E-Ticarette Üretken Yapay Zeka ve Agentic Commerce (2026)

TL;DR — E-ticaret 2026'da sessizce el değiştirdi: müşteri artık arama kutusuna anahtar kelime yazıp yüzlerce ürün arasında kaybolmuyor; bir yapay zekâ asistanıyla konuşarak alışveriş yapıyor. Sahadan gördüğüm kadarıyla Türk perakendecilerin çoğu hâlâ "öneri motoru kuralım" seviyesinde düşünürken, dünyada iş "üretken ticaret" ve "agentic commerce"e, yani alışverişi sizin adınıza yürüten yapay zekâ ajanlarına doğru kaydı. Bugün online dönüşümlerin yaklaşık %45'i yapay zekâ destekli kişiselleştirmeden geliyor; agentic commerce'in 2030'a kadar e-ticaret gelirine 190 milyar doların üzerinde katkı yapması ve online alışverişlerin kabaca %55'inin kısmen ya da tamamen otonom satın alma özellikleriyle gerçekleşmesi bekleniyor. Bu yazıda konuşarak alışveriş, hiper-kişiselleştirme, sanal deneme, dinamik fiyatlama ve iade/destek otomasyonu gibi kullanım alanlarını; KVKK, halüsinasyon, marka güvenliği ve ajan ödeme güvenliği gibi riskleri Türkiye pazarının (Trendyol/Hepsiburada ölçeği, TL fiyatlama, pazar yeri gerçekliği) içinden anlatıyorum.

Yıllarca e-ticaretin ana ekranı hep aynıydı: üstte bir arama kutusu, altta sonsuz bir ürün listesi. Müşteri "siyah spor ayakkabı" yazıyor, karşısına dört yüz sonuç çıkıyor, filtrelerle boğuşuyor, sayfalar arasında kayboluyor ve çoğu zaman sepete bir şey koymadan çıkıyor. Bu deneyimi hepimiz yaşadık; ben de bir eğitim öncesi otel odasında laptop'tan tam da böyle bir alışverişi yarıda bıraktığımı hatırlıyorum.

2026'da bu tablo değişti. Artık müşteri arama kutusuna anahtar kelime yazmak yerine, bir yapay zekâ asistanıyla konuşuyor: "Önümüzdeki hafta bir düğüne gideceğim, bütçem 3.000 TL, koyu renk ama fazla resmî olmayan bir şeyler önerir misin?" Asistan bu cümledeki niyeti, bağlamı ve bütçeyi anlıyor; ürünleri konuşarak keşfetmenizi sağlıyor, hatta sanal deneme (virtual try-on) ile o ürünü farklı beden ve vücut tiplerinde görselleştiriyor. Buna "üretken ticaret" (generative commerce) deniyor ve klasik "yaz-kaydır" alışverişinin yerini alıyor.

Bu, kozmetik bir değişiklik değil. Arama kutusu, müşteriyi "makinenin diliyle konuşmaya" zorlardı: doğru anahtar kelimeyi bulmak, doğru filtreyi seçmek müşterinin işiydi. Üretken ticarette ise makine, müşterinin diliyle konuşuyor. Yük müşteriden platforma geçiyor. Ve bu farkın rakamsal karşılığı çok net:

"

2026'da online dönüşümlerin yaklaşık %45'i yapay zekâ destekli kişiselleştirmeden sorumlu. Yani her iki satıştan neredeyse birinde, arka planda müşteriyi anlayan ve doğru anı yakalayan bir yapay zekâ katmanı var.

Türkiye özelinde bu dönüşümü konuşurken bir noktayı hep hatırlatıyorum: bizim pazarımız pazar yeri (marketplace) ağırlıklı. Trendyol, Hepsiburada gibi platformların ölçeğinde milyonlarca ürün, on binlerce satıcı ve devasa bir davranış verisi birikiyor. Bu ölçek, üretken ticaret için hem büyük bir fırsat hem de büyük bir sorumluluk. Fırsat, çünkü modelleri besleyecek veri zaten orada. Sorumluluk, çünkü o veri KVKK kapsamında kişisel veri ve onu istediğiniz gibi kullanamıyorsunuz.

Şimdi işin en çok kafa karıştıran ama en kritik kısmına gelelim. Kişiselleştirme ve konuşarak alışverişi anladık; peki "agentic commerce" ne demek? Aradaki fark şu: bugüne kadarki yapay zekâ, size ürün öneren bir danışmandı. Agentic commerce'te ise yapay zekâ, alışverişi sizin adınıza aktif olarak yürüten bir ortak — hatta bazen doğrudan alıcı — hâline geliyor.

Somutlaştırayım. Klasik senaryoda siz kahve kapsülünüzün bittiğini fark eder, siteye girer, ürünü bulur, sepete atar, ödersiniz. Agentic senaryoda ise şöyle bir cümle kuruyorsunuz: "Kahve kapsüllerim bitmek üzere, her zamanki markadan sipariş ver ama bu sefer indirimdeyse iki kutu al." Ajan stoğunuzu takip ediyor, fiyatı izliyor, doğru anı yakalıyor, siparişi oluşturuyor ve — sizin belirlediğiniz sınırlar içinde — ödemeyi tamamlıyor. Siz sürecin içinde tek tek tıklamıyorsunuz; niyeti söylüyorsunuz, gerisini ajan hallediyor.

Bu senaryonun ölçeği tahmin ettiğinizden çok daha büyük:

• Agentic commerce'in 2030'a kadar e-ticaret gelirine 190 milyar doların üzerinde katkı yapması bekleniyor.
• Aynı dönemde online alışverişlerin kabaca %55'inin kısmen ya da tamamen otonom satın alma özellikleriyle gerçekleşebileceği öngörülüyor.
• Bu trendin ilk somut sinyalini geçtiğimiz küresel tatil sezonu alışverişinde gördük: yapay zekâ ve ajanlar, kişiselleştirilmiş öneriler ve konuşma temelli hizmet üzerinden yaklaşık 262 milyar dolarlık harcamayı etkiledi — bu, toplam harcamanın kabaca %20'sine denk geliyor.

Bu rakamları bir eğitimde paylaştığımda çoğu yöneticinin ilk tepkisi "bu bize çok uzak" oluyor. Ben de şunu söylüyorum: uzak değil, sadece görünmez. Müşteriniz bugün bir yapay zekâ asistanına "bana X kategorisinde en iyi üç ürünü bul" dediğinde, sizin ürününüz o üç listeye giriyor mu girmiyor mu — işte gerçek rekabet artık orada. Arama motoru optimizasyonundan (SEO) sonra sırada "ajan optimizasyonu" var: ürün verinizin, yapay zekâ ajanları tarafından doğru anlaşılabilir, karşılaştırılabilir ve önerilebilir olması gerekiyor.

Hiper-kişiselleştirmeyi eski usul segmentasyondan ayıran şey, statik olmaması. Eskiden müşteriyi kabaca gruplara ayırırdık: "25-34 yaş, kadın, İstanbul, orta gelir." Bu segment bir kez tanımlanır, aylarca öyle kalırdı. Yapay zekâ destekli kişiselleştirme ise böyle çalışmıyor. Sistem sürekli olarak gerçek zamanlı sinyalleri yorumluyor ve müşteriye o an içinde uyum sağlıyor.

Hangi sinyallerden bahsediyorum? Sahada anlattığım liste şöyle:

• Gezinme davranışı: Hangi ürünlere baktı, ne kadar süre kaldı, neyi atladı, neyi tekrar tekrar açtı.
• Satın alma geçmişi: Daha önce ne aldı, hangi sıklıkla, hangi fiyat bandında.
• Açık ve örtük niyet: "Yürüyüş ayakkabısı" araması açık niyet; ama saat 23:00'te outdoor kategorisinde uzun süre gezmek, yaklaşan bir tatil niyetinin örtük sinyali olabilir.
• Zamanlama: Günün saati, haftanın günü, maaş dönemi, kampanya takvimi.
• Cihaz bağlamı: Mobil mi masaüstü mü, uygulama mı web mi, bağlantı hızı bile deneyimi değiştirir.

Kritik nokta şu: yapay zekâ bu sinyalleri anlık olarak birleştirip müşteriye o an uyum sağlıyor. Aynı müşteri, sabah metroda telefonundan hızlı bir göz atma modundayken farklı, akşam evde masaüstünden detaylı araştırma modundayken farklı bir deneyim görüyor. İşte hiper-kişiselleştirmenin "hiper" kısmı tam olarak bu: sabit bir profil değil, anlık bir uyum.

Ama burada Türkiye'deki her perakendeciye özellikle altını çizerek söylediğim bir uyarı var. Bu sinyallerin çoğu KVKK kapsamında kişisel veri. Gezinme davranışını, satın alma geçmişini, çıkarımsal niyeti işleyip profil oluşturmak, KVKK'nın "profilleme" ve "açık rıza" boyutlarıyla doğrudan ilgili. Yani "veriyi topladık, model kursun" diyemiyorsunuz; hangi veriyi, hangi amaçla, hangi hukuki dayanakla işlediğinizi netleştirmek zorundasınız. Bu konuya birazdan ayrı bir başlıkla döneceğim.

Teoriyi bir kenara bırakıp somut kullanım alanlarına geçelim, çünkü eğitimlerde en çok sorulan soru bu: "Güzel de biz nereden başlayalım?" Aşağıdaki tablo, e-ticarette üretken ve ajan tabanlı yapay zekânın somut kullanım alanlarını, ne işe yaradıklarını ve Türkiye bağlamındaki karşılıklarını özetliyor.

Kullanım alanı	Ne yapar	Türkiye/saha karşılığı
Ürün keşfi ve arama	Anahtar kelime yerine niyet temelli, konuşarak arama	Pazar yerinde milyonlarca üründe doğru ürünü bulma sorununu çözer
Konuşma temelli asistan	Müşteriyle diyalog kurar, soru sorar, yönlendirir	7/24 Türkçe alışveriş danışmanı; çağrı merkezi yükünü azaltır
Kişiselleştirilmiş öneriler	Gerçek zamanlı sinyallerle "sana özel" vitrin	Dönüşümün ~%45'ini besleyen ana kaldıraç
Dinamik fiyatlama	Talep, stok, rekabet ve zamana göre fiyat ayarı	TL'nin oynaklığı ve kampanya yoğunluğunda güçlü ama riskli araç
Üretilen ürün açıklaması ve reklam kreatifi	Binlerce ürün için otomatik metin ve görsel	Satıcı sayısı yüksek pazar yerlerinde ölçek sorununu çözer
Yorum özetleme	Yüzlerce yorumu tek bir özete indirger	"Bu üründe en çok neye takılmışlar?" sorusuna hızlı cevap
İade ve destek otomasyonu	İade, değişim ve destek taleplerini uçtan uca yürütür	İade oranı yüksek kategorilerde operasyonel maliyeti düşürür
Stok ve talep tahmini	Satış sinyallerinden geleceği öngörür	Kampanya dönemlerinde stok-out ve fazla stok dengesini kurar
Sanal deneme (virtual try-on)	Ürünü farklı beden ve vücut tiplerinde görselleştirir	Moda ve kozmetikte iade oranını düşüren en güçlü araçlardan biri

Bu tabloyu paylaştığımda hep şunu ekliyorum: hepsini aynı anda yapmaya kalkmayın. Sahada en başarılı olan kurumlar, tek bir dar problemle başlayanlar oldu. Örneğin moda kategorisinde iade oranı yüksekse, önce sanal deneme ve yorum özetlemeye odaklanmak; iadeyi düşürüp yatırımın geri dönüşünü net göstermek çok daha akıllıca. Dinamik fiyatlama gibi hem güçlü hem riskli bir alana ise en son, kontrollü şekilde girmek gerekiyor.

Konuşma temelli asistanlar ve üretilen içerik (ürün açıklaması, reklam metni, görsel) e-ticaretin en görünür yapay zekâ kullanımları. Bir pazar yerinde on binlerce satıcının ürününe elle açıklama yazmak imkânsız; üretken yapay zekâ bu ölçeği tek başına çözebiliyor. Bir asistanın müşteriyle Türkçe, doğal ve bağlama uygun konuşabilmesi ise dönüşümü doğrudan etkiliyor.

Ama tam burada sahanın en can yakıcı riski devreye giriyor: halüsinasyon. Üretken model, olmayan bir ürün özelliğini varmış gibi yazabiliyor. "Bu ayakkabı su geçirmez" diyor, oysa değil. "Bu telefon 5 yıl garantili" diyor, oysa 2 yıl. Müşteri bu bilgiye güvenip alıyor, ürün gelince gerçekle karşılaşıyor ve sonuç: iade, şikâyet, itibar kaybı ve — Türkiye'de — tüketici hukuku açısından ciddi bir sorumluluk.

Bunu bir eğitimde şöyle özetlemiştim:

"

Üretken yapay zekâ, ürün açıklamasını yazan bir stajyer gibidir: hızlıdır, yorulmaz, binlerce ürünü aynı gün bitirir. Ama yazdığı her cümleyi doğrulayan bir editör olmadan onu asla yayına almazsınız. E-ticarette o editör, kaynağa (ürün veri tabanına) bağlı bir doğrulama katmanı olmak zorunda.

Pratikte alınacak önlemler şunlar:

• Kaynağa bağlama (grounding): Model, ürün özelliklerini kendi "hafızasından" değil, doğrulanmış ürün veri tabanından üretmeli. Serbest üretim değil, veriye dayalı üretim.
• Marka güvenliği filtreleri: Üretilen metin ve görsel, markanın ses tonuna, yasal sınırlara ve reklam mevzuatına uygun mu diye otomatik denetlenmeli. Türkiye'de sağlık beyanı, fiyat vaadi gibi konular ayrıca hassas.
• İnsan onayı katmanı: Yüksek hacimli ama düşük riskli kategorilerde otomasyon; sağlık, bebek, gıda gibi hassas kategorilerde insan onayı zorunlu olmalı.

Marka güvenliği konusunu özellikle vurguluyorum çünkü üretilen görseller ve metinler bazen markayı istemeden yanlış temsil edebiliyor ya da rakip/uygunsuz bağlamlar üretebiliyor. Bir pazar yeri düşünün: on binlerce ürün açıklaması otomatik üretiliyor. Bunların içinden birinin yanlış bir sağlık iddiası ya da abartılı bir vaat içermesi, tüm markayı riske atabilir. Bu yüzden üretilen içerik, hız için otomasyonla; güven için denetimle birlikte kurgulanmalı.

Dinamik fiyatlamayı ayrı bir başlıkta ele almak istiyorum çünkü Türkiye bağlamında bu, hem en çok potansiyel taşıyan hem de en çok dikkat isteyen alan. Yapay zekâ; talebi, stok durumunu, rakip fiyatlarını, günün saatini ve müşteri sinyallerini okuyarak fiyatı anlık ayarlayabiliyor. TL'nin oynaklığı ve sık kampanya döngüleri düşünülünce, bu yetenek kâr marjını korumak için son derece değerli.

Ama tam da bu güç, en büyük riski beraberinde getiriyor: fiyatlamada adalet (fairness). Yapay zekâ, aynı ürünü iki farklı müşteriye farklı fiyattan gösterirse ne olur? Eğer bu fark, müşterinin ödeme gücüne dair çıkarımlara dayanıyorsa, hem etik hem de itibar açısından ciddi bir sorun doğar. Müşteriler bu tür farklılaşmayı fark ettiğinde tepki sert oluyor; sosyal medyada tek bir ekran görüntüsü, aylarca kurduğunuz güveni yıkabiliyor.

Sahada önerdiğim yaklaşım net:

• Dinamik fiyatlamayı arz-talep, stok ve rekabet gibi meşru, açıklanabilir sinyallere dayandırın.
• Fiyatı bireysel müşterinin ödeme gücüne dair çıkarımlara göre kişiselleştirmekten kaçının; bu hem KVKK'nın profilleme boyutuyla hem de temel adalet ilkesiyle çelişir.
• Fiyat değişimlerini açıklanabilir tutun: "Neden bu fiyat?" sorusuna içeriden mantıklı bir cevap verebilmelisiniz.
• İndirim ve kampanyalarda şeffaflık koruyun; Türkiye'de sahte indirim ve fiyat manipülasyonu konusunda mevzuat ve kamuoyu hassasiyeti yüksek.

Yapay zekâ destekli fiyatlama, doğru kurulduğunda müşteriyi de memnun edebilir: doğru anda doğru indirim, stok fazlasını eritmek, talebi dengelemek herkesin yararına. Yanlış kurulduğunda ise güveni yerle bir eder. Fark, hangi sinyallere dayandığınızda gizli.

Vitrindeki parlak kullanım alanlarını konuştuk; ama e-ticaretin gerçek karlılığı çoğu zaman operasyonda, yani sahnenin arkasında saklı. Üretken ve ajan tabanlı yapay zekânın burada üç güçlü kullanımı var: iade/destek otomasyonu, yorum özetleme ve stok/talep tahmini.

İade ve destek otomasyonu, özellikle iade oranı yüksek kategorilerde (moda başta olmak üzere) operasyonel maliyeti ciddi biçimde düşürüyor. Bir ajan, müşterinin iade talebini baştan sona yürütebiliyor: nedeni anlıyor, uygunluğu kontrol ediyor, kargo etiketini oluşturuyor, iadeyi kaydediyor. Müşteri saatlerce çağrı merkezinde beklemiyor; işlem dakikalar içinde bitiyor. Ben bunu eğitimlerde "görünmeyen memnuniyet" diye anlatıyorum: müşteri iyi bir iade deneyimi yaşadığında bunu nadiren över, ama kötü bir iade deneyimi yaşadığında kesinlikle terk eder.

Yorum özetleme ise küçük görünen ama dönüşüme doğrudan dokunan bir araç. Yüzlerce yorumu okumak müşteri için yorucu; yapay zekâ bunları tek bir özete indiriyor: "Kullanıcılar kaliteyi övüyor ama beden ölçüsünün küçük geldiğini sık sık belirtmiş." Bu tek cümle, müşterinin doğru bedeni seçmesini sağlayarak hem dönüşümü artırıyor hem de iadeyi düşürüyor.

Stok ve talep tahmini, satış sinyallerinden geleceği öngörerek kampanya dönemlerinde en kritik dengeyi kuruyor: ne stoksuz kalıp satış kaçırmak, ne de fazla stokla kasayı kilitlemek. Türkiye'de büyük indirim dönemlerinin (kasım kampanyaları, sezon sonları) yoğunluğu düşünülünce, isabetli talep tahmini doğrudan nakit akışına yansıyor.

Bu üç alanın ortak özelliği, müşterinin gözüne çarpmaması ama karlılığı doğrudan etkilemesi. Vitrindeki konuşan asistan görünür ve etkileyicidir; ama işin ekonomisini çoğu zaman bu görünmeyen kahramanlar belirler.

Buraya kadar anlattıklarım küresel geçerli; ama Türkiye pazarının kendine özgü dinamiklerini eklemeden tablo eksik kalır. Bizim e-ticaretimiz, birkaç dev pazar yerinin etrafında şekillenmiş bir ekosistem. Bu yapı, yapay zekânın nasıl uygulanacağını doğrudan etkiliyor ve sahada bunu sürekli görüyorum.

Birincisi, ölçek ve veri yoğunluğu. Bir pazar yerinde aynı anda milyonlarca ürün, on binlerce satıcı ve on milyonlarca kullanıcı var. Bu, üretken yapay zekâ için hem cennet hem cehennem. Cennet, çünkü model eğitecek, öneri besleyecek veri muazzam. Cehennem, çünkü aynı ürünün on farklı satıcıda on farklı açıklamayla, farklı görsellerle, farklı kalitede verilerle listelendiği bir ortamda "temiz veri" bulmak çok zor. Sahada gördüğüm en büyük darboğaz teknoloji değil, veri kalitesi. Yapay zekâ, kötü veriyle beslenirse kötü öneri, yanlış açıklama ve isabetsiz tahmin üretir.

İkincisi, satıcı çeşitliliği. Türkiye pazar yerlerinde küçük bir butikten büyük bir markaya kadar her ölçekte satıcı var. Üretken yapay zekânın en değerli olduğu yer tam da burası: küçük satıcı, on binlerce ürünü için profesyonel açıklama ve görsel üretecek kaynağa sahip değil. Yapay zekâ bu eşitsizliği kapatabiliyor; küçük satıcıya da büyük marka kalitesinde vitrin imkânı veriyor. Ama aynı araç, denetimsiz bırakılırsa yanlış beyan ve marka güvenliği sorunlarını da ölçekle çoğaltıyor.

Üçüncüsü, fiyat hassasiyeti ve kampanya kültürü. Türk tüketicisi fiyata son derece duyarlı ve pazar yerleri sürekli kampanya döngüsünde. Bu ortamda dinamik fiyatlama ve kişiselleştirilmiş öneri güçlü bir kaldıraç; ama az önce anlattığım adalet ve şeffaflık riskleri de tam bu yüzden Türkiye'de daha yakıcı. Bir müşteri, aynı ürünü komşusundan farklı fiyatta gördüğünü düşündüğü an, güven anında çöküyor.

Bu üç dinamiği bir arada düşününce şu sonuca varıyorum: Türkiye'de yapay zekâ e-ticaret projesi, teknoloji projesinden çok bir veri ve güven projesidir. Modeli kurmak işin belki de en kolay kısmı; asıl iş, o modeli besleyecek temiz veriyi ve müşteride sürdürülebilir güveni inşa etmek.

Bu dönüşümün az konuşulan ama çok önemli bir boyutu da, insan rollerinin yeniden dağılması. Eğitimlerde bana en çok sorulan endişe: "Bu araçlar bizim ekibin işini elinden alacak mı?" Sahadan cevabım net: iş ortadan kalkmıyor, yer değiştiriyor.

Konuşma temelli asistan, müşteri temsilcisinin tekrar eden, düşük katma değerli işlerini (nerede kargom, iademi nasıl yaparım, beden tablosu nedir) devralıyor. Bu, temsilciyi işsiz bırakmıyor; onu daha karmaşık, insan dokunuşu gereken vakalara yönlendiriyor. Aynı şekilde, ürün açıklamasını üreten yapay zekâ, içerik ekibinin binlerce ürünü tek tek yazma yükünü alıyor; ekip artık üretileni denetleyen, marka sesini koruyan bir editör rolüne geçiyor.

Ben buna "yapay zekâ üretir, insan onaylar" modeli diyorum. Özellikle hassas kategorilerde ve yüksek riskli kararlarda insanın devrede kalması şart. Ajan fiyat önerir, insan onaylar. Ajan iade sürecini yürütür, istisnai durumlarda insana devreder. Ajan içerik üretir, editör yayına almadan önce doğrular. Bu model hem verimliliği hem de güveni koruyor.

Sahada başarılı olan kurumların ortak özelliği şu: yapay zekâyı "insanı değiştiren" değil, "insanı güçlendiren" bir katman olarak konumlandırdılar. Ekiplerini bu araçları kullanmaya, denetlemeye ve iyileştirmeye eğittiler. Yapay zekâyı en iyi kullanan e-ticaret ekipleri, teknolojiyi en çok satın alanlar değil; ekibini en iyi hazırlayanlar oldu.

Şimdi en çok üzerinde durduğum bölüme geldik. Yukarıda anlattığım her şey, sağlam bir güven ve uyum zemini olmadan çöker. Türkiye'de e-ticarette yapay zekâyı konuşurken, teknolojiden önce çözülmesi gereken üç mesele var.

Birincisi, KVKK ve kişiselleştirme dengesi. Hiper-kişiselleştirme, doğası gereği veri açlığı çeken bir yaklaşım: ne kadar çok sinyal, o kadar isabetli öneri. Ama gezinme davranışı, satın alma geçmişi ve çıkarımsal niyet, KVKK kapsamında kişisel veri. Bunları işleyip profil oluşturmak "profilleme" faaliyetidir ve açık rıza, aydınlatma yükümlülüğü, amaçla sınırlılık gibi ilkelere tabidir. Sahada gördüğüm en yaygın hata, ekibin "veri zaten elimizde, modeli besleyelim" diye düşünmesi. Oysa verinin elinizde olması, onu her amaçla kullanabileceğiniz anlamına gelmiyor. Kişiselleştirme için hangi veriyi, hangi hukuki dayanakla işlediğinizi netleştirmeden başlarsanız, bir gün gelen bir denetim ya da şikâyet tüm projeyi durdurabilir.

İkincisi, ajan ödeme güvenliği. Agentic commerce'in en heyecan verici vaadi — ajanın sizin adınıza satın alması — aynı zamanda en büyük güvenlik sorusunu doğuruyor. Bir ajan sizin adınıza ödeme yapıyorsa: Harcama sınırı ne? Hangi işlem için ayrı onay isteniyor? Ajan ele geçirilirse ne olur? Ödeme bilgisi nasıl korunuyor? Bu sorular yanıtlanmadan otonom satın almayı devreye almak, kapıyı açık bırakıp "umarım kimse girmez" demeye benziyor. Ben kurumlara şunu öneriyorum: ajan ödemelerinde net harcama tavanları, işlem türüne göre insan onayı eşikleri ve her ajan işleminin izlenebilir kaydı olmalı. Otonomi, sınırsızlık demek değil; iyi tanımlanmış sınırlar içinde özgürlük demek.

Üçüncüsü, marka güveni. Yapay zekâ destekli deneyim, müşterinin markaya güveni üzerine kuruluyor. Halüsinasyonla yanlış ürün bilgisi vermek, adil olmayan fiyatlama yapmak ya da veriyi kötü kullanmak — bunların her biri güveni aşındırıyor. Ve e-ticarette güven, en pahalı ama en kırılgan varlık. Bir kez kaybedildiğinde geri kazanmak, kazanmaktan çok daha zor.

Bu üç meseleyi bir arada düşünmenin pratik yolu şu tabloda:

Risk alanı	Somut tehlike	Alınacak önlem
KVKK / kişiselleştirme	İzinsiz profilleme, amaç aşımı	Açık rıza, aydınlatma, amaçla sınırlı veri işleme
Halüsinasyon	Yanlış ürün iddiası, tüketici mağduriyeti	Kaynağa bağlı üretim, doğrulama katmanı
Marka güvenliği	Uygunsuz üretilen içerik, yanlış beyan	Otomatik filtreler + hassas kategoride insan onayı
Ajan ödeme güvenliği	Yetkisiz/ele geçirilmiş satın alma	Harcama tavanı, onay eşiği, izlenebilir kayıt
Fiyatlamada adalet	Ödeme gücüne göre ayrımcı fiyat	Meşru sinyallere dayanma, şeffaflık

Bütün bu tabloyu kurumlara anlattığımda gelen soru hep aynı: "Peki biz yarın sabah ne yapalım?" Sahadan çıkardığım, işe yarayan bir başlangıç planı paylaşayım. Amaç, her şeyi aynı anda yapmak değil; hızlı ve ölçülebilir bir kazanımla güven inşa edip yola devam etmek.

1. İlk 30 gün — dar bir problem seçin ve veriyi düzenleyin. İade oranı yüksek tek bir kategoriyle başlayın (moda genelde en iyi aday). Ürün verinizi temizleyin; çünkü üretken yapay zekâ da, ajan öneri sistemleri de kötü veriyle kötü çalışır. Aynı dönemde KVKK tarafını netleştirin: hangi veriyi hangi amaçla işleyeceksiniz, açık rıza akışınız hazır mı?
2. 30-60 gün — düşük riskli, yüksek etkili bir kullanım devreye alın. Yorum özetleme ve kaynağa bağlı ürün açıklaması üretimi ideal başlangıç: hızlı sonuç verir, riski düşüktür, doğrulaması kolaydır. Sanal deneme, moda/kozmetikte iadeyi düşürerek net bir geri dönüş gösterir.
3. 60-90 gün — konuşma temelli asistanı pilotlayın. Türkçe, bağlama duyarlı bir alışveriş asistanını sınırlı bir kategoride test edin. Halüsinasyon önlemlerini (grounding, doğrulama) baştan kurun; asistanı ürün veri tabanına bağlayın, serbest bırakmayın.
4. 90 gün ve sonrası — dinamik fiyatlama ve agentic özelliklere kontrollü geçin. Bu güçlü ama hassas alanlara ancak veri, uyum ve güven zemininiz sağlamken girin. Ajan ödemelerinde harcama tavanı, onay eşiği ve izlenebilirlik olmadan otonom satın almayı açmayın.

Bu yol haritasının ruhu şu: e-ticarette yapay zekâ bir "büyük patlama" projesi değil, üst üste konan küçük ve ölçülebilir kazanımlar zinciri. Arama kutusundan konuşarak alışverişe, danışman yapay zekâdan alıcı ajana geçiş çoktan başladı. Türk perakendecisi için asıl soru "yapay zekâ kullanacak mıyız?" değil; "müşterimiz bir ajana 'bana en iyisini bul' dediğinde, listeye giren biz olacak mıyız?" Bugün atacağınız o ilk dar adım, o listede yer alıp almayacağınızı belirleyecek.