CodeRabbit, Codex'i kullandığı son altı ayda mühendis sayısını artırmadan yaklaşık 20 kat daha fazla yazılım yayımladığını öne sürdü.
OpenAI, bu rakamı ayın 9'unda yayımladığı müşteri hikâyesinde paylaştı. “20 kat” ifadesi, CodeRabbit'in kurucu ortağı ve CEO'su Harjot Gill'in açıklamasına dayanıyor. Ancak hikâyede yazılım çıkışının nasıl ölçüldüğü, karşılaştırma döneminin başlangıç değeri ve hesaplama yöntemi yer almıyor. OpenAI'nin müşteri hikâyesi
Gill, “Kodlama ajanlarını devreye alan her şirketin ilk karşılaştığı darboğaz kod incelemesi” dedi. Bu açıklama, kod yazıldıktan sonra değişikliklerin incelenmesinin geliştirme hızını sınırlayabileceğine işaret ediyor.
CodeRabbit, yapay zekânın yazdığı kodları inceleyen ve güvenlik sorunlarını kontrol eden bir geliştirme aracı sunuyor. OpenAI, aracın 20 bini aşkın kuruluşta ve 150 bini aşkın açık kaynak projesinde kullanıldığını belirtti.
Gill, röportajdan önceki 30 gün içinde 2.500 ila 3.000 pull request (PR) gönderdiğini tahmin etti. PR, kod değişikliklerinin incelenip birleştirilmesi için yapılan isteği ifade ediyor. Gill'in kişisel tahmini, ekibin toplam yazılım çıkışından veya birleştirilip dağıtımı tamamlanmış PR sayısından farklı bir ölçüm.
Birden fazla Codex ajanı aynı anda çalıştırılınca dizüstü bilgisayarın belleği ve işlem gücü darboğaz oluşturdu. Kod yazma işleri arttıkça geliştirme ortamının kapasitesi de sınırlayıcı hale geldi.
Test, derleme ve paketleme ile bağımlılık yönetiminde de darboğazlar ortaya çıktı. Üretilen kodun doğrulanması ve yazılımın dağıtıma hazırlanması, ajanların çalışma hızına yetişmesi gereken süreçler olarak öne çıktı.
CodeRabbit, dağıtım adımlarını ve insan onay noktalarını yeniden tasarladı; düşük riskli değişiklikleri otomatik olarak dağıttı. Böylece yapay zekânın kod yazmasının yanı sıra inceleme ve dağıtım süreçleri de yeniden düzenlendi.
Şirket, kesintileri, şirket içi mesajları ve müşteri destek taleplerini sınıflandırarak incelemeye hazır PR'lar oluşturan bir Slack botunda da Codex'ten yararlandı. Botun oluşturduğu PR'ları ilgili ekip üyesi inceleyip birleştirebiliyor.
CodeRabbit daha önce kod yollarını ve izinleri doğrulayarak olası güvenlik açıklarını bulan “Deep Scan” özelliğini tanıtmıştı. Önceki haberde aktarılan bu örneğe ek olarak yeni müşteri hikâyesi, şirketin kod yazma ve dağıtım süreçlerinde yapay zekâ araçlarını nasıl kullandığını ele alıyor.
OpenAI'nin Mayıs 2025'te yayımladığı ayrı bir müşteri hikâyesinde, CodeRabbit'in kod inceleme aracını kullananların PR işlem döngüsünü yüzde 25 ila 50 hızlandırdığı aktarılmıştı. Müşterilerin, kullanımda olan ürünlerdeki hata sayısının yüzde 50 azaldığını bildirdiği de belirtilmişti. OpenAI'nin 2025 tarihli hikâyesi
Önceki hikâyedeki PR işlem döngüsü ve müşterilerin bildirdiği hata azalması, kod inceleme aracının kullanım deneyimine ilişkin ölçümlerdi. Bu ölçümler, yeni hikâyedeki yazılım çıkışının yaklaşık 20 kat arttığı iddiasıyla aynı şeyi ölçmüyor.
Princeton Üniversitesi'nden Kevin Chui ve araştırmacılar, 27 Şubat 2026'da yayımlanan Management Science makalesinde Microsoft, Accenture ve bir Fortune 100 şirketinden 4.867 geliştiricinin katıldığı üç saha deneyimini bir arada analiz etti. Araştırmacılar, yapay zekâ destekli kod tamamlama aracı verilen gruplarda tamamlanan görevlerin ortalama yüzde 26,08 arttığını bildirdi. Saha deneyleri araştırması
METR'nin 2025'teki deneyinde, 16 deneyimli açık kaynak geliştiricisi 246 görev üzerinde çalıştı. Yapay zekâ araçlarının kullanıldığı görevlerde tamamlanma süresi yüzde 19 arttı. METR deney makalesi
Bu iki araştırmada kullanılan araçlar, katılımcılar, görevler ve ölçütler farklı olduğu için sonuçlar CodeRabbit'in “20 kat” iddiasını doğrudan doğrulamıyor veya çürütmüyor. METR, bu yıl şubatta yayımladığı takip değerlendirmesinde katılımcı ve görev seçimindeki yanlılıkların yanı sıra birden fazla ajan çalıştırılırken süreyi ölçme sorunlarına dikkat çekti. Kurum, üretkenlik etkisinin büyüklüğünü güvenilir biçimde tahmin etmenin zor olduğunu belirtti. METR'nin takip açıklaması
Comment 0