Şirket Kültürü Hakkında

Yönetim kültüründen bahsettikten sonra, şirketin çalışanları için oluşturacağı ortamın temeli olan şirket kültüründen bahsedelim.

İnsanlar arasındaki ilişkiler kültürleri seviyesinde şekillenir. Kültür, öğrenilmiş birlikte yaşama kurallarını da ihtiva eder.

Bir toplumda insanların birbirleriyle nasıl konuşacağı, birbirlerine nasıl davranacağı, neyin kabul edilebilir, neyin kabul edilemez olduğu büyük ölçüde o toplumun kültürü tarafından belirlenir.

Şirketler de aslında küçük toplumlardır.

Onların da zaman içerisinde oluşan bir dili, davranış biçimleri, değerleri, ritüelleri ve yazılı olmayan kuralları vardır.

Bir çalışan hata yaptığında ne olur?

Hatasını saklamaya mı çalışır, yoksa rahatlıkla ortaya koyup diğerleriyle birlikte çözüm mü arar?

Bir çalışan yöneticisinden farklı düşündüğünde bunu söyleyebilir mi?

Bir problem gördüğünde “bu benim işim değil” deyip geçer mi, yoksa kendisini o problemin çözümünün bir parçası olarak mı görür?

Başka bir çalışanın yaptığı işi eleştirmek saldırı olarak mı algılanır, yoksa yapılan işi daha iyi hale getirmenin doğal bir parçası olarak mı?

Bütün bunların cevabını organizasyon şeması vermez.

Şirket kültürü verir.

Bu yüzden çalışanlara sadece nasıl çalışacağımızı değil, birlikte nasıl yaşayacağımızı da tarif etmemiz gerekiyor.

Özellikle kendi kendini yöneten küçük hücrelerden oluşan bir organizasyon kurmak istiyorsak, şirket kültürü klasik şirketlerden çok daha önemli hale geliyor.

Çünkü ortada sürekli emir veren bir yönetici olmayacak.

İnsanların davranışlarını yukarıdan gelen otorite değil, ortaklaşa kabul edilmiş değerler ve birlikte yaşama kuralları şekillendirecek.

Başka bir ifadeyle:

Yöneticinin olmadığı yerde boşluğu kültür doldurur.

Bu nedenle kuracağımız şirket kültürü, holakratik yönetim modelimizin yanında duran güzel sözlerden oluşan bir manifesto değil, bu sistemin çalışmasını sağlayan temel altyapıdır.

Oluşturulan bu kültürün ne pahasına olursa olsun korunması gerekir.

Çünkü kültür sadece içeriden inşa edilmez. Dışarıdan gelen her yeni insan da beraberinde kendi alışkanlıklarını, değerlerini ve davranış biçimlerini getirir.

Bu yüzden şirket kültürüne dışarıdan bir virüs gibi sızabilecek ve zaman içerisinde onu enfekte edebilecek insanların daha en başından tespit edilmesi gerekir.

Burada mesele farklı düşünen insanları elemek değildir. Tam tersine, farklı düşünceler kültürü besler ve geliştirir.

Mesele, birlikte yaşamayı mümkün kılan temel değerlerle çatışan davranış biçimleridir.

Sorumluluk almayan, sürekli başkalarını suçlayan, bilgiyi güç olarak görüp saklayan, insanları manipüle eden, güven ilişkilerini bozan ya da kendi çıkarını içinde bulunduğu topluluğun çıkarlarının sürekli önüne koyan bir insan teknik olarak ne kadar iyi olursa olsun bu kültürün bir parçası olamaz.

Bu sebeple mülakatların da bu konu göz önünde bulundurularak şekillendirilmesi gerekir.

Bir adayın teknik yeterliliği aslında tek başına yeterli bir kriter değildir.

Adayın şirket kültürüne uygunluğu ayrıca test edilmeli, bu kültüre ne oranda adapte olabileceği, hatta zaman içerisinde onu ne oranda ileriye taşıyabileceği anlaşılmalıdır.

Çünkü işe aldığınız insan sadece bir pozisyonu doldurmaz. Şirket kültürünün yeni bir taşıyıcısı olur.

Burada şirketlerin çok sevdiği başka bir söyleme de değinmek gerekiyor:

“Biz bir aileyiz.”

Bir patronun bu konuda ne kadar ciddi olduğunu söylemlerinden değil, o aileyi ne kadar ciddiye aldığını gösteren davranışlarından anlamak gerekir.

İnsanlar kendi aileleri içerisinde mutlu, huzurlu, sorumluluk, sadakat ve harmoni içerisinde yaşama çabasında olurlar. Çünkü kendilerini o yapının sadece çalışanı ya da işlev gören bir parçası olarak değil, bir bireyi olarak görürler.

Aidiyet tam olarak burada oluşur.

İnsan bir yere ait olduğunu hissettiğinde, o yapının kendisine ait olduğunu da hissetmeye başlar.

Böyle bir ortam insanların birey olmalarını engellemez. Tam tersine, birey olarak kabul edildiklerini hissetmelerini sağlarken aynı zamanda daha büyük bir bütünün parçası oldukları duygusunu oluşturur.

Ve insan kendisini parçası olarak gördüğü şeyi korur.

Üstüne düşen sorumlulukları sadece kendisine söylendiği için değil, o yapının devamını ve başarısını önemsediği için yerine getirir.

Belki de şirket kültürünün ulaşabileceği en güçlü nokta budur:

İnsanların şirket için çalıştıklarını değil, ait oldukları bir yapıyı birlikte inşa ettiklerini hissetmeleri.

Holakrasi İle Yeni Bir Yönetim Kültürü Oluşturmak

Yeni bir yönetim kültürü modeli olan holakrasiye, en azından bizim yeni oluşturduğumuz startup bünyesinde bunu nasıl implemente etmek istediğimize değinmek istiyorum.

Abdullah Kiğılı’nın bir sözü var:

“Çalışanlar müdüre başka, patrona başka davranırlar. Türkiye’de patron işin başında olmadığı sürece o iş yürümez.”

Haklı!

Ama bunun sebebi, yanlış yönetim kültürünün bizzat patron tarafından bu şekilde inşa edilmiş olmasıdır.

Klasik yönetim kültüründe yönetici sınıfı ve çalışan sınıfı diye iki sınıf vardır. Her şey yukarıdan aşağıya doğru dikte edilir. Aşağıda ne olup bittiğine dair çoğu zaman hiçbir fikri olmayan yönetici tayfası da bunu kompanze etmek için yukarıdan daha fazla baskı uygular ki herkes adam gibi çalışsın.

Bu yönetim tarzı tamamen çöptür.

Yerine çalışanı bir birey olarak kabul eden, ona sorumluluk ve bu sorumlulukla beraber karar yetkisi veren bir yönetim modeline ihtiyacımız var. Holakrasi bunlardan birisi.

Holakraside şirket, canlı bir organizmaya benzer şekilde oluşturulur ve yönetilir.

CEO, CTO, CFO gibi klasik yönetici pozisyonları yoktur. Bölüm başkanları, bölüm müdürleri, takım yöneticileri vs. yoktur.

Bunun yerine ne vardır?

Hücreler.

Canlı bir organizmanın nasıl çalıştığına bir bakalım.

Canlı, en temelde hücrelerden oluşur. Hücre üzerine düşen görevi kendi işlev türüne göre kendisi yönetir. Her yaptığı iş için gidip beyinden izin almaz.

Ama organizmadan bağımsız da değildir.

Hücreler dokuları, dokular organları, organlar da organizmayı oluşturur.

Benzer bir yapıyı şirket içinde de oluşturmak mümkün.

En tabanda örneğin 7-8 çalışandan oluşan ve tanımlı bir faaliyet alanına sahip hücreler oluşturulur.

Bu hücrenin içinde klasik anlamda bir yönetici yoktur. Bunun yerine roller vardır.

Örneğin bir hücre bir ürün geliştiriyorsa burada backend engineer, frontend engineer, product owner gibi roller bulunabilir.

Her rolün kendi sorumluluk alanı ve bu sorumluluktan doğan karar yetkisi vardır.

Backend engineer rolündeki bir çalışan:

“Ben veri tabanına yeni bir tablo ekleyeceğim.”

diyorsa, bunu rolünden aldığı otoriteyle kendisi yapabilir.

Bunun için hücredeki diğer yedi kişiyi toplantıya çağırıp izin almasına gerek yoktur.

Ama aynı kişi:

“Ürüne şu yeni özelliği ekleyelim.”

diyemez.

Çünkü bu artık sadece backend engineer rolünün sorumluluk alanında değildir. Product owner ve konuyla ilgili diğer rollerle istişare etmesi gerekir.

Yani herkes her konuda karar vermez.

Herkes kendi sorumluluğunu taşıdığı konuda karar verir.

Eğer alınması gereken karar hücrenin kendi domain sınırlarını aşıyorsa, o zaman konu bir üst yapıya taşınır.

Burada üst circle’lar devreye girer.

Bu circle’lar alt hücrelerden gelen temsilcilerden oluşabilir. Onların görevi alt hücreleri yönetmek değildir. Hücrelerin tek başlarına çözemeyecekleri, birden fazla hücreyi ilgilendiren konularda koordinasyonu ve karar mekanizmasını sağlamaktır.

Eğer mesele onların da yetki alanını aşıyorsa bir üst circle’a taşınır.

Bu yapı en tepedeki kurucu circle’a kadar devam edebilir.

Nihai olarak şirketin tamamını ilgilendiren ve alt yapılarda çözülemeyen konular burada ele alınabilir.

Ama önemli olan şu:

Çoğu kararın hiçbir zaman buraya gelmemesi gerekir. Çünkü sistemin amacı bütün kararları yukarı taşımak değil, mümkün olduğu kadar kararın doğduğu yerde alınmasını sağlamaktır.

Hücre otonomdur.

Kendi sorumluluk alanı içerisinde kararlarını kendisi alır ve çalışmalarını sürdürür.

Burada çok önemli bir ayrım var:

Yönetici ortadan kalkar ama sorumluluk ortadan kalkmaz.

Tam tersine sorumluluk artar.

Çalışan artık:

“Bana böyle söylendi.”

“Ben müdürün dediğini yaptım.”

“Kararı ben vermedim.”

diyerek sorumluluğu yukarıya devredemez.

Çünkü kendi rolünün sınırları içerisinde hem kararın hem de ortaya çıkan sonucun sahibidir.

Böyle bir yapı birçok sorunu ortadan kaldırıyor:

– Patron olmadan şirket işlemeye devam eder.

– Karar mekanizmaları çalışanlara dağıtılır.

– Kararlar, konu hakkında en fazla bilgiye sahip olan insanların bulunduğu yerde alınır.

– Çalışan sadece görev değil, sorumluluk da üstlenir.

– Gereksiz yönetici hiyerarşileri ortadan kalkar.

– Her küçük kararın yukarı taşınması gerekmediği için şirket hızlanır.

– Patron şirketin darboğazı olmaktan çıkar.

– Patron-çalışan ilişkisi yerine “hepimiz aynı gemideyiz ve birlikte kürek çekiyoruz” mentalitesi gelişir.

Bence burada en önemli nokta şu:

Holakrasi yöneticisiz bir şirket kurmak değildir.

Yönetim fonksiyonunu birkaç yöneticinin elinden alıp organizasyonun tamamına dağıtmaktır.

Bir hücrenin çalışabilmesi için CEO’nun gelip ona ne yapacağını söylemesine gerek yoktur.

Tıpkı vücudumuzdaki bir hücrenin her hareketi için beynimizden izin istememesi gibi.

Ama hücre organizmadan bağımsız da değildir. Bir amacı vardır. Bir görevi vardır. Bir sorumluluk alanı vardır. Ve sınırları vardır.

Biz kurdugumuz startup bünyesinde tam olarak böyle bir organizasyon kültürü oluşturmak istiyoruz.

İnsanların yukarıdan emir beklediği değil, kendi sorumluluk alanlarında karar aldığı; yöneticilerin insanları kontrol ettiği değil, rollerin ve sorumlulukların sistemi yönettiği bir şirket.

Çünkü patron olmadan çalışmayan bir şirket, güçlü bir şirket değildir. Patronuna bağımlı bir şirkettir.

Asıl başarı, kurucusu ortadan kaybolduğunda bile ne yapması gerektiğini bilen ve çalışmaya devam eden bir organizma oluşturabilmektir.

Yapay Zeka ve Refactoring

Ben yazılımcıların severek ne test yazdıklarını ne de refactoring yaptıklarını gördüm.

Halbuki her ikisi de sağlıklı ve uzun ömürlü bir uygulama oluşturmak için elzem.

Testler olmadığı için kimse refactoring yapmaya cesaret edemiyor. Ya “bana ne” diyor ya da bunun için gerekli zamanı bulamıyor.

Yapay zeka ile yazılım geliştirme döngüsü ise test etme ve refaçtoring üzerine kurulu.

Ufak bir değişiklik istiyorsunuz. Mevcut yapıyı adapte ediyor, gerekiyorsa refactoring yapıyor ve yaptığı değişikliği testlerle garanti altına alıyor.

Şimdiye kadar GPT ya da Opus’un test yazmadan veya yaptığı değişikliği dokümante etmeden ciddi bir değişiklik yaptığını pek görmedim.

Aslında olan şu:

Bir uygulamayı yeni gereksinimlere adapta edebilmek için refactoring yapmak zorundasınız, yani continuous refactoring effort gerekli. Bunun için testlere ihtiyacınız var. Yapay zeka bir uygulamayı sürekli adapte etmek için gerekli en önemli yöntemin refactoring olduğunu biliyor sadece buna odaklanarak uygulamayı sürekli yoğuruyor.

Yazılımın ana prensibi aslında uygulamayı yeni müşteri gereksinimleri ile yoğurabilmek. Bu konuda yazılımcılar yıllarca ne yazık ki başarılı olamadılar. Bunun nasıl efektif yapıldığını artık yapay zekayı takip ederek, görebilirler.

Ajan Skill’leri Değişen Kültür

Agent skill’leri hakkında konuşalım.

Ben Claude Code bünyesinde hiçbir SKILL dosyası kullanmıyorum.

Açıkçası kullanmayı da tavsiye ve tasvip etmiyorum.

Neden?

Bu, sizin çocuğunuzu başka birisinin terbiye etmesi gibi bir şey.

Yapılacak işin tüm kurallarını bir skill set tanımlıyor. Siz ajana bir iş veriyorsunuz, skill ise ona bu işi nasıl yapması gerektiğini söylüyor.

Ama benim tam olarak devretmek istemediğim şey de bu: nasıl çalışması gerektiği. Çünkü bir ajanin nasıl çalışacağı benim yazılım geliştirme anlayışımın bir parçası.

– Gereksinimleri nasıl analiz edecek?

– Hangi soruları soracak?

– Ne zaman implementasyona başlayacak?

– Neyi kontrol edecek?

– Neyi test edecek?

– Bir işi ne zaman tamamlanmış kabul edecek?

Bunların hepsi benim çalışma metodolojimin parçaları.

Başkasının hazırladığı bir skill’i kullandığım anda sadece bir aracı kullanmış olmuyorum. O kişinin çalışma biçimini, varsayımlarını ve tercihlerini de sistemime dahil etmiş oluyorum.

Ben ajanların yeteneklerini standartlaştırmak istemiyorum.

Ben onların davranışlarını kendi çalışma sistemim içinde şekillendirmek istiyorum.

Bu yüzden hazır skill’ler yerine kendi loop’larımı, kurallarımı, review mekanizmalarımı ve onay/kabul kriterlerimi oluşturuyorum.

Ajan benim yerime kod yazabilir. Ama nasıl yazılım geliştireceğimize karar veren taraf ajanın skill dosyası olmamalı.

Yapay zeka araçları ile çalışmak gerçekten disiplin gerektiren bir şey. Gelişi güzel skill yükleyerek, işin daha da kolaylaşacağını düşünmek doğru değil. Çoğu zaman tam tersi oluşabilmekte, çünkü skiller gidişatı yönetme kabiliyetinizi sabote ediyor olabilirler.

Skill aslında bilgi değil, kodlanmış bir çalışma kültürüdür. Kendi kültürünüzü mü oluşturacaksınız yoksa başkalarının kültürünümü adapte etmeye çalışacaksınız?

Yazılım Üretim Hattı

Fikirden canlı ürüne nasıl geliyoruz, 10 adımda anlatalım (uçtan uca üretim modeli)

1. Güzel bir fikir buluyoruz. Başka kimsede bu fikrin olmaması lazım ;-)

2. Sonra Gpt ile geniş kapsamlı, saatler süren analiz seansları yapıyoruz.

3. Daha önce bolca bahsettiğim gibi loop engineering yapabilmek için gerekli iş paketlerini Gpt’ye hazırlattırıyoruz.

4. Akabinde loop.sh ile döngüyü başlatıyoruz ve bilgisayarın ekranını kapatıyoruz.

5. 24 ya da 48 saat sonra durum nedir diye Gpt’ye soruyoruz. Benim projelerim genelde gün ortasında başlıyor ve ertesi sabah kalktığımda ürün çalışır halde bekliyor oluyor.

6. Ürünü lokalde test ediyoruz. Eksiklerini tamamlattırıyoruz, hataları düzelttiriyoruz. Ben bu safhaya software factory’den çıkan uygulama için finetuning ismini veriyorum.

7. Daha sonra ilk deployment için sunucu hazırlıkları başlıyor. Bu işi yine Gpt üstleniyor. Gpt daha önce kurulmuş olan uygulamaları referans niteliğinde kullanarak yeni uygulamayı sunucularda high avaılable ve loadbalancer arkasında yer alacak şekilde birden fazla sunucuda kurma hazırlıklarını tamamlıyor. Çok daha önce tamamen dışarıya kapatılmış ve hardening yapılmış sunuculardan oluşan bir cluster sistemini Gpt ile zaten kurmuştuk.

8. Her projede ship.sh isminde bir script var. Bu bir wrapper script ve önce release.sh ile sürüm oluşturuluyor. Eğer bir flutter projesi ise android, ios, macos, windows, llinux, web sürümleri oluşturuluyor. Her sürüm öncesinde mevcut tüm testler koşturuluyor. Eğer bir backend projesi ise sürüm jar dosyası olarak çıkıyor. Sürüm artifact repositöry’ye yüklendikten sonra deploy.sh ile doğrudan sunuculara aktarılıyor. Yükleme öncesinde precheck ile sunucular check ediliyor. Deployment hatalı olursa, rollback yapılarak, eski sürüm aktifleştiriliyor.

9. Bir uydu uygulamamız olan kokpit ile hangi sunucuda hangi uygulamanın hangi sürümünün deploy edildiğini görebiliyoruz. deploy.sh son adımda kokpit için gerekli yüklemeleri yapıyor.

10. Bu noktadan itibaren fikir artık canlı canlı canlıda çalışır durumda. Fikir artık fikir değildir. Analiz edilmiş, geliştirilmiş, test edilmiş, sürümlenmiş, birden fazla sunucuya deploy edilmiş, gerektiğinde rollback edilebilir ve Kokpit üzerinden izlenebilir canlı bir üründür.

Fikirden canlı ürüne giden yol artık aylarla değil, günlerle; bazen saatlerle ölçülüyor.

Fikirden uygulama üreten ve canlıya alan üretim hattına hoşgeldiniz.

Yoruldum

Ben eskiden kod yazarken bu kadar zihinsel yorulmuyordum.

Spesifik bir şeye odaklanıp, saatlerce onunla uğraşabiliyordum.

Şimdi durum değişti.

Kod yazmıyorum. Kodu yazdırıyorum. Kodu da artık okumuyorum.

Ama eski çalışma sistemime göre bir değişim söz konusu.

Artık herşeyi en ince detayına kadar anlayıp, yapay zeka ajanlarını yönlendirmem ve yönetmem gerekiyor. Paralelde 2-3 değişik proje ve onlarca ajanla çalışıyorum ve bu detaycı çalışma tarzı zihinsel olarak beni yoruyor. Yorucu olan context switching + sürekli karar verme birleşimi.

Şikayet etmiyorum. Bu şekilde çalışmak ve aylar sonra ortaya çıkabilecek ürünleri birkaç gün içinde canlıya almak kadar eğlenceli bir şey yok.

Sadece zihinsel çalışma tarzım bile değişikliğe uğramış. Yeni farkına varıyorum.

Eskiden bilgisayarın işlemcisi gibiydim. Şimdi bilgisayarların schedüler’i gibi çalışıyorum.

Yapay zeka must have diyorsak, bu çalışma tarzının ne yazık ki bir alternativi yok.

Token ve Üretim Kapasitesi İlişkisi

Oh, oh!

Gpt haftalık limitim full, üzerinde birde bedava fulleme kredisi vermişler. Etti mi %200.

Claude codex de aynı şekilde full. Orada da bir resetleme kredisi var.

Toplamda %400 yapay zeka sermayem var.

Şimdi bu %400’ün yani yapay zeka sermayesinin ne anlama geldiğini somut bir örnek ile açıklayayım. Ben burada harcayabileceğim token görmüyorum. Ben burada üretim kapasitesi görüyorum.

Ben bununla şimdi 3 tane uygulama çıkartırım. Her birinin kendi desktop, mobil ve web arayüzü ve spring backend’ı var.

Sadece bir tanesi için 3 kişilik bir ekip bir ay çalışırdı.

Nereden nereye geldiğimizin küçük ama ifade gücü çok yüksek bir örneği.

Burada değişen şey sadece yazılım geliştirme hızımız değil aslında.

Eskiden yazılım üretme kapasitesini insan sayısı ve zaman ile ölçüyorduk. Üç yazılımcı, bir ay, bir uygulama gibi.

Şimdi bunun yanına yeni bir üretim faktörü eklendi: yapay zeka sermayesi.

Ben artık elimdeki GPT ve Claude limitlerine baktığımda sadece token ya da kullanım hakkı görmüyorum. Doğrudan üretim kapasitesi görüyorum.

Belki de yazılım dünyasında yaşanan asıl dönüşüm bu.

Yapay zeka sadece yazılımcının daha hızlı kod yazmasını sağlamadı. Bir kişinin ulaşabileceği üretim kapasitesini değiştirdi.

Yapay Zeka İle TDD

Daha önce TDD (Test Driven Development) yaptınız mı?

TDD’de çalışma mekanizması kabaca şöyle işler:

Önce bir test yazarsınız. Test çalışmaz, çünkü henüz kodda karşılığı yoktur. Sonra testi çalışır hale getirene kadar implementasyonu yaparsınız. Ardından yeni bir test yazarsınız. O da çalışmaz. Onu çalışır hale getirecek kodu yazarsınız. Böylece sürekli çalışmayan testler yeni kodu doğurur.

Testler kodun arkasından değil, kod testlerin arkasından gelir.

Malum, artık kod yazmıyoruz :)

O zaman TDD de yapamayız mı?

Tam tersine.

Yapay zeka ajanlarına TDD yaptırabiliriz.

Reçetesi şöyle:

Bir projeye başlamadan önce aklınıza gelen tüm onay/kabul kriterlerini bir dosyada tanımlayın.

Örneğin:

Given: Kullanıcı login olmak için kullanıcı adı ve şifresini girer.

When: Login tuşuna basar.

And: Girdiği şifre hatalıdır.

Then: Giriş engellenir ve kullanıcıya hata mesajı gösterilir.

Bu şekilde aklınıza gelen tüm kabul kriterlerini tanımlayın. Ardından yapay zeka ajanına şunu söyleyin:

Her kabul kriteri için bir E2E testi oluştur. Örneğin Cypress ile.

Ajan muhtemelen size: “Fakat bu testler mevcut implementasyonda çalışmayacak.” diyecektir.

Cevabınız:

“Zaten istediğim bu. Testleri oluştur. Sonra bütün testler yeşil olana kadar implementasyonu geliştir.”

İşte bu noktadan itibaren çalışma şekli değişiyor.

Artık yapay zekaya: “Şu özelliği geliştir.” demiyorsunuz.

Ona çalışması gereken testleri veriyorsunuz.

Ajanin görevi ise sistemi bu testleri geçecek hale getirmek oluyor.

→Test (red)

→ Implementasyon

→ Test (green)

→ Yeni test (red)

→ Yeni implementasyon

→ Test (green)

Yani TDD ortadan kalkmadı. Sadece artık testi geçecek kodu biz yazmıyoruz. TDD yapan bir yapay zeka ajanımız var.

Macroservice Event Driven Domain Based Monolith Architecture

Microservice mimarileri bence yanlış anlaşıldı.

SRP’den (Single Responsibility Principle) yola çıkılarak sadece tek bir iş yapan, kendi içinde koherent minnak servisler oluşturuldu. Sonra bütün bu servisleri HTTP üzerinden birbirine bağlayıp ortaya dağıtık bir cümbüş çıkardılar.

Aklı başında kimse bir sisteme microservice mimarisi ile başlamaz.

SRP yerine domain bazlı düşünmek lazım.

Oluşturulan uygulama kendi domainine tam anlamıyla hakim olmalı. Bu da o domain içerisinde bir modüler monolit olması anlamına gelir.

Örneğin:

– Identity bir domain → kendi monoliti

– CRM bir domain → kendi monoliti

– Commerce bir domain → kendi monoliti

– Communication bir domain → kendi monoliti

Her biri kendi verisine, iş kurallarına ve iç mimarisine sahip olur.

Asıl önemli nokta ise bu domainlerin birbirlerinden mümkün olduğunca bağımsız olmasıdır.

Domainler arasında gerçekten senkron bir cevaba ihtiyaç varsa API kullanılabilir. Ama bir domain içerisinde gerçekleşen bir değişikliğin diğer domainlere aktarılması gerekiyorsa, bunu HTTP çağrıları zinciriyle yapmak yerine event bazlı bir mimari tercih ederim.

Örnegin:

-> CustomerCreated

Event yayınlanır.

İlgilenen domainler bunu kendi ihtiyaçları doğrultusunda tüketir.

Böylece bir domain diğer domainin implementasyonunu bilmez. Hatta event’i yayınlayan taraf, kimin bu event’i tükettiğini bile bilmek zorunda değildir.

Ben bu yöntemle temelde klasik anlamda microservice olmayan ama tepeden bakıldığında bağımsız domain monolitlerinden oluşan bir mimari oluşturdum.

Buna kendi adıma:

Macroservice Event Driven Domain Based Monolith Architecture ;-)

diyorum.

Microservice’in küçüklüğünü değil, domain’in bütünlüğünü esas alıyorum.

Gidişat şu şekilde:

– Önce doğru domain sınırlarını çiz.

– Her domaini kendi içinde monolit olarak bırak.

– Domainleri birbirinden decouple et.

– Gerektiği yerde API, mümkün olduğu yerde event kullan.

– Dağıtık sistemin karmaşıklığını ancak gerçekten ihtiyacın olduğunda sisteme dahil et.

Tavsiye olunur ;-)

Yapay Zeka Daha İyi Kod Yazıyor

Yazılımcıların yapay zeka araçlarının yaptığı işlere karşı tereddüt etmesinin bence temel bir sebebi var:

Yazılımcılar, yazılımın ne kadar kırılgan olduğunu biliyorlar.

Mutlaka düşünülmemiş bir edge case vardır. Mutlaka hesaba katılmamış bir yan etki vardır. Bir yeri düzeltirsin, başka bir yer bozulur. Hop, sistem yamulur. :)

Zaten yazılımcılar yıllardır tam da bu nedenle regresyonu önleyecek mekanizmalar geliştiriyorlar: testler, type safety, static analiz, code review, CI/CD, monitoring vs.

Kendi yazdıkları kodun ne kadar kırılgan olabileceğini bildikleri için, doğal olarak yapay zekanın yazdığı koda da aynı şüpheyle yaklaşıyorlar.

Fakat burada önemli bir fark var.

Yapay zeka sadece kod üreten bir araç değil. Elindeki kod tabanını, gereksinimleri, testleri, logları ve runtime davranışını birlikte analiz edebildiğinde, bir insanın tek tek zihninde tutmakta zorlanacağı kadar fazla ilişkiyi aynı anda değerlendirebiliyor.

Benim bugüne kadarki tecrübem şu:

Yapay zeka şaşırtıcı derecede sağlam ve nokta atışı çözümler üretebiliyor.

Bana göre yapay zeka, doğru mühendislik mekanizmalarıyla çevrelendiğinde, insanlardan çok daha iyi kod yazabiliyor.

Runtime’da Kendini Tamir Eden Uygulamalar

Kendi kendini tamir (hot refactoring) eden uygulamalar devrinden bahsetmiştim.

Bunu kendi projelerimde nasıl uygulayacağımın reçetesini veriyorum.

– OpenAI’in max 20 aboneliğini kullan

– Sunuculara Codex CLI kur

– Git üzerinden projeleri klonla, yerlerini Codex ile paylaş

– Uygulamaların runtime çalışma ayarlarını Codex ile paylaş

– Çalışan uygulamalar için eşdeğer bir staging alanı oluştur

– Her işlem öncesinde prod DB backup oluştur ve staging alanında restore et

– Log, metric, health check ve gerektiğinde thread/heap dump gibi runtime verilerine Codex’in erişebilmesini sağla

– Uygulamanın sağlıklı çalışıp çalışmadığını belirleyen kuralları net olarak tanımla

– Bir hata oluştuğunda önce runtime verileri üzerinden root cause analizi yaptır

– Tespit edilen problem için kod değişikliğini staging üzerinde yaptır

– Unit, integration ve özellikle E2E testlerini otomatik çalıştır

– Staging üzerinde canlıya mümkün olduğunca yakın koşullarda yeni sürümü ayağa kaldır

– Aynı hatanın tekrar oluşmadığını ve mevcut fonksiyonların bozulmadığını doğrulat

– Tüm kontroller başarılıysa yeni sürümü oluştur

– Rolling deployment ile canlıya al

– Deployment sonrasında log, metric ve health check’leri tekrar kontrol ettir

– Bir regresyon tespit edilirse otomatik rollback yap

– Yapılan değişikliği, sebebini ve doğrulama sonuçlarını kayıt altına al

Böylece döngü şu hale geliyor:

Detect → Diagnose → Fix → Test → Deploy → Observe → Rollback

Buradaki kritik nokta Codex’in canlıda kafasına göre kod değiştirmesi değil.

Production problemi ortaya çıkarıyor. Yapay zeka problemi analiz ediyor. Düzeltmeyi staging üzerinde gerçekleştiriyor ve doğruluyor. Başarılı olan değişiklik kontrollü şekilde production’a taşınıyor.

Yani aslında uygulama kendi kodunu canlıda canlı canlı değiştirmiyor.

Canlıdan gelen geri bildirim, uygulamanın kendi yeni sürümünü üretmesini tetikliyor.

Benim “hot refactoring” dediğim şey tam olarak bu.

Bir sonraki aşama ise daha ilginç:

İnsan müdahalesini bu döngüden adım adım çıkarmak.

O zaman elimizde sadece kendi kendini tamir eden değil, kendi kendini işleten bir yazılım sistemi kalıyor.

Tek Kişilik Dev Yazılım Kadroları Dönemi

Tek kişilik dev kadrolarla yazılım geliştirmek için gerekli son eşiğin de aşıldığını düşünüyorum.

Bu son eşik neydi?

Sürümleme, deployment ve canlı işletim.

Kod yazmayı zaten yapay zekaya devretmeye başladık. Test, analiz ve refactoring süreçlerinde de aynı dönüşüm yaşanıyor.

Şimdi buna deployment ve production operasyonları da ekleniyor.

Bunların tamamını yapay zekayı yazılım geliştirme sürecine entegre ederek birkaç sesli komutla yönetmek mümkün hale geliyor.

Artık tek bir senior software engineer;

– gereksinimleri tanımlayabilir,

– uygulamayı geliştirebilir,

– test ettirebilir,

– sürümleyebilir,

– canlıya alabilir,

– canlidaki hataları analiz edip giderebilir,

– uygulamayı yeni gereksinimlere adapte edebilir

ve bu döngüyü istediği kadar tekrarlayabilir.

Yani eskiden farklı uzmanlıklara ve kalabalık ekiplere dağıtılmış olan yazılım yaşam döngüsünün tamamı, giderek tek kişinin yönettiği yapay zeka destekli bir mühendislik sistemine dönüşüyor.

Tek kişilik dev yazılım kadroları dönemi başlıyor.

Hot Refactoring

Ok, kritik bir eşiğe geldik.

Ben uygulamaların canlıya alınması ve orada işletilmesi konusunda da yapay zekayı öncelikli araç olarak kullanıyorum.

Neler yaptırıyorum?

– Sunucularda yeni bir servis için gerekli altyapı kurulumu (nginx, service start/stop scriptleri, veri tabanı oluşumu vb)

– Bir ürünün doğrudan HA konfigürasyonda rollilng deployment

– Hata olması durumunda hatanın analizi ve çözümü

– Monitoring işlemleri

Bir sonraki adımda runtime refactoring.

Runtime refactoring nedir?

Uygulamanın canlı canlı, bulunan bir hata sonrasında refactor ve hemen yeni sürümü ile replace edilmesi. Buna hot refactoring bile diyebiliriz.

Yani runtime’da kendi kendini tamir eden uygulamalar devrine geçiyoruz ;-)

Döngü şu şekilde olacak:

Observe → Diagnose → Modify → Verify → Deploy → Observe

Bu modelde yapay zeka sadece kod yazan ajan olmaktan çıkıyor. Production lifecycle’ın tamamını yöneten bir engineering agent haline geliyor.

Kendi kendini tamir eden uygumalar…

Şimdiye kadar bu self healing mekanizmaları container seviyesinde yapılabiliyordu, yani restart container ile servis yeniden çalışır hale geliyordu.

Eski self-healing: sistemi yeniden başlat.

Yeni self-healing: sistemi yeniden yaz ve deploy et.

Bunun güvenli olabilmesi için yapay zekanın etrafında deterministik bir güvenlik çemberi gerekiyor: E2E testleri, statik kod analizi, tanımlı mimarı kurallar, security scanning, health checks, rolling deployment ve otomatik rollback.

Yazılımda nasıl herşeyi artık otomatize edebiliyorsak, ürünün canlıya alınış ve işletilmesini de o derece otomatize edebiliriz.

Yazılımcı olarak çok heyecanlı zamanlar bizi bekliyor.

Sadece İyi bir Yazılımcı İyi Bir Yapay Zeka Kullanıcısı Olabillir

Yeni bir backend sürümü için ship.sh ile deployment başlattım. Lakin sunucu bir türlü ayağa kalkmıyor. Dakikalarca EventListener içinde bekliyor.

Konvansiyonel yöntemlerle bu problemi nasıl çözerdim?

Thread dump alarak.

Thread dump içinde çalışan tüm thread’lerin stack trace’lerini görebilir, sistemin nerede takıldığını veya bir deadlock olup olmadığını analiz edebilirim.

Bunun için sunucuya bağlanmam, gerekli komutları hazırlamam, thread dump almam, kendi bilgisayarıma aktarmam, bir thread dump viewer ile açmam ve analize başlamam gerekirdi.

Bu analiz belki bir saatimi bile alabilirdi.

Eğer oradan bir sonuca ulaşamazsam, bir sonraki adım olarak heap dump ile devam ederdim.

Bunların hiçbirisini yapmadım tabii ki. ;-)

GPT’ye sadece şunu söyledim:

“Sunucu ayağa kalkmıyor, analiz et.”

Nasıl analiz etmesi gerektiği konusunda hiçbir bilgi vermedim.

Şu anda kendi kararıyla thread dump almış ve onu inceliyor.

Yani ben ona çözüm yöntemini tarif etmedim. Problemi tarif ettim.

Hangi teşhis aracını kullanması gerektiğine, hangi verileri toplaması gerektiğine ve bunları nasıl analiz edeceğine kendisi karar verdi.

Ben bu satırları yazarken muhtemelen çözümü de implemente ediyordur.

Dur, bir bakayım. :)

Aklın yolu birdir. Yapay zekada çorbayı bizim gibi şu ile yapıyor. Ondan başka bir şey beklememek gerekiyor. Sadece daha hızlı düşünüyor ve yapıyor. Ben yazılımcı olarak thread dump nedir, nasıl alınır, nasıl analiz edilir sorularına cevap veremiyorsam, yapay zekanın çalışma şeklini anlayamam, anlamdıramam ve yönlendiremem. Bu yüzden sadece iyi bir mühendis iyi bir yapay zeka kullanıcısına dönüşebilir.

Canlı ve Bugfixing

Bir production bug’ın çözülmesi günler, hatta haftalar alabilir.

Çünkü bug’ın kendisini düzeltmek, sürecin sadece küçük bir parçasıdır.

Önce problemin fark edilmesi gerekir. Sonra anlaşılması ve kategorize edilmesi.

Ardından önceliğinin belirlenmesi, bir ticket’a dönüştürülmesi ve bir yazılımcıya atanması gerekir.

Yazılımcı problemi yeniden analiz eder, ilgili kodu bulur, çözümü geliştirir, test eder ve deployment süreci başlar.

Yani production bug çözmek şimdiye kadar pahalı bir işti. ;-) Çünkü sürecin her aşamasında insan vardı ve her insan sisteme yeni bir bekleme süresi ekliyordu.

Yapay zeka ajanlarıyla bu zincirin büyük bölümü ortadan kalkabilir:

Bug oluşur → tespit edilir → analiz edilir → ilgili kod bulunur → fix hazırlanır → testler çalıştırılır → çözüm doğrulanır → ve yeni deployment

Bütün bunlar aynı bağlamı paylaşan ajanlar tarafından ardışık ve otonom olarak gerçekleştirilebilir.

Hemen kendimden örnek vereyim, çünkü benim buradaki paylaşımlarımın temelinde bu konularda yaptığım somut tecrübeler yatıyor.

Biraz önce yeni bir uygulama içindeki icon upload kısmını kullanmak istedim. Ama her defasında yetkiniz yok reddini aldım. Hemen Gpt’ye sordum, burada ne oluyor diye. O da hemen nokta atışı CORS tanımlamarında PUT’un eksik olduğunu hemen bunu fix’leyebileceğini söyledi. Hemen hallet sonra yeni sürümü deploy et dedim. Aynen de öyle yaptı. Hatayı keşfedip, canlıya yeni bir sürüm almak toplamda 10 dakika sürmedi. Uygulama yeni hali ile şu anda deploy ediliyor ve ben biraz sonra icon upload yapabileceğim.

Daha önce günlerle, bazen haftalarla ölçülen bir süreç artık dakikalarla ölçülebilir.

Asıl devrim yapay zekânın daha hızlı kod yazması değil.

Yazılım geliştirme süreçlerindeki bekleme sürelerini ortadan kaldırması.

Solo Founder

Ben şahsen startup ekosisteminde venture capital ve gidişatı para ile hızlandırma işine sıcak bakanlardan değilim. Nedenlerini daha önceki yazılarımda paylaşmıştım.

Bu yazımda başka bir konuya değinmek istiyorum.

Melek yatırımcılar ve VC’ler genelde solo girişimcilere mesafeli yaklaşırlar. Bunun temel gerekçelerinden biri, tek bir insanın bir startup’ın bütün yükünün altından kalkamayacağı düşüncesidir.

Durum böyleyken bazen 5-10 kişinin, sadece yatırım alınabilecek bir yapı oluşturmak adına bir araya gelip startup kurduğu absürt durumlara bile şahit oluyoruz.

Ama artık denklemde yeni bir değişken var:

Yapay zekâ.

Bir girişimci şirketinde tek insan olabilir.

Ama yalnız olmayabilir.

Arkasında kod yazan, test yapan, araştırma yapan, dokümantasyon hazırlayan, müşteri taleplerini analiz eden, pazarlama içeriği üreten ve operasyonel işleri yürüten onlarca AI agent çalışıyor olabilir.

Yani şirket:

1 insan + N agent

şeklinde organize edilmiş olabilir.

Bu durumda “solo founder” kavramının eski anlamı hâlâ geçerli mi?

Belki de yatırımcının sorması gereken soru artık:

“Kaç kişisiniz?”

değil,

“Execution capacity’niz ne kadar?”

olmalı.

Çünkü 10 kişilik bir startup’ın yapabildiği işi bir insan ve onun yönettiği agent ordusu yapabiliyorsa, headcount artık şirketin kapasitesini ölçmek için anlamlı bir metrik olmayabilir.

O zaman asıl soru şu:

“Solo girişimciye yatırım yapılmaz” felsefesi AI çağında hâlâ geçerli mi?

Yoksa “solo founder” kavramını yeniden mi tanımlamamız gerekiyor?

Belki de geleceğin solo founder’ı aslında hiç de solo değildir.

Yazılımcı Mülakatları Bitmiştir

Bugün bir yazılımcı ile iş görüşmesi yapsam, kendisine neredeyse hiçbir şey sormazdım.

Önüne bir bilgisayar koyardım.

Bilgisayarda Codex ve Claude Code hazır olurdu. Bunun yanı sıra uygulamalarımızın kaynak kodlarına da erişimi olurdu.

Sonra:

“Canlıda şöyle bir problem çıktı. Düzeltin lütfen” der ve sadece yaptıklarını seyrederdim.

Ardından Jira’dan gerçekçi bir ticket açardım:

“Bunu implemente edin lütfen.”

Bu kadar.

Bu iki işlem sırasında aslında bilmek istediğim hemen hemen her şeyi görürdüm:

– Problemi nasıl analiz ediyor?

– Kod tabanında nasıl geziniyor?

– Yapay zekaya ne kadar doğru bağlam verebiliyor?

– Doğru soruları sorabiliyor mu?

– AI’ın ürettiği çözümü körü körüne kabul mü ediyor, yoksa sorguluyor mu?

Test ediyor mu?

– Mevcut mimariyi anlayıp ona uygun hareket edebiliyor mu?

– Bir hata çıktığında AI ile birlikte nasıl debug ediyor?

– Ve en önemlisi: AI’ı bir sohbet robotu olarak mı, yoksa gerçek bir mühendislik aracı olarak mı kullanıyor?

Yapay zekaya gerçekten aşina bir aday için bunlar günlük iş akışının doğal parçalarıdır.

Aşina olmayan bir aday içinse aynı görevler bir anda Kaf Dağı’na dönüşebilir.

Bence artık yazılımcı mülakatlarında “Ne biliyorsun?” sorusundan çok daha önemli bir soru var:

“Elindeki yapay zeka ile ne yapabiliyorsun?”

Kutsal Sürümler

Gelelim başka bir kutsal akdin demistifiye edilmesine:

“Sadece ürünün gelişmiş ve stabil hali sürüm olarak canlıya alınır. Onu stabilize etmek için her şey mübahtır.”

Yanlış!

Yazılım geliştirmek çok maliyetli olduğu için, sürüm oluşturmak ve canlıya almak da bu maliyet dünyasının bir parçasıydı.

Bir değişikliği üretmek pahalıydı. Test etmek pahalıydı. Hataları bulmak ve düzeltmek pahalıydı. Release hazırlamak pahalıydı. Bir şey ters giderse geri dönmek daha da pahalıydı.

Dolayısıyla doğal çözüm şuydu:

Değişiklikleri biriktir → test et → stabilize et → paketle → sürüm oluştur → canlıya al.

Böylece release’in kendisi bir olaya dönüştü.

Ama yapay zeka yazılım üretme maliyetini dramatik biçimde düşürüyorsa, sadece kod yazma biçimimiz değil, release mantığımız da değişmek zorunda.

Artık soru şu olmayabilir:

“Bu sürüm canlıya alınacak kadar stabil mi?”

Asıl soru şu olabilir:

“Bu değişikliği neden hala canlıya almadık?”

Küçük değişiklikler, küçük riskler, otomatik testler, feature flag’ler, observability, hızlı rollback ve yapay zeka destekli geliştirme…

Bunların birleştiği dünyada amaç mükemmel ve büyük sürümler üretmek değil;

değişiklik ile production arasındaki mesafeyi mümkün olduğunca sıfıra yaklaştırmak.

Belki de demistifiye edilmesi gereken şey “release” kavramının kendisidir.

Native AI Olmak

Eskiden büyük şirketler küçük şirketleri yutardı.

Sonra teknoloji gelişti. Küçük şirketler, büyük şirketler için ciddi birer tehdit olmaya başladı.

Şimdi yapay zeka geldi.

Yeni dönem bence daha farklı olacak:

AI-native şirketler, AI-native olmayan şirketleri zorlayacak.

Neden?

Çünkü AI-native bir şirket sadece yapay zeka kullanan şirket değildir. Ürün geliştirmesini, operasyonlarını, pazarlamasını, müşteri hizmetlerini, analizlerini ve karar mekanizmalarını en başından yapay zeka etrafında tasarlayan şirkettir.

Böyle bir şirket daha az insanla daha fazla iş yapabilir.

Ama bence asıl büyük avantajı bu bile değil.

Asıl avantajı değişim hızıdır.

Piyasa değişir → adapte olur.

Müşteri beklentisi değişir → ürünü değiştirir.

Yeni bir fırsat çıkar → dener.

Çalışmaz → geri döner.

Çalışır → ölçekler.

Bunların hepsini klasik organizasyonlardan çok daha hızlı yapabilir.

Bugün bir şirket kuruyorsanız, yapay zekayı şirketin etrafına eklenen bir araç olarak değil, şirketin merkezindeki işletim sistemi olarak düşünmeniz gerekiyor.

Mevcut bir şirketiniz varsa iş daha da zor. Çünkü yıllardır oluşmuş süreçleri AI-native hale getirmek, sıfırdan AI-native bir organizasyon kurmaktan bazen daha zor olabilir.

Bu yüzden radikal bir yöntem bile düşünülebilir:

Mevcut şirketinizin yanında ikinci, tamamen AI-native bir yapı kurun. Eski şirketin bilgisini, müşterilerini, ürünlerini ve tecrübesini bu yeni yapıya taşıyın. Ama eski çalışma biçimini taşımayın. Yeni şirketi baştan AI-native tasarlayın.

Ve dönüşüm tamamlandığında eski yapıyı kapatıp yenisiyle devam edin.

Çünkü önümüzdeki dönemde rekabet avantajı sadece yapay zeka kullanmak olmayacak. Rakibinizin haftalar içinde yaptığı değişikliği saatler içinde yapabilmek olacak.