Codiatech Blog
TokenEconomizer ile AI Kodlama Ajanlarında Maliyet ve Tekrar Yönetimi
Microsoft Research’ün TokenEconomizer duyurusunu inceliyoruz. Depo deneyimi, araç seçimi, başarısızlık döngüleri ve şirketler için maliyet ile kaliteyi birlikte ölçen bir pilot yaklaşımı.

TokenEconomizer Neden Gündemde?
Microsoft Research, 16 Kasım 2026 tarihli duyurusunda TokenEconomizer adlı açık kaynak eklentisini tanıttı. Eklenti, bir kod deposunda tamamlanan ajan oturumlarından öğrenerek sonraki çalışmalardaki tekrarları azaltmayı hedefliyor. Modelin kendisini değiştirmeden mevcut geliştirme akışına ekleniyor. Duyuru, UC Berkeley, Microsoft Research ve Microsoft Security ortak çalışmasına dayanıyor. Microsoft Research duyurusu
Yazılım ekipleri açısından konu, aynı uygulamada haftalarca devam eden bakım ve geliştirme işlerinde anlam kazanıyor. Bir görev tamamlandıktan sonra sonraki görev yine test ortamının bulunmasıyla, bağımlılıkların anlaşılmasıyla veya aynı hata mesajının çözülmesiyle başlıyorsa ekip bu tekrarın maliyetini görebilmeli. Projeye özgü bilgiyi düzenli tutmak, ajanın ürettiği kod kadar çalışma sürecini de değerlendirmeyi gerektiriyor.
Araştırmadaki Maliyet Sonucu Nasıl Okunmalı?
Araştırma, altı depodaki 277 SWE-Bench görevini beş ajan-model birleşimiyle değerlendiriyor. Ortalama maliyet azalması %18,4–30,9 aralığında raporlanıyor. Bu oran, test edilen görevler ve koşullar için geçerli bir araştırma sonucu. Bir şirketin geliştirme bütçesindeki beklenen düşüş olarak kullanılamaz. Resmî proje deposundaki sonuçlar
Değerlendirmede görev başarısı da maliyetle birlikte izlenmeli. Başarısız bir görevin az token kullanması, müşteriye teslim edilebilir bir çıktı üretmiş olduğu anlamına gelmez. Tamamlanan işin testlerden geçmesi, beklenen davranışı sağlaması ve incelemeden kabul alması gerekir. Şirket içindeki karşılaştırmanın birimi bu nedenle kabul edilmiş görev olmalı.
İlk kullanım dönemini ayrıca kaydetmek faydalı. Geçmişi öğrenme ve değerlendirme işlemleri de kaynak tüketir. Araştırmacılar erken görevlerin daha pahalı olabildiğini belirtiyor. Bir denemede yalnız en iyi görünen son oturumları seçmek yerine başlangıç dönemi dahil bütün maliyeti toplamak gerekir. Duyurudaki öğrenme dönemi açıklaması
Üç Mekanizma Geliştirme Akışına Nasıl Yansıyor?
Depoya Özgü Kısa Notlar
Micro-skills, tekrar doğrulanan depo bilgisini kısa notlara dönüştürüyor. Ekip açısından incelenecek soru, bu notların güncel çalışma koşullarını temsil edip etmediği. Örneğin bir test komutu değiştiğinde önceki talimatın nasıl fark edileceği pilotta denenebilir. Notu hangi kanıtın desteklediği ve hangi değişiklikte tekrar gözden geçirileceği anlaşılır olmalı. Bir uygulamanın eski kurulum adımı, yeni sürümün varsayılan talimatı olarak kalmamalı.
Gereksiz Araç Tanımlarını Azaltma
Tool pruning, geçmişte kullanılmayan araçları sonraki oturumlarda yüklememeyi amaçlıyor. Kaldırılan araçların geri getirilebilmesi projenin tanımladığı davranışlardan biri. Pilot için test, dosya düzenleme, bağımlılık inceleme ve tarayıcı doğrulaması gibi gerçekten gereken işlerin hâlâ yapılabildiğini kontrol edin. Yeni bir görev farklı bir araç gerektirdiğinde ekibin bunu fark etmesi ve erişimi geri getirebilmesi gerekir.
Tekrarlanan Başarısızlıklara Müdahale

Failure-loop intervention, aynı başarısızlık etrafında takılan ajana farklı bir yaklaşım öneriyor. Proje açıklamasına göre işi kendiliğinden durdurmuyor. Ekibin kabul testinde aynı hatayı birkaç kez tekrarlayan kontrollü bir görev kullanılabilir. Beklenen çıktı, yönlendirme sonrasında sorunun anlaşılması ve geçerli bir çözümün test edilmesi. Yalnız deneme sayısının azalması, çözüm kalitesini ölçmek için yeterli olmaz. Bu üç mekanizmanın teknik açıklaması resmî depoda bulunuyor. TokenEconomizer çalışma biçimi
Hangi Ekipler Önce Değerlendirebilir?
Codiatech'in değerlendirmesi, aynı depoya düzenli dönen bakım ve ürün ekiplerinin küçük bir pilot için uygun başlangıç olabileceği yönünde. Sürekli değişen projelerde önce öğrenilecek bilginin ne kadar süre geçerli kaldığını görmek gerekir. Çok seyrek kullanılan bir depoda kurulum ve inceleme emeğinin karşılığı farklı olabilir. Ekip kendi tekrar türlerini örneklerle yazarsa değerlendirme somutlaşır.
Örneğin bir kurumsal uygulamada API hatası düzeltme, arayüz güncelleme ve otomatik test onarma görevlerinden oluşan bir grup seçilebilir. Görevler benzer zorlukta olmalı, sonuçları önceden tanımlanmalı ve aynı araç erişimiyle çalıştırılmalı. Bu bir müşteri projesi veya Codiatech'in yaptığı bir uygulama iddiası değildir. Pilot tasarımını anlatan temsili bir örnektir.
Pilotta Neleri Ölçmeli?
Bir başlangıç kaydı oluşturun. Kullanılan model, ajan sürümü, araçlar, önbellek fiyatlaması, görev kapsamı ve kabul testleri kayıt altında olsun. Bir karşılaştırmada model veya fiyat değişirse sonucu yalnız eklentiye bağlamak güçleşir. Farklı iş türlerinin toplam ortalamayı nasıl etkilediğini de inceleyin. Küçük bir hata düzeltmesiyle kapsamlı modül değişikliğini aynı görev gibi saymak tabloyu yanıltabilir.
- Kabul edilen görev başına toplam model maliyetini ölçün. Öğrenme ve yardımcı değerlendirme çağrılarını da hesaba katın.
- Görev başarısını otomatik test, kabul ölçütü ve insan incelemesiyle kaydedin.
- Tamamlama süresinin yanında geliştiricinin inceleme ve yeniden çalışma süresini izleyin.
- Tekrarlanan başarısız komutları, güncelliğini yitiren notları ve geri açılması gereken araçları not edin.
Pilot başlamadan devam ve durdurma ölçütlerini ekip belirlemeli. Eklentinin devre dışı bırakılması gerektiğinde normal çalışma akışına nasıl dönüleceği de denenebilir. Sonuçları görev türlerine ayırıp incelemek, tek bir yüzdeye bakmaktan daha açıklayıcı olur. Yetersiz örneklem varsa denemenin yön gösterdiği ama kesin bir bütçe sonucu sağlamadığı açıkça yazılmalı.
Oturum Kayıtları ve Şirket Verisi
Eklenti geçmiş oturum kayıtlarını kullanıyor. Şirketin pilot öncesinde hangi kayıtların işleneceğini ve bunların hangi proje bilgilerini içerdiğini belirlemesi gerekir. Müşteri verileri, erişim bilgileri ve üretim çıktıları günlüklerde bulunabiliyorsa kapsamı buna göre sınırlandırın. Farklı müşterilerin depoları, hesapları ve öğrenilen bilgileri için kurum sınırlarını koruyun.
Yerel saklama kararını, model sağlayıcısına gönderilen bağlam ve ekip içi erişimle birlikte değerlendirin. Kullanılan ajan, sağlayıcı ve kurumsal sözleşmenin veri koşullarını inceleyin. Çıkarılan notların gözden geçirilmesi, saklama süresi ve proje kapandığında uygulanacak işlem için sorumlu belirleyin. Bu adımlar Codiatech'in kurumsal pilot önerileridir ve bir ürünün güvenlik sertifikası olduğu anlamına gelmez.
Codiatech Açısından Uygulama Alanı
TokenEconomizer, AI ile geliştirme yapan ekiplerin çalışma biçimini ölçmesi için değerlendirilebilir. Codiatech'in özel yazılım geliştirme ve yapay zekâ destekli sistemler çalışmalarında değerlendirme proje kapsamıyla birlikte ele alınabilir. Üretilen kodun fazlalığı, test kapsamı veya bakım yükü için AI kod temizliği ayrı bir inceleme alanıdır.
Bir sonraki adım, ekibin tekrarlanan işlerini belirlemek ve küçük bir görev grubunda maliyet, kalite ve inceleme emeğini birlikte ölçmek. Araştırmadaki oranı hedef olarak kopyalamak yerine kendi depolarından elde edilen verilerle karar vermek gerekir. Kaynak duyurusu 16 Kasım tarihli, bu değerlendirme 17 Kasım 2026 tarihinde hazırlanmıştır.