AI kodlama iddialarının yanılsaması: Neden 'shovelware' patlaması görünmüyor?

 (mikelovesrobots.substack.com)
21 puan yazan GN⁺ 2025-09-04 | 8 yorum | WhatsApp'ta paylaş
  • Son dönemde AI kodlama araçlarının üretkenliği artırdığı yönündeki iddialar verilerle incelendiğinde, gerçekte hızda ya da çıktı miktarında kayda değer bir artış olmadığı görülüyor
  • METR araştırmasına göre geliştiriciler AI kodlama araçlarının üretkenliği %20 artırdığına inanıyordu, ancak gerçekte %19 düşüş yaşandı
  • Sayısız reklam söylemi ile şirketlerin ve geliştiricilerin abartılı 10 kat üretkenlik iddiaları, piyasa gerçeklerine ya da yeni yazılım sürümlerine yansımıyor
  • Shovelware (seri üretilmiş uygulamalar, düşük kaliteli yazılımlar) artışı gibi bir olgu gözlemlenmiyor; yani görünür bir değişim yok
  • GitHub, Copilot, Cursor, Google, OpenAI gibi şirketler ile bazı geliştiricilerin üretkenlik abartısı, yatırım, yeniden yapılanma ve maaş belirleme süreçlerinde kötüye kullanılıyor
  • Ana sonuç: “Gerçekte daha fazla yazılım üretilmediği sürece, AI kodlamanın geliştiricileri 10 kat verimli yaptığı iddiası bir kurgudur”; bu nedenle geliştiriciler baskıya boyun eğmemeli ve verilerle yanıt vermelidir

Giriş: Yazılım geliştiriciler AI kodlamaya öfkeli

  • Uzun yıllardır yazılım geliştiricisi olarak yaşayan yazar, programlamayla ilgili güçlü bir gurur ve kimlik duygusuna sahip
  • AI tabanlı kodlama araçları ilk çıktığında umutluydu, ancak son araştırmalar (METR) nedeniyle artık şüphe duyuyor
    • Kendisi AI kodlamanın onu yaklaşık %25 daha hızlı yaptığını düşünüyordu, ancak METR araştırması tam tersine %19 yavaşlattığını gösterdi
  • İlgili araştırma, geliştiricilerin AI araçlarının verimliliğine dair öznel algısıyla ölçülen gerçek verilerin tamamen zıt olduğunu ortaya koyuyor
  • Kendi yaptığı deneylerde de AI kullanımının gerçek programlama süresine olumlu etki etmediğini hissettiğini aktarıyor

Doğrudan doğrulama: AI ile rastgele karşılaştırmalı deney

  • İş bazında AI kullanıldığında ve kullanılmadığında oluşan zaman farkını (Delta) ölçen bir deney yöntemi uygulandı
  • 6 haftalık deneyden elde edilen veriler, istatistiksel olarak anlamlı bir fark ortaya koymadı
  • Küçük örnekleme rağmen, AI kullanımının gerçekte %21 daha yavaş olma eğilimi gösterdiği görüldü (METR araştırmasıyla aynı oran)
  • Eğer gerçekten 2 kat ya da 10 katlık bir iyileşme olsaydı, bunun verilerde açıkça görünmesi gerekirdi
  • Bugünkü AI kodlama hayali gerçekleşmiyor; pratikte kayda değer bir değişim yok

Beklenti ve gerçeklik: Neden shovelware patlaması yok?

  • AI kodlamadaki üretkenlik devrimi gerçek olsaydı, her türden uygulama, servis ve oyun patlama yaşamalıydı
  • Pek çok AI kodlama aracının pazarlama mesajı (“Built to make you extraordinarily productive” vb.) ortalığı kaplamış durumda
  • Google, OpenAI, GitHub Copilot gibi şirketler de geliştiriciler için %25 hız artışı ya da 10 kat üretkenlik iddiasında bulunuyor
  • Ancak gerçek yeni yazılım sürümü verilerinde (GH Archive, BigQuery vb.) dik bir büyüme ya da patlama görülmüyor
  • 2022 sonrası AI kodlama araçlarının yaygınlaşmasına rağmen, dünya genelindeki yeni sürüm ve proje sayılarında büyük bir değişiklik yok

Pazar etkisi ve geliştirici gerçeği

  • AI-First stratejileri, FOMO, toplu işten çıkarmalar ve geliştirici maaşlarının düşürülmesi gibi sektör içinde toplumsal etkiler bile ortaya çıkmış durumda
  • Gerçek geliştirme ortamlarında AI araçları bir üretkenlik devrimi sunamıyor
  • Öğrenme eğrisi ya da araç uzmanlığı da mutlak üretkenlik farkını açıklamaya yetmiyor
Reklam

Sonuç: Soğukkanlı, veri temelli değerlendirmeye ihtiyaç var

  • Şu ana kadar yeni yazılım sevkiyatında bir değişim olmadığını verilerle doğrulamak temel nokta
  • AI ile 10 kat geliştirici olunduğu iddiasını destekleyen bir kanıt yok
  • Geliştiriciler baskıya teslim olmamalı ve araç seçimlerini bizzat doğruladıkları verilere göre yapmalı

Sık gelen itirazlara yanıtlar

  1. "Prompt tekniğini düzgün öğrenirsen 10 kat geliştirici olursun"

    • Gerçekten 10 kat üretkenliğe ulaşanlar olsaydı, dünya çapındaki yeni yazılım üretimi iki katın çok üstüne çıkmış olurdu
    • İddialardan çok nesnel çıktılar (uygulamalar, projeler vb.) önemli kanıttır

  2. "Daha çok erken, zamana ihtiyacı var"

    • Milyarlarca dolar yatırım yapıldı ve araçlar gerçek iş ortamında zaten kullanılıyor
    • Bugün alınan kararlar insanların hayatını doğrudan etkiliyor

  3. "Şimdi benimsemezsen geride kalırsın"

    Reklam
    • GitHub Copilot verilerinde bile uzmanlık arttıkça görülen gerçek üretkenlik artışı son derece sınırlı (%29 → %34 kabul oranı)

  4. "Miktar aynı kaldı ama kalite arttı"

    • Sektör genelinde kalite aslında geriliyor ve testler de azalıyor
    • Gerçekten 10 kat geliştirici aracı olsaydı, shovelware seli yaşanması gerekirdi

  5. "Her şey artık web sitesi merkezli; bugünlerde alan adları kimsenin umurunda değil. Vercel gibi yerlerin alt alan adları her şey oldu"

    • Hâlâ bağımsız alan adını tercih eden çok sayıda kullanıcı var
    Reklam

  6. ".ai alan adlarındaki patlama (bu yıl %47) = gerçek artış"

    • Yeni alan adı artışı sadece AI girişimlerinin pivot etmesinden kaynaklanıyor; genel yeni alan adı sayısında bir patlama yok
    • Toplam alan adı sayısı açısından tablo böyle değil

  7. "Geliştirmenin özü kod dışındaki işlerdir"

    • Büyük şirketler dışındaki bireysel/küçük ölçekli geliştirici ortamlarında kod gerçekten merkezde yer alıyor
    • Hâlâ küçük kodlama isteklerini tatmin eden yeni projelerde dikkat çekici bir artış görünmüyor

Kapanış

  • Geliştiriciler gerçekte daha fazla ürün yayımlamıyor
  • AI kodlamanın 10 kat üretkenlik sağladığı iddiası verilerle çürütülebilir
  • Sektördeki FOMO ve pazarlama anlatılarının etkisine kapılmak yerine, gerçek çıktılar üzerinden değerlendirme yapılmalı
  • Yazarın mesajı: “Baskı hissediyorsanız veri ve grafikleri gösterin. 10 kat üretkenlik iddiası için kanıt isteyin.”

İlgili okumalar

8 yorum

 
ahwjdekf 2025-09-07

10x geliştirici, yapay zeka yardımıyla belki 12x seviyesine sıçrayabilir.
 
overthetop 2025-09-06

Yapay zeka bir yanılsama. Güvenilir değil ve seviyesi de düşük. Yapay zekayla geliştirme yapılabileceği iddiası abartılmış bir yalan. Mümkün değil. Ve yapay zeka kullanmak, geliştiricinin etiğini bir kenara bırakan sorumsuz bir davranış.
 
nemorize 2025-09-06

Basit tekrar eden işleri tamamen yapay zekaya bırakıp, daha önemli işlere bütünüyle odaklanabileceğimiz bir seviyeye gelinirse, o zaman yapay zekanın kod yazma verimliliğini artırmada gerçekten büyük fayda sağladığını söyleyebiliriz diye düşünüyorum.

Bir komut verdiğinizde onlarca saniye bekledikten sonra çıktı geliyor; ama o onlarca saniyeyi verimli kullanmak da mümkün olmuyor, ayrıca o süre bittiğinde her zaman kusursuz bir çıktı beklemek de mümkün değil.

Sonuçta ben, o basit iş tamamen ve hatasız bitene kadar sürekli dikkatimi üzerinde tutmak zorunda kalıyorum ve başka bir işe de geçemediğim için... anlamlı bir iyileşme beklemek zor oluyor.
 
nemorize 2025-09-06

Açıkçası, Karrot’ta saatlik 10 bin won verip birkaç saat sadece basit işleri yapacak bir yarı zamanlı çalışan bulmanın, verimliliği artırmak açısından daha faydalı olduğunu düşünüyorum.
Haftada yaklaşık 100 bin wonluk bir harcamayla bile ben şahsen oldukça memnun kaldım.

Özellikle muhasebe işi yaparken işi bırakıp tam zamanlı ev hanımı olan birkaç hanımla da çalıştım; kodlamayı hiç bilmeyen kişiler bile birkaç kez geri bildirim verdikten sonra işi çok temiz şekilde çıkarıyorlar haha
Boilerplate kodları da Excel kullanarak otomatik doldurma, formüller falan sayesinde göz açıp kapayıncaya kadar hazırlayabiliyorlardı...
 
zxcv123 2025-09-05

Hmm... Dürüst olmak gerekirse, yapay zeka da sonuçta bir araç olduğu için onu iyi kullanmak gerekiyor.
Hangi araç olursa olsun, iyi kullananlara kıyasla onu sadece şöyle böyle kullanan ya da düzgün değerlendiremeyen insanların sayısı daha fazla.
Yapay zekayı kaliteli sonuçlar üretecek şekilde ayarlarsanız, yeterince ezici bir performans gösterebilir.
Bence yapay zekayla kaliteli sonuç ürettirmeyi bilmeyen insanlar sadece aptalca promptlar yazıp duruyor ve sonra da verimliliğin düştüğünü söylüyor. Yapay zekanın üretkenliğini inkâr etmeyi gerçekten hiç anlayamıyorum.
 
kirrie 2025-09-05

Ama bunu bu şekilde söylemeniz, “gerçek CS'yi derinlemesine anlayıp yeterli uzmanlık kazanmış bir kişi, herhangi bir yapay zekadan daha üretkendir.” demek gibi; sanki hiçbir şeyi kanıtlamıyor.
 
ndrgrd 2025-09-04

Kısa süre önce bahsedilen METR araştırmasına bakmıştım; benim hissettiklerimi ve kafamdaki soruları oldukça iyi açıklayan bir sonuçtu.

Hacker News yorumlarında geçen "tekrarlı işler"i yaptırsanız bile, aslında çoğunda manuel kontrol ve düzeltme gerekiyor.
Yapay zekanın yazdığı "basit" sonuçlardaki darmadağınık mantığı görüp de "bunu ben yapsaydım daha iyiydi" diye düşündüğüm bir iki kez olmadı.

Gerçekten basit, kopyala-yapıştır düzeyindeki işleri elbette iyi yapacaktır.
Ama öyle durumlarda zaten doğrudan kopyala-yapıştır ve snippet'ler daha verimli. İnternete bağlanıp verilerimi başkasının sunucusuna yüklemem ve her seferinde onlarca saniye beklemem de gerekmiyor.
 
GN⁺ 2025-09-04
Hacker News görüşü

  • Bana göre AI çan eğrisi gibi; birçok kişi için de benzer olduğunu düşünüyorum. Çıktıyı hangi ölçüte göre değerlendirdiğimiz önemli. Ölçüt “kod satırı sayısı” değil, “iyi kalitede, bakımı yapılabilir, ölçeklenebilir ve yükseltmesi kolay kod satırı sayısı” olmalı. Bu ölçüte göre “tüm repo’yu oluştur” gibi isteklerin sonucu anlamsız çöp olurken, AI’ın getUser(... gibi kodları otomatik tamamlaması üretkenlik artışıdır. Bunun %0,1 mi, %1 mi yoksa %10 mu olduğu konusunda net bir şey söyleyemem

  • Benim açımdan en ciddi sorun şu: Şirkette şu an uğraştığım problemler dikkatli planlama ve uygulama gerektiriyor, ama AI hiçbir şekilde yardımcı olmuyor. Buna rağmen yöneticimiz “biz AI-first bir şirketiz” diyerek proje teslim süresini önceki tahminin %20’sine indirdi. SVP’ler ve PM’ler arasında böyle bir toplu çılgınlık inanılmaz yayılıyor ve ben daha önce böyle bir şey görmedim

    • Yöneticinin proje teslim süresini ilk tahminin %20’sine düşürdüğünü söylemesi gerçekten akıl dışı. Biri böyle gerçek dışı bir rakam uydurup gerçeğe dönüştürüyor. Sonunda olmazsa suçu bana atacaklar, yukarıdakiler de o yöneticiden hesap soracak. AI gerçekten üretkenliği artırıyorsa gereksiz geliştiricileri azaltabilirler, ama bu ancak LLM’ler geliştirme sürecine başarıyla yerleştikten sonra yapılacak bir şey. Hatta yatırımları da AI balonuna karşı S&P 500’den çekmeli miyim diye düşünmeye başladım
    • Eğer incident müdahalesini bile LLM’e bırakabiliyorsak, CEO’nun istediğini yapmasına izin verip bunun getireceği itibar kaybını da göze almak gerekir. Başarısız olursa da LLM’in yazdığı koddan önceki noktaya git ile döneriz diye düşünüyorum. Yarısı şaka yarısı ciddi
    • Mevcut AI seviyesi geliştiricilerin yerini alacak düzeyde değil, ama daha önce otomatikleştirilmesi zor olan birçok ofis işi ve yöneticilik rolünü otomatikleştirecek kadar iyi bence. Google gerçekten de AI yüzünden orta kademe yöneticiliği ciddi ölçüde azalttı gibi görünüyor; geliştiricileri ise o kadar azaltmış gibi durmuyor
    • AI, teknik liderlikten yoksun yöneticilerin geliştiricilere baskı yapması için bir bahaneye dönüşüyor

  • Aynı anda birden çok şey doğru olabilir. LLM’ler rastgele seçilmiş genel görevlerde geliştirici üretkenliğini 10 katına çıkarmıyor. Öte yandan belirli bir görev aralığında üretkenliği dramatik şekilde artırıyorlar. Yoğun ve tekrarlı işleri otomatikleştirmekte de kullanılabilirler; gerçek süre insanlardan uzun sürse bile iş arka planda çalıştığı için bu sorun olmuyor. Yeni API ya da kütüphaneleri öğrenirken LLM’ler ciddi biçimde hız kazandırıyor; bilmediğim bir dilde küçük glue kodları yazarken zaman kazandırıp gereksiz öğrenme ihtiyacını da ortadan kaldırdığı için çok faydalı oluyor. Büyük mevcut kod tabanlarının bakımında pek üretkenlik farkı hissetmiyorum. Yeni bir web sitesi için iskelet kurulumunu LLM şaşırtıcı derecede iyi yapıyor. Mock class yazımında da, mock kütüphanesinin kullanımını doğru kavrayıp benim iki kez yapıp sonra unuttuğum karmaşık işleri anında hallediyor. Yeni bir kod tabanının yapısını anlamada da yaklaşık %70 oranında tatmin edici sonuç veriyor. Karmaşık tasarlanmış projelerde HTTP route’larının nerede olduğu ya da dependency injection fonksiyonlarının nerede bulunduğu gibi konularda da “hey Claude, auth ile ilgili fonksiyonlar nerede?” diye sormak rahat oluyor. Doğru aracı doğru işte kullanmak gerektiğini düşünüyorum

    • Yeni API ya da kütüphaneleri öğrenmenin LLM sayesinde çok hızlandığı hissine katılıyorum, ama LLM’in cevabına bakıp belgeleri de bizzat okuyunca bazen teamüllere uymadığını, sadece basit örnekleri zorladığını ve yanlış özellikler kullanarak çalışan ama tuhaf ya da gereksiz karmaşık yollar seçtiğini görmek kaygı verici. Büyü gibi geliyor ama fazla güvenince gerçekte doğru anlamadığın halde anladığını sanma yanılgısına düşmek çok kolay
    • “Yoğun ve tekrarlı işleri LLM’in arka planda otomatikleştirmesi” ile tam olarak ne kastedildiğini merak ediyorum. AI savunucularının pratikte hangi işlerde başarı sağlandığına dair net ve somut örnekler vermesi gerektiğini düşünüyorum. Bu muğlaklıktan giderek yoruluyorum
    • “LLM yeni API’leri ve kütüphaneleri hızlı öğrenmeyi sağlıyor” ifadesinin daha doğru olması için bunu “zaten uzun süredir var olan kütüphane ya da API’lerle ilk kez karşılaşıldığında” şeklinde değiştirmek gerekir gibi geliyor. Gerçekten yeni kütüphane ve araçlarda LLM çoğu zaman pek yardımcı olmuyor

  • Videolarda ekrana kodun aktığı ve “junior geliştiricilerin işi bitti” denmesinin ötesinde çoğu zaman elle tutulur bir şey yok. Bence bunun nedeni ekonominin istikrarsız olması ve AI’ın kurtarıcı olacağı beklentisiyle abartı ve kaygının havayı kaplaması. Elbette AI ile etkileyici sonuçlar alınan anlar var, ama temelde belli bir yetkinlik yoksa anlamsız kalıyor. Başlangıç ile orta seviye arasındaki kişiler sosyal medyada abartılmış başarı hikâyeleri yayıyor. Herkesin kendi “AI süper gücünü” korumaya psikolojik ve pratik olarak çabaladığı bir atmosfer oluşuyor. Sonunda hype döngüsünde bir noktada denge bulunacak ve yeniden onlarca milyar doların yakılacağı günü bekliyoruz

    • Benim deneyimimde AI araçları tamamen boş projelerde, yani blank canvas durumunda, gerçekten parlıyor. Örneğin yeni bir React projesi oluştururken araç bunu benden daha hızlı kuruyor. Ama gerçek iş reposunda neredeyse işe yaramıyor. Bu yüzden AI araçları demolar ve pazarlamada inanılmaz etkileyici görünürken gerçek hayatta geriye çoğunlukla hayal kırıklığı kalıyor
    • Bunu iyi kullanmak için “elleriyle yeterince manuel yapmış kadar deneyimli olmak” mı gerekiyor, yoksa AI araçlarına ve sınırlarına alışık olmak mı, yoksa ikisi birden mi, merak ediyorum
    • AI hakkındaki abartılı anlatılar çoğu zaman derinliği olmayan makale özetlerini okuyup bunun çok yakında gerçeğe dönüşeceğini söyleyen popüler bilim medyası haberlerine benziyor

  • Benim deneyimimde AI bazı ufak işlerde işe yaradı; örneğin küçük refactoring’ler, type tanımlarını otomatikleştirme gibi. Ama daha karmaşık işlerde birçok şeyi atladı ve yeniden çalışma gerekti. Gelecekte bu sözlerimi yeniden düşünmek zorunda kalabilirim, ama son dönemde daha az deneyimli mühendislerin büyük özellikler geliştirmeye çalışırken AI’ın ürettiği sonucu sorgulamadan “iyi kod” kabul etmesi daha sık görülüyor. Oysa bu kodlar ya bizim stil rehberimizi ve kalıplarımızı izlemiyor ya da mevcut kütüphaneleri kullanmak yerine mantığı sıfırdan yazıyor; sonuçta bakımını bizim yapmak zorunda olduğumuz kod artıyor. Hatta sonradan her şeyi tek seferde yapmaya çalışan dev PR’lar bile çıkabiliyor

    • Tamamen yeni yazılmış kod için, bazen 50 satırlık bir kod parçası uğruna büyük bir kütüphane çekmektense onu doğrudan yazmanın daha faydalı olduğunu düşünüyorum. Bu yönü olumlu
    • Bu kodların ve kütüphanelerin varlığını tespit etme, yani “keşif”, hâlâ çözülmesi gereken bir ödev. Ekip üyelerinin iç kodu kendi başlarına kullanabilmesi için belgelemeyi ya da aramayı LLM’e dayandıran yöntemler de araştırılıyor. İç kütüphane bilgisinin belli kişilerde yoğunlaşması düşündürücü
    • Giriş aşamasındaki geliştirmede durum farklı oluyor. Projenin başında henüz kodlama stili ya da kriterler oturmadığından, LLM’in ürettiği sonuç ekip üyelerinin önerilerinden çok da farklı olmuyor. Kodu sadece demo aşamasına kadar getirmek bile değer taşıyor. Birden fazla projeyi hızla demo seviyesine çıkarmakta büyük bir itici güç sağlıyor

  • Buradaki iddiaya katılıyorum. AI kullansam da üretkenlikte çarpıcı bir artış görmedim. Yazılım mühendisleri düzenli olarak problem çözme, ayırt etme ve kodlama pratiği yapmazsa sinirsel bilgileri zayıflayabilir diye düşünüyorum. AI’ın gelecekte 2 kat ya da 10 kat üretkenlik getirecek bir teknoloji olduğu vaadinin somut bir karşılığı yok ve kişisel kod tabanlarında az miktarda üretkenlik artışı olmuş olsa bile piyasada gerçekten daha iyi ürünlerin daha fazla çıktığını görmedik. Danışmanlık yaparken kurucuların ve CTO’ların AI’ı zorlayıp sonunda kodu doğru düzgün yönetemeyip daha fazla kaosa yol açtığını sık sık görüyorum. Bugünlerde mühendislik best practice’lerini yerleştirmek için danışman rolü üstlendiğim de çok oluyor

    • Çoğu teknolojide olduğu gibi, uygulama ve tekrar kesildiğinde insanın hissi köreliyor. Bisiklete uzun süre binmeyince bedenin paslanması gibi, kodlama yeteneği de gerçekten zayıflıyor. Bunun IT mühendisliği için de geçerli olduğuna inanıyorum. Ciddiye alınması gereken bir uyarı işareti

  • CEO’lar AI sayesinde mevcut geliştiricilerin üretkenliğinin 10 kat arttığını söylüyor, ama eğer bu gerçekten doğruysa daha çok geliştirici işe almaları gerekmez mi diye düşünüyorum. Aynı yatırımla üretkenlik 10 kat artıyorsa, o “motora” daha fazla para akıtmak gayet mantıklı olurdu. Ama sahada sanki üretkenlik aynı kalırken yalnızca iş gücü maliyetini düşürmeye odaklanılmış gibi görünüyor

    • Kâr marjı düşüyorsa, sonunda değer iş gücü maliyetinden çıkarılmaya çalışılır. AI’ın çekiciliğinin %99’u iş gücü tasarrufu ve işe alım bunun tersine gider. Ben de AI üretkenliği iddialarına katılmıyorum ama bu tür bir motivasyon olduğunu belirtmek istiyorum
    • Birçok C-level yöneticinin kalan çalışanları da AI ile değiştireceğini umduğu izlenimi var. “AGI çok yakında gerçekleşecek” anlatısına inanıyorlar. Ben buna inanmıyorum ama o bakış açısından bakınca neden daha fazla geliştirici işe almadıklarını anlamak zor değil
    • Sanırım bugün “azalan getiri yasası”nın ne olduğunu öğreneceğiz. Bir organizasyona koyabileceğiniz insan ve kaynak miktarının bir sınırı var. İhtiyacın ötesindeki katkı anlamsız hale gelir. İşten çıkarmaların artmasının nedeni AI’ın verimliliği artırması; bir insanın yaptığı iş miktarını AI karşılayabildiğinde istihdam da o kadar azalır. Bu, bir insan = bir AI demek değil; iş yükü AI’a kaydıkça insan sayısı azalıyor. İnsanların tamamen yer değiştirmesi bitmiş değil ama ne kadar insana ihtiyaç duyulacağı yeni arz-talep ölçütü olacak. Yaratıcı insanlara her zaman daha çok ihtiyaç olacak, fakat onlardan az var. Yıllık 100 bin ila 200 bin dolar isteyen yazılım mühendisleri arasında, şirkete ne kadar tasarruf sağlayabileceklerini bilmeyen çok kişi var. Okul eğitiminin yaratıcılığı öldürdüğünü de düşünüyorum. Sorun yetenek eksikliği değil; kendi yönünü tayin etme ya da fikir üretme gücünün eksikliği

  • Yeni ürün çıkış sayısına bu taze açıdan bakan analiz etkileyici. Hızlı büyüme yerine beklenenden daha az değişim olduğu hissine katılıyorum. Karşı görüş olarak, belki de darboğaz aslında kod yazımı değildi; ne inşa edileceğini keşfetmek ve onu gerçek platformlara taşımak başlı başına çok zaman ve emek isteyen kısımdı. Öte yandan AI araçlarını yanlış kullanmak da fazla kolay. Bazen “nihayet anladım!” derken ertesi gün “yine başka bir şekilde yanlış kullanıyormuşum” diye fark ediyorsun. Yazılım geliştirmenin neden bu kadar zor olduğu ve üretkenliği hızlandırmanın neden bu kadar güç olduğu, 20 yıldan fazla süredir geliştirme yapıyor olsam da hâlâ tam net değil

    • “Darboğaz kod yazımı değildi” içgörüsü gerçekten çok güçlü. Yazılımda asıl değer “zor problemleri” çözmekten geliyor; kolay problemler ise zaten her yerde şablon gibi mevcut. LLM kolay problemleri hızla bitiriyor ama gerçek darboğaz hâlâ “zor” problemlerde. Teknik nedenler, iş nedenleri, müşteri kaynaklı nedenler yüzünden zor problemler LLM ile düzgün çözülemiyor ve asıl kazanç da burada yatıyor. Buna karşılık şablonlaştırılabilen kolay problemler için LLM gerçekten üretkenlik sağlıyor
    • Yazılım teslimatında darboğaz hiçbir zaman kodlama olmadı. AI sadece şirketlerin küçülmesi için gerekçe ya da yatırım toplamak için bir vitrin olarak kullanılıyor
    • Ürün geliştirmede kullanıcıdan tekrar tekrar geri bildirim alma, istisna durumları düzeltme gibi zaman isteyen süreçleri AI olsa bile kısaltmak zor. Bu da yazılımın neden 10 yıl sürdüğünü anlatan joelonsoftware.com yazısıyla bağlantılı

  • O geleceği şu anda biz inşa ediyoruz. Benim gerçekten hızlanmaya başlamam, agentic AI yeterince iyi hale geldikten sonra, yani 4-5. aydan itibaren oldu. Sadece bugün bile iMessage arşivini bir web sitesine aktaran bir CLI aracı yaptım; eskiden haftalar sürecek bir işi şimdi bir iki günde homebrew formula’sıyla birlikte çıkarabilecek gibiyim. iOS uygulaması da elde yazarak ilerlemeye kıyasla çok daha hızlı gidiyor ama ben bilerek yavaş ilerliyorum. Bu arada söz konusu gönderideki veriler 3-4. ayda bitiyor; bence üretken AI’ın kodlama konusunda gerçekten faydalı olmaya başlaması tam da bu noktadan sonra oldu. (Copilot’ı 2022 Kasım’ından beri kullanıyorum)

    • Bu tartışma her çıktığında “sen daha en yeni AI’ı denememişsin, bu kez gerçekten iyi oldu” tepkisinin tekrarlanması şaşırtıcı
    • Benim deneyimim de neredeyse aynı. AI heyecanına geç katıldım ama son çıkan yeni model ve araç kombinasyonlarını kullanınca fikrim değişti. Çevremde büyük şirketler bu araçların kullanımına daha yeni izin vermeye başladığı için, gerçek üretkenlik verilerinde ciddi bir gecikme olacağını ve etkinin daha sonra ortaya çıkacağını tahmin ediyorum. METR araştırmasıyla ilgili bazı hayal kırıklıklarım da var; bu tür üretkenlik üzerine daha fazla meta çalışma görmek isterim
    • Katılıyorum. Agentic AI, “geleneksel” AI’dan tamamen farklı bir araç. Bir yıl sonra yazarın verileri ve deneyleri nasıl sonuç verecek, gerçekten merak ediyorum
    • “AI sonunda hızlandı” denilen anın aslında sadece 5 ay önce olması ilginç. AI hızında 5 ay, 6 yıla denk bir değişim gibi hissettiriyor

  • Bir zamanlar tam zamanlı geliştiriciydim; sonra yönetici ve CTO olarak çalıştıkça yazılımın günlük pratiğinden giderek uzaklaştım. Yeniden kod yazmaya kalkınca framework’leri, API’leri, dilleri ve küçük püf noktalarını baştan öğrenmek eskiden ilginç gelirdi ama şimdi sinir bozucu oluyor. Fakat Claude Code gibi araçlar ve yazılım tasarımı deneyimim sayesinde, eskiden yaptığım gibi büyük sistemleri tekrar geliştirmek mümkün hale geldi. Üretkenliğim %20 artmadı, 10 kat da hızlanmadı. Zaten hiç yapmayacağım bir işi yeniden yapmamı sağladığı için buna sonsuz üretkenlik artışı demek istiyorum. Eğer geliştirmeyi seven ve çok yetkin biri olsaydım bu araçlar bana sadece baş ağrısı olurdu; ama normalde geliştirme yapmayacak biri için durum tam tersi

    • Vay, büyük sistemleri bir değil birden çok kez yeniden geliştirmiş olman etkileyici; keşke daha ayrıntılı örnekler paylaşsan
    • Benim AI kodlama araçlarına dair büyük teorim şu: Asıl yaptıkları şey gerçek zamanı dramatik biçimde kısaltmak değil, can sıkıntısını büyük ölçüde azaltmak. Söz dizimi, derleyici ve tekrar eden işlerin yarattığı gereksiz bıkkınlığı alıp gerçekten önemli olan şeye odaklanmayı sağlıyor. Bu sayede eskiden fazla can sıkıcı olduğu için yapmayacağım işleri artık yapıyorum ve iş çıkışı yürüyüşe çıkmak yerine masada birkaç saat daha kalabiliyorum