COBOL’dan SQLite İnşasına MultiLangBench, 1,4 Trilyon Dolarlık OpenAI Fonlaması ve Microsoft’un 23.000 GB300 Şebeke Duvarı

Yazılımın En Eski Katmanından Fiziksel Elektrik Şebekesine: Yapay Zekada Çift Yönlü Kırılma

Küresel yapay zeka ekosistemi 20 Ekim 2026 itibarıyla iki uç sınırda eşzamanlı bir mühendislik ve sermaye kırılması yaşamaktadır. Bir uçta, küresel finans, bankacılık ve kamu altyapısını onlarca yıldır ayakta tutan ancak açık kaynak eğitim verisi son derece kısıtlı olan düşük kaynaklı programlama dilleri (COBOL, Fortran, OCaml, Visual Basic) için geliştirilen yeni nesil akıl yürütme modelleri; diğer uçta ise trilyon dolarlık sermaye turlarına rağmen fiziksel elektrik şebekelerinin (grid interconnection) megavat kapasitesine takılarak iptal edilen on binlerce GPU'luk veri merkezi projeleri yer almaktadır.

Bugünkü teknik bültende dört kritik gelişme birbirine bağlı bir mimari çerçevede incelenmektedir:

1. OpenAI MultiLangBench ve Düşük Kaynaklı Dillerde Kodlama Sıçraması: Modellerin yalnızca SQLite 3.40.1 dokümantasyonunu okuyarak 20 farklı dilde sıfırdan ilişkisel veritabanı motoru inşa ettiği kıyaslama paketi ve GPT-6 Astra ile GPT-6.1 Sol modellerinin kritik COBOL göçlerindeki mimari başarısı.
2. Anthropic Halka Arzı (IPO) Öncesi OpenAI’nin 30 Milyar Dolarlık Fonlama Hamlesi: Kasım ortasında beklenen Anthropic halka arz izahnamesi öncesinde OpenAI'nin 1,4 trilyon dolar özel değerleme ve 50–70 milyar dolar yıllıklandırılmış gelir koşu hızıyla (ARR) kurumsal likiditeyi kilitleme stratejisi.
3. Microsoft’un İngiltere Loughton (Nscale) Veri Merkezi İptali: 23.000+ NVIDIA GB300 işlemcili ve 50–90 MW kapasiteli tesisin, İngiltere ulusal elektrik şebekesinin 2030'lu yıllara uzanan bağlantı darboğazı nedeniyle feshedilmesi.
4. Avrupa’nın Hesaplama Açığı (Compute Deficit) ve Bilançolarda Yapay Zeka Seçiciliği: Avrupa'nın ABD ve Çin karşısındaki enerji-sermaye makası ile 3. çeyrek bilançolarında geleneksel perakende çökerken otonom tedarik zinciri mimarilerinin %18,81 pozitif ayrışması.

1. OpenAI MultiLangBench: Düşük Kaynaklı Dillerde (COBOL, Fortran, OCaml) Otonom Mühendislik

Büyük dil modelleri Python, TypeScript ve Java gibi GitHub üzerinde milyarlarca satırlık açık kaynak kodu, hata kaydı (issue) ve PR geçmişi bulunan yüksek kaynaklı (high-resource) dillerde yüksek doğruluk üretmektedir. Ancak küresel ATM işlemlerinin, çekirdek bankacılık mutabakatlarının, havacılık rezervasyon sistemlerinin ve bilimsel simülasyonların omurgasını oluşturan COBOL, Fortran, Visual Basic ve OCaml gibi dillerde kod tabanları kapalı kurumsal ana bilgisayarlarda (mainframe) kilitli olduğu için modeller ciddi halüsinasyon ve sözdizimi hataları üretmekteydi.

OpenAI tarafından yayımlanan "Advancing coding in low-resource programming languages" araştırması, bu sorunu ölçmek ve çözmek üzere MultiLangBench kıyaslama standardını tanıtmıştır.

MultiLangBench Mimarisi: 20 Dilde Sıfırdan SQLite 3.40.1 Motoru

Basit algoritma soruları (HumanEval vb.) bir dilin gerçek üretim kapasitesini ölçmekte yetersiz kalmaktadır. MultiLangBench, modellere SQLite 3.40.1 sürümünün teknik spesifikasyonlarını ve dokümantasyonunu vererek, 20 farklı programlama dilinde sıfırdan çalışan, SQLite uyumlu bir veritabanı motoru inşa etmelerini şart koşar:

• Değerlendirilen Mühendislik Boyutları: B-Tree sayfa yönetimi, ikili (binary) dosya biçimi ayrıştırma, SQL sözdizimi ağacı (AST) derlemesi, durum yönetimi (state management), bellek güvenliği ve hata kurtarma.
• Test Doğrulaması: Üretilen her veritabanı motoru, SQLite'ın resmi test paketinden uyarlanan binlerce otomatik regresyon ve sınır durumu (edge-case) testine tabi tutulur.
• Model Performans Kırılması: Önceki nesil temel modellerden GPT-5.6 Sol 20 dil genelinde yalnızca %26,8 ortalama test geçiş oranına ulaşabilirken, çıkarım zamanlı akıl yürütme (test-time compute) odaklı GPT-6 Astra bu oranı %87,4 seviyesine taşımıştır. Daha düşük API maliyetli GPT-6.1 Sol modeli ise birim örneklem maliyetini düşürürken eski COBOL iş uygulamalarının modern dillere yeniden yazılmasında (legacy rewrite) gizli iş kurallarını koruma oranını en üst düzeye çıkarmıştır.

Kritik Altyapılarda Deterministik COBOL -> Modern Mimari Göç Deseni

OpenAI araştırmasının vurguladığı en önemli üretim uyarısı, eski sistem göçlerinde yalnızca LLM çıktısına güvenilemeyeceğidir. Bankacılık sistemlerinde COMP-3 (Packed Decimal) sabit noktalı aritmetiğinin modern bir dilde double (kayan noktalı) tipe dönüştürülmesi, kuruş bazlı yuvarlama farklarıyla milyonlarca dolarlık muhasebe tutarsızlığı yaratır. Bu nedenle üretim seviyesindeki COBOL modernizasyon projelerinde Gölge Yürütme (Shadow Execution) ve Diferansiyel Doğrulama (Differential Testing) mimarisi uygulanmaktadır:

package com.enterprise.migration.verifier;

import java.math.BigDecimal;
import java.math.RoundingMode;
import java.util.Objects;

/**
 * COBOL COMP-3 (PIC S9(13)V99 COMP-3) muhasebe motorundan Java 25 Record
 * mimarisine taşınan işlemler için Diferansiyel Eşdeğerlik Doğrulayıcısı.
 */
public final class CobolDifferentialVerifier {

    public record LedgerInput(
        String accountId,
        BigDecimal principalAmount,
        BigDecimal annualRate,
        int compoundingDays
    ) {
        public LedgerInput {
            Objects.requireNonNull(accountId, "accountId cannot be null");
            // COBOL PIC S9(13)V99 ölçek kilitlenmesi (Kayan nokta kesinlikle yasaktır)
            principalAmount = principalAmount.setScale(2, RoundingMode.HALF_EVEN);
            annualRate = annualRate.setScale(6, RoundingMode.HALF_EVEN);
        }
    }

    public record LedgerOutput(
        BigDecimal accruedInterest,
        BigDecimal endingBalance,
        String statusCode
    ) {}

    public interface LegacyCobolGateway {
        LedgerOutput executeMainframeCics(LedgerInput input);
    }

    public interface ModernizedJavaEngine {
        LedgerOutput executeTranslatedLogic(LedgerInput input);
    }

    public static boolean verifyBitwiseEquivalence(
            LedgerInput payload,
            LegacyCobolGateway cobolGateway,
            ModernizedJavaEngine modernEngine) {

        LedgerOutput legacyResult = cobolGateway.executeMainframeCics(payload);
        LedgerOutput modernResult = modernEngine.executeTranslatedLogic(payload);

        boolean balanceMatched = legacyResult.endingBalance()
                .compareTo(modernResult.endingBalance()) == 0;
        boolean interestMatched = legacyResult.accruedInterest()
                .compareTo(modernResult.accruedInterest()) == 0;
        boolean statusMatched = Objects.equals(
                legacyResult.statusCode(), modernResult.statusCode());

        if (!balanceMatched || !interestMatched || !statusMatched) {
            throw new IllegalStateException(String.format(
                "[SHADOW_DRIFT_DETECTED] Account=%s | COBOL=[%s, %s, %s] vs JAVA=[%s, %s, %s]",
                payload.accountId(),
                legacyResult.endingBalance(), legacyResult.accruedInterest(), legacyResult.statusCode(),
                modernResult.endingBalance(), modernResult.accruedInterest(), modernResult.statusCode()
            ));
        }
        return true;
    }
}

Bu doğrulama katmanı, GPT-6.1 Sol veya GPT-6 Astra tarafından dönüştürülen her modülü canlı CICS/Mainframe çıktılarıyla gerçek zamanlı karşılaştırarak sıfır iş mantığı kaybını garanti altına alır.

2. Anthropic IPO’su Öncesi OpenAI’nin 30 Milyar Dolarlık Hızlandırılmış Fonlama Hamlesi

Model yeteneklerindeki sıçrama, arka planda benzeri görülmemiş bir sermaye ve altyapı savaşını tetiklemektedir. Reuters tarafından aktarılan özel bilgilere göre OpenAI, rakibi Anthropic’in Kasım 2026 ortasında gerçekleşmesi beklenen halka arzı (IPO) öncesinde yatırımcı taahhütlerini kilitlemek amacıyla 30 milyar dolarlık yeni fonlama turunu hızlandırmıştır.

Finansal Mühendislik ve Rekabet Dinamikleri

• 1,4 Trilyon Dolarlık Değerleme Eşiği: Yeni yatırım turunun tamamlanmasıyla birlikte OpenAI'nin özel piyasa değerlemesinin 1,4 trilyon doları aşması beklenmektedir.
• Hedeflenen Sermaye Havuzu: OpenAI; SoftBank Group, Abu Dabi merkezli teknoloji yatırım fonu MGX, egemen varlık fonları (sovereign wealth funds) ve yalnızca uzun vadeli pozisyon alan (long-only) kurumsal fonlarla görüşmektedir.
• Neden Kasım Ortası Öncesi? Hem OpenAI hem de Anthropic aynı küresel kurumsal yatırımcı havuzundan beslenmektedir. Anthropic halka arz izahnamesini (S-1) yayımladığında, kurumsal yapay zeka marjları, çıkarım maliyetleri (inference unit economics) ve müşteri elde tutma oranları şeffaf biçimde kamuya açılacaktır. OpenAI, piyasada doğrudan bilanço kıyaslamaları başlamadan ve kurumsal fonların yıllık yapay zeka tahsisatları Anthropic IPO'su tarafından emilmeden önce 30 milyar dolarlık likiditeyi bilançosuna katmayı hedeflemektedir.
• Gelir Koşu Hızı (ARR Run-Rate): GPT-6 Astra model ailesinin lansmanı sonrasında yıllıklandırılmış gelir koşu hızını 50 milyar dolara çıkaran OpenAI, yatırımcılara 2026 yıl sonu için 70 milyar dolar ARR projeksiyonu sunmakta ve kendi 2027 halka arz yol haritası öncesinde devasa hesaplama taahhütlerini finanse etmektedir.

3. Microsoft’un İngiltere (Nscale) Veri Merkezi İptali: Darboğaz Silikondan Megavata Kaydı

OpenAI ve Anthropic'in topladığı on milyarlarca dolarlık sermayenin dönüştürülmek istendiği fiziksel katmanda ise çok sert bir altyapı duvarı yükselmektedir. Microsoft, İngiltere merkezli yapay zeka bulut altyapı sağlayıcısı Nscale ile Essex bölgesindeki Loughton kasabasında kurulması planlanan dev veri merkezi projesindeki kiralama anlaşmasını feshetmiştir.

Loughton Veri Merkezi Vakası ve Şebeke Kilitlenmesi

• Donanım ve Güç Ölçeği: Projenin ilk fazında 23.000'den fazla NVIDIA GB300 süper çipinin konuşlandırılması ve başlangıçta 50 MW (tam kapasitede 90 MW) güç tüketmesi planlanmaktaydı.
• İptalin Kök Nedeni: Microsoft'un projeden çekilmesinin nedeni çip tedariki veya finansman değil, İngiltere ulusal elektrik şebekesindeki (National Grid) bağlantı darboğazıdır. Şebeke otoriteleri, bölgedeki yüksek gerilim trafo ve iletim hattı yetersizliği nedeniyle tesise gereken elektrik gücünün 2030'lu yıllara kadar verilemeyeceğini bildirmiştir.
• Mimari Sonuç: Yapay zeka model nesillerinin her 6–9 ayda bir yenilendiği bir endüstride, 2027 başında devreye girmesi gereken 23.000 adet NVIDIA GB300 kümesinin 2030 yılına kadar elektriksiz beklemesi ekonomik olarak imkansızdır. ABD borsasında (NYSE) halka arz hazırlığı yapan ve Microsoft ile Anthropic'i ana müşterileri arasında gösteren Nscale, Loughton sahası için alternatif enerji çözümleri ararken; hiper ölçekleyiciler (hyperscalers) yatırımlarını doğrudan nükleer/doğalgaz santrali yanındaki (behind-the-meter) sahalara kaydırmaktadır.

4. Avrupa’nın Hesaplama Açığı (Compute Deficit) ve Bilançolarda AI Seçiciliği

Microsoft'un İngiltere'deki şebeke duvarına çarpması, Deutsche Welle (DW) tarafından yayımlanan "Avrupa yapay zekada ABD ve Çin'e yetişebilecek mi?" analizindeki yapısal bulgularla birebir örtüşmektedir:

1. Üçlü Darboğaz (Sermaye, Enerji, Regülasyon): ABD'de tek bir özel fonlama turunda 30 milyar dolar toplanabilirken ve Çin'de devlet destekli doğu-batı hesaplama koridorları (East-Data-West-Compute) ultra yüksek gerilim hatlarıyla saniyeler içinde yetkilendirilirken; Avrupa'da trafo bağlantısı izinleri 5–8 yıl sürmekte, parçalı sermaye piyasaları ve katı uyum maliyetleri ölçeklenmeyi yavaşlatmaktadır.
2. 3. Çeyrek Bilançolarında Somut ROI Ayrışması: Küresel piyasalarda 2026 yılı 3. çeyrek sonuçları, geleneksel perakende sektörünün yüksek enflasyon ve talep daralmasıyla sert düşüş yaşadığını; buna karşın envanter optimizasyonu, dinamik fiyatlama ve otonom tedarik zinciri ajanlarını doğrudan çekirdek ERP sistemlerine entegre eden yapay zeka odaklı perakende/teknoloji hisselerinin %18,81 yükselişle piyasadan pozitif ayrıştığını göstermektedir.

5. Küresel Yapay Zeka Ekosisteminde Ekim 2026 Kırılma Matrisi

Aşağıdaki tablo, yazılım katmanından fiziksel enerji şebekesine kadar uzanan güncel gelişmelerin teknik metriklerini ve mühendislik etkilerini özetlemektedir:

Mühendislik Liderleri İçin Stratejik Çıkarımlar

Ekim 2026 tablosu, yazılım ve altyapı mimarları için iki net gerçekliği ortaya koymaktadır:

• Miras Kod Tabanları Artık Dokunulmaz Değil: MultiLangBench ve GPT-6 Astra/6.1 Sol sonuçları, 40 yıllık COBOL ve Fortran sistemlerinin dahi doğru diferansiyel test zırhlarıyla (Shadow Execution) modern mikroservis mimarilerine güvenle taşınabileceğini kanıtlamaktadır.
• Hesaplama Planlaması Enerji Planlamasıdır: Kurumsal yapay zeka altyapısı kurgularken yalnızca GPU tedarik anlaşmaları yapmak yeterli değildir; bölgesel elektrik şebekesi kapasitesi ve token başına watt verimliliği (inference efficiency) doğrudan yazılım mimarisinin birincil tasarım parametresi haline gelmiştir.