Yapay Zeka Bulut Maliyetleri: Çıkarım Çağında FinOps

Kısa cevap: Yapay zeka maliyetinin ağırlık merkezi eğitimden çıkarıma (inference) kaydı. Gartner'ın Ağustos 2026 tahminine göre kurumlar bu yıl ilk kez, yapay zeka modellerini çalıştırmak için geliştirmekten daha fazla harcayacak. Eğitim tek seferlik bir proje gideriyken çıkarım, her etkileşimle büyüyen ve doğal bir tavanı olmayan bir işletme gideridir. Bunu kontrol etmenin yolu yeni bir araç satın almak değil, FinOps disiplinini yapay zeka iş yüklerini kapsayacak şekilde genişletmektir.

Dönüm noktası: çıkarım harcaması eğitimi geçti

Gartner'ın 10 Ağustos 2026 tarihli tahminine göre yapay zeka için optimize edilmiş IaaS harcaması bu yıl yüzde 96,4 artarak 42,3 milyar dolara ulaşacak. Bu tutarın 23,3 milyar doları, yani yüzde 55'i çıkarım iş yüklerine, 19 milyar doları eğitime gidiyor. 2025'te toplam 21,5 milyar dolar olan bu pazar, 2027'de 66,1 milyar dolara çıkacak.

Aynı tahmin, genel IaaS pazarının 2026'da 287,3 milyar dolara ulaşacağını söylüyor. Yani yapay zeka altyapısı, public cloud pazarından üç kat hızlı büyüyor. TechTarget'ın da aktardığı Temmuz 2026 tarihli Gartner BT harcama tahmini ise tabloyu tamamlıyor: küresel BT harcaması yüzde 14,2 artışla 6,37 trilyon dolara, veri merkezi sistemleri harcaması ise tek başına yüzde 62,5 artışla 822 milyar dolara çıkıyor. Gartner analisti John-David Lovelock bunu "insanlığın giriştiği en büyük altyapı projesi" olarak tanımlıyor.

Rakamların ötesindeki asıl mesaj şu: yapay zeka artık bir Ar-Ge kalemi değil, üretim ortamında çalışan ve faturası her ay gelen bir operasyon kalemi.

Proje gideri değil, işletme gideri

Eğitim maliyeti, ne kadar büyük olursa olsun, sınırlı bir maliyettir. Bütçelenir, harcanır ve biter. Çıkarım maliyeti ise tam tersi bir karaktere sahiptir: kullanıcı sayısıyla, etkileşim sayısıyla ve uygulamanın başarısıyla birlikte büyür. Başka bir deyişle, yapay zeka projeniz ne kadar başarılı olursa faturanız o kadar kabarır.

Bu, bütçe dinamiklerini kökten değiştirir. Klasik bulut iş yüklerinde talep görece öngörülebilirdir; çıkarımda ise tek bir ürün lansmanı, tek bir viral özellik veya tek bir hatalı döngü, aylık harcamayı katlayabilir. TechTimes'ın Gartner verileri üzerine analizi, kimsenin kullanmadığı halde barındırma ücreti işlemeye devam eden "zombi" ince ayarlı modellerin günde 50 ila 70 dolar arasında boşa maliyet üretebildiğini aktarıyor. Onlarca modeli olan bir kurumda bu, yılda yüz binlerce dolarlık sessiz bir kaçaktır.

Ajanik sistemler faturayı katlıyor

Maliyet baskısını asıl büyüten gelişme, ajanik (agentic) mimarilere geçiş. Tek soruya tek cevap veren bir sohbet botu ile planlama yapan, araç çağıran ve kendi çıktısını doğrulayan bir ajan arasında büyük bir tüketim farkı var. Aynı TechTimes analizinin aktardığı Gartner bulgusuna göre ajanik modeller, standart sohbet botlarına kıyasla 5 ila 30 kat daha fazla token tüketiyor.

Analizde derlenen araştırma verileri farkı somutlaştırıyor: basit ve doğrusal bir yapay zeka akışı etkileşim başına yaklaşık 0,04 dolara mal olurken, çok adımlı ajanik bir sistemde bu maliyet yaklaşık 1,20 dolara çıkıyor. Kurgusu değişmeyen bir uygulamada mimari tercihinin tek başına 30 kat maliyet farkı yaratabilmesi, mimari kararların artık aynı zamanda birer finansal karar olduğunu gösteriyor.

Türkiye penceresi: benimseme hızlı, fatura dolar bazlı

Türkiye bu dalgayı uzaktan izlemiyor. Microsoft'un 2026 Küresel Yapay Zeka Yayılım Raporu, Türkiye'yi yapay zeka kullanımını en hızlı artıran ülkeler arasında gösteriyor ve kullanımın yüzde 30 arttığını belirtiyor. Bulut tarafında da taban genişliyor: TÜİK'in 2025 Girişimlerde Bilişim Teknolojileri Kullanım Araştırması'na göre ücretli bulut bilişim kullanımı 250 ve üzeri çalışanı olan girişimlerde yüzde 54,3'e ulaşmış durumda; bu oran 50-249 çalışanlı girişimlerde yüzde 31,8, 10-49 çalışanlı girişimlerde yüzde 17,3.

Türkiye'deki BT karar vericisi için tabloyu ağırlaştıran ek bir katman var: GPU tabanlı bulut hizmetlerinin faturası dolar bazlı, gelirlerin önemli kısmı ise TL bazlı. Çıkarım çağında bu denklem, öngörülemeyen kullanım artışıyla birleşince bütçe riski iki yönlü hale geliyor. Türkiye'de kurumsal yapay zekanın genel görünümü için bu yazıya da bakabilirsiniz.

FinOps'un kapsamı genişliyor

Sektörün cevabı belli: FinOps artık yalnızca bulut faturası okumak değil. FinOps Foundation'ın 1.192 uygulayıcının katıldığı ve 83 milyar doların üzerinde yıllık bulut harcamasını temsil eden State of FinOps 2026 araştırmasına göre katılımcıların yüzde 98'i artık bir biçimde yapay zeka maliyeti yönetiyor. Bu oran 2025'te yüzde 63, 2024'te yüzde 31'di. İki yılda üç kat artış, bir trendin değil bir zorunluluğun işareti.

Aynı araştırma disiplinin kapsam genişlemesini de gösteriyor:

• Katılımcıların yüzde 90'ı SaaS maliyetlerini FinOps kapsamında yönetiyor
• Yüzde 64'ü yazılım lisanslarını kapsama almış durumda
• Yüzde 57'si özel bulut, yüzde 48'i veri merkezi maliyetlerini de yönetiyor
• Yapay zeka maliyet yönetimi, önümüzdeki 12 ay için en çok aranan yetkinlik

nOps'un rapor özetinin altını çizdiği bir bulgu da dikkat çekici: ekipler bariz israfı büyük ölçüde temizlemiş durumda ve artık tespit etmesi daha zahmetli, küçük fırsatlardan oluşan bir kuyrukla uğraşıyor. Yapay zeka iş yükleri bu tabloya, henüz hiç temizlenmemiş yepyeni bir israf yüzeyi ekliyor.

Çıkarım maliyetini yönetmek için beş adım

Kendi pratiğimizde işe yaradığını gördüğümüz sıralama şu:

1. Birim ekonomisini tanımlayın. Toplam fatura yanıltır; etkileşim başına, görev başına veya bin token başına maliyet ölçün. Hangi metriğin işinizi temsil ettiğine ürün ekibiyle birlikte karar verin.
2. Görünürlüğü kurun. Yapay zeka harcamasını uygulama, ekip ve ortam bazında etiketleyin. Kime ait olduğu bilinmeyen bir GPU kümesi, tanımı gereği optimize edilemez.
3. Dağıtımdan önce maliyetlendirin. State of FinOps 2026'nın en çok talep edilen yetkinlik olarak işaret ettiği dağıtım öncesi mimari maliyetlendirme, en ucuz optimizasyondur: henüz yazılmamış bir iş yükünü düzeltmek bedavadır.
4. Modeli işe göre boyutlandırın. Her isteği en büyük modele göndermek, her yolculuğa uçakla çıkmaya benzer. Küçük modellere yönlendirme, önbellekleme ve toplu işleme çoğu senaryoda kaliteden ödün vermeden tüketimi düşürür. Kullanılmayan ince ayarlı modelleri düzenli olarak envanterden çıkarın.
5. Yerleştirme kararını bilinçli verin. Talebi öngörülebilir ve sürekli olan çıkarım iş yükleri için özel GPU kapasitesi veya hibrit kurulum, kullandıkça öde modelinden belirgin biçimde ucuza gelebilir. Değişken ve patlamalı yükler bulutta kalmalı. Bu ayrımı yapmak, tek bulut faturasını savunmaktan daha değerlidir.

Sonuç: bu çeyrekte ne yapmalı

Beklemek maliyetli, çünkü çıkarım harcaması beklerken de büyüyor. Önümüzdeki çeyrek için somut bir başlangıç listesi: üretimdeki tüm yapay zeka iş yüklerinin envanterini çıkarın ve her birine bir sahip atayın; en büyük üç iş yükü için birim maliyet metriği tanımlayıp haftalık izlemeye alın; kullanılmayan model ve uç noktaları kapatın; yeni her yapay zeka projesine dağıtım öncesi maliyet tahmini şartı getirin; finans ekibiyle aylık bir yapay zeka maliyet gözden geçirmesi planlayın.

Bunların hiçbiri tek başına bir araç meselesi değil; süreklilik isteyen bir operasyon modeli meselesi. Kurum içinde bu kası kurmak zaman alıyorsa, disiplinin kurulmuş halini bir yönetilen hizmet ilişkisi içinde devralmak da geçerli bir yol. Kritik olan, 2026 bütçe görüşmelerine oturmadan önce çıkarım faturanızın hangi kararlarla büyüdüğünü söyleyebiliyor olmak.