Web sitesi yapay zeka chatbot entegrasyonu, ziyaretçinin sorduğu soruyu anlayan, şirket bilgisinden doğru yanıt üreten, gerektiğinde form doldurtan, CRM kaydı açan veya satış ekibine nitelikli lead aktaran bir sistem kurma sürecidir. Basit bir “merhaba, nasıl yardımcı olabilirim?” botundan farkı; gerçek şirket verisi, entegrasyon mantığı, güvenlik katmanı ve ölçülebilir iş çıktısı üretmesidir.
Bir kurumsal web sitesinde yapay zeka chatbot; fiyat aralığı soran potansiyel müşteriye ön bilgi verebilir, hizmet kapsamını açıklayabilir, demo talebi toplayabilir, destek taleplerini sınıflandırabilir veya kullanıcının ihtiyacına göre ilgili sayfaya yönlendirebilir. Bu nedenle chatbot entegrasyonu, doğrudan yapay zeka entegrasyonu stratejisinin küçük ama etkisi yüksek bir parçasıdır.
McKinsey’nin 2025 yapay zeka araştırmasına göre şirketlerin önemli bir kısmı artık yalnızca üretken yapay zeka denemeleri yapmakla kalmıyor, ajan tabanlı sistemleri iş fonksiyonlarına ölçeklemeye başlıyor. Salesforce’un müşteri beklentileri araştırmaları da kullanıcıların hızlı, kişiselleştirilmiş ve tutarlı yanıt beklediğini gösteriyor. Bu tablo, web sitesindeki chatbotun “ekstra özellik” değil, dijital satış ve destek mimarisinin merkezi bir bileşeni hâline geldiğini gösterir.
Atalay Tech’in mobil uygulama, web platformu ve AI entegrasyonu projelerinde gördüğü en kritik nokta şudur: Chatbot başarısı model seçiminden önce veri, senaryo ve entegrasyon kalitesine bağlıdır. Yanlış eğitilmiş, CRM’e bağlanmayan veya insan devrine sahip olmayan bir chatbot; iyi bir model kullansa bile işletmeye sınırlı fayda sağlar.
Web sitesine yapay zeka chatbot eklemek, çoğu işletmenin düşündüğünden daha katmanlıdır. Teknik olarak bir JavaScript widget’ı siteye gömülebilir; fakat iş değeri üreten sistem için arka planda bilgi tabanı, API bağlantıları, yetkilendirme, loglama, analitik ve insan devri gerekir.
Temel kapsam genellikle şu bileşenlerden oluşur:
Örneğin bir yazılım ajansı web sitesinde ziyaretçi “mobil uygulama yaptırmak istiyorum, ortalama süreç ne kadar sürer?” diye sorduğunda chatbot yalnızca genel cevap vermemelidir. Kullanıcıdan sektör, platform, üyelik sistemi, ödeme altyapısı, panel ihtiyacı gibi bilgileri alıp ilgili sayfalara yönlendirmeli ve uygun durumda satış ekibine nitelikli kayıt bırakmalıdır.
Burada önemli ayrım şudur: Chatbot, tek başına satış ekibi değildir. Doğru tasarlandığında satış öncesi bilgi toplama, destek yükünü azaltma ve kullanıcıyı doğru aksiyona taşıma aracıdır.
Sağlıklı bir mimari, chatbotu yalnızca ön yüzde çalışan bir eklenti olarak görmez. Web sitesi, backend, yapay zeka modeli, veri tabanı ve üçüncü parti servisler birlikte düşünülür.
Aşağıdaki tablo, kurumsal bir web sitesi için tipik chatbot mimarisini özetler:
| Katman | Görevi | Somut Örnek |
|---|---|---|
| Frontend widget | Kullanıcıyla sohbet arayüzü sağlar | Next.js veya Laravel Blade içine gömülen chat balonu |
| Backend API | Mesajları işler ve güvenlik kontrolü yapar | Laravel 11 API endpoint’i, rate limit, token kontrolü |
| LLM katmanı | Yanıt üretir ve niyet analizi yapar | OpenAI, Azure OpenAI veya uygun başka model sağlayıcı |
| RAG / bilgi tabanı | Şirket verisinden bağlam çeker | Hizmet sayfaları, PDF teklif dokümanları, SSS içerikleri |
| Entegrasyon katmanı | İş sistemlerine kayıt açar | CRM, teklif paneli, e-posta, WhatsApp, takvim |
| Analitik katmanı | Performansı ölçer | Lead oranı, çözüm oranı, kullanıcı memnuniyeti |
OpenAI’nin File Search ve Responses API dokümantasyonu, modellerin harici bilgi tabanlarından bağlam alarak cevap üretmesini sağlayan yaklaşımları açıklar. Bu yaklaşım, web sitesi chatbotlarında özellikle önemlidir; çünkü modelin “tahmin ederek” cevap vermesi yerine şirketin gerçek hizmet bilgisine dayanması gerekir.
Örneğin Atalay Tech gibi web yazılım, mobil uygulama ve AI entegrasyonu hizmetleri sunan bir şirket için chatbot şu kaynakları okuyabilir:
Bu yapı sayesinde kullanıcı “kurumsal web siteme AI destekli teklif formu eklenebilir mi?” diye sorduğunda bot, hem kurumsal web tasarım hizmet bağlamını hem de AI entegrasyon mantığını birlikte açıklayabilir.
Web sitesi yapay zeka chatbot projesi, doğrudan kod yazarak başlamamalıdır. Önce hangi kullanıcıların hangi soruları sorduğu, chatbotun hangi cevapları vereceği ve hangi noktada insan ekibe devredeceği netleşmelidir.
Tipik geliştirme süreci aşağıdaki gibidir:
| Aşama | Amaç | Çıktı | Ortalama Süre |
|---|---|---|---|
| Keşif | Kullanıcı niyetlerini ve iş hedefini belirlemek | Senaryo listesi, entegrasyon haritası | 2-5 gün |
| Veri hazırlığı | Chatbotun kullanacağı bilgileri düzenlemek | SSS, doküman, sayfa verisi, bilgi tabanı | 3-10 gün |
| Tasarım | Sohbet akışı ve arayüzü planlamak | Chat UI, karşılama mesajı, butonlar | 3-7 gün |
| MVP geliştirme | İlk çalışan chatbotu kurmak | Web widget, backend API, temel RAG | 2-4 hafta |
| Entegrasyon | CRM, form, e-posta, WhatsApp gibi sistemlere bağlamak | Otomatik kayıt ve bildirim akışı | 1-3 hafta |
| Test | Yanıt kalitesi, güvenlik ve hata senaryolarını denetlemek | Test raporu, iyileştirme listesi | 1-2 hafta |
| Yayın ve bakım | Canlıya almak, logları izlemek, veriyi güncellemek | Üretim ortamı ve düzenli optimizasyon | Sürekli |
Bu süreçte en sık yapılan hata, chatbotu yalnızca “web sitesine eklenen bir eklenti” gibi ele almaktır. Oysa iyi bir sistemde botun cevap veremediği sorular, yanlış anladığı niyetler ve dönüşüme yakın kullanıcı davranışları düzenli olarak analiz edilir.
Kaan Atalay’ın Atalay Tech projelerinde vurguladığı yaklaşım da buna yakındır: Önce iş süreci sadeleştirilir, sonra otomasyon eklenir. Karmaşık, belirsiz ve manuel süreçlerin üzerine chatbot koymak genellikle verimsiz sonuç üretir.
Her işletmenin özel geliştirme yaptırması gerekmez. Küçük bir tanıtım sitesi için hazır chatbot platformu yeterli olabilir. Fakat teklif, CRM, müşteri paneli, kullanıcı hesabı veya sektörel veri entegrasyonu gerekiyorsa özel geliştirme daha mantıklı hâle gelir.
| Seçenek | Kimler İçin Uygun? | Avantaj | Sınır |
|---|---|---|---|
| No-code chatbot | Küçük işletme, basit SSS ihtiyacı | Hızlı kurulum, düşük başlangıç maliyeti | Sınırlı özelleştirme, zayıf veri kontrolü |
| SaaS chatbot platformu | Orta ölçekli destek ve satış ekipleri | Panel, hazır entegrasyon, analitik | Aylık döviz maliyeti, veri bağımlılığı |
| Özel geliştirme | Kurumsal web sitesi, CRM, teklif, panel entegrasyonu | Tam kontrol, özel akış, marka uyumu | Daha yüksek başlangıç maliyeti |
| Hibrit model | MVP ile başlayıp ölçeklemek isteyen şirketler | Hız ve esneklik dengesi | Mimari planlama gerektirir |
Örneğin yalnızca “çalışma saatleriniz nedir?” ve “hizmetleriniz nelerdir?” gibi sorulara cevap verilecekse hazır bir araç yeterli olabilir. Ancak kullanıcıdan proje kapsamı toplanacak, teklif öncesi segmentasyon yapılacak, satış ekibine otomatik bildirim gidecek ve görüşme planlama bağlantısı üretilecekse özel entegrasyon daha sağlıklı olur.
Atalay Tech’in web yazılım geliştirme ve AI entegrasyonu perspektifinde önerilen yöntem, çoğu projede MVP ile başlamaktır. Önce en değerli 5-10 senaryo canlıya alınır, gerçek kullanıcı soruları izlenir, ardından kapsam genişletilir.
Yapay zeka chatbot maliyeti; model sağlayıcı, veri hazırlığı, entegrasyon sayısı, güvenlik seviyesi, kullanıcı trafiği ve bakım kapsamına göre değişir. Buradaki rakamlar Türkiye’de kurumsal yazılım projesi perspektifiyle tahmini aralıklardır; net fiyat için keşif gerekir.
| Paket Seviyesi | Kapsam | Tahmini Proje Maliyeti | Tahmini Süre |
|---|---|---|---|
| MVP chatbot | Temel web widget, 20-50 SSS, basit form toplama | 120.000 - 250.000 TL + KDV | 2-4 hafta |
| Orta ölçek entegrasyon | RAG, CRM kaydı, e-posta bildirimi, temel analitik | 250.000 - 600.000 TL + KDV | 4-8 hafta |
| Kurumsal chatbot | Çoklu rol, panel, gelişmiş entegrasyon, loglama, güvenlik testleri | 600.000 - 1.500.000 TL + KDV | 8-14 hafta |
| AI ajan tabanlı yapı | Çok adımlı görev yürütme, teklif akışı, destek sınıflandırma, insan devri | 750.000 TL + KDV ve üzeri | 10+ hafta |
Buna ek olarak aylık model kullanımı, sunucu, bakım ve iyileştirme maliyetleri de planlanmalıdır. Trafiği düşük bir web sitesinde model maliyeti sınırlı kalabilir; fakat yüksek trafikli bir e-ticaret veya B2B platformunda kullanım başına ücretler dikkatle izlenmelidir.
IBM’in Cost of a Data Breach Report 2025 çalışması, veri güvenliği ve otomasyonun şirketler için finansal risk tarafında ne kadar kritik olduğunu gösterir. Chatbot projelerinde bu nedenle yalnızca geliştirme maliyetine değil, veri sızıntısı, yanlış cevap, yetkisiz erişim ve regülasyon risklerine de bütçe ayrılmalıdır.
Ayşe, 34 yaşında bir operasyon yöneticisi olsun. Şirketi, saha ekipleri için web paneli ve mobil uygulama geliştirmek istiyor. Google’da araştırma yaptıktan sonra bir yazılım ajansının web sitesine giriyor ve “Saha ekibimiz için mobil uygulama yaptırmak istiyoruz, nereden başlamalıyız?” diye soruyor.
Kötü tasarlanmış bir chatbot şöyle cevap verir:
“Mobil uygulama geliştirme için bizimle iletişime geçebilirsiniz.”
Bu cevap kullanıcıyı ilerletmez. İyi tasarlanmış bir web sitesi yapay zeka chatbot ise şu akışı kurar:
Bu senaryoda chatbot, yalnızca cevap veren bir araç değildir. Satış öncesi keşif sürecini standartlaştırır. Aynı mantık, lead toplama sistemi kurgusuyla birleştiğinde reklamdan gelen ziyaretçilerin daha nitelikli şekilde ayrıştırılmasını sağlar.
Destek tarafında da benzer bir senaryo vardır. Kullanıcı “şifremi sıfırlayamıyorum” dediğinde chatbot önce hesap türünü, hata mesajını ve cihaz bilgisini alabilir. Sorun basitse yönlendirme yapar; karmaşıksa destek talebi açar. Böylece ekip, eksik bilgiyle açılmış destek kayıtları yerine daha dolu ve sınıflandırılmış talepler alır.
Yapay zeka chatbot projelerinde en kritik konu güvenliktir. Kullanıcılar bazen kişisel veri, ticari sır, ödeme bilgisi veya sözleşme detayı paylaşabilir. Chatbotun bu verileri nasıl işlediği, nerede sakladığı ve kimin eriştiği açık şekilde tasarlanmalıdır.
Dikkat edilmesi gereken temel başlıklar şunlardır:
OWASP Top 10 for Large Language Model Applications rehberi, LLM tabanlı uygulamalarda prompt injection, veri sızıntısı, zararlı çıktı ve tedarik zinciri riskleri gibi başlıkları sistematik şekilde ele alır. Kurumsal bir chatbot geliştirirken bu çerçeve teknik kontrol listesine dönüştürülmelidir.
Yanıt kalitesi için de yalnızca “model iyi mi?” sorusu yeterli değildir. Test seti hazırlanmalıdır. Örneğin 100 gerçek kullanıcı sorusu toplanır, her soru için ideal cevap yazılır ve chatbotun verdiği cevaplar doğruluk, netlik, güvenlik ve aksiyon yönlendirmesi açısından puanlanır.
| Test Kriteri | Ölçüm Şekli | Kabul Edilebilir Seviye |
|---|---|---|
| Doğruluk | Bilgi tabanıyla karşılaştırma | %90+ kritik olmayan cevap doğruluğu |
| Güvenlik | Kişisel veri ve prompt injection testi | Kritik açık olmamalı |
| Dönüşüm | Form, randevu veya lead tamamlama oranı | Sektöre göre %2-8 tahmini |
| İnsan devri | Botun çözemediği talepleri aktarma oranı | Yüksek riskte otomatik devir |
| Yanıt süresi | Ortalama cevap gecikmesi | 1-4 saniye hedeflenir |
Bu ölçümler yapılmadan canlıya alınan chatbotlar genellikle ilk haftalarda kullanıcı güvenini zedeler. Özellikle fiyat, sözleşme, sağlık, hukuk, finans veya teknik destek gibi alanlarda botun sınırları net tanımlanmalıdır.
Web sitesi chatbotu tek kanal olarak düşünülmemelidir. Kullanıcı bazen web sitesinde başlar, WhatsApp’ta devam eder, e-posta ile teklif alır ve satış ekibiyle görüşme planlar. Bu nedenle chatbot mimarisi çok kanallı müşteri yolculuğuyla uyumlu olmalıdır.
Satış odaklı bir akışta chatbot şu görevleri üstlenebilir:
Destek tarafında ise farklı bir yapı gerekir. Bot; sipariş durumu, üyelik sorunu, teknik hata, fatura talebi veya kullanım sorusu gibi talepleri ayırabilir. Bu noktada yapay zeka ajanı yaklaşımı devreye girer. Çünkü AI ajan yalnızca cevap üretmez; belirli kurallar içinde işlem başlatabilir, kayıt açabilir, görev takip edebilir ve insan ekibe bağlamlı özet aktarabilir.
Örneğin bir SaaS platformunda kullanıcı “aboneliğimi iptal etmek istiyorum” dediğinde bot doğrudan iptal işlemi yapmamalıysa bile şu akışı kurabilir:
Bu yapı hem kullanıcı deneyimini iyileştirir hem de ekiplerin tekrar eden işleri daha hızlı yönetmesini sağlar.
Her zaman büyük bir site yenilemesi gerekmez. Mevcut web sitesi teknik olarak JavaScript kodu eklemeye, API çağrısı yapmaya ve gerekli güvenlik izinlerini yönetmeye uygunsa chatbot widget’ı mevcut tasarıma entegre edilebilir. Fakat eski, yavaş, mobil uyumu zayıf veya teknik borcu yüksek bir sitede chatbot iyi çalışsa bile kullanıcı deneyimi zayıf kalabilir. Bu nedenle entegrasyon öncesinde site hızı, mobil kullanılabilirlik, form altyapısı, KVKK metinleri ve analitik kurulumu kontrol edilmelidir. Kurumsal sitelerde chatbot genellikle web altyapısı, CRM ve içerik yapısıyla birlikte değerlendirilmelidir.
Başlangıç için yüzlerce sayfalık doküman şart değildir. Çoğu MVP projede 20-50 sık sorulan soru, hizmet sayfaları, süreç açıklamaları, fiyatlandırma prensipleri ve iletişim kuralları yeterli olabilir. Önemli olan verinin uzunluğu değil, düzenli ve güncel olmasıdır. Eski fiyat bilgisi, çelişkili hizmet açıklaması veya eksik teslimat süreci chatbotun yanlış cevap vermesine neden olur. Daha gelişmiş yapılarda blog içerikleri, PDF dokümanlar, destek kayıtları ve ürün kılavuzları da bilgi tabanına eklenebilir. Veri arttıkça sınıflandırma, kaynak yönetimi ve test süreci daha önemli hâle gelir.
İyi tasarlanmış bir chatbot, müşteri temsilcisinin yerini tamamen almak yerine tekrar eden işleri azaltır ve ekibe daha temiz bilgi aktarır. Örneğin çalışma saatleri, hizmet kapsamı, temel fiyat aralığı, randevu talebi veya belge yönlendirme gibi konuları bot karşılayabilir. Fakat özel teklif, itiraz yönetimi, karmaşık teknik sorun, şikâyet, hukuki risk veya yüksek bütçeli satış görüşmeleri genellikle insan devri gerektirir. En verimli yapı, botun ilk teması yönetmesi ve kritik noktada yetkili kişiye bağlamlı özetle devir yapmasıdır. Böylece ekip daha az tekrar eder, kullanıcı daha hızlı yanıt alır.
Evet, web sitesi yapay zeka chatbot sistemleri CRM, teklif paneli, e-posta servisi, takvim, WhatsApp ve destek araçlarıyla entegre edilebilir. Örneğin kullanıcı proje ihtiyacını anlattığında bot sektör, bütçe, zaman, platform ve özellik bilgilerini toplayıp CRM’de lead kaydı oluşturabilir. Daha gelişmiş yapılarda teklif sistemi için ön kapsam çıkarabilir, satış ekibine bildirim gönderebilir veya görüşme planlama bağlantısı sunabilir. Burada önemli nokta, botun hangi işlemleri otomatik yapacağı ve hangi işlemleri onaya bırakacağıdır. Kurumsal sistemlerde yetkilendirme, loglama ve hata senaryoları mutlaka tasarlanmalıdır.
KVKK açısından chatbotun hangi kişisel verileri topladığı, bu verileri ne amaçla işlediği, nerede sakladığı ve ne kadar süre tuttuğu açık olmalıdır. Kullanıcıdan gereksiz bilgi istenmemeli, hassas veri talep edilmemeli ve loglarda kişisel bilgiler mümkün olduğunca maskelenmelidir. Ayrıca aydınlatma metni, açık rıza gerektiren durumlar, çerez politikası ve üçüncü parti model sağlayıcılarla veri paylaşımı değerlendirilmelidir. Özellikle sağlık, finans, eğitim, hukuk ve insan kaynakları gibi alanlarda chatbot cevaplarının sınırı net çizilmelidir. Gerektiğinde kullanıcı insan temsilciye yönlendirilmelidir.
Chatbot performansı yalnızca kaç mesaj yazıldığıyla ölçülmemelidir. Daha anlamlı metrikler; tamamlanan görüşme oranı, çözülen destek talebi oranı, lead’e dönüşen konuşma oranı, insan devri gerektiren talep oranı, kullanıcı memnuniyeti ve hatalı cevap sayısıdır. Satış odaklı sitelerde form tamamlama, randevu talebi, teklif isteği ve WhatsApp geçişi gibi aksiyonlar izlenmelidir. Destek odaklı yapılarda ise ilk temasta çözüm, talep sınıflandırma doğruluğu ve ekip iş yükündeki azalma önemlidir. İlk 30 gün genellikle optimizasyon dönemidir; gerçek kullanıcı sorularına göre bilgi tabanı ve akışlar güncellenmelidir.
Basit SSS, küçük trafik ve düşük entegrasyon ihtiyacı varsa hazır chatbot platformu hızlı ve ekonomik olabilir. Fakat işletmenin kendi CRM’i, teklif sistemi, müşteri paneli, ödeme altyapısı, üyelik sistemi veya özel veri kaynakları varsa özel geliştirme daha sürdürülebilir olur. Hazır platformlar başlangıçta pratik görünse de veri kontrolü, marka deneyimi, özelleştirme ve uzun vadeli maliyet tarafında sınırlara sahip olabilir. En mantıklı yaklaşım çoğu zaman hibrittir: Önce MVP kapsamı belirlenir, en değerli senaryolar canlıya alınır, gerçek kullanım verisine göre özel entegrasyonlar genişletilir.
Evet, hatta birçok işletme için en verimli kurgu web sitesi chatbotu ile WhatsApp botunu birlikte kullanmaktır. Web sitesindeki bot kullanıcıyı karşılar, ihtiyacını anlar ve ilk bilgileri toplar. Kullanıcı daha hızlı iletişim isterse konuşma WhatsApp kanalına taşınabilir. Bu geçişte kullanıcının daha önce verdiği bilgiler kaybolmamalı, satış veya destek ekibine aynı bağlam aktarılmalıdır. Böylece kullanıcı aynı soruları tekrar cevaplamak zorunda kalmaz. Özellikle reklam trafiği, teklif talepleri, randevu planlama ve satış sonrası destek süreçlerinde web + WhatsApp kombinasyonu daha güçlü bir deneyim sunar.
ERP yapay zeka entegrasyonu; satın alma, stok, finans, üretim ve satış verilerini daha akıllı karar süreçlerine bağlamak için kurulur. Bu rehberde ERP verisinin nasıl hazırlanacağını, AI API mimarisini, entegrasyon adımlarını, maliyet aralıklarını ve gerçekçi kullanım senaryolarını öğrenebilirsiniz.
CRM yapay zeka entegrasyonu; satış, pazarlama ve müşteri destek verilerini daha anlamlı hale getirerek ekiplerin daha hızlı aksiyon almasını sağlar. Bu rehberde CRM verisinin AI ile nasıl işlendiğini, API entegrasyon mimarisini, maliyet aralıklarını, örnek senaryoları ve proje sürecini anlatıyoruz.
Kurumsal web sitelerinde yapay zeka entegrasyonu; ziyaretçi karşılama, lead toplama, teklif hazırlama, müşteri destek, içerik önerisi ve operasyonel otomasyon gibi süreçleri tek web altyapısında birleştirir. Bu rehber, karar vericiler için entegrasyon kapsamını, maliyet aralıklarını, teknik mimariyi ve doğru uygulama a
