Yerli Yapay Zeka Modelleri ve AI Ajanları: 2026 Karşılaştırma ve Seçim Rehberi

Son güncelleme: 29 Eylül 2026
Yazar: Kaan Atalay — Atalay Tech kurucusu

"En iyi yerli yapay zeka hangisi?" sorusunun tek bir cevabı yok. Bir Türkçe büyük dil modeli, bir embedding modeli ve bir kurumsal yapay zeka platformu farklı işler yapar; aynı listede yarıştırıldıklarında karşılaştırma anlamını kaybeder. Bu rehber, yerli yapay zeka modellerini ve AI ajanlarını hangi ölçütlerle değerlendireceğinizi anlatıyor ve Türkiye'de geliştirilen ya da Türkçe için yayımlanan modelleri, kurumlarının kendi kaynaklarından doğrulanmış bilgilerle alfabetik olarak özetliyor.

Açıklama: Bu rehberi Atalay Tech hazırladı. Biz de bu alanda ürün geliştiren bir firmayız; bu yüzden modelleri sıralamadık ve kendi ürünümüzü karşılaştırmaya almadık. Hakkımızdaki bilgi yazının sonunda ayrı bir kutuda.

Önce Kategoriyi Ayırın: Temel Model, İnce Ayarlı Model, Ürün ya da Ajan

"Yerli yapay zeka" başlığı altında anılan çözümler üç farklı kategoriye düşer. Karşılaştırmaya başlamadan önce hangisine baktığınızı netleştirin.

Bu ayrım neden önemli: Bir ince ayarlı modelin Türkçe başarısı büyük ölçüde temel aldığı modelden gelir; lisansı da çoğu zaman o modelin lisansına bağlıdır. Bir ürün ya da ajan ise altında hangi modeli çalıştırdığını söylemeyebilir. Model kartında ya da ürün sayfasında "temel model" (base model) satırını arayın; yoksa sağlayıcıya sorun.

AI ajanı yalnız cevap üreten bir model değildir. Kullanıcıdan bilgi toplayan, başka sistemlerde kayıt açan, bildirim gönderen ya da bir iş akışını başlatan yazılımdır. Yerli AI ajanları değerlendirilirken soru "ne kadar iyi konuşuyor" değil, "hangi sistemlere yazabiliyor, hangi adımda insan onayı istiyor, yaptığını nereye kaydediyor" olur.

Türkçenin eklemeli yapısı bu yüzden ayrıca önemlidir. "Ev", "evlerimizden", "evlerimizdekilerden" gibi biçimler, İngilizce ağırlıklı eğitilmiş modellerde daha çok parçaya bölünür. Bu hem anlama kalitesini hem de token başına ödenen maliyeti etkileyebilir; ancak etkinin boyutu modelden modele değişir ve ancak kendi metinlerinizle ölçülür.

Yerli Yapay Zeka Modeli Nasıl Değerlendirilir?

1. Açık ağırlık ve lisans

Neden önemli: Ağırlıkları indirilebilen bir model kendi sunucunuzda çalışabilir; lisansı ticari kullanıma izin vermiyorsa bu imkân ürününüzde işe yaramaz. "Açık kaynak" ifadesi tek başına ağırlıkların indirilebildiği anlamına gelmez.

Nasıl doğrularsınız: Model kartındaki lisans satırını okuyun (MIT, Apache 2.0 gibi). Kart lisans belirtmiyorsa ya da temel modelin lisansı farklıysa, ticari kullanım için yazılı teyit isteyin.

2. Erişim yolu: web, API, indirilebilir model ya da kurumsal kurulum

Neden önemli: Bir web arayüzünde denediğiniz model, API ile sunulmuyorsa ürününüze bağlanamaz. Kurumsal kurulumla sunulan bir platform ise satış süreci, sözleşme ve kurulum takvimi ister.

Nasıl doğrularsınız: Kurumun resmi sayfasında erişim yolunu arayın: "genel kullanıma açık", "başvuru", "indir", "API" ifadeleri. Beta ya da başvuru aşamasındaki bir modeli, takvimi bağlayıcı bir projenin tek dayanağı yapmayın.

3. Türkçe performansı: kendi test setinizle sınayın

Neden önemli: Genel amaçlı değerlendirme puanları, sizin belgelerinizdeki terimleri, müşterilerinizin yazım biçimini ve sektörünüzün mevzuat dilini ölçmez.

Nasıl doğrularsınız: Gerçek işinizden 50–100 soruluk bir test seti hazırlayın: sık sorulan müşteri soruları, uzun bir sözleşmeden özet, yazım hatalı kısa mesajlar, sayı ve tarih içeren cevaplar. Aynı seti aday modellere verin, cevapları iki kişi ayrı ayrı puanlasın. Kaynak gösterilmesi gereken işlerde modelin cevabını gerçekten verilen belgeye dayandırıp dayandırmadığına bakın.

4. Veri yerleşimi ve KVKK

Neden önemli: Kişisel veri içeren metinler yurt dışındaki bir sunucuda işleniyorsa KVKK'nın yurt dışına aktarım hükümleri devreye girer. Kamu, sağlık ve finans projelerinde verinin kurum dışına hiç çıkmaması şart olabilir.

Nasıl doğrularsınız: Sağlayıcıya verinin hangi ülkede işlendiğini, kaydedilip kaydedilmediğini ve model eğitiminde kullanılıp kullanılmadığını yazılı olarak sorun. Kapalı ağda çalışma şartınız varsa ya indirilebilir ağırlık ya da yerinde (on-premise) kurulum seçeneği arayın.

5. Kurumsal kullanıma uygunluk

Neden önemli: Canlı bir iş sürecinde model tek başına yetmez: rol bazlı yetkilendirme, kayıt (log), hız sınırı, sürüm sabitleme ve kesinti durumunda ne olacağı sorulur.

Nasıl doğrularsınız: Sürüm değişikliklerinin nasıl duyurulduğunu, eski sürümün ne kadar süre açık kaldığını ve destek kanalını sorun. Araştırma amaçlı yayımlanmış bir modelde bu başlıkların sorumluluğu size geçer.

6. Maliyet modeli

Neden önemli: API ile kullanılan modelde maliyet token başınadır ve kullanım arttıkça büyür. İndirilebilir modelde lisans ücretsiz olabilir ama sunucu, GPU ve bakım maliyeti size aittir.

Nasıl doğrularsınız: Aylık tahmini istek sayısını ve ortalama metin uzunluğunu çıkarın; her aday için iki senaryoyu (API ve kendi sunucunuz) yan yana hesaplayın.

Karşılaştırma Tablosu

Tablodaki her bilgi, geliştiren kurumun kendi sayfasından ya da Hugging Face'teki resmi hesabından alınmıştır (Eylül 2026). Performans puanı yazılmamıştır.

Türk Yapay Zeka Modelleri ve Platformları (Alfabetik)

Aşağıdaki modeller alfabetik sıradadır; sıralama ya da puan değildir. Bilgiler geliştiren kurumların kendi sitelerinden ve Hugging Face'teki resmi hesaplarından alınmıştır (Eylül 2026).

BERTurk

Model kartına göre Bavyera Devlet Kütüphanesi'nin MDZ Dijital Kütüphane ekibi (dbmdz) tarafından Türkçe için açık kaynak olarak yayımlanan bir BERT modeli; ön eğitim verisinin bir kısmı ve modelin adı Türk NLP topluluğundan geliyor. Metin üretmez, sınıflandırma ve metin anlama görevleri için kullanılır; MIT lisansıyla indirilebilir.

BİLGE

BİLGE'nin resmi sitesine göre TÜBİTAK BİLGEM tarafından geliştirilen, Türkçenin yapısını ve kültürel birikimi temel alan bir büyük dil modeli ailesi; aile 1 milyardan 122 milyar parametreye uzanıyor, 122B sürümü geliştirilme aşamasında. Sitede henüz genel kullanıma açılmadığı yazıyor; kurumlar resmi kanallardan iletişime geçebiliyor.

HAVELSAN MAIN

HAVELSAN'ın ürün sayfasına göre kurumların kendi verileriyle eğitilebilen, kapalı veri ağında ya da internet ağında çalışabilen kurumsal yapay zeka platformu; yerel sunucularda kurulur ve çekirdeğinde 9 milyar parametreli bir Türkçe dil modeli bulunuyor. Son kullanıcıya açık bir sohbet uygulaması değil, kurumlara sunulan bir üründür.

T3 AI

T3 Vakfı'nın proje sayfasına göre T3 Vakfı öncülüğünde ve paydaşların iş birliğiyle yürütülen, açık kaynaklı bir büyük dil modeli projesi. TÜBA'nın duyurusuna göre T3 Vakfı ve Baykar iş birliğiyle geliştirilen model, Temmuz 2025'te TEKNOFEST Sosyal platformunda beta olarak kullanıma açıldı; kullanıcılar modeli etiketleyerek soru soruyor.

Turkcell-LLM-7b-v1

Turkcell'in Hugging Face'teki doğrulanmış kurum hesabında yayımlanan, Mistral 7B tabanlı Türkçe dil modeli; model kartına göre 5 milyar token temizlenmiş Türkçe ham veri ve Türkçe talimat setleriyle eğitildi. Apache 2.0 lisansıyla indirilebilir.

TurkEmbed4STS

İstanbul'daki NewMind AI'nin Hugging Face hesabında yayımladığı Türkçe embedding modeli; model kartına göre cümle ve paragrafları 768 boyutlu vektörlere çevirir ve anlamsal arama, benzerlik ve kümeleme için kullanılır. Alibaba-NLP/gte-multilingual-base üzerine ince ayar yapılmıştır; kartta lisans belirtilmemiştir.

TurkishBERTweet

Sabancı Üniversitesi'ndeki VRL Lab'in yayımladığı, Türkçe sosyal medya metinleri için eğitilmiş dil modeli; model kartına göre 894 milyon Türkçe tweet ile eğitildi. MIT lisansıyla indirilebilir.

Kullanım Amacına Göre Hangi Model Tipine Bakılmalı?

Tek bir model çoğu projede yetmez. Bir kurum sohbet için bir büyük dil modeli, belge araması için bir embedding modeli ve sınıflandırma için küçük bir model kullanabilir. Yerli ve global modellerin birlikte kullanıldığı hibrit mimariler de yaygındır: kişisel veri içeren adımlar kurum içinde, genel bilgi gerektiren adımlar API üzerinden yürür.

Model ya da Ajan Sağlayıcısına Sorulacak Sorular

1. Bu model sıfırdan mı eğitildi, yoksa hangi temel modelin üzerine ince ayar yapıldı?
2. Lisans ticari kullanıma izin veriyor mu? Temel modelin lisansı ayrıca bir kısıt getiriyor mu?
3. Modele hangi yolla erişeceğiz: web, API, indirilebilir ağırlık, yerinde kurulum?
4. Gönderdiğimiz veri hangi ülkede işleniyor, ne kadar süre saklanıyor, model eğitiminde kullanılıyor mu?
5. Kendi test setimizle deneme yapabileceğimiz bir deneme erişimi var mı?
6. Model sürümü değiştiğinde bize nasıl haber veriliyor, eski sürüm ne kadar süre açık kalıyor?
7. Fiyatlandırma token başına mı, kullanıcı başına mı, sabit lisans mı? Kullanım arttığında ne değişiyor?
8. Kapalı ağda ya da kendi sunucumuzda çalıştırmak mümkün mü; donanım gereksinimi nedir?
9. (Ajan için) Ajan hangi sistemlere yazabiliyor ve hangi adımda insan onayı istiyor?
10. (Ajan için) Ajanın yaptığı her işlem nereye kaydediliyor, bu kayda kim erişebiliyor?
11. Destek kanalı nedir, kesinti olduğunda ne kadar sürede bilgi veriliyor?

Kırmızı Bayraklar

• Temel modelin adını ya da lisansını söylemeyen "yerli model" iddiası.
• Yalnız genel bir puan tablosuyla sunulan, kendi verinizle denemeye izin verilmeyen model.
• Verinin nerede işlendiğine yazılı cevap verilmemesi.
• "Açık kaynak" deniyor ama indirilebilir ağırlık ya da lisans metni yok.
• Beta ya da başvuru aşamasındaki bir modelin, canlı bir projenin tek dayanağı olarak önerilmesi.
• İnsan onayı ve işlem kaydı olmadan müşteri verisine yazabilen AI ajanı.
• Geliştirme bütçesi verilip aylık token ya da sunucu maliyetinin hiç konuşulmaması.
• "Her iş için tek model yeter" yaklaşımı.

Bütçe: Süre ve İki Ayrı Maliyet Kalemi

Yapay zeka projelerinde sabit bir fiyat söylemek zordur; model seçimi, veri hacmi ve kullanım yoğunluğu maliyeti doğrudan değiştirir. Aşağıdaki süreler Atalay Tech'in yapay zekâ entegrasyonu sayfasındaki aralıklardır; kapsam netleştikten sonra tekliflendirilir. Kendi sürelerimizi açık yazıyoruz; başka firmalardan teklif alırken aynı kapsam kalemlerini karşılaştırın.

Bütçeyi iki ayrı kalem olarak planlayın:

• Geliştirme bütçesi: Entegrasyon, arayüz, yönetim paneli, yetkilendirme, test. Tek seferlik ya da aşamalıdır.
• İşletme maliyeti: API ile kullanılan modelde aylık token faturası; indirilebilir modelde sunucu ve GPU maliyeti. Kullanım arttıkça büyür ve geliştirme teklifinin içinde görünmez.

İkisini ayrı sormayan bir teklif, canlıya çıktıktan sonra sürpriz üretir. Hizmet firması seçiyorsanız yapay zeka entegrasyon firması seçme rehberi aynı soruları firma tarafından ele alıyor.

Sonuç

Yerli yapay zeka modelleri tek bir listede yarışan ürünler değil; temel model, ince ayarlı model ve ürün ya da ajan olarak farklı ihtiyaçlara cevap veriyor. Seçimden önce kategoriyi ayırın, lisansı ve erişim yolunu kurumun kendi kaynağından doğrulayın. Türkçe performansı genel puanlarla değil kendi test setinizle ölçün. Verinin nerede işlendiğini yazılı olarak öğrenin ve geliştirme bütçesini aylık işletme maliyetinden ayrı planlayın.

Bu rehberi hazırlayan: Atalay Tech

Atalay Tech, Atalay Yazılım Ltd. Şti.'nin markasıdır; 2020'de İstanbul'da kuruldu, ofisi Şişli'de. React Native, Laravel ve Next.js ile mobil uygulama, web yazılımı ve yapay zeka entegrasyonu geliştiriyor. Geliştirdiği atalay.ai bir dil modeli değil; Türkiye'deki işletmelerin aylık ücretle yapay zekâ çalışanı işe aldığı bir platform. Bugün telefonla ücretsiz kayıt ve sohbet açık, çalışanlar yakında açılıyor.

atalay.ai proje sayfası · Yapay zekâ entegrasyonu · Referanslar

Bu rehber yapay zekâ yardımıyla hazırlandı, Atalay Tech tarafından kontrol edildi.