20. yüzyılın başında Amerikan fabrikaları elektriğe geçtiğinde tuhaf bir şey olmuştu: verimlilik beklendiği gibi artmamıştı. Fabrikalar gaz lambalarını elektrik ampulleriyle, buhar motorlarını elektrik motorlarıyla değiştirdi ama üretim aynı kaldı çünkü fabrika düzeni hâlâ buhar çağına aitti. Gerçek dönüşüm yirmi yıl sonra üreticiler binanın tamamını elektriğin sunduğu olanaklara göre yeniden tasarladığında gerçekleşti.

Bugün yapay zekayla aynı eşikteyiz. Son aylarda önce Silikon Vadisi'nde başlayan, sonra da Forbes ve Wall Street Journal sayfalarına kadar taşınan tartışma bu eşiği nasıl geçtiğimizi anlatıyor.

Adı: tokenmaxxing.

Token, yapay zeka modellerinin metni okuyup yazarken kullandığı en küçük birim. Kabaca bir kelimenin dörtte üçü kadar. Siz bir soru yazdığınızda model onu tokenlara böler; size cevap verirken yine tokenları diziler. Tıpkı bir taksimetre gibi: sayaç sürekli işliyor, her okuduğu ve her yazdığı kelime için sayaç dönüyor ve ay sonunda gelen fatura da bu sayacın toplamı oluyor.

Tokenmaxxing ise bu tüketimi sınıra dayandırmak demek. Olabildiğince çok prompt yazmak, olabildiğince uzun konuşmalar yapmak, olabildiğince fazla görevi yapay zekaya devretmek. Üstelik bunu yalnızca kişisel bir alışkanlık olarak değil, kurumsal bir performans göstergesi olarak takip etmek.

Terimdeki "-maxxing" eki Z kuşağı internet kültüründen geliyor. .css-1msjh1x{font-style:italic;}Looksmaxxing, sleepmaxxing gibi: bir şeyi sonuna kadar optimize etme hâli. Tokenmaxxing de tam olarak bu: yapay zeka kullanımını sona kadar zorlamak.

Mantığı basit gibi görünüyor. Çok kullanan, çok öğrenir. Çok deneyen, çok keşfeder. Peki gerçekten öyle mi?

Bu hikayenin çıktığı yer Meta oldu. Geçtiğimiz Nisan ayında The Information adlı yayın organı, şirket içinde bir çalışanın gizli bir liderlik tablosu kurduğunu ortaya çıkardı. İsmi Claudeonomics idi; Anthropic'in Claude modelinden esinlenmişti. 85.000'i aşkın Meta çalışanı, tükettikleri token miktarına göre sıralanıyordu. En üst sıralardakiler "Token Legend" ve "Session Immortal" gibi unvanlar alıyordu.

Rakamlar dudak uçuklatan cinstendi. Meta çalışanları 30 gün içinde yaklaşık 60 trilyon token tüketmişti hatta birinci sıradaki kişi tek başına 281 milyar token harcamıştı yani sıradan bir kullanıcının ömür boyu tüketebileceğinin kat kat üstünde bir rakam.

Meta bu konuda yalnız değildi. Google CEO'su Sundar Pichai, Mayıs 2026'daki Google I/O konferansında şirketin aylık 3,2 katrilyon token işlediğini açıkladı. Bir yıl önce bu rakam 480 trilyondu. Pichai konuşmasının ortasında şöyle dedi:

"Bazıları buna tokenmaxxing diyebilir. Muhtemelen haklılar."

Uber’in açıklaması oldukça ses getirdi, şirket 2026 yılının tüm yapay zeka araç bütçesini dört ayda bitirdi.

Nvidia CEO'su Jensen Huang bu konuda çıtayı bir üst seviyeye taşıdı ve şu açıklamayı yaptı:

"Nvidia'da yılda 500 bin dolarlık mühendisler var. Yıl sonunda onlara kaç dolarlık token harcadıklarını soracağım. Eğer cevap 5.000 dolar falansa bu beni deli eder. Bu kalibrede bir mühendis en az 250 bin dolarlık token tüketmemişse, ciddi şekilde kaygılanırım."

Yatırımcılar bu cümleleri başarı işareti olarak gördü. Bazı şirketler ise tokenmaxxing'i performans değerlendirme kriterine dönüştürdü.

Ekonomi uzmanı değilim ama ekonomide çok bilinen eski ama güçlü bir kuralı biliyorum: Bir ölçüt hedefe dönüştüğü anda, iyi bir ölçüt olmaktan çıkar. Buna Goodhart Yasası deniyor. Ve tokenmaxxing, bu yasanın ders kitabına girecek kadar temiz bir örneği oldu bence.

Olanları kısaca özetleyelim:

Amazon'da çalışanlar, sırf sayılarını şişirmek için yapay zeka ajanlarına anlamsız görevler yaptırmaya başladı. Şirket içinde bir mühendis, Slack üzerinden yapay zekayı çağıran döngüsel botlar yazdı. Tek amacı sayacı döndürmekti. Amazon kısa süre içinde liderlik tablosunu kapattı. Şirketin Kıdemli Başkan Yardımcısı Dave Treadwell çalışanlara şunu söyledi:

"Yapay zekayı sırf kullanmak için kullanmayın."

Meta da Claudeonomics'i kaldırdı. Microsoft bazı Claude Code aboneliklerini iptal etti. Uber'in operasyon sorumlusu Andrew Macdonald, token harcaması ile şirketin verimliliği arasında anlamlı bir bağlantı kuramadıklarını açıkça itiraf etti.

Mayıs 2026'nın sonunda Fortune dergisi şu başlığı attı: "Tokenmaxxing bitti."

Rakamları biraz daha yakından inceleyelim. Çünkü bu sorunun cevabı, eğitim dünyasında bize çok tanıdık gelecek.

Stanford Dijital Ekonomi Laboratuvarı 2026 yılında bir çalışma yayımladı. Araştırmacılar şunu gösterdi: aynı yazılım görevinin token tüketimi, model ve denemeden denemeye 30 kata kadar değişebiliyor. Üstelik daha çok token harcamak daha doğru sonuç anlamına gelmiyor. Doğruluk genellikle orta seviyede zirve yapıyor, sonra düşmeye başlıyor.

Yazılım analitiği şirketi Jellyfish'in verileri de aynı yöne işaret ediyor. En çok yapay zeka kullanan mühendisler, en az kullananlara kıyasla yaklaşık 10 kat daha pahalıya mal oluyor ama yalnızca 2 kat çıktı üretiyor.

Burada biraz duralım. Çünkü bu örüntü bize hiç yabancı değil.

Bir eğitim programının başarısını katılım saatiyle ölçmek; bir öğrencinin gelişimini okuduğu sayfa sayısıyla değerlendirmek; bir öğretmenin etkisini düzenlediği aktivite sayısıyla yargılamak. Hepsi aynı tuzak. Aktivite, sonuç değildir, hatta bazen sonucun belirtisi bile sayılmaz.

Ünlü yatırımcı Michael Burry (2008 krizinin geleceğini önceden gören Big Short ismi) tokenmaxxing'i şöyle tanımladı:

"Kota güdümlü, liderlik tablosu güdümlü, yönetim dayatmalı aşırı tüketim."

Tartışmanın iki yanını anlamak önemli.

Tokenmaxxing'i savunanlar şöyle diyor:

Yapay zeka adaptasyonu varoluşsal bir mesele. Çalışanları bu teknolojiyi kullanmazsa, şirket geride kalır.

Tüketim artmadan keşif olmaz. Yapay zekayı sınırlarına dayandırmadan onunla neler yapılabileceğini öğrenemeyiz.

Token tüketimi en azından ölçülebilir bir gösterge. Hiç ölçmemekten iyidir.

Karşı çıkanlar ise farklı bir noktaya işaret ediyor:

Aktivite, çıktı değildir. Bir satış ekibini yapılan arama sayısıyla ölçmek nasıl doğru değilse, mühendisleri token tüketimiyle ölçmek de yanlıştır.

Tokenmaxxing yapay zeka şirketlerinin işine yarıyor. Anthropic'in geliri ikiye, OpenAI'ın kullanım rakamları beşe katlandı. Tüketici kim için tüketiyor sorusu ortada duruyor.

Bir ölçüt hedefe dönüştüğünde insanlar sistemi kandırmanın yolunu buluyor.

HubSpot CEO'su Yamini Rangan bu tartışmayı tek cümleyle özetledi:

"Outcome maxxing token maxxing'den çok daha önemli."

Asıl soruya gelelim: yapay zeka kullanımı şirketlere gerçekten ne kadar değer üretiyor?

McKinsey'nin 2025 yılında yayımladığı State of AI raporu çarpıcı bir tablo çiziyor. Yapay zekadan ölçülebilir kâr etkisi (EBIT) yaratan şirketlerin oranı yalnızca yüzde altı civarında. Bu "yüksek performanslı" şirketlerin en belirgin ortak özelliği daha fazla yapay zeka tüketmeleri değil; bireysel iş akışlarını köklü biçimde yeniden tasarlamış olmaları.

McKinsey'nin verisine göre yüksek performanslı şirketlerin yüzde 55'i iş akışlarını bu şekilde yeniden tasarlamış. Diğer şirketlerde ise bu oran yalnızca yüzde 20'de kalıyor.

MIT'nin NANDA araştırma grubunun The GenAI Divide çalışması ise daha da çarpıcı. Kurumsal yapay zeka pilotlarının yalnızca yüzde 5'i ölçülebilir finansal etki yaratmış. Geri kalan yüzde 95, deneme aşamasında takılı kalmış. Üstelik kurumsal yapay zekaya yapılan toplam yatırım 30-40 milyar dolar civarında.

Yani şirketler para harcıyor. Çalışanlar token tüketiyor. Liderlik tabloları dönüp duruyor. Ama değer? Değer çok az yerde, çok az şirkette ortaya çıkıyor.

Tokenmaxxing'in yükselişi ve düşüşü bize ne öğretiyor? Sadece bir Silikon Vadisi modasının bittiğini değil. Yapay zekayla ilişkimizin bir sonraki aşamasının hangi sorularla şekilleneceğini de.

Aktivite değil, çıktı ölçülecek. Önümüzdeki dönemde yapay zeka kullanımını ölçen "aktivite" metrikleri yerini somut sonuç metriklerine bırakacak. "Bu hafta 50.000 prompt girdik" değil; "haftalık raporlama süremiz 6 saatten 1,5 saate düştü, kazanılan zamanı müşteri analizine yönlendirdik" diyebilen ekipler öne çıkacak.

Doğru iş için doğru model seçilecek. Yapay zeka şirketlerinin kendileri bile bu yöne dönüyor. Yeni nesil yapay zeka sistemleri, gelen soruyu önce sınıflandırıyor: basit bir sorgu için hafif ve ucuz model, karmaşık bir analiz için güçlü ve pahalı model. Yani basit bir e-posta taslağı için en güçlü ve en pahalı modeli kullanmak, artık bilinçli bir tercih değil, israf olarak görülüyor.

Yapay zeka okuryazarlığı, "nasıl kullanılır"ın ötesine geçecek. Prompt yazmayı öğrenmek gerekli ama yeterli değil. Asıl beceri, yapay zekanın çıktısını eleştirel olarak değerlendirebilmek, ne zaman kullanıp ne zaman kullanmamak gerektiğini bilmek ve sonuçların sorumluluğunu alabilmek.

İş akışlarını yeniden tasarlayan kazanacak. Tıpkı yüz yıl önce fabrikalarını elektriğe göre yeniden tasarlayana kadar verimlilik artışı yakalayamayan, ancak baştan tasarladıktan sonra liderliğe yükselen üreticiler gibi. Mevcut süreçlere yapay zekayı eklemek yetmiyor. Asıl soru şu: "Bu işi sıfırdan yapay zekayla birlikte tasarlasak nasıl yapardık?"

Yapay zekayı çok kullanmak bir strateji değil. Yapay zekayı doğru kullanmak bir strateji.

Tokenmaxxing hikayesi aslında çok eski bir hikayenin yeni bir versiyonu. Gartner'ın "Hype Cycle" modeli her yeni teknoloji dalgasında benzer bir örüntü tekrarlandığını söyler: tetikleyici olay, şişirilmiş beklentiler, hayal kırıklığı, sonra aydınlanma ve verimlilik. Bugün yapay zekada hâlâ beklentilerin zirvesindeyiz. Heyecan ve aşırı kullanım eş zamanlı sürüyor. Ama hayal kırıklığının ilk işaretleri de görünmeye başladı. Asıl soru şu: bu hayal kırıklığını olgunlaşmaya çevirebilecek miyiz?

Bunun cevabı yapay zeka şirketlerinde değil, bizim ellerimizde. Eğitimcilerin, yöneticilerin, çalışanların, öğrencilerin... Yapay zekayı bir gösteriş aracı olarak değil, anlam üreten bir ortak olarak görmeyi öğrenmek. Aktiviteyle çıktıyı, kullanımla değeri, gösterişle gerçek dönüşümü ayırt edebilmek.

Beceri ve cesaret isteyen asıl mesele bu.