Yapay zekâ ajanı nedir? KOBİ'ler için ne yapar, nerede işe yarar

Yapay zekâ ajanı, verilen bir hedefe ulaşmak için hangi adımın atılacağına büyük dil modeliyle karar veren ve bu adımları yazılım araçları üzerinden kendisi uygulayan sistemdir. Sohbet botu soruyu yanıtlar; ajan ise sipariş kaydını sorgular, taslak hazırlar ya da talep açar. KOBİ'ler için doğru başlangıç, hata maliyeti düşük tek bir işi seçmek ve sonucu etkileyen her adıma insan onayı koymaktır.

Öne çıkanlar

• Türkiye'de 10 ve daha fazla çalışanı olan girişimlerde yapay zekâ kullananların oranı 2025'te %7,5 iken 2026'da %14,0 oldu (TÜİK, 2026 verisi; 2 Ekim 2026'da yayımlandı (yeni sekmede açılır)).
• Gartner, ajan tabanlı yapay zekâ projelerinin %40'tan fazlasının 2027 sonuna kadar iptal edileceğini öngörüyor. Gerekçeler: artan maliyet, belirsiz iş değeri ve yetersiz risk kontrolü (Gartner, 25 Haziran 2025 (yeni sekmede açılır)).
• Her iş ajan gerektirmez. Adımları sabit işlerde kurallı otomasyon, yalnızca bilgi bulmaya dayalı işlerde belgelerden yanıt veren bir asistan çoğu zaman yeterlidir.
• Ajanın yetkisi en az yetki ilkesiyle sınırlanmalı; ödeme, fiyat ya da kayıt silme gibi geri alınması zor işlemler insan onayından geçmelidir (OWASP, LLM01:2025 (yeni sekmede açılır)).
• Kişisel veri işleyen bir ajan 6698 sayılı Kanun kapsamındadır. Veri yurt dışındaki bir model sağlayıcısına gidiyorsa aktarım kuralları da devreye girer (KVKK, Kasım 2025 (yeni sekmede açılır)).

Yapay zekâ ajanı nasıl çalışır?

Ajan bir döngü içinde çalışır: durumu okur, sıradaki adımı seçer, bir aracı çalıştırır, sonucu değerlendirir. Hedefe ulaşana ya da durması gereken bir noktaya gelene kadar bu döngüyü tekrarlar.

Bir ajanın beş parçası vardır:

• Büyük dil modeli (LLM): Metni okuyup üretebilen model. Ajan içinde isteği yorumlar ve sıradaki adımı seçer.
• Araçlar (tools): Ajanın çağırabildiği işlevler. Sipariş sorgulamak, stok okumak, e-posta taslağı oluşturmak gibi. Modelin bu işlevleri yapılandırılmış bir istekle kullanmasına araç çağırma (tool calling) denir.
• Bilgi kaynakları: Prosedür, katalog, sözleşme gibi belgeler. Model bunlara çoğunlukla arama destekli üretimle (RAG) erişir.
• Kurallar ve yetkiler: Ajanın neyi okuyabileceği, neyi önerebileceği ve neyi kendi başına yapabileceği.
• Kayıt: Her adımın, kullanılan kaynağın ve verilen kararın sonradan izlenebilen dökümü.

Model sağlayıcısı Anthropic, Aralık 2024'te yayımladığı rehberde iki yapıyı ayırır. İş akışlarında (workflow) dil modeli ve araçlar önceden yazılmış kod yollarıyla yönetilir. Ajanlarda ise süreci ve araç kullanımını model kendisi yönlendirir. Aynı rehber, bu özerkliğin daha yüksek maliyet ve birbirine eklenen hata riski getirdiğini de not eder (Anthropic, 19 Aralık 2024 (yeni sekmede açılır)).

Ajanı muhasebe programına, CRM'e ya da tablolara bağlamanın yollarından biri Model Context Protocol'dür (MCP). MCP, yapay zekâ uygulamalarını dış sistemlere bağlamak için geliştirilmiş açık kaynaklı bir standarttır (MCP belgeleri, erişim 13 Ekim 2026 (yeni sekmede açılır)). Bağlantının yetki tarafını MCP nedir? yazımızda ayrıca ele alıyoruz.

Sohbet botu, otomasyon ve ajan: fark nerede?

Üçünü ayıran soru şudur: sıradaki adıma kim karar veriyor? Sohbet botunda kullanıcı, kurallı otomasyonda önceden yazılmış akış, ajanda ise dil modeli karar verir.

Gartner da Haziran 2025 açıklamasında benzer bir ayrım öneriyor: karar gereken yerde ajan, rutin iş akışında otomasyon, basit bilgi bulmada asistan. Aynı açıklamaya göre bugün ajan diye sunulan kullanım senaryolarının birçoğu ajan gerektirmiyor. Gartner, binlerce "ajan" sağlayıcısından yalnızca yaklaşık 130'unun bu niteliği gerçekten taşıdığını tahmin ediyor (Gartner, 25 Haziran 2025 (yeni sekmede açılır)).

Kural tabanlı bot ile işlem yapan asistanı da ekleyerek dört seviyeyi maliyet kalemleriyle birlikte chatbot ile yapay zekâ ajanı farkı yazısında karşılaştırıyoruz. İkisini aynı süreçte birleştirmeyi ise ajan mı, kurallı otomasyon mu? yazısında anlatıyoruz.

KOBİ süreçlerinde ajan nerede işe yarar?

Ajan; girdisi her seferinde biraz farklı olan, birden fazla sisteme bakmayı gerektiren ve sonucu bir insanın hızla kontrol edebildiği işlerde değer üretir. Aşağıdaki tablo, Türk KOBİ'lerinde sık görülen altı süreci bu gözle ele alıyor.

Tablonun her satırında ajan hazırlar, insan karar verir. Bu ayrım hatayı sınırlar ve başarıyı ölçülebilir kılar. Örneğin taslakların ne kadarının düzeltilmeden onaylandığı izlenebilir.

Cari mutabakat satırı ayrıca öğreticidir: ajanın muhasebe verisine yalnızca okuma yetkisiyle bağlanması yeter. Kayıt değiştirme yetkisi gerekmediği için risk de düşük kalır.

Örnek akış: "Siparişim nerede?" mesajı adım adım

Bir ajanın gerçekte ne yaptığını görmenin en kolay yolu, tek bir mesajı baştan sona izlemektir. Aşağıdaki akış, web sitesinden ya da WhatsApp'tan gelen bir sipariş sorusunu ele alıyor.

1. Mesaj gelir. Müşteri "Geçen hafta verdiğim sipariş hâlâ gelmedi" yazar. Mesajda sipariş numarası yoktur.
2. Ajan eksik bilgiyi tamamlar. Müşterinin telefon numarasıyla sipariş sisteminde arama yapar (okuma yetkisi). Birden fazla sipariş çıkarsa hangisinin kastedildiğini sorar.
3. Kargo durumunu sorgular. Siparişe bağlı gönderi numarasıyla kargo firmasının sistemine bakar (okuma yetkisi).
4. Durumu yorumlar. Gönderi dağıtımdaysa teslim bilgisini aktarır. Gönderi günlerdir aynı şubede bekliyorsa durumu istisna olarak işaretler.
5. Yanıt taslağı hazırlar. Olağan durumda bilgilendirme yanıtı doğrudan gönderilebilir. İstisnada taslak, müşteri temsilcisinin ekranına düşer (öneri yetkisi).
6. İnsan karar verir. Yeniden gönderim, iade ya da tazmin gerekiyorsa kararı temsilci verir. Ajan bu işlemleri kendisi başlatamaz.
7. Her adım kayda geçer. Hangi sistemin sorgulandığı, hangi bilginin kullanıldığı ve kimin onay verdiği sonradan izlenebilir.

Bu akışta dil modelinin işi üçtür: serbest yazılmış mesajı anlamak, sıradaki sorguyu seçmek ve yanıtı doğal bir dille yazmak. Sorguların kendisi ise kurallı yazılımdır. Ajanı güvenilir kılan da bu dengedir: model yorumlar, yazılım uygular, insan onaylar.

Ajanın gördüğü kişisel veri de bu işin gerektirdiği alanlarla sınırlı tutulur. Sipariş durumunu yanıtlamak için müşterinin adresine ya da ödeme bilgisine erişmesi gerekmez.

Ajan gerekmeyen durumlar: beş soruluk karar listesi

Ajan, en esnek ama en zor denetlenen seçenektir. Anthropic'in rehberi de önce mümkün olan en basit çözümü bulmayı ve karmaşıklığı yalnızca gerektiğinde artırmayı öneriyor.

Bir süreci ajana vermeden önce şu beş soruyu sırayla sorun:

1. Adımlar her seferinde aynı mı? Evet ise kurallı otomasyon yeterlidir. Dil modeli ya hiç gerekmez ya da yalnızca tek bir adımda, örneğin serbest metinden bilgi çıkarmada kullanılır.
2. İş yalnızca doğru bilgiyi bulup aktarmak mı? Evet ise belgelerinizden yanıt veren bir asistan yeterlidir. Ajana işlem yetkisi vermeye gerek yoktur.
3. Hata geri alınabiliyor mu? Hayır ise (ödeme, fiyat, resmî bildirim) ajan yalnızca taslak hazırlar. Son adımı insan atar.
4. Veri dijital ve erişilebilir mi? Bilgi kâğıtta, kişisel dosyalarda ya da bir çalışanın hafızasındaysa önce veri işi yapılmalıdır.
5. Hacim emeğe değer mi? İş ayda birkaç kez yapılıyorsa ajanı kurmak, test etmek ve izlemek, kazandırdığı zamandan fazla emek isteyebilir.

Beş sorudan sonra hâlâ "ajan" cevabı çıkıyorsa, onu dar bir görevle ve bir onay adımıyla başlatın.

Türkiye'de işletmeler yapay zekâyı ne kadar kullanıyor?

TÜİK'in 2 Ekim 2026'da yayımladığı yapay zekâ istatistiklerine göre, 10 ve daha fazla çalışanı olan girişimlerde yapay zekâ kullanımı bir yılda yaklaşık iki katına çıktı. Kullanım hâlâ azınlıkta ve büyük şirketlerde yoğunlaşıyor (TÜİK, 2026 verisi; 2 Ekim 2026'da yayımlandı (yeni sekmede açılır)):

• Yapay zekâ teknolojilerinden en az birini kullanan girişimlerin oranı 2025'te %7,5 iken 2026'da %14,0 oldu.
• Bu oran 10–49 çalışanlı girişimlerde %12,8, 50–249 çalışanlılarda %17,0, 250 ve üzeri çalışanlılarda %37,1.
• En yaygın kullanım amacı %51,0 ile pazarlama veya satış.
• Yapay zekâ kullanan girişimlerin %16,6'sı bu teknolojilerle kişisel veri işlediğini beyan etti.
• Kullanmayan ama kullanmayı düşünen girişimlerin en sık gösterdiği nedenler: uzmanlık eksikliği (%72,3), zarar durumunda sorumluluğa ilişkin hukuki belirsizlik (%66,4) ve veri koruma endişesi (%65,4).

Bültenin büyüklük gruplarına göre yıllar içindeki dökümünü TÜİK yapay zekâ istatistikleri yazımızda ayrıntılı olarak ele alıyoruz.

Rakamlar, yapay zekâyı düşünen girişimlerin en çok uzmanlık, sorumluluk ve veri koruma konusunda tereddüt ettiğini gösteriyor. Bu yüzden bir ajan projesinin ilk belgeleri model seçimi değil, görev tanımı, onay noktaları ve veri akışı olmalı. Küçük bir şirketin nereden başlayacağını küçük işletmeler için yapay zekâ yazımızda beş soruyla ele alıyoruz.

Riskler: hata, kötüye kullanım, maliyet ve KVKK

Gartner, 2027 sonuna kadar iptal edilmesini beklediği ajan projeleri için üç gerekçe sayıyor: artan maliyet, belirsiz iş değeri ve yetersiz risk kontrolü. Aşağıdaki dört başlık, bu gerekçelerin günlük işteki karşılığıdır.

Yanlış bilgi (halüsinasyon)

Dil modelleri, gerçekle örtüşmeyen ama ikna edici görünen yanıtlar üretebilir. Kişisel Verileri Koruma Kurumu, Kasım 2025 tarihli rehberinde bu riske halüsinasyon adını verir. Çıktıların düzenli izlenmesini ve gerektiğinde insan gözetimiyle desteklenmesini önerir (KVKK, Kasım 2025 (yeni sekmede açılır)). Riski azaltma yollarını yapay zekâda halüsinasyon yazısında anlatıyoruz.

İstem enjeksiyonu (prompt injection)

İstem enjeksiyonu, modele verilen girdinin onun davranışını istenmeyen biçimde değiştirmesidir. OWASP'ın büyük dil modeli uygulamaları için 2025 risk listesinde ilk sırada yer alır. Ajanlar için asıl tehlike dolaylı türüdür: talimat, ajanın okuduğu bir web sayfasına, e-postaya ya da dosyaya gizlenmiştir. OWASP'ın önerileri ajan tasarımına doğrudan uyar: modelin erişimini gereken en az yetkiyle sınırlamak ve ayrıcalıklı işlemlerde insan onayı istemek (OWASP, LLM01:2025; erişim 13 Ekim 2026 (yeni sekmede açılır)). Onay matrisini yapay zekâ ajanı güvenliği yazısında örnekliyoruz.

Kullanım maliyeti

Ajanın attığı her adım bir model çağrısıdır. Çok adımlı bir ajan, tek soruya tek yanıt veren bir asistana göre genellikle daha fazla metin (token) işler. Maliyetin nasıl hesaplandığını LLM API maliyeti yazısında formülüyle anlatıyoruz.

KVKK ve verinin nerede işlendiği

Kurum'un aynı rehberine göre, Türkiye'de faaliyet gösteren bir şirket yurt dışında yerleşik bir sağlayıcının üretken yapay zekâ sistemini kullanıyor ve kişisel veri yurt dışına aktarılıyorsa, aktarım 6698 sayılı Kanun'un 9. maddesine ve ilgili yönetmeliğe uygun olmalıdır. Rehberin işletmeler için ne anlama geldiğini üretken yapay zekâ ve KVKK rehberi yazısında, verinin Türkiye'de kalması gereken durumları ise yerel LLM kurulumu yazısında ele alıyoruz.

Yapay zekâ ajanı projesine nasıl başlanır?

İyi bir başlangıç küçük, ölçülebilir ve geri alınabilir olur. Aşağıdaki sıra, hazırlığın hangi kararlarla başladığını gösterir.

1. İşi tek cümleyle yazın. "Müşteri sipariş durumunu sorduğunda kargo kaydını bulup yanıt taslağı hazırlamak" bir görevdir. "Müşteri hizmetlerini yapay zekâya devretmek" ise bir hedeftir, görev değil.
2. Bugünkü durumu ölçün. İş haftada kaç kez yapılıyor, ne kadar emek istiyor, hata en sık nerede çıkıyor? Karşılaştırma için bir temel çizgi (baseline) gerekir. Ölçüm planını yapay zekâ projesinde ROI yazısında anlatıyoruz.
3. Yetki tablosu çıkarın. Her araç için üç seviyeden birini seçin: yalnızca okur, öneri hazırlar, kendisi yapar. "Kendisi yapar" seviyesi en sona kalır.
4. Gerçek örneklerden test seti kurun. Geçmiş e-postalardan, çağrı notlarından ve taleplerden örnek alın. Her örnek için doğru sonucu yazın. Hazırlık maddelerinin tamamı yapay zekâ projesi kontrol listesi yazısında.
5. Veri akışını KVKK gözüyle çizin. Hangi kişisel veri hangi sağlayıcıya gidiyor, nerede saklanıyor, ne kadar süre tutuluyor?
6. Dar bir kullanıcı grubuyla deneyin. İşi bizzat yapan kişilerin düzelttiği her taslak, test setine yeni bir örnek olur.
7. Yaygınlaştırmadan önce karar verin. Sonuçlar temel çizgiyi geçmiyorsa ajanı genişletmek yerine kapsamı daraltın ya da kurallı otomasyona dönün.

Hazırlık emeğini en çok dört etken belirler: bağlanacak sistemlerin sayısı ve programlama arayüzlerinin (API) durumu, verinin dağınıklığı, onay adımlarının sayısı ve test setinin kapsamı.

Konuyu derinleştiren yazılar

Aşağıdaki yazıların her biri, bu rehberde kısaca değinilen bir soruyu derinleştirir.

Temel kavramlar

• Chatbot, asistan ve ajan farkı: Kural tabanlı bot, belgeden yanıt veren asistan, tek işlem yapan asistan ve çok adımlı ajanı bir karar kuralıyla karşılaştırır.
• RAG nedir?: Modelin yanıtını şirket belgelerine dayandıran yöntemi ve Türkçe belgelerde çıkan özel sorunları anlatır.
• MCP nedir?: Yapay zekâyı ERP, CRM ve tablolara bağlayan protokolü, yetki sınırlarıyla birlikte açıklar.
• Ajan mı, kurallı otomasyon mu?: Hangi adımın kurallı kalması, hangisinin dil modeline bırakılabileceğini hata maliyetiyle tartar.

Kalite, güvenlik ve veri koruma

• Halüsinasyon nasıl azaltılır?: Kaynak zorunluluğu, "bilmiyorum" kuralı ve Türkçe değerlendirme setiyle yanlış bilgiyi azaltmayı anlatır.
• Ajana hangi yetki verilmeli?: İnsan onayı, denetim kaydı ve geri alma adımlarını bir onay matrisiyle tasarlar.
• Üretken yapay zekâ ve KVKK: Kurum'un 15 soruluk rehberinin işletmeye ne söylediğini özetler.
• Açık kaynak model mi, API mi?: Verisi Türkiye'de kalması gereken şirketler için yurt dışı API, Türkiye'deki bulut ve kendi sunucu seçeneklerini karşılaştırır.

Hazırlık, maliyet ve ölçüm

• Küçük işletme nereden başlamalı?: Gerçekçi beklenti kurmak için beş soruluk bir karar çerçevesi sunar.
• Yapay zekâ projesi kontrol listesi: Veri, yetki, KVKK ve ölçüm başlıklarında hazırlık maddelerini sıralar.
• LLM API maliyeti: Token, önbellek ve model seçiminin kullanım maliyetini nasıl belirlediğini anlatır.
• Yapay zekâ projesinin başarısı nasıl ölçülür?: Temel çizgi, doğruluk, süre ve maliyetten oluşan bir ölçüm planı önerir.

Kullanım alanları

• Müşteri hizmetlerinde yapay zekâ: Web sitesi ve WhatsApp'ta ilk adımı, insana devir noktalarıyla birlikte ele alır.
• Teklif hazırlamada yapay zekâ: Üretici ve toptancılar için katalog, CRM ve insan onayından oluşan örnek bir akış çizer.
• Mevzuat yapay zekâ asistanı: Kentsel Dönüşüm AI örneğiyle, mevzuat sorularına yanıt veren bir asistanın tasarım ilkelerini anlatır.
• Yapay zekâ ile ürün açıklaması: Pazar yeri satıcıları için toplu üretimde kalite kontrol adımlarını sıralar.
• Tüketici ürününde üretken yapay zekâ: Tüketiciye açık bir üründe kullanıcı başına maliyet tavanını, moderasyonu, kötüye kullanımı ve mağaza kurallarını ele alır.

Bizim deneyimimiz

Projeler sayfamızdaki yapay zekâ kullanan üç ürünümüzde de yapay zekâ tek başına değil, daha geniş bir ürün yapısının parçası olarak çalışıyor.

• Kentsel Dönüşüm AI, hak sahiplerinin kentsel dönüşümle ilgili sorularını yanıtlayan asistanımız. Sohbetin yanında mevzuat özetleri, hesaplama araçları ve il rehberleri sunuyor.
• BeinStory'de okurlar kitap karakterleri ve yazarlarla yapay zekâ destekli sohbet ediyor. Kitap, karakter ve yazar bilgisini tek bir içerik yapısında topladık ve bu yapıyı yapay zekâ destekli sohbetle birleştirdik. İçerik modelinden mağaza sürümlerine ve günlük işletmeye kadar ürün bizde.
• İmarsal, ada ve parsel numarasından imar sorgusu, emsal hesabı ve yapay zekâ destekli fizibilite çıkaran ürünümüz. Lansman hazırlığında.

Bir ajan projesinde izlediğimiz sıra da aynı yaklaşıma dayanır: önce tek bir görev ve o görevin değerlendirme seti, sonra gerçek verilerle prototip, en son yetkiler ve onay adımları. Süreci ve teslimleri yapay zekâ ajanı geliştirme sayfamızda, alanın tamamını yapay zekâ ve veri hizmetlerimiz sayfasında bulabilirsiniz.

Sık sorulan sorular

Yapay zekâ ajanı ne işe yarar?

Ajan, birden fazla adımdan oluşan ve her seferinde biraz farklı ilerleyen bir işi yürütür. Sipariş sorgulamak, teklif taslağı hazırlamak, gelen talebi doğru kişiye özetleyerek iletmek tipik örneklerdir. Değerini en çok, sonucu bir insanın hızla kontrol edebildiği işlerde gösterir.

Küçük bir işletme yapay zekâ ajanı kullanabilir mi?

Kullanabilir; yeter ki sık tekrarlanan ve verisi dijital olan bir iş seçilsin. TÜİK'e göre 2026'da 10–49 çalışanlı girişimlerin %12,8'i yapay zekâ kullanıyor (TÜİK, 2 Ekim 2026 (yeni sekmede açılır)). Küçük ölçekte en sağlam başlangıç, ajana yalnızca okuma ve öneri yetkisi verip son adımı insanda bırakmaktır.

Yapay zekâ ajanı hata yaparsa ne olur?

Hata olasılığı sıfırlanamaz; bu yüzden tasarım hatanın etkisini sınırlamaya odaklanır. Geri alınması zor işlemler onaya bağlanır, her adım kayda geçer ve ajan emin olmadığında işi insana devreder. Sorumluluğun nasıl paylaşılacağı ise sözleşmede ve ilgili mevzuata göre ayrıca belirlenmelidir.

Yapay zekâ ajanı kişisel verilerle çalışabilir mi?

Çalışabilir, ama 6698 sayılı KVKK'ya uygun olmak zorundadır. İşleme için bir hukuki sebep, aydınlatma ve verinin amaçla sınırlı tutulması gerekir. Veri yurt dışındaki bir model sağlayıcısına gidiyorsa Kanun'un 9. maddesindeki aktarım kuralları da uygulanır.

Ajan kurmak için yazılım ekibi gerekir mi?

Basit akışlar için hazır platformlar yeterli olabilir. Ajan iç sistemlerinize bağlanacak, yetki ve kayıt gerektirecekse yazılım geliştirme gerekir. Her iki durumda da işi bizzat yapan kişilerin test setini hazırlamaya katılması şarttır.

Kaynaklar

• TÜİK, "Yapay Zeka İstatistikleri, 2026", haber bülteni, 2 Ekim 2026. veriportali.tuik.gov.tr/tr/press/62066 (yeni sekmede açılır)
• Gartner, "Gartner Predicts Over 40% of Agentic AI Projects Will Be Canceled by End of 2027", basın bülteni, 25 Haziran 2025. gartner.com (yeni sekmede açılır)
• Anthropic, "Building effective agents", 19 Aralık 2024. anthropic.com (yeni sekmede açılır)
• OWASP Gen AI Security Project, "LLM01:2025 Prompt Injection", 2025 listesi; erişim 13 Ekim 2026. genai.owasp.org (yeni sekmede açılır)
• Kişisel Verileri Koruma Kurumu, "Üretken Yapay Zekâ ve Kişisel Verilerin Korunması Rehberi (15 Soruda)", Yayın No 113, Kasım 2025. kvkk.gov.tr (yeni sekmede açılır)
• Model Context Protocol, "What is the Model Context Protocol (MCP)?", erişim 13 Ekim 2026. modelcontextprotocol.io (yeni sekmede açılır)