Yapay Zekâ Entegrasyonu Türk B2B Ürünlerinde: Chatbot Vitrin Hayalinin Ötesi
Chatbot neden nadiren doğru giriş
Chatbot üç koşul birlikte sağlandığında işler: yapılandırılmış bilgi tabanı mevcut, kullanıcılar somut sorularla geliyor ve bot sınırlarını biliyor. Çoğu B2B organizasyonu düzenli güncel yapılandırılmış bilgi tabanına sahip değil — ağ paylaşımlarında, SharePoint sayfalarında, Notion ve Confluence içinde dağınık, bakım durumu farklı belgelere sahip. Çoğu Türkçe, bazıları İngilizce.
Bot insan için bile zor ulaşılan ve kısmen güncelliğini yitirmiş içeriği çağırır. Sonuç: kullanıcıların güvenmediği yanıtlar — haklı olarak.
Daha iyi sıralama: önce bilgi tabanını yapılandırın ve aranabilir hale getirin (kendi başına değerli). Sohbet arayüzü ancak ondan sonra anlamlı hale gelir.
1. RAG — kendi belgelerin üzerinde
RAG iki katmanı birleştirir: belgelerinizi anlamsal olarak indeksleyen bir vektör veritabanı ve ilgili belge alıntılarından yanıt düzenleyen bir dil modeli. Saf chatbot'tan farklı olarak yanıtlar izlenebilir — kaynaklar yanıtla birlikte döndürülür.
Tipik uygulamalar. Bir satış temsilcisi "son üç yılda X müşterisiyle hangi şartları görüştük?" diye sorar ve sözleşme belgelerine yönlendiren bir yanıt alır. Bir saha mühendisi bir ürünün kurulum ayrıntısını arar ve sayfa numarasıyla ilgili el kitabı paragrafını alır.
Üretken bir ilk uygulama için efor: temiz belge tabanıyla 8–12 hafta. Çalışmanın çoğu dil modelinde değil, belge hazırlamada — temizleme, format uyumlaştırma, metadata. Türkçe'nin eklemeli yapısı nedeniyle kök ayırıcılar (Zemberek, Turkish NLP Pipeline) gerekir.
2. Anlamsal arama — tek başına ürün
Çoğu zaman üretilmiş yanıta gerek yok — iyi bir arama yeter. Klasik tam metin arama yalnızca sözcük eşleşmelerini bulur. Anlamsal arama ifade değişimlerini tanır: "izin nasıl alırım?" "devamsızlık yönetimi" başlıklı belgeyi bulur.
Teknik olarak anlamsal arama da vektör veritabanına dayanır ama sonra dil modeli olmadan çalışır. Bu maliyeti ve gecikmeyi düşürür, pratik değerin çoğunu sağlar.
Örnek: 20 yıl boyunca on beş bin servis raporu olan teknik destek organizasyonu. Anlamsal arama, problem tanımı farklı ifadelendiğinde bile benzer vakaları yüzeye çıkarır. Destek personeli vaka başına ortalama 30–60 dakika tasarruf eder.
3. Tahminsel bakım — dar anlamıyla
Sensör verilerinden makine arıza öngörüsü. Teknik olarak bir zaman serisi analiz problemi, çoğu zaman makine öğrenmesi modelleriyle. LLM gerekmez — buradaki "AI" etiketi üretken modeller yerine istatistiksel öğrenmeyi tanımlar.
Ön koşul: makineden analiz katmanına çalışan bir veri hattı (IIoT giriş yazısına bakın). En az 6–12 ay geçmişli veri olmadan güvenilir tahmin modeli eğitilemez.
Ekonomik değer, plansız duruşların maliyet yarattığı yerde en yüksek — özellikle just-in-time teslimat taahhütlü üretim hatlarında ya da yedek parça temin süresi uzun makinelerde. Türk otomotiv yan sanayisi için tipik fırsat alanı.
4. Belge AI — fatura, sözleşme, form
Yapılandırılmamış belgelerden yapılandırılmış bilgi çıkarımı. Gelen faturaları doğrulama, sözleşmeleri belirli maddeler için tarama, formların sayısallaştırılması. Pazarlamada "Akıllı Belge İşleme", bugün vizyon-dil modellerine dayanıyor.
Uygulama alanı geniş, efor yönetilebilir. Yılda birkaç bin gelen faturası olan orta ölçekli Türk şirketi, belge AI ile muhasebe yükünü %30–50 azaltabilir — kaynak belgeler kabul edilebilir kalitede geldiğinde. e-Fatura/e-Arşiv dönemiyle gelen faturaların çoğu zaten yapılandırılmış UBL-TR; belge AI özellikle kağıt veya taranmış faturalar için değerli.
Kritik: otomasyonun her zaman istisna döngüsü olmalı. Modelin emin olmadığı belgeler insana gider. Saf tam otomasyon aykırı vakalarda başarısız olur.
KVKK uyumlu AI mimarisi
Dört uygulama da özel ve genelde kişisel veri işler. Hangi AI modelinin kullanılacağı bir KVKK meselesi — özellikle Madde 9 (yurt dışına aktarım) çerçevesinde:
Kamuya açık API'lar (OpenAI, Anthropic, Google): veriler Türkiye dışına çıkar. KVKK Kurulu onaylı Standart Sözleşme ya da açık rıza gerekir. Çoğu uygulama için kabul edilebilir, yüksek hassasiyetli veriler için değil.
Avrupa API'ları (Mistral, Aleph Alpha): veriler AB'de kalır. KVKK açısından hukuken daha kolay, model seçimi daha dar.
Türkiye'de kendi hosting (Llama, Mixtral, Qwen'in Türkçe modellerinde adapte edilmiş varyantları kendi GPU sunucularınızda): tam veri egemenliği, en yüksek operasyonel yük. Tanımlı veri hacmi ve hassasiyet eşiklerinden sonra anlamlı.
Çoğu Türk orta ölçekli uygulama için ya Avrupa API'sı ya da disiplinli takma adlaştırmayla US API'si ekonomik olarak en makul yol. TÜBİTAK'ın ULAKBİM Yapay Zekâ Süper Bilgisayarı bazı Ar-Ge projelerinde erişilebilir seçenek, ama üretim yükleri için değil.
İnce ayar ne zaman karşılığını verir
RAG'lı ticari modeller varsayılan çözüm. Kendi ince ayarınız yaklaşık 50.000–100.000 alan-özgü veri noktasından ve tekrarlayan, iyi sınırlanmış bir uygulama alanından itibaren ekonomik olarak makul hale gelir.
Bu eşiğin altında yapılan çaba (eğitim verisi hazırlama, hesaplama maliyeti, bakım) kalite kazancını karşılamıyor. Ayartma yüksek — gerçekçi geri dönüş genelde değil.
D'Cloud'un AI projelerinde yapılanması
Standart girişimiz: kullanım senaryosu netleştirme için ücretsiz online keşif görüşmesi. Sonra sınırlı bir MVP için sabit fiyatlı eser sözleşmesi (tipik olarak tanımlı belge tabanı üzerinde RAG ya da mevcut veritabanı üzerinde anlamsal arama). Üretim verileri Türkiye ya da AB bölgelerinde, geliştirme sentetik ya da takma adlaştırılmış veriyle, dış API kullanılıyorsa Standart Sözleşme. AI projeleri yapay zekâ ve otomasyon hizmetlerimizin parçası, web yazılım ve geliştirme ve üretim verileri için siber güvenlik gerekleriyle sıkı entegre.
Kaynak kod ve kullanım hakları kabul anında müşteriye. Tek bir model sağlayıcısına bağımlılık yok — entegrasyon OpenAI, Mistral ya da kendi hosting arasında değiştirilebilir şekilde kurulmuş.
Sonraki adım
Önümüzdeki altı ay içinde bir AI girişi planlıyorsanız, model seçimiyle başlamayın. Şu soruyla başlayın: Kullanım hangi somut sorunu çözüyor ve bunun için gerekli verimiz var mı? Ücretsiz online keşif görüşmesi planlayın; kimse GPU bütçesinden konuşmadan önce kullanım senaryosunu sıralarız. Kişisel verilerin iş akışına girdiği yerde KVKK uyumlu yazılım geliştirme yazısını paralel olarak okuyun — özellikle RAG mimarisinde temiz veri tutumu model seçiminden daha kritik.
Sık sorulan sorular
ChatGPT Enterprise ihtiyaçlarımızı karşılar mı?
Birçok basit iç verimlilik uygulaması için, evet. Kendi verileriyle entegre bir B2B ürünü için standart kullanım yeterli değil; API entegrasyonu ve kendi veri depolaması gerekli. ChatGPT Enterprise ürün içi AI backend'ine alternatif değil, tamamlayıcı.
RAG için belge tabanı ne kadar büyük olmalı?
Teknik olarak RAG yaklaşık 100 belgeden itibaren işler. Ekonomik anlam birkaç bin belge kullanıcıların düzenli aradığında ortaya çıkar. Altında çoğu zaman iyi ayarlanmış tam metin arama yeterli.
AI çıktılarındaki hatalardan kim sorumlu?
Hukuken ürün işleten, model satıcısı değil. Bu yüzden her AI entegre B2B uygulamasına temiz bir sorumluluk reddi katmanı ve — sonuçlu kararlar için — insan-döngüde mimari gerekir.
API çağrı maliyeti üretim kullanımında ne olur?
Çok değişken — model tercihine ve sorgu yüküne bağlı. Orta ölçekli Türk şirketi müşteri tabanı için tipik RAG backend aylık dört haneli TL alt banda denk gelir. Somut rakamlar planlanan kullanım profilinden çıkar.
Mevcut sistemlere AI sonradan eklenebilir mi?
Evet, hatta AI-yerli yeniden tasarımdan çok daha yaygın yol. Mevcut uygulamalar vektör veritabanı ve API katmanı ile genişletilir; uygulamanın geri kalanı değişmeden kalır. Önemli olan temiz soyutlama — böylece model sonradan değiştirilebilir kalır.