Gamfed Türkiye Kaptanı Aras Mutlu yazıyor: AI ve Oyunlaştırma: Üretken Yapay Zeka ile Kişiselleştirilmiş Görev Tasarımı

AI ve Oyunlaştırma: Üretken Yapay Zeka ile Kişiselleştirilmiş Görev Tasarımı

Her çalışana özel görev mümkün mü?

Giriş

Oyunlaştırmanın uzun yıllardır taşıdığı bir gerilim var. Bir tarafta herkes için motive edici bir deneyim tasarlama vaadi, diğer tarafta pratik gerçeklik. Aynı görev metni, aynı rozet kriteri, aynı zorluk seviyesi binlerce farklı çalışana sunulur. Yeni katılan bir uzman ile on yıllık bir kıdemli aynı görevi görür. Sistem ölçeklenir ama anlam kaybolur.

Bu gerilimin teknik bir sebebi vardı. Kişiselleştirme içerik üretimini gerektirir, her role ve seviyeye özel görev yazmak ise tasarım ekiplerinin kapasitesini katlamak demektir. Sonuç olarak kişiselleştirme çoğu platformda ekrana katılımcı ismi yazılan bir karşılama mesajına ya da departmana göre filtrelenmiş bir görev listesine indirgenmiş halde kaldı.

Üretken yapay zeka bu denklemi değiştiriyor. Bir Büyük Dil Modeli (LLM), çalışanın rolünü, davranış verisini ve gelişim hedefini okuyarak saniyeler içinde binlerce farklı çalışan için özel görev metinleri üretebilir. Daha önemlisi, görev tamamlandığında verilen geri bildirimi ve bir sonraki adımı da kişiye özel yazabilir. Yani sadece ne yapacağını değil, neden yapacağını, nasıl gittiğini ve sırada ne olduğunu da kişiselleşebilir hale getirebilir.

Bu yazıda iki şeye bakacağız. Üretken yapay zekanın oyunlaştırma tasarımcısına açtığı stratejik imkanlar ve bunu halihazırda uygulayan kurumların gerçek vakaları.

Bölüm 1: Neden Şimdi?

Üretken yapay zeka ile oyunlaştırma kesişimi yıllardır konuşuluyor ama vakaların 2023 sonrasında çoğalmasının ardında üç tetikleyici var.

Birincisi, maliyet eğrisi. 2022 sonunda GPT-3.5 ve ardından GPT-4’ün API erişimine açılması, tekil bir yapay zeka çağrısının maliyetini oyunlaştırma platformlarının bütçesine sığacak seviyeye indirdi. Bir tasarım ekibinin haftalar harcayarak yazdığı 50 farklı senaryo, artık bir LLM çağrısıyla saniyeler içinde üretilebiliyor. Duolingo, bunu kendi raporlarında ders üretim süresinin haftalardan saatlere indiği şeklinde özetledi.

İkincisi, prompt tabanlı içerik üretiminin olgunlaşması. Tasarımcı artık her bir görevi tek tek yazmıyor, görev mantığını ve sınırlarını tanımlayıp üretimi modele bırakıyor. Bu, oyunlaştırma tasarımının kendi metodolojisini değiştiren bir kayma: İçerik üretiminden içerik çerçevelemesine geçiş.

Üçüncüsü, gerçek zamanlı kişiselleştirmenin altyapısı. Modern insan kaynakları (İK) ve öğrenme platformları çalışan davranış verisini zaten topluyordu ama bu veriyi anlamlı görev içeriğine dönüştürecek bir motor yoktu. Büyük dil modelleri, tam olarak bu boşluğu dolduran anlamlandırıcı katman haline geldi.

Bu üç tetikleyici aynı dönemde olgunlaştığı için, 2024’ten itibaren oyunlaştırma platformlarının ürün yol haritalarında yapay zeka destekli özelliklerin bir pazarlama söylemi olmaktan çıkıp altyapısal bir yeniden tasarıma dönüştüğünü görüyoruz. Soru artık sadece “Üretken yapay zeka oyunlaştırmaya entegre olur mu?” değil, “Hangi katmanlarda, hangi sınırları gözeterek entegre olur?” haline geldi.

Bölüm 2: Yapılabilecekler. Dört Katmanlı Çerçeve

Üretken yapay zekanın oyunlaştırma tasarımcısına sunduğu imkanlar bir olgunluk modeli olarak düşünüldüğünde daha anlaşılır oluyor. Bir kurum birinci katmandan başlayıp dördüncüye yürüyebilir ya da spesifik olarak bir katmana odaklanabilir.

Katman 1: Dinamik Görev Üretimi. En temel uygulama. Tasarımcı bir görev şablonu tanımlar, üretken yapay zeka her kullanıcı için kişiselleştirilmiş versiyon üretir. Bir satış temsilcisine fiyat çatışması senaryosu giderken, diğerine zamanlama kısıtı senaryosu gider. Sadece şablon oluşturarak binlerce varyasyon üretmek mümkün hale geliyor.

Katman 2: Adaptif Zorluk ve Yol Haritası. Sadece görev metni değil, hangi görevin ne zaman sunulacağı da yapay zeka tarafından belirleniyor. Bir çalışan üç haftadır liderlik modüllerinde takılıyorsa, sistem ona daha kolay bir varyasyon değil, aynı yetkinliği farklı bir çerçeveden öğreten yepyeni bir görev önerebilir. Klasik adaptif sistemlerin yapamadığı şey budur. Temel zorluk veri kalitesi. Yetersiz veriyle çalışan adaptif motor, kullanıcı güvenini hızla kaybeder.

Katman 3: Üretken Geri Bildirim ve Mikro-Koçluk. Klasik oyunlaştırmada bir rozet kazanıldığında “Tebrikler! Yeni bir rozet kazandın.” mesajı görünür. Üretken yapay zeka bu jenerik kutlamayı kişinin yolculuğuna özgü bir mikro-koçluk anına çevirebilir. Örneğin “Bu rozeti kazanmana yardımcı olan davranış, son üç hafta boyunca her Pazartesi yeni bir modül açmandı. Bu rutini koruman, bir sonraki seviyeye giden en kestirme yol.” Tek tip kutlamalar tekrara binince anlamını kaybeder, kişiye özgü gözlem ise fark edilme hissi yaratır.

Katman 4: Kullanıcı Tetikli Görev Tasarımı. En ileri katman, sistemin kullanıcıdan gelen bir niyeti görev setine çevirmesi. Kullanıcı “Bu hafta sunum becerimi geliştirmek istiyorum, 30 dakikam var.” yazar, sistem buna uygun mikro-görevler üretir. Bu katmanda kullanıcı kendi hedefini ifade eder ve sistem ona rota üretir. İçsel motivasyonla dışsal mekanik arasındaki uçurumu kapatan bir tasarım hamlesi.

Bu dört katman birbirinin alternatifi değil. Genellikle Katman 1 ile başlanır, veri kalitesi olgunlaştıkça Katman 2 eklenir, kullanıcı geri bildirimleri ışığında Katman 3 inşa edilir, Katman 4 ise ürünün vizyonu netleştiğinde gelir.

Bölüm 3: Dört Tasarım Prensibi

Bu imkanların her biri kendi tasarım hatasını da beraberinde getiriyor. Sahada gözlemlenen dört prensip, kurumların ilk altı ay içinde düştüğü hataları özetliyor.

Yapay zeka üretir, insan küratörlük yapar. Yapay zeka çıktısını doğrudan kullanıcıya sunmak en sık tekrarlanan hatadır. Bir büyük dil modelinin ürettiği metin dilbilgisi açısından kusursuz olabilir ama kurumsal tona uymayabilir, yanlış varsayım barındırabilir ya da kültürel olarak yersiz örnek verebilir. Olgun bir mimaride yapay zeka çıktısı bir taslak olarak ele alınır. Yüksek riskli alanlarda tüm çıktılar onaylanır, orta riskli alanlarda örnekleme ile denetlenir, düşük riskli alanlarda kullanıcı geri bildirimiyle sonradan düzeltilir.

Veri etiği pazarlık konusu değildir. Çalışan davranış verisinin yapay zekayla işlenmesi KVKK ve GDPR çerçevesinde özel bir kategoride. Hangi verinin toplandığı, ne için kullanıldığı ve kullanıcının silme/görme hakkı net olmalı. “Sistem performansınızı analiz ediyor” gibi muğlak ifadeler yeterli değil. Çalışanın “bu görev neden bana sunuldu” sorusunu somut yanıtlayabilen bir şeffaflık katmanı gerekiyor. Aksi halde oyunlaştırma motivasyon aracı olmaktan çıkıp gözetim aracına dönüşür.

Bağlılık zamanla aşınır. Yapay zeka destekli kişiselleştirilmiş görevler ilk haftalarda yüksek bağlılık üretiyor, 4-6 hafta sonra etkisi belirgin biçimde düşüyor. Strava üzerine yapılan bir araştırma, kullanıcıların birinci haftada heyecan, üçüncü haftada yorgunluk, altıncı haftada sessizlik gösterdiğini ortaya koyuyor. Bu sadece Strava’ya özgü değil, kurumsal öğrenme platformlarında da gözleniyor. Sürdürülebilir sistem, görev türlerini ve ödül mekanizmalarını zamanla eviren bir döngü kuruyor. “İlk üç ay alışma modu, sonraki üç ay gelişim modu” gibi faz tasarımları sabit kişiselleştirmeden daha sağlam sonuç veriyor.

Üretken geri bildirim övgü değil gözlem yapmalı. Yapay zekanın “Bu hafta gerçekten harika gidiyorsun, seninle gurur duyuyorum” gibi mesajlar yazması kısa süreli sıcaklık yaratabilir ama mesajın bir model tarafından üretildiği fark edildiği anda etki tersine döner. Aldatılma hissi, motivasyon kaybından çok daha derin güven hasarına yol açar. Daha sağlam yaklaşım, yapay zekanın duygu iddiasında bulunmaması, gözlem yapmasıdır. “Son üç haftada hiçbir modülü atlamadın, bu rutin bir sonraki seviyeye en hızlı yol” cümlesi hem dürüst hem kullanışlı hem de samimiyet performansı yapmadığı için güvenilir.

Bölüm 4: Üç Vaka

Duolingo Max. Görev Üretiminin Endüstrileşmesi

Duolingo, 2023’te OpenAI ile geliştirdiği Duolingo Max ile iki temel özelliği tanıttı. Rol oynama görevleri (Roleplay) ve cevap açıklaması (Explain My Answer). Kullanıcı bir kafede sipariş veriyor, havaalanında pasaport kontrolünden geçiyor. Her oturum farklı, çünkü yapay zeka her seferinde farklı bir akış üretiyor. Yanlış cevap verdiğinde sebebini açıklayan kişiye özel mikro-koçluk devreye giriyor. Daha kritik değişiklik ise Duolingo’nun Birdbrain adlı dahili modeli. Bu model, ders üretim sürecini de devraldı ve üretim süresini haftalardan saatlere indirdi.

Bu vaka Katman 1 ile Katman 3’ün birleşimini gösteriyor. Rol oynama görev metnini her oturumda yeniden üretiyor, cevap açıklaması geri bildirimi kişiye özel yazıyor. Duolingo aynı zamanda Prensip 1’i (yapay zeka üretir, insan küratörlük yapar) uygulayan bir mimari kurmuş durumda. Yapay zeka çıktılarının doğruluğu için insan denetim mekanizması ilk günden çalışıyor.

Centrical. Kurumsal Ölçekte Yapay Zeka Destekli Mikro-Öğrenme

Centrical, Microsoft, Novartis ve HP gibi kurumsal müşterilere oyunlaştırma çözümü sunan bir platform. Temel oyunlaştırma katmanı klasik. Puan, rozet, hikaye temelli görevler, liderlik tablosu vb. Üretken yapay zeka bu temele 2023’ten itibaren MegAI adlı motorla eklendi. MegAI’nin yaptığı şey, eğitim ekiplerinin işini değiştirmek. Klasik modelde bir İK ekibi ürün lansmanı için eğitim modülü hazırlamak istediğinde içerik tasarımcıları haftalarca çalışırdı. MegAI ile aynı süreç saatler içinde tamamlanabiliyor. Sistem, bir doküman verildiğinde ondan mikro-öğrenme parçaları, bilgi kontrol soruları ve özetler üretiyor. Daha önemlisi, bu içeriği çalışanın rolüne ve yetkinlik haritasına göre kişiselleştiriyor.

Bu vaka Katman 1 ve Katman 2’nin kurumsal ölçekte birleşimini gösteriyor. Centrical’ın oyunlaştırma katmanı yapay zekadan önce de güçlüydü, yapay zeka bu katmanın içerik motorunu hızlandırdı. Mevcut oyunlaştırma sisteminin temel mekanikleri sağlamsa yapay zeka bunları ölçeklendirir, sağlam değilse yapay zeka problemleri görünür kılar.

Strava. Davranışı Anlatıya Çevirmek (ve Bağlılık Sınırı)

Strava’nın yapay zeka entegrasyonu iki katmanlı. Athlete Intelligence kullanıcının ham etkinlik verisini doğal dilde özetliyor, Anlık Antrenmanlar (Instant Workouts) ise geçmiş veriye göre haftalık antrenman önerileri üretiyor. Sistem kullanıcının niyetini dört kategoriye göre yorumluyor: korumak, geliştirmek, keşfetmek, toparlanmak.

Strava aynı zamanda bu yazının en eleştirel vakası. 12.000 kullanıcı üzerinde 18 ay süren bağımsız bir araştırma şu bulguyu çıkardı. Kullanıcılar yapay zeka destekli görevlere birinci haftada yüksek heyecanla katılıyor, üçüncü haftada yorgunluk gösteriyor, altıncı haftada büyük çoğunluğu sessizleşiyor. Aynı araştırma iki entegre veri kaynağından sonra eklenen ek veri kaynaklarının bağlılığı artırmadığını da gösteriyor. Yani daha çok veri her zaman daha çok bağlılık anlamına gelmiyor.

Bu vaka Prensip 3’ü gözler önüne seriyor. Üretken yapay zeka ilk haftalarda güçlü bir motivasyon kaynağı işlevi görüyor fakat motivasyon yeniliğe bağlıysa zamanla aşınıyor. Tasarımcının görevi, sistemi sadece kişiselleştirmek değil, kişiselleştirmenin kendi içinde de evrildiği bir döngü kurmak.

Üç Vakadan Çıkan Ortak Desen

Bu üç vakayı yan yana koyduğumuzda iki ortak çizgi görünür hale geliyor.

Birincisi, başarılı uygulamaların hiçbiri yapay zekayı oyunlaştırma sisteminin merkezine koymuyor. Hepsinde yapay zeka, zaten çalışan bir oyunlaştırma katmanının üzerine eklenen bir hızlandırıcı ve kişiselleştirici işlevi görüyor.

İkincisi, kullanıcı verisine erişim seviyesi başarıyı belirleyen kritik faktör. Duolingo davranış verisine, Centrical performans verisine, Strava etkinlik verisine erişimi olduğu için kişiselleştirme derinleşiyor. Veriye erişimi olmayan ya da yüzeysel olan bir sistem, üretken yapay zekayı bağladığında bile sıradan çıktılar üretiyor.

Bölüm 5: Yarın Sabah Nereden Başlamalı

Bir tasarımcı ya da ürün yöneticisi için pratik soru şu. Nereden başlayacağım?

İlk üç ay. Yapay zekayı eklemeden önce mevcut sistemi sorgulayın. Görev tamamlama oranı nedir, kullanıcılar hangi noktada düşüyor, hangi rozetler hiç kazanılmıyor? Bu sorulara cevabınız yoksa yapay zeka entegrasyonu erken bir hamledir. Sonra tek bir görev kategorisinden başlayın. Tüm görev tipleri için aynı anda yapay zeka entegrasyonu kurmak teknik ve yönetimsel karmaşıklığı katlar. İnsan denetim hattını ilk günden kurun çünkü editörlerin reddettiği çıktılar zamanla model yönlendirme talimatlarınızı olgunlaştırır.

Üçüncü aydan sonra. Faz tasarımı yapın. İlk üç ay alışma fazı, dört ile dokuz ay arası gelişim fazı, sonrası ise ustalık fazı. Geçişler kullanıcıya açıkça söylenmeli, ilerleme hissi sadece puanla değil fazın değişmesiyle de beslenir. Görev tipini rotasyona alın. En az dört farklı tür periyodik olarak sunulmalı. Bilgi temelli mikro-modüller, simülasyon senaryoları, sosyal etkileşim görevleri ve gözlem temelli görevler. Sürpriz noktaları ekleyin. Altı haftadır aynı saatte sisteme giren bir kullanıcıya yedinci haftanın başında “Bu rutini fark ettim, sana özel bir görev hazırladım” mesajı verilebilir. Sürpriz, kişiselleştirilmiş bir gözlemden doğduğunda samimi hissedilir.

Son Söz

Üretken yapay zeka oyunlaştırmaya yeni bir mekanik eklemiyor, yeni bir ölçek ekonomisi getiriyor. Bu da oyunlaştırma tasarımcısının rolünü değiştiriyor. İçerik üreticisi olmaktan çıkıp, içerik çerçevesi tasarlayan, denetleyen ve eviren bir kürator konumuna geçiyor.

Bu yeni konumun avantajı ölçeklenebilirlik, dezavantajı ise hatanın da ölçeklenmesi. Kötü kurulmuş bir yapay zeka destekli oyunlaştırma sistemi, klasik bir sistemden çok daha hızlı kullanıcı güveni kaybeder çünkü her kullanıcı kendi versiyonunda hatayla karşılaşır. Bu yüzden başlangıçta yapacağınız en değerli yatırım, henüz büyük bir entegrasyona girmeden, küçük bir pilotla mevcut tasarımınızın hangi parçalarının yapay zekayla güçlendirildiğinde gerçekten değer ürettiğini anlamak olacak. Yapay zekayı oyunlaştırmaya eklemek bir teknik karar değil, bir tasarım kararıdır.

Gamfed Türkiye Aras Mutlu‘nun katkılarıyla yazılmıştır.