Türkçe Yapay Zekâda Neden Daha Pahalı?

Bir yapay zekâ sohbet botuna aynı soruyu iki dilde sorduğunuzu düşünün. Önce İngilizce, sonra Türkçe. İki soru da aynı şeyi soruyor, cevaplar da aşağı yukarı aynı uzunlukta. Ama makinenin gözünde bu iki soru aynı değil. Türkçe olanı daha uzun, daha ağır ve daha pahalı.

Bunu fark etmiyoruz, çünkü ekranda bir fark yok. Fark, modelin metni nasıl okuduğunda saklı. Ve bu fark, son haftalarda yayımlanan yeni bir araştırmayla ilk kez bu kadar sistemli biçimde ölçüldü. Araştırmacılar buna bir de isim koydu: “tokenizer vergisi”.

Önce temel kavram: Token nedir?

Yapay zekâ modelleri metni bizim gibi kelime kelime ya da harf harf okumaz. Metni önce “token” adı verilen küçük parçalara böler. Bir token bazen tam bir kelimedir, bazen bir kelimenin yarısı, bazen tek bir harf ya da noktalama işareti. Bu bölme işini yapan araca da “tokenizer” deniyor.

Token meselesi teknik bir ayrıntı gibi görünebilir. Ama yapay zekâ ekonomisinin para birimi tam olarak budur. OpenAI’dan Anthropic’e, Google’dan Mistral’e kadar neredeyse bütün şirketler, uygulama geliştiricilerine modellerini milyon token başına fiyatlandırarak satıyor. Modelin aynı anda aklında tutabileceği metin miktarı, yani “bağlam penceresi” de token cinsinden ölçülüyor. Bir cevabın ne kadar sürede üretileceği de büyük ölçüde token sayısına bağlı.

Kısacası: Bir metin ne kadar çok tokene bölünürse, o kadar pahalı, o kadar yavaş ve o kadar yer kaplayan bir metin oluyor.

Araştırma ne buldu?

Dil eşitliği üzerine çalışan araştırmacıları bir araya getiren Coalition for Language Equity in AI Research (CLEAR), Eylül ayında yayımladığı çalışmada önde gelen yapay zekâ modellerinin farklı dillerde aynı içerik için ne kadar token harcadığını ölçtü. Rest of World’ün 26 Ekim’de aktardığı sonuçlar çarpıcı.

• İnternette en çok kullanılan 20 dil arasında bile ciddi bir fark var. En pahalı dil, en ucuz dile göre aynı iş için 1,5 ile 5 kat arası daha fazla token harcıyor.
• Karşılaştırma 200 dile genişletildiğinde fark büyüyor. Modellerden birinde en pahalı ve en ucuz dil arasındaki uçurum 17 kata çıkıyor.
• Örnek cümle olarak seçilen “İnsanlar, konuştukları dilden bağımsız olarak yapay zekâdan yararlanmalı” anlamındaki İngilizce cümle 13 token tutarken, Hindistan’da konuşulan Malayalam dilinde aynı cümle 26, Etiyopya’da konuşulan Amharcada 78 token tutuyor. Fiyat token başına aynıysa, Amharca konuşan bir kullanıcı aynı soru için altı kat fazla ödüyor.

Araştırmanın en dikkat çekici bulgularından biri, mesele yalnızca dilin az konuşulması değil. Alfabe de büyük rol oynuyor. Az konuşulan ama Latin alfabesi kullanan ve İtalyanca gibi akraba dillerden faydalanan İspanya’daki Asturyasça görece iyi durumdayken, Birmanca, Tibetçe, Khmerce ve Laoca gibi tokenizer’ın eğitim sırasında az gördüğü yazı sistemlerini kullanan diller neredeyse tüm modellerde en dezavantajlı grupta yer alıyor.

Peki Türkçe nerede duruyor?

CLEAR’ın yayımlanan özetlerinde Türkçeye özel bir rakam yer almıyor. Bu yüzden basit bir deneme yaptık. OpenAI’ın GPT-4o ve sonraki modellerinde kullanılan, herkese açık “o200k” tokenizer’ı ile beş cümlenin İngilizce ve Türkçe karşılıklarını saydık.

• “İnsanlar, konuştukları dil ne olursa olsun yapay zekâdan yararlanabilmeli.” cümlesi Türkçede 23 token tuttu. İngilizce karşılığı 13 token. Yani 1,77 kat.
• “Bu makalenin temel argümanlarını üç kısa paragrafta özetleyebilir misin?” sorusu Türkçede 21, İngilizcede 14 token tuttu. 1,5 kat.
• “Yapay zekâ modelleri metinleri işlemeden önce token adı verilen küçük parçalara ayırıyor.” cümlesi Türkçede 23, İngilizcede 14 token. 1,64 kat.
• Beş cümlenin toplamında İngilizce metin 54, Türkçe metin 81 token tuttu. Ortalamada Türkçe yaklaşık 1,5 kat daha fazla token harcıyor.

Bu küçük bir deneme, bilimsel bir ölçüm değil. Cümleye, konuya ve modele göre sonuç değişiyor. Ama yön net. Hatta parçalanmanın kendisi de ilginç ipuçları veriyor. Tokenizer “yapay zekâ” ifadesini “yap”, “ay”, “zek” ve “â” diye dörde bölüyor. Şapkalı “â” harfi tek başına bir token oluyor. “Özetleyebilir” kelimesi ise “ö”, “zet”, “ley” ve “ebilir” diye ayrılıyor. Yani model, bizim için tek bir anlam taşıyan kelimeyi dilbilgisel olarak hiçbir anlam ifade etmeyen parçalara ayırıyor.

Benzer bir tabloyu Avrupa dilleri üzerine yapılan akademik çalışmalar da gösteriyor. Ukraynalı araştırmacı Volodymyr Ovcharov’un Mayıs 2026’da yayımladığı ve 25 Avrupa dilini kapsayan çalışmaya göre, İngilizcede kelime başına ortalama 1,2 token düşerken bu oran Roman dillerinde 1,5-1,7, Germen dillerinde 1,7-1,9, Slav dillerinde 2,2-2,5, Fince gibi Ural dillerinde 2,7-3,0 aralığına çıkıyor. Kelimeye sürekli ek eklenerek kurulan, “eklemeli” diller bu tabloda hep üst sıralarda. Türkçe de tam olarak böyle bir dil.

Türkçe neden daha çok parçalanıyor?

Bunun iki sebebi var: dilin yapısı ve eğitim verisi.

Türkçede tek bir kelime, İngilizcede bütün bir cümlenin taşıdığı anlamı taşıyabilir. Bilgi Üniversitesi’nden M. Ali Bayram ve arkadaşlarının Türkçe tokenizer’ları değerlendirdiği çalışmada kullandıkları örnek, bunu iyi anlatıyor: “evlerimizden”, İngilizcede “from our houses” diye üç kelimeyle ifade ediliyor. İdeal bir tokenizer bu kelimeyi “ev”, “ler”, “imiz” ve “den” diye, yani dilin kendi mantığıyla böler. Bizim denememizde OpenAI’ın tokenizer’ı tam olarak böyle yaptı ve dört token kullandı. İngilizcesi ise üç token.

Asıl sorun, eklerin sayısı arttıkça ve kelime daha az kullanılan bir kelime olduğunda başlıyor. Tokenizer’lar, eğitimleri sırasında en sık gördükleri harf dizilerini tek parça olarak öğreniyor. İnternetin büyük kısmı İngilizce olduğu için İngilizce kelimelerin çoğu tek tokenle temsil ediliyor. Türkçe ise internette çok daha az yer kaplıyor. Tokenizer “yaptıramadık” gibi bir kelimeyi bütün olarak tanımıyor ve parçalara ayırmak zorunda kalıyor.

Türkçe doğal dil işleme alanında çalışan araştırmacı Duygu Altınok’un Şubat 2026’da yayımladığı kapsamlı çalışma da Türkçe gibi biçimbilimsel açıdan zengin dillerde tokenizer tasarımının modelin performansını doğrudan etkilediğini, kelime dağarcığının büyüklüğü ile tokenizer’ın eğitildiği veri miktarının birlikte düşünülmesi gerektiğini gösteriyor.

Bu fark kime, nasıl yansıyor?

Bireysel kullanıcı olarak aylık abonelikle ChatGPT, Claude ya da Gemini kullanıyorsanız, bu farkı doğrudan cüzdanınızda hissetmezsiniz. Abonelik ücreti dile göre değişmiyor. Ama tokenizer vergisi yine de karşınıza çıkıyor, üç farklı yoldan.

Birincisi, kullanım sınırları. Abonelik paketlerindeki mesaj ve kullanım sınırları arka planda token tüketimine bağlı. Aynı işi Türkçe yaptığınızda bu sınıra daha hızlı yaklaşabilirsiniz.

İkincisi, modelin hafızası. Her modelin aynı anda aklında tutabileceği bir metin sınırı var. Türkçe metin daha çok token kapladığı için, aynı pencereye daha az içerik sığıyor. Uzun bir raporu analiz ettirirken ya da uzun bir sohbette modelin baştaki ayrıntıları unutmaya başlaması, Türkçede biraz daha erken gelebiliyor. Hindistan’ın yapay zekâya odaklı ilk risk sermayesi fonu Activate AI’ın kurucu ortaklarından Pratyush Choudhury bunu bir özel ders öğretmeni örneğiyle anlatıyor. İyi bir öğretmen öğrencinin önceki hatalarını hatırlar. Eğer bu geçmiş bir dilde bağlam penceresini çok daha hızlı dolduruyorsa, dezavantaj doğrudan hizmetin kalitesine yansır.

Üçüncüsü, hız. Model cevabı token token ürettiği için daha fazla token, cevabın ekrana gelmesi için daha fazla bekleme demek.

Asıl fatura ise Türkçe yapay zekâ ürünü geliştirenlere çıkıyor. Bir müşteri hizmetleri botu, bir hukuk asistanı ya da bir eğitim uygulaması geliştiren Türk girişimi, modeli API üzerinden kullanıyorsa her soru ve her cevap için token başına ödeme yapıyor. Bizim ölçümümüzdeki 1,5 katlık farkı esas alırsak, aynı hizmeti İngilizce sunan bir rakibe göre yapay zekâ maliyeti kabaca yüzde 50 daha yüksek. CLEAR’ın raporu bunu tek cümleyle özetliyor: Bengaluru’daki bir girişim her istemde ve her cevapta ek ücret öderken, Austin’deki rakibi ödemiyor. İstanbul için de aynı cümle kurulabilir.

Bir de kalite boyutu var. Gates Vakfı’na bağlı Institute for Disease Modeling ve San Francisco Üniversitesi’nden araştırmacıların Afrika dilleri üzerine yaptığı çalışma, kelime başına düşen token sayısı arttıkça modellerin doğruluğunun da düştüğünü gösterdi. Yani tokenizer vergisi yalnızca para değil, bazen cevabın kalitesinden de alınıyor.

Fiyatlar düşüyor, sorun çözülür mü?

Bu soruya verilen cevap iki parçalı.

Hindistan merkezli Maya Research’ün CEO’su Dheemanth Reddy, token fiyatlarının çok hızlı düştüğünü, bu yüzden doğrudan maliyet etkisinin zamanla azalacağını söylüyor. Bu doğru. Son iki yılda aynı kalitedeki model kullanımının fiyatı defalarca düştü. Yüzde 50 fazla ödemek, fiyat çok düşükken mutlak rakam olarak daha az acıtır.

Ama Reddy aynı cümlenin devamında önemli bir uyarı yapıyor: Daha iyi eğitim verisi tek başına tokenizer’ı düzeltmiyor. Farkı gerçekten kapatmak için yapay zekâ şirketlerinin gelecekteki tokenizer’larını bu dilleri ve yazı sistemlerini daha iyi temsil edecek şekilde bilinçli olarak tasarlaması gerekiyor. Fiyatlar düştükçe oranlar değişmiyor. Türkçe kullanan, aynı işi yine 1,5 kat fazla tokenle yapıyor. Bağlam penceresine yine daha az şey sığıyor.

Bunun yapılabileceğini gösteren örnekler var. Alibaba’nın Qwen modelleri Çince için özel olarak geliştirilmiş tokenizer’larıyla Çincedeki verimsizliği belirgin biçimde azalttı. Hindistan’da Sarvam gibi girişimler Hint dilleri için kendi modellerini geliştiriyor. Gates Vakfı’nın desteklediği RESPIN projesi, 38 Hint lehçesinde ana dili konuşanlardan metin ve ses verisi topluyor.

Choudhury’nin önerisi ise daha basit ve bence en önemlisi: Büyük yapay zekâ şirketleri, her dilde aynı işi yapmanın ne kadar tuttuğunu gösteren dil bazlı bir karne yayımlamalı ve en kötü hizmet verdikleri diller için ölçülebilir iyileştirme hedefleri koymalı. Tam eşitlik gerçekçi olmayabilir. Ama büyük ve kalıcı farkların bir açıklaması ve bir iyileştirme planı olmalı.

Türkiye için ne anlama geliyor?

Türkiye’de yerli büyük dil modeli tartışması genellikle egemenlik, veri güvenliği ya da milli teknoloji başlıkları altında yapılıyor. Tokenizer vergisi bu tartışmaya daha somut ve daha az konuşulan bir boyut ekliyor: verimlilik. Türkçeyi iyi tanıyan bir tokenizer, aynı donanımla daha fazla Türkçe metni daha hızlı ve daha ucuza işleyebilir. Türkçe metinle yoğun çalışan kamu kurumları, bankalar, hukuk büroları ve medya kuruluşları için bu, doğrudan maliyet demek.

Uygulama geliştirenler için de birkaç pratik ders çıkıyor:

• Farklı modelleri yalnızca kaliteye göre değil, Türkçe metinde harcadıkları token sayısına göre de karşılaştırmak gerekiyor. Aynı metin, farklı tokenizer’larda belirgin şekilde farklı sayıda token tutabiliyor.
• Kullanıcıya görünmeyen sistem talimatlarını İngilizce yazmak token tasarrufu sağlayabilir. Ama bunun Türkçe cevap kalitesine etkisini mutlaka test etmek gerekiyor.
• Maliyet hesabı yapılırken İngilizce örneklerden gelen fiyat tahminlerine güvenmemek, Türkçe gerçek veriyle ölçüm yapmak gerekiyor.

Yapay zekâ çoğu zaman sınırları ortadan kaldıran bir teknoloji olarak anlatılıyor. Herkes, her dilde, aynı araca ulaşabiliyor. Bu büyük ölçüde doğru. Ama aynı araca ulaşmak, aynı bedeli ödemek anlamına gelmiyor. Tokenizer vergisi, internetin İngilizce ağırlıklı geçmişinin yapay zekâ çağına taşınan bir mirası. Ve bu mirasın faturası, biz fark etmesek de her Türkçe soruda küçük bir ek ücret olarak kesiliyor.

Kaynaklar

• Rest of World – AI models cost more when you don’t use English (Ananya Bhattacharya, 26 Ekim 2026)
• Coalition for Language Equity in AI Research (CLEAR) – The Tokenizer Tax
• Volodymyr Ovcharov – The Tokenizer Tax Across 25 European Languages (arXiv, Mayıs 2026)
• M. Ali Bayram vd. – Tokenization Standards for Linguistic Integrity: Turkish as a Benchmark (arXiv)
• Duygu Altınok – Optimal Turkish Subword Strategies at Scale (arXiv, Şubat 2026)
• Jessica M. Lundin vd. – The Token Tax: Systematic Bias in Multilingual Tokenization (arXiv)
• Trending Topics – The Tokenizer Tax: Why AI Costs More in Many Languages Than in English
• dijitaliyidir – OpenAI o200k tokenizer ile yapılan İngilizce-Türkçe karşılaştırma (Ekim 2026)