Şubat 2024'te Klarna'nın CEO'su, şirketin yapay zekâsının 700 müşteri hizmetleri temsilcisinin işini yaptığını açıkladı. Bu söz neredeyse tüm iş dünyası yayınlarında yer aldı. “Yapay zekâ bilgi işçiliğinin yerini alıyor” savının standart referansı hâline geldi. Yapay zekâ konusunda temkinli davranan CX liderleri ise yönetim kurullarından neden aynısını yapmadıklarına dair sorular almaya başladı.
Mayıs 2025'e gelindiğinde Klarna sessizce yeniden insan almaya başlamıştı. 2026'nın başında yeniden işe alımlar epey ilerlemişti. CEO, şirketin maliyeti kalitenin önüne koyduğunu ve bunun bedelini müşteri memnuniyetiyle ödediğini kamuoyu önünde kabul ediyordu.
Medya bunu, yapay zekânın yeterince iyi olmadığına dair bir hikâye olarak ele aldı. Bu yanlış bir okuma. Yapay zekâ tam olarak tasarlandığı gibi çalıştı. Asıl sorun da bu. Verdiği ders ise manşetlerden çıkarılan dersten daha dar kapsamlı ve çok daha faydalı.
Bu hatanın insani maliyetini bu yılın başında ele almıştık. Bu yazı ise farklı bir konuyla ilgili: tüm bunları mümkün kılan ölçüm sorunu.
Herkes yanlış şeyi ölçtü
Klarna ilk duyurusunu yaptığında öne çıkan rakam containment'tı, yani yapay zekânın bir insana ulaşmadan önce üstlendiği müşteri konuşmalarının oranı. Hangi açıklamaya baktığınıza göre etkileşimlerin üçte ikisi ile dörtte üçü arası. Çarpıcı bir rakam. Ama müşterinin sorununun gerçekten çözülüp çözülmediğiyle neredeyse hiçbir bağlantısı yok.
Containment, yapay zekânın konuşmayı elinde tutup tutmadığını ölçer. Aynı sorun için destek ekibine iki kez ulaşan bir müşteri, her ikisini de yapay zekâ ele aldıysa 2 containment olarak sayılır. Yanlış bir yanıtı kabullenip vazgeçen bir müşteri yine sayılır. Kartındaki bir ödemeye itiraz edecek kadar sinirlenen bir müşteri de sayılır. Metrik hacmi yakaladı. Sonuçlar hakkında ise hiçbir şey söylemedi.
Klarna'nın yapay zekâsı tam olarak neyle ölçülüyorsa onu yapıyordu. Sorun ölçümdeydi. Bu ayrım, şu anda yapay zekâ tedarikçilerini değerlendiren her CX lideri için son derece önemli.
CSAT puanları, Klarna'nın hacim metrikleri değişmeden önce düştü. Containment ile otonom çözüm ters yönlerde ilerliyorsa tam da beklenecek durum buydu. Sinyal oradaydı. Ancak sonuç, yöneticilerin gerçekten takip ettiği rakamlara yansıyacak kadar kötüleşene kadar kimse bu farkı fark etmedi.
Containment neden varsayılan hâle geldi?
Çözümü tanımlamak daha zordur. Sektörün varsayılan olarak containment'a yönelmesinin başlıca nedeni de bu. Müşterinin sorunu gerçekten çözüldü mü? Bu soruyu yanıtlamak için sorunun ne olduğunu, yanıtın soruna karşılık verip vermediğini ve müşterinin geri dönüp dönmediğini bilmeniz gerekir. Containment için ise yalnızca bir insana ulaşmadan sona eren konuşmaları saymak yeterlidir.
Bugünkü piyasada ayakta kalan şirketler, ölçümlerini en başından bu zor soruların etrafında kurdu. Tekrar iletişim oranı, yani aynı müşterinin aynı sorun için 14 gün içinde yeniden destek talebi açıp açmadığı, en net çözüm sinyalidir. Ancak konuşmaların içinde değil, konuşmalar arasında takip gerektirdiği için çoğu uygulamada atlanır. Etkileşim düzeyindeki CSAT, toplam değerden daha önemlidir. Eskalasyonları, yapay zekâ ajanının bilgisinin nerede yetersiz kaldığına dair sürekli bir veri kaynağı olarak ele almak, çoğu ekibin düşündüğünden çok daha değerlidir.
Maven'ın kurumsal uygulamalardan elde ettiği veriler bu örüntüyü doğrudan gösteriyor. Containment metrikleriyle çalışan müşteriler bir noktada iyileşmede tıkanıyor. İlk temasta çözüm oranları, deflection-çözüm oranları ve tekrar iletişim sıklığıyla çalışan müşteriler ise iyileşmeye devam ediyor, çünkü geri bildirim döngüleri gerçek sonuca bağlı.
Ölçüm sorununu ölümcül hâle getiren yapısal karar
Klarna, kalitedeki düşüş verilerde okunabilir hâle gelmeden önce personel sayısını azalttı. Mantık savunulabilirdi: Hacmi yapay zekâ karşılıyordu, dolayısıyla insan kapasitesi küçültülebilirdi. Ancak kalite sorunları yavaş yavaş birikir. Önce CSAT'ta, ardından tekrar iletişimlerde, sonra müşteri kaybında, en sonunda da doğası gereği geçmişe dönük olan gelir rakamlarında kendini gösterir. Sinyal görünür hâle geldiğinde, toparlanmayı karşılayacak tampon çoktan ortadan kalkmıştı.
Bu, Klarna hikâyesinin “yapay zekâ başarısız oldu” anlatısında gözden kaçan kısmı. Teknoloji başarısız olmadı. Başarısız olan, uygulamanın yapısıydı. Daha net söylemek gerekirse: yapay zekânın sorunları yalnızca karşılamakla kalmayıp gerçekten çözdüğünü doğrulamadan insan kapasitesini azaltma kararı.
Bu tuzaktan kaçınan uygulamalar önce personeli azaltmadı. Personeli yeniden yapılandırdı. Destek ekipleri eskalasyon yönetimi, kalite incelemesi ve müşteri başarısı çalışmalarına, yani yapay zekânın gerçekten taklit edemeyeceği muhakeme gerektiren rollere yöneldi. Personel azaltımı, personeli önceleyen bir düşünceden değil, bu yeniden yapılanmadan doğdu. Aradaki fark ince görünebilir. Sonuçlar ise hiç de öyle değil.
Klarna'dan sonra kurumsal alıcılar nasıl değişti?
Bu hikâye, satın alma süreçlerinde zaten yaşanmakta olan bir değişimi hızlandırdı. Bugün satın alma yapan kurumsal CX liderleri containment değil, ilk temasta çözüm oranlarını soruyor. Yapay zekânın yalnızca ne sıklıkla doğru olduğunu değil, yanıldığında ne olduğunu da soruyorlar. Kontrollü bir ortamdaki demo doğruluk puanlarını değil, canlı üretim ortamındaki uygulamalardan gelen tekrar iletişim verilerini görmek istiyorlar.
Bu değişim satış döngülerinde somut biçimde kendini gösteriyor. Bu sorulara gerçek müşteri verileriyle yanıt verebilen tedarikçiler daha hızlı ilerliyor. Hâlâ containment rakamlarını öne çıkaranlar ise daha zor sorularla ve daha uzun süreçlerle karşılaşıyor. “Kanıtlayın” çıtası yükseldi. Bunun önemli bir nedeni de Klarna.
Ayakta kalan uygulamalar gerçekte neye benziyor?
Clio, Maven'ı devreye almadan önce 32 yapay zekâ tedarikçisini değerlendirdi ve 10'unu stres testinden geçirdi. Bugün sohbet taleplerinin %80'ini otonom olarak çözüyor ve önceki sistemine kıyasla toplamda %60 daha fazla destek talebini kapatıyor. Destek ekibi küçülmedi, daha yüksek değerli işlere yöneldi. Takip ettikleri metrik deflection değil, çözüm. Hikâyenin tamamını okuyun.
Düzenlemeye tabi sınır ötesi ödemeler alanında faaliyet gösteren Papaya Pay, %90 otonom çözüme ulaştı. Her etkileşimin denetlenebilir, her eskalasyonun izlenebilir olması ve SOC 2, HIPAA ve PCI-DSS standartlarının karşılanması zorunluluğu, çoğu uygulamanın atladığı türden bir çözüm disiplinini beraberinde getirdi. Bu disiplinin bir kısıt değil, bir avantaj olduğu ortaya çıktı.
Her iki uygulama da kaç kişiyi azaltabileceğini sorarak başlamadı. İkisi de “çözüldü” ifadesinin gerçekte ne anlama geldiğini sorarak başladı.
Şu anda yapay zekâ tedarikçilerini değerlendiriyorsanız ne yapmalısınızHerhangi bir şeyi devreye almadan önce çözümü tanımlayın. “Çözüldü” ifadesinin ne anlama geldiğine karar verin: ilk temasta çözüm, 14 gün içinde tekrar iletişim olmaması, belirli bir görevin tamamlanması. Ardından bunu ilk günden itibaren başarı kriteri hâline getirin. Tedarikçiniz bunu nasıl ölçeceğini söyleyemiyorsa, yanıtınızı almışsınız demektir. Deflection ve çözüm rehberimiz bunu nasıl kuracağınızı adım adım anlatıyor.
Tekrar iletişim oranını birinci sınıf bir metrik olarak takip edin. Standart CSAT'ınızla birlikte panonuza ekleyin. Bunu yapay zekâ ajanının bilgi tabanı ve davranışı için bir geri bildirim döngüsü olarak kullanın. Aynı müşteri aynı sorun için tekrar tekrar geri geliyorsa, bu yeni bir destek talebi değil, bir çözüm başarısızlığıdır.
Eskalasyon verilerini bir iş akışı adımı olarak değil, bir sinyal olarak ele alın. Her eskalasyon, yapay zekânın bilgisinin veya yetkisinin nerede yetersiz kaldığını gösterir. En hızlı gelişen ekipler bu verileri sürekli kullanır. Bir kurumsal yapay zekâ ajanı platformu bu verileri, kazıyarak bulmanız gereken bir şey olmaktan çıkarıp kolayca görünür kılmalıdır.
En başından birleşik kanal kapsamını şart koşun. Önce arayan, sonra e-posta gönderen, ardından sohbet başlatan bir müşteri kendini tekrar etmek zorunda kalmamalı. Sonuç rakamlarını belirleyen, demoda iyi görünen tek kanallı otomasyon değil, sohbet, ses ve e-posta genelinde birleşik çözümdür.
Kaliteyi ölçekte doğrulamadan personel azaltmayın. İş gücü dönüşümünü teknoloji uygulamasından sonra değil, onunla birlikte yapılandırın. Roller değişir; temsilciler eskalasyon yönetimine, kalite incelemesine ve istisna yönetimine yönelir. Ancak bu dönüşümün varsayılması değil, tasarlanması gerekir.
Peki şimdi neredeyiz?
Gartner'ın 2029'a kadar müşteri hizmetleri etkileşimlerinin %80'inde yapay zekânın yer alacağı öngörüsü hâlâ ulaşılabilir görünüyor. Son 2 yıl varış noktasını değiştirmedi. Ancak hangi yolların oraya çıktığını, hangilerinin ise kamuoyu önünde geri adıma ve yeniden işe alım duyurusuna götürdüğünü netleştirdi.
%80 otonom çözüme ulaşacak şirketler; herhangi bir şeyi devreye almadan önce çözümü doğru tanımlayan, yapay zekâyı bu tanıma göre hesap verebilir kılan ve iş gücü dönüşümünü en başından plana dâhil eden şirketler olacak. Containment'ı optimize eden, personeli erkenden azaltan ve sonuçlar yerine konuşmaları ölçenler ise ibretlik hikâyeleri yazanlar olacak.
Klarna hikâyesi yapay zekânın yetenekleri hakkında bir uyarı değil. Yetenekli bir sistem yanlış hedefe yöneltildiğinde ne olacağına dair bir uyarı.
Yapay zekâ destekli müşteri hizmetleri çözümlerini değerlendiriyor ve gerçekten önemli metrikler üzerinden karşılaştırma yapmak için bir çerçeve arıyorsanız, deflection ve çözüm rehberimiz sağlam bir iş gerekçesini nasıl oluşturacağınızı adım adım anlatıyor. Ya da demo planlayın ve Maven'ın çözüm rakamlarının bugün kullandığınız sistemle nasıl karşılaştırıldığını görün.
Kendi konuşmalarınız üzerinde görün.
Size özel ücretsiz demo talep edin.
