Üretken yapay zekânın yetenekleri hâlâ belirli sınırlara sahiptir ve yazılım geliştirme süreci, yüksek vasıflı bir iş gücüne ihtiyaç duymaya devam etmektedir. Kodlamanın otomasyonu operasyonel süreçleri hızlandırsa da hataları ayıklamak, çıktıları stratejik olarak yönlendirmek ve yüksek riskli ortamlarda yapay zekâyı denetlemek için insan becerisi vazgeçilmezdir. Ancak bu araçların yoğun kullanımının profesyonel geliştiricilerin yetkinlik gelişimini (vasıf kaybı/kazanımı) uzun vadede nasıl etkileyeceği, günümüzün en kritik tartışma konularından birini oluşturmaktadır.
***
“Artık işim yok,” dedi Bud. “Atıldım.“
Paul afallamıştı. “Sahi mi? Sebep ne? Ahlâksızlık mı? Şu icat ettiğin zımbırtıya…“
“Zaten onun yüzünden,” dedi Bud gurur ve pişmanlıkla karışık bir tonda. “Çok güzel çalışıyor.” Aval aval gülümsedi. “İşimi benden çok daha iyi yapıyor.“
“Bütün operasyonu o mu idare ediyor?“
“Evet. Zımbırtı“
“Böylece işsiz kaldın.“
“Yetmiş iki kişi işsiz kaldı,” dedi Bud. Koltuğa iyice gömüldü. “İş sahamız ortadan kalktı. Püf diye.” Parmaklarını şıklattı.
(Otomatik Piyano, Kurt Vonnegut JR., çev. İrma Dolanoğlu Çimen, APRIL Yayıncılık)
Son on yıldır birçok mesleğin yakın zamanda tarihe karışacağı dile getiriliyor. Günümüzde “Yapay Zekânın Babaları” arasında anılan isimlerden biri olan Geoffrey Hinton, 2016 yılında radyologların büyük ölçüde yapay zekâ tarafından ikame edilebileceğini ve bu nedenle radyolog yetiştirmeyi yeniden düşünmek gerektiğini söylemişti. Geçtiğimiz günlerde Elon Musk ise daha da ileri giderek, üç–dört yıl içinde robotların dünyanın en iyi cerrahlarını geride bırakacağını ve bu nedenle tıp eğitiminin anlamını yitireceğini öne sürdü (https://x.com/MorePerfectUS/status/2011816251283185781). Buna rağmen tıp fakülteleri radyolog yetiştirmeye devam etti. Büyük olasılıkla Musk’ın iddiaları da tıp fakültelerinin cazibesini azaltmayacak.
Yapay zekânın insanları işsiz bırakmaya başladığı ve işlerini devraldığına dair medyada güçlü bir anlatı hâkim. Hatta başta teknoloji sektörü olmak üzere son dönemdeki işten çıkarmalar, doğrudan yapay zekâdaki gelişmelerle ilişkilendiriliyor. Ancak pek çok iktisatçı bu görüşe katılmıyor. Onlara göre işten çıkarmalarda yapay zekânın günah keçisi ilan edilmesi pandemi dönemindeki aşırı istihdam, gümrük tarifeleri ve kâr baskısı gibi temel ekonomik gerekçelerin üzerini örtüyor (https://gazeteoksijen.com/ekonomi/yapay-zeka-gunah-kecisi-mi-isten-cikarmalarin-yeni-bahanesi-ai-washing-265069). Bu uyarılara rağmen sosyal medya, tek satır kod yazmadan karmaşık yazılımlar geliştiren amatörlerin veya yapay zekâ çıktılarını hayranlıkla paylaşan profesyonel yazılımcıların mesajlarıyla dolu. Bu paylaşımlar, şirketlerin işten çıkarmalardaki sorumluluğu teknolojiye yüklemesine zemin hazırlarken, toplumdaki “her şeye kadir yapay zekâ” mitini de güçlendiriyor.
Ancak yazılım mühendislerinin, onları diğer tüm meslek gruplarından ayıran trajik bir paradoksu var: İş pratikleri, yapay zekânın ‘beslenmesine’ en uygun şekilde, tamamen dijital bir evrende akıyor. Yazılım olgusunun ortaya çıkışından beri süregelen kaynak kodu paylaşma ve yardımlaşma kültürü; GitHub, GitLab, SourceForge gibi platformları büyük dil modellerinin eğitimi için paha biçilemez veri setlerine dönüştürmüş durumda. Milyarlarca satır kod barındıran bu devasa platformlar, yapay zekânın eğitim sürecindeki temel bilgi kaynağını ve en zengin veri havuzunu oluşturuyor.
Bu tablo, ister istemez Kurt Vonnegut’un Otomatik Piyano romanındaki Bud karakterini akıllara getiriyor. Bud, tasarladığı o muazzam makinenin işini kendisinden daha iyi yapmasıyla gurur duyarken, aslında kendi iş sahasının ‘püf diye’ yok oluşunu hazırlıyordu. Bugün yazılımcıların kendi elleriyle beslediği bu devasa modeller, Bud’ın hikâyesini dijital bir gerçeğe mi dönüştürüyor? Yapay zekâ, ilk başta kendi varlığını borçlu olduğu evlatlarını, yani yazılım geliştiricilerini mi yiyecek?
Yazılım Geliştirmede Yeni Pratikler
Birçok uzman, üretken yapay zekâyı, internetin doğuşundan bu yana yazılım mühendisliğindeki en yıkıcı yenilik olarak nitelendiriyor. ChatGPT’nin 2022 yılındaki çıkışıyla birlikte, yazılım geliştirme, evrim ve sürdürülme süreçlerinde köklü bir paradigma değişimi yaşanıyor. Yazılım geliştiriciler bu yeni teknolojiye çok hızlı uyum sağladılar. 2023 yılı sonu itibarıyla sektördeki profesyonellerin yaklaşık %75’i, iş akışlarında üretken yapay zekâdan aktif olarak yararlanmaya başlamıştı (https://newsletter.pragmaticengineer.com/p/ai-tooling-2024).
Aslında bugünkü yapay zekâ tabanlı kod asistanlarının kökeni çok daha eskilere dayanmaktadır. Microsoft’un 90’ların sonlarında tanıttığı IntelliSense, fonksiyon ve parametre ipuçlarının yanı sıra gerçek zamanlı sözdizimi önerileri sunarak bu alanın öncüsü oldu. IntelliSense, günümüz asistanları gibi yapay öğrenme tabanlı değildi. Fakat sunduğu kullanıcı deneyimiyle yapay zekâ destekli kodlamanın temellerini attı. 2020’lerin başında TabNine, derin öğrenme ve dönüştürücü (transformer) modellerini kullanarak, kod tahminlerini farklı programlama dillerinde de sunabilen bir araç haline geldi. Anahtar kelime odaklı geleneksel sistemlerin aksine TabNine, bağlamsal öneriler sunmak için devasa kod kütüphanelerinden yararlandı. Bu süreç, statik kod tamamlamadan daha dinamik ve olasılıksal bir modellemeye geçişte kritik bir dönüm noktasını temsil ediyordu. (Nazir ve Arif, 2026).
OpenAI’nin Codex modeliyle desteklenen GitHub Copilot’un 2021 yılında piyasaya sürülmesi, sektörde gerçek bir milat oldu. Copilot, daha önceki kodlama asistanlarından farklı olarak yalnızca kod satırlarını tamamlamakla kalmıyor, doğal dilde yazılan yorum satırlarını doğrudan işlevsel koda dönüştürebiliyordu. Üretken yapay zekânın VS Code gibi entegre geliştirme ortamlarına (IDE) doğrudan eklemlenmesi, kod önerisi ile kod üretimi arasındaki sınırı ortadan kaldırdı. Geliştiriciler artık yapay zekâyı, milyarlarca satırlık eğitim verisinden süzülen çözümler sunabilen, gerçek zamanlı bir eşli programlama (pair programming – https://en.wikipedia.org/wiki/Pair_programming) ortağı olarak konumlandırmaya başladılar (age).
ChatGPT ve onu takip eden diğer üretken yapay zekâ araçlarıyla beraber hayatında ilk kez kod yazan, ‘yazılım geliştirmek ne kadar kolaymış’ diyerek çıktılarını sosyal medyada paylaşan ve artık herkesin yazılım geliştirebileceğini savunan çok sayıda amatör kullanıcı türedi. Ancak Everest’in tepesine helikopterle inmenin bir insanın o dağa tırmandığı anlamına gelmeyeceği (Hurka, 1993) gerçeği gibi; bu tür başarı hikayelerinin de profesyonel yazılım geliştirme bağlamında ciddiye alınmaması gerektiği kanaatindeyim. Bu nedenle asıl odaklanmamız gereken nokta, hayatını yazılım geliştirerek kazanan profesyonellerin, üretken yapay zekâ araçlarıyla kurduğu ilişkidir. Üretken yapay zekâyla ortaya çıkan yazılım geliştirme paradigmaları amatörlerin üretken yapay zekâ araçlarını kullanma biçiminden yapısal olarak ayrıştırılmalı ve yazılım mühendisliği düzleminde ele alınmalıdır.
Bu bağlamda üretken yapay zekâ araçlarıyla gelişen birinci paradigma, Steve Yegge’nin ‘Sohbet Yönelimli Programlama’ (Chat-Oriented Programming) olarak adlandırdığı yazılım geliştirme yaklaşımıdır. Sohbet yönelimli programlama, geliştiricilerin kodu bir düzenleyicide satır satır yazmak yerine, yapay zekâ asistanıyla etkileşimli bir diyalog kurarak kod ürettiği bir yöntemi ifade ediyor. Özünde diyalog temelli bir yazılım geliştirme süreci vardır: Programcı gereksinimleri belirtip sorular sorarken, yapay zekâ bu gereksinim ve talimatlar doğrultusunda kodu oluşturur ve doğal dil yönlendirmeleriyle çıktıyı aşamalı olarak iyileştirir. Bu yaklaşım, her satırı elle yazma geleneğinin aksine, ‘yinelemeli istemler yoluyla kod inşa etme’ süreci olarak nitelendirilebilir. Sohbet yönelimli programlama iş akışında, birçok geleneksel geliştirme adımı yapay zekânın yetenekleri sayesinde hızlandırılır veya değiştirilir. Örneğin, normalde saatlerce doküman ve kaynak kod okumayı gerektiren yeni bir kod tabanını anlama görevi, yapay zekâya kod hakkında hedefli sorular sorarak kolaylaştırılabilir. Sohbet yönelimli programlamada bir geliştirici, doğrudan kod yazmak veya API (Application Programming Interface – Uygulama Programlama Arayüzü) kullanımlarını araştırmak yerine, istenen işlevselliği doğal dilde tanımlayarak bir istekte bulunabilir. Yapay zekâ daha sonra bu isteği yerine getiren bir kod taslağı oluşturur ve potansiyel olarak birden fazla öneri veya iyileştirme sunar. İnsan bu taslağı inceler; yapay zekâdan belirli kısımları ayarlamasını (örneğin, “bu işlevi özyinelemeli yerine yinelemeli hale getir”), kısıtlamalar eklemesini (“çıktının sıralı olduğundan emin olun”) isteyebilir. Bu etkileşimli döngü, kod gereksinimleri karşılayana kadar devam eder.
İkinci paradigma ise yapay zekâ araştırmacısı Andrej Karpathy’nin 2025’in başında kavramsallaştırdığı ‘sezgisel kodlama’ (vibe coding) yaklaşımıdır. Sezgisel kodlama, bir uygulamanın amacını veya vizyonunu doğal, hatta günlük dilde ifade ederek yapay zekânın, geliştiricinin minimum manuel müdahalesiyle kodu oluşturup değiştirmesine izin vermek anlamına gelir. Bu yaklaşım, düşük seviyeli uygulama ayrıntılarını yapay zekâya bırakırken programcının üst düzey davranışlara odaklandığı, müdahalesiz bir süreci hedefler. Karpathy’nin tabiriyle bu, ‘kodun varlığını bile unutmayı’ ve geliştirme ortamıyla bir insan iş ortağıyla sohbet eder gibi etkileşim kurmayı içerir.
Doğal dildeki direktifleri yorumlayabilen ve bunları kod düzenlemelerine aktarabilen güçlü yapay zekâ asistanları (örneğin ses kontrolüne sahip Cursor gibi gelişmiş IDE’ler), bu tür pratikleri mümkün kılıyor. Sezgisel kodlama, özellikle uzman olmayanların yazılım geliştirmesini kolaylaştırır. Öyle ki programlama bilgisi kısıtlı bir kişi, fikrini sade bir dille anlatıp asıl kodlama işini yapay zekâya bırakabilir. Sezgisel kodlama, yazılım sürecinin kod yazmaktan ziyade, bir yapay zekâ asistanının belirli bir niyet doğrultusunda yönetildiği, beraberinde yeni olanaklar ve riskler getiren bir süreç sunar. Ama bu noktada, profesyonel ve amatör geliştiriciler arasındaki ayrım daha belirgin hale gelmektedir. Profesyonel geliştiriciler kodun doğruluğu, sürdürülebilirliği ve verimliliğinden sorumludur. Bu nedenle sadece kodun çalışmasına değil, okunabilirliğine ve mimari bütünlüğüne de önem verirler. Sezgisel kodlamada ise amatör geliştiriciler, çıktıları derinlemesine incelemeden kabul etme eğilimi gösterir.
Üçüncüsü ise ajan temelli programlamadır (agentic programming). Ajan temelli programlama henüz başlangıç aşamasında olsa da oldukça iddialıdır. Sohbet odaklı programlama ve sezgisel kodlama, insan-yapay zekâ etkileşimi üzerine kuruludur. Ajan temelli yaklaşım ise yapay zekâyı çok daha özerk bir konuma taşır. Bu, geliştiricilerin adım adım insan rehberliği gerekmeden kod yazma, hata düzeltme veya performans optimizasyonu gibi karmaşık görevleri bağımsızca yerine getirebilen ‘yapay zekâ ajanları’ kullandığı yeni bir paradigmadır. Bu aşama, açık talimatlar (kod) yazmaktan problemleri kendi başlarına çözen akıllı sistemler tasarlamaya doğru bir geçişi temsil eder.
Bir yapay zekâ ajanı, genellikle araçlar, bellek ve geri bildirim mekanizmalarıyla zenginleştirilmiş LLM tabanlı bir süreçtir. Tekil bir büyük dil modeli talebinden farklı olarak bir ajan, harici API’leri çağırabilir ve ara sonuçlara göre bir sonraki eylemine karar verebilir. Geliştirici, bir problemi çözmek için kod yazmak yerine, sorunu bir dizi ajana tanımlar ve onlara gerekli yetkileri sağlar. Ajanlar otonom olarak problemi parçalara ayırır, koordinasyon sağlar ve gerektiğinde kendi yazdıkları kodu test edip revize ederek bir çözüm üretir. Bu yaklaşım olgunlaştıkça, insan mühendislerin her kod satırını yazmak yerine, birer ‘kod yazan ajan filosu denetleyicisi’ gibi davrandığı, yani sadece hedefleri belirleyip sonuçları gözden geçirdiği bir dönem başlayabilir.
Yazılım Geliştirmede Yapay Zekâ Kullanımının Getirileri
Üretken yapay zekânın getirilerini üç temel başlık altında ele alabiliriz (Mpampi vd, 2025):
- Hız ve artan verimlilik
- Tekrarlayan ve rutin görevlerin otomasyonu
- Hata oranlarında azalma ve kod kalitesinde iyileşme.
Hız ve Artan Verimlilik
GitHub tarafından 2022 yılında gerçekleştirilen bir araştırma, standart kodlama görevlerinde GitHub Copilot kullanan geliştiricilerin, aracı kullanmayan kontrol grubuna kıyasla görevlerini %30 ila %55 oranında daha hızlı tamamladığını ortaya koymaktadır. Söz konusu araştırmaya göre yazılımcılar, yapay zekâ desteği sayesinde daha az zihinsel yorgunluk yaşadıklarını ve bu sayede daha karmaşık, stratejik görevlere odaklanabildiklerini belirtmektedir. Bu verimlilik artışı, tekrarlayan kod yapılarının (boilerplate) oluşturulmasında olduğu kadar, prototipleme ve birim testlerinin ilk yazım aşamalarında da somut bir biçimde kendini göstermektedir. (https://github.blog/news-insights/research/research-quantifying-github-copilots-impact-on-developer-productivity-and-happiness/).
Microsoft’un 2000’den fazla geliştiriciyle gerçekleştirdiği anketin sonuçları, katılımcıların %88’inin Copilot sayesinde zaman kazandığını, %74’ünün ise işin yaratıcı kısımlarına daha fazla vakit ayırabildiğini göstermektedir (age).
Tekrarlayan ve Rutin Görevlerin Otomasyonu
Yapay zekâ asistanları, genellikle sıkıcı veya yazılımcılar tarafından angarya olarak kabul edilen, iyi bilinen kodlama dizilerini otomatik olarak gerçekleştirmede özellikle etkilidir. Örneğin;
• Veritabanı erişiminde standart fonksiyonların (yeni kayıt yaratma; var olan bir kaydı okuma, güncelleme ve silme) oluşturulması;
• Web uygulamalarında çok sık kullanılan MVC mimarilerinde modeller veya denetleyicilerin yazılması;
• Birim test yapılarının oluşturulması;
• Mevcut koda dayalı olarak fonksiyonların otomatik olarak belgelendirilmesi.
Böylece üretken yapay zekânın, geliştiricileri rutin görevlerin bilişsel yükünden kurtararak yazılım mimarisi, sistem optimizasyonu veya karmaşık problemlerin çözümü gibi nitelikli alanlara odaklanmalarını sağladığı savunulmaktadır.
Hata Oranlarında Azalma ve Kod Kalitesinde İyileşme
Bir diğer önemli fayda ise sözdizimsel, mantıksal ve tipografik hataların azalmasıdır. Daha önce de belirttiğim gibi doğası gereği iş süreçleri en çok dijitalleştirilmiş meslek alanı yazılım geliştirmedir. Bunun sonucunda yapay zekâ modelleri, doğrulanmış ve derlenebilir kaynak kodlarından oluşan devasa veri kümeleri üzerinde eğitildikleri için geliştiricilere daha sağlam alternatifler önerebilmekte, riskli pratikler konusunda uyarıda bulunabilmekte veya tipik hataları otomatik olarak düzeltebilmektedir.
Ancak yapay zekâ asistanlarının sunduğu önerilerin kalitesi, büyük ölçüde sağlanan bağlama (context) ve kullanılan değişken adlarının veya yorum satırlarının netliğine bağlıdır. Bu nedenle, üretilen önerileri yorumlamak, optimize etmek veya hatalı olduğunda reddetmek için hâlâ yüksek vasıflı yazılımcı emeğine ihtiyaç duyulmaktadır.
Vasıfsızlaşma Tehlikesi
İnsanlar herhangi bir işi yaparken yapay zekâ desteği kullandıklarında, sürece olan bağlılıkları azalma eğilimi göstermekte ve harcadıkları zihinsel çaba düşmektedir. Yazılım geliştirme süreçlerinde düşünme yükünün yapay zekâya devredilmesi, insanların becerilerini geliştirmelerini ve inşa ettikleri sistemlerin mimarisini tam olarak kavramalarını nasıl etkiliyor?
Üretken yapay zekânın yetenekleri hâlâ belirli sınırlara sahiptir ve yazılım geliştirme süreci, yüksek vasıflı bir iş gücüne ihtiyaç duymaya devam etmektedir. Kodlamanın otomasyonu operasyonel süreçleri hızlandırsa da hataları ayıklamak, çıktıları stratejik olarak yönlendirmek ve yüksek riskli ortamlarda yapay zekâyı denetlemek için insan becerisi vazgeçilmezdir. Ancak bu araçların yoğun kullanımının profesyonel geliştiricilerin yetkinlik gelişimini (vasıf kaybı/kazanımı) uzun vadede nasıl etkileyeceği, günümüzün en kritik tartışma konularından birini oluşturmaktadır.
Shen ve Tamkin (2026) tarafından yürütülen ve önde gelen yapay zekâ şirketlerinden biri olan Anthropic tarafından da paylaşılan (https://www.anthropic.com/research/AI-assistance-coding-skills) araştırma, yapay zekâ asistanlarının yazılım mühendisleri üzerindeki etkisini dört temel beceri üzerinden analiz etmektedir:
Hata Ayıklama: Koddaki hataları belirleme ve teşhis etme yetisidir. Yapay zekâ çıktılarının doğruluğunu denetlemek ve başarısızlıkların temel nedenlerini anlamak için kritiktir.
Kod Okuma: Mevcut kodun işleyişini kavrama becerisidir. İnsanların, yapay zekâ tarafından yazılan kodu yayına (deployment) almadan önce doğrulamasını sağlar.
Kod Yazma: Doğrudan kod üretme veya en uygun yaklaşımı seçme yeteneğidir.
Kavramsal Kavrayış: Araçların ve kütüphanelerin temel prensiplerini anlama kapasitesidir. Çıktıların, yazılım tasarım kalıplarına ve kullanım amacına uygunluğunu değerlendirmek için hayati önemdedir.
Çoğunluğu kıdemsiz (junior) düzeydeki 52 yazılım mühendisinin katılımıyla gerçekleştirilen çalışma üç aşamadan oluşmuştur: İlk olarak 10 dakikalık bir ısınma egzersizi yaptırılmış; ardından 35 dakikalık ikinci aşamada Python’ın Trio kütüphanesi kullanılarak iki farklı özelliğin kodlanması istenmiştir. Son aşamada ise 25 dakikalık bir sınav uygulanmıştır. Katılımcılara sınav uygulanacağı önceden bildirilmiş ancak süreci mümkün olduğunca hızlı tamamlamaları için de teşvik edilmişlerdir. Araştırma kapsamında mühendisler ‘deney’ ve ‘kontrol’ grubu olarak ikiye ayrılmış. Deney grubunun ikinci aşamada yapay zekâ asistanı kullanmasına izin verilmiş; kontrol grubu ise kodlama sürecini geleneksel yöntemlerle yürütmüştür.
Araştırma sonuçlarına göre yapay zekâ asistanı kullanan deney grubu, ikinci aşamadaki kodlama görevini kontrol grubuna kıyasla ortalama iki dakika daha hızlı tamamlamıştır. Ancak asıl çarpıcı fark, asistan desteği olmadan girilen sınav aşamasında ortaya çıkmıştır. Yapay zekâ grubundaki yazılım mühendisleri sınavda ortalama %50 başarı gösterirken, asistan kullanmayan kontrol grubunun başarı oranı %67 olarak kaydedilmiştir. İki grup arasındaki en keskin performans farkı ise hata ayıklama sorularında gözlemlenmiştir.
Tahmin edileceği üzere yapay zekâ asistanı kullanmayan mühendisler, kodlama sürecinde sözdizimi ve Trio kütüphanesi özelinde daha fazla hata ile karşılaşmışlardır. Ancak hatalarla bizzat yüzleşen ve bu sorunları bağımsız bir biçimde çözen katılımcılar, süreç içerisinde hata ayıklama becerilerini derinleştirmişlerdir. Sınav aşamasında kaydedilen başarı artışı da muhtemelen bunun bir sonucudur.
Shen ve Tamkin (2026), sadece yapay zekâ kullananlar ile kullanmayanları kıyaslamakla kalmamış, aynı zamanda etkileşim biçimlerinin mühendislerin gelişimi üzerindeki etkisini de analiz etmiştir. Sınav puanı %40’ın altında kalan düşük performanslı gruplarda, yapay zekâya yönelik aşırı bağımlılık ve bilişsel yükü asistana devretme eğilimi saptanmıştır. Bu gruptaki yazılımcılar, sergiledikleri davranışlara göre üç alt grupta incelenmektedir. Birinci alt gruptakiler, görevi tamamlamak için tamamen yapay zekâya güvenmişlerdir. Süreç boyunca neredeyse hiç hata yapmadan veya hatayla yüzleşmeden işi en hızlı bitiren grup olmuşlardır. Ancak bu hız, sınavda bir başarısızlığa dönüşmüştür. İkinci alt gruptakiler, sürece bir veya iki soru sorarak başlamış, ancak ardından tüm kod yazımını asistana devretmişlerdir. Temel kavramlara dair hiçbir hakimiyet geliştiremedikleri için sınavda düşük puanlar almışlardır. Üçüncü alt gruptakiler, hataları gidermek veya kodu doğrulamak için sürekli yapay zekâya başvurmuşlardır. Daha fazla etkileşim kurmalarına rağmen, bu soruları kendi anlayışlarını netleştirmek için değil, sadece anlık sorunu çözmek için sorduklarından hem en yavaş süreyi kaydetmiş hem de düşük başarı göstermişlerdir.
Sınavda %65 ve üzeri başarı gösteren ikinci grubun en önemli özelliği ise hem kod üretimi hem de kavramsal sorgular için yapay zekâyı kullanmış olmalarıdır. Bu grupta da katılımcılar yapay zekâ asistanıyla kurdukları ilişkiye göre üçe ayrılmaktadır. Birinci alt gruptaki yazılımcılar, önce kod üretmişler ve ardından kodu elle kopyalayıp yapıştırarak çalışmalarına entegre etmişlerdir. Fakat kodları ürettikten sonra, anlama düzeylerini artırmak için yapay zekâ asistanına ek sorular sormuşlardır. Bu, verilen görevi daha yavaş tamamlamalarına neden olmasına rağmen sınavda daha yüksek bir başarı elde etmelerini sağlamıştır. İkinci alt gruptakiler, kod üretimiyle birlikte üretilen kodun açıklamalarını da istedikleri karma sorgular oluşturmuşlardır. İstedikleri açıklamaları okumak ve anlamak daha fazla zaman almasına rağmen yaklaşımları, Trio kütüphanesini kavramalarını daha iyi anlamalarına yardımcı olmuştur. Üçüncü alt gruptakiler ise yalnızca kavramsal sorularla yetinmişler ve görevi tamamlamak için gelişmiş anlayışlarına güvenmişlerdir. Karşılaştıkları hataları bağımsız olarak çözmüşlerdir. Böylece hem daha yüksek puan almışlar hem de görevi tamamlamada ikinci en hızlı yazılım mühendisleri olmuşlardır.
Özetle yapay zekâ desteğiyle verimlilik artışı hedeflenirken, bu araçlarla kurulan etkileşimin niteliği, bireylerin öğrenme süreçlerini ve bilişsel becerilerinin gelişimini doğrudan şekillendirmektedir. Araştırmada hız konusunda kayda değer bir fark gözlenmemesinin temel nedeni, incelenen görevin niteliğiyle ilgilidir. Odak noktası yeni bir kütüphanenin öğrenilmesi değil de yazılım mühendisleri tarafından angarya olarak nitelendirilen rutin görevler olsaydı, yapay zekânın sağladığı hız avantajı çok daha belirgin olabilirdi.
Ancak bu noktada, özellikle kıdemsiz yazılım mühendisleri için ciddi bir risk söz konusudur: Eğer genç yeteneklerin beceri gelişimi, yapay zekâ kullanımına bağlı olarak henüz yolun başında sekteye uğrarsa verimlilik artışları, yapay zekâ tarafından üretilen kodu doğrulamak için gereken temel yetkinliklerin kaybı pahasına gerçekleşebilir. Bu nedenle yöneticiler, yapay zekâ araçlarını geniş ölçekte devreye alırken stratejik davranmalıdır. Mühendislerin çalışırken öğrenmeye devam edebilecekleri ve inşa ettikleri sistemler üzerinde anlamlı bir denetim kurmalarına imkân tanıyan yollar izlenmelidir.
Bilişsel Yükün Devri
Vasıfsızlaşma ne yalnızca yapay zekâ ile hayatımıza giren bir sorundur ne de sadece yazılım mühendislerini tehdit etmektedir. Binlerce yıl önce Socrates, yazının insan zihninde yaratacağı tahribat konusunda uyarıda bulunurken dışsal bir araca güvenmenin, içsel hafızanın körelmesine yol açacağını savunuyordu. Benzer bir dönüşüm günümüzde arama motorları ve navigasyon cihazlarıyla yaşandı: “Nasıl olsa bilgiye ulaşırım” düşüncesiyle hafızamızı serbest bırakırken, yön bulma yetimizi navigasyon cihazlarına teslim ettik.
Derin öğrenme ve ardından büyük dil modellerinin yükselişi, bu endişeyi yeni bir boyuta taşıdı. Araştırmacılar, yapay zekâya artan bağımlılığın faaliyet farkındalığını, yetkinliğin korunmasını ve çıktı değerlendirme kapasitesini zayıflattığını vurgulamaktadır. Özellikle sağlık hizmetlerinde bu bağımlılığın tanısal muhakemeyi ve klinik yargıyı zayıflattığı, örtük bilginin (tacit knowledge) korunmasını engellediği ve ahlaki yargı süreçlerini körelttiği tespit edilmiştir (Ferdman, 2025). Sanal asistanlardan karar destek sistemlerine kadar uzanan bu araçlar, verimlilik ve kişiselleştirilmiş deneyim vaat ederken, eleştirel düşünme becerileri üzerindeki potansiyel aşındırıcı etkileriyle endişe yaratmaktadır.
Eleştirel düşünme, mantıklı kararlar almak için bilgiyi analiz etme, değerlendirme ve sentezleme yeteneği olarak tanımlanır. Akademik başarı, mesleki yeterlilik ve bilinçli vatandaşlık için gerekli olan temel bir bilişsel beceridir. Problem çözme, karar verme ve yansıtıcı düşünme gibi çeşitli bilişsel süreçleri içerir ve karmaşık ve dinamik ortamlarda var olabilmek için hayati öneme sahiptir. Ancak bilgi edinme ve karar verme için yapay zekâ araçlarına artan bağımlılık, bu teknolojilerin kullanıcıların eleştirel düşünme yeteneklerini nasıl etkilediği konusundaki endişeleri artırmaktadır. Kodlama asistanlarının yazılım geliştirmeye etkisini de bu bağlamda değerlendirmek daha doğru olacaktır.
Yapay zekâ araçları, kişiselleştirilmiş eğitim ve anında geri bildirim sağlayarak öğrenme sürecini iyileştirebilir. Böylece beceri kazanımını ve bilgi saklamayı destekleyebilir. Bununla birlikte bu araçlara aşırı bağımlılık, bilişsel yükün devrine (cognitive offloading) de yol açmaktadır. Bilişsel yükün dışsal araçlara devredilmesiyle bireylerin derin ve yansıtıcı düşünme süreçlerine katılımı zayıflamaktadır. Bu olgu, özellikle bilgiyi etkili bir şekilde analiz etmek ve değerlendirmek için aktif bilişsel katılım gerektiren eleştirel düşünme bağlamında endişe vericidir (Gerlich, 2025).
Bilişsel yükün devri genellikle bilişsel yükü azaltmak için notlar, hesap makineleri, yapay zekâ asistanı gibi araçları içerir.Bilişsel yükün devriyle insanlar, bilişsel kaynaklarını boşaltarak verimliliklerini artırabilir. Bununla birlikte, özellikle yapay zekâ asistanları kullanıldığında dış araçlara aşırı güvenmek, derin bilişsel katılımı azaltabilir ve eleştirel düşünme becerilerini zayıflatabilir. Dijital araçlar hesaplamalar, veri toplama ve karar verme gibi görevleri üstlenebilir, böylece bilişsel kaynaklar daha karmaşık düşünme süreçlerine ayrılabilir. Ancak dışsal yardımlara aşırı bağımlılık, hafızada tutma ve eleştirel analiz gibi içsel bilişsel yeteneklerin zayıflamasına neden olabilir. Nitekim Gerlich (2025) araştırması da bu sonucu desteklemektedir. Bulgulara göre, yapay zekâ araçlarının kullanımı ile eleştirel düşünme becerileri arasında negatif bir ilişki bulunmaktadır. Yapay zekâ araçlarını daha fazla kullanan katılımcılar, eleştirel düşünme değerlendirmelerinde daha düşük puanlar almıştır.
Ne Yapmalı?
Temel vasıflarımızı yitirmemek için bu araçlardan uzak durabilir miyiz? “Artık sosyal medya kullanmayacağım” der gibi, “yapay zekâ sohbet robotlarını kullanmayacağım” ya da “yazılım geliştirirken kodlama asistanlarından yardım almayacağım” diyebilir miyiz? Böyle bir boykot, sosyal medya için bile zorken, yapay zekâ araçları söz konusu olduğunda daha da zor görünüyor.
Ferdman’ın (2025) belirttiği gibi yapay zekânın sosyo-teknik ortamımıza hızla entegre olması göz önüne alındığında, insanların ‘erdemli süper kahramanlar’ olmalarını ve kendilerini vasıf kaybına karşı koymaya zorlamalarını beklemek gerçekçi değildir. Başka bir deyişle, vasıf kaybını bireysel sorumluluk meselesi olarak ele almak sorunun kritik yapısal yönlerini göz ardı etmektedir. Ferdman (2025) vasfın iki özelliği üzerinde durmaktadır. Birincisi, eyleyici denetimdir. Bir konuda vasıflı olmak, o alan üzerinde eyleyici denetime sahip olmak demektir. Özne, eylemin uygulanışını duruma göre ayarlayabilmelidir. Eyleyicilik geliştikçe, otomatiklik ile denetim arasındaki denge, bir ayar ve uyumlanma (tuning ve attuning) süreci içinde yer değiştirir. Bu nedenle bir vasfı geliştirmek, düşünce ile eylem arasında esnek bağlar kurmak anlamına gelir. Bu bağlar, uzmanlık düzeyine ulaşıldıktan sonra bile evrilmeye devam eder. İkincisi, vasıf kazanma süreci, kademeli ve yavaş bir alışma sürecidir. Vasıf genellikle sadece tanıklık yoluyla öğrenilemez ve pratik gerektirir.
Bu bağlamda vasıfsızlaşmanın yapısal boyutu, olanaklar (affordance) kavramıyla açıklanabilir. Kişinin yaşadığı ortam bir “olanaklar dünyası”dır. Olanaklar, aktör ile çevresi arasındaki ilişkiden doğan eylem imkânlarıdır; yalnızca fırsatlar değil, aynı zamanda belirli davranışlara yönelten davetlerdir. Olanak kavramı, çevrenin gelişim sürecine nasıl dâhil olduğunu anlamaya yardımcı olur.
Temel yeteneklerin sağlıklı biçimde gelişmesi, faaliyetler için eylem olanakları sunan bir çevrede yaşamaya bağlıdır. Böyle bir çevre, ilgili yetenekleri harekete geçirir ve besler. Örneğin bir kütüphane, kitap okuma imkânı sunarak okuma pratiğine bağlı epistemik ve sosyal yetenekleri teşvik eder. Buna karşılık, eyleyici denetimini zayıflatan ya da aşamalı pratiği devre dışı bırakan bir ortamın vasıf kaybına yol açması beklenir.
Dolayısıyla, bireysel çözümler yerine dijital teknolojilerin sağladığı ortam üzerinde durmak gerekir. Örneğin, yapay zekânın sağlık hizmetlerine entegrasyonu görevlerin makinelere devredilmesini mümkün kılar. Fakat bu durum, kullanıcının diğer kaynaklardan gelen tavsiyeler yerine yapay zekâ aracına yetki veya aşırı güven atfetmesine neden olan otomasyon önyargısını tetikleyebilir. Dijital teknolojiler çoğunlukla doğru çalışsa da sistem arızası gibi beklenmedik senaryolarda uzmanların kritik becerilerine başvurulması gerekir. Ancak uzmanların dijital teknolojilerin vasıfsız kullanıcılarına dönüşmesi, bu tür senaryolarda ciddi bir risk oluşturur.
Ayrıca bir yeteneğin gerçek değerini anlamak, o yeteneğin bir alışkanlığa dönüşme sürecinin ayrılmaz bir parçasıdır. Kişi bir yeteneği yalnızca yüzeysel düzeyde edindiğinde, onun sunduğu daha derin katmanlardaki değeri kavrayamaz. Bir yetenek, süreklilik arz eden ve kademeli bir alışkanlık kazanma sürecinin ürünüdür. Birey, insani yeteneklerde yetkinleşmenin değerini kavrayamadığında bu yolda emek harcamayacak ve becerileri yüzeysel bir seviyede kalacaktır. Daha da önemlisi eğer bireyin içinde bulunduğu sosyal çevre veya kurumsal kültür, bu kapasitelerin tam olgunlaşmasına değer vermezse insanlardan bu yetkinliklerini sağlam bir biçimde geliştirmelerini beklemek de gerçekçi olmayacaktır.
Ferdman’ın (2025) yetenek gelişimini engelleyen ve teşvik eden ortamlar arasında yaptığı ayrım, bu bağlamda oldukça önemlidir. Yetenekleri kısıtlayan ortamlar, yüzeysel vasıf kazanımı için kapı aralasa da becerilerin kapsamlı ve çok yönlü gelişimini baltalar. Sorunları yalnızca ‘bireysel sorumluluk’ çerçevesinde ele almak, yazılımcıların zorlukları aşmak için ‘erdemli süper kahramanlar’ gibi irade göstermelerini beklemek demektir. Bu nedenle sorumluluğu bireye yüklemeden önce ortamın, öznelerin sosyal ve teknik kapasitelerini geliştirmeleri için doğru olanakları sunup sunmadığına bakmak gerekir. Tıpkı sosyal medya platformlarının, kullanıcıları belirli davranış kalıplarına hapsetmesi gibi yazılım geliştirme ortamlarındaki yapay zekâ asistanları da yazılım geliştiricileri daha pasif bir konuma sürükleyebilir.
İnsanlar hayatlarını organize etmek ve anlam bulmak gibi konularda büyük dil modellerine aşırı bağımlı hale gelirse, yapay zekâ asistanların insanların yetenek gelişimini olumsuz etkileyen bir ortama katkıda bulunacaktır. Akıllı telefonla büyüyen gençlerin empati, zaman yönetimi, diğer insanlarla konuşma, problem çözme ve eleştirel düşünme gibi “günlük ama temel” becerilerde zorlandığına dair zaten bazı ön bulgular mevcutken büyük dil modellerinin beceri kayıplarını potansiyel olarak daha da kötüleştirebileceği söylenebilir (Ferdman, 2025). Daha şimdiden yapay zekâ araçlarına daha fazla bağımlılık gösteren genç katılımcıların daha yaşlı katılımcılara kıyasla eleştirel düşünme konusunda daha düşük puanlar aldığı görülmektedir. Bu eğilim, yapay zekâ teknolojileriyle eleştirel bir şekilde etkileşimi teşvik eden ve bu araçların sunduğu kolaylığın temel bilişsel becerilerin kaybına yol açmamasını sağlayan eğitimsel müdahalelerin gerekliliğinin altını çizmektedir (Gerlich, 2025).
İşyerlerinde yapay zekanın agresif bir şekilde entegrasyonu, bilişsel olarak aktif kalmadıkları takdirde çalışanların mesleki gelişimleri üzerinde olumsuz etkiler yaratabilir. Zaman kısıtlamaları ve örgütsel baskılar göz önüne alındığında, genç geliştiriciler veya diğer profesyoneller, gerçek beceri gelişiminin pahasına görevleri mümkün olan en hızlı şekilde tamamlamak için yapay zekâya güveneceklerdir. Ancak şirketler yapay zekâyla kod yazımını teşvik ettikçe, çalışanların yapay zekâ kullanımıyla beceri gelişimleri engellenecek, bir süre sonra yapay zekâ tarafından yazılan kodu doğrulamak ve hata ayıklamak için gerekli becerilere sahip olamayacaklardır.
Sonuç
Yarının yazılım geliştiricisinin yerini yapay zekâ almayacak, aksine kendi bilgi birikimini kaybetmeden onu akıllıca kullanmayı bilen başka bir yazılım geliştirici alacaktır. Bu durum aslında şimdiden şirketlerin istihdam politikalarına yansımış durumda. Kıdemsiz yazılım mühendisi istihdamı yerine yeni teknolojileri kullanarak daha verimli olan kıdemli yazılımcıları istihdam etme eğilimi güçleniyor. Ancak bu durum devam ederse, bir diğer deyişle kıdemsiz yazılımcıların gelişimi dikkate alınmazsa, şirketler gelecekte istedikleri nitelikte yazılım mühendisi bulamayabilirler. Bu yaygın eğilime karşın genç çalışanları işgücü havuzunun dışında bırakmanın uzun vadede sürdürülebilir bir strateji olmadığını savunan şirketler de bulunuyor. Örneğin, IBM İnsan Kaynakları Yöneticisi Nickle LaMoreaux; bugün yapılan giriş seviyesi işe alımların, şirketlerin birkaç yıl sonraki başarısında kritik bir rol oynayacağını vurguluyor (https://fortune.com/2026/02/13/tech-giant-ibm-tripling-gen-z-entry-level-hiring-according-to-chro-rewriting-jobs-ai-era/).
İş hayatında kıdemsiz yazılım mühendislerinin gelişimini destekleyen stratejilerin yanı sıra üniversite eğitiminin de bu teknolojik dönüşümü merkeze alarak yeniden yapılandırılması gerekiyor. Öğrencilerin yapay zekâ araçlarını kullanmalarını yasaklamak, günümüz dünyasında pek uygulanabilir bir yaklaşım değildir. Bunun yerine öğrencileri, yapay zekâyı mühendislik yetkinliklerini ve eleştirel düşünce becerilerini pekiştirecek bir kaldıraç olarak kullanmaya teşvik etmek çok daha verimli olacaktır. Karaaslan’ın (2026) belirttiği gibi,
Bir algoritma, doğru çalıştığında değil, neden doğru çalıştığını anladığınızda öğrenilmiş olur. Mühendisler olarak görevimiz, yapay zekâyı bizi tembelleştiren bir araç olarak değil, düşünce kaslarımızı çalıştıran bir antrenman partneri olarak kullanmaktır. Bunun için bu konularda çok daha fazla araştırma yapılması ve bu konuların daha etkin nasıl kullanılabileceğinin tartışılması gerekiyor.
Vasıfsızlaşma, yapay zekâ kodlama asistanlarının yazılımcılar üzerindeki olası etkilerinden sadece biri. Başka sorunlar da var. Örneğin, Ranganathan ve Ye (2026) Harvard Business Review‘da yayımlanan makalelerinde, yapay zekânın iş yükünü hafifletmek bir yana işi daha da yoğunlaştırdığını savunuyorlar. Bu yoğunlaşma süreci üç ana biçimde karşımıza çıkıyor:
Görev Kapsamının Genişlemesi: Üretken yapay zekâ, çalışanların bilgi eksikliklerini hızla giderdiği için kişilerin normalde başkalarına ait olan sorumlulukları da üstlenmesine yol açıyor. Bu durum, roller arasındaki sınırların belirsizleşmesine neden oluyor.
İş ve Özel Yaşam Sınırlarının Bulanıklaşması: Bu sistemlerle etkileşim kurmak, resmi bir görevden ziyade doğal bir sohbet gibi hissettiriyor. Bu durum doğal molaları azaltırken, işin sabahın erken saatlerine veya akşam geç vakitlere herhangi bir kasıt olmaksızın sarkmasına neden oluyor.
Çoklu Görev Baskısı: Üretken yapay zekâ, çalışanların aynı anda birden fazla işi eş zamanlı yürütmek zorunda kaldığı yeni bir tempo yaratıyor. Zamanla bu tempo genel bir hız beklentisine dönüşerek çalışanlar üzerindeki baskıyı artırıyor.
Dolayısıyla yapay zekânın iş yapış biçimini değiştirip değiştirmeyeceğinin yanında bu değişimin çalışanların lehine nasıl yönetilebileceği de önümüzdeki temel sorunlardan biri…
Kaynaklar
Acharya, V. (2025). Generative AI and the Transformation of Software Development Practices. arXiv preprint arXiv:2510.10819.
Ferdman, A. (2025). AI Deskilling is a structural problem. AI & SOCIETY, 1-13.
Gerlich, M. (2025). AI tools in society: Impacts on cognitive offloading and the future of critical thinking. Societies, 15(1), 6.
Hurka T (1993) Perfectionism. Oxford University Press, New York
Karaarslan, E. (2026). Kodlamadan düşünmeye: Yapay zekâ çağında bilgisayar mühendisliği eğitiminde sokratik öğrenme deneyimi. BM Dergi. https://dergi.bmo.org.tr/egitim/kodlamadan-dusunmeye
Mpampi, A., Kalanda, R., Mukonkole, P., Lukombe, A., Mulondo, G., & Tshite, C. (2025). AI-Assisted Coding: Evolution or Erosion of Software Development Skills?. International Journal Of Mathematics And Computer Research, 13(09), 5663-5671. https://doi.org/10.47191/ijmcr/v13i9.10
Nazir, M., & Arif, Y. (2026). Is AI Code Generation Undermining Developers’ Problem‑Solving Skills?. ICCK Journal of Software Engineering, 2(1), 1-10.
Ranganathan, A., & Ye, X. M. (2026). AI doesn’t reduce work — It intensifies it. Harvard Business Review. https://hbr.org/2026/02/ai-doesnt-reduce-work-it-intensifies-it
Shen, J. H., & Tamkin, A. (2026). How AI impacts skill formation. arXiv preprint arXiv:2601.20245.