Özet: Kurumsal yapay zeka aracı seçimi; modalite, Türkçe doğruluğu, veri gizliliği, KVKK uyumu ve tüketim modeli (SaaS, API, self-hosted) eksenlerinde yapılan bir kararlar bütünüdür. Türkiye'deki kurumlar için kişisel veri içeren senaryolarda Türkiye veri merkezinde self-hosted açık model veya KVKK uyumlu GPU bulut altyapısı, sınır ötesi aktarım yükümlülüğünü ortadan kaldıran tek pratik yaklaşımdır.
Ana noktalar:
- AI araçlarını değerlendirirken modalite (metin/görsel/ses/multimodal) ilk sorudur.
- Üç tüketim modeli vardır: SaaS, API ve self-hosted; her birinin maliyet, hız ve gizlilik profili farklıdır.
- Yurt dışı SaaS modele kişisel veri göndermek KVKK kapsamında sınır ötesi aktarımdır.
- 70B sınıfı LLM inference için NVIDIA H100 (80 GB) veya çoklu GPU NVLink kurulumu gerekir.
- LoRA gibi parametre-verimli yöntemler fine-tuning maliyetini full fine-tuning'e göre dramatik azaltır.
Yapay zeka araçlarının sayısı 2022'den bu yana neredeyse haftalık bazda artıyor. Gartner'ın üretken yapay zeka pazar analizleri, kurumsal AI benimsemesini son yıllarda BT bütçelerinde en hızlı büyüyen kategori olarak konumlandırıyor. ChatGPT'nin başlattığı dalga, üretken yapay zekayı tek bir ürünün hikâyesi olmaktan çıkarıp pek çok farklı modelin, sağlayıcının ve kullanım modelinin yarıştığı bir pazara dönüştürdü. Anola gibi adı bilinen bir araç hakkında bilgi aramaya başlamak, çoğu Türk işletmesi için tipik bir başlangıç noktası: bir isimden yola çıkıp aslında "şirketim için doğru AI aracı hangisi?" sorusunun cevabına ulaşmak istiyorsunuz.
Bu rehber, Anola'yı bir başlangıç bağlamı olarak ele alıyor ama asıl odağı daha geniş: B2B bir karar verici için yapay zeka aracı seçimi nasıl yapılmalı? Hangi kavramları anlamanız gerekir? Türkçe dil desteği, veri gizliliği ve KVKK uyumu açısından nelere bakmalısınız? Bulut tabanlı bir SaaS mı, API'ler mi, yoksa kendi modelinizi mi çalıştırmalısınız? Bu son senaryoda hangi altyapı gerekiyor?
Anola hakkında doğrulanmamış teknik iddialar yerine ürün-agnostik bir çerçeve sunuyoruz; çünkü AI pazarında ürünler hızla değişiyor ama doğru soruları sormayı bilmek, her dönemde geçerli bir yetkinlik olarak kalıyor.
Yapay zeka araçları için temel kavramlar
Karar vermeden önce ortak bir kavram setine ihtiyacımız var. AI dünyasında pazarlama jargonu çok yoğun; teknik altta yatan kategorileri anlamak, doğru soruları sormanıza yardımcı olur.
Üretken yapay zeka (Generative AI) nedir?
Üretken yapay zeka, mevcut bir veri kümesinden öğrendiklerini kullanarak yeni içerik (metin, görsel, ses, video, kod) üretebilen sistemlere verilen genel addır. Klasik makine öğrenmesi modelleri tahmin yapar veya sınıflandırırken üretken modeller doğrudan üretir. Bu yetenek, B2B süreçlerinde içerik oluşturma, müşteri desteği, kod yazımı, pazarlama yaratıcılığı ve raporlamayı dönüştürdü.
LLM, difüzyon ve multimodal modeller
LLM (Large Language Model), milyarlarca parametreli, metin tabanlı bir üretken model türüdür. GPT-4, Claude, Gemini, Llama, Mistral ve Türkçe için optimize edilmiş bazı modeller bu kategoridedir. Difüzyon modelleri (Stable Diffusion, Midjourney, DALL·E) görsel üretiminde baskındır. Multimodal modeller hem metin hem görsel hem sesi anlayan/üreten yeni nesil sistemlerdir; tek bir API üzerinden farklı modaliteleri birleştirir.
SaaS, API ve self-hosted modeller arası fark
Bir AI aracını üç farklı tüketim modelinde kullanabilirsiniz. SaaS (web arayüzü, mobil uygulama): kullanıcı dostu, en hızlı başlangıç. API: kendi uygulamanıza entegre ederek programatik kullanım. Self-hosted: açık ağırlıklı (open-weight) modeli kendi GPU altyapınızda çalıştırma — en yüksek kontrol, en yüksek operasyonel sorumluluk. Her modelin maliyet, hız, veri gizliliği ve özelleştirme profili farklıdır.
Anola yapay zeka nedir ve ne tür sorunları çözer?
Anola, kullanıcı arayışlarında karşımıza çıkan AI araçlarından biri. Bu bölümde ürün hakkında doğrulanmamış teknik iddialar yapmak yerine, böyle bir aracı (ya da herhangi bir AI aracını) değerlendirirken sorulması gereken yapısal soruları ele alıyoruz.
Hangi modalitelerde çalışır (metin / görsel / ses)
Bir AI aracını değerlendirirken sorulması gereken ilk teknik soru, hangi modalitelerde çalıştığıdır. Sadece metin mi üretiyor? Görsel üretiyor mu? Ses transkripsiyonu yapıyor mu? Multimodal mi (örneğin yüklediğiniz görseli analiz edip metinsel cevap veriyor mu)? İhtiyacınız metin yazımı ile sınırlıysa LLM yeterli; pazarlama görselleri için difüzyon tabanlı bir araç eklemek gerekir.
Tipik kullanım senaryoları
AI araçlarının B2B'de en sık başvurulan senaryoları şu şekildedir: müşteri destek konuşmalarının özetlenmesi, e-posta ve teklif metinlerinin taslaklandırılması, sosyal medya içerik üretimi, ürün açıklamalarının çoklu dile çevrilmesi, dahili bilgi tabanından soru-cevap (RAG mimarileri), kod yazma ve gözden geçirme, satış toplantı notlarının çıkarılması. Anola gibi araçların hangi kombinasyonu hedeflediğini ürünün resmi belgelerinden teyit edin.
Anola'ya alternatif olarak bilinen araçlar
Eğer bir araç ihtiyaçlarınızı tam karşılamıyorsa pazarda çok sayıda alternatif vardır. Genel amaçlı LLM tarafında ChatGPT, Claude, Gemini ön plandadır; açık modellerden Llama 3 ve Mistral kendi altyapınızda çalıştırılabilir. Görsel tarafta Midjourney, Stable Diffusion ve DALL·E; ses transkripsiyonunda Whisper ailesi öne çıkar. Türkçe odaklı bazı yerel araçlar da hızla gelişiyor.
Popüler yapay zeka platformlarının karşılaştırması
| Kategori | Önemli oyuncular | Güçlü yönü | Tüketim modeli |
|---|---|---|---|
| LLM (genel) | ChatGPT, Claude, Gemini | Geniş yetenek, olgun API | SaaS + API |
| Açık LLM | Llama, Mistral, Qwen | Self-hosted, özelleştirilebilir | Self-hosted, API |
| Görsel | Midjourney, SD, DALL·E | Yaratıcı görsel | SaaS / open-weight |
| Ses | Whisper, ElevenLabs | Transkripsiyon, klonlama | API / open-weight |
| Yerli | Çeşitli Türkçe odaklı araçlar | Türkçe doğruluğu, yerel destek | SaaS / API |
ChatGPT, Claude, Gemini (LLM tarafı)
OpenAI'ın ChatGPT'si, üretken AI dalgasının baş aktörü olarak hâlâ en geniş kullanıcı tabanına sahip. Anthropic'in Claude'u, daha güçlü uzun bağlam (long context) yetenekleri ve dikkatli muhakeme ile öne çıkıyor. Google Gemini, multimodal ve Google Workspace entegrasyonları açısından güçlü. Üçü de hem web arayüzü hem API üzerinden tüketilebilir.
Midjourney, Stable Diffusion, DALL·E (görsel)
Midjourney, fotoğrafik kaliteli pazarlama görselleri için en popüler tercih. Stable Diffusion, açık ağırlıklı olması sayesinde kendi sunucunuzda çalıştırılabilir ve özel modeller eğitilebilir; e-ticaret ürün görseli üretimi gibi yüksek hacimli senaryolarda maliyet avantajı sağlar. DALL·E, ChatGPT içine entegre olduğu için iş akışında pratiktir.
Yerli ve Türkçe destekli araçlar
Türkçe metin doğruluğu, küçük modellerde hâlâ uluslararası alternatiflerin gerisinde kalabiliyor; ama büyük modeller (GPT-4 sınıfı ve üzeri) Türkçe'de oldukça yetkin. Yerli sağlayıcıların değer önerisi genelde "Türkçe içerikte özel olarak ince ayar", "Türkiye'de veri saklama" ve "Türkçe destek" üzerine kuruluyor.
AI aracı seçerken dikkat edilmesi gereken kriterler
Türkçe dil desteği ve doğruluk
İngilizce'de mükemmel çalışan bir model, Türkçe'de aynı kaliteyi vermeyebilir. Karar vermeden önce kendi gerçek prompt'larınızla kontrollü bir test yapın: 20-30 tipik kurumsal görev (e-posta yazma, özet çıkarma, çeviri, içerik üretimi) üzerinden A/B karşılaştırması yapmak, demolardan çok daha doğru sonuç verir.
Maliyet modeli (token / abonelik / kullanım)
LLM API'leri tipik olarak 1.000 girdi/çıktı token'ı başına ücretlendirilir. Bir Türkçe kelime ortalama 1,5–2 token'a denk gelir. Kurumsal kullanım hacminde token maliyeti aylık on binlerce TL'ye ulaşabilir; SaaS aboneliği (kullanıcı başına aylık) öngörülebilir olsa da çoğu zaman daha pahalıdır. Hibrit: ucuz toplu görevler için açık model self-hosted, kritik görevler için ticari API.
Veri gizliliği ve eğitim politikası
Sağlayıcının veri politikasını dikkatle okuyun. Gönderdiğiniz veriler modelin eğitiminde kullanılıyor mu? Loglar ne kadar tutuluyor? Hangi ülkede işleniyor? Kurumsal planlarda çoğu sağlayıcı eğitime veri kullanılmadığını taahhüt eder; SaaS bireysel planlarda durum farklı olabilir. Sözleşme öncesi yazılı taahhüt arayın.
Üretilen içeriğin sahiplik ve telif durumu
Üretilen içeriğin telif hakkı ve ticari kullanım izni sağlayıcının kullanım koşullarına göre değişir. Ticari pazarlama, satış teklifi ve marka materyalleri için kullanacağınız içeriğin hukuki sahipliği net olmalıdır. AI üretimi içerik için Türkiye'de henüz oturmuş bir telif rejimi yok; en güvenli yol, sağlayıcı ile kurumsal sözleşme yapmak.
KVKK ve yapay zeka kullanımı
6698 sayılı Kanun çerçevesinde AI sorumlulukları
KVKK kapsamında yapay zeka sistemine giren her kişisel veri, "veri işleme" olarak değerlendirilir. Veri sorumlusu olarak amaç sınırlaması, açık rıza veya başka bir hukuki sebep, asgari veri kullanımı ve saklama süresi prensiplerine uymak zorundasınız. Bir AI aracını "deneme" olarak kullanmak bile bu yükümlülüklerin kapsamındadır.
Promptlara giren kişisel veriler
Pratikte en sık yapılan hata, müşteri verisini, çalışan bilgilerini, satış görüşmelerini doğrudan prompt'a yapıştırmaktır. Eğer model yurt dışı bir SaaS ise bu, sınır ötesi veri aktarımıdır ve KVKK kapsamında ek bir hukuki süreç gerektirir. Anonimleştirme, pseudonymization ve veri minimizasyonu pratikleri prompt seviyesinde uygulanmalıdır.
Yurt dışına veri aktarımı riski
Bulut tabanlı AI servislerinin büyük çoğunluğu ABD veya AB merkezlidir; veriniz fiziksel olarak yurt dışında işlenir. ENISA AI tehdit görünümü yayınları, üretken AI sistemlerinde veri gizliliği ve sınır ötesi aktarım risklerini Avrupa'da öncelikli endişeler arasında sayıyor. KVKK kapsamında bu, ek hukuki süreç gerektirir. Self-hosted modeller veya Türkiye veri merkezinde sunulan GPU bulut çözümleri bu sorunu doğrudan ortadan kaldırır.
Bulut tabanlı AI mı, kendi modelinizi mi çalıştırmalısınız?
SaaS / API ile hız avantajı
SaaS ve API modeli, sıfır altyapıyla saatler içinde başlamanızı sağlar. POC (proof of concept) aşamasında ve düşük-orta hacimde en pratik tercih. Modelin sürekli iyileştirilmesi, ölçeklenmesi ve operasyonu sağlayıcıdadır. Karşılığında token başına ücret ödersiniz ve veri politikasına teslim olursunuz.
Self-hosted ile veri kontrolü
Açık ağırlıklı (open-weight) modeller (Llama, Mistral, Qwen) ile kendi GPU altyapınızda çalıştırma, veri kontrolü konusunda en yüksek seviyeyi sunar. Hassas müşteri verisi, finansal veri veya sağlık verisi içeren senaryolarda tek doğru yaklaşım çoğu zaman budur. Karşılığında GPU altyapısı, MLOps becerisi ve modeli güncel tutma sorumluluğu sizdedir.
Hibrit yaklaşım örnekleri
Pratikte birçok kurum hibrit yaklaşım benimsiyor: hassas olmayan toplu görevler için ticari API'ler, kişisel veri içeren işlemler için self-hosted açık model, içerik üretiminde insan-içeren denetim akışı. Bu hibrit mimari hem maliyet hem uyum açısından dengeli bir tercihtir.
Kendi AI modelinizi çalıştırmak için altyapı
GPU seçimi (NVIDIA H100, L40S, A100)
LLM inference için GPU seçimi modelin parametre sayısına bağlıdır. 7B–13B parametreli modeller tek bir NVIDIA L40S (48 GB vRAM) veya A100 (40/80 GB) üzerinde rahat çalışır. 70B sınıfı modeller için H100 (80 GB) veya çoklu GPU kurulumu (NVLink üzerinden) gerekir. Fine-tuning için ayrıca daha yüksek bellek ve hesaplama gerekir; tipik olarak 4× veya 8× GPU kurulumu.
vRAM, depolama ve ağ gereksinimleri
Modelin tamamı vRAM'e sığmalıdır; 70B FP16 modelin yaklaşık 140 GB vRAM, 4-bit quantize edilmiş halinin yaklaşık 35 GB ihtiyacı vardır. Depolama tarafında NVMe SSD ile en az 1 TB hızlı disk, ağ tarafında 10 GbE veya üzeri tercih edilir. RAG senaryolarında vektör veritabanı (pgvector, Qdrant, Milvus) ek bir bileşendir.
Inference vs fine-tuning kaynak ihtiyacı
Inference (sorgu yanıtlama), modelin tek seferlik bellek ihtiyacını ister. Fine-tuning ise modelin ağırlıklarını güncellediği için optimizer state, gradient ve aktivasyonlar dâhil 4–5 kat daha fazla bellek ister. Fine-tuning için LoRA gibi parametre-verimli yöntemler bu maliyeti dramatik olarak düşürür; ticari uygulamaların büyük çoğunluğunda full fine-tuning yerine LoRA tercih edilir.
Cloud4U Türkiye GPU bulut ile kendi AI çözümünüz
Hangi AI aracını seçerseniz seçin, kişisel veri içeren senaryolarınızda veriyi Türkiye'de tutmak en güvenli yoldur. Cloud4U Türkiye GPU bulut, kendi modelinizi veya açık modelleri Türkiye veri merkezinde, KVKK uyumlu bir altyapıda çalıştırmanızı sağlar.
- Türkiye'de GPU destekli IaaS: NVIDIA tabanlı GPU sunucular, modern LLM ve görsel modelleri çalıştırmak için optimize edilmiş yapılandırmalar.
- KVKK uyumlu veri işleme: Tüm verileriniz İstanbul veri merkezinde, ISO 27001 sertifikalı bir ortamda; sınır ötesi aktarım sorunu yok.
- Fiyatlandırma ve uzman görüşmesi talep edin: Senaryonuza özel model, GPU ve mimari önerisi; Türkçe konuşan AI altyapı uzmanlarıyla doğrudan görüşme.
