Yapay zeka ile e-posta sınıflandırma, gelen her maili içeriğini okuyarak konu (fatura, teklif talebi, şikâyet, resmî yazışma), öncelik ve sorumlu kişi ya da ekip gibi etiketlere ayıran ve buna göre yönlendiren sistemdir. Kural tabanlı filtrelerden farkı, gönderen adresine ya da konu satırındaki kelimeye değil, mesajın ne istediğine bakmasıdır.
Gelen kutusunda sorun nerede başlıyor?
Çoğu şirkette info@, satis@ ya da muhasebe@ adresine gelen her mail aynı yığına düşer. Bir teklif talebi, bir e-Fatura bildirimi, bir müşteri şikâyeti ve bir bülten yan yana durur. Birisi sabah kutuyu açar, hangisinin kime ait olduğuna karar verir, iletir ya da "biri bakmıştır" diye geçer. Yüzlerce mükellefin mailini karşılayan bürolarda bu yığın daha da büyür; onlara özel kurguyu mali müşavirler için yapay zeka yazımızda anlattık.
Bu elle yapılan ayıklama (triyaj) üç yerde kırılır. Birincisi gecikme: acil bir sipariş değişikliği, kutuyu ayıklayan kişi toplantıdayken saatlerce bekler. İkincisi yanlış yönlendirme: konu satırında "fatura" geçen ama aslında bir itiraz olan mail muhasebeye gider, müşteri temsilcisi hiç görmez. Üçüncüsü görünmezlik: hangi konuda ne kadar mail geldiğini, hangisinin kaç saatte cevaplandığını kimse bilmez. Vatandaş başvurusunu doğru müdürlüğe iletmeye çalışan belediyeler de aynı sorunu yaşar; çözümünü belediyelerde yapay zeka yazımızda anlattık.
Outlook kuralları ya da "konu şunu içeriyorsa şu klasöre taşı" filtreleri bir yere kadar yardımcı olur. Ama müşteri konu satırını boş bırakır, aynı maile hem sipariş hem şikâyet yazar, tedarikçi her ay farklı bir kalıp kullanır. Kuralların nerede yettiği, nerede yapay zekanın gerektiği sorusunu yapay zeka mı kural tabanlı otomasyon mu yazısında ayrıntılı ele aldık.
Ayıklanmayan gelen kutusunun maliyeti
E-posta yükü küçük bir konu gibi görünür, çünkü maliyeti tek bir kalemde değil, günün her saatine dağılmış hâlde ortaya çıkar.
Microsoft'un 2025 Work Trend Index özel raporuna göre ortalama bir çalışan günde 117 e-posta alıyor; bunların çoğuna bir dakikadan kısa süre göz atılıyor; Microsoft 365 kullanan çalışanlar her 2 dakikada bir toplantı, e-posta ya da bildirimle bölünüyor. (Microsoft Work Trend Index, "Breaking Down the Infinite Workday")
Bir dakikadan kısa göz atılan mailde önemli ayrıntı kaçar. Ortak kutuda bu, "biri bakar" varsayımıyla birleşince sahipsiz kalan taleplere dönüşür; bu sorunun yetki ve sahiplik tarafını ortak posta kutusu yönetimi rehberinde anlattık.
Türkiye'de şirketlerin yapay zeka kullanımı ise henüz sınırlı. TÜİK Yapay Zeka İstatistikleri 2025 verisine göre 10 ve daha fazla çalışanı olan girişimlerde yapay zeka kullanım oranı %7,5; kullananların %46,5'i onu pazarlama veya satış için kullanıyor. Kullananlar ise faydayı görüyor: OECD D4SME 2025 anketi, ankete katılıp üretken yapay zeka kullanan KOBİ'lerin %91'inin verimlilik artışı bildirdiğini, kullanmayanların ise %83'ünün veri gizliliği konusunda endişeli olduğunu gösteriyor.
Bu son rakam önemli: e-posta, kişisel veri ve ticari sır açısından şirketin en hassas kanallarından biridir. Sınıflandırma projesinin, hangi verinin hangi modele gittiğini baştan netleştirmesi gerekir; ilkeleri yapay zeka ve KVKK yazısında topladık.
E-posta sınıflandırmada yapay zeka neye göre karar verir?
İyi bir sınıflandırma sistemi mail başına tek bir etiket üretmez; birbirinden bağımsız birkaç soruya cevap verir:
- Konu / niyet: Teklif talebi, sipariş, fatura/ödeme, şikâyet, resmî yazışma, iş başvurusu, bülten.
- Öncelik: Bugün cevaplanmalı mı, bu hafta mı, hiç cevap gerektirmiyor mu?
- Sorumlu: Hangi ekip ya da kişi? Bu çoğu zaman konu ile müşteri/tedarikçi bilgisinin birleşiminden çıkar.
- Çıkarılacak alanlar: Sipariş numarası, fatura numarası, vade tarihi, tutar, vergi numarası.
Burada iki ayrım kritik. Birincisi, güvenlik değerlendirmesi ile konu sınıflandırması ayrı katmanlardır. Bir mailin sahte olup olmadığını SPF/DKIM/DMARC, benzer alan adı ve Reply-To uyuşmazlığı gibi sinyallerle ölçmek ayrı bir iştir; konu sınıflandırıcısı "bu bir IBAN değişikliği bildirimi" diyebilir, ama mailin güvenilir olduğunu söyleyemez. Bu saldırı türünü IBAN değişikliği maili dolandırıcılığı yazısında anlattık.
İkincisi, model ne kadar emin olduğunu da söylemelidir. Güven puanı düşük mailler otomatik yönlendirilmez, bir kişinin kontrol kuyruğuna düşer. Böylece sistem, en belirsiz mailleri insana bırakıp gerisini hızlandırır; eşiğin nerede duracağı pilotta ölçülerek belirlenir.
E-posta sınıflandırma yöntemleri karşılaştırması: kural, model, büyük dil modeli
| Ölçüt | Kural / filtre | Eğitilmiş sınıflandırıcı | Büyük dil modeli (LLM) |
|---|---|---|---|
| Kurulum hızı | Çok hızlı | Etiketli geçmiş veri ister | Hızlı; örnek ve talimatla başlar |
| Serbest metni anlama | Zayıf | İyi (eğitildiği konularda) | Çok iyi |
| Açıklanabilirlik | Tam | Orta | Gerekçe yazdırılabilir |
| Yeni konu ekleme | Yeni kural yazılır | Yeniden eğitim gerekir | Talimat güncellenir |
| İşlem başına maliyet | Neredeyse sıfır | Düşük | Kullanıma göre değişir |
| Veri nerede işlenir? | Kurum içinde | Kurum içinde çalışabilir | Servis sağlayıcıya ya da kurum içi modele bağlı |
| En uygun olduğu iş | Biçimi belli bildirimler | Yüksek hacimli, istikrarlı konular | Karışık, çok dilli, değişken içerik |
Pratikte en sağlam kurulum karma olandır: e-Fatura bildirimi ya da kargo takip maili gibi biçimi sabit mailler kuralla ayrılır, geri kalanı modele gider. Türkçe metinde hangi yöntemin neden farklı sonuç verdiğini Türkçe doğal dil işleme yazısında karşılaştırdık.
Büyük dil modelleri mail özetinde de kullanılır, ama özet hatasız değildir. Stanford AI Index 2026 raporunun aktardığı Vectara belge özetleme testinde en iyi 15 model bile özetlere %1,8 ile %5,4 arasında oranla kaynakta olmayan bilgi ekledi. Bu yüzden özet, karar verdiren değil, okumayı hızlandıran bir araç olarak konumlanmalıdır; önlemleri yapay zeka halüsinasyonu yazısında bulabilirsiniz. Aynı ilke toplantı notları için de geçerli; yapay zeka ile toplantı özeti yazısı kontrol adımlarını anlatıyor.
Yapay zeka ile e-posta sınıflandırmaya 6 adımda geçin
- Tek bir kutu seçin. En kalabalık ve en çok ekibin ortak kullandığı adresle başlayın; genellikle
info@ya damuhasebe@. - Etiket şemasını yazın. 6–10 konu, 3 öncelik düzeyi ve her konunun sorumlusu. "Diğer" etiketi olsun, ama en büyük dilim olmasın; olursa şema eksiktir.
- Altın küme hazırlayın. Son birkaç aydan birkaç yüz gerçek maili işi bilen kişiler etiketlesin. Kişisel verileri maskeleyin; ne kadar maskeleme gerektiğini KVKK sorumlunuzla belirleyin.
- Ölçün, sonra karar verin. Kural, eğitilmiş model ve büyük dil modelini aynı küme üzerinde deneyin. Genel doğruluğa değil, konu bazında hataya bakın: şikâyetin "bülten" sanılması, bültenin "şikâyet" sanılmasından çok daha pahalıdır.
- Güven eşiğini ve insan kuyruğunu kurun. Eşiğin altındaki mailler bir kişiye düşsün; yaptığı düzeltme kayda geçsin ve bir sonraki iyileştirmenin verisi olsun.
- İş sistemine bağlayın ve izleyin. Etiket, CRM kaydına, destek talebine ya da ERP'ye yazılmadıkça yalnızca renkli bir klasördür. İlk yanıt süresi, yanlış yönlendirme oranı ve insan kuyruğunun büyüklüğü aylık izlenir. Etiketin ardından işlemi de kendisi yapan sistemler yapay zeka ajanı sınıfına girer ve ayrı yetki sınırı ister.
Bu adımların yatırım getirisini nasıl ölçeceğinizi yapay zeka projesinde ROI yazısında anlattık. İlk kez bir yapay zeka projesi planlıyorsanız genel çerçeve için şirketlerde yapay zeka nereden başlamalı rehberine de bakın.
Digital Bridge'de bu işi nasıl yapıyoruz?
E-posta sınıflandırmayı bir yazılım kurulumu olarak değil, gelen talebin şirket içindeki yolculuğunu yeniden tasarlama işi olarak ele alıyoruz:
- Keşif ve ihtiyaç analizi. Hangi adrese hangi tür mailin geldiğini, kimin ayıkladığını, nerede beklediğini ve yanlış yönlendirmenin neye mal olduğunu birlikte çıkarıyoruz. Sonunda kapsamı, aşamaları ve bedeli yazan bir teklif sunuyoruz.
- Pilot. Tek kutu ve altın kümeyle başlıyor, yöntemleri aynı veride ölçüp sonucu konu bazında tabloyla gösteriyoruz. Hazır ürünün yettiği yerde özel geliştirme önermiyoruz.
- Model. Müşteri talebinin bir kısmı mail yerine sohbet kanalına taşınabiliyorsa chatbot ve NLP hizmetimizle yanıtlıyoruz. Sektöre özgü dil ve konu yapısı gerekiyorsa firmaya özel yapay zeka eğitimi ile modeli kendi verinizle eğitiyoruz; gerekirse model kurum içinde çalışır. Web sitenizden gelen soruların maile hiç düşmemesi isteniyorsa SmartOperator yapay zeka temsilcisi ziyaretçiye bilgi bankası ve katalogdan kaynaklı cevap verir, emin olmadığında konuşmayı ekibinize devreder.
- Entegrasyon. Etiketi ve çıkarılan alanları yapay zeka entegrasyonu çalışmasıyla mevcut sistemlerinize yazıyoruz: teklif talebi CRM'de fırsat kaydına, fatura maili muhasebe akışına dönüşüyor.
Mailin içindeki PDF faturadan alan okumak gerekiyorsa OCR ile fatura okuma yazımız, satış tarafında hangi CRM'in bu akışı taşıyacağına karar veriyorsanız CRM seçim kriterleri yazımız yol gösterir.
SmartMail ile hazır sınıflandırma
Özel bir proje başlatmadan önce ihtiyacın ne kadarının hazır üründe karşılandığını görmek iyi bir başlangıçtır. Kendi geliştirdiğimiz Smart360 ailesinin yapay zeka destekli e-posta ürünü SmartMail, gelen maili otomatik olarak ilk temas, fatura/ödeme, teklif/ihale, resmî yazışma, promosyon ve güncelleme gruplarına ayırır, mesajı özetler ve mesaja soru sormanıza izin verir.
Somut bir senaryo (fatura kutusunun uçtan uca çalışma düzeni için fatura maillerini ortak kutuda yönetme yazısına bakın): muhasebe@ kutusuna bir tedarikçiden PDF faturalı mail gelir. SmartMail onu fatura/ödeme olarak işaretler; ek çözümlemesi taraflar, düzenlenme ve vade tarihi, ara toplam, KDV, genel toplam, belge numarası ve vergi numarasını dosya indirilmeden çıkarır. Aynı mail ayrıca kimlik (SPF, DKIM, DMARC), yapı (benzer alan adı, yanıltıcı bağlantı) ve içerik sinyallerini birlikte tartan güvenlik değerlendirmesinden geçer ve gerekçesi yazılı rapor olarak görünür; yani konu etiketi ile güven değerlendirmesi ayrı ayrı sunulur.
Ortak kutularda her kişiye dokuz ayrı izin verilebilir; "yapay zeka ile yeniden yorumlama" ve "yapay zeka sohbeti" bunlardan ikisidir, dolayısıyla yapay zeka özelliklerini kimin kullanacağına kurum karar verir. Atama panosu, ekip notları ve her mesajdaki işlem dökümü, sınıflandırılan mailin kimde ve hangi aşamada olduğunu gösterir. Fatura eki tek tıkla SmartFiles dosya alanına kaydedilir. Kimlik doğrulama ve alan adı kontrolleri yazılımla yürüdüğü için yapay zeka hakkı dolsa da çalışmaya devam eder.
Sonraki adım
Bir hafta boyunca en kalabalık ortak kutunuza gelen mailleri konu ve sorumlu bazında sayın; "hangi mail kime gitmeliydi, kaç saatte gitti?" sorusunun cevabı projenin kapsamını belirler. Ardından bizimle iletişime geçin: kendi adreslerinizle SmartMail'in sınıflandırmasını gösterelim, hazır ürünün yetmediği yerde özel bir model için keşif yapalım. Diğer yapay zeka uygulamaları için Yapay Zeka konu sayfamıza göz atabilirsiniz.