Sistemlerinizin Zaten Kör Noktaları Var. AI Sadece Bunları Daha da Kötüleştiriyor.

2022’de, üretken kodlama araçları günlük mühendislik çalışmalarımızın bir parçası olmadan önce, şunu yazmıştım araç seçimi konusundaki felsefem hakkında. Beklediğimden daha iyi dayanıyor. O zamanlar, aslında çözdüğünüz problemlerle başlamayı, zayıf yönlerinizi bilmeyi ve araçları sadece kulağa hoş gelen bir araçla atlayıp işe yarar diye umut etmek yerine, araçları nasıl kullandığınızı önceliklendirmeyi savunmuştum. Kendinizi ve hedeflerinizi tanıyın, böylece araçlarınız için doğru beklentileri belirleyebilirsiniz.

O zamanlar SaaS yayılımı üzerine düşünüyordum, AI tarafından üretilen kod değil. Ancak bugün felsefem daha da acil ve savunması daha önemli.

Birçoğumuz 2025 DORA raporu, buldu ki, bir önceki yıla kıyasla AI benimsemesi artık teslim hızıyla pozitif bir korelasyon gösteriyor. Altındaki bulgu, teslimat istikrarsızlığının artmaya devam ettiğiydi ve hız artışının bunu telafi edip etmediğini test ettiler. Etmedi. Bu, deneyimlerimizle örtüşüyor. Ekibimiz ajan tabanlı yazılım geliştirmeyi benimsedi ve iki çeyrek boyunca teslimatta %48 artış, ardından istikrar sorunlarında %16 artış gördü. On kişi küçük bir örneklem, ama tam resmi görebildiğim bir örneklem ve desen sürdü.

AI benimsemesi artık gerçek bir soru değil. Ya yeni başlıyorsunuz ya da işin içindesiniz. Şimdi farklı olan, mühendislik liderlerinin AI’ı benimsemeleri ve aynı zamanda getirilerini kanıtlamaları beklentisi. CEO, yönetim kurulu ve finans, AI yatırımlarını nasıl optimize edeceklerini bilmek istiyor. Seçtiğiniz araçların gerçek problemleri verimli bir şekilde çözüp çözmediğini soruyorlar. 

Boşluk Her Zaman Oradaydı. AI Sadece Onu Daha Geniş Yaptı.

CTO olarak, zamanımın büyük bir kısmını müşteriler, potansiyel müşteriler ve meslektaşlarım dahil diğer mühendislik liderleriyle AI deneyimlerimizle ilgili başarıları ve şikayetleri karşılaştırarak konuşarak geçiriyorum. Bu konuşmalardan yeterince sonra, AI benimsemesinde ve sonuçlarında kalıplar görmeye başladım.

Ana gözlem bana ait değil. DORA iki yıldır bunu vurguluyor: AI, organizasyonda zaten olanı, hem güçlü yönleri hem de zayıflıkları artırıyor. Temiz mimariye ve sağlıklı inceleme alışkanlıklarına sahip bir ekip daha hızlı olur. Kod gönderecek kadar teknik borcu toparlamış bir ekip ise şimdi bu borcun büyük bir engel haline geldiğini görüyor. Ancak bu çerçevenin kaçırdığı şey, bunun neden bu kadar çok ekibi hazırlıksız yakaladığıdır. AI bu zayıflıkları gizlemedi; güvendiğimiz sistemler onları asla ortaya çıkarmadı.

Çoğu mühendislik organizasyonunun kullandığı bilet ve raporlama yığını, insanların sahip olduğu soruları, insan hızıyla, bir işin “tamam” ne anlama geldiğini kabaca anlayan kişiler tarafından yanıtlamak için inşa edilmiştir. Bu asla mükemmel bir kayıt değildi. Her zaman bir tahmin, altında daha karmaşık bir şeyi özetleyen biri tarafından doldurulurdu. Şimdi AI hacim ekliyor ve yeni aktiviteler üreten yeni girdiler ekliyor. Geleneksel, AI dışı geliştirme yöntemleri için kullanılan hiçbir sistem (veya araç) bunun için tasarlanmamıştı. 

Her ne kadar, aynı hedeflerden sorumlu olmaya devam ediyoruz. Hâlâ hız, kalite, harcama ve ekibinizin gerçek performansından sorumlusunuz. Artık geçen yılın panolarına körü körüne güvenemezsiniz. 

Burada adil bir itiraz var. DORA’nın 2026 ROI raporu bir J-eğrisi tanımlar: benimsemeden hemen sonra, öğrenme eğrisi, AI tarafından üretilen kodun doğrulanma maliyeti ve henüz yetişememiş aşağı akış süreçleri tarafından tetiklenen bir verimlilik düşüşü. Buna dönüşümün “eğitim maliyeti” diyorlar ve liderleri bunu başarısızlık sanmamaları konusunda uyarıyorlar. Bu adil. Ancak eğitim maliyeti ve gerçek bir sorun, biletlerden oluşturulan bir panoda aynı görünüyor. Hangi aşamada olduğunuzu belirleyemezseniz, sabırlı değilsiniz. Tahmin yürütüyorsunuz.

Temellere dönmemiz gerekiyor. Kendinizi tanıyın. Ekibinizi tanıyın. Hangi problemleri çözdüğünüzü bilin. 

AI ile “Kendinizi Tanımak” Nasıl Mümkün?

Konuşmalarımda, insan tarafından üretilen, insan tarafından raporlanan iş için inşa edilmiş geleneksel sistemlerin kör olduğu beş ana alan belirledim. Bunları görmezden gelmek, AI’ı benimsemeye devam ederken zayıflıklarınızı artırma riskini taşır.

Kör Nokta 1: Hız Tiyatrosu

Daha fazla commit ve daha fazla PR ilerleme gibi hissettirebilir, ve çoğu zaman öyledir. AI her iki sayıyı da otomatik olarak artırır. Bir Stanford vaka çalışması AI benimsemesinin PR sayısını %14 artırdığını gösterdi. Ancak kaçırdığınız şey, bu aktivitenin ne kadarının gönderilen özellik çalışması, ne kadarının bakım, yeniden çalışma ya da tutunmayan bir refaktörün getirdiği döngü olduğudur.

Bunu ele almak için, özellik çalışması ile bakım arasındaki ayrımı izleyin ve dağıtım sıklığını ve teslim süresini kendi tarihsel temelinizle karşılaştırın, sektör ortalamasıyla değil. Bu ayrım olmadan, gerçekte kanıtlayamadığınız bir ilerleme rapor ediyorsunuz.

Kör Nokta 2: İnceleme Borcu

İnceleme kapasitesi, çıktı ile otomatik olarak ölçeklenmez. Doğrulama vergisi, geçmeniz gereken bir aşama değildir; ajan geliştirme için sabit maliyetin bir parçasıdır. A recent survey of engineering leaders %80’inin ekiplerin en az %10 zamanını incelemeye harcadığını ve yaklaşık on ekipten birinin %40’tan fazla harcadığını buldu. Bu yük altında, ekipler artan bir birikim ve onaylama arasında gidip geliyor ve hiçbiri gerçek bir çözüm değil.

Yayın kısıtlaması artık kodun ne kadar hızlı yazıldığı değil. bir insanın bir değişikliğin doğru olduğundan gerçekten emin olabildiği hız, hataların ne kadar hızlı ve doğru bir şekilde tespit edilip giderilebileceği. İnceleme yükünün ekibinizde nasıl dağıldığını izleyin; aksi takdirde kıdemli mühendislerinizi aşırı yorar, sürümlerinizi geciktirir veya büyük üretim sorunlarına yol açarsınız.

Blind Spot 3: Gizli İş

Refaktörler ve mimari değişiklikler, diğer biletlerin içinde saklanma eğilimindedir, eğer bilet sisteminde yer alıyorlarsa. AI bu tür işleri daha fazla üretir, daha azını değil. Bir ajan, bir hatayı düzeltmek için on iki dosyaya dokunmaktan çekinmez, oysa bir insan durup yeniden düşünür. Kayıt sistemini atlayan iş, planlamayı da atlar; bu da kapasite modelinizin yanlış olduğu ve üzerine kurulan her tahminin de yanlış olduğu anlamına gelir. 

Gerçek olarak ne kadar iş yapıldığını anlamak için kod tabanında ve çekme isteği geçmişinde ne kadar değiştiğini izlemeniz gerekir. Bunu yapmazsanız, kapasite planınız insanların kaydettiğini hatırladıkları üzerine kurulur, gerçekte yaptıkları üzerine değil. 

Blind Spot 4: Kalite Sürüklenmesi

Aynı anket, mühendislik liderlerinin neredeyse yarısının haftadan haftaya güvenlik sorunlarını tespit etmekte zorlandığını buldu. Karmaşıklık, çoğaltma ve tam olarak uymayan bağımlılıklar, birçok küçük, tek tek makul değişiklikte birikiyor. Bunların hiçbiri tek başına alarm verici görünmüyor. Aynı Stanford vaka çalışmasında, kod kalitesi %9 düştü ve varyansı üç katından fazla arttı. Ortalama biraz değişirken, dağılım (dikkatinizi çeken kısım) büyük ölçüde değişti. AI hacminde, bunlar çoğu inceleme sürecinin yakalayabileceğinden daha hızlı birikiyor. Sürüklenme, genellikle kimsenin gözden geçirdiğini hatırlamadığı bir bağımlılığa geri izlenen bir on-call uyarısı olarak ortaya çıkar. Bu gerçekleştiğinde, bir müşterinin önce fark etmiş olma ihtimali yüksek olur.

Güvenlik bulguları, bağımlılıklar ve hata ve kurtarma üzerindeki trend çizgilerini izleyin—tek tek commitleri değil. Birkaç hafta boyunca artan karmaşıklık ve çoğaltma, incelemede işaretlenen tek bir değişiklikten daha önemlidir. Bunu yapmazsanız, sürüklenmeyi çoğu ekibin hâlâ yaptığı gibi yakalarsınız: zaten bir olaya neden olduktan sonra. 

Blind Spot 5: Kanıtlanmamış Harcama

AI benimsenmesi bir tartışma olmaktan çıktığında, AI harcaması ve ROI herkesin odaklandığı soru haline gelir. Finans, neyin sermayeleştirilebilir, neyin operasyonel olduğunu bilmek ister. Liderlik, yatırımın ne sonuç verdiğini bilmek ister. Çoğu ekip hâlâ araç, lisans ve personel kararlarını sezgiye dayanarak alıyor, paranın ve teslim edilen işin arasındaki bağlantının kanıtına dayanarak değil.

Mühendislik çabasının kod tabanında gerçekte nereden nereye aktığını çeyrekten çeyeğe izleyin — yol haritasının nereden akması gerektiğini söylemesinden değil. Bu bağlantı olmadan, gelecek yılın bütçesini anekdotlarla savunuyorsunuz ve anekdotlar bir CFO ile zor bir görüşmede ayakta kalmaz.

Görünmeyeniyle Başlayın

Finansın sermayeleştirilmiş harcama ve sabah 2’deki bir on-call sayfası sorusu alakasız gibi görünse de değildir. İkisi de aktiviteden “tahmin edilebilir”. Ancak ikisi de aslında koddan kanıtla yanıtlanabilir.

DORA’nın tüm bunlara cevabı mühendislik sistemidir: platform kalitesi, iş akışı netliği, ekip uyumu. Doğru, ama bu aynı zamanda birinci adım değildir. Görmediğiniz bir sistemi düzeltemezsiniz. Bu beş alandan her biri, ona yatırım yapma argümanını ortaya koymadan önce gözlemleyebilmeniz gereken bir şeydir.

İlk faydalı adım yeni bir araç ya da yeni bir süreç değildir. Kendinizi dürüstçe tanımak ve bu beş alandan hangilerinin gerçek kanıt eksikliği yaşadığınız kör noktalara dönüştüğünü belirlemektir. Çoğu lider bu alanlardan birinde sorunları hemen tanımlayabilir (ve dikkat eder). Ancak, en az bilgiye sahip olduğunuz alanlar, AI benimsemeye devam ederken ortaya çıkıp sizi ısırma ihtimali en yüksek olanlardır.