[Yunqi Gözlemi] Yunqi Konferansı Bir Cevap Değil, AI Endüstrisinin Neye Bahis Oynadığını Gösteren Bir Harita

Bu yılki Yunqi Konferansı’nı gezerken en büyük kazancım birkaç yeni model ya da şirket ezberlemek değil, fuarı izleme yöntemimin değişmesi oldu.

Eskiden teknoloji konferanslarına katılınca bazı varsayımlara kolayca kapılıyordum: büyük şirketlerin öne çıkardığı yönler büyük olasılıkla geleceği temsil eder; sahne tekrar tekrar vurgulanan kavramlar büyük olasılıkla sektör konsensüsüdür; bir ürün artık stantlara taşınmışsa, demek ki yeterince olgunlaşmıştır. Çok şey gördükten sonra ise insan kolayca diğer uca kayıyor: konferans sadece bir pazarlama etkinliği, stantlar sadece reklam, slaytlar sadece ambalaj.

Her iki bakış açısı da fazla kolaycı.

Fuarların elbette bir pazarlama boyutu var, ama pazarlamanın kendisi de bir veri. Bir üreticinin bütçesini, ürün yöneticilerini, mühendislik ekibini, satış ekibini ve stant kaynaklarını tek bir yöne yığmayı göze alması en az iki şeyi gösterir: pazarın neye inanmasını istediğini ve hangi soruna ürün düzeyinde çözüm üretmeye çalıştığını.

Bu yüzden artık büyük teknoloji konferanslarını yüksek yoğunluklu bir sektör örnekleme alanı olarak görmeyi tercih ediyorum. Cevap vermez; ama örnekler, sinyaller, karşı örnekler ve “sektörün hangi geleceğe bahis oynadığının” haritasını sunar.

I. Fuardaki “gürültüyü” önce farklı kanıt katmanlarına ayıralım

Bu sefer bir teknoloji yönünü bilinçli olarak beş katmanda ayırmaya başladım:

Anlatı Katmanı → Ürün Katmanı → Üretim Katmanı → İş Katmanı → Gelir Katmanı
(Narrative → Product → Production → Business → Revenue)

En üstte Anlatı Katmanı (Narrative) yer alıyor; satıcıların pazarın inanmasını istediği şeyler burada şekilleniyor. Ajanların (Agent) yeni çalışma giriş noktası olacağı, kurumların AI-native (yapay zekâ-doğal) mimariye ihtiyaç duyacağı, bağlamın (Context) temel bir varlık haline geleceği, çoklu ajanların (Multi-Agent) gitgide daha karmaşık işleri üstleneceği gibi söylemler buna örnek gösterilebilir. Bu anlatılar önemlidir; çünkü kurumların dikkatinin ve sermayenin nereye kaydığını ele verir. Ama son tahlilde hâlâ birer yorum ve bahisten ibaret olduklarını unutmamak gerekir.

Bir katman aşağıda Ürün Katmanı (Product) bulunuyor; burası artık sergilenebilen, çağrılabilen, teslim edilebilen şeylerin üretildiği alan. Tezgâhın üzerinde tamamlanmış arayüzler, API’ler, iş panoları, yönetişim platformları sıralanıyor; bu da ilgili yönün kavram aşamasından ürünleşme aşamasına geçtiğine işaret ediyor. “Demonstrasyon yapılabiliyor olmak” ile “uzun vadede istikrarlı biçimde çalışabilmek” arasında ise hâlâ ciddi bir mesafe var.

Daha aşağıda Üretim Katmanı (Production) var; ürünün gerçek anlamda müşteri süreçlerine dâhil olup kesintisiz çalıştığı, yetki, veri, denetim, kurtarma, maliyet, kurumlar arası koordinasyon gibi somut engellerle burun buruna geldiği katman. Bir ürün ancak bu noktaya ulaştığında gerçek üretim ortamına girmiş sayılır.

Aşağıda iş katmanı (Business) gelir — sormaya devam etmek gerekir: yayına alındıktan sonra ne değişti? Teslim süresi kısaldı mı, dönüşüm oranı arttı mı, işçilik maliyetleri düştü mü, reklam kreatiflerinin test hacmi mi büyüdü, yoksa daha önce mümkün olmayan bir iş süreci artık çalışır hale mi geldi?

En altta, en somut katman ise gelir katmanı (Revenue) — müşteri uzun vadede para ödemek istiyor mu, hangi sonuç için ödüyor, yenileme hangi koşullarda gerçekleşiyor.

Bu çerçevenin işe yaradığı nokta, farklı kanıt türlerini birbirine karıştırmanın önüne geçmesi. Stand, bir yönün sergilenmeye değer olduğunu kanıtlar; forum, satıcının belirli bir algıyı güçlendirmek istediğini gösterir; gerçek müşteri örnekleri, üretim ve iş katmanlarındaki güvenilirliği artırır; ancak sürdürülebilir gelir, gelir katmanını doğrular.

Dolayısıyla bir yönün konferansta çok konuşuluyor olması, doğrudan “şimdi yatırım yapılmalı” sonucunu çıkarmaz.

İki. Bu seferki en belirgin değişim: Modellerin üzerinde giderek daha fazla katman büyüyor

Geçmiş birkaç yıl boyunca yapay zekâ konuşulurken dikkat hemen hemen tamamen modelde yoğunlaşıyordu: parametre ölçeği, kıyaslama testleri (Benchmark), çıkarım yeteneği, fiyat, bağlam penceresi, görüntü kalitesi, kodlama becerisi.

Bu ziyarette sahada ise odağın kaydığını açıkça hissettim.

Model hâlâ önemli; ancak modelin üzerine inşa edilen sistem katmanı gözle görülür biçimde kalınlaştı. Veri temeli, model entegrasyonu, Token yönetişimi, Agent Runtime, Sandbox, Context, Memory, Skill, Browser Use, Computer Use, Verification, Observability, yetkilendirme, denetim, maliyet kontrolü… bunların her biri giderek daha fazla bağımsız bir ürün olarak paketleniyor.

Sebebi son derece açık: Bir modelin soruları yanıtlayabilmesi ile üretim sürecine girip işi güvenilir biçimde tamamlayabilmesi arasında tüm bir mühendislik sistemi yatıyor.

Bir fuarda bir gün boyunca dolaştığınızda, isimleri tümüyle farklı beş altı ürünle karşılaşırsınız; ama hepsi aslında aynı yapıya doğru yakınsıyor. QwenWork (Alibaba’nın ajan platformu), ajanın izole bir ortamda birden fazla aracı çağırarak işleri tamamlamasını sergiliyor. Qoder, bağlamı, spesifikasyonu (Spec), test çerçevesini (Harness), doğrulamayı (Verification), hafızayı ve çoklu model yönlendirmesini ele alıyor. Fuara katılan bağımsız üretici TinyFish, ajanların gerçek web dünyasına girip görevleri yürütmesini sağlıyor. WonderClip, video üretimini senaryo, storyboard, materyal, üretim, inceleme, sürüm ve toplu üretim olarak ayrıştırıyor. Alibaba Cloud OpenSearch’ün Ajan Tabanlı Arama (Agentic Search) çözümüyse aramayı planlama (Planning), çıkarım (Reasoning), hafıza (Memory), eylem (Action) ve değerlendirme (Evaluation) boyutlarına taşıyor.

Görünüşte tamamen farklı alanlara ait gibi duruyorlar; ama alttaki yapıları giderek aynı noktaya yakınsıyor:

Bağlam → Planlama → Beceri → Yürütme → Doğrulama → Hafıza → İş Sonucu
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

Modeller giderek önemli bileşenlerden biri haline gelirken, ürün değerinin büyük kısmı üst katmanlı sistemlerde yoğunlaşıyor.

Üçüncü Bölüm — Bağlam (Context), “girdi malzemesi”nden uzun vadeli bir varlığa dönüşüyor

Qoder’ın sahada gösterdiği bir PPT sayfası bunu çok net söylüyor:

Model power is a commodity. Context is the asset.

Bu cümle elbette satıcı bakış açısını yansıtıyor; ama gerçek bir soruna da parmak basıyor: model kapasitesi arttıkça ve erişim maliyeti düştükçe, bir ajanın (Agent) uzun vadede iş görüp göremeyeceğini belirleyen unsur, giderek “neyi bildiği”ne kayıyor.

Olgunlaşmış bir yazılım projesinde mimari kısıtlar, geçmiş kararlar, modüller arası bağımlılıklar, kod standartları, önceden düşülen tuzaklar, canlıya çıkış kayıtları bulunur. Bir şirkette organizasyon yapısı, yetkiler, SOP’lar, dokümanlar, grup sohbetleri, iş kuralları, müşteri durumları yer alır. Bir markada ise ürün bilgisi, görsel standartlar, geçmiş kreatifler, kampanya verileri, kanal kısıtları mevcuttur.

Bu bilgiler, daha güçlü bir modele geçtiğinizde kendiliğinden ortaya çıkacak şeyler değil.

Bu nedenle Qoder (Alibaba’nın kodlama asistanı), kod depoları için Wiki (Repo Wiki), hafıza (Memory) ve bilgi kartları (Knowledge Cards) sunarken; QwenWork kurumsal bağlamı (Enterprise Context) öne çıkarıyor; OpenSearch ise uzun süreli hafıza, görev hafızası ve bağlam sıkıştırmaya vurgu yapıyor. Hepsi aynı sorunu çözmeye çalışıyor: ajanın her seferinde sıfırdan dünyayı kavramasını engellemek.

Bu durum, birçok ekibin biriktirmeye alıştığı prompt kütüphanelerinin (Prompt Library) uzun vadeli değerinin sanıldığı kadar yüksek olmayabileceğini de gösteriyor. Prompt’lar daha çok tek seferlik bir görev çağrısı biçimi; asıl bileşik değer üreten şey ise iş bağlamı, karar geçmişi, doğrulama sonuçları, başarısızlık nedenleri ve yeniden kullanılabilir beceriler.

Dördüncü: AI Ürünlerinde Rekabet Birimi “Tek Bir Özellik”ten “Eksiksiz Bir İş Akışı”na Kayıyor

WonderClip bu konuda bende özellikle belirgin bir izlenim bıraktı.

Yalnızca yetenek listesine bakıldığında pek çok özellik yeni sayılmaz: görsel üretimi, video üretimi, çeviri, seslendirme, materyal değiştirme, toplu üretim. Her biri ayrı ayrı değerlendirildiğinde model sağlayıcıları, video düzenleme yazılımları veya diğer SaaS çözümleri tarafından kademeli olarak ikame edilebilir.

Ancak canlı demoda görülen ürün yapısı çok daha bütünsel bir üretim sistemine doğru evriliyor:

Senaryoyu yükle → Kırılımı incele → Varlıkları hazırla → Toplu üret

Bunların yanı sıra Storyboard, Canvas, özel beceriler, paylaşılan varlıklar, ekip işbirliği ve sürüm yönetimi de geliyor. Ürün, “üretimi” iş akışının tam ortasına yeniden konumlandırıyor.

Bu, yapay zekâ uygulamaları için doğrudan bir çıkarım sunuyor.

Eğer ürünün özü hâlâ “bir şey yükle, yapay zekâ işlesin, sonucu indir” modeline dayanıyorsa, bir sonraki model yükseltmesi değerini kolayca aşındırır. Daha sağlam yön, kullanıcının zaten başından sonuna kadar tamamlamayı hedeflediği bütün bir işi sahiplenmekten geçiyor.

Örneğin e-ticaret içerik üretiminde, yalnızca ürünü değiştirmek, arka planı değiştirmek, çeviri yapmak ya da seslendirme eklemek başlı başına son derece yüzeysel kalıyor. Bir katman daha yukarı çıkıldığında, ürün nesnesi kademeli olarak Brand (Marka), SKU (Tekil Ürün), Campaign (Kampanya), Market (Pazar), Creative Strategy (Yaratıcı Strateji), Variants (Varyantlar), Distribution (Dağıtım Kanalları) ve Performance (Performans) kavramlarına dönüşmeli. Üretim yalnızca bir icra motoru; asıl değer tüm Creative Operations Workflow’dan (Yaratıcı Operasyon İş Akışı) kaynaklanıyor.

Beş. Ajanlar (Agent) “soru yanıtlamaktan” “görev tamamlamaya” geçiyor

Yavaşça Öğren YZ

Bugün Alibaba Cloud OpenSearch’ün aracı tabanlı arama sunumunu dinlerken, evrimi gösteren bir şema gerçekten dikkat çekiciydi.

Klasik arama, sorgudan (Query) sonuç listesine (Results) uzanan bir hattı çözerdi. Üretken YZ bunu bir adım ileri taşıyarak sorudan (Question) cevaba (Answer) taşıdı. Aracı tabanlı arama ise bir kademe daha atıyor: hedef artık amaçtan (Goal) eyleme (Action) geçiyor.

Yani aramanın kendisi de yeniden konumlanıyor.

Yakın gelecekte bir araştırma ajanı (Research Agent) soruyu otomatik olarak parçalara ayırabilir, bir sorgu planı oluşturabilir, birden fazla arama kaynağını devreye alabilir, eksik kalan yerleri tamamlayabilir, çapraz doğrulama yapabilir, ara sonuçlar üretebilir ve ardından başka araçları çağırarak akışı sürdürebilir. Arama API’si, zamanla, ajanın dış bağlamı çektiği bir altyapı katmanına benzemeye başlayacak.

Bu dönüşüm, Arama Motoru Optimizasyonu (SEO) ve Üretken Motoru Optimizasyonu’nun (GEO) nasıl gözlemlendiğini de değiştirecek. Eskiden ağırlıklı olarak gösterim (Impression), tıklama (Click) ve sıralama (Ranking) üzerinden ölçüm yapılıyordu. Artık ek olarak YZ görünürlüğü (AI Visibility), atıf (Citation), bahsedilme (Mention), YZ yönlendirmesi (AI Referral) ve bu trafiğin nihayetinde kayıt (Signup), ücretli dönüşüm (Paid) ve elde tutma (Retention) metriklerine yansıyıp yansımadığı da izlenecek.

Arama ortadan kalkmıyor; daha büyük bir görev döngüsünün içine yerleştiriliyor.

6. Kurumsal Yapay Zekânın Asıl Sorunu: Organizasyonel Katmana Geçiş

Konferansta kurumsal yapay zekâ hakkında pek çok teknik mesele konuşuldu: veri, yetkilendirme, güvenlik, yönetişim (governance), model entegrasyonu, bulut mimarisi, Agent platformları.

Bunların tümü önemli. Ama birkaç kurumsal vakayı dinledikten sonra asıl ilgimi çeken başka bir soru var:

Bunu gerçekten kullanma motivasyonu kime ait?

Bir çalışanın yapay zekâ kullanarak 8 saatlik işini 5 saate indirdiğini varsayalım. Açığa çıkan 3 saatte ne olacak? Cevap yalnızca “ona daha fazla iş yüklemek” olacaksa, çalışanın yapay zekâyı sahiplenme motivasyonu büyük olasılıkla sınırlı kalır.

Bir başka örnek: AI ekibinin KPI’ları Agent devreye alma sayısı ve çağrı hacmiyse, sürekli yeni özellikler ekleme motivasyonu olur; iş birimleri süreç dönüşümünün maliyetini üstlenir; IT ve güvenlik ekipleri hata riskini taşır; ancak sonuçtaki gelir artışı net biçimde kime atfedileceği belirsiz kalır. Böylesi bir organizasyon yapısında teknik olarak kullanılabilir olsa bile, sahaya inme süreci yine çok yavaş olabilir.

Kurumsal yapay zekâ meselesi yalnızca mimariyle (Architecture) sınırlı değil; asıl tavan, teşvik tasarımıdır (Incentive Design).

Teknik sorunları parayla çözebilirsiniz; ama organizasyonel sorunları parayla çözmek mümkün olmayabilir. Bir projede şu altı soruyu mutlaka netleştirmek gerekir: Rol (Role), Performans Göstergesi (KPI), Fayda (Benefit), Maliyet (Cost), Risk (Risk), Karar Hakkı (Decision Right). Faydayı elde eden, riski de üstlenir; karar yetkisi elinde bulunan, sonucun da sahibidir.

Sözde “yapay zeka uygulama sorunları”nın pek çoğu, son tahlilde bir organizasyon tasarımı meselesidir.

Yedi. En Yanıltıcı Metrikler, Çoğu Zaman En Sezgisel Görünenlerdir

Qoder’ın (yapay zeka destekli bir kodlama asistanı) bir sunum sayfası beni epey etkilemişti:

Generation rate is a vanity metric.

Etkinlikte, yapay zeka ile kod üretiminin farklı geliştirme aşamalarındaki dağılımı yan yana getiriliyor; aynı zamanda yazılım teslim döngüsünün (Delivery Cycle) aynı oranda kısalmadığı özellikle vurgulanıyordu. Buradaki somut rakamlar, satıcının kendi saha vakasından geliyor; doğrudan sektör kıyaslama ölçütü (Benchmark) olarak kullanılamaz. Ama arkasındaki mantık sağlam.

Yapay zekâ kodlama (Coding) maliyetini düşürdükçe, darboğaz gereksinim (Requirement), bağlam (Context), mimari (Architecture), inceleme (Review), test (Test), entegrasyon (Integration), dağıtım (Deployment) ve doğrulama (Validation) aşamalarına kayıyor.

Bu yüzden kod üretim oranı, Token sayısı, ajan sayısı, çağrı adedi, görsel üretim miktarı gibi metrikler yerel verimlilik göstergelerine dönüşebilir. Asıl mesele uçtan uca sonuçtur: Teslim süresi (Lead Time) kısaldı mı, insan dakikası (Human Minutes) düştü mü, ilk geçiş kabul oranı (First-pass Acceptance Rate) yükseldi mi, kabul edilen görev başına maliyet (Cost per Accepted Task) azaldı mı, nihai iş metriklerinde bir değişim oldu mu?

Bu konferans bana bir şey hatırlattı: “Yapay zekâ ne kadar iş yaptı” rakamlarıyla gözümüz kamaşmasın; bakmamız gereken asıl şey, “tüm sistem bu sayede nasıl değişti” sorusudur.

Sekiz. Konferans sinyaller verir; karar yetkisi yine sizde kalır

Bir konferansa katılmanın en sık yaşattığı şey, dış dünyanın sizin adınıza önceliklerinizi belirlemeye başlamasıdır.

Sahne üzerinde bir yön çok anlatılıyorsa, “Bunu araştırmalıyım” hissi oluşur; büyük bir şirket çok yatırım yaptıysa, “Benim de peşinden gitmem gerekir” düşüncesi belirir; bir ürün ileri görünüyorsa, “Ben de benzer bir şey kurmalıyım” dürtüsü tetiklenir.

Bu sefer tüm bu bilgiyi daha sade bir soruya oturtmayı tercih ediyorum:

Bu bilgi hangi Kararımı değiştirir?

Eğer sadece “ilginçmiş” dedirtiyorsa, o sadece girdidir.

Eğer kendin geliştirme (Build), satın alma (Buy) ya da görmezden gelme (Ignore) arasındaki tercihimi yeniden değerlendirmeme, ürün sınırlarını değiştirmeme, düşük değerli bir projeyi durdurmama, bir iş akışını yeniden tasarlamama ya da bir deney metriğini yeniden tanımlamama yol açıyorsa, işte o zaman gerçekten karara dahil olur.

Apsara Konferansı (Alibaba’nın yıllık bulut bilişim zirvesi) cevap değil.

Daha çok sektörün bahis haritasına benziyor. Harita, başkalarının nereye yürüdüğünü, hangi patikaların kalabalıklaşmaya başladığını, hangi altyapının şekillendiğini, hangi sorunların büyük ölçekte ürünleştirilmeye başlandığını gösteriyor.

Sonunda hangi yoldan yürüneceği yine kendi hedeflerinize, kısıtlarınıza, kaynaklarınıza ve kanıtlarınıza döner.

Ben de artık teknoloji konferanslarına katılırken en çok şunu korumak istiyorum: daha fazla bahis görmek, ama yargı yetkisini kendi elimde tutmak.

Kurumsal yapay zekânın nereden başlaması gerektiğini, hangi yönlere yatırım yapmaya değer olduğunu, hangilerinin anlatıyla şişirilmiş bir balon olduğunu değerlendiriyorsanız, konuşalım. Kurumsal yapay zeka dönüşümü konusunda özel danışmanlık veriyoruz — teknoloji seçiminden organizasyon tasarımına, ölçüm sistemlerine kadar, “konferansın kalabalığını” “kendi kararınıza” dönüştürmenize yardımcı oluyoruz. İletişim: [email protected].

Ek okuma: «AI Dönüşümü Yedi Adım Çerçevesi» — kurumsal yapay zeka uygulamasının tüm yolunu sistematik şekilde ele alıyor.

Bu seri hakkında

Yunqi Gözlemleri, IAIUSE’in sahadan gözlem serisidir; 2026 Yunqi Konferansı’ndan yola çıkarak bir araştırmacı perspektifiyle yapay zekâ endüstrisindeki fiili değişimleri irdeliyor. Burada trend kovalamıyor, yalnızca yatırım yönünü ve kanıtların gücünü inceliyoruz.

Seri; model katmanının üzerindeki sistem katmanı, Agent’ların ürünleşmesi, Context varlıkları, kurumsal yapay zekâ organizasyon tasarımı, yapay zekâ ürünlerinde rekabet biriminin dönüşümü gibi konuları kapsıyor ve toplamda yaklaşık 10 yazıdan oluşuyor.

Büyük ölçekli kurumsal danışmanlık ve iş analitiği alanında neredeyse 8 yıllık deneyimim var; daha önce IBM’de telekom, finans, sigorta ve üretim projelerinde görev aldım. Sonrasında operatör ürünleri, internet ürünleri ve yapay zekâ uygulama geliştirme sahasında; ihtiyaç analizi, ürün tasarımı ve ekipler arası uygulama konularında çalışmaya devam ettim. Bu serideki yargılar, saha gözlemlerim ve sektörler arası çapraz doğrulamaya dayanıyor; belirgin bir yazar tarafı taşıyor ve herhangi bir tedarikçinin görüşünü yansıtmıyor.