İyi Bir Yapay Zekâ Ürünü Nasıl Geliştirilir? Aytekin Tank CEO of Jotform

Kısa yanıt: İyi bir yapay zekâ ürünü, model yeteneğini sergilemekten önce belirli bir kullanıcı sorununu güvenilir biçimde çözer ve gerçek kullanım verisiyle kademeli olarak gelişir. Ben Ankara AI Meetup’ta Aytekin Tank’ı ağırladım; Jotform’un iki yıllık yolculuğunda yapay zekâ çözüm oranını yüzde 25’ten yaklaşık yüzde 75’e taşıyan kararları bu rehberde derledim.

Bu etkinliğin benim için kişisel bir anlamı da vardı. Aytekin Tank, iki yılı aşkın süredir Popupsmart’ın büyüme yolculuğunda bize mentorluk yapıyor. Ürün geliştirme, kullanıcı deneyimi ve yapay zekâ entegrasyonu hakkındaki düşünme biçimimizi etkiledi. Onu Ankara’daki yapay zekâ topluluğumuzla buluşturmak benim için değerliydi.

Bu yazıda, Jotform’un iki yıllık deneyimine dayanan sunumun temel derslerini derledim. Tam oturumu izleyebilir veya aşağıdaki özeti okuyabilirsiniz. Her iki seçenek de LiveChatAI ve diğer ürünlerimizde uyguladığımız pratikleri anlamanıza yardımcı olacak.

Önce geleneksel yazılım ile yapay zekâ ürünü geliştirmenin neden aynı olmadığını ele alalım.

• Sunumun İngilizce seslendirmesini video ayarlarından seçebilirsiniz.

Temel soru: İyi bir ürünü ne belirler?

“İyi bir ürün yaparsak başarılı oluruz. Zaman alabilir ama iyi bir şey yaparsak yayılır.”

Bu yaklaşımın üç dayanağı var:

• Ürün kalitesini ilk sıraya koymak
• İyi ürünlerin tavsiye yoluyla kullanıcı kazanacağını bilmek
• Uzun vadeli başarı için sabırlı ve ısrarlı olmak

Yapay zekâ ürünü geliştirmek neden farklı bir oyun?

Aytekin Tank’a göre eski ürün reçeteleri yapay zekâda aynı sonucu vermiyor:

“İyi bir yapay zekâ ürünü yapmanın cevabı tamamen farklı. Eski yöntemler, eski kurallar çalışmıyor. Yapay zekânın kuralları başka.”

Yapay zekâ ürünlerinin üç ana zorluğu

1. Yapay zekâ deterministik değildir

Geleneksel yazılım, tanımlanan koşullara öngörülebilir yanıt verir. Yapay zekâ ise aynı isteğe farklı yollarla karşılık verebilir. Aytekin, ChatGPT’nin Atlas ajanından üç kez Jotform iletişim formu oluşturmasını istedi:

• İlk denemede boş bir form açıp soruları sonradan ekledi.
• İkinci denemede şablon kitaplığından bir form buldu.
• Üçüncü denemede formu yapay zekâ istemiyle üretti.

Üç deneme de farklı sonuç verdi. Bu nedenle zihinsel model de değişmeli:

“Yazılım üretmiyoruz; bir insanı eğitiyor veya hizmet veriyoruz.”

2. Yapay zekâ çok hata yapar

• Halüsinasyonlar ortaya çıkar.
• RAG, yani erişim destekli üretim, bütün hataları ortadan kaldırmaz.
• Veri ve kullanım hacmi büyüdükçe hata sayısı da artar.
• Hataları sıfıra indirmek gerçekçi değildir; hedef onları düzenli biçimde azaltmaktır.

3. Kullanıcı beklentisi çok yüksektir

Kullanıcılar yapay zekâdan tüm işi bitirmesini bekleyebilir: “Girişimimi kur, şu özelliklerde mobil uygulama yap” gibi istekler artık olağan. ChatGPT deneyimi insanları hızlı ve geniş kapsamlı yanıt beklemeye alıştırdı. Bu beklenti hem ürün riski hem de fırsat yaratıyor.

Jotform çözüm oranını yüzde 25’ten yüzde 75’e nasıl çıkardı?

Başlangıç noktası: Jotform AI Agent

Jotform AI Agent’ın 15 binden fazla aktif kullanıcısı bulunuyor. Chatbot, Gmail, Instagram ve WhatsApp gibi kanallarda çalışıyor; şirket belgeleriyle eğitilerek müşteri sorularını yanıtlıyor.

İlk çözüm oranı yalnızca yüzde 25’ti. Başka bir ifadeyle yapay zekâ, soruların dörtte üçüne doğru yanıt veremiyordu.

Kestirme yol: Kendi ürününü kullanmak

Aytekin bu avantajı şöyle açıklıyor:

“Bir kestirme yolumuz var: Kendi ürünümüzü kullanarak ürünümüzü geliştirebiliriz.”

Ekip, AI Agent’ı Jotform’un kendi destek sistemine yerleştirdi. Her gün binlerce gerçek müşteri konuşması gelince ürün ekibi hızlı bir geri bildirim döngüsü kurabildi.

Sistemli iyileştirme süreci

Günlük inceleme

Yirmi destek çalışanı, yapay zekâ ile müşteriler arasında gerçekleşen günde 3 binden fazla konuşmayı tam zamanlı inceliyordu. Her görüşme “çözüldü” veya “çözülmedi” olarak işaretlendi; karşılaşılan sorun ve neden kaydedildi. Yapay zekânın daha fazla isteği sonuçlandırmasıyla destek ekibinin doğrudan iş yükü de azaldı.

Sorunları kümelere ayırmak

Benzer sorunlar bir araya getirildi, görülme sıklığına göre sıralandı ve çözülmek üzere ürün ekiplerine dağıtıldı. Ekip başlangıçta makine öğrenmesi kullanırken bugün kümeleme işini de yapay zekâyla yürütüyor.

Yüzde 25’ten yüzde 75’e kademeli ilerleme

Aytekin’in paylaştığı yaklaşık katkılar şöyle:

1. RAG iyileştirmeleri: yaklaşık 10 puan
   • Erişim yöntemlerini ve model seçimini iyileştirmek
   • Doğru bilgiyi getirme sürecini düzenlemek
2. Bilgi tabanını geliştirmek: yaklaşık 20 puan
   • Dokümantasyondaki yanlışları düzeltmek
   • Eksik içerikleri ve yeni rehberleri eklemek
3. Araç çağrıları: yaklaşık 20 puan
   • Yapay zekânın API üzerinden işlem yapmasını sağlamak
   • E-posta durumunu veya engellenmiş adresleri kontrol etmek
   • Silinmiş formları bulup geri yükleme sürecine yardım etmek

Asıl belirleyici faktör, bu çalışmaların tek tek incelenen gerçek konuşmalardan çıkmasıydı:

“Her birini ayrı ayrı inceledik. Birileri her gün 3 bin konuşma okudu. Bunun için kaynak ayırdık.”

Yapay zekâ ürünlerinin çoğu neden ilerleyemiyor?

Yaygın hatalar şunlar:

• Ürünü yalnızca şirket içinde test etmek
• Yayına alıp iyi sonuç beklemek
• Sadece şikâyet geldiğinde sorun düzeltmek
• Kullanıcı etkileşimlerini düzenli incelememek

Aytekin’in uyarısı açık:

“Yapay zekâ o kadar kırılgan ki sorunları rastgele bulup çözerek ilerlemek mümkün değil. Bütün sorunları incelemeli, kümelemeli ve sistemli biçimde çözmelisiniz.”

Jotform AI içerik üretme aracı ne yapıyor?

Üç tür yapay zekâ özelliği

1. Üreticiler: İstemden eksiksiz form oluşturur.
2. Yardımcı pilotlar: Form oluşturucudaki sohbet asistanlarıdır. “Arka plan rengini değiştir” veya “Sitemdeki logoyu bulup forma ekle” gibi komutları yerine getirir.
3. Akıllı araçlar: PDF içe aktarma ve otomasyon geliştirmeleri gibi belirli işleri yapar.

Günlük sprint yöntemi

Ekip haftalık yerine günlük sprintlerle düşünüyor. Her sabah saat 09.00’da önceki 24 saatte bulunan ve kümelenen sorunları içeren otomatik bir e-posta geliyor. Ürün ekipleri en sık görülen sorunlara hemen başlıyor; amaç, bugün bulunan bir sorunu bir veya iki gün içinde çözmek.

E-posta; dünkü incelemeyi, sorun kümelerini ve her birinin sıklığını içeriyor. Örneğin, “Dün oluşturulan bin formun 50’sinde ad alanı sorunu vardı” gibi somut bir örüntü gösteriyor.

Döngü basit:

1. En sık ve etkili sorunu seç.
2. Düzeltmeyi hızla yayına al.
3. Sorunun gerçekten azalıp azalmadığını izle.
4. Sıradaki kümeye geç.

Jotform’un yapay zekâ yolculuğundan hangi teknik dersler çıkıyor?

Yüzde 75 sınırı

Çözüm oranı neden yüzde 75’in üzerine çıkmıyor?

• Kullanıcı soruları gittikçe çeşitleniyor.
• Bazı tekil sorunları çözmenin maliyeti elde edilecek faydayı aşabiliyor.
• Uç durumların sayısı büyüyor.
• İnsan destek çalışanları da yüzde 100 çözüm oranına ulaşmıyor.

Bu oran evrensel bir sınır değil; Jotform’un o dönemdeki ürün ve kullanım verisini yansıtıyor.

İstem mühendisliğine bakış

Aytekin’in tartışmalı görüşü şu:

“Geleceğin mesleği olarak istem mühendisliği mi? Bu bitti. Artık gerekmiyor; saçma yazsanız bile yapay zekâ ne demek istediğinizi anlıyor.”

Gerekçesi, geliştiricilerin istem yazmayı yeni bir dil gibi öğrenebilmesi ve güncel modellerin doğal dili daha iyi anlaması. Bu, iyi talimat tasarımının önemsiz olduğu anlamına gelmiyor; ayrı bir uzmanlık rolünün gerekliliğine dair görüşünü ifade ediyor.

Girişimler hangi önerileri uygulayabilir?

Kullanıcı yokken nasıl başlanır?

Jotform ilk yılında tamamen ücretsizdi ve başlangıçta hesap açmak bile gerekmiyordu. Ekip, para kazanmadan önce kullanıcı edinmeyi seçti ve ilk yılın sonunda 15 bin kullanıcıya ulaştı.

Aytekin’in önerisi:

“Girişimseniz önerim ücretsiz yapmanız. En azından kolayca denemelerine izin verin.”

Bu yaklaşım her iş modeline uymayabilir. Buradaki amaç, erken aşamada gerçek kullanım ve geri bildirim hacmi kazanmaktır.

Kurumsal pazar mı, geniş kitle mi?

Yalnızca üç kurumsal müşteriyle iyi ürün geliştirmek zordur; veri ve geri bildirim sayısı sınırlı kalır. Daha geniş kullanıcı kitlesi, örüntüleri görmeye yetecek hacmi sağlayabilir.

Kurucunun destek avantajı

Aytekin ilk dört veya beş yıl bütün destek taleplerini kendisi yanıtladı. Böylece insanların ürünü nasıl kullandığını, neden kullandığını ve hangi sorunların daha önemli olduğunu doğrudan gördü.

Yapay zekâ ürünü geliştirme zihniyeti nasıl olmalı?

Yapay zekâyı bir çalışan gibi düşünmek

“Belki de yapay zekâyı insan çalışan gibi düşünmeliyiz. Yaptıklarını inceleyin. Hiçbir şey bilmeyen bir çalışan gibi görün ve sürekli eğitin.”

Yeni bir çalışanı birkaç saat bilgilendirip altı ay boyunca kendi hâline bırakmazsınız. Buna rağmen birçok girişim yapay zekâ ürününde aynı davranışı sergiliyor. Modelin düzenli inceleme ve yönlendirmeye ihtiyacı var.

Yapay zekâ ile geleneksel kodu dengelemek

Her işi yapay zekâya bırakmak gerekmiyor. Geleneksel yazılım sistemin yapısını ve güvenilirliğini sağlarken yapay zekâ bu çerçevede karar verebilir.

Form oluşturma örneğinde yapay zekâ hangi soruların sorulacağına karar verir; yazılım ise alanların nasıl gösterileceğini belirler. Yapay zekâ mevcut alanları değiştirebilir, kod da sonucu tutarlı biçimde uygular.

Kusursuzluğu beklememek

İnsan desteği de kusursuz değildir ve kullanıcılar yapay zekânın sınırlı olduğunu deneyimlerinden biliyor. Bu, hataları önemsememek için gerekçe olamaz. Ürünü erken kullanıcıya sunup etkileşimleri incelemek için bir neden olabilir:

“Yeterince kontrol etmiyorsak, ürünü kullanıcıların önüne yeterince hızlı koymuyorsak bu geri bildirimi alamayız.”

Hangi ölçümler ve referans değerler izlenmeli?

Jotform AI Agent

• Aktif kullanıcı: 15 binden fazla
• İlk çözüm oranı: yüzde 25
• Paylaşılan güncel çözüm oranı: yüzde 75
• İyileştirme süresi: yaklaşık üç ay
• Günlük konuşma: 3 binden fazla
• İnceleme ekibi: 20 kişi

Jotform AI içerik üretme aracı

• Günlük üretim: 3 binden fazla form
• İncelenen örneklem: günde yaklaşık bin kayıt
• Yapay zekâ inceleme ekibi: 30 kişi
• Süreç: Sorun kümelerini içeren günlük e-posta
• Hedef çözüm süresi: Tespitten sonraki bir veya iki gün

Bu sayılar sunumda paylaşılan dönemsel Jotform verileridir; genel sektör ölçütü olarak okunmamalıdır.

Jotform’un gelecek planları neler?

Sesli kullanım

Jotform bir yılı aşkın süredir sesli etkileşim üzerinde çalışıyor. Kullanıcıların konuşarak form oluşturabilmesini ve ses özelliğinin 20’den fazla üründe kullanılmasını hedefliyor. Derin teknik çalışmalar yapay zekâ departmanında yürütülüyor.

Uçtan uca otomasyon

Amaç yalnızca form oluşturmak değil. Jotform; takip belgelerini otomatik üretmek, onay süreçleri kurmak, e-imza eklemek ve form verisinden kişiye özel belgeler hazırlamak istiyor.

“Amaç otomasyon, değil mi? Yazılımın amacı otomasyon. İnsanlar uğraşmak zorunda kalmasın.”

MCP ekosistemi

Ekip, binlerce hizmete daha kolay bağlanmak için MCP entegrasyonları geliştiriyor. Hedef, ChatGPT ve diğer yapay zekâ asistanlarının Jotform’u doğrudan kullanabilmesi ve kullanıcı önündeki adımların azalması.

Yapay zekâ ürün ekipleri hangi yedi ilkeyi izlemeli?

1. Hızlı yayımlayın ve yineleyin: Ürünü kapalı kapılar ardında kusursuzlaştırmaya çalışmayın.
2. Kendi ürününüzü kullanın: Geri bildirim döngüsünü doğrudan kurun.
3. Düzenli inceleyin: Etkileşimleri okumak için insan ve zaman ayırın.
4. Kümeleyip önceliklendirin: En sık ve etkili sorunlardan başlayın.
5. Haftalık değil günlük düşünün: Yapay zekâ ürünü sürekli ilgi ister.
6. Yapay zekâyı kodla dengeleyin: Güvenilir çerçeveyi geleneksel yazılımla kurun.
7. Kusursuzluk yerine ilerlemeyi hedefleyin: Hataları ölçüp sürekli azaltın.

Aytekin’in kapanış mesajı:

“İyi ürün yapmak zor. Ama kullanıcınız varsa veriniz vardır. Elinizdeki veriyi kullanın. 200–300 inceleme varsa bile kümeleri ve örüntüleri bulabilirsiniz.”

Ankara AI Meetup etkinliği ne zaman yapıldı?

Bu, Ankara’da yapay zekâ geliştiricilerini ve meraklılarını buluşturan altıncı AI Meetup etkinliğiydi. Jotform’un yolculuğunu ve pratiklerini paylaştığı için Aytekin Tank’a teşekkür ederiz.

Benim sunumumun da yer aldığı tam kayıt:

Bir sonraki AI Meetup’ta görüşmek üzere.

Emre Elbeyoglu

Yapay zekâ ürünü için hangi vaka analizleri okunabilir?

• Büyük bir SaaS dönüşümünü Intercom ve Fin vaka analizimde inceleyin.
• Sektör odağı ve güvenilirliği dikey yapay zekâ ajanları rehberimle karşılaştırın.
• Ajanların karar ve araç katmanını yapay zekâ ajanları açıklamamda öğrenin.