Bilişsel borç: geliştirici neden yapay zekâ kodunu elle yeniden yazıyor

Geliştirici Ankur Sethi, blogunda kişisel projelerinde yapay zekâ kodlama asistanlarını kullanmaya devam etmesini sağlayan bir çalışma yöntemini anlattı. Sethi, araçları kişisel projelerinde hâlâ kullandığını, ancak bir özelliğin tamamını tek komutla üretmenin onda memnuniyetsizlik ve yön kaybı yarattığını söylüyor; ona keyif veren şey yalnızca sıkıcı kısımları hızla atlamak.

Sorun: bilişsel borç

Asistanın projede serbestçe çalışmasına izin vermenin “muazzam bir bilişsel borç” biriktirdiğini yazıyor. Kişisel sitesine etiketleme özelliği eklemek için Django belgelerini okumak sıkıcı olabilir, ama yine de nasıl çalıştığını anlamak istiyor: “Bir sorunun sıkıcı olması, çözümünü anlamayı tamamen bir makineye devredeceğim anlamına gelmez.” 2026’da geliştiricilerden beklenen yöntem — her satırı gözden geçirmek — da bir çözüm değil: “Pull request’leri robotlar açıyor, insanlar inceliyor. Cesur yeni bir dünya.” Ona göre yüzlerce satır “aşırı savunmacı, kötü yorumlanmış ve ince hatalarla dolu” kodu incelemek eğlenceli değil; bir işveren için zaman zaman kabul edilebilir, ama kişisel projeler için asla — çünkü onlar her şeyden önce keyif vermeli.

Bilinçli olarak verimsiz bir yöntem

Çözümü kendi deyimiyle “kaba biçimde verimsiz ve belki biraz komik”: asistanından kodu sohbette üretmesini istiyor, sonra tüm düzenlemeleri kendi eliyle yapıyor. İlgili talimatlar kişisel projelerinin tüm ajan dosyalarında yazılı. Tahminine göre bu yöntemle, LLM’leri hiç kullanmamaktan daha hızlı çalışıyor; ancak makinenin kendi yerine düşünmesine izin verenlerden yavaş: “10 kat hızlı olmak yerine muhtemelen yalnızca 2 kat hızlıyım.”

Karşılığında anlayış kazanıyor. Her satırı elle yazmak, kodun mevcut kod tabanına nasıl oturduğuna dair zihinsel bir model kuruyor; anlamadığı bir API veya algoritma olduğunda durup araştırabiliyor. Yazmak onu yavaşlattığı için modelin uydurmalarını ya da kötü tasarım kararlarını yakalama olasılığı artıyor; kodu yazarken yeniden düzenleyip yorum ekleyebiliyor. En önemlisi, kod tabanının “uzamsal haritası” oluşuyor: her işlevin nerede olduğunu biliyor, bu da gelecekte LLM’e verdiği komutları iyileştiriyor.

Neden önemli

Sethi bu pratiği, programlamayı öğrenenlere verilen eski tavsiyeye benzetiyor: kodu kopyalayıp yapıştırma, kitaptaki ve blogdaki örnekleri anlamak için elle yaz. “Belki LLM ile çalışmanın en verimli yolu bu değil, ama anlamayı üretkenliğin üstünde tutuyorum” diyor ve birkaç aydır böyle çalıştığını, sürdürmeyi planladığını ekliyor. Endişesi, yazılım sektörünün yakında ödemek zorunda kalacağı büyük bir bilişsel borç biriktirmesi: “Bir gün dijital altyapımızın büyük bölümlerinin nasıl kurulduğunu artık anlamadığımız bir zaman gelecek.”