Yapay zekânın gerçek maliyeti

Chris Skinner

Yönetim kurullarında yapay zekâ konusunda oldukça rahatsız edici bir tartışma başlıyor. Son birkaç yıldır, yapay zekânın neler yapabileceği, şirketlerin bunu ne kadar hızlı devreye alabileceği ve kaç kişinin yerini alabileceği soruluyordu; ancak artık CFO’ların masasına gelen soru çok daha basit: Bu teknoloji bize ne kadara mal oluyor?

Cevap, giderek rahatsız edici bir hal alıyor.

En çarpıcı örneklerden biri, şirketlere yapay zekâ dönüşümü konusunda danışmanlık yaparak önemli gelirler elde eden McKinsey’den geliyor.

Sektörler genelinde yapay zekâ kullanımına ilişkin en son anket sonuçlarını yayınlayan şirket, oldukça fazla istisna tespit etti:

- Kuruluşların %20’si, tokenlar dahil olmak üzere yapay zekâ işletim maliyetlerinin halihazırda yapay zekâ kullanımını kısıtladığını belirtiyor.

- %28’i tüm teknoloji bütçesinin %10’undan fazlasını yapay zekâya harcıyor, ancak %60’ı yine de önümüzdeki yıl yapay zekâ yatırımlarının artmasını bekliyor.

- Kuruluşların neredeyse onda dokuzu yapay zekâ kullanıyor ve %44’ü bunu artık kurum genelinde yaygınlaştırıyor, ancak yalnızca %37’si FVÖK’e (Faiz ve Vergi Öncesi Kâr) olumlu katkı sağladığını bildiriyor.

- En önemlisi, geçen yıl %32’si işgücü azaltımı beklemesine rağmen, yalnızca %14’ü yapay zekâ nedeniyle işgücünü gerçekten azalttı.

- Okumaya kesinlikle değer.

Özellikle ilginç bulduğum nokta, McKinsey’in kendi CFO’su Eric Kutcher’in, şirketin yapay zeka harcamalarının artma hızının bu şekilde devam edemeyeceği konusunda uyarıda bulunması ve şirketin aynı hızda bir yıl daha büyümeyi “asla” karşılayamayacağını söylemesidir.

Bu, McKinsey çalışanlarının müşterilere raporlama konusunda yardımcı olmak için yapay zekâyı kullanmasıdır.

McKinsey’in görevlerinin %30’una kadarını yapay zekâ kullandığı bildiriliyor; bu da sorunun başarısız bir benimseme değil, başarılı bir benimseme olduğu anlamına geliyor.

Sonuç olarak, yapay zekayı kullanan kişi sayısı arttıkça, fatura da o kadar büyüyor.

Bu durum, yapay zekâ ile önceki nesil kurumsal yazılımlar arasındaki temel farklardan birini ortaya koyuyor.

Geleneksel yazılımlar büyük ölçüde öngörülebilirdi. 10.000 Microsoft lisansı satın alındığında, CFO yıllık faturanın kabaca ne kadar olacağını bilirdi; oysa yapay zekâ, tüketime göre ödeme yapıldığı için giderek elektrik, bulut bilişim veya mobil veri gibi işliyor.

Her komut jeton tüketir, her cevap jeton tüketir ve en önemlisi, arka planda özerk olarak çalışan her yapay zeka ajanı, süreci başlatan çalışanın neler olup bittiğini fark etmeden binlerce veya milyonlarca jeton tüketebilir.

Ajan tabanlı yapay zekâ, ekonomiyi daha da zorlaştırır; çünkü bir insandan gelen tek bir talimat, düzinelerce makineden makineye eylem, sorgu ve kararı tetikleyebilir.

Haberde alıntılanan Goldman Sachs tahminleri, jeton tüketiminin 2026 ile 2030 arasında 24 kat artabileceğini gösteriyor; bu da, tek tek jetonların fiyatı düşmeye devam etse bile şirketlerin yapay zekâ tüketiminde olağanüstü bir artışa doğru ilerlediği anlamına geliyor.

Bu durum büyük bir yapay zeka paradoksuna yol açıyor: Yapay zeka hem ucuzluyor hem de aynı anda pahalılaşıyor.

Zekanın birim maliyeti çöküyor, ancak şirketlerin tükettiği zeka miktarı patlama yaşıyor.

Uber’in deneyimi bu sorunu gözler önüne seriyor.

Uber, mühendisleri arasında olağanüstü bir benimseme oranına ulaşmasına rağmen, 2026 yılı yapay zekâ kodlama bütçesinin tamamını dört ayda tüketti. Mart ayına gelindiğinde mühendislerin %84’ü Claude Code kullanıyordu ve yazılan kodun yaklaşık %70’i yapay zekadan kaynaklanıyordu; ancak Uber yöneticileri, token tüketiminin doğrudan müşterilere sunulan kullanışlı özelliklere dönüşmediğini fark etti.

Microsoft da yapay zeka kodlama maliyetleri konusunda benzer endişelerle karşı karşıya kalırken, Nvidia’nın uygulamalı derin öğrenme başkan yardımcısı, ekibinin hesaplama maliyetlerinin artık bu hesaplamayı kullanan çalışanların maliyetini aştığını belirtti.

Yapay zekâ, insanlardan daha pahalı!

Bu durum, yapay zekâ ile istihdam konusundaki orijinal argümanı tamamen tersine çeviriyor.

Ayrıca daha derin bir sorun da var, çünkü yapay zekâ faturası, toplam maliyetin sadece bir parçasını oluşturuyor. Gerçek kurumsal maliyet, verilerin hazırlanması ve temizlenmesi, veri mimarilerinin yeniden oluşturulması, bulut altyapısı, GPU’lar, uzman mühendisler, güvenlik, uyumluluk, model izleme, mevcut sistemlerle entegrasyon ve sürekli bakım gibi unsurları içeriyor.

Riseup Labs’ın tahminlerine göre, yalnızca veri hazırlığı genellikle bir yapay zeka projesinin bütçesinin %30 ila %50’sini tüketirken, sürekli bakım her yıl orijinal uygulama maliyetinin %15 ila %30’unu daha tüketebilir. Üretim altyapısı, kuruluşun bu altyapıyı işletmek için gereken personeli hesaba katmaya başlamadan önce bile aylık on binlerce dolara kolayca ulaşabilir.

Bir de entegrasyon meselesi var.

Tarayıcıda çalışan bir yapay zekâ ucuzdur. Ancak JPMorgan, HSBC ve Deutsche Bank’ın operasyonel sinir sistemine gömülü bir yapay zekâ ucuz değildir. Bu sistemin müşterileri, ürünleri, izinleri, düzenlemeleri, iş akışlarını, verileri, eski sistemleri ve on yıllardır biriken kurumsal karmaşıklığı anlaması gerekir; bu da kurumsal yapay zekânın pahalı kısmının genellikle yapay zeka değil, kurumu yapay zeka için anlaşılır hale getirmek olduğu anlamına gelir.

Bankalar, teknoloji altyapılarında on yıllara dayanan eski altyapıların yanı sıra muazzam düzenleme, güvenlik ve veri yükümlülükleri bulunduğundan, bunu neredeyse diğer tüm sektörlerden daha yoğun bir şekilde yaşayacaklardır. Bu mimarinin üzerine akıllı bir sohbet robotu yerleştirmek kolaydır. Akıllı ajanların banka içinde güvenli bir şekilde çalışabilmesi için bankayı yeniden inşa etmek ise tamamen farklı bir konudur.

Günümüz fiyatlarının altında gizli olan bir başka rahatsız edici faktör daha vardır; çünkü yapay zekâ sektörü hâlâ bu teknolojinin benimsenmesini desteklemektedir.

En büyük yapay zeka sağlayıcıları, altyapıya olağanüstü miktarlarda harcama yaparken aynı zamanda müşteriler için agresif bir rekabet içindedir; bu da bugünkü kurumsal yapay zeka fiyatının, hizmeti sunmanın uzun vadeli ekonomik maliyetini tam olarak yansıtmadığı anlamına gelir.

Forbes, yapay zekâ fiyatlandırmasının normalleşmesinin kurumsal faturaları önemli ölçüde artırabileceğini savunuyor; özellikle de sağlayıcılar, yoğun kullanıcıları sabit ücretli aboneliklerden tüketime dayalı ücretlendirmeye yönlendirdikçe.

Diğer bir deyişle, yapay zekâ nispeten sübvanse edilmiş durumda iken şirketler yapay zekâ faturası konusunda endişeleniyor.

Bu durum, CFO’ların dikkatini bu konuya yoğunlaştırmalıdır.

Ancak bu, daha önemli bir soruyu gündeme getiriyor… Buna değer mi?

Evet.

Hata, yapay zekânın iş modelinin sadece insanları ikame etmekten ibaret olduğuna inanmaktır.

Bir banka, maliyeti 10 milyon sterlin olan 100 kişiyi istihdam ediyor ve bunları maliyeti 12 milyon sterlin olan yapay zekâ ile değiştiriyorsa, geleneksel maliyet azaltma hesap tablosuna göre bakıldığında yapay zekâ başarısız olmuş demektir. Oysa bu hesaplama, söz konusu AI sistemlerinin on kat daha fazla iş yapması, günde yirmi dört saat çalışması, müşterilere anında yanıt vermesi, her işlemi eşzamanlı olarak analiz etmesi, dolandırıcılığı sürekli olarak tespit etmesi, yazılımı daha hızlı yazması, milyonlarca etkileşimi kişiselleştirmesi ve geriye kalan insanların insan yargısının önemli olduğu kararlara odaklanmasına olanak sağlaması durumunda ne olacağını göz ardı ediyor.

Payda değişti.

Yapay zekânın ekonomik boyutunu sadece yapay zekâ maliyeti ile insan maliyeti karşılaştırması olarak ölçmemeliyiz. Yapay zekânın girdisini ekonomik çıktı ile karşılaştırmalıyız.

İşte bu noktada birçok kuruluş, yapay zekâyı temel alarak organizasyonlarını yeniden tasarlamak yerine mevcut organizasyonlara yapay zekâyı ekledikleri için yanlış bir yaklaşıma kapılıyor. Her çalışana pahalı bir öncü model vermek ve onları mümkün olduğunca çok token kullanmaya teşvik etmek dönüşüm değildir. Bu, kâr-zarar tablosuna bir başka teknoloji gideri eklemektir.

Cevap, mimaridir.

Şirketler, basit işleri küçük ve ucuz modellere, karmaşık akıl yürütmeyi güçlü modellere, deterministik süreçleri geleneksel yazılımlara ve insan muhakemesini ise insanlara yönlendireceklerdir.

Bir e-postayı özetlemek için Einstein’ı kullanmanın bir anlamı yoktur.

Yapay zeka ekonomisi, her işe dünyanın en güçlü modelini uygulamak yerine, her görevi tamamlayabilecek en ucuz zekayı seçmeye giderek daha fazla bağlı hale gelecektir.

Bu, bilgi teknolojisinin defalarca izlediği yolun aynısıdır.

Erken dönemdeki bulut faturalarının öngörülemez olması nedeniyle bulut bilişimden vazgeçmedik. FinOps’u, izleme sistemlerini, iş yükü optimizasyonunu ve gelişmiş altyapı yönetimini geliştirdik. Yapay zekâ da aynı süreci geçirecek; ancak bu sefer, şirketlerin makine zekâsının maliyetini, o zekânın ürettiği ekonomik değerle karşılaştırdığı “Zekâ Ekonomisi”ne daha yakın bir yaklaşım geliştireceğiz.

CFO’nun en çok odaklandığı nokta budur.

Bir CFO, yönetim kurulu materyallerini hazırlayan, belgeleri okuyan, toplantıları özetleyen, alınacak önlemleri hatırlayan, günlük brifingleri hazırlayan ve kararların takibini yapan bir genel sekreter ister. Başka bir üst düzey çalışanı işe almak maaş, yan haklar, işe alım ve yönetim maliyetleri doğururken, ilgili kurumsal bilgilere bağlı bir yapay zekâ sistemi bu işlevin büyük bir kısmını kesintisiz olarak yerine getirebilir.

Bu kavram bir kuruluşun geneline yayıldığında, ekonomik boyut çok daha ilginç hale gelir.

Geleceğin bankasında, insanlarla birlikte çalışan yapay zeka kredi analistleri, yapay zeka uyum asistanları, yapay zeka dolandırıcılık araştırmacıları, yapay zeka yazılım mühendisleri, yapay zeka müşteri hizmetleri temsilcileri, yapay zeka hazine asistanları ve yapay zeka ilişki yönetimi yardımcıları yer alacaktır. Sonunda bu ajanlar diğer ajanlarla iletişim kurmaya ve işlem yapmaya başlayacak ve üretkenlik kapasitesi artık insan sayısıyla sınırlı olmayan bir organizasyon ortaya çıkacaktır.

İşte üretkenlik devrimi burada yatmaktadır.

Günümüzdeki sorun, birçok şirketin yapay zekayı yirminci yüzyıl yönetim muhasebesi yöntemleriyle ölçmesidir.

Yapay zekânın kaç işi ortadan kaldırdığını soruyorlar, oysa ne kadar ek ekonomik faaliyet, gelir ve sonuç yarattığını sormalılar.

Ayrıca önemli bir tarihsel paralellik de var.

İnternet, tarihin en büyük yatırım balonlarından birine yol açtı; çünkü şirketler internetin dünyayı dönüştüreceğini doğru bir şekilde anlamışlardı, ancak ekonominin ne kadar hızlı işleyeceğini büyük ölçüde yanlış değerlendirmişlerdi. Dot-com çöküşü, internetin yanlış olduğunu kanıtlamadı. Fiyat, zamanlama ve iş modellerinin önemli olduğunu kanıtladı.

Yapay zekâ da aynı hesaplaşma noktasına doğru ilerliyor.

Milyarlarca dolarlık israf, terk edilmiş projeler, muhteşem kurumsal hatalar olacak ve şirketler, parlak yapay zeka stratejilerinin aslında devasa bir aylık sembolik fatura ve biraz daha iyi PowerPoint sunumlarından ibaret olduğunu fark edecekler. Aynı zamanda, operasyonlarını makine zekası etrafında yeniden tasarlayan ve rakiplerinin ulaşamayacağı verimlilik seviyelerine ulaşan şirketler de olacak.

İşte ayrım çizgisi budur.

Yapay zekâ alanında kazananlar, bu alana en fazla harcama yapan şirketler olmayacak. Kazananlar, satın aldıkları her bir zeka biriminden en yüksek ekonomik değeri elde eden şirketler olacak.

Bankalar için bu özellikle önemlidir, çünkü yapay zekâ sadece bankacılığın maliyetini düşürmekle kalmayacaktır. Bankanın kendisinin üretim kapasitesini de değiştirecektir.

Bugün 100.000 kişiyi istihdam eden bir banka, yarının ekonomik çıktısını elde etmek için 100.000 kişiye ihtiyaç duymayacaktır; ancak bu, hedefin 50.000 çalışanı 50.000 dijital çalışanla değiştirmek olduğu anlamına gelmez. Hedef, insan zekası ile makine zekasının kökten farklı bir kombinasyonuyla birkaç kat daha fazlasını başarabilecek bir kurum yaratmaktır.

İşte bu yüzden CFO’nun yapay zekâ maliyetleri konusunda endişelenmesi ve CEO’nun yatırım yapmaya devam etmesi haklıdır.

Yapay zekâ 1.0, teknolojinin benimsenmesiyle ilgiliydi. Yapay zekâ 2.0 ise ekonomiyle ilgilidir.

Kazananlar, en önemli sorunun hiçbir zaman “yapay zeka ne kadara mal olur?” değil, “zekanın değeri nedir?” olduğunu fark edeceklerdir.