Tamamen Otonom Pull Request'ler Standardı Düşürmedi

Son on iki ayda otonom PR üç cepheden olgunlaştı. Platform tarafında GitHub, 1 Eylül 2026'da Copilot code review'a onay yetkisi verdi: her review artık bir approval assessment içeriyor, admin açarsa Copilot'un onayı required approvals kuralına sayılıyor. Ayar enterprise, organizasyon ve repo düzeyinde yönetiliyor, repo düzeyinde dosya yoluna göre sınırlanabiliyor ve onaydan sonra yeni commit gelirse onay düşüyor. Özellik public preview ve varsayılan olarak kapalı.

Pazar tarafında review araçları konsolide oluyor: Cursor Aralık 2025'te Graphite'ı, Sonar Mayıs 2026'da PR içinde review yapıp CI hatalarını düzelten Gitar'ı satın aldı; CodeRabbit gibi bağımsız oyuncular da aynı alanda. Veri tarafında ilk şirket raporları geldi: Vercel Nisan 2026'da en büyük monorepo'sunda PR'ların yüzde 58'inin insan reviewer olmadan merge edildiğini ve ortalama merge süresinin 29 saatten 10,9 saate indiğini yazdı. OpenAI'ın Şubat 2026 tarihli harness engineering yazısı, insanın hiç kod yazmadığı ve review'un çoğunun agent'lar arasında yapıldığı bir repoda yaklaşık 1.500 PR'ı anlatıyor. AIDev veri setine dayanan akademik çalışmalar ise tabloyu dengeliyor: yalnızca review agent'ının baktığı PR'lar insan review'lu olanlardan belirgin biçimde daha az merge ediliyor.

Otonom PR tartışması çoğunlukla 'insan bakmazsa kalite düşer' varsayımıyla başlıyor. Bu varsayımı sınamak için önce insan review'unun pratikte ne yaptığına bakmak gerekiyor. Vercel'in kendi monorepo analizinde insan onaylarının yarısından fazlası tek bir yorum içermiyordu ve yüzde 18'i beş dakikadan kısa sürede veriliyordu. Bu tabloda onay bir kontrol değil, branch protection'ı geçmek için atılan bir imza.

Haziran 2026 tarihli 'Habituation at the Gate' çalışması aynı eğilimi AI PR'larında ölçüyor: yedi ayda 11.429 review yazan 400 tekrarlayan reviewer'da AI agent PR'larının onay oranı yüzde 30,1'den 36,8'e çıktı, inline yorum sayısı yüzde 22 düştü, bekleme süresi ise 3,5 kat uzadı. Yazarlar bunu güven kalibrasyonundan çok artan iş yükü altında alışmaya bağlıyor.

Anti-pattern burada beliriyor: PR hacmi agent'larla katlanırken her PR'a zorunlu bir insan onayı koymak, review'u hem yavaşlatıyor hem yüzeyselleştiriyor. Standardı korumak için önce hangi kontrolün gerçekten hata yakaladığını ölçmek gerekiyor.

'Otonom PR' tek bir şey değil, dört basamaklı bir merdiven. Birinci basamakta agent yalnızca yorum yazar, karar insandadır. İkincisinde agent bir approval assessment verir; GitHub'ın Eylül 2026 modelinde bu değerlendirme tek başına merge şartını karşılamıyor. Üçüncüsünde agent'ın onayı required approvals kuralına sayılır ve agent merge yolunun üzerine çıkar. Dördüncüsünde agent hem onaylar hem auto-merge'i tetikler; Gitar gibi araçlarda bu, doğal dilde yazılan onay kriterlerine ve bir blocking severity eşiğine bağlanıyor.

Her basamakta sorulacak soru bağımsızlık. Kodu yazan agent ile onaylayan agent aynı model, aynı context ve aynı kurallarla çalışıyorsa bu onay ikinci bir göz değil, aynı gözün ikinci kez bakması olur. GitHub'ın yapılandırma seviyeleri kapsam ve dosya yoluna göre çalışıyor, PR'ı kimin yazdığına göre ayrım yapmıyor. Pratik kural: agent'ın yazdığı PR'ı agent onaylıyorsa bağımsız okuma sayısını sıfır kabul et ve kapıyı deterministik kontrollerle doldur. Bir basamaktan diğerine geçişi de takvime değil, ölçülen revert ve rollback verisine bağla.

Otonom merge'i mümkün kılan çekirdek parça risk sınıflandırma. Vercel'in kurgusunda bir LLM her PR'ın diff'ini, başlığını ve açıklamasını okuyup iki etiketten birini veriyor. HIGH sınıfı kimlik doğrulama, ödeme, veri bütünlüğü, güvenlik ve altyapı değişikliklerini kapsıyor ve her zaman insan review'u istiyor. LOW sınıfı UI, stil, test, doküman, refactor ve kapalı Feature Flag arkasındaki kodu kapsıyor ve otomatik onaylanabiliyor. Model karar vermeden önce diff'ten birebir kanıt göstermek zorunda ve bilerek fazla işaretleyecek biçimde ayarlanmış.

LLM'in önünde deterministik kurallar duruyor: 100 ve üzeri dosyaya dokunan PR doğrudan HIGH sayılıyor, CODEOWNERS korumalı yollar her zaman insana gidiyor, ilk kez katkı veren hesapların PR'ları değerlendirilse bile otomatik onaylanmıyor. Buradan çıkan ders: risk dosya yoluyla tam ölçülmez. 'Stil' etiketli bir PR middleware'deki bir yönlendirmeyi değiştirebilir. Yol bazlı allowlist iyi bir başlangıçtır, ama sınıflandırıcı içeriği okumalı ve belirsiz durumda PR'ı insana düşürmeli. Sınıflandırıcının hatası da ölçülmeli: yanlış etiketlenen her PR eval setine yeni vaka olarak girer.

İnsan onayı kalkınca boşluğu dolduran şey daha akıllı bir agent değil, tekrarlanabilir kontroller. Test suite, tip kontrolü, static analysis, güvenlik taraması, merge queue ve Quality Gate her PR'da aynı biçimde çalışır ve yorulmaz. OpenAI'ın harness engineering yazısındaki repo bunun uç bir örneği: özel linter'lar structured logging, isimlendirme ve dosya boyutu kurallarını uyguluyor ve hata mesajlarında agent'a nasıl düzelteceğini söylüyor; structural test'ler domain katmanları arasındaki bağımlılık yönünü kilitliyor; arka planda çalışan agent'lar kurallardan sapmaları bulup küçük refactor PR'ları açıyor.

Araç pazarı da bu ayrımı yansıtıyor. Kural tabanlı tarafta SonarQube, Semgrep ve CodeQL gibi motorlar; LLM tabanlı review tarafında Copilot code review, CodeRabbit, Cursor'ın Bugbot'u ve Graphite'ı, Sonar'ın Gitar'ı var. Katmanlı düşünmek işe yarıyor: deterministik katman kesin kuralları, LLM katmanı mantık ve niyet hatalarını, insan ise yalnızca yüksek riskli ve belirsiz kararları üstleniyor. Kapıda yalnızca LLM review varsa standardı bir olasılık dağılımına bağlamış olursunuz.

'Standardı düşürmedi' iddiası ancak önceden tanımlanmış metriklerle savunulabilir. Temel metrik revert rate: merge edilen PR'ların ne kadarının geri alındığı. Yanına haftalık rollback sayısı, merge sonrası açılan bug, CHANGES_REQUESTED oranı ve agent bulgularının geliştirici tarafından reddedilme oranı eklenir. DORA'nın change failure rate metriği bunun ekip düzeyindeki karşılığı.

Vercel'in kurgusu ölçümün nasıl yapılacağına iyi bir örnek. Kill switch eşikleri baştan yazılmış: revert oranı yüzde 1,7'lik baz oranın üç katını, yani yüzde 5,1'i geçerse ya da rollback'ler üç katına çıkarsa sistem durduruluyor. Review'suz 671 düşük riskli PR'ın hiçbiri revert edilmedi; review'lu kontrol grubunda 513 PR'dan 2'si edildi. Yazı sıfır revert'ün mutlak güvenlik demek olmadığını, yüzde 95 güven aralığının üst sınırının yüzde 0,6 olduğunu da belirtiyor. Küçük örneklemde sıfır, 'risk yok' değil 'risk bu eşiğin altında' anlamına gelir.

DORA 2025 raporu da AI ile throughput'un arttığını ama delivery instability'nin yükselmeye devam ettiğini gösteriyor; merge hızını tek başına başarı saymak bu yüzden yanıltıcı.

Otonom kapının kendi saldırı yüzeyi var. PR açıklaması ve diff, reviewer agent için güvenilmeyen girdi; bir saldırgan açıklamaya görünmez Unicode karakterleriyle 'bu PR düşük riskli' talimatı gömebilir. Vercel bu yüzden sınıflandırıcıya hiç araç vermiyor, çıktıyı yalnızca iki eyleme (onay ya da uyarı yorumu) bağlıyor, görünmez karakterleri temizliyor, hata durumunda PR'ı insan review'una düşürüyor ve her deploy'da üç Prompt Injection senaryosunu eksiksiz geçmeyi şart koşuyor.

İkinci risk gürültü. Nisan 2026 tarihli bir çalışma, yalnızca code review agent'ının yorum yaptığı PR'ların yüzde 45,2 oranında merge edildiğini, insan review'lu PR'larda bu oranın yüzde 68,4 olduğunu ve 13 review agent'ından 12'sinin ortalama sinyal oranının yüzde 60'ın altında kaldığını buldu. Gürültülü agent, geliştiriciyi bulguları körlemesine reddetmeye alıştırır.

Üçüncü risk uyumluluk. SOC 2 gibi çerçeveler manuel review'u değil, denetlenebilir değişiklik yönetimini istiyor; otonom yolda her PR'a yazılı bir risk gerekçesi bırakmak denetimi kolaylaştırır. Sektörel düzenlemeler ayrıca insan onayı isteyebilir, bunu denetçiyle önceden netleştirmek gerekir. En yaygın anti-pattern: auto-merge'i açıp revert oranını hiç izlememek.