Bir SaaS ürününe yapay zeka özelliği eklemek maliyet yapısını değiştirir. Barındırma ve depolama her kullanıcı için kabaca aynı tutar; LLM çağrıları ise kişi kullandıkça pahalanır. Aktif bir kullanıcının size neye mal olduğunu bilmeden özelliği fiyatlarsanız, birkaç hevesli müşteri kârlı bir planı zarara çevirebilir. Bu yazı, kullanıcı başına LLM maliyetinin nasıl hesaplandığını, ortalamanın neden yanlış rakam olduğunu ve bu rakamla paketlerin nasıl belirleneceğini gösteriyor.
Kullanıcı başına LLM maliyeti nasıl hesaplanır?
Tek bir özellik ve tek bir model için:
cost per user per month =
requests per active user per month
× [ new input tokens × input price
+ cached tokens × cached price
+ output tokens × output price ] / 1,000,000
Yani aylık kullanıcı başına maliyet; aktif kullanıcı başına aylık istek sayısının, yeni girdi, önbellekli ve çıktı token’larının kendi fiyatlarıyla çarpımlarının toplamıyla çarpılıp 1.000.000’a bölünmesidir. Akıl yürütme modellerinde çıktıya akıl yürütme token’ları dahildir; kullandıkça öde anahtarında görseller girdi token’ı olarak sayılır. Bu üç fiyatı hatırlamanız gerekiyorsa LLM API fiyatlandırması nasıl çalışır yazısını okuyun.
Bir kullanıcının dokunduğu özellikleri toplayarak kullanıcı başına toplam yapay zeka maliyetine ulaşın.
Adım 1: Aktif kullanıcı kimdir ve birim nedir?
Zaten raporladığınız bir tanım seçin; örneğin ay içinde yapay zeka özelliğini en az bir kez kullanan kullanıcı. Sonra özelliğinizin doğal olarak ürettiği birimi seçin: bir sohbet turu, üretilmiş bir belge, analiz edilmiş bir dosya, özetlenmiş bir görüşme. Birim başına maliyet, kullanıcı başına maliyetten daha istikrarlıdır ve üzerine düşünmek daha kolaydır.
Adım 2: Birim başına token nasıl ölçülür?
Bunu kelime sayısından tahmin etmeyin. Her yanıtın usage bloğunu bir özellik etiketi ve karma (hash) uygulanmış bir kullanıcı veya hesap kimliğiyle kaydedin: istem token’ları, önbellekli token’lar ve tamamlama token’ları, deneme başına bir satır. Kullanım kaydı yazısında hazır bir sarmalayıcı ve maliyeti kullanıcıya ve özelliğe göre gruplayan SQL var. Henüz trafiğiniz yoksa token sayacı örnek istemlerden ilk tahmini verir.
Akışlı yanıtlarda kullanımı son parçada stream_options={"include_usage": True} ile isteyin; bkz. akış rehberi. Yeniden denemeler dahil her denemeyi sayın, çünkü modele ulaşan her deneme faturalandırılır.
Adım 3: Tipik bir kullanıcı ne tutar? Örnek hesap
Ürününüzde uygulama içi bir asistan olduğunu varsayalım. Tipik bir aktif kullanıcı için bir ayda şunları ölçüyorsunuz:
| Ölçüm | Değer |
|---|---|
| Aktif gün | 20 |
| Aktif gün başına asistan isteği | 15 |
| İstek başına girdi token’ı | 3.000 (yarısı önbellekli) |
| İstek başına görünür yanıt token’ı | 400 |
| İstek başına akıl yürütme token’ı (akıl yürütme modelleri) | yaklaşık 600 |
Bu, ayda 300 istek eder: yaklaşık 900.000 girdi token’ı (450.000’i önbellekli) ve 120.000 görünür çıktı token’ı; akıl yürütme modelinde buna yaklaşık 180.000 akıl yürütme token’ı eklenir.
BroadNet’in 1M başına fiyatlarını uygulayın. Token sayıları milyon cinsinden olduğu için her terim, milyon token × 1M başına fiyattır:
| Model | 1M başına girdi / önbellekli / çıktı | Bu kullanıcının ayı |
|---|---|---|
| Gemma 4 VL 26B | $0.10 / önbellekli fiyat yok / $0.22 | 0,9 × $0.10 (tüm girdi tam fiyattan) + 0,12 × $0.22 (akıl yürütme token’ı yok) = $0.12 |
| DeepSeek V4.1 Flash | $0.175 / $0.0055 / $0.52 | 0,45 × $0.175 + 0,45 × $0.0055 + 0,3 × $0.52 = $0.24 |
| Qwen3.8 27B | $0.175 / $0.0435 / $2.17 | 0,45 × $0.175 + 0,45 × $0.0435 + 0,3 × $2.17 = $0.75 |
| GLM 5.3 | $0.78 / $0.173 / $3.46 | 0,45 × $0.78 + 0,45 × $0.173 + 0,3 × $3.46 = $1.47 |
Akıl yürütme modellerindeki 0,3M çıktı, 0,12M görünür yanıt artı 0,18M akıl yürütmedir. Hesaplandığında GLM 5.3 satırı, aynı kullanıcı için Gemma 4 VL 26B satırının on katından fazla tutuyor (Gemma 4 VL 26B ve GLM 5.3 karşılaştırması ikisini yan yana gösteriyor). Her akıl yürütme modelinde en büyük terim çıktıdır ve bu çıktının yarısından fazlası akıl yürütme token’larıdır. Kendi rakamınızı bulmak için ölçümlerinizi LLM API maliyet hesaplayıcısına girin.
Adım 4: Ortalama kullanıcı neden yanıltır?
Yapay zeka özelliklerinin kullanımı çarpıktır. Kullanıcıların çoğu özelliği birkaç kez dener; küçük bir grup ise gün boyu kullanır. Ortalama bu grubu gizler ve faturayı asıl bu grup büyütür.
Kullanım kaydınızdan kullanıcı başına aylık olarak şunları hesaplayın:
- Medyan maliyet. Normal bir kullanıcının maliyeti.
- 90. yüzdelik dilim. Yoğun ama normal bir kullanıcının maliyeti. Paketinizi bu kullanıcı hâlâ kârlı olacak şekilde fiyatlayın.
- 99. yüzdelik dilim ve en yüksek değer. Kuyruk. Bu kullanıcılara bir adil kullanım sınırı, daha üst bir paket ya da otomasyon ve kötüye kullanım kontrolü gerekir.
- yüzdelik dilimdeki kullanıcınız medyanın kat kat üstünde tutuyorsa bu tek başına bir sorun değildir; fiyatlandırmanın bir girdisidir.
Adım 5: Paketler ve sınırlar nasıl belirlenir?
Kullanıcı başına maliyet bilindiğinde fiyatlandırma bir marj kararına dönüşür:
- Paket için hedef brüt kâr marjınıza karar verin.
- Bu marjın izin verdiği kullanıcı başına en yüksek yapay zeka maliyetine geriye doğru ulaşın.
- Bunu 90. yüzdelik dilimle karşılaştırın. 90. yüzdelik dilim sığıyorsa paket işler. Sığmıyorsa maliyeti düşürün (Adım 6), fiyatı artırın veya yoğun kullanımı daha üst bir pakete taşıyın.
- Token’ları kullanıcıların anladığı bir birime çevirin. Kullanıcılar token cinsinden düşünmez. Günlük istek, aylık belge veya ses dakikası sınırı koyun; izin verilen en yoğun kullanım maliyet tavanınızın içinde kalacak şekilde boyutlandırın.
- Her ay yeniden kontrol edin. İstem değişiklikleri, yeni özellikler ve model değişiklikleri kullanıcı başına maliyeti oynatır.
Adım 6: Ürünü değiştirmeden kullanıcı başına maliyet nasıl düşürülür?
- Önbellekleyin. Sabit sistem istemini ve araç listesini başa koyun. DeepSeek V4.1 Flash’ta önbellekli girdi 1M başına $0.175 yerine $0.0055 tutar. Önbellek oranınızı nasıl artırırsınız.
- Akıl yürütmeyi azaltın. Rutin isteklerde
reasoning_effortdeğerinilowyapmak en pahalı token’ları azaltır. Akıl yürütmenin maliyeti. - Zorluğa göre yönlendirin. Basit istekleri Gemma 4 VL 26B’ye gönderin, akıl yürütme modellerini zor istekler için saklayın.
- Geçmişi kırpın. Uzun sohbetler her turda her şeyi yeniden gönderir; kalitenin izin verdiği yerde eski turları özetleyin veya kesin.
- Çıktıyı sınırlayın. Her özellik için
max_tokensbelirleyin; akıl yürütme modellerinde akıl yürütmeye yer bırakın.
Daha fazla kontrol için LLM API harcama kontrolü yazısına bakın.
Sabit fiyatlı bir plan SaaS kullanıcılarına hizmet verebilir mi?
BroadNet’in DeepSeek V4.1 Flash için sınırsız planları (oturum başına ayda $60) kendi anahtarınızla kendi uygulamanıza veya hizmetinize entegre edilebilir; ancak her oturum aynı anda tek istek çalıştırır ve anahtar paylaşılamaz ya da yeniden satılamaz. Bu da planı eşzamanlılığı düşük arka uç işlerine uygun kılar: gece çalışan bir rapor üreticisi, kuyruktan beslenen bir özetleyici, şirket içi bir ajan. Aynı anda çok sayıda istek üreten etkileşimli kullanıcı trafiği için olağan çözüm kullandıkça öde anahtarları (her biri aynı anda 4 uçuştaki istek, dakikada 30 istek) veya birden fazla oturumdur. Güncel koşullar için planlar sayfasını kontrol edin.
Modelin etrafında hangi maliyetler var?
Token’lardan gelen kullanıcı başına maliyet, yapay zeka kaleminin yalnızca bir parçasıdır. Erişim (retrieval) ve vektör depolamayı, transkripsiyonu (ses dakikası başına fiyatlanır; örneğin BroadNet’te Arapça için dakikada $0.0042), yeniden denemeleri ve değerlendirme çalıştırmalarını ekleyin. Kullanıcılarınız Arapça veya İngilizce dışındaki dillerde yazıyorsa mesaj başına İngilizceden daha fazla token bekleyin; kendi içeriğiniz için kelime başına token’ı ölçün.
Ücretsiz paketler ve denemeler nasıl ele alınmalı?
Ücretsiz paket, kullanıcı başına maliyeti hiç ödeme yapmayan kullanıcılarla çarpar. Bunu pazarlama harcaması olarak görün: ücretsiz kullanıcılara özelliği hâlâ iyi gösteren en ucuz modeli verin, ücretli paketlerden daha sıkı günlük sınırlar koyun ve ücretsiz kullanıcıların yapay zeka maliyetini ayrı bir kalem olarak izleyin. Ücretsiz kullanıcılar dönüşürse bu kalem müşteri edinme maliyetidir; dönüşmezlerse sınırlar onu küçük tutar.
Özet
Birim başına token’ları usage alanından ölçün, yayımlanmış fiyatlarla çarpın, ortalamaya değil 90. yüzdelik dilime bakın ve paket fiyatlarını ve sınırları buna göre belirleyin. Ardından önbellekleme, yönlendirme ve daha düşük akıl yürütme seviyesiyle her birimi ucuzlatın. Henüz hiçbir şey ölçmediyseniz aylık maliyet yöntemiyle başlayın.
