ULUSLARARASI ARAŞTIRMA / HAKEMLİ MAKALE

AI müşteri hizmetlerini
gerçekten hızlandırır mı?

5.172 müşteri temsilcisi ve üç milyon sohbetten gelen veriler, AI desteğiyle saat başına çözülen işlerin ortalama %15 arttığını gösterdi. Kazancın neden özellikle yeni çalışanlarda büyüdüğünü inceliyoruz.

Tüm yazarlar ve kurumlar

Kısa açıklamayı oku Üç iş örneğine geç

İngilizce kaynak · Türkçe inceleme: 10 Eylül 2026 · Kaynak tarihi yukarıdaki künyededir.

Yayımlanmış inceleme

Kaynak ve editoryal kontroller tamamlandı. DijitalPi bu çalışma için müşteri deneyi yapmadı.

KISA AÇIKLAMA

Bu Araştırma Size Ne Söylüyor?

AI desteği ortalama verimliliği artırdı; en büyük faydayı daha az deneyimli çalışanlar gördü. Deneyimli çalışanlarda kazanç küçük kaldı ve bazı kalite ölçülerinde hafif düşüş görüldü.

Bir örnek düşünün: Yeni bir temsilci AI önerileriyle daha hızlı yanıtlıyor. Yönetim aynı sistemi en deneyimli ekibe de aynı hedefle uygulamak istiyor.
İşinizde ne yapabilirsiniz?: Hız, çözüm oranı, tekrar iletişim, müşteri memnuniyeti ve yöneticiye aktarımı kıdeme göre ayrı izleyin. Ortalama sonucu bütün çalışanlara eşit dağıtmayın.

DijitalPi’nin uygulama yorumu. Örnek, konuyu açıklamak için hazırlanmıştır.

ARAŞTIRMAYI BİRLİKTE OKUYALIM

Önce araştırmacıların sorusunu, yöntemini ve bulgularını tanıyalım. Ardından sonuçların nasıl okunabileceğini DijitalPi’nin açıklamalarıyla ele alalım.

01 / ARAŞTIRMACILAR NEYİ ANLAMAK İSTEDİ?

AI önerileri müşteri temsilcisinin hızını ve çözüm kalitesini nasıl değiştiriyor?

Brynjolfsson, Li ve Raymond, AI sohbet yardımcısının gerçek müşteri hizmeti işinde verimlilik, kalite ve öğrenme üzerindeki etkisini inceledi.

Konuyu açalım · DijitalPi açıklaması

Bir temsilcinin daha çok sohbet kapatması tek başına yeterli değildir. Sorunun gerçekten çözülmesi, müşterinin yeniden yazmaması ve kalite ölçülerinin korunması gerekir.

AI sistemi başarılı konuşmalardan örüntüler öğrenip çalışana gerçek zamanlı öneri sundu. Bu nedenle çalışma yalnız metin üretimini değil, kurum içindeki örtük bilginin yayılmasını da inceliyor.

02 / ARAŞTIRMA NASIL YAPILDI?

Soruyu nasıl sınadılar?

Fortune 500 bir yazılım şirketinde AI yardımcısının kademeli kullanıma alınması izlendi. Veri seti 5.172 temsilciye ait yaklaşık üç milyon sohbeti kapsadı; erişim zamanları ve çalışan sonuçları karşılaştırıldı.

Yöntemi anlamak · DijitalPi açıklaması

Bu rastgele atamalı bir deney değil, kademeli uygulamanın ekonometrik analizidir. Aynı ekipteki kişilerin farklı tarihlerde erişim kazanması karşılaştırma sağlar, fakat sonuç yine tek şirkete aittir.

Ana verimlilik ölçütü saat başına başarıyla çözülen sohbet sayısıdır. Süre, aynı anda yürütülen sohbet ve çözüm oranı bu ölçütün parçalarıdır.

03 / ARAŞTIRMANIN BULGULARI

Saat başına çözülen iş ortalama %15 arttı; kazanç çalışanlara eşit dağılmadı.

AI erişimi saat başına çözülen sohbet sayısını ortalama %15 artırdı. Daha az deneyimli ve daha düşük beceri düzeyindeki çalışanlar hız ve kalitede daha büyük kazanç gördü; en deneyimli grupta hız kazancı küçük, bazı kalite etkileri hafif olumsuzdu.

Temsilci: 5.172Tek şirkette gözlenen müşteri hizmeti çalışanları.
Ortalama verimlilik: +%15Saat başına başarıyla çözülen sohbet sayısındaki ortalama değişim.

Kaynak: QJE tam makale ve yayımlanmış sonuçlar ↗

04 / DİJİTALPİ’NİN AÇIKLAMASI

Bu bulguları nasıl okuyabiliriz?

AI’ın değeri, yalnız iyi cevap yazmasından değil, deneyimli çalışanların örüntülerini yeni çalışanlara daha hızlı taşımasından gelebilir.

Ortalama etki eşit etki değildir. Eğitim, hedef ve denetim düzeyi çalışan deneyimine göre tasarlanmalıdır.

En iyi çalışanların konuşmaları sistemin eğitimine katkı sağlıyorsa bu bilgi üretiminin sahipliği ve güncelliği de yönetilmelidir.

05 / SONUÇ VE AÇIK SORULAR

Neyi öğrendik, neyi henüz bilmiyoruz?

Çalışma, belirli bir müşteri hizmeti ortamında AI desteğinin verimlilik ve öğrenme sağlayabildiğini gösteriyor. Tek şirket, eski model sürümü ve kademeli uygulama tasarımı nedeniyle %15 bütün destek ekipleri için hazır bir vaat değildir.

Türkçe destek akışında hangi çalışan grubu hızlanırken hangi hata türü büyür? Bu soruyu kendi belge setiniz, tekrar iletişim ve kalite kayıtlarınızla sınamanız gerekir.

Araştırmacıların özgün yayınına dönün

QJE tam makale ve yayımlanmış sonuçlar NBER çalışma kaydı ve sürüm geçmişi

DİJİTALPİ’NİN UYGULAMA YORUMU

Sizin işinizde nasıl görünür?

Bu üç senaryoyu konuyu birlikte düşünmek için hazırladık. Araştırmadan alınmış vaka veya ölçülmüş müşteri sonucu değildir.

ÖRNEK 01

Ortalama artış herkese ait sanılıyor

Şirket %15 verimlilik sonucunu bütün çalışanların hedef tablosuna ekliyor.

Her kıdem grubu aynı artışı göstermeli mi?

Örnek 01 için öneriyi aç

Sonuçları deneyime göre ayırın.

Yeni, orta ve deneyimli çalışanların hız ve kalite ölçülerini ayrı raporlayın. Ortalama etkiyi bireysel performans vaadine dönüştürmeyin.

ÖRNEK 02

Sohbet kısaldı, sorun geri geliyor

Görüşmeler daha hızlı kapanıyor fakat bazı müşteriler aynı sorunla yeniden yazıyor.

Kısa görüşme tek başına verimlilik midir?

Örnek 02 için öneriyi aç

Başarılı çözümü uçtan uca ölçün.

İlk temasta çözüm, yedi gün içinde tekrar iletişim ve yöneticiye aktarım oranını süreyle birlikte izleyin. Hız uğruna sorunu sonraki görüşmeye taşımayın.

ÖRNEK 03

Uzman bilgisi modele aktarılıyor

AI, başarılı temsilcilerin konuşmalarından örüntüler öğreniyor; bu katkı görünür değil.

Sistem yalnız yazılım yatırımı mıdır?

Örnek 03 için öneriyi aç

İnsan bilgisinin katkısını da yönetin.

Eğitim verisine giren örneklerin kalite kontrolünü, çalışan katkısını ve güncelleme sorumluluğunu tanımlayın. Eski iyi uygulamaları değişmez kural gibi kullanmayın.

EKİBİNİZLE DENEYİN

Bir destek kuyruğunu kıdeme göre ölçün.

Dört haftalık pilotta çalışanları deneyim düzeyine göre ayırın. Hızın yanına çözüm kalitesi ve müşteri geri dönüşünü koyun; sistemin kime ne kadar yardım ettiğini görün.

AI chatbot kurulum yaklaşımımızı inceleyin

Kaynak ve emeğin sahibi

Erik Brynjolfsson, Danielle Li and Lindsey Raymond.
Stanford University; Massachusetts Institute of Technology; National Bureau of Economic Research.

The Quarterly Journal of Economics · 4 Şubat 2025 · 140(2):889–942 · Hakemli makale. Orijinal yayını aç · Google Scholar’da ara

Akademik çalışma yukarıdaki araştırmacılara aittir. Bu sayfa, DijitalPi’nin AI desteğiyle hazırladığı açıklamalı inceleme ve özgün iş örneklerini içerir; makalenin tam çevirisi değildir.

← Tüm araştırma yazılarına dön