Yapay Zeka ile çalışma şeklim nasıl değişti: 4 aşamalı yolculuk

Yapay zeka (AI) araçlarının geliştiriciler için ne kadar dönüştürücü olduğunu sıkça duyarız. Ancak çoğu tartışma, AI’in yardımcı geliştiriciler için nasıl bir nimet olduğunu anlatırken, deneyimli geliştiricilerin bu araçlarla nasıl bir ilişki kurduğunu nadiren ele alır. Ben de yakın zamanda AI araçlarını kullanmaya başladım ve altı aylık bir süreçte, bu ilişkimin nasıl evrildiğini derinlemesine gözlemledim.

Bugün, AI ile çalışmaya başlamadan önceki halimle bugün arasındaki farkı ve bu araçların gerçek potansiyelinin nerede yattığını anlatacağım.

İlk Adım: GitHub Copilot ile Tanışma

AI araçlarına ilk kez 2025 yılında, Visual Studio Code içindeki GitHub Copilot’la başladım. Başlangıçta AI’in bana yeni özellikler geliştirmekte yardımcı olmasını beklemiyordum. Bunun yerine, deneyimli bir geliştirici olarak kimsenin fazla konuşmadığı rutin görevlerde AI’den destek aldım: teknik raporların özetlenmesi, uygun tonlamanın gerektiği e-postaların hazırlanması ve sprint planlaması için hızlı tahminler.

AI bu görevlerde oldukça faydalıydı ve merakım giderek arttı. Farklı modelleri karşılaştırmaya başladım: GPT-4, Claude Sonnet, Gemini X Pro, Kimi2.5 ve Minimax. Her bir modelin farklı güçlü yönleri vardı. Bazıları yapılandırılmış akıl yürütmede başarılıyken, diğerleri temiz kod üretiminde veya değişimlerin açıklanmasında daha yetenekliydi. Kısa sürede, hangi aracın hangi görevi için daha uygun olduğunu anlayacak kadar deneyim kazandım — bu bilgiyi bir makaleden değil, günlük olarak yaptığım küçük deneylerden edindim.

Bu aşamada AI, zaten bildiğim işleri daha verimli hale getiren bir araçtı. Dönüştürücü değil, ancak faydalıydı.

İkinci Aşama: Planlayıcı ve Çalışan Rolleri Ayırmak

Ocak 2026’da, NVIDIA’nın Holoscan SDK’sını kullanarak gerçek zamanlı konuşma-yazıya dönüştürme sistemi üzerinde çalışmaya başladım. Bu proje, karşılaştığım yeni teknolojiler nedeniyle oldukça karmaşıktı: otomatik konuşma tanıma (ASR) modelleri, çeviri sistemleri, metinden konuşmaya (TTS) dönüştürme ve düşük gecikmeli veri akışı.

Daha önce hiç denemediğim bir yaklaşım geliştirdim: iki farklı AI sistemini eş zamanlı olarak farklı rollerle kullanmak.

Planlayıcı olarak Gemini 2.5 Pro. Bu modeli araştırma yapmak, mimari kararları almak ve henüz tanımadığım alanlarda yol gösterici olmak için kullandım. Bir sorunu açıkladığımda, bana sistematik bir yaklaşım sunuyordu.

Çalışan olarak GitHub Copilot + Claude Sonnet. Uygulama katmanında bu modelleri kullandım. Ne inşa edeceğime ve neden inşa edeceğime dair net bir fikre sahip olduğumda, Copilot IDE içinde detaylı kodlama işlerini üstlendi.

Bu ayrımın beklenenden daha önemli olduğunu fark ettim. Planlayıcı rolü geniş bağlam gerektiriyor, belgeler arasında bağlantı kurmayı ve neden sorusuna cevap vermeyi gerektiriyordu — bu da büyük bağlam penceresi ve güçlü akıl yürütme yeteneği olan bir model için ideal bir rol. Çalışan rolü ise hassasiyet ve kod akışında kalmayı gerektiriyordu. Aynı modeli her iki rol için kullanmak, mimarın aynı zamanda tuğlaları da yerleştirmesini istemeye benziyordu.

Üçüncü Aşama: Düşünme Biçimimde Devrim Yaratacak Gerçekleşme

Claude ve onunla birlikte gelen Cowork ile Claude Code’u kullanmaya başladığımda, aniden her şey netleşti — ve bunu doğrudan ifade etmek istiyorum.

Üretim hizmetlerinde Python kullanıyorum. Python seviyem orta düzeyde: kodu okuyabilirim, ne yaptığını anlarım, hata ayıklayabilirim — ancak üretim standartlarında, GPU hızlandırıcılarıyla ses işleme yapabilen bir FastAPI hizmetini sıfırdan ve proje gereksinimlerine uygun şekilde inşa edebileceğim iddiasında bulunamazdım.

Ve yine de bunu yaptım. Kod üretime gönderildi. Gerçek kullanıcılar tarafından kullanılıyor. Peki nasıl oldu?

AI, iyi bir mimariyi nasıl oluşturacağını bilmiyor. Ben biliyorum.

Başlangıç düzeyindeki bir geliştirici AI kullanarak çalışan kod üretebilir. Ancak deneyimli bir geliştirici AI kullanırken, sadece çalışan değil, aynı zamanda doğru yapılandırılmış, kenar durumları ele alan, ölçeklenebilir ve altı ay sonra sistem çökmeyecek şekilde tasarlanmış kodu üretebilir. AI satırları yazar. Deneyimli geliştiriciyse hangi satırların hangi sırada, hangi kısıtlamalarla yazılması gerektiğine karar verir.

Başlangıç ve deneyimli geliştirici arasındaki fark, sadece söz dizimini bilmekle sınırlı değildi. Asıl fark, yargılama gücündeydi — hangi problemlerin gerçekten zor olduğunu, hangi soyutlamaların yük altında ayakta kalacağını ve hangi kestirmelerin ileride size maliyet çıkaracağını bilmekteydi. AI bu boşluğu kapatmaz. Var olan yargılama gücünüzü güçlendirir.

Mevcut Çalışma Akışı: Verimliliğin Yeni Standartı

Bugün AI araçlarıyla çalışma şeklim aşağıdaki gibi özetlenebilir:

• Araştırma ve planlama AI ile başlar. Bir görev veya dal oluşturmanın hemen öncesinde, problemi tarif eder, kısıtları ve mevcut mimariyi tanıtırım. Elde ettiğim sonuç, planlama toplantısında savunabileceğim yapılandırılmış bir yaklaşım olur.

• Planlar paylaşılabilir hale getirilir. AI’den aldığım planı doğrudan Jira ve GitHub Projects’e aktarırım. Bu, planın sadece zihnimde veya sohbet penceresinde kalmaması, aynı zamanda takım tarafından görülebilir, yorum yapılabilir ve sorumluluk altında tutulabilir olması anlamına gelir.

• Rutin raporlama otomatikleştirilir. Günlük çalışmalarımı n8n kullanarak otomatikleştiriyorum. Yöneticime doğrudan Jira ve GitHub’dan çekilen gerçekleşen işlere dayalı durum raporu gönderiyor. Bu basit bir uygulama gibi görünse de, her hafta gerçekten zaman kazandırıyor ve ekstra çaba harcamadan çalışmaların görünürlüğünü artırıyor.

• MCP sunucuları araçları birbirine bağlıyor. AI asistanınızın doğrudan proje yönetim sisteminize bağlanabilmesi, GitHub PR’lerini okuyabilmesi ve iş akışlarını yürütebilmesi, sistemler arasında kopyala-yapıştır yapmak zorunda kalmadan çalışmanın ne kadar akıcı olduğunu gösteren en önemli gelişmelerden biri. GitHub, Jira ve n8n’e bağlanan MCP bağlantıları sayesinde, çalışma sürecinin verimliliği önemli ölçüde artıyor.

AI Yolculuğuna Yeni Başlayanlara Öneriler

İlk adımı "AI’i kullanarak kodu nasıl daha hızlı yazabilirim?" sorusuyla atmayın. Bunun yerine, "İşimin ilginç olmayan kısmında ne kadar zaman harcıyorum?" diye sorun.

Benim için bu kısımlar şunlardı: durum güncellemeleri yazmak, mimari kararları görevlere dönüştürmek, uzman olmadığım dillerdeki boşlukları doldurmak ve yeni API’leri araştırmak. AI bu görevlerin hepsinde olağanüstü başarılı.

İşin asıl ilginç kısmı – neyin inşa edileceğine, neden inşa edileceğine, sistemdeki yerinin ne olduğuna ve hangi noktaların yük altında çökeceğine karar vermek – hâlâ sizin sorumluluğunuzda. AI sadece gereksiz gürültüyü temizleyerek sizi asıl önemli şeye odaklanmanızı sağlıyor.

Bundan altı ay önce AI’ye temkinli yaklaşırken, bugünse herhangi bir projeye başlamadan önce AI’yi ilk danıştığım kaynak olarak görüyorum. Bu değişim sadece araçları kullanma şeklimi değil, aynı zamanda problemleri çözme ve sistemler inşa etme biçimimi de kökten değiştirdi.