- İç yazılım geliştirme, artık üretken yapay zeka sayesinde uzman olmayan kişilerin de doğal dille tam teşekküllü uygulamalar oluşturabildiği bir döneme girdi
- Geçmişteki low-code/no-code araçları, entegrasyon, güvenlik ve ölçeklenebilirlik sınırları nedeniyle mühendis bağımlılığından kurtulamadı
- Ancak Replit, Lovable ve Vercel v0 gibi yapay zeka tabanlı uygulama oluşturucular, hızlı prototipleme ve kullanıcı odaklı iş akışlarının hayata geçirilmesini mümkün kılıyor
- Sears, Zillow ve Intuit örneklerinde olduğu gibi, mühendis olmayan ekipler doğrudan gerçek operasyonda kullanılabilen onlarca iç uygulama geliştiriyor
- Buna rağmen güvenlik, yönetişim ve entegrasyon hâlâ belirleyici unsurlar; prototiplerin doğrudan üretim sistemlerine uzandığı yeni bir paradigma yaklaşıyor
İç araçların tarihi
- Şirketler uzun zamandır dashboard, iş akışı ve veritabanı gibi iç yazılımlara ihtiyaç duyuyordu
- Lotus Notes, Excel makroları ve Access gibi denemeler oldu, ancak bakım ve ölçeklenebilirlik sorunları nedeniyle sınırlı kaldılar
- 2010’larda cloud ve SaaS yaygınlaştıkça veri kopukluğu derinleşti ve iç araçlar zorunlu altyapı olarak görülmeye başlandı
- Facebook, iç dashboard’lar ve geliştirici araçlarına yatırım yaparak başarı sağladı, ancak şirketlerin çoğunda bunu kendi başına inşa edecek yetkinlik yoktu
- Bunun sonucunda Retool ve Zapier gibi birinci nesil platformlar ortaya çıktı, fakat bunların da sınırları vardı
Low-code/no-code’un sınırları
- Tam self-service eksikliği: Basit otomasyonlar mümkün olsa da karmaşık mantık için hâlâ script gerekiyor
- Entegrasyon ve güvenlik sorunları: Büyük şirket kullanımında RBAC, audit log ve güvenlik sertifikasyonları yetersiz kalıyor
- Ölçeklenebilirlik kısıtları: Büyük veri ve yüksek performanslı UI desteğinde sınırlamalar, API erişiminde kısıtlar var
- Kurumsal sürtünme: Yetersiz dokümantasyon, eksik yetki yönetimi ve shadow IT riski
Üretken yapay zeka ve Text-to-Apps
- 2023’ten sonra, doğal dille uygulama üretimi yapabilen yeni nesil araçlar ortaya çıktı
- Lovable, Replit, Vercel v0, Figma Make ve Bolt; UI, mantık, DB ve deployment dâhil olmak üzere otomasyonu birlikte sunuyor
- Avantajlar:
- Prototip süresi haftalardan birkaç saate iniyor
- Mühendis olmayanlar da gerçek iş uygulamaları geliştirebiliyor
- İlk kullanım örnekleri; dashboard’lar, ticket yönetimi ve API tabanlı otomasyon gibi gerçek iş ihtiyaçlarına dayanıyor
Gerçek örnekler
- Sears Home Services: Uzman olmayan kullanıcılar 50’den fazla iç uygulama geliştirdi (ticket sistemi, SMS bildirimleri, parça sipariş dashboard’ları vb.)
- Zillow: Strateji ekibi, Three.js tabanlı bir satış dashboard’u oluşturdu ve bu araç liderliğin karar süreçlerinde kullanıldı
- Oscar Health: Mühendisler, yapay zeka araçlarıyla sağlayıcı avatarı üretim aracı geliştirdi
- Ostro: Müşteri destek loglarını sınıflandıran ve veri pipeline’larını düzenleyen araçlar kurdu
- Intuit: Ürün yöneticileri, Replit ile gerçek kampanya ve dashboard simülasyonları oluşturdu
Mevcut sınırlar
- Uzman olmayan kullanıcılar hata düzeltmede zorlanıyor; yeniden prompt verme yaklaşımının sınırları var
- İç sistem entegrasyonu sırasında güvenlik incelemesi, kimlik doğrulama karmaşıklığı ve connector eksikliği süreci yavaşlatıyor
- Üretilen kod da sonuçta bakım gerektiriyor
- Yönetişim eksikliği: Erişim kontrolü, denetim ve sürüm yönetimi yetersiz
- Çoğu kullanım hâlâ prototip odaklı; üretim seviyesindeki sistemler için mühendislere ihtiyaç var
- Prompt kalitesi sınırları: Standart dışı tasarım veya mantık gerektiğinde hatalar oluşuyor
İç araçlar ile prototiplerin öncelik farkı
- İç araç geliştirirken: güvenlik, erişim kontrolü, entegrasyon ve yönetişim kritik önemde
- Prototip geliştirirken: UI/tasarım, esneklik ve hızlı iterasyon daha çok öne çıkıyor
Geleceğe bakış
- Üretken yapay zeka araçları henüz mühendislerin yerini almıyor, ancak iç yazılımların planlanma, test edilme ve paylaşılma biçimini değiştiriyor
- Gelişim yönleri:
- Prototipten üretim aracına sorunsuz geçiş
- Saha ekiplerinin anında uygulama oluşturabilmesi
- Her ekibin iş akışına optimize edilmiş özel iç sistemleri doğrudan kurabilmesi
- Bazı şirketler, bu dönüşümü organizasyon genelinde hızlandırmak için iç deployment mühendisi (IDE) istihdam ediyor
Sonuç
- Birinci nesil no-code, erişilebilirlik vaat etmişti; yapay zeka tabanlı araçlar ise hız ve ölçeklenebilirlik sunuyor
- Prototipte kalan iç araçların yakında üretim ortamının temel altyapısına dönüşme ihtimali yüksek
1 yorum
İç kontrol veya denetim sorunları nedeniyle bunun da geliştirici olmayanlar tarafından kullanılmasının pek kolay görünmediğini düşünüyorum. Mevcut LLM'lerin AGI'ye dönüşmesinin imkânsız olduğu ve kodlamada da sınırları bulunduğu giderek netleşirken, dişini sıkıp "hayır, bu gerçekten oluyor" diye ilan edenlerin çoğaldığı anlaşılıyor.