Yapay Zekâ Ajanları Artık Görev Değil, Süreç Devralıyor
apay zekâ ajanları birkaç dakikalık görevlerden haftalar süren iş süreçlerine geçiyor. Asıl değişim daha güçlü modeller değil; hafıza, süreklilik, araç kullanımı ve sonuçtan sorumlu sistemlerin ortaya çıkması.
Yapay zekânın gerçek dönüşümü daha iyi cevaplar vermesinde değil, başladığı işi sonuna kadar takip edebilmesinde olabilir.
Yapay zekâya bir e-posta yazdırmak, belge özetletmek veya müşteri sorusunu yanıtlatmak artık şaşırtıcı değil.
Bunlar günlük işlerin bir parçası haline geliyor.
Ancak bir müşterinin sigorta başvurusunu sonuçlandırmak, bir satış fırsatını sözleşmeye dönüştürmek veya haftalar süren karmaşık bir operasyonu takip etmek bambaşka bir mesele.
Çünkü gerçek iş hayatında değer, çoğu zaman tek bir görevin tamamlanmasıyla oluşmuyor.
Birbirine bağlı onlarca küçük işin, doğru zamanda ve doğru sırayla yapılması gerekiyor.
Yapay zekâ ajanlarının gelişiminde dikkatimi çeken yeni yönelim de tam olarak bu.
Yapay zekâ, tek tek görevleri yerine getiren bir araçtan, bütün bir süreci takip eden sisteme dönüşüyor.
Peki bu gerçekten ne kadar mümkün? Araştırmalar ne söylüyor? Şirketler açısından ekonomik değeri nerede oluşuyor?
Ve daha önemlisi, sürecin tamamını bir yapay zekâ ajanına bırakmak ne kadar güvenli?
İş dünyasının görünmeyen maliyeti: Yarım kalan süreçler
Bir müşteri hizmetleri deneyimini düşünelim.
Bir sorun bildiriyorsunuz. İlk çalışan bilgilerinizi alıyor, bir kayıt açıyor ve konuyu teknik ekibe aktarıyor.
Teknik ekip bir kontrol yapıyor.
Başka bir birimin onayı bekleniyor.
Ardından yeniden iletişim kurulması gerekiyor.
Bu sırada günler geçiyor.
Sorunun teknik olarak çözülmesi belki yalnızca yarım saatlik iş. Ancak toplam süreç üç gün sürüyor.
İşte burada iki farklı zaman kavramı var:
İşlem süresi: Bir görevin gerçekleştirilmesi için harcanan aktif zaman.
Süreç süresi: Talebin başlangıcından tamamen sonuçlanmasına kadar geçen toplam zaman.
Şirketler otomasyon yatırımlarında çoğu zaman ilkini azaltmaya odaklanıyor.
Oysa müşterinin deneyimlediği gerçek süre ikincisi.
Bir işin beş dakikada yapılması, dosyanın beş günde sonuçlanmasını engellemiyorsa beklenen verimlilik müşteriye tam olarak yansımıyor.
Benim açımdan yapay zekâ ajanlarının yeni fırsatı burada ortaya çıkıyor: yalnızca işlemleri hızlandırmak değil, işlemler arasındaki beklemeyi ve bilgi kaybını da azaltmak.
Uzun soluklu yapay zekâ ajanları neyi değiştiriyor?
Geleneksel bir yapay zekâ etkileşiminde kullanıcı istekte bulunuyor, model yanıt veriyor ve işlem sona eriyor.
Uzun soluklu ajanlarda ise daha farklı bir çalışma modeli var.
Bir ajan belirli bir hedefe atanıyor.
Gerekli bilgileri topluyor.
İlk adımları tamamlıyor.
Bir belgenin gelmesini veya başka bir işlemin bitmesini bekliyor.
Yeni olay gerçekleştiğinde kaldığı yerden devam ediyor.
Gerektiğinde başka sistemlerle veya uzman ajanlarla çalışıyor.
Sonuç doğrulanana kadar süreci takip ediyor.
Örneğin bir kurumsal satış sürecini ele alalım.
Potansiyel müşteriyle ilk iletişim kurulması, ihtiyaçların belirlenmesi, teklif hazırlanması, sözleşme maddelerinin değerlendirilmesi ve satın alma onaylarının tamamlanması birbirinden ayrı görevler.
Bir yapay zekâ ajanı bunlardan yalnızca birini yapıyorsa klasik otomasyona yakın bir değer yaratıyor.
Ancak bütün sürecin durumunu biliyor, gecikmeleri tespit ediyor, eksik bilgileri hatırlatıyor ve sonraki adımları hazırlıyorsa artık farklı bir sistemden söz ediyoruz.
Burada önemli bir ayrım var:
Uzun soluklu bir ajan, bilgisayar başında haftalarca kesintisiz çalışan bir yapay zekâ anlamına gelmiyor.
Daha doğru tanım, haftalar boyunca durumunu koruyabilen, gerektiğinde yeniden etkinleşen ve aynı hedef doğrultusunda çalışmaya devam eden bir sistem.
Bu ayrım hem teknik tasarım hem de maliyet açısından önemli.
Araştırmalar bize ne söylüyor?
Bu dönüşümün gerçekten yaşanıp yaşanmadığını anlamak için teknoloji şirketlerinin vaatlerinden çok, kullanım verilerine bakmak gerekiyor.
Anthropic'in Şubat 2026'da yayımladığı ve milyonlarca insan-ajan etkileşimini incelediği çalışma dikkat çekici bulgular içeriyor.
Araştırmada Claude Code'un en uzun otonom çalışma dilimlerinin süresi, yaklaşık üç ay içinde 25 dakikanın altından 45 dakikanın üzerine çıkıyor.
Bu rakam, bütün ajanların ortalama 45 dakika boyunca bağımsız çalıştığı anlamına gelmiyor. En uzun çalışma dilimlerinin oluşturduğu uç dilimdeki değişimi gösteriyor.
Yine de önemli bir eğilime işaret ediyor.
Yapay zekâ sistemlerine yalnızca daha fazla yetenek kazandırılmıyor. Kullanıcılar da deneyim kazandıkça sistemlere daha fazla hareket alanı tanıyor.
Aynı araştırmaya göre yeni kullanıcıların yaklaşık %20'si tam otomatik onayı kullanırken, deneyimli kullanıcılarda bu oran %40'ın üzerine çıkabiliyor.
İlginç olan şu: Deneyimli kullanıcılar otomatik onayı daha fazla kullansalar da gerektiğinde ajanları daha sık durduruyor.
Bu bulgu, güvenin kontrolü tamamen bırakmakla aynı şey olmadığını gösteriyor.
İnsan denetimi her küçük işlemi onaylamaktan, kritik anlarda müdahale etmeye doğru değişiyor.
Ancak bu veriler bize ajanların aylar süren kurumsal süreçleri bugünden güvenilir biçimde tamamladığını kanıtlamıyor. Kod geliştirme ortamındaki otonomi ile gerçek müşteri süreçlerinin uçtan uca yönetimi aynı problem değil.
Bunu birbirinden ayırmak gerekiyor.
Hafıza tek başına yeterli değil
Bir yapay zekâ ajanının uzun süreli çalışması için hafızasının olması gerektiğini düşünmek doğal.
Ancak hafıza, yalnızca geçmiş konuşmaları saklamak değildir.
Bir sistemin şu bilgileri koruyabilmesi gerekir:
- Hangi işlem tamamlandı?
- Hangi belge hâlâ bekleniyor?
- Hangi yöntem daha önce başarısız oldu?
- Hangi tarihte yeniden kontrol gerekiyor?
- Sonraki adıma geçmek için kimin onayı gerekli?
- Bir hata yaşanırsa süreç hangi noktadan devam edecek?
Microsoft'un Agent Framework mimarisinde yer alan kontrol noktaları, yani checkpoint mekanizmaları, bu soruna yönelik teknik çözümlerden biri.
Süreç belirli noktalarda kaydediliyor. Bir kesinti yaşandığında her şeye baştan başlanması gerekmiyor.
İnsan onayı gereken yerde iş akışı bekleyebiliyor ve onay sonrasında devam edebiliyor.
Bence bu teknik ayrıntı, yapay zekâ ajanlarının geleceğini anlamak açısından büyük önem taşıyor.
Çünkü başarılı bir ajan sistemi sadece doğru karar üreten sistem değildir.
Yanlış zamanda durmayan, yanlış yerden başlamayan ve daha önce tamamladığı işlemi kontrolsüz biçimde tekrarlamayan sistemdir.
Özellikle ödeme, sipariş, yetkilendirme veya müşteri verilerinin güncellenmesi gibi işlemlerde aynı eylemin yanlışlıkla iki kez gerçekleştirilmesi ciddi sonuçlar doğurabilir.
Bu nedenle dayanıklı yürütme, işlem kayıtları, yetki sınırları ve gerektiğinde geri alma mekanizmaları modelin zekâsı kadar önem kazanıyor.
Asıl ekonomik değişim: Zamandan tasarruf değil, sonuç üretmek
Araştırmaların işaret ettiği dönüşümün ekonomik boyutunu daha ilginç buluyorum.
Bugün kurumsal yapay zekâ yatırımlarının önemli bölümü zaman tasarrufu üzerinden değerlendiriliyor.
Bir rapor daha hızlı hazırlanıyor.
Bir çağrı daha kısa sürüyor.
Bir belge daha az insan emeğiyle inceleniyor.
Bunlar elbette değerli.
Ancak yapay zekâ bir sürecin sonuna kadar ilerlemesini sağlıyorsa elde edilen değer yalnızca tasarruf olmayabilir.
Daha fazla satış gerçekleşebilir.
Daha az müşteri kaybedilebilir.
Alacaklar daha hızlı tahsil edilebilir.
Eksik belge nedeniyle bekleyen başvurular azalabilir.
Kaçırılan iş fırsatları yeniden kazanılabilir.
Burada şirketlerin teknoloji yatırımını değerlendirme yöntemi değişiyor.
Eski soru: Yapay zekâ çalışanlara kaç saat kazandırıyor?
Yeni soru: Yapay zekâ işletmenin sonuçlarını ne kadar iyileştiriyor?
Bu yaklaşım yazılım sektörünün fiyatlandırma biçimini de etkileyebilir.
Kullanıcı başına abonelik yerine tamamlanan işlem, çözülen vaka veya gerçekleştirilen sonuç üzerinden ödeme modelleri daha fazla gündeme gelebilir.
Ancak burada dikkatli olmak gerekiyor.
Bir satışın gerçekleşmesi yalnızca yapay zekâ ajanının başarısı olmayabilir. Fiyatlandırma, marka, piyasa koşulları ve insan çalışanların katkısı da sonucu belirler.
Dolayısıyla sonuç bazlı fiyatlandırmada en zor sorunlardan biri, ortaya çıkan değerin ne kadarının gerçekten ajana ait olduğunu ölçmek olacaktır.
Pazarın yönünü gösteren üç veri
Gartner'ın 2026 araştırmaları bu dönüşümü farklı bir açıdan değerlendirmemize yardımcı oluyor.
%38: Yapay zekâ harcamalarındaki artış
Nisan ve Mayıs 2026'da 199 müşteri hizmetleri ve destek yöneticisiyle gerçekleştirilen araştırmaya göre yapay zekâ harcamaları %38 artarken ilgili fonksiyonların toplam bütçelerindeki büyüme yalnızca %2.
Bu, işletmelerin teknoloji yatırımlarına öncelik verdiğini gösteriyor.
Ancak harcama artışı tek başına başarılı yatırım getirisi anlamına gelmiyor.
%87: İnsan temsilciye ulaşabilmek isteyen müşteriler
Gartner'ın 3.566 müşteriyle gerçekleştirdiği başka bir çalışmada katılımcıların %87'si, üretken yapay zekâ kullanılan müşteri hizmetlerinde insan temsilciye ulaşabilmenin gerekli olduğunu belirtiyor.
Aynı araştırmada müşterilerin %50'si üretken yapay zekânın etkileşimleri kolaylaştırdığını söylüyor.
Bu iki bulgu birlikte okunduğunda önemli bir mesaj ortaya çıkıyor:
Müşteriler yapay zekâya bütünüyle karşı değil. Ancak seçeneklerinin ellerinden alınmasını istemiyor.
25 dakikadan 45 dakikanın üzerine: Otonom çalışma süresindeki artış
Anthropic'in incelediği en uzun Claude Code çalışma dilimlerinde gözlenen bu artış, ajanlara verilen hareket alanının genişlediğini gösteriyor.
Fakat bu ölçüm müşteri süreçlerinde tamamlanan iş sayısını değil, belirli kodlama oturumlarındaki otonom çalışma süresini ifade ediyor.
Bu üç veri aynı şeyi ölçmüyor. Zaten önemli olan da bu.
Birlikte değerlendirdiğimizde teknolojik kapasitenin, kurumsal yatırımın ve müşteri beklentilerinin aynı hızda ilerlemediğini görüyoruz.
Şirketler daha çok yatırım yapıyor.
Ajanlar daha fazla hareket alanı kazanıyor.
Ama müşteriler insan kontrolünü hâlâ vazgeçilmez görüyor.
Türkiye için fırsat nerede?
Türkiye'deki işletmeler açısından bu teknolojinin değerini yalnızca çalışan maliyetleri üzerinden hesaplamayı doğru bulmuyorum.
Özellikle müşteri hizmetleri, finans, sigorta, lojistik, araştırma ve operasyon yönetiminde gerçek sorun çoğu zaman yalnızca işlem maliyeti değil.
Süreçlerin parçalanmış olması.
Bilgilerin farklı sistemlerde tutulması.
Departmanlar arasındaki koordinasyon eksikliği.
Manuel takip nedeniyle yaşanan gecikmeler.
Ve kurumsal hafızanın kişiler üzerinden ilerlemesi.
Örneğin bir araştırma şirketinde müşteri talebinin alınmasından araştırma tasarımına, saha operasyonundan kalite kontrole ve rapor teslimine kadar uzanan bir süreç düşünelim.
Bu aşamaların tümünü yapay zekâya devretmek ne gerçekçi ne de her durumda doğru.
Ancak her aşamanın durumunu izleyen, eksik bilgileri belirleyen, planlanan tarihleri takip eden, ilgili kişilere hatırlatma yapan ve riskleri önceden görünür kılan bir ajan önemli fayda sağlayabilir.
Benzer bir yaklaşım IT operasyonlarında da düşünülebilir.
Bir güvenlik açığı tespit edildiğinde, ajan yalnızca bir uyarı oluşturmakla kalmayıp ilgili varlığı, sorumlu kişiyi, düzeltme planını, değişiklik onayını ve son doğrulama sonucunu takip edebilir.
Yine de güvenlik duvarı kuralı değiştirmek, üretim sistemini yeniden başlatmak veya hassas verilere erişim vermek gibi işlemler için insan onayı ve yetki sınırları korunmalıdır.
En değerli otomasyon, en fazla işi bağımsız yapan değil; hangi noktada bağımsız davranmaması gerektiğini bilen otomasyondur.
Türkiye'deki şirketler için bu nedenle başlangıç noktası yeni bir yapay zekâ ürünü satın almak olmamalı.
Önce süreçlerin nerede durduğunu, hangi bilgilerin kaybolduğunu ve hangi gecikmelerin maliyet yarattığını anlamak gerekiyor.
Aksi halde kötü tasarlanmış bir süreci yapay zekâyla daha hızlı çalıştırmış oluruz.
Her uzun süreç yapay zekâ ajanına uygun mu?
Hayır.
Burada kritik gördüğüm bir ayrım daha var.
Önceden tanımlanmış, değişkenliği düşük ve kuralları net iş akışlarında geleneksel otomasyon çoğu zaman daha ekonomik ve daha güvenilir olabilir.
Her işlem için dil modeli çağırmak gerekmez.
Ajanlar özellikle belirsizliğin yüksek olduğu, yapılandırılmamış bilgilerin yorumlandığı ve sonraki adımın koşullara göre değiştiği süreçlerde anlamlı hale geliyor.
Dolayısıyla iyi bir kurumsal mimari üç yaklaşımı birlikte kullanabilir:
- Geleneksel otomasyon: Kuralları net ve tekrarlanan işlemler.
- Yapay zekâ ajanları: Yorumlama, araştırma, planlama ve değişken görevler.
- İnsan kararları: Hukuki sorumluluk, yüksek risk, istisnalar ve kritik onaylar.
Sorun, bunlardan hangisinin diğerini tamamen ortadan kaldıracağı değil.
Doğru sınırların nerede çizileceği.
Başarıyı nasıl ölçeceğiz?
Bir yapay zekâ ajanının yüzlerce işlem gerçekleştirmesi etkileyici görünebilir.
Fakat benim için asıl ölçü bu değil.
Değerlendirmede şu soruların sorulması gerektiğini düşünüyorum:
Uçtan uca tamamlanma oranı: Başlatılan süreçlerin kaçı gerçekten sonuçlandı?
Toplam çevrim süresi: Talebin açılmasıyla kapanması arasındaki süre ne kadar azaldı?
İnsan müdahalesi: Hangi aşamalarda, ne sıklıkta insan desteği gerekti?
Hata ve yeniden işlem oranı: Ajanın yaptığı işlemlerin kaçı sonradan düzeltilmek zorunda kaldı?
Ekonomik etki: Maliyet, gelir, müşteri kaybı veya hizmet kalitesinde ölçülebilir değişim oluştu mu?
Güvenlik ve uyum: Yetki ihlali, veri sızıntısı veya kontrolsüz işlem yaşandı mı?
Bunlara ek olarak bir de karşılaştırma grubu gerekiyor.
Ajan kullanılmayan benzer süreçlerin performansını bilmeden elde edilen iyileşmenin gerçekten yapay zekâdan kaynaklandığını söylemek zor.
Bu nedenle uzun soluklu ajanların başarısı yalnızca teknik gösterilerle değil, kontrollü kurumsal pilotlarla değerlendirilmelidir.
Geleceğin ajanı başladığı işi bitirebilen ajan olacak
Yapay zekâ alanında uzun süre daha büyük modelleri, daha yüksek benchmark puanlarını ve daha başarılı cevapları konuştuk.
Bunlar hâlâ önemli.
Ancak iş dünyasının ihtiyacı biraz farklı.
Bir talebin unutulmaması.
Bir müşteriyle iletişimin kopmaması.
Bir sorunun kapanana kadar izlenmesi.
Bir sonraki adımın doğru zamanda atılması.
Ve bütün bunların insan denetimi, güvenlik ve hesap verebilirlik içerisinde gerçekleşmesi.
Bana göre yapay zekâ ajanlarının önündeki asıl sınav burada.
Bir sistemin ne kadar etkileyici konuştuğundan çok, başladığı işi ne kadar güvenilir biçimde tamamladığına bakacağız.
Geleceğin en değerli yapay zekâ ajanı, en fazla şeyi bilen değil; bir hafta sonra bile ne yaptığını hatırlayan, ne yapması gerektiğini bilen ve gerektiğinde insana danışarak süreci sonuçlandırabilen ajan olabilir.
Çünkü iş dünyasının ihtiyacı yalnızca daha fazla otomasyon değil.
Daha az yarım kalan iş.
Anthropic, Measuring AI Agent Autonomy in Practice, 18 Şubat 2026.
https://www.anthropic.com/research/measuring-agent-autonomy
Anthropic, Economic Index: Cadences, Haziran 2026.
https://www.anthropic.com/research/economic-index-june-2026-report
Microsoft, Agent Framework Workflows: Checkpoints.
https://learn.microsoft.com/en-us/agent-framework/workflows/checkpoints
Microsoft, Agent Framework Workflows: Human-in-the-Loop.
https://learn.microsoft.com/en-us/agent-framework/workflows/human-in-the-loop
Gartner, AI Spending by Customer Service Leaders Has Surged by 38%, 26 Ağustos 2026.
Gartner, 87% of Customers Say Companies Using GenAI Must Provide Access to a Human Agent, 4 Ağustos 2026.
Daha Güvenli Bir Çevrimiçi Dijital Deneyim Nasıl Sağlanır?
Günümüzde güvenli bir çevrimiçi deneyim sağlamak çok önemli hale geldi. Hayatınızın intern...
