AI Çağında Tahmin Yapmanın Zorluğu

Zamanlar vardı ki, proje yöneticisine rahatça "bu özellik iki haftada biter" diyebiliyordun. Şimdi o günler çok uzakta kalmış gibi görünüyor. AI ajanlarının hayatımıza girişi—sadece kod tamamlamakla kalmayıp, aktif olarak çözüm tasarlayan ve uygulayan yapay zeka—geliştirme tahminlerini tamamen hava attı.

Eski Zamanlar (Aslında İşe Yarayan Dönem)

İnsan gücüyle yapılan geliştirme devrinde, tahmin etmek biraz daha öngörülebilir bir formüle dayanıyordu:

• Kodu ne kadar iyi biliyorsun + Tasarımın ne kadar karmaşık + Yazma hızın + Test ve hata ayıklama uğraşı = Kabaca ne kadar zaman

Kod tabanında yeterince vakit geçirmiş oluyordun. Kimlik doğrulama sisteminin sağlam olduğunu, ama veritabanı şemanın biraz kötü durumda olduğunu biliyordun. Refactoring için kaç saat harcayacağını, kaç istisna durumla karşılaşacağını ve günlük verimlilik hızını tahmin edebiliyordun.

Mükemmel değildi tabii—tahminler sıkça yüzde 20-40 kayıyordu—ama en azından yönü doğru oluyordu. Elinde çalışan zihinsel modeller vardı.

AI Ajanının Geliş: Tahmin Sisteminin Yeniden Başlatılması

Şimdi aynı problemi bir AI kodlama asistanına verdiğini hayal et. Tüm değişkenler değişiyor:

AI senin kod mimarisini ilk okuyuşta anlayabilir mi? Bu kod dokümantasyonunun kalitesine, model kontekst sınırlamalarına ve yapay zekanın teknoloji seçimlerine ne kadar iyi uyum sağlayabilmesine bağlı.

En iyi çözümü hemen mi önerecek? Eğer LLM ilk denemede başarılı olursa, birkaç saatini alır. Eğer gidip gelmeyle, birden fazla soruyla deneme-yanılmaya ihtiyaç duyarsa, günlerin gidip gelir.

Neyin üstünden düzenleme yapman gerekecek? AI tarafından oluşturulan kod sıkça özelleştirme, güvenlik sertleştirmesi ve ajantın tahmin edemediği entegrasyon işlemleri gerektirir.

Dürüst olmak gerekirse? Geliştirici olarak senin doğrudan kontrolün ve uzmanlığın dışında pek çok değişken var.

"Hissiyata Kodlama" İtirafı

Birçok geliştirici açık söylemez, ama şu gerçek var: beklediğinden çok daha fazla "hissiyata kodlama" yapıyoruz. Bununla kastettiğimiz:

• Gerçek özellik karmaşıklığı yerine AI çıktısının hızını esas alan tahminler
• Modelin ilk denemede "anlaması" ummuşken, tekrar tekrar düzeltmeyi gözden kaçırmak
• AI üretimi kod ile mevcut sistemler arasındaki bağlantı işini hafife almak
• Yapay zekanın ürettiği kodda hallüsinasyonları veya güvenlik açıklarını çabucak tespit etme yeteneğini abartmak

Bu tembel geliştirme değil—sadece eski tahmin araçlarının bu yeni dünyadaki işe yaramadığını fark etmek.

Gerçekten İşe Yarayan (Pratik Öneriler)

AI destekli projelerle mücadele ediyorsan, işe yaradığı görülen stratejiler var:

1. Önce AI'ın Performans Temelini Ölç

Tahmin vermeye başlamadan, birkaç küçük özelliği AI iş akışından geçir. Gerçek çıktı zamanını, tekrar düzeltme döngülerini ölç, kaç kez revizyon gerektiğini takip et. Tahmin yerine gerçek veriyle çalış.

2. İnsan ve Makine Zamanını Ayrı Düşün

Bunu tek bir tahmin olarak yapma. Parçala:

• AI üretim süresi: Soruları optimize etme, modeli çalıştırma, ilk çıktı
• İnsan inceleme süresi: Kodu kontrol etme, güvenlik denetimi, tutarlılık düzeltmeleri
• Entegrasyon süresi: AI kodunu sistemlere bağlama, test etme, hataları bulma

Bunları ayırmak tahmin edilebilirliği artırır, çünkü kontrol edebileceğin şeyleri tahmin ediyorsun.

3. Bağlam Paketleri Oluştur

AI ajanları bağlam eksikliğinde sıkıntı çeker. Başta 2-3 saat harcanarak iyi bir bağlam hazırlanan (mimari dokümanlar, kod kuralları, örnek kalıplar) vakit, ajantın çıktı kalitesini ve düzeltme döngüsünü dramatik oranda iyileştirir. Toplam proje süresini kısaltır.

4. Belirsizliği Kabul Et, Tampon Alanı Oluştur

Tahminlerin kesin olduğunu iddia etmeyi bırak. "5 gün" yerine "model performansına bağlı olarak 3-8 gün" de. Bu daha dürüst ve planlama için daha faydalı.

5. Süreci Takip Et ve Geliştir

AI kodlama araçlarını kullanan her ekibin farklı en iyi iş akışı var. Kimi ekip derin sorular yazmayı sever, kimi sıradaki düzeltmeleri. Senin yapı ve ekibin için ne işe yarıyor gözlemle, sonra gerçek sonuçlara göre tahmini geliştir.

Daha Geniş Resim

Tahmin doğruluğundaki rahatsızlığın hissettiğin o his, yanlış bir şey yaptığının işareti değil. Geleneksel yazılım tahminin tüm temeli değişiyor. "İnsanların bunu yazmak için kaç gün lazım?" sorusundan "AI problemi anlayıp çözüm önerip, insanlar doğrulamayıp entegre etmek için kaç gün?" sorusuna geçiyoruz.

Bu tahmin etmesi çok daha zor, çünkü değişken faktörlere bağlı:

• Model kalitesi ve çıktı hızı
• Problemin ne kadar spesifik olması ve eğitim verisine ne kadar uyması
• Kod tabanının dokümantasyonu ve yapısı
• Ekibin AI ajanlarını yönetme becerisi

İyi Tarafı

Öte yandan, AI ilk denemede doğru cevabı bulduğunda—bekleyenden daha sık oluyor bu—özellikleri haftalar yerine günlerde yayımlıyorsun. Değişkenlik yüksek, ama ortalama verim çok daha iyi olabilir.

Sırrı bu değişkenliği kabullenip ölçüp, tahmin zihin modellerini buna göre ayarlamak.

İleriye Doğru

Başarılı olacak geliştiriciler, eski tahmin yöntemlerine sarılıp kalan değil. Bunlar:

1. Tahminlerin artık daha karışık olduğunu kabul edenler
2. AI destekli iş akışlarını titizlikle takip edenler
3. Daha iyi bağlam ve soru yazma sistemi inşa edenler
4. Geniş aralıklar verip dürüst zaman çizelgeleri sunanlar
5. Hızlı yayımlama ve her iterasyondan öğrenmeye odaklananlar

Hissettiğin o "kurgusal kodlama" hissi belki sorun değil—belki de yeni normalin kendisi. İnsan zekası ile makine zekasıyla tahmin yapmayı, onun rağmen değil, onunla beraber yapmayı öğrenme döneminin başlaması.