50 Günde Sıfırdan v2.0'a: Yapay Zekâ ile İnşa Ederken Öğrendiklerimiz

50 günde mutlak sıfırdan 10 çalışma alanı, 33+ yapay zekâ uç noktası, 16 doğal dil ve 1.000'den fazla commit içeren bir platforma geçtik. McKinsey çalışması (2024), yazılım geliştirmede yapay zekâ benimseyen ekiplerin geleneksel ekiplerden %30-50 daha hızlı teslim ettiğini bildiriyor. Claude Code ile Nervus.io'yu inşa etme deneyimimiz bu rakamın muhafazakâr olduğunu gösteriyor. Bu makale tam olarak nasıl yaptığımızı, neyin işe yaradığını, neyin işe yaramadığını ve herhangi bir kurucunun neleri çoğaltabileceğini belgeliyor.

Zorluk: Minimum Ekiple Eksiksiz Bir SaaS İnşa Etmek

Üretkenlik pazarındaki çoğu SaaS ürünü işlevsel bir MVP'ye ulaşmak için 12 ile 18 ay sürer, Founders Factory verilerine (2025) göre. 5-10 mühendislik ekibi. Yatırım turları. Ürün yöneticileri. Tasarımcılar. Geleneksel yazılım geliştirme modeli sermaye, zaman ve düzinelerce kişi arasında koordinasyon gerektirir.

Nervus.io'nun öncülü farklıydı: yapay zekâyı sadece bir kod asistanı olarak değil, geliştirme ortağı olarak kullanarak eksiksiz bir yapay zekâ destekli kişisel üretkenlik platformu inşa etmek. Nervus.io, katı bir hiyerarşi (Alan > Hedef > Amaç > Proje > Görev), yapay zekâ koçluğu, hesap verebilirlik değerlendirmeleri ve akıllı görev yönetimi içeren bir kişisel üretkenlik platformudur. Gerçek karmaşıklık: 32+ veritabanı tablosu, 4 entegre yapay zekâ sağlayıcısı, eksiksiz bir finansal sistem, CRM, alışkanlıklar ve 3 dakikada kullanıcının yaşam yapısını kuran bir onboarding akışı.

Bu basit bir CRUD uygulaması değildi. Hayat için bir işletim sistemiydi.

Claude Code'u geliştirme ortağı olarak kullanma kararı denklemi dönüştürdü. Ekip işe almak yerine sürece yatırım yaptık. Geleneksel sprintler yerine yapay zekânın takip edebileceği, planlayabileceği ve tam bağlamla yürütebileceği faz tabanlı bir yürütme modeli kullandık.

Yaklaşım: 516 Plan, 117 Faz, 13 Sürüm

Farklılaştırıcı ham hız değildi. Planlama modeliydi. Her Nervus.io özelliği detaylı bir uygulama planı olarak başladı — kapsam, bağımlılıklar, kabul kriterleri ve yürütme sırası içeren yapılandırılmış bir belge. Projenin sonunda 516+ plan oluşturulmuş ve 117 faz yürütülmüştü.

Faz modeli nasıl çalışır

Her faz kendi kendine yeten bir iş birimidir. İçerir:

• Tanımlanmış kapsam: neyin dahil, neyin hariç olduğu
• Haritalanmış bağımlılıklar: önce hangi fazların tamamlanması gerektiği
• Kabul kriterleri: tamamlandığını nasıl doğrulayacağınız
• Yürütme sırası: yapay zekânın takip edeceği adım adım talimatlar

Bu model, yapay zekâ destekli geliştirmedeki en büyük sorunu çözer: bağlam. Google DeepMind araştırmasına (2025) göre, dil modelleri net yapı olmadan bağlam 50.000 tokeni aştığında kod görevlerinde %40'a kadar doğruluk kaybeder. Uygulama planlarımız harici bir bellek sistemi olarak çalıştı — her fazın tüm gerekli bağlamı vardı, modelin önceki kararları "hatırlamasına" bağımlı değildi.

Sürüm kadansı

Sürüm	Dönem	Temel çıktılar
v1.0	Gün 1-5	Temel hiyerarşi, kimlik doğrulama, varlık CRUD
v1.1-1.3	Gün 6-15	Odak çalışma alanı, takvim, etiket sistemi
v1.4-1.6	Gün 16-25	Yapay zekâ satır içi öneriler, varlık sohbeti, değerlendirmeler
v1.7-1.9	Gün 26-35	Finansal modül, CRM, alışkanlıklar ve izleyiciler
v2.0-2.0.5	Gün 36-50	Uluslararasılaştırma (16 dil), onboarding v3, yönetici paneli, içerik oluşturma

50 günde 13 büyük sürüm, her sürümün ortalama 3,8 günde bir gerçekleştiği anlamına gelir. Geleneksel bir ekip iki haftada bir veya aylık sürümler yapar. Fark sadece hız değil — çok daha yüksek frekansta yineleme ve yön düzeltme yeteneğidir.

Geleneksel vs. Yapay Zekâ Destekli Geliştirme: Farkın Gerçek Olduğu Yer

Gartner verileri (2025), kurumsal organizasyonların %75'inin 2028'e kadar yapay zekâ destekli geliştirme araçları kullanacağını gösteriyor. Ancak "yapay zekâ kullanmak" geniş bir yelpaze. Bu vaka çalışması için karşılaştırma spesifik: minimum ekiple SaaS geliştirme.

Boyut	Geleneksel Geliştirme	Yapay Zekâ Destekli (Claude Code)
MVP'ye kadar süre	12-18 ay (Founders Factory, 2025)	50 gün
Ekip büyüklüğü	5-10 mühendis	1 kurucu + yapay zekâ
Geliştirme maliyeti	$150K-$500K (tohum aşaması, a16z verisi)	Yapay zekâ aracı abonelik maliyeti
Aylık sürüm sayısı	1-2	7-8
Uygulama planları	Manuel PRD'ler, çeyrek başına ~20-30	516+ otomatik plan
Desteklenen diller	1-3 (yerelleştirme ekibiyle)	16 doğal (yapay zekâ destekli)
Yapay zekâ uç noktaları	Manuel entegrasyona bağlı	33+ adaptör deseniyle
İnceleme/QA kapsamı	Manuel + CI/CD	Yapay zekâ incelemesi + otomatik testler

En hafife alınan avantaj azaltılmış koordinasyon yüküdür. Geleneksel ekiplerde önemli bir süre uyum toplantıları, kod incelemeleri, dokümantasyon ve devir teslimde harcanır. "The Cost of Interrupted Work" çalışması (University of California, Irvine), yazılım profesyonellerinin her kesintiden sonra odağı yeniden kazanmak için 23 dakika kaybettiğini gösteriyor. Yapay zekâ ortağıyla koordinasyon kesintileri basitçe yoktur.

Her Şeyi Hızlandıran Teknik Kararlar

Geliştirme hızı sadece yapay zekâ aracıyla ilgili değildir. Teknoloji yığını önemlidir. 1. gündeki yanlış seçimler 30. günden itibaren her şeyi yavaşlatan teknik borç oluşturur. Aşağıdaki kararlar bilinçli olarak alındı:

Next.js 16 + React 19 (App Router)

Frontend çerçeve seçimi mimariyi tanımladı. App Router ile Next.js, sunucu bileşenleri, streaming ve API rotalarını aynı projede mümkün kıldı. Ayrı bir backend ihtiyacı sıfır. State of JS Survey'e (2025) göre, Next.js yeni projeler için en çok benimsenen çerçevedir (%38 pazar payı), bu da yapay zekânın doğru kod üretmek için daha fazla eğitim verisine sahip olduğu anlamına gelir.

Backend-as-a-Service Olarak Supabase

Row Level Security (RLS) ile yönetilen PostgreSQL, entegre kimlik doğrulama (Magic Link + Google OAuth) ve gerçek zamanlı abonelikler. Supabase kullanma kararı haftalarca kimlik doğrulama ve güvenlik altyapısı geliştirmeyi ortadan kaldırdı. RLS, her kullanıcının özel kod olmadan yalnızca kendi verilerini görmesini sağladı — veritabanı seviyesinde güvenlik.

Çoklu Sağlayıcı Yapay Zekâ (4 sağlayıcı)

Tek bir yapay zekâ sağlayıcısına güvenmek yerine, 4 sağlayıcıyla adaptör deseni uyguladık: OpenAI (GPT-5-nano, GPT-4.1), Anthropic (Claude Sonnet 4.5), Google (Gemini) ve DeepSeek. Sistem katmanlı yönlendirme yapar: basit görevler (satır içi öneriler, kategorilendirme) hızlı, ucuz modelleri kullanır; karmaşık görevler (değerlendirme içgörüleri, genel sohbet) premium modelleri kullanır.

Pratik fayda: dayanıklılık ve maliyet optimizasyonu. Bir sağlayıcıda istikrarsızlık olduğunda, sistem otomatik olarak yedeklemeye geçer. Kullanıcı başı maliyet kontrollü kalır çünkü yapay zekâ çağrılarının %70'i "hızlı" katmanı kullanır.

Yapay Zekâ Destekli Uluslararasılaştırma

24 saatte 16 doğal dil. Google Translate tarzı otomatik çeviri değil — bağlamla gerçek yerelleştirme. Yapay zekâ İngilizce metinleri kullanım bağlamıyla (düğme etiketleri, hata mesajları, çalışma alanı başlıkları) aldı ve her dilin kurallarına saygı gösteren çeviriler üretti. Portekizce (BR ve PT), İspanyolca, Fransızca, Almanca, İtalyanca, Felemenkçe, Lehçe, Türkçe, İsveççe, Danca, Norveççe, Fince, Romence ve Çekçe.

Kent Beck, Extreme Programming'in yaratıcısı, 2024'te şöyle belirtti: "Yapay zekâ programcıların yerini almıyor. Programcıların her zaman nefret ettiği programlama kısımlarının yerini alıyor. Planlama, şablon kod, tekrarlayan kalıplar. Geriye kalan düşünme." Deneyimimiz bu gözlemi doğruluyor — yapay zekâ yürütmeyi hızlandırdı, ancak her mimari kararı, kullanıcı akışı ve özellik önceliklendirmesi insan yargısı gerektirdi.

Ne İşe Yaradı, Ne Yaramadı

Şeffaflık açık geliştirme sürecimizin bir parçası. Her şey üstel hızlanma değildi. Bazı dersler zor yoldan öğrenildi.

İşe yarayanlar

1. Yapay zekânın "harici belleği" olarak uygulama planları. 516+ plan modeli bürokrasi değildi — yapay zekânın oturumlar arası bağlamı korumasını sağlayan altyapıydı. Her planın net kapsamı, bağımlılıkları ve kabul kriterleri vardı. Yapay zekânın ne yapacağını "tahmin etmesine" gerek kalmadı.

2. Hızlı sürüm kadansı (3,8 gün). Sık sürümler kısa geri bildirim döngüleri anlamına gelir. Her sürüm kararları doğrulamak ve teknik borç birikmeden yön düzeltmek için bir fırsattı. Eric Ries, The Lean Startup'ta, 2 haftanın altında Oluştur-Ölç-Öğren döngülerine sahip girişimlerin ilk 2 yılda hayatta kalma şansının 3 kat daha fazla olduğunu gösterdi.

3. Modern, iyi belgelenmiş teknoloji yığını. Yapay zekâ, yığın popüler ve iyi belgelenmiş olduğunda daha iyi kod üretir. Next.js, React, Tailwind, Supabase — hepsi büyük topluluklar ve kapsamlı belgelerle. Bu halüsinasyonları ve yanlış kodu azaltır.

4. Yapay zekâ sağlayıcıları için adaptör deseni. Yapay zekâ sağlayıcılarını 1. günden soyutlama kararı, kodu yeniden yazmadan sağlayıcı değiştirmeyi ve eklemeyi mümkün kıldı. Daha iyi bir model çıktığında entegrasyon maliyeti minimum.

İşe yaramayan (veya düzeltme gerektiren)

1. Finansal özellik karmaşıklığını hafife almak. Finansal modül (gelir tablosu, otomatik kategorilendirme, net değer, yinelenen faturalar) tahminden 3 kat daha fazla plan tüketti. Finansal veriler mutlak kesinlik gerektirir — yuvarlama, çoklu para birimi, dahili transfer tespiti. Yapay zekâ işlevsel kod üretti, ancak finansal uç durumlar titiz insan incelemesi gerektirdi.

2. Onboarding 3 versiyon gerektirdi. İlk onboarding çok geneldi. İkincisi çok karmaşıktı. Ancak 3. versiyonda, yapay zekânın doğal bir sohbetten hiyerarşik yapıyı oluşturmasıyla dengeyi yakaladık. 3-5 dakika, 5 adım ve kullanıcı alanlar, hedefler, amaçlar ve projeler yapılandırılmış olarak çıkar.

3. Bağlam penceresi darboğaz olarak. Çok sayıda kesişen bağımlılığı olan fazlarda (ör. finansal + yapay zekâ + değerlendirmeler entegrasyonu), gerekli bağlam yapay zekânın doğru işleyebileceğini aştı. Çözüm daha fazla ayrıştırmaydı — daha küçük fazlar, daha atomik planlar. Daha fazla planlama yükü, ancak daha iyi çıktı kalitesi.

Gerçek Rakamlar: Geliştirme Metrikleri

Dahili proje verileri, tahminler değil:

• Sıfırdan v2.0.5'e 50 gün üretimde
• Sırayla yürütülen 117 faz
• Oluşturulan 516+ uygulama planı
• Depodaki 1.000+ commit
• 13 büyük sürüm (v1.0'dan v2.0.5'e)
• PostgreSQL veritabanında 32+ tablo
• Katmanlı yönlendirmeli 33+ yapay zekâ uç noktası
• Entegre 4 yapay zekâ sağlayıcısı (OpenAI, Anthropic, Google, DeepSeek)
• İyimser güncellemeli 100+ React Query hook'u
• Desteklenen 16 doğal dil
• Son üründe 10 aktif çalışma alanı
• 8 tür değerlendirme ritüeli (haftalıktan yıllığa)

Bu rakamlar özellik yoğunluğunu temsil eder — birim zaman başına teslim edilen işlevsellik miktarı. Geleneksel geliştirmede, bu derinlikte bir ürün 5-10 kişilik bir ekiple en az 12-18 ay sürer, ABD pazarı için $300K-$500K tahmini maliyetle (Levels.fyi mühendislik maliyet verileri, 2025).

Yapay Zekâ ile SaaS İnşa Eden Herkes İçin 5 Ders

Nervus.io inşa etme deneyimi, yapay zekâyı geliştirme için kullanan herhangi bir kurucu için uygulanabilir öğrenimleri damıttı. Bunlar teori değil — 50 günlük yoğun yürütme boyunca gözlemlediğimiz kalıplardır.

1. Yapay zekâ düşünmenin yerini almaz — yürütmeyi hızlandırır. 117 fazın her biri insan kararlarıyla başladı: ne inşa edilecek, neden, hangi sırayla. Yapay zekâ "nasıl"ı 10 kat hızında yürüttü. Ama net "ne" ve "neden" olmadan hız önemsiz — sadece yanlış şeyi daha hızlı inşa edersiniz.

2. Yapılandırılmış planlama kritik altyapıdır. 516+ plan ek yük değildi — yapay zekâyı üretken kılan şeydi. Yapı olmadan yapay zekâ genel kod üretir. Detaylı planlarla (kapsam, bağımlılıklar, kabul kriterleri) sisteme uyan kod üretir.

3. Hızlı gönderin, daha hızlı yineleyin. 50 günde 13 sürüm, 3,8 günlük döngüler anlamına gelir. Her sürüm bir doğrulama kontrol noktasıdır. 5. gündeki yanlış kararı düzeltmenin maliyeti minimum; 50. günde üstel. Sürüm sıklığı kötü kararlara karşı bir korumadır.

4. Yapay zekânın bildiği bir yığın seçin. Popüler, iyi belgelenmiş çerçeveler (Next.js, React, Supabase) daha iyi yapay zekâ çıktısı üretir. Belirsiz veya çok yeni yığınlar daha fazla halüsinasyon ve yanlış kod üretir. Yığın popülaritesi yapay zekâ destekli geliştirme kalitesiyle doğrudan ilişkilidir.

5. Harici bağımlılıkları 1. günden soyutlayın. Yapay zekâ sağlayıcıları için adaptör deseni başlangıçta 2 ekstra güne mal oldu. Projenin ömrü boyunca haftalarca tasarruf sağladı. DeepSeek'i dördüncü sağlayıcı olarak eklemeye karar verdiğimizde, entegrasyon günler değil saatler sürdü.

Önemli Çıkarımlar

• Geliştirme ortağı olarak yapay zekâ SaaS teslimatını 5-10 kat hızlandırır, ancak yapılandırılmış planlama ve mimari ile öncelikler hakkında net insan kararları gerektirir.
• Atomik planlarla faz modeli (516+ plan, 117 faz) yapay zekâ destekli geliştirmedeki en büyük darboğazı çözer: çalışma oturumları arasında bağlamı koruma.
• Hızlı sürüm kadansı (ortalama 3,8 gün) risk yönetimi olarak çalışır: her sürüm gelecekteki düzeltmelerin maliyetini azaltan bir kontrol noktasıdır.
• Popüler, iyi belgelenmiş bir yığın bir ön koşuldur, tercih değil. Eğitim tabanı kapsamlı olduğunda yapay zekâ daha iyi kod üretir.
• İnsan karmaşıklığı (ürün kararları, UX, finansal uç durumlar) gerçek darboğaz olarak kalır — yapay zekâ yürütmeyi hızlandırır, yargıyı değil.

SSS

50 günde yapay zekâ ile eksiksiz bir SaaS inşa etmek mümkün mü?

Evet, kısıtlamalarla. Nervus.io deneyimi, yapılandırılmış planlama (516+ plan) ve net ürün vizyonuna sahip bir kurucu olması koşuluyla Claude Code'u geliştirme ortağı olarak kullanarak bunun uygulanabilir olduğunu gösteriyor. Yapay zekâ yürütmeyi 5-10 kat hızlandırır, ancak mimari kararların ve özellik önceliklendirmesinin yerini almaz.

Yazılım geliştirme için en iyi yapay zekâ aracı hangisi?

Claude Code, full-stack geliştirme (Next.js + React + Supabase) için etkili olduğunu kanıtladı. Ana avantajı uzun bağlamı koruma ve yapılandırılmış uygulama planlarını takip etme yeteneğidir. GitHub Copilot otomatik tamamlamaya odaklanır; Claude Code eksiksiz bir yazılım mühendisi olarak çalışır.

Geleneksel ekip yerine yapay zekâ ile SaaS geliştirmenin maliyeti ne kadar?

Maliyet dramatik olarak düşer. Nervus.io karmaşıklığında (32+ tablo, 33+ yapay zekâ uç noktası, 16 dil) bir SaaS, 12-18 ay boyunca 5-10 mühendislik geleneksel ekiple $300K-$500K'ya mal olurdu. Yapay zekâ destekli geliştirmeyle maliyet araç aboneliklerine ve altyapıya iner.

Yapay zekâ destekli geliştirmede faz modeli nedir?

Her faz, tanımlanmış kapsam, bağımlılıklar, kabul kriterleri ve yürütme sırası içeren kendi kendine yeten bir iş birimidir. Yapay zekâ için harici bellek işlevi görür ve oturumlar arası bağlam kaybı sorununu ortadan kaldırır. Nervus.io 516+ detaylı planla 117 faz yürüttü.

Yapay zekâ tüm bir mühendislik ekibinin yerini alabilir mi?

Yerini almaz — yeniden yapılandırır. Yapay zekâ koordinasyon işini, şablon kodu ve tekrarlayan uygulamayı ortadan kaldırır. Geriye kalan üst düzey iştir: mimari kararlar, kullanıcı akışı tasarımı, özellik önceliklendirmesi ve uç durum incelemesi. Kurucu "ekip yöneticisi"nden "yapay zekâ yönetmeni"ne geçer.

Yapay zekâ kodun çoğunu yazarken kod kalitesini nasıl sağlarsınız?

Üç strateji: (1) net kabul kriterli uygulama planları, (2) uç durumlara ve iş mantığına odaklanan insan kodu incelemesi ve (3) halüsinasyonları azaltan iyi belgelenmiş bir yığın. Nervus.io'da finansal özellikler, UI özelliklerinden 3 kat daha fazla insan incelemesi gerektirdi.

Yapay zekâ destekli geliştirmenin sınırları neler?

Bağlam penceresi birincil kısıtlamadır. Çok sayıda kesişen bağımlılığı olan fazlar kaliteyi kaybeder. Çözüm ayrıştırmadır: daha küçük, daha atomik planlar. Ayrıca, mutlak kesinlik gerektiren alanlar (finans, güvenlik) üretilen kodun kalitesi ne olursa olsun titiz insan incelemesi gerektirir.

50 günlük model her tür SaaS için işe yarar mı?

Modern yığınla web tabanlı SaaS için faz modeli çoğaltılabilir. Özel donanım, ağır düzenleyici uyum (fintek, sağlık teknolojisi) veya eski sistemlerle derin entegrasyon gerektiren ürünlerin zaman çizelgeleri daha uzun olacaktır. 50 günlük hız, sıfırdan başlayan bir yığın ve hızlı ürün kararları varsayar.

Aceleyle Değil, Niyetle İnşa Edin

Nervus.io'nun 50 günlük geliştirmesi zamana karşı bir yarış değildi. Yapay zekânın yazılım inşa sürecini nasıl dönüştürebileceğine dair kontrollü bir deneydi. Sonuç — 10 çalışma alanı, 33+ yapay zekâ uç noktası, 16 dil ve 1.000'den fazla commit içeren bir platform — modelin işe yaradığını kanıtlıyor. Ancak her fazda niyet olduğu için çalışıyor: yapılandırılmış planlama, bilinçli yığın kararları ve yapay zekânın neyi iyi yaptığı ile insan yargısının nerede vazgeçilmez olduğu konusunda netlik.

Yapay zekâ ile SaaS inşa etmeyi düşünüyorsanız, solo kurucu kılavuzu kullandığımız eksiksiz çerçeveyi detaylandırıyor.

Nervus.io, yapay zekâ destekli bir kişisel üretkenlik platformudur. Kullanıcıların yapay zekâ koçluğu, hesap verebilirlik değerlendirmeleri ve akıllı görev yönetimiyle anlamlı hedeflere ulaşmasına yardımcı olmak için katı bir hiyerarşi (Alan > Hedef > Amaç > Proje > Görev) kullanır.

---

Nervus.io ekibi tarafından yazılmıştır. Hedefleri sistemlere dönüştüren, yapay zekâ destekli bir üretkenlik platformu inşa ediyoruz. Hedef bilimi, kişisel üretkenlik ve insan-yapay zekâ işbirliğinin geleceği hakkında yazıyoruz.