brick by brick'e hoş geldiniz!

Bültenin 27. sayısından selamlar!

VS

Klimalarla dost, güneşle mesafeli bir ilişki kurmaya çalışıyoruz ama sıcaklar merkür retro'sunda geri dönen ex gibi peşimizi bırakmıyor. Diğer yandan biliyoruz ki birkaç ay sonra “Şu yaz akşamları geri gelse…” demeye başlayacağız. O yüzden biz de bari yazın tadını çıkaralım dedik. Peki nasıl?

In the words of our founder Eran Filiba: “Sizi hiçbir şey öğrenmeyeceğiniz bir etkinliğe davet etsem gelir misiniz? :)”

29 Temmuz’da, Insider One’ın ev sahipliğinde Summer Meet-up’ta buluşuyoruz. Sunum yok, workshop yok; pizza, bira & vibes only...

Bir de ürün, tasarım & AI dünyasından insanlarla güzel sohbetler tabi ki. Kontenjan sınırlı, katılım talebinizi memnuniyetle alabiliriz.

Ama merak etmeyin, Brick’te öğrenme bitmez.

6 Ağustos’ta ise rotayı Accessibility Roundtable #1’e çeviriyoruz. Binclusive, Turkish Technology ve Brick Institute ortaklığında gerçekleşecek etkinlikte erişilebilirliği; gerçek örnekler, AI’ın etkisi ve ekiplerin nereden başlayabileceği üzerinden birlikte konuşacağız.

Etkinlik davetiye ile ve kontenjan sınırlı. Detaylar ve katılım talebi için buraya.

Hazır öğrenme demişken, bu sayının ilk yazısında yapay zeka çağında kurumsal öğrenmenin neden yeniden düşünülmesi gerektiğine yakından bakıyoruz. Hem de Business Development Lead'imiz Nil Karul'un kaleminden.

Yapay Zeka Elçi Programı

Yapay zeka, kurumsal eğitimin kurallarını baştan yazdı. Birkaç yıl öncesine kadar bir aracı ya da bir yöntemi ekiplere öğretmek yeterliydi; öğrenilen şey uzun süre yerinde kalırdı. Yapay zeka çağında ise zemin sürekli kayıyor: bu hafta anlattığınız bir modelin arayüzü gelecek hafta yenileniyor, dün "yapamaz" dediğiniz bir araç bugün yapıyor, bir ekibin akışına yeni oturttuğunuz bir aracın yeteneği bir ayda bambaşka bir yere gidiyor.

Bu hızda kurumların en sık düştüğü yanılgı, yapay zeka adaptasyonunu tek seferlik bir etkinlik gibi kurgulamak: bir gün eğitim alınır, konu kapanır. Oysa adaptasyon bir kere alınan eğitimle bitmiyor; kurumun içinde sürekli dönen bir sürece dönüşmesi gerekiyor. Bu yazıda, bu sürekliliği nasıl kurduğumuzu ve giderek daha çok kurumun neden yapay zeka elçi programlarına yöneldiğini, Migros Online'daki deneyimimiz üzerinden anlatacağız.

Neden "standart bir eğitim" işe yaramıyor?

Kurumlarla çalışırken çoğu zaman şu yanlış beklentiyi düzeltmekle başlıyoruz: yapay zeka eğitimi, herkese aynı slaytları göstermekle olmaz.

Her kurumun kullandığı araçlar farklı. Kimi ekip Microsoft ekosisteminde yaşıyor, kimi Google Workspace'te; birinin veri güvenliği politikası ChatGPT'yi kapatmışken, diğeri kurum içi bir LLM'i kendi sunucusunda çalıştırıyor. Bir pazarlama ekibinin "yapay zekayla üretkenlik" tanımıyla, bir finans ekibinin tanımı aynı değil. Bu yüzden verdiğimiz her eğitimi o kuruma özel tasarlıyoruz: hangi araçlara erişebiliyorlar, hangi veriyi o araçlara verebiliyorlar, güvenlik sınırları nerede başlıyor hepsini önce anlıyor, sonra senaryoları buna göre kuruyoruz.

Bir de işin hız tarafı var ve bu tarafı en çok yapay zeka çağı büyüttü. Salesforce'un işaret ettiği gibi, kapsamlı bir yapay zeka kursunu hazırlamak aylar sürebiliyor; o kurs bittiğinde anlatılan araçların bir kısmı çoktan yenilenmiş oluyor. Eğitimi verdiğimiz günün sabahı not aldığımız bir özelliğin, öğleden sonra güncellendiğini gördüğümüz oldu. Bu kimsenin kusuru değil; alanın temposu bu.

Buradan tek bir sonuç çıkıyor: eğer öğrenme kurumun içine yerleşmiyorsa, en iyi eğitim bile alanın hızına tek başına yetişemiyor.

Yapay zeka elçi programı tam olarak nedir?

Elçi programının fikri aslında sade: her ekipten bir kişiyi "yapay zeka elçisi" olarak belirlemek.

Bu kişi, ekibinin en meraklısı, deneyeni, kurcalayanı oluyor. Biz bu elçileri derinlemesine eğitiyoruz. Sadece araçları değil, o araçları kendi ekiplerinin işine nasıl uyarlayacaklarını, güvenli kullanımın sınırlarını ve yeni bir aracı nasıl değerlendireceklerini de. Sonrasında elçi iki görev üstleniyor:

Birincisi, kendini güncel tutmak. Elçi, yeni çıkan modelleri, güncellenen araçları, işe yarayan yeni akışları takip etmeyi bir alışkanlık haline getiriyor. Yani öğrenme onun için de tek seferlik değil; dinamik ve sürekli.

İkincisi, öğrendiğini ekibine aktarmak. Elçi, düzenli olarak haftalık kısa bir paylaşım, aylık bir demo, bir iç kanal öğrendiklerini ekibine taşıyor. Böylece bilgi tek bir eğitim gününde donup kalmıyor, kurumun içinde canlı kalıyor.

Bu modelin şık tarafı, kurumu her hafta dışarıdan eğitim almak zorunda bırakmaması. Bir kurumun her ekibi için sürekli dış eğitim satın alması hem pahalı hem de sürdürülemez. Elçi programı, bu yükü kurumun içine, doğru kişilere dağıtıyor. Ortaya hem ciddi bir bütçe tasarrufu hem de dışarıdan beslenen değil, kendi kendini besleyen bir öğrenme kültürü çıkıyor.

Bir analojiyle söyleyelim: klasik eğitim, ekibe balık vermek gibi. Elçi programı ise her ekibe balık tutmayı bilen ve bunu öğretmeyi görev edinen bir kişi bırakmak. Yapay zekanın bu kadar hızlı değiştiği bir dönemde, ekibin ihtiyacı olan şey bir kez dolan bir depo değil, sürekli akan bir çeşme.

Bir Başarı Hikayesi: Migros One Yapay Zeka Elçi Programı

Bu modeli en net gördüğümüz örneklerden biri Migros One ile yürüttüğümüz yapay zeka elçi programı oldu. Güzel tarafı şu: süreç kurumun içinde başladı, biz ortasında devraldık ve yine kuruma bıraktık.

Önce kurum kendi içinde bir kıvılcım yaktı: çalışanlar arasında bir Lovable prototipleme yarışması düzenlendi. İnsanlar kendi fikirlerini gerçek prototiplere dönüştürdü; kim gerçekten merak ediyor, kim kurcalamaktan keyif alıyor, kimin elinde iş çıkıyor hepsi bu yarışmada kendini gösterdi.

Sonrasında bu yarışmadan belli bir başarı elde edenler elçi olarak seçildi. Yani elçiler yukarıdan atanmadı; kendi işleriyle, ürettikleriyle öne çıktılar. Bu, programın en kritik detaylarından biri: elçinin ekibi tarafından "hak edilmiş" görülmesi, aktardığı bilginin de karşılık bulmasını sağlıyor.

Bu noktada devreye biz girdik. Seçilen elçileri üç günlük yoğun bir eğitim programıyla en güncel hale getirdik: yeni araçlar, güvenli kullanım pratikleri, kendi ekiplerinin akışlarına uyarlanabilir senaryolar ve en önemlisi bir elçi olarak kendilerini nasıl güncel tutacakları. Üç gün sonunda amacımız onları "araç bilen" değil, "ekibinin öğrenme döngüsünü çevirebilen" kişilere dönüştürmekti.

Ardından süreci tekrar kuruma bıraktık. Bugün o elçiler, kendi güncelliklerini koruyup ekiplerini gelişmelerden düzenli olarak haberdar etme görevini sürdürüyor. Biz bir kez gelip gidip unutulan bir eğitim değil, kurumun içinde dönmeye devam eden bir çark bıraktık.

Kalıcı öğrenme neden bu kadar önemli? Rakamlar ne diyor?

Elçi programının arkasındaki mantık sadece bizim gözlemimiz değil; verinin de işaret ettiği bir yön.

​Dünya Ekonomik Forumu'nun 2025 Future of Jobs raporuna göre, bugünkü temel becerilerin %39'u 2030'a kadar değişmiş ya da eskimiş olacak ve çalışanların %59'unun bu on yıl bitmeden yeniden eğitilmesi gerekecek. Yani mesele bir kez öğrenip rafa kaldırmak değil; becerinin kendisinin bir "raf ömrü" var ve yapay zeka araçlarında bu ömür aylarla ölçülüyor.

Bunun üstüne bir de meşhur unutma eğrisi (forgetting curve) biniyor: tek seferlik bir eğitimde öğrenilenlerin büyük kısmı, tekrar edilmezse haftalar içinde unutuluyor. Elçi programının düzenli paylaşım ritmi tam da bu eğriye karşı çalışıyor bilgiyi tekrar tekrar dolaşıma sokarak canlı tutuyor.

​LinkedIn'in verisi de bu tabloyu tamamlıyor: "öğrenmek değişime uyum sağlamama yardımcı oluyor" diyenlerin oranı üç yılda %49'dan %68'e çıkmış. Dahası, öğrenmeyi kişiselleştiren yani herkese aynı içeriği değil, ekibe ve role özel içeriği veren kurumların yapay zeka adaptasyonunda öne geçme olasılığı %42 daha yüksek. Elçi programı zaten doğası gereği kişiselleştirilmiş bir model: her ekibin elçisi, o ekibin diliyle konuşuyor.

Tek bir cümlede toplarsak: yapay zekada rekabet avantajı, "en iyi eğitimi bir kez alan"da değil, öğrenmeyi sürekli kılabilen kurumda.

Peki, nereden başlanır?

Bir elçi programını yarın kurmak zorunda değilsiniz. Ama zihinde birkaç adımı netleştirmek, işi çok kolaylaştırıyor:

1. Meraklıları bulun. Kurum içinde küçük bir yarışma ya da açık bir çağrı, kimlerin gerçekten istekli olduğunu şaşırtıcı bir netlikle gösterir.
2. Elçileri derinlemesine eğitin. Yüzeysel bir tanıtım değil; araçları, güvenlik sınırlarını ve kendini güncel tutma alışkanlığını kapsayan yoğun bir program.
3. Bir ritim kurun. Haftalık kısa paylaşım, aylık demo küçük ama düzenli olsun. Öğrenmeyi canlı tutan, sıklık değil süreklilik.
4. Ölçün. "Beğendiler mi" değil, "davranış değişti mi, iş çıktısı ne oldu" sorusunu sorun.

Kurumlar için yapay zeka adaptasyonunun kolay olmadığını biliyoruz. Araçlar değişiyor, ekiplerin ihtiyaçları farklılaşıyor, güvenlik soruları gerçek ve bir eğitimin mürekkebi kurumadan sahne yeniden değişebiliyor. Ama bu, adaptasyonun imkansız olduğu anlamına gelmiyor sadece onu tek bir güne sığdırmaya çalışmanın işe yaramadığı anlamına geliyor.

Elçi programları, tam da bu yüzden bize umut veriyor: çünkü öğrenmeyi kurumun dışından değil, içinden besliyorlar. Ve bu yolculukta kurumları yalnız bırakmak niyetinde değiliz bugüne kadar biriktirdiğimiz tüm deneyimle buradayız.

Yapay zeka eğitim ve referans çalışmalarımıza erişmek, kurumunuza özel bir program konuşmak isterseniz nil@brick.institute adresinden bana ulaşabilirsiniz.

Bu yazı için teşekkür ederiz Nil!

Yapay zeka gündemi hız kesmiyor, biz de boş durmuyoruz. 👀

Takvimde şimdiden iki tarihi işaretleyebilirsiniz: 1 Ekim’de Alive Baku ile uzun süre sonra ilk uluslararası Alive buluşmamıza çıkıyoruz, Aralık’ta ise Alive AI ile tüm odağımızı yapay zekaya çeviriyoruz. Yakında çok daha fazla detay paylaşacağız.

Ama önce, hepimizin cüzdanını (ya da şirketin AI bütçesini 😅) ilgilendiren bir konuya geçelim.

Bu sayının sıradaki yazısında token saving konuşuyoruz. Daha az token harcayıp daha iyi sonuç almak gerçekten mümkün mü, birlikte bakalım.

Token Saving

Geçen ay kaç token harcadın? Bunu söyleyebiliyor musun?

Geçtiğimiz haftalarda bir vakayı Instagram'da paylaşmıştık: fintech girişimi Slash'te bir çalışan, işe başladığı ilk hafta 80 bin dolarlık token yaktı. Nasıl mı? Tartışmadaki en acımasız yorum özetliyor — "bir div'i ortalamak için Opus kullanıyordu." Yani en pahalı modeli en basit işe koşarak. Taksiyle yan markete gitmek gibi.

Herkes güldü, "o adam kesin kovuldu" şakaları döndü. Biz gülmedik. Çünkü bu bir kişinin değil, bir sistemin hikayesi: limit yok, izleme yok, model seçimi yok. Ve görünen o ki bu hikaye artık sadece bizim gibi meraklıların konusu değil.

Ay ortasında token limiti biten developer, patronun odasında

Fatura yönetim kurulu katına çıktı

Chamath Palihapitiya geçen hafta bir sahne anlattı: "CTO'ma sordum, token harcamamız nasıl gidiyor diye. İnanılmaz bir şey söyledi — maliyetimiz her 45 günde ikiye katlanıyor. Peki üretkenlik? En fazla yüzde 5." Devamında CFO'ları uyarıyor: bu gidişle bazı halka açık şirketler, OpEx yüzünden earnings kaçıracak.

Yakın gelecekte CTO'ların CFO kapısında token bütçesi istediği sahneyi şimdiden görür gibiyiz — "otobüse binemez miyiz babacım" modunda. :)

​

pov: CTO, CFO'dan aylık token bütçesini isterken

OpenAI yönetim kurulu başkanı Bret Taylor da benzer bir şey söylüyor: görüştüğü her CEO aynı soruyu soruyormuş — "token harcamamdan gerçekten değer alıyor muyum?"

Wall Street Journal'ın geçen haftaki yazısı da aynı yerden bakıyor. Lowe's'un dijital lideri Seemantini Godbole, şirketin "token wastage" (token israfı) için kurallar ve mekanizmalar kurduğunu anlatıyor. Cümlesi bize göre bültenin en olgun cümlesi: "Token kullanımı iyi bir şey — bir iş hedefine hizmet ettiği sürece. Ama gerekmeyen yere sermaye harcamadığımızdan da emin olmalıyız."

Priceline tarafı ise işin diğer yüzünü itiraf ediyor: bu harcamanın getirisini ölçmek hâlâ zor. Yani şirketler bir yandan faturayı kısmaya, bir yandan da neyin işe yaradığını anlamaya çalışıyor — ikisi aynı anda.

İşte mesele bu kadar sade. Token harcamak kötü değil; nereye harcadığını bilmemek kötü.

Taktik 1 — Ana model stratejiyi kurar, küçük model işi yapar

Fiyat makasına bir bak: en tepedeki kapalı modelde milyon token 56 dolar civarı, en uçtaki modellerde 50 cent'e kadar iniyor. Aynı iş için yüz kata varan fark var — ve çoğu iş, "aynı iş."

Bizim de kendi işimizde giderek oturttuğumuz kural şu: frontier modeli plana sakla. Mimari kararlar, zor problemler, "burada strateji lazım" anları — orada en güçlüsünü çağır. Ama execution'ı, tekrar eden işi, taslağı küçük ve ucuz modele devret. Ana model şef, küçük model mutfak.

Bunu senin yerine yapan bir katman da olgunlaşıyor: Martian'ın Ship'i gibi router'lar (isteği doğru modele yönlendiren ara katman), kalite garantisiyle yüzde 50 tasarruf vaat ediyor. Sam Altman'ın yeni model tanıtımında kullandığı dil bile değişti — "yüzde 54 daha token-verimli" diyor. Verimlilik artık bir pazarlama metriği. Bu bir şey anlatıyor.

Taktik 2 — Open source kartını masaya koy

Bültenin bize göre en çarpıcı rakamı Vercel AI Gateway'in haziran verisinden geliyor: open-weight modeller production token'larının yüzde 29'unu taşıyor — ama harcamanın yüzde 4'ünden azını alıyor. Token'ın neredeyse üçte biri, paranın yirmi beşte biri.

WSJ'deki tabloda da aynı hamle var: Qualcomm küçük, eski veya open-source modellere geçiyor; üstelik bunları kendi donanımında çalıştırarak tasarrufu bir kat daha büyütüyor. Lowe's da aynı yolda.

Open source modellerin frontier'ı yakalayıp yakalamadığını daha önce konuşmuştuk — orada vardığımız üçlü burada da geçerli: yeterince iyi, yeterince ucuz ve elinden alınamaz. Her testi kazanması gerekmiyor; senin işine yetmesi gerekiyor.

Dürüst nüansı da koyalım: lokal çalıştırmanın donanım ve operasyon maliyeti faturaya dahil. "Open source bedava" değil — "open source, hesabını yapana ucuz."

Taktik 3 — Context'i şişirme

Daha az konuşulan ama bizce en öğretici kısım burası. Büyük context window bir çözüm gibi görünüyor — her şeyi ver, model halletsin. Ama pratik öyle demiyor: 100-200 bin token civarında modelin dikkat kalitesi düşmeye başlıyor. Yani modele her seferinde her şeyi okutmak hem pahalı hem de daha kötü sonuç veriyor.

Somut bir deney var elimizde: Avi Chawla tek bir değişiklikle — agent'a önce plan yaptırıp context'i ona göre daraltarak — aynı işi 5.5 milyon token yerine 2.3 milyonla bitirmiş. Fatura 8.94 dolardan 4.17'ye inmiş. Asıl güzel kısım: hata sayısı 7'den 0'a düşmüş. Az token, çoğu zaman daha iyi sonuç demek.

Bir de prompt caching var — tekrar eden context'i önbelleğe alıp bir daha ödememek. En ucuz token, hiç ödemediğin token.

Taktik 4 — Göremediğini yönetemezsin

Slash vakasının asıl dersi buydu: kimse sayacı izlemiyordu. Şimdi bu boşluğa araçlar doluyor — 1Password bile SaaS yönetim paneline token spend takibi ekledi; Anthropic, Cursor, OpenAI kullanımını tek ekranda gösteriyor. (Bir şifre şirketinin bu işe girmesi, konunun nereye geldiğinin güzel bir işareti.)

Kendi ölçeğinde şart olan iki şey: kullanım izleme ve bütçe limiti. Bir agent döngüye girdiğinde seni gece yarısı yakmasın diye guardrail — bu kadar.

Toparlarsak

Token saving kulağa cimrilik gibi geliyor, biliyoruz. Değil. Bu bir mühendislik disiplini — veritabanına sorgu atarken indeks düşünmek neyse, bu da o. Ne "AI çok pahalı, kullanmayın" karamsarlığı ne "sınırsız yak, üretkenlik öder" coşkusu. İkisi de tembellik.

Doğrusu: önce ölç, sonra sınırla, sonra ölçekle.

Instagram postundaki soruyu buraya da bırakalım: geçen ay kaç token harcadın? Ve daha önemlisi — bunu söyleyebiliyor musun? Cevap "bilmiyorum"sa, asıl tasarruf oradan başlıyor.

Bu konuları eğitimlerimizde de yaparak çalışıyoruz — kendi workflow'unu kurup faturasını görerek. İlgini çekerse AI eğitimlerimize göz atabilirsin.

Sevgiyle kalın! 🧱

Kısa Kısa...

AI

Bir içerik makinesi kurmak, prompt yazmaktan ibaret değil: Morning Brew'in kurucusu Alex Lieberman, Claude ile kurduğu içerik sistemini Lenny'ye tek tek anlatmış: yazmadan önce kendiyle yaptığı bir interview, kendi ses kalıplarını Markdown'a döktüğü bir voice dosyası, sonra altı farklı persona ile revizyon turu. İlginç olan şu: adam AI'ı fikir üretsin diye değil, kendi sesini kaybetmesin diye kullanıyor. Sistemin tamamı burada, okurken kendi workflow'unu gözden geçirmek isteyebilirsin. 💡

​

Kimsenin okumadığı 400 bin satır kod: SpaceMolt ekibi, hiçbir insanın baştan sona okumadığı yaklaşık 480 bin satırlık bir Go codebase'ini bir review bot'una emanet etmiş. Hikaye biraz ürkütücü, biraz da kaçınılmaz geliyor. Nasıl kurduklarını yazmışlar ve "AI code review gerçekten işe yarıyor mu" tartışmasına somut bir vaka ekliyor. 🤔

Halüsinasyon sandığın şey aslında retrieval sorunu: RAG sistemlerinde model uydurmaya başladığında ilk suçlanan LLM oluyor. Bu yazı tersini savunuyor: sorun çoğu zaman modele yanlış ya da eksik context taşıyan retrieval katmanında. Notebook örnekleriyle birlikte anlatmışlar, kendi RAG kurgunu debug ederken işine yarar. 🧱

100'den fazla agent'ı aynı anda çalıştırmak: Claude Code ile tek bir agent kullanmak artık kolay kısım. Zor olan onlarca agent'ı birbirine karıştırmadan orkestre etmek. Bu rehber tam olarak bunun pratiğini anlatıyor. Automation tarafında ciddileşmeye başladıysan okuma listene alabilirsin. 🚀

Junior developer piyasası gerçekten yandı mı?: Seldo, AI'ın junior programcı istihdamına etkisi üzerine veriye dayalı ve rahatsız edici bir yazı yazmış. Ne "her şey bitti" diyor ne de "abartıyorsunuz". Tartışmanın en dengeli hallerinden biri ve eğitim tarafında çalışan herkesin okuması gereken cinsten. 👌

Ürün Yönetimi

Spec artık çıktının kendisi: Kod üretmek ucuzladıkça darboğaz yer değiştirdi. Bu yazı "spec-as-source" fikrini savunuyor: asıl bakımını yaptığın artifact spec olsun, kod ise yeniden üretilebilir bir çıktı. Ürün tarafında çalışıyorsan bu, discovery ve dokümantasyona ayırdığın zamanın neden arttığını da açıklıyor. Yazıyı buradan okuyabilirsin. 💡

AI execution'ı ucuzlatmadı, varsayımları pahalılaştırdı: Eskiden yavaş execution bir güvenlik ağıydı; kötü fikirler hayata geçmeden eleniyordu. O ağ kalktı. Şimdi yanlış bir varsayım çok daha hızlı ve çok daha büyük ölçekte katlanıyor. Bu tespit PM'in işini kolaylaştırmıyor, tam tersine validation'ı işin merkezine koyuyor. 🤔

Eric Ries ile governance konuşması: Lean Startup'ın yazarı, Aakash Gupta ile ürün ekiplerinde governance yapılarını konuşmuş. Anthropic ve OpenAI'ı vaka olarak kullanıp hangi modelin neden tuttuğunu tartışıyorlar. Bonus: Ries kendi AI destekli yazma akışını canlı gösteriyor. Söyleşinin tamamı burada. 🧱

​

Tasarım

Design system'ler de eval ister: AI agent'lar artık senin design system'ini kullanarak arayüz üretiyor. Peki kurallara gerçekten uyuyorlar mı? Bu yazı, LLM dünyasından tanıdığımız eval mantığını design system'e taşımayı öneriyor; Code Connect, AGENTS.md ve component dokümantasyonu zaten elinde olan girdiler. Fikir tazeleyici, özellikle sistem sahibi bir tasarımcıysan. 💡

Claude Code arayüzünü bozmasın diye: AI ile hızlı prototip çıkarırken tasarım kalitesinin nasıl eridiğini hepimiz gördük. Bu yazı somut önlemler sıralıyor: agent'a ne veriyorsun, neyi kısıtlıyorsun, çıktıyı neye göre kabul ediyorsun. Pratik ve kısa. 👌

10 dakikada öğrenip ömür boyu kullanacağın 7 kural: Ara ara temele dönmek iyi geliyor. Spacing, hiyerarşi, kontrast gibi konularda hızlıca uygulanabilir yedi kural. Yeni başlayan bir tasarımcıya göndereceğin türden bir yazı, ama deneyimli gözler için de iyi bir checklist. 🧱

AI erişilebilirlik olduğunda: AWS'nin blogunda, beyni farklı çalışan insanlar için AI'ın bir konfor değil doğrudan bir erişilebilirlik meselesi olduğunu anlatan güzel bir yazı var. Ürün kararlarını "kim için tasarlıyoruz" sorusuyla test etmek isteyenler için iyi bir hatırlatma. Okumaya değer. 🚀

Yaklaşan Brick Institute Eğitimleri

Bülteni bitirirken yaklaşan eğitimlerimizi bir göz atmanız için şöyle özetliyoruz:

Ücretsiz Eğitimler

23 Temmuz - AI Destekli Ürün Tasarımı ve Görsel İş Akışları - AI Applications uzmanı Büşra Pehlivan ile tasarım süreçlerinizi yapay zeka ile hızlandırın! AI araçlarını ürün tasarımına entegre etmeyi, görsel iş akışlarınızı otomatikleştirmeyi ve fikirden çıktıya giden yolu kısaltmayı öğreniyoruz.

28 Temmuz - Brickstage: Build. Ship. Tell. #2 - Sr. Learning & Development Specialist Sertan Çevik ve AI Native Product Manager Altan Kurt ile sevilen etkinliğimizin ikincisi! Katılımcılar ürünlerini ve projelerini sahneye taşıyıp hikayelerini anlatıyor, geri bildirim alıyor ve deneyimlerini paylaşıyoruz.

29 Temmuz - AI Üretiyor, Peki Kararı Kim Veriyor? Product Manager as a Compiler - Product Leader & AI-Native Product Builder Emre Arslan ile PM'in yeni rolünü keşfedin! Yapay zeka üretim yükünü devralırken karar verme sorumluluğunun nasıl değiştiğini, PM'in "compiler" rolünü nasıl üstlendiğini konuşuyoruz.

4 Ağustos - Müşteriyi Beklemeyen Şirketler: Yapay Zeka Çağında Proaktif Deneyim ve Liderlik - Experience Design uzmanı ve Startup Mentor Levent Kopuz ile beklemeyi bırakıp öngörmeye başlayın! Yapay zeka çağında proaktif müşteri deneyimi tasarlamayı ve bu dönüşümü yönetecek liderlik yaklaşımını öğreniyoruz.

Sertifika Programları

Ürün Yönetimi Eğitimleri

15 Eylül - 1 Ekim - Yazılım Geçmişi Olmayanlar için Yazılım - Tech Lead & Product Engineer Mustafa Biçer ile yazılımın kapısını aralayın! "Yazılım dünyası bana çok uzak" diyenler için teknik ekiplerle konuşabilmenin, API'lerden database'lere jargonu çözmenin ve teknik kararların mantığını anlamanın sistematik yolu.

Tasarım Eğitimleri

27-31 Temmuz - UX Temelleri - UX Lead Ömer Arı ile kullanıcı deneyiminin sağlam temellerini atın! UX'in ne olduğundan tasarım sürecinin adımlarına, kullanıcı odaklı düşünmenin prensiplerinden temel yöntemlere kadar alanın alfabesini öğreniyoruz.

11-20 Ağustos - UX Analizi - UX Lead Ömer Arı ile veriyi içgörüye dönüştürün! Kullanıcı araştırmalarından elde ettiğiniz verileri analiz etmeyi, problemleri doğru tanımlamayı ve tasarım kararlarınızı sağlam bulgularla desteklemeyi öğreniyoruz.

25 Ağustos - 10 Eylül - UX Tasarım Kararları - UX Lead Ömer Arı ile "neden bu çözüm?" sorusuna güçlü yanıtlar verin! Analizden çözüme geçerken doğru tasarım kararlarını almayı, alternatifleri değerlendirmeyi ve kararlarınızı savunmayı 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!