Rehber
Yapay Zekâ ÇağındaBüyüme
Yapay zekâ ürününde kayıt ve ilk ödeme kolay. Büyümenin kalıcı olması ve her istekte para kaybetmemek ise başka işler. Bu rehber onları ayırmaya yarayan soruları topluyor.
Yazar: Alp SuleimanYayın
Giriş
Büyüme ile dayanıklılık aynı satırda görünmez
Pano yukarı gidiyor. Asıl soru, o eğrinin kime ait olduğu.
Yapay zekâ ürünlerinde kayıt, deneme ve ilk ödeme kolay. Kolay satın alınan şey kolay da bırakılabiliyor; her kullanım ayrıca bir maliyet doğuruyor; bir özelliği kopyalamak giderek ucuzluyor (sitedeki yazıya göre). Bizim çerçevemiz (yorum): bu üç baskı tek bir ARR satırında ayrışmıyor.
a16z konuya şöyle yaklaşıyor: öndeki yapay zekâ şirketlerinin zorunlu olarak bir retention sorunu yok, ama bir ölçüm sorunu var (a16z, bu şirketlerin uzun vadede daha da iyi retention'a ulaşabileceğini de söylüyor). Bu rehberin geri kalanı o ölçümü kurmak üzerine: önce maliyet, sonra kalanlar, sonra fiyat, ekip ve savunulabilirlik. Sonda bir yöntem önerisi ve üç test sorusu var.
Birim ekonomisi
Her isteğin bir faturası var
Maliyet düşüyor mu, yükseliyor mu? İkisi de doğru olabilir.
Sabit fiyatlı bir paketle satılan her istek, tarifesi önceden konuşulmuş ama sayacı açık bir taksi gibidir. Yolcu aynı tutarı öder; yol uzadıkça yakıtı sen yakarsın. Klasik yazılımda bir kullanıcının marjinal maliyeti genellikle çok düşüktü. Burada her kullanım sana bir fatura kesiyor.
Faturanın yönü için iki okuma var ve birbiriyle çelişir gibi duruyor.
- 01
Aynı iş her yıl ucuzluyor
a16z'nin LLMflation analizine göre eşdeğer performanstaki bir LLM'in maliyeti her yıl 10 kat düşüyor (ölçüt MMLU puanı; OpenAI, Anthropic ve Llama modelleri). Yazar, metodolojinin “kusursuzdan uzak” olduğunu ve düşüş hızının yavaşlayabileceğini belirtiyor, ama genel sonucun geçerli olduğunu da düşünüyor.
- 02
Ama talep en yeni modele kayıyor
Ethan Ding'in argümanı (bir blog yazısı, veri değil): kullanıcılar eski ve ucuz modelle yetinmiyor, en yeni modele geçiyor; birim fiyat düşse de abonelik marjı bu yüzden düzelmiyor.
Bizce iki madde çelişmez, çünkü farklı şeyi ölçer. Biri “aynı işin fiyatı”, diğeri “müşterinin istediği işin fiyatı”. Senin için önemli olan ikincisi.
Retention
Turistler gitti, kim kaldı?
İlk aylardaki eğri, uzun vadeli sadakatin iyi bir göstergesi olmayabilir.
a16z'nin deyişiyle “AI tourists”: kayıt olan, birkaç ay deneyen ve giden kullanıcılar. Rodriguez ve Immerman'a göre bu dalga yüzünden erken retention eğrileri uzun vadeli elde tutmanın o kadar belirleyici bir göstergesi değil. Önerdikleri düzeltme basit: retention'ı ve CAC'ı M0 yerine M3'ten başlat. Yazıya göre M3, turistler gittikten sonra kalan “gerçek” müşteri tabanını temsil ediyor. İncelenen eğriler de çoğunlukla M3 civarında düzleşiyor.
Örneklem sınırını bil: yazı, ARR'si 1 milyon doları aşan, seçilmiş “düzinelerce” yapay zekâ şirketine bakıyor. Kendi eğrinin M3'te düzleşeceğini varsaymak yerine matrisinde düzleşmenin nerede olduğuna bak.
Sitedeki AI Çağında Değerin Yeni Savaşı yazısının sorusu burada da geçerli: rakip bir şey yaptı, kaç kullanıcı o yüzden gitti? Yorum: gidenlerin neden gittiğini bilmeden yapılan bir tutundurma çalışması, turistleri tutmaya uğraşmak olur.
Fiyat
Ucuz satmanın bedeli
Fiyat ile elde tutma birlikte hareket ediyor mu?
Aynı analizde Poyar, aylık fiyat bandına göre bakıyor ve fark büyük. Aşağıdaki tablo onun verisi; aynı örneklem ve aynı sınırlar geçerli.
Poyar'ın cümlesi tabloyu özetliyor: kolay satın alınmanın bedeli, kolay iptal edilmektir. Önerisi de deneysel harcama ile ciddi harcamayı ayırmak; ciddi harcamayı, en az 250 $ ödemiş müşterilerden gelen gelir olarak öneriyor (peşin ödenen yıllık plan, 250 $ üstü anlaşma ya da düşük ödeyip kalan müşteri olabilir).
| Aylık fiyat | GRR | NRR |
|---|---|---|
| 250 $ üzeri | %70 | %85 |
| 50–249 $ | %45 | %61 |
| 50 $ altı | %23 | %32 |
Aylık fiyat bandına göre medyan elde tutma (AI-native şirketler)
250 $ üzeri
- GRR:
- %70
- NRR:
- %85
50–249 $
- GRR:
- %45
- NRR:
- %61
50 $ altı
- GRR:
- %23
- NRR:
- %32
Kaynak: Poyar ve ChartMogul, 2025 analizi; AI-native ürünler, aylık fiyat bandına göre. Fiyat bandı başına şirket sayısı verilmemiş; AI-native örneklemi küçük (taranan yaklaşık 200 şirket), bu yüzden yönsel okunmalı.
Bizce fiyat bandı ile müşteri tipi birbirine karışıyor. Pahalı ürünü genellikle farklı bir müşteri, farklı bir amaçla alır. Tablo, fiyatı düşürmenin elde tutmayı bozduğunu değil, bu iki şeyin birlikte gittiğini gösteriyor.
Fiyatlandırma
Maliyet kime yazılıyor?
Fiyat modeli, çıkarım faturasının kimin üzerinde kaldığını belirler.
Sabit fiyatta fatura sende kalır; kullanıma bağlı fiyatta müşteriye yansır; hibritte ikisi paylaşılır; sonuç bazlı fiyatta müşteri sonuç için öder, riski ise sen alırsın (yorum). ICONIQ'nun Temmuz 2026 raporuna göre (Q4 2025 ve Q2 2026 anketleri, her biri yaklaşık 300 yönetici, öz-bildirim), tüketim bazlı fiyatlandırmanın oranı altı ayda %35'ten %42'ye, sonuç bazlı olanınki %18'den %23'e çıkmış; şirketler ortalama 1,7 fiyatlandırma modelini birlikte kullanıyor.
Hangi modelin sana uyduğuna Fiyat Modeli Seçici'de birkaç soruyla karar verirsin; bu rehber o kararı vermiyor. Sonra modeli AI birim ekonomisi hesaplayıcısında kendi rakamlarınla dene: sabit fiyatta en yoğun kullanıcının hangi istek sayısında zarara geçtiğini, sonuç bazlıda başarı oranı düşerse marjın nereye gittiğini bul.
Büyüme ekibi
Hız tek başına yetmiyor, neye baktığın da belirliyor
Yapay zekâ büyüme ekibinin işini neyle değiştiriyor?
Poyar'ın anlattığı bir örnek: Fyxer, 2025'te 514 deney yürütmüş, iş günü başına ikiden fazla. Denemeye kredi kartı istemi koyan bir deneyde (ödeme duvarı isteğe bağlıymış) kayıtlar düşmüş, ödeyen müşteri sayısı iki katına çıkmış.
Bu tek bir şirket, Poyar'ın anlatımıyla; genellenemez. Kaynak burada bitiyor, gerisi yorum: kayıt sayısına bakan bir ekip bu deneyi başarısız sayardı. Hız deney sayısını, metrik seçimi neyin kazanç sayılacağını belirler.
Growth.Talent'ın aktardığına göre Lovable'ın büyüme başkanı Elena Verna “Şu an büyüme için zamanımın %95'ini yenilik yapmaya, yalnızca %5'ini optimizasyona harcıyorum” diyor; aynı sayfadaki çerçevede HubSpot'tan Kieran Flanagan'ın argümanı ise yapay zekânın büyüme ekiplerini ayrı ekip yapan sınırları eritmesi.
Savunulabilirlik
Kopyalanınca ne kalıyor?
Büyümenin kalıcı olması için ürünün altında ne olmalı?
Sequoia 2023'te yazmıştı: üretken yapay zekânın en büyük sorunu kullanım alanı, talep ya da dağıtım bulmak değil, değeri kanıtlamak. Bessemer'in State of AI 2025 raporu da şunu söylüyor: elde tutma, geçiş maliyeti düşükken kırılgan olabilir; erken hiper büyüme tek başına her zamankinden daha az şey ifade ediyor.
Sitedeki yazı bu hattı katman katman açıyor: özel veri ve bağlam, iş akışına gömülmek, dağıtım, güven ve sonucun sahipliği. Bizce bu katmanların her biri retention eğrisinde bir düzleşme olarak görünmeli. Görünmüyorsa elindeki şey bir özellik olabilir.
Yöntem
Üç ölçüm değişikliği
Bu bölüm kaynakların söylediği değil, bizim önerimiz. Kaynaklarda bu birleşimler yok; senin verinde denenmesi gereken hipotezler.
Bizim önerimiz (hipotez)
- 01
Retention'ı turistler gittikten sonra başlat
Cohort matrisinde düzleşmenin başladığı noktayı bul ve retention ile CAC'ı o noktadan hesapla. a16z M3'ü öneriyor; senin için doğru ay, matrisinin gösterdiği ay. Hesaplanacak sayı: o noktada hâlâ burada olan müşteri başına düşen CAC. Cohort Matrisi'ndeki "Başlangıç ayı" seçeneği, retention ve CAC'yi seçtiğin aydan başlatarak buna benzer bir hesap yapar; CAC'yi kalan müşteriye yazmak bir varsayımdır.
- 02
Gelirin değil, çıkarım maliyetinin cohort'unu çiz
Retention eğrisinin yanına, cohort'un kullanıcı başı çıkarım maliyetinin eğrisini koy. Hipotez: kalanlar en çok kullananlarsa retention iyi görünür, birim ekonomisi bozulur. Matris bunu tek başına göstermez, iki eğri birlikte gösterir. Çıkarım faturan dolarla, gelir liraysa kur etkisini ayrı bir adım olarak çıkar.
- 03
ARR'yi iki kovaya ayır, reel olanı yalnız ikincisinde ara
Poyar'ın deneysel ve ciddi harcama ayrımını kendi fiyat yapına uyarla: eşiği sen belirle. Sonra büyümeyi yalnız ciddi kovada oku ve Reel Büyüme rehberindeki gibi fiyat etkisinden arındır. Hedef, deneme harcamasına “büyüme” dedirtmemek.
Üçü de hipotez. İlk sürümünü küçük bir cohort'ta dene; kendi verin yanlışlarsa yöntemi bırak.
Test soruları
Üç soru
Cevaplamak bir dakika sürer. Cevabı bilmemek bir şey söylüyor.
Ödemeye başlayan kullanıcıyı mı sayıyorsun, kalacak olanı mı?
İki sayı arasındaki fark kabaca turist sayındır.
Cohort Matrisi →En çok kullanan müşterin sana en çok kazandıran mı, en pahalıya mal olan mı?
Sabit fiyatta ikisi aynı kişi olabilir.
AI birim ekonomisi hesaplayıcısı →Son deneyin sana neyi öğretti, ve o öğrenme hangi kararı değiştirdi?
Cevap “kayıt arttı” ise karar henüz değişmemiştir.
Reel Büyüme rehberi →
Sık sorulanlar
“AI tourist” kimdir?
a16z'nin kullandığı terim: bir yapay zekâ ürününe kayıt olan, birkaç ay deneyen ve sonra ayrılan kullanıcı. a16z, bunların yüzünden erken retention eğrilerinin uzun vadeli elde tutmanın o kadar belirleyici bir göstergesi olmadığını yazıyor ve retention ile CAC'ı M0 yerine M3'ten ölçmeyi öneriyor.
Çıkarım maliyeti düşüyorsa birim ekonomisi neden hâlâ sorun?
a16z, eşdeğer performanstaki bir LLM'in maliyetinin her yıl yaklaşık 10 kat düştüğünü söylüyor, ama metodolojinin “kusursuzdan uzak” olduğunu ve hızın yavaşlayabileceğini de ekliyor. Ethan Ding ise talebin en yeni modele kaydığını, bu yüzden abonelik marjının düzelmediğini savunuyor.
Yıllık plan retention sorununu çözer mi?
Rakamda gizler, sorunu çözmez. Poyar yıllık planlarda NRR'ın aylıktan 10-20 puan yüksek olduğunu not ediyor; a16z yıllık sözleşmelerde yüksek retention'ın yanlış güven verebileceğini, kullanım ve benimsemeye bakılmasını öneriyor.
ARR'yi neden deneysel ve ciddi harcama diye ayırmak gerekir?
Poyar'ın verisinde düşük fiyat bandındaki ürünlerin elde tutması belirgin biçimde zayıf; kendisi de deneysel harcama ile ciddi harcamanın ayrılmasını öneriyor. Bu rehberin yöntem bölümü bunu kendi fiyat yapına uyarlamayı hipotez olarak öneriyor.
Başla
Önce kimin kaldığına, sonra ona neye mal olduğuna bak
Bu rehberin tamamı bir alışkanlığa çıkıyor: pano yukarı giderken hangi kullanıcının kaldığına, ve her kalanın sana neye mal olduğuna bak. Bir cohort ile başla.
Nereden başlamalı?
- Fiyat modelin belirsizse: Fiyat Modeli Seçici.
- Retention'ı turistler gittikten sonra başlatmak istiyorsan: Cohort Matrisi, başlangıç ayı seçeneğiyle. Araç kimin turist olduğunu bulmaz; yalnızca seçtiğin aydan başlayarak hesaplar.
- Marjından emin değilsen: AI birim ekonomisi hesaplayıcısı. Karma aylık geliri ve marjı oradan Cohort Matrisi'ne taşıyabilirsin; matrisi kendin yapıştırırsın.
Rakamlarına birlikte bakalım
Kendi cohort'larına ve birim ekonomine birlikte bakmak istersen kısa bir yazışmayla başlayabiliriz.
Alp ile konuş →Kaynaklar
- 1.a16z — Retention Is All You Need (Rodriguez, Immerman, 10 Eylül 2025)
- 2.Growth Unhinged — The AI churn wave? (Poyar, ChartMogul, 10 Aralık 2025)
- 3.Sequoia Capital — Generative AI's Act Two (20 Eylül 2023)
- 4.ICONIQ — 2026 State of AI Report: The Builder's Economy (Temmuz 2026)
- 5.Bessemer Venture Partners — The State of AI 2025
- 6.a16z — Welcome to LLMflation (Appenzeller, 12 Kasım 2024)
- 7.Ethan Ding — Tokens are getting more expensive (31 Temmuz 2025)
- 8.Growth Unhinged — The AI native growth team (Poyar, 4 Mart 2026)
- 9.Growth.Talent — AI is killing and creating the growth team (11 Nisan 2026)