Satışta Yapay Zekâ Nasıl Kullanılır?

Satış Süreçlerinde Yapay Zekâ Nerelerde Kullanılabilir?

Bir satış sürecini kabaca müşteri bulma, önceliklendirme, iletişim, ihtiyaç analizi, fırsat yönetimi, teklif, takip ve satış sonrası aşamalarına ayırabiliriz. Yapay zekânın rolü her aşamada farklıdır.

Bu ayrım önemlidir. Çünkü her kullanım alanının aynı seviyede otomatikleştirilmesi doğru değildir.

1. Potansiyel Müşteri Araştırması ve Zenginleştirme

B2B satış ekipleri yeni bir şirketle görüşmeden önce şirketin sektörü, büyüklüğü, faaliyet alanı, kullanılan teknolojiler, geçmiş etkileşimler ve mevcut CRM kayıtları gibi farklı bilgi kaynaklarını inceleyebilir.

Yapay zekâ bu bilgileri tek tek aramak yerine belirli bir formatta birleştirmek için kullanılabilir.

Örneğin sistem:

• CRM'deki şirket kayıtlarını okuyabilir,
• geçmiş görüşmeleri özetleyebilir,
• izin verilen kurumsal veri kaynaklarından bilgi çekebilir,
• şirket hakkında kısa bir araştırma özeti hazırlayabilir,
• satış temsilcisine görüşme öncesi bilgi kartı oluşturabilir.

Buradaki kritik ayrım verinin erişilebilir olması ile hukuken işlenebilir olması arasındadır. İnternette bulunan her kişisel veri, sınırsız biçimde satış amacıyla toplanabilecek veri anlamına gelmez. KVKK'nın yapay zekâya ilişkin tavsiyeleri; veri minimizasyonu, şeffaflık, hesap verebilirlik ve kişisel verilerin korunması gibi ilkelerin yapay zekâ sistemlerinde dikkate alınmasını önermektedir [3]. :chatgpt-content-reference{index="1"}

2. Lead Scoring ve Müşteri Önceliklendirme

Satış ekiplerinin sık karşılaştığı problemlerden biri yüzlerce potansiyel müşteri arasından hangisine öncelik verilmesi gerektiğidir.

Klasik lead scoring sistemleri genellikle belirli kurallara dayanır:

• şirket büyüklüğü,
• sektör,
• web sitesi davranışları,
• form doldurma,
• e-posta etkileşimi,
• ürün kullanımı,
• önceki satış aktiviteleri.

Makine öğrenmesi tabanlı sistemler ise geçmiş satış verilerindeki ilişkileri kullanarak lead veya fırsatların önceliklendirilmesine yardımcı olabilir. Salesforce'un güncel Sales Cloud Einstein dokümantasyonu da lead ve opportunity scoring işlevlerini bu kapsamda sunmaktadır [2]. :chatgpt-content-reference{index="2"}

Ancak burada önemli bir sorun vardır: model geçmiş veriden öğreniyorsa geçmiş satış davranışlarındaki hataları da öğrenebilir.

Örneğin satış ekibi geçmişte belirli sektörlere sistematik biçimde daha fazla zaman ayırmışsa model bu sektördeki müşterileri doğal olarak daha başarılı olarak değerlendirebilir. Bu durum gerçek müşteri potansiyeli ile geçmiş satış davranışının birbirine karışmasına neden olabilir.

Bu nedenle lead scoring sistemleri “satın alma ihtimali budur” şeklinde mutlak karar mekanizması değil, önceliklendirmeyi destekleyen sinyal sistemleri olarak tasarlanmalıdır.

3. CRM Kayıtlarının Özetlenmesi

Kurumsal satış süreçlerinde müşteriye ilişkin bilgi genellikle tek yerde değildir.

Bilgi;

• CRM kayıtlarında,
• e-postalarda,
• toplantı notlarında,
• tekliflerde,
• destek kayıtlarında,
• şirket dokümanlarında

dağınık olabilir.

Üretken yapay zekâ bu bilgileri bir araya getirerek satış temsilcisine kısa bir müşteri özeti sunabilir.

Microsoft'un Dynamics 365 Sales dokümantasyonuna göre Copilot; lead, account ve opportunity kayıtlarını özetleyebilmekte ve ilişkili CRM verilerinden bilgi üretebilmektedir [1]. :chatgpt-content-reference{index="3"}

Örneğin satış temsilcisi toplantı öncesinde şu tür bir çıktı alabilir:

Son görüşme konusu, açık aksiyonlar, müşteri tarafından belirtilen ihtiyaçlar, aktif fırsatlar ve son CRM değişiklikleri.

Bu kullanım senaryosunun avantajı, yapay zekânın doğrudan ticari karar vermek yerine mevcut bilgiyi erişilebilir hâle getirmesidir.

Bu nedenle satışta üretken yapay zekâ için başlangıç noktalarından biri olmaya uygundur.

4. Satış Görüşmelerinin Analizi

Müşterinin açık onayı ve uygulanabilir hukuki şartlar sağlandığında satış görüşmelerinin transkriptleri analiz edilebilir.

Bir sistem görüşmeden:

• müşteri ihtiyaçlarını,
• soruları,
• itirazları,
• rakip ürün isimlerini,
• sonraki adımları,
• görevleri,
• tarihleri

çıkarabilir.

Ardından CRM'e eklenmek üzere yapılandırılmış bir görüşme özeti oluşturabilir.

Burada önemli tasarım ilkesi şudur:

Dil modelleri eksik veya yanlış çıkarımlar yapabileceğinden kritik müşteri talepleri, fiyatlar, sözleşme koşulları veya verilen taahhütler insan tarafından doğrulanmadan CRM'e kesin bilgi olarak yazılmamalıdır.

NIST'in üretken yapay zekâ için yayımladığı AI RMF Generative AI Profile, üretken AI sistemlerinin risklerinin sistem yaşam döngüsü boyunca yönetilmesini önerir [4]. NIST AI RMF yaklaşımı bu süreci Govern, Map, Measure ve Manage fonksiyonları etrafında yapılandırmaktadır [5]. :chatgpt-content-reference{index="4"}

5. E-posta ve Mesaj Taslaklarının Hazırlanması

Üretken yapay zekânın satışta en kolay uygulanabilecek alanlarından biri iletişim taslaklarıdır.

Model CRM'deki doğrulanmış bilgileri kullanarak:

• ilk iletişim e-postası,
• toplantı sonrası takip mesajı,
• teklif takip e-postası,
• toplantı daveti,
• müşteri sorusuna taslak yanıt

oluşturabilir.

Buradaki amaç satış temsilcisini tamamen ortadan kaldırmak değil, boş sayfadan başlama maliyetini azaltmaktır.

İyi tasarlanmış sistemlerde modelin kullanabileceği bilgi kaynakları sınırlandırılmalıdır. Örneğin fiyat, ürün özelliği veya sözleşme koşulları serbest biçimde model tarafından üretilmek yerine doğrulanmış ürün kataloğundan veya CRM'den alınabilir.

Bu yaklaşım özellikle yanlış fiyat, olmayan özellik veya verilemeyecek taahhütlerin üretilmesi riskini azaltır.

6. Satış Bilgi Asistanı ve RAG

Satış temsilcisinin sık sık cevaplaması gereken sorular olabilir:

• Bu ürün hangi entegrasyonları destekliyor?
• Bu müşteri segmentinde hangi paket geçerli?
• Güvenlik dokümanımız nerede?
• İade koşulları nedir?
• Bu ürün özelliği hangi pakette bulunuyor?

Bu durumda genel amaçlı bir sohbet botu yerine şirketin doğrulanmış dokümanlarından bilgi getiren bir RAG (Retrieval-Augmented Generation) sistemi kullanılabilir.

Basitleştirilmiş akış şöyledir:

Kullanıcı sorusu → ilgili kurumsal belgelerin bulunması → ilgili bölümlerin modele verilmesi → kaynaklara dayalı cevap

Bu mimari modelin kurum içi güncel bilgilere erişmesini sağlar. Ancak RAG halüsinasyonu tamamen ortadan kaldırmaz. Erişim yetkileri, belge güncelliği, retrieval kalitesi ve cevap doğrulaması ayrıca yönetilmelidir.

7. Satış Tahmini ve Pipeline Analizi

Yapay zekâ yalnızca üretken modellerden ibaret değildir. Geleneksel makine öğrenmesi yöntemleri satış tahmini açısından önemli kullanım alanlarına sahiptir.

Model geçmiş verilerden;

• fırsat aşaması,
• satış döngüsü süresi,
• müşteri etkileşimleri,
• geçmiş kazanma/kaybetme kayıtları,
• ürün ve segment bilgileri

gibi değişkenleri analiz ederek pipeline hakkında tahminler üretebilir.

Ancak geçmiş performans geleceğin garantisi değildir. Fiyat değişiklikleri, yeni ürünler, satış ekibi değişiklikleri, ekonomik koşullar veya müşteri davranışındaki değişimler model performansını bozabilir.

Bu nedenle tahmin modellerinin doğruluğu yalnızca devreye alındıkları gün değil, zaman içinde izlenmelidir.

8. CRM Veri Kalitesinin İyileştirilmesi

Satışta AI projelerinin başarısı büyük ölçüde CRM verisinin kalitesine bağlıdır.

Örneğin aynı şirket şu şekillerde kaydedilmiş olabilir:

• ABC Teknoloji
• ABC Teknoloji A.Ş.
• ABC Tech
• abc.com

Yapay zekâ ve klasik veri eşleştirme yöntemleri bu kayıtların olası eşleşmelerini tespit edebilir.

Benzer şekilde sistem:

• eksik alanları belirleyebilir,
• olası mükerrer kayıtları işaretleyebilir,
• faaliyet notlarını sınıflandırabilir,
• standart dışı sektör isimlerini normalize edebilir.

Ancak otomatik veri temizliği geri alınamaz şekilde yapılmamalıdır. Özellikle müşteri kimliği veya sözleşmeyle ilişkili kayıtların birleştirilmesi insan onayı gerektirebilir.

Satışta AI Agent Kullanılabilir mi?

Daha ileri seviyede satış sistemleri yalnızca soru cevaplayan copilot'lardan, belirli araçları kullanabilen AI agent mimarilerine geçebilir.

Bir satış agent'ı teorik olarak:

1. CRM'deki yeni lead'i okuyabilir.
2. Belirlenen kurallara göre gerekli araştırmayı yapabilir.
3. CRM geçmişini analiz edebilir.
4. müşteri özeti hazırlayabilir.
5. takip e-postası taslağı oluşturabilir.
6. temsilciden onay isteyebilir.
7. onay sonrası CRM kaydını güncelleyebilir.

Ancak burada araç kullanma yetkisi ile karar yetkisi birbirinden ayrılmalıdır.

Bir modele CRM okuma yetkisi vermek ile müşteri kaydı silme, indirim tanımlama, teklif gönderme veya sözleşme koşulu değiştirme yetkisi vermek aynı risk seviyesinde değildir.

Yüksek etkili işlemler için insan onayı, yetki sınırları, işlem kayıtları ve gerektiğinde geri alma mekanizması bulunmalıdır.

Veri Güvenliği ve KVKK Açısından Nelere Dikkat Edilmeli?

Satış sistemleri isim, telefon, e-posta, görüşme kayıtları, satın alma geçmişi ve müşteri notları gibi kişisel veriler içerebilir.

KVKK'nın genel ilkeleri arasında kişisel verilerin belirli, açık ve meşru amaçlarla işlenmesi; amaçla bağlantılı, sınırlı ve ölçülü olması; doğru ve gerektiğinde güncel tutulması ve gerekli süre kadar muhafaza edilmesi bulunmaktadır [6]. :chatgpt-content-reference{index="5"}

Ayrıca kişisel verilerin işlenmesi durumunda aydınlatma yükümlülüğü değerlendirilmelidir. KVKK'nın ilgili düzenlemesi, veri sorumlusunun işleme amacı, veri aktarımı, veri toplama yöntemi ve hukuki sebep gibi konularda ilgili kişiyi bilgilendirmesini gerektirir [7]. :chatgpt-content-reference{index="6"}

Bu nedenle satış AI sistemi kurulurken en az şu sorular cevaplanmalıdır:

• Modele hangi kişisel veriler gönderiliyor?
• Bu verilerin işlenme amacı nedir?
• İşleme için uygun hukuki sebep nedir?
• Model sağlayıcısı veriyi nerede işliyor?
• Veriler başka sistemlere aktarılıyor mu?
• Veriler model eğitimi için kullanılıyor mu?
• Saklama süresi nedir?
• Kimler çıktılara erişebiliyor?
• Loglarda kişisel veri bulunuyor mu?
• Verinin silinmesi gerektiğinde AI altyapısındaki kopyalar nasıl yönetiliyor?

Bulut tabanlı AI servislerinin kullanılması kişisel verilerin yurt dışına aktarılması sonucunu doğuruyorsa KVKK'nın güncel yurt dışına veri aktarımı rejimi ayrıca değerlendirilmelidir. Kanunun 9. maddesinde yapılan değişiklikler 1 Haziran 2024'te yürürlüğe girmiş; standart sözleşmeler ve bağlayıcı şirket kuralları uygun güvence yöntemleri arasında düzenlenmiştir [8]. :chatgpt-content-reference{index="7"}

Dolayısıyla “API güvenli mi?” sorusu tek başına yeterli değildir. Veri akışının tamamı incelenmelidir.

GDPR ve Otomatik Karar Verme

Avrupa Birliği'ndeki kişilere ilişkin satış süreçlerinde GDPR da önem taşıyabilir.

GDPR Madde 22, kişi hakkında hukuki sonuç doğuran veya kişiyi benzer biçimde önemli ölçüde etkileyen ve yalnızca otomatik işlemeye dayanan belirli kararlar konusunda veri sahibine koruma sağlamaktadır. Düzenlemede belirli istisnalar ve insan müdahalesi gibi güvenceler de bulunmaktadır [9]. :chatgpt-content-reference{index="8"}

Her lead scoring sistemi otomatik olarak bu kapsamda değerlendirilmez. Uygulanabilirlik, sistemin nasıl kullanıldığına ve kararın kişi üzerindeki etkisine bağlıdır.

Bu nedenle AI skorunun yalnızca satış temsilcisine yardımcı olması ile skor sonucunda kişinin otomatik olarak belirli bir işleme tabi tutulması hukuken aynı senaryo değildir.

AB AI Act Satış Sistemlerini Nasıl Etkileyebilir?

AB Yapay Zekâ Tüzüğü — Regulation (EU) 2024/1689 — 1 Ağustos 2024'te yürürlüğe girmiş ve genel olarak 2 Ağustos 2026 itibarıyla uygulanmaya başlamıştır; bazı hükümler için farklı uygulama tarihleri bulunmaktadır [10]. :chatgpt-content-reference{index="9"}

Özellikle müşterilerle doğrudan etkileşim kuran AI sistemleri açısından şeffaflık önemlidir. AI Act Madde 50 kapsamındaki belirli şeffaflık yükümlülükleri 2 Ağustos 2026 itibarıyla uygulanmaktadır. Avrupa Komisyonu'nun güncel rehberine göre doğrudan AI sistemiyle etkileşim kuran kişilerin belirli durumlarda bunun bir AI sistemi olduğuna ilişkin bilgilendirilmesi gerekir [11]. :chatgpt-content-reference{index="10"}

Bu durum özellikle tamamen otomatik çalışan satış chatbot'ları veya müşteriyle doğrudan iletişim kuran benzer sistemler tasarlanırken değerlendirilmelidir.

AI Act ayrıca AI sistemlerini kullanan kuruluşlar açısından AI okuryazarlığına ilişkin yükümlülükler içermektedir. İlgili hükümler 2 Şubat 2025'ten itibaren uygulanmaya başlamış; 2026'daki değişikliklerle yükümlülüğün çerçevesi güncellenmiştir [12]. :chatgpt-content-reference{index="11"}

Satış AI Sisteminin Teknik Mimarisi Nasıl Olabilir?

Basit bir kurumsal mimari şu katmanlardan oluşabilir:

Veri kaynakları

CRM, e-posta, ürün kataloğu, toplantı kayıtları, destek sistemi ve kurumsal dokümanlar.

Entegrasyon katmanı

API'ler, webhook'lar, ETL süreçleri veya entegrasyon platformları.

AI katmanı

LLM, embedding modeli, klasik makine öğrenmesi modeli veya bunların kombinasyonu.

Bilgi erişim katmanı

Arama motoru, ilişkisel veritabanı veya vector database.

İş kuralları

Hangi işlemin otomatik yapılabileceğini ve hangisinin onay gerektirdiğini belirleyen kurallar.

Yetkilendirme

Kullanıcının yalnızca erişim hakkı bulunan müşteri ve belgeleri AI üzerinden görebilmesini sağlayan kontrol.

Gözlemleme

Model çıktıları, hatalar, gecikmeler, maliyetler ve kullanıcı geri bildirimlerinin izlenmesi.

Bu mimaride model sistemin tamamı değildir. Çoğu kurumsal AI projesinde güvenilirliği belirleyen unsur modelden çok veri, entegrasyon, yetkilendirme ve iş akışıdır.

Satışta Yapay Zekâ Projesine Nasıl Başlanır?

1. Problemi belirleyin

“Satışta AI kullanacağız” proje tanımı değildir.

Bunun yerine ölçülebilir bir problem seçilmelidir:

Satış temsilcileri toplantı öncesi müşteri geçmişini farklı sistemlerden manuel olarak topluyor.

Bu problem AI ile çözülebilecek kadar belirgindir.

2. Mevcut süreci ölçün

AI devreye alınmadan önce mevcut durum ölçülmezse projenin faydası belirlenemez.

Örneğin:

• görev başına harcanan süre,
• CRM kayıt tamamlama oranı,
• yanlış kayıt sayısı,
• temsilci başına manuel işlem sayısı,
• takip görevlerinin tamamlanma süresi

ölçülebilir.

3. Dar kapsamlı pilot seçin

İlk pilotta bütün satış organizasyonunu otomatikleştirmek yerine tek görev seçmek daha sağlıklıdır.

Örneğin:

CRM fırsat kaydı + son toplantı notları → toplantı öncesi müşteri özeti

Bu senaryo hem ölçülebilir hem de geri döndürülebilirdir.

4. İnsan denetimini tanımlayın

Her çıktı için şu soru sorulmalıdır:

Yanlış olursa ne olur?

Yanlış toplantı özeti kolayca düzeltilebilir.

Yanlış fiyatla otomatik teklif gönderilmesi ise ticari ve hukuki sonuç yaratabilir.

Risk arttıkça insan kontrolü de artırılmalıdır.

5. Başarı kriterlerini önceden belirleyin

Pilot başlamadan önce KPI'lar belirlenmelidir.

Örneğin:

• görev başına ortalama işlem süresi,
• kullanıcı tarafından kabul edilen AI çıktılarının oranı,
• düzeltilmesi gereken çıktı oranı,
• kritik hata sayısı,
• kullanıcı başına AI maliyeti,
• CRM veri tamamlama oranı.

Sadece “ekip sistemi sevdi mi?” ölçümü yeterli değildir.

Temsili Kurumsal Senaryo

Aşağıdaki örnek gerçek bir şirket veya proje değildir; yöntemin nasıl uygulanabileceğini göstermek için oluşturulmuş temsili bir senaryodur.

Bir B2B yazılım şirketinde satış temsilcileri her müşteri toplantısından önce CRM kayıtlarını, eski toplantı notlarını ve açık fırsatları manuel olarak inceliyor olsun.

Şirket ilk pilot olarak bir toplantı hazırlık asistanı geliştirir.

Sistem:

1. yaklaşan toplantıyı tespit eder,
2. ilgili CRM hesabını bulur,
3. kullanıcının erişim hakkı bulunan geçmiş kayıtları getirir,
4. son görüşmeleri özetler,
5. açık fırsatları listeler,
6. tamamlanmamış aksiyonları çıkarır,
7. satış temsilcisine tek sayfalık hazırlık özeti sunar.

Sistem müşteriye mesaj göndermez ve CRM kayıtlarını değiştirmez.

Satış temsilcisi çıktıyı değerlendirir ve hatalı noktaları işaretleyebilir.

Pilot sırasında hem zaman tasarrufu hem de yanlış veya eksik özet oranı ölçülür. Kritik bilgi hatalarının kabul edilebilir seviyeye indirilememesi durumunda sistem otomatik olarak ölçeklenmez.

Bu yaklaşım AI projesini teknoloji denemesinden ölçülebilir bir operasyon deneyine dönüştürür.

Satışta Yapay Zekânın Başlıca Riskleri

Halüsinasyon

Üretken modeller gerçekte bulunmayan bilgiler oluşturabilir.

Bu nedenle fiyat, sözleşme, ürün özelliği ve müşteri taahhüdü gibi kritik bilgiler doğrulanmış kaynaklardan getirilmelidir.

Otomasyon yanlılığı

Kullanıcılar AI tarafından üretilen sonuçlara gereğinden fazla güvenebilir.

“AI böyle söyledi” karar gerekçesi olmamalıdır.

Veri sızıntısı

CRM verilerinin kontrolsüz biçimde harici AI servislerine gönderilmesi kişisel veya ticari verilerin açığa çıkmasına neden olabilir.

Eski veri

CRM yanlış veya güncel değilse AI daha gelişmiş olsa bile doğru sonuç üretemeyebilir.

Yanlı scoring

Geçmiş satış verilerindeki sistematik tercihler modele taşınabilir.

Kontrolsüz agent yetkileri

AI agent'larına gereğinden fazla sistem yetkisi verilmesi yanlış işlemlerin doğrudan CRM veya müşteri iletişimine yansımasına neden olabilir.

NIST'in AI RMF yaklaşımı AI risklerinin tek seferlik kontrol yerine yaşam döngüsü boyunca yönetilmesini önermektedir [5]. :chatgpt-content-reference{index="12"}

Hangi Satış Görevleri Tam Otomatik Olmamalı?

Risk seviyesine göre bazı işlemlerde insan onayı korunmalıdır.

Özellikle:

• sözleşme koşullarının belirlenmesi,
• istisnai fiyat veya indirim verilmesi,
• yüksek değerli tekliflerin gönderilmesi,
• hukuki taahhüt içeren iletişim,
• müşteri şikâyetlerinin kritik şekilde sonuçlandırılması,
• geri alınması zor CRM değişiklikleri,
• kişi üzerinde önemli sonuç doğurabilecek otomatik profilleme

gibi süreçlerde AI'ın karar destek aracı olarak kullanılması genellikle daha kontrollü bir yaklaşımdır.

NIST Playbook da bir AI sisteminin gerçekten ilgili iş problemi için uygun çözüm olup olmadığının değerlendirilmesini risk yönetiminin parçası olarak ele almaktadır [5]. :chatgpt-content-reference{index="13"}

Maliyet Nasıl Hesaplanmalı?

Bir satış AI sisteminin maliyeti yalnızca model API ücretinden oluşmaz.

Toplam maliyet hesabında şu kalemler dikkate alınmalıdır:

• model kullanımı,
• embedding ve arama altyapısı,
• veri depolama,
• CRM entegrasyonu,
• yazılım geliştirme,
• gözlemleme ve loglama,
• güvenlik,
• veri yönetişimi,
• hukuki uyum,
• kullanıcı eğitimi,
• bakım,
• model veya sağlayıcı değişiklikleri.

Bu nedenle ekonomik değerlendirme şu şekilde yapılmalıdır:

Toplam fayda − toplam sahip olma maliyeti − hata/risk maliyeti

AI bir görevi teknik olarak yapabiliyor diye otomatikleştirmek ekonomik olarak mantıklı olmak zorunda değildir.

Satışta AI Projesi İçin Kontrol Listesi

Pilot başlamadan önce aşağıdaki soruların cevaplanabilmesi gerekir:

• Çözmek istediğimiz satış problemi tek cümlede tanımlanabiliyor mu?
• Mevcut sürenin veya maliyetin başlangıç ölçümü var mı?
• Kullanılacak veri kaynakları listelendi mi?
• Kişisel veriler ayrı olarak belirlendi mi?
• Veri işleme amacı ve hukuki dayanak değerlendirildi mi?
• Yurt dışına veri aktarımı olup olmadığı belirlendi mi?
• AI sisteminin erişebileceği CRM alanları sınırlandırıldı mı?
• Modelin hangi işlemleri yapamayacağı tanımlandı mı?
• Kritik işlemler için insan onayı var mı?
• Üretilen bilgilerin kaynağı gerektiğinde gösterilebiliyor mu?
• Hatalı çıktılar kayıt altına alınabiliyor mu?
• Pilot için başarı KPI'ları önceden belirlendi mi?
• Model maliyeti ve altyapı maliyeti ölçülebiliyor mu?
• Kullanıcı geri bildirimi toplanıyor mu?
• Sistem gerektiğinde hızlı biçimde devre dışı bırakılabiliyor mu?

Pilot Ne Zaman Durdurulmalı?

AI projelerinde ölçekleme kadar durdurma kriterlerinin de önceden belirlenmesi gerekir.

Örneğin sistem;

• kritik müşteri bilgilerinde tekrarlayan hatalar üretiyorsa,
• gerekli veri güvenliği kontrolleri sağlanamıyorsa,
• yasal veri işleme şartları karşılanamıyorsa,
• kullanıcıların sürekli olarak çıktıları yeniden yazması gerekiyorsa,
• operasyonel kazanç toplam maliyeti karşılamıyorsa,
• gerekli insan denetimi otomasyonun sağlayacağı faydayı ortadan kaldırıyorsa

pilotun yeniden tasarlanması veya durdurulması gerekebilir.

Başarısız bir AI kullanım alanını zorla ölçeklendirmek yerine problemin başka bir otomasyon yöntemiyle çözülmesi daha doğru olabilir.

Sonuç

Satış süreçlerinde yapay zekânın en güçlü kullanım alanı, satış temsilcisinin yerine tamamen otomatik bir satış sistemi kurmak değildir. Daha gerçekçi yaklaşım; bilgi toplama, özetleme, sınıflandırma, araştırma, tahmin ve tekrarlayan operasyonları AI ile destekleyerek insanın müşteri ilişkisi ve ticari kararlar üzerindeki rolünü korumaktır.

Başlangıç için en uygun kullanım alanları genellikle düşük riskli, yüksek hacimli ve kolay ölçülebilen görevlerdir: CRM özetleme, toplantı hazırlığı, görüşme notlarının yapılandırılması, kurumsal bilgi erişimi veya iletişim taslakları gibi.

Lead scoring, tahminleme ve AI agent gibi daha ileri uygulamalarda ise veri kalitesi, yetkilendirme, insan denetimi ve performans ölçümü daha kritik hâle gelir.

Bu nedenle temel soru “Satış ekibimizde yapay zekâyı nerede kullanabiliriz?” değil, “Hangi satış görevinde yeterli veri var, hata riski yönetilebilir ve elde edilen fayda ölçülebilir?” olmalıdır.

Sık Sorulan Sorular

Satışta yapay zekâ nedir?

Satışta yapay zekâ; müşteri ve satış verilerini analiz etmek, bilgi özetlemek, satış fırsatlarını önceliklendirmek, içerik taslakları oluşturmak, tahmin yapmak ve belirli operasyonları otomatikleştirmek için AI sistemlerinin kullanılmasıdır.

Yapay zekâ satış temsilcisinin yerini alabilir mi?

Bazı tekrarlayan görevler otomatikleştirilebilir ancak müşteri ilişkileri, müzakere, istisnai ticari kararlar ve yüksek riskli işlemler çoğu senaryoda insan değerlendirmesi gerektirir.

Yapay zekâ CRM sistemlerinde nasıl kullanılır?

CRM kayıtlarının özetlenmesi, eksik verilerin belirlenmesi, fırsatların analiz edilmesi, toplantı hazırlığı, lead scoring, satış tahmini ve takip görevlerinin oluşturulması başlıca kullanım alanlarıdır.

Lead scoring yapay zekâ ile yapılabilir mi?

Evet. Geçmiş CRM ve satış verilerinden yararlanan modeller potansiyel müşterilerin önceliklendirilmesini destekleyebilir. Ancak skorların veri kalitesi, geçmiş yanlılık ve model performansı açısından izlenmesi gerekir.

ChatGPT veya başka bir LLM'e CRM verisi gönderilebilir mi?

Teknik olarak mümkün olması hukuken veya güvenlik açısından otomatik olarak uygun olduğu anlamına gelmez. Kişisel veriler, veri işleme amacı, sağlayıcının veri politikaları, saklama koşulları ve olası yurt dışı veri aktarımı değerlendirilmelidir.

Satışta AI projesine nereden başlanmalı?

Tek bir düşük riskli ve ölçülebilir görev seçmek iyi bir başlangıçtır. CRM kayıtlarından toplantı özeti hazırlama veya görüşme notlarını yapılandırma gibi senaryolar pilot için değerlendirilebilir.

Satış chatbot'u müşteriye AI olduğunu söylemeli mi?

Uygulanacak mevzuata ve sistemin niteliğine göre şeffaflık yükümlülükleri doğabilir. AB AI Act Madde 50 kapsamındaki belirli interaktif AI sistemleri için kişilerin bir AI sistemiyle etkileşim kurduklarına ilişkin bilgilendirme yükümlülükleri 2 Ağustos 2026 itibarıyla uygulanmaktadır [11].

Satışta yapay zekânın başarısı nasıl ölçülür?

Görev başına harcanan süre, kritik hata sayısı, kullanıcı tarafından kabul edilen çıktı oranı, CRM veri kalitesi, kullanıcı başına maliyet ve iş sürecindeki performans değişimleri birlikte değerlendirilebilir.

RAG satış ekiplerinde ne işe yarar?

RAG, yapay zekânın şirketin ürün dokümanları, satış materyalleri ve diğer yetkili bilgi kaynaklarından ilgili içeriği bulup cevap üretirken kullanmasını sağlar. Böylece satış temsilcileri kurum içi bilgiye doğal dille erişebilir.

Kaynaklar

[1] Microsoft — “Copilot in Dynamics 365 Sales overview”
Son güncelleme: Güncel Microsoft Learn dokümantasyonu
URL: https://learn.microsoft.com/en-us/dynamics365/sales/copilot-overview
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Dynamics 365 Sales içerisinde CRM kayıtlarının özetlenmesi, toplantı hazırlığı, e-posta desteği, kayıt değişikliklerinin incelenmesi ve benzeri AI destekli satış fonksiyonlarının bulunması. :chatgpt-content-reference{index="14"}

[2] Salesforce — “Sales Cloud Einstein” ve “Understand How Sales Cloud Einstein Works”
URL: https://help.salesforce.com/s/articleView?id=sf.einstein_sales.htm
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Salesforce'un lead scoring, opportunity scoring, forecasting ve üretken AI tabanlı satış özellikleri sunması. :chatgpt-content-reference{index="15"}

[3] Kişisel Verileri Koruma Kurumu — “Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler”
Yayın: 2021
URL: https://kvkk.gov.tr/SharedFolderServer/CMSFiles/25a1162f-0e61-4a43-98d0-3e7d057ac31a.pdf
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Yapay zekâ uygulamalarında kişisel verilerin korunması, şeffaflık, veri minimizasyonu, insan müdahalesi ve hesap verebilirlik ilkelerinin dikkate alınması. :chatgpt-content-reference{index="16"}

[4] National Institute of Standards and Technology (NIST) — “Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1”
Yayın tarihi: 26 Temmuz 2024
URL: https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Üretken yapay zekâ sistemlerine özgü risklerin belirlenmesi, değerlendirilmesi ve yaşam döngüsü boyunca yönetilmesi. :chatgpt-content-reference{index="17"}

[5] National Institute of Standards and Technology (NIST) — “AI Risk Management Framework / AI RMF Playbook”
AI RMF 1.0 yayın tarihi: 26 Ocak 2023
URL: https://airc.nist.gov/airmf-resources/playbook/
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: AI risk yönetiminin Govern, Map, Measure ve Manage fonksiyonları çerçevesinde ele alınması ve bir AI sisteminin amaçlanan kullanım için uygun olup olmadığının değerlendirilmesi. :chatgpt-content-reference{index="18"}

[6] Kişisel Verileri Koruma Kurumu — 6698 Sayılı Kanun'un Kişisel Verilerin İşlenmesine İlişkin Genel İlkeleri
URL: https://www.kvkk.gov.tr/Icerik/7192/2022-137
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Kişisel verilerin hukuka ve dürüstlük kurallarına uygun, doğru ve güncel, belirli ve meşru amaçlarla, amaçla bağlantılı, sınırlı ve ölçülü şekilde ve gerekli süre boyunca işlenmesi ilkeleri. :chatgpt-content-reference{index="19"}

[7] Kişisel Verileri Koruma Kurumu — “Aydınlatma Yükümlülüğünün Yerine Getirilmesinde Uyulacak Usul ve Esaslar Hakkında Tebbliğ”
Resmî Gazete tarihi: 10 Mart 2018, Sayı 30356
URL: https://www.kvkk.gov.tr/Icerik/4132/aydinlatma-yukumlulugunun-yerine-getirilmesinde-uyulacak-usul-ve-esaslar-hakkinda-teblig
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Kişisel veri işlenirken işleme amacı, hukuki sebep, veri toplama yöntemi ve aktarım gibi konularda aydınlatma yükümlülüğünün kapsamı. :chatgpt-content-reference{index="20"}

[8] Kişisel Verileri Koruma Kurumu — “Yurt Dışına Aktarım”
Güncel düzenleme değişikliği yürürlük tarihi: 1 Haziran 2024
URL: https://www.kvkk.gov.tr/Icerik/2053/Yurtdisina-Aktarim
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: KVKK kapsamında kişisel verilerin yurt dışına aktarılmasına ilişkin güncel rejim, standart sözleşmeler ve bağlayıcı şirket kuralları gibi uygun güvence yöntemleri. :chatgpt-content-reference{index="21"}

[9] European Union — Regulation (EU) 2016/679 (GDPR), Article 22
Kabul tarihi: 27 Nisan 2016
URL: https://eur-lex.europa.eu/eli/reg/2016/679/oj
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Yalnızca otomatik işlemeye, profil oluşturma dâhil, dayanan ve kişi üzerinde hukuki veya benzer şekilde önemli etkiler doğuran belirli kararlar ile bunlara ilişkin insan müdahalesi ve diğer güvenceler. :chatgpt-content-reference{index="22"}

[10] European Parliament and Council — “Regulation (EU) 2024/1689 — Artificial Intelligence Act”
Kabul tarihi: 13 Haziran 2024; AB Resmî Gazetesi: 12 Temmuz 2024
URL: https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=OJ:L_202401689
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: AB Yapay Zekâ Tüzüğü'nün hukuki çerçevesi ve yapay zekâ sistemleri için risk temelli düzenleme yaklaşımı. :chatgpt-content-reference{index="23"}

[11] European Commission — “Transparency obligations under Article 50 of the AI Act”
Güncel uygulama tarihi: 2 Ağustos 2026
URL: https://digital-strategy.ec.europa.eu/en/faqs/transparency-obligations-under-article-50-ai-act
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: Belirli interaktif yapay zekâ sistemlerinde kullanıcıların AI ile etkileşim kurdukları konusunda bilgilendirilmesi ve Article 50 şeffaflık yükümlülüklerinin 2 Ağustos 2026 itibarıyla uygulanması. :chatgpt-content-reference{index="24"}

[12] European Commission — “AI Talent, Skills and Literacy”
Son güncel bilgiler: 2026
URL: https://digital-strategy.ec.europa.eu/en/policies/ai-talent-skills-and-literacy
Erişim tarihi: 28 Eylül 2026
Desteklediği iddia: AI Act kapsamındaki AI okuryazarlığı yükümlülüğünün 2 Şubat 2025'te uygulanmaya başlaması ve 2026 değişiklikleri sonrasındaki güncel çerçevesi. :chatgpt-content-reference{index="25"}