Tüm sektörleri çepeçevre saran yapay zeka furyası, bilhassa üretken yapay zeka uygulamalarının yaygınlaşması, AI agents kavramını hızla yaşantımıza katmış oldu. Buy doğrultuda sektörün önde gelenleri tarafından sıklıkla yapay zeka ajanı açıklamaları yapılırken IBM 2025 yılını “Yapay Zeka Ajanları Yılı” olarak ilan etti. Sosyal yaşantımıza bu ani sıçrayış, ai agents- agentic ai gibi yeni kavramların fütursuzca kullanımı gibi sonuçları da beraberinde getirdi. Bizim için nispeten yeni sayılan bu kavramlar, pek tabii sanıldığı kadar yeni değil. Kural tabanlı sistemlerden (if-then-else) başlayan yapay zeka çalışmaları, büyük dil modelleri ve multi model sistemlerin ortaya çıkışından sonra agentic ai çalışmalarına kapı aralıyor.  

Ajan Nedir?

Ajan (agent) kavramı, bir ana sistemin işlerini yapan, bir amaç doğrultusunda eylem üreten herhangi bir varlık olarak tanımlanıyor. Dolayısıyla bir varlığın ajan olarak kabul edilebilmesi için bir çevrenin bulunması, ajanın bu çevreyi algılayabilmesi ve çevre üzerinde eylem gerçekleştirmesi gerekmektedir. 

Teoride verilen en klasik ajan örneği insandır. İnsan, yaşadığı çevredeki değişiklikleri burun, kulak, göz vb. algılayıcı niteliğindeki diğer duyu organları aracılığıyla alır, otonom olarak karar verir ve el, kol, ayak gibi aktüatör niteliğindeki organları ile verilen karar doğrultusunda çevre üzerinde değişikliğe sebep olur. Yine aynı şekilde, robotik varlıklar üzerinlerindeki çok sayıdaki kamera ile çevreyi algılar, yazılımlarındaki amaç doğrultusunda bir karar verir ve bu karara uygun dışsal eylemi, parçalarını kullanarak yerine getirir. 

Ajan ifadesinden kastın bir temsilci, aracı olduğu kabul edildikten sonra rasyonel ajan ve yapay zeka ajanı gibi kavramlara ve bunların ayırt edici noktalarına odaklanmak gerekecektir.

Rasyonel Ajan Nedir?

Rasyonel ajan, klasik ajanların nispeten dar ve normatif bir türüdür. Burada, yaratılan ajanın eylemlerinin, belirlenen rasyonel bir amaca ulaşması ve beklenen faydayı maksimize etmeye çalışması beklenmekte. 

Bir önceki makalede, yapay zekanın oluşturulma amaçlarına göre kategorize edildiğini anlatmıştık. Bu amaçlar, insan gibi davranış, insan gibi güşünme, rasyonel davranış ve rasyonel düşünme olarak dört gruba ayrılmaktaydı. Günümüz modern yapay zekâ çalışmalarının çoğunda ve yapay zekâ alanında temel eserlerden biri olarak kabul edilen Norvig ve Russell tarafından kaleme alınan Artificial Intelligence: A Modern Approach isimli kitapta rasyonelitenin amaç olarak kabul edildiği görülmektedir. İşte rasyonel ajanlar da tam bu noktadan hareketle geliştirilmeye başlanan yapay zeka teknolojileridir.

IBM tarafından yapılan açıklamada rasyonel ajanlar şöyle tanımlanıyor: “Sınırlı gözetimle, spesifik bir hedefi gerçekleştirilebilen yapay zeka sistemi”. Verilen tanımda en dikkat çekici nokta “spesifik hedef” kavramı. Spesifik hedefle sınırlı olma bahsine vurgu yapan yalnızca IBM değil. Bill Gates de aynı noktaya işaret ederek yapay zeka ajanları belirli bir hedefe yönelik olarak otonom hareket eden gerçek zamanlı verilere uyum sağlayan ve o spesifik hedefe bağlı olarak birden fazla adımlı problemleri çözebilen yapılar olarak tanımlıyor.

Rasyonel ajan modelinin en zayıf  noktası, “rasyonel” kavramının sınırlarının somut olarak belirsiz olmasıdır. Bir yapay zekâ sistemi, ancak kendisine tanımlanan amaç fonksiyonu kadar rasyonel davranabiliyor. Dolayısıyla “iyi çıktı” ifadesinden kastın ne olduğu açık, kapsamlı ve dengeli biçimde belirlenmediği sürece ortaya çıkan sonuç teknik olarak başarılı olsa dahi normatif açıdan sorunlu olabiliyor. Bu duruma verilen çok güzel bir örnek var. Kral Midas hikayesi!

Kral Midas’ın dokunduğu her şeyin altına dönüşmesini istemesi sonucu, tek hedefi yani altın üretimi sınırsız biçimde optimize ediliyor. Elbette dileği kusursuz şekilde yerine getiriliyor ancak yiyeceklerin ve hatta kızının da altına dönüşmesi, hedefin eksik ve dar tanımlandığı sonucunu ortaya çıkarıyor. Benzer biçimde rasyonel ajanlar da kendilerine verilen performans ölçütünü harfiyen optimize ediyorlar. Fakat etik sınırlar, insani değerler ve istenmeyen yan etkiler tasarım aşamasında hesaba katılmamışsa, sistem “yanlış şeyi mükemmel yapma” riskini de beraberinde getiriyor. Bu nedenle rasyonellik, salt teknik bir optimizasyon meselesi değil; değer tercihlerinin ve amaç tanımının dikkatle kurgulanmasını gerektiren normatif bir tasarım problemi olarak kabul ediliyor.

AI Agent (Yapay Zeka Ajanı) Nedir?

Yapay zeka ajanları; belirli bir hedefe ulaşmak adına otonom hareket edebilen, gerçek zamanlı verilere dinamik şekilde uyum sağlayan ve karmaşık problemleri insan müdahalesine gerek duymaksızın çok adımlı stratejilerle çözebilen sistemlerdir.

Tıpkı insan zihninin tek başına dış dünyada değişikliğe sebep olamayıp uzuvlara ihtiyaç duyması gibi, günümüzün çığır açan teknolojisi büyük dil modelleri de yapay zihin tarafından geliştirilen fikirlerin gerçekleştirilmesi için ajanlara, yani temsilci, aracı varlıklara ihtiyaç duyuyor. 

Geleneksel yazılımlar yalnızca sabit kurallara göre çıktı üretirken yapay zeka ajanları makine öğrenmesi, derin öğrenme veya sembolik akıl yürütme gibi teknikler kullanarak önceki deneyimlerinden öğrenebilir, belirsizlik altında karar verebilir ve performanslarını zamanla iyileştirebilirler. Bu noktada, otonomi ve önceden tanımlanmamış durumlarda rasyonel davranış yeteneğinin belirleyici olduğu söylenebilmektedir. 

Yapay Zeka Ajanları Nasıl Çalışır?

Yapay zeka ajanları, closed-loop yani kapalı döngü içerisinde çalışmakta. Bu kavram, bir yapay zeka sisteminin, kendi kararlarının sonuçlarını takip edip bu sonuçlara göre yeni kararlarını şekillendirdiği, dışarıdan (yani insandan) onay beklemeden kendi kendini yönettiği bir “otonomi döngüsü” olarak tanımlanıyor. Dolayısıyla bu sistemlerde süreç, yalnızca “girdi → çıktı” olarak ilerlemeyip, her çıktı sensörler aracılığıyla yeniden sisteme girdi olarak dönüyor.

Klasik bir yapay zekâ modeline “Bana sağlıklı beslenme hakkında bilgi ver” denildiğinde, model eğitim sürecinde öğrendiği istatistiksel dil örüntülerine dayanarak girdi metnini tokenlere ayırır ve bağlama göre ortaya çıkma olasılığı en yüksek tokenleri ardışık biçimde tahmin ederek açıklayıcı bir metin üretir ve görevini tamamlar. Yeni bir komut gelene kadar pasif şekilde bekler.

Ancak bir yapay zekâ ajanına “Önümüzdeki üç ay içinde kondisyonumu artırmam için uygulanabilir bir plan oluştur ve süreci takip et” denildiğinde, süreç yalnızca metin üretimiyle sınırlı kalmıyor. Yapay zeka ajanı önce hedefi analiz ediyor, amaca ulaşması için gereken verileri topluyor, ardından bu hedefi uygulanabilir alt adımlara bölerek bir plan oluşturuyor. Plan uygulanmaya başladıktan sonra ise süreci izleyerek elde edilen çıktıları değerlendiriyor. Dolayısıyla yapay zekâ ajanları yalnızca bilgi üreten sistemler değil, hedef doğrultusunda planlama yapan, karar veren ve süreci yöneten otonom yapılardır.

Adım 1: Algılama, Veri Entegrasyonu
Yapay zeka ajanlarının çalışma sürecinde ilk ve en kritik adım, algılama ve veri entegrasyonu adımıdır. Bu aşamada yapay zeka ajanı tarafından sorulan temel soru şudur: “Belirlenen hedefi gerçekleştirebilmem için hangi veriler gerekli?” Önceki örnekte görüldüğü gibi üç aylık bir kondisyon artışı hedefi verilen yapay zeka ajanının, kullanıcının mevcut fiziksel durumu, zaman planlaması, sağlık verileri, beslenme programı ve performans geçmişi gibi bilgileri analiz etmeden rasyonel bir plan oluşturması beklenemeyecektir.

Veri toplama sürecinde, ajanın faaliyet gösterdiği bağlam ve yöneldiği rasyonel amaca göre farklı kaynaklardan beslenme söz konusu olmakta. Fiziksel dünyada konumlanan otonom sistemler için bu kaynaklar; kamera, mikrofon, radar veya diğer sensörler aracılığıyla elde edilen veriler gibi çevresel veriler oluyor. Dijital ortamda çalışan yazılım tabanlı ajanlar ise web siteleri, veritabanları, API bağlantıları, takvim uygulamaları, sosyal medya akışları, CRM sistemlerinin verileri veya giyilebilir teknolojilerden gelen ölçüm verileri gibi çeşitli dijital kaynaklardan yararlanmakta. Tabi gelişmiş bir sistemde hem dijital hem fiziksel ortamlardan gelen verilerin kullanımı pek tabii mümkün. Bu noktada önemli olan, verinin yalnızca toplanması değil, aynı zamanda anlamlı bir bağlama yerleştirilerek entegre edilmesi.

Mevcut verilerle belirlenen rasyonel amaca ulaşılması mümkün olmayabiliyor. Böyle bir durumda, çeşitli kaynaklardan ek verinin talep edilmesi gündeme gelebilir. Dikkat edilen bir diğer husus, elde edilen verinin kalitesi. Pratikte, sayılan tüm kaynaklardan elde edilen veriler kullanım açısından elverişli olamayabiliyor. Dolayısıyla mevzubahis verilerin temizlenmesi, normalizasyon yani farklı ölçekteki verilerin ortak bir aralığa getirilmesi yahut gürültü giderme gibi işlemlerin uygulanması gündeme geliyor.

Adım 2: Bellek ve Bilgi Temsili

Yapay zeka ajanları, yalnızca anlık verilerle çalışmak yerine, önceki verileri farklı süreler boyunca saklayabildiği bellek mimarisi sayesinde kapsamlı bir veri kataloğu ile çıktı üretiyor. Diğer bir ifadeyle, bir yapay zekâ ajanı önceden belirlenen rasyonel amaca yönelik işlemler yaparken tek tip ve anlık hafıza değil, birden fazla katmanlı bellekte tutulan çeşitli verileri kullanmakta. Kısa süreli tutulacak bilgiler kısa süreli bellekte, uzun süreli tutulacak veriler uzun süreli bellekte, o anki değişken çevre koşulları veya bağlamı anlamaya yarayan veriler ise durumsal farkındalık belleğinde depolanmaktadır.

Örneğin, bir dijital seyahat asistanı olan yapay zekâ ajanı aracılığıyla seyahat planlanacak. Kullanıcı “Haziran ayında Roma’ya 5 günlük, 1.500 Euro bütçeli bir seyahat planla” dediğinde, ajan bu tarih ve bütçe bilgilerini görevi yürütmek için kısa süreli belleğinde tutuyor. Daha önce kullanıcının hangi otelleri tercih ettiğini veya erken saatli uçuşları tercih etmediğini öğrenmişse, bu bilgileri uzun süreli belleğinden hatırlayarak planlamaya dâhil ediyor. Aynı anda güncel döviz kuru, sezon yoğunluğu veya etkinlik takvimi gibi değişkenler de durumsal farkındalık kapsamında değerlendiriliyor ve karar sürecine etki ediyor. Böylece ajan, yalnızca anlık komuta tepki veren bir sistem değil; geçmişi hatırlayan, mevcut bağlamı analiz eden ve görevi bu çok katmanlı bellek yapısıyla yöneten bir mimari ortaya koymuş oluyor.

Adım 3: Planlama ve Karar verme

Planlama ve karar verme aşaması, yapay zekâ ajanının topladığı veriyi anlamlı ve uygulanabilir bir stratejiye dönüştürdüğü adımdır. Algılama aşamasında elde edilen bilgiler, ajanın karar mekanizmasına (çoğu zaman bir Büyük Dil Modeline (LLM)) aktarılır ve burada analiz edilir. Ancak ajan, geniş ve soyut bir hedefi doğrudan tek bir çıktı ile karşılamaz; bunun yerine uzun vadeli amacı daha küçük, yönetilebilir ve ölçülebilir alt hedeflere böler.

Örneğin “üç ay içinde kondisyon artırma” hedefi; haftalık egzersiz planlarının oluşturulması, beslenme düzeninin belirlenmesi, dinlenme günlerinin planlanması ve ilerlemenin hangi ölçütlerle değerlendirileceğinin tespiti gibi somut adımlara ayrılır. Bu aşama, ajanın yalnızca bilgi işleyen bir sistem olmadığını; strateji geliştiren, önceliklendirme yapan ve hedefe ulaşmak için rasyonel kararlar alan bir yapı sergilediğini ortaya koymaktadır.

Bunun yanı sıra, oluşturduğu plana rağmen iki hafta sonra performans düşerse, planı aynen sürdürmez. “Yoğunluk fazla geldi” ya da “İlerleme yavaş” gibi değerlendirmeler yaparak programı optimize eder. Amaç, belirlenen performans kriterini (burada kondisyon artışını) en verimli biçimde maksimize etmektir.

Adım 4: Geri Bildirim ve Adaptasyon (Feeedback Loop)

Agentic AI süreç boyunca geri bildirim alır, hataları tolere eder, yeni koşullara göre strateji değiştirir. Sabit bir çıktı üretmek yerine, dinamik bir süreç yönetir.

Belirtmek gerekir ki, bir yapay zeka ajanı, belirlenen rasyonel amaca giden eylemlerinde araçlar (tools) kullanır. API entegrasyonları, MCP (model context protocol) ve diğer agent frameworkleri kullanılan araçlara erişimi sağlayan yollardır. Bu husus, yapay zeka ajanını “statik bir chatbot”tan ayıran en önemli kısımdır.

Agentic AI Nedir?

Agentic AI, ai agentların orkestrasyonuyla çalışan gelişmiş bir yapay zeka ajan sistemi olarak tanımlanabilir. Bugünkü Büyük Dil Modelleri (LLM’ler) aslında tek parça, yani monolitik bir yapıda çalışıyor. Siz istemi (prompt’u) uzattıkça, modele yüklediğiniz veri miktarı arttıkça, sistemin dikkat mekanizması dağılmaya başlıyor. Token sayısı yükseldikçe odak kaybı yaşanıyor. Bu da bazen bağlamın karışmasına, modelin tutarlı görünmek için olmayan bilgileri üretmesine diğer bir ifadeyle halüsinasyon görmesine yol açabiliyor.

Özellikle karmaşık ve çok adımlı görevlerde bu teknik sınırlar daha görünür hale geliyor. İşte tam bu noktada “ajanlara bölme” fikri devreye giriyor. Devasa bir görevi tek bir modele yaptırmak yerine, işi küçük ve uzmanlaşmış ajanlara paylaştırıyoruz. Her biri kendi sınırlı bağlamında çalıştığı için hata ihtimali azalıyor, kontrol artıyor.

Şimdi bir adım ileri gidelim. Asıl heyecan verici kısım burada başlıyor. Gelecekte mesele sadece birden fazla ajan kullanmak değil; bu ajanları uyum içinde çalıştıracak bir orkestrasyon katmanı kurmak olacak. Düşünün ki siz sadece hedefi söylüyorsunuz. Sistem ise “Bu hedef için hangi uzman ajanlara ihtiyacım var?” diye analiz yapıyor, görev dağılımı yapıyor ve aralarındaki bilgi akışını yönetiyor. Bir nevi dijital bir orkestra şefi gibi çalışıyor. Hatta bir “yönetici ajan”, altındaki “çalışan ajanların” ürettiği çıktıları denetleyebiliyor; eğer mantık hatası ya da halüsinasyon varsa görevi geri gönderip düzelttirebiliyor.

Böyle bir yapı artık tek seferlik çıktı üreten bir yazılım değil; kendi kendini kontrol eden, geri bildirimle çalışan, kapalı döngü bir ekosistem anlamına geliyor. Yani Agentic AI, sadece daha gelişmiş bir model değil; görev alan, plan yapan, denetleyen ve gerektiğinde strateji değiştiren bir yapay zekâ organizmasının mimarisi. Kısacası, yapay zekânın “cevap veren sistem”den “iş yapan aktör”e evrilmesi diyebiliriz.