Bu makale, OpenAI’ın nasıl kendi teknolojisini kullanarak kendi çözümlerini geliştirdiği hakkındaki yazı dizimizin bir parçasıdır.
Her yıl milyonlarca destek talebi gönderiliyor. Bu taleplerin her birinin içerdiği değerli bir şeyler var; bir hayal kırıklığı, bir fikir, bir istek...
Ancak yakın zamana dek bu işaretleri anlamak zordu. Tablolar eğilimlere dair ipuçları verse de nedenleri açıklayamıyordu. Derin araştırma içinse bir veri bilimcisinin haftalarca çalışması gerekiyordu. Bir ürün direktörü, yeni çıkan bir özelliğin neden belirli bir kitleye hitap ettiğini öğrenmek isteyebilir. Ancak bunun yanıtını bulmak, bir veri bilimcisinin ayrıntılı bir analiz yapmasını gerektiriyordu.
Araştırma merakı kısıtlanmış oluyordu.
İş Verileri Direktörü, Molly Jackman, "Bu işlemler derin teknik uzmanlık gerektiriyor ve araştırma merakımızı köreltiyordu." diyor.
Herkesin araştırma merakına yanıt verebilecek bir araştırma asistanı geliştirdik. Bu asistan iki keşif yöntemini bir araya getiriyor: Örüntülere ilişkin tablolar ve daha derinlemesine araştırma için konuşma tabanlı bir arayüz. Sorun trendleriyle ilgili bir grafikle başlayabilir ve ardından sade bir dille sorular sormaya devam edebilirsin.
Bu asistanı işe yarayan yöntemleri bir araya getirerek geliştirdik. Bir tarafta, milyonlarca destek talebini ürün alanları ve temaları haline yapılandıran sınıflandırıcılar ve grafikler. Diğer yanda ise ham destek taleplerini özetleyebilen ve sade bir dille esnek raporlar üretebilen GPT‑5. Herkesin kolayca kullanabileceği bu kombinasyon bize hem hız hem de derinlik sağladı.
"Sağlık hizmetleri müşterileri yeni entegrasyonlar hakkında neler söylüyor?"
"Bu bölümde bu kadar destek talebi alınmasının nedeni ne?"
"En çok işe yarayan başlıca özellikler hangileri?"
Sistem, dakikalar içinde sorunun boyutunu ortaya koyan, yaygınlığını gösteren ve sorunlu noktaları ortaya koyan bir rapor üretiyor. Artık yöneticilerin ekstra kapasite ödünç almasına veya statik tablolarla yetinmesine gerek yok. Artık herkes kendi sorularının peşinden gidebilir. Ürün ekipleri içinse bu, gerçek geri bildirim üzerine daha hızlı harekete geçmek anlamına geliyor. Ekipler, nelerin işe yaradığını, nelerin yaramadığını anlayabiliyor ve hem ürün sunumlarını hem de uzun vadeli yol haritalarını yönlendirecek açık ve net içgörüler belirleyebiliyor.
"En güzel yanı da şu ki artık sorularınızı önceden tanımlamanız gerekmiyor, sadece merakınızı takip etmeniz yeterli."
Hız, doğrulukla birleşmeden bir anlam ifade etmez.
İlk zamanlarda operasyon ekipleri manuel sınıflandırmalar yapıyor, veri bilimcileri ise asistanla karşılaştırmak üzere özel modeller yazıyordu. Sonuçlar birbiriyle örtüştü.
Zaman içinde, güven arttı. Yöneticiler, bulguları sahada duyduklarıyla karşılaştırmaya başladı; örtüşme gördüklerinde ise eğilimleri arttı.
Bu soru sorma, kontrol etme, güvenme döngüsü asistanı kullanmayı ekipler için günlük bir alışkanlık haline getirdi. Önceden bir hafta süren SQL sorguları ve sınıflandırıcılar artık birkaç tıklamayla gerçekleştirilebiliyor.
Karşılığını her yerde görüyoruz.
- GPT‑5'in kullanıma sunulmasından sonra, ürün ekiplerinin geri bildirim temalarına ulaşması artık haftalar değil, günler içinde gerçekleşiyor.
- Bağlayıcıların kurumsal olarak benimsenmesi yavaşladığında asistan sorunun temelini hızlıca ortaya koydu: hatalarla dolu bir oryantasyon süreci. Mühendisler de bu sayede hangi sorunlara öncelik vereceklerini belirleyebildi.
- Görsel üretimindeyse hem bunu taslak üretiminde kullanan pazarlama ekiplerinin yaratıcılığını hem de görüntü işlemedeki gecikmelerin yarattığı aksaklıkları vurguladı. Bu gerçeklerin her ikisi de yol haritasını doğrudan şekillendiren unsurlardı.
Soru sormak için gereken süre sadece birkaç dakikaya indiğinde, daha fazla soru sorulabiliyor. Böylece daha fazla sorun yüzeye çıkıyor. Ekipler daha hızlı ilerliyor.
Bu araç, veri bilimcilerinin yerini almıyor. Onlara zaman kazandırarak başka işlerle ilgilenebilmelerini sağlıyor. Tek seferlik bir analiz yerine, artık yeni sınıflandırıcılar oluşturmaya ve otomasyon ile araçlara yatırım yapmaya daha fazla zamanlar var. Operasyon ekipleri artık günler yerine dakikalar içinde raporlar üretebiliyor ve böylece müşterilere ayıracak daha fazla zamanları oluyor. Ürün ekipleri müşterilerden gerçek zamanlı olarak bilgi toplayabiliyor ve yol haritalarını daha hızlı geri bildirim döngüleriyle şekillendirebiliyor.
Bu dönüşüm dinleme biçimimizi değiştirdi. Sınırlı analiz döngülerini kısıtlı kullanmak zorunda kalmak yerine, artık her ekip özgürce kendi sorularının peşinden gidebilir. Araştırma merakı da katlanarak artar. Bir ürün direktörü sorunlu bir noktayı tespit eder, satış direktörü ise kurumsal destek taleplerinde aynı temayla karşılaşır ve birlikte daha hızlı bir eylem yolu oluştururlar.
Asıl beklenti ise bunu en çok müşterilerin hissetmesidir. Sorunlar daha erken çözülecektir. Özellikler ihtiyaçlarıyla daha uyumlu bir gelişim gösterebilir. Eskiden arka planda kalan geri bildirim artık üretme biçimimizin merkezi haline geldi.
“Bunu, geniş ölçekli bir müşteri deneyimi araştırması olarak görüyorum. Müşterinin sesini ürünlerimizi, politikalarımızı ve uygulamalarımızı proaktif olarak değiştiren bir şekilde ortaya çıkarabilirsek işte bu başarıdır."
Milyonlarca destek talebinin ayrıştırılmasına yönelik bir araç olarak başlayan şey, dinleme biçimimizi içeren çalışma sisteminin bir parçası haline geliyor. İyi üretmek için iyi dinlememiz gerekiyor.
