Türkiye’nin Ulusal Yapay Zeka Stratejisi 2021-2025 belgesi 52 sayfa. İlk cümle şöyle: “Yapay zeka; ekonomik kalkınma, toplumsal refah ve ulusal güvenlik açısından kritik bir teknoloji haline gelmiştir.” Belgenin hazırlandığı bilgisayarlar büyük ihtimalle Windows çalıştırıyordu. Metin Microsoft Word’de yazıldı. Strateji dokümanı, PDF olarak kamuoyuyla paylaşılmadan önce muhtemelen Google Drive’da ya da OneDrive’da tutuldu. Ulusal yapay zeka stratejisinin kendisi, yabancı altyapı üzerinde geliştirildi, yazıldı ve dağıtıldı.
Bu yalnızca bir ironi değil, altyapı bağımlılığının ne denli derin ve ne denli görünmez olduğunun somut bir göstergesi. Yapay zeka bir yazılım değil, bir altyapıdır. Ve altyapıya kimin sahip olduğu, değerin nerede biriktiğini belirler. Bir ülkenin yapay zeka konusunda ne düşündüğü değil, hangi altyapı üzerinde düşündüğü sorusu, bağımlılık ilişkisinin gerçek haritasını ortaya koyuyor.
Altyapının Görünmezliği
Susan Star, altyapıyı şöyle tanımlar: İyi çalıştığında kimse fark etmez, bozulduğunda ya da erişim kesildiğinde her şeyi bloke eder (Star & Bowker, 1999). Bu tanım soğuk savaş döneminin telefon sistemleri için olduğu kadar bugünün yapay zeka altyapısı için de geçerli. Hatta belki daha da geçerli: Çünkü yapay zeka altyapısı sadece bir iletişim kanalı değil; karar alma, bilgi üretme ve ekonomik değer yaratma süreçlerinin içine işlemiş durumda.
Bu altyapı üç katmandan oluşuyor: fiziksel donanım, hesaplama hizmetleri ve temel modeller. Her üç katmanda da tablo benzer: son derece az sayıda aktör, son derece yoğun bir coğrafi yoğunlaşma. Bu yoğunlaşmanın gelişmekte olan ülkeler için ne anlama geldiği, altyapı görünmez kaldığı sürece tartışma gündemine de pek girmiyor.
Donanım katmanında NVIDIA fiili bir tekel konumunda. Yapay zeka eğitiminde kullanılan GPU’ların yüzde sekseninden fazlası NVIDIA’ya ait (Azar, 2024). Bu rakam, tek bir şirketin küresel yapay zeka kapasitesinin fiziksel yapısını kontrol ettiği anlamına geliyor. Gelişmekte olan ülkelerin bu çiplere erişimi hem fiyat hem arz güvencesi açısından kırılgan. Bir H100 GPU’nun piyasa fiyatı on binlerce dolar. Ancak bu yüksek fiyata rağmen bu çiplere talep o kadar yüksek ki büyük teknoloji şirketleri öncelikli alıcı konumunda, ulusal yapay zeka programları ise bekleme listesinde. Üstelik bu tablonun siyasi bir boyutu da var: ABD’nin 2022’de Çin’e uyguladığı ihracat kısıtlamaları, yarın başka bir coğrafyaya da uygulanabilecek bir araç olarak var olmaya devam ediyor. Teknolojik egemenlik iddiasının fiziksel temeli, tek bir ülkenin ihracat politikasına bağımlı.
Bulut katmanında tablo farklı değil. Amazon Web Services, Microsoft Azure ve Google Cloud, küresel bulut pazarının yaklaşık yüzde altmışını elinde tutuyor (Synergy Research Group, 2024). Türkiye’de kamu kurumlarının, üniversitelerin ve şirketlerin büyük çoğunluğu bu üç şirketten birinin altyapısını kullanıyor. Veri bu altyapılarda işleniyor, depolanıyor, analiz ediliyor. Türkiye’deki kurumlarının ürettiği verinin fiilen hangi ülkede, hangi hukuki çerçeve altında bulunduğu sorusu büyük ölçüde belirsiz ve bu belirsizlik, tesadüf değil.
API Ekonomisi: Kiracıların Kiracıları
Altyapı bağımlılığının en az görünür ama en yapısal boyutu API ekonomisinde saklı.
Bugün Türkiye’de bir yapay zeka ürünü inşa eden girişimci, büyük ihtimalle şu zinciri kuruyor: OpenAI, Google ya da Anthropic’in API’sine erişiyor, bu API’yi kendi ürününe entegre ediyor, ürünü AWS ya da Azure üzerinde çalıştırıyor, son kullanıcıya sunuyor. Bu zincirde girişimci, kullanıcı deneyimini tasarlayarak, sorunu tanımlayarak, yerel bağlaa adapte ederek.gerçek bir değer yaratıyor. Ama bu değerin büyük kısmını, zincirinin en kârlı halkalarına, yani temel modele ve bulut altyapısına, erişim için düzenli olarak ödüyor.
Bu ilişkiyi José van Dijck’in “platform kapitalizmi” çerçevesiyle okumak aydınlatıcı: Platformlar yalnızca hizmet sunmuyor, değer zincirini yeniden örgütlüyor ve kâr paylaşımını kendi lehine düzenliyor (Van Dijck et al., 2018). Platforma bağımlı olan Türkiye’deki girişimciler gibi aktörler ne kadar büyürse, platforma o kadar bağımlı hale geliyor. Büyüme, bağımsızlık değil, daha derin entegrasyon anlamı taşıyor.
Türkiye’deki girişimcilerin, kamu kurumlarının ve tüketicilerin ödediği API ücretleri ve bulut faturaları doğrudan bu zincirin tepesine akıyor. Kaba bir hesaplama bile çarpıcı sonuçlar veriyor: Türkiye’deki yapay zeka ekosisteminin yıllık bulut ve API harcaması, ülkenin yapay zeka Ar-Ge yatırımından kat kat fazla. İçeride birikmesi gereken kapasite, dışarıya fatura olarak akıyor. Üstelik bu fatura her geçen yıl, hem kullanım arttıkça hem de fiyatlandırma politikaları değiştikçe büyüyor.
Veri Egemenliği: Hukuki Boşluğun Coğrafyası
Altyapı meselesi yalnızca ekonomik değil, aynı zamanda hukuki ve siyasi katmanlara sahip.
Türkiye’nin Kişisel Verilerin Korunması Kanunu (KVKK) 2016’dan bu yana yürürlükte. Verilerin yurt içinde saklanmasını zorunlu kılan hükümler var. Büyük platformlar bu zorunluluğa uymak için Türkiye’de sunucu kapasitesi oluşturmak durumunda kaldı. Kâğıt üzerinde anlamlı bir adım. Ama pratikte durum daha karmaşık. Veri fiziksel olarak Türkiye’de depolanıyor olabilir, ama işleme, analiz ve model eğitimi başka yargı alanlarında gerçekleşiyor olabilir. Hangi işlemin nerede yapıldığı, hangi hukuki çerçevenin uygulandığı, kurumlarının bu süreçler üzerinde gerçekte ne kadar denetimi olduğu gibi konular büyük ölçüde belirsiz kalmaya devam ediyor.
AB’nin GDPR’ı bu konuda önemli bir örnek sunuyor. Büyük teknoloji şirketleri, milyar dolarlık para cezaları ve pazar erişim tehditleri nedeniyle Avrupalı kullanıcılara belirli güvenceler sunmak zorunda kaldılar (Zuboff, 2019). Meta’nın 2023’te aldığı 1,2 milyar Euro’luk para cezası sembolik değil, davranış değişikliği yaratan bir kaldıraç. Ancak Türkiye’deki kullanıcılar için benzer bir kaldıraç mekanizması yok. Hem pazar büyüklüğü daha küçük, hem düzenleyici kapasite daha sınırlı, hem de uluslararası hukuki zemin daha zayıf. Bu asimetri, veri işleme pratiklerinde doğrudan yansımasını buluyor: Aynı şirketin Avrupalı kullanıcılara sunduğu gizlilik güvenceleri ile Türiye’dekik kullanıcılara sunduğu arasında ölçülebilir farklar var.
Bu tablo Türkiye’ye de özgü değil. Hindistan, Brezilya, Güney Afrika da benzer gerilimlerle boğuşuyor: Hem büyük teknoloji şirketlerini ekonomileri için stratejik ortak olarak görüyorlar, hem de bu ortaklığın egemenlik maliyetini sınırlamaya çalışıyorlar. Ama bu iki hedef aynı anda tam anlamıyla mümkün değil ve aralarındaki gerilim, çoğunlukla egemenlik aleyhine çözümleniyor.
Enerji ve İklim: Görünmez Maliyet
Altyapı tartışmalarında sistematik olarak atlanan bir boyutu da enerji ve iklim.
Büyük yapay zeka modellerinin eğitimi muazzam miktarda elektrik tüketiyor. BLOOM modelinin eğitiminin karbon ayak izi 25 ton CO2’ye eşdeğer olarak hesaplandı. Bu miktar bir kişinin uçakla beş kez Dünya’yı dolaşmasına karşılık geliyor (Luccioni et al., 2023). GPT-4 gibi daha büyük modeller için tahminler çok daha yüksek. Şirketler bu verileri kamuoyu ile paylaşmadığı için bu sayılar ancak tahmini olabiliyor. Enerji tüketimini açıklamaktan kaçınmak, hesap verebilirlikten kaçınmak anlamına geliyor.
Veri merkezleri fiziksel olarak büyük ölçüde ABD, İrlanda, İsveç gibi ülkelerde konuşlandırılmış. Enerji tüketimi orada gerçekleşiyor; yerel ekonomiye istihdam ve vergi olarak katkı sağlıyor. Ama iklim değişikliğinin maliyeti o bölge ile sınırlı değil.
Türkiye, Orta Doğu, Sahra Altı Afrika gibi bölgeler yapay zeka altyapısını en az barındıran ama iklim krizinden en çok etkilenecek coğrafyalar. Aşırı sıcaklar, su kıtlığı, tarımsal verimlilik kaybı bu bölgelerde somut krizlere dönüşüyor. Yapay zeka altyapısının enerji tüketiminin katkıda bulunduğu iklim değişikliğinin maliyeti, o altyapıdan en az yararlanan ülkelerin sırtına yükleniyor. Bu bir dışsallık meselesinden çok, yapısal bir adaletsizlik meselesi ve yapay zeka tartışmalarında neredeyse hiç bu şekilde ele alınmıyor.
Egemenlik Söylemi ile Altyapı Gerçeği Arasında
Türkiye’nin ulusal yapay zeka stratejisinde yerli model geliştirme, veri egemenliği ve teknolojik bağımsızlık gibi hedefler yer alıyor. Bu hedefler meşru ve gerekli. Ama hedef ile araç arasındaki mesafe, ve daha da önemlisi, hedef ile mevcut yatırım düzeyi arasındaki uçurum, dikkat çekici.
Yerli model geliştirmek için NVIDIA çipi gerekiyor. Veri egemenliği iddiası için yerel bulut altyapısı gerekiyor ama mevcut kapasite kısıtlı. Teknolojik bağımsızlık için Ar-Ge yatırımı gerekiyor ama Türkiye’nin Ar-Ge harcamalarının GSYH’ye oranı OECD ortalamasının belirgin biçimde altında. Ve bu yatırımı sürdürebilmek için politika sürekliliği gerekiyor ama her seçim döneminde önceliklerin yeniden şekillenmesi, uzun vadeli teknoloji politikasını yapısal olarak kırılgan kılıyor.
Daren Acemoglu’nun teknoloji ve kurumsal kapasite üzerine geliştirdiği argümanı bu bağlamda hatırlamak aydınlatıcı: Teknolojiyi ithal etmek, teknolojiyi üretme kapasitesini inşa etmiyor. Aksine, ithal bağımlılığını pekiştiriyor (Acemoglu, 2021). Her lisans ödemesi yerli alternatifi bir adım daha uzaklaştırıyor; her API entegrasyonu yerli mühendislik kapasitesini bir adım daha işlevsizleştiriyor. Söylem egemenliği işaret ederken yapı bağımlılığı pekiştiriyorsa, bu bir çelişki değil, bu, yarı-çevrenin tanımı.
Kiracı Olmak Kader Değil
Bu tablonun bu kadar karanlık çizilmesi, çıkış yolu olmadığı anlamına gelmiyor.
Meta’nın Llama’sı, Mistral, ya da çeşitli akademik girişimler gibi açık kaynak yapay zeka modelleri altyapı bağımlılığını kısmen aşmanın somut bir yolunu sunuyor. TÜBİTAK tarafından Türkçe için ince ayar yapılmış modeller geliştiriliyor. Birleşik Arap Emirlikleri’nin Falcon modeli, açık kaynak yayımlanarak bölgesel bir alternatif olarak konumlandı. Hindistan’ın çok dilli model geliştirme çabaları devlet-üniversite-sanayi iş birliğinin nasıl örgütlenebileceğini gösteriyor.
Ama açık kaynağın da sınırları var: En güçlü modeller hâlâ kapalı kaynaklı. Modele erişim donanım bağımlılığını çözmüyor; ve tek bir model geliştirmek, sürdürülebilir bir ekosistem inşa etmek için sadece bir ilk adım.
Altyapı bağımlılığını aşmak kısa vadeli bir proje değil. Somut yatırımlar, kurumsal kapasite ve uzun vadeli politika tutarlılığı gerektiriyor. Görüntü aşinalık verir, mülkiyet ilişkisini değiştirmez. Tıpkı ulusal yapay zeka stratejisinin Microsoft Word’de yazılması gibi.
Bir sonraki yazıda bu tablonun insan boyutuna bakacağız: Yapay zekanın hammaddesini kim üretiyor, bu emeğin karşılığı ödeniyor mu ve bu süreçte görünmez kılınan ne?
Bu yazı, “Kimin Yapay Zekası?” başlıklı beş yazılık serinin ikinci bölümüdür.
Kaynaklar
Acemoglu, D. (2021). Harms of AI. NBER Working Paper No. 29247.
Azar, J. (2023). AI Chip Market Concentration and Its Geopolitical Implications. Brookings Institution.
Luccioni, A. S., et al. (2023). Estimating the Carbon Footprint of BLOOM. Journal of Machine Learning Research, 24, 1–15.
Star, S. L. & Bowker, G. C. (1999). Sorting Things Out: Classification and Its Consequences. MIT Press.
Synergy Research Group. (2024). Cloud Market Share Q4 2023.
Van Dijck, J., Poell, T. & de Waal, M. (2018). The Platform Society. Oxford University Press.
Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.