YAPAY ZEKA AJANLARI (AI AGENTS) NEDİR, NASIL ÇALIŞIR?

Yapay zeka ajanı, bir hedefi alıp o hedefe ulaşmak için kendi adımlarını planlayan, araç kullanan ve sonucu değerlendiren yazılımdır. Kavram 2026'nın en çok konuşulan teknoloji başlığı oldu, ama aynı hızda içi de boşaldı: piyasada ajan diye pazarlanan ürünlerin önemli bölümü aslında basit otomasyon. Aşağıda ajanı sohbet botundan ve klasik otomasyondan ayıran teknik farkı, mimarinin parçalarını, MCP'nin neden ortak altyapı haline geldiğini, ölçülmüş kurumsal benimseme verilerini ve dürüst sınırları ele alıyoruz. Doğrulanamayan popüler istatistikler bilinçli olarak dışarıda bırakıldı.

Yapay Zeka Ajanı Nedir? Sohbet Botundan Ayıran Üç Şey

Sohbet botu bir soruya yanıt üretir ve orada durur; ajan bir hedefi alır ve hedefe varana kadar çalışır. Üç yapısal fark vardır. Birincisi otonomi: ajan, hangi adımın atılacağına kendisi karar verir, her adım için kullanıcıdan talimat beklemez. İkincisi araç kullanımı: ajan dış sistemlerle etkileşime girer, yani arama yapar, dosya okur, kod çalıştırır, API çağırır ve veri yazar; yalnızca metin üretmez, eylemde bulunur. Üçüncüsü geri besleme döngüsü: ajan yaptığı işin sonucunu görür, hatayı fark eder ve planını buna göre düzeltir. Söz konusu üçlü olmadan bir ürüne ajan demek, kavramı boşaltmaktan başka işe yaramaz. Yapay zekanın genel çalışma mantığını yapay zeka nedir yazımızda ele aldık; buradaki fark, modelin yanıt üreten bir kutu olmaktan çıkıp bir sistemin karar veren parçası haline gelmesidir.

İş Akışı mı Ajan mı? Anthropic'in Mimari Ayrımı

Alandaki en kullanışlı ayrımı Anthropic yapıyor ve bu ayrım pratikte çoğu kararı çözüyor. Building effective agents yazısına göre iş akışları, dil modellerinin ve araçların önceden tanımlanmış kod yollarıyla orkestre edildiği sistemlerdir; ajanlar ise dil modellerinin kendi süreçlerini ve araç kullanımını dinamik olarak yönettiği, görevi nasıl tamamlayacağı üzerindeki kontrolü elinde tuttuğu sistemlerdir. Fark şurada somutlaşır: iş akışında yolu siz çizersiniz, ajanda yolu model seçer. Aynı kaynak beş yaygın iş akışı deseni sıralar: istem zincirleme, yönlendirme, paralelleştirme, orkestratör ile çalışanlar ve değerlendirici ile iyileştirici. Pratik sonuç şudur: problemi önceden haritalayabiliyorsanız iş akışı daha ucuz, daha hızlı ve daha öngörülebilirdir; yol gerçekten belirsizse ajan gerekir. Çoğu işletme, ajana ihtiyacı olduğunu sanırken aslında iyi tasarlanmış bir iş akışına ihtiyaç duyar.

Klasik Otomasyon (RPA) ile Ajan Arasındaki Fark

RPA yıllardır fatura işleme ve veri girişi gibi işleri yapıyor, dolayısıyla haklı bir soru geliyor: ajan yeni bir isim mi? Fark kural ile karar arasındadır. RPA, önceden yazılmış katı kurallara göre çalışır; ekrandaki alan yer değiştirdiğinde ya da beklenmeyen bir durum çıktığında kırılır. Ajan ise değişen duruma uyum sağlar, alternatif yol dener ve kısmi bilgiyle karar verir. Karşılığında ödediğiniz bedel öngörülebilirliktir: RPA aynı girdiye her zaman aynı çıktıyı verir, ajan vermeyebilir. İkisi bu yüzden rakip değil, farklı problem sınıflarının çözümüdür. Yüksek hacimli, kuralları net ve hata toleransı düşük işlerde RPA hâlâ doğru araçtır. Girdinin biçimsiz olduğu, yargı gerektiren ve istisnaların kural kadar sık olduğu işlerde ajan öne çıkar. En verimli kurulumlar çoğu zaman ikisini birleştirir: kararı ajan verir, tekrarlayan adımı RPA uygular.

Ajan Mimarisi: Model, Araçlar, Bellek, Planlama

Bir ajanın içinde dört parça bulunur. Çekirdekte dil modeli vardır ve akıl yürütme ile karar burada gerçekleşir. Araç katmanı ajanın dış dünyaya uzanan elidir: arama, dosya sistemi, veritabanı, API çağrıları ve kod çalıştırma. Bellek katmanı iki türlüdür; kısa vadeli bellek o anki görevin bağlamını taşır, uzun vadeli bellek önceki işlerden öğrenilenleri saklar. Planlama katmanı görevi alt adımlara böler ve sırayı belirler. Beşinci ve en çok atlanan parça doğrulamadır: ajanın kendi çıktısını kontrol eden, hatayı yakalayan ve gerekirse yeniden deneyen mekanizma. Anthropic'in tarifiyle ajanlar işe kullanıcıdan gelen bir komutla başlar, görev netleştiğinde bağımsız olarak planlar ve çalışır, gerektiğinde ek bilgi ya da karar için insana döner. Kritik tasarım kararı da tam burada: ajanın hangi noktalarda insana döneceğini baştan tanımlamak, sistemin güvenilirliğini belirleyen şeydir.

MCP: Ajanların Ortak Altyapısı Nasıl Oluştu?

Her ajanın her araca ayrı ayrı bağlanması ölçeklenmeyen bir problemdi ve çözüm bir protokolde bulundu. Anthropic'in Kasım 2024'te duyurduğu Model Context Protocol (MCP), veri kaynakları ile yapay zeka araçları arasında güvenli ve çift yönlü bağlantı kurmayı sağlayan açık bir standart olarak tanımlandı. Resmi dokümantasyon protokolü yapay zeka uygulamaları için bir USB-C portu benzetmesiyle anlatıyor; mimari host, istemci ve sunucu katılımcılarından oluşuyor, veri katmanı JSON-RPC üzerine kurulu ve sunucu tarafında araçlar, kaynaklar ile istemler olmak üzere üç temel yetenek sunuluyor. Standardın asıl önemi benimsenme hızında: MCP, Aralık 2025'te Linux Foundation altındaki Agentic AI Foundation'a bağışlandı ve kurucular arasında Anthropic'in yanında Block ile OpenAI yer aldı, destekleyenler arasında Google, Microsoft ve AWS sayıldı. Google'ın ajanlar arası iletişim için geliştirdiği A2A protokolü de Haziran 2025'te Linux Foundation'a devredildi. Yani ajan ekosistemi tek bir şirketin kapalı standardına değil, ortak protokollere doğru gidiyor.

Ajanlar 2026'da Gerçekte Nerede Çalışıyor?

Vaatleri bir yana bırakıp fiilen üretimde çalışan alanlara bakmak gerekiyor. En olgun alan yazılım geliştirmedir: GitHub'ın Octoverse 2025 raporuna göre Mayıs ile Eylül 2025 arasında kodlama ajanları tarafından bir milyondan fazla pull request oluşturuldu. İkinci alan araştırma ve sentez: çok kaynaklı bilgi toplama, karşılaştırma ve rapor üretme işleri ajan mimarisine iyi oturuyor. Üçüncüsü müşteri desteğinin belirli katmanları, özellikle bilgi tabanında yanıtı olan ama birden çok sistemi sorgulamayı gerektiren talepler. Dördüncüsü veri işleme ve raporlama, beşincisi ise pazarlama tarafında içerik üretim hattı ve kampanya operasyonu. Ortak nokta şu: ajanlar, adımları belirsiz ama sonucu doğrulanabilir işlerde işe yarıyor. Sonucun doğruluğunu kontrol edemediğiniz bir işte ajan kullanmak, hatayı görünmez kılmaktan başka sonuç vermez.

Kurumsal Benimseme: Ölçüm ile Tahmini Ayırmak

Rakamlarla ilgili dikkatli olmak gerekiyor, çünkü alanda ölçülmüş veri ile pazarlama tahmini iç içe geçmiş durumda. Ölçülmüş tarafta McKinsey'nin 2025 State of AI anketi duruyor: 105 ülkeden yaklaşık iki bin katılımcıya dayanan çalışmaya göre kuruluşların yüzde 23'ü en az bir fonksiyonda ajan sistemini ölçeklendiriyor, yüzde 39'u denemeye başlamış durumda. Deloitte'un öngörüsü ise tahmin niteliğinde: üretken yapay zeka kullanan şirketlerin dörtte birinin 2025'te ajan pilotu başlatacağı, oranın 2027'de yarıya çıkacağı belirtiliyor. Burada bir uyarı şart: internette yaygın biçimde dolaşan ve üretken yapay zeka pilotlarının yüzde 95'inin başarısız olduğunu söyleyen iddia, hakem denetiminden geçmemiş ve kaynağı doğrulanamayan bir çalışmaya dayanıyor, bu yüzden burada kullanılmıyor. Aynı şekilde belirli satıcıların kendi ürünleri için açıkladığı çözüm oranları bağımsız denetimden geçmediği için aktarılmıyor. Karar verirken satıcı beyanı ile anket verisini ayırt etmek, bu alanda en değerli beceridir.

Gartner'ın İptal Tahmini ve Arkasındaki Gerekçe

Alandaki en dikkat çekici uyarı Gartner'dan geldi. Şirketin 25 Haziran 2025 tarihli basın bülteninde, ajan projelerinin yüzde 40'tan fazlasının 2027 sonuna kadar iptal edileceği öngörülüyor; gerekçe olarak artan maliyetler, belirsiz iş değeri ve yetersiz risk kontrolleri sayılıyor. Aynı bültende projelerin çoğunun heyecanla yönlendirilen erken aşama deneyler olduğu değerlendirmesi yapılıyor ve öngörü, ajan yatırımı yapan üç binden fazla kuruluşun katıldığı bir ankete dayandırılıyor. Tahminin kendisi bir kehanet değil, bir uyarı olarak okunmalı: iptal edilen projelerin ortak özelliği teknolojinin yetersizliği değil, iş probleminin baştan net tanımlanmamış olması. Pratik çıkarım şu: ajan projesine başlarken hangi metriğin ne kadar iyileşeceğini önceden yazın. Ölçülebilir bir hedefi olmayan pilot, altı ay sonra iptal listesine girmeye adaydır.

Agent Washing: Ajan Diye Satılanı Ayırt Etmek

Gartner aynı bültende sektöre bir isim de verdi: agent washing, yani mevcut ürünlerin (asistanlar, RPA araçları, sohbet botları) esaslı bir ajan yeteneği olmadan yeniden markalanması. Şirketin tahmini çarpıcı: ajan çözümü iddiasındaki binlerce satıcıdan yalnızca yaklaşık yüz otuzunun gerçek ajan yeteneği sunduğu değerlendiriliyor. Ayırt etmek için satıcıya sorulacak sorular şunlar: ürün kendi adım planını mı üretiyor, yoksa adımları biz mi tanımlıyoruz? Hangi araçlara erişebiliyor ve yeni bir araç eklemek kod gerektiriyor mu? Başarısız bir adımda ne oluyor, yeniden deniyor mu yoksa duruyor mu? Ne zaman insana dönüyor ve bu eşiği kim belirliyor? Yaptığı işin kaydını nasıl tutuyor? Yanıtlar "önceden tanımlı senaryolar" etrafında dönüyorsa elinizdeki ürün bir iş akışıdır. Kötü bir şey değildir, ama ajan fiyatına iş akışı almak kötüdür.

Gerçek Sınırlar: Hata Birikimi ve Maliyet

Ajanların en ciddi teknik sorunu hata birikimidir. Bir ajan çok adımlı çalıştığı için her adımdaki küçük hata bir sonrakine taşınır ve yol boyunca büyür. Anthropic'in üretim deneyimini anlattığı çok ajanlı sistem yazısında durum açıkça ifade ediliyor: küçük sistem hataları ajanlar için felaket olabilir ve tek bir adımın başarısız olması ajanın tamamen farklı yörüngeler izlemesine yol açabilir. Aynı kaynak maliyet tarafını da veriyor: ajanlar sohbet etkileşimlerine kıyasla yaklaşık dört kat, çok ajanlı sistemler ise yaklaşık on beş kat token tüketiyor. Yani ajan mimarisi bedava bir yükseltme değil, ciddi bir maliyet kalemi. Anthropic'in önerdiği önlemler nettir: sandbox ortamda kapsamlı test, uygun koruma bariyerleri, maksimum iterasyon gibi durdurma koşulları ve kontrol noktalarında insan geri bildirimi. Prototipin çalışması üretimde çalışacağı anlamına gelmiyor; iki aşama arasındaki fark beklenenden geniş.

Güvenlik: Prompt Injection ve Yetkilendirme

Ajanlara özgü en kritik güvenlik açığı istem enjeksiyonudur (prompt injection) ve OWASP'ın büyük dil modeli riskleri listesinde birinci sırada yer alır. Sorun şudur: ajan dış içerik okuduğunda (web sayfası, e-posta, belge), o içeriğin içine gizlenmiş talimatlar modeli yönlendirebilir. Bir ajan sizin adınıza web'de gezerken kötü niyetli bir sayfadaki gizli komutu talimat sanabilir ve veri sızdırmaya ya da istenmeyen bir işlem yapmaya yönelebilir. Risk, ajanın yetkisi büyüdükçe büyür: yalnızca okuyan bir ajanla, e-posta gönderebilen ya da ödeme yapabilen bir ajan aynı risk sınıfında değildir. Pratik önlemler şunlar: en az yetki ilkesi, yani ajana yalnızca işini yapacak kadar izin vermek; geri döndürülemez eylemlerde insan onayı; ajanın eriştiği veri ile yaptığı eylemi ayrı ayrı loglamak; ve dış içeriği veri olarak işaretleyip talimat olarak yorumlanmasını engellemek. Siber güvenlik tarafındaki genel çerçeveyi siber saldırı türleri yazımızda ele aldık.

Bir İşletme Ajanla Nereden Başlar?

Doğru başlangıç, en heyecan verici kullanım alanı değil, en ölçülebilir olanıdır. Adımlar şöyle kurulur. Önce tekrar eden, zaman yiyen ve sonucu doğrulanabilir bir görev seçin; doğrulanamayan bir işte ajanın hatasını fark edemezsiniz. Sonra o görevi bir iş akışıyla çözüp çözemeyeceğinize bakın, çünkü çözebiliyorsanız ajana gerek yok ve iş akışı hem ucuz hem öngörülebilirdir. Ajan gerekiyorsa kapsamı dar tutun, tek bir görevle başlayın ve ajana verdiğiniz yetkiyi minimumda tutun. Baştan üç şeyi tanımlayın: başarı metriği, durdurma koşulu ve insanın devreye gireceği noktalar. Pilotun süresini ve bütçesini önceden sınırlayın. Son olarak kaydı tutun: ajanın hangi adımı neden attığını göremiyorsanız, sistemi ne iyileştirebilir ne de savunabilirsiniz. Ölçemediğiniz bir pilotu altı ay sonra sonlandırmak zorunda kalırsınız.

Türkiye'de Ajan Kullanan Şirket Neye Bakmalı?

Türkiye'de yapay zeka ajanlarını doğrudan düzenleyen özel bir kanun bulunmuyor, dolayısıyla çerçeveyi mevcut mevzuat çiziyor. Kişisel veri işleyen bir ajan kurduğunuzda Kişisel Verilerin Korunması Kanunu devreye girer ve Kurum'un üretken yapay zeka ve kişisel verilerin korunması rehberi pratik bir başlangıç noktası sunar. Dikkat edilecek noktalar şunlar: ajanın hangi veriye eriştiğini ve nereye gönderdiğini belgelemek, yurt dışındaki bir modele veri aktarılıyorsa aktarım şartlarını değerlendirmek, otomatik karar üretilen süreçlerde insan denetimi bırakmak ve saklama süresini tanımlamak. Avrupa pazarına hizmet veriyorsanız AB Yapay Zeka Tüzüğü'nün kademeli takvimi de sizi ilgilendirir; yükümlülükler risk sınıfına göre değişir. Buradaki çerçeve genel bilgidir ve hukuki görüş yerine geçmez; kişisel veri yoğun bir ajan projesinde hukuk danışmanınızla çalışın.

Ajanlar Nereye Gidiyor? Abartısız Bir Değerlendirme

İki uç da yanlış: ajanların her işi devralacağı iddiası da tümüyle balon olduğu iddiası da veriye uymuyor. Ölçülen gerçek şu: kodlama gibi sonucu test edilebilen alanlarda ajanlar üretimde ciddi hacim üretiyor, buna karşılık kurumsal projelerin önemli bir kısmı belirsiz iş değeri yüzünden iptal ediliyor. Yön olarak üç eğilim görünüyor. Birincisi standartlaşma: MCP ve A2A gibi protokollerin bağımsız vakıflara devredilmesi, ekosistemin tek satıcıya kilitlenmemesi anlamına geliyor. İkincisi maliyet bilinci: token tüketimi ajanları ucuz bir eklenti olmaktan çıkarıyor ve mimari kararlar ekonomik kararlara dönüşüyor. Üçüncüsü insan denetiminin kalıcılığı: sektörün ağırlıklı önerisi tam otonomi değil, döngüde ya da döngü üstünde insan. Kendi işiniz için doğru soru "ajan kullanmalı mıyım" değil, "hangi görevimde adımlar belirsiz ama sonuç doğrulanabilir" sorusudur. Yanıtı olan bir göreviniz varsa ajan mantıklıdır, yoksa beklemek de meşru bir karardır.