Türkiye Yapay Zeka Eylem Planı 2026-2030: Geliştiriciler ve Şirketler İçin Ne Anlama Geliyor?

2 Ağustos 2026'da Cumhurbaşkanı tarafından açıklanan Türkiye Yapay Zeka Eylem Planı 2026-2030, ülkenin yapay zeka yol haritasını dört eksene oturtuyor: fark et, istifade et, üret, yönet. Plan yalnızca bir vizyon metni değil; 2 yılda 5 milyon vatandaşa YZ eğitimi, en az 2.000 kamu veri setinin yerli geliştiricilere açılması, veri merkezi kapasitesinin 1 GW'a çıkarılması ve ekonomiye 1 trilyon TL'nin üzerinde katma değer beklentisi gibi ölçülebilir hedefler içeriyor. Peki bütün bunlar kod yazan bir geliştirici ya da dijitalleşme kararı vermeye çalışan bir şirket için somut olarak ne anlama geliyor? Bu yazıda planı geliştirici ve iş dünyası gözüyle okuyoruz: açılacak kamu verisiyle API + LLM tarafında neler kurulabilir, 1 GW altyapı hedefi neyi değiştirir ve bugünden başlamak isteyen bir ekip KVKK uyumunu da gözeterek nasıl yol alır?

Eylem Planı Ne Diyor? Dört Eksen ve Rakamlarla Hedefler

Plan, 2 Ağustos 2026'da Cumhurbaşkanı tarafından kamuoyuna açıklandı; ayrıntılar iletisim.gov.tr üzerinden yayımlandı ve aynı gün ulusal basında geniş yer buldu. Çerçeve dört eksen üzerine kurulu: fark et (toplumun yapay zekayı tanıması ve eğitimi), istifade et (kamuda ve özel sektörde mevcut YZ teknolojilerinden yararlanma), üret (yerli model, veri ve altyapı üretimi) ve yönet (güvenli, etik ve düzenlenmiş kullanım).

Eksenlerin altındaki somut hedefler planın asıl iddiasını ortaya koyuyor:

• Eğitim: 2 yıl içinde 5 milyon vatandaşa yapay zeka eğitimi verilmesi.
• Açık veri: en az 2.000 kamu veri setinin yerli geliştiricilere açılması.
• Altyapı: Türkiye'nin veri merkezi kapasitesinin 1 GW'a çıkarılması.
• İnsan kaynağı: 10.000 ileri düzey YZ uzmanı ve 100.000 uygulama profesyoneli yetiştirilmesi.
• Ekonomik etki: yapay zekanın ekonomiye 1 trilyon TL'nin üzerinde katma değer sağlaması beklentisi.

Yerli üretim ekseninin görünen yüzü ise TÜBİTAK'ın yerli yapay zeka modeli Bilge. Plan, Bilge gibi yerli model çalışmalarını açık veri, altyapı ve insan kaynağı hedefleriyle aynı çerçeveye yerleştiriyor: model tek başına değil, onu besleyecek veri ve onu koşturacak kapasiteyle birlikte düşünülüyor.

2.000+ Kamu Veri Seti Açılınca: API + LLM ile Neler Yapılabilir?

Planın geliştiriciler için en somut vaadi, en az 2.000 kamu veri setinin yerli geliştiricilere açılması. Açık veri tek başına da değerli; ama asıl çarpan etkisi, bu verinin büyük dil modelleriyle birleştiği noktada ortaya çıkıyor:

• Doğal dilde veri sorgulama (RAG): istatistik, ulaşım, tarım ya da meteoroloji verisini indeksleyip üzerine bir LLM koyduğunuzda, "geçen yıl hangi ilde ne kadardı?" tarzı soruları kaynak göstererek yanıtlayan asistanlar kurabilirsiniz.
• Dağınık veriyi yapılandırma: PDF, tablo ve serbest metin halindeki kayıtları LLM ile temiz JSON şemalarına dönüştürmek, açık verinin üzerine ürün inşa etmenin ilk adımıdır.
• Vatandaş ve belediye hizmetleri: sık sorulan işlemleri açık veriyle besleyen çok dilli sohbet asistanları.
• Sektörel karar desteği: tarımda ekim planlaması, lojistikte rota ve talep analizi, enerjide tüketim raporları gibi alana özel araçlar.
• Girişim fırsatı: açık veri + LLM kombinasyonu, dünyada "civic tech" olarak bilinen ürün dalgasının Türkiye ayağı için zemin hazırlıyor.

Örneğin serbest metinli bir açık veri kaydını yapılandırılmış hale getirmek tek istek meselesi:

from openai import OpenAI

client = OpenAI(
    base_url="https://api.onysoft.com/v1",
    api_key="sk-ony-ANAHTARINIZ",
)

response = client.chat.completions.create(
    model="google/gemini-3.6-flash",
    messages=[
        {"role": "system", "content": "Açık veri kayıtlarını temiz JSON şemasına dönüştüren bir asistansın."},
        {"role": "user", "content": "Şu kaydı il, yıl, gösterge ve değer alanlarına ayır: [açık veri kaydı]"}
    ],
)
print(response.choices[0].message.content)

JSON modu ve fonksiyon çağırma aynı şemayla desteklendiği için çıktıyı doğrudan veritabanınıza yazabilirsiniz. Aynı sk-ony- anahtarı katalogdaki 708+ modelin tamamına eriştiğinden, veri yapılandırma gibi hacimli işlerde hızlı bir modeli, analiz ve raporlamada bir amiral modeli kullanmak tek satırlık model adı değişikliğidir.

1 GW Veri Merkezi Hedefi: Yerli AI Altyapısı İçin Anlamı

Modern yapay zeka yükleri — model eğitimi de, yüksek hacimli çıkarım (inference) da — GPU kümeleri üzerinde çalışır ve bu kümelerin gerçek kısıtı çoğu zaman çip değil, elektrik ve soğutma kapasitesidir. Bu yüzden veri merkezi kapasitesinin 1 GW'a çıkarılması hedefi "daha fazla sunucu odası" değil, yerli AI altyapısına ölçekli yatırım anlamına geliyor.

Bunun geliştiriciler ve şirketler için üç pratik sonucu var:

• Gecikme (latency): yurt içinde barındırılan çıkarım kapasitesi arttıkça, Türkiye'deki kullanıcılara hizmet veren gerçek zamanlı uygulamalarda gecikme düşer.
• Veri yerelliği: verinin yurt içinde işlenebilmesi, KVKK perspektifinden veri aktarımı sorularını sadeleştiren bir seçenek yaratır.
• Yerli model kapasitesi: Bilge gibi yerli modellerin eğitilmesi ve ölçekli servis edilmesi, ancak bu sınıfta bir altyapıyla mümkün olur.

Kritik nokta şu: altyapı hedefleri yıllara yayılır; ama uygulama geliştirmek için beklemek gerekmiyor. Bugün API üzerinden dünya modelleriyle ürününüzü kurar, altyapı ve yerli model ekosistemi olgunlaştıkça seçeneklerinizi genişletirsiniz. Mimariyi tek sağlayıcıya kilitlemeyen bir API katmanıyla başlamak, bu geçişleri sonradan sancısız hale getirir.

Şirketler İçin "Şimdi Başla" Rehberi

Eylem planının 100.000 uygulama profesyoneli ve 5 milyon vatandaşa eğitim hedefleri, önümüzdeki dönemde müşterilerinizin de rakiplerinizin de yapay zeka okuryazarlığının artacağı anlamına geliyor. Beklemenin maliyeti yükseliyor; başlamanın maliyeti ise düşük. İşe yarayan sıra şu:

1. Düşük riskli bir iç senaryo seçin: doküman özetleme, destek yanıtı taslağı, toplantı notlarından eylem maddesi çıkarma, iç bilgi tabanında arama. Müşteriye dokunmayan senaryolar öğrenme için en güvenli alandır.
2. Ücretsiz hesap açın: Onysoft AI Gateway'de kayıt ücretsizdir; TL bakiye yükler, kullandıkça ödersiniz. Yabancı kart, VPN ya da yurt dışı sözleşme gerekmez; kurumsal e-fatura standarttır.
3. Playground'da modelleri yan yana deneyin: aynı istemi farklı modellerle test etmek, hangi işe hangi sınıf modelin yettiğini kod yazmadan gösterir.
4. Küçük ama ölçülebilir bir pilot kurun: tek ekip, tek senaryo, net kriterler — yanıt kalitesi, süre, istek başına maliyet.
5. KVKK politikanızı pilotla birlikte yazın: hangi veriler girilebilir, çıktılar nasıl doğrulanır, kim erişebilir (ayrıntı bir sonraki bölümde).
6. Ölçekleyin ve ekibi eğitin: pilotta işleyen deseni diğer ekiplere yayın; planın uygulama profesyoneli hedefi, şirket içi yetkinlik yatırımının tam karşılığıdır.

İlk istek iki dakika sürer:

curl https://api.onysoft.com/v1/chat/completions \
  -H "Authorization: Bearer sk-ony-ANAHTARINIZ" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-3.6-flash",
    "messages": [{"role": "user", "content": "Su toplanti notlarindan eylem maddelerini cikar."}]
  }'

OpenAI-uyumlu şema sayesinde mevcut SDK'larınız olduğu gibi çalışır; tek anahtar, tek bakiye ve tek faturayla tüm kataloğa erişirsiniz. Takıldığınız yerde 7/24 Türkçe destek ekibi yanınızda.

KVKK Boyutu: Üç Rehberle Uyum Yol Haritası

Eylem planının yönet ekseni, düzenleyici tarafın boş durmadığının işareti — ve Türkiye'de bu alanın en somut çıktıları KVKK'dan geldi. Kurum, 2025-2026 döneminde üst üste üç yapay zeka rehberi yayımladı:

• Kasım 2025: üretken yapay zekayı 15 soruda ele alan rehber — temel kavramlar, riskler ve veri sorumluluğu.
• Mart 2026: etken (agentic) yapay zeka rehberi — kendi başına adım atabilen ajan sistemlerde gözetim ve sorumluluk.
• Haziran 2026: iş yerinde üretken yapay zeka rehberi — çalışanların günlük kullanımına ilişkin kurallar ve politika önerileri.

Üç rehberin ortak mesajı net: yapay zeka kullanmak serbest, ama kişisel veriyi girdi olarak paylaşırken hukuki dayanak, aydınlatma ve veri minimizasyonu şart; çıktılar doğrulanmadan karar süreçlerine sokulmamalı; şirket içinde yazılı bir kullanım politikası bulunmalı. Pilotunuzu bu ilkelerle kurarsanız ölçekleme aşamasında uyum borcu birikmez — eylem planının yönetişim vurgusuyla da aynı çizgide ilerlersiniz.

Pratik kontrol listesi ve örnek politika maddeleri için KVKK uyumlu yapay zeka rehberimize bakın; sağlayıcı seçiminde Türkiye koşullarını kıyaslamak içinse Türkiye AI API sağlayıcıları yazısı iyi bir başlangıç noktası.