Yapay zekanızın gerçekten kullanabileceği bir bilgi tabanı nasıl yazılır

Yapay zeka müşteri desteği kalitesinin tek en büyük belirleyicisi yapay zeka modeli değildir. Yapay zekanın okuduğu bilgi tabanıdır. Ekipler yapay zeka desteğini devreye alır, vasat sonuçlar alır ve yapay zekayı suçlar — oysa asıl sorun, ona belirli bir soruyu yanıtlayan bir yapay zeka için değil, bir yardım merkezine göz atan insanlar için yazılmış belgeleri vermeleridir.

Bu yazı, gerçekten iyi yapay zeka yanıtları üreten bir bilgi tabanı yazmakla ilgili. Yapay zeka desteğini ilk kez devreye alıyor ya da hâlihazırda sahip olduğunuz bir yapay zeka sisteminin kalitesini artırmaya çalışıyor olun, konu sizinle ilgili. Bilgi tabanının sahibi olan destek liderleri ve kurucular için yazıldı, illâ teknik yazarlar için değil.

İnsan için optimize edilmiş ile yapay zeka için optimize edilmiş neden farklıdır

İnsanlar için yazılmış bir bilgi tabanı; göz atan, başlıkları tarayan, oradan oraya atlayan ve uzun bir makalenin ilgili kısmını bulmak için muhakeme kullanan bir kişi varsayar. İnsanlar bunda iyidir. "Hesabınızı Yönetme" başlıklı 2.000 kelimelik bir makaleye katlanırlar, çünkü ihtiyaç duydukları bölüme kadar tarayabilirler.

Yapay zeka farklı okur. Anlamsal erişim yapar — en ilgili pasajı bulmak için müşterinin sorusunu içerikle eşleştirir, sonra ondan bir yanıt oluşturur. 15 alt konuyu kapsayan uzun bir makale, bunun için 15 odaklı makaleden daha kötüdür, çünkü erişim daha az kesindir ve yapay zeka yanlış bölümü çekebilir ya da bölümleri yanlış biçimde harmanlayabilir.

Zihniyet değişimi şu: göz atan biri için makale yazmayı bırakın, yanıtlanan bir soru için makale yazmaya başlayın. Her içerik parçası, bir müşterinin sorabileceği belirli bir soruyla düzgünce eşleşmelidir.

1. Kural: Makale başına tek konu

En önemli kural. E-posta değişikliklerini, parola sıfırlamalarını, faturalandırma güncellemelerini ve abonelik değişikliklerini kapsayan "Hesabınızı nasıl yönetirsiniz" yazmayın. Ayrı, odaklı makaleler yazın: "E-postanızı nasıl değiştirirsiniz," "Parolanızı nasıl sıfırlarsınız," "Fatura bilgilerinizi nasıl güncellersiniz," "Abonelik planınızı nasıl değiştirirsiniz."

Bunun yapay zeka için neden önemli olduğu: anlamsal erişim, soru ile içerik arasındaki benzerlik üzerinden çalışır. Parola sıfırlamaya odaklanmış bir makale, bir parola sıfırlama sorusuyla tam olarak eşleşir. Dağınık bir hesap yönetimi makalesi ise, içerdiği tüm diğer içerikle seyreltildiği için onunla zayıf biçimde eşleşir.

Pratik test: bir makale birden fazla farklı müşteri sorusunu yanıtlayabiliyorsa, muhtemelen bölünmelidir.

2. Kural: Her makaleyi kullanıcıların gerçekte sorduğu soru olarak başlıklandırın

Müşteriler "İki faktörlü kimlik doğrulama ayarları" diye aramaz. "İki faktörlü kimlik doğrulamayı nasıl açarım?" ya da "Hesabımı nasıl daha güvenli hâle getiririm?" diye sorarlar.

Makalelerinizi, müşterilerin ifade ettiği biçimde ifade edilmiş sorular olarak başlıklandırın. Bu, erişimi çarpıcı biçimde iyileştirir, çünkü yapay zeka müşteri sorularını sizin başlıklarınızla eşleştirir. Başlığınız müşterilerin gerçekte sorduğu biçime ne kadar yakınsa, eşleşme o kadar iyi olur.

Pratik test: makale başlıklarınızı yüksek sesle okuyun. Bir müşterinin yazacağı ya da söyleyeceği şeyler gibi mi duyuluyorlar? Yoksa dahili özellik adları gibi mi? Özellik adlarının sorulara dönüşmesi gerekir.

3. Kural: Genel yönergeler yerine özel yönergeler

Aynı yönergenin iki sürümünü karşılaştırın:

Genel: "Güvenlik ayarlarınıza gidin ve özelliği etkinleştirin."

Özel: "Sağ üstteki profil simgenize tıklayın, Ayarlar'ı, ardından Güvenlik'i seçin, sonra İki Faktörlü Kimlik Doğrulama'yı Açık konumuna getirin."

Yapay zeka, bilgi tabanınızdaki belirginlik düzeyini kopyalar. Belgeleriniz muğlaksa, yapay zekanın yanıtları da muğlaktır. Belgeleriniz tam adımlar veriyorsa, yapay zeka da tam adımlar verir. Müşteriler özel yönergeleri izleyebilir; genel yönergelerde tıkanıp kalırlar.

Pratik test: ürününüze tamamen yabancı biri, yönergeyi tıkanmadan izleyebilir mi? İzleyemiyorsa, çok geneldir.

4. Kural: En üste bir bağlam bloğu ekleyin

Çoğu ürün özelliğinin koşulları vardır — belirli planlar, belirli bölgeler, belirli hesap türleri için geçerlidir ya da belirli izinler gerektirir. Yapay zekanın, doğru ve süzülmüş yanıtlar vermek için bu koşulları bilmesi gerekir.

Her makaleye kısa bir bağlam bloğuyla başlayın: "Bu, Pro ve Kurumsal planları için geçerlidir." "Yalnızca AB'de mevcuttur." "Yönetici izinleri gerektirir." "Yalnızca Ocak 2025'ten sonra oluşturulan hesaplar için geçerlidir."

Bunun neden önemli olduğu: bağlam olmadan yapay zeka, Starter planındaki bir müşteriye bir Pro özelliğini nasıl kullanacağını söyleyebilir ve müşteri onu bulamayınca hüsran yaratır. Bağlamla birlikte yapay zeka şöyle diyebilir: "Bu özellik Pro planlarında mevcut — yükseltmeyi şöyle yapabilirsiniz ya da mevcut planınızdaki eşdeğeri şudur."

Pratik test: her makale için şunu sorun: "bu, her bir müşteri için mi doğru, yoksa yalnızca bazıları için mi?" Yalnızca bazıları içinse, koşulların yeri bir bağlam bloğudur.

5. Kural: Meta verileri güncel tutun

Her makale meta veri taşımalıdır: en son ne zaman güncellendiği, hangi planlar için geçerli olduğu, hangi özelliklerle ilgili olduğu. Yapay zeka bunu, güncelliğini yitirmiş içerik yerine güncel ve ilgili içeriği önceliklendirmek için kullanır.

Bu en çok değişen ürünler için önemlidir. Bir özellik yeniden tasarlanır, eski makale eski akışı anlatır ve son güncelleme meta verisi olmadan yapay zeka hangi sürümün güncel olduğunu ayırt edemez. Müşteriler artık var olmayan bir arayüz için yönergeler alır.

Pratik test: altı ay önce bir özelliği değiştirdiyseniz, bilgi tabanınız hâlâ herhangi bir yerde eski sürümü anlatıyor mu? Güncelliğini yitirmiş içerik yapay zeka kalitesine etkin biçimde zarar verir, çünkü yapay zeka kendinden emin bir şekilde yanlış yanıtlar verir.

Bonus bir kural: kritik adımlarda ekran görüntülerine bel bağlamaktan kaçının

Yapay zeka, metni görüntülerden çok daha iyi okur. Kritik bir yönerge yalnızca bir ekran görüntüsünün içinde yaşıyorsa — "burada gösterilen düğmeye tıklayın" — yapay zeka onu güvenilir biçimde aktaramaz.

Kritik adımları metinle anlatın, sonra görsel teyit için bir ekran görüntüsü kullanın. "Formun altındaki mavi Kaydet düğmesine tıklayın" artı bir ekran görüntüsü, yapay zeka için, düğmeyi gösteren bir oklu tek başına bir ekran görüntüsünden çok daha yararlıdır.

Bu, ekran görüntülerini kaldırmak anlamına gelmez. Yapay zekanın çıkarması gereken bilgi için onlara bağımlı olmamak anlamına gelir.

Bunun uygulamadaki görünümü

Tipik, dağınık bir bilgi tabanı makalesini ele alalım:

"Hesap Yönetimi — Bu bölümde; profil bilgileriniz, güvenlik ayarlarınız, faturalandırma ve ödeme yöntemleriniz, abonelik yönetiminiz ve bildirim tercihleriniz dâhil olmak üzere hesabınızın çeşitli yönlerini yönetmeyi öğreneceksiniz. Başlamak için, tüm bu seçenekleri bulacağınız hesap alanınıza gidin..."

Bu, yapay zeka için kötü: beş farklı konuyu kapsayan tek bir makale, genel bir başlık, muğlak yönergeler, bağlam bloğu yok, belirginlik yok.

Yapay zeka dostu sürüm beş makaledir:

1. "Profil bilgilerimi nasıl güncellerim?" — bağlam: tüm planlar; özel adımlar; şu tarih itibarıyla güncel: [tarih]
2. "Güvenlik ayarlarımı nasıl değiştiririm?" — bağlam: tüm planlar; özel adımlar; şu tarih itibarıyla güncel: [tarih]
3. "Ödeme yöntemimi nasıl güncellerim?" — bağlam: yalnızca ücretli planlar; özel adımlar; şu tarih itibarıyla güncel: [tarih]
4. "Abonelik planımı nasıl değiştiririm?" — bağlam: tüm planlar; yükseltme/düşürme davranışı dâhil özel adımlar; şu tarih itibarıyla güncel: [tarih]
5. "Bildirim tercihlerimi nasıl yönetirim?" — bağlam: tüm planlar; özel adımlar; şu tarih itibarıyla güncel: [tarih]

Aynı bilgi, yeniden yapılandırılmış. İlk sürüm vasat yapay zeka yanıtları üretir. İkincisi kesin yanıtlar üretir.

Bu gerçekte ne kadar iş?

Dürüst yanıt: ekiplerin korktuğundan az, umduğundan çok.

50–100 yardım makalesi olan tipik bir SaaS için, yapay zeka dostu formata yeniden yapılandırma, bir kişi için bir ila iki haftalık bir projedir. Göz alıcı bir iş değil, ama yapay zeka destek kalitesine yapabileceğiniz en yüksek kaldıraçlı yatırımdır.

İyi haber: hepsini baştan yapmanız gerekmiyor. Makul bir yaklaşım:

1. En sık 20 soru kategorinizle başlayın (bunlar talep hacminin ~%80'ini kapsar)
2. Bu 20'yi yapay zeka dostu makaleler olarak yazın ya da yeniden yazın
3. Yapay zeka desteğini bu temelle devreye alın
4. Boşlukları belirlemek için yapay zekanın üst kademeye taşıma örüntülerini kullanın — yapay zeka bir yanıtı olmadığı için üst kademeye taşıdığında, bu bir makale ekleme ya da iyileştirme sinyalidir
5. İzleyen haftalarda yineleyin

Bu kademeli yaklaşım, size hızlıca çalışan bir yapay zeka destek sistemi kazandırır, sonra da müşterilerin gerçekte ne sorduğuna dair gerçek verilere dayanarak onu iyileştirir.

Bilgi tabanınızın işe yarayıp yaramadığı nasıl ölçülür

Devreye aldıktan sonra, bilgi tabanınızın yeterince iyi olup olmadığını size söyleyen metrikler:

Yapay zeka otomatik çözüm oranı. %50'nin altındaysa, bilgi tabanınızda muhtemelen boşluklar vardır. İyi bilgi tabanları %60–70 otomatik çözümü destekler.

Üst kademeye taşıma nedenleri. Yapay zeka üst kademeye taşıdığında, neden? "İlgili makale bulunamadı" bir içerik boşluğu demektir. "Birden fazla çelişen makale" bir yapı sorunu demektir (muhtemelen bölmek ya da birleştirmek gerekir).

Müşteri geri dönüş oranı. Müşteriler bir yapay zeka yanıtından sonra sık sık geri yazıyorsa, yanıtlar eksiktir. Çoğu zaman bir belirginlik sorunu — yanıt genel olarak doğru yöndeydi ama sorunu gerçekten çözecek kadar ayrıntılı değildi.

Yapay zekanın ele aldığı taleplerde CSAT. Yapay zekanın ele aldığı taleplerin CSAT'ı, insanın ele aldıklarınınkinden düşükse, olağan şüpheli bilgi tabanı kalitesidir.

Bu metrikler, bilgi tabanı iyileştirmesini tahmin yürütmekten bir geri bildirim döngüsüne dönüştürür. Yapay zeka size boşlukların nerede olduğunu söyler; siz onları doldurursunuz; kalite artar.

Özetle

Yapay zeka müşteri desteği kalitesi büyük ölçüde bilgi tabanı kalitesidir. Model önemlidir, mimari önemlidir, ama kontrol ettiğiniz tek en büyük kaldıraç, yapay zekaya verdiğiniz belgelerdir.

Beş kural — makale başına tek konu, soru tarzı başlıklar, özel yönergeler, bağlam blokları, güncel meta veri — ifade etmesi basit, uygulaması ise yüksek etkilidir. Bunları izleyen ekipler %60–70 otomatik çözüm alır. Eski, insan odaklı belgelerini yapıştırıp mucize bekleyen ekipler ise vasat sonuçlar alır ve yapay zekayı suçlar.

Bilgi tabanı, yapay zeka desteğinin tümüyle kontrol ettiğiniz kısmıdır. Yatırıma değer.

Respondo bu tabloda nerede duruyor

Respondo'nun bilgi tabanı entegrasyonu, başlangıç noktası olarak mevcut belgelerinizi otomatik tarar, ardından daha iyi yapay zeka performansı için yeniden yapılandırma fırsatlarını öne çıkarır. Muhakeme öncelikli yapay zeka, iyi yapılandırılmış içerikten en iyi şekilde yararlanır — bağlamı anlar ve yalnızca en yakın makaleyi getirmek yerine özel yanıtlar oluşturur.

Panel, bilgi tabanınızın işe yarayıp yaramadığını size söyleyen metrikleri gün yüzüne çıkarır: otomatik çözüm oranı, üst kademeye taşıma nedenleri, geri dönüş oranları. Bu, bilgi tabanı iyileştirmesini tahmin yürütmek yerine veri odaklı bir geri bildirim döngüsüne dönüştürür.

14 günlük deneme sürümü, bilgi tabanınızı bağlamanız, başlangıçtaki yapay zeka kalitesini görmeniz ve yeniden yapılandırmanın en çok nerede yardımcı olacağını belirlemeniz için size zaman tanır.

Yapay zekanın mevcut belgelerinizi ne kadar iyi yanıtladığını görmek ister misiniz? 14 günlük ücretsiz denemenizi başlatın — bilgi tabanınızı bağlayın ve gerçek talepleriniz üzerindeki otomatik çözüm oranını görün.