E-ticarette Yapay Zeka 2026: Talep Tahmini, Öneri ve Müşteri Hizmetleri (Türkiye)

TL;DR — Türk e-ticaretinde yapay zeka artık "deneyelim de görelim" aşamasını geçti; sahada gördüğüm kadarıyla önce talep tahmini ve müşteri hizmetleri öne çıkıyor, çünkü ikisi de doğrudan stok maliyetine, operasyonel yüke ve dönüşüm oranına dokunuyor. Bu yazıda talep tahmininden öneri motorlarına, semantik aramadan dinamik fiyatlandırmaya, agentic müşteri hizmetlerinden iade ve dolandırıcılık tespitine kadar somut kullanım alanlarını; her birinin hangi veriyi istediğini, hangi değeri ürettiğini ve KVKK açısından nereye dikkat etmek gerektiğini sahadan senaryolarla anlatıyorum. Sonunda da "yarın sabah nereden başlarım" diye soranlar için bir önceliklendirme çerçevesi ve 90 günlük bir başlangıç yol haritası bırakıyorum. ROI rakamlarını bilerek örnek olarak veriyorum; sizin verinizle sizin sonucunuz çıkar, benimkiyle değil.

Son iki yılda sahada gözlemlediğim en net değişiklik şu: yapay zeka konusu artık pazarlama ekibinin bir slaytında "gelecek vizyonu" olarak durmuyor; operasyon, satın alma, müşteri hizmetleri ve finans masalarında somut bir gündem maddesi haline geldi. Görüşme yaptığım orta ve büyük ölçekli e-ticaret şirketlerinin neredeyse tamamı en az bir yapay zeka projesini ya pilot ya da üretim aşamasında yürütüyor. Ama açık konuşayım: bu projelerin bir kısmı hâlâ "araç aldık, ne yapacağımızı tam bilmiyoruz" noktasında. İşte bu yazının derdi tam olarak bu boşluğu doldurmak.

Türkiye'de e-ticaret tarafında yapay zekanın ilk uygulama alanı olarak talep tahmini ve müşteri hizmetleri önceliklendiriliyor. Bunun tesadüf olmadığını düşünüyorum. Talep tahmini, doğrudan stok maliyetine ve nakit akışına dokunduğu için finansın da desteklediği bir alan; müşteri hizmetleri ise hem maliyeti hem müşteri memnuniyetini aynı anda etkilediği için üst yönetimin gözünde somut. Beklenen faydalar da net konuşuluyor: stok ve operasyonel maliyette düşüş ile dönüşüm oranında iyileşme. Bu iki cümle kulağa basit geliyor ama arkasında ciddi bir veri disiplini gerektiriyor.

Bir de makro tarafta önemli bir gelişme var. Türkiye'nin Ulusal Yapay Zeka Eylem Planı 2026–2030, kamu veri kümelerine erişimin açılmasını içeriyor; sağlık, tarım, savunma ve e-ticaret gibi alanlarda verilerin erişime açılması, Ulusal Veri Kütüphanesi üzerinden en az 2.000 kamu veri kümesinin kullanıma sunulması hedefleniyor. Bunu neden önemsiyorum? Çünkü e-ticarette en büyük darboğaz çoğu zaman modelin kendisi değil, modeli besleyecek temiz ve zengin veridir. Kamu veri kümelerinin açılması, özellikle talep tahmini ve pazar analizi tarafında küçük ve orta ölçekli oyuncular için bugün erişemedikleri bir zenginlik anlamına gelebilir.

"

Sahadan bir gözlem: Yapay zeka projelerinde başarısızlığın en sık sebebi model seçimi değil, "hangi iş problemini çözüyoruz" sorusunun net cevaplanmamış olması. Önce problem, sonra veri, en son model. Bu sırayı bozan hemen herkes altı ay sonra "biz bunu neden yapmıştık" diye soruyor.

Bu yazıda kullanım alanlarını tek tek açacağım. Ama baştan bir çerçeve vereyim: her kullanım alanını üç soruyla değerlendiriyorum. Birincisi, hangi iş metriğini hareket ettiriyor (stok, dönüşüm, iade, maliyet)? İkincisi, hangi veriye ihtiyaç var ve o veri bende var mı? Üçüncüsü, KVKK açısından hangi risk kapısını açıyor? Bu üç soruyu netleştirmeden hiçbir projeye başlamayın derim.

Talep tahminini bilinçli olarak en başa koyuyorum, çünkü sahada gördüğüm en somut ve en hızlı geri dönen alan burası. Mantığı basit: geçmiş satış verinize, mevsimselliğe, kampanya takvimine, fiyat değişimlerine ve mümkünse dış sinyallere (hava durumu, tatil günleri, rakip fiyat hareketleri) bakarak önümüzdeki dönemde her ürün için ne kadar talep geleceğini tahmin edersiniz. Doğru tahmin iki yönlü kazandırır: elinizde gereğinden fazla stok tutmazsınız (bağlı sermaye, depo maliyeti, sezon sonu indirimi azalır) ve stoksuz kalıp satış kaçırmazsınız.

Türkiye özelinde talep tahminini zorlaştıran birkaç yerel gerçek var ve bunları göz ardı eden modeller hüsranla sonuçlanıyor. Yüksek ve değişken enflasyon, fiyatların kısa sürede değişmesine yol açıyor; bu da geçmiş satış adetlerini olduğu gibi kullanmayı riskli kılıyor. Kur hareketleri, ithal ürünlerde maliyet ve fiyatı doğrudan etkiliyor. Kampanya yoğunluğu (özel günler, mega indirim günleri) talebi normal seyrinden kopartıyor. İyi bir talep tahmini modeli bu değişkenleri açıkça içine almalı; yoksa "geçen yıl bu hafta 100 sattık, bu yıl da 100 satarız" mantığı Türkiye'de çalışmıyor.

Pratikte önerdiğim yaklaşım kademeli. Önce ABC analizi ile ürünleri cirodaki ağırlığına göre ayırın. En kritik yüzde 20'lik ürün grubu çoğu zaman cironun büyük kısmını oluşturur; ilk model çalışmanızı bu gruba odaklayın. Uzun kuyruktaki (nadir satan) binlerce ürün için başta basit istatistiksel yöntemler yeterli olur; onlara aylarca mühendislik gücü harcamak akıl kârı değil.

"

Sahadan senaryo: Bir moda perakendecisiyle çalışırken en büyük kazancın sofistike bir derin öğrenme modelinden değil, kampanya takvimini ve beden bazlı satış dağılımını modele düzgün girmekten geldiğini gördük. Bazen değeri yaratan model değil, veriyi doğru kurgulamaktır.

Talep tahmininde KVKK riski görece düşüktür, çünkü çoğunlukla ürün ve işlem düzeyinde toplulaştırılmış veri kullanırsınız; birey bazlı profil çıkarmazsınız. Yine de dikkat: tahmin modelini müşteri segmentleriyle kişiselleştirmeye başladığınız an, iş kişisel veri işlemeye döner ve KVKK kapısı açılır.

Öneri motorları e-ticarette belki de en görünür yapay zeka uygulaması. "Bunu alanlar şunu da aldı", "sizin için seçtiklerimiz", ana sayfadaki kişiselleştirilmiş vitrin, sepette tamamlayıcı ürün önerileri... Hepsi aynı ailenin üyeleri. İyi kurgulanmış bir öneri sistemi sepet ortalamasını ve dönüşüm oranını hissedilir biçimde yükseltebilir. Ama tam da bu güç, KVKK açısından en dikkat gereken alanı da yaratıyor; çünkü öneri sistemi doğası gereği profilleme yapar.

Teknik tarafta öneri sistemlerinin birkaç temel yaklaşımı var. İşbirlikçi filtreleme (collaborative filtering) benzer davranışlı kullanıcıların tercihlerinden yola çıkar. İçerik tabanlı yöntemler ürün özniteliklerine bakar. Modern sistemler ikisini harmanlar ve giderek daha çok derin öğrenme temelli gömme (embedding) yöntemleri kullanır. Türkiye'de karşılaştığım en yaygın hata, "soğuk başlangıç" problemini hafife almak: yeni kullanıcı ve yeni ürün için geçmiş davranış yoktur, dolayısıyla ilk öneriler zayıf olur. Bu yüzden hibrit bir strateji ve iyi bir varsayılan (popülerlik, kategori, editör seçimi) şart.

Kişiselleştirmede benim ısrarla altını çizdiğim nokta şu: kişiselleştirme bir amaç değil araçtır. Amaç, müşteriye aradığını daha hızlı bulmasını sağlamak ve alakalı ürünü göstermektir. Aşırı kişiselleştirme bazen ters teper; müşteri sürekli aynı tip ürünle karşılaşınca keşif duygusu kaybolur. İyi sistemler alaka ile keşif arasında denge kurar.

KVKK tarafında öneri sistemleri için üç şeyi netleştirmenizi öneriyorum. Birincisi, kişiselleştirmenin hukuki dayanağı nedir (açık rıza mı, meşru menfaat mi)? İkincisi, müşteriye bu profillemenin yapıldığı şeffaf biçimde bildiriliyor mu? Üçüncüsü, müşteri kişiselleştirmeyi kapatabiliyor mu? Bu üçünü çözmeden ölçekli kişiselleştirmeye geçmek, ilerideki denetimlerde başınızı ağrıtır.

Site içi arama, e-ticarette en çok küçümsenen ama dönüşümü en çok etkileyen alanlardan biri. Arama yapan müşteri, satın alma niyeti en yüksek müşteridir; ne aradığını biliyordur. Klasik anahtar kelime tabanlı arama ise Türkçenin sancılarıyla boğuşur: ekler, yazım farklılıkları, eş anlamlılar, İngilizce-Türkçe karışık terimler... "Kablosuz kulaklık" arayan biri "bluetooth kulaklik" yazınca eli boş dönerse, o satışı kaybettiniz demektir.

İşte burada semantik arama devreye giriyor. Anlam temelli (embedding) arama, kelimenin birebir eşleşmesine değil, niyetin ve bağlamın yakınlığına bakar. "Yazlık ince ceket" araması, ürün açıklamasında bu kelimeler geçmese bile doğru ürünlere ulaşabilir. Türkçe için bu özellikle kıymetli, çünkü dilimizin morfolojik zenginliği klasik aramayı zorlar. Sahada gördüğüm iyi uygulamalar, semantik aramayı klasik aramanın yerine değil, yanına koyuyor: hibrit bir skorlama ile hem tam eşleşmeyi hem anlamsal yakınlığı harmanlıyor.

"

Sahadan not: Arama kutusunda "sonuç bulunamadı" gören müşteri sayısını ölçmeyen bir e-ticaret sitesi, kör noktada oturuyor demektir. Bu "sıfır sonuç" sorgularını haftalık incelemek, hem katalog eksiklerini hem arama kalitesini görmenin en ucuz yoludur.

Semantik aramanın KVKK boyutu görece hafiftir, çünkü sorgular çoğunlukla anonim ele alınabilir. Ama kişiye özel arama sıralaması (kişinin geçmişine göre farklı sıralama) yaparsanız, yine profilleme alanına girersiniz ve öneri sistemleriyle aynı kuralları uygulamanız gerekir.

Dinamik fiyatlandırma, talebe, stoğa, rakip fiyatlarına ve müşteri segmentine göre fiyatı otomatik ayarlamayı hedefler. Doğru kurgulandığında marjı ve satış hacmini birlikte optimize edebilir. Ama açık söyleyeyim: bu alan hem teknik hem etik hem hukuki açıdan en hassas alanlardan biri ve aceleye getirmenizi kesinlikle önermiyorum.

Türkiye'de dinamik fiyatlandırmayı kurgularken üç sınırı özellikle akılda tutun. Birincisi, tüketici algısı ve güven: aynı ürünü beş dakika arayla farklı fiyat gören müşteri, güvenini yitirir ve bunu sosyal medyada anında paylaşır. İkincisi, hukuki çerçeve: haksız fiyat artışı, fahiş fiyat ve tüketici koruma mevzuatı Türkiye'de dikkatle takip edilen konulardır. Üçüncüsü, kişiye özel fiyatlandırma özellikle risklidir; bir müşteriye cihazına, konumuna veya geçmişine göre farklı fiyat göstermek hem KVKK hem tüketici hukuku açısından ciddi bir ayrımcılık ve profilleme riski taşır.

Benim önerim, dinamik fiyatlandırmaya segment bazlı değil, ürün ve zaman bazlı başlamak: stok fazlası ürünlerde kampanya, sezon sonu otomatik indirim, rakip fiyat takibine göre kategori bazlı ayarlama. Bunlar müşteriyi bireysel olarak profillemeden değer üretir. Kişiye özel fiyata ise ancak hukuk ve etik çerçeveyi net oturttuktan sonra, çok temkinli yaklaşın.

Müşteri hizmetleri, talep tahminiyle birlikte Türkiye'de en çok önceliklendirilen alan; ve son bir yılda burada gerçek bir sıçrama yaşandı. Eski nesil chatbot'lar, önceden yazılmış kalıpların dışına çıkamayan, müşteriyi çıkmaza sokan araçlardı. Agentic (eyleme geçebilen) sistemler farklı: sadece cevap üretmiyor, sipariş durumunu sorgulamak, iade başlatmak, kargo takibi yapmak, ürün değişimi gibi aksiyonları gerçekten alabiliyorlar — tabii kendilerine tanımlanan sınırlar içinde.

Bunun operasyonel değeri büyük. İyi kurgulanmış bir agentic destek katmanı, tekrar eden ve basit taleplerin ciddi bir kısmını insan temsilciye gitmeden çözer; insan temsilci de gerçekten karmaşık, empati gerektiren, yüksek değerli konulara odaklanır. Yani amaç insanı işten çıkarmak değil, insanı doğru yere konumlandırmak. Sahada gördüğüm başarılı kurgular hep bu felsefeyle çalışıyor.

"

Sahadan senaryo: Bir agentic destek asistanı kurarken en kritik kararımız "asistan hangi durumda insana devretmeli" eşiğini net tanımlamaktı. Müşteri iki kez üst üste tatmin olmazsa, öfke sinyali varsa veya finansal risk taşıyan bir işlemse, sistem sessizce insana devrediyor. Bu devir kuralı olmayan sistemler, en fazla memnuniyetsizliği en yanlış anda üretiyor.

Agentic sistemlerde teknik olarak dikkat edilecek üç şey var. Birincisi, halüsinasyon kontrolü: asistan bilmediği bir şeyi uydurmamalı; bunun için cevapları şirketin gerçek bilgi tabanına dayandıran (retrieval temelli) bir mimari şart. İkincisi, aksiyon yetkilerinin sınırlanması: asistanın hangi işlemi yapabileceği, hangi tutara kadar iade onaylayabileceği net tanımlı olmalı. Üçüncüsü, kayıt ve denetlenebilirlik: her aksiyon loglanmalı ki sonradan hesap verilebilsin.

KVKK açısından müşteri hizmetleri asistanı önemli bir alan, çünkü müşteri konuşma sırasında bol miktarda kişisel veri paylaşır (ad, adres, sipariş, bazen çok daha fazlası). Bu verinin nerede işlendiği, ne kadar saklandığı ve özellikle yurt dışında barındırılan bir yapay zeka servisine gidip gitmediği kritik. Buna aşağıda ayrı bir başlıkta değiniyorum.

E-ticarette kârı sessizce yiyen iki kalem var: yüksek iade oranları ve dolandırıcılık. Yapay zeka ikisinde de değerli, çünkü ikisi de örüntü tanıma problemi. İade tarafında model, hangi ürün-müşteri-kampanya kombinasyonlarının yüksek iade ürettiğini öğrenebilir; bu da "bu ürünü bu segmente bu şekilde göstermeyelim" ya da "beden tablosunu düzeltelim" gibi somut aksiyonlara dönüşür. Türkiye'de özellikle moda ve giyimde iade oranları ciddi bir maliyet kalemi; buradaki küçük iyileşmeler bile toplamda büyük tutar eder.

Dolandırıcılık tespitinde ise model, anormal davranış örüntülerini (olağandışı sipariş sıklığı, sahte hesap sinyalleri, ödeme anomalileri, kötüye kullanılan kampanya kodları) gerçek zamanlı yakalar. Buradaki değer çift yönlü: hem doğrudan kaybı önlersiniz hem de dürüst müşteriyi yanlışlıkla engellememek için hassas bir denge kurarsınız. Aşırı agresif bir dolandırıcılık modeli, gerçek müşteriyi kaçırarak koruduğu paradan fazlasını kaybettirir.

"

Sahadan uyarı: Dolandırıcılık modelinizin "yanlış pozitif" oranını gözden kaçırmayın. Sistemin engellediği her şüpheli işlem içinde kaç tanesi aslında dürüst müşteriydi? Bu soruyu sormayan ekipler, farkında olmadan iyi müşteriyi kapıda çeviriyor.

KVKK açısından dolandırıcılık tespiti otomatik karar alanına girer ve bu hassas bir konudur. Bir müşterinin siparişini otomatik olarak reddeden ya da hesabını askıya alan bir sistem, KVKK'nın "kişinin aleyhine sonuç doğuran tamamen otomatik kararlar" çerçevesine temas eder. Burada insan gözden geçirmesi (human-in-the-loop) ve müşteriye itiraz hakkı tanımak, hem hukuki hem etik açıdan doğru olanı.

Üretken yapay zekanın en hızlı benimsenen alanı içerik üretimi oldu; ürün açıklamaları, kategori metinleri, e-posta kampanyaları, sosyal medya gönderileri, görsel varyasyonları... Binlerce ürünlü bir katalogda her ürüne özgün, SEO uyumlu açıklama yazmak insan gücüyle neredeyse imkânsızken, yapay zeka bunu ölçekte yapabiliyor. Sahada gördüğüm hız kazancı gerçek ve büyük.

Ama burada iki tuzağa düşülüyor. Birincisi kalite ve marka sesi: makine ürettiği için her metni olduğu gibi yayınlarsanız, katalogunuz tekdüze ve ruhsuz bir hal alır; markanın kendine has sesi kaybolur. İkincisi doğruluk: yapay zeka, üründe olmayan bir özelliği açıklamaya ekleyebilir (halüsinasyon). Yanlış ürün bilgisi hem iade hem güven hem hukuki sorun demektir. Bu yüzden içerik üretiminde benim modelim hep aynı: makine üretir, insan onaylar. Özellikle teknik özellik içeren ürünlerde insan kontrolü pazarlık konusu değil.

İçerik üretiminin KVKK riski görece düşüktür, çünkü genelde kişisel veri işlemezsiniz. İstisna, kişiye özel pazarlama içeriği ürettiğiniz durumdur; orada yine profilleme kuralları devreye girer. Bir de telif ve marka hakları konusuna dikkat: üretilen görsel ve metinlerin üçüncü tarafların haklarını ihlal etmediğinden emin olun.

Aşağıdaki tabloyu, bir projeyi değerlendirirken hızlı bir kontrol listesi gibi kullanabilirsiniz. Her satırda "bu ne kazandırır, bunun için neye ihtiyacım var, KVKK açısından nereye dikkat ederim" sorularını yanıtlamaya çalıştım.

Kullanım alanı	Ürettiği değer	İhtiyaç duyduğu veri	KVKK notu
Talep tahmini	Stok ve operasyon maliyetinde düşüş, stoksuzluğun azalması	Geçmiş satış, kampanya takvimi, fiyat/kur, mevsimsellik	Düşük risk; toplulaştırılmış veri, birey profili yok
Öneri sistemleri	Dönüşüm ve sepet ortalamasında artış	Kullanıcı davranışı, ürün öznitelikleri, satın alma geçmişi	Yüksek dikkat; profilleme, hukuki dayanak ve şeffaflık şart
Semantik arama	Arama dönüşümü, "sonuç yok" oranında düşüş	Ürün kataloğu, açıklamalar, sorgu logları	Anonim sorgu düşük risk; kişiye özel sıralama profillemedir
Dinamik fiyatlandırma	Marj ve hacim optimizasyonu	Talep, stok, rakip fiyatı, maliyet	Yüksek risk; kişiye özel fiyat ayrımcılık/profilleme riski
Agentic müşteri hizmetleri	Çözüm hızı, operasyonel maliyette düşüş	Bilgi tabanı, sipariş/kargo sistemleri, geçmiş talepler	Yüksek dikkat; konuşmada bol kişisel veri, yurt dışı aktarım riski
İade tahmini	İade maliyetinde azalma	Ürün, iade geçmişi, beden/segment verisi	Orta; segment bazlıysa profilleme kurallarına dikkat
Dolandırıcılık tespiti	Doğrudan kayıp önleme	İşlem, ödeme, davranış, cihaz sinyalleri	Yüksek dikkat; otomatik karar, insan gözden geçirmesi gerekli
İçerik üretimi	Ölçekte içerik, hız kazancı	Ürün verisi, marka ses rehberi, örnek metinler	Düşük; kişiye özel içerikte profilleme, telif/marka dikkati

Buraya özellikle önem veriyorum, çünkü sahada en çok atlanan ve en çok ceza riski taşıyan alan bu. Yapay zeka, e-ticarette çoğunlukla kişisel veri işler; öneri, kişiselleştirme, dolandırıcılık ve müşteri hizmetleri doğrudan bu alana girer. KVKK'nın Kasım 2025 tarihli Üretken Yapay Zeka ve Kişisel Verilerin Korunması rehberi, bu konuda yol gösterici bir kaynak ve masaya oturmadan önce ekibinizle birlikte okumanızı şiddetle öneriyorum.

İki başlığın altını özellikle çiziyorum. Birincisi profilleme ve otomatik kararlar. Öneri sistemleri, kişiye özel fiyat, dolandırıcılık engelleme gibi uygulamalar kişiyi profilliyor ve bazen kişinin aleyhine sonuç doğuran otomatik kararlar üretiyor. Burada gereken; net bir hukuki dayanak (açık rıza ya da meşru menfaat değerlendirmesi), müşteriye şeffaf bilgilendirme, kişiye aleyhine tamamen otomatik kararlarda itiraz ve insan müdahalesi imkânı ve verinin amacıyla sınırlı işlenmesi.

İkincisi, ve belki de en çok gözden kaçanı, yurt dışı veri aktarımı. Bugün pek çok yapay zeka servisi (özellikle büyük dil modelleri) sunucularını Türkiye dışında barındırıyor. Müşterinizin kişisel verisini böyle bir servise gönderdiğinizde, bu yurt dışına veri aktarımı anlamına gelebilir ve KVKK'nın aktarım kurallarına tabi olur. Yani "bir API'ye bağladık, çalışıyor" demek yetmez; o API'nin veriyi nereye taşıdığını, hangi hukuki mekanizmayla aktardığını bilmeniz gerekir.

"

Rakamla düşünelim: 2026 için KVKK idari para cezaları kabaca 85.437 TL ile 17.092.242 TL aralığında. Bir yapay zeka projesinin getirisini hesaplarken, uyumsuzluğun bu ölçekteki ceza riskini de aynı tabloya koyun. Çoğu zaman baştan doğru kurmanın maliyeti, sonradan düzeltmenin ve ceza riskinin çok altındadır.

Pratik önerilerim şunlar: Hassas kişisel veriyi mümkün olduğunca anonimleştirin veya takma adlaştırın modele göndermeden önce. Mümkünse veriyi Türkiye içinde işleyen ya da veri yerleşimi (data residency) garantisi veren çözümleri tercih edin. Her yapay zeka kullanım alanı için bir veri işleme envanteri tutun: hangi veri, hangi amaçla, nereye gidiyor, ne kadar saklanıyor. Ve hukuk/uyum ekibini projeye başında dahil edin, sonunda değil. Sahada gördüğüm en pahalı hatalar hep "önce yapalım, uyumu sonra bakarız" diyenlerden çıkıyor.

"Bu kadar kullanım alanı var, hangisinden başlayayım?" sorusuna sahada verdiğim cevap hep aynı basit çerçeveye dayanıyor. Her fikri iki eksende puanlayın: iş etkisi (bu, cir/maliyet/memnuniyet üzerinde ne kadar fark yaratır) ve uygulama kolaylığı (verim hazır mı, teknik ve hukuki karmaşıklık ne kadar). Bu ikisini çarpınca bir öncelik sırası çıkar.

Bu çerçeveye göre sahada tipik olarak ortaya çıkan tablo şöyle: Talep tahmini ve semantik arama genelde "yüksek etki, makul kolaylık" bölgesinde durur; hızlı kazanç arayan için ideal başlangıç noktalarıdır. Agentic müşteri hizmetleri yüksek etkilidir ama KVKK ve entegrasyon açısından biraz daha çaba ister; ikinci dalga için biçilmiş kaftandır. Kişiye özel fiyatlandırma ise yüksek etkili görünse de yüksek risklidir; bilinçli olarak sona bırakılmalı. Sizin şirketinizde bu tablo farklı çıkabilir; önemli olan bu iki ekseni kendi verinizle dürüstçe puanlamanız.

Önceliklendirirken üç ilkeyi hatırlatırım. Küçük başlayın, ölçün, büyütün: tek bir kullanım alanında net bir başarı, on tane yarım kalmış pilottan iyidir. Değeri baştan tanımlayın: "başarı neye benziyor" sorusunun cevabı, projeye başlamadan yazılı olmalı. Verinizi dürüstçe değerlendirin: elinizde temiz veri yoksa, en iyi model bile size hayal kırıklığı üretir; bazen ilk proje aslında bir veri toplama ve temizleme projesidir.

Somut bir başlangıç isteyen için, sahada işe yaradığını gördüğüm 90 günlük bir kurguyu paylaşıyorum. Bunu bir reçete değil, bir iskelet olarak alın; kendi bağlamınıza uyarlayın.

İlk 30 gün — keşif ve zemin. Bu ilk ayda kod yazmaktan çok konuşun ve envanter çıkarın. İş birimleriyle oturup en çok acı veren üç problemi netleştirin (yüksek stok mu, düşük dönüşüm mü, ağır müşteri hizmetleri yükü mü). Aynı anda veri envanterinizi çıkarın: hangi veri var, ne kalitede, nerede duruyor. Hukuk/uyum ekibiyle KVKK çerçevesini ve özellikle yurt dışı aktarım politikasını konuşun. Bu ayın sonunda tek bir öncelikli kullanım alanı seçilmiş ve "başarı neye benziyor" tanımı yazılmış olmalı.

30–60 gün — dar kapsamlı pilot. Seçtiğiniz kullanım alanında (çoğu şirkette bu talep tahmini ya da semantik arama oluyor) dar kapsamlı bir pilot kurun. Tüm katalogu değil, en kritik ürün grubunu; tüm müşterileri değil, kontrollü bir kesimi hedefleyin. Baştan tanımladığınız metriği ölçün ve mutlaka bir kontrol grubuyla karşılaştırın; "iyi hissettirdi" bir metrik değildir. Bu aşamada mükemmeli değil, öğrenmeyi hedefleyin.

60–90 gün — değerlendirme ve karar. Pilotun sonuçlarını dürüstçe değerlendirin. Metrik hedefi tutturduysa, kademeli yaygınlaştırma planı yapın; tutmadıysa, nedenini anlayın (veri mi, kurgu mu, problem seçimi mi) ve ya düzeltin ya da vazgeçin. Vazgeçmek bir başarısızlık değil, disiplindir. Bu ayın sonunda elinizde ya ölçeklenmeye hazır bir kazanım ya da bir sonraki denemeye ışık tutan net bir öğrenme olmalı.

Bu üç aylık döngüyü kurumsal bir alışkanlığa çevirdiğinizde, yapay zeka artık tek seferlik bir proje değil, sürekli işleyen bir yetenek haline gelir. Sahada başarılı gördüğüm şirketlerin ortak özelliği tam olarak bu: büyük bir "yapay zeka dönüşümü" ilan etmiyorlar, art arda küçük ve ölçülmüş kazanımları üst üste koyuyorlar.

Son olarak, sahada tekrar tekrar gördüğüm ve sizi baştan uyarmak istediğim hataları toparlayayım; çünkü çoğu önceden bilinirse kolayca önlenebilir.

Problemi tanımlamadan araca koşmak. En yaygın hata bu. "Rakip yaptı, biz de yapalım" diye başlayan projeler yönsüz kalıyor. Önce iş problemi, sonra veri, en son araç.

Veriyi hafife almak. Modelin başarısı büyük ölçüde veriyle sınırlıdır. Kirli, eksik, tutarsız veriyle en gelişmiş model bile hüsran üretir. Bazen ilk yatırımınız modele değil, veri altyapısına gitmelidir.

KVKK'yı sona bırakmak. "Önce çalıştıralım, uyuma sonra bakarız" yaklaşımı, hem ceza riski hem de yeniden yapım maliyeti demek. Uyumu tasarımın parçası yapın, sonradan yamamayın.

İnsanı denklemden çıkarmak. Özellikle içerik üretimi, dolandırıcılık ve müşteri hizmetlerinde tamamen otomatik akışlar risklidir. Kritik noktalarda insan onayı ve devir eşiği şart.

Ölçmeden ilerlemek. Kontrol grubu olmadan, "sanırım işe yaradı" diyerek yaygınlaştırılan projeler, aslında değer üretip üretmediğini asla bilemez. Baştan metriği tanımlayın, kontrol grubuyla ölçün.

Aşırı mühendislik. Uzun kuyruktaki her ürün için derin öğrenme modeli kurmaya çalışmak, kaynağı yanlış yere harcamaktır. Bazen basit bir kural ya da istatistiksel yöntem, kâfi ve dahası bakımı kolaydır.

Pilotu ölçeğe hazır sanmak. Kontrollü bir pilotta çalışan bir çözüm, tüm katalog ve tüm müşteride aynı performansı vermeyebilir. Yaygınlaştırmayı ayrı bir mühendislik ve operasyon işi olarak planlayın; pilotun bittiği yerde asıl iş başlar.

Bu hataların çoğunun ortak paydası aynı: aceleyle, ölçmeden ve uyumu göz ardı ederek ilerlemek. Yavaş görünen ama sağlam ilerleyen ekiplerin, altı ay sonra çok daha önde olduğunu defalarca gördüm. Yapay zekayı e-ticaretinizde bir sihir değil, disiplinli bir mühendislik ve iş pratiği olarak ele alırsanız, bugünkü örnekler yarın sizin gerçek sonuçlarınıza dönüşür.