Her İş İçin Büyük Model Gerekli mi?

Jev ve Yapay Zekâ Ekonomisinin Yeni Maliyet Mimarisi

Yapay zekâ sektörünün son birkaç yılı büyük ölçüde aynı yarış üzerinden ilerledi: Daha büyük modeller, daha fazla parametre, daha uzun context window, daha güçlü reasoning ve daha yüksek benchmark skorları.

Fakat yapay zekâ gerçek yazılım sistemlerinin içine girdikçe başka bir soru giderek daha önemli hale geliyor:

Bir yazılımın verdiği her küçük karar için gerçekten büyük bir dil modeline ihtiyacımız var mı?

Bir müşteri mesajının hangi departmana yönlendirileceğini belirlemek, bir işlemin risk seviyesini sınıflandırmak, bir AI ajanının çıktısının insan kontrolüne gönderilip gönderilmeyeceğine karar vermek veya yüzlerce kayıt arasından hangilerinin incelenmesi gerektiğini seçmek için gerçekten uzun uzun düşünen ve metin üreten bir modele ihtiyaç var mı?

TypeSafe AI tarafından geliştirilen Jev, tam olarak bu soruya farklı bir cevap vermeye çalışıyor.

Şirketin 15 Eylül 2026’da duyurduğu Jev, TypeSafe’in “System One Model” adını verdiği yeni bir model sınıfının ilk ürünü. Amaç insanlarla konuşmak değil; yazılım sistemlerinin içinde hızlı, yapılandırılmış ve olasılık temelli kararlar vermek.

Bu küçük gibi görünen ayrım, AI ekonomisinin önümüzdeki dönemindeki en önemli mimari değişimlerden birine işaret ediyor olabilir.

⸻

Chatbot Değil, Karar Motoru

Bugünkü büyük dil modellerinin temel çalışma biçimi hepimize tanıdık.

Bir modele context ve prompt gönderiyoruz. Model daha sonra cevabı token token üretmeye başlıyor.

Bu yöntem sohbet, analiz, kod üretimi, raporlama ve yaratıcı işler açısından olağanüstü güçlü.

Fakat aynı mimariyi yazılım içerisindeki küçük kararların tamamı için kullanmak ciddi bir verimsizlik yaratabiliyor.

Örneğin sistemin tek ihtiyacının şu olduğunu düşünelim:

“Bu işlem şüpheli mi?”

Yazılım aslında bir makale istemiyor.

Bir karar istiyor.

Ya da:

“Bu talep hangi servise gönderilmeli?”

Sistem açıklama istemiyor.

Bir route istiyor.

Veya:

“Bu AI ajanının yaptığı işlem insan tarafından kontrol edilmeli mi?”

Burada da ihtiyaç uzun bir reasoning çıktısı değil.

Bir olasılık ve karar.

Jev’in yaklaşımı burada başlıyor.

TypeSafe’in tanımıyla modelin çalışma mantığı kabaca şöyle:

Unstructured State → Typed Probabilistic Decision

Yani sisteme yapılandırılmamış veya yarı yapılandırılmış bir durum veriliyor; sistem bunun karşılığında serbest metin yerine önceden tanımlanmış türde bir karar döndürüyor. (TypeSafe AI)

Bu nedenle Jev’i ChatGPT, Claude veya Gemini’nin doğrudan alternatifi olarak görmek doğru olmayabilir.

Aslında farklı bir problemi çözmeye çalışıyor.

⸻

System One Model Nedir?

“System One” ismi psikolog Daniel Kahneman’ın Thinking, Fast and Slow kitabındaki System 1 / System 2 ayrımından geliyor.

Kabaca:

System 1: hızlı, sezgisel ve anlık kararlar.

System 2: daha yavaş, analitik ve bilinçli düşünme.

TypeSafe bu ayrımı AI mimarisine uyguluyor.

Bugünkü reasoning modelleri giderek System 2 tarafına doğru ilerliyor: daha fazla düşünme, daha uzun reasoning süreçleri ve daha karmaşık problemlerin çözümü.

Jev ise ters yönde ilerliyor.

Amaç:

“Daha uzun düşünmek” değil, “çok hızlı ve kontrollü karar vermek.”

TypeSafe bu nedenle Jev’i klasik küçük bir LLM olarak değil, yazılım tarafından çağrılabilecek bir çeşit frontier-intelligence function call olarak tanımlıyor. (TypeSafe AI)

Bu fark oldukça önemli.

Çünkü gelecekte AI sistemleri tek bir modelden oluşmak zorunda olmayabilir.

Aksine farklı düşünme seviyelerine sahip modeller birlikte çalışabilir.

⸻

Jev’in Üç Temel Karar Biçimi

Jev’in API yaklaşımı özellikle sade tutulmuş.

Model temel olarak üç tür karar üretebiliyor:

  1. Choice

Belirlenen seçeneklerden birini seçiyor.

Örneğin bir müşteri mesajı:

  • satış
  • teknik destek
  • ödeme
  • iptal
  • şikâyet

kategorilerinden hangisine ait?

Model serbest metin yazmak yerine izin verilen seçeneklerden birini seçiyor.

  1. Score

Bir durumu önceden tanımlanmış dereceler üzerinde değerlendiriyor.

Örneğin:

Müşterinin kaybedilme riski nedir?

0 — çok düşük 1 — düşük 2 — orta 3 — yüksek 4 — kritik

gibi.

  1. Noul

Bir ifadenin doğru olma olasılığını veriyor.

Örneğin:

“Bu işlem insan incelemesine gönderilmeli mi?”

Sistem bunun için 0 ile 1 arasında olasılık üretebiliyor.

Böylece yazılım kendi threshold’unu belirleyebilir.

Örneğin:

P > 0.90 → otomatik işlem

0.60 < P < 0.90 → ek kontrol

P < 0.60 → insan incelemesi

Burada kritik değişiklik şudur:

AI artık iş akışını kontrol etmiyor. Yazılım AI’ın kararını kontrollü biçimde kullanıyor.

Choice kapalı seçenekler, Score sıralı seviyeler, Noul ise evet/hayır niteliğindeki olasılık kararları için tasarlanmış durumda. (Refix)

⸻

“Hallucination Yok” İddiasını Doğru Anlamak Gerekir

TypeSafe’in Jev için kullandığı dikkat çekici ifadelerden biri “can’t hallucinate”.

Ancak burada önemli bir ayrım yapmak gerekiyor.

Bu ifade:

“Jev yanlış karar veremez”

anlamına gelmiyor.

Model elbette yanlış sınıflandırma veya yanlış değerlendirme yapabilir.

Kastedilen şey daha çok çıktı alanının sınırlandırılmış olması.

Örneğin yazılım:

payment | support | sales

seçeneklerinden birini istiyorsa model bunların dışında uzun bir paragraf üretmiyor.

Bu nedenle klasik generative AI sistemlerinde karşılaşılan format bozulması, JSON parsing problemleri veya beklenmeyen serbest metin üretimi gibi sorunların önemli bir bölümü mimari olarak ortadan kaldırılabiliyor.

Dolayısıyla daha doğru ifade:

Jev çıktı formatını hallucinate edemez; fakat kararında hata yapabilir.

Bu nedenle güven skorlarının gerçek uygulama verileri üzerinde kalibre edilmesi ve eşiklerin test edilmesi hâlâ kritik. (TypeSafe AI)

⸻

Asıl Yenilik: Paralel Karar

Jev’in ekonomik tarafını ilginç hale getiren konulardan biri de sampling yöntemi.

Klasik LLM’ler cevapları ardışık olarak üretir.

Token 1 üretilir.

Sonra token 2.

Sonra token 3.

Ve süreç devam eder.

Bu mimari dil üretimi için son derece mantıklıdır.

Ancak 50 farklı karar verilmesi gerekiyorsa neden 50 farklı metin üretim süreci çalıştırılsın?

Jev bunun yerine aynı state hakkındaki farklı soruları paralel değerlendirebiliyor.

Örneğin bir müşteri kaydı sisteme geldiğinde aynı anda:

  • churn riski
  • fraud riski
  • müşteri segmenti
  • talep türü
  • öncelik
  • uygun departman
  • insan incelemesi gerekip gerekmediği

gibi birçok karar alınabilir.

TypeSafe’in yaklaşımında bu sorular aynı state üzerinde paralel değerlendiriliyor. (TypeSafe AI)

Bu da bizi Jev’in en dikkat çekici tarafına getiriyor.

⸻

Zekânın Birim Maliyeti

TypeSafe’in açıkladığı erken erişim fiyatlandırmasına göre Jev’in input maliyeti:

1 milyon token için 0,042 dolar.

Şirket output tarafını ise ücretlendirmeyecek kadar düşük maliyetli olduğunu belirterek ücretsiz olarak fiyatlandırıyor.

TypeSafe ayrıca kendi System One workflow benchmarklarında Jev’in benzer görevlerde klasik frontier modellerine kıyasla çok ciddi hız ve maliyet avantajları elde ettiğini iddia ediyor.

Şirketin yayınladığı testlerde 193,6 kata kadar hız ve 444,6 kata kadar maliyet avantajı gösteriliyor.

Ancak burada önemli bir uyarı var.

Bunlar bağımsız, evrensel AI benchmark sonuçları değil.

TypeSafe’in kendi tanımladığı System One workflow testlerinden elde edilen sonuçlar ve şirket kendisi de bunların gerçek dünyadaki avantajların üst sınırlarına yakın olabileceğini belirtiyor. (TypeSafe AI)

Dolayısıyla rakamlardan daha önemli olan ekonomik prensip:

Her AI işleminin aynı seviyede zekâya ihtiyacı yok.

⸻

AI’ın Yeni Maliyet Problemi

AI sistemleri prototip aşamasındayken model maliyetleri çoğu zaman tolere edilebilir.

100 kullanıcı vardır.

1.000 API çağrısı yapılır.

Birkaç dolar veya birkaç yüz dolar harcanır.

Ancak AI gerçek işletme altyapısına girdiğinde ölçek tamamen değişir.

Bir şirket düşünelim:

10 milyon müşteri işlemi.

Her işlem için 20 AI kararı.

Bu durumda:

200 milyon AI kararı

ortaya çıkar.

Bu kararların tamamını frontier reasoning modellerine göndermek ekonomik olarak anlamsız hale gelebilir.

Üstelik mesele yalnızca token maliyeti değildir.

Latency,

GPU kapasitesi,

API rate limitleri,

retry maliyetleri,

observability,

hata yönetimi,

model availability

ve enerji tüketimi de sistem ekonomisinin parçasıdır.

Bu nedenle AI ekonomisinin yeni optimizasyon problemi şu hale geliyor:

En güçlü modeli kullanmak değil, gereken minimum zekâyı doğru yerde kullanmak.

⸻

Yeni AI Stack’i Nasıl Görünebilir?

Bugünkü basit mimari çoğunlukla şöyledir:

Application → LLM → Result

Fakat agentic sistemler büyüdükçe bunun yerine çok katmanlı bir yapı ortaya çıkabilir:

EVENT / USER / SYSTEM

↓

STATE

↓

FAST DECISION LAYER

↓

ROUTER

↓

REASONING LAYER

↓

ACTION

↓

VERIFICATION

Buradaki Fast Decision Layer Jev benzeri modeller tarafından gerçekleştirilebilir.

Reasoning Layer ise güçlü generative modeller tarafından.

Böylece mimari:

küçük ve ucuz karar → gerektiğinde pahalı reasoning

şeklinde çalışır.

Daha ileri bir versiyonda:

Event

↓

Decision Model

↓

Confidence yüksek mi?

EVET → otomatik işlem

HAYIR → reasoning model

↓

Hâlâ belirsiz mi?

EVET → insan

şeklinde bir cascade kurulabilir.

Bu aslında yalnızca teknik mimari değildir.

Bir AI maliyet mimarisidir.

⸻

AI Agent’lar Açısından Daha da Önemli

Jev’in potansiyel olarak en önemli kullanım alanlarından biri AI agent sistemleri olabilir.

Bir AI agent düşünelim.

Agent sürekli şu kararları vermek zorundadır:

Hangi tool’u kullanmalıyım?

Hangi skill’i çağırmalıyım?

Bu işlem riskli mi?

Sonuç yeterli mi?

Tekrar denemeli miyim?

İnsan onayı gerekli mi?

Bu bilgi önemli mi?

Memory’ye yazılmalı mı?

Başka bir agent’a devretmeli miyim?

Reasoning gerekli mi?

Bunların her biri için büyük reasoning modeli çağırmak son derece pahalı olabilir.

Bunun yerine:

Agent State

↓

Decision Layer

↓

skill = database

risk = 0.17

human_review = false

reasoning_required = true

priority = 3

↓

LLM / Tool / Agent

şeklinde bir sistem kurulabilir.

Bu durumda Jev benzeri modeller AI agent’ın beyninin yerine geçmez.

Daha çok beynin refleks sistemine dönüşür.

⸻

AI Governance Açısından İlginç Bir Sonuç

Burada maliyetin ötesinde başka bir konu daha ortaya çıkıyor:

AI Governance.

Generative modellerin temel sorunlarından biri davranış alanlarının son derece geniş olmasıdır.

Bir modelden:

“Bu işlem güvenli mi?”

diye sorarsınız.

Model size istediğiniz format yerine uzun bir açıklama verebilir.

Agentic sistemlerde bu davranış kontrol problemi yaratır.

Typed decision yaklaşımında ise hareket alanı baştan sınırlandırılır.

AI yalnızca kendisine izin verilen karar alanında hareket eder.

Örneğin:

ALLOW

REVIEW

BLOCK

başka hiçbir cevap mümkün değildir.

Bu yaklaşım AI Governance açısından önemli bir tasarım prensibine dönüşebilir:

Modelin ne söylememesi gerektiğini öğretmek yerine, söyleyebileceği şeyleri mimari olarak sınırlandırmak.

Bu iki yaklaşım arasında büyük fark vardır.

Birincisi davranış kontrolüdür.

İkincisi mimari kontroldür.

⸻

Observability de Değişebilir

Structured decision modellerinin başka bir avantajı ölçülebilirliktir.

Serbest metin üreten milyonlarca agent çıktısını analiz etmek zordur.

Ama sistem sürekli:

risk = 0.82

confidence = 0.94

action = review

gibi sonuçlar üretiyorsa bunlar zaman serisine dönüştürülebilir.

Örneğin dashboard:

Fraud Risk

ortalama: 0.31

Human Review Rate

%4,8

Low Confidence Decision

%2,1

Automatic Action Rate

%91

Decision Error Rate

%0,7

gibi metrikler gösterebilir.

Böylece AI observability yalnızca:

“Model çalışıyor mu?”

sorusundan çıkar.

Şuna dönüşür:

“Model ne kadar güvenle hangi kararları veriyor ve bu kararların sonuçları ne?”

⸻

Jev’in Sınırları

Tüm bunlar Jev’in LLM’lerin yerini alacağı anlamına gelmiyor.

Tam tersine.

Jev’in tasarımı gereği yapmaması gereken çok şey var.

Uzun rapor yazamaz.

Kod üretmez.

Kullanıcıyla doğal sohbet gerçekleştirmez.

Derin reasoning gerektiren karmaşık problemlerin genel çözüm motoru değildir.

Yaratıcı içerik üretmez.

Kendi başına kapsamlı plan oluşturmaz.

Mevcut erişimde text tabanlı state kullanıyor; görüntü, ses veya video girdisi desteklemiyor.

Ayrıca ürün henüz erken erişim aşamasında. TypeSafe’in kamuya açık materyallerine göre model managed API olarak sunuluyor ve ağırlıkları yayımlanmış değil. (System One Models)

Daha önemlisi Jev henüz çok yeni.

Gerçek üretim ortamlarında:

kalibrasyon,

domain shift,

edge case davranışı,

uzun süreli stabilite,

hata korelasyonu

ve büyük ölçekli operasyon performansının görülmesi gerekiyor.

Dolayısıyla Jev bugün için kanıtlanmış yeni endüstri standardından ziyade dikkatle izlenmesi gereken yeni bir mimari yaklaşım olarak görülmeli.

⸻

Asıl Hikâye Jev Değil

Jev başarılı olabilir.

Başarısız olabilir.

Başka şirketler benzer modeller geliştirebilir.

Hatta birkaç yıl sonra “System One Model” ismini hiç kullanmıyor da olabiliriz.

Ancak Jev’in gündeme getirdiği soru bundan daha kalıcı:

Neden her problemi aynı AI modeliyle çözmeye çalışıyoruz?

Bilgisayar sistemleri zaten böyle tasarlanmıyor.

Her işlem CPU’da yapılmıyor.

GPU başka işi yapıyor.

Cache başka işi.

Database başka işi.

Load balancer başka işi.

Firewall başka işi.

Queue başka işi.

AI altyapısının da benzer biçimde uzmanlaşması şaşırtıcı olmaz.

Bir model konuşabilir.

Başka model reasoning yapabilir.

Bir model görüntü anlayabilir.

Başka model karar verebilir.

Bir model doğrulayabilir.

Başka model risk değerlendirebilir.

Ve orchestration katmanı hangi zekânın ne zaman kullanılacağına karar verebilir.

⸻

AI Ekonomisinin Yeni Formülü

Son birkaç yılın AI yarışının formülü büyük ölçüde şuydu:

Daha büyük model + daha fazla compute = daha güçlü AI

Önümüzdeki dönemin formülü ise daha farklı olabilir:

Doğru model × doğru görev × doğru zamanda çağrı = ekonomik AI

Bu değişiklik önemli.

Çünkü yapay zekânın gerçek ekonomik etkisi yalnızca modellerin ne kadar zeki olduğuyla belirlenmeyecek.

Aynı zamanda bir birim zekânın ne kadar ucuza üretilebildiği ve ne kadar verimli kullanılabildiğiyle belirlenecek.

Jev’in adının William Stanley Jevons’tan gelmesi de bu nedenle tesadüf değil.

TypeSafe’in argümanı Jevons Paradoksu’na dayanıyor: Bir kaynağın kullanım verimliliği arttığında toplam tüketim her zaman azalmak zorunda değildir; ucuzlayan kullanım yeni talep yaratabilir.

AI için de benzer bir süreç yaşanabilir.

Bir AI kararının maliyeti 100 kat düşerse şirketler AI kullanımını 100 kat azaltmayabilir.

Tam tersine daha önce ekonomik olmadığı için AI kullanmadıkları binlerce noktada kullanmaya başlayabilirler.

Bugün bir işletme sürecinde 10 AI kararı varsa yarın 10.000 olabilir.

Ve belki de Jev’in temsil ettiği fikrin AI ekonomisi açısından en önemli tarafı budur.

Yapay zekâ daha ucuz hale geldikçe daha az kullanılmayacak.

Muhtemelen görünmez hale gelene kadar yazılımın her katmanına yayılacak.

Bugünün AI’ı çoğunlukla bizimle konuşuyor.

Yarının AI’ının çok daha büyük bölümü ise belki de hiç konuşmayacak.

Arka planda milyonlarca küçük karar verecek.

Ve kullanıcı bunların hiçbirini görmeyecek.

AI ekonomisinin bir sonraki büyük aşaması daha fazla konuşan modeller değil, konuşmasına bile gerek kalmadan çalışan zekâ olabilir.