Yapay zekâ kodu hızla yazabilir; doğru işi seçmek, sonucu sınamak ve sorumluluğunu üstlenmek hâlâ mühendise düşüyor.

YKS sonuçlarının açıklandığı, üniversite tercihlerinin başladığı şu günlerde sorular gelmeye başladı bile: “Hocam, bilgisayar mühendisliği hâlâ okunur mu? Yazılıma Python’la mı başlayayım, yoksa doğrudan bir kodlama ajanıyla mı?” Yeni mezunların ve iş arayanların derdi daha büyük: “Bu araçlar kod yazıyorsa bize ne olacak?”

Bizim eskilerin güzel bir sözü var: “Alet işler, el övünür.” Bugünün marifetli aleti, isteğinizi anlayıp kod yazabilen yapay zekâ ajanları. Birkaç cümle söylüyorsunuz; kısa sürede önünüze çalışan bir program koyuyor. İyi hoş da hangi işi yapacağınız, ortaya çıkan şeyin doğru olup olmadığı ve ne zaman “tamam” diyeceğiniz hâlâ size bakıyor. Alet hızlandı; insanın kodla kurduğu bağ da bu yüzden değişiyor.

Stanford Üniversitesi’nde ders veren, Coursera’nın kurucularından Andrew Ng, bu değişimi anlatmak için bir yapay zekâ mühendisliği becerileri haritası hazırlamış. Haritada dört iş öne çıkıyor: Yapay zekâlı bir uygulamayı kurup kullanıma açmak, yazılımın temelini bilmek, kodlama ajanını doğru kullanmak ve daha en başta ne yapılacağına karar vermek. Ng ve ekibi bu dört başlığı belirlerken on binden fazla iş ilanına, uzman görüşmelerine ve anketlere bakmış.

Bir ajana “Hızlı, güvenli, ucuz olsun” demek kolay. Bu üçünün aynı anda nerede çatışacağını bilmek ise tecrübe istiyor. Veritabanını, güvenliği, test etmeyi bilen biri, ajanın yazdığı koda nerede itiraz edeceğini de bilir. Temel bilgi el frenine benzemez; hız kesmez. Virajı görmenizi sağlar. Yoksa daha hızlı gitmenin tek faydası, yanlış sokağa daha erken varmak olabilir.

Yapay zekâyla yazılan programlarda kontrol daha da önemli. Bu sistemler aynı soruya her zaman aynı cevabı vermeyebilir. Bir örnekte çalışan şey, başka bir örnekte tökezleyebilir. Yazılımcıların soru sorup birbirine yol gösterdiği büyük bir internet topluluğu olan Stack Overflow’un 2025 anketine yaklaşık 50 bin geliştirici katılmış. Yapay zekâ araçlarının doğruluğuna güven yaklaşık yüzde 30’da kalmış. Katılımcıların üçte ikisine yakını, “neredeyse doğru” kodu düzeltirken daha çok zaman harcadığını söylüyor. Mesele yalnızca kodu çabuk yazdırmak değil; yanlışı çabuk yakalamak.

Öğrenirken işi bütünüyle araca bırakmanın da bir bedeli var. Claude adlı yapay zekâ asistanını geliştiren Anthropic şirketi, birçoğu kariyerinin başında olan yaklaşık 50 yazılımcıyla küçük bir deney yapmış. Yeni bir Python kütüphanesini yapay zekâ yardımıyla kullananların sınav notu, elle çalışan gruptan yaklaşık 20 puan düşük çıkmış. Bu, küçük ve tek konulu bir deney; herkese uyarlanamaz tabiki. Yine de hoş bir ayrıntı var: Yapay zekâya “Bunu neden böyle yaptın?” diye soranlar, yalnızca hazır kod isteyenlerden daha iyi öğrenmişler.

Kodlama ajanını doğru kullanmak, yalnızca iyi komut yazmakla ilgili değil. Geliştiricilerin kendi aralarındaki sohbetlerde şöyle bir yol tarifi dolaşıyor: Sohbetten doğrudan koda değil; önce açık bir görev tarifine, oradan koda. Niyet, sınırlar ve başarı ölçüsü belli olmalı. Kullanıcı ne istiyor? Hangi hata kabul edilemez? Sonucu neyle sınayacağız? Haritadaki dördüncü başlık, yani yapılacak işi şekillendirmek, işte bu sorularla başlıyor.

Bugün o öğrencilere verilecek cevap şöyle olabilir: Python’u öğren, ajanı da yanına al. Fakat birinin diğerini gereksiz kıldığını sanma. Kod yazmak artık daha kolay olabilir; neyin yazılmaya değer olduğunu bulmak hâlâ kolay değil. Alet işler. Hangi işin yapılacağına, ne zaman durulacağına ve çıkan işin içimize sinip sinmediğine akıl karar verir.