22 Nisan 2026 · 7 dk okuma
AI Agent Nedir? 2026 Kurumsal Yapay Zeka Ajanları Rehberi
Makrops Mühendislik Ekibi
Yazılım, 3D ve yapay zeka mühendisliği · İstanbul / Berlin / New York
Kısa tanım
AI Agent (Yapay Zeka Ajanı), bir hedefi olan, bu hedefe ulaşmak için kendi başına plan yapan, araç kullanan, karar veren ve gerektiğinde adım tekrarlayan yapay zeka sistemidir. Chatbot tek-cevaplık bir sohbet aracıyken; agent çok adımlı iş yürütür.Bir cümlede: LLM = akıl. Agent = akıl + eller + hafıza + hedef.
Chatbot vs Agent
| Özellik | Chatbot | AI Agent |
| Girdi | Soru | Hedef / görev |
| Çıktı | Cevap | İş tamamlanmış |
| Adım sayısı | 1 | Gerekirse 10+ |
| Araç kullanır mı | Hayır | Evet (API, DB, email) |
| Hafıza | Konuşma içi | Uzun süreli + bölümlü |
| Plan yapar mı | Hayır | Evet |
| Kendi kendini düzeltir mi | Hayır | Evet (ReAct, reflection) |
Agent mimarisi (bileşenler)
1. LLM (beyin) — GPT-4o, Claude 3.5, Gemini 1.5, Llama 3.1 2. Hafıza — kısa (context), orta (vector DB), uzun (structured storage) 3. Araçlar (tools) — fonksiyon çağırma: web search, SQL query, API çağrısı, email gönder, Calendly rezervasyon, RAG sorgusu 4. Planlayıcı — görevi alt adımlara bölen mantık (ReAct, Plan-and-Execute, Tree of Thoughts) 5. Executor — planı adım adım çalıştıran döngü 6. Guardrails — izin verilen araçlar, maliyet limiti, tehlikeli aksiyon filtreleri 7. Observability — her adımın loglandığı tracing (LangSmith, Langfuse, Arize)
Tool use — en kritik kavram
Modern LLM'ler (GPT-4o, Claude 3.5, Gemini) "tool calling" destekler: LLM'e fonksiyon tanımı verirsiniz, ihtiyaç duyarsa çağırır.
Örnek fonksiyonlar:
- `search_crm(customer_id)` — global CRM platformları'tan müşteri bilgisi
- `query_sql(query)` — analytics DB sorgusu
- `send_email(to, subject, body)` — SendGrid
- `create_jira_ticket(...)` — Jira API
- `retrieve_docs(query)` — RAG çağrısı
Kurumsal AI Agent kullanım senaryoları
| Senaryo | Örnek |
| Satış agent'ı | Lead'i araştır → ICP uygunluk skoru → CRM'e not → toplantı talebi maili |
| Destek agent'ı | Ticket kategorize → dokümantasyon RAG → çözüm öner → eskalasyon |
| Finans kapatma | Ay sonu finansalları → açıklamalı rapor → anomali uyarısı |
| Operasyon | Envanter düşük → tedarikçi sorgusu → onay isteği → PO oluştur |
| HR | CV filtrele → ICP skoru → mülakat talebi → kalibrasyon notu |
| SRE / DevOps | Alert geldi → log okur → sebep bulur → incident çağrısı başlatır |
| Yasal | Sözleşme okur → riskli kloz işaretler → özet çıkarır |
| Araştırma | Konu ver → web+RAG tara → rapor yaz → kaynak listesi |
Agent mimari desenleri
ReAct (Reasoning + Acting)
"Düşün → Eyleme Geç → Gözlemle → Düşün" döngüsü. En yaygın temel desen.Plan-and-Execute
Önce tüm planı çıkar, sonra sırayla uygula. Uzun görevler için daha deterministik.Reflection
Her adımdan sonra "doğru mu yaptım?" kontrolü. Hata düzeltme için.Multi-Agent
Birden çok uzman agent birlikte çalışır. Örn: Researcher + Writer + Reviewer. Orkestratör agent koordine eder. Framework'ler: LangGraph, CrewAI, AutoGen.Popüler framework'ler (2026)
| Framework | Güç | Zayıf |
| LangGraph (LangChain) | Graph tabanlı, state yönetimi güçlü | Öğrenme eğrisi |
| LlamaIndex Agents | RAG + agent entegre | LangGraph kadar esnek değil |
| OpenAI Assistants / Responses API | Kolay başlangıç | Vendor lock-in |
| CrewAI | Multi-agent için basit | Prodüksiyon olgunluğu değişken |
| AutoGen (Microsoft) | Multi-agent + kod üretim | Azure'a yatkın |
| Framework'süz (custom) | Tam kontrol | Boilerplate çok |
Agent ne zaman mantıklı, ne zaman aşırı?
| Durum | Doğru araç |
| Tek sorulu soru-cevap | RAG chatbot |
| 2-3 adımlı iş, deterministik | Workflow (n8n, Zapier, temporal) |
| 3+ adımlı, belirsiz, karar gerektiren | AI Agent |
| Yüksek hassasiyet, hata toleransı düşük (tıp, hukuk) | Agent + human-in-the-loop |
| Saniyede binlerce çağrı, gecikme kritik | Klasik kural tabanlı + LLM opsiyonel |
Üretim ortamı için checklist
- [ ] Maliyet limiti per-task ve per-gün
- [ ] Tool permissions — hangi agent hangi araca erişebilir
- [ ] Human-in-the-loop — kritik aksiyonlarda onay
- [ ] Observability — her step log, maliyet, süre
- [ ] Fallback — LLM hatası → klasik akış
- [ ] Versioning — prompt ve tool şemaları versiyonlu
- [ ] Eval pipeline — otomatik kalite ölçüm
- [ ] PII masking — kullanıcı verisi LLM'e gitmeden maskelenmeli
- [ ] Rate limit — kötü niyet ya da döngü koruması
- [ ] Red team — prompt injection testleri
Maliyet gerçekliği
Basit agent çağrısı (GPT-4o, 5 tool call, 3k context): ~0.03-0.10 $. Kompleks agent (planner + 10 tool call + multi-agent, 20k context): 0.50-3 $. Aylık 10.000 görev için: 300-30.000 $.
Mini modeller (GPT-4o-mini, Haiku, Flash) maliyeti 10-20 kat düşürür — router pattern ile karışık kullanım (basit görev → mini, zor görev → büyük) en ekonomik yaklaşımdır.
Gelecek 18 ay
- Computer use / browser use — agent'ların tarayıcı + masaüstü kullanması (Anthropic, OpenAI)
- Long-running agents — günler süren işleri yürüten agent'lar
- Agent marketplaces — hazır özel agent'lar
- On-device agents — telefonda çalışan küçük agent'lar
- Regülasyon — AB AI Act kapsamında yüksek riskli senaryolarda audit trail zorunlu
*Makrops; kurumsal müşteriler için AI agent, multi-agent sistemleri, RAG + agent hibrit ve özel LLM uygulamaları teslim eder. Satış, destek, operasyon ve finans senaryolarında 8-16 haftalık MVP. AI çözümleri hizmetimiz veya iletişim.*