Bir ekip AI'ı ne kadar kullandığını ölçmeye başladığında er geç aynı soruya çarpar: kullanmak başarı mı? Trendyol'da ürün tasarımı tarafında çalışan Franco Ejder Ortiz, Alive Baku sahnesinde bu sorudan sonra kurdukları sistemi anlattı. Adı UX Brain: kullanıcı sinyallerini karara, kararların sonucunu da kurumsal öğrenmeye çeviren bir döngü.
Franco konuşmaya klasik tasarım döngüsünü hatırlatarak başladı: anlıyoruz, tasarlıyoruz, teslim ediyoruz. UX Brain bu döngüye iki şey ekliyor. Biri karar alma sürecini desteklemek, diğeri de teslim edilen işin kullanıcı tarafında ne etki yarattığını ölçüp bir sonraki karara geri taşımak.
İlk adımÖnce eklentiler, sonra ölçüm
Trendyol'da AI'ın gündeme gelişi 2024'ün sonuna denk geliyor; ekip 2025 ile birlikte günlük işte nasıl kullanılacağını ciddi ciddi düşünmeye başlamış. İlk adımlar Franco'nun kendi ifadesiyle oldukça ilkeldi ama işe yaradı:
| Alan | Ne yaptılar |
|---|---|
| Figma eklentileri | Tasarım sistemi kurallarını kontrol eden, tasarımları farklı dillere çeviren ve Körfez ülkeleri için Arapça tasarımları sağdan sola çeviren eklentiler. |
| UX araştırması | Persona üreten bir sistem; hem son kullanıcıdan hem iç kullanıcılardan gelen bol geri bildirimi etiketleyen bir akış; Google Sheets'teki verileri özetleyen yardımcılar. |
| UI tasarım | Prompt'tan tasarım denendi ama kalite düşüktü: tasarım sistemiyle uyumlu değildi, canlı kod deposunu okuyamıyordu. Yine de mockup üreten bir akış kaldı. |
| UX yazımı | Metinleri daha kısa ve kullanıcı dostu hale getiren bir araç. |
Trendyol veriyle konuşan bir şirket olduğu için bir sonraki adım ölçmek oldu. Ekip Jira'da işleri, AI'dan ne kadar destek aldıklarına göre etiketlemeye başlamış; bu etiketler bir panoya akıyor ve hangi alanda AI'ın ne oranda kullanıldığını gösteriyor.
Ama Franco burada önemli bir ayrım yaptı: kullanıyor olmak tek başına başarı kriteri değil. Önemli olan sonunda kullanıcıya ne kadar değer kattığın. Ölçümün işe yarar bir yan etkisi de olmuş: 1-2 story point'lik küçük işleri ve anlık gelen ad-hoc işleri otomatikleştirmeyi hedef haline getirmişler. Kazanılan eforu daha anlamlı, daha çok değer yaratan işlere ayırmak için.
Asistandan çekirdek sisteme
Sonraki adımı şirketin vizyonu belirledi: AI'ı çalışanlara yardım eden bir araç olmaktan çıkarıp karar almanın ve operasyonun merkezindeki sisteme dönüştürmek. Tasarım ekibi bunun UX karşılığını düşünmeye başladı. Cevap, araştırma bilgisinin, ürün bilgisinin, tasarım bilgisinin ve geçmiş kararların birlikte çalıştığı bir döngüydü.
Döngünün tepesinde iki girdi var. Sinyaller: kullanıcı geri bildirimleri, ürün KPI'ları, metrikler ve veriler. Hafıza: geçmişte yapılan işler ve alınan kararlar. Bir görev geldiğinde bu ikisiyle birlikte değerlendiriliyor ve uzmanlık alanlarına dağılıyor:
- UXR Brain: araştırma ekibinin birikimi ve araştırma verisi.
- Data Brain: üç metrik kümesinden beslenen veri katmanı.
- Market Brain ve Product Brain: pazar bilgisi ve geçmiş ürün bilgisi.
- Design System Brain: tasarım sistemini bilen bir tasarım uzmanı gibi.
- Decision Memory: geçmiş kararların hafızası.
Bu katmanların üzerinde çalışan ajanlar bir karar ya da öneriyle geliyor. Öneri aksiyona dönüşüyor, etkisi ölçülüyor ve sonuç bir öğrenme olarak hafızaya geri yazılıyor.
Şirketin kendi ajan platformu
Ekip bunu sıfırdan yazmamış; Trendyol'un şirket içinde geliştirdiği ajan platformunu kullanmış. Platformun temel işi üç şeyi bir araya getirmek: bir çalışma alanı (workspace), ona bağlanan bir bilgi tabanı (knowledge base) ve bu alanın içinde çalışan ajanlar. Franco'nun gösterdiği örnekte bir çalışma alanının içinde altı farklı ajan var; biri işleri orkestre ediyor, bilgi tabanı ise araştırmalardan, geri bildirimlerden ve mevcut verilerden besleniyor.
Daha hızlı iş, daha iyi ürün demek değil
Data Brain üç metrik kümesinden besleniyor: operasyonel KPI'lar, AI kullanım verileri ve ürün KPI'ları. Üçünü yan yana koymanın nedeni Franco'nun belki de konuşmadaki en önemli uyarısı: daha hızlı iş üretiyor olabilirsin, ama aynı dönemde ürünün NPS'i düşmüş olabilir. Hız ve çıktı kalitesi doğrudan kullanıcı memnuniyetine yansımıyor olabilir. Üç kümeyi birlikte görmek bu kopukluğu yakalamanın yolu.
Veriyi toplamak normalde UX araştırmacısının ya da ürün sahibinin elle yaptığı bir iş. Ekip bunu otomasyonlara devretmiş: tablolardaki veriler otomasyonlarla çekiliyor, bir orkestratör ajan gerekli adımları çalıştırıp veriyi Data Brain'e taşıyor. Ama her veri bir tabloda durmuyor; bazen bir ekip arkadaşı Slack'te bir CSAT skoru paylaşıyor. Bunun için de basit bir yol kurmuşlar: ilgili Slack kanalına eklenen ajan, mesaja belirli bir emoji bırakıldığında tetikleniyor ve o skoru Data Brain'e yazıyor. Verinin elle girilebildiği bir chatbot da var.
Sonuç, kimsenin tek tek panoya bakmasına gerek kalmadan önüne gelen öneriler. Ekibin Slack'teki ajanı, hedeflerin gerisinde kalan bir metrik gördüğünde bunu bir öneriyle birlikte paylaşıyor.
Slayttaki örnekler bunun nasıl göründüğünü anlatıyor. Bir mesaj, bir ürünün CSAT skorunun yüzde 80 hedefinin yaklaşık 7,6 puan altında kaldığını söyleyip kritik akışlarda hedefli kullanılabilirlik araştırması öneriyor. Bir diğeri, eylül ayındaki kapsam değişikliği oranının yüzde 15 hedefini 18 puan aştığını söyleyip onay akışının sprint planlamasında gözden geçirilmesini öneriyor.
Design PipelineJira biletinden Figma prototipine
Konuşmanın son parçası tasarım hattıydı. Franco bunun ne kadar ileri gideceğini kendilerinin de henüz kestiremediğini, yolun başında olduklarını söyledi. Ama bir iki küçük işin neredeyse tamamen bu hattan geçtiğini ekledi.
Akış Cursor'da başlıyor. Jira'daki görevin verisi çekiliyor ve görev anlaşılıyor. Keşif adımında bağlam toplanıyor; bu bağlam alttaki kaynaklardan geliyor: alan bilgisi, personalar ve UX araştırma deposu bilgi tabanı MCP'leri üzerinden, ürün verisi BigQuery'den, benchmark ekranları Mobbin MCP'sinden, mevcut tasarımlar ve tasarım sistemi Figma MCP'sinden. Ardından bu bağlam bir plana dönüşüyor, tasarım adımında tasarım sistemiyle bir çıktı üretiliyor ve sonunda bir prototip linki geliyor.
Franco'nun altını çizdiği fayda sadece zaman değil. Ürün ekibiyle bir işi tartışırken herkesin kafasında farklı bir şey canlanır. Hızla ortaya çıkan bir görsel, herkesin aynı şeyin üzerinde konuşmasını sağlıyor.
KazanımlarBağlamı aramak yerine bağlamın gelmesi
Franco ekibin UX Brain'den beklediği kazanımları dört başlıkta topladı:
Kurumsal hafıza
Sinyal, içgörü, karar ve sonuç zinciri saklanıyor; aylar sonra bile bir kararın arkasındaki gerekçeye ulaşılabiliyor.
Raporlamadan öğrenmeye
Veri, bilgi, içgörü ve öğrenme birbirine bağlanıyor; kalıpların zamanla nasıl değiştiği görünür oluyor.
Kontrollü otonomi, gelen bağlam
Güven arttıkça AI gözetimli asistandan güvenilen bir karar vericiye evriliyor. Tasarımcı bağlamın peşinden koşmuyor; doğru sinyal ve geçmiş, doğru anda ona geliyor.
Otonomi başlığında Franco salondaki tedirginliğe de değindi. İnsanların çekindiği nokta belli: AI'ı ne kadar serbest bırakmalı, ne kadarını ona ürettirmeli? Ekibin cevabı, bunun kontrol edilebilir bir süreç olması. Çıktılar iyileştikçe ve güven arttıkça alan genişliyor.
Bağlamı biz aramıyoruz; bağlam bize geliyor.
Kapsam hakkında
Tasarım hattı Franco'nun kendi ifadesiyle henüz başlangıç aşamasında; şu an yalnızca küçük işlerin tamamı bu yoldan geçiyor. Slack örneklerindeki oranlar ekibin kendi panolarından; Trendyol'un kamuya açık bir verisi değil. Konuşmadan sonra gösterilen tanıtım videosu bu yazıya dahil değil.
Kullanımı ölçüyorsan yanına ürün metriğini koy
Ekibinde AI kullanımını ölçüyorsan aynı panoya bir ürün metriği ekle: NPS, CSAT ya da görev başarısı. İki çizgi aynı yöne gitmiyorsa, hızlandığın şeyin kullanıcıya ulaşmadığını erkenden görürsün.
Senin ekibinde bir kararın neden alındığını altı ay sonra bulabiliyor musun, yoksa o bilgi birinin kafasında mı duruyor? 🧱
Alive Baku etkinlik sayfası, konferansın diğer konuşmaları ve programı burada.
