AI yazılım üretim maliyetini düşürürken rekabet avantajı elde etmek, çalışma modelinde değişim gerektiriyor. Yalnızca AI asistanları sunmak yerine ekiplerin çalışma biçimini yeniden tasarlayan kurumların kalıcı kazanımlar elde etme olasılığı daha yüksek.
AI odaklı mühendislik, birbirini tamamlayan iki yetkinlik gerektirir: Müşterilere ve sorunlara yakın duran uygulama ekipleri ile insanların ve AI ajanlarının büyük ölçekte güvenle çalışması için ortak bağlam, güvenlik sınırları, değerlendirme ve yönetişim sağlayan platform veya “düzenek” ekipleri.
Teknoloji liderliği, teslimat kapasitesini yönetmekten teslimat sistemini tasarlamaya kayıyor. Liderler dört kararı netleştirmeli: Uygulama ekiplerinin sorumlulukları, ortak bağlam ve kontroller, ajanların nerede insan onayına ihtiyaç duyduğu ve doğrulanmış öğrenme ile müşteri değerinin nasıl ölçüleceği.
Modern mühendislik uygulamalarının çoğu, yazılım üretmenin pahalı olduğu bir dünyada şekillendi. Temel soru şuydu: Daha fazla ekip, nasıl daha öngörülebilir biçimde daha çok yazılım sunabilir? Bu varsayım, kurumların ekip yapılarını, platform finansmanını ve teslimat ölçümlerini şekillendirdi. Ölçek büyütmek çoğunlukla çalışan eklemek demekti; başarı ise genellikle sistemden geçen iş miktarıyla ifade ediliyordu.
AI bu varsayımı değiştiriyor. Bize göre AI odaklı mühendislik, geleneksel mühendisliğin daha iyi araçlarla yapılması değildir. Farklı bir çalışma modeli gerektirir: Müşteri sorunlarına yakın duran, platform veya “düzenek” ekiplerinin desteklediği daha küçük uygulama ekipleri. “Düzenek” terimini, insanlara ve ajanlara AI'ı büyük ölçekte güvenle kullanmaları için gerekli bağlamı, araçları, izinleri, geri bildirim döngülerini ve sınırları sağlayan kontrollü çalışma ortamı için kullanıyoruz.
Bu, teknoloji ve veri liderleri için önemlidir; çünkü bireysel üretkenlik artışı tek başına kurum genelinde güvenli benimsenme sağlamaz. Bilinçli tasarlanmış bir çalışma modeli yoksa ekipler; parçalı araçlar, yinelenen kalıplar, belirsiz sorumluluklar, kontrolsüz veri ifşası ve tutarsız kalite riskiyle karşılaşır.
Kurumların kendilerine sorduğu soru, “Mühendislerin AI kullanmasına nasıl yardımcı olabiliriz?” yerine “İnsanların ve ajanların kurum ölçeğinde güvenle değer yaratabilmesi için mühendislik sistemini nasıl yeniden tasarlamalıyız?” olmalı.
AI, mühendislerin daha çok fikir keşfetmesini, daha hızlı prototip üretmesini ve daha fazla yaklaşımı test etmesini sağlar. Ancak daha fazla çıktı, kendiliğinden daha fazla değer yaratmaz. Güçlü muhakeme, ilgili bağlam ve etkili değerlendirme olmadan iş hacmi; kurumun neye güveneceğine, neyi devreye alacağına veya neyden ders çıkaracağına karar verme kapasitesinden hızlı büyüyebilir.
AI, kod üretme ve deney yapma maliyetini düşürebilir. Toplam yazılım maliyetini düşürüp düşürmeyeceği ise inceleme, entegrasyon, işletim, bakım ve yeniden çalışma için gereken emeğe bağlıdır.
Mühendislikte üstünlüğün giderek dört yetkinliğe bağlı olacağını düşünüyoruz:
Neyin, nasıl geliştirileceğine ve bu seçimlerin nasıl kaydedileceğine karar vermek.
İnsanların ve AI sistemlerinin çalışmalarını doğru kurumsal bilgiye dayandırmak.
Ortak platformlar, kontroller ve değerlendirmeyle güvenli biçimde ölçek büyütmek.
Yeni araç ve bileşenleri sürekli kesinti yaşamadan bünyesine katabilen mimariler tasarlamak.
Böylece kıt olan yetkinlik, çıktı üretmekten çıktının değerini artırmaya kayar: doğru işi seçmek, bağlama dayandırmak, işe yarayıp yaramadığını test etmek ve neyi kullanıma sunmamak gerektiğini bilmek.
Deneyler ucuzladıkça karar kayıtları da değer kazanır. Kurumlar neyin denendiğini, neyin başarısız olduğunu, ne öğrenildiğini ve bir yolun neden diğerine tercih edildiğini bilmeli.
Mühendislik sistemleri yalnızca teslimat hızına değil; hızlı doğrulamaya, güvenli yinelemeye ve belgelenmiş öğrenmeye odaklanmalı. Bu, hem mühendisin rolünü hem de çevresindeki ekibi değiştirir.
Mühendisler için bu, geliştirmeden uzaklaşmaktan çok, geliştirilenleri şekillendirmeye, değerlendirmeye ve koordine etmeye yönelmek demektir.
AI'ın ürettiği yazılım, mühendislere duyulan ihtiyacı ortadan kaldırmaz. Sistem kısıtlarını anlayan, arayüzleri tanımlayan, değerlendirmeleri tasarlayan ve insanlar ile ajanlar arasındaki işleri koordine eden kişilerin önemini artırır. Teknik derinliği muhakeme, ürün anlayışı ve değerlendirme becerileriyle birleştiren mühendisler, çoğu zaman yalnızca tekil bileşenleri geliştirmeye odaklananlardan daha çok değer yaratır.
Eskiden ürün ekipleri neyin geliştirileceğine karar verir, mühendislik ekipleri de nasıl geliştirileceğini belirlerdi. Bugün birçok kurum ürün, tasarım ve mühendisliği bir araya getiriyor. AI'a özgü değişim, bu ekibin içinde yaşanıyor: Daha ucuz prototipler, fikirlerin aynı döngüde sorun tanımından geliştirmeye ve değerlendirmeye geçmesini sağlıyor. Ekipler daha çok seçenek deneyebilir, zayıf fikirleri erken eleyebilir ve doğrulanmış fikirleri canlı ortamda daha ileriye taşıyabilir.
Bu, ürün, tasarım, mühendislik ve alan uzmanlarının tek öğrenme döngüsünde çalıştığı küçük, çok disiplinli ekipleri avantajlı kılar. Ürün muhakemesi ile teknik muhakeme tek bir rolde birleşmez, ancak birbirine daha yakın olmalıdır. Ürün liderleri, prototip üretip seçenekleri değerlendirecek kadar teknik bilgiye sahip olmalı. Mühendisler, yalnızca önceden belirlenmiş çözümü uygulamak yerine sorunu şekillendirecek kadar müşteri ve iş bağlamına hâkim olmalı.
Mühendislik kuruluşları geleneksel olarak kodu temel bir varlık olarak gördü. Kod üretimi kolaylaştıkça kalıcı değer, arkasındaki bağlamda yoğunlaşıyor: alan bilgisi, müşteri anlayışı, operasyonel deneyim, kuruma özel veriler, değerlendirme veri kümeleri, makinece okunabilir politikalar ve sistemlerin neden böyle çalıştığını açıklayan mimari karar geçmişi.
Kod tabanlarının önemi, kısmen, emekle edinilmiş iş ve müşteri bilgisini barındırmalarından gelir. AI, kod üretmek için gereken emeği değiştirir; ancak o bilgiyi edinmek için gereken emeği ortadan kaldırmaz. Bu yüzden kurumlar kod hacminin ötesine bakıp değeri birikerek artan varlıklara yatırım yapmalı: iyi yönetilen özel veriler, kullanılabilir bilgi sistemleri, derin müşteri anlayışı ve açık karar kayıtları.
Bu durum, CIO ve CDO'lar açısından bilgi mimarisi ile veri yönetişimini mühendislik performansının merkezine taşır. AI ajanları yalnızca erişim izni olan ve yorumlayabildikleri bağlamı kullanabilir. Dolayısıyla parçalı bilgi, veriden kimin sorumlu olduğunun belirsizliği ve tutarsız izinler, yalnızca bilgi yönetimi sorunları değil, mühendislik kısıtları hâline gelir.
Bağlam, üretim sisteminin parçası olduğunda pasif belgelerden ibaret kalamaz. Bir platform yetkinliğine dönüşür.
Bağlam, değerlendirme ve yönetişim üretim sisteminin parçası olduğunda AI teslimatı tamamen tek tek ekiplere bırakılamaz. Ekiplerin gerçek müşteri sorunlarıyla bağını koparacak kadar merkezîleştirilmemeli de.
Federe model bu ihtiyaçları dengeler. Özerk uygulama ekipleri soruna yakın kalır. Ortak platform ve düzenek yetkinlikleri; yeniden kullanılabilir araçlar, kontrollü bağlam erişimi, değerlendirme kalıpları, izinler ve yönetişimle onları destekler. Federe yapı ancak sorumluluklar netse işler: Uygulama ekipleri iş akışı ve sonucunu üstlenir; düzenek ekipleri güvenli ilerlemeyi sağlayan ortak yetkinlikleri sunar; risk, güvenlik ve yönetişim ise bağımsız gözetimi sürdürür.
Göreve özgü değerlendirme vakalarını ve kabul eşiğini, uygulama ekipleri ile alan uzmanları belirlemeli. Düzenek ekibi, bu değerlendirmeleri tutarlı yürütmek için gereken değerlendirme altyapısını, ortak kontrolleri ve raporlamayı sağlamalı.
Alan | Uygulama ekibi | Düzenek ekibi | Risk, güvenlik ve yönetişim |
|---|---|---|---|
Ürün ve sonuç | Sorunu, iş akışını, kullanıcı deneyimini ve başarı ölçütlerini seçer; müşteri ve iş sonuçlarından sorumludur | Yeniden kullanılabilir kalıplar, araçlar ve telemetri sağlar | Kullanım senaryosu önemli risk yaratıyorsa kısıtlar koyar |
Bağlam ve erişim | İş akışının ihtiyaç duyduğu bilgi ve eylemleri belirler | Bağlam arayüzlerini, ajan kimliğini ve araç izinlerini sağlar | Hassas veri erişimini ve kontrol sınırlarını onaylar |
Değerlendirme ve sürüm | Kabul ölçütlerini belirler ve sonuçları inceler | Değerlendirme paketlerini, denetim günlüklerini ve onaylı canlıya geçiş yollarını güncel tutar | Yüksek riskli kullanım senaryolarını, istisnaları ve önemli değişiklikleri onaylar |
Finansman ve hesap verebilirlik | Uygulama sonucuna göre finansman alır ve bu sonuçtan sorumlu tutulur | Ortak bir yetkinlik olarak finanse edilir; yeniden kullanım, kapsam ve güvenli canlıya geçiş süresiyle ölçülür | Bağımsız gözetimden ve kontrol kararlarından sorumludur |
Çalışma ritmi ve öğrenme | Alan uzmanlarıyla yinelemeli çalışır; sonuçları, geçersiz kılma müdahalelerini ve olayları inceler | Öğrenilenleri yeni testlere, kontrollere ve yeniden kullanılabilir yetkinliklere dönüştürür | Olayları ve değişiklikleri kararlaştırılan onay aşamalarında inceler |
Bu, liderlerin ekip büyüklüğüne yaklaşımını da değiştirir. Daha küçük ekiplerin daha çok yazılım üretmesi, tek başına amaç değildir. Amaç, insan muhakemesini en çok değer yarattığı yere taşımaktır: Uygulama ekiplerinde sorunun yakınına ve bu ekiplerin kontrolü kaybetmeden hızla ilerlemesini sağlayan ortak yetkinliklerin içine.
Uygulama ekipleri küçülüp AI desteği arttıkça kurumlar, güvenli, tutarlı ve hesap verebilir teslimat için daha güçlü ortak yetkinliklere ihtiyaç duyuyor.
Geleneksel platform mühendisliği, başlıca kullanıcıları olan insanların, yani geliştiricilerin üretkenliğini artırmaya odaklandı. AI odaklı bir platform hem insanları hem ajanları desteklemeli.
Bir ajan, geliştirici platformunu bir insanla aynı şekilde kullanmaz. Makine erişimine açık talimat ve araçlara, açık izinlere ve işini güvenilir biçimde değerlendirecek yöntemlere ihtiyaç duyar. Düzenek; gözlemlenebilirlik, güvenlik, mevzuata uyum ve bilgi yönetimini de kapsamalı. Amacı, özerkliği açık ve uygulanabilir sınırlar içine alarak faydalı kılmaktır.
Kart işlemlerine itiraz başvuruları için AI destekli bir iş akışı başlatan bir banka düşünün. Uygulama ekibi dar bir görevle başlar: vakayı sınıflandırmak, ilgili politikayı bulmak ve destek çalışanı için yanıt taslağı hazırlamak. İş akışı, kullanıcı deneyimi, üst mercilere iletme eşikleri ve başarı ölçütleri ekibin sorumluluğundadır. Ekip, mevzuat politikası belirlemez veya ajana yeni izinler vermez.
Bu örnekte ajanlar geliştirmeye destek olabilir, göreve özgü testleri çalıştırabilir ve sürüm hazırlayabilir. Canlıya geçişi yine insanlar onaylar; canlı ortamın sonuçları sonraki değerlendirme ve geliştirme turuna yön verir. Çalışma zamanı kontrolleri ayrıdır: Müşteri destek ajanı yalnızca onaylı araç ve verileri, tanımlı izinler ve üst mercilere iletme yolları içinde kullanmalı.
Bağlam: Ajan; mevcut vakaya, çözüm için zorunlu müşteri alanlarına, onaylı ürün ve şikâyet prosedürlerine, makinece okunabilir üst mercilere iletme kurallarına erişebilir. Ham ödeme kimlik bilgilerine veya ilgisiz müşteri kayıtlarına erişemez, vaka yönetim sistemine veri yazamaz.
Değerlendirme: Temsilî geçmiş vakalar ve uzmanların etiketlediği uç durumlardan oluşan test paketi, sürüm öncesinde şu kontrollerden geçmeli: doğru sınıflandırma, politikaya uyum, gerektiğinde yanıt vermeme, kişisel veri sızıntısı ve şikâyetlerin ya da mali açıdan hassas vakaların üst mercilere iletilmesi.
Onay: Ürün kararından uygulama ekibi sorumludur. Risk, güvenlik ve uyum ekipleri veri erişimini, politika eşleştirmesini ve canlıya geçiş yolunu onaylar. Gönderilen her mesajı bir destek çalışanı onaylar; müşterinin parasını veya haklarını etkileyen kararlar ajanın özerkliği dışındadır.
Düzenek kaydı: Her çalıştırmada ajan kimliği, model sürümü, alınan bağlam ve kaynaklar, çağrılan araçlar, politika kontrolleri, değerlendirme sonuçları, insan düzeltmeleri veya geçersiz kılma müdahaleleri ve olaylar kaydedilir. Ekip, işe yarayanları yeniden kullanılabilir bağlam arayüzlerine, değerlendirme vakalarına, izin şablonlarına ve onaylı canlıya geçiş yollarına dönüştürür. Hatalar ve geçersiz kılma müdahaleleri, yeni testlere ve iş akışı iyileştirmelerine dönüşür.
Bu örnek, ajana yalnızca onaylı bağlam ve araçlarla hareket alanı tanınabileceğini gösterir. Her önemli sınırda, incelenip yeniden kullanılabilecek kanıtlar üretilir. Önemli kararların sorumluluğu insanlarda kalır. Banka zamanla gerçek vakalardan, yani ajanın başarılarından, hatalarından ve insan müdahalelerinden yararlanarak iş akışını iyileştirebilir ve görev alanını genişletip genişletmeyeceğine karar verebilir. Sınırlı özerklik ve doğrulanmış öğrenme, uygulamada böyle görünür.
Bu iş bölümü, düzenek ekibinin işlettiği sistem ve kontrollere yansır. Düzenek ekipleri şunlardan sorumlu olabilir:
Ajan kimliği: Hizmet kimlikleri oluşturmak, sorumluları ve ortamı kaydetmek, her ajanın model, prompt ve araç sürümlerini izlemek.
Araç izinleri: Ajan eylemleri için okuma-yazma kapsamlarını, veri erişim sınırlarını, hız limitlerini, onay aşamalarını ve varsayılan ret kurallarını tanımlamak.
Bağlam arayüzleri: Onaylı bilgi ve verileri, kaynak ve güncellik bilgileri açık, sürümlenmiş ve izinleri gözeten arayüzlerle sunmak.
Değerlendirme paketleri: Temsilî örnekleri, uç durumları, emniyet ve güvenlik testlerini, regresyon testlerini ve sürüm eşiklerini güncel tutmak.
Denetim günlükleri ve gözlemlenebilirlik: Ajan kimliğini, alınan bağlamı, çağrılan araçları, çıktıları, onayları, insan müdahalelerini, hata ve olayları uygun saklama ve erişim kontrolleriyle kaydetmek.
Onaylı dağıtım yolları: Otomatik kontroller, geri alma ve değişiklik denetimiyle korumalı alan, gölge, aşamalı dağıtım ve canlı ortam seçenekleri sunmak.
Düzenek ekipleri, mevcut tüm platform işlevlerine verilmiş yeni bir ad değildir. Makine öğrenimi operasyonları, güvenlik, yönetişim ve platform ekiplerinin ayrı sorumlulukları sürer. Düzenek ekibi bu kontrolleri, uygulama ekiplerinin AI iş akışlarını geliştirme ve yürütme biçimine bağlar: politikalar için izin ve onay aşamaları, bağlam için yönetilen arayüzler, değerlendirme için test paketleri ve ajan davranışını denetlenebilir ve yeniden kullanılabilir kılan günlükler.

Mühendislik işi, uygulama teslimatı ve ortak destek yetkinlikleri olarak ayrışıyorsa kadrolar, liderlik ve ölçüm de buna uyum sağlamalı.
Uygulama ekipleri, soruna yakın duran ürün, mühendislik ve alan uzmanlığına dayalı muhakemeye ihtiyaç duyar. Platform ve düzenek ekipleri ise insanları ve ajanları büyük ölçekte destekleyen ortak ortamı tasarlayıp işletebilen kişilere ihtiyaç duyar.
CTO, CDO ve CIO'ların liderlik sınavı, neyin merkezden sağlanacağına ve neyin ekiplere bırakılacağına karar vermektir.
Uygulama ekipleri, hızla çalışıp müşteriye yakın kalabilmek için özgürlüğe ihtiyaç duyar. Güvenli veri erişimi, gözlemlenebilirlik, değerlendirme ve yönetişim yetkinliklerini baştan kurmak zorunda kalmamalılar.
AI odaklı bir kurumda teknoloji liderleri, odaklarının bir bölümünü teslimat kapasitesini yönetmekten teslimat sistemini tasarlamaya kaydırmalı. Buna şunlar dahildir:
muhakeme ve karar kalitesini gözeterek işe alım yapmak ve çalışanları geliştirmek;
ortak AI platformlarına, değerlendirmelere, güvenlik sınırlarına, onaylı yollara, bilgi akışlarına ve erişim kalıplarına yatırım yapmak;
ajanlar, insanlar ve ortak iş akışları için çalışma sınırları belirlemek;
doğrulanmış öğrenmeyi, güvenilirliği, müşteri etkisini ve güvenli yeniden kullanımı ölçmek;
AI'ın teslimatın ekonomik koşullarını nerede gerçekten değiştirdiğini anlayacak kadar teknolojiye yakın kalmak.
İyi tasarlandığında bu sistem; uygun bağlama erişmeyi, AI üretimi işleri test etmeyi, kanıtlanmış kalıpları yeniden kullanmayı ve insan onayı gereken noktaları belirlemeyi kolaylaştırır.
Birçok mühendislik ölçütü, yazılım üretiminin başlıca kısıt olduğu bir dünya için geliştirildi. Geliştirme hızı, hikâye puanları, işlem kapasitesi ve dağıtım sıklığı hâlâ yararlı operasyonel sinyaller sunar. Ancak AI üretim çabasını azalttıkça bunlar tek başına daha az şey anlatır.
Bir ekip daha çok kod üretip deney yaparken yine de kötü kararlar verebilir, gereksiz karmaşıklık yaratabilir veya riski artırabilir.
Bu yüzden teknoloji liderleri, yalnızca ne kadar yazılım üretildiğini veya AI araçlarının ne kadar yaygın kullanıldığını sormakla yetinmemeli. AI'ın kurumu daha hızlı öğrenmeye, müşteri sonuçlarını iyileştirmeye ve kararlaştırılan sınırlar içinde güvenilir çalışmaya yöneltip yöneltmediğini anlamalılar.
Uygulama ekipleri için yararlı ölçütler şunlar olabilir:
doğrulanmış öğrenmeye kadar geçen süre;
müşteri sonuçlarındaki iyileşme;
yaratılan iş değeri;
benimsenme ve davranış değişikliği;
deneylerin kanıta dayalı kararlara dönüşme oranı.
Doğrulanmış öğrenme süresi, deneyin başlamasından karar için yeterli kanıt toplanmasına kadar geçen sürenin tamamını kapsamalı. Pazartesi başlayıp çarşamba canlıya geçen ve cuma kanıta dayalı karara varan ekibin döngüsü, iki günlük teslimat değil, bir haftalık öğrenme döngüsüdür.
Platform ve düzenek ekipleri için yararlı ölçütler şunlar olabilir:
onaylı AI kalıplarının yeniden kullanımı;
değerlendirme kapsamı ve etkinliği;
AI kaynaklı olaylar ve yeniden yapılan işler;
fikirden güvenli canlıya geçişe kadar geçen süre;
ajan eylemlerinin gözlemlenebilirliği;
denetim ve mevzuata uyuma hazırlık.
İlgili maliyet ölçümleri, her başarılı sonuç için model kullanımını, insan incelemesini, başarısız denemeleri, yeniden yapılan işleri ve operasyonel desteği kapsamalı.
Bu ölçütler de açık tanımlar, başlangıç değerleri ve değerlendirme yöntemleri gerektirir. Amaç, tek tip bir puan kartını bir başkasıyla değiştirmek değil, teslimat sisteminin güvenilir sonuçlar üretip üretmediğini ölçmektir.
Uygulama ve düzenek modeli, AI odaklı mühendisliğin bugünkü aşamasına yönelik çözümlerden biridir. Kalıcı bir nihai yapı olarak görülmemeli.
Bazı gelişmeler mühendislik işinin temel birimini yeniden değiştirebilir:
ajanların iş akışlarının tamamını üstlenmesi;
bazı yazılımların yıllarca bakımı yapılmak yerine geçici kullanılması;
kullanıcıların uygulama arayüzlerinden ajanların yönettiği deneyimlere geçmesi;
temel modellerin daha fazla platform yetkinliğini bünyesine katması;
düzenlemelerin denetlenebilirlik ve hesap verebilirliği başlıca mühendislik kısıtı hâline getirmesi.
Bunlar kesinleşmiş sonuçlar değil, olasılıklardır. Gerçekleşirlerse uygulama ve platform ekipleri arasındaki ayrım bile yetersiz kalabilir.
Bu belirsizliğe en hazırlıklı kurumlar, çalışma modellerini uyarlanabilir görenler olacak. Sabit ekip yapıları veya araç seçimleri yerine açık ilkeler, güçlü bağlam, sınırlı özerklik ve hızlı öğrenme etrafında örgütlenecekler.
AI, mühendislik sistemlerinin önemini azaltmaz. Bu sistemleri iyi tasarlamanın değerini artırır.
Yazılım üretimi ucuzladıkça avantaj, daha iyi kararlar verebilen, yararlı bağlamı biriktirip geliştiren ve güvenle çalışabilen kurumlara geçer. AI odaklı mühendislik, yalnızca AI araçlarını kullanmak değildir. Karar kalitesi, ortak bağlam, sınırlı özerklik ve hızlı öğrenme gibi yeni kısıtlar etrafında kendini yeniden tasarlar.
Teknoloji liderleri dört kararı netleştirerek başlayabilir:
Hangi müşteri ve ürün kararları uygulama ekiplerine yakın kalmalı?
Hangi bağlam, kontroller ve değerlendirme yetkinlikleri ortak olmalı?
Ajanlar nerede özerk hareket edebilir, nerede insan onayı gerekir?
Hangi ölçütler doğrulanmış öğrenmeyi, müşteri değerini ve güvenli işleyişi gösterir?
Bu soruların yanıtları, AI'ı benimsemenin değerini kurumun devreye aldığı asistan sayısından daha fazla belirleyecek.
