Yapay Zekâ Uzmanı ve Eski Ürün Yöneticisi, Proje Tesliminde Ajan Tabanlı İş Akışlarının Kullanımını Derinlemesine İnceliyor
Nate Jones, artık kendi ürünlerini geliştiren eski bir ürün yöneticisi; aynı zamanda kitleleri, ajan tabanlı sistemleri kendi avantajlarına nasıl kullanabilecekleri konusunda eğitiyor. Proje tesliminde ajan tabanlı işlem hatlarını kullanmanın tüm inceliklerini öğrenmek istiyorsanız konuşmanız gereken kişi o. İşte tam olarak bu nedenle kendisiyle bir araya geldik.
Nate Jones
Rockerbox Ürün Başkanı
Ajan tabanlı iş akışları proje teslimini yeniden tanımlıyor: Yapay zekâ ajanları artık triyajı, planlamayı ve dokümantasyonu geniş ölçekte gerçekleştirebiliyor. Açık iş kurallarıyla birlikte kullanıldıklarında projeler genelinde hızı ve tutarlılığı önemli ölçüde artırıyorlar.
Yeni ürün yöneticisi ajanların yöneticisidir: Ürün ve proje yöneticileri, çıktı üretmekten ajanların çıktılarını doğrulamaya geçmeli. İş artık denetim, kalite kontrolü ve yapay zekâ sistemlerinin öğrenmesine ve gelişmesine rehberlik etme üzerine kuruluyor.
Yapay zekâyı benimsemek kapsamlı bir operasyonel değişim gerektiriyor: Yapay zekâ odaklı iş akışlarına geçiş, tak-çalıştır bir süreç değil. İnsanların, yapay zekâ tarafından yürütülen işlerin %98'ini yönlendiren ve stratejik işlerin %2'sine odaklanabilmesi için yeni alışkanlıklar, düzenli bağlam yönetimi ve açık dokümantasyon gerekiyor.
Bize anlattıkları şöyle.
“Yapay zekânın Bay Rogers’ı” ile tanışın ve onun yapay zekâ takıntısını öğrenin
Ben Nate’im — internette yapay zekâ hakkında çok konuşan bereli adam olarak tanınıyorum. Birisi yakın zamanda bana “Yapay zekânın Bay Rogers’ı” dedi ve bu tanımlamayı gerçekten sevdim. Ürün yönetimi alanında yetiştim; bu nedenle teslimatın zorluklarına oldukça aşinayım ve ajan tabanlı yapay zekâ sistemleri geliştiren şirketlerle çalışıyorum.
Bence şu anda yapabileceğiniz en önemli şey yapay zekâyı öğrenmek. İşte bu yüzden öğretiyorum.
Continue Reading for Free
Create a free account to finish this article, plus get ongoing access to timely insights and practical resources.
Have an account? Log In
Bu konuya takıntılıyım. Tanıdığım ve bu konuya takıntılı olan insanların kariyerlerinde en iyi ilerlemeyi kaydedenler olduğunu görüyorum. Yapay zekâ araçlarını kullanma becerinizi ne kadar hızlı geliştirdiğinizi ifade eden yetkinlik ivmesine temel bir kariyer ölçütü olarak bakmalısınız.
Yapay zekâyla 24 ay içinde verimliliğinizi ve teslimat hızınızı 10 katına nasıl çıkarırsınız?
Yapay zekâ her şeyi değiştirdi! Rolümü tamamen değiştirdi. Artık işe varsayılan olarak yapay zekâyla başlıyorum.
Hatta 24 ay içinde kaliteyi artırırken sorumluluk alanımı ve teslimat hızımı 10 katına çıkardığımı söyleyebilirim. Siz de aynısını şöyle yapabilirsiniz:
- Zihniyetinizi değiştirin: Önceliği varsayılan olarak LLM’lere verin. Öğrenmenin tek yolu bu.
- Yalnızca tavsiye değil, teslim edilebilir çıktılar bekleyin: Yapay zekâ, özellikle proje yönetiminde eksiksiz teslim edilebilir çıktılar üretebilen güçlü bir araçtır. Sadece onu teslimat yapmaya zorlamanız gerekir. Ondan yüksek kaliteli işler bekleyin. Çıktısı yeterince iyi olmadığında bunu açıkça söyleyin. Ardından kendinize dönün; çünkü sorun neredeyse her zaman niyeti açıkça ifade etmemiş olmanız ve LLM’in belirsiz bir istemden yararsız sonuçlar çıkarıyor olmasıdır.
- LLM destekli istem oluşturmayı kullanın: LLM’ler istemlerinizi oluşturmanıza yardımcı olabilir ve bu büyük bir zaman tasarrufu sağlar.
- En uygun LLM kullanımını öğrenin: Girdileri bölmeyi ve istemleri çok temiz bir şekilde oluşturmayı öğrenin. Ayrıca modele sağladığınız girdilere, verilere ve temiz bağlama takıntılı bir şekilde odaklanın.
Ajan tabanlı sistemlerle talep önceliklendirmesini ve görev ayrıştırmasını nasıl otomatikleştirirsiniz?
Ajan tabanlı sistemleri kullanarak büyük ölçekte talep önceliklendirmesi ve ayrıştırması oluşturmak çok önemli oldu. Özellikle temiz, türleri belirlenmiş ve bildirimsel planlama mimarileri ile ajan akışları oluşturmak açısından.
Uçtan uca bir ajan tabanlı talep önceliklendirme iş akışı şöyle:
- Bir müşteri görüşmesi Granola (not alma uygulaması) ile yazıya dökülür. Ardından döküm, ajan tabanlı bir işlem hattına girer.
- İlk ajan, dökümü ayrıştırmak ve müşterinin ifade ettiği talepleri belirlemek için GPT-5 Thinking’i kullanır. Açık talepler üretir.
- Bu çıktı, MCP üzerinden Notion’ı (proje yönetimi yazılımı) çağıran bir sonraki ajana aktarılır. Bu ajan müşterinin bilgilerini ve taleplerini kaydeder ve tam dökümü referans olması için ekler.
- Sonraki ajan, benim durumumda tüm Notion veritabanını özel bir istem kullanarak taraması için Gemini 2.5 Pro gibi bir analiz LLM’ini çalıştırır. Sonuç olarak, bilinen tüm talepler arasındaki talep önceliğine ilişkin ağırlıklandırılmış bir görünüm elde edilir.
- Ardından başka bir ajan, MCP üzerinden Linear’ı sorgulamak için hafif bir LLM (GPT Turbo gibi) kullanır. Bu ajan, söz konusu öncelikleri mevcut taleplerle karşılaştırır, örtüşmeleri belirler ve varsa boşlukları öne çıkarır.
- Boşluklar varsa iş akışı, ürün sorunları ve çözüm gereksinimleri oluşturması için bir istemle GPT-5 Thinking’e geri döner.
- Ardından bir ajan, ürün gereksinimleri dokümanını (PRD) taslak hâline getirmek için MCP üzerinden ChatPRD’yi çağırır.
- Bundan sonra GPT-5 Non-thinking, PRD’yi tek tek taleplere ayırma görevini devralır — oldukça doğrusal bir adımdır — ve bunları MCP üzerinden Linear’a geri gönderir.
- Daha da ileri gitmek isterseniz son olarak başka bir ajan, insan ve ajan tabanlı geliştiricilerin (Devin AI gibi) listesini çekebilir ve Slack’te görevleri otomatik olarak atamaya başlayabilir.
Ölçekli bir şekilde ajan tabanlı sistemler kullanarak destek taleplerinin önceliklendirilmesini ve ayrıştırılmasını oluşturmak çok önemli oldu. Özellikle temiz, türleri belirlenmiş ve bildirime dayalı planlama mimarileri ile ajan akışları elde etmek açısından.
Ajan tabanlı işlem hatları nedir ve ölçeklenebilir teslimat için nasıl oluşturulur?
Ajan tabanlı işlem hatları başlı başına bir günlük ders konusu olabilir, ancak özeti şu: Bir sorunu sizin için ele alması amacıyla bir LLM'ye araçları, yönlendirmeyi ve kapsamı sağlarsınız. API aracılığıyla oluşturulan bu yapıda amacınız, ilgili verileri içeri almaktır — örneğin Atlassian'ın MCP sunucusu veya benzer bir sistem aracılığıyla — ve ardından gelen destek taleplerini, otonom eylemi başlatacak doğru yönlendirmeyle eşleştirmektir.
Temiz, bildirime dayalı yönlendirme burada önem kazanır. Yönlendirme diline daha az yaslanmanın iyi sonuç verdiğini, yapıyı doğrudan iş akışına yerleştirmenin etkili olduğunu görüyorum. Bu, farklı destek talebi türleri genelinde ölçeklenebilirlik sağlar. İş akışlarına açıklığı ve iş kurallarını zorla yerleştirerek deterministik zekâya — çıktıların tutarlı ve öngörülebilir olduğu bir yapıya — ulaşmak, binlerce destek talebine ölçeklenebilir.
Yukarıda açıkladığım ajan tabanlı akışa bakmanız yeterli. Bu akış, iyi yönlendirme yapmakla ilgili değildir. Bir veya iki yönlendirme içerir, ancak çoğunlukla iş kurallarından, döndürülen verilerden ve küçük parçalara ayrılmış, dikkatle yapılandırılmış akıl yürütme görevlerinden oluşur. Düşünme modelleri için büyük yönlendirmeler, basit modeller için çok sayıda ardışık görev kadar güvenilir değildir. Ancak basit modellere doğrulama eklemeniz gerektiğini belirtmek önemlidir.
Yapay zekâyı teslimat iş akışlarında benimsemek neden ciddi bir değişim yönetimi gerektirir?
Genel olarak, iş akışlarında yapay zekâyı benimsemenin ne kadar çok çalışma gerektirdiğine şaşırdım! Bu, muhtemelen teknoloji alanında şimdiye kadar gördüğümüz en büyük değişim yönetimi çabası. Tüm iş akışınızı, insanın dikkatin yüzde 2'sini, LLM'nin ise yüzde 98'ini sağladığını varsayacak şekilde yeniden düzenlemeniz gerekiyor.
Tüm çalışma sürecinin yeniden oluşturulması gerekiyor.
Bu dünyaya geçiş nasıl görünüyor? İnsanın, bu odağı kullanarak gerçek bir kaldıraç elde etmesi için ayırması gereken doğru yüzde 2'lik dikkat nedir? LLM'nin ekstra ilgisiyle kapsamı anlamlı bir şekilde 10 katına nasıl çıkarabilirsiniz? Şablonları, bağlam beklentilerini, dokümantasyon beklentilerini ve süreci nasıl yeniden oluşturabilirsiniz?
Şöyle düşünün — ürün alanındaki göreviniz artık çıktılar yazmak değil. Göreviniz:
- Gelecekteki yönü düşünmek
- Dinlemeye, sizin için PRD'ler oluşturmaya ve bunları geliştirme ekibine aktarmaya başlayan ajan tabanlı sistemleri doğrulamak.
- Ve daha iyi seçenekler gördüğünüz yerlerde aktif olarak işe dahil olup müdahale etmek.
Dolayısıyla yapay zekânın üretmeye başladığı fikir akışını incelemenize olanak tanıyan sistemler oluşturun.
Benzer şekilde, projelerde trenleri rayında tutma görevi çıktılarla veya toplantılarla ilgili değildir. Paydaş güncellemeleri de değildir. Yukarıda açıkladığım gibi otomatikleştirilmiş bir akışa bakıp "Hayır, burada hatalı bir kök tahmin olduğunu düşünüyorum" demek, ardından doğruluğu sağlamak için işe müdahale edip doğrudan dahil olmak ve aynı zamanda sistemin bu müdahaleden öğrenmesini sağlamakla ilgilidir.
Artık ajanların yöneticisisiniz.
Nate Jones'ın proje oluşturma ve yönetmeye yönelik yapay zekâ teknoloji yığınına içeriden bir bakış
İlham vermesi için teknoloji yığınıma bir göz atalım:
- Linear, yapay zekâ için tasarlanmış harika bir proje yönetimi seçeneğidir
- Yazışmaları basitleştirmek için arama, yazma ve takvim özellikleri sunan Superhuman'ın yapay zekâ (verimlilik yazılımı) özellikleri
- Toplantı dökümleri için Granola
- Araştırma için Perplexity
- Karmaşık konulara ilk bakış için ChatGPT Deep Research
- Çok karmaşık düşünme ve problem çözme için GPT-5 Pro
- Yönlendirmeli kod problem çözümü için Codex
- Düzenleme ve içerik oluşturma süreçleriyle uğraşmak için Claude
- Yerel dosya erişimine sahip genel amaçlı bir ajan için Claude Code
- Kişisel asistan olarak mobil cihazlarda Claude
- Yapay zekâ destekli kayıt için Riverside
- Yapay zekâ ile web'de akıllıca gezinmek için Comet Browser
Şunu da söyleyeyim: İnsanlar Claude'un araç kullanımını gözden kaçırıyor. Sıfırdan Excel ve PowerPoint oluşturabiliyor. Claude Code'u kodlama dışında çok daha fazlası için kullanabilirsiniz. Aslında bunun hakkında eksiksiz bir makale yazdım.
Yapay zekâ toplantıları nasıl ortadan kaldırıyor ve tamamen eşzamansız iş birliğini mümkün kılıyor?
Yapay zekâ sayesinde artık çok daha fazla eşzamansız çalışabilirsiniz. Ortak geliştiricilerimle tek bir toplantı bile yapmadan baştan sona ürünler geliştirdim. İhtiyacınız olan tek şey mükemmel belgeleme sistemleri kurmak ve kararları Slack'te almaktır.
Yapay zekâ bunu, yapay zekâ destekli belgeleme, yapay zekâ destekli kodlama ve daha fazlasıyla mümkün kılıyor.
Ama her şeyden önce, mesele bir zihniyet değişikliği.
Yapay zekâ çağında geleneksel proje yönetimi neden ortadan kalkıyor?
İyi zevk ortadan kalkmıyor. Hesap verebilirlik de öyle. Paydaş yönetimi ve ilişkiler de. Bağlamı belirsiz, deterministik olmayan görevler de. Bunlar için insanlara ihtiyacınız var.
Ancak kedileri hizaya sokmak ve projeleri ilerletmek olarak uygulanan proje yönetimi ortadan kalkacak. Trenleri rayında tutmaya yönelik tüm bu işler yapay zekâ tarafından üstlenilecek.
Bu nedenle tavsiyem, işin belirsiz ve insani kısımları için heyecan duymanız. Ayrıca yapay zekâ ajanı sistemleri oluşturmaya ve yönetmeye ciddi şekilde yönelmeye başlayın — OpenAI ajan oluşturucu ve n8n ile başlayabilirsiniz.
Tavsiyem, işin belirsiz ve insani kısımları için heyecan duymanız. Ayrıca yapay zekâ ajanı sistemleri oluşturmaya ve yönetmeye ciddi şekilde yönelmeye başlayın — OpenAI ajan oluşturucu ve n8n ile başlayabilirsiniz.
Takip edin
Nate'i LinkedIn üzerinden takip edebilir ve onun bülteninden ve YouTube kanalından öğrenebilirsiniz.
The Digital Project Manager'da daha fazla uzman röportajı yayımlanacak.
