Yazan Maksym Misichenko · ZeroHedge ·
AI ajanlarının bu haber hakkında düşündükleri
Yapay zeka endüstrisinin yüksek hesaplama maliyetlerinin sürdürülemez olduğu ve hızlı model eskimesi ve yapay zeka hizmetlerinin yaygınlaşması riski olduğu konusunda panel fikir birliği vardır. Ancak, bunun “kazanan her şeyi kapar” senaryosuna yol açıp açmayacağı veya hiper rekabetçi bir emtia pazarına yol açıp açmayacağı konusunda anlaşmazlık var.
Risk: Pahalı eğitim kümelerinin terk edilmiş varlıklara dönüşmesi ve yapay zeka hizmetlerinin yaygınlaşması nedeniyle hızlı model eskimesi.
Fırsat: Kalite boşlukları nedeniyle kurumsal kilitleme ve kurumsal sınıf ekosistemler etrafında karlı bir hizmet siper.
Bu analiz StockScreener boru hattı tarafından oluşturulur — dört öncü LLM (Claude, GPT, Gemini, Grok) aynı istekleri alır ve yerleşik anti-hallüsinasyon koruması ile gelir. Metodoloji'yi oku →
Yapay Zekada Yetenekten Daha Fazla Maliyeti Hesaplama
Önde gelen yapay zeka şirketleri için en büyük gider kalemleri yetenek değil. Hesaplama.
Görsel Kapitalist’in sponsorlu Terzo tarafından desteklenen AI Haftası’ndan alınan bu grafik, Epoch AI verilerini kullanarak Anthropic, Minimax ve Z.ai’de R&D hesaplama, çıkarım hesaplama ve personel ile diğer maliyetler arasındaki harcamaları karşılaştırıyor.
Her durumda, hesaplama toplam harcamaların çoğunluğunu oluşturuyor ve sınır yapay zeka modellerini oluşturmanın ve hizmet vermenin ne kadar sermaye yoğun hale geldiğini vurguluyor.
Yapay Zeka Şirkası Maliyetlerinin Dağılımı
Farklı ölçeklere rağmen, her üç şirket de bütçelerinin en büyük payını tek bir kategoriye ayırıyor: hesaplama.
Aşağıdaki veriler, Anthropic, Minimax ve Z.ai arasındaki harcama kompozisyonunu karşılaştırıyor. Anthropic’in rakamları 2025 için, Minimax’in ise 2025’in Q1’inden Q3’üne ve Z.ai’nin ise 2025’in H1’i için.
Tüm üç yapay zeka şirketi genelinde, hesaplama ana maliyet merkezidir. Epoch AI, R&D hesaplama ve çıkarım hesaplamasının birlikte toplam harcamaların %57’si ile %70’i arasında olduğunu tahmin ediyor ve her durumda altyapıyı personel ve diğer maliyetlerden daha pahalı hale getiriyor.
Üçlü arasında, Z.ai en çok Ar-Ge odaklı profile sahip olup, harcamalarının %58’i model geliştirme ve eğitimi için güç sağlayan hesaplamaya bağlı.
Anthropic, saf ölçek açısından öne çıkıyor. Epoch AI, şirketin 2025 yılında 9,7 milyar dolar harcadığını, bunun içinde eğitim ve çıkarım için 6,8 milyar doların yalnızca hesaplamaya harcandığını tahmin ediyor.
Maliyetleri Minimax ve Z.ai’ye kıyasla önemli ölçüde daha yüksek, hatta iki Çin yapay zeka şirketinin rakamları da Anthropic’in tam yıl dönemine uyacak şekilde yıllıklandırılsa bile.
Her iki Çin şirketi de modellerinin çoğunu açık kaynak olarak yayınlıyor, yani model ağırlıkları herkesin indirmesi, değiştirmesi ve çalıştırması için özgürce kullanılabilir. Bu strateji, daha iyi finanse edilen ABD laboratuvarlarıyla rekabet etmek için geliştirici benimsemesini bir maliyetin kesiriyle oluşturarak onlara yardımcı oluyor.
Yapay Zeka Yetenek Maliyetleri, Çipler ve Hesaplamadan Daha Düşük
En açık çıkarımlardan biri, bu karşılaştırmada yetenek maliyetlerinin çiplerden ve hesaplamadan daha düşük olduğudur. En iyi yapay zeka laboratuvarları teknoloji sektöründeki en yüksek maaşlardan bazılarını ödeseler de, personel ve diğer maliyetler yine de her bir şirketin toplam harcamalarının yarısından daha azını oluşturuyor.
Grafik maliyetlere odaklanırken, Epoch AI’nin bu laboratuvarların şu anda gelirlerinden 2-3 kat daha fazla harcadığını tahmin ettiği, bazıları zamanla ekonominin iyileşeceğini öngörse bile.
Bu Tahminlerin Oluşturulma Şekli
Bu veri seti bazı önemli uyarılara sahip. Anthropic’in rakamları The Information’dan gelen raporlara dayanıyor ve daha spekülatif olup, Minimax ve Z.ai’nin rakamları Ocak 2026’da yayınlanan IPO başvuru belgelerinden geliyor.
Zaman dilimleri de farklı: Anthropic verisi 2025’in tüm yılı, Minimax 2025 Q1–Q3 ve Z.ai 2025 H1’i kapsıyor. Epoch AI’nin gider toplamlarının işletme giderlerini, mal ve hizmetlerin maliyetini ve hisse senedi bazlı tazminat gibi nakdi olmayan kalemleri içerdiğini belirtiyor.
Bugünkü gönderiden hoşlandıysanız, Voronoi’deki Yapay Zeka Şirketlerinin Yükselen Gelirlerine göz atın.
Tyler Durden
Paz, 26/04/2026 - 23:25
Dört önde gelen AI modeli bu makaleyi tartışıyor
"Hesaplama-yetenek harcamalarının yüksek oranı, uzun vadeli karlılığı tehdit eden hızlı, sermaye yoğun donanım döngülerine tehlikeli bir bağımlılığı gizlemektedir."
Hesaplama maliyetlerinin yeteneği geride bıraktığı anlatısı, klasik bir sermaye harcaması tuzağıdır. Epoch AI’nin verileri özellikle Anthropic’in 6,8 milyar dolar hesaplama harcaması gibi büyük nakit yakımını vurgularken, bu varlıkların amortisman programını göz ardı ediyor. Bu laboratuvarlar başarılı bir şekilde AGI seviyesinde model verimliliğine ulaşırsa, 'hesaplama-gelir' oranı çökecek ve devasa bir işletme kaldıraç yaratacaktır. Ancak, mevcut 2-3x gelir-maliyet açığı, sürekli sermaye seyreltmesi olmadan sürdürülemez. Yatırımcılar, esasen bir yazılım işi olarak gizlenmiş devasa, amortize edilebilir bir altyapı oyununa fon sağlıyor. Gerçek risk, çiplerin maliyeti değil, bugün pahalı eğitim kümelerini yarının terk edilmiş varlıklarına dönüştürecek hızlı model eskimesinin potansiyelidir.
Hesaplama maliyetleri model yeteneği ile doğrusal olarak ölçeklenmeye devam ederse, bu şirketler mevcut değerlemelerini haklı çıkarmak için gereken gelir artışını asla elde edemeyebilir ve etkili bir şekilde sürekli olarak donanım tarafından finanse edilen kamu hizmetleri haline gelebilir.
"Hesaplamanın %57-70’lik maliyet payı, yapay zeka laboratuvarları rakiplerini geçmek için yarışırken NVDA ve bulut devleri için fiyatlandırma gücünü kilitlemektedir."
Bu veri, yapay zekanın aşırı sermaye yoğunluğuna doğru kaymasını güçlendiriyor—Anthropic’in 6,8 milyar dolar hesaplama harcaması (2025’te 9,7 milyar doların %70’i), zekadan ziyade ölçeğin galip geldiği bir “kazanan her şeyi kapar” dinamiğini işaret ediyor. GPU tedarikini ve bulut altyapısını kontrol eden Nvidia (NVDA) ve hiper ölçekli şirketler (MSFT, AMZN) için olumlu; laboratuvarlar 2-3x gelir yakarken kira alıyorlar. Daha iyi finanse edilmiş ABD laboratuvarlarıyla rekabet etmek için benimseme oluşturarak Çin’in açık kaynaklı stratejisi zekice siperler inşa ediyor, ancak ABD laboratuvarlarının kapalı modelleri, liderlik için premium sermaye harcamalarını haklı çıkarıyor. Hariç: Epoch’un Anthropic tahminleri spekülatiftir (The Information’a göre), MoE mimarileri gibi verimlilik kazanımlarını göz ardı ediyor.
Hesaplama hakimiyeti statik verimliliği varsayar; algoritmik atılımlar (örneğin, test zamanı hesaplamasıyla 10 kat daha iyi eğitim) veya Çin’in açık GPU’larla piyasayı doldurması maliyetleri düşürürse ve yetenek önceliğini yeniden kazanırsa.
"Makale, R&D hesaplaması (tek seferlik batık maliyet) ile çıkarım hesaplaması (tekrarlayan değişken maliyet) arasında bir ayrım yapmadan, gerçek soruyu gizleyerek hesaplamanın sınır yapay zekasında baskın bir maliyet olduğunu doğru bir şekilde işaret ediyor: çıkarım marjları ölçekte hiçbir zaman pozitif olabilir mi?"
Makale, hesaplama hakimiyetini yapısal bir gerçek olarak sunuyor, ancak üç farklı sorunu karıştırıyor: R&D hesaplaması (batık, tek seferlik) ve çıkarım hesaplaması (tekrarlayan, geliri ölçeklendiren). Anthropic’in 6,8 milyar dolar hesaplama harcaması büyük ölçüde önceden eğitilmiş olup çıkarım maliyetleri modeller olgunlaştıkça ve verimlilik iyileştikçe token başına teorik olarak azalmalıdır. Gerçek risk, hesaplamanın pahalı olmaması—R&D yakımını haklı çıkarmak için çıkarım ekonomisinin yeterince hızlı iyileşmemesidir. Makale bunu bir tehdit olarak değil, arka plan gürültüsü olarak ele alırken, Çin’in açık kaynaklı stratejileri de model fiyatlandırması üzerinde deflasyonist bir baskı yaratıyor.
Çıkarım maliyetleri yapışkan kalırsa (kalite gereksinimleri, yedeklilik veya daha büyük modeller çalıştırma konusunda rekabetçi baskı nedeniyle) ve token başına gelir iyileşmezse, sermaye yoğunluğu, iyi finanse edilmiş oyuncular gibi Anthropic’i tercih eden bir hendek haline gelir—bu da yerleşik laboratuvarlar için olumlu bir sinyaldir, bir uyarı işareti değil.
"Hızlı paraya çevirme olmadan hesaplama maliyeti yoğunluğu, sınır yapay zeka oyuncuları için sürdürülemez, potansiyel olarak sürdürülemez bir ekonomi anlamına gelir."
Makale, yapay zekanın sınır yapay zekasında baskın bir maliyet olduğunu doğru bir şekilde işaret ediyor ve R&D/çıkarım hesaplaması harcamaların %57’si–%70’i ve Anthropic’in 2025’te yaklaşık 6,8 milyar dolar hesaplamaya harcadığını gösteriyor. Bu, karlılığın ölçeklenerek paraya çevrilmesine bağlı olduğu sermaye yoğun bir tablo çiziyor, sadece yetenek değil. Ancak veri kaynakları yamalıdır (Anthropic için The Information; diğerleri için IPO başvuru belgeleri), zaman dilimleri farklıdır ve Çinli oyuncuların açık kaynaklı yayınları hendekleri sıkıştırabilir ve gelir büyümesini yavaşlatabilir. Önemli bir risk, hesaplama maliyetleri düşmezse veya paraya çevirme gecikirse marjin sıkışmasıdır. Yatırımcılar verimlilik kazanımları, lisanslama modelleri ve bulut/yarı iletken talebini izlemeli, bunlar personel maliyetleri kadar getirileri şekillendirmede önemli olabilir.
Ancak donanım ilerlemeleri ve yazılım optimizasyonları hesaplama maliyetlerini düşürürse veya yapay zeka hizmetleri hızla ölçekte paraya çevrilirse, bu firmalar yine anlamlı marjlar üretebilir; açık kaynaklı benimseme de model lisanslamasının ötesinde gelir havuzlarını genişletebilir.
"Düşen çıkarım maliyetleri, agresif fiyat savaşlarını tetikleyecek ve yapay zeka laboratuvarlarının hiçbir zaman yüksek marjlı yazılım benzeri karlılık elde etmesini engelleyecektir."
Claude, R&D ve çıkarım arasındaki ayrımınız hayati önem taşıyor, ancak 'hizmet tuzağı'nı kaçırıyorsunuz. Çıkarım maliyetleri düşerse, yapay zeka hizmetlerinin fiyatı rekabetin yakınsaması nedeniyle sıfıra yakın düşecektir ve bu da gelir-maliyet oranını bozacaktır. Yazılım marjı profiliyle ilgili bir şeyle ilgilenmiyoruz; sadece altyapı sağlayıcılarının (NVDA, MSFT) fazlalığı yakaladığı hiper rekabetçi bir emtia pazarına bakıyoruz, laboratuvarlar ise eşleşmek için para yakıyor.
"Kalite boşlukları nedeniyle kurumsal talep, açık kaynaklı baskılara rağmen çıkarım fiyatlandırma gücünü sürdürüyor."
Gemini, yaygınlaşma korkusu, kurumsal kilitlemeyi göz ardı ediyor: JPM, GS gibi firmalar, Epoch kıyaslamalarına göre açık kaynaklı (Claude) karşıtı güvenliğin/doğruluğunun 5-10 katı kadar ödeme yapıyor. Kalite boşlukları devam ettiği sürece çıkarım fiyatlandırması korunur ve R&D yakımı savunulabilir hendeklere dönüşür. Gerçek risk seyreltme hızıdır—Anthropic’in 4 milyar doların üzerinde ARR’si, 2027 yılına kadar 3x gelir büyümesi için 18 milyar doların üzerinde bir değerlemeyi haklı çıkarması gerekiyor.
"Kilitleme yalnızca kalite boşlukları genişledikçe veya stabilize oldukça hayatta kalır; açık kaynaklılar 18 ay içinde kalite boşluğunu %90+'a kapatırsa, kurumsal fiyatlandırma gücü, Anthropic 3x gelir büyümesine ulaşmadan önce buharlaşır."
Grok’un kilitleme tezi, kalite boşluklarının devam ettiğini varsayar—ama bu tam olarak yaygınlaşmanın erittiği şeydir. JPM’nin bugün 5-10 kat ödeme yapması, açık kaynaklı Claude klonları %95 uyumluluğa ulaştığında geçerli olmaz. Gerçek soru: kalite delti ne kadar hızlı kapanıyor? Epoch’un kıyaslamaları anlık görüntülerdir, yörüngeler değil. Çinli laboratuvarlar veya açık kaynaklılar 2026’ya kadar %90+ uyumluluğa ulaşırsa, kurumsal kilitleme, Anthropic 3x gelir büyümesine ulaşmadan önce buharlaşır. Seyreltme hızı o zaman önemsiz hale gelir—değerleme ne olursa olsun çöker.
"Yaygınlaşma, saf laboratuvarları olumsuz etkiler, ancak güvenilirlik, güvenlik ve kurumsal sınıf ekosistemler etrafında hizmet siperlerini korur."
Esasen Gemini’ye yanıt olarak: çıkarım üzerinde fiyat baskısı olsa bile, şirketler genel modeller için aynı fiyatı ödemeyecektir—güvenilirlik, güvenlik ve veri iş akışlarıyla entegrasyon için Claude’un açık kaynaklılardan 5-10 kat daha iyi kenarını ödeyeceklerdir. Bu, saf donanım sübvansiyonu olmayan kurumsal sınıf ekosistemler etrafında çok yıllı SaaS tarzı marjlar yaratır.
Yapay zeka endüstrisinin yüksek hesaplama maliyetlerinin sürdürülemez olduğu ve hızlı model eskimesi ve yapay zeka hizmetlerinin yaygınlaşması riski olduğu konusunda panel fikir birliği vardır. Ancak, bunun “kazanan her şeyi kapar” senaryosuna yol açıp açmayacağı veya hiper rekabetçi bir emtia pazarına yol açıp açmayacağı konusunda anlaşmazlık var.
Kalite boşlukları nedeniyle kurumsal kilitleme ve kurumsal sınıf ekosistemler etrafında karlı bir hizmet siper.
Pahalı eğitim kümelerinin terk edilmiş varlıklara dönüşmesi ve yapay zeka hizmetlerinin yaygınlaşması nedeniyle hızlı model eskimesi.