Kurumsal AI Bütçesi Planlama: Kalem Kalem Maliyet Rehberi (2026)

Kurumsal AI bütçesi nasıl planlanır? Kurumsal AI bütçesi, bir yapay zeka girişiminin toplam sahip olma maliyetini kalem kalem planlayan finansal çerçevedir; model/API ve lisans (token bazlı), altyapı/bulut/GPU, veri hazırlığı, entegrasyon, yetenek, eğitim, yönetişim ve bakım kalemlerini kapsar. Doğru kurumsal ai bütçesi tek bir rakam değil, birbirine bağlı sekiz maliyet kaleminin pilot→ölçek kademesinde toplamıdır.

Yapay zeka yatırımlarının çoğu, teknoloji başarısız olduğu için değil, bütçe yanlış kurgulandığı için hüsranla biter. Kurumlar genellikle görünen model ücretine bakar, "aylık şu kadar" der ve altı ay sonra veri hazırlığı, entegrasyon, yönetişim ve bakım kalemlerinin bütçeyi kat kat aştığını görür. Bu pillar rehber, bir kurumsal ai bütçesini gerçekçi biçimde kalem kalem çıkarmanız, build-vs-buy kararını doğru vermeniz, maliyet optimizasyonu uygulamanız ve gizli maliyetleri öngörmeniz için tasarlanmıştır.

Tanım

Kurumsal AI Bütçesi

Bir yapay zeka girişiminin toplam sahip olma maliyetini kalem kalem planlayan finansal çerçeve. Model/API ve lisans (token bazlı), altyapı/bulut/GPU, veri hazırlığı, entegrasyon ve geliştirme, insan/yetenek, eğitim, yönetişim/güvenlik/uyum ve bakım/izleme kalemlerini; ayrıca build-vs-buy kararını, kademeli (pilot→ölçek) bütçelemeyi ve gizli maliyetleri kapsar.

Ayrıca: AI bütçesi, yapay zeka maliyet planı, AI toplam sahip olma maliyeti, AI TCO

Bir kurumsal ai bütçesinin en tehlikeli tarafı, en kolay görünen kalemin — model çağrısı ücretinin — aslında en küçük kalemlerden biri olmasıdır. Yönetim bir demo görür, sağlayıcının fiyat sayfasına bakar ve "token başına bu kadar, ayda şu kadar istek, işte bütçe" der. Bu hesap neredeyse her zaman yanlıştır; çünkü çalışan bir yapay zeka sisteminin maliyetinin büyük çoğunluğu, o model çağrısının etrafındaki katmanlarda birikir.

Bunu bir buzdağı gibi düşünün. Suyun üstünde görünen kısım model/API ücretidir. Suyun altında ise veriyi toplama ve temizleme, sistemlere entegrasyon, güvenlik ve uyum, izleme ve gözlemlenebilirlik, insan gözetimi, yeniden işleme ve sürekli bakım vardır. Bir kurumsal yapay zeka girişiminde toplam sahip olma maliyetinin ana yükü, bu görünmeyen kalemlerdedir. Bu yüzden kurumsal ai bütçesi planlamanın ilk kuralı şudur: görünen fiyata değil, toplam sahip olma maliyetine bütçe kur.

İkinci sık hata, bütçeyi tek bir fazmış gibi kurmaktır. Yapay zeka girişimleri doğaları gereği belirsizdir; bir kullanım senaryosunun değer üretip üretmeyeceği ancak denenince belli olur. Tek fazlı büyük bir bütçe, bu belirsizliği görmezden gelir ve kanıtlanmamış bir fikre büyük sermaye bağlar. Doğru yaklaşım kademelidir: küçük ve ölçülebilir bir pilot, sonra kanıta dayalı ölçek. Yapay zekanın kurumsal bağlamını daha geniş kavramak isterseniz yapay zeka nedir ve kurumsal yapay zeka eğitimi nedir rehberleri iyi bir başlangıçtır.

Üçüncü bir yaygın hata, maliyeti statik sanmaktır. Geleneksel bir yatırımda maliyet kurulunca büyük ölçüde sabitlenir; yapay zekada ise kullanımla ölçeklenen değişken bir maliyet vardır ve bu, hacim büyüdükçe sürpriz yapabilir. Pilotta küçük görünen aylık gider, kurum genelinde yaygınlaşınca birden büyür. Bu yüzden kurumsal ai bütçesini kurarken yalnızca bugünkü hacmi değil, benimseme başarılı olursa ortaya çıkacak hacmi de modelleyin. İyi bir bütçe, başarının kendisinin de bir maliyet yarattığını baştan görür: ne kadar çok kullanılırsa, o kadar çok token, bilişim ve destek gerektirir. Bu paradoksu görmezden gelmek, en başarılı pilotların bile ölçekte bütçe krizine dönüşmesine yol açar.

Bir kurumsal ai bütçesini sağlam kurmak için maliyeti sekiz ayrı kaleme bölmek gerekir. Bu ayrım, hem tahmini gerçekçi kılar hem de sonradan "para nereye gitti?" sorusunu ortadan kaldırır. Aşağıda önce her kalemin ne olduğunu özetliyoruz, sonraki bölümlerde her birini tek tek derinleştiriyoruz.

Kurumsal AI bütçesinin sekiz temel maliyet kalemi

Kalem	Neyi kapsar	Maliyet tipi
1. Model / API / Lisans	Token bazlı API, kapalı/açık model lisansları, abonelikler	Değişken (kullanım)
2. Altyapı / Bulut / GPU	Bilişim, GPU, depolama, ağ, vektör veritabanı	Sabit + değişken
3. Veri Hazırlığı	Toplama, temizleme, etiketleme, anonimleştirme	Ağırlıklı tek seferlik + tekrar
4. Entegrasyon & Geliştirme	Sistem bağlama, API, arayüz, orkestrasyon	Tek seferlik (proje)
5. İnsan / Yetenek	Mühendis, veri bilimci, ürün, danışman	Sabit (maaş/sözleşme)
6. Eğitim & Benimseme	Kullanıcı eğitimi, okuryazarlık, değişim yönetimi	Tek seferlik + tekrar
7. Yönetişim / Güvenlik / Uyum	Risk, denetim, KVKK, EU AI Act, ISO 42001	Sabit + tek seferlik
8. Bakım / İzleme	Gözlemlenebilirlik, güncelleme, model geçişi	Süregelen

Bu sekiz kalemi ayrı görmek, bütçeyi hem daha doğru hem de daha yönetilebilir kılar. Örneğin veri hazırlığı büyük ölçüde tek seferlik ama tekrar eden bir kalemken, bakım/izleme süregelen bir kalemdir; ikisini aynı çizgide bütçelerseniz ya birini şişirir ya diğerini ihmal edersiniz. Şimdi her kalemi ayrı ayrı, hesaplama mantığıyla birlikte açalım.

Bu sekiz kalemi okurken bir noktayı akılda tutun: kalemler birbirinden bağımsız değildir, aralarında ödünleşim (trade-off) vardır. Birinci kalemde (model) daha güçlü ve pahalı bir model seçmek, dördüncü kalemde (entegrasyon) ve üçüncü kalemde (veri) işi kolaylaştırabilir; tersine, ucuz bir model seçmek bu kalemlerde daha çok mühendislik gerektirebilir. Aynı şekilde, satın-al yolu birinci ve ikinci kalemi küçültürken beşinci kalemi (yetenek) de hafifletir. Bu yüzden kalemleri tek tek değil, bir sistem olarak düşünün: birinde yapılan tasarruf, başka bir kalemde maliyet yaratabilir. Toplam sahip olma maliyetini optimize etmek, tek bir kalemi değil, kalemlerin toplamını en aza indirmektir.

Birinci kalem, çoğu insanın "AI maliyeti" derken kastettiği kalemdir: modeli çalıştırmanın ücreti. Kapalı (proprietary) bir modeli API üzerinden kullanıyorsanız bu ücret genellikle token bazlıdır. Token, modelin metni işlerken kullandığı en küçük birimdir; kabaca bir kelime birkaç token'a denk gelir. Ayrıntı için token nedir ve modelin kendisi için LLM nedir rehberlerine bakabilirsiniz.

Token maliyeti neredeyse her zaman iki parçaya ayrılır: girdi (input) token'ları — modele gönderdiğiniz prompt ve bağlam — ve çıktı (output) token'ları — modelin ürettiği yanıt. Bu ikisi genellikle farklı fiyatlanır; çıktı çoğunlukla girdiden pahalıdır. Temel formül şudur:

Bu kalemi kontrol etmenin birkaç kaldıraç noktası vardır. Birincisi model seçimi: her görev en güçlü ve en pahalı modeli gerektirmez; sınıflandırma veya kısa özet gibi işler için küçük, ucuz bir model çoğu zaman yeterlidir. İkincisi prompt tasarımı: gereksiz bağlamı, tekrar eden talimatları ve şişkin örnekleri kırpmak girdi token'ını doğrudan düşürür. Prompt engineering nedir rehberi bu disiplini derinleştirir. Üçüncüsü önbellekleme (caching): tekrar eden istekleri ve sistem promptlarını önbelleğe almak, aynı token'lar için tekrar tekrar ödeme yapmayı önler.

Kapalı model yerine açık kaynak bir modeli kendi altyapınızda çalıştırmayı seçerseniz, token başına ücret ortadan kalkar ama yerini altyapı ve GPU maliyeti alır; yani maliyet birinci kalemden ikinci kaleme kayar. Bu, build-vs-buy kararının çekirdeğidir ve ayrı bölümde ele alacağız. Açık modeller için açık kaynak LLM nedir rehberi başlangıç noktasıdır.

İllüstratif Token Hesabı Örneği

Somut bir his vermek için tamamen varsayımsal bir senaryo kuralım (bu rakamlar ölçülmüş bir bulgu değil, yalnızca hesap mantığını göstermek içindir). Diyelim ki bir müşteri destek asistanı günde 2.000 soru yanıtlıyor; her istekte ortalama 1.500 girdi token (sistem promptu + getirilen belgeler + soru) ve 400 çıktı token üretiliyor. Aylık istek ≈ 60.000. Girdi ≈ 90 milyon token/ay, çıktı ≈ 24 milyon token/ay. Birim fiyatları sağlayıcı fiyat sayfasından koyar ve çarparsınız. Bu senaryoda dikkat çeken şudur: girdi token'ı, getirilen belgeler nedeniyle çıktının birkaç katıdır; yani asıl tasarruf, RAG bağlamını kısaltmakta ve önbelleklemede saklıdır. RAG maliyet dinamiği için RAG nedir rehberine bakabilirsiniz.

Bu illüstratif hesaptan çıkarılacak üç bütçe dersi vardır. Birincisi, token maliyeti hacimle doğrusal büyür: istek sayısı iki katına çıkarsa maliyet de iki katına çıkar. Bu yüzden bir pilotta düşük görünen token maliyeti, ölçekte hızla büyüyebilir; bütçeyi pilot hacmiyle değil, hedeflenen ölçek hacmiyle projekte edin. İkincisi, girdi token'ı çoğu kurumsal senaryoda çıktıdan büyüktür; çünkü sistem promptu, getirilen belgeler ve konuşma geçmişi hep girdiye yazılır. Bu, optimizasyonun neden girdi tarafında (kısa prompt, önbellek, seçici bağlam) en yüksek getiriyi verdiğini açıklar. Üçüncüsü, token maliyeti yalnızca bir kalemdir; bu asistanı ayakta tutan altyapı, entegrasyon ve bakım kalemleri çoğu zaman token'dan büyüktür. Yani token maliyetini optimize etmek önemlidir ama bütçenin tamamı sanmak yanıltıcıdır.

Bu hesapta sıkça atlanan bir nokta, çıktı token'ının girdiden pahalı fiyatlanmasıdır. Aynı sayıda token bile olsa, çıktı tarafı genellikle daha yüksek birim fiyatlıdır; bu yüzden uzun ve gereksiz ayrıntılı yanıtlar üreten bir sistem, farkında olmadan pahalı tarafta israf yapar. Yanıt uzunluğunu göreve uygun sınırlamak — kısa soruya kısa cevap — hem kaliteyi artırır hem token maliyetini düşürür. Benzer şekilde, aynı bilgiyi tekrar tekrar bağlama koymak yerine önbelleğe almak, girdi tarafındaki en büyük tasarruf kaynağıdır. Token ekonomisini anlamak, kurumsal ai bütçesinin en somut ve en hızlı optimize edilebilen kalemini kontrol altına almak demektir.

İkinci kalem, modelin ve etrafındaki sistemin çalıştığı zemindir: bilişim, GPU, depolama, ağ ve yardımcı servisler. Bu kalemin ağırlığı, birinci kalemdeki build-vs-buy tercihinize doğrudan bağlıdır. Tamamen kapalı API kullanan bir mimaride bu kalem görece küçüktür — çünkü GPU'yu sağlayıcı yönetir. Kendi modelinizi barındırdığınızda ise GPU, bütçenin en büyük ve en riskli kalemine dönüşebilir.

GPU maliyetinin en sinsi tarafı atıl kapasitedir. GPU'lar pahalıdır ve saatlik ücretlendirilir; talebiniz dalgalıysa ya yetersiz kapasiteyle darboğaz yaşarsınız ya da fazla kapasiteyle boşta duran, ama parası ödenen donanıma para yakarsınız. GPU'nun ne olduğu ve neden bu kadar kritik olduğu için GPU nedir rehberine bakabilirsiniz. Bütçe açısından kilit soru şudur: iş yükünüz sürekli mi (rezerve GPU mantıklı) yoksa ani sıçramalı mı (talep bazlı/serverless daha uygun)?

Altyapı maliyeti: yönetilen API vs kendi barındırma (illüstratif çerçeve)

Boyut	Yönetilen API (buy)	Kendi barındırma (build)
GPU maliyeti	Fiyata gömülü, görünmez	Doğrudan ve büyük kalem
Maliyet tipi	Değişken (kullanım başına)	Ağırlıklı sabit (rezerve)
Atıl kapasite riski	Düşük (sağlayıcıda)	Yüksek (sizde)
Ölçeklenme	Anında, otomatik	Planlama ve tedarik gerektirir
Veri egemenliği	Sağlayıcıya bağlı	Tam kontrol (KVKK avantajı)

Bu kaleme depolama ve yardımcı servisleri de eklemek gerekir. Bir kurumsal yapay zeka sistemi genellikle bir vektör veritabanı, geleneksel veritabanları, kuyruk sistemleri, günlük (log) depolama ve gözlemlenebilirlik araçları çalıştırır. Bunlar tek tek küçük görünür ama birlikte kayda değer bir aylık gidere dönüşür. Bütçelerken depolama büyümesini de öngörün: veri ve loglar zamanla birikir, maliyet artar.

Bulut maliyeti tarafında en sık gözden kaçan iki kalem veri transferi (egress) ve yönetilen servis ücretleridir. Bulut sağlayıcıları veriyi içeri almayı çoğu zaman ucuz, dışarı çıkarmayı ise pahalı fiyatlar; büyük hacimli çıktı üreten bir yapay zeka sistemi, beklenmedik bir bulut maliyeti kalemiyle karşılaşabilir. Ayrıca yönetilen veritabanı, kuyruk ve izleme servisleri "kolaylık" sağlar ama her biri sabit bir aylık bulut maliyeti ekler. Bu yüzden bulut maliyetini yalnızca bilişim (compute) olarak değil, transfer, depolama ve yönetilen servisleri de içeren bir bütün olarak bütçeleyin.

Bulut maliyetini kontrol altında tutmanın pratik kaldıraçları vardır: rezerve/taahhütlü kapasite indirimleri (sürekli iş yükünde), talep-bazlı ölçekleme (dalgalı iş yükünde atıl kapasiteyi kapatmak), ve maliyet etiketleme (hangi ekip/senaryo ne kadar harcıyor görünürlüğü). Bulut maliyeti izlenmediğinde sessizce büyür; her senaryonun bulut ayak izini ölçmek, maliyet optimizasyonunun ilk adımıdır. Bu, GPU kaleminden ayrı ama onunla iç içe geçen bir disiplindir ve büyük ölçekte bütçenin en dinamik parçası hâline gelir.

Üçüncü kalem, çoğu kurumsal ai bütçesinde en çok küçümsenen ama sıklıkla en pahalı çıkan kalemdir: veriyi kullanılabilir hâle getirmek. Yapay zeka, verinizin kalitesi kadar iyidir; ve kurumsal veri neredeyse hiçbir zaman hazır durumda değildir. Dağınık, tutarsız, etiketsiz, kişisel veri içeren ve farklı sistemlere yayılmış hâldedir. Bu veriyi toplamak, temizlemek, birleştirmek, etiketlemek ve anonimleştirmek gerçek emek ve gerçek para ister.

Bu kalem birkaç alt kalemden oluşur. Veri toplama ve birleştirme: farklı kaynaklardan veriyi çekip tek bir tutarlı yapıya getirmek. Temizleme: eksik, hatalı, çift kayıtları düzeltmek. Etiketleme: özellikle denetimli öğrenme veya kaliteli değerlendirme için insan eliyle etiket üretmek — bu genellikle en emek-yoğun alt kalemdir. Anonimleştirme ve maskeleme: kişisel veriyi korumak, ki bu KVKK bağlamında bir zorunluluktur. Kavramsal derinlik için veri anonimleştirme nedir, kişisel veri nedir ve genel çerçeve için büyük veri nedir rehberlerine bakabilirsiniz.

Veri hazırlığının bir de gizli tekrar maliyeti vardır. İlk hazırlık tek seferlik gibi görünür, ama üretimde veri sürekli değişir: yeni belgeler eklenir, eski veriler güncellenir, etiketler bozulur. Bu yüzden veri hazırlığını hem bir tek seferlik proje maliyeti hem de düşük ama süregelen bir bakım maliyeti olarak bütçelemek gerekir. Veri kalitesini yöneten disiplinler için veri bilimi nedir ve veri analitiği nedir rehberleri yardımcı olur.

Veri hazırlığı bütçesini gerçekçi kurmanın bir yolu, veriyi baştan denetlemektir (data audit). Projeye başlamadan önce "elimizde hangi veri var, ne kadarı temiz, ne kadarı etiketli, ne kadarı kişisel veri içeriyor?" sorularını yanıtlamak, bu kalemin boyutunu tahmin etmenin tek sağlam yoludur. Denetim yapılmadan verilen veri hazırlığı tahminleri neredeyse her zaman düşük çıkar; çünkü verinin ne kadar dağınık olduğu ancak içine girilince görülür. Bu yüzden kurumsal ai bütçesinin ilk somut adımlarından biri, küçük bir veri denetimi çalışmasıdır. Bu denetim hem tahmini keskinleştirir hem de erken bir uyarı verir: veri çok kötü durumdaysa, senaryonun kendisi yeniden düşünülmeli olabilir.

Dördüncü kalem, modeli bir demo olmaktan çıkarıp gerçek iş süreçlerine bağlayan mühendislik işidir. Bir model tek başına değer üretmez; ancak mevcut sistemlerinize — CRM, ERP, destek platformu, iç portallar — bağlandığında ve bir kullanıcı arayüzü kazandığında iş sonucu doğurur. Bu bağlama işi genellikle tek seferlik ama önemli bir proje maliyetidir.

Bu kalem şunları içerir: API ve bağlayıcı geliştirme, orkestrasyon (birden çok adımın ve sistemin koordinasyonu), kullanıcı arayüzü, kimlik ve erişim yönetimi, ve hata yönetimi. Modern kurumsal yapay zeka mimarilerinde bu katman giderek daha standart hâle geliyor; örneğin araçlara ve verilere bağlanma için MCP nedir, modelin araç çağırması için function calling nedir ve karmaşık iş akışları için agentic AI nedir ile AI agent nedir rehberleri bu katmanın bileşenlerini anlatır.

Entegrasyon maliyetini şişiren başlıca etken kapsam kaymasıdır (scope creep). "Bir de şunu bağlayalım, bir de bu sistemle konuşsun" talepleri, tek seferlik gibi planlanan bir kalemi süregelen bir projeye çevirir. Bu yüzden entegrasyon bütçesini dar ve net bir kapsamla kurmak, sonra kanıta dayalı genişletmek en sağlıklı yoldur. Bu, doğrudan pilot→ölçek disiplinine bağlanır.

Entegrasyon kaleminde gizli kalan bir maliyet de eski sistemlerle (legacy) uyumdur. Kurumsal ortamlarda yapay zeka, modern bir API dünyasına değil, çoğu zaman yıllar önce yazılmış, dokümantasyonu eksik ve değiştirilmesi riskli sistemlere bağlanmak zorundadır. Bu bağlantı, temiz bir entegrasyondan kat kat pahalı olabilir; çünkü hem ters mühendislik hem de dikkatli test gerektirir. Bütçelerken sisteminizin ne kadar modern olduğunu dürüstçe değerlendirin: ne kadar çok eski sisteme dokunacaksanız, entegrasyon kalemine o kadar yüksek pay ve belirsizlik ayırın. Bu değerlendirme genellikle build-vs-buy kararını da etkiler; çünkü bazı hazır çözümler bu eski sistem bağlantılarını zaten çözmüş olabilir.

Beşinci kalem, çoğu zaman en büyük tek kalem olan insan maliyetidir. Bir yapay zeka sistemini tasarlayan, kuran, çalıştıran ve iyileştiren ekip — mühendisler, veri bilimciler, ürün sahipleri, MLOps/LLMOps uzmanları ve danışmanlar — sabit ve süregelen bir maliyettir. Token ücreti dalgalanır; maaşlar dalgalanmaz.

Bu kalemi bütçelerken kritik soru yeniden build-vs-buy'a bağlanır: bu yeteneği içeride mi kuracaksınız, dışarıdan mı alacaksınız? İçeride kurmak uzun vadede kontrol ve kurumsal bilgi birikimi sağlar ama işe alım, elde tutma ve sürekli eğitim maliyeti getirir; yetenek piyasası dar olduğunda bu maliyet yükselir. Dışarıdan almak (danışmanlık, dış ekip) hızlıdır ve sabit yükü değişkene çevirir ama uzun vadede bağımlılık yaratabilir. Roller için AI engineer nedir, üretim disiplinleri için MLOps nedir ve LLMOps nedir rehberleri yardımcı olur.

Altıncı kalem, teknik olmayan ama ROI'yi en çok etkileyen kalemdir: kullanıcıların yeni sistemi öğrenmesi ve benimsemesi. Mükemmel kurulmuş bir yapay zeka aracı, çalışanlar onu kullanmazsa sıfır değer üretir. Benimseme kendiliğinden gelmez; eğitim, iletişim, örnek kullanım ve değişim yönetimi gerektirir. Bu kalem sık sık bütçeden düşer ve sonra "sistemi kurduk ama kimse kullanmıyor" sorunu olarak geri döner.

Bu kalem iki alt parçadan oluşur. Birincisi yapay zeka okuryazarlığı: çalışanların modelin ne yapıp ne yapamayacağını, çıktıları nasıl doğrulayacağını ve nerede güveneceğini öğrenmesi — yapay zeka okuryazarlığı nedir bu temeli kurar. İkincisi rol-özel eğitim: her ekibin kendi iş akışında aracı nasıl kullanacağını öğrenmesi. Kurumsal ölçekte yapılandırılmış eğitim için kurumsal eğitim programları ve kavram olarak kurumsal yapay zeka eğitimi nedir rehberi bu kalemi somutlaştırır.

Eğitim ve benimseme maliyetini bütçelerken bir kez değil, tekrar eden bir kalem olarak planlayın: yeni çalışanlar gelir, araçlar güncellenir, yeni kullanım senaryoları eklenir. Sürekli okuryazarlık, benimsemeyi ve dolayısıyla ROI'yi ayakta tutar.

Bu kalemin en çok ihmal edilen parçası değişim yönetimidir. Yeni bir yapay zeka aracı, çalışanların alışkanlıklarını ve bazen rollerini değiştirir; bu doğal bir direnç yaratır. Direnci aşmak eğitimden fazlasını gerektirir: net iletişim, erken benimseyenlerin desteği, başarı hikâyelerinin paylaşımı ve yöneticilerin görünür sahiplenmesi. Bu çaba bir maliyet kalemidir ama karşılığında benimseme oranını yükseltir — ve benimsenmeyen bir sistemin tüm diğer kalemleri boşa gider. Bu yüzden eğitim ve benimseme bütçesini "keserek tasarruf edilecek" bir kalem gibi değil, diğer yedi kalemin yatırımını değere çeviren kaldıraç gibi görün. Küçük görünen bu kalem, çoğu zaman ROI ile ROI-sizlik arasındaki farkı belirler.

Yedinci kalem, gecikmeli olarak eklendiğinde en pahalıya patlayan kalemdir: yönetişim, güvenlik ve uyum. Bir yapay zeka sistemi ne yapabileceği kadar ne yapmaması gerektiğiyle de tanımlanır. Riskleri değerlendirmek, kişisel veriyi korumak, çıktıları denetlemek, insan gözetimini kurmak ve düzenlemelere uymak — bunların hepsi bütçelenmesi gereken gerçek maliyetlerdir.

Bu kalemi çerçeveleyen dört ana referans vardır. EU AI Act, yapay zeka sistemlerini risk seviyelerine göre sınıflandırır ve yüksek riskli sistemler için dokümantasyon, risk değerlendirmesi, veri yönetişimi ve insan gözetimi zorunlulukları getirir; ayrıntı için EU AI Act nedir rehberine bakın. ISO/IEC 42001, bir yapay zeka yönetim sistemi (AIMS) kurmak için uluslararası standarttır ve süreçlerin, sorumlulukların ve denetimlerin sistematik biçimde tanımlanmasını öngörür. NIST AI RMF, gönüllü ama yaygın kabul gören bir yapay zeka risk yönetimi çerçevesidir. KVKK ise Türkiye'de kişisel veri işleyen her yapay zeka sistemi için uyum yükü getirir; KVKK nedir ve KVKK uyumlu yapay zeka nedir rehberleri bu bağlamı kurar.

Yönetişim çerçeveleri ve bütçeye etkisi

Çerçeve	Ne getirir	Bütçe kalemi
EU AI Act	Risk-bazlı sınıflandırma, dokümantasyon, insan gözetimi	Uyum + dokümantasyon iş gücü
ISO/IEC 42001	Yapay zeka yönetim sistemi (AIMS)	Süreç kurulumu + denetim
NIST AI RMF	Gönüllü risk yönetimi çerçevesi	Risk değerlendirme iş gücü
KVKK	Kişisel veri uyumu (TR)	Hukuk + anonimleştirme + denetim

Güvenlik tarafında ayrıca yapay zekaya özgü riskler bütçelenmelidir: prompt enjeksiyonu, veri sızıntısı, model çıktısının manipülasyonu ve halüsinasyon. Bunlara karşı korumalar — guardrail nedir, prompt injection nedir ve yapay zeka halüsinasyonu nedir rehberlerinde anlatılan mekanizmalar — hem geliştirme hem de süregelen izleme maliyeti taşır. Bütün bu yönetişim disiplinini bir bütün olarak AI governance nedir ve sorumlu yapay zeka nedir rehberleri çerçeveler.

Yönetişim kalemini bütçelerken önemli bir ayrım, gereksinimin risk seviyesiyle orantılı olmasıdır. EU AI Act mantığı burada yol gösterir: düşük riskli bir iç verimlilik aracı ile yüksek riskli bir karar destek sistemi aynı yönetişim yükünü taşımaz. Bir sohbet asistanına ağır bir uyum çerçevesi giydirmek gereksiz maliyettir; kişisel veriyle karar veren bir sisteme ise hafif bir çerçeve tehlikeli bir eksikliktir. Bu yüzden her senaryonun risk seviyesini baştan sınıflandırın ve yönetişim bütçesini bu seviyeye göre ölçekleyin. Doğru kalibre edilmiş yönetişim, ne aşırı harcama ne de yetersiz koruma anlamına gelir; ikisi de pahalıdır, biri şimdi biri sonra.

Sekizinci kalem, bir yapay zeka sistemini canlıya aldıktan sonra başlayan ve hiç bitmeyen kalemdir: bakım ve izleme. Yazılımdan farklı olarak yapay zeka sistemleri zamanla "bozulur" — dünya değişir, veri kayar, kullanıcı davranışı değişir ve model performansı sessizce düşer. Bu düşüşü fark etmek ve düzeltmek süregelen bir maliyettir.

Bu kalem şunları içerir: gözlemlenebilirlik (hangi istek ne kadar token yaktı, hangi yanıt yanlıştı, gecikme ne oldu), kalite izleme (çıktı kalitesi düşüyor mu?), model geçişleri (daha iyi/ucuz bir model çıkınca göç etmek), ve düzenli değerlendirme. LLM tabanlı sistemlerde bu disiplin için LLM gözlemlenebilirliği nedir ve LLM değerlendirme nedir rehberleri iyi bir temel sunar.

Bakım kaleminin en çok gözden kaçan parçası model geçişleridir. Yapay zeka piyasası hızlı hareket eder; bugün seçtiğiniz model altı ay sonra ya daha pahalı ya da geride kalmış olabilir. Yeni bir modele geçmek, promptları yeniden ayarlamayı, testleri tekrarlamayı ve regresyon kontrolünü gerektirir — yani gerçek bir mühendislik maliyeti. Bu yüzden bütçenize düzenli bir "model geçiş payı" koymak, sizi ani fiyat/performans değişimlerine karşı korur.

Bakım kaleminin bir başka sinsi tarafı sessiz kalite düşüşüdür. Bir yapay zeka sistemi, koddan farklı olarak, çökmeden de bozulabilir: çıktılar yavaşça alakasızlaşır, halüsinasyon oranı artar veya kullanıcı memnuniyeti düşer — ama sistem "çalışıyor" görünür. Bu tür bozulmayı yakalamak, düzenli değerlendirme (evaluation) ve kalite izleme gerektirir; bu da hem araç hem insan saati demektir. Değerlendirme disiplinini otomatikleştirmeden bakım maliyeti öngörülemez hâle gelir, çünkü sorunu ancak kullanıcı şikâyet edince fark edersiniz. Bu yüzden bakım bütçesine yalnızca "düzeltme" değil, "sürekli ölçme" maliyetini de dahil edin. Otomatik değerlendirme kurmak baştan bir yatırımdır ama uzun vadede en pahalı gizli maliyeti — geç fark edilen kalite kaybını — önler.

Buraya kadar sekiz kalemi tek tek gördük; ama bu kalemlerin ağırlığını belirleyen tek bir stratejik karar var: build vs buy (inşa et mi, satın al mı?). Bu karar, kurumsal ai bütçesinin en belirleyici çatalıdır çünkü aynı sonucu çok farklı maliyet profilleriyle üretir. Satın almak maliyeti değişken ve öngörülebilir kılar (kullandıkça öde); inşa etmek maliyeti sabit, kontrollü ama yetenek-yoğun kılar.

Kararı dört eksende vermek en sağlıklısıdır. Farklılaşma: bu yetenek çekirdek rekabet avantajınız mı, yoksa herkesin ihtiyaç duyduğu standart bir işlev mi? Hız: değeri ne zaman üretmeniz gerekiyor — yarın mı, gelecek yıl mı? Yetenek: ekibiniz bunu kurup sürdürebilir mi? Toplam sahip olma maliyeti: iki yolun üç yıllık toplam maliyeti nasıl kıyaslanıyor?

Build vs Buy: bütçe açısından karşılaştırma (illüstratif çerçeve)

Boyut	Satın Al (Buy)	İnşa Et (Build)
Değere ulaşma hızı	Hızlı (haftalar)	Yavaş (aylar)
Maliyet profili	Değişken, kullandıkça öde	Sabit + ön yatırım
Kontrol & özelleştirme	Sınırlı	Tam
Yetenek ihtiyacı	Düşük	Yüksek ve süregelen
Veri egemenliği / KVKK	Sağlayıcıya bağlı	Tam kontrol
En uygun olduğu yer	Standart, çekirdek olmayan ihtiyaç	Farklılaştırıcı, stratejik yetenek

Pratikte çoğu olgun kurum saf build veya saf buy değil, hibrit gider. Standart ve çekirdek olmayan katmanları (temel model, altyapı, gözlemlenebilirlik araçları) satın alır; farklılaştırıcı katmanı (kuruma özel veri, akış, deneyim) inşa eder. Bu yaklaşım, satın almanın hızını inşa etmenin kontrolüyle birleştirir. Örneğin temel modeli API'den alıp üzerine kuruma özel bir RAG katmanı inşa etmek yaygın bir hibrit desendir; fine-tuning nedir ile davranış özelleştirmesi de bu inşa katmanına girer.

Yapay zeka girişimlerinin belirsizliğini yönetmenin en etkili yolu, bütçeyi tek seferde değil kademeli serbest bırakmaktır. Bu, girişim sermayesi mantığına benzer: her aşamada küçük bir yatırım yapılır, kanıt üretilirse bir sonraki aşama için daha büyük yatırım serbest bırakılır. Bu disiplin, kanıtlanmamış fikirlere büyük para bağlama riskini ortadan kaldırır.

Nasıl Yapılır

Kurumsal AI bütçesini pilot→ölçek kademesinde kurma adımları

Bir yapay zeka girişimini düşük riskli pilottan kanıta dayalı ölçeğe taşıyan aşamalı bütçeleme yaklaşımı.

1. 1

   1. Kullanım senaryosu seç ve değer hipotezi kur

   Dar, ölçülebilir ve iş değeri net bir senaryo seçin. Beklenen faydayı (zaman, maliyet, kalite) bir hipotez olarak yazın.

2. 2

   2. Pilot bütçesini kur (küçük, buy-ağırlıklı)

   Pilotu satın-al ağırlıklı ve düşük sermayeli tutun. Amaç en az harcamayla hipotezi test etmek; sekiz kalemin sadece gerekli olanlarını dahil edin.

3. 3

   3. Pilotu ölç: token, bilişim, insan saati, kalite

   Gerçek maliyeti ve gerçek değeri ölçün. Bu veriler ölçek bütçesinin temeli olacak; tahmin yerine gözleme dayanacaksınız.

4. 4

   4. ROI kararı ver: durdur, düzelt veya ölçekle

   Pilot değer kanıtladıysa ölçek; kanıtlamadıysa senaryoyu düzeltin veya durdurun. Kanıtsız ölçek yatırımı serbest bırakmayın.

5. 5

   5. Ölçek bütçesini sekiz kalemle kur

   Ölçekte tüm kalemleri (altyapı, yönetişim, bakım, eğitim) tam kapsamla bütçeleyin ve %15-25 belirsizlik payı ekleyin.

6. 6

   6. Sürekli optimize et ve gözden geçir

   Üretimde maliyet optimizasyonunu ve model geçiş payını düzenli gözden geçirin; bütçeyi çeyreklik olarak güncelleyin.

Bu kademeli yaklaşımın en büyük faydası psikolojik olduğu kadar finansaldır: yönetime "büyük ve belirsiz bir bahis" yerine "küçük, ölçülebilir, kademeli bir yatırım" sunarsınız. Bu, hem onay almayı kolaylaştırır hem de başarısız senaryoları erken ve ucuza kapatmanızı sağlar. Yapay zeka dönüşümünün bütününü kurumsal bir yol haritasına oturtmak için yapay zeka yol haritası nedir ve dijital dönüşüm nedir rehberleri bağlamı genişletir.

Şimdi öğrendiğimiz sekiz kalemi tek bir tabloda birleştirelim. Aşağıdaki tablo tamamen varsayımsal, illüstratif bir senaryodur — gerçek fiyat değil, bir bütçe iskeletinin nasıl kurulduğunu göstermek içindir. Rakamlar yerine göreli ağırlık (bütçe payı) ve maliyet tipi kullanıyoruz; çünkü mutlak sayılar kuruma, ülkeye ve zamana göre çok değişir, ama kalemlerin göreli mantığı istikrarlıdır.

İllüstratif kurumsal AI bütçesi iskeleti — pilot vs ölçek (varsayımsal senaryo, gerçek fiyat değil)

Kalem	Pilot fazı ağırlığı	Ölçek fazı ağırlığı
Model / API / Token	Orta	Orta
Altyapı / Bulut / GPU	Düşük	Yüksek
Veri Hazırlığı	Yüksek	Orta (süregelen)
Entegrasyon & Geliştirme	Orta	Yüksek
İnsan / Yetenek	Yüksek	Çok Yüksek
Eğitim & Benimseme	Düşük	Orta
Yönetişim / Uyum	Düşük-Orta	Yüksek
Bakım / İzleme	Düşük	Yüksek (süregelen)
Belirsizlik payı	%20-25	%15-20

Bu iskeletten çıkan üç ders şunlardır. Birincisi, ağırlık merkezi pilottan ölçeğe kayar: pilotta veri hazırlığı ve insan baskındır; ölçekte altyapı, entegrasyon, yönetişim ve bakım devreye girer. İkincisi, insan/yetenek her iki fazda da en ağır kalemlerden biridir — token ücreti değil. Üçüncüsü, belirsizlik payı bir lüks değil zorunluluktur; yapay zeka projeleri neredeyse her zaman ilk tahminden fazla sürer ve tutar. Bu iskeleti kendi senaryonuza uyarlarken her hücreye gerçek rakam koyarsınız, ama göreli mantık aynı kalır.

İskeleti Kendi Senaryonuza Uyarlama

Bu iskeleti çalışır bir bütçeye dönüştürmek için üç adım izleyin. Önce her kalemin göreli ağırlığını mutlak bir rakamla değiştirin: kendi hacminiz, yeteneğiniz ve sağlayıcı fiyatlarınızla her satıra bir tahmin koyun. Sonra her satırı bir kerelik ve süregelen olarak ayırın; böylece hem kuruluş bütçesini hem aylık işletme bütçesini görürsünüz. Son olarak belirsizlik payını, kalemin belirsizliğine orantılı verin: veri hazırlığı ve entegrasyon gibi tahmini zor kalemlere daha yüksek pay, model/token gibi ölçülebilir kalemlere daha düşük pay ayırın.

Bir uyarı: iskeleti doldururken en büyük hata, iyimserlik yanlılığıdır. Ekipler neredeyse her zaman veri hazırlığını, entegrasyonu ve benimsemeyi olduğundan hafif tahmin eder. Bu yanlılığı dengelemek için basit bir kural işe yarar: en zor tahmin ettiğiniz üç kalemi belirleyin ve onların tahminini bilinçli olarak yukarı yuvarlayın. Gerçekleşen maliyet bu kalemlerde neredeyse her zaman ilk sezginin üstünde çıkar. Böyle disiplinli doldurulan bir iskelet, bütçe sapmasını baştan küçültür.

Kurumsal ai bütçesini Türkiye bağlamında kurarken birkaç yerel faktör öne çıkar. Birincisi veri egemenliği ve KVKK: kişisel veri işleyen sistemlerde verinin nerede işlendiği, nasıl anonimleştirildiği ve kimin eriştiği bütçesel sonuçlar doğurur. Yurt dışı bir yönetilen API kullanmak hız kazandırır ama veri egemenliği açısından ek uyum yükü getirebilir; kendi altyapınızda barındırmak kontrol sağlar ama altyapı/GPU kalemini büyütür. Bu denge, doğrudan build-vs-buy kararınıza yansır.

İkinci faktör, yerel talebin gücüdür. Türkiye, yapay zeka araçlarının benimsenmesinde dünyada öne çıkan pazarlardan biridir; bu, kurumsal yapay zeka çözümlerine yönelik hem iç talebin hem de kullanıcı hazırlığının yüksek olduğunu düşündürür. Bu bağlam, benimseme (eğitim kalemi) tarafında bir avantaja işaret eder: kullanıcı direnci görece düşük olabilir.

Üçüncü faktör, düzenleyici uyum haritasıdır. EU AI Act, Avrupa pazarına ürün/hizmet sunan Türk kurumlarını da etkiler; ISO/IEC 42001 uluslararası bir standart olarak ihale ve tedarik süreçlerinde giderek daha çok istenir; KVKK ise yurt içi zorunluluktur. Bu üç çerçeveyi bütçenin yönetişim kaleminde birlikte ele almak, hem yurt içi hem uluslararası pazara hazır bir sistem kurmanızı sağlar. Uyumun genel çerçevesi için GDPR nedir rehberi de KVKK ile karşılaştırma sağlar.

Bütçeyi doğru kurmak kadar önemli olan, üretimde onu sürdürülebilir tutmaktır. Maliyet optimizasyonu, kaliteyi düşürmeden birim maliyeti indirmek demektir; ve neredeyse her zaman ölçmekle başlar. Hangi kullanım senaryosunun ne kadar token yaktığını, hangi akışın ne kadar bilişim tükettiğini bilmeden optimize etmek karanlıkta ateş etmektir.

Ölçtükten sonra uygulanacak başlıca kaldıraçlar şunlardır: model doğru boyutlandırma (her görev en pahalı modeli gerektirmez — küçük model yeterse onu kullan), önbellekleme (tekrar eden istekleri ve sistem promptlarını önbelleğe al), prompt kısaltma (gereksiz bağlamı at, girdi token'ını düşür), toplu işleme (batch — anlık gerekmeyen işleri toplu ve ucuz çalıştır), ve akıllı yönlendirme (basit soruları ucuz modele, karmaşık soruları güçlü modele yönlendir).

Maliyet optimizasyonu kaldıraçları ve etkisi

Kaldıraç	Nasıl çalışır	Hangi kalemi düşürür
Model doğru boyutlandırma	Görevi kaldıracak en küçük modeli seç	Model/token
Önbellekleme (caching)	Tekrar eden istek/promptu önbelleğe al	Model/token
Prompt kısaltma	Gereksiz bağlamı at	Model/token
Toplu (batch) işleme	Acil olmayanı toplu çalıştır	Model/token + bilişim
Akıllı yönlendirme (routing)	Basit→ucuz, karmaşık→güçlü model	Model/token
GPU otomatik ölçekleme	Atıl kapasiteyi kapat	Altyapı/GPU

Bu kaldıraçların ortak teması şudur: maliyet optimizasyonu bir kerelik bir proje değil, süregelen bir disiplindir. Model fiyatları düşer, yeni ve ucuz modeller çıkar, kullanım desenleri değişir. Bu yüzden bütçe gözden geçirmesini çeyreklik bir ritme oturtmak, birim maliyeti zamanla düşük tutar. Halüsinasyon ve kalite kaybı riskini artırmadan yapılan optimizasyon, kurumsal ai bütçesinin sürdürülebilirliğinin anahtarıdır.

Maliyet optimizasyonunda bir uyarı gereklidir: en pahalı model her zaman en pahalı çözüm değildir. Bazen küçük ve ucuz bir modelin ürettiği düşük kalite, daha çok yeniden işleme, daha çok insan düzeltmesi ve daha çok müşteri memnuniyetsizliği yaratır; bu dolaylı maliyetler, token'da kazandığınızı fazlasıyla geri alır. Bu yüzden optimizasyonu yalnızca token faturasına bakarak değil, toplam sonuç kalitesine bakarak yapın. Doğru soru "hangi model en ucuz?" değil, "hangi model, kabul edilebilir kalitede en düşük toplam maliyeti veriyor?" sorusudur. Gerçek maliyet optimizasyonu, birim fiyatı değil, birim değeri optimize eder.

Bir kurumsal ai bütçesini planlanandan aşıran şey, genellikle büyük ve görünür kalemler değil, küçük ama çok sayıda görünmez kalemdir. Bunları önceden listelemek, sürprizleri önlemenin en iyi yoludur. En sık gözden kaçan gizli maliyetler şunlardır:

• Atıl / bekleyen GPU: Talep dalgalanınca boşta duran ama parası ödenen bilişim kapasitesi.
• Veri etiketleme ve yeniden etiketleme: İlk etiketleme biter sanılır ama veri değiştikçe tekrar eder.
• Yeniden işleme (rework): İlk kurulumun yanlış varsayımları yüzünden yapılan tekrar çalışmalar.
• Model geçişleri: Daha iyi/ucuz model çıkınca promptların, testlerin ve entegrasyonun yeniden ayarlanması.
• Gözlemlenebilirlik ve loglama: İzleme altyapısının kendi bilişim ve depolama maliyeti.
• Güvenlik ve prompt denetimi: Prompt enjeksiyonu, çıktı denetimi ve düzenli güvenlik testleri.
• Değişiklik yönetimi: Süreç değişikliği, iletişim ve kullanıcı direncini aşma çabası.
• Fazla mühendislik: Gereğinden karmaşık mimarilerin taşıma ve bakım maliyeti.

Gizli maliyetleri yönetmenin bir başka yolu, mimariyi baştan sade tutmaktır. Fazla mühendislik — gereğinden fazla ajan, gereğinden karmaşık orkestrasyon, kullanılmayan esneklik — hem kurulum hem bakım maliyetini artırır. Çoklu ajan sistemi nedir gibi ileri mimariler güçlüdür ama gerçekten gerektiğinde kullanılmalıdır; basit bir sorunu karmaşık bir mimariyle çözmek, en pahalı gizli maliyettir.

Buraya kadarki her şeyi tek bir uygulanabilir kontrol listesine indirgeyelim. Bir kurumsal ai bütçesi kurarken bu adımları sırayla geçmek, en yaygın hataların çoğunu baştan önler.

Nasıl Yapılır

Kurumsal AI bütçesi kurma kontrol listesi

Bir yapay zeka girişiminin bütçesini toplam sahip olma maliyeti mantığıyla, kalem kalem ve kademeli olarak kurmak için adım adım kontrol listesi.

1. 1

   Değer hipotezini ve senaryoyu netleştir

   Hangi iş problemini çözüyorsunuz ve beklenen fayda nedir? Bunu ölçülebilir bir hipotez olarak yazın.

2. 2

   Sekiz kalemi ayrı ayrı tahmin et

   Model/token, altyapı/GPU, veri, entegrasyon, yetenek, eğitim, yönetişim, bakım — her birini ayrı satır olarak çıkarın.

3. 3

   Build-vs-buy kararını her katman için ver

   Hangi katmanı satın alacak, hangisini inşa edeceksiniz? Farklılaştırıcı olanı inşa edin, gerisini satın alın.

4. 4

   Token ve bilişim maliyetini formülle hesapla

   İstek hacmi × ortalama token × birim fiyat; ve GPU/bilişim için talep profilinize göre sabit/değişken ayrımı yapın.

5. 5

   Yönetişim ve uyumu tasarıma göm

   EU AI Act, ISO 42001, NIST AI RMF ve KVKK gereksinimlerini baştan bütçeleyin; sonraya bırakmayın.

6. 6

   Gizli maliyet ve belirsizlik payı ekle

   Atıl GPU, yeniden işleme, model geçişi, etiketleme için %15-25 pay bırakın.

7. 7

   Pilot→ölçek kademesini tanımla

   Önce küçük pilot bütçesi, ROI kanıtından sonra ölçek bütçesi. Kanıtsız ölçek yatırımı yapmayın.

8. 8

   Ölçüm ve çeyreklik gözden geçirme kur

   Gerçek maliyeti ve değeri sürekli ölçün; bütçeyi ve optimizasyonu çeyreklik güncelleyin.

Bu kontrol listesini disiplinle uygulamak, bütçeyi bir tahminden bir yönetim aracına dönüştürür. Her adımı bir belge hâline getirmek — hangi varsayımla hangi rakamı koydunuz — sonradan sapmaları anlamayı ve düzeltmeyi kolaylaştırır. Bu yapıyı kurumunuza özel oturtmak için yapay zeka danışmanlığı desteği, en yaygın bütçe hatalarını baştan elemenize yardımcı olabilir.

Kurumsal ai bütçesindeki en tekrar eden stratejik sorulardan biri şudur: kapalı bir modeli API üzerinden mi kullanmalı, yoksa açık kaynak bir modeli kendi altyapımızda mı çalıştırmalı? Bu, aslında build-vs-buy kararının model katmanındaki özel hâlidir ve bütçenin ağırlığını birinci kalemden (model/token) ikinci kaleme (altyapı/GPU) kaydırdığı için ayrı ele almayı hak eder.

Kapalı bir modeli API üzerinden kullanmak, maliyeti tamamen değişken ve kullanım-başına yapar. Sıfır ön yatırımla başlarsınız; GPU'yu, ölçeklendirmeyi ve bakımı sağlayıcı yönetir. Bu, düşük ve orta hacimde son derece ekonomiktir çünkü yalnızca kullandığınız token için ödersiniz. Ancak hacim çok yükseldiğinde, token başına ödenen birim fiyat toplamda büyük bir rakama ulaşabilir; bu noktada kendi altyapınızda barındırma ekonomik olarak cazip hâle gelebilir.

Açık kaynak bir modeli kendi altyapınızda çalıştırmak, token başına ücreti ortadan kaldırır ama onu sabit bir GPU/altyapı maliyetine çevirir. Bu, yüksek ve öngörülebilir hacimde birim maliyeti düşürebilir; ayrıca veri egemenliği ve KVKK açısından tam kontrol sağlar. Karşılığında yetenek (kurulum, ölçeklendirme, bakım) ve atıl kapasite riski getirir. Açık modellerin kavramsal çerçevesi için açık kaynak LLM nedir ve yerel çalıştırma araçları için Ollama nedir rehberlerine bakabilirsiniz.

Model ekonomisi: kapalı API vs açık kaynak self-host (illüstratif çerçeve)

Boyut	Kapalı API (token bazlı)	Açık kaynak self-host
Başlangıç maliyeti	Sıfıra yakın	Yüksek ön yatırım
Birim maliyet (düşük hacim)	Düşük	Yüksek (atıl GPU)
Birim maliyet (yüksek hacim)	Yükselir	Düşebilir
Veri egemenliği / KVKK	Sağlayıcıya bağlı	Tam kontrol
Yetenek yükü	Düşük	Yüksek ve süregelen

Pratik bir kural olarak: pilot ve düşük hacimli üretimde kapalı API neredeyse her zaman daha ekonomiktir; çok yüksek ve öngörülebilir hacimde, güçlü bir teknik ekip varsa self-host değerlendirmeye alınır. Aradaki geçiş eşiği kuruma göre değişir, ama bir kez ölçtükten sonra hesaplanabilir. Bu yüzden model ekonomisi kararını da pilot verisiyle, tahmine değil gözleme dayanarak verin. Davranış özelleştirmesi gerekiyorsa fine-tuning ve daha hafif bir alternatif olarak LoRA nedir yaklaşımları da bu katmanın maliyetine dahildir.

Kurumsal ai bütçesini yalnızca birinci yıl üzerinden kurmak yaygın ama sakat bir alışkanlıktır. Yapay zeka sistemleri kurulduktan sonra yıllarca çalışır; bu yüzden gerçek karşılaştırma tek yıllık gider değil, çok yıllık toplam sahip olma maliyetidir (TCO — total cost of ownership). Özellikle build-vs-buy kararında, tek yıla bakmak inşa etmenin ön yatırımını orantısız pahalı, satın almanın süregelen giderini ise yanıltıcı ucuz gösterir.

Üç yıllık bir TCO iskeleti kurmak için her kalemi iki parçaya ayırın: bir kerelik (kuruluş) maliyet ve süregelen (yıllık) maliyet. Kuruluş maliyeti veri hazırlığı, entegrasyon geliştirme ve ilk yönetişim kurulumu gibi kalemlerde ağırlıklıdır. Süregelen maliyet ise model/token, altyapı, bakım, izleme, uyum tazeleme ve sürekli eğitim gibi kalemlerde birikir. Üç yılın toplamı, iki yolun gerçek kıyasını verir.

Üç yıllık TCO iskeleti: bir kerelik vs süregelen kalemler (illüstratif çerçeve)

Kalem	Bir kerelik (kuruluş)	Süregelen (yıllık)
Model / Token	Düşük	Yüksek (kullanımla artar)
Altyapı / GPU	Orta (kurulum)	Yüksek (self-host'ta)
Veri hazırlığı	Yüksek	Düşük-Orta (bakım)
Entegrasyon	Yüksek	Düşük (bakım)
Yetenek	Orta (işe alım)	Yüksek (maaş)
Yönetişim / Uyum	Orta (kurulum)	Orta (tazeleme, denetim)
Bakım / İzleme	Düşük	Yüksek (süregelen)

Bu iskeletten çıkan kritik içgörü şudur: satın almanın toplam maliyeti zamanla doğrusal artarken, inşa etmenin maliyeti başta yüksek olup sonra düzleşir. Yani iki eğri bir noktada kesişir; o kesişim noktasından önce satın almak, sonra inşa etmek daha ekonomiktir. Kesişimin nerede olduğu hacme, yeteneğe ve modelin fiyat trendine bağlıdır. TCO analizini üç yıla yaymak, bu kesişimi görünür kılar ve kararınızı bir his olmaktan çıkarıp bir hesaba dönüştürür.

Sekiz maliyet kaleminin göreli ağırlığı sektöre göre belirgin biçimde değişir. Aynı çerçeveyi kullanırsınız ama hangi kalemin baskın olduğu, sektörün veri yapısına, düzenleme yüküne ve risk profiline bağlıdır. Aşağıdaki örnekler illüstratiftir; amaç, kendi sektörünüzde hangi kalemin ağırlık kazanacağını sezdirmektir.

Finans ve Sigorta

Finans sektöründe baskın kalem yönetişim, güvenlik ve uyumdur. Kişisel ve finansal veri yoğunluğu, KVKK ve sektörel düzenlemeler, denetlenebilirlik ve açıklanabilirlik gereksinimleri bu kalemi büyütür. Bir kredi veya sigorta kararında modelin neden o sonucu verdiğini açıklayabilmek — açıklanabilir yapay zeka nedir çerçevesi — hem geliştirme hem denetim maliyeti taşır. Bu sektörde bütçenin ağırlık merkezi uyum ve risk tarafına kayar; model/token kalemi görece küçük kalır.

Sağlık

Sağlıkta veri hazırlığı ve yönetişim birlikte baskındır. Veri hassas, dağınık ve ağır düzenlemeye tabidir; anonimleştirme ve erişim kontrolü ciddi bir kalem oluşturur. Ayrıca hata toleransı düşüktür, bu yüzden insan gözetimi ve doğrulama katmanı — halüsinasyona karşı korumalar — bütçede belirgin yer tutar. Sağlıkta hızlı ölçek yerine dar, iyi denetlenmiş pilotlarla ilerlemek, hem risk hem bütçe açısından en sağlıklı yoldur.

Perakende ve E-ticaret

Perakendede baskın kalem model/token ve entegrasyondur; çünkü kullanım hacmi yüksektir (ürün önerileri, müşteri destek, arama). Bu hacim, maliyet optimizasyonunu — model doğru boyutlandırma, önbellekleme, akıllı yönlendirme — en yüksek getirili çalışma hâline getirir. Perakende, birim maliyetteki küçük bir iyileşmenin bile büyük hacimde büyük tasarrufa döndüğü tipik sektördür. Duygu analizi nedir ve chatbot nedir gibi yüksek hacimli uygulamalar burada öne çıkar.

Üretim ve Sanayi

Üretimde veri hazırlığı ve entegrasyon baskındır; çünkü veri genellikle sensörlerden, makinelerden ve eski sistemlerden gelir ve birleştirilmesi zordur. Kestirimci bakım gibi senaryolarda — kestirimci bakım nedir — asıl maliyet modelde değil, veriyi toplayıp temizlemek ve operasyonel sistemlere bağlamaktadır. Bu sektörde bütçenin büyük bölümü, model çağrılmadan önceki veri ve entegrasyon katmanında harcanır.

Kurumsal ai bütçesi, kurumun büyüklüğüne göre yalnızca rakamsal olarak değil, yapısal olarak da farklılaşır. Küçük bir işletme ile büyük bir kurumun bütçe önceliği aynı değildir; her biri farklı kalemde yoğunlaşmalıdır.

Küçük ölçekli bir kurum için altın kural sadeliktir: tek bir dar senaryo, satın-al ağırlıklı bir mimari ve minimum sabit maliyet. Bu ölçekte kendi altyapınızı kurmak veya büyük bir ekip işe almak çoğu zaman israftır; hazır API'ler ve abonelikler üzerinden hızlı değer üretmek, sonra kanıtla büyümek doğru yoldur. Yönetişim tarafında bile ağır bir yapı yerine, temel KVKK uyumu ve basit çıktı denetimi yeterli olabilir.

Orta ölçekli bir kurumda, birden çok senaryo devreye girdikçe entegrasyon ve yetenek kalemleri ağırlaşır. Artık ortak bir altyapı, tekrar kullanılabilir bileşenler ve küçük ama kalıcı bir ekip mantıklı hâle gelir. Bu ölçekte maliyet optimizasyonu ve merkezî bir platform kurmak, her senaryoyu sıfırdan kurmanın israfını önler.

Büyük bir kurumda ise yönetişim, platform ve standardizasyon baskın olur. Onlarca ekip yapay zeka kullanınca, dağınık ve denetimsiz kullanım hem güvenlik hem maliyet riski yaratır. Bu ölçekte merkezî bir yapay zeka platformu, ortak yönetişim çerçevesi ve birim maliyet izleme, bütçenin sürdürülebilirliğinin şartıdır. Yapay zeka yönetişiminin bu kurumsal boyutu için AI governance nedir rehberi iyi bir temel sunar.

Satın-al yolunu seçtiğinizde bütçe, büyük ölçüde tedarikçi (vendor) sözleşmelerinin şekline bağlanır. İyi müzakere edilmiş bir sözleşme, öngörülebilir bir maliyet sağlar; kötü kurgulanmış bir sözleşme ise gizli maliyetlerin ve bağımlılığın kapısını açar. Bu yüzden tedarikçi seçimi, teknik bir karar kadar finansal bir karardır.

Sözleşmede dikkat edilecek başlıca noktalar şunlardır. Fiyatlandırma modeli: kullanım-başına mı, sabit abonelik mi, kademeli hacim indirimi var mı? Hacim tahmini yanlışsa maliyet beklenenden çok sapabilir. Veri sahipliği ve gizlilik: verilerinizin nasıl işlendiği, saklandığı ve modelin eğitiminde kullanılıp kullanılmadığı — KVKK açısından kritik. Çıkış maliyeti (exit cost): tedarikçiden ayrılmak ne kadar zor ve pahalı? Yüksek çıkış maliyeti, model kilitlenmesi (lock-in) riskidir. Hizmet seviyesi (SLA): gecikme, kullanılabilirlik ve destek taahhütleri.

Tedarikçi sözleşmesinde bütçeyi etkileyen maddeler

Madde	Neden önemli	Riski
Fiyatlandırma modeli	Maliyetin öngörülebilirliği	Hacim sapması
Veri sahipliği	KVKK ve gizlilik	Uyum ihlali
Çıkış maliyeti	Bağımlılık ve esneklik	Model kilitlenmesi
SLA	Kullanılabilirlik ve destek	Kesinti kaybı
Fiyat artış klozu	Uzun vadeli TCO	Öngörülemeyen zam

Tedarikçi bağımlılığını azaltmanın en pratik yolu, mimarinizi soyutlama katmanıyla tasarlamaktır: uygulamanızı tek bir modele değil, değiştirilebilir bir model arayüzüne bağlayın. Böylece fiyat veya performans değiştiğinde model geçişi düşük maliyetli olur. Bu, bakım kalemindeki model geçiş payını doğrudan düşürür ve sizi tek bir sağlayıcının fiyat politikasına mahkûm olmaktan korur.

En iyi hazırlanmış bütçe bile onaylanmazsa değer üretmez. Bu yüzden kurumsal ai bütçesini yönetime sunmak, bütçeyi kurmak kadar önemli bir beceridir. Yönetim, teknik ayrıntıyla değil, iş sonucu ve risk diliyle konuşur; bütçenizi bu dile çevirmeniz gerekir. İyi bir iş vakası (business case), maliyeti tek başına değil, beklenen değerin yanında sunar.

Güçlü bir sunumun birkaç bileşeni vardır. Birincisi net problem tanımı: hangi somut iş sorununu çözüyorsunuz ve bugün bu sorun kuruma neye mal oluyor? İkincisi kademeli talep: baştan büyük bir bütçe değil, önce küçük bir pilot bütçesi isteyin ve ölçek yatırımını kanıta bağlayın — bu, yönetimin riskini düşürür ve onayı kolaylaştırır. Üçüncüsü ölçülebilir başarı kriteri: pilotun neyi kanıtlaması gerektiğini baştan tanımlayın. Dördüncüsü risk şeffaflığı: belirsizlik payını ve gizli maliyetleri saklamak yerine açıkça gösterin; bu, güven inşa eder.

İş vakasını güçlendiren son unsur, başarısızlık senaryosunun de planlı olmasıdır. "Pilot değer üretmezse ne yapacağız?" sorusuna baştan cevap vermek — durdurma kriteri, kaybedilecek maksimum tutar, öğrenilecek dersler — yönetime olgunluk sinyali verir. Kanıta dayalı, kademeli ve şeffaf bir kurumsal ai bütçesi sunumu, çoğu zaman büyük ama belirsiz bir tek-seferlik taleplerden daha kolay onaylanır. Bu sunum disiplinini kurumunuza uyarlamak ve yönetim için ikna edici bir iş vakası kurmak için yapay zeka danışmanlığı desteği alabilirsiniz.

Deneyimli ekipler bile birkaç tekrar eden tuzağa düşer. Bunları önceden bilmek, bütçenizi bu hataların pahasından korur.

• Yalnızca görünen maliyete bakmak: Model/token ücretine bütçe kurup veri, entegrasyon, yönetişim ve bakımı unutmak — en yaygın ve en pahalı hata.
• Tek fazlı büyük bütçe: Kanıtlanmamış bir fikre büyük sermaye bağlamak. Çözüm: pilot→ölçek kademesi.
• Yönetişimi sona bırakmak: Uyumu sonradan eklemek, yeniden mimari ve düzenleyici risk yaratır.
• Belirsizlik payı koymamak: Yapay zeka projeleri neredeyse her zaman ilk tahmini aşar; pay bırakmamak bütçeyi kâğıt üstünde tutar, gerçekte tutmaz.
• Fazla mühendislik: Basit sorunu karmaşık mimariyle çözmek; kurulum ve bakım maliyetini gereksiz büyütür.
• Ölçmemek: Gerçek token, bilişim ve insan saati verisi olmadan optimize etmeye çalışmak.
• Model kilitlenmesi: Tek bir modele/sağlayıcıya kilitlenip fiyat/performans değişiminde geçiş payı bırakmamak.
• Benimsemeyi göz ardı etmek: Sistemi kurup eğitim/değişim yönetimini bütçelememek; sonuç "kurduk ama kullanılmıyor".

Bir bütçe, ancak ürettiği değerle anlam kazanır. Bu yüzden kurumsal ai bütçesini kurarken, başarıyı ölçecek göstergeleri de baştan tanımlamak gerekir. Maliyet tarafında izlenecek başlıca metrikler: birim maliyet (istek/işlem başına maliyet), token verimliliği (çıktı değeri başına token), GPU kullanım oranı (atıl kapasite yüzdesi) ve toplam sahip olma maliyetinin fazlara göre dağılımı.

Değer tarafında ise ROI mantığı devreye girer. ROI kavramsal olarak (elde edilen fayda − katlanılan maliyet) / katlanılan maliyettir; ve yapay zeka projelerinde fayda genellikle üç biçimde gelir: zaman tasarrufu (otomasyonla kazanılan insan saati), kalite artışı (hata azalması, tutarlılık) ve gelir etkisi (yeni yetenek, daha iyi deneyim). Kritik nokta, bu faydaların bir kısmının doğrudan parasal, bir kısmının dolaylı olmasıdır; bütçe gözden geçirmesinde ikisini de kaydetmek gerekir.

Ölçümü anlamlı kılmak için maliyet ve değer verisini aynı panoda birleştirin. Her kullanım senaryosu için "bu bize ne kadara mal oluyor ve ne kadar değer üretiyor?" sorusunu düzenli sorun. Değer üretmeyen senaryoları erken kapatmak, değer üretenlere daha çok bütçe ayırmanızı sağlar; bu, bütçenin kendini optimize eden bir döngüye girmesi demektir. Otomasyonla kazanılan verim için otomasyon nedir ve RPA nedir rehberleri, hangi işlerin ölçülebilir tasarruf ürettiğini anlamaya yardımcı olur.

Birçok kurum, kurumsal ai bütçesini alışkanlıkla geleneksel bir BT (bilgi teknolojileri) projesi gibi kurar ve tam da bu yüzden yanılır. Geleneksel bir BT projesinde maliyet büyük ölçüde önceden bellidir: lisans, donanım, geliştirme, kurulum. Proje bittiğinde sistem oturur ve maliyet öngörülebilir bir bakıma iner. Yapay zeka bütçesi ise doğası gereği daha akışkandır ve birkaç temel noktada ayrışır.

Birinci fark değişken maliyettir. Geleneksel yazılım genellikle sabit lisanslıdır; yapay zeka ise kullanımla ölçeklenen bir değişken maliyet (token, bilişim) taşır. Bu, bütçeyi kullanım hacmine duyarlı hâle getirir; talep arttıkça maliyet de artar. İkinci fark belirsizliktir: bir yapay zeka senaryosunun değer üretip üretmeyeceği baştan kesin bilinemez, bu yüzden kademeli bütçeleme zorunludur. Üçüncü fark süregelen bakımın ağırlığıdır: yapay zeka sistemleri "kurulup unutulmaz"; sürekli izleme, değerlendirme ve model geçişi gerektirir.

Geleneksel BT bütçesi vs kurumsal AI bütçesi

Boyut	Geleneksel BT	Kurumsal AI
Maliyet yapısı	Ağırlıklı sabit	Sabit + değişken (kullanım)
Öngörülebilirlik	Yüksek	Orta (belirsizlik yüksek)
Bütçeleme biçimi	Tek fazlı proje	Kademeli (pilot→ölçek)
Bakım yükü	Görece düşük	Yüksek ve süregelen
Değer eğrisi	Kurulunca sabit	Zamanla birikir (ROI eğrisi)

Bu farkları anlamak, yönetime doğru beklentiyi kurmayı sağlar. Yapay zeka bütçesini geleneksel bir sermaye harcaması gibi sunarsanız, değişken maliyetin ve süregelen bakımın gerçekliğiyle çeliştiğinizde güven kaybedersiniz. Bunun yerine baştan "bu bütçe akışkandır, ölçülür ve kademeli büyür" çerçevesi kurmak, hem daha dürüst hem daha sürdürülebilirdir. Dijital dönüşümün bütününde bu yeni bütçe mantığını konumlandırmak için dijital dönüşüm nedir rehberine bakabilirsiniz.

Olgun bir kurumsal ai bütçesi, tek bir projeyi değil bir kullanım senaryosu portföyünü yönetir. Kurumun önünde genellikle onlarca olası senaryo vardır; ama bütçe sınırlıdır. Bu yüzden bütçeleme, aslında bir önceliklendirme problemidir: hangi senaryolara önce yatırım yapılacak? Doğru önceliklendirme, sınırlı bütçeden en yüksek değeri çıkarmanın anahtarıdır.

Senaryoları iki eksende değerlendirmek pratik bir çerçevedir: iş değeri (bu senaryo ne kadar fayda üretir?) ve uygulama kolaylığı (ne kadar veri, entegrasyon ve risk gerektirir?). Bu iki eksen bir öncelik matrisi oluşturur. Yüksek değer + düşük zorluk senaryolar "hızlı kazançtır" ve önce yapılır; yüksek değer + yüksek zorluk senaryolar "stratejik bahislerdir" ve dikkatle planlanır; düşük değerli senaryolar ertelenir veya elenir.

Kullanım senaryosu önceliklendirme matrisi (değer × zorluk)

Kategori	Değer / Zorluk	Bütçe kararı
Hızlı kazanç	Yüksek değer / düşük zorluk	Önce yap, pilot bütçesi
Stratejik bahis	Yüksek değer / yüksek zorluk	Dikkatle planla, aşamalı yatırım
Dolgu işi	Düşük değer / düşük zorluk	Kapasite varsa yap
Kaçınılacak	Düşük değer / yüksek zorluk	Erteleme veya eleme

Portföy yaklaşımının büyük avantajı, bütçeyi dinamik tutmasıdır. Her senaryo bir pilot olarak başlar; kanıt üretenlere daha fazla bütçe akar, üretmeyenler kapanır. Bu, bütçeyi statik bir tahsis olmaktan çıkarıp sürekli ayarlanan bir portföye dönüştürür. Böylece kaynak, en çok değer üreten senaryolara doğru doğal olarak akar. Hangi senaryonun ne kadar değer ürettiğini görmek için baştan ölçüm altyapısı kurmak — birim maliyet ve fayda izleme — bu portföy yönetiminin ön koşuludur.

Teori ne kadar sağlam olursa olsun, bir kurumsal ai bütçesi ancak uygulanınca değer üretir. İlk 90 gün, bir yapay zeka girişiminin bütçe disiplinini oturttuğu kritik dönemdir. Bu dönemi net aşamalara bölmek, hem yönetimin güvenini hem de bütçenin gerçekçiliğini korur.

Nasıl Yapılır

Kurumsal AI bütçesini ilk 90 günde uygulama planı

Bir yapay zeka girişiminin bütçe disiplinini ilk üç ayda oturtan aşamalı uygulama planı.

1. 1

   Gün 0-30: Senaryo ve temel ölçüm

   Tek bir dar senaryo seçin, değer hipotezini yazın ve ölçüm altyapısını (token, insan saati, kalite) kurun. Bu aşamada harcama minimumdur.

2. 2

   Gün 30-60: Pilotu kur ve gerçek maliyeti ölç

   Satın-al ağırlıklı bir pilot çalıştırın; token, bilişim ve insan saatini gerçek verilerle kaydedin. Tahminlerinizi gözlemle karşılaştırın.

3. 3

   Gün 60-75: ROI değerlendirmesi ve karar

   Pilotun ürettiği değeri ve gerçek maliyeti kıyaslayın. Durdur, düzelt veya ölçekle kararını veriye dayanarak verin.

4. 4

   Gün 75-90: Ölçek bütçesini ve yönetişimi kur

   Ölçek kararı verdiyseniz sekiz kalemi tam kapsamla bütçeleyin, yönetişim/uyum çerçevesini ekleyin ve belirsizlik payı bırakın.

Bu 90 günlük plan, bütçeyi soyut bir tablodan somut bir uygulamaya dönüştürür. En önemli ilkesi şudur: para harcamadan önce ölçüm altyapısını kur. Çoğu başarısız girişim, ölçmediği için maliyetini ve değerini hiç bilmez ve bütçe kararlarını hisle verir. İlk 30 günü ölçüme ayırmak, geri kalan her kararı sağlam bir zemine oturtur. Kurumunuza özel bir 90 günlük plan ve bütçe iskeleti için yapay zeka danışmanlığı ve yapılandırılmış ekip eğitimi için kurumsal eğitim programları bu süreci hızlandırabilir.

Kurumsal AI bütçesi nasıl hesaplanır?

Kurumsal ai bütçesi, tek bir rakam değil, toplam sahip olma maliyetinin kalem kalem toplamıdır. Sekiz ana kalemi ayrı ayrı tahmin edin: model/API ve lisans (token bazlı), altyapı/bulut/GPU, veri hazırlığı, entegrasyon ve geliştirme, insan/yetenek, eğitim, yönetişim/güvenlik/uyum ve bakım/izleme. Her kalemi pilot ve ölçek fazları için ayrı hesaplayın; sonra %15-25 bir belirsizlik payı ekleyin. Görünen model ücretine bakıp bütçe kurmak en yaygın hatadır.

AI projesinde en büyük maliyet kalemi hangisidir?

Çoğu kurumsal senaryoda en büyük kalem model API ücreti değil, veri hazırlığı ile entegrasyon ve bakımdır. Modeli çağırmak ucuzdur; veriyi toplamak, temizlemek, etiketlemek, sistemlere bağlamak ve zaman içinde bakımını yapmak pahalıdır. Bu yüzden bütçenin ağırlık merkezi genellikle 'görünmeyen' kalemlerdedir.

Token maliyeti nasıl hesaplanır?

Token maliyeti, işlenen girdi (input) ve üretilen çıktı (output) token sayısı ile birim fiyatın çarpımıdır ve genelde girdi ile çıktı için farklı fiyatlanır. Aylık maliyet = (aylık istek sayısı × istek başına ortalama girdi+çıktı token) × birim fiyat. Prompt'u kısaltmak, gereksiz bağlamı atmak, önbellekleme kullanmak ve doğru boyutta model seçmek bu kalemi kat kat düşürür. Token kavramının ayrıntısı için token nedir rehberine bakabilirsiniz.

Build vs buy kararını neye göre veririm?

Karar dört eksende verilir: farklılaşma (bu yetenek çekirdek rekabet avantajınız mı?), hız (ne zaman değer üretmeli?), yetenek (ekibiniz bunu sürdürebilir mi?) ve toplam sahip olma maliyeti. Farklılaştırıcı ve stratejik yetenekler için inşa etmek; yaygın, standart ihtiyaçlar için satın almak genel kuraldır. Çoğu kurum hibrit gider: çekirdek olmayan katmanı satın alır, farklılaştırıcı katmanı inşa eder.

Pilot ile ölçek bütçesi arasındaki fark nedir?

Pilot bütçesi küçük, zaman-sınırlı ve öğrenme odaklıdır: bir kullanım senaryosunun değer üretip üretmediğini düşük riskle test eder. Ölçek bütçesi ise pilot ROI kanıtı ürettikten sonra devreye giren, üretim altyapısı, gözlemlenebilirlik, yönetişim ve bakımı kapsayan çok daha büyük bir taahhüttür. Kritik kural: ölçek yatırımını pilot kanıtından önce serbest bırakmayın.

Gizli AI maliyetleri nelerdir?

En sık gözden kaçan kalemler: atıl/bekleyen GPU kapasitesi, veri etiketleme ve yeniden etiketleme, model geçişleri (fiyat/performans değişince), gözlemlenebilirlik ve loglama, güvenlik testleri, prompt/çıktı denetimi, yeniden işleme (rework), değişiklik yönetimi ve kullanıcı eğitimi. Bunlar tek tek küçük görünür ama toplamda bütçenin önemli bir bölümünü oluşturur.

Maliyet optimizasyonu için ilk adım nedir?

İlk adım ölçmektir: hangi kullanım senaryosu ne kadar token, ne kadar bilişim, ne kadar insan saati tüketiyor bilmeden optimize edemezsiniz. Ardından en yüksek hacimli akışlarda model doğru boyutlandırma (küçük model yeter mi?), önbellekleme, prompt kısaltma ve toplu (batch) işleme uygulanır. Optimizasyon, kaliteyi düşürmeden birim maliyeti indirmektir.

EU AI Act ve ISO 42001 bütçeyi nasıl etkiler?

Bu çerçeveler yönetişim/uyum kalemini bir 'sonradan düşünülen' olmaktan çıkarıp planlı bir maliyet kalemine dönüştürür. EU AI Act risk seviyesine göre dokümantasyon, risk değerlendirmesi ve insan gözetimi gerektirir; ISO/IEC 42001 bir yapay zeka yönetim sistemi kurmayı öngörür; NIST AI RMF risk yönetimi çerçevesi sunar; KVKK ise kişisel veri işlemede uyum yükü getirir. Bunları baştan bütçelemek, sonradan uyum sağlamaktan belirgin biçimde ucuzdur.

Küçük bir kurum kurumsal AI bütçesine nasıl başlamalı?

Tek ve dar bir kullanım senaryosuyla, satın-al ağırlıklı bir pilotla başlayın. Amaç, en az sermaye harcamasıyla değer hipotezini test etmek. Token ve abonelik maliyetlerini ölçün, insan saatini kayıt altına alın, küçük bir gizli maliyet payı bırakın. Pilot değer kanıtlarsa, kalem kalem ölçek bütçesine geçin. Yol haritası için yapay zeka danışmanlığı desteği alabilirsiniz.

Özetle, kurumsal ai bütçesi planlamanın özü şudur: yapay zeka girişiminin maliyetini görünen model ücretine değil, toplam sahip olma maliyetine kurun; bunu sekiz kaleme (model/token, altyapı/GPU, veri, entegrasyon, yetenek, eğitim, yönetişim, bakım) bölün; build-vs-buy kararını farklılaşma ve toplam maliyet ekseninde verin; bütçeyi pilot→ölçek kademesinde serbest bırakın; maliyet optimizasyonunu süregelen bir disiplin olarak kurun; ve gizli maliyetlere açık bir pay ayırın. Böyle kurulmuş bir kurumsal ai bütçesi, bir tahmin olmaktan çıkıp bir yönetim aracına dönüşür.

Bir sonraki adım için temel kavramları pekiştirmek isterseniz yapay zeka nedir, LLM nedir ve token nedir rehberlerine; yapılandırılmış öğrenme için öğrenme merkezine ve kurumsal eğitim programlarına; kuruma özel bir bütçe ve yol haritası için ise yapay zeka danışmanlığı hizmetine göz atabilirsiniz. Doğru kurulmuş bir kurumsal ai bütçesi, yapay zeka yatırımınızın başarısız olma riskini en aza indiren tek en güçlü karardır.