AMP: İmparatorun Hiçbir Giysisi Yok – Neden AI Kodlama Ajanları Geliştirici Araçları Pazarını Sarsıyor?

Giriş

AI kodlama ajanı alanı eşi benzeri görülmemiş bir dönüşüm yaşıyor. Altı ay önce öncü olan bir araç, bugün artık demode kabul ediliyor. GitHub Copilot, bir zamanlar AI destekli geliştirme için altın standarttı; şimdi ise daha yeni araçlar onu gölgede bıraktı. Cursor, gelmiş geçmiş en hızlı büyüyen girişim olarak piyasayı domine etti, ancak daha gelişmiş çözümlerle rekabet etmek zorunda kaldı. Bu hızla değişen ekosistemde Sourcegraph cesur bir stratejik karar verdi: Mevcut Cody ürününü adım adım geliştirmek yerine, AMP’yi başlattı—AI yeteneklerinin sınırlarını kucaklamak için sıfırdan inşa edilen tamamen yeni bir kodlama ajanı.

Bu makalede, AMP’nin arkasındaki felsefe, teknik mimari ve iş stratejisini, bu devrim niteliğindeki aracın ekibiyle yapılan görüşmelerden alınan içgörüler ile keşfedeceğiz. Geleneksel ürün geliştirme yaklaşımlarının hızlı AI ilerlemesi çağında neden başarısız olduğunu, araç çağıran ajanların önceki AI kodlama yardımcılarından nasıl temelden farklılaştığını ve otonom geliştirme geleceğinin nasıl görüneceğini inceleyeceğiz. En önemlisi, “imparatorun hiçbir giysisi yok”—görünürde sarsılmaz piyasa konumuna sahip köklü ürünlerin, temel teknolojinin değişmesiyle nasıl bir gecede önemsizleşebileceğini anlayacağız.

{{ youtubevideo videoID=“b4rOVZWLW6E” provider=“youtube” title=“AMP: İmparatorun Hiçbir Giysisi Yok - AI Kodlama Ajanları Geliştirici Araçlarını Neden Sarsıyor?” class=“rounded-lg shadow-md” }}

AI Kodlama Ajanları Nedir ve Nasıl Çalışır?

AI destekli geliştirmenin evrimi, her nesil öncekine dayanarak ama geliştiricilerin yapay zekâyla etkileşimini temelden değiştirerek belirgin bir rota izledi. AMP’nin önemini anlamak için, bir kodlama ajanını önceki AI yardımcılarından ayıran şeyin ne olduğunu kavramalıyız. Yolculuk, geliştiricilerin editörlerine doğrudan kod tamamlama ve öneri yetenekleri getiren GitHub Copilot ile başladı. Copilot devrim niteliğindeydi çünkü AI’yı geliştirici iş akışına müdahale etmeden dahil etti, öneriler sundu. Ancak Copilot temelde sınırlıydı—kod önerebiliyor, fakat karmaşık, çok adımlı görevleri yürütemiyor ve geniş geliştirme ortamı ile etkileşime geçemiyordu.

Bir sonraki nesil, Cursor ve Windsurf gibi araçlarla geldi; bunlar, AI’yı geliştirme ortamına daha derinlemesine entegre eden IDE çatalları yarattı. Bu araçlar, kısmen ajan davranışlarının—AI’nın IDE içinde daha karmaşık işlemler yapabilmesinin—geliştirici verimliliğini ciddi şekilde artırabileceğini gösterdi. Geliştiricilerin, AI yetenekleri yeterince gelişmişse, tüm geliştirme ortamlarını değiştirmeye istekli olduklarını gösterdiler. Ancak bu araçlar bile etkileşimliydi: Her adımda geliştirici girdisine ve onayına ihtiyaç duydular ve gerçekten otonom çalışamıyorlardı.

Bir kodlama ajanı ise temelde farklı bir mimariye sahiptir. Bir ajan üç ana bileşenden oluşur: bir dil modeli (genellikle Claude 3.5 gibi öncü bir model), ajanın davranışını ve kısıtlarını tanımlayan bir sistem istemi ve her bir aracın ne yapabildiğini açıklayan istemlerle birlikte bir araç seti. Kritik fark, ajanların harici sistemlerle etkileşime girmek için açık izinlere sahip olabilmesidir—dosya sistemleri, kod editörleri, sürüm kontrol sistemleri ve daha fazlası. Bu, bir ajanın bir problemi otonom şekilde kavrayıp, hangi araçları kullanacağına karar verip, araçları çalıştırıp sonuçları gözlemlemesine ve görev tamamlanana kadar yinelemesine olanak tanır. Bu, önceki yöntemlerden temelden daha güçlüdür çünkü sadece geliştirilmiş öneriler veya etkileşimli yardımların ötesinde gerçek otonomi sağlar.

Geleneksel Ürün Geliştirmenin AI Dönüşümü Çağında Başarısız Olmasının Nedeni

Teknoloji ortamı eşi benzeri görülmemiş bir istikrarsızlık dönemine girdi. On sekiz ay önce öncü olan şey bugün ilkel kabul ediliyor. 2021’de çıkan GitHub Copilot gerçekten devrimciydi—büyük dil modellerinin yazılım geliştirmede ilk ana akım uygulamasını temsil ediyordu. Ama bugün, birçok geliştirici onu AI destekli kodlama için ilk tercihler arasında bile saymıyor. Bu, Copilot’un kötüleşmesinden değil; temel teknolojinin o kadar hızlı ilerlemesinden ki, tüm kategori yer değiştirdi. Bu, köklü şirketler için derin bir zorluk yaratıyor: Zeminin sürekli hareket ettiği bir ortamda başarılı bir ürünü nasıl sürdürürsünüz?

Geleneksel ürün geliştirme nispeten istikrarlı bir temeli varsayar. Ürün-pazar uyumunu bulursunuz, ürünü ölçeklersiniz, doğru mühendislik uygulamaları eklersiniz, kurumsal özellikler ve uzun vadeli müşteri sözleşmeleri geliştirirsiniz. Bu yöntem onlarca yıl işe yaradı çünkü teknoloji genellikle kademeli olarak gelişir. Ama mevcut AI çağında, bu yaklaşım aktif olarak zararlıdır. Ürününüzü ölçek ve istikrar için optimize ederseniz, yavaşlarsınız. Yavaşlarsanız, bir sonraki yetenek dalgasını kaçırırsınız. Kurumsal özellikler ve güvenlik uyumluluğu eklediğinizde, yeni bir model çıkar ve tüm yaklaşımınızı demode yapar.

Sourcegraph bu ikilemi Cody ile yaşadı. Cody başarılı bir üründü: kurumsal müşterileri, uzun vadeli sözleşmeleri ve ciddi geliri vardı. Fakat Cody, Sourcegraph platformuna sıkıca entegreydi; bu da onu platformun sürüm döngülerine bağlı kılıyordu. Platformun kendi altyapısı, dağıtım takvimi ve kısıtları vardı. Claude 3.5 Sonnet çıkınca ve ekip temelden farklı bir şey—otonom akıl yürütme yetenekli araç çağıran bir ajan—inşa edebileceklerini fark edince bir seçimle karşılaştılar: Bu yetenekleri Cody’ye mi eklemeliyiz, yoksa yeni bir ürünle mi başlamalıyız? Yeniden başlama yolunu seçtiler ve bu karar, hızla evrilen pazarlarda rekabet konusunda kritik bir içgörüyü ortaya koyuyor.

Temel farkındalık şuydu: 20 dolarlık bir abonelik modeliyle araç çağıran bir ajan çalıştırılamaz. Hesaplama maliyetleri temelde farklıdır. Cody gibi sohbet tabanlı bir yardımcı, mütevazı altyapı üzerinde verimli çalışabilir. Ancak kod üzerinde akıl yürüten, araçları çalıştıran ve otonom yineleyen bir araç çağıran ajan çok daha fazla hesaplama gücü gerektirir. Bu sadece fiyatlandırma değil; ürünün temelden farklı olduğunun ve farklı bir iş modeli, farklı müşteri beklentileri ve farklı bir pazara giriş stratejisi gerektirdiğinin bir işaretidir. AMP’yi ayrı bir marka ve ürün olarak yaratarak, Sourcegraph bu beklentileri tamamen sıfırlayabildi. Müşterilere şunu diyebildiler: “Bu Cody 2.0 değil. Tamamen farklı bir şey. Daha fazlasını yaptığı için daha pahalı. Farklı çalışıyor çünkü farklı bir mimari üzerinde kurulu.”

Araç Çağıran Ajanları ve Otonom Akıl Yürütmeyi Anlamak

AMP’nin neden bir paradigma değişimini temsil ettiğini tam anlamak için, araç çağıran ajanların teknik mimarisini ayrıntılarıyla kavramak gerekir. Araç çağıran bir ajan, yalnızca işlevlere erişimi olan bir dil modeli değildir. Mimari daha rafine ve daha güçlüdür. Sistem, araçları etkin şekilde kullanmak üzere eğitilmiş öncü bir dil modeliyle başlar—AMP’de bu, Claude 3.5 Sonnet’dir. Model, rolünü, kısıtlarını ve hedeflerini tanımlayan bir sistem istemi alır. Kritik olarak, bu istem sıradan bir komut değildir; modelin problemler hakkında nasıl akıl yürüteceğini ve hangi araçları kullanacağına karar vereceğini şekillendiren özenle hazırlanmış bir istemdir.

Sistem isteminin yanında, her aracın ne yaptığı, hangi parametreleri aldığı, ne döndürdüğü ve ne zaman kullanılacağına dair kendi istemi vardır. Bu kritiktir; çünkü dil modeli, sadece bir aracın varlığını değil, ne için ve ne zaman uygun olduğunu anlamalıdır. Örneğin, bir ajanın dosya okuma, yazma, kod çalıştırma, test etme ve değişiklikleri işleme araçları olabilir. Her araç, modelin hangi durumda hangi aracı kullanacağına dair akıl yürütmesine yardımcı olan ayrıntılı bir açıklamaya sahiptir. Model, ardından bu araçları otonom şekilde kullanmaya, sonuçları gözlemlemeye ve öğrendiklerine göre yineleme yapmaya karar verebilir.

Bu mimarinin gücü, bir ajanın neler yapabileceği düşünüldüğünde daha net ortaya çıkar. Bir geliştirici, bir ajandan “bu kod tabanına kullanıcı kimlik doğrulama özelliği ekle” isteyebilir. Ajan ardından otonom olarak: mevcut kod tabanını inceleyip mimariyi anlar, kimlik doğrulamanın nereye entegre edileceğini belirler, gerekli kodu yazar, uygulamayı doğrulamak için testleri çalıştırır, hatalarla karşılaşırsa kodu değiştirir ve nihayetinde değişiklikleri işler. Tüm bunlar insan müdahalesi olmadan gerçekleşir. Ajan, problem hakkında akıl yürütür, hangi araçları kullanacağına karar verir ve araçlardan aldığı geri bildirime göre yineleme yapar.

Bu, önceki AI kodlama araçlarından temelden farklıdır. Copilot kod önerir, fakat çok adımlı bir iş akışını yürütemez. Cursor daha karmaşık işlemler yapabilir, fakat her adımda insan onayı ister. Bir ajan ise açık izinlerle otonom çalışabilir. Bu, kat kat daha güçlü yeni bir yetenek kategorisi yaratır. Elbette yeni zorluklar da getirir. Otonom ajanlar, geniş ölçekte hatalar yapabilir. Doğru şekilde sınırlandırılmazlarsa zararlı işlemler de gerçekleştirebilirler. Davranışlarının istenilen şekilde olması için sistem istem mühendisliği çok dikkatli yapılmalıdır. Tüm bu zorluklar, AMP’nin mimarisini ve yaklaşımını bu kadar önemli kılar.

AMP Felsefesi: Hız, Yineleme ve Sınırda Konumlanma

AMP ekibi inşa etmeye başladığında temel bir karar aldı: hız ve yineleme birincil optimizasyon hedefi olacaktı. Diğer her şey bu karardan doğacaktı. Bu, Cody ile Sourcegraph’ı başarılı kılan birçok uygulamadan vazgeçmek anlamına geliyordu. Resmî kod incelemeleri yok. Kapsamlı planlama döngüleri yok. Dokuz ay süren güvenlik ve uyumluluk onayları yok. Onun yerine, kişisel proje mantalitesi benimsendi: ana dalda çalış, günde 15 kez dağıtım yap, ürünü sürekli kendi üzerinde dene (dogfooding) ve gerçek kullanım verisine göre yinele.

Bu yaklaşım kaotik görünebilir; geleneksel yazılım mühendisliği standartlarına göre gerçekten öyledir de. Ancak AI yeteneklerinin sınırında çalışan bir ürün için tam da doğru yaklaşımdır. Sebebi basit: Sınır hareket ediyor. Her birkaç ayda yeni bir model çıkıyor. Her birkaç haftada yeni yetenekler ortaya çıkıyor. Her birkaç günde yeni prompt mühendisliği veya araç tasarım teknikleri bulunuyor. Böyle bir ortamda hızlı yineleme yeteneği, güvenilir ölçeklenebilirlikten daha değerlidir. Günde 15 dağıtım yapan bir ürün, yeni model yeteneklerini saatler içinde bünyesine katabilir. Geleneksel sürüm döngülerini takip eden bir ürün ise aylarca geride kalır.

Ekip yapısı da bu felsefeyi yansıtır. Çekirdek AMP ekibi yaklaşık sekiz kişiden oluşur—daha büyük mühendislik ekiplerine göre epey küçük. Bu küçüklük bilinçli bir tercihtir. Hızlı karar almayı mümkün kılar ve iletişim yükünü ortadan kaldırır. Ekibin tamamı tecrübeli olduğu için kapsamlı kod inceleme süreçlerine ihtiyaç yoktur. Ürünü sürekli kendi üzerinde denedikleri için sorunları hızlıca tespit eder, kullanıcı ihtiyaçlarını doğrudan kavrarlar. Her geliştiriciye uygun bir ürün inşa etmeye çalışmazlar; kendileri kadar hızlı ve AI yeteneklerinin sınırında hareket etmek isteyen geliştiriciler ve ekipler için ürün yaparlar.

Bu konumlanma kritiktir. AMP, herkes için GitHub Copilot olmaya çalışmıyor. Tüm geliştiriciler için varsayılan AI kodlama aracı olmayı hedeflemiyor. Onun yerine, hızlı hareket etmek ve sınırda kalmak isteyen geliştiriciler ve ekipler için araç olmayı hedefliyor. Bu, “tüm geliştiriciler” pazarından daha küçük; fakat üstün yetenekler için çok daha fazla ödemeye razı bir pazar. İş modeli de bunu yansıtıyor: aylık 20 dolarlık bir abonelik yerine, AMP müşterileri ayda yüzlerce dolar ödüyor. Bazı ekiplerin yıllık gelir oranları yüz binlerce doları buluyor. Çünkü hedef pazarda değer önerisi çok güçlü.

FlowHunt ve Otonom İş Akışlarının Geleceği

AMP’nin gelişimini yönlendiren ilkeler—hızlı yineleme, sınırda konumlanma, otonom akıl yürütme—daha geniş iş akışı otomasyonuna da doğrudan uygulanabilir. FlowHunt, karmaşık iş akışlarını inşa etmek ve otomatikleştirmek için bir platform olarak benzer zorluk ve fırsatlarla karşılaşıyor. AMP, AI yeteneklerinin bir sonraki neslini ele almak için kendini konumlandırırken, FlowHunt da kuruluşların hızlı teknolojik değişime dirençli iş akışları kurmasına yardımcı olabilir. Esneklik, hızlı yineleme ve yeni araç ve yetenekleri hızla dahil etme odağıyla FlowHunt, ekiplerin önde kalmasını sağlar.

Buradaki temel içgörü şudur: Hızla evrilen bir teknolojik ortamda, mevcut koşullara optimize olmaktan çok hızlı uyum sağlama yeteneği daha değerlidir. Bu ister AI kodlama ajanı, ister iş süreçleri otomasyonu olsun geçerlidir. FlowHunt’un hızlı iş akışı oluşturma, test etme ve yineleme yaklaşımı bu felsefeyle mükemmel uyum içindedir. Ekipler, en yeni AI yeteneklerini içeren iş akışları kurabilir, hızla test edebilir ve sonuçlara göre yineleyebilir. Yeni modeller ve araçlar çıktıkça, iş akışları kapsamlı yeniden mühendisliğe gerek kalmadan hızla güncellenebilir. Otomasyonun geleceği budur: statik, optimize süreçler değil; teknoloji geliştikçe evrilen dinamik, uyarlanabilir iş akışları.

Pazar Dinamikleri: Neden Köklü Ürünler Demode Oluyor?

AI kodlama ajanı pazarı, pazar liderliğinin ne kadar hızlı değişebileceğine dair ilginç bir örnek sunuyor. 2024 başında, Cursor AI kodlama araçlarının kralı olarak görülüyordu. Gelmiş geçmiş en hızlı büyüyen girişimdi. Geliştiriciler diğer araçlardan topluca Cursor’a geçiyordu. Pazar yerleşmiş görünüyordu. Sonra, birkaç ay içinde konuşma değişti. Yeni araçlar çıktı. Yetenekler gelişti. Geliştiriciler farklı sorular sormaya başladı. 2024 ortasına gelindiğinde, geliştiricilere en iyi AI kodlama aracı hangisi diye sorsanız, çoğu Cursor’ı ilk sırada saymayacaktı. Pazar öyle hızlı kaydı ki önceki lider artık baskın değildi.

Bu, sadece kodlama ajanlarına özgü bir desen değil. Temel teknolojinin hızla ilerlediği tüm pazarlarda görülen bir özellik. Böyle pazarlarda hızlı hareket edip uyum sağlayabilme yeteneği, mevcut pazar payından daha önemlidir. %30 pazar payına sahip ama hızlı yineleyebilen bir şirket, yavaş hareket eden %50 pazar paylı bir şirketi sonunda geçer. Bu yüzden Sourcegraph’ın AMP’yi ayrı bir ürün olarak konumlandırma kararı stratejik açıdan çok doğruydu. AMP’yi Cody’den ayırarak, onları yavaşlatacak kısıtlardan kurtuldular. Hızlı hareket edebilir, hızlı yineleyebilir ve sınırda pozisyon alabilirlerdi.

Daha geniş ders şu: Hızla evrilen pazarlarda, imparatorun çoğu zaman hiçbir giysisi yoktur. Baskın gibi görünen köklü ürünler, teknolojinin değişmesiyle şaşırtıcı derecede hızlı demode olabilir. Bu, onların kötüleşmesinden değil; teknoloji değiştiği için yeterince hızlı uyum sağlayamamış olmalarındandır. Başarılı olan şirketler, bu dinamiği anlayıp kendilerini ona göre konumlandıranlardır. Mevcut koşullara göre optimize etmeye çalışmazlar; geleceğe uyum sağlama yeteneğine odaklanırlar. Her müşteriye hizmet vermeye çalışmazlar; hız ve yeniliğe değer veren müşterilere odaklanırlar. Geleneksel ürün geliştirme pratiklerini takip etmezler; hızlı yineleme ve öğrenmeye olanak veren pratikleri benimserler.

Asenkron Ajanlar ve Bir Sonraki Sınır

AMP etrafındaki konuşma, AI ajanlarının geleceğiyle ilgili önemli bir içgörü sunuyor: Bir sonraki büyük sıçrama, etkileşimli ajanlardan asenkron ajanlara geçiş olacak. Şu anda çoğu AI kodlama ajanı etkileşimli çalışıyor. Bir geliştirici ajanı editöründe veya CLI’da çalıştırıyor, ajan bazı işlemler yapıyor ve geliştirici sonuçları görüyor. Genellikle aynı anda bir ajan çalışıyor ve bu da senkron; yani geliştirici tamamlanmasını bekliyor. Bu, manuel kodlamaya göre büyük bir ilerleme ama ajan tabanlı geliştirmenin nihai biçimi değil.

Bir sonraki sınır, arka planda 7/24 eşzamanlı çalışan asenkron ajanlardır. Aynı anda bir ajan yerine, farklı görevlerde aynı anda 10, 50, hatta 100 ajan çalıştırabilirsiniz. Bir ajan kod tabanının bir bölümünü refaktör ederken, başka bir ajan farklı bir bileşene test yazıyor olabilir. Üçüncü bir ajan ise performans sorunlarını analiz edip iyileştirmeler önerebilir. Tüm bunlar insan müdahalesi olmadan ve eşzamanlı gerçekleşir. Sonuçları çarpıcıdır: Yapılabilecek iş miktarında 10-100 kat artış, geliştirme ekiplerinin çalışma biçiminde temel bir değişim ve AI destekli geliştirmenin olanaklarının tamamen yeniden tasarlanması.

Bu değişim, çıkarım maliyetleri, ekiplerin iş organizasyonu ve geliştiricilik kavramı üzerinde derin etkiler yaratacak. Ayrıca kalite güvencesi, güvenlik ve otonom ajanların geniş ölçekte hata veya güvenlik açığı oluşturmamasını sağlama gibi yeni zorluklar getirecek. Fakat potansiyel getirisi devasa. Asenkron ajanları etkin şekilde kullanan ekipler, şu anda haftalar süren işleri günler içinde başarabilecek. Bu yüzden hızlı hareket edip uyum sağlama yeteneği kritik. Asenkron ajanları ilk etkin inşa eden şirketler devasa bir rekabet avantajı elde edecek.

Belirsizliğe Göre İnşa Etmek: Temel İlke

AMP’nin yaklaşımının temelinde, belirsizliğe göre inşa etmek ilkesi yatar. Ekip, teknolojinin tam olarak nereye gideceğini bilmiyor, ama değişeceğini biliyor. Hangi yeteneklerin en önemli olacağını bilmiyorlar, ama yeni yeteneklerin ortaya çıkacağını biliyorlar. Altı ay sonra pazarın nasıl görüneceğini bilmiyorlar, ama farklı olacağını biliyorlar. Bu belirsizlik karşısında en akılcı yaklaşım, optimize etmekten çok uyarlanabilirliği maksimize etmektir. Bu, kod tabanını esnek tutmak, hızlı dağıtım yeteneğini korumak, AI yeteneklerinin sınırına yakın durmak ve artık işe yaramayan yaklaşımları terk etmeye istekli olmak anlamına gelir.

Bu ilke ekip yapısına, iş modeline ve müşteri stratejisine de yansır. Ekip küçük ve deneyimlidir, bu da hızlı karar almayı mümkün kılar. İş modeli esnek, sabit fiyat veya kullanıcı modeli yok; pazar değiştikçe hızlıca ayarlanabilir. Müşteri stratejisi, hızlı hareket etmek isteyen geliştiricilere odaklanır; bu da şirketin yetenekleriyle müşteri ihtiyaçları arasında doğal bir uyum yaratır. Her şey, belirsizliğe göre inşa etme ve uyarlanabilirliği optimize etme temel ilkesinden doğar.

Bu, geleneksel ürün geliştirmeden radikal biçimde farklıdır; gelenekselde geleceği tahmin etmeye, ölçeklenebilirlik için inşa etmeye ve istikrarı optimize etmeye çalışırsınız. Fakat temel teknolojinin hızla ilerlediği bir pazarda, geleneksel yaklaşımlar aktif olarak zararlıdır. Sizi yavaşlatır, demode olan kararlara kilitler ve yeni gerçeklere uyum sağlamanızı engeller. Böyle pazarlarda başarılı olanlar, belirsizliği kucaklayan, uyarlanabilirliği optimize eden ve eğrinin önünde kalacak kadar hızlı hareket edenlerdir.

{{ cta-dark-panel heading=“FlowHunt ile İş Akışınızı Güçlendirin” description=“FlowHunt’un araştırmadan içerik üretimine, yayına ve analitiğe kadar tüm AI içerik ve SEO iş akışınızı nasıl otomatikleştirdiğini — tek bir yerde deneyimleyin.” ctaPrimaryText=“Demo Talep Et” ctaPrimaryURL=“https://calendly.com/liveagentsession/flowhunt-chatbot-demo" ctaSecondaryText=“FlowHunt’u Ücretsiz Dene” ctaSecondaryURL=“https://app.flowhunt.io/sign-in" gradientStartColor="#123456” gradientEndColor="#654321” gradientId=“827591b1-ce8c-4110-b064-7cb85a0b1217” }}

Teknik Mimari: AMP Günde 15 Dağıtımı Nasıl Başarıyor?

Günde 15 kez dağıtım yapabilme yeteneği tesadüf değil; bilinçli mimari tercihler sonucu. İlk önemli karar, AMP’yi tamamen Sourcegraph platformundan ayırmak oldu. Cody, Sourcegraph’a sıkıca entegreydi ve bu nedenle platformun sürüm döngülerine ve altyapı kısıtlarına bağlıydı. AMP, kendi altyapısı, dağıtım hattı ve sürüm takvimiyle bağımsız bir ürün olarak inşa edildi. Bu ayrışma kritik; çünkü büyük sistemleri yavaşlatan koordinasyon yükünü ortadan kaldırır. AMP’ye yapılan değişiklikler, platformla koordinasyon gerektirmez. Dağıtımlar platform sürümlerini beklemez.

İkinci önemli karar, minimum kod inceleme sürecini benimsemekti. Ekip, ana dala kod iter ve sık sık dağıtım yapar. Bir şey bozulursa, ekip hızlıca düzeltir. Riski yüksek gibi görünebilir ama küçük, deneyimli ve ürünü sürekli kendi üzerinde test eden bir ekiple çok verimlidir. Sorunları hızlıca tespit ederler çünkü ürünü kendileri kullanıyorlar. Kod tabanına hâkim oldukları için sorunları hızlıca çözerler. Kod inceleme onaylarını beklemedikleri için hızlı yineleyebilirler. Bu yaklaşım, çok geliştiricili büyük kuruluşlarda tehlikeli olabilir; fakat küçük, deneyimli bir ekipte inanılmaz etkilidir.

Üçüncü önemli karar, ürünü agresif şekilde kendi üzerinde test etmek (dogfooding) oldu. Ekip, AMP’yi AMP’yi inşa etmek için kullanıyor. Bu, ekibin ürünün tüm sorun veya sınırlamalarını anında deneyimlediği sıkı bir geri bildirim döngüsü yaratır. Ayrıca, ekip sürekli yeni kullanım senaryoları ve yetenekler keşfeder. Kendi ürününüzü inşa etmek için kullanırsanız, neyin işe yaradığını ve neyin yaramadığını hızla öğrenirsiniz. Geleneksel testle bulunamayacak uç durumları keşfedersiniz. Hangi özelliklerin önemli olduğunu içgüdüsel olarak geliştirirsiniz. Bu yüzden dogfooding, hızlı yineleme için çok güçlüdür.

Dördüncü önemli karar ise kod tabanını basit ve esnek tutmak oldu. Karmaşık, çok optimize edilmiş bir sistem kurmak yerine, değiştirmesi ve genişletmesi kolay bir şey inşa ettiler. Böylece yeni yetenekleri hızlıca ekleyebiliyorlar. Yeni bir model çıktığında hızla entegre edebiliyorlar. Yeni bir prompt mühendisliği tekniği ortaya çıktığında hızlıca deneyebiliyorlar. Bir soruna daha iyi bir çözüm bulduklarında, karmaşık bağımlılıkları dert etmeden hızlıca refaktör edebiliyorlar. Bu basitlik ve esneklik, hızla evrilen bir pazarda optimizasyondan daha değerlidir.

İş Modeli: Neden Aylık Yüzlerce Dolar Mantıklı?

AMP’nin fiyatlandırma modeli, AI destekli geliştirmede değer yaratma konusunda önemli içgörüler sunuyor. Geliştirme sürecinin başında, araç çağıran bir ajan için aylık 20 dolarlık bir abonelik modelinin çalışmayacağı anlaşıldı. Bu sadece fiyatlandırma değil; ürünün temelden farklı olduğunun ve farklı bir iş modeli gerektirdiğinin bir işaretiydi. Cody gibi sohbet tabanlı bir yardımcı, mütevazı altyapı üzerinde verimli çalışabilir. Kod üzerinde akıl yürüten, araçları çalıştıran ve otonom yineleyen bir araç çağıran ajan ise çok daha fazla hesaplama gücü gerektirir. Sadece altyapı maliyetleri bile daha yüksek fiyatlandırmayı haklı çıkarır.

Fakat fiyatlandırma modeli aynı zamanda değer önerisini de yansıtır. AMP’yi etkin kullanabilen bir geliştirici veya ekip için verimlilik artışı çok büyüktür. Otonom şekilde özellik yazabilen, test yazabilen ve kodu refaktör edebilen bir ajan, haftada saatlerce hatta günlerce iş tasarrufu sağlar. Bir geliştirici ekibi için bu ciddi bir değere dönüşür. AMP bir ekibe haftada 10 saat kazandırabiliyorsa ve geliştirici saati 100 dolar ise, AMP haftada 1.000 dolar değer yaratıyor demektir. Aylık yüzlerce dolar ücret almak, bu değerin çok küçük bir kısmıdır. Bu yüzden bazı ekipler yıllık yüz binlerce dolarlık gelir oranlarına sahip—değer önerisi o kadar güçlü ki fiyat aslında bir pazarlık oluyor.

İş modeli ayrıca stratejik konumlanmayı da yansıtır. Geleneksel kodlama araçlarından çok daha fazla ücret alarak, AMP kendisinin farklı bir ürün kategorisi olduğunu gösteriyor. Fiyat üzerinden değil; yetenek ve değer üzerinden rekabet ediyor. Bu, yetenek ve değere önem veren müşterileri çeker, fiyat hassasiyetli müşterileri ise uzaklaştırır. Bu, AI yeteneklerinin sınırında çalışan bir ürün için tam da doğru müşteri segmentasyonudur. Sınır yeteneklerinin değerini anlayan ve bunun için para ödemeye razı müşteriler istenir. Sadece ucuz olanı isteyen müşteriler istenmez, çünkü onlar ilk ucuza çıkan ürüne geçerler.

Organizasyonel Zorluk: İnovasyon ve İstikrarı Dengelemek

Sourcegraph’ın yaklaşımının en ilginç yönlerinden biri, inovasyon ve istikrar arasındaki dengeyi nasıl kurduklarıdır. Sourcegraph, Cody ve genel Sourcegraph platformuyla başarılı ve kârlı bir iş yürütüyor. Bu iş, AMP ile yapılan çılgın denemeleri finanse ediyor. Ancak bu, organizasyonel bir gerilim de yaratıyor. İstikrarlı, kârlı bir işi sürdürürken aynı anda radikal inovasyon nasıl yapılır? Mevcut üründe derin uzmanlığı olan deneyimli mühendisleri yeni ürüne nasıl odaklarsınız?

Cevap, birkaç temel kararı içeriyor. Birincisi, Sourcegraph, mevcut Cody müşterilerini AMP’ye dönüştürmeye çalışmamaya bilinçli olarak karar verdi. Onun yerine, Cody’den gelen güven ve geliri AMP geliştirmeye aktarıyorlar. Bu çok önemli bir ayrım. Cody müşterilerini AMP’ye geçirmeye kalksalar, AMP temelden farklı ve farklı kullanım alışkanlıkları gerektirdiğinden dirençle karşılaşacaklardı. Cody ve AMP’yi ayrı tutarak, farklı müşteri segmentlerine hizmet edebilir ve temelden farklı ürünler arasında müşteri taşımaya çalışmanın getireceği karmaşadan kaçınabilirler.

İkincisi, Sourcegraph, AMP için yazılım geliştirme konusunda yerleşik kalıpları olmayan kişilerden oluşan bir ekip kurdu. Ekipteki en etkili kişilerden bazıları, yalnızca tek kişilik küçük şirketlerde çalışmış kişiler. Geleneksel yazılım mühendisliği uygulamaları konusunda yılların deneyimine sahip değiller. Kod incelemeleri, planlama döngüleri ve optimizasyon gibi alışkanlıkları yok. Bu bagaj eksikliği aslında bir avantaj. Geleneksel yazılım mühendisliği deneyimine sahip birinin radikal bulacağı uygulamaları kolayca benimseyebiliyorlar ve bunu derinlemesine inanç çatışması yaşamadan yapabiliyorlar.

Üçüncüsü, Sourcegraph AMP için farklı kuralları açıkça belirledi. Ekip, şirketin geri kalanı ile aynı süreçleri takip etmiyor. Resmî kod incelemeleri yapmıyorlar. Güvenlik ve uyumluluk kutucuklarını işaretlemiyorlar. Aynı planlama döngülerini izlemiyorlar. Bu, müşteri güveni olduğu için mümkün. Müşteriler AMP’nin bir sınır ürünü olduğunu anlıyor ve farklı takaslara razı oluyorlar. Kuralların ve süreçlerin açıkça