Endüstriyel otomasyon ve kurumsal bilişim altyapısında değer, fiziksel donanımdan operasyonu yöneten kontrol düzlemine ve platform katmanına kayıyor. Donanım ölmedi; ancak tek başına bir varış noktası olmaktan çıkıp yazılım, telemetri, veri ve yapay zekâ servislerini müşterinin tesisine sokan stratejik bir Truva Atı’na dönüştü. Siemens’in fabrikayı Xcelerator ile bir yaşam döngüsü işletim sistemine çevirmesinden, HPE’nin VMware krizini Morpheus VM Essentials ve GreenLake ile veri merkezinde pazar fırsatına dönüştürmesine kadar; kazananlar donanım veya saf yazılım değil, müşteriyi kendi ekosistemine bağlayan platformlar inşa ediyor.

Tez: Donanımdan Platforma Değer Göçü

1990’larda rekabet “en iyi donanımı kim üretiyor?” sorusuydu. 2000’lerde sektör “yazılım dünyayı yiyip bitirecek” manifestosuyla yazılıma koştu. Ama bu koşu tek başına yeterli olmadı. Yazılımı donanımdan bağımsız, kendi başına bir ürün olarak satmaya çalışanlar tökezledi. Kazananlar ise sessizce farklı bir mimari kuruyordu: donanımı, yazılımı, veriyi, yapay zekâyı, servisleri ve ekosistemi tek çatıda birleştiren platformlar.

Bugün soru tamamen değişti: müşterinin bütün operasyonunu kim yönetiyor? Siemens, HPE, Schneider Electric, ABB, Cisco, Dell Technologies, Emerson ve Rockwell Automation artık donanım satmıyor. Yazılım da satmıyor. Platform satıyorlar. Ve bu yapıyı bir kez kuran şirket, müşterinin çalışma biçimini doğrudan belirliyor.

Bu makale; bu dönüşümün neden kaçınılmaz olduğunu, “yazılıma geçiş” söyleminin neden yetersiz kaldığını, platformu kuranlarla yazılımda takılıp kalanlar arasındaki farkı ve finansal kanıtları analiz ediyor.

Donanım Ölmedi, Rolü Değişti

Şunu en başta netleştirelim: donanım öldü diye bir tablo yok. NVIDIA, ASML ve TSMC bugün dünyanın en değerli teknoloji şirketleri arasında. Yarı iletken kıtlığı bütün küresel tedarik zincirini kilitleyebiliyor. Yapay zekâ devriminin tam kalbinde GPU kümeleri duruyor.

Değişen şey donanımın kendisi değil, iş modelindeki konumu. Eskiden donanım son üründü. Satıyordun, müşteri alıyordu, işlem tamamlanıyordu. Sözleşme süresi dolduğunda veya cihaz eskidiğinde müşteri rahatlıkla rakip bir donanımı yerine koyabiliyordu: tek seferlik gelir, döngüsel nakit akışı ve sürekli aşınan marjlar.

Bugün donanım son ürün değil, platformun fiziksel taşıyıcısıdır. Sensör, sunucu, PLC veya switch; bunların hepsi asıl değeri taşıyan yazılım ve hizmet katmanını müşterinin tesisine sokmak için kullanılan birer giriş kapısıdır.

Bir kez içeri girdiğinde, artık o cihazın üzerine kurulu platform müşterinin günlük operasyonlarını yönetir hale gelir. Tasarım, üretim planlaması, felaket kurtarma, öngörücü bakım, otonom karar alma; bunların hepsi platform katmanında yürütülür. Müşteri bu donanımı söküp atmak istediğinde, aslında kendi operasyonel omurgasını sökmek zorunda kalır.

“Yazılımcı Olalım” Dalgası ve General Electric Dersi

Bu dönüşüm düz bir çizgide gerçekleşmedi. Sektörün büyük çoğunluğu önce “yazılıma geçiyoruz” dedi. Marc Andreessen’in 2011’deki ünlü manifestosu bu dalganın meşrulaştırıcı metni oldu. Donanım şirketleri art arda yazılım firmaları satın almaya, kendilerini “dijital endüstriyel şirket” olarak yeniden konumlandırmaya başladı.

Ve bu dalganın en çarpıcı başarısızlık örneği GE Predix oldu. General Electric 2015’te büyük bir iddia ortaya koydu: dünyanın en büyük dijital endüstriyel şirketi olacaktı. Milyarlarca dolar yatırım yaptı ve Predix adını verdiği endüstriyel IoT platformunu kurdu. Ama kritik bir hata yaptı: yazılımı donanımdan bağımsız, kendi başına satılabilecek genel bir ürün olarak konumlandırdı. Predix, GE’nin kendi türbin ve lokomotif ekipmanlarıyla sıkı sıkıya entegre olmak yerine, herkesin kullanabileceği genel amaçlı bir bulut platformu olmaya çalıştı.

Sonuç: sahada operasyonel karşılığı olmayan, müşterinin iş akışıyla bütünleşmeyen bir yazılım kütüphanesi. GE Digital 2018 sonunda yeniden yapılandırılarak küçültüldü ve milyarlarca dolarlık değer düşüklüğü (write-down) kaydedildi.

GE’nin hatası yazılıma yatırım yapmak değildi. Hatası, yazılımı tek başına son ürün zannetmekti. Aynı dönemde Siemens’in izlediği yol ise tam tersi bir stratejik olgunluk sergiledi. Siemens 2007’den itibaren UGS, Mentor Graphics, Mendix ve Altair’i satın aldı; ama bunları birbirinden bağımsız yazılım ürünleri olarak satmadı. Her satın alma, Xcelerator denen bütünün bir tuğlasıydı. Tasarım, simülasyon, düşük kodlu geliştirme ve hesaplamalı zekâ; bunların hepsini donanımın üzerine oturan ve müşterinin operasyonuna gömülen tek bir platform mimarisinde birleştirdi.

Sektörün söylemi iki aşamalıydı: önce yazılıma geç, sonra platformu keşfet. Oysa kazananların pratiği başından beri platform yönündeydi. Kaybedenleri ayıran temel faktör de buydu: yazılımı varış noktası sandılar, oysa yazılım yolun sadece yarısıydı.

Truva Atı Stratejisi: Donanım Kapıyı Nasıl Açıyor?

B2B pazarındaki yazılım doygunluğu bu stratejiyi zorunlu kılıyor. Yapay zekâ ve büyük dil modellerinin yükselişiyle standart SaaS ürünleri haftalar içinde kopyalanabilir hale geldi. Eğer bir yazılım ürünü hızla yeniden inşa edilebiliyorsa, o ürünün pazarda kalıcı bir savunma hattı kurması son derece zordur.

Donanım ise tamamen farklı bir dinamikle çalışır. Geliştirmek maliyetlidir, üretim süreçleri karmaşıktır ve sahada kusursuz çalışması şarttır. Ancak bir kez müşterinin veri merkezine, fabrika zeminine veya enerji şebekesine girmeyi başardığında, rakip yazılımların kolay kolay nüfuz edemeyeceği korunaklı bir alan açar.

Dışarıdan bakıldığında sıradan bir endüstriyel sensör, ağ yönlendiricisi veya sunucu görünür. İçeride ise telemetri yetenekleri, gömülü yazılımlar ve platform bağlantıları yer alır. Cihaz müşterinin sistemine entegre olduktan sonra bu yetenekler devreye girer.

Bu strateji özellikle muhafazakâr pazarlarda çalışır. Savunma, sağlık, enerji ve ağır sanayi gibi sektörler; bürokrasi ve kökleşmiş risk refleksleri nedeniyle saf yazılım satışına direnç gösterir. Ancak fiziksel bir problemi somut olarak çözen tanıdık bir donanımı satın almaya çok daha açıktırlar. Donanım bir kez sahaya girdikten sonra, gömülü platform doğal olarak operasyonun içine yerleşir. Fiziksel varlık yalnızca bir dağıtım kanalı değildir; aynı zamanda telemetri verilerinin, güvenlik sertifikasyonlarının ve kestirimci bakım gibi katma değerli hizmetlerin operasyonel tekelini üreticiye verir.

Siemens: Fabrikayı İşletim Sistemine Dönüştürmek

Siemens’in bu dönüşümü tesadüf değildir ve yeni de başlamamıştır. PLC ve SCADA üreticisi olarak bilinen şirket, fiziksel bileşenlerin metalaşacağını yirmi yıl önceden öngörerek agresif bir satın alma ve entegrasyon stratejisi yürüttü: 2007’de UGS satın almasıyla PLM, CAD ve CAM alanına girdi; 2017’de Mentor Graphics ile elektronik tasarım ve entegre simülasyonu, 2018’de Mendix ile düşük kodlu (low-code) platform katmanını portföyüne kattı ve 2024’te duyurulan 10.6 milyar dolarlık Altair Engineering satın alma anlaşmasıyla bu dönüşümü zirveye taşıdı.

Altair Hamlesi ve Xcelerator Portföyü

Altair hamlesi stratejiyi en üst seviyeye taşıdı. Altair’in hesaplamalı zekâ, yüksek performanslı bilgi işlem (HPC) ve simülasyon yetenekleri Siemens Xcelerator platformuna entegre edildiğinde, ortaya çıkan yapı geleneksel bir endüstriyel yazılımın çok ötesine geçti.

Müşteriler artık bir ürünün sadece mekanik tasarımını yapmakla kalmıyor; yapay zekâ algoritmalarıyla malzeme yorulmalarını, termal dinamikleri ve elektromanyetik etkileşimleri sanal ortamda eksiksiz test edebiliyor. Siemens’in kurduğu denklem şudur: fabrikadaki PLC fiziksel donanım olarak çalışır. Üstüne, ürünün tasarım aşamasından simülasyonuna, üretim hattındaki optimizasyondan satış sonrası bakımına kadar uzanan bir yaşam döngüsü platformu inşa edilir. Makineyi satın alan fabrika, o makinenin beyni ve sinir sistemi haline gelen Xcelerator platformundan bir daha ayrılamaz.

Siemens’in Büyüme ve Kârlılık Göstergeleri

Siemens 2025 mali yılını 78.9 milyar Euro gelir ve 10.4 milyar Euro net kâr ile tamamladı. Q2 2026 finansallarında siparişler yüzde 18 artarak 24.1 milyar Euro’ya çıktı. Toplam sipariş birikimi 124 milyar Euro ile tarihi rekor seviyeye ulaştı.

Dijital Endüstriler yazılım birimi ilgili çeyrekte yıllık bazda yüzde 14 büyüyerek 1.6 milyar Euro gelir elde etti. Müşterilerin abonelik ve buluta geçişini temsil eden organik yıllık tekrar eden gelir (ARR) yüzde 11 artışla 5.5 milyar Euro’ya yükseldi.

Donanım ticareti gümrük tarifelerine, demiryolu altyapı gecikmelerine ve döviz kuru dalgalanmalarına son derece açıktır. Buna rağmen Siemens endüstriyel işletme kâr marjını yüzde 15.4 seviyesinde tutmayı başardı. Sebebi açıktır: yazılım ve platform katmanının kâr marjı, donanımın marj erozyonunu telafi edecek kadar güçlüdür.

HPE: Veri Merkezinin İşletim Sistemini Yazmak

Siemens fabrikayı nasıl platformlaştırıyorsa, Hewlett Packard Enterprise (HPE) de veri merkezini aynı yaklaşımla bütünleştiriyor. Sunucu, depolama ve ağ donanımları satan HPE, saf donanım marjlarının genel bulut sağlayıcıları tarafından nasıl eritildiğini erkenden fark eden üreticilerden biridir.

HPE’nin stratejik kararı net bir kabule dayanır: bulut bir yer değil, bir işletme modelidir. Donanımı müşterinin veri merkezine yerleştir, ancak yönetim ve orkestrasyonunu GreenLake platformu üzerinden hizmet olarak sun. Şirket bu mimariyi kurmak için Zerto ile felaket kurtarma, OpsRamp ile AIOps, Morpheus Data ile hibrit bulut orkestrasyonu ve Juniper Networks ile ağ katmanını bünyesine kattı.

VMware Lisans Krizi ve Morpheus VM Essentials Fırsatı

HPE’nin platform stratejisinin en somut sınavı 2026’da yaşandı. Broadcom’un VMware’i satın almasının ardından lisanslama modelini çekirdek bazlı aboneliklere çevirmesi ve fiyatları katlaması, kurumsal IT dünyasında ciddi bir maliyet şoku yarattı. Müşteriler eski lisans ile yeni altyapıyı aynı anda finanse etmek zorunda kaldıkları çifte maliyet problemiyle karşılaştı.

HPE bu krizi doğrudan bir pazar penetrasyonu fırsatına çevirdi:

• Agresif Fiyatlandırma ve HVM Mimarisi: Morpheus VM Essentials ile KVM tabanlı kurumsal HPE HVM hipervizör katmanı sundu; VMware ESXi kümeleriyle tek konsoldan çalışabilme yeteneği sağladı. Soket başına yaklaşık 600 dolarlık maliyetle VMware’e kıyasla yüzde 90’a varan tasarruf sundu.
• Donanım ve Depolama Kenetlenmesi: HPE Alletra MP kurumsal depolama altyapısını ve gelişmiş sanal anahtar (Virtual Switch) ağ mimarisini doğrudan kontrol düzlemine entegre etti. AMD işlemcili sunucu alan müşterilere bir yıl ücretsiz lisans tanımladı; Zerto veri taşıma lisansını sembolik 1 dolara çekti ve 600 yetkili iş ortağına üç yıl ücretsiz dağıtım hakkı verdi.

HPE CEO’su Antonio Neri’nin vurguladığı gibi: müşteri hibrit kontrol düzlemini bir kez benimsediğinde, alttaki sanallaştırma katmanı ne olursa olsun tüm altyapı GreenLake çatısı altında toplanır. Bu, sunucu satmanın çok ötesinde kurumsal BT mimarisine yerleşme hamlesidir.

HPE’nin Finansal Sıçraması ve Sipariş Göstergeleri

HPE GreenLake ARR’si 2023’te 1.3 milyar dolar seviyesindeyken, Q4 2025’te yüzde 63 organik büyümeyle 3.2 milyar dolara ulaştı. Q2 2026’da toplam çeyrek geliri yüzde 40 artışla 10.7 milyar dolara çıkarak rekor kırdı.

Bulut ve AI segmenti yüzde 32.7 büyümeyle 5.5 milyar dolar, Ağ segmenti Juniper entegrasyonuyla yüzde 148 büyümeyle 2.7 milyar dolar ciro üretti. Yapay zekâ sipariş birikimi 6.3 milyar doları aştı. Non-GAAP hisse başına kazanç 0.79 dolar ile analist beklentilerini geride bıraktı.

Sadece İki Şirketin Hikayesi Değil: Sektör Çapında Platformlaşma

Bu dönüşüm münferit bir taktik değildir. Farklı dikey pazarların liderleri aynı deseni takip etmektedir:

• Schneider Electric: Klasik elektrik panosu ve şalter satışından EcoStruxure platformuna geçti. Şirketin “Dijital Volan” gelirleri 2025’te yüzde 15 organik büyümeyle 25 milyar Euro’ya ulaştı ve toplam cironun yüzde 62’sini oluşturdu. Düzeltilmiş EBITA marjı yüzde 18.7 seviyesine oturdu.
• ABB: Geleneksel güç şebekeleri birimini 2020’de elden çıkararak odağını yazılım, robotik ve elektrifikasyona çevirdi. Sevensense gibi yapay görme girişimlerini bünyesine katarak donanımı otonom mobil robotlara dönüştürdü. 2025 siparişleri 36.8 milyar dolara, operasyonel EBITA marjı yüzde 19’a ulaştı.
• Rockwell Automation: 2.2 milyar dolara satın aldığı Plex Systems ile bulut tabanlı ERP ve MES katmanını donanımının üzerine kurdu; toplam ARR büyümesini yüzde 8’e taşıdı.
• Emerson: AspenTech’in kalan yüzde 45’lik hissesini 7.2 milyar dolara alarak endüstriyel sensörlerden süreç optimizasyonu yazılımına geçişini tamamladı. Emerson bu satın alma için 2025 Düzeltilmiş FAVÖK’ünün 29 katını ödedi. Bir donanım üreticisinin yazılım varlığına ödediği bu çarpan, şirketin artık SaaS çarpanlarıyla değerlendiğini gösteriyor.
• Cisco: Splunk satın almasıyla ağ trafiği verilerini kurumsal güvenlik ve gözlemlenebilirlik platformuna dönüştürdü. Gelirlerinin yüzde 54’ü abonelik kaynaklı hale geldi ve toplam ARR 30 milyar dolara yaklaştı.
• Dell Technologies: 2025’te 100 milyar doları aşan gelirleriyle sadece sunucu satmıyor; Palantir ortaklığıyla kurum içi yapay zekâ işletim sistemi sunuyor. AI sunucu sipariş birikimi 43 milyar dolar düzeyindedir.

Kontrol Düzlemi: Yeni Nesil İşletim Sistemi

Bu şirketlerin inşa ettiği yapılar sıradan bulut panelleri veya masaüstü araçları değildir; teknik mimaride bu yapılara kontrol düzlemi adı verilir. Geleneksel işletim sistemleri deterministik süreçler etrafında tasarlanmıştı: doğrudan insan komutuna bağımlı ve basit sistem çağrılarıyla çalışan mekanizmalardı. Modern veri merkezleri ve akıllı fabrikalar ise statik kurallarla yönetilemeyecek kadar karmaşık bir hal almıştır.

Bu karmaşıklığı yönetmek için otonom ajan mimarileri devreye giriyor: sistemin uç parçaları (sunucular, CNC tezgâhları, ağ yönlendiricileri) kendi başlarına telemetri topluyor, durum değerlendirmesi yapıyor ve amaca yönelik yapay zekâ ajanları birbirleriyle haberleşerek aksiyon alıyor.

Somut bir senaryo: Siemens Xcelerator altındaki dijital ikiz altyapısı, üretim hattındaki PLC’nin anlık verisini okur, Altair algoritmalarıyla stres simülasyonunu yapar ve mekanik yorulma riski tespit ederse üretim planlama ajanına otomatik olarak parça değişimi iş emri gönderir. Bu statik bir kural otomasyonu değil; donanıma entegre edilmiş olasılıksal bir karar alma döngüsüdür.

AWS, Microsoft ve Google gibi saf bulut sağlayıcılarına karşı donanım üreticilerinin asimetrik avantajı tam olarak buradan gelir: uç noktanın fiziksel sahibi olmaları. Saf bulut şirketleri fabrikadaki sensörün kalibresini veya sunucu bileşeninin termal eşiğini doğrudan kontrol edemez. Donanım üreticileri ise verinin doğduğu ve kararın fiziksel harekete dönüştüğü altyapının sahibi olarak bu ajanları en düşük gecikmeyle çalıştırabilir.

Finans Piyasaları Neden Bu Dönüşümü Ödüllendiriyor?

Dönüşümün arkasındaki finansal mantık üç temel sütun üzerinde durur:

1. Tekrar Eden Gelirler (ARR): Donanım satışının tek seferlik nakit girişinin yerini, müşteri platformu kullandığı sürece her çeyrek tahsil edilen ARR alır. HPE’nin 3.2 milyar dolara çıkan ARR’si veya Cisco’nun 30 milyar dolarlık abonelik havuzu, makro kriz dönemlerinde nakit akışını güvenceye alır.
2. Gelecek Gelirlerin Teminat Altına Alınması: Sipariş birikimi ve kalan performans yükümlülükleri sayesinde şirketler gelecek yılların bilançolarını bugünden korumaya alır. Siemens’in 124 milyar Euro’luk, Dell’in 43 milyar dolarlık sipariş birikimi yatırımcılara geleceğin nakit akışının garanti altında olduğu mesajını verir.
3. Değerleme Çarpanlarının Ayrışması: Piyasalar saf donanım üreticilerini düşük fiyat/kazanç (P/E) çarpanlarıyla (10-15x) fiyatlarken, yazılım ve platform şirketlerine çok daha yüksek çarpanlar tanır. Gelirlerinin yarısından fazlasını aboneliklerden sağlayan şirketler (Schneider’ın yüzde 62’si, Cisco’nun yüzde 54’ü) donanım sınıfından çıkıp SaaS kategorisinde değerlenir.

Üretici Bağımlılığı: Değer Üreten Sadakat mi, Zorunluluk mu?

Bu platform stratejileri doğası gereği yüksek değiştirme maliyetleri yaratır. Ancak üretici bağımlılığı (vendor lock-in) tek başına olumsuz bir durum olarak değerlendirilemez. Apple kurumsal ve bireysel ekosisteminde bağımlılık yaratır. SAP kurumsal süreçlerde, Cisco ise ağ omurgasında benzer bir kilitlenme sağlar.

Buradaki kritik ayrım şudur: müşterinin elde ettiği değer, bu bağımlılığı rasyonel kılıyor mu? Xcelerator üzerinden tüm ürün yaşam döngüsünü yöneten bir sanayi tesisi bu altyapıdan gerçek bir operasyonel verim ve hız kazanıyorsa, değiştirme maliyeti bir engel değil, bilinçli bir operasyonel tercihtir. Buna karşın Broadcom’un VMware tarafında yaptığı gibi, mevcut kurulu tabanı fahiş fiyat artışlarıyla sıkıştırmak müşterinin mecburiyetini suistimal etmektir. Piyasa bu ayrıma hızla cevap verir: HPE’nin Morpheus VM Essentials hamlesi, tam olarak bu suistimale karşı doğan pazar tepkisinin ürünüdür.

Sonuç: Platform Satıyorlar

Donanım kapıyı açar, ancak geleceği platform dikte eder. Fiziksel bir cihaz sattığınızda, müşteriye dar bir kapasite teslim etmiş olursunuz. Cihazın ömrü bittiğinde yerine bir başka üreticinin donanımı konabilir. Ancak bu donanımın üzerine Xcelerator, GreenLake veya EcoStruxure gibi bir platform inşa ettiğinizde; tasarımı, yönetimi, orkestrasyonu, felaket kurtarmayı ve otonom kararları bu platform üzerinden yürüttüğünüzde müşterinin kurumsal iş yapış kültürüne kalıcı olarak yerleşmiş olursunuz.

Geleceğin kazananları yalnızca bulutta yaşayan saf yazılım firmaları olmayacaktır. Düşük kâr marjlı üretim bantlarına sıkışmış geleneksel donanım üreticileri de olmayacaktır. Kazananlar; fiziksel dünyanın donanım bariyerlerini kullanarak müşterinin operasyon merkezine sızan, ardından yapay zekâ destekli kontrol düzlemiyle müşteriyi kendi ekosistemine bağlayan platform şirketleri olacaktır.

Kaynaklar

Siemens Q2 FY 2026 Finansal Raporu ve Earnings Call Transkripti
Siemens ve Altair Satın Alma Bildirimi (SEC Kaydı, Kasım 2024)
HPE Q2 FY 2026 Finansal Sonuçları ve Basın Bülteni
HPE Morpheus VM Essentials Ürün Dokümantasyonu ve QuickSpecs
CRN: HPE CEO Antonio Neri, Morpheus VM Essentials Röportajı (Haziran 2026)
Schneider Electric FY 2025 Yıllık Sonuç Sunumu
ABB Q4 2025 ve Entegre Faaliyet Raporu 2025
Rockwell Automation FY 2025 Finansal Raporu
Emerson ve AspenTech Satın Alma Bildirimi ve SEC Kayıtları
Cisco FY 2025 Yıllık Raporu
Dell Technologies FY 2025/2026 Yatırımcı Sunumları
Venture Atlanta: “Top Startup Industries to Watch in 2026” (Donanım Destekli Yazılım Modelleri)

İlgili Bağlantılar

Siemens Xcelerator Endüstriyel Platform Portföyü
HPE GreenLake Uçtan Buluta Hibrit Kontrol Düzlemi
Broadcom VMware Lisans Değişiklikleri ve Sektörel Analiz

Son güncelleme: Ekim 2026 | Versiyon: 1.0

Sosyal medyada ve teknoloji bültenlerinde sıkça yapay zeka özelinde paylaşılan kullanıcı dağılım grafikleri, aslında güncel bir yazılım aracından çok daha köklü ve kadim bir toplumsal gerçeğe işaret eder. Buhar makinelerinden elektrik şebekelerine, demiryolu sinyalizasyonundan modern bulut altyapılarına kadar teknoloji tarihi; sistemin içinde yaşayanlar, sistemi fark edenler, ona müdahale edenler ve sistemi inşa edenler arasındaki ilişkileri anlamamızı sağlayan dört katmanlı bir model üzerinden okunabilir. Bir aracın çok popüler olması veya milyarlarca insan tarafından tüketilmesi, o teknolojinin kontrol merkezinin dağıtıldığı anlamına gelmez. Bu analizde, teknolojinin araçsal cazibesine kapılmadan; tüketimden inşaya uzanan bu dört katmanı, mühendislik disiplini ve sistem mimarisi ekseninde inceliyoruz.

Vitrinin İllüzyonu: Araç Değişir, Dağılım Sabit Kalır

Tarihteki her büyük teknolojik sıçrama, beraberinde büyük bir eşitlenme ve demokratikleşme vaadiyle sahneye çıkar. Buhar gücü ilk yaygınlaştığında fiziksel emeğin hiyerarşisini tamamen kaldıracağı düşünülmüştü. Elektrik şebekeleri şehirleri sardığında enerjinin sınırsız bir özgürlük getireceği savunuldu. Kişisel bilgisayarlar ve internet sahneye çıktığında ise bilginin tamamen serbest kalacağı, hiyerarşilerin yok olacağı ve herkesin eşit birer üreticiye dönüşeceği iddia edildi.

Son dönemde yapay zeka etrafında üretilen anlatı da bu tarihsel döngünün birebir kopyasıdır: Bir sohbet kutusuna birkaç cümle yazabilen herkesin bir anda yazılımcıya, tasarımcıya, analiste veya sistem mimarına dönüştüğü iddia edilmektedir.

Oysa gerçek sahadaki dinamikler bambaşka bir hikaye anlatır. Teknoloji demokratikleştikçe ve arayüzler basitleştikçe geniş kitleler için kullanım kolaylaşır; ancak altyapının karmaşıklığı, sermaye yoğunluğu ve mimari kontrol çok daha dar bir çekirdeğe doğru yoğunlaşır. Bir teknolojiyi herkesin kullanabiliyor olması, herkesin o sisteme hükmettiği anlamına gelmez. Tüketim tabana yayıldıkça, sistemin kurucuları ile kullanıcıları arasındaki güç asimetrisi kapanmaz; aksine görünmez hale gelerek derinleşir.

Bu durumu anlamak için yapay zeka gibi geçici dalgaların yarattığı tozu dumanı bir kenara bırakıp, insanlığın teknolojiyle kurduğu dört katmanlı yapısal ilişkiye bakmak gerekir.

Medeniyetin Dört Katmanı: Tüketimden Mimariye

Toplumların teknolojik sistemlerle olan ilişkisi incelendiğinde, sektörden ve dönemden bağımsız olarak piramidin daima benzer oranlarla dört ana gruba ayrıldığı görülür:

Birinci Katman: Sistemin İçinde Yaşayanlar

Büyük çoğunluk sistemin içine doğar, sistemin sunduğu olanakları tüketir ve hayatını bu sınırlar dahilinde sürdürür. Bu katman için sistem, arkasında bir mühendislik aklı olan yapay bir kurgu değil; tıpkı yerçekimi veya hava durumu gibi kendiliğinden var olan doğal bir çevredir.

Elektrik prizden gelen bir şeydir; arkasındaki frekans kararlılığı, trafo merkezleri veya enterkonneksiyon şebekesi merak konusu değildir. Bankacılık bir mobil ekrandan ibarettir; takas odaları, likidite protokolleri veya regülasyonlar görünmezdir. Yapay zeka ise sorulara hazır cevap veren sihirli bir arayüzdür. Bu katmandaki insanlar kötü niyetli veya tembel değildir; modern toplumun iş bölümü uzmanlaşması onları son kullanıcı olmaya yöneltmiştir. Ancak bu katmanda kalanlar, sistemin sınırlarını sorgulama veya değiştirme gücüne sahip değildir.

İkinci Katman: Neyin İçinde Olduğunu Fark Edenler

Piramidin bir üst basamağında, arayüzün arkasındaki mekanizmayı sezenler yer alır. Bu grup, kendilerine sunulan ekranın, algoritmanın veya kurallar bütününün tarafsız olmadığını anlar. Bir sosyal medya akışının dikkat süresini nasıl manipüle ettiğini, bir bulut servisinin kendisini nasıl belirli bir tedarikçiye bağımlı kıldığını veya bir arama motorunun sonuçları nasıl sıraladığını fark eder.

Fark edenler, sistemin kısıtlarını ve yönlendirmelerini net bir şekilde görür; ancak henüz bu yapıya teknik veya operasyonel olarak müdahale edecek araçlara ya da uzmanlığa sahip değildir. Bu katman harika bir analist, keskin bir eleştirmen veya bilinçli bir gözlemcidir. Sorunu çok iyi tanımlar, fakat çözümü inşa edecek tezgaha henüz oturmamıştır.

Üçüncü Katman: Müdahale Edenler ve Entegratörler

Üçüncü katman, teoriyi pratiğe döken profesyonellerden oluşur. Mühendisler, saha teknisyenleri, sistem entegratörleri, danışmanlar ve operasyon liderleri bu gruptadır. Onlar sistemi sadece fark etmekle kalmaz; ellerindeki alet çantasıyla sisteme müdahale ederler.

Bir fabrikanın üretim hattında PLC parametrelerini optimize eden mühendis, bir ERP sistemini şirketin süreçlerine uyarlayan danışman ya da hazır bir yapay zeka modelini API üzerinden kendi veritabanına bağlayan yazılımcı bu katmandadır. Müdahale edenler sahanın omurgasıdır; sistemlerin çalışmasını, ayakta kalmasını ve verimli işlemesini sağlarlar. Ancak genellikle oyunun kurallarını sıfırdan yazmazlar; dördüncü katmanın inşa ettiği kütüphaneleri, standartları, donanımları ve mimari kalıpları kullanarak değer üretirler.

Dördüncü Katman: Sistemi Kuranlar

Piramidin en tepesinde ise çok küçük bir azınlık yer alır: Sistemi sıfırdan kuranlar. Bu insanlar sadece mevcut araçları çalıştırmaz; diğer herkesin kullanacağı araçların temel kurallarını, standartlarını ve mimarisini tasarlarlar.

Demiryolunda bir hattı işletmek yerine CENELEC standartlarını ve interlocking mimarisini belirleyenler; web dünyasında site geliştirmek yerine HTTP, TCP/IP veya Linux çekirdeğini yazanlar; yapay zekada sadece prompt yazmak yerine model mimarisini, eğitim harness sistemini ve donanım hızlandırma çiplerini geliştirenler bu gruptadır. Dördüncü katman, dünyanın fiziksel ve dijital kurallarını koyan zümredir. Diğer üç katman, bilerek veya bilmeyerek, bu grubun çizdiği mimari koordinatlar içinde hareket eder.

Kullanmaktan İnşaya Geçiş: Bilişsel ve Pratik Eşikler

Katmanlar arasındaki geçiş kendiliğinden veya sadece zaman geçirerek gerçekleşmez. Her basamak, ciddi bir bilişsel yük ve disiplin değişimi gerektirir:

Kullanmaktan Anlamaya Geçiş

Kullanıcı olmak konforludur; çünkü kullanıcı yalnızca sonuca odaklanır. Anlamak ise merak ve bedel ister. Siyah kutunun kapağını açmak, soyutlama katmanlarının altına inmek ve sistemin hangi ödünleşimler ve mimari dengeler üzerine kurulduğunu görmek gerekir. Bir kütüphaneyi çağırmak yerine onun bellek yönetimini anlamak; bir arayüz butonuna basmak yerine arkasında çalışan haberleşme protokolünü incelemek bu eşiğin ilk adımıdır.

Anlamaktan Uygulamaya Geçiş

Bir şeyi teorik olarak anlamakla onu sahada çalıştırmak arasında devasa bir gerçeklik uçurumu vardır. İkinci katmandan üçüncü katmana geçiş, sahanın sürtünmesini göze almayı gerektirir. Kabloların gürültü kapması, kullanıcıların sistemi yanlış anlaması, beklenmeyen istisnalar ve bütçe sınırları bu aşamada devreye girer. Uygulayıcı, teorik zarafeti sahanın acımasız gerçekleriyle uzlaştıran kişidir.

Uygulamaktan İnşa Etmeye Geçiş

En zorlu ve en seyrek geçiş buradadır. Başkalarının yazdığı araçlarla harika işler çıkarabilirsiniz; ancak başkalarının güvenle üzerine basabileceği bir temel, bir platform veya bir çerçeve inşa etmek bambaşka bir mimari olgunluk gerektirir. Burada odak artık sadece “benim problemim çözüldü mü?” sorusu değildir. “Bu sistem binlerce farklı senaryoda deterministik çalışır mı?”, “Hata durumunda nasıl davranır?”, “Sınırları ve emniyet bariyerleri nelerdir?” soruları masaya gelir.

Yapay Zeka Nerede Duruyor: Son Örnek, Aynı Kural

Bugün yapay zekaya baktığımızda gördüğümüz manzara, bu dört katmanın kusursuz bir sağlamasıdır:

• Dünya nüfusunun büyük bir kısmı yapay zekayla hiç temas etmemiştir ya da varlığından habersizdir.
• Temas edenlerin ezici çoğunluğu ücretsiz sohbet robotlarını arama motoru veya eğlence aracı gibi kullanır (Birinci katman).
• Daha az bir grup yapay zekanın veri açlığını, halüsinasyon riskini ve enerji tüketimini fark eder, tehlikeleri tartışır (İkinci katman).
• Yazılımcılar ve analistler API’ları bağlar, prompt yazar, kendi iş akışlarına entegre eder (Üçüncü katman).
• Ancak modellerin ağırlıklarını eğiten, dağıtık GPU kümelerinin mimarisini kuran, veri egemenliği protokollerini tasarlayan ve agent harness sistemlerini inşa edenler ise sektör modellerinde binde birlerin altına (%0,04 bandına) inen çekirdek bir mühendislik grubudur (Dördüncü katman).

Bu tablo yapay zekanın bir kusuru veya ayıbı değildir; uygarlığın çalışma prensibidir. Herkesin model eğitmesi veya çipler tasarlaması ne mümkündür ne de gereklidir. Ancak tehlikeli olan yanılgı şudur: Bir sohbet kutusuna komut vererek üçüncü veya dördüncü katmana geçtiğini zannetmek. Tüketici olmak meşru bir tercihtir; fakat tüketici olduğunu unutup mimar olduğunu sanmak en hafif tabiriyle stratejik körlüktür.

Sonuç: Kendi Rolünü Doğru Konumlandırmak

Mühendislikte ve kurumsal hayatta en büyük kaynak israfı, sistemin neresinde durduğunu bilmemekten kaynaklanır.

Bir teknoloji şirketinin, bir fabrikanın ya da bağımsız bir mühendisin önündeki en kritik soru “Hangi yeni aracı kullanmalıyım?” sorusu değildir. Asıl soru şudur: “Ben bu sistemin neresindeyim?”

Yalnızca başkalarının kurduğu platformların içinde yaşayan bir kullanıcı olarak mı kalacaksınız? Sistemi eleştiren ama değiştiremeyen bir izleyici mi olacaksınız? Araçları ustalıkla sahaya bağlayan güvenilir bir uygulayıcı mı olacaksınız? Yoksa kendi alanınızda, kendi ölçeğinizde oyunun kurallarını ve mimarisini koyan bir sistem kurucu mu olacaksınız?

Tarih boyunca araçlar, ekranlar ve popüler kelimeler durmaksızın değişti. Fakat sistemlerin dağılımı ve kuralları inşa edenlerin ağırlığı hiçbir zaman değişmedi.

Kaynaklar

Arthur, W. B. (2009). The Nature of Technology: What It Is and How It Evolves. Free Press.
Simon, H. A. (1996). The Sciences of the Artificial (3rd ed.). MIT Press.
Norman, D. (2013). The Design of Everyday Things. Basic Books.
Gall, J. (1975). Systemantics: How Systems Work and Especially How They Fail. Quadrangle Books.

İlgili Bağlantılar

Metodolojiyi Kullanmak mı, Metodoloji Tarafından Kullanılmak mı?
Neyi Sayacağını Bilmek: Mühendislik Hassasiyeti ile Ticari Strateji

Yapay zekâ alanındaki küresel rekabet, “kendi süper modelini geliştirmek” söylemi üzerinden tartışılıyor. Ancak frontier model geliştirmek devasa sermaye, altyapı ve devlet desteği gerektiren bir yarış. Bu makale, model distilasyonunun teknik gerçekliğini, büyük sağlayıcıların şikâyetlerindeki çifte standardı, devlet destekli frontier yarışının umutlara dayanan kırılgan ekonomisini ve Türkiye gibi orta ölçekli ekonomilerin rasyonel konumlanma stratejisini analiz ediyor. Temel argüman: egemenlik en büyük modeli yapmak değil, en kritik veriyi kontrol edebilmektir.

Anahtar Bulgular

• Model distilasyonu matematiksel olarak kaçınılmazdır; API’ye açılan her sistem yaklaşık olarak yeniden üretilebilir
• Frontier model geliştirmek serbest piyasa dinamiğiyle değil, stratejik devlet desteğiyle ayakta duran bir yarıştır
• Büyük sağlayıcıların distilasyon şikâyetleri, kendi eğitim veri kaynaklarına ilişkin hukuki belirsizlikle çelişir
• Türkiye gibi ülkelerin rasyonel stratejisi frontier üretici olmak değil; kontrollü bağımlılık ve yerel kapasite dengesini kurmaktır

İLLÜZYONUN YIKILMASI VE TEKNİK GERÇEKLİK

Distilasyon Nedir ve Neden Büyükleri Korkutuyor?

Model distilasyonu, teknik literatürde basit bir kavramdır: büyük bir modelin (teacher) bilgi yapısını kullanarak daha küçük bir modeli (student) eğitmek. Hinton ve arkadaşlarının 2015’te formalize ettiği bu yaklaşım, başlangıçta tamamen meşru bir optimizasyon tekniğiydi. Kendi modelini küçültmek, inference maliyetlerini düşürmek, edge cihazlara deploy etmek; bunların hepsi standart mühendislik pratikleri.

Kavram, son iki yılda bambaşka bir anlam kazandı.

Anthropic, DeepSeek ve birkaç Çinli laboratuvarı endüstriyel ölçekli distilasyon saldırıları yapmakla suçladığında, teknik bir terim bir anda jeopolitik bir silaha dönüştü. OpenAI’ın Sam Altman’ı benzer şikâyetleri daha önce dile getirmişti. Büyük sağlayıcıların ortak argümanı şu: milyarlarca dolar harcayarak eğittiğimiz modellerin çıktıları, API üzerinden sistematik olarak toplanarak rakip modelleri eğitmek için kullanılıyor.

Teknik gerçek, bu şikâyetin altını hem destekliyor hem çürütüyor.

Destekleyen taraf: API’ye para ödeyerek erişim sağlamak, modelin inference maliyetini karşılar. Modelin iç yapısını, eğitim verisini veya mimarisini yeniden üretme hakkını karşılamaz. Büyük sağlayıcıların API sözleşmeleri bu ayrımı açıkça yapar: “Çıktıları kendi modellerini eğitmek için kullanamazsın.” Bu bir sözleşme maddesidir ve hukuki olarak bağlayıcıdır.

Çürüten taraf: Aynı şirketler, kendi modellerini eğitirken internetteki açık içerikleri (gazeteler, bloglar, akademik makaleler ve forumlar) büyük ölçüde izinsiz kullanmıştır. robots.txt gibi botları engelleyen dosyalar teknik bir centilmenlik protokolüdür; hukuki bir bariyer değildir. Uymak isteğe bağlıdır. Ve birçok büyük sağlayıcı uymamayı tercih etmiştir. Sonuç olarak, “bizim çıktılarımızla model eğitmeyin” derken, kendileri başkalarının içerikleriyle model eğitmiş durumdalar. Bu çifte standart, hukuki ve etik tartışmayı ciddi şekilde bulandırıyor.

Peki mesele bu kadar gri ise, neden bu kadar öfke var?

Çünkü şirketlerin şikâyeti teknik bir güvenlik raporu değil. Cümlelerdeki seçime bakın: “industrial-scale,” “fraudulent accounts,” “military, intelligence, surveillance,” “growing in intensity.” Bu, regülasyon baskısı oluşturmak, jeopolitik çerçeveye oturtmak ve yatırımcı güvenini konsolide etmek için tasarlanmış stratejik bir konumlanma metnidir. Bunu basit bir öfke patlaması olarak görmek yanlış olur.

Alttaki matematiksel gerçek ise değişmiyor: bir model API üzerinden yeterince sorgulanabiliyorsa, giriş-çıkış davranışı yaklaşık olarak öğrenilebilir. Bu öğrenme teorisinin temel ilkesidir. Meşru mu? Sözleşmeye göre değil. Teknik olarak engellenebilir mi? Pratik olarak hayır.

Distilasyonda Ne Kaybedilir, Ne Kazanılır?

Distilasyonun çekiciliği maliyetinde yatar: Frontier model eğitiminin devasa giderine karşılık, çok daha düşük sermaye ile “işe yarar” (ancak eşdeğer olmayan) bir model üretebilirsiniz. Distile model orijinalin eğitim verisini veya ağırlıklarını değil, yalnızca giriş-çıkış davranışını kopyalar. Bu durum; uç senaryolarda hata artışına, güvenlik filtrelerinin kaybına ve uzun bağlam akıl yürütmenin zayıflamasına yol açar.

Ancak ticari gerçeklikte, büyük hacimde doğru veriyle desteklendiğinde bu kayıplar önemsizleşir. Bir kurumsal özetleme modeli veya chatbot için frontier seviyesi zekaya ihtiyaç yoktur; “yeterince iyi” olmak, kârlı bir ürün için fazlasıyla yeterlidir.

Bu matematiksel süreç, dijital dünyadaki türev üretim dinamiklerine benzer; orijinal modelin fonksiyonel yeteneklerini çok daha düşük maliyetle kopyalayarak asıl geliştiricinin Ar-Ge avantajını baskılar.

Bu nedenle büyük sağlayıcılar distilasyonu yalnızca teknik bir optimizasyon değil, iş modellerini doğrudan zorlayan stratejik bir rekabet tehdidi olarak konumlandırıyor. Açık modellerin ve laboratuvarların bu yöntemle büyük modellerin kıyaslama skorlarını yakalaması küresel teknoloji pazarında dengeleri değiştirdi.

JEOPOLİTİK YARIŞ VE MAKRO GERÇEKLİK

Distilasyonun sağladığı belirgin maliyet avantajı ve sermaye baskısı, aslında çok daha temel bir gerçeği gösteriyor: Frontier model geliştirme, serbest piyasa dinamiklerinden ziyade stratejik bir altyapı girişimidir.

Frontier Yarışı: Umutlarla Finanse Edilen Devlet Projesi

Frontier model eğitimi serbest piyasa dinamikleriyle ve klasik bir startup ekonomisiyle izah edilemez.

Rakamlar tablonun ölçeğini açıkça ortaya koyuyor: Bugün tek bir frontier modelin eğitimi 100.000 adetlik H100 çipi kümeleri gerektiriyor ve sadece bu donanım altyapısı 3-4 Milyar Dolar bandında bir sabit maliyet (CAPEX) yaratıyor. Buna devasa enerji faturaları ve binlerce araştırmacı eklendiğinde, bu ölçek hiçbir “dijital startup” bilançosuna uymaz. Bugün bu yarışın merkezindeki tüm aktörlere (OpenAI, Anthropic, Google DeepMind, Microsoft) bakıldığında, hepsinin ya doğrudan ya dolaylı olarak devlet destekli ekosistemlerde konumlandığı görülür.

Bu yapı daha çok uzay programına, nükleer araştırmaya veya yarı iletken fabrikası yatırımlarına benzer. Yani serbest piyasa oyunu değil, stratejik altyapı yatırımı. Peki devlet neden bu kadar sermayeyi bu alana yönlendiriyor?

Resmi gerekçeler tanıdık: askerî üstünlük, siber güvenlik, istihbarat kapasitesi, ekonomik rekabet, jeopolitik denge. Bunların hepsi meşru stratejik kaygılar. Ama bu yatırımların ölçeğini asıl meşrulaştıran şeyin somut getiriden ziyade bir umut olduğunu düşünüyorum. Yapay zekânın transformatif bir teknoloji olacağına; ekonomiyi, savunmayı, bilimsel araştırmayı kökünden değiştireceğine dair büyük bir beklenti. Ve bu beklenti, henüz tam olarak kanıtlanmış değil.

GPT-3’ün çıktığı 2020’den bu yana sürekli artan compute yatırımlarının gelir modeli hâlâ net değil. Bu modelleri ticari olarak sürdürülebilir kılan bir denge henüz kurulamamış. Devletler buna rağmen destek veriyor çünkü rakip devlet de yatırım yapıyor; ve yarıştan çekilmenin maliyeti, yarışa devam etmenin maliyetinden daha büyük görünüyor. Bu, rasyonel bir hesaptan çok bir güvenlik ikilemi olarak karşımıza çıkıyor.

Tarih bize benzer döngüler gösterdi. Soğuk Savaş’ın uzay yarışı, her iki tarafı da ekonomik sınırlarının ötesine itti. Nükleer enerji, 1950’lerde “elektrik sayacını ortadan kaldıracak ucuzlukta” enerji vaat ediyordu; bu vaat gerçekleşmedi ama yatırımlar on yıllar boyunca devam etti. Şimdi aynı örüntüyü yapay zekâda gözlemliyoruz: büyük vaatler, devasa yatırımlar ve henüz gerçekleşmemiş getiriler.

Bu, yapay zekânın işe yaramadığı anlamına gelmez. Protein katlanması, görüntü analizi ve kod üretimi gibi spesifik alanlarda somut değer ürettiği tartışılmaz. Hayatımızda da işlerimizi kolaylaştıran bizim için ucuz ama Dünya için pahalı bir teknoloji olduğu açık. Ama “genel yapay zekânın her şeyi dönüştüreceği” hikayesi ile bugünkü gerçeklik arasında geniş bir boşluk var. Ve bu boşluk, yatırımların büyüklüğüyle değil, umutların büyüklüğüyle kapatılıyor.

Eğer bir noktada umut matematik karşısında yetersiz kalırsa; yani kamu maliyeti algılanan stratejik faydayı aştığında; destek mekanizması kırılır. Ve o noktada, devlet desteğiyle ayakta duran yapılar çöker; geriye yalnızca gerçek ticari değer üretenler kalır.

Muhtemel denge ve doyum noktasında, 3-5 frontier model sağlayıcısının devlet destekli compute altyapısıyla varlığını sürdürmesi, geri kalanların entegratör ve fine-tuner haline gelmesi senaryosunu muhtemel görüyorum. Bu, yarı iletken endüstrisinin bugünkü yapısına benzer.

Kendi Frontier Modelini Yaratmak: Prestij Projesi mi, Stratejik Yatırım mı?

Bu noktada soru Türkiye gibi ulus devletlerine dönüyor: Frontier modeli geliştirmeli miyiz?

On binlerce üst seviye GPU, devasa temiz veri havuzları ve çip tedarik güvenliği gerektiren bu global yarışta sorun zeka değil, sermaye ve altyapı ölçeğidir. Sıfırdan eğitilen yerel modeller teknik birer başarı olsa da, genel amaçlı frontier kapasitesiyle aralarındaki uçurum devasadır. Bu tip projeler mevcut kaynak gerçekliğinde çoğu zaman akademik prestij, politik mesaj ve teknoloji vitrini olarak kalmaya mahkumdur.

Gerçek rekabet model parametresinde değil; veri altyapısı, entegrasyon kabiliyeti ve güvenliktedir. Asıl sorulması gereken soru “en büyük modeli kim yapar?” değil, “en kritik kararları hangi model altyapısıyla ve kimin kontrolünde alırız?” sorusudur.

RASYONEL ÇÖZÜM MİMARİSİ

Eğer frontier model yapmak ABD ve Çin’in oynadığı trilyon dolarlık güç gösterisi ise ve ana modeller zaten açık kaynak veya distilasyon yoluyla kopyalanabiliyorsa, orta ölçekli ülkeler satranç tahtasında nereye oturmalı?

Konumlanma Stratejisi: Hibrit Mimari ve 3 Katmanlı Model

Geldik işin ciddileştiği operasyonel noktaya. Ülke olarak frontier yarışına girmenin anlamsız olduğu kabul edildiğinde, “Devlet” refleksleri ile “Açık Piyasa” gerçekliklerini birbiriyle kavga ettirmeden melez (hibrit) bir strateji kurmak zorundayız.

Açık Modeller ve Yerel Verinin Kaldıraç Etkisi

Çinli firmaların da izlediği gibi, açık ağırlıklı güçlü temel modelleri (Llama vb.) almak, yerel veriyle güçlendirip Türkçe optimize ederek dikey çözümler üretmek rasyonel bir maliyet-performans hamlesidir. Katma değer parametre sayısında değil, domain bilgisinde yatar.

Katmanlı Entegrasyon (Wrapper) Ekonomisi Asla Küçümsenmemeli

Değer zincirinde en kırılgan taraf donanıma milyarlarca dolar gömen compute sahipleridir. Uzun vadede en yüksek kâr marjı ve istikrarlı nakit akışı uygulama-entegrasyon (wrapper) katmanındadır. Çünkü doğrudan müşteri problemi çözer ve altındaki devasa model değişse bile kendi ticari değerini korur (“kürek satan kazanır” ilkesi). Modeller kaçınılmaz olarak metalaşır (commoditize), ancak spesifik bir müşteri problemini çözme kabiliyeti asla metalaşmaz.

Devlet verisini dışarı kaptırma endişesi ne kadar haklıysa, özel sektörün bu endişeye takılmadan global API’ler üzerinde çevik ticari çözümler geliştirmeye odaklanması da o kadar haklı ve kârlı bir stratejidir.

Hibrit Mimari: Üç Katmanlı Yapı

Gizlilik kaygıları haklıdır; ancak tüm sistemleri dünyadan koparıp ağdan tamamen izole edilmiş (air-gapped) odalara hapsetmek inovasyon hızını kesebilir. Çözüm 3 katmanlı hibrit bir mimaridir:

• Katman 1 (Kritik Egemen Alan): İnternetten izole (air-gapped) yerel GPU kümeleri. Savunma ve kritik altyapı için. Frontier zekaya değil kontrole ihtiyaç duyulan küçük modeller burada çalışır.
• Katman 2 (Regüle Sektör): VPC veya izole bulut üzerinden kota denetimli erişim. Bankacılık ve kamu projeleri için.
• Katman 3 (Ticari Ürünler): Global API kullanımı. Hızlı geliştirme ve düşük maliyet gerektiren stratejik olmayan tüm sektörler için.

Kalıcı Yatırım Modele Değil, Veri ve Denetime Yapılmalı

Teknoloji ve API sağlayıcıları sürekli evrilirken kalıcı olan üç stratejik kale vardır:

• Temiz ve Yapılandırılmış Yerel Veri: Kurumlar arası veri paylaşım protokolleri, herhangi bir model mimarisinden çok daha stratejiktir.
• Log Egemenliği: Asıl mesele hangi modelin çalıştığı değil; veriyi kimin gönderdiği, prompt’ları kimin gördüğü ve logların nerede tutulduğudur. Log erişimi devlette değilse ağırlıkları yerelde tutmanın anlamı yoktur.
• Denetim Odaklı İnsan Kaynağı: Sıfırdan model yazmak için değil; güvenlik denetimi yapmak ve optimize etmek için 200-300 kişilik çekirdek bir araştırmacı gücü şarttır.

Yapay Zeka’da Egemenlik İçin Olmazsa Olmazlar

Bir ülkenin yapay zeka’da egemenlik iddia edebilmesi için gerçekleştirmesi gereken minimum gereklilikleri şöyle sıralamak mümkündür:

Bu paket bir büyük altyapı projesi kadardır. Bir otoyol ihalesinden pahalı değildir. Ama jeopolitik değeri çok daha yüksektir.

Sonuç

Distilasyon tartışması, yüzeyinde bir sözleşme ihlali meselesi gibi görünse de altında çok daha büyük bir güç oyunu yatar: yapay zekâ alanında güç kimde olacak?

Büyük sağlayıcılar distilasyonu stratejik tehdit olarak çerçeveliyor; haklılar, çünkü iş modelleri buna bağlı. Devletler frontier yarışını umutlarla finanse ediyor; rasyonellikleri tartışılır, ama alternatifsiz hissediyorlar. Küçük ve orta ölçekli ülkeler “kendi süper modelimizi yaparız” söylemiyle prestij projeleri başlatıyor; çoğu teknoloji vitrini olarak kalacak ve başarıya ulaşabilecekleri meçhul. Bence gerçekçi bir strateji bunların hiçbiri değil.

Türkiye ve benzer ölçekteki her ekonomi için en makul hedef ne frontier üretici olmak, ne de pasif tüketici olmaktır. Bu makul hedef yerel bir temel kapasite inşa etmek ve üstünde ihtiyaç duyulacak bağımlılığın kontrolünü elde tutmaktan geçmektedir.

Temel modellerin gerektirdiği devasa sermaye yatırımını mükerrer biçimde üstlenmek yerine, açık ağırlıklı mimarileri yerel alan verisiyle özelleştirmek ve denetim mekanizmalarına odaklanmak kaynakların çok daha rasyonel kullanımıdır.

Elbette bunu tutarlı yönetmek ve maksimum faydayı sağlamak için bu haritayı okuyabilecek ve gerektiğinde kendi yolunu çizebilecek kapasite şart. Egemenlik en büyük modeli yapmak değil, en kritik veriyi kontrol edebilmektir.

Referanslar

Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the Knowledge in a Neural Network. NIPS Deep Learning and Representation Learning Workshop.
Açık Kaynak ve Enterprise API Sözleşmeleri: Model çıktıları ile rakip model geliştirilmesini yasaklayan standart hizmet şartları (ToS) incelemeleri.
Sektörel Raporlar: Büyük teknoloji şirketleri ve araştırma laboratuvarlarının altyapı yatırımları ve pazar konumlanması analizleri.

İlgili Bağlantılar

Yapay Zeka Mimarisi: LLM’lerle Dans Etmenin Kuralı (Sistemi Mikroyönetmek)

LLM Dinamikleri: LLM Modellerinde Kısa Devre: AI Neden Bize “Yalan” Söylüyor?

Ekonomi ve Güvenilirlik: Ucuz LLM İllüzyonu: Başarılı İşlem Başına Maliyet Neden Token Fiyatından Önemlidir?