Data Dünyasında Geçen Hafta: 188 Milyar Dolar, Zero-Copy ve Tıklanmayan Aramalar

By | Temmuz 23, 2026
0 Comment

Merhaba,

Bazı haftalar sektörde hiçbir şey olmaz, bazı haftalarda ise birbirinden bağımsız gibi görünen beş ayrı haber arka arkaya düşer ve siz onlara tek tek baktığınızda hiçbir şey anlamazsınız. 14-23 Temmuz 2026 arası tam olarak ikinci türdendi.

Bir yatırım turu, bir satın alma, bir ürün lansmanı, bir açık kaynak beta sürümü ve bir GA duyurusu. Farklı şirketler, farklı kategoriler, farklı dünyalar: biri storage, biri katalog, biri RDBMS, biri NoSQL. Ama hepsinin altında aynı neden yatıyor ve bu yazıda esas anlatmak istediğim şey o neden. Haberleri tek tek geçeceğim, sonra da hepsini aynı yere bağlayacağım.

Baştan söyleyeyim: Bu yazıda “AI her şeyi değiştiriyor” gibi bir cümle kurmayacağım. Onu zaten herkes kuruyor. Ben daha somut bir şeyi göstermeye çalışacağım: veriyi işleyen katman ile veriyi saklayan katman arasındaki mesafe kapanıyor ve bu haftanın haberlerinin dördü doğrudan bunun sonucu.

Haftanın özeti: tek tabloda

TarihOlayDurumNeden önemli
14 TemAlation AIOSDuyuruData catalog kategorisi “ajan yönetişim katmanına” dönüşüyor
16 TemNetApp × DataPelagoSatın alma tamamGPU’lu işleme motoru doğrudan storage katmanına iniyor
16 TemPostgreSQL 19 Beta 2BetaTemporal tablolar ve property graph aynı motorda
16-17 TemDatabricks 188 milyar $Term sheet (kapanmadı)Altı ayda %40 değer artışı; satın alma savaş sandığı
6 Tem*Dataverse plugin genişlemesiYayındaKurumsal veriye kod ajanlarından erişim, guardrail’li

* Dataverse duyurusu ile bu yazının sonunda değineceğim MongoDB GA duyurusu ayın ilk haftasına ait, yani seçtiğim pencerenin biraz dışında. Yine de tabloya aldım, çünkü diğer haberlerin oluşturduğu resmi tamamlıyorlar.

1. Databricks 188 milyar dolar: rakam değil, rakamın anlamı

16-17 Temmuz’da Databricks, mevcut yatırımcısı Coatue liderliğinde 188 milyar dolar değerleme üzerinden stratejik bir tur için term sheet imzaladığını açıkladı. Burada bir nüansı atlamayın: tur henüz kapanmadı. Şirketin kendi açıklamasına göre para henüz kasada değil, kapanışın yaz sonuna doğru olması bekleniyor.

Rakamın kendisi değil, hızı ilginç. Databricks Şubat 2026’da 5 milyar dolarlık Series L turunu 134 milyar dolar değerleme ile kapatmıştı. Yani altı ayda %40 değer artışı. Arka planda gelir tarafı da destekliyor: yıllıklandırılmış gelir 5,4 milyar doları geçmiş durumda, yıllık büyüme %65 ve bunun 1,4 milyar dolardan fazlası doğrudan AI kaynaklı.

Neden-sonuç kısmı: Bu turun açıklanan amacı halka arz değil, satın alma kapasitesi. Databricks son iki yıldır agresif biçimde şirket satın alıyor ve bu tur o oyunu sürdürmek için toplanıyor. Bunun anlamı şu: önümüzdeki 12 ayda data ekosisteminde bağımsız kalan orta ölçekli oyuncu sayısı azalacak. Kendi stack’inizde küçük bir vendor kullanıyorsanız, o vendor’un bir yıl sonra kimin altında olacağı artık ciddi bir mimari risk kalemi.

İkinci sonuç piyasa tarafında görüldü. Databricks özel şirket olduğu için değerlemesi doğrudan bir borsa hareketi yaratmıyor ama analistler bunu halka açık rakibi için referans noktası olarak kullandı: Jefferies, Databricks turunun ardından Snowflake’in de “yeniden fiyatlanabileceğini” yazarak SNOW hedef fiyatını 300’den 310 dolara çıkardı; Bank of America ise 330 dolara. Yani özel şirketin değerlemesi, halka açık rakibin fiyatını yukarı çekti. Kategorinin tamamının fiyatlandığı bir dönemdeyiz.

2. NetApp, DataPelago’yu aldı: veriyi motora değil, motoru veriye taşımak

Bu haftanın en az konuşulan ama bence en öğretici haberi bu. NetApp, 16 Temmuz’da California merkezli DataPelago‘yu satın aldığını duyurdu. Bedel açıklanmadı, şirket NetApp’in tamamen sahip olduğu bir yan kuruluş olarak devam edecek.

DataPelago’nun getirdiği şey Nucleus adlı bir işleme motoru. Yaptığı iş özetle şu: GPU hızlandırmalı veri işlemeyi doğrudan depolama katmanının yanında çalıştırmak. NetApp’in iddiası, veriyi ayrı bir compute ortamına kopyalamadan işleyerek altyapı maliyetini %80’e kadar düşürmek ve işleme performansını 10 kata kadar artırmak. Bu rakamlar vendor iddiası, sahada teyit edilmiş değil; ama yönün kendisi tartışmasız.

Neden-sonuç kısmı: Son on beş yıldır veri mimarisinin varsayılan hareketi şuydu: veri nerede duruyorsa dursun, işlemek için onu bir yere taşırsın. ETL bu demekti, data warehouse bu demekti, lakehouse bile büyük ölçüde bu demekti. Kopyalama ucuzdu, çünkü veri küçüktü.

AI iş yükleri bu varsayımı kırdı. Bir modeli eğitmek ya da bir RAG hattını beslemek için terabaytlarca veriyi ağ üzerinden bir GPU kümesine taşımak artık işin en pahalı ve en yavaş kısmı. “Zero-copy” tam olarak buna verilen cevap: veriyi taşımak yerine işlemeyi verinin yanına indirmek.

Buradaki asıl mesaj kimin ne aldığı değil, bir storage şirketinin veri işleme motoru satın alması. Kategoriler birbirine giriyor. Bundan iki yıl önce NetApp ile Databricks aynı cümlede geçmezdi; bugün aynı problemin iki farklı ucundan tutuyorlar.

3. Alation AIOS: katalog, yönetişim katmanına terfi ediyor

14 Temmuz’da Alation, AIOS (Intelligence Operating System) adını verdiği yeni ürününü duyurdu. Kısaca: mevcut data catalog’unun üstüne oturan, kurumdaki AI ajanlarını, bağlamı, veriyi ve yönetişimi tek sistemde birleştirmeyi hedefleyen açık bir mimari.

Alation’ın ürünü konumlandırırken saydığı üç problem, sahada ajan projeleri yapan herkesin tanıdığı problemler:

  • Kötü veri ajana ulaşıyor ve ajan bayat ya da yanlış bilgi üzerine aksiyon alıyor.
  • Ajan bağlamı yanlış okuyor ve yanlış tanımı uyguluyor. (“Ciro” hangi ciro? Hangi takvim yılı? Hangi iade politikasıyla?”)
  • Ajan zamanla kayıyor (drift); talimatlar, araçlar ya da eğitim, çalıştığı ortamla uyumsuz hale geliyor.

Neden-sonuç kısmı: Data catalog kategorisi yıllardır bir varoluş sorunu yaşıyordu. Katalog kurmak, kimsenin bakmadığı bir metadata deposu kurmak anlamına geliyordu çoğu kurumda. “Kim kullanacak bunu?” sorusuna verilecek dürüst cevap genelde “kimse” idi.

Ajanlar bu soruyu bir anda cevapladı. Katalogu artık insan okumuyor, ajan okuyor. Bu konuyu daha önce Veri Kalitesi = AI Kalitesi: İyi Verinin 4 Ölçütü yazısında dört ölçüt üzerinden ayrıntılı anlatmıştım; AIOS’un çözmeye çalıştığı problemler tam olarak orada saydığım problemler. Bir LLM’e kurumsal veriye erişim verdiğiniz anda, “hangi tablo güvenilir”, “bu kolonun tanımı ne”, “bu kullanıcı bunu görebilir mi” sorularının makine tarafından okunabilir bir cevabı olmak zorunda. O cevabın adı katalog ve lineage.

Yani metadata yönetimi, on yıl boyunca “yapılması iyi olur” kalemiydi; ajanlarla birlikte “bu olmadan sistem yanlış cevap verir” kalemine terfi etti. Kategoriyi kurtaran şey AI oldu.

4. Açık kaynak cephesi: PostgreSQL 19 Beta 2 ve tablo formatı sadeleşmesi

Gürültünün arasında kaybolmasın: 16 Temmuz’da PostgreSQL 19 Beta 2 çıktı. Nihai sürümün Eylül-Ekim 2026 civarında beklendiği normal takvime uygun ilerliyor. Bu beta vacuum, logical decoding, temporal tablolar, property graph ve pg_dumpall taraflarında iyileştirmeler getiriyor.

Şu iki maddeyi ayrıca çerçeveleyin: temporal tablolar ve property graph, ikisi de SQL standardının yeni parçaları. Yani PostgreSQL, “zamanda geriye giden sorgu” için ayrı bir ürüne, “graf sorgusu” için ayrı bir graph veritabanına ihtiyacı azaltan bir yöne gidiyor. Beta olduğunu unutmayın; production planı yapmayın ama mimari planı yapın.

Bu arada aynı kabiliyetlerin ticari tarafta nasıl paketlendiğini merak ediyorsanız, SQL Server 2025: Vector, Graph ve RAG Tek Veritabanında yazısında aynı yakınsamayı Microsoft cephesinden anlatmıştım. PostgreSQL’i production’da işletiyorsanız yüksek erişilebilirlik tarafı da ayrı bir konu; onu da PostgreSQL Yüksek Erişilebilirlik Seçenekleri yazısında toplamıştım.

Aynı cephede tablo formatı tarafı da hareketli. Apache Iceberg fiili standart olmaya devam ediyor; V3 formatı yayında ve neredeyse tüm büyük motorlar ve bulut sağlayıcılar Iceberg’i varsayılan kabul ediyor. Buna karşılık DuckDB ekibinin çıkardığı DuckLake, radikal biçimde daha basit bir yol öneriyor: Iceberg’in manifest dosyaları yerine katalog ve tablo formatını tek bir sıradan SQL veritabanında (PostgreSQL, MySQL, SQLite ya da DuckDB) birleştirmek, veriyi Parquet’te tutmak.

Neden-sonuç kısmı: Buradaki gerilim çok tanıdık. Standart kazandığı anda, standardın karmaşıklığından şikayet eden daha basit bir alternatif çıkar. Iceberg büyük ölçek için doğru cevap; DuckLake ise “benim veri setim 200 GB, neden bir metadata katmanı işletmek zorundayım” diyen ekipler için doğru cevap. Uzun vadede ikisi de yaşar, çünkü aynı soruya cevap vermiyorlar.

5. NoSQL cephesi: MongoDB vektör aramayı Community’ye indirdi

Bu haber, yukarıda dipnotta belirttiğim gibi Temmuz’un ilk günlerine ait; ama bu haftanın tablosunu tamamladığı için buraya alıyorum: MongoDB, MongoDB Search (tam metin) ve Vector Search özelliklerini Enterprise Advanced ve Community Edition için genel kullanıma (GA) açtı. Ayrıca Atlas tarafında Voyage AI tabanlı native reranking ($rerank) public preview’a girdi ve koleksiyon/veritabanı seviyesinde restore geldi.

GA/preview ayrımını atlamayın: arama ve vektör arama GA, reranking henüz preview.

Neden-sonuç kısmı: Vektör arama, iki yıl önce başlı başına bir ürün kategorisiydi. Bugün bir genel amaçlı veritabanının ücretsiz sürümünde geliyor. Bu, o kategoriye özel ürünler için iyi bir haber değil. Aynı hareketi PostgreSQL pgvector ile, SQL Server 2025 kendi vektör desteğiyle, Oracle ve diğerleri kendi yollarıyla yaptı. Bu yolculuğun tamamını Veritabanı İçerisine Vektör Aramanın Kısa Tarihi yazısında kronolojik olarak çıkarmıştım; MongoDB’nin bu hamlesi o kronolojinin mantıklı son halkası.

Pratik sonucu şu: 2026’da bir RAG projesine başlarken “hangi vektör veritabanını kuralım” sorusu çoğu kurum için artık yanlış soru. Doğru soru, “zaten kullandığım veritabanı bu işi yeterince iyi yapıyor mu” olmalı. Çoğu senaryoda cevap evet ve o zaman işletmeniz gereken bir sistem eksiliyor.

6. Microsoft cephesi: kurumsal veri, kod ajanlarının içine giriyor

Microsoft tarafında Temmuz’un en dikkat çekici hamlesi Dataverse plugin’inin kod ajanı marketplace’lerine açılması oldu: Claude, Cursor ve GitHub Copilot. Duyuruda öne çıkan üç şey var: akıllı skill yönlendirmesi, kurumsal seviye guardrail’ler ve her yüzeyde tutarlı doğal dil deneyimi.

Power BI’ın Temmuz sürümünde ise geliştiriciyi ilgilendiren iki kalem var: web üzerinde TMDL View (model nesnelerini Desktop’a geçmeden, dosya indirmeden kod editöründe scriptleyip uygulayabiliyorsunuz) ve org app’leri programatik yönetmeyi sağlayan yeni Fabric REST API‘leri.

Databricks tarafında da aynı yöne bakan bir şey var: Lakebridge Agentic Converter beta’ya girdi. T-SQL, Snowflake, Redshift, Oracle, BigQuery ve Teradata lehçelerini ANSI SQL’e çeviren bir ajan. Migration işinin içinde olan biri olarak söyleyeyim: bu tür araçlar sözdizimini çevirmekte iyi, davranışı çevirmekte değil. NULL karşılaştırmaları, collation, implicit conversion, tarih aritmetiği ve isolation level farkları hala insan gözü ister. Ama işin ilk %70’ini alması bile ciddi bir kazanç, çünkü o %70 en sıkıcı kısım.

Neden-sonuç kısmı: Bu üç haberin ortak yanı, kurumsal verinin ve veri modelinin artık geliştiricinin editöründen erişilebilir hale gelmesi. Bu bir kolaylık haberi olduğu kadar bir yetki haberi. Dataverse duyurusunun guardrail vurgusu tesadüf değil: veriye doğal dille erişim açtığınız anda, “kim neyi görebilir” sorusu artık uygulama katmanında değil, ajan katmanında cevaplanmak zorunda.

Microsoft’un bu yöne ne zaman ve neden döndüğünü Microsoft Build 2026: Veri Platformunda Agentic Dönem yazısında toplu halde anlatmıştım. Aynı işin pratiğini kendi sunucunuzda denemek isterseniz iki yazı işinizi görür: SQL MCP Server: 3 Adımda Güvenli ve Kolay Kurulum Azure ve on-premise için adım adım kurulumu anlatıyor; Devart MCP Server Universal ise aynı erişimi tek katmandan birden fazla veritabanı motoruna açmayı. Yalnızca teşhis amaçlı, salt-okunur bir kurulum arıyorsanız MS SQL-Health MCP ile SQL Server Teşhisi yazısına bakın.

7. Ve arka planda: Google araması artık tıklanmıyor

Bu son başlık teknik bir ürün haberi değil ama data dünyasını doğrudan ilgilendiren bir veri hikayesi ve son haftalarda en çok tartışılan konulardan biri.

Rakamlar şöyle: AI Overviews artık aramaların yaklaşık %48’inde görünüyor, yıllık bazda %58 artış. Bir AI Overview göründüğünde organik tıklama oranı %34-61 arasında düşüyor; Ahrefs’in ölçümünde ilk sıradaki sayfa için düşüş %58. AI Overview varken altındaki mavi linklere tıklayanların oranı sadece %8, yokken %15. Yayıncı trafiği tarafında ise Kasım 2025’e kadarki bir yılda Google’dan gelen trafik küresel olarak %33, ABD’de %38 azalmış durumda. SparkToro’nun tespiti daha çarpıcı: 2026’da Google aramalarının üçte birinden azı bir tıklamayla sonuçlanıyor.

Bir uyarı: bu rakamlar farklı metodolojilere sahip farklı ölçüm şirketlerinden geliyor ve birbiriyle tam örtüşmüyor. Semrush verisi AI Overview yaygınlığının Temmuz’da tepe yapıp sonra Google’ın ayarlamasıyla gerilediğini gösteriyor. Yani tablo dalgalı, ama yön net.

Neden-sonuç kısmı, ve bu yazının belki en önemli paragrafı: Modelleri besleyen şey, insanların ürettiği içerikti. O içeriği üretenleri finanse eden şey ise arama trafiğiydi. Trafik kesildiğinde içerik üretiminin ekonomisi bozulur; içerik üretimi bozulduğunda modeller kendilerini besleyen kaynağı tüketmiş olur. Bu, bir hype döngüsünün kendi girdisini yemesi.

Bunun sizin işinize dokunan tarafı şu: kurumsal veri değeri artıyor. Web’den kazınabilen bilginin marjinal değeri düşerken, sizin kendi sisteminizde duran, kimsenin erişemediği işlem verisinin değeri artıyor. Bu haftanın diğer beş haberi de zaten tam olarak bu yüzden oluyor.

Hepsini bağlayalım: beş haber, tek neden

Şimdi başa dönelim. Bir yatırım turu, bir storage satın alması, bir katalog ürünü, bir açık kaynak betası, bir NoSQL GA duyurusu. Ortak paydaları ne?

Hepsi veri ile onu tüketen zeka arasındaki mesafeyi kısaltmaya çalışıyor. Sadece farklı katmanlardan:

  • NetApp fiziksel mesafeyi kısaltıyor: işlemeyi diskin yanına indiriyor.
  • Alation anlamsal mesafeyi kısaltıyor: ajanın veriyi doğru yorumlamasını sağlıyor.
  • MongoDB ve PostgreSQL mimari mesafeyi kısaltıyor: ayrı bir vektör ya da graf sistemi kurma ihtiyacını ortadan kaldırıyor.
  • Microsoft ve Databricks arayüz mesafesini kısaltıyor: veriyi geliştiricinin ve ajanın çalıştığı yere getiriyor.
  • Databricks’in 188 milyarı ise bu işin faturası: piyasa bu yakınsamanın gerçek olduğuna bahis oynuyor.

Peki bu sizin için ne demek? Üç somut çıkarım bırakayım:

Bir: Yeni bir veri sistemi eklemeden önce mevcut sisteminizin ne yapabildiğine bakın. 2026’da “her iş için ayrı özel veritabanı” mimarisi, iki yıl öncesine göre çok daha zayıf bir savunmaya sahip.

İki: Metadata ve yetkilendirme işini erteliyorsanız, ajan projesine başlamayın. Katalogsuz ve lineage’sız bir ortamda LLM’e veri erişimi vermek, hata üretim hızınızı artırmaktan başka bir işe yaramaz. Bu artık teorik bir risk değil; Alation’ın ürün lansmanını üzerine kurduğu üç problemin üçü de sahadan gelen problemler.

Üç: Vendor konsolidasyonunu mimari risk olarak yazın. Databricks’in savaş sandığı bunun için toplanıyor ve NetApp örneği kategorilerin ne kadar hızlı karışabildiğini gösterdi. Kritik bir bağımlılığınız küçük bir oyuncudaysa, çıkış planınız olsun.

Bu arada bu tür gündem yazılarının arasında sürüm takibini ihmal etmeyin. SQL Server tarafında en son SQL Server 2025 CU6 Çıktı — Kitaba Neyi Nasıl İşledik yazısında hangi güncellemeyi neye göre planladığımızı anlatmıştım; sunucularınızın build seviyesini bilmiyorsanız başlangıç noktası orası.

Bu konuların sizin ortamınızda ne anlama geldiğini konuşmak isterseniz, DMC Bilgi Teknolojileri olarak yönetilen veritabanı hizmetleri tarafında SQL Server’ın yanı sıra PostgreSQL ve MongoDB yönetimi de yapıyoruz. Yazının ikinci ve üçüncü çıkarımına denk gelen tarafta, yani veriye ajan erişimi ve yönetişim konusunda ise yapay zeka hizmetleri ve veri güvenliği başlıklarına bakabilir ya da doğrudan iletişim sayfasından yazabilirsiniz.

Bu formatı beğendiyseniz düzenli hale getirmeyi düşünüyorum. Hangi başlığı daha derin işlememi istersiniz, yorumlarda yazın. 🙂

Kaynaklar

Aşağıdaki bağlantıların tamamı 23 Temmuz 2026 itibarıyla kontrol edildi. Rakamların bir kısmı (özellikle NetApp’in maliyet ve performans iddiaları ile arama trafiği ölçümleri) üretici ya da ölçüm şirketi beyanıdır; yazı içinde bunu ayrıca belirttim.

Related posts:

  1. 2025 Veri Dünyası Yıl Sonu Rehberi | SQL Server, PostgreSQL, Veri Sızıntıları
  2. ETL vs ELT Nedir? Yapay Zeka Çağında Modern Veri Mimarisi ve Microsoft Fabric Yaklaşımı
  3. Veriden Değer Üretmek Nedir? ETL, Vektör Database, RAG ve LLM ile Uçtan Uca Dijital Dönüşüm Rehberi
  4. Microsoft Build 2026: Veri Platformunda Agentic Dönem

Bir yanıt yazın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir