Ajan yapay zeka, önüne konan hedef için birkaç adımı kendi başına planlayan, araç kullanan, sonucu görüp yolunu değiştiren sistemleri anlatıyor. Chatbot ise çoğu zaman soruyu bekliyor, cevabı veriyor ve duruyor. Aradaki fark ilk bakışta küçük. Oysa birinin ürettiği metni siz değerlendiriyorsunuz; diğeri takvime kayıt açabiliyor, kodu değiştirebiliyor ya da bir müşteriye mesaj gönderebiliyor.
Ürün sayfalarında işler bu kadar berrak değil. Tek API çağrısı yapan sohbet kutusuna da “agent” deniyor, saatlerce çalışan çoklu sisteme de. Etikete bakınca her şey agentic AI. Yetkilerine bakınca bambaşka makineler.
Ajan yapay zeka için en kısa tarif
Bir hedef, eyleme geçmesini sağlayan araçlar ve sonuçtan yeni karar üreten döngü.
Model önce bir plan kurabilir. Araçlar dijital ya da fiziksel dünyaya dokunmasını sağlar. Hafıza veya durum kaydı, ilk adımda öğrendiğini üçüncü adıma taşımasına yarar. Döngü sayesinde yaptığı işin sonucuna bakar, sıradaki hamleyi seçer, gerektiğinde yeniden dener. Döngüyü çıkarınca geriye iyi bir yardımcı veya klasik otomasyon kalabilir. Fakat özerklik epey azalır.
MIT’den Phillip Isola’nın tarifi daha kestirme: “Agentic AI, dünyada eyleme geçen AI’dır.” Eylemin robot koluyla yapılması gerekmiyor. Uçak bileti ayırtmak gibi dijital bir işlem de bu sınıfa giriyor. Generative AI içerik üretirken agentic AI sonucu olan bir işe girişiyor.
Isola aynı söyleşide “agent” kelimesinin çoğu üründe bir marka adına dönüştüğünü de söylüyor. Kutunun içinde genellikle Claude gibi bir foundation model, çevresinde araçlar ve hafıza var. Bu paket küçümsenecek bir şey değil. Çünkü izinler, modelin yazdığı cümleyi gerçek işleme çeviriyor. Ne var ki şık paket, modelin yanılma payını ortadan kaldırmıyor.
Konunun diğer modeller ve ürünlerle kesişen tarafları için yapay zeka merkezine uğrayabilirsiniz.
AI agent ile agentic AI aynı şey mi?
Gündelik kullanımda evet. Akademik ve kurumsal tariflerde ise araya bir çizgi çekiliyor.
Luis Aranda ile Kasumi Sugimoto’nun hazırladığı, Şubat 2026 tarihli OECD Artificial Intelligence Paper No. 56, AI agent için çevresini algılayan ve belirli ölçüde özerk biçimde harekete geçen sistem tarifini kullanıyor. Bu sistem belirli bir hedefe ulaşmak için araçlardan yararlanıyor, değişen girdilere ve koşullara uyum sağlayabiliyor.
OECD’nin agentic AI tarifi daha kalabalık. Birden fazla AI agent görevi parçalıyor, aralarında paylaşıyor, birlikte çalışıyor ve uzun süren karmaşık hedeflerin peşinden gidiyor. İnsan gözetimi azalıyor. Çalışma ortamı açıldıkça sonuçların öngörülebilirliği de düşüyor.
MIT Sloan’ın Şubat 2026 tarihli açıklamasında Sinan Aral benzer bir ayrım yapıyor. AI agent bir işi üstleniyor; agentic AI ise farklı agent’ları ortak bir görev etrafında yönetiyor. Bir pazaryerinde pazarlık eden taraflar bunun örneği olabilir. Aral, insanların iki ifadeyi birbirinin yerine kullandığını da kabul ediyor.
Kafada tutmak için kabaca şöyle sıralanabilir:
- Chatbot insanın sorusuna cevap verir.
- AI agent tanımlı hedef için araç kullanır, bir veya birkaç eylem gerçekleştirir.
- Agentic AI farklı agent’ları, araçları, hafızayı ve geri bildirim döngülerini daha uzun bir işte buluşturur.
Gerçek ürünler bu sınırları sevmez. Chatbot arama aracını çağırabilir. AI agent her önemli adımdan önce onay isteyebilir. Çoklu agent demosunda modeller uzun uzun haberleşirken asıl işi sıradan bir script yapabilir. Şemadaki kutu sayısı yerine çalışma biçimine bakmak gerekiyor.
Chatbot neden hâlâ iyi bir seçenek?
Çünkü durmasını biliyor.
İhtiyaç bir taslak, açıklama, fikir listesi ya da insanın kontrol edeceği tavsiyeyse chatbot gayet yeterli. Belge özetlemek, mülakat soruları hazırlamak, e-posta metnini düzeltmek, kodu açıklamak veya sınırları belli bir bilgi tabanında arama yapmak için tam özerklik şart değil.
Adımlar baştan biliniyorsa klasik otomasyon daha iyi bile olabilir. Her fatura aynı doğrulama kurallarından geçiyorsa normal yazılım test edilebilir kayıtlar ve açık hata durumları sunar. AI agent akışı esnetir; karşılığında aynı davranışı yeniden üretmeyi zorlaştırır.
Benim pratik ölçüm şu: Hata ne kadar kolay geri alınabiliyor? Yanlış cevap ucuzsa ve hemen görülüyorsa hız kazanmak mantıklı. Yanlış eylem para gönderiyor, kayıt siliyor, erişim değiştiriyor, müşteriye ulaşıyor veya kodu doğrudan depoya yazıyorsa insan onayı iyi bir mühendislik kararıdır. Bazen sürtünme işe yarar.
Isola, coding agent’ları bugüne kadarki en başarılı kullanım alanı olarak öne çıkarıyor. Sebebi anlaşılır. Kod derlenebilir, testler çalıştırılabilir, diff incelenebilir. Deneme yanılmanın çıktısı ölçülebilir. Tıp, güvenlik ve üst düzey iş politikası gibi alanlarda tam otomasyon için daha ihtiyatlı. Oralarda ikna edici görünen cevap, esas hatayı saklayabilir.
Özerklik hangi durumda masrafına değer?
Agent çalışmaya başlamadan önce bir fatura çıkarır: kimlik bilgileri, araç izinleri, durum kaydı, izleme, tekrar deneme kuralları ve terslikte sorumluluğu alacak kişi. Birden fazla agent varsa koordinasyon yükü eklenir. İş uzadıkça küçük bir yanlışın sonraki adımlarda büyümesi kolaylaşır.
Bu yapıyı, işin yolu gerçekten değişkense kurmak anlamlı. Loglar ile kaynak kod arasında hata araştırmak, farklı biçimlerde gelen kayıtları uzlaştırmak veya birkaç düzeltmeyi ölçülebilir bir sonuca karşı denemek iyi adaylar. Adımlar baştan eksiksiz yazılamaz ama ilerleme kontrol edilebilir.
Sabit bir script aynı işi yapıyorsa, başarının ölçüsü belli değilse ya da her tıklamada onay gerekecekse agent iddiası zayıflar. Altı adımı modelin tıklaması, form ve kuyruktan kendiliğinden üstün değil.
MIT Sloan’daki kanser tedavisinde istenmeyen olayları tespit eden agent örneği bu yüzden değerli. Kate Kellogg ve çalışma arkadaşlarına göre emeğin yüzde 80’i prompt ayarına değil; veri mühendisliğine, paydaşların uzlaşmasına, yönetişime ve mevcut iş akışına entegrasyona gitmiş. Agent projesinin gösterişli olmayan kısmı tam da burası. Model parçalardan biri. Kurum, modelin yaptığı işin anlamlı ve denetlenebilir olacağı zemini ayrıca kuruyor.
Ölçüm tarafında da kolay bir tuzak var. Kellogg’un uyarısıyla, bir çalışanın zamanının yüzde 20’sini geri kazanmak yüzde 20 iş gücü maliyeti tasarrufu demek değil. Dağınık zaman parçaları üretimi hızlandırabilir, can sıkıcı işleri azaltabilir. Fakat bir pozisyonu ortadan kaldırmaz. Otomatik tıklamaları saymadan önce beklenen sonucu yazmak lazım.
Demo düzgün çalışırken neler bozuluyor?
Önce kontrol alışkanlığı gevşiyor. Agent arka arkaya doğru görünen işler ürettikçe sıradaki adımı inceleme isteği azalıyor. Isola bunu “vibe coding” ile ilişkilendiriyor: Yazılım doğru olduğu kanıtlanmadan doğru hissettiriyor.
Talimat da ayrı bir arıza kaynağı. Bazen model yetersiz, bazen insan ne istediğini belirsiz anlatıyor. Durmadan ilerleyen bir agent, o belirsizliği kendinden emin eylemler zincirine çevirebilir. İyi prompt yardımcı olur. Sınırlar, testler ve onay kapıları daha çok yardımcı olur.
Bir de izinler sessizce büyüyor. Faydalı agent kısa sürede kod deposuna, issue sistemine, cloud hesabına, müşteri veritabanına ve mesajlaşma aracına erişmek istiyor. Her bağlantı kabiliyeti artırırken olası hasarın alanını da genişletiyor. OECD, MCP ve A2A gibi ortak standartların yaygınlaşmasını bu başlıkta anıyor. Standart bağlantıyı kolaylaştırır, hangi bağlantının akıllıca olduğuna karar vermez. Araç katmanının ayrıntıları için pratik MCP checklist yeterli; burada aynı listeyi yeniden kurmaya gerek yok.
Sandbox da tek başına sihirli kelime değil. Deneysel agent’a önce silinebilir bir ortam, dar izinler ve izlenebilir çıktılar vermek gerek. Yerel makineye veya production sistemine uzanmadan önce sınırın gerçekten tuttuğu denenmeli. AI agent sandbox gündemi bu sınırın neden varsayımla değil testle korunacağını gösteriyor.
İlginin büyüklüğü tartışmasız. OECD’nin SuperAGI’nin 2025 analizinden aktardığına göre AutoGPT, BabyAGI, OpenDevin ve CrewAI gibi agentic AI framework’lerini kullanan GitHub depoları 2023 başından 2025 ortasına yüzde 920 artmış. Bu sayı deneme iştahını gösteriyor. Güvenilirliği değil.
Agent satın almadan önce tek kural
İşi bitirebilen en az özerk sistemle başlayın.
Daha iyi cevaba ihtiyaç varsa chatbot seçin. Yol belliyse klasik iş akışını kullanın. Yol değişiyor, araç gerekiyor ve sonuç kontrol edilebiliyorsa AI agent düşünün. Birbirinden bağımsız roller gerçekten haberleşmek zorundaysa çoklu agent sistemine geçin. Sunumda tek kutu boş göründü diye değil.
Ardından izinleri daraltın, durma koşullarını yazın, bütün eylemleri kaydedin, pahalı veya geri alınamaz işlemlerin önüne onay koyun. Agentic AI, belirsiz işi üstlenirken hesabı verilebilir tuttuğu ölçüde faydalı. İnsan her tıklamayı takip edecekse chatbot muhtemelen zaten yeterliydi.
