SosyalKafa

ABD–Çin yapay zekâ rekabeti: En güçlü modeli kim yapıyor, geleceği kim şekillendiriyor?

Çizim: Matteo Giuseppe Pani / The Atlantic. Kaynak: Getty.

Yapay zekâda üstünlük; model performansı, sermaye, çip erişimi, enerji ve toplumsal kullanımın birlikte değerlendirilmesini gerektiriyor. Bu alanlarda farklı avantajlara sahip ülkeleri tek bir yarış çizgisine yerleştirmek, teknolojinin dünyaya nasıl yayıldığını anlamayı güçleştiriyor.

Michael Schuman, 16 Kasım 2026’da The Atlantic’te yayımlanan “The Future of AI Is Not China” başlıklı yazısında Çin’in yapay zekâ liderliğine ilişkin beklentileri sorguluyor. Sermaye, hesaplama kapasitesi ve siyasi denetimin Çinli şirketler açısından oluşturduğu engellere dikkat çekiyor.

Bu tartışmayı genişletmek için “liderlik” sözcüğünü açmamız gerekiyor. Bir modelin testlerde aldığı puan, onu geliştiren şirketin geliri, başka ülkelerdeki kullanımı ve toplumun elde ettiği fayda farklı şeyler. Aşağıdaki değerlendirme, güncel araştırmaları ve resmî açıklamaları bu ayrımlar üzerinden okuyor.

Model performansında yakınlaşma, yatırımda büyük fark

Stanford HAI’nin 2026 AI Index raporu özeti, ABD ile Çin arasındaki model performansı farkının büyük ölçüde kapandığını belirtiyor. Raporda Mart 2026 itibarıyla en iyi ABD modelinin ölçülen üstünlüğü yüzde 2,7 olarak veriliyor. Aynı kaynak, ABD’nin üst düzey model üretimindeki gücü sürerken Çin’in yayın hacmi, atıflar, patent sayısı ve endüstriyel robot kurulumlarında öne çıktığını aktarıyor.

Finansmanda ise farklı bir tablo var: 2025’te özel yapay zekâ yatırımları ABD’de 285,9 milyar dolar, Çin’de 12,4 milyar dolar. Stanford, özel yatırım karşılaştırmalarının Çin’in devlet destekli kaynaklarını eksik yansıtabileceğini de hatırlatıyor.

Bu rakamların zaman aralığı önemli: 2025 yatırım verileri ve Mart 2026 performans ölçümleri, Kasım 2026’daki bütün gelişmelerin fotoğrafını sunmuyor. Ayrıca bir değerlendirme ölçeğindeki yüzde farkı, bütün görevlerde aynı oranda üstünlük anlamına gelmiyor. Stanford’un teknik performans bölümü, testlerin güvenilirliği ve sıralamalara uyum sağlama davranışları konusunda da sorunlar bulunduğunu vurguluyor.

Buradan çıkarılabilecek sonuç şu: Daha fazla yatırım, geliştirme kapasitesi ve deneme alanı sağlayabilir; yatırım miktarıyla teknik başarı arasında her durumda aynı oranda işleyen bir ilişki bekleyemeyiz. Araştırma verimliliği ve belirli görevlerde uzmanlaşma da değerlendirmeye katılmalı.

Çip rekabeti bulut erişimine kadar uzanıyor

Yapay zekâ modellerinin geliştirilmesi ve çalıştırılması, fiziksel altyapıya dayanıyor. Grafik işlemcileri, yüksek bant genişlikli bellek, veri merkezi bağlantıları ve bunları verimli kullanan yazılımlar, bu altyapının birbirine bağlı parçaları.

ABD’nin ihracat politikası da bu nedenle rekabetin merkezinde. Ancak “Çin’e bütün gelişmiş çipler yasak” gibi bir ifade, değişen düzenlemeleri açıklamakta yetersiz kalıyor. BIS’in 13 Ocak 2026 açıklaması, Nvidia H200, AMD MI325X ve benzer ürünler için belirli güvenlik koşulları altında başvuruların ayrı ayrı değerlendirileceğini duyurdu.

BIS’in 16 Kasım 2026 tarihli açıklaması ise üçüncü ülkelerdeki veri merkezleri üzerinden gelişmiş hesaplama kapasitesine uzaktan erişimi ele alan yeni bir geçici nihai kural duyuruyor. Kurum, mevcut kısıtlamaların uzaktan hesaplama düzenlemeleriyle aşılmasını önlemeyi amaçladığını belirtiyor.

Bu iki açıklama birlikte okunduğunda, denetimin cihazın sınırdan geçişi kadar hesaplama gücünün nereden ve kim tarafından kullanıldığına da yöneldiği görülüyor. Buradaki yorumum şu: Bulut altyapısı, ticari bir hizmet olmanın yanında jeopolitik pazarlığın da konusu haline geliyor. Bir araştırma ekibinin bütçesinin bulunması, ihtiyaç duyduğu kapasiteye sürekli erişebileceği anlamına gelmeyebilir.

Açık modellerin etkisini nasıl ölçmeli?

Bir model geliştiricisinin etkisini yalnızca ücretli abonelik gelirleriyle ölçersek, başka uygulamaların içine yerleşen teknolojilerin önemini kaçırabiliriz. Bir üniversitenin araştırma aracında, bir şirketin belge sisteminde veya başka bir ülkedeki girişimin ürününde kullanılan model, son kullanıcının görmediği bir altyapı katmanına dönüşebilir.

Somut bir örnek olarak DeepSeek-V3.2’nin resmî model sayfası, model ağırlıkları ve deponun MIT lisansıyla sunulduğunu belirtiyor. Bu tür yayımlar, gerekli donanım ve uzmanlığa sahip ekiplerin modeli kendi ortamlarında çalıştırmasına ve uyarlamasına alan açıyor.

Burada “açık ağırlık” ile “açık kaynak yapay zekâ” kavramlarını dikkatli kullanmak gerekiyor. Model ağırlıkları, eğitim sırasında öğrenilmiş sayısal parametrelerdir. Bunların indirilebilmesi, eğitim sürecinin bütün bileşenlerinin erişilebilir olduğunu tek başına göstermez. Open Source Initiative’in tanımı, kullanım, inceleme, değiştirme ve paylaşma özgürlükleriyle birlikte gerekli kodun, parametrelerin ve eğitim verilerine ilişkin bilgilerin erişilebilirliğini ele alıyor.

Bu ayrımdan hareketle, açıklığı birkaç soruyla değerlendirebiliriz: Model hangi koşullarla kullanılabiliyor? Nasıl eğitildiğine dair ne biliyoruz? Değiştirmek ve yeniden dağıtmak mümkün mü? Çalıştırmanın maliyeti ne kadar?

Stratejik açıdan bakıldığında, geniş bir geliştirici topluluğunun kullandığı model uzun vadeli etki yaratabilir. Bunun ekonomik kazanca ne ölçüde dönüşeceği ise ayrıca araştırılmalı. İndirilme sayısı, etkin kullanım ve sürdürülebilir gelir aynı ölçütler değil.

Yaygınlaşan teknoloji, kazancı kime bırakıyor?

Peterson Institute for International Economics’in 2026 tarihli etkinlik çerçevesi, bu konuda yararlı bir bakış sunuyor. Martin Chorzempa’nın değerlendirmesinde Çinli modellerin ABD’de de artan kullanımı ve Amerikan laboratuvarlarına fiyat ile yetenek açısından uyguladığı rekabet baskısı öne çıkıyor. Bu baskının, kazanımların bir bölümünü teknolojiyi kullananlara kaydırabileceği belirtiliyor.

Bu ihtimal, “kazanan ülke” anlatısının sınırlarını gösteriyor. Rekabet nedeniyle maliyetleri düşen bir işletme fayda sağlarken, modeli geliştiren şirket aynı ölçüde yüksek kâr elde edemeyebilir. Bir ülkedeki araştırma başarısı, başka bir ülkedeki ürün geliştirme faaliyetini destekleyebilir.

Kullanımın derinliğini anlamak için de abonelik sayılarının ötesine geçmek gerekir. Bir kurum çalışanlarına araç erişimi verdiğinde süreç başlar; iş akışının iyileşip iyileşmediği, hataların nasıl denetlendiği ve kazanılan zamanın nasıl kullanıldığı ayrıca ölçülmelidir. Eğitim, bakım ve denetim giderleri hesaba katılmadan ilan edilen verimlilik rakamları eksik kalır.

Bu nedenle benim önerdiğim karşılaştırma, “Kaç kişi yapay zekâ kullanıyor?” sorusunu “Hangi işte, hangi maliyetle ve hangi sonuçla kullanıyor?” sorularıyla tamamlamak.

Çin’in AI Plus programı: Hedeflerle sonuçları ayırmak

Çin’in yaklaşımını anlamak için Ağustos 2025’te açıklanan AI Plus programına bakılabilir. Program; bilim ve teknoloji, sanayi, tüketim, toplumsal refah, yönetişim ve küresel işbirliği alanlarında yapay zekâ entegrasyonunu geliştirmeyi hedefliyor. Yeni nesil akıllı terminaller ve yapay zekâ ajanlarının yaygınlaşmasına ilişkin 2027 için yüzde 70’i, 2030 için yüzde 90’ı aşan hedefler açıklanıyor; 2035 için daha kapsamlı bir dönüşüm öngörülüyor.

Bunlar politika hedefleri. Mevcut kullanım düzeyini veya şimdiden elde edilmiş verimlilik kazanımlarını göstermiyor. Ayrıca akıllı terminal ve ajan yaygınlığına ilişkin hedefleri, doğrudan “şirketlerin yüzde 90’ı yapay zekâ kullanacak” diye aktarmamak gerekiyor.

Bu programı değerlendirmek için önerdiğim yaklaşım, hedefleri sektör bazında izlemek: Küçük işletmelerin erişimi artıyor mu? Kamu hizmetleri iyileşiyor mu? Uygulamaların bakımını yapabilecek insan kaynağı yetişiyor mu? Kamu teşviki sona erdiğinde sistemler kullanılmaya devam ediyor mu? Böyle bir inceleme, duyurulan hedeflerle gündelik kurumsal pratik arasındaki ilişkiyi görünür kılabilir.

Siyasi denetim ile teknik kapasite arasındaki ilişki

Çin’de yapay zekâ hizmetlerinin siyasi sınırları da bulunuyor. 2023’te yayımlanan üretken yapay zekâ hizmetlerine ilişkin geçici düzenlemenin dördüncü maddesi, sosyalist temel değerlere bağlılık ve devlet iktidarı, ulusal güvenlik ve toplumsal istikrarla ilgili içerik sınırlamaları getiriyor. Metin aynı zamanda kişisel bilgilerin korunması, ayrımcılığın önlenmesi ve üretilen içeriğin güvenilirliği gibi yükümlülükler de içeriyor.

Bu tarihsel düzenlemenin kapsamı da önemli: İkinci madde, Çin içindeki kamuya sunulan üretken yapay zekâ hizmetlerini ele alıyor; kamuya hizmet sunmayan belirli araştırma ve kurum içi kullanımları kapsam dışında tutuyor. Dolayısıyla farklı kullanım ortamlarını tek bir düzenleme deneyimi gibi değerlendirmek yanıltıcı olur.

Buradan hareketle sorulabilecek araştırma sorusu şu: İçerik üzerindeki siyasi sınırlar, kullanıcıların bilgiye erişimini ve belirli konularda cevap kalitesini nasıl etkiliyor? Bunun yanıtı, modelin teknik yetenekleri ile sunulduğu hizmetteki müdahaleleri ayrı ayrı incelemeyi gerektiriyor. Aynı zamanda ABD merkezli sistemleri de kendi ticari tercihleri, moderasyon kuralları ve hesap verebilirlik mekanizmaları üzerinden değerlendirmeliyiz.

Enerji altyapısı, yazılımın hızına yetişebiliyor mu?

Uluslararası Enerji Ajansının 2026 değerlendirmesine göre veri merkezlerinin küresel elektrik talebi 2025’te yüzde 17, yapay zekâ odaklı veri merkezlerininki ise yüzde 50 arttı. Aynı rapor, tekil görevlerde enerji verimliliğinin geliştiğini; video üretimi, akıl yürütme ve ajan görevleri gibi kullanım biçimlerinin daha yüksek enerji ihtiyacı yaratabildiğini belirtiyor.

Bu bulgular, rekabette enerji arzı ve şebeke bağlantılarının önemini artırıyor. Daha verimli bir model, kullanımın hızla genişlemesiyle birlikte toplamda daha fazla elektrik tüketen bir sistemin parçası olabilir. IEA, enerji arzı, şebeke bağlantıları, üretim kapasitesi, çipler ve sermaye alanlarında darboğazlara dikkat çekiyor.

Benim değerlendirmem, veri merkezlerinin etkisini yerel ölçekte de izlemek gerektiği yönünde. Bir yatırımın ulusal teknoloji stratejisine katkısıyla bulunduğu yerdeki elektrik sistemi üzerindeki yükünü birlikte tartışabilmeliyiz. Teknolojik kapasitenin toplumsal kabulü; maliyetlerin paylaşılması, çevresel etkiler ve karar süreçlerine katılım gibi konulara da bağlı.

İşlerin dönüşümü nasıl hesaba katılmalı?

Rekabet tartışmasında çalışanların deneyimi kolayca arka planda kalıyor. ILO’nun 2025 araştırma özeti, dünyada yaklaşık her dört çalışandan birinin üretken yapay zekâya belirli ölçüde maruz kalan bir meslekte bulunduğunu belirtiyor. Bu, aynı oranda iş kaybı öngörüsü değil; insan katkısının sürmesi nedeniyle birçok işin dönüşmesi bekleniyor.

Bu ayrım, verimlilik tartışmasını daha somut hale getiriyor. Kazanılan zaman çalışanların yükünü azaltmak, daha iyi hizmet sunmak veya üretimi artırmak için kullanılabilir. Aynı teknoloji daha yoğun performans takibi ve istihdam daralması amacıyla da uygulanabilir. Hangi sonucun ortaya çıkacağını kurumsal kararlar, çalışanların söz hakkı ve eğitim olanakları etkileyecek.

Bu nedenle ülkeler arası karşılaştırmada, toplam yatırım ve model performansının yanına kazanımların dağılımını da eklemeyi öneriyorum. Teknolojiyi geliştiren şirketlerin başarısıyla çalışanların refahı arasındaki bağlantı, kurulması ve izlenmesi gereken bir ilişki.

Türkiye açısından: Yapay zekâ egemenliğini somutlaştırmak

IMF’nin yapay zekâ değerlendirmesi, az sayıdaki öncü modele ve yoğunlaşmış hesaplama altyapısına bağımlılığın ülkeler arasındaki dayanıklılık farkını büyütebileceğine dikkat çekiyor. Dijital altyapı, beceriler ve kamu politikası, teknolojiden yararlanma kapasitesini belirleyen unsurlar arasında yer alıyor.

Bu çerçeveden hareketle Türkiye için önerim, yapay zekâ egemenliğini gündelik kurumsal tercihlerle ilişkilendirmek. “Yerli model” hedefinin yanında şu kapasitelere de odaklanabiliriz:

  • Türkçe değerlendirme: Modellerin yerel bağlamı, kültürel çeşitliliği ve alana özgü terminolojiyi ne kadar iyi işlediğini ölçmek.
  • Veri yönetişimi: Verinin kaynağını, kullanım yetkisini, saklandığı ortamı ve erişim koşullarını bilmek.
  • Sağlayıcı değiştirebilme: Belgeleri, iş akışlarını ve değerlendirme kayıtlarını başka bir sisteme taşıyabilmek.
  • Kurumsal uzmanlık: Sistemleri kurmanın yanında sonuçları denetleyebilecek ve bakımı sürdürebilecek ekipler yetiştirmek.
  • Kamu yararını ölçme: Eğitim, kültür, araştırma ve kamu hizmetlerinde elde edilen kazanımları görünür kılmak.

Bu öneriler, farklı ülkelerden gelen teknolojilerle seçici ve hesap verebilir ilişkiler kurulmasını amaçlıyor. Örneğin bir üniversitenin belge arama sistemi için en önemli ölçütler, Türkçe kaynaklarda doğruluk, erişim yetkileri, toplam maliyet ve kaynak gösterme kalitesi olabilir. Küresel bir sıralamanın lideri, o kurumun bütün ihtiyaçlarını aynı ölçüde karşılamayabilir.

ABD–Çin rekabetini izlerken bu yüzden birkaç göstergeyi birlikte takip etmeliyiz: araştırma kapasitesi, model başarısı, kullanım maliyeti, altyapıya erişim ve kazanımların toplumsal dağılımı. Geleceği şekillendirme gücü, bu alanların kesişiminde oluşacak.

Hazırlanma tarihi: 17 Kasım 2026. Metinde araştırma bulguları, politika hedefleri ve yazarın değerlendirmeleri ayrı belirtilmiştir. Farklı tarihlere ait göstergeler aynı dönemin verileri olarak okunmamalıdır.

Erkan Saka

Academic; Blogger; Metalhead; BJK Fan; @SosyalKafa Coordinator