Yapay zeka ve ses teknolojileri alanında çalışan SESTEK’in Genel Müdürü Serdar Karadayı, Agentic AI yaklaşımının kurumların yapay zekâ projelerine bakışını değiştirdiğini belirtti. Agentic AI’ın tüm işi yapmanın yanında asıl verimli kullanım alanını açıklayan Karadayı, “başarı, en gelişmiş büyük dil modelini kullanmaktan çok, bu modeli kurumun iş süreçlerine güvenli, kontrollü ve sürdürülebilir şekilde entegre edebilmekle ölçülüyor” dedi.
Agentic AI, iş dünyasında büyük etkilere yol açtı. Aylar süren işler bu teknoloji ile saatler hatta dakikalara indirildi ama tüm işi Agentic AI ile yapmak iş süreçleri için ne kadar sağlıklı. Bu soruya SESTEk’in Genel Müdürü Serdar Karadayı farklı bir yanıt veriyor. İlgili teknolojinin daha verimli kullanılmasının mümkün olduğunu kaydeden Karadayı, “Agentic AI ile birlikte kurumsal yapay zekâ yeni bir evreye geçti. Artık başarı, en gelişmiş büyük dil modelini kullanmaktan çok, bu modeli kurumun iş süreçlerine güvenli, kontrollü ve sürdürülebilir şekilde entegre edebilmekle ölçülüyor. Stratejik analizden hibrit model mimarisine, veri güvenliğinden kurumsal entegrasyonlara ve sürekli optimizasyona kadar tüm yaşam döngüsünü kapsayan bir yaklaşım, projelerin ölçülebilir iş sonuçları üretmesinde belirleyici oluyor” dedi.
Karadayı, şirketin sahadaki sonuçlarının yapay zekânın kurumların günlük operasyonlarında daha geniş bir yer edinmeye başladığını gösterdiğini ifade ederken, Agent’ların müşteri deneyiminin yanı sıra insan kaynakları, satış ve saha operasyonları gibi farklı iş süreçlerinde de kullanılmasını gerektiğini belirtti.
Kurumsal yapay zekâda asıl mesele model seçmek değil
Büyük dil modellerine erişim artık kurumlar için başlı başına bir avantaj değil. OpenAI, Azure, Google Gemini ve farklı açık kaynaklı LLM seçenekleri, farklı kullanım senaryoları için kurumların erişimine açık. Bu nedenle yapay zekâ yatırımlarında giderek daha farklı bir soru öne çıkıyor: Aynı teknolojiyi kullanan iki şirket neden birbirinden tamamen farklı sonuçlar elde ediyor?
Cevap yalnızca modelde değil. Yapay zekânın hangi işi yaptığı, hangi verilere eriştiği, kurumun mevcut sistemleriyle nasıl konuştuğu ve gerektiğinde insanla nasıl birlikte çalıştığı sonucu belirliyor.
Bu değişim, kurumsal yapay zekâ projelerinin de odağını değiştiriyor. Birkaç yıl önce tartışma daha çok “hangi modeli seçelim?” sorusu etrafında dönüyordu. Bugün ise model seçimi, daha büyük bir mimarinin parçalarından biri haline geliyor.
Gartner’ın Ocak 2026 tarihli öngörüsüne göre markaların %60’ı 2028’e kadar birebir müşteri etkileşimlerini kolaylaştırmak için Agentic AI kullanacak. Bu teknolojilerin yaygınlaşmasıyla birlikte farkı yaratacak konu, yalnızca hangi LLM’in kullanıldığı değil; LLM’in kurumun gerçek iş akışlarına nasıl yerleştirildiği olacak.
SESTEK’in bankacılık, sigorta, telekom ve perakende gibi sektörlerde gerçekleştirdiği projelerden elde ettiği veriler de bu dönüşüme işaret ediyor. Kurumsal yapay zekâ projelerinde beş başlık özellikle öne çıkıyor.
AI Agent hangi işi yapacak?
Bir yapay zekâ uygulamasının gerçek değer üretmesi, önce hangi problemin çözüleceğinin doğru tanımlanmasına bağlı.
Müşteri hizmetleri, teknik destek, sipariş yönetimi, fatura itirazları veya satış sonrası hizmetler birbirinden farklı süreçler. Her birinde yapay zekânın ihtiyaç duyduğu bilgi, sahip olması gereken yetki ve gerçekleştirebileceği işlemler değişiyor.
Bu nedenle AI Agent’ın görevi yalnızca “müşterinin sorusunu cevaplamak” olarak tanımlanmıyor. Hangi verilere erişebileceği, hangi işlemleri gerçekleştirebileceği ve hangi noktada süreci insana devredeceği de tasarımın parçası oluyor.
Performansın nasıl ölçüleceğinin başlangıçta belirlenmesi de aynı derecede önemli. Örneğin bilgi toplama ve doğrulama gibi rutin işlemlerin yapay zekâ tarafından yürütüldüğü projelerde müşteri hizmetleri süreçleri ortalama %15 hızlanabiliyor. SESTEK’in paylaştığı veriler bu yönde bir iyileşmeye işaret ediyor.
Buradaki temel mesele, yapay zekâyı sürece eklemek değil; sürecin hangi bölümünü gerçekten daha iyi yapabileceğini belirlemek.
AI Agent’lar birlikte nasıl çalışacak?
Birden fazla görevin bulunduğu süreçlerde bütün işi tek bir yapıya bırakmak yerine, farklı görevler için uzmanlaşmış AI Agent’ların birlikte çalışması tercih edilebiliyor.
SESTEK’in Agentic AI yaklaşımında farklı görevler için konumlandırılan AI Agent’lar, orkestrasyon yapısı üzerinden birlikte çalışabiliyor. Böylece bir müşteri talebinin anlaşılması, gerekli bilginin bulunması ve işlemin gerçekleştirilmesi gibi farklı aşamalar birbirinden ayrılabiliyor.
Bu yapı özellikle karmaşık süreçlerde önem kazanıyor. Her görevin farklı bir uzmanlık gerektirdiği durumlarda, görevlerin doğru şekilde paylaşılması hem kontrolü hem de performansı artırabiliyor.
SESTEK, uzmanlaşmış AI Agent’lar ve orkestrasyon yapısıyla kurgulanan projelerde karmaşık iş süreçlerinin %90 doğrulukla yönetilebildiğini belirtiyor.
Buradaki yaklaşım aslında oldukça basit bir prensibe dayanıyor: Yapay zekâdan her şeyi yapmasını beklemek yerine, doğru işi doğru yapıya vermek.
Hangi model kullanılacak, veriler nasıl korunacak?
Kurumsal yapay zekâ projelerinde model seçimi kadar verinin nasıl işlendiği de önemli.
Her kurumun güvenlik, uyumluluk ve operasyonel ihtiyaçları aynı değil. Bu nedenle tek bir LLM’in bütün kullanım senaryolarında aynı şekilde kullanılması gerekmiyor. Farklı LLM sağlayıcılarının birlikte kullanıldığı hibrit mimariler, kurumun ihtiyacına göre farklı modellerden yararlanılmasına olanak tanıyor.
SESTEK’in Agentic AI altyapısında OpenAI, Azure, Google Gemini ve farklı model seçenekleri desteklenirken, daha hassas kullanım senaryolarında on-premise kurulumlar da değerlendirilebiliyor.
Veri maskeleme ise bu mimarinin güvenlik tarafındaki önemli katmanlarından biri. Hassas kurumsal veriler, büyük dil modeline ulaşmadan önce maskeleme süreçlerinden geçirilebiliyor. Böylece yapay zekâ uygulamasının kurumsal verilerle çalışması sağlanırken veri güvenliği ve KVKK gereksinimleri de gözetiliyor.
Dolayısıyla kurumsal yapay zekâda “hangi modeli kullanalım?” sorusunun yanında artık “hangi veriyi, nerede ve hangi koşullarda kullanalım?” sorusu da bulunuyor.
AI Agent hangi sistemlere bağlanacak?
Yapay zekânın yalnızca bilgi vermesi ile bir iş sürecini gerçekten yürütebilmesi arasında önemli bir fark var.
CRM veya ERP sistemindeki bilgiyi kullanıcıya aktaran bir yapay zekâ asistanı, çalışanların bilgiye daha hızlı ulaşmasını sağlayabilir. Ancak AI Agent bu sistemlere API’ler üzerinden bağlandığında veri sorgulayabilir, kayıt oluşturabilir ve tanımlanmış iş akışlarını gerçekleştirebilir. Bu nedenle entegrasyonun derinliği, otomasyonun kapsamını doğrudan etkiliyor.
Sesli kanallarda ise sisteme bir başka katman ekleniyor: konuşmanın doğru anlaşılması. SESTEK, konuşma tanıma sistemlerinde %98 doğruluk oranına ulaştığını belirtiyor. Bu oran, konuşulan ifadenin ne kadar doğru şekilde metne dönüştürüldüğünü gösteriyor.
AI Agent’ın sesli kanalda doğru çalışabilmesi açısından bu temel bir konu. Çünkü müşterinin söylediği ifade yanlış anlaşılırsa, sonraki aşamada kullanılan LLM doğru bir muhakeme yürütemez. Yanlış anlaşılan bir talep, en iyi model kullanılsa bile yanlış bir yanıta veya yanlış bir işleme dönüşebilir.
Bu nedenle konuşma tanıma doğruluğu, sesli AI Agent altyapısının yalnızca teknik bir metriği değil; sistemin müşterinin niyetini doğru anlayıp doğru aksiyonu başlatabilmesinin temel koşullarından biri.
Yapay zekâ performansı nasıl ölçülüp geliştirilecek?
Yapay zekâ projesinin canlıya alınması, işin bittiği anlamına gelmiyor. Tam tersine, sistemin gerçek müşteriler ve çalışanlarla karşılaştığı noktadan itibaren yeni bir veri döngüsü başlıyor.
SESTEK’in Agentic CX Suite yaklaşımı bu döngüyü müşteri etkileşiminin tamamına yayıyor. Müşterinin ihtiyacı AI Agent tarafından karşılanabildiği sürece görüşme yapay zekâ üzerinden ilerliyor. Yapay zekânın yeterli olmadığı veya insan müdahalesinin gerektiği noktada süreç insan temsilciye aktarılıyor.
İnsan temsilci devreye girdiğinde Agent Copilot eş zamanlı destek sağlıyor. Agent Assist temsilciye görüşme sırasında gerçek zamanlı bilgi ve yönlendirme sunarken, Virtual Translator farklı dillerdeki iletişimin gerçek zamanlı olarak yürütülmesine yardımcı oluyor.
Ancak sistem burada da tamamlanmıyor.
AI Agent’ların ve insan temsilcilerin gerçekleştirdiği görüşmeler Conversational Intelligence ile analiz ediliyor. Bu analizler, yalnızca geçmiş görüşmelerin raporlanması için değil, operasyonun nasıl geliştirilebileceğini görmek için de kullanılıyor.
Analytics ile görüşmelerin tamamı analiz edilebiliyor. AQM (Automated Quality Management) insan temsilcilerin performansını belirlenen kriterlere göre puanlayabiliyor. Coaching ise ortaya çıkan sonuçlara göre otomatik eğitim ve gelişim içerikleri atayarak sürekli iyileştirme döngüsünü destekliyor.
Böylece müşteri görüşmesi, tek başına tamamlanan bir işlem olmaktan çıkıyor. Görüşmeden elde edilen veri performans ölçümüne, performans ölçümü eğitime, eğitim de bir sonraki görüşmenin daha iyi yapılmasına katkı sağlıyor.
Kurumsal yapay zekâ açısından bakıldığında önemli olan da tam olarak bu döngü: çalıştırmak, ölçmek, öğrenmek ve geliştirmek.
Model seçiminin ötesinde bir tasarım meselesi
SESTEK, söz konusu yapıların birlikte kurgulandığı projelerde ilk yıl içinde 6 ila 12 kat yatırım geri dönüşü elde edilebildiğini belirtiyor. Bu verinin ötesinde ortaya çıkan tablo daha genel bir noktaya işaret ediyor. Kurumsal yapay zekâda kullanılan LLM önemli olmaya devam ediyor ancak tek başına sonucu belirlemiyor.
AI Agent’ın ne yaptığı, hangi verilere eriştiği, hangi sistemlerle konuşabildiği, sesli iletişimde müşteriyi ne kadar doğru anlayabildiği, gerektiğinde insan temsilciye nasıl devredildiği ve bütün bu etkileşimlerden nasıl öğrenildiği birlikte düşünülüyor.
SESTEK’in Arçelik ile hayata geçirdiği çağrı merkezi asistanı projesi bu yaklaşımın örneklerinden biri. Agentic AI teknolojisiyle geliştirilen çözüm, müşteri taleplerini doğal konuşma yoluyla anlamaya ve çağrı süreçlerinin otomatik yönetilmesine yardımcı oluyor.
Kurumsal yapay zekânın önümüzdeki dönemdeki asıl sınavı da burada olacak: Daha büyük bir model kullanmak değil, mevcut modelleri gerçek işlerin içine doğru şekilde yerleştirmek.
.