7 Kasım 2025 / William H. Janeway
Üretken yapay zekanın yükselişi, büyük dil modellerinin muazzam enerji taleplerini karşılamak için küresel çapta yarı iletken fabrikaları ve veri merkezleri kurma yarışını tetikledi. Ancak yatırımlar artarken ve değerlemeler yükselirken, giderek artan sayıda kanıt, finansal spekülasyonun verimlilik artışlarını geride bıraktığını gösteriyor.
CAMBRIDGE – Son haftalarda, “yapay zeka balonu”na tanık olduğumuz fikri, kamuoyu tartışmasının kenarından ana akımına doğru ilerledi. Financial Times yorumcusu Katie Martin’in yerinde bir şekilde belirttiği gibi , “Balon muhabbeti her yerde patlak veriyor.”
Bu tartışma, veri merkezlerine ve üretken yapay zekayı yönlendiren büyük dil modellerini (LLM’ler) eğitmek ve çalıştırmak için gereken devasa enerji altyapısına yapılan yatırımlardaki artışla körükleniyor. Önceki spekülatif balonlarda olduğu gibi, artan yatırım hacimleri, hem kamu hem de özel piyasalarda tarihi zirvelere ulaşan değerlemeleri de beraberinde getiriyor. “Muhteşem Yedi” teknoloji devi – Alphabet, Amazon, Apple, Meta, Microsoft, Nvidia ve Tesla – S&P 500’e hakim durumda ve her birinin piyasa değeri 1 trilyon doların üzerinde; Nvidia ise artık dünyanın ilk 5 trilyon dolarlık şirketi .
Özel piyasada, OpenAI’nin 2008 sonrası dönemin en coşkulu yatırımcısı olan SoftBank’tan 500 milyar dolarlık bir değerleme üzerinden 30 milyar dolar fon toplamayı planladığı bildiriliyor. Dikkat çekici olan, bu fon toplama turunun, şirketin 2024 yılında 3,7 milyar dolarlık gelire rağmen 5 milyar dolarlık zarar açıkladığı ve 2029 yılına kadar nakit tüketiminin 115 milyar dolara ulaşmasının beklendiği bir dönemde gerçekleşmesidir .
Önceki spekülatif döngülere benzer şekilde, bu döngü de yaratıcı finansman mekanizmalarının ortaya çıkmasıyla karakterize ediliyor. Dört yüzyıl önce, Hollanda Lale Çılgınlığı çiçek soğanları üzerine vadeli işlem sözleşmelerinin doğmasına yol açmıştı. 2008 küresel finans krizi, sentetik teminatlı borç yükümlülükleri ve kredi temerrüt takasları gibi egzotik türevlerle beslenmişti. Bugün, benzer bir dinamik, çip üreticilerini (Nvidia, AMD), bulut sağlayıcılarını (Microsoft, CoreWeave, Oracle) ve OpenAI gibi LLM geliştiricilerini birbirine bağlayan dairesel finansman döngüsünde yaşanıyor.
Yapay zekâ balonunun hatları gözden kaçırmak zor olsa da, gerçek etkisi finans piyasalarından daha geniş ekonomiye yayılıp yayılmayacağına bağlı olacaktır. Bu geçişin nasıl ve gerçekleşip gerçekleşmeyeceği belirsizliğini koruyor. Neredeyse her gün milyarlarca dolarlık yeni yapay zekâ altyapı projeleri açıklanıyor. Aynı zamanda, yapay zekânın iş uygulamalarının hayal kırıklığı yaratan getiriler sağladığını gösteren ve abartının gerçekliğin çok ilerisinde olabileceğini işaret eden giderek artan sayıda rapor da mevcut.
Geçmişteki Baloncukların Hayaletleri
Finansal balonlar, odak noktaları ve konumları açısından anlaşılabilir. Birincisi, yatırımcıların neye bahis oynadığıyla ilgilidir: Spekülasyonu çeken varlıklar, büyük ölçekte kullanıldığında ekonomik verimliliği artırma potansiyeline sahip mi? İkincisi, bu faaliyet öncelikle hisse senedi piyasalarında mı yoksa kredi piyasalarında mı yoğunlaşıyor? Balonun kaçınılmaz olarak patlamasına yol açan şey, borçla finanse edilen spekülasyondur. Moritz Schularick ve Alan M. Taylor’ın gösterdiği gibi , kaldıraçla beslenen balonlar, son bir buçuk yüzyılda tekrar tekrar finansal krizleri tetiklemiştir.
Gayrimenkul sektörüne odaklanan ve 2008-2009 küresel finans krizine yol açan 2004-2007 kredi balonu bunun en iyi örneklerinden biridir. Bu balon, verimlilik artışı vaadi sunmuyordu ve patladığında ekonomik sonuçları korkunç oldu; bu durum, başta ABD Merkez Bankası olmak üzere, özel sektör kayıplarının eşi benzeri görülmemiş bir şekilde kamu tarafından karşılanmasına yol açtı.
Buna karşılık, 1990’ların sonlarındaki teknoloji balonunun odağı, internetin fiziksel ve mantıksal altyapısının küresel ölçekte inşası ve ticari uygulamalardaki ilk deney dalgasıydı. Bu dönemdeki spekülasyon esas olarak halka açık hisse senedi piyasalarında yoğunlaşmış, bir miktar da yüksek riskli tahvil piyasasına sıçramış ve genel kaldıraç sınırlı kalmıştır. Balon patladığında, ortaya çıkan ekonomik hasar nispeten mütevazı olmuş ve geleneksel para politikasıyla kolayca kontrol altına alınmıştır.
Modern kapitalizmin tarihi, bu tür ” üretken balonların ” ardı ardına gelmesiyle şekillenmiştir . Demiryollarından elektrifikasyona ve internete kadar, finansal spekülasyon dalgaları, getirileri önceden bilinemeyen, potansiyel olarak dönüştürücü teknolojileri finanse etmek için defalarca büyük miktarda sermayeyi harekete geçirmiştir.
Bu vakaların her birinde, temel altyapıyı kuran şirketler iflas etti . Spekülatif fonlama, deneme yanılma yoluyla yapılan deneylerin ekonomik olarak verimli uygulamalar ortaya koymasından yıllar önce inşaat yapmalarını sağlamıştı. Ancak kimse demiryolu raylarını sökmedi, elektrik şebekelerini dağıtmadı veya yer altı fiber optik kablolarını kazmadı. Altyapı, hayal edilen “yeni ekonominin” yaratılmasını desteklemeye hazır bir şekilde kaldı; ancak bu, acı verici bir gecikmenin ardından ve büyük ölçüde yeni oyuncuların yönetiminde gerçekleşti. Bu “Genel Amaçlı Teknolojiler” tarafından mümkün kılınan “çığır açan uygulamaları” keşfetmek için gereken deneyler zaman alır. LLM’lerden anında tatmin bekleyenler muhtemelen hayal kırıklığına uğrayacaklardır.
Örneğin, Amerika Birleşik Devletleri’nde ilk demiryolunun inşası 1828’de başlarken, bu örnekte kilit uygulama olan posta siparişi perakendeciliği, 1872’de Montgomery Ward’ın kurulmasıyla başladı. On yıl sonra, Thomas Edison, Pearl Street elektrik santralini çalıştırarak Elektrik Çağı’nı başlattı, ancak elektrifikasyonun neden olduğu imalattaki verimlilik devrimi ancak 1930’larda gerçekleşti. Benzer şekilde, 1876’da icat edilen Otto içten yanmalı motorundan Henry Ford’un 1908’deki Model T’sine ve Jack Kilby’nin entegre devresinden (1958) IBM PC’ye (1981) ulaşmak bir nesil sürdü. Proto-internet’in ilk gösterimi 1972’de yapıldı: Amazon ve Google sırasıyla 1994 ve 1998’de kuruldu.1
Yapay zeka balonu bu spektrumda nerede yer alıyor? Şimdiye kadarki yatırımların büyük bir kısmı Büyük Teknoloji şirketlerinin devasa nakit rezervlerinden ve devam eden nakit akışından gelirken, kaldıraç belirtileri ortaya çıkmaya başlıyor. Örneğin, yarışa geç katılan Oracle, nispeten sınırlı likiditesini yaklaşık 38 milyar dolarlık bir borç paketiyle telafi ediyor .
Ve bu sadece başlangıç olabilir. OpenAI, önümüzdeki beş yıl içinde en az 1 trilyon dolar yatırım yapmayı planladığını açıkladı . Bu ölçekteki harcamaların kaçınılmaz olarak büyük ölçekli borçlanmayı gerektireceği göz önüne alındığında, büyük ölçekli finans kuruluşlarının ekonomik değerlerini kanıtlamak ve bu olağanüstü yatırım seviyelerini haklı çıkarmak için dar bir zaman dilimi var.
İlk çalışmalar iyimserlik için nedenler sunuyordu. Stanford’dan Erik Brynjolfsson ve MIT’den Danielle Li ve Lindsey Raymond’ın müşteri hizmetleri merkezlerinde üretken yapay zekanın kullanımını inceleyen araştırması, yapay zeka desteğinin çalışan verimliliğini %15 artırdığını ortaya koydu . En büyük kazanımlar, verimlilikleri %30’dan fazla artan daha az deneyimli çalışanlar arasında görüldü.
Brynjolfsson ve çalışma arkadaşları ayrıca, yapay zekâ önerilerini takip eden çalışanların zamanla daha verimli hale geldiğini ve yapay zekâ araçlarına maruz kalmanın kalıcı beceri gelişmelerine yol açtığını gözlemlediler. Dahası, müşteriler yapay zekâ destekli temsilcilere daha olumlu yaklaştılar, daha yüksek memnuniyet gösterdiler ve bir yöneticiyle görüşme taleplerinde daha az bulundular.
Ancak daha geniş bir perspektiften bakıldığında durum daha az cesaret verici görünüyor. MIT’nin NANDA Projesi tarafından yapılan son bir araştırmaya göre, özel sektördeki üretken yapay zeka pilot projelerinin %95’i başarısız oluyor. Brynjolfsson’un hakemli çalışmasından daha az titiz olsa da, bu araştırma, üretken yapay zeka ile ilgili kurumsal deneylerin çoğunun beklentilerin altında kaldığını gösteriyor. Araştırmacılar bu başarısızlıkları, uygulamaları pratik iş ihtiyaçlarına (çoğunlukla arka ofis idari görevlerine) uyarlamak için uzman yardımı alan az sayıdaki firma ile satış ve pazarlama gibi dışa dönük işlevler için şirket içi sistemler geliştirmeye çalışanlar arasındaki “öğrenme açığına” bağladılar.
Üretken Yapay Zekanın Sınırları
Üretken yapay zekâ kullanıcılarının karşılaştığı en büyük zorluk, teknolojinin doğasından kaynaklanmaktadır. Tasarım gereği, GenAI sistemleri eğitim verilerini (metin, görüntü ve konuşma) sayısal vektörlere dönüştürür ve bu vektörler de bir sonraki belirteci (hece, piksel veya ses) tahmin etmek için analiz edilir. Temelde olasılıksal tahmin motorları oldukları için, kaçınılmaz olarak rastgele hatalar yaparlar.
Bu yılın başlarında, Xerox’un efsanevi Palo Alto Araştırma Merkezi’nin eski baş bilim insanı merhum Brian Cantwell Smith, sorunu özlü bir şekilde tanımlamıştı. Edinburgh Üniversitesi Profesörü Henry Thompson’ın bana aktardığına göre Smith şunları söylemişti: “[ChatGPT’nin] yanlış şeyler söylemesi iyi değil, ancak asıl ve telafisi mümkün olmayan kötü olan şey, yanlış anladığı bir dünya olduğunun farkında olmamasıdır.”
Kaçınılmaz sonuç, çeşitli türden hatalardır; bunların en zararlısı ise “halüsinasyonlar”dır – kulağa mantıklı gelen ancak aslında var olmayan şeyleri tanımlayan ifadeler. İşte burada bağlam kritik önem kazanır: iş ortamlarında hata toleransı zaten düşüktür ve riskler yüksek olduğunda sıfıra yaklaşır.
Kod üretimi bunun en önemli örneklerinden biridir. Finansal veya operasyonel açıdan hassas ortamlarda kullanılan yazılımlar titizlikle test edilmeli, düzenlenmeli ve hata ayıklanmalıdır. Üretken yapay zekâ ile donatılmış genç bir programcı, olağanüstü bir hızla kod üretebilir. Ancak bu çıktı yine de kıdemli mühendisler tarafından dikkatli bir şekilde incelenmelidir. İnternette dolaşan sayısız anekdotun da gösterdiği gibi, ön uçta elde edilen herhangi bir verimlilik, test ve denetim için gereken kaynaklar hesaba katıldığında ortadan kaybolabilir. Bulwark’tan Jonathan Last bunu çok güzel ifade etti :
“Yapay zeka, Çin’deki makine üretimine benziyor. İnanılmaz derecede düşük bir fiyata (insan zamanının maliyetiyle ölçüldüğünde) iyi sonuçlar üretebiliyor. Bu da demek oluyor ki, yapay zeka – bugünkü haliyle – faydalı bir araç, ancak yalnızca hataya yüksek toleransı olan görevler için geçerli… Eğer ChatGPT’den benim için bir konu hakkında araştırma yapmasını istesem ve bu araştırmayı yazdığım bir metne dahil etsem ve metin yalnızca %90 doğru olsa, o zaman bir sorunumuz var demektir. Çünkü yazdığım ürünün hataya toleransı düşük.”
Cambridge Üniversitesi ekonomisti Diane Coyle, yeni kitabı “İlerlemenin Ölçüsü”nde (The Measure of Progress ) bir diğer önemli endişeye dikkat çekiyor: Yapay zekanın şeffaf olmaması. Yakın zamanda yazdığı bir makalede , ” Yapay zeka söz konusu olduğunda, en temel gerçeklerden bazıları eksik veya tamamlanmamış durumda. Örneğin, kaç şirket üretken yapay zeka kullanıyor ve hangi sektörlerde? Ne için kullanıyorlar? Yapay zeka araçları pazarlama, lojistik veya müşteri hizmetleri gibi alanlarda nasıl uygulanıyor? Hangi firmalar yapay zeka ajanlarını devreye alıyor ve bunları kimler kullanıyor?” diye soruyor.
Kaçınılmaz Hesaplaşma
Bu bizi temel soruya getiriyor: LLM’lerin değer yaratma potansiyeli nedir? Doyumsuz işlem gücü ve elektrik tüketimleri, pahalı denetim ve hata düzeltmeye olan bağımlılıklarıyla birleştiğinde, karlılıklarını belirsiz hale getiriyor. Kurumsal müşteriler, gerekli altyapı ve insan desteği yatırımlarını haklı çıkaracak kadar karlı gelir elde edecek mi? Ve eğer birkaç LLM yaklaşık olarak aynı seviyede performans gösterirse, çıktıları ticarileşerek token üretimini düşük kar marjlı bir işe dönüştürecek mi?
Demiryollarından elektrifikasyona ve dijital platformlara kadar, ilk hizmet birimini sunmak için her zaman büyük bir başlangıç yatırımı gerekmiştir; buna karşılık, her ek birimin marjinal maliyeti hızla düşmüş, çoğu zaman ilk yatırımı geri kazanmak için gereken ortalama maliyetin altına inmiştir. Rekabetçi koşullar altında, fiyatlar marjinal maliyete doğru eğilim gösterir ve tüm rakipler zararla çalışır. Sonuç, defalarca, Sherman Antitröst Yasası’nın dilini ödünç alacak olursak, düzenlenmiş tekeller, karteller veya diğer “ticareti kısıtlayıcı komplolar” olmuştur .
Kurumsal düzeyde dil öğrenme modeli (LLM) dağıtımına yönelik iki farklı alternatif bulunmaktadır. Bunlardan biri, küçük dil modelleri geliştirmektir ; yani belirli, iyi tanımlanmış görevler için özenle seçilmiş veri kümeleri üzerinde eğitilmiş sistemler. JPMorgan veya devlet kurumları gibi büyük kuruluşlar, kendi ihtiyaçlarına göre uyarlanmış dikey uygulamalar geliştirebilir, böylece yanılsama riskini azaltabilir ve denetim maliyetlerini düşürebilirler.
Diğer alternatif ise, yapay zeka sağlayıcılarının yerleşik sosyal medya platformlarıyla dikkat çekme ve reklam geliri için rekabet ettiği tüketici pazarıdır. Değerin genellikle eğlence ve etkileşimle ölçüldüğü bu alanda her şey mümkün. ChatGPT’nin bildirildiğine göre 800 milyon “haftalık aktif kullanıcısı” var ; bu sayı Şubat ayındaki sayının iki katı. OpenAI, LLM ile güçlendirilmiş bir web tarayıcısı olan ChatGPT Atlas ile bu trendi takip etmeye hazırlanıyor gibi görünüyor .
Ancak Google ve Apple’ın tarayıcılarının ücretsiz olması ve zaten yapay zeka asistanlarını entegre etmesi göz önüne alındığında, OpenAI’nin devasa yatırımlarını haklı çıkaracak sürdürülebilir bir abonelik veya jeton başına ödeme gelir modelini sürdürüp sürdüremeyeceği belirsizdir. Çeşitli tahminler, şu anda ChatGPT için herhangi bir şekilde ödeme yapan kullanıcı sayısının yaklaşık 11 milyon (toplamın yaklaşık %1,5’i) olduğunu göstermektedir. Bu nedenle, tüketici odaklı LLM’ler, zaten olgunlaşmış bir pazarda reklam gelirleri için rekabet etmeye mahkum olabilir.
Süregelen bu yarışın sonucunu tahmin etmek imkansız. Büyük ölçekli işletmeler (LLM’ler) sonunda pozitif nakit akışı yaratıp, bu işletmelerin büyük ölçekte çalışmasının enerji maliyetlerini karşılayacak mı? Yoksa henüz yeni gelişmekte olan yapay zeka sektörü, uzmanlaşmış, niş sağlayıcılardan oluşan bir yamalı bohçaya mı dönüşecek ve en büyük şirketler, kurumsal yatırımcılarına ait olanlar da dahil olmak üzere, yerleşik sosyal medya platformlarıyla mı rekabet edecek? Piyasalar sektörün birleşmek yerine parçalandığını fark ettiğinde, yapay zeka balonu da sona erecek.
İronik bir şekilde, daha erken bir hesaplaşma, zirvede yatırım yapanlar için acı verici olsa da, daha geniş ekosisteme fayda sağlayabilir. Böyle bir deflasyon, günümüzün iddialı veri merkezi projelerinin birçoğunun, geçmiş balonların geride bıraktığı kullanılmayan demiryolu hatları ve karanlık fiberler gibi atıl varlıklara dönüşmesini engelleyebilir. Finansal açıdan, bir başka kaldıraçlı balon ve çöküşle sonuçlanabilecek yüksek riskli borçlanma dalgasını da önleyebilir.
Büyük olasılıkla, gerçek anlamda verimli bir balon ancak bugünkü spekülatif çılgınlığın yatışmasından yıllar sonra ortaya çıkacaktır. Gartner Hype Cycle’ın açıkça gösterdiği gibi, “verimlilik platosundan” önce bir “hayal kırıklığı çukuru” gelir. Hayatta zamanlama her şey olmayabilir, ancak yatırım getirileri için neredeyse her şeydir.
William H. Janeway, Cambridge Üniversitesi’nde ekonomi alanında seçkin bir doçent ve İnovasyon Ekonomisinde Kapitalizmi Uygulamak (Cambridge University Press, 2018) kitabının yazarıdır.