Yapay zeka Anthropic’te işi nasıl değiştiriyor

• Anthropic içinde mühendis ve araştırmacılardan oluşan 132 kişiyle yapılan ankete göre Claude merkezli yapay zeka iş birliği, çalışma biçimlerinin genelini değiştirirken üretkenliği ve iş kapsamını aynı anda genişletiyor.
• Çalışanlar işlerinin %59’unda Claude kullanıyor ve ortalama %50 üretkenlik artışı hissettiklerini söylüyor; ortaya çıkan çıktı miktarı belirgin biçimde artarken zaman kullanımı da yeniden şekilleniyor.
• Claude sayesinde, Claude destekli işlerin toplam %27’si normalde yapılmayacak işlerden oluşuyor; prototipleme, dashboard, test ve dokümantasyon gibi “ertelenen işler”in de ele alındığı görülüyor.
• Öte yandan teknik yetkinliğin zayıflaması, mentorlukta azalma ve kodlama zanaatının kaybı konusundaki endişeler de büyüyor; insanların giderek yapay zeka ajanlarının yöneticisi ve denetleyicisi rolüne kaydığı bir akış ortaya çıkıyor.
• Genel olarak yapay zeka, geliştiricileri “daha full-stack ve daha çok iş yapan kişiler” hâline getirirken, uzun vadeli kariyer yolları, öğrenme yöntemleri ve organizasyon kültürü konusunda belirsizliği ve uyum ihtiyacını da aynı anda artırıyor.

---

Genel bakış

• Anthropic, yapay zekanın iş gücü piyasasına etkisine dair mevcut makro araştırmaların ardından, bu kez kendi mühendis ve araştırmacıları üzerinde yapay zekanın gerçek işi nasıl değiştirdiğini görmek için iç araştırma yürüttü.
  • Bu çalışma, 2025 Ağustos itibarıyla 132 mühendis ve araştırmacıyla anket, 53 nitel görüşme ve Claude Code kullanım log verilerinin birlikte analizine dayanıyor.
  • Analiz sonucunda, geliştiricilerin daha fazla iş çıkarabildiği ve daha çeşitli alanlarda çalışabildiği, ancak buna paralel olarak teknik derinlik, iş birliği ve kariyer geleceği konusundaki kaygıların da arttığı görülüyor.
• Anthropic mühendisleri Claude sayesinde daha full-stack’e yakın roller üstleniyor, öğrenme ve yineleme döngülerini hızlandırıyor ve daha önce ertelenen işleri de tamamlıyor.
  • Aynı zamanda bu genişleme, derin teknik yetkinlikte düşüş ve denetim becerilerinde zayıflama yaratabileceği yönünde endişeleri de beraberinde getiriyor.
• Anthropic, kendilerinin en yeni araçlara ilk erişen özel bir ortamda bulunduğunu kabul etmekle birlikte, bu iç dönüşümü ileride daha geniş toplumsal ve endüstriyel değişimlerin habercisi olarak görüyor ve erken gözlemin anlamlı olduğunu savunuyor.
  • Araştırma sırasında en güçlü modellerin Claude Sonnet 4 ve Claude Opus 4 olduğu, sonrasında model performansının gelişmeye devam ettiği belirtiliyor.
• Genel tabloda üretkenlik artışı ve işin genişlemesi ile birlikte, teknik uzmanlığı koruma, anlamlı iş birliğini sürdürme ve belirsiz geleceğe hazırlanma gibi konular aynı anda öne çıkıyor; Anthropic içinde de buna yönelik çeşitli girişimler yürütülüyor.
  • Ayrı bir yazıda yapay zekayla ilgili ekonomi politikası fikirleri de tartışılıyor; bu yazıysa ağırlıklı olarak kurum içindeki iş ve rol değişimlerine odaklanıyor.

Temel bulgular

• Anket verilerine göre Anthropic mühendisleri Claude’u ağırlıklı olarak debugging ve kod anlama için kullanıyor; kullanım oranı ile hissedilen üretkenlik artışı son bir yılda 2 ila 3 kat seviyesine çıkmış durumda.
  • Claude destekli işlerin toplam %27’si normalde yapılmayacak işler kategorisine giriyor; proje genişletme, dashboard ve keşif amaçlı deneyler gibi ek çalışmalar bunları oluşturuyor.
  • Çalışanların çoğu Claude’u sık kullansa da, tamamen devredilebilir işlerin oranının %0 ila %20 düzeyinde olduğu yanıtı veriliyor; yani aktif denetim ve doğrulama hâlâ şart.
• Görüşmelerde insanların yapay zekaya iş devretme sezgisini zamanla geliştirdiği görülüyor; doğrulaması kolay, düşük riskli, sıkıcı ve tekrarlı işlerin önce devredilmesi ortak bir örüntü olarak ortaya çıkıyor.
  • Claude sayesinde teknik spektrum genişleyip full-stack’e yakın bir yetkinlik kazanılırken, derin kodlama ve debugging pratiğinin azalmasının temel becerileri zayıflatabileceği yönünde kaygılar da bulunuyor.
  • Claude’un iş arkadaşlarına sorulan soruların önemli bir kısmının yerini almasıyla, mentorluk ve akranlardan öğrenme fırsatlarının azalması ve insani ilişkilerin zayıflaması konusunda da çok sayıda endişe dile getiriliyor.
• Claude Code kullanım loglarında iş zorluğunun artması, art arda araç çağrılarının çoğalması ve insan dönüşlerinin azalması aynı anda gözlemleniyor; böylece giderek daha karmaşık görevlerin daha az müdahaleyle devredildiği doğrulanıyor.
  • 6 ay içinde yeni özellik geliştirme ile kod tasarımı/planlama oranı belirgin biçimde arttı; toplam işlerin %8,6’sı da papercut fix gibi, uzun süredir ertelenen küçük kalite iyileştirmelerinden oluşuyor.
  • Takım bazında Pre-training, Alignment & Safety, Security ve teknik olmayan ekipler dahil olmak üzere herkes, Claude’u kendi uzmanlık alanlarının dışına taşan işlerde kullanıyor; böylece herkesin bir miktar daha full-stackleştiği görülüyor.
• Looking forward bölümünde Anthropic, yapay zekayla birlikte çalışmanın en iyi uygulamaları için bir laboratuvar olma hedefini ortaya koyuyor ve iş birliği biçimlerini yeniden tasarlama, kariyer gelişimini destekleme ve yapay zeka kullanımında best practice’ler oluşturma yönündeki sonraki adımlarını paylaşıyor.
  • Araştırmayı mühendislik dışındaki rollere genişletmenin yanı sıra, CodePath gibi dış eğitim kurumlarıyla iş birliği yaparak CS müfredatını yapay zeka çağına uygun şekilde yenileme çalışmaları da sürüyor.

Anket verileri

• Claude’un kullanım amaçları

  • Ankete katılan 132 mühendis ve araştırmacı temel alınarak, Claude’un kullanım amaçları debugging, kodu anlama, refactoring, veri bilimi, frontend, tasarım/planlama gibi başlıklara ayrıldı ve sıklıkları incelendi
    • Katılımcıların %55’i Claude’u her gün debugging için, %42’si kodu anlama, %37’si ise yeni özellik geliştirme için her gün kullandığını söyledi
    • Buna karşılık yüksek seviyeli tasarım, planlama, veri bilimi ve frontend geliştirme tarafında işlerin toplam hacmi görece daha düşük ve insanların bunları doğrudan kendilerinin yapma eğilimi daha yüksek olduğu için günlük kullanım oranının düşük olduğu açıklandı
  • Bu dağılım, ileride sunulan Claude Code gerçek kullanım loglarındaki iş dağılımıyla da büyük ölçüde örtüşüyor; debugging, kodu anlama ve yeni özellik geliştirme temel kullanım eksenleri olarak öne çıkıyor

• Kullanım miktarı ve üretkenlik

  • Çalışanlar, 12 ay önce işlerinin %28’inde Claude kullandıklarını ve yaklaşık %20 üretkenlik artışı hissettiklerini hatırlarken, bugün işlerinin %59’unda Claude kullandıklarını ve ortalama %50 üretkenlik artışı yaşadıklarını belirtti
    • Bu, bir yıl içinde hem kullanım oranında hem de üretkenlik artışında 2 kattan fazla yükseliş anlamına gelen bir değişim olarak değerlendiriliyor
    • İçeride ayrıca mühendis başına günde merge edilen ortalama PR sayısının %67 arttığı göstergesi de paylaşılıyor ve bunun Claude Code’un şirket geneline yaygınlaştırıldığı dönemdeki değişimle örtüştüğü belirtiliyor
  • Anket analizinde, Claude kullanım miktarı arttıkça öz bildirimle aktarılan üretkenlik artışının da büyüdüğü bir korelasyon görüldü; katılımcıların %14’ü ise %100’den fazla üretkenlik artışı yaşayan “power user” olarak sınıflandırıldı
    • Ancak araştırmacılar da üretkenliğin ölçülmesinin son derece zor olduğunu, öz bildirim verilerindeki yanlılıklar ve iş kategorisi sınıflandırmasının sınırları bulunduğunu özellikle belirtti
    • METR’nin dış araştırmasında geliştiricilerin AI yardımı alırken üretkenlik artışını abartma eğilimi gösterdiği görülmüştü; Anthropic ise kendi durumlarında AI’ın daha az devreye girdiği alanları bilinçli olarak filtreledikleri için fark oluşabileceğini açıkladı
  • Çalışanlar, Claude desteği alan her iş kategorisinde harcanan sürenin bir miktar azaldığı, ancak çıktı miktarının belirgin biçimde arttığı bir örüntü bildirdi
    • Debugging, kodu anlama ve refactoring gibi kategorilerin çoğunda süre azalması yanıtları baskın olsa da, aynı anda ‘süre artışı’ yanıtlarının da hatırı sayılır düzeyde olması kutuplaşmış bir görünüm ortaya koyuyor
    • Süre artışı yaşadığını söyleyenler başlıca neden olarak Claude’un yazdığı kodu debug etme ve toparlama yükünü, AI’ın yazdığı kodu anlamak için gereken ek bilişsel yükü ve daha fazla keşif ile öğrenmeye yönelmiş olma durumunu gösterdi
    • Araştırma, azalan zamanın nereye yeniden yatırıldığını ve bunun iş dışı faaliyetleri de kapsayıp kapsamadığını bu veriyle net biçimde söylemenin mümkün olmadığını vurguluyor ve daha fazla araştırma gerektiğinin altını çiziyor

• Claude’un mümkün kıldığı yeni işler

  • Çalışanlar, Claude sayesinde yaptıkları Claude destekli işlerin yaklaşık %27’sinin aslında normalde hiç yapmayacakları işler olduğunu söyledi
    • Buna proje ölçeğini büyütme, interaktif veri panosu gibi nice-to-have araçlar geliştirme, dokümantasyon ve test gibi tekrarlı ama faydalı işler, maliyetine göre verimi düşük olan keşif amaçlı deneyler de dahil
    • Küçük kalite sorunlarını (papercut) giderme işleri, bakım yapılabilirliği artırmaya yönelik refactoring ve işi hızlandıran küçük script’ler ile araçlar da bu kategoriye giriyor
  • Bir araştırmacı, birden fazla Claude sürümünü aynı anda açıp farklı yaklaşımları paralel biçimde keşfettiğini anlattı ve bunu “tek bir yüksek performanslı model yerine aynı anda çok sayıda ‘atı’ koşturmak” benzetmesiyle ifade etti
    • Bu paralel keşif sayesinde fikir tarama genişliğinin ve deney sayısının öncekine kıyasla ciddi biçimde arttığı, bunun da daha yaratıcı yaklaşımları mümkün kıldığı değerlendiriliyor

• Tamamen devredilebilen işlerin oranı

  • Claude’u sık kullanan mühendislerde bile, tamamen devredilebileceğini düşündükleri işlerin oranının %0 ila %20 arasında olduğu yanıtı yarıdan fazlaydı
    • Araştırmacılar, burada ‘tam devir’in yanıtlayana göre hiç doğrulama yapmadan bırakılabilecek düzeyden, yalnızca çok hafif bir gözden geçirmenin yeterli olduğu düzeye kadar geniş biçimde yorumlanmış olabileceğini ekledi
  • İnsanlar özellikle karmaşık işler, yüksek riskli alanlar ve kod kalite standardının yüksek olduğu alanlarda hâlâ Claude ile aktif biçimde etkileşime girip çıktıları doğrulama yaklaşımını benimsediklerini anlattı
    • Sonuç olarak Claude, her zaman yanında bulunan bir işbirlikçiye daha yakın; insanların tamamen elini çektiği bir otomasyon aracı olarak görülme oranı ise hâlâ düşük düzeyde

Nitel görüşmeler

• Yapay zekaya devir stratejisi

  • Görüşmeye katılan mühendis ve araştırmacılar, Claude’a iş devretme ölçütleri ve stratejilerini ayrıntılı biçimde anlattı; ortak olarak aşağıdaki koşullara öncelik verdiklerini belirtti
    • Kullanıcı bağlamı düşük ama görev basitse: Örneğin, altyapı işlerinin çoğunun zor problemler olmadığını ve Git ya da Linux deneyimi az olsa bile Claude’un bu açığı iyi kapattığını anlattılar
    • Doğrulaması kolay işler: “Doğrulama maliyetinin üretim maliyetinden büyük olmadığı işler” için çok uygun olduğunu söyleyerek, sonucu hızlıca kabaca kontrol edilebilen işleri önce devrettiklerini belirttiler
    • İyi tanımlanmış alt bileşenler: Projede uygun biçimde ayrılmış alt modül ya da fonksiyon düzeyindeki işleri önce Claude’a veriyorlar
    • Kod kalitesinin hayati olmadığı alanlar: Tek seferlik debug kodu, araştırma kodu, deneysel script’ler gibi işleri önce Claude’a verip; önemli tasarım, yüksek zorluktaki debug ve incelikli tasarım işlerini ise kendileri çözüyorlar
    • Tekrarlı, sıkıcı ve ertelenmiş işler: Yapmak istemedikleri için erteledikleri işlerde, Claude’la konuşarak başlamanın giriş bariyerini ciddi biçimde düşürdüğünü anlattılar
  • Ankette, Claude destekli işlerin ortalama %44’ünün “normalde keyifle yapmayacakları işler” olduğu yanıtı verildi; bu da insanların keyifsiz işleri daha çok yapay zekaya devretme eğiliminde olduğunu gösterdi
  • Buna karşılık, 10 dakika içinde bitecek gibi görünen küçük işler için özellikle Claude kullanılmadığını söyleyenler de vardı; ayrıca kod tabanı içi bağlamı yapay zekaya açıklamayı gerektiren “cold start problemi” nedeniyle bazı işlerin doğrudan elde yapılmasının daha hızlı olabildiği de belirtildi

• Güven oluşumu ve doğrulama

  • Birçok mühendis, başlangıçta basit sorular, dil yardımı ve bilmedikleri dillerle (Rust gibi) ilgili temel sorularla başlayıp, zamanla daha karmaşık görevleri de Claude’a vermeye uzanan bir güven oluşturma aşamasından söz etti
    • Bir mühendis, Claude’a güvenme sürecini Google Maps kullanım alışkanlığındaki değişime benzeterek, önce yalnızca bilmediği yollarda kullanırken şimdi işe gidiş geliş yolunu bile tamamen emanet edecek düzeye gelmesine benzer bir deneyim olduğunu anlattı
  • Claude’un uzmanlık alanı dışında mı, yoksa uzmanlık alanı içinde mi kullanıldığı konusunda görüşler ayrıştı
    • Bazıları Claude’u zayıf oldukları alanlarda (frontend, altyapı, veritabanı vb.) uygulama süresini kısaltmak için kullanıyor
    • Diğerleri ise sonucu değerlendirebilmek için konuyu yeterince anlamış olmak gerekir diye düşünüyor ve bu yüzden Claude’u daha çok iyi bildikleri alanlarda bir hızlandırıcı gibi kullanma stratejisini seçiyor
  • Güvenlik mühendisleri, Claude’un önerdiği bazı çözümlerin **“çok yetenekli bir junior’ın önerebileceği, riskli ama zeki fikirler”**e benzediğini söyleyerek, riskleri fark etmek için yeterli deneyim ve muhakemenin gerekli olduğunu vurguladı
  • Bazı mühendisler ise hem temel uzmanlık alanlarında hem de çevre alanlarda Claude kullandıklarını, kendi yetkinlik düzeylerine göre prompt verme biçimlerini ve doğrulama seviyelerini ince ayarladıklarını anlattı
    • İyi bildikleri alanlarda Claude’a somut adımlar ve kısıtlar veriyor; daha az bildikleri alanlarda ise Claude’dan uzman rolünü üstlenmesini ve birden fazla seçenekle dikkat edilmesi gereken noktaları sunmasını istiyorlar

• İnsanların doğrudan yaptığı işlerin sınırı

  • İnsanlar ortak biçimde, yüksek seviyeli ve stratejik düşünme, sistem tasarımı, organizasyonel bağlam ve “zevk/taste” gerektiren kararları hâlâ kendilerinin üstlendiğini anlattı
    • Görüşmelerde, “Genelde büyük resmi ve tasarımı kendim yapıyorum, yeni özellik geliştirme ve debug gibi işleri ise mümkün olduğunca devrediyorum” ifadesi yer aldı
  • Ankette de tasarım ve planlama alanlarında verimlilik artışının en düşük olduğu görüldü; bu, insanların tasarımı hâlâ insana ait bir rol olarak görmesinin sonucu olarak yorumlandı
  • Ancak bu sınır sabit değil, bir “moving target” olarak tanımlanıyor; model performansı arttıkça yapay zekanın üstlendiği alanın yukarı doğru genişlediği yönünde ortak bir algı var

• Becerilerde değişim ve genişleme

  • Claude sayesinde birçok mühendis, asıl uzmanlık alanlarının dışındaki işleri de yapabilir hâle geldiklerini anlattı
    • Bir backend mühendisi, Claude’la birçok kez gidip gelerek karmaşık bir UI kurduğunu ve tasarımcıların “bunu gerçekten sen mi yaptın?” diye sorduğunu aktardı
    • Birçok katılımcı, Claude sayesinde frontend, transaction DB, API ve deney altyapısı gibi alanlarda daha cesur davranabildiklerini, eskiden “dokunmaya korktukları alanlara” kadar girebildiklerini söyledi
  • Bu yetenek genişlemesi, geri bildirim döngülerini ve öğrenme hızını hızlandırma etkisi de yaratıyor
    • Eskiden bir özelliği geliştirip toplantı ayarlamak, geri bildirim almak ve tekrar düzeltmek haftalar sürerken, bunun artık birkaç saatlik gerçek zamanlı ortak çalışma oturumlarıyla değiştirilebildiği anlatıldı
  • Birçok kişi, Claude sayesinde prototipleme hızı, paralel çalışma kapasitesi ve projelerin iddia seviyesinin birlikte yükseldiğini belirtti
    • Kıdemli bir mühendis, “Bu araç sayesinde junior mühendisler daha üretken oluyor ve daha büyük projelere girişme cesareti kazanıyor” değerlendirmesinde bulundu
    • Başka bir mühendis ise Claude’un, işe başlamak için gereken ‘aktivasyon enerjisini’ ciddi biçimde azalttığını, bu sayede ertelenen problemlere de kolayca dokunabildiğini söyledi

• Beceri kaybı kaygısı ve denetim paradoksu

  • Öte yandan birçok katılımcı, “devir arttıkça kendi teknik becerilerimin azaldığını hissediyorum” kaygısını dile getirdi; özellikle problem çözme sürecindeki incidental learning (yan öğrenme) azalmasından endişe edildi
    • Zor bir bug’ı doğrudan debug ederken dokümanları, çevredeki kodu ve ilgili ayarları geniş biçimde okumak gerekirken, Claude’un doğrudan çekirdeğe yönlendirmesi yüzünden sistemin bütününe dair zihinsel model kurma fırsatının azaldığı belirtildi
    • Eskiden yeni bir araç kullanırken ayar seçeneklerinin hepsini kurcalayıp özellikleri elle öğrenirken, şimdi sadece yapay zekanın söylediği yöntemi kullandıkları için derin kavrayışı kaçırıyormuş gibi hissettiklerini söyleyenler de oldu
  • Bir kıdemli mühendis, kendisinin zaten temel becerileri yeterince edinmiş olduğu için daha az kaygı duyduğunu, ancak kariyerin başında biri olsaydı kendi becerilerini geliştirmeye çok daha bilinçli biçimde odaklanması gerekeceğini söyledi
  • Özellikle sık anılan kavramlardan biri “denetim paradoksu (paradox of supervision)” oldu
    • Claude’u güvenli kullanmak için yapay zeka çıktısını denetleme ve doğrulama becerisi önemli; ancak yapay zekaya bağımlılık arttıkça bu denetim için gereken kodlama ve tasarım becerilerinin zayıflayabileceği yönünde bir çelişki doğuyor
    • Bazıları, “Asıl kaygım beceri kaybının kendisinden çok, denetim becerim düşüp yapay zekayı güvenli biçimde kullanamaz hâle gelmek” dedi
  • Bunu telafi etmek için bazı mühendisler bilinçli olarak “Claude olmadan çözme alıştırması” yaptıklarını belirtti
    • Claude’un çözebileceğini bilseler bile bazı problemleri kendileri çözerek ellerini sıcak tutmaya çalıştıklarını anlattılar

• ‘Daha yüksek soyutlama’ ve yazılım zanaatı

  • Birçok görüşmede, yazılım mühendisliğinin daha yüksek soyutlama düzeyine geçtiği görüşü öne çıktı
    • Geçmişte belleğin elle yönetildiği, assembly yazıldığı ve donanım anahtarlarının tek tek çevrildiği dönemlerden, zamanla düşük seviyeli ayrıntıları yüksek seviyeli dillerin ve runtime’ların üstlendiği bir döneme gelindiği; şimdi ise “English as a programming language”, yani niyeti doğal dille anlatıp kod ürettirme aşamasına geçildiği düşünülüyor
    • Bazıları, bilgisayar bilimi derslerinde önemli görülen bağlı liste implementasyonu örneğini vererek, bunu kendin yazabiliyor olmanın hâlâ iyi bir şey olduğunu ama gerçek işte bunu doğrudan kodlama ihtiyacının neredeyse kalmadığını anlattı
  • Bazıları ise Claude sayesinde tam tersine yüksek seviyeli kavramlara, örüntülere ve kullanıcı deneyimine daha çok odaklanabildiğini söyleyerek, “Meğer kod yazmanın kendisini değil, kodun ortaya çıkardığı sonucu seviyormuşum” dedi
  • Diğerleri ise kodlamanın kendi verdiği keyif ile ‘zanaatsal tatminin’ azalmasından yakındı
    • 25 yıldır programlama yapan biri, ustalaşmış kodlama becerisiyle duyduğu gururun iş tatmininin merkezinde olduğunu, ancak bunun bulanıklaşmaya başladığını paylaştı
    • Gün boyu sadece prompt yazmanın keyif vermediğini, müzik dinleyip doğrudan kod yazarak yaşanan “flow state” keyfini kaybettiğini söyleyenler de oldu

• Bazı kişiler, “refaktöring yaparken tamamen içine girilen ‘zen durumu’nu özlesem de, toplam üretkenlik artışı çok daha büyük olduğu için bundan memnuniyetle vazgeçerim” diyerek, elle üretmenin keyfi ile çıktıyı en üst düzeye çıkarma arasında pragmatik bir tercih yaptıklarını ortaya koyuyor

  • Sonuç olarak, yapay zeka desteğinin nasıl hissedildiği, kişinin yazılım mühendisliğinde en anlamlı bulduğu şeyin ne olduğuna güçlü biçimde bağlı olarak değişiyor

• İş birliği ve sosyal ilişkilerde değişim

  • Claude, birçok kişi için bir ekip arkadaşına sormadan önce başvurulan ilk muhatap haline gelmiş durumda
    • Bir katılımcı, eskisine göre daha fazla soru sorduğunu ama bunların %80-90’ını Claude’a, kalan %10-20’sini ise insanlara sorduğunu anlatıyor
    • Bunun sonucunda rutin soruları Claude üstlenirken, insanlara giden sorular stratejik, bağlama bağımlı ve yüksek zorluklu problemler etrafında yeniden şekilleniyor
  • İnsanların yaklaşık yarısı ise ekip içi iş birliği kalıplarının hâlâ büyük ölçüde değişmediğini düşünüyor; toplantılar, bağlam paylaşımı ve yön seçimi gibi konuların hâlâ insanlar arasında yürüdüğünü söylüyor
    • Yine de gelecekte derin odaklanma süresi yerine, birden fazla ‘Claude instance’ı ile yapılan konuşmaların yeni temel çalışma birimi haline gelebileceği yönünde öngörüler de var
  • Diğerleri ise açık biçimde ekip arkadaşlarıyla etkileşimin azaldığını hissediyor
    • “Bu aralar ekip arkadaşlarımdan çok Claude ile çalışıyor gibiyim” ifadesi öne çıkarken, ekip arkadaşlarının zamanını alma suçluluğunun azalması olumlu bulunsa da, insanlarla birlikte çalışmanın keyfinin azalması da önemli bir eksiklik olarak dile getiriliyor
    • Ekip içinde “Önce Claude’a sordun mu?” yanıtının otomatikleştiği bir kültürü rahatsız edici bulanlar da var; bazıları insanların doğrudan birlikte çalıştığı tarzı daha çok tercih ediyor
  • Özellikle mentorluk ve junior eğitimi tarafındaki değişim dikkat çekiyor
    • Claude, junior çalışanlara sık sık ayrıntılı koçluk ve code review desteği verdiği için, junior’ların senior’lara soru sormak için gelme sıklığının belirgin biçimde azaldığı gözlemleniyor
    • Bir senior, “Junior’ların bana soru sormak için daha az gelmesi üzücü ama sorularına daha hızlı ve daha iyi yanıt alıp daha hızlı öğrenmeleri de bir gerçek” diyerek karmaşık duygularını ifade ediyor

• Kariyer belirsizliği ve uyum

  • Birçok kişi, kendi rolünün doğrudan kod yazan kişiden yapay zeka ajanı yöneticisi ve code reviewer’a doğru kaydığını anlatıyor
    • Bir katılımcı, bugünkü işini “1, 5 ya da 100 Claude’un yaptığı işten sorumlu olma rolü” diye tanımlıyor ve gün boyu birden fazla Claude instance’ı açık halde çalıştığını söylüyor
    • Bir başkası ise işinin %70’ten fazlasının code review ve düzeltme rolüne kaydığını tahmin ediyor
  • Uzun vadeli kariyer görünümüne dair yanıtlarda kısa vadeli iyimserlik ile uzun vadeli kaygı sıklıkla iç içe geçiyor
    • “Kısa vadede oldukça iyimserim ama uzun vadede yapay zekanın sonunda işlerin çoğunu yapıp beni ve daha birçok insanı işe yaramaz hale getireceğinden endişe ediyorum” şeklinde ifadeler yer alıyor
    • Bir başkası da “Her gün işe gelip kendimi otomatikleştirme işi yapıyormuşum gibi hissediyorum” gibi son derece doğrudan bir ifade kullanıyor
  • Bazıları özellikle junior geliştiricilerin geleceği konusunda kaygı duysa da, aynı zamanda onların yeni teknolojileri en hızlı benimseyen nesil olması nedeniyle umut da görüyor
    • Yapay zekanın hatalı yazdığı kodun junior’lar tarafından olduğu gibi production’a alınması riski bulunsa da, daha iyi guardrail’ler, eğitim materyalleri ve hatalardan öğrenmenin birleşmesiyle zaman içinde uyum sağlanabileceği beklentisi de dile getiriliyor
  • Gelecek stratejileri ve uyum yöntemleri konusunda çeşitli yanıtlar öne çıkıyor
    • Yapay zeka çıktısını anlamlı biçimde review etme ve denetleme becerisini yeni bir uzmanlık alanı haline getirme planı
    • İnsanlar arasında uzlaşı oluşturma, koordinasyon ve strateji geliştirmeye daha fazla zaman ayırıp, uygulamayı daha çok yapay zekaya bırakılan bir role geçileceği beklentisi
    • Claude kullanarak liderlik, iletişim ve kariyer gelişimi geri bildirimi alıp öğrenme hızını artırdıklarını anlatan örnekler de paylaşılıyor
  • Genel duygu, “Gelecekte hangi becerilerin en önemli olacağına dair güven çok düşük” algısı ile “Önemli olan, ne gelirse gelsin hızla uyum sağlayabilen insanlara ve organizasyonlara dönüşmek” tutumunda özetleniyor

Claude Code kullanım eğilimleri

• Daha zor problemler ve daha yüksek özerklik

  • Anthropic, iç gizlilik koruma araçlarını kullanarak 2025 Şubat ve Ağustos aylarındaki Claude Code iç loglarından 200 bin kaydı analiz etti
    • Her konuşma kaydı 1 ila 5 puanlık zorluk ölçeğiyle değerlendirildiğinde, ortalama zorluk 3,2'den 3,8'e yükseldi
      • 3,2 zorluk seviyesine örnek olarak “Python modülü import hatasını çözme”, 3,8 seviyesine örnek olarak ise “önbellekleme sistemi uygulama ve optimize etme” verildi
  • Claude Code'un insan müdahalesi olmadan art arda gerçekleştirdiği araç çağrısı sayısı ortalama 9,8'den 21,2'ye çıkarak %116 arttı
    • Bu, Claude'un art arda dosya düzenleme ve komut çalıştırma süreçlerini daha uzun süre kendi başına sürdürerek karmaşık işleri ele aldığı anlamına geliyor
  • Konuşma başına insan turu sayısı ortalama 6,2'den 4,1'e inerek %33 azaldı; bu da aynı işi tamamlamak için gereken insan etkileşiminin azalma eğiliminde olduğunu gösteriyor
    • Bu göstergeler birlikte değerlendirildiğinde, mühendislerin daha karmaşık işleri Claude'a daha fazla özerklik vererek devrettiğine işaret ediyor

• İş dağılımındaki değişim

  • Claude Code loglarındaki her konuşma; debugging, kod anlama, refactoring, test, yeni özellik geliştirme, kod tasarımı/planlama, frontend, veri bilimi gibi başlıklara ayrılarak iş dağılımı karşılaştırıldı
    • Genel dağılım, ankette insanların bildirdiği temel kullanım örüntüsüyle (debugging, kod anlama, yeni özellik geliştirme ağırlıklı) büyük ölçüde örtüşüyor
  • Altı ay içindeki en belirgin değişim, yeni özellik geliştirme ile kod tasarımı/planlamanın payındaki keskin artış oldu
    • Yeni özellik geliştirme, tüm loglar içinde %14,3'ten %36,9'a yükseldi; tasarım ve planlama ile ilgili işler de %1,0'dan %9,9'a çıktı
    • Bunun, Claude'un daha karmaşık ve yaratıcı işlerde kullanım payının arttığı ya da ekiplerin Claude Code'u bu tür iş akışlarına aktif biçimde dahil etmeye başladığı anlamına gelebileceği belirtiliyor
    • Araştırmacılar, mutlak iş hacmindeki artış ile göreli dağılımdaki değişimi net biçimde ayırmanın zor olduğunu belirterek bunu bir sınırlılık olarak not ediyor

• Papercut düzeltmeleri

  • Ankette insanların küçük kalite iyileştirmeleri ve günlük kullanım kolaylığı sağlayan işleri daha fazla yapmaya başladığını söylemesiyle uyumlu olarak, Claude Code loglarında da tüm işlerin %8,6'sı ‘papercut fix’ olarak sınıflandırıldı
    • Buna performans görselleştirme aracı oluşturma, bakım kolaylığını artırmak için refactoring yapma, terminal kısayolları veya script'ler gibi küçük kullanım kolaylığı özellikleri geliştirme de dahil
  • Bu işler tek tek küçük olsa da, biriktikçe üretkenliği ve geliştirici deneyimini gözle görülür biçimde iyileştirebilen unsurlar olarak çalışıyor
    • Normalde öncelik sıralamasında geri planda kalıp ertelenen işlerin, Claude sayesinde yükü azaldığı için doğal biçimde ele alınabildiği özellikle vurgulanıyor

• Ekipler arası kullanım farkları

  • 2025 Ağustos ayındaki Claude Code logları temel alınarak, her konuşma tek bir ana iş türüyle etiketlendi ve ekipler arası dağılım karşılaştırmasının sonucu Figure 5 olarak sunuldu
    • Genel ortalamada (“All Teams”), yeni özellik geliştirme, debugging ve kod anlama en büyük payı alarak Claude kullanımının temel örüntüsünü gösteriyor
  • Başlıca ekip özellikleri şöyle sıralanıyor
    • Pre-training ekibi, Claude Code kullanımının %54,6'sını yeni özellik geliştirmeye ayırıyor; özellikle çeşitli ek deneylerin yürütülmesi büyük pay tutuyor
    • Alignment & Safety ekibi ile Post-training ekibi, frontend geliştirme payında sırasıyla %7,5 ve %7,4 ile yüksek oranlara sahip; Claude'u çoğunlukla veri görselleştirme için UI oluşturmakta kullanıyor
    • Security ekibinde Claude Code kullanımının %48,9'u kod anlama işlerinden oluşuyor; daha önce görülmemiş kodun güvenlik etkilerini analiz etme ve kavrama amacıyla sık kullanılıyor
    • Teknik olmayan çalışanlar da Claude Code'u yoğun biçimde kullanıyor; bunların %51,5'i debugging'e (ağ sorunları, Git problemleri vb.), %12,7'si ise veri bilimi işlerine karşılık geliyor ve araç teknik bilgi açığını kapatmak için kullanılıyor
  • Genel olarak ekiplerin, kendi temel işlerinde (altyapı, araştırma, güvenlik vb.) Claude'dan yararlandığı, aynı zamanda geleneksel uzmanlık alanlarının dışındaki işlerde de Claude'u kullanarak herkesin biraz daha full-stack'e yakınlaştığının verilerle doğrulandığı belirtiliyor

İleriye bakış

• Anthropic içindeki sonraki adımlar

  • Anthropic, son bir yıldaki değişimleri temel alarak, Claude destekli iş dönüşümünü sorumlu biçimde yöneten bir ‘laboratuvar’ rolü üstlendiğini söylüyor
    • Mühendisler, araştırmacılar ve liderlik ekibiyle birlikte iş birliği biçimlerini, toplantı ve iletişim yapılarını, rol bazlı görev tanımlarını yeniden gözden geçirip, AI destekli çalışmayı temel alan yeni best practice'ler oluşturmaya başladığını belirtiyor
  • Özellikle uzmanlık gelişimi, mentorluk, terfi ve büyüme yollarının yapay zeka çağında nasıl değişmesi gerektiğine odaklanılıyor; burada Anthropic'in daha önce yayımladığı AI fluency framework de referans alınıyor
    • İnsanlar ile yapay zeka birlikte çalışırken, hangi düzeyde anlama, gözetim ve geri bildirim becerisine sahip olunması gerektiğini tanımlayan bu çerçeve temelinde, somut eğitimler ve iç politikalar tasarlamaya yönelik bir hareket söz konusu
  • Bu araştırma mühendislik odaklı olsa da, gelecekte kapsamın yazılım geliştirme dışındaki rollere kadar genişletilerek Anthropic genelinde yapay zekanın işi nasıl değiştirdiğinin inceleneceği ifade ediliyor

• Dış ortaklıklar, eğitim ve uzun vadeli planlar

  • Anthropic, iç araştırmaların yanında dış kuruluşların da yapay zeka destekli çağa uyum sağlamasına yardımcı olma rolünü üstleniyor
    • Örneğin CodePath ile iş birliği yaparak bilgisayar bilimi müfredatının yapay zeka destekli ortama uygun biçimde yeniden düzenlenmesini desteklediğini belirtiyor
    • Bu, junior geliştirici eğitimi ve kariyerinin başındaki çalışanların öğrenme yollarının yapay zeka araçlarının kullanımını temel alacak şekilde yeniden tasarlanması gerektiği düşüncesini yansıtıyor
  • İleride kurum içi rollerin yeniden tasarlanması, reskilling yolları ve yeni görev geçiş rotaları gibi yapısal yaklaşımların giderek daha önemli hale gelebileceği düşünülüyor
    • Örneğin yapay zeka ajanlarını denetleme, kalite sorumluluğu, etik inceleme gibi yeni rollerin resmî görevler olarak tanınması gibi başlıklar tartışılabilir
  • Anthropic, 2026'da daha somut planlar açıklayacağını duyururken, bu araştırmayı bir başlangıç noktası ve ara değerlendirme olarak konumlandırıyor
    • Verilen temel mesaj, Anthropic'in yapay zekanın işi değiştirme sürecini yalnızca gözlemlemekle yetinmeyip, önce kendi içinde deneyerek ve ayarlayarak ‘sorumlu dönüşüm’ modeli oluşturmaya çalıştığı yönünde