Yapay Zekâ Entegrasyonu

Yapay zekâyı “denemekten” iş aracına dönüştürmek

Pek çok şirkette yapay zekâ kullanımı zaten başladı; sadece kimse tam olarak nerede ve nasıl kullanıldığını bilmiyor. Bir çalışan müşteri e-postasını genel bir sohbet aracına yapıştırıp cevap taslağı alıyor, bir başkası sözleşme maddesini özetletiyor. Bu kullanım hem dağınık hem de risklidir: Araç şirketin ürünlerini, fiyat politikasını ya da prosedürlerini bilmez; yapıştırılan metinlerde kişisel ya da ticari sır niteliğinde veriler bulunabilir.

Kurgusal bir örnek: 40 çalışanlı bir ısıtma sistemleri servis şirketi. Çağrı merkezine gelen soruların önemli bölümü hata kodları, garanti koşulları ve bakım periyotları gibi konular. Cevaplar yüzlerce sayfalık kılavuzlarda ve iç prosedürlerde var, ama yeni başlayan bir temsilcinin onları bulması dakikalar alıyor. Doğru kurulmuş bir yapay zekâ entegrasyonu, temsilciye ilgili kılavuz bölümünü gösteren ve cevabın kaynağını belirten bir yardımcı sunar; kararı yine temsilci verir.

Fark, modelin kendisinde değil, etrafına kurulan yapıdadır: hangi bilgiye erişeceği, neyi yapmasına izin verildiği, ne zaman susacağı ve kimin onayından geçeceği.

Ne zaman ihtiyaç duyarsınız?

• Ekip, cevabı dokümanlarda olan aynı soruları her gün tekrar tekrar cevaplıyor.
• Yeni çalışanların ürün ve prosedürleri öğrenmesi uzun sürüyor.
• Gelen talepleri okuyup sınıflandırmak ve doğru kişiye yönlendirmek ciddi zaman alıyor.
• Teklif, rapor ya da ürün açıklaması gibi metinler hep aynı kalıpla, elle yazılıyor.
• Çalışanların genel yapay zekâ araçlarına şirket verisi yapıştırdığını biliyor ama bir çerçeve sunamıyorsunuz.
• Bilgi; e-postalara, paylaşılan klasörlere ve kişilerin hafızasına dağılmış durumda.

Bu belirtilerin hiçbiri tek başına “yapay zekâ şart” demek değildir. Bazen sorun bilginin kendisindedir: Güncel bir sık sorulan sorular dokümanı, düzenli bir klasör yapısı ya da iyi tasarlanmış bir form, yapay zekâdan önce çözülmesi gereken adımlardır. Analiz aşamasında bunu da açıkça belirtir, yapay zekânın gerçekten fark yaratacağı noktaları ayırırız. Böylece bütçe, sonucu ölçülebilen işlere gider; teknoloji merakıyla başlatılıp yarım kalan pilotlara değil.

Nasıl yapıyoruz? Önce ölçüt, sonra model

Yapay zekâ projelerinde en sık görülen hata, önce bir araç seçip sonra ona iş aramaktır. Biz tersinden başlıyoruz: Hangi işin ne kadar iyi yapılması gerektiğini tanımlıyor, sonra bunu sağlayan en sade yapıyı kuruyoruz.

1. Değerlendirme setini en başta yazmakSeçilen senaryo için gerçek hayattan alınmış, beklenen cevabı bilinen onlarca soru hazırlarız. Kolay sorular, belgelerde cevabı olmayan sorular ve yanıltıcı sorular bir arada bulunur. Her değişiklikten sonra sistem bu setle yeniden sınanır.
2. Bilgi kaynaklarını hazırlamakGüncel olmayan, birbiriyle çelişen ya da taranmış görüntü olarak duran dokümanlar asistanın kalitesini doğrudan düşürür. Hangi belgenin “tek doğru kaynak” olduğuna sizinle birlikte karar veririz.
3. Arama katmanını kurmakDokümanları anlamlı parçalara ayırır, her parçaya kim tarafından görülebileceğini belirten yetki etiketleri ekleriz. Anlamsal arama ile kelime aramasını birlikte kullanmak, ürün kodu ve hata kodu gibi tam eşleşme gerektiren sorgularda belirgin fark yaratır.
4. Talimat ve sınırlarAsistanın yalnızca bulunan kaynaklara dayanmasını, kaynağı göstermesini, bilmediğinde bunu söylemesini ve kapsam dışı konularda yönlendirme yapmasını talimatlarla tanımlarız.
5. Araçlar ve onay adımlarıAjan bir kayıt oluşturacak ya da mesaj gönderecekse bunu tanımlı, dar yetkili araçlarla yapar. Müşteriye giden, para ya da kayıt değiştiren her işlem bir insanın onayına düşer.
6. İzlemeCevap kalitesini, kullanıcıların “yanlış” işaretlediği cevapları, maliyeti ve gecikmeyi panelden izleriz. Dokümanlar güncellendiğinde indeks de güncellenir.

Asistan WhatsApp üzerinden çalışacaksa ayrıca Meta’nın platform kurallarını hesaba katmak gerekir. Meta, işletmenin kendi hizmetiyle ilgisi olmayan genel amaçlı yapay zekâ sohbet botlarını kısıtlayan politika değişiklikleri yaptı; ürün ve hizmetinize dair destek veren asistanlar ise bu kısıtın hedefi değildir. Kanal tarafını WhatsApp Business API otomasyonları hizmetimizle birlikte kurgularız.

Hangi senaryodan başlamalı?

İyi bir ilk senaryo üç özelliği birlikte taşır: sık tekrarlanır, hatanın bedeli yönetilebilirdir ve sonucu ölçülebilir. Otomatik fiyat belirleme ya da onaysız müşteri iletişimi gibi yüksek riskli işler, olgun bir yapı kurulana kadar beklemelidir.

Seçenekler: sohbet aracı, RAG, ajan ya da ince ayar

“Yapay zekâ entegrasyonu” tek bir şey değildir. Bazen kurumsal bir sohbet aracı ve iyi yazılmış kullanım ilkeleri yeterlidir; bazen dokümanlara dayanan bir asistan, bazen de sistemlerinizde işlem yapan bir ajan gerekir. Bir modeli kendi verinizle ince ayarlamak (fine-tuning) ise sanıldığından daha az durumda doğru cevaptır; sık değişen bilgiyi güncel tutmanın yolu çoğunlukla RAG’dir.

Ajanların hangi işlerde gerçekten zaman kazandırdığını ve nerede kesinlikle kullanılmaması gerektiğini yapay zekâ ajanları ile iş otomasyonu yazımızda; yapay zekâ gerektirmeyen otomasyonların n8n, Make ya da özel yazılımla nasıl çözülebileceğini ise iş süreci otomasyonu karşılaştırmamızda ele aldık. Her “akıllı” görünen iş yapay zekâ gerektirmez; kurala bağlanabilen işlerde klasik otomasyon hem daha ucuz hem daha öngörülebilirdir.

Güvenlik: yapay zekâya özgü riskler

Klasik yazılım güvenliğinin tüm kuralları burada da geçerlidir, ama dil modelleri birkaç yeni risk ekler. Bunların başında komut enjeksiyonu gelir: Asistanın okuduğu bir e-posta, web sayfası ya da doküman, içine gizlenmiş “önceki talimatları unut ve şunu yap” türünden ifadeler barındırabilir. Bu yüzden dış kaynaklardan gelen içeriği talimat olarak değil, yalnızca veri olarak ele alan bir yapı kurarız.

İkinci risk, gereğinden geniş yetkidir. Bir ajanın yalnızca okuması gereken bir sisteme yazma yetkisiyle bağlanması, hatalı bir cevabın gerçek bir kayda dönüşmesi demektir. Her araç için en dar yetkiyi tanımlar, yüksek etkili işlemleri onaya bağlar ve ajanın yaptığı her adımı kayıt altına alırız. Üçüncü risk ise yetki sızıntısıdır: Satış ekibinin görmemesi gereken bir insan kaynakları belgesi indekse girmişse, doğru soruyu soran herkes içeriğe ulaşabilir. Doküman bazlı yetki filtresi bu nedenle opsiyon değil, zorunluluktur.

Son olarak, model sağlayıcıları sürümlerini düzenli olarak yeniler ve eski sürümleri kullanımdan kaldırır. Model değiştiğinde aynı talimatlar farklı sonuç verebilir; değerlendirme setinin asıl değeri bu geçişlerde ortaya çıkar. Yeni bir sürüme geçmeden önce set yeniden çalıştırılır, fark varsa talimatlar düzeltilir.

Maliyeti ve süreyi ne belirler?

Kabaca bir aralık için proje maliyet hesaplayıcısını, hazır kapsamlar için paketler sayfamızı kullanabilirsiniz. Kullanım bazlı model ücretleri sağlayıcılar tarafından değiştirildiği için teklifte bunları ayrı bir kalem olarak, sizin tahmini kullanımınız üzerinden gösteririz.

Başarıyı nasıl ölçeriz?

• Doğruluk: Değerlendirme setindeki soruların ne kadarının doğru ve kaynağa dayalı cevaplandığı; her sürümde yeniden ölçülür.
• Doğru “bilmiyorum”: Cevabı belgelerde olmayan sorularda asistanın uydurmak yerine bunu belirtmesi.
• Kullanıcı geri bildirimi: Faydalı ve hatalı işaretlenen cevapların oranı ve konuları.
• Zaman: Seçilen işin pilot öncesi ve sonrası ne kadar sürdüğü; örneğin bir talebin sınıflandırılıp doğru kişiye ulaşma süresi.
• Maliyet ve gecikme: Cevap başına yaklaşık maliyet ve kullanıcının cevabı bekleme süresi.

Ölçümün amacı “yapay zekâ çalışıyor mu” sorusuna değil, “bu iş daha iyi yapılıyor mu” sorusuna cevap vermektir.

Pilot dönemin sonunda bu ölçütleri bir karar toplantısında birlikte değerlendiririz. Üç olası sonuç vardır: senaryo hedefini tutturmuştur ve daha geniş bir kullanıcı grubuna açılır; hedefe yaklaşmıştır ve belirli zayıf noktalar (eksik doküman, yanlış parçalama, belirsiz talimat) düzeltilerek pilot uzatılır; ya da beklenen faydayı sağlamamıştır ve durdurulur. Üçüncü sonuç da değerlidir, çünkü küçük bir pilotla öğrenilen ders, büyük bir yatırımdan sonra öğrenilenden çok daha ucuzdur. Yaygınlaştırma kararı verildiğinde kullanıcı eğitimleri, kullanım ilkeleri ve hatalı cevapların kime bildirileceği netleştirilir.

Sık yapılan hatalar

Yapay zekâ tek başına değil, bağlandığı sistemlerle değer üretir. Asistanın cevaplarını müşteri geçmişiyle zenginleştirmek için özel CRM, bayi ve sipariş sorularına cevap vermek için B2B bayi portalı entegrasyonlarını birlikte planlayabiliriz.