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 2018'den bu yana elliden fazla dijital ürünü hayata geçirdik 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 şey birbiriyle çelişmiyor. Bu rehber, ikisinin nasıl bir arada var olduğunu; kurumsal bir şirkette yapay zekayla tasarım yaparken nelerin kazanıldığını, nelerin riske girdiğini ve bunun nasıl yönetildiğini anlatıyor.

Yapay zeka UX ve UI tasarımda gerçekte neler yapabilir?

Yapay zeka ile UX/UI tasarım, araştırmadan koda kadar tasarım sürecinin belirli adımlarında yapay zeka araçlarının bilinçli olarak kullanılması ve her adımda son kararın bir insanda kalmasıdır. Yapay zeka sentezi, keşfi ve üretimi hızlandırır; kullanıcıyı anlamak, karar vermek ve sonucun sorumluluğunu üstlenmek ise ekibin işidir.

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 büyük dil modeline (LLM) 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.

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.

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. "Tasarımcıların arada bir yapay zekaya soru sorması" bir iş akışı değildir. Olgun bir iş akışını üç özellik tanımlar:

  1. Bağlam yazılıdır. Yapay zeka tasarım kılavuzlarınızı, token'larınızı ve ürün kararlarınızı birinin o an doğaçladığı bir prompt'tan değil, dosyalardan okur.
  2. Her yapay zeka çıktısı bir insan kapısından geçer. Yapay zeka önerir; son sözü bir tasarımcı ya da mühendis söyler.
  3. Tasarım ve mühendislik aynı hattı paylaşır. Tasarım üretimine yön veren bağlam dosyaları, kod üretimine de yön verir.

Aşağıda bunun Things'teki kendi sürecimize (Keşfet, Kurgula, Hayata Geçir, Büyüt) nasıl karşılık geldiğini bulabilirsiniz.

1. Araştırma ve keşif (Keşfet)

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. Bu adımın ayrıntılarını yapay zeka ile UX araştırması yazımızda anlattık.
  • 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.

İnsanda kalanlar: araştırma sorularını yazmak, görüşmeleri yönetmek ve hangi bulguların ürünü değiştireceğine karar vermek. Şaşırtıcı cevap, o tereddüt anı, kullanıcının kendi icat ettiği geçici çözüm: Ürünler bunlar sayesinde iyileşir ve hiçbir model bunları barındırmaz.

2. Fikir geliştirme ve bilgi mimarisi (Kurgula)

  • Fikir tartışma ortağı olarak LLM'ler. Modele araştırma özetinizi ve brief'inizi verin, ardından önerdiğiniz yapıya karşı argüman geliştirmesini ya da alternatif kullanıcı akışları üretmesini isteyin. Amaç bir yapay zeka konseptini kabul etmek değil, ilk fikrinizden daha hızlı kurtulmaktır.
  • Hızlı bilgi mimarisi taslakları. Birbiriyle yarışan üç site haritası ya da navigasyon modeli üretin, ardından bunları araştırmaya göre eleştirin.

İnsanda kalan: çerçeve. Yapay zeka, sorduğunuz soruyu yanıtlar. Doğru soruyu sormak hâlâ işin ta kendisi.

3. Wireframe ve prototipleme

  • Tasarım araçlarının yerleşik asistanları low-fidelity yerleşimler üretiyor, katmanları yeniden adlandırıyor ve ekranları gerçekçi içerikle dolduruyor. İskelet kurmak için iyi, karar vermek için değil.
  • Kodlanmış prototipler. Yapay zeka destekli kodlama, gerçek etkileşimlere sahip çalışan bir prototipi tıklanabilir bir mockup'tan daha ucuz hâle getirdi. Bunları bir hipotezi günler yerine saatler içinde test etmek için kullanıyor, sonra prototipi çöpe atıyoruz. Yapay zeka prototipleri yayına almak için değil, öğrenmek içindir.

İnsanda kalan: hiyerarşi ve akış. Kullanıcının önce neyi görmesi gerektiğine ve neyin hiç var olmaması gerektiğine tasarımcılar karar verir.

4. Görsel tasarım

  • Görsel üretimi moodboard'lar, sanat yönetimi denemeleri ve yer tutucu görseller için mükemmeldir. Tutarlılıkta ise zayıftır; oysa gerçek bir arayüzün tam olarak istediği şey tutarlılıktır. Kural şu: Keşfetmek için üretin, yayına almak için tasarlayın.
  • Asıl çarpan tasarım sistemleridir. Yapay zeka çıktıları, token'lar, bileşenler ve kurallardan oluşan bir sistemle sınırlandırıldığında çok daha kullanılabilir hâle gelir. Güçlü bir sistem, yapay zekayı bir kaos üreticisinden disiplinli bir üretim asistanına dönüştürür.

İnsanda kalan: zevk. Hiçbir modelin fark etmediği ama her iyi tasarımcının fark ettiği o iki piksellik optik düzeltme.

5. Handoff ve mühendislik (Hayata Geçir)

  • Kod üretimi, bu araç setindeki en olgun yapay zeka yeteneği. Tasarım token'ları, belgelenmiş bir bileşen kütüphanesi ve ikisini de okuyabilen bir kodlama asistanıyla tasarımdan koda geçiş bir demo olmaktan çıkıp bir üretim hattına dönüşür. Handoff bir pazarlık olmaktan çıkıp bir incelemeye indirgenir.
  • Yapay zekanın yazdığı handoff dokümantasyonu. Bileşen spesifikasyonları, durumlar, uç durumlar ve erişilebilirlik notları yapay zeka tarafından taslak hâlinde hazırlanabilir ve tasarımcı tarafından gözden geçirilebilir.

Tasarım incelemesinden geçmeyen yapay zeka kodu zamanla sapar; boşluklar bozulur, durumlar kaybolur, erişilebilirlik buharlaşır. Bu yüzden sistemi tasarlayan kişilerin, onu hayata geçiren kodu da gözden geçirmesi gerekir.

6. QA ve lansman sonrası (Büyüt)

Yapay zeka incelemeleri yorulmak bilmez. Otomatik erişilebilirlik taramaları, metin tutarlılığı kontrolleri ve "bu ekran kılavuzlarımızdaki bir kuralı ihlal ediyor mu?" denetimleri her şey üzerinde çalışabilir; insanlar da tüm yüzey yerine yalnızca işaretlenen öğeleri inceler. Yayından sonra yapay zekayı analitikteki anomalileri özetlemek ve destek taleplerini temalara ayırmak için kullanın. Yayına almak projenin sonu değil, öğrenmenin başlangıcıdır.

Araştırmadan canlıya: tek bakışta harita

Bütün akışı tek cümleye indirirsek: İşin hacimli olduğu yerde yapay zeka, muhakeme gerektiği yerde insan.

  • Keşfet (araştırma): Yapay zeka anonimleştirilmiş görüşme notlarını, anonim ve toplu destek talebi verisini ve yorumları temalara ayırır. Hangi bulgunun ürünü değiştireceğine ekip karar verir.
  • Kurgula (tasarım): Yapay zeka alternatif akışlar, yerleşim taslakları ve görsel yön denemeleri üretir. Hiyerarşiyi, akışı ve nihai arayüzü tasarımcı belirler.
  • Hayata Geçir (geliştirme): Yapay zeka tasarım sistemine dayanarak kod ve handoff dokümantasyonu taslağı çıkarır. Sistemle uyumunu tasarımcı ve mühendis birlikte onaylar.
  • Büyüt (yayın sonrası): Yapay zeka erişilebilirlik ve tutarlılık taramalarını sürekli yapar, anonim ve toplu kullanım verisini ve geri bildirimi özetler. Neyin düzeltileceğine ve sıradaki adıma ekip karar verir.

Yapay zeka tasarım araç setinizde neler olmalı?

Kırk araca değil, dört araç türüne ihtiyacınız var. Her türden güçlü bir seçenek belirleyin, bunları ortak bir bağlama bağlayın ve her yeniliği hemen benimseme dürtüsüne direnin.

  • Genel amaçlı dil modeli asistanları. Araştırma sentezi, UX metni taslakları, eleştiri, dokümantasyon. Değerleri, onlara verdiğiniz bağlamla doğru orantılıdır.
  • Ajan tabanlı kodlama araçları. Otomatik tamamlama yapmazlar; iş yürütürler. Reponuzu, CLAUDE.md gibi bağlam dosyalarınızı ve token tanımlarınızı okuyup çok adımlı uygulama işlerini hayata geçirirler.
  • Tasarım aracının içindeki yapay zeka özellikleri. İlk taslak üretimi, içerik doldurma, katman düzeni, hızlı varyantlar. En iyi sonucu işin göz alıcı olmayan orta kısmında verir.
  • Görsel üretim araçları. Sanat yönetimi, moodboard'lar, illüstrasyon denemeleri. Bir insan çıktıyı sisteme uygun şekilde yeniden çizmedikçe ürününüzün arayüzünden uzak tutun.

Dördünü birbirine bağlayan şey, yapay zekanın okuyabildiği dokümantasyondur. Bu, tek tek araç seçimlerinden daha önemlidir.

Veri güvenliği ve gizlilik: Müşteri verisi modele gider mi?

Kurumsal şirketlerde yapay zekayla ilgili ilk soru genellikle hız değil, veridir: Kullanıcı görüşmeleri, destek kayıtları, ekran görüntüleri ya da kaynak kod bir yapay zeka aracına verildiğinde nereye gider, nasıl saklanır, modelin eğitiminde kullanılır mı?

Bu soruların cevabı kullanılan araca, sözleşmeye ve ayarlara göre değişir. Bu yüzden genel bir "güvenli" ya da "güvensiz" hükmü vermek doğru olmaz. Ama her kurumsal projede sorulması gereken sorular bellidir:

  • Hangi araçlar kullanılacak ve hangi sözleşme koşullarıyla? Kurumsal hesaplar ile bireysel hesaplar arasında veri kullanımı açısından fark olabilir. Tasarım ekibinin hangi hesaplarla çalıştığını sorun.
  • Hangi veri araca girecek? Kişisel veri içeren görüşme kayıtları ya da müşteri bilgileri araca verilmeden önce anonimleştirilebilir mi? Çoğu sentez işi, kişiyi tanımlayan bilgi olmadan da yapılabilir.
  • Veri nerede işleniyor ve ne kadar saklanıyor? Bu, KVKK açısından hukuk biriminizin değerlendirmesi gereken bir konudur.
  • Kaynak kod ve iç dokümanlar. Kodlama asistanları reponuzu okur. Hangi repoların, hangi araçlarla açılabileceği IT ekibinizle birlikte belirlenmelidir.

Pratik önerimiz şu: Projenin başında yapay zeka kullanımını da kapsayan kısa bir veri işleme planı yazın. Hangi aşamada hangi aracın hangi veriyle kullanılacağı bu planda yer alsın ve hukuk ile IT tarafından onaylansın. Böylece yapay zeka, sonradan tartışılan bir risk değil, baştan çerçevesi çizilmiş bir çalışma aracı olur.

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.

  • 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, semantik yapıyı ve ekran okuyucu davranışını sıklıkla atlar. Bu hatalar ekran görüntüsünde görünmez.
  • Sistem erozyonu. Tasarım sistemini baypas eden gelişigüzel yapay zeka çıktıları, her yeni ekranla 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.

Bir tasarım ekibinde yapay zekayı nasıl yönetirsiniz?

Yönetişim üç şey demektir: repo'daki tasarım sistemiyle sağlanan marka tutarlılığı, zorunlu insan inceleme kapıları ve yapay zekanın kullanılmayacağı yerlerin açık bir listesi.

Marka tutarlılığı. Marka sesiniz, tasarım ilkeleriniz ve görsel kurallarınız, yapay zekanın her görevde okuduğu belgeler olarak var olmalıdır. Bir design.md dosyası ve projenin bağlam dosyası bu işe yön verir; aksi takdirde varsayılan model üslubunu alırsınız: hoş, şişirilmiş, akılda kalmayan. Ancak ajanlar kural dosyalarını %100 uygulamaz. Garanti repo'daki tasarım sistemindedir: ajan gerçek bileşenleri ve token'ları okur, uydurmaz.

İnceleme kapıları. Araştırma sentezini, oturumları yürüten araştırmacı inceler. Üretilen arayüzü bir tasarımcı tasarım sistemine göre inceler. Üretilen kodu, diğer her pull request gibi bir mühendis inceler. Hiçbir yapay zeka çıktısı, sorumluluğunu adı belli bir insan üstlenmeden yayına çıkmaz.

Yapay zekanın kullanılmayacağı yerler. Stratejik konumlandırma ve ürün vizyonu, markayı tanımlayan nihai görseller, kullanıcıyla doğrudan temas, incelenmemiş hassas veri ve son karar. Bu listeyi yazılı hâle getirmek, ekipteki herkesin aynı sınırla çalışmasını sağlar.

Süre ve maliyete etkisi ne olur?

Yapay zeka en çok üretim süresini kısaltır: sentez, varyasyon, ilk taslaklar, dokümantasyon ve kodlama. Bu, aynı sürede daha fazla seçeneğin denenmesi ve daha fazla zamanın araştırmaya ve kalite incelemesine ayrılması demektir.

Kurumsal bir projede toplam süreyi ise çoğu zaman üretim değil; onay turları, entegrasyonlar, güvenlik incelemesi ve satın alma süreçleri belirler. Yapay zeka bunları kısaltmaz. Bu yüzden "yapay zeka kullanıyoruz, proje yarı sürede biter" gibi bir vaat gördüğünüzde, hangi adımların kısaldığını ve hangi adımların atlandığını sorun.

Maliyet tarafında da benzer bir tablo var: Yapay zeka tasarımı sıradan bir mal gibi ucuzlatmaz; bütçenin daha büyük bir kısmının strateji, araştırma ve zanaata ayrılmasını sağlar. Bütçe çıkarırken referans almanız için şunu söyleyebiliriz: Projeler 10–15 bin dolardan başlar. Gerisini kapsam belirler; fiyatı etkileyen kalemleri kurumsal web sitesi ve mobil uygulama fiyatları yazımızda anlattık.

Things tasarım sürecinde yapay zekayı nasıl kullanıyor?

Yapay zekayı ikame olarak değil, güçlendirici olarak kullanıyoruz: her aşamada, insan yönlendirmesiyle ve hiçbir şey bir kullanıcıya ulaşmadan önce bir incelemeden geçirerek. Keşfet aşamasında yapay zeka araştırmayı sentezler, ekibimiz ise her görüşmede bizzat bulunur. Kurgula aşamasında keşif alanını genişletir; mühendislik zaten odada olduğundan her yön gerçekliğe karşı hemen test edilir. Hayata Geçir aşamasında tasarımı doğrudan yapay zeka araçlarıyla yapıp yayına hazır hale getiriyoruz. Büyüt aşamasında denetimler yayındaki ürünleri izler; ne yapılacağına insanlar karar verir.

Tasarım ve mühendisliği aynı ekipte yürüttüğümüz için yapay zekanın hızı, tasarım niyetini kaybetmeden koda akar. Müşterilerimiz yapay zekanın hızını, bize Red Dot kazandıran standartlarla birlikte alıyor. Design. Engineering. Mastery.

Yapay zeka destekli bir keşif sprintiyle başlamak isterseniz brief'inizi hello@things.ist'e gönderin; 48 saat içinde dönüyoruz.

Sıkça Sorulan Sorular

UI tasarım için en iyi yapay zeka araçları hangileri? Marka adlarıyla değil, araç türleriyle düşünün: araştırma sentezi ve metin için dil modeli asistanları, yerleşim iskeleti için tasarım aracının yapay zeka özellikleri, sanat yönetimi için görsel üretimi, tasarımdan koda geçiş için kodlama asistanları. Araçlar sık değişiyor; sağlam bir iş akışı ise hepsinden uzun ömürlüdür.

Yapay zeka UX araştırması yapabilir mi? Araştırmayı (transkripsiyon, kümeleme, özetleme) insanlardan çok daha hızlı işleyebilir. Ancak araştırmayı yürütemez. Gerçek kullanıcılarla yapılan görüşmelerin ve kullanılabilirlik testlerinin yeri doldurulamaz.

Bir tasarım ekibine yapay zekayı entegre etmenin ilk adımı nedir? Araç satın almadan önce dokümantasyonunuzu yazın. Bir tasarım kılavuzu dosyası, kod olarak tasarım token'ları ve her proje için bir bağlam dosyası, sonrasında benimseyeceğiniz her aracı daha iyi hâle getirir.

Yapay zeka tasarımlardan canlı ortama hazır kod üretebilir mi? Evet, belirli koşullarla: belgelenmiş bir bileşen kütüphanesi, kodda tanımlı tasarım token'ları ve ikisini de okuyabilen bir araç. Bu temel olmadan üretilen kod makul görünür ama sisteminizle çatışır. Çıktı her zaman mühendis incelemesinden geçmelidir.

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 özgün işi sulandırmak yerine hızlandırır.

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? Müşteri verisini yapay zeka araçlarında nasıl koruyorsunuz? Ekip seçimiyle ilgili diğer soruları UX ajansı nasıl seçilir yazımızda bulabilirsiniz.

Yapay zekayla doğru şekilde tasarlamaya hazır mısınız?

Yapay zekanın ürününüzün tasarım ve geliştirme sürecinde nereye oturduğunu anlamaya çalışıyorsanız, nerede işe yarayacağını, nerede yaramayacağını ve iyi bir sonuç için neler gerektiğini size dürüstçe söyleriz.

Yapay zeka destekli bir keşif sprintiyle başlamak isterseniz brief'inizi hello@things.ist'e gönderin; 48 saat içinde dönüyoruz. Brief'iniz henüz hazır değilse şablonumuzla başlayabilir ya da iletişim sayfamızdan bize ulaşabilirsiniz.

Design. Engineering. Mastery.