Yapay zeka destekli kodlama araçları, özellikle büyük dil modelleri (LLM'ler), son yıllarda yazılım geliştirme süreçlerinde devrim yarattı. Ancak bu araçların vaat ettiği verimlilik artışının yanında, geliştiricilerin üzerinde hissettiği yeni bir yük türü de ortaya çıktı: denetim yorgunluğu. Pydantic gibi LLM destekli yazılımların güvenilirliğini artırmak için araçlar geliştiren bir şirkette çalışan mühendisler bile bu durumdan şikayetçi. Kod artık 'kendi kendine yazılıyor' gibi görünse de, insanın bu süreci yönlendirmesi, denetlemesi ve düzeltmesi gerekiyor. Bu da beklenenden daha yorucu ve tatmin edici olmaktan uzak bir deneyim sunuyor.
Geliştiricilerin LLM'lerle çalışırken yaşadığı en büyük zorluklardan biri, modelin ürettiği kodun çoğunlukla doğru olmasına rağmen bazen anlamsız hatalar yapması. Örneğin, bir React hook'u Storybook dosyasına taşımak, yanlış plandan okumak veya var olmayan bileşenler icat etmek gibi hatalar, modelin yetenek eksikliğinden değil, tutarlılık sorunundan kaynaklanıyor. Bu hataları düzeltmek için geliştiricinin zihinsel modeli sürekli olarak güncel tutması ve her satırı kontrol etmesi gerekiyor. Bu da 'denetim yorgunluğu' olarak adlandırılabilecek yeni bir tür bilişsel yük yaratıyor.
Pydantic AI çerçevesinin bakımcısı Douwe'nin deneyimi bu durumu çarpıcı bir şekilde özetliyor: Her sabah 30'dan fazla pull request ile uyanmak ve her birini anında değerlendirmek zorunda kalmak. Bu PR'lerin çoğu gece boyunca bir yapay zeka tarafından oluşturuluyor. Douwe, bu inceleme sürecini de bir LLM'ye devretme isteği duyduğunu ancak bunun 'ben burada ne yapıyorum?' sorusunu gündeme getirdiğini belirtiyor. Daha önce açık kaynak katkıları yapan gerçek insanlarla işbirliği yapmaktan aldığı dopamin artışının yerini, artık yapay zeka tarafından üretilen kodları incelemek alıyor. Bu, geliştiricilerin işlerinden aldıkları tatmini azaltan önemli bir faktör.
Simon Willison'ın paylaştığı bir Berkeley Haas çalışması, yapay zeka kullanımının işin yoğunluğunu artırdığını gösteriyor. 'Bir prompt daha, bir özellik daha' sürekli olarak geliştiricileri daha fazla çalışmaya itiyor. Bir Pydantic çalışanı, Claude Code oturumu donduğunda 'hemen beş tane daha Claude oturumu aç, fark etmezsin çünkü diğerlerine geri bildirim vermekle meşgulsün' diyerek bu durumu esprili bir dille anlatıyor. Ancak bu espri, paralel işlem yapmanın getirdiği heyecanın aslında ne kadar 'vahşi' olabileceğini gösteriyor. Başlanan iş sayısı artarken, bitirilen iş sayısı aynı kalıyor çünkü düşünceli bir şekilde tamamlama hala insan beynine ihtiyaç duyuyor.
Bu durum, makine öğrenimindeki 'ödül fonksiyonu' kavramına benzetilebilir. El ile kod yazmak, her küçük başarıda (bir problemi çözmek, karmaşık bir mantığı anlamak, kodun derlenmesini izlemek) dopamin salgılatırdı. LLM destekli programlama, bu dopamin artışlarını sağlayan işlerin çoğunu otomatikleştirdi ve yerine inceleme ve denetim yükünü getirdi. Tatmin edici kısım küçülürken, yorucu kısım büyüdü ve bu boşluğu dolduracak yeni ödüller henüz ortaya çıkmadı. Geliştiricilerin işlerini daha üretken ama daha az tatmin edici hissetmelerinin nedeni bu: geri bildirim döngüsü bozuldu.
Detaylar ve Etkileri
Peki bu durumda ne yapılabilir? Öncelikle, bu yorgunluğun farkında olmak ve bunu normalleştirmek önemli. LLM'lerin sadece bir araç olduğunu ve insanın yaratıcılığı, bağlamı anlaması ve karar verme yeteneğinin hala kritik olduğunu unutmamak gerek. Belki de çözüm, LLM'leri daha iyi eğitmekten değil, insan-makine işbirliğini daha dengeli hale getirecek yeni çalışma modelleri geliştirmekten geçiyor. Örneğin, kod inceleme süreçlerini daha verimli hale getirecek araçlar, daha iyi hata raporlama mekanizmaları veya geliştiricilere daha fazla kontrol hissi veren arayüzler. Ayrıca, takım içinde bu konuyu konuşmak, deneyimleri paylaşmak ve birbirine destek olmak da önemli. Unutmayın, yalnız değilsiniz.
Kaynak: pydantic.dev
