Yapay zekâ kodlama maliyetleri 2028’de geliştirici maaşlarını aşabilir

Yapay zekâ destekli kodlama araçları, yazılım geliştirmeyi hızlandırma vaadiyle yaygınlaşıyor. Ancak şirketler için ilk sonuç her zaman verimlilik artışı değil, beklenenden hızlı büyüyen faturalar olabilir. Gartner, 24 Haziran 2026 tarihli How to Optimize Token Consumption for AI Coding araştırma notunda, geliştirici başına yapay zekâ kodlama maliyetinin 2028’e kadar ortalama bir yazılım geliştiricisinin maaşını aşabileceğini öngörüyor .

Bu bir kesinlik değil, belirli varsayımlara dayanan bir projeksiyon. Yine de büyük şirketlerde ortaya çıkan örnekler, uyarının yalnızca uzak bir senaryodan ibaret olmadığını gösteriyor.

Maliyetler neden maaşları aşabilir?

Gartner’a göre iki eğilim aynı anda güç kazanıyor :

• Token tüketimi hızla artıyor. Büyük dil modellerinin ücretlendirilmesinde kullanılan token’lar; modelin okuduğu, hatırladığı ve ürettiği metin ile veri parçalarını ifade ediyor. Geliştiriciler yapay zekâ ajanlarını daha yoğun ve daha otonom kullandıkça tüketilen token miktarı artıyor. Token başına fiyatlar düşse bile toplam kullanım çok daha hızlı büyüyebiliyor.
• Sabit aboneliklerden kullanım bazlı fiyatlandırmaya geçiliyor. Anthropic, Cursor ve GitHub Copilot gibi sağlayıcıların sunduğu bazı hizmetlerde maliyet, sabit aylık ücret yerine kullanıma ve token tüketimine göre değişiyor. Böylece fatura, her yeni istek ve işlemle birlikte büyüyebiliyor .

Gartner kıdemli baş analisti Nitish Tyagi, The Register’a yaptığı değerlendirmede geliştirici başına aylık yapay zekâ faturalarının 20 veya 100 dolar seviyelerinden 2.000, hatta 5.000 dolara çıkabildiğini söyledi . Tyagi’ye göre altyapı yatırımları ve kârlılık sorunları model fiyatlarını yukarı çekebileceği için yapay zekâ kodlama harcamaları artmaya devam edebilir .

Uber bütçesini dört ayda tüketti

Bu eğilimin en görünür örneklerinden biri Uber. Şirket, 2026 yılı yapay zekâ kodlama bütçesinin tamamını yılın yalnızca ilk dört ayında, yani Nisan 2026’ya kadar tüketti .

Bunun üzerine Uber, Anthropic’in Claude Code’u ve Cursor gibi ajan tabanlı kodlama araçlarında çalışan başına, araç başına aylık 1.500 dolarlık token harcaması sınırı uygulamaya başladı . Sınır bir araçtaki harcamanın diğer araç için ayrılan bütçeyi etkilemeyeceği şekilde tasarlandı .

Kullanım da kısa sürede hızla yayılmıştı. Mart 2026’da Uber mühendislerinin yüzde 84’ü Claude Code kullanıyordu; bu oran 2025’in sonlarında yüzde 32’ydi . Sınır getirilmeden önce mühendis başına aylık maliyet 500 ila 2.000 dolar arasında değişiyordu . Uber’in operasyon direktörü, şirketin yapay zekâ harcamasıyla müşteriye sağlanan değer arasındaki bağlantının henüz kurulamadığını söyledi .

Uber yalnız değil: Microsoft ve Priceline da baskı görüyor

Kurumsal yapay zekâ kullanımında maliyet baskısının başka örnekleri de bulunuyor:

• Microsoft, Claude Code erişimini geliştiricilerine açtıktan birkaç ay sonra maliyet endişeleri nedeniyle erişimi geri çekti .
• Priceline, yapay zekâ kodlama araçlarında beş kata ulaşan fiyat artışlarıyla karşılaştı .
• Gartner, kullanım bazlı fiyatlandırılan yapay zekâ kodlama araçlarını kullanan işletmelerin yüzde 40’ının 2027’ye kadar beklenen bütçelerinin iki katını aşan, planlanmamış maliyetlerle karşılaşabileceğini öngörüyor .

En yoğun tüketim her zaman geliştiricilerden gelmiyor

Accenture örneği, token maliyetlerindeki artışın yalnızca yazılım mühendisliği ekiplerinden kaynaklanmadığını gösteriyor. Sızdırılmış ses kayıtları ve haberleştirmelere göre, en yüksek token tüketimini geliştiriciler yerine PDF dosyalarını sunumlara dönüştürmek için yapay zekâ araçlarını kullanan mühendis olmayan çalışanlar gerçekleştirdi .

Şirketin, yöneticilere yapay zekâ harcamalarının yeterli bir getiri sağlayıp sağlamadığını görme imkânı sunmak üzere “Token IQ” adlı bir ürün başlatmayı planladığı bildirildi . Bu örnek, kurumsal yapay zekâ maliyetlerinin yalnızca “kod yazma” kalemi altında takip edilmesinin yetersiz kalabileceğine işaret ediyor.

KPMG: Şirketler faturanın nereye gittiğini göremiyor

KPMG’nin 20 ülkeden 2.100’den fazla üst düzey yöneticinin katıldığı 2026 ikinci çeyrek Global AI Pulse araştırması, maliyet takibindeki açığı ortaya koydu. Kurumların yalnızca yüzde 26’sı yapay zekâ kullanım maliyetlerini gerçek zamanlı olarak görebildiğini belirtti .

Araştırmaya göre:

• Şirketlerin yüzde 50’si yalnızca kısmi görünürlüğe sahip.
• Yüzde 22’sinin ise çok az ya da hiç görünürlüğü yok; bu kurumlar maliyeti ancak fatura geldiğinde öğreniyor .

KPMG’nin küresel yapay zekâ başkanı Steve Chase, bazı müşterilerin yıllık token ve bulut bütçelerini birkaç ay içinde tükettiğini, bir müşteride token kullanımının altı kat arttığını söyledi . Token bazlı faturalandırma, geleneksel BT finans kontrolleriyle öngörülmesi ve sınırlandırılması zor, değişken bir harcama kalemi oluşturuyor .

Gartner maliyetleri yönetmek için ne öneriyor?

Gartner’ın Haziran 2026 tarihli notu ile Mart 2026’da yayımlanan 10 Best Practices for Optimizing Generative and Agentic AI Costs raporundaki öneriler, yapay zekâ kullanımını başıboş bırakmak yerine disiplinli bir işletim modeli kurmaya odaklanıyor .

1. Kullanım senaryosuna göre karar çerçevesi oluşturun

Şirketler, yapay zekâ kodlama ajanlarının ne zaman ve hangi özerklik düzeyinde kullanılacağını önceden belirlemeli. Geliştirme işlerini üç modele ayırmak mümkün: geliştirici liderliğinde, geliştirici ve ajan iş birliğiyle ya da tamamen ajan liderliğinde yürütülen işler .

2. Modeli görevin karmaşıklığına göre seçin

Test yazma, yeniden düzenleme, temel kod iskeleti oluşturma ve dokümantasyon gibi sık tekrarlanan görevler daha küçük ve ucuz uzman modellerine yönlendirilebilir. En gelişmiş modellerin yalnızca karmaşık ve yüksek değerli işler için kullanılması token tüketimini azaltabilir .

3. Bağlam mühendisliğini zorunlu hâle getirin

Yapay zekâ sistemine verilen bağlamın daha doğru ve daha kısa hazırlanması, ilgisiz ya da tekrarlanan bilgilerin işlenmesini önleyebilir. Böylece aynı iş için daha az token harcanır .

4. Önbellekleme, toplu işlem ve gerçek zamanlı izleme kullanın

Önbellekleme ve istekleri toplu hâle getirme, tekrarlanan hesaplama maliyetlerini düşürebilir. Şirketlerin geliştirici ve ekip bazında token tüketimini gerçek zamanlı izlemesi de olağan dışı kullanımın erken fark edilmesini sağlar .

5. FinOps benzeri bir yönetişim katmanı kurun

Gartner, yapay zekâ maliyetleri için bulut harcamalarında kullanılan FinOps yaklaşımına benzer bir yapı öneriyor. Bu yapıda gerçek zamanlı tüketim takibi, kullanıcı başına bütçeler ve kontrolden çıkan kullanımı saptayacak otomatik anomali uyarıları bulunmalı .

Gartner ayrıca mühendislik yöneticilerinin mevcut token kullanım alışkanlıklarını denetlemesini ve ekiplerinin otonom ajanlı geliştirmeye hazır olup olmadığını değerlendirmesini istiyor .

Verimlilik her görevde aynı ölçüde artmıyor

Yapay zekâ kodlama araçlarının katkısı, görevin niteliğine göre değişiyor. Sınırları iyi çizilmiş ve açık biçimde tanımlanmış test yazma, yeniden düzenleme, kod iskeleti oluşturma, dokümantasyon ve basit hata düzeltme işlerinde üretkenlik anlamlı ölçüde artabiliyor. Buna karşılık mimari kararlar, yeni türde hata ayıklama ve sistemler arası akıl yürütme gerektiren işlerde kazanım daha sınırlı kalıyor .

Bu nedenle şirketlerin, ekiplerinin iş yükünün ne kadarının yüksek getirili görevlerden oluştuğunu hesaplaması ve yapay zekâ kullanımını öncelikle bu alana yönlendirmesi gerekiyor .

Sonuç: Yapay zekâ artık ayrı bir maliyet merkezi

Sınırsız yapay zekâ kodlama harcamaları dönemi sona eriyor. Araçlar doğru tanımlanmış görevlerde gerçek verimlilik kazanımları sağlayabiliyor; ancak yönetişim olmadan maliyetler, beklenen üretkenlik artışından daha hızlı büyüyebiliyor .

Gartner’ın önerdiği yaklaşım yapay zekâdan geri çekilmek değil; onu görünürlük, model yönlendirme, kullanıcı bütçeleri ve kullanım sınırları olan gerçek bir maliyet merkezi olarak yönetmek. Uber’in deneyimi ise şirketlerin bu disiplini teorik bir tercih olmaktan çıkarıp zorunlu bir bütçe kontrolüne dönüştürmeye başladığını gösteriyor.