Sesle ilgili tüketici davranışı, kurumların hazırlık düzeyinden daha hızlı değişti. Censuswide'ın 700 iş lideri ve tüketiciyle yaptığı bir anket olan Amplified 2026, tüketicilerin %55'inin artık yapay zekâ etkileşimlerinde birincil arayüz olarak sesi kullandığını, buna karşın şirketlerin yalnızca %29'unun müşteriye dönük sesli yapay zekâ devreye aldığını ortaya koydu.
Ses, müşteri hizmetlerinde aynı anda en yüksek hacimli, en maliyetli ve teknik açıdan en zorlu kanal; aynı zamanda yapay zekâ benimsenmesinin en çok geride kaldığı kanal. Bu bileşim alışılmadık. Ortadan kaldırılabilecek en fazla maliyete sahip kanal, avantaj için en az rekabetin yaşandığı kanal.
Sesi zorlaştıran 3 engel vardı ve 3'ü de gerçekti: gecikme, doğruluk ve uyumluluk. Değişen şey, bunların açık araştırma sorusu olmaktan çıkıp yanıtı olan mühendislik problemlerine dönüşmesi.
Gecikme neden en zorlu engeldi
Bir ses ajanı oluşturmanın standart yolu 3 sistemi zincirleme bağlamaktır. Konuşma metne dönüştürülür, bir dil modeli metni okuyup yanıt yazar ve bir başka sistem de bu yanıtı sesli olarak okur. Her aşama tek başına iyi çalışır. Sorun, aralarında biriken şeydir.
Her geçiş gecikme ekler ve müşterinin deneyimlediği şey toplam gecikmedir. 300 ms altı yanıt süresi, bir aramanın doğal bir sohbet gibi hissettirmesi için kabaca eşik değerdir; yaklaşık 1 saniyelik sessizlikten sonra insanlar yeniden konuşmaya başlar. Hâlâ ilk ifadeyi işleyen bir pipeline'ın elinde bu durumda 2 örtüşen girdi olur ve bunları uzlaştırmanın temiz bir yolu yoktur.
Zincir yalnızca zaman kaybettirmez. Transkripsiyon metin üretir; bu nedenle ses tonu, tereddüt, ses yüksekliği ve sabrı tükenen birinin sesindeki o duyulabilir değişim ilk geçişte kaybolur. Model, söyleyen kişinin telefonu kapatmak üzere olduğuna dair hiçbir işaret taşımayan düz bir cümle okur. Toparlanma da kırılgandır: Bir müşteri sözü kestiğinde ya da 2 kişi aynı anda konuştuğunda, pipeline'ın sorunu bir aşamada tespit edip bu bilgiyi, bunu almak üzere hiç tasarlanmamış aşamalara geriye doğru aktarması gerekir.
Bu yüzden pek çok ses dağıtımı demoda iyi performans gösterip sıradan bir salı öğleden sonrasında zorlanır. Demolar sessiz, senaryolu ve kesintisizdir.
Tek modelli sesten sese mimari neyi değiştirir
Farklı bir mimari bu geçişleri ortadan kaldırır. Tek bir model ses alır ve ses üretir; arada metne dönüştürme ve geri çevirme yoktur.
Model bir transkriptle değil sesle çalıştığı için pipeline'ın attığı bilgiler kullanılabilir kalır. Söz kesmeler söz kesme olarak algılanır. Üst üste binen konuşmalar, arka plan gürültüsü ve alışılmadık aksanlar, devir sürecini bozan hata durumları değil, modelin ele aldığı koşullar hâline gelir. Ara aşamalar olmadığından yanıt boşluğu, müşterilerin sistemin sözünü kesmeyi bırakacağı kadar kapanır.
Gecikme ve doğruluğun artık üretimde çözüldüğü iddiasının arkasındaki mekanizma budur. Maven, sesten sese ajanları tam üretime taşıyan ilk kurumsal yapay zekâ platformudur; bu ayrım Ibex tarafından doğrulanmıştır. Maven, sohbette 54 dilin yanı sıra sesten seste 57 dil destekler. Maven'ın ölçtüğü dağıtımlarda, iyi kurgulanmış ses ajanları benzer niyetlerde sohbetle aynı aralıkta çözüm oranı sağlar.
Altyapı konusunda net olmak gerekirse: Gerçek zamanlı ses, OpenAI Realtime API ve Cartesia ses modelleri üzerinde çalışır; ses ajanı sohbet ve e-postayla aynı motoru kullanır. Böylece e-posta gönderdikten sonra arayan bir müşteri baştan başlamak zorunda kalmaz.
Takviminizi artık belirleyen 3 karar
Teknik engeller aşıldığında, dağıtım hızı kısa bir dizi tercihe bağlıdır ve her birinde daha hızlı olan varsayılan seçenek genellikle daha güvenli olanıdır da.
- Telefon altyapısı. Operatör değiştirmek yerine mevcut operatörünüz ve altyapınızla entegre olun. Geçiş nadiren ilk yapılmaya değer adımdır; sesten sese mimari Twilio, Vonage, Cisco, Zendesk Talk ve Genesys dahil olmak üzere halihazırda kullandığınız sistemlere bağlanır.
- IVR. Mevcut IVR'ı söküp değiştirmek yerine üzerine katman ekleyip güçlendirin. Değiştirmenin tavanı daha yüksektir ama yolu çok daha uzundur.
- Eskalasyon. Tüm bağlamı temsilciye aktaran sıcak devir (warm handoff) kullanın. Bağlam aktarmayan soğuk devir, hiç otomasyon olmamasından daha kötüdür, çünkü müşteri her şeyi 2 kez anlatır.
Sesin hemen gündeme getirdiği uyumluluk sorusu
Bir aramada müşteriler saklayamayacağınız şeyler söyler. Kart numaraları, sağlık bilgileri, hesap kimlik bilgileri; hepsi yardım isterken yüksek sesle dile getirilir.
Seste uyumluluk metne göre daha katıdır ve platform sonradan buna uyarlanmak yerine baştan bunun için tasarlandığında çözülür. Önemli olan soru zamanlamadır. Arama sırasında gerçek zamanlı PII maskeleme ile arama sonrasında yapılan işleme farklı maruziyet pencereleri oluşturur ve yalnızca ilki hassas veriyi pipeline'ın dışında tutar. Hangisini satın aldığınızı güvenlik incelemesi sırasında değil, öncesinde sorun.
Çok dilli destek seste daha zordur
Metin çevirisi, çoğu kurumun artık endişelenmeyi bıraktığı kadar çözülmüş durumda. Ses için aynısı geçerli değil. Konuşma dili; aksan farklılıkları, bölgesel ifadeler, cümle ortasında dil değiştirme ve bir transkriptin düzleştirip yok ettiği hız farklılıkları taşır. Zincirleme bir pipeline bu sorunu katlar, çünkü transkripsiyon, model herhangi bir şey görmeden önce dili tahmin etmek zorundadır ve yanlış bir tahmin sonraki her aşamaya yayılır.
Kapsam rakamlarını sorgulamaya değer. Her tedarikçiye sorulması gereken yararlı soru, listelenen dillerin üretimde test edilip edilmediği ya da yalnızca bir model kartında mı yer aldığıdır.
Hacimde kanıt
Regüle bir pazarda faaliyet gösteren, Fortune 500 listesindeki bir oyun şirketi, aylık 330.000'den fazla etkileşimde %80 çözüm oranıyla çalışıyor; buna tek bir yoğun etkinlik gününde çözülen 13.000 etkileşim de dahil.
Yoğun günler dürüst bir testtir. Hacim artışları, kuyrukların patladığı, bir sistemin ya dayandığı ya da gözle görülür biçimde bozulduğu ve müşterilerin sizi aramanın işe yarayıp yaramadığına dair kalıcı bir fikir edindiği anlardır.
Demo gösterisine kapılmadan ses nasıl değerlendirilir
Kayıtlı demolar kanıt değildir. Canlı bir arama isteyin ve bu arama sırasında müşterileriniz nasıl davranıyorsa öyle davranın.
- Cümlenin ortasında sözünü kesin ve ajanın durup durmadığını ya da konuşmaya devam edip etmediğini görün
- Bir talebin ortasında fikrinizi değiştirin
- Arka plan gürültüsü ekleyin
- Tedarikçinin hesaba katmadığı bir aksanla konuşun
- Ondan yalnızca bir şey söylemesini değil, bir şey yapmasını isteyin
En çok ağırlık taşıyan sonuncusudur. Bir soruyu yanıtlamak ile bir işlemi tamamlamak farklı yeteneklerdir ve otonom çözüm ikincisini gerektirir.
3 kararın özet hâli Sesli Yapay Zekâ Karar Ağacı belgesinde yer alıyor; bu belge, sesi ilk otomatikleştirilecek kanal olarak değerlendiren ekipler için 90 Günlük Pilot Kapsamı ile birlikte kullanılabilir. Her ikisi de State of AI in CX 2026 raporunun Voice Channel Opportunity bölümüne dayanır.
Kendi konuşmalarınız üzerinde görün.
Size özel ücretsiz demo talep edin.
