Copilot Yazdı, Ama Sahibi Kim? Mühendislik Takımlarının Göz Ardı Edebildiği Yönetişim Açığı

Bir mühendis, bir müşterinin sitesine kod taslağı hazırlaması için Copilot’u açar. Birkaç saniye içinde, daha önce manuel olarak çok daha uzun sürecek bir kodu alır. Birçok web geliştiricisi ve web sitelerini optimize eden işletme için, şu soruları sormak normaldir: Bu kod güvenilir mi? Güvenli mi? Uygulamadan önce incelenmeli mi? Bu sorular, tek bir sorunun altında toplanır: AI destekli kodlamadan kim sorumlu tutulacak? Ve en önemlisi, verimlilik artışı kime ait?

Eğer AI, bir mühendislik ekibinin aynı sürede daha fazla iş tamamlamasını sağlarsa, herkes bu ekonomik değerden daha fazla fayda sağlayabilir. Bu, geliştiricinin zaman tasarrufu yapması, işverenin tasarruf edilen saatlerden daha fazla değer elde etmesi veya müşterinin ödediklerini fazladan saatle alması anlamına gelebilir. Tasarruf edilen zamanın faydası ne olursa olsun, akılda kalan en önemli konu, işin nasıl yönetildiği ve fiyatlandırıldığıdır.

AI ve Kodlama Kaçınılmaz Hale Geliyor

AI kodlama araçları hızla popülerlik kazanıyor ve ana akım geliştirmeye giriyor. Aşağıdaki ankete göre 2025 Stack Overflow Developer Survey, yanıt verenlerin %84’ü AI araçlarını kullanıyor ya da kullanmayı planlıyor.

Web geliştiricilerinin iş akışlarına AI entegrasyonu giderek yaygınlaşsa da, hâlâ güvenilirliği konusunda tereddütler var. Aynı ankette, yanıt verenlerin %46’sının AI çıktısının doğruluğuna tam güven duymadığı ve yaklaşık %66’sının AI çözümlerini “neredeyse doğru, ama tam değil” şeklinde bir hayal kırıklığı kaynağı olarak belirttiği görülmüştür.

Şekillenmekte olan AI kodlama tartışması, kodun daha fazla değer yaratıp yaratmadığı ve bunu sağlamak için kimin sorumlu olduğundan çok, güvenilirliği üzerine odaklanmaktadır.

AI, Saat ve Çıktı İlişkisinin Kırılmasına Neden Oluyor

Yazılım geliştirme için ödeme, her zaman mühendislik çıktısının mühendislik çabasıyla yakından ilişkili olduğu varsayımına dayanıyordu. Ancak, üretken AI bu denklemi şimdi karmaşıklaştırıyor.

95 geliştiriciyi kapsayan kontrollü bir deney, GitHub Copilot erişimi olan katılımcıların belirli bir JavaScript HTTP sunucu görevini erişimi olmayanlara göre %55,8 daha hızlı tamamladığını ortaya koydu. Erişimi olmayanlara göre %55,8 daha hızlı.

Bu, AI’nın geliştirmeyi hızlandırabileceğini, muhtemelen kaliteyi feda etmeden, göstermektedir. Ancak bu rakamlar, deneyin çok belirli bir programlama görevini izlemesi nedeniyle başarılıdır. Görev daha hızlı tamamlanmış olsa da, Copilot’un tüm bir mühendislik organizasyonunu %55,8 daha üretken yaptığı anlamına gelmez.

Başka bir araştırma bu fikri örneklemektedir. 96 tam zamanlı Google yazılım mühendisiyle yapılan bir deneme, AI kullanan geliştiricilerin kurumsal düzeyde bir görevi yaklaşık 96 dakikada tamamladığını, AI kullanmayanların ise 114 dakikada tamamladığını buldu. Araştırmacıların ayarlanmış tahmini, tamamlanma süresinde yaklaşık %21 azalma olduğunu gösterdi. Ancak çalışma, AI kodunun kalitesini incelemedi ve teknolojinin kullanımına ilişkin eşitlik sorularını ele almadı.

AI’nın kodlama süresini yavaşlattığına dair kanıtlar da vardır. METR tarafından yapılan randomize bir çalışma, tanıdıkları depolarda 246 gerçek sorunu çözen 16 deneyimli açık kaynak geliştiriciyi kapsadı. 2025’in başında mevcut olan Claude Sonnet 3.5 ve 3.7 ile Cursor Pro gibi araçları kullanan bu geliştiriciler, görevlerini tamamlamak için yaklaşık %19 daha fazla zaman harcadı; birçok kişi bu araçların zaman kazandıracağını varsaymış olsa da.

Birlikte, bu çalışmalar AI’nın geliştiricilerin daha hızlı çalışmasını sağlayacağı beklentisini çürütüyor. Bunun yerine, web hizmeti sunan işletmeler ve bu hizmeti alan müşteriler için geliştirici zamanı ve değeri daha öngörülemez hâle getiriyor.

Kimsenin Konuşmadığı Fiyatlandırma Sorunu

Zaman ve Malzeme (T&M), yazılım satın alımında web geliştirmede yaygın bir modeldir; çünkü sürekli değişen bir projeyi ele alarak sektördeki tekrarlayan bir sorunu çözer.

Bu modelde, geliştirme başlamadan önce her özellik ya da görevin tanımlanması zorunlu olmak yerine, müşteriler projenin ilerlemesi ve değişmesi sırasında mühendislik süresi için ödeme yapabilir.

Ancak AI, bu kanıtlanmış modelde aksaklıklara yol açıyor. Ödemenin doğrudan mühendislik saatlerine bağlanması, daha verimli geliştirme süresinin müşteriler için faturalandırılabilir saatlerin azalmasına neden olabilir. AI aynı sonuçları daha az sürede desteklerse, teknoloji müşterilere değer yaratabilir, ancak faturalandırılabilir saatlerin azalması sağlayıcılar için daha az gelir demektir.

Çözüm, geliştiricileri daha yavaş çalışmaya teşvik etmek değildir. T&M modeli artık fiyatlandırma ve teşviklerin tasarımıyla ilgili yapısal bir sorunla karşı karşıyadır. Saatlik ücretleri değer belirlemek için kullanmak sınırlayıcı olabilir. Bir alıcı, her mühendislik saatinin maliyetini tam olarak bilse de, istediği sonuca ulaşmak için gereken toplam yatırımı net olarak bilemeyebilir.

AI mühendislik verimliliğini değiştirdikçe, soru şu şekilde kayabilir:

• “Bir geliştirici saatinin maliyeti ne kadar?” → “Daha az geliştirici saati gerektiğinde değer ne olur?”

METR bulguları bu soruyu karmaşıklaştırıyor. Geliştiriciler zaman tasarrufu yapabileceklerini düşünürken, gerçekte daha uzun sürdüklerinde, ne AI benimsenmesi ne de algılanan verimlilik finansal değeri göstermek için yeterli değildir. Bu yüzden organizasyonların gerçekte ne olduğunu ölçebilecek bir yönetişime ihtiyacı var.

Yönetişim Açığı Dört Sahibe Sahiptir

AI destekli geliştirme üzerindeki yönetişimi tartışmak, geliştiricilerin hangi araçları kullanabileceğini düzenleyen politikalardan daha fazlasını gerektirir.

Mühendislik organizasyonlarının tanımlaması gereken en az dört tür sahiplik vardır.

1. Kodu kim sahipleniyor?

AI bir uygulama üretebilir, ancak sorumluluktan muaf bir geliştirme için mazeret olamaz. Kod üretim aşamasına ulaşana kadar gözden geçirme, test etme ve onaylama sorumluluğu hâlâ birine ait olmalıdır.

2. Riski kim sahipleniyor?

Daha hızlı kod, başka yerlerde sorun yaratmadığı sürece değerlidir. Bir AI tarafından üretilen kodun ampirik çalışması incelenen Python kod parçacıklarının %29,5’inde ve JavaScript kod parçacıklarının %24,2’sinde güvenlik zayıflıkları tespit etti. Araştırma ayrıca 43 Ortak Zayıflık Sınıflandırması kategorisini kapsayan zayıflıklar buldu.

Bununla birlikte, çalışma, statik analiz uyarılarını Copilot Chat’e geri beslemenin tespit edilen güvenlik sorunlarının %55,5’ine kadar düzeltilebileceğini buldu. Araştırma, AI’nın kodlama problemlerini nasıl oluşturup çözebileceğini gösteriyor, ancak organizasyonların çıktısını nasıl doğrulayacakları konusunda süreçlere ihtiyacı var.

NIST’s SP 800-218A bu ilkeyi, Güvenli Yazılım Geliştirme Çerçevesini üretken AI ve çift kullanımlı temel modelleri ele alan en iyi uygulamalarla genişleterek yansıtır.

3. Verimlilik artışının sahibi kim?

Başlangıçtan itibaren ticari anlaşmalar, verimlilik artışının kime verileceğini belirlemede esastır. AI, müşterilerin daha az harcamasına, ekiplerin daha fazla yazılım teslim etmesine yardımcı olabilir ya da projenin sonunda hiçbir finansal fayda sağlamayabilir.

Aynı kalan şey, şeffaf süreçlere ve kalite, üzerinde mutabık kalınmış iş teslimine duyulan ihtiyaçtır.

4. Önceliklendirmeyi kim sahipleniyor?

AI, özellik üretimini daha ucuz ve daha hızlı hâle getirebilir, ancak bu özelliklerin gerekli olup olmadığına karar veremez.

Aslında, geliştirme kapasitesinin artması önceliklendirmeyi daha da önemli hâle getirebilir. Takımlar daha hızlı inşa edip deney yapabildiğinde, hâlâ birinin mevcut bütçeyi haklı çıkaran sonuçları ve hangi fikirlerin terk edilmesi gerektiğini belirlemesi gerekir.

AI Yönetişimi Finansal Bir Sorun Haline Geliyor

Bu sorular AI yönetişimini giderek daha ilgili hâle getiriyor. Benzer saatlik ücretler talep eden iki geliştirme ortağını hayal edin.

Biri AI’ı güçlü bir mühendislik sürecine entegre etmiş ve gereken sonucu çok daha hızlı elde ederken, diğeri daha uzun sürüyor. Sadece saatlik ücretlerini karşılaştırmak, alıcıya gerçekleştirilecek süreçler hakkında çok az bilgi verir.

Alıcıların değerlendirmesi gerekir:

• Beklenen toplam yatırım
• Aşım sorumluluğu
• AI tarafından üretilen işin kalite kontrolleri
• Verimlilik artışının nasıl paylaşıldığı

T&M, hizmetlerdeki belirsizliği bilinçli olarak kabul ederlerse her iki taraf için de faydalı kalabilir. Gereksinimler ve teslimatlar istikrarlı olduğunda sabit fiyatlı anlaşmalar da işe yarayabilir.

Ancak AI, alternatif yapıları incelemeye değer kılıyor. Bir yaklaşım, kapsamı esnek tutarken maksimum finansal bir sınır belirlemektir. Böylece, özellikler bu model içinde iş değerine göre önceliklendirilebilir.

Mühendislik daha verimli hâle gelirse, kazançlar ek faturalandırılabilir zaman yerine ek ürün yeteneğine dönüşebilir. Ticari teşvikler, mühendislik teşvikleriyle aynı sonucu teşvik etmeli, mümkün olduğunca verimli şekilde daha faydalı yazılım yaratmalıdır.

Aynı AI Konuşması

Mühendislik liderleri, ticari teşviklerin teslimatı nasıl etkilediğini anlamalıdır. Finans ve satın alma ekipleri, iddia edilen verimliliğin ölçülebilir değer sağladığını değerlendirmek için AI destekli mühendisliğe yeterli görünürlük elde etmelidir.

Bu, olgun AI yönetişiminin yalnızca onaylanmış model listeleri, güvenlik kontrolleri, veri politikaları veya kod inceleme gereksinimleriyle duramayacağı anlamına gelir. Sorumluluk, finansal risk, önceliklendirme ve verimlilik artışının sahipliğini ele almalıdır.

Ancak, teknoloji bütçeleri üzerinde çok daha büyük bir etki yaratabilecek ikinci bir sahiplik sorusu daha vardır: AI, yazılımın ne kadar hızlı inşa edildiğini değiştirdiğinde yaratılan veya kaybedilen değerin sahibi kimdir?

Daha hızlı mühendisliğin gerçekten daha iyi ürünler üretip üretmediğini, yatırımı kontrol edip ölçülebilir iş sonuçlarına ulaşmayı belirleyen organizasyonlar, rakiplerin önünde kalabilecek olanlardır.

Eğer geliştirme ekibiniz yarın AI’ı benimserse, mevcut yönetişim ve ticari modeliniz, teslimatın daha değerli olup olmadığını size söyleyebilir mi?