Serinin ilk yazısında Prolog’da tech’i yeniden inşa etmeye başlamama yol açan rahatsızlığı anlatmıştım. Sonunda her parçayı tek tek açmaya söz vermiştim. Anlamam en uzun süren parçadan başlıyorum: harness.
Baştan söyleyeyim, burada sihirli bir formül yok. Okuduğum şey, başka şirketlerin yaptığını gördüğüm şey ve bizim yapmaya çalıştığımız şey, isabetleriyle ve hatalarıyla.
Hissettiğim ama tam olarak söyleyemediğim bir şeye isim ararken aylarımı geçirdim.
Eksik olan kelime
Eskiden otuz kişiyle yapılan işi üç kişiyle çıkaran şirketler görüyordum. Ve kazancın modelde olmadığını görüyordum, çünkü herkes aşağı yukarı aynı modeli kullanıyor. Başka bir yerdeydi ve buna dair kelimem yoktu.
Şubat 2026’da OpenAI Harness Engineering adında bir yazı yayımladı ve bana kelimeyi verdi.
Tanımları iki kısa satırla açılıyor: “İnsanlar yönlendirir. Ajanlar yürütür.” Ve devamında gelen şey düşünme biçimini değiştiriyor: bir yazılım mühendisliği ekibinin asıl işi artık kod yazmak değil, ortamlar tasarlamak, niyeti belirtmek ve ajanların güvenilir iş çıkarmasını sağlayan geri bildirim döngüleri kurmak.
Oradaki her parça gerçek bir iş. Ajanın çalıştığı ortamı tasarlamak. Adım adım anlatmak yerine ne yapılacağını, yani niyeti net hale getirmek. Ve yapay zekaya doğru yapıp yapmadığını söyleyen, kendini düzeltebilmesini sağlayan döngüleri kurmak.
Cümleden neyin düştüğüne dikkat et: kodu yazmak. Bu, OpenAI’ın kodun önemsiz olduğunu söylemesi değil. OpenAI’ın söylediği şu: yapay zeka kodun çoğunu yazdığında, insanın işi bir katman yukarı çıkar. Ve bir şey bozulduğunda soru da onunla birlikte değişir. Artık “bir daha dene, daha çok emek ver” olmaktan çıkıp “yapay zekanın doğru yapması için ortamda hangi yetenek eksikti” olur. Hata artık yapay zekanın suçu (“aptal işte”) olmaktan çıkıp, çevresinde neyin eksik olduğuna dair bir soru olur.
Yani harness, yapay zekanın görebilmesi, anlayabilmesi ve yürütebilmesi için kodu, süreci ve işi düzenlemektir. Satın aldığın bir araç değildir. Ekibin ne teslim ettiğini düşünmenin yeni bir yoludur.
Model bir şey, harness başka bir şey
Bunu kafama kazımak için bulduğum en tasarruflu cümle LangChain mühendisi Vivek Trivedy’den geldi: “model değilse, harness’tır”.
Model, ham LLM’dir. Opus, GPT, her neyse. Metin girer, metin çıkar, bitti. Ve modele neredeyse herkes sahip. Bir emtia o. Yüzde 10 kazananla 5 kat kazanan arasındaki fark modelde değil.
Harness’ta. Harness geriye kalan her şey: kod, yapay zekanın çağırabileceği araçlar, gördüğü bağlam, hook’lar, orkestrasyon, çalıştığı sandbox, hafıza, iş kuralları. İş sana bitmiş olarak ulaşmadan önce, akışta modeli saran her şey.
Harness’ın Türkçe’de iyi bir karşılığı yok. Koşum takımı, bağlama, anlamı kaçırıyor. Ben ona “ajanın altyapısı” diyorum, o kadar.
Belki “context engineering” (bağlam mühendisliği) diye duymuşsundur. O da bunun bir parçası, yapay zekanın gördüğü şeyi düzenleyen kısmı. Harness daha büyük: bağlamı içerir, ama araçları, hook’ları, sandbox’ı, kalıcılığı, orkestrasyonu da. Bağlam bir parça; harness ise bütün.
Model vs. harness
Model bir emtia, neredeyse herkes aynısını kullanıyor. %10'luk kazancı 5x'lik kazançtan ayıran şey, onu saran şeydir.
Harness, her şeyi yapay zekanın okuyabileceği hale getirmektir
Harness’ı tek bir ilkeye indirseydim, şu olurdu: her şeyi yapay zekanın okuyabileceği hale getirmek.
Önceki yazıda beni yakalayan teşhisi anlatmıştım. Prolog’un bağlamı dağınık yaşıyordu. Bir parçası Notion’da, bir parçası Drive’da, bir parçası Jira’da, Figma’da. Tek bir kaynak yoktu. Yapay zekayla her yeni konuşma sıfırdan başlıyordu, çünkü ihtiyaç duyduğu bilgi beş ayrı yerdeydi ve hiçbirinde derli toplu değildi.
Bunu harness merceğinden yeniden okuyunca sorun apaçık oluyor. Yapay zeka göremiyordu. Ve göremediği şeyi kullanmaz.
CREAO’nun CTO’su Peter Pang, radikal görünen ama tamamen mantıklı bir karar anlattı: bütün kodu tek bir monorepo’da birleştirdi. Sebep düzen değildi. Yapay zekanın her şeyi bir kerede görebilmesiydi.
İş bu işte. Akıllı bir prompt değil, bir numara değil. Dağınık olanı, örtük olanı, sadece insanların kafasında yaşayanı alıp tek bir yerde okunabilir, yazılı, ajanın erişebileceği hale getirmek. Bazen sıkıcı. Ama yüzde 10 kazancı 5 kat kazançtan ayıran tam olarak bu.
Kanıt: 3 mühendis, 1 milyon satır
Ben doğam gereği hype’a şüpheyle bakarım. Bu yüzden bunun bir moda olmadığına beni ikna eden şey, sayılarla anlatılan bir vaka oldu.
OpenAI’ın komut satırı aracı Codex CLI’ı inşa eden ekip üç mühendisti. Birkaç hafta içinde yaklaşık bir milyon satır kod çıkardılar: uygulama, altyapı, tooling, dokümantasyon. Ve elle yazılan sıfır satır. Ekibin kendi ifadesiyle felsefesi “elle yazılan hiçbir kod yok” idi. Yaklaşık bin beş yüz pull request’ti, hepsi merge edildi, hiçbiri bir insan tarafından yazılmadı. Üçü yönlendirdi, yapay zeka inşa etti.
Karışmasın diye: OpenAI’ın hem kod için eğitilmiş model olan Codex’i var, hem de araç olan Codex CLI’ı. Üçü modeli, araç üzerinden, aracın kendisini inşa etmek için kullandı. Kendini kendisiyle inşa eden şey.
Dahası da var. OpenAI’ın tamamında Codex, şirketin pull request’lerinin yüzde 100’ünü inceliyor.
Beni asıl ikna eden OpenAI’ın sayısı tek başına değildi. Peter Pang’in CREAO’da, kimseyle sözleşmeden, ayrı bir yoldan aynı sonuca varmasıydı. İki farklı yer aynı şeyi anlatıyor. Bu olduğunda, genelde moda değildir. Bir örüntüdür.
Üç kişi yönlendiriyor, yapay zeka inşa ediyor. Elle yazılan sıfır kod.
no manually-written code ekibin açıkça belirttiği felsefe. Ve tüm OpenAI içinde, Codex pull request'lerin %100'ünü gözden geçiriyor.
AI-assisted ile AI-first aynı şey değil
Burada Prolog’un nerede olduğu konusunda dürüst olmam gerekiyor.
Yapay zekayı işe yardımcı olması için kullanmak ile yapay zekayı işin merkezine koymak arasında neredeyse kimsenin fark etmediği bir ayrım var.
AI-assisted, insan merkezde ve yapay zeka uçlara takılı demektir. Aynı sprint, aynı board, aynı toplantı, aynı akış. Yapay zeka, zaten var olan sürecin içinde yardım eder. Kazanç gerçek ve küçük: yüzde 10, 20. Çoğu şirketin olduğu yer burası. Prolog’un bugün olduğu yer de burası, tersini söyleyip kandırmayacağım.
AI-first, yapay zeka merkezde ve insan yönlendiriyor demektir. Ajanı birincil inşacı olarak kabul edip süreci, mimariyi, hatta çevresindeki organizasyonu yeniden kuruyorsun. İnsan eleştirir, doğrular, yargılar. Kazanç başka bir mertebede: 5 kat, 10 kat. Codex’in, CREAO’nun ve Anthropic’in yaptığı şey bu.
Fark, Peter Pang’in özetlediği gibi, artımlı değil çarpımsal. Harness’ın bu kadar önemli olmasının sebebi de bu. AI-first’e, yapay zekayı zaten var olana takarak varamıyorsun. Oraya, yapay zekanın görebilmesi, anlayabilmesi ve yürütebilmesi için yeniden inşa ederek varıyorsun. Yani harness kurarak.
Ve bu sadece bir mühendislik sorunu değil
OpenAI’ın “asıl iş artık kod yazmak değil” cümlesi mühendislik düşünülerek yazılmıştı. Ama özneyi değiştirerek yeniden okuduğumda, tech’teki her role oturdu.
Ürün artık sadece dokümanı yazmıyor; ajanı çözüm önerebilir hale getiriyor. Tasarım artık sadece ekranı çizmiyor; ajanı sistemin içinde arayüz üretebilir hale getiriyor. QA artık sadece testi elle koşmuyor; ajanı doğrulayabilir hale getiriyor. Veri artık sadece sorguyu çalıştırmıyor; ajanı iş sorusunu yanıtlayabilir hale getiriyor.
Hepsinde soru aynı hale geliyor: ajanın bunu yapması için hangi yetenek eksik ve bunu ona nasıl görünür ve kontrol edilebilir kılarım.
Bundan ne çıkarıyorum
Harness ne satın aldığın bir araç, ne de abone olduğun daha iyi bir model. Bir emek işi. İnsanların kafasında olanı ve on ayrı sisteme dağılmış olanı alıp, bir makinenin kullanabilmesi için tek bir yerde okunabilir hale getirme işi.
Sıkıcı yanı, kestirme yok. Güzel yanı, madem bir emek işi, yapılabilir. Tam ortasındayız: AI-first’ten uzak, iki ay öncesine göre daha yakın. Nasıl gittiğini anlatmaya devam edeceğim.
Kaynaklar
- OpenAI, Harness Engineering: leveraging Codex in an agent-first world (Şubat 2026). “İnsanlar yönlendirir, ajanlar yürütür” cümlesinin ve Codex CLI ekibi vakasının geldiği yer.
- Vivek Trivedy, LangChain, The Anatomy of an Agent Harness. “Model değilse, harness’tır” tanımı.
- Peter Pang, CREAO, yapay zekayı merkeze koymak üzerine. Yapay zekanın her şeyi görebilmesi için monorepo ve çarpımsal fark.
- How OpenAI’s Codex Team Works and Leverages AI, Eng Leadership Newsletter. Codex ekibinin sayıları.