Geçtiğimiz hafta Claude Code Çin'deki kullanıcılarına erişim sağlayamazken, aynı dönemde Çin Sanayi ve Bilgi Teknolojileri Bakanlığı da yapay zeka kodlama araçlarının veri aktarım risklerine dikkat çeken bir uyarı yayınladı. Bu iki olay, üretkenlik kazanımlarının gölgesinde kalmış bir soruyu yeniden ortaya çıkardı: Yapay zeka destekli kodlama araçları kodlarınızı okurken, aslında bu veriler nereye gidiyor?
AI Kod Asistanlarının Gizli Erişim Modeli
AI kodlama araçları artık sadece otomatik tamamlama ötesine geçti. Ekipler bunları test yazımı, kod incelemesi, log analizi, üretim sorunlarının çözümü ve hatta mimari kararlarında kullanıyor. Verimlilik kazanımları artık tartışılmaz durumda. Ancak bu araçların altında yatan izin modeli genellikle göz ardı ediliyor.
Bir araç olan Cursor, GitHub Copilot veya Claude Code'a çalışma dizinimize erişim izni verdiğinizde, yalnızca açık olan dosyayı değil, tüm depoyu indeksliyor. Konfigürasyon dosyalarını okuyor, .git geçmişini analiz ediyor ve modüller arasındaki ilişkileri haritalandırıyor — ki bu, iyi kod önerileri için gerekli. Ancak aynı dizinde .env dosyaları, veritabanı kimlik bilgileri, API anahtarları ve dağıtım yapılandırmaları da bulunuyor. Çoğu araç varsayılan olarak bunları hariç tutmuyor; yalnızca özel olarak dışlama ayarları yapmanız gerekiyor. İndekslenen veriler ve kod bağlamı, bulut sunucularına aktarılıyor. Cursor'ın gizlilik politikası bunu açıkça belirtirken, veri toplama seçeneğini devre dışı bıraktığınızda bazı özellikleri kaybediyorsunuz. Copilot ise bağlamı GitHub ve OpenAI sunucularından geçiriyor. Her iki sağlayıcı da özel kodları eğitim amacıyla kullanmadıklarını belirtiyor. Ancak aktarım gerçekleşiyor.
Erişim Kısıtlamaları İş Akışlarını Nasıl Etkiledi?
Claude Code'a getirilen erişim kısıtlamaları, birçok kişinin tahmin ettiğinden daha güçlü bir tepki yarattı. Bu tepkinin ardındaki neden, bağımlılığın derinliğiyle ilgiliydi. Birçok ekip bu aracı sadece otomatik tamamlama için değil, kod incelemesi, test üretimi, hata ayıklama ve mimari tartışmalar için kullanıyordu. Hizmetin erişilemez hale gelmesiyle birlikte iş akışları durma noktasına geldi. Olayın ardından birçok ekip alternatifleri değerlendirmeye başladı — yerli AI kodlama hizmetlerinden, kendi barındırdıkları açık kaynak modellerine ve tamamen yerel çıkarım sistemlerine kadar farklı seçeneklere yöneldi. Bir kez kesintiye uğramak, tedarikçi kilitlenmesine karşı öncelikleri hızla değiştiriyor.
Veri Yerelliği Kritik Hale Geliyor
İnternet şirketleri hassas olmayan kodlar üzerinde çalışırken, bu trade-off genellikle kolayca kabul ediliyor — üretkenlik kazanımları ağır basıyor. Ancak finans, hükümet, üretim ve sağlık gibi sektörlerdeki ekipler için durum farklı. Sınır ötesi veri aktarımı, denetlenebilirlik, erişim kontrolü ve iç güvenlik uyumluluk gereksinimleri, en yüksek önceliğe sahip oluyor. Burada model yeteneğinden ziyade, verilerinizin nerede işlendiği ve kimler tarafından erişilebileceği önem kazanıyor.
Bu nedenle yerel çıkarım sistemlerine olan ilgi yeniden artıyor.
Yerel Model Performansındaki Devrim
Yerel modellerin zayıf yanı olarak uzun süredir performans ve yetersiz yetenekler gösteriliyordu. Ancak bu durum hızla değişiyor. Mano-P adlı yerel GUI ajanı üzerinde yaptığımız çalışmalar, bu değişimi somut olarak gösteriyor. macOS için optimize edilmiş bu araç, MLX çerçevesi kullanılarak Apple Silicon için eğitilen 4 milyar parametreli bir model olan Mano-CUA-Thinking ile çalışıyor. Ayrıca kendi Cider adlı niceleme SDK'sını da kullanıyor.
İlk aşamalarda 4 milyar parametreli bir modelin demo seviyesinin ötesine geçemeyeceğine dair ciddi şüpheler vardı. Ancak M5 Pro üzerinde model saniyede yaklaşık 80 token hızında çalışırken, önişlem süresi 3 saniyenin altında kalıyor. Günlük kullanımda gecikme, bulut API'lerine neredeyse eşit düzeyde hissediliyor. Tüm ekran görüntüleri, görev açıklamaları ve çıkarım yerel olarak gerçekleşiyor — hiçbir veri harici sunuculara gönderilmiyor. Üretim ortamlarında veya hassas verilerle çalışan ekipler için bu özellik, en büyük modeli kullanmaktan daha önemli hale geliyor.
Yapılan 100 gerçek macOS GUI görevi testinde, yerel 4 milyar parametreli model %56 başarı oranı elde ederken, aynı test ortamında bulut tabanlı Qwen3-VL-Plus genel amaçlı görüntü-dil modeli yalnızca %39 başarı gösterebildi. Uzmanlaşmış daha küçük bir modelin, alan özelindeki görevlerde genel amaçlı daha büyük bir modeli geride bırakması şaşırtıcı olsa da, sayılar bunu açıkça ortaya koyuyor.
Cider adlı niceleme SDK'sı, MLX üzerinde INT8 çıkarımı gerçekleştiriyor. W8A8 önişlem, M5 Pro üzerinde W8A16'ya göre yaklaşık 1.8 kat daha hızlı çalışıyor. Başlangıçta Mano-P için iç geliştirme aracı olarak başlayan Cider, yerel çıkarım üzerinde çalışan birçok kişi için ihtiyaç duyulan bir araç olduğunu fark edince ayrı olarak açık kaynak haline getirildi. Şu anda 300'ün üzerinde GitHub yıldızına sahip olan Cider, bu alandaki boşluğu dolduran nadir projelerden biri.
Yerel ve Bulut: İkili Strateji Gerekiyor
Yerel modellerin bulut hizmetlerini tamamen yerinden edeceğini söylemek doğru değil. Bulut modelleri hala genel programlama görevlerinde, çoklu dil desteğinde ve karmaşık akıl yürütmede üstünlüğünü koruyor. Açık kaynak çalışmaları, öğrenme süreci ve hassas olmayan projeler için bulut hizmetleri ideal olmaya devam edecek. Değişen şey, iç sistemler, üretim yapılandırmaları ve hassas kodlar gibi verilerin bina dışına çıkamadığı durumlarda yerel çıkarımın artık bir zorunluluk haline gelmesi.
AI kodlama araçları artık sadece birer oyuncak değil, altyapının bir parçası haline geldi. Eskiden modelin akıllılığı ve hızı tartışılırdı. Artık veri egemenliği, denetlenebilirlik ve hizmet kullanılabilirliği de değerlendirme kriterleri arasında yer alıyor. Model yetenekleri nelerin mümkün olduğunu belirliyor, ancak kodlarınızın kontrolü, üretim ortamında kullanılabilirliğinizi doğrudan etkiliyor.
Mano-P, Apache 2.0 lisansı altında açık kaynak olarak sunuluyor. 4 milyar parametreli model ağırlıkları, Cider SDK'sı ve Mano-AFK adlı otomatik oluşturucu aracı github.com/Mininglamp-AI/Mano-P adresinden indirilebilir. M4+ Mac ve 32GB RAM'e sahip bir cihazda brew install mano-cua komutuyla kurulabilir ve --local bayrağıyla tamamen çevrimdışı çalıştırılabilir.
Yapay zeka özeti
Claude Code kısıtlamaları ve Çin'in AI araçlarıyla ilgili uyarılarıyla tetiklenen veri güvenliği endişeleri: kodlarınızı okuduklarında nereye gidiyor? Yerel çıkarımın yükselişi ve gizlilik odaklı yeni yaklaşımlar.
