Şirketler AI çalışmalarını kime verdi, ekibi nasıl büyüttü, geri kalan organizasyonu nasıl bağladı? Liderlerin kendi anlatımları.

Intercom, AI ekibini altı kişiden altmışa çıkarıp şirketin odağını ona çevirdi. Notion çekirdek bir AI ekibi kurdu ama her ürün ekibini kendi yüzeyindeki araçtan sorumlu tuttu. Paribu ise ekiplere talimat vermeyen, yalnızca hızlandıran bir rol tanımladı.
Eoghan McCabe, Intercom’u bir vaka olarak anlatıyor. Şirketin yıllardır AI botları geliştiren kendi AI ekibi vardı, yani sıfırdan başlamıyorlardı. Fin’i 2023 yazında çıkardıktan sonra değerleri ve misyonu yeniden yazdılar, hedefleri Fin gelirine bağladılar. Fin gelirin henüz tek haneli bir yüzdesiyken Ar-Ge odağının yaklaşık yüzde 80’ini ona kaydırdılar. AI ekibini diğerlerinin üzerinde terfi ettirip ücretlendirdiler ve üç yılda yaklaşık 6 kişiden 60’a büyüttüler.

“We aggressively promoted and compensated our AI team above others.”
Sarah Sachs, Notion’da çekirdek AI yetenekleri ve altyapısından sorumlu yaklaşık 50 kişilik ekibi yönetiyor. Bunun yanında 30 ila 40 kişilik ortak ekipler, AI’ı köşedeki sohbet, özel ajanlar ve toplantı notları gibi yüzeylere taşıyor. Her ürün ekibi, ajanın kendi yüzeyinde kullandığı aracın sahibi. Fikirler prototipten geliyor: ekipte “demos over memos” deniyor ve görsel üretimi, veritabanı ekibinden bir mühendis yapmak istediği için çıktı. Ajan altyapısını üç dört kez baştan yazdılar; Sachs, kendi kodunu silmekten çekinmeyen bir ekip istediğini söylüyor.
Alive’26 sahnesinde Mehmet Hüseyin Kafadar, altı aydır yürüttüğü rolü anlattı: unvanı AI Enablement Director ve başka bir yetkisi yok. Ekiplere ne yapacaklarını söylemiyor, standart dayatmıyor, araç seçmiyor. Her ekip kendi AI öğrenimini otonom ilerletiyor; onun işi bu geçişi hızlandırmak. Kafadar’ın uyarısı üretim tuzağı üzerine: üretmek kolaylaşınca kimse bunu neden yaptığını sormuyor, asıl zorluk hala dağıtımda.
SaaStr, pazarlama ve satış işini 3 kişi ve 21’den fazla AI agent ile yürütüyor. Bir yıl önce birkaç agent’ı çalıştırmak günde yaklaşık 30 dakika sürüyordu; şimdi bu iş günde sekiz saate çıktı ve ekip, 20 kişilikken olduğundan daha yoğun çalışıyor. Agent’ların çoğu önce bir dashboard, takip aracı ya da web sitesi olarak başladı, günlük kullanımla agent’a dönüştü. Agent’lar artık insan incelemesi gerektiren kararlar veriyor ve göze batan hatalar yerine bitmiş görünen çıktılar üretiyor. Şirketin kendi beyanına göre agent kaynaklı pipeline 4,8 milyon dolar, ilk temastan kapanan gelir 2,4 milyon dolar; gelir aynı üç kişiyle yıllık bazda eksi yüzde 19’dan artı yüzde 47’ye çıktı.

Anthropic, Claude’un kendi iş gücünü nasıl değiştirdiğini şirket içi verilerle yayınladı. Teknik ekiplerde junior çalışanların payı 2025 başından bu yana %21’den %14’e, junior teknik alımların payı %27’den %9’a düştü. Mühendislik ve araştırma ekipleri alt seviye teknik pozisyonlara alımı azalttı; teknik değerlendirmeler alan bilgisi yerine özerklik ve muhakemeye ağırlık verdi. İşi agent’lara geçen bir ürün tasarım ekibi agent prompting’e geçti, model eval’ları ve prompt yazmaya başladı. Agent’lar için yazılı kalıcı talimatlar Temmuz 2025’te birkaç yüzden bir yıl sonra 8.500’e çıktı, toplantı süresi ise bir yılda %20 arttı. Şirket, AI ile dönüşen işleri izleyen bir erken uyarı sistemi kuruyor ve etkilenen çalışanları içeride başka işlere kaydırmayı öncelikli tutuyor.
Tenex yaklaşık 18 ay önce AI destekli bir geliştirme şirketi olarak kuruldu, bugün 75 kişi ve çalışanlarının yüzde 90’ı mühendis ya da müşteri işini yöneten “AI strategist”. Mühendis ücretini büyük ölçüde çıktıya, yani story point’e bağladı ve kriterleri düzenli kalibrasyon toplantılarında yeniden yazıyor; en yüksek ve en düşük ücret arasında yaklaşık 4 kat fark var. İşi “MetaHarness” adını verdiği ortak bir yapıyla standartlaştırdı: ortak skill seti, her repoda plan dokümanı ve agent’ların kararlarını Git’e kaydettiği bir düzen. Ekip, mühendis başına story point’in bu yıl yaklaşık 2 kat arttığını, token harcamasının çalışan maliyetine oranının 1’e 1 ile 2’ye 1 arasında olduğunu söylüyor.
OpenAI, 2025 başında müşterilerin en zor problemleri üzerinde onların yanında çalışan bir Forward Deployed Engineering (FDE) ekibi kurdu. Ekibi genelci mühendislerle alan uzmanlarını karıştırarak oluşturdu; FDE’lerden sektör bilgisini ilk günden değil, işin içinde öğrenmelerini bekledi. Ekip sahada öğrendiğini Product ve Research ekiplerine taşıyor, modelin yetmediği yerde Research’ü erkenden işe katıyor ve ilerlemeyi müşteriyle birlikte kurduğu eval’larla ölçüyor. Her işten skill, plugin ve connector gibi tekrar kullanılabilir kalıplar çıkarıyor; müşteri işlerini ortak bir Codex tabanlı yapıya taşımak proje başına özel kodun yaklaşık yüzde 90’ını kaldırdı. Bir telekom ses agent’ında kritik eval’lar yüzde 60 civarında başladı, Research ile altı aylık çalışmadan sonra yüzde 90’ın üzerine çıktı.
Amazon’un mühendislik liderliği, Distinguished ve Senior Principal Engineer’larla birlikte Software Development Engineer rol tanımını yeniden yazdı. Şirket rol tanımlarında teknoloji adı geçirmeme geleneğini korudu, tek istisnayı AI için yaptı. Tanımı araçlar yerine değişmeyen çıktılara, yani müşteri, iş ve ekip etkisine bağladı. Ölçümde token kullanımı ve AI aracı benimsenmesi gibi girdi metriklerini kusurlu olduklarını ve hedef yapılırsa maliyeti artırabileceklerini kabul ederek kullandı; AI’ı en az benimseyen yüzde 10’luk dilimdeki ekiplere ve en yoğun kullanan yüzde 90’lık dilimde teslimatın buna göre artıp artmadığına ayrıca bakmayı önerdi. AI işine yaramayan çalışandan nedenini yazıp ekip arkadaşları ve yöneticisiyle paylaşmasını, liderlerden de AI’ı üretim işinde bizzat kullanmalarını istedi.

Cisco’da Jeetu Patel 32.000 mühendisi ve şirketin geri kalanını AI’a geçirirken çalışanların “AI kullanırsam işimi kaybederim” korkusunu tersine çevirdi ve AI kullanmayanın işini kaybedeceğini açıkça söyledi. Ekiplere bütün araçları ve desteği verdi, başlangıçta herkese sınırsız token tanıdı; Patel’e göre önce aşinalık, sonra ustalık, en son verimlilik geliyor. İlk aylar dirençle geçti. Dönüm noktası, şüpheci bir mühendislik liderinin ekibiyle yaklaşık yarım milyon satırlık kodu yaklaşık 120.000 satıra refactor ettiklerini haber vermesi oldu; Patel bunu 5 kat iyileşme olarak anlatıyor.
AI’ı kimin sahipleneceği, 2026’da neredeyse her ürün şirketinin organizasyon şemasında bir soru işareti. Ayrı bir ekip mi kurulmalı, mevcut ekiplere mi dağıtılmalı, yoksa ikisi birden mi?
Bu soruda yalnızca kendi şirketinde kararı veren ya da uygulayan kişilerin anlattıklarını topluyoruz. Arşiv henüz küçük; yeni cevaplar geldikçe sentez de değişecek.
Tasarım, ürün ve yapay zekadan seçtiğimiz en iyi okumalar, iki haftada bir çarşamba posta kutunda.