RAG projesinin maliyetini ne belirler?

Bir RAG projesinin maliyetini modelin kendisinden çok belgelerinizin durumu, bağlanacak sistem sayısı, yetki ve KVKK gereksinimleri ile kullanım hacmi belirler. Bütçe iki parçadır: keşif, veri hazırlığı, entegrasyon ve değerlendirme gibi tek seferlik işler ile model kullanımı, barındırma, izleme ve içerik bakımı gibi işletme giderleri. Teklif istemeden önce bu kalemleri kendi verinizle tarif edebilirsiniz.

RAG projesinin maliyetini ne belirler?

Konu

Yapay zeka

Yayımlandı

17 Kasım 2026

Güncellendi

17 Kasım 2026

RAG projesinin maliyeti hangi kalemlerden oluşur?

Bir RAG projesinin maliyeti iki ayrı bütçedir: sistemi kurmak için bir kez yapılan işler ve sistem çalıştığı sürece devam eden giderler. İkisini karıştırmak, tekliflerin karşılaştırılmasını zorlaştırır. Düşük kurulum bedeli olan bir teklif, işletme tarafında pahalı bir mimari içerebilir.

Bu yazıda rakam vermiyoruz. Model ve platform fiyatları sık değişir, proje bütçesi de kapsama göre şekillenir. Bunun yerine her kalemi neyin büyütüp küçülttüğünü anlatıyoruz. Böylece teklif isterken doğru soruları sorabilirsiniz.

Tek seferlik maliyet kalemleri neler?

Keşif ve kapsam. Asistanın kime, hangi sorular için, hangi belgelerle hizmet vereceği yazılır. Kapsam belirsiz kaldıkça sonraki her kalem büyür.

Veri hazırlığı. Çoğu projede en çok emek isteyen kalemdir. Belgelerin toplanması, eski sürümlerin ayıklanması, taranmış PDF’lerin metne çevrilmesi, tabloların okunur hale getirilmesi ve metnin parçalara bölünmesi (chunking) bu kalemdedir. Temiz ve güncel bir doküman seti ile yıllardır birikmiş karışık bir arşiv arasındaki fark, bütçedeki en büyük farktır.

Entegrasyon. Belgeler nerede duruyorsa oraya bağlanmak gerekir: SharePoint, Google Drive, Confluence, bir dosya sunucusu veya ERP. Logo, Mikro ve Netsis gibi yerel ERP’lerde verinin API ile mi, dışa aktarım ile mi alınacağı işin büyüklüğünü değiştirir. Her yeni kaynak ayrı bir bağlantı, ayrı bir yetki eşlemesi ve ayrı bir güncelleme akışı demektir.

Yetki modeli. Herkes her belgeyi görebiliyorsa iş basittir. Kullanıcı yalnız yetkili olduğu belgeden cevap alacaksa, kaynak sistemdeki izinlerin aramaya taşınması gerekir. Bu, ayrı bir tasarım ve test işidir.

Değerlendirme. Gerçek sorulardan bir test seti hazırlanır ve sistem bu setle ölçülür. Türkçe içerikte ekler ve yazım farklılıkları aramayı etkilediği için Türkçe sorularla ayrıca test yapılmalıdır. Yöntemi RAG değerlendirme yazımızda anlattık. Bu kalemi tekliften çıkarmak ilk bakışta tasarruf gibi görünür, ama canlıdaki hataların nedenini bulmayı pahalılaştırır.

Güvenlik ve KVKK değerlendirmesi. Belgelerde kişisel veri varsa KVKK kapsamında hukuki dayanak, saklama süresi ve veri güvenliği tedbirleri ele alınır. Kanun’un 12. maddesi veri sorumlusundan uygun güvenlik düzeyini sağlayacak teknik ve idari tedbirleri ister. Veri yurt dışındaki bir model sağlayıcısında işlenecekse 9. maddedeki yurt dışı aktarım koşulları da gündeme gelir. Bu bölüm hukuki danışmanlık değildir; değerlendirmeyi hukuk danışmanınızla birlikte yapın.

İşletme maliyetleri neler?

Model kullanımı. Dil modelleri token başına ücretlendirilir. Anthropic, OpenAI ve Google’ın fiyat sayfaları girdi ve çıktı token’larını ayrı fiyatlar. RAG’de her soruyla birlikte bulunan belge parçaları da modele gider; yani girdi tarafı soru metninden çok daha uzundur. Aylık gider kabaca üç şeyin çarpımıdır: soru sayısı, soru başına gönderilen metin ve seçilen modelin birim fiyatı. Güncel birim fiyat için sağlayıcının fiyat sayfasına bakın.

Embedding ve indeksleme. Belgeler aranabilir hale gelmek için vektöre çevrilir. OpenAI’ın fiyat sayfasında embedding modelleri ayrı bir kalem olarak yer alır. Bu gider belgeler ilk kez işlenirken ve her güncellemede oluşur. Sık değişen büyük arşivlerde yeniden indeksleme düzenli bir giderdir.

Vektör veritabanı ve barındırma. Vektörler bir vektör veritabanında tutulur. pgvector, Postgres’e vektör benzerlik araması ekleyen açık kaynak bir eklentidir. Zaten Postgres kullanan bir ekip için ayrı bir servis kurmadan başlamayı mümkün kılar. Qdrant gibi ayrı bir vektör veritabanı veya yönetilen bir bulut servisi seçmek, ölçek ve işletme kolaylığı karşılığında ek bir gider kalemi açar. Uygulamanın kendisi de bir sunucuda veya bulut hizmetinde çalışır.

İzleme. Sorular, getirilen parçalar, cevaplar ve kullanıcı geri bildirimi kaydedilir. Bu kayıtların saklanması ve düzenli örneklemle incelenmesi insan zamanı ister.

Bakım ve içerik güncelliği. Çoğu bütçede unutulan kalemdir. Belgeler değişir, yeni prosedürler eklenir, model sürümleri emekliye ayrılır. İçeriğin bir sahibi yoksa asistan eski bilgiyle cevap vermeye başlar ve güven hızla düşer. Sistemin bakımını kimin yapacağı teklif aşamasında belli olmalıdır.

Hangi tercih maliyeti artırır, hangisi düşürür?

Maliyet kalemi Tür Düşüren Artıran
Keşif ve kapsam Tek seferlik Tek ekip, tek soru grubu, yazılı başarı ölçütü Belirsiz hedef, çok sayıda paydaş
Veri hazırlığı Tek seferlik Güncel, metin tabanlı, tek yerde duran belgeler Taranmış PDF, tablo ve çizim ağırlıklı içerik, çelişen sürümler
Entegrasyon Tek seferlik API’si olan tek kaynak sistem Çok sayıda kaynak, API’siz eski sistemler, özel ERP uyarlamaları
Yetki modeli Tek seferlik Herkese açık iç içerik Belge düzeyinde, kişiye göre değişen erişim
Değerlendirme Tek seferlik Gerçek sorulardan hazır bir liste Çok dil, çok doküman türü, insan incelemesi gereken hassas konular
Güvenlik ve KVKK Tek seferlik Kişisel veri içermeyen içerik Özel nitelikli veri, yurt dışı aktarım, sektörel düzenleme
Model kullanımı İşletme Küçük model, kısa bağlam, önbellek Büyük model, her soruda uzun bağlam, uzun cevaplar
Vektör veritabanı ve barındırma İşletme Mevcut Postgres üzerinde pgvector Ayrı kümeler, çok bölgeli kurulum, şirket içi sunucu
İzleme ve bakım İşletme Belli bir içerik sahibi, otomatik güncelleme akışı Elle güncelleme, sık değişen içerik, sahipsiz arşiv

Kaliteden ödün vermeden maliyet nasıl düşürülür?

Önce getirme kalitesi, sonra model büyüklüğü. Yanlış parça geliyorsa büyük model bunu düzeltmez. Parçalamayı iyileştirmek ve sonuçları yeniden sıralamak (reranking) çoğu zaman daha küçük bir modelle aynı kaliteye ulaşmanızı sağlar. Yeniden sıralama da bir işlem maliyeti getirir; kazancı test setinizle ölçün.

Yeterli olan yerde küçük model. Fiyat sayfalarında küçük modellerin birim fiyatı büyüklerden düşüktür. Basit bilgi sorularında küçük bir dil modeli yeterli olabilir. Bazı ekipler kolay soruyu küçük modele, zor soruyu büyük modele yönlendirir. Model seçimini kurumsal LLM seçimi yazımızdaki gibi kendi test setinizle yapın.

Bağlamı kısa tutun. Modelin bağlam penceresi geniş diye her soruda onlarca parça göndermek gideri büyütür. Az ama isabetli parça hem ucuzdur hem cevabı netleştirir.

Önbellek kullanın. Anthropic’in dokümantasyonuna göre prompt caching, istemin tekrar eden ön bölümlerini yeniden kullanarak işlem süresini ve maliyeti düşürür. Önbelleğe yazmak normal girdiden pahalı, önbellekten okumak belirgin biçimde ucuzdur. Sabit sistem talimatı uzun olan asistanlarda işe yarar. OpenAI ve Google’ın fiyat sayfalarında da önbelleklenmiş girdi ayrı fiyatlanır.

Acil olmayan işi toplu çalıştırın. Belge özetleme veya etiketleme gibi anlık cevap gerektirmeyen işler için sağlayıcılar indirimli toplu işleme (Batch API) sunar. Koşulları sağlayıcının fiyat sayfasından kontrol edin.

Tek doküman setiyle başlayın. İlk sürümde bütün arşivi değil, en çok soru gelen tek bir seti alın. Veri hazırlığı küçülür, ölçüm netleşir, ikinci set için gerçek maliyet verisi elde edersiniz.

İnce ayarı sona bırakın. Bilginin belgede durduğu sorularda model eğitmek çoğu zaman gereksiz bir kalemdir. Ayrımı RAG ve fine-tuning farkı sayfamızda bulabilirsiniz.

Teklif istemeden önce ne hazırlamalısınız?

Aşağıdaki bilgiler hazırsa aldığınız teklifler hem daha hızlı gelir hem birbiriyle karşılaştırılabilir olur:

  • Belge sayısı ve biçimleri. Yaklaşık kaç belge var, hangi biçimlerde (Word, PDF, taranmış PDF, Excel, web sayfası), ne sıklıkla değişiyor?
  • Bağlanacak sistemler. Belgeler nerede duruyor, bu sistemlerin API’si var mı, asistan nerede kullanılacak (Teams, web, intranet)?
  • Diller. İçerik ve sorular hangi dillerde? Türkçe soruya İngilizce belgeden cevap gerekecek mi?
  • Beklenen hacim. Kaç kullanıcı, günde yaklaşık kaç soru, yoğun saatler var mı?
  • Yetki. Herkes her belgeyi görebilir mi, yoksa erişim kişiye göre mi değişiyor?
  • Kişisel veri. Belgelerde müşteri veya çalışan verisi var mı?
  • Cevapları kim onaylar. İçeriğin sahibi kim, yanlış cevabı kim düzeltir, hangi konularda insan onayı şart?
  • Örnek sorular. Kullanıcıların gerçekten sorduğu yirmi otuz soru, kapsamı her tariften iyi anlatır.

Nereden başlamalısınız?

  1. En çok soru gelen tek bir konu ve doküman seti seçin.
  2. O setteki belgeleri sayın, biçimlerini ve güncelliğini not edin.
  3. Gerçek kullanıcı sorularından küçük bir liste çıkarın.
  4. Kişisel veri ve yetki durumunu hukuk ve BT ekibinizle netleştirin.
  5. Teklifi tek seferlik ve işletme kalemleri ayrı olacak şekilde isteyin; model kullanımı için varsayılan hacmi yazılı görün.

Corrplus’ta her projede aynı çalışma modelini izliyoruz. Keşif, ücretsiz bir ilk görüşme ve ardından 2 haftalık yapay zeka keşif programı ile başlar. Tasarım aşamasında kapsam, mimari, veri ve KVKK değerlendirmesi yapılır ve yazılı teklif hazırlanır. Kurulum kısa döngülerle ilerler ve her döngü çalışan bir sürümle biter. İşletme aşamasında izleme ve iyileştirme sürer; isterseniz bunu yönetilen hizmet olarak üstleniriz.

Ayrıntılar için RAG kurumsal bilgi asistanı, LLM entegrasyonu ve yapay zeka danışmanlığı sayfalarımıza bakabilirsiniz. Nasıl fiyatlandırdığımızı fiyatlandırma sayfamızda anlatıyoruz.

Bu konuda destek mi istiyorsunuz?

“RAG projesinin maliyetini ne belirler?” yazısında anlattıklarımızı şirketinize uygulamak için bir görüşme planlayın. Durumunuzu dinleyip ilk adımı birlikte belirleyelim.

Sık sorulan sorular

RAG projesi için hazır bir fiyat aralığı var mı?

Güvenilir tek bir aralık yoktur, çünkü maliyeti belgelerin durumu, entegrasyon sayısı, yetki modeli ve kullanım hacmi belirler. Aynı teknolojiyle kurulan iki projenin bütçesi bu yüzden çok farklı çıkabilir. Sağlıklı yol, kapsamı yazılı hale getirip teklifi kalem kalem istemektir.

RAG'in aylık işletme maliyeti neye bağlıdır?

Soru sayısına, her soruda modele gönderilen metnin uzunluğuna, seçilen modele ve altyapıya bağlıdır. Model sağlayıcıları girdi ve çıktı token'larını ayrı fiyatlar ve fiyatlar sık değişir. Güncel rakam için sağlayıcının fiyat sayfasına bakın ve kendi örnek sorularınızla ölçüm yapın.

Daha büyük model almak cevap kalitesini artırır mı?

Her zaman değil. Doğru belge parçası modele ulaşmıyorsa en büyük model de doğru cevabı yazamaz. Önce getirme kalitesini ölçün ve düzeltin; model büyüklüğünü ancak getirme iyi çalıştığı halde cevap yetersiz kalıyorsa artırın.

KVKK değerlendirmesi maliyete nasıl yansır?

Belgelerde kişisel veri varsa hukuki dayanak, yetki modeli, kayıt saklama süresi ve verinin hangi ülkede işlendiği projenin başında netleşmelidir. Bu çalışma tasarım aşamasında zaman alır ve mimari tercihleri etkileyebilir. Değerlendirmeyi hukuk danışmanınızla birlikte yapın.

İlgili hizmetler

HizmetRAG ile kurumsal bilgi asistanıProsedür, sözleşme ve teknik dokümanlarınızdan kaynak göstererek cevap veren, yetki kontrollü bilgi asistanı.
HizmetLLM ve ChatGPT entegrasyonuOpenAI, Claude, Gemini veya açık modelleri ERP, CRM ve yazılımınıza bağlıyoruz; maliyet ve veri konumu dahil.
HizmetYapay zeka danışmanlığıYapay zekanın şirketinizde nerede işe yarayacağını, hangi veri ve modelle, hangi sırayla kurulacağını belirliyoruz.

İlgili yazılar

Dönüşümünüzü birlikte konuşalım

Hangi işin her hafta tekrarlandığını anlatın. Otomasyona değip değmeyeceğini açıkça söyleyelim.

Nasıl başlıyoruz?

  1. Ücretsiz ilk görüşmeSorunu ve hedefi birlikte netleştiriyoruz.
  2. 2 haftalık keşif programıVeriye, sürece ve araçlara bakıp nereden başlanacağını belirliyoruz.
  3. Yazılı teklifKapsamı, mimariyi ve takvimi yazılı olarak sunuyoruz.

Örnek sorular

Doğrudan gidin

CorrAI sitenin içeriğine dayanarak yapay zeka ile cevap verir ve hata yapabilir. Lütfen kişisel bilgi yazmayın. Gizlilik

Ücretsiz görüşme planlayın