Yapay Zeka Ekosisteminde Kim Ne Yapıyor? Katman Haritası

Yapay zeka ekosistemi, dışarıdan bakıldığında baş döndürücü bir kalabalık gibi görünür: her hafta yeni bir model, yeni bir araç, yeni bir şirket duyulur. Ama bu kalabalığın altında düzenli bir yapı vardır. Yapay zeka ekosistemi, aslında birbirinin üzerine oturan katmanlardan oluşan bir değer zinciridir; ve bu katman haritasını bir kez gördüğünüzde, "kim ne yapıyor" sorusu çözülür. Bu rehberde ekosistemi beş katmana ayırıyoruz — donanım ve altyapı katmanı, model sağlayıcı katmanı, araç ve orkestrasyon katmanı, uygulama katmanı ve danışmanlık/hizmet katmanı — her birinde hangi oyuncu tipinin bulunduğunu, katmanların birbirine nasıl bağımlı olduğunu ve en önemlisi, bir kurumsal alıcı için tüm bunun ne anlama geldiğini bir danışman gözüyle ele alıyoruz.

Bir benzetme yardımcı olur. Yapay zeka ekosistemini bir şehir gibi düşünün: en altta elektrik santralleri ve su şebekesi (donanım ve altyapı) vardır; onların üzerine fabrikalar (model sağlayıcılar) kurulur; fabrikaların ürettiği hammadde, atölyelerde (orkestrasyon araçları) işlenir; ve en tepede, sokaktaki insanların girdiği dükkânlar (uygulamalar) yer alır. Şehri ayakta tutan mimarlar, müteahhitler ve şehir plancıları ise danışmanlık katmanıdır. Kimse elektrik santrali kurmadan dükkân açmaz; ama dükkân sahibinin santralin nasıl çalıştığını bilmesi gerekmez — sadece prize erişmesi yeterlidir. Kurumsal yapay zeka kararlarının çoğu, tam olarak bu "hangi katmanda dükkân açacağım, hangi katmanı hizmet olarak kiralayacağım" sorusudur.

Tanım

Yapay Zeka Ekosistemi (Katman Haritası)

Yapay zeka değer zincirini oluşturan birbirine bağlı katmanların bütünü. Aşağıdan yukarıya: donanım ve altyapı katmanı (çip, veri merkezi, bulut), temel model üreten model sağlayıcı katmanı, modelleri kullanılabilir kılan araç ve orkestrasyon katmanı, son kullanıcının gördüğü uygulama katmanı ve tüm bunları işe dönüştüren danışmanlık/hizmet katmanı. Her katmanın kendi oyuncu tipi, ekonomisi ve kurumsal karşılığı vardır.

Ayrıca: AI ekosistemi, yapay zeka değer zinciri, AI katman haritası, AI stack, yapay zeka katmanları

Yapay zeka ekosistemi, tek bir ürün veya tek bir şirket değil, birbiriyle etkileşen çok sayıda oyuncunun oluşturduğu bir değer üretim ağıdır. Bu ağı anlamanın en verimli yolu, onu yatay katmanlara ayırmaktır; çünkü katmanlar, ekonomileri, oyuncu tipleri ve giriş engelleri bakımından birbirinden çok farklıdır. Bir katman haritası, karmaşık görünen bu manzarayı düzenli ve karar verilebilir bir resme dönüştürür.

Katman düşüncesi yeni değildir; bilişim tarihinde her büyük teknoloji dalgası benzer bir katmanlaşma göstermiştir. İnternet çağında da altta fiziksel ağ altyapısı, üstünde protokoller, sonra platformlar ve en tepede uygulamalar oluşmuştu. Yapay zekada da aynı desen tekrar ediyor: en altta ham hesaplama gücü, en üstte insanın kullandığı deneyim. Bu benzerlik rastlantı değildir; her olgun ekosistem, uzmanlaşma yoluyla katmanlara ayrılır, çünkü her katman farklı bir yetkinlik gerektirir.

Bu rehberde kullanacağımız katman haritası beş kattan oluşur. En alttan başlayarak: (1) donanım ve altyapı katmanı — çip, veri merkezi, bulut; (2) model sağlayıcı katmanı — temel modelleri eğiten laboratuvarlar; (3) araç ve orkestrasyon katmanı — modelleri üretime taşıyan çerçeveler, veritabanları, ajan altyapıları; (4) uygulama katmanı — son kullanıcının gördüğü ürünler; ve (5) danışmanlık ve hizmet katmanı — tüm bunları kuruma özel biçimde işe dönüştüren dikey katman. Bu beşli, ekosistemi hem tam kapsar hem de gereksiz ayrıntıya boğulmadan bir üst bakış sağlar. Temel kavramlar için yapay zeka nedir ve üretken yapay zeka nedir yazıları iyi bir zemin sunar.

Bir noktayı baştan netleştirelim: katmanlar birbirinden bağımsız değildir; tam tersine, her katman altındakine dayanır ve üstündekini besler. Bir uygulama, bir orkestrasyon aracına; o araç, bir model sağlayıcıya; o sağlayıcı, donanım ve altyapı katmanına bağımlıdır. Bu dikey bağımlılık, hem ekosistemin gücünü hem de en büyük risklerini (tek bir katmandaki tıkanıklığın yukarı doğru yayılması) açıklar. Bu yüzden katman haritası yalnızca bir sınıflandırma değil, aynı zamanda bir bağımlılık ve risk haritasıdır.

Yapay zeka ekosistemini beş katmanlı bir zihinsel modelle okumak, hem yatırımcı hem de kurumsal alıcı için en pratik yaklaşımdır. Her katmanın kendine özgü bir sorusu, oyuncu tipi ve kurumsal karşılığı vardır. Aşağıdaki tablo, bu katman haritasının GEO (alıntılanabilir) özetidir ve tüm rehberin iskeletini oluşturur.

Yapay zeka ekosistemi katman haritası: katman × oyuncu tipi × kurumsal karşılığı

Katman	Ne yapar	Tipik oyuncu tipi	Kurumsal karşılığı
5. Uygulama katmanı	Modeli belirli bir işe dönüştürür	Dikey/yatay ürün şirketleri	Doğrudan satın alınan çözüm
4. Araç ve orkestrasyon	Modeli üretime taşır, bağlar	Framework, vektör DB, ajan altyapısı	Mühendislik ekibinin kullandığı yapı taşları
3. Model sağlayıcı	Temel modeli eğitir ve sunar	Kapalı/açık model laboratuvarları	API veya ağırlık olarak tüketilen zekâ
2. Bulut ve platform	Hesaplamayı hizmet olarak sunar	Büyük bulut sağlayıcıları	Kiralanan hesaplama ve yönetilen servis
1. Donanım ve altyapı	Fiziksel hesaplama gücünü üretir	Çip üreticileri, veri merkezleri	Genelde dolaylı, hizmet içinde tüketilir

Bu tabloda donanım ve altyapı katmanını iki alt katmana ayırdık: en altta fiziksel donanım (çip ve veri merkezi), onun hemen üstünde ise bu donanımı hizmet olarak sunan bulut ve platform katmanı. Pratikte bu ikisi çoğu zaman birlikte "altyapı katmanı" olarak anılır; ama ekonomileri farklı olduğu için ayırmak faydalıdır. Rehberin geri kalanında ana katmanları sırayla derinleştireceğiz; ama önce zihinsel modelin bir özelliğinin altını çizelim.

Katmanlar yukarı çıktıkça iki şey değişir: giriş engeli düşer ve oyuncu sayısı artar. En altta, bir çip fabrikası kurmak on milyarlarca dolar ve on yıllar gerektirir; bu yüzden bu katmanda bir avuç dev vardır. En üstte, bir uygulama geliştirmek bir ekip ve bir fikirle mümkündür; bu yüzden uygulama katmanı binlerce oyuncuyla doludur. Bu asimetri, ekosistemin ekonomisini ve nereye rekabetin, nereye tekelin yerleştiğini açıklar. Bir kurum için bunun anlamı nettir: değer üretmek istediğiniz katman ne kadar yukarıdaysa, o kadar hızlı hareket edebilir ama o kadar çok rakiple karşılaşırsınız.

Her şeyin en altında donanım ve altyapı katmanı yer alır. Bu katman, yapay zekanın üzerinde çalıştığı fiziksel zemini üretir: modelleri eğiten ve çalıştıran özel işlemciler, bunları barındıran devasa veri merkezleri, ağ altyapısı, soğutma sistemleri ve enerji. Yapay zeka ekosisteminin görünmeyen ama en belirleyici katmanı budur; çünkü üstteki her katman, doğrudan veya dolaylı olarak bu katmanın sağladığı hesaplama gücüne dayanır.

Bu katmanın kalbinde özel işlemciler bulunur. Genel amaçlı işlemcilerin aksine, yapay zeka iş yükleri devasa sayıda paralel matematiksel işlem gerektirir; bu yüzden grafik işlemcilerinden (GPU) ve yapay zekaya özel çiplerden yararlanılır. Bir modelin neden bu kadar çok hesaplama gücüne ihtiyaç duyduğunu ve GPU'nun rolünü GPU nedir ve kurumsal bağlamda kurumsal AI için GPU yazılarında ele alıyoruz. Bu çipleri tasarlayan ve üreten şirket sayısı çok azdır; üretim, aşırı sermaye-yoğun ve teknik olarak zorlu olduğundan, altyapı katmanı doğal olarak birkaç global oyuncu tarafından domine edilir.

Çiplerin üstünde veri merkezleri gelir. Bir temel modeli eğitmek, binlerce çipin haftalarca kesintisiz çalışmasını gerektiren, muazzam enerji tüketen bir operasyondur. Bu ölçekteki veri merkezlerini kurmak ve işletmek yalnızca en büyük teknoloji şirketlerinin ve bulut sağlayıcılarının harcıdır. İşte bu yüzden donanım ve altyapı katmanı, ekosistemin en sermaye-yoğun ve en yoğunlaşmış halkasıdır; bu katmana girmek isteyen için engel neredeyse aşılmazdır.

Bu katmanın hemen üstünde, onu "kullanılabilir" kılan bir ara katman vardır: bulut ve platform katmanı. Çoğu kurum kendi veri merkezini kurmaz; bunun yerine hesaplama gücünü büyük bulut sağlayıcılarından hizmet olarak kiralar. Bulut, altyapı katmanının gücünü bir prize dönüştürür: istediğiniz kadar hesaplama, istediğiniz an, kullandığın kadar öde modeliyle. Kurumların çoğu için donanım ve altyapı katmanıyla ilişki tam olarak buradan, buluttan kurulur. Egemenlik ve veri konumu kaygısı olan kurumlar için ise kendi tesisinde (on-premise) kurulum bir seçenektir; bunu on-premise AI altyapısı yazısında değerlendiriyoruz.

Donanım ve altyapı katmanının üzerine model sağlayıcı katmanı oturur. Bu katmandaki oyuncular, ham hesaplama gücünü ve devasa veri kümelerini kullanarak temel modelleri (foundation models) eğitir. Temel model, belirli bir işe özel olmayan, geniş bir yetenek yelpazesine sahip büyük bir yapay zeka modelidir; metin üretebilir, kod yazabilir, görsel yorumlayabilir. Bu katman, yapay zeka ekosisteminin "beyin fabrikası"dır: burada üretilen zekâ, üstteki tüm katmanların hammaddesidir.

Bir temel modelin nasıl çalıştığını anlamak için birkaç kavram gerekir. Modeller, metni küçük parçalara (token) böler ve dev bir sinir ağı mimarisi olan transformer üzerinden işler. Bu mekanizmaları LLM nedir, token nedir ve transformer nedir yazılarında derinlemesine ele alıyoruz. Model sağlayıcı olmak son derece zordur: bir temel modeli sıfırdan eğitmek yüz milyonlarca dolar, nadir uzmanlık ve donanım ve altyapı katmanına ayrıcalıklı erişim gerektirir. Bu yüzden bu katmanda da görece az sayıda oyuncu vardır — ama uygulama katmanından çok daha azıyla, altyapı katmanından biraz daha fazlasıyla.

Model sağlayıcı katmanı ikiye ayrılır: kapalı (tescilli) modeller ve açık kaynak modeller. Kapalı model sağlayıcılar, modellerini yalnızca bir API (uygulama programlama arayüzü) üzerinden sunar; siz modeli görmezsiniz, ona internet üzerinden soru gönderir ve cevap alırsınız. Açık kaynak model sağlayıcılar ise modelin ağırlıklarını (parametrelerini) yayımlar; böylece modeli kendi altyapınızda çalıştırabilir, üzerinde değişiklik yapabilirsiniz. Bu ayrımın kurumsal sonuçlarını açık kaynak LLM nedir ve açık mı kapalı mı model seçim rehberi yazılarında karşılaştırıyoruz.

Bu katmanda rekabet kızışmıştır. Farklı model sağlayıcılar farklı güçlü yönler sunar; kimi akıl yürütmede, kimi kod yazmada, kimi maliyet-performansta öne çıkar. Kurumlar için bu, bir model sağlayıcıya kilitlenmek yerine, işe göre model seçebilmek anlamına gelir. Güncel model karşılaştırmalarını frontier model karşılaştırması ve kurumsal seçim çerçevesini kurumsal LLM model seçimi yazılarında bulabilirsiniz. Önemli bir not: büyük bulut sağlayıcıları aynı zamanda kendi temel modellerini de üretir; yani bir şirket hem altyapı katmanında hem model katmanında bulunabilir. Bu çok-katmanlı konumlanma, ekosistemin en dikkat çeken özelliklerinden biridir.

Temel bir model güçlüdür ama tek başına bir işi çözmez; bir API çağrısı, bir kurumsal soruna cevap değildir. İşte bu boşluğu araç ve orkestrasyon katmanı doldurur. Bu katman, modeli üretime taşıyan, onu kurumsal verilere ve sistemlere bağlayan, birden fazla adımı birbirine dizen tüm yapı taşlarını içerir. Yapay zeka ekosisteminin en hızlı büyüyen ve en teknik katmanı budur; çünkü "modeli işe koşma" işinin büyük kısmı burada yapılır.

Bu katmanın en önemli bileşenlerinden biri, modeli kurumun kendi bilgisiyle beslemektir. Ham model, sizin kurumunuza özel belgeleri bilmez; bu yüzden RAG (bilgi getirimiyle üretim) mimarisi devreye girer. RAG, modele soru sormadan önce ilgili belgeleri getirip bağlamına ekler. Bu mimariyi RAG nedir yazısında kapsamlı biçimde ele alıyoruz. RAG'in kalbinde, metni anlamsal vektörlere çeviren embedding ve bu vektörleri saklayan vektör veritabanı vardır; bu ikisi orkestrasyon katmanının temel taşlarıdır. Ayrıntıları için embedding nedir ve vektör veritabanı nedir yazılarına bakabilirsiniz.

Orkestrasyon katmanının ikinci büyük işlevi, modele "araç kullanmayı" ve çok adımlı görevleri yürütmeyi öğretmektir. Modern yapay zeka sistemleri yalnızca cevap üretmez; bir takvime bakabilir, bir veritabanını sorgulayabilir, bir e-posta gönderebilir. Bu yeteneği sağlayan mekanizmaları function calling nedir ve modelleri araç ve verilere bağlayan yeni standardı MCP nedir yazılarında açıklıyoruz. Bu araçları birden çok adımı ve karar noktasını yöneten sistemlere dönüştürmek ise ajan mimarisidir; AI agent nedir, agentic AI nedir ve çoklu ajan sistemi nedir yazıları bu konuyu derinleştirir.

Bu katmanda üçüncü bir bileşen kümesi, üretimdeki sistemleri ayakta tutan operasyonel araçlardır: promptları yöneten, modelleri farklı sağlayıcılara yönlendiren ağ geçitleri, maliyeti düşüren önbellekleme, ve sistemin nasıl davrandığını izleyen gözlemlenebilirlik. Model yönlendirme ve önbelleği AI gateway ve model yönlendirme, üretim disiplinini ise LLMOps nedir yazısında ele alıyoruz. Bu katmanın tüm bileşenlerinin bir arada nasıl kurgulandığına dair bütünsel bir bakış için AI mühendisliği stack karşılaştırması yazısı iyi bir haritadır.

Araç ve orkestrasyon katmanının başlıca bileşenleri ve işlevleri

Bileşen	İşlevi	Ne zaman gerekir
RAG boru hattı	Modeli kurumsal bilgiyle besler	Kuruma özel, güncel bilgi gerektiğinde
Vektör veritabanı	Anlamsal aramayı mümkün kılar	Belge tabanlı erişim gerektiğinde
Ajan çerçevesi	Çok adımlı görevleri yürütür	Karar ve araç kullanımı gerektiğinde
Model ağ geçidi	İstekleri modellere yönlendirir	Çoklu model ve maliyet kontrolünde
Gözlemlenebilirlik	Kaliteyi ve davranışı izler	Üretim ortamının her zaman

Bu katmanın kurumsal anlamı şudur: değerin büyük kısmı burada, "modeli işe bağlama" işinde üretilir. Bir kurum en güçlü modeli kullansa bile, orkestrasyon katmanını doğru kurmadan güvenilir bir sistem elde edemez. Bu yüzden kurumsal yapay zeka projelerinde emeğin önemli bir bölümü model seçmeye değil, bu katmanı doğru mühendislemeye gider.

Katman haritasının en tepesinde, son kullanıcının gerçekten gördüğü ve kullandığı uygulama katmanı yer alır. Alt katmanların tüm gücü — çip, model, orkestrasyon — burada belirli bir işi çözen somut bir ürüne dönüşür. Uygulama katmanı, "yapay zeka ne işe yarar" sorusunun günlük hayattaki cevabıdır: bir müşteri destek asistanı, bir kod yardımcısı, bir sözleşme analiz aracı, bir toplantı özetleyici. Kullanıcı için yapay zeka ekosistemi, çoğunlukla yalnızca bu katmandan ibarettir; alttaki karmaşıklık ondan gizlenir.

Uygulama katmanı kendi içinde ikiye ayrılır: yatay ve dikey uygulamalar. Yatay uygulamalar, birçok sektörde geçerli genel bir ihtiyaca hitap eder — örneğin genel bir sohbet asistanı, bir yazı yardımcısı veya bir kod tamamlama aracı. Dikey uygulamalar ise belirli bir sektöre veya işleve özel derinleşir — hukuk için sözleşme incelemesi, sağlık için klinik not asistanı, finans için risk analizi. Dikey uygulamalar, sektöre özel bilgi ve iş akışı gömdükleri için genellikle daha savunulabilir bir değer sunar; çünkü sadece model gücünü değil, alan uzmanlığını da içerir.

Bu katmanın giriş engeli en düşüktür; bir ekip ve bir fikirle uygulama geliştirmek mümkündür. Bu yüzden uygulama katmanı, yapay zeka ekosisteminin en kalabalık ve en rekabetçi halkasıdır. Ama bu kalabalık aldatıcıdır: bir uygulamanın kalıcı olması, altındaki modelin gücünden değil, çözdüğü iş sorununun gerçekliğinden ve müşteri ilişkisinin derinliğinden gelir. "İnce bir sarıcı" (thin wrapper) — yani sadece bir model API'sini basit bir arayüzle saran uygulama — kolayca taklit edilir; kalıcı değer, alan bilgisi, veri ve iş akışı entegrasyonu ekleyen uygulamalardan gelir.

Kurumsal alıcı için uygulama katmanı iki soruyu gündeme getirir. Birincisi "satın al mı, kur mu": hazır bir uygulama mı almalı, yoksa kendi uygulamamı mı geliştirmeliyim? Bu kararı kurumsal AI build vs buy ve build, buy, assemble yazılarında ele alıyoruz. İkincisi "bağımlılık": bir uygulama sağlayıcısına ne kadar bağlanıyorum, verim kimde, çıkış maliyeti ne? Uygulama katmanında karar verirken, parlak demoların ötesine geçip bu iki soruyu netleştirmek, olgun bir kurumsal yaklaşımın işaretidir.

Dört yatay katmanı diktdiği ele geçiren bir beşinci katman vardır: danışmanlık, entegrasyon ve hizmet katmanı. Bu katman, teknolojinin kendisini üretmez; ama teknolojiyi kuruma özel bir değere dönüştürür. Çünkü hiçbir çip, model veya uygulama, kendi başına bir kurumun sorununu çözmez; birinin doğru soruyu sorması, doğru katmanları seçmesi, parçaları kurumun bağlamına oturtması ve ekipleri yetkinleştirmesi gerekir. İşte danışmanlık katmanı tam olarak bu köprüyü kurar.

Bu katmanın gerekliliği, ekosistemin karmaşıklığından doğar. Bir kurum, beş katmanın onlarca oyuncusu arasında hangi kombinasyonun kendi durumuna uyduğunu tek başına çözmekte zorlanır. Hangi model sağlayıcı? Hangi vektör veritabanı? Bulut mu on-premise mi? RAG mi fine-tuning mi? Bu soruların cevabı kurumdan kuruma değişir ve yanlış cevap, aylar ve bütçeler kaybettirir. Danışmanlık katmanı, bu karar uzayını daraltır ve kuruma özel bir yol haritası çizer. Kurumsal strateji kurmayı kurumsal AI stratejisi ve kurumsal yapay zeka stratejisi nasıl oluşturulur yazılarında ele alıyoruz.

Danışmanlık katmanı birkaç alt işlevden oluşur. Strateji danışmanlığı, kurumun hangi katmanda değer üreteceğini ve hangi kullanım senaryolarına öncelik vereceğini belirler. Entegrasyon ve uygulama geliştirme, seçilen parçaları kurumun mevcut sistemlerine bağlar. Yönetişim ve uyum danışmanlığı, KVKK ve düzenleyici gerekliliklerin sağlanmasına yardım eder. Ve belki en kalıcı katkı, eğitim ve yetkinleştirmedir: kurumun kendi ekiplerinin bu teknolojiyi anlayıp sürdürebilir hale gelmesi. Kurumsal eğitimin ne olduğunu ve neden kritik olduğunu kurumsal yapay zeka eğitimi nedir yazısında, danışmanlığın kapsamını ise yapay zeka danışmanlığı nedir yazısında bulabilirsiniz.

Kurumsal alıcı için bu katmanın anlamı şudur: teknoloji seçimi işin yalnızca yarısıdır; asıl değer, o teknolojiyi kurumun gerçekliğine oturtmaktan gelir. En iyi araçları satın alan ama onları kendi bağlamına bağlayamayan bir kurum, yatırımından değer alamaz. Bu yüzden olgun kurumlar, teknoloji satın alırken danışmanlık ve yetkinleştirmeyi ayrı bir kalem değil, projenin ayrılmaz bir parçası olarak planlar. Kurumunuzun katman haritasındaki konumunu netleştirmek ve doğru yol haritasını çizmek için bizimle iletişime geçebilirsiniz.

Katmanları ayrı ayrı anlamak, resmin yarısıdır; diğer yarısı, onların birbirine nasıl bağlandığını görmektir. Yapay zeka ekosistemi bir yığın değil, bir zincirdir: her katman altındakinin çıktısını girdi olarak alır ve üstündekine yeni bir değer ekleyerek aktarır. Bu dikey akışı görmek, hem fırsatların hem de risklerin nereden geldiğini anlamanın anahtarıdır.

Değerin akışını somutlaştıralım. Donanım ve altyapı katmanı ham hesaplama gücü üretir. Model sağlayıcı katmanı bu gücü kullanarak eğitilmiş zekâ üretir. Araç ve orkestrasyon katmanı bu zekâyı kurumsal verilere ve sistemlere bağlar. Uygulama katmanı bu bağlı zekâyı belirli bir işe dönüştürür. Danışmanlık katmanı ise tüm bu zinciri kurumun gerçekliğine oturtur. Zincirin her halkası bir öncekine dayanır; bir uygulama, ne kadar iyi tasarlanırsa tasarlansın, altındaki modelin ve altyapının sınırlarını miras alır.

Bu bağımlılık bir güç kaynağıdır ama aynı zamanda ekosistemin en önemli risklerini de barındırır. Birincisi, aşağıdan yukarı yayılan tıkanıklık: altyapı katmanında bir kısıt (örneğin çip kıtlığı), yukarıdaki her katmanı etkiler. İkincisi, tek satıcıya kilitlenme: bir uygulamanın belirli bir model sağlayıcıya sıkı bağlanması, o sağlayıcının fiyat veya politika değiştirmesi durumunda kurumu savunmasız bırakır. Bu yüzden olgun mimariler, katmanlar arası bağı gevşek tutmayı — bir katmandaki oyuncuyu gerektiğinde değiştirebilmeyi — hedefler. Model bağımsızlığını sağlayan yaklaşımları AI gateway yazısında ele alıyoruz.

Bir başka önemli dinamik, katmanların birbirini "yutmaya" çalışmasıdır. Alt katmandaki oyuncular yukarı doğru genişler (bir bulut sağlayıcının kendi modelini ve uygulamalarını sunması), üst katmandaki oyuncular ise aşağı doğru derinleşir (bir uygulama şirketinin kendi modelini eğitmeye başlaması). Bu dikey entegrasyon çabası, ekosistemin sınırlarını sürekli hareketli tutar. Kurumsal alıcı için bunun anlamı, "bugün bir katmanda olan satıcının yarın başka katmanlara da uzanabileceğini" hesaba katmaktır; bu hem fırsat (tek elden çözüm) hem risk (daha derin bağımlılık) doğurur.

Yapay zeka ekosisteminin en çok tartışılan sorusu şudur: bu değer zincirinde kâr nerede birikiyor? Cevap, katmandan katmana değişir ve zaman içinde kayar; ama net bir desen vardır. Bugün için sermaye ve marjın önemli kısmı, en altta, donanım ve altyapı katmanında yoğunlaşır. Nedeni basittir: bu katman sermaye-yoğundur, ölçek ekonomisiyle korunur, taklit edilmesi neredeyse imkânsızdır ve herkesin — tüm üst katmanların — ihtiyaç duyduğu kıt bir kaynağı (hesaplama gücü) sunar. Bir "altın hücumu"nda kürek satanların kazandığı klasik desen burada da geçerlidir.

Model sağlayıcı katmanında durum daha karmaşıktır. Bu katman yüksek değer üretir ama yoğun rekabet ve muazzam eğitim maliyetleri marjı sıkıştırır. Birden fazla güçlü model sağlayıcının benzer yetenekleri sunması, fiyatları aşağı çeker ve modelleri giderek "meta"laştırır — yani birbirinin yerine geçebilir kılar. Bu, kurumsal alıcı için iyi haberdir (düşen maliyet, artan seçenek), ama model sağlayıcılar için zorlu bir ekonomidir. Değerin bir kısmı, farklılaşmayı sürdürebilen (en güçlü akıl yürütme, en iyi belirli-dil performansı) sağlayıcılarda kalır.

Uygulama katmanında değer, teknolojiden çok müşteri ilişkisine ve çözülen işe akar. Bir uygulama, altındaki modeli meta olarak tüketebilir; onu değerli kılan, belirli bir iş akışına derinlemesine oturması, kuruma özel veriyi ve alan bilgisini içermesidir. Bu yüzden uzun vadede değerin önemli bir kısmının uygulama katmanına — özellikle savunulabilir dikey uygulamalara — kayacağı yaygın bir öngörüdür. Ama bu, "ince sarıcı" uygulamalar için geçerli değildir; onlar, altındaki modelin bir özelliğe dönüşmesiyle kolayca silinir.

Danışmanlık ve hizmet katmanı ise değeri farklı bir mantıkla yakalar: teknoloji ne kadar hızlı değişirse, "bu değişimi kuruma çevirme" hizmetine talep o kadar artar. Bu katmanın değeri, ekosistemin karmaşıklığıyla doğru orantılıdır. Kurumsal alıcı için tüm bu marj tartışmasının pratik bir sonucu vardır: değerinizi hangi katmanda üreteceğinizi bilinçli seçin. Çoğu kurum için değer, kendi çipini yapmakta veya kendi modelini eğitmekte değil; hazır katmanları akıllıca birleştirip kendi iş sorununu çözmektedir. Kurumsal AI için doğru bütçe ve değer dağılımını kurumsal AI stratejisi yazısında ele alıyoruz.

Şimdiye kadar katmanları soyut olarak tanımladık; şimdi "kim ne yapıyor" sorusunu somut oyuncu tipleri ve örnek işlevlerle netleştirelim. Aşağıdaki tablo, her katmanda tipik olarak hangi tür şirketlerin bulunduğunu ve bir kurumun o katmanla nasıl bir ilişki kurduğunu özetler. Not: burada belirli şirket adları yerine oyuncu tiplerini kullanıyoruz; çünkü isimler hızla değişir ama katman mantığı kalıcıdır.

Katman × oyuncu tipi × kurumun tipik ilişkisi

Katman	Oyuncu tipi (örnek rol)	Kurumun tipik ilişkisi
Donanım	Çip tasarımcıları, veri merkezi işletmecileri	Dolaylı: bulut hizmeti içinde tüketir
Bulut/platform	Büyük bulut sağlayıcıları	Hesaplama ve yönetilen servis kiralar
Model sağlayıcı	Kapalı ve açık model laboratuvarları	API çağrısı veya açık ağırlık olarak kullanır
Orkestrasyon	Framework, vektör DB, ajan altyapısı sağlayıcıları	Mühendislik ekibi bunlarla sistem kurar
Uygulama	Dikey ve yatay ürün şirketleri	Hazır ürün satın alır veya kendi geliştirir
Danışmanlık	Strateji, entegrasyon ve eğitim firmaları	Yol haritası, kurulum ve yetkinleştirme alır

Bu tabloda dikkat edilmesi gereken önemli bir gerçek şudur: aynı şirket birden fazla satırda görünebilir. Büyük bulut sağlayıcıları hem donanım/altyapı katmanında (veri merkezleri) hem bulut/platform katmanında hem de kendi temel modelleriyle model sağlayıcı katmanında yer alır; hatta kendi uygulamalarını da sunar. Bu dikey entegrasyon, birkaç dev oyuncunun ekosistemin geniş bir bölümünü kapsamasını sağlar. Kurumsal alıcı için bu, "tek elden çözüm" kolaylığı ile "derin bağımlılık" riski arasında bir denge kurmak anlamına gelir.

Bir başka önemli nokta, oyuncuların katmanlar arasında hareket etmesidir. Bir orkestrasyon aracı sağlayıcısı, zamanla kendi uygulamasını çıkararak uygulama katmanına yükselebilir; bir uygulama şirketi, farklılaşmak için kendi modelini eğiterek model katmanına inebilir. Bu hareketlilik, "kim ne yapıyor" sorusunun tek seferlik değil, sürekli güncellenen bir cevabı olduğunu gösterir. Bu yüzden katman haritasını, dondurulmuş bir fotoğraf değil, akışkan bir harita olarak okumak gerekir. Türkiye özelinde hangi oyuncuların hangi katmanda yoğunlaştığını ve yerel fırsatları Türkiye yapay zeka ekosistemi yazısında derinlemesine ele alıyoruz.

Tüm bu katman haritasının pratik sorusu şudur: bir kurum olarak siz hangi katmanla çalışmalısınız? Cevap, ezici çoğunluk için nettir — üst katmanlarla. Kurumların büyük bölümü kendi çipini tasarlamaz, kendi veri merkezini kurmaz ve kendi temel modelini sıfırdan eğitmez; çünkü bunlar sermaye, uzmanlık ve zaman açısından yalnızca bir avuç global oyuncunun altından kalkabileceği işlerdir. Kurumun asıl değeri, alt katmanları hizmet olarak tüketip üst katmanlarda kendi iş sorununu çözmekte yatar.

Tipik bir kurumsal yapay zeka yolculuğu şöyle işler: kurum, uygulama katmanından hazır bir ürün kullanarak veya orkestrasyon katmanından parçaları birleştirerek kendi çözümünü kurar; altındaki model sağlayıcıyı bir API üzerinden, altyapı katmanını ise bulut üzerinden hizmet olarak tüketir. Yani kurumun "sahip olduğu" tek şey, en üstte kendi verisi, iş akışı ve alan bilgisiyle kurduğu değerdir; geri kalan katmanları kiralar. Bu, zayıflık değil, doğru bir iş bölümüdür: herkesin kendi elektriğini üretmesi gerekmediği gibi, herkesin kendi modelini eğitmesi de gerekmez.

Ama bu genel kuralın istisnaları vardır ve bunları bilmek stratejik olgunluğun işaretidir. Bazı kurumlar, düzenleme, egemenlik veya rekabet nedeniyle daha alt katmanlara inmek zorunda kalır. Örneğin, verilerinin ülke dışına çıkmasını istemeyen veya sektörel düzenlemeye tabi bir kurum, model ve altyapı katmanında kendi tesisinde (on-premise) veya egemen bulut çözümlerine yönelebilir. Bu kararı on-premise AI altyapısı ve egemenlik boyutunu egemen AI nedir yazılarında ele alıyoruz. Yine de bu istisnalar bile "sıfırdan çip üretmek" anlamına gelmez; yalnızca hangi katmanı kiralayıp hangisini sahiplendiğiniz sorusunun cevabını değiştirir.

Kurumsal alıcı için katman haritasının en değerli katkısı, satıcı değerlendirmesini netleştirmesidir. Bir satıcıyla konuşurken şu soruları sormak, gerçek değeri parlaklıktan ayırır: Bu ürün hangi katmanda? Altında hangi katmanlara bağımlı? Ben bu satıcıyı değiştirmek istersem çıkış maliyeti ne? Verim hangi katmanda tutuluyor ve KVKK açısından bu ne demek? Bu sorular, bir demonun büyüsünden çıkıp bir kurumsal karara geçmenin yoludur. Doğru soruları sormak için kurumsal LLM model seçimi çerçevesi ve genel strateji için kurumsal AI stratejisi yazısı yol gösterir.

Bir kurum yapay zeka ekosisteminde konumlanırken üç temel stratejik seçenekle karşılaşır: satın al (buy), sıfırdan kur (build) veya hazır parçaları birleştir (assemble). Bu üç yol, katman haritasında nereye yatırım yapacağınızı belirler ve doğru seçim, kurumun büyüklüğüne, yetkinliğine ve iş sorununun özgünlüğüne bağlıdır. Bu kararı bir süreç olarak ele alalım.

Nasıl Yapılır

Katman seçimi ve build-buy-assemble kararı

Bir kurumsal yapay zeka çözümünü hangi katmanda ve hangi yaklaşımla kuracağınıza karar vermek için adım adım çerçeve.

1. 1

   İş sorununu ve değeri tanımla

   Önce çözülecek somut iş sorununu ve başarı ölçütünü netleştirin; teknoloji değil, sorun başlangıç noktasıdır.

2. 2

   Sorunun özgünlüğünü ölç

   Sorun sektörde yaygınsa hazır bir uygulama (buy); kuruma çok özelse birleştirme (assemble) veya geliştirme (build) gerekebilir.

3. 3

   Katman haritasında konumu belirle

   Değeri hangi katmanda üreteceğinizi seçin: uygulama katmanında hazır çözüm mü, orkestrasyon katmanında kendi sistemin mi?

4. 4

   Bağımlılık ve çıkış maliyetini değerlendir

   Her seçenekte hangi satıcıya ne kadar bağlandığınızı ve geri dönüş maliyetini hesaplayın.

5. 5

   Uyum ve egemenlik gereksinimini kontrol et

   KVKK, veri konumu ve sektörel düzenleme, alt katmanlara inip inmeyeceğinizi belirler.

6. 6

   Pilotla, ölç, sonra ölçekle

   Kararı büyük ölçekte vermeden önce dar bir pilotla test edin ve ölçülebilir sonuçla genişletin.

Bu çerçevenin pratik sonucu genellikle şudur: kurumların büyük çoğunluğu için doğru yol "assemble"dır — yani hazır katmanları (model sağlayıcı, orkestrasyon araçları) akıllıca birleştirip, en üstte kuruma özel değeri eklemek. Saf "buy" (her şeyi hazır almak) hızlıdır ama farklılaşma sağlamaz ve derin bağımlılık yaratır. Saf "build" (her şeyi sıfırdan kurmak) esneklik verir ama çoğu kurum için pahalı, yavaş ve gereksizdir. "Assemble", bu iki ucun dengesidir ve çoğu kurumsal senaryonun doğru cevabıdır. Bu üç yaklaşımı ayrıntılı olarak build, buy, assemble yazısında karşılaştırıyoruz.

Karar verirken sık yapılan bir hata, "build" seçeneğini prestij veya kontrol arzusuyla abartmaktır. Kendi modelini eğitmek veya her şeyi kendi kurmak, kulağa iddialı gelir ama çoğu zaman kurumu, asıl işi olmayan bir teknoloji yarışının içine sokar. Doğru soru "ne kadar çok şey kurabilirim" değil, "değeri en hızlı nerede üretirim"dir. Çoğu kurum için cevap, alt katmanları güvenilir sağlayıcılara bırakıp enerjisini kendi iş sorununa ve verisine odaklamaktır. Bu kararı kurumunuza özel netleştirmek için deneyimli bir bakışa ihtiyaç duyarsanız, yapay zeka danışmanlığı bu köprüyü kurar.

Yapay zeka ekosistemi küresel bir yapıdır; ama her katmandaki fırsatlar ve kısıtlar, ülkeye göre farklılaşır. Türkiye bağlamında katman haritasını okumak, hem yerel oyuncular hem de kurumsal alıcılar için önemli sonuçlar doğurur. En alttaki iki katman — donanım ve altyapı ile temel model — küresel devlerin domine ettiği, sermaye-yoğun ve giriş engeli yüksek alanlardır; bu katmanlarda yerel bir aktörün küresel ölçekte rekabet etmesi zordur. Fırsat, çoğunlukla üst katmanlarda yoğunlaşır.

Türkiye'nin en güçlü olduğu katmanlar uygulama, orkestrasyon ve danışmanlıktır. Yerel dil, yerel mevzuat ve yerel iş akışları hakkında derin bilgi gerektiren dikey uygulamalar, küresel oyuncuların kolayca dolduramadığı bir boşluk yaratır. Türkçe'yi iyi işleyen, KVKK'ya uygun ve yerel sektörlerin (bankacılık, sigorta, kamu, e-ticaret) gerçekliğine oturan çözümler, yerel oyuncular için doğal bir avantaj alanıdır. Türkiye'nin yapay zeka benimseme dinamiklerini ve yerel ekosistemi Türkiye yapay zeka ekosistemi ve kurumsal benimseme tablosunu Türkiye kurumsal AI benimseme yazılarında derinlemesine inceliyoruz.

Türkiye bağlamında altyapı ve model katmanı kararlarını doğrudan etkileyen bir faktör de egemenlik ve veri konumudur. Verisinin yurt dışına çıkmasını istemeyen veya düzenlemeye tabi kurumlar için, altyapı katmanının nerede olduğu — hangi ülkenin veri merkezinde çalıştığı — kritik bir KVKK ve egemenlik meselesidir. Bu, bazı kurumları egemen bulut veya on-premise çözümlere yöneltir. Egemenlik boyutunu egemen AI nedir ve egemen bulut ve veri egemenliği yazılarında ele alıyoruz. Bu kaygılar, "en ucuz bulutu seç" mantığını, "hangi katman verimi nerede tutuyor" sorusuyla dengeler.

Kurumsal alıcı için Türkiye bağlamının pratik sonucu şudur: değer üretme fırsatınız büyük olasılıkla üst katmanlardadır — kendi verinizle, kendi iş akışınızla ve yerel gerçekliğe oturan bir çözümle. Alt katmanları güvenilir küresel veya yerel sağlayıcılardan hizmet olarak alırken, egemenlik ve KVKK gereksinimlerinizi baştan tanımlamak, doğru katman kararını verir. Bu dengeyi kurmak, teknik olduğu kadar stratejik bir karardır; ve genellikle deneyimli bir danışmanlık katkısıyla en sağlıklı kurulur.

Yapay zeka ekosistemini anlamak güçlüdür; ama yanlış okumak, yanlış kararlara yol açar. Deneyimli bir gözle bakıldığında, kurumların ve gözlemcilerin ekosistemi okurken tekrar tekrar düştüğü birkaç tuzak vardır. Bunları bilmek, hem satıcı değerlendirmesini hem de yatırım kararını netleştirir.

• Katmanları karıştırmak: En yaygın hata, bir uygulama sağlayıcısını temel model sağlayıcı sanmaktır. Bir uygulama şirketi, altında başka birinin modelini kullanıyor olabilir; onu "yapay zeka üreticisi" gibi görmek, bağımlılık zincirini gözden kaçırmaya yol açar. Her satıcının hangi katmanda olduğunu ve neye dayandığını netleştirin.
• Model gücünü tek ölçüt sanmak: "En güçlü modeli kullanıyoruz" ifadesi, tek başına bir değer garantisi değildir. Değer, çoğu zaman orkestrasyon ve uygulama katmanlarında, yani modeli işe bağlama biçiminde üretilir. En güçlü model, kötü kurulmuş bir sistemde işe yaramaz.
• Bağımlılık riskini görmezden gelmek: Bir katmandaki tek bir satıcıya sıkı bağlanmak, o satıcının fiyat, politika veya erişim değiştirmesi durumunda kurumu savunmasız bırakır. Katmanlar arası bağı gevşek tutmak, olgun bir mimarinin işaretidir.
• Hype'ı katman gerçekliğiyle karıştırmak: Her yeni araç, ekosistemi kökten değiştirmez. Yeni bir oyuncunun hangi katmanda, hangi gerçek sorunu çözdüğünü sormak, gürültüyü sinyalden ayırır.
• Alt katmanlara gereksiz inmek: Kendi modelini eğitmek veya kendi altyapısını kurmak, çoğu kurum için prestijli ama gereksiz bir yatırımdır. Değerin nerede üretildiğini yanlış konumlandırmak, kaynakları asıl işten uzaklaştırır.

Bir son hata da ekosistemi "kazanan hepsini alır" mantığıyla okumaktır. Yapay zeka ekosistemi tek bir kazananın olduğu bir yarış değil; her katmanda farklı oyuncuların farklı biçimlerde değer ürettiği bir yapıdır. Altyapı katmanında birkaç dev domine ederken, uygulama katmanında binlerce oyuncu farklı nişlerde başarılı olabilir. Bu çoğulluğu görmek, hem gerçekçi bir beklenti hem de kendi kurumunuz için doğru fırsat alanını bulmanın yoludur.

Katman haritası bugünün fotoğrafını verir; ama yapay zeka ekosistemi durağan değildir, sürekli evrilir. Bu evrimi anlamak, hem bugünkü kararları hem de gelecekteki hamleleri isabetli kılar. En temel dinamik "yukarı doğru meta'laşma"dır: bir katmanda başlangıçta zor, pahalı ve ayırt edici olan bir yetenek, zamanla standartlaşır, ucuzlar ve bir alt katmanın sıradan bir özelliğine dönüşür. Böylece değer sürekli olarak bir üst katmana kayar. Bu, bilişim tarihinde defalarca görülmüş bir desendir ve yapay zeka ekosisteminde hızlanarak tekrar ediyor.

Somut bir örnek verelim. Birkaç yıl önce bir modele belge tabanlı cevap ürettirmek (yani RAG kurmak) ileri düzey bir mühendislik işiydi; her kurum kendi boru hattını sıfırdan yazardı. Bugün bu yetenek, orkestrasyon katmanının hazır bir bileşenine, hatta bazı uygulama katmanı ürünlerinin gömülü bir özelliğine dönüştü. Aynı biçimde, bir zamanlar model sağlayıcı katmanının ayırt edici üstünlüğü olan bazı yetenekler (uzun bağlam, araç kullanımı) artık neredeyse tüm sağlayıcıların standart sunumu haline geldi. Bu meta'laşma, kurumsal alıcı için iyi haberdir: dün pahalı ve özel olan, bugün ucuz ve standart olur.

Bu evrimin ikinci dinamiği, katmanların sınırlarının bulanıklaşmasıdır. Başlangıçta net biçimde ayrı olan model ve orkestrasyon katmanları, model sağlayıcıların kendi araçlarını ve ajan altyapılarını sunmasıyla iç içe geçer. Benzer şekilde, bulut sağlayıcıları hem altyapı katmanını hem model katmanını hem de orkestrasyon araçlarını tek çatı altında toplayarak "tam yığın" (full-stack) bir teklif oluşturur. Bu birleşme, kurumlar için kolaylık (tek elden çözüm) sunar ama bağımlılık riskini derinleştirir; çünkü tüm katmanları tek bir sağlayıcıdan almak, çıkış maliyetini katlar.

Üçüncü dinamik, yeni katmanların doğmasıdır. Ekosistem olgunlaştıkça, önceden var olmayan ara katmanlar belirir; örneğin model yönlendirme ve gözlemlenebilirlik, birkaç yıl önce ayrı bir katman değilken bugün orkestrasyon katmanının belirgin bir alt bölümüdür. Bir sonraki bölümde ele alacağımız ajan katmanı da böyle yükselen bir katmandır. Bu yüzden katman haritasını "tamamlanmış" değil, "genişleyen" bir yapı olarak görmek gerekir.

Bu evrimsel bakış, kurumsal alıcıya rahatlatıcı bir mesaj verir: en alt katmanlarda "geç kalmak" bir dezavantaj değildir. Aksine, bir yetenek meta'laştıkça ona erişim kolaylaşır ve ucuzlar; erken davranıp devasa yatırım yapan değil, doğru anda doğru katmanla çalışan kurum kazanır. Yapay zeka ekosistemi, sürekli aşağıdan yukarı değer taşıyan bir asansör gibidir; akıllı strateji, bu asansörün sizi taşımasına izin vermek, onunla yarışmamaktır.

Yapay zeka ekosisteminin en canlı tartışması, yeni bir katmanın — ajan katmanının — doğup doğmadığıdır. Klasik katman haritasında ajan mimarileri, orkestrasyon katmanının bir parçasıydı. Ama ajanların giderek karmaşıklaşması, kendi araçlarını, belleklerini, planlama mantıklarını ve birbiriyle konuşma protokollerini getirmesi, bazı gözlemcileri "ajan katmanı artık ayrı bir katman" demeye itiyor. Bu, ekosistemin evriminin canlı bir örneğidir.

Bir ajan, temel modeli alıp ona karar verme, araç kullanma ve çok adımlı görev yürütme yeteneği ekleyen bir yapıdır. Bu yeteneklerin temellerini AI agent nedir ve agentic AI nedir yazılarında ele alıyoruz. Ajan katmanının yükselişiyle birlikte, modeli araçlara ve verilere bağlayan standartlar da önem kazandı. Bu standartların en çok konuşulanı, modeli dış araç ve veri kaynaklarına bağlayan MCP'dir; ayrıntısını MCP nedir yazısında bulabilirsiniz. MCP gibi protokoller, ajan katmanını bir "yapıştırıcı katman"a dönüştürerek farklı katmanların birbiriyle standart biçimde konuşmasını sağlar.

Ajan katmanının ikinci boyutu, birden fazla ajanın bir arada çalışmasıdır. Karmaşık görevler tek bir ajanla değil, uzmanlaşmış ajanların koordinasyonuyla çözülür; bu çoklu ajan mimarilerini çoklu ajan sistemi nedir yazısında inceliyoruz. Ajanların birbiriyle konuşması için de yeni protokoller doğuyor; tıpkı orkestrasyon katmanında modelin araçlarla konuşması için standartlar geliştiği gibi. Bu protokol yığını, ajan katmanının olgunlaştığının ve kendi ekonomisine kavuştuğunun işaretidir.

Ajan katmanının bir başka kritik bileşeni, bağlam yönetimidir. Bir ajan çok adımlı bir görev yürütürken, hangi bilgiyi hangi adımda modele vereceğini akıllıca yönetmek zorundadır; bu, bağlam mühendisliği (context engineering) olarak adlandırılan yeni bir disiplindir. Bu konuyu bağlam mühendisliği yazısında ele alıyoruz. Bağlam yönetimi, ajan katmanının kalitesini doğrudan belirler; kötü yönetilen bağlam, ajanı yavaşlatır, pahalılaştırır ve hataya açık hale getirir.

Kurumsal alıcı için ajan katmanının pratik sonucu ihtiyatlı bir iyimserliktir. Ajanlar güçlü yeni yetenekler sunar; ama karmaşıklıkları, hata potansiyelleri ve özerklikleri, dikkatli bir yönetişim gerektirir. Doğru yaklaşım, ajan katmanını her soruna atmak değil, gerçekten çok adımlı ve karar gerektiren görevlerde kullanmak; ve her ajan sistemine, nerede insan onayının devreye gireceğini tanımlayan bir kontrol katmanı eklemektir. Ajan katmanı, yapay zeka ekosisteminin en heyecan verici ama en dikkat gerektiren yükselen halkasıdır.

Beş katmanlı haritamızda örtük olarak var olan ama sıklıkla ayrı vurgulanmayan bir boyut vardır: veri ve bilgi katmanı. Bu katman, klasik anlamda yatay bir katman değildir; daha çok, tüm katmanları besleyen dikey bir kaynaktır. Ama önemi o kadar büyüktür ki, birçok uzman bunu "görünmeyen altıncı katman" olarak ayrı ele alır. Çünkü en güçlü model, en iyi orkestrasyon ve en parlak uygulama bile, arkasında kaliteli veri olmadan değer üretemez.

Veri katmanının rolü, katmanların her birinde farklı biçimde belirir. Model sağlayıcı katmanında veri, temel modelin eğitildiği devasa külliyattır; modelin genel yeteneği doğrudan bu eğitim verisinin kalitesine bağlıdır. Orkestrasyon katmanında veri, RAG boru hattını besleyen kurumsal belgelerdir; modeli kuruma özel kılan tam olarak budur. Bu mimariyi RAG nedir ve verinin anlamsal temsilini embedding nedir yazılarında ele alıyoruz. Uygulama katmanında ise veri, kullanıcı etkileşimlerinden toplanan ve ürünü zamanla iyileştiren geri bildirim döngüsüdür.

Kurumsal bağlamda veri katmanının en kritik özelliği, bir kurumun gerçek ve savunulabilir farklılaşmasının çoğunlukla burada saklı olmasıdır. Modeller meta'laşır, araçlar standartlaşır, uygulamalar taklit edilir; ama bir kurumun kendi verisi — geçmiş işlemleri, müşteri etkileşimleri, alan uzmanlığını içeren belgeleri — kolayca kopyalanamaz. Bu yüzden yapay zeka ekosisteminde uzun vadeli değerin, kurumun kendi veri katmanını doğru yönetmesinden geleceği yaygın bir görüştür. Kendi çipini yapamayan bir kurum bile, kendi verisiyle rakiplerinden ayrışabilir.

Ama veri katmanı bir fırsat olduğu kadar bir sorumluluktur. Kişisel veri içeren belgeler, KVKK yükümlülüklerini devreye sokar; erişim kontrolü, anonimleştirme, saklama süresi ve denetim kaydı, veri katmanının ayrılmaz parçalarıdır. Bir yapay zeka projesi, veri katmanını yalnızca "değer kaynağı" olarak değil, aynı zamanda "yönetilmesi gereken risk" olarak görmek zorundadır. Veri kalitesi, veri yönetişimi ve uyum, bu katmanın üç ayağıdır ve ihmal edildiklerinde tüm üst katmanları zehirlerler.

Kurumsal alıcı için sonuç nettir: veri katmanına yapılan yatırım, herhangi bir model veya araç yatırımından daha kalıcıdır. Ekiplerinizin veriyi doğru toplamayı, temizlemeyi, etiketlemeyi ve yönetmeyi öğrenmesi, uzun vadede en yüksek getirili yatırımdır. Bu yetkinliği kazandırmak için kurumsal yapay zeka eğitimi ve stratejik çerçeve için kurumsal AI stratejisi yazıları yol gösterir.

Katman haritasının en pratik boyutlarından biri maliyettir: her katman farklı bir ödeme modeliyle gelir ve bir kurumun toplam yapay zeka bütçesi, bu katman maliyetlerinin toplamıdır. Bu maliyet yapısını anlamak, hem bütçe planlamasını hem de "değeri nerede üretiyorum, parayı nereye ödüyorum" sorusunu netleştirir. Katmanları maliyet gözüyle okumak, gizli kalemleri ve sürpriz faturaları önler.

Aşağıdan başlayalım. Donanım ve altyapı katmanında maliyet, çoğu kurum için doğrudan değil, bulut hesaplama faturası olarak görünür: kullandığın hesaplama gücü kadar öde. Bu kalem, özellikle büyük veri indeksleme veya yoğun kullanımda hızla artabilir. Model sağlayıcı katmanında maliyet genellikle "token başına" ödenir: modele gönderilen ve modelden alınan her metin parçası bir ücret doğurur; yoğun kullanımlı bir uygulamada bu kalem bütçenin önemli bir bölümünü oluşturur. Token ekonomisini token nedir ve maliyet yönetimini AI gateway ve model yönlendirme yazılarında ele alıyoruz.

Orkestrasyon katmanında maliyet iki biçimde gelir: bir yandan vektör veritabanı gibi bileşenlerin barındırma ücreti, diğer yandan bu katmanı kuran ve bakımını yapan mühendislik emeği. Bu emek maliyeti çoğu zaman göz ardı edilir ama gerçek bütçenin büyük bir kısmıdır; bir RAG sistemini kurmak ve ayakta tutmak sürekli bir mühendislik yatırımı gerektirir. Uygulama katmanında maliyet genellikle lisans veya abonelik olarak, kullanıcı başına veya kullanım başına gelir. Danışmanlık katmanında ise proje bazlı veya sürekli hizmet ücreti söz konusudur.

Katman bazında tipik maliyet modeli ve dikkat edilecek kalem

Katman	Tipik ödeme modeli	Gizli/sürpriz kalem
Altyapı katmanı	Bulut: kullandığın kadar öde	İndeksleme ve yoğun kullanım pikleri
Model sağlayıcı	Token başına ücret	Uzun bağlam ve tekrarlı çağrı maliyeti
Orkestrasyon	Barındırma + mühendislik emeği	Sürekli bakım ve iyileştirme maliyeti
Uygulama katmanı	Kullanıcı/kullanım başına lisans	Ölçeklendikçe artan abonelik
Danışmanlık	Proje veya sürekli hizmet	Kapsam genişlemesi (scope creep)

Bu maliyet haritasının kurumsal alıcıya verdiği en önemli ders şudur: en görünür kalem (örneğin model token maliyeti) her zaman en büyük kalem değildir. Çoğu kurumda gerçek maliyetin büyük kısmı, gözden kaçan mühendislik emeği ve sürekli bakımdadır. Bu yüzden bir yapay zeka bütçesi hazırlarken, yalnızca satıcı faturasını değil, tüm katmanların toplam sahip olma maliyetini (total cost of ownership) hesaba katmak gerekir. Doğru bütçeleme, katman bazında düşünmekten geçer; ve toplam maliyeti optimize etmek, tek bir katmanı değil, tüm zinciri dengelemekle mümkündür.

Katman haritasının en somut faydası, bir satıcıyı veya çözümü değerlendirirken size sistematik bir mercek vermesidir. Parlak bir demo veya güçlü bir model iddiası, tek başına bir kurumsal kararın temeli olamaz; doğru soruları sorarak satıcının hangi katmanda olduğunu, neye dayandığını ve size ne kadar bağımlılık yükleyeceğini netleştirmek gerekir. Aşağıdaki kontrol listesi, bu değerlendirmeyi disiplinli hale getirir.

Bir satıcıyla veya çözümle karşılaştığınızda şu soruları sırayla sorun. Birincisi konumlandırma: Bu çözüm hangi katmanda? Bir uygulama mı, bir orkestrasyon aracı mı, yoksa bir model sağlayıcı mı? İkincisi bağımlılık: Altında hangi katmanlara dayanıyor; hangi modeli, hangi bulutu kullanıyor? Üçüncüsü sahiplik: Verim hangi katmanda tutuluyor, kimin elinde, ve KVKK açısından bu ne anlama geliyor? Dördüncüsü çıkış: Bu satıcıyı değiştirmek istersem maliyet ne, verimi geri alabilir miyim, kilitlenme (lock-in) ne kadar derin?

Bu dört temel sorunun ötesinde, olgun bir değerlendirme birkaç ek boyutu daha kontrol eder. Farklılaşma: Bu çözüm gerçek bir değer mi katıyor, yoksa sadece bir model API'sini saran ince bir sarıcı mı? Süreklilik: Satıcı finansal ve teknik olarak sürdürülebilir mi, yarın ortadan kalkarsa ne olur? Uyum: Sektörel düzenlemelere ve KVKK'ya uygunluğu nasıl sağlıyor? Ölçek: Pilotta iyi çalışıyor ama üretim ölçeğinde ve maliyetinde ne olur? Bu soruların cevapları, bir demonun büyüsünü bir kurumsal karara dönüştürür. Model seçimine özel bir çerçeveyi kurumsal LLM model seçimi yazısında bulabilirsiniz.

Bu kontrol listesinin altında yatan felsefe, teknolojiye değil değere odaklanmaktır. Bir satıcının en güçlü modeli kullanması veya en yeni araca sahip olması, sizin iş sorununuzu çözeceği anlamına gelmez. Doğru soru "bu çözüm ne kadar gelişmiş" değil, "bu çözüm benim belirli iş sorunumu, kabul edilebilir bir maliyet ve bağımlılıkla çözüyor mu"dur. Katman haritası, tam olarak bu ayrımı yapmanızı sağlar; ve bu ayrım, başarılı yapay zeka yatırımlarını başarısızlardan ayıran en kritik çizgidir. Kurumunuza özel bir değerlendirme çerçevesi kurmak için yapay zeka danışmanlığı desteği alabilirsiniz.

Katman haritasını somutlaştırmanın en iyi yolu, farklı kurumların aynı haritada nasıl farklı konumlandığını görmektir. Üç temsili senaryo — bir banka, bir e-ticaret KOBİ'si ve bir teknoloji girişimi — katman kararlarının kurumun bağlamına göre nasıl değiştiğini gösterir. Bu senaryolar illüstratiftir; belirli bir kurumu değil, tipik durumları temsil eder.

Birinci senaryo: düzenlemeye tabi bir banka. Bir banka, verilerinin ülke dışına çıkmasını istemez ve sektörel düzenlemeye tabidir; bu yüzden katman kararları egemenlik ve uyum kaygısıyla şekillenir. Böyle bir kurum, model ve altyapı katmanında kendi tesisinde (on-premise) veya egemen bulut çözümlerine yönelebilir; hatta açık kaynak bir model sağlayıcıyı kendi altyapısında çalıştırmayı tercih edebilir. Bu kararı on-premise AI altyapısı ve açık kaynak LLM nedir yazılarında ele alıyoruz. Banka için katman haritasının anlamı, "en ucuz değil, en uyumlu ve egemen katmanı seç"tir; maliyet, ikincil bir kriterdir.

İkinci senaryo: büyümekte olan bir e-ticaret KOBİ'si. Bu kurumun ne kendi modelini eğitecek kaynağı ne de buna ihtiyacı vardır; asıl derdi, müşteri deneyimini ve operasyonel verimliliği hızla iyileştirmektir. Böyle bir kurum için doğru yol "assemble"dır: uygulama katmanından hazır ürünler alıp, gerektiğinde orkestrasyon katmanından kendi verisiyle besleyen bir RAG çözümü ekler; alttaki model ve altyapı katmanını bulut üzerinden hizmet olarak tüketir. KOBİ için katman haritasının anlamı, "hız ve değer için üst katmanlarda çalış, alt katmanları kiralamaktan çekinme"dir. Enerjisini kendi verisine ve iş akışına odaklar.

Üçüncü senaryo: farklılaşmak isteyen bir teknoloji girişimi. Bir girişim, belirli bir sektöre özel dikey bir uygulama kuruyorsa, değerini uygulama katmanında ve o katmana gömdüğü alan uzmanlığında üretir. Bu girişim, alttaki model sağlayıcıyı meta olarak tüketir ama farklılaşmasını, kendi topladığı veriyle ve derinleştirdiği iş akışıyla sağlar. Zamanla, belirli bir yetenekte farklılaşmak için hafif fine-tuning veya kendi küçük modelini eğitmeye inebilir; bu kararı fine-tuning nedir yazısında ele alıyoruz. Girişim için katman haritasının anlamı, "değeri en üst katmanda üret, ama gerektiğinde farklılaşmak için bir alt katmana inmekten korkma"dır.

Bu senaryolar, katman haritasının neden yalnızca bir bilgi aracı değil, bir karar aracı olduğunu gösterir. Kurumunuzun hangi senaryoya benzediğini, hangi katmanlarda değer üreteceğini ve hangilerini hizmet olarak alacağını netleştirmek, yapay zeka yolculuğunun en stratejik adımıdır. Bu adımı doğru atmak, sonraki tüm teknik kararların üzerine oturacağı sağlam bir zemin kurar. Kurumunuza özel katman kararınızı birlikte çıkarmak için kurumsal AI stratejisi çerçevesinden yararlanabilir ve bizimle iletişime geçebilirsiniz.

Bir katman haritasını okumak bir şeydir; onu kendi kurumunuzun gerçekliğine uygulamak bambaşka bir şeydir. Bu bölümde, teoriyi eyleme çeviren pratik bir çerçeve sunuyoruz. Amaç, "yapay zeka ekosisteminde nereye konumlanmalıyım" sorusunu, soyut bir tartışma olmaktan çıkarıp, sıralı ve karar verilebilir bir sürece dönüştürmektir. Bu çerçeve, kurumun büyüklüğünden bağımsız olarak işler; değişen yalnızca her adımın derinliğidir.

İlk adım, kurumun mevcut olgunluğunu ve önceliğini dürüstçe konumlandırmaktır. Henüz ilk pilotunu kurmamış bir kurumla, onlarca modeli üretimde çalıştıran bir kurum, katman haritasında aynı yerde durmaz. Başlangıç seviyesindeki bir kurum için doğru odak, üst katmanlarda hızlı değer üretmek ve alt katmanları tümüyle hizmet olarak tüketmektir; alt katman kararlarına vakit ve kaynak harcamak, bu aşamada bir dikkat dağınıklığıdır. Olgunlaştıkça, kurum daha alt katmanlarda bilinçli kararlar (model bağımsızlığı, kısmen kendi altyapısı) almaya başlayabilir. Bu olgunluk perspektifini kurumsal AI stratejisi yazısında derinleştiriyoruz.

İkinci adım, değer ile bağımlılık arasındaki dengeyi her katman için ayrı tartmaktır. Her katmanda "daha fazla sahiplenmek" daha fazla kontrol ama daha fazla maliyet ve sorumluluk demektir; "daha fazla kiralamak" ise daha fazla hız ama daha fazla bağımlılık. Doğru denge, kurumdan kuruma ve katmandan katmana değişir. Örneğin, bir kurum model sağlayıcı katmanında bağımsız kalmayı (birden fazla sağlayıcıyı değiştirebilmeyi) önemserken, altyapı katmanında tek bir güvenilir buluta bağlanmaktan memnun olabilir. Bu dengeyi bilinçli kurmak, olgun bir yapay zeka ekosistemi stratejisinin özüdür.

Üçüncü adım, kararı dar bir pilotla test etmek ve ölçerek büyütmektir. Katman haritasında verdiğiniz kararlar — hangi model sağlayıcı, hangi orkestrasyon aracı, hangi uygulama yaklaşımı — masa başında değil, gerçek bir kullanım senaryosunda sınanmalıdır. Küçük ama gerçek bir pilot, hangi katman kararının işe yaradığını, hangisinin gözden geçirilmesi gerektiğini kanıtla gösterir. Bu "pilotla, ölç, sonra ölçekle" disiplini, kâğıt üzerinde iyi görünen ama üretimde çöken yapay zeka projeleriyle, sağlam biçimde büyüyenleri birbirinden ayırır.

Bu çerçevenin özü şudur: yapay zeka ekosistemi karmaşıktır ama kararlarınız karmaşık olmak zorunda değildir. Katman haritasını bir pusula olarak kullanıp, olgunluğunuzu konumlandırır, değer-bağımlılık dengesini her katmanda bilinçle kurar ve kararlarınızı ölçerek büyütürseniz, en gürültülü manzarada bile sağlam ilerlersiniz. Kurumunuza özel bu çerçeveyi hayata geçirmek ve doğru katman kararlarını birlikte çıkarmak için yapay zeka danışmanlığı desteğinden yararlanabilir ve bizimle iletişime geçebilirsiniz.

Kısaca özetleyelim: yapay zeka ekosistemi, birbirinin üzerine oturan beş katmandan oluşan bir değer zinciridir. En altta donanım ve altyapı katmanı (çip, veri merkezi, bulut) ham hesaplama gücünü üretir; üstünde model sağlayıcı katmanı bu gücü eğitilmiş zekâya dönüştürür; sonra araç ve orkestrasyon katmanı bu zekâyı kurumsal verilere ve sistemlere bağlar; en üstte uygulama katmanı bu bağlı zekâyı belirli bir işe çevirir; ve tüm bunları saran danışmanlık/hizmet katmanı teknolojiyi kuruma özel bir değere dönüştürür. Bu katman haritası, "kim ne yapıyor" sorusunu ve bir kurumun nereye konumlanacağını netleştirir.

En önemli mesaj şudur: değer zinciri yukarı doğru akar ve her katman altındakine bağımlıdır. Alt katmanlar sermaye-yoğun, az oyunculu ve giriş engeli yüksek; üst katmanlar kalabalık, rekabetçi ve düşük engellidir. Kurumların büyük çoğunluğu için doğru strateji, alt katmanları güvenilir sağlayıcılardan hizmet olarak tüketmek ve değeri üst katmanlarda — kendi verisi, iş akışı ve alan bilgisiyle — üretmektir. Bu, kendi çipini yapmak veya kendi modelini eğitmek değil; hazır katmanları akıllıca birleştirip gerçek bir iş sorununu çözmektir.

Kurumsal alıcı için son bir hatırlatma: yapay zeka ekosistemi hızla değişir ama katman mantığı kalıcıdır. Şirket adları, model sürümleri ve araç modası gelip geçer; ama donanım ve altyapı katmanının en altta, uygulama katmanının en üstte ve değerin yukarı doğru aktığı temel yapı yerinde kalır. Bu yüzden en sağlam yatırım, belirli bir ürünü ezberlemek değil, katman haritasıyla düşünme alışkanlığını edinmektir. Bu alışkanlık, bir sonraki büyük yenilik geldiğinde bile size güvenli bir zemin verir; çünkü yeni olan her şeyi, tanıdık bir katmanın içine yerleştirerek anlamlandırırsınız.

Katman haritasını bir kez içselleştirdiğinizde, ekosistemin gürültüsü düzenli bir resme dönüşür: her yeni model bir model katmanı hamlesidir, her yeni araç bir orkestrasyon katmanı bileşenidir, her yeni ürün bir uygulama katmanı denemesidir. Bu berraklık, hem doğru satıcıyı seçmenizi hem de bağımlılık ve egemenlik risklerinizi yönetmenizi sağlar. Temel kavramları derinleştirmek için yapay zeka nedir, LLM nedir ve RAG nedir yazılarına; kurumsal yol haritanızı çıkarmak için kurumsal AI stratejisi ve Türkiye yapay zeka ekosistemi yazılarına bakabilirsiniz. Kurumunuzun katman haritasındaki yerini netleştirmek ve doğru yol haritasını birlikte çizmek isterseniz, bizimle iletişime geçin.