2023'ün ilkbaharında bir iş ilanı, kodlama bilmeyen birine 300 bin doları aşan bir maaşla "Prompt Mühendisi" arıyordu. İki yıl sonra aynı unvan iş ilanlarından sessizce silinmeye başlamıştı. Bu, teknoloji tarihinin en hızlı yükselip en hızlı sönen mesleklerinden biriydi. Bu ortadan kaybolan bir meslek değil, herkesin sahip olması gereken bir beceri haline geldi. Prompt mühendisliği bugün hâlâ var; sadece bir unvan olarak değil, bir refleks olarak devam ediyor. Bu yazıda hem bu tuhaf yükseliş v düşüş hikâyesini hem de iyi bir prompt'u kötüsünden ayıran somut teknikleri konuşacağız.
Prompt Nedir, Prompt Mühendisliği Nedir?
Prompt, bir yapay zeka modeline verdiğiniz girdi metnidir. Bir soru, bir talimat, bir görev tanımı. Modelin ürettiği her şey, aslında ona söylediğiniz şeyin bir yorumudur. Prompt mühendisliği ise bu girdiyi rastgele değil, bilinçli biçimde tasarlama, test etme ve iyileştirme sürecidir.
Buradaki "mühendislik" kelimesi tesadüf değil. Amaç, deneme-yanılmayı bir defalık şans oyunundan çıkarıp ölçülebilir, tekrarlanabilir bir disipline dönüştürmektir. İyi kurgulanmış bir prompt aslında küçük bir iş tanımına benzer: rol, bağlam, kısıt, format ve başarı kriteri. Hepsi tek bir metinde.
Kötü kurgulanmış bir prompt ise modelden "bir şeyler" ister, ne istediğini kendisi de tam bilmez; sonuç da ona göre belirsiz çıkar. Çünkü bir çıktının doğru çıkması için belli kriterler gerekiyorsa ve siz bu kriterlerin kurallarını tarif etmezseniz, model boşluğu kendi başına doldurur: belirlenmemiş her şeyi bir varsayım sayar, o varsayıma göre işler ve size en "ortalama" sonucu verir. Sizin işiniz için değil, herkesin işi için üretilmiş bir sonuç bu.
Bunu somut bir örnekle görelim. Bir blog yazısı için "bana 10 tane etiket oluştur" dediğinizde model elinde hiçbir ölçüt olmadığı için konunun en genel, en yüzeysel kelimelerini bir araya getirir çünkü tek yapabileceği bu. Ama aynı isteği "bana 10 tane etiket ver, SEO uyumlu olsun, 2026 arama algoritmasına göre optimize et, farklı arama niyetlerine göre çeşitlendir" diye detaylandırdığınızda karşınıza bambaşka bir liste çıkar. Görev aynı, konu aynı ama biri varsayımla üretiliyor, diğeri kurallara bağlı kalarak size çıktıyı veriyor.
Ben bunu şöyle sadeleştiriyorum: Prompt mühendisliği, aslında insanla iletişimde zaten bildiğimiz bir şeyin yapay zekaya uyarlanmış hali. Net bir brief nasıl daha iyi bir iş çıkarıyorsa, net bir prompt da daha iyi bir çıktı üretiyor. Fark, muhatabınızın artık bir ekip arkadaşınız değil, bir dil modeli olması.
2023'ten Bugüne: Bir Mesleğin Doğuşu, Zirvesi ve Erimesi
ChatGPT Patlaması ve "AI Fısıldayıcısı" Çağı
2022'nin sonunda ChatGPT'nin genel kullanıma açılmasıyla birlikte milyonlarca insan ilk kez bir büyük dil modeliyle doğrudan, günlük dille konuşmaya başladı. Bu modeller o dönem hâlâ oldukça kırılgandı: belirsiz bir talimata garip, tutarsız veya yüzeysel yanıtlar verebiliyorlardı. Doğru sonucu almak, doğru soruyu doğru biçimde sorabilmekten geçiyordu ve bu, aniden değerli bir beceri haline geldi.
Rakamlar da bu patlamayı doğruluyor: Indeed'in arama verilerine göre ABD'de "prompt engineer" unvanına yönelik aramalar Ocak 2023'te toplam aramaların milyonda 2'si iken, Nisan 2023'e gelindiğinde milyonda 144'e fırladı. Ağustos 2023'te ise Gartner'ın kurumsal dünyada yakından takip edilen Hype Cycle (Beklenti Döngüsü) raporunda prompt mühendisliği "şişirilmiş beklentiler zirvesi"ne yakın bir noktaya yerleşti. Terim artık sadece teknik forumlarda değil, yönetim kurulu toplantılarında konuşuluyordu.
Maaşlar da bu heyecanı yansıtıyordu. Anthropic'in 2023 baharında yayınladığı ve dönemin sembol ilanlarından biri haline gelen "Prompt Engineer and Librarian" pozisyonu, 175.000 ile 335.000 dolar arasında bir taban maaş öneriyordu. Üstelik kodlama zorunluluğu bile olmadan. Basın bu rolleri hızla "AI fısıldayıcısı" (AI whisperer) diye etiketledi.
Neden Modeller Prompt Mühendisliğini "Yuttu"?
Bu yükselişin ardından gelen öngörülemeyen düşüş, aslında mantıklı bir nedene dayanıyordu. Modeller hızla daha iyi hale geldi. GPT-4 ve sonrasındaki nesiller, önceki modellerin aksine belirsiz, dağınık, günlük dille yazılmış talimatları da makul biçimde yorumlayabiliyordu. Bir zamanlar özenle kurgulanması gereken "sihirli formüller", artık modelin kendisinin telafi edebildiği ayrıntılar haline geldi.
Buna paralel olarak, şirketler prompt yazmayı tek bir uzmana bırakmak yerine tüm çalışanlarına öğretmeyi seçti. Microsoft'un 31 ülkede 31.000 çalışanla yaptığı bir araştırmada, şirketlere önümüzdeki 12-18 ay içinde hangi yeni rolleri öncelikli göreceği soruldu; "Prompt Mühendisi" listenin sonlarına, sondan ikinci sıraya yerleşti. OpenAI'nin ücretsiz "OpenAI Academy" eğitim platformunu duyurması da aynı mesajı veriyordu: Bu artık uzmanlık gerektiren bir alan değil, temel okuryazarlık haline gelmişti.
İlginç bir teknik gelişme de bu sürece eşlik etti. Yapay zeka artık kendi promptunu kendisi yazabiliyor. "Otomatik Prompt Mühendisliği" (Automatic Prompt Engineer) yaklaşımında bir model aday prompt'lar üretiyor, bunlar hedef modelde test ediliyor ve en iyi performansı veren seçiliyor, üstelik insan eli hiç değmeden... Bir zamanlar özel uzmanlık ve deneyim isteyen bu iş, ironik biçimde kendi kendini otomatikleştirdi. Prompt yazmak için işe alınan insanın görevini, şimdi promptunu kendi yazan bir model üstleniyor.
2026'da durum ne oldu? Meslek öldü mü yoksa evrildi mi?
Bağımsız bir iş unvanı olarak "Prompt Mühendisi" bugün, frontier modellerle çalışan şirketlerin büyük kısmında artık aranmıyor. Ama bunu "beceri ortadan kalktı" diye okumak yanlış olur. Çünkü tam tersi oldu. Beceri, AI Mühendisi, LLM Mühendisi, AI Ürün Yöneticisi gibi daha geniş rollerin standart bir bileşenine dönüştü. Bu rollerdeki toplam ücretlendirme de küçülmedi; prompt yazma artık iş tanımının bir satırı değil, ön koşulu haline geldi.
Wikipedia'nın konuya ayırdığı madde de bu dönüşümü net biçimde özetliyor: Unvan olarak ivme kaybetti ama beceri olarak araştırma ve profesyonel bağlamlarda giderek daha fazla önem kazanmaya devam ediyor.
Sade bir biçimde açıklamak gerekirse; herkesin "prompt mühendisi" olduğu bir dünyada, ayrı bir unvana ihtiyaç kalmadı.
İyi Bir Prompt'un Anatomisi: Pratik Teknikler
Unvan kaybolmuş olabilir ama teknikler kaybolmadı. Tam tersine, artık herkesin bilmesi gereken temel bir repertuar haline geldi. İşte üzerine bir prompt inşa ederken gerçekten fark yaratan unsurlar.
Netlik ve Bağlam
Modelin en büyük düşmanı belirsizliktir. "Bana bir metin yaz" ile "500 kelimelik, samimi ama otoriter bir üslupla, tasarımcılara yönelik bir blog girişi yaz" arasındaki fark, çıktı kalitesinde doğrudan görülür. Görevi, hedef kitleyi ve amacı açıkça belirtmek; modele sadece ne istediğinizi değil, neden istediğinizi de anlatmak, çıktının isabetini büyük ölçüde artırır.
Rol ve Persona Atama (Role Prompting)
Modele belirli bir uzmanlık kimliği vermek, "Sen deneyimli bir ...sın" gibi çıktının çerçevesini, tonunu ve bakış açısını şekillendirir. Bu teknik özellikle üslup ve alan bilgisinin öne çıkması gereken görevlerde işe yarıyor; model, o rolün taşıdığı örtük normları (dil kayıtçısı, öncelik sırası, hitap biçimi) devreye sokuyor.
Örnekleme: Zero-Shot, Few-Shot ve Chain-of-Thought
Modele hiç örnek vermeden doğrudan talimat vermeye zero-shot prompting denir; basit, iyi tanımlı görevlerde yeterlidir. Talimatla birlikte birkaç somut örnek sunmaya ise few-shot prompting denir. Format veya üslup tutarlılığı kritikse bu teknik büyük fark yaratır. Karmaşık, çok adımlı akıl yürütme gerektiren görevlerde ise chain-of-thought (düşünce zinciri) devreye girer: modelden sonucu doğrudan vermek yerine önce adım adım düşünmesini istemek, özellikle mantıksal ve çok bileşenli sorularda doğruluğu belirgin biçimde artırır.
NOT: Chain-of-Thought tanımı görselde vurgulanabilir. Karmaşık görevlerdeki doğruluk artışı bu teknikte en belirgin şekilde gözlemleniyor.
Çıktı Formatını Net Tanımlamak
Modelden ne beklediğinizi, uzunluk, yapı, madde işaretli mi düz metin mi, tablo mu paragraf mı gibi tanımlamaları açıkça belirtmek, sonradan yapılan düzeltme turlarını büyük ölçüde azaltır. Format belirsizse model kendi varsayımını devreye sokar, bu da genelde sizin istediğinizden daha farklı bir şey olur.
Yapıyı Ayraçlarla Netleştirmek
Uzun veya çok bileşenli prompt'larda talimatları, örnekleri ve bağlamı birbirinden ayırmak modelin kafasını netleştirir. Anthropic'in kendi dokümantasyonu da bu noktada net: XML benzeri etiketlerle (talimat, örnek, bağlam gibi bölümleri ayrı ayrı işaretlemek) yapılandırılmış prompt'lar, özellikle uzun ve çok parçalı görevlerde modelin hangi metnin ne işe yaradığını daha isabetli anlamasını sağlıyor.
Prompt Bir Kerede Mükemmel Hale Gelmez
Belki de en çok atlanan gerçek şu: iyi bir prompt genelde ilk denemede ortaya çıkmaz. Bir taslak yazılır, sonuç gözlemlenir, hatanın nereden geldiği anlaşılır (belirsiz talimat mı, eksik bağlam mı, yanlış varsayım mı) ve buna göre revize edilir. Prompt yazmak bir kerelik komut verme değil, sürekli iyileştirilen bir zanaattır. Tıpkı bir tasarımın revizyon turlarından geçmesi gibi.
Ben düzenli olarak kullanacağım bir prompt yazarken bunu tam olarak böyle yürütüyorum. Önce gerekli araştırmayı yapıp çıktı kalitesini en üst seviyeye taşıyacak kuralları prompta baştan yerleştiriyorum. Ama gerçek sınav, promptu kullanmaya başladıktan sonra geliyor; ilk üç dört çıktıdan sonra, elimdeki somut sonuçlar sayesinde neyin eksik kaldığını net biçimde görüyorum ve promptu tam o noktalara odaklanarak güncelliyorum. Baştan mükemmel yazmaya çalışmak yerine, çıktının bana gösterdiği boşlukları kapatarak ilerliyorum ve günün sonunda elimde istediğim çıktıyı en iyi şekilde sonuçlandıran bir prompt oluşmuş oluyor.
Prompt Mühendisliği tek başına yeterli mi?
Prompt mühendisliği en erişilebilir araçtır ama tek araç değildir. Bir modelin davranışını kalıcı olarak değiştirmek gerekiyorsa fine-tuning (ince ayar) devreye girer; modelin güncel veya kuruma özel bilgiye ihtiyacı varsa RAG (retrieval-augmented generation) kullanılır. Son yıllarda bunlara bir yenisi eklendi: Context Engineering. Bu, tek bir prompt metnini optimize etmenin ötesinde, modelin o an "gördüğü" her şeyi (geçmiş mesajlar, araçlar, dosyalar, sistem talimatları) bir bütün olarak yönetmeyi kapsıyor. Özellikle uzun süreli çalışan, çok adımlı AI ajanlarında bu ayrım giderek daha kritik hale geliyor.
Kreatif Profesyoneller için Prompt Mühendisliği Neden Bir Sanat Direktörlüğü Becerisi
Burada tasarımcılara, sanat direktörlerine ve görsel üreticilere bir şey söylemek istiyorum. Bu beceri size hiç yabancı olmamalı. Bir prompt yazmak, aslında bir brief yazmaktan çok farklı değil. Hedefi tarif etmek, referans vermek, sınırları çizmek, hangi detayın öncelikli olduğunu söylemek... Yıllardır bir fotoğrafçıya, bir yönetmene, bir junior tasarımcıya yaptığınız yönlendirmenin aynısını şimdi bir modele yapıyorsunuz; muhatap değişti ama mantık değişmedi.
Bu yüzden prompt mühendisliğini "yeni ve tuhaf bir teknik beceri" olarak görmek yerine, zaten sahip olduğunuz bir yeteneğin (net ve isabetli talimat verme becerisinin) yeni bir uygulama alanı olarak görmenizi öneririm. AI görsel üretimi, video prodüksiyonu ya da metin işleri yapan her kreatif profesyonel için bu artık Photoshop ya da Premiere kadar temel bir araç kutusunun önemli bir parçası.
KISA BİR NOT
Bu konuyu seçmemin nedeni basit; Son dönem de iş akışımın önemli bir kısmı artık prompt yazmaktan geçiyor, hem kendi blog görsellerim hem de müşteri işlerim için. 18 yıllık kariyerimde brief yazmak, sette yönlendirme yapmak, post prodüksiyonda net notlar bırakmak hep aynı şeydi... Karşımdakine ne istediğimi olabildiğince az belirsizlikle anlatmak. Prompt mühendisliği bana hiç yabancı gelmedi çünkü zaten yıllardır bunu insanlarla yapıyordum (Bazen anlattıklarımı anlamasalar da (: ); şimdi modellerle yapıyorum.
Bu konuda bir de uyarım var; Prompt mühendisliğini sihirli bir formül gibi görmeyin. En iyi prompt bile net bir vizyonun yerini tutmaz. Önce ne istediğinizi kendi kafanızda netleştirin sonra modele anlatın. Sıra bu, tersi değil. Kelimeleri ne kadar iyi seçerseniz seçin, aklınızda net bir çıktı ya da görüntü yoksa model de size bulanık bir şey verecektir.
BİLİYOR MUSUN? - 8 SORU 8 CEVAP
1. 2023'te "Prompt Mühendisi" unvanıyla gerçekten 300 bin dolara varan maaşlar teklif ediliyor muymuş?
Evet. Anthropic'in 2023 baharında yayınladığı "Prompt Engineer and Librarian" ilanı, kodlama zorunluluğu olmadan 175.000 - 335.000 dolar arasında bir taban maaş öneriyordu. Dönemin basınında bu ilan, "AI fısıldayıcısı" etiketinin simgesi haline geldi.
2. "Prompt Engineer" aramaları ne kadar hızlı arttı, sonra ne oldu?
Indeed verilerine göre bu unvana yönelik ABD aramaları Ocak 2023'te milyonda 2 iken, Nisan 2023'te milyonda 144'e fırladı. Ardından hızla geriledi ve milyonda 20-30 düzeyinde bir seviyeye oturdu.
3. Terim neden bu kadar hızlı "sulandı"?
Buna dilbilimde anlamsal yayılma (Semantic Diffusion) deniyor: Yüksek derecede teknik bir terim geniş kitlelere ulaştıkça sadeleşiyor ve orijinal keskinliğini kaybediyor. Cloud, Big Data ve Blockchain de aynı süreçten geçmiş terimler arasında.
4. Bir yapay zeka, başka bir yapay zeka için prompt yazabilir mi?
Evet, buna "Otomatik Prompt Mühendisliği" deniyor. Bir model aday prompt'lar üretiyor, bunlar hedef modelde test ediliyor ve en iyi performansı veren seçiliyor. Ben bunun manuel bir versiyonunu kendim de sürekli yapıyorum; Claude'da bir prompt üzerinde çalışırken Gemini'dan farklı bir bakış açısı isteyip ufkumu açacak önerileri alıp prompta ekleyebiliyorum. Ya da tüm kuralları ve isteklerimi yazıp Claude'dan aldığım final promptu ChatGPT'ye götürüp bu promptta hangi kuralların eksik kaldığını sorabiliyorum. Bunu her promptta yapmıyorum elbette. (: Ne kadar ileri gideceğim, o promptun işim için ne kadar kritik ve uzun ömürlü olacağına göre değişiyor. Uzun süre kullanacağım ve benim için gerçekten önem taşıyan bir çıktı söz konusuysa, farklı yapay zeka araçlarından çapraz görüş almayı hiç ihmal etmiyorum.
5. "Context Engineering" prompt mühendisliğinden farklı bir şey mi?
Evet ve giderek daha çok konuşulan bir ayrım. Prompt Mühendisliği tek bir talimat metnini optimize ederken, context engineering modelin o an gördüğü tüm bilgiyi (geçmiş mesajlar, araçlar, dosyalar, sistem talimatları) bir bütün olarak yönetmeyi kapsıyor.
Bunu şöyle düşünebilirsiniz: Bir modele tek seferlik "şu metni düzenle" dediğinizde ihtiyacınız olan tek şey iyi kurgulanmış bir prompt'tur, işlem gerçekleşir ve konu kapanır. Ama aynı model sizinle saatlerce süren, çok adımlı bir işte birlikte çalışıyorsa (onlarca dosyayı okumuş, önceki kararları hatırlıyor olması gerekiyor, hangi sorunun zaten çözüldüğünü bilmesi gerekiyorsa) artık tek bir prompt yetmez. Her adımda hangi bilginin hâlâ işe yaradığına, hangisinin gereksiz yük haline geldiğine karar vermek gerekir. Context Engineering tam burada devreye giriyor: geçmiş konuşmanın hangi kısmı tutulacak, hangi dosya hâlâ açık kalacak, hangi eski bilgi artık çöp sayılıp temizlenecek… Prompt mühendisliği "ne söylüyorum"u optimize ederken, context engineering modelin "şu an gerçekte neyi gördüğünü" optimize ediyor.
6. "Chain-of-Thought" (Düşünce Zinciri) tekniği gerçekten işe yarıyor mu?
Karmaşık, çok adımlı akıl yürütme gerektiren görevlerde evet. Modelden sonucu doğrudan vermek yerine önce adım adım düşünmesini istemek, özellikle mantıksal sorularda doğruluğu belirgin biçimde artırıyor.
7. Prompt mühendisliği mesleği gerçekten "öldü" mü?
Bağımsız bir iş unvanı olarak büyük ölçüde eridi, evet. Ama beceri olarak kaybolmadı, tam tersine yayıldı. Bugün bu yetenek AI Mühendisi, AI Ürün Yöneticisi gibi daha geniş rollerin standart bir parçası haline geldi. Bunu şöyle düşünebilirsiniz: Bir zamanlar okuryazarlık, iş ilanlarında ayrıca aranan, öne çıkarılan bir nitelikti çünkü herkeste bu durum yoktu. Bugün hiçbir ilan "okuma yazma biliyor olmak şart" diye yazmıyor çünkü bu artık tartışılmayan bir temel. Prompt mühendisliği de aynı yolu izliyor: Ayrı bir unvan olmaktan çıkıp, iş yapabilmenin temel bir ön koşuluna dönüştü.
8. Model geliştiriciler prompt yazarken hangi somut tekniği öneriyor?
Anthropic'in resmi dokümantasyonu, özellikle uzun ya da çok bileşenli prompt'larda talimatları, örnekleri ve bağlamı XML benzeri etiketlerle ayırmayı öneriyor. Bu, modelin hangi metnin ne işe yaradığını daha net anlamasını sağlıyor. Ben düzenli olarak kullanacağım bir prompt yazarken bunu birebir uyguluyorum: Konunun içeriğine göre önce her şeyi ayrı kategorilere bölüyorum sonra her kategorinin altına o bölümde uyulması gereken tüm kuralları tek tek yazıyorum. Model karşısına gelen metni parça parça değil, hangi bölümün ne işe yaradığı baştan belli olan bir yapı olarak görüyor ve çıktı da buna göre çok daha isabetli oluyor.
