Yazılım geliştirme maliyeti %90 mı düştü?
(martinalderson.com)- Agentic Coding araçlarının ortaya çıkışıyla yazılım geliştirmede emek maliyeti hızla düşüyor
- Geçmişte bir ay süren bir dahili web uygulaması projesi, bir hafta içinde tamamlanır hale geldi
- Claude Code gibi araçlar yüzlerce testi yalnızca birkaç saatte üretirken, küçük ekiplerin büyük ölçekte sonuç almasını sağlayan bir modele geçildi
- Maliyet düşüşü, talep patlaması (Jevons Paradox) yaratarak daha fazla kuruluşun özelleştirilmiş yazılım geliştirmesine yol açabilir
- Geliştiricinin alan bilgisi ve insan-ajan işbirliği becerisi yeni bir rekabet gücü olarak öne çıkarken, 2026 için tüm sektörde hızlı bir dönüşüm öngörülüyor
Yazılım Geliştirme Maliyet Yapısının Değişimi
- Açık kaynak yayılımı, yazılım geliştirme başlangıç maliyetini düşüren ilk dönüm noktasıydı
- Eskiden SQL Server, Oracle gibi sistemler için yıllık on binlerce dolarlık lisans ücreti gerekirken, MySQL ile ücretsiz olarak ağ uygulaması geliştirmek mümkün oldu
- Sonrasında bulut benimsenmesi sermaye harcamalarının başlangıçta düşmesini sağlasa da toplam maliyet azaltma etkisi sınırlı kaldı
- Son yıllarda ise TDD, mikroservisler, karmaşık React ön yüzleri, Kubernetes gibi yaklaşım ve mimariler karmaşıklığı artırarak maliyet düşürme etkisini durdurdu
- Buna karşılık AI ajanları, geliştirme sürecinin emek maliyetini ciddi ölçüde azaltıyor
%90 Tasarrufun Kanıtı
- 2025'in başına kadar AI kodlama araçlarına şüpheyle bakılıyordu; son dönemde Agentic Coding CLI bunu büyük ölçekte doğruladı
- Örneğin, bir iç aracın 300'den fazla test kodu, Claude Code tarafından yalnızca birkaç saatte üretildi
- Geçmişte bir ay süren bir proje bugün bir hafta içinde tamamlanabilir
- Uygulama süresi hızla düştü ancak düşünme (tasarım) süresi aynı kaldı
- Ekip küçülmesiyle iletişim yükü ortadan kalktı
- Sonuç olarak az sayıda kişi, on katın üzerinde verimlilik elde ediyor
Potansiyel Talebin Patlaması
- Bu maliyet düşüşü, sanayi genelinde talebi azaltmak yerine genişleten Jevons Paradox ile açıklanıyor
- Pek çok kuruluş hâlâ Excel tabanlı iş akışlarını çalıştırıyor ve bunları SaaS uygulamasına dönüştürme potansiyeli büyük
- Mevcut 50.000 dolarlık bir teklif 5.000 dolara düşerse, zorunlu olmayan projeler bile geliştirme kapsamına girer
- Bu nedenle geliştirme sektöründe toplam üretimin artma olasılığı var
Yeni Rekabet Avantajı: Alan Bilgisi
- Şu an için hâlâ insan denetimi ve karar verme şart
- Ajanın yaklaşımını denetlemek ve yanlış yönleri düzeltmek gerekir
- Bu tekniği iyi bilen bir geliştirici, iş problemi çözme yetisini büyük ölçüde geliştirir
- Alan bilgisi + teknik yetkinlik birleşimi kilit rekabet gücü haline geliyor
- İş uzmanı ve geliştirici, küçük işbirliği birimleri halinde hızlı yinelemeli geliştirme yapabiliyor
- Yazılım, “atılabilir bir varlık” haline geliyor; yanlış yöne gidildiğinde hızla bırakılıp yeniden geliştirilebiliyor
Değişime Hazırlıklı Olmak Gerek
- LLM ve ajan modelleri hızla gelişiyor; mevcut benchmarklar bunu tam olarak yansıtmıyor
- Örneğin: Opus 4.5, 10-20 dakikalık oturumları istikrarlı biçimde sürdürüyor
- Büyük GPU altyapısı yatırımlarıyla model performansının önümüzdeki dönemde hızla yükseleceği öngörülüyor
- Bazı geliştiriciler hâlâ “LLM çok hata yapar” ya da “zaman tasarrufu sağlamaz” diye savunuyor, ancak bu iddialar giderek doğru olmaktan çıkıyor
- 2007'de iPhone'u görmezden gelen masaüstü mühendisleri örneğinde olduğu gibi, değişime karşı çıkmak geride kalmakla sonuçlanır
- Büyük şirketlerin bürokratik yapısı nedeniyle benimseme yavaş; küçük ekipler ise hemen uygulamaya geçebilir
- LLM yalnızca yeni projelerde değil, mevcut kod tabanını analiz etme ve bakıma da etkilidir
- Eski kodun yapısını anlamada, hata tespitinde, düzeltme önermede yüksek verimlilik sağlar
- Sonuç olarak, 2026'nın geliştirme yöntemlerinde büyük bir kırılma yaşanması olasılığı yüksek
1 yorum
Hacker News görüşleri
Claude Code'un birkaç saat içinde 300'den fazla test ürettiğini duydum
Ama bu testlerin gerçekten amaçlanan davranışı doğrulayıp doğrulamadığı ve bir sonraki geliştiriciye sistemin nasıl çalıştığını açıkça anlatıp anlatamayacağı şüpheli
Yapay zeka kodu hızlıca üretebilse de, buna karşılık yeterli özenli inceleme süresi ayrılmazsa kalite düşme riski çok büyük
Ben de AI coding'e “aktif biçimde uyum sağlamaya çalış” tavsiyesini takip ettim
Ama robotik ve gömülü sistemler tarafında olduğum için, web uygulaması ya da oyunları yapay zekayla yapmak bana aşırı sıkıcı ve bunaltıcı bir deneyim gibi geldi
Cursor'dan bir sorunu düzeltmesini isteyince daha da beter hale geldi ve sonunda Flask ile JS'yi doğrudan öğrenmenin çok daha verimli olduğunu gördüm
Yapay zeka belge veya hata mesajı bulmakta harikaydı ama “direksiyonu ona vermek” hiç yardımcı olmadı
Yapay zekanın “10 kat verimlilik” sağladığı iddiasından şüpheliyim
Gerçekte onu güçlendirilmiş bir Google/Stack Overflow gibi kullanmak daha gerçekçi
Kodun büyük kısmını ben yazıyorum, yapay zeka ise sadece basit tekrar işleri ya da script yazımında yardımcı oluyor
Başarılı olmak için bir 'mentor' gibi açık talimat verme ve açıklama yapma yeteneği gerekiyor
Doğrudan müdahale etmeden prompt'larla düzeltme isteme alışkanlığı önemli ve bu süreç sonunda iletişim becerilerini geliştiriyor
Böyle yazılara bakınca, sahadaki geliştirme ekipleriyle yönetim arasındaki algı farkı net biçimde ortaya çıkıyor
Üst kattakiler birkaç satır gereksinimle tüm sistemi anladıklarını sanıyor ama gerçekte bağımlılıklar ve bağlam hakkında neredeyse hiçbir şey bilmiyorlar
İyi bir geliştirme ekibinin o muğlak gereksinimleri gerçek ürüne dönüştürmesi asıl sanat; bunu otomatikleştirebilecek teknoloji ise henüz yok
Basit kod yazma maliyeti %90 düştü
Ama bir problemi basit koda indirgemek için hâlâ çok fazla deneyim ve zaman gerekiyor
Claude Code, eski kod tabanlarını anlayıp değiştirmede olağanüstüydü
Test ve debugging konusunda da yardımcı oldu; üretkenlik sanki 10 kat artmış gibi hissettirdi
Sadece daha hızlı kod yazmak değil, hızlı bir ikinci beyin gibi çalışıyor
1 saat içinde script ya da mini bir web servisi yapıp sorunu çözebildim
aslında bu tür basit işler yapay zekadan önce de otomatikleşmiş olmalıydı diye düşünüyorum
LLM, tek bir kürekten 10 ekskavatöre geçmek gibi hissettiriyor ama,
proje başarısız olacaksa sadece daha hızlı başarısız olur
Claude Code, öğrendiği kalıpların içinde kaldığında karmaşık kodu da iyi yazıyor
Eğer gerçekten özel yazılım geliştirme maliyeti %90 düşmüş olsaydı,
piyasa ucuz SaaS'larla dolup taşardı ama gerçek böyle değil
Demek ki en büyük sorun kod yazmak değil
Bakım, güvenlik, yükseltmeler, hosting, müşteri desteği, yeni özellik ekleme vb.
SaaS abonelik ücretinin içindeki gerçek değer bunlar
Yapay zekanın bu kısmı da çözmesi için daha 3-5 yıl gerektiğini düşünüyorum
Kalan zaman toplantı, koordinasyon, bekleme gibi şeylerle doluyor
Kodlama maliyeti %90 düşse bile toplam maliyetin yarıdan fazlası kalır
Üstelik yapay zeka doğal dil özetlerini bile doğru düzgün yapamazken,
kodun anlamını tamamen anlayıp yazabileceğinden şüpheliyim
İlgili video: YouTube bağlantısı
Bugün de SaaS fazlasıyla var ama işlevleri iyi olsa bile iş kurmak zor, gerçek bu
Mühendisliğin büyük kısmı aslında vendor lock-in yaratmaya gidiyor
Platform görünürlüğü, güven ve algoritmik kontrol nedeniyle yeni SaaS'ların büyümesi zor
Büyük şirketler çok geçmeden kopyalıyor, tüketicilerin ise giderek daha az parası kalıyor
Sonuçta piyasa adil değil; bu yüzden birçok kişi politik alana yöneliyor
Büyük bir şirkette çalışmış biri bu tür yazılara katılamaz
Örneğin Shutterstock gibi yerlerde basit bir talep için bile 5 sisteme dokunmak gerekir
Yapay zeka kodu anlamaya ve değiştirmeye yardımcı olabilir ama,
toplam geliştirme maliyetinin %90 düştüğü kesinlikle doğru değil
dolayısıyla bu yazı aslında şirketlere yönelik bir tanıtım yazısına daha yakın
“Her organizasyonda yüzlerce Excel sayfası vardır ve bunları SaaS'a çevirmek daha iyidir” iddiası için,
gerçekten kimin için daha iyi olduğunu sormak isterim
E-tablolar, alan bilgisine sahip kişilerin doğrudan kullanabilmesi ve erişilebilir olmaları sayesinde hâlâ güçlü araçlar
Formüller ile UI birbirine sıkı bağlı olduğu için iç mantığı anlamak zorlaşıyor
Özellikle Excel'in bakımı zor; karmaşıklık arttıkça bunu koda taşımak daha iyi diye düşünüyorum
işbirliği, erişim kontrolü, test gibi yapısal takviyelere ihtiyaç olduğunu söylemekti
Veritabanı gibi kullanılmaya başlandığında ya da birden çok kullanıcı aynı anda çalıştığında, dönüşüm zamanı gelmiştir
Ortak sorunları SAP gibi çözümler çözüyor ama,
çoğu tablo yalnızca tek bir müşterisi olan özel bir soruna ait
90/90 kuralının hâlâ geçerli olduğunu hissediyorum
Yapay zeka ilk %90'ı hızlıca hallediyor ama kalan %10 asıl zor kısım
LLM, angaryayı çıkarma aşamasında faydalı ama ince son rötuşlarda aksine engel oluyor
Basit web sitesi yapımında sihir gibi görünebilir ama,
böyle işler ileride geçim sağlaması zor bir alan olacak gibi duruyor
Üretilen sonuca durup dikkatle bakınca gerçekten doğru olup olmadığından şüphe duyuyorsun
Hâlâ birçok kişinin yapay zekayı sadece kopyala-yapıştır için kullanılan bir chatbot gibi kullanmasına şaşırıyorum
Oysa doğru yönlendirilirse, Claude Code haftalar sürecek bir deneyi birkaç dakikada yeniden üretebilir
Gerçek işte mükemmel koddan çok sonucu hızlı almak önemlidir
Elbette güvenlik açıkları veya iş mantığı hataları hâlâ risk
Yanında bir alan uzmanı varsa bu tür sorunların giderek azalacağını düşünüyorum
Özellik geliştirme ile kod tabanı yönetimi arasındaki denge önemli
Cursor gibi ajanların bu dengeyi iyi kurup kuramadığı hâlâ soru işareti
LLM patlamasından sonra Excel'i değiştirmeyi amaçlayan bir projeye katılmıştım
Ama gerçekte bu, uzman olmayan kişilerin yapay zekayla uygulama yapmaya çalışıp batırdığı bir vakaydı
Veri analistleri Python uygulamasını 'vibe coding' ile yapmıştı ama,
ne durum yönetimi vardı ne de düzgün bir yapı
Sonuçta müşteri verilerinin alakasız şekilde işlendiği felaket düzeyinde bir sonuç çıktı
Bu tür organizasyonlarda teknik insan gücü olmadığı için, yapay zeka tam tersine riski hızlandırıyor