Bir e-ticaret işletmesinde yapay zekâ konuşulmaya başlandığında ilk fikir çoğu zaman ürün açıklamalarını otomatik yazdırmak oluyor. Bu iyi bir başlangıç olabilir, fakat asıl fırsat bundan daha geniştir. Ürün bilgisinin hazırlanması, görsellerin kontrol edilmesi, arama sonuçlarının iyileştirilmesi, müşteri sorularının yanıtlanması, pazaryeri verilerinin eşleştirilmesi ve operasyon raporlarının hazırlanması aynı veri zincirinin parçalarıdır.
Ticimax gibi yönetilen bir e-ticaret altyapısı kullanan işletmeler için temel soru şudur: Mağazanın çalışan tarafını bozmadan, mevcut veriyi güvenli biçimde kullanarak nasıl bir yapay zekâ katmanı kurulabilir?
Bu yazının kısa cevabı şu: Yapay zekâyı mağazanın içine aceleyle yerleştirmek yerine, mağazayla kontrollü biçimde konuşan ayrı bir servis olarak konumlandırmak daha sağlıklıdır. Ticimax sipariş, ürün, müşteri ve mağaza süreçlerinin ana sistemi olarak kalır. Yapay zekâ katmanı ise izin verilen veriyi alır, işler, sonucu bir onay ekranına getirir ve yalnızca onaylanan değişikliği geri gönderir.
Bu yaklaşım ilk bakışta biraz daha fazla planlama istiyor gibi görünebilir. Buna karşılık geri alma, maliyet takibi, hata ayıklama ve veri güvenliği çok daha yönetilebilir hâle gelir.
Ticimax'ta Yapay Zekâ İçin Gerçekçi Başlangıç Noktası
Ticimax kapalı ve yönetilen bir SaaS platformudur. Bu, yapay zekâ entegrasyonu yapılamayacağı anlamına gelmez; yalnızca yaklaşımın platformun sunduğu bağlantı noktalarına göre kurulması gerektiğini gösterir. Web servisleri, dışa aktarımlar, pazaryeri bağlantıları ve gerektiğinde zamanlanmış veri akışları bu bağlantının temelini oluşturabilir.
Burada ilk iş model seçmek değildir. Önce verinin hangi sistemde doğru kabul edildiğini belirlemek gerekir:
- Ürün adı, stok, fiyat ve kategori için ana kaynak hangisi?
- Sipariş durumu Ticimax'ta mı, ERP'de mi kesinleşiyor?
- Ürün açıklamasının son sürümünü kim onaylıyor?
- Müşteri sorularında hangi bilgi kişisel veri sayılıyor?
- Yapay zekânın yazmasına izin verilen ve verilmeyen alanlar hangileri?
Bu sorular cevaplanmadan başlanan projeler etkileyici bir demo çıkarabilir, ancak üretimde güven vermez. Çünkü sorun çoğu zaman modelin metin üretip üretememesi değil; hangi kaynağa güveneceğinin, neyi değiştirebileceğinin ve hatalı sonuçta nasıl geri dönüleceğinin belirsiz olmasıdır.
Önce Tek Bir Darboğazı Seçin
E-ticarette yapay zekâ için onlarca kullanım alanı vardır. Hepsini aynı anda ele almak cazip görünür, fakat iyi sonuç veren projeler genellikle tek ve ölçülebilir bir darboğazla başlar.
Örneğin 5.000 ürünlük bir katalog düşünelim. Bazı açıklamalar kısa, bazıları farklı tedarikçilerden geldiği için birbirinden kopuk, renk ve ölçü alanları aynı biçimde yazılmamış olabilir. Ekip her yeni ürün girişinde aynı düzenleme işini tekrarlar. Bu durumda ilk pilotun amacı “kataloğu yapay zekâya devretmek” değil, seçilmiş bir kategoride 200 ürünün veri kalitesini artırmaktır.
Başarı ölçütleri de baştan yazılabilir:
- Ürün başına düzenleme süresi ne kadar azaldı?
- Zorunlu özelliklerin doluluk oranı arttı mı?
- İnsan editör kaç öneriyi değiştirmeden kabul etti?
- Yanlış teknik iddia veya uydurulmuş özellik oluştu mu?
- Güncellenen ürünlerde arama ve dönüşüm davranışı nasıl değişti?
Bu ölçüler olmadan “yapay zekâ iyi çalıştı” cümlesi yoruma açık kalır. Ölçü olduğunda ise ikinci kategoriye geçip geçmeme kararı kolaylaşır.
E-Ticarette Sekiz Güçlü Yapay Zekâ Kullanım Alanı
1. Ürün içeriği üretimi ve yeniden yazım
Model; mevcut ürün verisi, marka dili ve kategori kuralları verildiğinde ürün başlığı, kısa açıklama, ayrıntılı açıklama, kullanım önerisi ve arama motoru metni için taslak hazırlayabilir. Burada “sıfırdan yaz” komutu risklidir. Doğru yöntem, yalnızca doğrulanmış özelliklerden üretim yapılmasını istemek ve veri yoksa alanın boş bırakılmasını sağlamaktır.
İnsan editörün işi ortadan kalkmaz. Editör artık her cümleyi baştan yazmak yerine iddiayı, tonu ve kategoriye uygunluğu denetler. Kazanç, insanı süreçten çıkarmakta değil; tekrarlı ilk taslağı hızlandırmaktadır.
2. Katalog normalizasyonu
Tedarikçi dosyalarında aynı renk “lacivert”, “navy” veya “koyu mavi” olarak gelebilir. Ölçüler farklı birimlerle yazılabilir, ürün tipleri birbirine karışabilir. Yapay zekâ bu alanları önerilen bir sözlüğe eşleyebilir ve şüpheli kayıtları işaretleyebilir.
Bu kullanım, dışarıdan bakıldığında ürün açıklaması kadar gösterişli değildir; buna rağmen arama, filtreleme ve pazaryeri eşleştirmesini doğrudan iyileştirdiği için ticari etkisi çoğu zaman daha büyüktür.
3. Görsel kalite ve görselden veri çıkarımı
Ürün görselleri arka plan, oran, çözünürlük ve kategori standartları açısından denetlenebilir. Görselde bulunan ancak ürün kartında eksik olan renk, desen veya parça sayısı gibi bilgiler öneri olarak çıkarılabilir.
Bu alanda otomatik karar yerine uyarı üretmek daha güvenlidir. Sistem “bu ürün kırmızıdır” diye alanı değiştirmek yerine, “görsel ile renk alanı uyuşmuyor olabilir” diyerek editöre inceleme görevi açabilir.
4. Arama ve sıfır sonuç kurtarma
Müşteri her zaman katalogdaki kelimeyi kullanmaz. “Su geçirmeyen şehir sırt çantası” araması, ürün adlarında aynı cümle bulunmasa bile ilgili ürünleri getirebilmelidir. Semantik arama, kelimenin birebir eşleşmesinden çok niyeti ve anlam yakınlığını değerlendirir.
Özellikle sonuç dönmeyen sorgular değerlidir. Bunlar müşterinin ne aradığını, katalogda hangi eş anlamlıların eksik olduğunu ve hangi ürün grubunun talep gördüğünü gösterir. Yapay zekâ bu sorguları kümelendirerek içerik ve satın alma ekiplerine düzenli bir ihtiyaç listesi hazırlayabilir.
5. Müşteri desteği ve RAG
İade koşulları, kargo bilgisi, garanti, beden seçimi ve ürün uyumluluğu gibi sorular için kaynaklı bir asistan kurulabilir. Buradaki kritik kavram RAG, yani yanıt üretmeden önce onaylı kaynaklardan ilgili bilginin bulunmasıdır.
İyi bir destek asistanı her soruyu cevaplamaya çalışmaz. Kaynak bulamadığında bunu söyler, kimlik doğrulaması gereken sipariş bilgisini açık sohbetten istemez ve belirsiz durumda görüşmeyi insana aktarır. Cevabın yanında hangi kaynağın kullanıldığını göstermek hem ekip hem müşteri açısından güveni artırır.
6. Sipariş ve iade operasyonu
Sipariş notlarının sınıflandırılması, iade gerekçelerinin gruplanması, geciken süreçlerin işaretlenmesi ve günlük operasyon özetinin hazırlanması yapay zekâ ile desteklenebilir. Burada amaç sipariş durumunu modelin tek başına değiştirmesi değildir. Model örüntüyü bulur ve öneri üretir; kritik işlem kural tabanlı kontrol veya insan onayıyla yapılır.
7. Pazaryeri içerikleri ve eşleştirme
Her pazaryerinin başlık uzunluğu, kategori yapısı ve zorunlu alanları farklıdır. Tek bir ürün kaydından kanal kurallarına uygun varyantlar hazırlanabilir. Kategori eşleştirmesinde düşük güvenli sonuçlar ayrı kuyruğa alınarak yanlış kategoride yayın riski azaltılır.
Fiyat tarafında da aynı ilke geçerlidir: yapay zekâ rakip ve maliyet verisini yorumlayabilir, fakat taban fiyat, marj ve kampanya sınırı deterministik kurallarla korunmalıdır.
8. Talep, kampanya ve yönetim raporları
Satış, stok ve kampanya verisi bir araya getirildiğinde model yönetici için okunabilir bir özet hazırlayabilir. Hangi ürün grubunda stok riski oluştuğu, hangi kampanyanın beklenen sonucu vermediği veya hangi sorguların ürüne dönüşmediği daha hızlı görünür hâle gelir.
Tahminin tek başına karar olmadığını unutmamak gerekir. Sezon, tedarik süresi ve kampanya takvimi gibi işletmeye özgü bilgiler olmadan üretilen sayı yalnızca olasılıktır. Karar sahibinin bağlamı ve onayı yine gereklidir.
Sağlam Mimari: Mağazanın Yanında Bir Yapay Zekâ Katmanı
Ticimax üzerinde yapay zekâ çalıştırırken en güvenli desenlerden biri ayrı bir “yan servis” kurmaktır. Bu servis mağazanın yerini almaz; onunla kontrollü bir veri alışverişi yürütür.
Basit akış şöyledir:
- Ticimax web servisinden gerekli ürün veya sipariş verisi alınır.
- Veri ham hâliyle saklanmak yerine doğrulanır ve ortak bir modele dönüştürülür.
- Yapay zekâ yalnızca görev için gereken alanları görür.
- Üretilen öneri bir gölge veri tabanına yazılır.
- Editör veya süreç sahibi farkı onay ekranında inceler.
- Onaylanan değişiklik Ticimax'a geri gönderilir.
- Her işlem kim, ne zaman, hangi veriyi değiştirdi bilgisiyle kayda alınır.
Gölge veri tabanı bu mimarinin önemli parçasıdır. Ürünün canlı sürümü ile önerilen sürümü yan yana tutar. Böylece modelin ürettiği içerik doğrudan mağazaya düşmez; karşılaştırılabilir, reddedilebilir ve gerektiğinde geri alınabilir.
Bu katmanda kuyruk ve tekrar deneme mekanizması da bulunmalıdır. Ağ kesintisi veya geçici servis hatası yüzünden aynı ürünün iki kez işlenmesi, stok güncellemesinin yarıda kalması ya da yüzlerce başarısız isteğin peş peşe çalışması engellenmelidir.
Neden Doğrudan Otomatik Yayın Riskli?
Bir model akıcı yazdığı için doğru yazmış sayılmaz. Ürün açıklamasına var olmayan bir sertifika, yanlış bir ölçü veya desteklenmeyen sağlık iddiası eklenebilir. Teknik olarak küçük görünen hata, müşteri güveni ve mevzuat açısından büyük sonuç doğurabilir.
Bu nedenle otomasyon seviyesi alan alan belirlenmelidir:
- Yazım düzeltmesi gibi düşük riskli alanlar kurallar geçildikten sonra otomatik uygulanabilir.
- Ürün özelliği ve uyumluluk bilgisi kaynakla karşılaştırılmalıdır.
- Fiyat, kampanya ve sipariş işlemleri kesin iş kurallarıyla korunmalıdır.
- Sağlık, güvenlik veya hukuki iddia içeren metinler insan onayı olmadan yayınlanmamalıdır.
- Silme ve toplu güncelleme işlemleri önce deneme modunda çalışmalıdır.
İnsan onayı bir yavaşlık işareti değildir. Doğru tasarlanmış bir onay ekranı yalnızca değişen alanı gösterir, riskli cümleyi işaretler ve toplu kararı kolaylaştırır. Böylece kontrol korunurken operasyon yine hızlanır.
Claude Code Bu Projede Nerede Değer Üretir?
Claude Code gibi kod tabanında çalışan bir ajan, entegrasyon projesinde özellikle tekrarlı ve sınırları net geliştirme işlerini hızlandırabilir. API istemcisi oluşturma, veri modellerini eşleme, test senaryoları yazma, hata günlüklerini inceleme, yönetim ekranı bileşenleri hazırlama ve teknik dokümantasyonu güncelleme bu işlere örnektir.
Ancak ajana “Ticimax entegrasyonunu yap” demek iyi bir görev tanımı değildir. Daha sağlıklı bir iş paketi şu parçalara ayrılır:
- Ürün servisinin yetkilendirme ve sayfalama davranışını belgele.
- Ürün verisini iç veri modeline dönüştüren eşleyiciyi yaz.
- Boş varyasyon, eksik kategori ve hatalı fiyat için test ekle.
- Güncelleme isteğini önce deneme modunda çalıştır.
- Başarısız kayıtları tekrar kuyruğuna al ve aynı işlemin iki kez uygulanmasını engelle.
- Onay ekranında eski ve yeni alanı yan yana göster.
Bu ayrım, üretilen kodun gözden geçirilmesini kolaylaştırır. Her adımın ne zaman tamamlandığı ve hangi testten geçtiği görülebilir.
Proje talimatı nasıl hazırlanmalı?
Kod ajanına verilen kalıcı proje talimatı kısa ama açık olmalıdır. Kullanılan teknoloji, çalıştırılacak testler, gizli bilgilerin nerede tutulduğu, doğrudan değiştirilmemesi gereken klasörler ve yayın öncesi onay kuralı bu dosyada yer alabilir.
Örneğin şu ilkeler işe yarar:
- Canlı Ticimax verisine doğrudan yazma; önce deneme çıktısı üret.
- API anahtarlarını ve yetki kodlarını kaynak koda ekleme.
- Para değerlerinde kayan nokta yerine güvenli sayı yaklaşımı kullan.
- Her eşleme kuralı için en az bir normal ve bir hata senaryosu testi yaz.
- Toplu güncellemede geri alma kaydı oluşturmadan ilerleme.
- Üretim yayını için insan onayı iste.
Bu kurallar ajanı kusursuz yapmaz; fakat sınırlarını görünür hâle getirir. Claude Code Eğitimi içinde üzerinde durduğumuz temel yaklaşım da budur: önce kod tabanını ve kabul ölçütünü anla, sonra küçük bir değişiklik yap, testi çalıştır ve sonucu insan incelemesine bırak.
Uygulanabilir 30 / 60 / 90 Günlük Yol Haritası
İlk 30 gün: bağlantı, veri kalitesi ve pilot
İlk ayın amacı büyük bir yapay zekâ vitrini kurmak değil, güvenilir veri akışını ispatlamaktır. Ticimax bağlantısı hazırlanır, seçilen ürün alanları iç modele dönüştürülür ve tek kategoride sınırlı pilot başlatılır. Onay ekranı en baştan kurulmalıdır; sonradan eklenen kontrol katmanı çoğu zaman süreci zorlaştırır.
Bu dönemin sonunda elde olması gerekenler:
- Çalışan ve izlenebilir veri bağlantısı
- 150-300 ürünlük pilot kategori
- Eski ve önerilen içeriği gösteren onay ekranı
- İçerik kalitesi ve işlem süresini ölçen ilk rapor
- Hatalı sonuçların nedenini kaydeden basit bir sınıflandırma
30-60 gün: katalog ve arama
Pilot sonuçları yeterliyse kategori sayısı artırılır. Renk, ölçü, malzeme ve ürün tipi gibi alanlarda normalizasyon kuralları genişletilir. Aynı dönemde sıfır sonuç veren aramalar ve müşteri sorguları incelenerek semantik arama için küçük bir deney yapılabilir.
Her alanın aynı hızla otomatikleştirilmesi gerekmez. Editörün neredeyse her öneriyi kabul ettiği düşük riskli alanlar daha hızlı ilerler. Sık düzeltme yapılan alanlar ise yeniden tasarlanır veya insan onayında kalır.
60-90 gün: operasyon ve kaynaklı asistan
Üçüncü aşamada iade gerekçesi analizi, günlük operasyon özeti ve RAG destekli iç destek asistanı ele alınabilir. Müşteriye açık bir bot yerine önce çalışanların kullandığı iç asistanla başlamak daha güvenlidir. Yanlış cevaplar gerçek müşteriye gitmeden gözlemlenir ve kaynak kapsamındaki boşluklar görülür.
Bu aşamada yapay zekâ PoC ve uygulama danışmanlığı yaklaşımı yararlı olur: kullanım senaryosu, veri erişimi, risk, başarı ölçütü ve insan onayı aynı pilot planında ele alınır.
Maliyet Nasıl Kontrol Edilir?
Yapay zekâ projesinin maliyeti yalnızca model kullanım ücretinden oluşmaz. Üç ayrı kalem düşünülmelidir:
- Model kullanımı: Hangi görevde hangi modelin kullanıldığı, token miktarı, yeniden deneme sayısı ve günlük limit izlenmelidir.
- Geliştirme ve bakım: API değişiklikleri, testler, izleme, hata çözümü ve güvenlik güncellemeleri sürekli emek ister.
- İnsan onayı: Binlerce öneri üretmek kolay olabilir; onları inceleyecek süreç ve sorumlu tanımlı değilse kuyruk büyür.
Maliyeti azaltmanın en etkili yolu her işte en büyük modeli kullanmak değildir. Basit sınıflandırma ile karmaşık içerik üretimi ayrılabilir. Aynı veri gereksiz yere tekrar gönderilmez, başarısız işlem sınırsız biçimde yeniden denenmez ve yalnızca değişen kayıtlar işlenir.
KVKK ve Ticari Veri Açısından Sınırlar
Sipariş, müşteri ve destek verisi kişisel bilgi içerebilir. Yapay zekâ katmanı kurulurken veri minimizasyonu temel kural olmalıdır. Bir görevin müşteri telefonuna ihtiyacı yoksa bu alan modele hiç gönderilmemelidir. Günlüklerde açık kişisel veri tutulmamalı, erişim yetkileri görev bazında sınırlandırılmalı ve saklama süresi belirlenmelidir.
Ürün verisi kişisel veri olmayabilir, fakat fiyat koşulları, tedarikçi sözleşmeleri ve kampanya planları ticari açıdan hassastır. Hangi sağlayıcının veriyi nerede işlediği, ne kadar sakladığı ve model eğitimi için kullanıp kullanmadığı kurumun güvenlik ve hukuk ekipleriyle değerlendirilmelidir.
Bilgi teknolojileri ve yazılım ekiplerine özel yapay zekâ eğitimi, bu nedenle yalnızca prompt kullanımını değil; erişim, loglama, test, insan onayı ve güvenli geliştirme düzenini de kapsamalıdır.
Başarıyı Cirodan Önce Süreçte Arayın
Bir yapay zekâ pilotunun ilk haftasında doğrudan ciro artışı beklemek yanıltıcı olabilir. Önce süreç göstergeleri izlenmelidir:
- Ürün başına içerik hazırlama süresi
- İlk taslak kabul oranı
- Eksik özellik oranı
- Sıfır sonuç veren arama sayısı
- Destek sorusunda insana aktarım oranı
- İade gerekçelerinin sınıflandırılma doğruluğu
- Başarısız entegrasyon ve tekrar deneme sayısı
- Model maliyetinin ürün veya sipariş başına karşılığı
Bu göstergeler iyileşmeden cirodaki değişimi yalnızca yapay zekâya bağlamak doğru değildir. Süreç düzenli çalışmaya başladığında, dönüşüm ve müşteri memnuniyeti gibi sonuç ölçüleri daha anlamlı hâle gelir.
Nereden Başlamak Gerekir?
Ticimax kullanan bir işletme için en sağlam başlangıç sırası genellikle şöyledir:
- Tekrarlı ve ölçülebilir bir işi seçin.
- Verinin ana kaynağını ve yazma yetkisini belirleyin.
- Küçük bir kategori veya süreç üzerinde pilot kurun.
- Öneriyi canlıya göndermeden önce insan onayı ekleyin.
- Süre, kalite, hata ve maliyeti birlikte ölçün.
- Sonuç yeterliyse bir sonraki kullanım alanına geçin.
New Academy, kurumlara yönelik eğitim ve danışmanlık çalışmalarında bu sırayı kullanır: önce ekibin gerçek iş akışını görünür hâle getirir, ardından güvenli bir pilot ve ölçüm planı oluşturur. E-ticaret ekibinizin yalnızca araçları tanıması değil, kendi katalog ve operasyon sürecinde kontrollü bir yapay zekâ uygulaması geliştirmesi hedefleniyorsa yapay zekâ danışmanlığı sayfasından kapsamı inceleyebilirsiniz.
Sonuçta yapay zekânın değeri daha çok metin üretmesinde değil, doğru veriyi doğru kişiye doğru kontrol noktasıyla ulaştırmasındadır. Ticimax mağazanın güvenilir çalışma zemini olarak kalırken onun yanında kurulan zekâ katmanı katalogdan desteğe kadar pek çok süreci iyileştirebilir. Fakat iyi sonuç veren sıra değişmez: önce veriyi düzenleyin, sonra ölçün, en son otomasyonu büyütün.