Microsoft'un yapay zeka üretimi %30'a ulaştı—kod yazışı mı bitti, yoksa denetim mi başladı?
3 Eylül 2026'da David Fowler, Microsoft'un 18 yıllık yazılım mühendisi ve SignalR'ın ortak yaratıcısı, X'te kısa bir açıklama yaptı: "Kod yazmak tamamen bitti." Aynı günlerde, Microsoft'un iç kod üretiminde yapay zekanın oranı %20–30'a ulaşmıştı. Şirket, GitHub Copilot ajanını çevre kurulumundan testlere, depoda değişiklik yapmadan pull request açmaya kadar tüm iş akışına yaymıştı. Ancak aynı dönemde Veracode yayınladığı raporda, AI tarafından üretilen kodun %44'ünün bilinen hataları veya güvenlik açıklarını taşıdığını buldu. Bu iki gerçek, geliştiricilerin işi kaybedeceği anlamına gelmiyordu—tam tersine, yazılım geliştirme işinin kendisini yeniden tanımladı.
---
Fowler'ın 'kod yazışı tamamen bitti' iddiası gerçekte neyi anlatıyor?
David Fowler, ASP.NET Core ve SignalR gibi kritik altyapıları geliştirmiş bir isim. Ancak iddiası, geliştiricilerin işi kaybedeceği anlamına gelmiyordu—tam tersine, geliştiricilerin rolünün sistem tasarımı, mimari, güvenlik doğrulama ve kod gözden geçirmesine kaydığını belirtiyordu. Fowler'a göre geliştirici, satır satır kod yazan değil, AI tarafından üretilen çıktıları yöneten, test eden ve güvenli hale getiren bir orkestratör haline geldi.
Microsoft'un kod tabanının yaklaşık %30'u AI modelleri tarafından üretilmeye başlanmıştı. Bu oran, geliştiricilerin hâlâ %70 oranında doğrudan kod yazdığı, kalan %30'luk dilimin üretim hızını önemli ölçüde arttırdığını gösteriyor. Tüm AI çıktıları insan gözden geçirmesi için pull request olarak beklir—otomatik dağıtım yapılmaz.
Fowler'ın sözlerine karışık tepkiler geldi. Bazı geliştiriciler, hâlâ her gün satır satır kod yazdıklarını, bu önermenin gerçeklikten kopuk olduğunu söyledi. Ancak Microsoft'un Windows 11 ve Azure gibi kritik altyapılarını büyük ölçüde ajan destekli süreçlerle geliştirmesi, tartışmayı soyuttan somuta taşıyor.
---
GitHub Copilot ajanı neleri kendi başına yapabiliyor?
Microsoft, GitHub Copilot'u kod tamamlayıcısından tam ajan tabanlı bir iş akışı otomasyon aracına dönüştürdü. Copilot ajanı artık geliştirme çevresini kurabiliyor, gerekli paketleri yükleyebiliyor, kod deposunda değişiklik yapabiliyor, testleri çalıştırabiliyor ve insan gözden geçirmesi için pull request açabiliyor.
Ajan tabanlı iş akışı adım adım
1. Ortam kurulumu: Copilot, proje gereksinimlerini okur, bağımlılıkları tarar, Windows Subsystem for Linux veya Docker kullanarak izole bir çalışma ortamı kurar. 2. Kod üretimi: Depoda hangi dosyalarda değişiklik yapılacağını belirler, ilgili kod bloklarını yazar veya düzenler. 3. Test çalıştırma: Değişikliklerin mevcut test setini geçip geçmediğini kontrol eder. 4. Pull request açma: Tüm adımları bir PR içinde paketler, insan geliştiriciye sunar.
İnsan başlangıçta görevi tanımlar ve son aşamada gözden geçirme yapar. Sorumluluğu kod yazmaktan, üretilen kodun doğru, güvenli ve sürdürülebilir olduğunu teyit etmeye taşınır.
Aspire 13.1 ve sonraki sürümlerde ajan tabanlı destek derinleştirildi; Aspire 13.2 Model Context Protocol (MCP) desteğiyle ajanların kaynaklara kontrollü erişim sağlamasını kolaylaştırdı. Bu özellikler Microsoft'un iç araçlarında hızla yaygınlaştı.
---
Veracode raporu: AI üretim kodunun %44'ü hata veya güvenlik açığı taşıyor
Veracode'un 2026 raporuna göre, AI tarafından üretilen kodun %44'ü bilinen hataları veya güvenlik açıklarını içeriyor. AI modelleri, eğitim setlerindeki hatalı veya eski paternleri tekrarlayabiliyor; güvenlik kontrolleri gerektiren bağlamlarda yetersiz kalabiliyor ya da yanlış API kullanımları üretebiliyor.
Microsoft'un iç süreçlerinde AI üretilen kod güvenilmez kod olarak ele alınıyor. Her AI çıktısı insan gözden geçirmesine tabi tutuluyor, otomatik testlerden geçiriliyor ve güvenlik doğrulamasından sonra birleştiriliyor. Microsoft'un MDASH adlı özerk ajan sistemi, Windows kernel, Hyper-V ve ağ yığını genelinde zafiyet taraması yapıyor; 100'den fazla otonom ajan, güvenlik ekiplerinin ölçekte zafiyet avcılığı yapmasını sağlıyor.
Güvenlik sorunları geliştirici işini nasıl değiştiriyor?
Geliştirici her bloğu şüpheyle okuyor, test kapsamını genişletiyor ve kodu statik analiz araçlarından geçiriyor. Bu durum geliştiricinin beceri setini derinleştiriyor:
- Mimari karar verme, eskiden olduğu kadar kritik hatta daha kritik hale geldi. - Kod incelemesi daha az rutin iş, daha fazla risk analizi gerektiriyor. - Güvenlik ve performans doğrulaması iş akışının merkezinde.
Microsoft'un AI oranı %30'u geçtikçe, geliştirici işinin odağı "ne yazdığım" yerine "neyi izlediğim ve nasıl doğruladığım" haline geldi.
---
Windows Zenith ve donanım gereksinimlerinin anlattığı gerçek
Microsoft, geliştiriciler için Project Zenith adlı özel bir Windows 11 kurulumu tanıttı. Bu kurulum, 64GB birleştirilmiş RAM ve 250GB/s bant genişliği gerektiren, 30+ milyar parametreli AI modellerini yerel olarak çalıştırmak için tasarlanmış donanım profili üzerinde çalışıyor. Zenith, AMD Ryzen AI Halo gibi çipleri hedefliyor—günümüzdeki çoğu geliştirici bilgisayarından çok daha güçlü bir konfigürasyon.
Bu gereksinim iki sorunu ortaya çıkarıyor:
1. Erişim eşitsizliği: 64GB RAM ve özel bant genişliği, küçük ekipler veya serbest geliştiriciler için erişilemez. Microsoft'un bu geçişi kendi büyük ekiplerinde test etmesi, genel geliştirici ekosisteminin bunu benimsemesinin yıllar alacağını gösteriyor. 2. Altyapı-yazılım konverjansı: AI yerel olarak çalışmaya başladıkça, yazılım geliştiricileri donanım profillerini anlayıp optimize etmek zorunda kalıyor. Yazılım mühendisliğinin geleneksel sınırları bulanıklaşıyor.
WinUI 3'ün açık kaynak olması ve Microsoft'un Copilot ile WinUI uygulama geliştirme kılavuzları yayınlaması, bu geçişin sadece backend'e değil UI geliştirmeye de yayıldığını gösteriyor.
---
Türk yazılımcılar ve şirketlerin alması gereken adımlar
Microsoft'un bu hamlesi, Türk yazılım ekosisteminde somut etkileri olacak. Pratik olarak:
Kod incelemesini güçlendir. Veracode'un %44 hata oranı, güçlü inceleme süreçleri olmadan üretim ortamında patladığında daha büyük maliyetlere yol açar. Türk şirketleri, AI üretim kodunun mutlaka insan gözden geçirmesinden geçmesini protokol haline getirmeli, test otomasyonunu önceden güçlendirmeli.
Mimari ve güvenlik becerilerini derinleştir. Yazılımcılar, kod yazma yerine sorun tanımlama, mimari kurma ve kalite değerlendirme yetkinliklerini geliştirmeli. Test mühendisliği, güvenlik analizi, kod inceleme bu geçişte ön plana çıkıyor.
Donanım yerine bulut yatırımına kaydır. 64GB RAM isteyen Zenith, birçok Türk geliştirici için erişilemez. Ancak Microsoft'un bu yetenekleri Azure üzerinden sunması olası. Şirketler bulut tabanlı AI geliştirme ortamlarına erken yatırım yaparak donanım maliyetlerini düşürebilir.
AI araçlarını güvenilmez kod olarak ele al. GitHub Copilot'u hızlı prototip için kullan, ama üretim koduna almadan önce her çıktıyı statik analiz, test ve güvenlik taramasından geçir. Araç değil, kontrol mekanizması önemli.
