Deutsche Telekom OpenAI ile Telekomu Baştan Kuruyor
Telekom sektörü uzun zamandır “büyük ama hantal” diye anılıyor. Sistemler devasa, süreçler sert, self-servis kanalları da çoğu zaman kullanıcıyı IVR koridorlarında dolaştırıp bırakıyor (inanın bana). Deutsche Telekom’un OpenAI ile duyurduğu yeni ortaklık, işte bu hantallığa karşı atılmış sert bir cevap gibi dürüyor. Haberi ilk okuduğumda ben de bir durdum — bu gerçekten “AI-native telko” hikâyesi mi, yoksa yine cilalı bir vitrin mi?
📋 İçindekiler
- Anlaşmanın Özü: “AI-native Telko” Ne Demek?
- Müşteri Hizmetleri: Frontline Companion Meselesi
- Çalışan Verimliliği: Kurum İçi Ajanlar
- Ağ Operasyonları: İşin Az Konuşulan Ama Bence En Kritik Kısmı
- Sesli Asistan: Uzun Vadeli Vaat
- Maliyet Boyutu: FinOps Gözlüğüyle Bakınca
- Türkiye Bağlamı: Bizim Operatörler Ne Yapmalı?
- Peki Riskler? Hersey Toz Pembe Değil
- Sonuç : Vitrin mi, Dönüşüm mü?
- Sıkça Sorulan Sorular
- Kaynaklar ve İleri Okuma
Kısa cevap şu: Kağıt üstünde epey ciddi görünüyor. Ama sahaya inince işler biraz karışıyor, tabi bu da normal. Aşağıda hem duyurunun özünü hem de bir Azure danışmanı gözüyle bunun kurumsal Türkiye için ne ifade ettiğini anlatmaya çalışacağım.
Anlaşmanın Özü: “AI-native Telko” Ne Demek?
Bunu yaşayan biri olarak söyleyeyim, Deutsche Telekom, Avrupa’nın en büyük telekom operatörlerinden biri. 100 milyondan fazla mobil müşteri, on binlerce çalışan, devasa bir ağ altyapısı… OpenAI ile yaptıkları anlaşma da dört ana başlık etrafında dönüyor: müşteri hizmetleri, çalışan verimliliği, ağ operasyonları. sesli asistan deneyiminin geleceği.
Buradaki hayatı ayrım şu: Şirket kendini “AI kullanan telko” diye değil, “AI-native telko” diye konumlandırıyor. Aradaki fark ince ama baya önemli. Birincisinde AI mevcut sürecin üstüne sonradan — en azından ben öyle düşünüyorum — ekleniyor; ikincisinde işe süreçler baştan AI etrafında yeniden kuruluyor. İkisi aynı şey değil, hatta uzaktan yakından bile değil diyebilirim.
AI-native olmak, “chatbot ekledik, tamamdır” demek değildir. Backend süreçlerini, veri modelini, hatta iş rollerini AI’ın ne yapabildiğine göre yeniden çizmek demektir. Deutsche Telekom bunu iddia ediyor. Görelim.
Müşteri Hizmetleri: Frontline Companion Meselesi
Duyurunun en elle tutulur kısmı burası. Deutsche Telekom, “Frontline Companion” adını verdiği bir asistanı çağrı merkezî çalışanlarının kullanımına açıyor. Hani ne farkı var diyorsunuz, değil mi? Mantık basit gibi dürüyor ama işin içinde birkaç katman var: müşteri temsilcisi bir soruyla karşılaştığında arka plandaki GPT modeli hem müşterinin geçmişini hem de teknik bilgi tabanını tarayıp anlık öneri veriyor.
Bu senaryo sahada en sık gördüğüm AI kullanımı aslında. Ama çoğu kurum burada tökezliyor; modeli doğrudan müşteriye açıyorlar ve sonra halüsinasyonla, yanlış vaatle, bazen de hukukî riskle uğraşıyorlar (şaşırtıcı ama gerçek). Deutsche Telekom’un seçtiği “insan destekleyici” yaklaşım bence daha olgun dürüyor. Temsilci hâlâ karar veren kişi, AI işe ona sessizce omuz veren ikinci çift göz gibi çalışıyor.
Bakın, burayı atlarsanız yazının kalanı anlamsız kalır.
Peki Bu Türkiye’de Nasıl Çalışır?
Şöyle ki, Türkiye’deki büyük telko müşterilerinde bu tarz projelerde en büyük engel teknoloji değil, veri kalitesi oluyor. Çağrı merkezî bilgi tabanınız 15 yıllıksa (yarısı Word dosyasıysa, üçte biri güncel değilse, kalanı da SharePoint’te birilerinin OneDrive’ında unutulduysa), GPT-5 seviyesinde bir model koysanız bile çok parlak sonuç beklememek lazım (eh, fena değil)
Kurumsal ekiplerde şunu sık görüyorum: AI projesi başlıyor, üç ay sonra herkes veri temizliği kâbusunun ortasında buluyor kendini. O yüzden Türkiye bağlamında ilk adım şu olmalı — modeli seçmeden önce bilgi tabanınızı RAG (Retrieval Augmented Generation) mimarisine uygun hâle getirin. Neden önemli bu? Azure AI Search + Eve + Azure Cosmos DB: Unutmayan Ajan Nasıl Kurulur yazımda anlattığım gibi bir bellek katmanı kurmadan hangi modeli seçtiğinizin açıkçası çok da önemi kalmıyor.
Durun, bir saniye.
Çalışan Verimliliği: Kurum İçi Ajanlar
Deutsche Telekom çalışanlar için de OpenAI tabanlı ajanlar geliştiriyor. HR süreçlerinden IT desteğine, sözleşme incelemesinden raporlamaya kadar geniş bir alan var burada. Hedef de net: ortalama bir bilgi işçisinin haftalık 4-6 saatini geri kazanmak (kendi tecrübem)
Rakam kulağa hoş geliyor da… gerçek hayatta öyle mi? Emin değilim ama sanırım koşula bağlı. Eğer ajanlar sadece “özet çıkar, mail yaz” seviyesinde kalırsa tasarruf yarım günü zor bulur. Asıl fark ajanların SAP’ye, ServiceNow’a ya da kendi CRM’inize bağlanıp aksiyon alabildiği noktada çıkıyor; işte orada konu MCP (Model Context Protocol). Orkestrasyon katmanına kayıyor.
İtiraf edeyim, Bu konuyu daha önce Agent Framework Orchestration 1.0: Çoklu Ajan Koordinasyonu Yetişkin başlıklı yazımda detaylı işlemiştim. Tek ajan tek iş yapıyorsa üretkenlik artışı sınırlı kalıyor. Çoklu ajan birlikte koordine olduğunda işe tablo değişiyor; baya değişiyor hem de.
Enterprise vs Startup: Farklı Reçeteler
Küçük bir ekipseniz — mesela 20 kişilik bir yazılım firmasıysanız — kurumsal ajan kurmak için OpenAI’ın hazır ChatGPT Enterprise ürününü alıp dokümanları içeri yüklemek yeterli olabilir. Aylık maliyet kişi başı 25-60 dolar civarında dolaşıyor; hızlıca başlarsınız.
Ama büyük kurumsal yapıdaysanız durum değişiyor. Hazır ürünler yetmez; kendi Azure OpenAI deployment’ınızı kurmanız gerekiyor (veri sınırları ayrı dert), KVKK ve GDPR uyumunu tamamlamanız gerekiyor (o da ayrı dert). Türkiye’deki finans ve telko müşterilerimde bu süreç çoğu zaman 6-9 ay sürüyor; kısa yol yok maalesef.
Evet, doğru duydunuz.
Ağ Operasyonları: İşin Az Konuşulan Ama Bence En Kritik Kısmı
Duyurunun en ilginç tarafı aslında burası olabilir. Deutsche Telekom ağ operasyonlarında AI kullanacağını söylüyor; yanı baz istasyonları, çekirdek ağ. Transmisyon hatları için izleme, arıza tahmini ve otomatik iyileştirme tarafına giriyor.
Neden heyecan verici? Çünkü müşteri hizmetleri AI’ı biraz konfor işi gibi kalabiliyor ama ağ operasyonları AI’ı doğrudan gelir ve SLA meselesi oluyor. Bir baz istasyonu arızasını 40 dakika önce tahmin edip proaktif müdahale edebiliyorsanız hem müşteri kaybını azaltıyorsunuz hem de saha ekibinin gece nöbet maliyetini aşağı çekiyorsunuz.
Türkiye’de büyük operatörlerin bu alanda ciddi Ar-Ge yatırımları var. Çoğu hâlâ klasik ML modelleriyle ilerliyor; foundation model tabanlı yaklaşım henüz yaygın değil diye biliyorum. Bence önümüzdeki 18 ay içinde bu taraf değişecek gibi dürüyor.
Sesli Asistan: Uzun Vadeli Vaat
Duyurunun en soyut kısmı burası diyebilirim. “Sesin geleceği” diye pazarlanıyor. Detay pek yok; muhtemelen OpenAI’ın Realtime API’si üzerinde çalışan doğal diyalog kurabilen bir müşteri hizmetleri asistanı hedefleniyor olabilir — itiraf edeyim, beklentimin üstündeydi —. Gerçek zamanlı olacak, kesintiyi tolere edecek ve gürültüyle aksana biraz dayanacak deniyor gibi okuyorum ben bunu.
Açık konuşayım — burada biraz temkinliyim ben de sanırım sizden farklı düşünmüyorumdur ya da tam tersidir bilmiyorum artık :) Sesli AI hâlâ ham sayılır; Türkçe kadar Almanca da morfoloji açısından zor bir dil ve telefon hattının ses kalitesi genelde 8kHz civarına düşüyor (üstüne çocuk ağlıyor, köpek havlıyor). Bu şartlarda insan seviyesine yakın çalışan bir asistan görürsem şaşırırım açıkçası.
Peki neden?
Maliyet Boyutu: FinOps Gözlüğüyle Bakınca
Peki bu iş kaça patlar? Deutsche Telekom rakam paylaşmadığı için ancak benzer projelerden yola çıkarak kabaca tahmin yürütüyoruz:
| Kalem | Küçük Kurum (100-500 kişi) | Büyük Kurum (10.000+ kişi) |
|---|---|---|
| Model kullanımı (yıllık) | $50K — $150K | $3M — $15M |
| Altyapı (Azure/AKS/vektör DB) | $20K — $60K | $500K — $2M |
| Entegrasyon & danışmanlık | $80K — $250K | $5M — $20M |
| Değişim yönetimi & eğitim | $30K — $80K | $1M — $4M |
Bu rakamlar ilk bakışta göz korkutabilir ama olayın diğer tarafını da görmek lazım: Deutsche Telekom gibi bir şirkette sadece 100 çağrı merkezî temsilcisinin verimliliğinde %20 artış bile yıllık milyonlarca euro tasarruf demek olabiliyor (bu konuda ikircikliyim). ROI’nın 12-18 ay içinde gelmesi mümkün; yeter ki proje yönetimi savrulmasın.
Türkiye’deki kurumsal müşterilerimde gördüğüm kadarıyla Azure OpenAI kullanımında en büyük sürpriz fatura sebebi context window’un kontrolsüz büyümesi oluyor hmm (ben de ilk duyduğumda şaşırmıştım). Mesele çoğu zaman model değil çevre koşulları oluyor diyeyim size hızlıca derleyip toparlayınca RAG mimarinizi kurarken chunk stratejisi ile retrieval iyileştirmeuna zaman ayırmazsanız token maliyeti 3-4 katına çıkabiliyor.Azure IaaS Maliyet Optimizasyonu: Sahadan FinOps Notları
Türkiye Bağlamı: Bizim Operatörler Ne Yapmalı?
Türk operatörleri — Turkcell, Vodafone, Türk Telekom — bu tarz duyurulara genelde iki uçtan tepki veriyor; ya “biz. Yapıyoruz” diyorlar ya da direkt “hemen kopyalayalım” moduna geçiyorlar. İkisi de tam oturmuyor aslında.
Doğru yaklaşım, Deutsche Telekom modelinin hangi parçalarının Türkiye pazarına uyduğunu ayıklamak. Bence öncelik sırası şöyle olmalı :
- Frontline Companion benzeri iç asistan — düşük risk, yüksek ROI. Altı ayda pilotlanır.
- Ağ operasyonları için LLM tabanlı NOC asistanı — orta risk, uzun vadeli değeri yüksek.
- Kurum içi çalışan ajanları — HR, IT self-service. Copilot ile zaten kısmen mümkün.
- Müşteriye dönük sesli asistan — en sona bırakın. Teknoloji biraz daha olgunlaşsın.
Eğer bir telko ya da büyük hizmet şirketiyseniz ve böyle bir dönüşüme başlamak istiyorsanız, benim önerim şu üç adım :
- Bir “AI Center of Excellence” kurun — 4-6 kişilik, ürün + ML + güvenlik + FinOps karışımı çekirdek ekip.
- Küçük ama gerçek use-case seçin. Mesela “çağrı merkezinde ilk çağrı çözüm oranını %5 artırmak” gibi ölçülebilir hedef koyun.
- Model bağımlılığını azaltan mimarı kurun — bugün GPT, yarın Claude, öbür gün Llama olabilir. Claude Microsoft Foundry’de GA : Azure Faturasında Tek Satır yazımda bahsettiğim gibi model esnekliği artık kritik.
Peki Riskler? Hersey Toz Pembe Değil
Şöyle ki, Bu duyuru güzel ama dikkat edilmesi gereken birkaç nokta var. Bir kere tek bir AI sağlayıcısına(OpenAI) bu kadar derin bağımlılık stratejik açıdan risk taşıyor. Bir gün fiyat üçe katlanabilir, başka gün Avrupa regülasyonu farklı davranabilir ; bunlara karşı nasıl pozisyon alacaklarını henüz net söylemediler.
Bir diğer risk veri yerleşimi. GDPR ve AI Act ikilisi Avrupa’da AI kullanımını epey sıkıştırıyor. Deutsche Telekom Azure Europe bölgelerinde çalışıyor olsa bile model eğitim verisi, log tutma, denetim izi gibi konular hâlâ gri alan bırakabiliyor.
Son olarak çalışan endişesi var : “AI bizim işimizi elimizden alacak mı ?” sorusu her toplantıda masaya geliyor. Deutsche Telekom’un buna dürüstçe yaklaşıp “bazı roller değişecek” demesi bence doğru yerden kurulmuş cümle.
Sonuç : Vitrin mi, Dönüşüm mü?
Bir Azure danışmanı olarak yirmi yılı aşan süredir bu tür büyük kurumsal duyuruları izliyorum ; bazıları gerçekten sektörü oynatıyor, bazıları işe PR gürültüsünden öteye gitmiyor. Deutsche Telekom — OpenAI ortaklığı bana göre ikisinin ortasında dürüyor : potansiyeli yüksek ama sonucu tamamen uygulamaya bağlı.
Bence doğru yönde atılmış adım ; yine de eksik kalan şey net başarı metriği ! Kaç çağrı temsilcisi kullandı demek yetmez ; müşteri memnuniyeti kaç puan arttı, çözüm süresi kaç saniye düştü, ağ arıza tahmini isabet oranı nedir… bunları görmek istiyorum açıkçası.
Umarım on iki ay sonra bunları da paylaşırlar.
Sıkça Sorulan Sorular
AI-native telko ne demek, sıradan AI kullanımından farkı nedir?
AI-native, aslında süreçleri baştan yapay zekâ etrafında tasarlamak demek. Sıradan AI kullanımında ne yapıyorsunuz? Mevcut süreçlerin üzerine bir chatbot ya da asistan yapıştırıyorsunuz. AI-native yaklaşımda işe iş rolleri, veri modeli ve mimarı doğrudan LLM’lerin yeteneklerine göre yeniden şekilleniyor. Yanı aralarındaki fark, hani cep telefonu ile akıllı telefon arasındaki fark gibi bir şey.
Bu tarz bir dönüşüm Türkiye’deki bir kurum için ne kadar sürer?
Kurumun büyüklüğüne göre değişiyor tabiî. Mesela 500 kişilik orta ölçekli bir firma için gerçek anlamda AI-native olmak 18-24 ay sürüyor. 10.000+ çalışanlı kurumsal bir yapı için bu süre 3-5 yıla kadar çıkabiliyor. Açıkçası en kilit faktör teknoloji değil; değişim yönetimi ve veri kalitesi olgunluğu bence çok daha belirleyici (evet, doğru duydunuz)
Azure OpenAI mı, doğrudan OpenAI API mi kullanmalıyım?
Türkiye’deki kurumsal müşteriler için Azure OpenAI genellikle daha mantıklı dürüyor. Faturalandırma tek çatı altında, veri yerleşimi Avrupa bölgelerinde, kurumsal SLA’lar hazır ve Microsoft Entra ID entegrasyonu geliyor. Küçük ekipler ya da deneysel projeler için işe doğrudan OpenAI API daha hızlı bir başlangıç sunuyor.
Frontline Companion tipi asistanları biz de kurabilir mıyız?
Evet, hem de görece kısa sürede. Azure OpenAI + Azure AI Search kombinasyonuyla 8-12 haftada pilot bir asistan çıkarılabiliyor. Tecrübeme göre burada kritik olan bilgi tabanınızın kalitesi ve RAG mimarisinin doğru kurulması. İlk pilot için 30-50 kişilik bir çağrı merkezî ekibiyle başlamanızı öneririm.
Sesli AI müşteri asistanları şu an yeterince olgun mu?
Kısmen. OpenAI Realtime API ve benzeri teknolojiler İngilizce’de iyi çalışıyor. Türkçe’de tolere edilebilir bir performans var, ama telefon hattı kalitesinde ve arka plan gürültüsünde hâlâ zorlanıyor. Bence müşteriye açık sesli asistan için 12-18 ay daha beklemek mantıklı. Bu arada iç kullanım için, yanı NOC asistanı ya da HR self-service gibi senaryolarda şimdiden deneyebilirsiniz.
Kaynaklar ve İleri Okuma
OpenAI — How Deutsche Telekom is rewiring telecommunications with AI
Azure OpenAI Service Resmî Dokümantasyonu
Deutsche Telekom AI Stratejisi Sayfası
Azure OpenAI Baseline Chat Reference Architecture
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
2 comments