TL;DR: Evet, ama soru genellikle yanlış biçimde soruluyor. Başkasının modeli üzerine kurulu bir ürünün iş olup olmadığını, ürünün ne kadar ince olduğuyla hiçbir ilgisi bulunmayan iki sayı neredeyse tek başına belirliyor: hangi model katmanını çağırdığı ve en yoğun kullanıcılarının ne kadar yoğun olduğu. Ağustos 2026’da yayımlanan fiyatlarla, gerçekçi bir iş en ucuz yeterli katmanda bin iş başına 0,52 dolara, aynı iş en üst katmanda bin iş başına 40,00 dolara mal oluyor; aynı pazarda 77 katlık bir açıklık. Aylık 20 dolarlık bir planda bu, %92 brüt kâr marjı ile eksi %140 arasındaki farktır. İki bulgu daha yerleşik kanıya ters düşüyor. Birincisi, fiyatlar tek biçimli olarak çökmüyor: bir sağlayıcının amiral gemisi katmanı %67 düşerken en ucuz katmanı %25 yükseldi ve aynı sağlayıcının belgelediği bir tokenizer değişimi aynı metin için yaklaşık %30 daha fazla token anlamına geliyor; bu da iş atı katmanındaki manşet %33 indirimi %13’e indiriyor. İkincisi, talep tarafı sarmalayıcı aşağılamasının ima ettiğinin tam tersi: MIT’nin 2025 kurumsal çalışmasında, dışarıdan satın alınan araçlar yaklaşık %67 oranında yayına geçerken kurum içinde geliştirilenler yaklaşık %33’te kaldı. Alıcılar sizin sarmalayıcınızdan kaçmaya çalışmıyor. Onu kendileri inşa etmekten kaçmaya çalışıyorlar.
Hakaret, analizden önce geldi. Bir ürüne sarmalayıcı deyin, tartışma biter; bu da işe yarar, çünkü kelime hiçbir zaman kesin bir anlam taşımadı. Her yazılım işi, sahibi olmadığı bir altyapının üzerinde durur. Soru hiçbir zaman bir şeyi sarmalayıp sarmalamadığınız değildi. Soru, eklediğiniz şeyin size mal olduğundan daha değerli olup olmadığıdır ve bu aritmetiktir.
O hâlde aritmetiği yapalım, yayımlanmış fiyatlarla, sonra da alıcıların gerçekte ne yaptığına bakalım.
Model katmanı size neye mal oluyor, tek önemli birimle
Token fiyatlandırması milyon token başına verilir ki bu, hiçbir işletmenin içinde çalışmadığı bir birimdir. İşletmeler işler içinde çalışır: anlamlı bir model çağrısını tetikleyen tek bir kullanıcı eylemi.
Bir işi 4.000 girdi tokeni ve 800 çıktı tokeni olarak tanımlayalım. Bu; bir sistem istemi, bir belge veya konuşma dilimi ve doyurucu bir cevap demektir. Gerçek kullanımın ne en ucuz ne de en pahalı biçimidir ve katmanları aynı temelde karşılaştırmamızı sağlar.
İlk tablo, Ağustos 2026 itibarıyla sağlayıcıların kendi yayımlanmış fiyat sayfalarına karşı doğrulanmıştır. İkinci tablonun ikinci ve üçüncü sütunları bizim türetmemizdir.
| Model | Girdi, milyon token başına | Çıktı, milyon token başına |
|---|---|---|
| GPT-5 nano | 0,05 $ | 0,40 $ |
| GPT-4.1 nano | 0,10 $ | 0,40 $ |
| GPT-4o mini | 0,15 $ | 0,60 $ |
| GPT-5 mini | 0,25 $ | 2,00 $ |
| Claude Haiku 4.5 | 1,00 $ | 5,00 $ |
| GPT-5 | 1,25 $ | 10,00 $ |
| Claude Sonnet 5 | 2,00 $ | 10,00 $ |
| GPT-4.1 | 2,00 $ | 8,00 $ |
| GPT-4o | 2,50 $ | 10,00 $ |
| Claude Opus 5 | 5,00 $ | 25,00 $ |
| GPT-5.5 | 5,00 $ | 30,00 $ |
Şimdi aynı fiyatları, bir ürün sahibinin gerçekte ödediği şey olarak ifade edelim. İş başına maliyet türetilmiştir: girdi tokeni çarpı girdi ücreti artı çıktı tokeni çarpı çıktı ücreti, 4.000 ve 800 token üzerinden.
| Katman | İş başına maliyet | 1.000 iş başına maliyet | Aylık maliyet, 300 iş yapan kullanıcı | Aylık maliyet, 3.000 iş yapan kullanıcı |
|---|---|---|---|---|
| GPT-5 nano | 0,00052 $ | 0,52 $ | 0,16 $ | 1,56 $ |
| GPT-5 mini | 0,00260 $ | 2,60 $ | 0,78 $ | 7,80 $ |
| Claude Haiku 4.5 | 0,00800 $ | 8,00 $ | 2,40 $ | 24,00 $ |
| GPT-5 | 0,01300 $ | 13,00 $ | 3,90 $ | 39,00 $ |
| Claude Sonnet 5 | 0,01600 $ | 16,00 $ | 4,80 $ | 48,00 $ |
| Claude Opus 5 | 0,04000 $ | 40,00 $ | 12,00 $ | 120,00 $ |
En ucuz ve en pahalı satır arasındaki açıklık 77 kattır. Bu, yayımlanmış ücretlerden yapılmış bir CEOtudent editöryel hesabıdır ve varsayımlar kendi rakamlarınızı koyabilmeniz için açıkça belirtilmiştir: iş biçimini değiştirin, her sayı değişir, ama katmanlar arasındaki oran neredeyse hiç değişmez.
Elinizde bir iş olup olmadığını belirleyen marj tablosu
Bu maliyetleri dünyanın en yaygın tüketici yazılımı fiyatına, aylık 20 dolarlık aboneliğe koyduğunuzda tablo soyut olmaktan çıkar. Buradaki brüt kâr marjı yalnızca gelir eksi çıkarım maliyetidir; barındırma, ödeme işleme, destek ve kurucunun zamanı hariç.
| Katman | Brüt marj, ayda 300 iş | Brüt marj, ayda 3.000 iş |
|---|---|---|
| GPT-5 nano | %99,2 | %92,2 |
| GPT-5 mini | %96,1 | %61,0 |
| Claude Haiku 4.5 | %88,0 | eksi %20,0 |
| GPT-5 | %80,5 | eksi %95,0 |
| Claude Sonnet 5 | %76,0 | eksi %140,0 |
| Claude Opus 5 | %40,0 | eksi %500,0 |
Sağdaki sütunu dikkatle okuyun, çünkü son iki yılın küçük yapay zeka ürünlerinin gerçek başarısızlık kipini içeriyor. İçindeki hiçbir şey sarmalayıcı olmakla ilgili değil. Sabit ücretli fiyatlandırmanın uzun kuyruklu bir kullanım dağılımıyla karşılaşmasıyla ilgili. En yoğun %5’lik kullanıcının medyanın on katı yük ürettiği bir ürün, ortalamada sağlıklı görünür ve kendisini en çok seven müşterilerde para kaybeder.
Bundan üç sonuç çıkar ve stratejinin tamamı bunlardır.
Model seçimi bir mühendislik kararı değil, bir fiyatlandırma kararıdır. Bir iş yükünü Sonnet 5’ten GPT-5 mini’ye taşımak iş başına maliyeti kabaca %84 düşürür ve görev sınıflandırma, çıkarım, yönlendirme veya şablona özetleme ise kullanım noktasındaki kalite farkı müşteri için çoğu zaman görünmezdir. Kurucular rahatlık nedeniyle daha güçlü katmana uzanır ve sonra bu rahatlığın aynı iş için çıkarım faturasına 6,2 katına mal olduğunu keşfeder.
Sabit fiyatlandırmanın bir tavana ihtiyacı vardır. Düşmanca olmayan bir tavana. Şeffaf aşım ücretiyle cömert bir dahil kota ya da yükseltme yolu olan sert bir sınır, kuyruğu varoluşsal bir riskten bir gelir kalemine çevirir.
Önbellekleme ve toplu işleme optimizasyon değil, marjdır. Anthropic tarafında bir önbellek isabeti temel girdi ücretinin 0,1 katı fiyatlanır ve toplu işleme hem girdi hem çıktıda %50 indirim taşır. Tekrar tekrar çağrılan büyük ve sabit bir sistem istemi olan bir ürün için bu bir yuvarlama hatası değil, yukarıdaki satırlardan ikisi arasındaki farktır.
Fiyat eğrisi herkesin söylediği şeyi yapmıyor
Standart argüman şöyle işler: çıkarım maliyetleri çöküyor, dolayısıyla sarmalayıcı marjları kendiliğinden genişliyor, dolayısıyla şimdi inşa edin. Stanford HAI’nin AI Index’i öncülü tarihsel düzeyde destekliyor; GPT-3.5 düzeyindeki performans için çıkarım maliyetinin 2022 sonu ile 2024 sonu arasında 280 kattan fazla düştüğünü bildiriyor.
Ama bu, dünün yeteneğinin düşen fiyatı hakkında bir ifadedir, sınırın fiyatı hakkında değil. Tek bir sağlayıcının yayımlanmış fiyat listesindeki ardışık kuşakları karşılaştırın, tablo çok daha dağınıktır. Aşağıdaki yüzde sütunları yayımlanmış ücretlerden bizim türetmemizdir.
| Geçiş | Girdi fiyatı değişimi | Çıktı fiyatı değişimi | Ne gösteriyor |
|---|---|---|---|
| Claude Opus 4.1’den Opus 5’e | 15,00 $’dan 5,00 $’a, %66,7 düşüş | 75,00 $’dan 25,00 $’a, %66,7 düşüş | Amiral gemisi katman keskin biçimde aşağı fiyatlandı |
| Claude Sonnet 4.6’dan Sonnet 5’e | 3,00 $’dan 2,00 $’a, %33,3 düşüş | 15,00 $’dan 10,00 $’a, %33,3 düşüş | İş atı katman üçte bir düştü |
| Claude Haiku 3.5’ten Haiku 4.5’e | 0,80 $’dan 1,00 $’a, %25,0 artış | 4,00 $’dan 5,00 $’a, %25,0 artış | Ucuz katman ucuzlamadı, pahalılaştı |
| GPT-4o’dan GPT-5’e | 2,50 $’dan 1,25 $’a, %50,0 düşüş | 10,00 $’dan 10,00 $’a, değişmedi | Girdi yarıya indi, çıktı sabit |
| GPT-4o mini’den GPT-5 nano’ya | 0,15 $’dan 0,05 $’a, %66,7 düşüş | 0,60 $’dan 0,40 $’a, %33,3 düşüş | Taban düşmeye devam etti |
| GPT-5’ten GPT-5.5’e | 1,25 $’dan 5,00 $’a, %300,0 artış | 10,00 $’dan 30,00 $’a, %200,0 artış | Yeni sınır katmanları önceki amiral gemisinin üstünde fiyatlandı |
Bu satırlardan ikisi yukarıyı gösteriyor. Girdi maliyetinin her yıl düştüğü varsayımıyla iş planlayan biri, kendi karşı örneklerini içeren bir ortalamanın üzerine plan yapıyor demektir.
Bir de çoğu maliyet modelinin hiç açmadığı bir dipnot var. Anthropic’in fiyatlandırma belgeleri, Claude 4.7 ve sonraki modellerin aynı metin için yaklaşık %30 daha fazla token üreten yeni bir tokenizer kullandığını belirtiyor. Bu önemlidir, çünkü size token başına fatura kesilir ama siz karakter gönderirsiniz. Sağlayıcının kendi yaklaşık rakamını yukarıdaki iki geçişe uygulamak esaslı biçimde farklı bir indirim verir.
| Geçiş | Manşet token başına indirim | Yaklaşık %30 fazla token için düzeltilmiş | Aynı metinde gerçek indirim |
|---|---|---|---|
| Opus 4.1’den Opus 5’e, girdi | %66,7 | 5,00 $ çarpı 1,3 eşittir efektif 6,50 $, 15,00 $’a karşı | %56,7 |
| Sonnet 4.6’dan Sonnet 5’e, girdi | %33,3 | 2,00 $ çarpı 1,3 eşittir efektif 2,60 $, 3,00 $’a karşı | %13,3 |
Dürüst çekince şudur: sağlayıcı %30’u yaklaşık ve iş yüküne bağlı olarak niteliyor, dolayısıyla bunları kendi iş yükünüz için kesin bir rakam değil, yönün bir örneklemesi olarak alın. Ama nokta zaten yön: manşetteki %33,3’lük Sonnet indiriminin 13,3 puanı tokenizer temasından sağ çıkıyor, 20 puanı çıkmıyor. Birim ekonominiz manşetteki bir fiyat indirimine bağlıysa, basın bültenine güvenmek yerine model geçişinden önce ve sonra kendi token sayımlarınızı ölçün.
Tüm türü çürüten talep tarafı bulgusu
Yukarıdakilerin hepsi arz tarafı. Daha ilginç kanıt alıcıların ne yaptığıyla ilgili ve sarmalayıcı istihzasının tam tersi yöne gidiyor.
MIT’nin NANDA girişimi The GenAI Divide: State of AI in Business 2025 raporunu yayımladı; 52 yapılandırılmış görüşme, 153 liderle anket ve 300’den fazla kamuya açıklanmış yapay zeka girişiminin sistematik analizi üzerine kurulu. Manşet bulgusu geniş biçimde dolaştı: kuruluşların yaklaşık %95’i üretken yapay zeka pilotlarından sıfır getiri alıyordu.
Dolaşmayan bulgu, ne inşa edeceğinize karar veriyorsanız asıl önemli olandır. Örneklemlerinde, öğrenme yeteneği olan ve özelleştirilmiş araçlarla kurulan dış ortaklıklar yaklaşık %67 oranında yayına geçerken, kurum içinde geliştirilen araçlarda bu oran yaklaşık %33’tü. Rapor bunların tüm karıştırıcı değişkenleri hesaba katmayabilecek, kendi beyanına dayalı sonuçlar olduğunu açıkça belirtiyor ve örneklem, bunun bir ölçüm değil güçlü bir sinyal sayılmasını gerektirecek kadar küçük. Ama yön görüşülenler arasında tutarlıydı ve açık bir şey söylüyor: sağlayıcıyı atlayıp kendisi inşa etmeye çalışan şirketler kabaca iki kat daha sık başarısız oldu.
Rapor, alıcıların ne için ödediği konusunda da aynı ölçüde açık. Yöneticiler geri bildirimden öğrenen sistemler istiyordu, %66’sı bunu dile getirdi, ve bağlamı koruyan sistemler, %63’ü bunu talep etti. Başarılı olan kuruluşlar, öğrenme, hafıza ve iş akışı uyarlamasını çözmeye çalışan sağlayıcılarla çalışanlardı. Başarısız olanlar, raporun ifadesiyle, ya genel amaçlı araçlar inşa edenler ya da yetenekleri kurum içinde geliştirmeye çalışanlardı.
Bu iki cümleyi birlikte okuyun, stratejik talimat hiç de üstü kapalı değil. Başarısız olan şey genel amaçlı olmak. Başarısız olan diğer şey kurum içinde inşa etmek. Tek bir iş akışı hakkında bağlam biriktiren dar bir dış ürün, işe yaramış olan biçimdir.
Bir sayı daha var. Aynı çalışma, yapay zeka bütçesinin kabaca %70’inin satış ve pazarlamaya gittiğini, buna karşılık operasyon ve finansta getirinin daha iyi olduğunu bulmuştur. Bir köprübaşı seçiyorsanız, pazarın kalabalık ucu herkesin fonladığı uçtur, hizmet almayan uç ise geri ödeme yapan uçtur.
Bu alıcıların bulunduğu pazar küçük değil ve küçülmüyor. AI Index 2026, kurumsal yapay zeka benimsemesini ankete katılan kuruluşların %88’i olarak veriyor; bunların %70’inde üretken yapay zeka en az bir iş fonksiyonunda kullanılıyor ve 2025’te küresel kurumsal yapay zeka yatırımı yıllık %130 artışla 581,7 milyar dolar. Neredeyse evrensel benimseme ile %95 pilot başarısızlık oranının bu birleşimi, pazarın gerçek tarifidir: çok sayıda kuruluş bunu yapması gerektiğine karar vermiş ama henüz işe yarayan bir şey bulamamıştır. Bu boşluk ürün fırsatıdır ve bir genel asistan daha için değil, belirli bir şey için talep anlamına gelir.
Sarmalayıcı Dayanıklılık Puanı
İşe yarar soru bir ürünün sarmalayıcı olup olmadığı değil, üç kuvvetle temasa ne kadar dayandığıdır: modelin özelliğini yutması, bir rakibin onu bir hafta sonunda klonlaması ve kendi birim ekonomisi. Aşağıdaki puan kartı bir CEOtudent editöryel çerçevesidir. Her faktörü 0, 1 veya 2 olarak puanlayın ve toplayın.
| Faktör | 0 puan | 1 puan | 2 puan |
|---|---|---|---|
| Özel veri döngüsü | Ürün bugün, kayıt anında bilmediği hiçbir şeyi bilmiyor | Tek hesap içinde çıktıyı iyileştiren kullanıcı geçmişi biriktiriyor | Hesaplar arasında, yeni hiçbir oyuncunun kopyalayamayacağı bir külliyat biriktiriyor |
| İş akışı derinliği | Bir metin kutusu ve bir düğme | Kullanıcının zaten içinde yaşadığı tek bir sistemle entegre | Bir sürecin içinde oturuyor, durum tutuyor ve bir adımın kayıt sistemi |
| Yutulma mesafesi | Çekirdek işlev, modelin varsayılan olarak sunabileceği bir istem | Sohbet arayüzünde olmayan orkestrasyon, değerlendirme veya koruma katmanı ekliyor | Genel bir asistanın elde edemeyeceği izin, entegrasyon veya uyumluluğa dayanıyor |
| Birim ekonomisi payı | Sınır katman, sabit fiyat, sınır yok | Önbelleklemeli orta katman ya da kullanıma bağlı fiyatlandırma | Görev için yeterli ucuz katman ya da kullanımla ölçeklenen fiyatlandırma |
| Ücretli olmayan dağıtım | Keşif tamamen reklam ya da lansman günü ilgisi | Sahip olunan bir kitle ya da entegrasyon pazar yeri listelemesi | Satın alma kararının verildiği yere gömülü ya da iş akışı sahibinin yönlendirmesiyle |
| Geçiş maliyeti | İptal edin, hiçbir şey kaybetmezsiniz | Kayıtlı ayarları ve geçmişi kaybedersiniz | Birikmiş veriyi, entegrasyonları ve ekip sürecini kaybedersiniz |
Yorum, ki bu ölçülmüş bir eşik değil bizim değerlendirmemizdir: 9 ve üzeri, önünde savunulabilir bir yılı olan bir ürünü tarif eder. 5 ile 8 arası, hareket etmeyi sürdürmek zorunda olan gerçek bir işi tarif eder, ki çoğu yazılım budur. 5’in altı, birisi onu varsayılan olarak sunana kadar zaman kiralayan bir özelliği tarif eder ve orada doğru hamle genellikle bırakmak değil, önümüzdeki çeyreği bir sıfırı ikiye çevirmeye harcamaktır.
En yüksek kaldıraçlı tek satır birincisidir. Özel veri döngüsü, MIT alıcılarının %66’sı geri bildirimden öğrenen sistemler istediğinde tarif ettikleri şeydir ve listedeki, iyi finanse edilmiş bir rakibin karar verdiği gün satın alamayacağı tek faktördür.
2026’da ne inşa edilmemeli
Üç biçimin sicili kötü, görünümü daha da kötü.
Tek istemli araç. Tüm işlevi tek bir talimat artı daha güzel bir metin kutusu olan bir ürün, doğrudan bir varsayılanla rekabet eder. Ayrıca özel bir döngüsü yoktur, yani her işletme günü onu tam olarak birinci gündeki kadar savunulabilir bırakır.
Fiyatlanmamış ajan. Ajan ürünler token tüketimini döngüdeki adım sayısıyla çarpar, bu da marj tablomuzun sağ sütununu bir kuyruk riskinden temel senaryoya çevirir. Tek bir kullanıcı isteği elli model çağrısı tetikleyebiliyorsa, sabit aylık fiyat bir fiyatlandırma modeli değil, düşük etkileşim üzerine bir bahistir.
Herkes için genel asistan. Bu, MIT verisinin genel amaçlı diye tarif ettiği konumdur ve anlık kullanıma hâkim olan ücretsiz tüketici ürünleriyle rekabet eder. Burada dar olan geniş olanı yener ve fark açıktır.
Başka yerde ele aldığımız komşu kararlar için: fiyatlandırma yapısı sorusu tek ürünlü işletme ile gelir yığını karşılaştırmamızda, başlangıç sorunu dijital ürünler için soğuk başlangıç probleminde, fiyat belirleme yöntemi yapay zeka çağında dijital ürün fiyatlandırmasında ve elde tutma gerçeği pasif gelir mitinde işlenmiştir. Daha geniş kazanç tablosu yapay zeka yan gelir ekonomisi ve verilerin gösterdiğinde.
Peki, hâlâ kurulabilir mi
Evet, ve koşullar artık kod yazmadan önce kontrol edebileceğiniz kadar belirli.
En ucuz yeterli katmanın yapabileceği bir görev seçin, çünkü bu seçim maliyette 77 kata kadar değer taşır ve marjınızı her şeyden önce belirler. Yoğun kullanımın yalnızca maliyeti değil geliri de artıracağı şekilde fiyatlandırın. Bağlamın, genel bir asistanın sahip olamayacağı bir şeye birikeceği kadar dar bir iş akışı seçin. Kurum içinde inşa etmenin üç seferden ikisinde başarısız olduğunu zaten keşfetmiş bir alıcıya satın. Ve bir model geçişinde manşetteki indirime inanmak yerine kendi token sayımlarınızı ölçün.
Bu ne bir sarmalayıcı stratejisidir ne de sarmalayıcı karşıtı bir strateji. Bunların hiçbiri yokken de yazılım işlerini yürüten aynı disiplinin, gerçekten yeni olan bir maliyet yapısına uygulanmasıdır ve fonu olmayan, elinde bir aylık akşamları bulunan tek bir kişinin erişimindedir.
Sıkça sorulan sorular
Sarmalayıcı iş, geleneksel yazılımdan doğası gereği daha mı savunmasız?
Doğası gereği değil, ama varsayılan hâli öyle. Geleneksel yazılım da sahip olmadığı altyapı üzerinde çalışır. Fark, ince bir yapay zeka ürününün çoğu zaman biriken bir varlığının olmaması, dolayısıyla zamanla yerinden edilmesinin zorlaşmamasıdır. Puan kartımızın ilk satırı çözümdür ve öğrendiğini saklamaya başlayan her ürünün erişimindedir.
Model sağlayıcı benim özelliğimi sunarsa ne olur?
Bu gerçek bir risktir ve puan kartının tek bir satırında yoğunlaşır. Bir varsayılana bir istem uzaklıkta olan özellikler yutulur. İzinlere, entegrasyonlara, uyumluluk sınırlarına veya birikmiş müşteri verisine dayanan ürünler yutulmaz, çünkü genel bir asistanın bu ilişkileri müşteri müşteri edinmesi gerekir.
Her şey için en ucuz modeli mi kullanmalıyım?
Hayır. Kendi görevinizde kendi değerlendirmenizi geçen en ucuz modeli kullanın; sınıflandırma, çıkarım ve şablonlu yazım için bu genellikle sınırın çok altındadır. Gerçekten akıl yürütme gerektiren küçük istek payını daha güçlü bir katmana yönlendirin. Karma yönlendirme, iş başına maliyet tablosunun neden önemli olduğunun cevabıdır: yönlendirme kararını tahmin etmek yerine fiyatlamanızı sağlar.
MIT raporundaki %95 başarısızlık rakamı inşa etmemek için bir neden mi?
Ondan hangi iddiayı aldığınıza dikkat etmek için bir nedendir. %95, kurumsal pilotların ölçülebilir kâr zarar etkisi üretmemesini tarif eder ve 52 görüşme ile 153 anket yanıtından oluşan küçük bir tabana dayanır. Aynı rapordaki daha eyleme dönük bulgu, satın alınan ve kendi geliştirilen araçlar arasındaki %67’ye %33 farkıdır ki bu, hiçbir şey inşa etmemek için değil, sağlayıcı olmak için bir argümandır.
İstem önbellekleme rakamları gerçekte ne kadar değiştirebilir?
Anthropic fiyatlandırma cetvelinde bir önbellek isabeti temel girdi ücretinin 0,1 katına mal olur. Örnek işimizde 4.800 tokenin 4.000’i girdidir ve gerçek bir sistem isteminin çoğu çağrılar arasında sabittir; girdi tokenlerinin çoğunu önbellek okumasına taşımak maliyetin girdi tarafını listelenen değerinin onda birine doğru götürür. Çıktı maliyetine dokunmaz. Bunun marj tablosundaki bir satırı çevirip çevirmediği, girdinizin ne kadarının gerçekten tekrarlandığına bağlıdır; bu da fiyat sayfasıyla değil ürününüzle ilgili bir sorudur.
Kaynakça
Stanford Institute for Human-Centered Artificial Intelligence, The 2026 AI Index Report, Teknik Performans ve Ekonomi bölümleri, 2026.
Stanford Institute for Human-Centered Artificial Intelligence, The 2025 AI Index Report, GPT-3.5 düzeyi performans için çıkarım maliyetindeki düşüş üzerine.
MIT NANDA, The GenAI Divide: State of AI in Business 2025, Temmuz 2025, belirtilen araştırma yöntemi ve örneklem sınırlamaları dahil.
Anthropic, yayımlanmış Claude model fiyatlandırma belgeleri; model ücretleri, istem önbellekleme çarpanları, toplu işleme indirimleri ve Claude 4.7 ve sonrası için tokenizer notu dahil, Ağustos 2026’da erişildi.
OpenAI, GPT-5, GPT-4.1 ve GPT-4o model aileleri için yayımlanmış API fiyatlandırma belgeleri, Ağustos 2026’da erişildi.
Bu içerik, derinlemesine bir araştırmanın ardından yapay zeka desteğiyle derlenmiş ve CEOtudent editör ekibi tarafından yazılıp yayına hazırlanmıştır.
