Yöneticinin Yapay Zeka Okuryazarlığı. Bir Karar Vericinin Bilmesi Gereken Temeller

Özgüven ile bilgi arasındaki boşluk

Kurumsal yapay zekanın az konuşulan bir gerçeğiyle başlamak gerekiyor. Üst düzey yöneticiler bu teknolojiye dair kendilerine güveniyor, ancak bilgi tabanı çoğu zaman bu güvenin gerisinde kalıyor.

Yönetici araştırmaları bu boşluğu tekrar tekrar ölçüyor. C-level yöneticilerin büyük çoğunluğu yapay zekanın etkisi konusunda kendine tam güven bildirirken, aynı yöneticilerin yaklaşık yarısı kendi şirketinde bu teknolojiyi kimin, ne için ve ne kadar kullandığını bilmiyor. Stanford Üniversitesi iktisatçısı Erik Brynjolfsson'un 2026'da işaret ettiği makas da aynı yönde. Büyük şirket CEO'larının yarıdan fazlası yatırımcı sunumlarında yapay zekadan söz ederken, çalışan verileri fiili kullanımın bunun çok gerisinde kaldığını gösteriyor. Söylem yukarıda, uygulama aşağıda.

Bu boşluğun bedeli somut. Bilgisi eksik bir karar verici iki hatadan birine savrulur. Ya abartılı vaatlere bütçe açar ya da gerçek fırsatı erteleyip rakibine bırakır. Okuryazarlık iki hatanın da panzehiridir. Serinin giriş yazısında gösterdiğim tabloyu hatırlatayım. Yapay zekadan aynı anda hem gelir artışı hem maliyet düşüşü sağlayabilen şirketler sekizde bir azınlıkta ve aradaki fark model kalitesinden değil, yönetim kalitesinden geliyor.

Doğru zihinsel model. Bilgi makinesi değil, olasılık makinesi

Önce bir kapsam notu. Bu yazıda yapay zeka derken kastedilen, metin ve içerik üreten büyük dil modelleri, yani üretken yapay zeka. Şirketlerin yıllardır kullandığı tahmin ve sınıflandırma sistemleri, örneğin talep tahmini ya da kredi skorlama, ayrı ve olgun bir teknoloji ailesidir; bu serinin konusu son birkaç yılın dönüşümünü yaratan üretken sistemlerdir.

Bu sistemlere dair kurulacak tek bir cümle, sonraki bütün kararların zeminini oluşturur. Bunlar bilgi makinesi değil, olasılık makinesidir.

Büyük dil modeli, devasa miktarda metinden kalıpları öğrenmiş ve bir sonraki en olası kelimeyi tahmin eden bir sistemdir. Soruya cevap verirken bir veri tabanından doğruyu çekmez; eldeki bağlama göre istatistiksel olarak en olası cevabı üretir. Çoğu zaman bu cevap doğrudur, çünkü öğrendiği kalıplar gerçek dünyadan gelir. Ama sistemin doğruluk garantisi yoktur. Yanıldığında da aynı kendinden emin tonla yanılır. Sektörün halüsinasyon dediği olgu budur ve bir arıza değil, çalışma biçiminin doğal sonucudur.

Bunun iş dünyasındaki karşılığı ölçülmüş durumda. Stanford RegLab araştırmacılarının Journal of Empirical Legal Studies dergisinde 2025'te yayımlanan hakemli çalışması, hukuk sektörü için özel geliştirilmiş profesyonel yapay zeka araçlarının bile sorguların yüzde 17 ile 33'ü arasında hatalı ya da uydurma bilgi ürettiğini ortaya koydu. Sektöre özel ve pahalı araçlarda bile oran bu. Yönetici için ders açık. Yapay zekanın çıktısı taslaktır, karar değildir. Hangi işte ne kadar doğrulama gerektiği, teknolojinin değil yönetimin koyacağı bir kuraldır.

Sekiz kavram, yönetici dilinde ve somut örneklerle

Teknik ekiple ve size çözüm satmaya gelen firmalarla aynı masada eşit konuşabilmek için sekiz kavram yeterlidir. Her kavramı üç katmanda veriyorum. Yerleşik İngilizce adı, Türkçe karşılığı ve masadaki somut örneği. Buradaki ürün adları ve rakamlar Temmuz 2026 itibarıyla günceldir; bu pazarda sürümler hızla değişir ama kavramların kendisi kalıcıdır.

1. Model (model)

Sistemin kendisi. Eğitim verisinden öğrenilmiş kalıpların tamamını taşıyan yazılım. Somut karşılığı şu. ChatGPT'yi geliştiren OpenAI'ın GPT serisi, Anthropic'in Claude serisi (örneğin Claude Opus 5), Google'ın Gemini serisi ve Meta'nın açık ağırlıklı Llama ailesi, bugün kurumsal masaya gelen başlıca model aileleridir. Hangi model sorusu, hangi firmaya ve hangi maliyet yapısına bağlanacağınız sorusudur.

2. Token (token)

Bu pazarın ölçü birimi. Model metni kelime kelime değil, token denen küçük parçalar halinde işler; kabaca bir token bir kelimenin dörtte üçü kadardır ve Türkçe metin, dil yapısı gereği aynı içerik için İngilizceden daha fazla token tüketir. Ölçek duygusu için şu yeterli. Üç yüz sayfalık bir kitap kabaca 100 ila 150 bin token eder. Bu birim önemlidir çünkü hem fiyatlandırma hem kapasite tokenle konuşulur. Token bilmeyen yönetici, faturayı da kapasiteyi de okuyamaz.

3. Eğitim (training)

Modelin devasa veriyle inşa edildiği süreç. Öncü modellerin eğitim maliyeti bugün yüz milyonlarca dolar seviyesinde seyrediyor. Sizin şirketinizin bu maliyeti üstlenmesi neredeyse hiçbir senaryoda gerekmez; OpenAI, Anthropic ve Google bu yatırımı sizin yerinize yapmış durumda. Masadaki karşılığı şu. Size sıfırdan model eğitelim diyen bir teklif, istisnai durumlar dışında sorgulanmayı hak eder.

4. Cevap üretimi (inference)

Modelin her soruya cevap ürettiği an. Türkçe teknik literatürde çıkarım diye de geçer; bu yazıda daha doğal olan cevap üretimi karşılığını kullanıyorum. İşletme maliyetinin asıl kalemi budur ve token başına fiyatlanır. Somut örnek vereyim. Temmuz 2026 itibarıyla Anthropic'in resmî fiyat listesinde üst segment model Claude Opus 5'te bir milyon tokenlik girdi 5 dolar, çıktı 25 dolar; ekonomik segmentteki Claude Haiku 4.5'te aynı hacim 1 ve 5 dolar. Temmuz 2026 dizilimi bunun üstüne Claude Fable 5'i (10 ve 50 dolar), arasına da Claude Sonnet 5'i (tanıtım fiyatıyla 2 ve 10 dolar) ekliyor. OpenAI ve Google'da da mantık aynı, rakamlar yakın bantta. Sözleşme müzakeresinde sorulacak soru şu. Fiyat hangi token hacmi varsayımıyla verildi ve hacim aşılırsa fatura nasıl değişiyor?

5. Bağlam penceresi (context window)

Modelin tek seferde aklında tutabildiği bilgi miktarı. Somut örnek vereyim. Temmuz 2026 itibarıyla hem Claude'un hem Google Gemini'ın güncel üst modelleri bir milyon token sınıfında pencere sunuyor; bu, kabaca iki üç bin sayfalık bir belge yükünü tek seferde işleyebilmek demek. Bir uyarıyı da ekleyeyim. Bağımsız testler, reklamı yapılan pencerenin tamamının aynı güvenilirlikte kullanılamadığını, pencere dolduğunda modelin ortadaki bilgiyi kaçırabildiğini gösteriyor. Uzun sözleşmelerle, raporlarla ve veri setleriyle çalışacaksanız bu sınır, aracın işinize uygunluğunu belirler.

6. RAG (retrieval-augmented generation), Türkçesiyle erişim destekli üretim

Modelin cevap üretmeden önce şirketinizin kendi belgelerinden ilgili bilgiyi bulup cevabına dayanak yapması. Somut örnek şu. Bir bankanın müşteri temsilcisi asistanı, cevabını genel internetten değil bankanın güncel ürün dokümanlarından üretir; Morgan Stanley'nin finansal danışmanlarına kurduğu iç asistan bu mimarinin bilinen örneklerindendir. Kurumsal projelerin büyük bölümü RAG ile kurulur, çünkü modeli yeniden eğitmeden güncel ve size özel bilgiyle çalışmayı sağlar. Uydurma oranını düşürür ama sıfırlamaz.

7. İnce ayar (fine-tuning)

Hazır modelin sizin örneklerinizle ek eğitimden geçirilip belirli bir üslup ya da dar bir uzmanlık kazanması. Türkçedeki yerleşik karşılığı gerçekten ince ayardır. Somut örnek şu. Binlerce geçmiş destek yazışmasıyla modele şirketin dilini ve prosedürünü öğretmek bir ince ayar işidir. Pahalıdır, bakım ister ve çoğu ihtiyaç için gereksizdir. Çözüm satan taraf ince ayar öneriyorsa ilk soru şu olmalı. Aynı sonuç RAG ile alınamıyor mu?

8. Ajan (AI agent)

Soru cevaplamakla kalmayıp bir görevi adım adım planlayan ve sistemler arasında eylem alan yazılım. Somut örnek şu. Sohbet robotu iade prosedürünü anlatır; ajan iadeyi sisteme girer, kargoyu oluşturur ve müşteriye bilgi mailini gönderir. En güçlü ve en riskli katman budur, çünkü ajanın hatası yanlış bir cümle değil, yanlış bir işlemdir. Ajana ne kadar yetki devredileceği bu serinin yedinci yazısının konusu.

Gerçekçi yetenek haritası. Bugün ne yapabiliyor

Yeteneği abartısız görmek için en güvenilir zemin, Stanford Üniversitesi'nin her yıl yayımladığı Yapay Zeka Endeksi. 2026 raporunun kurumsal karar için en önemli üç bulgusu şunlar.

1. Birim maliyet çarpıcı biçimde düştü

Rakam net. 2022 sonunda ChatGPT'nin ilk sürümü düzeyinde bir cevap kalitesinin milyon token maliyeti yaklaşık 20 dolardı; on sekiz ay içinde aynı kalite düzeyi yaklaşık 7 sente indi. Kabaca 280 kat düşüş. İki fiyat katmanını karıştırmamak gerekiyor. En üst segment güncel modeller bugün de milyon token başına dolarlarla fiyatlanıyor; sentlere inen şey, birkaç yıl öncenin amiral gemisi kalitesi. Yani düşüş, aynı işin her yıl daha ucuza yapılabilmesi anlamına geliyor ve dün ekonomik olmayan kullanım alanlarını bugün ekonomik kılıyor. Geçen yıl yapılan fizibilite hesapları bu yıl geçersiz olabilir. Madalyonun öteki yüzünü birazdan maliyet bölümünde göstereceğim, çünkü birim fiyatın düşmesi faturanın düşmesi demek değil.

2. Yetenek sıçrıyor ama düzensiz

Terminal ortamındaki uçtan uca geliştirici görevlerini ölçen Terminal-Bench 2.0 testinde ajanların başarısı, Şubat 2025'te yüzde 20 iken 2026 başında yüzde 77,3'e çıktı. Bu rakam geliştirici görevleri içindir, genel iş görevlerini kapsamaz. Aynı sistemler çok adımlı planlamada, finansal analizde ve videodan öğrenmede hâlâ zayıf. Aynı raporun ekonomi bölümü de ajan yayılımının hâlâ erken aşamada olduğunu, çoğu iş fonksiyonunda ölçekli kullanımın tek haneli kaldığını söylüyor. Yetenek tek bir eğri değil, alanına göre inişli çıkışlı bir harita.

3. Verim kanıtı en çok acemide

Ekonomi alanındaki en sağlam saha çalışmalarından biri, Brynjolfsson, Li ve Raymond'ın Quarterly Journal of Economics dergisinde 2025'te yayımlanan araştırması, 5.179 müşteri destek temsilcisini izledi ve yapay zeka desteğinin ortalama verimi yüzde 14, işe yeni başlayanların verimini yüzde 34 artırdığını ölçtü. Deneyimli çalışanda etki küçüktü. Teknoloji en büyük katkıyı uzmana değil, aceminin öğrenme hızına yapıyor. İşgücü planlaması için kritik bir veri.

Maliyet gerçeği. Birim ucuzluyor, fatura büyüyebiliyor

Bu bölüm, yapay zeka ekonomisinin en çok yanlış anlaşılan noktasını netleştirmek için var. Az önce birim maliyetin 280 kat düştüğünü gösterdim. Buna rağmen dünyada şirketlerin toplam yapay zeka faturaları düşmüyor, artıyor. İki cümle aynı anda doğru ve ikisini birden bilmeyen yönetici yanlış bütçe kurar.

Mekanizma şu. Birim fiyat düştükçe kullanım patlar. Tek soruya tek cevap veren asistanın yerini, bir görev için onlarca ayrı model çağrısı yapan ajanlar alıyor; kendi belgelerinizle çalışan RAG mimarisi her soruya sayfalarca bağlam ekliyor; kullanan çalışan sayısı artıyor. Gartner'ın Mart 2026 öngörüsüne göre bir trilyon parametreli bir modelde cevap üretmenin sağlayıcıya maliyeti 2030'a kadar yüzde 90'dan fazla düşecek. Gartner aynı yerde bu düşüşün kurumsal müşteriye tam yansımayacağını, token tüketimi fiyattan hızlı arttığı için kurumsal tarafta toplam faturanın artacağını söylüyor. Sektörde bunun bilinen örnekleri de birikti. 2026 baharında Uber'in, çalışanlarını kullanım için teşvik ettiği yapay zeka kodlama araçlarında yıllık bütçeyi dört ayda tükettiği ortaya çıktı; şirketin teknoloji başkanı Praveen Neppalli Naga, artan harcama ile müşteriye ulaşan fayda arasında doğrudan bağ kurmanın henüz mümkün olmadığını The Information'ın bülteninde aktardı. Uber 2 Haziran 2026'da kişi başına aylık 1.500 dolar tavan koydu. Bazı şirketlerde tek bir yoğun kullanım alanının aylık faturası, o işe koyulacak çalışanın maaşını aşabiliyor.

Yönetici için üç pratik sonuç çıkıyor.

1. Fizibilite birim fiyatla değil, toplam sahip olma maliyetiyle yapılır. Token fiyatı, veri hazırlığı, entegrasyon, insan ve bakım kalemlerinin yanında küçük kalabilir.
2. Her kullanım alanının işlem başına değeri hesaplanır. Ürettiği değer işlem maliyetini aşmayan kullanım, ölçek büyüdükçe zarar üretir.
3. Kullanım izlenir ve tavan konur. Sınırsız erişim, sınırsız fatura demektir. Hangi işin pahalı üst segment modele, hangisinin ekonomik modele gideceği bir yönetim kararıdır.

Maliyetin tam kalem listesi ve yatırım geri dönüş hesabı, serinin altıncı yazısının konusu.

Sınırların haritası. Hangi iş yapay zekaya emanet edilmez

Aynı endeksin öteki yüzü de aynı netlikte. Bugünkü sistemler doktora düzeyi bilim sorularında insanı geçerken, çok adımlı planlamada, uzun görevlerde tutarlılıkta ve fiziksel dünyayla temasta zayıf kalıyor. Sınırları en yetkili ağızdan duymak isteyenler için Google DeepMind'ın Nobel ödüllü CEO'su Demis Hassabis'in Ocak 2026'daki tespiti yeterli. Bugünkü sistemler insan düzeyindeki zekânın yakınından bile geçmiyor. Bu cümleyi kuran kişi, dünyanın en gelişmiş modellerinden birini bizzat geliştiren isim.

Sınır bilgisini karara çevirmenin pratik yolu, hangi işin emanet edilmeyeceğini yazılı kurala bağlamaktır. Üç kriter yeterli.

1. Geri alınamaz işler. Gönderilen para, silinen kayıt, müşteriye taahhüt edilen söz. Hata telafi edilemiyorsa son onay insanda kalır.

2. Doğrulanamaz işler. Çıktının doğruluğunu makul sürede kontrol edecek bir uzmanınız yoksa o iş devredilmez. Kontrol edemeyeceğiniz işi devretmek, denetimi tümüyle bırakmaktır.

3. Yüksek etkili işler. Hukuki sonuç doğuran, itibara dokunan, kişisel veri içeren ya da büyük parasal etki taşıyan her çıktı, hacmi ne olursa olsun insan onayından geçer.

Bu üç kriterin tersinden okuması da değerlidir. Geri alınabilir, kolayca doğrulanabilir ve etkisi sınırlı işler, yapay zekanın en güvenli ve en verimli başlangıç alanıdır.

Şirketinizde zaten kullanılıyor. Gölge kullanım ve veri gizliliği

Okuryazarlığın çoğu yöneticinin atladığı parçası şu. Yapay zekayı şirketinize sokup sokmama kararı büyük ölçüde verilmiş durumda, ancak bu kararı siz vermediniz. Araştırmalar, çalışanların önemli bölümünün şirket onayı olmadan kişisel yapay zeka araçlarını iş için kullandığını ve bu görünmeyen kullanımın resmî kullanımın çok üzerinde seyrettiğini gösteriyor. Sektör buna gölge kullanım diyor.

Bunun okuryazarlıkla ilgisi doğrudan, çünkü asıl risk teknolojide değil, veri akışında. Ücretsiz ve bireysel araçlara yapıştırılan her metin şirket dışına çıkar; bazı araçlarda ayarlara dokunulmazsa bu veriler model eğitiminde de kullanılabilir. Müşteri listesi, sözleşme taslağı ya da finansal tablo, iyi niyetli bir çalışanın eliyle beş saniyede kurumsal sınırın dışına taşınabilir.

Yönetimin üç kuralı yeterli.

1. Yasak değil, kanal. Gölge kullanımı yasaklamak kullanımı gizler, bitirmez. Doğru hamle, veri işleme koşulları sözleşmeyle tanımlı kurumsal bir aracı resmî kanal olarak sunmaktır.
2. Veri sınıflandırması. Hangi bilginin hiçbir koşulda dış araca girilemeyeceği bir sayfalık yazılı kuralla netleşir. Kişisel veri içeren akışlarda bu artık tercih değil, KVKK gereğidir.
3. Ölçüm. Kim, neyi, hangi araçla yapıyor sorusunun cevabı yönetimde olmalı. Bu yazının başındaki özgüven-bilgi boşluğunu kapatmanın ilk adımı da budur.

Yapay zekayı size kim satıyor ve sunum nasıl süzülür

Buraya kadar teknolojiyi konuştuk; şimdi pazarı konuşalım, çünkü karşınıza teknoloji değil satış sunumu gelecek. Bu pazarda size çözüm satmaya gelen taraflar üç grupta toplanır ve üçünün de sattığı şey farklıdır.

1. Model geliştiricileri. OpenAI, Anthropic, Google, Microsoft. Bunlar teknolojinin kendisini üretir ve evet, kurumsal satış ekipleri doğrudan şirketlere lisans satar. ChatGPT Enterprise, Claude'un kurumsal planları ve Microsoft 365 Copilot bu kategorinin ürünleridir. Satın aldığınız şey model erişimi, veri güvenliği taahhüdü ve kullanıcı lisansıdır.

2. Uygulama geliştiriciler. Pazarın en kalabalık katmanı. Hazır modellerin üzerine sektöre ya da fonksiyona özel ürün kuran yazılım şirketleri. Mevcut yazılımına yapay zeka özelliği ekleyen kurumsal devlerden, tek işe odaklı girişimlere kadar uzanır. Gartner'ın ajan makyajı uyarısı en çok bu katman için geçerli. Piyasadaki binlerce ajan çözümü sağlayıcısından yalnızca 130 kadarının gerçek ajan teknolojisi sattığı tahmin ediliyor; kalanı mevcut otomasyonu yeni etiketle sunuyor.

3. Entegratörler ve danışmanlar. Modeli ya da ürünü sizin sistemlerinize bağlayan, süreci kuran ve ekibi eğiten firmalar. Büyük danışmanlık şirketlerinden yerel yazılım evlerine uzanır. Sattıkları şey ürün değil, uygulama kapasitesidir.

Bu yazıda üçüne birden çözüm sağlayıcı diyeceğim. Hangi katmandan olursa olsun, bir çözüm sağlayıcı sunumu şu yedi soruyla süzülür. Sorular mantık sırasıyla; ilk ikisi ihtiyacı, sonraki üçü gerçekliği, son ikisi uzun vadeyi sınar.

1. Bu çözüm hangi iş sonucumuzu, ne kadar iyileştirecek?

Sunum ürünün özellikleriyle değil, sizin metriğinizle başlamalı. İyi cevap somuttur; çağrı çözüm süresini şu kadar kısaltır, hata oranını şu banda indirir gibi. Metriğinize bağlanamayan özellik, bütçe değil merak konusudur.

2. Bu iddiayı kim, hangi veriyle ölçtü?

Çözüm sağlayıcının kendi ölçümü pazarlamadır; bağımsız ölçüm ya da müşterinin kendi verisi kanıttır. İyi cevap, ölçüm yöntemini ve veri kaynağını çekinmeden açar. Serinin giriş yazısındaki hatırlatma burada da geçerli. Bu pazarda öngörü anlatan herkesin satacak bir ürünü var; iddianın değerini teknik içeriği belirler.

3. Kaç şirkette, ne kadar süredir gerçek üretimde çalışıyor?

Gösterim ortamı ile canlı işletme arasında uçurum vardır. İyi cevap, sizinkine benzer ölçekte referans müşteri verir ve o müşteriyle doğrudan görüşmenize izin verir. Referans veremeyen çözümün ilk gerçek testi sizin şirketiniz olur ve bunun bedelini siz ödersiniz.

4. Toplam maliyet neleri içeriyor ve hangi kullanım varsayımıyla verildi?

Lisans fiyatı buzdağının görünen yüzüdür. İyi cevap kurulum, entegrasyon, token tüketimi, eğitim ve bakım kalemlerini ayrı ayrı gösterir ve kullanım hacmi varsayımını açıkça yazar. Hacim aşımında fiyatın nasıl değiştiği sözleşmeye girer.

5. Sistem yanıldığında ne oluyor ve sorumluluk kimde?

Bu yazının başında gösterdim; en iyi sistemler bile hata üretir. İyi cevap hata oranını söyler, hatanın nasıl yakalandığını gösterir ve sorumluluk paylaşımını sözleşmeyle tanımlar. Bu soruya net cevap veremeyen taraf, ürününü sizin kadar tanımıyor demektir.

6. Verimiz nerede işleniyor, kim erişiyor ve KVKK uyumu nasıl sağlanıyor?

Kişisel veri içeren her akışta bu soru sohbet konusu değil, sözleşme maddesidir. İyi cevap veri işleme yerini, erişim yetkilerini, verinizin model eğitiminde kullanılıp kullanılmayacağını ve mevzuat uyumunu yazılı taahhüde bağlar.

7. Vazgeçersek ne oluyor?

En az sorulan, en pahalıya patlayan soru. İyi cevap, sözleşme biterse verinizin size nasıl döneceğini, hangi formatta alınacağını ve geçiş desteğini tanımlar. Çıkışı planlanmamış her giriş, zamanla pazarlık gücünüzü karşı tarafa devreder.

İnsanın ve ekibin yeri

Okuryazarlığın son parçası teknolojiyle değil, insanla ilgili. Yapay zekayı etkin kullanabilen ile kullanamayan arasında açılan sessiz bir makas var. Ben buna İnsan Farkı diyorum. Aynı araca erişen iki kişiden biri çıktıyı sorgulamadan kopyalarken, diğeri aracı yönetip kendi yargısıyla birleştiriyor. Kurumsal ölçekte bu makas, aynı yazılıma para ödeyen iki şirketten birinin değer üretip diğerinin üretememesinin en kısa açıklaması.

Anthropic'in CEO'su Dario Amodei'nin Mayıs 2026'da kurduğu çerçeve de aynı noktaya işaret ediyor. Bir işin yüzde 90'ı otomatikleştiğinde insan kalan yüzde 10'u yapar ve o yüzde 10, işin yeni yüzde 100'üne genişler. Otomasyon işi yok etmiyor, işin insan tarafını yeniden tanımlıyor. Yönetici için buradaki görev, ekibi bu yeni tanıma hazırlamak. Aracı kullanmayı öğretmek işin kolay yarısı; çıktıyı sorgulama alışkanlığını korumak zor ve değerli yarısı.

İlke, bu serinin her yazısında tekrarlanacak kadar önemli. Sistem öneri üretir, sorumluluğu taşıyamaz. Kararın sahibi her zaman insandır.

Okuryazarlığın ölçüsü. On soru

Bu yazının verdiği zemini sınamanın en kısa yolu, aşağıdaki on soruya cevap verebilip verememek. Hepsinin cevabı bu metinde var; takıldığınız olursa ilgili bölüme dönmeniz yeterli.

1. Yapay zeka yanlış bir cevabı neden kendinden emin bir dille verebiliyor?
2. Token nedir ve neden hem fiyat hem kapasite bu birimle konuşulur?
3. Birim fiyatlar hızla düşerken bazı şirketlerin toplam faturaları neden artıyor?
4. RAG hangi sorunu çözer, hangi sorunu çözmez?
5. İnce ayar hangi durumda gereklidir, hangi durumda israftır?
6. Ajan ile sohbet robotu arasındaki fark nedir ve risk profili neden değişir?
7. Bir işin yapay zekaya emanet edilip edilmeyeceğine hangi kriterlerle karar verilir?
8. Gölge kullanım nedir ve bir yönetim bunu nasıl ele almalıdır?
9. Bir çözüm sağlayıcı sunumunu süzen yedi soru hangi mantıkla sıralanır?
10. İnsan Farkı nedir ve aynı araca para ödeyen iki şirketin neden farklı sonuç aldığını nasıl açıklar?

Bu zemin kurulduktan sonra serinin doğal sıradaki sorusu zamanlama. Yapay zekaya ne zaman girmeli, erken davranan mı kazanır bekleyen mi? O tartışmanın iki taraflı kanıtları ve karar çerçevesi bir sonraki yazıda. Yolculuğun tam haritası ise serinin giriş yazısında.

Kaynaklar ve yöntem notu

Bu yazıda kullandığım üçüncü taraf rakamlarının künyesi ve yöntem sınırları. Bir rakamı nasıl ölçtüklerini bilmeden o rakama güvenmek, yönetici masasında alınabilecek en pahalı kısayoldur.

Stanford Yapay Zeka Endeksi. 280 kat düşüş 2025 raporundandır ve MMLU testinde GPT-3.5 düzeyinde puan alan bir modeli sorgulamanın fiyatının Kasım 2022 ile Ekim 2024 arasında milyon jeton başına 20 dolardan 7 sente inmesini anlatır. Ajan başarısı verisi 2026 raporundandır ve Terminal-Bench 2.0 testine dayanır.

Gartner, 25 Mart 2026. Fiyat öngörüsü sağlayıcı maliyeti içindir. Gartner aynı yerde kurumsal toplam çıkarım maliyetinin artacağını söylüyor. Öngörüler ölçüm değildir.

Magesh ve arkadaşları, 2025. Journal of Empirical Legal Studies 22(2). Hakemli. Halüsinasyon oranları araç ve sorgu tipine göre değişir.

Brynjolfsson, Li ve Raymond, 2025. Quarterly Journal of Economics 140(2). 5.179 müşteri destek temsilcisi. Hakemli.

Anthropic fiyat listesi. Temmuz 2026 itibarıyla geçerlidir ve sık değişir.

Kaynaklar 26 Temmuz 2026'da birincil kaynaklardan yeniden doğrulandı.

Yazar

Cem Ünsal

Dijital Girişimci · Yazar · Antrenör

Yapay zekâ ve kişisel güvenlik üzerine yazıyor. Şirketlerin yapay zekâ dönüşümünde karar vericilere yön veriyor.

Hakkımda