Jotform 2006'dan beri tek bir soruyu soruyor: iyi ürün nasıl yapılır? Cevap yirmi yıldır aynı kaldı ve 35 milyon kullanıcı getirdi. İki yıl önce soru değişti: iyi bir AI ürünü nasıl yapılır?
Selver Ezgi Küçükbay bu geçişi anlattı. Akademisyen olarak başlamış, doktorasını yapmış, sonra ayrılmış: "Makine öğrenmesiyle insanların hayatına dokunmak istediğimi fark ettim. Akademide bunu yapamadım — literatürü geçtik ama ürünün bir kullanıcının hayatındaki etkisini göremedim."
Eski oyun kitabı neden işlemiyor
Ekip iyi ürün yapmayı biliyordu. Ama AI ürününün kuralları başkaydı ve üç temel zorluk vardı.
Deterministik değil
Aynı soru farklı cevaplar üretebiliyor. Test ve doğrulama yöntemlerinin değişmesi gerekiyor.
Halüsinasyon
Hata azaltılabiliyor ama tamamen ortadan kaldırılamıyor. Ürünü buna göre tasarlamak gerekiyor.
Yüksek beklenti
Kullanıcı minimum girdiyle anında ve kusursuz sonuç bekliyor. Çıta baştan yüksek.
Bu üçü bir arada olunca klasik ürün geliştirme refleksleri yetmiyor. Üçüncü madde özellikle sinsi: kullanıcı AI'dan beklentisini insanla kıyaslamıyor, mükemmel bir sistemle kıyaslıyor.
YolChatbot'tan AI Agent'lara
Başlangıç fikri sadeydi: sohbet ederek form dolduran bir chatbot. Kullanıcılara açtılar, sorular geldi ve sorular "daha fazlasını istiyoruz" diyordu. Ürün, onu aşkın kanalda çalışan Jotform AI Agents platformuna dönüştü; bugün 15 binden fazla aktif kullanıcısı var.
Ekip cesur bir şey yaptı: ürünü önce kendi destek kanalına koydu. Kendi müşterisiyle konuşan ilk AI agent kendi agent'larıydı.
Kendin deneyimlemeden iyi bir AI ürünü yapamıyorsun.
YöntemMetriğe değil, konuşmaya bakmak
Kurdukları geri bildirim döngüsü dört adımdan oluşuyor ve ilki en zahmetlisi:
- Günlük inceleme — ekip gün boyunca üretilen her AI yanıtını okudu.
- Çözüm takibi — kullanıcının problemi gerçekten çözüldü mü, ölçüldü.
- Kümeleme — benzer problemleri gruplamak için yine AI kullanıldı.
- Dağıtım — bulgular ekiplere gitti, hızlı düzeltmeler yapıldı.
Rakam şu: 3.000'den fazla konuşma tek tek okundu. Selver bunu özellikle vurguladı — sadece metriklere bakılmadı. Kullanıcı problemlerinin bu derin anlayışı yol haritasının kendisi oldu.
Ana metrik de tek bir soruya indirgendi: kullanıcının problemini gerçekten çözdük mü? Çözüm oranı (resolution rate) günlük ölçüldü ve her yinelemenin gerçek sonucu iyileştirdiğinden emin olundu.
Ne dediğine değil, ne yaptığına bak
Geri bildirim toplamak anket ve metrikten ibaret değil. Ekip gerçek koşullarda canlı kullanıcı testi yapıyor: insanların ne söylediğini değil ne yaptığını izliyor, ardından yapılandırılmış görüşmelerle ne beklediğini, ne gördüğünü ve ne aldığını soruyor.
Ortaya çıkan şey kısmi bir tablo değil, hikâyenin tamamı: kullanıcının ne olduğunu sandığı değil, gerçekte ne olduğu.
DönüşümVeri bilimcinin ürün yöneticisine dönüşümü
Jotform'da veri bilimi departmanı son iki yılda AI ürün ekibine dönüştü; veri bilimciler ürün yöneticisi rolünü üstlendi. Selver'in vurgusu şuydu: kritik dönüm noktası yeni bir teknoloji öğrenmek değildi. Prompt mühendisliği hızlıca öğrenildi. Asıl mesele, yılların veri birikimini AI ürünü kararlarına çevirmekti.
Ben vericiydim — ne ara bir AI ürününün "gönder" butonunun rengine karar verir oldum?
— Selver Ezgi Küçükbay, Jotform · Senior Data ScientistBu cümle bir şikayet değil, yeni yetkinliğin tarifi. Prompt yazmak ile metrik takip etmek aynı kişide buluşunca, veriden gelen kişi ürün kararı alabiliyor.
Döngü aynı döngü
Hızlı gönder, geri bildirim topla, iyileştir, tekrar gönder. Jotform'u 35 milyon kullanıcıya taşıyan felsefe buydu; AI ürünlerinde de aynısı işliyor. Değişen tek şey, "iyileştir" adımının artık üç bin konuşma okumayı gerektirmesi.
Konuşmanın Alive'26 sayfası — sunum PDF'i ve özet burada.
