Bu yazıda GPT-5.6'yı bir ürün tanıtımı olarak değil, yapay zekâ hakkında konuşma biçimimizin nasıl değiştiğinin bir işareti olarak ele alacağız. Soruyu "yeni model ne kadar zeki?" diye değil, "bu model bizim işimizi nasıl değiştiriyor ve bunun bedeli ne?" diye soracağız.

Bu ayrım önemli. Çünkü son iki yılda alıştığımız refleks şu oldu: yeni bir model çıkıyor, tablolara bakıyoruz, puanları karşılaştırıyoruz, birkaç gün konuşuyoruz, sonra hayatımıza devam ediyoruz. Oysa OpenAI'nin 9 Temmuz 2026'da kullanıma açtığı GPT-5.6 ailesi — Sol, Terra ve Luna — bu refleksin artık eksik kaldığını gösteriyor. Buradaki asıl haber tek bir modelin daha akıllı olması değil; yapay zekânın nihayet bir maliyet kalemi olarak konuşulmaya başlanması.

Aşağıda önce bu üçlü yapıya bakacağız. Sonra "verimlilik" kelimesinin neden bu sürümün merkezinde durduğunu, çok ajanlı çalışmanın ne getirdiğini, kodlama ve bilgi işçiliğinde nelerin değiştiğini, güvenlik tarafındaki hassas dengeyi ve tüm bunların gündelik çalışma pratiğimize ne yaptığını konuşacağız. Kesin cevaplar vermeyeceğim. Ama sanırım sonunda elimizde daha iyi sorular olacak.

Tek bir "en iyi model" fikrinin sonu

GPT-5.6 tek bir model değil, üç seviyeden oluşan bir aile. Ve bu yapı, teknik bir detaydan çok bir zihniyet değişiminin göstergesi.

Sol, amiral gemisi: karmaşık akıl yürütme, uzun soluklu yazılım işleri, bilimsel araştırma, siber güvenlik gibi hata toleransının düşük olduğu alanlar için. Terra, günlük profesyonel işlerin dengeli seçeneği: belge özetleme, rapor hazırlama, dosya analizi, orta seviye kodlama. Luna ise en hızlı ve en ekonomik olanı; kısa özetler, etiketleme, rutin cevaplar, hafif otomasyon.

Fiyatlar bu ayrımı net gösteriyor. Milyon token başına Sol 5 dolar girdi / 30 dolar çıktı, Terra 2,5 / 15, Luna 1 / 6. Yani en pahalı model, en ucuzunun beş katı.

Mesaj açık: OpenAI artık "herkes en güçlü modeli kullansın" demiyor, "işin ağırlığına göre doğru modeli seç" diyor. Masum bir öneri gibi görünüyor ama kullanıcıdan yeni bir şey talep ediyor. Çünkü iyi kullanıcı artık sadece iyi prompt yazan kişi değil; hangi iş için hangi seviyeyi kullanacağını bilen kişi. Basit bir e-postayı Sol'a yazdırmak, vinçle çay bardağı kaldırmaya benziyor.

Ve dürüst olalım: çoğumuz bu seçimi yapmayı henüz bilmiyoruz. "En güçlüyü kullanayım, garantiye alayım" refleksi, artık gerçek para kaybettiren bir refleks.

Asıl soru: "Zeki mi?" değil, "Aynı bütçeyle kim daha çok iş yapıyor?"

Duyurunun en çok tekrarlanan kelimesi zekâ değil, verimlilik. Nedeni pratik.

Bir model teoride çok güçlü olabilir. Ama aynı işi yapmak için çok fazla token harcıyorsa, yavaş çalışıyorsa, gereksiz araç çağrıları yapıyorsa ve çıktısını düzeltmek için sizden sürekli müdahale bekliyorsa — o model gerçek iş ortamında pahalı ve yorucudur. Test tablosunda parlak görünür, faturada acıtır.

GPT-5.6'nın iddiası tam olarak burada: aynı işi daha az tokenle, daha az turda, daha az müdahaleyle bitirmek. OpenAI'ye göre Sol, uzun profesyonel iş akışlarını ölçen değerlendirmelerde rakiplerine kıyasla daha düşük tahmini maliyetle daha güçlü sonuçlar üretebiliyor.

Kurumsal karşılığı şu cümlede toplanıyor:

Yapay zekâ artık sadece "cevap veren bir araç" değil; maliyeti hesaplanması gereken bir dijital iş gücü.

Bu cümlede durmaya değer. Bir aracın maliyetini hesaplarsınız; bir iş gücünün ise verimliliğini yönetirsiniz. Birincisi satın alma kararıdır, ikincisi organizasyon kararı.

Çok ajanlı çalışma: "ultra" gerçekten gerekli mi?

En dikkat çekici yeniliklerden biri ultra ayarı. Tek bir modelin tek başına düşünmesi yerine birden fazla ajanı paralel çalıştırıyor; varsayılan olarak dört ajan koordine ediliyor. Normal kullanımda model görevi okur, plan çıkarır, üretir, kontrol eder — hepsini sırayla ve tek başına. Ultra'da iş kollara ayrılır: biri araştırır, biri yapıyı kurar, biri hataları kontrol eder, biri sonucu toparlar.

Büyük yazılım projelerinde, çok dosyalı belge incelemelerinde, karmaşık finansal analizlerde anlamlı. Peki her işte gerekli mi? Hayır. Ve bu "hayır" sanıldığından önemli.

Çünkü çok ajanlı yapı maliyetlidir. Yapay zekâ tarihinde tekrar tekrar yaşadığımız şey şu: bir yetenek çıkıyor, herkes her yerde kullanıyor, sonra faturaya bakıp "aslında bunun yarısına gerek yokmuş" diyoruz. Belki de asıl beceri ultra'yı açmayı bilmek değil; ne zaman kapalı bırakacağını bilmek.

Kodlamada "yardımcı mühendis" eşiği

En iddialı alan yazılım geliştirme. Ama değişim "daha iyi kod yazıyor"dan ibaret değil. Model artık mevcut kod tabanını inceleyebiliyor, hatanın kaynağını bulabiliyor, terminal çıktısını yorumlayabiliyor, test yazabiliyor, sonuçlara göre kodu düzeltebiliyor.

Bu, "bana şu fonksiyonu yaz" döneminin ötesi. Modelin konumu asistanlıktan çıkıp ekibe yeni katılmış bir yardımcı mühendise yaklaşıyor. İyi tarafı: yorucu işlerin bir kısmı devrediliyor. Düşündürücü tarafı: bir yardımcı mühendisin çıktısını nasıl denetliyorsanız, bunu da öyle denetlemeniz gerekiyor. Kod incelemesi ortadan kalkmıyor, yer değiştiriyor.

Programmatic Tool Calling de burada devreye giriyor. Normalde araçtan dönen her sonuç yeniden modele gelir ve ciddi token harcar. Bu özellikle model ara verileri süzüyor, sadece önemli kısımları tutuyor, iş akışını daha az turla bitiriyor. Teknik gibi duruyor; ama büyük ölçekli bir uygulama işletiyorsanız bu satır doğrudan bütçe satırıdır.

Dağınık bilgiyi toparlamak: en sessiz ama en büyük vaat

Kurumlarda bilgi tek bir yerde durmaz. E-postalarda durur, eski toplantı notlarında, Drive klasörlerinde, Slack mesajlarında, Excel dosyalarında, CRM kayıtlarında. Herkes bir şey bilir; kimse hepsini bilmez.

GPT-5.6'nın bilgi işçiliği tarafındaki iddiası tam olarak bu dağınıklığa dönük: Slack, Notion, Microsoft 365 ve Google Drive gibi araçlardaki parçalı bilgiyi alıp paylaşılabilir çıktılara dönüştürebilmek. Buna doküman kalitesi de eşlik ediyor: referans şablona sadık kalmak, Slide Master yapısını anlamak, tipografi ve boşluk düzenini korumak. Küçük detaylar gibi görünür, ama yapay zekâ ile sunum üretmiş herkes bilir: içerik iyi çıkar, tasarım dağılır, siz iki saat düzeltirsiniz.

Yine de burada durup bir soru sormak isterim. Bir kurumun bilgisi neden bu kadar dağınık? Yapay zekâ bunu toparlayabilir, evet. Ama toparlanabilir olduğu için dağınık kalmasına razı olur muyuz? Aracın çözdüğü sorun, bazen sorunun kendisini kalıcılaştırır.

Güvenlik: çift kullanımın rahatsız edici dengesi

GPT-5.6'nın güçlü olduğu alanlardan biri de siber güvenlik: güvenli kod inceleme, yama hazırlama, tehdit modelleme. Ama bu alan doğası gereği çift kullanımlı. Bir açığı bulmak sistemi korumak için de yapılabilir, saldırmak için de. Bilginin kendisi tarafsızdır; niyet değildir.

OpenAI bu yüzden katmanlı bir yaklaşım tarif ediyor: modelin içine eğitilmiş güvenlik davranışları, gerçek zamanlı kontroller, anahtar kelimeden öte bağlamı anlamaya çalışan bir güvenlik monitörü, hesap seviyesinde yaptırımlar, doğrulanmış uzmanlara genişletilmiş erişim, sürekli izleme. Temel fikir dürüst: güvenlik tek bir filtreye bırakılmaz, çünkü hiçbir güvenlik sistemi kusursuz değildir.

Ama denge gerçekten zor. Aşırı engelleme savunma ekiplerinin işini zorlaştırır; nitekim daha muhafazakâr tutumun meşru araştırma görevlerinde sürtünme yaratabileceği kabul ediliyor. Yetersiz engelleme ise riski büyütür. Ortada tatmin edici bir çözüm yok; sadece sürekli ayarlanması gereken bir kadran var.

Bu, teknolojinin çözebileceği bir problem değil. Bu bir yargı problemi. Ve yargıda, kimin verdiği önemlidir.

Modelin, modeli geliştirmesi

Duyurunun en az konuşulan ama belki en düşündürücü bölümü şu: OpenAI araştırmacıları GPT-5.6'yı kendi araştırma süreçlerinde kullanıyor — hata teşhisi, eğitim sistemlerini optimize etme, deney çalıştırma, başka modellerin gelişimine katkı.

Yani yapay zekâ artık sadece dış kullanıcılar için bir üretim aracı değil; yapay zekâ araştırmasının kendi içinde hızlandırıcı bir rol oynuyor. Bu bir eşik. Gelişim hızını artırabilir — muhtemelen artıracak. Ama aynı ölçüde denetim ve kalite kontrol ihtiyacını da büyütür. Kendini hızlandıran bir sürecin frenleri, gaz pedalıyla aynı hızda gelişmek zorundadır.

Peki bu modeli iyi kullanmak neye benziyor?

Güçlü model, iyi sonucun garantisi değil. "Bana rapor hazırla" ile "aşağıdaki verilerden 5 sayfalık yönetim raporu hazırla; yönetici özeti, riskler ve 30 günlük aksiyon planı içersin; dil sade ve karar vericiye uygun olsun" arasındaki fark, modelin zekâsından daha büyük bir fark yaratır.

Kaynak dosyaları düzenli vermek, çıktı formatını baştan belirtmek, kritik işlerde modelden varsayımlarını ve riskli noktaları işaretlemesini istemek, uzun işleri tek prompta sıkıştırmak yerine aşamalı ilerlemek — bunların hiçbiri yeni değil. Ama GPT-5.6 gibi modellerde bu alışkanlıkların getirisi daha da büyüyor.

Ve sınırlar unutulmamalı. Model daha güçlü olsa bile hata yapabilir; hukuk, sağlık, finans ve bilimsel araştırmada çıktı mutlaka kontrol edilmelidir. Benchmark sonuçları fikir verir, gerçek hayatı garanti etmez.

Geriye kalan soru

GPT-5.6'nın asıl mesajı "model daha zeki oldu" değil. Asıl mesaj şu: yapay zekâ daha işlevsel, daha ekonomik ve daha üretim odaklı hale geliyor.

Eskiden şunu soruyorduk: En zor soruyu çözüyor mu? Rakibini geçiyor mu? Bunlar hâlâ önemli. Ama yanlarına ikinci bir soru kümesi eklendi: Bu işi kaç tokenle yaptı? Kullanıcı kaç kez müdahale etti? Aynı kalite daha ucuza alınabilir mi?

Belki de teknolojinin olgunlaştığı an tam olarak budur: heyecanın yerini muhasebenin aldığı an. Elektrik de böyle olmuştu. Bir mucize olarak başladı, bir gider kalemi olarak yerleşti. Ve asıl dönüşüm, mucize olduğu dönemde değil, gider kalemi haline geldiği dönemde yaşandı.

O yüzden "hangi benchmarkta kaç puan aldı?" sorusu yetmiyor. Daha doğru gelen soru şu:

Benim gerçek iş akışımda, daha az zaman ve daha az müdahaleyle daha iyi bir sonuç üretebiliyor mu?

Ama itiraf edeyim, bu sorunun altında beni asıl meşgul eden bir başkası duruyor. Token sayısını ölçüyoruz, süreyi ölçüyoruz, maliyeti ölçüyoruz. Peki bir ekibin bir problemi birlikte düşünerek öğrendiği şeyi nasıl ölçeceğiz? Bir raporu kendi elleriyle yazan kişinin, o raporu yazarken kurduğu anlayışı?

Bunlar bu yazıda cevaplayabileceğim sorular değil. Ama hepimizin, önümüzdeki birkaç yılı bu soruları erteleyerek geçirme lüksü de yok.

Model seçmeyi öğreniyoruz. Umarım aynı dikkatle, neyi devretmeyeceğimizi seçmeyi de öğreniriz.

Blog

Sonuçlar

Zekâ Ucuzladı, Verimlilik Pahalandı: GPT-5.6 Bize Ne Söylüyor?