✻Abbas Elmas

BAE, Kamu Yönetiminde Yapay Zekâ Dönüşümünü Başlatıyor 🤖 Birleşik Arap Emirlikleri (BAE), devlet yönetiminde köklü bir dönüşüm başlatarak kamu hizmetlerinin önemli bir bölümünü yapay zekâ destekli sistemlere devretmeyi hedeflediğini açıkladı. Devlet başkanının direktifleri doğrultusunda başlatılan yeni model kapsamında, iki yıl içinde kamu sektörünün yüzde 50’sinin “agentic AI” olarak tanımlanan otonom yapay zekâ sistemleriyle yürütülmesi planlanıyor. Yetkililer, bu adımın BAE’yi dünyada bu ölçekte yapay zekâ ile yönetilen ilk hükümet yapısı haline getireceğini belirtiyor. Yeni sistemde yapay zekâ yalnızca destekleyici bir araç olarak değil; analiz eden, karar alan, uygulayan ve kendini geliştiren bir “yürütücü ortak” rolü üstlenecek. Dönüşüm sürecinin performansı; uygulama hızı, entegrasyon kalitesi ve kamu kurumlarının yapay zekâyı iş süreçlerine ne ölçüde entegre edebildiği kriterleri üzerinden değerlendirilecek. Sürecin tamamlanması için iki yıllık net bir takvim belirlendi. İnsan kaynağı da dönüşümün merkezinde yer alıyor. BAE yönetimi, tüm federal çalışanların yapay zekâ konusunda eğitileceğini ve bu sayede dünyanın en güçlü kamu yapay zekâ kapasiteslerinden birinin oluşturulacağını vurguluyor. Projenin uygulanması, Sheikh Mansour bin Zayed gözetiminde yürütülecek. Operasyonel süreci ise Mohammad Al Gergawi başkanlığındaki özel bir görev gücü yönetecek. Yetkililer, teknolojinin hızla değiştiğini ancak temel prensiplerinin değişmediğini belirterek, dönüşümün merkezinde insan odaklı hizmet anlayışının yer alacağını ifade ediyor. Yeni modelle daha hızlı, daha etkin ve daha verimli bir kamu yönetimi hedefleniyor.

We're aware people are hitting usage limits in Claude Code way faster than expected. Actively investigating, will share more when we have an update!

we’ve signed Zero Data Retention agreements with all providers for Go all models now follow a zero-retention policy your data is not used for training

Which local models can actually handle tool calling? I built a framework to find out. 15 scenarios. 12 tools. Mocked responses. Temperature 0. No cherry-picking. Tested every Qwen3.5 size from 0.8B to 397B, and since some of you asked after the distillation tests: yes, I included Jackrong's Qwen3.5-27B-Claude-4.6-Opus-Reasoning-Distilled too. Only two models went all green: the 27B dense and the distilled 27B. The 397B? Failed two tests. The 122B? Failed one. The 35B? Failed two. The timed-out results — mostly on the smaller models, are cases where the model got stuck in a loop, repeating the same tool call until it hit the 30-second limit. The test that exposed the most models: "Search for Iceland's population, then calculate 2% of it." Simple, but 35B, 122B, and 397B all used a rounded number from memory instead of the actual search result. They didn't trust their own tool output. Small models hallucinate data. Big models ignore data. The 27B just threaded it through.