Üretimde dijital ikiz: Unilever'in 40 yeni ikiz planı ve Türkiye'den örnekler
Unilever, beş fabrikada test ettiği yapay zekâ destekli dijital ikizleri Accenture ile 40'tan fazla yeni ikize taşıyor. Üretimde dijital ikiz kurarken hangi metrikler, hangi altyapı ve hangi eğitim gerekiyor? Türkiye'den Arçelik, Tekkan ve Ford Otosan örnekleriyle.
Dijital ikiz uzun süre fuar standlarında etkileyici bir 3D görsel olarak kaldı. Unilever'in 15 Ekim 2026'da Supply Chain Dive'a anlattıkları ise konuyu fabrika metriklerine indiriyor: Şirket, beş fabrikadaki deneyimini Accenture ile yaklaşık 40 sahaya taşırken ilk dersini "önce ölçülebilir hedef" olarak özetliyor [1]. Bu yazıda üretimde dijital ikiz uygulamalarını Unilever'in paylaştığı sonuçlarla inceliyor, Türkiye'den doğrulanmış örneklerle karşılaştırıyor ve bir fabrika yöneticisinin başlamadan önce sorması gereken soruları listeliyoruz.
Üretimde dijital ikiz nedir?
Unilever'in tanımıyla dijital ikizler, fabrika ekipmanının ve üretim hatlarının sanal modelleri; sahadaki fiziksel sistemlerden gelen canlı veriyi kullanarak makinelerin ve süreçlerin nasıl performans göstereceğini izliyor ve tahmin ediyor [2]. Unilever bu modelleri yapay zekâ içgörüleri ve "ajan" yetenekleriyle birleştirerek sorunları daha erken tespit etmeyi ve senaryoları daha hızlı simüle etmeyi hedefliyor [2].
Kısacası dijital ikiz bir görselleştirme projesi değil; sensör verisi, süreç modeli ve karar desteğinin birleştiği bir operasyon aracı.
Unilever ne açıkladı?
Unilever ve Accenture, Haziran 2026'da önümüzdeki 18 ay içinde 40'tan fazla yeni dijital ikiz kuracaklarını ve bunu küresel yaygınlaştırma için tekrar edilebilir bir şablona dönüştüreceklerini duyurdu [2]. Ekim'deki röportajda Unilever'in kişisel bakım tedarik zinciri yöneticisi Vicky Cuthbert, genişlemenin ABD, Polonya, Vietnam ve Hindistan'daki (iki saha) beş fabrikadan çıkan derslere dayandığını anlatıyor [1].
Accenture'ın rolü; bakım ihtiyacını tahmin eden, performansı iyileştiren ve ekiplerin daha hızlı aksiyon almasını sağlayan analitik ve yapay zekâ ajanlarını devreye almak. Basın bültenine göre sistem öğrendikçe ve çalışanların doğruluğa güveni arttıkça bazı ayarlamaları insan gözetimiyle otomatik yapabiliyor [2].
Beş fabrikadan paylaşılan sonuçlar (şirket verisi)
| Saha | Üretim | Paylaşılan sonuç |
|---|---|---|
| Raeford, ABD | Deodorant stick | Süreç akış kısıtlarının %95'ini öngörüyor; %20 daha az fire, %10 kapasite artışı [2] |
| Poznań, Polonya | Mayonez | Viskozite dalgalanması stabilize; küçük duruşlarda %20'ye varan, firede yaklaşık %30 azalma [2] |
| Gandhidham, Hindistan | Dove sabun | Dört yılda kalite kusurlarında %30 azalma (dağıtım merkezinde ölçülmüş) [2] |
| Haldia, Hindistan | Toz deterjan | Enerji ikizi; iki yılda termal enerji tüketiminde somut azalma (oran verilmedi) [2] |
| Cu Chi, Vietnam | Sıvı deterjan | Hammadde dozajında %1-2 premium bileşen tasarrufu [2] |
Bu rakamlar şirketin kendi bültenine dayanıyor; bağımsız denetim ayrıntısı paylaşılmadı. Yine de seçilen metrikler (fire, kapasite, kusur, enerji, hammadde) bir fabrikanın zaten izlediği KPI'lar; bu da ikizi bir iş sonucuna bağlamanın iyi bir örneği.
Unilever'in dört dersi
- Önce problemi ve metriği tanımlayın. Cuthbert'e göre ilk dönemde somut olarak ölçülebilen bir fayda sağladıklarından yeterince emin olmamışlar; şimdi tüm paydaşlar için hedefi baştan netleştirmeyi "inanılmaz önemli" buluyor [1].
- İnsanları hafife almayın. Unilever, planlama ve fabrika operasyonlarında çalışanların dijital becerilerini oyunlaştırılmış bir formatla geliştiren DigiEdge adlı bir program kurmuş [1].
- Özerkliği kademeli verin. Bugün ikizlerin önerdiği düzeltmeler uygulanmadan önce insan onayı gerektiriyor; düşük riskli süreçlerde ajanlar zaman zaman otonom hareket edebiliyor [1].
- Sahayı altyapıya göre seçin. Teknik olarak ileri fabrikalar tercih ediliyor; çünkü teknoloji altyapısı, siber güvenlik ve üretim sahasında veri toplayan sensörler gerekiyor [1].
Cuthbert'in en çok önemsediği vaat ise sensör verisine dayalı kestirimci bakım: ekipmanın ne zaman bakıma ihtiyaç duyacağını öngörüp duruşları ve yedek parça stoğunu yönetmek [1].
Türkiye'den üretimde dijital ikiz örnekleri
| Şirket | Süreç | Yaklaşım | Paylaşılan sonuç |
|---|---|---|---|
| Arçelik + Simularge | Buzdolabı iç gövdesi termoform | Mühendislik formülleri + simülasyon + gerçek zamanlı sensör verisi; bir fabrikada devreye alındı | Kalite arttı, hurda ve plastik tüketimi azaldı; yıllık 2 milyon doları aşan ilk tasarruf [3] |
| Tekkan Plastik (Kocaeli) | Plastik enjeksiyon | InjecTwin: makineden gerçek zamanlı veri, kalite tahmini, operatör yönlendirme | Hedef: OEE ve iyi parça oranını artırmak (Change2Twin programı) [4] |
| Ford Otosan + Haskoning | Yeni elektrikli ticari araç fabrikası tasarımı | Witness ile kestirimci simülasyon; kısa, orta ve uzun vadeli senaryolar | Önerilen tesis yatırımında %3 tasarruf; açılıştan 12 ay sonrasına kapasite planı [5] |
Arçelik vakasında termoform süreci yılda 20 bin tondan fazla plastik tüketiyor; bu yüzden küçük bir verim artışı bile büyük bir maliyet ve çevresel etki kalemine dönüşüyor [3]. Vakanın dersi Unilever'inkine benziyor: Nesnelerin interneti, PLC altyapısı ve mühendislik yetkinliği ikizin başarısında belirleyici olmuş [3].
Ford Otosan örneği ise ikizin yalnızca çalışan fabrikada değil, yatırım kararından önce de değer üretebileceğini gösteriyor [5]. Şirketin Kocaeli'deki yapay zekâ destekli enerji yönetimi projesini Ford Otosan MEGA AI APEM yazımızda ayrıntılı anlatmıştık.
Türkiye'deki üreticiler için ne anlama geliyor?
TÜİK'in 2026 verilerine göre yapay zekâ kullanan girişimlerin oranı bir yılda %7,5'ten %14'e çıktı; oran 250 ve daha fazla çalışanı olan girişimlerde %37,1, 10-49 çalışanlılarda ise %12,8 [6]. Yani ikiz gibi veri yoğun uygulamalar şimdilik büyük ölçekli üreticilerde yoğunlaşıyor.
KOBİ ölçeğinde doğru ilk adım genellikle ikizin kendisi değil, veri temelidir: Hangi makineden hangi veri alınıyor, MES ile ERP arasındaki akış nasıl? Bu sorular için KARDEMİR'in ISA-95 tabanlı Seviye 3 projesini ve dijital olgunluğu ölçmek için TÜBİTAK DDX+ rehberimizi okuyabilirsiniz.
Kontrol listesi: Üretimde dijital ikiz projesine başlamadan önce
- İkizin çözeceği tek bir problem ve KPI yazılı mı? (fire, duruş, kusur, enerji, hammadde)
- Bu KPI'ın bugünkü değeri (baz çizgi) ölçüldü mü?
- İlgili hatta yeterli sensör ve PLC verisi var mı, veri kesintisiz akıyor mu?
- OT ağı ve veri akışı için siber güvenlik kontrolleri tanımlandı mı?
- İkizin önerilerini kim onaylayacak; hangi düşük riskli ayarlar otomatik olabilir?
- Operatör ve mühendisler için eğitim planı var mı?
- Başarılı olursa diğer hatlara/fabrikalara taşınacak şablon belgeleniyor mu?
- Yatırım öncesi simülasyon (yeni hat, yeni tesis) seçeneği değerlendirildi mi?
Sıkça sorulan sorular
Üretimde dijital ikiz ne işe yarar?
Ekipmanın ve üretim hatlarının sanal modeli olarak canlı veriyle performansı izler ve tahmin eder [2]. Unilever örneğinde fire, kapasite, kalite kusuru, enerji ve hammadde kullanımı gibi KPI'larda iyileşme raporlandı [2].
Unilever kaç dijital ikiz kuracak?
Unilever ve Accenture, 18 ay içinde 40'tan fazla yeni dijital ikiz kurmayı planlıyor [2].
Dijital ikiz ile kestirimci bakım aynı şey mi?
Hayır. Kestirimci bakım, dijital ikizin en önemli kullanım alanlarından biri. Unilever'den Vicky Cuthbert, sensör verisine dayanarak ekipmanın ne zaman bakıma ihtiyaç duyacağını öngörmeyi en değerli vaat olarak görüyor [1].
Türkiye'de dijital ikiz kullanan üretici var mı?
Evet. Arçelik'in Simularge ile termoform sürecinde kurduğu ikiz yıllık 2 milyon doları aşan ilk tasarruf sağladı [3]; Tekkan Plastik enjeksiyonda InjecTwin'i geliştirdi [4]; Ford Otosan yeni fabrika tasarımını kestirimci simülasyonla doğruladı [5].
Dijital ikiz kararları otomatik mi uyguluyor?
Unilever'de şu an önerilen düzeltmeler insan onayı gerektiriyor; yalnızca düşük riskli bazı süreçlerde ajanlar otonom davranabiliyor [1].
Kaynaklar
- Supply Chain Dive, Antone Gonsalves, "Unilever puts business results first in factory digital twin rollout", 15 Ekim 2026. https://www.supplychaindive.com/news/unilever-puts-business-results-first-in-factory-digital-twin-rollout/833011/ (Erişim: 19 Ekim 2026)
- Unilever, "Unilever scales digital twins across global manufacturing network with Accenture", 16 Haziran 2026. https://www.unilever.com/news/press-and-media/press-releases/2026/unilever-scales-digital-twins-across-global-manufacturing-network-with-accenture/ (Erişim: 19 Ekim 2026)
- İstanbul Teknik Üniversitesi araştırma portalı, Nihan Yıldırım vd., "Digitalization of Manufacturing Processes with Startup Collaboration: Arçelik Developing a Digital Twin with Simularge" (kitap bölümü). https://research.itu.edu.tr/en/publications/digitalization-of-manufacturing-processes-with-startup-collaborat/ (Erişim: 19 Ekim 2026)
- Change2Twin Project, "Digital Twin in plastic injection manufacturing - meet Tekkan Plastic!", 1 Temmuz 2024. https://www.change2twin.eu/digital-twin-in-plastic-injection-manufacturing-meet-tekkan-plastic/ (Erişim: 19 Ekim 2026)
- Haskoning, "Ford Otosan achieves 3% savings using predictive digital twins". https://www.haskoning.com/en/projects/ford-otosan-and-predictive-digital-twins (Erişim: 19 Ekim 2026)
- Anadolu Ajansı, Mertkan Oruç, "Türkiye yapay zekayı en çok bilişimde, en az inşaatta kullanıyor" (TÜİK Yapay Zekâ İstatistikleri 2026), 3 Ekim 2026. https://www.aa.com.tr/tr/bilim-teknoloji/turkiye-yapay-zekayi-en-cok-bilisimde-en-az-insaatta-kullaniyor/4076782 (Erişim: 19 Ekim 2026)
