Yapay zeka ile her işbirliğinin altında basit bir denklem yatar:
AI_çıktı(t) = S(t) + N(t)
S(t) sinyal — yani gerçekten işe yarayan, doğru, projeyi ileriye taşıyan kısım. N(t) ise gürültü — yanlış varsayımlar, bağlamdan kopuk cümleler, yüzeysel doğru görünüp temelde hatalı olan parçalar. Her yapay zeka çıktısı bu ikisinin bir bileşimidir, ve hangi çıktıda ne kadar sinyal ne kadar gürültü olacağını önceden bilemezsiniz. Model iyi bir günde olasılık uzayının üst kısmından örnekleme yapar ve sinyal baskın çıkar. Kötü bir günde — ya da belirsiz bir talimat aldığında — gürültü sinyali bastırır. Bu stokastik bir süreçtir; aynı prompt’a aynı modelden farklı anlarda ve girdi dizilerinde farklı kalitede çıktılar alırsınız.
Bu denklem basit görünür. Ama bir projeyi uygulama adımlarından oluşan bir zincir olarak düşündüğünüzde, işler karmaşıklaşır. Çünkü gerçekleştirme sürecindeki her adımın çıktısı, bir sonraki uygulama adımının girdisi olur:
C(t+1) = f(Katkı(1), Katkı(2), …, Katkı(t))
Yani yapay zeka, bir önceki uygulama adımında ürettiği şeyin — gürültüsüyle birlikte — üzerine inşa eder. Gürültü ayıklanmadıysa bağlama sızar, bağlama sızan gürültü bir sonraki çıktının gürültüsünü artırır. Bu bir pozitif geri besleme döngüsüdür — gürültü gürültüyü besler, ve bu birikim gerçekleştirme sürecinin her adımında büyür.
Bu matematiksel gerçeği anladığınızda, yapay zeka ile çalışmanın neden bazen mucizevi bazen de felaket sonuçlar ürettiğini anlarsınız. Fark modelde değildir. Fark, bu denklemi kimin, nasıl yönettiğidir. Bazı modeller bunu yönetmeye çalıştığı için isimlerini daha çok duyuyoruz 😀
Bu yazıda o yönetimin çerçevesini kurmaya çalışacağım. Korkmayın, sezgisel olacak. Ama bu çerçeve, günlük deneyimlerimizin neden öyle gittiğini açıklıyor — ve daha önemlisi, nasıl daha iyi gidebileceğini gösteriyor.
Zinciri Başlatmadan Önce: Geniş Alanda Mutabakat – Arka plan gürültüsünü kesme
Tüm süreciniz ilk durumlara aşırı dayalı bir yapıda , ilk durumların mutlaka gürültüsüz bir ortam dan çıkması lazım. Yani arka plan gürltüsünü kesmeliyiz.
Uygulamaya geçmeden önce — yani ilk satır kod yazılmadan, ilk taslak istenmeden, ilk çıktı üretilmeden önce — yapılması gereken şey dar bir görev tanımı değil, geniş bir mutabakat zeminidir. Bunu bir müzakere gibi düşünün. İki taraf — siz ve yapay zeka, veya ekibiniz ve yapay zeka — bir projeye farklı varsayımlarla başlarsanız, her uygulama adımında biraz daha uzaklaşırsınız. Onuncu adımda ortaya çıkan ürün kimsenin başta kastettiği şey değildir ama herkes “ben bunu söylemiştim” der.
Çözüm, gerçekleştirme sürecine girmeden önce olabildiğince geniş bir alanda konuşmaktır. Sadece “ne yapacağız” değil, “neden yapacağız, kimin için yapacağız, neyi kesinlikle yapmayacağız, başarı neye benzer, başarısızlık neye benzer” sorularını sormaktır. Bu soruları yapay zekaya sormak şaşırtıcı derecede işe yarar — çünkü yapay zeka sizin düşünce çerçevenizin dışından sorular getirebilir. Siz finans perspektifinden bakıyorsunuzdur, o hukuki bir risk sorar. Siz teknik mimariyi düşünüyorsunuzdur, o kullanıcı deneyimi sorar.
Bu aşamanın asıl değeri, iki tür bilmeme durumunu ayırt etmenizi sağlamasıdır. Birincisi bilinen bilinmeyenler — “şu konuyu araştırmam lazım, şu veriye ihtiyacım var” diyebildiğiniz şeyler. Bunlarla başa çıkmak kolaydır çünkü en azından neyi bilmediğinizi bilirsiniz. İkincisi ise bilinmeyen bilinmeyenler — henüz farkında bile olmadığınız boşluklar, soramadığınız sorular, aklınıza gelmeyen senaryolar. Yapay zekayı doğrudan iş üretmek için değil, önce keşif için kullanmak — “bu projede neleri gözden kaçırıyor olabilirim, hangi varsayımlarımı sorgulamalıyım, hangi senaryoları düşünmedim” diye sormak — bilinmeyen bilinmeyenleri bilinir hale getirmenin en hızlı yoludur.
Bu geniş alandaki karşılıklı konuşma, projenin sınırlarını — neyin içeride neyin dışarıda olduğunu — baştan netleştirir. Ve bu netlik, uygulamaya geçildiğinde her adımda AI’ın olasılık uzayını daraltır, sinyali güçlendirir, gürültüyü azaltır. Matematiksel olarak şöyle düşünebilirsiniz: planlama aşaması, gerçekleştirme zincirinin ilk halkasındaki N(t)’nin başlangıç değerini aşağı çeker. Eğer uygulamanın birinci adımındaki gürültü düşükse, ikinci adımın bağlamı temizdir, üçüncünün de, dördüncünün de. Zincirleme etkiyi daha uygulamaya geçmeden lehinize çevirmiş olursunuz.
Küçük Adımlar, İzole Ara ortamlar ve Kalite Kapıları
Planlama tamamlandı, sınırlar çizildi, mutabakat sağlandı. Artık gerçekleştirme sürecine geçilecek. Şimdi çoğu kişinin yaptığı hata şudur: büyük bir hedef belirleyip yapay zekaya tek seferde teslim etmek. “Şu sistemi kur”, “şu raporu yaz”, “şu stratejiyi oluştur”. Bu, bir kaptan denize açılırken rotasını çizip sonra dümeni bırakmaya benzer. Rota doğru olsa bile rüzgar, akıntı ve dalga o rotayı saptırır — ve siz ancak karaya oturunca fark edersiniz.
Doğru yaklaşım, gerçekleştirme sürecini küçük, izole edilmiş gerçekleştirme adımlarına bölmektir. Her adım kendi başına değerlendirilebilir, kabul ya da reddedilebilir bir birim olmalıdır. Bunu bir seri kapı sistemi gibi düşünün. Bir fabrikada hammadde son ürüne dönüşene kadar birçok kalite kontrol noktasından geçer. Her noktada ürün incelenir: uygunsa bir sonraki aşamaya geçer, değilse o noktada düzeltilir ya da geri gönderilir. Hatalı bir parça hiçbir zaman kontrol edilmeden bir sonraki istasyona ilerlemez — çünkü o hata sonraki her aşamada katlanarak büyür.
Uygulamaya geçildiğinde de her iterasyon bir kapıdır. Ve bu kapı iki temel kurala sahip olmalıdır. Birincisi, izolasyon: her gerçekleme adımının çıktısı kendi başına değerlendirilebilir olmalı. Eğer bir adımın doğru olup olmadığını anlamak için beş adım sonrasını beklemeniz gerekiyorsa, adımlarınız yeterince küçük değil demektir. İkincisi, doğrulama geçişi: bir adımın çıktısı ancak insan tarafından kontrol edilip onaylandıktan sonra bir sonraki uygulama adımının girdisi olmalı. Kontrol edilmemiş geçiş, tam da gürültünün bağlama sızdığı ve birikmeye başladığı andır.
Bunu yazılım dünyasından bir örnekle düşünün. Deneyimli bir geliştirici yapay zekadan bir özellik istediğinde tek seferde “şu uygulamayı yaz” demez. Önce veri modelini ister, inceler, onaylar. Sonra o model üzerine iş mantığını ister, inceler, onaylar. Sonra arayüzü ister, inceler, onaylar. Gerçekleştirme sürecinin her adımı bir öncekinin doğrulanmış çıktısı üzerine inşa edilir. Bu geliştirici yavaş mı ilerliyordur? Tam tersi. Onuncu uygulama adımında geri dönüp birinci adımı düzeltmek zorunda kalmadığı için toplamda çok daha hızlıdır. Buna karşılık deneyimsiz bir kullanıcı “bana komple bir proje yaz” der, gelen çıktıyı kontrol etmeden kullanır ve üçüncü gün her şeyin temelden yanlış olduğunu fark edip sıfırdan başlar.
Dipnot: Prompt ve agentlarınızda onay ve kalite adımı ile durma çok hızlı ve ani çıktı üretimi ve/veya yönelim bulamama (token exhaustion/probability space explosion) problemini de engeller.
İlk Sinyal Her Zaman İnsandır
Planlama yapıldı, mutabakat sağlandı, uygulama adımları tanımlandı, kapı sistemi kuruldu. Şimdi sıra gerçekleştirme sürecinin ilk adımını atmakta — yani planı somut çıktıya dönüştürecek ilk uygulama iterasyonunda. Ve işte çoğu insanın gözden kaçırdığı nokta tam da burada ortaya çıkıyor: bu uygulama zincirinin ilk halkasında denklemdeki S(t) ve N(t)’nin oranını belirleyen şey, büyük ölçüde AI’ın aldığı ilk yönlendirmedir. Planlama aşamasında “ne yapacağız” sorusu cevaplandı; şimdi “nasıl yapacağız”ın ilk somut adımı atılıyor. Ve o adımın sinyali insandan gelir.
Bunu bir orkestra gibi düşünün. Çalgılar ne kadar iyi olursa olsun, ne kadar doğru şekilde organize edilmiş olursa olsun ,orkestra şefinin ilk hareketi — o batonun ilk inişi — tüm performansı belirler. Tempo, ton, yön, her şey o ilk sinyalde gizlidir. Yapay zeka asistanları çok güçlü enstrümanlardır, ama batonun ilk vuruşu her zaman insana aittir. Provalar yapılmıştır, partitur (şefin nota kitabı) seçilmiştir — bunlar planlama aşamasıdır. Ama konser, şefin elini kaldırıp indirdiği anda başlar. O an, uygulamanın ilk adımıdır.
Gerçekleştirme sürecinin bu ilk adımında yapay zekaya verdiğiniz ilk talimatı düşünün. Diyelim ki bir pazarlama stratejisi hazırlıyorsunuz. “Bana bir strateji yaz” dediğinizde AI’ın elinde hemen hiçbir kısıt yoktur — hedef kitlenizi bilmez, bütçenizi bilmez, sektörünüzün dinamiklerini bilmez, rakiplerinizin ne yaptığını bilmez. Bu durumda AI’ın yapabileceği tek şey genel bir şey üretmektir, ve bu çıktıda S(t) düşük, N(t) yüksek olacaktır. Çıktı düzgün cümlelerden oluşacaktır, belki ilk bakışta profesyonel bile görünecektir — ama içeriğin büyük kısmı sizin gerçek durumunuzla alakasız gürültüdür.
Şimdi aynı durumda “B2B SaaS, Türkiye fintech sektörü, 25-40 yaş arası teknik karar vericiler, yıllık bütçe 50.000 TL altı, rakip X’in şu kampanyası işe yaradı, biz bunu aşmalıyız” derseniz, AI’ın olasılık uzayı dramatik biçimde daralmıştır. Bu daraltma sinyali yükseltir. Aynı model, aynı an, ama çıktıdaki S(t)/N(t) oranı tamamen farklı. Uygulamanın ilk adımındaki sinyalin kalitesi, sonraki tüm uygulama zincirinin tonunu belirler.
Filtre: İnsanın Gerçek İşlevi
Gerçekleştirme sürecinde ilk çıktı geldi. Şimdi ne olacak? İşte burada insanın ikinci kritik rolü devreye giriyor. İnsan, uygulama zincirinin her halkasında bir filtredir:
Katkı(t) = S(t) + N(t) · (1 − F(B(t)))
F(B(t)), insanın filtreleme fonksiyonu. B(t) insanın o andaki bilgi seviyesi — alan bilgisi, deneyimi, konuya hakimiyeti. B(t) yüksekse F değeri 1’e yaklaşır ve gürültünün neredeyse tamamı elenir, projeye sadece sinyal girer. B(t) düşükse F sıfıra yaklaşır ve gürültü aynen projeye dahil olur.
Bunu somutlaştırayım. Bir yazılım geliştiricinin gerçekleştirme sürecinde yapay zekadan aldığı bir kod parçasını düşünün. Geliştirici o programlama dilini, o framework’ü iyi biliyor. Kodu okuyor, “bu kısım doğru ama şu satırda edge case’i kaçırmış, şurada da deprecate olmuş bir metot kullanmış” diyor, düzeltiyor ve projeye sadece doğru kısmı alıyor. Bu geliştiricinin F değeri yüksek — gürültüyü gördü, ayıkladı, sinyali geçirdi. Şimdi aynı kodu bir başkası alsın, o dili yeni öğreniyor. Kod çalışıyor gibi görünüyor, testler yeşil, “güzel olmuş” diyor ve uygulama adımına olduğu gibi dahil ediyor. F değeri düşük — gürültü sinyalle birlikte projeye girdi. O edge case üretimde patlayana kadar kimse fark etmeyecek.
Ve şimdi bu filtre mekanizmasını küçük adım prensibiyle birleştirin. Aynı geliştirici 500 satırlık bir çıktıyı toptan değerlendirmeye kalksaydı, F değeri düşerdi — çünkü dikkat dağılır, karmaşıklık artar, gürültü sinyalin arasına gizlenir. Ama 30 satırlık izole bir fonksiyonu değerlendirirken F yüksek kalır. Gerçekleştirme sürecindeki küçük adımlar, filtrenin etkin çalışmasının fiziksel koşuludur. Yani izole uygulama adımları sadece bir iş yönetimi tercihi değil, F(B(t))’yi doğrudan yükselten bir matematiksel stratejidir.
Gerçek Tehlike: Gürültünün Birikimi
Buraya kadar olan kısım “dikkatli ol, çıktıyı kontrol et” gibi basit bir tavsiye gibi görünebilir. Ama modelin asıl güçlü tarafı, gürültünün neden sadece bir uygulama adımıyla sınırlı kalmayıp kümülatif bir problem olduğunu göstermesi.
Bunu gerçek hayattan bir örnekle düşünün. Birisi gerçekleştirme sürecinin ilk adımında AI’dan bir iş planının ana hatlarını ister. Çıktıda bazı varsayımlar gerçekçi değildir ama yapı güzel görünür, kabul eder. İkinci uygulama adımında bu taslağı AI’a geri verir: “Bunu detaylandır.” AI, ilk adımdaki hatalı varsayımları gerçekmiş gibi kabul edip üzerine üç sayfa analiz inşa eder. Üçüncü uygulama adımında “buna finansal projeksiyonlar ekle” der. AI, hatalı varsayımlar üzerine inşa edilmiş hatalı analize dayalı finansal tablolar üretir. Her uygulama adımında çıktı daha profesyonel, daha detaylı, daha ikna edici görünür — ama temeli çürüktür. Beşinci uygulama adımında elinizde 15 sayfalık, grafikli, tablolu, mükemmel formatlanmış bir doküman vardır ve içindeki temel varsayımların yarısı yanlıştır. Bunu keşfetmek artık gerçekleştirme sürecinin birinci adımında düzeltmekten kat kat zordur.
Şimdi aynı senaryoyu kapı sistemiyle düşünün. Aynı kişi uygulamanın ilk adımında iş planı taslağını alır, ama kontrol kapısında durur. Varsayımları tek tek inceler, “bu pazar büyüklüğü nereden geliyor, bu müşteri profili gerçekçi mi, bu gelir modeli sektörle uyumlu mu” diye sorar. Hatalı varsayımları düzeltir ya da AI’a “bu varsayımı şu veriyle değiştir” der. Ancak ondan sonra ikinci uygulama adımına geçer. İkinci adımda AI, temiz bir zemin üzerine inşa eder. Üçüncüde de, dördüncüde de. Beşinci uygulama adımında elindeki doküman aynı şekilde profesyonel ve detaylıdır — ama bu sefer temeli sağlamdır. Aradaki fark hız değil, gerçekleştirme sürecinin her adımında iki saniye durup “bu kapıdan geçmeli mi” diye sormaktır.
Bu, yazılım mühendisliğinde “technical debt” kavramının bir analogudur. Ama burada borç teknik değil, epistemik — bilgi borcudur. Uygulama zincirindeki her filtrelenmemiş adım, projenin bilgi temelini biraz daha zayıflatır ve bu zayıflama birikimlidir.
Optimizasyon: Değeri Nasıl Maksimize Ederiz?
Gerçekleştirme sürecinin toplam değerini her uygulama adımındaki sinyalin birikimi olarak düşünürsek:
Proje Değeri = Σ [S(t) − N(t) · (1 − F(B(t)))]
Bu toplamı büyütmenin yolu, şimdiye kadar anlattığımız her parçanın bileşkesidir:
Birincisi, uygulamaya geçmeden önce planlama aşamasına yatırım yapın. Gerçekleştirme sürecini başlatmadan önce yapılan geniş alandaki mutabakat, uygulama zincirinin ilk halkasındaki N(t)’nin başlangıç değerini düşürür. Her uygulama adımının gürültüsü bu ilk zemine bağlı olduğu için, planlama aşamasında kazanılan netlik tüm gerçekleştirme süreci boyunca bileşik getiri üretir. Bu adımı atlamak, haritasız bir arazide koşmaya başlamak gibidir — hızlı gidersiniz ama nereye gittiğinizi bilmezsiniz, ve geri dönüş maliyeti her uygulama adımında artar.
İkincisi, uygulama adımlarını küçük ve izole tutun. Gerçekleştirme sürecindeki her iterasyonu kendi başına değerlendirilebilir bir birim olarak tasarlayın. Büyük çıktılar filtreleme kapasitesini düşürür, küçük çıktılar yükseltir. Her uygulama adımının sonunda bir kontrol kapısı koyun: çıktı doğrulanmadan bir sonraki adıma geçmeyin. Bu kapılar, gürültünün bağlama sızmasını engelleyen fiziksel bariyerlerdir. Filtrelenmemiş bir geçiş sadece o uygulama adımını değil, sonraki tüm adımları zehirler.
Üçüncüsü, B(t)’yi kendi çapınızı yükseltin. Yapay zeka araçları erişimi demokratikleştirdi — herkes aynı modeli kullanabiliyor. Ama aynı model, farklı bilgi seviyelerindeki insanlara farklı değer üretiyor. Fark modelde değil, F fonksiyonunun kalitesinde. Alanınızı derinlemesine bilmek, yapay zeka çağında bir lüks değil, çarpımsal bir zorunluluk haline geldi. Çünkü bilginiz arttıkça F yükseliyor, gerçekleştirme sürecinin her adımında gürültü eleniyor ve projeye giren net sinyal büyüyor.
Dördüncüsü, gerçekleştirme sürecinin ilk adımındaki sinyalin kalitesine özen gösterin. Uygulama zincirinin ilk halkası — yapay zekaya verdiğiniz ilk somut talimat, ilk bağlam, ilk çerçeve — sonraki tüm uygulama adımlarının temelini oluşturuyor. Bu ilk uygulama adımına harcadığınız 30 dakika, sonraki 10 iterasyonda saatlerce sürecek düzeltme ihtiyacını ortadan kaldırabilir.
Beşincisi, gerçekleştirme sürecinin her adımında filtreyi çalıştırın — özellikle çıktı ikna edici göründüğünde. Beşinci uygulama adımında “zaten ilk dördünü kontrol ettim, bu da doğrudur” diye düşünmek, tam da gürültü birikiminin sizi yakaladığı andır. Gürültü en tehlikeli haliyle değildir, en ikna edici haliyle gelir. Yapay zekanın ürettiği metinler, kodlar, analizler genellikle formel olarak kusursuzdur. Doğru görünürler. Tehlike, doğru görünmenin doğru olmakla aynı şey sanılmasıdır.
Altıncı olarak kendi içgörümü sunmak istiyorum. Tüm bu optimizasyon noktalarında yapay zekanın bundan haberdar olup size yardımcı olmasına izin verin. Yolunuzun üzerine ekmek ufakları bırakın, iz bırakın, md yazın, /create-skill kullanın 😀
Sonuç: İlk Sinyal Sizsiniz
Bu matematiksel çerçevenin bize söylediği şey aslında çok insani bir gerçek: yapay zeka bir yankı odası gibi çalışır. Ona ne verirseniz, onun rafine edilmiş — ama bazen de deforme edilmiş — bir versiyonunu geri alırsınız. Kaliteli bir sinyal verirseniz, kaliteli bir yankı döner. Gürültülü bir sinyal verirseniz, gürültü gerçekleştirme sürecinin her adımında katlanarak büyür.
Bu korkutucu değil, umut verici. Çünkü denklemin kontrol edilebilir tarafı bizim tarafımız. Uygulamaya geçmeden önce planlamaya zaman ayırabilir, bilinmeyen bilinmeyenleri keşfedebilir, uygulama adımlarını küçük tutabilir, her kapıda durup kontrol edebilir, bilgimizi derinleştirebilir, bağlam verme becerimizi geliştirebiliriz. Ve her birindeki küçük bir iyileşme, çarpımsal birikimin doğası gereği, gerçekleştirme sürecinin çıktısında büyük farklar yaratır.
Yapay zeka araçları her geçen gün daha güçleniyor. Ama o gücün gerçek değere dönüşüp dönüşmeyeceğini belirleyen şey araç değil, planlama ve gerçekleştirme sürecinin her adımında ilk sinyali veren insan. O insan sizsiniz. Ve bu denklemde yeriniz bir “kullanıcı” değil — bir çarpan, bir filtre ve en önemlisi, ilk sinyal.
