- AI kullanıcıları arasındaki üretkenlik farkı hızla açılıyor; “power user” olarak görülenler Claude Code, MCPs gibi gelişmiş AI araçlarını aktif biçimde kullanırken, çoğunluk hâlâ ChatGPT düzeyinde sohbet odaklı kullanımla sınırlı kalıyor
- Büyük şirketler güvenlik politikaları, kapalı IT ortamları ve legacy sistemler nedeniyle en yeni AI araçlarını devreye almakta zorlanırken, küçük şirketler AI’ı hızla içselleştirip verimliliği artırıyor
- Bu fark, küçük ekiplerin büyük şirketlerden çok daha yüksek üretkenlik sağlayabildiği bir döneme yol açıyor ve iç API’ler ile güvenli kod çalıştırma ortamları kurmak gelecekteki rekabet gücünün ana unsuru hâline geliyor
- Programlama dilleri ve API erişimi olan bir bash sandbox ile bir ajanı birleştirmek, teknik olmayan kullanıcıların bile neredeyse tüm üretkenlik uygulamalarını ikame etmesini sağlayabilir; bu da bilgi emeğinin gelecekteki biçimi olarak öne çıkıyor
İki tür AI kullanıcısı
- AI kullanıcıları arasındaki üretkenlik farkı hızla büyüyor
- Bir tarafta Claude Code, MCPs ve beceri tabanlı workflow’ları kullanan; teknik olmayan kişilerin bile terminalde AI’ı aktif biçimde kullandığı bir kesim var
- Özellikle finans alanında, Python tabanlı otomasyonla Excel’in sınırlarını aşan çok sayıda örnek görülüyor
- Diğer tarafta ise hâlâ ChatGPT düzeyinde basit soru-cevap kullanımında kalanlar var
- Pek çok beyaz yaka hâlâ bu kategoride yer alıyor ve AI’ın potansiyelinden tam anlamıyla yararlanamıyor
Microsoft Copilot’un sınırları
- M365 Copilot, Office 365 aboneliğine paketli geldiği için kurumsal pazarda yüksek paya sahip; ancak ChatGPT’nin zayıflatılmış bir sürümü düzeyinde bir arayüz sunuyor
- "Ajan" özellikleri, CLI kodlama ajanlarıyla karşılaştırıldığında (Microsoft’un kendi GitHub Copilot CLI’ı dahil) gülünç kalıyor
Büyük dosyalarda sık sık başarısız oluyor ve bellek ile CPU kısıtları aşırı seviyede
- Microsoft’un kendi içinde bile Claude Code’un şirket içi ekiplerde kullanıma alındığı görülüyor
- Bu da Copilot’un teknik olarak geride kaldığını gösteren bir örnek
- Kurumsal ortamlarda Copilot çoğu zaman izin verilen tek AI aracı oluyor; bu yüzden çalışanlar başka araçlar kullanmak için ya işten atılma riskini göze almalı ya da büyük çaba harcamalı
— Üst düzey karar vericiler bu tür araçlarla çok kötü sonuçlar yaşadıktan sonra AI’ın tamamını küçümseyebiliyor ya da büyük danışmanlık şirketlerine devasa ücretler ödeyip yine sonuç alamayabiliyor
Büyük şirketlerin karşı karşıya olduğu yapısal risk
- Güvenlik odaklı kapalı IT politikaları inovasyonun önünü kesiyor
- Aşırı kilitli ortamlar: En basit script yorumlayıcıları bile yerelde çalıştırılamıyor (şanslıysan VBA, o da çoğu zaman Group Policy ile kısıtlı)
- Legacy yazılım: Temel workflow’larda iç API bulunmadığından, ajanların bağlanabileceği bir hedef bile yok
- Silo hâline gelmiş mühendislik departmanları: Çoğu zaman tamamen outsource edildiği için, güvenli şekilde sandbox içine alınmış ajanları çalıştıracak altyapıyı kurabilecek iç ekip bulunmuyor
- Elbette güvenlik kaygıları gerçek — production veritabanlarında kodlama ajanlarını kontrolsüz biçimde çalıştırmak risklidir
- Ancak sandboxing zor bir iştir ve asıl mesele, bunu güvenli biçimde kurabilecek bir mühendislik ekibinin olmamasıdır
Küçük şirketlerin hızlı yükselişi
- Legacy kısıtları olmayan küçük ve orta ölçekli şirketler, AI’ı hızla devreye alıp üretkenliği patlayıcı biçimde artırıyor
- Bir tarafta Microsoft’un Excel için Copilot’unu kullanan (Gemini’nin Google Sheets entegrasyonu da benzer biçimde kötü) ve basit işleri bile berbat yaptığı için bir daha el sürmeyen finans direktörleri varken,
- Diğer tarafta Claude Code’u öğrenmiş teknik olmayan yöneticiler Python’ı yerelde çalıştırıyor
- 30 sayfadan oluşan son derece karmaşık bir Excel finans modelini Claude Code ile Python’a dönüştürme işi, yalnızca 2-3 prompt ile neredeyse tamamlanabiliyor
- Model Python’a geçirildiğinde, Claude Code sayesinde bir veri bilimi ekibi düzeyinde yetkinlik elde edilebiliyor
- Monte Carlo simülasyonları çalıştırmak, dış veri kaynaklarını bağlamak, web dashboard’ları kurmak ve modelin (ya da işin) zayıf yönlerini analiz etmeye yardımcı olmak mümkün hâle geliyor
- Eskiden küçük şirket çalışanları büyük şirketlerin kaynaklarına ve ekiplerine özenirdi;
ancak bu ortamda küçük ekipler büyük şirketlerden çok daha yüksek verimlilik gösteriyor ve üretkenlik eğilimi tersine dönüyor
Geleceğin iş yapısı
- AI kaynaklı üretkenlik artışı aşağıdan yukarıya (bottom-up) ortaya çıkıyor
- Küçük ekipler belirli süreçler için AI destekli workflow’lar kurmayı deniyor ve o süreci en ince ayrıntısına kadar bildikleri için iyi sonuçlar alıyor
- Bu durum, süreç deneyimi olmayan outsource yazılım mühendisliği ekipleriyle keskin bir tezat oluşturuyor
- Mevcut 'dijital dönüşüm' projelerinin çoğunun tam tersi bir tablo söz konusu
- İç sistemleri için API’ye sahip şirketler çok daha fazlasını başarabiliyor
- Bu, çalışanların bağlanıp kullanıcı adına sorgu çalıştırabildiği salt okunur bir data warehouse’dan, temel iş süreçlerinin API’leştirilmesine kadar geniş bir alanı kapsıyor
- Kod ajanlarını güvenliğin kontrol altında olduğu VM ortamlarında çalıştırmak gerçekçi bir alternatif
- Salt okunur raporlama için uygun olsa da veriyi değiştirme tarafında hâlâ sınırlamalar var
- Legacy enterprise SaaS sağlayıcıları ya güçlü bir lock-in konumunda ya da bakış açısına göre son derece kırılgan durumda
- Çoğu "API-first" ürün değil ve mevcut API’ler geliştiriciler için tasarlandığından, binlerce çalışanın bunları verimsiz şekilde çağırdığı senaryolara optimize edilmiş değiller
- Ancak şirketin tek gerçeklik kaynağıysa (source of truth), geçiş çok zorlaşıyor ve bu da üretkenlik artışının darboğazı hâline geliyor
- Küçük şirketler ise daha yeni ve API’leri daha iyi tasarlanmış ürünler kullanma eğiliminde
- Bu yeni SaaS ürünleri, API merkezli tasarımları sayesinde AI entegrasyonuna daha elverişli
Bilgi emeğinin yeni biçimi
- Programlama dili ve sistem API erişimi olan bir bash sandbox ile ajan framework’lerinin birleşimi, teknik olmayan kullanıcılar için bile güçlü bir üretkenlik aracı hâline geliyor
- Kullanıcı prompt giriyor, ajan ise API üzerinden sonuç üretiyor
- Rapor yazımı, veri analizi, belge üretimi gibi kullanıcının istediği her şeyi talep edilen formatta dışa aktarabildiği için mevcut ofis uygulamalarının çoğunu ikame edebilir
- Kullanıcının prompt vermesi, ajanın API’lere bağlanıp isteğe göre çıktı üretmesi modeli, bilgi emeğinin geleceği olarak öne çıkıyor
- Bu kutuplaşma gerçek ve hızla ivmeleniyor
- Bu değişim, küçük ekiplerin büyük şirketlerden daha hızlı rekabet avantajı elde edebildiği bir dönemi başlatıyor
- AI kullanımındaki fark gerçekten var ve bu farkın büyüme hızı giderek artıyor
- Tarihte küçük ekiplerin kendilerinden bin kat büyük şirketleri bu kadar kolay geride bırakabildiği pek az dönem oldu
4 yorum
Hacker News yorumları
Bence kullanıcıları iki gruba ayırmak mümkün
Biri, yapay zekayı bir araç olarak kullananlar; sınırlarının farkındalar ve onu tekrarlayan ya da sıkıcı işleri devretmek veya özet almak için kullanıyorlar
Diğeri ise düşünme işinin kendisini dış kaynak kullananlar; konu hakkında neredeyse hiç anlayışları yok, sadece sonucu istiyorlar ve öğrenme niyetleri yok
İkinci grup, chatbotların kıdemli geliştiricilerin yerini alabileceğine inanan kesim
Önemli olan sadece hızlı teslimat ve müşteri geri bildirimi ancak altı ay sonra geldiği için anlamı yok
Artık en az çabayla maaşımı alıp idare ediyorum
Almanca dinleme pratiği için Claude Code ve ElevenLabs ile bir uygulama yaptım ve öğretmenimi bile şaşırtacak kadar etkili oldu
Kod öğrenmekle ilgilenmiyordum; amaç Almanca becerimi geliştirmekti
Yani basit bir araçtan öte konuşmalı bir partner olarak kullanıyorlar
Yapay zekayı greenfield projelerde ve brownfield projelerde kullanınca verimlilik farkı büyük oluyor
Yeni bir projenin ilk gününde bir haftalık işi çıkarıyor ama mevcut sistemlerde artış yaklaşık %20’de kalıyor
Sonuçta yapay zeka, “yenilikçinin ikilemi”ni hızla yeniden üretir hale geliyor
Asıl soru, yapay zekanın karmaşık sistemleri olgunlaştırma aşamasında ne kadar rol oynayabileceği
Hashicorp Packer build dosyalarını yapay zekayla neredeyse tamamladım ve yerel yapay zeka çok yardımcı oldu
Ama eski altyapıda öngörülemezlik büyüyor; bu yüzden LLM işleri daha da bozabilir
Başta hızlıdır ama sonra mimarinin sınırları ortaya çıkar
Aşırı mühendisliği azaltmaya da yardımcı oluyor
Proje 200k token’ı geçince verimlilik sıfıra iniyor
Sonunda, hafızaya dayanmayan süreçlere sahip organizasyonlar kazanıyor
Bir yöneticinin Claude Code ile 30 sekmeli karmaşık bir Excel finans modelini Python’a dönüştürdüğünü duyunca neredeyse midem bulandı
Matematik ve jeofizik geçmişi olan biri olarak, böyle bir Excel modelinin kendisi zaten bir kâbus
Yine de Python’a çevrilmiş halinin özgününden daha kötü olmama ihtimalinin düşük olmadığını kabul ediyorum
Yanlış modellemeyi kim yakalayacak? Neredeyse kimse
LLM’in ürettiği simülasyonlarda doğrulama süreçleri daha da zayıf
Başta hızlı deneyler için kullanılıyor, kâr büyüyünce teknik ekip bunu resmi bir uygulamaya dönüştürüyor
Orijinal Excel yıllar boyunca düzeltilmişken dönüştürülen sürüm sadece sahte bir kopya
Yapay zekayla finans modeli yapan uzman olmayan kişiler olması ürkütücü geliyor
Şu an Shadow AI’nin doğuş dönemindeyiz
2000’lerdeki Shadow IT gibi, çalışanlar terminalde gizlice Claude Code çalıştırıyor
Çünkü resmi Copilot CSV ile bile düzgün başa çıkamıyor
CISO’lar korku içinde ama yasaklarlarsa yetenekli çalışanlar gider
1980’ler tarzında söylersek, gerçek yenilik sahadaki çalışanların kendiliğinden kurduğu workflow’lardan çıkar
Çünkü süreci en iyi onlar bilir
CIO dostu paket yazılımlar ancak daha sonra gelir
Son birkaç aydır ajanlar işe yarar hale gelince herkes onları yeni yeni kullanmaya başladı
MCP, LangChain, vector DB gibi şeyler bir dönem modaydı ama şimdi sessiz
Trendlerden söz etmek için hâlâ çok erken
context7 ve playwright MCP sunucularını kullandım; planlama ve geri bildirim döngülerinde etkiliydiler
Microsoft Copilot’un Excel entegrasyonu berbat
30 yıldır karmaşık XML formatları üretildiği için LLM bunu anlayamıyor
Bu yüzden şirketimiz Word belgelerini Markdown’a taşıyor. Bir tür karmaya benziyor
Ama belgeleri yapay zeka dostu hale getirmek için gereken zaman giderek artıyor
Copilot, CSV’ye dönüştürme talimatını bile görmezden gelip başarısız oldu
Eskiden şöyle bir söz duymuştum — “Artık büyük şirket küçük şirketi yenmiyor, hızlı şirket yavaş şirketi yeniyor”
Şimdi yapay zeka çağında bu daha da doğru geliyor. Sorun, nasıl hızlı kalınacağı
Copilot hâlâ yerden yere vuruluyor. MS bunu ne zaman iyileştirecek acaba.
"uşak" 1, 2, 3 olarak kullanıyorum
Arada Copilot eleştirisi çok ama, asıl
Claude Code Microsoft içinde hızla yayılıyor
Bu durumun yerli büyük şirketlerde de kesinlikle geçerli olması muhtemel.
Şirket kullanın dediği için kullanıyorlar ama ChatGPT/Claude’a izin verilmeyip yalnızca Copilot’un kullanılabildiği yerler kesin vardır diye düşünüyorum.