AI ile Ürün Brief'i ve Referans Hazırlama İş Akışı

Brief, modelden önce gelen iş

3D ürün işlerinde zamanın önemli bir kısmı Blender'da değil, işe başlamadan önceki yazışmalarda kaybolur. Hangi ürün, hangi renkler, hangi kadrajlar, hangi dosya formatları, ölçüler kimde, logo hangi dosyada. Bu sorular ilk günde cevaplanmazsa üçüncü haftada, model yarıya gelmişken ortaya çıkar ve düzeltmek pahalı olur.

Yapay zekâ bu aşamada en az tartışmalı kullanım alanlarından biri. Çünkü burada üretilen şey bir model ya da görsel değil; bir soru listesi, bir düzen, bir özet. Yanlış çıkarsa bunu fark etmek kolay ve zararı küçük. Bu yazıda brief ve referans hazırlığını yapay zekâ ile nasıl hızlandırabileceğinizi, hangi adımı ona vermemeniz gerektiğini ve çıktıyı nasıl denetleyeceğinizi anlatıyorum.

Yazı belirli bir araca bağlı değil. Sohbet tabanlı herhangi bir dil modeliyle uygulanabilecek bir yöntem anlatıyorum; araç özellikleri hızlı değiştiği için araç adlarından çok sürecin mantığına odaklanıyorum. Brief'in kendisinin nasıl yazıldığı ise ayrı bir konu; onu ürün kataloğu için 3D görsel brief'i yazısında ayrıntılı işledim. Burada o brief'e giden yolu ele alıyorum.

Yapay zekâ brief aşamasında nerede işe yarar?

Aşağıdaki işlerde yapay zekâ gerçekten zaman kazandırabilir:

• Dağınık notları, e-posta parçalarını ve toplantı özetlerini tek bir düzenli metne çevirmek.
• Ürün kategorisine göre sorulması gereken soruları çıkarmak.
• Brief taslağında eksik ya da çelişkili yerleri işaretlemek.
• Teknik terimleri müşterinin anlayacağı dile çevirmek, tersini yapmak.
• Referans dosyaları için isimlendirme ve klasör düzeni önermek.

Aşağıdaki işlerde ise ona güvenmemek gerekir:

• Ürünün gerçek ölçülerini, oranlarını ya da malzemesini "tahmin ettirmek".
• Rakip ürünlerin teknik özelliklerini ondan öğrenmek.
• Müşterinin ne istediğini onun yerine varsaymak.
• Hak durumu belirsiz bir görseli referans diye masaya koymak.

Ayrım basit: yapay zekâ bilgiyi düzenler, bilginin kaynağı olamaz. Kaynak, müşterinin verdiği teknik çizim, ürün fotoğrafı, numune ve ölçü tablosudur. Genel çerçeveyi 3D çalışırken yapay zekâyı nerede kullanıyorum yazısında anlattım; bu yazı onun brief ve referans tarafındaki uygulaması.

Adım 1: Ham bilgiyi tek yere toplamak

İlk adım yapay zekâ gerektirmez ama sonraki adımların kalitesini belirler: müşteriden gelen her şeyi tek bir çalışma notunda toplamak. Buna e-postalar, mesajlar, ses kaydından çıkan notlar, ürün sayfası bağlantıları ve eski görseller dahil.

Bu notu hazırlarken iki kural işe yarıyor:

• Kimin söylediğini yaz. "Mat siyah olacak" cümlesi müşterinin satış müdüründen mi geldi, tasarımcısından mı? Çelişki çıktığında bunun önemi var.
• Tarihi yaz. Bir renk kodu üç ay önce değişmiş olabilir. Hangi bilginin en güncel olduğu bellidir ancak tarih varsa.

Bu notu dil modeline verdiğinizde ondan istediğiniz şey yorum değil, düzen olmalı: "Aşağıdaki notları ürün, renkler, kadrajlar, teslim formatları, bilinmeyenler başlıkları altında grupla. Hiçbir bilgi ekleme, notlarda olmayan bir şeyi tamamlama." Son cümle önemli. Model boşlukları doldurmaya meyillidir; açıkça yasaklamazsanız eksik bilgiyi makul görünen bir tahminle kapatabilir.

Adım 2: Eksik bilgi listesi çıkarmak

Düzenlenmiş notun asıl faydası, nelerin eksik olduğunu görünür kılması. Burada yapay zekâya ikinci bir iş verebilirsiniz: "Bu not bir 3D ürün görselleştirme işi için hazırlandı. Bir 3D sanatçısının işe başlamadan önce bilmesi gereken ama notta bulunmayan şeyleri soru olarak listele."

Çıkan liste genelde şunlara dokunur: ürünün gerçek ölçüleri, malzeme ve yüzey işlemi, renk kodları ya da numune, logo ve yazı dosyaları, kullanım yeri (web mi, katalog mu, baskı mı), kadraj sayısı, arka plan tercihi, revizyon beklentisi. Listeyi olduğu gibi göndermeyin; kendi bilginizle süzün. Bazı sorular işinize uymayabilir, bazı önemli sorular listede yer almayabilir. Hangi girdilerin neden gerektiğini 3D modelleme için hangi girdiler gerekir yazısında topladım; modelin çıkardığı listeyi bu yazıyla karşılaştırmak iyi bir kontrol.

Sorular müşteriye giderken kısa tutulmalı. On beş soruluk bir form çoğu zaman cevapsız kalır. Soruları önem sırasına koyup en kritik beş altısını ilk mesaja, kalanını ikinci tura bırakmak daha verimli. Yapay zekâya "bu soruları önem sırasına göre sırala ve gerekçesini bir cümleyle yaz" demek bu sıralamada yardımcı olur, ama son sırayı sizin işinizi bilen siz belirlersiniz.

Adım 3: Brief iskeletini doldurmak

Cevaplar geldikten sonra brief'i yazmak kolaylaşır. Ben iskeleti şöyle kuruyorum:

• Amaç: Bu görseller ya da model nerede, kim tarafından, hangi karar için görülecek?
• Ürün tanımı: Ad, model kodu, varyasyonlar ve her varyasyonun farkı.
• Ölçü ve malzeme: Hangi kaynaktan geldiği belirtilmiş değerler.
• Çıktı listesi: Kadrajlar, boyutlar, formatlar, varsa GLB ya da animasyon.
• Referans paketi: Hangi dosya neyin kaynağı.
• Kapsam dışı: Bu işe dahil olmayan şeyler.
• Onay akışı: Kim, hangi aşamada, nasıl onaylıyor.
• Açık sorular: Henüz cevaplanmamış, işi etkileyebilecek konular.

Yapay zekâya bu iskeleti ve düzenlenmiş notları verip taslak metin istemek makul. Ama taslağı okurken şuna bakın: her değerin yanında bir kaynak var mı? "Yükseklik 74 cm" yazıyorsa bu rakam notlarda geçiyor mu, yoksa model mi üretti? Bunu ayırt edebilmek için taslakta her ölçünün yanına kaynak (çizim, e-posta, tarih) yazdırmak iyi bir alışkanlık. Kaynağı olmayan değer, taslakta "doğrulanacak" diye işaretlenmeli.

Referans türlerini ayırmak

Referans kelimesi çok şeyi kapsıyor ve karışması iş kaybı demek. Ben referansları dört gruba ayırıyorum:

• Ölçü referansı: Teknik çizim, ölçü tablosu, CAD dışa aktarımı. Modelin boyutunu ve oranını belirler.
• Görünüm referansı: Ürünün gerçek fotoğrafları, farklı açılardan. Detay ve oran kontrolü için kullanılır.
• Malzeme referansı: Numune fotoğrafı, yakın plan çekim, mümkünse fiziksel numune. Yüzeyin ışıkta nasıl davrandığını gösterir.
• Atmosfer referansı: Işık, kadraj, arka plan ve genel his için ilham görselleri. Ürünün kendisini tarif etmez.

Yapay zekâ bu dört grubun yalnızca sonuncusunda, o da sınırlı biçimde, referans gibi davranabilir. İlk üçü gerçek dünyadan gelmeli. Ürün fotoğrafının neden bu kadar belirleyici olduğunu ürün modelinde referans fotoğrafının önemi yazısında anlattım. Kısaca: fotoğraf modelin neye benzemesi gerektiğini söyler, model ise bunu ancak fotoğraf yeterince bilgi taşıyorsa doğru kurar.

Atmosfer referansı için yapay zekâ görselleri

Atmosfer referansı arayışında bir görsel üretim aracını kullanmak cazip. "Sade, sıcak ışıklı, ahşap yüzeyli bir ürün çekimi" gibi bir tarifle birkaç yön görmek, müşteriyle konuşmayı kolaylaştırabilir. Burada dikkat edilecek üç nokta var.

Birincisi, üretilen görsel gerçek bir ürün göstermiyor. İçindeki nesne, sizin ürününüze benzemek zorunda değil. Müşteriye gösterirken "bu atmosfer yönü, ürün bu değil" demek gerekir; aksi halde müşteri o görseldeki nesneyi ürünün kendisi sanabilir.

İkincisi, ışık fiziksel olarak mümkün olmayabilir. Üretilen görselde gölgeler farklı yönlere düşüyor, yansımalar tutarsız olabiliyor. Bu görseli "şu ışık hissini istiyoruz" diye yön olarak kullanmak sorun değil; birebir kopyalanacak bir ışık planı olarak kullanmak sorun. Gerçekçi ışık kurulumunu ayrıca HDRI ile ürün ışıklandırma yazısındaki gibi kurarım.

Üçüncüsü, hak durumu. Üretken araçların çıktılarının ticari kullanımı araca ve plana göre değişir. Atmosfer referansı olarak masada kalan bir görsel ile nihai işte yer alan bir görsel aynı risk düzeyinde değil. Yine de müşteriyle paylaşmadan önce aracın kullanım şartlarına bakmak ve kullanım hakları konusunda kullanım hakları yazısındaki sorulara göz atmak iyi olur. Burada hukuki bir yorum yapmıyorum; yalnızca bu adımın atlanmaması gerektiğini söylüyorum.

Ürün kategorisini anlamak için yardım almak

Daha önce hiç çalışmadığınız bir ürün kategorisiyle karşılaştığınızı düşünün. Yapay zekâ burada bir ön hazırlık yardımcısı olabilir: ürünün tipik parçalarını, bu parçaların genel adlarını, hangi malzemelerin yaygın kullanıldığını sorabilirsiniz. Bu, ilk toplantıya daha hazırlıklı girmenizi sağlar; müşteriye "bu parçanın adı nedir" diye sormak yerine "bu parça şu mu" diye teyit sorusu sorarsınız.

Fakat bu bilgi genel bilgidir, müşterinin ürününe dair değil. Modelin söylediği "bu tür ürünlerde genellikle şu vardır" ifadesi sizin ürününüz için geçerli olmayabilir. O yüzden bu çıktıyı iki yerde kullanıyorum: soru üretmek ve toplantı hazırlığı. Hiçbir zaman model özelliği, ölçü ya da parça listesi olarak brief'e doğrudan yazmıyorum. Brief'e girecek her bilgi müşteriden ya da gerçek üründen gelmeli.

Referans paketini düzenlemek

Referanslar toplandıktan sonra düzen kurmak, ilerideki karışıklığı önler. Basit bir klasör yapısı yeterli:

• 01_olcu: Teknik çizimler ve ölçü tablosu.
• 02_gorunum: Ürün fotoğrafları, açı sırasıyla.
• 03_malzeme: Numune ve yakın plan fotoğrafları.
• 04_atmosfer: İlham görselleri, kaynağı yazılı.
• 05_marka: Logo ve yazı tipi dosyaları, renk kodları.

Dosya adlarında ürün kodu, açı ve tarih bulunursa çok sayıda varyasyonlu işlerde hayat kurtarır. Yapay zekâ burada somut bir iş görebilir: bir dosya listesini verip "bu isimlendirme kuralına göre yeni adlar öner" demek gibi. Ama dosyaları gerçekten yeniden adlandırmadan önce önerileri gözle kontrol edin; toplu işlemde bir hata onlarca dosyayı karıştırabilir.

Ayrıca bir "referans kaynak tablosu" tutmak değerli: her dosya için ne olduğu, kimden geldiği, ne zaman geldiği ve hangi amaçla kullanılacağı. Bu tablo, ileride "bu rengi nereden aldın" sorusuna cevap verir. Tabloyu yapay zekâ ile ilk kez doldurmak hızlı olur, ama hücreleri tek tek gözden geçirmek sizin işiniz.

Çelişkileri bulmak

Brief aşamasının en değerli kazancı, çelişkileri erken yakalamaktır. Müşterinin gönderdiği teknik çizimde genişlik 52 cm iken fotoğrafta ürün başka oranda görünüyor olabilir; renk kodu bir belgede farklı, katalogda farklı yazıyor olabilir; "tüm renkler" dediği şey bir mailde altı, diğerinde sekiz renk çıkabilir.

Yapay zekâya şu görevi vermek işe yarıyor: "Aşağıdaki iki belgeyi karşılaştır ve birbiriyle uyuşmayan her bilgiyi, iki kaynağı yan yana yazarak listele. Hangisinin doğru olduğuna karar verme." Son cümle yine kritik. Karar vermesini istemezsiniz; yalnızca farkı göstermesini istersiniz. Karar, müşteriye sorularak verilir.

Bu kontrol, özellikle renk sayısı fazla ürünlerde değerli. Çok varyasyonlu bir işte, her varyasyonun ayrı adı, kodu ve numunesi olduğunda, bir hatanın bedeli çarpılır. Aura Reformer çalışmasında 6 ürün ve 57 renk bir arada yönetildi; Aura Reformer sayfasında bu yapıyı görebilirsiniz. Bu ölçekte bir listede tek bir yanlış kod bile görünür hale geldiğinde pahalıya patlar. Tutarlı bir sistemin nasıl kurulduğunu pilates ekipmanları için tutarlı 3D görsel sistem yazısında anlattım.

Varsayımsal bir senaryo: seramik kahve seti

Gerçek bir müşteri anlatmıyorum; yöntemi göstermek için varsayımsal bir örnek kuralım. Bir seramik atölyesi, üç parçalık bir kahve seti için (fincan, tabak, şekerlik) web sayfasına döndürülebilir model ve katalog görselleri istiyor. Elinde birkaç telefon fotoğrafı, bir ölçü e-postası ve "mat, krem ve koyu yeşil olacak" yazan bir mesaj var.

Notlar toplandığında yapay zekâdan düzenleme istenir ve şu eksikler çıkar: fincanın kulbu hangi tarafta, tabağın iç çapı nedir, mat sırın yansıması nasıl, koyu yeşilin kodu var mı, sette logo olacak mı, GLB mi yoksa yalnızca görsel mi isteniyor. Bu sorular tek bir mesajla atölyeye gider. Cevaplar iki gün sonra gelir: ölçüler e-postadan teyit edilir, renk için bir numune fotoğrafı istenir.

Çelişki kontrolünde, e-postadaki fincan yüksekliği ile fotoğraftaki oran arasında bir uyumsuzluk görülür; atölyeye sorulur ve bir ölçünün iç yükseklik, diğerinin dış yükseklik olduğu anlaşılır. Bu tür bir fark, model yarıya geldikten sonra fark edilseydi, düzeltme zahmetli olurdu. Brief'e iç ve dış ölçü ayrı satırlar olarak yazılır. Referans paketi dört klasöre ayrılır, atmosfer görselleri "sade, doğal ışık" yönünde birkaç örnekle sınırlı kalır ve müşteriye bunların ürün olmadığı açıkça belirtilir. Brief onaylanınca iş başlar.

Bu senaryodaki rakamlar ve ayrıntılar tamamen kurgusal; amaç sürecin hangi noktada hangi hatayı önlediğini göstermek. Yapay zekânın katkısı soru listesi, düzen ve çelişki tespitiyle sınırlı; ölçüyü teyit eden, numuneyi isteyen ve kararı veren insanlar.

Brief'i müşteriye onaylatmak

Brief'i yazmak ile onaylatmak ayrı adımlar. Onaylatırken iki şeye dikkat ediyorum. Birincisi, brief'i müşterinin kendi diliyle özetlemek: teknik terimleri sade bir dille yazıp "bu doğru mu" diye sormak. Burada yapay zekâ çeviri yardımcısı olarak değerli; ama özet metni göndermeden önce siz okuyun, çünkü akıcı bir özet yanlış bilgiyi de akıcı biçimde taşır.

İkincisi, onayı yazılı almak. Hangi sürümün onaylandığı belli olmalı: "Brief v2, şu tarih, şu kişi." Sonradan çıkan değişiklikler yeni sürüm olarak kaydedilir. Bu hem sizi hem müşteriyi korur. Revizyon sınırlarını ve teslim kapsamını da bu aşamada netleştirmek iyi olur; ayrıntı için teslim kapsamı yazısına bakabilirsiniz.

Tüm bu hazırlığın içinde yer aldığı genel akışı brief'ten teslime 8 aşama yazısında görebilirsiniz.

Gizlilik ve veri paylaşımı

Müşteri bilgisini bir yapay zekâ hizmetine yapıştırmadan önce bir kez durmak gerekir. Henüz duyurulmamış bir ürünün çizimleri, fiyat bilgisi, sözleşme maddeleri ya da kişisel veriler içeren yazışmalar hizmete gönderildiğinde, o hizmetin verileri nasıl işlediği önem kazanır. Bunun cevabı araca ve plana göre değişir; güncel durumu aracın kendi şartlarından öğrenmek gerekir.

Pratik önlemler:

• Gizli bir proje için önce müşteriye sorun; sözleşmede böyle bir madde olabilir.
• Gerekmiyorsa kişi adlarını, fiyatları ve iletişim bilgilerini metinden çıkarın.
• Henüz yayımlanmamış ürün görsellerini yüklemeden önce, o hizmetin bu verileri nasıl kullandığını öğrenin.
• Şüphe varsa yapay zekâyı yalnızca genel çerçeve için kullanın ve müşteri verisiyle çalışmayın.

Bu önlemler yavaşlatıcı gelebilir, ama bir güven ilişkisinde en pahalı şey sızdırılmış bir çizimdir.

Sık yapılan hatalar

Bu iş akışında gördüğüm tipik hatalar:

• Modelin tamamladığı boşluğu bilgi sanmak. Taslakta kaynağı olmayan her değer şüphelidir.
• Atmosfer görselini ürün referansı yapmak. Üretilen görseldeki nesne gerçek ürüne benzemek zorunda değildir.
• Uzun soru listesi göndermek. Cevap oranı düşer; önceliklendirmek gerekir.
• Brief'i onaylatmadan başlamak. Sonradan çıkan her değişiklik tartışmalı hale gelir.
• Tek sürümde ısrar etmek. Değişiklikleri sürümlemeden yapmak, hangi bilginin geçerli olduğunu belirsizleştirir.
• Gizlilik sorusunu atlamak. Müşterinin hassas bilgisini düşünmeden bir araca yapıştırmak.

Bunların hiçbiri yapay zekâya özgü değil; ama araç hızlandırdığı için hataların da daha hızlı büyümesine yol açabilir. Kontrol alışkanlığını AI ile üretirken neden kontrol gerekli yazısında ayrıca ele aldım.

Aracı sürece nasıl yerleştirmeli?

Bu akışı bir kurala çevirmek isterseniz şöyle özetleyebilirim: yapay zekâ girdiyi düzenler, soru üretir, farkı gösterir; müşteri ve gerçek ürün bilgiyi verir; siz karar verirsiniz. Her adımda çıktının kaynağını sorgulamak, bu işbölümünü korur.

İlk denemede küçük başlamak mantıklı. Mevcut bir projenizin eski yazışmalarını alın, yapay zekâya düzenletin ve eksik soru listesi çıkarttırın. Sonra gerçekte sorduğunuz sorularla karşılaştırın. Model size hatırlatmadığınız bir şey söylediyse, akışın işe yaradığını görürsünüz; tersine, listedeki sorular genel ve işe yaramazsa istemi (prompt) iyileştirmeniz gerekir. Bu karşılaştırma, aracın size uyup uymadığına dair somut bir fikir verir.

İşin devamında brief'ten çıkan model ve görseller için süreç 3D ürün modelleme ve 3D ürün görselleştirme hizmetlerinde ilerler. Bir işi brief aşamasından konuşmak isterseniz teklif sayfası üzerinden ürününüzün fotoğraflarını ve kullanım amacını paylaşmanız yeterli.

Sık sorulan sorular

Sonuç

Yapay zekâ brief ve referans aşamasında bilgiyi düzenleyen, eksik soruyu hatırlatan ve çelişkiyi gösteren bir yardımcı olarak değerli. Bilginin kaynağı ise müşteri, teknik çizim, fotoğraf ve numune. Bu ayrımı korursanız hem hızlanır hem de modelin ya da görselin sonradan değişmesine yol açan hataları işin başında yakalarsınız.