Yazılım dünyayı yuttu; şimdi donanım yazılımı yiyor

• SaaS döneminde arayüzler ve uygulamalar %75–90 brüt marj elde ediyordu; ancak yapay zekada değer merkezi yarı iletkenler, bilişim, veri ve çıkarım platformlarına doğru aşağı iniyor ve uygulama katmanı inceliyor
• Muazzam sermaye, CoWoS, HBM ve elektrikteki fiziksel darboğazlar, veri geçiş maliyetleri ve uygulama mantığının ikame edilebilirliği, değerin merkezini alt katmanlara sabitliyor
• NVIDIA’nın veri merkezi geliri, Nisan 2026’da sona eren çeyrekte yıllık %92 artışla 75,2 milyar dolara çıktı; dört büyük hyperscaler’ın 2026 ilk çeyrek sermaye harcamaları 131 milyar dolara ulaşarak sermayenin fiziksel temel katmanlara yoğunlaştığını gösteriyor
• Açık ağırlıklı modellerin performans farkı ve fiyatı hızla düşse de yüksek verim ve düşük gecikme sunan çıkarım ve optimizasyon platformları, özel veri platformları, en üst düzey performansa ve kurumsal dağıtım kanalına sahip az sayıdaki premium model değerini koruyor
• Yapay zeka uygulamalarında çıkarım maliyeti ortalama olarak gelirin %23’ünü oluşturduğundan brüt marj %50–60 seviyesinde kalabilir; bu nedenle mevcut yazılım düzeyinde savunulabilirlik elde etmek için özel veri döngüsü, kayıt sistemi, regülasyonlu iş akışı, dağıtım gücü veya sonuç bazlı fiyatlandırmadan birine sahip olmaları gerekiyor

---

Yapay zekanın tersine çevirdiği değer akış yönü

• SaaS’ta ek bir kullanıcıyı desteklemenin marjinal maliyeti sıfıra yakındı ve arayüzü, iş akışını ve kayıt sistemini sahiplenen şirketler %75–90 brüt marj elde ediyordu
• Yapay zekada ise çıkarım değişken bir gelir maliyeti haline geldikçe değer merkezi uygulamalardan alt katmanlara kayıyor
  • Yarı iletkenler ve bilişim, veri platformları, açık modelleri çalıştıran çıkarım motorları ve az sayıdaki premium sınır model başlıca değer katmanlarını oluşturuyor
• Uygulamalar ortadan kalkmıyor, ancak katman inceliyor
  • Model ve verinin değerlemesi yükselirken, farklılaşmamış wrapper uygulamaların marjları ve gelir çarpanları düşüyor
• Dot-com çöküşünden sonra özel sermaye, sermaye yoğun ve döngüsel yarı iletkenlerden uzaklaşıp %80’in üzerinde brüt marj ve tekrar eden gelir sunan bulut ve SaaS’a yönelmişti
• Yapay zeka bu akışı tersine çevirerek sermayeyi silikon, paketleme, elektrik, veri altyapısı ve çıkarım temeline geri döndürüyor
  • Teknoloji alanındaki en değerli franchise yeniden çip şirketi haline geliyor
  • Çıkarım ve veri platformları rekor hızda büyüyen altyapı işlerine dönüşüyor
  • Önceki sermaye hareketinin varış noktası olan varlık hafif uygulamalar, yapay zeka yığınında dezavantajlı bir marj yapısına sahip oluyor

Değerin alt katmanlarda birikmesinin dört nedeni

• Yapay zeka yığınının her katmanı, bir sonraki 1 dolarlık değerin başka bir yerde ne kadar kolay ikame edilebildiğine göre değerlendirilebilir
• Sermaye yoğunluğu giriş bariyeri görevi görüyor
  • Dört büyük hyperscaler yıllıklandırılmış olarak 500 milyar doların üzerinde sermaye harcaması yapıyor ve 2026’da 600 milyar doların üzerine doğru gidiyor
  • Sürekli muazzam sermaye koymayı gerektiren bir pazarda sermayenin kendisi hendek haline geliyor
• Fiziksel darboğazlar kısa sürede yalnızca parayla çözülemiyor
  • CoWoS gelişmiş paketleme, yüksek bant genişlikli bellek (HBM) ve elektrik net kısıtlar olarak çalışıyor
  • Kıt kısıtları kontrol eden şirketler değeri ele geçiriyor
• Geçiş maliyetleri ve atalet veri platformlarında değer biriktiriyor
  • Aynı ortama ne kadar çok pipeline, tablo ve model eklenirse taşıma maliyeti o kadar yükseliyor
  • Açık ağırlıklar taşınabilir olacak şekilde tasarlandığından, değer modelin kendisinden bunları sunan platformlara kayıyor
• Yüzey katmanının ikame riski artmaya devam ediyor
  • Genel amaçlı uygulama mantığını modeller doğrudan yerine getirebildiği için yığında en kolay ikame edilebilen bölüm burası oluyor

Katman 1: Yarı iletkenler ve bilişim

• NVIDIA ve hyperscaler sermaye harcamaları

  • NVIDIA’nın veri merkezi geliri, Nisan 2026’da sona eren çeyrekte yıllık %92 artışla 75,2 milyar dolar oldu
  • Brüt marj yaklaşık %75, yıllıklandırılmış gelir yaklaşık 300 milyar dolar
  • Bir sonraki çeyrek için toplam gelir beklentisi 91 milyar dolar; yapay zeka hızlandırıcı gelirine göre pazar payı yaklaşık %80
  • Dört büyük hyperscaler’ın 2026 ilk çeyrek sermaye harcamaları yaklaşık 131 milyar dolara ulaştı
    • Amazon 44,2 milyar dolar, Alphabet 35,7 milyar dolar harcadı
    • Microsoft 30,9 milyar dolar, Meta 19,8 milyar dolar yatırım yaptı
  • Bu yatırım ölçeği yıllıklandırılmış yaklaşık 525 milyar dolar ve 2026 yıllık beklentisi olan 600 milyar doların üzerine doğru artıyor
  • Goldman Sachs, 2025–2030 arasında hyperscaler’ların kümülatif sermaye harcamalarını 5,3 trilyon dolar olarak tahmin ediyor

• Bilişim, bellek ve depolamada arz kısıtları

  • Küresel yarı iletken geliri 2025’te yıllık %21 artışla 793 milyar dolar oldu ve 2026’da 1 trilyon dolara yaklaşması bekleniyor
    • WSTS tahmini yaklaşık 975 milyar dolar ile yıllık %25 artış seviyesinde
    • Gartner tahmini bunun da üzerinde
  • Yapay zeka toplam yarı iletken gelirinin yaklaşık %30’unu oluşturuyor; 2029’da bunun %50’nin üzerine çıkması bekleniyor
  • Bilişim tarafında yapay zeka hızlandırıcı pazarının 2024’te yaklaşık 80 milyar dolardan 2029’da 280 milyar doların üzerine genişlemesi bekleniyor
  • Bellek tarafı da hızla baskı altında kalıyor
    • HBM talebi 2025’te yaklaşık %130 arttı, 2026’da da yaklaşık %70 ek artış görüyor
    • Genel DRAM sözleşme fiyatları 2026’nın ilk çeyreğinde önceki çeyreğe göre yaklaşık %90 yükseldi
    • Yapay zeka veri merkezleri üst seviye DRAM’in yaklaşık %70’ini emiyor
  • NAND pazarı 2026’da yaklaşık 65 milyar dolara ulaşıyor ve toplam bitlerin beşte biri yapay zekada kullanılıyor
    • 2027’ye kadar talep artışının %20–22 ile %15–17’lik arz artışını aşması bekleniyor

• Paketleme ve elektrik darboğazları ile getiri riski

  • Temel kısıt, çip tasarımından paketleme ve elektriğe kayıyor
  • TSMC’nin CoWoS kapasitesi 2025’te ayda yaklaşık 70 bin wafer’dan 2026’da yaklaşık 110 bin wafer’a çıkıyor, ancak fiilen tamamen satılmış durumda
  • NVIDIA 2027’ye kadar arzın yarısından fazlasını rezerve etti
  • 2025’te duyurulan yeni yapay zeka veri merkezi kapasitesi 10 GW’ı aştı; mevcut paketleme temeli ise yaklaşık 18 GW kapasiteyi destekleyebiliyor
  • Google TPU, AWS Trainium, Broadcom ASIC gibi hyperscaler’ların özel silikonları 200 milyar doların üzerinde bir hızlandırıcı pazarına dönüşüyor
    • Uzun vadede NVIDIA’nın payını düşürebilir, ancak değeri yarı iletken katmanının dışına taşımaz
  • En büyük risk gelirden çok yatırım getirisi
    • Yıllık 500 milyar doların üzerinde sermaye harcaması ve 2–3 yıllık hızlandırıcı ekonomik ömrü dikkate alındığında, kurulu tabanın kullanım oranı marjları korumaya yetecek kadar yüksek olmalı
    • Rekabetten çok tesis kullanım oranı, tüm yapay zeka yığınının kârlılığını belirleyen en büyük değişken

Katman 2: Açık modeller ve çıkarım platformları

• Model performansının yakınsaması ve arzın genişlemesi

  • Stanford AI Index’e göre Chatbot Arena’da en iyi kapalı model ile en iyi açık ağırlıklı model arasındaki fark, Ocak 2024’te %8,04 iken Şubat 2025’te %1,70’e indi
  • MMLU’da 2023’te yaklaşık 17,5 puan olan fark fiilen ortadan kalktı
  • DeepSeek R1, sınır seviye akıl yürütme için 100 milyon dolar düzeyinde eğitim bütçesinin zorunlu olmadığını gösteren bir örnek oluşturdu
  • Qwen, Hugging Face’te Llama’yı geçerek en çok indirilen model ailesi oldu
  • Hugging Face’te 2,2 milyondan fazla model kayıtlı ve katalog yaklaşık 24 ayda ikiye katlandı
  • Benzer binlerce açık model bulunduğunda, ağırlıkların kendisinden çok bunları verimli çalıştırma yeteneği kıt hale geliyor
    • Verim, gecikme ve token başına maliyetin optimize edilmesi gerekiyor
    • Model yönlendirme ve önbellekleme, ince ayar ve değerlendirme, guardrail’ler de gerekli

• ABD dışı açık modeller ve platform değeri

  • Açık ağırlıkların sınırında ABD dışı geliştiricilerin payı artıyor
  • Ağustos 2024’ten Ağustos 2025’e kadar Çinli geliştiriciler Hugging Face indirmelerinin %17,1’ini oluşturdu
    • ABD’li geliştiricilerin payı %15,8’di
  • Qwen, Llama’yı geçerek indirmelerde birinci model ailesi oldu
  • Açık modellerin metalaşması yalnızca ekonomik bir konu değil, tedarik zinciri ve politika değişkenlerini de içeriyor
  • Linux’un kendisinden çok Red Hat ve bulutun ekonomik değeri ele geçirmesi gibi, açık ağırlıklarda da harcamayı modelden ziyade bunu istikrarlı ve ucuz biçimde sunan platformlar emiyor
  • Sürdürülebilir iş, açık modelin kendisinden çok çıkarım ve optimizasyon platformuna yakın
    • Taşınabilir modelleri prodüksiyonda güvenilir ve ucuz işletme işlevi kolayca metalaşmıyor

• Çıkarım platformlarının büyümesi ve maliyet yapısı

  • Fireworks AI, yaklaşık 3 yılda yıllıklandırılmış gelirinin 800 milyon doları aştığını ve yıllık bazda 4 kattan fazla büyüdüğünü açıkladı
  • Together AI’ın da benzer ölçekte olduğu biliniyor; Baseten yıllık bazda 5 kattan fazla büyüyerek yaklaşık 600 milyon dolara ulaştı
  • Bu şirketler model laboratuvarı değil, açık ağırlıkları prodüksiyonda kullanılabilir hale getiren temel sağlayıcılar
  • Ayda 50 milyar çıktı token’ı işleyen orta ölçekli bir yapay zeka özelliği varsayıldığında maliyet farkı büyük
    • Sınır API’sinin çıktı fiyatı 1 milyon token başına yaklaşık 10–15 dolar ise aylık maliyet yaklaşık 500 bin–750 bin dolar
    • Llama, Qwen, DeepSeek gibi açık modeller çıkarım platformlarında 1 milyon token başına yaklaşık 0,40–1 dolardan sunulduğunda aylık maliyet yaklaşık 20 bin–50 bin dolar
  • Maliyet düşüşü %90’ın üzerinde ve platformlar tasarrufun bir kısmını marj olarak alıyor
  • Bu hesap bir örnektir; gerçek maliyet model, bağlam uzunluğu ve kullanım oranına göre değişir

Katman 3: Az sayıdaki premium model

• Açık modellerin yakınsaması ortalama performans farkını azaltır, ancak sınırın kendisini ortadan kaldırmaz
• Karmaşık ajan görevleri, uzun süreli çalışma güvenilirliği, prodüksiyon kodlama ve güvenlik gibi ek performansın her bir puanı için ödeme yapılacak alanlarda premium katman kalır
• Anthropic’in yıllıklandırılmış geliri 2024 sonunda yaklaşık 1 milyar dolardan Mayıs 2026’da yaklaşık 47 milyar dolara çıktı; yıl sonunda yaklaşık 100 milyar dolar bekleniyor
  • Yılda 1 milyon doların üzerinde harcama yapan kurumsal müşteri sayısı 1.000’i aştı
• OpenAI’nin yıllıklandırılmış geliri 2024 sonunda yaklaşık 6 milyar dolar, 2025 sonunda yaklaşık 20 milyar dolar, 2026 ortasında yaklaşık 30 milyar dolar ve yıl sonunda yaklaşık 60 milyar dolara doğru gidiyor
• İki laboratuvar farklı gelir ölçütleri kullanıyor ve 2026 yıl sonu rakamları tahmin olduğundan mutlak ölçekten çok büyüme patikasına odaklanmak gerekiyor
• Premium katman, 2023’te beklenenden daha dar; savunulabilir bir konum elde etmek için sınır performansının yanı sıra kurumsal müşteriye ulaşan dağıtım kanalı da gerekiyor

Katman 4: Veri platformları

• Veri platformları, pipeline’lar, tablolar ve ontolojiler biriktikçe taşıma maliyetini artıran veri çekimi oluşturur
• Databricks’in yıllıklandırılmış geliri 6,9 milyar doları aşarak yaklaşık %80 büyüdü
  • Yapay zeka ürünleri şimdiden gelirin yaklaşık %26’sını oluşturuyor
  • Özel şirket değerlemesi yaklaşık 170 milyar dolar
• Palantir, kurumsal verileri kontrollü karar almaya bağlayan operasyon katmanıdır
  • 2026 ilk çeyrek geliri yıllık bazda %85 artarak yaklaşık 6,5 milyar dolarlık yıllıklandırılmış ölçeğe ulaştı
  • ABD ticari segment geliri %133 arttı
  • Rule of 40 değeri %145
  • Piyasa değeri yaklaşık 350 milyar dolar ve gelirin yaklaşık 50 katı üzerinden değerleniyor
• Modeller birbirine yakınsıyor; ancak şirketlerin özel verileri ve bunun üzerine kurulan iş akışları ile ontolojiler ikame edilmiyor
• Model katmanı metalaştıkça veriye ve karar döngülerine sahip platformlar kalıcı kaldıraç elde ediyor
• Palantir’in yaklaşık 50 katı, temel model şirketlerinin 25–50 katı gibi yüksek gelir çarpanları, genel amaçlı yazılım yüzeyinden çok özel veriyle birleşmiş katmanlarda yoğunlaşıyor

Katman 5: İncelen uygulama katmanı

• Brüt marj baskısı

  • Geleneksel SaaS, ek kullanıcı destekleme maliyeti neredeyse olmadığı için %75–90 brüt marj kaydedebiliyordu
  • Yapay zeka native uygulamalar her istekte modeli yeniden çalıştırmak zorunda olduğundan brüt marj %50–60 seviyesinde
  • ICONIQ’nun 2026 verilerinde büyüme aşamasındaki yapay zeka şirketlerinde çıkarım maliyeti ortalama olarak gelirin yaklaşık %23’ünü oluşturuyor
  • SaaS’taki gelir maliyetinden farklı olarak ölçek büyüdüğünde çıkarım maliyetinin payı otomatik olarak düşmüyor
  • Aşırı ince wrapper’larda brüt marj %25’e kadar inebilir

• Değerlemede kutuplaşma

  • Piyasa, yapay zeka yığınının katmanlarına göre farklı gelir çarpanları uyguluyor
    • Temel model şirketleri 25–50 kat değerleniyor
    • Yapay zeka native platformlar 25–30 kat seviyesinde
    • Geleneksel SaaS’ın medyanı, 2021 zirvesindeki 18,6 kattan yaklaşık 6,7 kata geriledi
    • Yapay zeka wrapper’ları 5–8 katla mevcut SaaS ile aynı ya da daha düşük seviyede
  • Model ve veriye yüksek değer biçiliyor, ancak farklılaşmamış uygulama yüzeyi düşük değerleniyor
  • Sürdürülebilir uygulamaların, modelin yutmakta zorlanacağı varlıklara ihtiyacı var
    • Özel veri döngüsüne veya kayıt sistemine sahip olmalılar
    • Regülasyonlu iş akışları ve gerçek dağıtım kanalı savunulabilirlik sağlar
    • Sonuç bazlı fiyatlandırma çıkarım maliyetini marja dönüştürebilir
  • Bu unsurlar yoksa uygulama, metalaşan modelin üzerine prompt ve bağlantı kodu koyan ince bir katmanda kalır

Değerin yeniden uygulamalara taşınmasının koşulları

• Uygulamalar etkileşim verisini hızla biriktirirse kendi veri platformlarına dönüşerek veri çekimi elde edebilir
  • Kayıt sistemi rolü oynayan uygulamalar, katmanın incelmesi akışında istisna olabilir
• Premium model laboratuvarları çıkarıma sahip olup ajanlar kurarak uygulamaları doğrudan satarsa üç katmanın değerini içeride toplayabilir
  • Bu, değeri yukarı yeniden dağıtmaktan çok tek bir şirkette yoğunlaştırır; ancak bağımsız çıkarım platformlarını ve uygulama katmanını zayıflatabilir
• Çıkarım maliyeti beklenenden hızlı metalaşırsa yapay zeka uygulamalarının brüt marjı SaaS seviyesine dönebilir
  • LLMflation, bir birim zekânın maliyetinin yılda yaklaşık 10 kat düştüğünü ve 2024 başından bu yana medyan fiyat düşüş hızının yıllık yaklaşık 200 kata ulaştığını düşünüyor
  • Çıkarım neredeyse ücretsiz hale gelirse uygulama katmanının marj sorunu zayıflar
  • Ancak maliyet sıfır olsa bile yüzey katmanının ikame edilebilirliği kaldığından değerleme sorunu büyük ölçüde devam eder
• Aynı maliyet düşüşü yarı iletkenler ve çıkarım platformlarının fiyatlarını baskılarken uygulamaların marjını da toparlayabilir; fakat yüzey katmanının yapısal ikame riski sürer

Yatırımcıların, kurucuların ve mevcut şirketlerin tepkisi

• Yatırımcılar arayüzden çok kontrol noktalarını değerlendirmeli
  • Bilişim ile paketleme, elektrik ve bellek gibi fiziksel darboğazlara bakılmalı
  • Sürekli özel veri biriktiren veri platformları buna dahildir
  • Açık model bolluğunu paraya çeviren çıkarım ve optimizasyon platformları da hedef kapsamındadır
  • Hem sınır performansına hem de kurumsal dağıtım kanalına sahip az sayıdaki premium model ayırt edilmelidir
• Uygulamalardan veri döngüsü veya kayıt sistemi talep edilmeli; kanıtlanana kadar %80’in üzerinde değil %50–60 brüt marj varsayılmalı
• Kurucular özel veri döngüsüne sahip olmalı veya kayıt sistemi haline gelmeli
  • Ya da sonuç bazlı fiyatlandırma yaparak çıkarım maliyetindeki düşüşün yalnızca müşterinin tasarrufunda kalmamasını, kendi marjlarına da yansımasını sağlamalı
• Mevcut şirketler, muazzam sermaye gerektiren temel katmanların hendeğini kiralayabilir, ancak doğrudan sahiplenmeleri zordur
  • Bilişim veya sınır modellerle rekabet etmek yerine veri, eğitim ve serving’i tek yerde tutan veri katmanında savunulabilirlik elde etmek daha uygundur

Önümüzdeki 4 çeyrekte izlenecek göstergeler

• Hyperscaler sermaye harcamalarının gelire oranı %25–30’u aştığında bile marjlar korunursa temel katmanın getiri mantığı geçerliliğini korur
  • Yatırılan sermaye getirisi çökerse tüm yığının değeri yeniden değerlendirilebilir
• Fireworks AI, Together AI ve Baseten’in yıllık tekrar eden gelirleri ayrı ayrı yaklaşık 1–2 milyar dolara çıkarsa değerin modelden çok çıkarım katmanında toplandığına kanıt olur
• Ajan ve kodlama gibi zor benchmark’larda açık modeller ile kapalı modeller arasındaki fark yaklaşık 2 puan içinde kalırsa model katmanının metalaşması pekişir
• Büyüme aşamasındaki yapay zeka uygulamalarının brüt marjı %50–60’ta kalırsa incelen uygulama argümanı korunur; %75’in üzerine dönerse zayıflar
• DRAM ve HBM fiyatları her çeyrek çift haneli artmaya devam ederse fiziksel kısıtların ve marjların temel katmanda kaldığı doğrulanır

3–5 yıllık perspektifte konumlanma

• Olasılığı yüksek senaryoda temel katmanlara ve veri katmanlarına odaklanılmalı; premium modeller ise az sayıdaki kazanana yüksek güven olduğunda seçilmeli
• Uygulamalara yalnızca veri döngüsü veya kayıt sistemi varsa mevcut yazılım düzeyinde gelir çarpanı uygulanmalı
• Sermaye, fiziksel darboğazlar, veri geçiş maliyetleri ve ikame edilebilirliğin oluşturduğu değer çekimi, yapay zeka yığınının alt katmanlarında değeri biriktiriyor