Yapay zekâ özelliğinin işletme maliyeti nasıl hesaplanır? İstek başına maliyet modeli
C.E.O. Bee Mühendislik14 dk okuma
Bir yapay zekâ özelliğinin maliyeti, giriş fiyatıyla gönderdiğiniz tokenlar ile çıkış fiyatıyla modelin yazdığı tokenların toplamının, bir kullanıcı eyleminin yaptığı çağrı sayısıyla ve kullanıcıların ne sıklıkla işlem yaptığıyla çarpımıdır. Bu rehber modeli adım adım işler: faturayı neyin büyüttüğü, istem önbelleğinin maliyeti ne zaman gerçekten düşürdüğü, hangi işi hangi modelin yapacağı, üç katmanlı tavan, usage verisinden maliyet kaydı, örnek sayılarla bir hesap ve fiyat değişince yapılacaklar. Sağlayıcı olguları 16 Kasım 2026'da okunan resmî sayfalardandır.
Yapay zekâ özelliğinin istek başı maliyeti nasıl hesaplanır?
Kısa cevap: tek bir isteğin maliyeti, gönderdiğiniz tokenların giriş fiyatıyla, modelin geri yazdığı tokenların çıkış fiyatıyla çarpımının toplamıdır; önbellek ise tekrar eden kısmın fiyatını değiştirir. Bunu, bir kullanıcı eyleminin gerçekte kaç model çağrısı yaptığıyla, sonra kullanım tahminiyle çarpın. Faturayı bunlardan başkası belirlemez; faturayı düşürmenin neredeyse her yolu bu terimlerden birine dokunur. Altı adımda ilerleyin:
- Gerçek bir isteğin tokenlarını sayın; sağlayıcının kendi sayacıyla ve kendi dilinizde.
- Girişi ikiye bölün: sabit kısım (talimatlar, araç tanımları, başvuru metni) ve değişken kısım (kullanıcının mesajı, getirilen metin, konuşma geçmişi).
- Çıkışı tahmin edin ve sınırlayın. Pahalı taraf çıkıştır: okuduğumuz fiyat tablolarında token başına giriş fiyatının yaklaşık beş ila sekiz katıdır.
- Sağlayıcının güncel fiyatını resmî fiyat sayfasından, okuma tarihiyle birlikte alın.
- Eylem başına çağrı sayısıyla çarpın. Bir kullanıcı tıklaması tek çağrı olabilir, on çağrılık bir döngü de.
- Kullanıcı sayısı ve sıklıkla çarpın, sonra bir etkin kullanıcının sizin için değeriyle karşılaştırın.
| Terim | Ne olduğu | Kaldıraç nerede |
|---|---|---|
| Yeni giriş tokenları | Olağan giriş fiyatıyla gönderilen tokenlar | Daha kısa istem, daha az geçmiş, daha sıkı getirme |
| Önbelleğe yazma tokenları | Tekrar eden ön ekin ilk kez saklanması; çoğu zaman primli | Yalnız yeniden kullanılacak olanı önbelleğe alın |
| Önbellekten okuma tokenları | Tekrar eden ön ekin giriş fiyatının bir bölümüyle sunulması | Sabit bir ön ek ve trafiğinize uyan bir ömür |
| Çıkış tokenları | Modelin yazdığı, daha yüksek çıkış fiyatlı kısım | Çıkış sınırı, kısa biçimler, basit işler için küçük model |
| Eylem başına çağrı | Bir kullanıcı eyleminin tetiklediği istek sayısı | Döngü sınırı, daha az yeniden deneme, tek çağrı yeterliyse tek çağrı |
Bu yazı, yapay zekâ entegrasyonu üretim kontrol listemizin 12. maddesinin derinleştirilmiş hâlidir; diğer on üç kontrol için oraya bakın. Özelliğin ajan mı yoksa sabit bir iş akışı mı olacağına hâlâ karar veriyorsanız önce yapay zekâ ajanı mı, iş akışı mı yazısını okuyun; çünkü bu seçim çağrı sayısını değiştirir.
Faturayı asıl neler büyütür?
Sürprizlerin çoğu fiyattan değil çarpandan gelir. Aşağıdaki tablo, ilk baktığımız etkenleri ve her biri için kaldıracı gösterir.
| Etken | Neden büyür | Kaldıraç |
|---|---|---|
| Çıkış uzunluğu | Çıkış, girişten pahalıdır; uzun cevaplar ve uzun akıl yürütme token başına en çok tutar | Çıkış sınırı, istenen biçim, giriş cümlesi yok |
| Konuşma geçmişi | Sohbet her istekte önceki turları yeniden gönderir; giriş her turla büyür | Geçmişi kırpın veya özetleyin; sabit kısmı önbelleğe alın |
| Araç tanımları ve talimatlar | Kullanılsın kullanılmasın her istekle gider | Kısa tanım; önbellek; araçları yalnız gerektiğinde yükleyin |
| Getirilen metin | Daha çok pasaj, daha çok giriş demek | Daha az ama daha iyi pasaj; ilgi eşiği |
| Görseller ve belgeler | Onlar da tokena çevrilir | Önce küçültün, kırpın veya metni çıkarın |
| Ajan döngüleri | Her adım, büyüyen bağlamı taşıyan yeni bir çağrıdır | Adım sınırı, görev başına bütçe |
| Yeniden denemeler ve hatalar | Token kullanıldıysa başarısız çağrı da faturalanır | Bekleme aralığıyla tekrarlayın; körlemesine tekrarlamayın |
| Dil ve içerik türü | Aynı metin daha çok ya da daha az token olabilir | Kullanacağınız modelle kendi metninizi sayın |
Resmî sayfalardan iki tarihli olgu, son satırın neden önemli olduğunu gösteriyor. Anthropic'in fiyat sayfası, token sayısını tokenizer'ın, dilin ve içerik türünün değiştirdiğini belirtir. Token sayma rehberi ise Claude 4.7'den itibaren modellerin aynı metin için öncekilere göre yaklaşık yüzde 30 daha fazla token ürettiğini ekler ve eski sayımları kullanmak yerine istemleri kullanacağınız modelle yeniden saymanızı söyler. Sayım bir tahmindir ve ilgili uç nokta faturalanmaz, yalnızca istek hızı sınırı vardır (iki sayfa da 16 Kasım 2026'da okundu). Pratikte: bütçeyi sayaçla yapın, faturayı her yanıtla dönen usage verisinden izleyin.
Önbellek maliyeti gerçekten ne zaman düşürür?
Önbellek, bir isteğin aynı başlangıcı tekrar tekrar gönderildiğinde ve başlangıç gerçekten birebir aynı olduğunda işe yarar. İki sağlayıcı da bunu ön ek eşleşmesi olarak anlatır. Anthropic'in rehberi, önbellek isabetinin "istem parçalarının yüzde 100 aynı olmasını" gerektirdiğini söyler ve ön eki sırasıyla araçlar, sistem, mesajlar olarak dizer. OpenAI'nin rehberi, "yeniden kullanım için işlenmiş ön ekin tamamının eşleşmesi gerektiğini" söyler. Erken bir yerde değişen tek bir karakter, geri kalanın olağan fiyatla okunması demektir.
Buradan bir tasarım kuralı çıkar: önce sabit, sona değişken.
| Başa (sabit) | Sona (değişken) |
|---|---|
| Araç tanımları, sabit sırayla | Kullanıcının mesajı |
| Sistem talimatları ve politikalar | İstek başına değişen getirilmiş pasajlar |
| Örnekler ve başvuru belgeleri | Güncel tarih, saat veya istek numarası |
| Sabit çıktı biçimi | Kullanıcının adı ve kişiye özel ayrıntılar |
Sistem isteminin en üstüne konan bir zaman damgası ya da kullanıcı adı, her isteği önbellek ıskalamasına çevirmenin en yaygın yoludur. Anthropic'in rehberi, önbelleğe alınmış ön eki geçersiz kılan değişiklikleri de sıralar; araç tanımlarının düzenlenmesi, araç seçimi ayarının değişmesi, görsel eklenmesi veya çıkarılması bunların arasındadır.
Önbelleğin karşılık verip vermeyeceğini dört koşul belirler:
- Asgari uzunluk. Modelin asgari uzunluğundan kısa bir ön ek önbelleğe alınmaz. Anthropic modele göre 512 ile 4.096 token arasında asgari uzunluklar verir; OpenAI'nin rehberi GPT-5.6 ve sonrası modeller için 1.024 token der.
- Ömür. Anthropic'te varsayılan beş dakikadır ve her okumada yenilenir; bir saatlik seçenek de vardır. OpenAI'nin rehberi GPT-5.6 ve sonrası için en az 30 dakika varsayılan ömür verir ve bunu 12 saate uzatılabilir olarak anlatır. Trafiğiniz ömürden seyrek gelirse önbelleğe yazarsınız ama hiç okumazsınız.
- Yazma primi. Anthropic'in sayfasında beş dakikalık yazma giriş fiyatının 1,25 katı, bir saatlik yazma 2 katıdır; okuma bazı modellerde giriş fiyatının yaklaşık onda biri, bazılarında yirmide biri ya da daha azıdır. Sayfa, önbelleğin az sayıda okumadan sonra tasarruf sağladığını belirtir. OpenAI'nin rehberini okuduğumuz kadarıyla okuma olağan fiyatın yaklaşık onda biridir (bazı modellerde yirmide biri); kullandığınız modelin yazma koşulları için tablosuna bakın.
- Eşzamanlılık. Önbellek kaydı ancak ilk yanıt başladıktan sonra oluşur. Anthropic, aynı ön eki paylaşan paralel istekleri göndermeden önce ilk yanıtı beklemenizi önerir.
İki sağlayıcının ayrıştığı ve kolay gözden kaçan bir verim etkisi de var. Anthropic'in hız sınırı sayfası, önbellekten okunan tokenların dakika başına giriş tokeni sınırına sayılmadığını söyler. OpenAI'nin rehberi ise önbellekteki tokenların dakika başına token sınırına yine sayıldığını söyler. Yani önbellek, bir sağlayıcıda etkin kapasitenizi artırabilir, diğerinde yalnızca payınızı genişletir.
Aynı iş için hangi model? Yönlendirme ve batch
Token başına fiyat, sağlayıcılar arasında olduğundan çok modeller arasında değişir. 16 Kasım 2026'da okuduğumuz sayfalarda Anthropic güncel modelleri milyon giriş tokeni başına 0,10 USD'den (çıkış 0,50) 10 USD'ye (çıkış 50) kadar listeliyor; OpenAI en pahalı kademesinde metin modellerini 0,05 USD girişten (çıkış 0,40) 30 USD girişe (çıkış 180) kadar listeliyor. Fiyatlar değişir; bunlar teklif değil aralığın genişliğidir. Mesele şu: tek bir yönlendirme kararı, istem ayarının her türlüsünden daha çok şey değiştirebilir.
Pratikte işleyen bir yönlendirme tasarımı:
- Önce isteği sınıflandırın; bunu güvenle yapan en küçük modelle.
- Rutin işi küçük ya da orta modele, zor ve seyrek vakaları daha büyük modele yollayın.
- Varsayılan olarak değil, düşük güvende yükseltin: ucuz bir ilk deneme ve "yeterince iyi değil" için tanımlı bir sınama.
- Cevabın hemen gerekmediği işi batch'e taşıyın. Anthropic'in sayfası batch arayüzünde giriş ve çıkışta yüzde 50 indirim, Google'ın sayfası batch API'sinde yüzde 50 maliyet düşüşü listeler; OpenAI ayrı batch fiyatları verir.
- Ucuz modeli sezgiyle değil değerlendirme kümenizle kanıtlayın. Daha sık hata yapan küçük model yeniden deneme, yükseltme ve destek işi yaratır; izlenecek sayı token başına değil doğru cevap başına maliyettir. Değerlendirme yöntemi üretim kontrol listesinin 3. maddesidir.
Her sayfanın ince yazısına da bakın. Anthropic'in sayfası bir küçük modelde istem 100.000 tokenı aştığında daha yüksek fiyat uygular ve bu uzunluğa önbellek okuma ve yazmalarını da katar. Veri konumu seçenekleri ek ücret taşıyabilir: OpenAI, 5 Mart 2026 ve sonrasında çıkan modellerde bölgesel işleme için yüzde 10 ek, Anthropic ise yeni modellerinde yalnız ABD'de işleme için 1,1 çarpanı listeler.
Tavanları nereye koyarsınız?
Tavan tek bir ayar değildir. Her biri başka bir taşmayı durduran üç katmandır ve üretimdeki bir özellik üçüne de ihtiyaç duyar.
| Katman | Neyi sınırlar | Örnekler |
|---|---|---|
| 1. İstek başına | En kötü tek çağrıyı | En çok çıkış tokeni, en uzun giriş, geçmiş kırpma, döngüde adım sınırı, zaman aşımı |
| 2. Kullanıcı, oturum veya kiracı başına | Tek bir kişinin ya da müşterinin fazla kullanmasını | Kullanıcı başına günlük token bütçesi, plana bağlı kota, hız sınırı, aykırı değer uyarısı |
| 3. Sağlayıcıda | 1. ve 2. katman çökerse toplamı | Aylık harcama limiti, harcama uyarısı, özellik başına ayrı anahtar veya proje |
Katman 1. Çıkış sınırını iki sağlayıcı farklı ele alır; iki sayfayı da okumanız bu yüzden gerekir. OpenAI'nin hız sınırı rehberi, hız sınırının sizin koyduğunuz çıkış sınırı ile tahmini token sayısının büyüğü olarak hesaplandığını söyler ve sınırı beklenen yanıt boyuna olabildiğince yakın koymanızı önerir. Anthropic'in sayfası ise çıkış sınırının dakika başına çıkış tokeni hesabına girmediğini söyler.
Katman 2. Bu katman sizin kodunuzdur. Kötüye kullanımın durdurulduğu yer de burasıdır: OWASP, LLM uygulamaları için ilk on riski arasında, faturayı şişirmek için tasarlanmış saldırılar da dâhil "Sınırsız Tüketim"i listeler. Her kullanıcının tokenlarını usage alanlarından sayın, bir bütçe tutun ve bütçe bittiğinde ürünün ne yapacağına önceden karar verin: net bir mesaj, daha küçük bir model veya bir kuyruk.
Katman 3. Limitte tam olarak ne olduğunu okuyun. Anthropic'in hız sınırı sayfasında her kademenin aylık harcama tavanı vardır (okuduğumuz sayfada Start, Build ve Scale kademeleri için 500, 1.000 ve 200.000 USD); daha düşük bir limiti kendiniz koyabilirsiniz. Kademe tavanına ulaşmak, retry-after başlığı olmayan ve enforced_spend_limit_reached hata koduyla HTTP 429 döndürür; sayfa, erişim bir sonraki ayın ilk günü 00:00 UTC'de dönene kadar, SDK'nın otomatik yeniden denemeleri dâhil, yeniden denemenin başarısız olacağını söyler. Kendi koyduğunuz limite ulaşmak ise invalid_request_error ile HTTP 400 döndürür. OpenAI'nin rehberi iki denetim anlatır: trafik sürerken bildirim gönderen bir harcama uyarısı ve etkilenen isteklerin HTTP 429 döndürmesini sağlayan, kuruluşa veya projelere uygulanabilen kesin harcama limiti.
Tasarım sonucu, önceden verilmiş bir iş kararıdır: tavana ayın yirmisinde gece ulaşıldığında müşterileriniz ne görecek? Özelliği durduran kesin bir tavan, sizin seçtiğiniz bir arıza biçimidir; bu yüzden mesajı, yedek yolu ve uyarı eşiklerini yayından önce kurun ve hata yönetiminizin harcama limitini olağan hız sınırından ayırdığını sınayın.
Maliyeti nasıl görünür tutarsınız?
Kaydetmediğiniz maliyeti yönetemezsiniz. Her yanıt token sayılarını taşır; bunları istek başına, özellik, model ve kullanıcı ya da kiracı bilgisinin yanında kaydedin.
| Alan | Nereden gelir |
|---|---|
| Yeni giriş, önbelleğe yazma, önbellekten okuma, çıkış tokenları | Anthropic: usage içinde input_tokens, cache_creation_input_tokens, cache_read_input_tokens ve çıkış sayısı. OpenAI: giriş sayısı ile input_tokens_details.cached_tokens |
| İsteğin maliyeti | Dört sayıdan ve sürümlediğiniz fiyat tablosundan kodunuzda hesaplanır |
| Özellik, model, kullanıcı veya kiracı, istek kimliği | Kendi üst verileriniz |
| Önbellek isabet oranı | Okunan tokenlar bölü toplam giriş tokenları |
| Atılan adım sayısı | Döngüdeki bir sayaç |
Anthropic'te input_tokens yalnızca son önbellek kesim noktasından sonraki tokenları sayar; toplam giriş üç giriş alanının toplamıdır, dolayısıyla küçük bir input_tokens küçük bir istek demek değildir.
Üç uyarı erken değerini kanıtlar: tahminin üstünde günlük harcama, düşen önbellek isabet oranı (bir dağıtım ön eki değiştirmiştir) ve sınırdan derin döngüler. İstem metnini değil sayıları ve üst veriyi kaydedin: günlüklerdeki kişisel veri kontrol listesinin 11. maddesidir. Fiyatları kodda değil, sürümlenmiş bir yapılandırma dosyasında tutun; böylece fiyat değişikliği tarihli tek satırlık bir düzenleme olur.
Örnek bir hesap nasıl görünür?
Aşağıdaki sayılar örnektir. Hiçbir sağlayıcının fiyatı değildir; hesabın biçimini göstermek için seçilmiştir. Milyon giriş tokeni için 3,00 USD, milyon çıkış tokeni için 12,00 USD, önbellek okumasının giriş fiyatının onda biri, önbellek yazmasının 1,25 katı olduğunu varsayın.
| Senaryo | Görev başına token | Görev başı maliyet, önbelleksiz | Görev başı maliyet, önbellekli | 10.000 görev, önbelleksiz / önbellekli |
|---|---|---|---|---|
| A. Tek turluk asistan | 4.000 sabit ön ek + 300 yeni giriş, 400 çıkış | 0,0177 | 0,0069 | 177 / 69 |
| B. On turluk sohbet | 2.000 sabit ön ek, her tur 150 kullanıcı + 250 yanıt tokeni ekler, geçmiş yeniden gönderilir | 0,1485 | 0,1014 | 1.485 / 1.014 |
| C. Altı çağrılık ajan görevi | 6.000 başlangıç bağlamı, adım başına +1.500, çağrı başına 300 çıkış | 0,1971 | 0,0857 | 1.971 / 857 |
Nasıl okunur:
- A senaryosu önbellek için en iyi durumdur: büyük bir sabit ön ek ve küçük bir değişken kısım. 4.000 tokenlık ön eki yazmak önbellek ömrü başına bir kez 0,015 tutar; sonraki her yeniden kullanım düşük fiyatla okunur. Tablodaki 0,0069 bu kararlı durum okumasıdır, tek seferlik yazma dışarıda bırakılmıştır; B ve C senaryoları yazmalarını içerir.
- B senaryosu geçmiş etkisini gösterir. On tur boyunca model 39.500 giriş tokeni okur; yani konuşma, tek turun on katı değil yaklaşık on altı katı tutar. Yalnız sabit 2.000 tokenı önbelleğe almak yardım eder ama artık geçmiş büyük paydır; daha büyük kaldıraç onu kırpmak ya da özetlemektir.
- C senaryosu döngü çarpanını gösterir. Her biri büyüyen bağlamı taşıyan altı çağrı, tek çağrının yaklaşık dokuz katı tutar. Önceki bağlamı her adımda önbelleğe almak burada rakamı yarıdan fazla düşürür; adım sınırı ise en kötü durumu keser.
Aynı düzeni kendi sayılarınızla ve güncel sağlayıcı fiyatlarıyla kullanın. Görev başı maliyet, bir görevin sizin için değerini aşıyorsa çare faturada değil tasarımdadır.
Fiyatlar değişirse ne olur?
Değişir ve resmî sayfalar da bunu söyler. Google'ın fiyat sayfası tarihli planlı değişiklikleri listeler: örneğin bir Flash modelinin giriş fiyatı 31 Aralık 2026'ya kadar milyon token başına 0,75 USD iken 1 Ocak 2027'den itibaren 1,50 USD olur, iki başka model 1 Aralık 2026'da 2,00 USD'den 4,00 USD'ye geçer; aynı sayfa, 1 Aralık 2026'dan itibaren isteklerinin başka bir modelin fiyatlarına yönlendirildiği eski modelleri de listeler. Her değişiklik fiyat değildir: yeni bir tokenizer aynı fiyatta token sayısını, dolayısıyla maliyeti değiştirir.
Bunun karşısında özelliği güvende tutan dört alışkanlık:
- Fiyatları ve okuma tarihlerini yapılandırmada tutun ve maliyet modelini belirli aralıklarla yeniden çalıştırın.
- Model sürümünü sabitleyin ve yenisine geçmeden önce değerlendirme kümenizi yeniden çalıştırın; sağlayıcıya bağımlılık ve sahiplik kontrol listesinin 14. maddesindedir.
- Model değiştirirken tokenları yeniden sayın.
- Tavanı sağlayıcıda tutun, güncel tahmini yansıtan bir düzeyde ve tahmin değiştikçe gözden geçirin.
Biz bunu nasıl yapıyoruz
Burada yalnızca sitemizde yazdıklarımızı tekrarlıyoruz. Her çalışma, onayladığınız yazılı bir teklifle başlayan ücretli bir projedir. Kapsam, takvim ve maliyet, herhangi bir şey faturalanmadan önce yazılı olarak elinizdedir; siz onaylamadan hiçbir şey ücretlendirilmez. Yapay zekâ işlerinde keşif adımı, yapay zekâdan ne beklediğinizi, onsuz çözülüp çözülemeyeceğini ve iyi bir sonucun nasıl göründüğünü kapsar; bu tablo netleşmeden hiçbir şey kurulmaz. Sonra neyin kurulduğunu, hangi sırayla ve hangi maliyetle kurulduğunu yazarız; iş ancak siz onayladıktan sonra başlar. Her teknik karar gerekçesiyle birlikte yazılır. Yapay zekâ doğru cevap değilse bunu size söyleriz. Ayrıntıları yapay zekâ entegrasyonu hizmetimiz sayfasında ve Süreç sayfasında okuyabilirsiniz. Planladığınız ya da çalışan bir yapay zekâ özelliğini konuşmak isterseniz projenizi anlatın.
Sık sorulan sorular
Bir yapay zekâ özelliğini çalıştırmak ne kadara mal olur?
Ölçebileceğiniz üç şeye bağlıdır: her çağrıda giren ve çıkan token sayısı, bir kullanıcı eyleminin kaç çağrı yaptığı ve kullanıcıların ne sıklıkla işlem yaptığı. Bunları sağlayıcının güncel fiyatıyla ve tekrar eden kısmın önbellek koşuluyla fiyatlayın. Yazının başındaki altı adım yöntemi, örnek hesap da sonucun biçimini verir.
İstem önbelleği maliyeti her zaman düşürür mü?
Hayır. Uzun ve birebir aynı bir başlangıç önbellek ömrü içinde yeniden kullanıldığında ve ön ek modelin asgari uzunluğunun üstünde olduğunda düşürür. Önbelleğe yazmak olağan girişten pahalıdır; bu yüzden nadiren yeniden kullanılan bir ön ek, hiç önbellek kullanmamaktan pahalıya gelebilir. Bir şeyi değiştirmeden önce ve sonra usage alanlarından önbellek isabet oranını ölçün.
Kaçak bir faturayı nasıl durdurursunuz?
Üç katman kullanın: her istek için sınırlar, kullanıcı veya oturum başına bir bütçe ve sağlayıcıda uyarılı bir harcama limiti. Sonra limite ulaşıldığında ürününüzün ne yaptığını sınayın; harcama limiti, yeniden denemelerin düzeltemeyeceği bir hata döndürür.
Küçük model her zaman daha mı ucuzdur?
Token başına evet. Doğru cevap başına, küçük modelin değerlendirme kümenizde ne sıklıkla başarısız olduğuna ve her başarısızlığın yeniden deneme, yükseltme ve destekte neye mal olduğuna bağlıdır. Kendi örneklerinizle, üretim kontrol listesindeki yöntemle karar verin.
Tokenları kendi dilimde saymam gerekir mi?
Evet. Token sayısı tokenizer'a, dile ve içerik türüne bağlıdır; yeni bir model aynı metni farklı sayabilir, nitekim Anthropic'in token sayma rehberi de bunu belirtir. Gerçek girdilerinizden bir örneği kullanacağınız modelle sayın ve model değiştirince yeniden sayın.
Kaynaklar
Aşağıdaki sayfalar 16 Kasım 2026'da açıldı ve okundu. Hiçbirinde kendi tarihi yoktur; fiyat, plan ya da sürüm bilgisi taşıyan sayfalar zamanla değişir. Bir rakama dayanmadan önce resmî sayfaları yeniden açın. Özgün metinler İngilizcedir; alıntılar çevirimizdir.
- Anthropic, Pricing · Prompt caching · Rate limits · Token counting
- OpenAI, Pricing · Prompt caching · Rate limits
- Google AI Studio, Gemini API pricing
- OWASP Top 10 for LLM Applications 2025, LLM10: Unbounded Consumption
Bu yazıdaki sağlayıcı fiyatları yalnızca yukarıdaki sayfalardan alınmıştır, bir aralığı göstermek için verilmiştir ve değişebilir. Bu yazı genel bilgidir, hukuki danışmanlık değildir; kişisel verinin bir model sağlayıcısına gönderilmesi için kontrol listemizin 10. ve 11. maddelerine ve orada verilen kaynaklara bakın.
— İlgili hizmetYapay Zeka Entegrasyonu