Yapay Zeka ile Ürün Açıklaması Nasıl Yazılır?

Yapay zeka araçları ve büyük dil modelleri (LLM) ile e-ticaret siteleri için ölçeklenebilir, özgün ve SEO uyumlu ürün açıklaması yazma yöntemleri ve optimizasyon adımları.

E-ticaret ekosisteminde binlerce SKU'dan (Stock Keeping Unit) oluşan geniş ürün kataloglarını yönetmek; her bir varyant ve model için özgün, teknik doğruluğu tam ve arama motoru optimizasyonuna uygun metinler hazırlamayı zorunlu kılar. Geleneksel metin yazarlığı süreçleri bu büyüme hızına yanıt veremediğinde, üretken yapay zeka ve büyük dil modelleri devreye girer. Bu kapsamlı rehberde, Yapay Zeka ile Ürün Açıklaması Nasıl Yazılır? sorusunun teknik altyapısını, prompt mühendisliği yaklaşımlarını, API entegrasyonuyla toplu içerik üretimini, Google kalite yönergelerine (EEAT) tam uyumu ve insan denetimi (Human-in-the-Loop) iş akışlarını derinlemesine inceleyeceksiniz.

E-Ticarette Yapay Zeka ile Ürün Açıklaması Üretmenin Stratejik Avantajları

Geleneksel e-ticaret operasyonlarında metin yazımı; zaman, insan kaynağı ve bütçe kısıtlamaları nedeniyle genellikle üretici bültenlerinin doğrudan kopyalanması veya yetersiz kısa açıklamalarla geçiştirilmesiyle sonuçlanır. Üretken yapay zeka (Generative AI) ve Büyük Dil Modelleri (LLM), bu darboğazı ortadan kaldırarak katalog yönetimini dinamik ve veri odaklı bir dönüşüm merkezine çevirir. Sürecin temel stratejik avantajı, binlerce ürünlük envanterlerin birkaç saat içinde, tutarlı bir marka diliyle ve her ürünün teknik nüansları korunarak optimize edilmesidir.

E-ticaret işletmeleri için manuel metin üretim maliyetleri ürün başına 5 ila 30 USD arasında değişirken, optimize edilmiş LLM API iş akışları bu maliyeti sentler düzeyine (0.005 - 0.02 USD) indirir. Ancak bu maliyet avantajı yalnızca operasyonel tasarrufla sınırlı değildir. Asıl katma değer, pazara çıkış süresinin (Time-to-Market) radikal biçimde kısalması, arama motorlarında indekslenme hızının artması ve kullanıcı niyetine (User Search Intent) tam uyumlu açıklamalar sayesinde organik dönüşüm oranlarının yükselmesidir.

Ölçeklenebilirlik ve Hız

Büyüyen bir e-ticaret platformunda sezonluk koleksiyonlar veya yüzlerce yeni tedarikçiden gelen binlerce ürün verisi operasyonel kilitlenmelere yol açabilir. Bir metin yazarının günde ortalama 15-25 adet kaliteli, özgün ürün açıklaması yazabildiği düşünüldüğünde, 10.000 parçalık bir envanterin hazırlanması aylar sürer. Yapay zeka ile içerik üretimi altyapıları, yapılandırılmış ham veriyi (ERP/PIM üzerinden gelen teknik özellikler, materyal bilgisi, boyutlar) dakikalar içinde yüksek kaliteli pazarlama metinlerine dönüştürür.

Bu ölçeklenebilirlik, sadece ilk yazım aşamasında değil, ürün güncellemeleri, kampanya dönemleri ve stok girişlerinde de sürekli bir çeviklik kazandırır. Sistem mimarisi doğru kurulduğunda, yeni bir ürün kataloğu veritabanına girdiği anda otomatik tetiklenen prompt zincirleri sayesinde ürün açıklaması, meta etiketleri ve öne çıkan maddeler eşzamanlı olarak üretilir.

Çok Dilli SEO Yönetimi

Global pazarlarda faaliyet gösteren e-ticaret siteleri için yerelleştirme (Localization), doğrudan kelime çevirisinin ötesinde kültürel nüansları ve bölgesel arama alışkanlıklarını kapsamak zorundadır. Klasik çeviri motorları genellikle teknik terimleri ve arama hacmi yüksek yerel anahtar kelimeleri bağlamdan kopuk çevirir.

Modern LLM mimarileri (örneğin GPT-4o, Claude 3.5 Sonnet veya açık kaynaklı Llama 3 varyantları), hedef ülkenin kültürel tonunu, yerel arama niyetini ve argo/deyim kullanımlarını analiz ederek metin üretir. Bir ürünün İngilizce teknik tablosu girildiğinde, sistem Almanca pazarı için teknik ve rasyonel, İspanya pazarı için daha dinamik ve duygusal bağ kuran açıklamaları aynı anda üretebilir. Bu durum, hreflang mimarileriyle desteklenen uluslararası SEO performansını doğrudan yukarı taşır.

A/B Testi ve Dönüşüm Oranı Optimizasyonu (CRO)

Geleneksel içerik üretiminde farklı ürün açıklaması varyasyonlarını test etmek yüksek maliyetli ve zahmetlidir. Yapay zeka, tek bir ürün için farklı psikolojik tetikleyicilere odaklanan alternatif metinler kurgulayabilir:

• Fayda Odaklı Varyant: Ürünün son kullanıcıya sağladığı konfor, zaman tasarrufu ve pratik çözümleri vurgulayan metin yapısı.

• Teknik ve Spesifikasyon Odaklı Varyant: Mühendislik detayları, malzeme sertifikaları, dayanıklılık testleri ve ölçü hassasiyetine odaklanan yapı.

• Hikaye Anlatımı (Storytelling) Varyantı: Ürünün kullanım anını, yarattığı duygusal deneyimi ve yaşam tarzı uyumunu öne çıkaran akıcı anlatım.

E-ticaret platformları, bu varyantları dinamik A/B test araçlarıyla (örneğin Optimizely veya Google Optimize alternatifleri) ziyaretçi segmentlerine göre eşzamanlı sunarak hangi tonun daha yüksek sepete ekleme oranı sağladığını istatistiki olarak ölçümleyebilir.

Doğru Altyapıyı Seçmek: SaaS Araçları mı, Doğrudan LLM API’leri mi?

Yapay zeka destekli ürün açıklaması üretimine başlarken işletmelerin vermesi gereken en kritik karar, teknolojik altyapı modelidir. Bu seçim; şirketin teknik yetkinliğine, ürün kataloğunun büyüklüğüne, mevcut e-ticaret platformuna (Shopify, WooCommerce, Magento, SAP Commerce Cloud vb.) ve ayrılan bütçeye doğrudan bağlıdır. Temel olarak pazar iki ana kategoriye ayrılır: Kullanıma hazır arayüz sunan SaaS platformları ve doğrudan entegrasyon sağlayan LLM API mimarileri.

Hazır Yapay Zeka Platformları (Jasper, Copy.ai, Writesonic)

Kullanıma hazır yapay zeka SaaS platformları, teknik geliştirme kaynağı bulunmayan pazarlama ekipleri ve küçük-orta ölçekli e-ticaret siteleri için ideal bir başlangıç noktasıdır. Bu platformlar, arka planda OpenAI veya Anthropic modellerini kullanır; ancak bu modellerin üzerine e-ticarete özel prompt şablonları, kullanıcı dostu arayüzler, yerleşik intihal denetleyicileri ve doğrudan CMS eklentileri yerleştirir.

• Avantajları: Sıfır kodlama gereksinimi, hızlı kurulum (10 dakikadan az), yerleşik marka sesi kütüphaneleri, ekip içi iş birliği araçları ve sürükle-bırak katalog aktarımı.

• Dezavantajları: Yüksek kullanıcı başı aylık abonelik maliyetleri (aylık 49 - 500+ USD), büyük kataloglarda (50.000+ SKU) ölçeklenme kısıtları, model parametrelerine (temperature, top_p, logit bias) sınırlı müdahale imkanı ve API çağrılarına kıyasla yüksek birim maliyet.

Doğrudan API ve LLM Entegrasyonu (OpenAI, Anthropic Claude, Meta Llama)

Büyük ölçekli e-ticaret şirketleri, pazaryerleri ve kurumsal perakendeciler için doğrudan model sağlayıcılarının (OpenAI API, Anthropic API, Google Vertex AI, AWS Bedrock veya kendi sunucularında barındırılan Llama 3 modelleri) API uç noktalarına bağlanmak en sürdürülebilir yöntemdir. Bu yaklaşımda içerik üretimi; PIM (Product Information Management) veya ERP sistemindeki bir veri değişikliğiyle otomatik tetiklenen bir backend mikroservisi olarak kurgulanır.

Doğrudan API yaklaşımı, veri boru hattı (Data Pipeline) üzerinde tam hakimiyet sağlar. Örneğin, ürünün teknik tablosundaki bir değişiklik algılandığında, bir Webhook tetiklenerek sadece ilgili ürün açıklamasının güncellenmesi ve otomatik olarak arama motoru dizinine ping gönderilmesi sağlanabilir.

Adım Adım Prompt Mühendisliği: E-Ticaret İçin Prompt Tasarımı

Büyük dil modellerinden kaliteli, tekrara düşmeyen ve e-ticaret dönüşüm odaklı ürün açıklamaları alabilmenin temeli Prompt Mühendisliği (Prompt Engineering) disiplinidir. "Bana bu ayakkabı için bir ürün açıklaması yaz" şeklindeki jenerik komutlar; klişelerle dolu, halüsinasyona açık, SEO değeri zayıf ve marka kimliğini yansıtmayan çıktılar üretir. Profesyonel bir e-ticaret prompt mimarisi; sistem rolü, bağlam, kısıtlamalar, veri girdisi ve çıktı formatı olmak üzere 5 temel yapı taşından oluşmalıdır.

Rol Tanımlama ve Marka Ses Tonunun (Tone of Voice) Belirlenmesi

Modelin nasıl bir üslup takınacağını netleştirmek, üretilen metinlerin markanın kurumsal duruşuyla örtüşmesini sağlar. Rol tanımlaması yapılırken sadece "sen bir metin yazarısın" demek yerine sektörel uzmanlık, hedef kitle psikografisi ve dil kuralları tanımlanmalıdır.

[SİSTEM ROLÜ VE MARKA TONU PROTOKOLÜ]
Sen 15 yıllık deneyime sahip, teknik outdoor ekipmanları ve tekstil alanında uzmanlaşmış kıdemli bir E-Ticaret İçerik Stratejistisin.
Görevin: Verilen ham ürün verilerini, kullanıcıyı bilgilendiren, güven veren ve doğrudan faydaya odaklanan SEO uyumlu ürün açıklamalarına dönüştürmektir.

Marka Ses Tonu Kuralları:
1. Kurumsal, rasyonel, güven veren ve çözüm odaklı bir dil kullan.
2. "Devrim niteliğinde", "mükemmel", "dünyanın en iyisi", "büyüleyici" gibi kanıtlanamayan abartılı pazarlama sıfatlarını KESİNLİKLE kullanma.
3. Cümleleri etken çatıda kur; pasif ve karmaşık cümle yapılarından kaçın.
4. Okuyucuya doğrudan 'siz' şeklinde hitap et; samimiyet sınırını profesyonel düzeyde tut.

Teknik Özellikleri (Raw Data) Fayda Odaklı Metne Dönüştürme Yöntemleri

Müşteriler teknik özellikleri tek başına okuduklarında bunun hayatlarında ne anlama geldiğini her zaman kavrayamazlar. İyi bir ürün açıklaması, mühendislik verisini (Feature) tüketici faydasına (Benefit) tercüme etmelidir. Prompt mimarisi, modele "Özellik $\rightarrow$ Fayda $\rightarrow$ Günlük Hayat Karşılığı" mantıksal zincirini kurdurmalıdır.

Örneğin, bir kamp çadırı için verilen GORE-TEX 3 Katmanlı 28.000mm Su Sütunu verisi doğrudan yazılmak yerine şu mantıkla dönüştürülmelidir:

• Özellik: 28.000mm su sütununa dayanıklı 3 katmanlı GORE-TEX membran.

• Fayda: Şiddetli fırtına ve kesintisiz sağanak yağış altında dahi içeriye su sızmasını tamamen engeller.

• Deneyim Karşılığı: Zorlu kış kamplarında kuru ve güvenli kalarak hipotermi riskini minimize eder.

Sıfır Halüsinasyon Hedefli Prompt Şablonu Örneği

Halüsinasyon (modelin teknik tabloda yer almayan özellikleri uydurması), e-ticarette yüksek iade oranlarına ve tüketici hakları ihlallerine neden olan en büyük operasyonel risktir. Bu riski bertaraf etmek için "Strict Grounding" (Katı Kaynak Tabanlı) prompt teknikleri uygulanmalıdır.

[GÖREV VE SINIRLAMALAR]
Aşağıda verilen [ÜRÜN_VERİSİ] JSON bloğunu kullanarak e-ticaret sitemiz için ürün açıklaması oluştur.

ZORUNLU KURALLAR:
1. SADECE VE SADECE [ÜRÜN_VERİSİ] içerisinde açıkça belirtilen materyal, ölçü, renk, garanti ve teknik detayları kullan.
2. Veride bulunmayan hiçbir özelliği (örneğin su geçirmezlik, ağırlık, şarj süresi vb.) tahmin etme, uydurma veya genel geçer bilgi olarak ekleme.
3. Bir özelliğin faydasını açıklarken doğrudan verilen spesifikasyona sadık kal.
4. Çıktıyı şu Markdown formatında üret:
   - ## [Ürün Adı Odaklı H2 Başlığı]
   - 2 paragraflık (maksimum 120 kelime) fayda ve kullanım senaryosu odaklı giriş metni.
   - ### Öne Çıkan Teknik Avantajlar (3-5 maddelik bullet list, her madde kalın başlıkla başlamalı).
   - ### Teknik Özellikler Tablosu (Verilen ham verileri düzenli Markdown tablosuna dönüştür).
   - Meta Description (140-155 karakter arası, tıklama odaklı, anahtar kelime içeren tek cümle).

[ÜRÜN_VERİSİ]:
{
  "product_title": "Apex Pro Karbon Trekking Batonu",
  "material": "100% 3K Karbon Fiber Gövde",
  "locking_mechanism": "Hızlı Kilit Alüminyum Mandal Sistemi",
  "grip": "Doğal Mantar ve Uzatılmış EVA Köpük Sap",
  "weight_per_pair": "420 gram",
  "length_range": "65 cm - 135 cm arası ayarlanabilir",
  "included_accessories": "Kar paleti, çamur paleti, kauçuk uç koruyucu",
  "target_keyword": "karbon trekking batonu, ayarlanabilir yürüyüş sopası"
}

Kalite Kontrol ve Risk Yönetimi: "Human-in-the-Loop" Neden Zorunludur?

Yapay zeka modelleri ne kadar gelişmiş olursa olsun, probabilistik (olasılıksal) doğaları gereği deterministik yazılımlar gibi %100 öngörülebilir çalışmazlar. E-ticarette yanlış bir teknik bilgi; ürünün iade edilmesine, Tüketici Hakem Heyeti cezalarına, marka itibarının zedelenmesine ve hatta tüketici sağlığını ilgilendiren kategorilerde (gıda, kozmetik, elektronik, güvenlik ekipmanları) yasal sorumluluklara yol açabilir. Bu nedenle kurumsal içerik mimarilerinde Human-in-the-Loop (Döngüde İnsan Denetimi) yaklaşımı bir seçenek değil, operasyonel bir zorunluluktur.

Tamamen otonom sistemlerde karşılaşılan en büyük hata, sistem çıktılarının doğrudan canlı veri tabanına yazılmasıdır. Sağlıklı bir e-ticaret iş akışında yapay zeka bir "yazar", editör ise bir "doğrulayıcı ve onaylayıcı" olarak konumlandırılır.

[Ham Ürün Verisi (ERP/PIM)] 
       │
       ▼
[LLM API / Prompt Pipeline] 
       │
       ▼
[Otomatik Kalite Filtresi (Regex, Anahtar Kelime, Uzunluk)] 
       │
       ▼
[Editör Doğrulama Arayüzü (Human-in-the-Loop Onayı)] 
       │
       ▼
[Canlı E-Ticaret Mağazası (CMS)]

Halüsinasyon (Uydurma Veri) ve Doğruluk Denetimi

Halüsinasyon riski özellikle teknik ürünlerde, giyim beden tablolarında veya cihaz uyumluluk listelerinde baş gösterir. Örneğin model, telefon kılıfı açıklamasında kılıfın kablosuz şarjı desteklediğini iddia edebilir; ancak üretici tablosunda bu bilgi yoksa ve kılıf metal plaka içeriyorsa, müşteri mağduriyeti kaçınılmazdır.

Editör denetiminde şu kontrol protokolü işletilmelidir:

1. Özellik Eşleştirme: Metinde geçen her teknik iddianın, ürünün orijinal ERP/teknik föyündeki bir satıra denk geldiğinin doğrulanması.

2. Birim Doğrulaması: Watt, Lümen, mAh, Bar, Litre gibi ölçü birimlerinin ve sayısal değerlerin model tarafından değiştirilmediğinden emin olunması.

3. Kutu İçeriği Hassasiyeti: Modelin bazen aksesuarları ürünün standart parçası gibi sunma eğiliminin filtrelenmesi.

Veri Güvenliği, Fikri Mülkiyet ve Gizlilik Protokolleri (GDPR/KVKK)

İşletmeler yapay zeka araçlarını kullanırken gizli ticari bilgileri, henüz piyasaya sürülmemiş ürün tasarımlarını, patentli formülleri veya tedarikçi anlaşmalarını prompt girdisi olarak kullanabilirler. Bu noktada kullanılan aracın veri politikaları kritik önem taşır.

Genel kullanıma açık ücretsiz SaaS veya web tabanlı yapay zeka arayüzleri, girilen verileri varsayılan olarak modellerini yeniden eğitmek (Model Training) için kullanabilir. Bu durum, ticari sırların sızmasına ve KVKK/GDPR ihlallerine neden olabilir. Kurumsal e-ticaret mimarilerinde yalnızca Zero Data Retention (ZDR) taahhüdü veren kurumsal API planları veya kapalı devre (on-premise / private cloud) açık kaynak modeller tercih edilmelidir.

Özgünlük ve Çift İçerik (Duplicate Content) Kontrolü

Aynı kategori altında yer alan ve birbirine çok benzeyen ürünler (örneğin sadece rengi veya deseni farklı olan elbiseler ya da aynı kasanın farklı RAM kapasitelerine sahip laptop modelleri) için yapay zeka birbirinin neredeyse kopyası olan metinler üretebilir. Bu durum, Google tarafında arama motoru dizinleme bütçesinin (Crawl Budget) israf edilmesine ve sayfaların birbirinin organik performansını yamyamlaştırmasına (Keyword Cannibalization) yol açar.

Çözüm olarak:

• Varyant seviyesindeki ürünler için ayrı ayrı açıklamalar üretmek yerine, ana ürün grubu (Parent Product) için kapsamlı bir açıklama yazılmalı ve varyantlar için sadece farklılaşan nitelikleri özetleyen mikro metinler kurgulanmalıdır.

• Üretilen metinler otomatik n-gram analizinden veya intihal denetim API'lerinden (Copyscape, Turnitin vb.) geçirilerek benzerlik oranı %15'in altında tutulmalıdır.

Yapay Zeka İçerikleri ve SEO: Google Algoritmaları Nasıl Çalışıyor?

Arama motoru optimizasyonu dünyasında yapay zeka ile ilgili en büyük yanılgı, Google'ın yapay zeka tarafından üretilen içerikleri otomatik olarak cezalandırdığı inancıdır. Google Arama Merkezi (Google Search Central) resmi yönergelerinde açıkça belirtildiği üzere; arama motorunun odak noktası içeriğin bir insan tarafından mı yoksa yapay zeka tarafından mı üretildiği değil, içeriğin kullanıcıya değer katıp katmadığı, özgün olup olmadığı ve arama niyetini tatmin edip etmediğidir.

Google'ın Spam Politikaları, salt arama motoru sıralamalarını manipüle etmek amacıyla anahtar kelimelerle doldurulmuş, hiçbir özgün katma değer sunmayan ve toplu olarak üretilen düşük kaliteli metinleri hedef alır. Kaliteli bir yapay zeka ürün açıklaması süreci, arama motorunun Helpful Content System (Faydalı İçerik Sistemi) standartlarıyla tam bir uyum içinde yürütülmelidir.

Google'ın EEAT (Deneyim, Uzmanlık, Yetkinlik, Güvenilirlik) Kriterleri

E-ticaret siteleri, doğrudan finansal işlem içerdiği için Google tarafından YMYL (Your Money or Your Life) kategorisinde değerlendirilir. Bu nedenle ürün sayfalarında EEAT sinyallerinin güçlü olması gerekir. Yapay zeka ile ürün açıklaması hazırlarken EEAT kriterleri şu şekilde entegre edilmelidir:

• Deneyim (Experience): Ürünün gerçek hayattaki kullanımına dair pratik ipuçları, kutu açılışı detayları, bakım önerileri ve ilk kurulum zorluklarına dair çözümler eklenmelidir. Model, salt teknik tabloyu yinelemek yerine ürünün günlük hayattaki karşılığını anlatmalıdır.

• Uzmanlık (Expertise): Sektörel terminolojinin yerinde ve doğru kullanımı sağlanmalıdır. Örneğin bir ses sistemi açıklamasında "sesi çok net çıkarır" yerine "Total Harmonik Distorsiyon (THD) oranı <%0.1 seviyesinde tutularak yüksek ses seviyelerinde dahi akustik netlik korunur" ifadesi uzmanlık sinyalidir.

• Yetkinlik (Authoritativeness): Ürünün sahip olduğu uluslararası standartlar, sertifikalar (örneğin IP68 su geçirmezlik, OEKO-TEX tekstil sertifikası, CE belgeleri) açıkça listelenmelidir.

• Güvenilirlik (Trustworthiness): Net garanti koşulları, iade politikaları, uyumlu cihaz listeleri ve şeffaf malzeme dökümleri sunulmalıdır.

Arama Motoru Spam Politikaları ve AI Metin Cezaları

Yapay zeka ile üretilen metinlerin arama motoru filtrelerine takılmasının temel nedenleri şunlardır:

1. Programatik Kalitesizlik (Thin Content): Binlerce ürün için sadece ürün adını değiştirip geri kalan 100 kelimelik şablonu aynen tekrarlamak.

2. Keyword Stuffing (Anahtar Kelime Doldurma): LLM'e verilen hatalı komutlar sonucu, metnin okunabilirliğini bozacak sıklıkta aynı anahtar kelime öbeğinin geçirilmesi.

3. Tedarikçi Metninin Basitçe Döndürülmesi (Paraphrasing): Üreticinin sağladığı orijinal bülteni hiçbir yeni bilgi, tablo veya kullanıcı faydası eklemeden yalnızca eşanlamlı kelimelerle yeniden yazdırmak.

Yapay Zeka Arama Motorları (GEO) ve AI Overviews için Yapısal Veri Entegrasyonu

Yeni nesil arama ekosisteminde (Google AI Overviews, Perplexity, ChatGPT Search); arama motorları kullanıcılara doğrudan sentezlenmiş yanıtlar sunar. E-ticaret sitenizin bu yapay zeka özetlerinde kaynak olarak alıntılanması (Generative Engine Optimization - GEO) için ürün açıklamaları semantik olarak zenginleştirilmelidir.

• Sayfada mutlaka Schema.org Product, Offer, AggregateRating, Brand ve Review yapısal veri işaretlemeleri eksiksiz yer almalıdır.

• Ürün açıklamaları içinde "Sıkça Sorulan Sorular" veya "Uyumluluk Rehberi" gibi mikro başlıklar açılarak LLM'lerin doğrudan alıntılayabileceği net 1-2 cümlelik hap cevaplar konumlandırılmalıdır.

Ölçeklenebilir Otomasyon: API Entegrasyonu ile Toplu Üretim

Küçük ölçekli projelerde web arayüzleri veya Google E-Tablolar eklentileri yeterli olabilir; ancak yüz binlerce ürünlük kataloglarda kurumsal bir otomasyon mimarisi kurulmalıdır. Bu mimari, veri tabanından ham veriyi çeken, optimize edilmiş prompt zincirinden geçiren, maliyet ve hız için uygun LLM modeline yönlendiren ve onay mekanizmasının ardından e-ticaret altyapısına (Shopify Storefront API, Magento REST API, WooCommerce API) aktaran uçtan uca bir veri boru hattıdır.

CSV, Google Sheets ve PIM/ERP Entegrasyonları

Orta ölçekli operasyonlar için Python tabanlı scriptler veya n8n / Make gibi gelişmiş entegrasyon araçları üzerinden Google Sheets / CSV tabanlı iş akışları kurulabilir. Süreç şu adımlarla ilerler:

1. Veri Hazırlığı ve Temizliği: ERP veya PIM'den dışa aktarılan ham verideki HTML artıklarının, bozuk karakterlerin ve eksik alanların temizlenmesi.

2. Toplu İşleme (Batch Processing): API rate limitlerine (dakika başına istek sınırı - RPM / TPM) takılmamak için verilerin 50'şerli veya 100'erli paketler halinde asenkron kuyruğa (Queue) alınması.

3. Hata Yakalama (Retry Mechanism): API zaman aşımlarında veya sunucu hatalarında başarısız olan satırların işaretlenerek otomatik olarak yeniden denenmesi (Exponential Backoff).

Token Yönetimi ve Operasyonel Maliyet Hesaplama

Kurumsal bütçelemeyi doğru yapabilmek için LLM modellerinin token tüketim dinamiklerini anlamak gerekir. Bir dil modelinde ortalama 1000 token, yaklaşık 750 İngilizce kelimeye veya 400-500 Türkçe kelimeye karşılık gelir. Maliyet optimizasyonu, doğru modelin doğru görevde kullanılmasıyla (Model Routing) sağlanır.

Toplam API maliyetini hesaplamak için şu matematiksel formül kullanılır:

• $N$: Toplam işlenecek ürün sayısı.

• $T_{\text{giriş}}$: Girdi (System prompt + Ürün JSON verisi) token adedi.

• $T_{\text{çıkış}}$: Üretilen ürün açıklaması metninin token adedi.

• $P_{\text{giriş}}$: Milyon girdi token başına sağlayıcı fiyatı (USD).

• $P_{\text{çıkış}}$: Milyon çıktı token başına sağlayıcı fiyatı (USD).

Örneğin, 10.000 ürünlük bir katalog için ortalama 400 token girdi ve 300 token çıktı hesaplandığında; OpenAI gpt-4o-mini modeli kullanıldığında toplam maliyet 2-3 USD civarında kalırken, amiral gemisi gpt-4o kullanıldığında maliyet 35-50 USD seviyesine çıkar. Bu nedenle standart ürün açıklamaları için optimize edilmiş küçük modeller (Small Language Models - SLM veya mini varyantlar), karmaşık ve yüksek cirolu amiral gemisi ürünler için ise gelişmiş akıl yürütme modelleri kullanılmalıdır.

CI/CD Tarzı İçerik Dağıtımı ve Webhook Tetikleyicileri

Gelişmiş e-ticaret mimarilerinde içerik üretimi statik bir operasyon değildir. Ürün fiyatı, stok durumu veya teknik detayları güncellendiğinde sistem otomatik olarak ilgili ürünün metin modüllerini günceller:

• Tetikleyici (Trigger): PIM sisteminde bir ürünün "Açıklama Durumu = Beklemede" olarak güncellenmesi.

• İşlemci (Worker): AWS Lambda veya Google Cloud Functions üzerinde koşan hafif bir mikroservisin devreye girerek ilgili JSON yükünü LLM API'sine göndermesi.

• Doğrulama ve Kayıt: Üretilen metnin regex ve güvenlik filtrelerinden geçtikten sonra CMS veritabanında "Taslak" statüsünde kaydedilmesi ve sorumlu kategori yöneticisine bildirim düşmesi.

Bu otomasyon mimarisi sayesinde binlerce ürünün yer aldığı dinamik pazaryerlerinde dahi sıfır gecikmeyle, teknik doğruluğu tam ve SEO uyumlu ürün açıklamaları kesintisiz bir akışla üretilir.