Tek Kurucular için Yapay Zeka Desteği: Uygulama Geliştirmede Yardım İçin En Uygun Görevler

Bu Önceliklendirme Rehberi Nasıl Kullanılır

Tek hedefiniz bir kurucu olarak basit: ürünü daha hızlı göndermek ama ürün kalitesini gizlice düşürmemek. Bu rehber, yapay zekanın hangi iş yüklerini güvenle azaltabileceğini—ve hangilerinin daha sonra fazladan temizlik gerektirebileceğini—karar vermenize yardımcı olur.

Burada “Yapay Zeka Desteği” ne anlama geliyor

Yapay zekayı taslak oluşturma ve kontrol etme konusunda esnek bir yardımcı olarak düşünün; sizin yargınızı değiştirmek için değil. Bu yazıda “Yapay Zeka Desteği” şunları içerir:

• İlk versiyonları hazırlama (gereksinimler, e-postalar, UI metni, test vakaları)
• Girdileri özetleme (kullanıcı görüşmeleri, hata raporları, rakip notları)
• Seçenekler üretme (alternatif UX akışları, isim önerileri, kenar durum listeleri)
• Çalışmayı kontrol etme (tutarlılık kontrolleri, eksik durumlar, mantık boşlukları)

Yapay zekayı hızlı bir stajyer ekip arkadaşı gibi ele alırsanız—üretimde iyi, doğrulukta kusursuz değil—en iyi sonucu alırsınız.

Görevleri nasıl önceliklendirirsiniz

Bu rehberdeki her bölüm, görevleri üç kovaya ayırmanıza yardımcı olacak şekilde tasarlandı:

1. Yapay zeka için yüksek kaldıraçlı: tekrarlanabilir, şablon benzeri işler ve ilk taslaklar.
2. Orta kaldıraçlı: yapay zekanın yardımcı olabileceği, ancak dikkatle gözden geçirmeniz gereken işler.
3. Düşük kaldıraçlı: bağlama, zevke veya hesap verebilirliğe güçlü şekilde bağlı kararlar.

Pratik bir kural: iş tekrarlanabiliyorsa ve bir hatanın maliyeti küçükse (veya kolayca yakalanabiliyorsa) AI kullanın. Hataların pahalı, kullanıcıya görünür veya tespit edilmesi zor olduğu durumlarda daha dikkatli olun.

Ne beklemeli (ve ne beklememeli)

AI genellikle mükemmel bir nihai cevap vermez. Ancak dakikalar içinde sizi yeterli bir başlangıç noktasına ulaştırır—böylece sınırlı enerjinizi ürün stratejisi, temel takaslar ve kullanıcı güveni gibi önceliklere harcayabilirsiniz.

Bu bir önceliklendirme rehberi; belirli bir araç tavsiyesi değil. Önemli olan kalıplardır, marka değil.

Basit Bir Çerçeve: Kazanılan Zaman vs. Risk

Tek kurucular fikir eksikliğinden değil, bant genişliği tükenmesinden başarısız olur. AI'dan “uygulamaya yardım et” demeden önce hangi kısıtlara takıldığınızı netleştirin.

Adım 1: Kısıtlarınızı (dürüstçe) adlandırın

En büyük kısıtlarınızı yazın: zaman, para, beceri ve dikkat. “Dikkat” önemlidir çünkü bağlam değiştirme (destek, pazarlama, hata düzeltme, spes revizyonları) haftanızı sessizce yiyebilir.

Bunları adlandırdıktan sonra, önce bir ana darboğaz seçin. Yaygın olanlar:

• Belirsiz kapsam (ne inşa edeceğinizi sürekli değiştiriyorsunuz)
• Yavaş kodlama (her şey beklenenden daha uzun sürüyor)
• Çok fazla hata (gönderim stresli hale geliyor)
• Zayıf geri bildirim döngüleri (yeterince hızlı öğrenemiyorsunuz)

Adım 2: Delege ederken 80/20 kuralını uygulayın

AI'yı önce sık ve tekrarlanabilir olan işlerde kullanın ve bir hata üretmenin sistemi kırmayacağı veya güveni zedelemeyeceği işlerde tercih edin. Taslaklar, özetler, kontrol listeleri veya “ilk geçiş” kodu gibi işleri düşünün—nihai kararlar değil.

En yaygın düşük riskli görevleri otomatikleştirirseniz, insanın yüksek kaldıraçlı parçalarına (ürün yargısı, müşteri görüşmeleri, önceliklendirme) zaman kazanırsınız.

Adım 3: Devretmeden önce görevleri puanlayın

Her aday görev için hızlı bir 1–5 puan kullanın:

Puanları toplayın. En yüksek toplamlılardan başlayın, ardından daha yüksek riskli işlere (çekirdek mantık veya güvenliğe duyarlı değişiklikler gibi) doğru ilerleyin.

Fikir Doğrulama: Araştırma, Görüşme Rehberleri ve Özetler

Bir şey inşa etmeden önce, AI'yı “rough idea”nızı test edilebilir hale getirmek için kullanın. Amaç sizi haklı çıkarmak değil—hızlıca neyin yanlış, belirsiz veya yeterince acı verici olmadığını keşfetmektir.

Kaba fikri 3–5 test edilebilir hipoteze dönüştürün

AI'dan konseptinizi bir haftada doğrulayabileceğiniz hipotezlere çevirmesini isteyin:

• Problem hipotezi: “___ olan insanların ___ ile zorlandığını çünkü ___.”
• Değer hipotezi: “Eğer ___ sağlarsak, ___ daha hızlı/ucuz başarmalarını sağlar.”
• Davranış hipotezi: “Bunu çözmek için zaten ___ yapıyorlar.”

Her hipotezi ölçülebilir tutun (görüşmeler, açılış sayfası veya prototip ile doğrulanabilir/çürütülebilir).

Görüşme soruları üretin (sonra önyargıyı düzeltin)

AI, görüşme rehberi ve anketin ilk taslağını üretmede iyidir—ama yönlendirici ifadeleri çıkarmalısınız.

Örnek yeniden kullanılabilir prompt:

Create a 20-minute customer interview guide for [target user] about [problem].
Include 10 open-ended questions that avoid leading language.
Add 3 follow-ups to uncover current workarounds, frequency, and consequences.

Sonra “Wouldn’t it be great if…” gibi ifadileri “Bugün bunu nasıl hallediyorsunuz?” gibi nötr sorularla yeniden yazın.

Notları eyleme dönüştürülebilir kalıplara özetleyin

Her görüşmeden sonra notlarınızı yapıştırın ve AI'dan şunları çıkarmasını isteyin:

• tekrarlayan acı noktalar (ne pahalı veya sinir bozucu geliyor)
• tetikleyiciler (hangi olay onların dikkatini çekiyor)
• istenen çıktılar ("daha iyi" nasıl görünür)

Ayrıca bazı doğrudan alıntılar isteyin. Bunlar sadece içgörü değil, kopya olarak kullanılabilir.

Hedef kullanıcı + JTBD ifadesi taslağı oluşturun

Son olarak, AI'dan paylaşabileceğiniz öz bir hedef kullanıcı ve JTBD (Yapılacak İş) ifadesi önermesini isteyin:

"___ olduğunda, ___ yapmak istiyorum, böylece ___."

Bunu çalışma taslağı olarak ele alın. Gerçek görüşme diline uymuyorsa, gerçek görüşmelerle uyana kadar düzeltin.

MVP Kapsamı: Gereksinimler, Kullanıcı Hikayeleri ve Kesiş Listeleri

Tek kurucu olarak aylarınızı harcamak için en hızlı yol her şeyi biraz fazla inşa etmektir. AI, belirsiz bir fikri yapılandırılmış kapsama dönüştürmede mükemmeldir—sonra bunu gerçekten gerekli olana sıkıştırmanıza yardım eder.

1) Geniş başlayın, sonra temele sıkıştırın

AI'dan hedef kullanıcınız ve temel JTBD'ye göre bir MVP özellik listesi hazırlamasını, ardından eksiksiz bir sonuç veren en küçük sete indirmesini isteyin.

Pratik bir yaklaşım:

• Önce bir MVP özellik listesi hazırlayın, sonra temel olanlara indirin
• Kapsam kaymasını önlemek için bir “non-goals” listesi üretin

Non-goals özellikle güçlüdür: v0'da olmayanları tartışmadan dışarıda bırakmayı kolaylaştırır.

2) Özellikleri kullanıcı hikayelerine çevirin (kenar durumları atlamayın)

3–7 MVP özelliğiniz olduğunda, her birini kullanıcı hikayelerine ve kabul kriterlerine dönüştürmesini isteyin. Bu, “tamamlandı” ne demek netleştirir ve geliştirme + QA için bir kontrol listesi verir.

İncelemeniz kritik adımdır. Arayın:

• izinler ve erişim (oturum kapalı, süresi dolmuş oturumlar)
• boş durumlar (henüz veri yok)
• hata durumları (ağ hatası, geçersiz giriş)

3) Sürümleri planlayın: v0, v1, v2 ölçülebilir sonuçlarla

AI, işlerinizi istek listeleri yerine öğrenme hedeflerine göre sıralamanıza yardımcı olabilir.

Ölçülebilir örnek sonuçlar: “10 kullanıcı onboarding'i tamamladı”, “%30 ilk projeyi oluşturdu” veya “checkout'ta %5'ten az hata oranı.” Her sürümü bir öğrenme sorusuna bağlayın; böylece daha küçük, daha hızlı ve daha net kararlarla gönderirsiniz.

UX Planlama: Akışlar, Tel Çerçeveler ve Kenar Durumlar

İyi UX planlaması esasen hızlı ve net kararlar almaktır: hangi ekranlar var, insanlar nasıl gezinir ve işler ters gittiğinde ne olur. AI, bu "kağıt üzerinde düşünme" aşamasını hızlandırabilir—özellikle ona sıkı kısıtlar (kullanıcı hedefi, ana eylemler ve başarı için gerekenler) verdiğinizde.

1) Hızla 2–3 bilgi mimarisi alın

AI'dan birkaç alternatif yapı önermesini isteyin: sekmeler vs. yan menü vs. rehber tek akış. Bu, karmaşıklığı erken fark etmenize yardımcı olur.

Örnek prompt: “Bir alışkanlık takip uygulaması için 3 bilgi mimarisi öner. Birincil navigasyon, ana ekranlar ve ayarların nerede durduğunu dahil et. Tek elle mobil kullanım için optimize et.”

2) Fikirleri çizime hazır tel çerçeve açıklamalarına dönüştürün

"Wireframe" istemek yerine, dakikalar içinde çizebileceğiniz ekran ekran açıklamaları isteyin.

Örnek prompt: “'Alışkanlık Oluştur' ekranının düzenini açıkla: bölümler, alanlar, butonlar, yardımcı metin ve katmanın üstünde ne var. Minimal tut.”

3) Kenar durumları atlamayın (bunlar rafine görünümü belirler)

Her ekran için “boş/hata/yükleme” kontrol listesi ürettirin, böylece geliştirme sırasında eksik durumları keşfetmezsiniz.

İstenecekler:

• Boş durum (henüz veri yok)
• Yükleme durumu
• Hata durumu (ağ, doğrulama, izin)
• Çevrimdışı/zaman aşımı davranışı

4) Karmaşık adımları bulun ve akışı basitleştirin

AI'ya mevcut akışınızı (madde işaretleri halinde bile) verin ve sürtünç noktalarını belirtmesini isteyin.

Örnek prompt: “İşte onboarding akışı. Herhangi bir kafa karıştırıcı adımı, gereksiz kararı belirt ve temel bilgileri kaybetmeden daha kısa bir versiyon öner.”

AI çıktılarını seçenek olarak kullanın—cevap değil—ve savunabileceğiniz en basit akışı seçin.

Kopyalama: Onboarding, Mikro Metinler ve Hata Mesajları

Kopya, AI kullanmak için en yüksek kaldıraçlı yerlerden biridir çünkü iterasyonu hızlıdır ve değerlendirmeniz kolaydır. Mükemmel üretime değil; açıklığa, tutarlılığa ve kullanıcıların takılıp kalmamasına odaklanın.

Onboarding: sonraki adımı belirgin yapın

AI'yı ilk açılış deneyimini yazmak için kullanın: hoş geldin ekranı, boş durumlar ve “sonraki ne olacak” yönlendirmeleri. Ürününüzün hedefini, kullanıcının hedefini ve onlardan beklediğiniz ilk 3 eylemi verin. İki versiyon isteyin: ultra kısa ve biraz yönlendirici.

Basit kural: her onboarding ekranı bir soruyu yanıtlamalı—“Bu ne?”, “Neden umursamalıyım?” veya “Şimdi ne yapmalıyım?”

Mikro metin varyantları: bir ses seçin ve ona bağlı kalın

Aynı UI dizisi için AI'dan ton varyantları (samimi vs. resmi) üretebilir, sonra bir stil seçip sabitleyebilirsiniz. Seçtiğiniz sesi butonlarda, ipuçlarında, onaylarda ve boş durumlarda tutarlı kullanın.

Örnek prompt:

• “Bu 20 UI dizesini samimi, sakin bir tonda yeniden yaz. Her birini mümkünse 35 karakterin altında tut. Şakadan kaçın. Cümle başı büyük harf kullan.”

Küçük stil kılavuzu kuralları oluşturun

AI'dan kararlarınızı proje dokümanına yapıştırabileceğiniz kurallara dönüştürmesini isteyin:

• Uzunluk sınırları (ör. butonlar ≤ 18 karakter)
• Büyük harf kullanımı (Cümle yazımı vs Başlık yazımı)
• Terimler (örn. “log in” vs “sign in”)
• Tutarlı fiiller (“Create,” “Save,” “Continue”)

Bu, gönderirken UI sürüklenmesini önler.

Hata mesajları: açıkla, güven ver, toparlanmayı göster

AI, hata mesajlarını daha eyleme geçirilebilir hale getirmede özellikle faydalıdır. En iyi desen: ne oldu + ne yapmalı + ne kaydedildi (veya kaydedilmedi).

Kötü: “Invalid input.”

Daha iyi: “Email adresi eksik görünüyor. '@' ekleyip tekrar deneyin.”

Sonradan yerelleştirin, ama şimdi hazırlık yapın

Önce tek bir kaynak dilde yazın. Hazır olduğunuzda AI'yı ilk çeviri için kullanın, ancak kritik akışlar (ödeme, hukuki, güvenlik) için insan incelemesi yapın. Dizeleri kısa tutun ve deyimlerden kaçının ki çeviri temiz kalsın.

UI Tasarım: Tasarım Sistemi Tohumları ve Tutarlılık Kontrolleri

Tek kurucu için iyi UI tasarımı piksellerden çok tutarlılıktır. AI burada işe yarar çünkü hızlıca “yeterince iyi” bir başlangıç sistemi önerebilir ve ürün büyürken çalışmalarınızı denetlemenize yardımcı olabilir.

Hafif bir tasarım sistemi tohumu oluşturun

AI'dan Figma'da uygulayabileceğiniz (veya doğrudan CSS değişkenlerinde kullanabileceğiniz) temel bir tasarım sistemi önermesini isteyin: küçük bir renk paleti, yazı ölçeği, boşluk adımları, border radius ve yükselti kuralları. Amaç her yerde yeniden kullanılacak varsayılanlar—her ekranda yeni bir buton stili icat etmemenizdir.

Kasıtlı olarak küçük tutun:

• 2–3 nötr, 1 birincil, 1 hata, 1 başarı
• 6–8 boşluk tokeni (ör. 4/8/12/16/24/32)
• 2 font ağırlığı, 3–4 metin boyutu

AI ayrıca adlandırma konvansiyonları önerebilir (örn. color.text.primary, space.3) böylece UI yeniden düzenlendiğinde tutarlılık korunur.

Bileşen kontrol listeleri üretin (durumlar + erişilebilirlik)

AI'yı bileşen başına “tamamlandı” kontrol listeleri oluşturmak için kullanın: default/hover/pressed/disabled/loading, boş durumlar, hata durumları ve klavye odaklanma. Erişilebilirlik notları ekleyin: minimum dokunma hedefi, odak halkası gereksinimleri ve nerede ARIA etiketleri gerektiği.

Tutarlılık incelemeleri için tekrar kullanılabilir promptlar

Her yeni ekranda çalıştıracağınız tekrar kullanılabilir bir prompt oluşturun:

• “Bu ekranı mevcut bileşenlerimizle karşılaştır. Boşluk, tipografi, buton hiyerarşisi ve hata stilinde ne tutarsız?”
• “Eksik durumları ve kenar durumları listele (yükleme, boş, izin reddi).”

Sınırları bilin (önemli olanı doğrulayın)

AI önerileri başlangıçtır, onay işareti değil. Her zaman renk kontrastını gerçek bir araçla doğrulayın, dokunma hedeflerini cihazda kontrol edin ve hızlı bir kullanılabilirlik geçişiyle akışları sınayın. Tutarlılık ölçülebilir; kullanılabilirlik hâlâ sizin yargınızı ister.

Kodlama: AI'nın En Çok Hız Kazandırdığı Yerler

AI'yi hızlı bir eş programcı gibi ele alırsanız en değerlidir: ilk taslaklarda, tekrarda ve çevirilerde harika—mimari ve ürün tercihlerinde hâlâ sizin yargınızı gerektirir.

Daha ileri gitmek isterseniz, sohbette ne istediğinizi anlattığınızda gerçek uygulamalar iskeletleyen ve kaynak kodu dışa aktarabildiğiniz Koder.ai gibi vibe-coding platformları tek kurucular için faydalı olabilir.

1) Ertelediğiniz iskeleti oluşturma

AI'yı “sıkıcı ama gerekli” kurulumları üretmek için kullanın: klasör yapısı, routing iskeleti, lint konfigürasyonları, environment değişkeni şablonları ve birkaç ortak ekran (giriş, ayarlar, boş durumlar). Bu sizi çalışır bir uygulamaya hızlıca götürür ve sonraki kararları kolaylaştırır.

Konvansiyonlar (isimlendirme, dosya düzeni, durum yönetimi) konusunda açık olun. Sadece gerekli minimum dosyaları çıkarmasını ve her dosyanın nereye ait olduğunu açıklamasını isteyin.

2) Küçük, test edilebilir fonksiyonlar devasa kod dökümlerinden iyidir

Tatlı nokta PR boyutunda değişikliklerdir: bir yardımcı fonksiyon, bir modül refaktörü veya doğrulamaya sahip tek bir endpoint. Şunları isteyin:

• bir seferde bir fonksiyon
• giriş/çıkışlar ve kenar durumlar
• kısa bir kullanım örneği

AI devasa bir çok dosyalı yeniden yazım verirse durun ve işi yeniden ölçekleyin. İnceleyebileceğiniz adımlara bölün.

3) Bilmediğiniz kodu açıklayın ve daha güvenli alternatifler önerin

Biraz hatırlamaya ihtiyaç duyduğunuz kodu (veya aylar önce yazdıklarınızı) AI'ya verin; düz İngilizce (veya hedef dil) açıklama isteyin, riskli varsayımları vurgulamasını ve daha basit desenler önermesini isteyin.

Etkili promptlar:

• “Bu fonksiyonun ne garantilediğini ve ne garanti etmediğini açıkla.”
• “Nulls/zaman dilimleri/eşzamanlılık ile burada ne ters gidebilir?”
• “Daha test edilebilir, daha güvenli bir versiyon öner.”

4) Her değişikliğe “bitmiş tanımı” kontrol listesi ekleyin

Bir şeyi merge etmeden önce, AI'dan o diff'e özel bir kontrol listesi üretmesini isteyin:

• mutlu yol doğrulandı
• önemli kenar durumları ele alındı
• hatalar loglandı (gizli veri sızdırmadan)
• testler güncellendi/eklendi
• temel performans etkisi değerlendirildi

Kontrol listesini işin bitiş sözleşmesi olarak görün—isteğe bağlı tavsiye değil.

Test: Birim Testleri, Kenar Durumlar ve Hata Ayıklama Desteği

Test etme, tek kurucular için AI'nın hız kazandırdığı alanlardan biridir: zaten ne olması gerektiğini biliyorsunuz, ama kapsam yazmak ve hataları takip etmek zaman alır. AI'yı sıkıcı parçaları hızlandırmak için kullanın; “doğru”nun ne demek olduğunu tanımlamaya siz devam edin.

Kabul kriterlerinden birim testleri üretin

Hafif kabul kriterleri (veya kullanıcı hikayeleri) varsa, bunları başlangıç test setine dönüştürebilirsiniz. Yapıştırın:

• özellik açıklaması
• beklenen davranış (mutlu yol)
• bilinen kenar durumlar (boş giriş, rate limit, yinelenen kayıt, izin hataları)

ve testlerinizi kullandığınız frameworkte isteyin.

İki pratik ipucu:

1. Test isimlerinin gereksinim gibi okunmasını isteyin (“sepet toplamı sıfırken ödeme reddedilir” gibi).

2. Başarısızlıkların anlaşılması kolay olsun diye her iddia için bir test isteyin.

Test verisi ve mock API cevapları taslağı hazırlayın

AI, gerçekçi-ama-anonim fixture'lar üretmede iyidir: örnek kullanıcılar, siparişler, faturalar, ayarlar ve “tuhaf” veriler (uzun isimler, özel karakterler, saat dilimleri). Ayrıca yaygın API'ler için mock cevaplar isteyebilirsiniz (auth, ödeme, e-posta, haritalar) hata yükleri dahil.

Küçük bir kural: her mock hem bir başarı yanıtı hem de en az iki hata içermeli (ör. 401 unauthorized, 429 rate limited). Bu alışkanlık kenar davranışlarını erken yüzeye çıkarır.

Başarısız testleri yorumlayın ve olası nedenler önerin

Bir test başarısız olduğunda, başarısız testi, hata çıktısını ve ilgili fonksiyonu yapıştırın; AI'dan şunları isteyin:

• en olası nedenleri sıralama
• her neden için bir minimal tanıs adımı (log noktası, breakpoint veya assertion)

Bu, hata ayıklamayı uzun bir dolaşma yerine kısa bir kontrol listesine çevirir. Önerileri hipotez olarak ele alın, cevap değil.

Manuel QA için bir smoke test kontrol listesi oluşturun

Her sürümden önce kısa bir manuel smoke kontrol listesi üretin: giriş, temel akışlar, izinler, kritik ayarlar ve “kırılmaması gereken” yollar (ödeme ve veri dışa aktarma gibi). 10–20 madde tutun ve her hata düzeltme gönderdiğinizde güncelleyin—kontrol listeniz hafızanız olur.

Tekrarlanabilir bir rutin isterseniz, bu bölümü /blog/safer-releases ile eşleştirin.

Analitik: Olay Planları ve Karar Odaklı Metrikler

Analitik, AI yardımına çok uygun çünkü çoğunlukla yapılandırılmış yazıdır: isimlendirme tutarlılığı, ürün sorularını olaylara çevirme ve boşlukları görme. Amaç her şeyi izlemek değil—önümüzdeki 2–4 hafta içinde vereceğiniz birkaç karara cevap verecek kadar izlemek.

Sorularla başlayın, sonra AI'dan olay planı isteyin

Gerçekten cevaplamanız gereken 5–8 soru yazın, örn:

• “Yeni kullanıcılar onboarding'de nerede takılıyor?”
• “Hangi eylem retansiyonu öngörüyor?”
• “Hangi etken ücretliye dönüşümü sürüklüyor?”

AI'dan bu sorulara bağlı olay isimleri ve özellikler önermesini isteyin. Örnek:

• onboarding_started (source, device)
• onboarding_step_completed (step_name, step_index)
• project_created (template_used, has_collaborator)
• upgrade_clicked (plan, placement)
• subscription_started (plan, billing_period)

Sonra kontrol edin: her olayı altı ay sonra hala anlamlı şekilde açıklayabilir misiniz?

Sonradan inşa edilebilecek gösterge panoları taslağı hazırlayın

Bugün panelleri kurmayacak olsanız bile, AI'dan “karar-almaya hazır” görünümler taslağı isteyin:

• Aktivasyon: ilk 24 saatte ilk “aha” eylemini gerçekleştiren %
• Retansiyon: edinim kaynağına göre D1/D7 geri dönüş oranı
• Dönüşüm: upgrade_clicked ile satın alma arasındaki huni

Bu, rastgele izlemeyi engelleyen bir hedef verir.

Hafif bir deney şablonu tutun

AI'dan Notion'a yapıştırabileceğiniz basit bir şablon isteyin:

• Hipotez
• Yapılan değişiklik (PR bağlantısı)
• Birincil metrik + guardrail metrik
• Başlangıç/bitiş tarihleri
• Sonuç + sonraki eylem

Gizlilik notları (varsayılan olarak daha az izle)

AI'dan olay listenizi veri minimizasyonu açısından gözden geçirmesini isteyin: tam metin girişleri, kişiler, kesin konum ve gerekmediği sürece herhangi bir şeyi izlemekten kaçının. Ham mesajlar yerine enum kullanın (örn. error_type) ve kişi tanımlayıcıları gerekliyse hashlemeyi düşünün.

Yayınlama & Operasyon: Kontrol Listeleri, Runbook'lar ve Daha Güvenli Yayınlar

Yayınlama, küçük eksikliklerin büyük kesintilere dönüştüğü yerdir. AI burada özellikle faydalıdır çünkü operasyonel işler tekrarlanabilir, metin ağırlıklı ve standartlaştırmaya uygun.

Gerçekten kullanacağınız yayın kontrol listeleri

AI'dan kullandığınız yığına (Vercel/Fly.io/AWS, Postgres, Stripe vb.) göre özelleştirilmiş bir “pre-flight” kontrol listesi oluşturmasını isteyin. Her zaman koşul: kısa ve her seferinde çalıştırılabilir olsun.

İçerilecek maddeler:

• Ortam değişkenleri: gerekli anahtarlar, varsayılan değerler ve bunların nerede setli olduğu (local, CI, prod)
• Gizli bilgiler: rotasyon notları, erişim kuralları ve kesintisiz güncelleme yöntemleri
• Yedekler: son başarılı yedek zamanı, geri yükleme testi sıklığı ve snapshot'ların nerede olduğu
• Migrasyonlar: nasıl çalıştırılır, nasıl doğrulanır ve “başarı” ne demektir

Eğer dağıtım/barındırma, snapshot ve rollback içeren bir platform kullanıyorsanız (ör. Koder.ai kaynak dışa aktarımıyla birlikte snapshot ve rollback destekliyorsa), bu kabiliyetleri kontrol listesine dahil edebilirsiniz ki yayın süreci tutarlı olsun.

Açık dilde runbooklar (rollback dahil)

2'de AI'dan, gece 2'de kendinizin takip edebileceği bir runbook taslağı isteyin. Ona hosting sağlayıcınızı, dağıtım yöntemini, DB tipini, kuyrukları, cron job'ları ve feature flag'leri söyleyin.

İyi bir runbook:

• Numaralandırılmış dağıtım adımları
• Sürümü doğrulamak için sağlık kontrolleri (ana uç noktalar, arka plan işleri, ödemeler)
• Geri alma adımları (ve hangi verinin kaybolabileceği)
• “Eğer X olursa Y yap” dalları (migrasyon hatası, kötü konfigürasyon, 500 artışı)

Panik azaltan olay şablonları

Olay başından önce bir şablon hazırlayın:

• Ne oldu (zaman çizelgesi)
• Müşteri etkisi (kim/neyi etkiledi)
• Anlık çözüm (hafifletme + doğrulama)
• Kök neden (teknik + süreç)
• Önleme (testler, uyarılar, kontrol listesi güncellemeleri)

Bu bölümdeki şablonları uygulamanız ve yığınına uyarlamanızda yardımcı olsun diye AI'dan destek isteyebilirsiniz. (bkz. /pricing)

AI'ya Hangi İşleri Devretmemeli (Henüz)

AI taslaklar, seçenekler ve hızlandırma için mükemmeldir—ama hesap verebilirliği yoktur. Bir karar kullanıcıya zarar verebileceğinde, verileri açığa çıkarabileceğinde veya sizi yanlış iş modeline kilitleyebileceğinde insanı devreye sokun.

Bu işleri insan yönetmeli

Bazı işler “çıktı üretmek”ten çok “kurucu yargısı” ister. İşin eziyetli kısmını devredin (özetler, alternatifler), ama nihai kararı siz verin.

• Fiyatlandırma ve paketleme kararları: AI model önerileri sunabilir, ama ödeme istekliliği veya marj gerçekliğini doğrulayamaz. Senaryolar için kullanın; karar için siz sorumlusunuz.
• Güven duyusunu etkileyen UX tercihleri: İzinler, veri paylaşımı, varsayılanlar, karanlık desen riskleri insan tarafından gözden geçirilmeli.
• Güvenlik ve gizlilik takasları: Tehdit modelleme, auth akışları ve veri saklama politikaları "en iyi çaba" işi değildir.

AI'ya asla kimlik bilgileri veya hassas veri verme

Prompt'ları bir ortak çalışma alanında yazıyormuş gibi davranın.

• API anahtarları, parolalar, tokenlar, özel sertifikalar veya kişisel veri içeren üretim loglarını yapıştırmayın.
• Telif hakkı korumalı kod, müşteri listeleri, yayımlanmamış tasarımlar veya NDA kapsamındaki her şeyi paylaşmaktan kaçının.
• Örnek vermeniz gerekiyorsa sanitize edin: değerleri değiştirin, kısaltın ve mocklayın.

Ne zaman uzmanlara ödeme yapmalısınız

AI hazırlık işlerini hızlandırabilir, ama bazı alanlar sorumluluk gerektirir:

• Hukuk: Kullanım koşulları, Gizlilik Politikası, IP, uyumluluk (GDPR/CCPA), sözleşmeler
• Güvenlik incelemesi: Harici pentest, auth/oturum incelemesi, güvenli dağıtım rehberliği
• Marka tasarımı: Tutarlı bir kimlik sistemi (logo, tipografi, ses) prompt ile tutarlı şekilde oluşturmak zordur

Kısa bir “dur işareti” kontrol listesi

Delege etmeyi durdurup insan incelemesine geçtiğiniz durumlar:

• Belirsizlik: Cevabın neden doğru olduğunu açıklayamıyorsanız
• Yüksek risk: güvenlik, ödemeler, izinler veya veri işleme
• Kullanıcı güveni etkisi: aldatıcı, güvensiz veya kafa karıştırıcı olabilecek şeyler

AI'dan seçenekler ve riskleri çıkarmasını isteyin—sonra kararı kendiniz verin.