Dış AI faturaları onda bire indi: Revolut şirket içi verilerini açıkladı

Revolut, kendi işlettiği yapay zekâ modelini geliştiricilerin varsayılan kodlama aracı yaptıktan sonra Anthropic ve OpenAI’ye ödediği faturaların önceki seviyenin yaklaşık onda birine düştüğünü açıkladı. Şirketin paylaştığı maliyet ve verimlilik rakamları kendi iç ölçümlerine dayanıyor.

Revolut’un operasyon ve altyapı lideri David Abitbol, 13 Ekim 2026’daki sunumunda “Fatura, Anthropic ve OpenAI’ye harcadığımız tutarın onda biri” dedi. Abitvol, 1 milyon token başına karma maliyeti 0,30 dolar (yaklaşık 403 won) olarak açıkladı. AI Engineer NYC sunum materyalleri ve kaydı

Revolut, Nisan 2026’dan itibaren açık ağırlıklı modelleri indirerek kendi altyapısında çalıştırmaya başladı. İlk kullandığı model GLM-5.1’di; sunum sırasında ise GLM-5.3 kullanıyordu. GLM-5.3, Nvidia (NVDA) B200 GPU’larından 56’sı üzerinde çalışıyor.

Açık ağırlıklı modellerde şirketler, eğitilmiş model ağırlıklarını indirip seçtikleri altyapıda çalıştırabiliyor. Revolut, kendi modelini varsayılan araç haline getirirken istisnai işler için Claude Code ve Codex’i kullanmayı sürdürdüğünü belirtti. Sunumda görüntü işleri için ayrı bir modelin sisteme bağlanması da anlatıldı.

Abitvol, harici yapay zekâ araçları ilk kullanıma alındığında bunlara bütçe sınırı koyduklarını söyledi. Token tasarrufu yapmaya çalışan geliştiriciler yapay zekâyı karmaşık kodlama işlerinde yoğun biçimde kullanırken e-postaları kontrol etme, Jira ve Confluence gibi çevre işlerde daha az kullanıyordu. Abitvol’a göre kendi altyapısına geçişle fatura yükü azalınca yapay zekâyı bu işlerde de kullanmak mümkün oldu.

Revolut’un paylaştığı şirket içi ölçümlerde kodlama süresi yaklaşık yüzde 60, bir özellik üzerinde çalışmaya başlanmasından kodun birleştirilip dağıtıma hazır hale gelmesine kadar geçen süre ise yaklaşık yüzde 70 iyileşti. Ölçüm yaklaşık 2.000 mühendisi kapsıyor; değişim GLM-5.1’in kullanıma alındığı dönemde gözlemlendi.

Ancak sunumda verilen bilgiler, bu ölçümlerin nasıl hesaplandığını ve hangi dönemle karşılaştırıldığını doğrulamaya yetmiyor. Model değişikliğiyle token kullanım sınırlarının gevşetilmesi aynı dönemde gerçekleştiği için her birinin iyileşmeye katkısı da ayrı ayrı belirlenemiyor.

Revolut, GPU sayısını 56’da tutarken çıkarım ortamını ayarlayarak saniyede işlenen istek miktarını yüzde 76 artırdığını açıkladı. İstek gönderildikten sonra ilk yanıt token’ının gelmesine kadar geçen süre 14,26 saniyeden 1,68 saniyeye, yaklaşık yüzde 88 oranında geriledi.

İşleme kapasitesi, sistemin belirli bir sürede tamamladığı istek miktarını; ilk token yanıt süresi ise modelin istekten sonra yanıt vermeye başlamasına kadar geçen bekleme süresini ifade ediyor. Bu iki ölçüm çıkarım sisteminin hızını gösteriyor, kod çıktısının kalitesini ölçmüyor.

1 milyon token başına 0,30 dolar, Revolut’un açıkladığı karma maliyet. Sunumda bu tutara GPU satın alma veya kiralama bedellerinin, elektriğin ve operasyon ekibi maliyetlerinin dahil olup olmadığı doğrulanmadı. Bu nedenle şirketin harici model faturalarıyla yaptığı karşılaştırma, toplam sistem işletme maliyetindeki düşüş oranı olarak değerlendirilemez.

Kendi altyapısında model çalıştırmak, harici API faturalarını azaltırken GPU altyapısının ve onu işletmenin maliyetlerini de hesaba katmayı gerektiriyor. Revolut örneğinde GPU sayısı ve çıkarım ortamındaki ayarlamalar maliyet ile işlem kapasitesini birlikte değerlendirirken önem taşıyor; ancak açıklanan rakamlarla toplam işletme maliyetini hesaplamak mümkün değil.

GLM modelini geliştiren Z.ai, Çin merkezli bir yapay zekâ şirketi. Abitvol, istekleri model sağlayıcısının Çin’deki hizmetine göndermek yerine model ağırlıklarını ABD merkezli bir hizmette çalıştırdıklarını söyledi.

Abitvol, kodlama araçlarında insan gözetimi uyguladıklarını ve çalıştırma kapsamını sanal alanlarla sınırlandırdıklarını da belirtti. Bu açıklama Revolut’un kendi işleyişini anlatıyor; başka şirketlerin güvenliğini veya mevzuata uyumunu garanti eden genel bir ölçüt değil.

Hacker News’te paylaşılan topluluk tartışmasında, açık modellerin birçok geliştirici işi için yeterli olabileceği görüşü dile getirildi. Diğer katılımcılar ise öncü modellerle kodlama kalitesini karşılaştırmaya yetecek kanıt olup olmadığını sorguladı ve token başına maliyetin yanı sıra GPU kümelerini işletme yükünün de hesaba katılması gerektiğini belirtti. Bu tartışma, Revolut’un şirket içi verilerinin bağımsız doğrulaması niteliğinde değil.

TokenPost daha önce bazı kodlama işlerinde yapay zekâ maliyetini yüzde 56 düşüren AT&T örneğini aktarmıştı. Ölçüm yöntemleri ve kapsamları farklı olduğundan bu rakamla Revolut’un harici model faturalarına ilişkin karşılaştırmasını doğrudan kıyaslamak güç.