---
title: "Yapay Zeka ile UX Araştırması Nasıl Yapılır: Titizlikten Ödün Vermeden Daha Hızlı İçgörü"
description: "Yapay zeka ile UX araştırması için pratik bir rehber: sentez, sentetik kullanıcılar, görüşme analizi ve kanıtlarınızı bozmadan hızlı ilerlemenin yolu."
date: "2026-07-27"
updated: "2026-07-27"
lang: "tr"
tags: ["UX araştırması", "yapay zeka", "araştırma sentezi", "kullanılabilirlik testi"]
seoTitle: "Yapay Zeka ile UX Araştırması Nasıl Yapılır — Things"
translationKey: "how-to-do-ux-research-with-ai"
---

# Yapay Zeka ile UX Araştırması Nasıl Yapılır: Titizlikten Ödün Vermeden Daha Hızlı İçgörü

Yapay zeka, UX araştırmasının ekonomisini değiştirdi. Eskiden bir hafta süren işler (görüşmeleri transkripte dökmek, transkriptleri kodlamak, temaları kümelemek) artık bir öğleden sonrada bitiyor. Ama hız içgörü değildir ve uydurulmuş bir tema, hiç tema olmamasından daha kötüdür.

Things'te tutumumuz basit: önce araştırma, sonra görüş. Dinler, test eder ve öğreniriz. Sonra karar veririz. Yapay zeka bu döngüde hızlandırıcı olarak yer alır; asla gerçek kullanıcıların yerine geçmez. Bu rehber, araştırma yaşam döngüsü boyunca yapay zekanın gerçekten nerede işe yaradığını, nerede sessizce başarısız olduğunu ve hızlı ilerlerken kanıtlarınızı nasıl güvenilir tutacağınızı anlatıyor.

## Yapay zeka UX araştırması yaşam döngüsünün neresinde yer alır?

Yapay zeka bir araştırma projesinin neredeyse her aşamasında işe yarar: planlama, katılımcı eleme, görüşme kılavuzları, transkripsiyon, sentez ve raporlama. İşe yarayan düzen şu: yapay zeka taslak çıkarır, yapılandırır ve sıkıştırır; insanlar karar verir, doğrular ve yorumlar. Yapay zeka *kanıtınızı* işlemek yerine üretmeye başladığı anda araştırmadan çıkıp kurmacaya girmiş olursunuz.

İşte aşama aşama dürüst bir harita.

**Planlama.** Yapay zeka, araştırma tasarımında sizi zorlayan güçlü bir fikir ortağıdır. Ona ürün bağlamınızı ve iş tarafındaki sorunuzu verin; araştırma soruları önermesini, varsayımlarınızı sorgulamasını ve çalışmanızın *yanıtlayamayacağı* şeyleri işaretlemesini isteyin. Özellikle kapsamı stres testinden geçirmekte iyidir: "Bu sorulardan hangileri gerçekten moderatörlü oturum gerektiriyor, hangilerini bir anket yanıtlayabilir?" Araştırma tasarımı yine sizin sorumluluğunuzda. Yapay zeka yalnızca ilk taslağı ucuzlatır.

**Katılımcı bulma ve eleme.** Yapay zekayı eleme anketlerinin (screener) taslağını hazırlamak, ardından açık uçlu eleme yanıtlarını ölçekli biçimde ayıklamak için kullanın: anket doldurmayı iş edinmiş katılımcıları, çelişkili yanıtları ve özensiz cevapları işaretlesin. Bu sıkıcı bir örüntü eşleştirme işi ve modeller bunu iyi yapıyor. Nihai katılımcı seçimi insanda kalır; çünkü örnekleminiz sonraki her şeyi belirler.

**Görüşme kılavuzları.** Yapay zeka dakikalar içinde yetkin bir görüşme kılavuzu taslağı çıkarır. Daha değerlisi: kılavuzunuzu yönlendirici sorular, aynı anda iki şey soran (double-barreled) sorular ve jargon açısından eleştirmesini isteyin. Ardından, dördüncü sorunun anlamsız olduğunu gerçek bir katılımcıyı harcayarak öğrenmek yerine kılavuzu önceden pilot olarak deneyin (simülasyona aşağıda değineceğiz).

**Transkripsiyon.** Çözülmüş bir sorun. Modern konuşmadan metne (speech-to-text) araçları, aksanlı İngilizce ve çok dilli konuşmalar dahil çoğu oturumun üstesinden iyi gelir. İsimleri, ürün terimlerini ve sayıları her zaman rastgele kontrol edin; çünkü transkripsiyon hataları sentezde katlanarak büyür. Kayıtları gizlilik açısından incelemediğiniz araçlara asla yüklemeyin (aşağıya bakın).

**Sentez.** En büyük kazanç ve en büyük risk. Bir sonraki bölümde ayrıntılı olarak ele alıyoruz.

**Raporlama.** Yapay zeka, doğrulanmış bir tema setini kısa sürede okunabilir bir rapora, bir yönetici özetine ve paydaşa özel versiyonlara (mühendislik için bir versiyon, yönetim için bir versiyon) dönüştürür. İzlenebilirliği koruyun: rapordaki her iddia, bir insanın doğruladığı gerçek kanıta bağlanmalı.

## Görüşme transkriptlerini yapay zeka ile nasıl analiz edersiniz?

Küçük ve doğrulanabilir adımlarla çalışın: her seferinde tek bir transkripti özetleyin, birebir alıntılarla birlikte iddiaları çıkarın, ardından temaları oturumlar arasında kümeleyin ve her adımda alıntıları kaynakla karşılaştırın. On transkripti asla tek bir prompt'a yapıştırıp "temalar neler?" diye sormayın. Makul, kendinden emin ve kısmen uydurulmuş bir çıktı alırsınız.

Yapay zeka sentezinin başarısızlık biçimi apaçık yanlışlık değildir. *İnandırıcılıktır.* Araştırmayı özetlemesi istenen bir model, gerçekçi görünen alıntılarla temiz temalar üretir; bu alıntıların bazıları verinizde hiç yoktur. Bir temayı bir zaman damgasına kadar geri izleyemiyorsanız, o bir bulgu değildir.

Sağlam duran bir iş akışı:

1. **Transkript bazında geçiş.** Her görüşme için yapılandırılmış bir özet isteyin: katılımcı bağlamı, temel gözlemler, sıkıntılar, geçici çözümler, dikkat çeken alıntılar (her alıntı birebir ve konum referansıyla). Alıntıları transkriptle rastgele karşılaştırın. Kalite kontrol noktanız budur.
2. **İddia çıkarma.** Gözlemleri atomik iddialara dönüştürün ("P3, tahmini kargo süresi çok geç göründüğü için ödeme adımını terk etti") ve her birini bir katılımcıyla etiketleyin.
3. **Oturumlar arası kümeleme.** Şimdi yapay zekanın iddiaları aday temalar hâlinde kümelemesine izin verin. Her iddia kaynağını taşıdığı için herhangi bir temayı saniyeler içinde ham kanıta kadar denetleyebilirsiniz.
4. **İnsan yorumu.** Yapay zeka size ne söylendiğini ve ne sıklıkla söylendiğini anlatır. Neyin önemli olduğunu söyleyemez; bunun için ürün bağlamı, iş bağlamı ve muhakeme gerekir. Önceliklendirme insanda kalır.
5. **Çelişki avı.** Modelden temalarınıza karşı argüman geliştirmesini isteyin: "Hangi kanıtlar bununla çelişiyor? Hangi katılımcılar istisna?" Modeller açıkça istendiğinde şaşırtıcı derecede iyi birer şeytanın avukatıdır; istenmediğinde ise tehlikeli derecede uysaldır.

Aynı süreç açık uçlu anket verileri için de işler. Yüzlerce ya da binlerce serbest metin yanıtında yapay zeka destekli kodlama (her yanıtı sizin tanımladığınız bir kod kitabına göre sınıflandırmak ve bir örneklemi elle doğrulamak), bugün araştırmada yapay zekanın en yüksek getirili kullanımlarından biri. Günlerce süren manuel kodlamayı saatlere indirirken her kodu denetlenebilir tutar.

Her şeyin üstünde tek bir kural: **Yapay zeka kanıtı işler; kanıt üretmez.**

## Sentetik kullanıcıları ve yapay zekayla simüle edilen görüşmeleri kullanmalı mısınız?

Sentetik kullanıcıları araştırmanızın provası için kullanın, asla yerine geçmesi için değil. Simüle katılımcılar; görüşme kılavuzlarını pilot olarak denemek, junior moderatörleri eğitmek ve kullanılabilirlik protokollerini gerçek oturumlardan önce stres testinden geçirmek için mükemmeldir. Gerçek insanlar hakkında bir bulgu kaynağı olarak ise güvenilmezdirler ve tehlikeli derecede ikna edici olabilirler.

Simülasyonun *lehine* olan argüman pratiktir. Gerçek katılımcılar pahalıdır ve planlamaları zaman alır. İlk gerçek oturumunuzu bozuk bir protokole harcamak israftır. Simüle bir oturum yürütmek (görevleriniz ve sorularınız üzerinden ilerleyen, makul bir personayı canlandıran bir yapay zekayla), kafa karıştırıcı görev ifadelerini, sıralama sorunlarını ve eksik takip sorularını ucuza ortaya çıkarır. Things'te simüle prova oturumlarını tam olarak bunun için kullanıyoruz: araştırma için değil, prova için.

Simülasyonlar hipotez üretmek için de faydalıdır. Simüle bir persona aklınıza gelmemiş bir itirazı dile getirebilir: bu bir cevap değil, *gerçek kullanıcılara sormaya* değer bir sorudur.

İkamenin *aleyhine* olan argüman ise yapısaldır. Bir dil modeli istatistiksel olarak en makul yanıtı üretir; yani eğitim verisinde personanıza benzeyen insanların genellikle söylediklerinin bir ortalamasını. Gerçek araştırma değeri ise tam tersi yerde yatar: şaşırtıcı geçici çözümde, ani duygusal tepkide, kimsenin öngörmediği şeyde. Sentetik kullanıcılar sistematik olarak beklenene doğru yanlıdır. Ürününüz karşısında şaşıramazlar; çünkü onu hiç kullanmamışlardır. Persona prompt'unuza gömülü varsayımları yansıtırlar; bu yüzden bir tasarımı sentetik kullanıcılarla "doğrulamak" çoğu zaman çok özenle kurulmuş bir aynanın karşısında kendinizle hemfikir olmak anlamına gelir.

Bir ekip size kullanıcı görüşmelerinin yerine sentetik kullanıcıları koyduğunu ve bulgularının hepsinin yol haritasını doğruladığını söylüyorsa, bu bir başarı hikâyesi değildir. Bu, tam da tasarlandığı gibi işleyen başarısızlık biçiminin ta kendisidir.

**Sınır çizgisi:** Sentetik kullanıcılar *araştırma araçlarınızı* test eder. Gerçek kullanıcılar *ürününüzü* test eder.

## Yapay zekanın UX araştırmasındaki önyargı, halüsinasyon ve gizlilik riskleri nelerdir?

Üç risk öne çıkar: halüsinasyonla uydurulan kanıt, büyüyen önyargı ve yanlış yönetilen katılımcı verisi. Üçü de süreçle yönetilebilir ve üçü de göz ardı edilirse araştırmanızı sessizce bozar.

**Halüsinasyon.** Modeller alıntı uydurur, farklı katılımcıları tek bir kişide birleştirir ve çelişkileri düzleştirerek sahte bir mutabakata dönüştürür. Önlem: referanslı birebir alıntılar, transkript bazında işleme, rastgele örneklem denetimleri ve doğrulanamayan iddiaların raporlardan çıkarılmasını öngören kalıcı bir kural. Yapay zeka sentez çıktısını hızlı ama kendine fazla güvenen junior bir araştırmacının taslağı gibi ele alın: faydalı, ama asla nihai değil.

**Önyargı.** Yapay zeka, mevcut örnekleme ve doğrulama yanlılıklarınızın üzerine kendi katmanlarını ekler. Ağırlıklı olarak İngilizce, Batılı ve çevrim içi metinlerle eğitilmiş modeller, bu dağılımın dışında kalan katılımcıları yanlış okur. Ayrıca dalkavukluğa eğilimlidirler: "Kullanıcılar bunu kafa karıştırıcı buluyor mu?" diye sorduğunuzda sorunun çerçevesi bile yanıtı bir yöne eğer. Tarafsız prompt'lar kullanın, çürütücü kanıtları açıkça isteyin ve eğitim verisinde yeterince temsil edilmeyen kullanıcı gruplarından insanları yorumlama sürecinin içinde tutun.

**Gizlilik ve onam.** Görüşme kayıtları kişisel veridir. Herhangi bir yapay zeka aracı onlara dokunmadan önce:

- **Onam formlarınızı güncelleyin.** Katılımcılar kayıtlarının yapay zeka araçlarıyla işleneceğini bilmeli ve bunu reddedebilmelidir.
- **Araçlarınızı inceleyin.** Verinin nereye gittiğini, model eğitiminde kullanılıp kullanılmadığını ve ne kadar süre saklandığını anlayın. Model eğitimini yasaklayan maddeler içeren kurumsal sözleşmeler ya da kendi sunucunuzda barındırdığınız modeller güvenli varsayılanlardır.
- **İşlemeden önce anonimleştirin.** Sentezden önce transkriptlerden isimleri, işverenleri ve kimliği belirleyici ayrıntıları çıkarın. Bu, modelin katılımcı demografisine yönelik yanlılığını da azaltır.
- **Mevzuatı gözetin.** GDPR, KVKK ve benzeri düzenlemeler geçerlidir. "Tedarikçi muhtemelen hallediyordur" bir uyum yaklaşımı değildir.

Bunların hiçbiri egzotik değil. İyi araştırmacıların her zaman uyguladığı titizliğin, yeni bir araç sınıfına genişletilmiş hali.

## Things yapay zekanın hızını gerçek kullanıcı titizliğiyle nasıl bir araya getiriyor?

Yapay zekayı tüm süreç boyunca (planlama, eleme, transkripsiyon, kodlama, kümeleme, raporlama) kullanıyoruz; ancak müşteriye ulaşan her bulgu gerçek bir insana dayanıyor ve bir araştırmacı tarafından doğrulanıyor. Modelimizin özü bu: yapay zeka mekanik işi sıkıştırır; kazanılan zaman daha fazla oturuma, daha derin analize ve daha iyi kararlara yeniden yatırılır.

Things [bir ajans değil, bir stüdyo](https://things.com.tr/blog/ux-tasarim-ortagi-nasil-secilir): 2018'de kuruldu, İstanbul ve Elazığ'da faaliyet gösteriyor; hayata geçirilmiş 50'den fazla ürünü ve rafında bir Red Dot ödülü var. "Design. Code. Mastery." bir süs değil; araştırmayı, tasarımı ve mühendisliği tek çatı altında yapan bir ekibi tanımlıyor. Araştırma pratiğimiz; kullanıcı görüşmelerini, soruya uyan her formatta [kullanılabilirlik testini](https://things.com.tr/blog/kullanilabilirlik-testi-yontemleri) (uzaktan, laboratuvarda, bağlamsal, gerilla), [sezgisel değerlendirmeyi](https://things.com.tr/blog/yapay-zeka-ile-ux-ui-analizi) (heuristic evaluation) ve veri analizi ile içgörü sentezini kapsıyor.

Somut olarak Things'te yapay zeka destekli araştırma şöyle görünüyor:

- **Saha çalışmasından önce:** Yapay zekayla taslağı hazırlanan, tek bir gerçek katılımcı planlanmadan önce eleştirilen ve simüle oturumlarla pilot olarak denenen kılavuzlar.
- **Saha çalışması sırasında:** Otomatik transkripsiyon ve yapılandırılmış oturum notları; böylece moderatörler not almakla uğraşmak yerine tüm dikkatlerini katılımcıya verebilir.
- **Saha çalışmasından sonra:** Tam kaynak izlenebilirliğiyle iddia düzeyinde kodlama, yapay zeka destekli kümeleme, insan yorumu ve her içgörünün gerçek kanıta bağlandığı raporlar.

Sonuç "daha ucuz araştırma" değil. Karar başına *daha fazla* araştırma: daha hızlı döngüler, daha büyük örneklemler ve bir ekibin harekete geçmek için gerçekten güvenebileceği bulgular. Önce araştırma, sonra görüş; modern ürün ekiplerinin ihtiyaç duyduğu hızda.

## Sıkça Sorulan Sorular

**Yapay zeka kullanıcı görüşmelerinin yerini alabilir mi?**
Hayır. Yapay zeka görüşmeleri hazırlayabilir, transkripte dökebilir ve analiz edebilir; simüle oturumlar da protokolünüzü pilot olarak test edebilir. Ama bulgular gerçek kullanıcılardan gelmelidir; sentetik katılımcılar beklenen cevapları yeniden üretir ve araştırmayı yapmaya değer kılan sürprizleri kaçırır.

**Görüşme transkriptlerini yapay zeka ile analiz etmenin en iyi yolu nedir?**
Transkriptleri tek tek işleyin, birebir alıntılar ve referanslarla iddiaları çıkarın, bir örneklemi kaynakla karşılaştırarak doğrulayın, ardından iddiaları oturumlar arasında kümeleyin. "Her şeyi özetle" türünden tek prompt'luk sentezlerden kaçının; bu, uydurma temalara davetiye çıkarır.

**Sentetik kullanıcılar hiç kullanılmaya değer mi?**
Evet: görüşme kılavuzlarını pilot olarak denemek, kullanılabilirlik testlerinin provasını yapmak, moderatör eğitmek ve gerçek insanlarla test edilecek hipotezler üretmek için. Bunlar bir kanıt kaynağı değil, bir prova aracıdır.

**Görüşme kayıtlarını yapay zeka araçlarına yüklemek güvenli mi?**
Yalnızca katılımcıların bilgilendirilmiş onamıyla, verilerinizle model eğitmeyen ve incelemeden geçmiş bir araçla ve işleme öncesinde anonimleştirme yapılarak. Hassas çalışmalar için kurumsal ya da kendi sunucunuzda barındırılan kurulumlar daha güvenli bir varsayılandır.

**Yapay zeka UX araştırmasında gerçekte ne kadar zaman kazandırır?**
Çalışmaya göre değişir; ancak transkripsiyon, kodlama ve ilk taslak sentez (geçmişte en yavaş aşamalar) günlerden saatlere iner. Titizliği koruyan hamle, bu zamanı daha zayıf kanıtlarla daha hızlı sonuç çıkarmaya değil, daha fazla oturuma ve daha derin doğrulamaya yeniden yatırmaktır.

## İşin kolayına kaçmadan daha hızlı araştırma yapmaya hazır mısınız?

Arkasında gerçek kullanıcı titizliği olan yapay zeka destekli bir araştırma (görüşmeler, kullanılabilirlik testleri, sentez ve öğrendiklerinizi hayata geçirecek tasarım ve mühendislik) istiyorsanız, [bizimle konuşun](https://things.com.tr/iletisim).

**Things**, ajans değil, stüdyo. Design. Code. Mastery.
[hello@things.ist](mailto:hello@things.ist) adresinden bize yazın.