DeepSeek, yapay zeka uygulama girişimcileri için baharı getirdi.

Bu makaleyi okumak için 28 Dakika

DeepSeek V4-Flash resmi API sürümü halka açık beta olarak yayınlandı; son derece düşük fiyatlarla 1 milyon bağlam, düşünme modu ve araç çağırma yetenekleri sunuyor.

Orijinal Başlık: "DeepSeek, AI Uygulama Girişimcilerinin Baharını Getirdi"
Orijinal Yazar: Dongcha Beating

31 Temmuz'da, DeepSeek V4-Flash resmi sürüm API'si halka açık beta testine girdi.

Milyon giriş token'ı başına 1 yuan; milyon çıkış token'ı başına 2 yuan. Önbellek isabetinden sonra, milyon giriş token'ı sadece 2 fen. 1 milyon bağlam, düşünme modu, araç çağrısı ve Responses API'sini destekler; tek hesap için eşzamanlı bağlantı limiti 2500'e ulaşır.

DeepSeek ayrıca zirve-vadi fiyatlandırması uygulayacak ve yoğun saatlerde fiyat iki katına çıkacak. Buna rağmen, fiyat hâlâ o kadar ucuz ki biraz kurallara uymuyor.

DeepSeek'in resmi kaba dönüşümüne göre, 1 Çince karakter yaklaşık 0,6 token tüketir. Bir milyon token, yaklaşık 1,67 milyon Çince karakteri okuyabilir. Sadece giriş maliyetine bakıldığında, yaklaşık 1,67 milyon Çince karakteri okumak, defter fiyatı sadece 1 yuan.

Geçtiğimiz yıl boyunca, büyük model endüstrisi daha uzun bağlamlara, daha karmaşık akıl yürütmeye ve giderek daha yetenekli Ajanlara alıştı. Her model güncellemesinde, tartışma her zaman kimin kimi geçtiğine, benchmark'ın ne kadar ilerlediğine ve AGI'ye ne kadar kaldığına düşüyor.

AI uygulama girişimcileri için daha gerçekçi bir soru var:

Bir görevin maliyeti tam olarak ne kadar.

Model yeteneği, ürünün teorik olarak ne yapabileceğini belirler; çağrı fiyatı ise ekibin kaç yeteneği gerçekten ürüne koymaya cesaret edebileceğini belirler.

Bu öğleden sonra, sesli olarak ChatGPT ile uzun süre tartıştım. Dedim ki, şu anda AI uygulamalarının çalışan iş modeli, açıkçası token alıp satmaktır.

Birkaç kez bana daha şık bir ifade bulmaya çalıştı, örneğin "akıl yürütme yeteneği perakendesi" veya "akıllı hizmet paketleme". Dedim ki, bu iş için kelime aramaya gerek yok; alıp satmak alıp satmaktır, kulağa hoş gelmemesi yanlış olduğu anlamına gelmez.

AI uygulamaları son birkaç yılın en yeni girişim yönü gibi görünüyor, ancak temelinde çok eski bir iş yapıyor:

Mal al, işle, fiyatlandır ve sonra sat.

Ve birçok endüstri değişikliği, en başta alış fiyatının aniden düşmesiyle başlar.

AI Uygulamaları, Token Alıp Satan Bir İştir

Geçmişte insanlar AI uygulamalarını internet ürünleri veya SaaS çerçevesiyle anlamaya alışkındı.

Yazılım geliştirme tamamlandıktan sonra bin kişiye veya bir milyon kişiye dağıtılabilir. Yeni bir kullanıcı eklemek elbette bant genişliği, depolama ve hizmet maliyetleri doğurur, ancak bu maliyetler genellikle ölçek büyüdükçe kademeli olarak azalır.

AI uygulamaları pek öyle değil. Kullanıcı her bir görsel oluşturduğunda, bir rapor yazdığında, bir kod parçası tamamladığında veya Agent'a bir adım daha attırdığında, uygulama şirketi modeli yeniden çağırmak zorundadır. Kullanıcı her düğmeye bastığında, yukarı akış her seferinde yeniden ücret alır.

Bu yüzden, çoğu saf yazılım AI uygulamasının şu anda işleyen temel iş modeli aslında oldukça basittir:

Model şirketlerinden token satın almak, genel model yeteneklerini yazma, kodlama, tasarım, müşteri hizmetleri, video veya Agent ürünlerine paketlemek ve ardından üyelik, puan ve kullanım başına ücretlendirme yoluyla kullanıcılara satmak.

Örnek olarak Poe'yu ele alalım; API'sini piyasaya sürerken doğrudan ek puanların fiyatlandırma hedefinin, altta yatan model sağlayıcısının kendisinden aldığı fiyata göre ücretlendirmek olduğunu belirtti.

Yukarı akış model ve token başına para alır, Poe bunları platformdaki puanlara dönüştürür ve ardından tek bir giriş, ödeme, model değiştirme ve geliştirme arayüzüyle birlikte kullanıcılara satar.

Bazı şirketler token satmadıklarını, sonuç sattıklarını söyler. Müşteri hizmetleri yazılım şirketi Intercom, AI müşteri hizmetleri Fin için fiyatı, tamamlanan her sonuç başına 0,99 dolar olarak belirledi. Kullanıcının sorunun çözüldüğünü onaylaması, daha fazla insan yardımı istememesi veya Fin'in bir iş akışını başarıyla tamamlaması, bir sonuç olarak sayılabilir.

Bu sadece etiketi değiştirmek; koltuk başına ücretlendirme, görev başına ücretlendirme veya başarıyla çözülen sorun başına ücretlendirme, kullanıcının gördüğü faturalandırma birimini değiştirir. Uygulama şirketi arka planda hâlâ modeli çağırmak ve bir teslimatı tamamlamak için kaç token tüketileceğini hesaplamak zorundadır.

Güney Song dönemi ressamı Li Song, "Pazar Sepetiyle Bebek Oyunu" adlı bir tablo yaptı. Seyyar satıcı bir sepet dolusu malı köy köy dolaşarak taşırdı; tencereler, iğneler, atıştırmalıklar ve oyuncaklar hepsi sepete asılıydı. Bir sepet dolusu mal, hareketli küçük bir mağazaydı; satıcının kazancı, mal seçme, paketleme ve teslim etme parasıydı.

AI uygulama şirketlerinin yaptığı da buna benzer. Model üreticileri zekâ üretir, uygulama şirketleri zekâyı belirli senaryolara taşır. Altta satın alınan token'dır, sonunda satılan şey bir rapor, bir tasarım görseli veya bir video olmalıdır.

Model şirketleri zekâ satar, uygulama şirketleri tamamlanmışlık satar.

Bu işin kârı, temel olarak üç fiyat farkına bağlıdır.

İlk fark, tedarik farkıdır.

Aynı model için farklı ekiplerin elde ettiği gerçek maliyetler aynı olmayabilir. Yüksek çağrı hacmine sahip şirketler indirim pazarlığı yapabilir, mühendislik gücü güçlü ekipler ise önbellekleme, asenkron işleme, tepe ve vadi çağrıları ile model yönlendirme kullanarak ortalama maliyeti daha da düşürebilir. Başkasının bir liraya yaptığı işi sen elli kuruşa yaparsan, kalan elli kuruş kârdır.

Basitçe söylemek gerekirse, aynı malı alırken bazıları toptan fiyatına, bazıları turistik bölge fiyatına alır.

İkinci fark, kullanım farkıdır.

Bazıları üyelik satın aldıktan sonra her gün yapay zekâyı bir yük hayvanı gibi sömürür; bazıları da ödeme yaparken hırsla dolar, ancak iki hafta sonra ürünü tamamen kullanmayı bırakır. Kullanıcı grubunun ortalama tüketimi, paket tasarımındaki tahminin altında kaldığı sürece, kullanılmayan kotalar kâr alanı oluşturur.

Bu, spor salonu yıllık üyelikleri ve mobil veri paketlerinin mantığına yakındır.

Ancak burada dikkat edilmesi gereken bir sorun var. Üst tedarik yeterince esnekse, kullanıcıların az kullanması kârı artırır. Şirket yıllık bir sözleşmeyi imzalayıp kilitlediyse ve kalan token'lar hesapta duruyorsa, bu kâr değil, satılamayan bir depo dolusu maldır.

Kullanıcının kullanmadığı kısma "birikim" denir; şirketin satamadığına ise "stok yükü" denir.

Üçüncü fark, ürün farkıdır.

Aynı on bin token'ı tüketen bazı ürünler, kullanıcının uzun süre düzenlemesi gereken bir metin parçası çıkarır; bazı ürünler ise veri derleme, içerik üretimi, gerçeklik doğrulama, format ayarlama ve son dışa aktarma işlemlerini tamamlamış olur. Altta yatan maliyetler benzer olabilir, ancak kullanıcının ödemeye razı olduğu fiyat tamamen farklıdır.

Bir yapay zekâ uygulamasının gerçek değeri tam da burada yatar. Tedarik, bu işin ayakta kalıp kalamayacağını belirler; ürün ise bu işin ne kadar değerli olduğunu belirler.

Takas edilen token'lar sadece alt yapıdır; ürün, fiyat farkının gerekçesidir.

Ürün yöneticisi, önce muhasebeci oldu

Sorun şu ki, yapay zekâ uygulamaları sürekli yeni stok almak zorunda olduğundan, ürün sorunları kolayca maliyet sorunlarına dönüşür.

Manus'un resmi kullanım kılavuzunda, bu maliyetin ürünü nasıl tersine şekillendirdiği zaten görülebilir. Manus, görevin karmaşıklığına ve gereken kaynak tüketimine göre aylık abonelik puanlarından düşer. Aynı şekilde yapay zekâya soru sorarken, resmi öneri basit sorular için mümkün olduğunca Chat modunu kullanmak ve tam kapsamlı otonom Agent'ı başlatmamaktır; karmaşık görevlerde ise aracının yanlış yönde ilerleyip gereksiz puan harcamasını önlemek için ara sonuçları kontrol etmek en iyisidir.

Bu öneriler elbette makul. Ancak bunlar, Agent ürünlerinin en sorunlu yönünü ortaya koyuyor: model ne kadar proaktif olursa, ürün şirketinin maliyetleri öngörmesi o kadar zorlaşır.

Bir sohbet robotu tek bir yanıt verip durduğunda, hesap yapmak nispeten kolaydır. Agent ise görevleri kendi kendine böler, tekrar tekrar arama yapar, web sayfalarını açar, araçları çağırır ve ara sonuçlara göre bir sonraki adımı belirler. Kullanıcı yalnızca tek bir komut verir, ancak arka planda onlarca model çağrısı gerçekleşmiş olabilir.

Bunun üzerine ürünler, kullanıcılara Agent'ın daha az çalışmasını sağlamayı öğretmeye başlar. Korkulan şey, hesap makinesi uzun süre kullanıldığında muhasebecinin ürünü ele geçirmesidir. Bir özelliğin yayınlanıp yayınlanmayacağına karar verirken ekip artık öncelikle kullanıcının ihtiyacını değil, tek bir görevin kaç kuruş daha pahalıya mal olacağını düşünüyor. Model zaten daha güçlü yeteneklere sahip, ancak uygulama bu yetenekleri tamamen kullanıcıya teslim etmeye cesaret edemiyor.

Şirketlerin elbette maliyetleri kontrol etmesi gerekiyor. Hiçbir girişim, en pahalı modeli kullanıcıların istediği gibi kullanabileceği bir musluk gibi sunamaz.

Bazı ürünler daha iyi performans gösteren modelleri yüksek fiyatlı paketlere koyarken, normal kullanıcılar katman katman kısıtlanmış bir sürüm alır. Modelin yetenekleri kaybolmaz, sadece hesap yapıldıktan sonra farklı kişilere dağıtılır.

Zamanla sektörde garip bir tersine dönüş ortaya çıktı.

Kullanıcılar AI uygulamaları satın alırken modelin daha fazla anlamasını, bir adım daha düşünmesini ve daha fazla iş tamamlamasını bekler. Uygulama şirketleri ise maliyetleri korumak için modelin daha az okumasını, daha az düşünmesini ve daha az iş yapmasını sağlamak zorunda kalır.

Ürün zekâ satıyor, ancak ekibin en ustalaştığı hareket zekâyı kısmak haline geldi.

Ayrıca, üst tarafta fiyat artışı olduğunda uygulama şirketleri kotaları düşürmek zorunda kalır; rakipler daha düşük maliyet elde ettiğinde piyasadaki üyelik ücretleri hemen aşağı çekilir; yeni ve ucuz bir model ortaya çıktığında mevcut yönlendirme ve paketler yeniden hesaplanmak zorunda kalır. Uygulama şirketleri ürünü ellerinde tutuyor gibi görünse de, en önemli değişken her zaman üst tarafta kalıyor.

Son iki yılda AI uygulama girişimcilerinin eksik olduğu şey mutlaka fikir değil. Daha çok, ürüne güvenle yerleştirilebilecek kadar güçlü ve yeterince ucuz bir zekâ eksikliği yaşıyorlar.

DeepSeek "zekâ geçiş ücretini" düşürdü

DeepSeek'in değeri öncelikle, yalnızca fiyatı düşürmek için yapılmış zayıf bir model olmamasından geliyor. 1 milyon bağlam penceresine sahip, düşünme modunu ve araç çağrısını destekliyor.

Nisan ayında önizleme sürümü yayınlandığında DeepSeek, akıl yürütme yeteneğinin V4-Pro'ya yakın olduğunu ve basit Agent görevlerinde benzer performans gösterdiğini belirtti. 31 Temmuz'da güncellenen resmi sürüm, model yapısını ve boyutunu değiştirmedi, esas olarak yeniden sonradan eğitim yapıldı ve birçok Agent kıyaslama puanı V4-Pro önizleme sürümünü geçti.

Bu çok önemli.

Ucuz modeller daha önce de vardı. Sorun şu ki, malı ucuza alıyorsun ama mal her zaman kusurlu olamaz. Yapay zeka uygulamalarının gerçekten ihtiyaç duyduğu şey, birim fiyat altında mümkün olduğunca istikrarlı bir zekadır.

En azından DeepSeek'in yayınladığı Agent ve kod kriterlerine bakılırsa, V4-Flash bir dizi yüksek frekanslı görev için "yeterli" çizgisini geçti ve fiyat, ekiplerin yüksek frekanslı çağrı yapmaya cesaret edebileceği kadar düşük.

Çoğu sıradan kullanıcı için, büyük dil modelleri muhtemelen bir kritik eşiği çoktan geçti.

Sıradan insanlar benchmark'ları umursamaz. Bir modelin belirli bir testte üç puan mı yoksa beş puan mı önde olduğunu pek önemsemez; sadece kendi işlerinin halledilip halledilemeyeceğini önemser. Model artık materyal okuyabildiğinde, akıl yürütebildiğinde, araçları kullanabildiğinde ve sonuç teslim edebildiğinde, yetenekleri artırmaya devam etmek elbette değerlidir. Ancak bu değerin birkaç kat daha yüksek bir fiyatı destekleyip destekleyemeyeceği yeniden hesaplanmalıdır.

Geçmişte, model şirketleri daha güçlü olduklarını söyler ve daha pahalı olmanın doğal olduğu düşünülürdü. Ama şimdi bu gerekçe sorgulanabilir hale geldi. Pahalılık nerede, ekstra yetenek hangi sorunu çözüyor ve kaç kullanıcı gerçekten buna ihtiyaç duyuyor—bunların hepsi masaya yatırılıp açıkça konuşulmalı.

DeepSeek tüm modelleri ucuzlatmadı; yüksek fiyatlı modelleri kullanıcılara açıklanması gereken bir şey haline getirdi.

Pinduoduo'nun erken dönemde gerçekten kırdığı şey sadece ürün fiyatları değildi. Tüketicilere ilk kez birçok günlük ürünün bu kadar ucuz satılabileceğini gösterdi. Geçmişte doğal kabul edilen marka primi, kanal maliyetleri ve aracı halkalar, aniden kendi varoluş nedenlerini bulmak zorunda kaldı.

Pinduoduo, ürünlerin fiyat algısını kırdı.

DeepSeek, zekanın fiyat algısını kırdı.

Girişimciler nihayet eğilip ürün yapabilir

Yapay zeka uygulama sektörü için, bundan sonraki en önemli şey, girişimcilerin nihayet gözlerini yukarı akıştan çevirebilmesidir.

Geçmişte, büyük dil modelleri çok hızlı güncelleniyordu ve uygulama şirketleri kolayca onların peşinden sürükleniyordu. Bugün daha uzun bağlam entegre edilir, yarın yeni bir akıl yürütme modeli takılır, öbür gün Agent yetenekleri ana sayfaya eklenir. Ürün sürekli yükseltiliyor gibi görünür ama yol haritası kendi belirlenmemiştir. Model üreticisi ne yayınlarsa, uygulama şirketleri onu sergiler.

Tipik bir yukarı akış refahı, aşağı akış dikkat dağınıklığı.

Şimdi, temel model nispeten istikrarlı bir üretim girdisi olma fırsatına sahip. Ekiplerin her gün model sıralamalarının etrafında dönmesine gerek yok ve "en yeni modeli entegre etmek" en önemli ürün ilerlemesi olarak görülmemeli.

Model istikrara kavuştuktan sonra, ürünün artık bahanesi kalmadı.

Modelin bir görevi tamamlayabilmesi sadece başlangıçtır. Ürünün yapması gereken, görevi gerçek bir iş akışına yerleştirmek; yetki, veri, iş birliği, denetim ve hata yönetimini ele almak ve kullanıcının AI'ya her seferinde nasıl çalışacağını yeniden öğretmesine gerek kalmamasını sağlamaktır. Bu işler model parametreleri kadar göz alıcı değildir ve benchmark'lara girmesi de zordur. Ancak kullanıcının ikinci ay hâlâ ödeme yapmaya devam edip etmeyeceği genellikle bu detaylara bağlıdır.

AI uygulamalarının değeri, modeli kullanıcının önüne koymakta değil, modeli işin içinde görünmez kılmakta yatar.

Kullanıcı artık model seçmek zorunda kalmadığında, prompt'ları araştırmak zorunda olmadığında ve bu görevin arkasında kaç tur akıl yürütme çağrısı yapıldığını umursamadığında, uygulama gerçekten işini tamamlamış olur.

Bu noktada, uygulama şirketlerinin rekabeti artık kimin önce modele ulaştığı üzerine değil; kimin bir işi daha iyi anladığı ve sektördeki kılavuzlara yazılamayan kuralları ürünün bir parçası hâline getirebildiği üzerinedir.

Model bir gecede güçlenebilir, ancak sektör anlayışı öyle değildir. API herkes tarafından entegre edilebilir, ancak kullanıcıların gerçekten benimsediği bir çalışma biçimini kopyalamak zordur.

Bu da geçmişte yeterince büyük görünmeyen birçok işin yeniden mümkün hâle gelmesini sağlıyor.

AI girişimciliği mutlaka "bir sonraki nesil giriş noktası" ile başlamak zorunda değildir ve her şirketin tüm insanlığa hizmet eden bir süper ajan yapması gerekmez. Sadece dış ticaret taleplerindeki bir sorunu çözebilir, sadece zincir mağazaların bir sürecine hizmet edebilir veya belirli bir profesyonel grup için tekrarlayan bir işi ortadan kaldırabilir.

Pazarın herkesi kapsayacak kadar büyük olması gerekmez. Sorun yeterince spesifik olduğu, teslimat yeterince istikrarlı olduğu ve kullanıcının elde ettiği değer ödediği fiyatı aştığı sürece, bu iş önce hayatta kalabilir.

Geçmişte, model çok pahalıyken küçük pazarlar tam bir ürünü desteklemekte zorlanıyordu. Ekipler, sürekli oluşan çıkarım maliyetlerini karşılamak için daha büyük kullanıcı tabanı, daha yüksek ortalama sipariş değeri ve daha hızlı fonlama hızı peşinde koşmak zorundaydı. Birçok girişim projesi, gerçek kullanıcılarını bulamadan devasa bir hikâye anlatmaya zorlanıyordu.

Artık hikâye daha küçük olabilir.

Küçük ekipler önce küçük bir gruba hizmet edebilir, bir işi derinlemesine yapabilir ve sonra adım adım dışa açılabilir.

Bu, günümüzdeki birçok "asırlık dükkânın" geçmişine çok benziyor. Kapıyı açtıklarında bir caddeyi yönetmeyi düşünmüyorlardı; sadece kapının önündeki birkaç masadaki müşteriyi iyi ağırlamaya çalışıyorlardı. Yemek iyiyse, fiyat uygunsa ve müşteri bir dahaki sefere tekrar gelirse, iş kendiliğinden büyür.

Büyük dil modeli sektörü ölçek, parametre ve nihai sonuç hakkında konuşmayı sever. Ancak uygulama girişimciliği sonunda bu sade mantığa geri dönmek zorundadır.

Kime hizmet ediyorsun, onun hangi sorununu çözüyorsun, neden başka bir firma olmuyor—bu üç soruyu DeepSeek girişimciler adına cevaplamayacak.

O yalnızca ekiplerin zamanlarının çoğunu artık yukarı akışla pazarlık yaparak harcamak zorunda kalmamasını sağlıyor ve büyük dil modelleri eğitme kapasitesine sahip olmayan, özel fiyatlar almaya yetkisi olmayan küçük ekiplere nispeten adil bir giriş bileti sunuyor.

Geçmişte modelin kendisi bir engeldi. Bundan sonra modeli herkes satın alabilir; fark, onunla ne yapıldığında. Gerçekten kıt olan şeyler yavaş yavaş kullanıcılara, verilere, süreçlere ve güvene kayacak. Gerçek işe kim daha yakınsa, onun şansı daha yüksek.

DeepSeek zekanın eşiğini düşürdükten sonra, yapay zeka uygulamaları nihayet bir model yarışı olmaktan çıkıp yeniden bir ürün işine dönüştü.

Batı Han döneminden Chao Cuo, "Lun Gui Su Shu" adlı eserinde şöyle yazmıştı: "Tahılı değerli kıl, altını ve yeşimi hor gör."

Son birkaç yılda büyük dil modelleri daha çok altın ve yeşim gibiydi. Parametreler büyüdü, sıralamalar yükseldi, lansman ışıklarının altında sergilendi; herkes değerini gördü, ancak çok az kişi onu günlük işlerde gerçekten kullanabildi.

Uygulama katmanının yapması gereken, altını ve yeşimi tahıla dönüştürmek.

DeepSeek girişimciler için yemeği hazırlamadı; sadece pirincin fiyatını düşürdü.

Restoranı kimin açabileceği ise herkesin kendi becerisine kalmış.

-SON-