2026’da Kod Öğrenmeli misiniz? Yapay Zeka Çağı İçin Bir Karar Çerçevesi

TL;DR. “Kod öğren” de “kodlama öldü” de yanlış, çünkü ikisi de dört ayrı kararı tek bir kararmış gibi ele alıyor. ABD Çalışma İstatistikleri Bürosu (BLS), 2025’ten 2035’e yazılım geliştiricilerin %10 büyüyeceğini (174.700 ek iş), bilgisayar programcılarının ise %7 küçüleceğini öngörüyor. New York Fed’in bölümlere göre en güncel tablosunda yeni bilgisayar bilimi mezunlarının işsizlik oranı %7,0, tüm bölümlerde ise %4,2; buna karşın eksik istihdam oranları en düşükler arasında ve kariyer başı medyan ücretleri 87.000 dolar. Aşağıda yan yana dizilen altı yapay zeka kodlama çalışmasından ikisi net hız ya da çıktı kazancı gösteriyor, biri deneyimli geliştiricilerin %19 daha uzun sürede iş bitirdiğini, biri daha güvensiz kod yazıldığını, biri de yeni bir kütüphaneyi yapay zekayla öğrenenlerin beceri sınavında %17 daha düşük puan aldığını ortaya koyuyor. CEO hamlesi: dört seviyeden hangisine ihtiyacınız olduğuna ve orada neyi sahipleneceğinize karar verin. Öğrenci hamlesi: kodu yazmayı öğrenmeden önce okumayı, test etmeyi ve doğrulamayı öğrenin.

Bu yazı CEOtudent yapay zeka okuryazarlığı kümesinin bir parçası. Kümenin merkez yazısı Prompt Mühendisliği Yetmez tüm beceri yığınını haritalıyor; Yeni Teknik Okuryazarlık teknik olmayan çalışanların yapay zeka sistemleri hakkında bilmesi gerekenleri ele alıyor; 4 Faktörlü Karar Matrisi ise sıradaki beceriyi seçmek için genel araç. Bu yazı genel bilgi niteliğindedir, kişiye özel kariyer ya da finans tavsiyesi değildir.

“Kod öğrenmeli misiniz” neden yanlış soru?

Bu soru üç değişkeni gizliyor.

Hangi iş. Resmi istatistiklerde “kodcu” diye bir kategori yok. Uygulamaları ve sistemleri tasarlayan yazılım geliştiriciler var; Çalışma İstatistikleri Bürosu’nun ifadesiyle “yazılım geliştiricilerin ve mühendislerin oluşturduğu tasarımları bir bilgisayarın izleyebileceği talimatlara dönüştüren” bilgisayar programcıları var; bir de web geliştiriciler var. Bu üçünün farklı yönlere gideceği öngörülüyor.

Hangi kişi. İşe yeni girenler ile deneyimli çalışanlar birbirinden farklı yıllar geçiriyor.

Hangi amaç. Müşterilerin bağımlı olduğu bir yazılımı yazmak, kendi ekibiniz için küçük bir araç inşa etmek ve bir yapay zeka ajanının ürettiğini okumak, maliyeti ayrı üç ayrı beceridir. Stack Overflow’un 2025 anketi vibe coding için “LLM istemlerinden yazılım üretme süreci” tanımını kullanıyor. Bu pratik ikinci ve üçüncü amacı neredeyse herkese açtı. Birincisine girmeyi ise kolaylaştırmadı.

İşe yarar cevap bir evet ya da hayır değil, bir sınıflandırma testidir.

Resmi iş rakamları kod yazan insanlar hakkında ne söylüyor?

Occupational Outlook Handbook artık Mayıs 2025 ücretlerini ve 27 Ağustos 2026’da yayımlanan 2025-2035 projeksiyonlarını içeriyor.

Tablo 1. BLS Occupational Outlook Handbook’ta kod yazan meslekler (rakamlar yayımlandığı gibi)

Meslek (SOC kodu)	İstihdam, 2025	Öngörülen istihdam, 2035	Değişim, 2025-2035	Medyan yıllık ücret, Mayıs 2025
Yazılım geliştiriciler (15-1252)	1.717.800	1.892.600	+%10 (+174.700)	$135.980
Yazılım kalite güvence analistleri ve test uzmanları (15-1253)	187.600	198.200	+%6 (+10.600)	$104.300
Bilgisayar programcıları (15-1251)	110.800	102.700	-%7 (-8.100)	$100.390
Web geliştiriciler (15-1254)	87.400	90.600	+%4 (+3.300)	$92.650
Web ve dijital arayüz tasarımcıları (15-1255)	132.700	140.800	+%6 (+8.000)	$104.000

Kaynak: ABD Çalışma İstatistikleri Bürosu, Occupational Outlook Handbook. BLS istihdamı en yakın 100’e yuvarlar; bu yüzden yayımlanan değişim, basit çıkarma işleminden 100 farklı çıkabilir. Karşılaştırma için: toplam ABD istihdamının %3,5 büyüyeceği öngörülüyor ve Mayıs 2025’te tüm çalışanların medyan yıllık ücreti $50.980 idi.

Büro’nun anlatısı en az rakamlar kadar önemli. Programcılar için “birçok şirketin, tekrarlayan programlama görevlerini otomatikleştirmek üzere yapay zeka (YZ) dahil teknolojilerden yararlanmasının beklendiğini” ve daha yüksek beceri gerektiren bazı programlama görevlerinin muhtemelen yazılım geliştiricilere kayacağını söylüyor. Geliştiriciler için yapay zeka, Nesnelerin İnterneti, robotik ve diğer otomasyon alanlarına yönelik yazılımlardan güçlü bir talep bekliyor. Web geliştiriciler için ise yapay zeka araçlarının “istihdam artışını yumuşatabileceği” ve “başka mesleklerdeki bazı çalışanların temel web geliştirme görevlerini yapmasına olanak tanıyabileceği” uyarısını yapıyor. Bu son cümle, vibe coding hikayesinin resmi versiyonu.

Tablo 2. Üç meslek yan yana nasıl görünüyor (BLS Occupational Outlook Handbook verilerinin CEOtudent analizi)

Ölçüt	Yazılım geliştiriciler	Bilgisayar programcıları	Web geliştiriciler
Medyan ücretin tüm çalışanlar medyanına ($50.980) oranı	2,67x	1,97x	1,82x
Yazılım geliştiricilerle ücret farkı	–	$35.590 daha düşük	$43.330 daha düşük
Öngörülen büyümenin tüm mesleklerle (%3,5) karşılaştırması	ortalamanın 2,9 katı	geriliyor	%4, ortalamanın biraz üstünde
Programcı başına geliştirici, 2025	15,5	–	–
Programcı başına geliştirici, 2035 (öngörülen)	18,4	–	–
Üç meslekte öngörülen net değişim	+169.900 iş (+174.700, -8.100 ve +3.300)

Kaynak: Tablo 1’den CEOtudent hesaplamaları.

Piyasa, neyin inşa edileceğine karar veren işe, bir tasarımı koda çeviren işe kıyasla şimdiden %35,5’lik bir prim ödüyor ve projeksiyonlar aradaki farkı programcı başına 15,5 geliştiriciden 18,4’e açıyor. Küçülen bir meslek kapanmış bir meslek değildir: yılda yaklaşık 4.400 programcı açığı hala öngörülüyor ve bunların tamamı ayrılan çalışanların yerinin doldurulmasından kaynaklanıyor. Büro’nun yapay zekaya maruziyet kategorileri ve bunlara düşülen çekinceler, CEOtudent’in işten çıkarmaya dayanıklı kariyerler yazısında ele alınıyor.

Yeni bilgisayar bilimi mezunlarına ne oluyor?

New York Federal Reserve Bankası, American Community Survey verilerinden 73 üniversite bölümü için sonuçlar yayımlıyor. 4 Şubat 2026’da yayımlanan güncel tablo 2024 verilerini kullanıyor.

Tablo 3. Bölümlere göre yeni mezunlar (New York Fed, rakamlar yayımlanan veri dosyasından tek ondalığa yuvarlanmıştır)

Bölüm	İşsizlik oranı	Eksik istihdam oranı	Medyan ücret, kariyer başı	Medyan ücret, kariyer ortası
Bilgisayar bilimi	%7,0	%19,1	$87.000	$120.000
Bilgisayar mühendisliği	%7,8	%15,8	$90.000	$131.000
Tüm bölümler	%4,2	%39,4	$58.000	$87.000

Kaynak: New York Federal Reserve Bankası, The Labor Market for Recent College Graduates. Oranlar 22-27 yaş arası mezunlar içindir; ücretler yalnızca lisans derecesine sahip tam zamanlı çalışanlar içindir (kariyer ortası: 35-45 yaş). Eksik istihdam, genellikle üniversite diploması gerektirmeyen işlerde çalışanların payıdır.

Tablo 4. İki bilişim bölümü 73 bölüm arasında nerede duruyor (New York Fed verilerinin CEOtudent analizi)

Ölçüt	Bilgisayar bilimi	Bilgisayar mühendisliği
İşsizlik oranına göre sıra (1 = en yüksek)	En yüksek 4.	En yüksek 2.
Eksik istihdam oranına göre sıra (1 = en düşük)	En düşük 9.	En düşük 4.
Kariyer başı medyan ücrete göre sıra (1 = en yüksek)	En yüksek 2.	1.
Tüm bölümlerle işsizlik farkı	+2,8 puan	+3,6 puan
Tüm bölümlerle eksik istihdam farkı	-20,2 puan	-23,5 puan

Kaynak: New York Fed veri dosyasından CEOtudent hesaplamaları; farklar yuvarlanmamış değerlerle hesaplanmıştır.

Ortaya çıkan örüntü bir çöküş değil, bir kuyruk. Bu bölümlerin mezunları işsiz kalma olasılığı en yüksek olanlar arasında. İstihdam edilenlerin ise diploma gerektirmeyen bir işte çalışma olasılığı çok daha düşük ve tablodaki en yüksek başlangıç ücretlerini onlar kazanıyor. Akla yatkın bir okuma şu: diploma düzeyindeki teknik rolleri bekliyorlar, oysa o rollere giriş kapısı daralmış durumda. Tablo bu mekanizmayı tek başına kanıtlayamaz.

Bordro verileri de aynı yönü gösteriyor. Stanford’dan Brynjolfsson, Chandar ve Chen’in “Canaries in the Coal Mine?” çalışmasının Ağustos 2026 güncellemesi, Haziran 2026’ya kadar uzanan ADP bordro kayıtlarını kullanıyor. Çalışma, ekonomi genelinde bir iş kaybına dair kanıt bulmuyor. Bununla birlikte, yapay zekaya maruz mesleklerdeki 22-25 yaş arası çalışanların istihdamının, daha az maruz kalan akranlarıyla aynı hızda ilerlemiş olsaydı bulunacağı düzeyin %19 altında olduğunu saptıyor; bu oran Temmuz 2025 veri sürümünde %15’ti. Deneyimli çalışanlarda ise benzer bir açık görülmüyor. Haziran 2026 itibarıyla paneldeki 22-25 yaş grubunun istihdamı Kasım 2022 düzeyinin yaklaşık %2 altındayken, 35-40 yaş arası çalışanlar %11 yukarıdaydı. Ayrışma esas olarak azalan işe alımlar üzerinden işliyor ve bilgisayar meslekleri ile teknoloji şirketleri dışarıda bırakıldığında da sürüyor.

Yazarlar bu olguları nedensel tahminler değil, “erken, betimleyici göstergeler” olarak adlandırıyor ve eğitim düzeyi kontrol edildiğinde örüntülerin zayıfladığını belirtiyor. Bu karar açısından anlamı dar ama önemli: yazılım kariyerindeki risk giriş noktasına taşınmış durumda.

Yapay zeka kodlama araçları insanları hızlandırıyor mu, yavaşlatıyor mu?

Kime ve neye bağlı olarak ikisi de. Tablo 5, etkinin ters yöne gittiği çalışmalar dahil altı çalışmayı yan yana diziyor.

Tablo 5. Yapay zeka destekli kodlamaya dair altı çalışma, yan yana (atıf yapılan makalelerin CEOtudent analizi; etki büyüklükleri yazarların yayımladığı gibi)

Çalışma	Tasarım ve örneklem	Ortam	Raporlanan etki	Yön
Peng et al., 2023 (Microsoft, GitHub, MIT)	Kontrollü deney; bir serbest çalışma platformundan 95 profesyonel programcı	Tek görev: JavaScript ile bir HTTP sunucusu	%55,8 daha hızlı (%95 güven aralığı %21 ile %89); en çok kazanan daha az deneyimli geliştiriciler oldu	Daha hızlı, kendi içinde kapalı bir görevde
Cui et al., 2025 çalışma makalesi	Üç saha deneyi; Microsoft, Accenture ve bir Fortune 100 şirketinde 4.867 geliştirici	Kod tamamlama asistanıyla olağan iş	%26,08 daha fazla tamamlanan görev (standart hata %10,3); kıdemi kısa çalışanlar %27 ile %39, kıdemi uzun olanlar %8 ile %13 kazandı (ayrım istatistiksel olarak anlamlı değil)	Daha fazla çıktı, yeni çalışanlarda daha büyük
METR, 2025	Rastgele kontrollü deneme; 16 deneyimli açık kaynak geliştirici, 246 görev	Kendi olgun kod depoları	Yapay zekaya izin verildiğinde %19 daha uzun; %24 daha az süre öngörmüşlerdi ve sonrasında %20 tasarruf ettiklerine inanıyorlardı	Daha yavaş; 39 ile 43 puanlık algı farkı
METR, Şubat 2026 güncellemesi	57 geliştirici, 800’den fazla görev	Açık kaynak projeler, daha yeni araçlar	Geri dönen geliştiriciler: %18 daha az süre (aralık %38 daha azdan %9 daha fazlaya); yeni geliştiriciler: %4 daha az (%15 daha azdan %9 daha fazlaya)	Hızlanma yönünde, aralık sıfırı kapsıyor; METR sinyali güvenilmez olarak niteliyor
Perry et al., 2023 (Stanford)	Kullanıcı çalışması; 47 katılımcı, 33’ü yapay zeka asistanlı, 14’ü asistansız	Güvenlikle ilgili beş görev	SQL görevi: yapay zeka grubunun %36’sı SQL enjeksiyonuna açık kod yazdı, kontrol grubunda bu oran %7; yapay zeka kullananlar kodlarının güvenli olduğuna inanmaya daha yatkındı	Daha güvensiz, daha özgüvenli
Shen ve Tamkin, 2026 (Anthropic, ön baskı)	Rastgele kontrollü deney; 52 katılımcı, grup başına 26	Aşina olunmayan bir Python kütüphanesini öğrenme	Takip niteliğindeki beceri sınavında %17 daha düşük puan (Cohen’s d 0,738); istatistiksel olarak anlamlı bir zaman tasarrufu yok	Daha az öğrenme, güvenilir bir hız kazancı yok

Kaynak: Kaynaklar listesinde adı geçen makaleler. Algı farkı bizim hesabımızdır: öngörü (24) ya da inanç (20) artı ölçülen yavaşlama (19).

Kazançlar, görevin kendi içinde kapalı ve kişinin yeni olduğu yerde en büyük. %55,8 rakamı sınırları belli tek bir alıştırmadan geliyor. Olağan şirket işinde kazanç, %26,08 daha fazla tamamlanan görev oldu ve kıdemi kısa çalışanlara doğru ağırlık kazandı.

Aşinalık işareti tersine çevirebilir. 2025’teki METR geliştiricileri kod depolarını derinlemesine tanıyordu ve 2025 başının araçları onlara zaman kaybettirdi. Takip çalışması daha yeni araçların tabloyu değiştirdiğini düşündürüyor, ancak METR, geliştiricilerin %30 ile %50’sinin yapay zeka olmadan yapmak istemedikleri görevleri çalışmaya dahil etmediğini bildiriyor; bu nedenle yeni tahmini zayıf kanıt sayıyor ve çalışmayı yeniden tasarlıyor.

İnsanlar kendi hızlarını yanlış değerlendiriyor. 2025 denemesindeki geliştiriciler %24 tasarruf etmeyi bekledi, %19 kaybetti ve yine de %20 tasarruf ettiklerine inandı. Bir yapay zeka aracıyla geçen iyi bir öğleden sonra, bir ölçüm değildir.

Hız tek sonuç değil. Stanford çalışmasında yapay zeka kullananların %67’si şifreleme görevini doğru çözdü, kontrol grubunda bu oran %79’du; yapay zeka kullananlar daha az güvenli kod yazarken güvenlik konusunda daha özgüvenliydi. Anthropic çalışmasında ise bedel öğrenmede ortaya çıktı.

Geliştiriciler bunu sindirmiş görünüyor. Kendi kendine seçilmiş katılımcılarla yapılan bir şirket anketi olan Stack Overflow 2025 Developer Survey, katılımcıların %84’ünün yapay zeka araçlarını kullandığını ya da kullanmayı planladığını, buna karşın çıktının doğruluğuna güvenmeyenlerin (%46) güvenenlerden (%33) fazla olduğunu bildirdi. %66’nın dile getirdiği en büyük şikayet, “neredeyse doğru ama tam değil olan yapay zeka çözümleri” idi. 2026 baskısında %73 kodlama asistanlarını ve ajanlarını her gün kullanıyor, %48 ise cevapları kolayca doğrulayabildiğinde yapay zekaya güvendiğini söylüyor. Yoğun kullanım, koşullu güvenle bir arada var oluyor ve o koşul, kontrol edebilme becerisi.

Programlama öğrenmek sizi daha iyi bir düşünür yapar mı?

Bu, kariyerden bağımsız olarak kod öğrenmenin en eski gerekçesi. Elde sağlam bir kaynak var: Scherer, Siddiq ve Sanchez Viveros’un Journal of Educational Psychology’de yayımlanan, 105 çalışmayı ve 539 etki büyüklüğünü kapsayan meta-analizi. Çalışma orta düzeyde bir genel transfer etkisi (g = 0,49), yakın transfer için güçlü bir etki (g = 0,75) ve uzak transfer için orta düzeyde bir etki (g = 0,47) bildiriyor; en az fayda gören alanlar okul başarısı ve okuryazarlık. Crossref’te Kasım 2026 itibarıyla herhangi bir düzeltme kaydı yok.

Üç sınır geçerli. Etkiler, hiçbir müdahale görmeyen kontrol gruplarının kullanıldığı çalışmalarda aktif kontrol gruplu çalışmalara göre, yayımlanmış çalışmalarda da gri literatüre göre anlamlı ölçüde daha büyüktü; dolayısıyla manşet rakam muhtemelen gerçek etkiyi olduğundan iyi gösteriyor. Özet, soruyu yetişkin profesyoneller değil, okullardaki öğrenciler çerçevesinde kuruyor. Ve makale yapay zeka asistanlarından önceye ait. Programlama öğrenmek yapılandırılmış problem çözmeyi muhtemelen bir miktar geliştiriyor. Bu, onu bir kariyer kararı olarak değil, bir zihin antrenmanı olarak destekler.

Hangi seviyeye ihtiyacınız var? CEOtudent Kod Seviyesi Testi

Kanıt, okurları dört seviyeye ayırıyor. Tablo bir CEOtudent editoryal çerçevesidir, geçerliliği sınanmış bir ölçme aracı değildir ve seviye adları bize aittir.

Tablo 6. CEOtudent Kod Seviyesi Testi (CEOtudent editoryal çerçevesi)

Seviye	Şu durumdaysanız buradasınız	Ne öğrenirsiniz	Neyi sahiplenirsiniz	Dayandığı kanıt
0. Operatör	İşinizde kod biçimli problemler nadiren ortaya çıkıyor	Programlama değil, yapay zeka okuryazarlığı	Kendi çıktılarınızın kalitesi	BLS: temel düzeyde inşa başka mesleklere kayıyor, ama isteğe bağlı
1. Okuyucu-yönlendirici	Başkalarının (insanların ya da ajanların) inşa ettiği yazılımları, otomasyonları ya da analizleri siz tanımlıyor, sipariş ediyor ya da onaylıyorsunuz	Kodu ve veri akışlarını; ne yaptığını, neye dokunduğunu ve nasıl test edildiğini sorabilecek kadar okumayı	Şartname ve kabul kararı	Stack Overflow 2026: güven, doğrulayabilmeye bağlı; Perry et al.: güvenlik düşerken özgüven arttı
2. Araç inşacısı	Kendi işinizde tekrar eden bir problem, sizin çalıştırıp bakımını yapacağınız küçük bir betik ya da iç uygulamayla çözülebilir	Çalışma düzeyinde tek bir dil, sürüm kontrolü, test, temel güvenlik	Araç, verisi ve hataları	Peng et al. ve Cui et al.: destek alan yeni başlayanlar sınırlı görevlerde en çok kazanıyor; Shen ve Tamkin: yalnızca sürece dahil kalırsanız
3. Profesyonel mühendis	Başkalarının bağımlı olduğu yazılımlar için para almak ve bunlardan sorumlu olmak istiyorsunuz	Bilgisayar bilimi temelleri, sistem tasarımı, üretim ortamı pratiği	Sistemler, güvenilirlik ve başkalarının verisi	BLS: geliştiriciler +%10 ve programcılara göre %35,5 ücret primi; New York Fed ve Stanford: dar bir giriş kapısı

Testi sırayla uygulayın ve uyan ilk seviyede durun.

1. Tekrar. Olağan bir ayda işiniz, yazılımın çözeceği bir problem üretiyor mu: tekrarlayan veri işleme, elle yeniden kurulan bir rapor, birbiriyle konuşmayan iki sistem? Cevap hayırsa, şimdilik Seviye 0.
2. Hesap verebilirlik. Böyle bir problem ortaya çıktığında sizin rolünüz onu tanımlamak ve sonucu kabul etmek, inşa eden ise başkası mı? Cevap evetse, Seviye 1 bir seçenek değil, bir gerekliliktir.
3. Etki alanı. İnşa ettiğiniz şey yalnızca sizin ya da ekibinizin düşük riskli verisine mi dokunacak ve hatalar görünür ve geri alınabilir mi olacak? Cevap evetse ve bakımını siz yapacaksanız, Seviye 2.
4. Gelir. Yazılım inşa etmenin, para aldığınız asıl iş olmasını ve başkalarının güvendiği sistemlerin sorumluluğunu taşımayı istiyor musunuz? Cevap evetse, aşağıdaki koşullarla Seviye 3.

Her seviyeyi ne zaman SEÇMEMELİSİNİZ?

• Seviye 0 değil, eğer bütçeleri, tedarikçileri ya da kod üreten yapay zeka ajanlarını onaylıyorsanız. Okuyamadığınız bir işe imza atmak, güvenlik çalışmasının uyardığı örüntünün ta kendisi.
• Tek başına Seviye 1 değil, eğer yapay zekanın ürettiği betikleri şimdiden canlı elektronik tablolara, veritabanlarına ya da web sitelerine yapıştırıyorsanız. Bu, Seviye 2 becerileri olmadan yapılan Seviye 2 işidir.
• Seviye 2 değil, müşterilerin kişisel verilerini, ödemeleri, kimlik bilgilerini ya da düzenlemeye tabi kayıtları işleyen ya da başka ekiplerin bir sahibi olmadan bağımlı olacağı hiçbir şey için. Bunu Seviye 3 insanlarına bırakın. Solo founder olarak vibe coding rehberi inşa sürecini anlatıyor; burası ise o sürecin güvenli olmaktan çıktığı sınır.
• Seviye 3 değil, eğer plan kısa bir kursun doğrudan Tablo 1’deki medyan ücretle bir ilk işe götürmesine dayanıyorsa. Medyanlar meslekteki herkesi, Tablo 3 ve 4 ise kapıyı anlatıyor; Handbook da üç meslek grubunun tamamı için tipik giriş eğitimi olarak lisans derecesini gösteriyor. Seviye 3’ü çok yıllı bir karar olarak ele alın.

Bu yazıda süre bütçeleri verilmiyor, çünkü bu kaynakların hiçbiri bunları ölçmedi. CEOtudent’in yetkinlik süresi verileri incelemesi saat tahminlerini ve sınırlarını ele alıyor.

Yapay zeka kodu yazabiliyorken kodu nasıl öğrenmelisiniz?

Shen ve Tamkin deneyi küçük, bir yapay zeka şirketinden geliyor ve sohbet tabanlı tek bir aracı tek bir kütüphane üzerinde sınadı. Yine de eldeki en ilgili tasarım, çünkü çıktıyı değil öğrenmeyi ölçtü.

Yapay zeka kullanan katılımcılar altı etkileşim örüntüsüne ayrıldı. Üçü sınavda ortalama %65 ya da üzeri aldı: kod ürettirip ardından onu anlamak için takip soruları soranlar, kodu açıklamalarıyla birlikte isteyenler ve hataları kendi başına çözerken yalnızca kavramsal sorular soranlar. Üçü ortalama %40’ın altında kaldı: kod yazımının tamamını devredenler, sorulardan tam devretmeye kayanlar ve yapay zekadan tekrar tekrar hata ayıklamasını isteyenler. Gruplardan birinde yalnızca iki kişi vardı, dolayısıyla yüzdelerin ağırlığı az. Yön, CEOtudent’in proje tabanlı öğrenme merdiveni yazısındaki kanıtla örtüşüyor: daha yavaş hissettiren çaba genellikle kalıcı oluyor.

Tablo 7. Öğrenme kuralları ve çalıştırma öncesi kontroller (CEOtudent editoryal çerçevesi)

Kural	Uygulamada	Neden
Yazmadan önce okuyun	Üretilen her bloğu çalıştırmadan önce sade sözcüklerle açıklayın	Yüksek puan alan örüntülerin hepsi kavrama çalışması içeriyordu
Önce kendiniz hata ayıklayın	Hatayı okuyun, bir tahmin oluşturun, test edin, sonra sorun	Tekrarlanan yapay zeka hata ayıklaması en düşük puanlı örüntüydü
Okuyamadığınızı test edin	Zararsız bir örnek üzerinde çalıştırın; yanlış bir sonucu ortaya çıkaracak bir kontrol bulundurun	Geliştiricilerin güveni doğrulamaya bağlı
Güvenliğin eksik olduğunu varsayın	Kodun neyi okuyabildiğini, değiştirebildiğini, silebildiğini ya da gönderebildiğini bilin; anahtarları ve kişisel verileri kodun dışında tutun	Stanford çalışmasında yapay zeka kullananlar daha güvensiz ve daha özgüvenliydi
Hissetmeyin, ölçün	Bir görevi destekle ve desteksiz süre tutarak yapın	Deneyimli geliştiriciler hızlarını yaklaşık 40 puan yanlış değerlendirdi

Seviye 1 için birinci, üçüncü ve dördüncü satırlar, CEOtudent’in ajan okuryazarlığı rehberiyle birlikte müfredatı oluşturuyor. Seviye 2 için beşi de geçerli. Seviye 3 için bunlar, resmi bir müfredatın üzerine eklenen alışkanlıklardır. Önem taşıyan bir iş için iki ya da daha fazla satır karşılanamıyorsa, görev bir üst seviyeye aittir.

Bu, içinizdeki CEO ve öğrenci için ne anlama geliyor?

CEO hamlesi bir kapsam kararıdır. Seviyeyi seçin, o seviyede neyi sahiplendiğinizi yazın ve neye dokunmayacağınızı yazın. Seviye 1’de bu, şartname ve kabul kararıdır. Seviye 2’de betik, verisi ve hatalarıdır. Hiç kimse kontrol edemediği şeyi onaylamamalı ya da çalıştırmamalı.

Öğrenci hamlesi bir yöntem kararıdır. Sıfırın üzerindeki her seviyede kıt olan beceri, okuma ve doğrulamadır. Sözdizimini yazmak, araçların sınırlı görevlerde iyi yaptığı şeydir. Sonucun doğru, güvenli ve sürdürülebilir olup olmadığını yargılamak ise çalışmaların, insanların kendilerinde olduğundan fazla gördüğünü gösterdiği beceridir.

Bu kanıt neyi göstermiyor?

• Bunlar ABD verileri ve projeksiyonlar garanti değil, model çıktısıdır.
• Araçlar çalışmalardan daha hızlı ilerliyor. Tablo 5’teki herhangi bir hız rakamı çabuk eskiyebilir.
• Örneklemler küçük ya da seçilmiş. 16, 47 ve 52 kişilik çalışmalar genellenemez; geliştirici anketlerinin katılımcıları da kendi kendini seçmiştir.
• Mezun verileri 2024’e ait. New York Fed’in bölümlere göre ayrıştırılmayan çeyreklik serisi, tüm yeni mezunlar için işsizliği 2026’nın üçüncü çeyreğinde %5,2 olarak gösterdi.
• Test bireyleri değil, tipik durumları sınıflandırır.

Sıkça sorulan sorular

2026’da kod öğrenmek hala değer mi?
Yazılımları, otomasyonları ya da yapay zeka ajanı çıktılarını onaylayan kişiler için kodu okumayı ve yönlendirmeyi öğrenmek (Seviye 1) değer. Küçük araçlar inşa etmek, tekrar eden bir problem varsa değer. Profesyonel mühendislik, daha zor bir giriş noktasıyla birlikte iyi kazandırmayı sürdürüyor.

Yapay zeka yazılım geliştiricilerin yerini alacak mı?
Resmi projeksiyonlar bunu söylemiyor. Çalışma İstatistikleri Bürosu 2025’ten 2035’e yazılım geliştiriciler için %10 büyüme, bilgisayar programcıları için %7 gerileme öngörüyor ve her ikisinde de yapay zekayı bir etken olarak anıyor.

Teknik olmayan bir profesyonel Python mu öğrenmeli, yoksa yalnızca yapay zeka araçlarını mı kullanmalı?
Bu ikisi birbirinin alternatifi değil. İnşa eden herkes, yapay zekanın yazdığını okuyacak, test edecek ve sınırlayacak kadar tek bir dil öğrenmeli.

Bilgisayar bilimi diploması hala iyi bir tercih mi?
New York Fed verileri iki yüzü de gösteriyor: 73 bölüm arasında dördüncü en yüksek işsizlik oranı (%7,0) ve ikinci en yüksek kariyer başı medyan ücret ($87.000). Veri, bugün başlayan bir öğrenci için neyin geçerli olacağını söyleyemez.

Kod öğrenirken yapay zeka kullanmak öğrenmeye zarar verir mi?
Bunu ölçen tek rastgele kontrollü deneyde yapay zeka grubu takip sınavında %17 daha düşük puan aldı ve zarar, işi devredenlerde yoğunlaştı. Çalışma küçük ve tekrarlanmayı bekliyor.

Kaynaklar

1. U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Software Developers, Quality Assurance Analysts, and Testers. Mayıs 2025 ücretleri, 2025-35 projeksiyonları.
2. U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Computer Programmers. Mayıs 2025 ücretleri, 2025-35 projeksiyonları.
3. U.S. Bureau of Labor Statistics. Occupational Outlook Handbook: Web Developers and Digital Designers. Mayıs 2025 ücretleri, 2025-35 projeksiyonları.
4. U.S. Bureau of Labor Statistics. Employment Projections: 2025-2035 Summary. Basın bülteni USDL-26-1422, 27 Ağustos 2026.
5. Federal Reserve Bank of New York. The Labor Market for Recent College Graduates: bölümlere göre sonuçlar (4 Şubat 2026’da yayımlandı, 2024 verileri) ve 2026:Q3 öne çıkanlar (2 Kasım 2026’da yayımlandı).
6. Brynjolfsson, E., Chandar, B., ve Chen, R. Canaries in the Coal Mine? Six Facts about the Recent Employment Effects of Artificial Intelligence. Stanford Digital Economy Lab, Ağustos 2026 sürümü (Haziran 2026’ya kadar ADP verileri).
7. Peng, S., Kalliamvakou, E., Cihon, P., ve Demirer, M. The Impact of AI on Developer Productivity: Evidence from GitHub Copilot. arXiv 2302.06590, 2023. Yazarlar arasında Microsoft ve GitHub çalışanları var.
8. Cui, K. Z., Demirer, M., Jaffe, S., Musolff, L., Peng, S., ve Salz, T. The Effects of Generative AI on High-Skilled Work: Evidence from Three Field Experiments with Software Developers. Çalışma makalesi, Şubat 2025. Yazarlar arasında Microsoft çalışanları var.
9. Becker, J., Rush, N., Barnes, B., ve Rein, D. Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity. METR, arXiv 2507.09089, Temmuz 2025.
10. Becker, J., Rush, N., Cunningham, T., Rein, D., ve Mahamud, K. We are Changing our Developer Productivity Experiment Design. METR, 24 Şubat 2026.
11. Perry, N., Srivastava, M., Kumar, D., ve Boneh, D. Do Users Write More Insecure Code with AI Assistants? ACM CCS 2023; arXiv sürüm 3.
12. Shen, J. H., ve Tamkin, A. How AI Impacts Skill Formation. arXiv 2601.20245, Şubat 2026. Yazarlar bir yapay zeka şirketi olan Anthropic’e bağlı.
13. Scherer, R., Siddiq, F., ve Sanchez Viveros, B. The cognitive benefits of learning computer programming: A meta-analysis of transfer effects. Journal of Educational Psychology, 111(5), 764-792, 2019 (yalnızca özet).
14. Stack Overflow. 2025 Developer Survey, AI section. Katılımcıları kendi kendini seçen şirket anketi.
15. Stack Overflow. 2026 Developer Survey, AI section. Katılımcıları kendi kendini seçen şirket anketi.

Tablo 2 ve 4, BLS ve New York Fed rakamlarından yeniden hesaplanan CEOtudent analizleridir. Tablo 5, yayımlanmış sonuçların CEOtudent tarafından yan yana dizilmesidir; algı farkı bizim hesabımızdır. Tablo 6 ve 7 CEOtudent editoryal çerçeveleridir. Bilerek kullanılmayanlar: genç yazılım geliştiricilerin istihdamının 2022 sonundaki zirvesinden yaklaşık %20 düştüğü yönündeki yaygın biçimde tekrarlanan iddia, çünkü Stanford makalesinin açıp incelediğimiz Ağustos 2026 baskısı ana metninde mesleğe özgü bir rakam yayımlamıyor; aynı makalenin ilk baskısındaki, yazarların %19’luk ölçütle değiştirdiği %13’lük manşet rakam; her seviye için saat tahminleri; ve tam metni açılamayan, satıcıların bildirdiği verimlilik rakamları.

---

Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.