Bir kurumsal yapay zeka projesine nereden başlanır? Hangi problemi seçmek, hangi verileri kullanmak, neyi test etmek gerekir? Bir müşteri destek senaryosu üzerinden, fikirden AI pilotuna ve canlı kullanıma kadar bir iş akışına nasıl yaklaştığımızı adım adım anlatıyoruz.
Orta ölçekli bir e-ticaret şirketini düşünelim. Müşteri destek ekibi her ay binlerce talep alıyor. Sipariş durumu, teslimat, değişim ve iade soruları bu trafiğin önemli bir bölümünü oluşturuyor. Yoğun dönemlerde yanıt süreleri uzuyor, çalışanlar aynı sorulara tekrar tekrar dönüyor ve şirket yapay zekanın burada ciddi bir verimlilik sağlayabileceğini düşünüyor.
İlk fikir çoğu zaman bilinen yerden çıkıyor: "Müşterilere cevap veren bir yapay zeka asistanı, yani bir AI agent geliştirelim."
Bu, konuşmayı başlatmak için iyi bir fikir olabilir. Fakat gerçek bir kurumsal yapay zeka projesi için hâlâ fazla geniş bir hedeftir. Çünkü müşteri hizmetleri tek bir iş değil; farklı bilgi kaynaklarının, kararların, istisnaların ve sorumlulukların birbirine bağlandığı onlarca küçük iş akışından oluşur.
Coyotiv'de bu nedenle projeye model veya araç seçerek değil, hangi işi daha iyi hale getirmeye çalıştığımızı anlayarak, yani gerçek bir iş akışını inceleyerek başlıyoruz.
1. Kurumsal yapay zeka projesine mevcut iş akışını anlayarak başlıyoruz
İlk aşamada müşteri destek ekibinin bugün nasıl çalıştığına bakıyoruz. Bir iade talebi geldiğinde çalışan ne yapıyor? Sipariş tarihini nereden kontrol ediyor? Hangi belgeye bakıyor? Ürün kategorisine göre farklı bir kural uygulanıyor mu? Hangi talepler başka bir ekibe aktarılıyor?
Dışarıdan bakıldığında "müşterinin iade sorusunu cevaplamak" tek bir görev gibi görünebilir. Yakından bakıldığında ise bunun birkaç küçük karardan oluştuğu görülür.
Çalışan önce müşterinin ne istediğini anlamaya çalışır, ardından sipariş tarihini kontrol eder, ürünün hangi kategoriye girdiğini belirler ve güncel iade politikasını bulur. Kampanyalı ürünlerde farklı kurallar devreye girebilir. Bazı durumlarda destek ekibinin başka bir departmandan onay alması gerekir.
Burada bizim için önemli olan yalnızca sürecin adımlarını çıkarmak değil. Çalışanların iş sırasında verdiği, çoğu zaman yazılı olmayan kararları da görünür hale getirmek. Çünkü geliştirilecek yapay zeka asistanı daha sonra tam olarak bu kararlarla karşılaşacaktır.
Bu aşama aynı zamanda şirketin kendi süreçlerini yeniden görmesini sağlar. "Biz bunu zaten biliyoruz" denilen işlerin kişiden kişiye farklı yürütüldüğü, bazı kuralların yalnızca ekip içinde bilindiği veya aynı durumun farklı çalışanlar tarafından farklı biçimde ele alındığı sıkça ortaya çıkar. Böyle bir tablo varsa, yapay zekayı mevcut sürecin üzerine eklemekten önce o sürecin kendisini netleştirmek gerekir.
2. Büyük hedefi test edilebilir bir AI kullanım alanına çeviriyoruz
"Müşteri hizmetlerini yapay zekayla dönüştürmek" iyi bir vizyon cümlesidir. Ancak sağlıklı bir AI pilotu için fazla geniştir. Bu yüzden ilk kullanım alanını daraltıyoruz. Örneğin hedefi şöyle tanımlayabiliriz:
Standart iade taleplerinde, şirketin onaylı politikalarına dayanarak destek çalışanı için yanıt taslağı hazırlayan bir yapay zeka asistanı.
Bu tanım projenin sınırlarını bir anda daha görünür hale getirir. Asistan ilk aşamada müşteriye doğrudan cevap vermez. Destek çalışanı için bir taslak hazırlar. İade dışındaki konulara girmez. Yalnızca belirlenmiş bilgi kaynaklarını kullanır. Yeterli bilgiye sahip olmadığı durumlarda ise tahminde bulunmak yerine bunu belirtir veya talebi bir çalışana bırakır.
Bu sınırlar projeyi küçültmez. Tam tersine, neyin çalışıp neyin çalışmadığını gerçekten ölçebileceğimiz bir alan yaratır.
Kurumsal yapay zeka projelerinde kapsam ne kadar belirsizse başarı da o kadar kolay ilan edilir. "AI müşteri hizmetlerinde işe yarıyor" demek kolaydır. "Standart iade taleplerinde kontrol süresini yüzde X azaltıyor, ancak kampanyalı ürünlerde hâlâ insan müdahalesine ihtiyaç duyuyor" demek ise gerçek bir proje sonucudur. Bizim aradığımız da ikincisidir.
3. Yapay zekadan önce şirketin bilgi kaynaklarını inceliyoruz
Bir AI agent'ın vereceği yanıt, büyük ölçüde erişebildiği bilginin kalitesine bağlıdır. Bu nedenle prototipe geçmeden önce destek ekibinin kullandığı iade politikalarını, yardım merkezi içeriklerini, ekip içi dokümanları ve varsa geçmiş müşteri yanıtlarını inceliyoruz.
Çoğu zaman ilk sürpriz burada çıkıyor. Aynı klasörde geçen yılın ve bu yılın kampanya koşulları birlikte tutuluyor olabilir. Web sitesindeki yardım merkezi güncellenmişken ekip içindeki PDF eski kalmış olabilir. Çalışanların yıllardır uyguladığı bazı istisnalar ise hiçbir belgede yer almıyor olabilir.
Bir insan, deneyimine dayanarak hangi kaynağın güncel olduğunu çoğu zaman anlayabilir. Bir yapay zeka sistemine birbirleriyle çelişen belgeleri birlikte verdiğinizde ise aynı varsayımı yapmak risklidir.
Bu nedenle hangi kaynağın güvenilir kabul edildiğini, kimin güncel tuttuğunu ve eski bilgilerin nasıl devre dışı bırakıldığını netleştirmek gerekir. Burada proje çoğu zaman yalnızca bir yapay zeka uygulaması olmaktan çıkar ve şirketin bilgi yönetimine de dokunmaya başlar.
Bu, projenin yolundan çıktığı anlamına gelmez. Tam tersine, AI sisteminin neden güvenilir olup olmayacağını erken aşamada ortaya çıkarır.
4. AI prototipini gerçek müşteri vakalarıyla test ediyoruz
Bilgi kaynakları netleştikten sonra ilk prototipi kurmaya başlayabiliriz. Buradaki amaç etkileyici bir demo hazırlamak değildir. Sistemin gerçek işin karmaşasıyla karşılaştığında nasıl davrandığını görmek çok daha değerlidir.
Bu nedenle test setini yalnızca kolay örneklerden oluşturmuyoruz. "Ürünü dün aldım, iade edebilir miyim?" gibi açık soruların yanında daha belirsiz vakalar da kullanıyoruz. Müşteri kampanyalı bir ürün almış olabilir. Sipariş tarihini yazmamış olabilir. Aynı mesajda hem iade hem değişim sorusu sorabilir. Ürün kategorisi net olmayabilir.
Bir yapay zeka asistanının bu taleplere verdiği son yanıt önemli, fakat tek başına yeterli değildir. Doğru kaynağı kullandı mı? Eksik bilgiyi fark etti mi? Bilmediği durumda tahmin yürüttü mü? İnsan müdahalesi gereken noktayı doğru belirledi mi? Hazırladığı taslağı kontrol etmek çalışan için gerçekten daha kolay mıydı? Bunların her biri sistemin günlük işe ne kadar uygun olduğuna dair ayrı bir işaret verir.
Örneğin prototip yanıtların yüzde 90'ında başarılı olabilir. Kalan yüzde 10'un niteliğini bilmeden bu oran çok şey anlatmaz. Bir cümlenin üslubunu düzeltmekle müşteriye yanlış bir iade hakkı tanımak aynı tür hata değildir. Değerlendirme de yalnızca "doğru veya yanlış" üzerinden değil, hatanın etkisi üzerinden yapılır.
5. AI pilotunda yalnızca hızı değil, işin tamamını ölçüyoruz
Yapay zeka projelerinde ilk gösterilen kazanım genellikle hızdır. Destek çalışanının dört dakikada hazırladığı bir yanıtı sistem yirmi saniyede üretiyorsa sonuç etkileyici görünür. Ancak çalışan taslağı iki dakika kontrol ediyor, doğru kaynağı yeniden doğruluyor ve yanıtların önemli bir bölümünü düzeltiyorsa gerçek kazanım ilk bakışta görüldüğünden daha sınırlı olabilir.
Bu nedenle AI pilotunda yalnızca üretim süresine bakmıyoruz. Asıl soru şu:
Bu iş artık gerçekten daha iyi mi yapılıyor?
Bunu anlamak için yanıtın hazırlanma süresini, kontrol ve düzeltme yükünü, hata türlerini, insan müdahalesinin ne kadar sık gerektiğini ve mümkünse operasyonel maliyeti birlikte değerlendiriyoruz.
Bazı talep türlerinde yapay zeka asistanı gerçekten ciddi zaman kazandırabilir. Bazılarında ise çalışanın doğrudan yanıt vermesi hâlâ daha hızlı ve güvenilir olabilir. Bu ayrım önemli, çünkü iyi tasarlanmış bir AI pilotunun amacı yapay zekanın her yerde işe yaradığını kanıtlamak değildir. Nerede değer ürettiğini, nerede sınırlandığını ve hangi koşullarda güvenilir biçimde kullanılabileceğini ortaya çıkarmaktır. Bazen pilotun en değerli sonucu, bir kullanım alanının beklediğimiz kadar iyi olmadığını erkenden görmek olabilir.
6. AI pilotunun sonunda teknoloji değil, kullanım kararı veriyoruz
Birkaç tur testten sonra sistem hakkında çok daha gerçekçi bir tablo oluşmaya başlar. Örneğin standart iade taleplerinde AI agent'ın güvenilir biçimde taslak hazırladığı ve destek ekibinin toplam yanıt süresini azalttığı görülebilir. Kampanyalı ürünlerde ise kurallar daha değişken olduğu için insan kontrolünün hâlâ gerekli olduğu ortaya çıkabilir.
Eksik bilgi içeren taleplerde sistem müşteriden ek bilgi isteyebilir. Bazı özel ürün kategorileri ise şimdilik tamamen kapsam dışında bırakılabilir.
Bu noktaya geldiğimizde artık elimizde "AI güzel çalışıyor" gibi genel bir değerlendirme yoktur. Hangi durumda, hangi bilgi kaynaklarıyla ve ne kadar insan kontrolü altında kullanılabileceği tarif edilmiş bir iş akışı vardır.
Şirket standart iadeler için sınırlı bir canlı pilot başlatabilir. Kampanyalı ürünleri bir süre daha test ortamında bırakabilir. Bazı senaryolar için yeni entegrasyonlara ihtiyaç olduğunu görebilir.
Canlı kullanım kararı verildiğinde projenin başka bir aşaması başlar. Artık mesele yalnızca sistemi geliştirmek değil, onu işletmektir.
İade politikası değiştiğinde hangi kaynak güncellenecek? Bunun sorumlusu kim olacak? Yanıtların kalitesini kim takip edecek? Model, prompt veya bilgi kaynağı değiştiğinde testler yeniden çalıştırılacak mı? Sistem sorun yaşarsa destek ekibi mevcut çalışma biçimine nasıl dönecek? Bir yapay zeka projesinin sürdürülebilirliği çoğu zaman bu sorulara verilen cevaplarla belirlenir.
Kurumsal yapay zeka eğitimi bu sürecin neresinde?
Coyotiv'de kurumsal yapay zeka eğitimini projeden ayrı, önce tamamlanması gereken teorik bir aşama olarak görmüyoruz. Öğrenme ve uygulama birlikte ilerliyor.
Destek ekibi yapay zeka sistemlerinin nasıl çalıştığını öğrenirken kendi iş akışını analiz ediyor. Prototip geliştirilirken prompt tasarımını ve bilgi kaynaklarının sisteme nasıl bağlandığını görüyor. Test aşamasında iyi bir çıktının nasıl değerlendirileceğini öğreniyor. Pilot ilerledikçe de insan kontrolünün nerede gerekli olduğunu, sistemin sınırlarını ve bakım ihtiyacını daha iyi anlıyor.
Bu yaklaşımın önemli bir sonucu var: Proje, dışarıdan gelen bir ekibin kurup teslim ettiği bir kara kutuya dönüşmüyor. Şirketin kendi çalışanları sistemin neden böyle tasarlandığını, hangi koşullarda güvenilir olduğunu ve hangi noktada insana ihtiyaç duyduğunu biliyor.
Bu yüzden kurumsal yapay zeka eğitimini tek günlük bir kurs olarak görmemek bizim için yalnızca eğitim tasarımıyla ilgili bir tercih değil. Gerçek bir AI sisteminin kurum içinde nasıl sahiplenileceğiyle de doğrudan ilişkili.
Kurumsal yapay zeka projesinin sonunda ne elde edilir?
İyi ilerleyen bir kurumsal yapay zeka projesinin sonunda yalnızca etkileyici bir demo veya eğitim sunumu kalmaz.
Müşteri destek örneğinde şirketin elinde gerçek vakalarla test edilmiş bir iş akışı, sistemin kullanacağı onaylı bilgi kaynakları, değerlendirme senaryoları, insan müdahalesinin gerektiği noktalar, pilot sonuçları ve sonraki aşamayı gösteren bir yol haritası bulunur.
Sistem belki belirli talep türlerinde canlı kullanıma hazırdır. Belki birkaç teknik entegrasyona daha ihtiyaç vardır. Belki de testler, beklenen verimlilik artışının oluşmadığını göstermiştir. Bu sonuçların üçü de değerlidir.
Çünkü kurumsal yapay zeka projelerinde amaç, mümkün olan her sürece AI eklemek değildir. Amaç, hangi işlerin yapay zekayla gerçekten daha iyi yapılabildiğini bulmak ve bunu güvenilir, ölçülebilir ve sürdürülebilir biçimde günlük işin parçası haline getirmektir.
Coyotiv'in kurumsal yapay zeka eğitimleri ve uygulama desteği bu süreci kurumun kendi ekipleri, araçları ve gerçek iş akışları etrafında şekillendiriyor.
Kurumsal yapay zeka projeleri hakkında sık sorulan sorular
Kurumsal yapay zeka projesine nereden başlanır?
En sağlıklı başlangıç, kullanılacak modeli veya aracı seçmekten önce çözülmek istenen iş problemini ve mevcut iş akışını anlamaktır. İşin bugün nasıl yapıldığı, hangi kararların verildiği, hangi bilgi kaynaklarının kullanıldığı ve sürecin nerede zorlandığı netleştiğinde yapay zekanın gerçekten değer sağlayabileceği alanlar daha kolay görülebilir. Araç ve model seçimi bu çerçeve oluştuktan sonra daha somut bir karara dönüşür.
Bir AI pilotu ne kadar sürer?
Tek bir süre vermek mümkün değildir. İş akışının karmaşıklığı, veri ve sistem erişimleri, entegrasyon ihtiyacı ve kurum içindeki onay süreçleri takvimi doğrudan etkiler. Bununla birlikte birkaç haftaya yayılan kontrollü bir pilot, birçok kullanım alanında sistemin gerçek örnekler karşısındaki performansını ve kullanım sınırlarını görmeye başlayacak kadar veri sağlayabilir. Pilotun süresinden çok, hangi sorulara cevap vermesi gerektiğinin baştan belirlenmiş olması önemlidir.
Yapay zeka projesinin başarılı olduğu nasıl anlaşılır?
Başarı yalnızca yapay zekanın bir işi ne kadar hızlı yaptığıyla ölçülmez. Çıktının kalitesi, insanın kontrol ve düzeltme için harcadığı süre, hata türleri, istisnaların sıklığı ve işin toplam maliyeti birlikte değerlendirilmelidir. Gerçek kazanç, modelin ne kadar hızlı yanıt verdiğinden çok iş akışının tamamının ne kadar iyileştiğinde görülür. Bu yüzden ölçütleri pilot başlamadan, işin bugünkü durumunu ölçerek belirlemek gerekir.
AI agent müşteriye doğrudan cevap vermeli mi?
Her kullanım alanında değil. Özellikle yeni veya yüksek riskli bir sistemde, AI agent'ın ilk aşamada çalışan için taslak üretmesi ve insan kontrolü altında kullanılması daha ölçülebilir bir başlangıç sağlar. Sistem gerçek vakalarla test edilip sınırları daha iyi anlaşıldıkça, uygun senaryolarda otomasyon seviyesi kademeli olarak artırılabilir. Hangi vakaların doğrudan yanıtlanabileceğine pilot verisi ve hata türleri üzerinden karar verilir.