CTO Perspektifinden AI Dönüşümü: Strateji, Mimari ve İnsan

CTO'ların AI bütçesini savunurken ilk ayrıştırması gereken şey, yatırımın hangi kovaya girdiği. Birinci kova iç verimlilik: kod asistanları, test üretimi, dokümantasyon, destek otomasyonu. İkinci kova ürüne gömülü AI: müşterinin doğrudan kullandığı özellikler. Üçüncü kova yeni iş modelleri: daha önce maliyet yüzünden yapılamayan hizmetler.

Üçünün geri dönüş ölçüsü farklı. Verimlilikte metrik teslimat süresi ve birim maliyet; ürüne gömülü AI'da aktivasyon, elde tutma ya da ARPU; yeni iş modelinde ise ilk 6 ayda ödeme yapan müşteri sayısı. Sık görülen anti-pattern, tüm bütçeyi birinci kovaya koyup yönetim kuruluna 'yüzde 30 verimlilik' sözü vermek. Ölçülemeyen verimlilik iddiası, ilk bütçe kesintisinde savunulamaz. DORA'nın 2026 ROI raporu da her kova için temkinli, gerçekçi ve iyimser üç senaryoyla çalışmayı öneriyor. Bu eksendeki açık soru: AI stratejisi ayrı bir doküman mı olmalı, yoksa mevcut ürün stratejisinin bir bölümü mü?

Son 12 ayda CTO masasındaki veri hem çoğaldı hem karmaşıklaştı. DORA'nın 2026'da yayımladığı ROI raporu, AI yatırımının ilk aylarda bir verimlilik düşüşüyle (J-curve) başladığını; sebebin öğrenme eğrisi, AI kodunu doğrulama yükü (verification tax) ve sonraki süreçlerdeki baskı olduğunu anlatıyor. Rapor kadro azaltmayı önermiyor. Örnek modelinde 500 kişilik bir mühendislik organizasyonu için ilk yıl getirisi yaklaşık yüzde 39, geri ödeme süresi sekiz ay civarında; yazarlar bunu yüksek belirsizlikli bir tahmin olarak niteliyor.

METR Şubat 2026'da, erken 2025'te ölçtüğü yüzde 19'luk yavaşlamanın eskidiğini ve hızlanmanın artık olası göründüğünü, ama yeni deneyinin güvenilir bir rakam vermediğini açıkladı. Stack Overflow 2026 anketinde AI çıktısına önemli kararlarda güvenenler yalnızca yüzde 7. İnsan tarafında Stanford Digital Economy Lab'in Ağustos 2026 revizyonu, AI'a en çok maruz mesleklerde 22-25 yaş istihdamının karşılaştırma grubunun yaklaşık yüzde 19 altında kaldığını gösteriyor. Agent tarafında ise MCP'nin 2026-07-28 sürümü, iç sistemlere bağlanan Agent'lar için kimlik doğrulama kurallarını sıkılaştırdı.

AI'ın etkisini ölçmek, CTO masasındaki en zor konulardan biri. METR'in 2025 başında yürüttüğü kontrollü çalışmada 16 deneyimli açık kaynak geliştiricisi, kendi projelerindeki 246 gerçek görev üzerinde çalıştı. Katılımcılar AI ile yüzde 24 hızlanacaklarını tahmin etti; ölçülen sonuç görevlerin yüzde 19 daha uzun sürmesiydi ve çalışma sonrasında bile kendilerini yaklaşık yüzde 20 daha hızlı hissettiler. METR Şubat 2026'da bu sonucun artık eskidiğini açıkladı: geç 2025 verisinde ilk gruptan kalan geliştiricilerde yaklaşık yüzde 18, yeni katılımcılarda yüzde 4 hızlanma görüldü, ama güven aralıkları sıfırı da kapsıyor. Daha önemlisi, geliştiricilerin yüzde 30-50'si bazı görevleri AI'sız yapmak istemediği için deneye sokmadı; yani AI'sız bir kontrol grubu kurmak bile zorlaşıyor.

CTO için mesaj net: ne his ne de tek bir çalışma yeterli. DORA'nın dört metriği (dağıtım sıklığı, değişiklik teslim süresi, değişiklik hata oranı, hizmeti geri getirme süresi) ile AI kullanımı yüksek ve düşük ekipleri karşılaştırmak, PR boyutu ve review süresini izlemek daha güvenilir bir tablo verir. DORA'nın 2026 ROI raporunun aktardığı Stanford bulgusu bağlamın önemini gösteriyor: basit, sıfırdan yazılan işlerde yüzde 35-40 kazanç, karmaşık eski kod tabanlarında yüzde 10 ya da daha az. Kontrol grubu olmadan yapılan 'öncesi-sonrası' ölçümü mevsimselliği ve ekip değişimini ayıramaz.

2025 DORA raporunun ana bulgusu şu: AI, iyi işleyen organizasyonların güçlü yanlarını ve sorunlu organizasyonların aksaklıklarını birlikte büyütüyor. Raporda AI kullanımının teslimat hızıyla artık pozitif ilişkili olduğu, ama teslimat kararsızlığının da artmaya devam ettiği görülüyor. Yani daha fazla değişiklik, daha hızlı, ama daha fazla geri alma ve olay. DORA'nın Mart 2026'da Google mühendislerinden 1.110 açık uçlu yanıta dayanarak yayımladığı analiz, yeni darboğazın code review olduğunu gösteriyor: yazar büyük değişikliği hızla üretiyor, reviewer ise yine her satırı okumak zorunda.

Bunun mimari karşılığı, kod üretim hızının artık darboğaz olmadığı, darboğazın doğrulama ve dağıtım hattına kaydığı. Bir ekip günde 5 yerine 15 PR açıyorsa, CI süresi 25 dakikaysa ve staging ortamı tek bir paylaşılan kaynaksa, sistem tıkanır. Yatırım önceliği buna göre değişir: küçük parti boyutu, hızlı ve güvenilir test paketi, feature flag ile kademeli açılış, otomatik geri alma. DORA'nın AI yetkinlik modelinde öne çıkan pratikler (net AI politikası, sağlıklı veri ekosistemi, kaliteli iç platform) de bu altyapıya işaret ediyor.

Kod asistanları IDE içinde kalırken platform ekibinin rolü sınırlıydı. Ajanlar repoda dal açıp, test çalıştırıp, PR gönderdiğinde durum değişiyor: ajan da artık iç platformun bir kullanıcısı. Bu yüzden 'altın yol' (golden path, ekiplerin onaylı ve otomasyonla desteklenen standart geliştirme yolu) ajanlar için de tanımlanmalı.

Somut adımlar: her repoda ajanın okuyacağı bir talimat dosyası (AGENTS.md ya da CLAUDE.md gibi) ile derleme, test ve stil kuralları; ajanlara özel, en az yetkili servis hesapları; ajanın açtığı PR'ların etiketlenmesi ve ayrı metriklerle izlenmesi; üretim sırlarına ajan erişiminin varsayılan olarak kapalı olması. MCP üzerinden iç sistemlere bağlanan ajanlar için her sunucunun sahibi ve yetki kapsamı yazılı olmalı. MCP'nin 2026-07-28 sürümü issuer doğrulamasını ve kimlik bilgisinin onu veren yetkilendirme sunucusuna bağlanmasını zorunlu kıldı; bu bağlantılar artık kurumun mevcut IAM programının bir parçası olarak yönetilebilir. Anti-pattern: bir geliştiricinin kişisel tokenıyla çalışan ve tüm organizasyon repolarına yazma yetkisi olan bir ajan.

CTO'nun AI tarafındaki tedarik kararları, klasik al-yap ikileminden daha hızlı eskiyor. Model kalitesi ve fiyatı birkaç ayda bir değişiyor, bir yıl önce iç ekiple yazılmış bir RAG altyapısı bugün hazır bir servisle aynı işi yapabiliyor. Bu ortamda en değerli mimari özellik değiştirilebilirlik. Stack Overflow 2026 anketinde LLM kullanımında Anthropic (yüzde 75) ve OpenAI (yüzde 74) neredeyse başa baş; pazarın bu kadar dengeli olması, tek sağlayıcıya kilitlenmenin maliyetini artırıyor.

Pratik bir çerçeve: farklılaştırıcı olmayan katmanları (model barındırma, vektör veritabanı, gözlemlenebilirlik) satın al; şirkete özgü veri, iş akışı ve değerlendirme setlerini kendin kur; model çağrılarını bir soyutlama katmanı arkasında tut. Sözleşmede bakılması gerekenler: verinin model eğitiminde kullanılıp kullanılmadığı, veri konumu, loglama süresi, fiyat değişikliği bildirim süresi. Tek bir sağlayıcıya bağımlılığın gerçek maliyeti, sağlayıcı fiyatı yüzde 40 artırdığında ya da bir modeli kullanımdan kaldırdığında ortaya çıkar. Bu eksendeki temel gerilim: hız için tek sağlayıcı mı, esneklik için çoklu sağlayıcı mı?

AI dönüşümünün en hassas ekseni insan. Stanford'dan Brynjolfsson, Chandar ve Chen'in ADP bordro verisine dayanan 'Canaries in the Coal Mine?' çalışmasının Ağustos 2026 revizyonu, Haziran 2026'ya kadar olan veriyle, AI'a en çok maruz kalan mesleklerde 22-25 yaş arası çalışanların istihdamının, daha az maruz mesleklerdeki yaşıtlarının izinden gitseydi olacağı seviyenin yaklaşık yüzde 19 altında kaldığını gösteriyor; Temmuz 2025 verisinde bu fark yüzde 15'ti. Deneyimli çalışanlarda benzer bir fark yok ve uyum çoğunlukla işten çıkarmayla değil, genç alımının azalmasıyla geliyor. Yazarlar bunun nedensel bir tahmin değil betimsel bir örüntü olduğunu vurguluyor. Anthropic'in Ocak 2026'daki deneyi de beceri tarafını gösteriyor: yeni bir kütüphaneyi AI yardımıyla öğrenen geliştiriciler, elle kodlayanlara göre anlama testinde yüzde 50'ye karşı yüzde 67 aldı.

CTO açısından risk, kısa vadede junior alımını durdurup beş yıl sonra senior yetiştirecek hattın kurumamış olması. DORA'nın 2026 ROI raporu da kadro azaltmayı AI getirisinin yolu olarak görmüyor. Alternatif model: daha az ama daha yoğun mentorlukla junior alımı, AI destekli eşli çalışma, juniorlara üretim dışı ama gerçek görevler (test kapsamını artırma, eski modül dokümantasyonu). Beceri tarafında ise yeni yetkinlikler tanımlanmalı: problem ayrıştırma, AI çıktısını review etme, eval yazma, sistem düşüncesi. Performans değerlendirmesi yazılan satır sayısını değil, çözülen problemi ve inceleme kalitesini ödüllendirmeli.

Araç lisansı almak benimsemenin başlangıcı, sonu değil. Sık görülen tablo: lisanslar dağıtılır, üç ay sonra kullanım oranı yüzde 30'larda kalır ve yönetim bunu araç yetersizliği olarak okur. Çoğu zaman gerçek sebep, ekiplerin AI'ı hangi işte ve nasıl kullanacaklarına dair ortak bir pratiklerinin olmaması.

İşe yarayan yaklaşımlar: her ekipte gönüllü bir 'AI şampiyonu' ve iki haftada bir 30 dakikalık pratik paylaşım buluşması; ekip içinde paylaşılan prompt ve talimat dosyası kütüphanesi; liderlerin kendi işlerinde AI kullanımını açıkça göstermesi. Direnci küçümsememek de önemli. Deneyimli bir geliştiricinin 'bu kodu ben yazsam daha hızlı' itirazı bazen doğrudur; METR'in erken 2025 verisi bunu destekliyordu, 2026 güncellemesi ise hızlanmanın artık olası olduğunu söylüyor. Yani cevap görevden göreve değişiyor. Stack Overflow 2026 anketinde katılımcıların yüzde 30'u AI kullanımının kendi tercihlerine bırakıldığını, yalnızca yüzde 11'i yeni bir araca kurum zorunlu kıldığı için geçtiğini söylüyor. Zorunlu kullanım kotası (ör. 'kodun yüzde 50'si AI ile yazılsın') yerine, ekiplerin hangi görevlerde fayda gördüklerini kendilerinin raporlaması daha sağlıklı veri üretir.