# Yapay zeka kullanıcı araştırmasının yerini alabilir mi? Awad ile tanışamaz. Kendi tasarım motorum claude.ai açılış sayfasının neredeyse kopyasını önerdi. Yapay zeka araştırmada neyi iyi yapar, nerede çöker, UX kariyeri neden sürer? https://laithjunaidy.com/tr/writing/can-ai-replace-user-research Yazan Laith Aljunaidy. Yayınlandı: 2026-10-05. --- ![ux-skill'in dört brief'ten ürettiği dört açılış sayfası: aile kliniği, geliştirici aracı, aile restoranı ve Arapça fatura uygulaması](https://laithjunaidy.com/writing/design-process/uxskill-4-brands.jpg) *[ux-skill](https://laithjunaidy.com/tr/research/ux-skill) üzerinden dört brief, dört farklı sistem. Kendi ana sayfa brief'inde aynı motor önce kategorinin en yaygın yanıtını geri verdi.* Mayıs 2026'da [ux-skill](https://laithjunaidy.com/tr/research/ux-skill)'in yeni bir ana sayfaya ihtiyacı vardı. ux-skill, geliştirdiğim tasarım motoru. Var oluş nedeni, yapay zekayla üretilmiş arayüzleri birbirine benzeten parmak izlerini yakalamak. Biz de bariz olanı yaptık ve kendi öneri motorumuzu kendi brief'imizde çalıştırdık: bir geliştirici aracı açılış sayfası; ton editoryal, kendinden emin, sakin, sinematik. Başlıkta Inter, morlu maviye giden gradyanlar ve üç eşit kart yasaklı listedeydi. On iki saniye sonra motor yanıt verdi. Krem üzerine Cormorant Garamond, sıcak bir siena vurgusuyla. Bu da neredeyse tam olarak claude.ai açılış sayfası. Motor, brief'teki her kurala uymuştu. "Editoryal" ve "sakin" kelimelerini okudu ve en yüksek benzerlikteki eşleşmeye uzandı; yani kategorideki yapay zeka araçlarının zaten yayımladığı görünüme. [Kendi aleyhimize iki hata kaydı](https://uxskill.laithjunaidy.com/blog/dogfooding-design-engine.html) açtık. Editoryal etiketi, kitap serifleri ailesinden birine fazla ağırlık veriyordu. Sakin etiketi "açık zemin zorunlu" olarak kodlanmıştı, bu yüzden siyaha yakın paletlerin hiç şansı olmuyordu. Düzeltmelerden sonra aynı brief, kömür gri bir zemin, tek bir kehribar vurgu ve Fraunces döndürdü; hiçbirimizin yalnızca zevkle seçmeyeceği bir sistem. ux-skill hiçbir dil modeli çağrısı yapmaz. Belirlenimci bir puanlama motorudur ve yine de bir modelin tanıdık bir soruya yaptığını yaptı: en olası yanıtı verdi. En olası yanıt, dışarıda zaten var olanın ortalamasıdır. Bu görüntüyü aklınızda tutun, çünkü yapay zeka ve kullanıcı araştırması üzerine bütün tartışma budur. Bir modelden kullanıcınızı oynamasını isterseniz en olası kullanıcıyı alırsınız. Araştırma, o olmayan kişiyi bulmak için vardır. ## Temel çıkarımlar - Yapay zeka kullanıcı araştırmasının yerini alamaz. Betiği taslak olarak yazabilir, oturumları yazıya dökebilir ve çevirebilir, notları sıralayabilir, hata durumlarını listeleyebilir ve raporun ilk taslağını yazabilir. - Sentetik kullanıcı, bir modelin okuduklarının ortalamasıdır. Nielsen Norman Group, sentetik kullanıcıların dalkavuk olduğunu, her şeyi eşit önemsediğini ve hiç yaşamadıkları deneyimleri anlattığını buldu. - Kullanıcınız ne kadar dar olursa simülasyon o kadar kötüdür. NN/g'nin sentetik kullanıcıların kullanılmaması gereken yer için kendi örneği Vietnam'daki bir pirinç çiftçisi. Körfez'deki bir hayvan yetiştiricisi de aynı durum. - UX iş piyasası dengeleniyor, giriş seviyesi hâlâ zor ve değer, ekran üretiminden yargıya, araştırmaya, sistemlere ve zevke kayıyor. - Yapay zekayı NN/g'nin tarif ettiği gibi kullanın: bir stajyer gibi. Bağlam ve sınır verin, sonra her satırı gerçek bir alıntıya karşı kontrol edin. ## On yetiştirici bize bir modelin söyleyemeyeceği ne anlattı? 2023'te [Wfrah](https://laithjunaidy.com/tr/work/wfrah)'ı tasarlıyordum; Körfez'deki koyun ve keçi yetiştiricileri için bir uygulama. Tek bir ekran bile yokken kurucu Abdullatif karşımızda ne olduğunu anlattı. Yetiştiriciler işi babalarının öğrettiği gibi yürütüyor ve bir uygulamanın hayvanlarını kendilerinden iyi bildiğine inanmıyorlar. Biz de gidip dinledik. Farklı deneyim düzeylerinden yetiştiricilerle on derinlemesine görüşme, ayrıca zaten kullandıkları araçları izlemek için ayrılan zaman. Bir yetiştiriciye çiftliğin neden zarar ettiğini sorarsanız her seferinde aynı yanıtı verir: yem pahalı, alıcılar az ödüyor. Bu, yüksek sesle söylenen yanıt ve yüksek sesle söylenen yanıtlar yazıya dökülenlerdir. İnsanların yazdıklarıyla eğitilmiş her şey onu size aynen geri verirdi. Görüşmeler altta ne olduğunu gösterdi. Birçok yetiştirici sürünün günlük beslenme ihtiyacını denklemlerle hesaplayamıyordu ve suçun piyasada olduğu inancı onları beslenmeyi ve yönetimi gözden kaçırmaya itiyordu. Uygulamadaki en yararlı şey, her hayvan ve her büyüme evresi için hesabı yapan bir [beslenme hesaplayıcısı](https://laithjunaidy.com/tr/writing/designing-wfrah) oldu. Kimse istemedi. Görüşmeler kaç kişinin ihtiyaç duyduğunu gösterdi. ![Wfrah araştırmasındaki kurgusal yetiştirici persona Awad, ağılda bir koçun yanında çömelmiş](https://laithjunaidy.com/writing/wfrah/persona.jpg) *Awad. On gerçek görüşmeden kurulmuş kurgusal bir persona: ailesinin yöntemleriyle gurur duyuyor, daha iyisi var mı diye merak ediyor.* Araştırma tek bir persona oldu: Awad. Ailesinin kuşaklardır yaptığı şekilde çalışmaktan gurur duyuyor, sürüyü yönetmenin ne kadar zor olduğundan bıkmış ve daha iyi bir yol var mı diye meraklı. Bu gerilim, gurur ve merak bir arada, tasarım brief'inin tamamı oldu: Awad'a ders veren bir uygulama onu kaybeder, ilk ekranda ona işe yarar bir şey gösteren belki tutar. Awad kurgusal, on gerçek görüşmeden kurulmuş. Persona ile sentetik kullanıcı arasındaki fark bu ve yazının geri kalanı ona dayanıyor. ![Mobil geliştirici Hisham ve ben aynı odada Wfrah üzerinde çalışırken](https://laithjunaidy.com/writing/wfrah/team.jpg) *Mobil geliştirici Hisham ile Wfrah'ın yapımı üzerinde çalışırken.* ## Yapay zeka kullanıcı araştırmasında neyi iyi yapar? Eleştirmenlerinin kabul ettiğinden fazlasını. [Tasarım süreci rehberimde](https://laithjunaidy.com/writing/design-process-checklist) birçok yöntemin altında bir "Claude ile" paragrafı var. Hepsinde örüntü aynı: model taslak çıkarır, sıralar ve listeler. Karar bir insanındır. Nielsen Norman Group'un Ocak 2026'da son kez gözden geçirilen [yapay zekayla araştırmayı hızlandırma](https://www.nngroup.com/articles/research-with-ai/) rehberi de aynı yere varıyor. Yapay zekayı en çok planlama ve analiz aşamalarında yararlı, ortada, yani birinin bir insanın ürünü kullanmasını izlemesi gereken yerde en zayıf buluyor. | Araştırma görevi | Yapay zeka neyi iyi yapar | Yine neyi kontrol edersiniz | | :- | :- | :- | | Masabaşı araştırma | Okumayı başlatır ve kaynakları toplar | Uydurma olgular ve kaynaklar. Hepsini açın | | Görüşme betikleri ve test görevleri | Hızla birçok seçenek taslağı çıkarır | Yönlendirici sorular ve "kullanır mıydınız" soruları | | Onam formları, eleme anketleri, planlar | Şablonunuzu bu çalışma için doldurur | Yanlış izinler, yanlış ayrıntılar | | Yazıya dökme ve çeviri | Konuşmacılar, zaman damgaları, özetler | Aksanlarda ve bazı dillerde hatalar | | Notları kümeleme | Temaların ilk taslağı | Anahtar kelimelere dayalı gruplar, şişmiş bir "diğer" yığını | | Hata durumları | Bir adımın bozulabileceği her yolu listeler | Her durumun alanı ve çözümü söylemesi | | Rapor taslakları | Dil bilgisi, ton, paydaşlar için sade kelimeler | Araştırmadan hiç gelmemiş ayrıntılar | **Betiği taslaklamak.** Görüşme planlamanın en yavaş kısmı boş sayfa. Araştırma sorusunu yapıştırırım ve bu kişinin görevi en son yaptığı zamana dair 30 dakikalık bir betik isterim; varsayımsal soru yok, bir özelliği adıyla anan soru yok ve kendi yanıtını ima eden her soruda bir işaret. Sonra yine de araya kaçırdığı her "kullanır mıydınız" sorusunu silerim. NN/g test görevlerinde aynısını gördü: yapay zeka, iyi örnekler ve açık kurallarla bile sıklıkla yönlendirici ya da hazırlayıcı görevler yazıyor. Taslak bir saat kazandırır. Düzenleme yine sizindir. ![Kullanıcı görüşmesi betiği ve not şablonu: beş bölümde 18 soru ile alıntılar, gözlemler ve takip soruları içeren bir not sayfası yan yana](https://laithjunaidy.com/store/user-interview/en-light.jpg) *Ücretsiz [kullanıcı görüşmesi şablonu](https://laithjunaidy.com/store/user-interview), çalışılmış bir örnekle: hayalî bir kahve uygulaması olan Bunn. Solda betik, sağda katılımcı başına bir not sayfası.* **Yazıya dökmek ve sıralamak.** Oturumlardan sonra model ekmeğini kazanır. Dökümleri yapıştırıp her gözlemi tek satırda, katılımcı kimliği ve tam alıntıyla istiyorum, ardından önerilen gruplar, tek bir kural ile: yalnızca bir katılımcının söylediği hiçbir şey tema olmaz. Sıralamak modellerin iyi yaptığı iştir. Boşlukları akla yatkın bulgularla doldurmak ise yakalamanız gereken şeydir. NN/g bunu açıkça söylüyor: yapay zeka kümeleri çoğunlukla anahtar kelimeye göre gruplar ve birçok not "diğer"e düşer. ![Bunn kahve uygulaması için benzerlik haritası şablonu: altı görüşme beş temaya ayrılmış](https://laithjunaidy.com/store/affinity-map/en-light.jpg) *Bunn örneğinden bir [benzerlik haritası](https://laithjunaidy.com/store/affinity-map). Altı görüşme, beş tema ve her notta katılımcı etiketi var. Modeli kontrol etmenizi sağlayan etikettir.* **Hata durumlarını listelemek.** Burada yapay zeka, teslim tarihi sıkışmış çoğu tasarımcıdan daha iyi. Ona bir mutlu yol verin ve her adımdaki her hatayı isteyin: geçersiz girdi, zaman aşımı, çevrimdışı, çift dokunuş, reddedilen izin, boş veri. Sonra her durumun kişiye neyin ters gittiğini ve nasıl düzelteceğini söylediğini kontrol edin. [Dot](https://laithjunaidy.com/tr/research/dot) kasasında kısa bir telefon numarası için satır şöyle: "Hiçbir şey eklenmedi. Telefon 1 hane kısa." Bir model o durumu listeler. Her hatanın "Hiçbir şey eklenmedi" ile başlaması kuralı ise, çünkü bir kasiyerin hatadan sonraki ilk sorusu işlemin geçip geçmediğidir, kasadaki kişi için tasarlamaktan geldi. ## Yapay zeka kullanıcı araştırmasında nerede çöker? Araştırmanın var olma nedeni olan tek işte: tanışmadığınız insanlar hakkında neyin doğru olduğunu öğrenmek. Başarısızlığın bir adı var. Sentetik kullanıcı, bir kullanıcı grubunu taklit eden ve görüşme sorularını o gruptan biriymiş gibi yanıtlayan, yapay zekayla üretilmiş bir profildir. Ürünler bunu kullanıcısız araştırma diye satıyor. Nielsen Norman Group, sentetik kullanıcıları gerçek insanlarla zaten yürüttüğü üç çalışmaya karşı [test etti](https://www.nngroup.com/articles/synthetic-users/). Bulduklarına gelelim. **Memnun etmek ister.** Çevrimiçi bir eğitim çalışmasındaki gerçek öğrenciler kurslara başlayıp bitirmediklerini itiraf etti. Sentetik kullanıcılar andıkları her kursu tamamladıklarını söyledi. Gerçek katılımcılar, etkileşimler yapay hissettirdiği için tartışma forumlarını çoğunlukla yok saydı. Sentetik kullanıcılar forumları uzun uzun övdü. NN/g'nin açıklaması, modelin forumların öğrenme için neden iyi olduğuna dair yazılarla eğitilmiş olması; ve sizin için iyi olmak, sizin tarafınızdan kullanılmakla aynı şey değil. **Her şeyi önemser.** Bir kursu neyin ilgi çekici kıldığı sorulduğunda bir sentetik kullanıcı yedi etkeni eşit hevesle sıraladı. Gerçek insanlar bazı şeyleri diğerlerinden çok daha fazla önemser ve o sıralama araştırmanın amacıdır. Eşit yedi ihtiyaç listesi, önce neyi inşa edeceğinizi söyleyemez. **Hiç olmamış şeyleri hatırlar.** Bir model ürününüzü kullanmadı, bu yüzden geçmiş deneyim hikâyeleri uydurmadır. NN/g, profillerin hikâyelerinde olduğundan çok fikirlerinde doğru olduğunu belirtiyor; bu da araştırma için tersine, çünkü orada kanıt hikâyedir. Sentetik bir tıbbi satış temsilcisine dronla teslimat fikrini sunduklarında fikri olası bir oyun değiştirici diye nitelendirdi. **Düzdür.** NN/g'nin en keskin cümlesi, sentetik kullanıcıların on binlerce insanın deneyimlerinin düz bir yaklaşığı gibi hissettirdiği; çünkü öyleler. Bu yine benim ana sayfa hikâyem. Motor matematikte başarısız olmadı. Kümenin ortasını döndürdü. Kullanıcınız ne kadar dar olursa durum o kadar kötüleşir. NN/g'nin tavsiyesi, niş ya da uzmanlaşmış nüfuslar için sentetik kullanıcılardan kaçınmak; örneği Vietnam'daki bir pirinç çiftçisi, çünkü modelin o kişi hakkındaki verisi kırıntı. Awad tam olarak bu durum. Mesleği babasından öğrenmiş bir Körfez yetiştiricisi, bir modelin öğrendiği metnin pek azını yazmış. Yoğun bir kasadaki kasiyer de öyle. **İnsanların söylediği ve yaptığı.** İkinci boşluk davranış. Modeller kelimelerle iyidir ve araştırma çoğu zaman kelimelerle eylemler arasındaki boşluğa dairdir. Şablonlarımda kullandığım Bunn örneğinde persona Rana, görüşmesinde geç teslimat ücretine hile diyor. Notlarda ödemeden önce ücreti iki kez kontrol ediyor; bir kez menüde, bir kez ödemede. Alıntı ve davranış birlikte bulgudur. Bir dökümde yalnızca alıntı var. ![10:00 toplantısı için kahve sipariş eden Rana'nın empati haritası: söyler, düşünür, yapar ve hisseder; sıkıntılar ve kazançlarla](https://laithjunaidy.com/store/empathy-map/en-light.jpg) *Bunn örneğinden [empati haritası](https://laithjunaidy.com/store/empathy-map). Söylenen ve yapılan yan yana durur, çünkü bulgu çoğunlukla ikisinin uyuşmadığı yerde yaşar.* NN/g kullanılabilirlik testleri için de aynısını söylüyor: ne bir insan ne de bir yapay zeka aracı bir kullanılabilirlik oturumunu yalnızca dökümden analiz edebilir, çünkü insanlar her tıklamayı söylemez ve çoğu zaman bir şeyi söylerken başka bir şeyi yapar. 2026 rehberi hâlâ yapay zekanın kullanılabilirlik testlerini yönetmesine karşı uyarıyor. Rana'nın ücreti iki kez kontrol etmesi bir davranış. Onu ancak izleyerek elde edersiniz. **Kaynağı tartamaz.** İyi bir araştırmacı bir modelin sormadığı soruları sorar: görüşmeci bu yanıtı yönlendirdi mi, katılımcı utandı mı, bu kişi alım ölçütüne uyuyor muydu. NN/g tam olarak bunları, mevcut araçların ötesinde bağlama dayalı yargı olarak sıralıyor. ## Kanıtlar ne diyor? Bunu inceleyenler genel şekil üzerinde hemfikir: yapay zeka araştırma işinde her yerde ve neredeyse kimse denetlemeden ona güvenmiyor. | Kaynak | Bulgu | | :- | :- | | [User Interviews, State of User Research 2025](https://www.userinterviews.com/state-of-user-research-report), 485 araştırmacı | Yüzde 80'i yapay zeka kullanıyor, bir yılda 24 puan artış | | | Yüzde 91'i doğruluk ve halüsinasyon konusunda endişeli | | | Yüzde 63'ü yapay zekanın insan içgörüsünü ve eleştirel düşünceyi değersizleştirebileceğinden korkuyor | | [Figma, 2025 yapay zeka raporu](https://www.figma.com/blog/figma-2025-ai-report-perspectives/), 2.500 tasarımcı ve geliştirici | Yüzde 78'i yapay zekanın verimliliklerini belirgin biçimde artırdığını söylüyor | | | Yüzde 32'si yapay zeka çıktısına güvenebildiğini söylüyor | | | Tasarımcıların yüzde 69'u yapay zeka araçlarından memnun, geliştiricilerde bu oran yüzde 82 | | | Tasarımcıların yüzde 31'i yapay zekayı çekirdek tasarım işinde kullanıyor, geliştiricilerin ise çekirdek geliştirmede yüzde 59'u | | [MeasuringU, ağaç testinde ChatGPT](https://measuringu.com/chatgpt4-tree-test/), 33 kişi, 10 görev | İnsanlar görevlerin yaklaşık yüzde 51'inde başarılı oldu. ChatGPT bir çalıştırmada on görevde de doğru yolu buldu, dört çalıştırmada ise ondan dokuzunda | Figma'nın iki sayısını birlikte okuyun. Yüzde 78'i daha hızlı hissediyor, yüzde 32'si çıktıya güveniyor. O fark işin kendisi. Birinin işi kontrol etmesi gerekiyor ve kontrol eden kişinin doğrunun neye benzediğini bilmesi gerekiyor. MeasuringU çalışması, ortalama sorununun en temiz kanıtı. IRS web sitesinin gezinmesinde öğeleri bulması istendiğinde ChatGPT onları insanlardan çok daha sık buldu. Hiç kaybolmayan bir katılımcı, insanların nerede kaybolduğunu bulmak için kurulmuş bir testte işe yaramaz. Her görevin ne kadar zor hissettireceğine dair puanları, insanların bildirdiklerine makul ölçüde yakındı. Görüşü tahmin edebildi. Davranışı yeniden üretemedi. NN/g'nin hükmü: sentetik kullanıcıları, kullanılacaksa, gerçek bir çalışmadan önce masabaşı araştırma ve hipotezler için kullanın. Çıktılarını asla bulgu olarak sunmayın ve araştırmanın zaten zor olduğu yerde en dikkatli olun; çünkü ucuz bir taklit gerçeğin yerini orada alır. ## Yapay zeka UX işlerini alıyor mu? 2023 manşetlerinin vaat ettiği biçimde değil. Nielsen Norman Group'un [State of UX 2026](https://www.nngroup.com/articles/state-of-ux-2026/) raporu yayı anlatıyor: pandemi sonrası bir işe alım patlaması, bütçeler daraldıkça 2023'ten 2024'e keskin bir düşüş ve 2024 sonundan 2025 boyunca dengelenme. Düşüşü kötüleştiren hikâyeyi de adlandırıyor: yapay zeka abartısı, yeni araçların tasarımcıların ve araştırmacıların yerini hızla alabileceğini ima ediyordu. NN/g bunun doğru olmadığını ama maliyet kesmek için elverişli olduğunu söylüyor. Toparlanma eşitsiz. Kıdemli çalışanlar ve genelciler daha hızlı geri dönüyor. Giriş seviyesi roller kıt ve çok rekabetçi kalıyor; NN/g 2026'nın da öyle kalmasını bekliyor. User Interviews anketi aynı baskıyı içeriden gösteriyor: araştırmacıların yüzde 49'u alanın geleceği konusunda olumsuz, 26 puan artış, yüzde 67'si kariyer fırsatları konusunda olumsuz. Manşetlerin kaçırdığını da gösteriyor. Yüzde 21'i şirketinin araştırmacıları işten çıkardığını söyledi; bu 2024'e yakın bir oran ve araştırmacılar tasarım ya da mühendislikten daha ağır vurulmadı. Yüzde 35'i terfi etti ya da daha fazla sorumluluk aldı, yüzde 20'si yeni bir işleve geçti. Raporun kendi okuması, araştırmanın bir rolden diğer rollerin ihtiyaç duyduğu bir beceriye dönüşüyor olabileceği. Unvanı taşıyan kişi azalabilir. İşe ihtiyaç duyan kişi artıyor. Dürüst yanıt şu: yapay zeka işi silmedi. Çıtayı yükseltti ve çıta en çok kapıda yüksek. ## UX işi nasıl değişiyor? İş, ekran üretmekten ekranların ne olması gerektiğine karar vermeye kayıyor. NN/g bunu açıkça söylüyor: arayüz artık bir fark yaratıcı değil. Tasarım sistemleri arayüz üretmeyi ucuzlattı ve yapay zeka araçları bunu büyütüyor. Onların ifadesiyle, bir tasarım sisteminden bileşenleri yan yana koyuyorsanız yapay zeka sizin yerinizi zaten alabilir. Otomatikleştirmesi kolay olmayan şeyler: ince eleyen zevk, araştırmayla beslenen bağlam, eleştirel düşünce ve dikkatli yargı. Bunu kendi işimde izliyorum. Dot kasasında ekranlar hiçbir zaman zor kısım olmadı. İlk sürüm önce tutarı, sonra ülkeyi, sonra telefonu, sonra bir düğmeyi istiyordu: altı dokunuş artı yazma, ekran açıldığında hiçbir alan odakta değil. Her araç o ekranı çizebilir. Yeniden yapım, şartnamedeki tek bir satırla başladı: yoğun bir kasadaki yorgun bir kasiyer, bir elinde telefon, bir elinde bardak. Önce telefon, tutar alanı kendiliğinden odağı alıyor ve geri dönen bir müşteri artık iki dokunuşa mal oluyor. Değer yukarı kaydı, bir insan hakkındaki bir cümleye. [Tasarım süreci rehberim](https://laithjunaidy.com/writing/design-process-checklist) bunu şöyle söylüyor: yapay zeka inşa etmeyi ucuzlatır, bu yüzden pahalı hata yukarıya, yanlış şeyi hızla inşa etmeye kayar. Ondan dört kayma çıkıyor. **Ekranlardan sistemlere.** Bir tasarım sistemi ve bir model bir ekranı birleştirebildiğinde tasarımcının işi sistemdir: token'lar, örüntüler, her durumun kuralları. ux-skill'in her brief için yepyeni bir sistem derlemesinin ve [marka şartnamelerinin şablon değil eğitim verisi](https://laithjunaidy.com/tr/writing/brand-specs-are-training-data) olduğunu yazmamın nedeni bu. **Çıktıdan yargıya.** NN/g'nin [yapay zeka çağında tasarım zevki](https://www.nngroup.com/articles/taste-vs-technical-skills-ai/) yazısı, teknik yetkinliğin zevke eşit olmadığını ve herkes bir şey üretebildiğinde işi öne çıkaranın seçim ve ayırt etme olduğunu savunuyor. Ana sayfa hatam bunun küçük ölçekli kanıtı. Motor son derece yetkin bir sistem üretti. Bunun bizim için yanlış olduğunu bilmek, düştüğü kategoriyi görebilen birini gerektirdi. **Ortalama kullanıcıdan belirli kullanıcıya.** Varsayılanlar yakınsıyor. [150 shadcn/ui deposunu okuduğumuzda](https://laithjunaidy.com/tr/writing/taken-apart-shadcn-defaults) en çok yıldızlı projeler iki yazı tipinden birini ve gri bir birincil rengi kullanıyordu. İşe almaya değer tasarımcı, bunun kimin için olduğunu ayrıntıyla ve kanıtla söyleyebilendir. **İngilizce önceliğinden yerel bağlama.** Boşluk en çok burada geniş ve ben burada çalışıyorum. [Yatırım almış 179 MENA girişimini incelediğimizde](https://laithjunaidy.com/tr/writing/taken-apart-arabic-100) yüzde 44'ünün hiç Arapça sitesi yoktu. İngilizce bir şablondan çevrilmiş persona, İngilizce yazarın beklediğini kaydeder ve ağırlıkla İngilizce metinden öğrenmiş bir model de aynı sorunu taşır. Ücretsiz [persona şablonumun](https://laithjunaidy.com/store/persona) Arapça sürümü bu yüzden Arapça yazıldı; Amman'dan biri gibi okunan bir biyografiyle. NN/g'nin niş kullanıcı uyarısı ülke ölçeğinde geçerli: bir nüfus çevrimiçi ne kadar az yazarsa model onu o kadar az bilir. ## UX kariyeri neden sürecek? Çünkü bu hikâyedeki her güç, yalnızca insanların yapabildiği şeyin fiyatını yükseltiyor. Ekranlar ucuzluyor, bu yüzden hangi ekranın önemli olduğunu bilmek daha çok değer taşıyor. İnşa hızlanıyor, bu yüzden yanlış şeyi inşa etmek daha pahalıya geliyor. Yapay zeka özellikleri çoğalıyor ve NN/g güvenin 2026'da büyük bir tasarım sorunu olmasını bekliyor; bu da önce bir araştırma sorunu. Figma'nın anketinde yapay zekayla geliştirenlerin yüzde 52'si tasarımın yapay zeka ürünlerinde geleneksel ürünlerden daha önemli olduğunu, yüzde 95'i en az o kadar önemli olduğunu söyledi. Bunun bir kariyer için somut anlamı: **Ne öğrenmeli.** - **Görüşme yapmak ve gözlemlemek.** Bir modelin yapamayacağı iki beceri. [Kullanıcı görüşmesini](https://laithjunaidy.com/store/user-interview) kendiniz yapın, en son yapılan zamanı sorun ve insanları görevi normalde yaptıkları yerde izleyin. - **İzlenebilir sentez.** Her notun bir katılımcı kimliği taşıdığı bir [benzerlik haritası](https://laithjunaidy.com/store/affinity-map). Modelin sıralamasını kontrol etmenin yolu da bu. - **Kullanılabilirlik testi.** Beş kişiyi izleyin. NN/g'nin rehberi hâlâ yapay zekayı bunları yönetmekten uzak tutmak. Ücretsiz [kullanılabilirlik testi şablonu](https://laithjunaidy.com/store/usability-test) her bulguyu kanıt alıntısıyla kaydeder. - **Sistemler.** Token'lar, bileşenler, durumlar, teslim. - **Yerel bağlamınız.** Dil, kasa, kalem, kötü ışıkta telefon. Kullanıcılarınız ne kadar dar olursa bu bilgi o kadar değerli. - **Yapay zekayla çalışmak.** Figma anketindeki tasarımcı ve geliştiricilerin yüzde 80'inden fazlası, yapay zekayla çalışmayı öğrenmenin şart olacağını söylüyor. Ona brief vermeyi, sınırlamayı ve kontrol etmeyi öğrenin. **Neyi bırakmalı.** - Bir yığın ekranı çıktı saymak. Kararı ve arkasındaki kanıtı teslim edin. - Bir modelden kullanıcınızı oynamasını isteyip onun yanıtlarına göre tasarlamak. - "Bunu kullanır mıydınız" görüşmeleri yapmak. İnsanlar da modeller de evet demekten memnun. - Yapay zeka özetlerini bulgu diye sunmak. NN/g kaynak sentetikken bunu etik dışı buluyor ve kuruluşun araştırmaya bakışına zarar veriyor. ![Bunn için kullanılabilirlik testi şablonu: plan, geçti, kısmen ve kaldı sonuçlarıyla beş görev ve kanıt alıntılarıyla ciddiyete göre sıralanmış bulgular](https://laithjunaidy.com/store/usability-test/en-light.jpg) *Bunn örneğinden [kullanılabilirlik testi şablonu](https://laithjunaidy.com/store/usability-test). Her bulgu, onu kanıtlayan alıntıyı taşır. O sütun, bir modelin dolduramayacağı kısım.* **Yapay zekayı denetlediğiniz bir kıdemsiz araştırmacı gibi kullanmak.** NN/g, yapay zekanın bir stajyer gibi en iyi çalıştığını söylüyor: bol talimat, bağlam, sınır ve düzeltmeyle. Ona öyle davranın. 1. **Ona yeni işe alınmış biri gibi brief verin.** Araştırma sorusu, katılımcılar, zaten bildikleriniz. NN/g bağlam olmadığında bulguların belirsiz ve sıralanmamış döndüğünü gördü. 2. **Ona bir şablon verin.** İyi bir formu doldururken, bir form uydurmaktan daha az hata yapar. 3. **Kaynak isteyin.** Her gözlem katılımcı kimliği ve tam alıntıyla. Masabaşı araştırmadaki her iddia, sonra açacağınız bir bağlantıyla. 4. **Boşlukları yasaklayın.** Notlar desteklemiyorsa bir alanı boş bırakmasını söyleyin. Sonra kimliği olmayan her satırı silin. 5. **Seçimleri elinizde tutun.** Üç sorun tanımı taslağı yazmak modelin işidir. Sorunu seçmek sizin, bir bulgunun ciddiyetini belirlemek de sizin. Model hangi gecikmenin paraya mal olduğunu bilemez. 6. **Asla kullanıcı olmasına izin vermeyin.** Sentetik kullanıcı kullanıyorsanız bile, gerçek görüşmelerden önce betiğinizi prova etmek ya da konuları listelemek için kullanın ve söylediği her şeyi hipotez diye etiketleyin. Yöntem yöntem komutların tamamı [tasarım süreci rehberinde](https://laithjunaidy.com/writing/design-process-checklist), kullandığı dokuz ücretsiz şablon ise [mağazada](https://laithjunaidy.com/store). Bunların hiçbiri yeni değil. [Kimse ürününüzü istemiyor](https://laithjunaidy.com/tr/writing/nobody-wants-your-product), sonucu istiyorlar ve sonuç, gidip tanışmanız gereken bir insanda yaşıyor. Yapay zeka o buluşmanın çevresindeki her şeyi hızlandırdı. Buluşmayı isteğe bağlı yapmadı. ## Sıkça sorulan sorular ### Yapay zeka kullanıcı araştırmasının yerini alabilir mi? Hayır. Bir model betikleri taslaklar, görüşme dökümlerini sıralar ve hata durumlarını iyi listeler. Awad'ın ağılında ne yaptığını ya da Rana'nın ücretleri neden iki kez kontrol ettiğini söyleyemez. Ondan kullanıcınızı oynamasını isterseniz okuduklarının ortalamasını alırsınız; araştırmanın sınamak için var olduğu varsayımın ta kendisi. ### Yapay zeka UX tasarımcılarının yerini alacak mı? Yargı kısmını yapanların değil. Nielsen Norman Group'un State of UX 2026 raporu, yalnızca bir tasarım sisteminden bileşenleri bir araya getiren tasarımcıların yapay zekayla zaten değiştirilebileceğini; zevkin, araştırmayla beslenen bağlamın, eleştirel düşüncenin ve yargının otomatikleştirilmesinin zor olduğunu söylüyor. Meslek buraya doğru kayıyor. ### UX 2026'da iyi bir kariyer mi? Evet, girişi daha zor. NN/g, UX iş piyasasının 2024 sonundan 2025 boyunca dengelendiğini, kıdemli ve genelci rollerin giriş seviyesinden daha hızlı toparlandığını bildiriyor. User Interviews'un 2025 anketinde araştırmacıların yüzde 35'i terfi etti ya da daha fazla sorumluluk aldı. Görüşme yapabilen, sentezleyen, test eden ve yerel bir pazarı bilen kıdemsizler öne çıkar. ### ChatGPT kullanıcı araştırması yapabilir mi? Bir kısmını yapabilir: masabaşı araştırma, betik taslağı, yazıya dökme, kümelemenin ilk taslağı ve rapor taslakları. Davranış gözlemleyemez ve bir kullanıcıyı oynadığında onaylama, her şeyi önemli diye puanlama ve geçmiş deneyim uydurma eğiliminde. MeasuringU'nun bir ağaç testinde doğru yanıtları gerçek insanlardan çok daha sık buldu, bu da onu katılımcı olarak işe yaramaz kıldı. ### Sentetik kullanıcılar nedir? Bir kullanıcı grubunu taklit eden ve araştırma sorularını o grubun bir üyesiymiş gibi yanıtlayan, yapay zekayla üretilmiş profiller. NN/g bunları, kullanılacaksa, yalnızca gerçek araştırmadan önce masabaşı araştırma ve hipotezler için, asla bulgu olarak kullanmayı ve niş ya da uzmanlaşmış kullanıcılar için bunlardan kaçınmayı öneriyor. ### Yapay zeka kullanılabilirlik testlerini analiz edebilir mi? Güvenilir biçimde edemez. NN/g, ne bir insanın ne de bir yapay zeka aracının bir kullanılabilirlik oturumunu yalnızca dökümden analiz edebileceğini söylüyor, çünkü insanlar yaptıkları her şeyi söylemez; 2026 rehberi hâlâ yapay zekanın kullanılabilirlik testlerini yönetmesine karşı uyarıyor. Yapay zeka oturumları yazıya dökebilir ve bulgu listesini taslaklayabilir. Ciddiyeti siz belirler, her alıntıyı siz kontrol edersiniz.