Dijital Yaşamımı Gemini 3.6 Flash ve GPT-5.6'ya Emanet Ettim: Hangisi Gerçekten Hayatımı Kolaylaştırdı?

Yapay zeka ekosisteminde rekabet hız kesmeden devam ederken, Google ve OpenAI neredeyse eş zamanlı olarak pazarın kurallarını yeniden yazacak yeni nesil modellerini piyasaya sürdü. OpenAI, yapay zeka topluluğunun uzun süredir beklediği GPT-5.6 sürümünü tanıtırken, Google ise bu hamleye hızla yanıt vererek Gemini 3.6 Flash modelini sahneye çıkardı. Her iki teknoloji devi de yeni modellerinin programlama dillerindeki yetkinliklerini, kodlama becerilerini ve geliştirici araçlarını ön plana çıkarsa da, bu sistemler nihayetinde milyonlarca abonenin günlük hayatında kullandığı ChatGPT ve Gemini arayüzlerine güç veriyor. Bu bağlamda, teknik kıyaslama testlerini bir kenara bırakarak, sıradan kullanıcıların yapay zekadan en çok beklediği şey olan "dağınık ve karmaşık günlük problemleri çözme" yeteneğini gerçek dünya senaryosuyla test etmek istedim.

Dijital Hayatın Tüm Verileri Yapay Zekaya Emanet

Bu karşılaştırma için standart yüksek kaliteli modelleri baz aldım. Google'ın hız ve verimlilik odaklı yeni modeli Gemini 3.6 Flash ile OpenAI'ın varsayılan orta düzey muhakeme (Medium reasoning) ayarlarıyla yapılandırılmış GPT-5.6 Sol sürümünü doğrudan karşı karşıya getirdim. Yarışmanın adil olması ve sistemlerin gerçek kapasitesini ölçmek amacıyla, bir hafta boyunca kendi dijital hayatımın tüm verilerini, belgelerini ve dağınık notlarını iki yapay zeka asistanına da eksiksiz olarak yükledim.

Test sürecinde yapay zeka modellerine sunduğum veri seti son derece çeşitli ve gerçekçi bir profilden oluşuyordu:

Banka Ekstreleri: Harcama alışkanlıklarını, sabit giderleri ve finansal hareketleri takip etmek için güncel hesap dökümleri.
Takvim Verileri: Hem doğrudan entegre edilen takvim uygulaması erişimi hem de farklı bir hesaptan alınan takvim ekran görüntüleri.
Bakkal ve Market Fişleri: Mutfak masraflarını ve tüketim alışkanlıklarını analiz etmek üzere taranmış alışveriş fişleri.
E-postalar: Gmail hesabına doğrudan erişim sağlanarak iş yazışmaları, kişisel iletiler ve gelen kutusu yoğunluğu.
WhatsApp Ekran Görüntüleri: Günlük iletişim akışından kesitler ve arkadaşlarla yapılan planlamalar.
Mutfak Dolabı Fotoğrafları: Dolapların içini gösteren, hangi gıda malzemelerinin eksik olduğunu görsel olarak analiz ettiren fotoğraflar.
Enerji Faturaları: Ev giderlerinin analizi ve tüketim trendlerinin belirlenmesi için elektrik, su ve doğalgaz faturaları.
Seyahat Rezervasyonları: Uçak biletleri, otel konaklamaları ve seyahat planına dair tüm dokümanlar.
El Yazısı Notlar: Toplantı sırasında hızla kağıda karalanmış, dijitalleştirilmemiş el yazısı notların fotoğrafları.

Tüm bu verileri sisteme yükledikten sonra her iki modele de kelimesi kelimesine aynı komutu ilettim: "Bu hafta yapmam gereken her şeyi bana listele ve bir plan yap." Dışarıdan bakıldığında oldukça masum ve basit bir istek gibi görünen bu komut, aslında bir yapay zeka asistanı için en zorlu görevlerden biridir. Çünkü modelin birden fazla farklı kaynaktan gelen bilgileri sentezlemesi, önem sırasına koyması, son tarihleri (deadline) kaçırmaması, çelişen bilgileri ayıklaması ve kullanıcıya doğrudan uygulanabilir, pratik bir eylem planı sunması gerekir. Günümüz kullanıcılarının yapay zekadan tam olarak beklediği asistanlık deneyimi de budur.

İki Farklı Yaklaşım, Zıt Sonuçlar

Verileri yükleyip analiz sürecini başlattığımda, iki modelin meseleye yaklaşım tarzları arasındaki uçurum adeta gece ile gündüz kadar farklı çıktı. Google'ın Gemini 3.6 Flash modeli, verilerin önemli bir kısmını, özellikle de mutfak dolapları ve el yazısı notlar gibi görsel materyalleri görmezden gelmeyi seçti. Doğrudan takvim ekran görüntüsüne odaklanan model, ilk yanıt olarak zaten ekranın önümde açık olduğu ve ezbere bildiğim takvim etkinliklerimi bana tekrar etmekle yetindi. Açıkçası, ekranda halihazırda açık duran takvimi bana özetleyen bir yapay zekaya bu aşamada pek ihtiyaç yoktu.

Durumu düzeltmek ve modelin kapasitesini zorlamak için ekteki diğer görsellerden herhangi bir anlam çıkarıp çıkaramayacağını özellikle ve doğrudan sormam gerekti. Bunun üzerine harekete geçen Gemini, nihayet bazı ek tavsiyelerde bulunmayı başardı ve elde ettiği verileri iş, alışveriş, fitness, notlar ve fişler şeklinde kategorize ederek nispeten derli toplu bir yapı sundu. Ancak bu aşamada bile analitik derinlikten uzak, yüzeysel bir yaklaşım sergiledi.

Yapay Zeka Asistanlığının Geleceği ve Sınırları

Bu test, günümüz yapay zeka modellerinin veri işleme kapasitelerindeki teorik devasa sıçramalara rağmen, dağınık insan hayatını koordine etme noktasında hala kat etmeleri gereken uzun bir yol olduğunu net bir şekilde gösterdi. Modellerin teknik benchmark testlerindeki başarıları, doğrudan günlük hayatın kaosuna uyarlanamadığında kullanıcılar için anlamını yitiriyor. Büyük dil modelleri ham veriyi okumakta ve kelime üretmekte ustalaşmış olsa da, bağlamı yakalama, önceliklendirme yapma ve proaktif bir yaşam koçu gibi davranma konularında henüz kullanıcı beklentilerini tam anlamıyla karşılayabilmiş değil.

Önümüzdeki dönemde yapay zeka pazarındaki rekabetin temel ekseni, salt işlemci gücü veya kodlama yeteneğinden ziyade, kullanıcının dijital ayak izini en az insan müdahalesiyle anlamlandıran "sezgisel asistanlık" yeteneği olacaktı. Şirketler bu alanda hızla yeni sürümler yayınlasa da, yazılım mimarilerinin insani sezgileri taklit etme süreci zaman alacak gibi görünmektedir.