Yapay zekâ müşteri desteği — üretim kalitesinde ticket otomasyonu için Claude + Kunavo

Müşteri desteği neden en yüksek yatırım getirili yapay zekâ uygulamasıdır?

Bunu üç sayı açıklar. İnsan tarafından ele alınan ortalama talep: yaklaşık 5 dakika, tüm maliyetler dâhil $1,50-3. İnsan tarafından incelenen ortalama yapay zekâ taslağı: yaklaşık 1 dakika, API maliyeti $0,01-0,05. Tamamen yapay zekâ tarafından çözülen ortalama talep (insan yok): yaklaşık 30 saniye, $0,01. Sınıflandırma ve taslak oluşturma istemini doğru ayarladığınızda kalite aynı kalırken maliyet 30-150 kat azalır.

Önemli nokta şu: birinci seviye, sık gelen talepler yapay zekâyla çok iyi çalışır; karmaşık talepler insan gerektirir. Aşağıdaki mimari akıllı yönlendirme yapar — ucuz model sınıflandırır, pahalı model yalnızca gerekli vakalar için taslak oluşturur, yükseltme kuralları zor vakaları insan kuyruğuna gönderir.

Dört adımda mimari

1. Sınıflandır — Claude Haiku 4.5; kategori + öncelik + duygu döndürür (JSON)
2. Getir — bilgi tabanınızdan en alakalı ilk 5 belgeyi çekin (RAG kılavuzunu kullanın)
3. Taslak oluştur — Claude Sonnet 5, bilgi tabanı bağlamı ve ton yönergelerini kullanarak yanıt yazar
4. Yönlendir — öncelik=düşük ve güven yüksekse otomatik gönderin; aksi hâlde insan temsilcisine tek tıkla onaylama/düzenleme için gönderin

import json
from openai import OpenAI
client = OpenAI(api_key="sk-kn-...", base_url="https://api.kunavo.com/v1")

# Claude enforces a json_schema response_format; json_object it does not.
TICKET = {
    "type": "object",
    "properties": {
        "category": {"type": "string",
                     "enum": ["billing", "shipping", "account", "technical", "other"]},
        "priority": {"type": "string", "enum": ["low", "normal", "urgent"]},
        "sentiment": {"type": "string", "enum": ["negative", "neutral", "positive"]},
    },
    "required": ["category", "priority", "sentiment"],
    "additionalProperties": False,
}

# 1) Classify the ticket (cheap model)
def classify(text: str) -> dict:
    resp = client.chat.completions.create(
        model="claude-haiku-4-5",
        messages=[
            {"role": "system", "content": "Classify this support ticket."},
            {"role": "user", "content": text},
        ],
        response_format={"type": "json_schema",
                         "json_schema": {"name": "ticket", "schema": TICKET}},
        max_tokens=200,
    )
    return json.loads(resp.choices[0].message.content)

# 2) Draft a response (better model)
def draft(ticket: str, kb_context: list[str], guidelines: str) -> str:
    resp = client.chat.completions.create(
        model="claude-sonnet-5",
        messages=[
            {"role": "system", "content": [{
                "type": "text",
                "text": guidelines,  # tone, policy, escalation rules
                "cache_control": {"type": "ephemeral"},
            }]},
            {"role": "user", "content": (
                f"# Knowledge base\n{chr(10).join(kb_context)}\n\n"
                f"# Customer message\n{ticket}\n\n"
                "Draft a reply. Be specific, cite the KB doc id."
            )},
        ],
        max_tokens=500,
    )
    return resp.choices[0].message.content

Gerçek maliyet projeksiyonu

• Günde 100 talep, sınıflandırma + taslak + önbellekleme: talep başına yaklaşık $0,02 × 100 = ayda yaklaşık $60
• Günde 1.000 talep: ayda yaklaşık $600 — tipik Batı birinci seviye ücretlerinde yaklaşık 3 tam zamanlı temsilcinin yerini alır
• Günde 10.000 talep (büyük e-ticaret): ayda yaklaşık $6.000 — 30 veya daha fazla temsilcinin yerini alır

Bunlar prompt önbellekleme açıkken geçerlidir (sistem istemi sabittir; bilgi tabanı bağlamı talebe göre değişir). Prompt önbellekleme nasıl çalışır? — günde 100 talepte aylık $60 ile $200 arasındaki farkı açıklar.

Kaçınılması gereken anti-pattern'ler

• Yüksek riskli yanıtları otomatik göndermek (iadeler, hesap değişiklikleri, şikâyetler) insan incelemesi olmadan yapılmamalıdır. Tek bir kötü otomatik yanıtın itibar riski, tüm verimlilik kazanımlarını aşar.
• Anahtar sözcükle yönlendirmek yerine LLM sınıflandırması kullanın — kullanıcılar ifadelerini değiştirdiği anda anahtar sözcük yönlendirmesi bozulur; LLM sınıflandırması yeniden ifade edilmiş cümleleri kolayca işler.
• Birinci seviye için şişirilmiş beklentiler — yapay zekâ tekrarları ve yaygın soruları ele alır; “tek sipariş için 3 kez ücret alındı ve sohbet robotunuz sürekli desteğe başvurun diyor” gibi durumları değil. Temiz bir insan desteğine geçiş yolu bırakın.

6. ayda iyi sonuç nasıl görünür?

• Gelen taleplerin %60-80'i insan müdahalesi olmadan (yapay zekâ + bilgi tabanı) çözülür.
• Kalan %20-40'ı yapay zekâ tarafından taslak hâline getirilir, insanlarca incelenip talep başına yaklaşık 1 dakikada gönderilir.
• İnsan ekibi uç vakalara ve bilgi tabanını geliştirmeye odaklanır.
• Net maliyet: yapay zekâ öncesine göre %70-85 daha düşük; müşteri memnuniyeti çoğu zaman daha yüksektir (daha hızlı yanıtlar).

Yerel ayar hususları

Müşterileri birden fazla dilde destekliyorsanız Claude Sonnet 5 yaklaşık 30 dili iyi işler. Özellikle Korece için (resmî hitap düzeyleri önemlidir) Kore çağrı merkezi otomasyonu hakkındaki kapsamlı incelememize bakın. Japonca, Çince, Almanca ve Fransızca için aynı yöntemi kullanın; önbelleğe alınan sistem istemine dile özgü yönergeler ekleyin.

30 dakikada başlayın

1. /app/signup adresinden kaydolun — $10 yüklemeyle kullanıldıkça ödeyin.
2. Bilgi tabanınızı pgvector + text-embedding-3-large'a bağlayın; embedding işlemini doğrudan OpenAI'ye yaptırın — Kunavo embedding adımını değil, oluşturma adımını sunar.
3. Yukarıdaki sınıflandırma + taslak kod parçacığını bilet sisteminize bağlayın (Intercom, Zendesk ve Freshdesk'in tümünde webhook giriş noktaları vardır).
4. “Taslak modu” ile başlayın — her yanıtı insanlar onaylasın. 100 yanıt doğru biçimde incelendikten sonra düşük öncelikli kategoriler için otomatik göndermeyi etkinleştirin.

SSS