Dijital Ürünlerde AI Dönüşümüne Nereden Başlamalı?

Bir SaaS platformunda kullanıcı, rapor hazırlamak için farklı ekranlardan veri topluyor. Bir finans uygulamasında hareketlerini görüyor ancak neyin değiştiğini anlamak için kendi hesabını yapıyor. Bir satın alma sisteminde teklifler yan yana duruyor; aralarındaki önemli farkları bulmak yine kullanıcıya kalıyor.

Bu ürünler çalışıyor. Kullanıcılar işlemlerini tamamlayabiliyor. Ancak sonuca ulaşmak hâlâ ciddi bir dikkat, yorumlama ve takip gerektiriyor.

Dijital ürünlerde yapay zeka dönüşümünün başlangıç noktası tam olarak burası: Kullanıcının bugün kendi üstlendiği işin hangi bölümünü ürün üstlenebilir?

Cevap bazen daha iyi bir arama deneyimi, bazen bir karşılaştırma özeti, bazen de kullanıcının kontrolüne sunulan hazır bir işlem olabilir. Önemli olan, yapay zekanın ürün içinde görünmesi kadar kullanıcının işini gerçekten kolaylaştırmasıdır.

Bu rehber, mevcut bir dijital üründe AI fırsatlarını belirlemek, doğru başlangıç alanını seçmek ve fikri ölçülebilir bir ürün deneyimine dönüştürmek için uygulanabilir bir çerçeve sunuyor.

Dijital ürünlerde AI dönüşümü nedir?

Dijital ürünlerde AI dönüşümü; kullanıcıların bilgiye ulaşma, veriyi yorumlama, karar verme ve işlem tamamlama biçimlerinin yapay zekanın yetenekleriyle yeniden tasarlanmasıdır.

Bu dönüşüm, ürünün farklı katmanlarında gerçekleşebilir:

Buradaki örnekler olası kullanım senaryolarıdır; her ürün için aynı değeri yaratacakları varsayılamaz. Uygunlukları kullanıcı ihtiyacı, veri kalitesi, hata maliyeti ve teknik koşullarla birlikte değerlendirilmelidir.

McKinsey’nin AI dönüşümü üzerine çalışması da araç kullanımındaki artışın tek başına kalıcı iş değeri yaratmadığını; işin yürütülme biçiminin değişmesinin önemini vurguluyor. Dijital ürünler açısından bunun karşılığı, kullanıcının uçtan uca deneyimini yeniden değerlendirmektir.

1. Kullanıcının üründe tamamlamaya çalıştığı işi belirleyin

AI ürün stratejisinin ilk çıktısı bir özellik listesi olmamalı. Önce, kullanıcının hangi sonuca ulaşmaya çalıştığı açık biçimde tanımlanmalı.

“Raporlar ekranını kullanıyor” bir davranış tarifidir.

“Satışlardaki düşüşün nedenini anlayıp hangi bölgeye müdahale edeceğini belirliyor” ise kullanıcının işini anlatır.

İkinci tanım, yapay zekanın nerede faydalı olabileceğini çok daha görünür kılar. Çünkü sorun yalnızca rapora erişmek olmayabilir. Kullanıcının farklı dönemleri karşılaştırması, istisnaları bulması ve bulguları bir aksiyona dönüştürmesi gerekebilir.

Başlangıçta şu sorulara yanıt arayın:

• Kullanıcı hangi işi tamamlamak için ürüne geliyor?
• Hangi adımlarda duruyor, geri dönüyor veya destek istiyor?
• Hangi bilgileri ürünün dışına taşıyarak çalışıyor?
• Nerede aynı veriyi tekrar giriyor?
• Hangi aşamada başka bir kişinin yorumuna ihtiyaç duyuyor?

Ürün analitiği davranışın nerede gerçekleştiğini gösterir. Kullanıcı görüşmeleri ve kullanılabilirlik testleri ise bu davranışın nedenini anlamaya yardımcı olur.

Google’ın People + AI Guidebook rehberi de kullanıcı ihtiyacını belirlemeyi ve AI’ın bu ihtiyaca özgün bir katkı sağlayıp sağlamadığını değerlendirmeyi başlangıç noktası olarak ele alıyor.

Bu aşamanın çıktısı: Belirli bir kullanıcı grubunu, tamamlanmak istenen işi ve mevcut engeli anlatan net bir problem tanımı.

2. AI fırsatlarını kullanıcı yolculuğunun üzerinde bulun

Problem netleştikten sonra mevcut akışı adım adım inceleyin.

Örneğin bir B2B satın alma platformunda kullanıcı şu işleri yapıyor olabilir:

1. Tedarikçilerden gelen teklifleri açar.
2. Fiyat, teslimat ve ödeme koşullarını farklı belgelerden çıkarır.
3. Bilgileri ortak bir tabloya taşır.
4. Eksik veya karşılaştırılamayan alanları belirler.
5. Bir değerlendirme hazırlayıp yöneticisinin onayına sunar.

Bu akışta AI için birden fazla fırsat bulunabilir. Ancak her biri ayrı bir ürün kararıdır.

Belgelerden bilgi çıkarmak, teklifleri karşılaştırmak ve satın alma kararını uygulamak aynı doğruluk, yetki ve kontrol gereksinimlerine sahip değildir.

İlk çalışma, her adım için üç soruyu yanıtlamalı:

Ürün neyi hazırlayabilir? Kullanıcı neyi değerlendirmeli? Son karar kimde kalmalı?

Böylece yapay zekanın rolü somutlaşır. Ekibin elinde “AI asistanı ekleyelim” gibi geniş bir fikir yerine, kullanıcı yükünü azaltabilecek belirli müdahale noktaları olur.

Bu aşamanın çıktısı: Kullanıcı yolculuğuna bağlı bir AI fırsat haritası.

3. İlk senaryoyu etki, uygulanabilirlik ve hata maliyetiyle seçin

İlk AI senaryosu, ekibin öğrenmesini ve kullanıcı değerini ölçmesini sağlayacak kadar sınırlı olmalı.

Önceliklendirme için aşağıdaki sorular kullanılabilir:

Yüksek etki potansiyeli tek başına yeterli değildir. Çok değerli görünen bir senaryo, gerekli veriye erişilemediği veya hatanın sonuçları yönetilemediği için başlangıca uygun olmayabilir.

Satın alma örneğinde ilk pilot, tekliflerdeki koşulları kaynaklarıyla birlikte karşılaştıran düzenlenebilir bir taslak olabilir. Kullanıcı bu taslağı kontrol eder ve kararını mevcut onay sürecinde verir.

Ayrıca daha basit bir çözümü de değerlendirin. Sabit kurallarla çözülebilen bir problem için kural tabanlı otomasyon; kötü yapılandırılmış bir ekran için bilgi mimarisi düzenlemesi daha uygun olabilir.

Bu aşamanın çıktısı: Kapsamı, varsayımları ve başarı koşulları belirlenmiş tek bir pilot senaryo.

4. Veriyi ve ürünün hareket alanını birlikte tanımlayın

Bir AI deneyiminin kullanılabilirliği, ihtiyaç duyduğu bilgiye ne kadar doğru bağlandığıyla yakından ilişkilidir.

Ürün ekibi, tasarım ekibi ve teknik ekip şu konularda ortak bir çerçeve oluşturmalı:

• Sistem hangi veri kaynaklarını kullanacak?
• Bu bilgiler ne sıklıkla güncelleniyor?
• Kullanıcı hangi kayıtlara erişebiliyor?
• Eksik veya çelişkili bilgi nasıl ele alınacak?
• AI hangi işlemleri yalnızca önerebilecek?
• Hangi işlemler açık kullanıcı onayı gerektirecek?

Örneğin bir kullanıcı belirli bir müşterinin sözleşmesini görüntüleyemiyorsa, AI üzerinden o sözleşmenin özetine de ulaşamamalıdır. Erişim sınırları arayüzde açıklanmalı ve teknik katmanda uygulanmalıdır.

Verinin güncelliği de deneyimin bir parçasıdır. Bir karşılaştırmanın hangi döneme veya hangi belgelere dayandığı bilinmiyorsa kullanıcı sonucu doğru değerlendiremez.

Bu aşamanın çıktısı: Kullanılacak verileri, erişim sınırlarını, izin verilen aksiyonları ve sorumluları tanımlayan bir kapsam.

5. AI için doğru etkileşim biçimini tasarlayın

Kullanıcının her görev için boş bir metin alanına ne istediğini yazması gerekmez.

Bazı ihtiyaçlar konuşmayla daha rahat ifade edilir. Bazıları ise bir seçim, karşılaştırma tablosu veya mevcut ekranın içindeki öneriyle daha hızlı karşılanır.

Satın alma örneğinde kullanıcıya “Ne yapmak istersiniz?” diye sormak yerine, seçtiği üç teklif için “Koşulları karşılaştır” aksiyonu sunmak daha anlaşılır olabilir.

Burada tasarımın görevi, sistemin yeteneklerini kullanıcının mevcut bağlamına yerleştirmektir. Kullanıcının doğru komutu keşfetmesi için harcadığı efor da toplam deneyim maliyetine dahildir.

6. Hata, belirsizlik ve kullanıcı kontrolünü baştan tasarlayın

AI deneyiminin kalitesi, yanlış veya eksik sonuç ürettiğinde de değerlendirilmelidir.

Bir karşılaştırma özeti hazırlanmış olabilir; ancak belgelerden birinde teslimat tarihi bulunamayabilir. Sistem bu alanı tahminle doldurursa akıcı görünen bir sonuç, yanlış bir karara zemin hazırlayabilir.

Daha kullanışlı bir deneyim:

• Eksik alanı açıkça işaretler.
• Bulunan bilginin kaynağını gösterir.
• Kullanıcıya düzeltme imkânı verir.
• Gerekirse ek bilgi ister.
• İşin mevcut yöntemle tamamlanmasına izin verir.

Microsoft’un HAX rehberi, AI deneyimini ilk kullanım, etkileşim, sistemin hata yaptığı durumlar ve zaman içindeki kullanım üzerinden ele alıyor. Bu yaklaşım, hata durumlarını tasarımın başından itibaren değerlendirmek için yararlı bir çerçeve sunuyor.

Özellikle veri değiştiren, dışarıya içerik gönderen veya kullanıcı adına işlem başlatan deneyimlerde, işlemin kapsamı onaydan önce görünür olmalıdır. İptal ve geri alma olanakları da işlemin teknik olarak izin verdiği ölçüde tasarlanmalıdır.

Bu aşamanın çıktısı: Normal akışın yanında eksik veri, hatalı sonuç, düzeltme, onay ve alternatif tamamlama senaryoları.

7. Deneyimi ve teknik performansı ayrı ayrı doğrulayın

Bir prototip, kullanıcıların önerilen deneyimi anlayıp anlamadığını gösterebilir. Ancak modelin gerçek verilerle yeterli doğrulukta çalışacağını tek başına kanıtlayamaz.

Bu nedenle iki ayrı doğrulama gerekir.

Deneyim doğrulaması: Kullanıcı ne yapabileceğini anlıyor mu? Sonucu değerlendirebiliyor mu? Hataları fark edip düzeltebiliyor mu? İşini daha az eforla tamamlıyor mu?

Teknik doğrulama: Sistem gerçekçi veri örneklerinde doğru ve tutarlı sonuç üretiyor mu? Erişim sınırlarını koruyor mu? Bekleme süresi ve işlem maliyeti kabul edilebilir mi?

BCG’nin üretken AI ürünleri için önerdiği test yaklaşımı da çıktı kalitesinin yanında kullanılabilirlik, güven ve kullanıcının sistemin yeteneklerini anlamasını değerlendirmeyi içeriyor.

Testlerde yalnızca düzgün hazırlanmış örnekler kullanılmamalı. Eksik belgeler, farklı ifade biçimleri, çelişkili bilgiler ve sistemin yanıt verememesi gereken durumlar da değerlendirmeye dahil edilmeli.

Bu aşamanın çıktısı: Kullanıcı araştırması bulguları, teknik değerlendirme sonuçları ve pilot öncesinde çözülmesi gereken sorunlar.

8. Başarıyı tamamlanan iş üzerinden ölçün

Bir AI özelliğinin kaç kez açıldığı, kullanıcıların ona ilgi gösterdiğini anlatabilir. Ürün değerini anlamak için işin sonucuna bakmak gerekir.

Satın alma örneğinde asıl soru, kaç karşılaştırma üretildiğinden daha kapsamlıdır:

Kullanıcı doğru bir karşılaştırmaya toplamda ne kadar sürede ulaştı ve bunun için ne kadar düzeltme yaptı?

Pilot için aşağıdaki metriklerden uygun olanlar seçilebilir:

Ölçüm başlamadan önce mevcut deneyimin başlangıç değerleri kaydedilmelidir. Yeterli trafik ve uygun koşullar varsa kontrollü karşılaştırmalar yapılabilir. Daha düşük kullanım hacminde ise benzer görevler üzerinden yürütülen testler ve nitel bulgular birlikte değerlendirilir.

Ölçekleme kararı da önceden belirlenmiş koşullara dayanmalı. Görev süresi kısalırken kritik hata oranı artıyorsa çözümün kapsamı yeniden ele alınmalıdır.

İlk pilot için örnek çalışma planı

Aşağıdaki plan, kapsamı sınırlı bir ürün senaryosu için başlangıç çerçevesidir. Veri erişimi, entegrasyonlar ve ürünün risk düzeyi süreyi değiştirebilir.

Bu çalışmanın sonunda ekip; hangi kullanıcı için hangi problemi çözdüğünü, AI’ın görevini, insan kontrolünün sınırlarını ve başarıyı nasıl ölçeceğini açıklayabilmelidir.

VOYA, AI ürün dönüşümünü nasıl ele alıyor?

VOYA’da AI ürün dönüşümüne ürün stratejisi ve kullanıcı deneyimi üzerinden yaklaşıyoruz. Mevcut ürünü, kullanıcıların tamamlamaya çalıştığı işleri ve iş hedeflerini birlikte değerlendiriyoruz.

Süreç; AI fırsatlarını belirlemek, seçilen akışları yeniden düşünmek, etkileşimli prototipler hazırlamak ve deneyimi gerçek kullanıcılarla doğrulamak üzerinden ilerliyor. Doğrulanan çözümü geliştirmeye hazır tasarıma dönüştürüyor; model seçimi, entegrasyon ve yazılım sorumluluklarını teknik ekiple birlikte netleştiriyoruz.

Ürününüz için başlangıç noktası, kullanıcıların en fazla yorumlama, tekrar ve takip yükü taşıdığı akışlardan biri olabilir. Bu akışın incelenmesi, AI yatırımının nerede anlamlı değer yaratabileceğine dair somut bir yön verir.

Ürününüzdeki fırsatları değerlendirmek için VOYA AI Ürün Dönüşümü yaklaşımını inceleyin.

Sık sorulan sorular

Mevcut bir dijital üründe AI dönüşümüne nereden başlanır?

Kullanıcının sık yaşadığı, etkisi gözlemlenebilen ve sonucu ölçülebilen bir problemden başlanır. Mevcut akış incelenir, gerekli veriler değerlendirilir ve kapsamı sınırlı bir senaryo prototip ile teknik deneme üzerinden doğrulanır.

AI dönüşümü için ürünü tamamen yeniden tasarlamak gerekir mi?

Her zaman gerekmez. Belirli bir görev veya kullanıcı akışıyla başlanabilir. Daha kapsamlı değişiklik ihtiyacı, pilotun bulguları ve mevcut ürünün kısıtları üzerinden değerlendirilir.

Yapay zeka özelliklerinde UX tasarımının rolü nedir?

UX tasarımı; kullanıcının AI’ı ne zaman kullanacağını anlamasını, çıktıyı değerlendirmesini, gerektiğinde düzeltmesini ve işini tamamlamasını sağlar. Bekleme, belirsizlik ve hata durumları da bu tasarımın kapsamındadır.

İlk pilotun başarılı olduğu nasıl anlaşılır?

Mevcut deneyime kıyasla görev başarısı, toplam tamamlama süresi, düzeltme yükü ve maliyet gibi göstergeler değerlendirilir. Kullanım sayısı, bu sonuçlarla birlikte anlam kazanır.

Kaynaklar ve ileri okuma

• Google PAIR — User Needs + Defining Success
• Microsoft — Guidelines for Human-AI Interaction
• BCG — Designing GenAI Products for User Delight
• McKinsey — From Adoption to Impact: Three Horizons of AI Transformation