- Yapay zeka, öğrenme eğrisinde başlangıç ve orta seviye kullanıcılar için giriş bariyerini düşürür ve kişinin seviyesine uygun özelleştirilmiş destek sağlayabilir
- Uzman seviyesinde ustalığa ulaşmak hâlâ zordur ve yapay zekanın derinlikli konularda ya da tartışmalı alanlarda sınırları vardır
- Yapay zekayı yalnızca bir cevap aracı olarak kullanmak, gerçek bir gelişim olmadan yapay zekanın sınırında kalma gibi bir yan etki yaratabilir
- Kodlama, üretim, günlük uygulama kullanımı gibi farklı alanlarda yapay zekanın etkisi farklı görünür; özellikle yeni fikirler ve yenilikçilik önemliyse etkisi sınırlıdır
- Yapay zeka değişimin taban çizgisini yükseltmiş olsa da, her alanda büyük bir dönüşüm yaratmış değildir; kullanım değeri ihtiyaç ve bağlama göre farklı değerlendirilir
Özet: Yapay zekanın değiştirdiği öğrenme eğrisi
- Yapay zeka ortaya çıkmadan önce her öğrenme kaynağı belirli bir kitle hedeflenerek hazırlanıyordu; bu yüzden öğrencinin arka plan bilgisini yeterince yansıtamama gibi bir sınırlama vardı
- Örneğin, aşina olunan bir alandan yeni bir konuya bağ kurarak öğrenmek, gerekli ön bilginin varlığından bile haberdar olmamak ya da orta seviyede uygun kaynak bulamamak sık görülen sorunlardı
- Daha önce beceri edinme sürecinde kişiselleştirilmiş destek sağlamak zordu
- Yapay zeka, bireysel öğrencinin anlama düzeyine göre soruları doğrudan yanıtlayarak veya tekrar eden işleri üstlenerek öğrenme eğrisini değiştiriyor
- Yapay zeka tabanlı öğrenme deneyimiyle artık her seviyede yapay zeka bir başlangıç noktası hâline geliyor; yani tabanın (asgari seviye) kendisinin yükseldiği bir değişim yaşanıyor
Ustalık seviyesinin sınırları
- Alan uzmanları, yapay zekanın etkinliğine eleştirel bir gözle bakıyor
- Yapay zekanın sunduğu bilgi popüler ve temel içeriklerde güçlü olsa da, ileri düzey/uzman bilgisi ya da tartışmalı konular söz konusu olduğunda sınırları büyük
- Yapay zekanın eğitim verileri, ne kadar genellenmiş içerik barındırırsa o kadar güçlü sonuç üretir; ancak zorlayıcı ve ileri bilgi alanlarında eğitim verisinin azlığı ya da çelişkili bilgiler nedeniyle doğru ve derinlikli yanıt vermek zorlaşır
Yapay zeka destekli öğrenmenin yan etkisi: Kopya çekmek
- OpenAI Study Mode gibi yalnızca doğru cevabı hemen isteyen özellikler, kullanıcının öğrenme platosunu derinleştirebilir
- Yapay zeka yanıtlarını sadece araç olarak kullanan kullanıcılar, bunun ötesine geçip gelişememe sınırıyla karşı karşıya kalır
- Uzun vadede bu yaklaşım kalıcı gelişim açısından dezavantajlıdır
Değişen öğrenme eğrisinin gerçek etkisi
- Teknolojik değişim, ekosistemin tamamında değişim yaratır
- Yapay zekanın etkisi, bir ürün ya da çıktı için ne kadar yüksek düzeyde ustalık gerektiğine bağlı olarak değişir
-
Yazılım geliştirme: Yöneticiler için fırsat, büyük kod tabanlarında sınırlı
- Mühendislik yöneticileri temel prensiplere ve kalite değerlendirme becerisine sahip olsalar da, belirli framework deneyimi eksikliği nedeniyle uygulama üretmekte zorlanıyordu
- Yapay zeka araçları sayesinde temelleri hızla öğrenip, mevcut deneyimlerini kullanarak çalışan uygulamaları hızlıca tamamlama örnekleri artıyor
- Buna karşılık, büyük ölçekli ve karmaşık kod tabanlarında yapay zekanın yardımı belirgin biçimde sınırlı
- Mevcut sistemin bağlamını ya da kendine özgü gereksinimlerini yeterince anlayamadığı için, gerçek işlerde çok yardımcı olmuyor
-
Yaratıcı alanlar: Rekabet çok yoğun, etki sınırlı
- Yaratıcı alanlarda rekabet son derece yoğundur ve yeni özgünlük kritik önemdedir
- Yapay zeka ile görsel üretmek kolaylaşsa da, yaratıcı başarının asıl eşiği olan 'yenilik' bariyeri düşmez
- İnsanlar türetilmiş ya da taklit içerikleri kolayca fark ettiği için, kısa süreli popülerlikten sonra ilginin hızla sönmesi görülür
- Studio Ghibli tarzı avatar akımı gibi tek seferlik örnekler olsa da, kültürel konum veya kitlesel popülerlik açısından yapay zekanın etkisi sınırlı kalır
-
Mevcut uygulama alanı: Etki en az
- E-posta, yemek siparişi gibi alanlarda zaten iyi özelleşmiş uygulamalar kurulmuş durumda
- Yapay zeka tabanlı özetleme olsa bile, spam ayıklama zaten otomatikleşmiş durumda ve önemli e-postaları doğrudan kontrol etmek daha güvenilir
- Yemek siparişi gibi alanlarda da zaten ince düşünülmüş bir UX mevcut olduğu için, yapay zekanın bunu daha etkili biçimde dönüştürmesi zor
Yapay zeka benimsemesindeki farklar ve gelecek
- Yapay zeka, bilgi işçiliğinin tabanını yükseltti ama herkesi aynı şekilde etkilemedi
- Kişinin teknik seviyesi, rolü ve çalışma ortamına göre yapay zekanın hissedilen etkisinde büyük farklar bulunuyor
- Bazıları yapay zeka sayesinde yenilik deneyimlerken, başkaları etkiyi hissedemiyor ya da tersine kriz duygusu ve kafa karışıklığı yaşıyor
- Yapay zeka henüz her yöntem ve alanda 'vazgeçilmez' değil, ancak denemeye değer potansiyel taşıyan güçlü bir teknoloji
- Eğer yapay zeka size bireysel olarak anlamlı görünmüyorsa, sizin koşullarınızda yarattığı somut değişim büyük değildir
2 yorum
Hacker News görüşleri
Blog yazısında çeşitli grafikler var; bu da sanki nesnellik ve titizlik varmış gibi gösteriyor, ama aslında yalnızca sezgi ve tahminlerden ibaret olduğu vurgulanıyor. Yakın tarihli ampirik araştırmalar ise tam tersine, yapay zekanın eşitsizliği kötüleştirdiğini gösteriyor. İlgili içerikler için The Economist grafiğine ve makaleye bakılabilir
Elbette yapay zekanın eşitsizliği artırdığını düşünüyorum. Yapay zeka, insanların deneyim kazanarak yükseldiği merdivenin alt basamaklarını otomatikleştiriyor; böylece geleceğin uzmanlarına basamak sunmak yerine, zaten zirvede olan kişilerin yatırım yapıp o merdiveni daha hızlı tırmanmasını sağlayan bir teknoloji hâline geliyor
Grafik çok büyük varsayımlara dayanıyor; bunlar da yalnızca yapay zeka fanatiklerinin zihninde destek buluyor gibi duruyor. Özellikle "side project" konusunda muğlak kalıyor; çünkü yapay zekanın acemiden gelen girdilerle "yeterince iyi" sonuç üretmeye yetecek düzeyde olmadığını düşünüyorum
Yazının ana fikrine bir ölçüde katılıyorum. Sanki laboratuvar önlüğü giymiş bir bilim insanı gibi kamufle edilmiş, ama aslında yalnızca yazarın dünyayı nasıl gördüğüne dair ilişkisel bir ifade sunuyor. Yine de grafikte bunun bir "hipotez" olduğunun belirtilmesi ya da eksen uçlarında dalgalı çizgi kullanılması gibi görsel yollarla varsayım olduğu vurgulansa, iletişim aracı olarak değeri olabilir. Eğrinin düzleşeceği yani beceri gelişiminin duracağı varsayımı da kesin söylenemez. Bence yazar, ekonomistlerin bağlantılarından daha iyi niyetli bir metin yazmış. İnsanların dürüst görüşlerini ortaya koyması ve veri varsa hipotez testini de göstermesi ideal olurdu
Grafikte eşitsizliğin arttığını gösteren 4, azaldığını gösteren 6 araştırmaya atıf yapılıyor
Emekli bir matematikçi olarak 2025'te yapay zekaya ciddi biçimde kapıldım ve Claude Max planını kullanarak Claude Code Opus 4'e limitsiz erişiyorum. Paralel oturumlarla devasa legacy codebase'leri incelerken bazen kullanım sınırına da ulaşıyorum. Uzun süre yapay zekayla ilgili her türlü iletişimden kaçındım ama son zamanlarda HN'de ilginç tartışmalar görünce yeniden ilgilenmeye başladım. Benim görüşüm, nöroçeşitlilik gösteren insanların yapay zeka kullanımında daha başarılı olduğu yönünde; çünkü yapay zeka devasa bir çağrışım motoru. Ben lineer cebir kökenliyim, bu yüzden yapay zekanın çağrışımsal yapısı benim farklı düşünme biçimimle iyi örtüşüyor. Sonuçta yapay zeka tabanı değil, tavanı yükseltiyor
Bu, Andrew Ng'nin yakın tarihli yapay zeka startup sunumundaki içgörüye benziyor. Bugünlerde kuruculara verdiği yeni tavsiye, pivot sırasında prototipi çöpe atıp sıfırdan yeniden başlamak. Bu, metindeki içerikle de bağlantılı. Prototip geliştirme en fazla 10 kat hızlanırken, mevcut codebase'lerde iyileşme yalnızca %30~50 civarında kalıyor. Bu değişim, geçmişte VM'den container'a geçilirken kullanılan "pet vs cattle" benzetmesine benziyor. Codebase'leri özenle sevilen bir "pet" gibi değil, verimli biçimde yönetilen "cattle" gibi ele almamız gereken bir döneme giriyor olabiliriz. İlgili sunumun videosunda 10:30 bölümüne bakılabilir
Bence "pet vs cattle" benzetmesi yalnızca koda odaklanıyor ve asıl değerin geliştiricinin zihninde olduğunu gözden kaçırıyor. Yapay zeka kod yönetimine yardımcı olabilir ama gerçek değer geliştiricinin kavrayışında ve zihinsel modelinde yatıyor
Güzel nokta ama "livestock"tan ziyade daha çok "cattle" ifadesini duydum. Bunun coğrafi bir fark olup olmadığını merak ettim
Bu benzetmeyi andığınız için teşekkürler. İleride üretken kodu, büyük ölçekli bulut altyapısı gibi ele almamız gerekebilir diye düşünüyorum. Uzun yıllardır kullanılan legacy code için bu daha az geçerli olabilir. Bu içgörüyü bir blog yazısında topladınız mı diye merak ettim; stillpointlab.com ve Twitter'da @stillpointlab hesabına baktım ama pek içerik bulamadım
"Pet vs cattle" benzetmesi, "zanaatkâr vs özensiz üretici" tartışmasına göre çok daha isabetli geliyor. LLM kullanmak çıktının değerini düşürmüyor; daha çok, koda duygusal bağlılık yerine pragmatik bakışa geçiş anlamına geliyor
LLM ile hâlâ yapılamayan epey şey var. Örneğin birlikte satranç oynarken 5~10 hamle sonra yasadışı hamleler yapmaya başlıyor; en iyi durumda bile sınır yaklaşık 18 hamleydi. Karşı tarafın hatalı hamlelerini de düzeltmediği için yanlış öğrenmeye yol açabiliyor. Sonuçta gerçekten karmaşık bir problemi modelleyemediğinden, kullanıcının ne sorması gerektiğini fark etmesi çok önemli. LLM, atın nasıl hareket ettiğini ya da ünlü açılışları anlatabilir; ama tüm satranç notasyonunu doğru şekilde takip etmek veya mevcut tahtada en iyi hamleyi söylemek onun yapabileceği bir şey değil. Birçok kullanıcı, ne kadar hatalı yanıtlar üretilebileceğini bilmeden, kendinden emin şekilde verilen cevaplara olduğu gibi inanabilir. Yüzeyde sağlam görünse de, aslında görünmeyen bir yarığın üzerinde yürümeye benziyor
LLM'nin satrançta zayıf olması bence büyük bir sorun değil. Satrança özel modelleri, yalnızca yasal hamleler yapacak şekilde oldukça iyi ELO seviyelerine getirmek mümkün. Post-training satranç becerisini bozuyor olabilir ve OpenAI gibi yerler de buna pek önem vermiyor gibi görünüyor. LLM ile de iyi satranç oynanabilir. İlgili makaleye ve değerlendirme örneğine bakılabilir
Ben de çevremde, doktora sahibi ya da doktor gibi uzman kişilerin bile LLM'nin hata yapabileceğini hiç hayal etmediği durumlara sıkça rastlıyorum. Muhteşem ve mantıklı görünen cümlelere bir de özgüven eklenince, tam bir uzmanmış izlenimi yaratan bir "hale etkisi" oluşuyor olabilir
Kod ajanı modunda LLM ile çalışınca, başta iyi giderken giderek alakasız yönlere savrulduğunu ya da tamamen ilgisiz kod girintileriyle uğraştığını görmek sık rastlanan bir durum oldu
Satrançta uzmanlaşmış AI insanlardan çok daha üstünken, genel amaçlı LLM'nin yasal hamle yapmakta bile zorlanması ilginç. Yapay zekanın tavanı, LLM'nin çok daha üstünde yer alıyor
"10 hamleden fazlasını takip etmek zor" meselesi için, satrançta geçmiş hamlelerden çok mevcut tahta durumu önemlidir. LLM gereksiz bilgiyi ayıklamakta zayıf olduğundan, yalnızca tahta durumunu vermek performansı artırıyor. Daha ayrıntılı tartışma burada
Eğer ajanlar yalnızca greenfield projelerde iyiyse, o zaman mevcut codebase'i de her yeni özellikte yeni bir greenfield proje gibi hazırlamak gerekir; öyle ki bir stajyer fişi takınca çalışsın. Geri kalan kısımlar insan eli ister, yoksa stajyer bütün duvarı sökebilir
Bence bu saçma. npm'deki Y projesini GitHub'dan WebStorm'a çekip Junie'ye sorduğunuzda hemen yanıt alabiliyor, hatta anlamadığınız veri yapılarını örneklerle belgeliyor. PR'ı doğrudan açamayabilir ama pair programmer olarak fazlasıyla işe yarıyor. Hatta daha fazla test yazmaya ve hata yönetimine daha çok dikkat etmeye yönelttiği için sonuçta daha iyi çıktı veriyor
Ajanların iyi yaptığı da çok şey var, kötü yaptığı da. Kullandıkça nede daha iyi olduklarını anlamak zorlaşıyor
Bence ajanlar tamamen yeni projelere başlamakta pek iyi değil; küçük ve orta ölçekli projelerde çok iyiler, proje büyüdükçe verimleri giderek düşüyor. Tamamen sıfırdan projelerde ise pratikte kullanılamayan, "örnek düzeyi" çok kod üretiyorlar
Tek cümlelik özet: Yapay zeka interpolation konusunda iyi bir araç ama extrapolation yapamıyor
Metnin büyük kısmına katılıyorum ama "yapay zekanın sağlayabildiği seviyede beceri gelişimi durur" fikrine katılmıyorum. Benim deneyimimde yapay zekayı iyi kullanmak için "sabit" değil "gelişim odaklı" bir zihniyet gerekiyor; ben de kendimi yapay zekanın yöneticisi gibi konumlandırıp çıktıları sürekli iyileştiriyorum. Elbette bir sınır var ama ilgili beceriyi doğrudan öğrenmeden bile, sorunun sınırlarına odaklanarak sonucun kalitesini ciddi ölçüde artırabildim. Zaman geçtikçe, alan uzmanı olmadan da o alanın daha iyi bir yöneticisine dönüştüğümü hissediyorum
"Nasıl" kısmını bilmiyorsanız, kalitenin gerçekten yeterince arttığını hangi ölçüte göre anladığınızı merak ediyorum. Sonuçta bu ancak başlangıç kalitesine göre göreli bir iyileşme olur; eğer yalnızca kişisel tatmin yetiyorsa, gerçek kalite artmasa da sorun edilmiyor gibi görünüyor
Ben bunu "hile" olarak görmüyorum
Öğrenme eğrisinde yapay zeka kullanılsa bile, zirveye yaklaştıkça yapay zeka olmadan öğrenmek muhtemelen daha iyi hâle gelecek. En üst düzey ustalık ancak yavaş ve öz yönelimli öğrenmeye zaman ayırarak mümkün olur
LLM'nin en büyük avantajı, reklamlar ya da sosyal medya dikkat dağıtıcıları olmadan, tutarlı bir formatta doğru yanıtlar alabilmek. reddit, insta ya da tvtropes'ta cevap aramanın tam tersi. Düşünmeye yardımcı olan, tamamen odaklı bir OS'nin ve çocukların içerik tuzaklarına düşmesini engelleyen bir ortamın bir an önce gelmesini isterim. Ad hoc UI'larla bölünmeden, ihtiyacım olan belge ve bilgiyi hızlıca almak benim çok hoşuma gidiyor
Ben yapay zeka cevaplarının doğru olduğunu düşünmüyorum; hatta sık sık tehlikeli olacak kadar sorunlu buluyorum. Topluluklarda kimin uzman olduğunu anlamak daha kolay ve sonuçta doğru cevaba ulaşabiliyorsunuz; yapay zeka da aynı verileri topladığı için yanlış yanıt üretme riski aynı şekilde var. Reklamsız ortamın da uzun sürmeyeceğini düşünüyorum. Yapay zeka şirketleri devasa zarar yazıyor; yakında reklam ve sosyal unsurlar ortalığı kaplayacak, bugünkü ücretsiz avantajlar da müşteriyi çekmek için katlanılan zarar stratejisinden ibaret
"Doğru" ifadesinin öznel olduğunu iğneleyici biçimde söylüyor
Daha iyi bildiğim yapay zeka alanları da bu eğilimle uyumlu. Ortalama altı biri bile yapay zekayla ortalamaya yakın sonuçlar elde edebiliyor
Bu, daha çok bilgi sahibi kişilerin LLM kullanınca gerçekten fayda gördüğüne dair başka bir özetle de örtüşüyor
Ortalama üstü biri de yapay zeka kullanarak sıradan sonuçlar üretebilir. Birçok işte "yeterince iyi" eşiği aslında oldukça düşük
O yüzden buradaki insanların yapay zekaya karşı çıkma sebebi, hepsinin ortalama üstü olması olabilir diye şaka yapılıyor
"Ortalama altı biri yapay zekayla ortalama seviye sonuç üretirse" toplam ortalama da o ölçüde yükselmiş olur
Bunu "Yapay zeka prototiplemede iyi, mühendislikte o kadar iyi değil" diye özetleyebiliriz sanırım. Yapay zeka araçları hızlı ama breadth ve depth açısından yetersiz. Hızlı PoC üretmekte ya da alt problemleri çözmekte faydalı olabilirler; fakat bütün bağlamı ve derinliği taşıyamazlar, oysa gerçek mühendislik uygulamanın çok ötesinde unsurlar gerektirir: bağlam, istisnalar, başarısızlık biçimleri, derin kavrayış vb. Ne kadar iyi programcı olursa olsun, biri mühendis olmayabilir; en iyi leetcoder bile takıma pratikte pek katkı sağlamayabilir. Gerçek ustalığa giden yol deneyim ister ve bu da ince, sezgisel olmayan ayrıntıları bilmeyi gerektirir. Bir yöneticinin tek tuşla ürün mühendisliği yapabildiği bir dönem gelmeyecek. Mevcut yapay zeka kod üreticileri de zaten "yönetici için otomasyon" yanılgısından çıktı; oysa çalışan mühendislerin açıklamalarından beslenen araçlar daha iyi olabilir. Dijkstra'nın "doğal dille programlama" konusundaki ahmaklık eleştirisinin hâlâ geçerli olduğunu düşünüyorum. İlgili metin
Meta'da neredeyse süper zekaya ulaşmışlar gibi ortalığı heyecanlandırıp duruyorlar hahaha