Yapay Zeka Kodu Ucuzlattı, İncelemeyi Pahalılaştırdı

Yapay zeka destekli kodlama, mühendislik döngüsünün kod yazan yarısını hızlandırdı ve maliyeti öbür yarıya, o kodun merge edilmeye uygun olup olmadığına karar veren tarafa taşıdı. Organizasyonların çoğu hâlâ hızlanan yarıyı ölçüyor, ağırlaşan yarıyı ise hiçbir şey değişmemiş gibi kadroluyor; velocity grafiği yükselirken teslimatın, kalitenin ve doğrulamayı yapan insanların aynı ölçüde iyileşmemesinin nedeni bu. Ortaya çıkan yorgunluk bir beceri sorunu değil, yük sorunu; bu yüzden işe yarayan kaldıraçlar benimseme temposu, inceleme kapasitesi ve teslimat beklentileri, yani doğrudan liderlikte duran kararlar. Bu kaldıraçları iyi kullanmak üç şey gerektiriyor: kamuya açık verinin ne gösterdiğini bilmek, ilk kaldıracı şirket ölçeğine göre seçmek ve yayımlanmış benchmark’ların nerede aşırı yorumlandığını görmek.

Velocity Rakamının Göstermediği#

Yönetim kurulu sunumuna ulaşan rakamlarla başlayalım, ama kaynaklarını da yanlarına yazarak. Bu verilerin çoğu mühendislik analitiği satan şirketlerden geliyor; onları vendor telemetrisi olarak okuyun. Bağımsız dayanaklar ise DORA, Stack Overflow ve akademik çalışmalar. DX, yapay zeka araçlarını kullanan geliştiricilerin haftada dört ila altı saat kazandığını raporluyor. Aynı DX veri seti, kazancın döngünün alt yarısında eridiğini de gösteriyor: medyan pull request boyutu Temmuz 2025 ile Haziran 2026 arasında 44 satırdan 72 satıra çıktı; DX’in Developer Experience Index’i de dört çeyrek boyunca, 2026’nın ikinci çeyreğine kadar 67’den 65’e geriledi. 22.000 geliştiricinin telemetrisine dayanan Faros AI ise yüksek benimseme düzeyinde ortalama PR boyutunda %51, PR başına dokunulan dosya sayısında %59,7 artış ölçtü; hiç incelenmeden merge edilen PR’lar da %31 arttı.

Kayma en çok kuyrukta yoğunlaşıyor. LinearB’nin 8,1 milyon pull request üzerindeki benchmark’ı, yapay zeka destekli PR’ların bir incelemecinin eline geçene kadar 4,6 kat, kodlama ajanlarından gelen PR’ların ise 5,3 kat daha uzun beklediğini buldu; oysa inceleme bir kez başladığında yaklaşık iki kat hızlı bitiyor. Faros ise incelemede geçen medyan sürenin kendisinin sert biçimde arttığını raporluyor. İki vendor, asıl acının hangi aşamada olduğu konusunda ayrışıyor, beklemede mi incelemede mi; döngü süresinin artık inceleme tarafında toplandığında ise hemfikirler. Bu ayrım akademik değil, operasyonel. Uzun bekleme; yönlendirmeye, sahipliğe ve devam eden iş limitlerine işaret eder. Uzun aktif inceleme ise değişikliğin kavranabilirliğine ve parti karmaşıklığına. İlk müdahaleyi, kendi verinizde hangisinin bozuk göründüğü belirler.

Bağımsız kaynaklar aynı şekli insan diliyle anlatıyor. 2025 Stack Overflow anketinde geliştiricilerin %66’sı en büyük hayal kırıklığı olarak “almost right, but not quite” (neredeyse doğru, ama tam değil) türü yapay zeka çözümlerini gösterdi; %45,2’si yapay zeka üretimi kodu debug etmenin daha fazla zaman aldığını, %75,3’ü ise bir yapay zeka cevabına güvenmediğinde bir insana danıştığını söyledi. DORA’nın 2025 araştırması katılımcıların %90’ının işte yapay zeka kullandığını, %80’den fazlasının üretkenliğini artırdığına inandığını, %30’unun ise üretilen koda çok az güvendiğini ya da hiç güvenmediğini buldu. Birlikte okunduğunda tablo şu: insanlar araçları kullanıyor, araçlara inanıyor ve günün giderek büyüyen bölümünü çıktıyı doğrulamakla geçiriyor.

Yazmaktan Doğrulamaya#

İnceleme hiçbir zaman bedavaya gelmiyordu; yapay zeka benimsemesi asıl olarak günü dolduran işin türünü değiştirdi. Lisanne Bainbridge bu örüntüyü 1983’te, kodlama asistanlarından onyıllar önce tarif etmişti: otomasyon, becerikli operatörü otomasyonun gözetmenine çevirir ve gözetmenlik daha zor iştir, çünkü kişinin kendi yapmadığı işe kesintisiz dikkat vermesini gerektirir. Kod incelemesi araştırması da aynı yönü gösteriyor. Gonçalves ve arkadaşlarının deneyimli incelemecilerle yürüttüğü gözlemsel çalışma, incelemenin asıl bilişsel zorluğunun değişikliği kavramak olduğunu ortaya koydu; incelemeci, yazarın zaten taşıdığı niyeti kafasında yeniden kurar. Uygulama bir modele devredildiğinde niyet yok olmaz; değişikliği başlatan kişinin kafasındadır, ama o kişi kaydetmedikçe diff ile birlikte yolculuk etmez ve incelemeci niyeti yine sıfırdan inşa eder.

Belgelenmiş iki etki yükü katmerliyor. Birincisi, sahiplik inceliyor: IUI 2026’da sunulan bir çalışma, yapay zekanın otonomisi arttıkça geliştiricilerin sorumluluğu yapay zekaya atfettiğini ve değişikliğin sahipliğini teknik incelemecilerin önünde üstlenmekte zorlandığını buldu. Aynı çalışma, üretim sistemleri için hesap verme isteğinin bütün koşullarda sabit kaldığını da buldu; zayıflayan şey mesleki yükümlülük değil, değişiklikle kurulan hissî bağ. Organizasyonel risk belirsizlik: her değişikliğin adı belli bir insan sponsoru yoksa sorumluluk, doğrulamanın en çok keskinlik istediği yerde bulanıklaşır. İkincisi, yük belirli kişilerde toplanıyor: Faros AI bunu kıdemli mühendis vergisi diye adlandırıyor; deneyimli mühendisler inceleme yükünün orantısız bir bölümünü sırtlanıyor, çünkü yapay zekanın ince biçimde yanlış yaptığını yakalayanlar onlar. Bu bir vendor gözlemi; dağılımı ölçen kamuya açık bir veri seti yok. Mekanizma yine de akla yatkın, çünkü ince yanlışı yakalayan örüntü tanıma tam da kıt olan kıdemli beceri.

Burnout kelimesi tam bu noktada, yerinde kullanılmalı. Dünya Sağlık Örgütü’nün ICD-11’i burnout’u başarıyla yönetilememiş kronik işyeri stresinin sonucu olan mesleki bir olgu olarak sınıflandırıyor; üç boyutu var: tükenmişlik, işe karşı zihinsel mesafe ve mesleki yeterlilik hissinin azalması. Maslach ve Leiter nedenleri altı iş yaşamı alanına yerleştiriyor: iş yükü, kontrol, ödül, topluluk, adalet ve değerler; bunların çoğunu organizasyonun planlama ve kadro kararları belirliyor. Yapay zeka benimsemesinin burnout’a yol açtığını gösteren kamuya açık bir kaynak yok; DORA da benimsemeyle birlikte burnout ve sürtünmenin neredeyse hiç değişmediğini buldu. Verinin gösterdiği şey daha dar: yük, burnout literatürünün uyardığı koşullara doğru kayıyor. İnceleme tarafında iş yükü artıyor, yükü sırtlananların kontrolü azalıyor ve gün neredeyse-doğruları reddetmekle geçtiğinde başarı hissi inceliyor. Bu koşulları yönetmek işletim modeli işidir ve bireysel mühendise havale edilemez.

Kademeli Yaygınlaştırma#

Alışıldık yaygınlaştırma planı bir lisans sayısı ve bir eğitim oturumudur. Bunun yerine kademeli bir mekanizma kurun: yapay zeka kullanımını her seferinde bir kohort genişletin ve inceleme tarafı metrikleri önceden belirlenmiş bir bandın içinde kalana kadar o kademede bekleyin. Bant; ilk insan incelemesine kadar geçen süreyi, incelemesiz merge payını ve medyan PR boyutunu kapsar. Bir metrik banttan çıkarsa bir sonraki genişleme, metrik geri dönene kadar bekler. Benimseme böylece satın alma kararı olmaktan çıkıp kapasite kararına dönüşür.

Sahadaki varsayılan cevaplarla karşıtlık, meselenin ta kendisi. Daha fazla eğitim, mühendiste bir beceri eksiği olduğunu varsayar. Daha yeni bir araç, kısıtın hâlâ üretim tarafında olduğunu varsayar. Yapay zeka inceleme ajanı ise inceleme kapasitesinin, onu tüketen teknolojiyle geri satın alınabileceğini varsayar. Telemetri bu varsayıma güç vermiyor ama soruyu kapatmıyor da: Faros, PR’ların yaklaşık dörtte birinin bir tür yapay zeka incelemesinden geçtiği aynı dönemde, incelemede geçen ortalama sürenin yüksek benimsemede yaklaşık %200 arttığını raporluyor. Bu, ajanın etkisini izole eden bir deney değil, aynı popülasyon üzerinde iki toplam rakam. Bu cevapların her biri bir yerde doğru; kuyruk kısıt olduğu sürece hiçbiri doğru ilk hamle olamıyor.

Gözlenen kısıt	İlk müdahale	Gereken kanıt
İnceleme tarafı ölçülmüyor	Önce enstrümantasyon: ilk insan incelemesine kadar süre, incelemede geçen süre, PR boyutu, incelemesiz merge payı	Yok; taban çizgisi olmadan verilecek tempo kararı da yok
Döngü süresine inceleme beklemesi hâkim	Yaygınlaştırmayı inceleme kapasitesine göre kademelendir, parti boyutunu sınırla	Aktif inceleme süresi sabitken ilk insan incelemesine kadar sürenin yükselmesi
İstisna sahibi belli, yazılı bir politika yok	Araç eklemeden önce politikayı yayınla	Benzer değişikliklerin birbirinden farklı bireysel muhakemeyle merge olması
İnceleme yükü birkaç kıdemlide toplanmış	Katmana planlı kapasite ayır, halefiyeti başlat	Yüksek ve artan inceleme yoğunlaşması, yanında kıdemli ayrılık sinyalleri
Metrikler sağlıklı, araç değeri hâlâ düşük	Önce hedefli eğitim	Kısa kuyruk, istikrarlı partiler, sıfıra yakın incelemesiz merge

Bedeli açıkça söylemek gerekiyor. Kademeli model, panoya yazılan benimseme rakamını yavaşlatır; yönetim kurulu bir rakam istiyorsa bu rahatsız eder. Tempoyu ayarlayabilmek için önce inceleme tarafını enstrümante etmeyi gerektirir. Bilinen bir bozulma şekli de var: kademeyi ilerletme kararının sahibi yoksa mekanizma kalıcı bir donmaya dönüşür. Kademeye bir sahip ve takvimde duran bir gözden geçirme tarihi verin; başka her işletim limitine verdiğiniz gibi.

PR Boyutuna Sert Limit#

DORA’nın AI Capabilities Model’i, küçük partiler hâlinde çalışmayı (working in small batches) yapay zeka benimsemesinin performansı mı istikrarsızlığı mı büyüteceğini belirleyen yedi yetkinlikten biri sayıyor; gerekçesi de kuyruk sorunuyla birebir örtüşüyor: küçük değişiklikler, incelenmesi zor büyük üretilmiş kod bloklarının riskini dengeliyor. PR boyutu limiti, büyük diff’in maliyetini görünür olduğu yere geri itiyor.

Limiti sert yapın. Norm, sürüm baskısına yenilir: teslim tarihi sıkıştırdığında büyük PR yine merge olur ve norm sessizce en son ne geçtiyse ona sıfırlanır. Sert limit pazarlığı ortadan kaldırdığı için baskıya dayanır. Limiti yalnızca satırla ölçmeyin: inceleme maliyeti diff’in dokunduğu alan sayısıyla, değiştirdiği sözleşme ve migration’larla, geri almanın zorluğuyla büyür; auth’a, ödemeye ya da herkese açık bir sözleşmeye dokunan değişiklik, kaç satır olursa olsun büyük sayılır. Limitin yanına, mekanik diff’ler için belgelenmiş bir istisna kapısı koyun: üretilmiş migration’lar, format geçişleri, bağımlılık güncellemeleri; her istisnanın adı belli bir onaylayıcısı olsun. İstisna kapısı yoksa limit tiyatroya döner: insanlar sayacı memnun etmek için değişiklikleri gelişigüzel yerlerden böler ve inceleme kolaylaşacağına zorlaşır.

Bedeli daha çok pull request, daha çok merge koordinasyonu ve incelemeciler için daha çok bağlam değişimi. Buna değer, çünkü her inceleme başa çıkılabilir hâle gelir ve gerçekleşen incelemeler başa çıkılabilir olanlardır. Faros verisindeki %31’lik incelemesiz merge artışı, başa çıkılamayan inceleme yükünün kendine başka yol bulmuş hâlidir.

Doğrulamayı Ucuzlatmak#

Daha fazla inceleme kapasitesi cevabın yarısı. İnsan dikkati üretilen kodla doğrusal ölçeklenemez; kalıcı hamle, her değişikliğin doğrulanma maliyetini düşürmek. Başka türlü söylersek, yapay zeka uygulamayı ucuzlattı ve güvenilir kanıtı kıtlaştırdı; bileşik getirisi olan kaldıraç, kanıtı yeniden ucuzlatmak.

Nasılını inceleme araştırması anlatıyor. İncelemeci diff’i tek başına okumaz; niyeti açıklamalardan, biletlerden, testlerden ve mimariden yeniden kurar. Üretilmiş bir değişiklik yanında bir doğrulama paketiyle gelmeli: niyet ve kapsam dışı bırakılanlar, değişen davranış, korunması gereken invariant’lar, risk sınıfı, test edilen senaryolar ve sonuçları, geri alma yolu. Paketin çoğunu üreten araç taslaklayabilir; değişikliğin sponsoru olan mühendis onaylar. Elinde bu paket olan incelemeci, niyeti yeniden kurmak yerine iddiaları doğrular; maliyet tam yükün büyüdüğü yerde düşer.

Deterministik kontroller insan gözünden önce gelir: testler, statik analiz, yukarıdaki risk sınıfları üzerinde policy-as-code. Yapay zeka incelemecisinin hak ettiği yer de bu sıra içinde; geri kazanılmış kapasite olarak değil, insan kapısının önünde bir projektör olarak: diff’in beyan edilen niyetten nerede saptığını ve dikkatin önce nereye inmesi gerektiğini işaretler.

Doğrulama Katmanına Kadro#

İnceleme çoğu planlamada görünmez; planlı işlerin arasındaki boşluklarda yaşar. Üretim kapasitesi ikiye katlandığında faturanın önce odak süresine kesilmesinin nedeni bu. Çözüm gösterişsiz: incelemeye adı konmuş bir bütçe verin, planda görünen bir ekip kapasitesi payı ayırın ve bunu feature çıktısıyla aynı ağırlıkta raporlayın.

Zor soru yükü kimin taşıyacağı ve popüler cevap rotasyon: incelemeyi herkese yayalım ki kimse boğulmasın. Buradaki pozisyon daha az popüler olanı. Kıdemli inceleme katmanını rotasyona açmak yerine koruyun. Yapay zeka çıktısını doğrulamak kıt bir beceri ve ince yanlışı yakalayan incelemeciler, merge kapısının bir anlam taşımasının tek nedeni. Rotasyon bu kıt beceriyi inceltir ve kapının uyguladığı standardı sulandırır. Ayrıca eksik kadroyu adalet kılığına sokarak görünmezleştirir; yüzlerce mühendise karşılık bir avuç gerçek doğrulayıcı olduğunu hiçbir grafik göstermez. Korunan katman darboğazı görünür tutar; görünür darboğaz da bütçe zamanı savunulabilir. Katmanı korumak, her değişikliği ondan geçirmek anlamına gelmez; bu, katmanın yönetmek için var olduğu aşırı yükü yeniden üretir. Kıdemli dikkati risk sınıfına göre yönlendirin (kimlik doğrulama, ödemeler, migration’lar, kişisel veri, altyapı, herkese açık API sözleşmeleri); düşük riskli mekanik değişiklikler olağan eş incelemesinden aksın.

Bu tercihin bedeli kilit kişi riskidir. Korunan katman muhakemeyi az sayıda kafada toplar ve o kafalardan birini kaybetmek acıtır. Tercihin fiyatı bir halefiyet planıdır: katmanın içinde çıraklık, biri standardı öğrenirken ikili yürütülen incelemeler ve katmanın kendi haleflerini yetiştirdiğine dair açık beklenti. Sahiplik baştan sona kişisel kalır: kodu ne yazmış olursa olsun, merge edilen her değişikliğin adı belli, hesap verebilir bir insanı olur; yazarlık ve hesap verebilirlik ayrı alanlar olarak kaydedilir. Sahipliğin devirlerde ve ayrılıklarda nasıl hayatta kaldığı başlı başına bir konu; suçlamasız hesap verebilirlik yazısında ele alınıyor.

Merge Kararını Değiştiren Politika#

DORA’nın ilk yapay zeka yetkinliği, açık ve iletilmiş bir yapay zeka duruşu; araştırmanın tarif ettiği mekanizma da psikolojik güvenlik. Ortada bir pozisyon yokken belirsizlik, araçları az kullanan aşırı temkinli mühendisler ile sınırı aşan pervasız mühendisleri aynı anda üretiyor. Karar yine de veriliyor; PR başına tek tek bireysel muhakemeye kayıyor, risk de onunla birlikte.

Yazılı politikaların çoğu basit bir teste takılıyor, çünkü onaylı araç listesinden öteye geçmiyorlar; o liste satın alma rehberidir ve hiçbir şeyi değiştirmez. Politika iki şeyi adlandırdığında yönetişime dönüşür. Birincisi, ekibin ne yapmayacağı: insan incelemesi olmadan asla merge edilmeyecek değişiklik türleri, hiç üretilmeyecek kod kategorileri. İkincisi, istisnalara kimin karar verdiği; isimle ya da rolle, bu hafta ulaşılabilir biçimde. Test doğrudan: bu belge bu hafta en az bir merge kararını değiştiriyor mu? Değiştiremiyorsa rafta duran bir doküman olmuş demektir ve mühendisler etrafından dolaşmaya çoktan başlamıştır.

Bakım da işin parçası. Araçların iki nesil gerisinde kalmış bir politika, ekibe politikayla pratiğin ilgisiz olduğunu öğretir. Politikaya bir sahip ve bir revizyon temposu verin; metni de revizyonu ucuz kılacak kadar kısa tutun.

30 Kişide ve 300 Kişide İlk Kaldıraç#

Önce hangi kaldıracın çekileceği araçlardan çok organizasyonun şekline bağlı ve bu ayrımı açıkça çizmek gerekiyor. Sayılar birer kısaltma: asıl değişken organizasyonun tek takım mı çok takım mı olduğu, kod tabanının ne kadar bağlaşık olduğu ve işin ne kadarının regüle olduğu. Regüle bir monolit üzerindeki otuz kişilik ekip, gevşek bağlı servislerdeki üç yüz kişiden daha ağır inceleme yönetişimi gerektirebilir; otuzu tek takım, üç yüzü çok takım diye okuyun.

Otuz mühendis civarında ayrı bir inceleme katmanı yoktur; kodu üreten ve doğrulayan aynı avuç insandır, kuyruk metriği de çoğunlukla onların takvimini ölçer. Bu ölçekte ilk dürüst hamle doğrulamayı iş olarak adlandırmaktır: inceleme süresini plana koyun, bütçeleyin ve ekibin haftasının bir bölümünün artık üretilmiş çıktıyı denetlemeye gittiği gerçeğini yol haritasına yansıtın. Tempo bantları ve kohort yaygınlaştırması sonra gelir. Otuz kişide bağlayıcı kısıt doğrulamanın görünmezliğidir ve görünür kılmak bir planlama toplantısına mal olur.

Üç yüz civarında organizasyonun takıldığı yer kuyruğun kendisidir ve bunu tek bir takvim açıklamaz. Orada ilk kaldıraç parti boyutudur, çünkü işe alım yapmadan kuyruk davranışını değiştiren tek kaldıraç odur: küçük değişiklikler incelemeciye daha hızlı yönlenir, daha az bekler ve birinin boş bir öğleden sonra bulmasını bekleyen dev diff’lere dönüşmez. Yapısal hamleler, yani planla fonlanmış inceleme kapasitesi ve grup başına korunan bir katman, o ölçekte de önemlidir ama çeyrekler alır. PR boyutu limiti bir haftada yürürlüğe girer ve gerisini yapmak için zaman kazandırır.

Ne Ölçmeli#

Organizasyonların çoğu üretim tarafını zaten ölçüyor: deployment sıklığı, değişiklik teslim süresi, PR çıktısı, kodun yapay zeka yazımlı payı. Bunları koruyun; yapay zeka payı hedef değil teşhis aracı olarak kalsın. Genellikle eksik olan taraf inceleme ve onu enstrümante etmek yukarıdaki her kaldıracın ön koşulu.

Metrik	Birim	Ne söylüyor
İlk insan incelemesine kadar süre	saat, medyan ve p90	kuyruk davranışı; LinearB’nin yapay zeka destekli döngü süresinde baskın bulduğu aşama; ajan yorumu sayacı durdurmaz
İncelemede geçen süre	saat, medyan ve ortalama ayrı ayrı	aktif doğrulama maliyeti; ikisi vendor verisinde sert biçimde ayrışıyor
PR boyutu ve dokunulan dosya	değişen satır, PR başına dosya; üretim kodu, test ve üretilmiş dosyalar ayrı sayılır	risk ayarlı parti limitinin tutup tutmadığı
İncelemesiz merge payı	merge edilen PR yüzdesi	yükün inceleme kapısını atlayıp atlamadığı
İnceleme yoğunlaşması	en yoğun incelemecilerin payı, takım boyutuna normalize	doğrulama katmanının kaymayı sessizce emip emmediği
Yeniden iş ve churn	iki hafta içinde revize edilen satır yüzdesi	merge hızının gerçek mi ödünç mü olduğu

Sonuç tarafında değişiklik hata oranını ve kurtarma süresini korumaya devam edin; iki sürdürülebilirlik sinyalini de birlikte okuyun: kıdemli katmandaki gönüllü ayrılıkları inceleme yoğunlaşmasının yanında, bir de takım düzeyinde, sabit tempoyla uygulanan, geçerliliği kanıtlanmış bir iyilik hâli ölçeğini. Takım düzeyi önemli; kimse tek tek değerlendirilmemeli ve trend okunabilir kalmalı. Mühendis başına kesintisiz odak süresini de izleyin: artan inceleme yükü dikkatin nereye gittiğine dair bir iddiadır ve maliyet önce odak süresine yansır.

Benchmark’ların Aşırı Yorumlandığı Yerler#

Yukarıdaki her rakam başkasının popülasyonundan geliyor ve en çok alıntılanan iki sonuç ailesi zıt yönlerde aşırı yorumlanıyor.

Çıktı rakamları üretkenlik diye okunuyor. Kabul oranları, mühendis başına PR sayısı ve kazanılan yazım saatleri üretimi ölçer; üretim ise hiçbir zaman döngünün tamamı olmadı. Mühendislik analitiği satan Jellyfish bunu iki ayrı çalışmayla gösteriyor. Harvard araştırmacılarıyla yaklaşık 100.000 mühendis üzerinde yürüttüğü analizde toplamda saptanabilir bir kod kalitesi düşüşü yok. OpenAI ile yürüttüğü ayrı çalışmada ise en yüksek benimseme düzeylerinde bug biletlerine bağlı pull request payında %26,8’lik göreli artış var. Çıktı hızlandı ve çıktının daha büyük bölümü düzeltmeden oluşuyor. Ürünü kod kalitesi ölçmek olan GitClear da kodun kendisinde aynı yönü gösteriyor: kopyalanmış bloklar kayıtlarındaki en yüksek düzeyde, taşınan ya da yeniden düzenlenen kod ise yıl başından bu yana değişen satırların %3,8’ine indi. Toplam kalite dururken kopyalamanın tırmanması çelişki sayılmaz; ortalamalar ile değişiklik başına kompozisyon farklı soruları yanıtlar.

METR sonucu ters yönde aşırı yorumlanıyor. O randomize deneyde deneyimli açık kaynak geliştiricileri, kendilerini %20 daha hızlı sanırken yapay zeka desteğiyle %19 daha yavaştı; bu, gerçekten önemli bir algı bulgusu. Ama aynı zamanda 16 geliştirici, 246 görev, derinlemesine bildikleri olgun repository’ler ve 2025 başı araçları demek. Yapay zekanın geliştiricileri genel olarak yavaşlattığına dair bir yasa kurmaz; METR’in kendisi de orada durmadı. Şubat 2026 güncellemesi, takip çalışmasının güvenilir bir tahmin üretemediğini bildirdi: geliştiriciler yapay zekasız çalışmayı giderek reddetti ve bu seçilim sonucu aşağı çekti. Takip verisinin ham sayıları hızlanma yönüne eğiliyordu; araştırmacılar 2026 başı araçlarının geliştiricileri 2025 başı tahmininin ima ettiğinden muhtemelen daha fazla hızlandırdığını, kendi verilerinin ise bunun boyutu için çok zayıf kanıt olduğunu söylüyor. Karşı ağırlık, Peng ve arkadaşlarının GitHub, Microsoft ve MIT ile yürüttüğü randomize deney: greenfield bir görevde %55,8 hızlanma. İki sonucu ayıran şey görev türü ve kod tabanına aşinalık; bir CTO’nun ihtiyacı olan ayrım da tam bu, çünkü üretim işlerinin çoğu greenfield düzeneğinden çok METR düzeneğine benzer ve iki çalışma da sizin kod tabanınızı ölçmedi. Bu algı farkının birey tarafı ayrı bir konu; kodlama ajanlarıyla pratik muhakeme yazısında ele alınıyor.

Burnout sorusu yöntem üzerinden ikiye ayrılıyor. DORA’nın anket araştırması, yapay zeka benimsensin ya da benimsenmesin burnout ve sürtünmeyi benzer düzeylerde buluyor. İş akışı telemetrisi ölçen Faros ise bulgularını DORA’nınkilerle doğrudan çelişir diye sunuyor ve kıdemli inceleme yükünün yorgunluk ile ayrılık riski taşıdığını savunuyor. Öz bildirim ile telemetri farklı şeyleri ölçer; rahatsız edici uzlaşma, iş yükünün ankete yansımadan önce sistemlere yansıma eğilimidir. Arkasında bağlantılı bir anlaşmazlık daha var: DORA’nın güçlendirici tezi, güçlü mevcut pratiğin yapay zekanın faydasını büyüttüğünü söylüyor; Faros ise mühendislik olgunluğunun ekibi inceleme kaymasından korumadığını savunuyor. İkisini de açık soru olarak ele alın ve cevabı kendi enstrümantasyonunuzdan alın.

Geri Tepen Hamleler#

Yaygınlaştırmalarda dört hamle tekrar ediyor. Her biri yapıldığı çeyrekte makul görünüyor ve her biri inceleme sorununu büyütüyor.

Yol haritasını üretim hızı üzerinden fiyatlamak. Velocity artışını yeni taban kapasite sayıp yol haritasını ona göre taahhüt etmek bu listedeki en yıkıcı hamle, çünkü üretim hızıyla teslim hızı arasındaki fark, doğrulamayı yapanlar tarafından sessizce emiliyor. Taahhütler teslim edilmiş, doğrulanmış değişikliği izlemeli; DX ve Faros telemetrisinde o sayı, çıktı sayısından çok daha az hareket etti. Bu yoldan alınan hızın ödünç olduğuna dair daha geniş argüman sürdürülebilir mühendislik temposu yazısında.

Yapay zeka kullanımını hedefe çevirmek. Yapay zeka yazımlı kod payı ve öneri kabul oranları benimseme telemetrisidir. Hedefe dönüştüklerinde hacmi doğrudan kısıta iterler. Teşhis aracı olarak kalsınlar; hedefler teslimat ve istikrar sonuçlarına konsun.

Yapay zeka incelemecisini geri kazanılmış kapasite saymak. İnceleme ajanı yükün şeklini değiştirir; hesap verebilir insan yerinde durur ve Faros telemetrisinde PR’ların dörtte biri ajan incelemesinden geçerken bile inceleme süresi yüksek kaldı. Ajanı devreye aldıktan sonra ilk insan incelemesine kadar geçen sürenin gerçekten düşüp düşmediğini ölçün.

İş yükü sinyaline iyilik hâli programıyla cevap vermek. Neden inceleme yüküyse, yan haklar kategori hatasıdır. Maslach ve Leiter’ın altı iş yaşamı alanından iş yükü, kontrol, ödül ve adalet sıradan planlama ve kadro kararlarının içindedir; bir sosyal hak eklemeden önce bunları gözden geçirin. DORA’nın yatay burnout bulgusunu da aynı gözle okuyun: benimsemeyle değişmemesi kaçırılmış bir fırsattır. DORA’nın takım profilleri arasında düşük performansın, yüksek burnout’un ve yüksek sürtünmenin birlikte gezdiği bir temel zorluklar kümesi vardır. Yatay ortalamanın ekiplerinizi anlattığını varsaymadan önce hangi profilde olduklarını bulun.

Beşinci ve daha sessiz bir hamle: herkese aynı anda açmak. Kohort bazlı yaygınlaştırma bir karşılaştırma grubu bırakır. O olmadan kendi önce-sonra rakamlarınız pek bir şey söylemez ve elde yön verecek tek şey vendor benchmark’ları kalır.

Kısıt Başka Yerdeyken#

Varsayılan, kısıtın inceleme tarafında olduğunu kabul ediyor; her zaman öyle olmayacak. İnceleme metrikleri sağlıklıysa (kuyruk kısa, boyutlar istikrarlı, incelemesiz merge sıfıra yakın) ama mühendisler araçlardan değer üretmekte hâlâ zorlanıyorsa, açık gerçekten beceri açığıdır ve doğru ilk harcama hedefli eğitimdir. İş ağırlıkla greenfield ise (prototipler, yeni iskeletler, ilk müşterisini görmemiş ürünler), o gerçekliğe METR’den çok Peng sonucu yakındır ve yatırıma değer kısıt hâlâ üretim kapasitesi olabilir. İnceleme tarafında hiçbir şey ölçülmüyorsa da verilecek tempo kararı henüz yoktur; enstrümantasyon politikadan önce gelir.

Bunların dışında varsayılanı koruyun: benimsemeyi inceleme kapasitesinin kanıtlanabilir biçimde emdiği hıza bağlayın, PR boyutunu gerçek bir istisna kapısıyla sınırlayın, doğrulamayı planlı iş olarak kadrolayın ve her merge’ün hesap verebilir bir insanı olsun. Bu hafta tek bir adım sığacaksa, ilk insan incelemesine kadar geçen süreyi ve incelemesiz merge payını enstrümante edin; diğer her karar o iki sayıyı görebilmeye bağlı.

Kaynaklar#

• DORA: State of AI-assisted Software Development 2025 (yeni sekmede açılır) - Yaklaşık 5.000 teknoloji profesyoneliyle yürütülen araştırma: benimseme düzeyleri, çıktı ve istikrar bulguları, güven rakamları, takım profilleri ve değişmeyen burnout sonucu.
• Google Cloud: Putting the DORA AI Capabilities Model to work (yeni sekmede açılır) - Yapay zekanın faydasını büyüten yedi organizasyonel yetkinlik; açık yapay zeka duruşu ve küçük partilerle çalışma dahil.
• Stack Overflow 2025 Developer Survey: AI (yeni sekmede açılır) - Benimseme, güven ve hayal kırıklığı verileri; “almost right, but not quite” bulgusu ve geliştiricilerin ne sıklıkla bir insana danıştığı.
• METR: Measuring the impact of early-2025 AI on experienced open-source developer productivity (yeni sekmede açılır) - Deneyimli geliştiricilerin, kendilerini daha hızlı sanarken kendi olgun repository’lerinde %19 yavaşladığını bulan randomize deney.
• METR: We are Changing our Developer Productivity Experiment Design (yeni sekmede açılır) - Takip çalışmasını seçilim etkileri nedeniyle güvenilmez ilan eden Şubat 2026 güncellemesi; ham nokta tahminleri, sıfırı kesen geniş aralıklarla %4 ve %18 hızlanmaya kaydı.
• Peng et al.: The impact of AI on developer productivity, evidence from GitHub Copilot (yeni sekmede açılır) - Greenfield bir görevde %55,8 hızlanma raporlayan randomize deney; METR sonucunun karşı ağırlığı.
• GitClear: The Maintainability Gap, 2026 AI code quality research (yeni sekmede açılır) - Yapay zeka yazarlığı arttıkça kopyalamanın yükselip yeniden düzenlemenin çöktüğünü gösteren vendor analizi.
• Faros AI: 2026 AI Engineering Report, The Acceleration Whiplash (yeni sekmede açılır) - 22.000 geliştiricinin vendor telemetrisi: PR boyutu, inceleme süresi, incelemesiz merge’ler ve benimseme altında teslimat sonuçları.
• Faros AI: AI code quality and the senior engineer review burden (yeni sekmede açılır) - Deneyimli mühendislerin yapay zeka inceleme yükünün orantısız payını üstlendiğine dair vendor argümanı.
• LinearB: 2026 Software Engineering Benchmarks Report (yeni sekmede açılır) - 8,1 milyon pull request üzerinde vendor benchmark’ı; yapay zeka destekli ve ajan PR’ları için kuyruk beklemesi ile inceleme hızı.
• DX: The State of AI Impact in Engineering, Q2 2026 (yeni sekmede açılır) - Kazanılan geliştirici süresine ve dört çeyreklik Developer Experience Index düşüşüne dair vendor verisi.
• DX: AI-authored code has nearly doubled (yeni sekmede açılır) - Vendor’ın satır düzeyindeki PR boyutu rakamları: Temmuz 2025 ile Haziran 2026 arasında 44 satırdan 72 satıra.
• Jellyfish and Harvard: AI is making developers faster, so where is the business impact? (yeni sekmede açılır) - Harvard araştırmacılarıyla yaklaşık 100.000 mühendis üzerinde vendor analizi: toplamda kod kalitesinde düşüş yok.
• Jellyfish and OpenAI: Measuring the impact of AI coding tools (yeni sekmede açılır) - Vendor’ın ayrı çalışması: yüksek benimsemede bug biletlerine bağlı pull request payındaki %26,8’lik göreli artışın kaynağı.
• WHO: Burn-out an occupational phenomenon, ICD-11 (yeni sekmede açılır) - Burnout’un ICD-11’deki resmi sınıflandırması ve üç boyutu; terimi hassas biçimde sabitleyen kaynak.
• Maslach and Leiter: Understanding the burnout experience (yeni sekmede açılır) - Üç boyutlu model ve burnout’un nedenlerini iş ortamına yerleştiren altı iş yaşamı alanı.
• Bainbridge: Ironies of Automation (Automatica, 1983) (yeni sekmede açılır) - Otomasyonun becerikli operatörü gözetmene çevirmesi ve gözetmenliğin neden daha zor iş olduğu üzerine klasik analiz.
• Gonçalves et al.: Code Review Comprehension (yeni sekmede açılır) - Deneyimli incelemecilerle yapılan gözlemsel çalışma; incelemenin asıl bilişsel zorluğunun değişikliği kavramak olduğunu ortaya koyuyor.
• Seo, Deldari and Mentis: Whose Code Is It? (IUI 2026) (yeni sekmede açılır) - Yapay zekanın otonomisi arttıkça psikolojik sahipliğin geliştiriciden uzaklaştığına, üretim sistemleri için hesap verme isteğinin ise sabit kaldığına dair hakemli bulgu.