Şirketlerin yapay zekâ araçlarını denemekten günlük işlerinde kullanmaya geçmesiyle birlikte, temel soru artık hangi modeli seçecekleri değil, işlemenin fiilen nerede gerçekleştirileceği oldu. 日本HP’nin Japonya’daki deneyimi, bulut hizmetleri ile yerel sistemler arasında seçim yapmak için pratik bir çerçeve sunarken, yerel çalıştırmayı kendi başına bir hedef olarak görmemek gerektiği konusunda açık bir uyarı da içeriyor.
Bu yaklaşım, 日本HP Yapay Zekâ ve Veri Bilimi Pazar Geliştirme Müdürü 裕史勝谷’nın 16 Temmuz 2026’da Tokyo’da düzenlenen HP Partner Communication 2026 konferansında yaptığı sunumdan ve ITmedia’nın kendisiyle gerçekleştirdiği bire bir röportajdan ortaya çıktı. 勝谷, kendisiyle iletişime geçen birçok şirketin yapay zekâyı kullanmaya zaten başladığını, ancak bundan elde edilen faydayı operasyonlar içinde nasıl genişleteceklerini şimdi araştırdıklarını söylüyor.
Genel denemeden kurumsal çalışmaya
勝谷, şirketlerin sohbet ve özetleme kullanımından modelleri kurum içi belgelere bağlamaya, ardından da yapay zekâ ajanları aracılığıyla fiyat teklifleri ve öneriler hazırlama gibi görevleri otomatikleştirmeye aşamalı olarak ilerlemesini öneriyor. Sunumunda, “yapay zekâ çalışanları” olarak adlandırdığı roller üç kategoriye ayrıldı: toplantı tutanaklarını ve belgeleri hazırlayan asistan, satış veya tasarım çalışmalarını destekleyen uzman çalışan ve verileri sunmaya ve kararları desteklemeye yardımcı olan analitik rol.
Bu yaklaşım yalnızca yazılımla sınırlı değil. 日本HP; yapay zekâ bilgisayarları ve eğitim, büyük dil modellerini yerel olarak test etmek için iş istasyonları ve şirket departmanları için birden fazla grafik işlem birimine dayanan çalışma ortamlarının bir bileşimini tanıttı. Buradaki fikir, bir cihazı veya hizmeti kullanılacağı süreçten bağımsız olarak satmak yerine altyapıyı kullanım aşamasıyla uyumlu hâle getirmek.
Başlangıç noktası verilerin hassasiyeti
勝谷, herkese açık bilgileri araştırırken bulut tabanlı yapay zekâ hizmetlerini kullanıyor; ancak veriler şirket dışına çıkarılamayacak bir işle ilgili olduğunda işlemeyi yerel olarak gerçekleştirdiğini söylüyor. Bununla birlikte bu, kurum içi veri içeren her görevin otomatik olarak yerel bir cihaza taşınması gerektiği anlamına gelmiyor. Yerel ortamın gereken görevi yerine getirme kapasitesi test edilmeli ve bu kapasite bulutun hızı ve esnekliğiyle karşılaştırılmalı.
Bu deneyim, uygulamanın kullanıldığı yer ile çıkarımın gerçekleştirildiği yer arasındaki önemli ayrıma dikkat çekiyor. Habere göre OpenAI’ın Codex uygulaması, otomasyon ve programlamanın bazı yönlerinde bilgisayarda çalışıyor; ancak çıkarımın kendisi bulutta gerçekleştiriliyor. Bu nedenle bilgi teknolojileri ekipleri, uygulama arayüzünün şirket içindeki bir cihazda bulunmasıyla yetinmemeli; verilerin nereye gönderildiğini ve işlemenin nerede gerçekleştirildiğini doğrulamalı.
日本HP ayrıca açık kaynaklı bir yapay zekâ ajanı olan OpenClaw’ı yerel bir ortamda test ediyor; ancak 勝谷, kendi ortamında işlemenin zaman zaman durduğunu ve bazı durumlarda hâlâ Codex’i tercih ettiğini belirtti. Bu deneyim, pratik bir yaklaşımı destekliyor: Donanımın veya modelin mevcut olması, tam yerel çalıştırmanın kesin olarak mümkün olduğu anlamına gelmiyor.
Cihaz seçimi kullanım ölçeğine göre değişiyor
Yerel çalıştırma ihtiyacı belirlendikten sonra kullanım ölçeğinin belirlenmesi gerekiyor. 勝谷, müşterilerin gereksinimlerinin yerine getirilip getirilemeyeceğini doğrulamak ve ilk testleri gerçekleştirmek için HP ZGX Nano G1n AI Station kullanıyor ve bunu HP’nin NVIDIA DGX Spark’a özel versiyonu olarak tanımlıyor. Cihazın küçük boyutu, test yapmak üzere üretim hattı gibi bir yere götürülmesine de olanak tanıyor.
Bu tür cihazlar araştırma ve geliştirme, tek bir kişinin kullanımı veya sınırlı bütçeli ilk denemeler için uygun. Bir görevin aynı departmanda birden fazla kişi tarafından çalıştırılması ise daha büyük bir iş istasyonu veya ortak bir ortam gerektirebilir. Bir modelin bireysel testte başarılı olması, performansın bütün bir grup tarafından kullanıldığında da rahat olacağını kanıtlamaz. Kullanıcı sayısı, kabul edilebilir bekleme süresi ve işlemenin tekrarlanma sıklığı, donanım seçilmeden önce belirlenmesi gereken unsurlar.
Karar, cihazların nereye yerleştirileceğini de kapsıyor. Cihazlar başlangıçta kullanıcılara yakın olabilir, ancak sayıları arttığında sunucu odasına taşınabilir. Planlama, çıkarım, araçların çalıştırılması ve sonuçların incelenmesini tekrarlayan ajanlarda yalnızca grafik işlem birimine bakmak yeterli değil; ana bellek, SSD depolama birimi ve merkezi işlem biriminin tamamı darboğaz hâline gelebilir.
Maliyet, bulut fiyatı ile cihaz fiyatından ibaret değil
勝谷, kısa vadeli maliyete odaklanıldığında bulutun doğru seçenek olabileceğini; buna karşılık yerel ortamın bazı şirketlere, özellikle kurum ağındaki vekil sunucuyla ilgili sorunlar veya fiyat ve kullanım sınırlarındaki değişikliklerle karşılaşıldığında, daha yüksek süreklilik sağlayabileceğini düşünüyor. Bazı müşteriler, belirteç maliyetini azaltmak için grafik işlem birimi bulunan bir iş istasyonunu birden fazla kullanıcı arasında paylaşabilir.
Ancak doğru bir karşılaştırma; yerel ortam için elektrik, bakım, yönetim ve ilk yatırım maliyetlerini, bulut için ise sözleşme koşullarını ve kullanım hacmini kapsamalı. Ayrıca iki tarafın da aynı işlemi aynı kalite ve tekrarlanabilirlik düzeyinde gerçekleştirip gerçekleştiremeyeceği ve hizmetin veya ağın kesintiye uğramasının çalışmayı nasıl etkileyeceği sorulmalı.
İnsan faktörü darboğaz olabilir
Model ve cihaz sağlandıktan sonra bile süreç, yetki gerektiren bir işlemin gerçekleştirilmesi için gereken insan onayında durabilir. 勝谷, yoğunluğunun insanı bizzat darboğaz hâline getirebileceğini kabul ediyor. Bu nedenle ajanların devreye alınması, ajanı araçlara bağlamakla sınırlı kalmamalı; onay aşamalarını ve bunlardan kimin sorumlu olduğunu da belirlemeli.
日本HP deneyiminden çıkan pratik sonuç, yapay zekânın çalıştırılacağı ortamın seçimine verilerden, ardından görevden, kullanıcı sayısından, maliyetten, süreklilikten ve işletme ekibinin kapasitesinden başlanması gerektiği. Ayrıca sorumlular değiştiğinde bilginin aktarılabilmesi için seçilen model ve seçilme nedeni belgelenmeli. Bununla birlikte bu yönergeler 日本HP’deki bir yöneticinin deneyimine dayanıyor; bulutun veya yerel çalıştırmanın her durumda daha iyi olduğunu kanıtlayan genel bir standart değil.