HPE, AI kodlama token maliyetlerini %30-50 azalttığını açıkladı

Hewlett Packard Enterprise (HPE), AI kodlama ajanlarının tekrarlayan işlerini şirket içi özel bulutta yürüterek kendi token maliyetlerini %30-50 azalttığını açıkladı.

HPE, karmaşık planlama işlerini en yüksek performanslı modellere bırakırken kod üretimi, test ve düzeltme gibi tekrarlanan görevleri şirket içinde çalıştırdığı açık ağırlıklı modellerle yürüttüğünü belirtti. Bu bilgiler HPE’nin resmi materyallerinde yer aldı.

İstekleri yönlendiren ağ geçidi; işin zorluğu, verilerin hassasiyeti, bütçe ve yanıt süresine göre model seçiyor. HPE’nin iç AI platformu, LiteLLM ağ geçidi ve bütçe kontrolleriyle hibrit Azure ve HPE Private Cloud AI (PCAI) ortamlarında 150’den fazla uygulamayı destekliyor.

Token, AI modelinin girdi ve çıktıyı işlerken kullandığı veri birimidir. Bir kodlama ajanı tek bir görevde plan yapabilir, kod üretebilir, ardından test ve düzeltme adımlarını tekrarlayarak modeli birçok kez çağırabilir.

HPE’nin yayımladığı materyallerde %30-50 tasarruf oranının ayrıntılı hesaplama yöntemi açıklanmadı. Bu oran, HPE’nin kendi iç analizinin sonucu olarak değerlendirilmelidir.

En fazla %60 oranı ise ayrı bir karşılaştırmaya dayanıyor. HPE, 2 Eylül 2026’da düzenlenen 2026 mali yılı üçüncü çeyrek sonuç konferans görüşmesinde, kendi analizine göre PCAI’nin token maliyetinin genel bulut hizmetlerinden en fazla %60 daha düşük olabileceğini söyledi. Bu, konferans görüşmesinde aktarılan bir tahmindi.

%30-50 oranı, tekrarlayan işlerin şirket içine taşınmasının ardından HPE’nin bildirdiği iç işletim sonucunu; en fazla %60 oranı ise PCAI ile genel bulutun karşılaştırmasını ifade ediyor. Karşılaştırma kapsamları farklı olduğu için iki oran doğrudan kıyaslanamıyor.

Gartner, 24 Haziran tarihli basın açıklamasında AI kodlama maliyetlerinin 2028’de ortalama bir yazılım geliştiricinin maaşını aşacağını öngördü. Gartner, basit işler için küçük modellerin kullanılmasını, yüksek performanslı modellerin yalnızca karmaşık görevlere ayrılmasını ve kullanıma sınır getirilmesini önerdi.

Maliyetleri azaltma yöntemleri yalnızca model seçimiyle sınırlı değil. TokenPost daha önce Meta’nın (META) AI kodlama araçlarının token fiyatını %80 düşürdüğünü bildirmişti. Sağlayıcının fiyat indirimi ile HPE’nin işleri şirket içinde farklı modellere yönlendirmesi ayrı yöntemler olduğundan tasarruf oranları yan yana karşılaştırılamaz.

HPE, iç kullanımın bazı kullanıcılarda yoğunlaştığını da açıkladı. Aynı lisans kapsamındaki kullanımda en çok kullanan %5, tüketimin büyük bölümünü oluşturdu. En yoğun kullanıcının tüketimi, en az kullanan kullanıcınınkinden yaklaşık 450 kat fazlaydı. Bu şirket içi veriler, maliyetin yalnızca kullanıcı sayısına bakılarak tahmin edilemeyeceğini gösteriyor.

HPE, token harcamalarının yanı sıra aktif geliştirici başına maliyet ile onaylanan PR (pull request) başına maliyetin de ölçülmesini önerdi. Onaylanan PR, kod incelemesini geçip ana koda eklenen ve sonrasında da kullanılan bir değişikliği ifade ediyor.

Araştırmacılar, 26 Eylül’de güncelledikleri ön baskıda 10.000 koltuklu bir şirket için yaptıkları simülasyonda model harcamalarının %13-21 azaltılabileceğini tahmin etti. Hesaplamada herkese açık bir veri kümesindeki kullanıcı davranışları ve Anthropic’in 21 Eylül itibarıyla geçerli model fiyatları kullanıldı.

Bu sonuç, kamuya açık veriler ve fiyat listesiyle yapılan bir simülasyon; HPE’nin gerçek şirket içi kullanımını doğrulayan bir çalışma değil. Kullanılan modeller, fiyatlar ve iş koşulları da HPE’nin iç analizinden farklı olduğu için oranlar doğrudan karşılaştırılamıyor.

HPE, %30-50 tasarruf iddiasının yanında aktif geliştirici başına ve onaylanan PR başına maliyetin izlenmesini önerdi ancak bu göstergelerin gerçek ölçüm değerlerini yayımlamadı. Bu nedenle açıklanan oran, geliştirme performansındaki artış olarak değil, HPE’nin bildirdiği şirket içi token maliyeti değişimi olarak okunmalı.