2026’da Token Maliyetleri CFO Bütçelerini Neden Bozuyor

AI token maliyetleri bir yıl içinde önemsiz bir teknoloji detayı olmaktan yönetim kurulu seviyesindeki bir bütçe sorununa dönüştü. On iki ay önce, “token maliyeti” çoğu CFO’nun radarında bir kalem değildi – şimdi haberlerde, dahili notlarda, bütçe dondurmalarında ve kazanç çağrılarında her yerde ortaya çıkıyor.

Uber, mühendislerine 2025’in sonlarında Claude Code erişimi sağladı. Nisan 2026’ya gelindiğinde şirket, yıllık AI kodlama bütçesini dört ay içinde tamamen tüketmişti. Yanıtı, Bloomberg ilk kez bildirdiği gibi, çalışan başına, ay başına, araç başına 1.500 $ harcama sınırı koymaktı. İki ajan tabanlı kodlama aracının (örneğin Claude ve Cursor) birlikte kullanılmasına izin verilirse bu tavan ayda 3.000 $’a, mühendis başına yılda 36.000 $’a çıkar. Uber’in yaklaşık 4.000 mühendise sahip olduğu tahmin ediliyor; bu da AI harcamasının 144 Milyon $’a eşdeğer olduğu anlamına geliyor.

Meta’nın harcaması daha büyük olabilir. Bir dahili not, AI token maliyetlerinin 2026’da milyarlarca dolara ulaşma yolunda olduğunu uyardı. Bunun nedeni, ajanların ölçekli çalışmasının mekaniklerine dayanıyor. Bir AI ajanı bir kod tabanına bağlandığında bir hatayı düzeltmek ya da yazılım yazmak için her bir istemle binlerce token’lık arka plan bağlamını işler. Şimdi bu durumu Meta büyüklüğünde bir organizasyona uygulayın, mühendisliğin Claude kullanması için kurumsal bir itici güç ekleyin ve token kullanımı sadece artmaz, patlar.

Ramp’ın AI Endeksi, 70.000’den fazla işletmenin gerçek satıcı ödemelerini izleyen, AI’ı benimseyen şirketlerin %1’inin şimdi çalışan başına aylık yaklaşık 7.500 $ AI harcadığını ve bu harcamanın ayda %14,1 arttığını gösteriyor. AI işe alım startup’ı Mercor’un yöneticileri kamuya açıklamışlar ki AI token maliyetleri bazı kuruluşlarda çalışan maaşlarına yaklaşmaya, hatta onları aşmaya başlıyor.

Buradan çıkarılacak bir ders var. Dünyanın en büyük teknoloji şirketleri bu harcamaya şaşırabiliyorsa, herkes şaşırabilir. Token tüketimi gerçekten yeni bir harcama kategorisi haline geldi; iki yıl önce hiçbir gelir‑gider tablosunda bulunmuyordu. Bu, finans ekiplerinin on yıllardır modellemeyi ve geleneksel ROI hesaplamalarına dahil etmeyi öğrendiği yazılım maliyetleri gibi davranmıyor. AI token maliyetlerinin geleneksel yazılım harcamalarından bu kadar farklı davranmasının nedeninı anlamak, onları kontrol altına almanın ilk adımıdır.

AI Token Maliyetlerinin Neden Bu Kadar Tahmin Edilmesi Zor

Geleneksel yazılım bütçelemesi basit bir varsayıma dayanır: maliyet çalışan sayısıyla ölçeklenir. On yeni çalışan, bilinen bir fiyatla on yeni lisans demektir. Şirketler büyüdükçe ya da yeni yazılım platformları lisansladıkça bu, öngörmesi ve planlaması kolay bir durumdur.

AI token’ları bu varsayıma aykırıdır. Maliyet, çalışan sayısı değil kullanım ile ölçeklenir ve kullanım son derece dengesiz, tahmin edilmesi zor ve otonom ajanlar söz konusu olduğunda bir klavyenin başında oturan bir insana bile bağlı değildir. Tek bir mühendis ajan tabanlı bir kodlama oturumu yürüttüğünde, çıktının faydalı olup olmadığına bakılmaksızın sayaç çalıştığı için bir ay içinde binlerce doları uyarı almadan tüketebilir. Birçok model ayrıca yanıt vermeden önce adım adım “düşünmek” için binlerce gizli, görünmez token üretir, bu da istem başına maliyeti katlar.

Bu, çoğu kuruluşun fiyatlandırmadığı kısımdır: yeni ajan tabanlı AI harcamasının her doları bir yerden gelmek zorundadır. Çoğu CFO için bu, bir yenilik fonu tarafından absorbe edilen yuvarlama hatası değildir; iki yıl önce var olmayan yeni harcamalarla milyonlarca dolardan bahsediyoruz. Bu, çalışan sayısı, diğer teknoloji yatırımları ya da işletmenin başka bir yerindeki isteğe bağlı bütçe ile gerçek bir takas haline gelir.

Kurumsal AI Harcama Riskinin Üç Katmanı

Kuruluşların AI harcamalarını nasıl yaptıklarına baktığımızda daha net bir desen ortaya çıkıyor. AI maliyet riski eşit dağılmıyor. Belirli noktalarda yoğunlaşıyor ve muhtemelen üçtan sadece biri tipik bir organizasyonda şu anda kontrol altında.

Satış, pazarlama ve operasyonlardaki iş kullanıcıları büyük ölçüde kişi başı fiyatlandırılan araçlarla çalışır: kullanıcı başına ayda 20‑30 $ sabit. Bu, finansın zaten nasıl bütçeleyeceğini bildiği katmandır, çünkü son yirmi yılda satın aldıkları diğer tüm SaaS kalemleri gibi tam olarak aynı şekilde davranır.

Ajan tabanlı kodlama araçları kullanan geliştiriciler, Uber tarzı hikayelerin kaynağıdır ve tüm kategori sabit ücret modelinden ölçülen fiyatlamaya geçti. GitHub Copilot token tabanlı faturalamaya geçti Haziran 2026’da ve geliştiriciler faturaların ayda 29 $’dan 750 $’a, yoğun ajan oturumlarında ise 50 $’dan 3.000 $’a sıçradığını öngörüyorlar. Uber burada bir istisna değil, tüm kategorinin nereye gittiğine dair erken bir bakıştır.

Otonom ajanlar, henüz neredeyse kimsenin modellemediği katmandır. Bir ajan için “koltuk” kavramı yoktur. Gözetimsiz çalışır, alt‑ajanlar oluşturur, hatada yeniden dener ve değer üretilip üretilmediğine bakılmaksızın tüm süre boyunca token tüketir. Bu, en az maliyet verisine ve en az bütçeleme örneğine sahip katmandır.

Basitçe söylemek gerekirse, CFO’ların en rahat olduğu katman aynı zamanda en düşük finansal riski taşır. Bütçeleri gerçekten zorlayan iki katman ise kullanımın en hızlı ölçeklendiği anda öngörülebilir fiyatlamadan uzaklaşanlardır.

AI Maliyet Yönetimi Açığını Kapatma

Uber, Meta ve daha geniş Ramp veri kümesi arasında ortak nokta görünürlük eksikliğidir. Çoğu kuruluş, bir çalışan ya da aracı aracı açan kişi ile arasında bir katmana sahip değildir. Uber’in uyguladığı harcama limitleri, gerçekte daha üst aşamada bir çözüm gerektiren bir soruna, kaba ve sonradan uygulanan bir düzeltmedir.

Bu, genellikle ajan orkestrasyonu ya da ajan geçitleri olarak adlandırılan yeni bir araç kategorisinin ele almayı amaçladığı boşluktur: her görevi onu işleyebilecek en ucuz modele yönlendirmek, harcama limitlerini aşılmadan önce uygulamak ve finans departmanına aylık bir sürpriz yerine gerçek zamanlı bir ölçüm sunmak.

Bu kategori hızla ilerliyor ve zaten birkaç ayrı katmana bölünmüş durumda. Bir katman, bir kuruluşun uygulamaları ile model sağlayıcıları arasında yer alan, ekip bazlı harcama limitleri ekleyen, basit görevler için daha ucuz modellere otomatik yönlendirme yapan ve yanıt önbelleklemesi sağlayan maliyet kontrol geçitleridir; Uber’in limitini uygularken manuel olarak kullandığı aynı kaldıraçlar. İkinci katman, birden fazla ajanın birlikte çalışmasını koordine etmeye odaklanan ajan orkestrasyonudur; maliyet görünürlüğü artık sonradan eklenmek yerine yerleşik olarak geliyor. Ve daha yeni, finans odaklı bir katman, AI harcamalarını FinOps ekiplerinin uzun süredir bulut harcamalarını ele aldığı şekilde ele almaya başlıyor: ekip ve özellik bazında atfedilen, bütçelenen ve aylık olarak incelenen, sonradan keşfedilen değil.

Daha sonra, harcamaları büyük LLM’lere olan bağımlılığı azaltarak sınırlamayı amaçlayan bir mimari yaklaşım bulunmaktadır. Bazı şirketler, küçük dil modellerinin dar bir kurumsal görev seti üzerinde (ör. iç politika, müşteri hizmetleri, kredi belge işleme, nakliye manifestolarının ayrıştırılması) eğitildiği hibrit bir SLM/LLM mimarisi oluşturmaya başlamıştır. Ekonomik açıdan bu cazip olabilir.

Bir 2026 kurumsal LLM karşılaştırmasına göre, aylık bir milyon konuşma başına, barındırılan uç LLM maliyetleri ayda 15.000 ila 75.000 dolar arasında değişirken, aynı hacimde dahili olarak konuşlandırılan ince ayarlı küçük dil modeli ayda 150 ila 800 dolar arasında maliyetlidir. Goldman Sachs, örneğin, AI harcamalarını ölçekli bir şekilde, her isteği görev türüne göre sınıflandıran ve işi için en maliyet etkin modele yönlendiren merkezi bir model geçidi aracılığıyla yönetir; hafif açık kaynak modellerinden uç LLM’lere kadar, tümü kendi güvenlik sınırı içinde.

Ortak nokta, bugünün çoğu aracının mühendisler tarafından ve mühendisler için inşa edilmiş olmasıdır; ajan kullanımını sayesinde üretkenliklerini artırmak için. Çoğu kuruluşun hâlâ eksik olduğu katman, CFO’nun sorusuna doğrudan yanıt verecek şekilde tasarlanmıştır: hangi ekip, hangi bütçe, harcamaları nasıl öngöreceğiz ve bu harcama hangi iş kullanım senaryosunu destekliyor? Bu, ajan tabanlı AI harcamaları artmaya devam ettikçe en önemli boşluk olacaktır.

İki yıl önce, bunların hiçbiri bir satır kalemi olarak mevcut değildi. Bugün, AI token maliyetleri bilanço üzerindeki en hızlı büyüyen ve en az anlaşılan kalemlerden biri ve AI maliyet yönetimi yan proje yerine temel bir finans disiplini haline geliyor. Bulutun ilk benimsenmesi ve maliyetlerin ilk dalgada patlamasıyla benzer bir hikaye gördük. Ajan tabanlı AI dağıtımlarını planlayan kuruluşların, mühendislik ve finans arasında bu konuyu şimdi görüşmeleri ve yönetmek için bir yaklaşım geliştirmeleri faydalı olacaktır. Uber ve Meta, bunu önceden değil sonradan yaptığınızda neler olacağını zaten gösterdi.