Yapay zekâya kod yazdırma: küçük bir işletme için sıfırdan örnek

"Kod" kelimesinden korkmaya gerek yok

"Kod yaptırma" dendiğinde zihinlerde farklı şeyler canlanıyor. Kimileri siyah ekranda yeşil harfler düşünüyor; kimileri "bu benim işim değil" deyip geçiyor. Küçük işletme sahiplerinin büyük çoğunluğu bu ikinci grupta.

Ama duraksayın bir dakika. Bugün yapay zekâyla konuşarak — tıpkı WhatsApp'ta mesaj atar gibi — çalışan bir program yazdırmak mümkün. Yazı dili bilmek gerekmiyor. Yazılım mühendisliği diploması hiç gerekmiyor.

"Kod" dediğimizde ne kastediyoruz? Temel olarak bir makinenin sizi anlayacağı dilde verilen talimatlar. Siz her gün çalışanlarınıza, tedarikçilerinize, müşterilerinize talimat veriyorsunuz. Yapay zekâya program yazdırmak bundan farklı değil — sadece muhatap bir bilgisayar.

Peki küçük bir işletme için ne tür "kodlar" yapay zekâdan istenebilir? Randevu takibi, sipariş formu, müşteri listesi, ürün kataloğu, stok sayacı, basit fatura şablonu… Bunların hepsi, teknik bir ekip tutmadan, yapay zekâ yardımıyla hayata geçirilebilecek şeyler. Büyük bütçeler ve uzun geliştirme süreçleri gerektirmiyorlar — doğru araçla ve doğru soruyla başlamak yeterli.

Bu makalede bunu somutlaştırmak için gerçek bir senaryo kullanıyoruz: bir mahalledeki berberin randevu sorunu. Adım adım, ne sorduk, yapay zekâ ne yaptı, sonuçta ne çıktı — hepsini açıyoruz.

Senaryo: mahallenin berberi

Ahmet Usta yirmi yıldır aynı mahallede berber. İşini iyi yapıyor; müşterileri memnun. Ama her sabah aynı sorunla karşılıyor: telefon çalıyor, WhatsApp mesajları birikmiş, kâğıttaki randevu defteri dolu — ama yarın hangi saat boş, hızlıca görmek güç. Bazen çift randevu veriliyor; bazen müşteri geldiğinde yer olmadığını anlıyor.

Bir yazılım şirketi tutmak aklından geçiyor ama fiyatlar caydırıcı. Aylık abonelik uygulamalar da var ama hepsi İngilizce, hepsi "on ücretsiz özellik, elli ücretli" mantığıyla çalışıyor.

Ahmet Usta bir akşam yapay zekâya şunu yazıyor:

"Berberim için WhatsApp üzerinden randevu alan basit bir sistem yap."

Bu tek cümle, başlangıç noktası. İçinde teknik detay yok — ne programlama dili, ne veri tabanı, ne sunucu. Sadece ihtiyaç.

Yapay zekâ o boşlukları nasıl dolduruyor?

Ahmet Usta'nın cümlesinde söylenmemiş onlarca şey var. Yapay zekâ bunları sormak ya da varsaymak zorunda. Gerçek hayatta iyi bir yapay zekâ sistemi bu kararları genellikle ikisini birden yaparak veriyor: bazı şeyleri soruyor, bazılarını akla yatkın varsayımlarla dolduruyor.

Dil seçimi

Python mi, JavaScript mi, başka bir şey mi? Ahmet Usta bilmiyor, umursamıyor. Yapay zekâ ise şunu düşünüyor: "Bu sistem WhatsApp üzerinden çalışacak, yani bir mesajlaşma API'sine ihtiyacı var. Python bu tür entegrasyonlarda yaygın kullanılıyor ve başlangıç kolaylığı var." Karar: Python.

(API ne demek? Kısaca: iki sistem arasında köprü. WhatsApp'ın size mesaj göndermenize izin veren kapısı gibi düşünebilirsiniz.)

Veri tabanı (depo) seçimi

Randevular bir yerde tutulmak zorunda. Bu "yer" bir veri tabanı — bir depo. Yapay zekâ basit bir SQLite seçiyor; çünkü Ahmet Usta'nın işletmesi büyük değil, bir dosya olarak bilgisayarda durması yeterli, ayrı bir sunucu gerektirmiyor. Sistem büyürse daha güçlü bir depoya taşımak mümkün.

Mesajlaşma API'si

WhatsApp için iki seçenek var: resmi WhatsApp Business API (kurumsal, ücretli) ya da Twilio gibi aracı servisler (küçük işletmeler için daha erişilebilir). Yapay zekâ Twilio'yu öneriyor; ücretsiz deneme sürümü var, kurulumu görece kolay.

Hangi kararları sormak gerekiyor?

Bazı şeyler ise Ahmet Usta'ya sorulmadan yapılamaz:

Randevular kaçar dakikalık olacak?
Haftanın hangi günleri, saat kaçtan kaça çalışıyor?
Aynı anda kaç kişiye randevu verilebilir?

İyi bir yapay zekâ sistemi bu soruları başta sorar, ilerlemeden önce yanıt bekler. Kararlar müşteriyle birlikte verilir; tahminle değil.

Üretim adımları: iskelet koddan çalışan sisteme

Yapay zekâ doğrudan "tamamlandı, buyurun" demez — ya da dememelidir. Sağlıklı bir süreç adım adım ilerler.

Adım 1: İskelet

İlk üretilen şey iskelet kod. Henüz hiçbir şeye bağlı değil — WhatsApp'a da, veri tabanına da. Ama mantığı açıkça görülüyor:

# Gelen WhatsApp mesajını al
# Randevu talebi mi? Kontrol et
# Müsait saat var mı? Bak
# Randevuyu kaydet
# Onay mesajı gönder

Bu aşamada Ahmet Usta'ya sorulacak iki şey var: "Bu akış doğru mu?" ve "Eksik gördüğün bir adım var mı?" Onay alınmadan devam edilmiyor.

Adım 2: Bağlantılar

İskelet onaylandıktan sonra gerçek bağlantılar ekleniyor. WhatsApp'tan gelen mesaj sisteme geliyor; sistem veri tabanına bakıyor; yanıt geri gidiyor. Bu aşama en çok hata çıkan aşama — çünkü dış sistemler her zaman beklendiği gibi davranmıyor.

Örneğin Twilio'nun test ortamında gönderilen bir mesajın gerçek WhatsApp'a ulaşması için belirli bir doğrulama adımı gerekiyor. Yapay zekâ bu adımı da koda ekliyor ve neden gerekli olduğunu açıklıyor.

Adım 3: Test mesajları

Son adımda gerçek test yapılıyor. "Yarın saat 14 müsait mi?" yazıldığında sistem ne yanıt veriyor? "Salı öğleden sonra randevu istiyorum" gibi belirsiz bir mesaj geldiğinde ne oluyor? Sistem anlıyor mu, yoksa kayıp mı sayıyor?

Bu testler yapay zekâyla birlikte yürütülüyor. Her test sonucunda Ahmet Usta görüyor: sistem istendiği gibi mi çalıştı? Çalışmadıysa, neden, ve düzeltme nasıl yapılır?

Bu üç adımın her birinde iki şey sabit kalıyor: "Bu mu istediğin?" sorusu ve her adımda gözle görülür bir ilerleme. Kullanıcı süreci takip edebildiği için neyin yapıldığını biliyor — kara bir kutu teslim alıp "çalışır umarım" demek zorunda kalmıyor.

Tek akıl mı, ekip mi?

Ahmet Usta'nın sistemini yazan yapay zekâ tek bir araç olabilir — ChatGPT, Gemini, Claude. Bu "tek akıl" yaklaşımı küçük ve iyi tanımlanmış problemler için çalışıyor. Bir randevu sistemi bu kategoriye giriyor.

Ama iş büyüdükçe tablolar değişiyor. Birden fazla berber var, birden fazla şube açıldı, sadakat programı eklenmek istendi, muhasebeyle entegrasyon gerekti — bu noktada tek bir yapay zekânın tüm kararları aynı anda vermesi güçleşiyor. Tasarım, veri güvenliği, iş mantığı, test — bunların hepsini aynı anda optimize etmek tek bir bakış açısından zor.

Çoklu-akıl yaklaşımı burada devreye giriyor. UAIS bunu yapıyor: bir istek geldiğinde birden fazla uzman yapay zekâ bir araya geliyor — biri iş sürecine bakıyor, biri teknik altyapıya, biri güvenliğe. Kararlar tartışılarak veriliyor; tutarsızlıklar erken yakalanıyor. Sonuç tek aklın ürettiğinden daha sağlam çıkıyor. Bu fark, küçük bir randevu sisteminden büyük bir iş sürecine geçerken daha görünür hâle geliyor.

Dürüst uyarılar: yapay zekânın yazdığı kod sorumsuzluk getirmez

Buraya kadar iyi şeyler söyledik. Şimdi dürüst olmak gerekiyor.

Kim hesap verecek?

Yapay zekânın yazdığı kod çalışmadığında, müşteri verisi yanlış kaydedildiğinde ya da sistem çöktüğünde hesabı kim verecek? Yapay zekâ değil — siz. Bu gerçeği baştan kabul etmek gerekiyor. "Yapay zekâ yaptı" demek bir sorumluluk kalkanı sağlamıyor.

Veri güvenliği

Ahmet Usta'nın sistemi müşteri adlarını, telefon numaralarını, belki de randevu notlarını saklıyor. Bu kişisel veri. KVKK (Kişisel Verilerin Korunması Kanunu) kapsamında belirli yükümlülükler var. Yapay zekânın yazdığı kod bu yükümlülükleri otomatik olarak karşılamıyor. Bunu ayrıca kontrol etmek, gerekirse bir uzmana danışmak gerekiyor.

Bakım kim yapacak?

Bugün çalışan sistem altı ay sonra da çalışacak mı? Twilio API'si güncellendi, WhatsApp bir kural değiştirdi, Python sürümü eskidi — bunlar olmadan olmaz. Sistemi kurmak başlangıç; onu ayakta tutmak ayrı bir iş. Yapay zekâ bu bakımda da yardımcı olabilir ama "bir kere yap, sonsuza unut" diye bir şey yok.

İlk adım: neden başlamalı, neden başlamamalı

Küçük bir işletme için yapay zekâya kod yazdırmayı düşünüyorsanız, şunlara başlayın:

Tekrarlayan, elle yaptığınız şeyler: randevu kaydetmek, form doldurmak, müşteriye standart mesaj göndermek. Bunlar otomasyona en uygun adaylar.
İyi tanımlanmış süreçler: "Müşteri şunu istiyor, ben şunu yapıyorum, şu oluyor" diyebildiğiniz her şey. Belirsiz kalan süreçler belirsiz kod çıkarır.

Şunlara henüz başlamayın:

Mevcut büyük sistemlerle entegrasyon: on yıllık muhasebe yazılımı, eski POS cihazı. Bunlar yapay zekâ için bile karmaşık.
Yüksek riskli kararlar içeren süreçler: ödeme onayı, sözleşme imzalama, yasal belge üretimi. Burada hata payı düşük olmalı — ve o düşük pay için daha fazla denetim gerekiyor.

Ahmet Usta bir akşam bir cümle yazdı; birkaç günde çalışan bir sistem elde etti. Bu gerçek. Ama o cümlenin arkasında bilinçli bir ihtiyaç vardı; sistemin arkasında da sorumluluk almaya hazır bir insan. İkisi bir arada olduğunda yapay zekâya kod yazdırmak küçük işletme için gerçek bir araç hâline geliyor.

UAIS, çoklu-akıl yaklaşımıyla küçük işletmelerden büyük kurumlara kadar iş süreçlerini otomasyona taşıyor. Daha fazlası için →