3D Çalışırken Yapay Zekâyı Nerede Kullanıyorum?

Her aşamaya zorla sokmamak

AI'yi her aşamaya zorla sokmak gerektiğini düşünmüyorum. Ben daha çok zaman kazandırdığı yerlere bakıyorum.

Yapay zekâ konusunda iki uç tutum var ve ikisi de pek verimli değil. Birincisi, her işi AI'ye vermeye çalışmak: çıktının kalitesine bakmadan, araç yaptı diye kabul etmek. İkincisi, tamamen reddetmek: kullanılabilecek bir aracı kimliği tehdit ediyor diye dışarıda bırakmak. Ben ikisinin ortasındaki yolu daha anlamlı buluyorum. Her aşamaya "bu aşamada AI gerçekten zaman kazandırıyor mu, ve çıktıyı doğrulayabilir miyim?" sorusunu sormak.

Bu soru, aracı bir moda olarak değil, bir iş aleti olarak ele almamı sağlıyor. Çekiç her işte kullanılmaz; ama doğru yerde vazgeçilmezdir.

Nerede kullanıyorum?

• Referans araştırmak.
• Fikir üretmek.
• Başlangıç geometrisi oluşturmak.
• Bazı teknik sorunlarda alternatif çözüm aramak.
• Kod yazarken yardımcı olmak.

Bu alanların ortak noktası, "boş sayfa" maliyetini düşürmesi. Başlangıç geometrisi tarafını Tripo yazımda, kod tarafını Claude Code yazımda anlattım.

Şimdi bu maddelere teker teker, genel bir çerçevede bakalım.

Referans ve fikir aşaması

Bir ürün modeline başlamadan önce yapılan iş, ne yapılacağını anlamak. Bu aşamada yapay zekâ bir araştırma yardımcısı olarak kullanılabilir: bir ürün kategorisinin tipik parçalarını sıralamak, farklı biçim varyasyonlarını düşünmek, bir malzemenin gerçek hayatta nasıl davrandığını anlatmak gibi.

Ama referans konusunda önemli bir ayrım var: fikir ile gerçek referans aynı şey değil. Bir yapay zekâ aracının ürettiği ya da anlattığı şey, gerçek bir ürünün ölçüsünü, oranını ve detayını garanti etmez. Gerçek bir ürünü modelleyeceksem bunun yerine gerçek fotoğraflar, teknik çizimler ve ölçüler gerekiyor. Bu konuyu referans fotoğrafı yazısında işledim. Girdi hazırlığı için hangi girdiler gerekir yazısına da bakabilirsiniz.

Bu yüzden AI burada keşif ve düşünme aracı; kesin bilgi kaynağı değil. Ortaya çıkan fikirleri gerçek referanslarla doğrulamak, işin vazgeçilmez adımı.

Fikir üretiminde de benzer bir mantık geçerli. Bir konsept için farklı yön önerileri istemek, çıkmaza girdiğinizde yeni bir bakış sağlayabilir. Ama özgün yönü belirleyen şey hâlâ tasarımcının kararı. Fikir üretmenin amacı, seçenekleri çoğaltıp daha iyi seçim yapabilmek.

Başlangıç geometrisi

Metinden ya da görselden 3D model üreten araçlar, bir ürünün kaba formunu hızla ortaya koyabilir. Bu özellikle boş sayfa maliyetini düşürdüğü için cazip. Ama üretim kalitesi bakımından önemli sınırlar var ve bunları bilmek gerekiyor.

Bu tür araçların çıktıları genellikle yoğun ve düzensiz geometriyle geliyor. Topoloji temiz değilse, UV'ler kullanışsız ise, malzeme tek bir dokuya pişirilmişse, çıktı doğrudan ürün modeli olarak kullanılamaz. Kenarlar yumuşak, ölçüler yaklaşık ve ince detaylar kayıp olabilir. Bu da ürün görselleştirmede, yani birebir doğruluk beklenen işlerde ciddi bir sorun.

Dolayısıyla bu çıktıyı "bitmiş model" değil "ham taslak" olarak görmek gerekiyor. Bir kaba form, oran fikri ya da bir blok model olarak işe yarayabilir; sonrasında temiz bir topolojiyle yeniden kurmak çoğu durumda gerekiyor. Neden temiz topolojinin önemli olduğu ayrı bir yazının konusu. Genel olarak mesele, AI'nin işi bitirmesinden çok işe başlama maliyetini düşürmesi. Daha geniş tartışma için AI 3D modelleme işini bitirecek mi yazısına bakabilirsiniz.

Hangi durumlarda bu yaklaşımın mantıklı, hangilerinde mantıksız olduğunu kısaca şöyle ayırıyorum:

• Konsept, oran ve hızlı form araştırması gibi doğruluğun kritik olmadığı işlerde AI taslağı faydalı olabilir.
• Gerçek bir ürünün birebir görsel kopyasının gerektiği işlerde AI geometri güvenilir bir temel olmaz; ölçü, oran ve detay doğruluğu elle kurulmalı.
• Web'de kullanılacak modeller, polygon ve doku bütçesi gerektirdiği için ek temizlik ister.

Teknik sorunlarda alternatif çözüm aramak

3D iş akışında karşılaşılan teknik sorunlar çok çeşitli: bir gölgelemenin neden bozuk göründüğü, bir export ayarının neden çalışmadığı, bir malzeme düğümünün nasıl bağlanacağı, bir render gürültüsünün sebebi. Bu sorunlarda yapay zekâ, alternatif çözüm yolları çıkarmak için iyi bir araç olabilir.

Fakat burada da dikkat gereken bir şey var: yapay zekâ bazen güvenle yanlış bilgi verebilir. Özellikle yazılıma özgü menü adları, ayar yerleri ve sürüm farkları konusunda. Bir Blender önerisi eski bir sürüme ait olabilir; bir ayar adı değişmiş ya da kaldırılmış olabilir. Bu yüzden önerileri doğrudan uygulamak yerine yazılımın kendi belgeleriyle ve denemeyle doğrulamak gerekiyor.

Pratik yöntem şu: önerilen çözümü önce küçük bir test dosyasında denemek, ana projeye dokunmadan sonucu görmek, işe yaramazsa geri dönebilmek. Böylece yanlış bir öneri projeyi bozmaz.

İyi bir soru sormak da cevabın kalitesini belirliyor. Bağlamı eksiksiz vermek (yazılım sürümü, ne yapmak istediğiniz, ne olduğu, hangi hata mesajı çıktığı) cevabı daha doğru kılıyor. Belirsiz bir soru genel ve çoğu zaman işe yaramaz bir cevap getiriyor.

Kod yazarken yardımcı olmak

Web için 3D çalışırken kod da işin bir parçası: bir görüntüleyiciyi yapılandırmak, bir renk seçici yazmak, bir yükleme göstergesi eklemek. Yapay zekâ destekli kod araçları, bu tür tekrarlayan ve kalıp ağırlıklı işlerde zaman kazandırıyor.

Ancak kodu anlamadan kullanmak riskli. Üretilen kod çalışıyor gibi görünse bile güvenlik, performans ya da erişilebilirlik açısından sorunlu olabilir. Kodu satır satır anlamak şart olmayabilir ama ne yaptığını, neye bağlandığını ve neyi etkilediğini kavramak gerekir. Bu fikri kod öğrenmek yerine kod anlamak yazısında işledim. Üretim sürecindeki kontrol alışkanlıklarını da Claude Code yazısında anlattım.

Pratik öneriler:

• Üretilen kodu çalıştırmadan önce okumak; anlamadığınız bir bölüm varsa aracın kendisinden açıklamasını istemek.
• Değişiklikleri küçük adımlarla yapmak ve her adımdan sonra sonucu kontrol etmek.
• Bağımlılıkları ve harici betikleri gözden geçirmek. Tanımadığınız bir kütüphaneyi körlemesine eklememek.
• Hedef cihazda test etmek; yalnızca geliştirme ortamında çalışması yeterli değil.

Son karar insanda

Ama işin son karar noktası bence hâlâ insan tarafında. Çünkü araç ne kadar iyi olursa olsun çıkan sonucu görmek, düzeltmek ve kullanım amacına göre değerlendirmek gerekiyor. AI'nin ürettiği şeyi neden doğru ya da yanlış bulduğumu açıklayamıyorsam, onu kullanmaya hazır değilim demektir. Kontrol tarafı için ayrı bir yazım var.

Bu ölçüt aslında basit bir sınav: bir çıktıyı kabul ettiğimde nedenini söyleyebilmeliyim. "Bu kenar yumuşatması ışığı doğru yakalıyor çünkü..." ya da "bu kod bu veriyi şu yüzden güvenle işliyor" diyebiliyorsam, sonuç benim kararım. Söyleyemiyorsam, sonuç bir şans eseri ve ileride bir sorun çıktığında nerede aramam gerektiğini bilemem.

Müşteri işlerinde bu özellikle önemli. Bir ürün modeli, bir markanın ürününü temsil ediyor. Renk, oran, malzeme görünümü gibi unsurların gerçekle uyuşması sorumluluk gerektiriyor. Araç hızlandırabilir, ama doğruluktan sorumlu olan kişi çalışmayı teslim eden kişidir.

Nerede kullanmamayı tercih ederim?

Kullanım alanlarını saymak kadar, kullanılmayacak yerleri bilmek de önemli. Şu durumlarda yapay zekâya temkinli yaklaşmak gerektiğini düşünüyorum:

• Birebir doğruluk gereken ölçü ve oranlar. Gerçek bir ürünün boyutları ve parça ilişkileri ölçüye ve referansa dayanmalı. Tahmini bir çıktı, hata riskini artırır.
• Müşteriye ait gizli veya yayımlanmamış ürünler. Henüz duyurulmamış bir ürünün görsellerini ya da çizimlerini bir hizmete yüklemeden önce, o hizmetin verileri nasıl kullandığını öğrenmek gerekir. Bu karar yalnızca bana ait değil; müşterinin beklentisi ve sözleşmesi de belirleyici.
• Telif konusunun belirsiz olduğu çıktılar. Üretken bir aracın çıktısının kullanım hakkı araca ve şartlarına göre değişebilir. Ticari bir işte kullanmadan önce şartları okumak gerekir.
• Öğrenmenin kendisi hedefse. Bir beceriyi geliştirmeye çalışırken hazır çıktıya yaslanmak, öğrenmeyi atlamak demek olabilir. Bu mesele sadece sonuca bakmak yazısının konusu.

Bu sınırlar, aracı reddetmek için değil, nerede güvenle kullanılabileceğini bilmek için.

Varsayımsal bir iş akışı

Bir ürün sayfası için web'e uygun 3D model hazırlandığını varsayalım. AI'nin farklı noktalarda nasıl yer alabileceğini görmek için kabaca bir akış çizelim; bu bir kural değil, bir örnek.

Başlangıçta ürün kategorisine ait tipik özellikleri anlamak için bir ön araştırma yapılabilir. Ardından müşteriden gelen gerçek fotoğraf ve ölçüler asıl referans olarak ayrılır. Eğer ürünün formu karmaşıksa, kaba bir taslak için hızlı bir form denemesi yapılabilir; ama nihai model temiz topolojiyle Blender'da kurulur. Malzeme tarafında, bir ayar çalışmıyorsa alternatif çözüm önerileri sorulur ve küçük bir test dosyasında denenir. Web tarafında bir görüntüleyici yapılandırması ya da renk seçici için kod desteği alınır, yazılan kod okunur ve hedef cihazda test edilir. En sonda modelin gerçek ürünle karşılaştırılması ve onayı insan gözüyle yapılır.

Bu akışta AI'nin payı, tekrarlayan ve başlangıç maliyeti yüksek adımlarda; kalite kararlarının payı ise insanda. Çıktının kimde sorumlu olduğu net. Böyle bir akışın ürün tarafındaki karşılığı olan web için 3D ürün modeli hizmetinde de benim ölçütüm aynı: araç ne olursa olsun teslim edilen şey doğrulanmış olmalı.

Kontrol listesi: AI çıktısını kabul etmeden önce

Pratik olarak her AI destekli çıktıdan sonra kendime sorulacak bir liste önerebilirim:

• Bu çıktı gerçek referansla (fotoğraf, ölçü, belge) doğrulandı mı?
• Ne yaptığını açıklayabiliyor muyum?
• Hedef kullanım (web, render, AR) için uygun mu, yoksa ek temizlik gerekiyor mu?
• Telif ve kullanım hakkı açısından bir belirsizlik var mı? Özellikle üretken araçların kullanım şartlarını okumak gerekir; bu konuya kullanım hakları yazısında değindim.
• Müşteriye bu aşamada AI kullanıldığını söylemem gerekiyor mu? Sözleşme ve beklentiler açısından şeffaflık önemli olabilir.
• Hata yaptığında bunu fark edebilecek bir kontrol noktam var mı?

Bu listede sihirli bir şey yok; amaç, hızın doğruluğun önüne geçmesini engellemek.

Daha fazla deney

Bana göre AI'nin en değerli taraflarından biri "ilk adım" maliyetini düşürmesi. Daha önce uzun sürecek bir işe başlamak göz korkutabilirken, AI ile hızlı bir başlangıç yapmak mümkün.

Bu da deneme sayısını artırıyor. Daha fazla deney. Daha fazla fikir. Daha hızlı iterasyon.

Bu, öğrenme açısından da kıymetli. Bir fikri denemek ucuzlaşınca, başarısız olmanın bedeli de düşüyor. Birkaç yönü hızla deneyip hangisinin işe yaradığını görmek, tek bir yöne uzun süre yatırım yapmaktan çoğu zaman daha verimli. Ancak bu fayda, denenen şeylerin gerçekten değerlendirilmesine bağlı: on deneme yapıp hiçbirini eleştirel biçimde incelemezseniz sadece daha fazla malzeme biriktirmiş olursunuz.

Bunun ürüne yansıması da şöyle: farklı konsept yönlerini hızla görmek, müşteri ile görüşmeyi daha somut hale getirebilir. Brief aşamasında "şunu mu istiyorsunuz, bunu mu?" diye iki üç yön göstermek, karar sürecini kısaltabilir. Brief hazırlığı için katalog brief'i yazısı ve süreç bütünü için 8 aşamalı süreç faydalı olabilir.

Belki AI'nin asıl etkisi tam olarak burada.

Sık sorulan sorular

Sonuç

Yapay zekâyı her yere sokmak yerine zaman kazandırdığı noktalarda, yani referans keşfi, fikir üretimi, başlangıç taslakları, teknik alternatifler ve kod desteğinde kullanmak mantıklı. Çıktıyı doğrulamak, gerçek referansla karşılaştırmak ve sonucu açıklayabilmek ise insanın işi olarak kalıyor. Aracın hızı ile kararın sorumluluğunu ayrı tutmak, iyi sonuç için temel şart. Bir ürününüzün 3D modelini konuşmak isterseniz 3D ürün modelleme hizmetini inceleyebilir ya da doğrudan teklif sayfasından bana yazabilirsiniz.