Proje İçeriği

CaseMind, kurum içi destek, talep ve operasyon yönetimi süreçlerini yapay zekâ ile güçlendiren yeni nesil bir ITSM platformudur. Projenin temel amacı; kullanıcıların destek, hata, yetki, proje ve süreç taleplerini klasik formlar yerine doğal dilde sohbet ederek oluşturmasını sağlamak, talepleri doğru kategoriye ayırmak, ilgili departmana yönlendirmek ve tüm süreci ölçülebilir hale getirmektir.

Mevcut destek sistemlerinde kullanıcılar çoğu zaman yanlış kategori seçmekte, eksik bilgiyle kayıt açmakta veya talepler farklı kanallardan iletildiği için takip ve raporlama zorlaşmaktadır. CaseMind bu problemi AI destekli talep asistanı ile çözmeyi hedefler. Kullanıcı sadece yaşadığı sorunu yazar; sistem gerekli soruları sorar, eksik bilgileri tamamlar, belge veya referans numarası gerekiyorsa ister, önceliği kurallara göre belirler ve talebi doğru ekibe yönlendirir.

Proje kapsamında kullanıcı sohbet ekranı, talep oluşturma akışı, admin kayıt yönetimi, kategori ve grup atama altyapısı, SLA ve öncelik kuralları, AI prompt yapısı, yönetim dashboard’u ve dinamik raporlama konsepti tasarlanmıştır. İlk faz sonunda temel talep yönetimi yapısı tamamlanmış; raporlama, bilgi bankası ve AI destekli çözüm önerisi ikinci faz geliştirme alanı olarak planlanmıştır.

Projenin Amacı

İkisi birden: var olan bir süreci iyileştirmek için başladık, sonunda kurum içinde daha önce hiç olmayan yeni bir hizmet ortaya çıktı.

Başlangıç noktamız mevcut BT destek sürecimizdi. Şirketimiz o güne kadar lisanslı, hazır bir ITSM ürünü kullanıyordu. Sistem çalışıyordu; ancak talep açmak, kullanıcı için bir "form doldurma" işiydi: hangi kategori, hangi alt kategori, hangi ekip, hangi öncelik — bunları sorunu yaşayan kişinin bilmesi bekleniyordu. Bilmediğinde talep yanlış ekibe düşüyor, elden ele dolaşıyor ve asıl kaybedilen şey zaman oluyordu.

İyileştirme hedefiyle yola çıktık, ancak çözümün bir formu sadeleştirmekle mümkün olmadığını gördük. Bunun yerine talep açma eylemini baştan tasarladık: çalışan sorununu kendi cümleleriyle anlatıyor, sistem eksik bilgiyi kendisi soruyor, kategoriyi, ilgili destek ekibini ve önceliği kendisi belirleyip talebi açıyor. Doldurulacak bir form kalmadı.

Ortaya çıkan sonuç, eski sürecin iyileştirilmiş hâli değil, kurum için yeni bir hizmettir:

Kurum içinde daha önce bulunmayan bir doğal dil destek kanalı kuruldu; bugün taleplerin %68'i tek bir form alanı doldurulmadan açılıyor.
Destek hizmeti çalışanın bulunduğu yere taşındı: web, WhatsApp, mağaza portalı ve teknisyen masaüstü uygulaması aynı platforma bağlı.
Teknisyen tarafında daha önce hiç var olmayan bir yetenek doğdu: sistem, kurumun geçmiş çözümlerinden öğrenerek teknisyene hazır çözüm önerisi ve benzer geçmiş kayıtları sunuyor.
Her çözülen talep bilgi bankasına aday olarak düşüyor; bugüne kadar geçmiş çözümlerden 2.853 yeniden kullanılabilir bilgi adayı otomatik çıkarıldı. Kurumun destek bilgisi artık kişilerin hafızasında değil, sistemde birikiyor.
Bu hizmet, kullanılan lisanslı ürünün yerini tamamen aldı. 1 Eylül 2026 itibarıyla ticari ITSM ürünü devre dışı bırakıldı; 1 fabrika, 530 mağaza ve merkez ofisin tüm BT talep akışı kendi geliştirdiğimiz platform üzerinden yürüyor. Kısacası: bir süreci iyileştirmeye çalışırken, o süreci yürüten sistemi de kendimiz üretmiş olduk.

Proje içindeki en büyük inovasyon nedir? (yeni bir teknoloji veya var olan teknolojinin farklı kullanımı gibi. IOT, M2M, AI vb.)

En büyük inovasyon, talebi bir formdan değil, bir konuşmadan üretmemiz — ve bu konuşmayı yapay zekânın kendi genel bilgisine değil, kurumun kendi geçmiş çözüm verisine dayandırmamız.

Piyasadaki yaygın yaklaşım, mevcut bir destek sistemine bir sohbet arayüzü eklemek ve kullanıcıya genel cevaplar vermektir. Biz bunun tersini yaptık: yapay zekâyı arayüze değil, sürecin kararlarına yerleştirdik. Talebin hangi kategoriye ait olduğu, hangi ekibe gitmesi gerektiği ve ne kadar acil olduğu kararlarını sistem veriyor; kullanıcı sadece derdini anlatıyor. Bir talep ortalama 3,6 soruda ve 140 saniyede tam sınıflandırılmış hâle geliyor.

Bu yaklaşımı hayata geçirirken üç noktada özgün bir yol izledik:

1. Kararı modelin özgüvenine değil, kurumun kendi verisine bağladık. Dil modelleri "eminim" deyip yanılabilir. Bu yüzden verilen her karar, kurumun geçmiş çözülmüş talepleri ve kendi dokümanları içinden bulunan gerçek örneklerle destekleniyor; teknisyene sunulan çözüm önerisi bir modelin ürettiği genel metin değil, daha önce gerçekten işe yaramış bir çözümün izini taşıyor. Ayrıca kurumun iş kuralları modele "rica" edilmiyor, sistem tarafında zorunlu kılınıyor — model kuralın dışına çıkamıyor.

2. Kapalı bir öğrenme çarkı kurduk. Her çözülen talep bilgi bankasına aday oluyor, her teknisyen düzeltmesi kayda geçiyor ve bir sonraki benzer talepte sistem daha isabetli davranıyor. Sistem kullanıldıkça iyileşiyor; bugün 1.200'ün üzerinde doküman ve on binlerce geçmiş kayıt üzerinde çalışıyor.

3. Yapay zekâyı tek bir sağlayıcıya bağlamadık. Platform, model sağlayıcısından bağımsız çalışacak şekilde tasarlandı: canlıda performansı düşen bir sağlayıcı, tek bir ayarla devre dışı bırakılıp yerine bir başkası konabiliyor — nitekim proje sırasında bunu bir kez uyguladık, tek satır iş mantığı değişmeden. Bu esnekliğin en somut karşılığı maliyette çıktı: bir talebin yapay zekâ maliyeti bugün yaklaşık 0,0007 ABD dolarıdır — 14.132 yapay zekâ çağrısının toplam faturası 9,62 dolardır. Yani inovasyonun bir kısmı yeteneği bulmak değil, o yeteneği kurumsal ölçekte sürdürülebilir bir maliyete indirmekti.

Sonuç olarak inovasyonun ölçüsü şudur: teknisyenler, sistemin verdiği kararın %94,2'sini hiç düzeltmeden kabul ediyor.

Proje kurum içindeki hangi bölüme fayda sağlamıştır?(satış, pazarlama, finans, İK, IT, Üretim, Planlama, Satın alma, Lojistik Müşteri İlişkileri gibi)

Bir ESM (Enterprise Service Management) tooluna dönüşerek tüm şirketi kapsamaktadır

Projenin hayata geçirilmesi konusunda üst yönetimin desteğini tam olarak alabildiniz mi?

Evet, projenin hayata geçirilmesi sürecinde üst yönetim desteği alınmıştır.

Proje sonunda ortaya çıkan sonuçları analiz edebildiniz mi? Rakamsal verilerle ifade eder misiniz?(ROI, maliyetlerde yüzdesel azalma, üretim süresinde azalma, hata payının düşmesi vs.)

Evet. Ölçüm, projenin sonuna eklenen bir rapor değil, ilk günden mimarinin parçasıydı.

Sistem; verilen her yapay zekâ kararını, o karara dayanak olan kaynakları, teknisyenin kararı düzeltip düzeltmediğini, yanıt süresini ve işlem maliyetini kaydediyor. Bu sayede sonuçları tahmin etmek yerine doğrudan ölçebiliyoruz. Ölçülen sonuçlar:

Benimsenme

Sisteme tanımlı 421 kullanıcının 407'si (%97) sistemi fiilen kullandı.
Eylül ayının ilk 10 gününde 325 farklı çalışan talep açtı; 40 teknisyen 8 destek grubunda talep çözdü.
Aynı dönemde 1.087 talep açıldı. Bu hacim, devre dışı bırakılan ticari ürünün son dönem hacmiyle aynı seviyededir; yani geçiş kısmi değil, tamdır.
Yapay zekânın isabeti

Eylül'de açılan 1.087 talebin yalnızca 63'ünde (%5,8) teknisyen sınıflandırmayı düzeltti → %94,2 ilk seferde doğru kategori ve doğru ekip.
Geriye dönük doğrulama: sistem, geçmiş on binlerce kaydın üzerinden yeniden çalıştırıldı ve kararları o dönem insanların verdiği kararlarla karşılaştırıldı — kategoride %80,3, atanan destek grubunda %85,2 isabet.
Üretilen 17.973 yapay zekâ kararının %97,3'ü sorunsuz tamamlandı.
Hız ve kalite

Medyan çözüm süresi 60,5 dakika; taleplerin %62,5'i 4 saat, %80'i 24 saat içinde kapandı.
Eylül taleplerinin %82'si aynı ay içinde kapatıldı.
Yeniden açılma oranı %4,0.
Kullanıcı memnuniyet anketi (175 yanıt): genel memnuniyet 4,91 / 5, çözüm hızı 4,89, iletişim 4,86.
Maliyet

Talep başına yapay zekâ maliyeti ~0,0007 ABD doları; projenin bugüne kadarki toplam yapay zekâ harcaması 48,7 ABD dolarıdır.
Buna karşılık ticari ITSM lisansı tamamen ortadan kalkmış, veri kurum sınırları içinde kalmıştır.
Ölçüm sadece rapor üretmedi, karar değiştirdi. Birkaç örnek: ölçümde bir model sağlayıcısının canlıda hiçbir işe yaramadığı ve her denemesinde gecikme eklediği görülünce o sağlayıcı devreden çıkarıldı. Teknisyen düzeltmelerinin toplandığı bir kategori tespit edilince, ilgili kuralın sistem tarafında zorunlu kılınması gerektiği anlaşıldı ve öyle yapıldı. Kullanıcıların gereksiz yere ikinci kez soru cevaplamak zorunda kaldığı durumlar ölçümle yakalanıp giderildi.

Kısacası: sonuçları analiz edebildik — çünkü sistemi, kendi performansını ölçebilecek şekilde kurduk. Bugün bu ölçümler platformun içindeki gösterge paneli ve rapor düzenleyici üzerinden BT yönetimine anlık olarak açıktır.

Projenizde şirket içinden kaç kişi aktif olarak görev almıştır? Ekip birimleri hakkında kısaca bilgi verir misiniz?

10

Projenizde (varsa)işbirliği kurduğunuz veya destek aldığınız bilişim şirketlerini belirtiniz.

Proje sırasında kullandığınız ve spesifik önemi olan markaları (varsa) belirtiniz. (Yazılım veya donanım markaları)