LLM Destekli AI Chatbot'lar Neyi Farklı Yapar?
Gece 23.40. Müşteri yazıyor: "Geçen hafta aldığım ayakkabı dar geldi, bir numara büyüğü var mı, varsa değişim nasıl oluyor?" Eski nesil chatbot bu tek cümlede üç ayrı niyet görür — stok, beden, iade — ve hiçbirini tamamlayamaz. "Anlayamadım, lütfen menüden seçim yapın." Müşteri sekmeyi kapatır. Ertesi sabah aynı soru mail kutusunda durur, bu kez bir temsilci sekiz dakikasını verir.
Büyük dil modellerinin (LLM) chatbot tarafında değiştirdiği şey tam olarak burası. Aşağıda önce neyi çözdüklerini, sonra hangi yeni problemi getirdiklerini yazdım; ardından e-ticaret, sağlık, finans ve lojistik tarafında pratikte neye benzediğini anlattım.
LLM neyi çözdü, neyi çözmedi
Kural tabanlı bot, yazdığınız kalıpları tanır. Kalıbın dışına çıkan her cümle onun için gürültüdür. LLM ise cümleyi anlamlandırır: dar geldiği için değişim isteyen bir müşteri olduğunu, siparişin geçen haftaya ait olduğunu, önce stok bakılması gerektiğini çıkarır.
Ama şunu net söyleyeyim: LLM chatbot'u akıllı yapmaz, anlaşılır yapar. Doğru cevabı üreten şey modelin kendisi değil, modele bağladığınız veridir. Sipariş servisine erişimi olmayan bir LLM, "siparişiniz yolda görünüyor" cümlesini son derece akıcı bir Türkçeyle uydurur. Akıcılık burada bir güvenlik açığıdır.
Konu | Kural tabanlı bot | LLM destekli bot |
|---|---|---|
Beklenmedik cümle | Menüye geri döner | Anlar, ama veri yoksa uydurabilir |
Yeni senaryo eklemek | Akış diyagramı yazılır | Bilgi tabanına doküman eklenir |
Hata biçimi | Görünür: "anlamadım" | Görünmez: emin bir yanlış cevap |
Maliyet | Sabit, öngörülebilir | Konuşma başına değişken |
Son satırdaki fark yönetim toplantılarında en çok tartışılan yer oluyor. Kural tabanlı botun faturası bellidir; LLM tarafında hacim arttıkça fatura da artar. Bunun karşılığında insan tarafında düşen yük var — ama o düşüşü ölçmeden bütçe onayı almak zor.
Sektör sektör: pratikte ne değişiyor
E-ticaret
En hızlı sonuç veren alan burası, çünkü sorular tekrarlı ve veri zaten sistemde: sipariş durumu, kargo, iade, beden, stok. LLM'in katkısı bu dört başlığı tek konuşmada birleştirebilmesi. Müşteri "iade edeceğim ama önce büyük bedeni var mı bakayım" dediğinde bot iki sisteme birden bakar.
Sahada en çok takılınan yer iade politikası. Şirket içinde çoğu zaman üç farklı iade metni dolaşır: sitedeki, pazaryerindeki, bir de temsilcilerin ezberi. Bot hepsini okursa üçünü karıştırır. Kurulumdan önce tek bir metne indirmek gerekir. E-ticaret çağrı merkezi tarafında ilk hafta genelde bu temizlikle geçer.
Sağlık
Sağlıkta LLM'in işi teşhis değil, trafik yönetimi: randevu oluşturma, erteleme, hazırlık talimatı ("aç karnına gelin"), hangi bölüme gitmesi gerektiğini kaba hatlarıyla söyleme. Semptom yorumu yaptırmayın — hem klinik hem hukuki tarafı ağır.
Türkiye'de bu alanda asıl kazanç no-show'da. Randevusunu iptal etmek için telefonda beklemek istemeyen hasta, WhatsApp'tan yazarak iptal ediyor ve o slot yeniden satılabiliyor. Randevu sistemi kurulumunda KVKK tarafı en baştan konuşulmalı: sağlık verisi özel nitelikli kişisel veri sayılıyor, bu da açık rıza ve saklama süresi konularını ayrı bir başlık yapıyor. Yurt dışı kaynaklı içeriklerde geçen HIPAA bizim mevzuatımız değil; TR kurulumunda referans KVKK'dır.
Finans ve sigorta
Bakiye, son işlemler, poliçe yenileme tarihi gibi sorgular LLM için kolay. Zor olan yetki sınırı. Para hareketi doğuran hiçbir işlemi bota bırakmayın; bilgi verdirin, işlemi insana ya da uygulamanın kendi akışına devredin. Bu bir teknoloji sınırı değil, tercih.
Lojistik ve saha servisi
Kısa ama etkili bir alan. "Kurye ne zaman gelecek", "adres değiştirebilir miyim", "teslimat saatini kaydırabilir miyim" soruları günün her saatine yayılır ve hepsi tek bir servis çağrısıyla cevaplanır. Burada botun kalitesi modele değil, entegrasyonun tazeliğine bağlıdır. Veri on beş dakika gecikmeliyse müşteri bunu fark eder.
LLM'in getirdiği yeni problem: kendinden emin yanlış
Kural tabanlı botta hata gürültülüdür, herkes görür. LLM'de hata sessizdir. Bot yanlış iade süresi söyler, müşteri buna göre davranır, sorun iki hafta sonra şikâyet olarak döner.
Bunu azaltmanın yolu modeli daha çok "eğitmek" değil, cevap kaynağını kısıtlamak. Bot sadece sizin onayladığınız dokümanlardan konuşsun; kaynak bulamadığında "bunu temsilciye aktarıyorum" desin. Bilgi bankası katmanının varlığı, bir chatbot projesini ciddi projeden ayıran şeydir.
Bir de şu var: ilk ay boyunca konuşma kayıtlarını okuyacak birinin olması gerekiyor. Kimse okumazsa bot yanlış cevabı vermeye devam eder, çünkü kimse ona yanlış olduğunu söylemez.
Kurulumda en sık görülen dört hata
Her şeyi aynı anda açmak. Sipariş, iade, kampanya, teknik destek — dördü birden. İlk haftada hangi başlığın kötü çalıştığı ayırt edilemez.
Bilgi tabanını PDF yığınıyla doldurmak. Eski fiyat listesi içerideyse bot eski fiyatı söyler. Doküman sayısı değil, güncellik önemli.
İnsana devir eşiğini çok yüksek tutmak. "Mümkün olduğunca bot çözsün" hedefi, çözemediğinde müşteriyi döngüde bırakır. Bu, çağrı merkezine gelen sinirli çağrıyı büyütür.
Konuşmaların hiç ölçülmemesi. Devir oranı, ilk temasta çözüm ve terk edilen konuşma sayısı takip edilmiyorsa proje ilerlemez. Raporlama tarafı ilk günden kurulmalı.
Ne zaman LLM, ne zaman kural tabanlı
Gelen sorularınızın çoğu birbirinin aynıysa ve cevap listesi kısaysa, kural tabanlı bir akış hâlâ daha ucuz ve daha öngörülebilir. Sorular serbest metinse, müşteri birden fazla şeyi aynı cümlede soruyorsa ve elinizde bağlanabilecek gerçek bir veri kaynağı varsa LLM tarafı kazandırır.
Karar için pratik bir ölçü: son 200 konuşmayı okuyun. Kaçı tek adımda kapanıyor? Yarıdan fazlaysa kural tabanlı yeter. Yapay zekanın çağrı merkezi tarafını nasıl değiştirdiğine dair daha geniş bir çerçeveyi 2026 çağrı merkezi yazımızda bulabilirsiniz.
Kendi konuşma kayıtlarınızla neyin otomatikleşebileceğine bakmak isterseniz, AI Agent TR demo talebi bırakın; örnek senaryoyu birlikte kuralım.
Sıkça Sorulan Sorular
LLM destekli chatbot Türkçeyi ne kadar iyi anlıyor?
Günlük Türkçede sorun kalmadı. Zorlandığı yer sizin iç diliniz: ürün kodları, şube adları, kısaltmalar. Bunları bilgi tabanına yazmadan test etmek yanıltıcı sonuç verir.
Chatbot yanlış bilgi verirse sorumluluk kimde?
Pratikte markada. Bu yüzden cevapların onaylı dokümanlardan üretilmesi ve fiyat, iade, sağlık gibi hassas başlıklarda insana devir eşiğinin düşük tutulması gerekir. Hukuki değerlendirme için kendi danışmanınıza sormanız doğru olur.
Mevcut chatbot'umuzu değiştirmek zorunda mıyız?
Genelde hayır. Çoğu kurulumda mevcut akış duruyor, LLM katmanı sadece anlaşılamayan mesajlar için devreye giriyor. Kademeli geçiş, hem riski hem maliyeti düşürüyor.
