Üretkenlik Yanılsaması: AI Geliştiriciler İçin Gerçekte Neyi Değiştirdi?

METR Temmuz 2025'te küçük ama dikkatle kurulmuş bir deney yayımladı. 16 deneyimli açık kaynak geliştirici, yıllardır katkı verdikleri büyük depolarda 246 gerçek iş üzerinde çalıştı; her iş rastgele 'AI serbest' ya da 'AI yasak' grubuna atandı. Araçlar dönemin önde gelenleriydi: Cursor ve Claude 3.5/3.7 Sonnet.

Geliştiriciler başlamadan önce yüzde 24 hızlanma bekliyordu. İş bittikten sonra hâlâ yüzde 20 hızlandıklarına inanıyorlardı. Ölçülen sonuç ise ters yöndeydi: AI serbest işler yüzde 19 daha uzun sürdü.

Bu sonuç 'AI yavaşlatır' diye genellenemez; örneklem küçük ve deneyimli geliştiricinin kendi büyük kod tabanı AI için en zor zemin. Ama asıl ders başka: geliştiricinin kendi hız tahmini güvenilir bir ölçüm aracı değil. AI ile çalışmak daha az zihinsel çaba gibi hissettirebilir; bu his, saat üzerindeki süreyle aynı şey değil. Anket sorusuyla verimlilik ölçen her ekip bu farkı hesaba katmalı.

Son on iki ayda üç gelişme tabloyu değiştirdi. Birincisi METR'in Şubat 2026 güncellemesi: 2025 sonunda 57 geliştirici ve 800'den fazla işle tekrarlanan deneyde, önceki çalışmaya dönen geliştiricilerde yaklaşık yüzde 18, yeni katılanlarda yüzde 4 hızlanma görüldü. İki tahminin de güven aralığı sıfırı içeriyor. Daha çarpıcı olanı, geliştiricilerin bir kısmının AI'sız çalışmayı reddetmesi ve yüzde 30-50'sinin bazı işleri AI'sız yapmak istemeyip atlaması. METR bu yüzden deney tasarımını değiştiriyor.

İkincisi DORA'nın 2026 tarihli ROI raporu: çoğu kurumun uzun vadeli kazançtan önce geçici bir verim düşüşü (J-curve) yaşayacağını, bunun nedenlerinden birinin AI kodunu incelemenin getirdiği verification tax olduğunu söylüyor.

Üçüncüsü kullanımın derinleşmesi. Ekim 2026'da yayımlanan Stack Overflow anketinde (30 binden fazla katılımcı) AI kullananların yüzde 66'sı coding agent'larla çalışıyor ve AI asistanı kullananların yüzde 73'ü bunu her gün yapıyor. Ama production'ı deploy etmek ya da işletmek için AI kullananlar yüzde 20'de kalıyor. Kod yazımı dönüştü; teslimatın geri kalanı henüz aynı hızda değil.

Faros AI'ın Temmuz 2025 raporu farkın nerede kaybolduğunu gösteren en net veri setlerinden biri. 1.255 ekipte 10 binden fazla geliştiricinin verisi, her ekibin AI kullanımının en düşük ve en yüksek olduğu çeyrekler karşılaştırılarak incelendi. AI yoğun dönemde geliştiriciler yüzde 21 daha fazla iş tamamladı ve yüzde 98 daha fazla PR birleştirdi. Aynı dönemde PR review süresi yüzde 91, ortalama PR boyutu yüzde 154, geliştirici başına bug yüzde 9 arttı. Şirket düzeyinde throughput, DORA metrikleri ve kalite göstergelerinde anlamlı bir ilişki bulunamadı. Bulgular korelasyon, nedensellik değil.

Mekanizma tanıdık bir üretim problemi: bir istasyonu hızlandırırsanız iş bir sonraki istasyonun önünde birikir. Kod yazımı hızlandı, review ve test aynı kapasitede kaldı.

DORA'nın 2025 raporu da benzer bir şey söylüyor: AI benimsemesi artık throughput ile olumlu, teslimat stabilitesi ile hâlâ olumsuz ilişkili. AI güçlü ekibi daha güçlü, zayıf ekibi daha zayıf yapan bir amplifier gibi davranıyor.

Stack Overflow 2026 anketine göre AI en çok tanıdık bir alanda kod üretmek (yüzde 69,3) ve debugging ile refactoring (yüzde 63,8) için kullanılıyor. Tanımadık bir alanda kod üretmek yüzde 56'da. Uygulama ve debugging gibi teknik işleri faydalı bulanlar yüzde 70'in üzerinde; tasarım işinde bu oran yüzde 49'a, iletişim işinde yüzde 35'e iniyor.

DORA'nın ROI raporunda aktarılan Stanford araştırması bir ayrım daha yapıyor: basit, sıfırdan projelerde yaklaşık yüzde 35-40 verim artışı, karmaşık ve eski kod tabanlarında yüzde 10 ya da daha az. Yani kazanç görevin türüne göre çok değişken.

Geliştiricinin günü de değişti. Daha az yazıyor, daha çok okuyor, yönlendiriyor ve doğruluyor. 2025 anketinde geliştiricilerin yüzde 66'sı en büyük sıkıntı olarak 'neredeyse doğru ama tam değil' çözümleri, yüzde 45'i AI kodunu debug etmenin daha uzun sürmesini göstermişti. Anti-pattern: bu kaymayı görmeden geliştiriciyi hâlâ yazdığı kod miktarıyla değerlendirmek.

Verification tax, AI'ın ürettiği kodu okumanın, anlamanın ve doğrulamanın maliyeti. Kod yazmak ucuzladıkça bu maliyet görünmez kalmıyor; review kuyruğuna, test süresine ve production olaylarına dağılıyor.

DORA'nın 2026 ROI raporu bunu sayıyla modelliyor: 500 kişilik örnek bir mühendislik organizasyonunda change failure rate yüzde 5'ten 6'ya çıktığında hesaplayıcı yıllık yaklaşık 344 bin dolarlık kesinti maliyeti çıkarıyor. Raporun dili de net: AI benimsemesi daha fazla teslimat istikrarsızlığıyla ilişkili ve buna instability tax deniyor.

Senaryo: bir ekip AI ile PR sayısını ikiye katlıyor, ama PR'lar büyüyor ve iki kıdemli geliştirici tüm review'ları yapıyor. Üç ay sonra review bekleme süresi uzuyor, onaylar yüzeyselleşiyor, geri alınan deploy'lar artıyor. Ekip daha çok kod üretti, ama kullanıcıya ulaşan değer artmadı. Çözüm daha az AI değil; küçük PR kuralı, otomatik test kapısı ve review kapasitesini teslimat planına katmak.

Anthropic Ocak 2026'da 52 geliştiriciyle (çoğunluğu junior) bir randomize deney yayımladı. Katılımcılar daha önce kullanmadıkları Trio kütüphanesiyle iki özellik yazdı; bir grup AI asistanıyla, diğeri elle. Ardından kütüphaneyi ne kadar anladıklarını ölçen bir quiz yapıldı.

AI grubu yaklaşık iki dakika daha hızlı bitirdi ama fark istatistiksel olarak anlamlı değildi. Quiz'de ise AI grubu ortalama yüzde 50, elle çalışan grup yüzde 67 aldı. En büyük fark debugging sorularındaydı.

İlginç olan kullanım biçimleri. Yalnızca kavramsal soru soran ve hatalarını kendisi çözen katılımcılar yüksek puan aldı. İşi tamamen AI'a devredenler ya da hatayı da AI'a düzelttirenler yüzde 40'ın altında kaldı. Bu analiz nedensellik kurmuyor ama yönü açık.

Ekipler için sonuç şu: bugünkü hız yarının uzmanlığından borç alınarak sağlanıyor olabilir. AI'ın yazdığı kodu debug edecek kişinin, o kodun dayandığı kavramları öğrenmiş olması gerekiyor.

Üretkenlik yanılsamasının en görünür sonucu açık kaynak maintainer'larında ortaya çıktı. PR açmak neredeyse bedava hale gelince, incelenmesi gereken düşük kaliteli katkıların sayısı arttı; maliyet katkıyı yapandan inceleyene kaydı.

GitHub bu yüzden 2026'da iki somut adım attı. Şubat 2026'da depolara PR'ları tamamen kapatma ya da yalnızca yazma yetkisi olanlarla sınırlama ayarı geldi. Haziran 2026'da ise yazma yetkisi olmayan kullanıcıların aynı anda açık tutabileceği PR sayısına sınır koyma imkânı eklendi; güvenilen katkıcılar istisna listesine alınabiliyor.

Proje tarafında WordPress, Şubat 2026'da AI kurallarını yayımladı. Kurallar AI'ı yasaklamıyor; katkının sorumluluğunun katkıcıda olduğunu, anlamlı AI yardımının PR açıklamasında belirtilmesini, çıktının GPLv2 ve üstü lisansla uyumlu olmasını istiyor ve doğrulanmamış, düşük sinyalli katkıların reddedilebileceğini söylüyor.

Şirket içi ekipler için ders aynı: üretim maliyeti düşünce darboğaz inceleyen kişiye geçer ve ona koruma gerekir.

İlk kural: geliştiricinin kendi hız tahminini tek veri kaynağı yapmayın. METR'in bulgusu, algının ölçümden 40 puana yakın sapabildiğini gösterdi.

İkinci kural: aktivite metriği ile sonuç metriğini ayırın. PR sayısı, satır sayısı ve kabul edilen öneri oranı aktivite ölçer; AI bunları kolayca şişirir. Lead time, review bekleme süresi, change failure rate, geri alınan deploy oranı ve rework sonuç ölçer.

Üçüncü kural: karşılaştırmayı kontrollü yapın. Aynı ekipte AI kullanımının farklı olduğu dönemleri ya da benzer işleri karşılaştırın; tek bir 'önce-sonra' grafiği mevsimsellik ve proje farkını gizler.

Dördüncü kural: J-curve'ü bekleyin. DORA'nın ROI raporu ilk dönemdeki düşüşü dönüşümün öğrenme bedeli olarak görüyor ve bunu başarısızlık sanıp yatırımı kesmeye karşı uyarıyor. Rapor ayrıca kazancı kadro azaltarak geri almaya çalışmanın ROI stratejisi olarak yanlış olduğunu söylüyor. Muhafazakâr, gerçekçi ve iyimser üç senaryo modelleyin ve hangisinde olduğunuzu çeyrek bazında kontrol edin.