Kurumlar, yapay zekâ hızlandırıcıları konusunda değerlendirmelerini yalnızca Nvidia ile sınırlamak yerine daha geniş seçeneklere yöneliyor; ancak bu, mevcut platformlarından hemen ayrılmaya hazırlandıkları anlamına gelmiyor. Yapay zekâ altyapısında görev yapan 170 katılımcının yer aldığı VB Pulse anketinin temmuz dalgasına göre, katılımcıların %39,4’ü önümüzdeki 12 ay içinde Nvidia dışı hızlandırıcıları değerlendirmeye daha yatkın olduğunu söyledi. Nvidia Blackwell (GB300) veya Nvidia’nın yeni nesil işlemcileri için aynı şeyi söyleyenlerin oranı ise %25,3’te kaldı; aradaki fark 14 yüzde puanı oldu.
Ankette adı geçen alternatifler arasında AWS Trainium, Google TPU, AMD Instinct ve Intel Gaudi’nin yanı sıra kurumların kendi bünyelerinde geliştirdiği ASIC çipleri de bulunuyor. Bununla birlikte Nvidia, üretim ortamlarının çoğunda varsayılan seçenek olmayı sürdürüyor. Bu nedenle sonuç, üretimdeki payın hemen değiştiğine değil, değerlendirme alanının genişlediğine işaret ediyor.
Daha fazla faaliyet, ancak acil değişim isteği daha düşük
Hızlandırıcılara ilişkin sonuçlar daha geniş bir eğilimin parçası: Kurumlar yapay zekâ altyapısını daha yoğun kullanıyor ve büyük bir platform değişikliğine karar vermeden önce mevcut altyapılarını iyileştirmeye çalışıyor. Platformu sıfır ila üç ay içinde değiştirmeyi bekleyen katılımcıların oranı hazirandaki %38,3 seviyesinden temmuzda %28,8’e geriledi. Buna karşılık, değişimi üç ila altı ay içinde bekleyenlerin oranı 4,1 yüzde puanı, altı ila 12 ay içinde bekleyenlerin oranı ise 5,3 yüzde puanı arttı. Herhangi bir değişiklik planlamayanların oranı ise yaklaşık %40 seviyesinde sabit kaldı.
Birçok platformda üretim kullanımında artış kaydedildi. Microsoft Azure’ı üretimde kullandığını bildirenlerin oranı %29’dan %47,1’e çıkarken Google Gemini kullanımı %41,1’den %47,6’ya yükseldi. OpenAI için bu oran %40,2’den %49,4’e, Anthropic kullanımı ise %12,1’den %24,7’ye çıktı. Ancak Azure’daki sıçrama dikkatle değerlendirilmelidir; temmuz örneklemi büyük kurumlara daha fazla eğilim gösteriyordu: Katılımcıların %57’si 1.000’den fazla çalışanı olan şirketlerde çalışıyordu; haziranda bu oran %37’ydi.
Kurumların kendi yönettiği GPU birimlerinden yararlanma oranı da iyileşti. Bu birimleri yarı kapasiteyle veya daha düşük seviyede çalıştıranların oranı, 100 katılımcının yer aldığı haziran örnekleminde %83 iken, 155 katılımcının yer aldığı temmuz örnekleminde %69’a geriledi. %50’nin üzerinde kullanım oranı ise %13’ten %23’e yükseldi.
Ölçüt, platformun büyüklüğünden iş yükünün performansına kayıyor
Seçim ölçütleri, satın alma kararlarının fiilî işletimle daha yakından ilişkili hâle geldiğini gösteriyor. Bulut ortamı ve kurum verileriyle entegrasyon, haziranda %41,1 olan oranını temmuzda %40,0 ile koruyarak en önemli faktör olmayı sürdürdü. Ancak performansın önceliği %24,3’ten %35,3’e yükseldi. Milyon token başına maliyetin önceliği %7,5’ten %15,9’a, GPU birimlerine erişimin önceliği ise %18,7’den %23,5’e çıktı.
Buna karşılık, toplam sahip olma maliyetini başlıca faktör olarak seçenlerin oranı %34,6’dan %21,8’e geriledi. Bu, maliyetin önemini kaybettiği anlamına gelmiyor; değerlendirmelerin iş yüküne daha sıkı bağlandığını gösteriyor: Çıkarım üretimde nasıl çalışıyor, güvenilirlik ne düzeyde ve faydalı işin her biriminin maliyeti ne kadar?
Bu eğilim neden önemli?
Nvidia dışı alternatiflere olan ilgi hazirandaki %31,8 seviyesinden temmuzda %39,4’e yükseldi. Artış, stratejik satın alma yetkisine sahip kişiler arasında daha belirgin oldu; üst düzey yönetici pozisyonlarından oluşan örneklem küçük olsa da bu kategorideki oran %42,9’dan, yani 14 kişiden 6’sından, %57,1’e, yani 21 kişiden 12’sine çıktı. Nihai karar vericiler arasında ise oran %35,4’ten %50’ye yükseldi.
Bu rakamlar, hızlandırıcıları çeşitlendirmenin mühendislik konusu olmaktan çıkarak stratejik bir altyapı kararına dönüştüğünü gösteriyor. Alternatiflerin değerlendirme listelerinde yer alması, kurumlara performans, maliyet ve donanım bulunabilirliğini karşılaştırma konusunda daha fazla imkân sağlıyor; ancak bu alternatiflerin üretimde üstünlük sağladığını veya kurumların bunlara geçiş kararını kesinleştirdiğini kanıtlamıyor.
Kontrol yalnızca çiplerle sınırlı değil
Aynı eğilim, modelleri kurum verileri ve hizmetleriyle birleştiren araç katmanında da görüldü. Anket bu katmanı araçlar, veriler, orkestrasyon, değerlendirme, kimlik, güvenlik ve gözlemlenebilirliği kapsayan bir yapı olarak tanımladı. Temmuzda katılımcıların %36,6’sı, modellere ek olarak her kategoride sınıfının en iyisi olan bağımsız araçları kullanmayı tercih etti; bir başka %36,6’lık kesim ise hizmet sağlayıcıların yerel çalışma ortamları ile bağımsız araçların bir karışımını tercih etti. Böylece %79,2’si, mimari kontrolün bir bölümünü tek bir model sağlayıcısının dışında tutan bir yaklaşımı destekledi; haziranda bu oran yaklaşık %65,3’tü.
Buna karşılık, tek bir model sağlayıcısının yerel bağlam paketinde standardizasyonu tercih edenlerin oranı %20,8’den %11,9’a geriledi. Bu kontrolün pratik önemi bulunuyor: Temmuzda katılımcıların %68,3’ü, eksik veya yanlış bağlam nedeniyle kendinden emin ancak hatalı bir yanıtla karşılaştığını söyledi; haziranda bu oran %57,4’tü. Ayrıca %62,4’ü, yönetilen bir anlamsal veya bağlamsal katmanın üretimde ya da geliştirme aşamasında olduğunu belirtti.
Uzmanlaşmış bulutlar ve açık kaynak bileşenleri
Yapay zekâ konusunda uzmanlaşmış bulut sağlayıcılarının (neoclouds olarak da bilinir) daha fazla kullanılmasını bekleyenlerin oranı %33’ten %38’e yükselirken, daha az kullanım bekleyenlerin oranı %9,7’den %5,4’e geriledi. Ancak CoreWeave, Lambda, Crusoe ve Nebius gibi adı belirtilen sağlayıcılardaki mevcut üretim kullanımı hâlâ çok daha düşük kaldı; oran %1,9’dan %5,9’a çıktı.
Genişleme niyeti ile mevcut kullanım arasındaki fark, tamamlanmış bir benimsemeye değil, potansiyel bir değerlendirme ve benimseme alanına işaret ediyor. Bu şirketlerin hızlandırıcılara erişimi sürdürülebilir kurumsal kullanıma dönüştürme kapasitesinde güvenilirlik, güvenlik, destek, ağlar ve veri yönetimi belirleyici olmaya devam edecek.
Ayrıca açık kaynaklı ve kendi kendine yönetilen üretim paketlerinin kullanımı %3,7’den %12,9’a yükseldi. Anketin verdiği örnekler arasında PyTorch, Triton, vLLM, Ray ve Kubernetes bulunuyor. LMCache ve vLLM prefix caching gibi açık kaynaklı anahtar-değer önbellekleme araçlarının kullanımı da %6,5’ten %11,8’e çıktı. Ancak açık kaynak platformlarının değerlendirilmesi neredeyse sabit kaldı; oran %5,6’dan %6,5’e yükseldi. Bu, genişlemenin yeni değerlendiricilerden oluşan daha geniş bir tabanda değil, uygulama aşamasına geçmiş kurumlar arasında yoğunlaştığı anlamına geliyor.
Metodolojik sınırlamalar: Bu çalışma, Haziran 2026’da 107, Temmuz 2026’da ise 170 katılımcıyı kapsayan, birbirinden bağımsız iki anket dalgasını ve iki ayrı zaman dilimini karşılaştırıyor; aynı kurumlar üzerinde yürütülen boylamsal bir çalışma değil. Örneklemin bileşimi de değişti ve istatistiksel anlamlılık testleri yapılmadı. Bu nedenle aylık farklılıklar nedenselliğin kanıtı olarak değil, yönsel göstergeler olarak ele alınmalı. Bağlam katmanına ilişkin veriler ise her ay 101 katılımcıyı kapsayan ayrı bir ankete dayanıyor.