Yapay zeka hapı yutmuş bileşik büyüme girişimleri

• San Francisco’daki AI-native şirketleri bizzat ziyaret edip gerçek çalışma biçimlerini gözlemleme sonucunda, ürün yöneticisi (PM) rolünün ortadan kalkmasından organizasyon genelinde deney hızının artmasına kadar, mevcut girişimlerden temelde farklı bir işletim modeli ortaya çıkıyor
• Ziyaret edilen 5 şirketten yalnızca 1’inde tam zamanlı bir PM vardı; yapı, mühendislerin müşterilerle doğrudan konuşup ürün kararlarını baştan sona üstlendiği bir modele dönüşüyor
• Artık her şey bir gün içinde hayata geçirilebilir hale geldiğinden, her talebi uygulamaya koymaya çalışan 'feature factory' cazibesi en büyük stratejik risk olarak öne çıkıyor
• Teknoloji yığını Slack, Claude Code, GitHub, Codex ve Linear etrafında yakınsıyor; Slack ise agent orkestrasyonunun temel merkezi hub’ı rolünü üstleniyor
• Deney maliyetlerinin çökmesiyle şirketler 3~5 kat daha hızlı iterasyon elde ediyor; yapay zekayı içselleştirmiş şirketlerle hâlâ strateji tartışan şirketler arasındaki fark her hafta açılıyor

---

PM rolünün ortadan kalkması

• Bir günde ziyaret edilen 5 şirket içinde tam zamanlı PM yalnızca 1 kişiydi; buna 40 kişilik bir şirket de dahildi
• Mühendislerin her gün müşterilerle konuştuğu ve ürün kararlarını uçtan uca doğrudan sahiplendiği bir yapı
• PM’in “desteklenmesi” değil, rolün kendisinin mühendislik ve tasarım içinde erimesi söz konusu

En tehlikeli yan etki: feature factory

• Müşteri taleplerinin bir gün içinde uygulanabilir hale gelmesiyle, her şeyi inşa etme cazibesi ezici biçimde büyüyor
• Birçok şirket bunu şu anda en büyük stratejik riski olarak görüyor
• Bu sorunu aşan şirketler katı kısıtlar koyuyor
  • Bir şirketin agent’ları JSON üzerinden yalnızca mevcut özelliklerin ayarlarını değiştirebiliyor; yeni uygulama kodu üretmeleri ise mümkün değil
  • Başka bir şirket, fikirleri yayına çıkmadan önce elemek için squad bazlı North Star metric kullanıyor
  • Birçok şirket, kurucuların ürünün görüş sahibi olunan alanlarıyla esnek alanlarını bizzat belirlemesi gerektiğini vurguluyor
• Uygulama maliyeti neredeyse sıfıra indiğinde taste moat haline geliyor, ancak bunun organizasyonel olarak nasıl uygulanacağı hâlâ netleşmiş değil

Teknoloji yığınının yakınsaması

• Ziyaret edilen şirketlerin neredeyse tamamı aynı temel yığını kullanıyor: Slack, Claude Code, GitHub, kod incelemesi için Codex ve Linear
• Linear, SaaS krizinde yalnızca ayakta kalmakla kalmadı, aynı zamanda refahın yol haritasını da oluşturmaya başladı
• Slack, agent’ların merkezi orkestrasyon katmanı olarak öne çıkıyor
  • Emoji tepkileri otomatik olarak ticket oluşturuyor
  • Bot’lar teşhis raporları ve müşteri sorunlarının sınıflandırılmasını yapıyor
  • Agent’lar bir thread’de etiketlenince hemen düzeltme çalışmasına başlıyor
• 6 ay önce Cursor her konuşmada geçerken, bugün yalnızca dağınık biçimde anılıyor
• Mühendisler adeta Claude Code içinde yaşıyor; bir araştırmacı Cursor ile Claude’u birlikte kullanırken neden ikinci bir pencereye ihtiyaç duyduğunu kendi kendine sorgulamış
• Mühendislerin belirli kodlama araçlarına karşı neredeyse hiç sadakat veya bağlılık göstermemesi, kodlama platformları için kaygı verici
  • Mühendislerin ürettiği verilerle modelleri eğitmedikleri sürece uzun vadeli değeri korumak zor; bu açıdan Anthropic, Mythos haberiyle birlikte avantajlı bir konumda

Organizasyon genelinde kapasite artışı

• Enterprise account manager, aylar boyunca ürün ekibinden hesap yükleme otomasyonunu talep etmiş ama öncelik sıralamasında geriye düşmüş → Slack’teki AI agent’a istekte bulununca 1 saat içinde çözüldü
• Muhasebe ekibi doğrudan veritabanı sorguları yazıyor ve MCP kullanarak kendi iş verilerini analiz ediyor
• Chief of Staff, doğrudan posta ve pazarlama materyallerini 30 dakika içinde hazırlıyor
• En az değer biçilen değişim, yapay zekanın mühendisler için yaptıkları değil, onun dışındaki herkes için yaptıkları

Deney maliyetlerinin çöküşü ve bileşik etki

• Bir araştırmacı, 10 arayüz tasarımını test edip her birini bir gün çalıştırdıktan sonra 9’unu eliyor
• Bir tasarımcı, 6 dakika içinde ayrı sekmelerde birden çok rakip iterasyon üretiyor
• Hiç kodlama deneyimi olmayan bir growth PM, iki gün içinde tüm Meta Ads pipeline’ını (strateji özeti, AI ile üretilmiş video reklamlar, Meta’ya otomatik yayınlama) kurdu
• Gerçek müşteri teması öncesinde AI ile müşteri simülasyonu yapılıyor
  • Bir ekip, farklı kullanıcı personalarını canlandıran AI agent’ları oluşturarak gerçek geri bildirim olmadan ürüne stres testi uyguluyor
  • Başka bir ekip, çeyrekte 50 yerine haftada yüzlerce research interview gerçekleştiriyor
  • Bir şirket, tüm müzakere geçmişi, iletişim tercihleri ve karar alma kalıplarını içeren müşteri personaları oluşturup bunları satış aramalarına hazırlıkta kullanıyor
• Şirketler 3~5 kat daha hızlı iterasyon elde ediyor ve bu hız iki şekilde ortaya çıkıyor
  • Tek bir deneyi daha hızlı tamamlayarak aynı sürede daha fazla deney yapmak
  • Birden çok deneyi paralel olarak aynı anda yürütmek
• Build ve öğrenme aşamaları organizasyon genelinde sıkışıyor, bilgi bileşik şekilde birikiyor
• Savaşın savaş uçaklarından drone sürülerine kaymasına benzer bir değişim, şirket operasyonlarında da yaşanıyor

Gelecek görünümü

• Ek şirket ziyaretleri sürdürülerek daha somut örneklerle birlikte derinlemesine case study yayımlanması planlanıyor
• Zaten açık olan örüntü şu: Bu çalışma biçimini içselleştirmiş şirketlerle hâlâ "AI stratejisini" tartışan şirketler arasındaki fark çok büyük ve her hafta açılıyor

[daumkakao]

Bu yaklaşımı içselleştiren şirketlerle hâlâ "AI stratejisi"ni tartışan şirketler arasındaki farkın çok büyük olması ve bunun her hafta daha da açılması sözü gerçekten çok çarpıcı geliyor... Biz hâlâ stratejiyi tartışıyoruz(??), bu gidişle ne zaman geri kalacağız... Gerçi muhtemelen zaten geri kaldık hıçkırık