E-Ticarette Agentic AI ve Kişiselleştirme: Öneri Motorundan Alışveriş Ajanına

TL;DR — 2026'da e-ticaretteki en büyük kırılma, "size bir şeyler öneren" sistemlerden "sizin adınıza akıl yürütüp harekete geçen" ajanlara geçiş. Ben sahada bunu şöyle özetliyorum: klasik öneri motoru bir vitrin, agentic yapay zeka ise bir satış danışmanı. Bu yazıda öneri motorlarından alışveriş ajanlarına uzanan yolu, hiper-kişiselleştirmenin mimarisini (katalog üzerinde RAG, vektör arama, guardrail'lar, insana devir), KVKK ve EU AI Act'in getirdiği sınırları, ROI'yi nasıl ölçeceğinizi ve Türkiye pazarına özel bir yol haritasını anlatıyorum. Kısacası: teknoloji hazır, asıl mesele onu güvenli ve ölçülebilir biçimde kurmak.

Yıllardır e-ticaret ekipleriyle çalışıyorum ve her yeni teknoloji dalgasında aynı cümleyi duyuyorum: "Bu sefer her şey değişecek." Çoğu zaman abartıydı. Ama size dürüst olayım: agentic yapay zeka konusunda ihtiyatlı bir heyecan duyuyorum, çünkü ilk kez bir teknoloji sadece daha iyi tahmin yapmakla kalmıyor, tahmininin üzerine eyleme geçebiliyor.

Klasik öneri motorunu düşünün. Yıllarca kurumlara "collaborative filtering", "matrix factorization", "embedding tabanlı benzerlik" gibi teknikleri anlattım. Bu sistemler harikaydı ve hâlâ değerli. Ama temelde hepsi tek bir şeyi yapıyordu: bir olasılık hesaplıyordu. "Bu ürünü alan kişilerin yüzde şu kadarı şunu da aldı." Sonra o olasılığı bir vitrine, bir e-postaya, bir "sizin için seçtiklerimiz" bloğuna yerleştiriyordu. Karar hâlâ tamamen müşterinindi.

Agentic yapay zeka bu denklemi değiştiriyor. Artık sistem sadece "şunu önerebilirim" demiyor; katalog verisini, kullanıcının bağlamını, stok durumunu, kargo sürelerini ve hatta fiyat dalgalanmasını aynı anda değerlendirip bir muhakeme yapıyor ve ardından bir eylem planı çıkarıyor. "Bu müşteri geçen ay koşu ayakkabısı aldı, şimdi maraton için antrenman videoları izliyor, deposunda ter emici çorap yok, bu ürün stokta ve iki gün içinde teslim edilebilir — o hâlde şu paketi öner, şu soruyu sor, gerekirse indirimi devreye al." İşte fark bu.

Konuyu netleştirmek için sahada kullandığım basit bir ayrımı paylaşayım.

"

Klasik kişiselleştirme "ne göstereceğini" bilir. Agentic kişiselleştirme "ne yapacağını" bilir.

Bu tek cümle, aslında bütün dönüşümü özetliyor. Ama detaya inelim, çünkü şeytan detayda.

Klasik bir öneri sistemi genelde şu bileşenlerden oluşur: kullanıcı-ürün etkileşim matrisi, bir benzerlik veya sıralama modeli, bir de bunları arayüze basan bir servis. Model çevrimdışı eğitilir, günde bir veya birkaç kez yenilenir, sonuç bir listedir. Sistem "reaktif" değildir; o an ne olduğuyla değil, geçmişte istatistiksel olarak ne olduğuyla ilgilenir.

Agentic bir yapı ise "reaktif" ve "hedef odaklı" çalışır. Ona bir hedef verirsiniz ("bu müşterinin sepet dönüşümünü artır" ya da "bu iade talebini çöz") ve ajan o hedefe ulaşmak için bir dizi adım atar: bilgi toplar, katalogda arama yapar, stok API'sini sorgular, müşteriye soru sorar, bir öneri oluşturur, gerekirse başka bir sisteme yazar. Yani bir öneri motoru bir fonksiyonsa, ajan bir süreç.

Bu ikisini karşıt görmek yanlış olur. Ben kurumlara hep şunu söylüyorum: agentic katman, öneri motorunuzu ortadan kaldırmaz; onu bir araç olarak kullanır. Vektör arama, embedding'ler, collaborative filtering skorları — bunların hepsi ajanın elindeki aletlerdir. Ajan bu aletleri ne zaman ve nasıl kullanacağına karar veren zekâdır.

Teoriyi bırakıp sahaya inelim. 2026'da e-ticarette agentic yapay zekayı nerelerde somut olarak görüyorum, tek tek anlatayım.

Otonom alışveriş ve asistan ajanları

En görünür değişim burada. Müşteri artık kutu içine anahtar kelime yazıp filtre daraltmıyor; doğal dille konuşuyor. "12 yaşındaki yeğenime, kodlamaya yeni başlayan birine hediye arıyorum, bütçem 1500 lira" diyor. Klasik arama bu cümleyle boğulurdu. Ajan ise bunu bir brief olarak okuyor: yaş grubu, ilgi alanı, bütçe, hediye bağlamı. Katalogda arama yapıyor, birkaç seçenek çıkarıyor, "kitap mı yoksa fiziksel bir set mi tercih edersiniz" diye soruyor, sonra daraltıyor. Bu bir arama değil, bir diyalog.

Bir adım ötesi de var: müşterinin kendi ajanının satıcının sistemiyle konuşması. Kullanıcı kendi asistanına "aylık kahve stoğumu yönet, bitmeden sipariş ver" diyor ve o asistan e-ticaret sitesiyle etkileşime giriyor. Bu senaryo 2026'da hâlâ erken aşamada ama Türkiye'deki büyük pazar yerlerinin bu yöne baktığını görüyorum. Sizin için önemli soru şu: siteniz bir insana mı yoksa bir ajana mı satış yapmaya hazır? İkisi çok farklı arayüz ve API disiplini gerektiriyor.

Konuşmaya dayalı ticaret (conversational commerce)

WhatsApp, Instagram DM, web sohbeti — Türkiye'de müşterinin markayla konuştuğu kanallar bunlar. Yıllardır bu kanallar ya insan temsilciyle ya da kısıtlı "buton menülü" botlarla dönüyordu. Agentic yapı burada devrim yaratıyor çünkü ajan hem serbest konuşmayı anlıyor hem de arkada gerçek işlemleri yürütüyor: sipariş durumu sorgulama, ürün önerme, sepete ekleme, ödeme linki gönderme. Ben bunu kurumlara anlatırken "satış noktasını müşterinin zaten olduğu yere taşıyorsunuz" diyorum. Müşteri siteye gelmiyor; siz onun sohbetine gidiyorsunuz.

Önerilerin hiper-kişiselleştirilmesi

Klasik kişiselleştirme segment bazlıydı: "bu kullanıcı 'spor meraklısı' segmentinde, ona spor ürünleri göster." Hiper-kişiselleştirme ise segmenti bir kişiye indirger. Ajan, o kişinin gezinme bağlamını, mevsimi, hava durumunu, geçmiş iadelerini, hatta o anki niyetini (satın almaya mı yakın, sadece göz mü atıyor) değerlendirir. Aynı ürünü iki farklı müşteriye tamamen farklı bir dille, farklı bir gerekçeyle sunar. Birine "yağmurlu havada bile nefes alan kumaş", diğerine "bu fiyata bu dayanıklılık nadir bulunur" der.

Burada bir uyarı yapmalıyım, çünkü sahada en çok gördüğüm hata bu: hiper-kişiselleştirme çekici bir cazibe ama KVKK açısından en riskli alan. Ne kadar veriyle kişiselleştirirseniz, o kadar açık rıza ve şeffaflık borcunuz doğar. Buna birazdan detaylıca gireceğim.

Dinamik fiyatlandırma desteği

Dikkat: "dinamik fiyatlandırma" değil, "dinamik fiyatlandırma desteği". Bu ayrımı özellikle vurguluyorum. Türkiye'de TL'nin oynaklığı, tedarik maliyetlerindeki dalgalanma ve rakip fiyatların saatlik değişmesi, fiyat kararlarını zorlaştırıyor. Agentic yapı burada müthiş bir analist olabilir: rakip fiyatlarını izler, marj hedeflerinizi bilir, stok yaşını değerlendirir, talep esnekliğini tahmin eder ve bir öneri çıkarır. Ama son kararı — özellikle etik ve yasal nedenlerle — bir insana bıraktırmanızı şiddetle tavsiye ederim. Kişiye özel fiyat farklılaştırması, ayrımcılık ve KVKK sınırlarına çok hızlı çarpar. Ben ajanı burada bir "co-pilot" olarak konumlandırıyorum, otopilot olarak değil.

Müşteri hizmetleri ajanları

Belki de en olgun ve en yüksek ROI'li alan bu. İade nerede, kargom nerede, bu ürün bana uyar mı, faturamı nasıl alırım — bu soruların çok büyük kısmı tekrara dayalı. İyi kurulmuş bir hizmet ajanı bunların önemli bir bölümünü insan temsilciye hiç düşürmeden çözebiliyor. Burada anahtar kelime "iyi kurulmuş": arkada sipariş sistemine, kargo takibine, iade politikasına erişimi olan; bilmediğinde uydurmayan; ve kritik anda insana devreden bir ajan.

Katalog zenginleştirme

Bu, müşterinin hiç görmediği ama dönüşümü doğrudan etkileyen sessiz kahraman. Binlerce ürününüz varsa, açıklamaların yarısı eksik, yarısı kötü, kategori etiketleri tutarsızdır. Agentic yapı ürün görselinden ve ham verisinden zengin açıklama üretir, eksik nitelikleri (renk, malzeme, beden tablosu) çıkarır, SEO uyumlu metin yazar, hatta ürünleri doğru kategoriye yerleştirir. Bir müşterimde bu tek başına arama içi dönüşümü hissedilir biçimde artırdı, çünkü daha zengin katalog daha iyi arama demek.

İade ve lojistik otomasyonu

İade, e-ticaretin gizli maliyet merkezidir. Ajan burada iade nedenini anlar, uygunluğu politikayla karşılaştırır, en uygun iade yöntemini önerir (bazen "iade etmeyin, şu kuponla tutun" bile en kârlı seçenektir), kargo etiketini oluşturur ve müşteriyi bilgilendirir. Lojistik tarafında da teslimat tahminlerini iyileştirir, gecikmeleri önceden haber verir. Bu, hem maliyeti düşürür hem de müşteri memnuniyetini artırır — nadir bir kazan-kazan.

Şimdi teknik ekibinizin gerçekten merak ettiği kısma gelelim. Ben bir e-ticaret ajanını kurarken zihnimde şu katmanları çiziyorum.

Katalog üzerinde RAG. Ajanın kalbi, ürün kataloğunuz üzerinde çalışan bir Retrieval-Augmented Generation yapısıdır. Ürün açıklamaları, nitelikler, yorumlar, SSS'ler ve politika belgeleri parçalanır (chunking), embedding'lere dönüştürülür ve bir vektör veritabanına yazılır. Ajan bir soru aldığında önce ilgili bilgiyi getirir, sonra o bilgiye dayanarak cevap üretir. Bunun kritik faydası şu: ajan "hayal" kurmaz; kataloğunuzda gerçekten olan bilgiye dayanır. Fiyat, stok, teslim süresi gibi hızlı değişen veriler ise embedding'e değil, canlı API çağrılarına bağlanmalıdır — bunları vektör aramada tutmak eskimiş bilgi felaketine yol açar.

Vektör arama ve hibrit arama. Sadece anlamsal (semantic) arama yetmez. "Nike 42 numara siyah" gibi sorgularda anahtar kelime eşleşmesi de gerekir. Bu yüzden hibrit arama — anlamsal artı sözlüksel (BM25 gibi) — sahada en sağlam sonucu veriyor. Ekibinize bunu özellikle hatırlatın.

Araç kullanımı (tool use). Ajan, tanımlı araçları çağırabilmeli: stok sorgula, sipariş getir, kargo takip et, iade başlat, sepete ekle. Her araç net bir girdi-çıktı sözleşmesiyle tanımlanır. Ajanın gücü buradan gelir; muhakeme ile eylemi birleştiren nokta budur.

Guardrail'lar. Bu benim üzerine en çok bastığım konu. Ajan ne yapabilir, ne yapamaz — bunu net kurallarla çerçevelemek zorundasınız. Örneğin: belli bir tutarın üzerinde indirim veremesin; sağlık iddiası kuramasın; müşterinin kişisel verisini gereksiz açığa vurmasın; emin olmadığında uydurmasın. Guardrail'lar hem giriş (kullanıcının ne sorabileceği) hem çıkış (ajanın ne söyleyebileceği) tarafında olmalı.

İnsana devir (human handoff). Hiçbir ajan yüzde yüz değildir ve olmasını da beklememelisiniz. Kritik olan, ajanın ne zaman "ben bunu çözemiyorum, bir insana bağlıyorum" diyeceğini bilmesi. İyi tasarlanmış bir devir mekanizması, kötü bir ajanı bile güvenli kılar. Ben buna "güvenlik ağı" diyorum ve hiçbir üretim sistemini onsuz canlıya almam.

Gözlemlenebilirlik (observability). Her ajan yanıtının arkasında hangi verinin, hangi araç çağrısının, hangi bağlamın olduğunu loglamalısınız. Bu hem hata ayıklama hem de yasal hesap verebilirlik için şart. "Ajan neden bunu söyledi" sorusuna cevap veremiyorsanız, o sistemi canlıya almayın.

Şimdi en önemli bölüme geldik ve size sahadaki dürüst gözlemimi söyleyeyim: agentic kişiselleştirme projelerinin çoğu teknik nedenle değil, hukuki hazırlıksızlık nedenle sekteye uğruyor. Bu yüzden KVKK'yı sonradan yamanan bir ek değil, mimarinin temeli olarak ele almanızı istiyorum.

Kişisel veriye dayalı kişiselleştirme ve açık rıza. Kişiselleştirme ne kadar derinleşirse, o kadar çok kişisel veri işlersiniz. KVKK açısından bu verinin işlenmesi bir hukuki sebebe dayanmak zorunda. Pazarlama amaçlı profilleme genellikle açık rıza gerektirir. "Sitemi kullanan zaten kabul etmiştir" mantığı yanlış ve risklidir. Rızanın açık, spesifik, bilgilendirilmiş ve geri alınabilir olması gerekir. Ajanınızın rıza durumunu bilmesi ve rıza olmayan veriyi kişiselleştirmede kullanmaması gerekir — bunu teknik bir kontrol olarak mimariye gömün.

Profilleme sınırları ve otomatik kararlar. KVKK, kişi hakkında yalnızca otomatik işlemeye dayalı ve kişiyi önemli ölçüde etkileyen kararlara karşı koruma öngörür. Kişiye özel fiyat, kredi benzeri kararlar, erişim kısıtlamaları burada hassas bölgedir. Ben genel kural olarak şunu söylüyorum: ajan öneri üretebilir, ama kişiyi önemli ölçüde etkileyen kararı bir insan onaylamalı ya da kişinin itiraz ve insan incelemesi talep etme hakkı net biçimde sunulmalı.

Şeffaflık ve aydınlatma. Müşteriye hangi verisini neden işlediğinizi, kişiselleştirmenin nasıl çalıştığını sade bir dille anlatmak yasal bir yükümlülük. "Otomatik bir sistemle konuşuyorsunuz" bilgisini gizlemek hem KVKK hem EU AI Act açısından sorun. Şeffaflık aynı zamanda güven inşa eder; ben bunu bir yük değil, bir marka avantajı olarak görüyorum.

Veri minimizasyonu. Bu ilkeyi çok seviyorum çünkü hem hukuki hem teknik olarak sağlıklı. Ajanınıza gereğinden fazla veri vermeyin. Bir ürün önerisi için müşterinin tüm sağlık geçmişine ihtiyaç yoktur. Ne kadar az kişisel veri bağlama sokarsanız, hem riskiniz azalır hem de token maliyetiniz düşer. Az veri, çoğu zaman daha iyi tasarımdır.

İnsan incelemesi hakkı. Müşteri, kendisini etkileyen otomatik bir kararın gözden geçirilmesini isteyebilmeli. Bunu bir buton kadar somut hâle getirin: "Bu kararı bir temsilciyle görüşmek ister misiniz?" Hem yasaya uyarsınız hem müşterinin gözünde saygın durursunuz.

Türkiye'den AB'ye satış yapıyorsanız — ki çok sayıda e-ticaretçi yapıyor — EU AI Act sizi de ilgilendiriyor. En pratik iki nokta şu: birincisi, kullanıcı bir yapay zeka ile etkileşimde olduğunda bunu bilmeli (şeffaflık yükümlülüğü). İkincisi, yapay zeka tarafından üretilen içerik — ürün açıklamaları, sohbet yanıtları — uygun biçimde işaretlenebilmeli. Yüksek riskli sistem kategorisine çoğu e-ticaret kullanımı girmese de, şeffaflık yükümlülükleri geniş bir alanı kapsıyor. Ben sınır ötesi satan müşterilerime şunu söylüyorum: en katı rejime göre tasarlayın, böylece her pazarda uyumlu olursunuz. En yüksek çıtaya göre kurmak, uzun vadede en ucuz yoldur.

Bir projeyi yönetim kuruluna götürüyorsanız, "bu heyecan verici" demek yetmez. Somut metrik gerekir. Sahada takip ettirdiğim ana kalemler şunlar.

Metrik	Ne ölçer	Nasıl izlenir
Dönüşüm artışı (conversion uplift)	Ajanla etkileşen kullanıcıların satın alma oranı	A/B testi: ajanlı vs ajansız grup
Ortalama sepet tutarı (AOV)	Ajanın çapraz/yukarı satış etkisi	Kohort karşılaştırması
Destek yükü azalması (deflection)	İnsana düşmeden çözülen talep oranı	Ticket verisi, çözüm oranı
İade oranı	Daha iyi eşleşmenin iadeye etkisi	Ürün-müşteri uyum kohortu
İlk yanıt süresi	Hizmet ajanının hız etkisi	Kanal bazlı yanıt logu

En çok yaptırdığım hata uyarısı: tek bir "büyük sayı" peşinde koşmayın. Ajan dönüşümü artırırken iadeyi artırıyorsa, net etki negatif olabilir. Ben her zaman net etkiyi, kontrollü bir A/B testiyle ölçmenizi isterim. Kontrol grubu olmadan gördüğünüz artış, mevsimsel dalgalanma da olabilir. Sağlam ölçüm, sağlam yatırımın önkoşulu.

Genel geçer tavsiyeleri her yerde bulursunuz; ben size Türkiye'ye özgü gözlemlerimi bırakayım.

Pazar yerleri gerçeği. Türkiye'de e-ticaretin büyük kısmı büyük pazar yerleri üzerinden dönüyor. Kendi siteniz varsa bile trafiğinizin önemli kısmı pazar yerinden gelebilir. Agentic stratejinizi buna göre kurun: pazar yeri kısıtlamaları içinde ne kadar kişiselleştirme yapabileceğinizi, hangi verinin size ait olduğunu netleştirin. Kendi kanalınızda kurduğunuz ajan, pazar yeri kanalında aynı özgürlüğe sahip olmayabilir.

TL oynaklığı ve fiyat. Yukarıda değindim ama tekrar vurgulayayım: TL'deki dalgalanma, fiyat ve marj yönetimini agentic desteğin en değerli olduğu alan hâline getiriyor. Ajanı rakip fiyat izleme ve marj koruma analisti olarak kullanın; ama fiyat değişimini otomatik uygulamayın, önerdirin.

Sınır ötesi AB satışı. AB'ye satıyorsanız hem KVKK hem GDPR hem EU AI Act aynı anda masada. İyi haber: KVKK büyük ölçüde GDPR'la aynı mantığı taşıdığından, sağlam bir KVKK uyumu sizi AB'ye de yaklaştırır. Yine de veri transferi ve yerleşim gibi konularda hukukçunuzla konuşun.

Dil ve kültür. Türkçe doğal dil işleme birkaç yıl öncesine göre çok olgunlaştı, ama argo, bölgesel ifade ve ürün jargonu hâlâ tuzak. Ajanınızı gerçek Türkçe müşteri verisiyle test edin; İngilizceden çeviri mantığıyla kurulan ajanlar sahada tökezliyor.

Size teoriyle bırakmayacağım; işte kurumlara verdiğim uygulanabilir sıra.

1. Hukuki temeli önce atın. Projeye kod yazmadan başlamayın; KVKK envanterinizi, rıza mekanizmalarınızı ve aydınlatma metinlerinizi hazırlayın. Bunu sonraya bırakan ekipler, canlıya çıkmadan haftalar önce tıkanıyor.

2. Tek ve dar bir kullanım seçin. "Her şeyi yapan ajan" hayaliyle başlamayın. Ölçülebilir, dar bir alan seçin — bence en iyi başlangıç müşteri hizmetleri sık sorulan sorular. Riski düşük, ROI'si net.

3. Katalog ve veri altyapısını hazırlayın. RAG için katalogunuzu temizleyin, embedding'leyin, canlı verileri (stok, fiyat) API'ye bağlayın. Ajan kötü veriyle çalışmaz; "çöp girer, çöp çıkar" burada acımasızca geçerli.

4. Guardrail ve devir mekanizmasını en baştan kurun. Ajanı canlıya almadan önce ne yapamayacağını ve ne zaman insana devredeceğini tanımlayın. Bunu sonradan eklemek çok daha pahalı.

5. Kontrollü pilot ve A/B testi. Küçük bir trafik yüzdesiyle başlayın, kontrol grubu tutun, net etkiyi ölçün. İyi sonuç görürseniz kademeli açın.

6. Gözlemleyin, loglayın, yineleyin. Her yanıtı loglayın, hataları düzenli gözden geçirin, guardrail'ları gerçek vakalarla sıkılaştırın. Ajan yaşayan bir sistemdir; kurup unutulmaz.

7. Kademeli genişleyin. Bir kullanım oturunca ikinciye geçin — hizmetten öneriye, öneriden konuşmaya dayalı ticarete. Her adımda aynı hukuki ve ölçüm disiplinini tekrarlayın.

Sahadan son bir gözlem: Bu teknolojinin başarısı model seçimine değil, disipline bağlı. En iyi ajanları gördüğüm yerler en gelişmiş modeli kullananlar değil, verisini temiz tutan, sınırlarını net çizen, her kararını ölçen ve müşterisine karşı şeffaf olan ekiplerdi. 2026'da rekabet avantajınız, "hangi yapay zekayı kullandığınız" değil, "onu ne kadar düzgün kurduğunuz" olacak. Bu ayrımı erken kavrayan Türk e-ticaret ekiplerinin önümüzdeki iki yılda ciddi biçimde öne geçeceğine inanıyorum — ve bunu bir temenni olarak değil, sahada gördüğüm eğilime dayanarak söylüyorum.

Kurumlarda eğitim verirken en çok işe yarayan şey, iki yaklaşımı somut bir tabloda karşılaştırmak oluyor. Çünkü çoğu ekip "yeni olan eskiyi çöpe atar" sanıyor; oysa mesele bu değil. İşte sahada kullandığım karşılaştırma.

Boyut	Klasik öneri motoru	Agentic kişiselleştirme
Temel işlev	Olasılık hesaplar, liste üretir	Muhakeme eder, plan yapar, eyleme geçer
Zamanlama	Çevrimdışı eğitim, gecikmeli	Gerçek zamanlı, bağlama duyarlı
Girdi	Etkileşim matrisi, embedding	Katalog + kullanıcı bağlamı + stok + niyet
Çıktı	Sıralı ürün listesi	Diyalog, öneri, işlem, devir
Esneklik	Tanımlı senaryo dışına çıkamaz	Yeni durumları muhakeme edebilir
Hesap verebilirlik	Skor açıklaması zor	Adım adım loglanabilir
Risk	Düşük ama sınırlı değer	Yüksek değer ama guardrail şart

Bu tabloyu her sunumda gösteriyorum çünkü tek bakışta anlaşılıyor: agentic yapı öneri motorunu değiştirmiyor, onu sarmalıyor. En sağlıklı mimariler, iyi ayarlanmış bir öneri motorunu ajanın elindeki bir araç olarak konumlandıranlar. Öneri motoru "hangi ürünler benziyor" sorusuna hızlı ve ucuz cevap verir; ajan bu cevabı alır, bağlamla harmanlar ve müşteriye anlamlı bir eyleme çevirir.

Bir noktanın altını çizeyim: agentic yapının maliyeti ve karmaşıklığı klasik öneri motorundan yüksektir. Her sorgu için muhakeme, araç çağrısı ve bağlam derlemesi gerekir; bu hem gecikme hem token maliyeti demek. Bu yüzden ben ekiplere "her yere ajan koymayın" diyorum. Basit "sizin için seçtiklerimiz" bloğu için klasik öneri motoru fazlasıyla yeter ve daha ucuzdur. Ajanı, gerçekten muhakeme gereken yerlere — karmaşık soru, çok kriterli seçim, hizmet çözümü — saklayın. Doğru aracı doğru işe koşmak, en önemli mimari kararınız.

Yıllar içinde aynı hataların tekrar ettiğini görüyorum. İşte sahadaki en yaygın tuzaklar ve pratik çözümlerim.

Tuzak 1: Ajanı "her şeyi bilen" sanmak. Ekipler ajana kataloğa erişim verip "artık her şeyi cevaplar" diye rahatlıyor. Oysa ajan yalnızca eriştiği veriyi bilir. İade politikanız bir PDF'te gömülüyse ve ajan ona erişemiyorsa, ajan ya "bilmiyorum" der ya da — daha kötüsü — uydurur. Çözüm: ajanın erişmesi gereken her bilgiyi bilinçli olarak bağlama sokun ve erişemediğinde dürüstçe "bilmiyorum, bağlıyorum" demesini sağlayın.

Tuzak 2: Canlı veriyi embedding'de tutmak. Fiyatı ve stoğu vektör veritabanına yazan ekipler, birkaç gün sonra müşteriye tükenmiş ürünü öneren bir ajanla karşılaşıyor. Fiyat, stok, kampanya gibi hızlı değişen veriler her zaman canlı API'den çekilmeli. Embedding, yavaş değişen bilgi (özellik, açıklama) içindir.

Tuzak 3: Guardrail'ı sonraya bırakmak. "Önce çalışsın, güvenliği sonra ekleriz" en pahalı hata. Guardrail'sız bir ajan yanlış indirim verir, yanlış vaat eder, kişisel veri sızdırır. Bunları düzeltmek, baştan kurmaktan kat kat pahalı. Ben guardrail'ı ilk günden mimarinin parçası yapıyorum.

Tuzak 4: Ölçümsüz iyimserlik. Ajan "harika görünüyor" ama kontrol grubu yok. Birkaç ay sonra yönetim "peki bu bize ne kazandırdı" diye soruyor ve cevap yok. En baştan kontrollü ölçüm kurun; hikâye değil, sayı biriktirin.

Tuzak 5: KVKK'yı hukukçuya "en sona" bırakmak. Teknik ekip aylarca kurar, sonra hukuk "bu rıza mekanizması yetersiz" der ve proje canlıya çıkamaz. Hukukçuyu ilk toplantıya alın. Uyumu tasarıma gömmek, sonradan yamamaktan hem ucuz hem sağlam.

Teknik ve hukuki kısmı konuştuk ama sahada en çok ihmal edilen boyut insan tarafı. Bir hizmet ajanı devreye girince müşteri temsilcileriniz doğal olarak tedirgin oluyor: "Yerimize mi geçecek?" Benim gördüğüm gerçek şu: iyi kurulmuş ajan temsilciyi işsiz bırakmıyor, onun işini yükseltiyor. Tekrarlayan basit soruları ajan alıyor, temsilci daha karmaşık, daha değerli, daha insani vakalarla ilgileniyor. Ama bu geçişi yönetmezseniz, ekip direnir ve proje sabote olur.

Bu yüzden ben her ajan projesinde bir de eğitim ve iletişim ayağı kuruyorum. Temsilcilere ajanın ne yaptığını, nerede devreye girdiğini, nerede onlara devrettiğini anlatıyorum. Onları "ajanın öğretmeni" konumuna koyuyorum: ajanın hatalarını işaretleyen, guardrail'ları sıkılaştıran insanlar onlar oluyor. Böylece tehdit hissi yerini sahiplenmeye bırakıyor. Teknoloji projesi sandığınız şey, aslında yüzde ellisi bir değişim yönetimi projesidir; bunu unutan ekiplerin en iyi teknolojiyle bile başarısız olduğunu defalarca gördüm.

Son olarak müşteri tarafındaki insan boyutunu da atlamayın. Müşteriler bir ajanla konuştuğunu bildiğinde daha sabırlı ve daha net oluyor; gizlenmiş bir botla konuştuğunu sonradan fark ettiğinde ise güveni sarsılıyor. Şeffaflık burada da kazandırıyor. "Merhaba, ben yapay zeka destekli asistanınızım, karmaşık bir durumda sizi ekip arkadaşıma bağlarım" cümlesi hem yasal hem insani açıdan doğru olanı yapıyor. Teknolojiyi insanların üzerine değil, insanların yanına kurduğunuzda gerçek değer ortaya çıkıyor.