznes əsaslandırması olduğu üçün 4-cü fazadan başlayan — təşkilatlar iki il sonra hələ də pilot aparanlardır.

Birinci ayda nə etməli

Sıfırdan başlayırsınızsa, üç şey strategiya sənədindən dəyərlidir:

  1. Ən çox əhəmiyyət verdiyiniz bir sahədə datanızın əslində harada dayandığını müəyyən edin. Sorğu yox — inventar, üstəgəl avtomatlaşdırmaq istədiyiniz qərarları qidalandıran sistemlər üçün lineage.
  2. Tətbiq sualını erkən həll edin, hüquq və təhlükəsizlik otaqda olmaqla. Məhdudiyyəti dördüncü ayda kəşf etmək bir rübə başa gəlir.
  3. Rəqəmi olan bir dar ssenari seçin. Qənaət edilən saatlar, emal edilən müraciətlər, həll müddəti. İlk tətbiqin məqsədi təşkilatın belə bir sistemi istismar edə bildiyini sübut etməkdir, bu isə ölçmə tələb edir.

Bizim AI hazırlıq qiymətləndirməmiz məhz bu üçünün ətrafında qurulub və tövsiyə təqdimatı yox, əhatəsi müəyyən edilmiş tətbiq planı istehsal edir.

Əsas məqamlar

  • Qlobal olaraq təşkilatların 88%-i AI işlədir, 39%-i EBIT təsiri görür; boşluq icra boşluğudur, Azərbaycanda isə əsas səbəbi datanın hazırlığıdır.
  • Milli siyasət sərtləşib: 2025–2028 üçün AI Strategiyası və prezident sərəncamı ilə təsdiqlənmiş, 58 təşəbbüsdən ibarət 2026–2028 rəqəmsal inkişaf fəaliyyət planı.
  • Buradakı mənimsənilmə ikiqütblüdür. Liderlərlə qalanlar arasındakı fərq nə büdcə, nə istedaddır.
  • Banklar və dövlət qurumları üçün tətbiq məhdudiyyətləri asan yolu bağlayır. Bunu birinci həftədə üzə çıxarın.
  • Azərbaycan dili LLM-lər üçün az resurslu dildir — bu, testlərdə kəşf ediləcək detal deyil, açıq idarə olunmalı dizayn məhdudiyyətidir.
  • Ən qıt bacarıq AI sistemini qurmaq yox, işə salındıqdan sonra istismar etməkdir.
  • Daxili bilik axtarışından başlayın. Müştəri ilə üzbəüz avtonomluq üçüncü və ya dördüncü layihədir, heç vaxt birinci yox.

Yukon Labs HAVAA platformasını qurur və xarici AI xidmətlərindən istifadə edə bilməyən təşkilatlar üçün onu perimetr daxilində tətbiq edir. Bakıda yerləşirik və azərbaycan, rus və ingilis dillərində işləyirik.