Share
SESTEK Lead Product Owner Mert Çıkan, demo ortamında kusursuz görünen AI agent'ların üretimde neden başarısız olduğunu ve SESTEK'in hibrit otonomi yaklaşımıyla bu engelleri nasıl aştığını paylaşıyor. Gerçek çağrı merkezi ortamlarında karşılaşılan zorlukları ve sahadan çıkarılan dersleri keşfedin.
Pilot'tan Üretime Geçemeyen Projeler
Çağrı merkezleri uzun yıllardır bilançoda bir maliyet kalemi olarak görüldü. Oysa müşterinin şirketle en duygusal ve en belirleyici teması çoğu zaman burada gerçekleşiyor. Bugün bu alan üç yönlü bir baskı altında:
• Müşteriler 7/24, kesintisiz ve anında çözüm bekliyor
• Üst yönetimler yapay zekâ yatırımlarını stratejik öncelik olarak konumlandırıyor
• Tüketiciler yapay zeka destekli hizmetlere her zamankinden daha açık
Talep, baskı ve kabul aynı anda varken sonuçların parlak olması beklenirdi. Ancak Generative AI girişimlerinin büyük çoğunluğu henüz pilot aşamasını geçemiyor. Gartner'ın Haziran 2025 raporuna göre, 2027 yılı sonuna kadar Agentic AI projelerinin %40'ından fazlası demo'dan üretime geçemeden terk edilecek.
Başarısızlıkların ardında tekrarlayan bir örüntü var: net hedef tanımlamadan başlamak, arka uç sistemlere entegre olmadan canlıya çıkmak, performans verisini toplamadan optimizasyon beklemek ve insan faktörünü gözardı etmek.
Bu tablo, teknolojinin potansiyelinden çok üretime taşıma disiplininin belirleyici olduğunu gösteriyor.
SESTEK'in Yaklaşımı: Hibrit Otonomi
2024’ün sonlarında sektörde belirgin bir eşik aşıldı. Kural tabanlı sanal asistanlardan, hedef odaklı, akıl yürütebilen ve aksiyona geçebilen otonom agent’lara doğru bir paradigma kayması başladı. SESTEK olarak bu sinyali erken okuyarak Agentic AI platformumuzu 2025’in başında devreye aldık ve kısa süre içinde agent’lar gerçek müşterilerle üretim ortamında çalışmaya başladı.
Platformun temeli, her biri kendi bilgi kaynağı ve araç setiyle çalışan uzman agent'ların bir süpervizör koordinasyonunda görev paylaştığı çoklu agent mimarisi üzerine kurulu. Tek bir dev agent'a yığılan bilişsel yük; bağlam kapasitesinin dolması, talimatların birbiriyle çakışması ve araç yönlendirme belirsizliği gibi teknik riskler üretir. Prompt büyüdükçe yalnızca halüsinasyon riski değil, gecikme süresi ve token maliyeti de artar. Yeni bir senaryo eklemek tüm sistemi yeniden test etmeyi gerektirir; bakım maliyeti doğrusal değil, üstel büyür. Uzmanlaşmış çoklu agent mimarisi ise bilişsel yükü dağıtır, değişiklikleri lokalize eder, test edilebilirliği ve genişlemeyi sürdürülebilir hale getirir.
Ancak kurumsal müşterilerin çoğu yıllardır işleyen NLU (Natural Language Understanding) tabanlı intent modelleri ve özenle kurgulanmış deterministik akışlar inşa etmiş durumda. "Her şeyi atın, Agentic AI'a geçin" demek ne gerçekçi ne de sorumlu bir önerme. Bu gerçekliği görmezden gelen bir platform, adapte olmadan önce reddedilir.
İşte burada platformumuzun en kritik özelliklerinden biri devreye giriyor: tek platform üzerinde farklı otonomi seviyelerini birlikte çalıştırabilmek. Hibrit otonomi modeli aynı oturum içinde kural tabanlı senaryolar, RAG (Retrieval Augmented Generation) destekli bilgi tabanı sorguları ve otonom agent karar mekanizmalarını bir arada çalıştırıyor. Örneğin AI Agent, ödeme onayı veya kimlik doğrulama gibi hassas adımlarda otomatik olarak önceden doğrulanmış bir iş akışına geçiyor; işlem tamamlandığında bağlamı koruyarak otonom moda dönüyor. Bu sayede müşteriler, mevcut yatırımlarını korurken hazır olduğu senaryoları kademeli olarak AI Agent'a devredebiliyor.
Farklı Sektörler, Ortak Temas Noktası
Her sektörün kendine özgü regülasyonları, altyapı ihtiyaçları ve dinamikleri var. Agentic AI'ı kurumsal ölçekte taşımak, bu farklılıkları karşılamayı zorunlu kılıyor.
Bankacılık ve sağlık gibi yüksek regülasyonlu sektörlerde veri egemenliği tartışmasızdır. Çözümün tümüyle müşteri altyapısında çalışması, büyük dil modellerinin müşterinin kendi GPU'larında işlemesi ve verilerin kurum dışına asla çıkmaması gerekiyor. E-ticaret ve perakende ise bulut tabanlı mimarilerde güçlü LLM'lerden faydalanabilir; ancak kampanya dönemlerindeki öngörülemeyen trafik patlamalarına yanıt verebilecek dinamik ölçeklenme kapasitesi şart. Sektörler değişse bile, müşteriye dokunduğunuz o en kritik yer değişmiyor: çağrı merkezleri.
Son zamanlarda "Voice Agent" çözümlerinin bu denli büyük bir heyecan dalgası yaratmasının nedeni tam olarak bu: şirketler, markayla müşteri arasındaki en duygusal temas noktasını yapay zekâ ile dönüştürmenin peşinde. Fakat ekranda kusursuz işleyen projeler, gerçek dünyadaki "ses" bariyerine çarptığında işler tamamen değişiyor.
Sesin Acımasız Sınavı
Voice agent projeleri demo ortamlarında kusursuz görünebilir. Ancak gerçek dünyada ses kanalı mimarinin gerçek stres testidir. Kullanıcılar doğal, gerçek zamanlı ve algılanabilir gecikme olmayan bir konuşma bekler- chat'te tolere edilen iki saniyelik bekleme, telefonda "sistem çalışmıyor" algısı oluşturabilir.
Ses deneyimi her biri ayrı bir optimizasyon gerektiren üç katmanlı bir gecikme zincirinden oluşur: SR (Speech Recognition), agent akıl yürütmesi ve TTS (Text-to-Speech). Bu zincirin en zayıf halkası tüm deneyimi belirler.
Ve bu zincirin en kritik halkası ses tanımadır. Müşteriyi yanlış duyan bir sistem, arkasına ne koyarsanız koyun doğru sonuca ulaşamaz. Telefon hatlarındaki codec kayıpları, arka plan gürültüsü, farklı aksanlar ve jitter gibi faktörler doğruluk oranını sürekli tehdit eder.
Zorluklar doğrulukla bitmiyor. Sesli kanallarda müşteriler tek bir cümlede birden çok talebi art arda sıralamaya çok daha meyilli. Saat, gün, tarih gibi ifadeler muğlak olabiliyor; telefon numarası veya açık adres gibi yapısal verileri ses üzerinden almak ise başlı başına bir mühendislik sorunu. Chat'te kullanıcı doğru formatı görerek kendisi düzeltiyor; telefonda böyle bir görsel geri bildirim yok.
Ses kanalına özel çıktı sorunları da var: agent yanıtındaki rakamlar, özel karakterler ve uzun cümleler yazıda sorun oluşturmazken, sesli okunduğunda anlamsız hale gelebiliyor. "2.500,00 TL" görsel olarak nettir; sesle okunduğunda nasıl telaffuz edileceği bile başlı başına bir sorudur.
Gecikme ise her katmanda birikir. SR işleme süresi, agentın dış servis çağrıları, cevap oluşturması ve TTS sentezi toplamında saniyeler oluşturur. Bu gecikmeler, demo ortamında fark edilmeyen ama gerçek çağrıda müşteri kaybına yol açan bir deneyim açığı yaratır.
Sahadan Çıkardığımız Dersler
Yukarıdaki zorlukların her biri gerçek müşteri etkileşimlerinde ortaya çıktı ve her biri için sahada çalışan somut çözümler geliştirdik.
Mimari Kararlar
Tek dev agent yerine uzman ekipler kurun.
Her şeyi bilen tek bir agentın prompt'u büyüdükçe odak kaybı ve halüsinasyon kaçınılmaz hale geliyor. Çoklu agent yapısına geçince her uzman kısa ve net bir talimatla çalıştı, hata oranı gözle görülür biçimde düştü. Sorun çıktığında artık yalnızca ilgili agent güncelleniyor; tüm sistemi test etme zorunluluğu ortadan kalkıyor.
Modele veri yığmak yerine akıllı arama katmanı kurun.
Adres almak için Türkiye'deki tüm mahalle ve sokak isimlerini ya da ürün seçmek için binlerce satırdan oluşan bir kataloğu modelin bağlam penceresine yüklemek ilk akla gelen çözüm gibi görünür. Ama pratikte hem token maliyetini katlar hem de model bu büyük havuzda yanlış eşleştirme yapmaya başlar. Çözüm, modelle veri kaynağı arasına akıllı bir arama ve doğrulama katmanı koymak: müşteri "Ataşehir'deki Kayışdağı Caddesi" dediğinde model tüm adres veritabanını taramak yerine, arama katmanı birkaç adayı süzer ve model yalnızca bu daraltılmış liste üzerinden seçim yapar. En kritik kuralımız ise şu: agent asla veri uyduramaz, yalnızca doğrulanmış listeden seçer.
Modele güvenin ama mutlaka doğrulayın.
Dil modelleri bazen işlemi gerçekleştirmeden "hallettim" diyebiliyor. Her kritik adımın gerçekten tamamlandığını teyit eden deterministik doğrulama katmanları şart. Başarısız denemelerde müşteri sonsuz döngüye sokulmadan temsilciye yönlendiriliyor, aktarım nedenleri analiz edilerek sistem sürekli iyileştiriliyor.
Ses Kanalı Çözümleri
Doğru SR olmadan hiçbir şey çalışmaz.
Müşteriyi yanlış duyan bir sisteme ne kadar güçlü bir agent koyarsanız koyun, sonuç yanlış olacaktır. Üretim ortamındaki gerçek çağrı merkezi koşullarında — farklı aksan, hat gürültüsü ve codec kayıpları altında — %97'yi aşan doğruluk oranı elde ettik.
Müşteriye uyarlanın, format dayatmayın.
Yapısal veri almak sesli kanalda en büyük sınavlardan biri. Çözümüz kademeli bir yakalama stratejisi: örneğin telefon numarasını önce toplu almayı deniyoruz, anlaşılmazsa parçalı moda geçiyoruz, yine olmazsa temsilciye aktarıyoruz. Aynı mantık tarih, saat ve adres için de geçerli. Buna ek olarak ses kanalına özel guardrail'lar devreye giriyor: rakamlar açık okunacak şekilde yazılıyor, özel karakterlerden kaçınılıyor, yanıt uzunluğu konuşmaya uygun olacak şekilde kontrol ediliyor.
Gecikmeyi tasarımla yönetin.
Gecikme tek bir noktada değil, tüm zincirde çözülür. Agent yanıtlarını token token akıtarak tüm yanıtı beklemeden TTS motoruna gönderiyoruz. Dış servis entegrasyonlarının kaçınılmaz bekleme yarattığı durumlarda kısa bilgilendirme anonsları veya ince arka plan sesleriyle müşterinin "hat koptu mu?" algısını önlüyoruz. Çağrı başlar başlamaz arka planda müşterinin açık kayıtları ve geçmiş etkileşimleri çekilerek agent daha müşteri konuyu anlatmadan bağlamı kavramış oluyor.
Diyalog Tasarımı
Milimetrik farklar büyük sonuç değiştirir.
Genel bir kapanış sorusu çoğu zaman boşlukta kalırken, bağlama özel somut bir soru müşteriyi harekete geçiriyor. Örneğin "Başka bir konuda yardımcı olabilir miyim?" yerine "İletmek istediğiniz bir not var mı?" sormak kat kat daha etkili. Empati de aynı etkiyi yaratıyor: agent'ın zor bir durumda geçmiş olsun dilemesi gibi küçük dokunuşlar, memnuniyet skorlarına doğrudan yansıyor.
Sonuç
Agentic AI'ın vaat ettiği dönüşüm gerçek.
Ancak üretimde kazanan, en büyük modeli kullanan değil; öğrenme hızını sistematik hale getiren organizasyondur.
Mimari cesaret önemlidir, fakat sürdürülebilir farkı yaratan şey her çağrıyı ölçen, her hatayı kök nedenine kadar indiren ve sistemi her gün bilinçli olarak yeniden kalibre eden operasyon disiplinidir.
Ses kanalı, yapay zekâyı gösterişli bir inovasyon anlatısından çıkarır ve onu saf mühendislik gerçekliğiyle yüzleştirir. Gecikme görünür olur. Hatalar büyür. Belirsizlik tolere edilmez. Bu noktadan sonra mesele model zekâsı değil; sistem dayanıklılığıdır.
Gerçek başarı, doğru cevabı verdiğiniz an değil; yanlış anladığınızda güvenli şekilde toparlayabildiğiniz andır. Çünkü güven, doğruluk kadar toparlama kapasitesiyle de inşa edilir.
Doğru kurgulandığında insan ve yapay zekâ birlikte daha hızlı bir sistem değil, daha güvenilir bir karar mekanizması oluşturur.
Dönüşüm vaatle değil, tekrar eden iyileştirmeyle gerçekleşir.
Yazar: Mert Çıkan, Lead Product Owner
Mert, yapay zekâ destekli konuşma teknolojileri ve ürün yönetimi alanında 6 yılı aşkın deneyime sahip bir Lead Product Owner'dır. SESTEK'te, Agentic AI platformunun uçtan uca tasarımını ve geliştirilmesini yönetmekte; yeni nesil yapay zekâ trendlerini ölçeklenebilir kurumsal değere dönüştürmektedir.
