Boris Cherny, Claude Code'un mimarı ve Anthropic mühendisi, Y Combinator'da Opus 5'in piyasaya çıkışından bir gün sonra gerçekleştirdiği sunumda radikal bir bulguyu paylaştı: Opus 5 modeli için sistem promptunun (model davranışını tanımlayan talimat seti) %80'ini silmişler ve model daha iyi, daha hızlı ve daha verimli çalışmaya başlamış. Bu bulgusunun ardında, yapay zeka modellerinin gelişim hızı ve eğitim dinamikleriyle ilgili derinlemesine bir anlayış yatıyor. Sistem promptu, bir dil modelinin "davranış kuralları" olarak işlev görüyor — model nasıl yanıt verecek, hangi sırada adımları izleyecek, ne tür yamalara ve istisnalara uyacak gibi talimatları içeriyor. Geçmiş yıllar boyunca Anthropic mühendisleri, önceki Claude versiyonlarının eksiklikleri ve hataları keşfettikçe sistem promptuna yama ve tamir talimatları eklemeye devam etmişti. Ancak Opus 5'e geçişle birlikte bu yamaların çoğu artık gereksiz hale gelmiş — çünkü model gelişimin sonucu olarak bu hataları zaten kendiliğinden yapmıyor. Öte yandan, silinen bu talimatlar sadece "gereksiz" değildi, aslında modelin kendi içselleştirilmiş en iyi uygulamalarıyla çatışıyor ve performansını kısıtlıyordu.

Cherny'nin tavsiyesi, yazılım geliştirmeyi yapay zeka araçlarıyla yönetenlere doğrudan: Altı ayda bir CLAUDE.md dosyalarınızı (proje talimatlarını) silin, ardından gerçekten gerekli olanları geri ekleyin. Bir talimatın "kazanılmış" olması demek, onu sildiğinizde sistem bozulmakta anlamına geliyor. Tersine, bir satırı sildikten sonra sistem aynı kalıyorsa o satır boş yer kaplamaktan başka işe yaramıyor. Bu yaklaşım, yapay zeka modellerinin eğitim şekli hakkında önemli bir gerçeği ortaya koymaktadır: her model sürümü, bir öncekisinin eksiklikleriyle değil, kendi geliştirilmiş yetenekleriyle tasarlanır ve önceki sürümlere yazılan "yamalar" sıklıkla yeni modelleri hata yönüne sürükler. Opus 4.7'den 4.8'e geçiş bile sistem promptu düzeyinde değişiklik gerektirebilir; tam farklı model aileleri (Claude 4'ten Fable 5'e) söz konusu olduğunda ise talimat setleri neredeyse sıfırdan yazılması gerekecek kadar radikal farklılıklar ortaya çıkabilir.

Cherny tarafından detaylandırılan "ürün açığı" (product overhead) kavramı da bu tartışmanın merkezinde yer alıyor. Tanımı basittir: bir yapay zeka modelinin teknik olarak yapabileceği ile bir ürünün onu kullanıcıya sunduğu arayüz arasındaki boşluk. Örneğin, Opus 5, Python kütüphaneleriyle portreleri ve manzaraları çizebiliyor — resim üretimi için eğitilmemiş olmasına rağmen. Bu yeteneği kod yazma kapasitesinden kaynaklanıyor: model ihtiyaç halinde grafik kodları oluşturabiliyor ve böylece resim çizebiliyor. Hiçbir ürün bu özelliği resmen sunmasa da, model tarafından erişilebilir. Bu örnek, bugünkü yapay zeka pazarında en hızlı büyüyen segmentlerin — yeni başlayanlar, otomasyon ajansları ve yapay zekayla iş çözümleri üreten ekipler — için kritik bir mesaj taşıyor: modellerin gerçek potansiyellerini açığa çıkarmak, sistem talimatlarını ve yapılandırmaları doğru tasarlamakla mümkün. Cherny'nin yaklaşımı, agnostik bir test-tarafı doğrulanması metodolojisine dayanır — inançlara değil, deneysel ölçüme. Bu nedenle videonun ana önerisi tüm yapay zeka araçları için geçerlidir: emin olmadan silin, ölçeyin, sadece işe yarayan talimatları yeniden ekleyin.