Uber'in Yapay Zekâ Stratejisi: Tokenmaxxing'den Süreç Mühendisliğine

Teknoloji dünyası, 2026 yılının başlarında Uber’in yapay zekâ bütçeleme süreçleriyle ilgili sarsıcı açıklamalarla çalkalandı. Şirketin üst düzey yönetiminden gelen ve Anthropic'in Claude Code entegrasyonu için ayrılan yıllık bütçenin aylar içerisinde tükendiğini belirten açıklamalar, sektörde "tokenmaxxing" paniği olarak adlandırılan geniş çaplı bir maliyet tartışmasını tetiklemişti. Bu durum teknik olarak, büyük dil modellerinin (LLM) yoğun token tüketimi ve buna eşlik eden donanım altyapı maliyetlerinin, kurumsal sürdürülebilirlik ilkeleriyle ne ölçüde örtüştüğü sorusunu gündeme getirdi. Ancak aradan geçen kısa süre zarfında Uber, yapay zekâ yatırımlarını sadece ham token tüketiminden uzaklaştırarak çok daha yapısal, verimlilik odaklı ve operasyonel süreçleri merkeze alan farklı bir stratejik evreye taşıdı.

Yazılım mimarları ve kurumsal teknoloji liderleri açısından bakıldığında, yapay zekâ harcamalarının kontrol altına alınması artık sadece maliyet düşürme çabası değil, aynı zamanda yapay zekâ yaşam döngüsü yönetimi (AI Lifecycle Management) ve maliyet denetimi (AI Cost Governance) çerçevelerinin yeniden kurgulanmasını zorunlu kılıyor. Uber'in bu bağlamda attığı adımlar, mühendislik gücünün doğrudan iş birimlerine entegre edildiği yeni bir mimari ve organizasyonel modelin kapılarını aralıyor.

"Agentic Pods" Mimarisi ve İç Operasyonel Entegrasyon

Uber'in CTO'su Praveen Neppalli Naga liderliğinde hayata geçirilen yeni strateji, şirketin en yetenekli yapay zekâ mühendislerini finans, yasal operasyonlar, pazarlama, müşteri destek, insan kaynakları ve tedarik gibi temel kurumsal departmanların içine doğrudan yerleştirilmesini öngörüyor. "Agentic Pods" olarak adlandırılan bu iki haftalık çevik ekipler, klasik yazılım geliştirme döngülerinden farklı bir metodoloji izliyor. Mühendisler, süreçlerin ilk birkaç gününü ilgili departman çalışanlarını iş başında izleyerek (shadowing) geçiriyor.

Mimari açıdan değerlendirildiğinde, bu yaklaşım geleneksel olarak yazılım ekipleri ile iş birimleri arasında var olan duvarları yıkmayı hedefliyor. Yazılımcılar dışarıdan gelen gereksinim listelerini beklemek yerine, problemin kaynağına inerek iş akışını bizzat yerinde analiz ediyor. Bu süreçte elde edilen somut kazanımlar ise oldukça dikkat çekicidir:

• Finansal Planlama Süreçleri: Daha önce uzun saatler süren planlama döngüleri, optimize edilmiş yapay zekâ araçları sayesinde dakikalar mertebesine indirildi.
• Finansal Raporlama: Günler süren rapor hazırlama süreleri ciddi oranda daraltıldı.
• Pazarlama Kalite Kontrolleri: Haftalar süren onay mekanizmaları kısa süreler içerisinde tamamlanabilir hâle geldi.

Geriye Konuşlandırılmış Mühendislik: "Rearward Deployed Engineer"

Silikon vadisi ekosisteminde uzun süredir müşteriye dönük çözümler sunan "ileri konuşlandırılmış mühendis" (forward-deployed engineer) modeli, Uber'in bu hamlesiyle tersine çevrildi. Sektördeki uzmanlar tarafından esprili bir dille "geriye konuşlandırılmış mühendis" (rearward deployed engineer) olarak nitelendirilen bu rol, teknik uzmanların dış müşteriler yerine şirket içindeki operasyonel süreçlerin derinliklerine odaklanmasını sağlıyor.

Muhtemel senaryolardan biri, bu modelin kurumsal yazılım mimarilerinde verimsiz onay süreçlerini, hantal eski yazılım sistemlerini (legacy software) ve gereksiz bürokratik katmanları ortadan kaldırarak karar alma mekanizmalarını hızlandırmasıdır. Uber yönetimi, asıl verimlilik artışının tek bir görevi hızlandırmaktan ziyade, tüm iş akışının yapay zekâ etrafında yeniden tasarlanmasından kaynaklandığını vurgulamaktadır.

Sıfır Büyüme Yığını ve Altyapı Optimizasyonu

Yapay zekâ maliyetlerinin kontrol altına alınması operasyonel modelin yanı sıra alt seviye altyapı optimizasyonlarını da gerektiriyor. Bilindiği üzere Uber, kapasite artışını iş talebinden soyutlayan "Sıfır Büyüme Yığını" (Zero Growth Stack) altyapı çözümünü benimsemiştir. Bu stratejik yaklaşım, şirketin donanım ayak izini küçültürken servis ölçeklenebilirliğini korumasını amaçlamaktadır.

Altyapı katmanında gerçekleştirilen iyileştirmeler arasında Go çalışma zamanı (runtime) performansının sistematik olarak optimize edilmesi de yer almaktadır. GOGC değerinin yığın (heap) büyümesine oranla çöp toplayıcı (GC) döngü sıklığını otomatik ayarlayacak şekilde düzenlenmesi, cgroup bellek sınırlarıyla doğrudan entegre edilmiştir. Bu otomasyon sayesinde çok sayıda kritik serviste on binlerce CPU çekirdeği boşa çıkarılmış ve sistem verimliliği artırılmıştır.

Yapay Zekâ Geliştirme Yaşam Döngüsü ve Ekonomik Sürtünme

Uber’in yazılım geliştirme yaşam döngüsüne (SDLC) entere ettiği yapay zekâ katmanları; Michelangelo AI model ağ geçidini barındıran bir Platform Katmanı, dahili kaynak kodunu enjekte etmek için kullanılan bir MCP Ağ Geçidi (MCP Gateway), arka plan ajanlarını koordine eden Özel Katman ve uReview gibi araçların bulunduğu İnceleme Katmanından oluşmaktadır. Mühendislerin yüksek oranlarda yapay zekâ destekli kod üretmesi ve binlerce birim testin (unit test) otomatik olarak oluşturulması, yazılım üretim hızını artırırken ekonomik sürtünmeyi de beraberinde getirmiştir.

Token tabanlı faturalandırma modelleri nedeniyle yapay zekâ maliyetlerinin tırmanması, şirketi "özellik başına hesaplama verimliliği" (compute efficiency per feature) metricleri geliştirmeye yöneltmiştir. Bu denetim mekanizması sayesinde mühendislik liderleri, üretilen kodların ve otomatik testlerin altyapı maliyetleriyle olan dengesini nicel olarak analiz edebilmektedir.

Kurumsal Yapay Zekâ Maliyet Yönetimi ve Gelecek Perspektifi

Günümüzde kurumsal ölçekte yapay zekâ entegrasyonu gerçekleştiren tüm organizasyonlar için maliyet yönetimi, güvenlik ve uyumluluk standartları hayati birer parametredir. ISO 42001 gibi yapay zekâ yönetim sistemi standartları ve finansal otoritelerin getirdiği düzenlemeler, şirketlerin yapay zekâ harcamalarını sıkı bir denetim altına almasını zorunlu kılmaktadır.

Uber’in deneyimi, yapay zekâ yatırımlarının sadece model kalitesine veya ham işlemci gücüne dayanamayacağını, uçtan uca iş akışı yeniden tasarımıyla desteklenmesi gerektiğini kanıtlamaktadır. Aşağıdaki tabloda, Uber'in token merkezli yaklaşımdan süreç odaklı kurumsal mühendisliğe geçişindeki temel mimari farklar özetlenmiştir:

Mimari ve Stratejik Alan	İlk Dönem (Tokenmaxxing Dönemi)	Mevcut Durum (2026 Süreç Odaklı Yaklaşım)
Odak Noktası	Ham token tüketimi ve bireysel kod üretimi	Uçtan uca iş akışı optimizasyonu ve operasyonel verimlilik
Mühendislik Konumlandırması	Merkezi yazılım geliştirme ekipleri	Departman içi entegre "Agentic Pods" (Geriye Konuşlandırılmış Mühendisler)
Maliyet ve Bütçe Kontrolü	Hızlı bütçe tükenmesi ve öngörülemeyen harcamalar	Özellik başına hesaplama verimliliği ve dinamik altyapı optimizasyonu
Altyapı Yönetimi	Statik kaynak tahsisi	Dinamik bellek kontrol döngüleri ve "Sıfır Büyüme Yığını"

Sonuç olarak, Uber’in izlediği bu yol haritası; kurumsal dünyada yapay zekânın sadece bir maliyet kalemi olmaktan çıkarılıp, iş süreçlerini kökten dönüştüren stratejik bir kaldıraç haline nasıl getirilebileceğini gösteren güçlü bir örnek teşkil etmektedir. Teknolojik yatırımların sürdürülebilirliği, model performansının operasyonel verimlilikle dengelenmesine bağlı olmaya devam edecektir.