FOMO'yla AI Kodlama: Hız Efsanesi, Gizli İnceleme Borcu

GitHub'ın 2022 deneyinde Copilot kullanan geliştiriciler sınırlı bir JavaScript görevini %55 daha hızlı tamamlarken, METR'in 2025 tarihli çalışmasında deneyimli açık kaynak bakımcıları gerçek repolarında AI araçlarıyla %19 daha yavaş çalıştı; üstelik kendileri de tam tersini tahmin etmişti. İki sonuç da doğru: fark, kim tarafından ve ne kadar doğrulama yapıldığında yatıyor. Sıfırdan yazılan, netliği belli görevlerde kontrol maliyeti düşükken, on beş yıllık bir kod tabanında AI'nin ürettiği 'makul ama yanlış' değişiklikler asıl işi doğrulamaya çeviriyor.

DORA ve GitLab verileri bunu sistem düzeyinde doğruluyor: organizasyonların çoğu artık darboğazın yazmaktan incelemeye kaydığını, AI üretimi kodun yeni bir teknik borç kategorisi haline geldiğini söylüyor. Üretim ucuzladıkça hacim arttı, ama inceleme kapasitesi aynı kaldı; kuyruk IDE'den pull request'e taşındı. Bu, modelin kalitesiyle değil, klasik kuyruk teorisiyle açıklanabilir bir durum.

Benchmark'lar da güvenilir bir pusula değil: SWE-bench sayıları aylar içinde eskidi, yüz satırlık basit bir ajan geçen yılın en gösterişli ürününü geride bıraktı. FOMO'yla alınan kararlar genelde koltuk ve eklenti gibi görünür maliyetleri finanse edip test kapsamı, eval altyapısı, inceleme kadrosu gibi görünmez maliyetleri erteliyor; bu ertelemenin faturası provenance sorunları, slopsquatting gibi yeni saldırı türleri ve Microsoft Recall, Builder.ai gibi kamuya mal olmuş geri adımlarla geri geliyor.

Sonuç, AI araçlarından vazgeçmek değil, sıralamayı değiştirmek: önce organizasyonun asıl kısıtını (inceleme gecikmesi, değişiklik başarısızlık oranı vb.) adlandırmak, ardından üretim hızının bu kısıtı gerçekten etkileyip etkilemediğini IDE kabul istatistikleri yerine sistem düzeyinde metriklerle ölçmek gerekiyor.