Chatbot Müşteriyi Anlıyor mu, Sadece Yanıt mı Veriyor? Kural Bazlı ve NLP Botlar

Bir e-ticaret firmasının müşteri hizmetleri ekibi, hafta sonları gelen yüzlerce soruyu karşılayamıyor. Yönetim chatbot kurmaya karar veriyor, üç ay sonra sistem canlıya alınıyor. Ancak müşteri memnuniyet skoru yükselmek bir yana, düşmeye başlıyor. Sorunun kaynağı yazılımın kendisi değil; seçilen yaklaşım. Bot, müşterilerin ne söylediğini anlıyor ama ne demek istediğini anlamıyor.

Chatbot dünyasında iki temel mimari var: kural bazlı sistemler ve doğal dil işleme (NLP) temelli sistemler. Kural bazlı botlar, önceden tanımlanmış anahtar kelime eşleştirmesiyle çalışır. Kullanıcı ‘kargo’ yazarsa bot kargo şablonunu, ‘iade’ yazarsa iade şablonunu tetikler. Kurulumu hızlıdır, davranışı öngörülebilirdir, bakım maliyeti düşüktür. Ancak bu mimari, dili mekanik biçimde işler; cümlenin bağlamını, tonunu veya arkasındaki niyeti değerlendirmez. Müşteri ‘siparişim hâlâ gelmedi, ne zaman gelecek?’ yerine ‘ürünümden ses seda yok’ yazdığında sistem çoğu zaman boş kalır ya da yanlış şablonu çalıştırır.

NLP temelli botlar ise cümleyi bir bütün olarak değerlendirir. Niyet tanıma (intent recognition) motoru, kullanıcının ifadesini eğitilmiş model üzerinden geçirerek hangi iş kategorisine düştüğünü tahmin eder. ‘Ürünümden ses seda yok’ cümlesi, kargo takibi niyetiyle eşleştirilir. Bu yaklaşımın kalitesi, modelin eğitildiği veri setinin genişliğine ve çeşitliliğine doğrudan bağlıdır. Türkçe için bu mesele ayrı bir ağırlık taşır: Türkçenin eklemeli yapısı, aynı kökten türeyen onlarca farklı biçimi aynı niyet altında toplayabilmeyi gerektirir. İngilizce üzerine geliştirilmiş hazır modeller bu noktada ciddi kayıp yaşar.

Niyet tanıma doğruluğu, yüzeysel bir teknik metrik gibi görünse de operasyonel sonuçları doğrudan etkiler. Bir botun ilk yanıtta doğru niyeti yakalaması ile üç turda yakalayabilmesi arasındaki fark, yalnızca kullanıcı deneyimi açısından değil çözüm oranı (resolution rate) açısından da belirleyicidir. Müşteri yanlış bir yanıt aldığında soruyu yeniden ifade eder; bot yine tutturamadığında insan temsilciye aktarır. Bu aktarım, hem operasyonel maliyeti artırır hem de müşterinin o konuşmayı olumsuz deneyim olarak kodlamasına neden olur. Yüksek lisans düzeyinde bir süreç analizine tabi tutulduğunda, niyet tanıma doğruluğundaki her yüzde onluk düşüşün insan aktarım oranını anlamlı biçimde yukarı çektiği görülür.

Gerçek değer, botun doğru yanıt vermesinden değil doğru soruyu anlamasından gelir. Bu ayrım pratik bir sonuç doğurur: Kural bazlı bir bot, doğru anahtar kelimeyle gelen soruyu mükemmel yanıtlar; ama aynı sorunun farklı ifadesiyle karşılaştığında çöker. NLP temelli bir bot ise ifade çeşitliliğine karşı dayanıklıdır ve bu dayanıklılık, müşteri tabanı büyüdükçe daha kritik hale gelir. Özellikle farklı eğitim düzeylerinden, farklı bölgelerden müşteri kitlesine hizmet veren KOBİ’ler için bu esneklik, uzun vadeli ölçeklenebilirlik açısından belirleyici bir etkendir.

Uygulamada karşılaşılan en yaygın sorun, NLP altyapısının yeterince eğitilmeden canlıya alınmasıdır. Bir niyet tanıma motoru, yeterli miktarda gerçek kullanıcı verisiyle beslenene kadar kural bazlı bir bottan daha kötü performans gösterebilir. Bu süreç, özellikle Türkçe için altı ayı aşan bir ince ayar dönemini gerektirebilir. Yöneticilerin sıklıkla atlattığı adım şudur: Botun canlıya alınması projenin bitmesi değil başlamasıdır. Konuşma loglarının düzenli analizi, yanlış eşleşen niyetlerin yeniden etiketlenmesi ve modelin periyodik olarak yeniden eğitilmesi, sistemin performansını zaman içinde yukarı taşıyan asıl mekanizmadır. Bu süreci içselleştirmeyen ekipler, altı ay sonra aynı hata oranlarıyla karşılaşır.

Karar aşamasındaki bir yönetici için belirleyici soru şu olmalıdır: Müşteri tabanım ne kadar çeşitli ve öngörülemeyen bir dil kullanıyor? Müşterilerin büyük çoğunluğu standart, tekrar eden sorularla geliyorsa kural bazlı bir bot yeterli ve daha düşük TCO ile yönetilebilir bir çözümdür. Ancak müşteri sorularının yarısından fazlası bağlama duyarlı, çok katmanlı veya farklı biçimlerde ifade edilebiliyorsa NLP altyapısına yatırım yapmadan kurulan bir chatbot, kısa sürede operasyonel yük haline gelir. Bu değerlendirmeyi yapmadan seçilen her teknoloji, sorunu çözmek yerine görünür kılar.


tahmin modelleri yalnızca verimlilik gündemiyle ele alınırsa eksik kalır. Müşteri deneyimi, çalışan davranışı, finansal etki ve operasyonel dayanıklılık birlikte değerlendirilmelidir. Çünkü kurumsal teknoloji, tek bir departmanın değil, işletmenin tamamının çalışma biçimini değiştirir.


Gökhan Mercanoğlu
Yapay Zekâ ve Makine Öğrenmesi