Startuplar için Chief AI Officer danışmanlığı: model build-vs-buy kararları (API vs fine-tune vs in-house), EU AI Act ve US eyalet düzenlemeleri kapsamında AI risk sınıflandırması, API'den self-hosted'a geçiş ekonomisi, ve AI ekip yapısı. API çağırmanız mı yoksa fine-tune mi yapmanız gerektiğine karar verirken, AI use case'lerinizi düzenleyici riske göre sınıflandırırken, self-hosting'in ne zaman karlı hale geldiğini hesaplarken ve AI pozisyon açmalarını planlırken kullanın.
cd ~/.claude/skills
git clone https://github.com/alirezarezvani/claude-skills.git claude-skillsmkdir -p ~/.claude/skills/chief-ai-officer-advisor
curl -fsSL https://raw.githubusercontent.com/alirezarezvani/claude-skills/HEAD/.gemini/skills/chief-ai-officer-advisor/SKILL.md \
-o ~/.claude/skills/chief-ai-officer-advisor/SKILL.mdStartup CAIO'ları ve CAIO'su olmayan kurucuların stratejik AI liderliği. Dört karar, AI hype yok:
Bu beceri taktik AI/ML mühendisliğini kapsamaz. RAG implementasyonu, agent tasarımı, prompt mühendisliği, eval altyapısı, model deployment veya cost optimizasyonu için bkz. engineering/rag-architect/, engineering/agent-designer/, engineering/prompt-governance/, engineering/self-eval/, engineering/llm-cost-optimizer/.
CAIO, chief AI officer, AI stratejisi, model seçimi, foundation model, fine-tuning, RLHF, DPO, LoRA, QLoRA, build vs buy, AI build-vs-buy, model risk tier, EU AI Act, AI Act Article 6, Article 9, Article 10, Annex III, prohibited AI, high-risk AI, NIST AI RMF, AI risk management framework, NYC Local Law 144, Colorado SB 21-169, Illinois HB 53, model card, eval set, eval harness, hallucination rate, jailbreak risk, prompt injection, AI red team, AI safety, alignment, model lifecycle, model registry, API-to-self-hosted breakeven, GPU economics, A100, H100, inference cost, fine-tuning cost, AI team, AI engineer, ML engineer, research scientist, MLOps, AI platform
# Karar A: API vs fine-tune vs build
python scripts/model_buildvsbuy_calculator.py # gömülü müşteri-destek örneği
python scripts/model_buildvsbuy_calculator.py path/to/use_case.json
# Karar B: EU AI Act + ABD eyalet kanunları altında risk sınıflandırması
python scripts/ai_risk_classifier.py # gömülü işe alım-AI örneği
python scripts/ai_risk_classifier.py path/to/use_case.json
# Karar C: API vs self-hosted ekonomisi
python scripts/ai_cost_economics.py # gömülü 5M tokens/gün örneği
python scripts/ai_cost_economics.py path/to/workload.json
Karar "AI kullan mı yoksa kullanma mı" değildir — her use case için API vs fine-tune vs in-house'dur. Her yolun farklı bir TCO eğrisi, latency profili ve capability tavanı vardır.
Varsayılan yol: API (frontier model)
Daha küçük bir modeli fine-tune edin
Sıfırdan build / pre-train edin
Çalıştırın model_buildvsbuy_calculator.py 3 yıllık TCO ile use-case-spesifik tavsiye için. Tam karar ağacı için bkz. references/model_buildvsbuy_strategy.md.
2026 sorusu her kurucu yüzleşiyor: bu AI use case yüksek-risk düzenleyici yükümlülükleri tetikliyor mu?
EU AI Act (2026'da yürürlükte) seviyeleri:
| Seviye | Örnekler | Yükümlülükler |
|---|---|---|
| Yasak | Sosyal puanlama, gerçek zamanlı biyometrik gözetim, manipülatif AI | EU'da deploy edilemez |
| Yüksek-risk | İstihdam taraması, kredi puanlaması, eğitim erişimi, kritik altyapı, kanun yaptırımı, biyometrik kimlik | Uyum değerlendirmesi, kayıt, pazar sonrası izleme, şeffaflık, insan gözetimi |
| Sınırlı-risk | Chatbotlar, deepfakeler, duygu tanıma | Şeffaflık: kullanıcı AI ile etkileşim halinde olduğunu bilmeli |
| Minimal-risk | Tavsiye sistemleri, spam filtreleri, çoğu B2B SaaS içlikleri | Belirli yükümlülükler yoktur |
Çalıştırın ai_risk_classifier.py use case'i sınıflandırmak ve gerekli kontrol listesini almak için.
ABD eyalet karmaşası (kapsamlı değil):
Endüstri-spesifik katmanlar:
Tam düzenleyici ortam + yönetim programı kontrol listesi için bkz. references/ai_risk_governance.md.
Kırılma noktası sorusu: aylık kaç token'da self-hosted inference API maliyetlerini yener?
Anahtar bileşenler:
Tipik kırılma noktası (frontier-quality): model boyutuna ve kabul edilebilir quality tradeoff'a bağlı olarak 100M–500M token/ay. Bunun altında API kazanır. Bunun üstünde hesap makinesiyi çalıştırın.
Çalıştırın ai_cost_economics.py workload özelliğiyle kırılma noktası + GPU oranları ve model boyutu duyarlılığı için.
Tam ekonomi modeli ve operasyonel hususlar için bkz. references/ai_cost_economics.md.
Yanlış soru: "ML engineer mi yoksa research scientist mi işe alalım?" Doğru soru: "Sonraki AI capability'sini ship etmek için ne gerekiyor ve hangi rol bunu açıyor?"
Aşama-rol haritası:
| Aşama | İlk AI işe alımı | Sonra | Sonra |
|---|---|---|---|
| Pre-PMF | Kurucu + 1 ML-meraklı engineer prompt'larla oynayan | — | — |
| Series A | AI engineer (applied, full-stack; prompts/evals/deployment sahipleri) | Evals/quality için ikinci AI engineer | — |
| Series B | AI/ML platform engineer (inference, evals, observability) | Ürün güvenilirliği için üçüncü AI engineer | Model core IP ise data scientist |
| Series C | AI Müdürü | ML research scientist (ancak model ÜRÜN ise) | AI safety / red team (müşteri-facing AI ise) |
| Late-stage | Head of AI → CAIO | Birden fazla research scientist, platform takım, safety/red team | İş birimi başına federe AI leads |
Kritik farklar:
Merkezi vs gömülü AI: AI merkezi başlar (bir takım) ve data takımından çok daha uzun kalır, çünkü yüzey alanı daha küçüktür. Ancak AI 4+ ürün yüzeyine deploy edildikten sonra gömün.
Bkz. references/ai_team_org_evolution.md.
Amaç: Belirli bir use case'in API, fine-tune mu yoksa build'i kullanması gerekip gerekmediğine karar verin.
# 1. use_case.json tanımlayın (hacim, latency, accuracy, takım boyutu, bütçe)
python scripts/model_buildvsbuy_calculator.py use_case.json
# 2. 3 yıllık TCO + breakeven'ı gözden geçirin
# 3. cs-cfo-advisor ile bütçe taahhütünü çapraz kontrol edin
# 4. cs-cto-advisor ile mühendislik kapasitesini çapraz kontrol edin (esp. fine-tune için)
# 5. /cs:decide ile günlüğe kaydedin; multi-yıl vendor taahhütü üzerinde /cs:freeze 60'ı düşünün
Amaç: EU AI Act + ABD eyalet kanunları altında use case'i sınıflandırın, gerekli kontrolleri belirleyin.
# 1. use_case.json tanımlayın (etkilenen kararlar, kullanıcılar, coğrafya, sektor)
python scripts/ai_risk_classifier.py use_case.json
# 2. YÜKSEK-RİSK için: uyum değerlendirmesi + kayıt bütçeyi belirleyin
# 3. SINIRLI-RİSK için: şeffaflık gerekliliklerini uygulayın
# 4. cs-general-counsel-advisor ile kontratlar etkisini çapraz kontrol edin
# 5. cs-ciso-advisor ile teknik güvenlemeleri çapraz kontrol edin
# 6. /cs:decide ile günlüğe kaydedin
Amaç: API'den self-hosted inference'a taşındığında (ve taşındığında) kararını verin.
# 1. workload.json oluşturun (token/gün, model boyutu, latency, quality toleransı)
python scripts/ai_cost_economics.py workload.json
# 2. Duyarlılık senaryoları çalıştırın (düşük/orta/yüksek GPU oranları)
# 3. Taşıma maliyeti tahmin edin (mühendislik zamanı + risk)
# 4. cs-cfo-advisor ile capex taahhütünü çapraz kontrol edin
# 5. cs-cto-advisor ile platform hazırlığını çapraz kontrol edin
# 6. /cs:decide ile günlüğe kaydedin; GPU taahhütü imzalanırsa /cs:freeze ile eşleştirin
Amaç: Sonraki 18 ayın AI işe alımlarını ship etme yetenekleriyle hizala.
ai_team_org_evolution.md)**Bottom Line:** [bir cümle — karar ve gerekçe]
**Karar:** [birden biri: model seçimi | risk sınıflandırması | ekonomisi | sonraki işe alım]
**Kanıt:** [araçtan sayılar, sıfatlar değil]
**Nasıl Hareket Edilir:** [3 somut sonraki adım]
**Sizin Kararınız:** [sadece kurucu yapabilir]
../chief-data-officer-advisor/ — Training data hakları, veri ürün stratejisi (model kararlarına doğrudan bağlı)../cto-advisor/ — Mimari kapasite, scaling uçurumları (esp. self-hosted inference için)../ciso-advisor/ — AI için tehdit modellemesi (prompt injection, jailbreak, training data poisoning)../general-counsel-advisor/ — AI sözleşmeleri (vendor sorumluluğu, output mülkiyeti, training-data lisanslama)../cfo-advisor/ — Build-vs-buy TCO math, multi-yıl vendor taahhütleri../chro-advisor/ — AI takım işe alımı + comp../../../engineering/rag-architect/ — Taktik RAG implementasyonu../../../engineering/agent-designer/ — Taktik agent mimarisi../../../engineering/prompt-governance/ — Taktik prompt yönetimi../../../engineering/self-eval/ — Taktik eval altyapısı../../../engineering/llm-cost-optimizer/ — Taktik inference cost optimizasyonuVersiyon: 1.0.0 Durum: Üretime Hazır Sorumluluk Reddi: AI düzenlemesi hızla evrimleşiyor. Bu beceri kararları ve tradeoff'ları 2026 itibariyle yüzeylese de, özellikle EU AI Act uyum değerlendirmeleri altında bağlayıcı uyum kararları için nitelikli AI hukuk müşaviri yerine geçemez.
Herhangi bir yaratıcı çalışmaya başlamadan önce bunu mutlaka kullanın - feature oluştururken, component inşa ederken, functionality eklerken veya davranış değiştirirken. Kullanıcı niyetini, gereksinimleri ve tasarımı implementation öncesinde araştırır.
Uygulama tamamlandığında, tüm testler geçtiğinde ve çalışmanızı nasıl entegre edeceğinize karar vermeniz gerektiğinde kullanın - merge, PR veya cleanup seçeneklerini sunarak geliştirme sürecinin tamamlanmasını rehberlik eder.
Kod incelemesi geri bildirimi alırken, önerileri uygulamadan önce kullanın; özellikle geri bildirim belirsiz veya teknik olarak şüpheli görünüyorsa - performatif anlaşmadan veya körü körüne uygulamadan ziyade teknik titizlik ve doğrulama gerekir.
Görevleri tamamlarken, büyük özellikleri hayata geçirirken veya merge etmeden önce çalışmanın gereksinimleri karşıladığını doğrulamak için kullanın.
Yeni bir feature üzerinde çalışmaya başlarken veya implementasyon planını yürütmeden önce kullanın - native araçlar veya git worktree fallback aracılığıyla izole edilmiş bir workspace sağlar.
Herhangi bir konuşma başlatırken kullanın - skill'lerin nasıl bulunacağını ve kullanılacağını belirler, clarification soruları da dahil olmak üzere HERHANGİ bir yanıt vermeden önce skill invocation gerektirir.