Tek Bir Yapay Zekâ Modeli Ne Zaman Yeterli?

💡 Özet: Ana Çıkarımlar

• Bir iş için tek genel amaçlı modelle başlamak çoğu zaman iyi bir varsayılandır. İkinci model, gerçek iş yükünde ölçülmüş bir kalite, maliyet, hız, veri güvenliği veya dayanıklılık farkı yaratıyorsa eklenmelidir.
• Tek model kullanmak, bütün sistemi modele bırakmak değildir. Bilgi kaynakları, iş kuralları, yetki kontrolleri ve gerçek işlemler yazılımın başka parçalarında kalabilir.
• Kullanıcının tek ürün görmesi, arkada tek model çalıştığını göstermez. Şirketin kararı arayüz sayısına değil, kendi işinin gerektirdiği bileşenlere dayanmalıdır.

Bir müşteri destek sistemi kurduğunuzu düşünün. Sistem gelen mesajı okuyacak, müşterinin ne istediğini anlayacak, gerekli bilgiyi bulacak ve cevap hazırlayacak.

Bu işler için ayrı ayrı modeller kullanabilirsiniz. Biri mesajı sınıflandırır, biri cevabı yazar, bir başkası da cevabı kontrol eder. Kâğıt üzerinde daha gelişmiş görünen bir mimari çıkar.

Bugünkü genel amaçlı modeller ise bu görevlerin birkaçını aynı anda yapabiliyor. Mesajı okuyabiliyor, iade talebini anlayabiliyor, önüne verilen kaynaktan bilgi çıkarabiliyor ve uygun bir cevap taslağı hazırlayabiliyor.

Bu durumda ikinci modeli eklemek sistemi gerçekten iyileştirir mi, yoksa yalnızca işletilmesi gereken yeni bir parça mı yaratır?

Tek model ile tek sistem aynı şey değildir

Önce “tek model” derken neyi kastettiğimizi ayırmak gerekiyor.

Kullanıcı tek bir sohbet ekranı veya API görebilir. Fakat sağlayıcı, isteğin zorluğuna göre arkada farklı modeller çalıştırabilir. OpenAI, GPT-5 sistem kartında kullanıcının tek ürün olarak gördüğü sistemin arkasında iki model bulunduğunu açıklamış. Basit istekleri hızlı model yanıtlıyor. Daha zor işlerde, soruyu daha ayrıntılı değerlendiren model devreye giriyor. Aradaki yazılım hangi modelin kullanılacağına karar veriyor.

Şirket için asıl soru daha basit: Müşteri mesajını anlama, belgeyi yorumlama ve cevap hazırlama işlerini tek model yeterli kalitede yapabiliyor mu?

Müşteri destek örneğinde cevap evet olabilir. Model mesajı anlar ve cevap taslağı hazırlar. Ürün belgesini arama sistemi bulur. Güncel sipariş bilgisi API üzerinden alınır. İade koşulunu yazılım kuralı uygular, para hareketini ise yetkili ödeme sistemi yapar.

Bunların her biri başka bir yapay zekâ modeli değildir. Tek modelle başlamak, bütün bilgiyi ve karar yetkisini modelin içine doldurmak anlamına gelmez.

Genel amaçlı model iyi bir başlangıç olabilir

Tek model, birbirine yakın görevleri yeterli kalitede yapabildiğinde iyi bir başlangıçtır. Model hem müşteri mesajını anlayıp gerekli bilgiyi çıkarıyor hem de cevap hazırlıyorsa bu işleri baştan farklı modellere bölmek gerekmeyebilir.

Ekip tek bir girdi ve çıktı biçimini yönetir. Model değiştiğinde daha küçük bir test kümesiyle uğraşır. Hatanın hangi modelden geldiğini bulmak ve farklı model sürümlerini birbirleriyle uyumlu tutmak daha kolay olur.

Üstelik modeller geliştikçe daha önce ayrı bir sistem gerektiren bazı işleri kendi üzerlerine alabiliyor. 2026'da yayımlanan bir iş dokümanı inceleme çalışmasında, araştırmacılar güçlü görsel dil modellerini OCR kullanan sistemlerle karşılaştırmış. OCR, taranmış bir belgedeki yazıyı önce makinenin okuyabileceği metne çeviriyor. Çalışmada incelenen bazı modeller, bu ayrı aşama olmadan yalnızca belge görüntüsünü kullanarak benzer sonuçlar üretebilmiş.

Buradan OCR'ın artık gereksiz olduğu sonucu çıkmaz. El yazısı, farklı diller, düşük kaliteli taramalar veya tek bir karakter hatasının bile ciddi sonuç yaratacağı işlemler başka sonuç verebilir. Fakat ayrı bir uzman bileşeni sırf geçmişte gerekliydi diye mimaride tutmanın da doğru olmadığını gösteriyor.

AI projesine model seçerek başlamama nedenini iş sonucu ve süreç üzerinden ele almıştım. Model sayısı için de aynı sıra geçerli. Önce işin ne istediğini, mevcut çözümün nerede yetersiz kaldığını ve hangi farkın değerli olduğunu bilmek gerekiyor.

Uzman model ne zaman yerini hak eder?

Genel amaçlı model iyi bir başlangıçtır. Her iş için doğru son nokta değildir.

Diyelim ki destek sistemine ayda milyonlarca mesaj geliyor. Mesajların büyük bölümü iade, teslimat, ödeme veya üyelik gibi on sabit türden birine ayrılıyor. Yalnızca bu ayrımı yapmak üzere eğitilmiş küçük bir model, aynı doğrulukta çok daha hızlı ve ucuz çalışabilir. Bu durumda ayrı bir modelin somut bir görevi ve ölçülebilir bir faydası vardır.

2025'te yayımlanan bir araştırma sekiz metin sınıflandırma görevini incelemiş. Küçük ve göreve uyarlanmış modeller bazı görevlerde büyük genel amaçlı modellerle başa baş veya daha iyi sonuç vermiş. Gerekli örnek sayısı görevden göreve ciddi biçimde değişmiş. Buradan “küçük model her zaman daha iyidir” sonucu çıkmaz. Ancak dar ve tekrarlı bir işte uzmanlaşmanın ölçülebilir bir karşılığı olabileceğini gösterir.

Bazı işlerde ise genel amaçlı dil modeli doğal başlangıç değildir. Gelecek ayın satışını hesaplamak için tahmin modeli, en uygun teslimat rotasını bulmak için optimizasyon yöntemi kullanılabilir. Dil modeli çıkan sonucu açıklayabilir veya sıra dışı durumları yorumlayabilir. Fakat asıl hesabı ona vermek için, mevcut yöntemden daha iyi sonuç ürettiğini göstermek gerekir.

Fine-tuning yazısında bilgi, açık kural ve veriden öğrenilecek örüntü arasındaki farkı ele almıştım. Buradaki ayrım onun devamı sayılabilir. Bir uzman model, şirketin dokümanlarını “bilsin” diye değil, belirli bir işi genel modelden daha iyi yaptığı gösterilebildiğinde anlam kazanır.

İkinci modelin faydasını yalnızca fiyat listesiyle ölçmeyin

Daha ucuz bir model kullanmak toplam sistemi otomatik olarak ucuzlatmaz. Yeni model için ayrı entegrasyon, test örnekleri, izleme, hata yönetimi ve sürüm takibi gerekir. Ürettiği hataları insanlar düzeltmek zorunda kalırsa fiyat tablosunda görünen tasarruf kısa sürede kaybolabilir.

Örneğin yüz talebi ucuza işlemek tek başına yeterli değildir. Bu taleplerin kaçı doğru sonuçlandı? Hataları düzeltmek için ne kadar insan zamanı harcandı? Model, entegrasyon ve kontrol maliyetlerini kullanılabilir sonuç sayısına böldüğünüzde gerçek karşılaştırma ortaya çıkar.

Bu kanıtlardan hiçbiri yoksa mimariye eklenen model bir çözümden çok varsayımdır.

Daha fazla model, daha fazla seçenek kadar daha fazla sorumluluk da getirir

Üç model kullanan müşteri destek sistemine geri dönelim. İlk model talebi yanlış sınıflandırabilir. İkinci model doğru sınıfa rağmen hatalı cevap hazırlayabilir. Kontrol modeli ise doğru cevabı reddedebilir. Sonuç kötü olduğunda artık yalnızca cevabı değil, modeller arasındaki geçişi de incelemek gerekir.

Modellerden biri güncellendiğinde diğer ikisiyle kurduğu ilişki değişebilir. Girdi biçimleri, hata davranışları ve maliyet dengesi yeniden sınanır. Alternatif sağlayıcı eklemek de kâğıt üzerinde dayanıklılık yaratır. Gerçek isteklerle denenmemiş bir yedek, kesinti günü ilk kez karşılaşılan başka bir belirsizliktir.

Şirketlerin AI bağımlılığı üzerine yazarken, alternatif bir modele geçebilmenin API uyumluluğundan ibaret olmadığını anlatmıştım. Aynı iş sonucunu koruyup korumadığını da önceden görmek gerekir. Çoklu model mimarisi bu sorumluluğu ortadan kaldırmaz. Aksine daha sık karşınıza çıkarır.

Anthropic de agent sistemleri için yayımladığı mühendislik rehberinde önce en sade çalışan çözümle başlamayı, ek karmaşıklığı ancak ölçülebilir bir fayda sağladığında kurmayı öneriyor. Rehber hazır bir model sayısı vermiyor. Bir model daha ekleyen ekibin bunun neden gerekli olduğunu gerçek sonuçlarla gösterebilmesi gerekiyor.

Bu nedenle mesajları ve belgeleri anlayıp cevap hazırlayan bölümde tek genel amaçlı modelle başlamak çoğu zaman makuldür. İkinci model ancak hangi sorunu çözdüğü, neyi iyileştirdiği ve getirdiği ek işletim yüküne değdiği gösterildiğinde sisteme girmelidir.

Bir modeli mimariden çıkardığınızda işletme sonucu değişmiyorsa, o modelin neden orada olduğunu yeniden sormak gerekir.

Model sayısından önce hangi sonucun ölçüleceğini belirlemenin neden gerekli olduğunu önceki yazıda ele aldım.

Model, bilgi, yetki ve ölçümle ilgili diğer kararları yapay zekâ sistemi tasarlama rehberinde bir arada görebilirsiniz.