Yapay Zeka Model Seçimi Bir Tedarikçi Seçimi Kararıdır

Yapay Zeka Model Seçimi Bir Tedarikçi Seçimi Kararıdır

Artificial Analysis, yapay zeka modellerinin bir görevi tamamlama maliyetini düzenli olarak ölçüyor. Kuruluş kendi test setindeki görevleri sırayla her modele çalıştırıyor, harcanan token miktarını ilan edilen fiyatla çarpıyor ve görev başına ortalama bir dolar tutarı çıkarıyor. Haziran 2026 ölçümünde en pahalı model görev başına 2,75 dolara mal oluyordu, en ucuzları ise 2 sent seviyesinde kalıyordu. Tek bir iş için bu fark önemsiz görünür. Aynı iş akışı yüz bin kez çalıştığında aradaki mesafe bütçenin kendisi haline gelir.

Bu sıralama iki ay dayandı. Temmuz sonunda piyasaya çıkan yeni bir yapay zeka modeli, aynı ölçümde en pahalı modelden hem daha yüksek puan aldı hem de görev başına 2,03 dolara çalıştı. Haziran ölçümünde ucuz görünen bir başka fiyat ise tanıtım dönemine aitti ve 31 Ağustos’ta sona eriyor. İki ay içinde hem sıralama hem fiyat değişti. Karar ilk bakışta bilgi işlem biriminin alanına giriyor, oysa sorunun yapısı satınalmanın uzun süredir tanıdığı bir probleme benziyor.

Görev Başına Maliyet Neyi Ölçüyor?

Modellerin fiyatı token üzerinden belirleniyor. Token, metnin modele verilirken bölündüğü en küçük parça anlamına geliyor ve kabaca bir kelimenin dörtte üçüne denk düşüyor. Sağlayıcılar fiyatı milyon token başına ilan ediyor, modele giren metin ile üretilen metin için ayrı tarifeler uyguluyor. Bu rakam net bir birim fiyat sunuyor ve karşılaştırma yapmak için yeterli görünüyor. Fiyat listesine bakıp en ucuzunu seçmek de bu yüzden akla yatkın geliyor.

Görev başına maliyet farklı bir şey ölçüyor. Bir modelin işi bitirmek için ne kadar token harcadığını hesaba katıyor. Dolayısıyla token fiyatı düşük olan bir seçenek, aynı işi daha uzun düşünerek pahalıya mal olabiliyor. Ağustos ayı ölçümlerinde indirimli tarifeyle çalışan bir model, rakibinden daha fazla token tükettiği için görev başına maliyette beklenen avantajı sağlayamadı. Bir modelin ucuz olması, o modelle çalışmanın ucuz olacağı anlamına gelmiyor. Ölçümün kendisi de sınırlı, çünkü rakam belirli bir test setinin ağırlıklı ortalamasından çıkıyor ve o set son sürümünde otonom görevlere doğru kaydırılmış durumda. Bir firmanın fatura ayıklama ya da rapor özetleme işi bu ortalamanın içinde yer almıyor.

Aynı Model Farklı Maliyet Üretebiliyor

Listelerde yer alan fiyatlar genellikle en yüksek çaba ayarına ait. Çaba ayarı, modelin bir soruya yanıt verirken ne kadar uzun düşüneceğini belirliyor ve doğrudan token tüketimini değiştiriyor. Aynı model en yüksek ayarda görev başına 17,79 dolara ulaşan bir maliyet üretirken, bir alt ayarda 10,41 dolara iniyor ve kalite sıralamasındaki yerini koruyor. Karar bu yüzden modeli seçmekle bitmiyor, ayarın da seçilmesi gerekiyor. Kurumun elindeki en hızlı maliyet kaldıracı çoğu zaman burada duruyor.

Fiyatın kendisi de sabit kalmıyor. Ölçümde ucuz görünen seçeneklerden birinin tarifesi tanıtım amacıyla indirilmiş durumda ve indirim 31 Ağustos’ta bitiyor. Standart tarifeye dönüldüğünde aynı modelin görev başına maliyeti yaklaşık %50 artıyor ve bir üst segmentteki rakibinin üzerine çıkıyor. Yıllık bütçesini bu indirimli fiyat üzerinden kurmuş bir ekip, eylül ayında sebebini kolayca açıklayamayacağı bir sapmayla karşılaşır. Fiyat listesinin bitiş tarihi olan bir tedarikçiyle çalışmak, satınalma için tanıdık bir durum sayılır.

Satınalmanın Zaten Tanıdığı Problem

Buradaki soruların hepsinin satınalma pratiğinde bir karşılığı bulunuyor. Birim fiyat ile toplam sahip olma maliyeti arasındaki fark, tek kaynağa bağımlılığın yarattığı risk, tedarikçi değiştirmenin maliyeti ve kritik kalemde ikinci kaynak bulundurma refleksi. Model seçimi bu başlıkların tamamına aynı anda dokunuyor. Bir iş akışını tek modele kurmak, bir üretim hattını tek tedarikçiye bağlamakla aynı riski taşıyor. Aradaki fark, bu tedarikçinin fiyatını ve ürününü çok daha kısa aralıklarla değiştirmesinde.

Kurumların fiili davranışı bu tabloyu doğruluyor. 2026 ortasında yapılan derlemelere göre, kurumların yaklaşık beşte üçü aynı anda birden fazla sınır modeliyle çalışıyor. Bir bölümü üretim ortamında beşten fazlasını tutuyor. Buna karşılık sağlayıcı değiştirme oranı düşük kalıyor. Konuyla ilgili yapılan bir ankete katılan ekiplerin yaklaşık onda biri son bir yılda sağlayıcısını değiştirdiğini belirtiyor. Çoğunluk ise mevcut sağlayıcısının yeni sürümüne geçmiş. Çoklu kaynakla çalışmak, tedarikçi değiştirebilmek anlamına gelmiyor. Açık kaynaklı modellerin kurumsal kullanımdaki payının bir yılda %19’dan %11’e gerilemesi de ucuz alternatife geçişin sanıldığı kadar kolay işlemediğini gösteriyor.

Harcamanın nerede durduğu ayrı bir mesele oluşturuyor. Yapay zeka araçları pek çok kurumda çalışanların kişisel kredi kartıyla aldığı aboneliklerle yayılıyor ve bu kullanımın önemli bir bölümü iş amaçlı gerçekleşiyor. Satınalmanın görüş alanına girmeyen, sözleşmesi bulunmayan ve fiyat değişikliği takip edilmeyen bir kalem böyle oluşuyor. Kalemin büyüklüğü fark edildiğinde ise pazarlık gücü çoktan kaybedilmiş oluyor.

Yönlendirme Kuralı Ne Demek?

Yönlendirme, gelen işi hangi modelin karşılayacağına önceden yazılmış bir kurala göre karar veren katman anlamına geliyor. Kural basit bir eşleştirme olabilir, örneğin gelen e-postaların konularına göre sınıflandırılması ucuz bir modele, müşteriye gidecek yanıtın yazılması daha güçlüsüne gider. Kademeli yükseltme ise işi önce ucuz modelde çalıştırıp, çıktının önceden belirlenmiş bir kaliteyi karşılayıp karşılamadığına bakıyor. Karşılamıyorsa, aynı işi güçlü modele taşıyor. Yedekleme, seçilen model yanıt vermediğinde işin otomatik olarak başka bir sağlayıcıya aktarılması demek. Bu üç mekanizma birlikte çalıştığında hizmet sürekliliği tek bir tedarikçiye bağlı kalmadan sağlanıyor.

Maliyeti düşüren iki kaldıraç daha bulunuyor ve ikisi de model değiştirmeyi gerektirmiyor. Bunlar, önbellekleme ve toplu işlem olarak karşımıza çıkıyor.

Önbellekleme, her seferinde aynı uzun metni modele yeniden göndermek yerine o metni bir süre saklıyor ve tekrar eden kısmı çok daha ucuza okutuyor. Toplu işlem ise acele olmayan işlerin sıraya alınıp indirimli tarifeyle çalıştırılmasını sağlıyor, bu indirim sağlayıcıların çoğunda %50 seviyesinde. Gecikme, yani kullanıcının yanıtı bekleme süresi, tam da burada karara giriyor, çünkü toplu işlem ucuz olduğu kadar yavaş çalışıyor. Yapay zeka mimarisinde asıl değer, işi doğru modele gönderen kuralda birikiyor.

Araştırma kuruluşu Gartner’ın öngörüsü de bu yönde ilerliyor. Kuruluşların 2027’ye kadar göreve özel küçük modelleri, genel amaçlı büyük modellerin üç katı hacimde çalıştırması bekleniyor. Bu tahmin gerçekleşirse kurumların elinde tek bir model yerine bir portföy bulunacak ve o portföyü yöneten kural iş sürekliliğinin parçası haline gelecek.

Türkiye’de Tablo Nerede Duruyor?

Türkiye İstatistik Kurumu yapay zeka kullanımına dair ilk resmi istatistiğini 2025 yılında yayımladı. Buna göre yapay zeka teknolojilerinden birini kullandığını belirten girişimlerin oranı:

2021’de %2,7
2022’de %3,5
2023’te %5,5
2024’te %4,4
2025’te %7,5

olarak ölçüldü. 2024’teki gerileme dizinin tek kırılması ve nedeni bültende açıklanmıyor. Genel eğilim yükseliş yönünde olsa da oran gelişmiş ekonomilerin belirgin biçimde gerisinde kalıyor.

Ölçek farkı tablonun en belirgin çizgisini oluşturuyor.

10 ile 49 çalışanı olan girişimlerde oran %6,6
50 ile 249 çalışanı olanlarda %9,6
250 ve üzeri çalışanı olan büyük işletmelerde ise %24,1

Sektör kırılımında:

Bilgi ve iletişim %47,1
Finans ve sigorta %21,1
İmalat sanayii ile toptan ve perakende ticaret %7
İnşaat %3,9
Lojistik faaliyetler %13,6

Bilgi ve iletişim %47,1 ile açık ara önde, finans ve sigorta %21,1 ile onu izliyor. Ekonomide en büyük ağırlığa sahip sektörlerden imalat sanayii ile toptan ve perakende ticarette oran %7 seviyesinde, inşaatta ise %3,9’a iniyor. Lojistik faaliyetler amacıyla yapay zeka kullanımı %13,6 ile alt sıralarda kalıyor.

Kullanım amaçları farklı doğruluk beklentileri taşıyor ve yönlendirme tartışmasının Türkiye’deki karşılığı burada beliriyor. Girişimler yapay zekayı en çok:

%46,5 ile pazarlama ve satış
%41,1 ile üretim ve hizmet süreçleri,
%40 ile işletme süreçleri ve yönetim organizasyonu
%33,7 Muhasebe, kontrol ve finans yönetimi

%46,5 ile pazarlama ve satış amacıyla kullanıyor, bunu %41,1 ile üretim ve hizmet süreçleri, %40 ile işletme süreçleri ve yönetim organizasyonu izliyor. Muhasebe, kontrol ve finans yönetiminde oran %33,7 seviyesinde. Bir pazarlama metninin ilk taslağı ile bir mali mutabakat kontrolü aynı hata payını kaldırmıyor. Aynı kurumda bu iki işin aynı modele ve aynı ayara gitmesi için hiçbir gerekçe bulunmuyor.

Engel Sıralaması İki Ayrı Kaynakta Aynı Çıkıyor

Aynı bültende yapay zeka kullanmayan ancak kullanmayı düşünen girişimlerin gerekçeleri de yer alıyor. Bu girişimlerin:

%74,2’si kurum içinde ilgili uzmanlığın bulunmadığını,
%67,4’ü maliyetlerin çok yüksek olduğunu,
%62,4’ü ise yapay zeka kullanımından doğacak zararda sorumluluğun kimde olacağına dair hukuki belirsizliği gösteriyor.

Sıralamanın ilk basamağını maliyet almıyor, uzmanlık eksikliği alıyor.

Bağımsız bir akademik çalışma aynı sonuca farklı bir yöntemle ulaşıyor. Semih Tığlıoğlu, Doç. Dr. Sabahattin Çetin ve Dr. Öğr. Üyesi Halil Karlı’nın 2026’da yayımlanan çalışması, lojistik hizmet sağlayıcı işletmelerde yapay zeka benimsemesinin önündeki engelleri 20 uzmanın değerlendirmesiyle ağırlıklandırıyor. Sonuçta insan kaynakları ve yetkinlik engelleri 0,174 ağırlıkla ilk sırada, teknoloji ve altyapı engelleri 0,173 ile hemen arkasında, ekonomik engeller ise 0,149 ile üçüncü sırada çıkıyor. İlk iki ağırlık arasındaki fark binde bir düzeyinde kaldığı için bunları eşit saymak daha doğru olur. Çalışma tek bir sektöre ait kesitsel bir değerlendirme sunuyor, ancak resmi istatistikle aynı yöne işaret etmesi bulguyu güçlendiriyor. Yetkinlik açığı, maliyet açığından önce geliyor.

Çalışmanın ekonomik engeller içindeki alt sıralaması ayrıca dikkat çekiyor. Uzmanlar bu grupta en ağır maddeyi 0,276 ile yüksek başlangıç maliyetleri olarak işaretliyor. Oysa bugünkü kullanım biçiminde başlangıç maliyeti neredeyse ortadan kalkmış durumda, çünkü modeller kuruluma gerek kalmadan kullanım başına ücretlendiriliyor. Maliyet tamamen işletme tarafına, yani her bir işin birim maliyetine kaymış bulunuyor. Zihindeki maliyet modeli ile faturadaki maliyet modeli arasındaki bu açık, bütçe planlamasını en çok zorlayan noktalardan biri.

Yetkinlik engeli somutlaştığında iki soru öne çıkıyor. Birincisi kimin hangi işte hangi aracı kullanmaya yetkili olduğu, ikincisi çıktının doğruluğundan kimin sorumlu tutulacağı. Aynı çalışmada insan kaynakları boyutunun alt kriterleri arasında teknik bilgi yetersizliği 0,269 ile ilk, eğitim eksikliği 0,249 ile ikinci sırada geliyor. Çıktıyı okuyup kabul edecek olan kişinin, o işi kendi başına yapabilecek kadar konuya vakıf olması gerekiyor.

Satınalma Ve Tedarik Zinciri Yönetiminde Yapay Zeka Eği̇ti̇mi̇ Haber Yapay Zeka Model Seçimi Bir Tedarikçi Seçimi Kararıdır

Karar Çerçevesi

Satınalma ve iş birimi yöneticilerinin eline geçmesi gereken şey, hangi işte hangi modelin kullanılacağını gösteren hazır bir tavsiye listesi değil. Böyle bir liste yazıldığı gün doğru, birkaç ay sonra yanlış olur. Gereken şey, o tavsiyeyi kurumun kendisinin üretmesini sağlayan bir kural seti. Kural üç ölçüt üzerine kuruluyor. Kalite ölçütü, işin kabul edilebilir sayılması için hangi doğruluk düzeyinin gerektiğini soruyor. Gecikme ölçütü, yanıtın ne kadar sürede gelmesi gerektiğini belirliyor. Maliyet ölçütü ise tek bir çalıştırmanın tutarını değil, o işin bir ayda kaç kez çalıştığının toplamını soruyor.

İlk adım, işleri kalite eşiğine göre ayırmak. Bir toplantı notunun özeti ile müşteriye gönderilecek bir teklifin metni aynı eşiği paylaşmıyor. Kurum içinde kalan, hata halinde geri alınabilen ve bir insanın gözünden zaten geçecek işler alt eşikte toplanıyor. Dışarı çıkan, para taahhüdü içeren ve düzeltilmesi maliyetli olan işler üst eşiğe giriyor. Bu ayrım yapılmadan hiçbir yönlendirme kuralı kurulamıyor.
İkinci adım, kabul kriterini işe başlamadan yazmak. Çıktının hangi durumda yeterli sayılacağı önceden tanımlanmadığında karşılaştırma izlenime dayanıyor, izlenim ise çoğunlukla pahalı olandan yana çıkıyor. Kriterin somut olması gerekiyor, örneğin bir fatura ayıklama işinde hangi alanların hatasız çıkacağı tek tek yazılmalı. Ölçülemeyen bir kalite farkı için ödenen prim, yatırım sayılmaz.
Üçüncü adım, yükseltme kuralını belirlemek. İş önce alt segmentten bir modelle çalıştırılıyor, kabul kriterini karşılamayan çıktılar üst segmente taşınıyor ve bu oran izleniyor. Yükseltme oranı sürekli yüksek çıkıyorsa iş baştan üst segmente alınıyor.
Dördüncü adım, ikinci kaynağı hazır tutmak, yani kritik iş akışlarının başka bir sağlayıcıda da çalışabilecek biçimde kurulması. Tek sağlayıcıya yazılmış bir iş akışı, o sağlayıcının fiyat değişikliğine karşı hiçbir pazarlık payı bırakmıyor.
Beşinci adım, harcamanın sahibini belirlemek. Kişisel kartlarla dağınık ilerleyen abonelikler tek bir bütçe kaleminde toplanmadıkça maliyet görünmüyor ve pazarlık mümkün olmuyor.
Altıncı adım, fiyat ve sürüm değişikliklerini takvime bağlamak. Tarifeler tanıtım dönemleriyle değişiyor, yeni sürümler eskilerin yerini alıyor ve her iki durum da birim maliyeti doğrudan etkiliyor. Üç ayda bir yapılacak kısa bir gözden geçirme, bu değişikliklerin faturaya sürpriz olarak yansımasını engelliyor.

Kapanış

Bu yazının başındaki sıralama bir yıl sonra tamamen değişmiş olacak. Bugün en pahalı görünen yapay zeka modeli belki listeden düşecek, bugün ucuz olan bir başkası belki fiyat artışıyla orta segmente çıkacak. Yöneticinin elinde kalıcı olan tek şey, hangi işin hangi doğruluk düzeyini gerektirdiğine dair kendi kararı. Maliyet sıralaması eskiyor, karar kuralı sabit kalıyor.