AI Agent’lar kurumsal yazılımlarda yeni bir dönemin kapısını açıyor. Artık yapay zekâdan yalnızca sorularımıza cevap vermesini değil; veriye ulaşmasını, farklı sistemlerle çalışmasını, işlem yapmasını ve bir görevi mümkün olduğunca kendi başına tamamlamasını bekliyoruz. ERP, CRM, insan kaynakları, satın alma ve finans gibi alanlarda bunun önemli bir potansiyeli var.

Ancak daha az konuşulan bir konu bulunuyor: Bir işi AI Agent’a yaptırmanın gerçek maliyeti nedir?

Bunu basit bir ERP örneğiyle düşünelim.

“Stok 100 adedin altına düştüğünde satın alma talebi oluştur.”

Bu, sınırları belli bir iş kuralıdır ve klasik bir ERP otomasyonu ile gerçekleştirilebilir. Bunun için her seferinde büyük bir dil modelini devreye sokmak gerekli olmayabilir.

Ancak görev şöyle olursa durum değişir:

“Geçmiş tüketimi, üretim planını, mevcut stokları, açık siparişleri ve tedarikçi performansını değerlendirerek gelecek ay için satın alma önerisi hazırla.”

Burada farklı verilerin birlikte değerlendirilmesi ve bir sonuç üretilmesi gerekiyor. AI Agent kullanımı bu tür görevlerde daha anlamlı hale gelebilir.

Fakat bunun bir maliyeti var. Bir AI Agent görevi tamamlamak için veriye ulaşabilir, farklı araçları kullanabilir, modeli birden fazla kez çalıştırabilir ve gerektiğinde bazı adımları tekrarlayabilir. Dolayısıyla kullanıcı açısından tek bir görev, sistem tarafında çok sayıda işleme dönüşebilir. OpenAI’nin Türkçe fiyatlandırma bilgilerinde de ajan kullanımındaki tüketimin görevin karmaşıklığına, giriş büyüklüğüne ve çıktı uzunluğuna göre değişebileceği belirtiliyor.

Bu nedenle yalnızca token fiyatına bakmak yeterli değil. Asıl bakılması gereken görev maliyeti. Bir model ucuz olabilir; ancak görevi tamamlamak için tekrar tekrar çalışıyor, farklı araçlar kullanıyor veya insan kontrolüne ihtiyaç duyuyorsa toplam maliyet beklenenden yüksek olabilir.

2026 yılında yayımlanan “How Do AI Agents Spend Your Money?” araştırması da bu konuya dikkat çekiyor. Sekiz ileri seviye büyük dil modelinin ajan tabanlı yazılım geliştirme görevlerindeki token tüketimini inceleyen çalışma, incelenen görevlerde tüketimin klasik kod sohbeti ve tek seferlik kod akıl yürütme görevlerine göre çok daha yüksek olabildiğini ve aynı görevin farklı çalıştırmalarında önemli ölçüde değişebildiğini gösteriyor. Araştırma yazılım geliştirme görevleriyle sınırlı olduğu için sonuçları tüm AI Agent uygulamalarına genellemek doğru değil; ancak ajan maliyetinin her zaman kolay tahmin edilemeyebileceğini gösteriyor.

Burada kritik soru ortaya çıkıyor: Her sürece AI Agent gerekli mi?

Kesin kurallara bağlı işlemlerde klasik yazılım ve otomasyon, yorumlama gerektiren işlerde LLM, farklı sistemleri ve işlemleri koordine eden daha karmaşık görevlerde ise AI Agent yaklaşımı daha uygun olabilir.

Çünkü AI Agent’ın maliyeti yalnızca tokenlardan oluşmuyor. Model kullanımı yanında entegrasyon, güvenlik, izleme, doğrulama ve insan kontrolü de toplam maliyetin parçası.

Bu nedenle AI Agent yatırımlarında yeni KPI belki de şu olmalı:

Bir işi başarıyla tamamlamanın yapay zekâ maliyeti nedir?

Asıl soru artık “AI Agent bu işi yapabilir mi?” değil, “Bu işi AI Agent’a yaptırmak gerçekten daha anlamlı mı?”

AI Agent çağında rekabet avantajını belki de en fazla yapay zekâ kullanan kurumlar değil; hangi işi yapay zekâya vereceğini, hangi işi klasik yazılıma bırakacağını ve elde edilen değerin maliyete değip değmediğini ölçebilen kurumlar elde edecek.

Kaynaklar

OpenAI – Ajan çağında yapay zekâ yatırımları nasıl yönetilir?

OpenAI – ChatGPT Fiyat Listesi (Türkçe)

Ethereum.org – Yapay Zekâ Ajanı Eğitimi (Türkçe)

How Do AI Agents Spend Your Money? Analyzing and Predicting Token Consumption in Agentic Coding Tasks (2026)