Bu çalışma, üretken ve ajan tabanlı yapay zekânın yazılım kodu üretme maliyetini büyük ölçüde düşürmesinin yalnızca verimlilik artışı yaratmadığını; yazılım mühendislerinin yetiştiği geleneksel gelişim yolunu da aşındırdığını savunmaktadır. Yazarların temel iddiasına göre yapay zekâ, standart uygulama, şablon kod, test, dokümantasyon ve ilk hata ayıklama gibi genç mühendislerin geçmişte deneyim kazandığı görevleri hızla devralmaktadır. Bu işlerin ortadan kalkması, yalnızca başlangıç seviyesindeki istihdamı azaltma riski taşımamakta; genç mühendislerin yıllar içinde kıdemli mühendisliğe dönüşmesini sağlayan uygulamalı öğrenme kanalını da kesmektedir.

Makale insan ve yapay zekâ katkılarını üç kavramla ayırmaktadır. Genişlik, çok sayıda programlama dili, çerçeve ve bilinen çözüm örüntüsü arasından hızlı biçimde makul ve alışılmış bir çözüm üretme kapasitesidir. Yapay zekâ bu alanda güçlüdür ve genişliği neredeyse sıfıra yaklaşan marjinal maliyetle sağlayabilir. Derinlik, makul çözümler arasından bu kurum, bu sistem, bu düzenleyici ortam ve bu tarihsel bağlam için hangisinin doğru olduğunu belirleyen deneyim ve yargıdır. Iraksama ise yerleşik uzlaşının dışından gelen, alışılmış yaklaşımı sorgulayan ve kurumun görmediği alternatifleri ortaya çıkaran bakış açısıdır.

Yazarlara göre kıdemli mühendis ile yapay zekâ ajanlarından oluşan bir ekip, derinlik ile genişliği bir araya getirebilir; ancak her iki taraf da mevcut bilgi ve örüntülere güçlü biçimde bağlı olduğu için yeterli ıraksama üretmeyebilir. Genç mühendis, yalnız gelecekteki kıdemli çalışan adayı değildir. Kurumun alışılmış kabullerini henüz içselleştirmemiş olması nedeniyle bugünkü karar sisteminin de farklı bakış kaynağıdır. Bu nedenle önerilen üretken birim yalnızca “kıdemli mühendis + yapay zekâ” değil, “kıdemli mühendis + yapay zekâ + genç mühendis” üçlüsüdür.

Çalışma iki kurumsal denge tanımlamaktadır. İkame dengesi, genç mühendisleri maliyet olarak görüp azaltan, yapay zekâ çıktısını insan doğrulamasının kaldırabileceğinden daha hızlı büyüten, kod incelemesini biçimsel onaya dönüştüren ve zamanla insan uzmanlığı hattını boşaltan yapıdır. Tamamlayıcılık dengesi ise yapay zekânın üretim genişliğini insan yargısıyla sınırlandıran, genç mühendisleri ajan yöneticileri olarak yetiştiren, yüksek riskli değişiklikleri toplu incelemeye yönlendiren ve performansı üretilen kod miktarıyla değil doğrulanmış sonuçla ölçen yapıdır.

Makalenin merkezindeki tehlike “inceleme tiyatrosu” olarak adlandırılmaktadır. Yapay zekâ çok hızlı ve büyük miktarda kod ürettiğinde sorumlu insanın imzası süreçte kalmaya devam edebilir; fakat o insan değişikliği gerçekten anlayıp doğrulayacak zamana sahip olmayabilir. Böylece onay görünüşte sürerken imzanın arkasındaki gerçek denetim ortadan kalkar. Yazarlar, kod üretiminin artık kıt kaynak olmadığını; yeni darboğazın güvenilir doğrulama, kurumsal bağlam ve hesap verebilir insan yargısı olduğunu savunmaktadır.

Önerilen başlıca yönetim hamleleri şunlardır: değişiklikleri tek sorumluluk taşıyan küçük inceleme birimlerine bölmek, inceleme derinliğini hatanın sonucuna göre kademelendirmek, yüksek riskli değişiklikleri kıdemli liderliğinde eş zamanlı ve toplu olarak incelemek, çıktı hacmi ölçütlerini bırakmak, genç mühendisleri işe almaya devam etmek, kurumun geçmiş hatalarından doğan örtük bilgiyi açık koruma kurallarına dönüştürmek ve hem inceleme tiyatrosunu hem de yalnız kullanım oranına dayanan “yapay zekâ benimseme tiyatrosunu” izlemek.

Türkiye açısından çalışma; yazılım şirketleri, bankalar, savunma ve havacılık kuruluşları, telekomünikasyon işletmeleri, e-ticaret platformları, kamu bilişim birimleri ve düzenlemeye tabi teknoloji ekipleri için doğrudan yönetim soruları ortaya koymaktadır. Yapay zekâ destekli kod üretimi yaygınlaştırılırken genç mühendis alımının azaltılması kısa vadede kişi başına çıktı artışı sağlayabilir; ancak birkaç yıl sonra sistem bağlamını bilen kıdemli mühendis, teknik lider ve güvenilir inceleyici açığı oluşturabilir. Bununla birlikte çalışma Türkiye’den personel, hata, üretkenlik veya istihdam verisi içermemektedir. Türkiye’ye ilişkin etkiler ancak yerel işe alım, terfi, kod inceleme, olay, güvenlik açığı ve teslimat verileriyle ayrıca ölçülebilir.

Çalışmanın temel sorusu nedir?

Çalışmanın temel sorusu şudur: Genç yazılım mühendislerinin geçmişte deneyim kazanmasını sağlayan rutin işler yapay zekâ tarafından devralındığında, geleceğin kıdemli mühendisleri hangi süreçte ve hangi görevler üzerinden yetiştirilecektir?

Geleneksel yazılım mühendisliği modeli örtük bir çıraklık sistemi içeriyordu. Genç mühendisler:

• Şablon ve altyapı kodlarını yazıyor,
• İyi tanımlanmış küçük işleri tamamlıyor,
• Birim ve entegrasyon testleri hazırlıyor,
• Küçük hataları gideriyor,
• Dokümantasyon ve çalıştırma kılavuzları oluşturuyor,
• Kıdemli mühendislerin inceleme yorumlarıyla hatalarını düzeltiyor,
• Zaman içinde sistemin belgelenmemiş kurallarını öğreniyordu.

Bu görevler yalnızca ucuz iş gücü kaynağı değildi. Aynı zamanda mesleki eğitim programının kendisiydi. Bir genç mühendis, hangi çözümün derlenebildiğini değil; hangi çözümün uzun vadede sürdürülebilir, güvenli ve kurumsal bağlama uygun olduğunu bu görevlerin tekrarı yoluyla öğreniyordu.

Üretken yapay zekâ tam olarak bu başlangıç görevlerinde güçlüdür. Kıdemli mühendis, geçmişte aşağıya doğru genç çalışana devrettiği işi artık yana doğru bir modele veya ajana devredebilmektedir. Ajanın maaş, mentorluk, kariyer planı veya terfi gerektirmemesi kısa vadeli maliyet hesabını genç mühendis aleyhine çevirmektedir. Makale, bu değişimin görünmeyen maliyetinin uzman yetiştirme hattının kaybedilmesi olduğunu savunmaktadır.

Çalışma yeni bir deney mi sunmaktadır?

Hayır. Yazarlar çalışmayı açıkça “ampirik kayda dayanan bir perspektif” olarak tanımlamaktadır. Makalenin katkısı yeni bir kontrollü deney, geniş örneklemli anket veya nedensel istihdam analizi değildir.

Çalışma üç tür malzemeyi bir araya getirmektedir:

• Yapay zekâ, yazılım üretkenliği, kod güvenliği, kod incelemesi ve iş gücü etkileri üzerine daha önce yayımlanmış çalışmalar
• Yazarların büyük ölçekli ve düzenlemeye tabi veri ve yazılım sistemlerindeki mesleki deneyimleri
• Tek bir büyük mühendislik kuruluşundaki commit davranışlarından aktarılan, korelasyonel ve anonim bir gözlem örneği

Dolayısıyla makalenin yönetim önerileri, klinik veya mühendislik standardı gibi doğrulanmış bir müdahale protokolü değil; mevcut kanıtlar ve yazarların mesleki yorumları üzerine kurulmuş uygulanabilir hipotezlerdir.

Genişlik, derinlik ve ıraksama ne anlama gelmektedir?

Yapay zekâ, eğitim verilerinde sık görülen çözüm biçimlerini güçlü biçimde temsil eder. Bu nedenle çoğu zaman iyi bir “alışılmış çözüm üreticisi”dir. Ancak kurumun yıllar önce denediği ve başarısız olduğu, belgelenmemiş bir yaklaşımı; düzenleyicinin sözlü yorumunu; belirli müşterinin hassasiyetini veya bir üretim arızasının ekip hafızasında kalan nedenini kendiliğinden bilemez.

Kurumsal bilgi erişimiyle desteklenen modeller bu açığı kısmen azaltabilir. Kod tabanı, dokümantasyon, olay sonrası raporlar ve mimari karar kayıtları modele verilebilir. Buna karşılık hiç yazılmamış deneyim modele getirilemez. Çalışmanın “derinlik” olarak adlandırdığı bilginin önemli bölümü tam olarak bu belgelenmemiş bağlamda bulunmaktadır.

İkame ve tamamlayıcılık dengeleri nasıl ayrılmaktadır?

Çalışmanın 2. ve 3. sayfalarındaki Tablo 1, aynı yapay zekâ teknolojisinin iki farklı örgütsel sonuca götürülebileceğini göstermektedir.

Makalenin önemli vurgusu, bu iki sonucun teknoloji tarafından otomatik biçimde belirlenmediğidir. Aynı model ve ajan araçlarını kullanan iki şirketten biri genç mühendis gelişimini yok edebilir; diğeri aynı teknolojiyi daha güçlü bir öğrenme sistemi kurmak için kullanabilir. Farkı oluşturan unsurlar işe alım, ölçüm, inceleme ve sorumluluk tasarımıdır.

Çalışmada hangi yapay zekâ teknolojileri temel alınmaktadır?

Yazarlar dönüşümü üç teknoloji katmanıyla açıklamaktadır:

1. Büyük dil modeli: Verilen bağlama göre olası kod, açıklama veya çözümün devamını üretir.
2. Erişim destekli üretim: Modeli kurumun kodu, dokümantasyonu, geçmiş işleri ve olay kayıtlarıyla bağlar.
3. Yapay zekâ ajanı: Planlama, araç kullanma, test çalıştırma, günlük okuma, değişiklik hazırlama ve sonucu gözleyip yeniden deneme döngüsü kurar.

Makale, büyük dil modellerinin gücünü yalnız “iyi kod yazma” üzerinden değerlendirmemektedir. Asıl dönüştürücü etkinin hız ve marjinal maliyet olduğunu savunmaktadır. Kaynakta aktarılan önceki bir kontrollü deneyde yapay zekâ yardımının standart bir programlama görevini tamamlama süresini yüzde 55,8 azalttığı; üç saha deneyinde ise destek alan geliştiricilerin yaklaşık yüzde 26 daha fazla görev tamamladığı belirtilmektedir. Bu sayılar incelenen makalenin kendi deney sonuçları değildir.

Yazarlar ayrıca kodun yapay zekâ için özellikle uygun olduğunu belirtmektedir. Kod:

• Biçimsel sözdizimine sahiptir.
• Testlerle kısmen otomatik doğrulanabilir.
• Derleyici ve çalışma zamanı hızlı geri bildirim sağlar.
• Ajanların deneyip sonucu gözleyebileceği araçlara sahiptir.

Bu özellikler, yazılım mühendisliğini ajan tabanlı dönüşümün ilk alanlarından biri hâline getirmektedir. Ancak testlerin geçmesi, değişikliğin gerçek iş gereksinimini veya sistem bağlamını karşıladığı anlamına gelmeyebilir.

Yazılım mühendisliği işleri hangi sırayla yapay zekâya geçmektedir?

Çalışmanın 5. sayfasındaki Tablo 2 ve 6. sayfadaki Şekil 1, işlerin yapay zekâ ajanlarına geçiş sırasını üç değişkenle açıklamaktadır:

• Çıktının ne kadar sınırlı ve tanımlı olduğu
• Geri bildirim sinyalinin ne kadar hızlı geldiği
• Hatanın ne kadar pahalı olduğu

Bu sınıflandırma ölçülmüş otomasyon tarihlerini veren bir tahmin modeli değildir. Yazarların sunduğu kavramsal sıralamadır. Buna göre tanımlı, test edilebilir ve geri döndürülebilir işler önce; yasal sorumluluk, kurumsal temsil ve yüksek maliyetli karar gerektiren işler daha sonra etkilenmektedir.

Kıdemli mühendislerin işi tamamen ortadan kalkacak mı?

Makale bunu savunmamaktadır. Kıdemli mühendisin işinin üretimden doğrulama ve bağlam sağlamaya doğru dönüşeceğini ileri sürmektedir.

Ajanlar yazılım yaşam döngüsünün daha büyük bölümünü yürüttükçe insanda kalan işler şunlarda yoğunlaşabilir:

• Ne yapılması gerektiğini belirlemek
• İş ve sistem sınırlarını tanımlamak
• Modelin bilmediği kurumsal bağlamı sağlamak
• Birden fazla makul çözüm arasından doğru olanı seçmek
• Yüksek riskli değişiklikleri doğrulamak
• Üretim sonucunun sorumluluğunu taşımak
• Paydaşlarla müzakere etmek

Bu insan kalıntısı gerçek fakat geleneksel meslek tanımından daha dardır. Yazarlar mimari tasarımın da bütünüyle korunacağını varsaymamaktadır. Birçok mimari kararın bilinen örüntülerin belirli bağlama uygulanması olduğunu ve kurumun karar kayıtlarına erişen ajanların seçenek hazırlayabileceğini belirtmektedir. Buna karşılık ajan seçimin hesabını veremez ve kurumsal sorumluluğunu taşıyamaz.

İnceleme tiyatrosu nedir?

İnceleme tiyatrosu, sorumlu insan onayının süreçte görünmeye devam etmesine rağmen değişikliğin gerçek anlamda anlaşılmaması ve doğrulanmamasıdır.

Yapay zekâ öncesinde kod yazmak incelemekten daha yavaş olabiliyordu. Yapay zekâ destekli sistemde ise tek bir mühendis kısa sürede insan inceleme kapasitesini aşan sayıda ve büyüklükte değişiklik üretebilir. Kod üretimi ölçeklenirken kıdemli inceleyicinin zamanı ve bilişsel kapasitesi aynı hızda ölçeklenmez.

Yazarların aktardığı önceki kod inceleme araştırmaları, inceleyicilerin zamanının önemli bölümünü değişikliği anlamaya harcadığını; değişiklik insanın zihninde tutulamayacak kadar büyüdüğünde anlamsal doğrulamadan biçimsel kontrole kayıldığını göstermektedir. İnceleyici artık “bu mantık doğru mu?” sorusu yerine “kod düzgün görünüyor mu?” sorusuna cevap verir.

Bu durumda:

• Pull request onaylanır.
• Sorumlu kişinin adı kayıtta bulunur.
• Denetim panosu yeşil görünür.
• Ancak imzanın temsil ettiği doğrulama yapılmamış olabilir.

İnceleme tiyatrosu dramatik bir teknoloji arızası şeklinde görünmeyebilir. Asıl tehlikesi, sistem çalışıyor ve teslimat hızı artıyor gibi görünürken kontrol kapasitesinin sessizce boşalmasıdır.

Yapay zekâ çıktısının testleri geçmesi neden yeterli değildir?

Makale, kod ajanlarının sağlanan testleri geçip asıl görevi anlamsal olarak karşılamayan değişiklikler üretebildiğine ilişkin önceki araştırmalara dayanmaktadır. Kaynakta aktarılan bir yeniden değerlendirmede, çözülmüş kabul edilen ajan yamalarının yaklaşık beşte birinin güçlendirilmiş testler altında anlamsal olarak yanlış olduğu; önde gelen bir ajanın puanının yüzde 78,8’den yüzde 62,2’ye düştüğü belirtilmektedir.

Bu sonuç, testlerin yararsız olduğunu göstermez. Tersine, deterministik testler güvenilirlik sisteminin vazgeçilmez parçasıdır. Ancak test kapsamı eksikse ajan gerçek gereksinimi değil, görünür değerlendirme sinyalini optimize edebilir.

Yazarlar ayrıca insan doğrulayıcının kendi performansını olduğundan iyi değerlendirebileceğine dikkat çekmektedir. Kaynakta aktarılan bir deneyde deneyimli açık kaynak geliştiricilerinin kendi olgun kod tabanlarında yapay zekâyla yaklaşık yüzde 19 daha yavaş çalıştığı, buna rağmen hızlandıklarını düşündükleri belirtilmiştir. Başka bir çalışmada yapay zekâ kullanan katılımcıların daha güvensiz kod yazarken kodlarının güvenli olduğuna daha fazla inandıkları aktarılmıştır.

Makalenin kurduğu risk zinciri şöyledir:

1. Ajan gerçekte olduğundan daha güvenilir görünür.
2. İnsan gerçekte olduğundan daha iyi doğrulama yaptığını düşünür.
3. Yapay zekâ çıktısının hacmi inceleme kapasitesini aşar.
4. Yanlış fakat makul görünen değişiklik üretime geçebilir.

İlk çözüm: İnceleme birimi neden küçültülmelidir?

Yazarlar yapay zekâ destekli her değişikliğin tek bir sorumluluk taşıyan, küçük ve bağımsız olarak anlaşılabilir birimler hâlinde sunulmasını önermektedir.

Küçük bir değişiklik:

• İnceleyicinin tüm bağlamı zihninde tutmasını kolaylaştırır.
• Hatanın hangi amaçla ilgili olduğunu görünür kılar.
• Geri alma işlemini basitleştirir.
• Test kapsamının belirli davranışla eşleştirilmesini kolaylaştırır.
• Kodun neden değiştirildiğine ilişkin gerekçeyi daha açık hâle getirir.

Küçük pull request önerisi yeni değildir. Makalenin yeni olduğunu ileri sürdüğü nokta, bu kuralın ajan çıktısı üzerinde teknik olarak uygulanabilir hâle gelmesidir. İnsan geliştirici büyük bir değişikliği bölmek istemeyebilir; buna karşılık ajan, tek sorumluluklu çıktı üretmeye zorlanabilir ve sınırı aşan değişiklik otomatik kapıda reddedilebilir.

Bu yaklaşım yapay zekânın hızını bütünüyle düşürmek zorunda değildir. Ajan aynı toplam işi üretebilir; yalnızca insanın gerçekten inceleyebileceği parçalar hâlinde sunar. Böylece makine üretim hacmi ile insan doğrulanabilirliği arasındaki çatışma azaltılmaya çalışılır.

İkinci çözüm: İnceleme neden sonuca göre kademelendirilmelidir?

Her kod değişikliğinin hata maliyeti aynı değildir. Düşük trafikli iç gösterge panelindeki geri döndürülebilir bir değişiklik ile güvenlik sınırını, para hareketini, kişisel veriyi veya geri döndürülemez veritabanı geçişini etkileyen değişiklik aynı inceleme sürecine tabi tutulmamalıdır.

Yüksek sonuçlu değişikliklerde toplu incelemenin iki işlevi vardır. Birincisi, katılımcıların kararı sesli biçimde açıklaması gerektiği için sessizce onay verme davranışını zorlaştırır. İkincisi, kıdemli mühendisin düşünme biçimini genç mühendise görünür kılar ve çıraklık kanalını yeniden açar.

Genç mühendis neden yalnız gelecekteki kıdemli değildir?

Çalışma genç mühendis için iki ayrı sav ileri sürmektedir:

1. Genç mühendis geleceğin kıdemli mühendisidir ve kurumun uzmanlık devamlılığı için gereklidir.
2. Genç mühendis bugün de kurumun farklı düşünme kapasitesine katkı verir.

Kıdemli mühendis güçlü kurumsal bilgi taşır; ancak aynı bilgi mevcut yöntemlere bağlanmasına neden olabilir. “Bunu daha önce denedik” veya “burada böyle yapılmaz” ifadelerinin bir bölümü değerli deneyimdir. Bir bölümü ise artık geçerli olmayan eski kısıtlardan kaynaklanan alışkanlıktır.

Büyük dil modeli de en olası ve yaygın cevabı üretmek üzere eğitildiği için doğal olarak uzlaşmaya yönelir. Makale, birden fazla model kullanmanın bu sorunu mutlaka çözmeyeceğini savunmakta; büyük modellerin ortak temsil biçimlerine yakınsayabileceğine ilişkin teorik çalışmaları aktarmaktadır.

Bu nedenle kıdemli mühendis ile ajanlardan oluşan çekirdek:

• Bilinen çözümleri hızla kullanabilir.
• Mevcut sistemi etkili biçimde işletebilir.
• Ancak uzlaşının dışında kalan çözümü fark etmekte zorlanabilir.

Genç mühendis kurumun geçmiş kabullerini henüz tam olarak içselleştirmediği için basit fakat kritik sorular sorabilir. Yıllar önce reddedilen bir çözümün başarısızlık nedeni artık ortadan kalkmış olabilir. Makaleye göre bu tür ıraksama, gençliğin geçici ve hoş bir yan etkisi değil; bilinçli olarak korunması gereken örgütsel girdidir.

Iraksama iddiası ne kadar güçlü kanıta dayanmaktadır?

Yazarlar bu konuda önemli bir sınırlama koymaktadır. Yapay zekâ yardımının fikir ve metin çeşitliliğini azaltabildiğini gösteren çalışmaların çoğu yazı ve yaratıcı düşünme alanındadır. Kod önerilerinin benzerleşmesine ilişkin bulgular bulunmakla birlikte mühendislik ekiplerinin mimari kararlarının yapay zekâ nedeniyle daraldığı doğrudan ve kesin biçimde ölçülmemiştir.

Dolayısıyla “kıdemli + ajan ekibi yapısal olarak ıraksama eksikliği yaşar” önermesi çalışmanın kabul ettiği üzere bir hipotezdir. Şu bulgu bu iddiayı zayıflatabilir:

Yapay zekâ kullanan mühendislik ekiplerinin ürettiği çözüm, mimari ve ürün çeşitliliğinin yapay zekâ kullanmayan ekiplerden daha düşük olmadığını gösteren güçlü ve tekrarlanabilir veriler.

Çalışmanın bu sınırı açıkça belirtmesi önemlidir. Makale yönetim riski bulunduğunu savunmakta, ancak bu riskin kurum düzeyinde kesin olarak ölçüldüğünü ileri sürmemektedir.

Yapay zekâ döneminde hangi performans ölçütleri bırakılmalıdır?

Kod üretimi ucuzladığında kod satırı, commit, pull request, hikâye puanı ve ham teslimat hızı değerle gevşek bağını kaybedebilir. Bir kişi çok fazla yapay zekâ çıktısı üreterek panodaki bütün üretim ölçütlerini artırabilir; ancak aynı zamanda inceleme kapasitesini aşındırabilir.

Çalışmanın 13. sayfasındaki Tablo 4, ölçüm sisteminin şu şekilde değiştirilmesini önermektedir:

Bu göstergelerin hiçbiri kusursuz değildir. Özellikle ıraksamayı sayısallaştırmak zordur ve “varsayılan çözümden ayrılma” her zaman iyi sonuç anlamına gelmez. Makale bunları kesin kurumsal standartlar değil, kıt hâle gelen değerleri izlemek için uygulanabilir vekil ölçütler olarak önermektedir.

Yeni çıraklık modeli nasıl kurulmalıdır?

Makale, genç mühendisleri şablon kod yazarı olarak korumayı önermemektedir. Eski görevlerin yapay zekâ tarafından daha hızlı yapılabildiğini kabul etmektedir. Önerilen yeni başlangıç rolü, ajan tabanlı sistemlerin yönetmeni veya yönlendiricisi biçimindedir.

Genç mühendis:

• İş amacını ve sınırları tanımlamayı öğrenir.
• Ajanın büyük bir görevi küçük ve doğrulanabilir değişikliklere bölmesini sağlar.
• Test ve değerlendirme düzeneklerini kurar.
• Üretilen değişikliklerin kökenini ve gerekçesini kaydeder.
• Kıdemli mühendisle yüksek sonuçlu incelemelere katılır.
• Modelin ilk cevabını sorgular ve kenar durumlarını arar.
• Kurumsal koruma kurallarını öğrenir ve günceller.

Bu modelde çıraklık artık genç çalışanın yaptığı ucuz üretim işinin yan ürünü değildir. Ayrı zaman, bütçe, mentorluk ve performans ölçütü gerektiren bilinçli bir kurumsal yatırım hâline gelir.

Kurumsal “yara izi” neden yazılı kurala dönüştürülmelidir?

Yazarların “yara izi” olarak adlandırdığı bilgi, kurumun geçmiş hatalarından ve üretim olaylarından öğrendiği fakat çoğu zaman belgelenmemiş deneyimdir.

Örneğin:

• Belirli bir veri tabanı deseni geçmişte kilitlenme oluşturmuş olabilir.
• Belirli bir kimlik doğrulama yaklaşımı düzenleyici incelemede reddedilmiş olabilir.
• Bir bulut hizmetinin maliyet davranışı beklenenden farklı çıkmış olabilir.
• Bir veri şeması geçişi müşteri sistemlerinde geri döndürülemez hata yaratmış olabilir.

Bu bilginin yalnız kıdemli çalışanların hafızasında kalması iki risk yaratır. Çalışan ayrıldığında bilgi kaybolur ve yapay zekâ ajanı aynı hatayı yeniden önerebilir. Makale bu nedenle geçmiş deneyimlerin kanıta dayalı, açık ve makine tarafından uygulanabilir koruma kurallarına çevrilmesini önermektedir.

Bu kurallar çift işlev görür:

• Ajanın belirli tehlikeli davranışları üretmesini veya uygulamasını sınırlar.
• Yeni çalışanlara kurumun neden belirli yöntemlerden kaçındığını öğretir.

Kurumsal veri hattı örneği ne göstermektedir?

Çalışmanın 14-16. sayfaları, genel tezi kurumsal veri mühendisliği üzerinden somutlaştırmaktadır. Veri hatları bu örnek için seçilmiştir; çünkü SQL, yapılandırma, şema, veri soy ağacı ve kalite kontrolleri gibi yapay zekâ tarafından işlenebilir yapısal öğeler içerirken aynı zamanda kişisel veri, mali raporlama, sağlık verisi ve düzenleme riski taşıyabilir.

Geleneksel iş bölümünde kıdemli mühendis:

• Platform ve mimariyi,
• Şema sözleşmelerini,
• Veri kalitesi çerçevesini,
• Olay yönetimini,
• Üretim onayını üstlenmektedir.

Genç mühendis ise:

• Dönüşüm mantığını,
• SQL ve Spark işlerini,
• Testleri,
• Şablon orkestrasyonu,
• Dokümantasyonu,
• Geriye dönük veri doldurma işlemlerini yürütmektedir.

Bu ikinci grup, ajanların en hızlı devralabileceği işlerdir. Böylece veri mühendisliğindeki çıraklık kanalı doğrudan hedef hâline gelmektedir.

Tablo 5 geleceğe ilişkin kesin bir tahmin midir?

Hayır. Yazarlar Tablo 5’teki oranların ölçülmüş veri, doğrulanmış tahmin veya kesin tarihli iş gücü öngörüsü olmadığını özellikle belirtmektedir. Değerler yazarların düzenlemeye tabi büyük veri platformlarındaki deneyimlerine dayanan yön gösterici senaryolardır.

Bu oranlar farklı şirketler, teknolojiler ve yıllar için gerçek performans değeri olarak kullanılmamalıdır. Makalenin esas mesajı rakamlar değil, görevlerin yönüdür: ajanların en hızlı aldığı işler genç mühendislerin geçmişte öğrenme deneyimi kazandığı uygulamalı işlerdir; insanda kalan işler ise orantısız biçimde yargı ve hesap verebilirlik içermektedir.

Doğrulama maruziyeti nasıl tahmin edilmektedir?

Çalışmanın 16-18. sayfalarında, bir yapay zekâ değişikliğinin yeterince doğrulanmama riskini öngörmek için beş davranışsal unsur önerilmektedir:

17. sayfadaki Şekil 2, kullanım disiplinini yatay eksende ve doğrulama sıkılığını dikey eksende bir araya getirerek dört örnek kullanıcı tipi göstermektedir:

• Belirt ve doğrula: Açık gereksinim, küçük kapsam ve otomatik değerlendirme kullanan düşük maruziyetli tip
• Temellendirilmiş güvenen: İyi bağlam sağlayan ve çıktıyı okuyan, ancak otomatik doğrulama döngüsü kurmayan orta maruziyetli tip
• Hisset ve kabul et: Büyük, yeterince temellendirilmemiş çıktıyı makul göründüğü için kabul eden yüksek maruziyetli tip
• Hacim kullanıcısı: Tek değişiklikte kabul edilebilir görünse de ekip inceleme kapasitesini aşan toplam hacim üreten tip

Şekil ölçülmüş çalışan gruplarını göstermemektedir. Kabarcıkların konumu ve boyutu açıklayıcıdır. Yazarlar beş unsurun bağımsız olduğunu veya basit toplamla güvenilir tek puan üreteceğini ileri sürmemektedir.

Doğrulama maruziyeti kıdemle aynı şey midir?

Hayır. Çalışmanın önemli önermelerinden biri, doğrulamanın unvan değil uygulama olduğudur.

Bir genç mühendis:

• İşi ayrıntılı tanımlıyor,
• Küçük değişiklikler üretiyor,
• Gerçek kod tabanıyla temellendiriyor,
• Modeli sorguluyor,
• Güçlü değerlendirme döngüleri kuruyorsa

düşük doğrulama maruziyetine sahip olabilir.

Buna karşılık deneyimli bir mühendis, unvanına güvenerek büyük ve yeterince sınanmamış ajan çıktısını kabul ederse yüksek maruziyet oluşturabilir. Yazarlar hangi grubun ortalamada daha iyi olduğunu gösterecek veri bulunmadığını ve kıdemlilerin otomasyon yanlılığına karşı bağışık olduğunun varsayılamayacağını belirtmektedir.

Makaledeki kurumsal commit gözlemi ne göstermektedir?

Yazarlar tek bir büyük mühendislik kuruluşunda, yapay zekâ kod yardımcılarının commit geçmişinde görünmeye başlamasından önceki çok yıllık dönem ile sonraki birkaç aylık dönemi karşılaştıran bir örnek aktarmaktadır.

Aktarılan gözlemlere göre:

• Toplam haftalık commit hacmi yaklaşık 2,5 kat artmıştır.
• Birleştirme commitleri çıkarıldığında insan kaynaklı hacim yaklaşık 1,8 kat artmıştır.
• Ham commit sayısı gerçek iş artışını yaklaşık üçte bir oranında abartabilecek görünüm oluşturmuştur.
• Pull request birleştirmelerinin payı iki kattan fazla artmıştır.
• Commit ile iş kaydı arasındaki izlenebilirlik yaklaşık dörtte bir oranında düşmüştür.
• Test içeren commitlerin mutlak sayısı korunurken toplam içindeki payı azalmıştır.
• Açık bir yeniden işleme sıçraması görülmemiştir.
• Yapay zekâ işareti taşımayan kontrol kod tabanında benzer değişimler görülmemiştir.

Bu gözlem anonim tek bir kuruluştan gelmektedir. Yapay zekâ kullanımının başlangıç tarihi yalnız commitlerde görünür hâle geldiği dönemle tahmin edilmiş ve nedensellik kurulmamıştır. Yazarlar örneği doğrulama çerçevesinin kanıtı değil, olası öncü göstergelerin pratikte nasıl görünebileceğini anlatan bir betimleme olarak sunmaktadır.

İnceleme tiyatrosu ile benimseme tiyatrosu arasındaki fark nedir?

İnceleme tiyatrosu, insan onayının görünüşte devam edip gerçek doğrulamanın kaybolmasıdır.

Benimseme tiyatrosu ise kurumun yapay zekâ kullanımını değer ve sonuç yerine tüketimle ölçmesidir. Örneğin:

• Kullanılan token sayısı
• Satın alınan lisans sayısı
• Yapay zekâ tarafından yazılan kod yüzdesi
• Aracı kullanan çalışan oranı

Bu göstergeler yapay zekânın güvenilirlik, kalite veya kullanıcı sonucu oluşturduğunu göstermez. Makaleye göre benimseme tiyatrosu iki olumsuz sonuca götürebilir:

1. Kurum yalnız kullanım ölçtüğü için değer göremez ve teknolojiyi bütünüyle başarısız sayar.
2. Kullanım arttığı için başarılı olduğunu sanır ve çıktıyı güvenilir kılan insan doğrulayıcıları azaltır.

Teknolojik güvenilirlik sınırlaması nasıl ele alınmaktadır?

Çalışma yapay zekâda kapasite ile güvenilirliği ayırmaktadır.

Kapasite, modelin en iyi koşullarda yapabildiği iştir. Güvenilirlik, aynı görevi yüzlerce veya binlerce gözetimsiz çalıştırmada ne kadar tutarlı ve doğru yaptığıdır.

Yazarlar dil modelinin olasılıksal bir sistem olduğunu ve verilen her kuralın belirli sıklıkta ihlal edilebileceğini savunmaktadır. Bu nedenle yalnız doğal dil talimatıyla güvenlik sağlanamaz.

Önerilen yaklaşım, güvenilmez parçalardan güvenilir sistem kurma disiplinidir:

• Tip denetimi
• Şema doğrulaması
• Birim, entegrasyon ve özellik testleri
• Güvenlik taramaları
• Politika kapıları
• Otomatik geri alma koşulları
• İnsan onayı

Model güvenilirliği belirli bir düzeyde durursa otomasyonun ileri aşamaları yavaşlayabilir. Makaleye göre bu durum insan doğrulaması ihtiyacını ortadan kaldırmaz; tam tersine doğrulama darboğazını daha önemli hâle getirir.

Düzenleme insanı süreçte tutar mı?

Makale finans, sağlık ve güvenlik açısından kritik sistemlerde düzenlemenin insan gözetimini daha uzun süre koruyacağını değerlendirmektedir. Ancak insanın yalnız biçimsel olarak süreçte bulunması yeterli değildir. Otomasyon yanlılığı, insanın makine önerisine gereğinden fazla güvenmesi tehlikesidir.

Bu nedenle düzenlemeye tabi sistemlerde esas soru “insan onayı var mı?” değil, şu sorular olmalıdır:

• İnsan değişikliği gerçekten anlayabiliyor mu?
• İnceleme için yeterli zaman ve bağlam sağlanıyor mu?
• İmza sahibinin kararı reddetme yetkisi var mı?
• Otomatik testlerin kapsamadığı sonuçlar tartışılıyor mu?
• İnceleme kanıtı denetlenebilir biçimde kaydediliyor mu?

Makalenin yanlış çıkabileceği koşullar nelerdir?

Yazarlar tezlerini zayıflatabilecek üç temel sonucu açıkça belirtmektedir:

• Ajan sistemleri, yüksek sonuçlu görevlerde bağımsız denetimle doğrulanmış ve uzun süre sürdürülen neredeyse kusursuz güvenilirliğe ulaşırsa insan doğrulama darboğazı büyük ölçüde çözülür.
• Otomasyon amaçlı yapay zekâ kullanımı derinleşirken başlangıç seviyesi işe alımları yeniden güçlü biçimde yükselirse genç mühendis yerinden edilmesi önermesi zayıflar.
• Yapay zekâ destekli mühendislik, kurumların ürettiği çözüm ve ürün çeşitliliğini azaltmıyorsa ıraksama savı güç kaybeder.

Bu sonuçların gerçekleşip gerçekleşmeyeceği incelenen çalışma tarafından ölçülmemiştir. Makale bunları gelecekte tezinin sınanabileceği açık koşullar olarak sunmaktadır.

Çalışmanın desteklediği temel sonuçlar nelerdir?

• Üretken ve ajan tabanlı yapay zekâ, genç mühendislerin geleneksel olarak yürüttüğü sınırlı, test edilebilir ve düşük sonuçlu görevlerde güçlüdür.
• Bu görevler aynı zamanda genç mühendislerin mesleki yargı geliştirdiği çıraklık kanalının önemli bölümünü oluşturmuştur.
• Kod üretim hacmi insan inceleme kapasitesinden daha hızlı büyüdüğünde gerçek doğrulama darboğazı oluşabilir.
• Büyük değişiklikler insanın anlamsal inceleme kapasitesini azaltabilir.
• Kod incelemesi yalnız hata bulma değil, sistem bilgisinin aktarılması işlevini de taşımaktadır.
• Küçük ve tek amaçlı değişiklikler insan incelemesini sürdürülebilir kılabilir.
• Yüksek sonuçlu değişikliklerde eş zamanlı inceleme hem hesap verebilirliği hem çıraklığı destekleyebilir.
• Kod miktarı gibi çıktı göstergeleri yapay zekâ döneminde değeri yanlış temsil edebilir.
• Genç mühendis yetiştirme hattı ayrı kurumsal yatırım hâline gelmektedir.

Çalışma hangi sonuçları kanıtlamamaktadır?

• Yapay zekânın bütün yazılım şirketlerinde genç mühendis istihdamını aynı oranda azalttığı kanıtlanmamıştır.
• Başlangıç seviyesi geliştiriciler için verilen istihdam düşüşleri çalışmanın kendi verisi değildir.
• Bütün kıdemli mühendislerin yapay zekâ çıktılarını yetersiz doğruladığı gösterilmemiştir.
• İnceleme tiyatrosunun yaygınlığı doğrudan ve standart bir ölçümle belirlenmemiştir.
• Genç mühendislerin her durumda kıdemli çalışanlardan daha ıraksak veya yaratıcı olduğu kanıtlanmamıştır.
• Kıdemli mühendis, genç mühendis ve yapay zekâ üçlüsünün daha iyi kurumsal sonuç verdiği kontrollü deneyle gösterilmemiştir.
• Tablo 5’teki yapay zekâ iş payları gerçek gelecek iş gücü oranları değildir.
• Şekil 2’deki doğrulama maruziyeti tipolojisi doğrulanmış psikometrik veya mühendislik ölçüm aracı değildir.
• Önerilen yönetim hamlelerinin finansal getirisi hesaplanmamıştır.
• Türkiye yazılım sektörüne ait ölçüm veya deney yapılmamıştır.

Çalışmanın temel sınırlılıkları nelerdir?

• Kaynak hakem değerlendirmesi doğrulanmamış bir perspektif çalışmasıdır.
• Yeni ve geniş örneklemli birincil araştırma sunmamaktadır.
• Dayandığı kanıtlar kontrollü deney, ön baskı, sektör raporu, gözlemsel veri ve teorik çalışmaları birlikte içermektedir.
• Aktarılan araştırmaların görev, deneyim düzeyi ve çalışma ortamları birbirinden farklıdır.
• Yazı ve yaratıcı düşünme çalışmalarından yazılım mimarisi çeşitliliğine çıkarım yapılmaktadır.
• Kurumsal commit örneği tek bir organizasyona ait ve korelasyoneldir.
• Doğrulama maruziyeti çerçevesi gelecekteki üretim hatalarıyla doğrulanmamıştır.
• Gelecek veri mühendisliği iş payları yazar görüşüdür.
• Önerilen ölçütlerin nasıl standardize edileceği veya karşılaştırılacağı ayrıntılı biçimde sınanmamıştır.
• Küçük pull request sayısının artmasının toplam koordinasyon maliyeti ayrıca ölçülmemiştir.
• Genç mühendisleri yetiştirmenin doğrudan maliyeti ve getirisi sayısallaştırılmamıştır.

Çalışmanın Yöntemi ve Bulguları

Çalışmanın yöntemsel yapısı

Çalışmadaki görsel ve tablolar ne göstermektedir?

Kanıtların gücü aynı mıdır?

Hayır. Çalışmadaki önermeler farklı kanıt düzeylerine sahiptir.

Makalenin önerdiği uygulanabilir yönetim planı nedir?

22. sayfadaki Tablo 6, yönetim önerilerini altı harekette toplamaktadır:

1. Birimi küçültün: Ajanların atomik, tek sorumluluklu ve gerekçesi belirtilmiş değişiklik üretmesini zorunlu kılın.
2. İncelemeyi kademelendirin: Rutin değişikliklerde ajan ilk kontrolü yapabilsin; yüksek sonuçlu değişiklikleri kıdemli liderliğinde toplu incelemeye yönlendirin.
3. Skor tablosunu değiştirin: Kod ve kullanım hacmi yerine doğrulanmış sonuç, üretime kaçan hata, bağımsız yargıya ulaşma süresi ve ıraksamayı ölçün.
4. Genç mühendis almaya devam edin: Onları yalnız kod yazarı değil, kıdemli mentorluğu altında ajan sistemlerinin yöneticisi olarak yetiştirin.
5. Geçmiş hataları yazılı hâle getirin: Kurumsal deneyimi ajanları sınırlandıran ve yeni çalışanları eğiten açık kurallara dönüştürün.
6. İki tiyatroyu izleyin: Gerçek doğrulaması olmayan insan onayını ve gerçek iş sonucu olmayan yapay zekâ kullanımını ayrı ayrı denetleyin.

Kurumsal uygulama için örnek kontrol göstergeleri

Türkiye’deki yazılım ekiplerine nasıl uyarlanabilir?

Türkiye’de uygulama için makaledeki genel öneriler yerel örgütsel ve düzenleyici koşullarla birlikte ele alınmalıdır.

Düzenlemeye tabi sektörlerde:

• Bankacılık, ödeme, sigorta, sağlık, savunma ve kamu sistemlerinde yüksek sonuçlu değişiklik sınıfları açıkça tanımlanmalıdır.
• Yapay zekâ tarafından üretilen kodun kökeni, modeli, kullanılan bağlamı ve test kanıtları kaydedilmelidir.
• İnsan imzasının yalnız prosedürel değil, gerçek incelemeyi temsil ettiği denetlenmelidir.

Genç mühendis yetiştirmede:

• Stajyer ve genç mühendisler yalnız küçük biletleri tamamlayan çalışanlar olarak görülmemelidir.
• Ajan çıktısını parçalama, doğrulama, test etme ve açıklama becerileri eğitim programına eklenmelidir.
• Yüksek riskli değişiklik incelemelerine gözlemci değil, gerekçe sunması gereken aktif katılımcı olarak alınmalıdır.

Performans yönetiminde:

• Yapay zekâ kullanım oranı hedef yapılmamalıdır.
• Çıktı hacmi tek başına terfi veya başarı göstergesi olmamalıdır.
• Üretim kalitesi, olay azaltma, müşteri etkisi, dokümante edilmiş karar gerekçesi ve mentorluk katkısı birlikte değerlendirilmelidir.

Yerel doğrulama için gerekli veriler:

• Yapay zekâ kullanan ve kullanmayan ekiplerde üretime kaçan hata oranları
• Pull request büyüklüğü ve inceleme süresi
• Genç mühendis işe alım ve iç terfi eğilimleri
• Olay çözüm süresi ve geri alma oranı
• Yapay zekâ kullanımından önce ve sonra test kapsamı
• Genç çalışanların bağımsız teknik sorumluluğa ulaşma süreleri

Genel yöntemsel sonuç

Çalışma, “yapay zekâ geliştiricilerin yerini alacak mı?” sorusundan daha dar ve yönetilebilir bir soru önermektedir: Yapay zekâ hangi görevleri devralıyor ve bu görevlerin üretim dışındaki kurumsal işlevi neydi?

Şablon kod yazmak ekonomik olarak değersizleşebilir; ancak şablon kodun inceleme, hata yapma, düzeltme ve bağlam öğrenme süreci uzman yetiştiriyorsa, yalnız üretim maliyetine bakılarak ortadan kaldırılması uzun vadeli kapasite kaybı doğurabilir.

Makalenin yönetim mesajı, eski çalışma biçimini korumak değil; yapay zekâ üretimini insanın öğrenebileceği ve gerçekten doğrulayabileceği yeni bir sistem içinde düzenlemektir.

Kaynak ve Yöntem Notu

• Çalışmanın tam özgün adı: Who Trains the Next Senior? Managing Software Engineering When AI Makes Code Cheap
• Yazarlar: Gajendra Babu Thokala, Sairam B. Krishnan
• Yazar sıralaması: Gajendra Babu Thokala birinci, Sairam B. Krishnan ikinci yazardır.
• Eş katkı beyanı: Bulunmamaktadır.
• Sorumlu yazar: Çalışmada sorumlu yazar işareti veya açık iletişim yazarı beyanı bulunmamaktadır.
• Yazar unvanı 1: Gajendra Babu Thokala, Senior Engineering Leader; Fellow, British Computer Society
• Yazar unvanı 2: Sairam B. Krishnan, Senior Engineering Leader; Wharton Executive MBA
• Kurumsal bağlılık: Resmî üniversite veya şirket bağlılığı belirtilmemiştir. Yazarlar görüşlerini kişisel sıfatlarıyla sunduklarını ve görüşlerin herhangi bir işvereni temsil etmediğini açıklamıştır.
• DOI:10.2139/ssrn.7083078
• Resmî çalışma bağlantısı:SSRN resmî kayıt sayfası
• Yayın platformu: SSRN
• Yayın tarihi: 24 Temmuz 2026
• Yayın yılı: 2026
• Sayfa sayısı: 24
• Dergi: Belirli bir hakemli dergi bilgisi bulunmamaktadır.
• Yayınevi: Bağımsız bir yayınevi veya dergi yayınevi belirtilmemiştir.
• Kaynak türü: Mevcut araştırma, sektör bulguları ve mesleki deneyime dayalı perspektif ve mühendislik yönetimi çalışması
• Hakemlik durumu: Tamamlanmış hakem değerlendirmesi veya hakemli dergi yayını doğrulanmamıştır.

Bu Türkçe açıklama, çalışmanın bütün ana metni, tabloları, iki şekli, veri mühendisliği örneği, risk değerlendirmesi, sonuçları, kaynakçası ve yazar beyanları incelenerek hazırlanmıştır. Bilimsel ve yönetsel içerik yalnızca incelenen çalışmanın sunduğu savlara, sayılara ve sınırlandırmalara dayanmaktadır. Dış kaynak kontrolü yalnızca SSRN kaydı, DOI ve paylaşım tarihinin bibliyografik doğrulanması amacıyla kullanılmıştır.

Çalışma yeni ampirik ölçüm raporu değildir. Kaynakta geçen yüzde 13 ve yaklaşık yüzde 20 istihdam değişimleri, yüzde 55,8 hız artışı, yaklaşık yüzde 26 görev artışı, yüzde 19 yavaşlama ve diğer nicel sonuçlar yazarların dayandığı önceki çalışmalardan aktarılmıştır. Bu değerler incelenen makalenin kendi örneklemiyle üretilmemiştir.

Tablo 5’teki geleceğe dönük iş payları yazarların yapılandırılmış mesleki yargısıdır; ölçülmüş veri, kesin tahmin veya belirli tarihte gerçekleşmesi beklenen oranlar değildir. Şekil 2’deki doğrulama maruziyeti tipolojisi de doğrulanmış bir puanlama sistemi değildir. Yazarlar, çerçevenin gelecekte üretime kaçan hatalar ve olay verileriyle sınanması gerektiğini belirtmektedir.

Çalışmadaki anonim kurumsal commit gözlemi tek bir organizasyonla sınırlıdır, korelasyoneldir ve yapay zekâ kullanımının gerçek başlangıç tarihini kesin olarak belirlememektedir. Bu gözlem genel sektör etkisi veya nedensel sonuç olarak yorumlanmamalıdır.

Yazarların üretken yapay zekâ beyanına göre Anthropic Claude; metnin yazarların belirlediği üslup ve talimatlarla hazırlanması ve düzenlenmesi, kaynakların derlenip biçimlendirilmesi ve Şekil 1’in üretilmesi amacıyla kullanılmıştır. Yazarlar tezi, analizi ve esas içeriği kendilerinin geliştirdiğini; bütün iddiaları, verileri ve kaynakları bağımsız biçimde doğruladıklarını ve çalışmanın sorumluluğunu üstlendiklerini belirtmiştir.