Yazar, başlangıçta ayda 100 doların üzerinde maliyetli yapay zeka kodlama abonelikleri yerine, donanım yükseltmesi yaparak yerel kodlama modelleri çalıştırmanın daha ekonomik ve verimli olacağı hipotezini ortaya koydu. Bu hipotezi test etmek için kendi donanımına yatırım yaparak bir deneme gerçekleştirdi. Makale, yerel kodlama modellerinin kurulum süreçlerini ve teknik detaylarını açıklayarak, bu tür modelleri kullanmak isteyenler için faydalı bir rehber sunuyor.
Ancak, makalenin yayınlanmasının ardından yazar, ilk hipotezinde önemli bir düzeltme yaptı. Yerel modellerin kodlama görevlerinin yaklaşık %90'ını başarıyla tamamlayabileceğini belirtse de, profesyonel yazılım geliştirme ortamlarında kritik olan son %10'luk performansın, ücretli aboneliklerin hala vazgeçilmez olduğunu fark etti. Özellikle Docker gibi diğer geliştirme araçlarının bellek tüketimi, yerel modellerin performansını ciddi şekilde etkileyerek daha küçük ve daha az yetenekli modeller kullanmayı gerektiriyor. Bu durum, yerel modellerin bir hobi projesi için uygun olabileceğini, ancak geçim kaynağını etkileyebilecek üretim ortamlarında tam bir alternatif olamayacağını gösterdi.
Sonuç olarak, makale yerel kodlama modellerinin sanıldığından çok daha yetenekli olduğunu vurguluyor. Ancak, Claude Code gibi öncü modellerin yerine geçmekten ziyade, onlara güçlü birer tamamlayıcı oldukları belirtiliyor. Bu modeller, kullanıcıların mevcut aboneliklerini daha düşük bir seviyeye çekerek maliyet tasarrufu sağlamalarına yardımcı olabilir, ancak profesyonel iş akışlarında tam bağımsız bir çözüm olarak görülmemelidir.
Yerel kodlama modelleri, profesyonel geliştirme ortamlarında pahalı aboneliklere tam bir alternatif olmasa da, güçlü birer tamamlayıcı olarak maliyet tasarrufu sağlayabilir.