Geçen ay, bir üretim ERP’sinde operatör ekranları için yeni bir AI destekli planlama modülü geliştiriyorduk. AI’ın kod üretimindeki hızı ve karmaşık algoritmaları ne kadar kolay entegre ettiğini görünce, bir an durup “Peki bizim işimiz ne olacak?” diye düşündüm. Bu sadece benim değil, sanırım sektördeki birçok arkadaşımın aklını kurcalayan bir soru. AI’ın yükselişiyle birlikte, yazılım dünyasındaki bazı rollerin geleceği belirsizleşirken, bazılarının önemi de katlanarak artıyor.
Bu yazıda, 20 yıllık saha tecrübeme dayanarak, AI çağında yazılım geliştirme ekosisteminde hangi rollerin “güvende” kalacağını ve hangilerinin “tehlikeli” bir döneme gireceğini 5+5 başlık altında inceleyeceğim. Güvenlikten kastım, AI’ın doğrudan yerine koyamayacağı, yüksek düzeyde problem çözme, yaratıcılık, insan etkileşimi ve derin sistem bilgisi gerektiren roller. Tehlikeli olarak nitelediklerim ise, büyük ölçüde tekrar eden, şablon bazlı veya AI’ın mevcut yetenekleriyle kolayca taklit edebileceği görevleri içeren pozisyonlar.
AI Çağında “Güvenli” ve “Tehlikeli” Rol Ne Anlama Geliyor?
Bu konuda net bir tanım yapmak, gelecekteki kariyer planlamamız için kritik. Benim için “güvenli rol”, AI araçlarının yeteneklerini artırdığı, daha karmaşık sorunlara odaklanma fırsatı sunduğu ve insan dokunuşunun vazgeçilmez olduğu bir pozisyonu ifade ediyor. Bu roller, AI’ı bir asistan olarak kullanarak verimliliği artıran ancak temel karar alma süreçlerinde veya stratejik düşünmede AI’a bağımlı olmayan yetkinlikleri içerir.
Öte yandan, “tehlikeli rol” dediğimde, AI’ın rutin görevleri otomatize etmesiyle iş yükünün önemli ölçüde azaldığı veya AI’ın insan performansını kolayca aşabildiği alanları kastediyorum. Bu rollerdeki profesyonellerin, mevcut becerilerini AI ile entegre etmek veya daha yüksek seviyeli, AI’ın henüz ulaşamadığı uzmanlık alanlarına kaymak için hızlıca adapte olması gerekecek. Aksi takdirde, iş piyasasında rekabet güçleri azalabilir. Geçen yıl kendi yan ürünümün Android spam uygulamasında basit bir sınıflandırma algoritmasını Gemini Flash ile değiştirdiğimde, kod yazma ve veri analizi süreçlerimin ne kadar hızlandığını net bir şekilde gördüm.
AI Çağında En Güvenli 5 Yazılım Rolü
AI’ın karmaşık problem çözme, yaratıcılık ve insan etkileşimi gerektiren görevlerde henüz insan seviyesine ulaşamadığı ortada. Bu nedenle, aşağıdaki rollerin önümüzdeki dönemde daha da değerli hale geleceğini ve AI’ın bu alanlardaki profesyonellerin yeteneklerini artıracağını düşünüyorum. Bu roller, AI’ı bir asistan olarak kullanıp, insan uzmanlığını daha da keskinleştiren nitelikte.
1. AI Uygulama Mimarisi ve Mühendisliği (Prompt Mühendisliği ve Agent Pattern’leri)
AI’ın kendisini geliştiren ve entegre eden roller, şüphesiz en güvenlilerden. Bir üretim ERP’sinde AI ile üretim planlama modülü tasarlarken, sadece bir model seçmek yetmiyor; prompt engineering ile modelden doğru çıktıyı almak, RAG (Retrieval-Augmented Generation) pattern’leri ile güncel ve sektöre özgü verileri entegre etmek ve agent pattern’leri ile karmaşık iş akışlarını otomatize etmek gerekiyor. Benim deneyimimde, bu alandaki mühendisler, farklı AI modellerini (Gemini Flash, Groq, Cerebras) ve çoklu sağlayıcı fallback stratejilerini yöneterek, işin kritik noktalarında insan zekasını devreye sokuyor. Birkaç ay önce kendi yan ürünüm için karmaşık bir finansal hesaplayıcıda, Groq’un hızını ve Gemini Flash’ın mantık yürütme yeteneğini bir araya getiren bir fallback mekanizması kurdum. Bu tür mimariler, AI’ın yeteneklerini maksimize ederken, tek bir modele veya sağlayıcıya bağımlılığı azaltıyor.
2. DevOps ve Site Reliability Engineering (SRE)
AI, bazı otomasyon görevlerini hızlandırabilir ancak distributed sistemlerin karmaşıklığı, performans optimizasyonu ve kesintisiz operasyon sağlama yeteneği hala insan uzmanlığı gerektiriyor. Bir bankanın iç platformunda çalıştığım dönemde, PostgreSQL WAL bloat sorununu çözmek için AI’dan genel öneriler alsam da, connection pool tuning, logical replication stratejileri ve cgroup memory.high limit gibi ince ayarları yapmak benim deneyimime kalmıştı. AI, log analizinde veya anomali tespitinde yardımcı olabilir, ancak bir routing flap durumunda BGP routing decisions’ı anlamak, MTU/MSS mismatches’ı gidermek veya bir switch loop’unu tespit etmek için derin network bilgisi ve problem çözme yeteneği gerekiyor. Observability (metrik, log, trace) altyapısını kurmak ve SLO/error budget’ları yönetmek, hala insan mühendislerin stratejik sorumluluğudur.
3. Siber Güvenlik Mühendisliği (Tehdit Avcılığı ve Olay Müdahalesi)
AI, güvenlik ihlallerini tespit etme ve anomali analizi konusunda büyük bir yardımcıdır, ancak insan zekasının yerini alamaz. Tehdit avcılığı, yeni saldırı vektörlerini anlama, sıfır gün zafiyetlerini (zero-day exploits) analiz etme ve karmaşık olaylara müdahale etme, sürekli öğrenme ve yaratıcılık gerektirir. Örneğin, bir CVE-2026-31431 gibi kritik bir kernel zafiyeti çıktığında, AI size genel bir bilgi verse de, hangi kernel modüllerinin blacklist’e alınması gerektiği, SELinux/AppArmor profillerinin nasıl güncelleneceği veya audit subsystem (auditd) loglarının nasıl yorumlanacağı konusunda derinlemesine bilgiye ihtiyaç duyulur. Bir müşterinin ağında sıfır güven mimarisi (Zero-Trust Architecture) tasarlarken, egress kontrol politikalarını belirlemek ve segmentasyon stratejilerini uygulamak, AI’ın önerileriyle değil, insan uzmanlığıyla şekillenir.
4. Kurumsal Yazılım Mimarisi (Domain Uzmanlığı ve İş Akışı Tasarımı)
Yazılım mimarisi, çoğu zaman yazılımdan çok organizasyonel akışları anlamakla ilgilidir. Bir üretim ERP’sinde 5 yıldan fazla çalıştığımda, satın alma, üretim, sevkiyat ve faturalama gibi kritik iş akışlarını dijitalleştirmek, sadece kod yazmakla değil, işletmenin iç dinamiklerini ve trade-off’larını anlamakla ilgiliydi. AI, belirli bir modülün kodunu üretebilir ancak monolith vs microservice seçimi, event-sourcing, CQRS, idempotency, transaction outbox gibi mimari kararlar, iş gereksinimleri, performans beklentileri ve mevcut altyapı kısıtları göz önünde bulundurularak alınır. Özellikle optimistic vs pessimistic lock veya ORM trap’leri (N+1, eager-load patlamaları) gibi detaylar, ancak gerçek dünya senaryolarında edinilen tecrübeyle doğru şekilde yönetilebilir.
5. Veri Mühendisliği ve Bilgi Grafiği Uzmanlığı
AI modelleri büyük veri setlerine ihtiyaç duyar, ancak bu verileri toplamak, temizlemek, dönüştürmek ve anlamlı hale getirmek hala veri mühendislerinin işidir. Özellikle Knowledge Graph’lar (bilgi grafikleri) gibi karmaşık yapıların tasarımı ve yönetimi, AI’ın tek başına yapabileceği bir şey değil. Wikidata, ORCID veya Schema.org gibi standartları kullanarak anlamsal veri ağları kurmak, derin veri modelleme bilgisi ve domain uzmanlığı gerektirir. Bir yan ürünümün anonim Türkiye veri platformu için farklı kaynaklardan gelen veriyi birleştirirken, veri kalitesi, tutarlılığı ve entegrasyon stratejileri konusunda AI’dan aldığım öneriler sadece başlangıç noktasıydı. PostgreSQL index stratejileri (B-tree, GIN, BRIN), connection pool tuning ve replikasyon (logical vs physical) gibi veritabanı performansını doğrudan etkileyen konular, yine insan müdahalesi ve deneyimiyle optimize edilir.
AI Çağında En Tehlikeli 5 Yazılım Rolü
AI’ın hızlı gelişiminin bazı yazılım rollerini doğrudan etkileyeceği ve hatta zamanla değiştireceği aşikar. Özellikle tekrar eden, şablon bazlı veya düşük yaratıcılık gerektiren görevler, AI’ın otomasyon yetenekleri karşısında savunmasız kalabilir. Bu rollerdeki profesyonellerin, beceri setlerini daha üst düzey ve AI’a dirençli alanlara doğru evirmeleri kaçınılmaz hale gelecek.
1. Şablon Bazlı veya Basit Frontend Geliştirme
AI, özellikle modern framework’ler (Vue, React) ve bileşen kütüphaneleri kullanarak boilerplate kodu ve UI bileşenlerini son derece hızlı bir şekilde üretebiliyor. Geçen yıl kendi siteme yaptığım bir dashboard’un temel tasarımını, sadece birkaç prompt ile AI’a yaptırdığımda, manuel olarak harcayacağım sürenin %70’inden fazlasını kazandım. Eğer bir frontend geliştiricinin işi büyük ölçüde şablonlardan sayfa oluşturmak, basit CRUD arayüzleri yazmak veya hazır kütüphanelerle temel bileşenleri birleştirmekten ibaretse, AI bu görevleri çok daha verimli yapabilir. Gelecekte, frontend geliştiricilerin daha çok UX/UI tasarım prensiplerine hakim, erişilebilirlik (accessibility) ve performans optimizasyonu gibi niş alanlarda uzmanlaşmış veya AI destekli araçlarla karmaşık, etkileşimli deneyimler yaratabilen roller üstlenmesi gerekecek.
2. Tekrar Eden Manuel QA ve Temel Test Otomasyonu
AI’ın test senaryoları üretme, test verisi oluşturma ve hatta testleri otomatik olarak yürütme yetenekleri giderek artıyor. Özellikle tekrar eden regresyon testleri veya manuel olarak yapılan temel fonksiyonel testler, AI tarafından çok daha hızlı ve hatasız bir şekilde gerçekleştirilebilir. Bir müşteri projesinde, belirli bir API endpoint’i için yüzlerce farklı istek kombinasyonunu AI’a ürettirip test ettirdiğimde, insan gücüyle haftalar sürecek bir işi birkaç saatte tamamladığımı gördüm. Bu durum, QA uzmanlarının rolünü temel test otomasyonundan, daha çok exploratory testing, performans testi, güvenlik testi, karmaşık senaryo tasarımı ve AI destekli sistemlerin kendisinin test edilmesi gibi daha yüksek değerli alanlara kaydıracaktır.
3. Basit Veri Girişi ve Ön İşleme Görevleri
AI, yapılandırılmış veya yarı yapılandırılmış verilerden bilgi çıkarma, veri temizleme ve basit dönüşüm görevlerinde oldukça başarılı. Bir üretim firmasının ERP’sinde, tedarik zinciri entegrasyonu sırasında farklı formatlarda gelen fatura ve sevkiyat verilerini manuel olarak işlemek yerine, AI tabanlı bir parser kullanarak bu süreci %90 oranında otomatize ettim. Bu tür görevler, daha önce çok sayıda insan kaynağı gerektiren, ancak AI’ın doğal dil işleme (NLP) ve kalıp tanıma yetenekleri sayesinde kolayca otomatize edilebilecek alanlardır. Bu alandaki çalışanların, daha çok veri analizi, veri modelleme veya AI modellerinin eğitimi ve denetimi gibi görevlere yönelmesi gerekecektir.
4. Rutin Sistem Yönetimi ve Basit Scripting
AI, belirli koşullara göre sistem loglarını analiz edebilir, basit sorunları teşhis edebilir ve hatta önceden tanımlanmış senaryolara göre düzeltici eylemler uygulayabilir. Örneğin, bir sunucuda disk doluluğu alarmı düştüğünde, AI’ın hangi dosyaların yer kapladığını tespit edip, eski logları silme gibi basit bir scripti otomatik olarak çalıştırması mümkündür. Benzer şekilde, systemd unit’leri için basit ayarlar yapmak veya journald loglarını filtrelemek gibi rutin görevler AI tarafından kolayca yapılabilir. Kendi VPS’imde Redis OOM eviction policy seçimi veya Nginx reverse proxy ayarları gibi konularda AI’dan aldığım ilk taslaklar, işimi oldukça hızlandırmıştı. Bu durum, sistem yöneticilerinin daha çok karmaşık altyapı mimarisi, güvenlik politikaları, otomasyon araçlarının geliştirilmesi ve AI destekli operasyonel sistemlerin denetimi gibi alanlara odaklanmasını gerektirecek.
5. Düşük Seviyeli ve Şablon Bazlı Backend Geliştirme
AI, belirli bir API spesifikasyonundan veya veritabanı şemasından hareketle temel CRUD (Create, Read, Update, Delete) operasyonları için backend kodunu üretebilir. FastAPI ile bir API geliştirirken, temel endpoint’leri ve veri modellerini AI’a yazdırdığımda, manuel yazım süremde ciddi bir azalma oldu. Eğer bir backend geliştiricinin işi büyük ölçüde şablonlara dayalı, standart veritabanı işlemleri veya basit iş mantığı uygulamaksa, AI bu görevleri rahatlıkla üstlenebilir. Gelecekteki backend geliştiriciler, daha çok dağıtık sistem mimarileri (microservices), karmaşık algoritmalar, yüksek performanslı veritabanı optimizasyonları (PostgreSQL partition stratejileri, read replica routing) ve güvenlik (JWT/OAuth2 paternleri, rate limiting, SQL injection mitigation) gibi alanlarda uzmanlaşmak zorunda kalacaklar.
AI’ın Etkisi ve Kariyer Yolculuğumdaki Gözlemlerim
Yazılım dünyasındaki 20 yıllık tecrübem boyunca, teknolojinin sürekli evrildiğini ve rollerin dönüşüme uğradığını birçok kez deneyimledim. AI’ın etkisi de daha önceki paradigma değişimlerinden (internetin yükselişi, mobil devrim, bulut bilişim) farklı değil; sadece hızı ve kapsamı daha geniş. Kendi kariyerimde, bir VPS’i açtıktan 7 dakika sonra SSH’a başlayan brute-force saldırılarından, bir üretim ERP’sinde gecikmeli sevkiyat raporlarını düzeltmeye kadar birçok farklı problemle karşılaştım. Bu sorunların çözümünde her zaman AI yoktu ama bugünün dünyasında AI, bu sorunların teşhisini ve çözümünü hızlandırıyor.
Kendi yan ürünlerimden biri olan Android spam blocker uygulamasında, gelen SMS’leri sınıflandırmak için basit bir kural tabanlı sistemden, AI destekli bir modele geçiş yaptığımda, hem doğruluk oranının arttığını hem de yeni kurallar ekleme süresinin ciddi şekilde azaldığını gördüm. Bu, benim de bir AI mühendisi gibi düşünmeye başlamamı sağladı.
Sonuç: Adaptasyon ve Sürekli Öğrenme İhtiyacı
AI çağında yazılım rolleri, daha önce gördüğümüzden çok daha hızlı bir dönüşüm yaşıyor. Benim tecrübemde, her zaman problem çözme yeteneği, derinlemesine sistem bilgisi ve öğrenmeye açıklık öne çıktı. Bugün de durum farklı değil. En güvenli roller, AI’ın yeteneklerini artırdığı ve insan zekasının, yaratıcılığının ve etik yargısının vazgeçilmez olduğu alanlarda yoğunlaşıyor. En tehlikeli roller ise, rutin ve şablon bazlı görevlerin AI tarafından kolayca otomatize edilebildiği yerlerde bulunuyor.
Bu dönüşüm, bir son değil, yeni bir başlangıç. Her birimiz için, mevcut becerilerimizi AI ile nasıl zenginleştirebileceğimizi düşünmek, yeni alanlara yönelmek ve sürekli öğrenmeyi bir yaşam biçimi haline getirmek kritik öneme sahip. Unutmayın, AI’ın en büyük gücü, bizim problem çözme yeteneklerimizi artırmasıdır; ancak bu gücü kullanmak ve doğru yönlendirmek hala bizim elimizde. Bir sonraki yazımda, bir sistemde anomali tabanlı izleme yaparken karşılaştığım ilginç bir network flap durumunu ve nasıl çözdüğümü anlatacağım.