Şu Anda Neler Oluyor?

• Yazılım sektöründe mühendis tükenmişliği derinleşiyor; özellikle junior mühendisler AI araçlarının aşırı kullanımı nedeniyle kod kalitesi ve iş birliğinde sorunlara yol açıyor
• Senior mühendislerin geri bildirimleri bir öğrenme fırsatı olarak değil, AI'a verilecek yeni prompt'lar olarak kullanılıyor ve "AI'ın yazdığı kod" tüm ekibin review kapasitesini tüketiyor
• Bazı organizasyonlarda AI'ın ürettiği eksik kod, sanki bir başarıymış gibi paketlenip sunuluyor ve AI bağımlılığını teşvik eden bir atmosfer oluşuyor
• Yazar, AI kaynaklı kod açıklamaları aldığında bizzat rahatsızlık ve yabancılaşma hissi yaşadığını, AI'ın öğrenme ve mentorluk kültürünü aslında zedelediğini savunuyor
• AI startup ekosisteminin de sonuçta ekonomik verimsizlik, elektrik tüketimi ve çevresel sorunlar nedeniyle sürdürülemez olduğunu; mevcut durumun adeta "kral çıplak" türü bir aldatmaca olduğunu vurguluyor

---

Giriş: Tedirgin edici bir mühendislik ortamı

• Son dönemde mühendisler arasında tükenmişlik giderek ağırlaşıyor
• Organizasyonlarda senior mühendislerden, gerçekte düzgün çalışmayan "hissiyat (meme) tabanlı özellikleri" incelemeleri ve katkı sunmaları bekleniyor
• Benim deneyimime göre en iyi mühendisler, yeni ekip üyelerinin gelişmesine yardımcı olma konusunda her zaman istekli oluyor

• Ancak bu geri bildirimler gelişim fırsatı olarak kullanılmak yerine, junior geliştiriciler bunları sadece üretken yapay zekaya verilecek bir sonraki prompt olarak kullanıyor
• Gerçekten de birçok junior mühendisin LLM (büyük dil modeli) araçlarını (suistimal düzeyinde) kullandığına bizzat tanık oldum

Organizasyon içinde gerçek örnekler: AI suistimalinin zararı

• Yakın zamanda şirket town hall toplantısında junior mühendislerin yeni çalışmalarını sergilediğini gördüm
• Özelliğin amacı ya da nasıl çalıştığı konusunda bile yeterli anlayış göstermiyorlardı
• Ancak büyük ölçekli organizasyonlarda odak, gerçek sonuçlardan bağımsız olarak bir "başarı" görüntüsü üretmeye kayıyor
• Bir senior yönetici bu kişilerin AI kullanım örneklerini paylaşırken, "bu Claude'un yazdığı 4 bin satırlık kod" diyerek bunu gururla anlattı ve alkış aldı

• Ben de mevcut bir özelliğe dair küçük bir iyileştirme talebi alıp kodu incelerken, yakın zamanda değişiklik yapan junior mühendisten bağlam istedim
• Github commit URL'sini gönderip soru sordum; ancak içeriği LLM'e verip dönen yanıtı kopyalayarak bana ilettiğini düşündüm
• Bu süreçte tuhaf bir yabancılaşma ve rahatsızlık hissettim

AI eğimi ve code review'un sınırları

• Bir arkadaşımın deneyimi üzerinden, bir ay boyunca birden fazla mühendisin LLM'in otomatik ürettiği kodu (vibe-coded PR'lar) inceleyip merge etmeye çalışarak zaman kaybettiğini doğruladım
• Başka bir arkadaşım da AI'ın ürettiği "dağınık kodu" tekrar tekrar review etmekten tükendiğini anlattı
• AI sayesinde kod kalitesi ya da öğrenme gelişmiyor; sadece tekrar eden angarya artıyor

Geliştirme kültürü ve insani büyümenin gerçek değeri

• Her mühendis, çalışma arkadaşları ve mentorları sayesinde adım adım gelişir
• Bizzat öğretmek ve insan yetiştirmek, yazılım mühendisliği kültürünün özüdür
• Ancak bu tür yatırımların çıktısının hemen "en yeni model"in eğitim verisine kopyalandığı bir gerçeklikte, insan ister istemez kuşku duyuyor
• O zaman junior mühendis yetiştirmek yerine yalnızca modeli eğitmek mi daha iyi olur sorusunu temelden gündeme getiriyor

• Böyle bir dünya son derece karanlık bir vizyon olurdu.

AI kullanmama deneyi ve sonuç

• Doğrudan, "AI kullanmayı bırakmayı deneyin" önerisinde bulunuyor
• Kendisi de kısa süre önce bilgisayarını sıfırlarken Claude Pro aboneliğini iptal etti
• Birkaç arama, Stack Overflow ve resmi dokümanları okuma süreci, aslında çok daha güvenilir sonuçlara ulaşmayı sağladı
• LLM'in sunduğu sonuçlara kıyasla, kendi muhakememin doğruluk ve güvenilirlik açısından daha üstün olduğu fikrine vardım.

Üretken AI araçlarının ekonomik değeri ve yapısal sınırları

• "AI gerçekten faydalı mı?" sorusunu soruyor
• Nesnel bakıldığında, bu değere dair ciddi soru işaretleri var
• AI startup'larının tipik süreci şöyle işliyor:
  • "AI" mevcut bir alana uygulanıyor ve verimlilik söylemiyle yeni girişimler ortaya çıkıyor
  • AI startup'ları risk sermayesinden yatırım almayı başarıyor
  • AI hizmet sağlayıcılarına (OpenAI vb.) kullanım ücreti ödüyorlar
  • Ancak AI startup'larının kendisi kâr edemiyor
• Sadece bu sürece bakınca klasik VC ekosisteminden çok farklı görünmeyebilir; ama temel fark, hizmet sağlayıcıların da (OpenAI vb.) hâlâ kâr edememesi
• Teknolojinin kendisi yapısal olarak verimsiz ve büyük ölçekte büyümeye elverişsiz
• Aşırı elektrik tüketimi ve çevresel yan etkiler de ciddi bir sorun

Sonuç: Gerçekliği kabul etme ihtiyacı

• Moore yasasının yeniden canlanmasını ya da evren soğumadan herkesin zengin olmasını umut edebilirsiniz
• Ancak gerçeklere bakıldığında, üretken AI işi bir tür yanılsama ve "kral çıplak" durumu olarak görünüyor

[ahwjdekf]

Teknolojinin en uç noktası olan nükleer bombaların ardından çıkacak bir dünya savaşından sonra insanlığın yeniden ilkel çağa döneceği yönündeki kaygı, bugün yazılım geliştirme alanında şu anda yaşanıyor.

[dicebattle]

Bence sadece aşırı vibe coding'i bırakmak yeterli olur. Asistan olarak ve bazı ayrıntılı ama basit algoritmalar yazmada bunun gibisini bulmak zor denecek kadar iyi.

[GN⁺]

Hacker News görüşü

• Yapay zekayı bir kuruma entegre etmenin yalnızca teknik bir mesele değil, aynı zamanda bir değişim yönetimi sorunu olduğu vurgulanıyor. Gerçek etkiyi görmek için, güven ve şeffaflık temelinde çalışan yetkin ekiplerin insan uzmanlığı ile LLM’lerin güçlü yanlarını dengeli biçimde birleştiren süreçler kurması gerekiyor. Küçük ekiplerin yapay zekayla büyük çıktılar ürettiği örnekler de ortaya çıkıyor. Ancak çoğu kurum, özellikle büyük şirketler, sağlıklı bir kurum kültürüne sahip olmadığından yapay zeka bu toksisiteyi daha da büyütüyor. Bazı şirket yöneticileri "Story Point" kavramını yalnızca zaman birimi sanıp yapay zekayı her şeyi yarıya indirecek bir araç gibi görüyor. Temelde, sürdürülebilir yazılım üretme sürecinden kopuk oldukları için yapay zekayı alelacele kâr artıran bir kanal olarak algılıyorlar. Yakın zamanda yayımlanan ve yapay zeka pilot projelerinin %95’inin ROI’ye ulaşamadığını gösteren araştırma da modern yönetimin yetersizliğine bir örnek olarak görülüyor

  • Belki de mesele sadece yapay zekanın abartılmış olmasıdır deniyor. "Küçük ekiplerin yapay zekayla büyük işler başardığı" iddiasında hangi somut ekiplerden söz edildiği merak ediliyor
  • Yapay zekanın sorunlarını sadece "zaten var olan sorunlar" diyerek mazur gören tavra karşı bıkkınlık dile getiriliyor. Yapay zeka kaynaklı ruh sağlığı bozulmaları ya da kurum kültürü sorunlarında aracın kendisinin de sorumluluğu olduğu düşünülüyor. Araçların ve sistemlerin etkisiz ya da sorumsuz olmadığı, aksine ortamı gerçekten etkilediği savunuluyor
  • "Küçük ekipler büyük işler yapıyor" iddiasında somut örnekler yerine yalnızca başarı hikâyeleri anlatılmasının hayal kırıklığı yarattığı belirtiliyor
  • Yönetim yapısının zaten bozuk olduğu yerlere yapay zeka getirmek, Viking sürüsünün eline otomatik tüfek vermeye benzetiliyor. Bunun sadece kurumun çöküşünü hızlandıracağı söyleniyor. Sorunun özü teknolojiden çok, çoğunluğun ya da az sayıdaki kilit yöneticinin toplumsal ve etik başarısızlığı olarak görülüyor
  • "Story Point" kavramını zamanı ölçen birim gibi anlayan yöneticilerin çok olduğu, bugüne kadar karşılaşılan her rolde (geliştirici, QA, PM, yönetici) bu hatanın görüldüğü söyleniyor

• "Prompstitudes"un, yani yalnızca prompt’lara yaslanan beyaz yakalıların ortaya çıkışından söz ediliyor. Bir çalışma arkadaşının, kendi görüşünü tahmin etmiş bir ChatGPT yanıtını doğrudan ilettiği ve bunun makalede anlatılan türden bir "işgal edilmişlik hissi" yarattığı anlatılıyor. Bunların beceriksiz olmaktan çok LLM’lere aşırı bağımlı hâle geldiği, adeta slot makinesi başından kalkmayan kumarhane müdavimleri gibi göründükleri söyleniyor

• Yakın zamanda bir iş arkadaşıyla konuşurken, gelen yanıtın açıkça ChatGPT çıktısı olduğu için rahatsızlık hissedildiği paylaşılmış. Hatta görmezden gelinmenin daha iyi olacağı düşünülmüş. Özellikle LLM’in yanlış şeyleri aşırı özgüvenle savunması sorunu daha da büyütüyor. Küçük ayrıntılar bile (örneğin yapılandırma ile uygulamadaki isimlerin biraz farklı olması) LLM’i tamamen şaşırtabiliyor. İnsanlardan farklı olarak, LLM’ler hatalarından öğrenmediği ya da bunun farkına varmadığı için sürekli yanlış yöne kayabiliyor. Duygusal olarak, kötü insan koduyla uğraşmanın bile daha katlanılır olduğu söyleniyor

  • Geçmişte PRD’leri yapay zekayla yazan bir PM ile çalışıldığı anlatılıyor. İçerik sorulduğunda "bilmiyorum, bunu AI yazdı" cevabı alınıyormuş. Sonuçta PM gerçek fikir aktarımını bırakıp sadece belge üretme performansı sergileyen birine dönüşmüş. Gereksinimleri anlama ve yorumlama yükü tamamen geliştiricinin üzerine kaldığı için ekipten ayrılındığı söyleniyor
  • "LLM aşırı özgüvenle yanlıştı" kısmına katılım ifade ediliyor. Çevrede her şeyi biliyormuş gibi davranan karizmatik iş arkadaşları gibi, LLM’lerin de kulağa makul gelen yanlışlar ürettiği söyleniyor
  • Bu hafta çok tuhaf bir deneyim yaşandığı anlatılıyor. Kendi uzmanlık alanı olmayan teknik bir spesifikasyonla ilgili dahili teklif Claude’a inceletilmiş ve çok sayıda hata işaret edilmiş. Bu durum, "bunları LLM önerdi, saçmalık da olabilir" notuyla kurum içindeki spesifikasyon sorumlusuna iletilmiş. Ancak o kişi de mesajı kendi LLM’ine verip aldığı cevabı tekrar geri göndermiş. Sonuçta herkesin yapay zekanın asistanına dönüştüğü hissi doğmuş. Eğer yazılım geliştirmenin geleceği buysa bunun pek cazip olmadığı söyleniyor
  • Kötü insan kodunun, kötü LLM kodundan çok daha iyi olduğu düşünülüyor. İnsan kodunda en azından ne amaçlandığına dair bağlam çıkarımı yapılabiliyor. Buna karşılık LLM üretimi kod bazen baştan sona bozuk olabiliyor ve hatta var olmayan fonksiyonlar ya da kavramlar uydurabiliyor. İnsanların genelde bu kadar gerçeklikten kopuk kod yazmadığı söyleniyor. LLM kodunu anlamak için tüm codebase’i baştan öğrenmek gerekebiliyor
  • LLM’in "hata yapmadığına inandığı" ifadesine karşı çıkılarak, LLM’in zaten inanma, düşünme ya da hissetme yetisine sahip olmadığı hatırlatılıyor. Yalnızca istatistiksel olarak en olası dil token’larını birleştirip biraz rastlantısallık ekleyerek yaratıcılığı taklit ettiği söyleniyor

• "Yapay zeka araçları gerçekten faydalı mı?" sorusuna yanıt olarak, kendisinin bunları çoğunluktan farklı kullandığı ve bu yüzden yararlı bulduğu söyleniyor. 1983’ten beri yazılım geliştirdiği, şu anda emekli olduğu ve çoğunlukla tek başına çalıştığı belirtiliyor. Pek çok araç denenmiş ama şu anda yalnızca ChatGPT ve Perplexity kullanılıyor. Doğrudan kod yazdırmak yerine, LLM’in önerdiği kod başlangıç noktası olarak alınıyor. Bazen olduğu gibi kullanılsa da çoğu zaman düzenleme ve yeniden yazma gerekiyor. LLM giderek daha kötü çıktılar vermeye başladığında ise bağlantı kesilip yeni bir yaklaşım deneniyor. Bu akış içinde, genç bir mühendisin yalnızca LLM kodunu takip ettiğini hayal etmenin bile ürkütücü olduğu söyleniyor. En büyük değerinin, "anında yanıt veren bir StackOverflow" gibi olması olduğu ifade ediliyor. Ne kadar saçma olursa olsun utanmadan soru sorulabiliyor ve hızlıca makul bir yanıt alınabiliyor. Yakın zamanda iOS’ta PassKey uygulamasını öğrenirken ChatGPT örnek kodu başlangıç noktası olarak alınmış, satır satır anlaşılmaya çalışılmış. İlk yazılan kod ile mevcut tamamlanmış sürümün tamamen farklı olduğu, bu süreç sayesinde teknik anlayışın derinleştiği söyleniyor

  • Kendisinin de yapay zekayı aynı şekilde kullandığı söyleniyor. Başta hiçbir şey bilmediği kişisel bir proje neredeyse tamamlanmak üzere ve artık codebase yeterince anlaşılmış durumda
  • Kendisinin de bunu küçük işler ya da kişisel projelerde benzer biçimde kullandığı belirtiliyor. LLM’in önce "atılacak kodu" yazdığı, sonra bu sınırlar keşfedilirken problem alanının daha iyi anlaşıldığı söyleniyor. Sonunda da kişi çok daha özgüvenli biçimde kendi çözümünü uygulayabilir hâle geliyor

• LLM’lerin teknik soruları yanıtlama ya da yeni yaklaşımlar önerme konusunda çok iyi olduğu düşünülüyor. Yeni başlayanlar bile StackOverflow’daki gibi yargılanmadan ya da duvara çarpmadan rahatça soru sorabiliyor. Copilot’un otomatik tamamlama konusunda güçlü olduğu, kod yazma hızını artırdığı ve yorum satırlarıyla kod satırlarını tamamlayabildiği belirtiliyor. Bu tür küçük yardımların gözden geçirilmesi de kolay oluyor. Ancak LLM’e karmaşık kodu baştan sona bırakınca kaos çıktığı ve sonunda daha çok debug yapmak zorunda kalındığı söyleniyor. Yeni başlayanların LLM’lere aşırı güvenmesi durumunda gerçek geliştirme becerileri edinmelerinin zor olacağı düşünülüyor

• Kişisel olarak Zed’in hobi amaçlı geliştirmede tercih edilmesinin nedeni, yapay zekanın aşırı akıllıymış gibi davranmaması olarak anlatılıyor. Gerekince yapay zeka özellikleri yumuşak biçimde çağrılabiliyor, normalde ise kişi sadece kendi kodunu yazıyor. İş yerinde ise VSCode AI yüzünden fazla rahatsızlık yaşandığı söyleniyor. İki temel sorun var: birincisi etkileşimin çok kolay bozulması (popup’a tıklamak, yanlışlıkla devasa bir otomatik tamamlama eklemek), ikincisi de akışın bölünmesi. Yapay zeka otomatik tamamlaması bazen yararlı olsa da (yaklaşık üçte bir oranında), geri kalan zamanda düşünce akışı bozuluyor ve AI çıktısını kontrol etmek dikkati dağıtıyor. Zed’de bu sorunların olmaması sayesinde programlamanın keyfinin yeniden bulunduğu ifade ediliyor. Sonuç olarak sorunun yapay zeka özelliğinin kendisinden çok uygulanış biçiminde olduğu söyleniyor

  • Zed konusunda güçlü bir katılım ifade ediliyor. JupyterLab ya da Kate ile oyalanırken Zed’e geçildikten sonra bakış açısının değiştiği söyleniyor. Zed’in merkezinde IDE/editörün olduğu, AI ya da Jupyter kernel gibi ek özelliklerin ise yalnızca gerektiğinde sessizce devreye girdiği hissi verdiği belirtiliyor. Bu ek özelliklerin asıl metin düzenleme ve kodlama deneyimini bozmaması takdir ediliyor. Zed ekibinin burada iyi bir denge kurduğu düşünülüyor

• Yapay zekanın UX prototipi üretmek için çok yararlı olduğu düşünülüyor. Kısa sürede tıklanabilir bir çıktı elde edilip, yön bulmak için bunun üzerinde pek çok yineleme yapılabiliyor; ardından bu kod atılıp sıfırdan yeniden geliştiriliyor. Bu yaklaşımın, yanlış yöne erkenden büyük zaman harcamayı önlediği söyleniyor. Ancak hâlâ yapay zekayla baştan sona anlamlı bir uygulama üretmenin uzak olduğu düşünülüyor

  • Normalde sık çalışılmayan alanlarda (örneğin PowerShell script’leri) yapay zekadan çok yardım alındığı söyleniyor. Geçmişte registry ayarlarını raporlayan bir script gerektiğinde Claude’un bunu kusursuz yazdığı ve bir saat kazandırdığı anlatılıyor
  • Benzer şekilde, yapay zekanın hata açıklamaları konusunda çok başarılı olduğu düşünülüyor. Doğru çözüme ulaşmak ya da yeni fikirler üretmek konusunda çok yardımcı olduğu belirtiliyor
  • "Prototipi atıp yeniden geliştirmek" kısmının önemli olduğu vurgulanıyor; fakat gerçekte PM’lerin bunu unutup prototipin doğrudan ürüne girdiği durumların sık yaşandığına dikkat çekiliyor. Yine de birinin bunu iyi kullanan bir yöntemi varsa bunun sevindirici olduğu söyleniyor
  • Bu kullanım senaryosu, süreç ve araçlar hakkında daha fazla ayrıntı duymak istendiği belirtiliyor; çünkü bunun kendisi ve ekibi için gerçekten faydalı olabileceği düşünülüyor

• Yapay zekanın kendisi için sadece bir araç olduğu söyleniyor. Kişi üst seviye bir geliştirici olmadığını, ama kişisel projelerde tıkandığı noktalarda yapay zekadan fikir ve geri bildirim almak için yararlandığını belirtiyor. Önemli olan, kod yazmayı yapay zekaya bırakmamak olduğu söyleniyor; ancak çok basit boilerplate parçaları buna istisna olabilir. Kodun bizzat yazılmasının problem çözme, üretme ve öğrenme sürecinden alınan keyifle ilgili olduğu vurgulanıyor

  • Son projeyi, yapay zeka doğrudan kod yazmasaydı tamamlayamayacağı söyleniyor. Tüm repository kurulumu ve PoC aşamasına kadar, biraz dağınık olsa bile mümkün kıldığı belirtiliyor. Django, JS ve web geliştirme deneyimi olmadan, yapay zeka sayesinde başta kusursuz olmasa da çalışan bir sonuç elde edildiği; sonrasında ise bunu adım adım iyileştirerek anlayışın artırıldığı anlatılıyor

• Yakın zamanda bir iş arkadaşının kod incelemesinde, çok boyutlu dizileri karıştırıp filtreleyen karmaşık bir prepareData fonksiyonu görüldüğü anlatılıyor. Bu fonksiyonun ne işe yaradığı sorulduğunda, zaman kazanmak için LLM’e sorulması tavsiye edilmiş ve bunun karşısında şaşkınlık yaşanmış. Kod incelemesindeki en temel soruya bile yanıt verilmemesinin hayal kırıklığı yarattığı söyleniyor

  • Bunun üzerine, LLM’e sorup gelen cevabı tekrar iş arkadaşına iletmek ve bu geri bildirim döngüsünü 20 kez sürdürmek, sonunda da anlamadığında onun da LLM’e sormasını önermek gibi biraz mizahi bir fikir ortaya atılıyor

• On yıl sonra yeni geliştiricilerin hiç kod yazma deneyimi edinmeden doğrudan kıdemli olmaya çalışacağı endişesi dile getiriliyor

  • Aslında bu durumun yapay zekadan önce başladığı söyleniyor. On yıldan az deneyimle işe girmesi zor bir yapının oluştuğu ve sektörün genç kuşakların beceri gelişimini desteklemede başarısız olduğu belirtiliyor. Şirketlerin düzenli olarak yeni mezun yetiştirmeye çalışsa bile, her kriz döneminde önce onları işten çıkarıp sonra yeniden yalnızca kıdemli çalışan aramasının bu kısır döngüyü yarattığı ifade ediliyor
  • Artık üç yıl deneyimi olanın bile kıdemli sayılabildiğine dair bir şaka yapılıyor; on yıl değil, üç yılda bile staff engineer olunabilecek bir havadan söz ediliyor
  • "Vibe coding" kavramının yaklaşık dokuz ay önce ortaya çıktığı, iki yıl geçmeden insanların artık kodu kendilerinin yazmayacağı ya da bakımını yapmayacağı öngörülüyor
  • Buna rağmen, uzmanlığı olan geliştiricilerin yazdığı yazılımların her zaman var olacağı ve LLM kodu kusursuz hâle gelmedikçe yüksek kaliteli koda olan talebin süreceği söyleniyor
  • Genç geliştirici sayısının çok fazla olduğu, fakat onların gerçek deneyim kazanabileceği kadar değerli problem bulunmadığı için bir üst aşamaya geçmelerinin zorlaştığı düşünülüyor. Eskiden en azından PoC ya da script işleri ucuza onlara verilebiliyordu; ancak artık yapay zekanın bu işleri idare edebildiği için fırsatların azaldığı söyleniyor. O zamanlar da junior sayısının fazla, pozisyonların ise az olduğu ekleniyor

[happyiminjay]

İlk geliştirme aşamasında ortam kurulumu ve küçük function birimleri düzeyinde module geliştirmede yapay zeka çok etkili, ancak bunun dışındaki, koda ve prompt'lara abanılan vibe coding yaklaşımı bakım perspektifinden bir felakettir. İlk birkaç denemede başarılı olabilir, ama sonunda her sorun çıktığında yapay zekanın kendi sorununu çözmesine kadar N kez denemek zorunda kalırsınız ve o çözümün başka hangi bug'lara yol açacağını bilememenin korkusu sürekli sürer.

[ulsoft]

Geliştiricinin yeteneğine bağlı olarak
Temeli olan biri kullanırsa yapay zekadan yararlanarak yüksek kaliteli geliştirme yapabilir
Temeli yoksa iş bambaşka yerlere gider
Aşçının temelinin olup olmaması arasındaki fark gibi