Yapay Zekâ Çağında Tasarım

Kısaca  Yapay zekâ, UX tasarımında canlı prototip hazırlamayı, gerçekçi içerikle test etmeyi ve analiz yapmayı hızlandırıyor; ancak ürettiği audit bulguları, persona taslakları ve efor tahminleri insan doğrulaması olmadan güvenilir değil. Bu nedenle tasarımcının asıl sorumluluğu, yapay zekâ çıktısını tasarım ilkeleri ve gerçek kullanıcı verisiyle sınamak ve kararlarının arkasında durabilmektir.

Süreçlerim, Yaklaşımım ve Sınırlar

Yapay zekâyı tasarım süreçlerime entegre etmeye başlayalı uzun zaman oldu. Bazen tıkandığım bir fikir üstüne beyin fırtınası yapmak, bazen bir tasarım kararına farklı açılardan bakmak, kimi zamansa doğrudan ekranları kodlayıp canlıda çalışan prototiplere dönüştürmek için... İşin içine araştırma, içerik üretimi ve dokümantasyon da girince geniş bir yelpazeyle karşılaşıyoruz. Ancak her işte tek bir sihirli formül yok; bir alanda muazzam verim sağlayan bir araç, başka bir süreçte tamamen atıl kalabiliyor.

Yapay zekâ ve tasarım ilişkisini incelerken öncelikle iki farklı kitleyi birbirinden ayırmak gerekiyor. Bir tarafta bu araçları pratiklerine entegre ederek çalışma biçimini dönüştüren profesyonel tasarımcılar duruyor. Diğer tarafta ise bir tasarımcıya ihtiyaç duymadan kendi işini çözenler: Fikrini hızla somutlaştırmak isteyen bağımsız bir girişimci ya da her hipotez için tasarım ekibinin zamanını almak istemeyen bir ürün yöneticisi... Her iki grup da zaten fikir geliştiriyor, ekran kurguluyor ve prototipler hazırlıyordu; yapay zekâ sadece bu süreci çok daha hızlı ve bağımsız hale getirdi.

Asıl ayrım, neyin üretilebildiğinden ziyade üstlenilen işin niteliğinde saklı. Ekip içi bir sunum için hazırlanan hızlı bir taslakla, müşteriye güçlü gerekçelerle sunulan kapsamlı bir UX çalışmasının beklentileri elbette aynı olamaz. Bu yazıda, kendi projelerimden yola çıkarak yapay zekânın tasarım ve değerlendirme süreçlerimi nasıl kökten değiştirdiğini anlatacağım.

Statik Ekranlardan Yaşayan Deneyimlere

Sunum Yaklaşımındaki Dönüşüm

Mesleğin ilk yıllarında ekran çıktılarını alıp duvarlara asar, basılı paftalara yerleştirirdik. Ardından PowerPoint sunumlarına ve nihayetinde ekranları birbirine bağlayan tıklanabilir prototiplere evrildik. InVision dönemini hatırlayanlar olacaktır: Tasarımı yalnızca durağan bir görsel olarak sunmak yerine, kullanıcının etkileşim anında nasıl bir akışla karşılaşacağını da aktarabiliyorduk.

Figma ile birlikte bu süreç bambaşka bir boyuta taşındı. Tasarlamak, paylaşmak, geri bildirim toplamak ve etkileşimleri sergilemek tek bir ekosistemin doğal parçaları haline geldi. Açıkçası bir noktada araçların sınırına ulaştığımızı düşünüyordum; birkaç küçük yenilik dışında tüm ihtiyaçlarımız karşılanmış gibiydi. Ancak yapay zekâ, ufukta hiç öngörmediğimiz yepyeni bir kapı araladı.

Bugün tasarladığım bir kurguyu doğrudan tarayıcıda çalışan canlı bir deneyim olarak müşteriye sunabiliyorum. Müşteri formu doldurabiliyor, senaryoları bizzat test edebiliyor, akışı kendi mobil cihazında deneyimleyebiliyor. Böylece yalnızca önceden çizilmiş statik kareleri aktarmakla kalmıyor, içeriğin ve etkileşimin değişen koşullarda nasıl tepki verdiğini birlikte gözlemliyoruz. Kusursuz duran bir düzenin gerçek metin uzunluklarında, dar ekranlarda veya farklı içerik sıralamalarında nasıl esnediğini henüz işin başındayken teşhis edebiliyoruz.

Tabii ki bu sunum modelinin sınırlarını net çizmek şart. Tarayıcıda çalışan dinamik bir form, arkadaki veri altyapısının hazır olduğu anlamına gelmez. Bir etkileşimin prototipini hayata geçirmekle, onu binlerce kullanıcının hizmetine sunacak güvenli bir mimari kurmak arasında hâlâ ciddi bir mesafe var. Bu yüzden sunum esnasında nelerin simüle edildiğini, nelerin ise henüz geliştirme aşamasında olduğunu şeffaflıkla belirtmek gerekiyor.

Çok sayfalı kapsamlı bir kurumsal web sitesi projesinde tam da bu metodolojiyle ilerledim. Ancak yapay zekâya doğrudan üretim yaptırmadan önce, sistemin besleneceği temelleri bizzat inşa etmem gerekiyordu. İronik biçimde, henüz üretim aşamasına geçmeden yaptığım bu ön hazırlık ve temel yapılandırma sürecinde bile yapay zekâyı bir düşünce ortağı ve destek aracı olarak aktif şekilde kullandım. Araştırmalar, tasarım sisteminin temelleri, sayfa mimarileri ve uygulama yönergeleri bağımsız doküman gruplarında yapılandırıldı. Çalışma dizininde 124 Markdown dosyasına dağılmış 43 binden fazla satırdan oluşan devasa bir bilgi mimarisi ortaya çıktı. Bunlar rastgele kodlar veya tek seferlik prompt yığınları değildi; üretimin sonraki safhalarında karar alma mekanizmalarını besleyecek, mimarisini bizzat kurduğum hassas birer rehberdi.

Bu seviyede bir organizasyon hayati önem taşıyordu; zira tek bir brief ile koca bir sayfayı üretmek imkansızdı. Öncelikle sayfanın stratejik amacını ve kullanıcının tamamlayacağı temel görevi netleştirmek gerekiyordu. Ardından içerik hiyerarşisini, bileşenlerin işlevlerini, site içi bağlantıları ve farklı ekran boyutlarındaki davranış kalıplarını tanımlıyorduk. Tüm bu zemin oturduktan sonra uygulama talimatları hazırlanıyordu. Sayfa stratejisi, bileşen rehberi ve üretim prompt’u birbirini izleyen disiplinli aşamalardı.

Yapay zekâya tüm dizini teslim edip “siteyi bitir” demek yerine, hangi kaynaklardan besleneceğini, hangi prensiplere sadık kalacağını ve hangi noktalarda onay alacağını belirleyerek sayfa sayfa ilerledim. Üretilen çıktıyı detaylıca inceleyip yerleşim, içerik akışı veya etkileşim detaylarında müdahalelerde bulundum. Üstelik yapılan her düzeltmeyi sadece o anki ekranda bırakmayıp, sonraki üretimlerin de güncel kararlarla beslenmesi adına ana dokümantasyona işledim. Dolayısıyla dosya mimarisini ve karar geçmişini yönetmek, ekran tasarlamak kadar kritik bir sorumluluğa dönüştü.

İçerik kurgusunu da sürecin sonuna ertelemedim. Tasarımcıların sıkça karşılaştığı kronik bir sorun vardır: İki kelimelik jenerik başlıklar ve dolgu metinleriyle onaylanan şık düzenler, gerçek içerik geldiğinde iskambil kağıdı gibi dağılabilir. Başlıklar uzar, açıklamalar taşar, buton metinleri belirsizleşir. Tüm bunları müşteriden nihai metinleri beklerken keşfetmek yerine, yapay zekâ yardımıyla sayfanın özüne uygun taslak metinler kurguladım. Böylece tasarımı henüz ilk aşamada gerçekçi metin hacimleriyle test etme imkanı buldum.

Burada akıcı bir taslak metin ile doğrulanmış kurumsal bilgiyi birbirinden kesin çizgilerle ayırmak gerekir. Markanın kökeni, hizmet detayları veya üst yönetimin demeçleri mutlaka müşteri onayından geçmelidir. Bir metnin tasarımla görsel olarak mükemmel uyum yakalaması, içerdiği bilgilerin doğruluğunu garanti etmez. Dolayısıyla onay gerektiren alanları açıkça işaretlemek, o içeriği üretmek kadar kritik bir adımdır.

Not: Tüm bu süreçte yapay zekâya tasarım ve kodlama yaptırmanın, bitmek bilmeyen revizyonlar ve farklı denemelerle birlikte ciddi bir token giderine sebep olduğunu da belirtmek gerek. Bu maliyetleri kontrol altında tutmak, optimizasyon çalışmaları ve stratejik trade-off’lar gerektiriyor; ancak bu durum başlı başına başka bir yazının konusu.

Kusursuz İllüzyonlar ve Yanılsamalar

Yapay Zekâyla UX Audit Yapmanın Sınırları ve İnsan Doğrulaması

Küresel ölçekte faaliyet gösteren dev bir perakende markası kapsamlı bir UX projesi için ulaştığında, ilk kritik adım mevcut e-ticaret platformunun UX audit çalışmasıydı. Kendi analiz süreçlerimi yürütürken, önde gelen yapay zekâ geliştiricilerinden birinin henüz taze yayımladığı bir model dikkatimi çekti. “Neden sürece dahil etmeyeyim?” diyerek bir deney başlattım; ardından karşılaştırmalı veriler elde etmek adına farklı AI araçlarını da sürece dahil ettim. Günün sonunda, kendi metodolojik analizlerimin yanı sıra farklı algoritmaların ürettiği oldukça zengin bir audit veri kümesi elde etmiştim.

Ancak bu deneysel çalışmada yapay zekâya sadece “siteyi tara” deyip kenara çekilmedim. Nielsen’ın kullanılabilirlik prensiplerini temel alarak hangi sayfaların, hangi parametrelerle ve nasıl sorgulanacağını; ortaya atılan iddiaların hangi süzgeçlerden geçeceğini titizlikle kurguladım.

Çünkü yapay zekâ ile UX audit yaparken raporu yüzeysel bir illüzyonla doldurmak son derece kolaydır; sayfa hacimli görünür fakat içi tamamen kof kalabilir. Sistem, kullanıcının deneyimlediği canlı arayüz yerine arka plandaki kaynak kodlarına saplanabilir; doğrudan ulaştığı sentetik bir URL’deki hatayı ana kullanıcı akışındaymış gibi sunabilir ya da genelgeçer bir tasarım ilkesini somut bir aksaklık gibi ambalajlayabilir. Hepsini son derece ikna edici ve profesyonel bir rapor diliyle önünüze serer; hangisinin değerli bir içgörü, hangisinin gürültü olduğunu ayıklamak ise tamamen sizin uzmanlığınıza kalır.

Kaynak kodları elbette teknik bir derinlik sunar; ancak bileşenlerin ekrandaki hiyerarşisini, kullanıcının algısal odağını ve yaşadığı bilişsel sürtünmeyi sadece kod satırlarından okuyamazsınız. Görsel hiyerarşiyi ve etkileşim kalitesini hakiki biçimde değerlendirmek için canlı tarayıcıdaki gerçek akışa bakmak şarttı. Nitekim yönergelerimi bu doğrultuda sıkılaştırıp araçlardan gelen iddiaları çapraz sorguya tuttum: Hatalı tespitleri ayıkladım, mükerrer bulguları birleştirdim ve kalan maddelerin dayanaklarını defalarca sınadım.

Sonuçta yapay zekâ araçlarının ürettiği 162 iddia satırından geriye, titizlikle işlenmiş 32 maddelik rafine bir rapor kaldı. Bu durum 130 maddenin tamamen uydurma olduğu anlamına gelmiyordu; aynı problemin farklı varyasyonları konsolide edilmiş, zayıf varsayımlar elenmişti. Kritik olan, sayıyı azaltmaktan ziyade müşteriye her bir maddeyi sapasağlam gerekçelerle sunabilmekti.

Arama kurgusu bu durumun en somut örneğiydi. Araç, doğrudan izole bir arama URL’sine girerek bir kritik hata bayrağı çekmişti. “Bu adrese nasıl ulaştın; kullanıcı ana sayfadaki arama alanından ilerlediğinde de aynı engelle karşılaşıyor mu?” sorusuyla derinleştiğimde, yapay zekânın organik kullanıcı yolculuğunu tamamen bypass ettiği ortaya çıktı. Doğrulanmamış bir aksaklığı müşteriye raporlamak ciddi bir profesyonellik hatası olurdu.

Bir başka aşamada ise bazı kritik bulguların verisiz olduğu iddia edildi. Yerel Markdown dokümanlarını hedef gösterip derinlemesine bir tarama istediğimde, eksik sanılan detayların aslında sistemde mevcut olduğu anlaşıldı. Bu tecrübe bana sadece tespit edilen hataları değil, yapay zekânın veriyi okuma ve yorumlama kör noktalarını da sürekli denetlemem gerektiğini bir kez daha gösterdi.

Bulguları tespit etmek sürecin yalnızca ilk yarısıdır; asıl ustalık onları doğru bir stratejiyle önceliklendirmektir. Bir problemin kullanıcıya yaşattığı engeli, gerçekleşme sıklığını ve iş hedeflerine etkisini hassasiyetle tartmak gerekir. En vahim görünen teknik aksaklık ile ilk müdahale edilmesi gereken tasarım hamlesi her zaman örtüşmeyebilir. Yazılım bağımlılıkları ve stratejik öncelikler, teorik doğruları her zaman yeniden şekillendirir.

İş efor ve süreç tahminine geldiğinde ise inisiyatifi tamamen elime alırım. Yapay zekânın efor öngörüleri ciddi sapmalar sergileyebilir. Raporda tek cümlelik basit bir öneri gibi duran bir madde, arka planda tüm tasarım sisteminin sil baştan kurgulanmasını gerektirebilir. Müşteriye taahhüt verirken algoritmalara değil, yılların getirdiği saha tecrübeme ve pratik kaslarıma güvenirim.

İşte tam da bu yüzden yapay zekâ araçları ne kadar yetkinleşirse yetkinleşsin, köklü bir tasarım kültürü ve yüksek bir değerlendirme disiplini şarttır. Başarılı prompt’lar yazmak sizi bir mimar yapmaz. Müşteri bir kararın gerekçesini sorguladığında vizyonunuzun arkasında durabilmeli; gerektiğinde ikna etmeli, gerektiğinde ise yeni veriler ışığında esneklik gösterebilmelisiniz. Yapay zekânın ürettiği ham raporu olduğu gibi müşterinin önüne koymak tasarımcılık değil, yalnızca bir kuryeliktir.

Persona Çalışmalarında Sentetik Veri ile Gerçek Kullanıcıyı Ayırmak

Yapay zekâ ile persona kurgulama yaklaşımıma açıklık getirmek adına geçmişten bir deneyimi aktarmam gerekir. Kurumsal bir marka için oldukça estetik persona kartları hazırlamıştık: İsimler, edebi biyografiler, motivasyonlar ve tırnak içinde iddialı aforizmalar... Ortada gerçek anket verileri bulunmasına rağmen, o kartlardaki hangi detaylı bilginin hangi somut veriye dayandığını kimse netleştiremiyordu.

Günün sonunda o kartlar tasarım kararlarının hiçbirinde gerçek bir işlev görmedi; yalnızca wireframe’lerden sonra hazırlanan fonksiyon listesini meşrulaştıran dekoratif unsurlar olarak kaldılar. O gün şunu net biçimde kavradım: Sahadaki gerçek veriden beslenmeyen bir persona, sadece “araştırma yapıldı” algısı oluşturan illüzyondan ibarettir.

Yıllar sonra uluslararası bir e-ticaret markasıyla çalışırken doğrudan kullanıcı görüşmesi yapma imkanımız yoktu. Buna karşın elimizde analitik araçlardan süzülen devasa bir davranışsal veri kümesi mevcuttu. Yapay zekâyı bir analiz ortağı konumuna getirerek bu veriden keskin kullanıcı segmentleri ve persona taslakları çıkardık. Ancak ilk hamlem, üretilen her ifadenin arkasındaki veri kaynağını sorgulamak oldu; temelsiz iddiaları titizlikle ayıkladım, açıkta kalan noktaları ise dürüstçe stratejiye yansıttık.

Böylece persona, projenin sonunda rafa kaldırılan bir görsel unsur olmaktan çıkıp, wireframe aşamasına geçmeden önce müşteriyle üzerinde mutabık kaldığımız stratejik bir nirengi noktasına dönüştü. Yine de sınırlarımızın farkındaydık. Analitik veriler bize insanların ne yaptığını gösterir; fakat hislerini ve altındaki ‘neden’leri açıklayamaz.

Bugün persona çalışmalarında odaklandığım husus belgenin ne kadar çekici göründüğünden ziyade bilginin kökenidir. Yapay zekâ, veri bulunmayan boşlukları son derece ikna edici roman karakterleriyle doldurmakta uzmandır. Mükemmel bir hayat hikayesi, alışkanlıklar ve yapay alıntılar üretmek saniyeler alırken o kurgunun arkasında kanlı canlı bir insanın durup durmadığını bilmek stratejik bir sorumluluk gerektirir.

Yapay zekâ ile persona kurgularken araştırmaya dayanan somut veriler ile varsayımları bıçak gibi ayırırım. Yalnızca varsayımlardan ilerliyorsak elimizdeki araç bir proto-persona’dır; yani henüz doğrulanmamış bir hipotez setidir. Bu hipotezlerin de değeri büyüktür. Ekipteki herkesin zihnindeki farklı kullanıcı imajını masaya döker, kör noktalarımızı açığa çıkarır. AI, düşünülmemiş senaryolar üreterek doğru soruları sormamızı hızlandırabilir.

Bu pratik, müşteriyi kapsamlı bir araştırmaya ikna ederken de güçlü bir argümandır. Neyi bildiğimizi ve nelerin henüz meçhul olduğunu şeffaflıkla ortaya koyar. Ancak yapay zekânın ürettiği sentetik bir profilin ifadeleriyle kritik bir ürün kararı verilemez. AI’ın bir kullanıcı rolüne bürünüp tasarımınızı övmesi ya da eleştirmesi, gerçek bir insanın yaşadığı deneyimin yerini tutamaz.

Bu yüzden sentetik taslakları değerlendirirken aşırı detaylandırılmış kişilik anlatımlarına kapılmamak gerekir. İnsan davranışı bağlama göre anında değişkenlik gösterir. AI’ya edebi metinler yazdırmaktansa, elimizdeki gerçek veriyle kullanıcı davranışlarına odaklanmak çok daha ayağı yere basan sonuçlar verir. Bilinmeyenleri gizlemek yerine görünür kılmak, kusursuz görünen fakat kurgusal olan bir persona kartından katbekat değerlidir.

Bugün Sıfırdan Başlasaydım

Tasarımın Değişmeyen Temelleri ve AI Okuryazarlığı

Yirmi yıla yaklaşan meslek hayatımda şunu net olarak gözlemledim: Bugün bir tasarımı değerlendirirken başvurduğum temel ilkeler, sektöre yeni adım atan birinin öğrenmesi gerekenlerden farklı değil. Tipografi hâlâ tipografi; insan zihninin algı sınırları ve bilişsel yük değişmedi. Deneyim, sadece bu ilkeleri nerede, nasıl esneteceğinizi ve çelişen kararlar arasında nasıl doğru tercih yapacağınızı belirler.

Bugün sıfırdan başlasaydım, ilk altı ayımı tasarımın değişmez temellerine ve özellikle eleştirel değerlendirme reflekslerime adardım. Yapay zekânın ürettiği bir ekranda neyin aksadığını teşhis edemiyorsam, ona yeni bir prompt yazmanın hiçbir anlamı yoktur; çünkü gelen ikinci çıktının daha nitelikli mi yoksa daha zayıf mı olduğunu yine ayırt edemem. Bu yüzden küçük ölçekli tasarımlar yapıp, onları acımasızca incelemek ve her dokunuşun etkisini gözlemlemek harika bir okul olurdu.

Arayüz tarafında renk teorisi ve tipografinin inceliklerine odaklanırdım. Font boyutu, hiyerarşi, satır uzunluğu, negatif alan kullanımı ve renk kontrastlarının psikolojik etkilerini derinlemesine hazmetmeye çalışırdım. Bir tasarımın gözü nasıl yönlendirdiğini, yani görsel hiyerarşinin dinamiğini çözmeye yoğunlaşırdım. Bir başlığın neden odağı yakaladığını veya milimetrik eşitliklerin neden bazen göze dengesiz geldiğini teorik ve pratik olarak açıklayabilmek isterdim.

Yapay zekânın bugün bile en çok zorlandığı alan tipografik dengedir. Matematiksel ölçek doğru olsa dahi, sayfanın okuma ritmi ve görsel ağırlığı ruhsuz kalabilir. Bu incelikleri fark etmenin tek yolu, nitelikli işlere alıcı gözle bakmaktır. İkonik afişler, başarılı web siteleri ve her gün kullandığınız üst düzey uygulamalar mükemmel birer dershanedir. Sadece beğenip geçmek yerine “Neden böyle kurgulanmış?” sorusunun peşine düşmek insanı dönüştürür.

Kullanıcı deneyimi (UX) tarafında ise bilişsel psikolojiyi pratik araştırmalarla harmanlardım. Bilişsel yük kavramı, bir kullanıcının karmaşık bir form karşısında bocaladığı anı canlı izlediğinizde somutlaşır. Yönlendirmesiz görüşme soruları hazırlamak, gözlem ile kişisel yorumu birbirine karıştırmamak bu işin alfabesidir. İnsanların beyanları ile gerçek davranışları arasındaki uçurumu erken dönemde kavramak hayati önem taşır.

Bunları öğrenmek için devasa projeler beklemeye gerek yok. Birkaç arkadaşınızla yapacağınız basit bir kart sıralama (card sorting) egzersizi bile zihninizi açar. Arkadaşlarınız hedef kitleniz değildir, evet; ancak yöntemin inceliklerini, sorularınızın yönlendirici gücünü ve veriyi tarafsız kaydetmeyi bu küçük deneylerle kavrarsınız.

Ve elbette, yapay zekâ okuryazarlığını temel bir yetkinlik olarak öğrenirdim. Hangi görevin hangi modele verileceğini, bağlam sınırlarının nasıl yönetileceğini ve uzayan sohbetlerdeki bilgi sapmalarının nasıl kontrol altında tutulacağını bilmek şart. Görevi tek hamlede istemek yerine adım adım orkestre etmek ve çıkan sonucu sınamak... Bunlar hazır prompt şablonlarıyla değil, yüzlerce saatlik metodolojik pratikle kazanılır.

Tasarım disiplinini yapay zekâ bilgisiyle takas etmez, yapay zekâyı da “vakit kalırsa bakılacak” ikincil bir araç olarak görmezdim. İkisi bir bütünün ayrılmaz parçalarıdır. Biri neyi, neden iyileştirmeniz gerektiğini söyler; diğeri ise bunu yaparken ufkunuzu ve hızınızı katlar.

Bir Yolculuk Notu

Sorumluluğu ve Kararları Nerede Tutuyorum?

Yapay zekânın bana sunduğu en büyük lüks zaman. Kaynakları taramak, alternatifleri türetmek ve ilk taslakları ayağa kaldırmak artık dakikalar alıyor. Bu sayede stratejik kararları derinleştirmek için değerli bir alan kazanıyorum. Ancak araştırma yükünün hafiflemesi, otomatik olarak daha doğru kararlar vereceğim anlamına gelmiyor. Hazır özetlerin kolaycılığına kaçmadan ana kaynağın ruhunu anlamak benim sorumluluğumdadır.

Zaman zaman kendime soruyorum: Otomatikleştirdiğim hangi süreçler aslında benim sezgilerimi besliyordu? Araştırmayı bizzat yürütürken rastlayacağım kritik bir detayı şablonlaştırılmış özetlerde gözden kaçırabilir miyim? Ya da daha fazla seçeneği hızlıca denemek bana bambaşka bir bakış açısı kazandırıyor mu? Bu soruların tek bir doğru yanıtı yok; ancak bu içgörü turları mesleki keskinliği korumak için şart.

Efor ve takvim yönetimi de devretmediğim temel kalelerden biridir. Yapay zekânın süre tahminlerindeki büyük yanılsamalar sebebiyle, iş planlarımı asla bu algoritmalara emanet etmem. Kapsamı inceler, kendi pratik tecrübemle süreyi biçerim. Çünkü müşterime verdiğim takvim, sadece bir tahmin değil, mesleki itibarımın bir taahhüdüdür.

Günün sonunda bir müşterinin karşısına çıktığımda, tasarımı hangi araçla ürettiğimi değil, arkasındaki stratejik aklı anlatmak isterim. Yapay zekânın ürettiği bir kararı derine inmeden onaylarsam, sorumluluğu da algoritmalara devretmiş olurum. Kazandığım zamanın önemli bir kısmını çıktıyı acımasızca test etmeye, dayanakları doğrulamaya ve kendi kararlarımı sorgulamaya ayırmamın tek sebebi budur.