2026'da Yapay Zeka Destekli Kodlamanın Durumu: Trendler, Araçlar ve Sırada Ne Var

2024 başlarında geliştiricilere yapay zeka kodlama asistanlarının geçici bir heves mi yoksa kalıcı bir değişim mi olduğunu sorsaydınız, ikiye bölünmüş bir oda ile karşılaşırdınız. 2026 ortalarına geldiğimizde ise bu soru neredeyse anakronistik geliyor. Yapay zeka destekli kodlama artık deneysel değil, isteğe bağlı değil ve bir farklılaştırıcı da değil — bu artık temel beklenti. Tartışma "yapay zeka kullanmalı mıyız?" sorusundan "ekibimiz genelinde yapay zeka kullanımını nasıl standartlaştırırız?" ve "hangi aracın hangi iş akışına uygun olduğunu nasıl değerlendiririz?" sorularına evrildi.

Bu yazı, mevcut durumun bir anlık görüntüsünü sunuyor. Benimseme manzarasını, büyük araçları ve nasıl karşılaştırıldıklarını, yapay zekayı bir sohbet arayüzünden bir altyapı katmanına dönüştüren protokolleri ve geliştirme iş akışlarının somut olarak nasıl değiştiğini ele alacağım. Son olarak, geliştiricilerin bundan sonra neyi öğrenmeye odaklanması gerektiğini düşündüğümle bitireceğim — çünkü 2023'te önemli olan beceriler artık aynı derecede önemli değil.

Benimseme Uçurumu Aştı

2024 ile 2026 arasındaki en çarpıcı değişiklik, yalnızca benimseme genişliği değil, aynı zamanda derinliğidir. İlk anketler geliştiricilerin yaklaşık %40-50'sinin bir yapay zeka kodlama aracını denediğini gösteriyordu. 2026 başları itibarıyla bu sayı %80'in üzerinde ve profesyonel geliştiriciler arasında günlük aktif kullanım %70'in üzerinde seyrediyor. Bunlar oyuncak deneyler değil — geliştiriciler yapay zekayı üretim kodu yazmak, karmaşık sorunları hata ayıklamak, eski sistemleri yeniden düzenlemek ve test paketleri oluşturmak için kullanıyor.

Bu değişim üç nedenden dolayı gerçekleşti. Birincisi, güvenilirlik çarpıcı biçimde arttı. Claude Opus 3.5, GPT-5 ve Gemini 2.5 Pro gibi araçların altında yatan modeller, öncekilerden çok daha tutarlı bir şekilde doğru, idiyomatik kod üretiyor. 2024'ün "vibe coding" dönemi — yapay zekanın ne üretirse kabul ettiğiniz ve umut ettiğiniz dönem — yerini daha öngörülebilir, mühendislik yapılabilir bir etkileşim modeline bıraktı. İkincisi, araçlar ayrı sohbet pencerelerinde yaşamak yerine editörlere ve terminallere derinlemesine gömüldü. Yapay zeka gerçek geliştirme ortamınızda bir tuş vuruşu kadar yakın olduğunda, onu daha fazla ve daha küçük, daha sık görevler için kullanıyorsunuz. Üçüncüsü, ekipler prompt kütüphanelerini, ajan konfigürasyonlarını ve iş akışı modellerini paylaşmaya başladı ve bu da öğrenme eğrisini önemli ölçüde düşürdü.

GitHub Copilot artık 5 milyondan fazla ücretli aboneye sahip olduğunu bildiriyor. Cursor, VS Code'a yakın pazarda tahmini %15-20'lik bir pay yakaladı ve birçok geliştirici onu birincil editör olarak kullanıyor. 2025 ortasında piyasaya sürülen Claude Code, terminal tabanlı bir yapay zeka aracının neler yapabileceğini yeniden tanımladı ve hızla backend ile altyapı işleri için varsayılan araç haline geldi. Gemini Code Assist, özellikle halihazırda Cloud Code ve Firebase kullanan kuruluşlar arasında olmak üzere Google Workspace ekosisteminde hızla büyüdü.

Ancak en ilginç trend pazar payı değil — araçların aynı anda hem yakınsarken hem de farklılaşmasıdır. Artık her büyük araç ajan yetenekleri, MCP desteği ve çoklu dosya düzenleme sunuyor. Farklılaşma, temel kod üretim kalitesinden entegrasyon derinliğine, protokol genişletilebilirliğine ve iş akışı otomasyonuna kayıyor.

2026'da Araç Manzarası: Dört Temel Sütun

Claude Code — Terminal-Yerel Ajan

Claude Code, terminal tabanlı bir yapay zeka aracının bir IDE eklentisinden daha güçlü olabileceğini kanıtlayarak herkesi şaşırttı. Temel içgörüsü şuydu: geliştiriciler zamanlarının büyük bir kısmını terminalde geçirir — derleme çalıştırma, git geçmişini kontrol etme, logları grep ile arama, yapılandırma dosyalarını düzenleme. Yapay zekayı doğrudan bu ortama gömerek, Claude Code geliştiricinin gördüğü her şeyi görebilir ve aynı yüzey alanında işlem yapabilir.

Yalnızca açık dosyayı gören IDE eklentilerinin aksine, Claude Code tüm proje bağlamınızı görür: dosya ağacı, git geçmişi, terminal çıktısı, test sonuçları, lint hataları. Dosyaları düzenleyebilir, komutlar çalıştırabilir, dokümantasyon okuyabilir ve gerçek zamanlı geri bildirime dayalı olarak yineleme yapabilir. Backend geliştirme, altyapı olarak kod ve karmaşık derleme hatları içeren her şey için birçok ekibin varsayılan tercihi haline geldi.

# Typical Claude Code session — implementing a new API endpoint
$ claude

> Add a rate-limited POST endpoint to the payments router

# Claude Code discovers the router pattern, reads existing endpoints,
# checks the database schema, generates the implementation, runs tests:

✓ Read src/routes/payments.ts (existing pattern)
✓ Read prisma/schema.prisma (rate_limit_config table)
✓ Generated src/middleware/rateLimit.ts (token bucket algorithm)
✓ Updated src/routes/payments.ts (new POST /payments/charge)
✓ Added tests in tests/routes/payments.test.ts
✓ Ran test suite — 47 passed, 0 failed
✓ Lint — clean

Review the diff with `claude diff` or approve with `claude apply`.

Terminal-yerel yaklaşımın bir başka avantajı daha var: CI/CD hatlarında başsız olarak çalışabiliyor. Ekipler artık Claude Code'u GitHub Actions içinde lint hatalarını otomatik düzeltmek, değişiklik günlükleri oluşturmak ve hatta sürüm notlarının ilk taslaklarını yazmak için kullanıyor. Bir geliştiricinin makinesinde etkileşimli olarak çalışan aynı arayüz, bir hatta otomatikleştirilmiş olarak da çalışıyor.

Cursor — IDE-Yerel Güç Merkezi

Cursor, 2025 boyunca agresif bir şekilde evrildi. Tek bir prompt'tan çoklu dosya düzenlemesine izin veren Composer özelliği, IDE tabanlı yapay zeka etkileşimleri için altın standart haline geldi. Temel farklılaştırıcı, derin indekslemedir: Cursor, tüm kod tabanınızın bir vektör indeksini oluşturur, böylece ona "kullanıcı profili bileşenini yeni tasarım sistemiyle eşleşecek şekilde güncelle" dediğinizde, tasarım sistemi token'larının nerede yaşadığını, hangi bileşenlerin bunları kullandığını ve geçiş modelinin neye benzediğini zaten bilir.

Cursor'un Agent modu özel bir bahsi hak ediyor. Satır içi tamamlama modelinin aksine, Agent modu otonom olarak çok adımlı bir değişiklik planlayabilir, bunu dosyalar arasında yürütebilir, testleri çalıştırabilir ve başarısızlıklar üzerinde yineleme yapabilir. Geliştirici mikro düzeyde yönetmek yerine denetler. Frontend işleri için — React bileşenleri, CSS yeniden düzenlemesi, API istemci oluşturma — Agent modu birçok geliştirici için birincil iş akışı haline geldi.

GitHub Copilot — Kurumsal Standart

Copilot'un ajan yeteneklerini göndermesi daha uzun sürdü, ancak 2026 başları itibarıyla Copilot Workspace ve Copilot Agent, özellik farkının çoğunu kapattı. Copilot'un avantajı dağıtımdır: her GitHub Enterprise hesabıyla birlikte gelir, Actions, pull request'ler ve kod inceleme iş akışlarıyla yerel olarak entegre olur. Ekibiniz GitHub'da yaşıyorsa, Copilot'u benimsemenin sürtünmesi neredeyse sıfırdır.

Copilot'un en hafife alınan özelliği, pull request entegrasyonudur. Bir geliştirici PR açtığında, Copilot otomatik olarak bir özet oluşturur, olası sorunları vurgular ve inceleyicilerin odaklanması gereken alanları önerir. Amaç insan incelemesini değiştirmek değil — mekanik kısımları hallederek insan incelemesini daha verimli hale getirmektir. Bunu benimseyen ekipler, PR inceleme süresinin yaklaşık %30-40 oranında azaldığını bildiriyor.

Gemini Code Assist — Ekosistem Hamlesi

Gemini Code Assist, Google Cloud ve Android ekosistemlerine odaklanarak istikrarlı bir şekilde büyüdü. Cloud Code, Firebase ve Google Workspace ile derin entegrasyonu, ona bu ortamlarda bir hendek kazandırıyor. Öne çıkan özellik, Google Cloud hizmetleri arasında bağlam-duyarlı tamamlamadır: Cloud Run, Firestore veya BigQuery ile etkileşime giren kod yazdığınızda, Gemini API yüzeyini anlar ve doğru, idiyomatik kullanım üretir.

Araç manzarasından çıkarılacak daha geniş ders, temel katmanın — basit kod tamamlama — artık herkes için zorunlu olduğudur. Farklılaşma, iş akışı entegrasyonu, bağlam anlayışı ve otonom yetenektedir. Tek bir araç her yerde kazanamaz. 2026'daki en iyi kurulum genellikle bir kombinasyondur: satır içi tamamlamalar için bir IDE eklentisi, karmaşık görevler için bir terminal ajanı ve ekip genelinde yönetişim için bir kurumsal platform.

Protokol Katmanı: MCP ve WebMCP

Son 18 ayın en önemli altyapı gelişmesi bir araç veya model değil — Model Bağlam Protokolü'dür (MCP). MCP, yapay zeka araçlarının harici veri kaynaklarına ve hizmetlerine nasıl bağlanacağını tanımlayan açık bir standarttır. Bunu yapay zeka için USB-C olarak düşünün: herhangi bir MCP uyumlu istemcinin, satıcıdan bağımsız olarak herhangi bir MCP uyumlu sunucuya bağlanmasını sağlayan tek bir protokol.

MCP'den önce, her yapay zeka aracının kendi eklenti sistemi, kendi entegrasyon API'si, dosyalara, veritabanlarına ve API'lere erişmek için kendi yolu vardı. Araç geliştiricileri, N veri kaynağı için N entegrasyon yazmak zorundaydı. MCP bunu tersine çevirdi: veri kaynağı başına bir sunucu, araç başına bir istemci protokolü ve hepsi birlikte çalışabiliyor. Sonuç, veritabanları (PostgreSQL, SQLite, Redis), bulut platformları (AWS, GCP, Cloudflare), geliştirme araçları (GitHub, Linear, Sentry) ve hatta tüketici uygulamaları (Notion, Gmail, Slack) için topluluk MCP sunucularının patlaması oldu.

Tipik bir MCP yapılandırması şöyle görünür:

// ~/.claude/mcp-servers.json — the MCP server registry
{
  "mcpServers": {
    "filesystem": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-filesystem", "."]
    },
    "postgres": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-postgres",
               "postgresql://localhost:5432/myapp"]
    },
    "github": {
      "command": "npx",
      "args": ["-y", "@modelcontextprotocol/server-github"],
      "env": { "GITHUB_TOKEN": "${GITHUB_TOKEN}" }
    },
    "linear": {
      "command": "npx",
      "args": ["-y", "@raycast/mcp-linear"]
    }
  }
}

Bu yapılandırma ile bir geliştirici Claude Code'a "Linear'de 'hata' etiketli tüm açık sorunları bul, bunlardan herhangi birinin son üç commit'te düzeltilip düzeltilmediğini kontrol et ve ekibimizin Slack kanalına bir özet gönder" diyebilir. Yapay zeka aracı, MCP sunucuları arasında orkestrasyon yapar — sorunlar için Linear, commit'ler için GitHub, mesajlaşma için Slack — geliştirici bağlam değiştirmeden veya yapıştırıcı kod yazmadan. Bu bir demo değil. Ekipler bu iş akışlarını her gün üretimde kullanıyor.

2025 sonlarında duyurulan WebMCP, MCP protokolünü tarayıcı bağlamlarına genişletiyor. Yapay zeka aracı yalnızca kod tabanınızı görmekle kalmıyor, aynı zamanda web uygulamalarını da görebiliyor ve onlarla etkileşime girebiliyor: panolar, dokümantasyon siteleri, Figma'daki tasarım araçları, proje panoları. Bir üretim sorununu hata ayıklayan bir geliştirici, yapay zekadan Datadog panosunu açmasını, hata artışını bulmasını, ilişkili logları kontrol etmesini ve bunları son dağıtımlarla ilişkilendirmesini isteyebilir — tümü aynı MCP arayüzü üzerinden. WebMCP, tüm tarayıcıyı yapay zeka tarafından erişilebilir bir çalışma alanına dönüştürüyor.

MCP, çoğu geliştiricinin hiç duymadığı en önemli yapay zeka altyapı projesidir. Yapay zeka araçları için HTTP'nin web servisleri için yaptığını yapar — istemcileri sunuculardan ayıran ve hiçbir satıcının tek başına inşa edemeyeceği bir ekosistemi mümkün kılan evrensel bir arayüz sağlar.

Geliştirme İş Akışları Gerçekten Nasıl Değişti

Araçlar ve protokollerin ötesinde, en pratik soru şudur: yazılım yazmanın günlük işi nasıl değişti? Cevap, işin türüne bağlıdır, ancak yapay zekayı süreçlerine derinlemesine entegre eden ekipler arasında birkaç model tutarlıdır.

Üç aşamalı yapay zeka iş akışı, çoğu ekip arasında standart bir model olarak ortaya çıktı. İster yeni bir özellik oluşturuyor, ister bir hata düzeltiyor veya mevcut kodu yeniden düzenliyor olun, bu model geçerlidir:

• Aşama 1 — Keşfet: Hedefi tanımlarsınız ve yapay zeka, ilgili bağlamı — mevcut desenler, veri modelleri, yapılandırma, testler — anlamak için kod tabanını keşfeder. Yapay zekaya nereye bakacağını söylemezsiniz; kod tabanı indeksinden veya dosya ağacından bunu kendisi çözer. Bu aşama, herhangi bir kod yazılmadan önce incelediğiniz bir plan üretir.
• Aşama 2 — Üret: Plan onaylandıktan sonra, yapay zeka uygulamayı üretir. Araca ve görev karmaşıklığına bağlı olarak, bu tek bir dosya değişikliği veya düzinelerce dosyayı kapsayan çok dosyalı bir özellik olabilir. Yapay zeka derlemeyi ve testleri otomatik olarak çalıştırır, çözebileceği sorunları düzeltir.
• Aşama 3 — İyileştir: Farkı inceler, belirli satırlara yorum bırakırsınız ve yapay zeka yineleme yapar. Bu en önemli aşamadır — bunu atlayan geliştiriciler en düşük kaliteli sonuçları alır. İyi bir yapay zeka destekli geliştirici ile harika bir tane arasındaki fark, ilk denemede ne kadar etkili prompt yazdıkları değil, ne kadar etkili iyileştirme yaptıklarıdır.

Kod incelemesi, diğer tüm etkinliklerden daha fazla değişti. 2024'te çoğu PR tamamen insan tarafından yazılmıştı ve ara sıra yapay zeka katkıları oluyordu. 2026'da bunun tersi yaygın: yapay zeka ilk taslağı yazıyor, geliştirici inceliyor ve iyileştiriyor ve PR, insan denetimli bir yapay zeka katkısını temsil ediyor. İnceleyenler artık sözdizimi veya stili kontrol etmek için (bunu yapay zeka halleder) daha az, mimari kararları, uç durum işlemeyi ve iş mantığı doğruluğunu değerlendirmek için daha fazla zaman harcıyor.

2026'daki tipik bir PR döngüsünü düşünün:

# Developer workflow — adding a feature with AI

# Step 1: Explore
$ claude "Add CSV export to the analytics dashboard. Use the same
  pattern as the PDF export in reports.ts, but for CSV output."

# Claude produces a plan:
#   - Create src/services/csvExporter.ts
#   - Create src/routes/analytics/export.ts (new endpoint)
#   - Add tests in tests/routes/analytics/export.test.ts
#   - Update src/routes/analytics/index.ts (register router)

# Step 2: Generate (after plan approval)
$ claude apply
# Claude writes all files, runs tests, fixes 2 failing assertions

# Step 3: Refine
$ claude diff | less
# Developer spots missing edge case (empty dataset)
$ claude "Handle the case where the dataset is empty — return
  a CSV with just headers and a message row"

# Step 4: Ship
$ git add -A && git commit -m "feat: add CSV export to analytics
  dashboard" --author="Claude Code <ai@example.com>"

Hata ayıklama iş akışları da dönüştü. Eski yaklaşım doğrusal bir avdı: hatayı yeniden üret, kapsamı daralt, kodu oku, kök nedeni belirle, düzelt. Yapay zeka destekli yaklaşım paraleldir: semptomu tanımlayın, yapay zeka ilgili kod yollarını tarar, gerilemeler için test paketini çalıştırır, olası nedenler için yakın git geçmişini kontrol eder ve kanıtlarla birlikte sıralanmış bir hipotez listesi sunar. Geliştiriciler hala doğrular ve düzeltmeyi seçer, ancak araştırma süresi çökmüştür.

Dokümantasyon, nefret edilen bir angaryadan otomatikleştirilmiş bir yapıta dönüştü. Her büyük yapay zeka kodlama aracı, kod değişikliklerinden dokümantasyon oluşturabilir ve güncelleyebilir. Bir geliştirici bir özellik uyguladığında, yapay zeka API dokümanları, satır içi yorumlar, README bölümleri ve değişiklik günlüğü girişleri oluşturabilir veya güncelleyebilir. Bu modeli benimseyen ekipler, dokümantasyon kapsamının yaklaşık %30'dan %90'ın üzerine çıktığını bildiriyor çünkü doküman yazma maliyeti neredeyse sıfıra düştü.

Geliştiriciler Bundan Sonra Ne Öğrenmeli

Yapay zeka destekli kodlamanın yükselişi geliştiricileri gereksiz kılmaz — hangi becerilerin daha önemli olduğunu değiştirir. Sözdizimi bilgisi ve framework ezberleme değer kaybetti. Artık etkili geliştiricileri farklılaştıran beceriler farklıdır ve bazı yönlerden edinilmesi daha zordur:

• Bağlam mühendisliği: Ekibinizin kurallarını, mimari kararlarını ve standartlarını kodlayan bir proje düzeyinde bağlam dosyası (CLAUDE.md, .cursorrules veya benzeri) oluşturma becerisi, temel bir yeterlilik haline geldi. Yapay zeka çıktısının kalitesi, sağladığınız bağlamın kalitesiyle doğru orantılıdır. Bağlam dosyalarına yatırım yapan ekipler, yatırım yapmayanlara göre çarpıcı biçimde daha iyi sonuçlar alır.
• İş akışı tasarımı: Bir özelliği yapay zekaya uygun görevlere nasıl ayıracağınızı, satır içi tamamlama ile ajan modu veya tam otonom bir oturum arasında ne zaman seçim yapacağınızı ve inceleme döngüsünü nasıl yapılandıracağınızı anlamak artık bir araç becerisi değil, bir tasarım becerisidir. En iyi yapay zeka destekli geliştiriciler, yalnızca prompt'ları değil, süreci düşünür.
• Değerlendirme okuryazarlığı: Yapay zeka daha fazla kod ürettikçe, çıktısını değerlendirmek daha önemli ve daha zor hale gelir. Beceri yalnızca "bunun doğru olup olmadığını anlayabilmek" değil, "bunun sizin özel bağlamınız için doğru olup olmadığını anlayabilmek"tir — hata durumlarınızı ele alıyor mu, kurallarınıza uyuyor mu, performans kısıtlamalarınıza saygı gösteriyor mu ve bilinen anti-desenlerinizden kaçınıyor mu.
• Sistem tasarımı okuryazarlığı: Yapay zeka, iyi tanımlanmış yerel görevleri uygulamada iyidir. Sistemi kapsayan mimari ödünleşimler yapmakta kötüdür. Sistem tasarımını anlayan — yapay zekanın önerdiği yaklaşımın ölçeklenebilir olup olmayacağını, çok maliyetli olup olmayacağını, bağımlılık yaratıp yaratmayacağını veya güvenlik sınırlarını ihlal edip etmeyeceğini değerlendirebilen — geliştiriciler, yalnızca editörde değil, üretimde çalışan yazılım üretenlerdir.
• Üretilen kod için güvenlik incelemesi: Yapay zeka tarafından üretilen kod, yeni risk sınıfları ortaya çıkarır. Modeller, paket adlarını halüsinasyon görebilir (bağımlılık karışıklığı), güvensiz yapılandırmalar oluşturabilir veya doğru görünen ancak yetkilendirme kontrollerini kaçıran kod üretebilir. Geliştiricilerin, özellikle yapay zeka çıktısına göre ayarlanmış bir güvenlik zihniyeti geliştirmesi gerekir — kötü niyet varsaymadan, ancak doğruluğu da varsaymadan.

Bu becerilerin hiçbiri yeni değil. Kıdemli geliştiricilerin bunlara her zaman ihtiyacı vardı. Değişen şey, bunların artık isteğe bağlı olmamasıdır. Yapay zeka çıktısını değerlendiremeyen, iş akışları tasarlayamayan veya güvenlik için inceleme yapamayan bir genç geliştirici, daha fazla kod yazarak kıdemli geliştirici olamaz — çünkü kod yazma giderek otomatikleşiyor. Kıdemliliğe giden yol artık yazılan kod satırlarından değil, muhakeme, tasarım ve değerlendirmeden geçiyor.

Yeterince ilgi görmeyen pratik bir beceri daha var: yapay zekayı ne zaman kullanmamayı bilmek. Bazı görevleri manuel olarak yapmak daha hızlıdır. Bazı problemler, kodu kendiniz yazmanın bilişsel katılımından faydalanır — bir farkı incelemekten elde edemeyeceğiniz bir anlayış oluşturan türden. 2026'da başarılı olan geliştiriciler, her şey için yapay zeka kullananlar değil. Yapay zekayı stratejik olarak kullanan ve insan dokunuşunun hala önemli olduğu yerleri tam olarak bilenlerdir.

Sırada Ne Var

İleriye baktığımızda, yörünge açıktır: yapay zeka uygulama katmanının daha fazlasını halledecek ve geliştiriciler daha çok spesifikasyon ve değerlendirme katmanlarına odaklanacak. Araçlar daha otonom, daha derinlemesine entegre ve MCP gibi protokollerle daha standart hale gelecek. İyi bağlamsallaştırılmış bir yapay zeka ekibi ile sadece bir sohbet penceresi açıp "şu işlevi yaz..." yazan bir ekip arasındaki fark bir uçuruma dönüşecek.

2026'da yapay zeka destekli kodlamanın durumuyla ilgili en önemli çıkarım, belirli bir araç veya modelle ilgili değil. Bir geliştirici olmanın ne anlama geldiğindeki değişimle ilgili. Kod yazmak her zaman bir amaca giden araçtı — amaç, gerçek sorunları çözen çalışan yazılımdı. Yapay zeka, aracı çarpıcı biçimde ucuzlatıyor. Değer, amaçlarda yoğunlaşıyor: problemi anlamak, çözümü tasarlamak, sonucu değerlendirmek ve sonuç için sorumluluk almak.

Bunu okuyan bir geliştiriciyseniz, yapabileceğiniz en iyi yatırım, en son framework'ü öğrenmek veya en son model kıyaslamalarını ezberlemek değil. Yapay zekanın henüz iyi yapamadığı — ve muhtemelen bir süre daha yapamayacağı — geliştirme kısımlarında iyi olmaktır: kullanıcıların gerçekte neye ihtiyacı olduğunu anlamak, tutarlı ve sürdürülebilir sistemler tasarlamak ve önemli sonuçların sahipliğini almak. Bu beceriler her zaman farklılaştırıcı olmuştur. Yapay zeka bu gerçeği görmezden gelmeyi imkansız hale getirdi.