Yapay Zeka Yazılımcıların Yerini Alacak mı? Veriler ve Karar Rehberi

Bu soruyu soruyorsan büyük ihtimalle bir karar eşiğindesin. Belki bilgisayar mühendisliği tercih listende üst sıralarda, belki bölümün ikinci yılındasın, belki de birkaç yıldır kod yazıyorsun ve her yeni model duyurusunda içinde bir şey kıpırdıyor. Sosyal medyada bir gün "yazılımcılık bitti" yazıyor, ertesi gün "hiç bu kadar yazılımcıya ihtiyaç olmamıştı" yazıyor. İkisi de seni karar vermeye yaklaştırmıyor.

Kısa cevabım şu. Ekim 2026 itibarıyla eldeki veriler, yapay zekanın yazılımcıları toplu olarak ortadan kaldırdığını göstermiyor. Ama mesleğin içeriğini hızla değiştirdiğini ve en çok giriş seviyesindeki işleri sıkıştırdığını gösteriyor. Yani tehlike "meslek yok oluyor" değil. Tehlike, mesleğin kapısının daralması ve kapıdan girmek için gereken becerinin değişmesi.

Bu yazıda kodlama ajanlarının bugün gerçekten neyi yapabildiğini, verimlilik araştırmalarının ne dediğini, iş piyasası verisini ve bunların senin kararın için ne anlama geldiğini kaynaklarıyla anlatacağım. Genel olarak "yapay zeka işimi alacak mı" sorusunu ayrı bir yazıda ele aldım. Burada yalnızca yazılım mesleğine odaklanıyorum.

Yapay zeka yazılımcıların yerini alacak mı, kısaca?

Yakın vadede yazılımcının tamamen yerini alması beklenmiyor, ama yazılımcının yaptığı işin bir kısmını şimdiden devralıyor. Bu ikisi arasındaki farkı iyi görmek gerekiyor.

ABD Çalışma İstatistikleri Bürosu (BLS), yazılım geliştirici istihdamının 2025 ile 2035 arasında yüzde 10 artmasını öngörüyor. Aynı kurum, yalnızca kod yazmaya odaklanan "bilgisayar programcısı" kategorisinde ise yüzde 7 düşüş bekliyor ve gerekçe olarak tekrarlayan programlama görevlerinin yapay zeka dahil teknolojilerle otomatikleşmesini gösteriyor. Bu iki rakam yan yana konduğunda tablo netleşiyor. Problemi anlayan, sistemi tasarlayan ve sonucun sorumluluğunu alan rol büyümeye devam ediyor. Talimatı koda çeviren rol küçülüyor.

Öte yandan Stanford Digital Economy Lab'in çalışması, 22 ile 25 yaş arası genç yazılımcıların istihdamında belirgin bir düşüş buluyor. Yani mesleğin geneli ayakta, ama mesleğe girişin yolu zorlaşıyor. Aşağıda bu verilerin her birini açıyorum.

Kodlama ajanları bugün neyi yapabiliyor?

Kodlama ajanı, sadece kod önermekle kalmayan, dosyaları okuyup değişiklik yapan, testleri çalıştıran ve hata çıkınca düzeltmeyi deneyen bir yapay zeka sistemi. Ajanların genel olarak nasıl çalıştığını yapay zeka ajanı nedir yazısında anlattım.

Bu ajanların ne kadar iyi olduğunu ölçmek için en çok anılan ölçüt SWE-bench Verified. OpenAI'ın Ağustos 2024'te tanıttığı bu set, gerçek açık kaynak projelerden alınmış 500 hata ve geliştirme görevinden oluşuyor. Görevler 93 deneyimli Python geliştiricisi tarafından tek tek elden geçirildi. Tanıtıldığı gün GPT-4o bu setteki görevlerin yüzde 33,2'sini çözebiliyordu.

Sonraki hızlanma çarpıcı. OpenAI'ın Şubat 2026 tarihli değerlendirmesine göre en iyi skorlar yalnızca altı ayda yüzde 74,9'dan yüzde 80,9'a çıktı. Yani iki yıldan kısa sürede, iyi tanımlanmış bir hatayı bulup düzeltme işinde modeller kabaca üç görevden birinden beş görevden dördüne geldi.

Bağımsız araştırma kuruluşu METR ise farklı bir soru soruyor. Bir yapay zeka ajanı, bir insan uzmanın kaç saatte bitirdiği görevi yüzde 50 başarıyla tamamlayabiliyor? METR'in Mart 2025 çalışmasına göre bu görev uzunluğu son altı yılda yaklaşık her 7 ayda bir ikiye katlandı. O tarihte en iyi model, insanın yaklaşık bir saatte yaptığı görevlerde yüzde 50 başarıya ulaşıyordu.

Bu tablonun bugün kodlama ajanlarının iyi olduğu işler hakkında söylediği şu.

• Tanımı net olan hata düzeltmeleri ve küçük özellik eklemeleri
• Tekrarlayan, kalıbı belli kod yazımı (form, veri dönüştürme, test iskeleti gibi)
• Var olan bir kod tabanını okuyup açıklama ve belgelendirme
• Bir dilden diğerine çeviri ve eski kodun güncellenmesi

Bu ölçütler neyi ölçmüyor?

Yapay zeka eğitim ve değerlendirme işi yaptığım için bir modelin ölçüt puanı ile gerçek işteki karşılığı arasındaki mesafeye özellikle dikkat ediyorum. SWE-bench örneği bu mesafeyi çok iyi gösteriyor.

OpenAI, Şubat 2026'da SWE-bench Verified puanlarını raporlamayı bıraktığını açıkladı ve diğer geliştiricilere de aynısını önerdi. Gerekçeler önemli. İncelenen 138 problemin yüzde 59,4'ünde test tasarımında ya da problem tanımında ciddi sorunlar bulundu. Daha da önemlisi, öncü modellerin bu görevleri eğitim sırasında görmüş olduğuna dair kanıtlar çıktı. Bazı modeller çok kısa bir ipucuyla bile çözümü sınıf ve metot adlarına kadar birebir üretebiliyordu. OpenAI'a göre son dönemdeki puan artışının önemli bir kısmı yetenekten çok bu sızıntıyı yansıtıyor.

Yerine önerilen daha zor ölçüt SWE-bench Pro. Scale AI'ın yürüttüğü bu ölçütte 41 depodan 1.865 görev var ve bir kısmı şirketlerin kapalı kod tabanlarından geliyor. Ekim 2026 başı itibarıyla herkese açık liderlik tablosunda en yüksek puan yüzde 61,5 civarında. Yani aynı modeller, daha gerçekçi ve daha karışık görevlerde belirgin biçimde daha düşük sonuç veriyor.

Ölçütlerin yapısal olarak ölçemediği şeyler de var.

• Görevi kim tanımladı? Ölçütteki her görev hazır bir hata kaydıyla geliyor. Gerçek işte asıl zorluk çoğu zaman neyin yapılması gerektiğini bulmak.
• Testi kim yazdı? Ölçütte doğruluğu önceden yazılmış testler belirliyor. Gerçek projede çoğu zaman o test yok, onu da sen yazıyorsun.
• Kod güvenli mi? Veracode'un Mart 2026 güncellemesine göre 150'den fazla modelin ürettiği kod örneklerinin yalnızca yüzde 55'i güvenlik testlerini geçti. Söz dizimi doğruluğu yüzde 95'in üzerindeydi. Yani modeller derlenen kod yazmakta çok iyi, güvenli kod yazmakta ise 2025'ten bu yana belirgin bir ilerleme yok.
• Uzun vadede ne olacak? Bir kodun altı ay sonra bakımı, ekipteki diğer sistemlerle uyumu ve iş kurallarına uygunluğu hiçbir ölçütte puanlanmıyor.

METR de kendi çalışmasında, "karışık" ve az tanımlı görevlerde başarının düştüğünü ve yüzde 80 güvenilirlik istendiğinde ajanın üstesinden gelebildiği görev uzunluğunun kısaldığını not ediyor.

Yapay zeka yazılımcıyı gerçekten hızlandırıyor mu?

Burada araştırmalar birbirini tutmuyor ve bu çelişki çok öğretici.

1. GitHub Copilot kontrollü deneyi (2023): Geliştiricilerden JavaScript ile bir HTTP sunucusu yazmaları istendi. Yapay zeka asistanı kullanan grup görevi kontrol grubundan yüzde 55,8 daha hızlı bitirdi.
2. Google randomize çalışması (2024): 96 tam zamanlı Google yazılım mühendisiyle yapılan deneyde, yapay zeka desteği görev süresini yaklaşık yüzde 21 kısalttı. Yazarlar güven aralığının geniş olduğunu da belirtiyor.
3. METR deneyimli geliştirici çalışması (Temmuz 2025): Büyük açık kaynak projelerde çalışan 16 deneyimli geliştirici, 246 gerçek görev üzerinde çalıştı. Yapay zeka araçlarına izin verildiğinde görevleri yüzde 19 daha yavaş bitirdiler. Çarpıcı olan, geliştiricilerin başta yüzde 24 hızlanma beklemesi ve deney bittiğinde bile yüzde 20 hızlandıklarına inanmaya devam etmesi.

Bu üç sonuç nasıl bir araya geliyor? Ayrım görevin türünde. Küçük, kendi içinde kapalı ve tanımı net bir görevde yapay zeka belirgin hız kazandırıyor. Kendi yıllarca bildiğin, büyük ve karmaşık bir kod tabanında ise modelin ürettiğini okumak, anlamak ve düzeltmek, kazanılan zamanı yiyebiliyor. METR'in yazarları da bulgularının tüm yazılım işini temsil ettiğini iddia etmiyor ve araçlara uzun süre alışmanın sonucu değiştirebileceğini not ediyor.

Geliştiricilerin kendi gözlemi de aynı ikiliği gösteriyor. Stack Overflow 2025 Geliştirici Anketi'nde katılımcıların yüzde 84'ü yapay zeka araçlarını kullanıyor ya da kullanmayı planlıyor. Ama yapay zekanın doğruluğuna güvenmeyenlerin oranı (yüzde 45,7) güvenenlerden (yüzde 32,7) yüksek. En büyük şikayet ise yüzde 66 ile "neredeyse doğru ama tam değil" çözümler. Google'ın DORA 2025 raporunda da yazılım profesyonellerinin yüzde 90'ı yapay zeka kullanıyor, yüzde 80'den fazlası verimliliğinin arttığını söylüyor, ama yalnızca yüzde 24'ü yapay zekaya ciddi düzeyde güvendiğini söylüyor.

"Neredeyse doğru" kodun bedelini ödeyen hep aynı kişi. Kodu kontrol eden, hatayı fark eden ve sorumluluğu alan insan. Ben buna denetim birikmesi diyorum. Yapay zeka, insanın inceleyip onaylayabileceğinden hızlı ürettiğinde, denetlenecek iş birikir. Yazılımda bu birikim, gözden kaçan güvenlik açığı ve teknik borç olarak geri döner.

İş piyasası ne diyor, yazılımcı işleri azalıyor mu?

Toplam tabloda yazılımcıya talep sürüyor. BLS verisine göre ABD'de 2025'te yaklaşık 1,72 milyon yazılım geliştirici çalışıyor ve 2035'e kadar 174.700 kişilik artış bekleniyor. BLS, bu talebin bir kaynağı olarak yapay zeka, nesnelerin interneti ve robotik için yazılım geliştirmenin genişlemesini gösteriyor. Dünya Ekonomik Forumu'nun Future of Jobs 2025 raporu da "yazılım ve uygulama geliştiricileri" mesleğini yüzde olarak en hızlı büyüyen işler arasında sayıyor.

Ama ortalama, gençlerin yaşadığını saklıyor. Erik Brynjolfsson ve ekibinin ABD'deki milyonlarca çalışanın bordro verisine dayanan "Canaries in the Coal Mine" çalışması, Kasım 2025 sürümünde şu bulguyu raporluyor. Eylül 2025 itibarıyla 22 ile 25 yaş arası yazılım geliştiricilerin istihdamı, 2022 sonundaki zirvesine göre yüzde 20'ye yakın düştü. Aynı mesleklerdeki daha deneyimli çalışanların istihdamı ise sabit kaldı ya da arttı.

Çalışmanın Ağustos 2026'da güncellenen sürümü, Haziran 2026'ya kadarki veriyle tabloyu genişletiyor. Yapay zekaya en açık mesleklerdeki 22 ile 25 yaş arası çalışanların istihdamı, daha az açık mesleklerdeki yaşıtlarıyla aynı hızda gitseydi olacağı yerin yüzde 19 altında. Deneyimli çalışanlarda benzer bir fark görülmüyor.

Bu bulguyu dürüst okumak için yazarların kendi uyarılarını da bilmen gerekiyor. Yazarlar sonuçlarını nedensellik kanıtı olarak değil, "erken uyarı işareti" olarak yorumluyor. Etkinin eğitim düzeyi kontrol edildiğinde zayıfladığını, bazı eğilimlerin üretken yapay zekadan önce başladığını ve ekonomi genelinde yaygın bir iş kaybına rastlamadıklarını açıkça yazıyorlar. Yani yapay zeka bu düşüşün tek sebebi olmayabilir, ama genç yazılımcılarda görülen ayrışma ciddiye alınacak kadar belirgin.

Bu veriler ağırlıklı olarak ABD'den geliyor. Türkiye için aynı ayrıntıda, yaşa ve mesleğe göre ayrılmış güncel bir veri setine ulaşamadım. Türkiye'deki şirketlerin aynı araçları kullandığını düşünürsek benzer bir baskının burada da hissedilmesi şaşırtıcı olmaz, ama bunu rakamla söyleyemem.

Neden en çok giriş seviyesindeki işler baskı altında?

Bunun mantığı aslında basit. Yeni mezun bir yazılımcıya geleneksel olarak verilen işler, yapay zekanın en iyi yaptığı işlerle büyük ölçüde örtüşüyor. Tanımı net küçük hatalar, basit ekranlar, test yazımı, belgelendirme. Kıdemli birinin değeri ise çoğu zaman kod satırında değil, hangi kodun hiç yazılmaması gerektiğini bilmesinde.

Anthropic'in Nisan 2025'te 500.000 kodlama etkileşimini incelediği analiz bu ayrımı destekliyor. Kodlama ajanı Claude Code'daki konuşmaların yüzde 79'u "otomasyon" olarak sınıflandı. Yani insan işi yapay zekaya devretmiş, sonucu bekliyor. Sohbet arayüzü Claude.ai'da bu oran yüzde 49'du. Canaries çalışması da istihdam düşüşlerinin yapay zekanın insanı tamamlamaktan çok ikame ettiği mesleklerde yoğunlaştığını söylüyor.

Burada gözden kaçan bir sorun var. Kıdemli yazılımcı, yıllarca o "sıkıcı" giriş işlerini yaparak kıdemli oldu. Şirketler bu basamağı yapay zekayla atlarsa, beş yıl sonra kıdemli yazılımcıyı nereden bulacakları sorusu açıkta kalıyor. Bu, gençler için hem bir risk hem de bir fırsat. Risk, kapının daralması. Fırsat, yapay zekayla çalışmayı erken öğrenen gencin bu boşluğu daha hızlı doldurabilmesi.

Yazılımcının beceri seti nasıl değişiyor?

Yapay zeka kod yazmanın maliyetini düşürdükçe, kodun etrafındaki işler daha değerli hale geliyor. Bugün öne çıkan beceriler şunlar.

• Gereksinim analizi: Müşterinin ya da ekibin gerçekte ne istediğini bulmak. Belirsiz bir talebi, makinenin anlayabileceği açık bir tanıma çevirmek.
• Sistem tasarımı: Parçaların nasıl bir araya geleceğine, verinin nerede duracağına, sistemin yük altında nasıl davranacağına karar vermek. Model bir fonksiyonu yazabilir, ama mimarinin bedelini o ödemez.
• Doğrulama ve test: "Neredeyse doğru" kodu yakalamak. İyi test yazmak, kod incelemesi yapmak, bir çıktının neden yanlış olduğunu açıklayabilmek.
• Güvenlik: Yukarıdaki Veracode verisi tek başına yeterli bir gerekçe. Üretilen her kodun güvenlik açısından okunması gerekiyor ve bu iş giderek büyüyor.
• Alan bilgisi: Bankacılık, sağlık, lojistik ya da enerji gibi bir alanın kurallarını bilen yazılımcı, modelin bilmediği bağlamı masaya getirir.
• Yapay zekayla çalışma becerisi: Doğru görevi doğru araca vermek, çıktıyı sorgulamak, ne zaman kendin yazman gerektiğini bilmek.

Bu son beceri, insan farkı dediğim beceri makasının yazılımdaki karşılığı. Aynı araca erişimi olan iki yazılımcı arasındaki fark, aracın kendisinden değil, onu kullananın yetkinliğinden doğuyor. Bunun da ötesinde, yazılımda her zaman bir karar anı var. Hangi kodun kabul edileceğine, hangisinin reddedileceğine ve sistemin nereye varacağına karar veren hâlâ insan. Bu fikri karar veren insan kavramıyla anlatıyorum ve bence yazılım, bu kavramın en somut görüldüğü mesleklerden biri.

Yazılım öğrenmeye hâlâ değer mi?

Bence değer, ama bundan beş yıl öncekiyle aynı gerekçe ve aynı yöntemle değil. Kararını vermek için kendine şu soruları sor.

1. Seni çeken kod mu, problem çözmek mi? Yalnızca söz dizimi öğrenip talimatı koda çevirmek istiyorsan, bu tam olarak küçülen kısım. Bir sistemin neden çalışmadığını bulmaktan keyif alıyorsan, büyüyen kısma bakıyorsun.
2. Temelleri öğrenmeye hazır mısın? Veri yapıları, algoritmalar, işletim sistemleri, ağlar ve veritabanları. Yapay zekanın ürettiği kodu denetleyebilmek için onun yazdığından daha derin anlaman gerekiyor.
3. Bir alana derinleşebilir misin? Yazılımı tek başına değil, bir sektörün bilgisiyle birleştirmek seni daha az ikame edilebilir kılar.
4. Giriş döneminin zorluğunu kaldırabilir misin? İlk işi bulmak geçmişe göre daha uzun sürebilir. Staj, açık kaynak katkısı ve gerçek kullanıcısı olan küçük projeler bu dönemi kısaltır.
5. Sürekli öğrenmeyi kabul ediyor musun? Dünya Ekonomik Forumu, çalışanların mevcut becerilerinin yüzde 39'unun 2030'a kadar dönüşeceğini ya da eskiyeceğini öngörüyor.

Bu sorulara çoğunlukla "evet" diyorsan, yazılım hâlâ güçlü bir seçim. Çoğunlukla "hayır" diyorsan, bu yazılımın kötü bir alan olduğunu değil, belki de senin için en iyi yol olmadığını gösterir. Hangi mesleklerin yapay zekaya daha dayanıklı olduğuna genel olarak bakmak istersen yapay zekanın yok edemeyeceği meslekler yazısındaki çerçeve işine yarar.

Şimdi ne yapmalısın?

Durumuna göre ilk adımlar farklı.

Bölüm seçecek ya da yeni başlayan bir öğrenciysen:

1. Temelleri yapay zekasız öğren. İlk aylarda kodu kendin yaz, hatayı kendin bul. Yardım almadan bir şeyi çözememek, öğrenmenin bir parçası.
2. Sonra yapay zekayı bir öğretmen gibi kullan. Kodunu açıklatmak, alternatif çözümleri karşılaştırmak için. Ödevi ona yaptırmak, ileride denetleyemeyeceğin bir boşluk bırakır.
3. Bir alan seç ve o alanda gerçek bir problemi çözen küçük bir proje yap.

Giriş seviyesinde iş arıyorsan ya da yeni başladıysan:

1. Kod incelemesi, test yazımı ve güvenlik konusunda kendini görünür biçimde geliştir. Bunlar tam olarak yapay zeka çağında artan işler.
2. Yapay zeka araçlarını iş akışına kat ve hangi işte hızlandırdığını, hangi işte yavaşlattığını not et. METR'in bulgusu, hissettiğin hız ile gerçek hızın farklı olabileceğini gösteriyor.
3. Sistem tasarımı öğrenmeye kıdemli olmayı beklemeden başla.

Deneyimli bir yazılımcıysan:

1. Kodlama ajanlarını kontrollü bir ortamda gerçek işlerinde dene ve ekibin için hangi görevlerde güvenilir olduklarını belirle.
2. Ekibindeki gençlerin öğrenme basamağını koru. Onlara yalnızca yapay zekanın yapamadığı işleri değil, yapay zekanın çıktısını denetlemeyi de öğret.
3. Alan bilgini ve mimari kararlarını belgelendir. Değerin giderek orada toplanıyor.

Yapay zekayı nereden öğrenmeye başlayacağını bilmiyorsan yapay zeka öğrenmeye nereden başlamalı yazısı iyi bir başlangıç. Tüm mesleklere dair genel tabloyu ise yapay zeka işini alacak mı yazısında, geleceğe dair geniş çerçeveyi de Yapay Zeka ve Gelecek sayfasında bulabilirsin.

Son söz

Yapay zeka yazılımcıların yerini toptan almıyor. Ama "kod yazan kişi" ile "yazılımdan sorumlu kişi" arasındaki farkı her zamankinden görünür kılıyor. İlki giderek makineyle paylaşılan bir iş. İkincisi, yani problemi tanımlayan, sistemi tasarlayan, sonucu doğrulayan ve sorumluluğu alan rol, hâlâ insanın elinde. Kararını bu ayrıma göre verirsen, hangi manşet çıkarsa çıksın neyi öğrenmen gerektiğini bilirsin.

Kaynaklar

• U.S. Bureau of Labor Statistics, Software Developers, Quality Assurance Analysts, and Testers (Occupational Outlook Handbook)
• U.S. Bureau of Labor Statistics, Computer Programmers (Occupational Outlook Handbook)
• Brynjolfsson, Chandar, Chen, Canaries in the Coal Mine? Kasım 2025 sürümü (Stanford Digital Economy Lab)
• Canaries in the Coal Mine? Ağustos 2026 güncellemesi (Stanford Digital Economy Lab)
• OpenAI, Introducing SWE-bench Verified (Ağustos 2024)
• OpenAI, Why SWE-bench Verified no longer measures frontier coding capabilities (Şubat 2026)
• Scale AI, SWE-Bench Pro liderlik tablosu
• METR, Measuring AI Ability to Complete Long Tasks (Mart 2025)
• METR, Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity (Temmuz 2025)
• Peng ve diğerleri, The Impact of AI on Developer Productivity: Evidence from GitHub Copilot (2023)
• Paradis ve diğerleri, How much does AI impact development speed? An enterprise-based randomized controlled trial (Google, 2024)
• Stack Overflow Developer Survey 2025, AI bölümü
• Google, DORA 2025 State of AI-assisted Software Development raporu duyurusu
• Veracode, Spring 2026 GenAI Code Security Update
• Anthropic Economic Index, AI's impact on software development (Nisan 2025)
• World Economic Forum, The Future of Jobs Report 2025

Yazar

Cem Ünsal

Dijital Girişimci · Yazar · Antrenör

Yapay zekâ ve kişisel güvenlik üzerine yazıyor. Şirketlerin yapay zekâ dönüşümünde karar vericilere yön veriyor.

Hakkımda