ChatGPT Sizi Beklemeyi Bıraktığında: Agentic AI Nasıl Çalışır?

ChatGPT’ye bir iş verdiğinizde ne oluyor? Cevabı ekrana basıyor ve duruyor. Sizden, yani “insan yöneticisinden” bir sonraki komutu bekliyor. Peki ya beklemeseydi? Siz uyurken internette araştırmayı yapıp, bulguları doğrulayıp, Excel tablosunu hazırlayıp sabah 08:00’de patronunuza e-posta atsaydı?

İşte yapay zeka devriminin asıl koptuğu “ikinci perde” tam olarak burada başlıyor.

Şu an sektördeki tüm devlerin (OpenAI, Anthropic, Google) yatırım yaptığı yegane bir odak var: Agentic AI (Ajanik Yapay Zeka). Bu yazıda, yapay zekayı pasif bir kütüphaneciden, inisiyatif alan karar verici bir “beyaz yakalı ordusuna” dönüştüren bu mimarinin kaputunun altına gireceğiz.

Usta Aşçıdan Restoran Müdürüne Geçiş

Büyük Dil Modellerinin (LLM) mevcut sınırlarını anlamak için basit bir metafor kullanalım.

Geleneksel ChatGPT mutfaktaki dünyaca ünlü, inanılmaz yetenekli bir “Usta Aşçı”dır. Ona malzemeyi (prompt) ve tarifi verirsiniz, size harika bir yemek (metin/kod) çıkarır. Ancak bu aşçının devasa bir kusuru vardır: Eli kolu yoktur ve mutfaktan dışarı adım atamaz. Domates bittiğinde “Domates bitti, toptancıyı arayayım” diyemez. Olduğu yerde durup sizin domates getirmenizi bekler.

Agentic AI (Otonom Ajan) ise bir “Restoran Müdürü”dür.

Müdür, mutfaktaki o aşçıyı (LLM) bir “beyin” olarak kullanır ama etrafına sistemler inşa eder. Kasaya bakar (Hafıza), eksik malzemeyi fark eder (Gözlem), toptancıyı arar (Araç kullanımı/API) ve yarınki menüyü planlar (Planlama).

Agentic AI tek, devasa, yeni bir yapay zeka modeli değildir. Mevcut zeki modellerin (GPT-4, Claude 3.5) etrafına örülen hafıza, planlama ve alet kullanabilme iskeletidir. Silikon Vadisi’nin bu konsepte olan inancı o kadar büyük ki, 2025/2026 Y-Combinator kuluçka merkezindeki yeni girişimlerin %60’ından fazlası tamamen “Agentic Workflows” (Ajanik İş Akışları) üzerine kuruluyor.

ReAct Mimarisi: Yapay Zekaya “Düşünmeyi” Öğretmek

Peki bir metin üreticisi nasıl karar vericiye dönüşür? Bunun teknik cevabı, 2023 yılında Princeton Üniversitesi ve Google araştırmacılarının yayınladığı çığır açıcı bir makalede gizli: ReAct (Reasoning and Acting).

Eskiden modellere bir soru sorardık ve model doğrudan cevabı tahmin etmeye çalışırdı. ReAct mimarisi ise yapay zekayı bir döngüye soktu: Düşün (Thought) -> Eylem Yap (Action) -> Gözlemle (Observation) -> Tekrar Düşün.

Bunu Iron Man filmlerindeki J.A.R.V.I.S gibi düşünebilirsiniz. Tony Stark “Zırhı uçuşa hazırla” dediğinde sistem şu adımları izler:

1. Düşünce: Kullanıcı uçmak istiyor. Önce dışarıdaki hava durumunu ve basıncı kontrol etmeliyim.
2. Eylem: Hava durumu API’ını çağır (Tool Use).
3. Gözlem: API verisi geldi. Dışarıda fırtına var.
4. Düşünce: Fırtına varsa basınç sensörlerini %20 artırmalıyım.
5. Eylem: Sistem ayarlarını güncelle.

ReAct makalesinin yayınlanan sayısal sonuçlarına göre, bu mimari yapay zekanın “halüsinasyon görme” (uydurma) oranını dramatik şekilde düşürüyor ve görev tamamlama başarı oranını %34 artırıyor. Neden? Çünkü model artık bilmediği bir şeyi uydurmak yerine, araştırma yapması gerektiğini düşünebiliyor.

“Modellerin kendi düşünce süreçlerini dış dünyadan aldıkları geri bildirimlerle güncelleyebilmesi, otonominin ilk şartıdır.”

— Yao et al., ReAct Research Paper (2023)

Yeni Denklem: Akış Mimarisi > Model Büyüklüğü

Sektörde herkes GPT-5’i veya devasa yeni modelleri beklerken, yapay zeka vizyoneri Andrew Ng hepimizi sarsan bir istatistik paylaştı.

Yazılımcıların yeteneğini ölçen standart bir test olan “HumanEval” kodlama testinde, devasa ve pahalı GPT-4 modeli sıfırdan tek bir prompt ile test edildiğinde %67 başarı gösterdi.

Ancak eski, daha küçük ve daha ucuz olan GPT-3.5 modeli, otonom bir “Agentic Workflow” (Ajanik İş Akışı) içine yerleştirildiğinde—yani kodu yazdıktan sonra test etmesine, hata verirse kendi hatasını okuyup düzeltmesine izin verildiğinde—başarı oranı %95.1’e fırladı.

Bu verinin anlamı tek kelimeyle devasa. Demek ki sorunumuz modellerin yeterince zeki olmaması değilmiş; sorun, onlara düşünmeleri ve hata yapıp düzeltmeleri için bir çalışma alanı (workflow) vermememizmiş. Bu paradigma değişimi, pahalı bulut sistemleri yerine bilgisayarımızda çalışan açık kaynaklı lokal modellerin de kurumsal hayatta dev işler başarabileceğinin kanıtı oldu.

Ajan Sürüleri (Swarms): Sanal Departmanlar Kurmak

Tek bir akıllı ajan harikadır. Peki ya birbiriyle konuşan beş ajan?

2023 yılında Stanford Üniversitesi araştırmacıları, “Smallville” adını verdikleri The Sims benzeri sanal bir kasabaya 25 yapay zeka ajanı yerleştirdi. Hepsine farklı hafızalar ve kimlikler verdiler. Sonuç muazzamdı: Ajanların %78’i kendilerine verilen hedefleri diğer ajanlarla işbirliği yaparak tamamladı. Hatta kendi aralarında parti bile düzenlediler.

Bugün bu akademik deney, CrewAI ve AutoGen gibi kütüphanelerle şirketlerin üretim bantlarına dönüştü. Artık iş dünyasında “Sana bir yapay zeka verelim her işi yapsın” denmiyor. Onun yerine bir Ajan Sürüsü (Agent Swarm) kuruluyor:

• Planlayıcı Ajan: Kullanıcının talebini alıp görevlere böler.
• Yazılımcı Ajan: Kodu yazar.
• Test Edici Ajan (Eleştirmen): Kodu dener, hata bulursa yazılımcıya geri fırlatır ve “Şurayı yanlış yaptın, düzelt” der.
• Raporlayıcı Ajan: Çıkan sonucu kullanıcı dostu bir dille özetler.

Yapay zekanın kendi içinde yarattığı bu “çatışma ve denetim” mekanizması, insan müdahalesine gerek kalmadan kusursuza yakın sonuçlar üretiyor.

Sonsuz Döngü Kabusu ve “Faturayı Kim Ödeyecek?” Sorunu

Her şey harika görünüyor değil mi? Ancak işin skeptik tarafına bakmadan resmi tamamlayamayız. “Ajanlar dünyayı kurtaracak” hype’ının karşısında duran ciddi mühendislik problemleri var.

HackerNews’teki bir geliştiricinin isyanı aslında tüm sektörün ortak derdini özetliyor: “Agent hype’ı bir balon. Basit bir Python script’i (if/else döngüleri) ile halledeceğim bir işi, neden halüsinasyon görme riski olan ve 50 kat daha pahalı bir LLM ajanı yapsın?”

Dahası, ajanların bir “Sonsuz Döngü” (Infinite Loop) problemi var. Otonom bir ajan, internetteki bir API bozuk olduğunda “Sanırım bu bozuk, vazgeçiyorum” demek yerine, paniğe kapılıp saniyede 100 kere aynı hatalı isteği yapabilir. Şirketinizin OpenAI veya Anthropic faturası, siz uyurken bir anda binlerce dolara fırlayabilir.

Bu endişeler temelsiz değil. 2023’teki ilk AutoGPT denemeleri tam bir hüsrandı; ajanlar sürekli dikkatini kaybedip döngüye giriyordu.

Ancak bugün LangGraph gibi yeni nesil araçlar, ajanlara deterministik sınırlar (state machines) çiziyor. Sisteme bir kural koyuyorsunuz: “Eğer 3 kere hata alırsan dur ve insandan onay bekle.” Buna sektörde “Human-in-the-loop” (Döngüdeki İnsan) deniyor. Ajanlar işin ameleliğini yapıyor, son kararı (özellikle para harcanacaksa veya e-posta atılacaksa) “onayla” butonuna basan insan veriyor.

Ekrana Bakan Yapay Zeka: Claude 3.5 ve “Bilgisayar Kullanımı”

Ajanların API’lar (yazılımsal arka kapılar) aracılığıyla sistemlerle konuşması harika bir adımdı. Ancak Anthropic, Claude 3.5 Sonnet modeli ile oyunu bambaşka bir seviyeye taşıdı: Computer Use (Bilgisayar Kullanımı).

Artık ajanlar kodların arasında gizlenmek zorunda değil. Sizin gibi ekrana bakıyorlar. Gözleri (Vision yeteneği) ile ikonları görüyor, dijital bir fareyi hareket ettirip tıklıyor ve klavyede yazı yazıyorlar. Bu, eski tip “Robotik Süreç Otomasyonu”nun (RPA) yapay zeka beyniyle donatılmış, duruma anında adapte olabilen versiyonu.

Silikon Vadisi’ndeki yatırımcıların “Sıfır Çalışanlı Unicorn (Milyar Dolarlık Şirket)” hayali kurmasının sebebi bu. Tek bir insan kurucu; vizyonu belirliyor, promptları yazıyor, geriye kalan pazarlama, yazılım, müşteri ilişkileri ve finans süreçleri tamamen birbirine entegre edilmiş ajan departmanları tarafından yürütülüyor.

Sıkça Sorulan Sorular

Agentic AI’ın normal ChatGPT’den (LLM) farkı tam olarak nedir?

ChatGPT bir cevaplayıcıdır; soruyu okur ve o anki hafızasıyla metin üretir. Agentic AI ise bir sistemdir; düşünür, internette arama yapar, dışarıdan araç (hesap makinesi, kod derleyici vb.) kullanır, hatalarından öğrenip kendini düzeltir ve iş bitene kadar otonom çalışır.

Bu ajanları kendi bilgisayarıma kurabilir miyim?

Evet. Özellikle Meta’nın Llama’sı veya Mistral gibi açık kaynaklı modelleri kullanarak tamamen çevrimdışı ve ücretsiz çalışan ajan sistemleri kurabilirsiniz. Bunun için CrewAI veya LangChain gibi kütüphanelere temel Python bilgisiyle aşina olmanız yeterlidir.

Ajanlar işimizi elimizden alacak mı?

Mavi yakalıları değil ama “bilgiyi bir yerden alıp diğerine kopyalayan/özetleyen” orta düzey veri analistlerini ve raporlama uzmanlarını ciddi şekilde tehdit ediyor. İnsanların yeni rolü işi “yapan” değil, yapan ajanları “denetleyen” konumuna evriliyor.

Sonuç: Yönetici Koltuğuna Geçmeye Hazır Mısınız?

Yapay zekanın geleceği, herkesin korktuğu gibi insanı ezen devasa bir süper zeka (AGI) yaratmaktan ziyade, yanımızda duran, yetenekli ama yönlendirilmeye muhtaç “dijital takımlar” inşa etmektir.

Nasıl ki matbaa, metinleri elle kopyalayan rahipleri işsiz bırakıp onları “editör” veya “yazar” olmaya zorladıysa; Agentic AI da ekran başında sadece veri taşıyan “modern dijital rahipleri” işsiz bırakacak. Ancak bu süreçte, doğru soruları sorabilen, sistem mimarisi kurgulayabilen ve büyük resmi görenler için eşi benzeri görülmemiş bir kaldıraç (leverage) yaratacak.

Eskiden tek başınıza bir şirkettiniz. Yakında, emrinizde yüzlerce dijital uzmandan oluşan otonom bir ajan ordusu olacak.

Siz ne düşünüyorsunuz? Sizin yerinize otonom olarak uçak biletinizi alan, pazarlık yapan ve iş e-postalarınızı yanıtlayan bir ajana hayatınızın kontrolünü ne kadar teslim edebilirsiniz?

---

Kaynaklar ve Derinlemesine Okuma

1. Yao et al. – “ReAct: Synergizing Reasoning and Acting in Language Models” (Princeton/Google Makalesi) – ArXiv Link
2. Park et al. – “Generative Agents: Interactive Simulacra of Human Behavior” (Stanford Smallville Deneyi) – ArXiv Link
3. Anthropic Resmi Duyurusu – “Developing a computer use capability in Claude 3.5” – Anthropic News
4. Andrew Ng – “Agentic Design Patterns” (Veri İstatistikleri ve Sunum) – Coursera DeepLearning.ai Bülteni.