Doğru Yapay Zekâ Aracını Seçmek
Bir yapay zekâ aracını seçmek, bir sıralamada en üstte görünen adı satın almak değildir. Aynı model, farklı bir ürünün izinleri, dosya işleme biçimi, bağlayıcıları ve veri koşulları nedeniyle farklı bir çalışma deneyimi verebilir. Bu modül, bir görevi güvenli ve ölçülebilir biçimde hangi model–ürün–ajan bileşimine vereceğinizi seçmenize yardımcı olur. Kasım 2026 tarihli model ve fiyat bilgileri karar anı görüntüsüdür; satın alma öncesinde ilgili resmî sayfayı yeniden açmanız gerekir.
Modül künyesi
Alan Bilgi Hedef kitle Kurumsal çalışanlar, yöneticiler, satın alma ve bilgi teknolojileri ekipleri, program kolaylaştırıcıları Önerilen süre (toplam dakika) 120 Ön koşul Yapay zekâ modeli, veri sınıfı ve insan doğrulaması kavramlarına temel aşinalık; bkz. Modül 2 ve Modül 3 Kullanılan araçlar (araç tarafsız) Kurumun onaylı yapay zekâ ürünü, ikinci bir karşılaştırma adayı, metin düzenleyici, kurgusal test dosyaları ve puanlama tablosu Modül sonunda üretilen çıktı Üç görevli mini kıyaslama kaydı, tedarikçi değerlendirme kartı, görev–araç eşleştirmesi ve araçlar arası geçiş için bağlam dosyası
Öğrenme çıktıları
Bu modülün sonunda: Bir modelin, onu erişilebilir kılan üründen ve araç kullanan ajandan farkını örneklerle açıklayabilirsiniz. Kasım 2026 model aileleri ve kurumsal ürünlerini yayın tarihi, erişim, lisans, veri ve maliyet koşullarıyla birlikte okuyabilirsiniz. Artificial Analysis ve Arena gibi bağımsız sıralamaların neyi ölçtüğünü, neyi ölçmediğini ve iki sonucu neden tek puana çevirmemeniz gerektiğini açıklayabilirsiniz. Kapalı model, açık ağırlık model ve hibrit seçenekleri veri kontrolü, lisans, işletme yükü ve toplam maliyet açısından karşılaştırabilirsiniz. Bir tedarikçiyi veri işleme, e…
Oturum planı
Sıra Konu Süre (dk) Yöntem 1 Seçim problemini tanımlama ve karar ölçütleri 10 Anlatım ve tartışma 2 Model, ürün ve ajan ayrımı 15 Anlatım ve canlı gösterim 3 Kasım 2026 model aileleri ve kurumsal ürünler 20 Anlatım ve karşılaştırma 4 Bağımsız sıralama, açık ağırlık ve kapalı model 15 Anlatım ve alıştırma 5 Tedarikçi, veri ve maliyet kontrolü 20 Vaka ve kontrol listesi 6 Üç görevli mini kıyaslama 25 Alıştırma ve puanlama 7 Bağlam dosyasıyla araç değişimi 10 Canlı gösterim ve uygulama 8 Karar kaydı ve kapanış 5 Tartışma Toplam 120
4.1 Seçim problemini doğru kurmak
“En iyi yapay zekâ aracı hangisi?” sorusu, karar vermeyi zorlaştırır. Çünkü tek bir araç bütün görevlerde aynı sonucu vermez. Bir ürün uzun belgeleri iyi özetleyebilir ama kurumun kullandığı dosya deposuna bağlanamayabilir. Başka bir ürün çalışma alanına iyi bağlanabilir ama dış kaynakları izlenebilir biçimde göstermeyebilir. Bir model kod yazmada başarılı olabilir; onu kullanan ürünün dosya, kimlik veya onay akışı üretim ortamına uygun olmayabilir. Daha işe yarar soru şudur: “Bu görev için, bu veri sınıfında, bu kullanıcı rolüyle, hangi ürün ve model bileşimi kabul kriterini karşılar?” Bu sor…
4.2 Model, ürün ve ajan: üç ayrı karar katmanı
Model, metin, kod, görsel veya başka bir çıktı üretmek için eğitilmiş temel sistemdir. Muhakeme kapasitesi, bağlam işleme, çoklu ortam girişi, araç çağırma ve yanıt hızı gibi özellikler model katmanına aittir. Modelin yüksek bir test puanı alması, kurumunuzdaki dosya izninin veya insan onayının hazır olduğu anlamına gelmez. Ürün, modeli insanların ve kurumların kullanacağı bir çalışma yüzeyine yerleştirir. Sohbet ekranı, dosya yükleme, proje alanı, hafıza, arama, bağlayıcı, kimlik yönetimi, yönetici politikası, kullanım sınırı ve çıktı biçimi ürün katmanındadır. Aynı model, farklı ürünlerde fa…
4.3 Kasım 2026 model aileleri ve kurumsal ürün yüzeyleri
Aşağıdaki bilgiler 1 Kasım 2026 kesitinde, R1 araştırma raporundaki resmî ürün ve duyuru sayfalarına göre düzenlenmiştir. Model adı, fiyatı veya özellik eşleştirmesi kalıcı bir gerçek değildir. Karar kaydına model kimliğini, sayfayı açtığınız tarihi, planı ve erişim koşulunu birlikte yazın. Güncel model ailelerini okuma Aile veya örnek Kasım 2026 kesitindeki doğrulanmış bilgi İş kararında anlamı Dikkat OpenAI GPT-6 ailesi GPT-6 Astra üst düzey örnek; GPT-6.1 Sol ve GPT-6 Luna daha düşük maliyetli/ölçeklenebilir seçenekler olarak yayımlanıyor. Muhakeme, kod ve genel amaçlı işlerde aday havuzu o…
4.4 Bağımsız sıralamaları okumak
Bağımsız bir sıralama, kendi test düzenindeki sinyali gösterir. O sinyalin gerçek işinizdeki karşılığını ayrıca ölçmeniz gerekir. Aynı tarihte iki sıralamanın farklı birinciler göstermesi hata olmak zorunda değildir; biri standartlaştırılmış görevleri ve ağırlıklandırılmış bileşimi, diğeri gerçek kullanıcı oturumlarındaki tercih veya başarı sinyalini ölçebilir. Kasım 2026 kesitindeki iki örnek bunu açıkça gösterir: Ölçüm Kesit Üst sıralarda görülen örnekler Ne ölçer? Ne söylemez? Artificial Analysis Intelligence Index v5 27 Ekim 2026 Claude Opus 5.5: 58; GPT-6 Astra: 57; GPT-6.1 Sol: 55; Gemin…
4.5 Kapalı model, açık ağırlık ve hibrit seçenek
Kapalı model, ağırlıkları ve çoğu eğitim ayrıntısı sağlayıcı tarafından işletilen bir hizmettir. Kurum genellikle hazır arayüz, API, güncelleme ve destek alır; modelin altyapısını kendisi işletmez. Bu yaklaşım hızlı başlangıç ve daha az makine öğrenmesi operasyonu sağlayabilir. Karşılığında sağlayıcı bağımlılığı, hizmet kesintisi, model değişikliği, bölgesel erişim ve kullanım arttıkça değişen maliyet izlenmelidir. Açık ağırlık modelde eğitilmiş parametreler veya ağırlık dosyaları yayımlanabilir. Bu, eğitim verisinin, eğitim kodunun, güvenlik değerlendirmelerinin, ticari lisansın ve yeniden da…
4.6 Kurumsal tedarikçi değerlendirme kontrolü
Bir ürünün iyi yanıt vermesi, kurum için satın alınabilir olduğu anlamına gelmez. Tedarikçi incelemesi, ürün demosundan önce veri ve sorumluluk sınırlarıyla başlar. Her aday için aynı formu kullanın; boş veya “satış ekibi sonra yanıtlayacak” alanlarını puanlamada tamamlanmış kabul etmeyin. Veri işleme ve eğitimde kullanmama Şu ayrımları sözleşme ve yönetici ayarı üzerinden sorun: İstemler, yüklenen dosyalar, üretilen çıktılar ve kullanım kayıtları hangi amaçlarla işleniyor? Kurumsal veriler temel model eğitiminde varsayılan olarak kullanılmıyor mu; istisna hangi ayar veya sözleşme ile kapanıyo…
4.7 Üç görevli mini kıyaslama
Kıyaslamanın amacı bir şampiyon seçmek değil, görevleri uygun araçlara dağıtmaktır. En az üç aday seçin. Adaylar model, ürün veya model–ürün bileşimi olabilir; üçü aynı düzeyde olmalıdır. Bir aday hazır kurumsal ürün, diğeri API ile çalışan özel akış, üçüncüsü açık ağırlık yerel kurulum ise puanlama tablosuna “karşılaştırma düzeyi” notunu ekleyin. Testten önce ortak bir paket hazırlayın: Kurgusal ve anonimleştirilmiş bir bağlam dosyası. Her adaya aynı görev talimatı. Beklenen çıktı biçimi ve uzunluğu. Kabul kriterleri ve zorunlu alanlar. Kaynak dosyası veya kaynak listesi. İnsan onayının nered…
4.8 Araçlar arası geçiş ve bağlam dosyası
Bir üründen diğerine geçerken eski sohbetleri tek tek taşımak yerine, iş yapma biçimini taşınabilir bir bağlam dosyasına dönüştürün. Bu dosya kişisel veya gizli bilgi deposu değildir. Yalnızca yeni araçta ihtiyaç duyulan çalışma kurallarını, proje amacını, kaynak hiyerarşisini, çıktı standardını ve kontrol kapılarını içerir. Bağlam dosyası şu bölümleri taşıyabilir: Projenin amacı ve kapsamı. Hedef okuyucu veya kullanıcı. Tercih edilen Türkçe ton, cümle uzunluğu ve terim sözlüğü. Kaynakların öncelik sırası ve alıntı yöntemi. Çıktı biçimi, zorunlu başlıklar ve dosya adlandırma kuralı. Doğrulama …
4.9 İnsan onayı ve seçim kararının kaydı
Yapay zekâ görevi yapabilir; kurumsal sorumluluğu kendiliğinden üstlenmez. İnsan, görevin amacını ve veri sınırını belirler, çıktıyı kaynakla karşılaştırır, yüksek etkili kararı değerlendirir ve dış dünyayı etkileyen eylemi onaylar. Bu döngü ürün adı değişse de korunur. Aşama İnsan sorumluluğu Yapay zekâ veya ajan katkısı Öncesi Görevi, veriyi, rolü, kabul ölçütünü ve izin sınırını belirleme Girdi eksiklerini ve olası seçenekleri listeleme Üretim Gerekirse ara kontrol ve kapsam sınırı koyma Taslak, özet, araştırma, sınıflama veya dosya hazırlama Doğrulama Kaynak, rakam, önyargı, ton, veri ve b…
Kurumunuza uyarlama
Mevcut çalışma alanı, veri sınıfları, sözleşmeler, kimlik sistemi, roller ve bölgesel yükümlülükler başlangıç kararını değiştirir. Onaylı araç envanterinde ürün, model, plan, bağlayıcı, işleme ülkesi, saklama, SSO, denetim kaydı, kullanıcı rolü ve olay iletişim noktası bulunsun. Bireysel hesaplarda kullanılan gölge araçlar da cezalandırma amacı olmadan görünür hale getirilip güvenli alternatiflerle ele alınsın. İkinci olarak veri sınıfına göre araç yolu belirleyin. Genel bilgi ve kurgusal içerik düşük riskli bir pilot olabilir. Kurum içi belge, kişisel veri, özel nitelikli veri, ticari sır vey…
Uygulama görevi
Bu görevi 45–60 dakikada, yalnızca kurgusal ve anonimleştirilmiş materyalle tamamlayın. Amaç, kurumunuzun hemen satın alma kararı vermesi değil; bir görev için kanıtlanabilir seçim kaydı üretmesidir. Bir görev seçin. Karar notu, kaynaklı araştırma veya teslim edilebilir dosya türlerinden birini seçin. Görevi bir cümlede yazın. Veri ve izin sınırını yazın. Testte kullanılacak veri sınıfını, paylaşılmayacak veriyi ve insan onayı gereken eylemi belirtin. Üç adayı belirleyin. Her adayın modelini, ürününü, planını, kontrol tarihini ve veri işleme notunu kaydedin. Kabul kriterlerini sabitleyin. Çıkt…
Kontrol listesi
Görevi, kullanıcıyı, girdiyi, çıktıyı ve kabul ölçütünü yazdım. Model, ürün ve ajan katmanlarını aynı şeymiş gibi değerlendirmedim. Model ve ürün kimliğini sürüm, plan ve kontrol tarihiyle kaydettim. Bağımsız sıralamanın ölçüm düzenini ve sınırını okudum. Eski veya doğrulanmamış benchmark, fiyat ve özellik iddiasını güncel gerçek gibi kullanmadım. Kapalı model, açık ağırlık ve hibrit seçenekleri lisans, veri, işletme ve maliyetle karşılaştırdım. Ağırlıkların gerçekten erişilebilir olduğunu ve lisansın ticari kullanıma izin verdiğini kontrol ettim. Tedarikçiden veri işleme, saklama, eğitimde ku…
Sık yapılan hatalar
Hata Neden sorun Doğrusu Sıralamada birinci modeli bütün işlere vermek Ölçüm görevi ve ürün yüzeyi kurum işiyle aynı olmayabilir Sıralamayı ön eleme, üç görevli testi karar kanıtı olarak kullanmak Modeli ürün sanmak Dosya, kimlik, izin ve bağlayıcı koşulları görünmez kalır Model, ürün ve ajan katmanlarını ayrı tabloya yazmak Eski model adını güncel örnek gibi kullanmak Sürüm, fiyat ve erişim kısa sürede değişir Tam model kimliği, tarih ve resmî sayfa ile kayıt tutmak Açık ağırlığı açık kaynak kabul etmek Lisans, eğitim verisi, kod ve ağırlık erişimi aynı değildir Her alanı ayrı doğrulamak Kuru…
Kendinizi sınayın
Model, ürün ve ajan arasındaki farkı bir satın alma kararı üzerinden açıklayın. Aynı modelin iki farklı üründe neden farklı sonuç verebileceğini yazın. Artificial Analysis ve Arena sonuçları neden tek bir “gerçek lider” puanına çevrilemez? Her biri için ölçüm farkını belirtin. Açık ağırlık ile açık kaynak arasındaki fark nedir? Bir açık ağırlık adayını satın almadan önce hangi üç kanıtı istemelisiniz? Kurumsal tedarikçi değerlendirmesinde “veriler model eğitiminde kullanılmıyor” yanıtı neden tek başına yeterli değildir? En az dört ek alan yazın. Üç görevli mini kıyaslamada hangi görevleri kull…
Kaynaklar ve ileri okuma
Artificial Analysis, Artificial Analysis Intelligence Index v5, 27 Ekim 2026: https://artificialanalysis.ai/articles/artificial-intelligence-index-v5 Arena, Leaderboard, 1 Kasım 2026 görünümü: https://arena.ai/leaderboard OpenAI, Enterprise privacy at OpenAI, 8 Ocak 2026 güncellemesi: https://openai.com/enterprise-privacy/ Microsoft, Microsoft 365 Copilot supported languages: https://support.microsoft.com/en-us/microsoft-365-copilot/supported-languages-for-microsoft-365-copilot Microsoft, Copilot Studio pricing: https://www.microsoft.com/en-us/copilot/pricing/copilot-studio Google Workspace, A…