Yapay zekâ, önce kullanıcının durumunu anlıyor, sonra ona uyan ürünü arıyor. Ağustos sonunda yayına aldığımız Kart Dedektifi, kullanıcının harcamasını bu kampanyalarla eşleştirip hangi kartın ona ne kadar kazandıracağını hesaplıyor. Kullanıcının “Benim harcamamla hangi kart daha çok kazandırır?” sorusuna yapay zekâ desteğiyle en doğru cevabı vermeye çalışıyoruz. Hedefimiz, liste sunan bir siteden sonucunun gerekçesini gösteren bir karar aracına geçmek.
Hesapkurdu CEO’su Ecehan Berk Pehlivanoğlu
- Yapay zekâ, Hesapkurdu’nun finansal karşılaştırma platformu olma vizyonunu nasıl dönüştürüyor?
Karşılaştırma işinin özü değişmedi: Kullanıcıya doğru bilgiyi, karar vereceği anda göstermek. Yapay zekâyla değişen, bunu ne kadar geniş kapsamda ve ne kadar kişiye özel yapabildiğimiz.
Kredi kartı kampanyaları iyi bir örnek. Bu kampanyalar bankaların sitelerinde dağınık duruyor ve sık değişiyor; elle güncel tutmak bizim ölçeğimizde mümkün değildi. Temmuz’dan bu yana Bonus, Axess, Maximum ve World programlarının kampanyalarını bankaların kendi sitelerinden her gün takip edip derliyoruz. Yapay zekâ kampanya metnini okuyup kart, sektör, koşul ve yeni müşteriye özel olup olmadığı gibi alanlara ayırıyor. Eylül sonu itibarıyla sitemizde bu yolla güncel tutulan yaklaşık 660 kampanya var.
Bu veriyi kişiye özel değere çevirmek. Ağustos sonunda yayına aldığımız Kart Dedektifi, kullanıcının harcamasını bu kampanyalarla eşleştirip hangi kartın ona ne kadar kazandıracağını hesaplıyor. Kullanıcının “Benim harcamamla hangi kart daha çok kazandırır?” sorusuna yapay zekâ desteğiyle en doğru cevabı vermeye çalışıyoruz. Hedefimiz, liste sunan bir siteden sonucunun gerekçesini gösteren bir karar aracına dönüşmek.
Kod incelemesinden test yazımına kadar 52 tanımlı yapay zekâ iş akışımız var
- Hesapkurdu’nun yapay zekâ stratejisinde öncelik verdiği alanlar ve uzun vadeli hedefler neler?
Öncelikleri belirlemeden önce kendimizi ölçtük. Mayıs’ta, Point Nine’ın geliştirdiği P9 AI Fluency Index ile şirketimizin yapay zekâ olgunluğunu altı boyutta kendimiz değerlendirdik ve 100 üzerinden 25 puan aldık. En yüksek kaldıracın yazılım geliştirmede olduğunu gördük, yatırımı oraya yoğunlaştırdık. Eylül’de aynı ölçekle tekrarladığımız değerlendirmede puanımız 50’ye çıktı. En büyük artış da yatırımı yoğunlaştırdığımız iki boyutta oldu: İş çıkarma hızında puanımız 20’den 80’e, araç ve ortak altyapıda 40’tan 80’e yükseldi.
Çalışma biçimimizi dönüştürmek için şirket içinde AI Backbone adını verdiğimiz bir yapı kurduk. Bir ürün fikrinin ilk taslağından canlıya çıkışına kadar her adımda yapay zekânın hangi işi yaptığı, insanın neyi onayladığı tanımlı. Kod incelemesinden test yazımına kadar 52 tanımlı yapay zekâ iş akışımız var. Bunların bir kısmı kimsenin tetiklemesine gerek kalmadan, zamanlanmış yapay zekâ ajanları olarak çalışıyor. Ekibimiz bu araçları yalnızca kullanmıyor, kendisi de geliştiriyor: Temmuz sonunda yazılım ekibimizin %40’ı bu iş akışlarını yazıyor ya da iyileştiriyordu, şu anda bu sayı %80’e çıkmış durumda.
Tüm yapay zekâ yapılanmamızın hafızası KaptanVault adını verdiğimiz şirket beyni diyebiliriz. Nisan sonunda kurduğumuz kurumsal bilgi tabanımızda bugün binlerce doküman ve analiz var: Banka profilleri, aylık performans raporları, müşteri araştırmaları, ürün ve mühendislik dokümanları. Ticari ekipten finansa, pazarlamadan ürüne tüm çalışanlarımızın katkı verdiği bir kütüphane. Google Ads, Google Analytics ve iç veri asistanımız Bilge dahil yedi canlı veri kaynağına bağlı olduğu için bir banka toplantısına hazırlanan ekip arkadaşımız o bankanın geçmişini ve güncel performansını tek oturumda önüne alabiliyor. Ürün ekibimiz yeni bir fikre başlarken de ilk bağlamı buradan alıyor.
- Kredi ve mevduat karşılaştırmalarında veri analitiği ve yapay zekâdan hangi aşamalarda yararlanıyorsunuz?
Burada net bir ayrım yapıyoruz. Faizi, toplam maliyeti ya da getiriyi yapay zekâya hesaplatmıyoruz. Bu hesaplar bankaların kendi yöntemlerine ve mevzuattaki formüllere göre, her seferinde aynı sonucu veren sabit kurallarla yapılıyor. Kredi ödeme planından kıdem tazminatına kadar sitemizdeki 50 hesaplama aracı da bu şekilde, ortak bir altyapı üzerinde çalışıyor.
Yapay zekâyı bu hesabın öncesinde ve sonrasında kullanıyoruz. Öncesinde veriyi topluyor ve düzenliyor: Kredi kartı kampanya metinlerini okuyup karşılaştırılabilir kayıtlara çeviriyor, Kart Dedektifi’nde yüklenen ekstredeki harcamaları kategorilere ayırıyor. Kişiselleştirmenin bir diğer ayağı Findeks.
Mart’tan bu yana on binlerce kullanıcımıza ücretsiz Findeks kredi notu raporu sunduk; rapor sonucuna göre kullanıcıya gösterdiğimiz ürün önerilerini ve sonraki iletişimimizi yapay zekâ desteğiyle kişiselleştiriyoruz.
Sonrasında yapay zekâ ekiplerimizin analiz işini hızlandırıyor. Satış ve başvuru verisine dair sorularımızı Bilge adını verdiğimiz iç veri asistanına Türkçe soruyoruz; Bilge soruyu veri sorgusuna çevirip cevabı getiriyor, Teams üzerinden de çalışıyor. Daha kapsamlı analizlerde KaptanVault devreye giriyor; aylık performans raporlarını, banka verilerini ve müşteri araştırmalarını aynı çalışma oturumunda birlikte okuyabiliyoruz.
Önümüzdeki dönemde üç yönde ilerlemek istiyoruz
- Yapay zekâ destekli kişiselleştirme, kullanıcıların finansal teklifleri değerlendirme ve karar verme deneyimini nasıl değiştiriyor?
Finansal üründe herkes için tek bir doğru seçenek yok. Market harcaması yüksek biri için iyi olan kart, sık seyahat eden biri için zayıf kalabiliyor. Bugüne kadar karşılaştırma, ürünlerin özelliklerini yan yana koymak demekti. Yapay zekâ bu sırayı tersine çeviriyor: Önce kullanıcının durumunu anlıyor, sonra ona uyan ürünü arıyor.
İlk adımı Kart Dedektifi ile attık. Kullanıcının harcamasını bankaların güncel kampanyalarıyla eşleştirip hangi kartın ona ne kadar kazandıracağını hesaplıyor. Bunu bir başlangıç olarak görüyoruz.
Önümüzdeki dönemde üç yönde ilerlemek istiyoruz. Birincisi, kart önerisinin isabeti. Yapay zekâ harcamayı marka düzeyinde okuyup taksit imkânlarını, mil ve lounge gibi puan dışı avantajları da hesaba kattıkça öneri kişiye çok daha iyi oturacak. Birden fazla kartı olan kullanıcıya yeni bir kart önermek yerine “Bu harcamanı şu kartınla yap” diyebileceğiz.
İkincisi, kartın ötesine geçmek. Kredi kartı borcunu her ay asgari tutarla ödeyip kalanını devreden bir kullanıcı ciddi bir faiz yükü taşıyor. Kredi notu elverdiğinde bu borcu daha düşük maliyetli bir ihtiyaç kredisiyle kapatma seçeneğini, iki yol arasındaki toplam maliyet farkıyla birlikte gösterebiliriz.
Üçüncüsü, kullanıcının finansal resmini bütün olarak görmek. Harcama, kart ve kredi notu bilgileri kullanıcının izin verdiği ölçüde bir araya geldiğinde, tek bir ürünü karşılaştırmaktan kullanıcının bütün portföyüne bakan önerilere geçebiliriz.
Hangi yönde ilerlersek ilerleyelim iki ilkeyi koruyacağız: Her önerinin gerekçesini göstermek ve gerektiğinde en doğru cevabın “mevcut durumunu değiştirme” olduğunu söyleyebilmek.
- Finansal ürün önerilerinde doğruluk, tarafsızlık ve kullanıcı güvenini korumak için hangi yaklaşımları benimsiyorsunuz?
Eylüldeki odak grup çalışmalarımızda aldığımız en güzel eleştiri, sitede görülen faiz ya da tutarın bankaya gidildiğinde değişebilmesiydi. Kullanıcı bu durumda bankadan önce bilgiyi gösteren platformu sorumlu tutuyor. Doğruluk bizim için bu yüzden kullanıcıyı tutup tutamayacağımızı belirleyen bir konu.
Bunu üç ilkeyle yönetiyoruz. Birincisi, emin olmadığımız bilgi yayına çıkmıyor. Yapay zekânın topladığı ya da düzenlediği bir veride sistem emin olamadığında kayıt inceleme kuyruğuna düşüyor ve ekibimiz onaylayana kadar kullanıcıya gösterilmiyor. Ekibin elle yaptığı bir düzeltmeyi sonraki otomatik güncelleme ezmiyor.
İkincisi, hesabı yapay zekâya bırakmıyoruz. Faiz, toplam maliyet, getiri ya da kazanç gibi kullanıcının kararını belirleyen rakamlar her seferinde aynı sonucu veren sabit formüllerle hesaplanıyor. Bir rakam tahminse, bunu ve nasıl hesaplandığını ekranda açıkça yazıyoruz.
Üçüncüsü, kendi iddialarımızı da denetliyoruz. Yapay zekâ içeren ürünlerde metinleri yayından önce hukuk ekibimizle birlikte gözden geçiriyor, ölçemediğimiz bir doğruluk oranını ya da kesinlik vaadini metne koymuyoruz. Yapay zekâ kullanımını akışın başında bildiriyor, kişisel veriyi yeni bir amaçla işlediğimizde aydınlatma metnini buna göre güncelliyor ve gerektiğinde açık rıza alıyoruz.
Yapay zekâ, bankaların uzun kampanya koşullarını okuyup kısa ve aranabilir kampanya kartlarına çeviriyor
- Üretken, yapay zekâ, Hesapkurdu’nun müşteri iletişimi ve dijital başvuru süreçlerinde hangi yeni fırsatları sunuyor?
Bugünkü en net kullanım alanı, karmaşık metni sadeleştirmek. Bankaların uzun kampanya koşullarını yapay zekâ okuyup kısa ve aranabilir kampanya kartlarına çeviriyor. Kullanıcılarımızın finansal alışkanlıklarını daha iyi tanıdıkça CRM kanallarımızda da yapay zekâ ile kişiselleştirme fırsatı büyüyor. Kime, hangi ürünü, hangi kanaldan ve ne zaman ileteceğimizi kişinin ihtiyacına göre belirlemek istiyoruz ve bu alana yatırım yapıyoruz.
Müşteri iletişiminde de benzer bir fırsat görüyoruz. Rehber ve hesaplama sayfalarımızda her yıl binlerce kullanıcı yorumu ve sorusu alıyoruz. Bunların her birine hızlı ve doğru yanıt verebilmek için yapay zekânın yanıt taslağını hazırladığı, editörlerimizin her taslağı tek tek inceleyip onayladığı bir akış kuruyoruz. Finansal bir soruya verilen yanlış yanıtın maliyeti yüksek; editör onayından geçmeyen hiçbir yanıt yayımlanmayacak.
- Yapay zekâ, finansal ürün sağlayıcılarıyla kurduğunuz iş birliklerini ve platformunuzun değer önerisini nasıl etkileyebilir?
Birlikte çalıştığımız bankalar ve finansal kuruluşlar açısından en önemli soru, bizden gelen kullanıcının ürünü ne kadar anlayarak geldiği. Yapay zekâ destekli veri işleme bu soruya iki yoldan katkı veriyor.
Birincisi güncellik. Kampanyaları bankaların kendi sayfalarından her gün okuyoruz; banka bir kampanyayı değiştirdiğinde değişiklik bizde de hızla yansıyor, süresi dolan kampanyalar temizleniyor. Bu, kullanıcının bankada farklı bir koşulla karşılaşma ihtimalini azaltıyor.
İkincisi doğru eşleştirme. Kullanıcılarımızın finansal alışkanlıklarını ve ürün kullanımlarını daha iyi anladıkça, onları ihtiyaçlarına ve profillerine gerçekten uyan ürünlerle buluşturabiliyoruz. Harcama düzeni, kredi notu ve mevcut ürünleri gibi sinyalleri birlikte okudukça önerilerimiz isabetleniyor. Banka açısından bunun karşılığı, ürünle uyumu daha yüksek ve beklentisi doğru kurulmuş başvurular; kullanıcı açısından ise baştan uygun olmayan bir ürüne başvurmanın yarattığı hayal kırıklığının azalması.
Hız ve görünürlük rekabette belirleyici olacak
- Finansal teknoloji sektöründe yapay zekâ kullanımının yaygınlaşması, karşılaştırma platformları arasındaki rekabeti nasıl şekillendiriyor ve şekillendirecek?
Teknolojiye erişim artık ayırt edici değil; aynı modelleri herkes kullanabiliyor. Fark iki yerde ortaya çıkıyor: Bu teknolojiyi güvenilir veriyle ne kadar hızlı ürüne çevirebildiğiniz ve kullanıcının bilgiyi aradığı yeni kanallarda ne kadar görünür olduğunuz. Hız tarafında kendi rakamlarımızı izliyoruz. Ürün ekibimiz artık tasarımlarımızı önce yapay zekâ destekli bir tasarım aracıyla çalışan bir prototip olarak hazırlıyor, yazılım ekibi doğrudan bu prototip üzerinden ilerliyor.
Yazılım ekibimizin işlerinde yapay zekâ akışının izini de her hafta ölçüyoruz. Bu iz Temmuz sonunda işlerin %55’inde vardı, altı hafta sonra %70’inde. Bunun tek başına daha çok iş çıkardığımız anlamına gelmediğini biliyoruz; verimliliği ayrıca ölçüyoruz.
Görünürlük tarafında tablo daha hızlı değişiyor. Google’ın yapay zekâ özetleri bu yıl Türkiye’de yaygınlaştı; rehber sayfalarımızda gösterim sürerken tıklamaların azaldığını görüyoruz. Ahrefs verisine göre ChatGPT, Gemini, Perplexity ve Google’ın yapay zekâ yanıtlarında Türkiye’de en çok kaynak gösterilen finansal karşılaştırma platformuyuz. Oransal bakınca ise yolumuz var: 1.000 ziyaret başına 11,8 alıntı alıyoruz; bu sayı global örneklerden NerdWallet’ta 36, Finder’da ise 106.
Yapay zekâda dört başlıkta önemli hedefler
- Önümüzdeki dönemde Hesapkurdu’nun yapay zekâ destekli ürün ve hizmetlerinde hangi yenilikleri görmeyi bekleyebiliriz?
Önümüzdeki dönemde dört başlık öne çıkıyor.
Birincisi, yapay zekâyla katma değer ürettiğimiz ürünlerin sayısını artırmak. Bugün bu yaklaşımı ağırlıklı olarak kredi kartında uyguluyoruz: Kampanyaların toplanmasında, harcamaya göre kart önerisinde. Aynı mantığı ihtiyaç kredisinden mevduata, kullanıcının karar verirken zorlandığı diğer ürünlere de taşımak istiyoruz. Hedefimiz, her üründe kullanıcının kendi durumuna göre hesaplanmış ve gerekçesi görünen bir sonuç sunabilmek.
İkincisi, kullanıcıyla iletişim. Yorumlara ve sorulara yapay zekâ destekli, editör onaylı bir yanıt akışını devreye alacağız. Bunun yanında kampanya iletişimlerimizi de kişiselleştiriyoruz; kullanıcıya herkese giden aynı mesaj yerine, finansal alışkanlıklarına ve ihtiyacına uyan teklifi doğru zamanda ulaştırmak istiyoruz.
Üçüncüsü, yapay zekâ aramalarında görünürlük. Yapay zekânın kaynak olarak seçtiği içerik formatlarını kuruyoruz; hedefimiz 1.000 ziyaret başına alıntı sayısını 11,8’den 20’ye çıkarmak.
Dördüncüsü, yapay zekâ ajanlarının yazılım işimizdeki payı. Geçen çeyrek kapattığımız 300’den fazla iş kartını tek tek inceledik; yaklaşık 80’i, baştan sona yapay zekâ ajanlarının yürütebileceği işlerdi. Ağustos’ta bu akışı resmî bir takvim olmadan yedi kez denedik; uçtan uca yapay zekâyla tamamlayıp canlıya aldık. Bu çeyrek hedefimiz, iş kartlarının dörtte birini baştan sona bu akıştan geçirmek.
