Bir “Merhaba”nın Maliyeti: Kurumsal Yapay Zekâ Kullanımını Yönetmek

Bu yazıyı binlerce çalışanı olan bir kurumun AI kullanımını yönetmiş biri olarak yazmıyorum. Çalıştığım şirket, aşağıda anlatacağım küçük ekip örneğine daha yakın. Büyük şirketlerde çalışan arkadaşlarımdan ise bu ölçekte kullanım ve maliyet yönetiminin nasıl ele alındığına dair doğrudan gözlemler dinliyorum. Yazıdaki ayrım bu iki farklı bakışın üzerine kurulu.

İki üç yazılımcının ve sekiz on ofis çalışanının kullandığı AI araçlarının maliyetini takip etmekle, binlerce çalışanın AI kullanımını yönetmek farklı işler. İlkinde birkaç aboneliği, kullanım limitini ve ortaya çıkan işi görmek çoğu zaman mümkün. İkincisinde aynı ekranın arkasında çok sayıda iş akışı, farklı veri kuralları ve büyüyen bir tüketim faturası var.

Bu fark, büyük şirketlerin neden bazen kullanıcılarından tek tek kelimeleri bile azaltmasını istediğini anlamayı kolaylaştırıyor. Kişisel abonelikte pek önemsenmeyen bir kullanım alışkanlığı, şirketin ortak bütçesinde ayrıca yönetilmesi gereken bir gider hâline gelebiliyor.

404 Media'nın Temmuz 2026 tarihli haberi, şirket içi yazışmalara ve belgelere dayanarak bazı büyük şirketlerin artan maliyetler nedeniyle AI kullanımını kısıtladığını aktarıyor. Çalışanların daha az güçlü modellere yönlendirilmesi de örnekler arasında. Haber belirli şirketlerdeki uygulamaları anlatıyor. Bana göre tartışmaya değer tarafı, küçük bir ekipte yönetilebilir görünen harcamanın ölçek büyüdükçe başka bir yönetim meselesine dönüşmesi.

Kullanıcı sayısı kadar, kullanım biçimi de değişiyor

Küçük bir ekipte çalışanların çoğu AI'ı sohbet arayüzünde kullanıyor, yalnızca birkaçı ajanlarla çalışıyorsa harcamayı takip etmek görece kolay. Herkesin bütün promptlarını veya çalışma yöntemlerini bilmeseniz de kimin hangi araca eriştiğini ve aylık maliyetini görebilirsiniz.

Bu elbette küçük bir ekibin yüksek fatura çıkaramayacağı anlamına gelmiyor. Birkaç kişinin yoğun ajan kullanımı da pahalı olabilir. Ancak az sayıda kullanıcıyla kullanımın neden arttığını konuşmak ve çalışma biçimini değiştirmek daha kolaydır.

Büyük bir kurumda kullanıcı sayısına başka kararlar ekleniyor. Hangi verinin hangi sağlayıcıya gönderilebileceği, kimlerin hangi modellere erişeceği ve kullanımın nasıl kaydedileceği belirlenmeli. Kurumun güvenlik, gizlilik ve mevzuat yükümlülükleri, daha ucuz bir hizmete geçme imkânını da sınırlayabilir. Bazı işler için belirli sağlayıcılar veya kurumun kendi ortamında çalıştırabileceği açık ağırlıklı modeller gündeme gelebilir.

Faturalandırma da tek biçimli değil. Kullanıcı başına ücretler, pakete dahil kullanım ve tüketim bazlı ek ücretler aynı kurumsal düzenin parçaları olabilir. Token üzerinden ücretlenen kullanımda, modelin okuduğu ve ürettiği metin parçaları faturaya yansır. Bu nedenle yalnızca kaç hesap açıldığına bakmak yeterli olmaz.

Ajanlar bu hesabı daha da değiştiriyor. Kullanıcı tek bir iş verebilir, ama ajan o işi tamamlamak için belgeleri inceleyip birden fazla model çağrısı yapabilir. Ekrandaki bir talep, arka planda tek bir işlem olmayabilir.

“Merhaba demeyin” uyarısının arkasındaki kaygı

Türkiye'deki bazı büyük bankalarda ve holdinglerde çalışan arkadaşlarımdan, AI'a selam vermemek veya teşekkür etmemek gibi uyarılar yapıldığını duydum. Bunlar resmi politikalardan değil, arkadaşlarımla yaptığım sohbetlerden aktardığım örnekler.

Böyle bir uyarının arkasındaki maliyet kaygısını anlayabiliyorum. Kullanıcının da tüketimin farkında olması gerekiyor. Gereksiz yere aynı işi tekrar istemek, ihtiyaç olmadığı hâlde uzun cevaplar üretmek veya bir ajanın sonuç vermeyen denemelerini sürdürmek harcamayı artırabilir.

Fakat tasarrufun nereden geleceğini görmek için gerçek kullanıma bakmak lazım. Kısa bir teşekkür mesajıyla, her adımda yeniden okunan uzun bir belge aynı büyüklükte gider kalemleri olmayabilir. Çalışana yalnızca daha kısa yazmasını söylemek, arka plandaki tekrarları görünür kılmıyor.

404 Media'nın bir haberinde, Accenture içindeki bir görüşmede token tüketiminin büyük bölümünü mühendislerin değil, PDF'leri sunuma dönüştürmek gibi işler yapan teknik olmayan çalışanların oluşturduğu aktarılıyor. Bu iddia, yüksek tüketimi yalnızca geliştirici araçları üzerinden izlememek gerektiğini düşündürüyor; ancak sızdırılan bir iç kayda dayandığı için sektör geneline yayılamaz.

Sistem tasarımı kullanıcıdan beklenen tasarrufu azaltabilir

Şirketlerin elinde bu maliyeti azaltacak yöntemler var. Sık tekrarlanan talimat ve belgelerin önbellekten kullanılması, aynı içeriğin yeniden işlenme maliyetini düşürebilir. Uzayan konuşmaların gerekli bilgileri koruyarak özetlenmesi de sonraki adımlara taşınan metni azaltabilir. Örneğin Anthropic, Claude Code'un maliyet yönetimi rehberinde bu iki yöntemi kullanıcıların uygulayabileceği alışkanlıklarla birlikte ele alıyor. Önbellek kullanımı faturayı sıfırlamıyor, özetleme sırasında da gerekli ayrıntıların korunması gerekiyor.

Bir diğer seçenek, işi uygun modele yönlendirmek. Basit bir sınıflandırma için yeterli olan model, karmaşık bir değerlendirme için yeterli olmayabilir. Stripe–OpenRouter anlaşmasını ele aldığım yazıda da aynı nedenle model fiyatıyla işin toplam maliyetini birlikte değerlendirmiştim. Ucuz model daha fazla düzeltme gerektiriyorsa tasarrufun bir kısmı çalışan zamanından çıkabilir.

Yanıtın uzunluğunu işe göre ayarlamak da mümkün. Yalnızca birkaç alanın doldurulacağı bir işlem için sayfalarca açıklama üretmek gerekmeyebilir. Anında cevap gerektirmeyen işler ise sağlayıcının daha düşük fiyatlı toplu işleme hizmetlerine uygun olabilir. Buradaki karşılık, sonucu daha geç almaktır. Bu seçeneklerin kullanılabilirliği ve fiyatı, seçilen hizmete bağlıdır.

Bunların hiçbiri kullanıcıyı tamamen devreden çıkarmıyor. Çalışan hâlâ ne istediğini açık anlatmalı, gereksiz dosyaları eklememeli ve ajanın ne zaman amacından uzaklaştığını fark etmeli. Ama her çalışandan token hesabı yapmasını beklemek yerine, sık tekrarlanan işlerde bu tercihlerin bir bölümünü sistemin üstlenmesi daha makul.

Bütçeyi, yapılan işle birlikte görmek gerekiyor

Harcama limitleri koymak, özellikle kullanım hızla büyürken gerekli olabilir. Ancak herkese aynı limiti vermek, farklı işleri aynı koşullarda değerlendirmek demek. Kısa metinler hazırlayan çalışanla uzun belgeleri karşılaştıran bir çalışanın ihtiyacı aynı olmayabilir.

Bu yüzden AI kullanım envanteri için önerdiğim ilk adım burada da işe yarıyor: Önce insanların hangi işi yaptığını öğrenmek. Ardından yüksek harcamanın çok iş tamamlamaktan mı, gereksiz tekrardan mı, yanlış model seçiminden mi kaynaklandığına bakılabilir. Her çalışanın sohbetini okumak yerine, iş türlerini, kullanım miktarını ve ortaya çıkan sonucu birlikte incelemek mümkün.

Ben büyük bir kurumda önce en çok harcayan birkaç iş akışına bakardım. Gereksiz tekrarları azaltır, hangi modelin yeterli olduğunu sınar, bütçeyi tamamlanan işle birlikte değerlendirirdim. Kullanıcıya da hangi davranışının neden maliyet oluşturduğunu anlatırdım. Böylece kota dolduğunda verilecek karar, yalnızca erişimi kesmek olmazdı. Kurum, hangi işi durdurduğunu ve bu işin beklemesinin neye mal olduğunu da bilirdi.