Vibe coding'in büyüsünü bozmak

• Yapay zekanın ürettiği karmaşık kodların kitlesel üretimi yaygınlaşırken, insanların okumadığı kod üretme olgusu sektör geneline yayılıyor
• Yöneticiler yapay zeka kaynaklı iş gücü azaltımını meşrulaştırıyor ve geliştiriciler yapay zekanın ürettiği kod oranını doldurma baskısı altında kalıyor
• Bu tür bir 'vibe coding', kumarın bağımlılık mekanizmasına benzeyen bir 'dark flow' durumu yaratarak üretkenlik yanılsamasına neden oluyor
• Gerçekte, yapay zeka kodlama araçlarını kullanırken üretkenliğin %20 arttığı hissedilse de aslında %19 yavaşlama olduğunu gösteren araştırmalar var
• Yapay zeka faydalı olsa da, insan düşüncesi, yaratıcılığı ve yazılım mühendisliği becerileri yerini doldurulamaz; bunlardan vazgeçmek tersine gerileme riski taşıyor

---

Vibe coding'in yayılması ve sorunun fark edilmesi

• Vibe coding, yapay zekanın ürettiği karmaşık kodların kitlesel üretimi anlamına geliyor ve bunun sonucunda kodun insanlar tarafından okunması ya da bakımı zorlaşıyor
  • Bazı şirketler, yapay zekanın insanların işini devralabileceğini söyleyerek işten çıkarmaları meşrulaştırıyor
  • Geliştiriciler, yapay zekanın ürettiği kod oranını tutturamazlarsa performans değerlendirmesinde dezavantaj yaşayacakları baskısını hissediyor
  • Hem öğrenciler hem de çalışanlar, “Yapay zeka yakında işimin yerini alacak” kaygısıyla kendini geliştirme konusunda tereddüt ediyor
• Yapay zeka gerçekten faydalı olsa da, vibe coding konusunda dikkatli olmak gerekiyor ve yanlış kullanıldığında olumsuz sonuçlar doğurabiliyor

'Flow' ile 'dark flow' arasındaki fark

• Psikolog Mihaly Csikszentmihalyi'nin tanımladığı 'flow', meydan okuma ile becerinin dengede olduğu yoğun odaklanma halidir
• Buna karşılık, kumarda olduğu gibi beceriyle ilgisiz etkinliklerde de yoğun bir kaptırma hissi oluşabilir; bu da 'sahte flow' sayılır
  • Slot makinelerindeki Loss Disguised as a Win (LDW) örneğinde olduğu gibi, gerçekte kayıp olsa da kazanmış gibi bir yanılsama yaratılır
  • Araştırmalara göre LDW, gerçek kazanıma benzer fizyolojik tepkiler oluşturarak bağımlılık yaratan kaptırılmışlığı güçlendirir
• Bu olgu 'dark flow' veya 'junk flow' olarak adlandırılır ve gelişim olmadan yaşanan bağımlılık benzeri bir kaptırılmışlık anlamına gelir

Vibe coding ile kumar arasındaki benzerlik

• Geliştirici Armin Ronacher, yapay zeka kodlama araçlarını kullandıktan sonra çok fazla kod üretmesine rağmen gerçekte neredeyse hiçbirini kullanamadığını belirtiyor
  • Bu, kumardaki 'sahte kazanım' yapısına benzer bir yanılsamadır
• Vibe coding şu açılardan flow'un koşullarını ihlal eder
  • Sonuçlara dair net geri bildirim yoktur; aksine yanlış bir başarı hissi verir
  • Meydan okuma düzeyi ile beceri düzeyi arasında dengesizlik vardır
  • Kontrol yanılsaması üzerinden kullanıcının sonucu yönettiğine inanmasını sağlar
• Yapay zekanın ürettiği kodun kalitesiyle ilgili sorunlar çoğu zaman ancak haftalar sonra fark edilir ve bug'lar ile bakım yapılamaz karmaşıklık sonradan ortaya çıkar
• Hem LLM'ler hem de slot makineleri, kullanıcının psikolojik tepkilerini en üst düzeye çıkaracak şekilde tasarlanır ve sürekli kullanımı teşvik eder

Üretkenlik yanılsaması ve 'güvenilmez anlatıcı'

• METR araştırmasına göre, yapay zeka araçlarını kullanan geliştiriciler kendilerini %20 daha hızlı hissetti ama gerçekte %19 daha yavaştı
  • Bu, algılanan verimlilik ile gerçek verimlilik arasında %40'lık fark anlamına geliyor
• Yapay zekayla yazılmış metinler de görünüşte benzer olsa da kalite açısından daha düşük olabilir
  • Bir yapay zeka araştırmacısının blog yazıları, yapay zekayla yazıldıktan sonra önceye göre daha az okunabilir bir üsluba dönüştü
• İnsanlar kendi üretkenliklerini nesnel biçimde değerlendirmekte zorlanır ve yapay zeka kullandıktan sonra bunu olduğundan yüksek görme eğilimindedir

Hatalı öngörüler ve kariyer riski

• Yapay zekanın kodlamayı tamamen devralacağı yönündeki öngörüler defalarca boşa çıktı
  • Geoffrey Hinton, 2021'e kadar yapay zekanın radyologların yerini alacağını öngörmüştü, ancak bu gerçekleşmedi
  • Google'dan Sundar Pichai ve Jeff Dean, 2023'e kadar tüm veri bilimcilerin otomatik sinir ağı tasarım araçlarını kullanacağını söylemişti, ancak bu da olmadı
  • Anthropic'ten Dario Amodei, 2025 sonuna kadar yapay zekanın tüm kodun %90'ını yazacağını öngördü, ancak bunun dayanağı yok
• Bu tür abartılı beklentiler yüzünden kendi becerilerini geliştirmeyi bırakmak risklidir
  • Yapay zeka ilerleme hızı, gerçekte olduğundan sürekli daha yüksek tahmin edildi

İnsan düşüncesi ve yaratıcılığının kalıcı önemi

• Yapay zeka kodlama ajanları sözdizimi açısından doğru kod üretebilir, ancak
  • yararlı soyutlamalar, modülerlik ve kod yapısını iyileştirme konusunda yetersiz kalır
  • Yani kodlama otomatikleşti ama yazılım mühendisliği otomatikleşmedi
• Yapay zekanın ürettiği metinler de dilbilgisi açısından doğal görünse de, düşünceyi inceltmek ya da özü yakalamak konusunda başarılı değildir
• Jeremy Howard, “Düşünmeyi tamamen yapay zekaya devrederseniz öğrenme ve gelişme yeteneğinizi kaybedersiniz” diye uyarıyor
  • Yapay zeka bir araç olarak faydalıdır ama insanın temel yetkinliklerinin yerini tutmaz

[kiga183]

İnsanların iş yapma becerisini değerlendirirken, tavır diye bir unsur vardır. İş yönergeleri ve üstlerin emirlerinin ötesinde, kişinin işe kendi başına nasıl yaklaştığı önemlidir. Bu tavır, işe yönelik sürekli ilgi, içgörü ve sorumluluk duygusuyla ortaya çıkar. Bunların içinde özellikle sorumluluk duygusu önemlidir. Yapay zeka diğer şeyleri taklit edebilir ama sorumluluk duygusu yoktur. Yapay zeka çıktıları değerlendirebilir, ancak sürece dair sorumluluk duygusunu değerlendiremez.

[kiga183]

Yapay zeka nasıl (How) yapılacağını iyi bilir, ancak bunun neden yapılması gerektiğini bilmez. İşin temel amacını kavramaya çalışmak, deneme yanılmayı göze alıp yeni bir yol aramaya yönelik keşif isteği ve amaca doğru yön belirleme yalnızca insanların yapabileceği şeylerdir. Sorumluluk duygusu yalnızca sonuca odaklanmak değil, süreç boyunca amacı gözden kaçırmadan sürekli soru sormak ve araştıran bir tutum sergilemektir.

[kiga183]

Kılavuzlar ve talimatlar dışında başka yöntemleri yaratıcı biçimde bulabilme yeteneği de sorumluluk sahibi bir tutumdan kaynaklanır.

[dieafterwork]

Buna büyük ölçüde katılıyorum.

[GN⁺]

Hacker News yorumları

• Yapay zekayı fazla kullanmanın riski ile çok az kullanmanın riski arasında hangisinin daha büyük olduğunu düşünüyorum
  Şu an ilki çok daha tehlikeli gibi geliyor. Saçma sapan bug'lar, çıkmaz mimariler, güvenlik sorunları, koda sahiplik hissinin azalması ve öğrenme fırsatlarının kaçırılması gibi sorunlar var
  Buna karşılık yapay zekayı daha az kullanmak üretkenliği düşürebilir, ama kod tabanına dair derin anlayış ve alınan eğitim uzun vadede daha büyük bir kazanım olabilir
  Kişisel olarak kodun içinde doğrudan boğuşurken ortaya çıkan yaratıcı fikirlerin en değerli şey olduğunu düşünüyorum
  İşi yapay zekaya çok erken verirseniz bu fırsatları kaçırmak üzücü
  • Yapay zeka destekli kodlama sırasında bile çıtayı düşürmezseniz, aslında daha derin odaklanabiliyorsunuz
    Tekrarlı iş azaldığı için zihin daha az yoruluyor ve zor problemlere odaklanabildiğiniz için daha iyi fikirler çıkıyor
    Kilit nokta iyi zevki ve standartları korumak
  • Ajanik kodlama denemesi yaparken çıkmaz bir mimariye yönlendirildiğim oldu
    Tasarım ve dokümantasyonu önceden ayrıntılı hazırladığımda başarı oranı daha yüksekti
    Gerçekten zor olan kısım kod üretiminin kendisinden çok planlama ve tasarım aşaması
    Buna karşılık LLM ile dokümantasyon ya da boilerplate yazdırmak ciddi zaman kazandırıyor
  • Herkes yapay zekalı kodlamayı çok farklı şekillerde kullanıyor
    Kimi insanlar uygulamayı tek seferde tamamlamaya çalışıyor, kimileri ise yalnızca basit otomatik tamamlama düzeyinde kullanıyor
    Sürekli yeni yöntemler çıktığı için açık fikirli biçimde farklı denemeler yapmak en iyisi
  • “Yapay zekayı çok fazla mı, çok az mı kullanıyoruz?” çerçevesinin yanlış bir yaklaşım olduğunu düşünüyorum
    Yeni teknolojilerde doğru yaklaşım her zaman küçük parçalarla doğrulama yapıp kademeli olarak genişletmek olmalı
    Yapay zeka kullanımında doğru miktar, ‘doğrulandığı kadar’dır
    Bu tartışmayı Pascal'ın kumarı gibi sunmak üzücü ve çoğu zaman bir şey satmaya çalışanların mantığı oluyor
• Muhasebe otomasyon aracı yapan biri olarak Vibe kodlama tam bir felaket
  Yapay zeka kodu iyi yazsa bile, vergi hesaplamasındaki ince hatalar gibi görünmeyen hata modları en tehlikeli olanlar
  Gerçek muhasebe sistemlerine yanlış sayılar sessizce işlenebilir
  Bu yüzden yapay zekayı yalnızca gelişmiş bir otomatik tamamlama aracı olarak kullanıyorum — mimariyi ve alan mantığını kendim tasarlıyor, onu sadece tekrar eden kodlar ya da test iskeleti için kullanıyorum
  Sonuçta sorun “yapay zekanın yazdığı kod” değil, benim doğrudan anlamadığım kod
  • Hata modlarının görünmez olması insan kodu için de geçerli
    • Hatta bu tür bir risk, risk yönetimi eksikliğini görünür kılmak için fırsat olabilir
  • Bu tür sorunlar sonuçta yetersiz test sorunudur
    • Kodu insan da yazsa yapay zeka da yazsa, test yoksa başarısızlık görünmez kalır
  • Vergi hesaplama hatalarını çift taraflı muhasebe sistemi yakalamıyor mu diye soranlar da var
  • Bazıları “Ben karmaşık işleri de yapay zekayla sorunsuz hallediyorum” diyerek, bunun sonuçta prompt yazma becerisi farkı olduğunu savunuyor
  • Bir başkası da “Bu tür sorunlar mimari düzeyde çözülmeli” diyerek, denetlenebilirlik ve rollback yapısının esas olduğunu söylüyor
• “Kodlama otomatikleşti ama yazılım mühendisliği otomatikleşmedi” sözüne güçlü biçimde katılıyorum
  LLM'ler fonksiyon yazmakta iyi, ama hangi fonksiyonlara ihtiyaç olduğunu belirleyemiyor
  Gerçek projelerdeki mimari, gerçek dünyanın darboğazlarına çarpa çarpa oluşur
  Yapay zekanın yardım ettiği şey sadece uygulama hızıdır; yapısal kararların sorumluluğu tamamen insana aittir
  Özellikle alan kaynaklı bug'ları LLM asla yakalayamaz
  Sonuçta mimari ve alan bilgisi konusunda sorumluluğu insan üstlenmek zorunda
  • Birisi “LLM'ye doğrudan mimari tasarım sordun mu?” diye karşı çıkıyor
    Sadece ‘kod yaz’ derseniz, hedef o olmadığı için tabii ki bunu yapamaz
  • Bir başkası da “Yapay zeka sayesinde bilek ağrım azaldı” diyerek pratik bir avantajdan bahsediyor
• Yapay zeka araştırmacılarının öngörüleri yüzünden kişisel gelişime yatırım yapmayı bırakmak gerektiğini düşünmüyorum
  Son bir yılda yazılım tasarımı ve Vibe kodlamayı aynı anda öğrendim
  DDD, Clean Architecture, Agile gibi pek çok kitap çalıştım ve çok daha iyi bir mühendis oldum
  Yapay zekayı kullansam da kodun sorumluluğu hâlâ bana ait
  İki alanda da birlikte gelişmek mümkün
  • Yapay zeka kodlama yardımını iyi kullanmak da başlı başına ustalık gerektiren bir beceri
    Zaman yatırımı ve pratik istiyor, ama öğrenmeye fazlasıyla değer ve diğer becerilerin yerini almıyor
  • Ben de benzer şekilde yazılım tasarımı felsefesi ve veri odaklı tasarım gibi kitaplar seçip okuyorum
    Çünkü LLM'lerin iyi yapamadığı şey yüksek seviyeli muhakeme ve yapı tasarımı
    İyi tasarlanmış sistemler yapay zekanın verimliliğini en üst düzeye çıkarıyor
    Ayrıca yeni paradigmaları öğrenmek, LLM'in ürettiği kodu daha iyi değerlendirmeyi ve iyileştirmeyi sağlıyor
    BDD, PBT, model doğrulama gibi teknikler yapay zekalı kodlamayı daha güvenli hale getiren araçlar
  • Öte yandan 20 yıllık deneyime sahip biri, “DDD gereksiz” diyerek cesurca bırakılmasını tavsiye ediyor
  • Birisi de “Üç DDD kitabı arasında en faydalısı hangisiydi?” diye soruyor
• Claude Code ile iki kez karmaşık proje yürüttüm; başlangıçta hız inanılmazdı ama sonunda ölümcül varsayım hataları yüzünden bütün kazanç yok oldu
  Dışarıdan zafer gibi görünse de aslında yenilgi kılığına girmiş bir zaferdi
  Buna karşılık biri, “Bu anlatım tam olarak uyuşturucudaki yükseliş ve çöküşe benziyor” diye benzetme yapıyor
• İyi bir programcı olmak, otomatik olarak iyi bir mimar, tasarımcı ya da PM olmak anlamına gelmiyor
  LLM'leri doğru kullanmak için bu üç rolün de kaslarına ihtiyaç var
  • Başkası ise “İyi bir mühendissen zaten iyi bir PM ve mimar da olmalısın” diye itiraz ediyor
  • Bir diğeri, “UI tasarımcısının ‘iyi tasarımı’ gerçek kullanıcılarla uyuşmuyor” diyerek tek tip tasarım kültürünü eleştiriyor
  • Bir başkası da “Sonunda mimarın, tasarımcının ve yöneticinin işini yapıyoruz ama yalnızca geliştirici gibi muamele görüyoruz” diye iğneliyor
• Başarının anahtarı, başarı kriterlerini somut biçimde tanımlayabilme yeteneği
  İstenen UI/UX'i net biçimde hayal edebiliyorsanız, bugünkü modellerle bile yeterince iyi sonuç almak mümkün
  Buna karşılık “Şöyle kabaca bir şey yap” tarzı prompt'lar tehlikeli
  Yapay zekaya gelişmiş bir mecha suit gibi yaklaşmak gerek — insan döngünün içinde olursa gerçekten hız kazandırıyor
• 2017'de GPT kulağa makul gelen sahte metin üretiyordu, ama 2023'te her şey tamamen değişti
  Teknolojik ilerleme o kadar hızlı ki, geçen yıl zor olan işler bugün önemsiz hale geliyor
  Şirket içinde kullanılan yapay zeka araçları bile açık kaynak modellerle değiştiriliyor
  Şu an sanki “yapay zeka versiyonu Don’t Look Up” dönemindeyiz — herkes çok geç olmadan kendini yapay zeka çağına göre yeniden konumlandırmalı
• İnsanların yapay zekalı kodlamaya yaklaşımı farklı olsa da, Armin'in dediği gibi yönsüz Vibe kodlama tehlikeli
  Bir arkadaşım 3 ay boyunca Cursor ile ürün geliştirdi ama ortaya çok özellikli, fakat işe yaramaz bir şey çıktı
  Sonuçta sorun kodu anlayan birinin eksikliği idi
  • Ben yapay zekayı sadece tekrarlı işler ve bug beyin fırtınası için kullanıyorum
  • Yapay zeka corner case işleme konusunda daha tutarlı, bu yüzden ben tasarım ve mimariye odaklanıyorum
• Kod üretip onu gözden bile geçirmeyen geliştiriciler olması şaşırtıcı
  En temel zihinsel doğrulama (sanity check) bile yapmamalarını anlamak zor
  • Birisi, “Yapay zeka kodu çoğu zaman doğru olduğu için sonunda inceleme yorgunluğu oluşuyor” diyor
    • Sorun kodun kendisinden çok mimari kalıplarda gizli
  • Bir başkası, “IBM araştırmasına göre tasarım aşamasında düzeltmek 15 kat daha ucuz” diyerek doğrulamayı en başta yapmak gerektiğini söylüyor
  • Birisi de “Böyle insanlar gerçek geliştirici değildir” diye kestirip atıyor
  • Bir başkası ise “Alt katmanlar fazla güvenilir hale geldiği için böyle oluyor galiba” diyerek,
    • Tıpkı bizim derlenmiş binary'leri tek tek kontrol etmememiz gibi, yapay zekada da aynı yanılgıya düşüldüğünü analiz ediyor

[shakespeares]

Kullanışlı soyutlamaları, modülerleştirmeyi ve kod yapısını iyileştirmeyi gerçekleştiremiyor
>> Katılıyorum.