- Son dönemde profesyonel kodlama işlerinde yapay zeka araçlarını kullandıysanız deneyiminizi paylaşın
- Hangi araçları kullandınız?
- Hangi yönleri etkiliydi ve neden?
- Hangi zorluklarla karşılaştınız ve bunları nasıl çözdünüz? (Çözdüyseniz tabii.)
- Başkalarının deneyimlerinizden öğrenebilmesi için yeterli bağlamı (teknoloji yığını, proje türü, ekip büyüklüğü, deneyim seviyesi) de paylaşırsanız seviniriz
- Amaç, Mart 2026 itibarıyla yapay zeka tabanlı geliştirmenin sahadaki gerçek durumunu abartısız ve nesnel biçimde anlamak
Hacker News yanıtlarının özeti
Yapay zekanın ürettiği dokümanlar ve iletişim sorunları
- Bir yönetici Claude ile 50 sayfalık tasarım dokümanı, PRD ve slayt destesi üretip "hızlıca gözden geçir" diye gönderiyor, ama yazan kişi bunu kendisi bile okumamış oluyor
- Bazı çalışanlar durmadan slayt üretirken somut sorulara yanıt vermekten kaçınıyor
- Eskiden 30 dakikada çözülecek bir DB performans sorununun (ör. GSI ekleme) artık yapay zekanın ürettiği 37 sayfalık belgeyle (açıklama, hafifletme, plan, inceleme, risk, dağıtım vb.) bir haftaya yayılması gibi örnekler var
- Yapay zeka üretimi içerik gönderildiğinde alıcı tarafın da bunu yapay zekayla özetlediği bir "AI'dan AI'a" iletişim modeli ortaya çıkıyor
- "kavram → LLM ile şişirme → LLM ile özetleme → alıcı" akışında kulaktan kulağa oyunu gibi bağlam ve nüans kaybı riski var
- Bir tarafın düşük kaliteli içerik üretip diğer taraftan özenli inceleme beklemesi şeklindeki asimetrik beklenti kaba bulunuyor
- Serbest çalışan bir müşterinin yapay zekayla aşırı ayrıntılı spesifikasyonlar yollayıp gerçekte sadece 30 satırlık bir CSV tablosu istemesi gibi kopukluk örnekleri var
İş ortamında olumsuz deneyimler
- Kıdemli geliştiricilerin her şeyi yapay zekaya yaptırıp ardından temizlik işini daha alt seviyedeki geliştiricilere yıkması
- Yapay zekanın ürettiği kod ana projenin API tasarımını izlemiyor ve gereksiz hata işleme ile ayrıştırma kodlarını bolca içeriyor
- Temizleme bir haftadan uzun sürüyor ama orijinal ekip bunu neredeyse anında çıkarabildiği için ironik biçimde daha yavaş görünülüyor
- Büyük halka açık bir şirketin 1 yıl içinde %100 yapay zeka üretimi kod hedefi koyduğu ve karşı çıkan çalışanları her seviyede işten çıkardığı aktarılıyor
- Kod kalitesi yerine özellik çıkarma hızını optimize eden kültürlerde, kalite işi yapan mühendisler "verimsiz" diye etiketlenebiliyor
- Bir ekip üyesinin haftalar önceki kodu Claude'a verip tamamlanmış gibi teslim ettiği, ancak bunun iş gereksinimi hataları ve ciddi bug'lar içerdiği örnekler var
- Yapay zeka kullanımının zorunlu tutulduğu ortamlarda kod inceleme yükü ciddi biçimde artıyor ve her gün binlerce satır düşük kaliteli PR gözden geçirmek gerekiyor
- Bunu tarif eden ifade: "Sevdiğim her şey elimden alındı, sevmediğim her şey kaldı."
FAANG ve büyük şirket deneyimleri
- FAANG'de çalışan biri: işte merge edilebilir bir çıktı hiç alamadığını, kişisel projelerde ise 10 kat hızlandığını söylüyor
- Büyük kod tabanlarındaki özel framework'ler ve kütüphaneler eğitim verisinde olmadığı için modelin görünürlüğü sınırlı kalıyor
- Ekip içinde başarı örneğini bizzat tanıdığı kişi neredeyse yok
- Amazon mühendisi: Kiro (AWS iç aracı) ve Opus 4.6 kullanarak işte 2-4 kat, yan işte 10 kattan fazla verimlilik artışı yaşadığını söylüyor
- Sadece kod yazmada değil, veri analizi, hata ayıklama ve deployment döngüsü yönetiminde de kullanıyor
- Eskiden bir ay sürecek bir özelliği iki haftada tamamlıyor — kilit nokta, bir daha kullanılmayacak ince teknik ayrıntıları öğrenmeye harcanan zamanın azalması
- Amazon kesintisiyle ilgili olarak, basında çıkan yapay zeka kod yasağı haberlerinin doğru olmadığı; kesinti sırasında yapay zekayla ilgili tek unsurun eski bir iç wiki'ye dayanan tek bir öneri olduğu söyleniyor
- Microsoft mühendisi: GitHub Copilot ile sınırsız Opus kullanıyor; iş hızı artsa da beklentiler aşırı yükselmiş durumda (2 hafta → 2 gün beklentisi)
- Büyük şirket Ar-Ge ekibi: en büyük değerin bug takibi ve tek seferlik loglama kodu üretiminde olduğunu, prototipleme hızının da dramatik biçimde arttığını belirtiyor
- Ancak uygulama maliyeti düştükçe "neyi inşa edeceğiz" rekabeti kızışıyor; daha hızlı düşünme ve daha net yargı gerekiyor
Olumlu deneyimler ve verimlilik artışı örnekleri
- 10 yıllık deneyime sahip mühendis, küçük ekip: 100K DAU tüketici uygulamasını 3 kişiyle kurup sürdürüyor; eskiden bunun için 10 kişi gerekirdi diye düşünüyor
- Hata listesi yok, kod tabanını iki kişi neredeyse tamamen anlıyor, refactoring sıklığı ciddi biçimde artmış
- Simon Willison: 2025 Kasım'dan beri kodunun çoğunu ajanlarla yazıyor, iPhone'daki Claude Code ile bile çalışıyor
- Yıllardır aklında olan projeleri birkaç saatte hayata geçirmiş; bu da tek geliştiricinin sınırlarını yeniden düşündürüyor
- Claude Code ile Go uygulaması yazarken osmoz yoluyla öğrenme sayesinde yeni bir dil edinmiş
- Deneyimli serbest çalışan: Claude Code sonrası Terraform'da %95 doğruluk, veri işleme projelerinde 5 kattan fazla hız
- "Eskiden yapamadığım şeyleri artık yapabiliyorum; zor olan kolaylaştı, kolay olan ise daha hızlı ve daha kolay oldu."
- Küçük oyun stüdyosu: iç araçlar ve workflow iyileştirmelerinde kullanıyor; fikir aşamasına ne kadar yakınsa yapay zeka kodlama o kadar etkili
- Küçük bir bira üretim tesisi sahibi: muhasebe otomasyonu (16 saat/ay → 3 saat), üretim-satış raporları, ödül takibi uygulaması gibi 5'ten fazla iç araç kurmuş
Kod tabanını anlama ve hata ayıklamada kullanım
- Büyük ve legacy kod tabanlarında "Bu tabloya dokunan hangi fonksiyonlar var?" gibi sorularda etkili
- Dev monolit içinde gezinme: "API endpoint kimlik doğrulamasının kaç türü var?" sorusuna 5 dakikada 4 tanesini bulup özetleyebiliyor
- Hata ayıklama: karmaşık bir regex'in neden eşleşmediğini anlama, stack trace analizi ve log analizi konusunda çok güçlü
- Yabancı bir kod tabanına onboarding süresi günlerden dakikalara inebiliyor
- Daha önce "Hindistan ya da Doğu Avrupa'daki ekip arkadaşına sorup bir gece bekleme" sürecini yapay zeka tamamen ikame edebiliyor
Kod kalitesi ve bakım endişeleri
- Yapay zeka üretimi kodun tutarlı sorunları: gereksiz karmaşıklık, aşırı hata işleme, yinelenen mantık, mevcut fonksiyonları kullanmama
- Bakımı gerekecek kodlarda elle yazmak uzun vadede daha hızlı; çünkü yapay zeka kodunda sonradan değişiklik yaparken gerekli zihinsel model eksik oluyor
- Claude'un HTML sanitizer'ı özel bir regex ile değiştirmeye çalıştığı bir örnek var — testler geçiyor ama güvenlik açığı oluşuyor
- Kimlik doğrulamalı bir API yapılırken herkesin yeni API anahtarı PUT edebildiği bir route eklenmiş örnekler var
- Yapay zeka, kod tabanının karmaşıklığını azaltacak proaktif refactoring'i neredeyse hiç yapmıyor; bunun yerine mantık tekrarını, gereksiz soyutlamayı ve döngüsel bağımlılıkları biriktiriyor
- 200K LOC'luk bir kod tabanının %99,5'inin yapay zekayla yazıldığı bir örnek de var; ancak bunun ön koşulu katı TDD ve her satırın gözden geçirilmesi
Beceri körelmesi ve psikolojik etkiler
- "Kendi tembellik tarzımı bildiğim için becerilerimin köreleceğini biliyorum" diyerek yapay zeka kod üretimini hiç kullanmayanlar var
- Bir ekip arkadaşı 6 ay önce yapay zekaya bağımlı hale geldiğini kabul etmiş; bırakmak istese de uyuşturucu bağımlılığı gibi kolayca el gidiyor
- Genç bir geliştiricinin son 1 yılda giderek daha tuhaf MR'lar gönderdiği, sonradan yapay zeka kullanım izleri bulunduğu anlatılıyor
- Kıdemli mühendis: "Kodlama becerilerimin köreldiğini biliyorum ama kodlama gerçekten en çok keyif aldığım kısım mı emin değilim" diyor; tasarım ve mimariye daha fazla zaman ayırıyor
- Kişisel projelerde yapay zekayla 10 kat daha hızlı üretse de, "bunu ben yapmadım" hissi nedeniyle bağ kuramıyor ve bitirme motivasyonunu kaybediyor
- "Yapay zeka sevdiğim kısımlarda iyi, ama sevmediğim ya da beni yoran kısımlara daha çok zaman ayırmamı sağlıyor"; toplam stres artıyor
- 3 yıllık mühendis: yapay zeka işin %90'ını yapabilse de, kalan %10'u yapmak için o %90'ın zihinsel modeli gerekiyor ve bu model ancak kodu kendin yazarak oluşuyor
Etkili iş akışları ve en iyi pratikler
- Spesifikasyon → plan → eleştiri → planı iyileştirme → uygulama akışı en yüksek kaliteyi veriyor
- Plan Mode sonrası implementasyon, ardından aynı modelle ek kod incelemesi yapılması öneriliyor (tercihen ayrı oturumda)
- AGENTS.md / CLAUDE.md dosyalarıyla kodlama stili, kalıplar ve yasakların belgelenmesi; oturum sonunda güncellenmesi
- Ajana kendi kendine hata ayıklama ve doğrulama yeteneği verme: test çalıştırma, log kontrolü, ekran görüntüsü doğrulama vb.
- Kısıtları baştan açık yazmak ("yalnızca standart kütüphane, yeni dosya yok, 50 satırı geçme") çıktı kalitesini dramatik biçimde artırıyor
- Birden çok ajan arasında durum dosyası (mechanical ledger) kullanımı: commit'ler, testler, patch başarısızlıkları kaydediliyor; böylece yeni oturumlar belleğe değil gerçek duruma bakarak bağlamı yeniden kuruyor
- Git worktree ile birden fazla işi paralel yürütürken bağlam ayrımı sağlanabiliyor
Teknik olmayan rollerde yapay zekanın genişlemesi
- PM/operasyon direktörü: programcısı olmayan küçük bir şirkette son 1 yılda 12 iç araç kurduğunu, geliştirme kavramlarını şaşırtıcı hızda öğrendiğini söylüyor
- Teknik olmayan kurucu ortak: işlevsel prototipler üretebiliyor ama production seviyesine geçiş için mühendis gerekiyor; pair programming'in tasarım dokümanından daha verimli olduğu belirtiliyor
- Teknik olmayan bir yöneticinin MS Copilot ile üretilen ESRI Arcade kodunu debug etmek için 3 saatlik pair session yapıldığı; "AI debugging uzmanı" rolünün yeni faturalandırılabilir iş olarak ortaya çıktığı ifade ediliyor
Alanlara göre etki farkı
- Web/API geliştirme: A seviyesi; mimariden paket uyumluluğu debug etmeye kadar tüm stack'te etkili
- Unity/oyun geliştirme: C- seviyesi; scene graph, component model ve donanıma bağlı davranışları anlayamıyor
- Tıbbi görüntüleme: uzmanlık eksikliği nedeniyle başarısız; performans optimizasyonu önerilerinin tamamı gerçek veride iyileşme sağlamamış
- Rust uygulamaları: greenfield Python/web işlerinde etkili ama 100K LOC altındaki Rust uygulamalarında ajan iş akışları verimsiz
- Sinyal işleme, gömülü sistemler, HPC: halüsinasyon oranı yüksek; haricen var olan ama belgesiz API'lerle çalışırken neredeyse işe yaramıyor
- C++ grafik algoritmaları: sonuçlar aşırı doğrusal olmayan biçimde; ya tek seferde doğru ya da tamamen başarısız, arası yok
Sektör görünümü ve kaygılar
- "5-7 yıl içinde CEO/CFO düzeyindeki yapay zeka kör inancının ciddi yetenek açığına ve maaşların 3 katına çıkmasına yol açacağı" öngörüsü var
- "Orta seviye boşalacak, yön veren, koordine eden ve uygulayan yalnızca az sayıda kıdemli kalacak" endişesi dile getiriliyor
- Yapay zekanın özyinelemeli öz-iyileştirme aşamasına girdiği ve 6 ay sonra nereye varacağının öngörülemediği söyleniyor
- MIT makalesinde model genişlik (width) ölçeklemesinin sınırları gösterildi; eğitim verisinin tükenmesi ve sentetik veride kalite düşüşü sorunları da var
- "Ya herkes işsiz kalacak ya da büyük bir piyasa çöküşü kapıda, ya da ikisi birden" — ilginç ama tedirgin edici bir dönem
- Serbest çalışma piyasasında, uzun süreli ilişki kurmuş freelancer'lar henüz yavaşlama hissetmiyor; tek seferlik küçük işler ise yapay zekayla ikame edilebilir görünüyor
Yapay zekayı kullanmamayı seçmek
- LLM öncesinde ekip arkadaşlarının mevcut otomasyonları olsa da, yapay zeka aptal bir junior'a bakıcılık yapıyormuş hissi verdiği için ilgi kaybı yaşanıyor
- "Hiçbir sorunu çözmeyip sadece yeni sorunlar getiren bir tuzak" denilerek kişinin kendi işinde yapay zeka kullanımı politik olarak yasaklanmış
- Robotik alanında C++ ve Python kullananlar, yapay zeka kodlama denemelerinde yalnızca yarım çalışan çöp çıktılar aldıklarını; doğal dille açıklamanın da eziyet olduğunu söylüyor
- Doğrudan kod yazarak kod mimarisini ve teknik geleceği düşünme süreci, asla devredilemeyecek bir değer olarak görülüyor
1 yorum
Hacker News görüşleri
Bu aralar en zorlandığım şey, yöneticilerin Claude ile 50 sayfalık tasarım dokümanları ya da PRD’ler üretip “gözden geçirir misin” diye göndermesi
Kimse okumuyor, yazan kişi bile anlamıyor. Bazı çalışanlar da sonsuz slide deck’ler üretiyor ve soru sorunca geveleyip geçiyor
Hatta uzun süredir kod yazmayan insanlar bile AI sayesinde yeniden kod önermeye başladı ama garip fikirler çok fazla
Ben production kodunu elimle yazıyorum, AI’ı sadece bug incelemesi için kullanıyorum. Basit yük testi script’leri gibi şeyleri AI’a bırakıyorum
Bunun biraz takım kültürüyle de ilgisi var ama AI yüzünden iş gerçekten sıkıcı ve yorucu hale geldi
Büyük bir özelliği geliştiriyordum; ekip arkadaşlarım eski kodumu Claude’a verip “tamamlanmış hali bu” diye geri getirdi
Ortaya çıkan şey iş gereksinimlerine uymuyordu ve bug doluydu. Kodumu iyileştirme niyetleri iyiydi ama “Claude bitirir zaten” tavrı aşağılayıcıydı
Artık “bilmiyorum” deme özgürlüğü de kalmadı. Tek satırlık prompt’tan cevap çıkınca backend geliştirici frontend’i de üstlenmek zorunda kalıyor
Şirkette AI sayesinde iş bitmek bilmeyen toparlama işine dönüştü
Daha kıdemli geliştiriciler AI ile üretilmiş kodu bana devrediyor, ben de onu temizlemekle uğraşıyorum
Mesela bir ekibin geliştirdiği özelliği ana codebase’e birleştirmemiz gerekiyordu ama API tasarımı hiç uymuyordu ve gereksiz kod yığınları vardı
Sonunda bir haftadan fazla refactor yaparak geciktirdik, üstelik yavaş olan benmişim gibi göründü
Öte yandan kişisel projelerde AI sayesinde hızlıca deney yapıp öğrenmek eğlenceli
Ama şirkette orta seviye geliştiricilerin ortadan kalktığı bir gelecek görüyorum. Liderler ve junior’lar kalacak, aradaki katman giderek küçülecek gibi
Ben AI’ı hiç kullanmıyorum. Kendi tembellik tarzımı biliyorum; kullanmaya başlarsam becerilerimin köreleceğini biliyorum
Ekip arkadaşlarımdan biri bunu şimdiden hissetti; kod üretimini bıraktı ama o kadar rahat ki bağımlılık gibi diyor
Bir başkası da AI kodunun bakım için uygun olmadığını düşünüp bırakmış. Onu sadece soru sormak için kullanıyor
Bir junior ise gerçekten geriledi. Yazdığı kodda AI’ın kurduğu yapı açıkça belli oluyor
Acil durumda sadece API referansı için kısa süreli kullanıyorum
Ama AI’ın yazdığı kodun bakımının yapılamayacağı iddiası bana mantıklı gelmiyor. Beğenmezsen yeniden ürettirirsin
Hatta AI’ın tüm framework’ü yeniden yazdığı örnekler de gördüm
Mühendisin değeri anlayışındadır. Anlayış olmadan otomasyon, insan sermayesinin körelmesidir
Ben bir Amazon mühendisi olarak, dahili Kiro harness’i ve Opus 4.6 kullanıyorum
Verimlilik işte 2–4 kat, yan projelerde ise 10 katın üzerinde arttı
Eskiden fazla mesai yapmak zorundaydım, şimdi ise 9–5 çalışarak daha fazla özellik çıkarıyorum
AI sadece basit kodlama değil, deployment otomasyonu, veri analizi ve debugging için de faydalı
Örneğin kodu değiştirdikten sonra gamma ortamına deploy edip CloudWatch log’larıyla doğrulama döngüsünü AI benim yerime yürütüyor
Bu sayede 2 haftada bir aylık özelliği tamamladım. SWE’nin önce otomatikleşeceği söylemini anlamıyorum
LLM’lerin sınırları var ama mevcut seviyede bile software engineering’in dengesi değişiyor
Ama AI’ın ürettiği düşük kaliteli kod patlaması endişe verici
Ben FAANG’de çalışıyorum. İşte AI neredeyse hiç yardımcı olmuyor
Sadece tasarım dokümanı özeti ya da kod arama gibi şeylerde işe yarıyor. Gerçekten çalışan bir commit aldığım hiç olmadı
Çevremde de bunu başarılı kullanan kimseyi görmedim.
Ama kişisel projelerde küçük yeni işler için gerçekten 10 kat hızlı
Sanırım şirket codebase’i fazla büyük ve karmaşık olduğu için
%95’i kusursuz çalışıyor, sorun çıkabilecek yerleri de önceden tahmin edebiliyorum
Bir ekip arkadaşım veri sampling istediğinde de anında çözdüm
Eskiden saatler sürecek işi sohbet sırasında bitiriyorum
Yapamadığım işleri yapabilir, zor işleri kolay, kolay işleri daha hızlı hale getirdi
Prototype üretimi hızlandı ve LLM bir keresinde API tasarımındaki kusuru da işaret etti
Ama çok hızlı kod üretimi review hızını aşıyor; bu yüzden asıl nokta küçük parçalar halinde üretmek
Test düzeltmelerinde ve harici build hatalarını izlerken de büyük yardım alıyorum
Uzun zamandır işi bu kadar keyif alarak yapmamıştım ama aynı anda iş güvencesi kaygım da çok büyük
Sonuçların isabetsiz olması bu yüzden normal
Büyük bir teknoloji şirketinde çalışıyorum ve codebase çok büyük, çok karmaşık
Başta AI’a mesafeliydim ama şimdi kodu keşfetmek ve yapıyı anlamak için çok yardımcı oluyor
Eskiden günler süren analizi AI yapıyor
Kod üretimini daha çok boilerplate azaltmak için kullanıyorum. Kalitesi düşük ama her şeyi elle yazmaktan biraz daha hızlı
Kişisel projelerde fark büyük değil ama ChatGPT ile konuşarak düşüncelerimi toparlamayı seviyorum
Sonuçta insanın bağlamı anlaması ve doğrulaması önemli
Uzun yıllardır freelance çalışıyorum; AI verimliliğe neredeyse hiç katkı sağlamıyor
Müşteriye teslim edilecek kodu incelerken her zaman gereksiz karmaşıklık, performans sorunları ve bakım riskleri görüyorum
Elbette basit otomasyon işleri için kullanılabilir ama genel olarak daha çok uğraştırıyor
Hızlı bitirdin dersen kalite sorgulanıyor, bir de model ücretini sen ödüyorsun
Sonuçta bütün gün terminalle boğuşuyorsun. Yine de güzel TUI’ler çoğaldı
Benim için AI’ın zararı faydasından fazla
Kod inceleme ve aramada iyi ama gerçek kod yazımında her şeyi hep yeniden yazmam gerekiyor
Ortaya çıkan şey, sanki sadece sınavı geçmeye çalışan bir öğrencinin yazdığı kod gibi
“Bu sefer olur herhalde” diye deniyorum ama sonunda zaman kaybı oluyor. JavaScript framework modası zamanını hatırlatıyor
Sorun şu ki kod kalitesi gerçekten önemli mi diye insan sorguluyor
Modülerlik yeterliyse, düşük kaliteli modülü yeniden üretmek yeterli olabilir
O yüzden daha da tedirgin edici. Belki de gerçekten yakında yerimiz alınacak
Şaşırtıcı şekilde HN’de hava AI konusunda karamsar; bu bana beklenmedik geldi
Ben 10 yıllık bir mühendisim ve Twitter’da anlatılanların yarısı gerçek
Bizim ekip 3 kişiyle 100 bin DAU’lu bir uygulamayı ayakta tutuyor. Eskiden bunun için 10 kişi gerekirdi
Bug listemiz de yok ve kod kalitesi elle yazılan zamandan daha kötü değil
Refactor sıklığı hatta arttı, hız ise patlayıcı düzeyde. Gerçekten memnunum
Yalnız şu an sürekli kod eklenmesi yüzünden karmaşıklığın patlaması riski var
Yine de 6 ay sonra her şey tamamen farklı olabilir. Şu an hem heyecan verici hem korkutucu
Ama takım ne kadar küçükse, AI ile patlayıcı verimlilik o kadar belirgin oluyor