Yanlış Sorunun Kusursuz Cevabı: Problem Kurma Yeteneğini Korumak

Yapay zekâya “Satışlarımız neden düştü?” diye sorduğunuzda birkaç saniye içinde ikna edici bir açıklama alabilirsiniz: fiyatlar yükselmiş olabilir, rakipler güçlenmiş olabilir, reklam performansı bozulmuş olabilir, müşteri davranışları değişmiş olabilir. Cevap akıcı, kapsamlı ve profesyonel görünebilir. Fakat bu cevapların hiçbiri henüz işletmenizin problemini tanımlamaz.

Belki toplam satış düşmemiş, yalnızca yeni müşteri sayısı azalmıştır. Belki sipariş sayısı aynı kalmış ama iadeler artmıştır. Belki gelir gerçekten düşmüştür; ancak şirketin çözmesi gereken asıl sorun satış değil, stokta bulunmayan ürünlerdir. Hatta düşüş geçici ve beklenen bir mevsim etkisi olabilir. Bu durumda “satışı artırma” girişimi gereksiz indirimlere ve kâr kaybına yol açabilir.

Bir sistem yanlış soruyu saniyeler içinde kusursuz cevapladığında yalnızca daha hızlı yanlış yere varırız. Bu nedenle yapay zekâ çağında korunması gereken temel insan yeteneklerinden biri, cevap üretmekten önce hangi sorunun cevaplanmaya değer olduğunu belirlemektir.

Bu yazıda daha iyi prompt yazmayı değil, prompttan önce yapılması gereken düşünme işini ele alacağız. Belirti, problem, neden ve hedef arasındaki farkı kuracak; aynı durumu kullanıcı, sistem ve zaman perspektiflerinden yeniden çerçeveleyecek; çözüm istemeden önce karşı-örnek ve vazgeçme koşulu yazacağız. Sonunda “satış düştü” gibi bulanık bir talebi, yapay zekânın yardımcı olabileceği ama insanın yönünü belirlediği karar verilebilir bir probleme dönüştüreceğiz.

Cevap ucuzladığında doğru soru neden daha değerli olur?

Bir karar sürecinde iki ayrı iş vardır. İlki, neyin araştırılacağını ve hangi sonucun önemli olduğunu seçmektir. İkincisi, seçilen problem üzerinde veri toplamak, seçenek üretmek, hesap yapmak ve bir çıktı hazırlamaktır. Yapay zekâ özellikle ikinci taraftaki yürütmeyi hızlandırır. Ancak hız, birinci taraftaki seçimin doğru olduğunu garanti etmez.

Anthropic’in yaklaşık 400 bin kodlama oturumunu inceleyen araştırması, insanlar ile yapay zekânın karar rollerinin aynı olmadığını gösteriyor: İnsanlar planlama niteliğindeki kararların çoğunu üstlenirken yapay zekâ daha çok yürütme kararlarında ağırlık kazanıyor. Bu sonuç her mesleğe doğrudan genellenemez; yine de önemli bir ayrımı görünür kılıyor. Sistem kodu üretebilir, dosyaları değiştirebilir veya bir analizi çalıştırabilir. Fakat hangi problemin çözülmesinin anlamlı olduğunu belirlemek hâlâ alan bilgisi, amaç ve sonuçlara ilişkin yargı gerektirir.

Buradaki risk, yapay zekânın hiç düşünememesi değildir. Tersine, hızlı ve düzgün cevaplarının bizi erken bir kesinliğe taşımasıdır. Belirsiz bir durumu birlikte incelemek yerine ilk makul açıklamayı problem tanımı kabul edebiliriz. Yapay zekâ tavsiyelerinin insanların “bilmiyorum” deme isteğini azaltabildiğini bildiren 2026 tarihli bir çalışma da bu tehlikeye dikkat çekiyor. Çalışmanın kapsamı dışında kesin genellemeler yapmamak gerekir; fakat pratik ders açıktır: Akıcı bir cevap, belirsizliğin ortadan kalktığının kanıtı değildir.

Karar kuralı: Bir yapay zekâ cevabı size problemi ilk kez tanımlıyorsa, onu sonuç olarak değil incelenecek ilk hipotez olarak kabul edin.

Belirti, problem, neden ve hedef aynı şey değildir

Problem kurmanın ilk adımı, günlük konuşmada birbirine karışan dört kavramı ayırmaktır.

• Belirti, gözlediğimiz değişimdir: “Haziran ayında satış geliri düştü.”
• Problem, bu değişimin belirli bir aktörün belirli bir hedefini neden tehdit ettiğini açıklar: “Yeni müşteri gelirindeki düşüş, üçüncü çeyrek nakit planını riske atıyor.”
• Neden, belirtiyi açıklayabilecek ve henüz sınanması gereken mekanizmadır: “Mobil ödeme sayfasındaki hata, yeni müşterilerin satın alma işlemini tamamlamasını engelliyor olabilir.”
• Hedef, hangi sonucu ne kadar ve hangi sınırlar içinde değiştirmek istediğimizi söyler: “Yeni müşteri ödeme tamamlama oranını, kârlılığı bozmadan önceki olağan aralığına döndürmek.”

Bu ayrım yalnızca dil temizliği değildir; yapılacak işi değiştirir. “Satış düştü” belirtisini problem sanarsanız doğrudan kampanya fikirleri istersiniz. “Reklamlar kötü” ifadesini kanıtlanmış neden sanarsanız bütçeyi başka kanala taşırsınız. “Daha çok satış” ifadesini yeterli hedef sanarsanız indirimle artan siparişleri başarı sayabilir, iade ve marj kaybını gözden kaçırabilirsiniz.

Dört kutulu kısa egzersiz

Bir sonraki yapay zekâ talebinizi göndermeden önce aşağıdaki dört cümleyi doldurun. Örnekte bir çevrim içi eğitim işletmesini kullanalım:

Dikkat ederseniz örnekte “telefon doğrulamasını kaldır” demiyoruz. Çünkü bu, problem tanımı değil erken seçilmiş bir çözümdür. Önce düşüşün gerçekten mobil kayıt adımında yoğunlaşıp yoğunlaşmadığını sınamak gerekir.

Problemi üç kez kurun: kullanıcı, sistem ve zaman

Tek bir problem cümlesi çoğu zaman görünmeyen bir tarafı dışarıda bırakır. Bunu önlemek için aynı durumu üç perspektiften yeniden yazabiliriz.

1. Kullanıcı perspektifi: İnsan nerede zorlanıyor?

Kullanıcı perspektifi, kurumun metriğinden önce kişinin yaşadığı sürtüşmeyi sorar. “Sepeti terk etme oranı yükseldi” şirket dilidir. Kullanıcı açısından problem, “İlk kez alışveriş yapan kişi kargo ücretini ancak son adımda görüyor ve toplam bedelin neden değiştiğini anlayamıyor” olabilir.

Uygulamada yalnızca “Kullanıcı ne istiyor?” diye sormayın. Şunları da belirleyin:

• Kullanıcı hangi işi tamamlamaya çalışıyor?
• Hangi anda duruyor, geri dönüyor veya yardım arıyor?
• Gözlediğimiz davranışın makul başka açıklaması var mı?
• Bir kullanıcı grubunun kazancı başka bir grubun zararına mı dönüşüyor?

2. Sistem perspektifi: Sonucu hangi mekanizma üretiyor?

Kullanıcı deneyimi tek bir ekrandan doğmaz. Trafik kaynağı, ürün bulunabilirliği, fiyat, sayfa hızı, ödeme altyapısı, teslimat sözü ve destek süreçleri birlikte sonuç üretir. Sistem perspektifi, suçu ilk görünen parçaya vermek yerine bağımlılıkları ortaya çıkarır.

Basit bir neden haritası hazırlayın. Örneğin “ödeme tamamlanmadı” sonucunun öncesinde şu zincir bulunabilir:

Reklam vaadi → Ürün sayfası → Stok durumu → Sepet → Kargo bedeli → Ödeme doğrulaması → Sipariş onayı

Ardından her ok için “Bu geçişi ölçebiliyor muyuz?” diye sorun. Ölçemediğiniz geçiş, yapay zekânın güvenle doldurmaması gereken bir bilgi boşluğudur.

3. Zaman perspektifi: Bugünkü çözüm yarın ne üretir?

Kısa vadede iyi görünen bir müdahale, uzun vadede problemi büyütebilir. Yüksek indirim satışları bu hafta artırırken müşterileri normal fiyattan almamaya alıştırabilir. Destek ekibinin her sorunu elle çözmesi memnuniyeti bugün korurken temel ürün hatasının aylarca görünmez kalmasına neden olabilir.

Zaman perspektifinde problemi üç ufukta yazın:

• Bugün: Hangi kayıp veya sürtüşme yaşanıyor?
• Bir sonraki dönem: Müdahale davranışı ve maliyeti nasıl değiştirir?
• Tekrarlanırsa: Sistem hangi alışkanlığı, bağımlılığı veya borcu biriktirir?

Bu üç çerçeve birbirinin alternatifi değildir. İyi problem tanımı üçünü birleştirir: kullanıcının yaşadığı gerçek sürtüşme, sürtüşmeyi üreten olası sistem mekanizması ve müdahalenin zaman içindeki sonucu.

Çözüm istemeden önce karşı-örnek yazın

Zihin, ilk makul açıklamaya hızla bağlanır. Yapay zekâ da kendisine verilen çerçeveyi genişletmek yerine çoğu zaman o çerçeve içinde yardımcı olmaya çalışabilir. “Düşük satışları düzeltmek için reklam planı hazırla” dediğinizde, satış sorununun reklamdan kaynaklanıp kaynaklanmadığını tartışmadan iyi bir reklam planı üretmesi mümkündür.

Bu yüzden çözüm talebinden önce şu cümleyi tamamlayın:

“Şu koşul doğruysa, kurduğumuz problem yanlış ya da önemsiz olabilir: …”

Satış örneğinde doldurulmuş karşı-örnek şöyle olabilir: “Düşüş yalnızca düşük marjlı bir ürün grubundan bilinçli olarak çekilmemizden kaynaklanıyorsa, toplam siparişi yeniden yükseltmek yanlış hedef olabilir.”

İkinci bir karşı-örnek daha ekleyelim: “Geçen yılın aynı haftasında tek seferlik büyük bir kurumsal sipariş bulunduysa, yıllık karşılaştırmada görülen düşüş olağan müşteri davranışını temsil etmeyebilir.”

Karşı-örnek, karamsarlık egzersizi değildir. Hangi verinin kararımızı değiştireceğini önceden söyleyerek bizi kendi anlatımıza karşı sınar. Yapay zekâdan bu aşamada çözüm değil, mevcut problem tanımını yanlışlayabilecek açıklamalar istemek daha yararlıdır.

Örnek talep:

Gözlemimiz: Haziran geliri mayısa göre %12 daha düşük.
Henüz bildiğimiz: Sipariş sayısı, ürün karması ve iade etkisi ayrıştırılmadı.
Mevcut hipotezimiz: Yeni müşteri edinimi zayıfladı.
Görevin: Çözüm önermek yerine bu problem tanımını yanlışlayabilecek beş makul açıklama üret. Her açıklama için gereken veriyi ve açıklama doğruysa hangi kararın değişeceğini yaz. Veri yoksa tahmin yürütme.

Buradaki yüzde yalnızca örneği somutlaştırır; gerçek bir işletmeye ait iddia değildir. Önemli olan, her alternatif açıklamanın bir veri ihtiyacına ve farklı bir karara bağlanmasıdır.

Vazgeçme koşulu: Her problem çözülmeye değmez

Bir problemi iyi tanımlamak, onu mutlaka çözmek anlamına gelmez. Bazı belirtiler geçicidir. Bazı çözümlerin maliyeti beklenen kayıptan büyüktür. Bazı sorunlar başka bir hedefin doğal bedelidir. Bu nedenle araştırmaya başlamadan önce vazgeçme koşulu belirlemek gerekir.

Vazgeçme koşulu, “Başaramazsak bırakırız” gibi belirsiz bir kaçış cümlesi değildir. Yeni kanıt geldiğinde çalışmayı durduracak açık bir karar kuralıdır:

• Düşüşün olağan mevsim aralığında kaldığı görülürse müdahale etmeyeceğiz.
• Sorun yalnızca bilinçli olarak azaltılan düşük marjlı ürünlerdeyse satış artırma projesini kapatacağız.
• Önerilen düzeltmenin beklenen ek katkısı uygulama ve fırsat maliyetini karşılamıyorsa tam uygulamaya geçmeyeceğiz.
• İki haftalık inceleme sonunda veri kalitesi nedenleri ayırt etmeye yetmiyorsa otomatik karar vermeyecek, önce ölçüm altyapısını düzelteceğiz.

Bu kurallar ekibi başarısızlığa hazırlamaz; çözüm üretmenin verdiği heyecanla gereksiz bir projeye bağlanmasını önler. Aynı zamanda yapay zekâya durma ölçütü verir. Sistem sonsuz öneri üretebilir, fakat hangi noktadan sonra daha fazla önerinin değer taşımadığını insan belirlemelidir.

Doldurulmuş senaryo: “Satış düştü” talebinden karar verilebilir probleme

Şimdi bütün yöntemi tek bir senaryoda birleştirelim. Bir e-ticaret şirketinin yöneticisi, “Satışlar düştü; yapay zekâyla hızlıca bir kampanya çıkaralım” diyor. İlk dürtü kampanya metni, hedef kitle ve indirim oranı üretmektir. Bunun yerine aşağıdaki sırayı izliyoruz.

Adım 1: Gözlemi sınırla

İlk ifade: Satışlar düştü.

İşlenmiş ifade: Haziran ayındaki net gelir mayısa göre %12 düşük görünüyor. Bu karşılaştırma henüz mevsimsellik, iptaller, iadeler, ürün karması ve tek seferlik siparişler açısından düzeltilmedi.

Bu cümle bildiğimiz ile bilmediğimizi ayırır. “Görünüyor” kelimesi kaçamak değil, verinin henüz doğrulanmadığını belirten dürüst bir durum işaretidir.

Adım 2: Etkilenen kararı tanımla

Şirketin gerçek kararı “Satışı nasıl artırırız?” değildir. Karar şudur: “Önümüzdeki iki haftada pazarlama bütçesini artırmalı mıyız, satın alma akışındaki bir sorunu düzeltmeli miyiz, yoksa müdahale etmeden daha fazla veri mi toplamalıyız?”

Bu değişiklik önemlidir; çünkü artık tek bir çözüm sınıfına kilitlenmiyoruz.

Adım 3: Üç perspektifi uygula

Adım 4: Karşı-örnekleri ve vazgeçme koşulunu yaz

Karşı-örnek: Net gelir düşerken toplam katkı payı korunmuşsa, düşük marjlı satışların azalması şirket açısından gerçek bir problem olmayabilir.

Vazgeçme koşulu: Mevsimsellikten arındırılmış gelir ve katkı payı olağan aralık içindeyse kampanya başlatılmayacak.

Adım 5: Yapay zekâya dar ve kanıtlanabilir görev ver

Amaç: Haziran net gelirindeki görünen %12 düşüş için müdahale türünü seçmek.
Karar seçenekleri: pazarlama deneyi, satın alma akışı düzeltmesi, stok müdahalesi veya şimdilik müdahale etmeme.
Kullanılabilecek veriler: ürün ve kanal bazında trafik, sepete ekleme, ödeme tamamlama, iptal, iade, net gelir, katkı payı ve stokta bulunma süresi.
Sınırlar: Veri bulunmayan yerde neden uydurma. Genel indirim önerme. Kişisel müşteri verisini rapora taşıma.
Görev: Düşüşü fiyat, hacim, ürün karması, iade ve stok etkilerine ayır. Her bulguda kullanılan alanı belirt. Birbirini dışlamayan en fazla üç neden hipotezi üret. Her hipotez için onu destekleyen ve yanlışlayan kanıtı yaz.
Başarı ölçütü: Yönetici dört karar seçeneğinden birini, kullanılan veriyi ve kalan belirsizliği görerek seçebilmeli.
Durma koşulu: Veri kalitesi nedenleri ayırmaya yetmiyorsa çözüm önermek yerine eksik ölçümü bildir.

Artık yapay zekâdan “iyi fikirler” değil, belirli bir insan kararını destekleyen sınırlı bir analiz istiyoruz. Nihai seçimi yine insan yapar; çünkü kârlılık, müşteri güveni, operasyon kapasitesi ve risk iştahı arasındaki denge yalnızca veri tablosundan çıkmaz.

Problem kurma kasını yapay zekâyla birlikte nasıl koruruz?

Yapay zekâdan uzak durmak çözüm değildir. Asıl mesele, sistemi düşünmenin yerine değil düşünmedeki kör noktaları görünür kılmak için kullanmaktır. PLOS One’da yayımlanan ve yaklaşık 30 bin konuşmayı inceleyen çalışma, sosyal sürtüşme ile bilişsel verimlilik arasındaki gerilimi ele alıyor. Sürtüşmesiz yardım hız kazandırabilir; ancak bir başka insanın itirazı, yanlış anlaması veya farklı önceliği bazen belirsizliği yapılandırmamızı sağlar. Her sürtüşme verimli değildir, fakat her sürtüşmeyi ortadan kaldırmak da öğrenmeyi garanti etmez.

Bu nedenle ekiplerde küçük bir problem kurma rutini kullanılabilir:

1. İlk beş dakika yapay zekâsız yazın: Gözlemi, etkilenen kişiyi, kararı ve bilmediklerinizi kendi cümlelerinizle kaydedin.
2. Yapay zekâyı muhalif olarak çağırın: Çözüm değil, alternatif çerçeve, eksik aktör ve yanlışlayıcı kanıt isteyin.
3. Alan sahibiyle sürtüştürün: Çıkan problem cümlesini müşteri desteği, satış, operasyon veya üründen doğrudan süreci gören biriyle sınayın.
4. Ölçütü çözümden önce sabitleyin: Hangi değişimin başarı sayılacağını ve neyin pahasına başarı istemediğinizi yazın.
5. Karar günlüğü tutun: Seçilen çerçeveyi, reddedilen alternatifleri ve kararı değiştirecek kanıtı kaydedin.

OECD’nin 2026 Dijital Eğitim Görünümü de yapay zekâyı yalnızca kısa vadeli performans artışı açısından değil, öğrenme kapasitesini koruyacak biçimde ele alma gereğine dikkat çekiyor. İş ortamına çevrildiğinde bunun anlamı şudur: Bir çalışan yapay zekâyla daha hızlı rapor hazırlarken neden-sonuç kurma, belirsizliği ifade etme ve ölçüt geliştirme pratiğini tamamen dışarıya devretmemelidir. Bugünkü çıktı ile yarının yargı kapasitesi birlikte tasarlanmalıdır.

Göndermeden önce yedi soruluk kontrol

Bir sonraki önemli talebinizi yapay zekâya vermeden önce şu yedi soruya cevap verin:

1. Yazdığım şey gözlenmiş bir belirti mi, yorum mu, yoksa kanıtlanmış neden mi?
2. Bu durum kimin hangi kararını veya hedefini etkiliyor?
3. Problemi kullanıcı, sistem ve zaman açısından yeniden yazdım mı?
4. İlk açıklamamı yanlışlayabilecek en az bir karşı-örnek var mı?
5. Eksik veriyi açıkça belirttim mi?
6. Başarının yanında korunması gereken sınırı da tanımladım mı?
7. Hangi kanıt gelirse müdahale etmekten vazgeçeceğim?

Yedi sorunun tamamına uzun cevaplar vermeniz gerekmez. Birer cümle bile talebin yönünü değiştirebilir. Önemli olan, yapay zekânın akıcı cevabından önce insan yargısının hangi dünyayı çözmeye çalıştığını belirlemesidir.

Sonuç: İlk adım cevap istememek olabilir

Yapay zekâ cevap üretme, seçenek sıralama ve yürütme maliyetini düşürüyor. Fakat neyin belirti, neyin problem, neyin kanıt ve neyin uğruna çalışmaya değer bir hedef olduğunu kendiliğinden sabitlemiyor. Bunlar teknik yeterlilikten önce değer, bağlam ve sorumluluk sorularıdır.

Problem kurma yeteneğini korumak için her işi elle yapmamız gerekmez. Yapmamız gereken, düşünmenin yönünü belirleyen kritik parçaları insanda tutmaktır: belirsizliği kabul etmek, etkilenen kişiyi görmek, sistemi nedenleriyle birlikte okumak, zaman içindeki yan etkileri hesaba katmak, başarı ölçütünü seçmek ve sonuçların sorumluluğunu üstlenmek.

Bugün tek bir gerçek talebinizi seçin. Henüz yapay zekâya göndermeyin. Önce belirtisini, problem cümlesini, neden hipotezini ve hedefini ayrı ayrı yazın. Ardından kullanıcı, sistem ve zaman açısından üç kez yeniden kurun. Son olarak bir karşı-örnek ile bir vazgeçme koşulu ekleyin. Ancak bundan sonra çözüm isteyin. Büyük ihtimalle yalnızca daha iyi bir prompt değil, çözmeye gerçekten değen daha iyi bir problem elde edeceksiniz.

Kaynaklar

• Anthropic — Agentic coding and persistent returns to expertise
• AI advice suppresses people's willingness to say “I don't know”
• PLOS One — Social friction vs. cognitive efficiency
• OECD Digital Education Outlook 2026