- 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
10 yorum
10x’i gerçekten 10 kat diye yorumlayan biri var mıydı? Ben tabii ki bunun pazarlama/kendini PR etme amaçlı abartılı bir ifade olduğunu düşünüyordum ama bunun bu kadar ciddiye alınması şaşırtıcı.
10x olmasa bile Nx konusunda ciddi bir inanca sahip olan organizasyonlar epey var. İnsan maliyetini ai maliyetiyle ikame edip bunun da ötesinde performans beklemek gibi…
Bunun temelsiz bir yanılgı olmadığını gösteren şey de şu: pm basit bir poc gibi bir şeyi denemek istiyor, tekrar eden iş araçları gibi şeyler de şıp diye ortaya çıkıyor.
O yüzden geliştiriciler arasında buna inanan var mı?.. Ben, içinde bulunulan duruma göre insanların yeterince kaygı duymasına yol açacak kadar sektör atmosferinin buna doymuş olduğunu düşünüyorum.
Geliştirici olmayan pozisyonlarla ve organizasyon yöneticileriyle iletişim kurabilmek için bile bu tür ciddi tartışmaların gerekli olduğunu düşünüyorum.
Elbette üretkenliğe yardımcı olan şeyleri reddetmiyorum. (Şu anki yapay zeka seviyesinde) 10x gibi bir şeyin tabii ki mantıklı olmadığını düşünüyorum; ama asıl yazının içeriği açıkça "10 kat olmaz" demek olduğu için bu bana epey tuhaf gelmişti ve bu yüzden bu yorumu yazdım, fakat ifadelerim pek iyi olmamış olabilir.
AI üretkenliğinin pazarlama/kişisel PR amaçlı abartılı bir ifade olduğunu söylediğiniz gibi, bence söz konusu yazı da bir miktar abartı içeriyor.
Bu yüzden 10x’i gerçekten 10 kat olarak yorumlayan biri var mıydı meselesi biraz açık arama gibi bir izlenim verdiğinden, sanırım bu yüzden tepki çekti.
Görünüşe göre asıl metni okumadan yanıt yazmışsınız; çünkü asıl metnin hiçbir yerinde mesele gereğinden fazla ciddiye alınmıyordu...
Yazarın geliştirdiği, YouTube viral fikirlerini bulmaya yarayan DataTube.tv’nin Viewtrap’e kıyasla "onlarca kat" daha fazla kullanım aldığını söylemesi de elbette pazarlama/kendini PR etme amaçlı abartılı bir ifade, değil mi?
Çevrimiçi ortam olduğu için mi bilmiyorum, yoksa normalde de böyle misiniz, ama yorumların çoğu eleştirel bir bakışla yazılmış gibi görünüyor.
Biraz daha açık bir bakış açısıyla yaklaşmanızı isterim.
Yapay zeka abartısı varsa bunun tersinin de olduğunu düşündüğüm için, ana metin hakkında pek bir fikrim yok ama...
Bu yorum biraz ürkütücü; geçmişte yazdığım gönderilere kadar gidip bakıp sonra yorum yazmanız, hele bugün yeni üye olmuşken, korkutucu.
Yorumunuzu gördükten sonra kendi geçmişime baktığımda da özellikle utanılacak tek bir yorumum bile yok gibi görünüyor; mesele eleştirel bir bakış açısıyla yaklaşmak mı? Sizin gibi hiç yorum yapmamak mı iyi yaşamak oluyor...
Ne? 10 kat sayısını aya çevirecek kadar bile hesaplamıştım... "fazla ciddi olmak" ifadesi sizi rahatsız ettiyse anlayabilirim. Ama Datatube'un onlarca katı nicel bir ölçü. Zaten gerçi şu an işletmiyor olsam da...
Hacker News görüşleri
Neden özellikle yazılım mühendisliğinde "10x üretkenlik" efsanesine bu kadar takıntılı olunduğunu anlamıyorum; makine, elektrik, inşaat ya da kimya mühendisliğinde böyle bir kavram yok
Harika bir mühendis, riski azaltabilen ve çeşitli kısıtlar içinde sistem tasarlayabilen kişidir
Tasarım; alanı modeller üzerinden anlamak, modelin geçerli olduğu aralığı ve sınırlarını kavramak demektir
"10x" diye bir şey yok; sadece iyi bir sistemden sorumlu olmak var
Eğer bir "10x" yazılım mühendisi varsa, veri sızıntısı gibi olayları engelleyen kişi olurdu; ben asıl böyle olayların 10 kat azalmasını görmek isterim
Ben de bu yazının önemli bir kısmına katılıyorum
Yapay zeka araçlarıyla geliştirme yapmanın büyük bir hayranıyım ama 10x üretkenlik iddiası bana ikna edici gelmedi
LLM sayesinde kod yazma gibi bazı işler 2 ila 5 kat hızlandı ama bu, işin tamamının sadece bir kısmı
Gerçekte birçok mühendis bazı belirli görevlerin %20 ila %50 hızlanabileceğini düşünüyor ama bunun toplam üretkenlikte %20 artışa ya da 10x sıçramaya dönüşmediği konusunda hemfikirim
Elbette yapay zekayı gerçekten çok iyi kullanan biri 0,2x'ten daha fazla üretkenlik artışı hissedebilir ama yazılım geliştirmenin özündeki karmaşıklık nedeniyle 10x çoğu durumda gerçekçi değil
Yapay zekayı kullanırken sürekli başında durmam gerekiyor; bu yüzden çok verimli hissettirmiyor
Copilot'un önerileri bazen düşüncelerimle kusursuz biçimde örtüşüp beni etkiliyor ama genel olarak çok yetenekli bir junior geliştiriciden çok, "sarhoş bir senior geliştirici" gibi; pek söz dinlemiyor
Üretilen kodun yarısı derlenmiyor bile; derlense de düzgün çalışmıyor
Deneyimime göre yapay zeka, yeni bir şey yaratma tarafında muazzam üretkenlik artışı sağlamıyor ama keşif, öğrenme, tıkandığın noktaları açma ve tekrarlı kod yazımı gibi konularda çok yardımcı oluyor
Ama asıl değişim yan projelerde ortaya çıkıyor
Eskiden yorgun olduğum için ek işlerime pek zaman ayıramazdım; şimdi kusursuz kod olmasa da fikirleri daha hızlı ve daha az zihinsel eforla gerçeğe dönüştürebiliyorum
Yapay zeka mühendisliği becerilerini de teslim tarihi, gizlilik, araç kısıtları olmadan özgürce deneyebiliyorsun
"10x mühendis" denilen kişilerin bile yapay zekadan gelen üretkenlik artışının sınırlı olacağını düşündüğünü sanıyorum
Tanıdığım en iyi geliştiricilerin iki temel özelliği var: muazzam bir hafıza ve her dilin/kütüphanenin ince ayrıntılarını ezbere bilmeleri; bir de adeta mucizevi bir yaratıcılık ve problem çözme yeteneği
Formül ya da teoriyi bilmeseler bile, soruna en uygun özgün ve temiz çözüme ulaşmaları etkileyici
Yapay zekayla pair programming yaptığında, benzer çözüme varmak için yapay zekanın sonsuz deneme ve tekrar yapması gerekiyor; bu da dahiyane insanın hızını düşürüyor
Ama yetkinlik yelpazesi o kadar geniş ki, benim açımdan yapay zeka sayesinde 10 kat üretkenlik artışı mümkün olabiliyor
Benim ana alanım yazılım değil ve mükemmeliyetçiliğim yüzünden çok yavaş geliştiriyorum; yapay zeka sayesinde berbat bir ilk sürümü hızla çıkarabiliyorum, bu da fikirleri hayata geçirmek için çok faydalı
Ben de yapay zeka asistanlarının geliştirilmesini destekliyorum ve bazı durumlarda 2x ila 10x hız artışının mümkün olduğunu düşünüyorum
Ama çoğu zaman "10x" üretkenlik, baştan sona bir özelliği hayata geçiren tüm geliştirme sürecinin 10 kat hızlandığı anlamında abartılı biçimde kullanılıyor
Gerçekte tüm geliştirme sürecinin birçok bölümü (kodlama dışı olanlar) 10 kat hızlanmıyor
Yine de gerçekten küçük ya da tek kişilik çalışma ortamlarında birçok zahmetli sürecin atlanabilmesi, pratikte ciddi hız artışı sağlayabiliyor
Bu bağlamda küçük ekiplerin ve tek başına geliştirmenin bir anda rekabet gücü kazandığı bir döneme girdik
Simon'un yorumuna teşekkürler
Bu yorum gerçekten yazıyı okumuş gibi hissettiriyor
Dil ya da araca özel bazı işlerde gerçekten 2 kat üretkenlik artışı yaşandığını kabul ediyorum
On yıllardır yazılım geliştirmeyi otomatikleştirme hayali vardı ve LLM'lerin bunu bambaşka bir yoldan gerçekleştirdiğini hissediyorum
Eski CASE araçları, UML, IDE'ler vb. "asıl mantığa odaklanmanı sağlayacağız" diye söz veriyordu; LLM ise doğrudan doğal dilden çalıştırılabilir kod üretiyor
Birçok geliştirici, eski geçiş ritüellerinin yıkılmasından ve yeni dünyada geride kalmaktan dolayı kaygılı; bu da bir tür impostor sendromu yaratıyor
Artık yazılım mühendisliğinin ne olduğu sorusunu yeniden soruyoruz
LLM, önceki CASE araçlarının nihai biçimi gibi ama bu süreç fazla hızlı, karmaşık ve yıkıcı oldu
Yazılım mühendisine ait o "kutsal dili" bilmeyen insanlar da güç kazandı; bu da birçok mühendisi "Ben şu anda aslında ne yapıyorum?" diye kökten sorgulamaya itti
Sanırım artık sanatçıların Stable Diffusion'ı gördüğünde ne hissettiğini anlayabiliyorum
Yapay zekanın ürettiği kod sonuçta sık sık yanlış oluyor; bol hatalı, bol bug'lı ve tuhaf alışkanlıklarla gereksiz şeylerle dolu
Tüm bunları düzeltmek bazen doğrudan kendin yapman kadar zaman alıyor
Farklı modeller denesen ya da prompt'u iyileştirsen de, gerçekten istediğim yüksek kaliteli kod hâlâ erişilemez gibi geliyor
Stable Diffusion'da ayrıntıya dikkat etmeyenlerin bir şeylerin tuhaf olduğunu fark etmemesi gibi, yapay zeka koduna aşina olmayanlar da sorunlu olduğunu anlamıyor
Geçenlerde şirketten bir arkadaşın yazdığı kod bana garip geldi; bakınca debugger bile çalışmıyordu ve her yer problem doluydu, o da "sadece hisle kodladım" diye itiraf etti
Son dönemde dünyaya bakınca sermayenin emeği giderek daha fazla yıktığını hissediyorum
Düşük ücretler, kötü çalışma koşulları, gözetim, metrik baskısı, etik dışı şirketler, kısa süreli sözleşmeler… çoğu emekçinin karşı karşıya olduğu gerçeklik giderek kötüleşiyor
Biz bugüne kadar fazlasıyla korunmuş olduğumuz için bunu tam hissetmemiş olabiliriz ama artık biz de istikrarsız bir gelecekle yüz yüzeyiz
"Yazılım mühendisliği" sonunda vibe'ı düzeltme işine dönüşecek
Birçok iş yazılımla değiştirilebilir olsa da, yöneticiler doğrulanmış değer göremediklerinde SWE istihdam etmeye zaten isteksizdi
Yapay zeka devreye girince yöneticiler anlayamadıkları tonla kod üretecek; üç yıl sonra hepsi bozulunca SWE'leri geri çağırıp düzelttirecekler
Hatta böyle "yapay zekanın çözemediği sorunları" çözen yüksek zorluklu / yüksek değerli işler daha da çoğalabilir
LLM'ler resmî model ya da diyagram olmadan doğrudan kod üretiyor
Ben ise tam tersine, yapay zekanın bu tür resmî tasarımları ve diyagramları üretmesini isterim
Bu tür araçlar kodu anlama ve tasarımı netleştirme açısından faydalı
Keşke yapay zeka bu kısmı da desteklese
Yazılım geliştirmenin darboğazı yazma hızı ya da üretim değil; doğrulama ve anlama
LLM hiç saçmalamadan, yani halüsinasyon üretmeden kusursuz çalışsa bile, vicdanlı bir geliştirici kodu tek tek gözden geçirmek zorunda
İnsanlar kodu 10 kat daha hızlı anlayamadığı için, otomatik üretilen kodu geri izlemek ve saklı niyetleri çözmek bazen daha bile uzun sürebiliyor
"10x üretkenlik" ancak çıktıyı doğrulamadan olduğu gibi geçiriyorsan ya da hatanın önemli olmadığı çok basit kodlarla uğraşıyorsan geçerli
Hatanın felaket anlamına geldiği production yazılımlarda darboğaz hâlâ insanın bilişsel kapasitesi; LLM yükü yazımdan incelemeye kaydırdığı için toplam üretkenlikte hatta eksi yazabiliyor
Bu tartışma bana ortalama geliştiricilerin kendi üretkenliğini ele verdiği hissini veriyor
Projenin teknolojisini anlayıp işi iyi parçalara bölebiliyorsan, kod karmaşıklığını önceden tahmin edip yapay zekaya uygun boyutlarda işler verebilirsin
Yapay zeka sihir değil; üretebileceği karmaşıklığın bir üst sınırı var
Bu sınırı ve yaptığın projenin teknolojisini iyi anlarsan, bileşenleri o sınırın altına inecek şekilde parçalayarak yapay zekaya yönlendirebilirsin
Bu yaklaşım oldukça iyi çalışıyor
Bu neredeyse totoloji
Yapay zekanın iyi çalışması için talimatı basitleştirirsen, tabii ki daha iyi çalışır
Ama pratikte yapay zekaya aşırı ayrıntılı talimatları kaşıkla vermek gerekiyor ve buna rağmen sonucu dikkatle yeniden kontrol etmeden güvenemiyorsun
Hatta işi ufak parçalara ayırıp yapay zekaya anlatmak, bazen kodu doğrudan yazmaktan daha zahmetli olabiliyor
Yapay zeka şans eseri doğru cevabı ilk seferde verirse verim sağlıyor ama gerçekte çoğu zaman tekrar tekrar düzeltmek ya da en sonunda her şeyi yeniden yapmak gerekiyor; bu da zaman ve emek kaybı
Yapay zekanın düzenli, güzel görünen kodu gerçekte yanlış olabildiği için tehlikeli
Gerçekten zor ve zaman alan kısım, karmaşık kısımların tasarımı
Basit kısımlar sadece girdiyi vermekle yapılabilir ama karmaşık kısımları çözmek asıl zaman tüketen iş
Bu yorumun altında "Kendimi ortalamanın üstünde bir geliştirici olarak mı görüyorum?" gibi bir ton seziliyor
Aslında tam tersi de olabilir
Yetersiz geliştiriciler anlamsız otomatik PR'lar gönderip yapay zekanın sonucuna hayran kalırken, çıtası yüksek geliştiriciler o sonucu etkileyici bulmayabilir
Gerçekte biriyle çalışmadan güvenilir insanları ayırt etmek zor olduğu için ben tarafsız kalıyorum
Hem yapay zekanın hem insanların sınırları var
Sonuçta gereken şey sıkıcı proje yönetimi
Gereksinimleri, tasarımı ve yeterli bilgiyi düzgün verip işi küçük parçalara bölersen, yapay zekaya "GitHub issue #42'yi uygula" deyip televizyon izlerken süreci takip edebilirsin
Ama "bana Facebook yap" dersen, tabii ki sonuç felaket olur
Yapay zekanın çok yardımcı olduğu bir başka alan da bug bulma
Ben çoğunlukla sayısal simülasyon işleri yapıyorum; günlerce takıldığım bir sorunu, birkaç parantez eksikliği yüzünden formülün ölçeğinin bozulduğunu, dosyayı ve belirtileri ChatGPT'ye anlatarak hızla çözebildim
Yapay zeka bazen benim kaçırdığım noktayı çok net biçimde işaret ediyor
Bu seni 10x geliştirici yapmıyor ama doğru kullanırsan büyük bir olumlu etki hissediliyor
Benim de deneyimim benzer
Yapay zekayla kod üretmek eh işte ama debugging gerçekten büyük bir üretkenlik sıçraması
Bir tür çok zeki "rubber duck" gibi
(Hobi geliştiricisi bakış açısından) LLM sayesinde gece geç saatlerde kafam çalışmazken geliştirme yapmak çok daha kolaylaştı
Ben de yapay zeka sayesinde sayısız saat kazandım
Benim için bu, 10x ile sonsuzluk arasında bir yerde gibi
Kendimi 10x mühendis olarak görmüyorum
Şirkette iş arkadaşlarımdan daha üretken olmamın nedeni sistem tasarımını düşünmem ve iş gereksinimlerini belirsiz ticket'lar olarak geldiği hâliyle körü körüne izlememem
Yapay zekanın iş arkadaşlarımı daha etkili hâle getirememesinin sebebi, onların işleri baştan karmaşıklaştırma alışkanlığını değiştirememesi
Yapay zeka bu sorunu çözmüyor
Şirkette maaşım iş arkadaşlarımdan 2 kat fazla olmadığı için böyle düşünüyorum
Yapay zeka araçlarını kullanmaya başlamak bu gerçeği değiştirmiyor
Bu yazı, "10x" gibi aşırı yüksek bir çıta koyup yazarın onu aşmaya yönelik kişisel denemelerini kaydetmesi gibi geliyor
Bu yüzden yazarın yapay zeka destekçilerini üç gruba ayırdığını düşünüyorum: yanılanlar, satanlar ve kaygıdan faydalanan kötü yöneticiler
Kişisel olarak "halüsinasyon" şikâyetlerini biraz "sinyal" olarak görüyorum
Halüsinasyon meselesinden bahsetmenin gerekli olduğunu düşünüyorum
LLM tartışmaları fazla uçlara savruluyor: ya tamamen işe yaramaz deniyor ya da geliştiricilerin yerini alacağı söyleniyor
Örneğin Claude 4 Sonnet bir keresinde clang derlemesiyle ilgili bir konuda Godbolt'un yanlış olduğunu hatalı şekilde iddia etmişti
Buna rağmen o oturumun geneli bana çok yardımcı oldu; sadece sonuçlara eleştirel yaklaşmak gerektiğini unutmamak lazım
Halüsinasyonlar gerçekten var ve çıktılara karşı her zaman tetikte olmak gerekiyor
Yorumun için teşekkürler; yazdığın yapay zeka yazıları impostor sendromunu aşmamda bana yardımcı olmuştu
Yazıda sınıflandırma sadece "arka arkaya 10x başarı yaşadım" diyen kişilere yönelikti; tüm yapay zeka destekçilerini aynı kefeye koymuyordu
Gerçekten halüsinasyonu tamamen ortadan kaldıran bir yöntem bulup bulmadığını merak ediyorum
Özellikle Terraform gibi alanlarda LLM'ler var olmayan property'ler uyduruyor; JS tarafında da nadir kütüphaneler kullanıldığında yanılmalar sürüyor
Eğer "halüsinasyon" şikâyetleri bir sinyalse, bu düşüncenin kendisi de bir sinyaldir…
(kısa itiraz)
Bu 10x standardı, sektör genelinde kullanılan abartılı pazarlama dilinin bir parçası
Örnek: Sam Altman'ın 10x iddiası
Cursor AI üretkenlik tanıtımı
AI-augmented 10x geliştirici
Web uygulaması yapmayı bilmeyen birinin, günde 4 saatten 6 hafta boyunca çalışıp (120 saat) ancak bir tane çıkarabildiğini varsayalım
Bunun yerine Claude Code gibi yapay zeka araçlarını kullanıp aynı web uygulamasını iki günlük bir hafta sonunda (12 saat) yaparsa, üretkenlik 10 kat artmış olur
Bu, benim başıma gelen şeye oldukça benziyor
Eskiden motivasyon ya da enerjim olmadığı için yapamadığım işleri, artık yapay zeka sayesinde hafta sonunda bitirebiliyorum
Ama ilk yöntemde bir öğrenme süreci var; bu da sonraki değişikliklerde fayda sağlayabilir
Aslında Claude Code gibi bir yapay zekaya React dışı bir web uygulaması scaffold ettirirsen sonuç darmadağın oluyor
Uygulama geliştirme deneyimi olmayan biri, bir hafta sonunda yüksek kalitede bir uygulamayı kolayca tamamlayamaz
İlk kullanıcı girişi bile her şeyi anında bozabilir
Uzun vadede bu hesabın anlamlı olmadığını düşünüyorum
LLM ile başta hızlıca uygulama yaparsın ama bakım becerin giderek zayıflar; bir noktada karmaşıklaşmış sistemi artık "context window" içine sığdırıp yönetemez hâle gelirsin
Sonuçta üretkenlik sıfıra bile yaklaşabilir
Burada beyni ve öğrenme deneyimini tamamen dış kaynak kullanımıyla devretmiş oluyorsun; uygulama ortaya çıkıyor ama büyüme ya da öğrenme neredeyse hiç olmuyor
Bunu doğrudan production'a mı alacaksın?
Gerçekte aynı düzlemde değiller
1x geliştiricinin çıktısını ölçmek bile zor; bunun katlarını hesaplamak daha da anlamsız
Bence yapay zeka özellikle "yan görev üretkenliğini" ciddi biçimde artırıyor
Sürekli üşenip ertelediğim işleri yapmak için ideal: mockup hazırlama, test yazma, kütüphane çıkarma, dokümantasyon vb.
Özellik geliştirme süresini kısaltmasa bile bu yan işleri de tamamlayınca ortaya çıkan sonuç biraz daha tamamlanmış oluyor
Umarım bu ek işler gelecekte bug bulma süresini de azaltır
(Kişisel deneyim)
Sadece benim durumum olabilir ama bizim şirkette LLM ile yazılan test kodlarının implementation koduna aşırı sıkı bağlanması çok yaygın
Test spy gibi pattern'lerin aşırı kullanımı var
Sonuç olarak kullanıcı açısından davranışı test etmek yerine iç implementasyon detaylarını kontrol eden belirsiz testler çoğalıyor
Testler implementasyon değişiklikleriyle çok sık kırıldığı için, üretkenlik aracı olmak yerine yük hâline geliyor
Bu sadece LLM sorunu değil; zaten test yazmayı iyi bilmeyen geliştiricilerin sorunu LLM ile daha da büyüyor
TDD ve iyi tasarlanmış test kodu deneyimi az olan geliştiricilerde LLM bu anti-pattern'leri güçlendiriyor
"Yan görev üretkenliği" ifadesi hoşuma gitti
Yapay zeka, "bin ölümcül kesik" değil; daha çok "bin yara bandından oluşan yeni bir hayat" gibi
"Yan görev" fikrine katılıyorum
Aslında yapay zeka olmasa hiç yapmayacağım araçları ya da özellikleri, yapay zeka sayesinde yapabilir hâle gelmem en büyük değişim
Yani sadece 2 hafta kazanmıyorum; daha önce var olmayan bir çıktı ortaya çıkıyor
LLM'lere yönelik beklenti gerçeğin üstünde ama pratikte çok farklı durumlarda gerçekten faydalılar
"Zoom seviyesi" açısından bakınca, "vibe coding" gibi kaba bir üretimden başlayıp "şu fonksiyonu yazar mısın" gibi daha küçük parçalara indikçe sonuçların çok daha iyi olduğunu gördüm
Kod üretmenin dışında yeni teknolojiler öğrenmek gibi başka kullanım alanlarında da etkililer
Rolüm toplantı ağırlıklıysa ya da yönetsel işlerim fazlaysa, LLM'lerden aldığım fayda azalıyor
Gelecekte PR workflow'ları, commit düzenleme ve sıralamayı yeniden kurma gibi işlerde de LLM'lerin kullanılabileceğini düşünüyorum
Açıkçası, sırf durmadan "olmaz", "gerçekleştirilemez" diyen mühendislere karşı çıkmak için bile kullanılsa, sanki 10x etki yaratacak gibi görünüyor.
Geliştirici olmayanlara cahil muamelesi yapıp koşulsuz şekilde olmaz diyen manzaralara sık sık tanık oldum.