Bir müşteri, bankanın chatbot’una ‘kartımı iptal ettirmek istiyorum’ yazıyor. Bot, kredi kartı başvuru formunun linkini gönderiyor. Müşteri sinirle telefonu kapatıp çağrı merkezini arıyor. Sahne tanıdık geliyor mu? Türkiye’de müşteri hizmetleri operasyonlarını yakından izleyenler bu türden diyalog çöküşlerini her gün görüyor. Chatbot teknolojisi son birkaç yılda ciddi bir olgunlaşma sürecine girdi; ancak ‘anlıyor’ ile ‘doğru anlıyor’ arasındaki mesafe hâlâ kapatılamamış durumda. Bu mesafeyi anlamak, teknolojiyi satın almak kadar önemli.
Chatbot’ların ilk nesli tamamen kural tabanlıydı: belirli anahtar kelimeleri tespit et, önceden yazılmış yanıtı döndür. Bu yaklaşım dar ve öngörülebilir senaryolarda işe yarıyordu. Bir e-ticaret sitesinin ‘sipariş takip’ akışı veya bir bankanın ‘şube saati’ sorusu için yeterliydi. Sorun, müşteri bu sınırın dışına çıktığı anda sistemin çökmesiydi. Türkiye’deki ilk chatbot deneyimlerinin büyük bölümü bu dönemin mirasını taşıyor: menü ağacı gibi tasarlanmış, müşteriyi seçenekler arasında gezdiren ama gerçek bir diyalog kuramayan sistemler. Bu sistemlerin ‘anlama’ kapasitesi yoktu; yalnızca eşleştirme yapıyordu.
Doğal Dil İşleme (NLP) ve makine öğrenimi tabanlı niyet sınıflandırma motorlarının devreye girmesiyle tablo değişmeye başladı. Günümüzde kurumsal chatbot platformlarının büyük çoğunluğu, müşterinin yazdığı cümleyi bir ‘niyet’ kategorisine (intent) atayan ve bu niyete bağlı bir diyalog akışı başlatan mimariler kullanıyor. Bu yaklaşım, kural tabanlı sistemlere kıyasla çok daha esnek. Müşteri ‘faturamı görmek istiyorum’ yerine ‘son ödememi öğrenebilir miyim’ dese de sistem doğru niyeti yakalayabiliyor. Ancak burada kritik bir ayrımı yapmak gerekiyor: niyet sınıflandırmanın doğruluğu, sistemin eğitildiği veri kümesiyle doğrudan orantılı. Türkçe için bu eğitim verisi İngilizce’ye kıyasla hâlâ sınırlı; dolayısıyla Türkçe chatbot projelerinde niyet tanıma hata oranları Batı pazarlarındaki benzer uygulamalara göre daha yüksek çıkıyor.
Niyet anlamanın ötesinde asıl zorluk, bağlamı (context) korumaktır. Tek turlu bir soruda sistem başarılı olsa bile, çok turlu bir diyalogda bağlam kaybolduğunda konuşma çöküyor. Türkiye’deki bir telekomünikasyon firmasının müşteri hizmetleri botunu düşünün: müşteri önce ‘faturamda neden fazla ücret var’ diye soruyor, ardından ‘bunu iptal etmek istiyorum’ diyor. İkinci cümledeki ‘bunu’ ifadesi, önceki bağlama bağlı. Bağlam yönetimi zayıf bir sistemde bot ‘neyi iptal etmek istiyorsunuz?’ diye tekrar soruyor ya da yanlış bir akışa giriyor. Bu tür bağlam kayıpları, müşteri memnuniyeti skorlarını doğrudan etkiliyor ve sahada ölçülüyor. Diyalog yönetimi (dialogue management) katmanının kalitesi, salt niyet tanıma doğruluğundan çok daha belirleyici bir faktör.
Türkiye’deki kurumsal chatbot projelerinin önünde duran pratik engeller teknik olmaktan çok operasyonel. Birincisi, içerik bakımı: bir chatbot’un doğru yanıt vermesi için bilgi tabanının (knowledge base) güncel tutulması gerekiyor. Bir bankanın ürün koşulları değiştiğinde, bir perakendecinin kampanya detayları güncellendiğinde, bot da buna paralel güncellenmeli. Bu güncelleme sürecini sahiplenen bir ekip yoksa bot hızla eskiyor ve yanlış bilgi vermeye başlıyor. İkincisi, insan devri (human handoff): botun yetersiz kaldığı anda müşteriyi sorunsuz biçimde bir temsilciye aktarma mekanizması. Bu geçişin kötü tasarlandığı projelerde müşteri hem bota hem temsilciye aynı bilgiyi tekrar anlatmak zorunda kalıyor; bu deneyim, botun hiç olmadığı durumdan daha kötü bir izlenim bırakıyor. Türkiye’de bu iki operasyonel sorun, teknik altyapıdan çok daha fazla projeyi başarısız kılıyor.
Peki bir KOBİ veya orta ölçekli bir kurum bu teknolojiyi değerlendirirken neye bakmalı? Önce kullanım senaryosunu daraltmak gerekiyor. Chatbot her soruyu yanıtlamak zorunda değil; yüksek hacimli, tekrarlayan ve iyi tanımlanmış beş ila on senaryoyu güvenilir biçimde yönetebiliyorsa bu zaten ciddi bir operasyonel kazanım. İkinci kriter, Türkçe dil desteğinin gerçek kapsamı: demo ortamında hazır cümlelerle test etmek yetmez, gerçek müşteri konuşmalarından alınan ham metinlerle niyet tanıma doğruluğunu ölçmek gerekiyor. Üçüncüsü, entegrasyon derinliği: bot yalnızca statik bilgi mi veriyor, yoksa CRM veya sipariş yönetim sistemiyle bağlantılı olarak kişiselleştirilmiş yanıt üretebiliyor mu? Bu soruların yanıtları, bir chatbot projesinin gerçek değerini ortaya koyuyor. Teknolojiyi almak kolay; doğru soruları sormak ise asıl iş.