Yapay zekâyı nerede kullanacağını bilmek müşteri getirir mi?
Erken aşama girişimlerle yapılan deneyde, yapay zekânın işte nasıl kullanılacağını örneklerle öğrenmek müşteri kazanmayı kolaylaştırdı mı? Somut kullanım vakalarıyla eğitim alan girişimlerin ödeme yapan müşteri edinme olasılığı, kontrol grubundan 11 yüzde puan yüksekti. Bu sonuç, yapay zekânın hangi işte kullanılacağını öğrenmenin müşteri edinimi açısından değer taşıyabileceğini gösteriyor.
Temsili bir e-ticaret ekibi, ürün bilgilerini yayına hazırlarken yapay zekânın kullanılacağı adımı belirliyor.
İşinizde ne yapabilirsiniz?
Ekibiniz, tamamlamakta zorlandığı bir iç işte yapay zekânın rolünü tanımlasın.
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?
Yapay zekânın işin neresinde kullanılacağını örneklerle öğrenmek girişimlerin daha çok iş tamamlamasını ve müşteri kazanmasını sağlar mı?
Araştırmacılar, tek tek görevlerdeki yapay zekâ faydasının firma performansına nasıl yansıyabileceğini inceliyor. Yazarların haritalama sorunu dediği şey, yapay zekânın üretim sürecinin hangi adımında ve nasıl yarar sağlayacağını bulmaktır. Deney, başka firmaların somut kullanım biçimlerini öğrenmenin bu keşfi ve işletme sonuçlarını değiştirip değiştirmediğini sınadı.
Konuyu açalım · DijitalPi açıklaması
DijitalPi yorumu: Bir eğitim bütçesini değerlendirirken kaç aracın tanıtıldığı kadar, ekibin hangi işi farklı yapabileceğini de sorgulamak yararlı olabilir. Bu araştırma pazarlama açısından özellikle müşteri edinimini gündeme getiriyor. Fakat en büyük kullanım farkları ürün geliştirme ve ürün/strateji tasarımında görülüyor. Dolayısıyla bulguyu reklam kampanyalarının daha başarılı olduğu şeklinde okumak uygun değil.
02 / ARAŞTIRMA NASIL YAPILDI?
Soruyu nasıl sınadılar?
Yazarlar, INSEAD bünyesindeki üç aylık küresel ve çevrim içi AI Founder Sprint programında planını önceden kayda geçirdikleri bir saha deneyi yürüttü. Temmuz 2025’te başvuran girişimler arasından seçilen, araştırmaya onay veren ve başlangıç verilerini tamamlayan 515 erken aşama firma incelendi. Program 25 Ağustos haftasında başladı. Coğrafya, başlangıç ilerlemesi ve yapay zekâ kullanımına göre oluşturulan 32 grup içinde rastgele atama yapıldı: 255 firma müdahale, 260 firma kontrol grubundaydı. Ortanca, değerler sıralandığında ortada kalan değerdir. Firmaların ortanca kuruluş yılı 2024, ortanca ekip büyüklüğü 4 kişiydi. Deney penceresi on haftaydı. Kullanım ve görev analizleri 507, bitiş ölçümleri 479 firmayı kapsadı.
Yöntemi anlamak · DijitalPi açıklaması
Üçüncü haftadan itibaren müdahale grubu, zorunlu atölyelerde firmaların üretimi yapay zekâ etrafında nasıl yeniden düzenlediğini anlatan vakaları işledi. Kontrol grubu aynı formatta müşteri profili oluşturma ve fikir doğrulama gibi genel girişimcilik vakalarını tartıştı. Teknik eğitim, yapay zekâ hizmetlerini kullanma kredileri, mentorluk ve yatırımcı erişimi iki grupta aynıydı. Bu nedenle karşılaştırma, yapay zekâya erişim vermenin değil, verilen vaka eğitiminin etkisini değerlendiriyor.
Veriler kurucuların haftalık ilerleme raporlarından geldi. Yeni ve farklı yapay zekâ kullanımlarını, deneyden ve grup atamalarından habersiz iki değerlendirici kontrol etti. Anlaşmazlıkları üçüncü değerlendirici çözdü. Tamamlanan görevler, ödeme yapan müşteri edinme ve gelir gibi sonuçlar ayrıca izlendi. İlerleme Endeksi, ürün çıkarma, müşteri edinme, gelir elde etme ve yatırım alma göstergelerini birleştiren bir ölçüydü. Gelir ve yatırım kurucu beyanına dayanıyordu. Araştırmacılar ana analizde tutarların sonuca etkisini değiştiren bir hesaplama kullandı. Bu işleme logaritmik dönüşüm denir.
03 / ARAŞTIRMANIN BULGULARI
Vaka eğitimi müşteri edinimini artırdı. Gelir bulgusunun gücü kullanılan analize göre değişti
Araştırmacılar müdahale grubunda ortalama 8,8, kontrol grubunda 6,1 farklı yapay zekâ kullanımı bildirdi. Kaynak bu farkı 2,7 kullanım ve yaklaşık %44 artış olarak veriyor. Tamamlanan görev ortalamaları 20,9 ve 18,5’ti. Gruplama özelliklerini hesaba katan tahmin +2,3 görevdi (p<0,05). İç görevler için tahmin +2,2 görevdi (p<0,01). Dış görevlerde anlamlı fark yoktu. Ödeme yapan müşteri edinme olasılığı 11 yüzde puan, kaynaktaki göreli ifadeyle %18 daha yüksekti (p<0,01). Yazarlar toplam gelir için logaritmik analizden 1,9 kat daha yüksek gelir bildirdi. Bu sonuç yalnız p<0,1 düzeyindeydi. Gelir elde etme göstergesinde anlamlı etki yoktu. Ham dolar tutarlarıyla tahmin negatif ve anlamsızdı. Aşırı büyük değerlerin etkisini sınırlayan alternatif analizlerin sonuçları da karışıktı. Gelir etkileri dağılımın çoğunda küçük, 90. ve 95. yüzdelik dilimlerde en büyüktü. Ortalama yatırım alma olasılığında ve yatırım tutarında da anlamlı etki bulunmadı.
Bildirilen farklı yapay zekâ kullanımları
8,8 / 6,1Sırasıyla müdahale ve kontrol grubu ortalamaları. Kullanılan araç sayısını değil, farklı kullanım biçimlerini gösteriyor.
Ödeme yapan müşteri edinme olasılığı
+11 yüzde puanMüdahale grubunun kontrol grubuna göre farkı. Müşteri sayısında veya gelirde %11 artış anlamına gelmiyor.
DijitalPi yorumu: Eğitim veya danışmanlık alırken örnek vakanın kendi işinizde hangi adımı değiştireceğini yazılı hâle getirin. İç işlerin tamamlanmasını, müşteriyle temasları ve ödeme yapan müşteri edinimini ayrı değerlendirin. Dış görevlerde anlamlı fark bulunmadı. Bu nedenle işletme içindeki işlerin ilerlemesini, satışın her aşamasında ilerleme olarak yorumlamayın.
Rastgele atama, bu programdaki vaka eğitiminin etkisi hakkında nedensel yorum yapmayı destekliyor. Her ek yapay zekâ kullanımının aynı getiriyi sağlayacağını göstermiyor. Gelir elde eden firmaların başlangıçtaki medyan aylık geliri 1.000 dolardı ve gelir sonuçları kurucu beyanına dayanıyordu. Yazarlar gelir bulgusunu alternatif analizlere dayanıklı olarak nitelese de Tablo A3 daha karışık bir görünüm sunuyor. Bu yüzden 1,9 kat tahminini işletmenizin bütçe veya gelir planına beklenen kazanç olarak taşımayın.
05 / SONUÇ VE AÇIK SORULAR
Neyi öğrendik, neyi henüz bilmiyoruz?
Müşteri edinimi ve gelir bilgileri kurucuların beyanına dayanıyor. Bu çalışma makalesi, aynı araç ve destek koşullarında somut yapay zekâ vakalarıyla eğitimin erken aşama girişimlerde kullanım çeşitliliğini, iç görevlerin tamamlanmasını ve ödeme yapan müşteri edinimini artırabildiğini gösteriyor. Hakem değerlendirmesinden geçmiş bir dergi makalesi değil; on haftalık sonuçlar uzun vadeli kalıcılığı, olgun işletmelerdeki etkiyi veya Türkiye ve Türkçe için geçerliliği belirlemiyor. INSEAD mali destek sağladı. Yazarlar deneyi kendi kurumlarındaki hızlandırıcı programda tasarlayıp yürüttü ve bazı eğitim vakalarını kendileri yazdı. Kaynakta ayrı bir çıkar çatışması beyanı bulunamadı. Ortakların sağladığı ücretsiz kaynaklar her iki gruba eşit sunuldu.
DijitalPi’nin açık sorusu: Ekibinizde yapay zekânın yerini somutlaştıracak hangi iş adımını seçersiniz ve bu iç işteki ilerlemenin müşteri edinimine yansıyıp yansımadığını nasıl ayrı ölçersiniz?
Bu üç senaryoyu konuyu birlikte düşünmek için hazırladık. Araştırmadan alınmış vaka veya ölçülmüş müşteri sonucu değildir.
ÖRNEK 01
E-ticaret: ürün bilgisini yayına hazırlama
Temsili bir e-ticaret işletmesi, yapay zekâ araçlarına erişmesine rağmen ürün bilgilerini satışa hazır hâle getirmekte zorlanıyor.
Yeni bir araç almak mı, mevcut aracın işteki yerini göstermek mi daha yararlı olur?
Örnek 01 için öneriyi aç+
Önce ürün bilgisinin hazırlanmasındaki belirli bir adımı vaka üzerinden açıklayın
Tedarikçi bilgisinden kontrol edilmiş ürün açıklamasına uzanan adımları yazın. Benzer işler yapan ekipler karşılaştırılabiliyorsa araç erişimini aynı tutup birine somut iş akışı örneği, diğerine genel kullanım anlatımı verin. Tamamlanan ve kontrolü geçen ürün kayıtlarını, ödeme yapan yeni müşterilerden ayrı izleyin. Bu öneri araştırmanın e-ticarette sınadığı bir uygulama değildir. İçerik hazırlamak tek başına müşteri kazanımı göstermez.
ÖRNEK 02
B2B yazılım: müşteri görüşmesi öncesi prototip
Temsili bir B2B yazılım girişimi, müşteri görüşmelerinde göstereceği ürün prototipini hazırlamakta gecikiyor.
Yapay zekâyla daha çok iç iş bitirmek daha çok müşteri görüşmesi sağlar mı?
Örnek 02 için öneriyi aç+
Prototip üretimini ve dışarıyla yürütülen görüşmeleri ayrı hedefler olarak değerlendirin
Yapay zekânın taslak oluşturacağı ve ekibin kontrol edeceği prototip adımlarını belirleyin. Tamamlanan prototip görevlerini, gerçekleşen müşteri görüşmelerini ve ödeme yapan müşteri edinimini ayrı kaydedin. Araştırmada ek görevler ağırlıkla iç işlerde görüldü. Dış görevlerde anlamlı fark bulunmadı. Bu nedenle prototip hızını görüşme veya sözleşme artışı olarak yorumlamayın.
ÖRNEK 03
Turizm: teklif hazırlama sürecini düzenleme
Temsili bir turizm işletmesi, müşteriye özel teklif hazırlarken aynı bilgileri farklı belgelerde tekrar düzenliyor.
Yapay zekâ eğitimini hangi sonuca bakarak değerlendirmeliyim?
Örnek 03 için öneriyi aç+
Teklif hazırlama işini ve müşterinin satın alma kararını ayrı ölçün
Teklif sürecinde bilgi toplama, taslak hazırlama ve insan kontrolü adımlarını tanımlayın. Eğitimi bu adımların somut bir örneği üzerine kurup tamamlanan teklifleri ve düzeltme gerektiren çıktıları kaydedin. Ödeme yapan müşteri edinimini ayrı izleyin. Makaledeki 1,9 kat gelir tahminini hedef kazanç olarak kullanmayın. Çalışma bu turizm uygulamasını veya Türkiye’deki sonuçlarını değerlendirmedi.
EKİBİNİZLE DENEYİN
Bir iş adımını seçin
Araç erişimini sabit tutarak somut vaka anlatımıyla genel eğitimi karşılaştırabileceğiniz küçük bir uygulama tasarlayın. Tamamlanan iç işleri ve ödeme yapan müşteri edinimini ayrı ölçün. Bu, DijitalPi’nin henüz uygulamadığı bir öneridir.
Ajans AI Dönüşümü, ajansların işlerini yapay zekâ ve otomasyonla düzenlemesine yönelik danışmanlık sunar. Bu araştırmadaki müşteri edinme artışını ajansınız için garanti etmez. Ajans AI Dönüşümü hakkında bilgi alın ↗
Akademik çalışma yukarıdaki araştırmacılara aittir. Bu sayfa, DijitalPi’nin AI desteğiyle hazırladığı açıklamalı inceleme ve özgün iş örneklerini içerir; makalenin tam çevirisi değildir.
Çerez tercihleri