Retail AI tek bir özellik değil: Trendyol örneği

Ne oldu?

TechnoLogic’in GITEX AI Türkiye aktarımında yer alan Trendyol örnekleri, AI kullanımını farklı commerce işlerine yayılan bir çerçevede gösteriyor. Şirketin kendi LLM’i, iş ortaklarının 10’dan fazla dilde ürün açıklaması oluşturmasına ve çeviri yapmasına yardımcı oluyor. Ortak adlı dijital asistan operasyonel süreçlerde kullanılıyor.

Müşteri tarafında ise Shopping Assistant, kullanıcının bütçesine ve stiline göre ürün önerileri sunuyor. Bu örnekler catalog içeriği, operasyonel destek ve müşterinin ürün seçimi gibi farklı işleri kapsıyor. Aynı anlatım içinde hem iş ortağının hem müşterinin karşılaştığı görevler yer alıyor.

Trendyol ayrıca otonom sistemlerinin günlük 500 milyondan fazla karar ve tahmin ürettiğini belirtiyor. Bu sayı şirketin beyanı olarak okunmalı; tek başına kararların doğruluğunu veya müşteri deneyimine katkısını açıklamıyor. Haberdeki örneklerden bütün bu uygulamaların aynı teknik mimariyle çalıştığı sonucunu da çıkarmıyorum. Dikkatimi çeken, AI kullanımının farklı iş alanlarında görünür olması.

Neden önemli?

Customer-facing AI ile merchant-facing AI’ın başarı ölçülerinin aynı olması gerekmiyor. Bir alışveriş asistanında doğru ürünü bulmaya yardım etmek öne çıkabilir. İş ortağına yönelik bir içerik aracında ise ürün bilgisini doğru, anlaşılır ve yönetilebilir biçimde üretmek daha anlamlı olabilir. İkisine de AI demek, çözmeleri gereken problemleri ortaklaştırmıyor.

Buna rağmen aralarında bir ilişki kurulabilir. Catalog tarafında üretilen bilginin kalitesi, arama ve öneri deneyimini etkileyebilir. Operasyonda kullanılan bir yardımcı da müşteriye verilen sözün yerine getirilmesine katkı sağlayabilir. Bu ilişkiler benim platform okuması; haberdeki araçların birbirine nasıl bağlandığına dair ek bir iddia değil.

Bu açıdan daha büyük eğilim, AI’ın ayrı bir özellik listesi olmaktan çıkıp farklı iş akışlarının içine yerleşmesi olabilir. Retailer için soru yalnızca yeni bir asistan eklemekten ibaret kalmayabilir: hangi işte karar desteği gerekiyor, hangi işte üretim yardımı yeterli, hangi işte otomatik uygulamaya izin verilebilir?

Bu ayrım yapılmadığında tek bir AI hedefi altında birbirinden çok farklı sonuçlar ölçülebilir. Kullanım miktarı kadar, her domain’de hangi işin daha iyi tamamlandığına bakmak gerektiğini düşünüyorum.

Benim yorumum

Trendyol örneğini okurken aklıma gelen ürün sorusu, “hangi AI özelliğini sıraya alalım?” değil; platformun farklı ekiplerinin bu yetenekleri nasıl sahiplenebileceği. Catalog, seller operations ve recommendation aynı veriyle temas edebilir, ama hatanın sonucu her birinde farklıdır. Bu yüzden hepsine aynı kabul kriterini uygulamazdım.

Örneğin ürün açıklaması üreten bir araç için önce ürün bilgisini koruma ve yanlış özellik eklememe davranışına bakardım. Recommendation tarafında önerinin müşterinin ihtiyacıyla ilişkisini değerlendirmek isterdim. Operasyonel bir yardımcıda ise doğru cevabın yanında, işlemi başlatma yetkisinin olup olmadığını ve hata halinde kimin devreye gireceğini netleştirirdim. Bunlar mevcut uygulamalara dair ölçülmüş sonuçlar değil, kendi ürün değerlendirme çerçevem.

Intelligence layer fikrini de tek bir modelin her işe karar verdiği bir merkez olarak düşünmüyorum. Ortak veri erişimi, değerlendirme araçları ve izlenebilirlik paylaşılabilir. Ancak pricing kararının kurallarıyla catalog içeriğinin doğrulaması kendi domain bilgisini gerektirir. Ortak altyapı kurarken iş kurallarının sahibini belirsizleştirmemek önemli olur.

Bir Product Owner olarak ilk adımım, görevleri ve kararları haritalamak olurdu. Hangisi yalnızca taslak üretiyor, hangisi öneride bulunuyor, hangisi gerçek bir kaydı değiştiriyor? Son gruptaki bir işlemin geri alınabilirliği veya kullanıcıya etkisi, diğerlerinden farklı bir kontrol gerektirebilir. Platform düzeyinde AI kullanımı arttıkça bu ayrımları görünür tutmanın daha değerli olacağını düşünüyorum.

Kısa vadede bütün domain’leri ortak bir AI projesine bağlamayı tercih etmezdim. Problemi ve sonucu net birkaç iş akışında ilerlemek daha öğretici olabilir. Uzun vadede ise ayrı çözümler arasında ortak kalite ve yetki ilkeleri kurmak gerekebilir. Böyle bir platformda olgunluk göstergesi, kaç AI özelliğinin açıldığı kadar, her birinin hangi işten sorumlu olduğunun ve nerede durması gerektiğinin anlaşılması olur.

Kaynak

TechnoLogic / GITEX AI Türkiye — Kaynak tarihi: 11 Eylül 2026