- AI’nın tüm yazılımları yazdığı bir çağda, token tasarrufu sağlayan (çıkarım maliyetini azaltan) yazılımlar evrimsel seçilim baskısı sayesinde hayatta kalacak
- Yazılımın uygunluğu hayatta kalma oranı formülüyle ölçülür; yalnızca bilişsel tasarrufun bilişsel maliyeti aştığı durumlarda (1’in üzerinde) hayatta kalmak mümkündür
- Git ve grep gibi araçlar, içgörü sıkıştırması ve altyapı verimliliği sayesinde AI’nın yeniden üretip kullanmasının aşırı pahalı olduğu örneklerdir
- Ajanların bir aracı benimsemesi için farkındalık (Awareness) ve sürtünmenin en aza indirilmesi (Friction) şarttır; Desire Paths tasarımı etkilidir
- AI merkezli çağda bile insan katsayısı (Human Coefficient) işlemeye devam eder; insan müdahalesi ve tercihinin doğrudan değer yarattığı alanlar yaşamayı sürdürür
Arka plan: AI çağında yazılım öngörüleri
- 2024 Haziran’ındaki Death of the Junior Developer, 10 ay önceden orkestratörlerin gelişini öngörmesi ve Gas Town projesi gibi örneklerle AI gelişim eğrisini sürekli doğru tahmin etti
- 2023’te kod otomatik tamamlama → 2024’te konuşmalı arayüz → 2025 başında ajanlar → 2026 başında orkestrasyon akışını dışa doğru uzatarak Gas Town geliştirildi
- Tüm tahminlerin temeli, üstel gelişim eğrisine olduğu gibi inanma yaklaşımıdır
- Dario Amodei ve Andrej Karpathy’nin yazılımın geleceği hakkında söyledikleri yön tamamen güvenilir kabul ediliyor
- Gas Town, bu dışa uzatmanın gerçekte işe yaradığını gösteren bir örnektir; 2025 sonu modelleri ve çok sayıda geçici tamamlayıcıyla zor da olsa ayakta duran bir biçim önce doğrulandı
Tehdit altındaki yazılım ekosistemi
- SaaS şirketleri üzerindeki baskı artıyor; satın alma yerine kendin inşa etme (
build) maliyet yapısı değişirken iş birimleri doğrudan vibe coding ile kendi SaaS’larını üretmeye başlıyor
- Sadece 3 yıl önce GPT-3.5 tek bir fonksiyonu yazmakta bile zorlanırken, bugün küçük ama gerçek değer üreten SaaS’ları doğrudan oluşturmak mümkün
- Stack Overflow ve Chegg ilk darbeyi aldı; ardından baskı Tier-1 müşteri destek yazılımlarına, low-code/no-code sistemlere, içerik üretim araçlarına ve çeşitli verimlilik araçlarına yayıldı
- IDE üreticileri de Claude Code sonrasında rekabet baskısını hissetmeye başladı
- AI araştırmacılarının öngörülerinin yaklaşık 40 yıldır yüksek doğruluk göstermesi nedeniyle, tüm yazılım alanlarının tehdit altında olabileceğini varsayarak hazırlık yapmak gerekiyor
Seçilim baskısı modeli (Selection Argument)
- Çıkarım için token gerekir; token tüketimi enerji kullanımına, enerji de doğrudan maliyete dönüşür
- {token, enerji, para} aynı kaynak kısıtı olarak ele alınabilir ve her zaman sınırlıdır
- Bilişsel maliyeti azaltan yazılım hayatta kalır şeklindeki basit kural, tüm yazılım ekosistemini şekillendirir
- Sınırlı kaynak ortamında kaynakları daha verimli kullanan varlıkların diğerlerini dışarı itmesiyle oluşan evrimsel seçilim baskısıyla aynı yapıdır
Hayatta kalma oranı (Survival Ratio) formülü
- Survival(T) ∝ (Savings × Usage × H) / (Awareness_cost + Friction_cost)
- Savings: aracı kullanarak tasarruf edilen bilişsel maliyet; aynı işlevi sıfırdan sentezlemeye kıyasla azaltılan token miktarı
- Usage: aracın farklı durumlarda tekrar tekrar kullanılabilme sıklığı ve uygulama kapsamı
- H (Human Coefficient): verimlilikten bağımsız olarak insanların insan yapımı olana değer vermesini yansıtan katsayı
- Awareness_cost: ajanın bu aracın varlığını bilmesi, hatırlaması ve doğru anda seçmesi için gereken enerji
- Friction_cost: gerçek kullanım sırasında hata, başarısızlık, yeniden deneme ve yanlış anlamalardan dolayı harcanan enerji
- Hayatta kalmak için gereken asgari oran 1’dir; rekabetin olduğu ortamlarda ise bundan çok daha yüksek oran gerekir
- Örnek: Hayatta kalma oranı 1.2 olan bir araç, 2.5 değerine ulaşan rakip bir araç tarafından geride bırakılabilir
Kaldıraç 1: İçgörü sıkıştırması (Insight Compression)
- Yazılım endüstrisinin uzun yıllar boyunca biriktirdiği, yeniden keşfedilmesi aşırı pahalı bilgi yeniden kullanılabilir biçimde sıkıştırılır
- Git bunun tipik örneğidir; commit DAG, pointer olarak ref, index, reflog gibi yapılar on yılların deneme-yanılmasının yoğunlaşmış halidir
- AI’nın bunu sıfırdan yeniden uygulaması, aynı entelektüel tarihi tekrar yaşamasını gerektirir; bu yüzden ekonomik olarak hiç mantıklı değildir
- Aynı ilke veritabanları, derleyiciler, işletim sistemleri, iş akışı motorları ve izleme sistemleri genelinde de geçerlidir
- Kubernetes tasarımı karmaşık olduğu için değil, dağıtık sistemlerin kendisi özünde karmaşık olduğu için karmaşıktır
- Temporal, saga pattern’ini idempotent retry ile birlikte elle uygulamanın fiilen bir araştırma projesine yaklaşması nedeniyle, bunun yerine durable execution sunar
- Güçlü yazılımların ortak özelliği, yeniden sentezleme girişiminin bile saçma gelecek kadar yoğun içgörü barındırmalarıdır
- Gas Town içindeki karakter rol modelleri ya da
gt sling gibi fiiller de, karmaşık kavramların kısa ve akılda kalıcı ifadelere sıkıştırılmasının örnekleridir
Kaldıraç 2: Altyapı verimliliği (Substrate Efficiency)
- grep, yeniden icat edilmesi neredeyse delilik sayılabilecek bir başka örnektir
- Ken Thompson’ın yarım günde yazabileceği kadar basit olsa da, CPU tabanlı işleme sayesinde devasa bilişsel maliyet tasarrufu sağlar
- Metin desen eşleştirmede CPU, GPU’yu birden çok basamak farkla geride bırakır
- LLM’lerin çarpma yöntemi, desen eşleştirmelerini birleştirip önce “yaklaşık 94” gibi bir tahmin üretmeye, ardından hatırlanan lookup table ile basamakları düzeltmeye benzer
- Bu hesaplamaların tümü son derece verimsiz bir altyapı olan GPU çıkarım aşamasında yürütülür
- Hesap makineleri, parser’lar, ImageMagick gibi karmaşık dönüştürme araçları ve birçok Unix CLI yardımcı programı bu kaldıraçtan güçlü biçimde yararlanır
- İyi algoritmalar uygulamak veya hesaplamayı CPU ya da insan gibi daha ucuz altyapılara taşımak, token ve enerji tüketimini azaltır
Kaldıraç 3: Geniş fayda alanı (Broad Utility)
- Hayatta kalma oranı modelinde Usage kalemine karşılık gelir
- Kullanım alanı ne kadar genişse, farkındalık maliyeti o kadar fazla yayılır ve her bir kullanım için gereken token tasarrufu eşiği düşer
- Gerçekten genel amaçlı token tasarrufu araçlarında, AI teorik olarak yeniden uygulayabilecek olsa bile, zaten her yerde bulunan ve yaygın kullanılan seçenek öncelikli olur
- Temporal, nispeten yüksek farkındalık ve sürtünme maliyetlerine rağmen PostgreSQL kadar genel amaçlı bir iş akışı modeli sunar
- Agresif içgörü sıkıştırması, hesaplama altyapısını ustaca kullanma ve geniş fayda alanı olmak üzere üç kaldıracın tamamına sahiptir
- Dolt, Git ile sürümlenen bir veritabanıdır ve 8 yıldır sürdürülen bir açık kaynak projedir
- Ajan tabanlı üretim ve DevOps iş akışlarında geç de olsa bir killer app bulundu
- Ajanlar üretim ortamında hata yapsa bile Git’in tüm yetenekleriyle rollback ve rollforward yapılabilir
- Kod arama motorları, LLM’lerin eskisine göre 10 ila 100 kat daha fazla kod üretmesiyle birlikte hızla daha önemli hale geliyor
- grep’in yetmediği ölçekte, yani “grep için fazla büyük” alan olarak tanımlanabilecek büyük bir genel niş oluşuyor
- Bulunması zor edge case’leri bol, trivyal olmayan problemleri çözmeleri; ucuz hesaplama altyapısı kullanmaları; ve genel uygulanabilirliğe sahip olmaları nedeniyle üç kaldıraç da karşılanıyor
Kaldıraç 4: Tanıtım (Publicity)
- Sadece bilişsel maliyet tasarrufu yeterli değildir; farkındalık problemi, yani seçim öncesi aşamadaki sorun da çözülmelidir
- Dolt, 1’den 3’e kadar tüm kaldıraçlara sahip olmasına rağmen, başlangıçta 4. kaldıraç eksik olduğu için yaygınlaşamadı
- Farkındalık maliyetini ödemenin çeşitli yolları vardır
- Harika bir ürün üretip popüler olduktan sonra, topluluk sayesinde doğal olarak eğitim verisine girmesini beklemek
- Ya da bütçe ayırıp ajanlara yönelik dokümantasyona yatırım yapmak veya reklam vermek
- Daha doğrudan bir yol ise OpenAI, Anthropic, Google gibi frontier laboratuvarlarındaki sorumlularla işbirliği yaparak aracı model eğitim sürecine dahil etmektir
- Ücretli bir hizmet olarak, aracın doğru kullanımını ve yanlış kullanımını birlikte gösteren eval’ler hazırlanır, ardından araştırmacılar eğitimi ayarlar
- Ajanlar için SEO kavramı ciddi biçimde ortaya çıkmaya başlıyor
- Büyük bütçeler ayırmak zorsa, seçim sonrası aşamadaki enerjiye, yani 5. kaldıraca dayanmak gerekir; bunun için araç mümkün olduğunca ajan dostu tasarlanmalıdır
Kaldıraç 5: Sürtünmeyi en aza indirme (Minimizing Friction)
- Farkındalık seçim öncesi aşamanın sorunuysa, ürün sürtünmesi kullanım sonrası aşamanın sorunudur
- Ajanlar sürekli zamana karşı yarışıyormuş gibi davranır; bir yerde takılırlarsa hemen bir dolambaçlı yol denerler
- Çok az sürtünme bile kararı değiştirir; daha verimli bir araç yerine daha az verimli ama tanıdık ve öngörülebilir yöntemlere geri dönülür
- Tersine, tam zevke göre tasarlanmış bir araç, ajanların onu inatçı biçimde tekrar tekrar kullanmasına yol açar
- Dokümantasyon yaklaşımı, farkındalık maliyetini eğitim aşamasında değil çıkarım anına ertelemenin bir yoludur
- Aracın neyi iyi yaptığı, ne zaman ve neden kullanılması gerektiği, hızlı başlangıç kılavuzu ve devam dokümanlarının yolları bağlamın içine doğrudan enjekte edilir
- Ama daha iyi çözüm, ajanın doğal bulacağı aracın kendisini üretmektir
- Desire Paths tasarımı örneğinde, Beads 4 ay boyunca 100’den fazla alt komut, çok sayıda alt-alt komut, takma ad ve alternatif sözdizimi üzerinden evrim geçiren bir CLI oldu
- Bu karmaşık CLI insanlar için değil, ajan kullanım kalıpları için tasarlandı
- Ajanların deneme biçimi gözlemlenerek halüsinasyonlar gerçek özelliklere dönüştürüldü; artık neredeyse tüm tahminler gerçekten çalışıyor
- Hallucination Squatting, LLM’lerin sık halüsinasyon gördüğü alan adlarını tersine izleyip kaydetmek ve bu adreslere artifact yerleştirerek onların gerçekten indirilmesini sağlamak için kullanılan bir tekniktir
- Bu, ulus-devlet düzeyindeki hacker gruplarının bile Agent UX’i anlayıp kullandığını gösterir
- Agent UX kritik derecede önemlidir, ama hâlâ çoğu araçta göz ardı edilmektedir
- İdeal araç, ajanın zaten aşina olduğu başka araçlara benzer ya da problemi ajanın düşünmek istediği biçimde çözen bir yapıya sahiptir
Kaldıraç 6: İnsan katsayısı (Human Coefficient)
- Token verimliliğinden bağımsız olarak, insan müdahalesi olduğu gerçeğinin kendisiyle değer kazanan yazılımlar vardır
- Değer; insan kürasyonu, sosyal kanıt, yaratıcılık, fiziksel varlık hissi ve onay gibi unsurlardan türetilir
- İnsanlar tarafından seçilmiş bir çalma listesi, kalite olarak eşdeğer ve enerji verimliliği daha yüksek bir AI üretimi çalma listesini yenebilir
- Oyunlarda gerçek insanların bulunduğu ortamlar çoğunlukla kazanır; açıkça insandan daha güçlü AI’larla oynamak istemek nadirdir
- Ajanları dışlayan sosyal ağlar daha çekici algılanabilir
- AI en iyi öğretmen haline gelse bile, bazı insanlar bilinçli olarak insan öğretmeni seçmeye devam edecektir
- İnsan katsayısı yüksek alanlarda da rekabet yoğundur
- Karpathy’nin çizdiği dünyada ajanlar herkes için her şey olabilir ve özünde güçlü bağımlılık yapıcı özellikler taşır
- Sonuç olarak, son derece verimsiz ama H değeri çok yüksek yazılımların çok sayıda ortaya çıkması mümkündür
Umut için dayanaklar
- İnsan ile AI arasında aracılık yapan ya da AI’nın yakında doğrudan yapabileceği “akıllı görünme rolünü” üstlenen yazılımlar yapısal olarak risk altındadır
- Buna rağmen yazılması gereken yazılım miktarı fiilen sonsuzdur
- Tüm hastalıkların tedavisi, tüm proteinlerin davranışının modellenmesi, tüm gezegen keşif senaryoları hâlâ önümüzde duruyor
- İnsan hırsı her zaman mevcut bilişsel kapasiteyi aşar; token maliyetleri düşse bile hemen daha uzak frontier’lara ilerleriz
- Dikkat toplama sorunu; basılı medya, internet, sosyal medya, gerçek zamanlı reklamlar ve agregatörler boyunca zaten birçok kez çözülmüş bir deneyim alanıdır
- Desire Paths tasarımı gerçekten işe yarar; OpenAI gibi yerlerin dev eğitim bütçeleri olmadan da ajanların doğal olarak kullanmak isteyeceği araçlar yapılabilir
- İnsan katsayısı açıkça vardır; insanlar zaten ajan kokusu yoğun olan şeylerden yorulmaya başladı
- İnsanlar arası bağlantıyı ve yaratıcılığı merkeze alarak tasarlanırsa, mesele sonunda yeniden geleneksel pazarlama ve markalama alanına yakınsar
- Altı kaldıraç, çeşitli hayatta kalma yolları sunar
- Yeniden yapmaya kalkışmanın bile delilik gibi hissedileceği şeyler inşa edip bunları kolay bulunur ve kolay kullanılır hale getirirseniz, yeterince sağlam bir olasılık elde edebilirsiniz
Henüz yorum yok.