AI Agent Nedir? Yapay Zekâ Ajanlarının Şirketlerde Kullanımı

Giriş: Bir chatbot ile AI agent arasındaki fark neden önemli?

Şirketlerin yapay zekâ kullanımında temel soru artık yalnızca “Bir model bize doğru cevap verebilir mi?” değil. Asıl soru giderek “Bu sistem verilen hedef doğrultusunda gerekli bilgiyi bulabilir, hangi işlemlerin yapılacağına karar verebilir, şirket sistemleriyle etkileşime geçebilir ve süreci kontrollü biçimde sonuçlandırabilir mi?” haline geliyor.

Bu ayrım, AI agent veya Türkçede yaygın karşılığıyla yapay zekâ ajanı kavramının merkezinde yer alıyor.

En sade tanımıyla AI agent; belirli bir hedef doğrultusunda çevresinden bilgi alan, yapay zekâ modeli yardımıyla sonraki adımı belirleyen, gerektiğinde araç veya harici sistem kullanan ve görevi tamamlamak için birden fazla adımı yürütebilen yazılım sistemidir.

OECD'nin güncel AI sistemi tanımı da yapay zekâ sistemlerinin aldıkları girdilerden fiziksel veya sanal ortamları etkileyebilecek tahminler, içerikler, öneriler veya kararlar üretmesini ve sistemlerin farklı özerklik seviyelerinde çalışabilmesini temel unsurlar arasında sayıyor [1][2].

Bir AI agent bu genel çerçevenin daha eylem odaklı bir uygulamasıdır. Örneğin yalnızca “Bu müşteriye nasıl cevap vermeliyim?” sorusuna metin üreten bir model yerine; müşteri kaydını CRM'den bulabilir, önceki görüşmeleri inceleyebilir, sipariş durumunu sorgulayabilir, şirket politikasına göre yapılabilecek işlemleri belirleyebilir ve yetkisi varsa ilgili sistemde aksiyon alabilir.

Bu nedenle AI agent ile klasik chatbot, otomasyon veya tek başına büyük dil modeli aynı şey değildir.

AI Agent nedir?

AI agent kavramı farklı teknik ekosistemlerde küçük farklılıklarla tanımlansa da ortak yapı şudur:

OpenAI'nin agent dokümantasyonu ajanların görevleri tamamlamak için araçlardan yararlanabildiğini, başka uzman ajanlarla çalışabildiğini ve görev adımları arasında bağlamı koruyabildiğini belirtiyor [5][6].

Buradaki kritik nokta eylem yeteneğidir.

Normal bir üretken yapay zekâ uygulamasında süreç şöyle olabilir:

Kullanıcı → soru → model → cevap

Bir AI agent sisteminde ise süreç daha çok şöyledir:

Hedef → mevcut durumu anlama → sonraki adımı seçme → araç kullanma → sonucu gözlemleme → gerekirse yeni adım seçme → görevi tamamlama veya insana devretme

Örneğin bir satın alma ajanına:

“Stok seviyesi kritik olan ürünleri incele ve satın alma ekibi için sipariş önerisi hazırla.”

görevi verildiğini düşünelim.

Ajan sırasıyla ERP sisteminden stok miktarlarını alabilir, geçmiş tüketimi inceleyebilir, açık satın alma siparişlerini kontrol edebilir, tedarik sürelerini değerlendirebilir ve sonuçta satın alma uzmanının onaylayabileceği bir öneri hazırlayabilir.

Ancak bu örnekte ajanın doğrudan sipariş vermesi zorunlu değildir. Sistem tasarımına göre son aşama insan onayına bırakılabilir.

Bu ayrım kurumsal AI agent tasarımının en önemli noktalarından biridir: bir ajanın teknik olarak bir işlemi yapabilmesi, o işlemi otonom biçimde yapmasına izin verilmesi gerektiği anlamına gelmez.

AI Agent nasıl çalışır?

Bir AI agent tek başına bir büyük dil modelinden oluşmaz. Üretimde kullanılan sistemlerde genellikle birkaç katman birlikte çalışır.

1. Hedef ve talimatlar

Öncelikle sistemin ne yapacağı ve ne yapmayacağı tanımlanır.

Örneğin:

• müşteri talebini sınıflandır,
• sipariş bilgisini kontrol et,
• şirket politikasından ilgili maddeyi bul,
• çözüm öner,
• finansal iade gerekiyorsa insan onayı iste.

İyi tanımlanmamış hedefler, ajanın gereksiz veya beklenmeyen işlemler yapmasına yol açabilir.

2. Yapay zekâ modeli

Büyük dil modeli veya başka bir AI modeli sistemin karar verme ve doğal dil işleme katmanının önemli bir bölümünü oluşturabilir.

Model örneğin:

• kullanıcının niyetini anlayabilir,
• hangi aracın kullanılacağını seçebilir,
• elde edilen bilgileri yorumlayabilir,
• bir sonraki adımı planlayabilir,
• sonuç oluşturabilir.

Ancak model bütün sistem değildir. Kurumsal bir AI agent uygulamasında modelin çevresinde yetkilendirme, veri erişimi, iş kuralları, izleme, doğrulama ve hata yönetimi gibi katmanlar bulunur.

3. Araçlar

Ajanı klasik chatbot'tan ayıran en önemli özelliklerden biri araç kullanabilmesidir.

Araçlar örneğin şunlar olabilir:

• CRM sorgusu,
• ERP API'si,
• veritabanı sorgusu,
• doküman arama sistemi,
• kurumsal arama,
• e-posta sistemi,
• takvim,
• destek sistemi,
• kod çalıştırma ortamı,
• şirket içi API'ler.

Araç kullanımı, modelin yalnızca bildiği bilgiler üzerinden cevap üretmek yerine güncel kurumsal verilerle çalışmasına ve belirli işlemleri gerçekleştirmesine imkân verir.

4. Bağlam ve bellek

Ajanın doğru karar verebilmesi için ilgili bağlama erişmesi gerekir.

Bu bağlam kısa süreli görev geçmişinden, şirket belgelerinden, veritabanlarından veya kullanıcının mevcut işlem durumundan gelebilir.

Burada “bellek” kavramını sınırsız biçimde her şeyi saklayan bir sistem olarak düşünmemek gerekir. Kurumsal kullanımda hangi bilginin tutulacağı, ne kadar süre saklanacağı ve kim tarafından erişilebileceği ayrıca tasarlanmalıdır.

5. Agent loop: karar ve gözlem döngüsü

Ajanların önemli özelliklerinden biri tek bir model çağrısıyla sınırlı olmamalarıdır.

Basitleştirilmiş biçimde:

Düşün/karar ver → araç seç → işlemi gerçekleştir → sonucu gözlemle → sonraki adıma karar ver

döngüsü görev tamamlanana kadar devam edebilir.

Bu yapı esneklik sağlar fakat aynı zamanda maliyet ve hata yüzeyini artırır. Bir hata sonraki adıma aktarılabilir ve birkaç adım sonra daha büyük bir probleme dönüşebilir.

Bu nedenle maksimum adım sayısı, izin verilen araçlar, harcama sınırları ve insan onayı gibi mekanizmalar önemlidir.

AI Agent, chatbot, RPA ve klasik otomasyon arasındaki fark

Bu tablo aynı zamanda önemli bir tasarım ilkesini gösteriyor: her yapay zekâ problemi agent gerektirmez.

Anthropic'in agent sistemleri üzerine teknik rehberi de öngörülebilir görevlerde önceden tanımlanmış workflow'ların; esneklik ve modele dayalı karar verme gerektiren durumlarda ise agent yaklaşımının değerlendirilmesini öneriyor. Ayrıca daha karmaşık mimariler yerine mümkün olduğunca basit ve birleştirilebilir tasarımlarla başlanmasını savunuyor [7].

Şirketler açısından AI agent neden önemli?

Klasik otomasyon sistemleri en iyi, sürecin adımlarının önceden kesin olarak bilindiği durumlarda çalışır.

Örneğin:

Form geldiyse → veriyi CRM'e yaz → e-posta gönder.

Fakat gerçek şirket süreçlerinin önemli bir bölümü bu kadar deterministik değildir.

Bir çalışan çoğu zaman:

1. gelen talebi okur,
2. ne istendiğini yorumlar,
3. hangi sistemden bilgi alacağını belirler,
4. birkaç kaynağı karşılaştırır,
5. istisnaları değerlendirir,
6. bir karar verir,
7. başka bir sistemde işlem yapar.

Agent yaklaşımının potansiyeli özellikle burada ortaya çıkar.

Amaç insan kararını her durumda ortadan kaldırmak değil; doğal dil, kurumsal bilgi ve yazılım araçlarının aynı iş akışında kullanılmasını sağlamaktır.

Şirketlerde gerçekçi AI Agent kullanım alanları

Müşteri destek operasyonları

Bir destek ajanı müşteri mesajını sınıflandırabilir, CRM kaydını açabilir, sipariş durumunu sorgulayabilir, bilgi tabanından ilgili prosedürü bulabilir ve temsilci için yanıt taslağı hazırlayabilir.

Düşük riskli işlemler otomatik gerçekleştirilebilirken ücret iadesi, hesap kapatma veya sözleşme değişikliği gibi işlemler insan onayına bırakılabilir.

Satış operasyonları

Bir agent:

• CRM kayıtlarını inceleyebilir,
• görüşme notlarını özetleyebilir,
• eksik alanları tespit edebilir,
• müşteri hakkında izin verilen kaynaklardan bilgi toplayabilir,
• satış temsilcisine sonraki aksiyonu önerebilir,
• toplantı sonrasında CRM güncellemesi hazırlayabilir.

Buradaki amaç satış kararının modele devredilmesi değil, bilgi toplama ve operasyonel iş yükünün azaltılması olabilir.

Finans ve muhasebe

Agent sistemleri faturaları sınıflandırma, kayıtlarla eşleştirme, olağandışı durumları işaretleme veya mutabakat sürecine yardımcı olma gibi görevlerde kullanılabilir.

Fakat para transferi, ödeme onayı veya finansal kayıt değiştirme gibi yüksek etkili işlemlerde insan onayı ve klasik kontrol mekanizmalarının korunması gerekir.

İnsan kaynakları

Şirket içi politika sorularını cevaplayan, izin prosedürlerini açıklayan veya çalışanların doğru dokümana ulaşmasını sağlayan ajanlar oluşturulabilir.

Buna karşılık işe alım, terfi, işten çıkarma veya çalışan değerlendirmesi gibi kişiler üzerinde ciddi etkisi olan süreçler daha yüksek hukuki, etik ve yönetişim riski taşır.

Yazılım geliştirme ve BT operasyonları

Ajanlar kod tabanını inceleme, test çalıştırma, hata kayıtlarını analiz etme, dokümantasyon hazırlama ve kontrollü geliştirme ortamlarında değişiklik önerme gibi görevlerde kullanılabilir.

Güncel agent platformlarının kontrollü çalışma alanlarında dosya inceleme, komut çalıştırma ve kod düzenleme gibi yetenekleri desteklemesi bu kullanım biçimini teknik olarak mümkün kılıyor.

Kurumsal bilgi yönetimi

Şirketlerde bilgi genellikle CRM, ERP, doküman yönetimi, e-posta, wiki ve farklı veri tabanlarına dağılmış durumdadır.

Bir agent, yetkileri çerçevesinde farklı kaynakları sorgulayıp belirli bir görev için gerekli bilgileri bir araya getirebilir.

Bu kullanımda kaynak gösterimi ve erişim yetkilerinin korunması özellikle önemlidir.

Temsili kurumsal senaryo: Satın alma destek ajanı

Aşağıdaki örnek temsili bir senaryodur; gerçek bir şirket vakası veya ölçülmüş başarı hikâyesi değildir.

Bir üretim şirketinde satın alma uzmanlarının düzenli olarak stok durumunu kontrol ettiğini düşünelim.

Sistem şu şekilde tasarlanabilir:

1. Tetikleyici: ERP sisteminde bir malzeme kritik stok seviyesine düşer.

2. Agent: Malzemenin mevcut stok miktarını ve geçmiş tüketimini inceler.

3. Araç kullanımı: Açık satın alma siparişlerini kontrol eder.

4. Veri toplama: Onaylı tedarikçi listesinden teslim sürelerini ve mevcut sözleşme bilgilerini getirir.

5. Karar desteği: Verileri bir araya getirerek satın alma önerisi oluşturur.

6. İnsan kontrolü: Satın alma uzmanı öneriyi inceler.

7. Eylem: İnsan onayından sonra mevcut satın alma sistemi sipariş sürecini başlatır.

Bu mimaride agent satın alma uzmanının yerine sınırsız karar veren bir sistem değildir. Bilgi toplama ve değerlendirme işinin bir bölümünü üstlenirken ekonomik sonuç doğuran işlemde insan kontrolü korunur.

AI Agent kullanmanın sağlayabileceği faydalar

Doğru süreçlerde agent yaklaşımı birkaç önemli avantaj sağlayabilir.

Sistemler arasındaki manuel geçişleri azaltma

Çalışanın CRM, ERP, doküman sistemi ve e-posta arasında bilgi taşıdığı süreçlerde agent bu kaynakları tek görev içinde kullanabilir.

Yapılandırılmamış veriyi işleyebilme

Klasik otomasyonun zorlandığı e-posta, doküman, serbest metin veya konuşma gibi girdiler dil modelleriyle işlenebilir.

Değişken süreçleri yönetebilme

Her talebin aynı adımları takip etmediği süreçlerde model mevcut duruma göre sonraki aracı veya işlemi seçebilir.

Çalışanlara karar desteği sağlama

Agent tamamen otonom olmak zorunda değildir. Kurumsal uygulamaların önemli bir bölümünde en güvenli tasarım, agentın bilgiyi toplaması ve öneri hazırlaması; nihai kararın insanda kalmasıdır.

Bu faydaların hiçbiri otomatik olarak gerçekleşmez. Sistemin ekonomik değer üretip üretmediği gerçek süreç üzerinde ölçülmelidir.

AI Agent sistemlerinin sınırlamaları ve riskleri

Agentların araç kullanabilmesi onları klasik chatbotlardan daha kullanışlı hale getirirken aynı zamanda risk seviyesini de yükseltir.

Yanlış karar ve halüsinasyon

Dil modelleri yanlış veya desteklenmeyen çıktılar üretebilir.

Bir chatbot yanlış bilgi verdiğinde zarar yalnızca cevapla sınırlı kalabilir. Araç erişimi bulunan bir agent ise yanlış çıkarımdan sonra gerçek bir sistemde işlem yapabilir.

Prompt injection

Agent internetteki bir sayfayı, e-postayı veya şirket dokümanını okurken bu içerikte modele yönelik kötü niyetli talimatlarla karşılaşabilir.

Böyle bir durumda harici içerik ile sistem talimatlarının güven sınırları birbirinden ayrılmalıdır.

Aşırı yetkilendirme

OWASP, LLM tabanlı uygulamalardaki Excessive Agency riskini; sisteme gereğinden fazla fonksiyon, izin veya otonomi verilmesiyle ilişkilendiriyor [8]. Bir ajanın yalnızca belge okuması gerekiyorsa aynı entegrasyon üzerinden belge silme yetkisine sahip olması gereksiz bir risk oluşturur.

Temel ilke şudur:

Agentın erişebildiği sistem ve gerçekleştirebildiği işlem sayısı, görevin gerektirdiği minimum seviyede tutulmalıdır.

Hata zincirleri

Çok adımlı süreçlerde ilk adımdaki yanlış sonuç sonraki adımlara aktarılabilir.

Bu nedenle yalnızca son cevabı değil, ara kararları ve araç çağrılarını da gözlemlemek gerekir.

Deterministik olmama

Aynı veya benzer girdiler her zaman tamamen aynı karar yolunu üretmeyebilir.

Bu özellik yaratıcılık ve esneklik açısından yararlı olabilir; ancak kesin tekrarlanabilirlik isteyen iş süreçlerinde sorun oluşturabilir.

Veri güvenliği ve KVKK

Kurumsal agent projelerinde veri güvenliği sonradan eklenecek bir özellik değildir; mimarinin başlangıç gereksinimlerinden biri olmalıdır.

Kişisel Verileri Koruma Kurumu'nun yapay zekâ alanındaki rehberleri, AI uygulamalarındaki kişisel veri işleme faaliyetlerinin 6698 sayılı Kişisel Verilerin Korunması Kanunu ve ilgili mevzuatla uyumlu olması gerektiğini vurguluyor. Kurum ayrıca üretken yapay zekâ sistemlerinde yaşam döngüsü boyunca gerçekleştirilen kişisel veri işleme faaliyetlerinin değerlendirilmesine yönelik ayrı bir rehber yayımlamış durumda [9][10].

Agent projesinde en az şu sorular cevaplanmalıdır:

• Agent hangi verilere erişiyor?
• Bu erişim görev için gerçekten gerekli mi?
• Kişisel veya özel nitelikli veri bulunuyor mu?
• Veriler hangi hizmet sağlayıcılara aktarılıyor?
• Model sağlayıcısında veri nasıl işleniyor?
• Loglarda hangi bilgiler tutuluyor?
• Veriler ne kadar süre saklanıyor?
• Kullanıcıların mevcut erişim yetkileri agent tarafında da korunuyor mu?
• Hangi işlemler ayrıca insan onayı gerektiriyor?
• Bir güvenlik olayında agentın erişimi nasıl hızlıca durdurulacak?

Burada “AI güvenliği” ile klasik bilgi güvenliğini birbirinden ayırmak yanlış olur. Kimlik doğrulama, rol tabanlı erişim, sır yönetimi, API güvenliği, kayıt tutma ve ağ güvenliği gibi mevcut güvenlik prensipleri agent sistemlerinde de geçerlidir.

Avrupa Birliği AI Act açısından durum

AB Yapay Zekâ Tüzüğü risk temelli bir düzenleme yaklaşımı kullanıyor ve yükümlülükler sistemin kullanım biçimine göre değişiyor.

27 Eylül 2026 itibarıyla özellikle güncel bir nokta, AI Act'in belirli şeffaflık hükümlerinin 2 Ağustos 2026'dan itibaren uygulanmaya başlamış olmasıdır. Avrupa Komisyonu'nun açıklamasına göre belirli etkileşimli AI sistemlerinde kişilerin bir yapay zekâ sistemiyle etkileşim kurduklarının açıkça bildirilmesi gerekiyor [11][12].

Dolayısıyla AB pazarında kullanılan bir agent için “hangi model kullanılıyor?” sorusu tek başına yeterli değildir. Sistemin kullanım amacı, etkilediği kişiler, ürettiği veya aldığı kararlar ve hangi risk kategorisine girdiği ayrıca değerlendirilmelidir.

Mevzuat yükümlülükleri zaman içinde kademeli olarak yürürlüğe girdiği için hukuki değerlendirme projenin tasarım ve üretime geçiş aşamalarında güncel mevzuat üzerinden yapılmalıdır.

AI Agent maliyeti nasıl hesaplanır?

Agent maliyetini yalnızca “token maliyeti” olarak hesaplamak yanıltıcıdır.

Toplam sahip olma maliyeti kabaca şu bileşenlerden oluşur:

Model maliyeti + altyapı + entegrasyon + veri hazırlama + geliştirme + değerlendirme + gözlemleme + güvenlik + bakım

Agent sistemlerinde ayrıca tek kullanıcı talebi birden fazla model çağrısı oluşturabilir.

Örneğin agent:

1. isteği analiz eder,
2. arama yapar,
3. sonucu değerlendirir,
4. başka bir aracı çağırır,
5. çıktıyı doğrular,
6. nihai cevap üretir.

Dolayısıyla işlem başına gerçek maliyet yalnızca son model çıktısından hesaplanmamalıdır.

Maliyet analizinde en az şu metriklerin tutulması yararlıdır:

• görev başına model kullanımı,
• görev başına araç çağrısı,
• ortalama görev süresi,
• başarısız görevlerin yeniden çalışma maliyeti,
• insan müdahalesi oranı,
• kullanılan harici servis maliyetleri,
• gözlemleme ve altyapı giderleri.

Model ve API fiyatları sık değiştiği için bu makalede belirli sağlayıcıların güncel fiyatlarını sabit rakamlarla vermek yerine projenin gerçek kullanım verileri üzerinden maliyet ölçümü yapılması daha sağlıklıdır.

Şirketlerde AI Agent nasıl uygulanmalı?

1. Önce süreci seçin

“Şirkete AI agent kuralım” iyi bir başlangıç noktası değildir.

Bunun yerine:

“Bu süreçte çalışanlar her gün üç sistemden bilgi topluyor ve bu iş ortalama X dakika sürüyor.”

gibi ölçülebilir bir problem tanımlayın.

2. Sürecin mevcut durumunu ölçün

AI uygulanmadan önce:

• işlem süresi,
• işlem hacmi,
• hata oranı,
• insan müdahalesi,
• operasyon maliyeti,
• müşteri bekleme süresi

gibi mevcut metrikleri belirleyin.

Aksi halde agentın gerçekten fayda sağlayıp sağlamadığını ölçmek zorlaşır.

3. En düşük gerekli otonomi seviyesini seçin

Her süreci tam otonom hale getirmeye çalışmayın.

Otonomi seviyesini kabaca şöyle düşünebilirsiniz:

Seviye 1: Yalnızca bilgi getirir.
Seviye 2: Öneri oluşturur.
Seviye 3: İşlem hazırlar, insan onaylar.
Seviye 4: Belirli düşük riskli işlemleri otomatik gerçekleştirir.
Seviye 5: Tanımlı sınırlar içinde çok adımlı görevi bağımsız yürütür.

Risk arttıkça insan kontrolünün önemi de artar.

4. Araçları minimum yetkiyle tanımlayın

Agent yalnızca ihtiyaç duyduğu API ve fonksiyonlara erişmelidir.

Mümkünse:

• salt okunur erişim,
• dar kapsamlı API fonksiyonları,
• işlem limitleri,
• kullanıcı bazlı yetkilendirme,
• hassas işlemlerde onay

kullanılmalıdır.

5. Küçük bir değerlendirme veri seti oluşturun

Gerçek süreçten temsili örnekler seçin.

Bunlar:

• normal talepleri,
• sınır durumlarını,
• hatalı girdileri,
• eksik bilgileri,
• kötü niyetli girdileri,
• aracın hata verdiği senaryoları

kapsamalıdır.

6. İnsan kontrollü pilot başlatın

İlk aşamada agentın doğrudan işlem gerçekleştirmesi yerine öneri üretmesi daha güvenli olabilir.

Çalışanların:

• doğru,
• yanlış,
• eksik,
• riskli

olarak işaretlediği sonuçlar sonraki değerlendirmeler için kullanılabilir.

7. Gözlemlenebilirlik sağlayın

Üretimde yalnızca “agent çalıştı mı?” sorusunu izlemek yeterli değildir.

En azından:

• kullanılan araç,
• araç girdisi,
• araç sonucu,
• hata,
• gecikme,
• model kullanımı,
• insan müdahalesi,
• görev sonucu

gibi bilgiler uygun güvenlik politikaları çerçevesinde gözlemlenebilmelidir.

NIST AI Risk Management Framework ve Generative AI Profile, AI risklerinin sistem yaşam döngüsü boyunca yönetilmesini ve sistemlerin ölçülmesi, değerlendirilmesi ve izlenmesini bütünsel risk yönetiminin parçası olarak ele alıyor [3][4].

AI Agent başarısı nasıl ölçülür?

“Agent cevap verdi” bir başarı metriği değildir.

Gerçek KPI sürecin amacına göre belirlenmelidir.

Örneğin:

Görev başarı oranı: Agent görevi doğru şekilde tamamladı mı?

Doğruluk: Üretilen bilgi kaynaklarla uyumlu mu?

Araç kullanım doğruluğu: Doğru araç, doğru parametrelerle çağrıldı mı?

İnsan müdahalesi oranı: Görevlerin ne kadarında insan devreye girdi?

Yanlış işlem oranı: Agent hatalı veya gereksiz işlem yaptı mı?

Görev süresi: İnsan veya eski sistemle karşılaştırıldığında süre değişti mi?

Görev başına maliyet: Model, altyapı ve servis maliyetleri dahil gerçek maliyet nedir?

İş sonucu: Agent uygulaması sürecin esas KPI'ını iyileştirdi mi?

Son metrik özellikle önemlidir. Teknik olarak başarılı bir agent iş açısından değer üretmeyebilir.

Sık yapılan hatalar

Her probleme agent uygulamak

Sabit kurallarla çözülebilen bir süreçte klasik yazılım veya otomasyon daha ucuz, hızlı ve güvenilir olabilir.

Çok erken multi-agent mimarisine geçmek

Birden fazla agent kullanmak her zaman daha iyi sonuç anlamına gelmez. Daha fazla ajan; daha fazla koordinasyon, gecikme, model çağrısı, hata noktası ve gözlemleme ihtiyacı anlamına gelebilir.

Agent'a geniş sistem yetkileri vermek

Bir agentın tüm CRM'e, tüm dosyalara ve tüm API fonksiyonlarına erişebilmesi kolay geliştirme sağlayabilir; fakat üretimde gereksiz risk oluşturur.

Yalnızca başarılı örneklerle test etmek

Gerçek dünyada eksik, hatalı, belirsiz ve kötü niyetli girdiler bulunur. Değerlendirme seti bunları da içermelidir.

İnsan onayını tamamen kaldırmayı başarı kabul etmek

Bazı süreçlerde en iyi sistem tamamen otonom olan değil, doğru noktada insan kararını isteyen sistemdir.

ROI ölçmeden ölçeklemek

Pilot aşamasında etkileyici görünen bir demo, yüksek işlem hacminde ekonomik olmayabilir. Üretime geçmeden önce gerçek görev maliyeti ve operasyonel kazanım birlikte değerlendirilmelidir.

AI Agent hangi durumlarda kullanılmamalı?

AI agent özellikle şu durumlarda ilk tercih olmayabilir:

• süreç tamamen deterministikse,
• klasik kod veya RPA görevi güvenilir biçimde çözebiliyorsa,
• hata toleransı neredeyse sıfırsa ve yeterli doğrulama mekanizması kurulamıyorsa,
• gerekli verilere hukuka uygun erişim sağlanamıyorsa,
• agentın yaptığı işlemleri izlemek mümkün değilse,
• kritik işlemler için geri alma veya insan onayı bulunmuyorsa,
• problemin ekonomik değeri agent altyapısının maliyetini karşılamıyorsa.

Özellikle para transferi, kritik altyapı kontrolü, hukuki sonuç doğuran kararlar veya kişilerin haklarını ciddi biçimde etkileyebilecek süreçlerde otonomi seviyesi dikkatle sınırlandırılmalıdır.

AI Agent karar kontrol listesi

Bir şirkette agent projesine başlamadan önce aşağıdaki soruların çoğuna net cevap verebilmelisiniz:

• Çözmeye çalıştığımız iş problemi açıkça tanımlandı mı?
• Sürecin mevcut performansını ölçebiliyor muyuz?
• Problem gerçekten doğal dil veya değişken kararlar içeriyor mu?
• Klasik otomasyonla daha basit biçimde çözülemiyor mu?
• Agentın kullanacağı veri kaynakları belli mi?
• Veri erişimi için hukuki dayanak ve şirket politikaları değerlendirildi mi?
• Agentın kullanabileceği araçlar sınırlandırıldı mı?
• Her araç minimum gerekli yetkiye sahip mi?
• Kritik işlemlerde insan onayı var mı?
• Hatalı işlemler geri alınabiliyor mu?
• Prompt injection ve kötü niyetli girdiler test edildi mi?
• Gerçek süreçten oluşturulmuş değerlendirme veri setimiz var mı?
• Görev başarı oranını ölçebiliyor muyuz?
• Agentın işlem geçmişini gözlemleyebiliyor muyuz?
• Görev başına gerçek maliyeti hesaplayabiliyor muyuz?
• Agent kapatıldığında süreç manuel veya alternatif yöntemle devam edebiliyor mu?

Bu soruların önemli bir bölümüne cevap verilemiyorsa sorun çoğu zaman model seçiminden önce süreç ve sistem tasarımındadır.

Sonuç

AI agent, yalnızca daha gelişmiş bir chatbot değildir. Bir yapay zekâ modelinin kurumsal veri kaynakları, yazılım araçları ve kontrollü karar döngüleriyle birleştirilerek gerçek görevleri yürütebildiği bir sistem yaklaşımıdır.

Bu yaklaşım özellikle sürecin her adımının önceden kesin olarak belirlenemediği; bilgi toplama, yorumlama ve farklı sistemlerle etkileşim gerektiren işlerde anlamlıdır.

Bununla birlikte daha fazla otonomi aynı zamanda daha büyük bir hata ve güvenlik yüzeyi oluşturur. Bu nedenle başarılı bir kurumsal agent projesinin temel sorusu “Hangi model en güçlü?” değil, “Bu görevin hangi bölümünü hangi yetkilerle yapay zekâya bırakmak güvenli ve ekonomik?” olmalıdır.

Pratikte en sağlıklı yaklaşım; küçük ve ölçülebilir bir süreçle başlamak, minimum gerekli otonomiyi vermek, araç erişimlerini sınırlandırmak, insan kontrolünü doğru noktalarda korumak ve gerçek kullanım verileri üzerinden sistemi sürekli değerlendirmektir.

Sık Sorulan Sorular

AI Agent nedir?

AI agent; belirli bir hedef doğrultusunda bilgi toplayabilen, yapay zekâ modeliyle sonraki adımı belirleyebilen, gerektiğinde araç veya harici sistem kullanabilen ve çok adımlı görevleri yürütebilen yazılım sistemidir.

AI Agent ile ChatGPT gibi bir chatbot arasındaki fark nedir?

Bir chatbot temel olarak kullanıcı girdisine yanıt üretir. Agent ise görev sırasında veri kaynaklarını sorgulayabilir, araç kullanabilir, sonuçları değerlendirebilir ve gerekli olduğunda sonraki işlemi kendisi seçebilir. Ancak bazı chatbot ürünleri de agent özellikleri içerebildiği için ayrım ürün isminden çok sistemin yetenekleri üzerinden yapılmalıdır.

AI Agent ile RPA arasındaki fark nedir?

RPA genellikle önceden tanımlanmış adımları tekrarlar. AI agent ise doğal dil gibi yapılandırılmamış girdileri yorumlayabilir ve izin verilen sınırlar içinde sonraki adımı dinamik olarak seçebilir. Süreç tamamen sabitse RPA veya klasik otomasyon daha uygun olabilir.

Şirketler AI Agent'ı nerelerde kullanabilir?

Müşteri destek operasyonları, kurumsal bilgi erişimi, satış operasyonları, yazılım geliştirme, BT operasyonları, finansal doküman işleme ve satın alma desteği olası kullanım alanlarıdır. Uygunluk, sürecin riskine ve veri yapısına göre ayrıca değerlendirilmelidir.

AI Agent tamamen otonom olmak zorunda mı?

Hayır. Agent yalnızca bilgi toplayabilir, öneri oluşturabilir veya işlemi hazırlayıp insan onayı isteyebilir. Otonomi seviyesi görevin riskine göre belirlenmelidir.

AI Agent güvenli midir?

Doğru mimari ve kontrollerle riskler azaltılabilir; ancak agent sistemleri hatalı model çıktıları, prompt injection, aşırı yetkilendirme ve veri sızıntısı gibi riskler taşır. Özellikle araç kullanan agentlarda minimum yetki, izleme ve insan onayı önemlidir.

Bir şirkette AI Agent geliştirmek pahalı mıdır?

Maliyet yalnızca kullanılan modelin API ücretinden oluşmaz. Entegrasyon, veri hazırlama, yazılım geliştirme, değerlendirme, gözlemleme, güvenlik ve bakım da toplam maliyetin parçalarıdır. Bu nedenle maliyet gerçek süreç ve işlem hacmi üzerinden hesaplanmalıdır.

Her şirketin AI Agent kullanması gerekir mi?

Hayır. Bir görev sabit kurallarla güvenilir biçimde otomatikleştirilebiliyorsa klasik yazılım veya RPA daha uygun olabilir. Agent teknolojisi özellikle değişken, doğal dil içeren ve birden fazla sistem arasında karar gerektiren süreçlerde değerlendirilmelidir.

Kaynaklar

1. OECD — OECD Digital Economy Outlook 2024: The Future of Artificial Intelligence

Kurum: Organisation for Economic Co-operation and Development (OECD)
Yayın: 2024
URL: https://www.oecd.org/en/publications/oecd-digital-economy-outlook-2024-volume-1_a1689dc5-en/full-report/component-5.html
Kullanım: Güncel OECD AI sistemi tanımı ve AI sistemlerinin farklı otonomi seviyelerinde çalışabileceğine ilişkin kavramsal çerçeve.

2. OECD — Recommendation of the Council on Artificial Intelligence

Kurum: OECD
URL: https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0449
Kullanım: AI sistemi ve AI yaşam döngüsüne ilişkin resmî OECD tanımları.

3. NIST — Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile

Kurum: National Institute of Standards and Technology
Yayın tarihi: 26 Temmuz 2024; NIST sayfası 8 Nisan 2026'da güncellendi
URL: https://www.nist.gov/publications/artificial-intelligence-risk-management-framework-generative-artificial-intelligence
Kullanım: Üretken AI sistemlerinin yaşam döngüsü boyunca risk yönetimi, değerlendirme ve güvenilirlik yaklaşımı.

4. NIST — AI Risk Management Framework

Kurum: National Institute of Standards and Technology
AI RMF 1.0: 26 Ocak 2023; çerçevenin revizyon süreci 2026 itibarıyla devam ediyor
URL: https://www.nist.gov/itl/ai-risk-management-framework
Kullanım: AI risklerinin yönetişim, ölçüm, değerlendirme ve yönetim süreçleriyle ele alınması.

5. OpenAI — Agents SDK

Kurum: OpenAI
Erişim: 27 Eylül 2026
URL: https://developers.openai.com/api/docs/guides/agents/sdk
Kullanım: Agentların araç kullanması, görev yürütmesi, bağlamı koruması ve agent orchestration yapısının teknik özellikleri.

6. OpenAI — Agents

Kurum: OpenAI
Erişim: 27 Eylül 2026
URL: https://developers.openai.com/api/docs/guides/agents
Kullanım: Güncel agent çalışma zamanı seçenekleri, araç entegrasyonları ve agent uygulamalarının teknik mimarisi.

7. Anthropic — Building Effective Agents

Kurum: Anthropic
Yayın tarihi: 19 Aralık 2024
URL: https://www.anthropic.com/engineering/building-effective-agents
Kullanım: Workflow-agent ayrımı, basit mimarilerle başlama yaklaşımı ve agentic sistem tasarım kalıpları.

8. OWASP — LLM06:2025 Excessive Agency

Kurum: OWASP GenAI Security Project
Sürüm: 2025
URL: https://genai.owasp.org/llmrisk/llm062025-excessive-agency/
Kullanım: Agent sistemlerinde aşırı fonksiyon, izin ve otonominin oluşturduğu güvenlik riskleri ve minimum yetki yaklaşımı.

9. Kişisel Verileri Koruma Kurumu — Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi

Kurum: KVKK
Erişim: 27 Eylül 2026
URL: https://www.kvkk.gov.tr/Icerik/8547/uretken-yapay-zeka-ve-kisisel-verilerin-korunmasi-rehberi-15-soruda
Kullanım: Üretken AI sistemlerinin yaşam döngüsü boyunca kişisel veri işleme faaliyetlerinin 6698 sayılı Kanun açısından değerlendirilmesi.

10. Kişisel Verileri Koruma Kurumu — Yapay Zekâ Alanında Kişisel Verilerin Korunmasına Dair Tavsiyeler

Kurum: KVKK
URL: https://www.kvkk.gov.tr/Icerik/7048/Yapay-Zeka-Alaninda-Kisisel-Verilerin-Korunmasina-Dair-Tavsiyeler
Kullanım: Yapay zekâ geliştiricileri, üreticileri, servis sağlayıcıları ve karar alıcıları açısından kişisel verilerin korunmasına ilişkin temel ilkeler.

11. European Commission — Guidelines on Transparency Obligations under the AI Act

Kurum: European Commission
Yayın tarihi: 20 Temmuz 2026; son güncelleme 31 Temmuz 2026
URL: https://digital-strategy.ec.europa.eu/en/library/guidelines-transparency-obligations-providers-and-deployers-ai-systems
Kullanım: AI Act Madde 50 kapsamındaki şeffaflık yükümlülükleri ve 2 Ağustos 2026 uygulama tarihi.

12. European Commission — The Enforcement Framework of the AI Act

Kurum: European Commission
Erişim: 27 Eylül 2026
URL: https://digital-strategy.ec.europa.eu/en/policies/enforcement-ai-act
Kullanım: AI Act hükümlerinin kademeli uygulama takvimi ve 2026–2028 dönemindeki yürürlük tarihleri.