Yapay Zeka Kullanım Deneyimi: Burak'ın Excel Makro Örneği

Bir Otomotiv Mühendisinin 16 Saatlik İşini 3 Saate İndiren Hikaye

Yapay zekâ hakkında sayısız sunum dinliyor, sayısız LinkedIn paylaşımı görüyorsunuz. Ama çoğu zaman aklınızda asıl şu soru kalıyor: Yazılımcı olmayan biri, kendi işinde bunu gerçekten nasıl kullanıyor? Hangi noktada hayatını kolaylaştırıyor, hangi noktada sadece bir oyuncak olmaktan çıkıp gerçek bir araca dönüşüyor? Burak'ın bir etkinlikte paylaştığı deneyim, tam da bu sorunun somut bir cevabı niteliğinde.

Kısaca özetlemek gerekirse: Otomotiv sektöründe dokümantasyondan sorumlu bir endüstri mühendisi, yapay zekâya yazdırdığı bir Excel makrosu sayesinde 16-18 saat süren bir işi 3-4 saate indirdi. Üstelik bunu, kod yazma geçmişi olmadan başardı. Bu hikâyenin değerli olan tarafı, sonucun kendisinden çok yolun nasıl açıldığı.

Sahadan Bir Pencere: 5000 Ürün Ağacının İçinden Geçen Bir İş Akışı

Burak, bir otomotiv fabrikasında çalışıyor ve operatörlerin sahada kullandığı montaj talimatlarını, bunun yanında operatörlerin görmediği arka plan dokümanlarını hazırlıyor. Bu dokümanlar ürün ağaçlarına (BOM - Bill of Materials) dayanıyor ve ortalıkta 5000'e yakın ürün ağacı dolaşıyor.

Yeni bir ürün geldiğinde süreç şöyle ilerliyordu: Bu ürüne en çok benzeyen mevcut ürünü bulmak, referans olarak almak, ortak noktaları çıkarmak ve buradan yeni talimatı oluşturmak. Manuel yapıldığında bu işin tek bir ürün için 16-18 saate yayılması işten bile değildi. Hem zaman maliyeti yüksek hem de bu kadar veri arasında insan gözünün hata yapma ihtimali oldukça açık.

Kod Yazmayan Birinin Koda Ulaştığı An

Burak'ın hikâyesinin en kritik noktası burası. Kendisi yazılımcı değil, endüstri mühendisi. Yani kod, normal şartlarda onun konfor alanının dışında bir alan. Ama yapay zekâ, bu sınırı geçirgen hale getirdi. Burak, ihtiyacını yapay zekâya tarif etti ve Excel'e gömülecek bir makro kodu (VBA macro) yazdırdı.

Burada işin ruhuna bakalım: Burak'ın güçlü olduğu taraf üretim, ürün ağaçları, hata modları, kalıp ve fikstür gibi alan bilgisi (domain knowledge). Eksik olduğu taraf yazılım. Yapay zekâ tam da bu boşluğu doldurdu. Yani işin uzmanı hâlâ Burak; yapay zekâ ise onun uzmanlığını çoğaltan bir kaldıraç görevi gördü.

Sistemin Şu An Yaptığı Şey

Geliştirdiği akışta yeni bir ürün adı ya da kodu girildiğinde sistem şu çıktıları üretiyor:

• Yeni ürünün hangi mevcut ürünlere en çok benzediği
• Hangi ürünlerle ortak parçalara sahip olduğu
• Hangi ürünün referans alınabileceği
• Ortak hata modları (FMEA - Failure Mode and Effects Analysis)
• İlgili kalıp kodları ve fikstür kodları

Hata modlarını da ayrıca dosyadan çekecek şekilde tanımlamış. Yani sistem, sadece benzerlik araması yapmıyor; aynı zamanda kalite ve üretim parametrelerini de tek bir noktada birleştiriyor.

Asıl Kazanım Zaman mı, Yoksa Başka Bir Şey mi?

İlk bakışta hikâyenin başkahramanı zaman tasarrufu gibi görünüyor: 16-18 saatten 3-4 saate inen bir iş. Bu zaten başlı başına ciddi bir verim artışı. Ama bunun altında daha az konuşulan bir kazanım daha var: hata riskinin azalması.

Manuel olarak 5000 ürün arasında benzerlik aramak, referans seçmek ve hata modlarını eşleştirmek, doğası gereği insana açık bir süreç. Burada yapılan ufak bir kaçırma, sahaya yanlış talimat olarak yansıyabilir. Sistematik bir makronun devreye girmesi, hem hızı hem de tutarlılığı aynı anda iyileştiriyor. Bir tasarımcı ya da ürün yöneticisi için bu detay tanıdık gelecektir: Asıl değer çoğu zaman "daha hızlı" değil, "daha az hatayla ve daha tekrar edilebilir biçimde" yapmaktır.

Bu Hikâyeden Kendi İşinize Ne Taşıyabilirsiniz?

Burak'ın deneyimi, masanızda biriken işlere farklı bir gözle bakmanız için iyi bir davet. Eğer haftanızda saatlerce tekrarlayan, kural tabanlı ama manuel ilerleyen bir iş varsa, muhtemelen orada bir otomasyon fırsatı duruyordur.

Bu noktada işe başlamak için birkaç pratik düşünce:

• Önce işi tarif edin, aracı değil. Burak da yapay zekâya "bana kod yaz" demedi; "ben şu işi şöyle yapıyorum, bunu nasıl hızlandırabiliriz" diye yaklaştı. Sorunu net tarif etmek, çözümün yarısı.
• Mevcut araçlardan başlayın. Excel, herkesin masasında olan bir araç. Yeni bir platform öğrenmeden mevcut ekosistemde otomasyon kurmak, hem hızlı sonuç hem de düşük direnç sağlıyor.
• Veriyi tek noktada birleştirin. Burak, benzerlik, hata modu, kalıp, fikstür gibi bilgileri tek bir çıktıda topladı. Yapay zekânın katma değeri, dağınık verileri anlamlı biçimde bir araya getirmesinde ortaya çıkıyor.
• Alan bilgisini bırakmayın. Yapay zekâ sizin uzmanlığınızın yerine geçmiyor; o uzmanlığı çoğaltıyor. Süreci en iyi tanıyan kişi yine sizsiniz.

Aynı Mantık Başka Hangi Masalarda İşler?

Burak'ın yaptığı şey otomotiv dokümantasyonuna özel görünebilir ama altındaki mantık oldukça geneldir: Büyük bir varlık havuzunda benzerlik bulmak, referans seçmek ve ilgili meta veriyi çekmek.

Benzer mantığı şu işlerde de görmek mümkün:

• Bir UX tasarımcısının yüzlerce bileşenin (component) içinden yeni bir ekran için en uygun olanları kısa sürede tarayıp önermesi
• Bir ürün yöneticisinin geçmiş müşteri geri bildirimleri arasında benzer şikâyetleri eşleştirip yeni gelen talebi doğru kategoriye yerleştirmesi
• Bir araştırmacının yüzlerce kullanıcı görüşmesi içinden benzer temaları çıkarması
• Bir operasyon ekibinin tekrarlayan tedarikçi dokümanlarını standart bir şablona dönüştürmesi

Hikâye değişiyor, mantık aynı kalıyor: Tekrarlayan kalıpları yapay zekâya bırakıp, karar verme ve yorumlama kısmını insana saklamak.

Merak Edilenler

Kod yazmayı bilmiyorum, yine de böyle bir makro yazdırabilir miyim?

Evet. Burak da yazılımcı değil, endüstri mühendisi. Önemli olan, işi net tarif edebilmek. Yapay zekânın size ürettiği kodu anlamak ve test etmek için temel bir Excel bilgisi yeterli bir başlangıç noktası olabilir.

Yapay zekânın yazdığı koda nasıl güvenebilirim?

Burada anahtar, küçük adımlarla ilerlemek. Önce küçük bir veri kümesinde test edip çıktıları manuel sonuçlarınızla karşılaştırmak, güveni adım adım inşa etmenin en sağlıklı yolu.

Bu kadar verimlilik artışı her sektörde mümkün mü?

Kural tabanlı, tekrarlayan ve veri yoğun işlerin olduğu her yerde benzer kazanımlar mümkün. Tamamen yaratıcı veya tamamen yüz yüze ilişki gerektiren işlerde ise yapay zekâ farklı biçimlerde, örneğin asistan olarak devreye giriyor.

Önce hangi işten başlamalıyım?

Haftanızda en çok zaman alan ve en çok sıkıldığınız tekrarlayan işi seçin. Genellikle en büyük kazanç, en monoton görünen işten gelir.

Küçük Bir Makronun Anlattığı Büyük Şey

Burak'ın hikâyesi, aslında yapay zekâ tartışmalarının merkezine sade bir cümle koyuyor: Uzmanlığınızı bırakmanıza gerek yok, sadece onu çoğaltacak bir kaldıraç bulmanız yeterli. Bir endüstri mühendisi, kendi alan bilgisini koruyarak, ama yazılım tarafındaki eksiğini yapay zekâ ile kapatarak haftalarca süren bir iş yükünü birkaç saate indirebiliyor.

Önümüzdeki dönemde fark yaratacak olanlar muhtemelen "yapay zekâyı bilenler" değil, kendi işini en iyi tanıyan ve yapay zekâyı o işin içine doğru biçimde yerleştirenler olacak. Burak'ın küçük makrosu, bunun çok somut bir örneği.