Son üç hafta, yapay zeka destekli yazılım geliştirmede yaşadığım en açıklayıcı dönemlerden bazılarıydı.
Claude Fable tekrar sahneye çıktı ve aynı dönemde OpenAI, Sol, Terra ve Luna ile birlikte GPT‑5.6'yı yayınladı. Piyasadan gelen sinyal açıktı: öncü laboratuvarlar artık izole atılımlar yapmaktan çok, yetenek, fiyat kademeleri ve dağıtım temposu arasındaki boşluğu kapatıyor. Anthropic artık Fable 5'i, Opus 5'in liste fiyatının kabaca iki katına en üst düzey uzun vadeli model olarak satarken, OpenAI ise GPT‑5.6'yı amiral gemisi yeteneklerinden daha maliyet duyarlı işlere kadar uzanan bir aile olarak konumlandırıyor. Bu arada xAI, Grok 4.5'i o kadar agresif fiyatlandırıyor ki, herhangi bir maliyet-performans değerlendirmesinde ciddiye alınması gerekiyor.
Ve yine de o haftalarda öğrendiğim en önemli şeyin lansman sayfaları veya kıyaslama slaytlarıyla pek bir ilgisi yoktu.
Benim ortamımdaki asıl atılım hazırlıktı.
Hikayelerimiz hazırdı. İş, ajan kodlama sistemleri tarafından fiilen yürütülebilecek parçalara bölünmüştü. Bu kuyruk var olduğunda, üretim hızı absürt bir hal aldı. Codex, Claude, Cursor, Grok ve iş akışındaki diğer araçlar arasında, yaklaşık on günde 2 milyon satırdan fazla kod yazıldı. Bu rakam, bunu mümkün kılan şeyi görene kadar abartı gibi geliyor: sihir değil, soyut anlamda özerklik değil, modellerin ilerlemesi için yeterli yapıya sahip, sınırları belirlenmiş bir iş akışı.
İşte bu, pek çok kişinin hâlâ gözden kaçırdığı ilk şey. Çıktı patlaması, modellerin bir anda kendi kendini yönlendiren mühendislere dönüşmesiyle olmaz. Bu, insanların savaş alanını hazırlamasıyla olur.
Öğrendiğim ikinci şey ise hataların, pazarlamanın hiçbir zaman itiraf etmediği kadar hızlı bir şekilde ölçeklenerek ortaya çıkması.
Codex bunun iyi bir örneği. OpenAI'in uzun süreli çalışmalarla ilgili kendi materyalleri, dayanıklı iş parçacıklarının bir takasla geldiğini açıkça belirtiyor: süreklilik kullanışlıdır, ancak uzun süreli iş parçacıkları sıfırdan başlamaktan daha pahalı ve yönetmesi daha zor hale gelebilir. Goals özelliği, tam olarak bir iş parçacığını sınırlı bir hedefe bağlı tutmak için tasarlanmıştır, her zorlu görevi sürekli büyüyen bir isteme dönüştürmek yerine. Pratikte bu, benim gördüklerimle örtüşüyor. Bir süreç çok uzun sürerse, daha iyi yöntem genellikle onu durdurmak, temiz bir devir teslim istemek, oturumu yeniden başlatmak ve yeni bir hedefle devam etmektir. Bu sadece bir kolaylık değil. Genellikle operasyonel bir hijyendir.
Ayrıca, artık görünür bir kamuya açık belge izi olan daha somut bir Codex sorunu daha var: alt ajan ve yerel durum patlamaları.
Açık sorun #34061, devam ettirilen bir üst iş parçacığının binlerce alt JSONL günlüğü ve yüzlerce gigabayt kalıcı oturum geçmişi ürettiği bir vakayı belgeliyor. Başka bir sorun, fork_context=true değerinin büyük üst geçmişlerin alt ajanlara anlık görüntü olarak aktarılmasına neden olabileceği ve hem doğruluk riskini hem de token tüketimini artırabileceği konusunda açıkça uyarıyor. Henüz bir başka kamuya açık raporda ise, ~/.codex büyük SQLite günlükleri ve oturum durumu biriktirdiğinde Codex soğuk başlatmalarının 1-5 dakikalık bekleme sürelerine dönüştüğü gösteriliyor. Bir araya getirildiğinde, bu raporlar birçok güç kullanıcısının hemen tanıyacağı bir hata modunu tanımlıyor: Yerel meta veri katmanı yeterince büyüdüğünde, oturum kalıcılığı ürün deneyiminin ciddi bir parçası haline geliyor.
Bu önemli çünkü çok ajanlı kodlama her zaman demolarda, stres altındaki bir geliştirme makinesinde olduğundan daha iyi görünür.
Vaat açık. OpenAI'in çok ajanlı dokümanları, paralel alt ajanların bağımsız iş akışlarını nasıl hızlandırabileceğini açıklıyor ve bu vaat gerçek. Ancak aynı dokümanlar, alt ajanların token kullanımını artırdığı ve paylaşılan değişken duruma sık sık yazma işlemleri içeren görevler için uygun olmayabileceği konusunda da uyarıyor. ChatGPT Learn'daki paralel ajan rehberi daha da açık: keşif, test, triyaj ve özetleme gibi okuma ağırlıklı işlerle başlayın; çakışmalar ve koordinasyon yükü hızla arttığı için yazma ağırlıklı akışlarda daha dikkatli olun. Bu uyarı teorik değil. Bir ajan filosunun aynı anda eksiksiz bir test paketine doğru hücum etmesini izleyen herkes bunun ne anlama geldiğini tam olarak bilir.
Kendi kurulumumda, bu artık tüm kategorinin tanımlayıcı operasyonel sorunlarından biri.
Sorun, modellerin paralelleştirme konusunda yeterince akıllı olup olmadığı değil. Açıkçası akıllılar. Sorun, hâlâ çok daha iyi orkestrasyon sınırlarına ihtiyaç duymaları, çünkü "yetki devredecek kadar akıllı" olmak, "rekabet altında makine sağlığını, yerel önceliği ve maliyet disiplinini koruyacak kadar akıllı" olmakla aynı şey değil.
Aynı uyumsuzluk fiyatlandırmada da kendini gösteriyor.
Cursor bu sorunu güzelce özetliyor. Mevcut fiyatlandırması şeffaf: biri Cursor'un kendi modelleri, diğeri üçüncü taraf "Diğer Modeller" için olmak üzere iki aylık kullanım havuzu var. Ayrıca Auto'nun tek bir şey olmadığını da gösteriyor. Auto Cost, sabit token fiyatlandırması kullanırken, Balance ve Intelligence, yönlendirilen modelin ücreti üzerinden faturalandırılır ve yönlendirici, Composer, GPT‑5.6, Claude veya Grok gibi modeller arasından seçim yapabilir. Ara sıra etkileşimli çalışma yapan kişiler için bu esneklik caziptir. Patlama yapan, endüstriyel iş yükleri için bir tuzak haline gelebilir. Bir aylık premium bütçe, birkaç çok verimli günde yok olabilir.
Ben de yoğun inceleme içeren bir senaryoda tam olarak bu hata modunu test ettim.
Bir proje kabaca 500 bin yeni kod satırı aldı. İnceleme sistemimiz, kopyalar ve yanlış pozitifler dahil olmak üzere bu fark üzerinde yaklaşık 1.500 sorun işaretledi. Cursor CLI'ya bunları halletmesi talimatı verildi. Ham token hacimleri çok büyüktü. Çıktı faydalıydı. Ancak benim kullanım senaryom için ekonomik açıdan yanlıştı. Yoğun inceleme ve düzeltme çalışmaları bir aylık ödeneği bir haftada tüketebildiğinde, araç hâlâ iyi olabilir, ancak abonelik mantıklı olmaktan çıkar.
Bu gerilim artık her yerde.
Claude hâlâ en çok çalışmaktan keyif aldığım sistem. Ancak aynı zamanda maliyet konusunda en çok bilinçlendiren sistem. Codex, özellikle daha geniş GPT‑5.6 ekosisteminde, eleştirmenlerinin kabul ettiğinden çok daha fazla iş hacmi taşıyabiliyor. Grok 4.5 bir şaka değil; halka açık fiyatlandırması ve konumlandırması onu meşru bir rakip haline getiriyor. Anthropic'in kendi fiyatlandırması, Fable ve Opus arasındaki takası, neredeyse sizin için başyazıyı yazacak kadar açık hale getiriyor: uç yetenek orada, ama fatura da öyle.
Ve sonra en zor sorun var, hiçbir lansman etkinliğinin gerçekten çözemediği sorun.
Kullandığım neredeyse her öncü kodlama modelinde, yetersiz güç ile aşırı mühendislik arasında hâlâ sinir bozucu bir boşluk var.
Seçenek çoğu zaman ya yeterince derin düşünmeyen bir model ile eldeki görev için çok fazla düşünen bir model arasında oluyor. Anthropic'in Fable 5 için kendi rehberi bunu etkili bir şekilde kabul ediyor. Daha yüksek çabanın aşırı planlama yapabileceğini, rutin işlerin daha düşük çabadan faydalanabileceğini ve kısa talimatların genellikle şişirilmiş iskelelerden daha iyi performans gösterdiğini söylüyor. OpenAI, GPT‑5.6 rehberinde benzer bir şey söylüyor: önceki modellerden geçiş yaparken, aynı akıl yürütme seviyesiyle başlayın ve ardından bir seviye aşağısını test edin, çünkü daha yeni modeller genellikle daha az token ile kaliteyi koruyabilir veya iyileştirebilir. Bu, birçoğumuzun deneysel olarak keşfettiği şeyi söylemenin teknik bir yolu: çaba çarkını aşırı döndürmek hâlâ çok kolay.
Belki bunun bir kısmı hâlâ bizde.
Belki talimat dosyaları çok uzun. Belki iskelelerin bir kısmı artık modellere yardım etmek yerine onlarla savaşıyor. Bu teori en azından Anthropic'in kendi bağlam mühendisliği rehberiyle tutarlıdır; bu rehber, bağlamın bilgilendirici ancak sıkı olması gerektiğini söyler. Modellere yüklediğimiz aşırı karmaşıklıkların bir kısmının, aşırı büyümüş istem altyapısı tarafından güçlendirilmesi gerçek bir olasılık.
Ancak bunu hesaba kattıktan sonra bile, daha geniş sonuç değişmiyor.
Modeller eskisinden daha az bariz hata yapıyor. Ancak hâlâ yaptıkları hatalar, tam da fark edilmeleri daha zor olduğu için genellikle daha tehlikeli. Aksi takdirde cilalı, kasıtlı ve profesyonel görünen kodların içinde saklanıyorlar. Uygulama uzaktan ne kadar iyi görünürse, o kadar şüpheci olmayı öğrendim.
Bu yüzden mevcut yapay zeka kodlama zafer sarhoşluğu dalgasına karşı şüpheci olmaya devam ediyorum.
Abartının nereden geldiğini anlıyorum. Bu sistemlerin içinde her gün yaşamadıysanız, sadece üretim hızı bile mucizevi gelebilir. Ve bir kısmı gerçekten de öyle. Ancak günlük, uygulamalı kullanım diğer tarafı da ortaya çıkarıyor: faturalandırma belirsizliği, orkestrasyon hataları, uzun oturum kırılganlığı, sığ basitleştirme veya ayrıntılı aşırı tasarıma eğilim ve insan paketleme, inceleme ve muhakeme ihtiyacının devam etmesi.
Hâlâ ideal bir LLM kodlama dünyasından çok uzağız.
Abartı tamamen yanlış değil. Ancak operasyonel gerçeklikten hâlâ çok daha az dürüst.
