40+ Gerçek Hayattan Örneklerle Agentic AI Kullanım Alanları

Otonom üretken AI ajanları karmaşık görevleri çok az veya hiç insan denetimi olmadan yerine getirir. Agentic AI, chatbot'lardan ve yardımcı pilotlardan farklıdır.

Karmaşık iş akışlarında sıklıkla insan müdahalesi gerektiren geleneksel AI, özellikle de üretken AI'dan farklı olarak, agentic AI karar verme yetenekleri ve hedefe yönelik davranışı sayesinde süreçleri otonom biçimde yönlendirip optimize etmeyi amaçlar. AI ajanları şu işlevleri görür:

AI ajanları geliştirici olarak

1. Uygulama geliştirme

AI kod editörleri gibi Cursor AI Editor, Windsurf Editor ve Replit uygulama oluşturmayı ve dağıtmayı (ör. Yapılacaklar listesi uygulaması) şu yollarla amaçlar:

• İş için doğru araçları seçme, örneğin API'ler için Flask veya ön yüzler için React gibi.
• Seçilen dilde kod üretme (ör. Python, JavaScript) basit istemlere dayanarak.
• İş akışlarını otomatikleştirme, test ve dağıtım için GitHub Actions gibi entegrasyonlarla.

Gerçek hayattan örnek:

Bir geliştirici, OpenAI’nin Operator’ını ve Replit’in AI Ajanını kullanarak tüm uygulamayı 90 dakikada geliştirdi. İki ajan otonom olarak kimlik bilgilerini paylaştı ve testleri çalıştırdı. Bu çapraz ajan işbirliği ChatGPT Atlas Ajan Modu'na entegre edilerek ajanın yeteneğini geliştirme ortamlarının ötesine, e-ticaret, seyahat rezervasyonu ve kurumsal web iş akışları gibi alanlara taşıdı.¹

Gerçek hayattan örnek:

Cursor’ın ajan modu Composer tek bir istemden eksiksiz bir Tic Tac Toe oyunu üretmeyi amaçlar: “İki oyunculu bir HTML, CSS ve JavaScript Tic Tac Toe oyunu oluştur.”

Cursor birden çok dosyada kod yazabilir, komutları çalıştırabilir ve ihtiyaç duyduğu bağlamı otomatik olarak belirleyebilir (dosya eklemeye gerek kalmaz).

Ajan oluşturma hakkında daha fazlasını keşfedin

Agentic AI sistemlerini destekleyen altyapıyı inceliyorsanız, en son kıyaslamalarımıza göz atmanızı öneririz:

• Uzak tarayıcılar: Tarayıcı altyapısı, ajanların web ile güvenli şekilde etkileşime girmesini nasıl sağlar.
• MCP kıyaslaması: Araç kullanımı ve web erişimi için en iyi MCP sunucuları.

2. AI kodlama ile kendi API'nizi oluşturun

AI kod editörleri, API oluşturmayı otomatikleştirir, spesifikasyonları işlevsel koda dönüştürür. Süreç genellikle şöyle işler:

• Çıktının entegre edilmesi, test, sürüm kontrolü ve dağıtım için geliştirici ortamına.
• API spesifikasyonlarının alınması (örn. OpenAPI/Swagger dosyaları).
• Arka uç kodunun üretilmesi, belgelenmiş uç noktalar, yöntemler ve şemalar temel alınarak.

Gerçek hayattan örnek:

n8n ile AI Ajanları için Kodsuz API İş Akışları.

İşte bir API iş akışının üst düzey soyutlaması:

3. Doğal dil ile kod düzenleme

Kod parçacıkları seçip aşağıdaki gibi düz İngilizce komutlar verebilirsiniz:

“Tahtanın boyutunu iki katına çıkar. Onu yeşil yap – Apple 2e gibi.” (aşağıdaki gerçek hayattan örneğe bakınız).

Gerçek hayattan örnek:

Cursor gibi kodlama ajanları niyeti tanımlar, ilgili kodları birden çok dosyada değiştirir ve değişiklikleri uygular.

4. Web sitesi oluşturma

AI web sitesi oluşturucuları gibi Vercel’in v0’ı, Bolt, Lovable ve CerebrasCoder, e-öğrenme siteleri gibi karmaşık platformlar oluşturmayı amaçlar; aşağıdaki gibi ana sayfaları üretir:

• Ana sayfalar
• Kurs listeleme sayfaları
• Kişiselleştirilmiş öğrenci panoları

Benzer şekilde, Replit gibi AI kod editörleri web siteleri oluşturur ve API'lerden yararlanır.⁵

Gerçek hayattan örnek:

Bir web sitesi AI ajanı nasıl oluşturulur:

İşte otomasyon iş akışı:

5. Bir CRM panosu oluşturma

Ajanlar ön yüz arayüzünü oluşturabilir, arka uç mantığını yapılandırabilir ve veritabanı etkileşimlerini kurabilir.

Gerçek hayattan örnek:

Roo Code, tam CRM panolarını otonom olarak oluşturmak için DeepSeek modelini kullanır.

6. Özyinelemeli kodlama ve eski kodun modernizasyonu

Temel kodlama genellikle LLM'lerin görevi olsa da, bir ajanın birden çok katmanda kodu yinelemeli olarak iyileştirdiği/genişlettiği özyinelemeli kodlama iş akışları doğası gereği agentic'tir.

Ajanlar, büyük kod bloklarını otonom olarak yeniden yazar, yapılandırma değişikliklerini uygular ve bir hedefe ulaşılana kadar döngüler halinde sonuçları test eder.

Gerçek hayattan örnekler:

GT Edge AI eski COBOL kodunu modern Java'ya dönüştürür.⁸

Persistent, COBOL kodunu Java'ya otonom biçimde taşımak için kullanılan bir çoklu ajan çerçevesi sunar, şöyle çalışır:⁹

7. Kod yeniden düzenleme

Özyinelemeli kodlama AI ajanları kullanarak kodun tasarımını, çalışma şeklini değiştirmeden sürekli iyileştirir, anlaşılmasını ve bakımını kolaylaştırır.

Gerçek hayattan örnek:

Teknoloji girişimi geliştiricileri, kodunuzu yeniden düzenleyen bir ajan oluşturdu ve bu ajan 25'ten fazla programlama dilinde çalışıyor.¹⁰

8. IDE'nizde kod önerileri üretme

GitHub Copilot, VS Code ve JetBrains IDE'lerinde çok adımlı kodlama görevlerini yürüten, komutları çalıştıran ve kod üzerinde bağımsızca yineleme yapan otonom bir ajan modu sunarak, gerçek zamanlı önerilerin ve otomatik-tamamlamaların ötesine geçer.¹¹

9. CI/CD boru hattı izleme ve optimizasyonu

AI ajanları Kubernetes gibi bulut tabanlı ortamlarda altyapıyı yönetir. Bu DevOps ajanları şunları amaçlar:

• Çalışan giriş denetleyicilerini veya diğer iş yüklerini belirleme
• Çalışan pod'ları belirleme
• Yüksek seviyeli komutları yorumlama, örneğin “NGINX pod'unu kapat” gibi

Gerçek hayattan örnek:

Araçlar veya sarmalayıcılar aracılığıyla Kubernetes'e bağlandığında, Claude küme durumunu sorgulamak için bir DevOps ajanı olarak hareket edebilir. “Çalışan herhangi bir pod'um var mı kontrol et.”.

AI ajanları SecOps asistanı olarak

10. Tehdit istihbaratı

Ajanlar, açık kaynak ve özel beslemelerden tehdit aktörü TTP'lerini (taktikler, teknikler, prosedürler) toplar ve ilişkilendirir, bulguları tespit iş akışlarına entegre eder.

Gerçek hayattan örnek:

Microsoft’un Security Copilot'u, dinamik olarak tehdit istihbaratı toplayan, filtreleyen ve özetleyen özel bir Tehdit İstihbaratı Brifing Ajanı içerir.

11. Tespit ve triyaj

Bu eylemler, daha derin analiz öncesinde gürültüyü azaltmak ve uyarı verilerini düzenlemek için ilk sinyal alımı aşamasında gerçekleşir.

• Uyarı tekilleştirme: Gürültüyü azaltmak için birden çok kaynaktan gelen aynı veya neredeyse aynı olayları kaldırır.
• Yanlış pozitif bastırma: Geçmiş çözüm desenlerini kullanarak tekrar eden zararsız uyarıları bastırır.
• Uyarı gruplama / kümeleme: Aynı kullanıcı, ana bilgisayar veya taktik ile ilgili uyarıları tek bir olayda kümeleştirir.

Gerçek hayattan örnek:

Charlotte AI otonom tespit ve triyaj gerçekleştirir:

• Bilinen TTP'lere dayanarak kötü amaçlı davranışı belirler.
• Çalıştırma desenlerini ve dosya yollarını çapraz referanslar.
• İnsan tarafından okunabilir bir karar açıklaması sunar.

12. Bağlamsal zenginleştirme ve tehdit atıfı

İlk triyajdan sonra gerçekleştirilen bu adım, uyarılara derinlik ve bağlam ekler.

Otomatik saldırgan atıf sistemleri CTI beslemelerini alır, davranışsal ve zamansal özellikleri çıkarır ve olaylar arasında benzerlik puanları hesaplar. Kümeleme algoritmaları daha sonra desen örtüşmesine dayanarak saldırıları bilinen tehdit aktörlerine (örneğin APT41, Mozi veya Lazarus) eşler.

Gerçek hayattan örnek:

Google Chronicle + Mandiant + Gemini AI ajanları, telemetriyi ve CTI beslemelerini otonom olarak alır, uyarıları IOC bağlamı (ör. IP itibarı, kötü amaçlı yazılım hash'leri) ile zenginleştirir ve davranış desenlerini MITRE ATT&CK çerçevesindeki bilinen tehdit aktörü taktikleriyle çapraz referanslar.

Bu agentic kurulumda:

• Tespit: Bir AI ajanı, servis hesapları kullanarak yanal hareketi tespit eder.
• Zenginleştirme: Uyarıyı, Chronicle günlükleri, varlık envanteri ve Mandiant tehdit istihbaratı ile otomatik olarak zenginleştirir.
• Atıf: İkinci bir ajan bu aktiviteyi, bilinen bir gruba (ör. APT41) atfedilen geçmiş saldırı zincirleri ile kümeleştirir.

13. Eskalasyon ve devir

• Uyarı çevirisi / basitleştirme: Teknik uyarıları analist dostu özetlere dönüştürür.
• Otomatik biletleme ve analist atama: Biletleri oluşturur ve olayları uygun kademeye veya ekibe yönlendirir.

Gerçek hayattan örnek:

Torq’un Socrates'i, bir agentic SOC orkestratörü olup, Tier-1 vaka yaşam döngüsü boyunca özel alt ajanları (Runbook, Araştırma, Düzeltme ve Vaka Yönetimi ajanları) koordine eder.

Eskalasyon ve devir sırasında, Socrates:

• Vakaları otomatik oluşturur ITSM platformlarında (ör. ServiceNow, Jira), ilgili gözlemlenebilirler, zenginleştirme ve yapılandırılmış verilerle önceden doldurulmuş olarak.
• Analistleri atar iş yükü ve vardiya programlarına göre.
• Seçici olarak eskalasyon gerçekleştirir, yalnızca güven düşük olduğunda, olay belirsiz olduğunda veya potansiyel etki yüksek olduğunda.
• Devir sırasında tam zenginleştirme ekler, böylece analistler ham bir uyarı yerine eyleme hazır bir vaka dosyası alır.

14. Proaktif yanıt eylemleri

SecOps'ta ajanlar, uç noktaları izole eder, hesapları devre dışı bırakır veya kötü amaçlı süreçleri sonlandırır. Bu sistemler şunları amaçlar:

• Doğal dil veya bağlamsal tetikleyicilerle otomatik olarak günlükleri sorgulama
• Araştırmalar ve eskalasyon için otomatik oyun kitapları çalıştırma
• Yeni kanıtlara veya döndürülmüş mantığa dayanarak iş akışlarını gerçek zamanlı olarak uyarlama
• Düzeltme için kod olarak altyapı (ör. Terraform, Pulumi) oluşturma
• Araştırma bulgularına dayanarak tespit kurallarını taslaklar ve değiştirir

Gerçek hayattan örnek:

Google, kötü amaçlı yazılım tespiti için yapılandırılmış bir Olay Müdahale Planı yürütmek üzere birden çok alt ajanı kullanan SOC Yönetici ajanını geliştirdi.¹⁸

Agentic proje yapısı:

Olay müdahale planının son adımında (Adım 5: Tamamlama), IOC'ler (Tehlike Göstergeleri), otomatik bir karantina oyun kitabı yürüten SOC Yönetici ajanı tarafından proaktif olarak engellendi (aşağıya bakın).

Kaynak:
Mandiant & Google Cloud Security¹⁹

15. Tehdit avcılığı

Tehdit avcılığındaki ajanlar şunları amaçlar:

• Sürekli olarak kimlik, ağ ve bulut günlüklerinde anormallik taraması
• IOC aramaları veya desen tespiti gibi tekrarlayan avları otomatikleştirme
• Davranışı geçmiş temeller ve eş aktivitelerle karşılaştırarak bilinmeyen tehditleri işaretleme

Gerçek hayattan örnek:

Araştırmacılar, AI ajanlarının tehdit tespiti için Sigma kuralları üretmek üzere işbirliği yaptığı bir Yerel LLM Tarafından Yönlendirilen MITRE ATT&CK Tehdit Avcılığı sistemi geliştirdi.

Bu örnekte bir kullanıcı, bir web kullanıcı arayüzünden bir istek girer (ör. “Kerberoasting avı için lütfen bir Sigma kuralı oluştur”).

Ajan 1 MITRE ATT&CK'den ilgili tespit yöntemlerini alırken, Ajan 2 bu girdiyi kullanarak bir dil modeli aracılığıyla bağlama duyarlı Sigma kuralları üretir.²⁰

16. Otomatik yazılım ve uygulama testi

AI test ajanları, kapsamlı manuel müdahale olmadan birim, entegrasyon, güvenlik açığı ve performans testleri oluşturur ve yürütür. Ancak bu AI sistemlerini oluşturmak kaynak yoğundur, çünkü önemli hesaplama gücü gerektirirler.

Gerçek hayattan örnek:

Pcloudy’nin Copilot'u selenium test betikleri sağlar, test yapmak için uygun tarayıcıları bulur ve test senaryolarını yürütür.²¹

Daha fazlasını okuyun: Kurumsal AI asistanları, AI ajanı oluşturucular, açık kaynak AI ajanları.

AI ajanları insan benzeri oyun karakterleri olarak

AI ajanları, NPC davranışları, oyun oynama ve uyarlanabilirlik ve prosedürel içerik üretimi gerçekleştirerek oyun dünyasındaki NPC'leri ve diğer agentic süreçleri iyileştirir.

17. Agentic oyuncu olmayan karakterler (NPC'ler)

Oyunlardaki tamamen otonom AI ajanları, oyuncu olmayan karakterler (NPC'ler) için insan benzeri davranış ve oyun deneyimi sağlar.

Gerçek hayattan örnek:

Araştırmacılar, 25 ajan içeren “Stanford AI Köyü” adlı bir sanal alan oluşturarak The Sims benzeri bir ortam yarattılar.

Bu köyde kullanıcılar, ajanların haber paylaşmasını, ilişkiler kurmasını ve grup etkinlikleri düzenlemesini gözlemleyebilir ve onlarla etkileşime girebilir. ²²

İşte bu kavramların arkasındaki ana bileşenlere ve fikirlere genel bir bakış:

• Davranışsal betikler: Stanford AI Köyü ajanları, eylemler ve tepkiler için önceden tanımlanmış betikler kullanır. Bu, diğer NPC'lere karşı olumlu davranmak gibi temel davranışları içerebilir. 
• Dinamik davranış: NPC'ler, oyuncunun eylemlerine göre davranışlarını ayarlamak için AI kullanır, böylece oyun dünyası daha duyarlı hale gelir.
• Yol bulma: NPC'ler, oyun dünyasında etkili bir şekilde gezinmek, engellerin etrafından dolaşmak ve oyuncuyu takip etmek için algoritmalar kullanır.

18 Oyun oynama

AI ajanları, şunlardan yararlanarak video oyunları oynar veya insan oyunculara belirli hedeflere ulaşmada yardımcı olur:

• Yol bulma ve navigasyon: Oyun ajanları, oyun ortamlarını keşfeder, optimal stratejileri bulmak için deneme yanılma yöntemini kullanır. Örneğin, karar verme süreçlerini sürekli iyileştirerek karmaşık labirentlerde gezinme yollarını öğrenirler.
• Girdi taklidi: Oyun ajanları, klavye tuşları, fare hareketleri veya oyun kumandası kontrolleri gibi girdileri taklit eder. Bu, onlara bir insan oyuncu gibi oyunla etkileşime girme olanağı sağlar.
• Oyun tarzına uyarlanabilirlik: Ajanlar, oyuncunun oyun tarzını analiz eder ve buna göre oyun dünyasını, etkileşimleri ve görev tasarımını uyarlar. Örneğin, gizlilik odaklı bir oyuncu daha az doğrudan çatışma ile karşılaşabilir.

Gerçek hayattan örnek:

Google DeepMind’in Ölçeklenebilir Yönlendirilebilir Çoklu Ajanı (SIMA), oyun durumlarında gezinir ve etkileşime girer. SIMA, No Man's Sky ve Goat Simulator gibi oyunları oynamayı amaçlar.

Kaynak: Google²⁴

19. Prosedürel içerik üretimi

AI ajanları, aşağıdaki gibi büyük miktarda oyun içeriğini algoritmik olarak üretme konusunda oldukça yeteneklidir:

• Arazi ve manzaralar
• Savaş senaryoları
• Karakter tasarımları
• Ses manzaraları ve müzik

Gerçek hayattan örnek:

No Man's Sky, bir macera oyunu, şunları içeren tüm gezegenleri oluşturmak için prosedürel üretim kullanır:

• Farklı topografyalar (örn. dağlar, vadiler, kanyonlar).
• Benzersiz biyomlar (örn. çöller, ormanlar, okyanuslar).
• Dinamik hava durumu desenleri (örn. fırtınalar, yağış).²⁵

AI ajanları içerik üreticisi olarak

AI ajanları, içerik oluşturmayı, düzenlemeyi ve yayınlamayı otomatikleştirir, insan yazarlara yardımcı olur. AI yazma asistanlarının bazı uygulamaları şunlardır:

20. Otomatik anlatı yazımı

AI ajanları, bölümleri taslaklayarak, içerik yazarak ve nesri cilalayarak bir anlatı yazar.

Gerçek hayattan örnek:

Bir GitHub AI ajan projesinde, 10 özel AI ajanı, hiç insan katkısı olmadan 100.000 kelimelik (~300 sayfa) bir roman yazmak için otonom olarak çalıştı.²⁶ O 10 ajandan bazı örnekler şunlardır:

• Spesifikasyon ajanı: Hikaye gereksinimlerini analiz eder ve anlatı tutarlılığını korur.
• Üretim ajanı: İçerik üretir ve yaratıcı değişiklikleri uygular.
• Yönetim ajanı: Ajanlar arasında koordinasyonu sağlar ve yaratıcı akışı izler.
• Tekilleştirme ajanı: İçerik gereksizliklerini ve tekrarları önler.

İşte ajanların romanı nasıl oluşturduğunu gösteren bir Canlı Yayın:

21. Teknik rapor veya teklif yazımı

AI ajanları, aşağıdakileri içeren teknik raporları otonom olarak taslaklar:

• Mühendislik raporları
• Proje teklifleri
• Araştırma makaleleri
• Ürün spesifikasyonları

Gerçek hayattan örnek:

ParagraphAI, bir AI yazma asistanı, zaman çizelgesini, bütçeyi ve gereken kaynakları ve personeli ana hatlarıyla belirterek teknik mühendislik raporları yazar.²⁸

22. Bilgi tabanlı makale üretimi

Ajanlar, belirli bir konunun kapsamlı bir özetini oluşturmak için Wikipedia, ürün kılavuzları veya akademik dergiler gibi bilgi veritabanlarından bilgi çeker.

Gerçek hayattan örnek:

Perplexity Pages , gen AI arama sonuçlarını yapılandırılmış Wikipedia sayfalarına dönüştürür.²⁹

23. Pano ve diyagram üretimi

Ajanlar, metin istemlerine dayanarak UI/UX bileşenleri, sistem diyagramları ve akış şemaları üretir, tasarım sürecini kolaylaştırır.

Gerçek hayattan örnek:

FigJam AI , aşağıdakileri üretmek için metin istemlerini kullanır:

• Toplantılar ve ekip alıştırmaları için panolar
• Diyagramlar ve akış şemaları
• Görsel zaman çizelgeleri ve Gantt şemaları³⁰

AI ajanları sigorta asistanı olarak

Ajanlar, hasar inceleme, onay ve dolandırıcılık tespitini otomatikleştirerek tüm hasar işleme yaşam döngüsünü kolaylaştırır. Örneğin, bir büyük ölçekli sigortacı, hasar iş akışına özel AI ajanları entegre ederek bireysel otomobil hasarlarının yaklaşık %90'ını otomatikleştirir. ³¹

Oracle ve SAP gibi kurumsal satıcılar, tedarik zinciri yönetimi, finansal operasyonlar, İK ve müşteri deneyimi alanlarında agentic AI'yi devreye aldı. Bu ajanlar; envanter optimizasyonu, satın alma otomasyonu ve finansal mutabakat işlemlerini yönetebilir.

24. Uçtan uca hasar işleme

Bir hasar talebi iletildiğinde, agentic AI sistemleri gönderilen formlardan ilgili verileri çıkarır, ayrıntıları mevcut veritabanlarına göre doğrular ve herhangi bir tutarsızlığı veya potansiyel dolandırıcılık sinyalini işaretler.

Gerçek hayattan örnek:

Microsoft'un Power Platform'u – bir sigorta hasar formunu otomatikleştirir:

Burada, Microsoft'un Power Platform'u:

• Hasar formu belgelerini yakaladı, örneğin onay kutusu seçimleri ve metinler.
• Hasar formunu SharePoint'e yükledi içerik yönetimi uygulamasına.
• Hasar formundan veri çıkardı, örneğin hasar numarası, ve onay kutusu değerleri (ör. hasar türü, poliçe numarası).
• Veri depolaması için Dataverse ile entegre etti, çıkarılan verileri (onay kutuları değerleri dahil) Microsoft Dataverse'e kaydetti.
• Formlardaki iş akışlarını işledi, örneğin, hasarları onaylamak veya reddetmek için Power App ajanlarını kullandı.

25. Sigortalama

Agentic AI, hasar olasılığı değerlendirmesi için risk değerlendirme ajanı ve dinamik prim ayarlamaları için fiyatlandırma ajanı gibi özel ajanlarla sigortalama işlemini otomatikleştirir.

Gerçek hayattan örnek:

Akira AI'nın ajanları, her biri sigortalamanın kritik bir yönünde uzmanlaşmış çoklu ajan sistemi aracılığıyla sigorta sigortalama ve risk değerlendirmesini otomatikleştirir:

• Veri toplama ajanı: Hem yapılandırılmış hem de yapılandırılmamış verileri toplar.
• Risk değerlendirme ajanı: Hasar olasılığını tahmin etmek için geçmiş verileri ve başvuru sahibi ayrıntılarını analiz eder.
• Dolandırıcılık tespit ajanı: Hasarlarda ve başvurularda anormallikleri veya şüpheli desenleri tespit eder.
• Fiyatlandırma ajanı: Piyasa koşulları, rakip fiyatlandırması ve müşteri davranışı gibi faktörlere dayalı bir fiyatlandırma önerir.³³

26.Kişiselleştirilmiş poliçe çözümü

Ajanlar, hasar durumunu ve sonraki adımları poliçe sahibine iletir; buna gerekli ek belgeler, onay/red güncellemeleri veya ödeme detayları dahildir.

Gerçek hayattan örnek:

Lemonade'in AI Jim'i, hasar sonuçlarını doğrudan poliçe sahibine iletir. Bir hasar dosyalandığında, AI Jim:

• İlk Kayıp Bildirimini (FNOL) alır, müşteriden gelen kısa bir video veya metin.
• Diyaloglarla triyaj yürütür, süreç boyunca müşteriye rehberlik etmek için açıklayıcı sorular sorar.
• Kurallara dayalı kontrollerle poliçe ve teminat ayrıntılarını doğrular
• Hasarı onaylamadan önce dolandırıcılık önleme algoritmalarını yürütür
• Bankaya ödeme talimatları gönderir ve poliçe sahibine hasarın kabul edildiğini bildirir.

AI ajanları insan kaynakları (İK) asistanı olarak

İK operasyonları, otomatikleştirilebilen özgeçmiş tarama gibi birçok tekrarlayan görevi içerir. İşte İK operasyonlarındaki agentic AI örnekleri:

27. Özgeçmiş tarama

Agentic iş akışları, tarama sürecini otomatikleştirir, ilgili becerileri filtreler ve önceden tanımlanmış kriterlerinize göre otomatik olarak puanlar atar.

Gerçek hayattan örnek:

PepsiCo, adayların iş gereksinimlerini ne kadar iyi karşıladıklarına bağlı olarak onları sıralamak için AI araçlarını kullanır.³⁴

28. Mülakat planlama

Ajanlar, mülakatların planlanmasını ve adaylar ile işe alım yöneticileri arasında en uygun zamanları bulmak için koordinasyonu yönetebilir.

Gerçek hayattan örnek:

LinkedIn İK Asistanı, iş tanımlarını sentezlemek, aday aramak ve temel tarama görüşmeleri yapmak gibi günlük görevleri yerine getirir.³⁵

29. Bordro otomasyonu

Bordro işlemedeki ajanlar, maaşları hesaplar, kesintileri işler ve vergi stopajlarını yürütür. Doğruluk ve bordro standartlarına uygunluğu sağlamak için insan kaynakları bilgi sistemi (HRIS) sistemleri ve muhasebe yazılımlarıyla entegre olurlar.

Aşağıdaki gibi finans otomasyon çözümleri hakkında daha fazlasını keşfedin:

• RPA finans kullanım alanları ve araçları
• Finans LLM araçları kıyaslaması
• Agentic AI finans araçları

Gerçek hayattan örnek:

Akira AI'nin çoklu ajan bordro sistemi, bordro döngüsünün her yönünü otomatikleştirir. Sistem şu gibi birkaç ajan kullanır:

Kaynak: Akira AI³⁶

Burada, Akira AI'nin çoklu ajan bordro sistemi şu ajanları kullanır:

• Veri alımı ve ön işleme ajanı: İK ve finans sistemlerinden gelen verileri temizlemek için veri çıkarma yöntemlerini kullanır.
• Bordro hesaplama ajanı: Maaş, kesinti ve ikramiye gibi bordro hesaplamalarını otomatikleştirir.
• Uyumluluk raporlama ajanı: Makine öğrenimi kullanarak uyumluluk sorunlarını tespit eder.
• Sorgu çözümleme ajanı: RAG kullanarak bordro sorunlarını çözer.

AI ajanları müşteri hizmetleri asistanı olarak

Geleneksel chatbot'lar basit sorguları yönetir ancak karmaşık taleplerde zorlanır. Agentic müşteri hizmetleri araçları bu sorunu şöyle çözer:

• İncelikli soruları yorumlama, sorular belirsiz veya karmaşık olsa bile
• Sohbet, ses, e-posta kanalları arasında sorunsuz çalışma, müşteri profillerinden, sipariş geçmişinden ve bilgi tabanlarından veri çekerken
• Önceki etkileşimlerden bağlamı koruma, daha bilgili ve kişiselleştirilmiş yanıtlar sağlama
• Proaktif olarak etkileşime geçme, örneğin kontrol veya takip için müşteri temasa geçmeden önce hatırlatıcılar gönderme

30. Müşteri çağrılarını yanıtlama:

Bir müşteri bir soru hakkında aradığında, AI ajanları çağrıyı doğal dil ile işler.

Gerçek hayattan örnek:

Ada AI Agent müşteri çağrılarını yanıtlar:

31. Müşteri biletlerine yanıt verme

AI ajanları, bağlama özgü yanıtlar sunar veya müşterileri daha fazla yardım için uygun kaynaklara yönlendirir.

Gerçek hayattan örnek:

Intercom’un Fin AI Ajanı, müşteri biletlerini otonom olarak çözer. Gelen her bilet için Fin:

• Müşterinin mesajından niyeti çıkarır.
• İlgili içeriği bilgi tabanından, yardım makalelerinden ve bilet geçmişinden alır.
• Bir yanıt taslağı hazırlar, ardından bileti tek başına çözüp çözemeyeceğine veya eskalasyon gerekip gerekmediğine karar verir.
• Eskalasyon sırasında bağlamla birlikte devreder, tüm görüşme metnini, sorunun özetini ve neden çözemediğini iletir.

32. Takip ve bilgilendirici SMS gönderme

Etkileşimden sonra, ajanlar müşterilere takip etmek için SMS mesajları gönderir. Şirketlerin %42.8'i proaktif iletişim için AI metin ajanlarını ve %33.4'ü AI ses ajanlarını kullanır. ³⁸

Gerçek hayattan örnek:

Toyota'nın E-Care AI ajanı, otomobilin araç içi elektronik sistemlerine bağlanır ve onarım veya servis gereksinimleri hakkında müşterileri uyarmak için onlarla iletişime geçer, ardından aracı bir servis tesisine rezerve etme sürecinde onlara rehberlik eder. Bu ajan, gelen servis çağrılarının genel yükünü azaltır.³⁹

Planlanmış toplu mesajlardan farklı olarak, agentic giden mesajlar her alıcıya uyum sağlar. Bir elektrik kesintisinde, ajan:

• Hangi mahallelerin etkilendiğini belirler, tüm tabana mesaj atmak yerine.
• Her müşterinin tercih ettiği kanalı kontrol eder (SMS, WhatsApp, ses veya e-posta).
• Kişiselleştirilmiş güncellemeler gönderir (ör. “Elektriğin saat 4:15'te gelmesi bekleniyor”).
• Restorasyon beklenenden uzun sürerse otomatik takip yapar, müşteri endişelerle yanıt verirse canlı temsilciye eskalasyon gerçekleştirir.

33. SSS oluşturma ve optimizasyon

Ajanlar:

• Canlı müşteri etkileşimlerinden ve bilet geçmişinden otomatik olarak SSS oluşturur ve günceller.
• Tekrar eden sorguları belirlemek için CRM, sohbet ve bilgi tabanı araçlarıyla entegre olur.

Gerçek hayattan örnek:

Zendesk’in Knowledge Builder'ı, son 30 günün biletlerini analiz ederek, hem müşterilerin dile getirdiği sorunlara hem de temsilcilerin sunduğu çözümlere bakarak, taslak makalelerle dolu bir kategori yapısı oluşturur. Zendesk’in knowledge copilot'u daha sonra şunları yaparak tabanı korur:

• İçerik boşluklarını belirleme, tekrar eden biletleri yalnızca kısmen kapsayan makalelere güncelleme önerme.
• Bilet verilerinden taslak makaleler veya prosedürler oluşturma.
• İçerik sağlığını puanlama, kapsama, tazelik (yakın zamanda güncellenen makalelerin payı) ve AI okunabilirliği (AI işleme için biçimlendirilmiş makalelerin payı) üzerinden.
• Destek konularını öne çıkarma, tekrar eden sorgulardaki ani artışları işaretleme (ör. parola sıfırlama) ve yeni yardım merkezi makaleleri önerme.

Google Arama'da daha fazla kıyaslamamızı ve veri odaklı içgörülerimizi görün.

Tercih edilen kaynak olarak ekle

AI ajanları araştırma asistanı olarak

Araştırma asistanı olarak AI ajanları, veri analizi, literatür taraması, hipotez oluşturma ve deneysel tasarımda yardımcı olmak üzere çeşitli alanlarda kullanılır.

Gerçek hayattan örnekler:

1. OpenAI'nin Deep Research'ü, büyük miktarda çevrimiçi bilgiyi sentezlemek ve o3 & DeepSeek kullanarak büyük aramalar yaparken çok adımlı araştırmaları doktora seviyesinde tamamlamak için akıl yürütme yeteneğini kullanır.^{40 41}

Araştırmacıların Deep Research'ten ayrıntılı bir istemle gerçek bir proje yürütmesini istediği bir deneyde, Deep Research:

• Araştırma projesine başlamadan önce kapsamı ve ayrıntıları netleştirmek için takip soruları sordu.
• Akademik ve sektör raporlarına dayanan 22 kaynaktan bulguları sentezledi.⁴²

2. ChemicalQDevice'in klinik karar destek (CDS) sistemi'nden ilaç keşfi için agentic iş akışı yürütmesi istendi. Bu örnekte ChemicalQDevice'in sistemi:

• Veri kümelerinden büyük miktarda klinik literatürü analiz etti.
• GitHub Actions gibi araçlarla otomatik kodlama yürüttü.
• Hipotez üretmek, deneysel tasarımlar önermek ve araştırma raporları yazmak için üretken AI (ör. GPT-4 veya özelleştirilmiş modeller) kullandı.⁴³

3. Uçtan uca agentic iş akışı sistemi otto-SR, literatür taraması yapmak, dahil etme/hariç tutma kriterlerini uygulamak, yapılandırılmış veri çıkarmak ve meta-analizler yapmak için LLM'lerden yararlanır.⁴⁴

4. Google, bilimsel inceleme sürecinin bölümlerini ölçeklenebilir biçimde otomatikleştirmek üzere ICML ve STOC konferanslarında bir agentic hakem görevlendirdi. Bu görevlendirmede ajan: 

• Yaklaşık 10.000 makaleyi, makale başına 30 dakikalık geri dönüş süreleriyle işledi. 
• Standart sıfır-atış yönlendirme yöntemlerine göre %34 daha fazla matematiksel hata yakaladı.⁴⁵

OpenAI'nin Deep Research'ü, ChemicalQDevice'in sistemi ve otto-SR aşağıda verilen çeşitli agentic kullanım alanlarında kullanılabilir:

34. Literatür taraması ve bilgi keşfi

AI ajanları, belirli araştırma konuları veya hipotezlerle ilgili çalışmaları, makaleleri ve yayınları toplamak için akademik veritabanlarını, dergileri ve çevrimiçi araştırma depolarını (ör. Google Scholar, PubMed) otonom olarak tarar.

35. Hipotez oluşturma ve test etme

Gelişmiş analitik ajanlar, iş hipotezlerini otonom olarak oluşturmak ve test etmek için sürekli olarak veri akışlarını tarar. Sepeti terk etme artışı gibi bir anormallik oluştuğunda, ajan hemen sayfa gecikmesi veya başarısız promosyon kodları gibi değişkenleri test eder ve doğrulanmış içgörüleri günler yerine dakikalar içinde kullanıcılara sunar.

36. Veri madenciliği ve analizi

AI ajanları, araştırma veritabanları, sosyal medya, patentler veya klinik deney sonuçları gibi çeşitli kaynaklardan yapılandırılmış ve yapılandırılmamış verileri alır ve yeni ortaya çıkan trendler hakkında içgörüler sağlar.

37. Veri görselleştirme ve sunum

Analitik ajanlar, Tableau veya Power BI gibi entegre araçları kullanarak ham verileri otomatik olarak sunuma hazır görsellere dönüştürür, karmaşık trendleri temiz kohort analizi grafiklerine ve finansal şelalelere haritalar.

AI ajanları bilgisayar kullanıcısı olarak

“Bilgisayar Kullanımı”, AI'nın bir bilgisayarla bir insan gibi etkileşime girmesini sağlamayı amaçlar. Bu, işletim sistemine veya web'e özgü API'leri kullanmadan dijital görevleri yerine getirme esnekliği sunar. 

AI ajanlarının görevleri insanlar gibi yerine getirmesi için iki yaklaşım vardır:

1. İşletim sistemi grafiksel kullanıcı arayüzü (GUI) eylemleri gerçekleştirme (Anthropic’in Claude'u, Microsoft’un OmniParser'ı, vb).
2. Web tarama (OpenAI Operator, Kura AI, Runner H, HyperWriteAI, MultiOn Agent Q, vb).

Araç örnekleri:

1. Agent Mode ile ChatGPT Atlas, Operator aracının halefi, uygulamalar arasında geçiş yapar ve GUI'yi birleştirmek için karmaşık web tabanlı görevleri tamamlar.⁴⁶
2. Kura AI ve Runner H, web tarayıcılarını kullanarak görevleri tamamlamayı amaçlar.^{47 48}
3. HyperWriteAI, çevrimiçi bir sipariş vermek için metin formlarını doldurmayı, düğmelere tıklamayı ve menü seçimlerini yapmayı amaçlar.⁴⁹
4. Microsoft'un OmniParser'ı, GUI otomasyonu için görsel arayüzlerin ajan tarafından anlaşılmasını geliştirir.⁵⁰

38. Form doldurma ve web otomasyonu

Ajanlar, kullanıcı istemlerine veya yapılandırılmış verilere dayanarak web sayfalarında gezinir, alanlara tıklar ve formları doldurur.

Gerçek hayattan örnek:

39. Belge oluşturma ve düzenleme

Ajanlar dosyaları açar, düzenlemeler yapar, yerel veya bulut ortamlarında belgeleri yeniden adlandırır, düzenler ve kaydeder.

Gerçek hayattan örnek:

Anthropic'in Claude'undan “25 satırlık örnek harcama oluştur, bunları bir elektronik tabloya kaydet ve sonra elektronik tabloyu aç” istenmiştir.

Bu örnekte, Claude:

• CSV dosyasını LibreOffice Calc uygulamasında açtı.
• 25 satırlık örnek harcama verisiyle bir CSV dosyası oluşturdu.
• LibreOffice Calc elektronik tablosunu kurdu.⁵²

40. Web araştırması ve yapılandırılmış veri toplama

Temel otomasyon betiklerinin aksine, derin web araştırma ajanları birden çok sayfadaki yapılandırılmamış bilgileri yorumlar ve içgörüleri yapılandırılmış bir formatta döndürür.

Gerçek hayattan örnek:

OpenAI'nin Deep Research'ü, ChatGPT içinde çok adımlı, yüksek bağlamlı web araştırması için tasarlanmış yeni bir agentic yetenek; planlar, gezinir ve birden çok kaynaktan bilgi sentezler, karmaşık sorguları yanıtlamak için.

41. CLI işlemleri ve betik yürütme

Aider gibi CLI tabanlı kodlama ajanları, terminal tabanlı geliştirme iş akışları için tasarlanmıştır; kabuk komutları çalıştırır, yazılım yükler, betikler başlatır ve terminal arayüzlerindeki çıktıları yorumlar.

Gerçek hayattan örnekler:

Aider, bir CLI-yerel AI kodlama ajanı, geliştiriciler tarafından kod tabanlarını yeniden düzenlemek ve test paketlerini çalıştırmak gibi kabuk komutlarını yürütmek için kullanılır (pytest, npm test). Ajan, terminal çıktılarını yorumlar, yinelemeli olarak hataları düzeltir ve değişiklikleri doğrudan Git depolarına kaydeder.⁵⁴

Aider'a alternatif olarak Cognition, doğrudan terminal tabanlı ajanlarla rekabet eden CLI-yerel bir varyantı olan otonom AI yazılım mühendisi Devin 2.0'ı sundu. Devin, kod tabanlarını yeniden düzenleyebilir, kabuk komutları çalıştırabilir, test paketlerini yürütebilir ve değişiklikleri Git depolarına kaydedebilir.⁵⁵

42. Çok modlu uygulama navigasyonu ve koordinasyon

Birleşik GUI ajanları (ör. OpenAI Operator prototipleri) uygulamalar arasında geçiş yapabilir.

Gerçek hayattan örnek:

Bir sipariş teslimatı kullanım örneğini test etmek için Open Operator’a basit bir alışveriş isteği verdim: $30 altında boho tarzı bir kırlent kılıfı almama yardım et.

Otonom iş akışı ajanları (Uzun vadeli görevlendirme)

Bellek ve araç kullanımı olan planlama ajanları (ör. Otomatik-GPT, hedef belirlemeli Agent Q), çok adımlı hedefleri çeşitli araçlar arasında yürütür (ör. girdi toplama, eylem alma, planı gözden geçirme), gerçek zamanlı kararlar verir.

Gerçek hayattan örnek:

Bu çok adımlı finansal rapor analizinde, AI planlama ajanına şu görev verilmiştir: “Geçen çeyreğin finansal performansını analiz et ve finans ekibi için bir özet hazırla.”

Ajanın şunları alması istenir:

• En son şirket haberleri (en iyi 3 haber)
• Şirketin mevcut hisse senedi fiyatı (AAPL)
• Şirket bilgileri (ör. profil, piyasa değeri, sektör)
• Geçmiş hisse senedi fiyatları (son bir ayda 1 günlük aralıkla)
• Analist önerileri (ör. al/tut/sat derecelendirmeleri)

İşte finansal rapor çıktısı:

Gerçek hayattan örnek:

MultiOn Agent Q bir uçuş rezervasyonu yapıyor.

AI ajanları oluşturma

LangChain gibi araçları kullanarak doğal dil hava durumu aramaları gibi temel ajan uygulamalarından, uygulama geliştirme gibi daha karmaşık otonom kullanım alanlarına (ör. Cursor AI editörü ile Tic Tac Toe oyunu üretme) geçiş şu zorlukları doğurdu:

Bu geçiş, çok adımlı iş akışlarını yönetme, API hata döngülerini ele alma ve büyük kod tabanlarında bağlamı sürdürme gibi zorlukları beraberinde getirdi.

• Görev yürütmede karmaşıklığı yönetme
  • Karar verme süreçlerine rehberlik eden desenleri standartlaştırmak.
  • Bir görevi yürütmek için birden çok seçeneği birleştirip optimal eylemi seçmek. (ör. “Kullanıcı girdisine göre bu ekranı mı yoksa diğerini mi göstermeliyim?”).
• Dış sistemlerle ve API'lerle arayüz oluşturma

43. Özel AI ajanları oluşturma

AI ajan oluşturma çerçeveleri şunları sağlayarak bu zorlukları çözmeye yardımcı olur:

• Karar verme ve akıl yürütme çerçeveleri (ör. makine öğrenimi veya olasılıksal modeller) desenleri standartlaştırmak ve birden çok seçeneği dahil etmek.
• Veri erişimi ve entegrasyon araçları (ör. API bağlayıcıları) dış sistemlerle ve API'lerle arayüz oluşturmak.

Geliştirici ekosistemi, LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK ve Claude Agent SDK gibi özel agentic orkestrasyon araçlarını benimsemektedir; çünkü bu araçlar çoklu ajan koordinasyonu ve uzun vadeli görevler için yapılandırılmış iş akışları sunar.

Gerçek hayattan örnek:

Microsoft 365 ile özel bir Slovenya seyahat rehberi ajanı oluşturma:

SSS'ler

Bu araştırmayı kaynak gösterin

Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.

@misc{dilmegani2026,
  author = {Dilmegani, Cem},
  title  = {{40+ Gerçek Hayattan Örneklerle Agentic AI Kullanım Alanları}},
  year   = {2026},
  month  = jul,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Erişim tarihi: 16 Temmuz 2026}
}

Referans Linkleri

1.

Introducing Operator | OpenAI

2.

Lamar on X: "this is wild just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent ai agent the future is here and it’s insane! https://t.co/jIZnqW4fJD"

3.

Cursor vs GitHub Copilot: Which AI Coding Assistant is better?

4.

Replit’s AI agent built my entire website (I just watched) - YouTube

5.

Replit’s AI agent built my entire website (I just watched) - YouTube

6.

How to Build a Website AI Agent in 13 Min (Free N8N Template) - YouTube

7.

Deepseek-R1 + RooCode: BEST AI Coding Agent! Develop a Full-stack App Without Writing ANY Code! - YouTube

8.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

9.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

10.

Refact.ai AI Coding Assistant | Fine-tuned, Secure, and Open-source - Refact.ai

11.

Agent mode 101: All about GitHub Copilot’s powerful mode - The GitHub Blog

12.

Getting code suggestions in your IDE with GitHub Copilot - GitHub Docs

13.

How to Connect Your AI Agent to Kubernetes: A Hands-On MCP Server Demo - YouTube

14.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

15.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

16.

IPAttributor: Cyber Attacker Attribution with Threat Intelligence-Enriched Intrusion Data

MDPI

17.

Introducing AI-powered investigation in Chronicle Security Operations | Google Cloud Blog

Google Cloud

18.

GitHub - dandye/adk_runbooks · GitHub

19.

Agentic Incident Response - YouTube

20.

MITRE ATT&CK Driven Threat Hunting Automated by Local LLM - YouTube

21.

AI-Powered Test Automation: Ship Apps 3x Faster | Pcloudy

22.

Generative Agents: Interactive Simulacra of Human Behavior

23.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

24.

A generalist AI agent for 3D virtual environments — Google DeepMind

SIMA team

25.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

26.

terminal-velocity/complete_manuscript.md at main · mind-protocol/terminal-velocity · GitHub

27.

NLR Co-Founder of Mind Protocol on X: "3 unsupervised agents write a book - polishing Act III https://t.co/xxa9P3udNV" / X

28.

Engineering

29.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

30.

Introducing AI to FigJam | Figma Blog

Figma

31.

Dutch Insurance Provider

32.

Automating an insurance claim form with AI Builder - YouTube

33.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

34.

Revolutionizing Talent Acquisition in HR: PepsiCo's AI Success Story

35.

Introducing Hiring Assistant to help recruiters spend more time on their most impactful work

LinkedIn Talent Solutions

36.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

37.

Ada Voice + Aircall - YouTube

38.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

39.

AI Agent Examples and Use Cases for Enterprise Contact Centers | Cognigy

Cognigy

40.

Introducing deep research | OpenAI

41.

Deep Research - Marginal REVOLUTION

42.

Deep Research: First Impressions

UX Tigers

43.

ChemicalQDevice

44.

Automation of Systematic Reviews with Large Language Models | medRxiv

45.

[2606.28277] Towards Automating Scientific Review with Google's Paper Assistant Tool

46.

Introducing Operator | OpenAI

47.

Launch YC: Kura: New State of the Art for Browser Agents [31% better than Computer Use] | Y Combinator

48.

H, the AI startup that raised $220M, launches its first product: Runner H for 'agentic' applications | TechCrunch

TechCrunch

49.

Matt Shumer on X: "Today, we’re unveiling Personal Assistant - @HyperWriteAI's groundbreaking AI agent that can use a web browser like a human. One agent to rule them all. It’s time to reimagine the way we interact with the internet. https://t.c

50.

OmniParser

51.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

52.

Would You Let AI Control Your Computer? Testing Anthropic Claude's Computer Use Feature + Setup - YouTube

53.

Introducing deep research | OpenAI

54.

GitHub - Aider-AI/aider: aider is AI pair programming in your terminal · GitHub

55.

Devin | The AI Software Engineer

56.

Creating an AI Agent for Financial Report Analysis - YouTube

57.

MultiOn AI Agent books a flight - YouTube

58.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple'da baş analist olarak görev yapmaktadır. AIMultiple, her ay Fortune 500 şirketlerinin %55'i de dahil olmak üzere yüz binlerce işletmeye (benzer Web'e göre) bilgi sağlamaktadır. Cem'in çalışmaları, Business Insider, Forbes, Washington Post gibi önde gelen küresel yayınlar, Deloitte, HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslararası kuruluşlar tarafından alıntılanmıştır. AIMultiple'ı referans gösteren daha fazla saygın şirket ve kaynağı görebilirsiniz. Kariyeri boyunca Cem, teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yapmıştır. On yıldan fazla bir süre McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararları konusunda danışmanlık yapmıştır. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayınlamıştır. Bir telekom şirketinin CEO'suna bağlı olarak teknoloji stratejisi ve tedarikini yönetmiştir. Ayrıca, 2 yıl içinde sıfırdan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetmiştir. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınlarında yer aldı. Cem düzenli olarak uluslararası teknoloji konferanslarında konuşmacı olarak yer almaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisliği diplomasına ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Yorum yapan ilk kişi olun

E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.

Ad

E-posta Adresi

Yorum

0/450

Yorumu Gönder