Yapay zeka, UX analizinin ekonomisini değiştirdi. Eskiden bir araştırma ekibinin bir haftasını alan işler (ekranları sezgisel ilkelere göre taramak, oturum kayıtlarını didik didik incelemek, rakiplerle kıyaslama yapmak) artık bir öğleden sonrada taslak hâline getirilebiliyor. Taslak hâline; bitmiş hâline değil. Bu rehberin bütün meselesi de bu ayrım.

2018'de kurulan, kökleri İstanbul ve Elazığ'da olan bir tasarım ve mühendislik stüdyosu olarak Things'te 50'den fazla ürünü hayata geçirdik ve bunların çoğunda UX araştırması yürüttük. Bugün teslim ettiğimiz denetimlerin neredeyse hepsinde yapay zeka kullanıyoruz. Nerede tökezlediğini de çok iyi biliyoruz. Yapay zeka destekli UX ve UI analizini nasıl doğru yürüteceğinizi ve tuzaklardan nasıl kaçınacağınızı aşağıda anlatıyoruz.

Yapay Zeka Destekli UX Analizi Nedir?

Yapay zeka destekli UX analizi; arayüzleri, akışları ve davranışsal verileri yerleşik kullanılabilirlik ilkelerine göre değerlendirmek için büyük dil modellerinden (LLM) ve görsel modellerden yararlanma pratiğidir. Yapay zeka hızlı ve yorulmak bilmeyen bir ilk değerlendirici gibi çalışır: Sorunları işaretler, kategorilere ayırır ve bulguların taslağını çıkarır. Ardından bir insan uzman bu bulguları doğrular, önceliklendirir ve bağlama oturtur.

Araştırmanın yerini almaz. Araştırmanın etkisini katlayan bir çarpandır.

Pratikte yapay zeka destekli analiz beş çalışma alanını kapsar:

  1. Sezgisel değerlendirme (heuristic evaluation): Arayüzü Nielsen'in on kullanılabilirlik ilkesi (heuristics) gibi prensiplere göre taramak.
  2. Erişilebilirlik incelemesi: Kontrastı, yapıyı, etiketleri ve dokunma hedefi boyutlarını WCAG'ye göre kontrol etmek.
  3. Analitik ve oturum analizi: Dönüşüm hunilerini, terk noktalarını ve davranış kalıplarını özetlemek.
  4. Rakip UI analizi: Akışlarınızı rakiplerinkiyle ekran ekran karşılaştırmak.
  5. Metin ve içerik incelemesi: Mikro metinleri, hata mesajlarını ve bilgi kokusunu (information scent) değerlendirmek.

Bu beş alanın çıktısı da klasik bir UX denetiminin ürettiği şeyle aynıdır: kanıtları ve önerileriyle birlikte önceliklendirilmiş bir kullanılabilirlik sorunları listesi. Yapay zeka sizi yalnızca güvenilir bir ilk taslağa çarpıcı biçimde daha hızlı ulaştırır; bu da pahalı insan saatlerinin angarya işlere değil, muhakemeye gitmesi demektir.

Yapay Zeka Destekli Sezgisel Değerlendirme Nasıl Yapılır?

Temel akışların ekran görüntülerini görsel girdiyi işleyebilen bir LLM'ye verir, her ekranı Nielsen'in on kullanılabilirlik ilkesine göre değerlendirmesini istersiniz ve yapılandırılmış bir çıktı talep edersiniz: ihlal edilen ilke, önem derecesi, kanıt, öneri. Ardından deneyimli bir değerlendirici, rapora girmeden önce her bulguyu doğrular.

Things'te kullandığımız iş akışı şöyle:

1. Kapsamı ürünün tamamına değil, akışlara göre belirleyin. Ticari açıdan önemli olan üç ila beş yolculuğu seçin: onboarding, ödeme (checkout), temel görevin tamamlanması. Her durumu kaydedin: boş, yükleniyor, hata, başarılı. İlke ihlallerinin çoğu uç durumlarda saklanır ve çoğu ekip bunların ekran görüntüsünü almayı unutur.

2. İlkeleri modele açıkça verin. Modelin Nielsen'i kendiliğinden titizlikle uygulayacağını varsaymayın. On ilkeyi yapıştırın (sistem durumunun görünürlüğü, sistem ile gerçek dünya arasındaki uyum, kullanıcı kontrolü ve özgürlüğü, tutarlılık ve standartlar, hata önleme, hatırlamak yerine tanıma, kullanım esnekliği ve verimliliği, estetik ve minimalist tasarım, kullanıcıların hataları fark etmesine ve hatalardan kurtulmasına yardımcı olma, yardım ve dokümantasyon) ve her sorun için ilgili ilkeyi açıkça belirtmesini isteyin.

3. Bağlam verin. Modele kullanıcının kim olduğunu, görevin ne olduğunu ve önceki ekranda ne olduğunu anlatın. Bağlamı olmayan bir ekran görüntüsü, kendinden emin saçmalıklara davetiye çıkarır. "Bu, B2B bir faturalama akışının 3. adımı; kullanıcı az önce bir müşteri seçti" demek, çıplak bir görselden çok daha iyi bulgular üretir.

4. Yapılandırılmış, kanıta dayalı çıktı talep edin. Bir önem derecesi (biz kozmetikten felakete uzanan 0–4 ölçeğini kullanıyoruz), söz konusu arayüz öğesinin tam olarak ne olduğu ve somut bir çözüm isteyin. "Netliği artırın" gibi muğlak bulguları yasaklayın.

5. Birden fazla kez çalıştırın. LLM'ler deterministik değildir. İki ya da üç tur, tıpkı klasik sezgisel değerlendirmede birden fazla insan değerlendiricinin yaptığı gibi, farklı sorunları yüzeye çıkarır. Sonuçları birleştirin ve tekrarları ayıklayın.

6. Her şeyi doğrulayın. Bu pazarlık konusu değil. Uzman bir değerlendirici her bulguyu canlı ürün üzerinde teyit eder, yanlış pozitifleri eler, önem derecelerini düzeltir ve modelin kaçırdığı sorunları ekler. Deneyimimize göre model, genişlik açısından güçlü, derinlik açısından zayıf bir araçtır: Yüzeydeki pek çok ihlali hızla yakalar, ama sistemik olanları (bir akış boyunca tutarsızlaşan zihinsel modeller, uyumsuz bilgi mimarisi) neredeyse her seferinde kaçırır.

Yapay Zeka Erişilebilirlik Denetimlerini Üstlenebilir mi?

Yapay zeka erişilebilirlik kontrollerini hızlandırabilir, ama erişilebilirliği onaylayamaz. Otomatik araçlar ve LLM'ler birlikte WCAG sorunlarının kayda değer bir kısmını (kontrast hataları, eksik etiketler, çok küçük dokunma hedefleri, belirsiz bağlantı metinleri) yakalar; ancak klavye tuzakları, ekran okuyucu mantığı ve bilişsel erişilebilirlik hâlâ insan testi gerektirir.

Makul bir yapay zeka destekli erişilebilirlik incelemesi şöyle ilerler:

  • Önce otomatik tarayıcılar. Canlı kod üzerinde axe, Lighthouse ya da benzeri bir aracı çalıştırın. Bunlar deterministiktir ve ucuzdur.
  • İkinci olarak görsel model incelemesi. LLM'ler; ekran görüntülerindeki düşük kontrastlı metinleri, görünür etiketi olmayan yalnızca ikonlu butonları ve mobil düzenlerde birbirine fazla yakın dokunma hedeflerini işaretlemekte şaşırtıcı derecede iyidir.
  • Üçüncü olarak kod düzeyinde LLM incelemesi. Bileşenlerin işaretleme kodunu (markup) modele verin ve anlamsal yapıyı, ARIA kullanımını, odak sırasını ve form etiketlemesini kontrol etmesini isteyin.
  • En son, yardımcı teknolojilerle insan testi. Ürünü yalnızca klavyeyle gezin. Bir ekran okuyucu kullanın. Hiçbir model bunun yerini tutmaz.

Yapay zekayı, erişilebilirliğe ayırdığınız insan saatlerinin kontrast oranlarını saymaya değil, zor problemlere harcanmasını sağlayan bir araç olarak görün.

Analitik ve Oturum Verileri Yapay Zeka ile Nasıl Analiz Edilir?

Huni verilerini, olay akışlarını (event stream) ya da oturum özetlerini dışa aktarır ve modelden kalıpları, anormallikleri ve hipotezleri bulmasını istersiniz. Ardından bu hipotezleri kayıtlarla ve ideal olarak gerçek kullanıcılarla doğrularsınız. Yapay zeka, davranışsal verileri raporladığınız bir şey olmaktan çıkarıp sorguladığınız bir şeye dönüştürür.

Somut olarak:

  • Huniyi anlatıya dökmek. Modele adım adım dönüşüm verilerini verin ve hikâyenin nerede koptuğunu sorun. Terk oranı orantısız biçimde yüksek olan adımı fark etmekte ve olası açıklamaları dile getirmekte başarılıdır.
  • Oturum kalıbı madenciliği. Öfke tıklamaları (rage click), ölü tıklamalar (dead click), ileri geri döngüler ve terk noktalarına ilişkin özetler, bir LLM tarafından elle yapılabileceğinden çok daha hızlı biçimde kümelenip etiketlenebilir.
  • Segment karşılaştırması. Modelden cihazlar, kohortlar ya da edinim kanalları arasındaki davranışları karşılaştırmasını ve incelemeye değer farklılıkları işaretlemesini isteyin.
  • Hipotez üretimi. En değerli çıktı bir sonuç değildir. Test edilebilir hipotezlerin sıralı bir listesidir: "Kullanıcılar X nedeniyle adres formunda akışı terk ediyor olabilir; beş kullanıcılı bir testle doğrulayın."

Tek bir kural: Yapay zeka neler olup bitiyor olabileceğini açıklar. Nedenini ise yalnızca araştırma açıklar. Her analitik içgörü, bir kullanıcı doğrulayana kadar bir hipotezdir.

Yapay Zeka ile Rakip UI Analizi Nasıl İşler?

Üç ila beş rakibin eşdeğer akışlarını kaydeder, bu ekran görüntülerini kendi ekranlarınızla birlikte bir görsel modele verir ve yapılandırılmış bir karşılaştırma istersiniz: kalıplar, konvansiyonlar, farklılaştırıcı unsurlar ve boşluklar. Eskiden bir haftalık manuel kıyaslama (benchmarking) olan iş, bir günlük ekran kaydı ve birkaç saatlik sentez çalışmasına dönüşür.

Karşılaştırmayı yapılandırmak için işe yarayan istemler (prompt):

  • Akışımız hangi noktalarda kategori normundan daha fazla adım ya da daha fazla karar gerektiriyor?
  • Tüm rakiplerin paylaştığı hangi konvansiyonları ihlal ediyoruz ve bu ihlal bilinçli mi?
  • Tüm rakiplerin birebir aynı olduğu, dolayısıyla farklılaşmaya alan bırakan noktalar nerede?
  • Onboarding, fiyatlandırma sayfaları ve boş durumlar, bilgi yoğunluğu ve hiyerarşi açısından nasıl kıyaslanıyor?

Buradaki tuzak tek tipleşmedir. Yapay zeka size seve seve herkese benzemenizi önerir, çünkü "tutarlılık ve standartlar" ilkesi eğitimine işlenmiştir. Bazen doğru hamle, kalıbı bilinçli olarak kırmaktır. Bu stratejik bir karardır ve strateji insanın işidir.

Yapay Zeka ile UX Analizinin Sınırları Nelerdir?

Yapay zeka analizinin üç yapısal zayıflığı vardır: bağlam körlüğü, yersiz özgüven ve gerçek kullanıcıların yokluğu. Bu sınırları görmezden gelen her denetim titiz görünür ama yanlıştır.

Bağlam körlüğü. Model ekranı görür, işi değil. "Gereksiz" onay adımının yasal düzenlemeler nedeniyle var olduğunu, kullanıcılarınızın eldiven giyen saha teknisyenleri olduğunu ya da o hantal akışın bir teslim tarihi baskısı altında bilinçli olarak yapılmış bir ödünleşim olduğunu bilmez. Bağlam olmadan, var olmayan genel geçer bir kullanıcı için optimizasyon yapar.

Yersiz özgüven. LLM'ler yanlış bulguları, doğru olanlarla aynı akıcı ve otoriter tonla sunar. Ekran görüntüsünde olmayan arayüz öğeleri uydururlar (halüsinasyon). Geçerli olmayan ilkelere atıfta bulunurlar. Değerlendirme deneyimi olmayan bir ekip aradaki farkı ayırt edemez; yapay zeka denetimlerinin en çok onlara ihtiyaç duyanların elinde en tehlikeli hâle gelmesinin nedeni de tam olarak budur.

Gerçek kullanıcı yok. Aşılamayan sınır budur. Yapay zeka akla yatkın davranışı tahmin eder; gerçek davranışı gözlemlemez. Şaşıramaz. Tereddüt edemez, bir etiketi yanlış okuyamaz ya da size o özelliğin kimsenin yaşamadığı bir problemi çözdüğünü söyleyemez. Sekiz yıllık araştırma deneyimimizde bulduğumuz gerçekten dönüştürücü her içgörü, gerçek bir insanın kimsenin öngörmediği bir şey yaptığını izlemekten doğdu.

Uzman İncelemesi Neden Hâlâ Önemli?

Çünkü sezgisel değerlendirme hiçbir zaman bir kontrol listesi olmadı. Kontrol listesi üzerinden uygulanan bir muhakemedir. Nielsen'in kendi araştırması, değerlendiricinin uzmanlığının neyin bulunduğunu çarpıcı biçimde değiştirdiğini gösterdi. Yapay zeka bir denetimin tabanını yükseltir; uzmanlık ise tavanını.

Uzman bir değerlendirici, bir modelin yapamayacağı dört şey yapar:

  • İş gerçekliğine göre önceliklendirir. Bağlamından koparılmış bir önem derecesi anlamsızdır. Yol haritanıza, segmentinize ve birim ekonominize göre belirlenmiş bir önem derecesi ise bir plandır.
  • Ekranları değil, sistemleri görür. Tasarım sistemi tutarsızlıkları, bir yolculuk boyunca kırılan zihinsel modeller, bilgi mimarisi borcu: Bunlar ekran görüntülerinin arasında yaşar.
  • Eksik olanı fark eder. Bir model gördüğünü eleştirir. Bir uzman ise var olması gerekip de olmayan özelliği, durumu ya da güvenlik önlemini fark eder.
  • Sorumluluk alır. Birinin itibarını ortaya koyduğu bir rapor, otomatik üretilmiş bir belgeden farklı bir şeydir.

Things'e ajans değil, stüdyo dememizin nedeni de bu. Ajanslar süreç ekleyerek büyür. Bir stüdyo ise zanaatini derinleştirerek büyür ve doğru kullanıldığında yapay zeka bir zanaat aracıdır. Kurucularımızın raflarında Red Dot, Cannes Lions ve Effie ödülleri var; bunların hiçbiri, ister insandan ister makineden gelsin, ilk taslakla yetinerek kazanılmadı.

Things Yapay Zeka Analizini Gerçek Kullanılabilirlik Testleriyle Nasıl Birleştiriyor?

Yapay zeka destekli analizi daha kapsamlı bir araştırma sürecinin (Understand, Shape, Build, Evolve) ilk hamlesi olarak yürütüyoruz ve kimse harekete geçmeden önce makinenin ürettiği her bulguyu uzman incelemesi ve gerçek kullanıcılarla doğruluyoruz.

Pratikte Things'te bir denetim şöyle ilerler:

  1. Understand. Yapay zeka destekli sezgisel değerlendirme, erişilebilirlik taraması ve analitik incelemesi, hızla geniş kapsamlı bir bulgu taslağı ortaya koyar. Uzman değerlendiriciler bu bulguları doğrular, yanlış pozitifleri eler ve modellerin kaçırdığı sistemik sorunları ekler.
  2. Validate (doğrulama). Gerçek kullanıcılarla yürütülen moderatörlü kullanılabilirlik testleri ve görüşmeler, hangi bulguların gerçekten can yaktığını teyit eder ve hiçbir modelin öngörmediği sorunları ortaya çıkarır.
  3. Shape ve Build. Bulgular önce önceliklendirilmiş tasarım kararlarına, ardından yayına çıkan arayüzlere dönüşür; çünkü tasarımı ve mühendisliği aynı çatı altında yapıyoruz.
  4. Evolve. Lansman sonrası veriler döngüyü kapatır ve bir sonraki döngüyü besler.

Yapay zeka denetimi hızlandırır. Araştırma onu doğru kılar. Zanaat ise anlamlı kılar.

Sıkça Sorulan Sorular

Yapay zeka bir UX denetiminin yerini tamamen alabilir mi? Hayır. Yapay zeka değerlendirme aşamasını hızlandırır ve kapsamı genişletir; ancak bulgular uzman doğrulaması, davranışsal gerçeklik ise gerçek kullanıcılar gerektirir. Yalnızca yapay zekayla yapılan denetimler, doğrulanmamış bulgularla dolu, kendinden emin raporlar üretir.

Sezgisel değerlendirme için hangi yapay zeka araçları işe yarar? Görsel girdiyi işleyebilen her büyük dil modeli, ekran görüntülerini Nielsen'in ilkelerine göre değerlendirebilir; Claude ya da GPT-4 sınıfı sistemler gibi modeller bu işin hakkını verir. Araçtan çok yöntem önemlidir: açıkça verilmiş ilkeler, gerçek bağlam, yapılandırılmış çıktı, birden fazla tur ve insan doğrulaması.

Yapay zeka ile sezgisel inceleme yaparken kaç ekran görüntüsü eklemeliyim? Boş, yükleniyor ve hata durumları dahil olmak üzere üç ila beş kritik akışı baştan sona kapsayın: genellikle 20 ila 60 ekran. Ürünün tüm ekranlarını toptan yüklemek modelin dikkatini dağıtır; kapsamı belirlenmiş akışlar daha keskin bulgular üretir.

Yapay zekanın ürettiği erişilebilirlik analizi, WCAG uyumluluğunun kanıtı mıdır? Hayır. Yapay zeka ve otomatik tarayıcılar WCAG sorunlarının yalnızca bir kısmını yakalar. Uyumluluk iddiası, klavye ve ekran okuyucularla yapılan insan testlerini ve ideal olarak engelli kullanıcılarla yapılan testleri gerektirir.

Yapay zeka destekli bir UX denetimi ne kadar sürer? Uzman doğrulaması dahil genellikle bir ila iki hafta; tamamen manuel bir denetim ise üç ila altı hafta sürer. Bulguların davranışsal olarak doğrulanması gerektiğinde kullanılabilirlik testleri de eklenir.

Hem Hızlı hem de Doğru Bir Denetime Hazır mısınız?

Ürününüzün, yapay zekanın hızını araştırmanın titizliğiyle birleştiren bir UX denetimine (sezgisel değerlendirme, erişilebilirlik incelemesi, kullanılabilirlik testi ve düzeltmeleri yayına alacak mühendislik) ihtiyacı varsa bizimle konuşun. Design. Code. Mastery.

hello@things.ist adresine yazın ve ne geliştirdiğinizi anlatın.

Things, ajans değil, stüdyo. İstanbul ve Elazığ, 2018'den beri.