Yapay Zekâ Ajanları ve Ajan Temelli Yapay Zekâ

28 Temmuz 2026’da, OpenAI, Anthropic, Google ve Meta gibi önde gelen yapay zekâ şirketlerinde çalışan çok sayıda kişi “Pacing the Frontier” başlıklı bir bildiri yayımladı. İmzacılar arasında Anthropic CEO’su Dario Amodei ve OpenAI baş bilim insanı Jakub Pachocki gibi üst düzey isimler de bulunuyor. Bildiride şöyle deniyor (https://www.pacingthefrontier.com/):

“Yapay zekâ, çarpıcı derecede daha iyi bir geleceğin inşasına yardımcı olabilir; ancak bu sonuç garanti değildir. Dünyanın önde gelen yapay zekâ şirketleri, yapay zekâ araştırmalarını otomatikleştirmeye yakın olabileceklerine inanıyor. Bunun yapay zekâdaki ilerlemeyi ne ölçüde hızlandıracağını kesin olarak öngörmek zor olsa da kapasite gelişiminin ortaya çıkan sistemleri anlama ya da kontrol etme yeteneğimizin çok ötesine hızla sıçraması gerçek bir risk olarak karşımızda duruyor.

Yapay zekânın potansiyelini gerçekleştirebilmek için sanayi, hükümetler ve toplumun geneli, ortaya çıkan risklere karşı önlem almak, güvenlik tedbirleri geliştirmek ve denetimi güçlendirmek amacıyla zaman kazanma seçeneğine ihtiyaç duyabilir. Ne var ki her bir şirket (ve her bir ülke) bu hızlanmayı tek taraflı olarak yavaşlatmamak yönünde yoğun bir rekabet baskısı altındadır. Ve bugün dünya, en ileri düzeydeki gelişmenin hızını bilinçli biçimde yönetebilecek teknik ve yönetişim araçlarından yoksundur.”

Devletler ve yapay zekâ şirketleri, oyun teorisinin ünlü “tutsak ikilemi”ne benzer bir durumla karşı karşıya bulunuyor. Diyelim ki OpenAI yavaşladı ama Anthropic hız kesmedi; bu durumda OpenAI pazar payı kaybedebilir. Aynı şekilde, ABD’deki yapay zekâ geliştirme faaliyetleri yavaşlarsa ve Çin geri adım atmazsa, ABD Çin karşısında stratejik açıdan dezavantajlı bir konuma düşebilir. Dolayısıyla imzacılar, ilerleme hızının yönetilmesi gerektiğini düşünmekle birlikte ilk yavaşlayan taraf olmak da istemiyor. Bu nedenle imzacılar, ABD hükümetinden yardım talep ediyor:

“ABD hükümetinin, otomatik yapay zekâ geliştirme alanındaki ilerlemeyi bilinçli bir şekilde yönlendirmek için gerekli teknik ve yönetim araçlarının geliştirilmesine yönelik uluslararası bir çabayı desteklemesini talep ediyoruz.”

Peki, kimse yavaşlamazsa, ülkeler ve şirketler rekabet etmeye devam ederse ne olur? Yapay zekâ ajanları (AI Agents) ve ajan temelli yapay zekâ (Agentic AI) alanındaki gelişmelere baktığımızda, bu sorunun yanıtı pek iç açıcı görünmüyor.

İlk Yapay Zekâ Ajanları

Yapay zekâ ajanları, son birkaç yılın en tartışılan konularından biri oldu. Teknoloji şirketleri, ajan temelli yapay zekâdan “bir sonra büyük şey” olarak bahsetmeye başladılar. Ancak ajan teriminin yapay zekâ literatürüne girişi çok daha eskidir. Üstelik ajan terimine başka disiplinlerde de rastlıyoruz.

Kimyada, kimyasal ajan, kimyasal reaksiyonlara katılabilen veya neden olabilen bir maddedir. Biyolojik ajanlar, canlı sistemleri etkileyebilen organizmaları veya maddeleri ifade eder. Fizikte, fiziksel ajanlar, fiziksel etkiler üretebilen enerji veya kuvvet biçimleridir. Ekonomik ajanlar, ekonomik sistemlerde karar alma yetkisine sahip varlıklardır ve sosyal ajanlar, sosyal sistemlerde değişiklik yaratabilen bireyler veya gruplardır. Yapay zekâ ajanlarının ilk tanımları, söz konusu disiplinlerdeki kavramların birçok yönünü bütünleştirir. Yapay zekâ ajanları, kimyasal ve biyolojik ajanlar gibi çevrelerine uyum sağlar ve onları etkiler; ekonomik ajanlar gibi mevcut bilgilere dayanarak kararlar alır; sosyal ajanlar gibi belirli bir özerklik derecesine sahiptir (Bent, 2025).

Ajan terimini içeren ilk akademik indeksli yayın, aktör modelini tanımlayan 1973 tarihli makaledir. Bu makalede ACTOR, “bir senaryoya göre işaret üzerine rol oynayan aktif bir ajan”dı (Hewitt vd., 1973). Chytil (1980) ise ajan terimini insanlarla simbiyotik olarak çalışan yapay zekâ sistemlerini tanımlamak için kullandı. Çoklu ajan sistemleri ise amaçların ve planlamanın bulunduğu tek bir ortamda var olan sistemler olarak tanımlandı (McDaniel, 1984). 1990’larda ise bu terimin kullanımında büyük bir artış yaşandı. Günümüzde de başlıca yapay zekâ ders kitaplarından biri olan “Artificial Intelligence: A Modern Approach“un 1995 yılında yayımlanan ilk baskısında Russell ve Norvig (1995), kitabın bütünleştirici temasını zeki ajan kavramı olarak ortaya koyuyorlardı. Bu bakış açısına göre yapay zekânın problemi, çevreden algılar alan ve eylemler gerçekleştiren ajanları tanımlamak ve oluşturmaktı.

Ajan teriminin kullanımı sonraki yıllarda da devam etti. Bununla birlikte ajan teriminin kullanılmaya başlandığı ilk günlerden itibaren, tanımı konusunda bir fikir birliği yoktu. Tanımların çoğu özerklik, amaca yönelik davranış, durum farkındalığı ve çevreye karşı tepkisellik gibi temel unsurları içermesine karşın bazı tanımlarda hareketlilik, doğruluk (ajan bilerek yanlış bilgi iletmeyecektir), iyilikseverlik veya rasyonellik gibi unsurlar da yer alabiliyordu (Bent, 2025).

2022’de ChatGPT’nin kullanıma sunulmasına kadar geçen dönemde birçok yapay zekâ ajanının özerkliği sınırlıydı ve dinamik ortamlara uyum sağlama kapasitesi günümüz sistemlerine kıyasla oldukça düşüktü. Özellikle erken dönem sistemlerin önemli bir bölümü, önceden tanımlanmış kurallar ve belirli görevler etrafında tasarlanmıştı. Bu sistemler, modern yapay zekâ ajanlarının öğrenme ve bağlamı değerlendirme kapasitesinden çok kural tabanlı mantığa, sembolik temsillere veya önceden senaryolaştırılmış davranışlara dayanarak tepkisel (reaktif) ya da akıl yürütmeye dayalı (deliberatif) biçimde çalışıyordu. Örneğin uzman sistemler, tıbbi teşhis gibi alanlarda uzmanların karar verme süreçlerini modellemek için bilgi tabanlarından (knowledgebase) ve çıkarım motorlarından yararlanıyordu. Bunun yanı sıra moleküler yapı tahmini, bilgisayar sistemi yapılandırması ve kural tabanlı üretim sistemleri gibi alanlarda kullanılan ajanlar da vardı. SOAR ve subsumption mimarisi 1 gibi sistemler ise sembolik ve tepkisel mantığı bilişsel modelleme ve robotik alanlarında somutlaştırdı (Sapkota vd., 2025).

Görev odaklı akıl yürütmeye ek olarak bu ajanlar, sınırlı düzeyde sosyal etkileşim yeteneğine de sahipti. ELIZA gibi ilk sohbet programları, şablon eşleme ve senaryolu yanıtlar üzerinden temel düzeyde diyaloglar kurabiliyordu. Ancak kullanıcı girdilerinin anlamını gerçekten modelleyemiyor ve bağlama uyum sağlama konusunda oldukça sınırlı kalıyordu. Robotikteki reaktif ajanlar da Stanford Cart 2 gibi ilk otonom platformlarda örneklendiği üzere, sabit kontrol kurallarına dayanan “algıla ve eyleme geç” (sense-act) döngüleriyle çalışıyordu (Sapkota vd., 2025).

Çoklu ajan sistemleri ise tedarik zinciri yönetiminde açık artırmaya dayalı kaynak tahsisi örneğinde olduğu gibi dağıtık varlıklar arasındaki koordinasyonu kolaylaştırıyordu. Benzer şekilde, video oyunlarında senaryo tabanlı yapay zekâ, karakterlerin ve diğer oyun varlıklarının önceden belirlenmiş kurallar doğrultusunda davranmasını sağlıyordu. BDI (Belief-Desire-Intention İnanç–Arzu–Niyet) mimarileri ise hava trafik kontrolü simülasyonlarında kullanılan yazılım ajanları gibi sistemlerde hedef odaklı davranışların gerçekleştirilmesini sağlıyordu (Sapkota vd., 2025).

Ancak günümüzdeki yapay zekâ ajanlarıyla karşılaştırıldığında, bu ajanların özellikle kendi kendine öğrenme ve yapılandırılmamış veya dinamik ortamlara uyum sağlama yetenekleri oldukça sınırlıydı. Üretken yapay zekâ araçlarının ortaya çıkışı ise yapay zekâ ajanları açısından yeni bir dönemin başlangıcına işaret ediyordu.

Üretken Yapay Zekâdan Yapay Zekâ Ajanlarına

Yapay zekâ ajanlarındaki ilerleme, günümüzdeki ajan sistemlerinde temel dil işleme, akıl yürütme ve algılama bileşenleri olarak kullanılan BDM’lerin (Large Language Models – Büyük Dil Modelleri) ve BGM’lerin (Large Image Models – Büyük Görüntü Modelleri) geliştirilmesi ve uygulanmasıyla önemli ölçüde hızlandı. BDM’ler, kitaplar, web içerikleri ve diyalog derlemleri gibi kaynaklardan elde edilen büyük ölçekli metinsel veri kümeleri üzerinde eğitilir. Doğal dili anlama, soru yanıtlama, özetleme, diyalog tutarlılığı ve mantıksal ya da sembolik problemleri çözme gibi alanlarda çeşitli yetenekler sergiler. BGM’ler ise görüntü sınıflandırma, nesne tespiti ve görsel ile dilsel bilgiyi ilişkilendirme (görme-dil temellendirmesi) gibi algıya dayalı yetenekler sunar.

Bu modellere dayanan üretken yapay zekâ sistemleri, temelde kullanıcı girdilerine tepki vererek çalışır. Tutarlı anlatılar, çalıştırılabilir kod, gerçekçi görüntüler ve hatta konuşma metinleri de dahil olmak üzere çok çeşitli çıktılar üretebilir. Ancak geleneksel üretken yapay zekâ sistemlerinde bu üretim süreci, kullanıcı tarafından verilen bir istem veya komutla başlatılır. Başka bir deyişle, kendi başlarına hedef belirleyip bu hedefler doğrultusunda eyleme geçmez.

Ayrıca ilk dönem üretken yapay zekâ sistemlerinin temel modelleri, ayrı etkileşimler arasında kalıcı bir durum taşıyamıyordu. Bu nedenle söz konusu sistemler, “durumsuz” (stateless) olarak nitelendiriliyordu. Daha sonraki gelişmelerle birlikte modeller daha geniş bağlam pencerelerini desteklemeye başladı ve gelişen uzun metin anlama kapasiteleri sayesinde bu geniş bağlamı çok daha etkili kullanabilir hâle geldi. Yine de bu sistemlerin temel mimarileri, otonom karar almayı ve hedefleri aşamalı olarak geliştirmeyi destekleyen içsel geri bildirim döngülerinden, kalıcı durum yönetiminden ve çok aşamalı planlama yeteneğinden yoksundu.

Üretken yapay zekânın dinamik görevleri ele alma, durum sürekliliğini koruma ve çok adımlı planları yürütme konusunda önemli sınırlılıkları vardı. Bu sınırlılıklar, söz konusu modelleri ek bileşenlerle güçlendiren yapay zekâ ajanlarının geliştirilmesine yönelik ilgiyi artırdı. Günümüzdeki yapay zekâ ajanlarının önemli bir bölümü, BDM’leri dil işleme ve akıl yürütme bileşeni olarak kullanır; ancak pasif yanıt üretimi ile aktif görev tamamlama arasındaki boşluğu kapatmak için bellek mekanizmaları, araç çağırma API’leri (Application Programming Interface – Uygulama Programlama Arayüzleri) ve planlama rutinleri gibi ek bileşenlerle güçlendirilir. Böylece yapay zekâ sistemleri, pasif yanıt üretiminden özerk görev yürütmeye doğru gelişmeye başladı.

Yapay zekâ ajanı mimarilerinde yer alan BDM’ler, temel dil işleme ve akıl yürütme bileşeni olarak işlev görerek ajanın kullanıcı sorgularını analiz etmesini, çok adımlı çözümler planlamasını ve bağlama uygun yanıtlar üretmesini sağlar. BDM’lerle güçlendirilmiş bir müşteri destek ajanı, müşteri şikâyetlerini yorumlayabilir, araç entegrasyonu yoluyla arka uç sistemlerini sorgulayabilir ve bağlama ve kullanıcının duygusal durumuna uygun yanıtlar üretebilir. BGM’ler ise ajanın yeteneklerini görsel alana genişletir. Görüntü sınıflandırması, nesne tespiti ve görsel ve dilsel bilgiyi ilişkilendirme (görme-dil temellendirmesi) dahil olmak üzere algıya dayalı görevleri mümkün kılar. Bu yetenekler, robotik, otonom araçlar ve görsel içerik denetimi gibi alanlarda faaliyet gösteren ajanlar için giderek daha önemli hâle gelmektedir.

Kısacası BDM’ler ve BGM’ler, yapay zekâ ajanlarının çevreleriyle daha esnek biçimde etkileşim kurmasını, çok modlu girdileri işlemesini ve önceden kodlanmış otomasyonun ötesine geçen karmaşık akıl yürütme görevlerini gerçekleştirmesini sağlar. BDM’lere ve BGM’lere çoğu durumda OpenAI, Hugging Face ve Google gibi sağlayıcıların sunduğu API’ler aracılığıyla erişilir. Bu hizmetler, model eğitimi ve ince ayarının gerektirdiği altyapıyı geliştiriciden büyük ölçüde devralarak, ileri düzey dil işleme ve algılama yetenekleriyle donatılmış ajanların hızla geliştirilmesini ve dağıtılmasını sağlar. Bununla birlikte, bu modeller yalnızca bulut tabanlı hizmetler aracılığıyla değil, uygun donanım ve yazılım altyapısı kullanılarak yerel olarak da çalıştırılabilir.

Modern yapay zekâ ajanları, dilsel ve görsel girdileri işleme yeteneklerinin önemli bir bölümünü temel yapay zekâ modellerinden alır. Dil modelleri, ajanların metinsel girdileri analiz etmesine ve bu girdiler üzerinden akıl yürütmesine yardımcı olurken, görüntü modelleri görsel bilgileri işlemesini ve yorumlamasını sağlar. Bu modellerin birlikte kullanılması, ajanların yalnızca metinsel komutlarla değil, farklı türlerdeki bilgileri bir arada değerlendirerek de daha karmaşık görevleri yerine getirmesine olanak tanır.

Günümüzde Yapay Zekâ Ajanları

Günümüzde yapay zekâ ajanları en genel tanımıyla, belirli bir çevrede belirli hedefleri gerçekleştirmek üzere tasarlanmış ve belirli bir düzeyde özerklikle çalışan yazılım sistemleridir. Bu ajanlar; yapılandırılmış veya yapılandırılmamış girdileri işleyebilir, bağlamsal bilgiler üzerinden akıl yürütebilir ve çoğu zaman insan kullanıcılar veya diğer sistemler adına belirli amaçlar doğrultusunda eyleme geçebilir. Önceden tanımlanmış sabit iş akışlarını izleyen geleneksel otomasyon yazılımlarından farklı olarak bu ajanlar, dinamik girdileri yorumlayabilen ve davranışlarını değişen koşullara göre uyarlayabilen esnek sistemlerdir. Böylece yalnızca önceden belirlenmiş adımları uygulamak yerine, içinde bulundukları bağlama göre eylem ve çıktılarını değiştirebilir. Müşteri hizmetleri otomasyonundan kişisel verimlilik asistanlarına, kurumsal bilgi erişiminden karar destek sistemlerine kadar yapay zekâ ajanları pek çok alanda kullanılıyor.

Başlıca Özellikleri

Yapay zekâ ajanlarını tanımlayan özellikler arasında özerklik, görev odaklılık ve tepkisellik öne çıkar. Bu özellikler, ajan tasarımının temel ilkelerini oluşturarak belirli çevrelerde hedef odaklı ve uyarlanabilir davranışlara olanak tanır. Aynı zamanda yapay zekâ ajanlarını, tek başına kullanılan üretken modellerden ayırır.

Özerklik: Yapay zekâ ajanlarını ayıran en temel niteliklerden biri, devreye alındıktan sonra belirli görevleri yerine getirmek için insan müdahalesine sürekli olarak ihtiyaç duymadan çalışabilmesidir. Ajanlar, çevreden gelen girdileri algılayabilir, bağlamsal bilgileri değerlendirerek akıl yürütebilir ve mevcut duruma göre önceden tanımlanmış veya bağlama göre seçilmiş eylemleri gerçekleştirebilir. Özerklik düzeyi, insan denetiminin sürekli olarak sürdürülmesinin zor veya maliyetli olduğu müşteri hizmetleri botları ve randevu asistanları gibi uygulamalarda özellikle önem taşır.

Görev Odaklılık: Yapay zekâ ajanları, belirli görevleri veya hedefleri gerçekleştirmek üzere tasarlanır. Bu görevler e-posta filtreleme, veritabanı sorgulama veya takvim koordinasyonu gibi belirli bir alanla sınırlı ve tekrarlanabilir işlemler olabilir. Görev odaklılık, ajanın belirli bir amaç doğrultusunda çevresinden aldığı bilgileri değerlendirerek uygun eylemleri gerçekleştirmesini sağlar.

Tepkisellik: Yapay zekâ ajanları, çevrelerinden gelen değişen girdileri ve durumları değerlendirerek bunlara uygun tepkiler verebilir. Kullanıcı istekleri, harici API çağrıları veya yazılım ortamlarındaki durum değişiklikleri gibi girdiler, ajanın gerçekleştireceği eylemleri etkileyebilir. Bazı ajanlar ise geri bildirim mekanizmaları, güncellenen bağlam bilgileri veya öğrenme mekanizmaları aracılığıyla davranışlarını zaman içinde uyarlayabilir.

Araştırmacılar, üretken modellere dayalı sistemlerde görülen halüsinasyon, güncellenmeyen bilgi ve sınırlı bağlam penceresi gibi kısıtları azaltmak amacıyla araç destekli yapay zekâ ajanları geliştirmeye yönelmiştir. EasyTool, Gentopia ve ToolFiVe gibi çalışmalar, bu yaklaşımın örnekleri arasında yer alır. Bu sistemler, harici araçları, API’leri ve hesaplama ortamlarını ajanın akıl yürütme sürecine dahil ederek güncel bilgilere erişme, kod çalıştırma ve dinamik veri ortamlarıyla etkileşim kurma olanağı sağlar. Bir ajan, görevi için dış bilgiye veya harici bir işleme ihtiyaç duyduğunda, yapılandırılmış bir fonksiyon çağrısı veya API isteği oluşturabilir. Örneğin mevcut hisse senedi fiyatını sorgulayabilir, güncel hava durumu bilgilerini alabilir veya bir komut dosyasını çalıştırabilir (Sapkota vd., 2025).

Araçtan bir yanıt alındığında, bu çıktı ayrıştırılarak BDM’nin bağlamına yeniden eklenir. Böylece ajan, elde ettiği yeni bilgileri mevcut bağlamıyla birlikte değerlendirerek akıl yürütme sürecini sürdürebilir, görev durumunu güncelleyebilir ve bir sonraki eylemine karar verebilir. Örneğin ChatGPT, güncel veya dış kaynaklardan elde edilmesi gereken bilgiler söz konusu olduğunda web’de arama yapma araçlarını kullanabilir; elde edilen içerik üzerinde akıl yürüterek bu bilgileri kullanıcının sorgusuna vereceği yanıta dahil edebilir.

Temel Bileşenleri

Yapay zekâ ajanlarının mimarisi, farklı uygulamalarda farklı biçimler alsa da genellikle algılama; bilgi temsili ve akıl yürütme; eylem seçimi ve yürütme gibi temel bileşenlerden oluşur. Bazı ajanlarda öğrenme ve uyarlanabilirlik mekanizmaları da bu bileşenlere eklenir (Sapkota vd., 2025).

Algılama: Ajan, kullanıcılardan gelen doğal dil istemleri veya harici sistemlerden gelen API yanıtları, dosyalar ve sensör verileri gibi girdileri alır. Bu girdiler, ajanın diğer bileşenleri tarafından işlenebilecek ve yorumlanabilecek bir biçime dönüştürülür. Modern ajanlarda algılama yalnızca fiziksel çevreden gelen duyusal verilerin işlenmesini değil, dijital ortamlardan ve diğer sistemlerden gelen bilgilerin alınmasını da kapsar.

Bilgi Temsili ve Akıl Yürütme: Ajan, aldığı girdileri mevcut bilgi ve bağlamıyla birlikte değerlendirerek uygun çıkarımlarda bulunur ve hangi eylemlerin gerçekleştirileceğine karar verir. Bu süreçte kural tabanlı mantık, sembolik gösterimler, planlama yöntemleri, istatistiksel modeller veya bunların farklı bileşimleri kullanılabilir. BDM tabanlı ajanlarda ise model, doğal dil girdilerinin yorumlanması, bağlamın değerlendirilmesi ve eylem seçeneklerinin belirlenmesinde önemli bir rol üstlenebilir.

Eylem Seçimi ve Yürütme: Ajanın aldığı kararlar, harici dünyada gerçekleştirilebilecek eylemlere dönüştürülür. Bu eylemler mesaj göndermeyi, veritabanlarını güncellemeyi, API’leri sorgulamayı, bir programı çalıştırmayı veya yapılandırılmış çıktılar üretmeyi içerebilir. Ajanın eylemleri, kullanılan yazılım mimarisine bağlı olarak bir iş akışı motoru, araç çağırma mekanizması veya bir ajan yürütücüsü tarafından yönetilebilir. Örneğin LangChain gibi yazılım çerçeveleri, dil modeli çıktıları ile araç çağrıları arasındaki etkileşimi yönetmek için kullanılabilir.

Öğrenme ve Uyarlanabilirlik: Öğrenme, her yapay zekâ ajanının zorunlu bir bileşeni değildir. Bazı ajanlar, önceki etkileşimlerden elde edilen bilgileri bellek mekanizmaları aracılığıyla saklayarak sonraki görevlerde kullanabilir. Bazı sistemlerde ise geri bildirim veya performans sonuçlarından yararlanarak belirli davranışların veya araç seçimlerinin zaman içinde iyileştirilebilir. Bununla birlikte, bellekte bilgi tutmak ile modelin öğrenmesi aynı şey değildir; bir sistem önceki bilgileri saklayıp yeniden kullanabilir ancak model parametrelerini değiştirmeden çalışmaya devam edebilir.

Bu bileşenlerin bir araya getirilmesi, yapay zekâ ajanlarının sabit kodlanmış otomasyon komut dosyalarından ayrılmasını sağlar. Geleneksel otomasyon belirli bir iş akışındaki önceden tanımlanmış adımları izlerken, ajanlar aldıkları girdileri ve mevcut bağlamı değerlendirerek hangi eylemin gerçekleştirileceğini belirleyebilir.

Uygulama Alanları

Müşteri Desteği ve Kurumsal Bilgi Erişimi: Yapay zekâ ajanları, müşteri desteğini otomatikleştirmek ve kurum içindeki bilgiye erişimi kolaylaştırmak amacıyla kullanılmaktadır. Müşteri hizmetlerinde bu ajanlar, kullanıcı sorularını yanıtlamanın yanı sıra talepleri önceliklendirebilir ve sipariş takibi veya iade başlatma gibi işlemleri gerçekleştirebilir.

Müşteri desteğinde bir yapay zekâ ajanı, şirketin Müşteri İlişkileri Yönetimi (CRM) sistemi ve sipariş yönetimi API’leriyle entegre olarak “Siparişim nerede?” veya “Bu ürünü nasıl iade edebilirim?” gibi sorulara yanıt verebilir. Ajan, gönderim kayıtları ve şirket politikaları gibi kaynaklardan ilgili bilgileri alır ve ardından erişim destekli üretim (RAG) gibi yöntemlerle kişiselleştirilmiş bir yanıt oluşturur. Kurum içi bilgi erişiminde ise çalışanlar benzer sistemler aracılığıyla geçmiş toplantı notlarını, satış sunumlarını veya kurum içi belgeleri sorgulayabilirler.

E-posta Yönetimi: Yapay zekâ destekli sistemler, içerik sınıflandırması ve önceliklendirme yoluyla e-posta yönetiminin çeşitli aşamalarını otomatikleştirebilir. E-posta sistemleriyle entegre edilen bu tür ajanlar, mesajların içeriğini ve meta verilerini analiz ederek acil iletileri belirleyebilir, görevleri ayıklayabilir ve yanıt önerileri oluşturabilir. Daha gelişmiş sistemler ise belirli eylemleri kullanıcının onayıyla veya belirlenen kurallar çerçevesinde gerçekleştirebilir.

Kişiselleştirme ve Veri Analizi: Yapay zekâ sistemleri, kullanıcıların davranışlarını ve tercihlerini analiz ederek haber, ürün veya medya önerilerinin kişiselleştirilmesini sağlayabilir. Bununla birlikte, bu tür öneri sistemlerinin tamamını yapay zekâ ajanı olarak nitelendirmek doğru değildir. Nitekim ajanlardan söz edebilmek için sistemin yalnızca öneri üretmenin ötesinde, belirli hedefler doğrultusunda çevresiyle etkileşime girmesi ve eylem gerçekleştirmesi gerekir. Ayrıca, yapay zekâ destekli analitik sistemler doğal dilde verilen sorguları yapılandırılmış veri sorgularına dönüştürebilir, sonuçları özetleyebilir ve görsel raporlar oluşturabilir.

Planlama Asistanları: Takvim sistemleriyle entegre edilen yapay zekâ ajanları, toplantı koordinasyonu, yeniden planlama ve zaman çakışmalarının giderilmesi gibi görevleri gerçekleştirebilir. Bu sistemler, doğal dilde verilen planlama taleplerini yorumlayarak takvim verilerine erişebilir, uygun zaman aralıklarını belirleyebilir ve gerekli durumlarda toplantıları yeniden planlayabilir. Böylece değişen takvim koşullarına uyum sağlanırken insanın gerçekleştirmesi gereken rutin işlemlerin sayısı azaltılabilir.

Yapay Zekâ Ajanlarının Sınırlılıkları

Günümüzde yapay zekâ ajanı olarak tanımlanan birçok sistem, sınırlı düzeyde özerkliğe sahiptir. Bir yapay zekâ ajanı, devreye alındıktan sonra insan müdahalesine sürekli olarak ihtiyaç duymadan görevleri yerine getirebilse de etkili bir şekilde çalışmak için önceden tanımlanmış istemlere, planlama yöntemlerine veya geri bildirim mekanizmalarına ihtiyaç duyabilir. Kendi kendine görev başlatma, davranışını sürekli olarak izleme veya hataları bağımsız biçimde düzeltme gibi yetenekler ise birçok sistemde sınırlıdır. Bu durum, ajanların gerçek anlamdaki bağımsızlığını sınırlar. Çoğu sistem bir kullanıcı talebi, olay veya önceden tanımlanmış bir tetikleyiciyle çalışmaya başlar ve değişen bağlamlara veya hedeflere göre amaçlarını kendiliğinden yeniden formüle etme ya da önceliklendirme kapasitesi sınırlıdır. Ajanlar çevresel veya kullanıcı girdilerine yanıt verebilse de art arda gerçekleştirilen BDM çıkarım çağrılarından kaynaklanan gecikmeler ve bağlam yönetimindeki sınırlılıklar, özellikle zaman açısından kritik görevlerde gerçek zamanlı uyarlanabilirliği kısıtlayabilir.

Ajanlar ayrıca çok aşamalı görevlerde uzun vadeli ve güvenilir planlar oluşturma konusunda zorlanabilir. Çünkü BDM çağrıları tek başına kalıcı bir durum taşımaz. Bu nedenle önceki adımlara ilişkin bilgilerin bellek veya başka bir durum yönetimi mekanizmasıyla ayrıca korunması gerekir. Kararların önceki bağlama ve dinamik olarak değişen sonuçlara bağlı olduğu klinik hasta sınıflandırması (triage) veya finansal portföy yönetimi gibi görevlerde bu durum daha belirgin hâle gelir. Ajanlar, uygun sonlandırma veya hata yönetimi mekanizmaları bulunmadığında aynı araçları tekrar tekrar çağırabilir ya da bir alt görev başarısız olduğunda veya beklenmeyen bir sonuç döndürdüğünde sonraki adımlarını buna uygun biçimde değiştiremeyebilir. Sistematik hata tespiti, geri kazanım ve yeniden planlama mekanizmalarının yetersizliği, kırılgan iş akışlarına ve hataların sonraki adımlara yayılmasına yol açabilir. Bu eksiklikler, güvenilirlik, hata toleransı ve sıralı tutarlılığın kritik olduğu görevlerde yapay zekâ ajanlarının kullanımını sınırlar.

Bu bağlamda yapay zekâ ajanları, tek başına kullanılan üretken modellerin ötesinde önemli bir adımı temsil eder. Yine de genel akıl yürütmenin fazlasına ihtiyaç duyan nedensel çıkarım, uyarlanabilirlik, sağlamlık ve uzun vadeli planlama gibi konularda yaşanan sınırlılıklar (özellikle yüksek riskli veya dinamik ortamlarda) bu sistemlerin kullanımını kısıtlamaktadır.

Ajan Temelli Yapay Zekâ

Ajan temelli yapay zekâ, birden fazla uzmanlaşmış ajanın işbirliği ve çok aşamalı planlama yoluyla daha karmaşık, üst düzey hedeflere ulaşmak üzere birlikte çalıştığı bir yapay zekâ mimarisini ifade eder. Bu sistemler, daha geniş bir hedefin farklı alt görevlerinden sorumlu olan ve merkezi bir koordinatör (orchestrator) veya dağıtık bir iletişim protokolü aracılığıyla koordine edilen modüler ajanlardan oluşabilir. Böylece tek bir ajanın kendi çevresinden gelen girdilere yanıt vermesine dayanan mimarilerden, ajanlar arasındaki etkileşim ve işbirliğinin sistemin genel davranışını belirlediği bir yapıya geçilir. Sapkota vd. (2025), yapay zekâ ajanları ile ajan temelli yapay zekâ arasındaki farkı aşağıdaki görselle açıklar:

Şekildeki tek ajanlı sistemde, bir yapay zekâ ajanı kullanıcı tarafından belirlenen sıcaklık ayarını alır ve hedef sıcaklığı korumak için ısıtma veya soğutma sistemini otonom olarak kontrol eder. Kullanıcının günlük rutinini öğrenme veya kullanıcıların yokluğunda enerji tüketimini azaltma gibi sınırlı uyarlanabilirlik özelliklerine sahip olsa da temel olarak tek ve iyi tanımlanmış bir görevi yerine getirir. Daha geniş çevresel hedefleri diğer sistemlerle birlikte ele almaz ve başka ajanlarla koordinasyon kurmaz.

Ajan temelli yapay zekâ sisteminde ise birden fazla uzmanlaşmış ajan, hava tahmini, günlük planlama, enerji fiyatlandırmasının optimizasyonu, güvenlik izleme ve yedek güç sistemlerinin etkinleştirilmesi gibi farklı görevleri yerine getirmek üzere birlikte çalışabilir. Bu ajanlar yalnızca birbirinden bağımsız tepkisel modüller olarak çalışmaz. Aksine sistemin genel hedefine ulaşmak için birbirleriyle bilgi paylaşabilir, görev sonuçlarını aktarabilir ve eylemlerini koordine edebilir. Örneğin bir hava tahmini ajanı yaklaşan bir sıcak hava dalgasını tespit ettiğinde, bu bilgiyi enerji yönetimi ajanına iletebilir. Enerji yönetimi ajanı da elektrik fiyatlarını ve mevcut güneş enerjisi üretimini değerlendirerek yüksek fiyatlı saatlerden önce binanın önceden soğutulmasına karar verebilir. Aynı sistem, enerji tüketimini azaltmak amacıyla yüksek enerji gerektiren bazı görevleri erteleyebilir veya bina sakinlerinin bulunmadığı alanlarda gözetim ve iklimlendirme politikalarını değiştirebilir.

Bu örnekte önemli olan, tek tek ajanların sahip olduğu yeteneklerden çok, bu ajanların birbirleriyle nasıl etkileştiği ve sistemin genel hedefi doğrultusunda nasıl koordine edildiğidir. Tek bir yapay zekâ ajanı belirli bir görevi yerine getirirken, ajan temelli yapay zekâ daha geniş bir hedefi alt görevlere ayırabilir, bu görevleri farklı ajanlara dağıtabilir ve elde edilen sonuçları sistem düzeyinde birleştirebilir. Bu nedenle ajan temelli yapay zekâ, göreve özgü otomasyondan çoklu ajanların koordinasyonuna dayanan daha karmaşık bir mimariye geçişi temsil eder.

Yapay zekâ ajanları ile ajan temelli yapay zekâ arasındaki temel farklar (Sapkota vd., 2025)

BoyutYapay zekâ ajanıAjan temelli yapay zekâ
Temel yapıBelirli bir görev veya hedef doğrultusunda çalışan tek bir ajanBirden fazla uzmanlaşmış ajanın oluşturduğu koordineli sistem
Görev kapsamıGenellikle belirli ve sınırlı görevlerBirden fazla alt göreve ayrılabilen daha karmaşık hedefler
KoordinasyonKendi algılama, akıl yürütme ve eylem döngüsü içinde çalışırAjanlar arasında bilgi paylaşımı, görev devri ve koordinasyon bulunur
Araç kullanımıAraçları belirli bir görevi gerçekleştirmek için kullanabilirFarklı ajanlar farklı araçları kullanarak ortak hedefe katkıda bulunabilir
Bilgi akışıGirdi -> Ajan -> Araç(lar) -> ÇıktıGirdi-> Ajan1 -> Ajan2 -> … Ajann -> Çıktı
Karar vermeTek ajan, kendi bağlamı ve hedefi doğrultusunda karar verirKararlar, birden fazla ajanın ürettiği bilgiler ve eylemler koordine edilerek oluşturulur
AmaçBelirli bir görevi başarıyla tamamlamakAlt görevleri koordine ederek daha üst düzey bir hedefe ulaşmak
İş akışıGörev odaklı eylem döngüsü Dinamik görev dağılımı ve çoklu ajan işbirliği

Başlıca Mekanizmaları

Ajan temelli yapay zekâ sistemleri, tekil yapay zekâ ajanlarının algılama, akıl yürütme ve eylem gerçekleştirme gibi temel yeteneklerini korurken, mimariyi birden fazla ajanın iletişim kurmasını, görevleri paylaşmasını ve ortak hedefler doğrultusunda koordineli biçimde çalışmasını sağlayacak şekilde genişletir. Bu sistemlerde kullanılan mimari mekanizmalar, uygulamanın gereksinimlerine bağlı olarak farklılık gösterebilir. Öne çıkan mekanizmalar şunlardır Sapkota vd. (2025):

Uzmanlaşmış Ajanlar Topluluğu: Ajan temelli yapay zekâ sistemleri, tek bir ajan yerine farklı görevlerde uzmanlaşmış birden fazla ajandan oluşabilir. Örneğin bir ajan bilgi toplarken, başka bir ajan planlama, özetleme veya değerlendirme görevini üstlenebilir. Bu ajanlar mesajlaşma kanalları, paylaşılan bellek veya diğer iletişim mekanizmaları aracılığıyla birbirleriyle bilgi alışverişinde bulunabilir. Böylece görevler farklı ajanların yeteneklerinden yararlanacak şekilde dağıtılabilir.

Yinelemeli Akıl Yürütme ve Planlama: Ajan temelli sistemlerde karmaşık görevler birden fazla aşamaya ayrılabilir. Ajanlar bir görevin başlangıcında oluşturulan planı doğrudan uygulamak yerine, her aşamanın sonuçlarını değerlendirerek sonraki adımları yeniden belirleyebilir. Bu yaklaşım, beklenmeyen sonuçlar veya kısmi başarısızlıklar ortaya çıktığında planın değiştirilmesine ve görevin farklı bir yoldan sürdürülmesine olanak tanır.

Bellek Mimarileri: Ajan temelli sistemlerde, görevlerin veya oturumların ötesinde bilgi saklamak için farklı bellek mekanizmalarından yararlanılabilir. Kısa süreli bellek, mevcut görevin bağlamını korurken daha kalıcı bellek mekanizmaları, önceki etkileşimlerden veya görevlerden elde edilen bilgilerin daha sonraki çalışmalarda kullanılmasına olanak sağlayabilir. Ancak bellek kullanımı ajan temelli yapay zekânın zorunlu bir özelliği değildir; sistemin gereksinimlerine bağlı olarak farklı bellek mimarileri kullanılabilir veya hiç kullanılmayabilir.

Koordinasyon Katmanları ve Koordinatörler: Birden fazla ajanın bulunduğu sistemlerde, ajanların görevlerini ve aralarındaki bağımlılıkları yönetmek için merkezi veya dağıtık koordinasyon mekanizmaları kullanılabilir. Merkezi bir koordinatör, üst düzey hedefi alt görevlere ayırabilir, bu görevleri uygun ajanlara atayabilir, sonuçları bir araya getirebilir ve gerektiğinde yeni görevler oluşturabilir. Daha dağıtık mimarilerde ise ajanlar bu koordinasyonu doğrudan birbirleriyle iletişim kurarak gerçekleştirebilir. Koordinatörlerin bulunması bu nedenle ajan temelli yapay zekânın zorunlu bir özelliği değil, kullanılan mimari seçeneklerden biridir.

Hedef Odaklı Mimariler: Ajan temelli sistemlerde daha geniş hedefler, farklı ajanların gerçekleştireceği alt hedeflere veya görevlere ayrılabilir. Bu yapı, karmaşık görevlerin daha küçük ve yönetilebilir parçalara bölünmesine ve farklı ajanların bu parçalar üzerinde eş zamanlı veya ardışık olarak çalışmasına olanak tanır. Böylece tek bir ajanın bütün görevi üstlenmesi yerine, farklı yeteneklere sahip ajanların ortak bir hedef doğrultusunda çalışması mümkün olur.

Uyarlanabilir Kontrol Mekanizmaları: Ajan temelli sistemler, değişen çevresel koşullara veya beklenmeyen sonuçlara karşı davranışlarını yeniden düzenleyebilir. Bu uyarlama, model parametrelerinin değiştirilmesini gerektirmez; görev dağılımının değiştirilmesi, planın yeniden oluşturulması, farklı bir aracın seçilmesi veya başka bir ajandan yardım alınması gibi yollarla da gerçekleştirilebilir. Daha gelişmiş sistemlerde meta-öğrenme veya takviyeli öğrenme gibi yöntemlerden yararlanılarak geçmiş deneyimlerden öğrenme ve belirli görevlerdeki performansı iyileştirme de mümkün olabilir. Ancak bu yöntemler, ajan temelli yapay zekânın zorunlu bileşenleri değildir.

Uygulama Alanları

Çoklu Ajanlı Araştırma Asistanları: Ajan temelli yapay zekâ sistemleri, çok aşamalı bilgi derleme süreçlerini otomatikleştirmek amacıyla akademik ve endüstriyel araştırmalarda kullanılmaktadır. Örneğin AutoGen ve CrewAI gibi platformlar, merkezi bir koordinatör aracılığıyla birden fazla ajana bilgi toplama, özetleme, sentezleme ve atıf düzenleme gibi farklı roller atamaya olanak tanır. Koordinatör, görevleri ajanlara dağıtır, görevler arasındaki bağımlılıkları yönetir ve farklı ajanların ürettiği çıktıları tutarlı taslaklara veya araştırma özetlerine dönüştürür. Bellek mekanizmaları ise ajanların önceki adımlarda elde edilen bilgileri korumasına ve gerektiğinde bu bilgileri sonraki görevlerde kullanmasına olanak tanır. Bu sistemler literatür incelemeleri, hibe başvurularının hazırlanması ve patent araştırmaları gibi çok aşamalı görevlerde kullanılır. Alt görevlerin eş zamanlı yürütülmesi, farklı uzmanlıkların bir araya getirilmesi ve geniş bağlamların yönetilmesi gibi olanaklar sunar.

Akıllı Robotik Koordinasyonu: Robotik ve otomasyon alanında ajan temelli yapay zekâ, çoklu robot sistemlerinde işbirliğini ve görevlerin koordinasyon içinde yürütülmesini mümkün kılabilir. Her robot, toplama, taşıma veya haritalama gibi belirli bir görevi üstlenen bir ajanla temsil edilebilirken, bir koordinatör, görev dağılımını ve iş akışlarını yönetebilir. Bu tür mimariler, koordineli fiziksel eylemleri gerçekleştirmek için paylaşılan uzamsal bilgilerden, gerçek zamanlı sensör verilerinden ve ajanlar arası iletişimden yararlanabilir. Dinamik görev dağılımı sayesinde sistem, belirsiz veya değişken ortamlarda görevleri yeniden düzenleyebilir ve robotların değişen koşullara uyum sağlamasına olanak tanıyabilir.

İşbirlikçi Tıbbi Karar Desteği: Yüksek riskli klinik ortamlarda ajan temelli yapay zekâ, tanı, hastanın durumunun izlenmesi ve tedavi planlaması gibi farklı görevleri uzmanlaşmış ajanlara dağıtarak tıbbi karar verme süreçlerini destekleyebilir. Örneğin, bir ajan hastanın öyküsünü ve klinik verilerini analiz ederken, başka bir ajan bulguları ilgili tanı kılavuzlarıyla karşılaştırabilir ve üçüncü bir ajan olası tedavi seçeneklerini değerlendirebilir.

Uyarlanabilir İş Akışı Otomasyonu: Simülasyon ortamlarında ve kurumsal sistemlerde ajan temelli yapay zekâ, görevlerin farklı ajanlar arasında dağıtılmasını ve bu görevlerin koordineli bir biçimde yürütülmesini sağlayabilir. Siber güvenlik olaylarına müdahale, bu yaklaşımın kullanılabileceği alanlardan biridir. Potansiyel bir tehdit tespit edildiğinde, farklı görevlerde uzmanlaşmış ajanlar eş zamanlı olarak devreye girebilir. Bir ajan, geçmiş ihlal verilerinden ve anomali tespit modellerinden yararlanarak tehdidi sınıflandırırken, ikinci bir ajan ağ düğümlerindeki ilgili günlük kayıtlarını sorgulayarak farklı sistemlerden elde edilen veriler arasındaki ilişkileri inceleyebilir. Üçüncü bir ajan, olayın mevzuat ve uyumluluk açısından sonuçlarını değerlendirmek için GDPR veya HIPAA gibi ilgili çerçeveleri inceleyebilir. Dördüncü bir ajan ise olası müdahale seçeneklerini değerlendirebilir ve bu seçeneklerin operasyonel etkilerini analiz edebilir. Bu ajanlar, elde edilen sonuçları bir araya getiren ve sonraki görevleri belirleyen merkezi bir koordinatör aracılığıyla koordineli biçimde çalışabilir. Paylaşılan bellek ve yinelemeli geri bildirim mekanizmaları devreye girdiğinden sistem önceki olaylara ilişkin bilgileri sonraki olayların değerlendirilmesinde kullanabilir. Böylece ajan temelli yaklaşım, karmaşık ve çok aşamalı güvenlik iş akışlarının farklı uzmanlık alanlarına ayrılmasına ve bu alanlardan elde edilen sonuçların sistem düzeyinde birleştirilmesine olanak sağlayabilir.

Özetle, afet yardımı, sağlık hizmetleri ve siber güvenlik gibi doğru ve zamanında karar vermenin kritik olduğu karmaşık ortamlarda, farklı görevleri yürüten yapay zekâ ajanlarının koordineli biçimde çalışabilmesi önemli bir potansiyel sunmaktadır. Ajan temelli yapay zekâ sistemleri, insan karar verme süreçlerinin yerini almak yerine, karmaşık görevleri alt görevlere ayırarak, farklı bilgi kaynaklarını bir araya getirerek ve çok aşamalı iş akışlarını yöneterek insanlara destek olabilir. Bu yaklaşım, yapay zekânın yalnızca kullanıcı taleplerine yanıt veren tepkisel sistemlerin ötesine geçerek planlama, bilgi işleme ve problem çözme gibi daha karmaşık görevleri üstlenebilmesini mümkün kılabilir. Ancak bu potansiyelin gerçek dünyada karşılık bulması, ajanların güvenilir biçimde koordinasyonuna, hataların tespit edilip düzeltilebilmesine ve özellikle yüksek riskli alanlarda insan denetiminin uygun biçimde korunmasına bağlıdır.

Teknik Sınırlılıklar

Hedef Uyumu ve Karmaşıklık

Ajan temelli yapay zekâ tamamen yeni bir teknoloji değildir. Makine öğrenmesi, üretken yapay zekâ ve diğer yapay zekâ tekniklerinin üzerine inşa edilir. Dolayısıyla bu teknolojilerin içerdiği risklerin önemli bir bölümünü de devralır. Bununla birlikte, ajan temelli sistemlerin daha yüksek düzeyde özerklikle eyleme geçebilmesi, yeni risk alanları ortaya çıkarır. Bu sistemlerin tasarımındaki temel sorunlardan biri, ajanların gerçekleştirdiği eylemlerin insan kullanıcıların amaçları ve daha geniş toplumsal değerlerle ne ölçüde uyumlu olduğudur. Bir ajan, kendisine verilen hedefi gerçekleştirmeye çalışırken kısa vadede başarılı görünen, ancak uzun vadede istenmeyen sonuçlara yol açabilecek stratejiler geliştirebilir (Acharya vd., 2025).

Yapay zekâ güvenliği araştırmacıları, uzun zamandır yanlış belirtilmiş veya yanlış yorumlanmış talimatların riskleri konusunda uyarıda bulunuyorlar. Ajan temelli bir yapay zekâ sistemi, bir talimatı kelimesi kelimesine uygulamaya çalışabilir; önemli bağlamı gözden kaçırabilir veya bir hedefe ulaşmak için beklenmedik ve potansiyel olarak zararlı yollar bulmaya çalışabilir. Pekiştirmeli öğrenme algoritmaları şaşırtıcı ve sezgisel olmayan şekillerde yoldan çıkabilir. Örneğin, bir yapay zekâ ajanı, tekne yarışı olan Coast Runners adlı bilgisayar oyununu oynamak üzere eğitildi. Ancak ajan, yarışı tamamlayarak değil, puan kazandıran nesnelere tekrar tekrar çarparak daha yüksek puanlar kazanabileceğini keşfetti. Oysa oyunun amacı yarışı tamamlamaktı, sonsuzca puan biriktirmek değil (Clark ve Amodei, 2016).

Bu nedenle yalnızca ajanın hedefi başarıyla gerçekleştirmesi değil, hedefe ulaşmak için izlediği yolun ve ortaya çıkardığı sonuçların da insan amaçları ve değerleriyle uyumlu olması gerekir.

Çevresel ve Durumsal Uyum

Ajan temelli yapay zekâ sistemleri çoğu zaman dinamik ve karmaşık ortamlarda çalışır. Bu nedenle sistemlerin, kısa süre içinde değişebilen gerçek dünya koşullarına insan müdahalesi olmadan uyum sağlayabilmesi önemli bir zorluktur. Gerçek dünyadaki gelişmelerin önemli bir bölümü önceden öngörülemediğinden, bir ajanın eksik veya belirsiz bilgi altında doğru eylemi seçmesi her zaman mümkün olmayabilir. Dahası, bazı durumlarda teknolojik veya bağlamsal kısıtlar, sistemin yeterli bilgiye ulaşmadan karar vermesini ve harekete geçmesini gerektirebilir. Bu durum, özellikle kritik görevlerde performansın güvenilirliği konusunda belirsizlik yaratır (Acharya vd., 2025).

Ajanların geçmiş deneyimlerden yararlanmasını sağlayan bellek ve öğrenme mekanizmaları uyarlanabilirliği artırabilir. Ancak karmaşık ortamlarda farklı durumlara genellenebilen öğrenme mekanizmalarının geliştirilmesi ve çalıştırılması önemli miktarda hesaplama kaynağı gerektirebilir. Bu nedenle bir sistemin geçmiş deneyimlerden öğrenebilmesi, tek başına gerçek dünyadaki tüm yeni durumlara güvenilir biçimde uyum sağlayabileceği anlamına gelmez.

Kaynak Kısıtlamaları

Ajan temelli yapay zekâ sistemleri, eğitim ve devreye alınma aşamalarında önemli miktarda hesaplama ve enerji kaynağı gerektirebilir. Ayrıca gerçek dünya ortamlarında çalıştırılan sistemler, görevlerinin gerektirdiği özel donanımlara ihtiyaç duyabilir. Örneğin, otonom bir insansız hava aracı veya robotun gerçek zamanlı kararlar verebilmesi için yüksek performanslı işlemcilere veya GPU’lara, düşük gecikmeli sensörlere ve güvenilir bir enerji kaynağına ihtiyaç duyulabilir. Özellikle algılama, akıl yürütme ve eylem döngülerinin sürekli olarak çalıştırılması gereken sistemlerde hesaplama kaynakları ve enerji tüketimi, sistemin çalışma süresini ve ölçeklenebilirliğini sınırlayabilir (Acharya vd., 2025).

Ölçeklenebilirlik

Ajan temelli yapay zekâ sistemlerinde görevlerin ve ajanların sayısı arttıkça sistemin koordinasyon ve kaynak yönetimi gereksinimleri de artar. Akıllı şehirler, sağlık hizmetleri veya finansal hizmetler gibi büyük ölçekli uygulamalar, aynı anda çok sayıda görevin yürütülmesini, farklı veri kaynaklarının işlenmesini ve çok sayıda ajanın koordineli çalışmasını gerektirebilir. Ancak ajan sayısının veya görevlerin artırılması, sistemin performansını her zaman iyileştirmez. Ajanlar arasındaki iletişim, görev bağımlılıkları, ortak kaynaklara erişim ve koordinasyon maliyetleri arttıkça sistemin gecikmesi ve hata olasılığı da artabilir. Bu nedenle büyük ölçekli sistemlerde, performans ve güvenilirlik gibi temel ölçütleri korurken görev ve ajan sayısını artırabilmek önemli bir mühendislik sorunudur (Acharya vd., 2025).

Örneğin akıllı bir şehirde trafik, enerji tüketimi ve atık toplama süreçlerini yöneten çoklu ajanlı bir sistemde, farklı ajanların kendi görevlerini yerine getirmenin yanı sıra diğer ajanların eylemleriyle uyumlu hareket etmesi gerekir. Trafik yönetiminde alınan bir karar enerji tüketimini etkileyebilir; enerji yönetimindeki bir değişiklik ise başka bir sistemin çalışma koşullarını değiştirebilir. Böyle bir ortamda ajan sayısının ve görev çeşitliliğinin artırılması hedefler arasındaki bağımlılıkları, iletişim ve kaynak kullanımını ve farklı senaryolara uyum sağlama gereksinimini daha da karmaşık hâle getirebilir.

Etik Sorunlar

Ajan temelli yapay zekâ, yalnızca üretken yapay zekâ modellerinden değil, farklı makine öğrenmesi yöntemlerinden ve bunları destekleyen çeşitli yazılım bileşenlerinden de yararlanır. Bu sistemlerin yaygınlaşmasıyla, daha önce yapay zekâ etiği çerçevesinde tartışılan sorunlar azalmak bir yana şimdi daha kritik hâle gelmiştir.

Yapay zekâ ajanları ad, doğum tarihi, sağlık verileri ve kredi kartı bilgileri gibi hassas kişisel verilere, hatta özel iletişimlere erişebilecek şekilde tasarlanabilir. Bu durum, mahremiyet, veri güvenliği ve şeffaflıkla ilgili etik sorunları yeniden gündeme getirir. Ajan temelli yapay zekâ sistemlerinin çok bileşenli ve dinamik yapısı, kararların nasıl üretildiğinin izlenmesini ve açıklanmasını zorlaştırarak bilgilendirilmiş karar alma ve sorumlu insan denetimini güçleştirebilir. Bunun yanı sıra, eğitim verilerinde bulunan önyargıların sistem tarafından yeniden üretilmesi veya pekiştirilmesi de önemli bir sorun olmaya devam etmektedir. Ayrıca Floridi’nin (2024) dikkat çektiği gibi, bu sistemlere duyulan bağımlılığın artması insan uzmanlığının ve eleştirel karar verme becerilerinin zaman içinde zayıflamasına yol açabilir. Böyle bir durum, özellikle insanların önemli kararları giderek daha fazla yapay zekâ sistemlerine devrettiği alanlarda aşırı ve riskli bir bağımlılık yaratabilir.

Yapay zekâ ajanları ve ajan temelli yapay zekâ sistemleri, geleneksel yapay zekâ sistemlerine kıyasla üç açıdan daha geniş toplumsal ve etik etkilere yol açabilir.

Daha geniş bir özerkliğe sahiptir: Yapay zekâ ajanları, minimum insan müdahalesiyle veya belirli durumlarda insan müdahalesi olmadan karmaşık görevleri yerine getirmek üzere tasarlanabilir. Bunun için çevreleri hakkında bilgi edinmeleri, çeşitli veri kaynaklarına erişmeleri ve eylemler gerçekleştirmeleri gerekir. Bu durum, mahremiyet ve veri güvenliği açısından yeni sorunlar ortaya çıkarabilir. Bir ajanın kişisel verilere veya başka hassas bilgilere erişmesi, bu bilgileri farklı sistemler arasında aktarması ya da bunlara dayanarak karar vermesi, mahremiyet risklerini artırabilir. Bunun yanı sıra, sistemin taraflı kararlar vermesi veya zarar verici eylemlerde bulunması durumunda adalet ve hakkaniyetle ilgili sorunlar ortaya çıkabilir. Dolayısıyla, artan özerkliğin sorumluluk ve yükümlülükler açısından ne anlama geldiği önemli bir sorudur: Bir ajanın gerçekleştirdiği eylemlerin sonuçlarından kim sorumludur ve bu sorumluluk nasıl paylaştırılmalıdır?

İnsan özerkliği üzerinde daha güçlü bir etkiye sahiptir: Yapay zekâ ajanları, bireylerin kendi kararlarını verme ve yaşamlarını yönlendirme kapasitelerini etkileyebilir. İnsanlar belirli görevleri yerine getirme yetkisini bilinçli olarak yapay zekâ sistemlerine devredebilir. Ancak bu gönüllü ve işlevsel yetki devri, sistemlerin kararlarının nasıl üretildiği ve hangi bilgilere dayandığı konusunda şeffaflık ve açıklanabilirlik sorunlarını gündeme getirir. İnsanlar karar verme süreçlerinin giderek daha büyük bir bölümünü bu sistemlere devrettikçe, alınan kararları anlamaları, değerlendirmeleri ve gerektiğinde müdahale etmeleri de zorlaşabilir. Bu nedenle, insanların sistem üzerindeki kontrolünü koruyabilmesi için hangi koşullarda anlamlı insan kontrolünün (meaningful human control) sağlanabileceği kritik bir sorudur.

İnsanlarla teknoloji arasındaki etkileşimi daha da karmaşıklaştırır: Yapay zekâ ajanları yalnızca insanlardan talimat alan araçlar olarak kalmayıp çevrelerini algılayan, karar veren ve eylemler gerçekleştiren sistemlere dönüştükçe, insanlar ile yapay zekâ arasındaki ilişki de daha karmaşık hâle gelir. Bu nedenle, geliştirme sürecinin devam ettiği aşamalarda ortaya çıkan eğilimleri erken tespit etmek, uzun vadeli toplumsal ve etik sonuçları değerlendirmek ve sorumlu uygulama için rehberlik sağlamak amacıyla düzenli risk değerlendirmelerine ihtiyaç vardır. Bunun yanında, yapay zekâ ajanlarının ve ajan temelli yapay zekâ sistemlerinin hangi toplumsal alanlarda kullanılacağı, hangi amaçlarla konuşlandırılacağı ve hangi değerlere göre hareket etmesi gerektiği konusunda geniş, katılımcı ve disiplinler arası bir tartışmaya ihtiyaç vardır.

Daha yetenekli ajan temelli yapay zekâ sistemlerinin yaygınlaşmasının geniş kapsamlı politik, ekonomik ve toplumsal sonuçları olacaktır. Kuşkusuz bu sistemler hayatın birçok alanında yeni olanaklar sağlayabilir. Bununla birlikte, uzun süredir yapay zekâ etiği bağlamında tartışılan sorunların daha da artması, yoğunlaşması ve bunlara yeni sorunların eklenmesi daha olasıdır.

Sapkota vd. (2025)’nin tarım dronu örneği, mevcut teknolojinin potansiyeli ve içerdiği riskler hakkında önemli bir ipucu:

Otonom bir drone ajanı, bir meyve bahçesini izlemekle görevlendirilir. Bir BGM yardımıyla gerçek zamanlı hava görüntülerini yorumlayarak hastalıklı meyveleri veya hasarlı dalları tespit edebilir. Bu tespitin ardından sistem, insan müdahalesine ihtiyaç duymadan bahçe bakım personeline haber vermek veya hedefli bir tedavi uygulanması gereken alanları işaretlemek gibi önceden tanımlanmış müdahale protokollerini otonom olarak uygulayabilir.

Peki bu ajanın görev yeri bir meyve bahçesi değil de bir savaş alanı veya sınır koruma olursa?

Kaynakça

Acharya, D. B., Kuppan, K., Divya, B. (2025). Agentic AI: Autonomous intelligence for complex goals—A comprehensive survey. IEEe Access, 13, 18912-18936.

Bent, B. (2025). The term ‘agent’has been diluted beyond utility and requires redefinition. Proceedings of the AAAI/ACM Conference on AI, Ethics, and Society, 8, 403-413.

Chytil, M. (1980). MATHEMATICAL METHODS AS COGNITIVE PROBLEM-SOLVERS. Kybernetes, 9(3), 197-205.

Clark, J., Amodei, D. (2016). Faulty reward functions in the wild. Internet: https://blog. openai. com/faulty-reward-functions, 40, 53.

Floridi, L. (2024). Artificial Intelligence as a New Form of Agency (Not Intelligence) and the Multiple Realisability of Agency Thesis.(Articolo online).

Hewitt, C., Bishop, P., Steiger, R. (1973). Session 8 formalisms for artificial intelligence a universal modular actor formalism for artificial intelligence. Advance papers of the conference, 3, 235.

McDaniel, B. (1984). Issues in distributed artificial intelligence. 1984 IEEE First International Conference on Data Engineering, 293-297.

Russell, S. J., Norvig, P. (1995). Artificial Intelligence: A Modern Approach. Prentice Hall Englewood Cliffs, NJ:

Sapkota, R., Roumeliotis, K. I., Karkee, M. (2025). AI Agents vs. Agentic AI: A Conceptual Taxonomy, Applications and Challenges. Information Fusion, 103599.

Notlar:

1 Subsumption mimarisi, 1980’lerin ortalarında Rodney Brooks tarafından geliştirilen ve geleneksel yapay zekâ yaklaşımlarına tepki olarak ortaya çıkan tepkisel (reaktif) bir robot mimarisidir.

2 Stanford Üniversitesi’nde geliştirilen, otonom hareket ve robotik alanının öncü projelerinden biri olan deneysel robot. İlk olarak bir Ay gezginini Dünya’dan yönlendirmenin nasıl olacağını araştırmak için tasarlandı. Zamanla yapılan düzenlemelerle tamamen otonom bir araca dönüştürüldü.

Bir yorum bırakın

E-posta adresiniz yayınlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir