- Katılım
- 13 Ocak 2026
- Mesajlar
- 254
- Tepkime puanı
- 102
- Puan
- 43
Merhaba arkadaşlar, yapay zekâ araçlarının yapabildikleri hızla artarken başka bir soru önemini koruyor: Bu yetenekler şirketlerin gelirine ve kârına ne kadar yansıyor? Apollo Başekonomisti Torsten Slok’un 24 Ekim tarihli değerlendirmesi, büyük teknoloji şirketleriyle S&P 500’ün geri kalanı arasında belirgin bir ayrım olduğunu savunuyor. Yazı, yapay zekânın teknik kapasitesinden çok şirket bilançolarına ve ekonominin geneline yansıyan sonuçlarına bakıyor.
Yedi büyük şirket ile kalan 493 şirket
Slok’un kullandığı karşılaştırma, “Muhteşem Yedili” olarak bilinen büyük teknoloji grubu ile S&P 500’ün kalan 493 şirketini ayırıyor. Değerlendirmeye göre çalışan başına gelir ve kâr marjları ilk grupta yükselirken diğer grupta benzer bir artış görülmüyor. Ekonomist bunu, yapay zekâ getirilerinin henüz geniş şirket kesiminde belirginleşmediği şeklinde yorumluyor.
Burada dikkat etmemiz gereken nokta, S&P 493’ün toplulaştırılmış bir gösterge olması. Bir gruptaki genel eğilim, içindeki her şirketin aynı deneyimi yaşadığını kanıtlamaz. Örneğin bazı firmalar belirli bir işte zaman kazanırken bunun toplam gelir içindeki etkisi küçük kalabilir. Bu açıklayıcı örnek, raporda adı verilen bir firmanın sonucu değil; tekil bir görevdeki iyileşmeyle bütün şirketin finansal performansı arasındaki farkı anlatıyor.
Çalışan başına gelir karşılaştırması; 2019 son çeyreğine göre enflasyondan arındırılmış. Grafik: Apollo Başekonomistliği; veri kaynakları Bloomberg ve Macrobond.
Token gideri neden tek başına başarı ölçüsü değil?
Slok, girişim sermayesi destekli şirketlerin token harcamalarını artırdığını, geleneksel şirketlerin ise en yeni modele aynı ölçüde ihtiyaç duymadığını savunuyor. Ona göre yaygın kurumsal kullanımda bu harcamalar büyüme kaynağından çok kâr marjlarını baskılayan bir maliyet olarak görülmeye başlayabiliyor. Bu, ekonomistin piyasa değerlendirmesi; her işletmenin bütçe kararını gösteren tek tek incelenmiş bir sonuç listesi değil.
Token, modelin işlediği metin parçaları için kullanılan ölçü birimi. Daha fazla token tüketmek daha fazla işlem yapılmasıyla ilişkili olabilir, fakat ortaya çıkan işin şirket için değerli olduğunu kendiliğinden göstermez. Örneğin aynı raporun defalarca yeniden hazırlanması tüketimi artırabilir. Bu örnek varsayımsal; analizin temel sorusunu açıklıyor: Harcama büyürken elde edilen fayda da büyüyor mu?
Daha ucuz modeller neyi değiştirebilir?
Analiz, model maliyetleri düştükçe daha erişilebilir zekânın daha yüksek gelir ve marja dönüşüp dönüşmeyeceğini sorguluyor. Slok’un görüşüne göre ticari başarı yalnızca hesaplama becerisine bağlı değil. Bağlamı değerlendirmek, sorumluluk almak, güven ilişkileri kurmak ve kurum kültürünü anlamak da önemli. Yapay zekânın bu alanlardaki sınırlarına ilişkin ifadeler, yazarın ileri sürdüğü yorumlar olarak okunmalı.
Benim açımdan burada yararlı olan, maliyet tasarrufu ile büyümenin ayrı sorular olduğunu hatırlamak. Bir işi daha ucuza tamamlamak önemli olabilir; buna karşılık müşteriye sunulan ürünün değişmesi veya yeni satış oluşması başka mekanizmalar gerektirir. Bu yüzden bir aracın hızını ölçmekle şirketin toplam gelir etkisini ölçmek aynı değerlendirme değil. Analiz, tartışmayı bu daha geniş sonuca taşıyor.
Verinin kapsamını korumak gerekiyor
Apollo sayfasında kâr marjları, verimlilik ve harcamaların yoğunlaşması için ayrı grafikler de bulunuyor. Slok, yapay zekânın ekonomik etkisinin dar bir kesimde kaldığı sürece sınırlı olacağını düşünüyor. Ancak mevcut göstergelerden gelecekte hiçbir katkı oluşmayacağı sonucu çıkmaz. Aynı şekilde bu yazı, yapay zekâ kullanan her şirketin zarar ettiğini kanıtlamıyor.
Bence haber, teknoloji duyurularındaki başarı puanlarının yanına iş sonucunu da koymamız gerektiğini gösteriyor. Özellikle yeni araçları değerlendirirken zaman, kontrol için harcanan emek ve elde edilen sonuç birlikte düşünülmeli. Bunlar benim değerlendirme önerilerim; Apollo’nun açıkladığı yeni sayısal bulgular değil. Siz iş yerinizde yapay zekâ faydasını daha çok zaman kazancıyla mı, maliyetle mi, yoksa tamamlanan işin kalitesiyle mi ölçüyorsunuz?
Kaynak: Apollo – Torsten Slok’un teknoloji dışındaki şirketlerde yapay zekâ getirisi analizi.
Yedi büyük şirket ile kalan 493 şirket
Slok’un kullandığı karşılaştırma, “Muhteşem Yedili” olarak bilinen büyük teknoloji grubu ile S&P 500’ün kalan 493 şirketini ayırıyor. Değerlendirmeye göre çalışan başına gelir ve kâr marjları ilk grupta yükselirken diğer grupta benzer bir artış görülmüyor. Ekonomist bunu, yapay zekâ getirilerinin henüz geniş şirket kesiminde belirginleşmediği şeklinde yorumluyor.
Burada dikkat etmemiz gereken nokta, S&P 493’ün toplulaştırılmış bir gösterge olması. Bir gruptaki genel eğilim, içindeki her şirketin aynı deneyimi yaşadığını kanıtlamaz. Örneğin bazı firmalar belirli bir işte zaman kazanırken bunun toplam gelir içindeki etkisi küçük kalabilir. Bu açıklayıcı örnek, raporda adı verilen bir firmanın sonucu değil; tekil bir görevdeki iyileşmeyle bütün şirketin finansal performansı arasındaki farkı anlatıyor.
Çalışan başına gelir karşılaştırması; 2019 son çeyreğine göre enflasyondan arındırılmış. Grafik: Apollo Başekonomistliği; veri kaynakları Bloomberg ve Macrobond.
Token gideri neden tek başına başarı ölçüsü değil?
Slok, girişim sermayesi destekli şirketlerin token harcamalarını artırdığını, geleneksel şirketlerin ise en yeni modele aynı ölçüde ihtiyaç duymadığını savunuyor. Ona göre yaygın kurumsal kullanımda bu harcamalar büyüme kaynağından çok kâr marjlarını baskılayan bir maliyet olarak görülmeye başlayabiliyor. Bu, ekonomistin piyasa değerlendirmesi; her işletmenin bütçe kararını gösteren tek tek incelenmiş bir sonuç listesi değil.
Token, modelin işlediği metin parçaları için kullanılan ölçü birimi. Daha fazla token tüketmek daha fazla işlem yapılmasıyla ilişkili olabilir, fakat ortaya çıkan işin şirket için değerli olduğunu kendiliğinden göstermez. Örneğin aynı raporun defalarca yeniden hazırlanması tüketimi artırabilir. Bu örnek varsayımsal; analizin temel sorusunu açıklıyor: Harcama büyürken elde edilen fayda da büyüyor mu?
Daha ucuz modeller neyi değiştirebilir?
Analiz, model maliyetleri düştükçe daha erişilebilir zekânın daha yüksek gelir ve marja dönüşüp dönüşmeyeceğini sorguluyor. Slok’un görüşüne göre ticari başarı yalnızca hesaplama becerisine bağlı değil. Bağlamı değerlendirmek, sorumluluk almak, güven ilişkileri kurmak ve kurum kültürünü anlamak da önemli. Yapay zekânın bu alanlardaki sınırlarına ilişkin ifadeler, yazarın ileri sürdüğü yorumlar olarak okunmalı.
Benim açımdan burada yararlı olan, maliyet tasarrufu ile büyümenin ayrı sorular olduğunu hatırlamak. Bir işi daha ucuza tamamlamak önemli olabilir; buna karşılık müşteriye sunulan ürünün değişmesi veya yeni satış oluşması başka mekanizmalar gerektirir. Bu yüzden bir aracın hızını ölçmekle şirketin toplam gelir etkisini ölçmek aynı değerlendirme değil. Analiz, tartışmayı bu daha geniş sonuca taşıyor.
Verinin kapsamını korumak gerekiyor
Apollo sayfasında kâr marjları, verimlilik ve harcamaların yoğunlaşması için ayrı grafikler de bulunuyor. Slok, yapay zekânın ekonomik etkisinin dar bir kesimde kaldığı sürece sınırlı olacağını düşünüyor. Ancak mevcut göstergelerden gelecekte hiçbir katkı oluşmayacağı sonucu çıkmaz. Aynı şekilde bu yazı, yapay zekâ kullanan her şirketin zarar ettiğini kanıtlamıyor.
Bence haber, teknoloji duyurularındaki başarı puanlarının yanına iş sonucunu da koymamız gerektiğini gösteriyor. Özellikle yeni araçları değerlendirirken zaman, kontrol için harcanan emek ve elde edilen sonuç birlikte düşünülmeli. Bunlar benim değerlendirme önerilerim; Apollo’nun açıkladığı yeni sayısal bulgular değil. Siz iş yerinizde yapay zekâ faydasını daha çok zaman kazancıyla mı, maliyetle mi, yoksa tamamlanan işin kalitesiyle mi ölçüyorsunuz?
Kaynak: Apollo – Torsten Slok’un teknoloji dışındaki şirketlerde yapay zekâ getirisi analizi.