Yapay Zekâ ile Tekrarlayan İşleri Otomatikleştirme: Nereden Başlanır?

Yapay zekâ ile iş otomasyonu, kurallarla tam tanımlanamayan ama tekrar eden işleri, örneğin gelen e-postaları sınıflandırmak, belgelerden bilgi çıkarmak veya standart yanıt taslakları hazırlamak gibi görevleri, otomatik akışlara dahil etmektir. Başlamak için en uygun iş; sık tekrarlanan, net bir girdisi ve çıktısı olan, hata yapıldığında kolayca düzeltilebilen bir iştir. İlk aşamada her otomasyonun sonunda bir insan onayı bulundurmak, riski yönetmenin en pratik yoludur.

Klasik otomasyon, "bu olursa şunu yap" türünden net kurallarla çalışır. Yapay zekânın kattığı yenilik, kuralların önceden yazılamadığı durumlarda da karar verebilmesidir: serbest metinle yazılmış bir e-postanın şikâyet mi, sipariş mi, iş başvurusu mu olduğunu anlamak gibi. Bu esneklik büyük bir fırsat sunar; ama aynı zamanda modelin hata yapabileceği anlamına gelir.

Klasik otomasyon ile yapay zekâ destekli otomasyon arasındaki fark

Özellik	Kural tabanlı otomasyon	Yapay zekâ destekli otomasyon
Girdi	Yapılandırılmış (form, tablo)	Yapılandırılmamış da olabilir (e-posta, PDF, serbest metin)
Karar mantığı	Önceden yazılmış kurallar	Modelin yorumu
Öngörülebilirlik	Yüksek	Orta; aynı girdiye farklı çıktı verebilir
Uygun işler	Veri aktarımı, bildirim, zamanlanmış görevler	Sınıflandırma, özetleme, bilgi çıkarma, taslak üretme

En sağlam otomasyonlar genellikle ikisini birlikte kullanır: Yapay zekâ yapılandırılmamış girdiyi anlamlandırır, kurallar ise sonraki adımları öngörülebilir şekilde yürütür.

Yapay zekâ ile iş otomasyonu için doğru işi seçmek

Otomasyon adaylarını belirlemek için ekibinle bir hafta boyunca tekrarlayan işleri not et. Ardından her işi şu sorularla değerlendir:

• Sıklık: Bu iş günde veya haftada kaç kez yapılıyor?
• Süre: Her seferinde ne kadar zaman alıyor?
• Girdi netliği: İşin başlangıç noktası belli mi (bir e-posta, bir form, bir dosya)?
• Çıktı netliği: İşin sonunda ne üretiliyor (bir kayıt, bir yanıt, bir etiket)?
• Hata maliyeti: Yanlış yapılırsa ne olur, düzeltilmesi kolay mı?

Yüksek sıklık, net girdi-çıktı ve düşük hata maliyeti olan işler ilk aday olmalıdır. Hata maliyeti yüksek işler, örneğin ödeme onayı veya müşteriye giden sözleşme, otomasyonun ilk aşamasında yer almamalıdır.

Tipik başlangıç adayları

• Gelen e-postaları konuya göre etiketleyip ilgili kişiye yönlendirmek
• Fatura veya irsaliye PDF'lerinden tarih, tutar ve firma adını çıkarıp bir tabloya eklemek
• Müşteri formlarındaki serbest metin alanlarını özetleyip CRM kaydına not olarak eklemek
• Destek taleplerine ilk yanıt taslağı hazırlayıp temsilcinin onayına sunmak
• Toplantı notlarından görev listesi çıkarıp proje yönetim aracına aktarmak

Örnek bir akış: e-posta sınıflandırma

Genel bir bilgi@ adresine gelen e-postaları ele alalım. Manuel süreçte bir çalışan her e-postayı okur, türünü belirler ve ilgili kişiye iletir. Yapay zekâ destekli bir akış şöyle tasarlanabilir:

1. Tetikleyici: Yeni e-posta gelir.
2. Sınıflandırma: E-posta metni bir dil modeline gönderilir ve önceden belirlenmiş kategorilerden birine atanması istenir.
3. Bilgi çıkarma: Model, varsa sipariş numarası, şirket adı ve aciliyet seviyesini yapılandırılmış biçimde döndürür.
4. Kural: Kategoriye göre e-posta ilgili ekibin kutusuna yönlendirilir.
5. Belirsizlik durumu: Model emin değilse e-posta "manuel inceleme" klasörüne düşer.
6. İnsan kontrolü: İlk haftalarda yönlendirmeler bir çalışan tarafından gözden geçirilir.

Bu akıştaki model talimatı şöyle olabilir:

Aşağıdaki e-postayı şu kategorilerden yalnızca birine ata:
SIPARIS, SIKAYET, FATURA, IS_BASVURUSU, TEKLIF_TALEBI, DIGER.
Ayrıca varsa sipariş numarasını ve gönderen şirket adını çıkar.
Emin değilsen kategori olarak BELIRSIZ yaz.
Yanıtı yalnızca şu formatta ver:
kategori: ...
siparis_no: ... (yoksa boş)
sirket: ... (yoksa boş)

Sabit kategori listesi ve sabit çıktı formatı, modelin yanıtının sonraki otomatik adımlarda güvenle kullanılmasını sağlar. "Emin değilsen BELIRSIZ yaz" seçeneği ise hatalı yönlendirmelerin önemli kısmını insan incelemesine taşır.

Kategorileri doğru tanımlamak

Akışın başarısı büyük ölçüde kategori tanımlarına bağlıdır. "TEKLIF_TALEBI" ile "SIPARIS" arasındaki sınır senin için açık olabilir, ama model için her zaman öyle değildir. Her kategori için bir cümlelik açıklama ve gerçek e-postalardan alınmış, kişisel verileri çıkarılmış iki kısa örnek eklemek, sınıflandırma doğruluğunu belirgin şekilde artırır. Akışı canlıya almadan önce geçmişten seçtiğin birkaç düzine e-postayla test et ve modelin kararlarını bir çalışanın kararlarıyla karşılaştır. Uyuşmazlıkların çoğu, kategori tanımlarının belirsiz kaldığı noktaları gösterir.

Araç seçenekleri

Yapay zekâ destekli otomasyon kurmak için üç temel yol vardır:

• Hazır uygulama içi özellikler: Kullandığın e-posta, CRM veya doküman araçlarının sunduğu yerleşik yapay zekâ özellikleri. Kurulumu en kolay seçenektir ama esnekliği sınırlıdır.
• Kodsuz otomasyon platformları: Farklı uygulamaları birbirine bağlayan ve yapay zekâ adımları ekleyebildiğin görsel akış araçları. Teknik olmayan ekipler için iyi bir orta yoldur.
• Özel geliştirme: İş sürecin karmaşıksa, hassas verilerle çalışıyorsan veya iç sistemlerinle derin entegrasyon gerekiyorsa, özel bir çözüm daha güvenli ve sürdürülebilir olabilir.

Hangi yolu seçersen seç, akışın hangi verileri hangi servise gönderdiğini belgele. Kişisel veri içeren akışlarda KVKK yükümlülüklerini baştan değerlendir.

İnsan onayı ve hata yönetimi

Otomasyonun amacı insanı süreçten tamamen çıkarmak değil, insanın zamanını gerçekten karar gerektiren noktalara ayırmaktır. Bu nedenle:

• Başlangıçta "taslak modu" kullan: Model karar verir ama sonucu doğrudan uygulamaz; bir çalışan onaylar.
• Güven arttıkça kademeli olarak aç: Belirli kategorilerde hata oranı düşük kalıyorsa, o kategoriler için otomatik uygulamaya geç.
• Her zaman bir kaçış yolu bırak: Modelin emin olmadığı durumlar insana yönlendirilmelidir.
• Kayıt tut: Modelin hangi girdiye hangi kararı verdiğini kaydet; sorun çıktığında geriye dönük inceleme yapabilmelisin.

Başarıyı ölçmek

Otomasyonun işe yarayıp yaramadığını anlamak için başlamadan önce mevcut durumu ölç ve aynı ölçütleri düzenli olarak takip et:

• İş başına harcanan süre
• Manuel düzeltme gereken işlem oranı
• İşlemin tamamlanma süresi (ör. e-postanın doğru kişiye ulaşma süresi)
• Çalışanların algısı: süreç kolaylaştı mı, yeni bir yük mü oluştu?

Weras Labs olarak tekrarlayan iş süreçlerini mevcut sistemlerinle konuşan, insan onayı adımlarını içeren yapay zekâ destekli otomasyonlar geliştiriyoruz. Başlamadan önce hangi sürecin gerçekten otomasyona uygun olduğunu birlikte değerlendirmek, çoğu zaman en değerli adımdır.

Ölçüm sonuçlarını ekiple düzenli olarak paylaşmak da önemlidir. Otomasyonun hangi işleri devraldığını ve kazanılan zamanın nereye aktarıldığını görmek, çalışanların yeni akışa güvenini artırır. Sonuçlar beklentinin altında kalıyorsa, sorunun model talimatında mı, kategori tanımlarında mı yoksa sürecin kendisinde mi olduğunu birlikte incelemek, iyileştirme için en hızlı yoldur.

Sonuç

Yapay zekâ ile iş otomasyonu, kuralların yetmediği yerlerde esneklik sağlar ama bu esneklik dikkatli tasarım gerektirir. Sık tekrar eden, net girdi ve çıktısı olan, düşük riskli bir işle başla; sabit kategoriler ve formatlar kullan; belirsiz durumları insana yönlendir ve sonuçları ölç. Küçük ve güvenilir bir otomasyon, büyük ama kırılgan bir sistemden her zaman daha değerlidir.