Mimari Görselleştirmede Yerli Yapay Zeka Ekosistemi: Tek Arayüzde Metraj, Maliyet ve Render

Türkiye’de mimari görselleştirmede yerli yapay zeka ekosistemi neden gündemde?

Türkiye’de inşaat ve yapı sektörü son yıllarda üç ana baskıyla karşı karşıya:

1. Veri odaklı karar alma baskısı
2. İthal yazılımlara ve döviz bazlı lisanslara bağımlılık
3. Veri güvenliği, KVKK ve kurumsal gizlilik kaygıları

Bu baskılar, mimari görselleştirmeyi sadece "sunum" aracı olmaktan çıkartıp, karar destek sistemi haline getirecek yerli yapay zeka ekosistemini gündeme taşıyor.

Veri odaklı karar alma baskısı

Bugün geliştirici, müteahhit ve yatırımcıların ortak sorusu şu:

"Bu tasarımın metrajı, toplam maliyeti ve enerji performansı ne olacak? Ve bu rakamlar tasarımı değiştirirsem nasıl değişecek?"

Klasik akışta mimar tasarlar, metrajcı hesaplar, maliyetçi fiyatlar, enerji uzmanı analiz eder, görselleştirmeci render alır. Bu döngü hem yavaş hem de parçalıdır. Her değişiklikte:

• DWG/BIM dosyaları yeniden gönderilir
• Metrajlar elle ya da yarı otomatik çıkarılır
• Maliyet tabloları Excel'de güncellenir
• Enerji simülasyonu tekrar koşturulur
• Render sahnesi yeniden hazırlanır

Bu da karar alma sürecini haftalara yayar. Oysa yerli yapay zeka tabanlı entegre bir sistem, aynı veriyi merkezde tutup tüm bu çıktıları aynı arayüzde güncelleyebilir.

İthal yazılımlara bağımlılık ve veri güvenliği

İnşaat sektörü, metraj, maliyet ve enerji analizinde büyük ölçüde ithal yazılımlara ve döviz bazlı lisanslara dayanıyor. Bu da şu sorunları tetikliyor:

• Kur dalgalanmalarına bağlı lisans maliyeti belirsizliği
• Lisans sayısı kısıtlı olduğu için ekip içinde kullanım kısıtları
• Verinin yurt dışındaki sunucularda tutulmasına bağlı veri egemenliği ve KVKK riskleri
• Yerel mevzuata özgü (Türkiye şartnameleri, birim fiyat pozları, belediye gereklilikleri vb.) özelleştirme zorlukları

Bu nedenle; hem yerel mevzuata uyumlu, hem de yerel veri merkezlerinde barınabilen yerli yapay zeka çözümlerine ilgi hızla artıyor.

Yerli yapay zekanın proje geliştirme döngüsüne etkisi

Yerli yapay zeka ekosistemi doğru kurgulandığında, proje yaşam döngüsünde şu farkları yaratabilir:

• Ön fizibilite süresi haftalardan günlere, hatta saatlere iner.
• Metraj ve maliyet revizyonları, tasarım değişikliğine bağlı olarak anlık güncellenir.
• Enerji verimliliği ve sürdürülebilirlik skorları, tasarım kararlarını erken aşamada yönlendirir.
• Mimari görselleştirme, sadece estetik sunum değil, finansal ve teknik göstergeleri de içeren bir arayüz haline gelir.

İşte bu noktada "mimari görselleştirmede yerli yapay zeka ekosistemi" ifadesi, bir trend değil, ticari zorunluluk haline gelmeye başlıyor.

Yerli yapay zeka araçları: fizibilite, metraj, maliyet ve enerji verimliliği katmanı

Yerli ekosistemi anlamak için önce katmanları netleştirelim. Bir projeye baktığınızda, kararları belirleyen dört temel analiz alanı var:

1. Fizibilite (arsa + konsept + satış senaryosu)
2. Metraj (malzeme, işçilik, miktar)
3. Maliyet (birim fiyatlar, pozlar, nakliye, genel gider)
4. Enerji ve performans (ısı kaybı, gün ışığı, yenilenebilir potansiyeli)

Yerli fizibilite ve maliyet analizi çözümlerine genel bakış

Yerli yapay zeka bu katmanlarda şu şekilde devreye girebilir:

• Bölgesel veriyle desteklenen fizibilite: Arsa lokasyonu, emsal, imar durumu, çevre projeler, bölge satış ortalamaları gibi verileri toplayıp, AI ile satılabilir alan, muhtemel gelir ve kârlılık tahmini yapmak.
• Poz ve birim fiyat eşleştirmesi: Çıkarılan metraj kalemlerini Çevre, Şehircilik ve İklim Değişikliği Bakanlığı pozları veya kurumun kendi poz kartlarıyla otomatik eşleştirmek.
• Senaryo bazlı maliyet analizi: Farklı malzeme ve sistem seçimleri için (örneğin cephe kaplaması, pencere tipi, yalıtım kalınlığı) yapay zekanın alternatif maliyet senaryoları üretmesi.

Metraj otomasyonu ve hakediş için AI destekli iş akışları

Metraj tarafında yerli AI'nın sağlayabileceği temel imkanlar:

• DWG/IFC/BIM dosyalarından otomatik metraj: Kat planı, kesit ve görünüşlerden duvar, döşeme, kapı/pencere, kolon/kiriş gibi kalemleri tanıyıp, miktarlarını otomatik hesaplama.
• Yapı elemanı sınıflandırma: Mimari çizimdeki çizgi ve katmanları, yerel terminolojiyle (ör. 20 cm gazbeton duvar, 10 cm XPS ısı yalıtımı vb.) sınıflandırma.
• Hakediş güncellemesi: İnşaat ilerledikçe sahadan gelen metraj güncellemelerini, sözleşmeye ve birim fiyatlara göre hakediş tablolarına anında yansıtma.

Enerji verimliliği, ısı kaybı ve gün ışığı analizleri

Enerji tarafında yerli AI çözümleri özellikle üç noktada kritik:

• Isı kaybı ve yalıtım optimizasyonu: TS 825 ve ilgili standartlara göre kabuk performansını hesaplayan, farklı yalıtım kalınlıkları ve malzemeleri için ısı kaybı/maliyet optimizasyonu yapan modeller.
• Gün ışığı ve gölge analizi: Yerel iklim verilerine göre cephe, açıklık oranları ve yönlenme için aydınlık seviyesi ve gölgelenme analizleri.
• Enerji performans sertifikasına (EKB) hazırlık: Tasarım aşamasında bile olası enerji sınıfını tahmin eden, ısıtma-soğutma tüketimi ve karbon ayak izi tahmini yapan çözümler.

Bu katmanların hepsi, doğru mimari görselleştirme entegrasyonuyla tek bir arayüzde anlamlı hale gelir.

Mimari görselleştirme ile entegrasyon: aynı arayüzde veri + görsel deneyimi

Mimari görselleştirmeyi klasik anlamda düşünürseniz; malzeme, ışık, kamera ve kompozisyon odaklı bir "sunum" aracıdır. Yerli yapay zeka ekosistemi ile birleştiğinde ise:

Render sahnesi, aynı zamanda maliyet, metraj ve enerji göstergelerini taşıyan bir veri paneline dönüşür.

Render sahnesi ile maliyet, metraj ve performans verisini senkronize etmek

Teknik olarak bu entegrasyon üç adımda düşünülmeli:

1. Model bağlantısı: CAD/BIM verisi ile görselleştirme sahnesi arasında çift yönlü bir bağlantı (örneğin IFC-ID veya GUID bazlı) kurulması.
2. Veri katmanı: Metraj, maliyet ve enerji verilerinin, her yapı elemanı ve malzemeye ID üzerinden ilişkilendirilmesi.
3. Arayüz katmanı: Kullanıcının sahne içinde dolaşırken bu verileri paneller, tooltip'ler veya overlay grafikler ile görebilmesi.

Örneğin bir konut projesi render'ında cephe malzemesini değiştirdiğinizde, sağ panelde şunların anında güncellendiğini düşünün:

• Cephe kaplama metrajı (m²)
• Cephe maliyet kalemi (TL/m² ve toplam)
• Duvar U değeri, ısı kaybı değeri
• Yıllık ısıtma-soğutma tüketim tahmini

Bu, karar vericinin malzeme seçimini görsel beğeni + teknik performans + maliyet üçgeni içinde değerlendirmesini sağlar.

Mock-up senaryo: Plan yükle, tek tıkla metraj–maliyet–enerji–AI render üretimi

Yakın gelecekte yerli bir platformda gerçekleştirilebilir örnek bir senaryo:

1. Kullanıcı, DWG/IFC/BIM dosyasını arayüze sürükleyip bırakır.
2. Yerli AI, çizimi analiz eder, yapı elemanlarını tanır ve otomatik metraj çıkarır.
3. Metraj kalemlerini yerel poz ve birim fiyat veritabanıyla eşleştirip maliyet hesabı yapar.
4. Temel kabuk modelinden hareketle, bulunduğu şehre göre enerji performansı ve ısı kaybı analizi üretir.
5. Aynı model Sen ArchiRend benzeri bir altyapı ile AI destekli mimari render için sahneye aktarılır.
6. Kullanıcı, tek bir ekranda hem 3B görseli hem de bu görsele bağlı metraj, maliyet ve enerji verilerini görür.

2B çizimden 3B modele, oradan sayısal çıktılara ve görselleştirmeye geçiş

Bu akışı daha net görmek için süreci sadeleştirelim:

1. 2B Girdi: DWG plan, kesit ve görünüşler
2. 3B Model Üretimi (AI): Kat yükseklikleri, duvar kalınlıkları, boşluklar vb. analiz edilerek temel 3B kütle ve kabuk modeli üretilir.
3. Metraj & Maliyet: 3B model elemanlarından otomatik metraj + yerel poz ve birim fiyat eşleştirmesi.
4. Enerji Analizi: 3B kabuk modeli üzerinden ısı kaybı ve enerji performansı.
5. AI Render: Aynı model, malzeme önerileriyle birlikte görselleştirme motoruna aktarılır.

Bu zincirin yerli yapay zeka tarafından uçtan uca desteklenmesi, hem hız hem de veri egemenliği açısından kritik fark yaratır.

Tek tıkla metraj, maliyet ve AI render: Uçtan uca senaryo akışı

Şimdi süreci, operasyonel olarak beş adımda detaylandıralım.

1) Proje verilerinin içe aktarılması (DWG, IFC, BIM)

• Kullanıcı, mimari projeyi DWG, IFC veya BIM formatında sisteme yükler.
• Sistem, katmanları ve yapı elemanlarını tanımak için yerel eğitimli AI modellerini kullanır.
• Türkiye’de yaygın çizim alışkanlıkları (katman isimleri, blok yapıları vb.) dikkate alınarak hata oranı düşürülür.

2) Yerli AI ile otomatik metraj çıkarma ve maliyet analizine bağlama

• Duvar, döşeme, kolon, kiriş, merdiven, kapı, pencere vb. elemanlar tespit edilir.
• Eleman özelliklerine göre (kalınlık, malzeme tipleri, kat yüksekliği vb.) miktar hesapları yapılır.
• Bu metraj kalemleri, yerel poz ve birim fiyat veritabanı ile eşleştirilerek maliyet tablosu oluşturulur.
• Kullanıcı, birim fiyat kaynağını (kurum içi fiyat, kamu birim fiyatları, tedarikçi teklifleri vb.) seçebilir.

3) Enerji performansı ve sürdürülebilirlik skorlarının üretilmesi

• Projenin bulunduğu şehir ve iklim bölgesine göre iklim verileri çekilir.
• Dış kabuk (duvar, çatı, döşeme, pencere) özelliklerine göre ısı iletim katsayıları hesaplanır.
• Yapay zeka modeli, bina tipine ve kullanım senaryosuna göre yıllık ısıtma-soğutma tüketim tahmini yapar.
• Sonuç, enerji sınıfı, yıllık CO₂ emisyonu ve tahmini enerji maliyeti gibi metriklerle görselleştirilir.

4) Sen ArchiRend benzeri platformda AI render ile eş zamanlı görselleştirme

Bu noktada mimari görselleştirme devreye girer:

• 3B model, Sen ArchiRend tarzı bir AI render motoruna aktarılır.
• Yerli veri tabanlı hazır malzeme kütüphaneleri (Türkiye’de yaygın kullanılan cephe, seramik, parke vb.) öneri olarak gelir.
• Kullanıcı birkaç malzeme seti arasından seçim yaparak hızlı konsept renderlar üretir.
• Aynı anda, seçilen malzemelere bağlı metraj, maliyet ve enerji göstergeleri arayüzde güncellenir.

5) Tasarım değiştikçe maliyet ve performansın anlık güncellenmesi

Gerçek farkı yaratan nokta burasıdır:

• Pencere oranını artırdığınızda sadece görsel değişmez; ısı kaybı ve maliyet de değişir.
• Cephe malzemesini taş kaplamadan kompozite çevirdiğinizde, m² maliyeti ve toplam cephe maliyeti anında güncellenir.
• Isı yalıtım kalınlığını artırdığınızda, toplam yatırım maliyeti artarken yıllık enerji gideri düşer; sistem aradaki dengeyi gösterir.

Bu, işveren ve yatırımcıyla yapılan toplantılarda mimarın eline son derece güçlü bir karar destek aracı verir.

Karar destek odaklı görselleştirme ile klasik görselleştirme karşılaştırması

Aşağıdaki tablo, entegre yerli AI ekosisteminin mimari görselleştirme pratiğini nasıl dönüştürdüğünü özetliyor:

Bu dönüşüm, mimari görselleştirme ekiplerini de sadece görsel üreticiden stratejik proje ortağına taşıyor.

Türkiye’de regülasyonlar, veri güvenliği ve yerli AI kullanmanın stratejik avantajı

Yerli yapay zeka ekosisteminin en önemli argümanlarından biri, regülasyon uyumu ve veri güvenliği.

KVKK, kurumsal veri gizliliği ve kurulum seçenekleri

Türkiye’de faaliyet gösteren inşaat ve gayrimenkul şirketleri için:

• KVKK gereği, kişisel verilerin işlendiği tüm süreçlerde veri işleyen ve veri sorumlusu ilişkisi net olmalı.
• Büyük ölçekli projelerde proje verileri, müşteri listeleri, satış verileri gibi bilgiler kritik derecede hassastır.

Yerli AI çözümleri bu noktada:

• Türkiye lokasyonlu veri merkezlerinde barındırma,
• İstenirse yerinde (on-premise) kurulum,
• Kurumsal güvenlik standartlarına (VPN, SSO, detaylı loglama) uygun yapı

ile ciddi bir avantaj sunar.

Kamu ihaleleri, belediye süreçleri ve yerli yazılım tercihi

Kamu projeleri, belediye süreçleri ve KİT’lerde genellikle:

• Yerli yazılım kullanımı teşvik edilir ya da şartnameye eklenir.
• Kullanılan yazılımların üretici firma desteği, yerel mevzuata uyum kabiliyeti sorgulanır.

Yerli yapay zeka ekosistemi:

• Türkiye’ye özgü imar, yangın, deprem ve enerji mevzuatına göre gelişebilir.
• Kamu ihalelerinde "yerli yazılım" kriterini karşılayarak rekabet avantajı sağlayabilir.

Uzun vadeli maliyet, destek ve entegrasyon faydaları

Döviz bazlı, tamamen yurt dışı odaklı çözümlerde:

• Lisans maliyetlerinin öngörüsü zordur.
• Yerel entegrasyon ihtiyaçlarına cevap almak uzun sürebilir.

Yerli AI çözümlerinde ise:

• Fiyatlandırma genellikle yerel para birimi ve abonelik planları üzerinden kurgulanır.
• Yerel destek, eğitim ve entegrasyon hizmetleri daha ulaşılabilir olur.
• Ulusal Ar-Ge ekosistemiyle (teknoparklar, TÜBİTAK, KOSGEB vb.) iş birliği fırsatları doğar.

İnşaat ve yapı firmaları için uygulanabilir yol haritası

Teoriden pratiğe geçmek için yapı ve inşaat firmalarının uygulayabileceği bir yol haritası çizelim.

1. Mevcut CAD/BIM altyapısının analizi ve eksik halkaların tespiti

İlk adım, elinizde ne olduğuna bakmaktır:

• Hangi CAD/BIM araçlarını kullanıyorsunuz? (AutoCAD, Revit, Archicad, IFC tabanlı çözümler vb.)
• Metraj ve maliyet süreçleri hangi yazılımlar veya Excel tabanlı akışlarla yürütülüyor?
• Enerji analizi şu an nasıl yapılıyor? (hiç yapılmıyor da olabilir)
• Mimari görselleştirme için hangi araçlar veya dış hizmetler kullanılıyor?

Bu fotoğrafa göre, eksik halkalar ve manuel noktalar belirlenir.

2. Yerli metraj, maliyet ve enerji araçlarıyla POC (deneme proje) kurgulama

Tam entegrasyona geçmeden önce küçük bir pilot proje (POC) ile başlamak en sağlıklısıdır:

• 1–2 blokluk konut veya ticari proje seçin.
• Yerli bir metraj/maliyet AI aracı ile otomatik metraj ve maliyet çıkarın.
• Basitleştirilmiş bir enerji analizi katmanını ekleyin.
• Bu verileri, mimari görselleştirme sürecinizle (örneğin Sen ArchiRend üzerinden) ilişkilendirin.

Amaç, iş akışını test etmek ve ekip içindeki adaptasyonu ölçmektir.

3. Mimari görselleştirme sürecini "sunum"dan "karar destek aracı"na dönüştürme

Pilot proje sonrası şunları yapabilirsiniz:

• Pazarlama sunumları dışında, iç toplantılarda da render arayüzünü kullanmaya başlayın.
• Mimar, maliyetçi, işveren ve yatırımcıyı aynı ekran başında buluşturun.
• Tasarım değişikliklerinin metraj, maliyet ve enerji üzerindeki etkilerini anında gösterin.

Bu sayede mimari görselleştirme ekibi, sadece render teslim eden bir departman olmaktan çıkar; stratejik toplantıların vazgeçilmez oyuncusu haline gelir.

4. Ekip eğitimi, işveren/patron iknası ve ROI (yatırım geri dönüşü) hesaplama

Bu dönüşümün sürdürülebilir olması için:

• Tasarım, metraj, maliyet ve görselleştirme ekiplerine ortak eğitimler verin.
• Patron veya yatırımcıya, pilot projede elde edilen zaman tasarrufu, hata azaltımı ve karar kalitesi örnekleriyle gidin.
• ROI hesaplamasını sadece yazılım maliyeti üzerinden değil:
  • Revizyon sayısındaki azalma,
  • Şantiye öncesi hata yakalama oranı,
  • Daha hızlı karar alma sayesinde pazara çıkış süresinin kısalması gibi metriklerle yapın.

Ardından, kademeli olarak daha büyük projelere ve daha fazla kullanıcıya yayabilirsiniz.

Sen ArchiRend ile mümkün olabilecek entegrasyon senaryoları

Sen ArchiRend, mimari görselleştirme sürecini hızlandıran AI tabanlı bir platform olarak, yerli metraj, maliyet ve enerji analiz araçlarıyla entegre edildiğinde önemli bir merkezi arayüz rolü üstlenebilir.

Yerli metraj ve maliyet API’lerinin AI render altyapısına bağlanması

Teknik açıdan bakıldığında olası entegrasyonlar:

• Yerli metraj/maliyet yazılımlarının sunduğu API’ler, Sen ArchiRend benzeri platforma entegre edilir.
• Render sahnesindeki her malzeme ve eleman, bu API üzerinden birim fiyat ve metraj verileriyle ilişkilendirilir.
• Kullanıcı sahnede malzeme seçtiğinde, API’den gelen veriler arayüzde anında gösterilir.

Bu sayede Sen ArchiRend gibi bir platform, sadece görsel üretmeyen, aynı zamanda veri gösteren bir kontrol paneline dönüşür.

Kullanıcı arayüzü örneği: Malzeme değiştir, maliyet ve enerji değerini anında gör

Arayüzde hayal edilebilecek bir kullanım deneyimi:

• Sol tarafta malzeme kütüphanesi (cephe, zemin, iç duvar vb.)
• Ortada AI destekli render sahnesi
• Sağda veri paneli:
  • Seçili elemanın metrajı
  • Bu eleman için toplam maliyet
  • İlgili enerji performans göstergeleri (U değeri, ısı kaybı etkisi vb.)

Kullanıcı, cephe malzemesini A’dan B’ye değiştirdiğinde:

• Render sahnesinde görsel sonuç anında güncellenir.
• Sağ panelde toplam cephe maliyeti ve enerji göstergeleri yeni duruma göre hesaplanır.

Müteahhit, mimar ve yatırımcı için kişiselleştirilmiş gösterge panelleri

Aynı arayüz, farklı rollere göre farklılaştırılabilir:

• Mimar için panel: Malzeme, doku, renk, oranlar + temel enerji ve metraj bilgisi.
• Müteahhit için panel: Toplam maliyet, kalem bazlı maliyet dağılımı, uygulanabilirlik notları.
• Yatırımcı için panel: Toplam yatırım tutarı, birim konut/bağımsız bölüm başına maliyet, geri dönüş süresi tahminleri (fizibilite AI ile birlikte).

Bu kişiselleştirme, tüm paydaşların aynı sahneye bakıp kendi ihtiyaç duyduğu veriyi görmesini sağlar.

Kısa vadeli MVP senaryosu ve gelecekteki tam entegre ekosistem vizyonu

Kısa vadede (MVP):

• CAD/BIM modelinden temel metraj çıkaran yerli AI + Sen ArchiRend ile görsel entegrasyon.
• Cephe, zemin ve iç mekan malzemeleri için sınırlı sayıda ön tanımlı senaryo.
• Her senaryo için toplam metraj ve maliyet gösterimi.

Orta-uzun vadede:

• Tam otomatik DWG/IFC analizi, detaylı metraj ve maliyet entegrasyonu.
• Şehir/iklim bazlı enerji analizi ve sürdürülebilirlik skorları.
• Kurumsal ERP, CRM ve proje yönetim araçlarıyla entegrasyon.
• Ana sayfa ve satın alma süreçlerinde bu yeteneklerin ürünleştirilmiş hali.

Bu vizyon, Türkiye’de mimari görselleştirmede yerli yapay zeka ekosistemi kavramını somutlaştırarak, inşaat ve yapı sektörünü daha öngörülebilir, hızlı ve rekabetçi bir noktaya taşıyabilir.

Sonuç: Tek arayüzde görsel + metraj + maliyet + enerji mümkün ve stratejik

Özetle:

• Türkiye’de artan veri odaklılık ve ithal yazılımlara bağımlılık baskısı, yerli yapay zeka ekosistemini stratejik bir ihtiyaç haline getiriyor.
• Metraj, maliyet ve enerji analiz katmanlarının yerli AI ile otomatikleştirilmesi, mimari görselleştirme ile birleştiğinde tek ekran üzerinden karar alma imkanı sunuyor.
• Sen ArchiRend benzeri platformlarla yapılacak entegrasyonlar, mimari render sürecini sunumdan çıkarıp gerçek zamanlı karar destek aracına dönüştürme potansiyeline sahip.

Önümüzdeki dönemde fark yaratacak firmalar, bu entegrasyonu erken dönemde deneyen ve süreçlerine uyarlayan firmalar olacak.