Yapay Zekânın Görünmeyen Faturası: Vendor Lock-in

Bir yapay zekâ projesinin demo aşamasındaki enerjisini bilirsiniz. Küçük bir ekip vardır, hızlı bir deneme yapılır, sonuç etkileyicidir. Aylık maliyet de çok düşük görünür. Üç yüz dolar, beş yüz dolar, belki biraz daha fazla.

Toplantıda herkesin yüzü güler. “Bu kadar ucuzsa hemen deneyelim” denir. Zaten ilk aşamada itiraz etmek de zordur; çünkü hem teknik sonuç iyidir hem de maliyet hâlâ bütçe kalemi gibi değil, kahve parası gibi duruyordur.

Altı ay sonra aynı proje üretime yaklaşınca tablo değişmeye başlar. Kullanıcı sayısı artar, context büyür, çağrı adedi katlanır, rate limit’e takılınır, veri lokasyonu konuşulur, loglama ve izleme ihtiyacı çıkar. Bir de üstüne modelin birkaç ay sonra emekliye ayrılacağı duyurulur.

Teknik ekip “sistem çalışıyor” der. Finans “bu sürdürülebilir değil” der. İş birimi “ama artık bu sürece alıştık” der.

Yapay zekânın görünmeyen faturası tam burada başlar.

Model sizin olabilir, karar her zaman sizin değildir

Bir API’ye bağlandığınızda çoğu zaman sadece bir teknik servis satın aldığınızı düşünürsünüz. Oysa yapay zekâ tarafında satın aldığınız şey biraz daha karmaşık: model davranışı, fiyatlandırma rejimi, veri işleme şartları, kapasite sınırları ve sağlayıcının ürün yol haritası.

Buradaki kritik fark şu: modeli siz kullanırsınız ama modelin ömrüne her zaman siz karar vermezsiniz.

OpenAI’ın deprecation sayfası ve Anthropic’in model emekliliği dokümanları bunu açıkça gösteriyor. Modeller değişir, bazıları kapatılır, bazıları yeni sürüme taşınır. Bu teknoloji dünyasında normaldir; ama üretimde çalışan bir iş süreci için normal olması, etkisiz olduğu anlamına gelmez.

Çünkü model değişince sadece endpoint değişmez. Prompt’lar yeniden test edilir, çıktı kalitesi yeniden ölçülür, güvenlik kontrolleri tekrar gözden geçirilir, entegrasyon davranışları izlenir. Bazı durumlarda kullanıcı alışkanlığı bile değişir.

Bu yüzden sağlayıcı bağımlılığı dediğimiz konu sadece “başka API’ye geçeriz” rahatlığıyla geçiştirilemez. Asıl bağımlılık, kurumun kararlarını ve süreçlerini dışarıdaki bir model takvimine göre şekillendirmeye başlamasıdır.

Fatura neden doğrusal büyümez

Yapay zekâ maliyetleri klasik yazılım lisansı gibi davranmıyor. Kullanıcı sayısı iki katına çıkınca maliyet de iki katına çıkar diye düşünmek çoğu zaman yanıltıcı oluyor.

Birincisi, kullanım şekli değiştikçe token tüketimi büyüyor. Demoda kısa metin özetleyen sistem, üretimde uzun müşteri geçmişleri, dokümanlar, ürün katalogları ve konuşma geçmişleriyle çalışmaya başlayınca her çağrının maliyeti farklılaşıyor.

İkincisi, kalite beklentisi arttıkça model seçimi değişiyor. Demoda daha ucuz model yeterliyken, üretimde daha güçlü model, daha uzun context veya daha düşük gecikme gerekebiliyor. OpenAI’ın fiyatlandırma sayfası ve AWS Bedrock fiyatlandırması bu farkların ne kadar değişken olabildiğini gösteriyor; veri yerelliği primleri de cabası.

Üçüncüsü, üretimde sadece model çağrısı ödemezsiniz. İzleme, loglama, güvenlik, veri saklama, değerlendirme setleri, red-team testleri, insan kontrolü ve olay müdahalesi de maliyetin parçası olur.

Bu noktada asıl hata şurada yapılıyor: pilot maliyeti, üretim maliyetinin küçük bir örneği sanılıyor. Oysa pilot çoğu zaman gerçek kullanımın sadece teknik kanıtıdır; maliyet modeli değildir.

Asıl bedel: çıkamamak

Bir sağlayıcıyla çalışmanın maliyeti sadece içeri girdiğiniz gün oluşmaz. Bence daha kritik olan soru şudur: çıkmak istediğinizde ne ödeyeceksiniz?

Prompt’lar sağlayıcıya özel yazıldıysa, değerlendirme setleriniz tek model davranışına göre ayarlandıysa, uygulama katmanı tek API sözleşmesine gömüldüyse ve kullanıcı deneyimi tek modelin cevap tarzına alıştıysa, teknik olarak çıkış mümkün görünse bile operasyonel olarak çok pahalı hâle gelir.

Bu maliyet bazen faturada görünmez. Bir release ertelenir, ekip üç sprint geçişle uğraşır, iş birimi geçici kalite düşüşünü kabul etmek zorunda kalır, hukuk ve güvenlik yeniden değerlendirme ister. Sonuçta sağlayıcı değiştirmek teknik bir refactor değil, kurum içi küçük bir dönüşüm projesi hâline gelir.

Bu yüzden yapay zekâda en ucuz giriş, bazen en pahalı bağımlılığın başlangıcı olabilir.

En büyük görünmeyen kalem: hiç değer üretmeyen proje

Buraya kadar hep çalışan sistemlerin maliyetini konuştum. Oysa görünmeyen faturanın en büyük kalemi, hiç değer üretmeden rafa kalkan projeler.

MIT NANDA’ya atfedilen 2025 tarihli The GenAI Divide çalışması, kurumsal üretken yapay zekâ pilotlarının büyük kısmının pilot aşamasında kaldığını ya da ölçülebilir bir kâr-zarar etkisine dönüşemediğini buldu. Şerhi düşeyim: çalışma altı aylık kısa bir pencereyi ölçüyor ve yazarları rakamları kesin değil, yön gösterici olarak sunuyor. Bu bulguyu “yapay zekâ çalışmıyor” diye değil; kötü verinin, belirsiz süreç sahipliğinin ve zayıf değer ölçümünün projeleri üretime taşıyamadığına dair bir uyarı olarak okumak gerekiyor.

Ama yön, başka kaynaklarla yan yana konunca netleşiyor. Gartner, kurumların 2026 boyunca “yapay zekâya hazır veri” ile desteklenmeyen yapay zekâ projelerinin yüzde 60’ını terk edeceğini öngörüyor. Aynı araştırmada kurumların yüzde 63’ü, doğru veri yönetimi pratiklerine sahip olmadığını ya da bundan emin olmadığını söylüyor. Gartner’ın Ocak 2026 analizi ise geriye dönüp saymış: üretken yapay zekâ projelerinin en az yarısı kavram kanıtı aşamasından sonra terk edilmiş. Başlıca nedenler tanıdık: veri kalitesi, yetersiz risk kontrolleri, artan maliyet, belirsiz iş değeri.

Bu istatistiklerin ortak paydası, yazılımın en eski ilkelerinden biri: çöp giren yerden çöp çıkar. Model ne kadar güçlü olursa olsun, aynı dokümanın on farklı sürümünü barındıran depolarla, sahipsiz veri kaynaklarıyla ve sınıflandırılmamış arşivlerle beslenirse çıktı güvenilmez olur. Güvenilmez çıktıya kimse iş bağlamaz; proje de sessizce rafa kalkar.

Tedarik kararına tercümesi şu: sağlayıcı faturası, toplam maliyetin yalnızca görünen kısmı. Veriyi yapay zekâya hazır hâle getirmenin maliyetini (temizlik, sınıflandırma, meta veri, yönetişim) hesaba katmayan iş planı, o yüzde 60’lık terk öngörüsüne aday yazılmış demektir.

Regülasyonun da fiyatı var

Yapay zekâ tedarik kararlarında regülasyon tarafı da maliyete doğrudan dokunuyor. NIST’in üretken yapay zekâ profili, risk yönetimini model yaşam döngüsüne yayarak düşünmeyi öneriyor. AI Omnibus (daha geniş Digital Omnibus sadeleştirme paketinin parçası) bazı yüksek riskli yükümlülüklerin takvimini ertelemiş olsa da yönetişim ihtiyacını ortadan kaldırmadı.

KVKK rehberleri de Türkiye açısından aynı yere işaret ediyor: hangi verinin hangi amaçla işlendiği, nerede tutulduğu, kiminle paylaşıldığı ve çalışanların neye izinli olduğu net olmalı.

Bunların hepsi tedarik kararının parçası. Veri yerelliği, sözleşme koşulları, denetim hakkı, silme garantisi, log erişimi, model değişikliği bildirimi ve çıkış desteği sadece hukuk maddesi değil; üretim mimarisini etkileyen kararlar.

Yani “hangi model daha iyi cevap veriyor?” sorusu önemli ama tek başına yeterli değil. “Bu modeli kullanırken hangi maliyeti ve hangi bağımlılığı kabul ediyoruz?” sorusunu da aynı anda sormak gerekiyor.

Peki ne yapmak lazım?

Ben burada sihirli bir reçete olduğuna inanmıyorum. Her kurumun riski, hacmi, regülasyon yükü ve teknik olgunluğu farklı. Ama bazı temel prensipler neredeyse her yerde işe yarar.

Önce model kullanımını uygulama kodundan mümkün olduğunca soyutlamak gerekiyor. Model router, provider abstraction, ortak değerlendirme katmanı gibi yaklaşımlar ilk gün biraz fazla mimari gibi görünebilir; ama çıkış günü hayat kurtarır.

İkinci olarak model emekliliği ve versiyon takibi operasyonel bir süreç olmalı. Bir modelin ne zaman kapanacağı, hangi iş süreçlerini etkilediği ve hangi testlerden geçerek yeni modele taşınacağı önceden bilinmeli.

Üçüncü olarak maliyet hesabı pilot üzerinden değil, üretim senaryosu üzerinden yapılmalı. Kaç kullanıcı olacak, ortalama prompt uzunluğu ne, en yoğun kullanımda ne olur, retry oranı ne, loglama ve izleme ne kadar tutar, regülasyon nedeniyle hangi ek kontroller gerekir? Bunlar cevaplanmadan “aylık maliyet düşük” demek fazla iyimser kalır; Gartner’ın yüzde 60’lık terk öngörüsüne aday olan projeler de çoğu zaman tam bu iyimserlikle başlıyor.

Dördüncü olarak sözleşmeye teknik gerçekliği yansıtan maddeler girmeli: taşınabilirlik, değişiklik bildirimi, veri silme, fiyat artışı sınırları, denetim hakkı, fesih sonrası destek ve mümkünse geçiş süreci.

Son bir hatırlatma: tedarik meselesi tek bir sağlayıcı seçiminden ibaret değil. Cyberhaven’ın 2026 raporuna göre medyan kurumda 54, öncü kurumlarda 300’den fazla üretken yapay zekâ aracı kullanılıyor. Her onaylanmamış araç, ayrı bir sözleşme rejimi ve ayrı bir bağımlılık riski demek. Merkezi bir karar yetmiyor; envanter yönetimi de işin parçası.

Toparlarken

Yapay zekâ tedarikinde ilk fiyat her zaman gerçek fiyat değildir. Gerçek fiyat; kullanım büyüdüğünde, model değiştiğinde, regülasyon devreye girdiğinde ve çıkmak istediğinizde ortaya çıkar. Kavram kanıtı aşamasından sonra terk edilen projelerin en az yarıyı bulması bu yüzden sürpriz değil.

Bu yüzden satın alma kararı sadece “hangi model daha iyi?” diye verilmemeli. Daha doğru soru şu: bu modelle çalışırken kontrolü ne kadar elimizde tutuyoruz?

Serinin ilk yazısında etik konusunu kontrol mimarisi olarak ele aldım. Burada aynı meselenin tedarik tarafını görüyoruz. Eğer sağlayıcıdan çıkamıyorsanız, modelin davranışını izleyemiyorsanız, maliyeti üretim senaryosunda ölçemiyorsanız ve sözleşme sizi korumuyorsa, teknik olarak başarılı görünen proje kurumsal olarak kırılgan olabilir.

Bir sonraki yazıda bu kırılganlığın en gündelik yerine ineceğim: çalışanların kopyala-yapıştır davranışıyla kurum verisi nasıl görünmez biçimde dışarı akıyor?