// Yapay Zeka & Otomasyon — 2026-11-20 — 8 min
Sesli Yapay Zeka Küçük İşletmenin Telefon Trafiğinde Ne İşe Yarar? Speech-to-Text Rehberi
Konuşmayı metne çeviren yapay zeka telefon hattında gerçekte ne yapıyor, nerede insana ihtiyaç kalıyor ve kuruluma ne kadar bütçe ayırmak gerekiyor?
Diş kliniğinin resepsiyonu öğleden sonra ikiyle dört arasında art arda çalıyor: üç hat aynı anda meşgul, resepsiyonist biriyle konuşurken diğer ikisi sinyal verip sesli mesaja düşüyor. Sesli mesaja düşen hastaların önemli bir kısmı geri aramıyor — başka bir klinik arıyor. Aynı tablo berberde, oto tamircide, apartman yönetiminde, küçük bir e-ticaret deposunda da yaşanıyor: telefon trafiği işin büyümesiyle birlikte büyüyor ama resepsiyonist sayısı aynı kalıyor. Sesli yapay zeka — yani konuşmayı metne çeviren (speech-to-text) ve bunun üzerine bir dil modeliyle anlam çıkarıp cevap üreten sistemler — küçük işletmenin telefon trafiğinde gerçekte nerede ve ne kadar işe yarıyor, nerede hâlâ gerçek bir insana ihtiyaç var? Bu yazıda bunu baştan sona, dürüst sayılarla anlatıyorum.
##Sesli Yapay Zeka (Speech-to-Text) Aslında Nasıl Çalışıyor?
Sesli yapay zeka dediğimiz şey tek bir teknoloji değil, art arda çalışan üç ayrı parça. Önce konuşma tanıma (speech-to-text / ASR) gelen sesi gerçek zamanlı olarak metne çeviriyor. Sonra bir dil modeli bu metnin ne istediğini anlıyor — randevu mu almak istiyor, sipariş mi veriyor, yoksa sadece çalışma saatlerini mi soruyor. Son olarak sistem ya doğrudan cevap üretip bunu tekrar sese çeviriyor (text-to-speech) ya da konuşmayı doğru kişiye veya birime yönlendiriyor. Bu üç adımın hepsi saniyenin birkaç onda biri içinde gerçekleşmesi gerekiyor, yoksa karşı taraf hattın ucunda sessizlik duyar ve kapatır — bu yüzden gecikme (latency) bu sistemlerin en kritik mühendislik problemi. İyi kurulmuş bir hat, konuşmanın bitmesinden cevabın başlamasına kadar 500-800 milisaniye civarında kalıyor; bunun üzerine çıktıkça konuşma doğallığını kaybediyor ve arayan kişi 'bir botla mı konuşuyorum' diye tedirgin oluyor. Arka planda genelde bir telefon altyapısı sağlayıcısı (Twilio, Vonage gibi) gelen çağrıyı yakalıyor, ASR motoru (Türkçe için Google, Azure veya özelleşmiş yerel sağlayıcılar) sesi metne çeviriyor, bir LLM niyeti çözüp cevap veya yönlendirme kararı veriyor; hepsi tek bir ürün gibi görünse de aslında birbirine bağlanmış ayrı servisler.
##Hangi İşler İçin Gerçekten İşe Yarıyor?
Sesli yapay zekanın gerçekten para kazandırdığı işler, genelde tahmin edilebilir ve tekrarlayan konuşmalar. Karmaşık, duygusal veya tek seferlik durumlar insana kalmaya devam ediyor. İşe yaradığı yerler şunlar:
- Randevu alma ve değiştirme — klinik, berber, oto servis gibi işlerde takvime bakıp uygun saati sunmak
- Sipariş alma — restoran veya küçük market için menüden ya da standart ürün listesinden sipariş kaydetmek
- Sık sorulan soruları yanıtlamak — çalışma saatleri, adres, fiyat aralığı, stok durumu gibi tekrar eden sorular
- Mesai dışı triage — gece arayan hastayı/müşteriyi dinleyip aciliyete göre ya bilgi vermek ya da sabah geri arama kaydı açmak
- Çağrı yönlendirme — doğru departmana veya kişiye yönlendirip insanın zamanını gereksiz konuşmalardan kurtarmak
Bunun dışında kalan, örneğin bir şikayeti dinleyip tazminat kararı vermek, hassas bir sağlık sorusuna cevap vermek veya pazarlık gerektiren bir anlaşma — hâlâ ve muhtemelen uzun süre insana kalacak işler. Sesli yapay zekanın görevi bu işleri ortadan kaldırmak değil, tekrar eden ve basit olanı önden temizleyip insanın zamanını gerçekten karar gerektiren çağrılara ayırmak.
##Gerçek Bir Senaryo: Bir Diş Kliniğinin Telefon Trafiği
On sandalyeli bir diş kliniğini düşünelim: günde ortalama 70-90 çağrı alıyor, bunların çoğu randevu alma/erteleme ve 'bu ağrı için bugün yer var mı' sorusu. Resepsiyonist aynı anda hem telefonlara bakıyor hem gelen hastayı karşılıyor, bu yüzden günün yoğun saatlerinde çağrıların üçte biri kadarı cevapsız kalıyor. Klinik sesli yapay zekayı mevcut telefon hattının önüne kuruyor: arayan kişi önce sistemle konuşuyor, sistem randevu takvimine bakıp uygun saatleri söylüyor, hasta bir saat seçince bunu doğrudan takvime işliyor ve SMS ile teyit gönderiyor. Eğer konu 'şu an çok ağrım var, bugün gelebilir miyim' gibi aciliyet içeren bir durumsa, sistem bunu anlayıp doğrudan resepsiyoniste aktarıyor — burada insana devretme kararı önceden tanımlanmış kurallarla değil, konuşmanın içeriğine göre LLM tarafından veriliyor. İlk ayda sistem gelen çağrıların yaklaşık üçte ikisini insana hiç düşmeden tamamen kendi başına sonuçlandırıyor; kalan üçte biri ya karmaşık bir durum ya da sistemin kendinden emin olmadığı bir cevap içeriyor ve otomatik olarak resepsiyoniste yönleniyor. Resepsiyonist artık günün büyük kısmını basit randevu trafiğiyle değil, gerçekten karar gerektiren görüşmelerle geçiriyor.
##Nasıl Kurulur? Teknik Taraf
Kurulum genelde dört parçanın bir araya getirilmesiyle oluyor ve bunların hiçbiri sıfırdan yazılmıyor — iş, hazır servisleri doğru bağlamakta:
- Telefon altyapısı: mevcut numara bir sağlayıcıya (Twilio, Vonage) yönlendirilir veya doğrudan o sağlayıcıdan yeni bir numara alınır
- Konuşma tanıma (ASR): gelen sesi gerçek zamanlı metne çeviren servis; Türkçe aksan ve konuşma hızına göre doğruluk değişir
- Niyet/karar katmanı: bir LLM konuşmanın bağlamını, işletmenin kurallarını (hangi saatlerde randevu açık, hangi durumlar insana gider) ve varsa takvim/stok verisini birlikte değerlendirip cevap üretir
- Aksiyon entegrasyonu: randevu sistemine, sipariş yönetimine veya CRM'e yazma yetkisi — bu olmadan sistem sadece bilgi verir, işlem yapamaz
- İnsana devir mekanizması: belirsizlik, öfke tespiti veya belirli anahtar kelimelerde çağrıyı anında ve kaybolmadan canlı bir kişiye aktarma
Bu parçaların her biri ayrı ayrı var olan servisler; zor olan kısım bunları birbirine güvenilir şekilde bağlamak ve işletmenin kendi kurallarını (randevu aralıkları, hangi sorular insana gitsin) sisteme doğru şekilde yazmak. Bir hafta içinde temel bir sürüm ayağa kaldırılabiliyor, ama gerçek doğruluğa — yani sistemin ne zaman kendi başına cevap verip ne zaman devretmesi gerektiğini doğru ayarlamak — birkaç haftalık gerçek çağrı verisiyle ince ayar gerekiyor.
Pratikte çoğu küçük işletme bu beş parçayı sıfırdan birbirine bağlamıyor; piyasada bunları zaten paketleyen hazır sesli ajan platformları var ve kurulum genelde bunlardan birini seçip işletmenin kendi kurallarını, takvim/stok entegrasyonunu ve insana devir eşiğini tanımlamaktan ibaret kalıyor. Sıfırdan kurmak — kendi ASR sağlayıcını, kendi LLM entegrasyonunu, kendi telefon altyapı bağlantını kendin yazmak — daha fazla kontrol veriyor ama haftalar sürüyor ve kalıcı bir bakım yükü getiriyor; hazır bir platform üzerine kurmak günler içinde ayakta kalkıyor ama sağlayıcının fiyatlandırmasına ve özellik setine bağımlı kalıyorsun. Çoğu küçük işletme için ikinci yol daha mantıklı çıkıyor — çünkü gerçek farkı yaratan şey altyapıyı kimin yazdığı değil, işletmenin kendi kurallarının sisteme ne kadar doğru ve ayrıntılı işlendiği. Bir platform seçerken bakılması gereken şey teknoloji listesi değil, Türkçe konuşmada gerçek hata oranı, mevcut takvim/CRM yazılımına doğrudan bağlanıp bağlanamadığı ve insana devretme eşiğinin ne kadar esnek ayarlanabildiği.
##Dürüst Sınırlar ve Maliyet
Türkçe konuşma tanımanın doğruluğu net bir aksanla, sessiz bir ortamda konuşan biri için gayet iyi; ama arka planda trafik gürültüsü, kalabalık bir ortam, güçlü bir şive veya telefon hattının kendi ses kalitesi devreye girince hata oranı belirgin şekilde artıyor — bu yüzden sistemin 'anlamadım, tekrar eder misiniz' deyip bir kez daha sorması ya da belirsizlikte doğrudan insana devretmesi gerekiyor, aksi halde yanlış anlaşılan bir randevu saati müşteriyi kızdırıyor. Duygusal yoğunluk içeren çağrılar (şikayet, acil durum, hassas konu) kural olarak insana gitmeli; bir yapay zekanın sakin bir sesle yanlış empati kurması, susup beklemekten daha kötü bir izlenim bırakıyor. Kurulum maliyeti işin büyüklüğüne göre değişiyor ama kabaca: temel bir randevu/sipariş hattı kurmak haftalar değil günler sürüyor ve aylık işletme maliyeti çoğunlukla dakika başına ücretlenen ASR/LLM kullanımına bağlı; yoğun olmayan bir işletme için bu genelde bir resepsiyonist maaşının çok altında kalıyor, ama çok yüksek çağrı hacmi olan bir işletmede dakika başı maliyet birikip ciddi bir kalemе dönüşebiliyor.
Tipik gecikme (latency) hedefi
500-800 ms
Basit kurulum süresi
birkaç gün - 2 hafta
Kendi başına çözülen tekrar eden çağrı oranı
yaklaşık %50-70
##Sık Sorulan Sorular
>Sesli yapay zeka ile metin tabanlı chatbot arasındaki fark ne?
Metin chatbotu yazılı mesajlaşmada çalışıyor ve kullanıcı cevabı okumak için istediği kadar zaman harcayabiliyor; sesli sistemde ise gecikme çok daha kritik çünkü telefonun karşı ucunda bekleyen biri var ve sessizlik tedirginlik yaratıyor. Ayrıca sesli sistem önce konuşmayı doğru metne çevirmek zorunda (ASR hatası payı var), chatbotta ise kullanıcı zaten doğrudan metin yazıyor — bu yüzden sesli sistemlerin doğruluk ve devretme mekanizmaları çok daha sıkı tasarlanmak zorunda.
>Müşteriler bir botla konuştuklarını anlar mı, bu rahatsızlık yaratır mı?
Çoğu kurulum, görüşmenin başında 'yapay zeka asistanıyla görüşüyorsunuz' diye açıkça belirtiyor — hem etik hem de güven açısından bu doğru yaklaşım. Deneyimler gösteriyor ki müşteriler net ve hızlı bir cevap aldıkları sürece botla konuştuklarını bilmekten rahatsız olmuyor; asıl rahatsızlık sistem yanlış anladığında veya döngüye girip aynı soruyu tekrar sorduğunda ortaya çıkıyor.
>Küçük bir işletme bunu kurmaya değer mi, yoksa sadece büyük çağrı merkezleri için mi mantıklı?
Günde onlarca tekrar eden çağrı alan (randevu, sipariş, sık sorulan soru) herhangi bir küçük işletme için mantıklı, çünkü asıl kazanç çağrı sayısında değil, resepsiyonistin zamanının tekrar eden işlerden kurtulup gerçekten karar gerektiren görüşmelere ayrılmasında. Günde beş-on çağrı alan çok küçük bir işletme için kurulum ve bakım maliyeti muhtemelen kazancı geçer; trafiği yüksek olan işletmelerde fayda daha hızlı görülüyor.
>Sistem yanlış anladığında ne oluyor, geri dönüş yok mu?
İyi kurulmuş bir sistem belirsizlik anında tahmin yürütmek yerine ya tekrar sorup netleştiriyor ya da doğrudan bir insana devrediyor; asıl risk, bu devretme eşiğinin çok yüksek tutulup sistemin kendinden emin ama yanlış bir cevapla hastayı/müşteriyi yanlış saate yönlendirmesi. Bu yüzden ilk haftalarda gerçek çağrı kayıtlarını dinleyip devretme eşiğini ayarlamak, sistemi kurup unutmaktan çok daha önemli.
Telefon trafiğinin nerede zaman yediğini ve bunun otomasyonla nereye kadar çözülebileceğini kendi işin için konuşmak istersen, /contact üzerinden yazabilirsin.
// BİRLİKTE ÇALIŞALIM
Benzer bir SaaS projesi mi planlıyorsun?
Kapsam, MVP sıralaması ve teslim takvimi için birlikte net bir yol haritası çıkarabiliriz.
> İLETİŞİME GEÇ