K\u0131sa bir s\u00fcre \u00f6nce, pek \u00e7ok \u015firket \u00e7ok \u00e7e\u015fitli i\u015f ak\u0131\u015flar\u0131nda yapay zeka ajanlar\u0131n\u0131 aktif olarak kullanmaya ba\u015flad\u0131. K\u0131sa s\u00fcrede, bu teknolojileri kullanman\u0131n maliyeti \u015firketler i\u00e7in acil bir sorun haline geldi. \u00dcstelik bu, sadece finans departman\u0131n\u0131 ilgilendiren bir konu de\u011fildir. B\u00fct\u00e7eyle ilgili endi\u015felerin yan\u0131 s\u0131ra, g\u00fcvenilirlik, operasyonel istikrar ve hatta bilgi g\u00fcvenli\u011fi gibi konular da g\u00fcndeme gelmektedir. Bunun nedeni, ayn\u0131 s\u00fcrecin otomasyon maliyetinin bir uygulamadan di\u011ferine \u00f6nemli \u00f6l\u00e7\u00fcde farkl\u0131l\u0131k g\u00f6stermesi, \u00f6ng\u00f6r\u00fclemez olmas\u0131 ve d\u0131\u015f etkenlere ba\u011fl\u0131 olabilmesidir.<\/p>\n
Ayr\u0131ca, bir kurulu\u015fa sald\u0131r\u0131 d\u00fczenleyen k\u00f6t\u00fc niyetli bir akt\u00f6r i\u00e7in, yapay zeka kullan\u0131larak otomatikle\u015ftirilmi\u015f ve d\u0131\u015f etkenlere kar\u015f\u0131 zay\u0131f noktas\u0131 olan her t\u00fcrl\u00fc s\u00fcre\u00e7, \u00f6z\u00fcnde \u201cyeni t\u00fcr bir DDoS sald\u0131r\u0131s\u0131\u201d i\u00e7in kolay bir hedeftir. Uygulama hata raporlar\u0131, \u00fcr\u00fcn yorumlar\u0131 veya teknik destek talepleri (t\u0131pk\u0131 bir \u015firketin yapay zeka arac\u0131l\u0131\u011f\u0131yla i\u015fledi\u011fi di\u011fer t\u00fcm harici veriler gibi), belirte\u00e7lerin (LLM\u2019nin girdi ve \u00e7\u0131kt\u0131s\u0131n\u0131n temel birimi olarak i\u015flev g\u00f6ren kelime par\u00e7alar\u0131) t\u00fcketimini art\u0131rmay\u0131 ama\u00e7layan bir sald\u0131r\u0131da bir ara\u00e7 olarak kullan\u0131labilir.<\/p>\n
2026 y\u0131l\u0131nda, b\u00fcy\u00fck \u015firketler ilk kez yapay zeka sistemlerine ayr\u0131lan b\u00fct\u00e7elerini \u00f6nemli \u00f6l\u00e7\u00fcde a\u015ft\u0131lar. Uber, y\u0131ll\u0131k b\u00fct\u00e7esinin tamam\u0131n\u0131 Nisan ay\u0131na kadar harcad\u0131<\/a>, ismi a\u00e7\u0131klanmayan bir \u015firket ise Claude i\u00e7in harcama limitleri belirlememi\u015f ve bir ayda 500 milyon dolar harcam\u0131\u015ft\u0131r<\/a>. Yapay zeka sa\u011flay\u0131c\u0131lar\u0131 d\u00fczenli olarak daha d\u00fc\u015f\u00fck fiyatlar ve daha verimli modeller duyuruyor olsa da, sohbet robotlar\u0131ndan s\u00fcrekli ve otonom bir \u015fekilde \u00e7al\u0131\u015fan ajan tabanl\u0131 sistemlere ge\u00e7i\u015f, token t\u00fcketimini y\u00fczlerce ya da binlerce kat artt\u0131rmaktad\u0131r<\/a>.\u00a0 Ayn\u0131 zamanda, \u015firketlere y\u00f6nelik \u201c20 veya 100 dolarl\u0131k sabit abonelik\u201d modeli art\u0131k ge\u00e7mi\u015fte kalmakta; t\u00fcm b\u00fcy\u00fck sa\u011flay\u0131c\u0131lar, kurumsal m\u00fc\u015fterileri \u201ckulland\u0131k\u00e7a \u00f6de\u201d faturaland\u0131rma sistemine ge\u00e7mektedir.<\/p>\n Sonu\u00e7 olarak, \u015firketler bulut bar\u0131nd\u0131rma ve mobil ileti\u015fim sekt\u00f6rlerinde fazlas\u0131yla tan\u0131d\u0131k bir sorunla kar\u015f\u0131 kar\u015f\u0131ya kalmaktad\u0131r. \u00d6zel maliyet muhasebesi ve y\u00f6netim sistemlerinin bulunmamas\u0131 durumunda, bir kurulu\u015f belirli bir s\u00fcrecin veya projenin ne kadara mal olaca\u011f\u0131n\u0131 ancak bu s\u00fcre\u00e7 veya proje tamamland\u0131ktan sonra \u00f6\u011frenebilir. Telekom ve bulut sekt\u00f6rlerinde bu sorun, geli\u015fmi\u015f faturaland\u0131rma sistemlerinin geli\u015ftirilmesi sayesinde nihayet \u00e7\u00f6z\u00fcld\u00fc; bu sekt\u00f6rlerdeki m\u00fc\u015fteriler, hatta FinOps<\/a> adl\u0131 \u00f6zel bir terimi bile benimsedi. Yapay zeka a\u00e7\u0131s\u0131ndan bu s\u00fcre\u00e7 h\u00e2l\u00e2 emekleme a\u015famas\u0131ndad\u0131r. Ayr\u0131ca, \u00fcretken yapay zekan\u0131n olas\u0131l\u0131ksal do\u011fas\u0131, sorunun \u00e7\u00f6z\u00fcm\u00fcn\u00fc daha da karma\u015f\u0131k hale getirecektir.<\/p>\n Maliyetlerin neden bu kadar h\u0131zl\u0131 artt\u0131\u011f\u0131n\u0131 ve tahmin edilip kontrol edilmesinin neden bu kadar zor oldu\u011funu anlamak i\u00e7in, bir dil modelinin nas\u0131l \u00e7al\u0131\u015ft\u0131\u011f\u0131na ve onu bir yapay zeka ajan\u0131 haline getiren unsurlara bakmam\u0131z gerekir. Model durum bilgisi i\u00e7ermez; ba\u015fka bir deyi\u015fle, etkile\u015fimler aras\u0131nda hi\u00e7bir bilgiyi saklamaz. Ajan bir sonraki ad\u0131m\u0131 att\u0131\u011f\u0131 her seferinde, belirli bir g\u00f6revle ilgili t\u00fcm \u00e7al\u0131\u015fma ge\u00e7mi\u015fi (ba\u011flam) modele yeniden g\u00f6nderilmelidir: \u0130lk komut, \u00f6nceki ak\u0131l y\u00fcr\u00fctme s\u00fcreci, okudu\u011fu dosyalar\u0131n i\u00e7eri\u011fi ve t\u00fcm ara\u00e7lardan gelen yan\u0131tlar. Her ad\u0131mda bu \u201c\u00f6zet\u201d daha da uzar; \u00f6zellikle de g\u00f6rev yinelemeli d\u00f6ng\u00fcler i\u00e7eriyorsa. Bir ad\u0131m ba\u015far\u0131s\u0131z olursa, yan\u0131t net de\u011filse veya bir ara\u00e7 hata verirse, ajan basit\u00e7e tekrar dener ve bu da ba\u011flam\u0131n boyutunu daha da b\u00fcy\u00fct\u00fcr. Ve e\u011fer g\u00f6rev tek bir ajan taraf\u0131ndan de\u011fil de, i\u015fi kendi aralar\u0131nda payla\u015f\u0131p sonu\u00e7lar\u0131n\u0131 birbirleriyle payla\u015fan birka\u00e7 ajan taraf\u0131ndan yerine getiriliyorsa, bu hacim ajan say\u0131s\u0131yla \u00e7arp\u0131l\u0131r. Sonu\u00e7 olarak, token t\u00fcketimi kademeli olarak de\u011fil, ani art\u0131\u015flarla ger\u00e7ekle\u015fir ve g\u00f6revin ba\u015f\u0131nda bunu tahmin etmek neredeyse imkans\u0131zd\u0131r.<\/p>\n Bir yapay zeka ajan\u0131n etkile\u015fimine ait iki farkl\u0131 oturumu, tam olarak ayn\u0131 g\u00f6revi \u00e7\u00f6zmek amac\u0131yla \u00e7al\u0131\u015ft\u0131r\u0131ld\u0131\u011f\u0131nda (iki teknik destek talebi, iki analiz g\u00f6revi vb.), bu oturumlarda harcanan belirte\u00e7 say\u0131s\u0131 farkl\u0131l\u0131k g\u00f6sterebilir. Bu fark, 30 kat\u0131na kadar<\/a> olabilir. Bu, g\u00f6revin tamamlanmas\u0131 i\u00e7in ka\u00e7 ad\u0131m, hata ve yeniden deneme gerekti\u011fine ba\u011fl\u0131d\u0131r. Kaynak t\u00fcketiminin artmas\u0131, her zaman g\u00f6revin karma\u015f\u0131kl\u0131\u011f\u0131na ba\u011fl\u0131 de\u011fildir. Yapay zekan\u0131n bir d\u00fc\u015f\u00fcnce d\u00f6ng\u00fcs\u00fcne saplan\u0131p \u00f6nemsiz g\u00f6revler i\u00e7in abs\u00fcrt derecede fazla kaynak harcad\u0131\u011f\u0131<\/a> \u00e7ok say\u0131da \u00f6rnek bilinmektedir.<\/p>\n Kurumsal sistemlerdeki \u00fc\u00e7 nesil yapay zeka sistemi, kaynaklar\u0131 tamamen farkl\u0131 \u015fekillerde t\u00fcketir:<\/p>\n LLM \u00e7a\u011fr\u0131lar\u0131, tipik standart yaz\u0131l\u0131m \u00e7a\u011fr\u0131lar\u0131na k\u0131yasla \u00f6nemli \u00f6l\u00e7\u00fcde daha pahal\u0131 oldu\u011fundan, kurumsal rutin g\u00f6revlerin otomatikle\u015ftirilmesi al\u0131\u015f\u0131lmad\u0131k derecede y\u00fcksek bir maliyet gerektirir. \u00d6rne\u011fin, Gartner, bir LLM kullanarak tek bir m\u00fc\u015fteri destek talebini \u00e7\u00f6zmenin maliyetinin yakla\u015f\u0131k 3 $ oldu\u011funu<\/a> tahmin etmektedir<\/a>. Sald\u0131rganlar\u0131n, ucuz bir LLM taraf\u0131ndan \u00fcretilen binlerce uzun ve karma\u015f\u0131k isteklerle bir \u015firketi nas\u0131l bombard\u0131mana tutarak \u00f6nemli maddi zarara yol a\u00e7abilece\u011fini hayal etmek hi\u00e7 de zor de\u011fildir. S\u00fcre\u00e7 otomatik oldu\u011fu i\u00e7in, anormallikler hemen tespit edilemeyebilir.<\/p>\n Bir sald\u0131rgan, bir i\u015f s\u00fcrecinde hangi ajan sisteminin ve hangi b\u00fcy\u00fck dil modelinin (LLM) kullan\u0131ld\u0131\u011f\u0131n\u0131 bilirse, daha hedefli bir sald\u0131r\u0131 ger\u00e7ekle\u015ftirebilir ve \u00e7ok daha b\u00fcy\u00fck hasara yol a\u00e7abilir. GitInject<\/a> ara\u015ft\u0131rmas\u0131n\u0131n yazarlar\u0131, hata analizi i\u00e7in yapay zeka ajanlar\u0131 kullanan bir kurulu\u015f i\u00e7inde tek bir sald\u0131r\u0131yla (GitHub\u2019un savunma mekanizmalar\u0131 devreye girmeden \u00f6nce) GitHub sorunlar\u0131 olu\u015fturabilen bir sald\u0131rgan\u0131n, kurban\u0131n hesab\u0131ndan 111 $\u2019a kadar zarar verebilece\u011fini ve 400 dakikal\u0131k GitHub Actions kotas\u0131n\u0131<\/a> t\u00fcketebilece\u011fini tahmin ettiler. Elbette, b\u00f6yle bir sald\u0131r\u0131 sald\u0131rgana herhangi bir maliyet getirmeden defalarca tekrarlanabilir.<\/p>\n Parasal a\u00e7\u0131dan \u00f6l\u00e7\u00fclmesi zor olsa da en tehlikeli risk, b\u00fcy\u00fck dil modellerini (LLM\u2019ler) a\u015f\u0131r\u0131 ak\u0131l y\u00fcr\u00fctmeye sevk eden sald\u0131r\u0131lardan kaynaklan\u0131r. OverThink<\/a> ba\u015fl\u0131kl\u0131 makalede yazarlar, zarars\u0131z bir \u015fekilde ifade edilmi\u015f bir g\u00f6revin bir dil modeline girildi\u011finde nihayetinde do\u011fru bir sonu\u00e7 verdi\u011fini, ancak bu s\u00fcre\u00e7te olmas\u0131 gerekenden 46 kat daha fazla belirte\u00e7 t\u00fcketti\u011fini ortaya koydu. Ayr\u0131ca, ara\u015ft\u0131rmac\u0131lar taraf\u0131ndan test edilen t\u00fcm g\u00f6revler mevcut g\u00fcvenlik filtrelerini ba\u015far\u0131yla ge\u00e7ti.<\/p>\n\u00d6ng\u00f6r\u00fclemeyen token t\u00fcketimi<\/h2>\n
\n
Sald\u0131r\u0131larda tokenomik: Yeni Maliyet T\u00fcketme Sald\u0131r\u0131s\u0131 t\u00fcr\u00fc olarak c\u00fczdan eri\u015fimini engelleme<\/h2>\n