LLM Ne Zaman Kullanılır, Ne Zaman Kullanılmaz?

Bir çekiç aldığınızda her şey çiviye benzemeye başlar. Bugün yapay zekâda o çekiç büyük dil modelidir (LLM). Yeni bir sorun görüldüğünde ilk refleks “ChatGPT'ye soralım” oluyor. Oysa iyi mühendisliğin ilk sorusu şu olmalı: bu iş gerçekten bir LLM işi mi?

Bu yazıda amacımız LLM'leri kötülemek değil. Amacımız size bir karar sezgisi kazandırmak. Önünüze bir problem geldiğinde, LLM'in parlayacağı bir yerde mi yoksa tökezleyeceği bir yerde mi olduğunu birkaç saniyede anlamak. Bu sezgi, sizi hem paradan hem de baş ağrısından kurtarır.

Önce şunu netleştirelim: LLM ne yapar?

Bir LLM, özünde bir sonraki kelimeyi (token) tahmin eden devasa bir olasılık makinesidir. Size akıcı, mantıklı cümleler kurabilmesinin sebebi, düşünmesi veya hesaplaması değil; milyarlarca metinden öğrendiği örüntülere bakıp “Buradan sonra en olası şey nedir?” diye tahmin etmesidir. Bu ayrım kritik: LLM anlıyormuş gibi görünür, ama temelde bir dil tahmin makinesidir.

Bu tek cümle, yazının geri kalanını açıklıyor. LLM'ler dilin, belirsizliğin ve üretmenin olduğu yerde parlar; kesinliğin, hesabın ve tek doğru cevabın olduğu yerde tökezler.

LLM'ler tahmin eder, hesaplamaz. Bu yüzden dil işlerinde harika, aritmetik ve kesin kurallarda kırılgandırlar.

LLM ne zaman kullanılır?

LLM'ler, bilginin yapısız olduğu (düz metin, serbest konuşma), kullanıcı niyetinin değişken olduğu ve cevabın doğal dilde üretilmesi gereken işlerde en güçlüdür. Somut örnekler:

✓ Doğru araç LLM

Metin özetleme ve yeniden yazma
Çeviri ve dil arası aktarım
Müşteri destek sohbeti, soru-cevap
Taslak ve içerik üretimi (e-posta, blog, fikir)
Serbest metinden bilgi çıkarımı
Kod yazma ve açıklama (taslak seviyesinde)
Belirsiz, esnek, "insanca" ifade gerektiren işler

✗ Yanlış araç LLM

Kesin matematik ve çok adımlı hesap
Denetlenebilir, kural-tabanlı kararlar
Yapısal veri üzerinde tahmin (tablolar, sensörler)
Gerçek zamanlı, düşük gecikmeli sistemler
Çok yüksek hacimli, kuruşuna bakılan işler
Tek ve değişmez doğru cevabı olan görevler
Gizli/hassas verinin dışarı çıkamayacağı işler

LLM ne zaman kullanılmaz? (ve neden)

1. Matematik ve kesin hesap

LLM'ler basit aritmetikte bile şaşırtıcı biçimde hata yapar çünkü hesaplamazlar, tahmin ederler. Eğitim verisindeki benzer sorulara bakıp istatistiksel olarak "olası" bir sayı üretirler. Hesap çok adımlı hâle geldiğinde (koşullar, filtreler, yuvarlamalar, toplamlar) model anlatısal biçimde "makul görünen ama matematiksel olarak kırılgan" sonuçlar verir. Fatura toplamı, KDV hesabı, finansal raporlama gibi işleri asla ham bir LLM'e emanet etmeyin.

2. Kesinlik ve denetlenebilirlik gereken kararlar

Kural-tabanlı ve klasik sistemler öngörülebilir biçimde başarısız olur: kural eşleşmezse sistem durur, sebebi bellidir. Kritik ve denetime tabi işlerde (uyumluluk, hukuki eşik, güvenlik kararı) bu öngörülebilirlik bir avantajdır. LLM ise "sessizce ve ikna edici biçimde" yanılabilir. Buna halüsinasyon denir: Kendinden emin bir tonla, tamamen uydurma ama kulağa doğru gelen bilgi üretmesi.

3. Yapısal veride tahmin

Sayısal sütunları belli, yapılandırılmış veriyle çalışıyorsanız (sensör verisi, tablolar, zaman serileri) klasik makine öğrenmesi modelleri çoğu zaman LLM'i geçer. LLM burada doğruluğu artırmadan sadece gecikme ve maliyet ekler.

4. Hız, maliyet ve ölçek

Büyük modeller yavaş ve pahalıdır; yüksek performanslı donanım ister. Milisaniyelik gecikmenin önemli olduğu gerçek zamanlı sistemlerde veya milyonlarca isteğin döndüğü yüksek hacimli işlerde, her isteği devasa bir modele göndermek çoğu zaman ekonomik intihardır.

En sık yapılan hata Bir işi LLM'in "anlamasını" beklemektir. Oysa iş aslında bir veri işleme ve hesaplama problemidir. Örnek: belgelerden KDV toplamak. Bu, "belgeyi anlama" değil, "veriyi çıkarıp deterministik olarak hesaplama" işidir.

Hızlı karar: bu iş için LLM mi?

Bir problemin önüne geldiğinizde şu üç soruyu sorun. Cevaplar sizi doğru araca götürür:

LLM kullanım kararı akış şeması — Basit bir karar akışı: çoğu problem daha ilk iki soruda LLM'den başka bir araca yönlendirir.

Türkiye için "varsayılan LLM" pahalı bir alışkanlık

Bu karar sezgisi Türkiye için sadece teknik değil, stratejik. Devasa modelleri çalıştırmak yüksek performanslı, pahalı donanım ister ve Türkiye hesaplama gücünde yarışabilecek bir konumda değil. Bu yüzden her işi büyük bir modele havale etmek, hem bütçeyi hem de bağımlılığı büyütür.

Akıllı hamle şu: işin gerçekten LLM gerektiren kısmını LLM'e bırakmak, gerisini daha ucuz ve öngörülebilir araçlara vermek. Çoğu zaman belirli bir işi yapan küçük ve uzmanlaşmış bir model dev bir LLM'den daha hızlı, daha ucuz ve daha isabetlidir. Kaynağı kısıtlı bir ekosistem için verimlilik, ham güçten daha değerli bir avantajdır.

En iyi cevap çoğu zaman "ikisi birden"

2026'da soru artık "LLM mi, klasik yöntem mi?" değil; "bunları nasıl birleştiririm?" Üretimdeki güçlü sistemlerin çoğu ikisini birden kullanır. En yaygın iki desen:

Araç kullanımı (tool use): LLM yorumlar ve yönlendirir; asıl hesabı bir Python yorumlayıcısı veya deterministik bir araç yapar. Dil modeli anlamı ve belirsizliği yönetir, kesin işlemi araç üstlenir.
RAG (bilgiyle beslenen üretim): LLM sorgu üretir, bir veritabanı kesin bilgiyi döndürür, LLM bu bilgiyi doğal dile çevirir. Böylece halüsinasyon azalır, cevaplar gerçek kaynağa dayanır.

Yaklaşım	Güçlü olduğu yer	Zayıf olduğu yer
LLM	Dil, üretim, belirsizlik, özet, çeviri	Kesin hesap, hız, maliyet, denetlenebilirlik
Klasik ML	Yapısal/sayısal veride tahmin	Serbest metin, esnek dil anlama
Kural-tabanlı	Kesin, denetlenebilir, öngörülebilir kararlar	Belirsizlik, dilin esnekliği

Cebinizde taşıyacağınız kural: Problemi tarif ederken "anlaması, yazması, özetlemesi, konuşması" gibi fiiller kullanıyorsanız yol muhtemelen LLM'den geçer. "Hesaplaması, sayması, eşleştirmesi, garanti etmesi" diyorsanız — deterministik bir araca ihtiyacınız var. İkisi de varsa: ikisini birleştirin.

LLM'i ne zaman kullanacağını bilmek, onu kullanmayı bilmek kadar değerli bir beceridir. Bu sezgiyi kazandıysanız artık aracı seçen sizsiniz; aracın peşinden sürüklenen değil.