Gartner, 60 günlük bir zaman diliminde, önümüzdeki 24 ay için yapay zekâ bütçesini planlayan her CX liderinin yan yana okuması gereken 2 tahmin yayımladı.
Şirket, 26 Ocak tarihinde müşteri hizmetlerinde üretken yapay zekânın çözüm başına maliyetinin 2030'a kadar 3 doları aşacağını ve pek çok B2C offshore insan temsilcinin maliyetini geride bırakacağını öngördü. 31 Mart tarihinde ise müşteri hizmetleri organizasyonlarının yarısından fazlasının 2028'e kadar teknoloji harcamalarını, personel sayısında eşdeğer bir azalma olmadan ikiye katlayacağını öngördü.
Birlikte okunduğunda bu tahminler; harcama eğrisinin yükseldiği, personel eğrisinin kabaca yatay kaldığı ve yapay zekâ çözümü başına maliyetin, altında kalması beklenen offshore temsilci çizgisine doğru kaydığı bir CX ekonomisini tarif ediyor. 2023'ten bu yana çoğu CX yazılım bütçesinin dayandığı varsayım, yani yapay zekânın müşteri hizmetlerini ucuzlattığı anlatısı artık tam olarak geçerli değil.
Gartner bu eğilimin arkasında 2 değişken sayıyor: yetenek ve araç karmaşıklığı. İkisi de gerçek, ancak bunların altında üçüncü bir değişken var ve çoğu ekip onu takip etmiyor. Bu değişken çözümdür; daha net söylemek gerekirse, yapay zekânın ele aldığı ile gerçekten çözdüğü arasındaki fark. CX teknolojisine harcanan her yeni doların bir sonuç mu yoksa yalnızca bir işlem mi ürettiğini bu belirler.
Dolar cinsinden çözüm açığı
Çoğu CX panosu ana metrik olarak "otomasyon oranı" veya "deflection oranı" raporlar. Bir destek talebi gelir, yapay zekâ yanıt verir, görüşme bir temsilciye ulaşmadan biter ve platform talebi ele alınmış olarak işaretler. Panodaki rakam yükselir.
Panonun her zaman göstermediği şey ise müşterinin sorununun gerçekten çözülüp çözülmediğidir. İşte çözüm açığı budur: yapay zekânın dokunduğu etkileşimler ile düzelttiği sorunlar arasındaki boşluk.
Açık genişken hacim ortadan kaybolmaz. Sisteme 3 şekilde geri döner:
- Yeniden temas olarak: sorun devam ettiği için müşteri aynı kanaldan geri geldiğinde
- Kanallar arası eskalasyon olarak: müşteri chat'i dener, vazgeçer, arar ve sıfırdan başlayan bir insana ulaştığında
- Müşteri kaybı (churn) olarak: müşteri şirketin yardımcı olamayacağına karar verip denemeyi bıraktığında
Bu sonuçların her biri, deflection panosunun yakalamadığı bir maliyet taşır. McKinsey AI in Customer Service 2026 örneklemi birim ekonomisini çarpıcı biçimde ortaya koyuyor: Yapay zekânın çözdüğü bir talep yaklaşık 0,62 dolara mal olurken insanın çözdüğü bir talep 7,40 dolar tutuyor (Digital Applied'ın 2026 kıyaslama derlemesi üzerinden aktarılmıştır). Ancak bu hesap deflection rakamında değil, yalnızca çözüm rakamında tutar. Deflection olarak kaydedilip insan tarafından ele alınan bir eskalasyon olarak geri dönen her etkileşim 2 fatura demektir: biri yapay zekâ lisansı için, diğeri yarım kalan konuyu devralan temsilci için. Açık genişledikçe bu hesap katlanarak büyür ve Gartner'ın 2028'e kadar öngördüğü harcama eğrisi, bunun ölçekteki görünümüdür.
Bu nedenle yapay zekâ ekonomisini insan temel çizgisiyle karşılaştırırken önemli olan kıyaslama etkileşim başına maliyet ya da deflection oranı değil, çözüm başına maliyettir. Gartner'ın 2030 için öngördüğü çözüm başına 3 dolar, yapay zekânın bir mesajı ele aldığında değil, sorunu gerçekten çözdüğünde ne kadara mal olduğunun ölçüsüdür.
Harcama eğrisinin içinde gerçekte ne oluyor
Gartner'ın 321 müşteri hizmetleri lideriyle yaptığı Ekim 2025 anketi, organizasyonların yalnızca %20'sinin yapay zekâ nedeniyle temsilci sayısını azalttığını ortaya koydu. Geri kalan %80 hem yapay zekâya hem de temsilcilere ödeme yapıyor.
Bu, daha düşük maliyetlere giden yolda geçici bir durum değil. Yapay zekânın çoğu CX biriminde nasıl devreye alındığının yapısal bir sonucu. CXOVoice'un belirttiği gibi, müşteri hizmetleri maliyetleri yükseliyor çünkü yapay zekâ katmanları kaldırmak yerine yeni katmanlar ekliyor; teknoloji yığını artık conversational AI, routing, bilgi yönetimi, analitik, orkestrasyon ve denetim içeriyor ve her birinin kendi lisans, uygulama ve entegrasyon maliyeti var.
Bu katmanların hiçbiri mevcut bir katmanın yerini almıyor. Gartner'ın 2028'e kadar öngördüğü şey tek seferlik bir geçiş maliyeti değil; bordro ağırlıklı CX bütçelerinden yazılım ağırlıklı CX bütçelerine yapısal bir kayış ve toplam maliyet tabanı düşmek yerine yükseliyor.
Bu kayışın içinde, yapay zekâ harcamasının bilançonun hangi tarafına düşeceğini çözüm açığı belirliyor. Yapay zekâ sorunu uçtan uca çözdüğünde yazılım katmanı yerini hak eder: Aksi hâlde bir insan gerektirecek işi yapar ve birim ekonomisi tutar. Yapay zekâ çözmeden yalnızca deflection yaptığında ise yazılım katmanı mevcut maliyetlerin hiçbirini ortadan kaldırmadan maliyet ekler ve temsilci bütçesinden çıkması beklenen dolar, bunun üzerine eklenen yapay zekâyı finanse etmeye gider.
Katlanan hesap
Tipik bir kurguyu ele alalım: Ayda 10.000 gelen destek talebi, %60 otomasyon oranı raporlayan bir sağlayıcı panosu ve insan müdahalesi olmadan "ele alındı" olarak işaretlenmiş 6.000 talep.
Deflection'ı doğrulanmış çözümden ayıran denetim çalışması genellikle farklı bir sonuca ulaşır. RAG tabanlı uygulamalar üzerine yapılan sektör araştırmaları, "deflection yapılan" destek taleplerinin %15 ila %25'inin yanlış veya eksik yanıtlar içerdiğini tutarlı biçimde ortaya koyuyor. Deflection yapılan bu 6.000 talebin %25'i 72 saat içinde (yeniden temas, eskalasyon veya kanallar arası girişim olarak) sisteme geri dönerse, otomatik görünen 1.500 etkileşim aslında otomatik değildi.
Bu hacimdeki gerçek otonom çözüm oranı %60 değil, %45. Ve bu açık, çoğu CX panosunun göstermek üzere kurgulanmadığı 3 kalemde ortaya çıkar:
- Yapay zekâ sağlayıcısının faturası değişmez. Lisans etkileşim bazında fiyatlandırılır ve etkileşimleri yapay zekâ ele alır.
- Temsilci ekibinin iş yükü, devir süreci kopuk olduğu için çoğu zaman bağlamdan yoksun gelen bu 1.500 geri dönen talebi de kapsar.
- Müşteri deneyimi, 2 kez sormanın bedelini öder. Sağlayıcı 6.000 etkileşim için ücret alır. Siz ise 4.500 çözüm için ödeme yapmış olursunuz.
Yapay zekâ kaleminin insan müdahalesinin yerini mi aldığını yoksa ona ek mi olduğunu belirleyen şey çözüm açığıdır. Açık küçük olduğunda yapay zekâ harcaması temsilci harcamasını dengeler. Açık geniş olduğunda yapay zekâ harcaması temsilci harcamasının üzerine eklenir; Gartner'ın 2028'e kadar öngördüğü eğri de budur.
Mimari değişkeni
Çözüm açığı bir model sorunu değil, bir mimari sorunudur.
Bugün canlı ortamdaki çoğu yapay zekâ ajanı okuyabiliyor ancak işlem yapamıyor. Bilgi tabanından bilgi çekiyor, politikaları özetliyor ve sonraki adımları öneriyor. Daha derin bir entegrasyon olmadan genellikle yapamadıkları şey ise iadeyi işlemek, hesabı güncellemek, siparişi düzenlemek veya randevuyu değiştirmektir. Mimari ayrım çizgisi, müşterinin asıl sorununun bulunduğu sistemlere salt okunur (read-only) mu yoksa okuma-yazma (read-write) erişimi mi olduğudur.
Salt okunur bir yapay zekâ, yapısal olarak yalnızca bilgi sunarak çözülebilecek taleplerin payıyla sınırlıdır. Çoğu kurumsal CX programında bu; şifre sıfırlama, sipariş durumu sorgulama ve politika sorularından oluşan 1. seviye bir banttır: Gerçek bir hacimdir ama bir tavandır. Destek maliyetlerini artıran şikâyetler, istisnalar, fatura itirazları ve hesap değişiklikleri ise okuma-yazma sınırının öbür tarafında yer alır.
Bu nedenle geniş sorgu kümelerinde %70'in üzerindeki "otomasyon oranı" rakamlarını sorgulamaya değer. Bu rakamlar genellikle ya zor vakaları yapay zekâ görmeden dışarıda bırakan agresif bir triyaj katmanını ya da sonucu doğrulamadan tamamlanan görüşmeleri sayan bir çözüm tanımını yansıtır. Backend sistemlerle okuma-yazma entegrasyonuna sahip canlı uygulamalar, politikaya bağlı talepleri de içeren geniş sorgu kümelerinde genellikle %70 ila %85 doğrulanmış çözüm bandına ulaşır.
CX teknolojisine harcanan her yeni doların çözüm açığını kapatıp kapatmayacağını ya da genişletip genişletmeyeceğini belirleyen şey mimari karardır. Salt okunur mu okuma-yazma mı, overlay mi rip-and-replace mi, üstte bir katman olarak yapay zekâ mı yardım masasının içinde yapay zekâ mı: Bunlar uygulama detayı değil. Bunlar harcama çarpanıdır. Maven'ın değerlendirme çerçevesi bu boyutları daha ayrıntılı ele alıyor.
Çözüm öncelikli yaklaşım canlı ortamda nasıl görünür
Çözüm açığını kapatan şirketlerin ortak bir mimari özelliği var: müşteri sorunlarının gerçekte bulunduğu sistemlerle okuma-yazma entegrasyonu. Çözüm açığını kapatan canlı ortam verileri oldukça somut:
- Mastermind, devreye almanın ardından 6 hafta içinde %93 otonom çözüm oranına ulaştı.
- Papaya Pay, 3 haftada %90 otonom çözüm oranına ulaştı.
- Clio, eski bir chatbot'tan %80 otonom çözüm oranına geçti, %60 daha fazla destek talebi çözdü ve canlı destek yanıt süresini 4 kat kısalttı.
- Rho, personel eklemeden aylık %12 daha fazla temas yönetirken %95 CSAT'yi korudu.
Bu son veri üzerinde durmaya değer. Gartner'ın 31 Mart açıklaması, 2028'e kadar CX teknoloji harcamalarının ikiye katlanmasına personel sayısında bir azalmanın eşlik etmeyeceğini öngörüyor ve yapay zekâyı finanse etmek için temsilci sayısını azaltan şirketlerin operasyonel aksaklık, kötüleşen müşteri deneyimi ve maliyetli geri dönüşler riskiyle karşılaşacağı uyarısında bulunuyor. Tahmin, yapay zekânın artan hacmi karşılayacak kadar kendi başına çözüm üretemeyeceğini varsayıyor.
Rho'nun rakamı, çözüm öncelikli harcama hesabının canlı ortamdaki en net örneği. CSAT %95'te kaldı, temas hacmi %12 arttı ve ekip büyümedi. Çözüm oranı gerçek olduğunda hacim kapasitesi böyle görünür: daha fazla müşteri, aynı ekip, korunan CSAT.
Yapay zekâ kaleminin yerini hak etmesini sağlayan harcama hesabı budur. Teknoloji harcaması artar, temsilci harcaması sabit kalır, müşteri hacmi büyür ve çözülen sorun başına toplam maliyet tabanı düşer. Bu yalnızca çözüm oranı yeterince yüksek olduğunda işe yarar. Başka bir deyişle, deflection ile çözüm arasındaki açık, yapay zekâ hacminin sorunsuz biçimde yapay zekâ sonuçlarına dönüşeceği kadar küçük olduğunda.
Bütçeyi ikiye katlamadan önce sormanız gereken 3 soru
Gartner'ın 2028 harcama tahmininin her CX kâr-zarar tablosunda gerçekleşmesi gerekmiyor. Gerçekleşip gerçekleşmeyeceğini belirleyen değişken, eklenen yapay zekâ katmanının mimarisi ve ekonomisi. 3 soru, her sağlayıcının öne çıkaracağı manşet rakamların ötesini görmenizi sağlar.
- Yapay zekâ, müşterinin sorununun bulunduğu sistemlerde işlem yapabiliyor mu, yoksa yalnızca dokümanlara dayanarak mı yanıt veriyor? Salt okunur ile okuma-yazma arasındaki çizgi, yapay zekânın destek maliyet tabanının ne kadarını karşılayabileceğini sınırlayan mimari değişkendir. Sipariş durumunu gösteren bir yapay zekâ faydalıdır. İadeyi işleyen, hesabı güncelleyen ve değişikliği onaylayan bir yapay zekâ ise çözüm açığını kapatır.
- Çözülen destek taleplerinde 72 saatlik yeniden temas oranı nedir? Denetim metriği budur. "Çözüldü" olarak işaretlenen taleplerin %25'i 3 gün içinde yeni bir temasa yol açıyorsa, efektif çözüm oranı manşet rakamdan belirgin biçimde düşüktür. Yapay zekâsının çözüm kalitesinden emin olan bir sağlayıcı bu rakamı yayımlar. Bunu ölçmemiş bir sağlayıcının genellikle bir nedeni vardır.
- Deflection oranı değil, doğrulanmış çözüm oranı nedir? Doğrulanmış çözüm, yalnızca müşterinin sorununun çözüldüğü ve müşterinin geri gelmediği talepleri sayar. Deflection ise yapay zekânın dokunduğu her talebi sayar. Her ikisini de ölçmüş sağlayıcılar her ikisini de paylaşır. Ölçmemiş ya da paylaşmak istemeyen sağlayıcılar genellikle kendilerini iyi gösteren rakamı optimize eder.
Bu 3 yanıt birlikte, CX teknolojisine harcanan her yeni doların çözüm mü yoksa yalnızca aktivite mi satın aldığını belirler.
Gartner'ın adını koymadığı değişken
2026'daki 2 tahmin aynı yöne işaret ediyor. Harcama artıyor, yapay zekâ çözümü başına maliyet insan tabanına doğru tırmanıyor ve personel sayısı kabaca sabit kalıyor. Bunun birleşik etkisi, 2028'e kadar teknoloji harcamasını ikiye katlayan organizasyonların yarısı için CX maliyet tabanında yapısal bir artış.
Tahminlerin söylemediği şey ise (çünkü mimariyi değil teknoloji harcamasını ölçüyorlar) bir organizasyonun hangi yarıda yer alacağını belirleyen değişkenin çözüm açığı olduğu. Çözümü esas metrik olarak kabul eden ve yapay zekâ katmanını müşteri sorunlarının gerçekte bulunduğu sistemlerde işlem yapacak şekilde kurgulayan şirketler, sonuç üretmeden ikiye katlanan bir harcama eğrisiyle karşılaşmayacak. Çözümü deflection ile eş anlamlı gören şirketler ise 2026, 2027 ve 2028'de daha fazla harcayacak ve 2024'te çözdükleri kadar sorun çözmeye devam edecek.
Kategori dili de bunu yansıtacak şekilde değişiyor. Otonom çözüm esas metrik hâline geliyor. Resolution Rate (çözüm oranı), eski CX kıyaslamalarının yerini almaya hazırlanıyor ve destekte yapay zekânın işe yarayıp yaramadığının birincil ölçüsü oluyor. Sağlayıcı ve analist yorumları aynı noktada birleşiyor: 2026'da yapay zekâ sağlayıcınızın öne çıkardığı pano, en çok sorgulamanız gereken panodur.
Gartner'ın öngördüğü 2028 harcama eğrisi kaçınılmaz değil. Bu eğri, çoğu CX ekibinin şu anda verdiği mimari kararların bir sonucu.
Kendi konuşmalarınız üzerinde görün.
Size özel ücretsiz demo talep edin.
