Yapay Zeka Ajanını İşletmenizle Eğitmek

Müşteriyle iletişim kuran bir yapay zeka ajanını eğitmek neredeyse hiçbir zaman bir modeli ince ayarlamak (fine-tuning) anlamına gelmez. Ajana kendi işletme bilginizle zemin kazandırmak, yani her yanıtın sizin kontrol ettiğiniz gerçeklerden gelmesini sağlamak anlamına gelir. Yapay zekanızın doğru olup olmadığına karar veren şey bilgi tabanıdır ve çoğu projenin başarısız olduğu yer de tam olarak burasıdır: Gartner, üretken yapay zeka projelerinin en az %50'sinin kavram kanıtı aşamasından sonra terk edildiğini ve bunun başlıca nedenlerinden birinin "verinin hazır olmaması" olduğunu bildiriyor; ayrıca başarılı yapay zeka girişimlerine sahip kuruluşların, kötü sonuç alanlara kıyasla veri temellerine dört kata kadar daha fazla yatırım yaptığını belirtiyor. Güvenilir bir yapay zeka ajanı istiyorsanız, zor olan kısım model değildir. Ona verdiğiniz bilgidir.

Bu rehber, bir işletme için bir yapay zeka ajanını "eğitmenin" gerçekte ne anlama geldiğini, ajanın hangi bilgiye ihtiyaç duyduğunu, yapay zekanın kullanabilmesi için bunu nasıl yapılandıracağınızı ve zaman içinde nasıl doğru tutacağınızı açıklıyor.

Bir yapay zeka ajanını eğitmek onu ince ayarlamak (fine-tuning) anlamına mı gelir?

Müşteriyle iletişim kuran bir işletme ajanı için hayır. Bir yapay zekaya yeni bilgi vermenin iki farklı yolu vardır ve çoğu kişinin gözünde canlanan yol genellikle iş için yanlış araçtır.

İnce ayar (fine-tuning) modelin ağırlıklarını örnekler üzerinde yeniden eğitir. Modelin nasıl yazdığını ve akıl yürüttüğünü değiştirir, ancak yavaştır, pahalıdır ve belirli, değişen gerçekleri öğretmek için kötü bir yöntemdir. İnce ayarlı bir model yine de size bugünün fiyatını ya da bu haftanın çalışma saatlerini söyleyemez ve geçen çeyreğin rakamını tam bir özgüvenle söyleyecektir.
Zemin kazandırma (getirmeyle güçlendirilmiş üretim, yani RAG), gerçekleri bir bilgi tabanında tutar ve yanıt anında modele ilgili pasajları verir. Bilgi tabanını güncellersiniz ve bir sonraki yanıt güncel olur. Bir ajana hizmetlerinizi, fiyatlarınızı, politikalarınızı ve müsaitliğinizi böyle öğretirsiniz.

	İnce ayar (fine-tuning)	Zemin kazandırma (RAG)
Öğrettiği	Üslup, biçim, akıl yürütme tarzı	Belirli, değişen gerçekler
Güncelleme hızı	Modeli yeniden eğitin	Tek bir kaydı düzenleyin, anında canlı
Değiştirme maliyeti	Yüksek	Düşük
Uygun olduğu	Nadir, uzmanlaşmış davranış	Fiyatlar, çalışma saatleri, katalog, SSS, politikalar
Gerçeklerin güncelliği	Eğitim anında dondurulmuş	Son düzenlemeniz kadar taze

Neredeyse her işletme için cevap zemin kazandırmaktır. Bir veri bilimi ekibine ya da özel bir modele ihtiyacınız yoktur. Temiz, iyi yapılandırılmış bir bilgi tabanına ve ondan bilgi getiren bir ajana ihtiyacınız vardır. Zemin kazandırılmış bir kurulumun modeller arasında taşınabilir kalmasının nedeni de budur; bu konuyu işletmenizi tek bir yapay zeka modeli üzerine kurmamanız gerektiği yazısında ele alıyoruz: bilgi bir satıcının ağırlıklarının içinde değil, sizde durur.

Yapay zekanızın doğru olup olmadığına neden bilgi tabanı karar verir?

Çünkü bir dil modeli yalnızca kendisine verilen bağlam gerçekten cevabı içerdiğinde iyi yanıt verir. Google Research buna yeterli bağlam diyor ve 2025 çalışması (ICLR 2025'te sunuldu) sezgilere aykırı bir sonuç buldu: bir modele yetersiz bağlam vermek, halüsinasyonu azaltmak yerine artırabilir. Bir testte, bir model hiç bağlam verilmediğinde soruların %10,2'sinde yanlış yanıt verirken, ilgili görünen ama cevabı içermeyen bağlam verildiğinde bu oran %66,1'e çıktı. Getirme, yalnızca bilgi tabanında getirilecek gerçek olduğunda işe yarar.

Tüm oyun bundan ibaret. Bir müşteri akşam randevusu sunup sunmadığınızı sorarsa ve bilgi tabanınız bunu hiçbir zaman söylemiyorsa, kötü kurulmuş bir ajan tahmin yürütür. İyi kurulmuş bir ajan gerçek politikayı getirir ya da yanıt vermeyi reddedip devreder. Fark, model değil, bilgidir.

Ortaya konan riskler akademik değildir. BBC ve EBU tarafından yapılan bağımsız testler, yapay zeka asistanı yanıtlarının %45'inde en az bir ciddi sorun olduğunu buldu ve mahkemeler bir işletmenin, botunun söylediklerinden sorumlu olduğunu açıkça ortaya koydu. Moffatt v. Air Canada davasında bir kurul, havayolunu chatbot'unun bir yolcuya verdiği yanlış bilgiden sorumlu tuttu ve botun ayrı bir varlık olduğu savunmasını reddetti. Zemin kazandırılmış bir bilgi tabanı, yapay zekanızı arkasında durabileceğiniz gerçeklerde tutmanın yoludur. Doğruluk kontrollerini yapay zeka ajanınızın halüsinasyon görmesini nasıl durdurursunuz yazısında derinlemesine ele alıyoruz; bu yazı ise o kontrollerin dayandığı bilgiyi inşa etmeye dair tamamlayıcı parça.

Bir yapay zeka ajanının gerçekte hangi bilgiye ihtiyacı var?

Bunu, harika bir yeni çalışanın ilk gününde ihtiyaç duyacağı cevaplar olarak düşünün. Uygulamada, müşteriyle iletişim kuran bir ajan birkaç farklı bilgi türünden yararlanır ve her şeyi tek bir belgeye doldurmak yerine bunları ayrı tutmakta fayda vardır.

Bilgi türü	Neyi yanıtlar	Örnekler
İşletme temel bilgileri	Kim olduğunuz, nerede, ne zaman	Çalışma saatleri, konumlar, iletişim, hizmet bölgeleri
Hizmetler ve ürünler	Ne sattığınız ve kime	Açıklamalar, seçenekler, neyin sunulup neyin sunulmadığı
Fiyatlar ve teklifler	Maliyeti ne, güncel kampanyalar	Fiyat listeleri, paketler, aktif indirimler
Politikalar	Yanıtları şekillendiren kurallar	Rezervasyon, iptal, iade, kapora, garanti
SSS	Tekrar tekrar sorulan sorular	Otopark, hazırlık talimatları, "randevusuz kabul ediyor musunuz"
Belgeler	Daha uzun referans materyali	Kılavuzlar, teknik föyler, menüler, broşürler (PDF'ler)
Rezervasyon kuralları	Randevuları ne zaman ve nasıl aldığınız	Müsaitlik, süreler, konum bazında çalışma saatleri

Kullanışlı bir ajanı sinir bozucu bir ajandan ayıran örüntü, sıkıcı ve yüksek sıklıkta sorulan soruların kapsanmasıdır. Çoğu konuşma sıra dışı değildir. Bunlar haftada aynı on sorudur ve bunları doğru ve anında yanıtlayan bir ajan zaten hakkını veriyordur. Hız bu etkiyi katlar: kendi Yanıt Hızı Çalışmamız, 60 saniyenin altındaki yanıtların %35,1 oranında dönüşüm sağladığını, bunun daha yavaş yanıtların çok üzerinde olduğunu buldu ve zemin kazandırılmış bir ajan, bir insanı beklemeden saniyeler içinde yanıt verir.

Bir yapay zeka ajanını işletmenizle adım adım nasıl eğitirsiniz

Bir bilgi tabanını sıfırdan boş bir sayfayla yazmanız gerekmez. En hızlı yol, halihazırda sahip olduklarınızdan onu tohumlamak, ardından gerçek konuşmalara karşı keskinleştirmektir.

Kaynaklarınızı toplayın. Gerçekleri halihazırda bulundukları yerden çekin: web siteniz, fiyat listeniz, rezervasyon kurallarınız, politika sayfalarınız ve ekibinizin her gün yazdığı yanıtlar. İyi bir platform, mevcut web sitenizi okuyarak bir ilk taslağı tohumlayabilir; böylece sıfırdan yazmak yerine düzenleme yaparsınız.
Bunu kendi içinde bütün parçalar halinde yapılandırın. Her gerçeği kendi başına ayakta duracak şekilde yazın. "İptaller 24 saat öncesinden bildirim gerektirir, aksi halde kapora yanar" cümlesi getirilebilirdir. Bir politika PDF'inin dokuzuncu paragrafına gömülü bir iptal kuralı çoğu zaman getirilebilir değildir. Kısa, etiketli, tek konulu girdiler, uzun metin duvarlarından çok daha iyi getirilir.
Gerçekleri belgelerden ayırın. Yapılandırılmış, sık değişen gerçekleri (çalışma saatleri, fiyatlar, hizmetler) yapılandırılmış alanlara koyun ve belge yüklemeyi daha uzun referans materyaline ayırın. Yapılandırılmış alanları güncel tutmak daha kolaydır ve ajanın bunları hassas biçimde getirmesi daha kolaydır.
Reddetme yolunu ve kapsamı tanımlayın. Ajanın neyi yanıtlamaması gerektiğine ve bunun yerine ne yapması gerektiğine karar verin. Bir gerçeği bilmediğinde "sizi ekibe bağlayayım" diyen bir ajan, tahmin yürütenden daha güvenilirdir. Zemin kazandırma ile birlikte net bir reddetme yolu, yapay zekayı dürüst tutmanın çekirdeğidir.
Gerçek sorularla test edin, kolay senaryolarla değil. Müşterilerinizin gerçekten sorduğu, uç durumlar ve cevabınız olmayanlar dahil, zorlayıcı soruları sorun. İki şeyi kontrol ediyorsunuz: doğru gerçeği getiriyor mu ve gerektiğinde temiz bir şekilde reddediyor mu.
Gerçek konuşmalardan gelen boşlukları kapatın. Yanıtlanmamış ya da yanlış yanıtlanmış her soru, eksik bir bilgi girdisidir. Konuşmaları, özellikle bir müşterinin ya da ekibinizin işaretlediklerini gözden geçirin ve her ıskalamayı yeni ya da düzeltilmiş bir kayda dönüştürün.
Döngüde bir insan tutun. Yüksek riskli her şey için, yanıt dışarı çıkmadan önce gözden geçirmesi ya da onaylaması için bir kişiye yönlendirin. Yapay zeka hareket eder, insanlar yönetir. Gözden geçirme ve devretme kontrollerini nasıl tasarlayacağınız için insan-döngüde yapay zeka, açıklanıyor yazısına bakın.

Kanalların, takvimin ve devreye almanın daha geniş bağlantıları için bunu bir yapay zeka müşteri hizmetleri ajanını kurmaya dair adım adım rehberimizle birlikte kullanın. O rehber tesisatı ele alır; bu rehber ise onun içinden akan bilgiyi ele alır.

Bir yapay zeka bilgi tabanını zaman içinde nasıl doğru tutarsınız?

Bir bilgi tabanı tek seferlik bir yükleme değil, yaşayan bir kayıttır. Fiyatlar değişir, politikalar değişir ve bayat bir girdi, eksik bir girdiden daha kötüdür çünkü ajan onu özgüvenle söyler.

Tek bir doğruluk kaynağı tutun. Bir fiyat üç belgede yaşadığında, eninde sonunda ikisi yanlış olacaktır. Gerçeği tek bir yerde düzenleyin ve ajanın oradan okumasını sağlayın.
İşaretlenen yanıtları haftalık gözden geçirin. Ekibinizin ya da müşterilerinizin yanlış olarak işaretlediği konuşmalar en yüksek değerli iş listenizdir. Her biri belirli, düzeltilebilir bir boşluktur.
Eklemenin yanı sıra ayıklayın da. Geçen sezonun kampanyasını ve artık sunmadığınız hizmeti emekliye ayırın. Yukarıdaki Google Research bulgusunun halüsinasyonu tetiklediğini gösterdiği şey tam olarak yetersiz ya da çelişkili bağlamdır.
Takvime göre değil, değişiklikte güncelleyin. Bir politikayı ya da fiyatı değiştirdiğinizde, tıpkı ön büronuza söyleyeceğiniz gibi, aynı hareketle bilgi tabanını güncelleyin.

Entagl nerede devreye giriyor

Entagl'ın Instagram, WhatsApp ve web sohbeti için yapay zeka ajanı, ince ayarlanmak için değil, zemin kazandırılmak için tasarlandı. Ona işletme bilginizi verirsiniz ve o bundan bilgi getirir: yapılandırılmış işletme bilgisi, hizmetler, ürünler, teklifler, çalışma saatleri ve konumlar, gerçek bir SSS deposu ve yüklenmiş bilgi dosyaları; hepsi anlamsal olarak arandığı için müşterinin ifadesinin sizin kullandığınız sözcüklerle eşleşmesi gerekmez. Katılım süreci, mevcut web sitenizi okuyarak ilk taslağı tohumlayabilir; böylece boş bir sayfadan değil, düzenlenebilir bir taslaktan başlarsınız.

Serbest metni anladığı için, kurup bakımını yapacağınız kırılgan anahtar sözcük akışları yoktur ve konuşma içindeki görselleri, sesli notları ve PDF'leri okur; böylece bir müşteri bir fotoğraf ya da belge gönderip yine de zemin kazandırılmış bir yanıt alabilir. Bilgi orada olmadığında, tahmin yürütmek yerine bir reddetme yolu izleyip ekip gelen kutunuza devredebilir ve her yanıtta çıktı korkulukları vardır. Aynı zemin kazandırılmış beyin, sohbet ve sesli aramalar arasında taşınır; böylece bir onay araması, soğuk bir başlangıç yerine tam bağlamdan başlar. Düzenlemeye tabi işletmeler için aynı bilgi, HIPAA'ya hazır ve GDPR uyumlu bir temel üzerinde çalışır. Bu, Entagl'ın dört ajan, tek beyin yaklaşımının bir parçasıdır: beyne öğrettiğiniz her şey aktarılır.

Zemin kazandırma neyi yapar ve neyi yapmaz

Zemin kazandırma, doğruluk için en yüksek kaldıraç etkisine sahip hamledir ve bir garanti değildir. Dürüst çerçeveleme hem güven açısından hem de yapay zeka arama motorlarının sınırlarını kabul eden kaynakları ödüllendirmesi nedeniyle önemlidir.

Şunu yapar: yanıtları sizin kontrol ettiğiniz gerçeklerde tutar, güncellemeleri anında yapar ve bir gerçekten yoksun olduğunda ajana temiz bir reddetme yolu verir.
Şunu yapmaz: halüsinasyonu tümüyle ortadan kaldırmaz. İyi bir getirme ile bile modeller bağlamı yanlış okuyabilir ya da fazla yanıt verebilir; Google Research ekibinin getirmeye yalnızca güvenmek yerine getirmeyi çekimserlikle (yanıt vermekten kaçınmayla) eşleştirmesinin nedeni de budur.
Yalnızca arkasındaki bilgi kadar iyidir. Zayıf ya da çelişkili bir bilgi tabanı, zayıf ya da çelişkili bir ajan üretir. Bu, Gartner'ın işaret ettiği "verinin hazır olmaması" başarısızlığıdır ve bağlamın artık yapay zekanın beyni olarak tanımlanmasının nedenidir.
Zor kararlar için hâlâ bir insana ihtiyaç duyar. Yalnızca zemin kazandırma değil, zemin kazandırma ile insan-döngüde birlikteliği, dağıtıma güvenle çıkmayı sağlayan kombinasyondur.

SSS

İşletmemle eğitmek için bir yapay zeka modelini ince ayarlamam (fine-tuning) gerekir mi?

Neredeyse hiçbir zaman. Müşteriyle iletişim kuran bir ajan için doğru yaklaşım zemin kazandırmadır (getirmeyle güçlendirilmiş üretim): gerçeklerinizi bir bilgi tabanında tutarsınız ve ajan bunları yanıt anında getirir. Daha ucuzdur, anında güncellenir ve fiyatları ve politikaları ince ayarın yapamayacağı bir şekilde güncel tutar. İnce ayar, belirli gerçekleri değil, üslubu ve akıl yürütme tarzını değiştirir ve bir işletmenin buna nadiren ihtiyacı olur.

Bir yapay zeka ajanının kullanışlı olması için ne kadar bilgiye ihtiyacı var?

Doğru bilgi olması koşuluyla, çoğu kişinin beklediğinden daha az. Yüksek sıklıkta sorulan sorularla başlayın: çalışma saatleri, hizmetler, fiyatlar, rezervasyon ve iptal politikaları ve en çok sorulan SSS'leriniz. Bu bir avuç dolusu, gerçek konuşmaların çoğunu kapsar. Her şeyi önceden belgelendirmeye çalışmak yerine, ıskalanan ya da işaretlenen her soruyu yeni bir bilgi girdisine dönüştürerek zaman içinde derinlik ekleyin.

Yapay zeka ajanımın bilgisi olmayan soruları yanıtlamasını nasıl durdururum?

Ona net bir reddetme yolu ve kapsam verin. Bilgi tabanı cevabı içermediğinde, tahmin yürütmek yerine bir insana devretmesi ya da geri döneceğini söylemesi için ajanı yapılandırın. Tanımlı bir reddetme yoluna sahip, zemin kazandırılmış bir ajan, her zaman bir cevabı olması söylenen bir ajandan hem daha doğru hem de daha güvenilirdir.

Yapay zeka ajanımın bilgi tabanını ne sıklıkla güncellemeliyim?

Bir gerçek her değiştiğinde, tıpkı ön büronuzu bilgilendirmek için kullanacağınız aynı hareketle güncelleyin ve işaretlenen yanıtları haftalık gözden geçirin. En hızlı bayatlayan girdiler fiyatlar, çalışma saatleri ve kampanyalardır. Tek bir doğruluk kaynağı tutmak ve güncelliğini yitirmiş girdileri ayıklamak, yeni girdiler eklemek kadar önemlidir çünkü çelişkili bağlam bir yapay zekayı daha doğru değil, daha az doğru yapabilir.

Özetle

Bir yapay zeka ajanını işletmenizle eğitmek, bir makine öğrenimi alıştırması değil, bir bilgi alıştırmasıdır. Ajana temiz, iyi yapılandırılmış, güncel gerçeklerle zemin kazandırın, bilmediği şeyler için ona bir reddetme yolu verin, zor kararlarda bir insanı devrede tutun ve onu gerçek konuşmalardan geliştirin. Bunu yaparsanız model neredeyse değiştirilebilir hale gelir çünkü doğruluk, satıcının ağırlıklarında değil, sizin bilginizde yaşar.

Zemin kazandırılmış bir ajanın müşterilerinizin gerçek sorularını nasıl yanıtladığını görmek istiyorsanız, 30 dakikalık bir demo ayırtın ve size en çok sorulan on soruyu getirin.

Kaynaklar: Gartner, "Why 50% of GenAI Projects Fail" (2026); Gartner, "Organizations with Successful AI Initiatives Invest Up to Four Times More in Data and Analytics Foundations" (Nisan 2026); Google Research, "Deeper insights into retrieval augmented generation: The role of sufficient context" (ICLR 2025); BBC / EBU, News Integrity in AI Assistants (2025); Moffatt v. Air Canada, BBC aracılığıyla (2024); Entagl Yanıt Hızı Çalışması (2026). Entagl ürün yetenekleri Ağustos 2026 itibarıyla tanımlanmıştır.