Dijital Ürünlerde Yapay Zeka Maliyeti: Kullanıcı Deneyimi ve Kârlılık Nasıl Birlikte Tasarlanır?

Bir SaaS ürününe yapay zeka destekli raporlama özelliği eklediğinizi düşünün. Kullanıcılar raporlarını saniyeler içinde hazırlıyor, farklı analizler deniyor ve özelliği giderek daha sık kullanıyor.

İlk bakışta başarılı bir ürün geliştirmesi.

Ancak abonelik geliriniz aynı kalırken her raporun, her yeniden üretimin ve arka planda çalışan her AI işleminin maliyeti artıyor. Kullanım grafiği yükselirken müşteriden elde ettiğiniz brüt kâr düşebiliyor.

Dijital ürünlerde yapay zeka dönüşümü, kullanıcıya sağlanan değer ile bu değeri üretmenin maliyeti birlikte tasarlandığında sürdürülebilir hâle gelir. Bu nedenle yapay zeka maliyeti; ürün stratejisi, kullanıcı deneyimi ve fiyatlandırma kararlarının ortak konusudur.

Yapay zeka, dijital ürünlerin maliyet yapısını nasıl değiştiriyor?

Klasik yazılım ürünlerinde de kullanım arttıkça altyapı, veri işleme ve destek giderleri yükselir. Bununla birlikte, üretken yapay zeka özellikleri kullanım başına ek ve değişken maliyetler oluşturabilir.

Bir kullanıcının “Rapor hazırla” butonuna basması, arka planda birden fazla işlemi tetikleyebilir:

• İlgili verilerin bulunması ve hazırlanması.
• Verilerin modele iletilmesi.
• Analiz ve metin üretilmesi.
• Çıktının kontrol edilmesi.
• Başarısız adımların tekrar çalıştırılması.
• Sonucun saklanması ve kullanıcıya sunulması.

Arayüzde tek bir işlem gibi görünen deneyim, birden fazla model çağrısı ve araç kullanımı içerebilir.

Modelin yanıt üretmek için çalıştırılmasına çıkarım, yani inference denir. Ancak bir AI özelliğinin toplam maliyeti yalnızca çıkarım bedelinden oluşmaz. Veri altyapısı, arama servisleri, izleme, kalite kontrol ve insan müdahalesi de hesaba katılmalıdır.

Bu nedenle ürünün ekonomik performansını değerlendirirken şu soru önem kazanır:

Bir kullanıcının işini başarıyla tamamlamasının toplam maliyeti nedir?

AI ürünlerinde büyüme ve brüt marj neden birlikte izlenmeli?

ICONIQ’nun 300’ün üzerinde yazılım yöneticisinin katılımıyla hazırladığı 2026 State of AI: The Builder’s Economy araştırmasında, AI ürünlerinin brüt marjının 2025’te %45 olduğu, katılımcıların 2026 için %53 ve 2027 için %59 öngördüğü belirtiliyor. Bu rakamlar araştırma kapsamındaki şirketleri ve gelecek beklentilerini yansıtıyor; her yapay zeka ürünü için geçerli sabit oranlar değil.

Ürün ekipleri açısından çıkarılabilecek sonuç şu: AI gelirlerinin büyümesi kadar, bu gelirleri elde etmek için katlanılan maliyetin nasıl değiştiği de izlenmeli.

Bir özelliğin yoğun kullanılması, kullanıcıların onu değerli bulduğuna işaret edebilir. Ancak kullanımın artması tek başına ekonomik başarıyı göstermez. Aynı anda şu gelişmeler de yaşanabilir:

• Kullanıcılar yeterli sonuç alamadığı için tekrar tekrar deniyordur.
• Basit işler için gereğinden kapsamlı analizler üretiliyordur.
• Aynı veri, değişmediği hâlde yeniden işleniyordur.
• Yoğun kullanımın maliyeti mevcut abonelik fiyatına yansımıyordur.

Bu ihtimalleri anlamak için kullanım verisini, görev başarısı ve maliyet verisiyle birlikte okumak gerekir.

Aynı gelir, farklı maliyet: Basit bir ürün senaryosu

Aşağıdaki örnek, AI özelliğinin mevcut bir abonelik paketine eklenmesinin etkisini göstermek için hazırlanmıştır. Tutarlar TL cinsinden varsayımsaldır; gerçek bir müşteriye veya sektör ortalamasına ait değildir. İngilizce yazıdaki USD tutarları bu TL örneğinin kur dönüşümü değildir; aynı maliyet oranlarını gösteren bağımsız bir varsayımsal senaryodur.

Bu senaryoda gelir değişmezken aylık brüt kâr müşteri başına 1.080 TL azalıyor. Hesap; satış, pazarlama, ürün geliştirme ve genel yönetim giderlerini içermiyor. Örnekte kullanılan %53 marj, hesaplamayı anlatmak için seçilmiştir; ICONIQ örneklemindeki şirketlerin maliyet dağılımını temsil etmez.

Bu durum AI özelliğinin yanlış bir yatırım olduğunu göstermez. Özellik daha yüksek paketlere geçişi artırabilir, müşteri kaybını azaltabilir veya yeni müşteri kazanılmasını sağlayabilir.

Ancak bu etkilerin ölçülmesi gerekir. Beklenen ticari fayda, kullanım maliyetinden bağımsız varsayılamaz.

Kullanıcı deneyimi yapay zeka maliyetini nasıl etkiler?

Kullanıcı deneyimi tasarımı; kullanıcının hangi işlemi başlattığını, sisteme hangi bilgileri verdiğini ve sonuca ulaşmak için kaç kez denediğini etkiler. Bu kararlar, AI özelliğinin çalışma maliyetini de şekillendirir.

1. İşlemin kapsamını baştan netleştirin

“Analiz et” gibi geniş bir komut, kullanıcı beklentisini belirsiz bırakır. Sistem gereğinden uzun bir çıktı üretebilir; kullanıcı da istediğini bulamadığı için yeniden deneyebilir.

Bir raporlama ürününde işlem öncesinde şu seçeneklerin sunulması daha kontrollü bir deneyim sağlayabilir:

• İncelenecek tarih aralığı.
• Kullanılacak veri kaynakları.
• Yanıtlanacak temel soru.
• Kısa özet veya ayrıntılı analiz tercihi.

Her görev için uzun bir form doldurtmak gerekmez. Sık kullanılan işler için hazır seçenekler ve uygun varsayılanlar yeterli olabilir. Amaç, kullanıcının niyetini en az çabayla anlaşılır hâle getirmektir.

2. Tüm çıktıyı yeniden üretmek yerine düzenlemeyi destekleyin

Bir raporun yalnızca sonuç bölümünü değiştirmek isteyen kullanıcıya tek seçenek olarak “Yeniden oluştur” sunulduğunda, sistem bütün raporu tekrar çalıştırabilir.

Bunun yerine kullanıcıya daha belirli aksiyonlar verilebilir:

• Bu bölümü kısalt.
• Seçili paragrafı yeniden yaz.
• Yalnızca değişen verileri güncelle.
• Açıklamayı sadeleştir.

Bu yaklaşım kullanıcının beğendiği bölümleri korur. Teknik yapı da bölüm bazında çalışmayı destekliyorsa, gereksiz yeniden üretimi azaltabilir.

Burada tasarım ve yazılım kararlarının birlikte alınması gerekir. Arayüzde “Bu bölümü güncelle” yazarken arka planda bütün belgenin yeniden üretilmesi, beklenen maliyet avantajını sağlamaz.

3. İşlemin durumunu görünür kılın

Yanıt gelmediğinde kullanıcı butona tekrar basabilir, sayfayı yenileyebilir veya aynı görevi yeniden başlatabilir.

İyi bir AI deneyimi, işlemin devam edip etmediğini anlaşılır biçimde gösterir. Uzun görevlerde tamamlanan adımları sunar; uygun durumlarda iptal etme seçeneği verir ve aynı işin yanlışlıkla tekrar başlatılmasını önler.

İptal davranışının da teknik karşılığı olmalıdır. Ekrandaki yüklenme göstergesinin kapanması, arka plandaki işlemin durduğu anlamına gelmeyebilir.

4. Mevcut sonucu yeniden kullanmayı kolaylaştırın

Bir kullanıcı dün hazırlanan raporu tekrar açtığında, her zaman yeni bir rapora ihtiyaç duymaz.

Ürün, mevcut çıktıyı ve hangi verilere dayandığını gösterebilir. Veriler değiştiğinde ise kullanıcıya güncelleme seçeneği sunabilir.

Örneğin:

Bu rapor 1–31 Ekim verileriyle oluşturuldu. Son veri aktarımından sonra güncellenmedi.

Bu tür bir açıklama, kullanıcının yeni işlem başlatıp başlatmayacağına karar vermesini kolaylaştırır. Önbellekleme ve çıktıların yeniden kullanımı ise veri güncelliği, erişim yetkileri ve gizlilik gereksinimleriyle birlikte tasarlanmalıdır.

Her görev aynı AI kapasitesini gerektirmez

Kısa bir metni sınıflandırmak, uzun bir dokümanı değerlendirmek ve farklı kaynakları karşılaştırarak kapsamlı bir analiz hazırlamak farklı ihtiyaçlardır.

Anthropic’in Building Effective Agents rehberi, mümkün olan en basit çözümle başlamayı ve karmaşıklığı ihtiyaç ortaya çıktıkça artırmayı öneriyor. Rehber, agent tabanlı sistemlerde daha yüksek görev performansının ek maliyet ve bekleme süresiyle birlikte değerlendirilmesi gerektiğini de vurguluyor.

Ürün tasarımı açısından bunun karşılığı, görevin gerektirdiği kapasiteyi açıkça tanımlamaktır.

Bu ayrımın teknik model adlarıyla kullanıcıya sunulması gerekmez. “Hızlı özet” ve “Ayrıntılı inceleme” gibi seçenekler, sonuç ve bekleme süresi açısından anlamlı bir tercih oluşturabilir.

Her seçeneğin kalitesi gerçek görevlerle test edilmelidir. Daha düşük işlem maliyeti, kullanıcıyı sürekli yeniden denemeye zorluyorsa toplamda verimli bir sonuç doğurmayabilir.

AI fiyatlandırması kullanıcı deneyiminin bir parçasıdır

AI özelliklerinde paketler, kotalar ve kullanım hakları ürünün nasıl algılandığını etkiler.

Kullanıcı, bir işlemin ne kadar hakkını tüketeceğini anlayamıyorsa özelliği denemekten kaçınabilir. Beklenmedik şekilde kotaya ulaşırsa ürüne duyduğu güven zedelenebilir.

Fiyatlandırma modelinin şu soruları yanıtlaması gerekir:

• Paketimde hangi AI işlemleri var?
• Ne kadar kullanım hakkım kaldı?
• Başlatacağım işlem ne kadar hak kullanacak?
• Başarısız bir işlem hakkımdan düşecek mi?
• Limitime ulaştığımda ne olacak?

Sabit abonelik, kullanım bazlı ücret veya bunların birleşimi değerlendirilebilir. Seçim, müşterinin elde ettiği değerle ve kullanım maliyetinin dağılımıyla uyumlu olmalıdır.

Örneğin temel özetleme özellikleri aboneliğe dâhil edilirken, büyük veri kümeleri üzerinde çalışan kapsamlı analizler ayrı bir kullanım hakkıyla sunulabilir. Bunun anlaşılır olması için “kredi” biriminin ürün içindeki karşılığı açıkça anlatılmalıdır.

Kullanıcı fiyatlandırmayı anlamak için token hesabı yapmak zorunda kalmamalıdır.

Başarıyı sorgu sayısıyla ölçmeyin

AI özelliğinin kaç kez kullanıldığı yararlı bir başlangıç verisidir. Ancak ürünün kullanıcıya ne kazandırdığını ve bunun maliyetini açıklamaz.

Daha anlamlı bir değerlendirme için şu göstergeler birlikte izlenebilir:

Özellikle başarıyla tamamlanan görev başına maliyet, farklı deneyimleri karşılaştırmak için yararlıdır.

Tek seferde daha pahalı çalışan bir akış, kullanıcıyı sonuca ulaştırıyorsa toplamda daha verimli olabilir. Daha ucuz bir işlem ise çok sayıda tekrar gerektirdiğinde beklenen avantajını kaybedebilir.

AI özelliğini yayına almadan önce neleri doğrulamalısınız?

Dijital ürünlerde yapay zeka entegrasyonu planlanırken prototip testlerine ekonomik varsayımlar da eklenebilir.

İlk pilotta şu soruların yanıtı aranmalıdır:

1. Kullanıcı hangi işi tamamlamak için bu özelliğe ihtiyaç duyuyor?
2. Mevcut yönteme göre sağlanan fayda nedir?
3. Kabul edilebilir bir sonuca ulaşmak kaç deneme gerektiriyor?
4. Tipik kullanım ile yoğun kullanımın maliyeti nasıl farklılaşıyor?
5. İşlem başarısız olduğunda kullanıcı nasıl devam ediyor?
6. Kullanıcı kullanım hakkını ve fiyatlandırmayı anlayabiliyor mu?
7. Özelliğin maliyetini karşılayacak ticari fayda hangi verilerle doğrulanacak?

Bu çalışma, yayından önce bütün belirsizlikleri ortadan kaldırmaz. Ancak ekiplerin hangi varsayımları test ettiğini ve hangi koşullarda ürünü değiştireceğini netleştirir.

VOYA’nın yaklaşımı: Değer, deneyim ve maliyeti birlikte ele almak

VOYA’da dijital ürünlere yönelik yapay zeka dönüşümünü; kullanıcı ihtiyacı, ürün stratejisi ve deneyim tasarımı üzerinden ele alıyoruz.

Hangi görevin AI ile destekleneceği, kullanıcının sisteme ne kadar kontrol vereceği, çıktıyı nasıl değerlendireceği ve başarısızlık durumunda nasıl ilerleyeceği ürünün temel kararları arasında yer alıyor.

Bu kararların maliyet üzerindeki etkisi de tasarım sürecine dâhil edilmeli. Gereksiz yeniden üretimleri azaltan, kapsamı netleştiren ve kullanıcıyı daha az denemeyle sonuca ulaştıran bir deneyim, sürdürülebilir bir AI ürününün kurulmasına katkı sağlayabilir.

İyi tasarlanmış bir AI özelliği, kullanıcının işini güvenilir biçimde tamamlamasını ve şirketin bu değeri sürdürülebilir bir maliyetle sunmasını sağlar.

Dijital ürününüzde hangi AI fırsatlarının anlamlı olduğunu değerlendirmek için VOYA’nın yapay zeka dönüşümü yaklaşımını inceleyebilirsiniz.

Kaynaklar

• ICONIQ — 2026 State of AI: The Builder’s Economy
• Anthropic — Building Effective Agents