E-ticarette Agentic AI: Konuşma Ticareti, Ajan Destekli Alışveriş ve KVKK (2026)

TL;DR — 2026'da e-ticaretin en büyük kırılması, alıcının arama kutusuyla değil bir yapay zeka ajanıyla konuşarak ürün keşfetmesi. Konuşma ticareti (conversational commerce) ve agentic AI; keşiften karşılaştırmaya, öneriden sepete ve satış sonrasına kadar tüm yolculuğu yeniden yazıyor. Türkiye'de bu dönüşümün belirleyicisi KVKK: profilleme, açık rıza, veri minimizasyonu ve şeffaflık olmadan "kişiselleştirme" hızla hukuki riske dönüşüyor. Bu yazıda bir ajanın alışveriş yolculuğunu, öneri sistemlerinin nasıl değiştiğini, ürün kataloğu üzerinde RAG'ı, KVKK uyumlu kişiselleştirmeyi, halüsinasyon ve fiyat hatası gibi riskleri, etkiyi nasıl ölçeceğinizi ve bir Türk e-ticaret ekibi için somut bir yol haritasını anlatıyorum. Sonda uygulanabilir bir kontrol listesi var.

Sahada en çok duyduğum cümlelerden biri şu: "Trafiğimiz düşmedi ama dönüşüm başka yerden geliyor gibi." Doğru sezgi. Yıllarca e-ticaretin giriş kapısı bir arama kutusuydu; müşteri "kışlık mont erkek" yazar, siz de arama motorunda ve site içi aramada bu ifadeye göre optimize ederdiniz. 2026'da bu davranış değişmedi ama yanına ikinci, giderek büyüyen bir kapı eklendi: müşteri artık bir yapay zeka ajanına dönüp "10 yaşındaki oğluma kayak için su geçirmez, 1500 liranın altında bir mont bul, iade koşulu esnek olsun" diyor. Bu tek cümlede filtreleme, bütçe, kullanım senaryosu, iade politikası ve marka tercihi bir arada geliyor.

Bunu bir moda kabininde yaşadığınızı düşünün: eskiden raflara tek tek bakardınız, şimdi tecrübeli bir satış danışmanı sizi dinliyor, birkaç soru soruyor ve üç seçenekle geliyor. Agentic AI'ın e-ticarette yaptığı tam olarak bu; farkı, bu danışmanın yüz binlerce ürünü aynı anda tarayabilmesi ve yorulmaması. Konuşma ticareti dediğimiz şey, işte bu diyaloğun satın almanın merkezine oturması.

Bu yazı boyunca hem büyük pazaryerlerini hem de tek kişilik operasyonla dönen KOBİ satıcılarını düşünerek yazıyorum. Çünkü bu dönüşüm sadece dev bütçeli oyuncuların işi değil; aslında en hızlı kazananların, kataloğunu ve verisini düzenli tutan küçük ve orta ölçekli satıcılar olacağını düşünüyorum.

Kavramları netleştirelim, çünkü pazarlama gürültüsü içinde bunlar birbirine karışıyor.

Konuşma ticareti (conversational commerce): Müşterinin doğal dille, sohbet ederek alışveriş yaptığı model. WhatsApp üzerinden sipariş almak da bunun ilkel bir hâliydi. Yeni olan, karşıdaki muhatabın bir kural tabanlı bot değil, bağlamı anlayan, soru soran, öneren bir yapay zeka olması.

Agentic AI (ajan tabanlı yapay zeka): Sadece metin üreten değil, araç kullanan yapay zeka. Bir ajan; kataloğunuzu sorgulayabilir, stok API'nizi çağırabilir, kargo süresini hesaplayan bir fonksiyonu tetikleyebilir, sepete ürün ekleyebilir. Yani "konuşan" değil, "iş yapan" yapay zeka. Bu araç bağlantısını mümkün kılan teknik trend, MCP benzeri standartlaşan araç bağlantı protokolleri. Ajanın dış dünyaya (sizin sistemlerinize) güvenli, standart bir şekilde uzanmasını sağlıyorlar.

Bu ikisi birleştiğinde ortaya çıkan şey şu: müşteri konuşuyor, ajan anlıyor ve arka planda gerçek işlemler yapıyor. E-ticaret açısından kritik ayrım da burada. Bir chatbot "size şu ürünleri önerebilirim" der ve linkler paylaşır. Bir alışveriş ajanı ise stok durumunu kontrol eder, beden uygunluğunu doğrular, kampanyayı uygular ve gerekirse ödeme adımına kadar taşır.

Bir müşterinin ajanla yaşadığı tipik yolculuğu adım adım açayım, çünkü her adımda sizin sisteminizde farklı bir kancaya ihtiyaç var.

1. Keşif. Müşteri ihtiyacını doğal dille anlatır: "Yeni taşındım, küçük bir mutfağa sığacak, sessiz çalışan bir bulaşık makinesi." Ajan burada niyeti çözer: dar alan, düşük desibel, muhtemelen ankastre değil solo. Sizin katalog verinizde bu nitelikler (genişlik, desibel değeri, tip) net alanlar hâlinde yoksa, ajan ürününüzü bu sorguya eşleyemez. İşte 2026'da ürün verisi kalitesi doğrudan gelir demek.

2. Karşılaştırma. Ajan üç dört seçeneği yan yana koyar. Fiyat, enerji sınıfı, yorum ortalaması, iade kolaylığı. Burada dikkat: ajan sizin ürün açıklamanızdaki bilgiyi okur. Açıklamanız zayıfsa, ürününüz karşılaştırmada kaybeder; rakibinizin daha yapılandırılmış verisi öne çıkar.

3. Öneri. Ajan bir tavsiye verir: "Bu üçü içinde senin dar mutfağın ve gece çalıştırma isteğin için X en uygunu." Bu, klasik "bunu alanlar şunu da aldı" mantığından farklı; senaryoya özel, gerekçeli bir öneri.

4. Sepet ve ödeme desteği. Ajan bedeni sorar, stoğu doğrular, kupon uygular, kargo süresini söyler. Burada halüsinasyon riski en tehlikeli hâline ulaşır; ajanın "yarın kapında" demesiyle sistemdeki gerçek kargo taahhüdünün örtüşmesi şart. Bu yüzden ödeme ve teslimat gibi kritik bilgiler asla modelin "tahminine" bırakılmaz, her zaman canlı sistemden çekilir.

5. Satış sonrası. "Kargom nerede?", "Bunu iade etmek istiyorum", "Filtreyi nasıl temizlerim?" Bu üç soru destek hacminin büyük kısmını oluşturur ve ajanın en net değer ürettiği yer burasıdır. İade başlatma, kargo takibi, kullanım desteği; hepsi araç çağrılarıyla çözülebilir.

Bu yolculuğun tamamında bir gerçeği vurgulamak istiyorum: ajan ancak sizin verinizin ve sistemlerinizin izin verdiği kadar iyi. Zayıf katalog, güncel olmayan stok, dağınık iade politikası; ajan bunların hiçbirini sihirle düzeltmez, aksine hatayı büyütür.

Klasik öneri sistemleri iki şeye dayanıyordu: işbirlikçi filtreleme ("senin gibi davrananlar şunu aldı") ve içerik tabanlı benzerlik ("bu ürüne benzer ürünler"). Bunlar hâlâ değerli. Ama agentic yaklaşım üstüne bir katman ekliyor: niyet ve bağlam.

Somut bir örnek vereyim. Müşteri "hediye arıyorum" dediğinde klasik sistem, o kişinin geçmiş satın alımlarına göre öneri yapar; oysa hediye alan kişi kendisi için almıyor. Ajan bu bağlamı yakalar: "Kime, ne bütçeyle, hangi ilgi alanına?" diye sorar ve öneriyi kişinin kendi profiline değil, hediye senaryosuna göre kurar. Bu, dönüşümde ciddi fark yaratan bir incelik.

Bir başka örnek: mevsimsel ve stok-duyarlı öneri. Ajan, elde kalan bedenleri, biten stokları, kampanyalı ürünleri anlık görebildiğinde, öneri sadece "en alakalı" değil aynı zamanda "gerçekten satılabilir ve kârlı" olanı öne çıkarabilir. Burada bir uyarı: iş hedefleriyle müşteri faydasını dengede tutmak gerekir. Sırf marjı yüksek diye müşteriye yanlış ürünü ittiren bir ajan, kısa vadede AOV'yi yükseltip uzun vadede iadeyi ve güvensizliği artırır.

Bu, ekiplerin en geç fark ettiği ama belki de en stratejik konu. Yıllarca SEO'yu insanların arama sonuçlarını gözüyle taraması üzerine kurduk. Şimdi araya bir aracı giriyor: müşteri soruyu ajana soruyor, ajan onlarca kaynağı okuyor ve müşteriye sadeleştirilmiş bir cevap veriyor. Yani ürününüzün "on numaralı sonuç" olması bile artık yetmeyebilir; ajanın sizi okuyup anlaması ve önerisine dahil etmesi gerekiyor.

Bunun pratik sonuçları var:

• Yapılandırılmış veri kritikleşiyor. Ürün şeması, net nitelik alanları, makinece okunabilir açıklamalar. Ajan belirsizliği sevmez; "yaklaşık", "genelde", "duruma göre" gibi ifadeler onu ürününüzü önermekten alıkoyar.
• Soru-cevap formatı önem kazanıyor. İnsanlar ajanlara tam cümlelerle, senaryolarla soruyor. "Bu ayakkabı koşu için uygun mu?", "Bu tost makinesi kalın ekmek alır mı?" Bu tarz soruların cevabı ürün sayfanızda net biçimde varsa, ajan sizi seçer.
• Doğruluk itibarı önemli. Ajanlar tutarsız ya da yanıltıcı bilgi veren kaynaklardan uzak durma eğilimindedir. Yanlış beden tablosu, güncel olmayan fiyat, tutmayan vaat; hepsi görünürlüğünüzü aşındırır.

Bunu "GEO" (generative engine optimization) diye adlandıranlar var; isim önemli değil. Önemli olan şu: hedef kitleniz artık kısmen makinelerden oluşuyor ve bu makineler sizin içeriğinizi insanlardan farklı okuyor.

Ajanın sizin ürünlerinizi doğru anlatabilmesinin en sağlam yolu, RAG (retrieval-augmented generation) mimarisi. Basitçe: model cevabı kafasından uydurmaz; önce sizin kataloğunuzdan, politikalarınızdan, SSS'lerinizden ilgili parçaları çeker, sonra o gerçek bilgiye dayanarak cevap üretir. Bu, halüsinasyona karşı en pratik savunma hattı.

Bir KOBİ satıcı senaryosuyla anlatayım. Diyelim ki 4.000 ürünlük bir ev tekstili mağazanız var. Ürün açıklamaları, kumaş içeriği, yıkama talimatları, beden tabloları, iade politikası ve kargo koşulları farklı yerlerde duruyor. RAG kurduğunuzda bu bilgileri parçalara böler, aranabilir hâle getirir ve ajan bir soru geldiğinde ("bu nevresim %100 pamuk mu, 60 derecede yıkanır mı?") doğru parçayı bulup ona dayanarak cevaplar. Model tahmin etmez, sizin verinizi okur.

RAG'ın e-ticaretteki üç altın kuralı:

1. Kaynak canlı olmalı. Fiyat ve stok gibi hızlı değişen veriler statik bir metin yığınından değil, gerçek zamanlı API'den gelmeli. RAG'ı ürün özellikleri ve politikalar için, canlı araç çağrılarını fiyat/stok için kullanın.
2. Parçalama akıllı olmalı. Her ürünü kendi bağlamıyla bütün tutun; beden tablosunu yıkama talimatından kopararak indekslerseniz ajan yanlış eşleştirme yapar.
3. Kaynak gösterilebilir olmalı. Ajan bir iddiada bulunduğunda, o iddianın hangi ürün sayfasından ya da politikadan geldiği izlenebilmeli. Bu hem güven hem de hata ayıklama için şart.

Şimdi işin Türkiye'de en kritik kısmına geliyoruz. Kişiselleştirme e-ticaretin motoru; ama kişiselleştirme demek kişisel veri işlemek demek ve orada KVKK devreye giriyor. Sahada gördüğüm en yaygın hata, ekiplerin önce sistemi kurup sonra "acaba bu uyumlu mu?" diye sorması. Doğrusu tam tersi: uyumu tasarımın içine gömmek.

Birkaç temel ilkeyi e-ticaret diliyle açayım:

Açık rıza ve hukuki dayanak. Müşteriyi profilleyip ona özel öneri kurmak, çoğu senaryoda açık rıza ya da net bir meşru menfaat değerlendirmesi gerektirir. "Kayıt olurken kabul ettiniz" tarzı gömülü, belirsiz onaylar yeterli değildir. Rıza; özgür, spesifik, bilgilendirilmiş ve geri alınabilir olmalı.

Otomatik karar ve profilleme. KVKK, kişi hakkında önemli sonuç doğuran tamamen otomatik kararlara karşı bireye haklar tanır. Fiyatı kişiye göre farklılaştırma (kişiselleştirilmiş fiyatlandırma) gibi uygulamalar burada hassas alandır. Ajan birine sistematik olarak daha yüksek fiyat gösteriyorsa, bu hem hukuki hem etik olarak sizi zora sokar.

Veri minimizasyonu. İyi öneri için müşterinin tüm hayatını bilmenize gerek yok. Amaç için gereken asgari veriyle çalışın. Ajan mimarisinde bu çok somut bir tasarım kararıdır: ajana müşterinin hangi verisine erişim veriyorsunuz? Doğum tarihi öneri için gerekli mi, yoksa sadece "erişebiliyorum diye" mi orada?

Amaç sınırlaması. İade işlemleri için toplanan veriyi pazarlama profillemesinde kullanmak, amaç sınırlaması ilkesini zedeler. Ajanın hangi veriyi hangi amaçla kullandığı ayrıştırılmalı.

Şeffaflık ve aydınlatma. Müşteriye, bir yapay zeka ile konuştuğunu, verisinin nasıl işlendiğini ve önerilerin nasıl oluştuğunu açık dille anlatın. "Bu öneriyi neden görüyorum?" sorusuna cevap verebilmek artık bir uyum gerekliliği kadar bir güven unsuru.

Düzenleme tarafında da tabloyu net tutayım: Türkiye'de yapay zeka bugün ağırlıkla sektörel genelgeler ve standartlar üzerinden yönetiliyor. Üretken yapay zekanın etik kullanımı ve yapay zeka üretimi içeriğin fikri mülkiyeti gibi konularda yeni rehberler gelmesi olası. TBMM Yapay Zeka Araştırma Komisyonu'nun 2026 sonunda kapsamlı bir rapor yayımlaması ve bunun sektörel yasa önerilerine zemin hazırlaması bekleniyor. Yani zemin hareketli; bugün "sadece KVKK'ya uyuyorum" demek yeterli olsa da, mimarinizi ileride gelecek sektörel kurallara uyum sağlayacak esneklikte kurmak akıllıca.

Bir cümlelik özet: KVKK'yı bir fren değil, tasarım kısıtı olarak görün. İyi kısıtlar iyi ürün doğurur; güvenilir kişiselleştirme, uzun vadede en yüksek dönüşümü getirir.

Bu teknolojinin heyecanı gerçek ama riskleri de gerçek. Sahada gördüğüm en tehlikeli senaryolar şunlar:

Halüsinasyonlu ürün iddiası. Ajan, üründe olmayan bir özelliği "var" diye söyleyebilir. "Evet, bu telefon su geçirmez" der, oysa değildir. Bu, iade ve itibar kaybının ötesinde tüketici hukuku açısından da yanıltıcı beyandır. Çözüm: ürün iddialarını sadece doğrulanmış katalog verisine dayandırmak, modelin serbest yorumunu kısıtlamak.

Fiyat ve promosyon hatası. Ajanın yanlış fiyat ya da geçersiz kupon söylemesi, hem müşteri güvenini sarsar hem operasyonel kayıp yaratır. Fiyat asla modelin metninden değil, canlı fiyat servisinden gelmeli ve gösterilmeden önce doğrulanmalı.

Aşırı vaat eden teslimat sözü. "Yarın kapında" cümlesi, gerçek kargo taahhüdüyle örtüşmüyorsa memnuniyetsizlik kaçınılmaz. Teslimat bilgisi canlı sistemden, konum ve stok bağlamıyla üretilmeli.

Yönlendirme ve manipülasyon riski (prompt injection). Kötü niyetli bir kullanıcı ya da kaynak, ajana beklenmedik davranışlar yaptırmaya çalışabilir; örneğin indirim kodu sızdırmak ya da başka müşterinin verisine erişmek. Ajan yetkilerini dar tutmak ve her araç çağrısını yetkilendirmek şart.

Bu risklerin ortak panzehiri "korkuluk" (guardrail) mantığı. Kritik alanlarda (fiyat, stok, teslimat, kişisel veri) modele özgür bırakmayın; deterministik doğrulama katmanları koyun. Ajanın "yaratıcı" olabileceği yer ürünü anlatma ve senaryo kurma; "yaratıcı" olamayacağı yer ise sayı, taahhüt ve kişisel veri. Bu ayrımı net çizen ekipler kazanıyor.

"Ajan koyduk" demek bir başarı ölçütü değil. Sahada gördüğüm iyi ekipler, ajanı bir deney gibi kurup net metriklerle izliyor. Önerdiğim çekirdek gösterge seti şu:

Metrik	Ne ölçer	Ajan neden etkiler
Dönüşüm oranı	Ziyaretçinin alıcıya dönmesi	Doğru öneri ve engel kaldırma dönüşümü artırır
Sepet ortalaması (AOV)	Sipariş başına tutar	İyi çapraz öneri AOV'yi yükseltir; yanlış itiş iadeyi büyütür
İade oranı	Yanlış eşleşme göstergesi	Doğru beden/uygunluk önerisi iadeyi düşürmeli
Destek yükü	Tekrarlayan sorulara harcanan efor	Satış sonrası ajan çözümü destek maliyetini düşürür
Etkileşim derinliği	Konuşma başına adım/soru	Sağlıklı diyalog niyet anlamayı gösterir
Terk noktası	Yolculuğun nerede koptuğu	Ajanın hangi adımda takıldığını gösterir

Önemli bir uyarı: bu metriklere ayrı ayrı değil, birlikte bakın. AOV yükselirken iade de yükseliyorsa, ajan doğru şeyi değil sadece pahalı şeyi öneriyor demektir. İade oranını her zaman dönüşümün yanına koyun; ikisi birlikte kişiselleştirmenin gerçek kalitesini gösterir. Bir de A/B testini ihmal etmeyin; ajanlı ve ajansız akışı yan yana koyup farkı ölçmeden "işe yaradı" demeyin.

Şimdi teoriyi bir kenara bırakıp, pazartesi sabahı başlanabilecek bir plana dönüştürelim. Bunu üç aşamalı düşünüyorum.

Aşama 1 — Temel (ilk 4-6 hafta): veriyi ve uyumu düzelt. Ajan kurmadan önce zemini hazırlayın. Kataloğunuzu denetleyin: ürünlerin net nitelik alanları var mı, açıklamalar tutarlı mı, iade ve kargo politikaları tek ve güncel bir kaynakta mı? Aynı anda KVKK envanterinizi çıkarın: hangi kişisel veriyi, hangi amaçla, hangi hukuki dayanakla işliyorsunuz? Bu aşama sıkıcı görünür ama ajanın başarısının yüzde sekseni burada belirlenir.

Aşama 2 — Pilot (6-10 hafta): dar kapsamda ajan. Tüm siteyi ajana bağlamayın. Tek bir kategori ya da tek bir kullanım (örneğin satış sonrası destek: kargo takibi ve iade başlatma) seçin. RAG'ı bu dar kapsamda kurun, guardrail'leri yerleştirin, canlı fiyat/stok bağlantısını sağlayın. Küçük bir kullanıcı grubuyla, A/B testiyle ölçün. Amaç mükemmellik değil, öğrenmek.

Aşama 3 — Ölçekleme (10+ hafta): kazananları büyüt. Pilotta işe yarayan senaryoyu genişletin. Öneri katmanını ekleyin, keşif akışını açın, satış sonrasını derinleştirin. Bu aşamada ajanın gösterdiği önerilerin loglarını insan gözüyle düzenli denetleyin; halüsinasyon ve KVKK ihlali ancak insan denetimiyle erken yakalanır. Ölçeklerken bile "önce dar, sonra geniş" disiplinini koruyun.

Bir uyarı daha: bu yolculuğun teknik değil kültürel bir boyutu var. Müşteri hizmetleri ekibiniz ajanla iş birliği yapmayı, hukuk ekibiniz erken masaya oturmayı, ürün ekibiniz veriyi "canlı bir varlık" gibi görmeyi öğrenmeli. En iyi ajanı en iyi organizasyon çalıştırır, en iyi modeli değil.

Bu yazıyı okuyan tek kişilik ya da küçük ekipli satıcılar "bunlar dev bütçe işi" diye düşünebilir. Katılmıyorum. Aslında agentic dönüşümün en adil tarafı bu: rekabette artık kataloğunu düzenli tutan, ürününü net anlatan, iade sözünü tutan satıcı öne çıkıyor; en çok reklam harcayan değil. Bir KOBİ satıcı olarak yapabileceğiniz en yüksek getirili iş, pahalı bir ajan kurmak değil; ürün verinizi ajanların doğru okuyabileceği kadar temiz ve doğru tutmak. Görünürlüğünüz gittikçe bu temizliğe bağlanacak.

Şöyle bitirmek isterim: bu teknolojiyi bir moda olarak değil, alışverişin dilinin değişmesi olarak görün. Müşteri artık sizinle konuşmak istiyor; bazen doğrudan, bazen bir ajan aracılığıyla. Sizin işiniz o konuşmada doğru, dürüst ve yardımcı olmak. Bunu başaran ekipler sadece daha çok satmayacak; müşterinin güvenini kazanacak ki 2026'nın gerçek para birimi bu.

• Katalog denetimi yapın: Ürünlerin net, makinece okunabilir nitelik alanları (beden, malzeme, boyut, uygunluk) var mı?
• Politika kaynağını tekilleştirin: İade, kargo, garanti bilgileri tek ve güncel bir yerde mi?
• KVKK envanteri çıkarın: Hangi kişisel veri, hangi amaç, hangi hukuki dayanak? Rıza mekanizmanız özgür, spesifik, geri alınabilir mi?
• Veri minimizasyonunu uygulayın: Ajanın erişebildiği her veri alanı gerçekten gerekli mi?
• Fiyat/stok/teslimatı canlı bağlayın: Bu kritik veriler modelin metninden değil, gerçek zamanlı servisten gelsin.
• RAG kurun: Ürün ve politika bilgisi için retrieval tabanlı yapı; kaynak izlenebilir olsun.
• Guardrail koyun: Ürün iddiaları yalnızca doğrulanmış veriden; fiyat ve taahhüt asla halüsinasyona bırakılmasın.
• Şeffaflık sağlayın: Müşteri bir yapay zeka ile konuştuğunu ve önerilerin nasıl oluştuğunu bilsin.
• Metrik seti kurun: Dönüşüm, AOV ve iade oranını birlikte izleyin; A/B testi yapın.
• Dar başlayın: Tek kategori ya da tek senaryo ile pilot; öğrendikçe ölçekleyin.
• İnsan denetimi ekleyin: Ajan konuşmalarını düzenli örnekleyip halüsinasyon ve uyum ihlalini erken yakalayın.
• Hukuk ekibini erken çağırın: Uyum, sonradan yamanan değil baştan tasarlanan bir şey olsun.
• Ekibi hazırlayın: Müşteri hizmetleri, ürün ve hukuk ekiplerini ajanla çalışmaya adapte edin.

Sahada sık atlanan bir konu şu: alışveriş ajanı tek bir yerde yaşamıyor. Türkiye'de müşteri sizinle üç farklı zeminde karşılaşabilir ve her birinin kendi dinamiği var.

Sitenizin içindeki ajan. Kendi mağazanızda gömülü bir asistan. Burada tam kontrol sizde; katalog, fiyat, stok, KVKK aydınlatma metni, hepsi sizin elinizde. En güvenli ama en çok emek isteyen zemin bu. Marka deneyimini uçtan uca siz tasarlarsınız.

Mesajlaşma kanalları. WhatsApp gibi kanallarda müşteri zaten günlük hayatında. Türkiye'de mesajlaşma üzerinden alışverişin kültürel olarak oturmuş olması büyük avantaj; müşteri "yazışarak" almaya alışkın. Burada dikkat edilecek nokta, kişisel veri işlemenin ve rıza yönetiminin kanal içinde de düzgün kurgulanması.

Dış ajanlar ve platformlar. Müşteri sizin hiç kontrol etmediğiniz bir yapay zeka asistanına "bana şu ürünü bul" diyor ve o asistan sizin ürününüzü keşfediyor. Burada tek kozunuz, verinizin ne kadar temiz ve makinece okunabilir olduğu. Bu üçüncü zemin, "ajana görünürlük" başlığında anlattığım her şeyin neden önemli olduğunu somutlaştırıyor: dış ajanın gözünde var olmak, ancak veriniz düzgünse mümkün.

Pratik önerim: bu üç zemini ayrı ayrı düşünmeyin. Aynı ürün gerçeği (fiyat, stok, özellik, politika) tek bir güvenilir kaynaktan beslensin; ajan hangi zeminde olursa olsun aynı doğru cevabı üretsin. Kaynağı tekilleştirmek, hem tutarlılık hem KVKK açısından hayat kurtarır.

Somutlaştırmak için hayali ama tanıdık bir senaryo anlatayım. Orta ölçekli bir mobilya satıcısı düşünün; en büyük derdi, müşterilerin ürünü alıp "beklediğim gibi değil" diyerek iade etmesi. İade, mobilyada hem lojistik hem maliyet açısından acı verir.

Bu ekip ajanı doğrudan satışa değil, iade sebebini azaltmaya odakladı. Ajan, müşteriye satın almadan önce doğru soruları sordu: "Bu kanepeyi hangi odaya koyacaksınız, kaç kişilik oturmayı planlıyorsunuz, kumaşın leke tutmaması sizin için önemli mi, evinizde evcil hayvan var mı?" Bu sorular sonucunda ajan, müşteriyi çoğu zaman daha pahalı değil, daha doğru ürüne yönlendirdi.

Sonuç mantığı şu: kısa vadede bazı satışlarda sepet biraz düştü çünkü ajan "yanlış ama pahalı" ürünü ittirmedi. Ama iade oranı düştüğünde toplam kârlılık arttı, müşteri memnuniyeti yükseldi ve o memnun müşteri geri döndü. Bu vakayı severim çünkü agentic AI'ın en yanlış anlaşılan tarafını gösteriyor: amaç her zaman "daha fazla satmak" değil, "doğru satmak". Doğru satış, uzun vadede daha fazla satıştır. KVKK açısından da temiz bir örnek; ajan burada gizli profilleme yapmadı, müşterinin gönüllü paylaştığı bağlamı kullandı ve bunu şeffaf biçimde yaptı.

Bu senaryoyu kendi kategorinize uyarlayın. Kozmetikte cilt tipi ve alerjen sorusu, elektronikte kullanım senaryosu, giyimde beden ve kesim tercihi. Her kategoride "doğru soru", iade oranını düşüren gizli kaldıraçtır ve ajan bu soruları yormadan, tutarlı biçimde sorabilen ilk araçtır.

Bu itirazı çok duyuyorum ve kısmen haklı. Kötü kurulmuş bir bot gerçekten sinir bozucudur. Ama mesele robotla konuşmak değil, işini halledebilmek. Müşteri, saatlerce kategori gezmek yerine tek cümleyle doğru ürüne ulaşabiliyorsa, kargosunu üç tıkta öğrenebiliyorsa, iadesini iki dakikada başlatabiliyorsa; "robot mu insan mı" sorusu ikincil hâle gelir. Belirleyici olan, deneyimin hızlı, dürüst ve çözüm odaklı olması. Kötü ajan deneyimi teknolojinin değil, kötü tasarımın suçudur. Şeffaf olun, ajanın ne olduğunu saklamayın, çıkış yolunu (bir insana bağlanma seçeneğini) her zaman açık bırakın; o zaman müşteri direnç değil rahatlık hisseder.