Bugün bir yapay zekâ modeline soru sormak, günlük hayatın en sıradan alışkanlıklarından biri haline geldi. ChatGPT'ye bir şey yazıyoruz ve saniyeler içinde cevap alıyoruz. Her şey oldukça hızlı ve zahmetsiz görünüyor.

Peki ya siz? Bugün kaç kez bir yapay zekâya soru sordunuz? Her sorduğunuz sorunun arka planda ne kadar enerji tükettiğini biliyor musunuz? Gerçeği öğrenseniz, alışkanlıklarınızı değiştirir miydiniz? 

Ancak bu sürecin arka planında, dünyanın farklı noktalarına yayılmış dev veri merkezlerinde çalışan binlerce işlemci bulunuyor. Yani o birkaç satırlık cevabın arkasında aslında ciddi bir enerji tüketimi yatıyor.

Peki, yapay zekâ neden bu kadar enerjiye aç bir teknoloji? 

Basit Bir Soru, Büyük Bir Tüketim

Günlük hayatta yaptığımız bir Google araması yaklaşık 0,3 watt-saat enerji tüketirken, aynı sorunun bir yapay zekâ modeline sorulması bu değeri yaklaşık 2,9 watt-saat seviyesine çıkarıyor (Brookings Institution, 2025). Bu fark ilk bakışta küçük gibi görünse de yaklaşık 10 katlık bir artış anlamına geliyor.

Üstelik bu yalnızca metin tabanlı işlemler için geçerli. MIT Technology Review'un araştırmasına göre, ortalama bir yapay zekâ aracının yalnızca 5 saniyelik bir video üretmek için, yaklaşık 1 saat çalışan bir mikrodalganın tükettiği enerjiye eşdeğer enerji harcadığı belirtiliyor (Türkinform, 2025). Görsel üretimi, video analizi veya daha karmaşık işlemler söz konusu olduğunda enerji tüketimi çok daha yüksek seviyelere ulaşıyor.

Milyarlarca kullanıcının bu sistemleri aktif olarak kullandığı düşünüldüğünde, bu farkın küresel ölçekte ciddi bir etki oluşturduğu daha net anlaşılıyor.

Dünya Genelinde ve Türkiye'de Durum

Küresel ölçekte bakıldığında, veri merkezlerinin elektrik tüketimi 2017'den bu yana yılda ortalama %12 artıyor. Türkiye de bu tablonun dışında değil. IEA verilerine göre yapay zekâya güç veren veri merkezlerinin tüketimi 300 TWh seviyelerine ulaştığında bu miktar Türkiye'nin yıllık elektrik tüketimine yaklaşmış olacak. 2024 yılında Türkiye'nin toplam elektrik tüketimi 353 TWh olarak kayıtlara geçti. Yani birkaç yıl içinde yapay zekâ, tek başına bir ülke büyüklüğünde enerji tüketiyor olabilir.

Türkiye kendi payını da büyütüyor. Türkiye'de veri merkezi kapasitesi 250 MW seviyesine ulaştı ve önümüzdeki beş yıl içinde en az 500 MW seviyesine çıkması öngörülüyor. Bunun yanında Türkiye, 2030 yılına kadar 1 GW veri merkezi altyapısı kurarak yapay zekâ alanında bölgesel güç olmayı hedefliyor. Bu büyüme fırsatlarla birlikte ciddi enerji ve sürdürülebilirlik sorumluluklarını da beraberinde getiriyor.

İki Temel Aşama: Eğitim ve Kullanım

Yapay zekâ modellerinin enerji tüketimi temelde iki aşamada gerçekleşir:

• Eğitim (Training)
• Kullanım (Inference)

Her iki süreç de yüksek işlem gücü gerektirir ancak enerji tüketiminin dağılımı birbirinden oldukça farklıdır.

Eğitim: Bir Kerelik Ama Çok Yoğun

Modelin öğrenme süreci olan eğitim aşaması, çok yüksek işlem gücü gerektirir. GPT-3 modeli yaklaşık 34 gün süren eğitim sürecinde 1,3 gigavat-saat (GWh) enerji tüketmiştir (Yeşil İş Platformu, 2024). Daha gelişmiş olan GPT-4 modelinin eğitimi ise yaklaşık 100 gün sürmüş ve 62,3 GWh elektrik tüketmiştir.

Bu miktarı daha somut hale getirelim. Türkiye'de bir konutun yıllık ortalama elektrik tüketimi 1.576 kWh'tir (Enerji Atlası, 2023). GPT-4'ün eğitimi için harcanan enerji, yaklaşık 39.500 Türk hanesinin bir aylık elektrik tüketimine eşdeğerdir. Başka bir ifadeyle, tek bir modelin "okul hayatı" için harcanan enerji, onlarca bin evin aylık elektrik ihtiyacını karşılayabilecek büyüklüktedir.

Üstelik yalnızca elektrik tüketimi değil, karbon salımı da oldukça yüksektir. GPT-3'ün eğitimi sırasında yaklaşık 550 ton karbondioksit salınımı gerçekleşmiştir (Sepas, 2024).

Kullanım: Asıl Yük Burada

Model eğitildikten sonra milyonlarca kullanıcının hizmetine sunulur. Aslında enerji tüketiminin büyük bölümü de bu aşamada gerçekleşir.

ChatGPT'nin 2025 yılı itibarıyla günlük 2,5 milyardan fazla işlem gerçekleştirdiği tahmin edilmektedir (Chip Online, 2025). Bu yoğun kullanım, modelin eğitim sürecinde harcanan toplam enerjiyi yalnızca 150–200 gün içerisinde aşabilecek seviyeye ulaşmaktadır (Toolpod, 2026).

Bu durum, yapay zekâ sistemlerinin yalnızca geliştirme aşamasında değil, günlük kullanım sürecinde de çok büyük bir enerji maliyeti oluşturduğunu göstermektedir.

GPU ve TPU: Bu Sistemin Temel Taşları

Yapay zekâ modellerinin çalışmasını sağlayan en önemli donanımlar GPU (Grafik İşlem Birimi) ve TPU (Tensör İşlem Birimi) teknolojileridir.

GPU'lar başlangıçta grafik işlemleri için geliştirilmiş olsa da paralel işlem yetenekleri sayesinde günümüzde yapay zekâ modellerinin eğitimi ve çalıştırılması için vazgeçilmez hale gelmiştir. Özellikle NVIDIA'nın A100 ve H100 GPU'ları bu alanda yaygın olarak kullanılmaktadır. Ancak bu sistemler oldukça yüksek enerji tüketir. Örneğin bir DGX A100 sistemi yaklaşık 6,5 kW güç tüketmektedir (Chip Online, 2025).

TPU'lar: Daha Verimli Bir Yaklaşım

TPU'lar (Tensör İşlem Birimleri), Google tarafından doğrudan yapay zekâ işlemleri için geliştirilmiştir. Daha optimize bir mimariye sahip oldukları için enerji verimliliği açısından önemli avantajlar sağlarlar.

Google'ın paylaştığı verilere göre, TPU optimizasyonları sayesinde enerji tüketimi 33 kat, karbon ayak izi ise 44 kat azaltılabilmiştir (Brookings Institution, 2025). Bu nedenle büyük ölçekli yapay zekâ sistemlerinde yalnızca işlem gücü değil, enerji verimliliği de donanım seçiminde önemli bir kriter haline gelmiştir.

Veri Merkezleri: Dijital Dünyanın Enerji Altyapısı

GPU ve TPU gibi donanımlar, veri merkezleri adı verilen büyük ölçekli tesislerde çalışır. Bu merkezler binlerce sunucu, gelişmiş soğutma sistemleri ve yüksek kapasiteli elektrik altyapısıyla yapay zekâ hizmetlerinin kesintisiz çalışmasını sağlar.

Uluslararası Enerji Ajansı'nın verilerine göre, veri merkezlerinin toplam elektrik tüketimi 2024 yılında yaklaşık 415 TWh seviyesine ulaştı. Bu değerin 2030 yılına kadar yaklaşık 945 TWh seviyesine çıkması bekleniyor. Bu miktar, günümüzde Japonya'nın yıllık elektrik tüketimini aşacak büyüklüktedir (Dünya Ekonomik Forumu, 2025).

Yapay zekâ uygulamalarına yönelik talebin hızla artması, veri merkezlerinin enerji ihtiyacını da her geçen gün büyütmektedir. Bu nedenle veri merkezleri artık yalnızca dijital altyapının değil, küresel enerji planlamasının da önemli bir parçası haline gelmiştir.

Enerjinin Ötesinde: Su Tüketimi

Yapay zekâ sistemlerinin görünmeyen maliyetlerinden biri de su tüketimidir.

Veri merkezlerinde çalışan binlerce işlemci yoğun miktarda ısı üretir. Bu nedenle sistemlerin güvenli şekilde çalışabilmesi için güçlü soğutma altyapıları kullanılır. Günümüzde birçok yapay zekâ veri merkezinde geleneksel hava soğutma yerine evaporatif (buharlaştırmalı) ve adyabatik soğutma sistemleri tercih edilmektedir.

Bu sistemlerde kullanılan su ise sıradan musluk suyu değildir. Donanımlara zarar vermemesi için yüksek saflıkta arıtılmış temiz su kullanılır (Chip Online, 2026).

Yapılan tahminlere göre GPT-3 modelinin Microsoft'un ABD'deki veri merkezlerinde eğitimi sırasında yaklaşık 700.000 litre temiz tatlı su buharlaştırılmıştır. Büyük ölçekli veri merkezlerinde günlük su tüketimi ise 14 ila 19 milyon litre seviyelerine ulaşabilmektedir (Toolpod, 2026).

Araştırmalar, yapay zekânın hızla yaygınlaşması durumunda yalnızca veri merkezlerinin soğutulması ve elektrik üretimi amacıyla 2027 yılına kadar ek 4,2–6,6 milyar metreküp su kullanılabileceğini öngörmektedir.

Peki Bu Sorun Nasıl Çözülmeye Çalışılıyor?

Teknoloji şirketleri, artan enerji ve su tüketiminin farkında olarak daha sürdürülebilir çözümler geliştirmeye başladı.

Microsoft, 2024 yılında buharlaşma yoluyla su kaybını sıfıra indirmeyi hedefleyen kapalı devre soğutma sistemlerini test etmeye başladı. Şirket, bu teknolojiyi yeni veri merkezlerinde yaygınlaştırmayı planlıyor.

Bir diğer önemli çözüm ise sıvı soğutma teknolojileri. Bu yöntemde soğutucu sıvılar doğrudan GPU gibi yüksek sıcaklığa ulaşan bileşenlere temas ederek ısıyı çok daha verimli şekilde uzaklaştırıyor. Böylece hem enerji tüketimi azalıyor hem de su kullanımı önemli ölçüde optimize ediliyor.

Bazı şirketler ise daldırma soğutma yerine kapalı devre sıvı soğutma sistemlerini tercih ediyor. Bu sistemler daha düşük su ayak izi oluştururken büyük ölçekli yapay zekâ kümeleriyle de uyumlu çalışabiliyor.

Bunun yanında bazı ülkelerde yeni veri merkezi projelerinde içme suyu yerine geri dönüştürülmüş su kullanımı teşvik ediliyor, hatta bazı bölgelerde zorunlu hale getiriliyor. Böylece yalnızca teknolojik çözümler değil, yasal düzenlemeler de sürdürülebilirliği destekleyen önemli araçlar haline geliyor.

Ekonomik Boyut: Görünmeyen Maliyet

Yapay zekâ sistemlerinin kurulumu ve işletilmesi yalnızca enerji açısından değil, ekonomik açıdan da oldukça yüksek maliyetler gerektiriyor.

2025 yılında büyük teknoloji şirketlerinin veri merkezi yatırımlarının toplamda 364 milyar dolar seviyesine ulaştığı tahmin edilmektedir (Brookings Institution, 2025).

Bunun yanında, tek bir yüksek performanslı GPU'nun maliyetinin yaklaşık 30.000 dolar olduğu düşünüldüğünde, büyük ölçekli yapay zekâ altyapılarının neden milyarlarca dolarlık yatırımlar gerektirdiği daha net anlaşılmaktadır.

Bu nedenle yapay zekâ hizmetlerinin arkasında yalnızca gelişmiş algoritmalar değil; büyük ölçekli veri merkezleri, yüksek performanslı donanımlar ve sürekli büyüyen enerji yatırımları bulunmaktadır.

Daha Verimli Bir Gelecek Mümkün mü?

Yapay zekâ teknolojilerinin hızla yaygınlaşması, enerji verimliliğini artık bir tercih olmaktan çıkarıp zorunluluk haline getiriyor. Bu doğrultuda hem akademide hem de teknoloji sektöründe daha sürdürülebilir çözümler geliştirmek için yoğun çalışmalar yürütülüyor.

Öne çıkan yaklaşımlar arasında daha küçük ve görev odaklı yapay zekâ modellerinin geliştirilmesi, veri merkezlerinde yenilenebilir enerji kullanımının artırılması, sıvı soğutma sistemlerinin yaygınlaştırılması ve nicemleme (quantization) gibi yöntemlerle modellerin daha az hesaplama gücü kullanacak şekilde optimize edilmesi yer alıyor.

Bu çalışmalar, yalnızca enerji tüketimini azaltmayı değil, aynı zamanda karbon ayak izini düşürmeyi, su kullanımını optimize etmeyi ve yapay zekânın uzun vadede daha sürdürülebilir bir teknoloji haline gelmesini hedefliyor.

Yapay zekâ her geçen gün daha fazla hayatımızın içine girerken, onu daha verimli hale getirecek teknolojilere yapılan yatırımlar da aynı hızla önem kazanıyor.

Kısacası

Yapay zekâ teknolojileri hayatımızı kolaylaştırıyor, üretkenliğimizi artırıyor ve pek çok alanda yeni fırsatlar sunuyor. Ancak bu sistemlerin arka planında yüksek işlem gücü gerektiren donanımlar, büyük veri merkezleri ve ciddi miktarda enerji ile su tüketimi bulunuyor.

Bir yapay zekâ modeline yönelttiğimiz basit bir soru bile, dünyanın farklı noktalarındaki binlerce işlemcinin birlikte çalışmasını gerektirebiliyor. Eğitim süreçleri, günlük milyarlarca sorgu, güçlü GPU ve TPU altyapıları ile veri merkezlerinin sürekli çalışması; görünmeyen ancak oldukça büyük bir enerji ve kaynak maliyetini beraberinde getiriyor.

Sevindirici olan ise sektörün bu sorunun farkında olmasıdır. Daha verimli donanımlar, yenilenebilir enerji kaynakları, gelişmiş soğutma teknolojileri ve daha optimize yapay zekâ modelleri sayesinde sürdürülebilir çözümler geliştirilmeye devam ediliyor.

Bir sonraki yapay zekâ sorgunuzu oluştururken, birkaç saniye içinde gelen cevabın arkasında çalışan devasa altyapıyı hatırlamak teknolojiye farklı bir gözle bakmanızı sağlayabilir. Yapay zekânın geleceği yalnızca daha akıllı modeller geliştirmekten değil, aynı zamanda bu modelleri daha verimli ve daha sürdürülebilir hale getirmekten geçiyor.

Kaynakça

• 
  Brookings Institution. (2025). Global Energy Demands Within the AI Regulatory Landscape.
• 
  Chip Online. (2025). Yapay Zekânın Görünmeyen Büyük Yükü Giderek Artıyor.
• 
  Chip Online. (2026). Yapay Zekâ Su Harcıyor mu?
• 
  DonanımHaber. (2026). Google'ın Teksas'taki Veri Merkezi Su Tüketimini Minimize Edecek.
• 
  Enerji Atlası. (2023). Türkiye Elektrik Tüketimi.
• 
  Environmental Law Institute. (2025). AI's Cooling Problem: How Data Centers Are Transforming Water Use.
• 
  Fast Company Türkiye. (2025). Veri Merkezinin Önlenemez Yükselişi.
• 
  International Energy Agency (IEA). (2025). Data Centres and AI Energy Report 2025.
• 
  Kartaca. (2025). Google Cloud TPU'ları ile Yapay Zekânın Önündeki Engeller Kalkıyor.
• 
  MIT Technology Review. (2025). We Did the Math on AI's Energy Footprint.
• 
  Net Zero Insights. (2025). Five Startups Reducing Data Center Water Consumption.
• 
  OECD.AI. (2023). How Much Water Does AI Consume?
• 
  Oman Observer. (2025). The Hidden Costs of AI Data Centres.
• 
  Sepas. (2024). Yapay Zekâ Ne Kadar Elektrik Tüketiyor?
• 
  Skymod. (2025). Yapay Zekâ Modellerinde Enerji Verimliliği.
• 
  SOCOMEC. (2025). Sıvı Soğutma Veri Merkezi Çözümleri.
• 
  Toolpod. (2026). AI Energy Consumption: How Much Power Does AI Use?
• 
  TRT Haber. (2026). Veri Merkezleri Su Havzalarını Zorluyor.
• 
  Türkinform. (2025). Yapay Zekâ Ne Kadar Enerji Harcıyor?
• 
  World Economic Forum. (2025). What New Water Circularity Can Look Like for Data Centres.
• 
  World Economic Forum. (2025). How Data Centres Can Avoid Doubling Their Energy Use by 2030.
• 
  Yeşil İş Platformu. (2024). Yapay Zekâ Sistemlerinin Elektrik Tüketimi Hızla Artıyor.

İçerik Yazarı