"Demo'da harikaydı" sendromu
Kurumsal yapay zeka projelerinde en sık duyduğumuz cümle bu: "Pilot aşamasında çok iyi çalışıyordu." Sonra üç ay geçiyor, kullanım oranları düşüyor, ekip eski yöntemlere geri dönüyor ve proje "başarısız" etiketiyle rafa kalkıyor.
Bir finans kurumu için iç yardım masası asistanı kurarken biz de bu riskle yüz yüze geldik. 10.000'den fazla iç doküman, prosedür, politika metni ve geçmiş destek kaydıyla çalışan bir sistem inşa ettik. İlk haftalarda sonuçlar gerçekten iyiydi. Ama gerçek mesele demo'dan sonra başladı.
Chatbot projelerinin çoğu teknik bir başarısızlıkla değil, üç sessiz nedenle çöküyor: veri kalitesi, güncellik ve kullanıcı kabulü. Hiçbiri "yapay zeka modeli yetersizdi" diye özetlenmiyor — ama hepsi modelin önüne geçiyor.
Sorun 1: Veri kalitesi, model kalitesinden önce gelir
10.000 belge demek, 10.000 farklı yazım tarihi, format ve onay seviyesi demek. Bazı dokümanlar üç yıl önce güncellenmiş, bazıları hâlâ taslak aşamasında, bazıları birbiriyle çelişen prosedürler içeriyordu.
İlk versiyonda asistanı tüm bu belge havuzuna bağladığımızda, model teknik olarak doğru çalışıyordu — ama yanlış veya güncelliğini kaybetmiş kaynaklardan alıntı yapıyordu. Kullanıcı için bu, "yapay zeka yanlış biliyor" algısına dönüşüyor ve bir kere kaybedilen güven geri kazanılması en zor şey oluyor.
Çözüm, modeli iyileştirmek değil veri hattını disipline etmekti: her belgeye geçerlilik tarihi, sahiplik etiketi ve onay durumu eklendi. Asistan, güncelliğini kaybetmiş veya onaysız içeriği otomatik olarak devre dışı bırakacak şekilde yapılandırıldı. Bu adım, doğru yanıt oranını teknik model değişikliğinden daha fazla etkiledi.
Sorun 2: Statik bilgi, dinamik kurumla uyuşmuyor
Kurumsal prosedürler durağan değil. Bir mevzuat değişikliği, bir organizasyon güncellemesi veya bir ürün lansmanı, dün doğru olan bilgiyi bugün geçersiz kılabiliyor.
Yardım masası asistanını "kur ve unut" mantığıyla devreye alan kurumlar, altı ay içinde asistanın güncel olmayan yanıtlar verdiğini fark ediyor — ve bu noktada güven zaten sarsılmış oluyor.
Bizim için çözüm, içerik güncelleme sürecini IT'den çıkarıp ilgili departmanlara devretmekti. Politika sahibi bir değişiklik yaptığında, asistanın bilgi tabanı otomatik olarak senkronize oluyor; manuel "yapay zeka ekibine bildir" adımına ihtiyaç kalmıyor. Gerçek zamanlı güncelleme altyapısı kurulmadan devreye alınan her kurumsal asistan, zamanla güvenilirliğini kaybediyor.
Sorun 3: Teknoloji çalışsa da, kullanıcı kullanmazsa proje başarısız sayılır
En sık atlanan adım bu. Bir asistan teknik olarak %95 doğruluğa ulaşsa bile, çalışanlar onu kullanmıyorsa proje değer üretmiyor.
Bizim gözlemimiz: adaptasyonun önündeki en büyük engel doğruluk değil, güven ve alışkanlıktı. Çalışanlar yıllarca aynı kişiye, aynı e-posta zincirine veya aynı dahili wiki sayfasına güvenmişti. Yeni bir aracın bu alışkanlığı kırması zaman alıyor.
Adaptasyonu hızlandıran üç pratik adım işe yaradı:
- Asistanın yanıtlarına kaynak belge linki eklenmesi — kullanıcı "neden bu cevap" sorusuna kendisi yanıt bulabiliyor
- İlk dört haftada asistanın yanıtlarını "öneri" olarak sunup, kullanıcının onayladığı yanıtların güven puanını artırması
- Departman bazında pilot ekip seçilmesi ve bu ekibin geri bildirimlerinin ilk iyileştirme döngüsüne doğrudan yansıtılması
Kullanıcı güveni, doğruluk oranından önce inşa edilmesi gereken bir katman. Bu sırayı tersine çevirmek, teknik olarak başarılı projelerin organizasyonel olarak terk edilmesine yol açıyor.
Chatbot kurmak bir proje, bakımı bir operasyon
Bu üç sorunun ortak paydası şu: kurumsal bir yardım masası asistanı, tek seferlik bir kurulum projesi değil, sürekli bakım gerektiren bir operasyon. Veri kalitesi izlenmeli, güncelleme süreci otomatikleştirilmeli, kullanıcı geri bildirimi düzenli olarak modele yansıtılmalı.
Bu gerçeği proje başında kabul eden kurumlar, asistanı altı ay sonra hâlâ değer üreten bir araç olarak görüyor. Bunu atlayan kurumlar ise "denedik, olmadı" hikâyesine bir yenisini ekliyor.
Eğer kurumunuzda bir chatbot veya yardım masası asistanı projesi planlıyorsanız, doğru soru "hangi modeli kullanmalıyız" değil "bu sistemi kim, nasıl ve hangi sıklıkla güncelleyecek" olmalı. Bu sorunun cevabı netse, teknoloji seçimi geri kalan kısımdan çok daha kolay.