TAHSİLDAR: Tahsilat Operasyonlarında Yeni Bir Dönem
Sesli yapay zekâda başarı, yalnızca doğal ve akıcı bir konuşma deneyimi sunmakla sınırlı değil. Asıl değer, gerçek operasyonların karmaşıklığını yönetebilmek, iş süreçlerini uçtan uca desteklemek ve ölçülebilir sonuçlar üretmekle ortaya çıkıyor. CBOT olarak geliştirdiğimiz sesli dijital çalışanımız TAHSİLDAR ile tahsilat süreçlerine yalnızca teknolojik değil, operasyonel bir bakış açısıyla yaklaşıyoruz. Yıllara dayanan sektör deneyimimizi, geliştirdiğimiz ses teknolojilerini ve gerçek operasyonlardan edindiğimiz bilgi birikimini bir araya getirerek güvenli, verimli ve sürdürülebilir bir tahsilat deneyimi sunmayı hedefliyoruz.
Saat 10.24. Aynı tahsilat listesinden yedi farklı müşteri aranıyor. Bir müşteri telefonu kendisi açıyor, bir diğerinin eşi yanıtlıyor. Başka biri daha sonra aranmak istiyor. Bir müşteri İngilizce konuşmaya başlıyor, bir diğeri ödeme yapamayacağını belirtiyor. Bazıları yapılandırma talep ederken bazıları yalnızca daha önce görüştükleri temsilciyle iletişim kurmak istiyor.
Operasyonel açıdan bu görüşmelerin tamamı aynı kategoride değerlendiriliyor: tahsilat araması. Ancak her biri farklı bir iletişim yaklaşımı, karar mekanizması ve süreç yönetimi gerektiriyor.
Tahsilat süreçleri, belirli adımları takip ettiği düşüncesiyle otomasyona uygun alanların başında görülüyor. Oysa CBOT olarak finans sektöründe edindiğimiz deneyimler bize farklı bir gerçeği gösteriyor: Tahsilat, yapay zekânın en kapsamlı operasyonel sınavlarından biri.
Çünkü tek bir görüşmede dört kritik yetkinlik aynı anda değerlendiriliyor: Beklenmedik durumları yönetebilmek, görüşmeyi somut bir iş sonucuna dönüştürmek, müşteri güvenini korumak ve tüm bunları sürdürülebilir bir maliyetle gerçekleştirmek.
Demodan Gerçek Operasyona: Yapay Zekânın Sınavı
CBOT CEO'su Mete Aktaş'ın sıkça vurguladığı bir tespit var:
"Piyasa şu an demolarla dolu, yaralarla değil."
Bu ifade, üretken yapay zekâ uygulamalarının kurumsal hayata geçişindeki temel farkı ortaya koyuyor. Kontrollü koşullarda başarılı sonuçlar üreten bir sistemin gerçek operasyonların karmaşıklığını aynı başarıyla yönetebilmesi, çok daha kapsamlı bir teknoloji ve süreç tasarımı gerektiriyor.
Bir tahsilat demosunda müşteri telefonu açıyor, borcunu doğruluyor ve ödeme tarihi paylaşıyor. Gerçek operasyonlarda ise görüşmeler çoğu zaman bu kadar öngörülebilir ilerlemiyor.
CBOT olarak TAHSİLDAR'ı geliştirirken bu gerçekliği tasarımın merkezine aldık. Görüşme süreçlerini yalnızca doğrusal diyalog akışları olarak değil, farklı senaryoları ve kararları kapsayan bütünsel bir yapı olarak ele aldık.
Bu yaklaşım sonucunda 61 karar noktası, 111 geçiş ve 20 olası sonuçtan oluşan kapsamlı bir görüşme mimarisi geliştirdik.
Mimari, standart tahsilat senaryolarının ötesine geçiyor. Yakınını kaybettiğini belirten bir müşteri, borçlunun vefat haberini paylaşan bir aile üyesi, hastanede bulunan bir kişi veya ödemesini maaş gününe göre planlamak isteyen bir çalışan, farklı iş kuralları ve iletişim yaklaşımları gerektiriyor.
Örneğin Türkiye'de sık karşılaşılan "Maaşım yatınca öderim" yanıtı, sistem açısından kesin bir ödeme taahhüdü anlamına gelmiyor. Öncelikle maaş tarihinin netleştirilmesi, ardından ödeme planının bu bilgiye göre oluşturulması gerekiyor.
Bu nedenle TAHSİLDAR'ın karar mekanizmasını yalnızca ne söylemesi gerektiğine değil, hangi koşullarda hangi işlemleri gerçekleştirmemesi gerektiğine göre de tasarladık.
Kimlik doğrulaması tamamlanmadan borç bilgisi paylaşılmıyor. Yasal bilgilendirmeler atlanmıyor. Belirsiz ifadeler açık onay olarak değerlendirilmiyor. Ödeme yapamayacağını belirten müşteriye, kurumun belirlediği sınırlar dışında tekrar teklif sunulmuyor. İletişim kurulmasını istemeyen müşterinin tercihi kayıt altına alınıyor.
Bu kurallar sistemin sonradan eklenen güvenlik önlemleri değil, temel tasarım ilkeleri arasında yer alıyor.
Ayrıca kurumlar, yapay zekâ yönetişimi kapsamında her işlem için dijital çalışanın yetki seviyesini belirleyebiliyor. Dijital çalışan işlemi bağımsız olarak tamamlayabiliyor, yetkili onayı bekleyebiliyor veya süreci ilgili ekibe aktarabiliyor.
Böylece karar ve kontrol mekanizmaları kurumun belirlediği iş kuralları çerçevesinde yönetiliyor.
Konuşma Kalitesinden Operasyonel Verimliliğe
Sesli yapay zekâ sistemleri değerlendirilirken genellikle doğal konuşma, yanıt doğruluğu ve düşük gecikme süresi öne çıkıyor. Ancak kurumsal ölçekte başarı için bu kriterler tek başına yeterli değil.
Asıl değer, görüşme tamamlandıktan sonra iş süreçlerinde oluşan somut sonuçlarla ortaya çıkıyor.
Bir sesli dijital çalışanın başarısı, yalnızca görüşmeyi nasıl yönettiğiyle değil, görüşme sonrasında hangi işlemleri tamamladığıyla da ölçülmeli.
TAHSİLDAR'ı bu anlayışla, görüşme öncesi hazırlıklardan görüşme sonrası işlemlere kadar tahsilat sürecini uçtan uca destekleyecek şekilde geliştirdik.
Arama listelerinin yönetimi
Aranacak müşteri bilgileri doğrudan tahsilat sisteminden alınıyor. Arama sıklığı, zamanlaması ve önceliklendirme kurumun belirlediği kurallara göre yönetiliyor.
Görüşme sonuçlarının kaydedilmesi
Görüşme sonucunda alınan ödeme taahhütleri, ödeme planları ve diğer bilgiler yapılandırılmış veri olarak tahsilat sistemine aktarılıyor. Böylece bilgiler yalnızca görüşme notu olarak kalmıyor, operasyonel süreçlerde kullanılabilir hale geliyor.
Geri arama planlaması
Müşterinin talep ettiği geri arama zamanı, kurumun iletişim kurallarıyla karşılaştırılıyor. İşlem sistemde başarıyla tamamlanmadan müşteriye geri arama kaydının oluşturulduğu bilgisi verilmiyor.
İnsan temsilciye bağlamıyla devir
Yapılandırma talepleri, itirazlar veya canlı temsilci gerektiren durumlarda görüşme ilgili ekibe aktarılıyor. Temsilcinin ekranında görüşme dökümü, tespit edilen müşteri niyeti, toplanan bilgiler, devir nedeni ve görüşme özeti yer alıyor.
Devir sonrasında da yapay zekâ, temsilciye destek vermeyi sürdürüyor. Görüşmeleri özetliyor, yanıt önerileri sunuyor ve sonraki adımları hatırlatıyor. Nihai karar ve kontrol yetkisi ise temsilcide kalıyor.
Kanallar arasında kesintisiz iletişim
Görüşme gerektiğinde farklı bir dilde veya WhatsApp gibi yazılı kanallarda sürdürülebiliyor. Müşterinin daha önce paylaştığı bilgiler ve görüşmenin bağlamı kanallar arasında korunuyor.
Bu yaklaşım, çok kanallı müşteri iletişimini yalnızca farklı kanalların kullanıldığı bir yapı olmaktan çıkararak bütünleşik bir deneyime dönüştürüyor.
TAHSİLDAR, mevcut santral ve IVR altyapılarıyla SIP ve MRCP üzerinden, arka planda ise CRM, çekirdek bankacılık ve tahsilat sistemleriyle entegre çalışabiliyor. Dijital çalışanın veri erişimi rolüne göre sınırlandırılırken görüşmeler izlenebilir ve denetlenebilir biçimde kayıt altına alınıyor.
Sesli Yapay Zekâda Güvenliğin Yeni Boyutu
Tahsilat görüşmelerinde güven, iletişimin en kritik unsurlarından biri. Müşterinin kendisini arayan kurumdan emin olması ve paylaştığı bilgilerin güvenliğini bilmesi, görüşmenin sağlıklı ilerlemesi açısından büyük önem taşıyor.
Üretken yapay zekâ teknolojilerinin gelişmesiyle birlikte sesin gerçekçi biçimde sentezlenebilmesi, kurumlara yeni olanaklar sunarken veri güvenliği ve dijital kimlik yönetimi açısından yeni sorumluluklar da getiriyor.
Özellikle deepfake teknolojilerinin gelişmesi, sesin tek başına güvenilir bir kimlik doğrulama unsuru olarak değerlendirilmesini zorlaştırıyor.
Bu nedenle kurumsal ses teknolojilerini yalnızca müşteri deneyimini geliştiren bir araç olarak değil, güvenli biçimde yönetilmesi gereken bir dijital varlık olarak ele alıyoruz.
CBOT olarak sesli yapay zekâ mimarimizi geliştirirken üç temel soruya odaklanıyoruz: Ses verisi nerede tutuluyor, modeller hangi altyapıda çalışıyor ve kurumun ses teknolojileri kimlerin kontrolünde bulunuyor?
Kurum içi kurulum seçenekleri
Platformumuz; dil modeli, konuşma tanıma, ses sentezi, kurumsal bilgi yönetimi, iş akışları ve analitik bileşenleri dahil olmak üzere tamamen kurum içi altyapıda çalışabiliyor.
Böylece hassas müşteri verilerinin kurumun belirlediği güvenlik sınırları içerisinde işlenmesi sağlanabiliyor. Bulut ve hibrit mimarilerde ise altyapı tercihleri, kurumun veri güvenliği gereksinimlerine ve operasyonel ihtiyaçlarına göre şekillendiriliyor.
Kendi geliştirdiğimiz ses teknolojileri
CBOT olarak konuşma tanıma ve ses sentezi motorlarımızı kendi Ar-Ge yetkinliklerimizle geliştiriyoruz.
Bu yaklaşım, Türkçenin telaffuz, vurgu ve yerel ağız özellikleri üzerinde doğrudan çalışabilmemizi sağlıyor. Aynı zamanda ses verisinin kurum dışına aktarılmasını gerektirmeyen mimariler oluşturabiliyor ve gecikme sürelerini kurumun altyapısına göre optimize edebiliyoruz.
Kurumsal ses kimliğinin yönetimi
Kuruma özel ses geliştirme ve ses klonlama yeteneklerini de aynı güvenlik yaklaşımıyla ele alıyoruz.
Ses üretiminde açık rıza esas alınıyor. Ses profilleri kurumun onayladığı ortamlarda saklanıyor. Kullanım yetkileri rol bazlı tanımlanıyor ve değişiklikler kayıt altına alınıyor.
Bu yaklaşım özellikle bankacılık, finans ve kişisel veri güvenliğinin kritik olduğu sektörlerde, sesli yapay zekâ uygulamalarının kurumsal yönetişim gereksinimleriyle uyumlu biçimde hayata geçirilmesini destekliyor.
Güvenliğin temelinde yalnızca riskleri önlemek değil, riskleri izlenebilir ve yönetilebilir hale getirmek de bulunuyor.
GPU Optimizasyonu ve Sürdürülebilir Maliyet Yönetimi
Sesli yapay zekâ sistemlerinin kurum içi altyapıda çalıştırılması, veri üzerinde daha fazla kontrol sağlarken hesaplama kaynaklarının etkin yönetilmesini de gerektiriyor.
Özellikle yüksek görüşme hacmine sahip operasyonlarda GPU kapasitesi, toplam sahip olma maliyetinin önemli bileşenlerinden biri haline geliyor.
Tahsilat operasyonları bu açıdan dikkat çekici bir örnek. Görüşme hacimleri ay boyunca sabit ilerlemiyor. Vade günleri ve ay sonu gibi dönemlerde artan talep, altyapı kapasitesinin esnek biçimde yönetilmesini gerektiriyor.
Kapasitenin yalnızca en yüksek talebe göre sabitlenmesi ise diğer dönemlerde kaynakların verimsiz kullanılmasına neden olabiliyor.
Bu nedenle GPU optimizasyonunu yalnızca teknik performans konusu olarak değil, doğrudan operasyonel verimlilik ve maliyet yönetiminin bir parçası olarak görüyoruz.
Kurulduğumuz günden bu yana Ar-Ge odaklı bir teknoloji şirketi olarak faaliyet gösteriyoruz. Üniversite iş birlikleri, TÜBİTAK destekli çalışmalar ve Avrupa Birliği projeleriyle geliştirdiğimiz Ar-Ge yetkinliklerimizin önemli odak alanlarından biri, verimli çıkarım (inference) ve hesaplama kaynaklarının optimizasyonu.
Bu kapsamda farklı teknik yaklaşımları birlikte değerlendiriyoruz.
İşe uygun model seçimi
Her işlem için en büyük modeli kullanmak yerine, görevin gerektirdiği kapasiteye uygun modelleri tercih ediyoruz. CBOT LLM gibi hem GPU hem de CPU üzerinde çalışabilen modeller, altyapı planlamasında esneklik sağlıyor.
İş yüklerinin ayrıştırılması
GPU gerektiren işlemlerle daha düşük hesaplama kapasitesine ihtiyaç duyan işlemleri birbirinden ayırıyoruz.
Bağımsız ölçekleme
Konuşma tanıma, ses sentezi ve dil modeli bileşenlerini ayrı ayrı ölçekleyebilen mimariler geliştiriyoruz. Böylece talep artışında yalnızca ihtiyaç duyulan servislerin kapasitesi artırılabiliyor.
Hazır kapasite yönetimi
Yoğun dönemlerde yeni kapasitenin devreye alınması sırasında oluşabilecek gecikmeleri azaltmaya yönelik yöntemler uyguluyoruz.
Performansın izlenmesi
İlk yanıt süresi, kuyruk yoğunluğu ve GPU kullanımı gibi kritik altyapı göstergelerini izleyerek sistem performansını değerlendiriyoruz.
Burada her kurum için geçerli tek bir altyapı modeli bulunmuyor. Kapasite planlamasını arama hacmi, eş zamanlı görüşme sayısı, gecikme hedefleri ve veri güvenliği gereksinimlerine göre gerçekleştiriyoruz.
Başarıyı Görüşme Sayısıyla Değil, Sonuçlarla Ölçmek
Tahsilat operasyonlarında yapay zekânın başarısını değerlendirirken yalnızca gerçekleştirilen arama sayısına veya alınan ödeme taahhütlerine bakmak yeterli değil.
Önemli olan, görüşmelerin ne ölçüde gerçek ödeme sonuçlarına dönüştüğü.
Örneğin yüksek ödeme taahhüdü oranı, taahhütlerin önemli bir bölümü yerine getirilmiyorsa tek başına başarılı bir performansa işaret etmiyor.
Bu nedenle performans ölçümünde birden fazla göstergeyi birlikte değerlendiriyoruz.
Ödeme taahhüdü oranını, yerine getirilen taahhüt oranıyla karşılaştırıyoruz. Doğru kişiye erişim oranını izleyerek müşteri verilerinin kalitesini değerlendiriyoruz. Gerçekleşen ödemeleri görüşme sonrasındaki 1, 3, 7 ve 30 günlük dönemlerde takip ediyoruz.
Yapay zekânın gerçek katkısını anlamak için benzer risk profillerine sahip müşteri gruplarıyla kontrollü karşılaştırmalar yapılmasını önemsiyoruz.
Bu nedenle her kurum için önceden belirlenmiş tek bir başarı oranı sunmak yerine, performansın kurumun kendi verileri ve operasyonel hedefleri üzerinden ölçülmesi gerektiğini savunuyoruz.
Sürdürülebilir başarı, daha fazla görüşme gerçekleştirmekten çok, daha fazla görüşmeyi doğru ve ölçülebilir iş sonuçlarına dönüştürebilmekle mümkün.
Yöneticilerin Sorması Gereken Altı Kritik Soru
Tahsilat operasyonlarında sesli yapay zekâ kullanımını değerlendiren yöneticiler için teknoloji seçimi kadar operasyonel hazırlık da önem taşıyor.
Bu nedenle bir dijital çalışanı devreye almadan önce altı temel sorunun yanıtlanmasını öneriyoruz:
- Senaryo yönetimi: Görüşmelerin hangi koşullarda farklı yönlere ilerleyeceği ve her durumda uygulanacak iş kuralları tanımlandı mı?
- Süreç entegrasyonu: Görüşme tamamlandığında hangi bilgiler ve işlemler mevcut sistemlere aktarılıyor?
- İnsan temsilciye devir: Devir gerektiğinde temsilci hangi bilgilere erişebiliyor ve görüşmenin bağlamı korunuyor mu?
- Veri güvenliği: Ses verileri, yapay zekâ modelleri ve kurumsal ses profilleri nerede tutuluyor, nasıl yönetiliyor?
- Altyapı verimliliği: Yoğun dönemlerde ihtiyaç duyulan kapasite nasıl planlanıyor ve maliyetler nasıl optimize ediliyor?
- Performans ölçümü: Başarı yalnızca görüşme sayısıyla mı, yoksa gerçekleşen ödemeler ve yerine getirilen taahhütlerle mi değerlendiriliyor?
Bu sorular, yalnızca tahsilat süreçleri için değil, farklı sektörlerde hayata geçirilen kurumsal yapay zekâ projeleri için de önemli bir değerlendirme çerçevesi sunuyor.
Sonuç: Gerçek Değer Sahada Ortaya Çıkıyor
CBOT olarak 2017'den bu yana kurumsal yapay zekâ teknolojileri geliştiriyoruz. Bugün 15'i banka olmak üzere 40'tan fazla finans kurumuyla çalışıyoruz. Türkiye'de bankacılık sektörüne yapay zekâ altyapısı sağlayan şirketler arasında yüzde 80'in üzerindeki pazar payımız ve 2025 yılı sonunda ulaştığımız 26.000 aktif dijital çalışan, bu alandaki deneyimimizin ölçeğini ortaya koyuyor.
TAHSİLDAR, finans sektöründe yıllar boyunca edindiğimiz operasyonel deneyimin, geliştirdiğimiz teknolojilerin ve gerçek kullanım senaryolarından öğrendiklerimizin bir sonucu.
Bu deneyim bize önemli bir gerçeği gösteriyor: Kurumsal yapay zekâda başarı, yalnızca gelişmiş bir model kullanmakla değil, teknolojiyi kurumun gerçek iş süreçlerine güvenilir biçimde entegre edebilmekle mümkün.
Sesli dijital çalışanların geleceğini de bu yaklaşım şekillendiriyor. Doğru yanıtlar üreten, iş süreçlerini uçtan uca yöneten, gerektiğinde insan temsilciyle birlikte çalışan, veri güvenliğini koruyan ve tüm bunları sürdürülebilir maliyetlerle gerçekleştiren sistemler ön plana çıkıyor.
TAHSİLDAR ile hedefimiz, bu yetkinlikleri tahsilat operasyonlarının gerçek ihtiyaçlarıyla bir araya getirmek.
Çünkü yapay zekânın gerçek değeri, bir demoda neler yapabildiğinden çok, sahada hangi sonuçları üretebildiğiyle ortaya çıkıyor.