10 Nisan 2026
Restoranlar İçin Yapay Zeka: Nerede İşe Yarar, Ne Yapar, Ne Yapmaz
Restoranlar için yapay zeka, işletmenin kendi sipariş, menü, stok ve müşteri verisinden anlam çıkarıp işletmeciye somut öneriler ve hazır taslaklar sunan bir yardımcı sistemdir. Cuma akşamı kaç porsiyon adana hazırlanmalı, hangi ürün masada kalıyor ama mutfakta zaman yiyor, hangi müşteri üç haftadır uğramadı ve nasıl geri kazanılır gibi soruların cevabını verinin içinden çıkarır. Amaç işletmecinin yerine karar vermek değil, kararı kolaylaştıran net bir öneri ve onaylanmaya hazır bir taslak getirmektir.
Restoran işinde gün, tahmine dayalı yüzlerce küçük kararla geçer. Mutfak şefi kaç kilo et çözdüreceğine sezgiyle karar verir, işletmeci kampanyayı hisle başlatır, garson hangi ürünü önereceğini kendi alışkanlığıyla seçer. Bu kararların çoğu doğru çıkar; ama yüzde onu yanlış çıktığında atılan ürün, kaçan müşteri ve boşa ödenen mesai olarak faturaya yansır. Yapay zeka tam bu noktada, sezgiyi geçmiş veriyle besleyerek isabeti artırmayı hedefler.
Bu rehber, restoranlar için yapay zekanın gerçekten işe yaradığı alanları (talep tahmini, kampanya önerisi, menü kârlılığı, vardiya planı ve işletmeci asistanı) tek tek ele alıyor. Her başlıkta yapay zekanın ne yaptığını ve ne yapmadığını açıkça ayırıyor, RestApp'in mevcut özellikleriyle bağını kuruyor ve konuyu derinleştiren alt rehberlere yönlendiriyoruz. Şunu baştan net söyleyelim: RestApp'in yapay zeka özellikleri henüz canlı değil, erken erişimde geliştiriliyor; bu yazı neyin geldiğini ve hangi gerçek ağrıyı çözmek için tasarlandığını anlatıyor.
Kadıköy salı gününe göre %32 düşük. 2 saatlik happy-hour kampanyası taslağı hazırlayayım mı?
38 müdavim 90+ gündür sipariş vermedi. Geri kazanım kuponu göndereyim mi?
Mozzarella ~2 hafta içinde tükenebilir. 24 adet sipariş edeyim mi?
Restoranlar İçin Yapay Zeka Tam Olarak Nedir?
Restoranlar için yapay zeka, işletmenin zaten ürettiği veriyi okuyup işe yarar öneriye çeviren bir yardımcı sistemdir. Her sipariş, her iptal, her saatlik ciro, menüdeki her ürünün satış hızı ve maliyeti, sadakat üyesinin ziyaret aralığı; bunların hepsi bugün de kayıt altında. Fark şu: bu veri çoğu restoranda raporda durur, kimse oturup tek tek okumaz. Yapay zeka sistemı bu yığını tarar, anlamlı örüntüyü bulur ve 'şunu yapmayı düşünebilirsin' diyen kısa bir öneriye dönüştürür.
Pratikte üç tür çıktı üretir. Birincisi tahmin: geçmiş satışa, gün ve hava durumuna bakıp yarınki talebi öngörür. İkincisi öneri: 'bu ürünün porsiyon maliyeti yüzde sekiz arttı, fiyatı gözden geçir' gibi dikkat çeker. Üçüncüsü taslak: kampanya metni, menü açıklaması veya müşteriye gidecek geri kazanım mesajı gibi hazır bir ilk versiyon yazar. Üçünde de son söz işletmecidedir; sistem önerir, taslar, ama uygulamaz.
RestApp tarafında bu sistem sıfırdan değil, mevcut altyapının üzerine kuruluyor. Sipariş verisi komisyonsuz online sipariş ve adisyon & bulut POS akışından, maliyet verisi reçete ve maliyet motorundan, müşteri verisi sadakat & promosyon modülünden geliyor. Yani yapay zeka yeni bir veri toplama işi değil; halihazırda biriken veriden değer çıkarma işi. Konunun bütününe RestApp yapay zeka rehberinden bakabilirsiniz.
Talep Tahmini: Cuma Akşamı Kaç Porsiyon Hazırlanmalı?
Restoran sahibinin en pahalı tahmin hatası mutfakta yapılır. İstanbul'da orta ölçekli bir ev yemekleri lokantası düşünün; pazartesi günü 40 porsiyon kuru fasulye için bakliyat ıslatıyor, ama o gün hava yağmurlu ve sadece 24 porsiyon satılıyor. Kalan 16 porsiyonun maliyeti çöpe gidiyor. Tersi de oluyor: maç akşamı 60 porsiyon lahmacun bekleniyor, 95 sipariş geliyor, hamur bitiyor ve 35 müşteri 'kalmadı' cevabıyla geri çevriliyor. İki yönde de para kaybı var.
Talep tahmini sistemi, geçmiş satış geçmişini gün, saat, hava ve özel günlerle birlikte okuyarak yarın için ürün bazında bir aralık önerir: 'cuma akşamı 19.00-22.00 arasında adana için tahmini 70-85 porsiyon, geçen dört cumanın ortalaması ve bu haftanın trendine göre'. İşletmeci bu sayıyı mutfak hazırlığına, et çözdürmeye ve personel çağrısına temel alır. Tahmin kesin değildir, bir aralıktır; karar yine işletmecinindir.
Bu öngörü reçete ve maliyet verisiyle birleşince güçlenir, çünkü tahmini porsiyonu doğrudan kilo et, kilo soğan, adet pideye çevirebilir. Mutfak ekranı KDS tarafında ise gün içi sipariş hızını izleyerek tahminin tutup tutmadığını canlı gösterir. Gıda maliyetini düşürmenin yollarını ayrı bir rehberde derinleştiriyoruz; talep tahmini bu çabanın en üst halkasıdır.
Kampanya Önerisi: Doğru Zamanda, Doğru Ürüne
Çoğu restoran kampanyayı ya rakibe bakıp ya da ciro düştüğü için panikle başlatır. İkisi de kör atıştır. Ankara'da bir kafe sahibi salı öğleden sonra boş geçen saatleri görüp 'iki kahve alana tatlı yarı fiyatına' diye bir kampanya başlatabilir; ama o tatlının maliyeti zaten yüksekse, dolan masalar cebe para koymak yerine zarar yazdırır. Sorun kampanya fikrinde değil, hangi ürüne ve hangi saate konacağının verisiz seçilmesinde.
Yapay zeka sistemı burada iki şey yapar. Önce boşluğu bulur: hangi gün ve saatte masa doluluğu düşük, hangi ürünün satışı son üç haftada geriledi, hangi sadakat üyesi grubu uzaklaşmaya başladı. Sonra bu boşluğa uygun bir kampanya taslağı önerir; örneğin 'salı 14.00-17.00 arası, marjı yüksek filtre kahve + ev yapımı kurabiye comboyu yüzde 15 indirimle dene, tahmini etki şu' gibi. Metni de yazar, hedef kitleyi de işaretler.
Kritik nokta şudur: sistem kampanyayı kendi başına başlatmaz. Fiyatı değiştirmez, indirim kodunu canlıya almaz, mesajı göndermez. Hepsi işletmecinin önüne taslak olarak gelir; o okur, değiştirir, onaylar ya da çöpe atar. Onaylanan kampanya sadakat & promosyon modülü üzerinden yürür ve sonucu bulut raporlar'da ölçülür. Sadakat programını sıfırdan nasıl kuracağınızı ayrı rehberde anlatıyoruz.
Menü Kârlılığı: Hangi Ürün Para Kazandırıyor, Hangisi Yoruyor?
Bir menüdeki her ürün eşit değildir. Bazıları çok satar ama az kazandırır, bazıları az satar ama yüksek marjlıdır, bazıları hem az satar hem de mutfakta orantısız emek yer. İşletmecilerin çoğu hangi ürünün hangi kategoride olduğunu içgüdüyle bilir ama rakamla bilmez. Menü kârlılığı analizi, satış adedini porsiyon maliyetiyle çaprazlayıp her ürünü dört gruba ayırır: yıldızlar, beygirler, bilmeceler ve yükler.
Somut konuşalım. İzmir'de bir restoranda izgara köfte ayda 800 porsiyon satıyor ama porsiyon maliyeti yüksek olduğu için net 14 lira kazandırıyor; aynı menüdeki mercimek çorbası ayda 300 porsiyon satıyor ama porsiyon başına 22 lira kalıyor. Yapay zeka sistemı bu tabloyu çıkarıp 'köftenin porsiyon gramajını ya da fiyatını gözden geçir, çorbayı menüde daha görünür yap' gibi öneri verir. Menü mühendisliği denen bu işi elle yapmak saatler alır; veriyle dakikalar.
Bu analizin doğruluğu reçete ve maliyet yönetiminin sağlamlığına bağlıdır; reçete eksikse tahmin de eksik olur. RestApp'te ürün reçetesi ve güncel tedarik fiyatı girildikçe analiz keskinleşir. Menü açıklaması veya yeni fiyat etiketini QR e-menü üzerinden güncellemek de bir kalemde olur. Öneri her zaman önerdir; gramajı düşürme ya da fiyatı artırma kararını işletmeci verir.
Vardiya ve Operasyon: Personeli Talebe Göre Planlamak
Personel maliyeti, gıda maliyetinden sonra restoranın en büyük gider kalemidir ve en kolay israf edilenidir. Sakin bir salı öğleni dört garson çalışırken masaların yarısı boşsa, iki kişilik fazladan mesai cebe yazılır. Yoğun bir cumartesi akşamı iki kişi eksik çalışırsa, bu sefer yavaş servis, sinirli müşteri ve düşen bahşiş olarak geri döner. Doğru sayıda kişiyi doğru saatte sahada tutmak, tahmine dayalı klasik bir denge sorunudur.
Talep tahmini verisi vardiya planına bağlanınca, sistem 'cumartesi 20.00-23.00 arası beklenen yoğunluğa göre salonda 5, mutfakta 4 kişi öneriliyor; geçen üç cumartesinin ortalamasına göre' gibi bir taslak çıkarır. İşletmeci bu öneriyi izin durumuna, ekibin gücüne ve kendi bildiğine göre düzenler. Yapay zeka kimseyi işe çağırmaz, mesaiyi onaylamaz; sadece talebe uygun bir başlangıç planı koyar masaya.
Bu plan, mutfak ekranı KDS'ten gelen gerçek sipariş hızıyla zaman içinde daha isabetli hale gelir. Operasyonun bütününü dijitalleştirmek isteyenler için restoran dijitalleşme rehberi, vardiya planını da içeren geniş bir çerçeve sunuyor. Buradaki yapay zeka sistemi, o çerçevenin tahmin tarafını besleyen parçadır.
İşletmeci Asistanı: Veriyi Sormak, Yanıtı Türkçe Almak
Raporların en büyük sorunu, doğru soruyu sormayı bilmektir. İşletmeci 'bu ay neden kâr düştü' diye merak eder ama bunu bir tablo filtresine çevirmek için zaman ve alışkanlık ister. İşletmeci asistanı, bu soruyu düz Türkçe sorulduğunda veriden cevap çıkaran bir arayüz olarak tasarlanıyor: 'geçen aya göre en çok hangi ürünün satışı düştü', 'salı günleri ortalama masa süresi ne kadar', 'hangi sadakat üyeleri bir aydır gelmiyor' gibi.
Asistan yalnızca rakamı vermez; gerektiğinde bir sonraki adım için öneri ve taslak da sunar. Mesela 'bir aydır gelmeyen 120 sadakat üyesi var, onlara şu içerikte bir geri dönüş mesajı hazırladım, onaylarsan gönderilir' der. Mesajı yazmak, hedef kitleyi seçmek ve göndermeyi planlamak asistanın işidir; göndermek, yani son onay, işletmecinindir. Bu ayrım baştan sona korunur.
Asistanın gücü bağlı olduğu verinin genişliğinden gelir. Komisyonsuz online sipariş, adisyon & bulut POS ve bulut arka ofis aynı sistemde olduğu için asistan parçalı değil bütün bir resmi okuyabilir. Bu da onu, ayrı ayrı programlardan rapor toplayıp birleştiren bir asistandan çok daha kullanışlı kılar.
RestApp Yapay Zeka Henüz Canlı Değil: Erken Erişim Ne Anlama Geliyor?
Bu yazıda anlatılan talep tahmini, kampanya önerisi, menü kârlılığı, vardiya planı ve işletmeci asistanı; hepsi RestApp'in geliştirmekte olduğu yapay zeka sisteminın parçaları. Dürüst olmak gerekirse bu özellikler şu an müşterilerin panelinde hazır beklemiyor; erken erişimde, gerçek restoran verisiyle test edilerek olgunlaştırılıyor. 'Yakında' demek doğru, 'şu an mevcut' demek olmaz. Çıktıkça kademeli olarak açılacak.
Erken erişim, özellikleri canlıya almadan önce gerçek işletmelerle birlikte denemek demek. Çünkü restoran verisi karmaşıktır; aynı öneri bir kebapçıda işe yararken bir kafede yanlış çıkabilir. Bu yüzden sistem, önce sınırlı sayıda işletmeyle, öneri kalitesi güvenilir olana kadar test ediliyor. Amaç, çalışmadan önce gösterişli görünen değil, gerçekten doğru öneri veren bir sistem yayınlamak.
Bu süreçte değişmeyen iki ilke var. Birincisi: yapay zeka önerir ve taslar, karar ve onay her zaman işletmecidedir; sistem kendi başına fiyat değiştirmez, kampanya başlatmaz, sipariş vermez, mesaj göndermez. İkincisi: veri işletmeye aittir, KVKK ve GDPR uyumlu işlenir ve başka işletmelerle paylaşılan modelleri eğitmek için kullanılmaz. Bugünden değer üreten raporlar, reçete-maliyet ve sadakat altyapısını kullanmaya başlamak ise mümkün; ücretsiz deneyerek başlayabilirsiniz.
Öne çıkanlar
- Restoranlar için yapay zeka; talep tahmini, kampanya önerisi, menü kârlılığı, vardiya planı ve işletmeci asistanı gibi tahmine dayalı kararlarda işletmeciye öneri ve hazır taslak sunar.
- Yapay zeka önerir ve taslak hazırlar; fiyat değiştirme, kampanya başlatma, mesaj gönderme gibi her karar ve son onay her zaman işletmecide kalır.
- Öneri kalitesi mevcut verinin sağlamlığına bağlıdır; reçete-maliyet, sipariş ve sadakat verisi ne kadar düzgünse tahmin de o kadar isabetli olur.
- RestApp'in yapay zeka özellikleri henüz canlı değil; erken erişimde gerçek restoran verisiyle test edilerek geliştiriliyor ve çıktıkça kademeli açılacak.
- Veri işletmeye aittir, KVKK/GDPR uyumlu işlenir ve başka işletmelerin paylaşımlı modellerini eğitmek için kullanılmaz.
Sıkça sorulan sorular
RestApp'in yapay zeka özellikleri şu an canlı mı, ne zaman kullanabilirim?+
Hayır, henüz canlı değil. Talep tahmini, kampanya önerisi, menü kârlılığı analizi, vardiya planı ve işletmeci asistanı şu anda erken erişimde, gerçek restoran verisiyle test edilerek geliştiriliyor. Öneri kalitesi güvenilir hale geldikçe özellikler kademeli olarak açılacak. Bu süreçte raporlar, reçete-maliyet ve sadakat gibi mevcut özellikleri bugünden kullanmaya başlayabilirsiniz.
Kararı yapay zeka mı veriyor, yoksa ben mi?+
Kararı her zaman siz, yani işletmeci verirsiniz. Yapay zeka yalnızca öneri ve hazır taslak sunar; örneğin bir kampanya metni yazar veya bir fiyat gözden geçirmesi önerir. Ama fiyatı değiştirmek, kampanyayı başlatmak, mesajı göndermek ya da siparişi onaylamak için son söz sizdedir. Sistem hiçbir aksiyonu kendi başına uygulamaz.
Verim güvende mi, başka restoranlarla paylaşılır mı?+
Verileriniz size aittir ve KVKK ile GDPR'a uyumlu işlenir. Sipariş, menü, stok ve müşteri verileriniz yalnızca sizin işletmenize öneri üretmek için kullanılır; başka işletmelerle paylaşılan ortak modelleri eğitmek için kullanılmaz. Her işletmenin verisi kendi içinde kalır.
Yapay zeka önerileri için ayrı bir veri girmem mi gerekiyor?+
Hayır. Katman, RestApp'te zaten biriken veriyi kullanır: online sipariş ve adisyon-POS akışındaki satışlar, reçete-maliyet modülündeki ürün maliyetleri ve sadakat modülündeki müşteri geçmişi. Yeni bir veri toplama işi değil, mevcut veriden değer çıkarma işidir. Reçete ve fiyatlarınız ne kadar güncelse öneriler o kadar isabetli olur.
Talep tahmini ne kadar doğru olur?+
Talep tahmini kesin bir sayı değil, bir aralık verir; örneğin cuma akşamı için belli bir porsiyon aralığı önerir. Doğruluğu geçmiş veri miktarına, gün ve hava gibi değişkenlere ve menünün istikrarına bağlıdır. Sistem zaman içinde gerçekleşen satışlarla kendini düzelttikçe isabet artar. Yine de hazırlık ve personel kararını siz, kendi bilginizle birlikte verirsiniz.
Küçük bir işletmem var, yapay zeka sistemi bana da uygun mu?+
Evet. Yapay zeka asistanı özellikle, ayrı bir analiz ekibi olmayan küçük ve orta ölçekli işletmeler için tasarlanıyor; karmaşık raporları okuma yükünü düz Türkçe sorulara cevap vererek hafifletmeyi amaçlıyor. Tek koşul, RestApp üzerinden düzenli satış ve menü verisi biriktirmeniz. Veri biriktikçe öneriler sizin işletmenize özel hale gelir.
Siparişlerinizde komisyon ödemeyi bırakın
RestApp ile kendi komisyonsuz online sipariş sisteminizi başlatın.