Pek çok kişi yapay zekanın yazılım geliştirmeyi çok daha ucuz hale getireceğini söylüyor. Modellerin mühendislerin yerini alacağını, görevleri dakikalar içinde bitireceğini hayal ediyorlar. Bu hikaye cazip, ancak tamamen doğru değil. Yazılım geliştirmenin ekonomisi yok olmadı, sadece şekil değiştirdi. İlk kodlama asistanı piyasaya sürüldüğünde teknik borç buhar olup uçmadı. Sadece onu finanse etmenin yeni bir yolunu bulduk.

Eski Fatura: Çalışan Sayısı

Onlarca yıl boyunca teknik borç, tanıdık bir kısır döngü yarattı. Kod tabanı kırılganlaşmaya başlardı. Bir zamanlar günler süren özelliklerin geliştirilmesi haftalar almaya başlardı. Teslim tarihleri aksadıkça yönetim daha fazla personel alımı için onay çıkarırdı. Daha büyük ekipler işleri daha da yavaşlatırdı. Koordinasyon yükü şişer, stand-up toplantıları çoğalır ve Conway Yasası devreye girerdi: Yazılım, onu inşa eden insanların iletişim kopukluklarını yansıtmaya başlardı. Daha fazla hata sızardı. Her yama, yeni karmaşıklık katmanları eklerdi. Şirketler bu çürümeyi bildikleri tek para birimiyle, yani insan maaşlarıyla öderdi. Maliyet barizdi. Her üç aylık bütçe incelemesinde karşınıza çıkardı.

Yeni Fatura: Tokenlar ve Bağlam

Üretken yapay zeka bu döngüyü kırmadı. Sadece alternatif bir ödeme planı sundu. Bir şirket, sürtünmeyi aşmak için beş mühendis işe almak yerine, artık daha fazla işlem gücü için kredi kartını çekiyor. Belirtiler farklı görünüyor ama altta yatan hastalık aynı.

Bir model hata vermeye başladığında —dahili API'ları uydurduğunda, kritik uç durumları kaçırdığında veya yanlış nedenlerle geçen testler ürettiğinde— refleks nadiren refactoring yapmak olur. Refleks, çıkarım (inference) için para harcamaktır. Ekipler bağlam penceresi (context-window) yükseltmeleri satın alır, çoklu ajanlı yeniden deneme döngüleri kurar, iş yüklerini daha büyük öncü modellere taşır veya fark (diff) kabul edilebilir görünene kadar "yeniden oluştur" butonuna basıp durur. Bu taktikler bir veya iki sprint boyunca görünürdeki hızı korur. Jira panosu yeşil kalır. Bu sırada asıl mimari dokunulmadan kalır: aynı karmaşık bağımlılıklar, aynı değiştirilebilir küresel durum, mevcut kadrodaki hiç kimsenin tam olarak anlamadığı aynı monolitik yapı.

Kirli Kod Neden Token Maliyeti Yaratır

Büyük dil modelleri en iyi temiz soyutlamalar üzerinde muhakeme yapar. Ancak çoğu kurumsal depo, adeta birer arkeolojik alan gibidir. Döngüsel paket bağımlılıkları, başlatma betiklerine gömülmüş gizli yan etkiler ve veritabanı tetikleyicileri, ara katmanlar ve ön uç bileşenleri arasına yayılmış iş mantıkları içerirler. Bu ortamda model, enerjisini yeni mantık yazmaya harcamaz. Tokenlarını anlamaya harcar.

128.000 tokenlık bir bağlam penceresinin önemli bir kısmı, sadece sistemin yapısını bellekte tutmak için tüketilebilir. Geriye kalan küçük kısım ise asıl problem çözmeye ayrılan kısımdır. Bu, bir yapı mühendisine yeni bir kat tasarlamasını söylerken, her hesaplamadan önce mevcut binanın planlarını hafızasından yeniden çizmeye zorlamak gibidir. Sonuç yüzeysel çözümlerdir. Model, gördüğü karmaşayı yansıtır; çünkü önce odayı temizleyecek yetkiye veya mimari bağlama sahip değildir.

Daha Hızlı Çıktı, Daha Yavaş Teslimat

Ham üretim hızı, teslimat hızına dönüşmez. Eğer mimariniz modülerlikten yoksunsa, yapay zeka tarafından üretilen her değişiklik kapsamlı bir insan incelemesi ve regresyon testi gerektirir. Bir model bir öğleden sonra on tane pull request üretebilir, ancak bu pull request'lerin hala entegrasyon ortamlarından, güvenlik tarayıcılarından, uyumluluk listelerinden ve canary sürümlerinden geçmesi gerekir. Net modül sınırları olmadan, yapay zeka makine hızında hatalar getirir. Paylaşılan bir yardımcı aracı değiştirebilir, üç uzak çağrı noktasını ince farklarla yanlış varsayımlarla güncelleyebilir ve insanların ancak gece saat 3'teki bir çağrıda fark edebileceği yarış durumlarına (race conditions) neden olabilir. Darboğaz klavyeden doğrulama hattına kayar ve bu hat, değişim hacmindeki on katlık artışı yönetecek şekilde tasarlanmamıştır.

Gizli Tavan

Yapay zeka öncesi dönemde, sert sınır işe alım bütçenizdi. Bu, en azından bir hesap tablosunda okunması kolay bir şeydi. Şimdi ise kısıtlama, çoğu finans ekibinin zar zor takip ettiği kalemlerin içine gömülmüş durumda: çıkarım maliyetleri, embedding depolama, bağlam penceresi genişletmeleri ve CI çalıştırıcılarını boğan otomatik test tıkanıklığı. Verimlilik panoları yeşil yanarken, her yeni özelliğin gerçek maliyeti sessizce katlanarak artar.

Architectural entropy is the real villain here. LLMs scale code production beautifully, but they do not reduce complexity. They do not untangle microservices, eliminate dead code, or collapse inheritance hierarchies. Once a system crosses the threshold where humans struggle to reason about it, AI struggles too. At that inflection point, costs curve upward whether you