Yapay Zeka Araştırmasının Geleceği: Tariflerden Meal Kit'lere

Temel özet (TL;DR)

• Yapay zeka makalelerindeki patlama = ilerleme + aynı anda ‘Noise Tax’

  • 2013 → 2023 yıllık yapay zeka makalesi: ~102.000 → ~242.000
  • Aynı dönemde CS makaleleri içinde yapay zekanın payı: %21,6 → %41,8

• Makale sayısı arttıkça eleme/yeniden üretme/operasyon maliyeti patlıyor

  • Daha çok okunuyor ama ürün daha az stabil oluyor
  • SOTA peşinde koştukça yeniden üretilebilirlik ve işletilebilirlik düşüyor

• Makaleyi production'a taşırken 4 başarısızlık modu neredeyse her zaman ortaya çıkıyor

• Bu yüzden 2026 sinyali basit:
  DIY (tarifi uygulama) ↓ / Packaging (meal kit) ↑

  • “Makaleyi okuyup uygulamak” yerine doğrudan dağıtıma hazır birimler kazanıyor
  • NVIDIA NIM / SLM / Ollama gibi paketlemeler standardizasyon akışı oluşturuyor

---

Problemin tanımı: Yapay zeka makaleleri birer ‘Michelin tarifi’dir

Yazar, yapay zeka araştırma makalelerini Michelin şefinin tarifine benzetiyor.
Sorun tarifin kendisi değil. Sadece bizim mutfağımız farklı.

Makaleler kusursuz bir mutfakta hazırlanıyor.

• H100 kümesi
• Temizce rafine edilmiş veri setleri
• Deney ortamına optimize edilmiş gizli hileler

Ama bu tarif sahaya indiğinde (on-prem/legacy/compliance/operasyon), aynı durum tekrar ediyor.

---

Makaleden production'a: 4 başarısızlık modu

1) Broken Utensils (altyapı)

• Makale sonuçları binlerce H100 ölçeği baz alınarak çıkıyor

• Gerçek dünyada ise küçük GPU'lar / sınırlı VRAM / kısıtlı ağ var

• Sorun “performans biraz düşüyor” değil
  → olgunun kendisi ortaya çıkmıyor

• Yaygın belirtiler:

  • “Çalışıyor gibi ama beklenen davranış yok”
  • Pipeline tamamlanıyor ama promised behavior ortaya çıkmıyor

2) Spoiled Ingredients (veri)

• Makaleler rafine edilmiş veri varsayar

• Sahadaki veri ise şunlardan oluşur:

  • loglar, taranmış PDF'ler, legacy belgeler, şema değişimleri, belirsiz kaynaklar

• RAG/çıkarım, yapı·dayanak·tutarlılık bozulduğunda doğrudan halüsinasyona gider

• Daha tehlikeli olan ise şu:

  • akıcı olduğu için daha kolay inanılır
  • “normal görünüyor ama yanlış” olan şey en pahalısıdır

3) Missing Salt (mühendislik detayları)

• “Season to taste” bölümü en büyüğüdür

• Gerçek farkı yaratan yerler:

  • başlatma / scheduler / 0,001 seviyesinde ince ayar / prompt şablonları

• Bunlar 8 sayfalık bir makaleye sığmaz

• Pratikte sonuçları belirleyen de sonunda burasıdır:

  • Sonucu belirleyen şey tarif değil, gizli baharatlar (yeniden üretim koşulları) olur

4) Responsibility Gap (sorumluluk)

• İşler başarısız olunca sonuç şu olur:

  • “Matematik doğru. Sorun senin ortamında.”

• Bu boşluğun sorumluluğu downstream'e iner
  → Sonunda oklar makaleyi okuyup bunu öneren kişiye döner.

• Arıza ya da denetim geldiğinde bu artık “bizim yaptığımız sistem” olur

---

2 yapısal sınır: DIY'den vazgeçiren nedenler

A) Paper Explosion = Noise Tax

Makale sayısı arttıkça eleme maliyeti patlıyor.

• Daha çok okunuyor ama ürün daha az stabil oluyor
• SOTA peşinde koştukça işletilebilirlik düşüyor
• Bu bir “bilgi bolluğu” değil, “seçim maliyeti”

B) Sermayenin yön değişimi: ‘makale’ → ‘operasyon’

Para, “yeni tariflere” değil, işletilebilir paketlere kayıyor.
Yatırım sorusu değişti.

• demo mu, operasyon mu
• maliyet/gecikme/gözlemlenebilirlik/denetim mümkün mü

Operasyon riski genelde şu 3 başlıkta toplanıyor:

• Maliyet riski: PoC çalışıyor ama operasyonda patlıyor
• Güven riski: dayanak/kaynak bozulursa yanıt kulağa makul gelse de tehlikelidir
• Sorumluluk riski: arıza ya da denetim gelirse sorumluluk bize kalır

---

2026'nın en güçlü sinyali: Packaging

AI Meal Kit = Ready-to-deploy + başarısızlık sorumluluğu sınırı tanımlı dağıtım birimi

Yani 2026'nın vardığı sonuç şu:

Packaging beats ingenuity.

4 pazar sinyali

Signal #1) NVIDIA NIMs

• Model ayarları/bağımlılıklar/optimizasyonlar container içinde sabitleniyor
• Toolchain hakkında tahmin yürütme ihtiyacı azalıyor
• Gizli baharatlar içine dahil edilmiş durumda
• Mesaj şu: “Tune less. Run more.”

Signal #2) SLMs

• “Mutfağa uygun tarifler” artıyor
• local/edge operasyona uygunluk yükseliyor
• Yönelim: bounded / predictable / cheaper to operate

Signal #3) AI in a Box

• Sunucu artık bir “parça” olarak değil, “bitmiş ürün” olarak satılıyor
• RAG/güvenlik/varsayılan ayarlar dahil geliyor
• Etkisi: boşluğun sorumluluğunu kimin taşıdığına dair bir sınır oluşuyor

Signal #4) Ollama / LM Studio

• Ortam kurulumunun zorluğu hızla düşüyor
• Operatör sayısı artıyor
• Operatör arttığında piyasa her zaman şu yöne gider: standardizasyon hızlanır

---

Uygulama açısından: hemen bakılacak göstergeler

• Compute Fit: hedef performans “bizim GPU/VRAM” üzerinde yeniden üretilebiliyor mu?
• Data Fit: giriş verisi “yapı/dayanak/kaynak” bütünlüğünü koruyor mu?
• Hidden Salt: yeniden üretim için gereken script/prompt/tuning değerleri sürüm sabitli mi?
• Owner: işler bozulduğunda sorumluluk yüzeyi nerede? (bizde mi? vendorda mı? pakette mi?)
• Ops: gözlemlenebilirlik (log/metric), rollback, maliyet üst sınırı, denetim tasarımın içinde mi?

---

Sonuç

2026'da “daha akıllı modeller”den çok
“daha az patlayan dağıtım birimleri” kazanacak.

Makaleler gelmeye devam edecek ama pazar paketlenmiş zekayı satın alacak.
Ekiplerin de seçim yapması gerekiyor.

• tarif uygulamaya devam mı edilecek
• yoksa meal kit seviyesinde paketleme/operasyona mı geçilecek

One-liner

“Makaleler fikir satar, pazar ise operasyon satın alır.”

[cgl00]

Peki ama iş dünyasında makalelere bakıp doğrudan kendileri uygulayıp kullanan örnekler zaten var mıydı..?

[flamehaven01]

Var. Ancak çoğu durumda insanlar makaleyi okuyup sıfırdan yapmak yerine, açık kaynak referans implementasyonlarının izinden gidiyor gibi görünüyor.
Bu aralar yapay zeka tarafında sıcak bir makale çıkar çıkmaz POC’ler de yağmur gibi geliyor; ama iş production’a gelince veri/altyapı/tuning yüzünden “çalışıyor ama beklenen tadı” vermediği durumlar çok oluyor gibi.
Bu yüzden de son dönemde vLLM, Ollama gibi paketlenmiş stack’lere yönelim varmış gibi bir his oluşuyor.