Yapay Zekânın Reel Büyümesi: Algılanan Hızlanma ile Ölçülen Hızlanma Neden Ayrışır ve Büyüme Kararını Nasıl Etkiler?

Geliştiriciler yapay zekâyla yüzde 20 hızlandıklarına inandı; ölçümde ise işler yüzde 19 daha uzun sürdü. “Yapay zekâ ile hızlandık” iddiasını reel büyüme gibi okumanın yolu.

Alp SuleimanGrowth PartnerYazı 01 / 026 dk okuma

Yayın 5 Ekim 2026

2025'in ilk yarısında METR adlı araştırma kuruluşu, büyük açık kaynak projelerde yıllardır çalışan 16 deneyimli geliştiriciyle bir deney yaptı. Geliştiricilerin kendi projelerinden 246 gerçek görev seçildi ve her görev için yapay zekâ kullanımına izin verilip verilmeyeceği rastgele belirlendi. Başlamadan önce geliştiriciler yapay zekânın onları yüzde 24 hızlandıracağını tahmin etti. Ölçüm tersini gösterdi: yapay zekâ serbest olduğunda görevler yüzde 19 daha uzun sürdü.

Asıl ilginç olan bundan sonrası. Deney bittikten sonra, yavaşlamayı bizzat yaşamış olan aynı geliştiriciler, yapay zekânın kendilerini yüzde 20 hızlandırdığına inanmaya devam etti.

Bu yazı bir kodlama yazısı değil. Bu sitenin baştan beri sorduğu sorunun yeni bir kılıkta karşımıza çıkışı: görünen büyüme ile gerçek büyüme arasındaki fark. Enflasyonlu bir ekonomide gelirin, örneğin, yüzde 60 artması şirketin yüzde 60 büyüdüğü anlamına gelmez; önce fiyat etkisini düşmeniz gerekir. Yapay zekâ ile gelen hız da böyle. Hissedilen hız nominal rakamdır. Reel rakama ulaşmak için ondan bazı şeyleri düşmeniz gerekir: beklentiyi, görev seçimini, sonradan gelen düzeltme işini.

Algı ile ölçüm neden ayrışıyor?

Önce adil olalım: METR'in bulgusu “yapay zekâ işe yaramıyor” demek değil. Araştırmacılar bunu açıkça yazıyor: çalışma, yapay zekânın geliştiricilerin çoğunu hızlandırmadığına dair bir kanıt sunmuyor ve sonuçları yazılım geliştirme dışına genellemiyor. Deneydeki geliştiriciler ortalama 22 binin üzerinde yıldızı ve bir milyonu aşan kod satırı olan, çok iyi tanıdıkları projelerde ve ortalama iki saatlik görevlerde çalışıyordu. Araç ağırlıklı olarak Cursor Pro'ydu (Claude 3.5/3.7 Sonnet ile). METR, yavaşlamanın olası açıklamaları arasında bu projelerin yüksek kalite standardını da sayıyor.

Karşı uçta GitHub'ın 2022'de yayımladığı deney var. 95 profesyonel geliştiriciye JavaScript ile bir HTTP sunucusu yazdırıldı. Copilot kullanan grup görevi ortalama 1 saat 11 dakikada, kullanmayan grup 2 saat 41 dakikada bitirdi: yüzde 55 daha hızlı. Görevi tamamlayanların oranı da Copilot grubunda yüzde 78, diğerinde yüzde 70'ti.

İki deney birbirini yalanlamıyor; farklı şeyleri ölçüyor. Biri sıfırdan, iyi tanımlanmış, herkes için aynı olan bir görev. Diğeri, yıllardır bakımını yaptığınız, kurallarını ezbere bildiğiniz büyük bir sistemde gerçek bir iş. Yapay zekâ ilkinde çok, ikincisinde az ya da ters yönde katkı verebiliyor. “Yapay zekâ bizi ne kadar hızlandırıyor?” sorusunun tek bir cevabı yok; cevap görev türüne göre değişiyor.

Algının neden sapıyor olabileceğine dair bir ipucu Stack Overflow'un 2025 geliştirici anketinden geliyor. Geliştiricilerin yüzde 84'ü yapay zekâ araçlarını kullanıyor ya da kullanmayı planlıyor. Ama yapay zekânın doğruluğuna güvenmeyenler (yüzde 46) güvenenlerden (yüzde 33) fazla. En sık şikâyet, katılımcıların yüzde 66'sının işaretlediği “neredeyse doğru ama tam değil” çözümler. Neredeyse doğru bir çıktı hızlı hissettirebilir: ekranda bir şey belirmiştir, iş ilerliyor gibidir. Onu tam doğruya çevirmek için harcanan zaman ise dağınık olabilir ve ayrı bir kalem olarak hatırlanmayabilir.

Büyüteç: iyi sistemi iyileştirir, kötüyü büyütür

Google Cloud'un DORA 2025 raporu, yaklaşık 5.000 teknoloji profesyonelinden aldığı cevapla aynı resmin büyük ölçekli bir versiyonunu çiziyor. Katılımcıların yüzde 90'ı işte yapay zekâ kullanıyor, yüzde 80'den fazlası verimliliklerinin arttığına inanıyor. Rapor bu yıl yapay zekâ kullanımı ile teslimat hızı (throughput) arasında olumlu bir ilişki görüyor. Ama aynı rapor, yapay zekâ kullanımının teslimat istikrarıyla olumsuz ilişkisinin sürdüğünü de söylüyor: hız artıyor, ama güçlü otomatik testler, olgun sürüm kontrolü ve hızlı geri bildirim döngüleri yoksa artan değişiklik hacmi istikrarsızlığa dönüşüyor.

Raporun ana bulgusu bunu özetliyor: yapay zekâ bir ekibi düzeltmez, zaten orada olanı büyütür. Güçlü ekipler daha iyi olur; zorlanan ekiplerin sorunları daha görünür ve daha şiddetli hâle gelir.

Büyüme yöneticisi için bu cümle bir uyarı. Yapay zekâ hız ekler; o hızın nereye aktığını belirleyen ise sistemin kendisi. Ölçümü olmayan bir sisteme hız eklerseniz, yanlış yöne daha hızlı gidersiniz ve bunu daha geç fark edersiniz.

Aynı tuzak büyüme ekibinde

Buradan sonrası bir çıkarım: veriler yazılım geliştirmeden geliyor; büyüme metriklerine taşınması bizim yorumumuz. Yine de bu bulguların asıl konusu mühendislikten çok ölçüm. Büyüme ekiplerinde yapay zekâ üzerine sık duyulan cümleler (örnek cümleler, belirli bir ekipten alıntı değil) aynı yapıyı taşıyor:

“Deney hızımız iki katına çıktı.” Haftada daha fazla A/B testi başlatmak, daha fazla öğrenmek anlamına gelmez. Testler yeterli örneklemle mi kapandı, yoksa yapay zekâ yalnızca varyant üretimini mi hızlandırdı? Değişiklik hacmi artıp karar kalitesi düştüyse bu DORA'nın istikrar bulgusunun büyüme ekibindeki karşılığı sayılabilir.
“Yapay zekâlı onboarding ile aktivasyon yükseldi.” Aktivasyonu neyle ölçtünüz? Kullanıcının bir ekranı geçmesi mi, yoksa ürünün çekirdek değerini ilk kez yaşaması mı? Yapay zekâ ilk adımı kolaylaştırabilir; ilk adım kolaylaşınca aktivasyon tanımını sessizce gevşetmiş de olabilirsiniz.
“Kişiselleştirilmiş mesajlar elde tutmayı artırdı.” Hangi cohort'ta, kaçıncı ayda? Mesajın tıklanması ile müşterinin üçüncü ayda hâlâ ödüyor olması farklı şeylerdir. İlk haftadaki artış, enflasyonlu ekonomideki nominal satış artışı gibidir; ancak cohort eğrisinin kuyruğunda kalıyorsa gerçektir.
“Ekip yapay zekâ ile yüzde X daha verimli.” Bu rakam bir ankete mi dayanıyor, bir zaman ölçümüne mi? METR'in geliştiricileri de deney sonunda sorulduğunda hızlandık dedi.

Hepsinde aynı örüntü var: hissedilen ya da ara bir metrik, sonuç metriğinin yerine geçiyor.

Reel okuma için beş soru

“Yapay zekâ ile yüzde X hızlandık” ya da “yüzde X büyüdük” cümlesini duyduğunuzda, bir enflasyon düzeltmesi yapar gibi şu beş soruyu sorun.

1. Hangi görev? Sıfırdan, iyi tanımlanmış bir iş mi, yoksa karmaşık, bağlam isteyen, mevcut bir sistemin içinde bir iş mi? GitHub ile METR arasındaki farkın önemli bir kısmı muhtemelen bu sorunun cevabında. METR de yapay zekâ araçlarının daha az deneyimli geliştiriciler ya da tanımadıkları bir kod tabanında çalışanlar için faydalı olmasının makul, hatta muhtemel olduğunu not ediyor. Bir görev türündeki kazancı bütün ekibe ya da bütün huniye yaymayın.

2. Kim? Konuya yeni biri mi, alanı ezbere bilen biri mi? METR'in deneyimli geliştiricileri, bilgisi zaten yüksek olan kişilerde yapay zekânın ekleyebileceği şeyin sınırlı olabileceğini düşündürüyor. Ekibinizde kazanç kimde, kayıp kimde?

3. Ne ölçüldü: algı mı, süre mi, sonuç mu? “İnanıyoruz”, “hissediyoruz”, “yüzde 80'imiz verimli olduğunu düşünüyor” birer algı ölçümü. Değerlidir ama süre ve sonuç yerine geçmez. METR'in bulgusunun özü şu: aynı kişiler, kendi projelerindeki gerçek işlerde, yüzde 20 hızlandıklarını söylerken ölçüm işlerin yüzde 19 daha uzun sürdüğünü gösterebiliyor.

4. İstikrar ve kalite neyi gösteriyor? Hız metriğinin yanında bir kalite metriği var mı? Yazılımda bu geri alınan değişiklik ve kesinti; büyümede iade, destek talebi, iptal, deney sonucunun tekrar edilebilirliği olabilir. Hız artıp istikrar düşüyorsa, DORA'nın dediği gibi sistem büyütülüyor, düzeltilmiyor.

5. Karşı olgu ne? Yapay zekâ olmasaydı ne olacaktı? Rastgele ayrılmış bir kontrol grubu, eski bir cohort, aynı dönemdeki benzer bir ekip. Karşılaştırma yoksa rakam, mevsimselliği, pazarın genel büyümesini ve ekibin zaten iyileşiyor olmasını da içinde taşır. Bu yalnız teorik bir zorluk da değil: METR Ağustos 2025'te deneyi daha büyük bir grupla tekrarlamaya başladı ve bazı katılımcıların, bazı görevleri yapay zekâsız yapmak istemedikleri için hiç göndermediğini gördü (anket yanıtlarına göre geliştiricilerin yüzde 30 ila 50'si bazı görevleri göndermedi). Araştırmacılar yeni sonuçlarının, 2025 başına göre artan hızlanmanın büyüklüğü için yalnızca “çok zayıf kanıt” olduğunu yazdı ve deney tasarımını değiştirmeye karar verdi. Karşı olguyu kurmak, araç ne kadar benimsenirse o kadar zorlaşıyor. Bu yüzden onu erken, araç her yere yayılmadan kurmak gerekiyor.

Kapanış

Bu yazının amacı yapay zekânın hızlandırmadığını söylemek değil. METR'in 2026 başındaki güncellemesi de, katılımcılarla yapılan görüşmelere dayanarak, geliştiricilerin artık 2025 başına göre daha fazla hızlandığının muhtemel olduğunu söylüyor. Muhtemelen haklılar.

Mesele, bu hızı hangi rakamla yöneteceğiniz. Nominal hız toplantıda iyi durur. Reel hız ise bütçe, işe alım ve yol haritası kararlarını taşıyabilecek tek rakam. Bir sonraki “yapay zekâ ile yüzde X” cümlesinde beş soruyu sorun ve rakamdan düşülmesi gerekeni düşmeyi unutmayın.

Kalınız sağlıcakla.