Nvidia CEO’su Jensen Huang, GTC 2026’nın ardından katıldığı bir programda mühendis verimliliğine dair dikkat çekici bir ölçüt paylaştı. Huang’a göre yıllık US$500,000 maliyeti olan bir mühendisin yıllık AI token tüketimi US$250,000’in, yani maaşının yarısının altında kalıyorsa bu durum endişe verici olabilir. Nvidia’nın kendi mühendislik organizasyonu için yıllık yaklaşık US$2 milyar düzeyinde bir token faturası hedeflediğini de doğruladı. Mesaj net: yazılım geliştirme süreçlerinde insan emeği ile yapay zeka altyapısı arasındaki bütçe dengesi hızla yeniden kuruluyor.
Bu yaklaşım tek başına Nvidia’ya özgü değil. Kurumsal dünyada giderek daha fazla şirket, geçmişte çalışanlara ayrılan bütçenin bir kısmını AI donanımı, veri merkezi kapasitesi, model erişimi ve token tüketimine yönlendiriyor. En büyük dört hyperscaler’ın 2026 için toplam yaklaşık US$700 milyar sermaye harcaması öngördüğü, bunun geçen yıla göre neredeyse iki kat anlamına geldiği belirtiliyor. Gartner ise AI agent yazılım harcamalarının %139 artışla US$207 milyara ulaşacağını tahmin ediyor. Yani harcama tarafında büyüme çok somut ve çok hızlı.
Diğer tarafta ise istihdam tablosu var. Challenger, Gray & Christmas verilerine göre AI, ABD’de işten çıkarmalar için üst üste dördüncü ayda da en sık gösterilen gerekçe oldu. Yılın ilk yarısındaki işten çıkarmaların %31’i teknoloji sektöründen geldi. Burada önemli nokta, işten çıkarmaların yalnızca zayıf bilançolara sahip şirketlerde görülmemesi. Yüksek kârlılık açıklayan büyük teknoloji şirketleri de benzer adımlar atıyor; dolayısıyla mesele hayatta kalma değil, kaynakların başka kalemlere kaydırılması olarak okunuyor.
Örneğin şirket içi bir Meta notunda, Mayıs ayındaki 8.000 kişilik kesintinin şirketin büyük ölçekli yatırımlarını dengelemeye yardımcı olduğu ifade edildi. Aynı dönemde şirket gelirinin %33 arttığı da aktarılıyor. Oracle tarafında ise resmi dosyalamalar, çalışan sayısının 21.000 azaldığını ve tasarrufların veri merkezi yatırımlarına yönlendirildiğini gösteriyor. Bu örnekler, iş gücü azaltımının çoğu zaman otomasyonun doğrudan sonucu olmaktan çok, AI döneminin altyapı masraflarını finanse etmenin bir yolu haline geldiğini düşündürüyor.
Ancak asıl kritik soru şu: Personelden kesilip token ve altyapıya aktarılan para gerçekten geri dönüş sağlıyor mu? Bu noktada tablo daha karmaşık. Gartner, yıllık geliri US$1 milyarın üzerinde olan ve AI agent ya da otomasyon kullanan 350 yöneticiyle yaptığı araştırmada, şirketlerin yaklaşık %80’inin çalışan sayısını azalttığını buldu. Buna karşın, bu kesintiler ile daha iyi finansal geri dönüş arasında anlamlı bir ilişki görülmedi. Başka bir ifadeyle, bütçede yer açmak ile yatırımın verimli olması aynı şey değil.
Gartner analisti Helen Poitevin’in değerlendirmesi de bu ayrımı net biçimde ortaya koyuyor: iş gücü azaltımı bütçede alan yaratabilir, ancak tek başına getiri üretmez. Araştırmaya göre ROI tarafında iyileşme gösteren organizasyonlar, AI’ı insanları devreden çıkarmak için değil, çalışanların etkisini artırmak için kullanan şirketler oldu. Bu bulgu, AI yatırımlarının verimlilik söylemiyle pazarlanmasına rağmen pratikte başarının çoğu zaman hibrit modellere bağlı kaldığını gösteriyor.
Uber örneği de bu gerilimi görünür kılıyor. Şirket Aralık ayında 5.000 mühendise AI kodlama araçları sundu, ancak 2026 için ayrılan tüm AI bütçesini Nisan ayı itibarıyla tüketti. Operasyonlardan sorumlu yönetici Andrew Macdonald, işlenen kodun %70’inin AI tarafından üretildiğini söylese de bunun müşterinin doğrudan hissettiği çıktılarla bağlantısının henüz kurulamadığını kabul etti. Şirket bu nedenle mühendislerin aylık AI harcamasına US$1,500 sınırı getirdi.
Benzer bir durum Walmart tarafında da görüldü. Şirketin iç kullanım için sunduğu AI asistanına yönelik talep öngörüleri aşınca token tüketimine sınırlama getirildi. Bu örneklerin ortak noktası önemli: AI kullanımı planlanandan pahalı hale geldiğinde ilk refleks harcamayı sınırlandırmak oluyor. Yani token bütçeleri aşıldığında kota devreye giriyor. Aynı bütçe mantığı çalışan tarafında ise çoğu zaman işten çıkarma olarak karşımıza çıkıyor.
AI ile insan emeği arasındaki bu değişimin sınırlarını en açık gösteren örneklerden biri Klarna oldu. Fintek şirketi, OpenAI destekli bir asistanla yaklaşık 700 müşteri hizmetleri rolünü ikame etti, bir yıldan uzun süre insan işe alımını dondurdu ve AI-first yaklaşımını yatırımcılara sunduğu anlatının merkezine yerleştirdi. Ne var ki süreç beklendiği gibi ilerlemedi. Müşteri memnuniyeti düştü, şikayetler arttı ve şirket yönetimi verimlilik ile maliyet odağının kaliteyi zayıflattığını kabul etti.
Klarna CEO’su Sebastian Siemiatkowski, verimlilik ve maliyet tarafına fazla odaklandıklarını, bunun sonucunda hizmet kalitesinin düştüğünü ve bu durumun sürdürülebilir olmadığını açık biçimde söyledi. Şirket şimdi yeniden insan çalışan alıyor ve insan destek kalitesine yatırımın gelecekteki stratejisinin parçası olduğunu savunuyor. Bu geri adım, AI’ın özellikle müşteriyle doğrudan temas eden süreçlerde her zaman beklenen kalite seviyesini sağlayamadığını gösteren somut bir örnek oldu.
Gartner, Klarna’daki bu desenin genelleşmesini bekliyor. Kuruma göre 2027’ye kadar müşteri hizmetleri personelini AI nedeniyle azaltan şirketlerin yarısı yeniden işe alım yapacak; üstelik bu pozisyonlar zaman zaman farklı unvanlarla geri dönecek. Ayrıca müşteri hizmetleri liderleriyle yapılan ayrı bir ankette, katılımcıların yalnızca %20’si AI sayesinde personel sayısını gerçekten azaltabildiğini belirtiyor. Bu da bazı kesintilerin teknik zorunluluktan çok klasik maliyet kontrolünün AI söylemiyle yeniden paketlenmiş hali olabileceğini düşündürüyor.
Bu çerçevede “AI washing” tartışması da önem kazanıyor. Kurumsal işten çıkarma duyurularında AI vurgusunun zaman zaman abartıldığı, bazı kesintilerin doğrudan otomasyonla değil genel gider azaltma hedefleriyle ilişkili olduğu artık daha yüksek sesle konuşuluyor. Yani yerinden edilme anlatısının bir kısmı gösteri olabilir; ancak bunun altında yatan bütçe kayması gerçek. Harcama kalemleri değişiyor ve bu değişimin insan tarafında yarattığı etki de somut biçimde hissediliyor.
En ağır sonuçlardan biri, kariyerinin başındaki çalışanlarda görülüyor. Stanford HAI’nin 2026 AI Index çalışmasına göre 22-25 yaş aralığındaki yazılım geliştiricilerin istihdamı 2024’ten bu yana yaklaşık %20 geriledi. Buna karşılık daha yaşlı gruplarda büyüme sürüyor. Bu tablo, şirketlerin giriş seviyesindeki basamağı zayıflattığını gösteriyor. Oysa birkaç yıl sonra kıdemli mühendis havuzunun oluşabilmesi için bugünün genç çalışanlarının deneyim kazanması gerekiyor. Alt basamak daraldığında, üst basamağın sürdürülebilirliği de risk altına giriyor.
Küresel ölçekte bakıldığında mesele daha da sertleşiyor. Huang’ın verdiği örnek, yıllık US$500,000 maliyeti olan bir mühendisi temel alıyor; bu gelir bandı ABD’deki yazılım mühendislerinin yalnızca küçük bir bölümünü kapsıyor ve birçok ülkede çok daha istisnai bir seviyeye karşılık geliyor. Aynı maaşın yarısı oranındaki token harcaması, Güneydoğu Asya gibi daha düşük ücretli pazarlarda bir mühendisin toplam maliyetini aşabilecek düzeye çıkabiliyor. Bu durumda AI, çalışanı güçlendiren bir araç olmaktan çok, doğrudan maliyet kıyaslamasının nesnesi haline geliyor.
Sonuç olarak eldeki veriler, şirketlerin personel bütçelerini AI yatırımlarına kaydırdığını açık biçimde gösteriyor; ancak bu kaymanın otomatik olarak daha yüksek verimlilik veya daha iyi finansal getiri yaratmadığı da giderek netleşiyor. Başarı örnekleri, insanı denklemden çıkaranlarda değil, AI’ı çalışanların kapasitesini artıracak şekilde kullananlarda toplanıyor. Token tüketimi bugün stratejik bir metrik haline gelmiş olabilir, fakat kısa sürede sınırlandırılan bütçeler ve geri çağrılan insan rolleri, işin sonunda yeteneğin hâlâ temel değer kalemi olduğunu hatırlatıyor.
