Yapay zekâ ile yazılım geliştirme: 2026'da ne çalışıyor, ne çalışmıyor

Yapay zeka ile yazılım geliştirmek ne demek?

Aynı cümle iki ayrı işi anlatıyor ve satış konuşmalarında bilerek ya da bilmeyerek birbirine karışıyor. Birincisi üretim tarafı: tedarikçi kodu yazarken yapay zekâ kullanıyor. İkincisi ürün tarafı: teslim edilen sistemin içinde bir model çalışıyor. Birincisi sizi ilgilendirir çünkü süreyi etkiler; ikincisi sizi ilgilendirir çünkü kalıcı bir gider ve kalıcı bir sorumluluk doğurur.

Teklif alırken bu ikisinin ayrı ayrı yazılmasını isteyin. "Yapay zekâ kullanıyoruz" cümlesi tek başına ne bir indirim gerekçesi ne bir yetkinlik kanıtıdır.

Yapay zeka yazılımı gerçekten hızlandırıyor mu?

İlk taslağa gitme süresini kısaltıyor. Bilinen bir işin bilinen çözümünü yazmak hızlandı; ekran iskeleti, veri dönüşümü, test verisi üretimi gibi tekrarlı işler belirgin biçimde ucuzladı. Değişmeyen kısım şu: neyin yapılacağına karar vermek, entegrasyonların hata durumlarını düşünmek ve sistemi altı ay sonra da değiştirilebilir hâlde tutmak. Projelerin battığı yer hep bu ikinci kümeydi ve orası kısalmadı.

Pratik sonuç: yapay zekâ, iyi kurulmuş bir projeyi hızlandırır; kötü kurulmuş bir projeyi daha hızlı batırır.

Yapay zeka ile bugün neler yapılabiliyor?

Olgunluk her iş için aynı değil. Aşağıdaki tablo, bir sistemin üretime çıkabilmesi için ne kadar hazırlık gerektiğine göre ayrılmıştır — model gücüne göre değil.

Yapay zeka projeleri neden başarısız oluyor?

Sebep neredeyse hiçbir zaman modelin yeterince iyi olmaması değil. Dört tanesi tekrar ediyor:

• Değerlendirme seti yok: çıktının doğru olup olmadığı kişisel izlenimle tartışılıyor, ölçülemediği için de iyileştirilemiyor.
• Birim maliyet bilinmiyor: pilot ucuz görünüyor, gerçek kullanım hacminde aylık gider öngörülmemiş oluyor.
• Sahip yok: sistem canlıya çıktıktan sonra çıktı kalitesini kimin izleyeceği belirlenmemiş.
• Geri dönüş yolu yok: model davranışı değiştiğinde önceki sürüme dönmenin bir yolu tasarlanmamış.

Bu dördü teknik değil kurumsal eksiklerdir ve teslim tarihinden sonra kapatılması, baştan kurulmasından pahalıdır.

Yapay zeka projesi yaptırırken ne sormalıyım?

• Çıktı kalitesini nasıl ölçeceksiniz ve değerlendirme setini kim hazırlayacak?
• Bin kullanıcı bu özelliği günde beş kez kullanırsa aylık işletme gideri ne olur?
• Modelin yanlış cevabı bir işlem başlattığında geri alma yolu nedir?
• Hangi adımda insan onayı var ve o onay kaydediliyor mu?
• Verimiz nerede işleniyor ve model eğitiminde kullanılıyor mu?

Yapay zeka kararı insan onayından geçmeli mi?

Kararın geri alınamadığı yerde. Bir modelin metin önermesi ile bir modelin ödeme emri vermesi arasındaki fark teknik değil hukukidir. Pratik kural şudur: veritabanını değiştiren, para hareketi doğuran ya da bir kişi hakkında hüküm kuran her adımın önünde bir insan durur, ve o insanın verdiği "doğru" veya "yanlış" kaydı sistemin kendisini iyileştirmek için geri beslenir.

Bu tasarım tercihi maliyeti de düşürür: onay noktası olan bir sistem, hatasız olmak zorunda değildir; yeterince iyi olması ve yanıldığında yakalanabilmesi yeter.

Yapay zeka kullanmak aylık ne kadar tutar?

Üç değişken: kaç istek atılıyor, her istekte ne kadar bağlam gönderiliyor ve cevap ne kadar uzun. Model seçimi bunların üzerine gelir ve aynı işi gören modeller arasında katlarca fark olabilir. Bu hesabı tahminle yapmayın; sitedeki LLM maliyet hesaplayıcı, kendi istek hacminizi girdiğinizde model başına aylık gideri gösterir.

Yapay zeka kullanımı yasal olarak neye tabi?

İki çerçeve. Avrupa Birliği Yapay Zekâ Yasası sistemleri risk seviyesine göre sınıflandırır ve yüksek riskli kabul edilen alanlarda belgelendirme, kayıt tutma ve insan gözetimi yükümlülükleri getirir. Kişisel veri tarafında ise işlemenin dayanağı, saklama süresi ve yurt dışına aktarım rejimi ayrıca değerlendirilir. Her ikisi de mimariyi belirleyen kısıtlardır; teslimden sonra eklenen belgeler değil.

Yapay zeka için hangi veriye ihtiyaç var?

Sanılanın aksine çok veri değil, temiz ve erişilebilir veri gerekiyor. Bir dil modeli sizin verinizle eğitilmiyor; verinize bakarak cevap üretiyor. Bu yüzden belirleyici olan veri hacmi değil, o verinin makine tarafından okunabilir olması: taranmış PDF'ler, ekran görüntüsü hâlindeki tablolar ve tek bir Excel'de yaşayan kurumsal bilgi, hacmi ne olursa olsun kullanılamaz durumda.

Verimiz dışarı çıkmadan yapay zeka kullanabilir miyiz?

Evet, ve regüle sektörlerde sık tercih edilen yol bu. İki seçenek var: kendi altyapınızda çalışan açık ağırlıklı modeller, ya da sağlayıcının kurumsal planında eğitime kapalı, bölge seçimli kurulum. Birincisi veriyi hiç çıkarmaz ama donanım ve işletme yükü getirir; ikincisi hızlı kurulur ama sözleşmede bölge ve saklama şartlarının yazılı olmasını gerektirir.

Yapay zeka projesi ne kadar sürer?

Dar kapsamlı bir pilot 6-10 hafta, üretime alınmış bir sistem 3-6 ay. Süreyi uzatan şey model değil, çevresi: veriye erişim izinleri, değerlendirme setinin hazırlanması, insan onayı akışının kurulması ve mevcut sisteme bağlanma. Modeli çalıştırmak genellikle en kısa adımdır ve bu, ekiplerin takvimi neden sürekli kaçırdığını açıklıyor.

Yapay zeka çıktısının doğruluğu nasıl ölçülür?

Değerlendirme setiyle: gerçek sorulardan ve onaylanmış doğru cevaplardan oluşan, en az yüz maddelik bir liste. Her model ya da istem değişikliğinde bu set yeniden çalıştırılır ve skor kıyaslanır. Bu set yoksa "iyi çalışıyor" cümlesi kişisel izlenimdir ve iyileştirme yönü bilinemez. Seti kim hazırlayacak sorusu teklif aşamasında netleşmeli — işi bilen sizsiniz, tedarikçi değil.

Yapay zeka insan yerine geçer mi?

Bugünkü olgunlukta hayır, ama işin hangi kısmının insana kaldığını değiştiriyor. İşleyen kurulumlarda model taslağı üretiyor, insan onaylıyor ve düzeltiyor; kazanç insanı çıkarmaktan değil, insanın sıfırdan başlamamasından geliyor. Kadro azaltmayı hedefleyen projeler genellikle kaliteyi düşürüp geri dönüyor; aynı ekibin daha çok iş çıkarmasını hedefleyenler kalıyor.

Küçük bir şirket yapay zekayı nereden başlatmalı?

Tekrarı en yüksek, kuralı en net ve hatası en ucuz işten. Tipik ilk adımlar: gelen e-postaların sınıflandırılması, tekliflerin taslağının hazırlanması, belgelerden veri çıkarma. Bu üçünün ortak yanı, yanlış çıktının bir insan tarafından saniyeler içinde fark edilmesi. Müşteriye doğrudan giden ya da para hareketi doğuran bir işle başlamak, ilk hatada projeyi bitiriyor.

“Yapay zekâ projelerini model kalitesi değil, çıktının doğruluğunu ölçen setin varlığı ayırıyor.”