Kurumsal yapay zekâda odak yeni modellerden maliyet ve iş uygulamalarına kaydı

Dreamforce 2026'da şirket temsilcileri, en yeni yapay zekâ modelleri yerine doğrulanmış önceki nesil modellerin pratikliği ve maliyet verimliliğine öncelik verdi. Etkinlikte model performansı yarışından çok, iş süreçlerine entegrasyon ve kullanımın yönetilmesi kurumsal yapay zekâ yatırımlarının temel kriterleri arasında öne çıktı.

Salesforce'un (CRM) yıllık etkinliği Dreamforce 2026, 15-17 Eylül 2026'da ABD'nin San Francisco kentinde düzenlendi. Salesforce, etkinliğe 50 binden fazla kişinin katıldığını açıkladı.

Etkinlikte yapay zekâ güvenliği ve yeni modellerin geliştirilme hızı tartışılırken, bazı katılımcılar mevcut araçları gerçek iş süreçlerine bağlamaya odaklandı. Perakende veri şirketi Spins'in Salesforce direktörü Alec Bronston, "Zaten yetişmek bile yeterince zor" dedi. Bu ifade, yapay zekâ geliştirme hızının yavaşlaması halinde şirketlerin mevcut teknolojileri iş süreçlerine uygulamak için daha fazla zaman kazanabileceği görüşünü yansıtıyor.

Yeni modellerin art arda piyasaya sürüldüğü ortamda kurumsal müşteriler, her iş için en yüksek performanslı modeli kullanmanın gerekli olmadığını değerlendiriyor. Yazılım inceleme şirketi G2'nin baş inovasyon sorumlusu Tim Sanders, ajan görevlerinin büyük bölümünün en yeni model olmadan da tamamlanabileceğini söyledi. Bulut iletişim merkezi şirketi NICE'ın teknoloji sorumlusu Kevin Lee de bir önceki nesil modellerin müşteri çalışmalarında yeterince etkili olduğunu belirtti.

Salesforce, etkinlikte AIforce'u ve CRM'e özel akıl yürütme modeli Koa'yı tanıttı. NVIDIA'nın (NVDA) Nemotron modeli temel alınarak geliştirilen Koa, çok aşamalı ve karmaşık CRM görevlerini yerine getirmek üzere tasarlandı. Salesforce, Koa'yı kendi CRM verileri ve iş akışlarına uyarlanmış bir model olarak sundu.

Koa'nın tanıtılması, kurumsal yapay zekânın yalnızca genel amaçlı modellerin performansıyla değerlendirilmediğini gösteriyor. Şirketler ayrıca modelin kurum içi veri ortamı ve iş süreçleriyle uyumunu, güvenlik ve maliyet koşullarını karşılayıp karşılamadığını inceliyor.

Şirketler Anthropic ve OpenAI'ın özel modelleriyle açık ağırlıklı modelleri iş bazında maliyet ve performans ölçütleriyle karşılaştırıyor. Bu süreçte tek bir modeli tüm görevlere uygulamak yerine, taleplerin zorluk seviyesine göre farklı modeller kullanma yaklaşımı öne çıkıyor.

Elektronik imza şirketi DocuSign, taleplerin karmaşıklığına göre farklı modellere yönlendirme yapan 'model yönlendirme' yöntemini kullandığını açıkladı. Karmaşık sözleşme maddelerinin analizi veya birden fazla belge üzerinde akıl yürütme için büyük modeller atanırken, basit görevlerde daha düşük maliyetli modeller tercih ediliyor.

Model yönlendirme, gereken performansla model çağrılarının maliyetini birlikte değerlendirerek uygun modeli seçme tekniği olarak kullanılıyor. Bu örnek, şirketlerin model performansının yanı sıra çağrı maliyetlerini ve kullanım miktarını da izlediğini ortaya koyuyor.

Yapay zekâ ajanlarının mevcut abonelik tabanlı yazılımların bazı işlevlerini üstlenmesi halinde maliyet yapısının değişebileceği de belirtildi. Sanders, mevcut SaaS işlerinin yüzde 85'in üzerindeki brüt kâr marjının ajan tabanlı modelde yaklaşık yüzde 45 seviyesine düşebileceğini söyledi.

Ancak bu oran Sanders'ın sunduğu bir tahmin olup sektör ortalaması olarak doğrulanmış değil. Sanders, ajanların işlediği görev hacmiyle model çağrılarının maliyetinin kontrol edilmesinin şirket kârlılığını etkileyebileceğini ifade etti.

Bu durum, en yeni modellerin faydasız olduğu anlamına gelmiyor. Veri analizi şirketi Databricks'in mühendislikten sorumlu başkan yardımcısı Patrick Wendell, sosyal medya paylaşımında GPT-6 Astra'nın karmaşık görevlerde önceki en üst seviye modele kıyasla belirgin biçimde daha iyi olduğunu açıkladı.

OpenAI, 3 Eylül'de GPT-6 Astra'yı tanıtırken akıl yürütme kabiliyetiyle güvenliğinin geliştirildiğini duyurdu. Aynı zamanda Astra'nın izlenebilirliğinin önceki modele göre azaldığı yönündeki değerlendirmeyi de paylaştı.

Dreamforce'ta görülen eğilim, yeni model rekabetinin sona erdiği anlamına gelmiyor. Şirketler bir yandan mevcut modelleri iş süreçlerine bağlayıp maliyetleri kontrol ederken, diğer yandan en yeni modellerin karmaşık görevlerde sunduğu performans artışının ek maliyeti karşılayıp karşılamadığını değerlendiriyor.

Bu yaklaşım, yapay zekâ modellerinin potansiyelinin yalnızca yüzde 5-10'unun gerçek kullanımda değerlendirildiği yönündeki tespitle de örtüşüyor. Kurumsal yapay zekâ kullanımı, model lansmanlarının hızından çok iş bazındaki sonuçların ve maliyet yapısının incelendiği bir aşamaya ilerliyor.