Bir ERP Projesini AI ile Nasıl Yönetiyorum: Çok Ajanlı Yazılım Geliştirme Metodolojisi

Giriş

Yirmi yılı aşan saha deneyimimde bir yazılım projesinin nasıl yavaşladığını, bütçeyi nasıl aştığını ve özel istekler geldiğinde nasıl kilitlendiğini defalarca gördüm. Geleneksel model aslında gayet netti: uzun bir analiz süreci, kalabalık geliştirme ekipleri, tek bir kişinin kafasında duran know-how ve aylara yayılan iterasyonlar. Küçücük bir özellik eklettirmek bazen haftalar alırdı; çünkü kodu yazan kişi başka bir projedeydi, test eden bir başkasındaydı, onayı verecek üçüncü kişi de izinliydi.

Son bir yılda bu tabloyu baştan aşağı değiştiren bir şey oldu: yapay zeka artık sadece “yardımcı araç” değil, aktif olarak kod üreten, bağımsız denetim yapan, mimari öneri getiren bir katman. Ama işin kritik noktası şu: AI’a kod yazdırmak yeterli mi, yoksa AI’ı yönetmek başlı başına ayrı bir disiplin mi? Cevabımı bu yazıda paylaşacağım, çünkü bir ERP projesini artık tek başıma değil, koordine ettiğim bir AI ekibiyle birlikte yürütüyorum.

AI Araçlarını Kullanmak mı, Yönetmek mi?

Aradaki fark “kullanıcı” olmakla “orkestra şefi” olmak arasındaki fark kadar büyük. ChatGPT’ye soru sorup çıkan cevabı kopyalamak da bir AI kullanımıdır; değerlidir, ama bir projeyi baştan sona taşımaya yetmez. Çünkü tek bir modelin neyi iyi, neyi kötü yaptığını, hangi aşamada tökezlediğini, hangi görevi hangi modele vermeniz gerektiğini bilmeden sağlıklı bir sonuca varamazsınız.

Ben AI’ı bir pipeline (iş hattı) gibi düşünüyorum: belli bir sıra, her biri farklı bir uzmanlık taşıyan ajanlar ve her ajanın çıktısını bir sonrakinin girdisine çeviren bir koordinasyon katmanı. O katmanın adı “insan mimar” — yani ben. Bir projenin iki haftada mı sekiz ayda mı biteceğini belirleyen asıl şey, araç kullanmakla araçları koordine etmek arasındaki bu ayrım.

Bir müşteri “AI ile kod yazdırıyormuşsunuz” dediğinde her seferinde aynı düzeltmeyi yapıyorum: hayır, aynı anda birden fazla AI’ı koordine ediyorum ve hiçbirinin çıktısını denetlemeden kabul etmiyorum. Bu önemli bir ayrım, çünkü bir projenin kalitesi bu koordinasyonun ne kadar özenle kurulduğuna bağlı.

Çok Ajanlı Pipeline: Nasıl Çalışıyor?

Bir ERP özelleştirme projesinde yürüttüğüm pipeline kabaca beş rolden oluşuyor; her birini farklı bir AI ya da insan üstleniyor.

Büyük bağlamlı dil modeli — projenin tüm kod tabanını, veritabanı şemasını ve mevcut entegrasyonları bir bütün olarak okuyan katman. Yüz binlerce satır kodu aynı anda “görebilen” bu katman olmadan bir sistemin bugünkü halini çıkarmak mümkün değil. Bunu topoloji raporu çıkarmak, bağımlılıkları haritalamak ve tekrar eden desenleri bulmak için kullanıyorum.

Mimari danışman AI — üst düzey kararları verdiğim katman. Bir fonksiyon nereye yazılmalı, hangi ortak servisten yararlanmalı, hangi tasarım deseni geçerli olmalı, teknik standart nasıl belirlenmeli? Benim için asıl kritik sorular bunlar. Bir sonraki ajana verilecek talimatları — yani prompt‘ları — de bu katmanda tasarlıyorum.

Geliştirme AI — asıl kodu yazan ajan. Mimari danışmanın ürettiği spesifikasyonlara göre dosya oluşturuyor, mevcut kodu değiştiriyor, iterasyon yapıyor. Burada insan müdahalesi en aza iniyor; ama üretilen her şey bir sonraki aşamaya geçmeden denetimden geçiyor.

Denetim AI — pipeline’ın kalite sigortası. Üretilen kodu bağımsız bir gözle okuyor, güvenlik zafiyeti arıyor, iş mantığı hatalarını kontrol ediyor, iş kurallarının çiğnendiği yerleri raporluyor. Kodu yazan ajan kendi kodunu denetleyemez — denetim her zaman ikinci bir gözle yapılır.

İnsan mimar (ben) — pipeline’ın kendisini yöneten katman. Hangi görevi hangi AI’a vereceğime, hangi çıktının kabul edilebilir olduğuna, hangi kararın canlı ortama (prod) çıkacağına ben karar veriyorum. Müşteriye karşı sorumluluk tümüyle bende, çünkü araçların hiçbiri iş bağlamını benim kadar bilmiyor.

İnsan Mimarın Rolü Neden Kritik?

AI, kod yazmakta şaşırtıcı derecede iyi. Ama şu beş şeyi hâlâ yapamıyor:

İş gereksinimini anlamak. Bir müşteri “depoyu sıkıştırmak istiyoruz” dediğinde gerçekte neyi kastettiğini kavramak için yüzlerce benzer projenin bağlamına sahip olmak gerekiyor. AI bu bağlamı kendi başına kuramaz; ben yıllar içinde kurdum ve o bilgiyi pipeline’a taşıyan da ben oluyorum.

Mimari tradeoff kararı vermek. Her teknik tercihin bir bedeli var: bugün hız için esneklikten, yarın standart için özelleştirmeden feragat edersiniz. Bu dengeleri müşterinin öncelikleriyle eşleştirmek bir mimar kararıdır, bir model tahmini değil.

Canlı ortama geçiş onayı vermek. Üretim ortamına geçiş her zaman bir sorumluluk taşır. Bir şey ters giderse hesabı verecek olan bir AI değil, benim. O yüzden onay her zaman insanda kalıyor.

Müşteriye karşı sorumluluk almak. İş ilişkisi güvenle ayakta durur. Müşteri bir AI’ın çıktısına değil, benim onayladığım çözüme güveniyor.

Doğru görevi doğru araca dağıtmak. Hangi AI hangi işte iyi, hangi aşamada hangi model yanılıyor, hangi kombinasyon en verimli sonucu veriyor — bu bilgi pipeline’ı uzun süre yürüten kişide birikiyor ve zamanla pipeline yöneticisinin asıl uzmanlık alanına dönüşüyor.

Kalite Güvencesi: Her Satır Denetleniyor

Geleneksel yazılım projelerinde code review — yani yazılan kodun başka bir geliştirici tarafından okunup kontrol edilmesi — çoğu zaman isteğe bağlı kalır. Ekip küçükse, takvim sıkışsa, öncelikler kayarsa bu adım ilk atlanan şey olur. Benim yöntemimde ise böyle bir seçenek yok: her fonksiyon, her değişiklik, her yeni dosya bağımsız bir AI denetiminden geçiyor. Üstelik denetim raporu satır referanslarıyla geliyor; yani hangi satırda ne tür bir sorun görüldüğü tek tek belgeleniyor.

Bu, hatanın canlı sisteme sızmasını önlüyor. Bir güvenlik zafiyeti, yanlış bir iş kuralı ya da gereksiz bir kod tekrarı sistemi terk etmeden yakalanıyor. Benim için bu bir bonus değil, yöntemin temel taşı — çünkü bir ERP sistemi kritik iş süreçlerini yürütür ve bu tür sistemlerde en küçük hata bile üretimi durdurabilir.

Hangi Projelere Uygun?

Bu çok ajanlı pipeline yaklaşımı bazı senaryolarda açık ara öne çıkıyor:

• ERP üzerine özel modül geliştirme — hazır bir platformu iş ihtiyaçlarınıza göre genişletmek istediğinizde, klasik ekiplerin aylar süren işleri hafta bazına iniyor.
• Depo, üretim ve kalite ekranları — operasyonel süreçlere özel arayüzler; hızlı iterasyon isteyen alanlar için biçilmiş kaftan.
• Mevcut sisteme entegrasyon — iki farklı sistemi konuşturacak köprü kodu yazmak, AI destekli pipeline’ın en güçlü olduğu yerlerden biri.
• Air-gap / kapalı ağ ortamları — internet erişimi olmayan, özel güvenlik gerektiren ortamlarda bile pipeline’ın belirli parçaları çevrimdışı çalışabiliyor.
• Savunma sanayi dahil kritik sektörler — en yüksek denetim disiplinini gerektiren alanlar; paradoksal biçimde çok ajanlı AI burada en fazla değeri üretiyor, çünkü her çıktı zaten bağımsız denetime tabi.

Sonuç ve Çağrı

Bu yöntem yazılım geliştirmeyi demokratikleştiriyor. Eskiden bir KOBİ’nin kurumsal kalitede özel bir yazılım için on kişilik ekip kurması, altı ay beklemesi ve büyük bir bütçe ayırması gerekiyordu. Bugün aynı kaliteyi birkaç haftada üretmek mümkün. Ama lütfen yanlış anlaşılmasın: bu “AI’a bırak, kendi kendini yazar” demek değil. Doğru mimarinin koordinasyonunu, doğru kararların alınmasını ve doğru denetim disiplininin kurulmasını gerektiren bir yaklaşım bu.

Bir ERP projeniz varsa ve bu yöntemle çözülebilecek gibi görünüyorsa, gelin bir keşif görüşmesi yapalım. Sistemi, ihtiyacı, beklentileri konuşalım — gerçekten uygunsa yol haritasını beraber çıkaralım.