Sosyal medyada etki alanı yüksek ve kendi alanında fikir lideri konuşmacılar ile markaları dijital proje iş birlikleri ve marka elçilikleri kapsamında bir araya getirerek markaların iş sonuçlarına katkı sağlayan projeler geliştiriyoruz.
Bir şirket geçen ay bana “prompt engineer” iş ilanı gösterdi. Maaş bandı yüksek, gereksinimler abartılı, başlık parlak. Yarım saat baktıktan sonra söyledim. Bu pozisyonu üç yıl içinde aramayacaksın. Çünkü prompt engineering, daktilo kullanma kursu gibi geçici bir beceri.
Ne kalıcı? Net düşünmek. Net ifade etmek. Bunlar yapay zekâdan önce de değerliydi. Yapay zekâ sahneye çıktığında onların değeri katlandı. Yapay zekâ sahneden çıktığında bile yine değerli olacaklar. Tek fark: şu an çoğu kişi bunu fark etmiyor. Promptun zekâsına yatırım yapıyorlar; düşüncenin berraklığına değil.
Prompt Engineering Geçicidir: Çünkü Arayüzler Doğallaşıyor
2023’te bir yapay zekâ modeline derdini anlatmak için belirli bir gramer öğrenmek gerekiyordu. “Önce role koy, sonra context ver, sonra örnek ekle, en sonda görevi yaz.” Bu bir gramerdi. Ve bu gramer doğal değildi.
2026’da o gramer büyük ölçüde gereksiz. Claude, GPT-5, Gemini 2.5: hepsi konuşma diline çok daha yakın çalışıyor. “Şunu yap” dediğinde modelin senin kafanın içine girmek için yapması gereken iş, üç yıl öncesine göre yüzde 80 azaldı. Bu trend devam edecek. Anthropic’in Mart 2026 araştırmasına göre yeni başlayan kullanıcılar, deneyimli “prompt engineer”lardan ortalama yüzde 12 daha kötü çıktı alıyor. Üç yıl önce bu fark yüzde 60’tı.
Yani prompt engineering bir beceri olarak hızla yumuşayan bir teknik. Daktilodaki “vurma hızı” gibi. Bir zaman değerliydi, sonra klavyeler doğallaştı, sonra ses tanıma geldi, sonra düşünce-yazı dönüşümü geldi. Tekniği öğrenen, kendini geçen on yılla evlendiriyor. Gelecek on yılda bu evlilik para getirmiyor.
Kalıcı Beceri Nedir: Düşüncenin Berraklığı
Şu cümleyi al. “Müşterilerimizin elde tutma oranını artırmak için bir program lazım.” Bu cümle kötü değil ama bulanık. Yapay zekâya verirsen sana bulanık bir cevap verir.
Şimdi şu cümle. “Mart 2026’da başlayan kullanıcılarımızın yüzde 38’i ikinci ay yenilenmiyor. Bu yüzde 25’in altına düşerse şirketin yıllık geliri 47 milyon TL azalır. Hangi üç müdahale en hızlı yüzde 25 hedefine ulaştırır?” Bu cümle nettir. Yapay zekâya verirsen sana net bir cevap verir.
Aradaki fark prompt değil: düşünce. İlk cümleyi yazan kişi probleminin gerçek hatlarını bilmiyor. İkinci cümleyi yazan biliyor. Yapay zekâ ikincisine üç kat daha iyi hizmet ediyor, çünkü ikinci kullanıcı modelin yarım işini önceden yapmış.
Bu yüzden 2030’un en pahalı çalışanı “prompt engineer” değil. Konuyu net düşünebilen, net ifade edebilen, doğru soruyu doğru zamanda soran kişi. Yapay zekâ bu kişinin kuvvet çarpanı oluyor. Berrak düşünmeyen kişide yapay zekâ hiçbir şeyi büyütmüyor; sadece bulanıklığı hızlandırıyor.
Yıllarca Modellerle Çalışan Birinin Gözlemi
Yapay zekâ araçlarıyla yıllarca çalıştığım deneyimde tek bir gerçek öğrendim: bir agent’ın kalitesi promptun zekâsından değil, briefin netliğinden geliyor.
Briefin netliği üç şeyle ilgili. Birincisi: agent’ın çözmesini istediğim problemi ben kendim ne kadar net biliyorum? İkincisi: bu problemin başarılı çözümü neye benzer: somut çıktı, ölçülebilir kriter? Üçüncüsü: agent’ın yapmaması gerekenler ne? Çoğu kötü yapay zekâ sonucu, kötü promptun değil, kötü düşünmenin sonucu.
Bir hafta önce bir danışmanlık vakasında agent kurarken üç saatim gitti. Üç saatin ikisini düşünmeye, yalnızca yarım saatini yazmaya verdim. Düşünmeye verilen iki saat, agent’ın altı ay sonra hâlâ doğru çalışmasını sağladı. Üç saatin tamamını yazmaya verseydim, üç gün sonra agent çöker, baştan kurmak zorunda kalırdım.
“Prompt Engineer” İşe Almanın Niye Yanlış Strateji Olduğu
Şirketler şu an iki yaygın hata yapıyor.
Hata bir: pahalı maaşla “prompt engineer” alıyorlar, sonra üç yıl sonra o pozisyon değerini kaybediyor. Yatırım buharlaşıyor.
Hata iki: prompt eğitimi alıyorlar, çalışanları kursa gönderiyorlar, kursta belli kalıplar öğretiliyor. Kurs bittikten altı ay sonra modelin yeni versiyonu çıkıyor ve o kalıplar artık geçersiz. Eğitim bütçesi yine boşa.
Doğru yatırım nereye? Üç yere.
Birincisi: çalışanlarına yazma eğitimi ver. Net cümle kurma, problemi tanımlama, beklenen sonucu netleştirme. Bunlar yazılı iletişim becerileri. Hiçbir yapay zekâ bunu kullanıcının yerine yapamaz, çünkü kullanıcının düşüncesini kullanıcı bilebilir.
İkincisi: çalışanlarına “kritik düşünme” alıştırmaları ver. Yapay zekânın verdiği cevabı hemen kabul etmek değil, parçalama, doğrulama, alternatif soruyla zorlama. Bu beceri olmadan yapay zekâ hatalı cevap verdiğinde çalışanın yapacak hiçbir şeyi yok.
Üçüncüsü: çalışanlarına “konu derinliği” ver. Yapay zekânın bir alandaki bilgisi yüzeyseldir; doğrulanması için o alanda derinleşmiş insan gerekir. Bu yüzden yatırım, kişinin “yapay zekâyı nasıl kullanacağına” değil, “kendi alanını ne kadar derin biliyor”a gitmeli.
Vaka: Prompt Eğitimine Yatırılan Yanlış Bütçe
Geçen yıl bir kurum L&D direktörüyle konuştuğumda durum şuydu: 18 ay önce yüksek bütçeli bir “yapay zekâ yetkinliği geliştirme” programı başlatmışlardı. Programın yarısı prompt eğitimine, yarısı belirli yapay zekâ araçlarının kullanımına ayrılmıştı.
Program biteli altı ay olmuştu ve kimse o eğitimleri kullanmıyordu. Çünkü öğretilen prompt kalıpları, modellerin yeni versiyonlarında ya gereksizdi ya da daha kötü sonuç veriyordu. Öğretilen araçların dördünden ikisi piyasadan çekilmişti.
Ekibe bir test yaptım. 30 kişiye aynı problemi verdim. “Müşteri kaybı için bir plan yaz.” 30 cevabın 22’si genelci ve bulanıktı. Çünkü 22 kişi “müşteri kaybı”nı ölçülebilir bir terim olarak tanımlayamamıştı, sorunun gerçek hatlarını bilmiyordu, alternatif hipotez üretemiyordu.
Yeni programı baştan kurduk. İçeriği değiştirdik: prompt eğitimi yerine yazma atölyesi, araç eğitimi yerine “düşünce-test-doğrulama” döngüsü egzersizi. Yedi ay sonra aynı testi tekrar yaptık. 22 bulanık cevap, 8’e düştü. Yatırım önemli ölçüde azaldı, sonuç birkaç katına çıktı. Çünkü altta yatan beceri prompt değildi: düşünmekti.
Aksiyon: L&D Bütçeni Yeniden Çöz
Bir İK direktörüsen ya da L&D liderisin, önümüzdeki çeyrekte bütçeni gözden geçir. Üç soruyu sor.
Bir: bu eğitim üç yıl sonra hâlâ değer üretiyor mu, yoksa modelin yeni versiyonu geldiğinde anlamsız mı kalacak? İki: bu eğitim çalışanın altta yatan düşünme kapasitesini büyütüyor mu, yoksa belli bir ürünün kullanımını mı öğretiyor? Üç: bu eğitim çalışanı yarın sahip olduğum yapay zekâ aracına bağımlı mı yapıyor, yoksa yarın gelecek yapay zekâ aracına da hazırlık mı veriyor?
Eğer eğitim ikinci ya da üçüncü tip cevap veriyorsa, doğru yatırım değil. Birinci tip cevap veriyorsa, yatırım yap.
Bir Bakışta
Prompt engineering geçici bir beceridir, çünkü yapay zekâ arayüzleri her geçen yıl doğal dile yaklaşıyor. Kalıcı beceri net düşünme ve net ifade: yapay zekâdan önce de değerliydi, yapay zekâdan sonra da olacak. Yıllarca modellerle çalışmanın gösterdiği şey: agent kalitesi promptun zekâsından değil, briefin netliğinden geliyor. L&D yatırımı prompt kursuna değil, yazma ve kritik düşünme atölyelerine gitmeli.
Kaynakça
Anthropic Economic Index · Learning Curves Report (Mart 2026) · Yeni kullanıcılar ile deneyimli prompt yazarları arasındaki çıktı kalitesi farkının daralma eğrisi.
Anthropic Economic Index · Economic Primitives (Kasım 2025) · Direktif görev delegasyonunun yüzde 27’den yüzde 39’a yükselmesi; karmaşık görevlerde 9-12x hızlanma.
Cal Newport · Deep Work (Grand Central Publishing, 2016) · Yazılı düşünmenin biliş üzerinde uzun-vadeli etkisi.
McKinsey · The State of AI in 2025 · AI yüksek-performans şirketlerinin liderlik & yetkinlik yatırım örüntüsü.
Stanford HAI · AI Index Report 2025, Chapter 3 Responsible AI · Model yeteneklerinin doğal dile yaklaşması ve kullanıcı kabiliyetinin değişen rolü.
Tamamen ölmeyecek, ama uzmanlık alanı olmaktan çıkacak. Şu an “prompt engineer” diye geçen pozisyonların büyük kısmı 2028’e kadar genel bir yazma becerisine evrilecek. Belirli niş alanlarda (örneğin model fine-tuning, özel agent mimarisi) derin teknik prompt çalışması kalacak ama bu çok dar bir alan olacak. Geniş kitle için prompt yazmak, e-posta yazmak gibi sıradanlaşacak.
Net düşünme nasıl öğrenilir?
Üç pratikle. Birincisi günlük yazmak: 20 dakika, ekrana değil kâğıda, belli bir soruya cevap üreterek. İkincisi okuduğun her makaleyi bir paragrafta özetlemek; bu seni “ana fikir nedir” sorusuyla yüzleştirir. Üçüncüsü her toplantıdan sonra üç cümle yazmak: hangi karar alındı, hangi soru cevapsız kaldı, ben hangi noktada yanılmış olabilirim. Bu pratikler düşünceyi soyutlukten somutluğa çekiyor.
Şirketim olarak L&D bütçemi nasıl yeniden tasarlayım?
Mevcut yapay zekâ eğitim portföyünü iki kolona ayır. Birinci kolon: “ürün/araç eğitimi” (ChatGPT kullanımı, Copilot kullanımı, belli bir tool. İkinci kolon: “kapasite eğitimi”) yazma, kritik düşünme, problem tanımlama. Bütçenin en az yüzde 70’i ikinci kolona gitsin. Birinci kolon kısa eğitim, hatta belgesel/video tüketimiyle bile yeterli. İkinci kolon ise atölye gerektiriyor, çünkü beceri pratikle gelişir.
Net ifade ile dolu cümle aynı şey mi?
Aynı şey değil. Dolu cümle çok bilgi içerir ama netliği bozabilir. Net cümle gereksiz hiçbir şey içermez ama yeterli bilgi vardır. Birisi “Q1’de iki farklı kanaldan elde edilen verilere göre, dönüşüm oranı önceki çeyreğe göre düşüş gösterdi ve bu durum acil incelenmesi gereken bir bulgudur” der. Diğeri “Q1 dönüşümü yüzde 3,1’den yüzde 2,4’e düştü; sebebi bilmiyoruz.” İkinci cümle daha kısa, daha net, yapay zekâya da insana da daha iyi hizmet eder.
Geliştiricilerim için prompt engineering yine de değerli mi?
Geliştiriciler için “prompt engineering” değil, “model davranışını anlama” değerli. Yani modelin nasıl tepki verdiğini, hangi sınırlarda hatalı cevap verdiğini, retry/temperature/context window gibi parametreleri ne zaman ayarlamak gerektiğini anlamak. Bu teknik bir disiplin ve devam edecek. Ama bu bir geliştirici disiplinidir, geniş çalışan kitlesi için değil.
İçindekiler
