Yapay zekânın çağrı merkezi operasyonlarına yeni bir dinamik kattığı her yerde yazılıp çiziliyor. Dahası, yapay zekâ modellerinin çağrı merkezi otomasyonlarındaki uyumluluğu test edildiğinde, demolarda her şey kusursuz işliyor. Fakat işlerin ters gitmeye başladığı yer sistemin canlıya alınma süreci oluyor.
Örneğin, demoda karşılaşılmayan “faturamı ödicem de gart geçivermiyor be” gibi bir cümle yapay zekâ asistanın karşısına çıktığında asistan cümleyi ikinci kez tekrar ettiriyor. Çünkü demo ya İngilizce ya da stüdyo kaydı gibi net bir Türkçeye göre hazırlanmıştı, ama canlıdaki trafik dili o şekilde işlemiyor.
Bu yazıda Türkçe yapay zekâ çağrı merkezi kurulumunda ne tür test süreçleri gerektiğini, satın alım yapmadan önce ölçmeniz gereken dört kriteri ve riski en aza indiren kademeli geçiş planı yapısını ele alıyoruz.
Türkçe Neden NLP İçin Zor Bir Dil?
Yapay zekâ modelleri mevcut veriden beslenirler. Dolayısıyla mevcut verinin dili hangi dilse en iyi o dili öğrenirler. Yani mevcut verilerdeki baskın dil yapay zekânın anadili haline gelir. İnternetteki kaynakların büyük bölümü İngilizce olduğu için bu modellerin Türkçeye nazaran İngilizce işlem yapma kalitesinin daha yüksek olması da bundan kaynaklanır.
Diller arası bu işlem kalitesi farkı bilimsel olarak da ölçülmüş durumda. EMNLP 2025’te yayımlanan MMLU-ProX çalışması, 11.829 soruyu 29 dile çevirerek 36 modeli test etti. Test sonucunda yüksek kaynağa ve veriye sahip dillerle daha az veri setine sahip diller arasında %24,3’e varan bir performans farkı olduğu ortaya çıktı.
Üstelik bu fark yalnızca kâğıt üzerinde teorik bir durum değil. Oracle’ın yapay zekâ ekibinin yaptığı bir çalışma, İngilizce dışı dillerde %29’a varan doğruluk kaybı raporladı ve müşteri desteği operasyonlarını bu tutarsızlığın ve kalite farkının doğrudan zarar verdiği alanlardan biri olarak belirledi. Her iki çalışmada da Türkçe doğrudan test edilmedi; ancak ölçülen bu yapısal dezavantaj Türkçe için de fazlasıyla geçerli.
Türkçe söz konusu olduğunda ise bu veri seti dezavantajının yanında üç yapısal zorluk daha öne çıkıyor:
- Eklemeli dil yapısı: Türkçede “Göremediklerimizden” kelimesi tek bir kelime, fakat bu tek kelime içerisinde olumsuzluk, yeterlilik, çokluk ve durum eki barındırıyor. Yani, kelime kökü aynı kalırken anlam eklerle değişiyor. İngilizce baz alınarak optimize edilmiş bir modelin en çok zorlandığı yer de burasıdır. Çünkü İngilizce sondan eklemeli bir dil değildir ve yapay zekâ modeli de sondan eklemeli bir dil yapısı ile çalışmak için tasarlanmamıştır.
- Şive ve aksan çeşitliliği: Karadeniz, Ege, Doğu Anadolu ve İstanbul Türkçesi arasındaki telaffuz farkları, standart diksiyonla eğitilmiş bir modelin sesli veriyi tanıma başarısını etkiliyor.
- Karışık iş jargonu: Çağrılardaki konuşmalar sıklıkla “extre”, “limit güncelleme”, “cashback”, “POS cihazı” gibi terimlerle dolu. Türkçe cümlenin içine yerleşmiş bu İngilizce terimler modeller için aksanların yarattığı problemlerden daha büyük problemlere yol açıyor. Çünkü bu durumlarda model tam olarak hangi dille karşı karşıya kaldığını tespit edemiyor.
Diğer taraftan, WhatsApp gibi yazılı kanallarda durum, sesli görüşmelerden görece daha iyi. Metin temelli iletişimde, konuşma tanıma gibi bir işlem gerekmediği için hata payı da düşüyor. Sırf bu sebeple birçok ekip yapay zekâ modelleriyle yeni bir senaryo test etmek istediğinde önce chat tarafında bu senaryoyu devreye alıyor ve ancak doğruluk oranları istedikleri seviyeye ulaştığında sesli kanalda teste geçiş yapıyor.
Satın Alma Yapmadan Önce Test Edilmesi Gereken 4 Kriter
Yapay zekâ modellerinin size sunduğu demolar o şirketin en güçlü olduğu yönleriyle oluşturuluyor. Oysa sağlıklı bir demo, yapay zekâ modelinin sizin ihtiyaçlarınıza karşılık gelen yetkinliklere sahip olup olmadığını gösteren demodur. Bunu sağlamanın yolu ise şirketinize ait trafikle testleri gerçekleştirmenizden geçiyor. Bu yüzden kendi kayıtlarınızdan 50-100 çağrılık bir set ayırarak öncelikle aşağıdaki parametreleri ölçmenizi tavsiye ederiz:
- Canlı çağrı testi: Masabaşında oluşturulmuş bir senaryoyu okuyan bir test kullanıcısı yerine, testinizi gerçek müşteri kayıtlarıyla gerçekleştirin. Çünkü sizin yazdığınız senaryoda arka plan gürültüsü, hat kalitesi ve müşterinin acelesi gibi doğal unsurları test edemezsiniz.
- Aksanlı konuşma: Müşteri tabanınızın gerçekten konuştuğu şiveleri sete dahil edin. Spikerlik yapan bir sesle alınan sonuç sahadaki performansı temsil etmeyecektir.
- Teknik terimleri tanıma: Kendi ürün adlarınızın, paket adlarınızın, kampanya isimlerinizin ve sektör terimlerinizin tümünü test kaydına ekleyin. Müşterilerin bu isimleri yanlış telaffuz ettiği kayıtları da özellikle eklemenizde fayda var.
- Kesintili cümleleri toparlama: Gerçek konuşmalar doğrusal değildir. Gerçek müşteri şöyle konuşur: “Şey, aslında, ne diyecektim… ben dün de aramıştım da, neyse, kartı iptal edelim.” Dolayısıyla modelin yarım bırakılan ve düzeltilen cümlelerden niyeti çıkarabilmesi, doğru kelimeyi tanımasından daha önemlidir.
Sürekli atlanan “Model anlamadığında ne yapıyor?” kontrolünü de unutmamak gerekiyor. Türkçenin yarattığı zorluklardan kaynaklı olarak modelin anlamadığı bir ifadeye karşılık anlamış gibi yapması ve kendinden emin cevaplar vermesi şirket imajınıza zarar verecektir. Bunun yerine, modelin emin olamadığı durumlarda: “Anlayamadım, sizi temsilciye aktarıyorum” demesini ve temsilci aktarımını gerçekleştirmesini sağlamanız çok önemlidir.
Riski Azaltan Kademeli Geçiş
Tüm teknoloji geçişlerinde olduğu gibi, yapay zekâ modellerine geçişi de kademeli geçiş yaklaşımıyla gerçekleştirmeniz gerekir. Bu geçişi gerçekleştirirken kural bazlı yönlendirme mantığını kullanarak trafiğin küçük bir dilimiyle, örneğin %10’uyla başlayabilirsiniz. En çok tekrar eden ve en az riskli olan trafiğinizle bu testi yapmanız en sağlıklısı olacaktır.
Sonraki adımları ise elinizdeki veriye bakarak atın. Örneğin, bu modeller yardımıyla ilk aramada çözüm oranı ve temsilciye aktarım kalitesi gibi hedefleriniz tutuyorsa geçiş oranını artırın, tutmuyorsa geri çekin. Bu süreçte en önemli nokta yapay zekânın çözemediği her çağrının, çağrı geçmişi ve bağlamıyla birlikte doğru temsilciye aktarılacak şekilde ayarlanmasıdır.
Yedekleme mantığını baştan kurmak da aynı ölçüde önemli. Yapay zekâ tarafında bir kesinti ya da gecikme olduğunda çağrının otomatik olarak mevcut IVR akışına ve temsilci kuyruğuna düşmesi gerekir.
Son olarak, ekip tarafını da hesaba katmanız gerekir. Pilot uygulamanın ilk günlerinde temsilcilerin yapay zekâdan devraldıkları çağrı ve çağrı geçmişlerinde ne tür eksiklikler gözlemlediklerini sormak çok faydalı olacaktır. Hatta çoğu zaman hassas ayarlarınızı bu geri dönüşler sayesinde yapmanız mümkün olur.
Basit Bir 2 Haftalık Pilot Plan
1. Hafta: Hazırlık ve Ölçüm
İlk hafta, geçen yılın çeyrek döneminde müşterilerinizin sizi aramasına sebep olan en temel beş sorunu belirleyin ve pilot uygulama için bu sorunlardan birini seçin. Kendi kayıtlarınızdan oluşan 50-100 çağrılık test setini hazırlayın. Aksan, terim ve jargon çeşitliliğini eklemeyi unutmayın. Karşılaştırmak istediğiniz yapay zekâ modelinden iki tanesini aynı set üzerinde çalıştırıp yukarıda sıraladığımız dört kritere göre, yani canlı çağrı testi, aksanlı konuşma, teknik terimleri tanıma ve kesintili cümleleri toparlama kriterlerine göre ayrı ayrı puanlayın.
2. Hafta: Sınırlı Canlı Yayın
Performansı en yüksek olan yapay zekâ modelini yine tek bir sorununuzun mevcut trafiğinin %10’u için devreye alın. Temsilciye aktarım yolunu özellikle yoğun saatlerde test edin. Çözüm oranını, aktarım süresini ve müşterinin ikinci kez aramak zorunda kaldığı çağrıları gün gün takip edin.
Bu adımları geçtiğinizde iki haftanın sonunda elinizde kendi trafiğinizden çıkmış bir operasyon verisi olacaktır. Bu da yapay zekâ modellerinin size sunduğu demo ve sunumlardaki istatistiklerden ya da performans oranlarından çok daha değerlidir.
Son olarak, giden aramalarda müşteriye ulaşma oranı da bu geçişin parçasıdır. Örneğin, Bulut FCT ile GSM numarası üzerinden yapılan aramalar, sabit hattan yapılanlara kıyasla cevaplanma oranını artırabiliyor. Sadece gelen aramayı değil, giden arama performansını da ölçmeyi unutmayın.
AI Connector’ın Yaklaşımı: Yapay Zekâ Modelinizi Siz Seçin
Peki tüm bu veri seti testlerini, model karşılaştırmalarını ve performans ölçümlerini kolayca nasıl gerçekleştireceksiniz? Günün sonunda asıl soru ve sorun budur. AI Connector teknolojisi, işte bu soruya bir cevap olarak doğmuştur.
AloTech AI Connector, seçtiğiniz yapay zekâ modeli ile çağrı merkeziniz arasında gerçek zamanlı bir köprü kurmanıza imkân verir. ChatGPT, ElevenLabs ve Claude gibi üçüncü parti asistanların yanı sıra AloTech’in kendi yapay zekâ çözümünü ya da bizzat kendi geliştirdiğiniz özel botları da bu entegrasyon sayesinde çağrı merkezinizin altyapısında kullanabilirsiniz.
AI Connector teknolojisi ile:
- Tek ekran konforu: Tüm yapay zekâ etkileşimleri, çağrı akışları ve raporlamalar kullandığınız AloTech AI Connector panelinde bulunur. Dolayısıyla ayrı bir konsolu yönetme gereği duymazsınız.
- Sınırsız uyumluluk: Türkçe için daha uyumlu yeni bir yapay zekâ modeli çıktığında, hızlıca bu yeni modeli kullanmaya başlayabilirsiniz.
- Sıfır çağrı kaybı: Yapay zekâ hem sesli hem de yazılı kanallarda devreye girer. Gelen ve giden çağrıların yanında WhatsApp ve Web Chat de aynı merkezden yönetildiği için hiçbir müşteri yanıtsız kalmaz.
Üstelik mevcut teknoloji altyapınızı da değiştirmenize gerek yok. AI Connector IVR yapınıza tam uyum gösterir. Bu teknoloji sayesinde tuşlamalı menüleriniz müşterinin ne dediğini anlayan akıllı sesli yanıt akışlarına dönüşür. Halihazırda kurduğunuz self servis senaryoları da arka planda çalışmaya devam eder.
Türkçe Dil Performansını Kendi Çağrılarınızla Ölçün
Makalemiz boyunca üzerinde durduğumuz gibi, Türkçe temelli operasyonlarınız için yapay zekâ modeli seçerken en kritik nokta testleri kendi trafiğinizle gerçekleştirmeniz ve modelleri zahmetsiz bir şekilde karşılaştırabilmenizdir. AloTech’in AI Connector teknolojisi tam da bu işlemleri yapabilmeniz için tasarlandı.
Yapay zekâ modellerini kendi çağrılarınız üzerinden test etmek mi istiyorsunuz? O halde hemen AI Connector ile Türkçe performans testi talep edin. Kararlarınızı modellerin size sunduğu hazır demolarla değil, gerçek veriye dayanarak alın.
Sıkça Sorulan Sorular
Türkçe için en iyi yapay zekâ modeli hangisidir?
Yapay zekâ modellerinin Türkçe performansı, sürümden sürüme değişiklik göstermektedir. Türkçe için bağımsız kıyaslama setleri (TurkishMMLU, TR-MMLU gibi) bulunsa da bunlar modellerin genel dil yeteneğini ölçer; çağrı merkezi trafiğindeki şive, jargon ve kesintili konuşma performansını yansıtmaz. Doğru yaklaşım, kendi çağrılarınızla iki modeli yan yana test etmek ve daha iyi bir seçenek çıktığında bu yeni sisteme kolayca geçebileceğiniz bir yapı kurmaktır.
AI Connector kullanırsam mevcut IVR’imi değiştirmem gerekir mi?
Hayır. AI Connector mevcut IVR yapınıza tam uyum sağlar. Menüleriniz aynen kalır ve müşterinin ne dediğini anlayan akıllı sesli yanıt sistemi bu menüye entegre olur. Yani mevcut IVR akışlarını sıfırdan kurgulamanıza hiç gerek yoktur.
