AI ürün kataloğundaki eksik bilgileri tamamlayabilir. Peki hangilerine güveneceğiz?

Ürün kataloğunda bazen çok temel bir bilgi eksiktir: ölçü, malzeme, bağlantı tipi ya da hangi ekipmanla uyumlu olduğu. Bu alan boş kaldığında ürün yalnızca daha az açıklayıcı görünmez. Arama filtresinde bulunamayabilir, iki ürün karşılaştırılamaz ve müşterinin ihtiyacına uygun olduğu halde keşfedilemeyebilir. AI bu boşlukları doldurmayı kolaylaştırabilir. Fakat katalogdaki her boşluğu doldurmak, her yeni değeri doğru kabul etmek anlamına gelmez.

29 Ekim 2026’da Coveo, ürün verisi zenginleştirme şirketi Anglera’yı satın aldığını duyurdu. Anglera’nın sistemi üretici özellik dosyaları, PDF’ler, görseller ve başka kaynaklardan ürün ayrıntıları çıkarıyor; bunları standartlaştırıp müşterinin katalog gereksinimlerine göre doğruluyor ve her özelliğin kaynak referansını koruyor. Coveo, yetenekleri Commerce müşterilerine ek modül olarak sunmayı, alıcı davranışları ve product discovery sinyalleriyle daha derin bir entegrasyonu ise ileride kurmayı planladığını söylüyor.

Bu ayrım önemli. Kaynaklardan özellik çıkarma ve katalog şemasına göre kontrol etme, açıklanan yetenek. Başarısız aramaların veya sık istenen özelliklerin otomatik olarak zenginleştirme başlatması ve sonucun discovery etkisinin ölçülmesi ise duyuruda geleceğe dönük entegrasyon vizyonu olarak yer alıyor. Bugün çalışan hazır bir kapalı döngü gibi okumamak gerekir.

Katalog kalitesi bir discovery girdisi

Özellikle B2B kataloglarında yüzlerce teknik nitelik bulunabiliyor. Bir makinenin ölçüsü, voltajı veya belirli bir parçayla uyumu satın alma kararını doğrudan etkileyebilir. Eksik attribute; arama, filtreleme ve ürün karşılaştırmasını zayıflatır. AI destekli product discovery daha doğal soruları anlamaya çalıştıkça, arka plandaki ürün bilgisinin tutarlılığı daha da önem kazanıyor. Agent’a “bu sisteme uyumlu pompa” diye sorulduğunda, sistemin cevabı yalnızca dil modelinin akıcılığına değil, uyumluluk bilgisinin niteliğine bağlı.

Burada risk, zenginleştirilmiş ürün sayfasının daha dolu görünmesi değil. Yanlış voltaj, ölçü veya uyumluluk bilgisi, kullanıcının yanlış ürünü seçmesine ve satın alma sonrası operasyonel sorunlara yol açabilir. Bu nedenle ürün datası aynı zamanda bir karar kaydıdır: hangi değer geçerli, ne zamandan beri geçerli ve kim bu bilgiyi onaylamış?

Kaynak göstermek, kaynağa güvenmek değildir

Bir özelliğin yanında PDF sayfa numarası veya üretici web sayfası bağlantısı bulunması yararlıdır. Bu, değerin nereden çıkarıldığını denetlenebilir kılar. Fakat kaynağın izlenebilir olması onun yetkili, güncel ya da ürünün doğru varyantına ait olduğunu tek başına kanıtlamaz.

Örneğin üretici teknik föyü bir ölçüyü verirken tedarikçi dosyası farklı bir ölçü içerebilir. Bir doküman önceki ürün revizyonuna ait olabilir; görsel ise benzer modelin ambalajını gösterebilir. Dolayısıyla sistemin “kaynağı buldum” demesiyle işletmenin “bu kaynağı bu alan için yetkili kabul ediyorum” demesi ayrı kararlardır. Üretici tarafından onaylı teknik doküman, katalog ekibi tarafından girilmiş değer, tedarikçi feed’i ve OCR ile görselden çıkarılan tahmin aynı güven düzeyinde tutulmamalı.

Benim beklediğim ürün tasarımında her öneri en azından hangi kaynak türünden geldiğini, kaydın hangi SKU veya varyanta uygulandığını, ne zaman çıkarıldığını, hangi dönüşümün yapıldığını ve güven/çatışma durumunu taşımalı. Birden fazla kaynak çeliştiğinde sistem değerlerden birini sessizce seçmek yerine çatışmayı görünür kılmalı. Son karar, attribute bazında belirlenmiş veri sahipliği ve öncelik kuralına göre verilebilir.

Öneri ile katalog gerçeği arasındaki aşama

Bu süreci aşağıdaki gibi tasarlamak bana daha güvenli geliyor:

Kaynak → AI ile çıkarım → Önerilen özellik → İş kuralı doğrulaması → Gerekli onay → Catalog güncellemesi

Bu, Coveo veya Anglera’nın duyurduğu resmî mimari şema değil; benim ürün tasarımı önerim. Çıkarılan değer ilk aşamada öneri olarak yaşamalı. Şema ve biçim kontrolleri, birim normalizasyonu, zorunlu alanlar ve referans ürün kuralları gibi deterministik kontroller otomatik yapılabilir. Örneğin bir sayı beklenen aralıkta mı, ölçü birimi biliniyor mu, ürün varyantının mevcut kimliğiyle eşleşiyor mu?

Bazı değişiklikler bu kontrollerden sonra düşük riskle otomatik uygulanabilir: pazarlama metnindeki sınırlı bir yazım düzeltmesi veya güvenilir üretici feed’inden gelen, katalog sahibinin açıkça yetkilendirdiği alan güncellemesi. Fakat güvenlik, elektrik uyumluluğu, ölçüler, kimyasal içerik veya yasal beyan gibi alanlarda insan onayı ya da ek kanıt gerekebilir. Eşik tüm katalog için tek sayı olmamalı; alanın etkisine ve kaynak otoritesine göre belirlenmeli.

Onaydan sonra bile eski değer ve karar izi korunmalı. Böylece bir ürün hatalı bilgiyle sipariş edildiğinde yalnızca “AI yanlış yaptı” demek yerine hangi belge, dönüşüm ve kuralın bu değeri katalog kaydına taşıdığı incelenebilir. Geri alma ve yeniden doğrulama da veri yaşam döngüsünün parçasıdır.

Arama sinyali veri boşluğunu gösterebilir mi?

Coveo’nun uzun vadeli hedeflerinden biri, başarısız aramalar veya sık istenen özelliklerden katalog boşluklarını tespit etmek. Bu, discovery ile veri yönetimi arasında değerli bir geri bildirim döngüsü kurabilir. Kullanıcıların tekrar tekrar “paslanmaz mı?”, “şu modele uyar mı?” diye sorması, ürün bilgisinde eksik alan bulunduğuna işaret edebilir.

Ancak arama sinyali tek başına o özelliğin değerini söylemez. Arama dili belirsiz olabilir, farklı ürün gruplarını bir araya getirebilir veya sonuç eksikliğinin nedeni stok, eş anlamlı sözlük ya da filtre deneyimi olabilir. Bu sinyal önceliklendirmeye yardım etmeli; AI’ın hangi ürün özelliğini doğru kabul etmesi gerektiğini otomatik belirlememeli. Önce eksik alan ihtimali tespit edilir, ardından yetkili kaynak aranır ve kontrollü doğrulama başlar.

Coveo duyurusunda Anglera’nın bir giyim perakendecisindeki 30 günlük A/B testinde yaklaşık 300 SKU varyantı için bildirilen sonuçlar da bu ölçülülükle okunmalı: zenginleştirilmiş sayfalarda organik landing-page trafiğinde yüzde 120, AI kaynaklı ziyaretlerde yüzde 270 artış raporlanıyor. Bu, şirketin aktardığı sınırlı bir test sonucu; her kategoriye veya kataloğa genellenebilecek başarı kanıtı değil. Ayrıca ölçümün ürün verisi zenginleştirmesine ilişkin olması, satın alma duyurusundaki bütünleşik arama döngüsünün etkisini kanıtlamıyor.

Bu gelişme, agent’ların ürün bilgisini nasıl kullanabileceği ve product discovery için ortak retrieval katmanının rolü üzerine daha önce yazdığım sorulara bir veri kalitesi katmanı ekliyor. Ürün bağlamını agent’a sunmak ve doğru ürünü bulmak kadar, bu bağlamın doğrulanmış olduğundan emin olmak da gerekiyor.

Commerce platformlarında AI’ın değeri kataloğa daha çok cümle eklemekle ölçülmemeli. Asıl ilerleme, eksik bilgiyi kaynağıyla birlikte bulup, riskine uygun biçimde doğrulayarak kullanılabilir hale getirmek. Geleceğin Catalog/PIM capability’si yalnızca ürün özelliklerini değil, o özelliklerin kökenini, yetki düzeyini, doğrulama durumunu ve karar izini de yönetebilmeli.

Kaynak

Coveo — Coveo Acquires Anglera to Make Product Data a Competitive Advantage in AI-Powered eCommerce — Kaynak tarihi: 29 Ekim 2026. A/B test sonuçları şirketin duyurusundaki sınırlı test olarak aktarılmıştır; genellenebilir performans iddiası değildir.