Mac'ime ne kadar yapay zeka yaktığımı sordum. 45 milyar token olayı buldu

Burada token sayılan ne

Bu tarz bir denetimdeki ilk tuzak, her aracın kafasına göre sayım yapması. Bu rapor için dört şeyi birbirinden ayırdım.

Terim	Anlamı
Input token'ları	Modele gönderilen prompt, kod, araç çıktıları, talimatlar ve bağlam.
Output token'ları	Modelin ürettiği görünür yanıt metni veya yapılandırılmış çıktı.
Reasoning token'ları	Bazı kullanım sayaçlarında görünen gizli akıl yürütme ve çalışma token'ları. Genelde output token'ı gibi faturalandırılır ama normal yanıt metni olarak gösterilmez.
Cache'ten okunan token'lar	Sağlayıcının yeniden kullandığı, önceden cache'e alınmış prompt ve bağlam token'ları. Taze input'a göre daha ucuz olabilir ama yine de ölçülen kullanıma yazılır.

Dolayısıyla elimizde iki işe yarar toplam kalıyor. İstek token'ları, cache okumaları hariç modellere giren ve çıkan her şey. Token trafiği ise istek token'larının üstüne cache okumaları ve reasoning token'larının eklenmiş hali.

İnsanlar "X milyar token harcadım" dediğinde genelde bunları çorba yapar. Ben ayrı tutmaya çalıştım.

Genel toplam

Yerel araç verilerini taradıktan ve ana Codex rakamı olarak Codex'in aylık rapor ekran görüntüsünü baz aldıktan sonra çıkan birleşik tablo bu. Yerel ve yetkisiz key'lerle ulaşamadığım için, tam OpenRouter veya fal.ai hesap geçmişini kapsama gibi bir iddiası yok.

Araç veya kaynak	İstek token'ları	Cache token'ları	Toplam token trafiği	Maliyet
Codex aylık raporu	23,046,195,362	21,578,277,284	44,624,472,646	$8,926.98
Claude özetleri ve masaüstü yerel ajan	2,607,194	115,582,148	118,189,342	$276.64
OpenHands	71,763,722	0	71,763,722	$0 loglanmış
Goose	67,298,620	0	67,298,620	~$30.29
opencode	18,658,421	33,845,847	52,504,268	$15.50
Zed	16,174,500	3,442,668	19,617,168	$56.59
Droid	202,115	4,017,760	4,219,875	$29.70
Aider	1,682,271	0	1,682,271	$4.20
LM Studio	15,777	0	15,777	yerel
Gemini CLI kaba prompt izi	~38,690	0	~38,690	bilinmiyor
Qwen CLI kaba prompt izi	~163	0	~163	bilinmiyor
Toplam	23,224,636,835	21,735,165,707	44,959,802,542	$9,339.89

Eksik olduğunu veya sadece kısmen alabildiğimi bildiğim kalemler de şunlar.

Sağlayıcı veya araç	Durum
OpenRouter hesap geneli trafik	Sadece kısmi. Göründüğü kadarıyla yerel uygulama logları ve mevcut key kullanımı dahil edildi. Verilen ekstra key ile tekrar kontrol edildi. O key için $0 gösterdi ve yönetim yetkisi olmadığı için hesap hareketlerini okuyamadı.
fal.ai	Harcama toplamında yok. Yerel kod ve proje kalıntıları buldum. Verilen ekstra key ile tekrar kontrol edildi. Model çağrıları bu key ile çalışabilir ama hesap faturalandırma ve kullanım uç noktalarına erişim izni yoktu. fal.ai kullanımı normal metin token'ları yerine kredi ve çıktı birimlerine dayanıyor.
Lovable	Sadece yerel proje ve tarayıcı kalıntıları var, yerel bir kredi sayacı bulunamadı.
Replit	İşe yarar bir yerel kullanım sayacı bulunamadı.

Yukarıdaki tablo Codex için gizli reasoning token'larını "istek token'ı" sayıyor, çünkü bu token'lar modelin yaptığı asıl işin bir parçası. Codex aylık raporundaki sadece "Total Tokens" alanını alırsan, yani reasoning ve cache hariç tutulursa, Codex ara toplamı 22,944,070,768 çıkıyor.

Canavar kesinlikle Codex'ti

Bütün denetime Codex'in aylık raporu hükmetti resmen. Tek başına Codex şunu yazdı.

Codex metriği	Toplam
Input token'ları	22,796,292,873
Output token'ları	147,777,895
Reasoning token'ları	102,124,594
Cache'ten okunan token'lar	21,578,277,284
Bildirilen toplam token, input artı output	22,944,070,768
Cache ve reasoning dahil token trafiği	44,624,472,646
Maliyet	$8,926.98

Ay ay dökümü de böyle.

Ay	Input	Output	Reasoning	Cache okuma	Bildirilen toplam	Maliyet
2025-09	1,465,027,747	6,294,621	3,394,176	1,408,110,720	1,471,322,368	$310.11
2025-10	2,198,317,367	12,112,717	6,743,168	2,087,526,016	2,210,430,084	$520.56
2025-11	2,059,065,642	12,501,084	7,492,878	1,933,080,448	2,071,566,726	$524.13
2025-12	2,741,470,149	27,917,018	20,974,512	2,620,809,600	2,769,387,167	$851.96
2026-01	2,796,216,784	38,691,904	32,798,748	2,671,607,204	2,834,908,688	$1,227.22
2026-02	4,296,274,116	26,382,801	19,076,844	4,061,859,456	4,322,656,917	$1,490.41
2026-03	2,736,148,304	11,486,083	6,285,054	2,495,058,816	2,747,634,387	$1,257.87
2026-04	2,538,939,090	6,990,823	3,102,999	2,435,933,440	2,545,929,913	$1,392.79
2026-05	1,964,833,674	5,400,844	2,256,215	1,864,291,584	1,970,234,518	$1,351.93
Toplam	22,796,292,873	147,777,895	102,124,594	21,578,277,284	22,944,070,768	$8,926.98

Bütün mevzu bu aslında. Bu tüketimin neredeyse tamamı otonom kodlama ajanlarının bağlam trafiğinden geldi. Uzun süre çalışan ajanlar tek bir cevap verip kenara çekilmiyor. Dosyaları okuyor, diff'lere bakıyor, komut çalıştırıyor, araç çıktılarını alıyor, geçmişi sıkıştırıyor, işe devam ediyor ve bunu sürekli tekrarlıyor. Her bir döngü de faturaya yazılan yeni bir model çağrısı demek.

İlk sayımım neden düşük kaldı

İlk taramada yaklaşık 12,89 milyar Codex token'ı buldum. Bu sayı, her thread ya da oturum için tek bir toplam token sayacı tutan yerel bir Codex state veritabanından geliyordu. Faydalıydı, ama maliyet tablosunu eksik yansıtıyordu.

Daha derin bir tarama, Codex muhasebesinin üç katmanını ortaya çıkardı.

Katman	Neyi ölçtü	Sonuç
Oturum sonu sayaçları	Yerel Codex oturumu başına bilinen son toplam	12,89 M
Aylık Codex raporu	Modele ve token sınıfına göre uzlaştırılmış aylık kullanım	22,94 M raporlanan token, 8.926,98 $
Ham last_token_usage event'leri	JSONL loglarından ayrıştırılan istek başına event akışı	23,98 M istek token'ı, cache dahil yaklaşık 46,53 M

Yayınlayacağım sayı aylık rapor. Ham event taraması faydalı bir üst sınır kontrolü sağlıyor; ancak devam ettirilen oturumlar, zaman damgası gruplaması, mükerrer telemetri ya da farklı raporlama aralıkları yüzünden sonuçlar farklı çıkabiliyor.

Önemli düzeltme şu: Codex için fatura benzeri bir sayı istiyorsan, istek başına kullanımı topla ya da aylık kullanım raporunu kullan. Sadece oturum sonu tokens_used sayacına güvenme.

Yerel uygulama state'ini, veritabanlarını, JSONL dosyalarını ve varsa sağlayıcı uç noktalarını (endpoint) kontrol ettim. Prompt içeriklerini yayınlamadım ve API anahtarlarını sansürledim. Faydalı yerel kaynaklar şunlardı:

Araç	Faydalı yerel kaynak
Codex	~/.codex/sessions/**/*.jsonl, ~/.codex/state_5.sqlite, ~/.codex/logs_2.sqlite artı aylık rapor ekran görüntüsü
opencode	~/.local/share/opencode/ altında SQLite DB
Claude Code ve Claude Desktop	~/.claude.json, Claude desktop local-agent denetim günlükleri
Aider	.aider.chat.history.md dosyaları
Goose	~/.local/share/goose/sessions/ altında JSONL oturumları
OpenHands	~/.openhands/sessions/ altında event JSON dosyaları
LM Studio	~/.lmstudio/conversations/ altında konuşma JSON'u
Gemini CLI	~/.gemini/tmp/*/logs.json
Qwen CLI	~/.qwen/tmp/*/logs.json
Zed ve Droid	tokscale kullanım önbelleği (cache) üzerinden bulundu
OpenRouter	Yerel API anahtarları, yönetici yetkisi olmayan anahtarlar ve /api/v1/key kontrolleri
fal.ai	Yerel proje izleri artı anahtar kontrolleri, ancak kullanılabilir kullanım sayacı yok
Lovable ve Replit	Tarayıcı ve proje izleri, kullanılabilir yerel fatura sayacı yok

Bir de önbelleğe alınmış bir tokscale rollup'ı buldum.

~/.config/tokscale/cache/tui-data-cache.json

O önbellek şunu raporluyordu:

tokscale metriği	Değer
Toplam normalize token	13.537.863.939
Toplam normalize maliyet	6.438,80 $
Model grupları	21
Kullanılabilir model grubu olan istemciler	Codex, opencode, Zed, Droid

Bu sayı faydalı olsa da Codex aylık raporuyla aynı şekilde sayılmıyor. Veriyi farklı normalize edip grupluyor. Ben bunu daha çok gözden kaçırdığım ekstra istemcileri ve maliyet gruplarını bulmak için kullandım.

Diğer araçlar, tek tek

Codex devasa bir boyuttaydı, ama diğer araçlar da önemliydi.

opencode'da mesaj başına token muhasebesi tutan gerçek bir SQLite veritabanı vardı. Kurtarılan toplamlar şunlar:

Alan	Sayı
Input token'ları	18.329.400
Output token'ları	215.350
Reasoning token'ları	116.322
Cache okuma	33.616.558
Cache yazma	229.289
Toplam token trafiği	52.504.268
Maliyet	15,50 $

Modeller arasında OpenRouter GLM, OpenRouter üzerinden Gemini preview ve opencode/free model grupları vardı.

Claude'un iki faydalı yerel kaynağı vardı. Biri, proje özet sayaçlarını tutan ~/.claude.json. Diğeri, model kullanım özetleri içeren Claude Desktop local-agent denetim günlükleri. İkisi birlikte şu veriyi verdi:

Alan	Sayı
Cache dışı istek token'ları	2.607.194
Cache token'ları	115.582.148
Toplam token trafiği	118.189.342
Maliyet	276,64 $

Bu, cache'in neden önemli olduğunun güzel bir örneği. Claude token trafiğinin çoğu taze prompt ya da output değil, cache okuma ya da oluşturmaydı.

OpenHands, event dosyalarında yanıt başına kullanım bilgisini tutuyordu.

Alan	Sayı
Prompt token'ları	71.243.196
Completion token'ları	520.526
Toplam token	71.763.722
Kayıtlı maliyet	0 $

Model grubu openrouter/sonoma-sky-alpha idi ve yerel muhasebede ücretsiz görünüyordu.

Goose'da kümülatif oturum sayaçları vardı.

Alan	Sayı
Input token'ları	66.266.561
Output token'ları	1.032.059
Toplam token	67.298.620
Tahmini maliyet	~30,29 $

Güncel Goose yapılandırması OpenRouter'ı z-ai/glm-4.6 ile gösteriyordu, eski yedeklerde de x-ai/grok-code-fast-1 vardı. Tekil oturum satırları modeli tutmadığı için Goose maliyetini tahmin olarak ele aldım.

Aider basitti. Token ve maliyet satırlarını sohbet geçmişi dosyalarına yazıyor.

Alan	Sayı
Gönderilen token'lar	1.560.000
Alınan token'lar	122.271
Toplam token	1.682.271
Maliyet	4,20 $

Aynı geçmiş dosyalarını hash ile tekilleştirdim, böylece bir yedek kopya iki kere sayılmadı.

LM Studio çoğunlukla yerel model kullanımı içeriyor, API harcaması değil. Yine de konuşma JSON'unda üretim istatistikleri vardı.

Alan	Sayı
Prompt token'ları	8.796
Tahmin edilen token'lar	6.981
Toplam yerel üretim token'ı	15.777

Bu, işin içinde uzak bir sağlayıcı yoksa API maliyeti oluşturmuyor ve yerel dosyalar da aksi bir şeyi göstermedi.

Gemini ve Qwen'in yerel günlükleri vardı ancak sağlayıcı tarzı güvenilir token kullanım sayaçları bulamadım. Sadece kaba metin izleri bulabildim.

Araç	Oturumlar ve mesajlar	Kaba metin tahmini
Gemini CLI	17 oturum, 76 kullanıcı mesajı	~38.690 metin token'ı
Qwen CLI	2 oturum, 9 kullanıcı mesajı	~163 metin token'ı

Bunları faturalanabilir sağlayıcı kullanımı olarak saymadım. Sadece kaba metin boyutu tahminleri.

Zed ve Droid, tokscale önbelleğinden geldi, uygulamaya özel günlükleri elle ayrıştırmadım.

Araç	Token trafiği	Maliyet
Zed	19.617.168	56,59 $
Droid	4.219.875	29,70 $

OpenRouter, fal.ai, Lovable ve Replit

Sağlayıcıya yakın araçları ve hesap izlerini de kontrol ettim. Daha derin yerel tarama; yapılandırma klasörlerini, agent state klasörlerini, proje dizinlerini, tarayıcı uygulama verilerini, paket önbelleklerini ve bilinen CLI state'ini OpenRouter, fal.ai, Lovable ve Replit kalıntıları için taradı. Proje kodu, SDK paketleri, fiyatlandırma önbellekleri, yapılandırma dosyaları ve tarayıcı ile proje izleri buldu, ancak eksik sağlayıcılar için gerçek bir yerel fatura defteri bulamadı.

OpenRouter'la başlayalım. Araç yapılandırmalarında üç yerel OpenRouter API anahtarı buldum. OpenRouter trafiğinin çok daha yüksek olduğundan şüphelendiğim için, elimdeki bir OpenRouter anahtarını daha test ettim. Her anahtarla OpenRouter mevcut anahtar uç noktasını sorguladım ve anahtar değerlerini sansürledim. Sonuçlar şunlar:

Anahtar kaynağı	Mevcut anahtar kullanımı	Hesap geneli erişim
Aider anahtarı	4,820189682 $	Hayır
OpenHands anahtarı	0 $	Hayır
Refact anahtarı	0,063351337 $	Hayır
Sağlanan test anahtarı	0 $	Hayır

Sonra hesap etkinliği için OpenRouter'ın /api/v1/activity uç noktasını denedim. Her anahtar aynı şeyi döndürdü:

Only management keys can fetch activity for an account

Yani OpenRouter kontrolü tüm hesap geçmişini kapsamıyor. Sadece o spesifik API anahtarlarının görebildiği kullanımı raporluyor.

Sağlanan anahtar da yönetici anahtarı listeleme uç noktasında hata verdi:

Invalid management key

OpenRouter, /api/v1/activity uç noktasının son 30 UTC günün aktivitesini döndürdüğünü ve bir yönetici anahtarı gerektirdiğini belirtiyor. Normal bir API anahtarı kendi güncel kullanımını raporlayabilir, ama tüm hesabı raporlayamaz.

Bu demek oluyor ki, hesapta daha yoğun bir kullanım, silinmiş anahtarlar, döndürülmüş anahtarlar, BYOK aktivitesi ya da yerel günlük tutmayan başka uygulamalar varsa, makaledeki OpenRouter sayısı neredeyse kesinlikle düşük. Eksik OpenRouter harcamasını dahil etmek için bana /api/v1/activity erişimi olan bir OpenRouter yönetici anahtarı lazım ya da aylık kullanım için bir pano dışa aktarımı, ekran görüntüleri veya tüm geçmiş API anahtarlarının listesi gerekli.

Yönetici anahtarı ile hesap seviyesi çağrı şu şekilde:

curl https://openrouter.ai/api/v1/activity \
  -H "Authorization: Bearer $OPENROUTER_MANAGEMENT_KEY"

Tek bir normal anahtar için sınırlı çağrı ise bu:

curl https://openrouter.ai/api/v1/key \
  -H "Authorization: Bearer $OPENROUTER_API_KEY"

İlk uç nokta gün, model ve sağlayıcı başına aktivite verebiliyor. İkincisi sadece o anahtarın şu an ne raporladığını söyleyebiliyor.

fal.ai bambaşka bir hesap

Bir de fal.ai meselesi var. Sistemde fal.ai kodlarına ve proje izlerine rastladım; buna metinden konuşmaya ve konuşmadan metne deneyleri de dahil. Ancak hesap kullanımını gösterecek yerel bir fatura sayacı bulamadım. fal.ai trafiğinin çok daha yüksek olduğundan şüphelendiğim için, elimdeki bir fal.ai anahtarını hesap faturalandırma ve kullanım tarzı endpoint’lerinde test ettim.

Sonuç önemliydi. Anahtar, sıfır harcama yaptığını kanıtlamadı. Sadece bu anahtarın fatura dökümünü görme yetkisi olmadığını kanıtladı.

fal.ai kontrolü	Sonuç
Hesap faturalandırması	Yetkilendirme hatası, anahtarın bu işlemi yapma izni yok.
01.01.2024 - 19.05.2026 arası model kullanımı	Sadece hata nesnesi döndü, toplanacak veri satırı yok.
Son 90 günün fatura hareketleri	Sadece hata nesnesi döndü, toplanacak hareket yok.

Bu çağrılar yetkilendirme hatası verdiği için rapora $0 eklemedim. $0 yanıltıcı olurdu. İşin aslı "bilinmiyor ve muhtemelen eksik" olması.

Ayrıca fal.ai, LLM token hesaplamasıyla da tam örtüşmüyor. Dokümanlarında model faturalandırmasının başarılı çıktılar ve modele özel faturalandırma birimleri üzerinden, ön ödemeli kredilerle yapıldığı yazıyor. Yani fal denetimi için sadece yerel token ayrıştırması yetmez, bir fal dashboard’u ya da API anahtarı lazım.

Bu rakam muhtemelen olduğundan daha düşük. fal.ai kullanımı genellikle yerel uygulama loglarında değil, dashboard’da tutuluyor. Yerel uygulama fal’ı çağırıp ses, görüntü veya video çıktısı linklerini alıyor ama harcanan birimi veya kredi düşüşünü asla kaydetmiyor. fal.ai’ı dahil edebilmem için fal.ai dashboard fatura veya kullanım dökümü, kredi alımları ve harcamalarını gösteren bir ekran görüntüsü veya CSV, ya da hesapta varsa fatura/kullanım endpoint’lerini okumaya yetkili bir fal.ai yönetici veya ekip anahtarı lazım.

İşin püf noktası şu; fal.ai’ı LLM metniymiş gibi token tablosuna koymamak lazım. Kendi harcama kalemi olması gerekiyor.

fal.ai metriği	Nasıl raporlanmalı
Yakılan kredi	Toplam dolar harcamasına ekle
Ses, video ve görsel üretimleri	Çıktı birimi olarak raporla
Metin tokenları	Sadece ilgili fal modeli token kullanımını açıyorsa dahil et

Yani düzeltilmiş gelecek başlığı muhtemelen şu olmalı: "Yerel olarak kanıtlanmış 45 milyar+ AI token-olayı, artı OpenRouter ve fal.ai dashboard harcamaları eklenecek".

Lovable için şunları buldum:

lovable.dev tarayıcı IndexedDB izleri
magic-prf.lovable.app tarayıcı IndexedDB izleri
yerel .lovable proje meta verileri
lovable-tagger paketleri
lovable yükleme klasörleri

Yerel token, kredi veya fatura sayacı bulamadım. Lovable'ı yerel tarayıcı IndexedDB dosyalarından değil, dashboard üzerinden denetlemek en iyisi.

Replit için proje meta verilerine, tokenlara, yerel veritabanlarına ve tarayıcı izlerine baktım. Kullanılabilir bir yerel kullanım sayacı bulamadım.

Rakamları nasıl çıkardık

Kabaca izlediğim yol şuydu:

1. Muhtemel AI aracı dizinlerini listele.
2. Sohbet içeriklerini dökmeden kullanım alanlarını ara.
3. SQLite, JSONL, JSON ve Markdown geçmişleri gibi yapılandırılmış depoları tanımla.
4. Sadece toplam sayaçları ayrıştır.
5. Mümkünse geçmişleri ve oturum özetlerini tekilleştir.
6. Yerel sayaçları sağlayıcı dokümanları ve endpoint’leriyle çapraz kontrol et.
7. İstek tokenlarını önbellek trafiğinden ayır.

İlk geniş taramada yüklü araç durumuna baktım.

find ~ -maxdepth 3 -type d \
  | rg -i 'codex|claude|opencode|gemini|qwen|goose|aider|openhands|cursor|windsurf|zed|replit|lovable|lmstudio|ollama'

Sonra kullanım alanlarını aradım.

rg -n -i 'input_tokens|output_tokens|total_tokens|cached_tokens|cache_read|usage|cost' \
  ~/.codex ~/.claude ~/.opencode ~/.gemini ~/.qwen ~/.local/share/goose ~/.openhands ~/.lmstudio

Codex için anlamlı olay şöyle görünüyordu:

{
  "type": "event_msg",
  "payload": {
    "type": "token_count",
    "info": {
      "total_token_usage": {
        "input_tokens": 123,
        "cached_input_tokens": 100,
        "output_tokens": 20,
        "reasoning_output_tokens": 10,
        "total_tokens": 143
      },
      "last_token_usage": {
        "input_tokens": 12,
        "cached_input_tokens": 10,
        "output_tokens": 2,
        "reasoning_output_tokens": 1,
        "total_tokens": 14
      }
    }
  }
}

Kritik keşif şuydu: total_token_usage oturum boyunca birikerek artıyor. Eğer her total_token_usage satırını toplarsanız, rakamı gereksiz yüksek hesaplarsınız. Fatura tarzı bir muhasebe için isteğe özel last_token_usage veya mutabık kalınmış bir kullanım raporu lazım.

Basitleştirilmiş bir Codex ayrıştırıcısı şöyle:

const fs = require("fs");
const path = require("path");

function walk(dir, files = []) {
  for (const entry of fs.readdirSync(dir, { withFileTypes: true })) {
    const p = path.join(dir, entry.name);
    if (entry.isDirectory()) walk(p, files);
    else if (entry.name.endsWith(".jsonl")) files.push(p);
  }
  return files;
}

const totals = {
  input: 0,
  cached: 0,
  output: 0,
  reasoning: 0,
  total: 0,
};

for (const file of walk(`${process.env.HOME}/.codex/sessions`)) {
  for (const line of fs.readFileSync(file, "utf8").split(/\n/)) {
    if (!line.includes("token_count")) continue;

    let row;
    try {
      row = JSON.parse(line);
    } catch {
      continue;
    }

    const usage = row.payload?.info?.last_token_usage;
    if (!usage) continue;

    totals.input += usage.input_tokens || 0;
    totals.cached += usage.cached_input_tokens || 0;
    totals.output += usage.output_tokens || 0;
    totals.reasoning += usage.reasoning_output_tokens || 0;
    totals.total += usage.total_tokens || 0;
  }
}

console.log(totals);

opencode gibi SQLite tabanlı araçlar için yöntem farklıydı.

sqlite3 ~/.local/share/opencode/opencode.db ".schema"

Burada mesaj tablosundaki JSON alanlarını, özellikle de kopyalanmış kısmi satırları değil tokens nesnesini ayrıştırıyorsunuz.

Aider için kullanım düz metin halindeydi.

rg -n 'Tokens: .* sent, .* received|Cost:' ~/Developer ~/.aider

OpenRouter'da mevcut anahtar kullanımı için:

curl https://openrouter.ai/api/v1/key \
  -H "Authorization: Bearer $OPENROUTER_API_KEY"

OpenRouter'da hesap genelindeki aktivite için:

curl https://openrouter.ai/api/v1/activity \
  -H "Authorization: Bearer $OPENROUTER_MANAGEMENT_KEY"

İkinci komut bir yönetim anahtarı gerektiriyor.

Maliyet rakamları nereden geliyor

Üç tür maliyet verisi kullandım: Doğrudan aracın logladığı maliyetler, Codex aylık kullanım raporunda görünenler ve yerel loglarda token olup maliyet bilgisi olmayan durumlar için güncel halka açık fiyat tahminleri.

Fiyatlandırma için OpenAI API fiyat listesi; GPT-5.5, GPT-5.4 ve GPT-5.3-Codex için 1 milyon token başına güncel fiyatları veriyor. OpenAI’ın Codex fiyat kartı, token tabanlı hesaplamaya geçişi açıklıyor ve giriş, önbellekli giriş ve çıkış kredilerini ayırıyor. Anthropic, Claude fiyatlarını model ve token sınıfına göre yayınlıyor. OpenRouter /api/v1/key ile mevcut anahtar kullanımını gösteriyor, tüm aktivite için yönetim anahtarı gerekiyor. fal.ai ise model API'lerini başarılı çıktılar ve modele özel faturalandırma birimleri üzerinden ön ödemeli kredilerle ücretlendiriyor.

Bu maliyet tahmini kusursuz bir fatura değil. "API tarzı fiyatlarla bu neye benzerdi?" sorusunun cevabı. Bazı kullanımlar aboneliklere, ücretsiz planlara, araştırma ön izlemelerine veya şirket içi tahsisatlara dahil olabilir. Bazı yerel loglar, gerçekleşen sağlayıcı faturası yerine tahmini maliyeti kaydediyor.

Ajan kullanımı neden bu kadar artıyor

Şaşırtıcı olan makinenin AI kullanması değil. Şaşırtıcı olan, ajanların bağlamı (context) ne kadar hızlı çoğalttığı.

Normal bir sohbet, temel olarak bir kullanıcı istemi ve asistan cevabıdır. Ajanlı bir kodlama döngüsü ise daha çok şuna benziyor:

1. Kullanıcı değişiklik ister.
2. Ajan repo dosyalarını okur.
3. Model çağrısı.
4. Ajan aramalar yapar.
5. Model çağrısı.
6. Ajan testleri çalıştırır.
7. Model çağrısı.
8. Ajan hataları okur.
9. Model çağrısı.
10. Ajan dosyaları düzenler.
11. Model çağrısı.
12. Ajan doğrular.
13. Model çağrısı.

Her adımda sistem talimatları, geliştirici talimatları, araç tanımları, önceki sohbet, dosya parçaları, komut çıktıları, diff’ler, test hataları, ekran görüntüleri, tarayıcı durumu ve güvenlik politikaları yer alabilir.

İşte bu yüzden Codex'teki önbellek okuma (cache-read) tokenları, taze istek tokenları kadar yüksekti.

Codex kategorisi	Tokenlar
Taze giriş + çıkış + mantık yürütme	23.05 milyar
Önbellek okuma	21.58 milyar

Önbellek bunu normalde olacağından daha ucuza getiriyor ama aynı zamanda ajan kullanımının gerçek yüzünü de gösteriyor. Bağlam, işin asıl yakıtı.

Öğrendiklerim

Birincisi, "toplam token" konusu oldukça muğlak. Bir paneldeki toplam veri, oturum sayacı, istek bazlı ham veri ve servis sağlayıcı faturası; hepsi teknik olarak doğru olsa da birbirinden tamamen farklı sayıları gösterebiliyor.

İkincisi, lokal loglar inanılmaz işe yarıyor. Birçok araç, promptları hiçbir yere göndermeden kullanım detaylarını yeniden oluşturmaya yetecek kadar meta veriyi sessizce saklıyor.

Üçüncüsü, servis sağlayıcıların panelleri hala kritik. OpenRouter, fal.ai, Lovable, Replit gibi servisler tam fatura geçmişini lokalde tutmayabiliyor. Bu yüzden o panellerdeki verilere veya kapsamlı yönetim anahtarlarına (API key) ihtiyacınız oluyor.

Dördüncüsü, agentic coding çıktı uzun olduğu için pahalı değil. Asıl maliyet, girdi bağlamı devasa olduğu ve sürekli tekrar tekrar okunduğu için ortaya çıkıyor.

Benim durumumda, görünen model cevapları toplam tutarın sadece küçük bir parçasıydı. Asıl masraf bağlamda, araç çıktıları (tool output), repo incelemeleri ve önbelleğe alınmış promptların sürekli yeniden kullanımıyla patladı.

Yani bunu tek bir cümlede özetlemem gerekseydi, şu olurdu:

Mac'imdeki ulaşabildiğim tüm AI araçlarını denetledim. Makine, 45 milyar civarında token-event ve yaklaşık 9.3 bin dolarlık API kullanımına dair kanıt çıkardı. Bunun neredeyse tamamı, agentic coding işleri yapan Codex'ten geldi.

Referanslar

• OpenAI API fiyatlandırması, https://developers.openai.com/api/docs/pricing
• OpenAI Codex fiyat listesi, https://help.openai.com/en/articles/20001106-codex-rate-card
• Anthropic Claude fiyatlandırması, https://platform.claude.com/docs/en/about-claude/pricing
• OpenRouter güncel key endpoint'i, https://openrouter.ai/docs/api/api-reference/api-keys/get-current-key
• OpenRouter aktivite endpoint'i, https://openrouter.ai/docs/api/api-reference/analytics/get-user-activity
• fal.ai fiyatlandırma modeli, https://fal.ai/docs/documentation/model-apis/pricing
• fal.ai kimlik doğrulama, https://fal.ai/docs/documentation/setting-up/authentication