Gemini 1 Milyar Kullanıcıyı Geçti — Ama Asıl Haber Çıkarım Maliyetinin Eğitimi Geçmesi

Asıl kırılma: çıkarım, eğitimi geçti

Sektörün son üç yılı "kim daha büyük model eğitecek" yarışıyla geçti. 2026'da denklem değişti.

Gartner'ın verilerine göre çıkarım (inference) harcamaları 2026'da 23,3 milyar dolara ulaşarak ilk kez model eğitimini geride bıraktı.

Bu tek cümle, sektörün ekonomik mantığının yeniden yazıldığı anlamına geliyor:

• Eğitim tek seferlik, büyük ama öngörülebilir bir sermaye harcamasıdır.
• Çıkarım her kullanıcı isteğinde tekrarlanan, kullanımla doğrusal büyüyen bir işletme maliyetidir.

Bir milyar kullanıcı, milyarlarca günlük sorgu demek. Ve her sorgu, GPU ya da TPU üzerinde ölçülebilir bir elektrik ve donanım amortismanı maliyeti üretiyor. Kullanıcı büyümesi artık doğrudan maliyet büyümesi.

Google'ın cevabı: TPU'yu ikiye ayırmak

Google bu ayrımı donanım seviyesine taşıdı. Sekizinci nesil TPU ailesi, iki ayrı amaca özel tasarıma bölündü:

• TPU 8t — eğitim için
• TPU 8i — çıkarım için

Bu, bir mühendislik dipnotundan fazlası. Google'ın artık eğitim hesaplaması ile çıkarım hesaplamasını farklı ekonomik problemler olarak gördüğünün açık kabulü.

Eğitim çipi ham işlem gücü ve bellek bant genişliği için optimize edilir. Çıkarım çipi ise gecikme, enerji verimliliği ve istek başına maliyet için optimize edilir. Aynı silikonla iki işi birden en iyi şekilde yapmak mümkün değil — Google da bu yüzden ayırdı.

195-205 milyar dolarlık soru

Alphabet, 2026 sermaye harcaması tahminini 195 ila 205 milyar dolar aralığına yükseltti. Bu tutarın büyük bölümü, Gemini gibi modelleri çalıştıran altyapıya gidiyor.

Perspektif için: bu rakam birçok ülkenin yıllık bütçesinden büyük. Ve tek bir şirketin, tek bir teknoloji kategorisi için yaptığı yıllık harcama.

Buradan iki farklı okuma çıkıyor:

İyimser okuma: Google, dağıtım avantajını kalıcı bir altyapı hendeğine çeviriyor. Kendi çipini tasarlayıp kendi veri merkezinde çalıştıran bir şirketin istek başına maliyeti, bulut sağlayıcısından kapasite kiralayan rakiplerinden yapısal olarak düşük olur.

Temkinli okuma: Bu ölçekte bir harcama, karşılığında onunla birlikte ölçeklenen bir gelir modeli gerektirir. Ücretli abone dağılımının açıklanmaması tam da bu noktada dikkat çekici.

Rakipler için ne anlama geliyor?

Çıkarım maliyetinin eğitim maliyetini geçmesi, sektörün giriş engelinin yerini değiştiriyor.

Üç yıl önce yapay zeka şirketi kurmanın önündeki engel, sınır model eğitecek sermayeydi. Bugün güçlü açık ağırlıklı modeller mevcut — engel artık milyonlarca kullanıcıya kârlı biçimde hizmet verebilme kapasitesi.

Bu, avantajı model laboratuvarlarından altyapı sahiplerine kaydırıyor. Kendi çipini, kendi veri merkezini ve kendi dağıtım kanalını kontrol eden oyuncular, istek başına maliyette yapısal üstünlük elde ediyor.

Enerji: görünmeyen kısıt

Çıkarım maliyeti tartışmasının çoğu dolar üzerinden yürüyor. Ama asıl darboğaz giderek daha fazla elektrik oluyor.

Bir yapay zeka veri merkezi, aynı büyüklükteki geleneksel bir veri merkezinden kat kat fazla güç yoğunluğuna sahip. Bu, üç yeni kısıt yaratıyor:

• Şebeke kapasitesi. Yeni veri merkezleri için bağlantı izni almak, bazı bölgelerde yıllar süren bir sıraya girmek anlamına geliyor.
• Soğutma. Yüksek yoğunluklu raflar için sıvı soğutma artık opsiyon değil, gereklilik.
• Konum seçimi. Ucuz ve istikrarlı enerjinin bulunduğu yerler, gecikme sürelerinden bağımsız olarak stratejik değer kazanıyor.

Bu yüzden büyük sağlayıcıların enerji anlaşmaları, çip duyurularından daha az konuşuluyor ama en az onlar kadar belirleyici. Çıkarım maliyetini aşağı çeken şey, yalnızca daha iyi çip değil; aynı zamanda daha ucuz megavat saat.

Rakipler ne durumda?

Google'ın 195-205 milyar dolarlık planı tek başına değerlendirilemez. Sektörün diğer büyük oyuncuları da benzer ölçekte altyapı yatırımları yürütüyor. Ortaya çıkan tablo, birkaç şirketin aynı anda tarihsel ölçekte sermaye harcadığı bir yarış.

Bu yarışta üç farklı konumlanma görülüyor:

1. Dikey entegre oyuncular. Kendi çipini tasarlayan, kendi veri merkezini işleten ve kendi dağıtım kanalına sahip olanlar. Google bu grubun en net örneği.
2. Model odaklı laboratuvarlar. Altyapıyı bir bulut ortağından kiralayan, gücünü model kalitesinden alan oyuncular. Marjları, ortaklarının fiyatlandırmasına bağlı.
3. Açık ağırlık ekosistemi. Modeli ücretsiz dağıtıp değeri başka katmanlarda arayanlar. Çıkarım maliyetini kendi üstlenmediği için farklı bir ekonomiye sahip.

Çıkarımın eğitimi geçtiği bir dünyada, birinci grubun yapısal avantajı zamanla artıyor.

Kullanıcı başına gelir sorusu

Basit bir hesap, meselenin neden kritik olduğunu gösteriyor. Bir milyar aylık aktif kullanıcı, ücretsiz kullanıcıların çoğunlukta olduğu bir tabana işaret ediyor. Bu kullanıcıların her sorgusu maliyet üretiyor ama doğrudan gelir üretmiyor.

Bu boşluğu kapatmanın bilinen üç yolu var:

• Abonelik. Ücretli katmana dönüşüm oranı açıklanmadığı sürece bu kalemin büyüklüğü bilinmiyor.
• Reklam. Asistan yüzeyine reklam yerleştirmek, güven ve kullanıcı deneyimi açısından hassas bir alan.
• Kurumsal ve API geliri. En yüksek marjlı kalem, ama tüketici tarafındaki maliyeti tek başına karşılaması zor.

Google'ın avantajı, bu üç kanalın da elinde olması. Dezavantajı, ölçeğin de en büyük olması — yani maliyet tarafının en hızlı büyüdüğü yer de burası.

Takip edilmesi gerekenler

1. Ücretli dönüşüm oranı açıklanacak mı? Bu rakam gelmeden, 1 milyar kullanıcının ticari değeri belirsiz kalır.
2. Çıkarım maliyeti düşüyor mu? Model damıtma, niceleme ve amaca özel çipler istek başına maliyeti hızla aşağı çekiyor. Bu eğrinin eğimi, sektörün kârlılık takvimini belirleyecek.
3. Sermaye harcaması 2027'de de artacak mı? Yatırımcı sabrının sınırı, bu sorunun cevabında saklı.

Gemini'nin 1 milyar kullanıcısı etkileyici bir manşet. Ama yapay zeka sektörünün önümüzdeki iki yılını belirleyecek olan, o kullanıcılara hizmet vermenin gigawatt ve dolar cinsinden maliyeti olacak.

Sık sorulan sorular

Gemini kaç kullanıcıya ulaştı? Google, Gemini uygulamasının 1 milyar aylık aktif kullanıcıyı geçtiğini açıkladı.

Bu kullanıcıların kaçı ücretli? Şirket ücretli abone dağılımını paylaşmadı.

Çıkarım (inference) nedir? Eğitilmiş bir modelin, bir kullanıcı isteğine cevap üretmek için çalıştırılması. Eğitimden farklı olarak her istekte tekrarlanır.

Çıkarım harcamaları ne kadar? Gartner verilerine göre 2026'da 23,3 milyar dolara ulaşarak ilk kez model eğitimini geçti.

TPU 8t ile TPU 8i arasındaki fark ne? 8t eğitim için, 8i çıkarım için tasarlandı. Eğitim çipi işlem gücü ve bellek bant genişliğine, çıkarım çipi gecikme ve enerji verimliliğine göre optimize edilir.