Geçen hafta ekibinizin ürettiklerine bir bakın. Küçük bir kısmı standup'ta konuşulan özellikti. Büyük kısmı ise çevre işlerdi: hata triyajı, etiketler, bir changelog, on bir pull request'e ilk tur yorumlar, kimsenin sahiplenmek istemediği bir modül için test iskeleti, bağımlılık güncellemeleri, bir yanıt şekli değiştiğinde bayatlayan bir dokümantasyon sayfası. Yüksek hacim, düşük itibar; ve bu haftaya kadar, ilginç işlerle aynı runtime üzerinde çalıştığı için token başına aynı maliyete sahipti.
OpenAI, 22 Eylül'de GPT-6 Luna'yı milyon giriş token'ı başına 0,10 dolar, milyon çıkış token'ı başına 0,50 dolar fiyatla yayınladı; API kimliği gpt-6-luna, 1M bağlam penceresi. Sıkıcı işlerin yüzde 80'i tam da bu katmana ait. İşe yarar soru, Luna'nın iyi olup olmadığı değil; hangi işlerin oraya taşınacağı, hangilerinin asla taşınmaması gerektiği ve ucuz bir runtime'ın tamamlayabileceği bir Task'ın nasıl yazılacağı.
TL;DR
İşleri ucuz katmana zorluğa göre değil, doğrulanabilirliğe göre yönlendirin. Bir sonuç, yeniden yapılmadan doğrulanabiliyorsa ve yanlış bir cevap, inceleyiciye yarım gün yerine bir dakikaya mal oluyorsa, o iş Luna'ya aittir. Muhakeme gerektiren kararları, panonun üzerinden otomasyon yürüttüğü her şeyi ve kimsenin kontrol etmeyeceği işleri pahalı runtime'da tutun. Bir makinenin değerlendirebileceği kabul kriterleri yazın, kısa işlerde eforu ölçülü tutun ve her sonucun, bir kişinin kabul ettiği Task'a dönmesini sağlayın.
Luna'nın fiyatı ne, neyle karşılaştırılıyor
OpenAI'ın yayınladığı Luna karşılaştırmaları, liderlik tablosundaki sıralamalar değil görev başına maliyet üzerinden yapılmış; bu iş için doğru çerçeve de bu.
| Yayınlanan sonuç | Luna | Karşılaştırıldığı model |
|---|---|---|
| DeepSWE 1.1 | Maksimum eforda %66,6 | Orta eforda Claude Opus 5 ve Fable 5 ile kıyaslanabilir; görev başına maliyet Opus 5'ten %93, Fable 5'ten %96 daha düşük |
| AutomationBench 1.0.6 | Yüksek eforda selefine göre +5,4 puan | Görev başına %58 daha düşük maliyet |
| OSWorld 2.0 çevrimdışı | Orta eforda GPT-5.6 Sol'u geçiyor | Yaklaşık olarak maliyetin onda biri |
| Olgu doğruluğu | Daha yüksek eforda GPT-5.6 Sol ile eşit | Yaklaşık olarak maliyetin yüzde biri |
Bu rakamlarla birlikte gelen iki çekince var. OpenAI, Sol ve Luna'yı GPT-5.6 promosyon fiyatından %50 daha ucuz olarak tanımlıyor. "Promosyon" OpenAI'ın kendi ifadesi ve bu önemli: referans alınan taban liste fiyatı değil, bir indirim. Kendi lansman haberimizde belgelediğimiz GPT-5.6 Luna liste fiyatına —milyon giriş token'ı başına 1 dolar ve milyon çıkış token'ı başına 6 dolar— kıyasla, 0,10 ve 0,50 dolara düşüş girişte %90'a, çıkışta %92'ye yakın. Gerçek indirim manşettekinden daha büyük; manşet ise bir indirimli satışa göre ölçülmüş.
Üstelik o tablodaki her Anthropic karşılaştırması Claude Opus 5'e karşı yapılmış. Anthropic, OpenAI'ın yayınladığı gün Opus 5'in yerine Opus 5.5'i getirdi: milyon giriş token'ı başına 4 dolar, milyon çıkış token'ı başına 20 dolar; Opus 5'in 5 ve 25 dolarına karşı. Bu marjları bir önceki nesle göre ölçülmüş olarak okuyun, çünkü öyleler. İki güncel amiral gemisi arasında bir kazanan iddia etmiyoruz ve hiçbir satıcı bu kafa kafaya karşılaştırmayı yayınlamadı.
Her iki satıcıdan bağımsız bir üçüncü taraf olan Artificial Analysis, Luna'yı zekâ endeksinde 37 puanla konumlandırırken Opus 5.5'e 58 puan veriyor. Luna bir sınır (frontier) modeli değil ve öyle pazarlanmıyor. Bir kamu hizmeti gibi fiyatlandırılmış, yetkin bir işçi; mesele de bu.
Neyin taşınacağını belirleyen özellik
Ekipler agent işlerini zorluğa göre sıralıyor. Bu yanlış bir eksen: zorluk problemin bir özelliği, maruz kaldığınız risk ise inceleme döngüsünün bir özelliği. Bunun yerine doğrulanabilirliğe göre sıralayın.
Bir iş, şu iki koşul birlikte sağlandığında ucuz katmana aittir. Sonuç, yeniden yapılmadan doğrulanabilmelidir: bir test, bir diff, bir lint kuralı ya da on saniyelik bir okumayla. Ve yanlış bir sonuç, inceleyiciye yarım gün değil bir dakikaya mal olmalıdır; çünkü etki alanı tek bir etiket, tek bir yorum ya da tek bir dosyadır.
Test iskeleti bu ikili sayesinde uygunken güvenlik incelemesi uygun değildir; oysa ikisi de aynı depo üzerinde metin üretimidir. Üretilen bir test ya çalışır ya çalışmaz ve bunu aynı dakika içinde öğrenirsiniz. Bir inceleme yorumunda gözden kaçan bir yetkilendirme açığı ise temiz bir yorumdan tamamen farksız görünür.
Neler devredilmeli
| İş | Agent ne döndürür | Nasıl doğrulanır | Yanlışsa etki alanı |
|---|---|---|---|
| Gelen hata bildirimlerinin triyajı | Özet, şüpheli bileşen, denenen yeniden üretim, öncelik önerisi | Task alınırken okunan dört satır | Yanlış yönlendirilmiş bir Task |
| Etiketleme ve meta veri | Etiketler ve Task türü; uygulanan kuralın belirtilmesi | Panoda görünür | Bir yanlış etiket |
| Changelog ve sürüm notları | Bir Sprint'te birleştirilen diff'lerden taslak notlar | Commit'lerle diff karşılaştırması | Editoryal; sürümden önce yakalanır |
| İlk tur inceleme yorumları | Yorum olarak gözlemler; açıkça bir onay değil | İnceleyici okur ya da yok sayar | Hiçbir şey buna bağlı değilse, gürültü |
| Test iskeleti | Derlenen ve çalışan test dosyaları; bariz boşluklar işaretlenmiş | Test çalıştırması | Kırmızı build |
| Bağımlılık sürüm güncellemeleri | Task başına tek güncelleme; changelog alıntısı ve test sonucuyla | CI | Tek bir geri alma |
| Birleştirme sonrası dokümantasyon takipleri | Kaynak diff'i referans gösteren doküman düzenlemeleri | Diff incelemesi | Bayat bir sayfa bayat kalır |
Hepsini birleştiren ortak şekil şu: her biri, başka birinin saniyeler içinde değerlendirdiği bir çıktı döndürür; üstelik Agent'ın eklediği kanıta dayanarak. Hiçbiri herhangi bir konuda son söz değil; listeyi ekibinizin bundan sonra ele alacağı işlere genişlettiğinizde uygulayacağınız test de bu.
Neler devredilmemeli
Üç sınır çizgisini belirtmekte fayda var, çünkü ucuz bir katman bu hataları davet eder.
İlk tur inceleme, inceleme değildir. Bir diff üzerine gözlem yazan Agent, okunacak malzeme üretir. Bu bir onay değildir; bir ekip temiz bir ilk turu, değişikliğin güvenli olduğunun işareti saymaya başladığı anda, ucuz katman kabul kararına terfi etmiş olur. Bir inceleme agent'ının neleri doğrulayıp neleri doğrulayamayacağı konusunda net olun ve yorumun kendisinde bunun bir ilk tur olduğunu belirtin.
Panonun üzerinden otomasyon yürüttüğü bir etiket, not değil karardır. Bir Task'ı bir duruma taşımak bir çalıştırmayı tetikliyorsa ya da öncelik, ekibin bundan sonra neyi ele alacağını belirliyorsa, etiketleyen Agent yön belirliyor demektir. Ya otomasyonu bu alanlardan uzak tutun ya da etiketlemeyi, yön konusunda güvendiğiniz katmanda tutun.
Kimsenin kontrol etmeyeceği iş ucuzlamaz, görünmez olur. Ucuz bir yanlış cevap, ancak biri fark ettiğinde ucuzdur. Bir işin okuyucusu yoksa çözüm, o işi silmektir; daha ucuz bir runtime değil.
Öyleyse karar ikilisi şu. İş yüksek hacimli, sınırları belli ve güvenden başka bir şeyle doğrulanıyorsa Luna'yı kullanın. Bir Task saatler boyunca bağlamı korumak zorundaysa, birkaç modülü kapsıyorsa ya da yarıda durdurmak token'lardan daha pahalıya gelecekse Sol veya Opus 5.5'i kullanın. Tek bir depoda tek bir Agent çalıştırıyorsanız, katmanları hiç ayırmayın: en zor işinize uyan runtime'ı seçin.
Ucuz bir runtime'ın tamamlayabileceği bir Task nasıl yazılır
Sharkly'de bir Agent, tek seferlik bir prompt değil, kaydedilmiş bir çalışma yapılandırmasıdır. Talimatları, Runtime'ı, Skills'i, depoları, ortamı ve çalıştırma ayarları işi nasıl ele aldığını şekillendirir; bu yüzden doğru birim, yedi işin hepsini yapan tek bir zeki Agent değil, her sıkıcı iş türü için bir Agent'tır. Bir ekip kod değişiklikleri, inceleme, test, dokümantasyon veya operasyonel triyaj için ayrı Agent'lar tutabilir; her Task için talimatları yeniden yazması gerekmez.
Ucuz bir runtime'ın dar bir kapsama ve mekanik bir bitiş çizgisine ihtiyacı vardır:
SH-312 Triage: 9 unassigned bug reports from this week
Assignee: Triage Agent (Codex Runtime, gpt-6-luna)
For each report, return on the Task:
- one-sentence restatement of the observed behavior
- the suspected component, with the file or module that led you there
- whether you could reproduce it locally, and the exact command you ran
- a priority suggestion with one reason
Do not change files. Do not close or merge anything.
Finish with any question that must be answered before implementation.
Bu Task'ta işi yapan üç şey var. Kapsam, dokuz madde üzerinden tek bir geçiş; böylece bir başarısızlığı atmak ucuz. Her iddia kanıtını yanında taşıyor; yani kontrol etmek, yeniden araştırmak değil, sadece okumak. Ve son iki satır sınırı çiziyor: bu Agent rapor eder, harekete geçmez.
Bir ayarı bilinçli olarak vermeye değer. Luna'nın yayınlanan başarıları yüksek ve maksimum muhakeme eforunda elde edilmiş; efor ise en tepede bırakacağınız bir kalite ayarı değil, bir maliyet ve gecikme kararıdır. Yine bir üçüncü taraf olan Artificial Analysis, Luna'nın maksimum muhakeme varyantını saniyede 153,9 çıkış token'ı ve ilk token'a yaklaşık 124 saniye olarak ölçtü. [VERIFY] Güncel rakam ne olursa olsun, şekil aynı: maksimum eforda ucuz modeller hızlı başlayanlar değildir. İki dakika düşünen bir etiketleme işi panoda takılmış gibi görünür. Kısa işleri ölçülü eforda çalıştırın, yüksek ayarları bunu hak eden Task'lara saklayın.
Erişimle ilgili iki not, çünkü ekiplerin sisteme giriş yaptığı katman burası. Luna; Plus, Pro, Business, Enterprise ve Edu planları için Codex ve ChatGPT Work'te çalışıyor, Free ve Go hesapları ise masaüstü uygulamasında kullanabiliyor. Henüz Chat'te yok. Sharkly'de model, Agent üzerinde değil, Runtime veya Computer aracı yapılandırmasında ayarlanır ve Sharkly model adını size geri göstermez.
Fiyat indiriminin düzeltemediği kısım
Luna fiyatlarıyla dokuz triyaj özeti neredeyse hiçbir şeye mal olmaz. Ama yine de bir insanın okuması gereken dokuz şey üretirler. Tüm çevre işlerini ucuz katmana taşıyan bir ekip, bir insanı bekleyen kararları azaltmış olmaz; yalnızca bu kararları üretmenin maliyetini düşürür ki bu, kabul etmenin maliyetini düşürmekle aynı şey değildir. İşte bu yüzden inceleme kuyruğu, token ücreti ne yaparsa yapsın tavan olmaya devam ediyor.
Değiştirebileceğiniz şey, o kuyruğun ne kadar okunaklı olduğudur. Talepten sürüme kadar hedefi, çalıştırmayı, kanıtı, engelleri ve insan incelemesini Task üzerinde tutun; böylece ilk tur bir yorum görünür biçimde ilk tur olur, bir triyaj özeti onu üreten komutu yanında taşır ve gerçekten sizi bekleyen maddeler, sadece gürültü olanlardan ayrılabilir. Agent'lar araştırır, yürütür, test eder ve raporlar. İnsanlar yön belirler, yetki verir ve sonucu kabul eder.
Birden çok agent çalıştırıyorsanız ve ucuz olanlar çoğalmak üzereyse, Sharkly size Task'larını atayabileceğiniz, her çalıştırmanın ne ürettiğini görebileceğiniz ve neyin yayına gideceğine karar verebileceğiniz tek bir yer sunar. Bir Computer bağlayın, en sıkıcı işiniz için bir Agent oluşturun ve ona gerçek bir Task atayın.
