Sunucuya dokunamayan mühendis
Bir müşteri sohbet robotuna yazıyor: "Siparişim için iade istiyorum." Robot hemen cevap veriyor: "Tabii, hemen bakıyorum!"
Sonra hiçbir şey olmuyor.
Robot müşteriye güven veren bir cümle kurdu ama sipariş veritabanına erişimi yok. İade API'sini çağıramıyor. İade penceresinin açık olup olmadığını bile bilmiyor. Sadece konuşuyor.
Müşteri ekran görüntüsünü alıp paylaşıyor, şirketin müşteri hizmetleri sorumlusu telefonunu açtığında karşısında bu ekran görüntüsü var.
Bu, dil modeli tabanlı ürünlerin çoğunun eninde sonunda çarptığı duvar. Model bir sorunu tahtada çözebiliyor, adım adım anlatabiliyor, ama dokunamıyor. Konuşabilen, sunucuya erişemeyen bir mühendis gibi.
Bir ajan, tam olarak bu mühendise bir terminal vermek demek.
Yapay zeka ajanı, bir hedef verildiğinde o hedefe ulaşmak için hangi araçları hangi sırayla kullanacağına kendisi karar veren bir sistemdir. Sıradan bir dil modeli sadece cevap üretir; ajan bu cevabı üretirken bir de veritabanı sorgulayabilir, bir işlemi çalıştırabilir, sonucu görüp bir sonraki adıma kendisi karar verebilir.
Döngü: düşün, yap, gözlemle, tekrarla
Aynı iade örneğini bir de ajanla düşünelim.
Ajan önce düşünüyor: "Önce bu siparişi bulmam lazım." Sonra bir aracı çağırıyor, sipariş numarasını sorguluyor. Gördüğü sonuç: ürün iade edilmiş, ödemesi henüz geri yapılmamış, iade penceresi hâlâ açık.
Yeniden düşünüyor: "Ödeme iadesi onaylanabilir, penceresi açık, işlemi başlatmalıyım." Bir aracı daha çağırıyor, ödeme iadesini çalıştırıyor. Sonuç: işlem tamamlandı, referans numarası geldi.
Son bir düşünme adımı: "Elimde gereken her şey var." Döngüden çıkıyor, müşteriye cevap veriyor.
İki döngü, iki araç çağrısı, tek bir tamamlanmış görev. Hiçbir insan araya girmeden.
Bu döngünün araştırma literatüründe bir adı var: ReAct, yani "Reasoning + Acting" (akıl yürütme + eyleme geçme). 2023'te yayımlanmış bir akademik makaleye dayanıyor. Bugün kullandığımız birçok ajan aracı, Claude Code, Cursor, GitHub Copilot, ChatGPT'nin web'de arama yaptığı anlar, bu döngünün bir versiyonunu çalıştırıyor.
Workflow mu, ajan mı?
Anthropic, kendi müşterileriyle çalışırken kafa karışıklığını çözmek için basit bir ayrım öneriyor. İki tür sistem var.
Tarif edilmiş sistem (workflow): adımlar önceden belirlenmiş. Bir yemek tarifi gibi: önce şunu yap, sonra bunu yap, sonra kontrol et. Bir GPS'in sabit rotası gibi düşünülebilir, yol baştan çizilmiş.
Ajan: hedef veriliyor ama yolu kendisi buluyor. Bir şoförün trafiğe göre kendi rotasını değiştirmesi gibi.
Fark tek cümlede: workflow'da yolu biz çiziyoruz, ajanda yolu o buluyor.
Google Cloud, Anthropic'ten bağımsız olarak neredeyse aynı ayrımı yapıyor: bir ajanı bir asistandan ya da bottan ayıran şey, ne kadar otonom karar verebildiği.
Ajanın üç parçası
Bir ajanı oluşturan üç parça var, üçü birlikte çalışınca döngü dönüyor.
Klarna'nın öğrendiği ders
İsveçli ödeme şirketi Klarna, 2024 başında müşteri hizmetlerinin çoğunu bir ajana devretti. Sonuç etkileyiciydi: sohbetlerin üçte ikisi ajan tarafından karşılandı, çözüm süresi 11 dakikadan 2 dakikaya düştü, ajan 700 tam zamanlı çalışanın işini yapıyordu.
Sonra karmaşık, birden fazla siparişi kapsayan fatura anlaşmazlıkları gibi yargı gerektiren durumlarda müşteriler genel geçer, kalıp cevaplar almaya başladı. Şirket insan çalışanları geri işe aldı.
Sınır burada ortaya çıkıyor. Ajan, dar ve net görevlerde gerçekten işe yarıyor. Yargı gerektiren işler başladığında değil.
Beklenti gerçekçi olmalı
Gerçek dünya bilgi işi görevlerini ölçen, henüz bağımsız doğrulanmamış tek bir çalışma (Ocak 2026), en gelişmiş modellerin bile bu görevlerin sadece %18-24'ünü ilk denemede doğru tamamladığını buldu. Gartner, 2027'ye kadar ajan projelerinin %40'ından fazlasının iptal edileceğini öngörüyor; gerekçe olarak artan maliyetleri, belirsiz iş değerini ve yetersiz risk kontrollerini gösteriyor.
Bu son nokta önemli. Sorun genelde "model yeterince akıllı değil" değil. Sorun, projenin maliyetinin ve risklerinin baştan doğru hesaplanıp hesaplanmadığı.
Kelimenin kendisi hâlâ tanımsız
Ağustos 2026'da KDnuggets, yeni bir e-kitabı tanıtırken bunu tam olarak özetliyordu:
Artık biri "ajan" dediğinde sorabileceğimiz somut bir soru var: yolu o mu buluyor, yoksa yolu biz mi çizdik?
Kaynaklar
Yao ve ark., "ReAct: Synergizing Reasoning and Acting in Language Models", ICLR 2023 (arXiv:2210.03629)
Anthropic, "Building Effective AI Agents", 19 Aralık 2024
Google Cloud, "What are AI agents? Definition, examples, and types", 2 Nisan 2026
Paolo Perrone, "What is an AI Agent? How the Agent Loop Works in Practice", The AI Engineer, 18 Şubat 2026 (Klarna rakamları Fortune'a atıfla aktarılıyor)
APEX-Agents / Mercor, Ocak 2026 (aynı yazıda aktarılıyor, tek kaynak, ayrıca doğrulanmadı)
Gartner, "Gartner Predicts Over 40 Percent of Agentic AI Projects Will Be Canceled by End of 2027", Haziran 2025
KDnuggets, "Understanding Agentic AI: An Executive Briefing", 9 Ağustos 2026 (kamuya açık sayfa, doğrudan doğrulandı)
Anthropic, "Scaling Managed Agents: Decoupling the brain from the hands", 8 Nisan 2026 ("beyin" ve "eller" terimlerinin kaynağı)
Klarna, "Klarna AI assistant handles two-thirds of customer service chats in its first month", 27 Şubat 2024 (birincil basın açıklaması, doğrudan doğrulandı)