Verimlilik miti: AI gerçekten maliyet tasarrufu sağlıyor mu?

Son birkaç yılda teknoloji arenası, pek çok işin yapay zekaya devredilmeye çalışıldığı bir atmosfere sahne oldu. Maliyet tasarrufu ve verimlilik artışı vaatleriyle gelen yapay zeka, birkaç yıl boyunca toplu işten çıkarmaların da ana gerekçelerinden biriydi. Şirketler, bu süreçte otomasyona devredilen işlerden gururla bahsetti. 

• Yapay zekanın hâlâ gideri kadar gelir üretemediği 2026 yılında ise CEO’lar, işten çıkardıkları çalışanların, harcadıkları token’dan daha fazla maliyet yarattığını fark ettikleri bir eşiğe geldi. 

Arka plan: Yapay zeka, ChatGPT’nin kullanıma sunulduğu 2022 yılından bu yana çok daha geniş bir kitle tarafından kullanılıyor. Modellerin eğitimi ve çalıştırılması, oldukça yüksek miktarda bilgi işlem gücü gerektiriyor. Bu nedenle şirketler, modellere güç verecek çipler ve veri merkezi altyapısına devasa yatırımlar yapıyor. 

Yapay zeka kullanım maliyetleri ise harcanan token miktarına bağlı olarak artıyor. Her bir komut, modele yüklenen dosya, üretilen yanıt ve modelin arka planda yürüttüğü muhakeme süreci token tüketiyor. Basit bir soru, birkaç yüz token harcarken uzun PDF'leri analiz etmek, kodlama yapmak veya bir yapay zeka ajanına çok adımlı bir görev atamanın maliyeti milyonlarca token'a ulaşabiliyor. 

• Büyük dil modellerinde token, yapay zekanın dili anlamak için metinleri böldüğü en küçük anlamsal birime işaret ediyor. Modeller, kelimelerin tamamını bir bütün olarak okumak yerine metinleri hecelere, harflere veya kelime köklerine ayırıyor. Her bir parçaya ise "token" adı veriliyor. Token sayısı arttıkça işlenen veri miktarı ve kullanım maliyeti de yükseliyor.
• Yapay zekanın tek seferde işleyebileceği veri miktarı, modelin "token penceresi" olarak adlandırılıyor. 

İlk dönemlerde çalışanlarını mümkün olduğunca fazla yapay zeka kullanmaya teşvik eden şirketler, bugün token faturalarının beklenmedik şekilde kabardığına tanıklık ediyor. Özellikle son dönemlerde kullanımı yaygınlaşan muhakeme odaklı modeller ve otonom yapay ajanları, büyük miktarda token harcıyor. 

Geniş açı: Teknoloji dünyasında bir süredir harcanan token miktarının verimlilik göstergesi olduğu bir anlatı da dolaşıyor. Bazı şirketlerde bir çalışan ne kadar çok token harcarsa o çalışanın o kadar üretken olduğu düşünülüyor. Fakat son dönemlerde yaşanan gelişmeler, bu sınırsız büyüme eğiliminin sona erdiğine işaret ediyor. 

Yapay zeka sağlayıcıları, altyapı yatırımlarının maliyetini giderek artan bir oranda kullanıcıya yansıtıyor. GitHub gibi bazı platformlar, artık sabit abonelik ücreti yerine, token başına ücret alıyor. 

• Türkiye’de de yakın zamanda ChatGPT Plus aboneliğinin ücretinin 499 liradan 999 liraya çıktığı biliniyor. 

Bununla birlikte: Artan token maliyetleri, şirketleri yapay zeka kullanımına sınırlama getirmeye zorluyor. Örneğin 404 Media tarafından dinlenen bir ses kaydına göre yönetim danışmanlığı şirketi Accenture, yakın zamanda teknik ekipten olmayan çalışanların PDF’leri slayta dönüştürmek gibi önemsiz görevler için token bütçesini tükettiğini keşfederek bu duruma yönelik çözümler düşünmeye başladı. 

Ses kayıtlarına göre Accenture, sektör genelinde token harcamalarında büyük bir artış olduğunu tespit etti. 

• Şirketin kendisi de kıdemli çalışanlarının yapay zekayı kullanmasını zorunlu hâle getirmiş, aksi takdirde terfi fırsatlarını kaçırabilecekleri uyarısında bulunmuştu. 

Yakın zamanda yapılan bir şirket içi toplantıda Accenture yöneticilerinden Justice Kwak, bu durumu değerlendirdi. Kwak'a göre şirketler yapay zekayı ölçeklendirmeye başladıkça, basit sohbet robotlarından ajan tabanlı iş akışlarına ve otomasyon içeren kullanım senaryolarına geçtikçe ve Copilot, Claude Code ve Codex gibi araçları kurum genelinde kullanıma açtıkça yapay zeka, maliyet yapısında önemli bir yer edinmeye başladı, harcamalar tahmin edilemez noktalara geldi ve üst düzey yöneticiler yapay zeka harcamalarından gerçek bir değer elde edip edemediklerini sorgulamaya başladı. 

• Bunun yapay zekaya yatırım yapan her şirketin karşılaştığı bir sorun olduğunu vurgulayan Kwak, yapay zeka kullanımı yaygınlaştıkça token harcamalarının da katlanarak arttığını ifade etti. 

• Yapay zekanın artık kurumsal arenada oldukça geniş çapta benimsendiğini belirten Accenture yöneticisi, genel yapay zeka harcamalarının görünür olduğunu, fakat bu harcamaların yapay zekanın kullanıldığı projelerde ne kadar değer ürettiğini belirleyemediklerini dile getirdi. 

Kwak, kontrol mekanizmalarının oldukça geriden geldiğini de sözlerine ekledi. 

Benzer şekilde: Yakın zamanda Google’ın, bilgi işlem kapasitesine yönelik yoğun talep ve sunucu kapasitesi yetersizliği nedeniyle Meta'nın Gemini yapay zeka modellerine erişimini kısıtladığı bildirildi. Benzer kapasite sınırlamalarından diğer Google müşterilerinin de etkilendiği, ancak talebin yüksek olması nedeniyle en büyük etkinin Meta üzerinde görüldüğünün de altı çizildi. 

Diğer yandan Meta da çalışanlarına yapay zekayı daha verimli ve tasarruflu kullanmalarına yönelik uyarılar yapmaya başladı. 

• Şirket, Nisan ayı başlarında da dâhili kontrol panelinde “Claudenomics” başlıklı bir sıralama tablosu yayımlamıştı. Bu tablo, her bir çalışanın kullandığı token sayısını takip ediyordu. 

Ek olarak: Salesforce da token’lara yapılan harcamaların gerçek bir işe dönüşüp dönüşmediğini tespit etmeyi amaçlayan bir ölçüt oluşturdu. Microsoft, maliyetleri düşürmek için bazı ürünlerinde OpenAI ve Anthropic modelleri yerine kendi geliştirdiği MAI modellerini kullanmaya başlarken Çin merkezli e-ticaret devi Alibaba, sunucu yükünü hafifletmek için yapay zekada gece tarifesi modeline geçiş yaptı. Bu kapsamda yapay zeka modellerini yoğun saatler dışında kullanan kişilere ciddi maliyet avantajları sağlanmaya başlandı.

ABD merkezli perakende zinciri Walmart, maliyetleri düşürmek için personelin yapay zeka kullanımını sınırlandırırken Uber de Claude Code ve Cursor gibi yapay zeka destekli kodlama araçlarının çalışanlar tarafından kullanımına sınırlama getirdi. 

• Fakat Uber, yalnızca birkaç ay önce çalışanlarına yapay zekayı mümkün olduğunca çok kullanma talimatı vermişti. CEO Dara Khosrowshahi de Uber’in yazılım mühendislerinin %90’ının çalışmalarında yapay zeka kullandığını dile getirmişti. 

• Şirketin baş teknoloji sorumlusu (CTO) Praveen Neppalli Naga da şirketin tüm yapay zeka bütçesini dört ay içinde tükettiğini söylemişti. 

AI’ın verimlilik vaadi bir mit mi? 

Yakın tarihli araştırmalar da yapay zekanın gerçek bir insan istihdam etmekten daha maliyetsiz bir çözüm olduğu iddiasının bir mit olduğuna işaret etti. METR tarafından 2025’te yapılan kontrollü bir deneyde açık kaynaklı kod tabanlarında 246 gerçek görevi tamamlayan 16 deneyimli geliştirici izlendi. Sonuçlar, bu geliştiricilerin Cursor ve Claude Code gibi yapay zeka araçlarını kullanırken görevleri tamamlamak için %19 daha uzun süre harcadığını gösterdi. 

• Tuhaf biçimde bu geliştiriciler, yapay zeka kullandıkları sırada %20 daha hızlı olduklarını düşünüyorlardı. 

2025 Stack Overflow Geliştirici Anketi ise yazılımcılar arasında yapay zeka araçlarına yönelik olumlu tutumun %70'in üzerinde bir orandan %60'a gerilediğini ortaya koydu. Ankete katılan geliştiricilerin neredeyse yarısı, yapay zekanın ürettiği çıktının doğruluğuna güvenmediğini söyledi.

Paradoks: Yapay zekaya ilişkin temel tez, kod yazma maliyetini önemli ölçüde azalttığı bilgisi üzerine kuruluydu. Fakat uzmanlara göre yazılım arenasında ana darboğaz, hiçbir zaman kod yazmak olmadı. 

Yapay zeka destekli kodlama araçları; komut dosyaları, arka ofis araçları, dâhili uygulamalar, prototipler ve şablonlar gibi belirli kategorilerde 5-10 kat iyileştirme sağlıyor. Zira bu tür işlerde sorun iyi tanımlanmış, kod basit ve hatanın maliyeti düşük oluyor. 

• Fakat finans, sağlık ve havacılık gibi düzenlemeye tâbi alanlarda, karmaşık entegrasyon senaryolarında, milisaniyelerin önemli olduğu performans açısından kritik kodlarda ve büyük kod tabanlarının bakımında bu kazanımlar ortadan kalkıyor. 

90/90 kuralı 

Yazılacak kodun ilk %90’lık kısmı, tüm zamanın %10’unu alırken kodun kalan %10’luk kısmına iş zamanının %90’ının ayrılması gerekiyor. Yapay zeka, sıkıcı ve basit görülen ilk kısmı oldukça sorunsuz biçimde devralırken ikinci kısma neredeyse hiç müdahil olamıyor. 

Ayrıca yazılım maliyetlerinin %100’ü de kodlamadan oluşmuyor. Sektör verileri, yazılımın yaşam döngüsü boyunca toplam maliyetinin %15-25'inin ilk geliştirme aşamasından kaynaklandığını gösteriyor. Geri kalan %75-85’lik kısım ise bakım, hata düzeltmeleri, güvenlik yamaları, yeni özellik entegrasyonları ve uyumluluk güncellemeleri gibi kalemlerden oluşuyor. Yapay zeka, yine %15-25’lik ilk geliştirme maliyetini önemli ölçüde düşürse de kalan maliyette herhangi bir iyileştirmeye yol açamıyor. 

Anlamı: Yapay zeka, kodun %90'ını devralıyorsa ve ilk kodlama aşaması maliyetin %20’sini oluşturuyorsa toplam maliyette yalnızca %18 oranında tasarruf edilmiş oluyor. Bu, azımsanmayacak bir oran olsa da pazarlanan yapay zeka devriminin oldukça uzağında duruyor. 

Üstelik süreç içinde yeni maliyetler doğmaya da devam ediyor. Faros AI'ın araştırmasına göre yapay zeka araçlarını yoğun bir biçimde kullanan ekipler, %21 oranında daha fazla görev tamamlıyor ve %98 daha fazla pull request birleştiriyor. Fakat tamamlanan görevlerde inceleme süresi %91 artıyor. Bu da darboğazın ortadan kalkmadığı, yalnızca insan onayı aşamasına taşındığı anlamına geliyor. 

• Bu durum, geliştiriciler için yeni bir bilişsel yük de yaratıyor. Yapay zekanın çıktısını kontrol etmek, komutlar üzerinde düzeltmeler yapmak ve yapay zekanın yazamadığı kodlar için bir model oluşturmak gibi kalemler nedeniyle kod yazma süresinden tasarruf edilen zamanın önemli bir kısmı, kontrol ve düzeltme işlemlerine ayrılıyor. 

Yani hız kazanımı, esasında doğrudan teknik bir borca dönüşüyor. 

Üstelik: Token harcamalarındaki patlamanın arkasında yalnızca devasa kod yığınları üreten süper yetenekli mühendisler yatmıyor. Çoğu zaman şirketlerde teknik olmayan personel de uzmanlık gerektirmeyen görevler için yapay zeka kullanarak token’ları hızla tüketebiliyor. 

Accenture yöneticisi Justice Kwak, bu durumu şu şekilde özetliyor: 

"En azından şirket içi verilerimizden gördüğümüz kadarıyla aslında token tüketimini yönlendirenler mühendislerimiz değil.” 

Astronomik AI faturaları statü sembolüne dönüştü

Diğer yandan bazı girişimlerin CEO’ları, yapay zekaya işgücünden daha fazla para harcamakla övünüyor. Astronomik yapay zeka faturaları, artık bir kesim tarafından büyüme ve başarı göstergesi olarak kabul ediliyor. 

Örneğin: Swan AI CEO'su Amos Bar-Joseph, LinkedIn’de yaptığı bir paylaşımda dört kişilik bir ekip olduklarına ve yapay zeka faturalarının yalnızca bir ayda 113 bin dolara ulaştığına işaret ediyor. “Hayatımda hiçbir faturayla bu kadar gurur duymamıştım” diyen Bar-Joseph, Swan AI’ın insan maaşlarına değil, Claude aboneliklerine para harcadığını ve şirketin personel sayısıyla değil, yapay zekayla büyüdüğünü söylüyor.

• Hedeflerinin 10’un altında ekip üyesiyle 10 milyon dolarlık yıllık gelire ulaşmak olduğunu vurgulayan CEO, şirketin satış geliştirme temsilcisi veya pazarlama bütçesi olmadığının da altını çiziyor. 

Benzer şekilde: General Intelligence Company kurucusu Andrew Pignanelli de şirketindeki birçok pozisyonun yapay zeka ajanları tarafından doldurulduğunu ve artık çalışan maaşlarından daha fazla parayı token’lara harcadıklarını söylüyor. Pignanelli ayrıca, “Bu, insan sermayemizi yapay zekaya kaydırmaya başladığımızı gösteriyor” diyor. 

Büyük şirketler, yapay zekayı çalışan sayısını azaltmaya gerekçe gösterirken yeni kurulan girişimler, yapay zekayı daha ilk adımda insan çalıştırmamayı meşrulaştırmak için kullanıyor. Giderek artan oranda “tek kişilik, milyar dolarlık şirket” fikrine takıntılı hâle gelen sektör, girişimcileri az sayıda çalışanı olan veya hiç personeli olmayan otonom şirketler kurmaya teşvik etmeye çalışıyor. 

Perspektif: Fakat yapay zeka altyapısına yapılan harcamaların gerçekten buna değip değmediği, sermayenin insan işçilere harcanmasının daha iyi sonuçlar doğurup doğurmayacağı, mevcut metodolojide ne tür felaketlerin meydana gelebileceği veya mevcut harcamaların finansal olarak sürdürülebilir olup olmadığı hâlâ belirsizliğini koruyor. Kısa vadede şirketler, token maliyetlerini kısmayı gündemlerine alsa da yapay zekanın ekonomik modelinin ne kadar sürdürülebilir olduğu henüz bilinmiyor. 

OpenAI ve Anthropic gibi şirketler, güncel olarak ürünlerini gerçek maliyetin altında fiyatlandırıyor. Aradaki fark ise büyük ölçüde yatırımcı sermayesiyle kapatılıyor. Bu sırada yapay zekanın ürettiği hatalı çıktıların insanlar tarafından düzeltilmesini gerektiren "gizli iş yükü" de büyümeye devam ediyor. Dolayısıyla sektör artık, yalnızca "Yapay zekayı nasıl daha fazla yaygınlaştırırız?" sorusuna değil, "Bu kullanımın gerçek maliyetini kim üstlenecek?" sorusuna da yanıt arıyor.