Gıda sektöründe yapay zeka , fireyi raf önünde değil, üretim ve sipariş planında azaltmanın en somut aracıdır. Gün sonunda kalan ekmek ya da tarihi yaklaşan yoğurt rafta görünür; ama o ürünün fazla olacağı çoğu zaman günler önce plan masasında belli olmuştur. Konu bu hafta küresel gündemde: Antalya'daki COP31'in 9 Kasım 2026 Gıda, Tarım ve Sağlık gününde gıda israfı oturumları tüketimden önce, tedarik zincirinde önlemeye odaklandı; Tarım ve Orman Bakanı İbrahim Yumaklı da 10 Kasım'da bakanlığın COP31'de 46 etkinlik düzenlediğini ve gıda israfında çalışmaların sürdüğünü açıkladı.
Gıda sektöründe yapay zeka fireyi raftan değil plandan azaltır: talebi ürün, gün ve bölge bazında tahmin eder, raf ömrünü hesaba katar ve üretimle sevkiyatı aynı sayıya bağlar. Bu yazıda fire kaynaklarını, tahmin sinyallerini ve günlük planlamayı ele alıyoruz.
Yazıdan Ana Çıkarımlar
- Fire, ürünün rafta bozulduğu anda değil, talepten fazla üretildiği veya sevk edildiği anda oluşur; raf yalnızca sonucu gösterir.
- ReFED'in 2026 ABD raporunda talebin üzerinde kalan ürün, fazla gıda nedenleri arasında %23,7 ile bozulmanın (%12,9) belirgin biçimde önünde.
- Geçmiş satış tek başına yetmez; hava, bayram ve tatil takvimi, kampanya ve bölge sinyalleri fireyi asıl azaltan bağlamı sağlar.
- Kısa raf ömürlü ürünlerde plan haftalıktan günlüğe iner; raf ömrü tahmini, etiketteki tarihe değil ürünün gerçek durumuna göre sevk sırası belirler.
- Başarı model doğruluğuyla değil, ölçülen fire, iade ve raf doluluğuyla birlikte değerlendirilir.
Tanım
Gıda sektöründe yapay zeka
Gıda sektöründe yapay zeka fireyi raftan değil plandan azaltır: talebi ürün, gün ve bölge bazında tahmin eder, raf ömrünü hesaba katar ve üretimle sevkiyatı aynı sayıya bağlar.
Kaynak: ReFED · Yapay Zeka Firması editör tanımı
Gıda Sektöründe Fire Neden Rafta Görünür Ama Planda Oluşur?
Fire, ürünün rafta bozulduğu anda değil, talepten fazla üretildiği veya sevk edildiği anda oluşur; raf yalnızca sonucu gösterir. İmha edilen her kasa, birkaç gün önce verilmiş bir üretim adedi, sevk miktarı ya da kampanya varsayımıdır.
📊 İstatistik: 2022'de dünyada 1,05 milyar ton gıda israf edildi; bu, tüketiciye sunulan gıdanın yaklaşık beşte biri. İsrafın %60'ı hanelerde, %28'i gıda hizmetlerinde, %12'si perakendede oluştu. Gıda kaybı ve israfı, yıllık küresel sera gazı salımının %8-10'undan sorumlu. (UNEP, Food Waste Index Report 2024)
Bu rakam yalnızca perakende ve tüketim aşamasını kapsar; fabrikadaki kayıp çoğu işletmede "verim sapması" olarak muhasebeleştirilir. Nedenlere bakıldığında planlamanın payı netleşiyor: ReFED'in 7 Nisan 2026'da yayımladığı ABD raporuna göre 2024'te 70 milyon ton fazla gıda oluştu, bu gıda arzının %29'u. Fazla gıdanın %18,8'i üretim aşamasından geliyor. Nedenler arasında talebin üzerinde kalan ürün %23,7 ile bozulmanın (%12,9) belirgin biçimde önünde; tarih etiketi kaygısı %5. Yani "bozuldu" diye yazılan kalemin önemli bir kısmı kökte bir tahmin sorunudur.
Türkiye'de de konu ölçüm gündeminde: Tarım ve Orman Bakanlığı'nın Gıda İsrafı Çalışma Grubu, 2 Ekim 2026'daki 12. toplantısında TÜİK ve Merkez Bankası dahil kurumlarla mevcut durumu değerlendirdi. Ulusal tahminler kurumdan kuruma farklılaştığı için işletmede belirleyici olan, kendi fire verisini ürün ve kanal bazında ölçmektir.
Talep Tahmini Hangi Sinyallerle Çalışır, Geçmiş Satış Neden Yetmez?
Gıda talep tahmini geçmiş satışı başlangıç noktası olarak alır; fireyi asıl azaltan, geçmiş ortalamaların göremediği bağlamı modele eklemektir. ReFED'in Mayıs 2026 tarihli yapay zeka raporunda görüşülen uygulayıcılar da aynı noktaya işaret ediyor: tüketicinin bugün mü yarın mı alışveriş yapacağını geçmiş ortalama değil, o günün koşulları belirliyor.
Bir gıda talep tahmini modelinin tipik girdileri şunlardır:
- Geçmiş satış: Ürün, satış noktası ve gün düzeyinde, iade ve stok bitişi kayıtlarıyla birlikte. Stoğun bittiği günün satışı gerçek talebi göstermez; model bu günleri ayırmazsa talebi düşük öğrenir.
- Hava durumu: Sıcaklık ve yağış; ayran, dondurma ve içecekte talebi, süt ürünlerinde sıcak havadaki iade riskini etkiler.
- Takvim: Ramazan ayı, bayramlar, yılbaşı, okul açılışı ve tatiller, köprü günleri, maaş ödeme günleri.
- Kampanya ve fiyat: İndirim dönemi, aktüel ürün, raf yerleşimi ve kampanya sonrası talep düşüşü.
- Bölge ve kanal: Turizm sezonu yaşayan ilçeler, zincir market ile geleneksel kanal farkı, bölgesel hava farkı.
Modelin değeri bu sinyalleri birlikte okumasındadır: bayramın yağmurlu bir haftaya denk gelmesi elle tutulan tabloda öngörülemez. Perakende tarafını perakendede yapay zeka yazımızda ele almıştık; üreticide ise bu sinyallerin satış, stok ve üretim sistemlerinden temiz toplanması gerekir. Temel için veri yönetimi nedir? rehberine bakılabilir.
Hangi Ürün Tipinde Fire Nereden Gelir, Tahmin Neyi Değiştirir?
Her ürün grubunda fire farklı bir noktadan doğar; bu yüzden tek bir "fire oranı" hedefi yerine ürün tipine göre ayrı bir tahmin kurgusu gerekir.
| Ürün tipi | Ana fire kaynağı | Tahminin etkisi |
| Ekmek ve unlu mamul | Gün sonu kalan ürün, satış noktasından iade | Gün ve saat bazlı üretim adedi; hava ve özel gün etkisiyle sabah planı |
| Süt, yoğurt, ayran | Tarihi yaklaşan stok, sıcak havada artan iade | Satış noktası bazlı sevk miktarı; hava tahminiyle haftalık planın günlük revizyonu |
| Taze meyve ve sebze | Biyolojik bozulma, aynı gün gelen partilerin farklı ömrü | Parti bazlı raf ömrü tahmini; önce bozulacak partinin önce sevki |
| Et, şarküteri, hazır yemek | Soğuk zincir kırılması, fazla hazırlık | Sıcaklık geçmişine göre kalan ömür; hazırlık adedinin talebe bağlanması |
| Mevsimsel içecek ve dondurma | Sezon sonu fazla üretim, kampanya sonrası stok | Hava ve sezon eğrisine göre üretim; kampanya etkisinin ayrı modellenmesi |
| Yeni ürün ve kampanyalı ürün | Lansmanda iyimser plan, kampanya sonrası düşen talep | Benzer ürün geçmişiyle başlangıç tahmini; kampanya bitiş planının önceden yapılması |
Ortak mesaj şudur: raf ömrü kısaldıkça tahmin hatasının fireye dönüşme süresi de kısalır. Makarnada fazla üretim depoda bekleyebilir; yoğurtta ve ekmekte aynı hata birkaç gün içinde imhaya döner.
Raf Ömrü Tahmini Kısa Ömürlü Ürünlerde Günlük Planı Nasıl Değiştirir?
Raf ömrü tahmini, ürünün gerçekte ne kadar süre satılabilir kalacağını öngörür ve kısa ömürlü ürünlerde planlamayı haftalıktan günlüğe çeker. Etiketteki tarih yasal sınırı belirler; raf ömrü tahmini ürünün o sınıra hangi hızla yaklaştığını söyler.
ReFED raporu sorunu net koyuyor: klasik sistemler "ilk giren ilk çıkar" kuralıyla en eski ürünü önce sevk eder, ama aynı gün depoya giren iki palet, taşınma koşuluna göre çok farklı ömre sahip olabilir. Yapay zeka sıcaklık geçmişiyle her partinin kalan ömrünü tahmin edip önce sevk, yakın noktaya yönlendirme ya da erken indirim önerir.
Kısa raf ömürlü üründe günlük döngü genellikle şöyle işler:
- Akşam: Satış noktalarından satış, stok ve iade verisi toplanır.
- Gece: Model ertesi günlerin talebini hava ve takvim güncellemesiyle yeniden tahmin eder.
- Sabah: Üretim adedi ve sevk listesi, partilerin kalan ömrüne göre sıralanarak planlayıcıya gelir.
- Gün içi: Sapma büyükse planlayıcı istisnayı onaylar ya da düzeltir.
Örnek senaryo: Bölgesel dağıtım yapan bir süt ürünleri üreticisi, yoğurt ve ayran sevkini geçen haftanın ortalamasıyla planlıyordu. Sıcak günlerde bazı noktalarda ürün erken bitiyor, serin günlerde tarihi yaklaşan ürün iade dönüyordu. Satış, iade ve stok verisi hava tahmini, okul takvimi ve bayram günleriyle birleştirilerek nokta bazlı günlük bir model kuruldu; en kısa ömürlü partiler en hızlı dönen noktalara yönlendirildi. Plan günlük revizyona geçtiğinde iade hacmi belirgin biçimde azaldı, raf boşluğu şikâyetleri de geriledi.
Üretim ve Dağıtım Aynı Tahmine Bakmazsa Ne Olur?
Fabrika bir sayıya, satış ekibi başka bir sayıya, sevkiyat üçüncü bir sayıya göre çalıştığında en iyi tahmin modeli bile fireyi azaltamaz. Satış "rafta boşluk olmasın" diye talebi yukarı yuvarlar, üretim parti büyüklüğüne tamamlar, dağıtım araç doluluğu için fazladan yükler; fazlalık en sonda rafta fire olarak görünür.
ReFED'in yapay zeka raporu bunun teknik değil yönetsel bir sorun olduğunu vurguluyor: yöneticiler yalnızca stok bulunurluğuyla ölçülüyorsa, yapay zeka ne önerirse önersin fazla sipariş eğilimi sürer.
Çözüm, tek bir talep sayısıdır. Üretim planı, satış hedefi ve sevk planı aynı tahminden türetilir; tahmin değiştiğinde üretim emri ve sevk listesi otomatik güncellenir, insan yalnızca eşiği aşan istisnaları onaylar. Bu katmanı AI otomasyon nedir? yazımızda anlattık.
💡 Uzman notu: Gıda fire projelerinde en sık hata, başarıyı modelin tahmin doğruluğuyla ölçmektir. Daha isabetli bir model, satış ekibi hâlâ eski alışkanlıkla adet yuvarlıyorsa rafta hiçbir şey değiştirmez. Doğru ölçüt, imha, iade ve indirimli satış toplamının raf doluluğuyla birlikte izlenmesidir.
Gıda İşletmesi Fire Azaltma Projesine Nereden Başlamalı?
Fire azaltma projesi en büyük ve en ölçülebilir fire kalemiyle başlar; tüm ürün gamını aynı anda modellemek sonucu görünmez kılar. ReFED de aynı sırayı öneriyor: tek ve ölçülebilir bir sorunla başlamak, yapay zekayı almadan önce veriyi düzeltmek, başarıyı gerçekleşen fire azalışıyla ölçmek.
- Kalemi seç: En çok imha veya iade üreten ürün grubu ve kanalı belirle.
- Bugünü ölç: Üretim fazlası, iade, imha ve indirimli satışı ayrı kaydederek başlangıç çizgisi çıkar.
- Veriyi birleştir: Satış, iade, stok, üretim ve kampanya takvimini aynı ürün ve gün anahtarında topla.
- Sınırlı pilot kur: Tek ürün grubu, tek bölge; model önerisini mevcut planla birkaç hafta yan yana çalıştır.
- Fireyle değerlendir: İade, imha ve raf boşluğunu birlikte izle.
- Hedefleri hizala: Satış ve üretim ekiplerinin performans ölçütüne fireyi ekle.
Beklenti de gerçekçi olmalı. ReFED raporunda görüşülen şirketler, ticari yemek hizmetleri ve gıda üretiminde %20 ile %53 arasında fire azalışı bildiriyor; perakendede yapay zeka destekli talep tahmininin 26 ülkede yaklaşık 200 milyon pound (yaklaşık 90 bin ton) kaybı önlediği aktarılıyor. Rapor bu kanıtların büyük bölümünün sağlayıcı beyanı olduğunu da not ediyor; her işletme pilotunu kendi başlangıç çizgisiyle ölçmeli. Sektöre özel kurgu için sektörel çözümler, yol haritası için danışmanlık sayfalarımıza bakabilirsiniz.
Sonuç: Fireyi Azaltmanın Yolu Daha İyi Bir Sayıdan Geçer
Gıda sektöründe fire, rafta görünen ama planda doğan bir maliyettir. COP31'de israfın tüketimden önce, tedarik zincirinde önlenmesi konuşulurken bir gıda işletmesinin en güçlü aracı da aynıdır: ürün, gün ve bölge bazında talep tahmini, partinin gerçek ömrünü bilen bir sevk planı ve üretimle satışın aynı sayıya bağlanması. Yapay zeka bu üç parçayı birleştirir; başarıyı ise azalan imha ve iade gösterir.
Gıda işletmenizin talep tahmini, raf ömrü modeli veya üretim ile dağıtım senkronu için bizimle iletişime geçin.
İlgili içerik: Perakendede yapay zeka · Veri yönetimi nedir? · AI otomasyon nedir?
Kaynaklar
- ReFED — "The Food Operating System: How AI is Being Deployed Across the Food System to Reduce Waste", Mayıs 2026 — https://refed.org/uploads/2026-refed-ai-report-final.pdf
- ReFED — "Progress on the Plate: 2026 ReFED U.S. Food Waste Report", 07.04.2026 (2024 verisi) — https://refed.org/uploads/2026-food-waste-report-design-final-1.pdf
- UNEP — "World squanders over 1 billion meals a day - UN report" (Food Waste Index Report 2024), 27.03.2024 — https://www.unep.org/news-and-stories/press-release/world-squanders-over-1-billion-meals-day-un-report
- COP31 Türkiye — Resmi site: 9-20 Kasım 2026 Antalya, 9 Kasım "Food, Agriculture and Health" tematik günü — https://cop31.tr/
- COP31 Programme (Sıfır Atık Vakfı) — "COP31 Programme: Antalya, 9–20 November 2026", 9 Kasım gıda israfı oturumları (WRAP ve ReFED dahil) — https://cop.sifiratikvakfi.org/en/cop31-programme/
- Posta — "Tarım Bakanlığı'ndan COP31'de 46 etkinlik! Bakan Yumaklı'dan tarım ve gıda arz güvenliği mesajı", 10.11.2026 — https://www.posta.com.tr/ekonomi/tarim-bakanligindan-cop31de-46-etkinlik-bakan-yumaklidan-tarim-ve-gida-arz-guvenligi-mesaji-3062934
- T.C. Tarım ve Orman Bakanlığı GKGM — "Gıda İsrafı Çalışma Grubu 12. Toplantısını Gerçekleştirdi", 02.10.2026 — https://www.tarimorman.gov.tr/GKGM/Haber/1368/Gida-Israfi-Calisma-Grubu-12-Toplantisini-Gerceklestirdi
Sıkça Sorulan Sorular
Gıda sektöründe yapay zeka fireyi rafta değil, üretim ve sevk kararı verilmeden önce azaltır. Talebi ürün, gün ve satış noktası bazında tahmin ederek fazla üretimi engeller, raf ömrü tahminiyle kısa ömürlü partiyi en hızlı dönen noktaya yönlendirir. Üretim, satış ve dağıtım aynı sayıyla çalıştığında imha, iade ve zorunlu indirim kaynağında küçülür.
Temel girdi ürün, satış noktası ve gün düzeyinde geçmiş satıştır; iade ve stok bitişi kayıtlarıyla birlikte tutulur. Üzerine hava durumu, bayram ve tatil takvimi, Ramazan ayı, kampanya ve fiyat bilgisi ile bölge ve kanal farkı eklenir. Verinin kusursuz olması şart değildir, ama aynı ürün ve gün anahtarında birleştirilebilmelidir.
Etiketteki tarih ürünün yasal ve kalite sınırını belirler; raf ömrü tahmini ise ürünün gerçekte ne kadar süre satılabilir kalacağını öngörür. Aynı gün üretilen iki parti, taşınma sıcaklığı ve depolama koşuluna göre farklı hızda yaşlanabilir. Yapay zeka sıcaklık geçmişi, sensör verisi ve satış hızıyla her partinin kalan ömrünü tahmin eder ve sevk sırasını ürünün gerçek durumuna göre belirler.
Kurabilir; başlangıç için büyük bir sistem yatırımı değil, tek ürün grubunun düzenli satış, iade ve stok verisi yeterlidir. En pahalı fire kalemi seçilir, birkaç haftalık pilotla model önerisi mevcut planla yan yana çalıştırılır ve sonuç fireyle ölçülür. Pilot değer üretirse model diğer ürün gruplarına ve bölgelere genişletilir.
Başarı modelin tahmin doğruluğuyla değil, gerçekleşen fire azalışıyla ölçülür. Proje öncesinde imha, iade, indirimli satış ve raf boşluğu ayrı ayrı kaydedilerek başlangıç çizgisi çıkarılır. Pilot boyunca bu dört gösterge birlikte izlenir; fireyi düşürüp raf boşluğunu artıran plan başarılı sayılmaz.

