2026'da neredeyse her ürün tanıtımında bir "AI-powered" etiketi görüyoruz, ama çoğu zaman bu yapay zeka ürüne gerçek bir değer katmıyor; daha çok pazarlama süsü olarak duruyor.
Doğru yerde kullanıldığındaysa AI ciddi bir fark yaratabiliyor. AppDuce'da kendi ürünlerimize bir AI özelliği eklerken hep aynı soruyu soruyoruz: bu, kullanıcıya gerçekten fayda sağlıyor mu?
Aşağıda teoriden çok, mevcut bir uygulamaya yapay zekayı pratikte nasıl ekleyeceğinizi anlatıyoruz.
AI eklemeden önce sorulması gereken sorular
İlk soru, kullanıcının bunu gerçekten isteyip istemediği. AI eklemek kulağa havalı geliyor ama karşıladığı somut bir ihtiyaç yoksa anlamı yok. "Akıllı öneri" gibi bir özellik iyi bir fikir gibi durur, oysa kullanıcı ne aradığını zaten biliyorsa fazlalıktan ibarettir.
İkincisi, aynı işi önce elle yapıp yapamayacağınız. Modeli kodlamaya girişmeden önce süreci manuel deneyin. Örneğin "akıllı kategorizasyon" istiyorsanız ilk 100 veriyi kendiniz elle ayırın; bu, yapay zekanın ne kadar isabetli olması gerektiğini size baştan gösterir.
Üçüncüsü de yanlış sonuç çıkınca ne olacağı. Hiçbir model yüzde yüz doğru değil. Bir öneri motoru yanlış öneri verirse kullanıcı güler geçer, ama tıbbi bir uygulama hatalı bilgi verirse sonuçları ağır olur. Kendi risk toleransınızı önceden bilmeniz gerekiyor.
AI eklemenin 4 pratik yolu
1. LLM API'leri (GPT, Claude, Gemini)
Bir dil modeline API üzerinden istek atıp cevabını almak, en hızlı ve en yaygın yöntem. Metin özetleme, chatbot ve müşteri desteği, ürün açıklaması ya da e-posta taslağı gibi içeriklerin üretimi, yapılandırılmamış metinden bilgi çıkarma ve doğal dille arama gibi işler bu yola çok uygun.
Entegrasyonun akışı da aşağı yukarı bellidir: önce bir API anahtarı alırsınız (OpenAI, Anthropic ya da Google), backend'de bu servisi çağıran bir endpoint kurarsınız, prompt'u kendi iş mantığınıza göre şekillendirirsiniz ve gelen yanıtı işleyip kullanıcıya sunarsınız.
Maliyet tarafını da baştan görmekte fayda var. GPT-4o veya Claude Sonnet gibi modeller token başına ücretlendiriyor; basit bir chatbot aylık 50 ila 500 dolar arasında gezebilir, yoğun kullanımda bu rakam binlerce dolara çıkabilir. Basit görevlerde GPT-4o-mini ya da Claude Haiku gibi daha hafif modeller çoğu zaman yeterli oluyor ve maliyeti hatırı sayılır ölçüde aşağı çekiyor.
2. Görüntü ve ses işleme
Görüntü tarafında fotoğraftan ürün tanıma, OCR ile belge okuma ve görsel arama gibi işler var; bunun için Google Vision, OpenAI Vision ya da kendi eğittiğiniz modeller iş görür. Ses tarafında ise sesli komutlar, sesten metne çevrim ve transkripsiyon devreye giriyor, ki burada OpenAI'ın açık kaynaklı Whisper modeli oldukça güçlü bir seçenek. Küçük bir not: görüntü ve ses işleme çoğunlukla sunucu tarafında yapılıyor. Cihazda yerel çalışan modeller de var (Core ML, TensorFlow Lite) ama bunların kapasitesi hâlâ sınırlı.
3. Öneri sistemleri
Kullanıcının davranışına göre kişiselleştirilmiş öneriler için üç seviye düşünebilirsiniz. En basiti kural tabanlı çalışır: "bu ürünü alan şunu da aldı" gibi kurallar düz bir veritabanı sorgusuyla halledilir, hatta yapay zekaya bile gerek kalmaz. Orta seviyede benzerlik devreye girer; ürün özelliklerini vektöre çevirip birbirine yakın olanları bulursunuz ve bunun için pgvector (PostgreSQL eklentisi) ya da Pinecone gibi vektör veritabanları kullanılır. En ileride ise öğrenen sistem durur, yani kullanıcı davranış verisiyle bir model eğitirsiniz; bu ciddi miktarda veri istediği için küçük uygulamalarda çoğu zaman gereksiz kaçar.
4. Otomatik sınıflandırma ve analiz
Yapılandırılmamış veriyi otomatik sınıflandırmak da güçlü bir kullanım alanı. Müşteri geri bildirimlerini şikayet, öneri ya da övgü diye ayırmak, destek taleplerini önceliklendirmek, içerikleri otomatik etiketlemek ve metinleri olumlu, olumsuz veya nötr olarak duygu analizinden geçirmek bunlara örnek. Bu işler için büyük LLM'ler kullanılabilir, ama fine-tuned BERT ya da özel sınıflandırıcılar gibi daha hafif ve ucuz modeller de çoğu zaman işi görür.
Teknik mimari
Bir AI özelliğinde akışı doğru kurmak işin yarısı. Kabaca şöyle görünüyor:
Kullanıcı → Frontend → Backend API → AI Servisi → Yanıt
↓
Cache Katmanı
Burada kendini defalarca ispatlamış birkaç kural var. AI çağrılarını frontend'de değil backend'de yapın; API anahtarınız güvende kalır ve maliyeti de siz kontrol edersiniz. Cache'i ihmal etmeyin, çünkü aynı soruya aynı cevabı ikinci kez üretmenin anlamı yok; Redis ya da basit bir veritabanı cache'i faturayı ciddi biçimde indirir. Servis yavaşladığında veya çöktüğünde kullanıcının boş ekranla kalmaması için timeout ve fallback tanımlayın, en azından "şu an yanıt oluşturulamıyor" gibi bir mesaj gösterin. Rate limiting koymayı da ihmal etmeyin; bir kullanıcının saatte 100 istek atması hem maliyeti patlatır hem de kötüye kullanım kapısını açar. Son olarak uzun yanıtlarda streaming kullanın, çünkü tüm cevabı bekletmek yerine kelime kelime akıtmak kullanıcı deneyimini belirgin şekilde iyileştiriyor.
Prompt mühendisliği temelleri
Yapay zekayla kurduğunuz iletişimin kalitesi, doğrudan prompt'unuzun kalitesine bağlı.
İşe sistem prompt'uyla, yani AI'ın rolünü tanımlayarak başlarsınız: "Sen bir müşteri destek asistanısın, yalnızca ürünümüzle ilgili soruları yanıtla, bilmediğin konuda 'bilmiyorum' de" gibi. Ardından modele ihtiyaç duyduğu bağlamı verirsiniz; ürün bilgileri, kullanıcının geçmişi ve o an baktığı sayfa gibi. Çıktının formatını da net söylemek gerekiyor: "JSON döndür", "üç maddeyle özetle" ya da "150 kelimeyi geçme" gibi yönergeler işi netleştirir. Son olarak koruma kalkanları eklersiniz, yani modelin konu dışı sorulara girmesini ve zararlı içerik üretmesini baştan engellersiniz.
Maliyet yönetimi
AI özellikleri bedava değil, o yüzden maliyeti baştan kontrol altında tutmak gerekiyor. Aşağıdaki stratejiler işe yarıyor:
| Strateji | Tasarruf | Uygulama |
|---|---|---|
| Model seçimi | Yüksek | Basit görevler için küçük model kullanın |
| Cache | Orta-yüksek | Tekrarlayan istekleri cache'leyin |
| Token limiti | Orta | Maksimum input/output token belirleyin |
| Rate limiting | Düşük-orta | Kullanıcı başına istek limiti |
| Batch işleme | Orta | Gerçek zamanlı gereksizse toplu işleyin |
Gerçek dünya örneği: ShortsByAuto
Kendi ürünümüz ShortsByAuto bunun somut bir örneği. Uzun videoları otomatik olarak kısa videolara dönüştürüyoruz ve yapay zeka bu süreçte birkaç yerde devreye giriyor: video içeriğini analiz edip en ilgi çekici anları buluyor, altyazıları otomatik çıkarıyor, kısa video için başlık ve açıklama öneriyor.
Yine de her adımda AI'ın ürettiğini biz gözden geçiriyoruz ve son kararı kullanıcı veriyor. AI burada bir araç olarak duruyor, karar mercii olarak değil.
Ne zaman AI eklememeli?
Bazen en doğru karar, AI'ı hiç eklememek oluyor. Elinizde yeterli veri yoksa kişiselleştirme zaten çalışmaz; topu topu 100 kullanıcınız varken bir öneri motoru kurmanın anlamı yok. Basit bir kuralın yettiği yerde de gerek kalmıyor, çünkü "sepet 200 ₺'yi geçerse kargo bedava" gibi bir şeyi yapay zekayla çözmek fazladan yük. Anlık tepki beklenen yerlerde de dikkatli olun, zira API çağrıları 0,5 ila 3 saniye sürebiliyor ve bu gecikmeyi kaldıramayan senaryolar var. Bütçe darsa acele etmeyin; AI maliyetleri ölçekle birlikte katlanabilir, o yüzden önce ücretsiz kotalarla deneyin.
Sonuç
Peki AI her uygulamaya eklenmeli mi? Hayır. Ama doğru yerde ve doğru biçimde kullanıldığında kullanıcı deneyimini gözle görülür şekilde iyileştiriyor.
En iyisi küçük başlamak: bir LLM API'siyle tek bir özellik ekleyin, kullanıcıların tepkisini izleyin, işe yarıyorsa genişletin, yaramıyorsa geri çekin. Geliştirme sürecinde de yapay zekadan faydalanmak isterseniz vibe coding yaklaşımına göz atabilirsiniz.
Biz yapay zekayı hak ettiği yerde, kendi ürünlerimizde kullanıyoruz. Ürünlerimizi açıkça geliştiriyoruz; nasıl kullandığımızı yakından görmek isterseniz yolculuğumuza bakın.