Yapay Zekâ Yarışı Modelden Çıktı: Şimdi Elektrik, İş Akışı ve Organizasyon Kazanacak

Son birkaç yılda tartışmanın merkezinde hep yatırım miktarı vardı. GPU’lara, veri merkezlerine ve büyük modellere ne kadar para harcandığını konuştuk.

Asıl soru ise bundan sonra başlıyor:

Bu yatırımları karşılayacak ekonomik değer nereden gelecek?

2031 civarında AI altyapısı için yıllık harcamanın yaklaşık 1,5 trilyon dolara ulaşması halinde, sermaye harcamalarının sektör gelirlerinin yaklaşık dörtte birini oluşturduğu varsayımıyla AI ekosisteminin yıllık gelirinin 6 trilyon dolar civarında olması gerekiyor.

Bugünkü tüketici ve kurumsal AI kullanımından beklenen gelir bunun yalnızca bir bölümünü karşılıyor.

Tüketici AI ürünlerinin 2031’e kadar yaklaşık 200-400 milyar dolar, kurumsal kullanımın ise sağlayıcılara 1-1,4 trilyon dolar civarında gelir yaratabileceği öngörülüyor. Geriye hâlâ yaklaşık 4,2 trilyon dolarlık yeni ekonomik değer yaratılması gereken bir boşluk kalıyor.

Buradaki kritik ayrım şu:

AI yalnızca mevcut işi biraz daha ucuz yaparsa bugünkü yatırım ölçeğini açıklamak zor.

Yeni ürünlerin, yeni pazarların ve daha önce ekonomik olmayan faaliyetlerin ortaya çıkması gerekiyor.

Otonom sistemler, robotik, fiziksel AI, ilaç keşfi, malzeme bilimi ve tamamen yeni hizmet kategorilerinin önemi tam olarak burada ortaya çıkıyor.

Yani AI ekonomisinin sürdürülebilirliği yalnızca “çalışan başına %20 verimlilik” hikâyesine dayanamaz.

Yeni büyüme yaratmak zorunda.

AI hakkında konuşurken hâlâ çoğunlukla ekranlarımızdaki chatbotları düşünüyoruz.

Fakat perde arkasında yaşanan dönüşüm son derece fiziksel.

Yeni nesil veri merkezleri 1 gigawatt seviyesine yaklaşmış durumda. Önümüzdeki birkaç yılda 2 GW seviyesindeki tesisler ve on yılın sonuna doğru çok daha büyük kampüsler gündeme geliyor.

2030’a kadar yaklaşık 150 GW ek veri merkezi kapasitesi oluşturabilmek için 5-6,5 trilyon dolar yatırım gerekebileceği hesaplanıyor.

Bu yüzden AI yarışının giderek daha fazla şu kelimelerle tanımlanacağını düşünüyorum:

Elektrik. Şebeke. Trafo. Soğutma. Çip. Arazi. Su. İzin.

Pek seksi değil. İnsanlık yine bulutu icat edip sonunda elektrik trafosuna takılmayı başardı.

Enerji tarafındaki bağımsız projeksiyonlar da aynı yönü gösteriyor. Küresel veri merkezlerinin elektrik tüketiminin 2025’te yaklaşık 485 TWh'den 2030’da 950 TWh civarına çıkması bekleniyor. AI odaklı veri merkezlerinin tüketimi aynı dönemde çok daha hızlı büyüyor. IEA

Üstelik mesele yalnızca toplam enerji miktarı değil.

Veri merkezleri coğrafi olarak yoğunlaştıkları için yerel elektrik şebekelerinde çok daha büyük baskı oluşturabiliyor.

Bu nedenle geleceğin AI liderlerini değerlendirirken yalnızca model benchmarklarına bakmak giderek daha anlamsız hale gelebilir.

Compute erişimi başlı başına stratejik bir kaynak oluyor.

Teknoloji sektöründe yaklaşık yirmi yıl boyunca yazılımın ekonomisi çok cazipti.

Bir kez geliştir, milyonlarca kullanıcıya dağıt.

Marjinal maliyet neredeyse sıfır.

AI bu denklemi değiştirmeye başladı.

2020-2026 döneminde donanım ve yarı iletken şirketlerinin piyasa değerindeki yıllık bileşik büyüme yaklaşık %24, yazılım şirketlerinde ise yalnızca %6 seviyesinde gerçekleşti.

Bunun arkasında yalnızca GPU talebi yok.

Yüksek bant genişlikli bellek, gelişmiş paketleme, optik ağlar ve özel AI çipleri artık stratejik darboğazlar.

Burada dikkat çekici başka bir değişim daha var:

Genel amaçlı donanımdan iş yüküne özel donanıma doğru hareket ediyoruz.

Training, inference ve agentic workload'ların ihtiyaçları birbirinden farklılaştıkça ASIC ve özel silikon tasarımlarının ekonomik mantığı güçleniyor.

Bu da gelecekte “hangi modeli kullanıyorsunuz?” sorusu kadar şu soruyu önemli hale getirebilir:

Bu modeli hangi compute mimarisi üzerinde çalıştırıyorsunuz?

Agent tartışmalarının büyük kısmı şu soruya sıkışmış durumda:

İnsanların işini alacak mı?

Daha ilginç ekonomik fırsat ise başka yerde olabilir.

Şirketlerde ERP, CRM, finans, ticket sistemleri, Excel dosyaları, e-postalar ve kurumsal uygulamalar arasında görünmez bir insan emeği bulunuyor.

Birileri sürekli:

bir sistemden veri alıyor, diğerine bakıyor, e-posta okuyor, istisna yorumluyor, onay istiyor ve sonucu başka sisteme giriyor.

Bu işi yıllardır “otomasyon” diye çözmeye çalışıyoruz. Ama klasik RPA kuralları belirsizlik karşısında dağılıyor.

Agent'ların farkı burada.

Farklı kaynaklardan gelen bilgileri yorumlayıp sistemler arasında karar verebiliyorlar. Bu nedenle agentic AI için yalnızca ABD'de yaklaşık 100 milyar dolarlık yüksek erişilebilir yeni yazılım pazarı hesaplanıyor ve bunun bugün %90’dan fazlası henüz yakalanmış değil.

Kanada, Avrupa, Avustralya ve Yeni Zelanda da eklendiğinde potansiyel yaklaşık 200 milyar dolara çıkıyor.

Burada SaaS ekonomisi açısından çok önemli bir değişim görüyorum.

Eski rekabet:

Sistemin sahibi kim?

Yeni rekabet:

İş akışının bağlamını kim görüyor?

CRM'in sahibi olmak değerli olmaya devam edecek. Fakat CRM, ERP, destek sistemi ve e-posta arasındaki karar sürecini görebilen agent katmanı çok daha stratejik hale gelebilir.

SaaS dünyasının temel ekonomik birimi uzun yıllardır kullanıcıydı.

Kaç seat?

Kaç lisans?

Kaç kullanıcı?

Agent'lar işi kullanıcı adına gerçekleştirmeye başladığında bu model tuhaflaşmaya başlıyor.

Bir müşteri sorununu AI baştan sona çözüyorsa neden “kullanıcı başına lisans” ödensin?

Bu nedenle fiyatlandırmanın giderek:

seat → kullanım → sonuç

eksenine kayması muhtemel.

Aynı zamanda AI, SaaS'ın meşhur yüksek marjlarını da etkiliyor.

Geleneksel yazılımda bir kullanıcının daha sisteme girmesinin maliyeti oldukça düşükken AI her sorguda compute tüketiyor.

Böylece yazılım ekonomisine yeni bir değişken giriyor:

token maliyeti.

Bu yüzden ARR, NRR ve gross margin gibi klasik SaaS göstergelerinin yanına AI gelirinin ve AI maliyetlerinin ayrı olarak ölçülmesi gerekiyor. Rapor özellikle geleneksel AI/ML, copilot özellikleri ve agentic ürün gelirlerinin farklı ekonomik yapılara sahip olduğuna dikkat çekiyor.

Bir bakıma SaaS artık yalnızca yazılım satmıyor.

Dijital emek satmaya başlıyor.

Bence rapordaki en güçlü fikirlerden biri burada.

AI modelleri sürekli gelişiyor. Fakat şirketlerin teknolojiyi kullanabilme hızı aynı ölçüde artmıyor.

Rekabet avantajı giderek model erişiminden AI absorption, yani teknolojiyi organizasyonun içine ne kadar hızlı yerleştirebildiğine kayıyor.

Kurumsal AI dönüşümünü gerçek iş süreçleri üzerinden yapan öncü şirketlerde %10-25 EBITDA iyileşmeleri görülebiliyor. Buna karşılık şirketlerin büyük bölümü hâlâ dar kullanım senaryoları ve bireysel araç dağıtımı aşamasında.

Stanford'un 2026 AI Index verileri bu çelişkiyi başka açıdan gösteriyor:

%88 şirket düzeyinde AI kullanımı.

%70 en az bir iş fonksiyonunda üretken AI kullanımı.

Ama agent kullanımı çoğu fonksiyonda hâlâ tek haneli oranlarda. Stanford HAI

Demek ki “AI kullanıyor musunuz?” sorusu artık pek anlamlı değil.

2027'de daha anlamlı soru muhtemelen şu olacak:

AI şirketinizde hangi işi baştan sona yapabiliyor?

Yapay zekânın etkisini yalnızca headcount üzerinden okumak kolay ama eksik.

Daha yapısal bir değişim yaşanıyor.

Yazılım organizasyonlarında klasik piramit yapısına sahip şirketlerin oranının %66’dan %29’a düştüğü görülüyor. AI araçlarını kullanabilme becerisi mühendislerde aranan en önemli özellik haline gelirken, ham kodlama becerisinin önüne geçiyor.

Geliştiricilerin önümüzdeki iki yıl içinde çalışma zamanlarının yaklaşık üçte birini AI agent'larını yönetmeye ayırmayı beklemeleri de dikkat çekici.

Bu bizi çok ilginç bir organizasyon problemine götürüyor.

Junior çalışanların yaptığı rutin işler AI tarafından devralınırsa junior çalışanlar nasıl senior olacak?

Çünkü bugünün kıdemli çalışanlarının muhakemesi yıllarca o rutin işleri yaparken oluştu.

Dolayısıyla şirketlerin yalnızca “daha az junior işe alabiliriz” diye düşünmesi tehlikeli.

Kısa vadede verimlilik sağlarken uzun vadede kendi yetenek üretme mekanizmasını ortadan kaldırabilirler.

Bu, önümüzdeki birkaç yılın en az konuşulan AI sorunlarından biri olabilir.

AI coding araçlarının yarattığı verimlilik artık tartışılmaz hale geliyor.

Ama bunun beklenmedik bir sonucu var.

Kod üretimi hızlandıkça darboğaz başka yere taşınıyor.

293 teknoloji yöneticisini kapsayan bir araştırmada geliştiricilerin yaklaşık %21 daha fazla görev tamamladığı, buna karşılık review süresinin %91 arttığı görülüyor. Aynı kişiler AI nedeniyle %47 daha fazla paralel iş akışı yönetiyor.

Bu son derece önemli.

Bir şirket:

kodlamayı 10 kat hızlandırıp,

testi aynı hızda,

güvenlik onayını aynı hızda,

change management'ı aynı hızda,

iş birimi onayını aynı hızda

bırakırsa şirket 10 kat hızlanmaz.

Yalnızca kuyruğun yerini değiştirir.

AI çağında yazılım mühendisliğinin asıl optimizasyon birimi artık kod yazan kişi değil, uçtan uca SDLC olabilir.

AI saldırganların hızını artırıyor.

Ama savunmanın AI kullanması da başka bir problem yaratıyor:

Daha fazla açık buluyoruz.

AI destekli vulnerability taramalarının bazı kuruluşlarda alert hacmini sekiz kata kadar artırabildiği belirtiliyor.

Sorun artık yalnızca “açığı bulmak” değil.

Bulunan açığı:

doğrulamak,

önceliklendirmek,

iş etkisini anlamak,

patch etmek,

test etmek

ve üretime geçirmek gerekiyor.

Öncü şirketlerin remediation bütçelerini çift haneli oranlarda artırması ve siber güvenlik insan kaynağının %20-25 kadarını remediation tarafına kaydırması bu nedenle şaşırtıcı değil.

AI savunmayı da hızlandırıyor ama kurumların operasyonel kapasitesi aynı hızda artmadığında ortaya yeni bir açık türü çıkıyor:

remediation debt.

Teknik borcun artık doğrudan siber risk olarak değerlendirilmesi gerektiği görüşüne katılıyorum.

Model Context Protocol gibi standartlar teknik toplulukların ilgilendiği küçük entegrasyon ayrıntıları gibi görünebilir.

Fakat ekonomik sonuçları büyük olabilir.

MCP sunucularının sayısının 2024 sonunda ortaya çıkan standardın ardından iki yıldan kısa sürede 20 bin civarına ulaşması, agent'ların kurumsal veri ve uygulamalarla bağlantısının hızla standartlaşmaya başladığını gösteriyor.

Burada şirketlerin önünde üç temel karar var:

hangi veriyi dışarı açacakları, agent erişimini nasıl sağlayacakları ve bu erişimi nasıl fiyatlandıracakları.

Asıl mesele API teknolojisi değil.

Arayüzün kendisi değer kaybederse müşteri ilişkisini kim kontrol edecek?

Bugün kullanıcı bir yazılımın ekranına giriyor.

Yarın agent doğrudan veriye ve işleve erişebilir.

Bu durumda uygulamanın UI'ı değil, veri ve workflow katmanı ürünün gerçek ekonomik varlığı haline gelebilir.

AI maliyetleri büyüdükçe şirketlerin ilk refleksi kullanıcı başına limit koymak oluyor.

Fakat bunun yanlış optimizasyon olabileceğine dair ciddi işaretler var.

Asıl soru:

Aytekin ayda kaç token kullandı?

değil.

Bu iş akışını AI ile tamamlamanın maliyeti nedir ve karşılığında ne kadar değer üretiliyor?

olmalı.

Agentic bir workflow'un ilk sürümü doğru optimize edilmediğinde nihai maliyetinin 10 katına kadar kaynak tüketebiliyor. Mimari, model routing ve daha deterministik süreç tasarımlarıyla bunun önemli bölümü azaltılabiliyor.

Bu nedenle klasik FinOps yaklaşımının yanına yeni bir disiplin geliyor:

AI economics.

Token başına maliyet değil,

çıktı başına maliyet.

Türkiye'nin frontier model yarışında ABD ve Çin ile aynı sermaye ölçeğinde yarışması gerçekçi değil.

Ama bu, AI yarışında rolümüz olmadığı anlamına gelmiyor.

Tam tersine yeni yarışın yapısı Türkiye açısından daha ilginç fırsatlar yaratıyor.

Çünkü ekonomik değer yalnızca modeli üreten şirkette oluşmayacak.

Enerji altyapısı, veri merkezleri, kurumsal entegrasyon, siber güvenlik, yazılım geliştirme, sektör bilgisi, veri mühendisliği ve agentic workflow tasarımı gibi katmanlarda çok büyük bir değer zinciri oluşuyor.

Türkiye açısından bence dört konu özellikle kritik.

Birincisi enerji ve veri merkezi stratejisi. AI compute giderek stratejik altyapıya dönüşürken enerji maliyeti ve şebeke kapasitesi dijital rekabet gücünün bir parçası olacak.

İkincisi kurumsal veri. Şirketler onlarca yıldır ERP, CRM, doküman ve operasyon sistemlerinde veri biriktirdi. Agent ekonomisinin yakıtı tam olarak bu bağlam olacak.

Üçüncüsü sektörel uzmanlık. Bankacılık, üretim, perakende, lojistik, telekom ve savunma gibi alanlarda süreç bilgisi, genel amaçlı bir AI modelinden daha değerli hale gelebilir.

Dördüncüsü ise siber güvenlik ve yönetişim. Agent'lara sistemlerde işlem yetkisi verilmeye başlandığında kimlik, yetki, logging, veri erişimi ve kill-switch benzeri kontroller doğrudan kurumsal mimarinin parçası olacak.

Türkiye'nin fırsatı belki de “Türk ChatGPT'si yapmak”tan çok daha geniş.

AI'yı gerçek ekonomiye bağlayan katmanlarda uzmanlaşmak.