Ekiplerin çoğu AI'ı bir görevi hızlandırmak için kullanıyor: bir görsel, bir prototip, bir metin. ABB'de (Azerbaycan Uluslararası Bankası) kullanıcı deneyimi ve tasarım mükemmeliyet merkezini yöneten Farid Ismayilov, Alive Baku'da başka bir soru sordu: süreci ve platformu baştan AI etrafında kursak ne olur? Cevap, bankanın içinde dört modülden oluşan bir sistem: Design Intelligence.
Bu yazı slaytlardan
Farid Ismayilov'un konuşmasının ses kaydına ulaşamadık. Yazı, sunum slaytlarına ve slaytlardaki ekran görüntülerine dayanıyor. Rakamlar slaytta yazdığı haliyle aktarıldı; sahnede anlatılan bağlam ve örnekler bu yazıda eksik olabilir.
Görev düzeyinde AI, sistem düzeyinde AI
Farid'in ilk ayrımı basit. Bir tarafta günlük işte AI desteği var: görsel üretmek, prototip yapmak, ürün fikri bulmak, içerik yazmak, beyin fırtınası. Diğer tarafta AI üzerine kurulmuş süreçler ve sistemler: ürün geliştirmek, iş akışlarını otomatikleştirmek, kampanya üretmek, veri analiz etmek, deney koşturmak.
İlki her ekipte zaten var. İkincisi, işin nasıl yapıldığını değiştiriyor. ABB'de AI müşteriye dönük tarafta (sohbet tabanlı bankacılık, kişiselleştirme, AI destekli satış, akıllı destek), operasyonda (İK ve iç iş akışları) ve teknoloji tarafında (yazılım geliştirme, ürün ve tasarım, içerik üretimi, iş akışı otomasyonu) aynı anda çalışıyor. Farid'in konuşması bu son grubun içinden, tasarım ekibinin kendi yaptığı dönüşümden.
Soruyu üç süreç üzerinden somutlaştırıyor. Araştırma süreci bir araştırma ortamına, görsel tasarım süreci bir marka sistemine, UX/UI tasarım süreci bir tasarımdan ürüne sistemine dönüşüyor. Kelime seçimi önemli: süreç bitince biter, ortam ve sistem her gün yeniden kullanılır.
Design Intelligence: dört modül, tek ekran
ABB tasarım ekibinin kurduğu platformun adı Design Intelligence, sloganı "You imagine. We make it happen." Ana ekranda dört modül ve yolda olan bir beşincisi var:
- Insights: uygulama mağazası yorumlarını platforma göre okuyor.
- Create: 3D asset ve görsel üretiyor.
- Research: kullanıcı araştırmasının bütün döngüsünü tek yerde topluyor.
- Build: kod yazmadan ürün geliştirme.
- Track: veride kullanıcı davranışını izleyecek; slaytta "yakında" olarak işaretli.
Binlerce kullanıcı zaten araştırma yapıyor
Insight modülünün çıkış noktası slayttaki tek cümlede: binlerce kullanıcı zaten bizim için araştırma yapıyor. Kastedilen, App Store ve Google Play'deki yorumlar. Ekranda görünen panoda yaklaşık 127 bin değerlendirme, bunların 8 bini aşkını metinli yorum, ortalama puan 4,8 ve değerlendirmelerin yüzde 90'ı en olumlu kategoride.
Puanlama tarafı bilinçli olarak deterministik. Yorum metninin duygusu yüzde 60, verilen yıldız yüzde 40 ağırlıkla hesaplanıyor; yalnızca yıldız verilmiş, metin yazılmamış yorumların güven katsayısı düşürülüyor. Sonuç beş etikete ayrılıyor: çok olumsuzdan çok olumluya. Bu katman tekrarlanabilir bir skor üretiyor ve panoya gidiyor.
AI ikinci katmanda devreye giriyor. Slayttaki formül: AI anlar, bağlar, açıklar. Duyguyu ve konuyu anlar; temaları ve yeni çıkan sorunları birbirine bağlar; bunun neden önemli olduğunu ve neye dikkat edilmesi gerektiğini açıklar. Ekrandaki AI özeti buna iyi bir örnek: son üç ayın en keskin şikayeti teknik, uygulama donuyor ya da rutin ekranlarda hata veriyor, özet bunu mimarların önüne koymayı öneriyor. İkinci not daha ilginç: müşteri hizmetlerine yazan ama cevap alamayan bir grup var ve sorun uygulamada değil, arkadaki bir kuyrukta. Özet bunu "yeni sürüm çıkarmadan düzeltebileceğin tek konu" diye işaretliyor.
Skoru kurallar üretiyor, anlamı AI çıkarıyor. İkisi yer değiştirmiyor.
CreateText-to-image değil, brand-to-image
Create modülünün temelinde bir görsel kütüphane var: platforma ve iş segmentine göre ayrılmış 400'ü aşkın 3D görsel. Bunun üstünde iki motor çalışıyor, Style Intelligence ve Image Generation Engine. Üçüncüsü, video üretim motoru, yolda.
Farid'in en net anlattığı akış, bir cümlenin görsele dönüşmesi. Örnek istek: "Yurt dışında kartla ödemede yüzde 5 cashback için bir görsel."
| Adım | Ne oluyor |
|---|---|
| 1. İstek | Tasarımcı ya da pazarlamacı tek cümle yazıyor. |
| 2. Planlama | Marka profili ve çerçeve çekiliyor: görünüm (renk, ışık, malzeme), onaylı örnek görseller ve görselin nerede, hangi formatta yaşayacağı. |
| 3. Prompt | Brief bir konsepte, konsept bir prompt'a dönüşüyor. Claude Opus gerçekten çizilebilecek nesneleri seçiyor. Prompt katmanlı: kurallar, görünüm, çerçeve, konsept, brief. |
| 4. Üretim | Varsayılan model Gemini, alternatif OpenAI. Hata olursa yedek bir görsel devreye giriyor. |
| 5. Hazır | Görsel kaydedilip canvas'a yerleşiyor. Sonraki her mesaj yeni bir görsel değil, bu görseli düzenliyor. |
Slaytın altındaki cümle modülün özeti: text-to-image değil, brand-to-image. Model değiştirilebilir bir parça; asıl iş, markanın kurallarını ve onaylı örneklerini prompt'tan önce sisteme koymak. Son adımdaki detay da küçük ama önemli: sohbet her seferinde sıfırdan görsel üretmiyor, aynı görsel üzerinde iterasyon yapıyor.
Önce
Görsel teslim süresi.
Şimdi
Marka kontrolü sistemin içinde.
Farid'e göre kazanım sadece hız değil. Eskiden tutarlılık bir marka incelemesiyle sağlanıyordu, görsel üretildikten sonra. Şimdi marka kuralları üretimin içine gömülü. Slayttaki ifadeyle: brand review yerine brand built in.
Kendi kendini yürüten bir araştırma
Research modülü katılımcıları, çalışmaları ve içgörüleri tek ortamda topluyor. Katılımcı tarafında sadık bir katılımcı havuzu ve segment bazlı bir veri tabanı var, AI ile arama yolda. Çalışmalar AI desteğiyle oluşturuluyor, yönetiliyor, yürütülüyor ve kaydediliyor. Raporlar ham veri, analiz ve içgörü katmanlarından oluşuyor.
Akış beş adımda ilerliyor. Araştırma hedefi konu, hedef kitle ve örneklem büyüklüğüyle tanımlanıyor. Senaryolar ve sorular hazırlanıyor. Görüşmeyi bir AI çağrısı yapıyor, soruları cevaba göre uyarlıyor ve canlı takip soruları soruyor. Görüşmeler yazıya dökülüyor, kullanıcı bazında özetleniyor, örüntüler çıkarılıp birleştiriliyor. Sonunda temalar ve bulgular, yani kanıta dayalı içgörü geliyor.
Bir chatbot değil. Kendi kendini yürüten bir araştırma çalışması.
Slayttaki rakam: araştırmanın teslim süresi 18-20 günden yaklaşık 3 güne inmiş, yaklaşık yüzde 95 daha kısa. Farid'in kendi dipnotu da slaytta: hesap 20 katılımcılı bir görüşme çalışmasına dayanıyor, yıllık kapasite rakamı bir projeksiyon.
Tasarım ile mühendislik arasındaki boşluk
Son modül en iddialı olanı. Geleneksel ürün geliştirme akışı yedi adım: gereksinimler, Figma'da tasarım, inceleme, geliştirme, inceleme, QA, canlıya çıkış. Build ile akış şöyle: gereksinimden prompt'a, çalışan ürün arayüzü, tasarım incelemesi, kod incelemesi, QA, canlıya çıkış.
Fark iki yerde. Figma'da statik tasarım ve ardından gelen handoff aşaması yok; tasarımcı doğrudan çalışan arayüz üretiyor. İnceleme de ikiye ayrılıyor: tasarım incelemesi ve kod incelemesi, ikisi de çalışan bir şey üzerinde. Modül mevcut ürüne Git bağlantısı ve bir sandbox üzerinden bağlanıyor; iş gereksinimi ve teknik gereksinimle oluşturuluyor ya da düzenleniyor; tasarım incelemesi, kullanılabilirlik testi ve kod incelemesiyle doğrulanıyor; pull request ile canlıya gidiyor. Slayttaki iddia: tasarım ile mühendislik arasındaki boşluğu kapatıyoruz.
Önce süreci çiz, sonra aracı seç
ABB'nin dört modülü dört ayrı araç değil, dört sürecin yeniden çizilmiş hali. Ekibinde AI'ı hangi görevde kullandığını değil, hangi süreci baştan kurabileceğini sor. Marka kuralları, onaylı örnekler, puanlama mantığı gibi sistemin içine gömülecek bilgi, modelden daha uzun yaşıyor.
Farid'in kapanış cümlesi slaytta tek satır: süreci AI etrafında yeniden tasarla. Senin ekibinde AI hala görev düzeyinde mi, yoksa ilk sistemi kurdunuz mu? 🧱
Alive Baku etkinlik sayfası, konferansın diğer konuşmaları ve programı burada.
