TL;DR
· Bir AI girişimcisi, ajanların kod yazmasının erken kariyer yetenek sıralamasını değiştirdiğini söylüyor.
· Puanlanabilir görevler modeller için daha uygun; insanlar sorunları belirlemeyi, zamanı ve araçları yönetmeyi öğrenmeli.
· Nakit getiri tek hedef değil; ilişkiler, itibar ve teslimat kalitesi fark yaratıyor.

Scale AI, DeepMind, OpenAI, Google gibi şirketlerde çalıştığını ve şimdi ajan tabanlı bir girişimde yer aldığını belirten bir girişimci, gençlere yeni bir kariyer tavsiyesi yazdı. Arka planda, AI kodlama araçları tamamlama kodundan daha kapsamlı yazılım mühendisliği ajanlarına doğru evriliyor. OpenAI 2025'te Codex'i tanıttığında, bulutta paralel olarak fonksiyon yazma, hata düzeltme, PR önerme gibi görevleri yapabildiğini ancak yine de insan incelemesi ve doğrulaması gerektiğini belirtti. Soru şu hale geliyor: Standart cevaplar, sıradan kodlar ve puanlanabilir görevler giderek ucuzlarken, gençler zamanlarını nereye harcamalı?

Bu makalenin özü "programcıların yerini alacak" değil, erken kariyer seçim kriterlerinin değiştiği. Okullar ve geleneksel mülakatlar, tanımlanmış, net cevaplı ve notlandırılabilir sorular üzerinde yoğunlaşır; bu da modellerin en hızlı ilerlediği alan. Gelecekte insanları ayırt edebilecek şeyler, önemli sorunları keşfetmek, yüksek değerli ortamlar seçmek, güvenilir bir itibar oluşturmak ve ajanların ürettiği orta düzey sonuçları teslim edilebilir hale getirmek olabilir.

Nakit teklif tek cevap değil, zaman ve itibar daha kıt

Yazarın değerlendirmesine göre, AI girişim ortamında sermaye ve araçlar geçmişe göre daha kolay erişilebilir, ancak kaliteli zaman, güçlü ilişkiler ve güvenilir itibar hâlâ kıt.

Bunu kişisel deneyimiyle açıklıyor. Scale AI'ye katılmadan önce, daha yüksek nakit güvencesi sunan bir kantitatif pozisyon teklifi aldığını ancak sonunda Scale'i seçtiğini söylüyor; çünkü orada daha güçlü bir topluluk, daha geniş ürün senaryoları ve öncü sorunlara daha fazla erişim vardı. Anılarına göre, daha sonra Scale sayesinde büyük model çıkarım sağlayıcılarıyla tanıştı, DeepMind ve OpenAI fırsatları elde etti ve daha sonra birlikte girişim kuracağı bir grup meslektaşla tanıştı.

Bu deneyimler herkes için bir kariyer formülü olarak genellenemez, ancak verdiği uyarı çok doğrudan: Erken kariyer seçimlerinde sadece anlık nakde bakılmamalı. Özellikle AI, yazılım oluşturma engelini düşürdükten sonra, hızlıca para kazandıran küçük bir araç yapmak artık nadir değil; uzun vadeli getiriler genellikle daha zor sorunlardan, daha güçlü insanlardan ve daha güvenilir bir özgeçmiş sinyalinden gelir.

Gençlerin sorması gereken "hangi fırsat hemen daha fazla para veriyor" değil, bu işin zamana değip değmediği, iyi insanlarla birlikte yapılıp yapılamayacağı, iyi çalışmalarının güvenilir kişiler tarafından görülüp görülmeyeceği ve bir sonraki fırsat için bir kredi temeli oluşturup oluşturmayacağı.

Mühendislik Değeri "Çözüm Bulmaktan" "Sorun Bulmaya" Kayıyor

Akıllı ajanlar, sınırları net olan sorunları giderek daha fazla çözebildiğinde, bir mühendisin değeri artık sadece "çözüp çözemeyeceği" değil, "doğru sorunu seçip seçemeyeceği" haline geliyor.

Yazar, ekiplerinin mülakat sürecini yeniden tasarladığından bahsediyor. Bunun nedeni, gerçek iş hayatında artık her satır kodu elle yazmak gerekmiyorsa, sırf algoritma soruları ve geleneksel sistem tasarımını test etmenin iş performansıyla olan ilişkisinin azalması. Daha anlamlı bir test, adayın ortamı hızlıca kavrayıp, çözmeye değer sorunları keşfedip, ardından AI araçlarını ve harici kaynakları kullanarak sonuçlara ulaşabilmesidir.

Bu aynı zamanda, akıllı ajanların kod yazmasından sonraki yeni iş bölümüdür. Modeller, hedefi net ve geri bildirimi açık olan görevlerde iyidir; insanlar ise hangi sorunun önemli olduğuna, hangi yolun denenmeye değer olduğuna ve ne kadar zaman ile model çağrı maliyetinin yatırılması gerektiğine karar vermelidir.

Öğrenciler için, AI'ın ödevleri yapabilmesi hayal kırıklığı yaratabilir. Ancak işe alım açısından bakıldığında, adaylar arasındaki farklılıklar ortadan kalkmamıştır. Herkes AI ile cevap alabilse de, bazıları çok sayıda deneme yanılma ve ipucu gerektirirken, diğerleri iş sezgisi, teknik geçmiş ve bağlamla akıllı ajanlarla işbirliği yaparak daha hızlı yön bulabilir.

"AI kullanmayı bilmek" de sadece sorunu modele atmak değildir. Daha güçlü yetenekler arasında sorunu parçalara ayırmak, eksik bilgileri tespit etmek, ne zaman yinelemeye devam edileceğine, ne zaman rota değiştirileceğine karar vermek ve sonuçların iş veya teknik açıdan kritik bir çelişkiyi gerçekten çözüp çözmediğini doğrulamak yer alır.

Yazılım Yapmak Ne Kadar Kolaylaşırsa, O Kadar Zor Sorunlara Yaklaşmak Gerekir

AI, yazılım oluşturma eşiğini düşürdü ve basit sistemlerin kopyalanmasını kolaylaştırdı. Yazar, makine öğrenimi araştırmalarındaki "Acı Ders" (Bitter Lesson) kavramını kullanarak kariyer seçimlerini açıklıyor: Uzun vadede, genel yöntemleri genişletmek, tek bir görev için ince ayar yapmaktan genellikle daha iyidir.

Şirketler ve bireysel kariyerler açısından bu, basit çıktıların koruyucu hendeğinin (moat) inceldiği anlamına gelir. Herkes kullanılabilir görünen bir sistemi daha kolay oluşturabilir; gerçekten kalıcı değer ise yeterince zor ve yeterince iddialı sorunlarda yoğunlaşır.

Yazar, şirket seçerken şu kriteri veriyor: Bu şirket, sorunun en iddialı versiyonunu mu çözüyor ve gerçekten çözme şansı var mı? Pozisyon seçerken ise, bu rolün kişinin şirketin çözmekte olduğu öncü sorunlarla doğrudan temas etmesini sağlayıp sağlamadığına bakılmalı.

Ayrıca, sadece erken dönem ürününün güzel olup olmadığına veya demosunun etkileyici olup olmadığına odaklanılmaması gerektiğini belirtiyor. Kendi öznel değerlendirmesine göre, Anthropic'in ilk demosu o zamanlar ChatGPT'den daha kötü bir Slackbot gibi görünüyordu, ancak bu şirketin daha sonra tamamen farklı bir yola girmesini engellemedi. Erken dönem şirketler değişir, ürünler değişir; ekip kalitesi, pazar alanı ve sorunun zorluğu uzun vadeli sonuçları daha fazla etkiler.

Kariyer fırsatları da benzer bir mantıkla işler. Yüksek kaliteli fırsatlar her zaman sonuca dönüşmez, ancak kişinin önce bu fırsatları görebileceği bir konumda olması gerekir. O konuma gelebilmek ise uzun vadeli birikim, itibar ve başkalarının fırsatları size açıp açmayacağına bağlıdır.

Sıradan sonuçlar daha ucuz, son %10 daha değerli

Basit bir komutla bir ajanın orta kalitede sonuçlar üretebildiği bir ortamda, sıradan çıktıların değeri düşerken, son rötuşların değeri artar.

Sequoia Capital'den Alfred Lin'in sözlerine atıfta bulunan yazı, son %10'un genellikle işin %90'ı ve getirinin %90'ı olduğunu belirtiyor. Yapay zeka çağında bu ifade daha da gerçekçi hale geliyor. Çünkü 70 puanlık sonuçlara ulaşmak giderek kolaylaşırken, insanları gerçekten ayıran şey; özgün bakış açısı, detaylara verilen önem, yineleme yeteneği, mimari kalite, ölçeklenebilirlik ve yaratıcılık oluyor.

Yapay zekanın ilk çıktısı nadiren mükemmel olur. Asıl iş genellikle sonraki yinelemelerde ortaya çıkar: Neyin yanlış olduğunu, nerelerin yeniden yapılandırılması gerektiğini, hangi deneyimlerin akıcı olmadığını, hangi uç durumların kapsanmadığını ve ne zaman bir sonraki modeli kullanarak her şeye sıfırdan başlanması gerektiğini keşfetmek.

Bu beceriler projeler, stajlar ve gerçek iş deneyimleriyle geliştirilebilir. Biraz daha fazla zaman harcayarak mimariyi temizlemek, ölçeklenebilirliği düşünmek ve detayları kullanıcıların gerçekten kullanmak isteyeceği seviyeye getirmek, hem projelerde hem de mülakatlarda iz bırakır.

Geleneksel mühendislik becerileri geçerliliğini kaybetmedi. Değişen şey, kod yazmanın kendisinin nadirliğinin azalması; yargı, estetik, sistem anlayışı ve teslimat kalitesinin daha değerli hale gelmesi. Yapay zeka, daha fazla insanın orta seviyeye ulaşmasını sağlıyor, ancak geriye kalan farkı kapatmak daha da zorlaşıyor.

Araştırmanın eşiği düştü, ancak araştırma bir unvan değil

Yazı son olarak "araştırmaya nasıl girilir" sorusuna uzanıyor. Yazar, yapay zekanın araştırmayı yalnızca en üst düzey laboratuvarlara ait olmaktan çıkardığını, aksine erken giriş eşiğini düşürdüğünü savunuyor.

Modern araştırma elbette daha fazla hesaplama gücüne bağımlı, ancak başlangıç noktası oldukça sade olabilir: Mevcut modelleri kullanmak, kendi sezgilerini değerlendirmelere dönüştürmek, açık optimizasyon listelerine katılmak, bulut bilişim platformlarının öğrenci ve araştırmacılara sağladığı kredilerden yararlanmak ve fikirleri mümkün olduğunca erken test etmek. Çoğu fikir ölçek büyütüldüğünde başarısız olur, ancak başarısızlığı anlamak, araştırma muhakemesinin bir parçasıdır.

Araştırmacı olmak öncelikle bir çalışma biçimidir, sadece bir pozisyon değildir. Öncü laboratuvarlardaki araştırma genellikle merak, yeni fikirleri deneme, altyapıyla uyum sağlama, sistem detaylarını anlama, hızlı hata ayıklama ve daha fazla kaynak elde etmek için sonuçların değerini net bir şekilde ifade etme gibi unsurları bir araya getirir. Bu eğitimin çoğu, "araştırmacı" unvanını almadan önce başlayabilir.

Bu makalenin sunduğu kariyer tavsiyeleri karamsar değil. Yapay zeka, standart cevapları, sıradan kodları ve puanlanabilir görevleri daha ucuz hale getirirken, gençlerin gerçek sorunlarla daha erken tanışmasını sağlıyor. Fırsatlar hâlâ mevcut, sadece dağıtım şekli değişti: Önemli sorunları bulan, kaliteli bir ortama giren, güvenilir bir itibar biriktiren ve sonuçları son aşamaya kadar taşıyan kişi, bir sonraki fırsatı yakalamaya daha yakın olur.

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia