İşten çıkarılan Meta mühendisi, yoğun AI kod üretiminin kırılgan kod tabanlarına yol açtığını savunuyor

Mayıs ayında Meta'dan çıkarıldığını söyleyen yazılım mühendisi Evan Merz'in birinci ağızdan anlattıkları, Hacker News ana sayfasına ulaşmasının ardından dikkat çekiyor. Merkezi iddiası şu: AI kod üretiminin yoğun kullanımı verimliliğini katlamadı ve zamanla güvenilir şekilde çalışması gittikçe zorlaşan kırılgan yazılımlar üretti.

Meta içerisinden bir anlatı

Merz işten çıkarılmasına dair açıklamasını spekülasyon olarak nitelemeye özen gösteriyor, ancak bazı meslektaşlarına kıyasla AI kodlama araçlarına daha az coşkulu olmasının bunda payı olduğundan şüpheleniyor. Kendi tanımıyla hiç de geri kalan biri değildi: şirketteki son aylarında kodunun en az yüzde 90'ını AI ile üretti; bu da onun ifadesine göre iyi bir performans notu almanın fiili alt sınırıydı. Deneyimine göre kazancı sınırlıydı — araçlar çıktısını iki katına bile çıkarmadı, sıkça duyurulan büyük çarpanların çok uzağında kaldı.

Maliyeti kalitede gördü. Ağır şekilde AI'a bağımlı meslektaşlarının yazdığı kodun, uzun vadeli teknik borca dönüşecek ince kusurlar taşıdığını ve bariz sorunların kimi zaman çok yetenekli reviewer'ların gözünden kaçtığını yazıyor. Örneği şöyle: ekibindeki en güçlü programcılardan biri, mouse hover efektlerini CSS :hover selector yerine JavaScript event'leriyle ele alan bir kodu merge etmeye çalıştı — ölçeklenmeyecek bir yaklaşım.

Merz kök sınırlamayı bir kapsam sorunu olarak çerçeveliyor: modeller context window'larına sığan her şeyi iyi yönetiyor, ancak bu dar çerçeve içinde anlaşılamayan uzun vadeli sorunlara karşı körler.

AI'ın bir kod tabanını zayıflattığı dört yol

Gönderiye göre hasar dört tekrarlayan örüntüde ortaya çıkıyor:

• Yüzeysel testler. AI çok sayıda basit test yazıyor, örneğin basit getter ve setter'ları çalıştıran testler; end-to-end testleri ise çoğunlukla kod tabanının zaten ele aldığı senaryoları yeniden kapsıyor. Satır bazlı coverage metrikleri sağlıklı göründüğü için ortaya çıkan boşluklar görünmez kalıyor.
• Aşırı karmaşık kod. AI sıklıkla tek bir fonksiyonun yeteceği yerde mantığı iki üç yardımcı fonksiyona bölüyor; "kendini tekrar etme" gibi prensipleri o kadar katı uyguluyor ki, eklenen indirection kodu insanların debug'lamasını ve anlamasını zorlaştırıyor.
• Azalan insan bilgisi. Bir şirket kod yazmak için agent'lara ne kadar uzun süre dayanırsa, sistemi gerçekten tanıyan developer sayısı o kadar azalıyor. Reviewer'lar, bir pull request mevcut veri yapıları ve algoritmalarla çelişen bir abstraction getirdiğinde bunu fark edecek aşinalığı yitiriyor.
• İnceleme hızının derinliği geçmesi. Her pull request bir öncekinden daha hızlı geliyor ve daha az inceleme alıyor; reviewer'lar hızlıca bakıp kritik detayları kaçırıyor ve küçük kusurlar ciddi borca dönüşecek şekilde birikiyor.

Production'daki belirtiler

Merz ayrıca agentic coding'in bir kod tabanına zarar verdiğini gösteren uyarı işaretlerini de listeliyor. Benimsenmesinin ardından incident sıklığının sürünerek arttığını hatırlıyor: bir ayın sonunda tek bir P0, ertesi ay iki ciddi incident (SEV) ve bir iki yıllık agentic coding'in ardından neredeyse her hafta sonu bir incident yaşanıyor hissi.

Toparlanma da yavaşlıyor, diye yazıyor. Kodla sadece yüzeysel bir aşinalığı olan mühendisler bir kesintiye müdahale ederken fiilen tanımadıkları bir arazide yol alıyor; bu da mitigation'ı uzatıyor ve her incident'ın maliyetini yükseltiyor. Hataların giderek sadece gerçek kullanıcılarda ortaya çıktığını, çünkü kimsenin analytics ve hata yönetiminin doğru şekilde instrument edildiğini doğrulamadığını, deneyimin hem kullanıcılar hem de ürünü sürdüren developer'lar için kötüleştiğini ekliyor. Sonucu şu: böyle kod tabanları kaliteli yazılımın bağlı olduğu insan bakış açısını yitiriyor ve bu şekilde inşa edilen ürünler ne onları kullananlara ne de onları sürdürenlere hizmet ediyor.

Not edilmesi gerekenler

Gönderi anekdot niteliğinde: tek bir mühendisin gözlemleri, destekleyici metrikler olmadan sunulmuş ve Merz de işten çıkarılma açıklamasını bir tahmin olarak呈现 ediyor. Dikkat çekici şekilde, yeni işvereninde — bir başka büyük teknoloji şirketi — artık kodunun yüzde 100'ünü tercihinden değil, bugünün beklentisi bu olduğu için AI ile ürettiğini söylüyor; bu da endişelerinden bağımsız olarak bu pratiğin ne kadar yerleşik hale geldiğini gözler önüne seriyor.

Neden önemli

Tek bir kişinin anlatısı olsa bile yazı, AI agent'ları benimseyen mühendislik organizasyonlarının doğrudan kontrol edebileceği başarısızlık modlarını adlandırıyor: zayıf testleri güçlü gösteren coverage metrikleri, pull request hacmi büyüdükçe daralan review bant genişliği ve ekiplerden boşalan kurumsal bilgi. Bu dinamikler sessizce bileşik etki yaratıyor ve genellikle geç ortaya çıkıyor — artan incident sayıları ve yavaşlayan toparlanma biçiminde — ve AI kaynaklı kırılganlığın pahalı hale gelene kadar kolayca görmezden gelinmesini sağlayan da tam olarak bu. Merz'in rakamları daha geniş normları yansıtıyorsa, mühendislerden neredeyse tamamen AI ile üretim beklenen bu günlerde bir kod tabanının savunulabilirliği, neredeyse tamamen bir ekibin etrafında dayatmayı seçtiği test, review ve instrumentation standartlarına bağlı.