Giriş: Yapay zekânın yetenekleri sürekli ilerledikçe, yatırım dünyasında yeni bir karamsarlık görüşü ortaya çıkıyor: Modeller giderek daha güçlü hale geldikçe, tüm uygulama şirketleri nihayetinde Anthropic, OpenAI, Nvidia gibi model ve hesaplama katmanları tarafından yutulacak ve pazar sonunda sadece öncü modeller, hesaplama gücü ve az sayıda altyapı kalacak. Ancak Sarah Guo, bu görüşün sadece yarısının doğru olduğunu düşünüyor. «İnce kaplama» (yani basit model kılıfları) gerçekten emilecek; benchmark (temel test) ile ölçülebilen, açık verilerle eğitilebilen ve düşük maliyetle doğrulanabilen tüm görevler de giderek ticari hale gelecek.
Gerçek soru şudur: AI, eğitilebilir tüm şeyleri yuttuktan sonra, hangisi hâlâ eğitilemez?
Bu sorunun cevabı, gerçek organizasyonların içersinde yer alıp dışarıdan kolayca kopyalanamayan değerlerdir: şirket özel verileri, karmaşık iş akışları, kullanıcı güveni, sistem izinleri, endüstriye özgü yargı, uyumluluk sorumlulukları ve uzun süreli işletimden kazanılan deneyimler. Model daha akıllı hale gelebilir, ancak otomatik olarak bir bankanın üretim sistemine giremez; tıbbi cevaplar üretebilir, ancak doktorların güvenini ve hastanenin karar alma süreçlerini doğrudan elde edemez; hukuki metinler yazabilir, ancak deneyimli avukatların sorumluluğunu üstlenemez ve neyin uygun bir hukuki çalışma olduğunu rastgele tanımlayamaz.
Bu nedenle, gelecekte gerçek bir koruma duvarına sahip AI şirketleri, genel modellerden sadece daha akıllı olmakla kalmaz, belirli bir endüstri içine girerek zor ancak kritik bir “çeviri” işini tamamlar: müşterilerin özel gerçekliklerini, araçlarını, süreçlerini ve değerlendirme kriterlerini, modelin harekete geçebilmesi için sistematik hale getirir ve uzun vadeli hizmetler sırasında “iyi bir sonuç ne demek” tanımını yazmaya devam eder. AI ne kadar güçlü olursa, ölçülebilir ve kopyalanabilir görevler o kadar değer kaybeder; aynı zamanda tarihi, ilişkileri, yetkileri ve profesyonel yargıları içeren “eğitilemeyen şeyler” o kadar ön plana çıkar. Bu, modelin yuttuğu sonrası hâlâ korunabilecek gerçek değerdir.
Aşağıda orijinal metin yer almaktadır:
2026 yılının ortalarında, yatırımcı versiyonu "Yapay Zeka Zihin Bozukluğu", yatırım edecek hiçbir şey kalmadığına dair bir çaresizlik hissidir: Tüm paralarımızı Anthropic ve Nvidia'ya yatırmalı, sonra eve gidip uyumalıyız gibi geliyor. Ama ben böyle bir hissi asla yaşamadım. Geçtiğimiz birkaç küçük sürümden beri, modellerin benimden daha akıllı olduğundan eminim; Anthropic ve Nvidia'yı piyasa fiyatından almak benim için de hoş olurdu; etrafımdaki en akıllı arkadaşlar da modellerin kendi kendini geliştirmesinin yakında gerçekten işe yarayacağına inanıyorlar—ama hâlâ bu çaresizliği hissetmiyorum.
Bu umutsuzluk aptalca değil. Mantığı şöyle: Eğer model her şeyde sürekli güçleniyorsa, model üzerine kurulan tüm şirketler, model tarafından emilmesini bekleyen ince bir kabuk olacak; sonunda kalabilecek değer, yalnızca hesaplama gücü ve öncü model ağırlıkları olacaktır.
Bir yazılım örneği olarak, bu umutsuzluk hissi en çok bu duruma dayanır. Devin, 2024'te piyasaya sürüldüğünde, standart yazılım testlerindeki görevlerin yalnızca %13'ünü çözebiliyordu ve bu nedenle genel olarak piyasa tarafından hafife alındı. Bir buçuk yıl sonra, en güçlü Agent'lar %80'in üzerinde yüksek puanlar elde etmeye başladı ve Goldman Sachs ve ABD Ordusu dahil olmak üzere gerçek işleri işlemeye başladı. Neredeyse herkes aynı yanlış sonuca vardı: Model, yazılım mühendisliğini yuttu.
Ancak model, yazılım mühendisliğinin en kolay ölçülebilir kısmını yuttuktan sonra, birçok takımın uzun süredir bildiği bir noktayı yeniden keşfediyoruz: mühendislik özünde ölçülmeye karşı çıkmıştır ve en kolay ölçülebilir kısım, tek önemli kısım olmak zorunda değildir.
MIT'nin Mert Demirer ve işbirlikçileri, bu durumu nihayet nicelleştirdi: 100.000'den fazla geliştirici arasında, en yeni nesil kodlama Agent'leri kod yazımını yaklaşık %180 artırdı, ancak gerçek anlamda canlıya alınan kod miktarı sadece yaklaşık %30 arttı. Kod yazmak daha ucuz hale geldi, ancak kalan aşamalar hâlâ insan eliyle yapılmalı ve bu aşamalar çok önemli. Tabii ki, toplam net etki hâlâ şaşırtıcı.
Bir ölçüm yapılabilir şeydir; ölçüm yapılabilir her şey, eğitilebilir. Bu nedenle kodlama Agent’leri ilk olarak olgunlaşır: derleyiciler ücretsiz doğrulayıcılar, test suite’leri de ücretsiz doğrulayıcılar. Cevap neredeyse sıfır maliyetle kendini kontrol edebildiğinde, bu kontrol sinyali etrafında onu delene kadar sürekli olarak iyileştirebilirsiniz.
Ancak testten geçmek, on yıl boyunca çalışan bir kod tabanı için bu değişikliğin doğru olduğu anlamına gelmez. O modülün var olmasının arkasında, belki de kimse belgelememiş üç neden vardır; dağıtım hattı, kimsenin kendi yazdığını kabul etmek istemediği bir cron job ile zorla çalışmaktadır.
Bu doğruluk, sıralamadan okunamaz, hatta hiçbir şeyden doğrudan okunamaz. Sistemin gerçekten etkili olup olmadığını anlayabilmek için, bu kadar karmaşık bir sistemi gerçek dünyada yeterince uzun süre çalıştırmalısınız. Daha akıllı modeller, gerçek dünyayı daha hızlı çalıştırmaz. Google kadar büyük bir sistemin birim testlerini tamamlayıp yeşil işareti görünce tamamen güvenmek kimse tarafından yapılmaz. Siz ona güveniyorsunuz, çünkü yıllar boyunca gerçek yükleri karşılamıştır.
Bu doğruluk yalnızca özel değil, aynı zamanda yavaşça oluşan ve sermayenin doğrudan zamanı kısaltamadığı bir koruma duvarıdır. Optimistler bile bu saatin atlanamayacağını kabul eder. OpenAI çıkarım modellerinin öncüsü Noam Brown, yakın zamanda bir Agent'in bir yıl boyunca performansını değerlendirmenin tek güvenilir yolu olabilir ki, gerçekten bir yıl boyunca çalıştırılsın.
Gabe Pereyra'nın söylediğine göre, gerçek otomasyon sadece modellerin daha güçlü hale gelmesi değildir. Ürün, model, iş akışı ve şirket organizasyonunun birlikte değişmesidir; ve bunların dördü arasında üçü, organizasyonun hızıyla ilerler.
Herhangi bir performans testi ulaşamayacak bir şey: Şüpheli bir ortağı, işlerini nasıl yürüttüğünü değiştirmeye ikna etmek ve bir ekip, yeniden yapılandırma sürecinde bir arada kalmaya devam etsin. Bu yüzden CEO işe alırken, analitik yetenek kadar insanları yönetme becerisine de önem veriyoruz. Modeller daha akıllı hale gelse bile bu ağırlık değişmez.
Geri bildirim burada bulanık; zaman aralığı yıl cinsinden, ancak güven belirli bir insana ait. Tanıdığım her şirket, her mühendisinin öncü kodlama modellerini kullanmasını sağlamıştır, ancak hiçbir şirketin mühendislik organizasyonu, model ilerlemesinin hızına yakın bir şekilde değişmemiştir. Araçların benimsenmesi bir çeyrek yıl sürdü ve o çeyrek yıl token büyüme döneminin ne kadar mucizevi olduğunu gösterdi! Ancak gerçek yeniden yapılandırma yıllar alır.
Görülebilir işler, ayrılıyor. Gerçek değeri olan işler, yapısal olarak okunamazdır: Sıralamaya koyabileceğiniz her şey, eğitilmek için kullanılabilir; dolayısıyla, ölçülebilir her şey, ticarileşmeye doğru ilerlemektedir. Bu süreç zaman alır ve asla tamamen tamamlanmaz, ancak yön asla tersine dönmez.
Arkadaşımla, Rippling'in Matt MacInnis'in sözleriyle ifade edersek, bu para diliyle şöyle: Bir token, sadece genel bir soruya cevap vermek için kullanılıyorsa, neredeyse değersizdir, çünkü herkesin modeli bu soruyu cevaplayabilir; ancak bir token, şirketinizin verileri üzerinde çıkarım yapıyorsa, çok daha değerlidir, çünkü sadece makul görünen bir cevap üretmek yerine, gerçekten istediğiniz şeyi yapar.
Okunabilir işler iki yönden yutulacaktır.
Aşağıdan bakıldığında, görevler doyuma ulaşır: Bir iş düşük maliyetle kontrol edilebilir hale geldiğinde, alıcılar bunu hangi modelin tamamladığından ziyade bunun ne kadar maliyete mal olacağını sormaya başlar. Bu nedenle, iş o haftanın en ucuz açık kaynak modeline veya distile edilmiş modele düşer. Kar marjı etkili olabildiği sürece, nihayetinde mutlaka etkili olacaktır.
Yukarıdan bakıldığında, laboratuvar modelin kendi iskelesini yemesini deniyor. Arama, ucuz çağrılar ile pahalı çağrılar arasındaki yönlendirme, araç kullanımı ve hatta akıl yürütme stratejileri — bir zamanlar modelin dışına sarılmış tüm cihazlar, model ağırlıkları içine çekiliyor ve nihayetinde «kabuk» kendisi model oluyor. İşte emilim sınırı.
Kâr baskısı diğer bir yönden de etki eder: Genel bir Agent, her şeyi anında işleyecek şekilde hazır olmalıdır, bu nedenle maliyeti yüksektir; ancak odaklanmış bir uygulama, bir iş akışını sonuna kadar optimize ederek yalnızca küçük bir token miktarı tüketebilir. Ayrıca, bu tokenleri satan laboratuvarlardan farklı olarak, uygulama şirketleri arasındaki farkı kendisine ayırabilir.
Bu nedenle, herhangi bir iş için iki soru sorabiliriz: Doğruluğu gizli ve maliyetli mi, sadece bir şirketin verileri içinde var olan bir gerçek mi? Bu iş, dışarıdaki kişilerin erişemeyeceği bir sistemde mi izole edilmiştir? Bu soruları işin doygunluk düzeyiyle birlikte değerlendirdiğimizde, 2×2 bir matris elde ederiz.
Doyurulmuş ve cevapları açık olan işler, tokenlerin ticarileştirildiği alandır ve açık kaynak modeller bunu ele geçirecektir. Öne çıkan ancak cevapları açık olan işler, örneğin kodlama benchmarkları, değerlendirme ücretsiz olduğunda sahip olmanın kendisi değer kazanmadığı için laboratuvarların kazanacağı alanlardır.
Gerçek ödül, son köşe, yani "eğitilemez" köşedir: öncü çalışmalar, ancak doğrulukları yalnızca özel ortamlarda geçerlidir. Bu, AI-native öncüleri hizmet eden bulut çıkarım platformlarında görülebilir: çoğu token, genel açık kaynak modeller yerine özelleştirilmiş modeller tarafından üretilmektedir.
Bu son köşeye ulaşan duvarlar yüksek ve düşük. Bir geliştiricinin oyun kod deposu taşınabilir ve standartlaştırılmıştır, bu yüzden içeri girmek kolaydır. Ancak bir bankanın üretim sistemi taşınabilir değil ve standartlaştırılmamıştır. SWE-Bench Verified'da %2 daha akıllı olmak, onun root erişimini kazandırmaz.
Yetenek birçok şeyi yutabilir, ancak daha iyi modeller özel gerçek standartları kamuoyuna açmaz. Lisans tutmaz, sorumluluk üstlenmez, şirket belgelerine sahip değildir; cevap hatalı olduğunda suçlanan taraf olamaz. Buradaki sınırlama akıl değil, yetki ve sorumluluktur. Herkesden çok daha akıllı bir modeli hayal edebilirsiniz, ancak hala içeri girmeye izin verilmeli ve yaptığı işler için kimse adına imza atmalıdır.
O kapıda bir kilit ve bir çubuk kilit var.
O kilit, çevre: Bir sistem içinde güven kazanıldıktan sonra, güvenlik incelemesi tamamlandıktan ve sonuç sorumluluğunu taşıyan bir sözleşme imzalandıktan sonra, AI'nın gerçekten faydalı bir şey yaptığını doğrulayabilirsiniz.
Kilit, kullanıcıdır. Bugün, çoğu ABD doktoru OpenEvidence’i her gün açıyor; bu, herhangi bir hesaplama gücüyle satın alınabilecek bir şey değildir. Bir laboratuvar yarın mükemmel bir tıbbi modeli eğitebilir, ancak hâlâ doktorların kullanım alışkanlıklarına veya UCSF’nin karar süreçlerine giremez. Çünkü güven, gradyan inişle bunları silerek değil, ilişkilerle ve kullanıcı onayıyla yavaş yavaş inşa edilir.
Bu tam olarak uygulama şirketlerinin yaptığı iş. Bir uygulamanın “eğitilemez” köşelerde yer edinmesi, bir şirketin özel gerçekliğini düzenleyip modelin bunun üzerine harekete geçmesini sağlamaya, modele eylem araçları sunmaya ve müşterilerle birlikte kuvvetlerinin gerçek işleyişini değiştirmeye dayanır.
Bu tür bir «çeviri»yi gerçekleştirebilen bir şirketin kopyalanması çok zordur ve bu çeviri asla sona ermeyecektir. Entegrasyon ve bakım, müşteri ilişkileriyle birlikte devam edecektir. Bu işi kazanan, alan uzmanı mühendisleri ve araçları müşterinin yanına koyan takımlardır.
Bir üst düzey eski bir hukuk firmasında, sadece devralma ve satın alma işleri için her yıl yaklaşık bin işlem yapılır. Yüzlerce hukuk asistanının müşteri belgelerini masaüstüne indirmesini ve bunları genel bir Agent'e okutmak için göndermesine izin veremezsiniz. Gizlilik nedenleri bunu zaten izin vermez, daha da önemlisi onlarca başka sorun da vardır. Hatta bunu yapabilseydiniz, sadece parçalı bilgiler edinirdiniz: bir asistan bir kez biraz düzeltir, kimse bir bütün işlemin nasıl akıştığını göremez.
Gerçek anlamda önemli sinyaller, işlem seviyesinde bulunur. Bir işlemin kendi şekli vardır: birleşmeler ve satın almalar için, NDA, şartlar listesi, dikkatli inceleme, satın alma anlaşması, ek belgeler, teslim listesi; mülkiyet hakları davaları için, dilekçeler, delil paylaşımı, mevcut teknoloji, daha fazla dilekçe. Her iş alanının kendi yapısı vardır; avukatlar ve araçlar rastgele değiştirilemez.
Ancak bu avukatlık firmasının gerçekten çözmek istediği sorun, daha üst bir düzeyde: üst ortaklar gibi aynı anda yüzlerce işi yönetirken yeni iş kaynakları kazanmak ve yardımcı avukatlar yetiştirmek. Böyle bir firmayı dönüştürmek, tek bir değerlendirme görevi yazabileceğiniz bir sorun değil. Bu, bir operatörün "veri beyzbolu" gibi işlemesi gereken bir şey: ara hedefler son derece belirsiz, geri bildirimler eksik, döngüler çok uzun ve çevre kendisi bile sabit kalmıyor.
Maalesef, okunamayan değerlerin satılması da, ticari hale getirilmesinin zor olmasının nedeniyle zordur: bir şirket, AI'nın performans testlerinde gösterildiği gibi işletmelerini nasıl dönüştürebileceğini dışarıdan değerlendiremez. Bu nedenle, en güçlü şirketler, dışarıda kendilerini kanıtlamaya çalışmak yerine, önce müşterilerin içine girer ve ardından sonuçlara fiyat belirler.
Sierra, agenti müşteri sorununu çözdüğünde yalnızca ücret alır; sorun insana devredilirse ücret almaz. Bu nedenle fiyat kendisi bir değerlendirme mekanizmasına dönüşür. Bu, Sierra'nın "çözüldü" tanımına sahip olmasından dolayı mümkündür. Cognition'un Devin'i, yazılım alanında aynı şeyi yaparak "performans garantisi" sunmuştur. Sadece bir sistemin içine güvenle girildiğinde, sonuçlar için bu tür bir garanti vermek mümkündür.
Hatta token hizmeti sağlama düzeyinde—ki bu herkesin saf bir ürün olarak adlandırdığı kısım—bu, bir ürün gibi davranmamaktadır. En iyi AI-native şirketler, hizmetlerini Baseten veya Fireworks gibi bir veya iki tedarikçiye odaklar. Çünkü her token maliyeti zamanla ürünleşmeye doğru ilerler, ancak gerçek trafiğe karşı güvenilirlik ve kıt kaynaklara sabit erişim ürünleşmez. Hangi platformda çıkarım hizmeti sunmakla hangi modelleri kullanmak, iki farklı seçimdir. Çıkarımda gerçekten ürün gibi davranan tek şey fiyatıdır.
Sıkça duyulan bir itiraz şudur: Laboratuvar, sizin tedarikçinizdir, neden kendi birinci taraf ürünlerini maliyetin altında satarak sizi piyasadan çıkarmaz veya API erişim haklarınızı doğrudan iptal edip bu pazarı kendisi ele geçirmez? Bu, gerçek çaresizlik hissinin tam versiyonudur. Ancak bu, model katmanının tekil bir oyun olduğu durumda geçerlidir.
Açıkça görülüyor ki, durum böyle değil. Model katmanı, yaklaşık altı ay geride kalmış uluslararası oyuncuların yanı sıra, geçen yılın beş katı büyüklüğünde bir geliştirme ligine sahip olan üç buçuk oyunculu bir ölüm yarışı gibi. Müşteriler, tedarikçileri arasında rekabet olmasını istiyor; laboratuvarlar ise herhangi bir spesifik uygulamayı yok etmekten daha çok pazar payı istiyor.
Bunu laboratuvarın önündeki rekabetçi pazarlarda görebilirsiniz. Tüketici sohbet senaryolarında, en iyi modeller asla tamamen tüm pazarı kazanmamıştır. ChatGPT, yıllar boyunca gerçek rekabet içinde önde kalmıştır; şimdi kaybettiği pay, modelin daha iyi olmasından değil, Android ve arama dağıtım yeteneklerinden dolayı Gemini'ye geçmiştir. Anthropic, şu anda tahmin pazarlarında ve internet atmosferinde en iyi modele sahip olarak kabul edilir, ancak tüketici sohbetinde neredeyse ana oyuncu değildir; bunun yerine şirketler ve kodlama senaryolarında kendi işini kurmuştur.
Eğer bir daha iyi model, en temel uygulamalarda bile rakibinin kullanıcılarını çalamıyorsa, bir hastanenin hasta kayıtlar sistemini veya bir bankanın sorumluluk sistemini entegre ederek kolayca ele geçirmeyecektir. Bugün, halk ürünlerini seçerken sadece kodlama yeteneğine değil, başka şeyler de dikkate alıyor. Eğer önde gelen model katmanı hâlâ kalabalıksa, onun üzerindeki uygulama katmanı değer kazanacaktır.
Bir iş dışarıdan değerlendirilemiyorsa, içerde kimse iyi bir cevabın ne olduğunu karar vermelidir. Ve bu karar, tamamen oyunun kendisidir. Bu tür yeterli sayıda karar yazılırsa, bir benchmark haline gelir. Harvey, hukuk alanına ait bir benchmark yayınladı; Sierra, sesli ajantlar için bir benchmark yayınladı. Bir alanda “iyi”nin ne anlama geldiğini tanımlama hakkınıza sahip olmanızın nedeni, bu alanın zaten sizin kullanmanızdır. Ve bu şirketler, gerçek kabul sürecindeki zorlu mücadelelerle bu hakkı kazandı.
Para akışlarını gerçekten belirleyen değerlendirme, özel ve şirket bazlıdır: Bu şirket, bu tür konularda neyi iyi bir iş olarak kabul edecektir. Bu süreç henüz tamamlanmamıştır, çünkü yasal derinlik herhangi bir açık testin ötesindedir. OpenEvidence, güvenli klinik cevapların ne olduğunu biriktimeyor.
Bu aslında gerçek bir «ölçüm» değil, neyin gerçek ve neyin iyi olduğuna dair bir yargı meselesidir. Bu yargılar yazılı hale getirilir ve diğer tüm insanların kabul etmesi gereken bir ölçüt haline gelir. Temel model laboratuvarı ne kadar akıllı hale gelirse gelsin, bu standartları boştan yazamaz, çünkü bu statü yalnızca alanın içindedir.
Bu otorite genellikle zaten var olan yerde kalır. Deneyimli avukatlar hukuki standartları yazar. Güvenli klinik cevapları tanımlayan doktorlardır. “Çözüldü” ne anlama geldiğini, zaten müşteri ilişkisine sahip olan şirket belirler.
Sınırlar sürekli yükselmeye devam edecektir, çünkü daha fazla işi ölçmeyi öğrenmeye devam edeceğiz ve ölçülebilir olanlar yutulacaktır. Ölçülemeyen zemin, üzerinde duran insanların altında sürekli daralacaktır, bu yüzden savunulabilir bir konum bulup duramazsınız. Henüz puanlanamayan yerlere doğru sürekli ilerlemelisiniz ve sürekli yeniden sigortalama, yeniden risk değerlendirmesi yapmalısınız.
Dar bir görevde, özel verileriniz ve kendi değerlendirme sisteminizle öncü seviyeye kadar eğitebilir ve kritik senaryolarda genel modelleri yenebilirsiniz; bu özel model bir koruma duvarının bir parçası olacaktır. Öte yandan, genel modellerin yetenekleri üzerinde rekabet ediyorsanız, bu bir sermaye savaşıdır ve en fazla hesaplama gücüne sahip olan kişiye yenilirsiniz. Bu, sadece yüzeysel erişime sahip olup görevleri yüksek oranda okunabilir olan şirketlerin en kolay düştüğü tuzaktır.
Bir şirket, varlığını sürdürebilmek için geniş bir genel görev kümesinde öncü modellerin ötesine geçmek için karar verdiğinde, zafer ve mağlubiyet genellikle veri merkezi ölçeğiyle belirlenir. Sonuç, bağımsız bir şampiyonun ortaya çıkması yerine, yeterli hesaplama gücüne sahip bir oyuncuya satılmasıdır.
Hepsi savunma. Daha zor olan saldırı: Önce tam olarak ne inşa edeceğinizi karar vermek. Bu, geçen yıl boyunca aradığım şeydi ve sadece üç kez buldum. Model bunun için size yardımcı olamaz. Onu nereye yönlendirirseniz, o yapar; ancak neyin yönlendirilmeye değer olduğunu size söyleyemez. Bunu için bir benchmark oluşturamazsınız, dolayısıyla onu eğitemezsiniz.
Bu, neden büyük şirketlerin her şeyi almadığıdır: Kendi zaten sahip oldukları alanları koruyacaklar ve bir sonraki şey, başkalarından önce bir kullanım bulan biri tarafından ortaya çıkacaktır. Belki de niyet, hesaplama gücüden daha kıymetli bir girdidir.
Bu umutsuzluk hissinin yarısı doğru. İnce kabuk katmanı gerçekten emiliyor ve bugün şirket gibi görünen birçok şey gerçekten sadece ince bir kabuk. Ancak “emildikten sonra ne kalır?” konusundaki yargısı yanlıştır. Mekanizma açık, ancak bitiş noktası değil.
Benim bu yöne bahis oynamak istediğim nedeni: Akıl, daha da ucuzlamaya devam edecekken, değer, birkaç modelin ulaşamayacağı yerlere doğru kaymaya devam edecektir. Eğitim yapılamayan şey, tarihsel değere sahiptir.
Bu nedenle, bu tür alanlardan birine girip, görkemli olmayan bu çevirileri yapın ve orada «iyi» tanımını yazmaya başlayın. Çünkü her zaman bunu yapacak biri olur. Bu yıl en çok alıntılanan performans testi puanları, aslında değersiz hale gelen bir harita ve bir uyarıdır: Bazı insanların «iyi»yi nasıl tanımlayacağına dair haklarını kaybedeceklerini bildiren bir uyarı.
[Orjinal bağlantı]
Ritm BlockBeats