AI Eğitim Programı Nasıl Oluşturulur
Geçen ay Nihal Kaya Öztürk ile birlikte "Şirketiniz Yapay Zekaya Ne Kadar Hazır?" eğitimini gerçekleştirdik. Eğitim boyunca fark ettik ki odadaki herkes aynı soruyla boğuşuyordu:
"Araçları aldık, erişim verdik — ama bir türlü işe yaramıyor. Neden?"
Bu yazı tam o sorunun cevabı. Ve spoiler: cevap lisansta değil, stratejide.
Rakamları Görelim
%78: Organizasyonların bu kadarı artık en az bir iş sürecinde yapay zeka kullanıyor. (McKinsey, 2024) 📊
%38: Ama yalnızca bu kadarı çalışanlarına resmi bir AI eğitimi sunuyor.
Yani bir tarafta neredeyse herkes AI kullanıyor, diğer tarafta çalışanların büyük çoğunluğu bunu kendi başına, kendi yöntemiyle, trial-and-error ile öğreniyor. Bu uçurum, şirketlerin önündeki en büyük stratejik risk.
%88: Gartner'a göre İK liderlerinin bu kadarı yapay zekadan henüz anlamlı bir iş değeri elde edemedi. 😰
%20: AI projelerinin sadece beşte biri ölçülebilir bir ROI sağlıyor. Geri kalanı? Bütçe yakıyor, rapor üretiyor, sonuç vermiyor.
%29: İK ekiplerinin yalnızca bu kadarı, yapay zekayı ölçeklendirecek veri ve araç altyapısına güvendiklerini söylüyor.
Tamam, mesaj net. Ama bu neden oluyor?
"Araç Aldık, Hazırız" — En Tehlikeli Yanılgı
Organizasyonların AI yolculuğunda yaptığı en büyük hata: Benimseme (Adoption) ile Hazırbulunuşluk (Readiness) kavramlarını birbirine karıştırmak.
Araç almak = erişim vermek = "hazırız" demek.
Ama gerçek hazırbulunuşluk çok farklı bir şey. Strateji, yönetişim, teknoloji, insan ve beceri boyutlarının yapısal olarak dönüştürülmesi gerekiyor. Biri eksik olunca sistem tutmuyor.
Nihal'in eğitimde çok güzel ifade ettiği gibi:
"Yapay zeka hazırbulunuşluğu; yüzeysel bir araç temini değil, stratejinin, yetkinliklerin ve rollerin yapısal olarak yeniden yapılandırılmasıdır."
(Haklı.)
Üç Klasik Yanılgı — Hep Aynı Hatayı Neden Yapıyoruz?
🔴 Yanılgı 1: Güçlendirme Yanılgısı
"Lisans verdik, artık inovasyon gelir."
Hayır gelmez. Veriler, direncin asıl kaynağının iş kaybı korkusu olmadığını gösteriyor (%12 civarı). Asıl sorun: aracın günlük iş akışıyla organik bağının kurulamaması. Çalışan bireysel olarak deney yapıyor, ama bu bireysel çaba kurumsal bir kas kütlesine dönüşmüyor.
BCG'nin 10.600 çalışanla yürüttüğü araştırma bunu sayısal olarak ortaya koyuyor: En az 5 saat eğitim alan ve bire-bir koçluk erişimi olan çalışanlarda düzenli AI kullanımı belirgin biçimde artıyor. Sadece erişim vermek yetmiyor. 📊
🔴 Yanılgı 2: Altyapı Körlüğü
Bir şirket CV tarama aracı entegre etti. Harika. Ama aday verileri üç farklı, birbiriyle konuşmayan sistemde dağınık halde duruyordu. Sonuç: hatalı eşleşmeler, güven kaybı, ekibin manuel yöntemlere geri dönmesi.
Amazon'un CV algoritması vakasını hatırlıyor musunuz? Geçmiş verilere dayanarak kadın adayları eleyecek şekilde eğitilmişti. En gelişmiş AI modeli bile kirli veri ve kötü tasarlanmış süreçlerle işlevsiz — hatta zararlı — hale gelir.
🔴 Yanılgı 3: Stratejik Hizalanma Eksikliği
İK liderlerinin yalnızca %30'u yapay zekanın kurum içindeki amacı ve somut kullanım senaryoları hakkında net bir stratejiye sahip. Ortak bir yönetişim çerçevesi olmadığında Pazarlama, Satış ve İK ayrı araçlar kullanmaya başlar. Yapısal silolar oluşur. Bir dalga etkisiyle tüm organizasyona karmaşa yayılır.
Global Şirketler Ne Yapıyor? Büyük Tablo
Tamam, sorunları gördük. Şimdi işe yarayan ne?
Şu an dünya genelinde devasa bir iş gücü yeniden eğitim dalgası yaşanıyor. İşte rakamlar konuşsun:
Amazon → $1,2 milyar ve 700.000+ çalışan 🚀
Amazon'un Upskilling 2025 programı, başlangıçta 100.000 çalışanı hedefliyordu. Sonunda 700.000 kişiyi aştı — hedefin 7 katı. Dokuz farklı eğitim izinden oluşan ekosistem; giriş seviyesinden, Amazon'un kendi bilim insanları tarafından verilen haftada yarım ile tam gün süren, 6 haftalık yüksek lisans düzeyindeki modüllere uzanıyor. Ayrıca 2 milyon insanı ücretsiz eğitmeyi hedefleyen "AI Ready" programı ve 2030'a kadar 50 milyon kişiyi geleceğe hazırlamayı amaçlayan "$2,5 milyarlık Future Ready" taahhüdü de gündemde.
Samsung → 267.000 çalışan, 4 seviyeli sertifika sistemi
Samsung'un yaklaşımı katmanlı: Tüm çalışanlar için GenAI PowerUser temeli, yazılım mühendisleri için gelişmiş AI izleri, tasarımcılar için ayrı bir program. Bunun üzerine 4 seviyeli Veri Analizi sertifika sistemi ekleniyor. 2024'ten itibaren tüm çalışanlar için AI Etiği eğitimi zorunlu hale getirildi. Ve şunu da ekleyelim: Samsung'un şirket içi yükseköğretim kurumu SSIT, bugüne kadar 1.100'den fazla lisans, 654 yüksek lisans ve 107 doktora derecesi verdi. Şirket içinde doktora. 😶
JPMorgan Chase → Tüm yeni işe alımlara zorunlu prompt mühendisliği
JPMorgan Chase, 2024'te tüm yeni çalışanlar için prompt mühendisliği eğitimini zorunlu kıldı. Şirketin GPT-4 ve Anthropic modellerine erişim sağlayan iç platformu "LLM Suite" artık 200.000'den fazla çalışana ulaşıyor.
Accenture → $3 milyar yatırım, terfiye bağlı AI kullanımı
Accenture, 700.000 çalışanından 550.000'inden fazlasına üretken AI temeli kazandırdı. Ama asıl ilginç olan şu: Şubat 2026'dan itibaren AI benimsemesi terfi kararlarıyla doğrudan ilişkilendirildi. Kıdemli yöneticilerin haftalık AI kullanımları izleniyor. CEO Julie Sweet ise Eylül 2025'te yeniden eğitimin "mümkün olmadığı" çalışanların şirketten ayrılacağını açıkladı — ve bunun için $865 milyon ayırdı. Sert bir mesaj, ama net.
Deloitte → %100 AI akıcılığı hedefi, Anthropic ortaklığı
Deloitte'un AI Academy'si 120.000'den fazla profesyoneli eğitti. Üç katmanlı yapı: tüm iş gücü için AI Akıcılığı, yöneticiler için AI Liderliği ve yoğun geliştirici izleri. Anthropic ile ortaklık kurarak 15.000 profesyoneli anayasal AI prensipleri konusunda sertifikalandırdı.
Meta → 2026'dan itibaren performans değerlendirmesinde AI kullanımı zorunlu
Meta, büyük teknoloji şirketleri arasında AI kullanımını resmi olarak performans kriterlerine bağlayan ilk şirket oldu. "Level Up" adlı iç gamification aracı, AI kilometre taşları için rozetler dağıtıyor. 😰
Google → Tüm iç öğrenme platformunu AI'ya odakladı
Google, Haziran 2025'te "Grow" platformunu AI kurslarına odaklanacak şekilde yeniden yapılandırdı; bugünkü işe "uygun olmayan" eski içerikleri kaldırdı. CEO Sundar Pichai, Temmuz 2025 toplantısında çalışanlardan AI'ı günlük olarak kullanmalarını açıkça beklediğini duyurdu.
Tüm bu örneklerde ortak bir mimari görüyoruz: "Geniş + Derin" — tüm çalışanlar için temel AI okuryazarlığı, ardından ileri düzey, role özgü uzmanlaşma izleri. McKinsey bunu şöyle çerçeveliyor:
Okuryazarlık → Benimseme → İnovasyon.
Çoğu şirket birinci aşamada takılıp kalıyor.
"Silicon Ceiling" — Yöneticiler Kullanıyor, Sahada Duvar Var
BCG araştırması çarpıcı bir noktaya parmak basıyor: Yönetici ve üst düzey çalışanların %75'inden fazlası üretken AI'ı haftada birkaç kez kullanıyor. Ön saflardaki çalışanlarda bu oran? %51. Ve bu rakam bir yıldan fazladır olduğu yerde duruyor.
BCG buna "silikon tavan" (silicon ceiling) diyor.
Asıl ilginç bulgu şu: Liderler AI kullanımını aktif olarak modelleyip teşvik ettiğinde, çalışanların AI'ya yönelik olumlu tutumu %15'ten %55'e çıkıyor. Yani en güçlü eğitim aracı bazen bir liderlik davranışı.
Microsoft tam bunu yaptı: Copilot'u tüm çalışanlarına ve iş ortaklarına dağıttı, ardından takım düzeyinde eğitimler inşa etti. Haziran 2025'te bir üst düzey yönetici şirket geneline şu notu gönderdi: "AI artık çalışma şeklimizin temel bir parçası — isteğe bağlı değil."
AI Olgunluk Piramidi — Eğitim Programını Nereye Oturtmalısın?
Nihal'in eğitimde paylaştığı bu çerçeve, "nereden başlayacağım?" sorusunun en net cevabı:
▲ 5. Beceri & Yetkinlik → Çalışanlar çıktıları eleştirel süzgeçten geçirebiliyor mu?
▲ 4. İnsan → Psikolojik güvenlik ve rol netliği sağlandı mı?
▲ 3. Teknoloji & Veri → Veriler AI modellerini besleyecek kadar temiz mi?
▲ 2. Yönetim → AI kararlarının etik sorumlusu kim?
▲ 1. Strateji (TEMEL) → Hangi problemi çözmek için AI kullanıyoruz?
Çoğu şirket 5. katmandan başlıyor — "prompt eğitimi verelim" diyor. Ama 1. katman sağlam değilse, üstteki her şey kumdan kule.
Accenture bu piramidi somutlaştırıyor: Önce strateji (ne için AI?), ardından altyapı ve veri, sonra ölçekli eğitim, en sonunda da bunu terfi ve performans sistemlerine bağlama. Sıra önemli.
İyi Bir AI Eğitim Programının 4 Yapı Taşı
Rakamları gördük, yanılgıları gördük, global örnekleri gördük. Şimdi ne yapmalı?
🧱 1. Strateji & Amaç
Eğitim başlamadan önce tek bir soruyu cevaplayın: "Bu eğitimden sonra hangi iş problemini farklı çözeceğiz?" Cevap yoksa, eğitim de olmaz. Samsung'un tüm programlarının belirli bir iş çıktısına bağlı olmasına, Amazon'un her eğitim izinin ayrı bir iş birimiyle ilişkilendirilmesine bakın.
🧱 2. İçerik: Prompt Değil, Problem Çerçeveleme
"ChatGPT'ye nasıl yazılır" değil — "Doğru soruyu nasıl sorarım, çıktıyı nasıl eleştiririm, ne zaman güvenirim ne zaman güvenmem?" öğretilmeli.
BCG'nin danışmanlar üzerinde yaptığı deneyi hatırlayalım: AI kullananlar %40 daha hızlıydı. Ama "Problem Çerçeveleme" yeteneği zayıf olanlar, daha hızlı ama daha düşük kaliteli çıktılar üretti. Hız tek başına bir şey ifade etmiyor.
Mesaj net: AI akıcılığı = prompt yazmak değil. Asıl yetkinlik, doğru soruyu sormak ve çıktıyı eleştirel süzgeçten geçirmek.
🧱 3. Güvenli Deneyim Alanı (Sandbox)
Çalışanlar AI kullanmayı hâlâ "tembellik" olarak görüyor. Bu algıyı kırmak için hata yapılabilir, deneme-yanılma ortamları şart.
Bain'in "ChatGPT Olimpiyatları"nda çalışanlar 19.000'den fazla özel GPT geliştirdi. PwC'nin "Prompting Party"leri — haftada 10 adet, 1.500 AI benimseme temsilcisi tarafından kolaylaştırılan sosyal öğrenme etkinlikleri — firmada AI kullanımını %95'in üzerine taşıdı. Öğrenme sosyal ve güvenli olduğunda ölçekleniyor.
🧱 4. Ölçüm & Süreklilik
Eğitim bitti, ne oldu? AI günde 1,5 saat kazandırıyor — ama bu zaman stratejik işlere yönlendirilmeden performansa dönüşmüyor.
EY, programı başlattığından bu yana 115.000'den fazla AI rozeti verdi — günde 430 sertifika. Citigroup'un adaptif platformu, uzmanların 10 dakikada, yeni başlayanların 30 dakikada tamamladığı bir değerlendirme sistemi kurdu. Ölçüm mekanizması olmadan hiçbir eğitim kurumsal değere dönüşmez.
Düzenleyici Baskı Geliyor — Hazır Olmayanı Bekleyen Ceza Var
Bir de şunu ekleyelim: AB Yapay Zeka Yasası'nın 4. Maddesi, 2 Şubat 2025 itibarıyla yürürlüğe girdi. Tüm AI sistemleri için — risk seviyesinden bağımsız olarak — çalışanların "yeterli düzeyde AI okuryazarlığına" sahip olması zorunlu hale geldi. Teknik ekiplerle sınırlı değil; yöneticiler, proje yöneticileri ve son kullanıcılar da kapsam dahilinde.
Yaptırımlar 2 Ağustos 2026'da başlıyor. Ceza tavanı: 35 milyon Euro ya da küresel cironun %7'si. 😰
HSBC zaten bu yolda: Tüm çalışanlar için Sorumlu AI eğitimini zorunlu tuttu. AB düzenlemesinin standardını öngördü ve uygulamaya geçti.
Türkiye'deyiz, AB yasası doğrudan bağlayıcı olmayabilir — ama global ortaklarınız, müşterileriniz ve çalıştığınız sistemler için bu standart giderek bir beklenti haline geliyor.
"Ne Yapmalıyım?" Diyorsan 3 Adım
1. Önce stratejiyi yaz, sonra araç al. Hangi problemi çözüyorsunuz? Hangi süreci dönüştüreceksiniz? Bu soruların cevabı yoksa, başka bir lisans almayın.
2. Eğitimi prompt kursundan çıkar, yetkinlik programına dönüştür. Eleştirel düşünme, problem çerçeveleme, çıktı değerlendirme — bunlar yeni dönemin elite yetkinlikleri. "Versatilist çalışan" modeli: teknik bilgi değil, stratejik çerçeveleme.
3. Güvenli alan aç, sonucu ölç. Çalışanların denemesine izin ver. Ama kazanılan zamanı takip et ve stratejik işlere yönlendir. Ölçmediğin şeyi yönetemezsin.
Araç almak yetmez.
Öğrenmek de tek başına yetmez.
Kurum olarak öğrenmek — işte asıl mesele bu.
Dünya genelinde Samsung'dan Accenture'a, JPMorgan'dan Unilever'a — hepsi aynı şeyi söylüyor: AI okuryazarlığı artık bir avantaj değil, taban beklenti. Ve bu tabana ulaşmak rastgele lisans dağıtmakla olmuyor.
Nihal'in eğitimde söylediği bir şeyi burada bırakalım:
"Gerçek dönüşüm, eski süreçlere teknoloji yamalamak yerine, veri altyapısını ve iş akışlarını yapay zeka merkezli olarak baştan tasarlamayı zorunlu kılar."
Hadi başlayalım. 🚀
Nihal Kaya Öztürk'ün bültenimizin 6. sayısı için hazırladığı AI Çalışan Yetkinlikleri yazısını blogumuzda okumanı tavsiye ederiz.
İlk Design Roundtable çıktılarından bahsetmeden önce hazırlıkları tam gaz devam eden bir başka etkinliğimizden söz etmezsek olmaz.
AI hızlandı. Ekipler deniyor, öğreniyor, bazen de “bunu gerçekten nasıl kullanacağız?” diye durup düşünüyor.
Biz de bu soruların etrafında iki gün sürecek bir keşif alanı kuruyoruz: Alive: Exploring AI 2026.
📍 Point Hotel Barbaros, İstanbul
İki gün boyunca AI çağında ürün geliştirmenin ve tasarım yapmanın yeni biçimlerini birlikte konuşacağız.
📈 28 Nisan → Ürün Günü
🎨 29 Nisan → Tasarım Günü
AI çağında ürün ekipleri nasıl değişiyor?
Tasarım pratikleri bu dönüşümde nereye evriliyor?
Bunları birlikte keşfedeceğiz.
🎟 Early Bird avantajlı biletler için son 3 gün.
13 Mart son!
Yerini şimdiden ayırt!
Design Rountable #1: AI Adoption Çıktıları
27 Şubat'ta bir masaya oturduk. 40 kişi, bir sürü açık soru, bir Mentimeter anketi ve birkaç saatlik gerçek saha hikâyesi.
SoftTech iş birliğiyle gerçekleştirdiğimiz Design Roundtable #1: AI Adoption etkinliğinde tasarım liderlerini ve kıdemli tasarımcıları bir araya getirdik. Teorik tartışma değil, "sen şirketinde ne yapıyorsun, nasıl çalışıyor, ne engel?" soruları üzerine konuştuk.
Mentimeter'da anketi doldurduk, sonuçlara birlikte baktık, herkes kendi cephesinden anlattı. O günden çıkan verileri ve içgörüleri sizin için derledik.
Bireyler Gaza Bastı, Kurumlar Vitese Takamadı
Katılımcıların %84'ü günde birkaç kez AI aracı kullandığını söylüyor. Yani bireysel adaptasyon tamamdır, artık "kullanalım mı, kullanmayalım mı?" tartışması yok. Geri dönüş de yok. 📊
Kurumların %64'ü hâlâ "keşif" veya "pilot" aşamasında. Yani çalışan AI kullanıyor, kurum hâlâ "bunu nasıl ele alacağız?" diye düşünüyor. İkisi aynı binada, farklı hızlarda. 😰
Gerçekten AI Native olan kurum oranı ise sadece %5. 40 kişilik bir salonda bu sadece 2 kurum demek.
Olgunluk tablosuna biraz daha bakınca şunu görüyorsunuz: kurumların %33'ü keşif aşamasında, %31'i pilot aşamasında, %31'i ölçekleme aşamasında. Üçte ikisi hâlâ "deneyelim, nasıl gider" modunda.
Kısaca: araç var, ehliyet tartışması sürüyor. Bireyler sahada deneyler yapıyor, kurumsallaşma ise hâlâ yavaş koşuyor.
Nerede Çalışıyor, Nerede Takılıyor?
En önemli bulgulardan biri şu: AI'nın en verimli çalıştığı yer belli, ve belki sizi şaşırtacak.
Katılımcıların %97'si araştırma ve keşif aşamasında AI kullandığını söylüyor. Kullanıcı araştırması yapmak, transkript analizi, brief hazırlamak, ilham toplamak — burada AI iş görüyor ve kimse buna itiraz etmiyor. 🚀
Fikir üretiminde %74, içerik üretiminde %71, görsel tasarımda %68. Bunlar da yüksek.
Ama ileriye gidince sayılar düşüyor. Kullanılabilirlik testlerinde %50, prototiplemede %42, tasarım sistemlerinde %32.
Bu dağılım rastlantı değil. AI'nın en rahat çalıştığı yer "fikir aşaması" — açık uçlu, esnek, yanlış olsa bile maliyeti düşük olan süreçler. Üretim ortamına yaklaştıkça, yani kararların gerçekten kod ve kullanıcıya dokunduğu yerde, tasarımcı hâlâ direksiyonda.
Sayılar bunu da doğruluyor: verimlilik skoru 3.8/5, hız üzerindeki etki 3.6/5 — fena değil. Ama çıktı kalitesi 2.8/5. Yani AI hızlandırıyor, ama "üretime gönderilecek kalite"ye ulaşmak için hâlâ tasarımcı gözü ve eli gerekiyor.
Araç Yığmak mı, Akıllıca Seçmek mi?
Kullanılan araç ekosistemi de ilginçti. Hem ne kullanıldığına, hem de nasıl kullanıldığına bakalım.
LLM cephesinde ChatGPT %61'le açık ara önde. Gemini %22 — özellikle Google ekosistemiyle entegrasyon nedenli. Claude %17 — ama burada dikkat çekici bir nüans var: Claude, özellikle kod üretimi, prototipleme ve uzun bağlamlı veri analizi için tercih ediliyor. Yani genel kullanımda ChatGPT, derin teknik işlerde Claude. 🛠️
LLM'lerin ötesinde uzmanlaşmış bir "stack" de var:
- Tasarım ve prototipleme: Figma Make, UX Pilot, Stitch, Vizcom
- Görsel ve içerik: Adobe Firefly, Nano Banana
- Geliştirme ve kod: Cursor, Claude Code, Lovable, v0, Replit
- Analiz ve otomasyon: n8n, Make, NotebookLM
Ama asıl dikkat çeken rakam şu: tasarımcıların %55'i artık Vibe Coding araçlarını kullanıyor. %42'si agentic yapılarla çalışıyor. %32'si n8n, Make gibi otomasyon araçlarına dokunuyor.
Yani "tasarımcı" artık sadece Figma'yı açıp kapat yapmıyor. IDE'ye giriyor, otomasyon kuruyor, kendi aracını üretiyor. Rol sessiz sedasız kaymış bile — ve bu kayış geri dönüşsüz.
Sahadan 5 Gerçek Senaryo
Rakamlar bir şey söylüyor, ama asıl hikâye sahadaki uygulamalarda. Roundtable'da katılımcıların paylaştığı gerçek senaryolar bunlar — şirket isimleri değil, yaklaşımlar önemli.
Tasarım Sistemi + AI = Halüsinasyonsuz Üretim
Büyük bir e-ticaret ekibi, kendi tasarım sistemini AI'ya öğretti. Şirketin token kütüphanesi ve front-end dosyaları modele tanıtılınca AI, tasarım diline uyumlu prototipler üretmeye başladı — halüsinasyon yok, "ben böyle gördüm" yok, kopyala-yapıştır yok. Gerçek entegrasyon.
Sonuç: küçük ölçekli işlerde tam otomasyon, orta ölçekli işlerde %70-76 başarı oranı. Banner üretimi, lokalizasyon, kod verimliliği — bunların hepsi pipeline'a girmiş durumda.
Bu neden çalıştı? Çünkü AI'ya "genel bir arayüz yap" demediler. "Bizim dilimizi öğren, bizim kurallarımızla çalış" dediler. Sistem ne kadar özgülse, çıktı kalitesi o kadar artıyor.
Regülasyonu Engel Değil, Köprü Yap
Finans sektöründe AI kullanımı denince herkesin aklına "yasak" geliyor. Haklı da — MASAK, SPK düzenlemeleri gerçek kısıtlar. Bazı kurumlar bu noktada duruyor.
Bir fintech ekibi durmadı. Regülasyonları MCP (Model Context Protocol) üzerinden tasarım denetim süreçlerine dahil ettiler. Regülasyon artık bir engel duvarı değil, otomatik kontrol mekanizması. Tasarımcı bir ekran tasarlarken sistem, arka planda "bu akış ilgili regülasyonla uyumlu mu?" diye sorguluyor.
"Yapamayız" değil, "nasıl yapabiliriz?" sorusu. Fark bu.
Ölçek Büyük, Ama Kısıtlar da Gerçek
Bir üretim şirketinin dijital ekibi, binlerce ürün görseli üretmek için AI'ya geçti. Rakam etkileyici — ama sınırlar da gerçek.
Telif hakları nedeniyle yalnızca belirli araçları kullanabiliyorlar. Diğer araçlarda çıktıların büyük bölümünü manuel olarak düzeltmek gerekiyor — yani AI üretiyor, insan düzeltiyor, verimlilik avantajı eriyip gidiyor.
Bu, "AI her şeyi çözer" söyleminin yere bastığı bir nokta. Kurumsal ölçekte AI kullanımı, araç seçimini, hukuki kısıtları ve iş akışı tasarımını birlikte düşünmeyi gerektiriyor.
Agentic UX Denetimi
Periyodik UX audit süreçleri emek yoğun ve pahalı. Bir teknoloji şirketi bunu insansızlaştırmaya çalışıyor.
İki paralel hat kurmuşlar: birincisi, Nielsen'ın 10 sezgisel kuralı bazlı standart denetim. İkincisi, daha ilginç olanı — geçmiş bulguların Vektör Veritabanında (Vector DB) tutulduğu RAG yapısı. Yeni bir ekran geldiğinde sistem, "geçmişte benzer bulgular neydi, bu ekranda aynı sorunlar var mı?" diye karşılaştırmalı analiz yapıyor.
Yani AI, kendi kurumsal belleğini taşıyor. Her defasında sıfırdan başlamıyor.
Sentetik Kullanıcı Araştırması — Hotjar'ın Konuşan Versiyonu
Bu senaryo, oda içinde en fazla ilgi gören tartışmalardan biriydi.
Gerçek kullanıcı personaları AI asistanlarıyla eşleştiriliyor ve büyük ölçekli kullanıcı görüşmeleri simüle ediliyor. Demografik verilere göre yapılandırılmış, düşük maliyetli veri toplama. Bir katılımcı bunu güzel özetledi: "Hotjar'ın diyalog temelli versiyonu."
Tartışmalı mı? Evet. Gerçek kullanıcının yerini tutar mı? Hayır. Ama keşif aşamasında hipotez üretmek, araştırma yönünü belirlemek için güçlü bir araç. Üstelik görüşme başı maliyet ciddi ölçüde düşüyor.
Odadaki Fil: CEO Masası Etkisi
Bir de şunu konuştuk. Ve kimse bunu söylemek istemiyordu ama sonunda söylendi.
Katılımcıların %61'i AI'nın angarya işleri azalttığını, odaklanma süresini artırdığını söylüyor. Olumlu etki. Ama %27'si farklı bir stres tanımlıyor: "AI ile her şey saniyeler içinde biter" algısının yarattığı üretim baskısı. 😰
Üst yönetimin teknik derinliği olmayan AI merakı, tasarım ekiplerine garip bir yük bindiriyor. "Neden bu kadar sürdü, AI yapmıyor muydu?" sorusu geliyor. Ekip cevap yetiştirmeye çalışırken, bir de bakıyorsunuz bireysel kahramanlar doğmuş — tek başına her şeyi çözmeye çalışan, kendi inisiyatifiyle ilerleyen, organizasyonun AI öğrenmesini sırtlayan "UX Team of One" profili.
Bu kişiler değerli. Gerçekten. Ama bilgi birikimi kişiye kilitli kaldığında ne olur? Kahraman başka bir şirkete geçtiğinde, o öğrenme de gidiyor. Sıfırdan başlanıyor.
Kurumsallaşma, bireysel kahramanlığın önünde değil, arkasında yürüyor. Bu tersine çevrilmesi gereken bir denklem.
Fotoğraf Sanatı Öldürmedi, Gerçek Sanatı Tetikledi
Roundtable'ın en güzel anlarından biri bu tartışmaydı. Ve herkesin aklında kaldı.
Fotoğrafın icadı ressama "sen artık işsizsin" demedi. Aksine, "gerçekçilik" yarışından çıkan ressam soyutlamayı, ekspresyonizmi, kendi özgün sesini keşfetti. Fotoğraf, gerçek sanatı tetikledi. Değersizleştirmedi, özgürleştirdi.
AI da tasarımda benzer bir şey yapıyor. "Ortalama görsel" üretmek demokratikleşiyor — herkes yapabilir hale geliyor. Bu, tam da bu yüzden, yüksek empati gerektiren araştırmayı, gerçek craft içeren tasarım kararlarını, bağlamı anlayan stratejiyi daha değerli kılıyor. Herkesin yapabildiği şey değer kaybediyor; herkesin yapamadığı şey değer kazanıyor.
Bu dönüşümün bir adı var: Uçaksavar Tasarımcı.
Figma'yı da bilen, kodu da yazan, otomasyonu da kuran, araştırmayı da yürüten — ama tüm bunların üstünde, insan için tasarlayan profil. Niş uzmandan, tasarım-kod-otomasyon üçgeninde uçtan uca üretim yapabilen "maker"a geçiş.
Bu profil zaten doğuyor. Vibe Coding ve agentic kullanım rakamları bunu gösteriyor. Soru artık "bu profile doğru mu gidilmeli?" değil, "nasıl gidilmeli?"
Ne Yapmalı? Üç Adım.
Rakamları gördük, vakaları dinledik. Ama bunları okuyup geçmek kolay. Asıl soru şu: yarın ne yaparsın?
❌ Yapma: Sistemi AI-ready hale getirmeden araç üstüne araç yığma. Araç zenginliği değil, entegrasyon derinliği kazandırıyor. Trendyol vakasının özü buydu — araç değil, sistem.
✅ Yap: Tasarım sistemini semantik tokenlarla dökümante et. AI'nın okuyabileceği komponent kuralları oluştur. Regülasyonu "nasıl sürece yediririm?" diye düşün. Araştırma transkriptlerini AI'ya ver, sentezi elle çıkarma. Küçük, somut adımlar.
🧭 Nasıl Yaklaşmalı?: Bireysel kahramanlığı değil, kurumsal öğrenme döngüsünü inşa et. Kim öğreniyor? Bu öğrenme nereye aktarılıyor? Nasıl belgeleniyor? Bu soruların cevabı yoksa, kahraman değiştiğinde her şey sıfırlanıyor.
Devamı Geliyor
Bu birinci roundtable'dı. Ve çıktıktan sonra hepimizin aklında kalan şey aynıydı: bu konuşmaların daha fazlası olmalı.
Serinin devamını geliyor. Farklı temalar, farklı sektörler, aynı masa. Bir sonraki etkinlikte görüşmek üzere. 🚀
Bülteni kapatmadan bir de geçtiğimiz iki haftadan ilgimizi çeken haberlere bakalım.
Kısa Kısa...
AI
Yapay zeka mühendisliği daha az değil, daha insani yapacak 🧑💻 Atlassian’ın teknoloji direktörü Rajeev Rajan ile yapılan bu röportajda, yapay zeka kodlama ajanlarının gerçek dünya geliştirme iş akışlarına nasıl entegre edildiği derinlemesine inceleniyor. En çarpıcı tespit şu: Spotify’ın yöneticisinin “en iyi geliştiricilerimiz bu yıl tek satır kod yazmadı” açıklaması kulağa radikal geliyor, ama gerçek dönüşüm bir düğmeye basıp otopiloта geçmekten çok daha karmaşık. Atlassian’ın Rovo Dev ajanı üzerinden verilen somut örnekler, otomasyon arttıkça mühendislik işinin insan tarafının yok olmadığını, aksine problem çözme, mimari kararlar ve yaratıcılık gibi özgün insani becerilerin öne çıktığını gösteriyor. Özetle: Kodun yazılması otomatikleşiyor, ama neyin neden yapıldığına karar vermek hâlâ bizim elimizde — ve bu durum mesleği daha stratejik hale getiriyor. Yazının tamamı burada
Altı yapay zeka ajanı aynı anda bir uygulama tasarladı — ve şaşırtıcı derecede uyumlu çalıştılar 🤯 Pencil adlı yapay zeka tasarım aracı, altı paralel yapay zeka ajanını bir araya getirerek boş tuvalden çalışan bir web sitesine geçişi canlı olarak gerçekleştiriyor. En etkileyici kısım: bu ajanlar sadece tasarlamıyor, aynı zamanda kod yazıyor ve Cursor ile Claude Code gibi geliştirme ortamlarına doğrudan entegre oluyor — tasarım ile kod arasındaki mesafe neredeyse yok oluyor. Araç, 8 hafta gibi kısa bir sürede 100 bin kullanıcıya ulaşmış, ki bu kullanıcıların tasarımcı-geliştirici arasındaki geleneksel iş akışından ne kadar yorulduğunun göstergesi. Tom Krcha’nın demosu, farklı tarzlarda ekran tasarımlarının anında yeniden üretilmesini gösteriyor — tasarım sistemleri sayesinde tutarlılık da korunuyor. Yazının tamamı burada
Topluluk bilgeliği: Kod asistanları karşılaştırması ve Figma entegrasyonu 🧠 Lenny’nin topluluğunda bu hafta yapay zeka destekli geliştirme araçları mercek altına alındı. En çok tartışılan konu Claude Code’un diğer kod asistanlarıyla kıyaslanması ve Figma tasarım sistemlerinin geliştirme iş akışına nasıl entegre edileceği oldu. Topluluk üyeleri “vibe coding” (hisse dayalı kodlama) yaklaşımıyla Figma bileşenlerinden nasıl kod üretebileceklerini paylaştılar. Ayrıca zamanla değerini yitirmiş iş dünyası kitaplarına dair çarpıcı gözlemler de dikkat çekti — hangi klasiklerin artık günümüz gerçeklerine uymadığı konusunda samimi bir tartışma yürütülmüş. Tasarımcılar ve geliştiriciler için araç seçimi ve modern çalışma pratikleri konusunda değerli içgörüler içeren bir koleksiyon. Topluluk tartışmalarının tamamı burada
Büyük Geçiş: Aynı anda yaşanan onca değişimi tek bir zihinsel modelle anlamak 🌊 Daniel Miessler, şu an yaşadığımız çok sayıda teknolojik ve iş dünyası dönüşümünü tek bir kavramsal çerçevede toplayan bir bakış açısı sunuyor: “Büyük Geçiş”. Yapay zeka, dijital dönüşüm ve organizasyonel değişimlerin aslında birbirinden bağımsız olaylar değil, ortak bir tema ve yön taşıyan tek bir büyük geçişin parçaları olduğunu savunuyor. En ilginç kısım: bu zihinsel modeli içselleştirdiğinizde, her gün bombardıman gibi gelen haberlerin aslında nasıl bir bütünün parçaları olduğunu görebiliyorsunuz. Yazar, bu küçük geçişlerin nereye gittiğini kabaca bildiğini söylüyor ve bu düşüncelerin “demlendiğini” gördükçe gelen haberleri çok daha net anlamanızı sağlayacak stratejik bir perspektif vaat ediyor. Her hafta, hatta neredeyse her gün işlerin daha da çılgınlaştığı bir dönemde böyle bir üst bakış açısı gerçekten değerli 🎯 Yazının tamamı burada
Ürün Yönetimi
Özellik Fabrikası’ndan çıkmanın en basit yolu: Davranışsal ölçümler 🎯 Ürün ekiplerinin en büyük tuzağı belli: özellikler peş peşe yayınlanıyor ama hiç kimse bunların gerçek etkisini ölçmüyor. Makale tam da bu “Özellik Fabrikası” modundan kurtulmanın en maliyetsiz ve en az rahatsız edici yolunu öneriyor: davranışsal ölçümleri devreye almak. En sevdiğim kısım, bunun büyük bir dönüşüm projesi değil, küçük adımlarla başlayabileceğin bir yaklaşım olması. Ekipler bu sayede her yayından gerçekten bir şey öğrenmeye başlıyor ve yavaş yavaş sonuç odaklı ürün geliştirmeye geçiş yapıyor. Çıktı değil, çıktının yarattığı davranış değişimi önemli — bu farkı anlamak ekibin tüm önceliklerini değiştiriyor. Davranışsal ölçümlerle Özellik Fabrikası’ndan nasıl kurtulursunuz?
Ürün yöneticileri için Claude Code rehberi: Cowork’ten Code’a geçiş sandığınızdan daha kolay 🚀 Eğer Claude’un Cowork özelliğini kullanıyorsanız, Claude Code’a geçmek için zaten yolun %70’ini almışsınız demektir — çünkü her iki araç da aynı temel modeli kullanıyor. En sevdiğim kısım: “Claude Code” adı yanıltmasın, bu sadece geliştiriciler için değil; Anthropic’in son hackathon’unda bir avukat, bir kardiyolog ve bir yol işçisi kazandı. Asıl fark IDE tabanlı bir ortam: dosya gezgini, terminal erişimi, git entegrasyonu ve en önemlisi dün söylediklerinizi hatırlayan bir bellek sistemi. Cowork güvenli bir sanal ortamda bilgi işi için optimize edilmişken, Code kod tabanları ve prototipleme için doğrudan bash komutları çalıştırabiliyor — üstelik telefonunuzdan bile kullanabiliyorsunuz. Ürün yöneticileri için mühendislik diploması olmadan kod dünyasına geçiş yapmanın pratik yolu bu. Yazının tamamı burada
Yapay zeka ajanlarını dağıtmanın üç stratejik yolu: Ürün yöneticileri için yeni oyun alanı 🎯 Stripe ve Cloudflare gibi şirketlerin gerçek uygulamalarından yola çıkan bu rehber, yapay zeka ajanlarını kullanıcılara ulaştırmanın üç kritik yöntemini açıklıyor: Sunucu tabanlı iletişim protokolleri, komut satırı arayüzleri ve özel işaretleme dosyaları. En ilginç kısım şu: Bu dağıtım kanallarını erken benimseyen şirketler, rakiplerine karşı ciddi bir avantaj elde edecek. Makale sadece teknik detayları değil, her yöntemin hangi kullanım senaryosunda daha etkili olduğunu da somut örneklerle gösteriyor. Ürün yöneticileri için pratik bir strateji kitapçığı gibi — yapay zeka ajansı geliştiriyorsanız bu yöntemleri mutlaka değerlendirmelisiniz. Yapay zeka ajanı dağıtım kanallarında ustalaşın: Ürün yöneticisinin rehberi
Amaç ve Temel Sonuçlar ile önceliklendirmeyi sezgiden veriye taşımak 🎯 Ürün ekipleri için en büyük zorluklardan biri: iş listesini neye göre önceliklendireceğine karar vermek. Bu makale, Amaç ve Temel Sonuçlar (OKR) çerçevesini kullanarak önceliklendirme sürecini “içgüdüsel” kararlardan kurtarıp veriye dayalı hale getirmenin yollarını gösteriyor. En sevdiğim kısım: mevcut ürün biriktirme listesini, liderliğin zaten belirlediği örgütsel hedeflerle nasıl hizalayacağına dair pratik rehberlik sunması. Ürün yöneticileri için bu yaklaşım sadece daha stratejik kararlar almayı değil, aynı zamanda bu kararları paydaşlara savunulabilir şekilde sunmayı da mümkün kılıyor. Sonuçta kimse “bence bu önemli” argümanıyla uzun süre yol alamaz — veriye dayalı önceliklendirme artık bir lüks değil, gereklilik. Amaç ve Temel Sonuçlarla platform önceliklendirme yazısının tamamı burada
Product Compass tarafından geliştirilen PM Skills Marketplace, ürün yöneticileri için tasarlanmış yapay zeka destekli bir işletim sistemi olarak dikkat çekiyor. Sistem, 8 Claude eklentisine dağıtılmış 65 farklı ürün yönetimi becerisi ve 36 zincirleme iş akışı sunuyor. Kanıtlanmış çerçevelerden yararlanan araç, ürün keşif ve strateji aşamasından başlayarak uygulama, lansман ve büyüme evrelerine kadar tüm ürün yaşam döngüsünü destekliyor. Bu yenilikçi platform, ürün yöneticilerinin daha bilinçli ve veriye dayalı kararlar almasını sağlamayı hedefliyor.
Tasarım
İkna edici tasarım on yıl sonra: Oyunlaştırma tuzağından kurtuluş 🎯 Anders Toxboe, ikna edici tasarım ilkelerini on yıl sonra yeniden ele alıyor ve ürün ekiplerinin genellikle temel kullanılabilirlik iyileştirmelerine ve davranışsal ufak ayarlamalara fazla güvendiğini, bunun da ya durağan sonuçlara ya da sığ oyunlaştırmaya yol açtığını gösteriyor. En ilginç kısım: Yazar, son on yılda aktivasyon, kayıp kullanıcılar ve kullanıcı bağlılığı gibi gerçek sorunlarda hangi ikna tekniklerinin işe yaradığını somut verilerle ortaya koyuyor. Makale, puan tabloları ve rozetlerle yüzeyde kalmak yerine, kullanıcı psikolojisini derinlemesine anlamanın önemini vurguluyor. Tasarımcılar ve ürün yöneticileri için on yıllık deneyimin süzgecinden geçmiş pratik içgörüler sunuyor — bence bu tür geriye dönük değerlendirmeler altın değerinde, çünkü ne işe yarayıp ne yaramadığını görmek için zamana ihtiyaç var. Yazının tamamı burada
Fortune 500 şirketlerinde onlarca yıllık deneyime sahip bir tasarım lideri, yaygın olarak kullanılan 'UX/UI Tasarımcı' ünvanının tasarım mesleğinin otoritesine zarar verdiğini savunuyor. Fast Company'de yayımlanan makalede, belirsiz iş ünvanlarının sektör genelinde bir kimlik krizine yol açtığı ve tasarımcıların organizasyonlardaki etkisini azalttığı vurgulanıyor. Yapay zeka teknolojisinin tasarım alanını yeniden şekillendirdiği bu dönemde, net rol tanımlamalarının artık idari bir detay değil, yapısal bir gereklilik haline geldiği belirtiliyor. Uzman, tasarımcıların profesyonel markalarını güçlendirmek için daha spesifik ve anlamlı ünvanlar kullanmaları gerektiğini öne sürüyor.
Tam sayfa şablonlardan modüler içerik bloklarına geçiş zamanı 🧩 Design Shack, tasarım sistemlerinde köklü bir değişime işaret ediyor: artık tam sayfa şablonları yerine modüler içerik blokları tasarlamalıyız. Yaklaşımın özü şu: içeriklerimiz onlarca farklı cihazda, farklı bağlamlarda görüntüleniyor ve sabit şablonlar bu esnekliği karşılamıyor. Bileşen tabanlı tasarım metodolojisine geçtiğinizde, ekipleriniz çok daha dayanıklı ve ölçeklenebilir tasarım sistemleri kurabilir — bu özellikle büyüyen ürünler için hayati önem taşıyor. En sevdiğim kısım: bu aslında bir zihniyet değişimi, çünkü tasarımcıları “sayfa düzeni” düşünmekten “içerik mimarisi” düşünmeye itiyor. Çok cihazlı deneyimlerin standart haline geldiği bugünlerde, bu geçiş artık lüks değil zorunluluk. Yazının tamamı burada
Tasarımda dönüşüm çağrısı: Verimlilikten sorumluluğa 🔄 Jon Kolko, kullanıcı deneyimi tasarımında köklü bir değişim çağrısı yapıyor. Geleneksel tasarım yaklaşımının sadece verimlilik ve kullanılabilirliğe odaklandığını, ancak artık bunun yeterli olmadığını savunuyor. En önemli nokta şu: Tasarımcıların aldıkları kararların toplum ve kullanıcılar üzerindeki geniş çaplı etkilerini düşünmeleri ve bu etkilerin sorumluluğunu üstlenmeleri gerekiyor. Bu sistem düzeyinde düşünmek anlamına geliyor — sadece bir düğmenin doğru yerde olup olmadığı değil, o düğmenin tıklanmasının yaratacağı zincirleme sonuçlar da önemli. Tasarım dünyasında bu tür felsefi dönüşümler nadiren gündeme gelir ama gelmesi gerektiğini düşünüyorum, çünkü tasarladığımız ürünler artık hayatın her alanına nüfuz etmiş durumda. Yazının tamamı burada
Miller’ın 7±2 kuralı menü tasarımında yanlış kullanılıyor 🧠 Kullanıcı deneyimi tasarımcılarının yıllardır yanlış uyguladığı klasik bir yanılgıya ışık tutuluyor: Miller’ın ünlü 7±2 kuralı aslında ekranlardaki öğe sayısını sınırlamakla ilgili değil, hafıza kapasitesiyle ilgiliydi. Çoğumuz menülerde “en fazla 7 öğe olmalı” diye düşünürken, orijinal araştırma kısa süreli bellekte tutabileceğimiz bilgi parçalarını ölçüyordu. En sevdiğim kısım: makale bu yanlış yorumun nereden geldiğini ve tasarımcıların araştırma bulgularını arayüz öğelerine nasıl doğru uygulayabileceğini somut örneklerle açıklıyor. Bu yanılgıyı düzeltmek, gereksiz kısıtlamalardan kurtulup daha kullanışlı menüler tasarlamamızı sağlayabilir. Yazının tamamı burada
Design System kurarken “neyi unutuyorum?” endisenize son ✅ Tyler Coderre, design system inşa ederken adım adım takip edebileceğiniz kapsamlı bir checklist yayınlamış — ve bu cidden bir hayat kurtarıcı. Token’lardan component library’ye, documentation’dan governance süreçlerine kadar tüm kritik adımları yapılandırılmış bir framework içinde sunuyor. En sevdiğim kısım: sadece “ne yapmalı” listesi değil, “ne zaman, nasıl ve kimle” sorularına da yanıt veriyor — yani hem yeni başlayanlar için roadmap, hem deneyimli ekipler için quality assurance aracı. Design system kurarken en büyük sorun “bir yerleri atlamak” olduğu için, böyle sistematik bir yaklaşım tutarlılık ve adoption oranını ciddi şekilde artırıyor. Hem bireysel designer’lar hem de kurumsal ekipler için uyarlanabilir bir kaynak bu. Checklist’in tamamı burada
İstatistiksel anlamlılık ile pratik anlamlılık aynı şey değil — ve ikisini karıştırmak sizi çok yanıltabilir 📊 Nielsen Norman Group’tan bu rehber, kullanıcı deneyimi araştırmalarında en sık yapılan kavram karmaşasını açıklığa kavuşturuyor. İstatistiksel anlamlılık bir sonucun tesadüf olmadığını gösterirken, pratik anlamlılık o sonucun gerçekten harekete geçmeye değer olup olmadığını belirliyor. En önemli nokta: İstatistiksel olarak anlamlı bir sonuç, pratikte çok küçük ve işe yaramaz bir değişiklik de olabilir. Veri odaklı kararlar almak istiyorsanız her iki kavramı da anlamanız gerekiyor — özellikle A/B testlerinde ve kullanılabilirlik ölçümlerinde bu ayrım kritik. Bir düğmenin tıklama oranının %2 artması istatistiksel olarak anlamlı olabilir ama kullanıcı deneyimini gerçekten iyileştiriyor mu, işte asıl soru bu! Yazının tamamı burada
Yaklaşan Brick Institute Eğitimleri
Bülteni bitirirken de biraz kendimizden bahsedelim. Bu ay yaklaşan eğitimlerimizi bir göz atmanız için şöyle özetliyoruz:
Ücretsiz Eğitimler
PM Rolünün Sektörel Evrimi: Her Yerde PM Aynı mı? - Product Manager Damla Kocakaymak Dinçer ile 12 Mart'ta PM rolünün çeşitliliğini keşfedin! E-commerce'ten SaaS'a, fintech'ten healthtech'e farklı sektörlerde PM'in nasıl evrildiğini, hangi becerilerin öne çıktığını ve kariyerinizi nasıl yönlendireceğinizi öğreniyoruz.
Claude Code ile Mikro Çözümler 2.0 Sizden Gelenler - Founder'lar Mustafa Dalcı ve Eran Filiba ile 17 Mart'ta gerçek problemlere gerçek çözümler! Katılımcılardan gelen iş problemlerini canlı olarak Claude Code ile çözüyoruz, kod yazmadan günlük iş süreçlerinizi nasıl otomatikleştirebileceğinizi pratikte deneyimliyoruz.
Junior Tasarımcılar için İş Bulma Rehberi - Senior Product Designer Özge Özdiller Tanriverdi ile 18 Mart'ta ilk işinizi bulma stratejileri! Portfolio hazırlamadan mülakatlara hazırlanmaya, networking'ten CV yazımına junior tasarımcılar için iş arama sürecinin tüm püf noktalarını öğreniyoruz.
AI Çağında CX ve Pazarlama: Büyük Resmi Kaçırıyor Olabilir miyiz? - Digital CX & MarTech Strategist Beste Akkaya ile 31 Mart'ta AI'ın müşteri deneyimi ve pazarlamadaki gerçek potansiyelini keşfedin! Sadece otomasyon araçları olarak değil, stratejik dönüşüm fırsatı olarak yapay zekayı nasıl değerlendireceğinizi öğreniyoruz.
Tasarım, Ürün ve Hukuk: Aynı Dili Konuşmak Mümkün mü? - Founder Legal Counsel Merve Özel ile 8 Nisan'da tasarım ve hukukun kesişim noktası! KVKK, GDPR, kullanıcı sözleşmeleri ve yasal gereklilikleri tasarım sürecine nasıl entegre edeceğinizi, hukuk ve tasarım ekiplerinin nasıl verimli işbirliği yapacağını öğreniyoruz.
Sertifika Programları
Ürün Yönetimi Eğitimleri
Ürün Analitiği - Product Director Eren Çamlıkaya ile 24 Mart - 11 Nisan tarihleri arasında veri odaklı ürün yönetimi! Ürününüzün performansını ölçmekten anlamlı içgörüler çıkarmaya, metrik belirlemeден A/B testlere kadar analitiğin tüm sırlarını öğreniyoruz.
Vibe PM: Ürün Yöneticileri için Üretken Yapay Zeka - Product Leader Ateş Yankı Öksüz ile 7 Nisan - 12 Mayıs tarihleri arasında PM'ler için AI süper gücü! Ürün yönetiminin her aşamasında yapay zekayı nasıl kullanacağınızı öğrenip roadmap'ten kullanıcı hikayelerine, analiz raporlarından competitive research'e kadar 10x daha verimli olun.
Tasarım Eğitimleri
Game User Research Eğitimi - Games User Researcher Özlem Görüngeç ile 24 Mart - 2 Nisan tarihleri arasında oyun araştırmasının dünyasına dalın! Oyuncu davranışlarını anlama, playtest metodolojileri, player journey mapping ve oyun deneyimini optimize etmenin bilimsel yollarını öğreniyoruz.
Yapay Zeka Destekli UX Araştırma Eğitimi - UX Researcher İlayda Sena Topçu ve Mustafa Terzioğlu ile 24 Mart - 16 Nisan tarihleri arasında AI ile araştırma süper gücü! Kullanıcı görüşmelerinden anket analizine, persona oluşturmadan insight çıkarmaya yapay zeka destekli UX araştırma yöntemlerini öğreniyoruz.
Baştan Sona Uygulamalı Figma Eğitimi - Digital Product Designer Ramazan Güler ile 7-30 Nisan tarihleri arasında Figma'da ustalaşın! Sıfırdan ileri seviyeye, component'lerden auto-layout'a, prototype'lardan developer handoff'a kadar her şeyi pratikte öğreniyoruz.
Sektörün en deneyimli isimleriyle, teoriden sıkılmadan pratik odaklı öğrenme garantisi!
👋 Tasarım ve ürün dünyasında gelişme bitmez. Ancak bu haftalık bizden bu kadar diyelim! İki hafta sonra yeni sayıyla gelene kadar okuyun, paylaşın ve kendinize iyi bakın!
