Egemen Yapay Zekâyı Herkes İstiyor, %29'u Yapıyor: Aradaki Fark Nerede?

Kısa cevap: Kurumlar egemen yapay zekâyı istiyor ama çoğu henüz kurmuyor, ve bu bir kararsızlık değil bir kapasite meselesi. Kurumsal yapay zekâ araştırmalarına göre katılımcıların %95'i özel ya da egemen yapay zekânın stratejileri için önemli olduğunu söylüyor, ancak yalnızca %29'u bunu yakın vadede somut olarak önceliklendirmiş durumda. Veri gizliliği ise teknik liderlerin %61,3'ü tarafından bir numaralı engel olarak sayılıyor.

Daha da ilginç olan, niyetin kullanıma yansımaması: Menlo Ventures verilerine göre açık kaynak modellerin kurumsal kullanımdaki payı 2024'te %19 iken 2025'te %11'e düştü. Aynı dönemde McKinsey, kurumsal yöneticilerin %40'ının kendi altyapısında barındırabileceği modelleri tercih ettiğini buluyor.

Yani tercih ile davranış ayrışıyor. Bu yazı, o boşluğun nedenlerini ve kapatma yolunu ele alıyor.

Egemenlik neden gündeme geldi?

İki eğilim aynı yöne bakıyor. Birincisi, üretim yapay zekâ çıkarımının birincil ortamı olarak public cloud'un payı bir yılda %56'dan %41'e düştü. İkincisi, kurumların %77'si bir yapay zekâ sağlayıcısının menşe ülkesini seçim kararında hesaba katıyor.

Türkiye tarafında bu tabloyu keskinleştiren şey mevzuat. Kişisel veri işleyen her yapay zekâ uygulaması bugün KVKK kapsamında ve verinin yurt dışına aktarımı ayrı bir rejime tabi. Bu konuyu KVKK ve veri yurt dışına aktarım yazımızda ayrıntılandırdık. Genel tabloyu ise Türkiye'de kurumsal yapay zekâ yazısında ele almıştık.

Boşluk neden kapanmıyor?

Niyet ile uygulama arasındaki mesafeyi üç şey üretiyor ve üçü de teknik değil.

Toplam maliyet yanlış hesaplanıyor. Kendi altyapınızda model çalıştırmanın maliyeti GPU kirasından ibaret değil: kapasite planlaması, model sürüm yönetimi, değerlendirme hattı, güvenlik yaması ve nöbet. Bu kalemler bir API faturasında görünmez, kendi stack'inizde görünür. Karşılaştırmanın nasıl yapılacağını GPU satın almak mı kiralamak mı yazısında ele aldık.

Değerlendirme altyapısı kurulmuyor. Bir modeli değiştirmek, onu ölçebiliyorsanız kolaydır. Kurumun kendi görevleri için bir değerlendirme seti yoksa, açık bir modelin kapalı bir modelin yerini tutup tutmadığı bir kanaat sorusuna dönüşür ve kanaat, faturayı imzalayan kişinin kanaatidir.

Egemenlik "sunucu nerede" sorusuna indirgeniyor. Oysa asıl soru veriye kimin erişebildiği: model ağırlıkları sizde olsa bile, istemleri kimin gördüğü, kayıtların nerede tutulduğu ve ince ayar verisinin nereye gittiği ayrı ayrı yazılı olmalı.

Kapalı model her zaman yanlış değil

Egemenlik bir ideoloji değil bir risk kararı. Aynı kurumda iki yaklaşım bir arada yürüyebilir ve genelde yürümesi gerekir:

Hassas veriyle çalışan iş yükleri kendi kontrolünüzdeki altyapıda: müşteri kaydı, sağlık verisi, sözleşme metni, kaynak kodu.Hassas olmayan ve değişken iş yükleri yönetilen servislerde: içerik taslağı, genel araştırma, kod tamamlama.

Ayrımı yapan şey modelin açık ya da kapalı olması değil, verinin sınıfı. Bu sınıflandırma yazılı değilse her iki taraf da yanlış yerde kullanılır.

Nereden başlanmalı

Model seçmeden önce üç şey yazılı olmalı:

Hangi veri sınıfı hangi ortamda işlenebilir? Bu tek sayfalık tablo, sonraki bütün mimari kararları belirler.Başarıyı nasıl ölçeceksiniz? Kurumun kendi görevlerinden üretilmiş, en az elli örnekli bir değerlendirme seti. Bu set olmadan model değiştirmek bir kumar.Çıkış planı nedir? Sağlayıcı fiyat değiştirdiğinde ya da model emekliye ayrıldığında ne olacak? Egemenliğin pratik karşılığı budur: taşınabilirlik.

%95 ile %29 arasındaki fark, teknolojiye erişimden değil bu üç belgenin yokluğundan doğuyor. Eclit'in bu katmanı nasıl kurduğunu yapay zekâ stack'i mühendisliği sayfasında görebilirsiniz.