Uber’ın aylık 1.500 dolarlık yapay zeka limiti, yapay zeka araçlarının fiyatlandırması için yararlı bir sinyal

 (simonwillison.net)
2 puan yazan GN⁺ 3 시간 전 | 1 yorum | WhatsApp'ta paylaş
  • Uber, ajan tabanlı kodlama araçlarının artan maliyetine karşılık tüm çalışanlar için yapay zeka kodlama araçlarının her biri adına aylık token harcamasını 1.500 dolarla sınırladı
  • Limit yalnızca Cursor veya Claude Code gibi ajan tabanlı kodlama yazılımlarına uygulanıyor ve bir araçtaki harcama diğer araçların bütçesini etkilemiyor
  • Uber, 2025’te 2026 yapay zeka bütçesini hazırladı; ardından yüksek miktarda token tüketen kodlama ajanları beklenenden daha hızlı popülerleşince 2026 bütçesi 4 ay içinde tükendi
  • İki aracın aktif kullanıldığı varsayılırsa mühendis başına yıllık limit 36.000 dolar oluyor; bu da Levels.fyi’nin verdiği ABD’deki Uber yazılım mühendisleri için 330.000 dolarlık medyan toplam ücretin yaklaşık %11’ine denk geliyor
  • Yapay zeka araç fiyatları, bireysel abonelere yönelik sübvansiyonlu planlarla büyük şirketlerin fiilen ödediği API fiyatları arasında ciddi ölçüde ayrıştı ve Uber’ın limiti, şirketlerin karşılayabileceği maliyet için bir ölçüt gösteriyor

Uber’ın yapay zeka kodlama aracı harcama limiti

  • Uber, tüm çalışanların yapay zeka kodlama araçları için araç başına aylık token harcamasını 1.500 dolarla sınırladı
  • Bu limit son birkaç ay içinde devreye alındı ve yalnızca Cursor ya da Anthropic’in Claude Code’u gibi ajan tabanlı kodlama yazılımlarına uygulanıyor
  • Limit araç bazlı olduğundan, bir araçta yapılan harcama diğer aracın bütçesini azaltmıyor
  • Aylık 1.500 dolarlık limit, aşırı harcamaya karşı makul bir önlem olarak görülüyor ve çalışanları yapay zeka kullanımında rekabete sokan tokenmaxxing sıralamalarından daha mantıklı bir yaklaşım olarak değerlendiriliyor

Fiyat sinyali ve maliyet hesabı

  • Uber’ın 2026 yapay zeka bütçesini 4 ayda tüketmesi, 2025’te bütçe hazırlanırken yüksek miktarda token kullanan kodlama ajanlarının ne kadar popülerleşeceğini öngörmenin zor olmasıyla bağlantılı
  • Bir mühendisin aktif olarak kullandığı araç sayısının 2 olduğu varsayılırsa üst sınır aylık 3.000 dolar, yıllık 36.000 dolar oluyor
  • Levels.fyi’nin ABD’de Uber yazılım mühendisleri için medyan yıllık toplam ücret paketi 330.000 dolar ve yıllık 36.000 dolarlık limit bunun yaklaşık %11’i
  • Bireysel kullanım açısından bakıldığında, Anthropic ve OpenAI’de aylık 1.000 dolarlık token tüketilse bile, bireysel abonelere yönelik sübvansiyonlu planlar sayesinde mevcut maliyet sağlayıcı başına yaklaşık 100 dolar düzeyinde kalıyor
  • Bu tür bireysel sübvansiyonlu planlar artık Uber gibi büyük şirketlere sunulmuyor ve mevcut kullanım düzeninde Uber limiti içinde her araç için aylık 500 dolar daha pay kalıyor

İlgili okumalar

1 yorum

 
GN⁺ 3 시간 전
Hacker News görüşleri

  • AI şirketlerinin mevcut token başına fiyatlandırmayı sürdürüp sürdürmeyeceğini ya da Çin kaynaklı rekabet nedeniyle sonunda düşürüp düşürmeyeceğini merak ediyorum
    Büyük bütçesi olmayan bireyler zaten DeepSeek gibi Çin menşeli açık ağırlıklı modellere geçiyor
    Çin’in şirketleri gerçekten sübvanse edip etmediği, yoksa çıkarım maliyetlerinin aslında çok daha düşük olup Anthropic/OpenAI’nin gelecekteki IPO için mümkün olduğunca fazla ücret alıp almadığı da soru işareti

    • Birden fazla model açık ağırlıklı ve sübvanse etmeleri için bir neden olmayan üçüncü taraf sağlayıcılar tarafından da sunulduğu için, bunların çıkarım maliyetlerinin gerçek maliyete oldukça yakın olacak kadar düşük olduğunu bir ölçüde biliyoruz
      Önde gelen laboratuvarların en azından düşük ve orta seviye modellerde yüksek token başına fiyatlarını indirmesi gerekecek gibi görünüyor. Çünkü Qwen, DeepSeek, Kimi ve GLM gibi Çin modelleri uygun bir yürütme ortamıyla birleştirildiğinde maliyet açısından verimli alternatifler olacak kadar “yeterince yaklaştı”
      Yine de aynı problemi çözmek için daha fazla iş gerektiren modeller de var, bu yüzden aradaki farkı hemen tamamen kapatmaları gerekmeyebilir
      Buna rağmen fiyatlar bir şekilde düşecek gibi görünüyor; aynı zamanda ucuz Çin modellerinin aboneliklerinin de muhtemelen sübvansiyonlu olduğu için zamanla daha az cömert hale gelmesi beklenebilir
    • Paul Kedrosky’nin yakın zamanda sözünü ettiği vade uyumsuzluğu (duration mismatch) bunun bir yönü
      Token başına fiyatlar rekabet baskısı veya müşterilerin eski ve ucuz modellere yönelmesi nedeniyle zamanla düşerken, veri merkezleri gelirlerin zamanla artacağı varsayımı altında borçla finanse ediliyor
      Onun ifadesiyle, “[AI şirketleri] değeri düşen bir emtiayla sabit maliyetlerini ödüyor”
      Bir tarafta token gelirleri düşüyor, diğer tarafta bir sonraki frontier modelin eğitim maliyeti artıyor ve aynı anda 10 yıllık borçlar ödenmek zorunda kalıyor
      0: https://youtu.be/wGZboZcSGDY?is=64GuKyqBh_4aSjTE
    • Hiç endişelenmeye gerek yok, token gelirini korumak için Çin modellerinin yasaklanması yönünde lobi yapılır olur biter
      “Sorunu daha da büyüten şey, Çin laboratuvarlarının çift kullanımlı olabilecek modelleri sıklıkla açık ağırlıklı olarak yayımlaması. Bir model açık ağırlıklı olduğunda mevcut güvenlik önlemleri de kaldırılabilir ve bu da, bu önlemlerin engellemeye çalıştığı siber ve CBRN kötüye kullanımları da dahil olmak üzere, kötü niyetli devlet ve devlet dışı aktörlerin kullanımına açabilir”
      https://www.anthropic.com/research/2028-ai-leadership
    • Hatta artırmaları daha olası. NVidia, GPU donanım fiyatlarının en az 2030’a kadar düşmeyeceğini söyledi ve dünya genelinde fab üretim kapasitesi yetersiz
    • Normal Amerikan şirketlerinin çoğu, bulut tabanlı Çinli AI şirketlerini kullanmayı engelleyecektir. Çünkü kod, veri, kişisel bilgiler vb. her şey oraya gönderiliyor

  • Büyük şirketlerin flash modellerin de şu koşullarda fazlasıyla yeterli olduğunu ne zaman fark edeceğini merak ediyorum

    1. LLM’den büyük değişiklikler istememek
    2. Tüm çıktıları gözden geçirip doğru yönü göstermek
      Büyük modeller de büyük değişikliklerde hâlâ kötüler, şüpheli mimariler kuruyorlar ve ciddi bir projede zaten kodu her hâlükârda gözden geçirmek gerekiyor
      Hangi model olursa olsun yeterince dikkat edilmezse kod tabanı hızla dağılır
      Talimat verip yinelemeli çalışılan durumlarda flash modeller 10 kat daha ucuz ve çok daha hızlıyken neden büyük modeller kullanılsın ki? Büyük modeller güvenlik ve hata denetiminde kullanılabilir; 300 satırın altındaki değişikliklerde ise istediğiniz kod biçimini tarif ederseniz flash modeller de neredeyse aynı şekilde çalışıyor
    • Oldukça basit. Kurumlar mühendis başına aylık 1500 dolar harcamayı kabul etmeye istekli ve bu miktar çoğu tam zamanlı mühendis için “tipik” kullanımla kabaca örtüşüyor gibi görünüyor
      Bu sayı belirgin biçimde artarsa, önerdiğiniz gibi şirketler flash modelleri daha ciddi incelemeye başlayacaktır
    • Karşılanabilen en büyük en yeni modeli kullanmak kolay bir karar
      Ancak burada en kritik diğer unsur olan yürütme ortamı (harness) gözden kaçıyor. Kendi orkestratörünüzle planlama/tasarım/kodlama/build/test yapan otonom bir pipeline çalıştırıyor ve birden çok aşamada ajanlar kullanıyorsunuz
      Her aşama için daha uygun farklı modeller var ve aşamalar arasındaki çıktılar da LLM ile değerlendiriliyor. Her iş için Opus 4.8 gerekmiyor
      Yürütme ortamı, modele neyin verileceğini ve modelden neyin alınacağını ayarlayan bir zemin sağlıyor; ayrıca hangi modelin hangi işi yapacağını da belirlemenize yardımcı oluyor
      Verilen token bütçesi içinde kaliteyi üreten şey model değil, pipeline
    • Modelin, sorguyu hangi modele aktaracağına kendisinin karar vermesi gereken kapsamı merak ediyorum
      Ya da belki büyük modeller kolay ve zor sorular arasındaki farkı öğrenip buna göre ücretlendirebilir. Karmaşıklığı ölçebiliyorsa fiyat teklifi bile verebilir
      Küçük modeller küçük kodlama işleri için yeterli ama büyük modellerin de çoğu durumda işi daha küçük parçalara bölememesinin nedenini gerçekten bilmiyorum
    • Kesinlikle katılıyorum. Daha büyük modellerin işleri gereğinden fazla karmaşıklaştırma gibi bir alışkanlığı da var
    • “LLM’den büyük değişiklikler istememek”, “her şeyi gözden geçirmek ve yön vermek” gibi şeyler yönetimin umurunda olmuyor
      Bu artık bir mühendislik sorunu haline geldi ve çözmesi için mühendislere itildi

  • AI ile kod yazmanın hâlâ sadece bir heves olarak kalacağına inanan neden bu kadar çok insan var, anlamıyorum
    Başlayalı daha 2 yıl bile olmadı ama şirketler şimdiden koltuk başına binlerce dolar ödüyor, hatta aylık 5 bin dolar veren yerler bile biliyorum
    Sıfırdan çıkıp bu kadar hızlı benimsenen başka hangi araç oldu ki?

    • Çünkü şirketler bu harcamanın insanları işten çıkararak maliyeti düşürmelerini sağlayacağına oynuyor
      Şu anda gördüğümüz AI LLM pull request'leri sadece başkalarına daha fazla iş çıkarıyor ve sözde “builder”lar ise yalnızca yeni dashboard'lar ve demoda gösterilecek özelliklerle iyi görünüyor
      Ama kod akışı hakkında konuşamıyorsun, bir şeyin neden öyle yapıldığını düşünce süreciyle birlikte soramıyorsun
      Birçok kişinin deneyiminin yansıyıp temelden inşa edilmiş bir şey gibi değil; yoktan var olmuş gibi geliyor ve temel ayrım da yok, neredeyse hiç soyutlama da yok
      Kimse dokunmak istemiyor. Pull request'ler fazla büyük ve o “yazarlar” bizimle birlikte on-call da tutmuyor
      Tüm övgüyü alıyorlar ama gerçek işi yapmıyorlar
      Bir evi tasarlayıp sonra mimar ve mühendislere “bunu çalışır hâle getirin” diye göndermeye benziyor
    • Bu, sonucu desteklemeyen bir ifade. “Şirketler şimdiden koltuk başına binlerce dolar ödüyor” gerçeğinin bir şeyin heves olup olmamasıyla korelasyonu sıfır
      Şirketlerin böyle davranmasının, “AI ile kod yazmanın heves olmaması”ndan çok daha makul birçok açıklaması var
    • Vibe coding çıktıları bazen harika oluyor ama bazen bir şeyleri bozuyor ve daha önce defalarca düzeltilmiş şeyleri yeniden kırıyor
      Pull request'ler fazla büyük, kimse o keşmekeşi inceleyemiyor ve prod'a aldıysan on-call'a hazır olman gerekiyor
      Daha iyi olabilir de olmayabilir de, şimdilik bilmiyorum
    • Bu gerçekler bana tam tersine, işlerin göründüğü gibi olmayabileceğine dair bir işaret gibi geliyor
      Fazla büyük ve fazla hızlı; bu yüzden istikrarlı hissettirmiyor. Bu seviyeyi koruyabilir, daha da büyüyebilir ya da daha normal kullanım ve bütçe düzeylerine geri inebilir
    • “AI ile kod yazmak bir hevestir” ile “tüm çalışanlara sınırsız token verip bunun finansal olarak net pozitif olup olmadığına bile bakmamak” arasında geniş bir spektrum var

  • Aylık 100 dolarlık abonelik kullanıyorum ama son 30 gündeki API maliyetim yaklaşık aylık 1700 dolar
    Kullanım şekline göre çok değişiyor. Prompt ile ayrıntılı tasarım üretip onu görev listesine böler, sonra birden fazla ajana verirsen birkaç bin dolar yakmak çok kolay
    Daha dikkatli kullanıp bir seferde yalnızca birkaç ajanı etkileşimli çalıştırır, bunları pull request inceleme / issue çözme / otomatik temizlik / performans optimizasyonu için kullanırsan 1500 dolar civarı olabilir
    Eğer sadece tek seferlik soruları daha iyi bir Stack Overflow gibi soruyorsan 100 doların çok altına inersin
    Bu aralar /goal'a sardım; doğrulanabilir bir hedef bulup gece boyunca çalışmaya bırakınca ertesi sabah nereye kadar geldiğine bakmak Noel sabahı gibi oluyor

  • Aylık 1500 dolar, koltuk başına yıllık 18 bin dolar demek
    Belki Microsoft ve Nvidia bir şeyler görüyordur
    Yerel LLM çalıştırabilen 128GB bir makine 5 bin ila 8 bin dolar olsa bile ucuz geliyor. Saniye başına token sayısı hâlâ yeterli değil ama yine de mantıklı olabilir
    Asıl darboğaz gerçekten kod değil; Uber o kadar parayı harcayıp tam olarak ne üretti ve bunun gelire olumlu yönde ne gibi anlamlı bir etkisi oldu?

    • Darboğazın saniye başına token sayısı olmadığına pek katılmıyorum. Çoğu kişi hâlâ AI ajanlarını gece boyunca kendi kendine çalıştırmaktan ziyade etkileşimli kullanacaktır
      Bana göre 50 tok/s altı tamamen kullanılamaz seviyede
      Zaten biraz da elmayla armudu kıyaslamak gibi. Açık ağırlıklı modellerde çıkarım epey ucuz ve Claude ile OpenAI, DeepSeek ya da OpenRouter üzerindeki çeşitli sağlayıcılara kıyasla sadece çok yüksek marjlar alabiliyor. Çünkü açık modeller emtia niteliğinde
    • Kendi on-prem modelini çalıştırmak çok daha iyi
      Dizüstüler amortismana tabi varlıklar, ölçek ekonomisi yok, donanım sabit ve modeli güncel tutman gereken parçalı bir cihaz filosu oluşturuyor
      Elektrik tüketimi ve soğutma sorunlarını da düşününce şirketlerin neden o yöne gideceğini gerçekten anlamıyorum
    • Şirketler sonunda yerel AI sunucuları satın alacak gibi geliyor
      Yerel donanım, 10 bin farklı şekilde bozulabilecek karmaşık bir yazılım yığınını çalıştırırken pahalıya geliyor
      Gelecekteki yerel AI sunucuları muhtemelen sadece AI için bir protokolle haberleşecek, bir köşede duracak ve kimse umursamayacak
      Yine de çeşitli sistem erişim izinleri gerekebilir, o yüzden emin değilim ama sonuçta birileri en yeni açık modeli falan üstüne koyduğu “kutudaki AI”yı sunacaktır
    • Temel argümana katılıyorum ama aylık 1500 dolar değerinde en güncel yerel AI çalıştırmak şimdiden hiç de kolay değil ve bunun tek bir koltuk için olduğu noktası önemli
      Bu, 7/24 en az 20 tok/s üretmeye eşdeğer ve gerçekte muhtemelen bundan çok daha yüksek
      Açık ağırlıklı modeller, saygın Batılı sağlayıcılar üzerinden sunulsa bile kapalı modellerden çok daha ucuz olduğu için aynı harcama düzeyine gelmek adına 100 tok/s üzeri gerekebilir; bu da veri merkezi donanımı alanına girer
      Prosumer platformlarda ilk rakama ulaşılabilir ama ancak çok özel iş yüklerinde mümkün olur. Ajanik iş yüklerinde yaygın olan ve prefill için çok zaman harcanan durumlarda tablo daha da kötü. Çünkü on-prem AI'da bu büyük bir kısıt
    • Bence mesele mutlaka Uber'in ne ürettiği değil, asıl konu üretkenlik artışı
      Mühendisler AI araçlarını doğru kullanırsa üretkenliği ciddi biçimde artırabilir ve LLM'leri junior ya da associate mühendis gibi kullanabilir
      Aylık 1500 dolar, böyle bir üretkenlik seviyesiyle kıyaslandığında çok daha ucuz; insan bir mühendisi işe almak için çok daha fazlasını ödemen gerekirdi

  • Kilitlenme etkisi ve geçiş maliyeti giderek daha çok düşündürüyor
    Yaklaşık 1 yıldır Claude kullanıyorum ve içinde epey “bilgi” biriktirmiş durumdayım
    İleride Claude'un fiyat/performans dengesi kötüleşirse endişelenirim
    Depolamayı çıkarımdan ayıran dağıtık çözümleri düşünmeye başladım ama şu an için Claude hâlâ tercih ettiğim seçenek. Benzer kaygısı olan var mı merak ediyorum

    • O “bilgi” sadece bir metin dosyası değil mi? Metin dosyalarını kopyalamak bile servisler arasında geçişi kolaylaştırmak için yeterli oldu
    • Benim sevdiğim çözüm Cline kodlama ajanını kullanmak. Açık yapıda ve sağlayıcılar ile modeller arasında kolayca geçiş yapabiliyorsun
    • İçindeki bilginin tam olarak ne olduğunu anlamadım
      Bilgi nerede saklanıyor?
      Benim bilgim genelde ajanın dışındaki planlama dokümanlarında tutuluyor
      Zaten her ajan penceresini de düzenli olarak arşivliyorum

  • Çalışan kendi AI/LLM bütçesini kullanmazsa maaşına zam alabiliyor mu?

    • Muhtemelen düşük performans nedeniyle işten çıkarılır

  • Büyük şirketlerde self-hosting ile açık ağırlıklı modeller çalıştırmanın, ya da ille de on-premise olmasa bile GPU sunucusu kiralamanın veya Together AI gibi yerlere host etmenin neden daha yaygın olmadığını bilmiyorum
    Açık ağırlıklı modelleri ve Opus, Gemini Pro gibi premium modelleri kullandım; ikincisi biraz daha iyi olsa da fiyat farkını haklı çıkaracak kadar kesinlikle değil
    Benim kullandığım senaryolarda fark çoğunlukla önemli değildi ve diğer kullanıcıların da benzer kullanım alanları olduğunu düşünüyorum

    • Benzer bir tartışmayı az önce benim $WORK’te de yaptık; geleneksel bir finans şirketi ve NYSE’de işlem gören bir şirket olarak, BT uzmanlığı ortalama bir şirkete göre düşünce süreci sanırım şöyle
      Harika geliştiricilere/hacker’lara güçlü GPU sunucuları verip çalıştırabilecekleri modelleri istedikleri gibi çalıştırmalarını sağlamakla, böyle bir platformu şirket geneli için sürdürmek tamamen farklı şeyler
      Bu tür modelleri anlayıp sürdürecek insanları, backend’i, erişilebilirliği vb. düşünmeniz gerekiyor ve bu personelin maaşı da genelde yazılım geliştirici maaşlarından çok daha yüksek olabiliyor
      Bu ek zahmet yüzünden, üst düzey harici laboratuvarlara para ödeyip herkese makul bir harcama limiti koymak daha kolay hale geliyor
    • Premium bir model sadece %10 daha iyi olsa bile, yaklaşık 0.5~1T ölçeğindeki bir açık ağırlıklı modeli self-host etmekten daha iyi bir fiyat gerekçesi sunabilir
      Böyle devasa rack’lerin kullanım oranı 7/24/365 olmayacaktır ve çoğu şirket de artan hesaplama kapasitesiyle model eğitecek kadar GPU merkezli bir organizasyon değildir
      Fiyatı 100 bin~200 bin doların üzerindeyse ve ömrü yaklaşık 2 yılsa, bunu finansal olarak gerekçelendirmek zor
      Self-hosting de bunu birkaç geliştiriciye amorti ettiğinizde kolayca aylık 1000 dolar civarına gelir ve yoğun saatlerde sert hız sınırları oluşur
      Aylık 1500 dolardan 1000 doları çıkarınca kalan 500 dolar, “AI üretkenliğinde” %10 düşüşü haklı çıkarır mı? Çoğu durumda bence hayır
      Kısa vadede, kodlama yardımcı modelini mutlaka self-host etmeniz için çok iyi bir neden yoksa en iyi 2~3 kodlama yardımcısı sağlayıcısı daha iyi seçimdir derim
      Claude Code lisansı satın alındı diye işten çıkarılan olmadı
    • Bunun neden daha yaygın olması gerektiğini düşündüğünüzü bilmiyorum
      Birden fazla kullanıcı için GPU’ları havuzlayıp sunmak, güvenlik kontrollerini korurken bunları dokümanlara ve data lake’lere bağlamak bile başlı başına zor
      Sonuçta bunu yönetecek ekibe para ödüyorsunuz
    • Bunu kişisel bir makinede tek başınıza bir kez denemekle, sürekli değişen donanım ve yazılım gereksinimleri içinde 3000 çalışana model sunmak tamamen farklı bir hesap
      Veri merkezinde özel donanım ve bunu işletecek uzmanlar gerekiyor
      Şirketin ana işine ek olarak tedarik, varlıklar, maliyetler ve diğer 1000 şeyi nasıl yöneteceğini de çözmesi gerekiyor
      Tüm bunları zaten çözmüş olanlar kim? AWS/Azure/OpenAI vb.
    • Bunun nedeni, şirketlerin genel hosting ve depolama ihtiyaçları için kendi veri merkezlerini kurmak yerine AWS, Azure vb. kullanmasıyla aynı
      Donanım bakımı ve servis işletimi için uzman istihdam etmek para gerektirir
      LLM modelleri gibi yaygın bir şey için, AWS’ye byte göndermeye aşırı hassas bir şirket değilseniz modeli kendi donanımınızla sunmanız için hiçbir neden yok

  • Aylık 1500 dolar limitinin sayısından çok, bir limite ulaşmış olmaları daha ilginç
    Konuştuğum mühendislik ekiplerinin çoğu geliştirici başına AI harcamasının ne kadar olduğunu bilmiyor; çünkü bu birleşik cloud faturasının içinde kayboluyor
    Katı bir üst sınır iki faydalı konuşmayı zorunlu kılıyor: hangi workflow’ların API çağrılarını haklı çıkardığı ve hangilerinde local inference’ın yeterli olduğu; bir de çıktının gerçekten üretkenlik metrikleriyle karşılaştırılıp karşılaştırılmadığı
    Böyle bir geri bildirim döngüsü olmazsa, bu sadece kimin token’ları en hızlı yaktığını görme yarışına dönüşüyor

  • “Araç başına aylık 1500 dolarlık limit, aşırı tüketime karşı makul bir politika tepkisi gibi görünüyor” ile “Benim token kullanımım Anthropic ve OpenAI için ayrı ayrı ayda yaklaşık 1000 dolar ama bireysel abonelere yönelik cömert sübvansiyonlu planlar sayesinde şu anda sağlayıcı başına sadece 100 dolar ödüyorum” çizgisi bana çok katmanlı pazarlama işi gibi geliyor
    Sanki ‘diamond’ seviyesindekiler seminerlerde MLM’i pazarlayıp para kazanıyor ve en alttaki heveslilere “şimdi AI aboneliği almak, hayatta kazanan tarafta olmanın tek seferlik fırsatı” diyor
    MLM vs LLM üzerinden FOMO üreten bir şeyler var mı bilmiyorum

    • Simon Willison, LLM’ler çıktığından beri sürekli böyle. Ücret alarak tanıtım yapan biri olduğu fazla açık görünüyor