- Yapay zekanın mühendislerin üretkenliğini 10 ila 100 kat artırdığı iddiası gerçekçi değil
- Gerçek AI kodlama araçları derinlemesine kullanıldığında verimlilik artışı sınırlı kalıyor; yalnızca tekrarlı ve basit işlerde geçici üretkenlik patlamaları yaşanıyor
- Yazılım geliştirmenin darboğazları (kod inceleme, işbirliği, planlama vb.) yapay zekayla aşılamıyor; bu yüzden toplam işte 10 kat iyileşme mümkün değil
- 10x mühendis efsanesi; sayıların çarpıtılması, sektör paydaşları ya da kurum içi kaygı yaratma gibi çeşitli motivasyonlardan besleniyor
- Kendi geliştirme tarzını ve işten alınan keyfi korumak, uzun vadede daha iyi sonuçlar ve daha sağlıklı bir kurum kültürü yaratıyor
AI 10x mühendis efsanesine şüpheyle bakmak
Üretkenlik kaygısı ve AI araçlarını sahada kullanma deneyimi
- LinkedIn, Twitter gibi mecralarda yapay zekanın mühendis üretkenliğini 10 ila 100 kat artırdığı söylemi yayılırken, birçok geliştirici de geride kalma kaygısı yaşıyor
- Yazar da AI kod üretim ajanlarını (Claude Code, Cursor, Roo Code, Zed vb.) gerçek işlerde çeşitli şekillerde denemiş; basit ve tekrarlı işlerde kullanışlı bulsa da, karmaşık gerçek işlerde köklü bir dönüşüm görmemiş
- JavaScript'te (özellikle React) tekrarlı kodlar (
boilerplate) hızlıca yazdırılabiliyor - Ancak kurumun kendi kod tabanı standartları veya sıra dışı kütüphaneler söz konusu olduğunda AI doğru şekilde ayak uyduramıyor
- Terraform gibi dillerde AI yeterince yetkin olmadığı için performans düşüyor
- Halüsinasyon (hallucination) nedeniyle gerçekte var olmayan kütüphaneler üretip güvenlik açıklarına bile yol açabiliyor
- JavaScript'te (özellikle React) tekrarlı kodlar (
- AI'ın bağlamı anlama yeteneği hâlâ sınırlı. Kod tabanı karmaşıklaştıkça tekrarlanan prompt'lar, hatalar ve zaman kaybı ortaya çıkıyor
- Sonuç olarak yazar, AI'ı küçük script'lerde ya da kritik olmayan işlerde kullanıyor; karmaşık veya önemli işleri ise hâlâ kendisi yapıyor
Yazılım geliştirmede üretkenliği sayısallaştırma sorunu
- AI ile üretkenliğin 10 ila 100 kat artabileceği iddiası, gerçeklikten kopuk bir rakam
- 10x, 100x üretkenlik; yalnızca daha fazla satır kod yazmak değil, 3 ay sürecek bir işin (tam geliştirme, kod inceleme, QA vb.) 1,5 haftada bitmesi anlamına geliyor
- Yazılım geliştirmede planlama, story point hesaplama, hata düzeltme, kod inceleme, dağıtım sırası bekleme, test, QA gibi çok sayıda darboğaz var
- Hedefe ulaşmak için bu süreçlerin her birinin aynı oranda 10 kat hızlanması gerekir
- Gerçekte kod yazmanın kendisine ayrılan süre az; zamanın büyük kısmı anlama, tasarım, değerlendirme ve iletişime gidiyor
- Gerçekçi olarak kod inceleme, işbirliği, iletişim, QA gibi alanlar AI ile kısaltılamıyor
- Gerçek mühendislik işlerinin darboğazı insanlarda, süreçlerde ve iletişimde
- LLM'ler (büyük dil modelleri) klavye başında yazma süresini azaltabiliyor, ancak kod kalitesi, test ve inceleme için gereken zaman yine de gerekiyor
- AI kod yazma hızını geçici olarak artırabilse de, artan hata oranı, yetersiz kod standartları, yeniden prompt verme gibi nedenlerle toplam üretkenlik artışında belirleyici bir etki yaratmıyor
- 10 kat üretkenlik, pratikte imkânsıza yakın bir hedef
10x mühendisin gerçekliği ve sınırları
- "10x mühendis" diye bir şeyin varlığına dair değerlendirme, bunun ancak geçici ve sınırlı biçimde mümkün olabileceği yönünde
- Bunun en büyük nedeni, gereksiz işleri önleme becerisinin (planlama aşamasında gereksiz geliştirmeyi engelleme, geliştirici deneyimini iyileştirme, dokümantasyon vb.) zamanla birikmesi
- Ancak her mühendis her zaman böyle durumlarla karşılaşmıyor
- Sıra dışı mühendisler, gereksiz işleri önleyerek veya sistemi iyileştirerek kurum genelinde verimliliği artırabilir; fakat sürekli 10 kat çıktı üreten örnekler neredeyse yok
- AI kodlama araçları, gereksiz işleri önleme konusunda büyük bir katkı sağlamıyor
- Hatta AI önerileri yüzünden gereğinden fazla implementasyon yapılabiliyor ya da yanlış mimariler önerilebiliyor
- Hızlı kod yazmak her zaman iyi bir mühendis olmak anlamına gelmiyor
10x AI efsanesinin arka planı ve motivasyonları
"10 kat üretkenlik" iddialarının çoğu şu etkenlerden kaynaklanıyor
- Ölçüm hatası yapan iyi niyetli mühendisler
- AI araçlarıyla kısa bir anda patlayıcı bir verimlilik deneyimi yaşanabiliyor (örn. özel ESLint kurallarını otomatik yazdırmak)
- Ancak bu tür işler tekrarlandıkça üretkenlik farkı hızla azalıyor
- Teknik yenilik hissi ve yeni ortama uyum süreci, başlangıçta verimliliğin olduğundan fazla sanılmasına yol açabiliyor
- Teşvikler ve paydaşlar
- AI startup kurucuları, yatırımcılar vb. ticari başarı için abartılı rakamları sık sık dillendiriyor
- Mühendisler ya da yöneticiler de kurum içi beklentilere cevap vermek için abartılı üretkenlikten söz edebiliyor
- Kötü niyetli amaçlar
- Bazı yöneticiler, mühendislerde kaygı yaratarak iş değişikliği, zam talebi gibi kurumsal dalgalanmaları önlemek amacıyla bu abartılı iddiaları yayıyor
- AI yüzünden herkesin kolayca yerinin doldurulabileceği korkusu periyodik olarak yeniden üretiliyor (geçmişteki coding bootcamp tartışmalarına benzer biçimde)
Gerçek açık kaynak ve saha projelerinde AI'ın performansı
- AI üretkenlik artışına dair gerçek örneklerde çoğunlukla yazıyı yazan kişi ile üretkenliğinin arttığı söylenen mühendis arasında bir mesafe bulunuyor.
- AI araçlarını gerçek mühendislerin bizzat kanıtlayarak anlattığı kullanım örnekleri, abartısız ve daha gerçekçi bir tablo sunuyor
- Açık kaynak projelerde AI kullanımının sonuçları çoğu zaman beklentinin altında kalıyor ya da başarısızlık örnekleri olarak ortaya çıkıyor
- Kamuya açık demolar veya gerçek mühendis örneklerinde AI bazen sihirli görünebiliyor, ancak çoğu durumda mevcut "metin üreticilerinden" çok da farklı değil
"Üretkenlik"ten daha önemli değer: Kendi geliştirme tarzını korumak
- AI kullanıldığında bazen daha hızlı kod yazmak mümkün olsa da, yazar hâlâ kod yazmanın kendisinden alınan keyfi daha önemli görüyor
- AI ile kodlamayı sevmiyorsanız ya da bundan keyif almıyorsanız, üretkenliğin bir kısmından vazgeçmeniz sorun değil
- Bir miktar verimsizliği göze alıp kendinize uygun biçimde çalışmak, uzun vadede daha sağlıklı ve daha iyi sonuçlar üretiyor
- İnsan keyif alarak çalıştığında daha iyi problem çözme, tasarım ve ekip arkadaşlarıyla işbirliği mümkün oluyor
- Keyif ve derin odaklanma, uzun vadeli üretkenlik ve kod kalitesi için daha önemli; sadece üretkenliğin peşinden koşmak ise tükenmişlik riskini artırıyor
- Tersine, AI ile kod yazmak gerçekten eğlenceli ve faydalı geliyorsa, bunu aktif biçimde kullanmakta da sorun yok
Daha sağlıklı bir kurum kültürü için öneriler
- AI araçları devreye alınırken, tüm mühendislere gerçek dışı beklentiler yüklemek ve kaygı yaratmak kurum üretkenliğine zarar verir
- Üretkenliği azamiye çıkarma takıntısı, kalite düşüşüne, kod tabanının bozulmasına ve uzun vadeli kayıplara yol açar
- Mühendislere yeterli özerklik ve güven verip, AI kullanımını herkesin kendine uygun şekilde seçmesine izin vermek daha doğru olur
- Kurum içinde AI kullanma fırsatı sunulmalı ama özerkliği güvence altına alan bir ortam korunmalı
- Eğer LLM'ler ve AI kodlama devrimi gerçekten 10 kat üretkenlik sağlarsa, geliştiriciler zaten bunu doğal olarak kendileri benimser
Sonuç
- AI kaynaklı 10x mühendis devrimi bir efsaneye daha yakın; gerçekte kaçırılan gizli bir tarif yok
- Kişinin kendi becerisine ve çalışma tarzına duyduğu güven en önemli unsur
- SNS'ler (özellikle LinkedIn, Twitter) abartılı efsaneleri büyüttüğü için bunları görmezden gelmekte sakınca yok
Henüz yorum yok.