Orijinal Başlık: "Yapay Zeka Benimsenmesi Mühendislik Çağına Giriyor, Süper Büyük CSP'ler İçin Yeni Fırsatlar ve Zorluklar, Yapay Zeka Ticarileşme Sürecini Değerlendirmek İçin Yeni Bir Sistem"
Orijinal Yazar: qinbafrank, Piyasa Analisti

Editörün Notu: Bu makalenin yazarı piyasa analisti @qinbafrank'tır. Yapay Zeka, "model yarışından" "ticarileşme yarışına" geçiyor. Şirketler YZ'yi büyük ölçekte dağıtmaya başladıkça, piyasanın odağı model yeteneklerinden gelir kalitesine, kurumsal ROI'ye ve sermaye getirisine kayıyor. Bu makale, yeni bir YZ ticarileşme analiz çerçevesi oluşturmayı amaçlıyor. "Son Söz", yazarın bu makaleyi paylaşırken yazdığı ve son teknoloji devlerinin mali raporları ile YZ ticarileşmesi üzerine uzantılı düşünceler içeren bir bölümdür; yüksek referans değeri taşıdığı için editör ekibi tarafından ana metnin önüne alınmıştır, okuyucuların referansına sunulur.

Son Söz

Süper büyük CSP'lerin (Microsoft, Amazon, Google, Meta) mali raporları, Temmuz ayı piyasasının ikinci dönüm noktasıdır. Piyasa hangi noktalardan endişe duyuyor ve hangilerini önemsiyor? Önemleri, aşağıda tartışıldığı gibi, süper büyük CSP'lerin performansının YZ ticarileşmesinin kilit göstergeleri haline gelmesidir (ağırlık olarak büyük model ARR'si ile aynı seviyede). Temel mesele, YZ talebinin büyüme hızı, gelir kalitesi ve birim ekonomisinin, sermaye harcamaları, amortisman, enerji maliyetleri ve finansman ihtiyaçlarındaki artış hızına yetişip yetişemeyeceğidir. Basitçe söylemek gerekirse, YZ ticarileşmesinin gerçekleşme hızı, YZ sermaye yatırımı ve maliyet artış hızına yetişemezse, büyük teknoloji şirketlerinin serbest nakit akışı da masaya yatırılacaktır. Düşüncelerimi paylaşayım.

1. Piyasa Endişeleri Kabaca Dört Katmana Ayrılabilir

1) Yüksek Beklentiler ve Kalabalık İşlemler

Piyasa, gelecek birkaç yılın sürekli Capex'ini, çip talebini ve bulut büyümesini kısmen fiyatlamış durumda. Birkaç büyük teknoloji şirketinin 2026 yılı toplam Capex'i yaklaşık 730 milyar dolar. Mali raporlar "çok iyi ama beklentileri aşmamış" olsa bile, kalabalık yarı iletken, depolama, veri merkezi ve enerji işlemleri düşüş yaşayabilir. Ancak tüm büyük teknoloji sektörünün "yıllarca mükemmel beklentileri" fiyatladığını söylemek kolay değil. Microsoft, Alphabet, Amazon ve Meta'nın Office, arama reklamcılığı, e-ticaret, sosyal reklamcılık gibi büyük YZ dışı nakit akışları var. Yıllarca beklentileri fiyatlamaya en yatkın olanlar, genellikle geliri YZ Capex'i ile yüksek oranda bağlantılı ve döngüsel esnekliği daha yüksek olan tedarik zinciri şirketleridir.

Son dönemdeki kaldıraç azaltma, bu yüksek beklentiler ve kalabalık işlemlerin derecesini önemli ölçüde hafifletti.

2) Sermaye Harcamaları, Amortisman ve Serbest Nakit Akışı Uyumsuzluğu

Gelir anında artabilir, ancak veri merkezleri, GPU'lar, güç kaynağı ve ağ altyapısından kaynaklanan amortisman yıllarca sürebilir. Piyasa artık "en çok kim harcıyor" sorusundan şuna yöneliyor: Yeni kapasiteyi en hızlı şekilde ücretli kullanıma sokan ve amortisman ile sermaye maliyetini karşılayacak brüt karı üretebilen kim? Amazon'un 1. çeyrekte serbest nakit akışının negatife dönmesi, Microsoft'un Bulut brüt kar marjının AI yatırımları nedeniyle baskı altında olması ve Alphabet'in amortisman ile enerji maliyetlerindeki artışı açıkça belirtmesi, bu endişenin tamamen duygusal olmadığını gösteriyor.

3) Piyasa Aynı Anda "Çok Fazla Capex" ve "Capex'in Kısılması"ndan Endişeleniyor

Bu bir çelişki değil, çünkü etkilenen taraflar farklı: CSP hissedarları için getirisi olmayan Capex artışı olumsuzdur; çip, depolama, veri merkezi ve enerji tedarik zinciri için Capex kısıntısı gelir açısından olumsuzdur.

Verimlilik artışı nedeniyle Capex'i azaltmak, gelir ve kapasiteyi korumak olumludur; talebin zayıflaması nedeniyle Capex'i kısmak ise tüm AI ekosistemi için olumsuzdur.

Bu nedenle piyasanın gerçekten önemsediği şey, Capex'in mutlak artışı veya azalışı değil, şudur: Her bir dolar yeni Capex'in ne kadar sürdürülebilir brüt kar ve serbest nakit akışı getireceği.

4) AI Ticarileştirme Geliri ile Yatırım Döngüsü Arasında Zaman Farkı

Şu anda bulut AI talebi çok güçlü, bazı CSP'ler hâlâ kapasite kısıtlamaları yaşıyor, ancak işletmelerin pilot aşamadan üretime geçmesi, sözleşme yenilemesi ve genişlemesi daha uzun zaman alıyor. Piyasa, amortisman ve finansman maliyetlerinin finansal tablolara ilk girmesinin ardından, kurumsal AI gelirinin yeterince hızlı devreye girip giremeyeceğinden endişe ediyor. Ayrıca faiz oranları, enerji fiyatları ve makro riskler de uzun vadeli teknoloji varlıklarını etkiliyor; tüm düşüşleri AI'ya bağlamamak gerek. Yatırımcılar aynı anda "AI altyapısı düşük değerleniyor" ve "çok fazla ve çok erken yatırım yapıldı" anlatıları arasında gidip geliyor.

2. Piyasa Duyarlılığını Gerçekten Ne Tersine Çevirebilir?

Sadece daha fazla model yayınlamak, daha fazla Token sayısı açıklamak veya Capex'i tekrar artırmak endişeleri gidermeye yetmez. Piyasanın sürekli bir kanıt zinciri görmesi gerekiyor.

Birincisi, AI geliri geniş tabanlı olmalı, birkaç stratejik müşteriye bağımlı olmamalıdır.

Kurumsal müşteri sayısı, üretim iş yükleri, ücretli kullanıcı koltukları, sözleşme yenilemeleri ve müşteri başına harcamanın eşzamanlı olarak büyüdüğü görülmeli; ayrıca OpenAI, Anthropic gibi birkaç büyük sözleşme çıkarıldığında bile talebin güçlü kaldığı kanıtlanmalıdır.

İkinci olarak, AI brüt kârındaki büyüme, amortisman ve işletme maliyetlerinden daha hızlı olmalıdır

Kısa vadeli brüt kar marjı düşüşüne izin verilebilir, ancak yeni AI brüt kârı, yeni amortisman, enerji, ağ ve yetenek yatırımlarını açıkça aşmalıdır. En iyisi, birim çıkarım maliyetinin düşmesi ve toplam brüt kârın sürekli artmasıdır.

Üçüncü olarak, backlog (birikmiş siparişler) yakın vadede gelire dönüştürülebilmelidir

Sadece üç veya beş yıllık büyük sözleşmeler yeterli değildir. Piyasa, önümüzdeki 12-24 aydaki gelir tanıma oranına, tüketimin başlangıç taahhütlerini aşma derecesine ve yeni kapasitenin devreye alınmasından sonraki anlık kullanım oranına daha fazla önem verecektir.

Dördüncü olarak, kendi geliştirilen çipler ve model optimizasyonu, doğrulanabilir ekonomik faydalar sağlamalıdır

Piyasanın ihtiyacı sadece "Trainium, TPU, MAI daha ucuz" değil, aynı zamanda: Kendi geliştirilen çiplerin payının artması, Token başına veya başarılı görev başına maliyetin düşmesi, fiyat düşüş oranının maliyet düşüş oranından daha az olması, hızlandırıcı saat başına brüt kârın artması, müşteri toplam harcamasının ve platforma bağlı gelirin büyümeye devam etmesidir.

Beşinci olarak, serbest nakit akışının dip noktası görünür hale gelmelidir

Piyasa şunları görmek ister: Capex (sermaye harcamaları) büyüme hızının kontrol altına alınmaya başlaması, yeni Capex'in sözleşme talebiyle desteklenmesi, işletme nakit akışı büyümesinin artan sermaye harcamalarını karşılayabilmesi, geri alım ve bilançonun uzun süre baskı altında kalmaması, amortisman zirvesi ve yatırım geri dönüş süresinin açıklanabilmesi. Serbest nakit akışının negatife dönmesi sadece bir görüntüdür; piyasanın gerçekten işlem yaptığı şey, negatife dönüşün nedeni, büyüklüğü, süresi ve gelecekte toparlanma potansiyelidir.

Altıncı olarak, kurumsal müşteriler gerçek ROI'yi (yatırım getirisi) kanıtlayabilmelidir

En güçlü kanıt, model değerlendirmeleri veya Token sayıları değil, müşterilerin açıklamalarıdır: Gelir ve dönüşüm oranındaki artış, insan gücü ve işlem süresindeki düşüş, pilot uygulamadan üretime geçiş, yenileme ve dağıtımın genişletilmesi, tüm AI maliyetleri dahil edildikten sonra bile yatırım geri dönüş süresinin hala cazip olması.

İkinci çeyrek kazanç raporu için en ideal "Goldilocks kombinasyonu" piyasanın en çok görmek istediği şeydir:

Bulut ve AI gelirinin beklentilerin üzerinde olması + kâr marjlarının kabaca istikrarlı kalması + backlog'un dönüşmeye başlaması + Capex'in beklenmedik şekilde kontrolden çıkmaması veya yeni Capex'in açıkça sözleşmeli talebe karşılık gelmesi + serbest nakit akışının daha da kötüleşmemesi.

Tersine, en riskli kombinasyon şudur:

Token ve kullanım hacmi büyük ölçüde artar, ancak müşteri başına harcama, brüt kâr ve serbest nakit akışı iyileşmez; RPO (kalan performans yükümlülükleri) büyümesi tek bir stratejik model şirketine bağlıdır; Capex tekrar önemli ölçüde artırılırken, kâr marjları ve gelir yönlendirmeleri düşer.

Önsöz

İlk olarak 6 Temmuz'da Coinbase'in AI üzerindeki mühendislik uygulamalarını gördüm ve bu, işletmelerin gelecekte AI'ı benimseyip dağıtırken hangi trend değişikliklerinin ortaya çıkacağını derinlemesine düşünmemi ve araştırmamı sağladı. Geçen hafta iki makale yazdım:

CSP'lerin (Bulut Hizmet Sağlayıcıları) uygun maliyetli açık kaynak modelleri dağıtması ve Token'ları yeniden satmasının anlamı:

Büyük CSP'lerin performans sonuçları, AI ticarileşmesi için daha önemli bir gösterge ve değer yeniden şekillendirme haline gelecek:

Bu düşünceyi daha da derinleştirip genişleterek, şimdi bu uzun makaleyi oluşturdum ve kişisel mantığım ve fikirlerim hakkında daha ayrıntılı konuşuyorum.

1. Senaryoya Göre Bölme, Çoklu Model: İşletmelerin AI Benimseme Sürecinin Mühendislik Aşamasına Girmesiyle Gelen Değişiklikler

1. Senaryoya Göre Bölme: İşletmeler artık "Hangi model en iyi?" diye sormayacak, "Bu görev için hangi model kullanılmalı?" diye soracak

Gelecek, "özelleşmiş uygun maliyetli Token" değil, çünkü Token'ın kendisi yalnızca bir ölçüm birimidir. Gerçekten özelleşen şeyler: modeller; çıkarım stratejileri; bağlam ve veriler; araç çağrı yolları; donanım ve hizmet yöntemleri; güvenlik ve manuel doğrulama mekanizmaları.

İşletmelerin model seçimindeki hedef fonksiyonu, yalnızca model yeteneğini takip etmekten şuna dönüşecek:

Görev Net Değeri = Görev Başarı Olasılığı × İş Değeri − Çıkarım ve Yürütme Maliyeti − Hata ve Risk Kaybı.

Bu, dört tipik senaryo oluşturacak:

Örneğin, e-posta sınıflandırma, özetleme, alan çıkarma, ilk müşteri hizmetleri yönlendirme, kod formatı kontrolü gibi görevler, model yeteneğine düşük marjinal gereksinimler duyar ancak yüksek çağrı hacmi ve fiyat hassasiyeti ile karakterize edilir. Bu tür görevler yavaş yavaş küçük modellere, açık modellere veya CSP'nin kendi geliştirdiği uygun maliyetli modellere geçecek.

Karmaşık kod üretimi, önemli sözleşme analizi, bilimsel akıl yürütme, stratejik araştırma, karmaşık Agent planlaması gibi görevlerde ise model doğruluğunun birkaç yüzde puanı artması yüksek iş değerine karşılık gelebilir, bu nedenle öncü modellerin primini ödemeye istekli olunacak.

2. İşletmeler AI'ı ne kadar derin benimserse, o kadar özel AI sistemlerine ihtiyaç duyar

Öncü kapalı kaynak büyük modeller ne kadar kamuya açık, lisanslı veya sentetik veri kullanırsa kullansın, genellikle bir işletmenin gerçek zamanlı verilerine, iç kurallarına, organizasyonel izinlerine ve örtük deneyimine sahip değildir. Büyük işletmelerin daha çok ihtiyaç duyduğu şey "özel AI sınırları"dır: verilerin eğitim için kullanılmaması, özel ağ, özel kiracı, izin ayrımı, veri yerleşimi ve denetlenebilirlik; yalnızca bazı senaryolar gerçekten yerelleştirilmiş veya izole edilmiş dağıtım gerektirir.

İşletmelerin gerçekten eksik olduğu şey, "tüm kurumsal belgeleri okuyan" bir model değil, doğru yetkilerle doğru verilere erişip kurallara uygun şekilde harekete geçebilen bir sistemdir.

Kurumsal özel veriler dört kategoride ele alınmalıdır:

"Deneyimsel veri" ise kurumsal yapay zeka için en zor varlıktır. Deneyim doğal olarak veri biçiminde bulunmaz. Genellikle şu alanlara dağılmıştır: kıdemli çalışanların yargıları, e-postalar ve sohbet kayıtları, reddedilmiş ancak kaydedilmemiş planlar, anormal olay işleme süreçleri, sistem önerilerini geçersiz kılan insan müdahaleleri, müşteri şikayetleri ve sonradan yapılan değerlendirmeler.

Bu deneyimi yapay zeka varlığına dönüştürmek için işletmeler şunları oluşturmalıdır:

Ham deneyim → Görev örnekleri → Uzman yargısı → Doğru ve yanlış standartları → Model değerlendirme seti → Geri bildirim ve sonradan eğitim

Bu nedenle büyük işletmelerin savunma hattı yalnızca "çok sayıda belgeye sahip olmak" değil, şudur:

Örtük bilgiyi, makinenin öğrenebileceği, sorgulayabileceği, değerlendirebileceği ve uygulayabileceği bir organizasyon bağlamına dönüştürebilmek.

İşte bu yüzden kurumsal yapay zeka giderek daha fazla FDE, veri mühendisleri, alan uzmanları ve iş liderlerinin ortak katılımını gerektiriyor.

Yukarıda bahsedilenlerin hepsi tek bir noktaya işaret ediyor:

İşletmelerin yapay zeka benimsemesi, "en güçlü modeli satın almaktan" "özel veriler, iş süreçleri ve çoklu model sistemleri etrafında mühendislik dağıtımı" aşamasına geçiyor.

İkinci: "Bileşik Yapay Zeka Sistemi"nden "Ara Katman"ın Yükselişi

1. Çoklu Model, Çoklu Modül: Yapay Zeka Ürünleri "Model Çağrısı"ndan "Bileşik Yapay Zeka Sistemi"ne Yükseliyor

Gelecekteki kurumsal üretim seviyesi yapay zeka sistemleri genellikle yalnızca bir model API'si olmayacak, birden fazla modülün birlikte çalışmasıyla işlev görecek: kullanıcı talebi, kimlik ve yetkiler, senaryo tanıma, veri ve bağlam erişimi, model yönlendirme, model çıkarımı, araç/API çağrıları, sonuç doğrulama, risk kontrolü, insan incelemesi veya otomatik yürütme, izleme ve sürekli değerlendirme.

Burada "çoklu modül", "çoklu model"den daha önemlidir. Çünkü işletmeler nihayetinde modelin kendisini değil, iş görevlerini güvenilir bir şekilde tamamlayabilen bir sistemi satın alır.

İşletmeler neden çoklu modüle yöneliyor?

1) Tek bir modelin kalite, maliyet, hız, gizlilik ve istikrar açısından aynı anda en iyi olması mümkün değildir.

2) Modeller, işletmelerin gerçek zamanlı verilerini, yetki sistemlerini ve iş durumlarını kendiliğinden anlamaz. Bağlam, veri katmanı, arama katmanı, araç katmanı ve sistem bağlayıcıları aracılığıyla elde edilmelidir.

3) Üretim ortamı denetlenebilir, geri alınabilir ve izlenebilir olmalıdır. Model çıktıları doğrudan iş yürütme ile eş tutulamaz.

4) Modeller sık sık güncellenir. İşletmeler, iş mantığını belirli modellerden ayırmalı ve her model değişikliğinde tüm uygulamayı yeniden yazmak zorunda kalmamalıdır.

MCP gibi açık protokollerin ortaya çıkışı, modeller ile veri kaynakları ve işletme araçları arasındaki bağlantıyı standartlaştırmaya ve her model için ayrı bağlayıcılar geliştirmenin yol açtığı parçalanmayı azaltmaya çalışmaktadır.

Ancak çoklu model, model sayısının sınırsızca artması anlamına gelmez

Her eklenen model, işletmeye bir dizi gizli sabit maliyet getirir: güvenlik denetimi, hukuk ve fikri mülkiyet değerlendirmesi, veri saklama incelemesi, kalite kıyaslama testleri, model güncellemesi sonrası regresyon testleri, operasyon ve arıza yönetimi, tedarikçi yönetimi. Bu nedenle en olası organizasyon şekli "her ekibin onlarca modeli özgürce seçmesi" değil, şu şekilde olacaktır:

Merkezi olarak sınırlı bir uyumlu model havuzu oluşturmak, birleşik veri ve güvenlik kontrol yüzeyi sağlamak; her iş biriminin senaryoya göre farklı modelleri çağırması.

Bu da şu eğilimi beraberinde getirir: Altyapı giderek merkezileşirken, senaryo inovasyonu iş birimlerine dağılır.

2. Ara Katman Değerinin Yükselişi: Var Olur, Ancak "Kontrol" ile "Bağımsız Ticari Değer" Ayırt Edilmelidir

Gelecekte ara katman kabaca altı kategoriye ayrılabilir:

Hangi Ara Katmanlar En Kolay Değer Kazanır

Uzun vadede değer yakalama olasılığı en yüksek olanlar, en ince model sarma katmanları değil, aşağıdaki kıt kaynaklardan birini veya daha fazlasını kontrol eden platformlardır:

1) Kurumsal Veri ve Bağlam: Yasal, gerçek zamanlı ve yetkiye dayalı olarak kurumsal verilere erişim sağlayabilmek.

2) Kimlik ve Güvenlik: Yapay zekanın neye erişebileceğini ve kimin adına neyi yürütebileceğini belirlemek.

3) İş Akışı: Görev giriş noktalarına ve yürütme döngüsüne hakim olmak.

4) Çapraz Model Değerlendirme Verileri: Gerçek üretim ortamındaki kalite, maliyet ve risk verilerini biriktirmek.

5) Dağıtım Yeteneği: Halihazırda çok sayıda kurumsal kullanıcıya veya sistem giriş noktasına sahip olmak.

Veri platformları, bulut platformları, güvenlik platformları, ERP ve sektörel yazılım firmaları bu nedenle doğal bir avantaja sahiptir.

Microsoft, AI müşterilerinin giderek daha fazla Foundry, Fabric, Cosmos DB ve güvenlik yönetişim hizmetlerini aynı anda kullandığını açıkladı; Google da AI kullanımının BigQuery ve veri iş akışlarının büyümesini tetiklediğini vurguluyor. Bu, AI model çağrılarının veritabanı, analitik, depolama, güvenlik ve Agent çalışma zamanı gibi hizmetler için bir müşteri kazanma giriş noktası haline gelebileceğini gösteriyor.

Hangi Orta Katmanlar Kolayca Metalaşır?

Aşağıdaki orta katmanlar kullanım değerine sahip olsa da, bağımsız bir kâr havuzu oluşturmaları zor olabilir:

· Basit API toplama;

· Özel verisi olmayan model yönlendirme;

· Genel Prompt yönetimi;

· İş döngüsü olmayan temel Agent orkestrasyonu;

· Sadece birden fazla model arasında istek yönlendiren ince katman ürünler.

Bunun nedeni, AWS, Microsoft, Google gibi CSP'lerin bu işlevleri bulut hizmeti olarak ücretsiz veya düşük fiyatla paketleyebilmesi; büyük uygulama firmalarının da bunları mevcut ürünlerine entegre edebilmesidir.

Bu nedenle daha doğru bir değerlendirme şudur:

Orta katmanın stratejik önemi kaçınılmaz olarak artacaktır, ancak bağımsız orta katman firmalarının toplam değeri aynı oranda artmayabilir.

Orta katman, AI endüstrisinin "işletim sistemi" haline gelebilir, ancak sonunda ekonomik faydayı elde edecek olanlar: CSP'ler, veri platformları, güvenlik ve kimlik platformları, sistem kayıtlarına sahip uygulama yazılım şirketleri ve bulutlar arası tarafsızlık ile özel üretim verilerine sahip az sayıdaki bağımsız orta katman yazılım firmaları olabilir.

Bulutlar arası tarafsızlık, bağımsız firmaların CSP paketlemesine karşı önemli bir avantajı olacaktır. Büyük işletmeler genellikle model, veri, değerlendirme ve yönetişimi tamamen aynı bulut platformuna kilitlemek istemez, bu nedenle bağımsız orta katman için hala alan vardır, ancak "basit model çağrısı"nın ötesinde yetenekler sunmaları gerekir.

Üç: Çoklu Model Döneminde, Büyük CSP'ler Sağlam Bir Ara Katman Haline Gelebilir mi?

1. CSP'lerin Açık Modeller ve Kendi Geliştirdiği Maliyet-Etkin Modelleri Dağıtması Ne Gibi Değişiklikler Getirecek?

Değişiklik 1: Model Çağrıları Tek Bir Tedarikçiden Satın Almaktan, Model Kombinasyon Yönetimine Dönüşüyor

İşletmeler artık yalnızca bir model üreticisine derinlemesine bağlı kalmayacak, bunun yerine bir model kombinasyonu yönetecek:

· Öncü kapalı kaynak modeller, en yüksek yetenek gerektiren görevleri üstlenir;

· Açık modeller, standartlaştırılabilir ve özelleştirilebilir görevleri üstlenir;

· CSP'nin kendi geliştirdiği modeller, yüksek frekanslı ve maliyete duyarlı görevleri üstlenir;

· İşletmenin kendi modelleri, son derece özel ve veriye duyarlı görevleri üstlenir.

CSP, model kombinasyonunun giriş noktası ve yönlendiricisi haline gelir. Model üreticileri artık sadece müşteriler için değil, modellerin yönlendirme sistemindeki görev dağıtım payı için rekabet eder.

Bu nedenle yeni model rekabet göstergeleri şunları içerir: Kaç işletmenin uyumlu model havuzuna dahil edildi? Yönlendiricide kaç talep alındı? Alınan görevler yüksek değerli görevler mi yoksa düşük maliyetli görevler mi?

Değişiklik 2: Model Fiyatları Düşüyor, Ancak Toplam AI Harcamaları Mutlaka Düşmeyebilir

Modellerin küçülmesi, önbelleğin artması ve bağlam sıkıştırması, görev başına Token ve Token başına fiyatı düşürecektir; ancak maliyet düşüşü aynı zamanda daha fazla kullanım senaryosunu tetikleyerek görev hacminde büyük bir artışa yol açabilir.

Değişiklik 3: CSP Gelir Kaynakları Model Komisyonlarından Tam Yığın Ek Hizmetlere Genişliyor

Açık kaynak modeller yüksek model lisans geliri sağlamasa bile, CSP'ler aşağıdaki aşamalardan ücretlendirme yapabilir: GPU, TPU ve kendi geliştirdiği ASIC hesaplama; barındırılan çıkarım hizmetleri; veritabanı ve vektör arama; nesne depolama; ağ ve veri iletimi; Agent çalışma zamanı; güvenlik ve kimlik; değerlendirme, günlük ve izleme; kurumsal destek hizmetleri.

Bu nedenle, CSP'lerin gerçekten önemsediği şey modelin kendisinden elde edilen gelir payı değil, şudur:

CSP AI Toplam Brüt Karı = Çıkarım Brüt Karı + Veri Ekleme Brüt Karı + Depolama Ağı Brüt Karı + Güvenlik Yönetişim Brüt Karı + Agent Çalışma Zamanı Brüt Karı

AWS, Bedrock müşteri harcamalarında çeyreklik bazda büyüme ve Token işleme hacminde önemli artış olduğunu açıklarken, aynı zamanda AgentCore kaydı, politikalar ve değerlendirme gibi hizmetleri de kullanıma sundu; Microsoft ve Google da model, veri, ajan ve yönetişim hizmetleri kombinasyonlarını ilerletiyor. Bu durum, CSP'lerin model hizmetlerini tam yığın bulut tüketimine dönüştürmeye çalıştığını gösteriyor.

Değişim Dört: Model sağlayıcılarının değeri kaybolmayacak, ancak yetenek zirvesine ve uygulama ucuna doğru genişleyecek

Açık kaynak ve kendi geliştirilen uygun maliyetli modeller, orta ve düşük seviye modellerin fiyatlarını baskılayacak, ancak öncü modellerin değerini otomatik olarak ortadan kaldırmayacak. Model sağlayıcıları üç yol izleyebilir: 1) Yetenek üst sınırını sürekli artırarak karmaşık görevlerde prim korumak; 2) Ajan, kodlama, araştırma gibi yüksek değerli uygulamalara yönelmek; 3) Özelleştirilmiş sonradan eğitim, güvenlik, kurumsal yönetişim ve özel kapasite sunmak.

Sonuçta daha olası bir yapı şu şekilde oluşacak:

CSP, altyapı ve model dağıtımını kontrol eder;
Öncü model sağlayıcıları, yetenek üst sınırını kontrol eder;
Orta katman, bağlam, yönetişim ve zamanlamayı kontrol eder;
Uygulama sağlayıcıları, iş akışlarını ve kullanıcı giriş noktalarını kontrol eder.

Bu, tek bir katmanın her şeyi kazandığı bir durum değil, farklı katmanların farklı türde kira gelirleri topladığı bir yapıdır.

Değişim Beş: İşletmelerin model katmanında pazarlık gücü artıyor, ancak platform kilitlenmesi derinleşebilir

Çoklu model ve açık modeller, işletmelerin tek bir model sağlayıcısına bağımlılığını azaltıyor.

Ancak işletmelerin verileri, izinleri, ajan durumları, değerlendirme sistemleri ve iş akışları aynı CSP üzerinde dağıtılırsa, model katmanındaki kilitlenme azalırken, bulut platformu kilitlenmesi artabilir.

Yani:

Modellerin değiştirilebilirliği artsa da, genel mimarinin taşınabilirliği artmaz.

2. CSP, yatay AI tabanını kontrol ederken, dikey SaaS iş yürütme katmanını kontrol eder

CSP'nin aşağıdaki değerleri yakalama olasılığı en yüksektir: GPU, TPU ve özel ASIC hesaplama gücü; açık kaynak model barındırma; kapalı kaynak model dağıtımı; model ince ayarı ve damıtma; veritabanları ve veri gölleri; vektör arama ve bilgi grafikleri; ağ ve depolama; kimlik ve izinler; güvenlik ve yönetişim; ajan çalışma zamanı; değerlendirme ve gözlemlenebilirlik; kurumsal teknik destek.

Dikey SaaS Hakimiyeti: İş giriş noktası; iş nesnesi; iş anlambilimi; kullanıcı yetkileri; geçmiş işlem verileri; sistem kayıtları; sektör kuralları; nihai eylem yürütme; müşteri sonuç geri bildirimi.

Bu nedenle, ucuz bir modeli yüksek değerli bir iş sonucuna dönüştürebilir.

Ancak bu yalnızca gerçekten iş akışına ve temel özel verilere sahip SaaS'ler için geçerlidir. Genel bir modele basit bir arayüz ekleyen ince uygulamalar, model sağlayıcıları veya CSP'ler tarafından kolayca ikame edilebilir. Daha önce burada

bu konuya değinilmişti.

3. Büyük olasılıkla 'Çift Ara Katman' oluşacak

Gelecekteki kurumsal AI mimarisi şöyle olabilir:

CSP'ler, dikey SaaS'leri atlayarak tüm iş süreçlerini doğrudan kontrol edemeyebilir; dikey SaaS'ler de alt katmandaki büyük ölçekli hesaplama ve çoklu model altyapısını bağımsız olarak üstlenemez. En fazla değeri kimin yakalayacağı, beş kontrol noktasına bağlıdır

Gerçekten yüksek değerli katman, modele en yakın katman değil, aynı anda şunları kontrol edebilen katmandır:

Bağlam, yetkiler, iş akışı, eylem ve sonuç geri bildirimi.

Geleneksel SaaS projeleri genellikle şöyledir:

Fit-gap analizi → Yapılandırma → Veri taşıma → UAT → Canlıya geçiş.

Kurumsal AI projeleri daha çok şuna benzer:

Senaryo seçimi → Veri yetkileri → Değerlendirme seti → Model seçimi → RAG ve araç entegrasyonu → Model yönlendirme → Güvenlik sınırları → İnsan onayı → Üretim izleme → Geri bildirim ve sonradan eğitim.

En büyük fark şudur:

SaaS, esas olarak mevcut yazılımda süreçleri yapılandırmaktır; AI ise üretim sürecinde olasılıksal bir sistemi sürekli optimize etmektir.

Bu nedenle, AI uygulaması daha çok yazılım mühendisliği, veri mühendisliği, model mühendisliği, süreç danışmanlığı ve organizasyonel değişimin bir birleşimi gibidir.

Dört: Büyük CSP'ler için Değer Dönüşümü

1. Büyük CSP'lerin Değer Dönüşümü

Daha önce burada tartışılmıştı: Piyasa, özellikle büyük CSP'leri, hesaplama gücü ve token satan, aynı zamanda büyük sermaye harcamaları üstlenen ancak en büyük değeri yakalayamayan aracılar olarak görüyordu. Şimdi ise "verimli orta ölçekli modeller + ölçekli dağıtım" üretim ortamında kendi değerini kanıtladı ve artık sadece parametre silahlanma yarışı peşinde koşulmuyor.

Dolayısıyla geçmişteki algı da tersine dönmeli: Büyük CSP'ler, kurumsal AI sürecinde çoklu model mimarisi altında bir "AI işletim sistemi katmanı" haline geldi.

Maliyet-Gelir Yapısındaki Değişim: CSP'ler Kapalı Kaynak Modelleri Yeniden Satarken

CSP'lerin elde ettiği kar payı sınırlıdır (genellikle %20-50 arası, sözleşmeye bağlı olarak değişir) ve model sağlayıcılarının fiyatlandırma baskısını üstlenirler. Açık kaynak modellerin kendi kendine barındırılarak yeniden satışı: Açık kaynak modeller neredeyse sıfır lisans maliyetine sahiptir, CSP sadece kendi hesaplama gücü, elektrik ve bakım maliyetlerini üstlenir. CSP, neredeyse tüm kar marjını (hesaplama gücü maliyeti düşüldükten sonra) alır. Fiyatlandırma, açık kaynak topluluğunun gerçek maliyetine + makul bir prim eklenerek yapılabildiğinden, marj daha geniştir.

Kendi geliştirilen modellerde ise, gelirin neredeyse tamamı CSP'ye kalır.

2. Ancak Büyük CSP'ler İçin Yeni Zorluklar: Zaman Farkı

Süreç dört aşamaya ayrılabilir. Süreler yalnızca gösterge niteliğindedir ve sektörler arasında büyük farklılıklar gösterir.

Aşama 1: Dahili Araştırma-Geliştirme ve Kapasite Yatırımı

Bu aşamada: CSP, kendi modellerini eğitir veya sonradan eğitir, açık modelleri dağıtır, çip, çıkarım çerçevesi ve model yönlendirmeyi optimize eder, güvenlik, değerlendirme ve yönetişim platformları kurar.

Finansal görünüm: Sermaye harcamaları (Capex) artar; araştırma-geliştirme giderleri ve amortisman yükselir; harici bulut geliri kapasite kısıtlamalarına tabidir; brüt kar marjı baskı altındadır; doğrudan ticari gelir sınırlıdır.

Aşama 2: Müşteri Denemeleri ve FDE Uygulaması

Bu aşamada: Müşteri senaryoları seçer; veri ve izinleri düzenler; RAG, değerlendirme setleri ve araç bağlantıları kurar; FDE, ilk üretim sisteminin tamamlanmasına yardımcı olur.

Finansal görünüm: Profesyonel hizmetler ve ince ayar gelirleri artar; bulut tüketimi henüz belirgin şekilde büyümez; çok sayıda POC (kavram kanıtı) henüz ölçeklenmemiştir; insan kaynağı yatırımı artar; hizmet marjları, yazılım marjlarından daha düşük olabilir.

Aşama 3: Üretim Çıkarımının Ölçeklenmesi

Bu aşamada: Müşteri iş akışları istikrar kazanır; Ajanlar sürekli çalışmaya başlar; Çıkarım, veritabanı, depolama ve güvenlik tüketimi artar; Dikey SaaS'lar kullanım veya iş sonuçlarına göre ücretlendirilmeye başlar.

Finansal performans şu şekilde olabilir: CSP bulut tüketimi hızlanır; SaaS AI ek gelirleri yükselir; Veri ve güvenlik bağlı gelirleri artar; Müşteri yenileme ve genişleme oranları iyileşir; Birim çıkarım maliyetleri düşer.

Aşama 4: Model ve İş Akışı Optimizasyonu

Bu aşamada: Yüksek frekanslı görevler küçük modellere, özel modellere ve açık modellere kayar; Yüksek değerli görevler öncü modellerle devam eder; Yönlendirme, önbellekleme ve damıtma maliyetleri düşürür; FDE sonuçları giderek ürünleşir.

Finansal performans şu şekilde olabilir: Token birim fiyatı düşer; Görev hacmi artar; Model sağlayıcılarının gelir yapıları farklılaşır; CSP tam yığın bağlı gelirleri yükselir; Dikey SaaS'lar iş akışları ve sonuçlar üzerinden daha fazla değer yakalar; Başarılı dağıtımcıların brüt kar ve sermaye getirileri iyileşmeye başlar.

Bu nedenle, piyasa önce şunları görebilir:

Sermaye harcamaları ve iş gücü yatırımları artar
→ Ardından POC'ler ve sözleşmeler görülür
→ Sonra üretim iş yükleri ortaya çıkar
→ En sonunda serbest nakit akışı ve ROIC görülür.

Bu zaman farkı, mevcut AI yatırım tartışmasının tam merkezinde yer alıyor.

Beş: Yeni AI Ticarileştirme Gösterge Sistemi

1. Gelecekte artık sadece "AI geliri ne kadar?" diye sorulmamalı, aynı anda beş soruya yanıt verilmelidir.

En makul değerlendirme yöntemi, yeni bir tek gösterge aramak değil, modelden sermaye getirisine kadar yedi katmanlı bir huni oluşturmaktır.

2. Büyük Model ARR'si hâlâ kritik, ancak "nihai gösterge"den "yetenek talebi öncü göstergesi"ne dönüşmelidir.

Büyük model sağlayıcılarının ARR'si hâlâ çok önemlidir ve bunun dört nedeni vardır.

1) ARR, işletmelerin zeka yeteneği için ödeme yapmaya istekli olduğunu kanıtlar; ARR en azından bazı müşterilerin ödeme aşamasına geçtiğini ve sürekli sözleşmeler yapmaya veya istikrarlı tüketim oluşturmaya istekli olduğunu gösterir.

2) ARR, öncü modellerin hâlâ bir prim taşıyıp taşımadığını yansıtır. Model yetenekleri sürekli olarak daha yüksek görev başarı oranları sağlıyorsa, müşteriler yüksek değerli görevler için prim ödemeye devam eder. Çok sayıda rutin görev küçük modellere kaymış olsa bile, öncü modeller karmaşık akıl yürütme, kodlama, araştırma ve ajan görevleri aracılığıyla yüksek fiyatlarını koruyabilir.

3) ARR, öncü model sağlayıcılarının Ar-Ge ve hesaplama gücüne yeniden yatırım yapma kabiliyetini belirler. Model eğitimi, eğitim sonrası süreçler, çıkarım hizmetleri, güvenlik değerlendirmeleri ve kurumsal satışlar sürekli sermaye gerektirir. ARR, model sağlayıcılarının "gelir → Ar-Ge → yetenek artışı → daha fazla gelir" döngüsünü oluşturup oluşturamayacağını belirler.

4) ARR aynı zamanda ekosistem etkisinin bir vekil göstergesidir. Geliştirici sayısı, API çağrıları, kurumsal sözleşmeler ve modellerin uygulamalara entegrasyon derinliği, sonuçta kısmen ARR'ye yansır.

3. Genel Değerlendirme

Büyük modellerin ARR'si hâlâ kritiktir çünkü işletmelerin öncü yetenekler için ödeme yapmaya istekli olduğunu kanıtlar;

Büyük CSP'lerin (Bulut Hizmet Sağlayıcıları) performansı gelecekte daha kapsamlı ve daha yüksek ağırlığa sahip olacak ve işletmelerin AI benimseme sürecinde ara katmanın biriktirdiği değeri gösterecektir;

Nihai değerlendirme kriteri, başarılı görev ekonomisi, kurumsal ROI ve sermaye getirisine doğru kaymaktadır.

AI ticarileştirmesini değerlendirirken "büyük model ARR'si" ile "CSP bulut geliri" arasında bir seçim yapılmamalı, bunun yerine eksiksiz bir kanıt zinciri oluşturulmalıdır:

Model ARR'si, ödeme talebini kanıtlar
→ Üretim iş yükleri, benimseme derinliğini kanıtlar
→ Birim başarılı görev brüt karı, operasyonel kaliteyi kanıtlar
→ Kurumsal ROI, talebin sürdürülebilirliğini kanıtlar
→ Serbest nakit akışı ve ROIC, sermaye harcamalarının rasyonelliğini kanıtlar.

En çok takip edilmeye değer olan, "kaç Token üretildiği" değil,

AI Ekonomik Değeri = Üretim Görev Sayısı × Görev Başına Değer × Sağlayıcı Değer Yakalama Oranı × Brüt Kar Marjı − Sermaye Kullanım Maliyeti​

Çoklu model ve çoklu modül çağında AI ticarileştirmesini ölçmek için nihai çerçeve budur.

Yukarıdaki tüm içerik aslında sürekli bir neden-sonuç zinciri oluşturuyor:

İş senaryosu farklılıklarının artması
→ Şirketler artık tüm görevler için tek bir model kullanmıyor
→ Çoklu model ve çoklu modülden oluşan karma yapay zeka sistemleri oluşuyor
→ Yönlendirme, veri, değerlendirme, yönetişim, güvenlik gibi ara katmanlar kontrol düzlemi haline geliyor
→ Model katmanının değeri kaybolmaz, ancak büyük model ARR'si "tek ticari metrik" olmaktan çıkıp "önemli bir öncü gösterge" haline geliyor
→ Nihai değerlendirme kriterleri, başarılı görev ekonomisi, kurumsal ROI ve sermaye getirisine yöneliyor.

Bu artık tamamen bir mimari varsayım değil. AWS Bedrock ve Microsoft Foundry, kalite, maliyet ve görev karmaşıklığına göre model yönlendirmeyi resmi bir ürün haline getirdi; Microsoft, 10.000'den fazla Foundry müşterisinin birden fazla model kullandığını ve yaklaşık 5.000'inin açık kaynak modelleri kullandığını açıkladı. Google Model Garden da kendi modelleri, üçüncü taraf kapalı kaynak modelleri ve açık modeller için barındırma veya kendi kendine dağıtım seçenekleri sunuyor.

Elbette bu döngü henüz erken aşamada, ancak eğilim giderek daha belirgin hale geliyor.

Orijinal bağlantı

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia