# Özel yapay zekâ modeli mi, hazır model mi? Şirketler için karar rehberi

> Şirketlerin büyük çoğunluğu için doğru başlangıç, ChatGPT, Claude ya da Gemini gibi hazır bir modeli kendi belgeleri ve sistemleriyle kullanmaktır (RAG). İnce ayar, belirli bir yazım biçimini ya da dar bir sınıflandırma işini binlerce örnekle öğretmek gerektiğinde anlamlıdır. Sıfırdan model eğitmek çok büyük veri ve bütçe ister, KOBİ'ler için neredeyse hiçbir zaman gerekmez. Veri dışarı çıkmamalıysa açık modeller şirket sunucusunda çalıştırılabilir.

- Kaynak: https://birbu.com/rehberler/ozel-model-mi-hazir-model-mi/
- Yayıncı: Birbu (https://birbu.com)
- Yazar: Volkan Celiloğlu, Kurucu ve baş AI uzmanı
- Son güncelleme: 2026-11-22

Hazır model, RAG, ince ayar, açık model ve sıfırdan eğitim seçeneklerinin hangi durumda doğru olduğu.

"Bize özel bir yapay zekâ istiyoruz" cümlesini sık duyuyoruz. Arkasındaki ihtiyaç genellikle şu: sistem bizim ürünlerimizi, fiyatlarımızı, prosedürlerimizi bilsin, bizim gibi konuşsun ve verimiz dışarı çıkmasın. Bu ihtiyacı karşılamanın birkaç yolu var ve en pahalısı çoğu zaman en doğrusu değil. Bu rehber seçenekleri ve hangi durumda hangisinin uygun olduğunu anlatıyor.

## Beş seçenek

Hazır model, olduğu gibi. ChatGPT, Claude ya da Gemini'yi bir yazı asistanı olarak kullanmak. Şirket bilgisini bilmez, ama genel işlerde güçlüdür.

Hazır model ve şirket bilgisi (RAG). Model aynı kalır, her soruda şirketin belgelerinden ilgili parçalar bulunup modele okutulur. Şirket bilgisiyle ve kaynak göstererek cevap verir. Ayrıntılar: [şirket içi bilgi bankası](/rehberler/sirket-ici-bilgi-bankasi-yapay-zeka/).

Hazır model ve araçlar. Model şirket sistemlerine bağlanır: veritabanında arama yapar, sipariş durumunu sorgular, kayıt açar. Bu yaklaşım ajanların temeli: [yapay zekâ ajanı nedir](/rehberler/yapay-zeka-ajani-nedir/).

İnce ayar. Hazır bir modelin, sizin hazırladığınız çok sayıda örnekle ek eğitimden geçirilmesi.

Sıfırdan eğitim. Kendi verinizle baştan bir model eğitmek.

## Şirkete özel davranış nereden gelir?

Bir yapay zekâ sisteminin şirkete özel davranması için modelin kendisini değiştirmek çoğu zaman gerekmiyor. Şirkete özellik üç yerden geliyor:

- Talimatlar: sistemin kim olduğunu, nasıl konuşacağını, neyi yapıp neyi yapmayacağını anlatan kurallar.
- Bilgi: şirketin belgeleri, fiyat listesi, prosedürleri. RAG ile her soruda ilgili olanlar okutulur.
- Araçlar: şirket sistemlerine erişim. Güncel stok, sipariş durumu, müşteri geçmişi.

Bu üçü doğru kurulduğunda hazır bir model, kendisi hiç değiştirilmeden şirketinizin bir çalışanı gibi davranır.

## İnce ayar ne zaman anlamlı?

İnce ayar, modele yeni bilgi öğretmekten çok davranış öğretmek için işe yarıyor. Şu durumlarda değerlendirilmeli:

Belirli ve tutarlı bir format. Her raporun aynı yapıda, aynı terimlerle yazılması gerekiyorsa ve talimatlarla bu tutarlılık sağlanamıyorsa.

Dar bir sınıflandırma işi. Belgeleri şirkete özel, ince ayrımları olan kategorilere ayırmak ve bunun için binlerce etiketli örneğiniz varsa.

Maliyet düşürme. Yüksek hacimli ve basit bir işte, büyük bir model yerine ince ayarlı küçük bir model aynı işi daha ucuza yapabiliyorsa.

İnce ayarın bir dezavantajı var: bilgi değiştiğinde model eskir. Fiyat listesini ince ayarla öğrettiyseniz her fiyat değişikliğinde yeniden eğitim gerekir. Bu yüzden değişen bilgi için RAG, sabit davranış için ince ayar daha doğru.

## Sıfırdan eğitim

Genel amaçlı bir dil modelini sıfırdan eğitmek çok büyük miktarda metin, yüksek hesaplama gücü ve uzman bir ekip gerektiriyor. Bu iş birkaç büyük teknoloji şirketinin ve araştırma kurumunun işi. Bir KOBİ'nin, hatta çoğu büyük şirketin buna ihtiyacı olmuyor. "Kendi modelimizi eğitelim" önerisiyle gelen biri varsa, neden hazır model ve RAG'in yetmediğini sormak gerekiyor.

## Veri dışarı çıkmamalıysa: açık modeller

Bazı şirketler için asıl mesele özel davranış değil, verinin şirket dışına çıkmaması. Sağlık kuruluşları, hukuk büroları, finans şirketleri ve savunma tedarikçileri bu gruba giriyor.

Bu durumda açık ağırlıklı modeller bir seçenek. Llama, Mistral ve Qwen gibi model aileleri indirilip şirketin kendi sunucusunda çalıştırılabiliyor. Veri hiçbir yere gönderilmiyor.

Karşılığında şunları göze almak gerekiyor:

- Donanım: modelin boyutuna göre güçlü ekran kartları.
- Kurulum ve bakım: güncellemeler, güvenlik, izleme.
- Kalite farkı: en güçlü bulut modellerinin gerisinde kalabiliyor, özellikle Türkçe ve karmaşık akıl yürütme işlerinde.

Karar vermeden önce kendi görevinizde hem bir bulut modelini hem bir açık modeli test etmek en sağlıklı yol.

## Bir karar sırası

1. İş bir yazı ya da fikir işi mi? Hazır model yeterli.
2. Şirket bilgisi gerekiyor mu? RAG ekleyin.
3. Şirket sistemlerinde işlem yapılması gerekiyor mu? Araçlar ekleyin.
4. Format ya da sınıflandırma tutarlılığı talimatlarla sağlanamıyor mu, binlerce örneğiniz var mı? İnce ayarı değerlendirin.
5. Veri kesinlikle dışarı çıkmamalı mı? Açık modeli şirket sunucusunda çalıştırın.
6. Sıfırdan eğitim: büyük olasılıkla hiçbir zaman.

## Bir modele bağlanmamak

Model sağlayıcılarının fiyatları, koşulları ve kalitesi zaman içinde değişiyor. Sistemi belirli bir modele sıkı sıkıya bağlı kurmak, ileride geçişi zorlaştırıyor. Talimatları, bilgi dizinini ve araçları modelden bağımsız tasarlamak, gerektiğinde başka bir modele geçmeyi birkaç günlük bir işe indiriyor.

Veri güvenliği tarafı için [ChatGPT'yi şirkette güvenli kullanma ve KVKK](/rehberler/chatgpt-sirkette-guvenli-kullanim-kvkk/) rehberine bakın. Birbu'nun bu alandaki hizmeti [özel model](/cozumler/ozel-model/) sayfasında; ihtiyacınızı [ücretsiz 30 dakikalık analiz](/randevu/) görüşmesinde konuşabiliriz.

## Sık sorulan sorular

### Şirketimize özel bir yapay zekâ modeli gerekir mi?

Çoğu zaman gerekmez. Şirkete özel davranış, hazır bir modele şirketin belgelerini, kurallarını ve sistemlerini bağlayarak elde edilir. Özel model ihtiyacı belirli ve dar durumlarda ortaya çıkar.

### İnce ayar (fine-tuning) nedir?

Hazır bir modelin, sizin hazırladığınız çok sayıda soru ve cevap örneğiyle ek eğitimden geçirilmesi. Model belirli bir tonu, formatı ya da sınıflandırma kuralını daha tutarlı uygulamayı öğrenir.

### İnce ayar modele yeni bilgi öğretir mi?

Bilgi öğretmek için verimli bir yol değildir. Fiyat listesi, prosedür ya da ürün bilgisi gibi değişen bilgiler için RAG daha doğru, çünkü bilgi değiştiğinde yeniden eğitim gerekmez.

### Açık model ne demek?

Ağırlıkları yayımlanmış, herkesin indirip kendi sunucusunda çalıştırabildiği modeller. Llama, Mistral ve Qwen aileleri örnek. Veri şirket dışına çıkmaz, ama donanım ve bakım maliyeti oluşur.

### Açık modeller Türkçede iyi mi?

Son nesil açık modeller Türkçeyi makul seviyede anlıyor ve yazıyor, ama en güçlü bulut modellerinin gerisinde kalabiliyor. Kendi görevinizde test etmeden karar vermemek gerekir.

### Sıfırdan model eğitmek ne kadar tutar?

Genel amaçlı bir dil modelini sıfırdan eğitmek çok büyük veri, hesaplama gücü ve uzman ekip gerektirir. Bu, birkaç büyük teknoloji şirketinin ve araştırma kurumunun işi. Şirketlerin buna ihtiyacı neredeyse hiç olmaz.

### Hangi durumda ince ayar mantıklı?

Çok sayıda örneği olan, dar ve tekrarlayan bir iş varsa: belirli bir formatta rapor yazmak, belgeleri şirkete özel kategorilere ayırmak, yüksek hacimde maliyeti düşürmek için küçük bir modeli belirli bir göreve uzmanlaştırmak.

### Kendi sunucuda model çalıştırmak için ne gerekir?

Modelin boyutuna göre uygun ekran kartına sahip bir sunucu ya da bulut sanal makinesi, kurulum ve güncelleme bilgisi. Küçük modeller tek bir güçlü kartla çalışabilir, büyükler birden fazla kart ister.

### Bir modele bağlı kalmak risk mi?

Fiyat, koşul ya da kalite değişebilir. Sistemi modelden bağımsız tasarlamak, gerektiğinde başka bir modele geçmeyi kolaylaştırır. Biz kurulumlarda bu esnekliği koruyoruz.

### Birbu özel model işlerinde ne yapıyor?

Önce hazır model ve RAG ile çözülüp çözülmediğine bakıyoruz. Gerekiyorsa ince ayar ya da açık modelin şirket sunucusunda çalıştırılmasını kuruyoruz. Karar, sizin verinizle yapılan testle veriliyor.
