Ilura ve Claude — fark nerede?
Claude vs Ilura
Tek cümle özet
Claude bir LLM — akıl katmanı. Ilura bir tezgâh — agent yaşam döngüsü. Claude’la sohbet edersin; Ilura’da Claude’u eğitmen yapar, kendi agent’ını yetiştirirsin. İki ürün rakip değil — Claude bir model, Ilura bir platform; çoğu Ilura kurulumu içeride Claude’u BYOK eğitmen olarak kullanıyor.
İki ürün ne yapar?
Claude
Claude, Anthropic’in ürettiği LLM ailesi — Haiku, Sonnet, Opus modelleri. Claude.ai üzerinden web ve mobile chat olarak kullanılır; Anthropic API’si üzerinden geliştirici doğrudan çağırır. 200K token bağlam penceresi, Computer Use ile bilgisayar kontrolü, Tool Use ile fonksiyon çağırma, Projects ile proje bazlı bağlam paylaşımı destekleniyor. 2024-2026 döneminde safety + alignment konularında güçlü bir konum aldı; constitutional AI yaklaşımı sayesinde refuse-when-needed davranışı diğer modellere göre olgun. Türkçe akıcılık Sonnet 3.5 ve Opus 4 sonrası ChatGPT seviyesinde. Hedef kitle çok geniş: günlük asistan kullanan tüketici, kod yazan geliştirici, kurumsal müşteri (Anthropic Enterprise). Claude bir akıl katmanı — soruyu sor, cevap al, yeni soruda baştan başla. Yetiştirme + denetim + yayınlama kavramları Claude’un kendi ürünü değil; Anthropic API üzerinden sen kuruyorsun. Pazarda Claude bir model; Ilura bir platform — kategori farklı. 2026 başında çıkan MSM (Multi-Source Memory) bulgusu Claude alignment çalışmalarının olgunluğunu gösteriyor; ancak bu Claude.ai içindeki Memory feature olarak değil, alignment araştırması olarak duruyor. Tüketici için Memory henüz sınırlı; Projects ile proje bağlamı ekleyebiliyorsun ama agent kavramı çekirdekte yok.
Ilura
Ilura, kullanıcının kendi agent’larını masaüstünde yetiştirdiği zero-trust tezgâh. Forge-Train-Yayınla halkası ile çalışır: agent tanımlanır, görev yaparken her kararı kullanıcıyla denetlenir, onay-red akışı Bayesian profil + LoRA fine-tune + voice profile katmanlarına yazılır. Ilura model üretmez — Anthropic, OpenAI, Gemini, Ollama (yerel) hepsi BYOK olarak bağlanır. Kullanıcı yerel student modeli (Llama 3.1 8B veya Qwen 2.5 7B) seçer, eğitmen olarak Claude/GPT-4o/Gemini gibi bulut modelleri ekleyebilir. Veri varsayılan yerelde — agent’ın hafızası, eğitim örnekleri, audit kanıt zinciri kullanıcının makinesinde. Olgunlaşan agent Ilura bulut runtime’a yayınlanır (api.ilura.com.tr). Yaşayan tether sayesinde her üretim çağrısı geri öğreniyor. Hedef kitle: KOBİ sahibi, hekim, avukat, e-ticaretçi — KVKK çerçevesinde sürekli iş yapan agent yetiştirmek isteyen profesyonel. PolicyEngine her dosya/komut/API isteğini risk seviyesine göre filtreliyor; audit chain SHA-256 hash zinciriyle her kararı imzalıyor. Tezgâhta 8 katmanlı agent memory envelope yer alıyor — episodik, semantik, prosedürel, ilişkisel katmanlar Bayesian profil ile birlikte agent’ın “kişiliğini” oluşturuyor. Bu katmanlar Ilura’ya özel; Claude API üzerinden bunları sıfırdan kurmak haftalar/aylar süren bir yazılım işi.
Hangi özellik kimde nasıl?
KVKK ve veri yerleşimi farkı
Claude.ai ve Anthropic API verileri Anthropic’in ABD veri merkezlerinde işleniyor. KVKK madde 9 sınır ötesi aktarım için açık rıza + Veri Sorumlusu sözleşmesi zorunlu. Anthropic Enterprise planında “veri training’e gitmez” garantisi var — ama veri yine ABD’de. KVKK Kurulu kararlarında bu durumun kategorik yasak olmadığı, fakat aktarımın çerçeveye oturtulması gerektiği belirtildi. Pratikte aydınlatma metni güncellemesi, açık rıza akışı, Veri İşleyen sözleşmesi, DPIA dokümanı hazırlanıyor; süreç 4-8 hafta. Sağlık verisi, hukuki dosya, finansal kayıt gibi özel nitelikli veri varsa madde 6 ek korumalar devreye giriyor — Claude.ai üzerinden bu tür veri işlemek hukuki risk taşıyor.
Ilura’nın varsayılanı yerel inference: yerel LLM ile çalışan agent veriyi makineden çıkarmıyor. Bulut yayını yapıldığında runtime EU bölgesinde (Azure West Europe). Üstüne audit chain: her karar SHA-256 hash zinciriyle imzalanıyor; sonradan değiştirilirse zincir kopuyor. Hibrit kurulumda yerel student + Claude eğitmen — eğitim örnekleri yerelde, eğitmen sorguları açık rıza ile bulutta. Bu hibrit deseni KVKK madde 12 kapsamında “uygun teknik ve idari tedbirler” olarak konumlandırmak mümkün. Eğitmen sorgularında veri PII-mask katmanından geçiyor — kişi isimleri, T.C. kimlik numaraları, dosya numaraları placeholder’a dönüşüyor. Yani Claude’a giden eğitim sorgusu kullanıcının iç verisini maskelenmiş halde taşıyor; agent’ın eğitimi sürüyor ama veri Claude’da kullanılabilir formda durmuyor.
KVKK derinlik için KVKK uyumlu yapay zeka ve Türkiye’de AI agent kullanımı sayfalarına bakman faydalı olur.
Pratik bir karşılaştırma sağlık sektörü için: bir klinik Claude.ai kullanarak hasta dosyası özetleme yapıyor diyelim. Sağlık verisi KVKK madde 6 kapsamında “özel nitelikli kişisel veri”; işlenmesi için açık rıza + ek koruma tedbirleri zorunlu. Claude.ai üzerinden bu veriyi göndermek demek ABD’ye sınır ötesi aktarım demek — denetleyici karşısında savunulması zor pozisyon. Aynı klinik Ilura tezgâhı kurduğunda yerel student model hasta dosyasını yerelde işliyor; eğitmen Claude’a gerekli sorgular PII-mask katmanından geçiyor (hasta ismi, T.C. kimlik, dosya numarası placeholder). Sağlık bakanlığı denetimi geldiğinde her özetleme kararı SHA-256 zinciriyle imzalı — kanıt zinciri otomatik. Bu desen sağlık + hukuk + finansal hizmetler gibi düzenlemeli sektörlerde Ilura’nın belirgin avantajı.
Hangi durumda hangisi?
Claude şu durumlarda yeterli: günlük asistan ihtiyacın var — yazı taslağı, kod parçası, konsept tartışma; geliştirici olarak Tool Use + Computer Use ile kendi agent’ını sıfırdan kuracaksın; Anthropic’in safety/alignment yaklaşımına güveniyor + ABD veri akışını sözleşmeyle çerçeveye oturtmuşsan. Claude.ai Pro 20 USD/ay veya API token başına ödeme yeterli. Claude’un constitutional AI yaklaşımı + 200K token bağlam + akıcı Türkçe çıktı üretmesi günlük asistan kullanımında zirve seviye. Kod yazan geliştirici için Claude Code CLI + Computer Use ile bilgisayar otomasyonu güçlü; tüm bunları sıfırdan kurmak yerine Claude’un sunduğu hazır yapıyı kullanmak mantıklı.
Ilura şu durumlarda daha iyi: yerel veri tabanı + KVKK denetlenebilir kanıt zinciri gerek; agent’ı haftalarca aynı işin başında tutup yetiştirmek istiyorsan; Türkçe-doğan ses tonu varsayılan değer ise; yerel student + bulut eğitmen hibrit ile maliyet düşürmek istiyorsan; agent’ı kendi ürününe API olarak taşıyacaksan. KOBİ sahibi, hekim, avukat, e-ticaretçi gibi kullanıcılarda Ilura tezgâh yaklaşımı daha uygun. Claude API doğrudan kullanım yoğun bir yazılım işi gerektirir — Tool Use + Memory + Audit + UI hepsini sıfırdan yazmak gerek. Ilura bu katmanları hazır sunduğu için tezgâh kurulumu tek hafta, yetiştirme 4-6 hafta. Claude API ile sıfırdan kurmak yıllar süren kapsamlı bir mühendislik projesi.
İki ürün rakip değil — Claude bir model, Ilura bir platform. Birçok Ilura kurulumu eğitmen olarak Claude API kullanıyor (BYOK). Yani “Claude vs Ilura” yanlış soru; doğru soru “Claude’la sohbet mi yeter, yoksa Claude’u eğitmen yapan tezgâh mı gerek?”. Asistan ihtiyacında Claude.ai zirve; agent yetiştirme kategorisinde Ilura konumlanıyor + Claude eğitmen olarak içeride duruyor.
Pratik bir karar matrisi: ihtiyacın bir sohbet asistanı + ara sıra Tool Use + Computer Use ile otomasyon — Claude.ai Pro 20 USD/ay yeterli. İhtiyacın aynı işin başında ay 3, ay 6, ay 12 boyunca yetişen bir agent + KVKK denetlenebilir kanıt zinciri + kendi ürününe API olarak taşıma — Ilura tezgâhı + Claude eğitmen hibrit. Sınırı belirleyen tek soru: agent kavramı işin merkezinde mi, yoksa kenarında mı? Merkezdeyse Ilura kategori; kenardaysa Claude.ai yeterli.
Migration: Claude’dan Ilura’ya
Claude.ai veya API ile geliştirilen workflow’ları Ilura’ya taşımak için pratik yol: ilk olarak Claude Projects’teki bağlam dökümanlarını + custom instruction’ları + project knowledge’ı tek bir tabloya çıkar. Ilura tezgâhında “yeni agent” derken bu metni purpose alanına koyuyorsun; knowledge dökümanlarını sözlük import ekranından yüklüyorsun. Custom instruction Bayesian profil için başlangıç noktası oluyor — sonra onay/red akışı ile zamanla yumuşuyor.
Çoğu Claude kullanıcısı agent’ın hayatında bir kavramsal sıçrama yaşıyor: ChatGPT’de olduğu gibi Claude’da da “her sohbet baştan” mantığı geçerli. Agent yetiştirmek istediğinde kavram net değil — agent ne zaman olgunlaşır, ne zaman otonom kararlar başlar, hangi katmanlar saklanır? Ilura tezgâhı bu süreci görselleştiriyor: Tezgâh sayfasında agent’ın “fitness skor”u (refusal + tool + persona ağırlıklı 0-100) renkli rozetle duruyor. Hafta 1 kırmızı, hafta 4 sarı, hafta 8 yeşil aşamasına geçiyor. Bu görsel olgunluk Claude’da yok — Claude bir model, sürüm değişikliği dışında zaman içinde değişmiyor; agent’ın olgunluğu Ilura’nın tezgâh kavramına özel.
Bu kavramsal sıçramayı yapanlar genelde “Claude bir aşçı, Ilura bir mutfak” benzetmesini kullanıyor. Aşçı tek başına çalışırken iyi yemek yapıyor; ama tarifeler aşçının kafasında, malzemeler her seferinde getiriliyor. Mutfak ise tarif defteri + malzeme dolabı + envanter + kalite kontrol birlikte. İlura’nın “tezgâh” kavramı tam olarak bu: model (aşçı) tek başına yetersiz değil, ama mutfak (tezgâh) olmadan üretim ölçeklenmiyor. Bu yüzden çoğu kurumsal kurulumda Claude eğitmen olarak içeride duruyor; Ilura tezgâhı dışarıda işi yönetiyor.
Tool Use ile yazdığın fonksiyon çağrılarını Ilura tool tanımına çeviriyorsun. Anthropic Tool Use formatı (input_schema, name, description) Ilura MCP server formatına çevrilebilir; her tool’un risk seviyesi (low/medium/high/critical) belirleniyor. Düşük risk auto-approve, kritik biyometrik onay.
Hibrit kurulum yaygın: Ilura’ya Claude API key ekliyorsun, eğitmen modeli olarak Claude Sonnet veya Opus seçiliyor. Yerel student (Llama 3.1 8B veya Qwen 2.5 7B) günlük çalışmayı yapıyor; haftalık LoRA seansında Claude eğitmenle karşılaştırmalı eğitiliyor — Claude’un akıllı cevapları yerel modele distile ediliyor. Bu desen iki avantaj sunuyor: maliyet (API token kullanımı sadece eğitim seansında) + KVKK (üretim çağrıları yerelde, sadece eğitim sorguları bulutta).
İlk hafta yerel modelin Claude kadar akıcı olmasını bekleme — daha küçük model. 3-4 hafta sonra Bayesian profil + LoRA adapter senin ses tonuna oturduğunda fark daralıyor. Olgunlaşan agent Ilura bulut runtime’a yayınlanıyor; kullanıcı kendi ürününden API çağırıyor. Claude eğitmenliğinin izi orada da kalıyor — agent’ın “akıl katmanı” Claude’dan beslendi, “kişiliği” senin onay/red akışından şekillendi.
Somut bir örnek: bir teknik destek ekibi Claude.ai Pro + Claude API ile çalışıyor; her ticket için Claude’dan tavsiye alıyor, müşteriye yanıt taslağı çıkarıyor. Aylık API maliyeti ~400 USD (10.000 ticket × ortalama 4.000 token). Claude akıcı, Türkçe iyi, Computer Use ile JIRA üzerinden ticket güncelliyor. Ama her ticket bağımsız — geçen hafta aynı müşteriden gelen şikayetin nasıl çözüldüğünü unutuyor. Ilura’ya geçişte ekip yerel student model + Claude eğitmen kuruluyor. Yerel model Llama 3.1 8B; Claude Sonnet eğitmen olarak haftalık LoRA seansında devreye giriyor. İlk hafta yerel model Claude’a göre daha tutuk yanıtlar; ama Bayesian profil müşteri ilişkisel hafızasını kuruyor (her müşteri için ayrı ton, geçmiş şikayetler, çözüm desenleri). Hafta 6’da yerel model “geçen ay benzer şikayet için sunduğun çözüm hatırlanıyor mu?” gibi referans dili kuruyor; Claude’da kavramsal olarak yok. Aylık maliyet: yerel inference + haftalık LoRA seansı için Claude API ~30-60 USD = ~%85 tasarruf. Karşılığında ilk hafta cevap kalitesi düşüyor; 4-6 haftada Claude seviyesine yaklaşıyor.
Bir başka örnek e-ticaret. Mağaza Claude.ai’yi ürün açıklaması yazma, müşteri yorumu özetleme, iade politikası taslak çıkarma için kullanıyor. Aylık ödeme 20 USD (Pro). Geçişte Ilura’da bir agent kuruluyor; yerel student model + Claude eğitmen. Claude eğitmenliği ilk 4 hafta yoğun (haftalık LoRA seansı), sonra ayda 1-2 seansa düşüyor. Agent mağazanın ses tonunu içselleştiriyor — müşteri “üründe çizik” diye yazdığında otomatik “iade kabulü + kupon teklifi” yanıtı çıkarıyor; ama “ürün hiç gelmedi” diye yazdığında “kargo araştırma + 24 saat süre” yanıtı veriyor. Bu nüanslı davranış Claude’da prompt mühendisliği ile mümkün ama her sohbet baştan başlıyor; Ilura’da Bayesian profil olarak içselleşmiş duruyor. Mağaza KVKK denetimi geldiğinde son 6 ayın müşteri etkileşim kararlarını hash zinciriyle sunuyor.
Eğer Claude.ai’de Projects feature kullanıyorsan migration daha akıcı oluyor. Project knowledge dosyalarını Ilura’nın sözlük import ekranından yükle; Project instructions agent purpose alanına yapışıyor. Claude Projects’in eksiği taşınabilirlik — Project’ler Claude.ai içinde kalıyor; Ilura agent’ları kendi dosyanda, kendi ürününde, kendi API’inde duruyor.
Maliyet ve hibrit perspektifi: API kullanan bir geliştirici aylık 200-500 USD aralığında Claude API masrafı yapabiliyor (yoğun Tool Use senaryosunda). Ilura’ya geçişte yerel student model günlük çağrıları yapıyor (sıfır API masrafı); haftalık LoRA seansı için Claude API ~10-30 USD. Yıllık tasarruf 2.000-5.000 USD aralığında. Karşılığında yerel donanım yatırımı gerekiyor — Apple Silicon Mac mini veya Linux + RTX/AMD GPU. Bu bir defalık 1.500-3.000 USD; 6-12 ayda kendini ödüyor. Kurumsal müşteri için bu aritmetik daha çarpıcı — 50 geliştirici × 300 USD = 15.000 USD/ay Claude API; Ilura tezgâhı ile aynı sonuç ~%70 tasarrufla mümkün.