Yapay zeka, tasarımın nasıl üretildiğini değiştirdi. Tasarımı iyi yapan şeyi ise değiştirmedi.

Bu ayrım önemli. Her hafta ekipler, yapay zekayla üretilmiş, ilk bakışta makul görünen ama sessizce başarısız olan arayüzleri yayına alıyor: yanlış hiyerarşi, jenerik kalıplar, gerçek kullanıcıyla ya da gerçek işle hiçbir bağı olmayan çözümler. Things olarak yıllardır dijital ürünler hayata geçiriyoruz (elliden fazla) ve son birkaç yıldır yapay zekayı sürecimizin neredeyse her aşamasına entegre ediyoruz. Tasarım işlerimizle Red Dot ödülü kazandık; kurucularımız da daha önce Cannes Lions ve Effie ödülleri aldı. Yani zanaata önem veriyoruz ve buna rağmen yapay zekayı yoğun biçimde kullanıyoruz. Bu iki gerçek birbiriyle çelişmiyor. Bu rehber, ikisinin nasıl bir arada var olduğunu anlatıyor.

Yapay zeka UX ve UI tasarımda gerçekte neler yapabilir?

Yapay zeka sentez, keşif ve hızlandırma konusunda gerçekten faydalı. Araştırmaları özetleyebilir, wireframe varyasyonları üretebilir, metin taslakları yazabilir, görsel denemeler ortaya koyabilir ve tasarımları çalışan koda dönüştürebilir. Yapamadığı şey ise kullanıcılarınızı anlamak, muhakeme gerektiren kararlar vermek ya da sonucun sorumluluğunu üstlenmek.

Yapay zekayı yorulmak bilmeyen, devasa bir hafızaya sahip ama kendine ait bir zevki olmayan junior bir çalışma arkadaşı gibi düşünün. Şu konularda çok başarılı:

  • Ölçekli sentez. Bir LLM'ye yirmi görüşme transkriptini verip tekrar eden temaları sormak dakikalar sürer. Aynı işi elle yapmak günler alır.
  • Iraksak keşif. Bir dashboard için on beş farklı yerleşim yönü ya da bir özellik için kırk isim önerisi üretmek, tam da yapay zekanın ucuza yaptığı, geniş ağ atmayı gerektiren türden bir iş.
  • İlk taslaklar. Wireframe iskeletleri, mikro metinler, boş durum ekranları, hata mesajları, bileşen dokümantasyonu: yapay zeka hızla inandırıcı başlangıç noktaları üretir.
  • Ortamlar arası çeviri. Tasarımdan koda araçlar artık Figma dosyalarından ya da ekran görüntülerinden kullanılabilir front-end iskeletleri üretiyor.

Sürekli başarısız olduğu alanlar:

  • Neyin önemli olduğunu bilmek. Yapay zeka gördüğü her şeyin ortalamasını alır. Ürününüz ise spesifik olduğu için kazanır.
  • Özgün etkileşim düşüncesi. Yapay zekadan bir ayarlar ekranı isteyin; bugüne kadar yapılmış bütün ayarlar ekranlarının harmanlanmış hâlini alırsınız.
  • Hesap verebilirlik. Yapay zeka erişilebilirlikten yoksun bir ödeme akışını büyük bir özgüvenle üretir ve bunun için uykusu kaçmaz. Birinin uykusunun kaçması gerekiyor.

Yapay zeka UX tasarımcılarının yerini alabilir mi?

Hayır, ama belirli bir tür tasarım işinin yerini alıyor. Bir zamanlar saat üzerinden faturalanan üretim işleri (yeniden boyutlandırma, spesifikasyon yazımı, ilk tur wireframe'ler) otomatikleşiyor. Geriye kalan ve değeri artan şey ise muhakeme: araştırma, strateji, zevk ve karar verebilme yetisi.

Hizmet satın alanların hak ettiği dürüst yanıt bu. Bir firmanın satış konuşması "yapay zeka tasarımı ucuzlatıyor" ise, size ortalama bir çıktı satıyordur. Yapay zekayla başarılı olan ekipler, zaten onsuz da iyi olan ekiplerdir; çünkü yapay zeka hangi sürece bağlanırsa onu büyütür. Büyüyen titizlik hız doğurur. Büyüyen el yordamı ise cilalı hataları daha hızlı üretir.

Tasarımcının işi çıktı üretmekten sonuçlara yön vermeye kayıyor. Bu, yerinden edilmek değil, bir terfi; ama yalnızca gerçekten yön verebilen tasarımcılar için.

Yapay zeka destekli bir UX/UI iş akışı pratikte nasıl görünür?

Pratik bir iş akışı yapay zekayı her aşamada kullanır, ancak çerçeveyi çizmeyi, muhakemeyi ve kaliteyi insanların kontrolünde tutar. Aşağıda bunun Things'teki kendi sürecimize (Understand, Shape, Build, Evolve) nasıl karşılık geldiğini, gerçekten yerini hak eden araç kategorileriyle birlikte bulabilirsiniz.

1. Araştırma ve keşif (Understand)

Araştırma, yapay zekanın hem en çok yardım ettiği hem de en çok yanılttığı alan. Onu kanıtı işlemek için kullanın, asla kanıt üretmek için değil.

  • Sentez için LLM'ler. Kullanıcı görüşmelerini transkripte dökün, ardından bir LLM ile temaları kümeleyin, birebir alıntıları çıkarın ve çelişkileri işaretleyin. İçgörüleri her zaman gerçek alıntılara kadar geri izleyin; çünkü fırsat verirseniz bir LLM gönül rahatlığıyla hayali bir "kullanıcı ihtiyacı" uydurur.
  • Sezgisel değerlendirme desteği. Görsel girdiyi işleyebilen LLM'ler, ekran görüntüleri üzerinde Nielsen'in kullanılabilirlik ilkelerine ya da WCAG kriterlerine göre ilk bir tarama yapabilir. Çıktıyı bir hüküm olarak değil, doğrulanması gereken bir kontrol listesi olarak ele alın.
  • Masa başı araştırmayı hızlandırma. Rakip analizleri, pazar taramaları ve kalıp (pattern) denetimleri haftalardan günlere iner.

İnsanda kalanlar: araştırma sorularını yazmak, görüşmeleri yönetmek ve hangi bulguların ürünü değiştireceğine karar vermek. Sentetik "yapay zeka kullanıcıları", bir çalışmadan önce protokolü stres testinden geçirmek için faydalıdır; çalışmanın yerini almak için değil. Gerçek görüşmeleri ve gerçek kullanılabilirlik testlerini hâlâ yapıyoruz; çünkü şaşırtıcı cevap, o tereddüt anı, kullanıcının kendi icat ettiği geçici çözüm: ürünler tam da bunlar sayesinde iyileşir ve hiçbir model bunları barındırmaz.

2. Fikir geliştirme ve bilgi mimarisi (Shape)

  • Fikir tartışma ortağı olarak LLM'ler. Modele araştırma özetinizi ve brief'inizi verin, ardından önerdiğiniz yapıya karşı argüman geliştirmesini, alternatif kullanıcı akışları üretmesini ya da yolculuğu adım adım deneyimleyen şüpheci bir kullanıcıyı canlandırmasını isteyin.
  • Hızlı bilgi mimarisi taslakları. Birbiriyle yarışan üç site haritası ya da navigasyon modeli üretin, ardından bunları araştırmaya göre eleştirin. Değer tek bir çıktıda değil; seçenek alanını ne kadar hızlı görebildiğinizde.

İnsanda kalan: çerçeve. Yapay zeka, sorduğunuz soruyu yanıtlar. Doğru soruyu sormak (bu ürün aslında hangi işi yapmak için "işe alınıyor"?) hâlâ işin ta kendisi.

3. Wireframe ve prototipleme

  • Figma AI ve tasarım araçlarının yerleşik asistanları artık low-fidelity yerleşimler üretiyor, katmanları yeniden adlandırıyor ve ekranları gerçekçi içerikle dolduruyor. İskelet kurmak için iyi, karar vermek için değil.
  • Prompt'tan prototipe araçlar, metin açıklamasını tıklanabilir bir akışa dönüştürüyor. Bunları bir hipotezi günler yerine saatler içinde test etmek için kullanıyor, sonra prototipi çöpe atıyoruz. Doğru ilişki budur: yapay zeka prototipleri yayına almak için değil, öğrenmek içindir.

İnsanda kalan: hiyerarşi ve akış. Yapay zeka bileşenleri yerleştirir; kullanıcının önce neyi görmesi gerektiğine, neyin yapılmasının zor olması gerektiğine ve neyin hiç var olmaması gerektiğine tasarımcılar karar verir.

4. Görsel tasarım

  • Görsel üretimi (Midjourney sınıfı araçlar ve giderek yaygınlaşan tuval içi üretim) moodboard'lar, sanat yönetimi denemeleri ve yer tutucu görseller için mükemmeldir. Tutarlılıkta ise zayıftır; oysa gerçek bir arayüzün tam olarak istediği şey tutarlılıktır.
  • Asıl çarpan tasarım sistemleridir. Yapay zeka çıktıları, token'lar, bileşenler ve kurallardan oluşan iyi kurulmuş bir sistemle sınırlandırıldığında çok daha kullanılabilir hâle gelir. Müşterilerimiz için tasarım sistemlerine bu kadar yatırım yapmamızın nedeni de bu: güçlü bir sistem, yapay zekayı bir kaos üreticisinden disiplinli bir üretim asistanına dönüştürür.

İnsanda kalan: zevk. Zanaat. Hiçbir modelin fark etmediği ama her iyi tasarımcının fark ettiği o iki piksellik optik düzeltme. Ödül (ve daha da önemlisi kullanıcı güveni) kazanan arayüzler, binlerce küçük ve bilinçli karar üzerine kurulur.

5. Handoff ve mühendislik (Build)

  • Kod üretimi, bu araç setindeki en olgun yapay zeka yeteneği. Tasarımdan koda araçlar ve kodlama asistanları (Claude, Copilot sınıfı araçlar) spesifikasyonları hızla bileşenlere dönüştürüyor; özellikle de tasarım sistemi token'ları ve davranışları zaten tanımlamışsa.
  • Yapay zekanın yazdığı handoff dokümantasyonu. Bileşen spesifikasyonları, durumlar, uç durumlar (edge case) ve erişilebilirlik notları, tasarım dosyasından yola çıkılarak yapay zeka tarafından taslak hâlinde hazırlanabilir ve tasarımcı tarafından gözden geçirilebilir.

Things bir tasarım ve mühendislik stüdyosu olduğu için modelimizin karşılığını aldığı aşama burası: sistemi tasarlayan kişiler, onu hayata geçiren kodu da gözden geçirir. Tasarım incelemesinden geçmeyen yapay zeka kodu zamanla sapar; boşluklar bozulur, durumlar kaybolur, erişilebilirlik buharlaşır. Design. Code. Mastery. Ortadaki kelime isteğe bağlı değil.

6. Lansman sonrası (Evolve)

Yapay zekayı analitikteki anomalileri özetlemek, destek taleplerini ve uygulama mağazası yorumlarını temalara ayırmak ve A/B testi hipotezlerinin taslağını çıkarmak için kullanın. Yayına almak projenin sonu değil, öğrenmenin başlangıcıdır.

Yapay zekayla üretilen tasarımın kalite riskleri nelerdir?

Başlıca riskler jeneriklik, gizli kullanılabilirlik sorunları, erişilebilirlik açıkları ve tutarsızlıktır. Yapay zeka çıktısı eğitim verisinin ortalamasına doğru çekilir; yani mümkün olan en ortalama arayüzü üretir ve ortalama arayüzler ürünleri farklılaştırmaz.

Başarısızlık biçimlerini tek tek adlandıralım:

  • Yakınsama. Her ekip aynı modellere prompt yazdığında ürünler aynı görünüme yakınsar. Ayırt edicilik yeniden kalıcı bir rekabet avantajına dönüşür.
  • Makul görünen ama yanlış akışlar. Yapay zekanın ürettiği ekranlar bitmiş gibi görünür ve bu da eleştirel incelemeyi devre dışı bırakır. Cilalı bir yanlış cevap, kaba bir yanlış cevaptan daha tehlikelidir.
  • Erişilebilirlik borcu. Üretilen tasarımlar ve kodlar kontrast oranlarını, odak durumlarını (focus state), semantik yapıyı ve ekran okuyucu davranışını sıklıkla atlar. Bu hatalar ekran görüntüsünde görünmez, bir dava dosyasında ise gayet net görünür.
  • Sistem erozyonu. Tasarım sistemini baypas eden gelişigüzel yapay zeka çıktıları, her yeni ekranla katlanarak büyüyen bir tutarsızlık borcu yaratır.
  • Atlanan araştırma. En sinsi risk: yapay zeka üretmeyi ucuzlattığı için ekipler anlamayı atlıyor. Sonuçta yanlış hedefe doğru daha hızlı ürün çıkarıyorsunuz.

Bunların hepsinin çözümü aynı: gerçek standartlarla yapılan, gerçek araştırmaya dayanan ve gerçek bir tasarım sistemiyle uygulanan insan incelemesi.

Things tasarım sürecinde yapay zekayı nasıl kullanıyor?

Yapay zekayı ikame olarak değil, güçlendirici olarak kullanıyoruz: her aşamada, insan yönlendirmesiyle ve hiçbir şey bir müşteriye ya da kullanıcıya ulaşmadan önce stüdyo kalitesinde bir incelemeden geçirerek. Biz ajans değil, stüdyoyuz: küçük ve kıdemli ekipler, işin içine derinlemesine girme ve işi asla bir üretim bandına devretmeme. Yapay zeka bu modele çok iyi uyuyor; çünkü muhakemeyi ortadan kaldırmadan angarya işi ortadan kaldırıyor.

Somut olarak: yapay zeka araştırma sentezimizi hızlandırıyor, keşif alanımızı genişletiyor, dokümantasyonumuzun taslağını çıkarıyor ve mühendislik işlerimize hız kazandırıyor. Görüşmeleri yürütmek, stratejiyi belirlemek, kararları vermek ve zanaatı cilalamak ise insanların işi. Müşterilerimiz yapay zekanın hızını, bize Red Dot kazandıran standartlarla birlikte alıyor. Tüm vaadimiz bu ve dürüst bir vaat.

Sıkça Sorulan Sorular

2026'da UI tasarım için en iyi yapay zeka araçları hangileri? Marka adlarıyla değil, kategorilerle düşünün: araştırma sentezi ve metin için LLM'ler (Claude, GPT sınıfı modeller); yerleşim iskeleti ve dosya düzeni için tasarım araçlarının yerleşik yapay zekası (Figma AI); sanat yönetimi denemeleri için görsel üretimi; hızlı konsept testi için prompt'tan prototipe araçlar; tasarımdan koda geçiş için de yapay zeka kodlama asistanları. Araçlar her çeyrek değişiyor; sağlam bir iş akışı ise hepsinden uzun ömürlüdür.

Yapay zeka UX araştırması yapabilir mi? Yapay zeka araştırmayı (transkripsiyon, kümeleme, özetleme) insanlardan çok daha hızlı işleyebilir. Ancak araştırmayı yürütemez. Gerçek kullanıcılarla yapılan gerçek görüşmelerin ve kullanılabilirlik testlerinin yeri doldurulamaz; çünkü yapay zeka yalnızca zaten bilineni yeniden harmanlayabilir.

Yapay zekayla üretilen tasarım markama zarar verir mi? Düzenlenmeden kullanılırsa muhtemelen evet: yapay zeka çıktısı jenerik olana yönelir ve jenerik, markanın tam tersidir. Tanımlı bir tasarım sistemi içinde güçlü tasarımcıların yönlendirmesiyle ise yapay zeka özgün işi sulandırmak yerine hızlandırır.

Yapay zeka destekli tasarım daha mı ucuz? Daha ucuz olmaktan çok daha hızlı. Üretim süresi kısalır; bütçeden stratejiye, araştırmaya ve zanaata ayrılan pay artar. Genel sonuç, tasarımın sıradan bir mal gibi ucuza fiyatlanması değil, hafta başına daha fazla değerdir; o ucuzluğu vaat eden ekipler ise genellikle tasarımı işe yarar kılan kısımları atlıyordur.

Yapay zeka kullandığını söyleyen bir ajansı ya da stüdyoyu nasıl değerlendirmeliyim? Üç soru sorun: Yapay zeka sürecinizin tam olarak neresinde? Teslimattan önce bir insan neyi inceliyor? Yapay zeka ortaya çıkmadan önce yayına aldığınız işleri gösterebilir misiniz? Yapay zeka öncesinde de mükemmel olan bir ekibi yapay zeka güçlendirir. Öyle olmayan bir ekibin eksiklerini ise yalnızca kamufle eder.

Yapay zekayla doğru şekilde tasarlamaya hazır mısınız?

Kurucu, tasarım lideri ya da pazarlama direktörü olarak yapay zekanın ürününüzün tasarım ve geliştirme sürecinde nereye oturduğunu anlamaya çalışıyorsanız, bu her hafta yaptığımız bir sohbet. Yapay zekanın nerede işe yarayacağını, nerede yaramayacağını ve mükemmel bir şeyi hayata geçirmek için neler gerektiğini size dürüstçe söyleriz.

Things ile konuşun: hello@things.ist · things.com.tr

Design. Code. Mastery.