AI Çağında Junior Yazılımcı: 2026 Kariyer Rehberi

AI çağında junior yazılımcı kariyeri, artık tek bir soruya indirgenemeyecek kadar karmaşıklaştı: "AI beni işsiz mi bırakır" yerine "AI'nin yaptığını yapamayan bir junior ne işe yarar" sorusunu sormak gerekiyor. Bu yazıda uydurma yüzdeler veya korkutma taktikleri yok — yalnızca birincil kaynaklı araştırmalarla (METR, Stack Overflow, OpenAI) sınırlı, dürüst bir kariyer rehberi bulacaksın.

💡 Pro Tip: AI aracının sana verdiği ilk cevabı asla "doğru" kabul etme; onu bir meslektaşının taslak PR'ı gibi oku, sorgula, sonra kabul et.

İçindekiler

• Gerçekte ne değişti: otomatikleşen görevler vs otomatikleşmeyenler
• Veriye dürüst bakış: yalnız birincil kaynaklı rakam
• Yeni junior tanımı: AI çıktısının kalite katmanı
• Vazgeçilmez temel: okuma, hata ayıklama, sistem düşüncesi
• AI araçlarını CV'de değil işte kanıtlamak: portfolyo deseni
• Türkiye'den remote çalışma ve ücret gerçekleri
• İlk 12 aylık somut öğrenme planı
• Güncelleme (Eylül 2026)
• SSS
• AI junior yazılımcıların işini elinden alıyor mu?
• AI çağında junior yazılımcı olarak işe nasıl girilir?
• 2026'da yeni başlayan bir yazılımcı hangi becerilere odaklanmalı?
• Türkiye'den remote junior yazılımcı olarak iş bulunur mu?
• Sonuç
• Kaynaklar

Gerçekte ne değişti: otomatikleşen görevler vs otomatikleşmeyenler

2025-2026 arasında AI kod ajanları gerçekten değişti. OpenAI, 2025'te Codex'i "bulut tabanlı, birçok görevi paralel yürütebilen bir yazılım mühendisliği ajanı" olarak tanıttı; ajan kendi izole ortamında dosya okuyup düzenliyor, testleri ve linter'ları kendi çalıştırabiliyor. Bu, boilerplate kod, standart CRUD endpoint'leri ve test iskeletleri gibi rutin işleri gerçek anlamda hızlandırdı.

Ama madalyonun öbür yüzü daha az konuşuluyor. 2025 başında yaygınlaşan "vibe coding" pratiği — geliştiricinin kodu doğal dilde tarif edip üretilen çıktıyı satır satır incelemeden kabul etmesi — beraberinde ciddi eleştiriler de getirdi. Eleştirmenler hesap verebilirlik eksikliğine, sürdürülebilirlik sorunlarına ve artan güvenlik açığı riskine işaret ediyor.

Otomatikleşen ve otomatikleşmeyen tarafı yan yana koyduğunda tablo netleşiyor:

Bu tablo aslında bütün yazının çekirdeği: AI'nin iyi olduğu sütun daralıyor değil, sadece net bir sınırı var. Junior'ın değeri, tam da sağdaki sütunda birikiyor.

OpenAI'nin kendi açıklamasına göre Codex görevleri, karmaşıklığa bağlı olarak tipik olarak 1 ile 30 dakika arasında sürüyor — yani ajan, küçük ve orta ölçekli görevlerde gerçekten hızlı. Ama "hızlı" ile "doğru" aynı şey değil; bir görevin 5 dakikada bitmesi, çıktısının doğru olduğu anlamına gelmiyor. Junior'ın işi tam da bu ikisini birbirinden ayırt etmek: hız AI'den geliyor, doğrulama insandan gelmeye devam ediyor.

Veriye dürüst bakış: yalnız birincil kaynaklı rakam

Bu bölümde yalnızca doğrudan doğrulanmış rakamları kullanıyoruz. İnternette dolaşan "AI ilanların %67'sini yok etti" veya "IBM junior alımını üçe katladı" gibi iddiaların hiçbiri, Kaynaklar bölümündeki birincil kaynaklarda (METR, Stack Overflow, kurumsal ve akademik kaynaklar) doğrulanamıyor — bu yüzden burada yer almıyorlar.

Doğrulanmış olan şu: METR'in erken 2025 araçlarıyla, 16 deneyimli açık kaynak geliştiricisiyle yaptığı randomize kontrollü çalışmada, AI araçlarına izin verilen gerçek işlerde geliştiriciler görevleri %19 daha yavaş tamamladı. Daha çarpıcı olanı algı farkı: geliştiriciler kendilerini %24 hızlandığını tahmin etmiş, iş bittikten ve yavaşladıklarını gördükten sonra bile hâlâ %20 hızlandıklarını düşünmüşlerdi. METR bunun "AI hiçbir geliştiriciyi hızlandırmaz" anlamına gelmediğini açıkça belirtiyor — bulgu, büyük ve olgun açık kaynak repo bağlamına özgü, küçük bir örneklemden geliyor.

METR bu ölçümü kendi güncellemesiyle aştı: 24 Şubat 2026 tarihli yazıda, Ağustos 2025'te 10 eski ve 47 yeni katılımcıyla yürüttüğü ikinci randomize çalışmada eski katılımcılar için -%18 (-%38 ile +%9), yeni katılımcılar için -%4 (-%15 ile +%9) hızlanma tahmin ediyor; eksi işareti sürenin kısaldığını gösteriyor. Ama AI'siz çalışmak istemeyen geliştiricilerin katılmamasından doğan seçilim etkisi yüzünden bunu çok zayıf kanıt ve alt sınır sayıyor; ilk çalışmanın sonuçlarını sayfasında "güncel değil" olarak işaretledi.

Stack Overflow'un 2024 Geliştirici Anketi (Ocak 2025'te yayımlandı) ise farklı bir açıyı gösteriyor: katılımcıların %76'sı AI araçlarını kullandığını veya kullanmayı planladığını söylüyor, ama yalnızca %43'ü AI çıktısının doğruluğuna güveniyor ve %45'i AI'nin karmaşık görevlerde zorlandığını düşünüyor. Yani deneyimli geliştiricilerin çoğunluğu, AI'yi kullanıyor ama ona varsayılan olarak güvenmiyor.

Bu tabloyu ezberlemene gerek yok; şu çıkarımı ezberle: AI'nin hız etkisi ölçümden ölçüme değişiyor, ama "deneyimli geliştiriciler AI'ye şüpheyle yaklaşıyor" sabit kalıyor. Junior için sonuç aynı — AI çıktısını hızlı üretmek değil, doğru değerlendirmek asıl beceri.

Yeni junior tanımı: AI çıktısının kalite katmanı

METR çalışmasının katılımcıları Cursor Pro ve Claude 3.5/3.7 Sonnet gibi o dönemin (erken 2025) araçlarını kullandı; her görev ortalama iki saat sürdü ve 246 gerçek issue rastgele AI-izinli/AI-izinsiz gruplara atandı. Deneyimli geliştiricilerin bile AI çıktısını doğrulamaya bu kadar zaman harcaması boşuna değil — çünkü doğrulama gerçekten pahalı bir iş.

İşte tam burada yeni junior tanımı ortaya çıkıyor: junior'ın işi artık "AI'nin üretebileceğini üretebilmek" değil, "AI'nin ürettiğinin doğru olup olmadığını anlayabilmek." Bu, aşağıdaki gibi bir kod incelemesi şeklinde günlük pratiğe dönüşüyor:

1type Order = { id: string; totalCents: number };
2 
3function formatOrder(order: Order) {
4  return `${order.id}: ${(order.totalCents / 100).toFixed(2)} TL`;
5}
6 
7// tip bildirimi olmasaydı (ör. düz JavaScript'te) bu hata derleme
8// zamanında değil, üretimde bir müşteri faturasında ortaya çıkardı
9// AI'nin ürettiği çağrı: totalCents alanına yanlışlıkla string geçiyor
10// formatOrder({ id: "A1", totalCents: "1999" });
11// TS2322: Type 'string' is not assignable to type 'number'.

AI, totalCents alanına string bir değer geçirmeyi öneriyor olabilir; onu yakalayan şey senin dikkatin değil, tip sisteminin kendisi — ve onu devre dışı bırakmamış olman. Junior'ın katma değeri tam burada: AI'nin atlayabileceği güvenlik ağlarını (tip sistemi, test, linter) bilinçli olarak açık tutmak.

Vazgeçilmez temel: okuma, hata ayıklama, sistem düşüncesi

Stack Overflow verisine göre deneyimli geliştiricilerin yalnızca %43'ü AI çıktısına güveniyor — bu, "AI'nin dediğine güvenme, kendin doğrula" kültürünün zaten deneyimli katmanda yerleşik olduğunu gösteriyor. Junior için bu üç beceri, AI çağında eskisinden daha değerli hale geldi:

• Kod okuma: Kendi yazmadığın (AI'nin veya bir meslektaşının yazdığı) kodu hızlı ve doğru şekilde anlayabilmek.
• Hata ayıklama: Belirtiden kök nedene sistematik şekilde inebilmek, tahmin yürütmemek.
• Sistem düşüncesi: Bir değişikliğin başka bileşenleri nasıl etkileyeceğini önceden görebilmek.

Hata ayıklamada tahmin yerine sistematik yöntem kullanmanın en somut örneği ikili arama mantığıdır:

1# AI'nin önerdiği "hızlı" değişiklik testleri kırdı — kök nedeni bulmak için
2git bisect start
3git bisect bad HEAD
4git bisect good v1.4.0
5# git otomatik olarak orta commit'e geçer, sen testi çalıştırıp işaretlersin
6npm test -- --run
7git bisect good   # ya da bad, sonuca göre tekrar dallan
8git bisect reset

Bu üç becerinin ortak noktası: hiçbiri bir AI aracının versiyon numarasına bağlı değil. Araçlar değişecek, bu üç temel değişmeyecek.

Bu üç beceriyi ayrı ayrı egzersizler gibi düşünmek yardımcı olur. Kod okuma için, her hafta kendi yazmadığın en az bir modülü baştan sona oku ve neden öyle tasarlandığını kendi kendine anlat — anlayamadığın yerleri yazılı olarak not et, sonra araştır. Hata ayıklama için, bir sorunu çözerken ilk aklına gelen çözümü hemen uygulamak yerine önce "bu neden oluyor olabilir" sorusuna üç farklı hipotez yaz, sonra her birini tek tek elemeye çalış. Sistem düşüncesi için ise küçük bir değişiklik yapmadan önce "bu değişiklik hangi başka bileşeni etkiler" sorusunu kağıda dök; ilk başta yanlış tahmin etsen bile, bu alışkanlık zamanla isabet oranını artırır.

Bu üç egzersizin ortak özelliği, hiçbirinin bir AI aracına ihtiyaç duymaması. Onları AI'siz de, AI'li de uygulayabilirsin — asıl mesele araç değil, alışkanlık.

Bu alışkanlıkları günlük akışına yerleştirmenin en kolay yolu, onları zaten yaptığın bir işin içine iliştirmek. Kod okuma için ayrı bir zaman dilimi ayırmak yerine, gözden geçirmen gereken PR'lardan birini açıp yorum yazmadan önce dosyayı baştan sona oku; aklına gelen soruları kenara not et ve cevaplarını aramadan önce kendi tahminini yaz. Hata ayıklamada, hatayı düzeltmeden önce onu tekrar üretebilen en küçük senaryoyu yazmayı kural haline getir — düzeltmenin gerçekten işe yaradığını doğrulamanın en güvenilir yolu, düzeltmeden önce kırmızı gördüğün bir testtir. Sistem düşüncesi için ise dokunduğun modüllerin girdi ve çıktılarını tek bir kağıda kutu-ok şeklinde çiz; çizim ne kadar kaba ve eğreti olursa olsun, değişikliğin sınırlarını görünür kılar.

Bu üçünü bir arada tutan fikir, geri bildirim döngüsünü kısaltmak. Okuduğun kodu anladığını, onu kendi cümlelerinle anlatabildiğinde anlarsın; bir hatayı çözdüğünü, kök nedeni tek bir cümlede söyleyebildiğinde anlarsın; bir değişikliğin etkisini kavradığını ise neyin kırılabileceğini önceden söyleyip sonra doğrulayabildiğinde anlarsın. Hangi aracı kullanırsan kullan bu üç kontrol sorusu değişmiyor; onları her gün kendine sormayı alışkanlık haline getirdiğinde, aracın adı ikincil bir detaya dönüşüyor.

AI araçlarını CV'de değil işte kanıtlamak: portfolyo deseni

CV'ye "AI araçlarını etkin kullanıyorum" yazmak hiçbir işe yaramıyor — herkes aynı cümleyi yazıyor. Kanıt, iş sırasında bıraktığın izde saklı. Her AI destekli görevden sonra kısa bir günlük tutmak, hem kendi gelişimini takip etmeni hem de mülakatta somut örnek vermeni sağlar:

1{
2  "date": "2026-03-05",
3  "task": "AI'nin ürettiği pagination fonksiyonundaki off-by-one hatasını buldum",
4  "aiTool": "kod önerisi",
5  "whatIVerified": "sayfa 1 sonucu boş geliyordu; offset hesabı page*limit yerine (page-1)*limit olmalıydı",
6  "timeSpentMinutes": 35
7}

Böyle bir günlük altı ay sonra iki şeye dönüşür: birincisi, mülakatta anlatabileceğin somut hikayeler; ikincisi, kendi zayıf noktalarını gösteren bir harita (hangi hata türlerini tekrar tekrar buluyorsun). Bu yaklaşım, "AI'nin ürettiğini kabul etmeden önce anlıyorum" iddianı kanıtlayan tek şey — sözlü iddia değil, kayıtlı örnek.

Mülakatta bu günlüğü nasıl kullanacağını da düşün. "AI kullanıyorum" demek yerine, günlükten seçtiğin bir satırı anlat: hangi hatayı, nasıl fark ettin, neden AI'nin önerisi eksikti, sen ne yaptın. Bu tür somut bir anlatı, mülakatçının aklında "bu kişi AI'ye kör güvenmiyor, onu bir araç olarak kullanıp sonucu kendisi doğruluyor" izlenimi bırakır — ki tam olarak Stack Overflow verisinin işaret ettiği, deneyimli katmanda zaten yerleşik olan refleks budur. İkinci ya da üçüncü örneği hazırlarken farklı hata türleri seçmeye özen göster (bir mantık hatası, bir performans sorunu, bir güvenlik açığı gibi) — tek tip örnek, tek boyutlu bir beceri izlenimi verir.

Türkiye'den remote çalışma ve ücret gerçekleri

Bu bölümde net bir uyarı yapmak gerekiyor: Türkiye'ye özgü, kurumsal bir kaynağa dayanan güncel bir ücret veya remote istihdam rakamı elimizde yok. Bu yüzden burada TL veya USD cinsinden tek bir "ortalama maaş" rakamı vermiyoruz — böyle bir rakam, kaynaksız olduğu için yanıltıcı olurdu.

Bunun yerine genel ilkeler daha güvenilir bir rehber:

• Remote pozisyonlarda ücretlendirme genelde işverenin bulunduğu pazara göre şekillenir; "Türkiye'den remote çalışan herkes aynı bandı alır" varsayımı gerçekçi değildir.
• Avrupa/ABD merkezli bir şirket için remote çalışan bir junior ile Türkiye merkezli bir şirkette çalışan bir junior'ın ücret referans noktaları farklıdır; ikisini aynı rakamla karşılaştırmak yanıltıcıdır.
• Somut ve güncel bir ücret bandı ihtiyacın varsa, kurumsal kaynaklara (şeffaf maaş anketleri yayımlayan platformlar, ilan sitelerinin resmi raporları) bakmak, sosyal medyadaki anekdotlardan daha güvenilir.
• Remote bir pozisyona başvururken portfolyo günlüğün (bir önceki bölüm) ve gerçek proje çıktıların, CV'deki tek satırlık iddiadan daha fazla ağırlık taşır.

İlk 12 aylık somut öğrenme planı

METR çalışması kendi bulgusunun sınırını açıkça belirtiyor: "AI sistemleri yakın gelecekte bizim tam bu ortamımızda geliştiricileri hızlandırmayacak" iddiasını KANITLAMADIĞINI söylüyor. Yani bugünün yavaşlatma bulgusu kalıcı bir yasa değil, geçiş dönemine özgü bir gözlem olabilir. Bu da 12 aylık planın mantığını netleştiriyor: araç performansı değişken, temel beceri kalıcı.

1. 1-3. ay: Her gün en az bir AI çıktısını elle doğrula; strict tip kontrolünü (TypeScript, Swift, Kotlin — hangisini kullanıyorsan) hiç kapatma.
2. 4-6. ay: git bisect gibi sistematik hata ayıklama araçlarını gerçek bir hatada en az beş kez kullan; tahmin yürütmeyi bırak.
3. 7-9. ay: Küçük bir özelliği uçtan uca kendi tasarla, AI'yi yalnızca son uygulama adımında kullan; kararları sen ver.
4. 10-12. ay: Portfolyo günlüğünü gözden geçir, tekrar eden hata örüntülerini bul ve bir sonraki yılın odak alanını buna göre belirle.

Bu sıralamanın amacı hız değil derinlik: her aşama bir öncekinin üzerine, doğrulanabilir bir alışkanlık ekliyor.

Planı takip ederken ölçülebilir bir hedef koymak motivasyonu korur. Örneğin her ay portfolyo günlüğüne en az dört yeni kayıt eklemeyi, her çeyrekte en az bir git bisect oturumunu ve her iki ayda bir strict tip kontrolünün seni yakaladığı en az bir gerçek hatayı not etmeyi hedefleyebilirsin. Bu sayılar büyük değil — bilinçli olarak küçük tutuldu, çünkü amaç sürdürülebilir bir alışkanlık, bir haftalık yoğun çaba değil. On ikinci ayın sonunda elinde CV'ye yazacağın bir cümle değil, geriye dönüp inceleyebileceğin, tarihli ve somut bir kayıt seti olacak.

Güncelleme (Eylül 2026)

Bu makalenin gövdesi 12 Mart 2026 tarihli veriyle yazıldı. O tarihten bu yana, junior istihdamı konusunda iki bağımsız araştırma kaynağı yeni veri yayımladı ve tablo daha da netleşti.

Stanford Digital Economy Lab, 12 Ağustos 2026'da "Canaries in the Coal Mine?" çalışmasının revize versiyonunu yayımladı: 22-25 yaş arası, AI'a yoğun maruz kalan mesleklerdeki işçilerin istihdamı, benzer yaştaki az-maruz-kalan işçilere kıyasla Temmuz 2025'te %15 gerideyken, Haziran 2026 itibarıyla bu açık %19'a genişledi. Aynı çalışma, ayarlamanın işten çıkarma değil azalan işe alım yoluyla gerçekleştiğini ve deneyimli işçilerde karşılaştırılabilir bir açık olmadığını vurguluyor. İlk kez raporlanan bir başka bulgu da şu: formal/dokümante edilebilir bilgiye dayalı mesleklerde genç istihdamı düşerken, mentorlukla edinilen örtük (tacit) bilgiye dayalı mesleklerde deneyimli işçi istihdamı artıyor.

ABD Census Bürosu'ndan Tucker'ın 2026 çalışması bu bulguyu bağımsız bir veri setiyle doğruluyor: ChatGPT sonrası en çok AI'a maruz kalan endüstri-eyalet hücrelerinde 22-24 yaş işe alımlarında ani ve kalıcı bir düşüş görülmüş, düzeltilmiş istihdam 10 çeyrekte %12 azalmış. İşe alım hızı 2025 başında kısmen toparlanmış ama bu, daha küçük bir istihdam tabanı üzerinden gerçekleşmiş.

Indeed Hiring Lab'ın 8 Temmuz 2026 tarihli analizi ise farklı ama tamamlayıcı bir görüntü sunuyor: Şubat 2025 sonundaki Claude Code lansmanından bu yana ABD'de yazılım geliştirme ilanları yaklaşık %15 artarken genel ilanlar aynı dönemde %7 düştü. Ama Mayıs 2025-Mayıs 2026 arasındaki artışın %71'i kıdemli (senior) rollerden, %37'si başlığında "AI" geçen işlerden geliyor — junior'a payı orantısız derecede az. 24 Ağustos 2026 tarihli güncel özete göre yazılım geliştirme ilan endeksi (Şubat 2020=100) 74,4'e yükseldi; bu, Mayıs 2025'teki 61,1 dip seviyesinden bir toparlanma ama hâlâ pandemi öncesi seviyenin belirgin altında.

Stanford Digital Economy Lab kendi bulgusunun sınırını da açıkça belirtiyor: bunlar tanımlayıcı örüntüler, AI'nin nedensel etkisinin kesin bir tahmini değil; faiz oranları, eğitim ve uzaktan çalışma gibi alternatif açıklamalar tam olarak dışlanamıyor.

SSS

AI junior yazılımcıların işini elinden alıyor mu?

Doğrudan "alıyor" demek doğru değil; eldeki veriler daha ince bir tablo gösteriyor. METR'in erken 2025 araçlarıyla yaptığı randomize kontrollü çalışmada deneyimli geliştiriciler, AI araçlarına izin verilen gerçek görevleri %19 daha yavaş tamamladı; METR'in Şubat 2026 güncellemesi geç 2025 araçlarında hızlanmaya işaret ediyor ama seçilim etkisi yüzünden kesin değil — yani AI, insan denetimini ortadan kaldıran bir ikame değil, çıktısı doğrulanması gereken bir araç. Stack Overflow'un 2024 anketinde katılımcıların yalnızca %43'ünün AI çıktısının doğruluğuna güvenmesi de aynı yöne işaret ediyor: doğrulama işi insanda kalıyor. Junior istihdamının nicel seyri için bu yazının Güncelleme bölümünde yer alan Eylül 2026 verilerine bak; oradaki tablo, daralmanın işten çıkarma değil azalan işe alım yoluyla gerçekleştiğini gösteriyor.

AI çağında junior yazılımcı olarak işe nasıl girilir?

En etkili yol, AI kullanma iddiasını değil AI çıktısını doğrulama becerini kanıtlamak. Bir portfolyo günlüğü tut (bu yazıdaki JSON örneğine bak), gerçek hataları nasıl bulduğunu somut örneklerle anlat ve mülakatta "AI bana şunu önerdi, ben şu nedenle değiştirdim" diyebileceğin en az iki-üç hikaye biriktir. İlan piyasasının kıdem dağılımına dair güncel rakamlar için yazının Güncelleme bölümündeki Eylül 2026 verilerine bakabilirsin; genel ilke ise şu: junior başvurusunda somut kanıt, sözlü iddiadan daha belirleyici.

2026'da yeni başlayan bir yazılımcı hangi becerilere odaklanmalı?

Kod okuma, sistematik hata ayıklama ve sistem düşüncesi — üçü de bir AI aracının versiyon numarasına bağlı değil. Stack Overflow'un 2024 anketine göre deneyimli geliştiricilerin yalnızca %43'ü AI çıktısının doğruluğuna güveniyor; bu, "AI'nin dediğine güvenme, doğrula" alışkanlığının deneyimli katmanda zaten yerleşik olduğunu gösteriyor. Junior için en değerli yatırım, bu doğrulama refleksini erken kazanmak.

Türkiye'den remote junior yazılımcı olarak iş bulunur mu?

Mümkün, ama tek bir "Türkiye ortalaması" rakamıyla planlama yapmak yanıltıcı olur — Türkiye'ye özgü, kurumsal bir kaynağa dayanan doğrulanmış bir ücret/istihdam rakamı elimizde yok. Remote ücretlendirme büyük ölçüde işverenin bulunduğu pazara göre şekilleniyor; somut bir hedef için kurumsal ve şeffaf kaynaklara bakmak, sosyal medya anekdotlarından daha güvenilir.

Sonuç

AI çağında junior yazılımcı olmak, "AI'yi kullanabilmek" değil "AI'nin ürettiğini doğrulayabilmek" demek. Rutin görevler otomatikleşiyor ama karar verme, hata ayıklama ve sistem düşüncesi hâlâ insan tarafında — ve METR'in kendi verisi bile bunun ne kadar zaman aldığını gösteriyor. Kariyerine Senior iOS Developer Maaş Rehberi 2026 yazısındaki uzun vadeli ücret perspektifiyle bakabilir, 2026'da Öğrenilmesi Gereken 10 Teknoloji rehberiyle 12 aylık planını somutlaştırabilirsin. Mülakat sürecine hazırlanırken iOS Mülakat Hazırlık Rehberi'ne, sektörün genel yönünü görmek içinse iOS Development Future Trends ve Gelecek 5 Yıl Mobil Geliştirme yazılarına göz atabilirsin.

Kaynaklar

• METR — Early 2025 AI Experienced OS Dev Study — deneyimli geliştiricilerde AI'nin gerçek görevlerde %19 yavaşlatma etkisini gösteren randomize kontrollü çalışma; METR Şubat 2026'da bu sonuçları "güncel değil" saydı
• METR — Uplift Update (Şubat 2026) — ilk çalışmanın güncellenmiş sonuçları ve seçilim etkisi uyarısı
• Stack Overflow — 2024 Developer Survey Sonuçları — AI araç kullanımı, güven ve karmaşık görev algısı verileri
• Stanford Digital Economy Lab — Canaries in the Coal Mine? — genç işçilerde AI-ilişkili istihdam açığının Ağustos 2026 revize bulguları
• ABD Census Bürosu — Lee C. Tucker, CES-26-27 (Nisan 2026) — genç işe alımlarındaki düşüşün bağımsız doğrulaması
• Indeed Hiring Lab — AI and Job Postings: From Destruction to Creation — yazılım geliştirme ilanlarının kıdem ve "AI" başlıklı rollere göre dağılımı
• Indeed Hiring Lab — US Labor Market Snapshot, August 2026 — yazılım geliştirme ilan endeksinin güncel seviyesi
• Wikipedia — Vibe Coding — terimin kökeni ve eleştirilen yönleri