tohum
TR
Panele Git
← Blog’a dön

Cenk’in Panosu: Gömülü Dünyada Yapay Zeka Paradoksu

25 araştırmanın damıtılmış hikâyesi.

Salı sabahı, 09.14. Ankara’daki küçük bir IoT girişiminde kıdemli firmware mühendisi Cenk ekranına bakıyor. Bir STM32 kartında DMA tabanlı ADC örneklemesi kurması gerekiyor. Claude’a soruyor — kod geliyor, derleniyor, karta yükleniyor. Sensörler veri üretiyor. Cenk gülümsüyor. Ertesi hafta sahadaki on iki akıllı su sayacı rastgele donmaya başlıyor. Suçlu: yanlış yapılandırılmış bir çevre birimi saati. Derleyici yakalayamadı; silikon yakaladı. Cenk panosuna bakıp kendine soruyor: bu araç bizi gerçekten hızlandırıyor mu, yoksa sadece hızlıymışız gibi mi hissettiriyor?

Cenk yalnız değil. 2025’in en çarpıcı iki araştırması birbirini açıkça yalanlıyor. METR’in kontrollü deneyinde 16 deneyimli açık kaynak geliştiricisi, yapay zeka araçları kullanırken görevleri %19 daha uzun sürede tamamladı — deney öncesinde %24 hızlanma öngörmüşlerdi, deney sonrasında bile %20 hızlandıklarına inanıyorlardı. Aynı yıl Microsoft, MIT ve Princeton’ın 4.867 geliştiriciyle yürüttüğü ortak rastgele kontrollü çalışma, haftalık PR sayısında %26 artış ölçtü. İki araştırma, iki zıt yön. Gömülü sistemler dünyasında hangisi baskın?

Araç gerçekten öğretiyor, hızlandırıyor, demokratikleştiriyor

Kanıtlar güçlü. CHI 2024’teki Englhardt çalışmasında insan–yapay zeka iş akışı, LoRa sensör derleme başarı oranını %25’ten %100’e taşıdı — sıfır donanım deneyimi olan kullanıcılar bile çalışan sensörler kurabildi. Aynı çalışmada GPT-4, bağlama özel güç optimizasyonuyla nRF52 çipinin akım tüketimini 740 kat azalttı — 12,2 mikroampere kadar. TATA 1mg’nin 300 mühendisle yürüttüğü bir yıllık çalışmada junior geliştiriciler %77’ye varan verimlilik artışı gördü. DORA 2025’e göre geliştiricilerin %90’ı artık yapay zeka kullanıyor; %80’i olumlu verimlilik etkisi bildiriyor.

Derlenen kod, çalışan kod değildir

Haziran 2025 tarihli EmbedAgent benchmark’ında DeepSeek-R1, 126 gömülü görevde yalnızca %55 pass@1 başarıya ulaştı; platformlar arası taşıma işi ESP-IDF üzerinde bu oranı %29’a düşürdü. Daha da çarpıcısı: Claude-3.7-Thinking, akıl yürütme token’larının %78’ini planlamaya değil, kendi hatalı kodunu düzeltmeye harcadı — aşırı düşünme etkisi. Future Internet’te 2026’da yayımlanan bir makale, 27 LLM’i uçtan uca bir IoT yığınında (sensör → InfluxDB → Grafana) test etti; neredeyse hepsi derlenen ama donanımsal olarak yanlış firmware üretti. Kütüphane sürüm uyumsuzlukları, hatalı register bit alanları, uydurulmuş sensör formülleri.
Gömülü dünyanın bir tuhaflığı var: hatalar uzakta yaşar. Web uygulamasında hata sayfayı yeniler; firmware’de hata sahadaki on bin cihazı tuğlaya çevirir. GitClear’ın 211 milyon satır kod üzerindeki analizi, kopyalanmış kodun 2020’den 2024’e %48 arttığını gösteriyor; yapay zeka ağırlıklı depolarda birikmiş refactor borcu %34 daha yüksek. IoT ekipleri için bu bir lüks sorunu değil — bellek kısıtlı, pil kısıtlı, OTA güncellemeleri pahalı. Şişkin kod, daha kısa pil ömrü, o da müşteri iadeleri demek. Stack Overflow 2025 anketinde “yapay zekaya aktif olarak güvenmiyorum” diyenler %31’den %46’ya fırladı.

Hangi kapıyı koruyor, hangisini açıyorsunuz?

İki taraf da haklı — farklı koşullar altında. Beş araştırmanın kesişiminden çıkan hipotez şu: LLM’ler IoT’de sınırları belli, doğrulanabilir, kullan-at görevlerde güçlü kazanımlar sağlıyor. Bir protokol ayrıştırıcısı yaz, sensör kalibrasyon fonksiyonu üret, regresyon testi iskelesi kur, dokümantasyon taslağı çıkar. Bu sınırın dışında — sistem seviyesi tasarım, zamanlama açısından kritik rutinler, çok bileşenli entegrasyon, güvenlik-kritik modüller — yetenek dramatik biçimde çöküyor. Kazanım araçtan değil, etrafına örülen mühendislik disiplininden geliyor. DORA’nın deyişiyle: yapay zeka bir yükselteçtir.

Cenk ertesi salı ikinci saha testinde oturuyor. Bu kez ekip, LLM’in yazdığı her DMA satırını osiloskopta doğruluyor. İki saatlik ek iş, bir haftalık saha geri çağırmasından ucuz. Panosu hâlâ açık; verimlilik rakamları yükseliyor — bu kez daha yavaş, ama kalıcı. 2026’da IoT ekipleri için asıl soru “yapay zeka kullanmalı mıyız?” değil. Asıl soru şu: hangi kapıyı koruyor, hangisini açıyorsunuz? Çünkü −%19 ile +%26’yı ayıran şey model değil — onu kullanma disiplini.

Kaynaklar: