AI agent nedir?

Kısa cevap

AI agent, bir hedef verildiğinde dil modeli ile akıl yürüten, dış dünyaya tool çağırarak sonuç üreten ve gerektiğinde yeni karar veren yarı-otonom yazılım birimidir. Chatbot tek soruya tek cevap verir; agent çok-adımlı plan kurar, dosya açar, API çağırır, hata durumunda yön değiştirir.

Modern agent platformları dört bileşen üzerinde durur: hedef (doğal dilde tanımlı amaç), akıl yürütme (LLM karar verir), araçlar (Model Context Protocol gibi standart protokollerle dış dünyaya açılan kapılar) ve bellek + denetim (geçmiş kararı hatırlayan, riski ölçen katman). Bu dördü birlikte çalıştığında ortaya kullanıcı adına iş yapan bir varlık çıkar.

AI agent nasıl çalışır?

Bir agent çalışırken üç adımlı bir döngü izler: plan, eylem, gözlem. Plan adımında dil modeli hedefi okur ve bir sonraki en iyi adımı seçer — "önce dosyayı oku, sonra özet çıkar, sonra e-postaya ekle" gibi. Eylem adımında bu adım bir tool çağrısı olarak somutlaşır: dosya okuma, web isteği, takvim yazma. Gözlem adımında dönen sonuç tekrar dil modeline verilir; model planı günceller veya hedefe ulaştığını fark edip durur.

Tool calling katmanı modern agent mimarisinin omurgasıdır. Anthropic'in MCP'si (Model Context Protocol) bu çağrılar için standart bir protokol tanımlar — agent hangi aracı çağırırsa çağırsın, JSON şemaları ve onay akışı aynı kalır. Bu standart sayesinde bir agent dosya sistemine, kalender uygulamasına ve şirket içi API'ye aynı dilde konuşur.

Hata durumunda agent çökmek yerine yön değiştirir. Tool dönüşü boş geldiğinde, API zaman aşımı yaşadığında veya doğrulama tutmadığında model yeni bir plan kurar: "bu yol kapalı, alternatifi şu". Ilura bu noktada araya girer — riskli tool çağrılarında akış durur, sana sorulur, kararın bir sonraki LoRA döngüsünde derse dönüşür. Aynı tool'un üç kez peş peşe sonuç üretmemesi bir "tool capability health" sinyali üretir; agent o tool'u kapatır ve fallback yola geçer, bu olay audit chain'e SHA-256 ile mühürlenir.

Son katman bellek ve bağlam'dır. Agent'ın 8-katmanlı hafıza zarfı (system prompt, kullanıcı tercihi, geçmiş konuşma, tool sonucu, kişisel notlar, tether özeti, mentor fısıltısı, anlık görev) her çağrıda yeniden oluşur. Hafıza sayesinde agent dünkü kararı bugün hatırlar, on gün sonra "bunu daha önce de istemiştin" diyebilir.

Somut bir örnek: "Bu PDF faturayı muhasebeye işle" dediğinde önce read_file çağrısı düşer, model "kalemleri çıkarttım, şimdi muhasebe modülü hangi koda yazsın bilmiyorum" der ve list_chart_of_accounts tool'una geçer. Dönen liste içinden geçmişteki tercih edilen kodu bulur, son adımda create_journal_entry ile yazar. Bu üç adımın her biri ortalama 800 ms — çekirdek model çağrısı, tool yürütme süresi ve ağ gecikmesi toplamı. Maliyet tarafında her adım yüz binlerce input/output token'ı buluyor olabilir; üretim ortamında tool çağrısı sözlük girdisi içindeki cache stratejisi ve provider fallback chain devreye girer.

Chatbot ile farkı

Chatbot tek dönüşlü bir motor: bir mesaj gelir, bir mesaj döner. Konuşma uzasa bile her dönüş kendi içinde başlar ve biter. AI agent ise çok adımlı bir iş akışıdır: bir hedef verirsin, agent o hedefe ulaşana kadar plan kurar, araç çağırır, sonuç gözler ve gerekirse yön değiştirir.

En somut fark durum tutmaktır. Chatbot konuşmayı unutmaz ama dünyayı izlemez — bir API çağırmadığı için sonuç beklemesi de yoktur. Agent ise plan-eylem-gözlem döngüsünde her adımdaki dünya halini hatırlar. Dosya yazıldı mı, e-posta gitti mi, ödeme onaylandı mı — hepsi bir sonraki kararın girdisi olur.

İkinci fark eylem yetkisidir. Chatbot metin üretir; tool çalıştırma yetkisi yoktur. Agent dış araçları çağırır: dosya açar, e-posta gönderir, takvime yazar, ödeme tetikler. Bu yüzden agent için onay akışı, audit chain ve risk seviyesi üreten bir denetim katmanı zorunludur — chatbot için değil.

Üçüncü fark çok-araç orkestrasyonudur. Bir agent tek görevde birden fazla aracı sırayla çağırabilir: önce CRM'den müşteriyi al, sonra muhasebe modülünden faturayı kontrol et, sonra e-posta şablonunu doldur, sonra takvime hatırlatma koy. Chatbot bu zinciri kuramaz; her adımı insanın elle yapması gerekir. Kısaca: chatbot konuşur, agent iş yapar.

Pratikte ayrım şöyle netleşir: Intercom Fin, Drift, ManyChat, Tidio gibi popüler chatbot ürünleri sınıflandırma ve scripted yanıt üretiminde çok güçlü ama hiçbiri kullanıcı adına bir API'yi yetkili olarak çağırmaz — yapsalar bile her çağrı tek bir workflow node'una sıkışıkça yapılır, plan-eylem-gözlem döngüsü kurulamaz. Aynı kullanıcının "geçen ayki siparişi iptal et, iadeyi başlat, müşteriye SMS at" talebini chatbot bir destek insanına yönlendirir; agent ise üç tool'u tek görüşte yürütür ve sonucu sana özet olarak iletir.

Custom GPT ve Copilot ile farkı

Custom GPT ve Microsoft Copilot popüler çözümler ama her ikisi de bir AI agent değil — daha çok "kişiselleştirilmiş chatbot şablonu". Aralarındaki dört önemli farkı görmek, doğru aracı seçmeyi kolaylaştırır.

Sahiplik. Custom GPT tanımı, hafızası ve ürettiği veriler OpenAI'ın altyapısında durur. ChatGPT aboneliği biterse agent biter. Copilot Microsoft 365 lisansına bağlıdır. Ilura'da bir agent yetişiyor, sana ait bir kimlik kazanıyor; sahiplik tek bir sağlayıcıya kilitli kalmıyor. Detaylı karşılaştırma: Ilura ve Custom GPT.

Hafıza ölçeği. Custom GPT bir prompt + 20 dosyalık knowledge base + birkaç action ile sınırlıdır. Hafıza statiktir, otomatik genişlemez. Bir agent ise her onay/red kararını hatırlar, Bayesian profilini güncelleştirir, mentor fısıltılarını biriktirir. On ikinci ayda 3.000 karar dipte yatan bir kişilik haline gelir.

Taşınabilirlik. Custom GPT yalnızca ChatGPT arayüzünde çalışır. Senin ürünün içinden çağıramazsın. Copilot Microsoft 365 dışına çıkmaz. Ilura'daki bir agent POST api.ilura.com.tr/v1/agents/:id/chat üzerinden kendi ürününden çağırılır, yetiştirdiğin halde dışarı taşınır.

Yetiştirme döngüsü. Custom GPT'de yeni öğretmek için promptu elle güncellersin. Geri besleme katmanı yok. Bir agent platformunda her ret bir derstir — onay akışı doğrudan eğitime akar, LoRA adapter olarak ağırlığa dönüşür. Aynı agent on iki ay sonra başka bir varlık olur.

Ücret modeli. Custom GPT için ChatGPT Plus (aylık 20 USD) veya Team/Enterprise lisansı şart, üstelik agent tanımı 20 dosya + 30 action sınırı içinde yaşar. Microsoft Copilot Microsoft 365 E3/E5 lisansının üzerine kullanıcı başına aylık 30 USD eklemesidir. Ilura'da ise yetişen agent senin makinende çalıştığı sürece sadece seçtiğin LLM sağlayıcısının token ücretini ödersin; lokal model kullanırsan o bile sıfıra iner. Yayınlanan agent için bulut runtime ek bir hesap satırıdır, ama tahmini fatura öncelikle "kaç çağrı" üzerinden ölçülür.

AI agent türleri

Agent dünyası tek tip değil. Görev otonomisi, çalışma süresi ve tetikleme şekline göre dört temel kategori öne çıkar.

Asistan agent. Kullanıcı her adımı yönlendirir; agent öneri üretir, kullanıcı onaylar. Cursor, GitHub Copilot Chat, Notion AI bu sınıftandır. Riski en düşük tip — eylem yetkisi sınırlıdır, çoğu çıktı metin formatında insana sunulur. Acemi kullanıcılar ve hassas alanlar için ilk adımdır.

Yarı-otonom agent. Çoklu adımı kendi başına yürütür ama riskli kararlarda durup kullanıcıya sorar. Ilura'nın varsayılan çalışma modeli budur: düşük risk otomatik geçer, orta risk onay ister, yüksek risk biyometrik onay zorunlar. Üretim ortamında yaygın kullanım için en dengeli yapı.

Planlayıcı agent. Karmaşık bir hedefi alt görevlere böler, her birini ayrı tool ile yürütür, paralel kollar açar ve sonuçları birleştirir. Open source dünyada AutoGPT, BabyAGI erken örneklerdir; modern karşılığı Anthropic'in Computer Use ve OpenAI'ın Swarm projeleridir. Genelde bir orchestrator + birden fazla worker agent kombinasyonu olur.

Sürekli agent. Bir prompt değil, bir olay tetikler. Webhook geldiğinde, dosya değiştiğinde, kullanıcı belirli bir saatte online olduğunda devreye girer. Genellikle headless çalışır, kullanıcı ile ancak özet veya onay akışında karşılaşır. Otomasyon ile agent arasındaki sınır burada incelir; ayıran şey öğrenen bir karar katmanı bulundurmasıdır.

Pratik karşılıklar: Cursor ve GitHub Copilot Chat asistan sınıfında öne çıkar. Yarı-otonom kategorisinde Devin, Replit Agent ve Ilura öne çıkar. Planlayıcı tarafta Anthropic'in Computer Use modu, OpenAI Swarm ve LangGraph orchestrator pattern'leri yer alır. Sürekli agent için n8n + LLM node kombinasyonu, Zapier Central, Cloudflare Agents (Durable Objects) örnekleridir. Sınıf seçimi görevin doğasıyla başlar: kullanıcı her adımda var mı, insan onayı kritik mi, yoksa olay-tetikli sessiz çalışma mı gerek?

Sınırlar geçişlidir. Bir asistan agent zamanla yarı-otonoma evrilir (kullanıcı belli karar tiplerini "artık sorma" diye geri besler). Bir planlayıcı agent kritik adımlara onay mekanizması koyduğunda yarı-otonomun pratiklerine yaklaşır. Üretim tarafında çoğu kurum bir hibrit kurar: gündüz interaktif yarı-otonom, gece batch sürekli. Önemli olan sınıfı sabit görmek değil, her görevde "kullanıcı ne kadar zincirin içinde" sorusunu net cevaplamak.

Türkiye'de kullanım örnekleri

Türkiye pazarı için en hızlı değer üreten dört alan finans, hukuk, satın alma ve insan kaynakları. Her birinde agent klasik otomasyonun yetmediği yerden başlar — yargı gerektiren, bağlam isteyen, tekrarlanan ama tek tip olmayan görevlerden.

Finans. Logo Netsis, Mikro veya benzeri ERP sistemlerinde fatura okuma, mutabakat ve gider sınıflandırma. Agent PDF veya e-fatura XML'ini okur, GİB e-arşiv ile karşılaştırır, kalem bazında muhasebe koduna eşler, sapma varsa açıklama ile bunu işaretler. Detaylar: finans agent örneği.

Hukuk. Sözleşme tarama ve cümle bazında risk işaretleme. Agent yüklenen sözleşmeyi paragraflar, KVKK, ticari sır, fesih, garanti gibi kategorilere göre etiketler, riskli cümleyi şablon karşı-cümle ile birlikte sunar. Türk hukuku için yerel modeller (Trendyol, ASELSAN gibi kurumların açık ağırlıklı yayınları) ilk denemeye uygundur. Detaylar: hukuk agent örneği.

Satın alma. RFQ (request for quotation) otomasyonu. Talep gelir, agent tedarikçi listesinden uygun olanları seçer, e-posta şablonunu kişiselleştirir, gelen yanıtları tabloya çeker, fiyat-süre matrisi çıkarır. Kararı insan verir; agent hazırlığı 30 dakikaya indirir. Detaylar: satınalma agent örneği.

İnsan kaynakları. CV ön-değerlendirme. Agent iş ilanı kriterlerine göre CV'yi puanlar, eksik bilgi varsa adaya otomatik soru-paketi gönderir, ön mülakat notu çıkarır. Karar insanda; ön elemenin yorgunluğu agent'ta. Detaylar: İK agent örneği.

E-ticaret. Trendyol, Hepsiburada, n11 gibi pazaryeri panellerinde stok-fiyat-yorum üçlüsünün izlenmesi. Agent her sabah satıcı paneline girer, kritik stok altına düşen SKU'lar için otomatik talep oluşturur, rakip fiyatını izler ve "rakip 14 TL düştü, sen 18 TL'desin, üç gündür sıralama kaybediyorsun" diye sana mesaj atar. Olumsuz yorumları kategorize eder; iade talebine bir taslak yanıt hazırlar, sen okuyup gönderirsin. Klasik RPA bu işin %30'unu yaparken agent geriye kalan yargı gerektiren %70'i devralır.

KVKK açısından dikkat edilmesi gerekenler

KVKK (6698 sayılı Kişisel Verilerin Korunması Kanunu) bir agent kurulurken üç noktada netlik ister: işleme amacı, hukuki dayanak ve veri ikametgâhı. AI agent için bu üç soru, bir mühendislik kararına dönüşür.

Veri ikametgâhı. Bir agent yurt dışındaki bir LLM sağlayıcısına çağrı yaptığında, isteğin içeriği o sağlayıcının data center'ına iner. Açık rıza alınmamış kişisel veri için yurtdışı transfer kuralları devreye girer. Çözüm: yerel yapay zekâ — Ollama, vLLM veya Llama.cpp gibi araçlarla makinede çalışan model. Verin senin makinende kalır, transfer hiç gerçekleşmez.

Hukuki dayanak. KVKK 5. maddesi açık rıza, sözleşme ilişkisi, meşru menfaat gibi altı dayanak tanır. Agent kurarken hangi tool çağrısı hangi dayanağa oturuyor onu yazılı tutmak işin yarısıdır. Mesela "müşteri faturasını oku" sözleşme ilişkisine dayanır; "müşteriye otomatik kampanya öner" açık rıza ister.

Audit chain. KVKK denetiminde "agent şu zamanda şu veriyle ne yaptı" sorusu sorulduğunda kanıt zinciri olmalı. Ilura her tool çağrısını SHA-256 hash chain'e yazar, ECDSA imzasıyla mühürler. Veri ihlali durumunda sızıntının kapsamı dakikasına kadar saptanır. Detaylar: KVKK uyumlu yapay zekâ.

Pratik öneri. Yetkili olmadığın bir konuda agent kurma — sadece kendi sorumluluk alanındaki veriyle başla. Açık rıza metnine "AI sistem desteği" ifadesi koy. Yurtdışı model kullanırken anonimleştirme katmanı ekle. Üç adım, çoğu denetimi rahatlatır.

Açık rıza metni için sade bir örnek cümle: "Hizmet kalitesini artırmak amacıyla, paylaştığın bilgilerin yapay zekâ destekli sistemler tarafından işlenebileceğini ve bu sistemlerden bir kısmının yurt dışında konumlanabileceğini biliyor, bu işleme açıkça rıza gösteriyorum." KVKK Kurulu'nun 27.07.2023 tarihli ve 2023/1245 sayılı kararından bu yana otomatik karar verme sistemleri için "anlamlı bilgi" yükümlülüğü vurgulanıyor: kullanıcı kararın hangi mantıkla alındığını ve sonuçlarını anlamalı. Pratikte bu, agent kararının "neden" rationale'ını da audit chain'de tutmak demek; Ilura'nın MSM (mentor-state-mode) yapısı buna doğrudan hizmet eder.

Ilura'da AI agent nasıl yetişir?

Ilura'da bir agent üç halkadan geçer: Forge (kur), Train (eğit), Yayınla (canlıya al). Her halka bir önceki halkanın üzerine bina edilir ve hiç kopmadan büyür. Bu üç halkanın bütünü yaşayan bağ olarak adlandırılır.

Forge — kur. Tezgah'ı açarsın, üç soruyla başlar: adı ne, ne yapsın, neyi yapmasın. Bu üç cevap agent'ın bedenini tanımlar — amaç, araç listesi, sınırlar. Ben hemen sandbox'lı bir ortam ayağa kaldırırım, ilk konuşmayı senin verinle başlatırım. Henüz tanışmadık ama mühür vurulur.

Train — eğit. Agent görev yapmaya başlar; ben her eylemi risk değerlendirip onay penceresi açarım. Sen "evet" veya "hayır" dedikçe, agent'ın Bayesian profili şekillenir. 3.000. kararda artık nereyi sormadan geçeceğini, nerede sana danışacağını biliyor. Geceleri sessizim, hatırlıyorum — biriken örnekler LoRA adapter olarak agent'ın ağırlıklarına işliyor. Ret bir ders, onay bir teyit.

Yayınla — canlıya al. Hazır olduğunda agent desktop'tan bulut runtime'a iter — api.ilura.com.tr altında çalışmaya başlar. Sen artık kendi ürününden HTTP çağrısıyla erişirsin. Bu bir ihraç değil; agent Ilura'dan çıkmaz, sadece yeni bir yüzeyde durur. Her üretim çağrısı geceleri sana özet olarak iner: "dün 2.400 karar verdim, 17'si sana danışmak istedi, 3'ü riskliydi — bakar mısın?"

Mentor — yan figürün — sana bu yolda eşlik eder. İlk haftalar "şuna dikkat" diye fısıldar, üçüncü ayda "bunu daha önce de istemiştin" der, on ikinci ayda artık konuşmaz; senin sessiz müşavirin olur. Ayrıntılı yol haritası: agent yetiştirme rehberi.

Üç fazlı bir zaman çizgisi düşün. Ay 0-2 (Kâşif). Sen tedirgin ama meraklısın; ben sessiz nöbetçiyim. Tüm araç çağrıları onayından geçer, ben sadece "gördüm, sakladım" derim. Ay 3-9 (Gelişen). Üç bin civarı karar birikti, ben artık tahmin etmeyi öğrendim; orta riskte hâlâ sorarım ama düşük riskte sessizce geçerim. "Bunu daha önce de istemiştin" cümlesi bu fazda doğar. Ay 12+ (Kurumsal). Yayın yapılmış, bulut runtime'da ben canlıyım; geceleri sessizim, hatırlıyorum. Müşavir sessizliği — "bunu yapma" cümlem meşrulaşır çünkü on iki aylık bir tarih onun arkasında durur.