AGI’ye Doğru: 2026’da “Genel Zeka”dan Önce Gelen 7 Kritik Dönüm Noktası ve Startup Fırsatları

Son birkaç gün, “AGI’ye giden yol” tartışmasını yeniden alevlendirdi. 5 Şubat 2026’da OpenAI, GPT‑5.3‑Codex’i; Anthropic ise Claude Opus 4.6’yı duyurdu.

Son birkaç gün, “AGI’ye giden yol” tartışmasını yeniden alevlendirdi. 5 Şubat 2026’da OpenAI, GPT‑5.3‑Codex’i; Anthropic ise Claude Opus 4.6’yı duyurdu. İki duyurunun ortak teması çarpıcı: modeller artık sadece yanıt üretmiyor; bilgisayarda iş yapıyor, uzun süreli görevleri sürdürüyor ve birden fazla adımı planlayıp icra edebiliyor.

Aynı hafta Bloomberg’in derlediği öngörülere göre Alphabet, Microsoft, Amazon ve Meta 2026’da toplamda yaklaşık 650 milyar dolara yaklaşan bir sermaye harcaması (CAPEX) planlıyor. Bu devasa bütçe; veri merkezi, çip, ağ ve enerji altyapısı gibi “AGI’ye giden yolun görünmeyen katmanlarına” akıyor.

Bu iki fotoğrafı yan yana koyduğumuzda, 2026’nın ana hikâyesi netleşiyor: AGI bir gün ansızın “olacak” bir şey değil; mühendislik, ürünleşme, güvenlik, regülasyon, veri/altyapı ve iş modeli dönüşümünün bir bileşkesi. Dolayısıyla ‘genel zekâ’ya yaklaşırken aslında bir dizi kritik dönüm noktasından geçiyoruz.

Boğaziçi Ventures’te uygulama katmanında yapay zekâya odaklanan BV Growth II fonumuzu 2025 sonunda resmen devreye alırken temel varsayımımız şuydu: Değer, “model katmanından” ziyade, modellerin iş süreçlerine güvenli ve ölçülebilir şekilde entegre edilmesinde oluşacak. Aşağıdaki 7 dönüm noktasını bu gözlükle okumak, 2026’daki startup fırsatlarını daha net görünür kılıyor.

Ekonomik eşik: Zekânın birim maliyeti düşüyor, darboğaz altyapıya kayıyor

AGI yolculuğunda en ‘sessiz’ ama en belirleyici kırılmalardan biri ekonomi. Stanford HAI’nin 2025 AI Index raporuna göre, GPT‑3.5 seviyesinde performans veren bir modelin sorgu maliyeti Kasım 2022’de milyon token başına 20 dolardan, Ekim 2024’te 0,07 dolara kadar geriledi. Bu, yaklaşık 18 ayda 280 katın üzerinde bir düşüş demek. Aynı rapor, göreve bağlı olarak LLM çıkarım (inference) fiyatlarının yıldan yıla 9 kat ile 900 kat arasında ucuzladığını da not ediyor.

Fiyatın düşmesi, pazarı iki yönden genişletiyor: (i) Daha fazla şirket daha fazla kullanım senaryosunu ‘deneyebilir’ hâle geliyor; (ii) Daha önce ekonomik olmayan uç iş akışları (ör. çok adımlı analiz + çoklu veri kaynağı + araç kullanımı) maliyet eşiğini geçiyor. Ancak 2026 itibarıyla darboğaz bambaşka bir yere taşındı: enerji ve hesaplama altyapısı.

Pew Research Center’ın IEA verileriyle aktardığı tabloya göre ABD’de veri merkezleri 2024’te 183 TWh elektrik tüketti ve bu rakam 2030’a kadar 426 TWh’e çıkacak şekilde projeksiyonlanıyor. Bu büyüme, ‘AI ucuzladıkça kullanım patlıyor’ gerçeğini enerji tarafında görünür kılıyor. Aynı bağlamda, büyük teknoloji şirketlerinin 2026’daki sermaye harcaması planlarının ~650 milyar dolar düzeyine yaklaşması da tesadüf değil: bir sonraki sıçramanın maliyeti artık yalnızca model değil, onu çalıştıran veri merkezi, ağ, çip ve enerji ekosistemi.

Startup fırsatı burada ikiye ayrılıyor. Birincisi verimlilik: model seçimi, sıkıştırma, önbellekleme, gecikme/maliyet optimizasyonu, görev‑temelli yönlendirme gibi ‘AI FinOps’ katmanı. İkincisi enerji‑farkındalığı: veri merkezi tarafında güç yönetimi, “peak shaving”, daha akıllı iş yükü planlama ve edge‑cloud hibrit mimariler. 2026’da rekabet avantajı, yalnızca daha iyi model kullanmak değil; aynı işi daha düşük maliyetle ve daha az enerjiyle yapmak olacak.

Model katmanı metalaşıyor: Çok‑model stratejisi ve açık ağırlık dalgası

2024–2025 döneminde “hangi model daha iyi?” tartışması haklı olarak gündemin merkezindeydi. 2026’da ise birçok kurum için daha kritik soru şu: “Tek bir sağlayıcıya bağımlı kalmadan, farklı modelleri nasıl yöneteceğiz?”

Bu dönüşümü hızlandıran iki etken var. İlki, açık ağırlık (open‑weight) ve daha verimli mimarilerin olgunlaşması. Meta’nın Nisan 2025’te duyurduğu Llama 4 ailesi; MoE mimarisi ve ‘natively multimodal’ yaklaşımıyla, uzun bağlam (Scout için 10M) gibi özellikleri daha geniş bir geliştirici kitlesine taşıdı. İkincisi, kurumsal dünyada risk ve maliyet optimizasyonu: aynı ürün içinde bazen premium bir model, bazen daha ucuz bir model, bazen de şirket içi (on‑prem) bir model devreye giriyor.

Bu metalaşma, uygulama katmanını daha değerli hâle getiriyor. Model yönlendirme (routing), kalite‑maliyet trade‑off’u, veri gizliliği gereksinimleri, gecikme hedefleri ve regülasyonlara göre dinamik karar veren bir ‘model kontrol düzlemi’ (control plane) artık kritik bir altyapı bileşeni.

Startup fırsatı: Çok‑model orkestrasyonu, model tedarik/uyumluluk süreçleri, “vendor‑risk” yönetimi, model karşılaştırma ve sürekli benchmark altyapıları. BV perspektifinden bakınca, bu kategori ‘her sektörde lazım olacak’ yatay (horizontal) katmanlardan biri; ama en güçlü ürünleşme, sektörel kısıtları anlayan dikey çözümlerle birleştiğinde ortaya çıkıyor.

Bağlam ve hafıza: Uzun context tek başına yetmiyor; “kurumsal bilgi katmanı” doğuyor

2026’nın en görünür sıçramalarından biri bağlam penceresi (context window) ve bellek. Anthropic’in 5 Şubat 2026’da duyurduğu Claude Opus 4.6, Opus sınıfında ilk kez 1 milyon tokenlık bağlam penceresini (beta) öne çıkarıyor. Bu ölçekte bağlam, tek bir oturumda devasa kod tabanları, uzun sözleşmeler veya çok sayfalı raporlarla çalışmayı mümkün kılıyor.

Uzun context, bilgiye erişimi kolaylaştırsa da ‘doğruluk’ sorununu tek başına çözmüyor. Kurumlar açısından kritik olan; doğru kaynağı doğru zamanda çağırabilmek, yanıtın hangi belgelere dayandığını gösterebilmek ve veriyi güncel tutabilmek. Bu yüzden retrieval‑augmented generation (RAG) gibi yaklaşımlar ve kurumsal arama katmanı, hâlâ merkezi önem taşıyor.

Burada asıl dönüşüm şu: LLM’ler “bilgi üreticisi” olmaktan çıkıp “bilgiye erişim arayüzü” hâline geliyor. Bu da şirketlerin verisini (doküman, e‑posta, CRM, ERP, loglar) iyi etiketlenmiş, erişim kontrolü yapılmış, yaşam döngüsü yönetilen bir ‘knowledge layer’a dönüştürmesini gerektiriyor.

Startup fırsatı: veri bağlayıcılar (connectors), izin/erişim yönetimi, şirket içi arama + RAG altyapıları, kaynak gösterimli (citation‑aware) yanıt sistemleri, bilgi grafiği ve veri kalite katmanı. Kısacası, “model güçlü” diye değil, “bilgi katmanı sağlam” diye kazanan bir dönem başlıyor.

Ajanlar: Asistanlardan otonom iş akışlarına geçiş (ve otonominin sınırı)

2026’nın ‘AGI’ye yaklaşım’ hissini güçlendiren asıl alan ajanlar (agentic systems). OpenAI’nin GPT‑5.3‑Codex duyurusunda öne çıkardığı nokta; modelin uzun ufuklu görevlerde araştırma yapabilmesi, araç kullanabilmesi, bilgisayarda adım adım iş tamamlayabilmesi ve kullanıcı yönlendirmesine (steering) açık, etkileşimli bir şekilde ilerlemesi. Üstelik bu yetenek, yalnızca kod yazma değil; yazılım yaşam döngüsünün bütünü (debug, deploy, test, metrik, dokümantasyon) ve hatta tablolar/sunumlar gibi bilgi işi yüzeylerine de taşınıyor.

Benzer şekilde Anthropic, Opus 4.6’nın daha iyi planlama, daha uzun süreli agentic görevler ve büyük kod tabanlarında daha güvenilir çalışma iddiasını; uzun context ile birlikte paketliyor. Bu duyurular, ‘agentic’ yeteneklerin artık pazarlama cümlesi olmaktan çıkıp ürün yüzeyi hâline geldiğini gösteriyor.

Bu noktada sağduyulu bir uyarı gerekli: Ajanlar, çoğu kurum için hâlâ riskli bir üretim (production) konusu. Gartner, 2026 sonunda kurumsal uygulamaların %40’ının görev‑özgü AI ajanları içereceğini öngörürken; 2027’ye kadar agentic AI projelerinin önemli bir kısmının maliyet, risk veya değer üretememe gibi nedenlerle iptal edileceğini de belirtiyor. Yani 2026, ‘her işi otonomlaştırma’ yılı değil; doğru işi doğru seviyede otonomlaştırma yılı.

Startup fırsatı: yüksek frekanslı ve ölçülebilir ROI üreten dar iş akışları (ör. finans kapanış süreçleri, IT operasyonları, satın alma, uyum, müşteri hizmetleri), ajan orkestrasyonu ve insan‑döngüsü (human‑in‑the‑loop) tasarımı. En iyi ürünler, otonomiyi “aç/kapa” değil; kademeli ve denetlenebilir bir spektrum olarak ele alacak.

Güvenilirlik mühendisliği: Evals, gözlemlenebilirlik ve “agent QA” bir ürün kategorisine dönüşüyor

AGI’ye giden yolda genellikle model zekâsını konuşuyoruz; ama sahada değer üreten sistemler için asıl belirleyici ‘güvenilirlik mühendisliği’. Çünkü bir ajan; bir mail gönderebilir, bir kodu deploy edebilir, bir faturayı işleyebilir, bir veritabanını sorgulayabilir. Bu eylemlerin her biri, klasik yazılım testinin ötesinde bir doğrulama gerektirir.

Stanford HAI’nin AI Index’inde problemli AI vakalarının arttığı vurgulanıyor: AI Incidents Database’deki olay sayısı 2024’te 233’e çıkmış ve 2023’e göre %56,4 artmış durumda. Bu artış, ‘üretime alma’ hızımızın ‘kontrol mekanizmaları’ hızını aştığını gösteriyor.

Bu nedenle 2026’da sistem kartları, değerlendirme raporları, olay bildirimi, red‑team çalışmaları ve canlı ortam gözlemlenebilirliği (telemetri, audit log, karar izleri) artık “nice to have” değil. OpenAI’nin GPT‑5.3‑Codex için ayrı bir System Card yayımlaması, bu şeffaflık beklentisinin kurumsal pazarda standartlaşmaya başladığını gösteren somut bir örnek.

Startup fırsatı: eval platformları (senaryo tabanlı test, regresyon, karşılaştırmalı benchmark), agent gözlemlenebilirliği (hangi araç çağrıldı, hangi veri kullanıldı, hangi güven skoru ile karar alındı), otomatik “policy” kontrolü ve onay akışları. BV bakış açısıyla bu alan, ‘agentic dönüşümün zorunlu altyapısı’ olduğu için uzun vadeli ve derin bir pazar.

Güvenlik ve uyum: “Güven” artık sadece etik değil, rekabet stratejisi

Ajanlar bilgisayarda iş yapmaya başladıkça, güvenlik tehdit modeli de genişliyor. 2025 OWASP Top 10 for LLM Applications dokümanı; prompt injection, veri sızıntısı, aşırı otonomi (excessive agency) gibi riskleri “LLM‑özel” bir çerçevede topluyor. Bu liste, klasik uygulama güvenliğinin üstüne eklenen yeni bir katman gibi düşünülmeli.

Kurumlar tarafında ise yönetişim (governance) hızla kurumsallaşıyor. NIST’in AI Risk Management Framework’ü ve Generative AI Profile dokümanı, üretken yapay zekâ risklerini ‘govern‑map‑measure‑manage’ ekseninde ele almak için pratik bir çerçeve sunuyor.

Regülasyon tarafında Avrupa, oyunu erken kuruyor. Avrupa Komisyonu’nun yayımladığı yönergelere göre, AB Yapay Zekâ Yasası kapsamındaki ‘genel amaçlı yapay zekâ (GPAI)’ sağlayıcı yükümlülükleri 2 Ağustos 2025 itibarıyla uygulanmaya başladı. 12 Şubat 2026’da yayımlanan Avrupa Parlamentosu düşünce kuruluşu (Epthinktank) notu ise, Komisyonun 19 Kasım 2025’te ‘Digital Omnibus on AI’ adıyla AI Act’i sadeleştirmeyi amaçlayan bir değişiklik paketi önerdiğini ve bunun uygulama yükünü hafifletme‑haklar dengesi üzerine yeni bir tartışma açtığını aktarıyor. Özetle: Uyum, sabit bir hedef değil; hareketli bir zemin.

Startup fırsatı: ‘compliance‑as‑code’, model/ajan güvenliği (LLM security testing), veri sınıflandırma ve erişim yönetimi, olay izleme ve raporlama altyapıları. 2026’da “güven” sadece hukuki bir gereklilik değil; satış süreçlerinde (özellikle enterprise) doğrudan bir farklılaştırıcı.

Multimodal ve fiziksel dünyaya yayılım: “Ekranın dışına çıkan” yapay zekâ

AGI’ye giden yolun bir diğer kritik bileşeni, modellerin dünyayı algılama ve eyleme kapasitesinin artması. Bu, yalnızca metin değil; görüntü, video, ses ve sensör verisiyle çalışabilen multimodal sistemleri ve bu sistemlerin fiziksel ortamlarda (robotik, endüstriyel otomasyon, lojistik, sağlık) kullanılmasını kapsıyor.

BV Insights’ta yayımladığımız CES 2026 değerlendirmesinde şu tespit öne çıkıyordu: yapay zekâ artık ekranlarla sınırlı değil; algılayan, karar veren ve hareket eden “physical/embodied AI” sistemleri olarak ürünleşmeye başladı. Bu dönüşüm, yalnızca daha iyi modellerle değil; edge donanımın verimliliği, sensör maliyetlerindeki düşüş, bağlantı/cihaz yönetimi altyapısının olgunlaşması ve kurumların pilot’tan deploy’a geçmeye hazır hâle gelmesiyle mümkün oluyor.

Multimodal ve fiziksel AI, aynı zamanda güvenlik ve sorumluluk çıtasını yükseltiyor: yanlış bir yanıt, yanlış bir harekette daha az maliyetli olabilir. Dolayısıyla bu alanın kazananları, ‘saha koşullarında’ güvenilirlik ve sertifikasyon süreçlerini yönetebilen ekipler olacak.

Startup fırsatı: robotik/edge AI yazılım yığınları, simülasyon ve dijital ikiz (digital twin) tabanlı test ortamları, sensör‑fusion, güvenli operasyon (safety‑critical) ajansal sistemler ve sahada sürekli öğrenme/izleme altyapıları. Türkiye gibi güçlü mühendislik yeteneğine sahip pazarlarda, gerçek dünya pilotlarıyla hızlı iterasyon yapmak ciddi bir avantaj yaratıyor.

AGI tartışmasını “sistem” olarak okumak

Bu 7 dönüm noktasını bir araya koyunca, 2026 için daha gerçekçi bir AGI resmi çıkıyor: “genel zekâ”yı tek bir model sürümü olarak değil; ölçeklenebilir altyapı + çok‑model stratejisi + güvenilir bilgi katmanı + denetlenebilir ajanlar + güvenlik/uyum + multimodal/physical ürünleşme kombinasyonu olarak okumak gerekiyor.

Boğaziçi Ventures’te uygulamalı yapay zekâ odağımızı da bu çerçeve besliyor. BV Growth II ile erken ve büyüme aşamasındaki AI girişimlerine bakarken, yalnızca ‘demoda iyi görünen’ değil; güvenlik, veri/entegrasyon, ölçülebilir değer ve sürdürülebilir bir dağıtım (go‑to‑market) planı olan ekipleri önceliklendirmeye çalışıyoruz.

Girişimciler için son bir not: 2026’da kazanan ürünlerin ortak özelliği, “daha zeki model” değil; “daha iyi sistem” olacak. Yani müşterinin risk algısını azaltan, iş sonuçlarını ölçen ve otonomiyi kontrollü biçimde yükselten ürünler.

Yazıyı, sahada gördüğümüz pratik bir mini‑kontrol listesiyle kapatmak istiyorum:

Bir ürün fikrini değerlendirirken kendinize şunları sorabiliriz: (1) Tek bir iş akışında net bir ‘önce‑sonra’ metriği var mı? (2) Veriye erişim, izinler ve kaynak gösterimi (citations) tasarımın parçası mı? (3) Ajanınız hangi eylemleri yapacak ve bunlar için hangi onay katmanları gerekli? (4) Evals, loglama, geri alma (rollback) ve olay yönetimi kurgusu hazır mı? (5) Uyum/AI güvenliği, satış sürecinde bir “güven paketi” olarak ürünleştirilebilir mi?

Bu sorulara iyi yanıt veren ekipler, AGI gelmeden de büyük değer yaratabilir. Çünkü büyük dönüşümler, genellikle büyük kelimelerden değil; iyi mühendislikten ve doğru pazardan geçer.