Bir şirketin aynı işi daha az insan saatiyle yapabildiğini düşünün. Sunumda sonuç güzel görünür: daha hızlı teslimat, daha düşük maliyet, daha yüksek kapasite. Sonra en büyük müşteri arar. Rakibiniz de aynı aracı kullanmaya başlamıştır ve fiyatını düşürmüştür. Müşteri şimdi sizden de indirim bekler.

Şirket gerçekten daha verimlidir. Fakat bu kazancın ne kadarının şirkette kalacağı henüz belli değildir. Yapay zekâ yatırımlarını önümüzdeki üç ila beş yıl için değerlendirirken asıl ilginç bulduğum soru burada başlıyor: Üretmek ucuzladığında, müşterinin para ödemeye devam ettiği şey ne olacak?

Verimlilik kazancı kimin elinde kalır?

Benim ana tezim şu: Yapay zekânın yarattığı tasarrufun kâra dönüşmesi, rakiplerin ne kadar hızlı yetiştiğine, müşterilerin indirim beklentisine ve şirketin kolayca ikame edilemeyen hangi varlığa sahip olduğuna bağlı. İyi bir model kullanmak başlangıçta avantaj yaratabilir. Aynı yeteneğe herkes eriştiğinde ise avantajın kaynağı değişir.

Müşteriye ulaşmak, belirli bir problemi güvenilir biçimde çözmek, kullanım izni net, işe yarayan bir veri birikimine sahip olmak veya hizmetin sorumluluğunu üstlenebilmek daha değerli hale gelebilir. Bunların her biri ayrıca sınanmalı. Bir şirketin elinde çok veri olması, o verinin işe yaradığı veya başkalarında bulunmadığı anlamına gelmez. Güçlü bir marka da müşterinin her koşulda fiyat farkı ödeyeceğini göstermez.

Bu nedenle kazananları peşinen çip üreticileri, model geliştiricileri ya da uygulama şirketleri diye sıralamıyorum. Her katmanda aynı soru geçerli: Müşterinin başka yerden kolayca alamadığı ne var ve bunun karşılığında ne kadar ödeme yapıyor?

Karşı tez: Fiyat düşerken toplam kazanç büyüyebilir

Bu teze en güçlü itiraz, maliyet düşüşünün yeni talep yaratabilmesi. Daha önce küçük bir işletmeye satılması ekonomik olmayan bir hizmet, yapay zekâyla daha düşük fiyattan sunulabilir. Mevcut müşteriler daha çok kullanabilir. Teslimatın hızlanması veya hizmetin iyileşmesi, fiyatı korumayı da mümkün kılabilir.

Örneğin uzman desteğini yalnızca büyük müşterilere verebilen hayalî bir şirket düşünün. Hizmetin bazı bölümleri ucuzladığında daha küçük müşterilere de ulaşabilir. Birim başına kazanç azalsa bile müşteri sayısı yeterince artarsa toplam katkı yükselir. Burada kritik koşul, yeni müşterilerin gerçekten gelmesi ve onlara hizmet vermenin ek maliyetinin hesabı bozmamasıdır. Potansiyel pazar büyüklüğü, gerçekleşmiş satış değildir.

Erken davranmak da değer yaratabilir. Model erişimi hızla yayılırken işin organizasyonunu değiştirmek daha uzun sürebilir. Bu arada kazanılan müşteri ilişkisi, deneyim ve ürün bilgisi sonraki döneme taşınabilir. Fakat geçici bir başlangıç avantajıyla yıllarca korunabilecek fiyatlama gücünü aynı şey saymamak gerekir. İlki bir fırsat penceresi açar; ikincisi pencere kapandıktan sonra da gerekçe ister.

Saat kazanmakla para kazanmak arasındaki mesafe

Araştırmalar yapay zekânın verimlilik etkisinin de işe göre değiştiğini gösteriyor. Brynjolfsson, Li ve Raymond'ın 2025'te yayımlanan müşteri hizmetleri çalışması, 5.172 çalışan üzerinde yapay zekâ erişimiyle saatte çözülen sorun sayısında ortalama yaklaşık %15 artış bildiriyor. Kazanç daha az deneyimli çalışanlarda yoğunlaşıyor. Müşterilerin yaklaşımı ve yöneticiye yönlendirme ihtiyacı da iyileşiyor; çalışma müşterinin daha yüksek fiyat ödeyeceğini göstermiyor. Bu, tek bir şirketteki iş verimliliğine ilişkin sonuç; uzun vadeli kâr veya sektör geneli için bir tahmin değil. Çalışma.

METR'nin 2025'in başındaki araçlarla yaptığı küçük deneyde ise kendi açık kaynak projelerinde çalışan 16 deneyimli geliştirici, 246 görevde yapay zekâya eriştiklerinde ortalama %19 daha uzun süre harcadı. Sonuç belirli işler ve o dönemin araçlarıyla sınırlı. Bugünkü bütün yazılım işlerine genellenemez. METR araştırması.

METR, Şubat 2026'daki takip açıklamasında daha yeni araçlarla yaptığı takip çalışmasının güvenilir bir tahmin üretemediğini belirtiyor: katılımcı ve görev seçimi değişmiş. Dolayısıyla eski sonuçtan bugüne düz bir çizgi çekemeyiz. 2026 güncellemesi.

Bu iki oranı birbirinden çıkararak bir yapay zekâ ortalaması bulamayız. Çalışanlar, işler, kullanılan sistemler ve ölçülen sonuçlar farklı. Benim bu karşılaştırmadan çıkardığım ders, yatırım hesabının şirketin kendi işinde başlaması gerektiği. Kontrol, yeniden yapma, müşteriye açıklama ve hata düzeltme süresi dahil edilmeden hesaplanan hız artışı kolayca yanıltır.

Üstelik kazanılan zamanın kullanım şekli de sonucu değiştirir. Aynı ekip daha çok sipariş tamamlayabiliyorsa ek kapasite satılabilir. Sipariş yoksa boşalan saat kendiliğinden gelir yaratmaz. İnsanların başka bir işe kaydırılması gerekiyorsa bunun eğitim ve geçiş maliyeti vardır. İşgücü giderinin gerçekten azalması ise çalışma saatleri, sözleşmeler ve organizasyon kararlarına bağlıdır. Takvimde boşluk açılmasıyla nakit çıkışının azalması arasındaki fark bütçede görünmelidir.

Tasarrufun fiyat indirimine dönüştüğü hesap

Mekanizmayı gerçek şirket verisine dayanmayan basit bir örnekle açayım. Bir hizmet 100 birime satılıyor, değişken maliyeti 80 birim. Satış başına 20 birim katkı kalıyor. Bu tutar sabit giderler, finansman ve vergiler düşülmeden önceki katkıdır; net kâr değildir.

Yapay zekâ işin mevcut maliyetini 10 birim azaltıyor. Model kullanımı, kontrol ve hata düzeltme için 5 birim ek maliyet geliyor. Yeni değişken maliyet 75. Satış fiyatı değişmezse katkı 25'e çıkıyor. Rakiplerin hamlesiyle fiyat 90'a inerse katkı 15'e düşüyor.

Aynı hizmet için varsayımFiyatDeğişken maliyetBirim katkı
Yapay zekâ öncesi1008020
Tasarruf şirkette kalırsa1007525
Fiyat rekabeti başlarsa907515

Son satırda şirket işi daha ucuza yapıyor ama satış başına daha az kazanıyor. Önceki toplam katkıyı yakalamak için hacmin yaklaşık üçte bir artması gerekiyor: 20 / 15 = 1,33. Bu hesap, artan hacmin birim maliyeti değiştirmediğini ve ek sabit kapasite yatırımı gerektirmediğini varsayıyor. Daha fazla satış için yeni ekip veya tesis gerekiyorsa eşik yükselir.

Müşteri açısından ise daha düşük fiyat başlı başına bir kazanım. Şirketin kâr artışını sınırlayan bir gelişme, ekonominin bütünü için başarısızlık anlamına gelmez. Aynı teknoloji tüketiciye daha ucuz hizmet, çalışana daha yüksek ücret veya tedarikçiye daha fazla satış getirebilir. Değerin oluşmasıyla paylaşılması ayrı sorulardır.

Model ucuzlarsa pazarlık gücü nereye gider?

Stanford'ın 2025 AI Index özeti, MMLU testinde %64,8 başarı düzeyine ulaşan modellerde bir milyon token sorgulama fiyatının Kasım 2022'de $20'den Ekim 2024'te $0,07'ye indiğini bildiriyor. Bu karşılaştırma belirli bir performans eşiğinin fiyatıdır; toplam kurulum maliyeti veya en ileri modellerin bütün işleri için geçerli değildir. Stanford HAI.

Böyle bir ucuzlama sürerse uygulama geliştiren şirketler için yeni alanlar açılabilir. Ancak aynı imkân rakiplere de açılır. Bu yüzden bütçeyi yalnızca modelin bugünkü yeteneğine bağlamak yerine, o yeteneğin ucuz ve yaygın olduğu bir durumda müşterinin neden bizi seçeceğini düşünmek daha yararlı.

ABD Federal Ticaret Komisyonunun Ocak 2025 tarihli personel raporu, incelediği büyük bulut sağlayıcısı ve yapay zekâ geliştiricisi ortaklıklarında geçiş maliyetleri ve kritik girdilere erişim gibi olası rekabet sorunlarını ele alıyor. Bunlar raporda belirtilen riskler; kesinleşmiş bir hukuk ihlali veya kârın kime gideceğine dair hüküm değil. FTC rapor duyurusu.

Bir hizmetin birim fiyatının düşmesiyle o hizmetten çıkmanın kolaylaşması da aynı şey değil. Veriyi taşımak, değerlendirme düzenini yeniden kurmak, çalışanları eğitmek ve müşteriye kesintisiz hizmet vermek maliyetli olabilir. Tedarikçi seçerken ucuzluğun yanında bu maliyeti de hesaba katarım. Taşınabilir bir sistem bazen bugünkü en düşük faturadan daha değerli bir pazarlık seçeneği sağlar.

Tasarruf, aktarım, kalıcılık

Bir yönetim ekibinin yatırım kararını üç soruyla sınamasını öneriyorum. İlk soru tasarrufla ilgili: Aynı kalite standardında tamamlanan bir işin toplam maliyeti gerçekten düşüyor mu? Başlangıç ölçümü, temsilî görevler ve hata maliyetleri olmadan bu sorunun cevabı çoğunlukla bir izlenimden ibaret kalır. Başarılı denemeyi en kolay görevlerden seçmek de ölçekleme hesabını olduğundan iyi gösterir.

İkinci soru aktarım: Elde edilen kazanç hangi tarafa gidiyor? Bunun için gerçekleşen satış fiyatına, indirimlere, kullanım hacmine, müşteri kaybına ve tedarikçi faturasına birlikte bakmak gerekir. Fiyatı liste üzerinden ölçerken müşteriye verilen ücretsiz ek hizmeti dışarıda bırakırsak aktarımı gözden kaçırabiliriz. Aynı şekilde kullanımın artması gelir artışı sayılmaz; paket fiyatı sabitse artan kullanım maliyeti yükseltebilir.

Üçüncü soru kalıcılık: Rakip aynı modele eriştiğinde müşteri neden kalacak? Cevap belirli bir entegrasyon, güvenilir sonuç, izinli ve işe yarayan veri veya güçlü bir dağıtım ilişkisi olabilir. Cevabın “biz de yapay zekâ kullanıyoruz” olması, yatırımın savunmasının zayıf kaldığını düşündürür. Her avantajın ne kadar sürede kopyalanabileceğini ve müşterinin onu ne kadar önemsediğini ayrı ayrı sorgulamak gerekir.

Bu değerlendirme, [yapay zekâ iş akışının nasıl yönetileceğine ilişkin yazının](/tr/yazilar/ai-strategy-operating-layer) devamı olarak okunabilir. Orada şirket içindeki karar ve sorumluluk düzeni öne çıkıyordu. Burada bu düzenin ürettiği sonucun müşteriyle ve rakiple karşılaştığında ne kadar değer taşıdığına bakıyorum. İyi çalışan bir süreç, ticari üstünlük için gerekli olabilir; tek başına yeterli olmayabilir.

Önümüzdeki üç ila beş yılda neye yatırım yapardım?

Bu süreyi bir teknoloji tahmini olarak değil, yatırımın dayanıklılığını sorgulamak için kullanıyorum. İlk aşamada küçük ama temsil gücü olan bir uygulamayla net maliyeti ve kaliteyi ölçerdim. Başarı kriterini daha çok çıktı üretmek yerine, kabul edilen sonuç başına maliyet ve müşterinin deneyimi üzerinden kurardım. Kullanım sayısını tek hedef yapmak, [KPI'ların davranışı bozması](/tr/yazilar/when-kpis-turn-into-midas) riskini artırabilir.

Sonraki kaynak tahsisini müşteri tarafındaki kanıta bağlardım. Daha hızlı hizmet, yenileme oranını artırıyor mu? Yeni fiyat gerçekten yeni müşteri getiriyor mu? Satış ekibi indirim baskısını ne ölçüde hissediyor? Bu sorulara yanıt vermeyen bir ölçekleme planı, teknik başarıyı ticari başarı varsayımına dönüştürür. Karşılaştırmada ürün karması, genel talep ve başka fiyat değişikliklerini de ayırmak gerekir.

Daha uzun vadede ise iki şeye para ayırırdım: müşterinin değer verdiği ve kopyalanması zor olan yeteneklere, bir de tedarikçi değiştirme seçeneğini korumaya. İkincisi her şeyi içeride kurmak demek değil. Kritik verinin çıkarılabilir olması, alternatif hizmetin küçük ölçekte denenmesi ve geçiş maliyetinin bilinmesi bile karar alanını genişletir.

Her yatırımın büyütme, düzeltme veya durdurma koşulu baştan yazılabilir. Örneğin kalite korunurken birim maliyet düşüyor ama gerçekleşen fiyat daha hızlı geriliyorsa aynı ürüne daha fazla kaynak koymak yerine farklılaşmayı veya hedef müşteri grubunu yeniden düşünmek gerekir. Tasarruf zayıf olsa da müşterinin ödediği fiyat ve bağlılığı artıyorsa hizmet kalitesi üzerinden kurulan yatırım gerekçesi güçlenebilir.

Fikrimi ne değiştirir?

Benim beklentim, benzer modellere erişimin yaygınlaştığı alanlarda sıradan maliyet avantajlarının rekabete daha açık olacağı. Bunu zayıflatacak kanıt, belirgin bir veri, dağıtım veya müşteri ilişkisi avantajı olmayan şirketlerin de rakipleri yetiştikten sonra daha yüksek katkıyı yıllarca koruması olurdu. Özellikle yeni talep ve daha iyi kalite fiyat baskısını sürekli aşıyorsa, kalıcı kazanç için ayrı bir kıt varlığa verdiğim ağırlığı azaltırım.

Tersi yönde, bütün kazancın birkaç altyapı sağlayıcısında kalacağını da varsaymıyorum. Daha ucuz alternatiflerin yayılması ve geçişin kolaylaşması pazarlık gücünü müşteriye veya uygulama şirketine taşıyabilir. Hangi sonuç ortaya çıkarsa çıksın bunu kullanım sayısından okuyamayız; fiyat, kalite, maliyet ve müşteri davranışını birlikte izlememiz gerekir.

Yapay zekâ yatırımında sonunda sormak istediğim soru şu: Rakiplerimiz de aynı işi aynı hızda yapabildiğinde, müşteri bize hangi fark için ödeme yapacak? Bu soruya somut bir cevap verebilen şirketin, bugünkü tasarrufu yarının kazancına dönüştürmek için daha güçlü bir gerekçesi var.

Kaynaklar