ChatGPT ve LLM ile Akıllı Müşteri Desteği

Yapay zeka destekli müşteri desteği, 7/24 cevaplama kapasitesinden çok daha fazlasını sunuyor: doğru tasarlanmış bir chatbot + ticket sistemi, destek operasyonlarının maliyetini %40-60 düşürürken kullanıcı memnuniyetini artırabiliyor. 2026'da bu başarı teknolojiden değil, mimariden ve escalation kurallarından geliyor. Bu yazıda akıllı müşteri desteği tasarımının dört bileşenini inceliyoruz.

Chatbot Mimarisi: Tek Model Değil, Orchestration

Modern bir müşteri destek botu tek bir LLM çağrısından ibaret değildir. Birkaç katmanlı mimaridir:

• Intent detection: Kullanıcının niyeti ne? Bilgi sorusu / şikayet / satış / rutin işlem
• Context gathering: Kullanıcı kim? Geçmiş ticket'ları, siparişleri, subscription durumu
• Knowledge retrieval (RAG): İlgili dokümantasyon chunk'ları vektör DB'den alınır
• Response generation: LLM, bağlam + knowledge + tone guide ile cevap üretir
• Action execution: Gerekiyorsa arka planda işlem (iade başlatma, fatura gönderme) tool calling ile
• Quality gate: Cevap kullanıcıya gitmeden hassas veri / yanlış iddia kontrol edilir

Bu katmanlar ayrı ayrı gözlemlenebilir ve optimize edilebilir. "Bot cevabı yanlış" gibi belirsiz bir şikayet, hangi katmanda sorun olduğunu (intent yanlış? doc bulunamadı? prompt zayıf?) debug edilebilir hale gelir.

Bilgi Tabanı: En Yüksek ROI'li Yatırım

Chatbot kalitesinin %70'i LLM'den değil, beslendiği bilgi tabanından gelir. Kötü dokümante edilmiş bir ürün için "AI yetersiz" deniliyorsa, gerçek sorun doküman eksikliğidir. İyi bir knowledge base için:

• Single source of truth: Help center, Notion, Confluence — hangisi olursa — tek ve güncel
• Structured chunks: Başlık + özet + detay formatı, 200-500 kelimelik parçalar halinde
• Metadata: Her chunk'a kategori, ürün, tarih tag'leri; filtering için
• Embedding pipeline: Doc güncellendiğinde otomatik re-embedding
• Feedback loop: Bot cevabı yanlışsa kullanıcı flag'ler → content team chunk'ı düzenler

Çoğu destek ekibinin hiç test etmediği bir gerçek: kendi bilgi tabanınızla, 20 rastgele soruya bot ne kadar cevap veriyor? Bu doğrulama %40 altındaysa, LLM'den önce doc yazmak gerekir.

Escalation Kuralları: Ne Zaman İnsana Devret?

İyi bir chatbot'un zekası "ne zaman kendini bıraktığını bilmek"le ölçülür. Escalation trigger'ları:

• Düşük confidence: LLM response'unda belirsizlik sinyalleri (self-reported confidence, kaynakta eşleşme oranı)
• Emotional signal: Kullanıcıda öfke / kırgınlık algılandığında (sentiment analysis)
• Kritik işlemler: İade, abonelik iptali, büyük değişiklikler bot'ta tamamlanmaz
• Multiple attempts: Kullanıcı aynı soruyu farklı şekillerde 2+ kez soruyorsa
• Explicit request: "İnsanla konuşmak istiyorum" her zaman saygı görür
• Kural tabanlı: Enterprise müşteriler, VIP'ler → doğrudan insana

Escalation seamless olmalı: insana geçildiğinde, agent botun konuşma özetini ve kullanıcı bağlamını hazır bulmalı. Kullanıcı hikayeyi tekrar anlatmak zorunda kalmamalı.

Performans Metrikleri: Neyin Başarılı Olduğunu Ölçmek

AI destekli desteğin başarısını ölçmek için klasik destek metriklerine ek olarak:

• Deflection rate: Bot'un tek başına kapatabildiği ticket oranı — hedef %55-70
• CSAT: Bot etkileşimi sonrası memnuniyet skoru — hedef 4.2/5+
• Escalation quality: İnsana geçen konuşmaların ne kadarı haklıydı? %80+ olmalı
• First response time: Bot için saniyeler, insan için dakikalar
• Cost per ticket: Bot $0.10-0.50, insan $5-15 aralığı — mixed oran önemli
• Knowledge gap rate: Bot "bilmiyorum" dediği sorular — content team'e feedback

Uygulama Senaryosu

Orta ölçek bir B2C e-ticaret için chatbot + ticket sistemi:

• Hafta 1-2: Mevcut ticket'lardan top 50 soru analiz edildi. Knowledge base 180 chunk olarak yapılandırıldı
• Hafta 3-4: Intent classifier + RAG pipeline + Claude Sonnet ile cevap üretimi
• Hafta 5: Escalation kuralları + insan agent handoff'u
• Hafta 6-8: Pilot (10% traffic), metriklerle optimizasyon
• Hafta 9-12: Full rollout, sürekli iyileştirme

3 ay sonraki sonuçlar: deflection rate %61, CSAT 4.3/5, destek personel ihtiyacı %35 düştü, average response time 4 saatten 20 saniyeye.