Yazılım mühendisliği bitmiyor: yapay zekâyı denetleme işi büyüyor

Yapay zekâya kod yazdırmak tek başına yeterli değil. Planlama, doğrulama ve sorumluluk almanın yazılım mühendisliğindeki yeri.

1878’de Sir William Preece telefonu reddetti. Bugün aynı hikâye yazılımda tekrarlanıyor.

1878’den Bir Ders

1878’de İngiliz Posta İdaresi’nin Baş Mühendisi Sir William Preece, bir parlamento komisyonu önünde şu soruyla karşılaştı:

“Telefon gelecekte halk tarafından yaygın olarak benimsenecek mi?”

Verdiği cevap tarihin en kötü teknoloji tahminlerinden biri oldu:

“Amerikalıların telefona ihtiyacı var, bizim yok. Postayı dağıtacak bol miktarda ulak çocuğumuz var.”

İşin ironik yanı şu: Telefonu İngiltere’ye getiren kişi Preece’in ta kendisiydi. Teknolojiye yabancı değildi. Sadece dünyanın değiştiğini kabul etmeyi reddetti.

Yaklaşık bir buçuk yüzyıl sonra, yazılım mühendisliğinde birebir aynı sahnenin yaşandığını izliyorum.

“Kodumu Kendim Yazarım, AI’a (yapay zekâ) İhtiyacım Yok”

Son zamanlarda bunu giderek daha sık duyuyorum. AI araçlarını kullanan mühendisleri “tembel” ya da “gerçek geliştirici değil” diye etiketleyen, giderek büyüyen bir grup var. Her yeniliği test etmeden, denemeden ya da anlamaya çalışmadan reddediyorlar.

Diğer uçta ise başka bir aşırılık var: bir prompt (yapay zekâya verilen talimat veya soru) yazmanın kusursuz bir ürün ortaya çıkaracağına inananlar. “Vibe coding (üretilen kodun ayrıntılarını incelemeden yönlendirmelerle uygulama geliştirme)” tam olarak budur — hisle kod yazmak. Temel bilgi yok, çıktıyı sorgulamak yok, sadece üretmek var.

Geçenlerde Lex Fridman’ın podcast’inde Peter Steinberger (OpenClaw’ın yaratıcısı) iki uca da doğrudan değindi. Mesajı netti: AI agent (araç kullanarak bir görevin adımlarını yürüten yapay zekâ ajanı) kullanmak “vibe coding” değil. Bu bir mühendislik disiplini. O buna Agentic Engineering (yapay zekâ ajanlarını planlayıp denetleyerek yazılım geliştirme) diyor.

Körü körüne reddetmek değil. Körü körüne güvenmek değil. Agent’ları mühendislik titizliğiyle yönetmek.

Neden “Prompt Yazmak” Yetmiyor

Bir AI agent size 30 saniyede çalışan bir endpoint (bir serviste istek gönderilen belirli adres) verebilir. Ama “çalışıyor” ile “production’a (gerçek kullanıcıların kullandığı canlı ortam) hazır” arasında dağlar kadar fark var. Bunu somut örneklerle açayım.

Frontend (uygulamanın kullanıcıya görünen arayüzü): Div Üretmek Deneyim Tasarlamak Değildir

AI’dan bir giriş formu isteyin. Çalışan bir form alırsınız. Peki gerçekten denetlediğinizde ne bulursunuz?

Erişilebilirlik (a11y): aria-label var mı? role attribute’ları doğru mu? Klavye ile gezinme çalışıyor mu? Tab sırası mantıklı mı? Bir ekran okuyucu bu formu doğru şekilde okuyabiliyor mu?

AI, WCAG standartlarını rutin olarak atlıyor. <button> yerine <div onClick> kullanır. Görsel olarak aynı -- ama ekran okuyuculara görünmez ve klavyeyle erişilemez.

Tasarım Sistemi Tutarlılığı: AI’ın mevcut tasarım sisteminizden haberi yok. Öğeler arasındaki boşluk ölçeğinizin 4px tabanlı mı 8px tabanlı mı olduğunu bilmiyor. Yazı tipi ve boyutu için tanımladığınız tasarım değerlerini tanımıyor. Semantik renklerinizi (success, warning, destructive) ayırt edemiyor. Size, ürününüzün geri kalanına hiç benzemeyen, çalışan bir component veriyor.

Performans: AI’ın ürettiği bir React component’i gereksiz re-render’lara yol açabilir. useMemo ya da useCallback olmadan yazılmış bir liste component’i her state değişikliğinde tüm child’ları yeniden render (veriyi ekranda gösterilecek görünüme dönüştürme) eder. Bundle boyutu şişebilir. Core Web Vitals (sayfanın yüklenmesini, görsel kararlılığını ve etkileşime yanıtını ölçen LCP, CLS ve INP ölçütleri) hiçbir zaman AI'ın önceliği değildir.

Gerçek bir örnek: AI’dan bir e-ticaret ürün sayfası isteyin. Alırsınız. Ama o hero görseli lazy-load ediliyor mu? LCP optimize edildi mi? CLS kaymalarını önleyen bir font yükleme stratejisi var mı? Bunları sorgulayabilmek için önce Core Web Vitals’ın ne olduğunu bilmek gerekir.

Backend (uygulamanın sunucuda çalışan bölümü): Çalışan Kod Güvenli Kod Değildir

AI bir CRUD endpoint’i yazdığında genellikle “happy path”i (her şeyin beklendiği gibi gittiği akışı) çözer. Peki ya sınırda kalan veya beklenmedik durumlar?

Güvenlik:

  • SQL Injection: AI parameterized query mi kullandı, yoksa string (metin değeri) birleştirme mi?
  • Rate limiting (belirli sürede yapılabilecek istek sayısını sınırlama): Bu endpoint’e saniyede 10.000 istek geldiğinde ne olur?
  • Authentication/Authorization: JWT (oturum bilgisini imzalı biçimde taşıyan erişim belgesi) doğrulaması doğru mu? Token’ın (oturumu doğrulayan erişim belgesinin) süresinin dolması ele alınıyor mu? Rol tabanlı erişim kontrolü düzgün yapılandırılmış mı?

Uygulama Durumunu Yönetme Kararları: AI’dan bir uygulama durumunu yönetecek bir çözüm isteyin. Bir seferinde Redux önerir, başka bir seferinde Zustand, bir diğerinde React Context (bileşenler arasında ortak veri paylaşma yöntemi). Projenize hangisinin uyduğuna karar veren AI değil — sizsiniz. 50 component’li bir uygulamada Context ya da 5 component’li bir formda Redux kullanmak — ikisi de yanlış kararlar. Bu kararı verebilmek seçeneklerin kazançlarını ve bedellerini anlamayı gerektirir.

Hata Yönetimi: AI genellikle her şeyi genel bir try/catch ile sarar. Production’da bu, debug (yazılımdaki hatanın nedenini bulma) etmeyi neredeyse imkânsız hale getirir. Yapılandırılmış hata kayıtları, çökmeyi ilgili bölümle sınırlayan hata sınırları ve bazı servisler bozulsa da temel işlevleri sürdürebilme -- bunlar hiçbir zaman AI'ın önceliği değildir.

Mimari: Prompt’larla Sistem Kuramazsınız

Bu en kritik katman. Ve çoğu insanın gözden kaçırdığı katman.

Bağlam Sağlamak: AI agent’lar ancak onlara sağladığınız bağlam kadar güçlüdür. Bu sadece “şu dosyayı oku” demek değil. Repo’nuzun (projenin dosyalarını ve değişiklik geçmişini tutan kod deposu) yapısını bilmek, hangi servislerin birbiriyle konuştuğunu anlamak, tech debt’in nerede biriktiğini fark etmek — ve bunları AI’a beslemek demek. Çünkü bunu kendi başına çözemez.

MCP (Model Context Protocol) Entegrasyonu: 2025–2026’nın en önemli gelişmelerinden biri. MCP, AI agent’ların harici kaynaklarla — veritabanları, API’ler (yazılımların birbirine istek göndermesini sağlayan arayüz), dosya sistemleri — yapılandırılmış şekilde etkileşim kurmasını sağlıyor. Ama bunu projenize doğru şekilde entegre etmek, sisteminiz hakkında derin bilgi gerektirir. Hangi tool’ları (ajanın çağırabildiği dış işlev veya araç) tanımlayacaksınız? Hangi resource’ları açacaksınız? Güvenlik sınırları neler?

Skill Dosyaları ve Repo Gerçekliği: AI agent’ların etkili çalışabilmesi için iyi yapılandırılmış SKILL.md dosyalarına, düzgün .cursorrules’a, iyi organize edilmiş README’lere ihtiyaçları var. Bu dosyaları yazmak projenizi çok yakından tanımayı gerektirir. AI’ın ürettiği kodun kalitesi, bu dosyaların kalitesiyle doğru orantılıdır.

Doğru Aracı Seçmek: Her hafta yeni bir AI aracı, yeni bir framework (uygulama geliştirmek için hazır yapı ve araçlar sunan çatı), yeni bir paradigma çıkıyor. Her şeyi stack’inize (bir üründe birlikte kullanılan teknolojiler) tıkıştırmak yerine gerçekten değer katanı ayıklamak — bu bir mühendislik olgunluğu meselesi. “Bu nasıl yapılır” diye sormadan önce “bu hiç yapılmalı mı” diye sormanız gerekir.

Otopilot Benzetmesi

Otopilot sistemleri 1930’lardan beri uçaklarda var. 90 yılda pilotluk mesleği “ölmedi.” Olan şuydu: pilotun rolü evrildi. Artık kumanda kolunu elle tutmuyorlar. Karmaşık sistemleri yönetiyorlar. Anormallikleri tespit ediyorlar. Kriz anlarında müdahale ediyorlar.

Aynısı hesap makineleri için de geçerli. Hesap makinesi icat edildiğinde matematikçiler gereksiz hale gelmedi. Aritmetikle vakit kaybetmeyi bıraktılar ve daha karmaşık teorik problemlere odaklanma özgürlüğü kazandılar.

AI agent’lar tam olarak bu: yeni nesil araçlar. Ama bir aracı etkili kullanmak, nereye gittiğinizi bilmeyi gerektirir. Rotayı bilmeyen bir pilota otopilotun hiçbir faydası yoktur.

Üç Grup

Bugün yazılım dünyasında üç grup var:

1. Direnenler: Her yeniliği reddederler. Eski iş akışlarına tutunurlar. “Benim yöntemim çalışıyor” derler. Evet, çalışıyor — şimdilik. Sir William Preece’in ulak çocukları da “çalışıyordu.”

2. İnananlar: AI’ın her şeyi çözdüğüne inanırlar. Temelleri öğrenmeyi gereksiz görürler. Prompt yazarlar ve çıktıyı asla sorgulamazlar. Altı ay sonra o üretilmiş kodun bakımını yapmaları gerektiğinde gerçekle yüzleşecekler.

3. Uyum Sağlayanlar: Temelleri bilirler. Yenilikleri seçici şekilde benimserler. AI agent’ları mühendislik disipliniyle yönetirler. Her aracı almazlar — doğru olanları seçerler. Araçları insan uzmanlığını büyütmek için kullanır, bir çarpan etkisi yaratırlar.

Preece’in hatası telefonu anlayamamak değildi. Onu İngiltere’ye getiren kişi oydu. Hatası, dünyanın değiştiğini kabul etmeyi reddetmekti.

Sonuç: Evrilme Zamanı

Agentic engineering kodlamanın ölümü değil. Kodlamanın evrimi.

Soru AI kullanıp kullanmamak değil. Soru onu nasıl kullandığınız. Mühendislik disipliniyle mi, yoksa “bir prompt yaz, bakalım ne olacak” zihniyetiyle mi?

Temellerde ustalaşın. Yenilikleri entegre edin — ama hepsini değil, yalnızca doğru olanları. Karşılaştığınız problemleri daha hızlı ve daha etkili çözün.

Uyum sağlamak her zaman direnmeyi yener.

Lex Fridman — Peter Steinberger podcast bölümünün tamamının linki yorumlarda.

Bu yazı İngilizce aslından Türkçeye çevrilmiştir.

İlk yayın: Medium ↗

Çözmeye değer bir problemin mi var?Birlikte çözelim

Konuşmaya başla

Full-stack ve uygulamalı AI rollerine açığım, uzaktan veya hibrit.

Rolü, ekibi ve problemi anlat.