İşe AI Katmak: Müşteri Hizmetlerinde AI Agent — 853 Çalışanın İşini Yapan Asistan

Geçen yazıda sigorta sektöründe AI agent'ın masaya nasıl indiğini anlatmıştım. Allianz Nemo, yedi uzman agent, hasar dosyaları, "günlerden saatlere". Sektörel bir bakıştı.

Bu yazıda bir adım yana geçiyoruz. Sektör değil, fonksiyon. Çünkü AI agent'ın bugün en yaygın çalıştığı yer belli: müşteri hizmetleri.

Bir banka için de, bir e-ticaret için de, bir telekom için de, hatta bir sigorta şirketi için de aynı kapı. Müşteri yazıyor. Birinin cevap vermesi gerekiyor. Hızlı, doğru, tutarlı.

Ve bu kapıyı bugün açan en cesur örnek — Klarna.

853 çalışanın işini bir agent yapıyor.

Bu cümle abartı değil. Klarna CEO'su Sebastian Siemiatkowski'nin Q3 2025 kazanç çağrısında söylediği bir gerçek.

Ama altında bambaşka bir hikâye var. Önce buraya nasıl gelindi, sonra ne ders var, onu konuşacağız.

 

AI Agent Bu İş İçin Neden Doğal Adres

Müşteri hizmetleri dört özelliği bir arada barındırıyor:

• Yüksek hacim — bir e-ticaret şirketi günde on binlerce talep alıyor
• Tekrarlı sorular — sorguların %70-80'i aynı 10-15 konunun varyasyonu (kargo, iade, ödeme, hesap)
• Yapılandırılmış kaynaklar — sipariş veritabanı, kargo API'si, müşteri profili, ürün bilgisi
• Ölçülebilir başarı — yanıt süresi, çözüm oranı, memnuniyet skoru

Yani: çok iş, tekrar eden iş, ulaşılabilir veri, net metrik. Agentic AI'ın hayalindeki sahne tam olarak bu.

Ama "agent her şeyi yapar" demek aceledir. Müşteri hizmetleri masası hiyerarşik bir yapı. Temsilci, takım lideri, yönetici. Üçünün de masasında farklı bir iş var. Sırayla bakalım.

 

Senaryo 1 — Talep Sınıflandırma ve İlk Yanıt

Masadaki iş:

Müşteri yazdı: "siparişim hâlâ gelmedi". Temsilcinin akışı: CRM'i aç, müşteri kimliğini bul, sipariş kaydını çek, kargo paneline geç, gönderi durumunu kontrol et, müşteriye taslak yanıt yaz. Bir mesaj için 5-10 dakika. Günde 60-80 mesaj cevaplayan biri için, akşamı bulur.

Agent ne yapıyor:

Mesajı okur. Müşteri kimliğini tespit eder. Sipariş geçmişine bakar, kargo API'sini sorgular, "Adana'ya çıkmış, yarın teslim olacak" cevabını taslak olarak hazırlar. Temsilciye sunar. Temsilci onaylar, bir kelime değiştirir veya başka bilgi ekler. Mesaj gider.

Arkada ne dönüyor:

İlk yazıdaki Tools katmanı — CRM API'si + kargo API'si + sipariş veritabanı sorgusu.

Memory katmanı — müşterinin geçmiş etkileşimleri, daha önce hangi sorunu yaşadığı.

Planning katmanı — görev sırası: tanı → veri çek → cevap taslağı hazırla → temsilciye sun.

Temsilcinin görevi ortadan kalkmıyor. Tipi değişiyor. Yazıcı değil, denetçi oluyor. Aynı saatte 60-80 değil, 200-300 mesaj geçiyor masasından.

 

Senaryo 2 — Eskalasyon Kararı

Masadaki iş:

Karmaşık talep geldi: "ürünüm bozuk geldi, üç kez yazdım kimse dönmedi, çağrı merkezini de denedim, artık iptal etmek istiyorum, abonelik bedelini iade istiyorum, hukuki yola da başvururum."

Temsilci panikler. Takım liderine koşar. Lider 3 ekranda 5 kayda bakar, geçmiş şikayetleri okur, müşterinin değer segmentine bakar, karar verir. Bu sırada başka 12 dosya bekliyor.

Agent ne yapıyor:

Gelen mesajdaki sinyalleri okur. Şikayet sayısı, kullanılan kanal sayısı, dil sertliği, geçen süre, talep büyüklüğü. Müşterinin profilini çeker — kaç yıllık, ne kadar harcama, daha önce kaç şikayeti olmuş.

Bir skor üretir: "yüksek öncelikli, eskalasyon önerilir, 4 yıllık premium müşteri, son 30 günde 3 farklı kanalda şikayet". Bunu takım liderinin masasına önerilen aksiyonla birlikte bırakır: "bugün arayın, indirim kuponu yetkisi şu seviyede yeterli olur".

Arkada ne dönüyor:

LLM — mesajdaki duygusal yoğunluğu ve niyeti anlayan katman.

Tools — CRM'den müşteri segmenti, fatura geçmişi, önceki şikayetlerin çekilmesi.

Planning — eskalasyon kuralları, yetki matrisi, önerilen aksiyon adımı.

Karar lider tarafında kalıyor. Ama liderin işi "hangi dosyaya bakayım" sorusundan, "şu üç dosya hazır, kararımı vereyim" eylemine dönüşüyor. Bambaşka bir verimlilik.

 

Senaryo 3 — Memnuniyet ve Sentiment Analizi

Masadaki iş:

Pazartesi sabahı. Müdür ekibine soruyor: "geçen hafta 2300 müşteri konuşması olmuş. Müşteriler ne hissediyor? Neyden şikayetçi? Hangi konu büyüyor?"

Manuel cevap: 2300 konuşmayı kimse elle okuyamaz. Örnekleme yapılır — 50-100 konuşma rastgele seçilir. Bir analist iki gün okur, özet çıkarır. Ama bu örneklem yanlı. Asıl büyüyen bir problem varsa, küçük örneklemde görünmeyebilir.

Agent ne yapıyor:

2300 konuşmayı sırayla okur. Konu kategorilerine ayırır. Duygu skoru üretir. Trendleri ölçer.

Pazartesi sabahı müdürün masasına şu rapor düşer:

"Kargo gecikmesi şikayetleri haftalık %23, geçen haftaya göre +%9. Yeni iade politikası anlaşılmamış — 'şartlar belirsiz' ifadesi 47 farklı konuşmada geçmiş. Mobil uygulama oturum problemi 31 konuşmada, yeni bir tema."

Arkada ne dönüyor:

LLM — her konuşmayı okuyup özetleyen, tematik kategorize eden katman.

Memory — geçmiş haftaların verisi, baseline.

Tools — sonuçları dashboard'a yazan ve müdüre haftalık özet üreten katman.

Müdürün işi "müşteri ne hissediyor" sorusundan, "bu trendlere ne aksiyon vereceğim" sorusuna kayıyor. Daha üst düzey bir iş.

 

Üç senaryo, üç farklı masa: temsilci, takım lideri, müdür. Bir AI agent sistemi doğru tasarlandığında her üçüne de farklı bir biçimde hizmet ediyor. Şimdi bu fikrin pratikte ne demek olduğuna bakalım.

 

Klarna: Cesur Karar, Çarpıcı Sayılar

Klarna 2023'te ChatGPT'nin kurumsal versiyonunun erken benimseyenlerinden biri oldu. Şirket çalışanları günlük işlerinde generative AI kullanmaya başladı.

Sonra 2024 Şubat'ta, kendi müşteri hizmetleri AI asistanını canlıya aldı. İlk ayın sonunda açıklanan rakam şuydu: müşteri sorgularının üçte ikisi agent tarafından çözülüyordu.

Q3 2025'e gelindiğinde rakamlar daha da büyümüştü:

• AI asistanı 853 tam zamanlı çalışan eşdeğeri iş yapıyor (yıl başında 700'dü)
• 60 milyon dolar tasarruf
• Müşteri başına hizmet maliyeti $0.32'den $0.19'a düştü — iki yılda %40 azalma
• Yanıt süreleri %82 iyileşti
• Tekrar eden sorunlar %25 azaldı
• Müşteri memnuniyeti insan temsilcilerle aynı seviyede kaldı

Aynı dönemde Klarna gelirini iki katına çıkardı. Q3 2025 geliri 903 milyon dolar, 2022'nin aynı çeyreğinde 433 milyon dolardı. İşlem hacmi yaklaşık 33 milyar dolar.

Çalışan sayısı? 5.500'den 3.000'in altına düştü. Büyük kısmı doğal ayrılma + yerine alım yapmama yoluyla.

Tek bir AI asistanı, müşteri hizmetleri operasyonunun matematiğini yeniden yazdı.

 

Ama Hikâyenin Bir de Diğer Yüzü Var

Klarna 2024'te halka arz öncesi cesur bir yola girdi. "AI tek başına çözer" mesajıyla hareket etti. Çalışan çıkarımları yapıldı. Müşteri hizmetleri ekibi küçültüldü. İşe alımı durduruldu.

Sonra ne oldu?

Mayıs 2025'te Klarna geri adım attı. CEO Siemiatkowski açıkça söyledi:

Müşteriler her zaman insanla konuşma seçeneğine sahip olmalı.

İnsan müşteri temsilcisi almaya yeniden başladılar.

Forrester analisti Kate Leggett vakayı şöyle özetledi:

"AI stratejisinde aşırıya kaçtılar."

Ne öğrenildi? Üç şey:

Birincisi: Basit sorular AI agent için biçilmiş kaftan. Şifre sıfırlama, sipariş takibi, ürün bilgisi. Bu konularda hız ve tutarlılık insandan iyi.

İkincisi: Karmaşık, nüanslı, duygusal yüklü sorular insan gerektiriyor. Hassas iade, hukuki sinyal taşıyan şikayet, vefat sonrası hesap kapatma. Bu durumlarda agent'ın yapması gereken şey karar vermek değil, doğru insana yönlendirmek.

Üçüncüsü: Müşteri "yine de bir insanla konuşabilirim" güvencesini kaybettiğinde marka erozyonu hızlı oluyor. AI yapısal değil, dramatik bir maliyet öğesi haline gelebiliyor.

Klarna'nın geri adımı bir başarısızlık değil. Bir kalibrasyon. AI agent'la insan agent'ın oranını yeniden ayarlamak. İlginç olan şu: insan temsilci almaya rağmen AI'nin yaptığı iş büyümeye devam etti — 700'den 853'e. Yani Klarna bugün her ikisini birden kullanıyor, sadece dengeyi farklı kurdu.

İlk yazıdaki cümle hatırlanmalı:

"Human-in-the-loop bir tercih değil, zorunluluk."

Klarna bunu deneyip öğrendi. Ders bedavaya gelmedi.

 

Türkiye'de Ne Görüyoruz?

Klarna global bir B2C oyuncusu. Aynı modeli Türkiye'de bire bir uygulamak zor. Sebepler net:

• Dil — Türkçe nüansları, deyimleri, argo kullanımı LLM'ler için hâlâ İngilizce kadar olgun değil
• Veri — birçok şirketin müşteri verisi dağınık, CRM'le çağrı merkezi konuşmuyor
• Regülasyon — KVKK, bankacılık ve sigortacılık mevzuatı belirli kararların tam otomasyonunu kısıtlıyor
• Beklenti — Türk müşterisi insan iletişimine, sıcaklığa yatkın

Ama bu, "burada olmaz" demek değil. Doğru noktayı seçmek demek.

Klarna'nın yaptığı şey, müşteri hizmetlerinin tamamını AI'ya vermek değildi. Sorgularının üçte ikisini AI'ya verdiler — kalan üçte birini insan tutmaya devam etti. Türkiye'de de başlangıç noktası bu olabilir: yüksek hacimli, tekrarlı, düşük riskli sorular.

• Bir banka için: "kredi kartım çalışmıyor", "şifremi unuttum", "şubeniz açık mı"
• Bir e-ticaret için: "kargom nerede", "iadeyi nasıl başlatırım", "stokta var mı"
• Bir telekom için: "fatura tutarım neden bu", "tarife değişikliği nasıl olur"

Bu sorular zaten ortak, zaten yüksek hacimli, zaten yapısal. Buradan başlanır. Karmaşık olan, duygusal olan, riskli olan insan tarafında tutulur.

 

Kapanış

"AI tool"dan "AI çalışan"a geçişin müşteri hizmetlerindeki hali Klarna gibi görünüyor. Sayılar etkileyici. Tasarruf gerçek. Etki ölçülebilir.

Ama Klarna'nın hikâyesi tek başına bir başarı manşeti değil. İki cümlede özetlenebilir:

İlk cümle: AI agent, müşteri hizmetlerinde gerçek değer üretiyor.

İkinci cümle: AI agent, müşteri hizmetlerinin tamamını üstlenemiyor — ve buna zorlandığında geri tepiyor.

İki cümle de doğru. İkisi birlikte doğru. AI agent stratejisi, bu iki cümlenin arasında doğru dengeyi bulmaktan ibaret.

Soru şu değil: "AI temsilcilerimizin yerine geçer mi?"

Soru şu olmalı: "Hangi sorguya AI bakar, hangi sorguda müşterimiz mutlaka insanla buluşur?"

Bu sorunun cevabı her şirketin kendi müşterisine göre değişir. Ama soruyu doğru sormak, cevabı doğru bulmanın yarısıdır.

 

Bir sonraki yazı için aklımdaki adaylar: bankacılık (Macquarie/JPMorgan), tedarik zinciri (Walmart/General Mills), sağlık (klinik dokümantasyon). Sizin sektörünüzden somut bir senaryo görmek isterseniz yorumlarda paylaşın — sıradaki yazıyı birlikte seçelim.