Temporal anketi: Geliştiricilerin %80,8'i yapay zeka ajanlarını günlük kullanıyor, yalnızca %49'u üretime çıkarıyor

Günlük ajan kullanımı artık standart

Temporal'ın State of AI Agent Development 2026 anketi, bu hafta dev.to'daki bir analizde gündeme geldi ve dik bir benimseme eğrisi kaydediyor: Geliştiricilerin %80,8'i yapay zeka ajanlarını artık günlük veya daha sık kullandığını belirtiyor; bu oran bir yıl önce %47,3'tü. Ankete 554 mühendis katıldı ve %21,8'i kullanımlarını kesintisiz olarak tanımladı. Ajanlarla günlük etkileşim fiilen geliştirici çalışmasının varsayılan modu haline geldi.

Üretim ise farklı bir tablo çiziyor. Katılımcıların yalnızca %49,1'i ajanları üretim ortamında çalıştırıyor; bu da günlük kullanım ile dağıtım arasında 31 puanlık bir boşluk bırakıyor. Diğer bir fren ise işlem gücü: %79,8'i işlem gücü maliyetlerinin ajanlarla ilgili ilerlemelerini ciddi şekilde sınırladığını söyledi.

Doğrulama darboğazı

dev.io'daki yazıya göre bu boşluk bir zamanlama sorunu değil, bir doğrulama sorunu: ajanlar kodu ve kararları insanların kontrol edebileceğinden daha hızlı üretiyor ve kontrol edilmemiş çıktı üretime çıkarılmıyor.

Sonar'ın anket verileri bu okumayı destekliyor. Sonar'a göre geliştiricilerin %96'sı yapay zeka tarafından üretilen koda tam olarak güvenmiyor, yalnızca %48'i commit öncesi her zaman doğruluyor ve %38'i yapay zeka kodunu incelemenin insanlar tarafından yazılan kodu incelemekten daha zahmetli olduğunu düşünüyor. Sonar'dan Tariq Shaukat, AI Engineer World's Fair'de konuşurken kod satırlarının çarpıcı biçimde artarken sürümlerin yalnızca yaklaşık %30 büyüdüğünü ve insan inceleyicilerin hatalı yapay zeka çıktısına beş durumdan dördünde katıldığını söyledi.

Anthropic'in Claude Code ekibi, sorunla ilgili en net iç sayıları yayınladı. Orada inceleme gerektiren değişiklikler dört ay içinde günde yaklaşık 2.500'den 30.000'in üzerine çıktı. Ekip üretimi yavaşlatmak yerine doğrulamayı build sürecinin kendisine taşıdı; kontrolleri ajan çalıştıktan sonra değil, çalışırken gerçekleştirdi. Bildirilen sonuç, yaklaşık %40 daha az geri alma ile iki kat daha fazla değişikliğin üretime çıkarılmasıydı.

Harness argümanı

LangChain'in Interrupt London etkinliğinde Harrison Chase, savunulabilir değerin artık harness'te — modelin kendisinde değil, modeli çevreleyen sistemde — olduğunu savundu. "Harness hendek," dedi ve beş bileşen sıraladı: bir ekibin kendi alanına karşı ajan davranışını test eden eval'ler, kalıcı bellek, yeniden kullanılabilir yetenekler, denetim izleri ve harcama limitleri gibi yönetişim, ve üretim verisini sisteme geri besleyen ince ayar döngüleri. Sequoia podcast'inde Chase, bu tür mühendislikte en iyi olan şirketlerin yapay zeka laboratuvarları değil, kodlama şirketleri olduğunu ekledi.

dev.to analizi, GitHub'ın trending sayfasını doğrulayıcı kanıt olarak gösteriyor: 30 Ekim'de trend olan 15 depodan 12'si ajan altyapısıydı; bellek, yetenekler, kalite kapıları, token verimliliği ve yürütme ortamlarını kapsıyor ve toplam yıldız sayıları 1,29 milyonun üzerindeydi.

Otonom eyleme güven

Doğruluk, üretim sorununun yarısı; otonom eylem ise diğer yarısı. AI Engineer konferansında SoFi'den Ishween Kaur, ajanlar arası ödemeler için yeni bir standart olan x402 üzerinde, ajanların karşılıksız ödeme yapmaya ikna edildiği altı saldırı gösterdi. Onun çerçevesi — bir ajanın beş sentlik bir ödemenin meşru olup olmadığına nasıl karar verdiği — bir model yeteneği sorunu değil, yönetişim sorunu; bu yüzden harcama limitleri, onay kapıları ve denetim izleri Chase'in bileşen listesinde yer alıyor.

Şüphecilik geliştirici topluluklarında da görülüyor. "AI SRE'lerin yerini almıyor, becerilerini köreltiyor" başlıklı bir Hacker News başlığı 466 puan ve 341 yorum aldı; en üstteki yorum, pilotlar için zorunlu manuel uçuş süresini üretim ajanları için insan-döngüde kontrol noktalarına benzetiyor.

Neden önemli

Temporal'ın sayıları bir kıyas noktası: geliştiriciler arasında günlük ajan kullanımı tek yılda azınlık konumundan ana akıma taşındı ve geliştiricilerin neredeyse yarısı halihazırda ajanları üretimde çalıştırıyor. Ancak bu iki rakam arasındaki 31 puanlık boşluk, işin sonraki aşamasının nerede yattığını gösteriyor. dev.to analizinde bir araya getirilen kanıtlar — Sonar'ın güven verileri, Anthropic'in inceleme hacmindeki patlama, ajan ödeme protokollerine yapılan saldırılar — tutarlı biçimde model yeteneğinden uzaklaşıp bir ajanın üretime çıkıp çıkmayacağını belirleyici faktörler olarak doğrulama, bellek, yetenekler ve yönetişime işaret ediyor. Mühendislik ekipleri için pratik çıkarım şu: benimseme artık ayırt edici unsur değil; çevresindeki altyapı ayırt edici unsur. Satıcılar ve açık kaynak bakımcıları için GitHub'daki harness odaklı proje dalgası, pazarın bu sonuca çoktan ulaştığını gösteriyor.