AI Kodlama Araçlarında ROI: Gerçek İş Değerini Ölçmek

AI geliştirici araçlarının bütçeleri hep aynı yönde şaşar. Koltuk fiyatı kararın kendisi gibi görünür; oysa GitHub, Copilot’u Haziran 2026’da kullanıma dayalı faturalamaya geçirdiğinden beri o fiyat sabit bir sayı bile değil. Birinci yılın harcamasını asıl belirleyen kalemler hiçbir satıcı modelinde yer almaz: koltuğun üzerine binen ölçümlü kullanım, herkes araçları öğrenirken yaşanan verimlilik düşüşü, büyüyen PR kuyruğunu karşılayacak inceleme kapasitesi ve ilk olaydan sonra sonradan eklenen güvenlik kontrolleri.

Mühendislik liderleri için işleyen varsayılan dardır: üç ya da dört araçta standartlaşın, koltuktan önce inceleme ve güvenlik kapasitesini fonlayın, programı aktivite sayıları yerine iş sonuçlarıyla ölçün. Aşağıdaki maliyet modeli, ROI formülleri ve devam/durdur çerçevesi bu varsayılanın üzerine kurulu.

Gerçek Maliyet Yapısı#

Model Girdileri ve Liste Fiyatları#

Örnek olarak 200 geliştiricili bir kurumu alalım. Sonucu belirleyenler varsayımlar ile okuyucunun verdiği satırlar; yükleme çarpanı ile çalışma günü sayısı da modeldeki her insan maliyeti kaleminin arkasında duruyor.

Girdi	Kullanılan değer	Dayanak
Copilot Business koltuğu	Kullanıcı başına ayda $19	GitHub liste fiyatı
Copilot Enterprise koltuğu	Kullanıcı başına ayda $39	GitHub liste fiyatı
AI kredisi	$0,01	GitHub faturalama dokümantasyonu
Standart dahil kota	Business kullanıcısı başına ayda 1.900 kredi; Enterprise’da 3.900	GitHub faturalama dokümantasyonu
Koltuk başına aylık tüketilen kredi	okuyucu ölçer	yayımlanmış bir değer yok
Statik analiz	SonarQube Cloud Team ayda $34’ten başlıyor; instance başına yıllık, kod satırı sayısına göre	Sonar liste fiyatı
Medyan geliştirici ücreti	Yılda $135.980	ABD Çalışma İstatistikleri Bürosu, 2025
Yükleme çarpanı	1,5	varsayım, yayımlanmış bir değer yok
Yıllık çalışma günü	220	varsayım, yayımlanmış bir değer yok
Düşüşte kaybedilen kapasite payı	0,16, yaklaşık %16	METR’in ölçtüğü %19 yavaşlamadan türetildi
Düşüş süresi, hafta olarak	okuyucu belirler	yayımlanmış bir değer yok
Yıllık inceleyici günü	okuyucu belirler	yayımlanmış bir değer yok

ABD Çalışma İstatistikleri Bürosu, yazılım geliştiriciler için 2025 medyan yıllık ücreti $135.980, medyan saatlik ücreti $65,38 olarak veriyor. Bu yalnızca taban ücret; yan haklar, vergiler ve genel giderler hariç ve sekiz saat üzerinden günde yaklaşık $523 ediyor. Lisans dışı her kalemin fiyatlandığı yüklü mühendislik günü ise yanındaki iki varsayım satırından çıkıyor: $135.980 × 1,5 ÷ 220 = $927. Çarpanı 1,3 yaparsanız gün yaklaşık $803, 1,8 yaparsanız yaklaşık $1.113 olur. Modeldeki her insan maliyeti kalemi bu sayıyla doğrusal ölçekleniyor; bu çarpanı bilerek seçin.

Koltuk kalemi artık bir taban

GitHub, Copilot’u 1 Haziran 2026’da kullanıma dayalı faturalamaya geçirdi. Duyuru, Business’ı kullanıcı başına ayda $19 (“aylık $19’luk AI Kredisi dahil”), Enterprise’ı kullanıcı başına ayda $39 (“aylık $39’luk AI Kredisi dahil”) olarak fiyatlıyor; krediler “her model için yayımlanan API oranlarına göre, girdi, çıktı ve önbelleğe alınmış token’lar dahil token kullanımına göre” tüketiliyor. GitHub’ın faturalama dokümantasyonu bir AI kredisini $0,01, standart dahil kotayı ise Business kullanıcısı başına ayda 1.900 kredi olarak tanımlıyor; yani koltuğun zaten ödediği $19’un tam karşılığı. Kotanın ötesindeki kullanım, bir yönetici ücretli kullanımı kapatmadıkça veya bütçe tanımlamadıkça yayımlanan kredi başına oranlardan faturalanıyor.

Kalem	İşlem	Sonuç
Koltuk tabanı, bir yıl için 200 Business koltuğu	200 × $19 × 12	$45.600
Bu tabana dahil krediler	200 × 1.900 × 12	4.560.000 kredi
Bu kredilerin nakit karşılığı	4.560.000 × $0,01	$45.600
Tüketim kotanın iki katına çıkarsa aşım	4.560.000 × $0,01	$45.600
Kotanın iki katında modellenen yıl	$45.600 + $45.600	$91.200

Tavanı yöneticinin tanımladığı limit belirliyor. Bütçe tanımlanmamışsa tavan da yok; bu yüzden ölçümlemeye koltuk başına aylık kredi tüketiminden başlamak, koda dair her metriğin önüne geçiyor. GitHub ayrıca kullanıcı, organizasyon, maliyet merkezi ve kurum seviyesinde limitleri belgeliyor; bunları ilk fatura gelmeden, daha ilk gün ayarlamak gerekiyor.

Aynı kalemde tarihli bir basamak daha var. GitHub 1 Haziran - 1 Eylül 2026 arasında Business kullanıcısı başına 3.000, Enterprise kullanıcısı başına 7.000 kredilik tanıtım kotası uyguluyor; sonrasında dahil kullanım standart değerlere dönüyor. Bütçesini bu pencerede boyutlandıran bir ekip, koltuk fiyatı hiç değişmeden kullanıcı başına 3.000 kredinin 1.100’ünü, yani kotanın yaklaşık %37’sini kaybediyor.

Statik analiz kod tabanıyla ölçekleniyor

Sonar, SonarQube Cloud Team’i ayda $34’ten fiyatlıyor ve hem Cloud hem Server sürümlerinin instance başına yıllık olarak kod satırı sayısına göre faturalandığını belirtiyor. Bu, denetleyen aracı üreten araçla aynı eksene koyuyor. Üretilen hacim büyüdükçe onu inceleyen kalem de büyüyor; bu artışı ne kişi sayısı ne de koltuk sayısı öngörüyor.

Liste fiyatı olmayan kalemler

Üç girdinin yayımlanmış bir fiyatı yok. Herhangi biri için rakam uydurmak modeli denetlenemez hâle getirir.

Onaysız araç harcaması kaynaklandırılamıyor. Ekiplerin harcama kartlarına ne yazdığını kimse yayımlamıyor; o satıra konan her rakam uydurma olur. Harcama ölçülemese de sonucu ölçülebiliyor. IBM’in 602 ihlal yaşamış kurumdan derlediği 2026 Veri İhlali Maliyeti çalışması, küresel ortalama ihlali $4,99 milyon, AI destekli ihlalleri ise ortalamanın yaklaşık $1 milyon üzerinde, $6 milyon olarak veriyor; kurumların %20’sinden fazlası AI modellerini veya uygulamalarını hedefleyen bir ihlal bildiriyor. Bu rakamın yeri risk kalemi.

Verimlilik düşüşünün ölçülmüş bir büyüklüğü var, ölçülmüş bir süresi yok. METR’in rastgeleleştirilmiş denemesinde, yaklaşık beş yıldır katkı verdikleri depolarda 246 issue üzerinde çalışan 16 deneyimli açık kaynak geliştiricisi, AI araçlarına izin verildiğinde %19 daha yavaş çıktı; üstelik önceden %24 hızlanma bekliyorlardı ve iş bittikten sonra bile %20 hızlandıklarını tahmin ettiler. METR iddiayı bu popülasyonla sınırlıyor ve araçlar o günden bu yana değiştiği için sonucu artık tarihsel olarak etiketliyor. Böyle bir düşüşün kaç hafta sürdüğünü bildiren bir çalışma yok; süre okuyucunun belirlediği bir girdi olarak kalıyor ve bedeli yüksek: $927’lik yüklü gün üzerinden 200 geliştiricinin bir haftası 200 × 5 × $927 = $927.000 kapasite demek. %19 daha uzun süren iş, eski iş çıktısının 1 ÷ 1,19’unu, yani yaklaşık %84’ünü bırakıyor; o hafta boyunca süren yavaşlamada kapasitenin kabaca $148.000’i hiçbir şey üretmiyor. İki hafta ile altı hafta çok farklı toplamlar üretir; aralığı daraltan yayımlanmış bir veri de yok.

Üçüncüsü inceleme kapasitesi. LinearB’nin 42 ülkede 4.800 ekipten 8,1 milyon pull request’e dayanan 2026 kıyaslamaları bu kaleme fiyat biçmiyor; çıpa sağlıyor: AI ile üretilen pull request’ler bir inceleyici tarafından alınmadan önce 16 saatten fazla bekliyor, AI kullanılmayanlar ise yaklaşık 200 dakika; birleşme oranı da %84,5’e karşı %32,7. Bunu inceleyici gününe çevirmek, okuyucunun kendi pull request hacmini ve bu hacmin ne kadarının bir inceleyiciye ulaştığını bilmesini gerektiriyor. LinearB mühendislik analitiği satıyor; kıyaslamalarını okurken bunu bilmekte fayda var.

Model bir araya geldiğinde kalemlerin çoğu açık kalıyor. Buradan çıkan birinci yıl sayısı, okuyucunun kendi varsayımlarını taşıyan bir model çıktısıdır ve bütçe sayfasına bu etiketle girmelidir.

Gizli Maliyet Kategorileri#

Bazı maliyet kategorileri araç iş gerekçelerinde neredeyse hiç yer almaz ve hiçbiri yayımlanmış araştırmadan fiyatlandırılamaz. Üretilen kodu temizlemeye, üretilen açıkları kapatmaya veya kırılgan üretilmiş testleri onarmaya kaç mühendislik günü gittiğini ölçen bir çalışma yok. Araştırmanın ortaya koyduğu şey yön ve mekanizma; planlama için de bu yeterli.

Bakım yapılabilirlik tekrara kayıyor. GitClear’ın 2023-2026 arasında 623 milyon değişikliği inceleyen 2026 araştırması, blok tekrarının 2023’ten bu yana %81 arttığını (milyon değişen satır başına 40,3 tekrarlanan satırdan 73,0’a) ve tekrarlanan blok içeren commit sayısının iki yılda kabaca on katına çıktığını bildiriyor. Kodu büyütmek yerine yeniden biçimlendirmenin göstergesi olan taşınmış satırlar, 2022’de değişen satırların %21’iyken 2023’te %13’e, 2026’nın bugüne kadarki kısmında %3,8’e düşmüş; kopyala-yapıştır ise 2022’de %9,4 iken 2026’nın ilk yarısında %15,7’ye çıkmış. Dosyalar arası fonksiyon çağrıları %35, refactoring etkinliği %70, uzun vadeli legacy bakımı %74 gerilemiş. Hata gizleyen yapılar %47, iki haftalık churn %15 artmış. GitClear kod kalitesi aracı satıyor ve veri, AI benimsemesinin tırmandığı bir dönemde korelasyonel; raporlar AI’yı neden olarak izole etmiyor. Raporlar kod tabanlarının bugün nasıl göründüğünü ölçüyor; nedenini ortaya koymuyor.

Güvenlik düzeltme yükü dile ve açık sınıfına göre yoğunlaşıyor. Veracode’un 2026 Bahar GenAI kod güvenliği güncellemesi, dört dil ve dört açık sınıfında 80 kodlama görevi üzerinde 150’den fazla modeli test etti ve vakaların %45’inde modelin bilinen bir güvenlik açığını koda soktuğunu buldu; oran 2025 sonucuyla aynı. Yük eşit dağılmıyor:

Boyut	Geçme oranı
Java	%29
JavaScript	%57
C#	%58
Python	%62
Siteler arası betik çalıştırma (CWE-80)	%15
Log enjeksiyonu (CWE-117)	%13
SQL enjeksiyonu (CWE-89)	%82
Zayıf kriptografi (CWE-327)	%86

Java ağırlıklı bir ekiple Python ağırlıklı bir ekip aynı düzeltme kalemini bütçelememeli; riski siteler arası betik çalıştırmada yoğunlaşan bir kod tabanı da riski SQL enjeksiyonunda yoğunlaşandan farklı bir konumda. Veracode bunu satıcı güvenlik araştırması olarak yayımlıyor ve incelemeden önceki üretilmiş kodu, yani herhangi bir canlı olayın öncesini ölçüyor. Önce inceleme kapasitesini fonlama gerekçesi de tam olarak bu ayrım: modelin ürettiği koddaki %45’lik açık oranı ile canlıya çıkan koddaki oran arasında duran tek şey inceleme.

Organizasyonel sürtünmenin ölçülmüş bir fiyatı yok. Değişim yönetimi, araç değerlendirme döngüleri, satıcı müzakereleri ve inceleme yükünün kıdemli mühendisler üzerindeki etkisi gerçek ve tekrar eden kalemler. Hiçbiri için yayımlanmış bir rakam yok. Bunları yerel saat tahminleriyle, adları konmuş kalemler olarak taşıyın ve tahmini her çeyrek, takvimin gösterdiğiyle karşılaştırıp güncelleyin.

İş Değeri Ölçümü#

Temel Metrikler#

Birinci yılın sinyali teslimatta, kazancın düştüğü yerde ve kalitede toplanıyor. Yayımlanmış araştırma üçünü de kapsıyor ve kendisiyle iki noktada çelişiyor: biri iş çıktısında, biri kalitede.

Teslimat

DORA’nın 2024 raporu, AI benimsemesindeki %25’lik artışı teslimat iş çıktısında tahmini %1,5’lik, teslimat kararlılığında tahmini %7,2’lik düşüşle ilişkilendirdi. Aynı araştırma programının yaklaşık 5.000 katılımcılı 2025 raporu ilk yarıyı tersine çevirdi: AI benimsemesi ile hem teslimat iş çıktısı hem de ürün performansı arasında pozitif bir ilişki bildiriyor, kararlılıkla ilişkinin ise negatif kalmaya devam ettiğini söylüyor. Tek program, iki yıl, iş çıktısında zıt işaretler ve kararlılıkta aynı işaret. Bu programdan aktarılan bir iş çıktısı rakamının yanında yılı da durmalı, çünkü işaret yıla göre değişiyor.

Faros AI’nın 1.255 ekipten 10.000’den fazla geliştiriciyi kapsayan analizi, bu çelişkinin hangi seviyede çözüldüğünü gösteriyor. Yüksek benimseme oranına sahip ekipler %21 daha fazla görev tamamlamış ve %98 daha fazla pull request birleştirmiş; buna karşılık pull request inceleme süresi %91, ortalama pull request boyutu %154, geliştirici başına hata sayısı %9 artmış. Şirket seviyesinde ise Faros, AI benimsemesi ile iş çıktısı, DORA metrikleri veya kalitedeki iyileşme arasında anlamlı bir korelasyon bulamamış. Verimlilik paradoksunun ölçülmüş hâli tam olarak bu: ekip seviyesindeki kazanç büyük ve gerçek, ama şirket toplamına yansımıyor.

İnceleme kapasitesi

Sinyal	AI kullanılmayan	AI ile üretilen
İnceleyicinin devralma süresi	yaklaşık 200 dakika	16 saatten fazla
Ajan üretimi pull request devralma	201 dakika	1.055 dakika
Birleşme oranı	yaklaşık %84,5	%32,7
75. yüzdelikte boyut	157 satır	400 satırdan fazla
75. yüzdelikte refactoring payı	yaklaşık %37	sıfıra yakın

Bunlar LinearB’nin 8,1 milyon pull request üzerinden derlediği 2026 rakamları. Aynı veri seti düzenli AI kullanımını geliştiricilerin %88,3’ü olarak veriyor; 2024 başında bu oran %72’nin biraz altındaydı. Yani buradaki kuyruk artık yaygın hâl. %32,7’lik birleşme oranı, AI ile üretilen pull request’lerin kabaca üçte ikisinin açılıp hiç teslim edilmediğini gösteriyor. Bu oran, o pull request’lerin ne kadar inceleyici zamanı tükettiğini söylemiyor: bir pull request kimse okumadan da kapatılabilir ya da terk edilebilir. İnceleme maliyeti bu yüzden kayda geçmiş inceleme etkinliğinden çıkarılmalı.

Ölçülen kazanç nereye düşüyor

DORA 2024, benimsemedeki her %25’lik artış için üç pozitif etki kaydetti; üçü de katılımcı beyanına dayanıyor: dokümantasyon kalitesi %7,5, kod kalitesi %3,4, kod inceleme hızı %3,1 artıyor. Dokümantasyon iki katından fazla farkla öne çıkıyor ve üçü içinde etrafında plan kurulacak kadar büyük olan tek etki o.

Bireysel çıktı üzerine en geniş rastgeleleştirilmiş kanıt, Cui ve arkadaşlarının Management Science’ta yayımlanan çalışmasından geliyor: Microsoft, Accenture ve adı açıklanmayan bir Fortune 100 şirketinde yürütülen üç saha deneyi, toplam 4.867 geliştirici, tamamlanan görevlerde %26,08 artış ve %10,3 standart hata; ayrıca daha az deneyimli geliştiricilerde hem benimseme hem kazanç daha yüksek. Standart hata en az nokta tahmini kadar dikkat hak ediyor, çünkü ima ettiği aralık geniş.

Kişi sayısına dair hiçbir rakamın yayımlanmış kaynağı yok. AI araçlarına atfedilen teknik yazar veya QA azalması bildiren bir çalışma yok; üretilen testlere atfedilen bir test kapsamı farkı bildiren de yok. Faros, QA tarafında ters yöne işaret ediyor: geliştirici başına hata %9 artmış. Buraya konacak bir tasarruf sütunu uydurma olurdu. Kaynakların desteklediği şey bir yön: bildirilen kalite kazancının en büyüğü dokümantasyonda ve daha az deneyimli geliştiriciler deneyimli olanlardan daha çok kazanıyor.

Kalite

Teslimat, hata ve bakım yapılabilirlik sinyalleri aynı yöne bakıyor. Faros, yüksek benimsemeli ekiplerde geliştirici başına hataları %9 artmış ölçtü. DORA 2024’te teslimat kararlılığını düşmüş buldu ve 2025’te negatif ilişkiyi doğruladı. GitClear’ın bakım yapılabilirlik göstergeleri de aynı yönde. Stack Overflow’un AI bölümünde 33.662 yanıt toplayan 2025 anketinde geliştiricilerin %66’sı “neredeyse doğru ama tam değil” AI çözümlerini, %45,2’si AI üretimi kodu ayıklamanın daha çok zaman almasını sorun olarak sayıyor. Ters yöne bakan sonuç, yukarıda aktarılan beyan: DORA 2024, benimsemedeki her %25’lik artışı kod kalitesinde %3,4’lük artışla ilişkilendiriyor. Geliştiricinin kendi çıktısı için verdiği not, hata sayımına göre daha zayıf bir ölçüm aracı; yine de yayımlanmış ve ters yönde duran bir sonuç. Çelişkiyi yerelde, kalite algısı yükselen ekiplerin hata verisi çözer; algının kendisi çözmez.

Güvenlik tarafında Veracode’un 2026 Bahar testleri, 150’den fazla model genelinde vakaların %45’inde bilinen bir açığın koda girdiğini buldu. Bu, incelemeden önceki üretilmiş kodun bir özelliği; olay oranı değil. İkisi arasındaki mesafe de tam olarak yukarıdaki tablonun anlattığı inceleme kapasitesi.

Kaynağı olan tek memnuniyet ölçüsü geliştirici tarafındaki. Stack Overflow 2025, AI araçlarını kullanan veya kullanmayı planlayanları %84 (2024’te %76), profesyonel geliştiricilerin günlük kullananlarını %51 olarak veriyor; doğruluğa güven ise %3,1 çok güveniyor, %29,6 kısmen güveniyor, %26,1 kısmen güvenmiyor, %19,6 hiç güvenmiyor şeklinde bölünüyor. Olumlu duygu 2023 ve 2024’te %70’in üzerindeyken 2025’te %60’a düştü. Benimseme ile güven ters yönlere gitti. AI kodlama aracı benimsemesini son kullanıcı memnuniyetine veya müşteri kaybına bağlayan yayımlanmış bir kaynak yok; bu tabloya müşteri tarafı bir satır koymak uydurma olurdu.

Çalışmaların ayrıştığı yer

Çalışma	Ortam	Sonuç
GitHub, 2023	Kontrollü görev, davet edilen geliştiriciler	Kontrol grubuna göre %55 daha hızlı
Cui ve arkadaşları, Management Science	Üç saha deneyi, 4.867 geliştirici	Tamamlanan görevlerde %26,08 artış, standart hata %10,3
METR, 2025	Gerçek issue’lar, 16 deneyimli bakımcı, bildikleri depolar	%19 daha yavaş

Üçü de savunulabilir. Görevin gerçekçiliğinde, geliştiricinin kod tabanını ne kadar tanıdığında ve neyin çıktı sayıldığında ayrışıyorlar. METR’in katılımcıları önceden %24 hızlanma bekliyordu ve sonrasında bile %20 hızlandıklarını tahmin ettiler; ekonomi uzmanları %39, makine öğrenmesi uzmanları %38 hızlanma öngörmüştü. İnanç ile ölçüm arasındaki fark pratik bulgu ve doğrudan operasyonel bir sonucu var: geliştirici beyanıyla ölçülen bir program, yaşamadığı bir başarıyı raporlar.

ROI Hesaplama Çerçevesi#

Modelin maliyet tarafında sayı üretmeye yetecek kadar kaynaklı ve yerel girdi var; fayda tarafında yok. Aşağıdaki çerçeve fiyatlayabildiğini fiyatlıyor; geri kalan adıyla açık kalıyor.

interface Kalem { ad: string; usd: number | null; dayanak: string }

interface ModelGirdileri {
  koltuk: number;
  koltukAylikFiyatUsd: number;
  krediFiyatiUsd: number;
  koltukAylikDahilKredi: number;
  koltukAylikTuketilenKredi: number | null;
  yillikStatikAnalizUsd: number | null;
  yukluMuhendislikGunuUsd: number;
  dususteKaybedilenKapasitePayi: number;
  dususHaftasi: number | null;
  yillikInceleyiciGunu: number | null;
}

function maliyetKalemleri(m: ModelGirdileri): Kalem[] {
  const asimKredisi = m.koltukAylikTuketilenKredi === null
    ? null
    : Math.max(0, m.koltukAylikTuketilenKredi - m.koltukAylikDahilKredi) * m.koltuk * 12;

  return [
    { ad: "Koltuk tabanı", dayanak: "GitHub Business liste fiyatı",
      usd: m.koltuk * m.koltukAylikFiyatUsd * 12 },
    { ad: "Ölçümlü kredi aşımı", dayanak: "kendi tüketiminiz; bütçe konmadıkça tavansız",
      usd: asimKredisi === null ? null : asimKredisi * m.krediFiyatiUsd },
    { ad: "Statik analiz", dayanak: "kendi satır sayınıza göre instance başına yıllık teklif",
      usd: m.yillikStatikAnalizUsd },
    { ad: "Verimlilik düşüşü", dayanak: "yüklü gün x geliştirici x düşüş süresi x kaybedilen kapasite payı",
      usd: m.dususHaftasi === null ? null
        : m.dususHaftasi * 5 * m.koltuk * m.yukluMuhendislikGunuUsd * m.dususteKaybedilenKapasitePayi },
    { ad: "İnceleme kapasitesi", dayanak: "yüklü gün x kendi pull request verinizden çıkan inceleyici günü",
      usd: m.yillikInceleyiciGunu === null ? null
        : m.yillikInceleyiciGunu * m.yukluMuhendislikGunuUsd }
  ];
}

// Hiçbir fayda kaleminin yayımlanmış fiyatı yok. Dokümantasyon bir katılımcı
// beyanı; kişi sayısı ile müşteri etkisinin ise hiçbir kaynağı yok. Bu yüzden
// sıfıra çevrilmek yerine null kalıyorlar.
const faydaKalemleri: Kalem[] = [
  { ad: "Dokümantasyon kazancı", usd: null, dayanak: "DORA 2024 beyanı, tasarruf değil" },
  { ad: "Kişi sayısı azaltımı", usd: null, dayanak: "yayımlanmış kaynak yok" },
  { ad: "Müşteri etkisi", usd: null, dayanak: "yayımlanmış kaynak yok" }
];

function birinciYil(m: ModelGirdileri) {
  const maliyetler = maliyetKalemleri(m);
  const acik = (kalemler: Kalem[]) => kalemler.filter(k => k.usd === null);
  const topla = (kalemler: Kalem[]) => kalemler.reduce((t, k) => t + (k.usd ?? 0), 0);

  const maliyetToplami = acik(maliyetler).length ? null : topla(maliyetler);
  const faydaToplami = acik(faydaKalemleri).length ? null : topla(faydaKalemleri);

  return {
    fiyatlananMaliyetUsd: topla(maliyetler),
    acikKalemler: [...acik(maliyetler), ...acik(faydaKalemleri)].map(k => `${k.ad}: ${k.dayanak}`),
    // İki taraf da tamamen fiyatlanana kadar null. Eksik bir modelden çıkan
    // oran, kararı değil yalnızca rakamı olan kalemleri raporlar.
    roi: maliyetToplami === null || faydaToplami === null
      ? null
      : ((faydaToplami - maliyetToplami) / maliyetToplami) * 100
  };
}

// 200 geliştiricili örnek için model girdileri. Üç satır GitHub'ın yayımlanmış
// fiyatlarından, iki satır adı verilen araştırma ve belirtilen varsayımlardan
// geliyor. Dört null'un tek bir kurum için yayımlanmış bir değeri yok: kendi
// verinizden doldurun ya da kalemi açık bırakın.
const modelGirdileri: ModelGirdileri = {
  koltuk: 200,
  koltukAylikFiyatUsd: 19,             // GitHub Business liste fiyatı
  krediFiyatiUsd: 0.01,                // GitHub faturalama dokümanı
  koltukAylikDahilKredi: 1_900,        // GitHub faturalama dokümanı, standart kota
  koltukAylikTuketilenKredi: null,     // ilk ölçümlü dönemden önce ölçümleyin
  yillikStatikAnalizUsd: null,         // kod satırı sayınıza göre kendi teklifiniz
  yukluMuhendislikGunuUsd: 927,        // $135.980 x 1,5 / 220, BLS ücreti + belirtilen yükleme
  dususteKaybedilenKapasitePayi: 0.16, // METR'in ölçtüğü %19 yavaşlamada 1 - 1 / 1,19
  dususHaftasi: null,                  // yayımlanmış süre yok; yerel olarak belirleyin
  yillikInceleyiciGunu: null           // yayımlanmış değer yok; kendi PR verinizden çıkarın
};

birinciYil(modelGirdileri);
// fiyatlananMaliyetUsd: 45_600, roi: null ve adıyla açık kalan yedi kalem

Stratejik Planlama Çerçevesi#

Benimseme Olgunluk Modeli#

Olgunluk modeli ancak her aşaması gözlemlenebilir bir duruma karşılık geldiğinde işe yarar; gözlenecek durumları da yukarıdaki maliyet kalemleri veriyor:

Aşama	Giriş kanıtı	Bütçenin taşıdıkları
Pilot	Kredi bütçeleri ve harcama limitleri tanımlı; devralma süresi, birleşme oranı ve kredi tüketimi ölçümleniyor	Küçük bir grup için koltuk tabanı ve ölçüm işi
Kontrollü yaygınlaştırma	Tam bir ölçümlü fatura dönemini kapsayan pilot verisi; dil dağılımının en çok takıldığı açık sınıflarına göre ayarlanmış güvenlik taraması	Erken benimseyenlerin koltukları, onlardan önce fonlanan inceleme kapasitesi ve ekipler öğrenirken yaşanan verimlilik düşüşü
Ölçeklenmiş	Benimseme öncesi taban değere göre korunan teslimat kararlılığı; devralma süreleri uzamadan üretilen hacmi karşılayan inceleme kuyruğu	Kurum çapında koltuklar, konsolide araç seti ve süregiden eğitim

Bunların ötesindeki aşamalar, henüz bütçelenecek hâlde olmayan yetenekleri tarif ediyor; onların yeri aşağıdaki hazırlık sorusu.

Araç Yatırımı için Karar Çerçevesi#

Bir araç, herhangi bir ağırlıklandırmadan önce üç eşikten geçiyor; birini karşılayamamak değerlendirmeyi reddetmeyle bitiriyor:

Eşik	0-10 ölçeğinde sınır
Problem-çözüm uyumu	7’nin üzeri
Organizasyonel hazırlık	6’nın üzeri
Finansal uygunluk	5’in üzeri

Eşikleri geçen araç için risk profili (7’nin altı) ile stratejik uyum (6’nın üzeri), aynı ölçekte ağırlıklı bir puana katılıyor: 7 üzeri benimse, 5 üzeri pilot, 5 ve altı ertele. Satıcı istikrarı, topluluk desteği ve entegrasyon ekosistemi, aynı banda düşen araçları birbirinden ayırıyor.

Gelecek Yeteneklere Hazırlık#

Yetenek tahminleri hızla eskir; belirli bir çeyreğe çakılmış yol haritası genellikle aynı anda iki yönde birden yanılır: otonomi konusunda fazla iyimser, dar bir yeteneğin ne kadar çabuk sıradanlaştığı konusunda fazla karamsar olur. Bu yüzden hazırlığı, tahmin tutmasa bile karşılığını verecek işlere yatırın. Kapsamlı test kapsamı, belgelenmiş iş mantığı, modüler sınırlar ve gözlemlenebilirlik tek başlarına yatırıma değer; aynı zamanda sırada ne varsa onun ön koşuludur.

Hazırlık Stratejisi#

Her hazırlığın kendisini işaret eden bir maliyet kalemi zaten var:

Hazırlık	Karşılık geldiği kalem
Test kapsamı ve inceleme otomasyonu	Bilinen bir açık, incelemeden önce üretilen örneklerin %45’inde görülüyor; üretilen hacimde bunu yakalayacak bir mekanizma gerekiyor
Belgelenmiş iş mantığı	Bildirilen en büyük kalite kazancı dokümantasyonda, %25 benimseme artışı başına %7,5; birikim için en ucuz yer burası
Kredi ölçümleme ve bütçeler	Koltuk kalemi artık ölçümlü ve varsayılan olarak tavansız
Modüler sınırlar ve gözlemlenebilirlik	Sıradaki araç neyi otomatikleştirirse otomatikleştirsin, arayüzler üzerinden çalışacak ve telemetriyle ayıklanacak

Çeyreklik döngü bu listeden seçim yapıyor ve her seferinde aynı altı şeyi kaydediyor: öncelikler, bütçe, kaynaklar, kilometre taşları, riskler ve yedek planlar.

Stratejik Karar#

Devam/Durdur Çerçevesi#

İş gerekçesi

Model yalnızca rakamı olan kalemler için sayı üretiyor. Geri kalanlar adıyla ve açık bırakılıyor; çünkü onları uydurma bir rakamla kapatmak, iş gerekçesini yanlışlanamaz hâle getiren şeydir.

Kalem	Dayanak
Koltuk tabanı	GitHub Business liste fiyatıyla koltuk × $19 × 12
Ölçümlü kredi aşımı	Kredi başına $0,01 üzerinden kendi tüketiminiz; bütçe konmadıkça tavansız
Statik analiz	Kendi satır sayınıza göre instance başına yıllık teklif
Verimlilik düşüşü	Yüklü gün başına $927 × geliştirici sayısı × sizin belirlediğiniz düşüş süresi × yavaşlamanın götürdüğü kapasite payı; METR’in %19’unda yaklaşık %16
İnceleme kapasitesi	Yüklü gün başına $927 × kendi pull request verinizin ima ettiği inceleyici günü
Dokümantasyon kazancı	Yalnızca yön: DORA, benimsemedeki her %25 artış için katılımcı beyanına dayanan %7,5’lik bir dokümantasyon kalitesi kazancı kaydetti
Kişi sayısı azaltımı	Modellenemez: teknik yazar veya QA tasarrufunu destekleyen yayımlanmış kaynak yok
Müşteri etkisi	Modellenemez: araç benimsemesini müşteri memnuniyetine veya kaybına bağlayan yayımlanmış kaynak yok

Stratejik değer

Boyut	Seviye
Gelecek hazırlık	YÜKSEK
Yetenek çekimi	ORTA
Rekabet gerekliliği	YÜKSEK
Öğrenme yatırımı	KRİTİK

Karar kriterleri (ağırlıklı)

Kriter	Ağırlık	Puan (10 üzerinden)	Gerekçe
Finansal	0,3	3	İki kalemin liste fiyatı var; en büyük kalemleri okuyucu belirliyor ve koltuk kalemi varsayılan olarak tavansız
Stratejik	0,3	8	Düzenli AI kullanımı geliştiricilerin %88,3’ünde; öğrenme eğrisi her hâlükârda tırmanılıyor
Risk	0,2	4	Üretilen örneklerin %45’inde bilinen bir açık ve iki DORA yılında da düşen kararlılık
Organizasyonel	0,2	6	Geliştiricilerin %30’u üretilen koda ya çok az güveniyor ya hiç güvenmiyor

Bu ağırlık ve puanlar 0,3 × 3 + 0,3 × 8 + 0,2 × 4 + 0,2 × 6 = 10 üzerinden 5,3 veriyor; ağırlıklı ölçekte bu, pilot bandı. Yukarıdaki çerçeve aynı puanlarla o banda hiç ulaşmıyor, çünkü eşikler önce geliyor ve ikisi karşılanmıyor. Finansal uygunluk, 5’in üzerini isteyen eşikte 3 puan alıyor; organizasyonel hazırlık da 6’nın üzerini isteyen eşikte 6 puanda kalıyor. Değerlendirme reddetmeyle bitiyor ve önce boşlukların ele alınmasını işaret ediyor; o boşluklar da aşağıdaki liste. Kalan eşik olan problem-çözüm uyumu ise araç bazında verilen bir karar; program seviyesindeki bu tablo onu taşımıyor. Ağırlıklar da eşikler de bütçeyi imzalayana ait.

Öneri: daraltarak devam

Sınırda bir puan ve karşılanmayan iki eşik, kapsamın sıkılaştırılmasını gerektirir:

• Araç yayılımını azaltın: üç ya da dört araçta standartlaşın
• İlk ölçümlü fatura döneminden önce kredi bütçelerini ve harcama limitlerini tanımlayın
• Bir sonraki koltuk dilimini almadan önce inceleme kapasitesini fonlayın
• Bildirilen kalite kazancının en büyük olduğu alana, dokümantasyona odaklanın
• İş sonuçlarını ölçün

Ne ölçülmeli

Hedefler yerel olsa da her biri yayımlanmış bir temel değerle sınanabilir; o yüzden böyle bir dayanağı olan sinyalleri ölçün:

Sinyal	Ölçüm	Neden bu
İnceleyicinin devralma süresi	Açılıştan ilk incelemeye kadar geçen medyan saat; değişikliğin AI destekli olup olmadığına göre ayrı	Bu ikisi arasındaki yayımlanmış fark, kayıttaki en büyük tek teslimat etkisi
Birleşme oranı	Açılan pull request’lerin birleşen payı; aynı ayrımla	Hiç birleşmeyen üretim, çıktısı olmayan maliyettir
Teslimat kararlılığı	Değişiklik hata oranı ve toparlanma süresi	2024 ve 2025’te aynı yönü gösteren tek DORA bulgusu
Kredi tüketimi	Dahil kotaya karşı koltuk başına aylık kredi	Koltuk kalemi artık ölçümlü ve tek erken uyarı bu
Sınıfa göre güvenlik bulguları	Sürüm başına bulgular, açık sınıfına göre gruplanmış	Veracode geçme oranları sınıfa göre %13 ile %86 arasında değişiyor; toplam rakam maruziyeti gizler
Güven	Her seferinde aynı ifadeyle yapılan periyodik geliştirici anketi	Yayımlanmış temel değerler yalnızca soru ifadesi yüzünden 15 puandan fazla ayrışıyor

Çıkış kriterleri

Her eşik, program başlamadan önce planda yer almalı:

• Üretilen koda atfedilen bir güvenlik olayı
• Benimseme öncesi taban değere göre teslimat iş çıktısında kalıcı düşüş
• İnceleme yükünü taşıyan mühendislerde yoğunlaşan ayrılmalar
• Ölçülen herhangi bir teslimat sinyalinden hızlı büyüyen kredi tüketimi

Çıkış planı

Kapatmak, batık maliyet sezgisinin ima ettiğinden ucuzdur. Krediler aylık faturalanıyor; ölçümlü harcama bir dönem içinde durur, koltuk sözleşmeleri vadesine kadar işler. İnceleme ölçümlemesi ile açık sınıfına göre ayarlanmış güvenlik taraması kalır; ikisi de üretim döngüde olsun olmasın kendini öder. Çıkarken ölçülmüş temel değerleri (devralma süresi, birleşme oranı, koltuk başına kredi tüketimi) kayda geçirin; sonraki deneme onlardan başlar.

Liderler İçin Dersler#

Erken Dönem Benimseme Dersleri#

Benimsemenin henüz başındaki bir program için:

1. Araçlarla değil problemlerle başla - Kısıtlar anlaşılmadan yeteneklere kapılmak kolaydır
2. Üstüne sayaç binen bir taban bütçele - Copilot koltukları bir kredi kotası içeriyor ve bir yönetici tavan koymadıkça aşımı kredi başına $0,01’den faturalıyor; herhangi bir bütçe katsayısının altındaki sabit maliyet varsayımı da ilk kırılan yer
3. Önce güvenlik, sonra benimseme - Güvenliği sonradan eklemek çok daha zor ve Veracode, inceleme başlamadan önce üretilen örneklerin %45’inde bilinen bir açık buluyor
4. İlk günden iş değerini ölç - Aktivite metrikleri yanıltıyor; METR’in katılımcıları %19 yavaşladıklarını ölçerken %20 hızlandıklarına inanıyordu
5. Verimlilik paradoksunu kabul et - Faros, yüksek benimsemeli ekiplerde %98 daha fazla birleşen pull request ölçtü ve şirket seviyesinde iş çıktısı, DORA metrikleri veya kaliteyle anlamlı bir korelasyon bulamadı

Zor Gerçekler#

Birinci yılın hiçbir iş gerekçesinde baştan yazılmayan rahatsız edici tarafları:

• Senior geliştiriciler şüpheci kalıyor - METR, deneyimli bakımcıları iyi bildikleri depolarda %19 daha yavaş ölçtü
• Güvenlik riskleri görünür olmadan önce ölçülebilir - Üretilen örneklerin %45’inde bilinen bir açık ve $4,99 milyonluk küresel ortalamaya karşı $6 milyona çıkan AI destekli ihlaller
• Kararlılık bozuluyor - Hem 2024 hem 2025’te aynı yönü koruyan tek DORA bulgusu
• İnceleme kapasitesi bağlayıcı kısıt - AI pull request’leri devralınmak için 16 saatten fazla bekliyor ve %84,5’e karşı %32,7 oranında birleşiyor

Stratejik Zorunluluklar#

Maliyetlere rağmen devam etme gerekçesi duygusal değil. Rakipler de aynı öğrenme eğrisini tırmanıyor ve geliştiriciler bu araçları yığının parçası olarak bekliyor. Bu yılki araçlarla gelecek yılkiler arasındaki fark, kenarda beklemenin sonradan öğrenme eğrisine sıfırdan başlamak anlamına gelmesine yetecek kadar büyük; üstelik kurumun bunu massedecek payının daha az olduğu bir noktada. Birinci yılın asıl satın aldığı şey, hangi kullanım senaryolarının karşılık verdiği bilgisi; finansal getiri de bu bilgi oluştuktan sonra geliyor.

Yıl 2 Yol Haritası#

Araç konsolidasyonu

Eylem	Ölçüt
Koru	Kullanımı zaten yayımladığınız metriklerde görünüyor ve harcaması tavanlı veya öngörülebilir
Birleştir	İki araç aynı iş akışı adımını kapsıyor
Yeniden değerlendir	Satın alımdan bu yana fiyatlandırma modeli değişmiş; ölçümlü olanlardan başlayın

Konsolidasyondan çıkacak tasarruf tamamen neyin birleştirildiğine bağlı ve buna uyan yayımlanmış bir rakam yok. Masadaki sözleşmelerden hesaplayın.

Yatırım

Burada tutarlardan çok sıralama önemli; tutarlar yerel, sıralama ise taşınabilir:

Alan	Kalem	Sıralama
Güvenlik	Dil dağılımınızın en çok takıldığı açık sınıflarına göre ayarlanmış tarama	Koltuk genişletmeden önce
Güvenlik	Aynı sınıfları hedefleyen eğitim	Koltuk genişletmeden önce
Süreç iyileştirme	En büyük üretilmiş değişikliklerde inceleme otomasyonu	Koltuk genişletmeden önce
Süreç iyileştirme	Ekip bazında kredi bütçeleri ve harcama limitleri	İlk ölçümlü fatura dönemiyle birlikte
Süreç iyileştirme	Devralma süresi ve birleşme oranı üzerinde ölçümleme	İlk ölçümlü fatura dönemiyle birlikte

Karşılaştırılacak yayımlanmış temel değerler

İkinci yıl programının kendini konumlandırabileceği yayımlanmış temel değerler şunlar:

Sinyal	Yayımlanmış temel değer
Benimseme	İşte AI kullanımı %90 (DORA 2025); düzenli kullanım %88,3 (LinearB 2026); kullanan veya kullanmayı planlayan %84 (Stack Overflow 2025)
Güven	Çok az güvenen veya hiç güvenmeyen %30, önceki yıl %39 (DORA 2025 ve 2024); çok güvenen %3,1, hiç güvenmeyen %19,6 (Stack Overflow 2025)
İnceleyicinin devralma süresi	AI pull request’lerinde 16 saatten fazla, AI kullanılmayanlarda yaklaşık 200 dakika (LinearB 2026)
Birleşme oranı	AI pull request’lerinde %32,7, AI kullanılmayanlarda yaklaşık %84,5 (LinearB 2026)
Kararlılık	Benimsemedeki her %25 artış için teslimat kararlılığı %7,2 düşüyor (DORA 2024); negatif ilişki 2025’te doğrulandı

Dikkatle okunması gereken satır güven satırı. DORA ile Stack Overflow aynı soruyu farklı ifadelerle soruyor ve aralarında 15 puandan fazla fark çıkıyor; yani bir güven hedefi ancak onu üreten ifadenin yanında anlamlı.

Varsayılan Nerede Geçerli#

Daraltılmış araç seti, fonlanmış inceleme kapasitesi ve sonuç odaklı ölçümle devam etmek; modellenemeyen maliyet kalemlerini bir yıl boyunca taşıyabilen ve genişletmeye değer güvenlik kontrolleri zaten olan kurumlar için doğru karardır. Araçlar gelişiyor, fiyatlandırma oturuyor ve iş akışları olgunlaşıyor; ancak bu takvim yıllarla işliyor, dolayısıyla bütçe de o takvime göre boyutlandırılmalı.

Bazı durumlar bu varsayılanı geçersiz kılar. İnceleme kapasitesi büyüyemiyorsa üretim kapasitesi eklemek, devralınmadan önce zaten 16 saatten fazla bekleyen bir kuyruğu daha da uzatır; üçte bire yakın birleşme oranı da açılan pull request’lerin çoğunun hiç teslim edilmediği anlamına gelir. Kod tabanında anlamlı bir test kapsamı yoksa araçların yanlış ürettiğini yakalayan bir mekanizma olmaz; üretilen örneklerin %45’inde bilinen bir açık çıktığı düşünülürse bu boşluk kabul edilen her öneriyle büyür. Üretilen koda atfedilen bir olay zaten yaşandıysa yeni koltuk almadan önce genişlemeyi durdurup kontrolleri düzeltin.

Seri Sonucu#

Dört bölüm sırasıyla verimlilik paradoksunu, güvenlik yüzeyini, uygulama kalıplarını ve maliyet modelini ele alıyor. Önceki üç bölüm bu bölümde bütçe kalemine dönüşüyor: paradoks neyin ölçüleceğini gösteriyor, güvenlik yüzeyi ile kalıplar kontrolleri belirliyor, model de o kontrolleri bir yıl işletmenin fiyatını çıkarıyor.

Kaynaklar#

• GitHub Copilot kullanıma dayalı faturalamaya geçiyor - The GitHub Blog (yeni sekmede açılır) - GitHub’ın 1 Haziran 2026 faturalama değişikliği duyurusu: Business kullanıcı başına ayda $19 (aylık $19’luk AI Kredisi dahil), Enterprise $39 (aylık $39 dahil); krediler girdi, çıktı ve önbelleğe alınmış token’lar üzerinden yayımlanan API oranlarıyla tüketiliyor.
• Organizasyonlar ve kurumlar için kullanıma dayalı faturalama - GitHub Docs (yeni sekmede açılır) - Koltuk fiyatının arkasındaki mekanik: bir AI kredisi $0,01; standart dahil kota Business kullanıcısı başına 1.900, Enterprise kullanıcısı başına 3.900 kredi; aşım oranları ve bunları sınırlayan bütçe ile harcama limiti kontrolleri.
• SonarQube planları ve fiyatlandırması - Sonar (yeni sekmede açılır) - Sonar’ın liste fiyatları: SonarQube Cloud Team ayda $34’ten başlıyor ve hem Cloud hem Server sürümleri instance başına yıllık olarak kod satırı sayısına göre faturalanıyor.
• Software Developers - O*NET OnLine (yeni sekmede açılır) - SOC 15-1252 için ABD Çalışma İstatistikleri Bürosu’nun mesleki istihdam ve ücret programından alınan veriler: 2025 için $135.980 medyan yıllık ücret ve $65,38 medyan saatlik ücret.
• 2024 DORA raporu duyurusu - Google Cloud Blog (yeni sekmede açılır) - Yazı boyunca aktarılan 2024 bulguları: AI benimsemesindeki her %25 artış için dokümantasyon kalitesi %7,5, kod kalitesi %3,4, inceleme hızı %3,1 artıyor; teslimat iş çıktısı %1,5, teslimat kararlılığı %7,2 düşüyor ve katılımcıların %39’u üretilen koda çok az güveniyor ya da hiç güvenmiyor.
• 2025 DORA raporu duyurusu - Google Cloud Blog (yeni sekmede açılır) - Yaklaşık 5.000 katılımcı: %90’ı işte AI kullanıyor, %80’den fazlası verimliliğinin arttığını düşünüyor, %30’u çok az güveniyor ya da hiç güvenmiyor; iş çıktısı ilişkisi pozitife dönerken kararlılık ilişkisi negatif kalıyor.
• Erken 2025 AI’ının Deneyimli Açık Kaynak Geliştirici Verimliliğine Etkisinin Ölçümü - METR (yeni sekmede açılır) - İyi bildikleri depolarda 246 issue üzerinde çalışan 16 deneyimli bakımcıyla yürütülen rastgeleleştirilmiş deneme: beklenen %24 hızlanmaya karşı ölçülen %19 yavaşlama. METR sonucu bu popülasyonla sınırlıyor ve artık tarihsel olarak etiketliyor.
• Üretken Yapay Zekanın Yüksek Nitelikli İş Üzerindeki Etkileri - Management Science (yeni sekmede açılır) - Cui ve arkadaşları, Microsoft, Accenture ve adı açıklanmayan bir Fortune 100 şirketindeki üç saha deneyini 4.867 geliştirici üzerinden birleştiriyor: tamamlanan görevlerde %26,08 artış, %10,3 standart hata ve daha az deneyimli geliştiricilerde daha büyük kazanç.
• Yapay Zeka Verimlilik Paradoksu Araştırma Raporu - Faros AI (yeni sekmede açılır) - 1.255 ekipten 10.000’den fazla geliştirici: yüksek benimsemeli ekipler %21 daha fazla görev tamamlıyor ve %98 daha fazla pull request birleştiriyor; buna karşılık inceleme süresi %91, pull request boyutu %154, geliştirici başına hata %9 artıyor ve şirket seviyesinde anlamlı korelasyon çıkmıyor.
• 8 milyon pull request mühendislik verimliliğinin nerede tıkandığını gösteriyor - LinearB (yeni sekmede açılır) - 42 ülkede 4.800 ekipten 8,1 milyon pull request’e dayanan kıyaslamalar: devralma süresi, birleşme oranı, pull request boyutu ve refactoring payı. Bir mühendislik analitiği satıcısı tarafından yayımlanıyor.
• 2026 Bahar GenAI Kod Güvenliği Güncellemesi - Veracode (yeni sekmede açılır) - Dört dil ve dört açık sınıfında 80 kodlama görevi üzerinde 150’den fazla model test edildi; vakaların %45’inde bilinen bir açık koda giriyor ve geçme oranları dile ve CWE’ye göre ayrıştırılıyor. İncelemeden önceki üretilmiş kodu ölçen satıcı güvenlik araştırması.
• Bakım Yapılabilirlik Açığı: 2026 AI Kod Kalitesi Araştırması - GitClear (yeni sekmede açılır) - 2023-2026 arasında incelenen 623 milyon değişiklik: tekrar, kopyala-yapıştır ve churn artarken refactoring ve dosyalar arası çağrılar geriliyor. Korelasyonel ve bir kod kalitesi satıcısı tarafından yayımlanıyor.
• IBM araştırması: kötü niyetli ihlallerin dörtte biri AI destekli - IBM Newsroom (yeni sekmede açılır) - 602 ihlal yaşamış kuruma dayanan 2026 Veri İhlali Maliyeti raporu: küresel ortalama $4,99 milyon, AI destekli ihlallerde $6 milyon ve kurumların %20’sinden fazlası AI modellerini veya uygulamalarını hedefleyen bir ihlal bildiriyor.
• Yapay Zeka - 2025 Stack Overflow Geliştirici Anketi (yeni sekmede açılır) - 33.662 yanıt içeren anket bölümü: benimseme, günlük kullanım, çok güvenenden hiç güvenmeyene uzanan güven dağılımı ve “neredeyse doğru ama tam değil” yanıtlar ile üretilen kodu ayıklama başlıklarındaki sorun kategorileri.
• GitHub Copilot’un Geliştirici Verimliliğine Etkisini Sayısallaştırma - GitHub Blog (yeni sekmede açılır) - GitHub’ın 2023 kontrollü çalışması: Copilot kullanan geliştiriciler verilen görevi kontrol grubuna göre %55 daha hızlı tamamladı. Kanıt aralığının laboratuvar görevi ucu.