Yapay Zekânın Balayı Bitiyor: Şirketler Artık Faturayı Konuşuyor

ChatGPT ilk yayıldığında kullanım biçimi oldukça basitti. Kullanıcı bir soru soruyor, sistem cevap veriyor, ardından o cevabı gerçek bir iş sonucuna dönüştürmek yine kullanıcıya kalıyordu. Metni kopyalamak, dosyaya aktarmak, bilgileri kontrol etmek ve ilgili sisteme girmek gerekiyordu.

OpenAI’ın yeni ürün yaklaşımı bu zinciri kısaltmaya çalışıyor. ChatGPT’nin kurumsal iş süreçleriyle daha fazla iç içe geçmesi, Codex gibi araçlarla birlikte çalışması ve uzun görevleri tamamlaması hedefleniyor. Kullanıcıdan beklenen şey artık bütün adımları tek tek tarif etmek değil. Sonucu söylemesi ve mümkün olduğunca işi sisteme bırakması isteniyor.

Bu değişim ajanslar için oldukça önemli. Çünkü içerik yazan bir yapay zekâ, çalışanların hızını artırır. Fakat mağazayı analiz eden, hataları sınıflandıran, raporu hazırlayan ve ilgili kişilere görev açan bir sistem doğrudan operasyonun bir parçasına dönüşür.

Örneğin bir Amazon mağazasındaki ürünler düzenli olarak taranabilir. Başlıklarda eksik bilgi bulunan ürünler belirlenebilir, kategori kurallarına aykırı ifadeler işaretlenebilir ve rakiplerden geride kalan listelemeler öncelik sırasına konabilir. Aynı sistem, müşteri toplantısı öncesinde özet raporu hazırlayıp ekibin yalnızca karar vermesi gereken konulara odaklanmasını sağlayabilir.

Buradaki asıl yenilik yapay zekânın daha güzel yazması değil. İnsanların yapması gereken küçük görevleri birbirine bağlayarak gerçek bir iş akışını tamamlamaya başlaması.

Bir dönem yapay zekâ eğitimlerinin büyük bölümü doğru prompt yazmaya ayrılıyordu. Sosyal medyada yüzlerce komuttan oluşan dosyalar dolaşıyor, her meslek için ayrı “gizli prompt paketleri” satılıyordu. Bazı komutlar gerçekten faydalıydı, bazılarıysa basit bir isteği anayasa metni uzunluğunda anlatıyordu.

Bugün iyi komut yazmak hâlâ değerli. Ancak müşterilerin satın almak istediği şey prompt değil, sonuç.

Bir e-ticaret markasının “Amazon ürün açıklaması yazdırma promptu”na ihtiyacı yok. Yeni ürün geldiğinde gerekli bilgileri alan, kategoriye uygun içeriği hazırlayan, yasaklı ifadeleri kontrol eden ve insan onayına sunan bir düzene ihtiyacı var.

Bu nedenle ajansların sunduğu hizmetler de yavaş yavaş değişiyor. Yapay zekâyı nasıl kullanacağını anlatmak yerine, markanın mevcut iş yapış biçimine yerleştirmek gerekiyor. Müşteri her seferinde aynı komutu yazmak zorunda kalıyorsa ortada henüz gerçek bir otomasyon yoktur. Yalnızca daha yetenekli bir metin kutusu vardır.

Dijital çalışan kavramının ilgi görmesinin nedeni de bu. Sistem tek bir işi iyi yapmakla kalmıyor; araştırma, kontrol, üretim ve raporlama gibi birbirini takip eden görevleri aynı akış içinde tamamlıyor.

Bu sistemlerin gerçek bir çalışan kadar güvenilir olduğu söylenemez. Zaten bazı günler gerçek çalışanlar için de aynı cümleyi kurmak kolay değil. Yine de doğru sınırlar içinde kullanıldıklarında ajansların ciddi zaman kazanmasını sağlayabilirler.

Teknoloji konferanslarında ve yatırımcı toplantılarında yapay zekâ maliyetlerinin daha sık konuşulması tesadüf değil. Büyük modelleri çalıştırmak ciddi miktarda işlem gücü, enerji ve veri merkezi kapasitesi gerektiriyor. Kullanıcı sayısı arttıkça yalnızca gelir büyümüyor; her mesaj, dosya analizi ve çalışan ajan yeni bir maliyet oluşturuyor.

Klasik yazılım şirketlerinde bir kullanıcı daha kazanmanın maliyeti çoğu zaman oldukça düşüktür. Yapay zekâ ürünlerinde ise yoğun kullanım doğrudan altyapı faturasına yansır. Bir kullanıcı ayda birkaç soru soruyorsa sorun küçük görünebilir. Aynı kullanıcı saatlerce araştırma yapan, onlarca belge inceleyen ve farklı sistemlerde işlem gerçekleştiren bir ajan çalıştırdığında tablo değişir.

Bu nedenle şirketler yapay zekâ kullanımını tamamen azaltmak yerine daha akıllı yönetmeye çalışıyor. Her görev için en pahalı ve en güçlü modeli kullanmak yerine, işin zorluğuna göre farklı modeller devreye alınabilir. Basit sınıflandırmalar daha küçük sistemlere bırakılırken karmaşık analizlerde güçlü modeller kullanılabilir.

Kurumsal şirketler için yeni soru artık “Yapay zekâ kullanıyor muyuz?” değil. “Yapay zekâyı nerede gereksiz pahalı kullanıyoruz?” sorusu.

Bu konu, yakın gelecekte ayrı bir danışmanlık alanına dönüşebilir. Şirketlerin kullandığı modeller, işlem hacimleri, tekrar eden görevleri ve başarısız çağrıları analiz edilerek maliyet azaltılabilir. Bulut maliyet optimizasyonu nasıl başlı başına bir sektör haline geldiyse, yapay zekâ maliyet yönetimi de benzer bir yol izleyebilir.

Çünkü inovasyon toplantılarında herkes heyecanlanır. Finans ekibi ise sonunda Excel dosyasını açar.

Amazon’un Alexa üzerinde geliştirdiği Moonraker kod adlı proje, yapay zekâ ajanlarının e-ticarette nasıl kullanılacağına dair önemli bir işaret veriyor. Şirketin amacı, Alexa’yı yalnızca sorulara cevap veren veya müzik açan bir sesli asistandan çıkararak çok adımlı görevleri tamamlayan bir sisteme dönüştürmek.

Bugün bir kullanıcı Alexa’dan alarm kurmasını veya ışıkları kapatmasını isteyebilir. Yeni yaklaşımda ise çok daha kapsamlı bir talep verebilir. Örneğin akşam için restoran bulmasını, rezervasyon yapmasını, ulaşımı planlamasını ve ilgili kişilere haber vermesini isteyebilir.

Alışveriş tarafındaki senaryolar Amazon açısından daha da değerli. Kullanıcı çocuğu için yaşına uygun bir doğum günü hediyesi aradığını söyleyebilir. Sistem bütçeyi, teslimat tarihini, ürün yorumlarını ve Prime uygunluğunu değerlendirerek birkaç seçenek sunabilir. Kullanıcının onayıyla ürünü sepete ekleyebilir veya doğrudan siparişi tamamlayabilir.

Bu durumda Alexa artık Amazon’a açılan bir kapı olmaktan çıkar. Müşterinin ihtiyacını anlayan, seçenekleri eleyen ve satın alma kararını yönlendiren bir satış görevlisine dönüşür.

Amazon’un bu alana büyük bütçe ayırmasının nedeni yalnızca Alexa’yı daha kullanışlı hale getirmek değil. Şirket, müşterinin ürün araştırmasına başka bir yapay zekâ platformunda başlamasından çekiniyor. Kullanıcı ürün önerisini ChatGPT’den alır, Gemini ile karşılaştırır ve Shopify altyapılı bir mağazadan satın alırsa Amazon bütün karar zincirinin dışında kalabilir.

Amazon yıllardır müşterinin ne aradığını, neye tıkladığını ve ne satın aldığını biliyor. Bu veriyi sessizce başka bir alışveriş asistanına teslim etmek istememesi oldukça anlaşılır.

Amazon’un yapay zekâ projeleri için konuşulan GPU harcamaları, sektörün geldiği noktayı açık biçimde gösteriyor. Artık güçlü bir fikir ve iyi bir yazılım ekibi tek başına yeterli olmayabilir. Büyük modelleri milyonlarca kullanıcıya ulaştırmak için çok ciddi altyapı yatırımları gerekiyor.

Bu durum Amazon, Google, Microsoft ve Meta gibi dev şirketleri avantajlı hale getiriyor. Bu şirketlerin ellerinde yalnızca büyük veri setleri bulunmuyor. Aynı zamanda veri merkezi, enerji anlaşmaları, çip tedariki ve gerektiğinde milyarlarca dolar harcayabilecek finansal güçleri var.

Startup’lar daha yaratıcı ürünler geliştirebilir ve belirli alanlarda büyük şirketlerden hızlı hareket edebilir. Ancak genel amaçlı yapay zekâ ajanları söz konusu olduğunda altyapı maliyeti önemli bir giriş engeli oluşturuyor.

Bu nedenle yatırımcılar da yalnızca kullanıcı sayısına veya modelin gösterişli demolarına bakmıyor. Her kullanıcı arttığında şirketin gelirinin mi, yoksa işlem maliyetinin mi daha hızlı büyüdüğünü anlamaya çalışıyorlar.

Yapay zekâ tarihinde birçok şirket “ne kadar çok kullanılırsak o kadar iyi” varsayımıyla yola çıktı. Şimdi bazıları, yoğun kullanımın fatura tarafında da aynı coşkuyla karşılık bulduğunu keşfediyor.

Kurumsal şirketlerde yapay zekâ maliyetleri arttığında ilk tepki kullanım sınırı koymak olabilir. Ancak Anthropic tarafında yapılan açıklamalar, şirketlerin yapay zekâdan geri çekilmek yerine kullanım biçimini yeniden düzenlemesi gerektiğine işaret ediyor.

Bu yaklaşım mantıklı. Bir çalışan basit bir e-postayı düzeltmek için en gelişmiş modeli kullanıyorsa sorun yapay zekâda değil, görev dağılımındadır. Benzer şekilde her dakika çalışan bir otomasyon, yalnızca günde bir kez ihtiyaç duyulan veriyi kontrol ediyorsa maliyetin önemli bölümü gereksizdir.

Şirketlerin kullandıkları yapay zekâ sistemlerine de normal çalışanlar gibi görev tanımı vermesi gerekiyor. Hangi işleri yapacakları, ne zaman çalışacakları, hangi verilere ulaşabilecekleri ve ne zaman insan onayı isteyecekleri belirlenmeli.

Aksi durumda işletmenin farklı bölümleri birbirinden habersiz araçlar kullanabilir. Aynı veri birkaç farklı model tarafından tekrar tekrar işlenebilir ve kimsenin tam olarak sahiplenmediği bir API faturası ortaya çıkabilir.

Bu yüzden yapay zekâ stratejisi yalnızca yeni araçlar satın alma listesi olmamalı. Yetki, süreç, maliyet ve başarı ölçütlerini içeren gerçek bir operasyon planına dönüşmeli.

Amazon müşteriyi kendi alışveriş ajanında tutmaya çalışırken Shopify daha açık bir ticaret altyapısı kuruyor. Şirketin yaklaşımı, ürünlerin yalnızca mağazanın web sitesinde değil, farklı yapay zekâ uygulamalarında keşfedilip satın alınabilmesine dayanıyor.

Bu modelde müşteri bir Shopify mağazasının ana sayfasını hiç ziyaret etmeyebilir. Yapay zekâ asistanına ihtiyacını anlatır, sistem farklı mağazalardaki ürünleri karşılaştırır ve uygun seçeneği önerir. Sipariş altyapısı ise arka planda Shopify üzerinden çalışabilir.

E-ticaret siteleri yıllardır insan ziyaretçilerin davranışına göre tasarlandı. Menülerin yeri, ürün kartlarının görünümü, filtreler ve banner alanları müşterinin mağazada rahat dolaşmasını sağlamayı amaçlıyor. Yapay zekâ ajanları ise mağazayı bu şekilde gezmek zorunda değil. Ürün verilerine doğrudan ulaşabilir, teknik özellikleri karşılaştırabilir ve sonucu kullanıcıya özetleyebilir.

Bu değişim tasarımın önemsiz hale geleceği anlamına gelmiyor. İnsanlar satın alma kararının son aşamasında mağazayı ziyaret edebilir ve güvenilirliği yine tasarım, yorumlar, iade koşulları veya marka geçmişi üzerinden değerlendirebilir.

Ancak ürünün ilk elemeden geçebilmesi için verisinin anlaşılır olması gerekiyor. AI ürünü bulamaz veya özelliklerini doğru yorumlayamazsa, mağaza ne kadar güzel görünürse görünsün müşteri o tasarımla hiç karşılaşmayabilir.

E-ticaret markaları ürün açıklamalarını genellikle iki amaçla hazırlar: Google’da görünmek ve müşteriyi satın almaya ikna etmek. Yapay zekâ alışveriş ajanlarının yaygınlaşmasıyla üçüncü bir okuyucu daha ortaya çıkıyor.

Bu yeni okuyucu ürünün gerçekten ne işe yaradığını açık şekilde anlamak istiyor. “Premium kalite”, “eşsiz tasarım” veya “hayatınıza değer katar” gibi ifadeler tek başına yeterli değil. Ürünün ölçüsü, malzemesi, kullanım alanı, uyumluluğu ve hangi müşteri için uygun olduğu net biçimde belirtilmeli.

Örneğin bir koltuğu yalnızca “modern yaşam alanları için ideal” şeklinde tanımlamak yerine kumaş türü, oturum derinliği, taşıma kapasitesi, temizleme yöntemi ve küçük alanlara uygun olup olmadığı anlatılmalı. Böylece yapay zekâ sistemi ürünü benzer alternatiflerle daha sağlıklı karşılaştırabilir.

Bu aslında yeni bir prensip değil. İyi ürün bilgisi e-ticarette her zaman önemliydi. Yeni olan, kötü ve belirsiz açıklamaların yalnızca müşteriyi değil, müşterinin adına araştırma yapan sistemi de kaçıracak olması.

Yıllardır “sonra doldururuz” denilerek boş bırakılan ürün özellikleri şimdi sessizce intikamını alabilir.

Yatırım ekosisteminde de benzer bir olgunlaşma görülüyor. Bir girişimin sunumunda yapay zekâ kelimesinin geçmesi artık yatırımcıların dikkatini tek başına çekmiyor. Neredeyse bütün yeni şirketler ürünlerinin bir noktasında AI, agent veya automation kavramlarından birini kullanıyor.

Yatırımcılar daha somut sorular soruyor. Ürün hangi operasyonu değiştiriyor? Müşterinin maliyetini ne kadar düşürüyor? Model sağlayıcısı fiyat artırdığında iş ayakta kalıyor mu? Kullanıcı neden aynı işi doğrudan ChatGPT ile yapamıyor?

Teknik bilgisi olmayan kullanıcıların yapay zekâ ajanları yardımıyla uygulama geliştirmesini sağlayan platformların yatırım alması, sermayenin yalnızca sohbet araçlarına değil, üretim altyapısına yöneldiğini gösteriyor. Şirketler yeni bir chatbot sunmak yerine, insanların gerçek bir ürün veya süreç oluşturmasını kolaylaştırmaya çalışıyor.

Yatırımcıların genel mesajı oldukça açık: Yapay zekânın vitrinde bulunması yetmiyor. Kasada da işe yaradığı görülmeli.

Kurumsal şirketlerin faaliyet raporlarına ve yöneticilerin açıklamalarına bakıldığında hemen herkes yapay zekâ dönüşümünün içinde görünür. Fakat iş süreçlerinin derinine inildiğinde gerçek entegrasyon oranının daha sınırlı olduğu anlaşılıyor.

Birçok şirket birkaç departmanda pilot uygulamalar yürütüyor. Çalışanlar bireysel olarak ChatGPT veya benzeri araçlardan yararlanıyor. Ancak yapay zekânın doğrudan üretim, müşteri hizmetleri, satış veya finans süreçlerine sistemli biçimde bağlandığı örneklerin sayısı hâlâ sanıldığı kadar yüksek değil.

Bu durum bir başarısızlıktan çok pazarın erken aşamada olduğunu gösteriyor. Sosyal medyada her şey tamamlanmış gibi görünse de şirketlerin çoğu hâlâ hangi verinin kullanılabileceğini, hangi işlerin otomasyona uygun olduğunu ve çalışanların yeni sistemlere nasıl uyum sağlayacağını anlamaya çalışıyor.

Ajanslar ve danışmanlık şirketleri için fırsat tam olarak burada bulunuyor. Firmalara yeni bir araç listesi sunmak yerine, mevcut iş süreçlerini inceleyip yapay zekânın gerçekten değer yaratabileceği noktaları belirlemek gerekiyor.

Çünkü şirketlerin çoğunda teknoloji eksikliğinden önce süreç karmaşası var. Kötü kurulmuş bir operasyonu yapay zekâyla hızlandırmak, yalnızca hataların daha erken ortaya çıkmasını sağlar.

Yapay zekâ kullanımı arttıkça ajansların sunabileceği yeni hizmetlerden biri maliyet ve verimlilik denetimi olabilir. Bu çalışma yalnızca kullanılan araçların ücretlerini toplamakla sınırlı kalmamalı. Hangi ekiplerin hangi modelleri kullandığı, görevlerin ne kadar tekrarlandığı ve elde edilen çıktının gerçek iş sonucuna dönüşüp dönüşmediği incelenmeli.

Basit metin düzenlemeleri için pahalı modeller kullanılıyor olabilir. Aynı veri farklı araçlara tekrar tekrar gönderilebilir. Kullanılmayan otomasyonlar arka planda çalışmaya devam edebilir. Çalışanlar şirketin satın aldığı sistem yerine bireysel abonelikler kullanabilir.

Bütün bunlar bir araya geldiğinde şirketin AI faturası büyürken verimlilik aynı oranda artmayabilir.

Böyle bir denetimin sonunda daha uygun model seçimi, görevlerin gruplanması, çalışma sıklığının azaltılması ve bazı süreçlerin tamamen kaldırılması önerilebilir. Amaç yapay zekâ kullanımını kısmak değil, gerçekten değer üreten alanlara yönlendirmektir.

İyi bir AI stratejisi her yere yapay zekâ eklemek değildir. Nerede eklememek gerektiğini de bilmektir.

Büyük teknoloji şirketlerinin milyar dolarlık yatırımlarını izlemek ilginç olsa da markalar açısından daha önemli olan, bu dönüşüme bugünden nasıl hazırlanılacağıdır.

İlk adım ürün verisini gözden geçirmek olmalı. En çok satan ürünlerin başlıkları, özellikleri, kullanım senaryoları ve uyumluluk bilgileri kontrol edilmeli. Bir müşteri “küçük ev için uygun, kolay kurulan ve çocuklu ailelerin kullanabileceği masa” diye arama yaptığında yapay zekânın doğru ürünü bulmasını sağlayacak bilgiler ürün kartında bulunmalıdır.

İkinci adım, yapay zekâ kaynaklı trafiği ayrı izlemektir. ChatGPT, Gemini, Perplexity veya diğer sistemlerden gelen kullanıcıların hangi sayfalara gittiği ve ne kadar gelir oluşturduğu takip edilmelidir.

Üçüncü adım ise ajans içinde tek bir iş akışını dijital çalışana dönüştürmektir. Her şeyi bir anda otomatikleştirmek yerine, düzenli yapılan ve sonucu kolayca kontrol edilebilen bir görev seçilebilir. Haftalık rapor hazırlama, Amazon liste kontrolü veya rakip fiyat takibi iyi başlangıç noktalarıdır.

Yapay zekâ sektörünün ilk döneminde bütün dikkat model gücüne yönelmişti. Daha hızlı, daha yaratıcı ve daha bilgili sistemler geliştirmek rekabetin temeliydi. Şimdi bu yarışın yanına verimlilik, maliyet ve gerçek iş sonucu ekleniyor.

Şirketler yapay zekâdan vazgeçmeyecek. Fakat onu sınırsız bütçeyle kullanılabilecek sihirli bir kaynak olarak görmeyi bırakacak. Hangi görevin hangi sistemle yapılacağı, insan onayının nerede devreye gireceği ve harcanan paranın nasıl geri döneceği daha fazla sorgulanacak.

E-ticarette de yalnızca AI’da görünür olmak yeterli olmayacak. Ürünün doğru anlaşılması, önerilmesi ve satışın gerçekten hangi kanaldan geldiğinin ölçülmesi gerekecek.

Önümüzdeki dönemin kazanan şirketleri en fazla yapay zekâ aracını kullananlar olmayabilir. Daha az araçla daha temiz süreç kuran, maliyeti kontrol eden ve ortaya çıkan sonucu gelirle ilişkilendirenler avantaj sağlayacak.

Sonuçta yapay zekâ çok hızlı çalışabilir. Ancak şirketin ne yapmak istediği belli değilse, yanlış yöne herkesten önce varması da mümkündür.