Yapay zekâ ajanı nedir?
Yapay zekâ ajanı (AI agent), bir hedefe ulaşmak için hangi adımı atacağına kendisi karar veren ve bu adımları araçlar aracılığıyla uygulayan bir dil modeli sistemidir. Klasik bir sohbet botu yalnızca yanıt yazar; ajan ise bir kaydı arar, bir belgeyi okur, bir API'yi çağırır, sonucu değerlendirir ve görev bitene kadar bu döngüyü sürdürür. Düşünme ile eylemi aynı döngüde birleştiren yaklaşım ReAct makalesiyle yaygınlaştı; bugün kurumsal ajanların çoğu bu temele dayanır.
Ajanı değerli kılan şey modelin kendisi değil, bağlandığı araçlar ve çevresindeki kontrollerdir. Hangi sisteme hangi yetkiyle erişeceği, hangi eylemden önce insan onayı bekleyeceği, ne zaman duracağı ve her adımın nasıl kaydedileceği baştan tasarlanmazsa ajan üretimde güvenilir çalışmaz. Hatson Tech olarak Ankara'dan, Türkiye genelindeki ve yurt dışındaki şirketler için bu katmanlarla birlikte yapay zekâ ajanı geliştirme hizmeti veriyoruz. Kavramın temellerini yapay zekâ ajanları yazımızda ayrıntılı anlattık.
Ajan mı, sabit iş akışı mı?
Her otomasyon ajan gerektirmez. Adımları önceden bilinen bir süreç, kurallarla veya sabit bir iş akışıyla daha ucuz, daha hızlı ve daha öngörülebilir çalışır. Anthropic'in ajan rehberi de aynı ayrımı yapar: önce en basit çözüm denenmeli, ajan yalnızca gerçekten esneklik gereken yerde kullanılmalıdır. Kararı şu ölçütlerle veriyoruz:
| Durum | Uygun yaklaşım |
|---|---|
| Adımlar her seferinde aynı, girdi yapılandırılmış | Kural tabanlı otomasyon veya sabit iş akışı |
| Adımlar aynı ama bir adımda metin anlamak gerekiyor (sınıflandırma, alan çıkarma) | İş akışı + tek bir LLM adımı |
| Belgelerden kaynaklı yanıt isteniyor, eylem yok | RAG asistanı |
| Hangi adımın atılacağı duruma göre değişiyor ve birden çok sistem kullanılıyor | Yapay zekâ ajanı |
| Görev geri alınamaz sonuçlar doğuruyor (ödeme, silme, müşteriye gönderim) | Ajan + zorunlu insan onayı |
Karar sürecini adım adım ajan mı, sabit iş akışı mı yazımızda anlattık. Çok sayıda ajanın birlikte çalıştığı tasarımların ne zaman gerektiğini de çoklu ajan sistemleri yazımızda ele aldık.
Kurumsal yapay zekâ ajanı kullanım alanları
Ajanların en çok fayda sağladığı işler, birkaç sistem arasında gidip gelen, kararın bağlama göre değiştiği ve bugün bir çalışanın elle yürüttüğü tekrar eden görevlerdir:
- E-posta ve talep triyajı: Gelen talebi okuyup sınıflandırır, ilgili kaydı bulur, yanıt taslağı hazırlar ve doğru ekibe yönlendirir; gönderim insan onayıyla yapılır.
- Belge işleme: Fatura, sipariş ve sözleşme gibi belgelerden alanları çıkarır, ERP kayıtlarıyla karşılaştırır ve tutarsızlıkları işaretler.
- Müşteri destek ajanı: Belgelerden yanıt bulmanın ötesinde sipariş durumu sorgulama, randevu oluşturma veya iade başlatma gibi işlemleri yetkisi dahilinde yapar.
- Veri ve rapor ajanı: Doğal dildeki soruyu yetkili veri kaynaklarına sorguya çevirir, sonucu açıklar ve sorguyu da gösterir.
- İç operasyon ve yazılım ajanları: Olay kayıtlarını özetler, tekrar eden bakım işlerini hazırlar, onaya sunar.
Ajanın bilgiye dayanması gereken durumlarda RAG ve anlamsal arama altyapısını ajanın bir aracı olarak kurarız (agentic RAG). Alan diline özel davranış gerektiğinde LLM ince ayarı devreye girer.
Yapay zekâ ajanını nasıl geliştiriyoruz?
- Keşif: Ajana devredilecek görevi gerçek örneklerle tanımlarız. Bugün bu işi kim, hangi sistemlerle, ne kadar sürede yapıyor; hangi hatanın maliyeti yüksek?
- Araç kataloğu ve yetki: Ajanın kullanacağı araçları dar ve açık tanımlarız; her araç yalnızca gereken yetkiyle çalışır. Ayrıntısı ajan araç seçimi yazımızda. Araç bağlantılarında uygun olduğunda Model Context Protocol (MCP) kullanırız.
- Değerlendirme seti: Kod yazmadan önce gerçek vakalardan bir test kümesi hazırlarız. Ajanın başarısı bu küme üzerinde ölçülür; her değişiklik aynı kümeyle yeniden test edilir.
- Prototip ve güvenlik katmanı: İnsan onayı adımları, maliyet ve adım sınırları, işlem kayıtları ve geri alma yolları prototiple birlikte kurulur, sonradan eklenmez.
- Pilot: Ajan önce sınırlı bir kullanıcı grubu ve düşük riskli işlerle, çoğu zaman yalnızca öneri yapan modda çalışır.
- Üretim ve izleme: Başarı oranı, insan müdahale oranı, görev başına maliyet ve hata türleri panelden izlenir; ajan kademeli olarak daha fazla işi üstlenir.
Güvenlik, kontrol ve KVKK
Ajanların en büyük riski, gereğinden fazla yetkiyle yanlış bir eylemi gerçekleştirmesidir. OWASP, LLM uygulamaları için risk listesinde bu durumu "aşırı yetki" (excessive agency) olarak tanımlar. Ajanlarımızı şu ilkelerle kuruyoruz:
- En az yetki: Her araç yalnızca o görev için gereken veriye ve işleme erişir; yetki kontrolü modelde değil, sunucu tarafında yapılır.
- İnsan onayı: Para, müşteri iletişimi veya kalıcı değişiklik içeren eylemler onaysız çalışmaz. Onay ekranlarını nasıl tasarladığımızı ajan eylemlerinden önce insan onayı yazımızda anlattık.
- Prompt injection savunması: Belgelerden, e-postalardan veya web sayfalarından gelen metin talimat olarak değil veri olarak ele alınır. Bkz. prompt injection yazımız.
- Denetim kaydı: Ajanın her adımı, çağırdığı araç, girdisi ve sonucu kaydedilir; bir hata sonradan izlenebilir.
- Veri yerleşimi: Gerekirse ajan, açık ağırlıklı modellerle tamamen kendi sunucularınızda çalışır. Bu seçeneği kurum içi yapay zekâ çözümleri sayfamızda anlattık. Bulut kullanılacaksa hangi verinin nereye gittiği KVKK açısından baştan belirlenir.
Başarıyı nasıl ölçüyoruz?
"Ajan iyi çalışıyor" demek yeterli değildir. Her projede pilot öncesinde ölçütleri ve hedef değerleri birlikte belirleriz:
| Ölçüt | Ne gösterir? |
|---|---|
| Görev başarı oranı | Ajanın değerlendirme setindeki ve gerçek işlerdeki görevleri doğru tamamlama oranı |
| İnsan müdahale oranı | Kaç görevde onayın reddedildiği veya düzeltme gerektiği |
| Görev başına maliyet | Model, araç ve altyapı maliyeti; bütçe sınırına uyum |
| Tamamlanma süresi | Görevin elle yapılan sürece göre ne kadar hızlandığı |
| Hata türleri | Yanlış araç seçimi, eksik bilgi, döngüye girme gibi hataların dağılımı |
Neden Hatson Tech?
Ajan projelerinin çoğu model işi değil, yazılım mühendisliği işidir: entegrasyonlar, yetki, kuyruklar, kayıt ve izleme. Ekibimiz veri analizi, yapay zekâ mühendisliği ve full-stack geliştirmeyi bir araya getiriyor; modeli tasarlayan ekip, çevresindeki ürünü de teslim ediyor. Üretim sürecindeki pratik dersleri üretimde yapay zekâ ajanları yazımızda paylaştık.