Yapay Zeka ile B2B Müşteri Bulma: 8 Adım, Kim Ne Yapar, Hız Sınırı

"Yapay zeka bana müşteri bulsun" isteği çoğu zaman yanlış adımdan başlar: ya yapay zekadan hazır isim listesi istenir ya da gönderim baştan sona bir araca bırakılır. İkisi de B2B satışta güveni ve hesabı riske atar. Bu yazıda müşteri bulmanın sekiz adımını, her adımda yapay zekanın ve senin ne yaptığını, riskin nerede durduğunu ve yöntemin çözmediği şeyleri bulacaksın.

Yapay zeka B2B müşteri bulmada ne işe yarar, ne işe yaramaz?

Yapay zeka B2B müşteri bulmada veri ve taslak işinde hızlıdır, ilişki ve karar işinde yerine geçemez. Dağınık bir müşteri listesinden ortak özellik çıkarmak, binlerce satırlık bir listeyi tekilleştirmek, unvanları sınıflamak, bir şablonu kişinin verisiyle doldurmak ve gelen cevabı türüne göre ayırmak saatler süren işlerdir; yapay zeka bunları dakikalara indirir.

Kime yazılacağına karar vermek, hangi metnin gideceğini onaylamak, sohbeti sürdürmek ve görüşmeye geçmek ise insan işidir. Satın alma kararını veren kişi karşısında bir sistem değil bir insan görmek ister. Yapay zekanın yazdığı ama kimsenin okumadığı mesaj, ilk cümlesinden anlaşılır ve cevapsız kalır.

Yapay zeka ile müşteri bulma hangi 8 adımdan oluşur?

Müşteri bulma tek bir iş değil, birbirine bağlı sekiz adımdır. Aşağıdaki tablo her adımda iş bölümünü ve o adımın tipik riskini gösterir. Tabloyu okurken bir kurala dikkat et: yapay zekanın satırı ne kadar dolu olursa olsun, insan sütunu hiçbir satırda boş kalmaz.

Aşağıdaki bölümler en çok hata yapılan adımları açıyor: tanım, liste, mesaj, gönderim ve cevap.

İdeal müşteri tanımı yapay zeka ile nasıl çıkarılır?

İdeal müşteri tanımı, yapay zekaya tarif ettirilerek değil, gerçek müşteri verisi verilerek çıkarılır. Veri vermezsen yapay zeka sana "büyümek isteyen KOBİ'ler" gibi herkese uyan, kimseyi ayırmayan bir tanım yazar. Şu sırayla ilerle:

1. Kazandığın müşterileri yaz: Şirket, sektör, çalışan bandı, kararı veren kişinin unvanı ve müşterinin nereden geldiği.
2. Kaybettiğin görüşmeleri ekle: Teklif verip kazanamadığın ya da görüştükten sonra vazgeçtiğin şirketler. Ayırt edici özellik çoğu zaman bu iki grubun farkında görünür.
3. Ortak ve ayırt edici özellikleri iste: Yapay zekadan iki liste iste: kazanılanların ortak özellikleri ve kaybedilenlerden ayrıldıkları nokta. Üçüncü olarak "kim değil" listesini iste.
4. Tanımı filtreye çevir: Unvan aileleri Türkçe ve İngilizce, sektör, şirket büyüklüğü bandı, coğrafya ve dışlanacak unvanlar.
5. Sına: Filtreyi son kazandığın müşterilere uygula. Onları yakalamıyorsa tanım yanlıştır; yapay zekanın değil verinin eksik olduğunu düşün ve veriyi tamamla.

Unvan ailesini iki dilde yazmak bir ayrıntı değil, listenin yarısıdır. 7 Ağustos ile 1 Eylül 2026 arasında doğruladığım 40.507 B2B karar verici profilinde unvanların %65,5'i İngilizce, %25,1'i Türkçe yazılmıştı. Aynı havuzda "Founder" unvanı 6.237 kez, "Kurucu" 3.278 kez geçti; yalnız Türkçe arayan bir liste kurucuların çoğunu kaçırır. Havuzun bütün bulguları Türkiye LinkedIn Karar Verici Raporu 2026 yazısında.

Yapay zeka ile müşteri listesi nasıl temizlenir?

Listeyi yapay zekaya ürettirme, temizlettir. Yapay zekadan "İstanbul'daki lojistik şirketlerinin genel müdürlerini listele" diye istediğinde aldığın isimlerin bir kısmı gerçek olmayabilir ya da kişi o görevden çoktan ayrılmış olabilir. Liste, kişinin kendi beyan ettiği güncel unvanın bulunduğu bir kaynaktan çekilir; yapay zekanın işi o listeyi kurala göre ayıklamaktır.

Kaynak tarafında aracın sınırını bil. Eylül 2026'da yönettiğim hesaplarda tek bir Sales Navigator araması en fazla yaklaşık 2.300-2.500 kişi listeledi. Daha büyük kitle için arama bölünür: "mevcut pozisyondaki süre" filtresiyle bölmek parçaların toplamında kayıp bırakmadı, şirket büyüklüğüyle bölmek ise kayıplıydı çünkü kayıtların yaklaşık dörtte birinde şirket büyüklüğü verisi yoktu.

Temizleme dört işten oluşur ve dördü de yapay zekanın hızlı yaptığı işlerdir:

• Tekilleştirme: Unvanla bölünmüş aramalar birbirini büyük ölçüde tekrar eder. Yönettiğim hesaplarda "Founder", "Co-Founder" ve "CEO" aramaları %39 ile %57 arasında çakıştı. Tekilleştirme isimle değil profil adresiyle yapılır.
• Unvan sınıflama: Her unvan üç kutudan birine girer: karar verici (kurucu, sahip, genel müdür, CEO), etkileyen (ilgili bölümün direktörü ya da müdürü) ve dışarıda (öğrenci, stajyer, aynı hizmeti satan rakip unvanlar). Kural yazılı olur ve yapay zeka bu kurala göre sınıflar.
• Daha önce temas edilenleri çıkarma: Sales Navigator'da davet penceresindeki "Save as lead" kutusu varsayılan olarak işaretli geliyor; davet edilen kişi kayıtlı aday oluyor ve sonraki aramalarda kayıtlı adayları hariç tutmak aynı kişiye ikinci daveti önlüyor.
• Yasak liste: Mevcut müşteriler, rakipler ve daha önce "yazmayın" diyen kişiler her turdan önce listeden düşer.

Yapay zekanın sınıflamasına körü körüne güvenme. Her yeni kuraldan sonra sınıflanan listeden rastgele bir örnek al ve elle kontrol et; yanlış kutuya düşen unvan, kuralın eksik olduğunu gösterir. Düzeltmeyi kişiye değil kurala yap ki aynı hata bir sonraki listede tekrar etmesin.

Bir ipucu daha: Sales Navigator'da profil metninde anahtar kelime aramak, coğrafya filtresinin yakalayamadığı bir kitleyi bulabiliyor. Yönettiğim hesaplarda "Türkiye" kelimesiyle yapılan arama, yurt dışındaki şirketlerde çalışan ve Türkiye ile bağı olan yöneticileri getirdi.

Kişiselleştirilmiş mesajı yapay zeka mı yazmalı?

Mesajın şablonunu sen yazarsın, yapay zeka şablonu kişinin doğrulanmış verisiyle doldurur. Yapay zekaya "bu kişiye etkileyici bir mesaj yaz" demek, her kişiye farklı bir vaat, farklı bir ton ve çoğu zaman uydurma bir ayrıntı demektir. Şablon yöntemi sesi sabit tutar, değişkeni sınırlar.

Kendi çalışmamda üç kuralı değiştirmiyorum:

1. Tahmin yok: Yapay zeka cinsiyet, unvan ve şirket tahmin etmez. İsimden "Bey" ya da "Hanım" çıkarmak, "Founder" yazan birine "Genel Müdür" demek, eski şirket adını güncel sanmak bu kuralın önlediği hatalardır. Veri yoksa alan boş kalır ve şablon o alansız sürümle yazılır.
2. İlk metinler tek tek onaylanır: Yeni bir şablonun ilk 5 metnini tek tek okuyup onaylarım. Şablonun gerçek kişilerin verisiyle nasıl göründüğü ancak böyle anlaşılır.
3. Teklif ilk mesajda olmaz: Davet notunda neden o kişiye yazdığını söylersin; teklif sohbet açıldıktan sonra gelir.

Davet notunun yapısını ve beş örneğini LinkedIn bağlantı isteği nasıl atılır yazısında topladım.

Gönderimi kim yapmalı, otomasyon hesabı kısıtlatır mı?

Gönderimin sahibi her zaman hesabın sahibidir. İnsani hız ve sayılarda kalan bir gönderim sorun çıkarmaz; LinkedIn'in kısıtlama sistemi aracın varlığına değil davranışa bakar: kısa sürede olağan dışı sayıda davet, yüzlerce kişiye aynı metin, hesabın hiç girmediği bir sunucudan oturum. Sınırı belirleyen hacim, hesabın kendi tarayıcısı ve ağ adresi, ölçüm ve durma kurallarıdır.

Ölçüm olmadan güvenli hacim bilinmez. Eylül 2026'da 4 hesapta 40'tan fazla davet turunda gördüğüm tablo şuydu:

• Tavan hesaba ve güne göre değişiyor: Aynı gün bir hesap 117. davette durdu, diğeri 175'e kadar gitti.
• Tavan sessiz olabiliyor: Davet penceresi açılıp kapanıyor, ekranda uyarı çıkmıyor ama davet oluşmuyor. Pencerenin kapanması kanıt değildir; kanıt bekleyen davetler listesi ve son bağlantılardır.
• Sayaç hafta başında sıfırlanır gibi davranıyor: Tavana dayanan hesap ertesi haftanın başında temiz açıldı.
• Güvenli ritim: Tur başına 30-40 davet, günde bir tur, haftada 150 civarı. Günde 35 davet beş gün üst üste uyarısız gitti.
• Mesaj kotası davetten bağımsız: Aynı gün 35 davet ve 30 mesaj gönderildi.

Ölçümün ayrıntısı LinkedIn haftalık bağlantı kurma sınırı yazısında. Bu gözlemlerden çıkan durma kuralı basittir: sınır metni, kısıtlama uyarısı, HTTP 429 ya da 999 yanıtı veya "olağan dışı hareket" uyarısı görüldüğü anda tur o an durur; doğrulanmayan hiçbir davet "gönderildi" diye sayılmaz.

Bu kuralları ELÇİ adını verdiğim bir ajanın değişmez kuralları olarak yazdım. ELÇİ, kişinin kendi bilgisayarında, kendi Claude'unda (Claude Code) çalışan bir talimat ve araç paketidir; davet ve mesaj turlarını kişinin kendi Chrome tarayıcısından, kendi LinkedIn oturumuyla yürütür. Bulut sunucudan gönderim yapmaz, şifre istemez, oturum çerezini saklamaz. Kişiye üç iş kalır: LinkedIn'e kendisi giriş yapar, kime ulaşılacağını söyler ve ilk mesaj metinlerini onaylar. Giriş, doğrulama kodu ve CAPTCHA kişinindir; her davet turunda ilk davet tek başına gönderilir ve sunucudan doğrulanmadan tur devam etmez.

ELÇİ bu sayıların içinde çalışır: tek hesap, kişinin kendi tarayıcısı ve ağ adresi, tur başına 30-40 davet ve uyarıda duran tur. Eylül 2026'da 4 hesapta 40'tan fazla turda bu düzenle hiçbir hesap kısıtlanmadı. Kota ve durma kurallarını kaldırıp hacmi artırırsan güvence de kalkar. ELÇİ kişi kazımaz; birden fazla kişinin hesabı yönetiliyorsa her hesap kendi sahibinin bilgisi ve onayıyla bağlanır. Danışmanlık çalışmalarımda ise şifre istemiyorum ve bulutta çalışan otomatik mesaj aracı kullanmıyorum; ELÇİ, kişinin kendi hesabında kendi onayıyla kullandığı ayrı bir araçtır.

Cevap geldikten sonra yapay zeka ne yapar?

Cevap geldiği anda otomatik akış o kişi için durur ve sohbet insana geçer. Yapay zekanın buradaki işi cevabı sınıflamak ve doğru kişiye doğru sonraki adımı hatırlatmaktır:

• İlgili: Soru soran ya da ihtiyacını söyleyen kişi. Sohbeti sen sürdürürsün; görüşme önerisi ihtiyaç cümlesi geldikten sonra yapılır.
• Şimdi değil: Zamanlama soran ya da ileri bir tarih veren kişi. Tarih takip tablosuna yazılır, o güne kadar yeni mesaj gitmez.
• Yanlış kişi: Kararın başkasında olduğunu söyleyen kişi. Doğru kişinin adını isteyip istememek senin kararındır.
• Yazmayın: Kalıcı yasak listesine girer, aynı kişiye hiçbir kanaldan yeniden yazılmaz.

Kuralın özü şudur: kişiden gelen tek bir cevap, o kişi için bekleyen bütün adımları iptal eder. Aynı kişiye iki kez temas edilmez. Cevap verdiği hâlde ertesi gün hazır hatırlatma mesajı alan kişi, karşısında bir insan değil bir makine olduğunu anlar.

Kabulden sonraki ilişki de yapay zekanın taslak hazırlayabildiği bir alan. 14 Ekim 2026'da yayımladığım ELÇİ 2.1 iki radar ekledi: gönderi radarı takip edilen kişilerin son gönderilerini okuyup yorum taslağı yazar, özel gün radarı doğum günü, iş yıl dönümü ve yeni görevi yakalar. Her yorum tek tek onaylanır, toplu onay yoktur. Vefat, hastalık, işten çıkarılma ve siyaset gibi hassas konulara yorum taslağı yazılmaz. Radar yalnız okur; beğeni, tepki ya da takip yapmaz. Günde en fazla 50 kişinin etkinlik sayfası açılır, günde en fazla 15 yorum yazılır ve aynı kişiye ancak 3 günde bir yorum gider.

Yapay zeka ile müşteri bulma sistemi nasıl kurulur?

Yapay zeka ile müşteri bulma tek seferlik bir istemle değil, kendini düzelten bir döngüyle kurulur. Döngü yedi adımdır:

1. Girdi: İdeal müşteri tanımı, temizlenmiş liste, şablonlar ve geçen haftanın ölçümü.
2. Üretim: Yapay zeka o haftanın listesini ayıklar, metinleri taslak olarak hazırlar.
3. Makine denetimi: Çıktı yazılı kurallara karşı kontrol edilir: yasak listedeki kişi, ikinci temas, tahmin edilmiş alan, kota aşımı.
4. İnsan onayı: Denetimden geçen çıktıyı hesabın sahibi onaylar.
5. Gönderim: Kişinin kendi oturumundan, düşük hacimle ve doğrulanarak yapılır.
6. Ölçüm: Kabul, cevap, görüşme sayıları haftalık okunur.
7. Kuralı güncelle: Yanlış sınıflanan unvan, cevapsız kalan şablon, durma sinyali gelen gün bir sonraki turun kuralına yazılır.

Döngünün kendisi kanaldan bağımsızdır; liste, teklif, kanal, takip ve ölçüm katmanları satış ve pazarlama sistemi nasıl kurulur yazısında anlattığım beş katmanın aynısıdır. Yapay zekanın getirdiği fark hız ve tutarlılıktır: kural bir kez yazıldığında her turda aynı titizlikle uygulanır.

Sahada kullandığım bu tür üretim süreçlerini, yapay zeka kodlama ajanlarına verilen talimat dosyası paketleri olarak Sıfırdan Sistem kütüphanesinde topluyorum; ELÇİ de orada ZARF adlı mail ve LinkedIn ajanının kardeşi olarak duruyor. Her paketin ortak noktası aynı: her çıktı yayından önce bir denetimden geçer, geçmezse düzeltilir.

Yapay zeka B2B müşteri bulmada neyi çözmez?

Yapay zeka doğru kişiye daha hızlı ulaşmanı sağlar; o kişinin sana güvenmesini sağlamaz. Sınırları açık yazmak gerekir:

• Güven: Davetini alan kişi profiline bakar. Kim için ne yaptığını söylemeyen bir profil, en iyi temizlenmiş listeyi de boşa harcar.
• Teklif: Yapay zeka zayıf bir teklifi daha çok kişiye daha hızlı ulaştırır, yani reddi hızlandırır.
• Kitlenin kanalda olmaması: Karar vericin LinkedIn kullanmıyorsa liste ne kadar temiz olursa olsun temas kurulmaz. Hangi kanalın kime uyduğunu B2B müşteri bulma yöntemleri yazısında karşılaştırdım.
• Kaynağın kalitesi: Yapay zeka eski ya da yanlış bir listeyi hızla temizler, ama listede olmayan doğru kişiyi yaratmaz.
• Hacim: İnsani sayıların üstü sorun çıkarır. Haftada 150 civarı daveti aşmanın bedelini hesabın sahibi öder.
• Kişisel veri: Listeler ve mesaj geçmişi yerelde, hesabın sahibinin kontrolünde kalmalıdır; kişi verisini bilmediğin bir buluta göndermek ayrı bir risktir.

Bu işi yapay zeka aracı kullanmadan, kendi hesabından ve elle yürütülen hedefli bir bağlantı sistemiyle kurmak istiyorsan yöntemi LinkedIn'den müşteri bulma sayfasında anlattım. Hangi adımda tıkandığını birlikte görmek için 15 dakikalık ücretsiz LinkedIn teşhisi açık.

Sık sorulan sorular

Yapay zeka ile müşteri nasıl bulunur? Yapay zekaya kazandığın müşterilerin verisini verip ideal müşteri tanımını çıkarırsın, listeyi güvenilir bir kaynaktan çekip yapay zekaya temizletirsin, mesajı şablon ve doğrulanmış kişi verisiyle hazırlatırsın. Gönderim, sohbet ve görüşme senin hesabından ve senin kararınla yürür.

B2B müşteri edinme ile B2B müşteri bulma aynı şey mi? Aynı değil. Müşteri bulma doğru kişiyi tanımlayıp ilk teması kurmaktır; müşteri edinme o temastan sözleşmeye kadar giden bütün süreçtir. Yapay zeka en çok bulma tarafında, yani tanım, liste ve taslak adımlarında iş görür.

ChatGPT bana müşteri listesi çıkarabilir mi? Doğrudan isim listesi isteme. Dil modelleri gerçek olmayan kişi ve şirket adları üretebilir ya da görevden ayrılmış kişileri güncel gösterebilir. Listeyi kişinin kendi unvanını beyan ettiği bir kaynaktan çek, ChatGPT ya da Claude'u ayıklama ve sınıflama için kullan.

Yapay zeka ile LinkedIn mesajı göndermek hesabımı kısıtlatır mı? İnsani sayılarda kalırsa hayır. Tek hesap, kendi tarayıcın, tur başına 30-40 davet, haftada 150 civarı ve uyarı görüldüğü anda duran turlar bu sınırın içindedir; Eylül 2026'da 4 hesapta 40'tan fazla turda bu düzenle hiçbir hesap kısıtlanmadı.

Müşteri bulma siteleri ve hazır listeler işe yarar mı? Hazır liste bir başlangıç olabilir, ama ideal müşteri tanımına göre ayıklanmadan kullanılırsa yanlış kişiye yazarsın. Unvanın güncelliğini, aynı kişinin birden fazla kaydını ve unvanın hangi dilde yazıldığını kontrol etmeden gönderime geçme.

Küçük işletme yapay zeka ile müşteri bulmaya nereden başlamalı? Son kazandığın müşterilerin listesinden başla ve ideal müşteri tanımını onlardan çıkar. Sonra tek bir kanal seç, ilk listeyi temizle ve ilk 21 günde kabul, cevap ve görüşme sayılarını ölç.