13 Haziran 2026’da İstanbul Tersane’de gerçekleşen Türkiye Yapay Zeka Zirvesi’nde, Cumhurbaşkanı Recep Tayyip Erdoğan ve Sanayi ve Teknoloji Bakanı Mehmet Fatih Kacır’ın katılımıyla, ülkenin 2026-2030 Yapay Zeka Eylem Planı kamuoyuyla paylaşıldı. Plana eşlik eden iki büyük tanıtım da yapıldı: TÜBİTAK BİLGEM tarafından geliştirilen yerli dil modeli Bilge, ve T3 Vakfı-Baykar işbirliğiyle inşa edilen LLM çalışmaları.
Açıklanan plan, üç ana rakamla özetlenebilir: 2030’a kadar veri merkezi kapasitesi 1 gigawatt, kaynak 10 milyar dolar, beklenen ekonomik katma değer 1 trilyon TL’nin üzerinde. Hedefler iddialı, ama gerçekçilik testini geçebilecek mi?
Bu yazıda planın dört eksenini, Bilge modelinin teknik profilini, küresel rekabet ortamındaki konumlanmayı ve Türk geliştiriciler için pratik etkileri inceleyeceğiz.
Eylem planının dört ekseni
Plan dört eksen üzerine kurulmuş, her birinde dört tamamlayıcı eylem var.
1. Fark Et — Eğitim ve okuryazarlık. 81 ilde yapay zeka okuryazarlığı atölyeleri kurulacak. 2 yıl içinde yaklaşık 5 milyon vatandaşa temel eğitim verilecek. Bunun üzerine 10.000 ileri düzey AI uzmanı ve 100.000 AI uygulama profesyoneli yetiştirilecek.
2. İstifade Et — Kamu hizmetleri ve altyapı. Sağlık, tarım, savunma ve e-ticaret sektörlerinden en az 2.000 kamu veri seti, Milli Veri Kütüphanesi üzerinden erişilebilir hale gelecek. Kamu yatırım programlarına AI projeleri için en az %2 pay ayrılacak. 2030’a kadar veri merkezi kapasitesi 1 GW; özel sektör kaynağı 10 milyar dolar.
3. Üret — Yerli modeller ve AR-GE. Yerli dil modeli çalışmaları sürecek: TÜBİTAK’ın Bilge modeli, T3 Vakfı-Baykar işbirliği LLM’si, HAVELSAN’ın Main platformu. KOBİ ve araştırmacılar için “AI büyüme bölgeleri” kurulacak.
4. Yönet — Yatırım ve küresel vizyon. OECD, G20, BM gibi platformlarda insan merkezli AI standartlarını belirleme rolünde aktif olunacak. Türk Devletleri Teşkilatı ile birlikte Oğuz, Kıpçak ve Karluk lehçelerini kapsayan ortak Türk dilleri LLM’si geliştirilecek.
Bakan Kacır’ın zirvedeki konuşmasında öne çıkardığı veriler: Türkiye’nin AR-GE harcamaları 2002’de 1,2 milyar dolardan 19,9 milyar dolara, AR-GE personeli aynı dönemde 29 binden 311 bine yükselmiş. Kacır’ın sloganı: “Takipçi değil, öncü olacağız.”
Bilge: 1B’den 122B’ye yerli model ailesi
Zirvedeki en somut teknoloji açıklaması: Bilge, TÜBİTAK BİLGEM mühendislerince uçtan uca geliştirilen yerli ve milli yapay zeka model ailesi.
Açıklanan teknik özellikler:
- Parametre yelpazesi: 1 milyardan 122 milyara — yani edge cihaz kullanımından yüksek kapasiteli reasoning’e kadar geniş bir spektrum. Hafif uç cihaz varyantları cep telefonu/IoT için, 122B flagship modeli ise yüksek kapasiteli Türkçe iş yükleri için.
- Tüm bileşenler yerli: Tokenizer’dan eğitim altyapısına. Bu, Qwen tabanına dayalı “Türkçe fine-tune” modellerden farklı bir tutum.
- Türkçe verimliliği: Bilge, Türkçeyi neredeyse yarı maliyetle işliyor — daha hızlı, daha az enerji. Tokenizer’ın Türkçe için optimize olması (Türkçe’nin agglutinative yapısına özel) bunun arkasındaki temel sebep.
- Çeviri performansı: Genel çeviri kategorisinde, açıklanan benchmark’ta lider modeller arasında 1. sırada. Kültürel çeviri kategorisinde de bazı büyük dil modellerinin üzerinde.
- Durum: Henüz genel kullanıma açık değil. Erişim TÜBİTAK ve Sanayi ve Teknoloji Bakanlığı resmi kanalları üzerinden yapılacak. Resmi site: bilge.gov.tr.
Bilge ailesinin parametre yelpazesi, küresel açık ağırlık ekosistemiyle ilginç bir karşılaştırma sunuyor. 230M parametreli Liquid LFM2.5 gibi edge modellerle, 200B+ parametreli devlerle aynı aileyi tek bir markada toplayan örnekler nadir — ya OpenAI/Anthropic gibi proprietary devler, ya da Qwen/Llama gibi mega aile sağlayıcıları yapıyor.
1 gigawatt veri merkezi: gerçekçi mi?
Planın belki en somut altyapı hedefi, 2030’a kadar veri merkezi kurulu kapasitesinin en az 1 gigawatt’a çıkarılması.
Bağlam için karşılaştırma:
- Türkiye’nin mevcut veri merkezi kapasitesi: Yaklaşık 150-200 MW seviyesinde, çoğu İstanbul ve Ankara’da yoğunlaşmış. Hedef bu rakamı 5-7 kat büyütüyor.
- ABD’nin AI veri merkezi kapasitesi: 2026 itibarıyla 50+ GW seviyesinde. Tek bir Stargate projesi (OpenAI + Oracle + SoftBank) 5 GW’lık hedef koyuyor.
- Çin: Resmi rakamlar net değil, ama 30+ GW olduğu tahmin ediliyor.
- AB: Almanya, Hollanda ve İrlanda merkezli olmak üzere ~15 GW.
Yani Türkiye’nin 1 GW hedefi, kendi tarihsel ölçeğine göre devrim niteliğinde ama küresel ölçekte hâlâ orta-büyüklükte. Yine de bölgesel olarak (MENA, Balkanlar, Türk Devletleri Teşkilatı coğrafyası) belirgin bir liderlik konumu sağlayabilir.
10 milyar dolarlık özel sektör kaynağı — planda kamu fonlamasının ötesinde bu rakam hedefleniyor. Microsoft’un Azure’a $80B’lık yıllık AI capex yaptığını, Meta’nın $65B harcadığını düşünürsek, $10B 5 yıllık hedef olarak ölçekli — ama küresel oyunculara göre küçük kalıyor. Asıl soru: bu kaynağı kim sağlayacak? Türk operatörleri (Türk Telekom, Türkcell), enerji şirketleri (BOTAŞ, EÜAŞ), yoksa uluslararası operatörler mi (AWS, Microsoft, Google)?
Eğitim hedefi: 10.000 uzman, 100.000 profesyonel
Plandaki en operasyonel hedef belki de insan kaynağı. Sayılar:
- 5 milyon vatandaşa temel AI okuryazarlığı (2 yıl içinde).
- 100.000 AI uygulama profesyoneli.
- 10.000 ileri düzey AI uzmanı.
Karşılaştırma için: Türkiye’de toplam yazılım geliştirici sayısı yaklaşık 250 bin (TÜBISAD verisi, 2025). Plan, 5 yıl içinde bu sayının yaklaşık %40’ı kadar AI profesyoneli yetiştirmeyi hedefliyor. Bu, üniversite ve özel sektör işbirliğinde ciddi bir kapasite genişlemesi gerektiriyor.
Karşılaştırmalı olarak:
- ABD: 2025 itibarıyla ~600 bin AI/ML mühendisi (LinkedIn verisi).
- Çin: ~700 bin (resmi rakamlar muğlak).
- Hindistan: ~400 bin, hızla büyüyor.
- AB: Toplamda ~300 bin.
Türkiye’nin 110.000 (100K profesyonel + 10K uzman) hedefi, AB ortalamasına yaklaşıyor — nüfus oranı düşünüldüğünde dengeli bir konum. Ama gerçekten yetiştirilebilir mi? Mevcut üniversite kontenjanları ve sertifika programları yetersiz; özel sektör eğitim ortaklıkları (Google, Microsoft, AWS, NVIDIA) ile sürdürülebilir bir pipeline kurulması şart.
Türk Devletleri Teşkilatı LLM’si: yeni bir dil koalisyonu
Plandaki belki de en stratejik (ve uluslararası ilgi çekecek) madde: Türk Devletleri Teşkilatı (TDT) ortaklığıyla Oğuz, Kıpçak ve Karluk lehçelerini kapsayan ortak Türk dilleri LLM’si.
Pratik kapsam:
- Oğuz grubu: Türkiye Türkçesi, Azerice, Türkmence, Gagavuzca.
- Kıpçak grubu: Kazakça, Kırgızca, Tatarca, Karakalpakça.
- Karluk grubu: Özbekçe, Uygurca.
Bu, yaklaşık 175-200 milyon insanı kapsayan bir dil ailesi. Tek bir LLM’in tüm bu çeşitliliği ele alabilmesi, bu cografyada AI ekosistemine entegre olmak isteyen herkesin pazarı için anlamlı.
Karşılaştırılabilir örnekler:
- India BharatGen: Hindistan’ın 22 resmi dili için ortak LLM girişimi.
- SEALION (Singapore): Güneydoğu Asya dilleri için.
- Aya Expanse (Cohere): 23 dilde uzmanlaşmış model.
Türkiye liderliğindeki ortak Türk dilleri LLM’si, bu örneklere paralel bir adım. Ama başarılı olması için, sadece teknik değil siyasi koordinasyon gerekiyor — TDT’nin Astana, Bişkek, Bakü, Taşkent, Aşkabat ekipleri arasında ortak veri toplama, etiketleme ve eğitim standardı oluşturma kritik.
Plan ile küresel AI yarışı arasındaki açıklık
Türkiye’nin 2026-2030 planını küresel kontekstte konumlandırırken bazı zorlu gerçekleri görmek gerek:
1. Frontier model yarışı dışında bir konumlanma. Plan, Türkiye’nin GPT-5.5, Claude Fable 5, GLM-5.2 gibi frontier modellerle yarışacağını iddia etmiyor. Bunun yerine: yerli dil verimliliği, kamu hizmetleri entegrasyonu, bölgesel liderlik. Bu pragmatik bir tercih — trilyon dolarlık ABD/Çin yatırımlarıyla doğrudan yarış mantıksız.
2. Açık ağırlık modeller plana entegre değil. Plan büyük ölçüde “yerli geliştirme” vurgusu yapıyor. Ama GLM-5.2, Nex-N2-Pro, Qwen 3.6 gibi MIT/Apache 2.0 lisanslı açık ağırlık modellerin Türkçe fine-tune edilmesi, sıfırdan geliştirmeye göre 10-50 kat daha az kaynakla aynı kaliteyi sağlayabilir. Bilge stratejisi tamamen mantıklı ama yanına “ekosistem-açık” bir tutum eklenmedi.
3. Veri merkezi ekonomisi karmaşık. 1 GW kapasite enerji altyapısı (yıllık ~8,7 TWh tüketim), soğutma su tüketimi, yenilenebilir enerji entegrasyonu — bunların hepsi Türkiye için ek planlama gerektiriyor. Hidroelektrik ve güneşin payı yüksek tutulmazsa, AI veri merkezleri carbon footprint açısından ciddi yük oluşturabilir.
4. Yetenek bağımsızlığı. 100K AI profesyoneli yetiştirme hedefi övgüye değer, ama Türkiye’deki en yetenekli AI araştırmacıları halen yurtdışına (ABD, Almanya, Hollanda) göç ediyor. Beyin göçünü tersine çevirmek için sadece eğitim değil, kalite-eşitlik maaş ve araştırma altyapısı gerek. Plan bu konuya somut adımlar koymuyor.
Türk geliştiriciler ve girişimciler için ne anlama geliyor?
Plan’ın pratik somut çıktıları şu kanallardan gelecek:
1. Kamu veri setleri. 2.000 veri setinin Milli Veri Kütüphanesi üzerinden açılması, Türkçe NLP modelleri eğitmek isteyen herkes için önemli kaynak. Mevcut Türkçe veri setleri (TRMORPH, Mukayese, TURKISH-NLI vb.) ile karşılaştırıldığında ciddi bir genişleme olabilir — kalite ve format standartları kritik.
2. Bilge erişimi. Henüz genel kullanıma açık değil; TÜBİTAK ve Bakanlık üzerinden başvuru. Üniversite araştırma grupları ve seçilmiş startup’lar için pilot programlar muhtemelen önce başlayacak. Tam open access ne zaman gelir — bekleyip göreceğiz.
3. AI büyüme bölgeleri. KOBİ ve araştırmacılar için planlanan “AI büyüme bölgeleri” somut nasıl olacak henüz net değil. Teknoparklara ek mi, ayrı kümeler mi, hangi şehirlerde? Önümüzdeki aylarda detay bekleniyor.
4. Kamu AI ihaleleri. Kamu yatırım programlarına en az %2 AI payı ayrılması, KOBİ’ler için somut ihale fırsatları yaratacak. KOSGEB, TÜBİTAK 1501/1505 programları, Cumhurbaşkanlığı Dijital Dönüşüm Ofisi projeleri üzerinden.
5. Eğitim teşvikleri. 100K profesyonel hedefi, bootcamp’ler, sertifika programları ve yüksek lisans programlarına devlet destekli kontenjan açma anlamına gelecek. Buradan faydalanmak isteyenler 2026 sonu / 2027 başında detayları takip etmeli.
Sonuç: iddialı ama somut
Türkiye 2026-2030 Yapay Zeka Eylem Planı, önceki dönem strateji belgelerine göre çok daha somut. 1 GW veri merkezi, 10 milyar dolar yatırım, 110.000 profesyonel yetiştirme, ortak Türk dilleri LLM’si — hepsi ölçülebilir hedefler.
İddialı olan kısım: küresel AI yarışında trilyon dolarlık US/Çin yatırımları ortamında, 5 yıl içinde “öncü” pozisyona ulaşmak. Bu konuda gerçekçi olmak gerek — Türkiye frontier model üretiminde lider olmayacak. Ama bölgesel veri merkezi üssü, Türkçe ve Türk dilleri AI ekosistemi lideri, kamu hizmetlerinde AI entegrasyonu öncüsü olabilir.
Asıl test, planın 2027 ortasındaki ara değerlendirmesinde olacak: 2.000 veri seti açıldı mı, ilk veri merkezi kapasitesi artışı ne oldu, kaç profesyonel sertifikalandırıldı, Bilge gerçekten production-grade Türkçe iş yüklerinde kullanılıyor mu. O zaman planın retorikten somut bir endüstri dönüşümüne dönüşüp dönüşmediğini netleştirebileceğiz.
Şu an için en önemli sinyal: Türkiye AI’ı stratejik öncelik olarak çerçeveledi. Bu, geliştirici ekosistemi, akademi, finans ve kamu kurumları için somut bir “hizalanma” sinyali. Açık ağırlık model entegrasyonu, beyin göçü tersi politika, ve TDT işbirliği gibi cephelerde planın eksik kaldığı yerleri gelecek aylarda kapatması umuduyla.
Bir yanıt yazın