Özet. Profesyonellerin çoğu artık işte yapay zeka kullanıyor ve neredeyse hiçbiri işe yarayanı saklamıyor. Gallup’ın Mayıs 2026 anketine göre ABD’li çalışanların yüzde 52’si rollerinde yapay zekayı yılda en az birkaç kez, yüzde 30’u haftada birkaç kez ya da daha sık, yüzde 15’i ise her gün kullanıyor; bir yıl önce bu oranlar yüzde 40, 19 ve 8’di. Kurumunun yapay zekayı entegre etmek için net bir plan paylaştığını söyleyenlerin oranı yalnızca yüzde 25. St. Louis Federal Rezerv Bankası’nın anket serisi, üretken yapay zeka kullanan çalışanların kazandığı süreyi çalışma saatlerinin yüzde 5,4’ü, yani 40 saatlik bir haftada yaklaşık 2,2 saat olarak ölçüyor; tüm çalışma saatleri içinde kazanılan pay ise 2024 sonu ile 2026 ortası arasında yüzde 1,6’dan yüzde 2,2’ye çıktı. Üç ayrı araştırma hattı, kişisel bir prompt kütüphanesinin bu zamanı biriktirmenin neden en ucuz yolu olduğunu gösteriyor. Promptlar kırılgan: bir kıyaslama çalışmasında yalnızca ayırıcıları, boşlukları ya da büyük-küçük harf kullanımını değiştirmek doğruluğu 76 puana kadar oynattı ve tek bir prompt şablonu birçok görevde güvenilmez model sıralamaları üretiyor. İnsanlar promptları varsayılan olarak kötü tasarlıyor: bir Berkeley çalışmasında uzman olmayanlar fırsatçı biçimde denedi ve tek bir iyi çıktıdan sonra başarı ilan etti. Ve prompt kalitesi önemli: kontrollü bir öğrenci örnekleminde çıktı kalitesindeki varyansın yüzde 53 ila 78’ini açıkladı. Bir CEOtudent analizi, benimseme anketlerini sekiz saha deneyiyle birleştirerek hangi görev ailelerinin önce şablonu hak ettiğini söyleyen bir Şablon Öncelik Endeksi kuruyor; ardından prompt kartını, klasör yapısını ve bakım kurallarını veriyor. CEO hamlesi, promptlarınıza sürümlenmiş varlıklar gibi davranmaktır. Öğrenci hamlesi ise her birine test vakaları olan bir hipotez gibi davranmaktır.
Bu yazı, yapay zeka okuryazarlığı katmanları merkez yazımızın sistem tamamlayıcısıdır. O yazı, prompt yazmanın birçok katmandan yalnızca biri olduğunu savunuyordu. Bu yazı ise profesyonellerin çoğunun atladığı katmanı ele alıyor: kendileri için zaten işe yarayan promptları saklamak, test etmek ve yeniden kullanmak.
Neden daha iyi bir prompttan çok bir kütüphane önemli?
Her biri farklı türde bir çalışmadan gelen dört bulgu aynı sonuca işaret ediyor.
Promptlar kırılgandır, bu yüzden işe yarayanın tam olarak aynısını yeniden kullanın. 2024 tarihli bir ICLR makalesinde Sclar, Choi, Tsvetkov ve Suhr, az örnekli (few-shot) promptlarda biçimlendirme dışında hiçbir şeyi değiştirmedi (ayırıcılar, boşluklar, alan adlarının büyük-küçük harf kullanımı) ve LLaMA-2-13B için “76 doğruluk puanına varan performans farkları” buldu; 50’den fazla görev ve birkaç model genelinde ortalama oynama yaklaşık 10 puandı. Daha büyük ve talimatla ince ayarlanmış modellerde bu duyarlılık azaldı ama kaybolmadı; GPT-3.5, 53 görevde 0,064 medyan ve 0,562 maksimum yayılım gösterdi. 20 modeli 39 görevde 5.000’den fazla talimat yeniden ifadesiyle değerlendiren Mizrahi ve meslektaşları, tek bir şablonun “görevlerin çoğu için güvenilmez sıralamalara yol açtığını” ve uyum puanlarının çoğunun 0,85’in altında kaldığını buldu. Bunun pratik okuması, kusursuz promptu mühendislik etmeniz gerektiği değil. Bir biçim göreviniz için bir kez işe yaradığında, onu her seferinde ezberden yeniden yazmanın sonucu çöpe attığıdır.
İnsanlar varsayılan olarak kötü yineler. Zamfirescu-Pereira, Wong, Hartmann ve Yang, CHI 2023 için uzman olmayan 10 kişinin sohbet botu promptları tasarlamasını izledi. Katılımcılar “prompt tasarımlarını sistematik değil fırsatçı biçimde keşfetti”, “tek bir başarı ve başarısızlık gözleminden” aşırı genelleme yaptı ve “çoğu katılımcı tek bir örnekten sonra başarı ilan edip yoluna devam etti”. Birkaçı her talimata “lütfen” ile başlamakta ısrar etti. Test vakaları olan bir kütüphane doğrudan bir karşı önlemdir: bir prompt, birden fazla girdide işe yaramadan terfi ettirilmez.
Prompt kalitesi çıktı kalitesini öngörür. Knoth, Tolzin, Janson ve Leimeister’in 45 üniversite öğrencisiyle yaptığı 2024 tarihli bir çalışmada, prompt kalitesi (altı bileşen üzerinden puanlandı) bir seyahat planlama görevinde çıktı kalitesindeki varyansın yüzde 53’ünü, bir proje planlama görevinde ise yüzde 78’ini açıkladı. Örneklem küçük ve görevler akademik, ancak yön aşağıdaki her saha deneyiyle tutarlı.
Kazanımlar gerçek ama dengesiz, bu yüzden nerede olduklarını gösteren bir haritaya ihtiyacınız var. Bir sonraki bölümde özetlenen saha deneyleri, belirli görev ailelerinde büyük üretkenlik etkileri ve yapay zeka yetkinlik alanının dışında kullanıldığında ölçülebilir bir ceza bildiriyor. Kütüphane, iki tarafı da kaydettiğiniz yerdir: bir promptu ne için kullanacağınız ve ne için kullanmayacağınız.
Saha deneyleri gerçekte neyi ölçtü?
| Çalışma (birincil kaynak) | Ortam ve örneklem | Görev ailesi | Doğrulanmış etki | Makalede kayıtlı çekince |
|---|---|---|---|---|
| Noy ve Zhang, 2023, Science | Üniversite mezunu 453 profesyonel, teşvikli yazma görevleri, yarısına ChatGPT verildi | Profesyonel yazı | Ortalama süre %40 düştü, kalite %18 arttı; araçla tanışan çalışanların iki hafta sonra işlerinde onu kullanma olasılığı 2 kat | Değerlendiriciler tarafından puanlanan kısa görevler; tek araç ve tek model nesli |
| Dell’Acqua ve meslektaşları, 2023, Harvard Business School çalışma raporu | Tek bir firmada 758 danışman, yapay zeka sınırının içinde 18 gerçekçi görev, dışında bir görev | Analiz, yazı, strateji notları | Sınırın içinde: %12,2 daha fazla görev, %25,1 daha hızlı, %40’tan fazla daha yüksek kalite; ortalamanın altında performans gösterenler %43, üstündekiler %17 kazandı. Prompt mühendisliği özeti verilen kol, kalite puanlarını yalnız yapay zeka için %17,9’a karşılık %25,1 artırdı | Sınırın dışında yapay zeka kullanıcılarının doğru olma olasılığı 19 yüzde puanı daha düşüktü (kontrol yaklaşık %84,5, yapay zeka kolları %60 ve %70) |
| Brynjolfsson, Li ve Raymond, 2025, Quarterly Journal of Economics (arXiv sürümü) | 5.172 müşteri destek temsilcisi, bir yapay zeka asistanının kademeli devreye alınması | Sohbet tabanlı müşteri desteği | Saat başına çözülen sorun ortalama %15 arttı; daha az deneyimli temsilcilerde yaklaşık %30, en düşük beceri beşte birliğinde %36; temsilciler önerilere zamanın %35’inde uydu | En deneyimli temsilcilerde asgari kazanım ve küçük kalite düşüşleri |
| Peng, Kalliamvakou, Cihon ve Demirer, 2023, arXiv | 95 profesyonel programcı, tek bir HTTP sunucusu görevi | Kodlama | Deney grubu %55,8 daha hızlı (160,89 dakikaya karşılık 71,17 dakika), güven aralığı %21 ila %89 | Tek görev ve küçük örneklem, bu yüzden güven aralığı geniş |
| Cui, Demirer, Jaffe, Musolff, Peng ve Salz, 2025 (Microsoft, Accenture ve bir Fortune 100 şirketi) | Üç randomize devreye almada 4.867 geliştirici | Kodlama | %26,08 daha fazla tamamlanan görev (standart hata 10,3); genç geliştiriciler %21 ila %40, kıdemliler %7 ila %16 kazandı | Her deney tek başına gürültülü; deney grubundaki geliştiriciler arasında benimseme farklı noktalarda %42,5 ile %75,6 arasında değişti, bu yüzden etkiler kullanıcı başına |
| Chatterji ve meslektaşları, 2025, NBER (ChatGPT kullanımı) | Mayıs 2024 ile Haziran 2025 arasında yaklaşık 1,1 milyon örneklenmiş sohbet | Tüm iş kullanımı | Yazı, iş mesajlarının %40’ı; yazı mesajlarının yaklaşık üçte ikisi modelden sıfırdan taslak yazmasını değil, kullanıcının verdiği metni değiştirmesini istiyor; iş mesajlarının yaklaşık %81’i iki geniş etkinlik altında toplanıyor: bilgiyi işlemek ve karar vermek ya da sorun çözmek | Yalnızca tüketici planları; sınıflandırıcı tabanlı |
Tablo boyunca görülen örüntü, aşağıdaki endeksin temelidir. Kazanımlar, görevin sık, iyi tanımlanmış ve modelin yetkinlik alanının içinde olduğu yerlerde en büyük; o görevde daha az deneyimi olan kişilerde de en büyük. Prompt rehberliğini doğrudan test eden tek çalışma (Dell’Acqua’nın özet kolu) bunun kaliteyi daha da artırdığını buldu. Sınırın dışındaki bir görevi test eden tek çalışma ise faydayı silecek kadar büyük bir ceza buldu.
Yapay zeka ne kadar yaygın kullanılıyor ve ne kadar zaman kazandırıyor?
İki bağımsız anket programı aynı soruyu farklı tanımlarla izliyor; bu yüzden onları ayrı satırlarda tutuyor ve birbirine eklemiyoruz.
| Kaynak | Ölçüt | Son doğrulanmış değerler | Eğilim |
|---|---|---|---|
| Gallup üç aylık işgücü paneli (ABD’li çalışanlar, dalga başına 19.043 ila 23.717 katılımcı) | Rolünde yapay zekayı yılda birkaç kez ya da daha sık / haftada birkaç kez ya da daha sık / her gün kullanma | %52 / %30 / %15 (Mayıs 2026) | Mayıs 2025’te %40 / %19 / %8; Mayıs 2024’te günlük kullanım %4 |
| Gallup, aynı panel | Kurum net bir yapay zeka planı paylaştı | %25 (Mayıs 2026) | Mayıs 2025’te %22; %47’si kurumunun yapay zeka araçlarını entegre ettiğini söylüyor |
| Gallup, aynı panel | Yapay zeka kullanıcıları arasında en yaygın kullanımlar | Yazma ve düzenleme %51, arama ya da araştırma %49, genel yardım ya da sorun çözme %39 | Mayıs 2026 dalgası |
| Bick, Blandin ve Deming, Real-Time Population Survey, NBER çalışma raporu 32966 | İşte üretken yapay zeka kullanan ABD’li çalışanların payı; kazanılan zaman | %26,5 herhangi bir kullanım, %9,0 her iş günü, %22,9 haftalık (Ağustos ve Kasım 2024); kullanıcılar çalışma saatlerinin %5,4’ünü, tüm çalışanlar genelinde %1,4’ünü kazanıyor | İlk ikiye konan görevler: yazı %39,5, idari işler %25,6, yorumlama ya da özetleme %22,7, bilgi arama %18,0, fikir üretme %13,2, kodlama %12,9, dokümantasyon %12,7 |
| St. Louis Fed Üretken Yapay Zeka Benimseme İzleyicisi (aynı anket, revize edilmiş tanımlar) | Haftalık iş kullanımı; yapay zeka destekli saatler; kazanılan saatler | %39,2 haftalık kullanım (2026 2. çeyrek); saatlerin %6,3’ü destekli; saatlerin %2,2’si kazanıldı | 2024 3. çeyrekteki %28,2, %4,1 ve %1,6’dan |
Bu tablolardaki iki sayı neyin söz konusu olduğunu gösteriyor. Üretken yapay zeka kullanan bir çalışan, kendi tahminine göre haftada yaklaşık 2,2 saat kazanıyor ve her dört çalışandan üçünün ona yardımcı olacak bir kurumsal planı yok. Var olacak sistem her neyse, kişisel olacak.
Şablon Öncelik Endeksi
Aşağıdaki tablo bir CEOtudent editöryel çerçevesidir. Daha önce birleştirilmemiş üç doğrulanmış kaynağı bir araya getiriyor: Gallup’ın yapay zeka kullanıcıları arasındaki kullanım alanı payları, Fed anketinin ilk sıralara giren iş görevleri ve görev ailesi başına saha deneyi kanıtı. Öncelik, yalnızca yargıyla değil, açıkça belirtilmiş bir kurala göre atanıyor: Öncelik 1, görev ailesinin hem sık (iki anketten birinde ilk üçte) hem de en az bir randomize ya da yarı randomize saha çalışmasıyla desteklenmiş olduğu anlamına gelir; Öncelik 2, ikisinden birinin sağlandığı; Öncelik 3 ise hiçbirinin sağlanmadığı ya da kanıtın bir doğrulama uyarısı taşıdığı anlamına gelir.
| Görev ailesi | Yapay zeka kullanıcıları içindeki pay (Gallup, Mayıs 2026) | İlk ikiye koyanların payı (Fed anketi, 2024) | En güçlü saha kanıtı | Tekrarlanabilirlik (editöryel) | Öncelik |
|---|---|---|---|---|---|
| Verdiğiniz metni düzenleme ve yeniden yazma | %51 (yazma ve düzenleme) | %39,5 (yazı) | Noy ve Zhang: %40 daha hızlı, %18 daha yüksek kalite; ChatGPT yazı mesajlarının üçte ikisi düzenleme | Yüksek: aynı girdiler, aynı kitle, haftalık | 1 |
| Rutin belgeler ve idari metin taslağı hazırlama | %51’in içinde | %25,6 (idari işler), %12,7 (dokümantasyon) | Brynjolfsson, Li ve Raymond: senaryolu destek işinde %15 daha fazla çözülen sorun | Yüksek | 1 |
| Özetleme, yorumlama ve çeviri | Ayrıca raporlanmadı | %22,7 | Dell’Acqua: sınır içi görevler analiz ve sentezi içeriyordu, %12,2 daha fazla görev, %40’tan fazla kalite | Orta: girdiler değişiyor | 2 |
| Yapılandırılmış analiz ve sorun çözme | %39 (genel yardım ya da sorun çözme) | Ayrıca raporlanmadı | Dell’Acqua: sınırın içinde güçlü kazanımlar, dışında 19 yüzde puanı daha kötü | Orta, her kartta bir sınır işaretiyle | 2 |
| Araştırma ve bilgi arama | %49 | %18,0 | Hiçbir randomize saha çalışması işte yapay zeka aramasının doğruluğunu ölçmedi | Düşük: her çıktının doğrulanması gerekir | 3 |
| Kodlama | Ayrıca raporlanmadı | %12,9 | Peng: %55,8 daha hızlı; Cui: %26,08 daha fazla görev | Geliştiriciler için yüksek | Geliştiriciler için 1, aksi halde uygulanamaz |
| Fikir üretme | Ayrıca raporlanmadı | %13,2 | Hiçbir saha çalışması bunu ayrıştırmadı; Noy ve Zhang görevlerin fikir üretme ve düzenlemeye kaydığını anlatıyor | Düşük: çıktılar karşılaştırılabilir değil | 3 |
Endeksi bir inşa sırası olarak okuyun. İlk üç kartınız, yazdığınız metni düzenlemeyi, her hafta ürettiğiniz rutin belgeleri ve (kod yazıyorsanız) en sık yaptığınız kodlama görevini kapsamalı. Araştırma promptları en sona kalır ve tasarım gereği bir doğrulama adımı taşır.
Prompt kartı: tek şablon, dokuz alan
Bir kütüphane ancak depolama birimi kadar iyidir. Her araç değişikliğinden sağ çıkması için düz metin olarak tutulan dokuz alanlı bir kart öneriyoruz. Alanlar araştırmayla örtüşüyor: sabit biçim Sclar ve Mizrahi’ye, test vakaları Berkeley çalışmasına, sınır satırı Dell’Acqua’ya yanıt veriyor.
| Alan | İçine ne girer | Neden var |
|---|---|---|
| Ad ve sürüm | Aile-fiil-nesne artı bir sürüm numarası, örneğin “edit-exec-summary-v3” | Bir ay içinde beş varyantınız olacak; adlar kaymayı durdurur |
| Tetikleyici | Bu kartı gerektiren somut durum, örneğin “karar vericiye gidecek 300 kelimenin üzerindeki her taslak” | Kartlar ne kadar ustaca olduklarına göre değil, duruma göre bulunur |
| Gerekli girdiler | Yapıştırmanız ya da eklemeniz gereken şeylerin tam listesi: taslak, kitle, istenen karar, uzunluk sınırı | Eksik girdiler, zayıf çıktının en yaygın nedenidir |
| Prompt gövdesi (dondurulmuş) | Ayırıcılar ve büyük-küçük harf dahil tam metin, asla ezberden yeniden yazılmaz | Yalnızca biçimlendirme değişiklikleri bile sonuçları kaydırır |
| Model ve ayarlar | Hangi model ve modda test ettiğiniz, yönlendirme kuralınıza bir işaretle | Sonuçlar modeller arasında değişmeden aktarılmaz |
| Test vakaları | Yanında saklanan, kabul ettiğiniz çıktıyla birlikte üç girdi | Bir kart birden değil, üç geçişten sonra terfi eder |
| Bilinen başarısızlık biçimleri | Bu prompt başarısız olduğunda neyi yanlış yapıyor, örneğin “taslakta olmayan olgular ekliyor” | Tek bir kötü sürprizi kalıcı bir korkuluğa dönüştürür |
| Sınır satırı | Açık “şunun için kullanma” cümlesi, örneğin “hukuki ya da finansal ifadeler için değil” | Sınır dışı cezası, belgelenmiş en büyük tek risktir |
| Son doğrulama ve sahip | Test vakalarını en son çalıştırdığınız tarih; ekipte kartın bakımını kimin yaptığı | Modeller değişir; tarihi olmayan bir kart söylentidir |
Doldurulmuş bir kart
Ad ve sürüm: edit-exec-summary-v3 (yönetici özeti düzenleme kartı).
Tetikleyici: Bir şeye karar verecek biri tarafından okunacak, 300 kelimeden uzun her taslak.
Gerekli girdiler: Taslak; okurun rolü; okurun vermesi gereken tek karar; kelime cinsinden uzunluk sınırı.
Prompt gövdesi (dondurulmuş): “Yazmıyorsun, düzenliyorsun. Her olgusal iddiayı tam olarak verildiği gibi koru ve taslakta olmayan hiçbir olgu, sayı ya da örnek ekleme. Okur: [rol]. Okurun okuduktan sonra vermesi gereken karar: [karar]. Taslağı öyle yeniden yaz ki ilk paragraf öneriyi ve onu destekleyen tek sayıyı belirtsin, ikinci paragraf en güçlü iki gerekçeyi versin, son paragraf ise riski ve öneriyi neyin değiştireceğini adlandırsın. En fazla [N] kelime. Taslakta okurun ihtiyaç duyacağı bir olgu eksikse, boşluğu doldurmak yerine [EKSİK: ne eksik] işaretini koy. Yalnızca yeniden yazılmış metni döndür.”
Model ve ayarlar: Yazı için yönlendirme kuralımızdaki genel amaçlı model; web’de gezinme yok.
Test vakaları: Bir bütçe notu, bir proje durum e-postası, bir dizi slayt notu; her birinin kabul edilmiş çıktısı kayıtlı.
Bilinen başarısızlık biçimleri: Sıkıştırırken “ön” (henüz kesinleşmemiş) gibi niteleyicileri düşürüyor; ara sıra iki gerekçeyi tek gerekçede birleştiriyor.
Sınır satırı: Sözleşme dili, düzenleyici başvurular ya da hukuki sonucu olan hiçbir şey için değil; hiç sayı içermeyen taslaklar için değil (bunun yerine taslak hazırlama kartını kullanın).
Son doğrulama ve sahip: 2026-10, siz.
Kartın ChatGPT kullanım verisindeki bulguyu nasıl kodladığına dikkat edin: profesyonel yazı isteklerinin üçte ikisi, kullanıcının zaten elinde olan metnin düzenlenmesidir. Çoğu kütüphanedeki en değerli kart, taslak hazırlama kartı değil düzenleme kartıdır.
Kütüphaneyi nasıl düzenlersiniz?
Araca göre değil, görev ailesine göre klasörleyin. Araçlar değişir; yukarıdaki endeksteki görev aileleri 2024’ten bu yana her ankette sabit kaldı. Yedi aileyi üst düzey klasör olarak kullanın ve kod yazmıyorsanız kodlama klasörü boş kalsın.
Her ailenin içinde üç katman. Çekirdek kartlar her hafta çalıştırdıklarınızdır; üç test vakası ve bir tarihleri vardır. Durumsal kartlar ayda bir ya da daha seyrek çalışır; bir test vakaları vardır. Deneysel kartlar bir kez denediğiniz her şeydir; klasörde dururlar ama terfi edene kadar sürüm numarası taşımazlar. Katman sisteminin gerekçesi Berkeley bulgusudur: varsayılan insan davranışı, tek başarıdan sonra terfi ettirmektir.
Tek bir dizin dosyası. Her Çekirdek kartı tetikleyicisiyle birlikte listeleyen tek bir sayfa. Erişim tetikleyiciyle olur (“karar vericiye giden taslak”); zaman baskısı altında onu gerçekten böyle hatırlarsınız.
Girdileri ayrı saklayın. Sabit bağlamınız (rol, kitle, kurum üslubu, kısıtlar) her kartın içine değil, bir bağlam belgesine aittir. Bağlam dosyası ve özel talimatları, projeleri ve belleği yapılandırma üzerine yazılarımız o katmanı ele alıyor; böylece kartlar kısa ve taşınabilir kalır. Bir kartın hangi modelde test edildiği yönlendirme kuralınıza bağlıdır.
Kanıtlardan çıkan altı işletim kuralı
- Biçimi dondurun. Prompt gövdesini kelimesi kelimesine kopyalayın. Çalıştırmalar arasında ayırıcıları, büyük harf kullanımını ya da boşlukları “toparlamayın”. Sclar ve meslektaşları, bir modelin üzerine sistem kuranlar için işe yarayan tek bir biçimi seçip ona bağlı kalmanın geçerli bir yöntem olduğunu belirtiyor.
- Terfiden önce üç vaka. Bir prompt, Deneysel’den Çekirdek’e ancak üç farklı girdi kabul edilen çıktı ürettikten sonra geçer. Mizrahi’nin çok promptlu değerlendirmesi aynı kuralın araştırma versiyonudur.
- Önce sınır satırını yazın. Bir kartı kaydetmeden önce, ne için kullanılmaması gerektiğini söyleyen cümleyi yazın. Dell’Acqua’nın danışmanları, aracın yapamadığı tek görevde 19 yüzde puanı doğruluk kaybetti ve bunu fark etmediler.
- Başarısızlıkları anı olarak değil, alan olarak kaydedin. Bir kart her başarısız olduğunda, başarısızlık aynı gün bilinen başarısızlık alanına girer. Berkeley katılımcıları tek başarısızlıklardan da tek başarılardan olduğu kadar kolay aşırı genelleme yaptı; yazılı bir kayıt ikisini de önler.
- Tarih atın ve üç ayda bir yeniden test edin. Üç test vakasını her çeyrek güncel modelde yeniden çalıştırın. Çıktı önemli ölçüde değişirse sürümü yükseltin.
- Çekirdek katmanı paylaşın. Gallup, her dört çalışandan üçünün kurumsal bir yapay zeka planı olmadığını buluyor; Microsoft’un 2024’te 31.000 bilgi çalışanıyla yaptığı ankette ise kullanıcıların yüzde 78’i işe kendi yapay zeka araçlarını getiriyordu. Ekipçe paylaşılan bir Çekirdek klasörü, gerçekten var olan en küçük yapay zeka planı birimidir. Saha deneylerinin sürekli bulduğu deneyim açığını da kapatır: destek ve danışmanlık çalışmalarında acemiler yüzde 30 ila 43 kazandı ve paylaşılan bir kart, bir aceminin bir uzmanın promptunu ödünç alma yoludur.
CEO bakışı ve öğrenci bakışı
Kütüphaneyi bir varlık sicili gibi yönetin. Her kartın bir sahibi, bir sürümü, bir son doğrulama tarihi ve bir emeklilik kuralı (altı ay kullanılmadıysa arşivle) vardır. Üç ayda bir Fed anketinin kendi ölçütüyle ölçün: dürüst tahmininizle, Çekirdek kartlar bu hafta size kaç saat kazandırdı? Yanıt, ortalama kullanıcının bildirdiği haftada 2,2 saatin altındaysa kütüphane sık görevlerinizi kapsamıyor demektir ve yukarıdaki endeks hangi ailenin eksik olduğunu söyler.
Ondan bir laboratuvar defteri gibi öğrenin. Her kart, neyin işe yaradığına dair bir hipotezdir; test vakaları deneydir; bilinen başarısızlık alanı istemediğiniz sonuçtur. Araştırma, öğrenciye güven verici bir gerçek sunuyor: her saha deneyinde yapay zeka desteğinden en çok kazananlar daha az deneyimli olanlardı ve mekanizma, kodlanmış iyi uygulamaya erişimdi. Kütüphane, kendiniz için yazdığınız kodlanmış iyi uygulamadır. Soru kalitesi çerçevesiyle doğal biçimde eşleşir: kart biçimi tutar, çerçeve ise içindeki sorunun sorulmaya değer olup olmadığını denetler.
Bu kanıtların size söyleyemeyeceği şeyler
- Hiçbir randomize çalışma “prompt kütüphanesi tutmayı” bir müdahale olarak test etmedi. Buradaki argüman prompt kırılganlığı, acemi davranışı, prompt kalitesi ve görev düzeyinde üretkenlik çalışmalarından derlendi. Bunu ölçülmüş bir etki değil, iyi desteklenmiş bir çıkarım olarak görün.
- Saha deneyleri, belirli firmalardaki belirli görevlerde 2023 ila 2025 modellerini kullandı. Etki büyüklükleri sizin görevleriniz ve güncel modeller için farklı olacaktır; kartın tarih ve test vakaları taşımasının nedeni tam olarak budur.
- Kırılganlık sonuçları çoğunlukla açık ağırlıklı modellerde, az örnekli ortamlarda ölçüldü. Daha yeni modeller daha az duyarlı olabilir, ancak Sclar makalesi duyarlılığın ölçeklendirme ve talimatla ince ayardan sonra da sürdüğünü buldu ve bir biçimi dondurmanın maliyeti sıfıra yakın.
- Anket rakamları öz bildirime dayanıyor ve iki anket programı kullanımı farklı tanımlıyor. Bir Gallup sayısıyla bir Fed sayısını asla tek cümlede birleştirmiyoruz.
- Knoth çalışmasında 45 öğrenci ve akademik görevler var; Berkeley çalışmasında 10 katılımcı var. İkisi de burada büyüklük için değil, mekanizma için kullanılıyor.
Sık sorulan sorular
Prompt kütüphanesi, prompt mühendisliği rehberiyle aynı şey mi?
Hayır. Rehber size ilkeleri anlatır; kütüphane, sizin görevlerinizde sizin test vakalarınızı geçmiş somut promptları tutar. Dell’Acqua deneyi, kısa bir prompt mühendisliği özetinin sonuçları iyileştirdiğini gösteriyor; kütüphane, o özetin yeniden kullanılabilir pratiğe dönüştüğü yerdir.
Kaç karta ihtiyacım var?
Sandığınızdan az. Öncelik 1 ailelerinden üç Çekirdek kartla başlayın. Çoğu profesyonelin haftalık yapay zeka kullanımı düzenleme, rutin belgeler ve aramada yoğunlaşıyor; endeksin onları öne koymasının nedeni bu.
Kartları yapay zeka aracının kendi kayıtlı prompt özelliğinin içinde mi saklamalıyım?
Ana kopyayı kontrolünüzdeki düz metinde saklayın ve kolaylık olsun diye araç özelliklerine yansıtın. Araç özellikleri değişir ve kartın test vakaları ile başarısızlık alanlarının orada genellikle yeri yoktur.
Sohbet yerine yapay zeka ajanları için promptlar ne olacak?
Aynı kart işe yarar; sınır satırı daha fazla iş görür. Yapay zeka ajanına görev devretme ve bağlam mühendisliği üzerine yazılarımız, bir ajan brifinginin gerektirdiği ek alanları ele alıyor.
Bir model güncellemesinden sonra kartın hala iyi olduğunu nasıl anlarım?
Üç test vakasını yeniden çalıştırın. Üç çıktıdan ikisi kabul etmeyeceğiniz biçimde değişirse kart yeniden geçene kadar Deneysel’e geri döner.
Kaynaklar
- Gallup, “AI Use at Work Has Nearly Doubled in Two Years” (Haziran 2025), “Organizational AI Adoption Jumps Six Points” (Temmuz 2026) ve Gallup Indicator on Artificial Intelligence (Mayıs 2026 itibarıyla veriler).
- Bick, Blandin ve Deming, “The Rapid Adoption of Generative AI”, National Bureau of Economic Research Working Paper 32966 (Şubat 2025’te revize edildi); Federal Reserve Bank of St. Louis, “The Impact of Generative AI on Work Productivity” (Şubat 2025) ve FRED Blog, “Does generative AI save time at work?” (Ağustos 2026).
- Chatterji, Cunningham, Deming, Hitzig, Ong, Shan ve Wadman, “How People Use ChatGPT”, National Bureau of Economic Research Working Paper 34255, Eylül 2025.
- Sclar, Choi, Tsvetkov ve Suhr, “Quantifying Language Models’ Sensitivity to Spurious Features in Prompt Design”, International Conference on Learning Representations 2024.
- Mizrahi, Kaplan, Malkin, Dror, Shahaf ve Stanovsky, “State of What Art? A Call for Multi-Prompt LLM Evaluation”, Transactions of the Association for Computational Linguistics, cilt 12, 2024.
- Zamfirescu-Pereira, Wong, Hartmann ve Yang, “Why Johnny Can’t Prompt: How Non-AI Experts Try (and Fail) to Design LLM Prompts”, Proceedings of CHI 2023.
- Knoth, Tolzin, Janson ve Leimeister, “AI literacy and its implications for prompt engineering strategies”, Computers and Education: Artificial Intelligence, cilt 6, 2024.
- Noy ve Zhang, “Experimental evidence on the productivity effects of generative artificial intelligence”, Science, 381(6654), 2023, sayfa 187-192.
- Dell’Acqua, McFowland, Mollick, Lifshitz-Assaf, Kellogg, Rajendran, Krayer, Candelon ve Lakhani, “Navigating the Jagged Technological Frontier”, Harvard Business School Working Paper 24-013, 2023.
- Brynjolfsson, Li ve Raymond, “Generative AI at Work”, Quarterly Journal of Economics, 140(2), 2025 (rakamlar Kasım 2024 tarihli arXiv sürümünden).
- Peng, Kalliamvakou, Cihon ve Demirer, “The Impact of AI on Developer Productivity: Evidence from GitHub Copilot”, arXiv 2302.06590, 2023.
- Cui, Demirer, Jaffe, Musolff, Peng ve Salz, “The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers”, 2025 (yazar sürümü, Haziran 2025); Microsoft ve LinkedIn, 2024 Work Trend Index Annual Report (kendi yapay zeka aracını getirme rakamı için).
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
