Türkiye’nin 2026-2030 yılları arasında uygulamayı hedeflediği adımları içeren Yapay Zekâ Eylem Planı, 13 Haziran 2026 tarihinde kamuoyuna duyurulmuştu. 17 Ağustos 2026 tarihli Cumhurbaşkanlığı Genelgesi ile de uygulama çerçevesine kavuştu ve 18 Ağustos’ta Resmî Gazete’de yayımlandı.

Plan çoğu kesim tarafından, doğal olarak yapay zekâ modelleri, girişimler, insan kaynağı ve yapay zekânın farklı sektörlerde kullanımı üzerinden değerlendiriliyor. Ancak bu eylem planına veri teknolojileri perspektifinden baktığımızda çok daha önemli başka bir hikaye de ortaya çıkıyor.

Hep belirttiğimiz gibi, yapay zekâ yalnızca modelden oluşmuyor.  Bir yapay zekâ sisteminin arkasında veri merkezleri, GPU kümeleri, yüksek hızlı ağlar, dağıtık depolama sistemleri, veri gölleri, lakehouse platformları, streaming altyapıları, metadata sistemleri, veri yönetişimi, veri kalitesi, güvenlik ve yüzlerce farklı veri mühendisliği bileşeni bulunuyor.

Bu yüzden Türkiye’nin Yapay Zekâ Eylem Planı’nı sadece bir AI planı olarak görmek eksik kalacaktır. Bu plan aynı zamanda Türkiye’nin önümüzdeki yıllardaki data infrastructure, compute infrastructure ve AI-ready data platform dönüşümünün yol haritası olma potansiyeli taşıyor.

AI çağının temel gerçeği: Model kadar veri ve altyapı da önemli

Uzun süre yapay zekâ çalışmalarında algoritmalar ve modeller üzerine yoğunlaşılmıştı. Ancak özellikle Gen AI ve LLM’lerin yükselişiyle birlikte teknoloji dünyası başka bir gerçekle daha güçlü şekilde karşılaştı. Bu gerçek; AI’ın ölçeklenebilmesi için yalnızca güçlü modeller değil, güçlü bir veri ve hesaplama altyapısı gerektirmesidir. Türkiye Yapay Zekâ Eylem Planının mimarisinin de bu gerçeği dikkat çekici şekilde yansıtıyor.

Plan birbirini besleyen 5 katman üzerine inşa edilmiş durumda. Bu katmanlar aşağıdaki gibi ifade edilebilir;

Enerji → Hesaplama Donanımı → Altyapı → Modeller ve Veri → Uygulamalar

Bun katmanların tamamını ise yetenek, finansman, düzenleme ve güven gibi yatay bileşenler destekliyor. Bu mimariye veri teknolojileri açısından baktığımızda önemli bir sonuç çıkıyor.

En üst katmanda gördüğümüz yapay zekâ uygulamalarını oluşturabilmek için altında çok büyük bir data + compute infrastructure ekosisteminin kurulması gerekiyor. Yani, AI uygulamaları buzdağının görünen kısmıysa, veri ve hesaplama altyapısı buzdağının suyun altındaki büyük bölümüdür.

1 GW veri merkezi kapasitesi neden önemli?

Planın veri altyapıları açısından en dikkat çekici hedeflerinden biri Türkiye’nin yapay zekâ ve veri merkezi kurulu gücünün 2030 yılına kadar en az 1 GW seviyesine çıkarılması. Bunun yanında plan kapsamında en az 1 eksabayt depolama kapasitesi, 100 Tb/s ulusal omurga bağlantısı ve yıllık 10 TWh düşük karbonlu elektrik satın alma anlaşması hacmi hedefleniyor. Bu rakamların büyüklüğünü anlamak önemli.

1 eksabayt yaklaşık olarak:1.000 petabayt veya 1 milyon terabayt seviyesinde bir depolama kapasitesini ifade ediyor.

Türkiye’nin kurulu veri merkezi gücü 2025 yılı itibari ile 250 MW olarak sektör kaynaklarında belirtiliyor. Dolayısı ile planda bahsedilen güce erişmek için 2030 yılına kadar mevcut veri merkezi kapasitesinin 4 katına çıkarılması gerekiyor. 

ABD’nin 2025 yılında toplam veri merkezi gücü 17,2 GW olarak hesaplanıyor. Yani Türkiye’nin 2030 yılında ulaşmasını planlanan büyüklüğün 17 katı, bugünkü kapasitesinin ise 70 katı büyüklüktedir. (https://www.abiresearch.com/blog/top-25-largest-data-center-companies-united-states?utm_source=chatgpt.com)

Dolayısıyla burada yalnızca birkaç büyük veri merkezinin kurulmasından bahsetmiyoruz. Bunun arkasında çok büyük bir teknoloji ekosistemi oluşması gerekiyor. Yani 750 MW ek kapasitenin hayata geçirilmesi sadece daha fazla rack koymak anlamına gelmiyor. 250 MW’tan 1 GW’a çıkabilmek için buna paralel olarak elektrik altyapısı, yüksek kapasiteli fiber bağlantıları, soğutma sistemleri, UPS ve enerji depolama sistemleri, yüksek yoğunluklu GPU rack’leri, distributed storage, object storage, network fabric ve disaster recovery kapasitesinin de büyümesi gerekiyor.

Sunucular, GPU cluster’ları, yüksek hızlı network altyapıları, distributed storage sistemleri, object storage platformları, veri replikasyonu, backup sistemleri, disaster recovery mimarileri, observability platformları, workload management çözümleri ve güvenlik sistemleri bu ekosistemin yalnızca bir bölümünü oluşturuyor. Bu nedenle veri merkezi yatırımlarının büyümesi veri teknolojileri pazarını da doğrudan büyütebilir.

Türkiye için yeni bir alan: AI Infrastructure Engineering

Bugün sektörde Data Engineer, Big Data Engineer, Cloud Engineer, Platform Engineer ve Machine Learning Engineer gibi roller bulunuyor. Ancak AI altyapılarının büyümesiyle bunların kesişiminde yeni bir uzmanlık alanı giderek daha önemli hale geliyor: AI Infrastructure Engineering.

AI infrastructure ekipleri aşağıdaki farklı konu ve görevleri birlikte anlayabilmesi gerekiyor.

• GPU cluster yönetimini,
• Distributed storage sistemlerini,
• Yüksek performanslı network mimarilerini,
• Container ve Kubernetes altyapılarını,
• Model serving platformlarını,
• Veri platformlarını,
• Observability sistemlerini,
• Resource scheduling mekanizmalarını

Türkiye’deki veri merkezi ve AI altyapısı yatırımlarının büyümesi bu uzmanlıklara olan ihtiyacı da önemli ölçüde artırabilir.

Ulusal Veri Kütüphanesi

Eylem planının veri profesyonellerini doğrudan ilgilendiren en önemli başlıklarından biri ise Ulusal Veri Kütüphanesi. Plan kapsamında “en az 2.000 kamu veri setinin makine tarafından okunabilir biçimde yayımlanması, bunların en az 100’ünün API üzerinden düzenli erişilebilir hale getirilmesi” hedefleniyor.

Bu ilk bakışta bir “open data” projesi gibi görülebilir. Ancak teknik açıdan düşündüğümüzde problem çok daha büyük. Bir kamu kurumunun verisini AI sistemlerinin kullanabileceği hale getirmek için yalnızca CSV dosyasını internete koymak yeterli değildir.

• Verinin öncelikle keşfedilebilir olması gerekir.
• Metadata’sının oluşturulması gerekir.
• Schema’sının tanımlanması gerekir.
• Veri kalitesinin ölçülmesi gerekir.
• Verinin sahibinin kim olduğu belirlenmelidir.
• Kişisel veya hassas veriler sınıflandırılmalıdır.
• Lineage bilgisi oluşturulmalıdır.
• API’lerin versiyonlanması gerekir.
• Data contracts tanımlanmalıdır.
• Access control mekanizmalarının oluşturulması gerekir.
• Verinin ne sıklıkta güncellendiği izlenmelidir.

İşte burada veri mühendisliği ve data governance dünyası devreye giriyor.

İhtiyaç yalnızca Open Data değil, AI-Ready Data 

Önümüzdeki yıllarda kurumların karşısına sıklıkla şu soru çıkacak: Verilerimizi yapay zekânın güvenli ve verimli şekilde kullanabileceği hale nasıl getiririz? Bu problem klasik Data Warehouse veya Data Lake probleminin çözebileceği bir problem değildir. Eylem planında bahsedildiği üzere hedef AI-Ready Data olacaktır.

AI-ready bir veri platformunun veriyi yalnızca saklaması yeterli değildir. Bir önceki başlıkta değindiğimiz gibi

• Veri bulunabilmelidir.
• Anlamı bilinmelidir.
• Kalitesi ölçülebilmelidir.
• Kim tarafından üretildiği bilinmelidir.
• Nereden geldiği izlenebilmelidir.
• Kimlerin kullanabileceği kontrol edilmelidir.

AI modellerinin hangi verileri kullandığı takip edilebilmelidir. Bu nedenle Data Catalog, Metadata Management, Data Lineage, Data Quality, Master Data Management ve Data Governance gibi uzun süredir konuştuğumuz alanların Türkiye ve Kurumlar için de stratejik önemi daha da artacaktır.

Lakehouse mimarileri için önemli bir fırsat

Büyük AI sistemlerinin ortak özelliklerinden biri çok farklı veri türleriyle çalışmalarıdır. Structured data, semi-structured data, loglar, dökümanlar, PDF’ler, görüntüler, ses dosyaları, IoT verileri, event stream’leri aynı ekosistemin parçası olabilir. Bu durum geleneksel yalnızca ilişkisel veri tabanı yaklaşımının ötesinde veri platformları gerektiriyor. Bu noktada modern Data Lake ve özellikle Lakehouse mimarilerinin önemi artıyor.

Object storage üzerinde Parquet gibi açık formatlarda saklanan veriler ve bunun üzerinde Apache Iceberg, Delta Lake veya Apache Hudi gibi table format teknolojilerinin kullanılması AI workload’larıyla analitik workload’ların aynı veri platformunu paylaşabilmesini mümkün kılıyor. 

Türkiye’de AI yatırımları büyüdükçe kurumların klasik: Database ve  Data Warehouse mimarisinden

Operational Systems → Streaming / Ingestion → Lakehouse → AI / Analytics

mimarisine doğru daha hızlı hareket etmesi olası. Bu sistemlerin hayata geçirilebilmesi için de Data Engineer ve Data Architect uzmanlıklarına fazlasıyla ihtiyaç duyulacak ve bu rollerin önemi daha da artacaktır.

“Herkes İçin GPU” programı data platformları açısından neden önemli?

Plan kapsamında Herkes İçin GPU programıyla girişimlere, KOBİ’lere ve araştırmacılara compute kaynağı sağlanması hedefleniyor. İlk aşamada yıllık en az 2 milyon GPU-saat, 2028 sonuna kadar ise yıllık en az 20 milyon GPU-saat kapasite hedefleniyor.

Ancak GPU erişimi tek başına AI geliştirmek için yeterli değildir. GPU’nun sürekli veriyle beslenmesi gerekir. Örneğin yüzlerce GPU’dan oluşan bir training cluster’ına veri aktarırken storage sisteminin gerekli throughput’u sağlayamaması durumunda milyonlarca dolarlık GPU altyapısı veri bekleyerek çalışabilir.

Bu nedenle GPU yatırımları doğal olarak beraberinde yüksek performanslı:

• distributed storage,
• object storage,
• parallel file systems,
• cache sistemleri,
• high-speed networking

yatırımlarını da getirecektir. Data engineer ve infrastructure engineer ekiplerinin kesişimi tam olarak burada ortaya çıkıyor.

Yerli veri teknolojileri şirketleri için önemli bir fırsat doğabilir

AI ekosisteminde tamamen yerli GPU üretmek kısa vadede oldukça zor olabilir. Benzer şekilde küresel hyperscaler seviyesinde cloud altyapısı oluşturmak da büyük sermaye gerektirir.

Ancak veri yazılımı katmanında giriş bariyeri çok daha düşüktür. Örneğin Türkiye’den;

• Data Catalog,
• Metadata Management,
• Data Lineage,
• Data Quality,
• AI Governance,
• Model Governance,
• Data Observability,
• KVKK uyumlu veri maskeleme,
• Synthetic Data,
• Secure Data Sharing,
• RAG Data Platform,
• Vector Search,
• AI Gateway,
• LLM Observability

gibi alanlarda ürünler çıkması muhtemeldir. Özellikle kamu veri ekosistemi büyürken data governance ve metadata management kritik bir ihtiyaç haline gelebilir. Ki bu ihtiyaçları karşılayabilmek için Türkiye’nin önemli savunma sanayi firmalarından biri olan HAVELSAN da yapay zeka eylem planı açıklandıktan hemen sonra ORION isimli yerli ve milli Bigdata ürününü duyurarak elini taşın altına soktu. https://www.havelsan.com/tr/haberler/kurumlari-yapay-zekaya-tasiyacak-milli-platform-goreve-hazir

Kurumlar için kritik kavramlar: Governance ve RAG 

AI dünyasında belki de en fazla değer kazanacak alanlardan biri Data Governance olacak. Çünkü klasik analitik dünyasında yanlış veri çoğunlukla yanlış rapor anlamına geliyordu. AI dünyasında ise yanlış, izinsiz veya kalitesiz veri; yanlış model davranışına, regülasyon ihlaline, hatalı otomasyona, kişisel veri sızıntısına ve hatta kurum adına alınmış hatalı kararlara dönüşebilir.

Bu nedenle geleceğin veri platformlarında şu soruların cevaplanması zorunlu hale gelecek:

• Bu veri nereden geldi?
• Kimin verisi?
• Kim kullanabilir?
• Kalitesi nedir?
• Hangi AI modeli bu veriyi kullandı?
• Model hangi versiyondaki veriyle eğitildi?
• Bu veride kişisel bilgi bulunuyor mu?
• Bir kullanıcı silinme talebinde bulunursa hangi dataset ve modeller etkileniyor?

Bu sorular Data Governance’ın artık yalnızca regülasyon ekibinin konusu olmadığını gösteriyor. Governance geleceğin AI infrastructure layer’larından biri olacak. Dolayısı ile çoğunlukla hassas veri ile çalışan kurumların governance konusunda önlemleri alması kritik bir hal alacaktır.

Generative AI dünyasında büyük fırsatlardan biri de Retrieval Augmented Generation yani RAG mimarileri. Kurumlar kendi dokümanlarını, prosedürlerini, mevzuatlarını, ürün bilgilerini ve operasyonel verilerini LLM’lerin kullanmasını istiyor. Ancak burada yeni bir veri pipeline’ı ortaya çıkıyor:

Documents
↓
Parsing
↓
Chunking
↓
Metadata Enrichment
↓
Embedding
↓
Vector Index
↓
Retrieval
↓
LLM

Bu sistemlerin kurumsal ölçekte yönetilebilmesi klasik database yönetiminden çok daha kapsamlı bir platform yaklaşımı gerektiriyor. Bu nedenle önümüzdeki yıllarda AI Data Platform veya RAG Platform olarak adlandırabileceğimiz teknoloji kategorisinin Türkiye’de kurumlar için hızla büyümesini beklenebilir. 

Veri profesyonelleri açısından hangi uzmanlıklar öne çıkabilir?

Türkiye Yapay Zekâ Eylem Planı hedeflerine yaklaştıkça AI Engineer ihtiyacının artacağı açık.

Ancak asıl gözden kaçırılmaması gereken konu bunun yanında çok büyük bir data teknolijleri uzmanı ihtiyacının oluşacak olmasıdır.

• Data Engineer,
• Big Data Engineer,
• Data Architect,
• Cloud Data Architect,
• Data Platform Engineer,
• Streaming Data Engineer,
• Data Governance Specialist,
• Metadata Engineer,
• Data Quality Engineer,
• Data Security Specialist,
• AI Infrastructure Engineer,
• ML Platform Engineer

gibi roller giderek daha önemli hale gelebilir. Çünkü AI modelleri geliştikçe veri altyapıları ortadan kalkmayacak. Tam tersine daha karmaşık hale gelecektir.

Veri mimarının rolü de değişecek

Geleneksel bir Data Architect için temel sorular genellikle şöyleydi:

• Veriyi nerede tutacağız?
• Nasıl işleyeceğiz?
• Batch mi streaming mi kullanacağız?
• Hangi database uygun?
• Data Warehouse mı Data Lake mi?

AI çağında bu sorulara yenileri ekleniyor:

• Bu veri AI-ready mi?
• LLM bu veriye nasıl erişecek?
• Vector database gerekli mi?
• Modelin kullandığı verinin lineage’ını izleyebiliyor muyuz?
• GPU cluster ile storage arasındaki throughput yeterli mi?
• Sensitive data LLM’e gönderilebilir mi?
• Data residency gereksinimi nedir?
• Model hangi data version ile eğitildi?
• Feature’ların kaynağı neresi?

Bir Data Architect artık yalnızca data architecture değil, giderek daha fazla data + AI architecture gibi konumlanmak zorunda kalacak.

Yapay zekâ devrimi aynı zamanda bir veri altyapısı devrimi

Bugün teknoloji dünyasında yapay zekâ konuşulduğunda büyük dil modelleri, AI Agent’ları ve yeni yapay zekâ uygulamaları gündeme geliyor. Ancak önümüzdeki dönemin asıl büyük teknoloji yatırımlarının önemli bir bölümü perde arkasında gerçekleşecek.

• Veri merkezleri kurulacak.
• GPU cluster’ları büyüyecek.
• Petabaytlarca veri taşınacak.
• Distributed storage sistemleri kurulacak.
• Lakehouse platformları büyüyecek.
• Streaming platformları yaygınlaşacak.
• Data governance sistemleri zorunlu hale gelecek.
• Metadata ve lineage kritik önem kazanacak.
• Kurumların verileri AI-ready hale getirilecek.

Türkiye’nin 2026-2030 Yapay Zekâ Eylem Planı bu dönüşümü hızlandırabilecek önemli bir bileşen niteliğinde. Bu nedenle önümüzdeki yıllar yalnızca AI mühendisleri için değil; Data Engineer’lar, Big Data uzmanları, Data Architect’ler, Data Governance profesyonelleri, Platform Engineer’lar ve veri merkezi uzmanları için de önemli fırsatlar barındırıyor. Belki de önümüzdeki dönemi anlatacak en doğru cümle şu:

“AI çağında rekabet yalnızca en iyi modeli geliştirenler arasında değil, verisini en iyi yöneten ve bu veriyi en güçlü altyapıyla işleyebilenler arasında yaşanacak.”

Türkiye’nin yapay zekâ hedeflerine ulaşmasında temel soru yalnızca “Hangi yapay zekâ modellerini geliştireceğiz?” olmayacak. En az onun kadar önemli başka bir soru daha olacak:

Bu modelleri besleyecek veri altyapısını kim kuracak?