Uber, Claude Code’a 2026 yapay zeka bütçesinin tamamını 4 ayda harcadı

• Uber, Claude Code ve Cursor kullanımını genişletince 2026 yapay zeka bütçesinin tamamını yalnızca 4 ayda tüketti; üretkenlik deneyi doğrudan bütçenin yeniden gözden geçirilmesi sorununa dönüştü
• Uber CTO’su, mühendis başına aylık API maliyetinin 500 ila 2.000 dolar seviyesinde olduğunu açıkladı ve mühendislerin %95’inin her ay yapay zeka araçları kullandığını belirtti
• Uber’de commit edilen kodun %70’i yapay zekadan kaynaklandı; yapay zeka kodlama araçları mühendislik iş akışının temel parçası haline geldi
• Claude Code, 2025 Aralık’ta mühendislik ekibine dağıtıldıktan sonra çok aşamalı görev yeteneğiyle öne çıktı; kullanım 2026 Şubat’a kadar iki katına çıktı ve Nisan’da yıllık bütçenin tamamı tükendi
• Cursor kullanımındaki artış duraklarken baskın araç Claude Code oldu; Uber de yıllık 3,4 milyar dolar Ar-Ge harcaması içinde yapay zeka kodlama araçlarının maliyetini yeniden hesaplamak zorunda kaldı

---

Yaygınlaştırma ve bütçeyi yeniden gözden geçirme

• Uber’de Claude Code ve Cursor kullanımı hızla artarken, maliyetler sert biçimde yükselse de mühendisler bu iki aracın değerini o kadar yüksek gördü ki kullanmayı bırakmaları zorlaştı
• 2025 Aralık’ta Claude Code erişimi mühendislik ekibine açıldı ve çok aşamalı görev yeteneği doğrulanınca kullanım 2026 Şubat’a kadar iki katına çıktı
• 2026 Nisan’ında maliyetler yıllık yapay zeka bütçesinin tamamını tüketince, yönetim beklenmedik kararlar almak zorunda kaldı
• Uber CTO’su, şirketin yapay zeka bütçe planlamasında “back to the drawing board” noktasına döndüğünü söyledi

Araç bazında kullanım değişimi

• Cursor, benimsenme yarışındaki bir diğer büyük araçtı ancak kullanım artışı durakladı
• Claude Code, mühendislik iş akışında baskın araç haline geldi
• Üretkenlik deneyi olarak başlayan benimseme hızla büyüdü ve şirket içi mühendislik işlerinde yapay zeka araçlarının kullanımı tam anlamıyla yaygınlaştı

Maliyet baskısının anlamı

• Uber’in beklenmedik bütçe tükenişi, yapay zeka araçlarının mühendislik üretkenliği açısından ne kadar değerli görüldüğünü gösteriyor
• Yapay zeka araçlarının rolü, erişimi kısıtlamanın bile verimsiz hissettireceği kadar büyümüş durumda
• Daha fazla geliştirici Claude Code’u benimsedikçe, diğer şirketlerin de benzer etkiler yaşıyor olması muhtemel
• Yazılım şirketleri, geliştirme hızını korurken maliyetleri yönetme baskısıyla karşı karşıya kalacak
• Geliştirici üretkenliği araçları o kadar değerli kullanıldı ki mühendisler tüm bütçeyi 4 ayda tükettiyse, sonuç araçların kendisinde değil, bütçenin benimsenme eğrisini öngörmek için fazla erken oluşturulmuş olmasında yatıyor

[picopress]

Savurganlık keyfi

[GN⁺]

Hacker News görüşleri

• Şirket harcamalarına ayda bir kadar bakınca, giderek daha fazla kişinin aylık $1k token maliyeti çıkardığını görüp bunun nasıl mümkün olduğunu anlamakta zorlanıyorum
  LLM’leri her gün kullansanız, en pahalı modeli derin düşünme moduyla çalıştırsanız bile genelde üst sınır $200~$400 oluyor. Kullanıma karşı çıkan bir Luddite değilim; sadece ayda bu kadar parayı sorumlu biçimde nasıl yakabildiklerini anlamakta zorlanıyorum. Ayda $5k~$10k harcayan birileri bunun nasıl $50k~$100k değere dönüştüğünü gösterse keşke. Şirket açısından bakınca, yıllık $100k token harcamasını gerekçelendirmektense ayda $100~$200 harcayıp üretken olan genç bir mühendisi işe almak daha mantıklı görünüyor

  • Parayı bu kadar “sorumlu” biçimde yakmanın genelde üç yolu var gibi görünüyor. Yeni başlayanlar, uzun konuşmaları yeniden kullanma yüzünden bağlam sıkıştırması ya da özet kontrol noktaları oluşturmuyor ve ajan “eğitildi” diye hissettiren dev tek bir konuşmayı sürükleyip duruyor
    Orta seviye kullanıcılar “5 alt ajan başlat, farklı açılardan çözümü analiz edip özetlesinler” gibi kalıpları öğrendikten sonra buna kolayca bağımlı olabiliyor. Bu başlı başına kötü bir alışkanlık değil ama dikkat edilmezse krediyi ciddi biçimde aşabiliyor. Ustalar ise 10 görev ağacını sürekli paralelde çalıştırıp ajan yanıtları arasında aşırı çoklu görev yaparak maliyetleri katlanarak artırabiliyor
  • Birincisi, bariz sebep şu: “Şirket izin veriyorsa israf edilir.” Buna bağlamı sık sık temizlememek ya da sıkıştırmamak da dahil. Opus’un 1M bağlam penceresi artık var ve 200K’ye kadar kalite de fena değil; dolayısıyla temizleyene kadar her sorguda çok token yakılıyor
    Büyük kod tabanları ya da karmaşık problemler de büyük etken. Ekibe yeni katılmış ve bilmediğiniz çok yer varsa, bir görev aldığınızda Claude’a ilgili kodu buldurup mevcut akışı anlamasını sağladıktan sonra değişiklik denetirsiniz. Uzmanlığınız daha az birikir ama Claude ile 5 gün sürecek işi 1 günde bitirebiliyorsanız ve herkes bunu yapıyorsa geri kalamazsınız. Ben de bu yüzden 1 gün yerine 2~3 günde bitirip biraz da kodu kendim görmeye çalıştığım orta yolu seçiyorum. Özellikle AI yüzünden kod değişim hızı çok arttığı için, pull request’leri LLM’e derinlemesine anlattıran bir araç da yaptım. Amaç reviewer olmak değil, takımın işini takip edebilmek. LLM’leri nasıl daha iyi kullanacağımı henüz ciddi ciddi düşünmedim bile; kod tabanına daha aşina olsaydım muhtemelen çok daha fazla kullanırdım. Darboğaz hâlâ doğru test ve review. Daha az önemli şirket içi kodda ya da kişisel kodda ise işi neredeyse tamamen AI’ye bırakıyor gibiyim ve “superpowers” becerisini kullanınca temel işlevlerde bile çok token yakılıyor. Genelde 20~40K token ile başlayıp sonunda 80~90K token’a çıkıyor; yani tamamlanmadan hemen önceki birkaç istekte neredeyse 80K token gönderilmiş oluyor. İsraf, ama parayı başkası ödüyorsa böyle oluyor
  • Claude Code’un sorunlar için inanılmaz derecede token verimsiz çözümler seçtiğini gördüm. Karmaşık bir makine öğrenimi/tahmin problemini birden fazla ajana böldüm; her ajan Jupyter notebook kullandı, çalıştırdı ve okudu
    Başta sorun yoktu ama bir ajan hücre çıktısına yüz binlerce satır yazıp 500MB’lık bir ipynb dosyası oluşturdu ve Claude bunu defalarca okumaya çalışınca tüm bağlam sınırı bitti. Çözüm, CLI analiz betikleri ve araştırma sonuçları klasörüyle daha iyi bir çalışma yapısı kurmaktı; ama planı ve tasarımı operatör olarak benim yapmam gerekti. Ayda $10k token harcayanların, sorunları Claude Code denen pahalı çekici kullanarak tembelce çözmeye bıraktığını düşünmemek zor. Mesela her gün Claude’a tüm e-postaları okutmak gibi; oysa daha akıllıca çözüm önce e-posta gövdesindeki HTML gürültüsünü temizlemek olurdu
  • Çok şey, üzerinde çalıştığınız depoya bağlı. Gerçekten çok büyükse ve özellikle de çok sayıda araç içeren özel framework’ler ve API dokümantasyonu referans alınmak zorundaysa, büyük bağlam penceresi gerekiyor ve tokenlar çok daha hızlı tükeniyor
    Tersine, küçük bir kod tabanıysa ya da modelin eğitildiği yaygın framework’ler kullanılıyorsa, daha küçük bağlam penceresiyle de çok iş yapılabiliyor ve token kullanımı çok daha düşük oluyor
  • Maliyetten çok kota tarafını da anlamakta zorlanıyorum. 200 avroluk ChatGPT planındayım, herhalde en yüksek kota odur; en pahalı model, en yüksek muhakeme ve hızlı mod ile bütün gün neredeyse sadece ajan programlama yapsam bile sınıra yaklaşmıyorum
    Kodlama ajanlarını kullanmaya başladığımdan beri sınıra en çok, aynı koşullarda çapraz platform geliştirmeyi aynı anda 3 bilgisayarda yaptığımda yaklaşabildim; onda da ancak haftalık limite neredeyse değmiştim. Normalde limitin yaklaşık %20’sine kadar iniyorum ama daha aşağısı pek olmuyor. Eğlencesine çok sayıda prompt ve sorgu atıyorum ama daha fazla nasıl harcanır bilmiyorum

• Şu anda bunu AI’ye yazıyor olduğumun farkındayım ama “şirketin bu düzeyde üretkenliği ölçekli biçimde kaldırıp kaldıramayacağını anlamaya çalışmak” lafı garip geliyor. Gerçekten üretkense, gelir artar ve kaldırıp kaldıramama diye bir mesele kalmaz

  • Aynen. Üretkenlik tanım gereği bir şey, tercihen değerli bir şey üretir. Mesele, chatbot için yapılan ek harcamanın o değeri üretip üretmediği. Uber bu dev bütçe aşımı sayesinde dramatik biçimde daha verimli ve etkili mi oldu, yoksa insanlara aynı işi yapmanın parlak ama pahalı bir yolunu mu verdi, asıl soru bu
  • Gelir arttı. Meta’nın son sonuçlarına bakarsanız bu ekonomik ortamda bile gelir +33%. Kaldırabilmek sorun değil; Meta gibi şirketlerin mühendis başına günde $1k token harcanmasına pek aldırmamasının bir nedeni var. Çalışan başına kazandırdıkları paraya kıyasla o kadar da büyük bir tutar değil
  • Geliştiricilerin yaptığı her değişiklik geliri artırmaz, geliri artıran değişikliklerde de genelde zaman gecikmesi vardır
  • Karşı tarafın argümanını en iyi hâliyle ele alırsak, rakiplerin de aynı araçları kullanıp aynı üretkenlik artışını elde etmesi bir karşı örnek olabilir
  • Doğru kullanılırsa gerçekten aşırı üretken. Seneye bu benzer AI modellerinin ne kadar akıllı hâle geleceğini düşünmek bile endişe verici

• “Uber mühendislerinin %95’i artık her ay AI araçları kullanıyor ve commit edilen kodun %70’i AI’den geliyor” ifadesi gayet öngörülebilir. AI araç kullanımı performans değerlendirmesine girerse sonuç bu olur

  • Geliştirici olmayanların geliştiricilere KPI dayattığında bunun ne kadar kolay manipüle edilebildiğini küçümsemeleri şaşırtıcı. İster AI olsun ister pull request/line sayımı, fark etmiyor
  • KPI “ne çıkardın” değil de “AI’yi ne kadar kullandın” olduğu anda, bütçenin kontrolden çıkması doğal sonuç olur. İnsanlar rakamı tutturmaya çalışır
  • Tüm yöneticiler ve başkan yardımcıları “AI kullanmıyorsan burada çalışamazsın” diyorsa, insanların kullanması tabii ki kaçınılmaz
  • Bu eleştiriyi pek anlamıyorum. Şirketin istediği ve üretken saydığı işi yapmanız için zaten maaş almıyor musunuz? Ayrıca AI tarafından üretilen kodun tamamının işe yaramaz olduğu da varsayılıyor gibi

• “Şirketin bu düzeyde üretkenliği ölçekli biçimde kaldırıp kaldıramayacağını anlamaya çalışmak” kısmını ben de anlamıyorum. Bütçe harcanmış ve elde 4 aylık veri var; asıl mesele ne sonuç gösterildiği
  Ne AI düşmanıyım ne Luddite; $200 Max planını kullanıyorum. Ama Uber’in bu aracı açıp herkese kullanın dediğini, sonra da iyi çalışınca ne olduğunu anlamakta zorlandığını mı söylüyorlar? AI’nin maliyetine göre yeterince üretken olmadığı sonucuna varmak ayrı konu. Acaba sıradaki yapılacak şeyler mi tükendi diye düşünüyorum

  • Kişisel Max ve Teams planları, Enterprise’ın API kullandıkça öde maliyetleriyle kıyaslanınca gerçekten inanılmaz ucuz. Demek ki Enterprise özelliklerine gerçekten ihtiyaç duymuşlar. Yoksa kullanıcılara $200’lık Max aboneliğini masraf göstermelerini söylemek yeterli olurdu. Sonuçta şirketler şirket gibi davranır
  • Şu an dışarıdan görünen bir şey olmayabilir. Dış kullanıcıya yansıyan büyük değişikliklerin geniş dağıtıma çıkması çok daha uzun sürer. İçeride ise birçok özellik muhtemelen daha hızlı ilerlemiştir
    Salesforce’ta da haftalar süren işlerin günler içinde olur gibi görünmeye başladığını gördüm. Bu doğrudan para basmaz ama para kazanma potansiyelini artırır
  • Uber’in sırada ne yapacağı da sorulabilir. Araç çağırma platformu var ve çalışıyor. Yemek, market ve “arabaya sığan her şey” teslimatına da genişledi. Birinin araba kullandığı alan içinde daha ne kaldı bilmiyorum
  • Harcama kontrol araçları varken neden üst sınır koymadıklarını anlamıyorum. Mühendislerden bu harcamayı gerekçelendirmeleri de istenebilirdi
    Neden bu kadar çok token gerektiği ve karşılığında ne elde edildiği sorulmalı. Bu AWS olsaydı herkes “aylık harcamaya hiç bakmadınız mı?” diye parmak sallardı
  • AI tartışması sanki artık öyle bir noktaya geldi ki, herhangi bir eleştirinin sapkın sayılmaması için önce “ben de bu inancın bir üyesiyim, kâfir değilim” diye başlamak gerekiyor

• Böyle yazılar çıkınca bir anda çok kişinin geliştirici üretkenliğini ölçmenin basit olduğunu sanması ilginç. Üretkenliğin gelire ya da maliyet düşüşüne dönüştüğü ve gelirin ölçülebildiği doğru, ama iş o kadar basit değil
  Bugün para harcayıp gelecekte gelir üretecek özellikler geliştiriyorsunuz; dolayısıyla bugün maliyet sıçrasa da henüz ölçülecek bir gelir yok. Bir özelliği bugün AI ile bitirdiniz diye AI’nin hemen üretken ya da verimsiz olduğu söylenemez; AI olmadan ne yapılabileceğini ve o durumda gelirin ne olacağını tahmin etmek gerekir. İş dünyası çoğu zaman Kızıl Kraliçe yarışı gibidir; iyileşmezseniz rakiplerin gerisine düşüp gelir kaybedersiniz. AI kullanımı büyük ihtimalle hem önemli işleri hem de “artık kolay, hadi şunu da deneyelim” tarzı işleri karıştırdı. Gerçek üretkenlik artışını ölçmek istiyorsanız ilkini koruyup ikincisinden kaçınmanın yolunu bulmanız gerekir. Mesele AI taraftarlığı ya da karşıtlığı değil; “üretkense ölçülür” deyip geçmenin tembelce olduğuna dikkat çekmek

  • Asıl yaygın mutabakatın tam tersine, geliştirici üretkenliğini ölçmenin çok zor olduğu yönünde olduğunu sanıyorum. Ne zaman ölçmeye çalışsanız, o ölçüt hedefe dönüşüyor; başlangıçta sağlam bir metrik olsa bile anlamını yitiriyor
    Fabrika işçisi olmayan insanların üretkenliğini ölçmenin kolay olduğu fikri nereden çıkıyor, bilmiyorum
  • Yeni özelliklerin ya da daha iyi yazılımın Uber’in gelirini/kârını ciddi biçimde artıracağını sanmıyorum
  • Seçenekler sadece sıfır üretkenlik ve biraz üretkenlik değil; negatif üretkenlik de mümkün. Claude Code’u kullandıktan sonra bir organizasyona bu kadar token yığmanın sadece verimsiz değil, aktif olarak zararlı olabileceğinden şüpheleniyorum
  • Küçük üretkenlik değişimlerini ölçmek zor ama büyük sıçramalar net biçimde görünürdü. AI üretkenliği etkiliyorsa, olsa olsa küçük ölçekte etkiliyor gibi duruyor
  • 10 kat üretkenlik olsaydı, dolaylı da olsa ölçülebilirdi; hatta ölçmemek mümkün olmazdı. İlk iddialar açıkça yanlıştı; gerçek araştırma sorusu 1.0x’in üstünde olup olmadığı
    Bunun ölçülmesinin çok zor olduğuna katılıyorum. Ama bu maliyetler düşünülünce yine de bir cevap üretilebilmesi gerekir ve çarpanın da maliyeti haklı çıkarması gerekir

• [1]’e göre Uber mühendislik organizasyonu yaklaşık 5.500 kişi. Harcama aralığının ortasını $1.250 alırsanız, mühendislik AI harcaması yaklaşık $6.8M ediyor; aralık da $2.75M~$12M. Yazıda Ar-Ge harcamasının $3.4B olduğu söyleniyor
  AI harcaması Ar-Ge içinde büyük bir pay değil. 4 ay bazında %0,3, yıllıklandırınca yaklaşık %1. Planlanmadıysa bütçede önemsiz sayılmaz ama bağlam içinde devasa da değil. Asıl soru o parayla ne elde edildiği. Yazı, kod commit’lerinin %70’inin AI üretimi olduğunu iddia ediyor; demek ki muhtemelen review ve testten geçmişler. Özellik sayısı hızlandı mı, kalite sorunları azaldı mı, başka ne fayda görüldü, önemli olan bunlar. Ne yazık ki yazı harcama artışı dışında sonuçtan söz etmiyor. Belki 4 ay faydayı değerlendirmek için erkendir. Öte yandan agile dünyasında durum farklı da olabilir. [1] https://www.unifygtm.com/insights-headcount/uber

  • Asıl kaynakta https://www.theinformation.com/newsletters/applied-ai/uber-c... şöyle deniyor: “backend sistemlerdeki gerçek canlı kod güncellemelerinin yaklaşık %11’i, büyük ölçüde Claude Code ile oluşturulan AI ajanları tarafından yazılıyor; bu oran 3 ay önce %1’in altındaki küçük bir paydı”
    Ayrıca “şirket, yazılım bütçesinin ya da AI kodlama araçlarına yaptığı harcamanın kesin rakamlarını açıklamadı” deniyor
  • Bu yazıdaki her şey tamamen uydurma gibi görünüyor. Rakamlar tutmuyor, bildirilen bilgilerle örtüşmüyor; düpedüz kurgu gibi

• Bootstrapping yapan biri olarak büyük şirket mühendislerini sık sık kıskanıyorum ama teşviklerin bozulmuş olmasından da endişe duyuyorum
  Uber’de mühendis olsam, küçük bir değişiklik için bile prompt’a gpt 5.5 pro @ very high thinking + fast mode yazmamak için hiçbir nedenim olmazdı. En güçlü ve dolayısıyla en pahalı modeli kullanmamak için bir teşvik yok. Görsel→HTML dönüşüm testi için böyle bir prompt denedim; tek prompt $40 tuttu. Bunu cebinden ödeyen biri neredeyse asla bu ayarı kullanmazdı ama büyük şirkette masrafı başkası karşılıyorsa sık sık çalıştırır. Çıktı gerçekten daha iyiydi. Mühendisler ne teslim ettikleriyle değerlendirilir, sürecin maliyetiyle değil. Daha ucuza yapmanın yolları var ama mühendisin öyle yapması için teşvik yok

  • Yazılım mühendisleri pahalıdır. Medyan maaş $133k ve buna sağlık sigortası, bordro vergileri vs. dahil değil. Eğer $40’lık LLM kredisi 1 saat geliştirme süresi kazandırabiliyorsa, kullanmamak yerine kullanmak $26.50 daha ucuz olur
    Gerçekte böyle oluyor mu, bundan henüz emin değilim; sadece teoriden söz ediyorum. LLM maliyetini düşürmeye çalışmak da iki ucu keskin bıçak. Çünkü geliştiricinin düşürdüğü LLM maliyetinin, o geliştiriciye ödenen maliyetten büyük olması gerekir. Bir günü harcayıp çağrı başına $1 tasarruf etmek, maaş maliyetini telafi etmek için neredeyse 2 yıl gerektirir. Üstelik LLM’ler o kadar hızlı değişiyor ki, o çözümün 2 yıl içinde bozulmayacağından emin olmak zor. 2 yıl sonra hâlâ tool call olacak mı, reasoning mode kalacak mı, bunu frontier sağlayıcılar bile bilmiyor
  • Şirketler önce işin ne kadar hızlı ölçeklenebildiğine bakar, sonra verimlilik için kısmak isteyebilir
  • Görsel→HTML epey karmaşık bir görev. Esasen frontend geliştirici işi; $40 onların 1 saatini bile karşılamaz

• Yönetimin yazılım mühendisliğinin ajanlarla değiştirilebileceğini düşünmesi yaygınlaştıkça, ortalama yazılım mühendisine dair gerçek dışı bir algıya dayanarak karar verilip verilmediğini merak ediyorum
  Bir yandan “ne koyarsan onu alırsın” durumu var. Zeki bir CTO, ajanlarla yapılabilecek şeyler konusunda çok heyecanlanabilir ve tüm mühendislerin de aynısını yapabileceğini sanabilir. Oysa organizasyondaki ortalama mühendis, nerede iş tasarrufu sağlanabileceğini düşünme yaratıcılığına bile sahip olmayabilir. Bu yüzden ajan kullanımını zorunlu kılarsanız, üretkenlik artmadan sadece AI maliyeti yükselebilir. Diğer yandan AI kullanımı iki uçurumu daha görünür hâle getiriyor: ajanlara ne yapacaklarını kim söyleyecek ve QA/review döngüsü nasıl kaldırılacak? Birçok organizasyonda ürün insanları, LLM’in kullanabileceği ayrıntılı spesifikasyon ya da plan üretecek kadar teknik değil; makinenin dişlisi gibi çalışan geliştiriciler de spesifikasyon yazacak rolde değil, yalnızca implementasyon yapmak istiyor. Ajan kullanan geliştiricinin hem bunu tanımlayıp hem de uygulayacağını varsayarsanız, sonunda sadece iş gelmesini bekleyen atıl insan sayısını artırabilirsiniz. Mevcut geliştiricilerin hızını ve kalitesini artıran seçici LLM benimsenmesine varım ama “organizasyonu baştan kuralım” yaklaşımı özellikle orta ölçekli şirketler için oldukça tehlikeli

  • Bunun da ötesinde, AI bir güç çarpanı ve bu gücün pozitif mi negatif mi olduğuna aldırmıyor. Yazılım mühendisliği ilkeleri kötü olan biri AI kullanırsa, çok kısa sürede tam bir felaket üretebilir
  • 2. maddeyle bağlantılı olarak, bizim şirkette geliştiricilerin daha fazla ürün zihniyetine sahip olması ve basit bir dişli olmaktan çıkması için ciddi baskı var
       Kendim diğer geliştiricilere göre daha ürün odaklı olduğum için taraflı olabilirim ama bu insanların ajanlarla daha üretken olabilecek konumda olduğunu düşünüyorum. Çünkü hem ajanla implementasyon yapacak kadar tekniği biliyorlar hem de neyi implementasyon etmeleri gerektiğini anlayacak kadar ürünü biliyorlar. Diğer şirketlerin de bu yöne gideceğini tahmin ediyorum
  • Sonuçta bu, büyük çaplı işten çıkarmalardan söz etmek anlamına geliyor

• Uber’in tam olarak ne geliştirdiğini anlamıyorum. Uygulama ve araç atama backend’i var; ikisi de fena çalışmıyor. Neden bu kadar çok harcadıklarını merak ediyorum
  Otonom sürüşten vazgeçtiler, yani mesele o olamaz

  • Bu gerçekten yeterince sorulmayan bir soru. Modern teknoloji şirketlerinin onca kaynakla gerçekte ne yaptığını çok iyi gösteriyor. Elon, Twitter ekibinin çoğunu kesti; ilk baştaki korkunç yalpalamalardan sonra bile kadronun %80 azalmış hâliyle aşağı yukarı çalışmadı mı?
  • “İkisi de fena çalışmıyor” denmesi güzel olurdu ama öyle değil. Eşleştirme algoritması optimizasyonları yüzünden kullanıcı deneyimi öyle kötüleşti ki artık düzenli olarak Lyft kullanıyorum
  • “X aslında sadece Y, neden bu kadar karmaşık?” türü yorumlar HN’deki en bayat yorumlardan. Nefret edilen her büyük şirket yazısının altına bunu yapıştırmak tembelce ve okuması sıkıcı

• API token tarafında, özellikle 1M bağlam kullanırken eski bağlamı dikkatle temizlemezseniz tek bir oturumda yüzlerce doları yakmak çok kolay
  Buna karşılık abonelikler aynı kullanım düzeyini ayda birkaç yüz dolara izin veriyor. Görünüşe göre Anthropic ya API kullanıcılarından korkunç derecede yüksek ücret alıyor ya abonelikleri ciddi biçimde sübvanse ediyor ya da ikisi birden

  • https://www.forbes.com/sites/annatong/2026/03/05/cursor-goes...
    “Cursor geçen yıl aylık $200 Claude Code aboneliğinin $2,000’a kadar işlem gücü sağlayabildiğini tahmin etmişti; bu da Anthropic’in önemli bir sübvansiyon verdiğine işaret ediyordu. Şimdi bu sübvansiyon daha da agresif görünüyor; $200 planıyla yaklaşık $5,000’lık işlem tüketilebiliyor”
  • Anthropic’in epey “ilginç” bir iş modeli var. Şirketinizde 150 kişi ya da daha az varken abonelik fiyatı alıyorlar; 151. kişi geldiği anda ise bir gecede herkes API fiyatına geçiyor ve toplam fatura anında birkaç katına çıkıyor
    Önce ucuz tokenlara alıştırıp ölçek büyüyünce geri alma modeli bu. Uber muhtemelen liste fiyatının altında ödüyordur ama kesinlikle 150 kişi altı abonelik fiyatına yakın değildir
  • Fiyatları inceledim ama Team’den Enterprise’a geçişi haklı çıkaramadım. Enterprise’a geçtiğiniz anda aylık abonelik tamamen ortadan kalkıyor ve maliyet kontrolünü kaybediyorsunuz
    Kullanıcı başına üst sınır koyabilirsiniz ama aylık dönen bir üst sınır olmayınca takım arkadaşınıza “bu ayın geri kalanında AI yok” demek zorunda kalabilirsiniz. Mevcut yapısıyla oldukça riskli bir anlaşma gibi geliyor