2026'da Türkiye'de Yapay Zekâ ve Türkçe LLM'ler: Kim Neyi Geliştiriyor?
Türkiye'nin yerli dil modelleri ve yapay zekâ programlarının doğrulanmış haritası: BİLGE, T3 AI, HAVELSAN MAIN, Kumru, Turkcell, Trendyol ve 2026–2030 Eylem Planı.

Türkiye'de bir kurum yönetiyor ve bir yapay zekâ projesini değerlendiriyorsanız, diğer bütün kararları sessizce belirleyen bir soru vardır: Hangi modelin üzerine inşa edeceksiniz? Son birkaç yılın dürüst cevabı "Amerikan bir model; İngilizce eğitilmiş, Türkçeye elden geldiğince uyarlanmış" idi. Artık tek cevap bu değil. Türkiye'de bugün devlet destekli model programları, modelleri Türkçeye uyarlayan telekom ve perakende şirketleri, sıfırdan eğitilmiş bir Türkçe model ailesi ve Ağustos 2026'dan beri somut hedefler içeren bir ulusal yapay zekâ eylem planı var. Bu yazı kimin neyi geliştirdiğini ve elinizde hayata geçirilecek gerçek bir proje olduğunda bunun ne anlama geldiğini haritalıyor.
Yazıyı gerçekçi tuttuk. Kamuya açık ve doğrulanabilir bilgileri olduğu gibi aktarıyoruz; duyurulmuş ama henüz hayata geçmemiş iddiaları ise açıkça belirtiyoruz. Bu sürüm Ekim 2026'da yeniden doğrulandı ve güncellendi. Model sürümleri hızla değiştiği için rakamları kesin hüküm değil, bir anlık görüntü olarak okuyun.
Türkçe LLM neden önemli?
Ağırlıklı olarak İngilizce metinle eğitilmiş bir dil modeli Türkçe konuşabilir; ama bunu canlı ortamda hissedilen yabancı bir aksanla yapar. Türkçe sondan eklemeli bir dildir: anlam, köklere eklenen uzun ek zincirleriyle kurulur ve tek bir sözcük, İngilizcenin bütün bir cümleyle anlattığını taşıyabilir. Yeterince Türkçe görmemiş modeller Türkçeyi verimsiz biçimde token'lara böler, biçimbilimi yanlış okur ve iş yanıtlarının dayandığı kültürel ve hukuki bağlamda tökezler.
Bir tüketici sohbet botunda bu, biraz tuhaf bir ifade olarak kalır. Kurumsal bir iş akışında ise, örneğin bir KVKK politikası hakkındaki soruları yanıtlayan bir asistanda, Türkçe bir sözleşmeyi özetleyen bir bankada ya da İstanbul ağzıyla yazan müşterilere yanıt veren bir destek ekibinde, kendinden emin biçimde sunulan yanlış cevaplara dönüşür. Türkçe model ekosistemi bu açığı kapatmak için var; bütçe ayırmadan önce onu tanımaya değmesinin nedeni de bu.
Ulusal ve devlet destekli modeller
En dikkat çekici gelişme, Türkçe dil modellerinin artık yalnızca ticari ürün değil, kamu altyapısı olarak görülmesi. Ancak devlet destekli girişimlerin kullanıma açıklık düzeyleri birbirinden çok farklı.
BİLGE, TÜBİTAK BİLGEM'in geliştirdiği ve Haziran 2026'da tanıtılan model ailesidir. Resmî sitesinde sıfırdan eğitilmiş 1B ve 9B sürümleri, mevcut açık kaynak modeller üzerine sürekli ön eğitimle (continued pre-training) geliştirilen 27B sürümü ve eğitimi süren 122B sürümü listeleniyor. Ekim 2026 itibarıyla site, BİLGE'nin henüz genel kullanıma açılmadığını belirtiyor; Sanayi ve Teknoloji Bakanı Temmuz 2026'da modelin yakında geliştiricilere açılacağını söyledi. Bugün üzerine inşa edilecek değil, yakından izlenecek bir proje.
T3 AI ("T3 AI'LE"), Türkiye Teknoloji Takımı (T3) Vakfı ile Baykar tarafından; 67 ilden yaklaşık 1.800 gönüllünün katkısı ve Millî Eğitim Bakanlığı, SETA, TRT, Türkiye Bilimler Akademisi, Anadolu Ajansı ve Microsoft gibi paydaşlarla geliştirildi. Temmuz 2025'te TEKNOFEST'in sosyal platformunda kısa süreli bir genel beta yayınlandı ve model ağırlıkları hackathon katılımcılarıyla paylaşıldı; ancak ağırlıkların kamuya açık bir sürümünü bulamadık. T3 AI, kullanılabilir bir seçenekten çok egemenlik iradesinin bir göstergesi.
HAVELSAN MAIN farklı bir yol izliyor. Yaklaşık dokuz milyar parametreli bir model etrafında kurulan MAIN, kapalı ağlarda tamamen çevrim dışı çalışacak şekilde tasarlanmış kurumsal bir yapay zekâ platformu; yani verinin binadan çıkamadığı durumlar için. HAVELSAN platforma yeni modüller eklemeyi sürdürüyor; Ekim 2026'da kurumların kendi sunucularında çalışan bir işe alım modülü duyuruldu. MAIN, düzenlemeye tabi Türk kurumlarının nereye gittiğinin bir önizlemesi: Hiçbir zaman genel buluta dokunmayan yetkin modeller.
İlgili yazı: Kurumlar İçin Kendi Sunucunuzda LLM: Yerel Modeller Öncü Modelleri Ne Zaman Geçer
Türkiye Yapay Zekâ Eylem Planı (2026–2030)
Türkiye Yapay Zekâ Eylem Planı (2026–2030), 18 Ağustos 2026 tarihli ve 33344 sayılı Resmî Gazete'de yayımlanan 2026/9 sayılı Cumhurbaşkanlığı Genelgesi ile yürürlüğe girdi. Plan, 2021–2025 Ulusal Yapay Zekâ Stratejisi'nin yerini alıyor ve koordinasyonunu Sanayi ve Teknoloji Bakanlığı yürütüyor. Plan, Fark Et, İstifade Et, Üret ve Yönet adlı dört eksen altında toplam 16 eylemden oluşuyor.
İşletmeler açısından en önemli taahhütler şunlar:
- Yapay zekâ kuponları: İlk 12 ayda KOBİ'lere en az 1.000 yapay zekâ kuponu.
- Herkes İçin GPU: Girişimler, KOBİ'ler ve araştırmacılar için yılda yaklaşık 2 milyon GPU saatiyle başlayıp 2028 sonuna kadar yılda 20 milyon GPU saatine çıkacak işlem gücü kredileri.
- Veri merkezleri: 2030'a kadar en az 1 GW yapay zekâ ve veri merkezi kurulu gücü ile ağırlıklı olarak özel sektörden gelecek en az 10 milyar dolarlık yatırım hedefi.
- Düzenleyici deneme alanları (sandbox): Finans, sağlık, enerji, mobilite ve telekomünikasyon gibi öncelikli sektörlerde en az beş deneme alanı.
- Türk dilleri için ortak bir LLM: Türk Devletleri Teşkilatı üyeleriyle birlikte Oğuz, Kıpçak ve Karluk dil gruplarını kapsayacak, ilk sürümü 2027 sonuna kadar hazır olması hedeflenen bir dil modeli.
- Yönetişim: Uygulamayı izleyecek bir Ulusal Yapay Zekâ Kurulu ve henüz hazırlanacak, riske dayalı bir hukuki ve etik çerçeve.
İşletmeler için pratik çıkarım şu: Türkçe yapay zekâ için işlem gücüne, finansmana ve sektörel pilotlara erişim kolaylaşıyor. Plan kendi başına özel sektöre henüz yeni yükümlülükler getirmiyor. Türkiye'nin hâlâ yapay zekâya özgü bir kanunu yok; Meclis'e sunulan yapay zekâ kanun teklifleri komisyon aşamasında bekliyor.
Yapay zekâsı AB'deki kişilere hizmet veren şirketler için ise bağlayıcı kurallar bugünden geçerli: AB Yapay Zekâ Yasası, Türkiye'den faaliyet gösterseler bile bu şirketlere uygulanıyor. Ayrıntılar: AB Yapay Zekâ Yasası Türk Şirketlerini Nasıl Etkiler?
Ticari ve kurumsal modeller
Ulusal çabaların yanında, Türkiye'nin büyük teknoloji şirketleri de modelleri kendi verilerine ve ihtiyaçlarına göre uyarladı.
Turkcell, 2024'te Turkcell-LLM-7b-v1 modelini yayımladı: Mistral 7B'nin, verimli ince ayar yöntemleri (DoRA ve LoRA) kullanılarak yaklaşık beş milyar Türkçe token ile uyarlanmış, Apache-2.0 lisanslı bir sürümü. O günden bu yana kamuya açık yeni bir model yayımlanmadı; Turkcell ağırlığını altyapıya kaydırdı ve Temmuz 2026'da büyük veri merkezi yatırımlarıyla desteklenen beş katmanlı bir egemen yapay zekâ altyapısı stratejisi açıkladı.
Trendyol, Hugging Face üzerinde bir dizi Türkçe/İngilizce model yayımladı. Bu modeller 7B ile 12B aralığındaki açık modellerin (Mistral, Llama 3, Qwen ve Gemma 3 tabanlı) ince ayarlı sürümleri; bunlara ek olarak Llama 3.3 tabanlı, 70B'lik ayrı bir siber güvenlik modeli de var. Trendyol 2026'da ürün kataloğu için açık ağırlıklı modeller de ekledi; bunların arasında katalog kalitesi ve içerik denetimi için geliştirilen, CC BY 4.0 lisanslı 27B'lik bir görsel-dil modeli bulunuyor. Bir perakende platformu için ürün, yorum ve destek diline göre ayarlanmış modeller doğrudan rekabet avantajıdır.
VNGRS'in geliştirdiği Kumru, son dönemin en çok konuşulan girişimlerinden biri. Kumru, yaklaşık 500 GB Türkçe metinle sıfırdan eğitildi. Kumru-2B, 2025 sonbaharında Apache-2.0 lisansıyla açık ağırlıklı olarak yayımlandı; daha büyük Kumru 7.4B ise aynı dönemde açık ağırlık olmadan, demo ve kurum içi kurulumlu ticari ürün olarak sunuldu. Eğitim derlemi ise yayımlanmadı. "Sıfırdan" ifadesi önemli: VNGRS, Türkçeyi İngilizce bir tabana sonradan eklemek yerine doğrudan Türkçe ile eğittiği için daha verimli bir token'laştırma elde ediliyor.
Boğaziçi Üniversitesi'nin TURNA modeli gibi önceki akademik çalışmalar bu alanın temelini attı. Açık kaynak Türkçe doğal dil işleme topluluğu, yani veri setleri, token'laştırıcılar ve değerlendirme setleri, tüm bunları mümkün kılan bağ dokusu olmaya devam ediyor.
Bir bakışta karşılaştırma
| Model / proje | Geliştiren | Ekim 2026 itibarıyla durum | En uygun olduğu bakış açısı |
|---|---|---|---|
| BİLGE | TÜBİTAK BİLGEM | 1B ve 9B sıfırdan, 27B sürekli ön eğitimle; 122B eğitimde; henüz genel kullanımda değil | Kamu sektörü uyumu; izlenecek proje |
| T3 AI | T3 Vakfı ve Baykar | 2025'te kısa süreli genel beta; kamuya açık ağırlık bulunamadı | Egemenlik iradesinin göstergesi |
| MAIN | HAVELSAN | ~9B model; kapalı ağlarda tamamen çevrim dışı çalışır | Dış ağa kapalı, düzenlemeye tabi kurulumlar |
| Turkcell-LLM-7b-v1 | Turkcell | Türkçeye uyarlanmış Mistral 7B; açık ağırlık (Apache-2.0) | Küçük ve pratik bir açık başlangıç noktası |
| Trendyol modelleri | Trendyol | 7B–12B açık modellerin Türkçe/İngilizce ince ayarları; açık e-ticaret görsel modelleri | E-ticarete göre ayarlanmış yapı taşları |
| Kumru | VNGRS | Sıfırdan eğitildi; 2B açık, 7.4B ticari | Küçük boyutlarda doğal Türkçe token'laştırma |
Parametre sayılarına değil, son sütuna bakın. Doğru model, en büyük sayıya sahip olan değil; karakteri sizin kısıtınıza (mevzuat, dil kalitesi, kurulum ortamı ya da bütçe) uyan modeldir.
Kıyaslamalar Türkçeye özel modeller hakkında ne söylüyor?
Türkçeye özel bir model, Türkçe görevlerde kendiliğinden daha iyi olmaz. 2025'te yayımlanan Cetvel kıyaslaması, Türkçe odaklı talimatla eğitilmiş modellerin genel olarak Llama 3 ve Mistral gibi çok dilli ve genel amaçlı modellerin gerisinde kaldığını ortaya koydu. Mart 2026'da ODTÜ, Bilkent, Boğaziçi, Turkcell AI ve diğer kurumlardan araştırmacıların yayımladığı TurkBench ise bilgi ve akıl yürütmeden Türkçe dil bilgisi ve talimat takibine kadar 21 alt görevde 8.151 örnek içeriyor ve Hugging Face üzerinde herkese açık bir sıralama tablosu sunuyor.
Buradan çıkan ders, Türkçe modellerin zayıf olduğu değil: sıfırdan eğitilmiş küçük modeller dar görevlerde çok başarılı olabilir ve kendi donanımınızda düşük maliyetle çalışır. Ders şu: "Türkçe için geliştirildi" ifadesi bir garanti değil, test edilmesi gereken bir hipotez. Kısa listeyi herkese açık sıralama tablolarıyla oluşturun, kararı kendi dokümanlarınızla verin.
Peki küresel modeller ne durumda?
Bunların hiçbiri küresel oyuncuların sahneden çekildiği anlamına gelmiyor. Uygulamada Türk kurumlarının çoğu canlı iş yüklerini hâlâ öncü uluslararası modellerle çalıştırıyor; çünkü üst segmentte ham yetenek, araç desteği ve güvenilirlik bakımından bu modeller önde. Özellikle verinin hassas olmadığı, düşük riskli iç otomasyonlarda bu meşru bir tercih.
Değişen şey, bunun artık tek seçenek olmaması. Türk kurumlarını yerel ya da hibrit mimarilere iten üç etken var: veri yerelliği ve KVKK (kişisel verileri yabancı bir API'ye göndermek artık bir mühendislik ayrıntısı değil, yönetim kurulu düzeyinde bir soru), ölçekte maliyet (bir iş akışı milyonlarca çağrıya ulaştığında doğru boyutlandırılmış yerel bir model çok daha ucuza gelebilir) ve gerçekten Türkçe olan görevlerde dil kalitesi. Yerel altyapı da büyüyor: Alibaba Cloud, Eylül 2026'da Türkiye'deki ilk bulut bölgesini kuracağını duyurdu ve yeni veri merkezi kampüslerinin inşaatı sürüyor. Çoğu kurum için olgun cevap "yerel ya da küresel" değil, bilinçli bir karışım.
İlgili yazı: Türk Şirketleri için GEO: ChatGPT ve Yapay Zekâ Aramasında Nasıl Alıntılanırsınız
Bunun projeniz için anlamı
2026'da bir temel model seçiyorsanız, bu çeyrekte hangi ismin öne çıktığından bağımsız olarak geçerli birkaç ilke var:
- Modelden değil, kısıttan başlayın. Düzenlemeye tabi veri sizi kapalı ya da kendi sunucunuzda çalışan kurulumlara (MAIN örüntüsü) yöneltir. Yüksek hacimli otomasyon, maliyet açısından verimli yerel modellere yöneltir. İncelikli Türkçe içerik ise Kumru gibi doğrudan Türkçe eğitilmiş modelleri güçlü çok dilli modellerle birlikte test etmeyi gerektirir. Seçimi en zorlu kısıtınız yapsın.
- Yalnızca erişilebilir olanın üzerine inşa edin. Bazı ulusal modeller duyuruldu ama henüz yayımlanmadı. Planınızı bugün indirebildiğiniz, lisanslayabildiğiniz ya da çağırabildiğiniz modellere göre yapın; diğerlerini gelecekteki seçenekler olarak görün.
- Model taşınabilirliği için tasarlayın. Ekosistem tek bir modele ömür boyu bağlanmak için fazla hızlı değişiyor. Geri getirme (retrieval), araçlar, koruma kuralları ve değerlendirme katmanlarını, alttaki model değiştirilebilir bir bileşen olacak şekilde kurun.
- Kendi Türkçe görevlerinizle değerlendirin. Doğru cevapları bilinen gerçek sorulardan oluşan küçük ve dürüst bir test seti, herhangi bir sıralama tablosundan daha fazlasını söyler.
- Hibrit varsayın. Her görevi ona uyan modele yönlendirin; hassas veriyi kontrol ettiğiniz altyapıda tutarken güvenli olduğu yerde öncü modellerin gücünden yararlanın.
- Teşviklerden yararlanın. 2026–2030 Eylem Planı kapsamındaki yapay zekâ kuponları, işlem gücü kredileri ve düzenleyici deneme alanları ilk pilotun maliyetini düşürebilir. Bütçeyi planlamadan önce uygunluğunuzu kontrol edin.
Sonuç
2026'da Türkiye artık yalnızca başka yerlerde geliştirilen yapay zekâyı tüketen bir pazar değil. Devlet destekli model programları, Kumru'da sıfırdan eğitilmiş bir Türkçe model ailesi, açık modelleri uyarlayan telekom ve perakende şirketleri, savunma sınıfı kapalı ortam platformları ve ölçülebilir hedefleri olan bir ulusal eylem planı var. Ancak bunların önemli bir kısmı hâlâ yolda: Öne çıkan devlet modelleri henüz açık değil ve planın işlem gücü ile finansman programları yeni başlıyor.
Gerçek bir projesi olan bir kurum için bu, bir çekinceyle birlikte iyi bir haber: daha fazla seçenek ve daha fazla pazarlık gücü, ama daha zor bir tasarım problemi. İyi seçim yapmak, modelinizden önce kısıtlarınızı anlamayı gerektiriyor.
Orbitra olarak Türk kurumlarının, bu değişken model manzarasında taşınabilir kalan yapay zekâ otomasyonu ve ajanlı iş akışları tasarlamasına yardımcı oluyoruz: öncü, yerel ve kendi sunucunuzda çalışan modelleri doğru görevle eşleştiriyor ve hassas veriyi kontrol ettiğiniz altyapıda tutuyoruz. Nerede inşa edeceğinizi planlıyorsanız, bu manzarayı somut bir mimariye ve ilk pilota dönüştürmenize yardımcı olabiliriz.
