Kalite, Uyum ve Gizlilik: Yanlış Bilgi Vermeme

Kazanimlar:

• Fiyat, taahhüt ve politika konularında yanlış bilgi riskini azaltan güvenli sınırlar kurabilme
• Müşteri kişisel verisini koruyan (KVKK uyumlu) güvenli prompt ve süreç tasarlayabilme
• İnsan onayı ve denetim içeren bir kalite güvence (QA) döngüsü kurabilme

Müşteriyle temas eden yapay zeka (AI), bir işletme için hem büyük fırsat hem büyük risktir. Bir pazarlama metnindeki hata düzeltilebilir; ama bir müşteriye verilen yanlış fiyat, yanlış politika bilgisi veya tutulamayacak bir taahhüt doğrudan güven kaybı, maddi zarar ve hukuki sorun demektir. "Bot söyledi" savunması sizi kurtarmaz; müşteriye karşı sorumluluk şirketindir.

Bu son ünitede, önceki 11 ünitede öğrendiğiniz her şeyi güvenli hale getiren bir çerçeve kuruyoruz. Üç sütun üzerine oturur: doğruluk (yanlış bilgi vermeme), gizlilik (kişisel veriyi koruma) ve denetim (insan onayı). Bu üçü, AI'yı bir risk kaynağından güvenilir bir iş aracına dönüştüren güvenlik kemeridir.

Not: Bu ünite genel bir çerçeve sunar. Kendi sektörünüzün düzenlemeleri (tüketici hakları, KVKK, ticari ileti kuralları) ek yükümlülükler getirebilir; nihai uyum sorumluluğu kurumunuzdadır.

Üç Risk, Üç Sütun

• Yanlış bilgi (halüsinasyon): Model, fiyat/politika/taahhüt uydurur. Sütun: doğrulanmış kaynak + insan onayı.
• Gizlilik ihlali: Müşteri kişisel verisi (ad, telefon, TC, ödeme) güvencesiz araca girer. Sütun: maskeleme + onaylı araç (KVKK uyumu).
• Yetki aşımı: Bot/temsilci, veremeyeceği bir söz verir (indirim, kesin tarih, garanti). Sütun: net yetki sınırları + guardrail.

Her müşteri temaslı AI akışı bu üç riski aynı anda yönetmek zorundadır.

Yanlış Bilgi Vermeme: Doğruluk Katmanı

Doğruluğun altın kuralı: kritik bilgi (fiyat, politika, taahhüt) modelin ezberinden değil, doğrulanmış bir kaynaktan gelir (RAG ünitesini hatırlayın) ve emin olunmayanda model susup devreder. "Emin ol ya da devret" prensibi, yanlış bilgiyi kaynağında keser.

Adım Adım: Güvenli Bir Kalite Döngüsü (QA)

1. Riske göre sınıflandırın. Yanıt düşük riskli mi (genel bilgi) yoksa yüksek riskli mi (fiyat, taahhüt, iade tutarı)?
2. Yüksek riskliye insan kapısı koyun. Bu yanıtlar gönderilmeden önce insan onayı gerektirir.
3. Kaynağa bağlayın. Kritik bilgi doğrulanmış belgeye dayansın, uydurma olmasın.
4. Kişisel veriyi maskeleyin. Gerekli değilse girmeyin; gerekliyse anonimleştirin.
5. Örnekleme ile denetleyin. Otomatik giden yanıtların bir kısmını düzenli olarak insan denetler.
6. Geri besleyin. Hataları toplayıp prompt ve guardrail'leri güncelleyin.

Kopyalanabilir Promptlar

Yanıtı göndermeden önce risk taraması yapan prompt:

Bu müşteri yanıtını göndermeden önce denetle ve işaretle:- Doğrulanmamış FİYAT, oran veya tutar var mı?- Politika/kural iddiası kaynağa dayanıyor mu, yoksa uydurma olabilir mi?- Yetki aşan TAAHHÜT (kesin tarih, garanti, indirim) var mı?- Kişisel veri (ad, telefon, TC, adres, ödeme) gereksiz yere yer alıyor mu?Her bulguyu "yüksek/orta/düşük risk" etiketiyle ve düzeltme öneriyle listele.Yanıt: {{ yanit }}

Kişisel veriyi maskeleyen prompt (araca girmeden önce):

Aşağıdaki metinde geçen kişisel verileri maskele: ad-soyad -> [AD], telefon-> [TELEFON], e-posta -> [EPOSTA], TC/kimlik -> [KIMLIK], adres -> [ADRES],kart/ödeme -> [ODEME]. Anlamı ve sorunun teknik detayını koru. Metin: {{ metin }}

Yüksek riskli konuları insana yönlendiren guardrail promptu:

Şu konularda ASLA kendi başına yanıt üretme; bunun yerine "bunu bir yetkiliyeaktarıyorum" de: kesin fiyat/indirim, sözleşme/iade tutarı anlaşmazlığı,hukuki/tıbbi/finansal tavsiye, kişisel veri değişikliği, güvenlik/dolandırıcılıkşüphesi. Bu liste dışındaki genel bilgi sorularını yanıtlayabilirsin.

Düzenli kalite denetimi (QA) için örnekleme promptu:

Aşağıda son X yanıttan rastgele 10 tanesi var. Her biri için değerlendir:doğruluk (kaynağa uygun mu), ton (empatik/uygun mu), uyum (yetki aşımı/kişiselveri sızıntısı var mı). Sorunlu olanları önem sırasına koy ve tekrar edenhata kalıbını (ör. "sürekli teslim tarihi uyduruyor") tek cümleyle özetle.Yanıtlar: {{ ornekler }}

Zayıf Yaklaşım / Güçlü Yaklaşım

Zayıf yaklaşım

Güçlü yaklaşım

Tüm yanıtları onaysız göndermek

Yüksek riskliye insan onay kapısı

Fiyat/politikayı modele uydurtmak

Doğrulanmış kaynağa bağlamak

Kişisel veriyi olduğu gibi araca girmek

Maskeleyip onaylı araç kullanmak

Hata çıkınca tek tek düzeltmek

Denetim + geri besleme ile kök nedeni kapatmak

Fark, güçlü yaklaşımın hatayı "çıkınca düzelten" değil, "çıkmadan önleyen" bir sistem kurmasıdır.

Üç Mini Vaka

Vaka 1 — Uydurulan iade tutarı. Bir bot, "Ürününüzün iadesinde 850 TL geri alırsınız" dedi; oysa gerçek tutar farklıydı ve bot bunu bilemezdi. Risk tarama promptu, önceki testlerde bu tür "doğrulanmamış tutar" çıktılarını yakalamıştı. Ekip, tutar içeren tüm yanıtları insan onay kapısına bağladı; bir daha yanlış bir iade rakamı müşteriye gitmedi.

Vaka 2 — Maskeleme gizliliği korudu. Bir temsilci, müşterinin ad, telefon ve sipariş bilgisini içeren uzun bir şikayeti özetletmek istedi. Maskeleme promptunu önce çalıştırdı; kişisel alanlar [AD], [TELEFON] etiketlerine dönüştü. Özet aynı kalitede çıktı ama hiçbir kişisel veri gereksiz yere araca girmedi; KVKK açısından güvenli bir akış oluştu.

Vaka 3 — Denetim kök nedeni buldu. Aylık QA örneklemesinde AI, tekrar eden bir kalıp yakaladı: bot, "ne zaman gelir?" sorularında sürekli kendi kafasından teslim tarihi uyduruyordu. Bu tekil bir hata değil, bir kök nedendi. Ekip, teslim tarihi konusunu guardrail'e ekleyip "yalnızca sistemdeki tarihi aktar, yoksa devret" kuralı koydu. Tek bir düzeltme, onlarca gelecekteki hatayı önledi.

İpucu: "Yüksek riskli" listesini kısa ve net tutun; ama içinde mutlaka şunlar olsun: para (fiyat, iade, indirim), zaman (kesin teslim taahhüdü), politika istisnaları ve kişisel veri değişikliği. Bu dört alan, müşteri temaslı AI'da en sık ve en pahalı hataların çıktığı yerlerdir.

Sorumluluk Nerede Durur?

En önemli ilke en sonda: AI bir hız ve kalite çarpanıdır, sorumluluk sahibi değildir. Müşteriye giden her söz, her fiyat, her taahhüt hukuken ve ticari olarak şirketi bağlar. Bu yüzden AI "karar veren" değil, "taslak üreten ve bilgi aktaran" konumda tutulur; kritik kararlarda insan onayı bir lüks değil, bir zorunluluktur. İyi kurulmuş bir sistemde AI %90 rutini halleder, insan %10 kritik kararı ve tüm sorumluluğu taşır.

Dikkat: "Model yeterince gelişince insan denetimine gerek kalmaz" düşüncesi tehlikelidir. Model ne kadar iyi olursa olsun, nadir de olsa emin bir tonla yanlış üretebilir; ve müşteri temaslı işte tek bir yanlış fiyat ya da taahhüt yeter. İnsan onay kapısı, hızdan feragat değil, güvenin bedelidir.

Sık yapılan hatalar

• Yüksek riskli (fiyat, taahhüt, iade) yanıtları insan onayı olmadan göndermek.
• Kritik bilgiyi doğrulanmış kaynağa bağlamayıp modelin ezberine güvenmek.
• Kişisel veriyi maskelemeden güvencesiz araca girmek (KVKK ihlali).
• Guardrail (yüksek riskli konu listesi) tanımlamamak.
• Hataları tek tek düzeltip kök nedeni (prompt/kural) güncellemeyi atlamak.
• Sorumluluğu AI'ya veya araç sağlayıcıya yıktığını sanmak.

Özetle

• Müşteri temaslı AI üç riski aynı anda yönetmelidir: yanlış bilgi, gizlilik ihlali, yetki aşımı.
• Doğruluk için: kritik bilgiyi doğrulanmış kaynağa bağlayın, emin olunmayanda devredin.
• Gizlilik için: kişisel veriyi maskeleyin, yalnızca onaylı ve güvenceli araç kullanın (KVKK).
• Yüksek riskli konuları (para, zaman, politika, kişisel veri) insan onay kapısına bağlayın.
• Hataları örneklemeyle denetleyip kök nedeni kapatın; nihai sorumluluk her zaman insandadır.

Uygulama görevi

Kendi müşteri temaslı akışınız için bir "güvenlik paketi" hazırlayın: (1) yüksek riskli konuların guardrail listesini yazın (en az para, zaman, politika, kişisel veri), (2) bir örnek müşteri yanıtını risk tarama promptundan geçirip bulguları etiketleyin, (3) kişisel veri içeren bir metni maskeleme promptuyla temizleyin, (4) haftalık bir QA örnekleme ritüeli tanımlayın (kaç yanıt, kim denetler, hatalar nereye kaydedilir). Son olarak hangi karar türlerinin asla insan onayı olmadan gitmeyeceğini tek listede toplayın.

Kontrol listesi

• [ ] Yüksek riskli konular için bir guardrail listesi tanımladım.
• [ ] Kritik bilgiyi doğrulanmış kaynağa bağladım.
• [ ] Kişisel veriyi maskeleyip yalnızca onaylı araç kullandım.
• [ ] Yüksek riskli yanıtlara insan onay kapısı koydum.
• [ ] Düzenli QA örneklemesi ve geri besleme döngüsü kurdum.
• [ ] Nihai sorumluluğun insanda olduğunu süreçte netleştirdim.

Modul Sinavi

1. Bir müşteri destek chatbotu için sistem promptu yazarken en kritik unsur hangisidir?

• A) Botun rolünü, kapsamını, sınırlarını ve bilmediğinde insana devretmesini net tanımlamak ✔
• B) Botun mümkün olan her soruya mutlaka bir yanıt vermesini istemek
• C) Sistem promptunu olabildiğince kısa tutup ayrıntı vermemek
• D) Botu her durumda esprili ve samimi yapmak

Aciklama: Botun rolü, kapsamı ve özellikle sınırları (neyi yapamayacağı, ne zaman insana devredeceği) net tanımlanmalıdır. Aksi halde bot, yetkisi olmayan taahhütler verebilir veya bilmediği konuda yanlış bilgi üretebilir.

2. Yapay zeka ile talep (ticket) sınıflandırırken tutarlı ve otomasyona uygun sonuç almanın en iyi yolu nedir?

• A) Her talebi serbest metin olarak, biçim dayatmadan özetletmek
• B) Önceden tanımlı kategoriler, sabit aciliyet seviyeleri ve değişmez bir çıktı formatı vermek ✔
• C) Kategori listesini modele bırakmak, her seferinde kendi bulsun
• D) Talepleri yalnızca uzunluklarına göre sıralamak

Aciklama: Modele önceden tanımlı bir kategori listesi, sabit aciliyet seviyeleri ve değişmez bir çıktı formatı (ör. JSON) vermek, farklı taleplerde tutarlı ve makinece işlenebilir sonuç sağlar. Kategoriyi modele bırakmak her seferinde farklı etiketler üretir.

3. RAG (bilgiye dayalı üretim / Retrieval-Augmented Generation) yaklaşımının temel amacı nedir?

• A) Modelin daha yaratıcı ve özgün cevaplar vermesini sağlamak
• B) Modelin yanıt süresini kısaltmak
• C) Modelin yanıtını, sağlanan güncel ve doğrulanmış kaynak belgelere dayandırmak ✔
• D) Modelin her koşulda internete bağlanmasını zorunlu kılmak

Aciklama: RAG, modelin cevabını kendi ezberinden değil; soru anında getirilen güncel ve doğrulanmış kaynak belgelerden üretmesini sağlar. Bu, doğruluğu artırır ve uydurma bilgiyi (halüsinasyon) büyük ölçüde azaltır.

4. Bilgi tabanından yanıt üretirken, sorunun cevabı verilen kaynaklarda yoksa model ne yapmalıdır?

• A) Genel bilgisinden makul görünen bir tahmin uydurmak
• B) Benzer bir konudaki hazır cevabı kopyalayıp vermek
• C) Soruyu yanıtsız bırakıp sohbeti sessizce kapatmak
• D) Bilgiye sahip olmadığını belirtip müşteriyi doğru kaynağa/yetkiliye yönlendirmek ✔

Aciklama: Model, kaynakta olmayan bilgiyi uydurmamalı; bilgiye sahip olmadığını açıkça belirtip müşteriyi bir yetkiliye veya doğru kaynağa yönlendirmelidir. Bu, yanlış bilgi verme riskini ortadan kaldırır.

5. Öfkeli bir müşteriye destek yanıtı taslağı hazırlarken en doğru yaklaşım nedir?

• A) Doğrudan teknik çözüme geçip duyguyu görmezden gelmek
• B) Müşterinin hatalı olduğunu savunmacı bir dille açıklamak
• C) Yanıtı olabildiğince resmi ve mesafeli tutmak
• D) Önce empatiyle duyguyu tanımak, sonra net bir çözüm veya sonraki adım sunmak ✔

Aciklama: Önce duyguyu tanıyıp empati göstermek, ardından somut çözümü veya sonraki adımı net biçimde sunmak gerekir. Doğrudan teknik çözüme atlamak veya duyguyu yok saymak gerginliği artırır.

6. Bir destek yanıtını e-posta yerine canlı sohbete (chat) uyarlarken en doğru değişiklik hangisidir?

• A) Metni aynen, hiç değiştirmeden sohbete kopyalamak
• B) Metni daha resmi hale getirip imza bloğu ve konu başlığı eklemek
• C) Metni kısaltıp bölerek konuşma temposuna ve tek sonraki adıma uyarlamak ✔
• D) Mümkün olduğunca çok teknik ayrıntıyı tek mesajda vermek

Aciklama: Canlı sohbet kısa, hızlı ve konuşma temposunda ilerler. Uzun e-posta bloklarını; kısa, bölünmüş ve tek bir sonraki adıma odaklı mesajlara dönüştürmek kanala uygundur. Aynı metni kanaldan kanala değiştirmeden taşımak deneyimi bozar.

7. Bir potansiyel müşteriyi (lead) yapay zeka desteğiyle nitelendirirken en sağlıklı yaklaşım hangisidir?

• A) AI çıktısını bir çerçeveye (ICP/BANT) oturtup doğrulanması gereken varsayımları işaretlemek ✔
• B) AI'nın ürettiği tüm bilgileri doğrulamadan CRM'e gerçek olarak işlemek
• C) Nitelendirmeyi yalnızca şirketin çalışan sayısına göre yapmak
• D) Her lead'e aynı genel mesajı gönderip nitelendirmeyi atlamak

Aciklama: AI, kamuya açık bilgilerden yapılandırılmış bir brifing üretebilir; ancak bu çıktı varsayım içerebilir. Nitelendirme sonucunu, doğrulanması gereken varsayımları işaretleyerek ve ICP/BANT gibi bir çerçeveye oturtarak kullanmak doğrudur. Çıktıyı sorgusuz gerçek kabul etmek risklidir.

8. Etkili bir soğuk satış e-postasında (cold email) en önemli ilke hangisidir?

• A) Şirketin tüm özelliklerini ve başarılarını uzun uzun anlatmak
• B) Alıcının sorununa/hedefine odaklanmak, kısa tutmak ve tek net bir CTA vermek ✔
• C) Aynı genel metni olabildiğince çok kişiye göndermek
• D) İlk e-postada hemen ayrıntılı fiyat listesi paylaşmak

Aciklama: Etkili satış e-postası gönderen değil, alıcı odaklıdır: müşterinin bir sorununa veya hedefine değinir, kısa ve kişiselleştirilmiştir ve tek net bir sonraki adım (CTA) içerir. Şirketin tüm özelliklerini sıralamak alıcıyı kaçırır.

9. Yapay zeka ile teklif/öneri metni hazırlarken çıktının ikna gücünü en çok artıran unsur nedir?

• A) Yalnızca teknik özelliklerin uzun bir listesini sıralamak
• B) Teklifi her müşteriye uyacak kadar genel ve belirsiz tutmak
• C) Fiyatı hiç yazmayıp yalnızca övgü cümleleri eklemek
• D) Müşterinin ihtiyaç ve hedeflerine bağlanan fayda odaklı bir anlatım kurmak ✔

Aciklama: Teklifin, müşterinin ihtiyaç ve hedeflerine bağlanan fayda odaklı bir dille yazılması ikna gücünü artırır. Yalnızca teknik özellik listesi sunmak müşteriyi 'bu bana ne kazandırır?' sorusunda yalnız bırakır.

10. Bir satış itirazına ('Fiyatınız çok yüksek') yapay zeka ile yanıt hazırlarken en sağlıklı yaklaşım nedir?

• A) İtirazı görmezden gelip başka bir konuya geçmek
• B) Hemen ve koşulsuz büyük bir indirim teklif etmek
• C) İtirazı tanıyıp değeri/faydayı yeniden çerçeveleyerek müşteriye özgü yanıt vermek ✔
• D) Müşteriyi ürünü anlamamakla suçlamak

Aciklama: İtirazı önce tanımak, ardından değeri/faydayı yeniden çerçevelemek ve müşteriye özgü bir karşılık sunmak etkilidir. Hemen büyük indirim vermek değeri düşürür; itirazı görmezden gelmek güveni zedeler.

11. Görüşme notlarını CRM'e işlerken yapay zekadan beklenen en değerli çıktı hangisidir?

• A) Notları özet, kararlar, sonraki adımlar ve sorumlular olarak yapılandırmak ✔
• B) Notları olduğu gibi, hiç değiştirmeden kopyalamak
• C) Notları yalnızca daha uzun ve süslü hale getirmek
• D) Sadece görüşmenin süresini ve saatini kaydetmek

Aciklama: Dağınık notları; özet, alınan kararlar, sonraki adımlar (aksiyonlar) ve sorumlular gibi yapılandırılmış bir formata dönüştürmek ekibin takip etmesini kolaylaştırır. Notu olduğu gibi kopyalamak veya yalnızca uzatmak değer üretmez.

12. Müşteriyle temas eden bir yapay zeka çıktısında 'yanlış bilgi vermeme' güvencesini sağlamanın en doğru yolu nedir?

• A) Modele tüm yetkiyi verip her taahhüdü tek başına yapmasına izin vermek
• B) Kritik bilgileri doğrulanmış kaynaklarla sınırlamak, emin olmadığında devretmek ve insan onayı katmanı koymak ✔
• C) Hız için tüm kontrolleri kaldırıp çıktıyı doğrudan göndermek
• D) Yanlış bilgi çıkarsa sonradan düzeltmeyi beklemek

Aciklama: Model; fiyat, politika ve taahhüt gibi kritik bilgileri uydurmamalı, yalnızca doğrulanmış kaynaklardan almalı ve emin olmadığında insana devretmelidir. Kritik yanıtlarda bir insan onayı katmanı bulunmalıdır.

13. Bir müşterinin ad, telefon ve sipariş bilgisi içeren şikayetini yapay zeka aracına özetletmek isteyen destek uzmanı ne yapmalıdır?

• A) Bilgiyi olduğu gibi yapıştırıp en hızlı sonucu almak
• B) Metnin sonuna 'gizlidir' ibaresi eklemenin yeterli olduğunu varsaymak
• C) Kişisel verileri maskeleyip anonimleştirmek ve/veya kurumsal güvencesi olan onaylı bir araç kullanmak ✔
• D) Bilgiyi gönderip sonra sohbeti silmenin riski ortadan kaldırdığını düşünmek

Aciklama: Kişisel veri (KVKK kapsamında) gereksiz yere üçüncü taraf araca girilmemelidir. Doğru yaklaşım; kimlik bilgilerini maskeleyip anonimleştirmek ve/veya kurumsal veri güvencesi (veriyi eğitimde kullanmama, saklama politikası) olan onaylı bir araç kullanmaktır.

14. Çok adımlı bir satış takip (follow-up) dizisi tasarlarken en doğru ilke hangisidir?

• A) Aynı hatırlatma mesajını her gün tekrar göndermek
• B) Her mesajda yeni bir değer eklemek ve makul aralıklarla ilerlemek ✔
• C) Yanıt gelene kadar mesaj sıklığını sürekli artırmak
• D) İlk yanıt gelmezse tüm diziyi tek bir uzun e-postaya sığdırmak

Aciklama: Her takip mesajı yeni bir değer (içerik, vaka, farklı açı) ekleyerek ilerlemeli ve makul aralıklarla gönderilmelidir. Aynı 'sadece hatırlatma' mesajını kısa aralıklarla tekrarlamak bunaltıcıdır ve yanıt oranını düşürür.

15. Destek ve satış ekipleri için bir kalite güvence (QA) döngüsü kurarken yapay zekanın rolü ne olmalıdır?

• A) AI taslak üretir; kritik yanıtlar insan tarafından gözden geçirilip onaylanır, sorumluluk insandadır ✔
• B) AI tüm yanıtları onaysız gönderir; insan yalnızca şikayet gelince bakar
• C) AI yeterince gelişmişse insan denetimine hiç gerek kalmaz
• D) Sorumluluk, aracı sağlayan yazılım firmasındadır

Aciklama: AI, yanıt taslağı üretir ve tutarlılığı artırır; ancak müşteriye giden kritik yanıtlar, özellikle fiyat/taahhüt/politika içerenler, bir insan tarafından gözden geçirilip onaylanmalıdır. Nihai sorumluluk her zaman insan ekiptedir.