Otonom üretken yapay zeka ajanları, çok az insan denetimiyle veya hiç insan denetimi olmadan karmaşık görevleri yerine getirir. Otonom yapay zeka, chatbot'lardan ve yardımcı pilotlardan farklıdır.
Karmaşık iş akışlarında çoğu zaman insan müdahalesi gerektiren geleneksel yapay zekadan, özellikle üretken yapay zekadan farklı olarak otonom yapay zeka; karar verme yetenekleri ve hedefe yönelik davranışı sayesinde süreçleri otonom biçimde yönlendirmeyi ve optimize etmeyi amaçlar. Yapay zeka ajanları şunlar olarak görev yapar:
- Geliştiriciler
- SecOps asistanları
- İnsan benzeri oyun karakterleri
- İçerik üreticileri
- Sigorta asistanları
- İnsan kaynakları (İK) asistanları
- Müşteri hizmetleri asistanları
- Araştırma asistanları
- Bilgisayar kullanıcıları
- Yapay zeka ajanı oluşturucuları
Geliştirici olarak yapay zeka ajanları
1. Uygulama geliştirme
Yapay zeka kod editörleri; Cursor AI Editör, Windsurf Editör ve Replit gibi araçlar, şunları yaparak uygulamalar oluşturmayı ve dağıtmayı amaçlar (örn. Yapılacaklar listesi uygulaması):
- İş için doğru araçları seçme; örneğin API'ler için Flask veya ön yüzler için React.
- Basit prompt'lara dayalı olarak seçilen dilde (örn. Python, JavaScript) kod üretme.
- Test ve dağıtım için GitHub Actions gibi entegrasyonlarla iş akışlarını otomatikleştirme.
Nasıl çalışır:
Bir geliştirici, OpenAI Operator ve Replit Yapay Zeka Ajanı'nı kullanarak 90 dakikada eksiksiz bir uygulama oluşturdu. İki ajan birbiriyle otonom olarak kimlik bilgilerini paylaştı ve testler çalıştırdı. Bu ajanlar arası iş birliği ChatGPT Atlas Agent Mode'a entegre edilerek ajanın yeteneği e-ticaret, seyahat rezervasyonu ve kurumsal web iş akışları gibi geliştirme ortamlarının ötesine genişletildi.1
Cursor'ın ajan modu Composer, tek bir prompt'tan eksiksiz bir Tic Tac Toe oyunu üretmeyi amaçlar:“2 oyuncu için HTML, CSS ve JavaScript ile bir Tic Tac Toe oyunu oluştur.”
Cursor, birden fazla dosya üzerinde kodlama yapabilir, komutlar çalıştırabilir ve ihtiyaç duyduğu bağlamı otomatik olarak belirleyebilir (dosya eklemeye gerek yoktur).
Gerçek hayat örneği: Building applications case study
Rakuten, birim testi, API mock'lama, bileşen oluşturma, hata düzeltme ve dokümantasyon genelinde Anthropic Claude Code'u kullanarak geliştirme iş akışını yeniden oluşturdu. Rakuten şunları elde etti:
- Özellik pazara sunma süresinde %79 kısalma
- Beş görevi paralel olarak yürütme
- Karmaşık kod tabanlarını ve mimari kararları anlama.4
Ajan geliştirme hakkında daha fazlasını keşfedin
Otonom yapay zeka sistemlerini çalıştıran altyapıyı inceliyorsanız en son benchmark'larımıza göz atmanızı öneririz:
- Uzak tarayıcılar: Tarayıcı altyapısı, ajanların web ile güvenli şekilde etkileşim kurmasını nasıl sağlar.
- MCP benchmark: Araç kullanımı ve web erişimi için en iyi MCP sunucuları.
2. Yapay zeka kodlamayla kendi API'nizi oluşturun
Yapay zeka kod editörleri, spesifikasyonları işlevsel koda dönüştürerek API oluşturmayı otomatikleştirir. Süreç genellikle şöyle işler:
- Çıktıyı test, sürüm kontrolü ve dağıtım için geliştiricinin ortamına entegre etme.
- API spesifikasyonlarını alma (örn. OpenAPI/Swagger dosyaları).
- Belgelenen endpoint'lere, yöntemlere ve şemalara dayalı olarak arka uç kodu üretme.
Nasıl çalışır:
Yapay zeka ajanları için n8n ile Kodsuz API iş akışları.
İşte bir API iş akışının üst düzey soyutlaması:
3. Doğal dilde kod düzenleme
Kod parçacıklarını seçebilir ve şu tür sade İngilizce komutlar verebilirsiniz:
“Tahtanın boyutunu iki katına çıkar. Onu yeşil yap – tıpkı bir Apple 2e gibi.” (aşağıdaki gerçek hayat örneğine bakın).
Nasıl çalışır:
Cursor gibi kodlama ajanları niyeti belirler, dosyalar genelinde ilgili kodu değiştirir ve değişiklikleri uygular.
Gerçek hayat örneği: Natural language code editing
Coinbase, sprint planlamasını yeniden tasarlayıp paralel ajan kullanımını genişleterek Cursor etrafında kurulu ajan öncelikli bir mühendislik modeline geçti ve şu sonuçları elde etti:
- Fikirden üretime geçiş süresinde %90 azalma
- Mühendis başına birleştirilen pull request sayısında %55 artış.7
4. Web sitesi oluşturma
v0 by Vercel, Bolt, Lovable ve CerebrasCoder gibi yapay zeka web sitesi oluşturucuları, e-öğrenme web siteleri gibi karmaşık platformlar oluşturmayı ve şu gibi kilit sayfaları üretmeyi amaçlar:
- Ana sayfalar
- Kurs listeleme sayfaları
- Kişiselleştirilmiş öğrenci panoları
Benzer şekilde, Replit gibi yapay zeka kod editörleri web siteleri oluşturur ve API'lerden yararlanır.6
Nasıl çalışır:
Otomasyon iş akışı şu şekildedir:
5. CRM panosu oluşturma
Ajanlar, ön uç arayüzü oluşturabilir, arka uç mantığını yapılandırabilir ve veritabanı etkileşimlerini kurabilir.
Nasıl çalışır:
Roo Code, eksiksiz CRM panoları oluşturmak için DeepSeek modelini kullanır.
6. Recursive kodlama
Temel kodlama genellikle LLM'ler için bir görev olsa da, bir ajanın birden fazla katmanda kodu yinelemeli olarak iyileştirdiği/genişlettiği özyinelemeli kodlama iş akışları doğası gereği otonom ajan tabanlıdır.
Ajanlar, bir hedefe ulaşılana kadar büyük kod bloklarını otonom olarak yeniden yazar, yapılandırma değişikliklerini uygular ve sonuçları döngüler halinde test eder.
Nasıl çalışır:
GT Edge AI, eski COBOL kodunu modern Java'ya dönüştürür.10
Persistent, COBOL kodunu Java'ya otonom şekilde taşımak için kullanılan çok ajanlı bir framework sağlar; şu şekilde çalışır:11
Gerçek hayat örneği: Recursive kodlama
Küresel bir lojistik şirketi, ana bilgisayar modernizasyon programı sırasında IBM watsonx Code Assistant'ı kullandı. Araç, envanteri taradı, uygulamanın yapısal ve işlevsel bir modelini çıkardı ve Java'ya dönüşüm için belirli iş hizmetlerini izole etti. Bu sayede IBM, firmanın şu sonuçlara ulaşmasına yardımcı oldu:
- COBOL'dan Java'ya dönüşümde geliştirici üretkenliğinde %60 artış
- Oluşturulan Java, orijinal COBOL ile aynı çıktıları doğrulayan otomatik birim testleriyle doğrulandı12
7. Kod yeniden düzenleme
Özyinelemeli kodlama kullanan yapay zeka ajanları, kodun çalışma şeklini değiştirmeden tasarımını sürekli iyileştirir; böylece kodun anlaşılmasını ve bakımını kolaylaştırır.
Nasıl çalışır:
Teknoloji girişimi geliştiricileri, 25+ programlama dilinde kodunuzu yeniden düzenleyen bir ajan oluşturdu.13
Gerçek hayat örneği: Kod yeniden düzenleme
Cognition, Goldman Sachs, Santander ve Nubank'ı kapsayan müşteri tabanındaki üretim kullanımına dayanarak Devin'in 18 aylık performans incelemesini yayımladı ve taşıma ile yeniden düzenleme çalışmaları için şu hız ve birleştirme oranı rakamlarını bildirdi:
- Her dosyanın taşınması, bir insan mühendis için 30–40 saate kıyasla 3–4 saatte tamamlandı; bu yaklaşık 10x iyileşme anlamına geliyor
- Oracle, bir Java sürümü için eski desteği sonlandırdığında Devin her depoyu bir insan mühendisten 14x daha kısa sürede taşıdı
- Devin'in pull request'lerinin yaklaşık %67'si artık birleştiriliyor; bu oran önceki yaklaşık %34 seviyesinden arttı
- Müşteri tabanı genelinde yüz binlerce pull request birleştirildi.14
8. IDE'nizde kod önerileri üretme
GitHub Copilot; VS Code ve JetBrains IDE'lerinde çok adımlı kodlama görevlerini yerine getirebilen, komutlar çalıştırabilen ve kod üzerinde bağımsız olarak yineleme yapabilen otonom bir ajan modu sunar; gerçek zamanlı önerilerin ve otomatik-tamamlamaların ötesine geçer.
Gerçek hayat örneği: Kod önerisi üretme
Accenture, GitHub Copilot'u geliştiricilerine randomize kontrollü bir deneme kapsamında sundu; bir gruba erişim verilirken kontrol grubuna verilmedi. Accenture'ın kendi DevOps telemetrisinden ölçülen sonuçlar şunları içeriyor:
- Geliştirici başına pull request sayısında %8,69 artış
- Pull request birleştirme oranında %15 artış
- Başarılı derleme sayısında %84 artış; bu, kalite ödünleşimi olmadan verimin arttığını gösterir
- Copilot önerilerinin yaklaşık %30'u kabul edildi; üretilen karakterlerin %88'i editörde korundu
- Geliştiricilerin %90'ı işlerinde daha tatmin olduğunu bildirdi; %95'i kodlamayı daha çok sevdiğini söyledi.16
9. CI/CD pipeline izleme ve optimizasyonu
Yapay zeka ajanları, Kubernetes gibi bulut tabanlı ortamlarda altyapıyı yönetir. Bu DevOps ajanları şunları amaçlar:
- Çalışan ingress controller'ları veya diğer iş yüklerini belirleme
- Çalışan pod'ları belirleme
- Üst düzey komutları yorumlama; örneğin “NGINX pod'unu kapat”
Nasıl çalışır:
Araçlar veya sarmalayıcılar aracılığıyla Kubernetes'e bağlandığında Claude, küme durumunu sorgulamak için bir DevOps ajanı olarak görev yapabilir. “Çalışan herhangi bir pod'um var mı kontrol et.”.
Gerçek hayat örneği: CI/CD pipeline izleme ve optimizasyonu
NVIDIA, Cursor'ı kod üretiminin ötesine taşıyarak hata ayıklama, kod incelemesi, test üretimi ve QA alanlarında kullandı ve tüm git akışını otomatikleştirmek için özel kurallar yapılandırdı.
- 30.000 geliştirici genelinde 3x daha fazla kod commit'lendi
- Özel kurallar; dal oluşturma, kod commit'leri, CI hata ayıklama ve sorun takibini otomatikleştirir
- Cursor, neredeyse tüm ürün alanlarında ve yazılım geliştirme yaşam döngüsünün her aşamasında kullanılıyor
- Özellikle nadir ve kalıcı hataları bulma ve çözmede etkilidir; ajanlar bunları düzeltmek üzere görevlendirilir.18
SecOps asistanı olarak yapay zeka ajanları
10. Tehdit istihbaratı
Ajanlar, açık kaynak ve tescilli beslemelerden tehdit aktörlerinin TTP'lerini (taktikler, teknikler, prosedürler) toplar ve ilişkilendirir; bulguları tespit iş akışlarına entegre eder.
Nasıl çalışır:
Microsoft Security Copilot, tehdit istihbaratını dinamik olarak toplayan, filtreleyen ve özetleyen uzmanlaşmış bir Tehdit İstihbaratı Brifing Ajanı içerir.
Gerçek hayat örneği: Tehdit istihbaratı
TÜV SÜD ve Elanco, küresel BT ortamlarında inceleme ve tehdit analizini hızlandırmak için Microsoft Security Copilot'u devreye aldı.
- TÜV SÜD tehditleri %60–%70 daha hızlı analiz ediyor
- Elanco yanıt sürelerini %50'ye kadar azalttı
- Analistler, daha önce hiç karşılaşmadıkları saldırı vektörlerini sorgulayabilir ve istihbarat beslemeleri arasında manuel olarak çalışmadan kullanılabilir yanıtlar alabilir.20
11. Tespit ve triyaj
Bu eylemler, daha derin analizden önce gürültüyü azaltmak ve uyarı verilerini düzenlemek için ilk sinyal alımı aşamasında gerçekleşir.
- Uyarı tekilleştirme: Gürültüyü azaltmak için birden fazla kaynaktan gelen aynı veya neredeyse aynı olayları kaldırır.
- Yanlış pozitif bastırma: Geçmiş çözüm desenlerini kullanarak yinelenen zararsız uyarıları bastırır.
- Uyarı gruplama / kümeleme: İlgili uyarıları (aynı kullanıcı, ana bilgisayar veya taktik) tek bir olay halinde kümelendirir.
Nasıl çalışır:
Charlotte AI şunlar aracılığıyla otonom tespit ve triyaj gerçekleştirir:
- Bilinen TTP'lere dayalı kötü amaçlı davranışı belirleme.
- Çalıştırma desenlerini ve dosya yollarını çapraz referanslama.
- İnsanların okuyabileceği bir karar açıklaması sağlama.
Gerçek hayat örneği: Tespit ve triyaj
CrowdStrike, Charlotte AI Detection Triage'ı kendi Falcon Complete MDR analistlerinin verdiği milyonlarca gerçek triyaj kararı üzerinde eğitti; ardından kuruluşların, ajanın yardımsız olarak hangi eylemleri yapabileceğini belirleyebilmesi için müşteri tanımlı sınırlı otonomi kapsamında yayımladı.
- Falcon Complete insan uzman triyaj kararlarıyla %98'in üzerinde uyum oranı
- Haftada ortalama 40 saatten fazla manuel triyaj işi ortadan kaldırıldı
- Yanlış pozitifleri otonom olarak filtreler ve bir analist görmeden düşük riskli uyarıları kapatır
- Açıklanan hesaplama: triyajlanan ortalama uyarı sayısı, uyarı başına beş dakikalık manuel triyaj süresiyle çarpılmıştır22
12. Bağlamsal zenginleştirme ve tehdit atıfı
İlk triyajdan sonra gerçekleştirilen bu adım, uyarılara derinlik ve bağlam katar.
Otomatik saldırgan atıf sistemleri, CTI beslemelerini alır; davranışsal ve zamansal özellikleri extract eder ve olaylar arasında benzerlik puanları hesaplar. Kümeleme algoritmaları daha sonra, desen örtüşmesine dayanarak izinsiz girişleri bilinen tehdit aktörleriyle (örn. APT41, Mozi veya Lazarus) eşleştirir.
Nasıl çalışır:
Google Chronicle + Mandiant + Gemini AI ajanları; telemetriyi ve CTI beslemelerini otonom olarak alır, uyarıları IOC bağlamıyla zenginleştirir (örn. IP itibarı, zararlı yazılım hash'leri) ve davranışsal desenleri MITRE ATT&CK framework'ündeki bilinen tehdit aktörü taktikleriyle çapraz referanslar.
Bu otonom ajan kurulumunda:
- Tespit: Bir yapay zeka ajanı, servis hesaplarını kullanarak yanal hareketi tespit eder.
- Zenginleştirme: Uyarıyı Chronicle günlükleri, varlık envanteri ve Mandiant tehdit istihbaratındaki verilerle otomatik olarak zenginleştirir.
- Atıf: İkinci bir ajan, bu etkinliği bilinen bir gruba atfedilen geçmiş saldırı zincirleriyle kümelendirir (örn. APT41).
13. Eskalasyon ve devir
- Uyarı çevirisi / sadeleştirme: Teknik uyarıları analist dostu özetlere dönüştürür.
- Otomatik talep oluşturma ve analist atama: Talepler oluşturur ve olayları uygun seviyeye veya ekibe yönlendirir.
Nasıl çalışır:
Torq Socrates, otonom bir SOC orkestratörü olarak Tier-1 olay yaşam döngüsü boyunca uzmanlaşmış alt ajanları (Runbook, Investigation, Remediation ve Case Management ajanları) koordine eder.
Eskalasyon ve devirde Socrates:
- ITSM platformlarında (örn. ServiceNow, Jira) ilgili gözlemlenebilirler, zenginleştirme ve yapılandırılmış verilerle önceden doldurulmuş şekilde otomatik olarak olay oluşturur.
- İş yükü ve vardiya programlarına göre analistleri atar.
- Özellikle güven düşük olduğunda, olay belirsiz olduğunda veya potansiyel etki yüksek olduğunda seçici olarak eskalasyon yapar.
- Devir sırasında tam zenginleştirmeyi ekler; böylece analistler ham bir uyarı yerine harekete hazır bir olay dosyası alır.
Gerçek hayat örneği: Eskalasyon ve devir vaka çalışması
Carvana, Tier-1 olay yaşam döngüsü boyunca kullanıcı doğrulamadan olay oluşturma ve analist atamaya kadar uzmanlaşmış alt ajanları koordine eden Socrates ile Torq HyperSOC'u devreye aldı.
- Carvana'nın Tier-1 güvenlik uyarılarının %100'ü artık otonom ajan sistemi tarafından ele alınıyor
- Dağıtımdan sonraki bir ay içinde 41 ayrı runbook otomatikleştirildi
- Analistler, önemli potansiyel kurumsal etkiye sahip uyarılara odaklanmak üzere serbest bırakıldı.26
14. Proaktif yanıt eylemleri
SecOps'ta ajanlar endpoint'leri izole eder, hesapları devre dışı bırakır veya zararlı işlemleri sonlandırır. Bu sistemler şunları amaçlar:
- Doğal dil veya bağlamsal tetikleyiciler kullanarak günlükleri otomatik sorgulama
- İncelemeler ve eskalasyon için otomatik playbook'ları çalıştırma
- Yeni kanıtlara veya yön değiştiren mantığa dayanarak iş akışlarını gerçek zamanlı uyarlama
- İyileştirme için kod olarak altyapı üretme (örn. Terraform, Pulumi)
- İnceleme bulgularına dayanarak tespit kurallarını taslak haline getirir ve değiştirir
Nasıl çalışır:
Google, zararlı yazılım tespiti için yapılandırılmış bir Olay Müdahale Planı yürütmek üzere birden fazla alt ajanı kullanan SOC Manager ajanını geliştirdi.27
Otonom ajan proje yapısı:
Olay müdahale planının son adımında (Adım 5: Tamamlama), IOCs (Ele Geçirilme Göstergeleri), otomatik bir çevreleme runbook'u yürüten SOC Manager ajanı tarafından proaktif olarak engellendi (aşağıya bakın).
Gerçek hayat örneği: Proaktif yanıt
Yönetilen tespit ve yanıt sağlayıcısı Deepwatch, müşterilerinin güvenlik yığınlarındaki analiz ve triyajı hızlandırmak için başarısız olan eski SOAR'ı Torq Hyperautomation ile değiştirdi.
- Tier 1 ve Tier 2 görevlerinin %90'ından fazlası otomatikleştirildi
- Yıllar içinde birikmiş eski SOAR otomasyonları birkaç haftada yeniden oluşturuldu
- Şirketin daha önce elde ettiğinden daha hızlı müşteri katılımı sağlandı; iş akışları talebe göre oluşturuldu.29
15. Tehdit avcılığı
Tehdit avcılığındaki ajanlar şunları amaçlar:
- Kimlik, ağ ve bulut günlüklerinde sürekli olarak anomali taraması yapma
- IOC aramaları veya desen tespiti gibi tekrarlayan avları otomatikleştirme
- Davranışı geçmiş taban çizgileri ve eş etkinliğiyle karşılaştırarak bilinmeyen tehditleri işaretleme
Nasıl çalışır:
Araştırmacılar, yapay zeka ajanlarının tehdit tespiti için Sigma kuralları üretmek üzere iş birliği yaptığı Yerel LLM ile Otomatikleştirilmiş, MITRE ATT&CK Odaklı Tehdit Avcılığı sistemi geliştirdi.
Bu örnekte kullanıcı, bir web arayüzü üzerinden bir istek girer (örn. “Lütfen Kerberoasting avcılığı için bir Sigma kuralı oluştur”).
Ajan 1, MITRE ATT&CK'ten ilgili tespit yöntemlerini alırken Ajan 2, bu girdiyi kullanarak bir dil modeli aracılığıyla bağlama duyarlı Sigma kuralları üretir.30
16. Otomatik yazılım ve uygulama testi
Yapay zeka test ajanları; birim, entegrasyon, güvenlik açığı ve performans testlerini kapsamlı manuel müdahale olmadan oluşturup çalıştırır. Ancak bu yapay zeka sistemlerini oluşturmak, önemli hesaplama gücü gerektirdiğinden kaynak yoğundur.
Nasıl çalışır:
Pcloudy Copilot, selenium test script'leri sağlar; test yapılacak uygun tarayıcıları bulur ve test senaryolarını çalıştırır.31
Gerçek hayat örneği: Otomatik test
Uber, kod yapılarını ve bağımlılıkları keşfetmek için derleme sistemiyle entegre olan çok ajanlı bir test üretim sistemi olan AutoCover'ı geliştirdi ve bunu tüm mühendislik organizasyonunda kullanıma sundu.
- Eylül 2024 ile Eylül 2025 arasında tüm Uber mühendislerine dağıtıldı
- Artık Uber'in kod tabanına eklenen ve incelenen tüm yeni testlerin yaklaşık %11'ini üretiyor
- IDE modunda ayda yüz binlerce, headless modda ise on binlerce test üretiyor
- Test hazırlığı, sentez, yürütme, doğrulama ve onarımı kapsayan beş uzmanlaşmış ajanı orkestre eder.32
Daha fazla bilgi: Yapay zeka ajanı oluşturucuları ve açık kaynaklı yapay zeka ajanları.
İnsan benzeri oyun karakterleri olarak yapay zeka ajanları
Yapay zeka ajanları, NPC davranışları, oyun oynama ve uyarlanabilirlik ile prosedürel içerik üretimi gerçekleştirerek oyun dünyasındaki NPC'leri ve diğer otonom ajan süreçlerini iyileştirir.
17. Otonom oyuncu olmayan karakterler (NPC'ler)
Oyunlardaki tam otonom yapay zeka ajanları, oyuncu olmayan karakterler (NPC'ler) için insan benzeri davranış ve oynanış sağlar.
Gerçek hayat örneği: NPC'ler
Araştırmacılar, The Sims'e benzer bir sandbox ortamı oluşturarak içinde 25 ajanın yaşadığı ve “Stanford AI Village” adı verilen küçük bir sanal kasaba yarattı.
Bu kasabada kullanıcılar; ajanlar haber paylaşırken, ilişkiler kurarken ve grup etkinlikleri düzenlerken onları gözlemleyebilir ve onlarla etkileşime girebilir.33
Bu kavramların arkasındaki temel bileşenlerin ve fikirlerin bir özeti aşağıdadır:
- Davranışsal script'ler: Stanford AI Village ajanları, eylemler ve tepkiler için önceden tanımlanmış script'ler kullanır. Bu, diğer NPC'lerle olumlu etkileşim kurmak gibi temel davranışları içerebilir.
- Dinamik davranış: NPC'ler, oyuncunun eylemlerine göre davranışlarını ayarlamak için yapay zeka kullanır; bu da oyun dünyasını daha duyarlı hale getirir.
- Yol bulma: NPC'ler, oyun dünyasında etkili şekilde gezinmek, engellerin etrafından yol bulmak ve oyuncuyu takip etmek için algoritmalar kullanır.
18. Oyun oynama
Yapay zeka ajanları, şunlardan yararlanarak video oyunları oynar veya insan oyuncuların belirli hedeflere ulaşmasına yardımcı olur:
- Yol bulma ve navigasyon: Oyun ajanları, deneme yanılma yoluyla en uygun stratejileri bularak oyun ortamlarını keşfeder. Örneğin, karar verme süreçlerini sürekli iyileştirerek karmaşık labirentlerde gezinme yollarını öğrenirler.
- Girdi emülasyonu: Oyun ajanları; klavye basışları, fare hareketleri veya gamepad kontrolleri gibi girdileri taklit eder. Bu, onların oyunla bir insan oyuncu gibi etkileşime girmesini sağlar.
- Oynanış uyarlanabilirliği: Ajanlar, oyuncunun oynayış tarzını analiz eder ve oyun dünyasını, etkileşimleri ve görev tasarımını buna göre uyarlar. Örneğin, gizlilik odaklı bir oyuncu daha az doğrudan çatışma zorluğuyla karşılaşabilir.
Gerçek hayat örneği: oyun oynama
Google DeepMind Scalable Instructable Multi-Agent (SIMA), oyun durumlarında gezinir ve etkileşime girer. SIMA, No Man’s Sky ve Goat Simulator gibi oyunları oynamayı amaçlar.
3D sanal ortamlar için GenAI ajanı35
19. Prosedürel içerik üretimi
Yapay zeka ajanları, algoritmik olarak büyük miktarda oyun içeriği üretme konusunda oldukça yeteneklidir; örneğin:
- Arazi ve manzaralar
- Savaş senaryoları
- Karakter tasarımları
- Ses manzaraları ve müzik
Nasıl çalışır:
Bir macera oyunu olan No Man’s Sky, şunlarla birlikte tüm gezegenleri oluşturmak için prosedürel üretim kullanır:
- Çeşitli topografyalar (örn. dağlar, vadiler, kanyonlar).
- Benzersiz biyomlar (örn. çöller, ormanlar, okyanuslar).
- Dinamik hava desenleri (örn. fırtınalar, yağış).36
İçerik üreticisi olarak yapay zeka ajanları
Yapay zeka ajanları; içerik oluşturma, düzenleme ve yayımlamayı otomatikleştirerek insan yazarlara yardımcı olur. Yapay zeka yazma asistanlarının bazı uygulamaları şunlardır:
20. Otomatik anlatı yazımı
Yapay zeka ajanları; bölümleri planlayarak, içeriği taslak haline getirerek ve üslubu cilalayarak bir anlatı yazar.
Gerçek hayat örneği: Otomatik anlatı yazımı
Bir GitHub AI ajan projesinde, 10 uzman yapay zeka ajanı hiç insan yazımı olmadan 100.000 kelimelik (~300 sayfa) bir roman yazmak için otonom olarak çalıştı.37 Bu 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 koordinasyon sağlar ve yaratıcı akışı izler.
- Tekrarlama ajanı: İçerik fazlalığını ve tekrarlarını önler.
İşte ajanların romanı nasıl oluşturduğunu gösteren bir canlı yayın:
21. Teknik rapor veya teklif yazımı
Yapay zeka ajanları, şunlar dahil olmak üzere teknik raporları otonom olarak taslak haline getirir:
- Mühendislik raporları
- Proje teklifleri
- Araştırma makaleleri
- Ürün spesifikasyonları
Nasıl çalışır:
Bir yapay zeka yazma asistanı olan ParagraphAI, zaman çizelgesini, bütçeyi ve gereken kaynakları ve personeli planlayarak teknik mühendislik raporları yazar.39
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.
Nasıl çalışır:
Perplexity Pages, gen yapay zeka arama sonuçlarını yapılandırılmış Wikipedia sayfalarına dönüştürür.40
23. Pano ve diyagram üretimi
Ajanlar, metin prompt'larına dayanarak UI/UX bileşenleri, sistem diyagramları ve akış şemaları üretir; böylece tasarım sürecini kolaylaştırır.
Nasıl çalışır:
FigJam AI, şunları üretmek için metin prompt'ları kullanır:
- Toplantılar ve ekip çalışmaları için panolar
- Diyagramlar ve akış şemaları
- Görsel zaman çizelgeleri ve Gantt şemaları41
Sigorta asistanı olarak yapay zeka ajanları
Ajanlar; hasar incelemesi, onay ve dolandırıcılık tespitini otomatikleştirerek tüm hasar işleme yaşam döngüsünü kolaylaştırır. Örneğin, büyük ölçekli bir sigortacı, özel yapay zeka ajanlarını hasar iş akışına entegre ederek bireysel otomobil hasarlarının yaklaşık %90'ını otomatikleştirir.42
Oracle ve SAP gibi kurumsal satıcılar; tedarik zinciri yönetimi, finans operasyonları, İK ve müşteri deneyimi genelinde otonom yapay zekayı devreye aldı. Bu ajanlar; envanter optimizasyonu, satın alma otomasyonu ve finansal mutabakatı yürütebilir.
24. Uçtan uca hasar işleme
Bir hasar gönderildiğinde, otonom yapay zeka sistemleri gönderilen formlardan ilgili verileri extract eder, ayrıntıları mevcut veritabanlarına göre doğrular ve tutarsızlıkları veya olası dolandırıcılık sinyallerini işaretler.
Nasıl çalışır:
Microsoft Power Platform – bir sigorta hasar formunu otomatikleştirir:
Burada Microsoft Power Platform:
- Yakalanan hasar formu belgeleri onay kutusu seçimleri ve metinler gibi.
- Hasar formunu SharePoint'e yükleme içerik yönetimi uygulaması.
- Hasar formundan veri çıkarma; örneğin hasar ID'si ve onay kutusu değerleri (örn. hasar türü, poliçe numarası).
- Çıkarılan verileri (onay kutusu değerleri dahil) Microsoft Dataverse'e kaydetmek için veri depolama amacıyla Dataverse ile entegre etme.
- Formlarda iş akışlarını işleme; örneğin hasarları onaylamak veya reddetmek için Power App ajanlarını kullanma.
25. Underwriting
Otonom yapay zeka, hasar olasılığı değerlendirmesi için risk değerlendirme ajanı ve dinamik prim ayarlamaları için fiyatlandırma ajanı gibi uzmanlaşmış ajanlarla underwriting'i otomatikleştirir.
Nasıl çalışır:
Akira AI'ın ajanları, her biri underwriting'in kritik bir yönünde uzmanlaşmış çok ajanlı sistem aracılığıyla sigorta underwriting'ini 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: Hasarlar ve başvurulardaki anomalileri veya şüpheli desenleri tespit eder.
- Fiyatlandırma ajanı: Piyasa koşulları, rakip fiyatlandırması ve müşteri davranışı gibi faktörlere dayalı olarak fiyat önerir.44
Gerçek hayat örneği: Underwriting
Zurich North America'nın ABD Orta Pazar ekibi; binlerce sayfalık maruziyet verisini, hasar geçmişini ve risk raporlarını, underwriter'ların kendi değerlendirmelerini uygulamadan önce ayarlayabilecekleri özlü bir underwriting anlatısına dönüştüren Sixfold'u devreye aldı.
- İlk kullanıma sunum sırasında 16 underwriter tarafından ele alınan başvuruların %80'i Sixfold ile işlendi
- Başvuru başına ortalama tahmini 60 dakika tasarruf edildi
- Ocak 2025'te dört Orta Pazar ofisiyle başlatıldı; şimdi ülke genelinde onlarca ofise genişliyor
- Sixfold, Zurich'e ticari sigorta kategorisinde kazandığı 2024 Zurich Innovation Championship aracılığıyla girdi.45
26. Kişiselleştirilmiş poliçe çözümü
Ajanlar; poliçe sahibine hasar durumunu ve sonraki adımları iletir; buna gerekli ek belgeler, onay/ret güncellemeleri veya ödeme ayrıntıları da dahildir.
Gerçek hayat örneği: kişiselleştirilmiş poliçe çözümü
Lemonade AI Jim, hasar sonuçlarını doğrudan poliçe sahibine iletir. Bir hasar bildirildiğinde AI Jim:
- Müşteriden gelen kısa bir video veya metin olan İlk Hasar Bildirimini (FNOL) alır.
- Müşteriyi süreç boyunca yönlendirmek için açıklayıcı sorular sorarak konuşmaya dayalı triyaj yapar.
- Kural tabanlı kontrollerle poliçe ve teminat ayrıntılarını doğrular.
- Hasarı onaylamadan önce dolandırıcılık karşıtı algoritmaları çalıştırır.
- Bankaya ödeme talimatlarını gönderir ve poliçe sahibine hasarın kabul edildiğini bildirir.
İnsan kaynakları (İK) asistanı olarak yapay zeka ajanları
İK operasyonları genellikle otomatikleştirilebilen, özgeçmiş tarama gibi çok sayıda tekrarlayan görev içerir. İK operasyonlarında otonom yapay zekanın temel örnekleri şunlardır:
27. Özgeçmiş tarama
Otonom ajan iş akışları; tarama sürecini otomatikleştirir, ilgili becerileri filtreler ve önceden tanımladığınız kriterlere göre otomatik olarak puanlar atar.
Nasıl çalışır:
PepsiCo, adayları iş gereksinimlerini ne kadar karşıladıklarına göre sıralamak için yapay zeka araçları kullanır.47
Gerçek hayat örneği: Özgeçmiş tarama
Chipotle, Paradox'un konuşmaya dayalı yapay zekasını “Ava Cado” adında sanal bir ekip üyesi olarak devreye aldı; bu üye adaylarla sohbet ediyor, şirket hakkındaki soruları yanıtlıyor, temel bilgileri topluyor, mülakatları planlıyor ve bir yönetici aday seçtiğinde teklifleri gönderiyor.
- Başvurudan işe başlama tarihine kadar geçen süre 12 günden dört güne düştü; bu, %75'e varan bir azalmadır
- Başvuru tamamlama oranı %50'den %85'in üzerine çıktı
- Başvuru hacmi ikiye katlandı
- Kuzey Amerika ve Avrupa'da 3.500'den fazla restoranda devreye alındı
- İngilizce, İspanyolca, Fransızca ve Almanca dillerinde çalışır.48
28. Mülakat planlama
Ajanlar, mülakatların planlanmasını yürütebilir ve en uygun zamanları bulmak için adaylar ile işe alım yöneticileri arasında koordinasyon sağlayabilir.
Nasıl çalışır:
LinkedIn İK Asistanı; iş tanımlarını sentezleme, aday arama ve temel tarama görüşmeleri yapma gibi günlük görevleri yerine getirir.49
Gerçek hayat örneği: Mülakat planlama
ISS North America, yüksek hacimli ve dağıtık bir işe alım ortamında adaylar ile işe alım yöneticileri arasındaki idari planlama katmanını yürütmek için Paradox'un konuşmaya dayalı yapay zekasını kullandı.
- İşe alım süresinde %85 azalma
- Yılda yaklaşık 10.000 saat tasarruf
- Aynı platformda Great Wolf Lodge yılda 700.000 $ tasarruf ediyor ve bir perakendeci mağaza yöneticilerine haftada 40.000 saatin üzerinde zaman kazandırdı
- Bir müşteri, dağıtımdan hemen sonra ortalama işe alım süresini 10 günden beş günün altına indirdi.50
29. Bordro otomasyonu
Bordro işlemedeki ajanlar; maaşları hesaplar, kesintileri işler ve vergi stopajlarını yürütür. Doğruluk ve bordro standartlarına uyum sağlamak için insan kaynakları bilgi sistemi (HRIS) sistemleri ve muhasebe yazılımlarıyla entegre olurlar.
Aşağıdakiler gibi finans otomasyon çözümleri hakkında daha fazlasını keşfedin:
- RPA finans kullanım senaryoları ve araçları
- Finans LLM araçları benchmark'ı
- Otonom yapay zeka finans araçları
Nasıl çalışır:
Akira AI çok ajanlı bordro sistemi, bordro döngüsünün her yönünü otomatikleştirir. Sistem aşağıdakiler dahil birkaç ajan kullanır:
Burada, Akira AI çok ajanlı bordro sistemi aşağıdakiler dahil birkaç ajan kullanır:
- Veri alımı ve ön işleme ajanı: İK ve finans sistemlerinden verileri temizlemek için veri çıkarma yöntemlerini kullanır.
- Bordro hesaplama ajanı: Maaş, kesintiler ve ikramiyeler dahil bordro hesaplamalarını otomatikleştirir.
- Uyumluluk raporlama ajanı: Makine öğrenmesi kullanarak uyumluluk sorunlarını tespit eder.
- Sorgu çözümleme ajanı: Bordro sorunlarını RAG kullanarak çözer.
Müşteri hizmetleri asistanı olarak yapay zeka ajanları
Geleneksel chatbot'lar basit sorguları ele alır ancak karmaşık taleplerde zorlanır. Otonom müşteri hizmetleri araçları bu sorunu şu şekilde çözer:
- Sorular belirsiz veya karmaşık olsa bile incelikli talepleri yorumlama
- Müşteri profillerinden, sipariş geçmişinden ve bilgi tabanlarından veri getirirken sohbet, ses ve e-posta kanallarında sorunsuz çalışma
- Daha bilgili ve kişiselleştirilmiş yanıtlar için önceki etkileşimlerden bağlamı koruma
- Müşteri iletişim başlatmadan önce kontrol veya takip hatırlatmaları göndermek gibi proaktif etkileşim kurma
30. Müşteri çağrılarını yanıtlama:
Bir müşteri bir konu hakkında aradığında, yapay zeka ajanları aramayı doğal dille işler.
Nasıl çalışır:
Ada AI Ajanı müşteri çağrılarını yanıtlar:
31. Müşteri bildirimlerine yanıt verme
Yapay zeka ajanları, bağlama özel yanıtlar sunar veya daha fazla yardım için müşterileri uygun kaynaklara yönlendirir.
Gerçek hayat örneği: Müşteri bildirimlerine yanıt verme
Intercom Fin AI Ajanı, müşteri ticket'larını otonom olarak çözer. Gelen her ticket için Fin:
- Müşterinin mesajından niyeti çıkarır.
- Bilgi tabanından, yardım makalelerinden ve ticket geçmişinden ilgili içeriği getirir.
- Bir yanıt taslağı hazırlar; ardından ticket'ı tek başına çözüp çözemeyeceğine veya eskalasyon gerekip gerekmediğine karar verir.
- Eskalasyon yaptığında bağlamla birlikte devreder; tam transkripti, sorunun özetini ve neden çözemediğini iletir.
Synthesia ve Fundrise, aynı Intercom Fin ajanını başlangıç ve büyüme aşaması ölçeğinde devreye alarak Klarna'nın kurumsal rakamlarına bir karşı örnek sundu.
- Synthesia: altı ay içinde 6.000'den fazla konuşma çözüldü, 1.300'den fazla destek saati tasarruf edildi
- Synthesia: self-servis destek oranları %87'ye kadar çıktı
- Fundrise: üç ay içinde toplam destek hacminin %50'den fazlası otomatikleştirildi
- Fundrise: %95 yanıt doğruluğu korundu; mevsimsel olay zirveleri yıldan yıla yaklaşık yarıya indi.53
32. Takip ve bilgilendirici SMS gönderme
Bir etkileşimden sonra ajanlar, müşterileri takip etmek için SMS mesajları gönderir. Şirketlerin %42,8'i proaktif erişim için yapay zeka metin ajanlarını, %33,4'ü yapay zeka ses ajanlarını kullanır.54
Nasıl çalışır:
Toyota E-Care yapay zeka ajanı, aracın üzerindeki elektronik sistemlere bağlanır; onarım veya servis gereksinimleri hakkında müşterileri bilgilendirmek için onlarla iletişime geçer ve ardından aracın servis tesisine rezerve edilmesi sürecinde rehberlik eder. Ajan, gelen servis çağrılarının genel yükünü azaltır.55
Planlanmış toplu mesajların aksine, otonom dış arama her alıcıya uyum sağlar. Bir elektrik kesintisinde ajan:
- Tüm abone tabanına mesaj göndermek yerine hangi mahallelerin etkilendiğini belirler.
- Her müşterinin tercih ettiği kanalı kontrol eder (SMS, WhatsApp, ses veya e-posta).
- Kişiselleştirilmiş güncellemeler gönderir (örn. “Elektriğin saat 4:15'te geri gelmesi bekleniyor”).
- Restorasyon beklenenden uzun sürerse otomatik olarak takip eder; müşteri endişe ile yanıt verirse canlı bir ajana eskalasyon yapar.
33. SSS üretimi ve optimizasyonu
Ajanlar:
- Canlı müşteri etkileşimlerinden ve ticket geçmişinden SSS'leri otomatik olarak üretir ve günceller.
- Yinelenen sorguları belirlemek için CRM, sohbet ve bilgi tabanı araçlarıyla entegre olur.
Nasıl çalışır:
Zendesk Knowledge Builder, son 30 gündeki ticket'ları analiz eder; hem müşterilerin dile getirdiği sorunları hem de ajanların sağladığı çözümleri inceler ve taslak makalelerle dolu bir kategori yapısı oluşturur. Zendesk knowledge copilot daha sonra tabanı şu şekilde korur:
- İçerik boşluklarını belirleme ve yinelenen ticket'ları kısmen kapsayan makaleler için güncellemeler önerme.
- Ticket verilerinden taslak makaleler veya prosedürler üretme.
- Kapsam, güncellik (yakın zamanda güncellenen makalelerin payı) ve yapay zeka okunabilirliği (yapay zeka işleme için biçimlendirilen makalelerin payı) açısından içerik sağlığını puanlama.
- Yinelenen sorgulardaki artışları işaretleyerek (örn. parola sıfırlama) ve yeni yardım merkezi makaleleri önererek destek konularına dikkat çekme.
Araştırma asistanı olarak yapay zeka ajanları
Araştırma asistanı olarak yapay zeka ajanları; veri analizi, literatür taraması, hipotez üretimi ve deneysel tasarım konularında yardımcı olmak için çeşitli alanlarda kullanılır.
Gerçek hayat örnekleri:
1. OpenAI Deep Research, o3 ve DeepSeek'i kullanarak büyük aramalar yürütürken; büyük miktarda çevrimiçi bilgiyi sentezlemek ve doktora düzeyinde çok adımlı araştırmayı tamamlamak için akıl yürütme kullanır.5859
Araştırmacıların Deep Research'ten ayrıntılı bir prompt ile gerçek hayat projesi yürütmesini istediği bir deneyde Deep Research:
- Başlamadan önce araştırma projesinin kapsamını ve ayrıntılarını netleştirmek için takip soruları sordu.
- Akademik ve sektör raporlarına dayanarak 22 kaynaktan bulguları sentezledi.60
2. ChemicalQDevice klinik karar destek (CDS) sistemi'nden ilaç keşfi için otonom ajan iş akışı yürütmesi istendi. Bu örnekte ChemicalQDevice sistemi:
- Dataset'lerden çok miktarda klinik literatürü analiz etti.
- GitHub Actions gibi araçlarla otomatik kodlama yürüttü.
- Hipotezler üretmek, deneysel tasarımlar önermek ve araştırma raporları yazmak için üretken yapay zeka kullandı (örn. GPT-4 veya özelleştirilmiş modeller).61
3. Uçtan uca otonom ajan iş akışı sistemi otto-SR; literatür taramaları yapmak, dahil etme/hariç tutma kriterlerini uygulamak, yapılandırılmış verileri çıkarmak ve meta-analizler gerçekleştirmek için LLM'lerden yararlanır.62
4. Google, bilimsel inceleme sürecinin bazı kısımlarını ölçekli olarak otomatikleştirmek için ICML ve STOC konferanslarında otonom bir hakem ajanı devreye aldı. Bu dağıtımda ajan:
- Makale başına 30 dakikalık tamamlama süresiyle yaklaşık 10.000 makaleyi işledi.
- Standart zero-shot prompting yöntemlerine göre %34 daha fazla matematiksel hata yakaladı.63
OpenAI Deep Research, ChemicalQDevice sistemi ve otto-SR aşağıda verilen çeşitli otonom ajan kullanım senaryolarında kullanılabilir:
34. Literatür taraması ve bilgi keşfi
Yapay zeka ajanları; belirli araştırma konuları veya hipotezlerle ilgili çalışmaları, makaleleri ve yazıları toplamak için akademik veritabanlarını, dergileri ve çevrimiçi araştırma depolarını (örn. Google Scholar, PubMed) otonom olarak arar.
35. Hipotez üretimi ve testi
Gelişmiş analitik ajanlar; iş hipotezlerini otonom olarak üretmek ve test etmek için veri akışlarını sürekli tarar. Sepeti terk etme artışı gibi bir anomali oluştuğunda ajan, sayfa gecikmesi veya başarısız promosyon kodları gibi değişkenleri hemen test eder ve doğrulanmış içgörüleri günler yerine dakikalar içinde kullanıcılara sunar.
36. Veri madenciliği ve analizi
Yapay zeka ajanları; araştırma veritabanları, sosyal medya, patentler veya klinik deney sonuçları gibi çeşitli kaynaklardan yapılandırılmış ve yapılandırılmamış verileri alır ve yeni ortaya çıkan eğilimlere ilişkin içgörüler sağlar.
Veri madenciliği ve analizi vaka çalışması: AES
AES, iç denetim alanındaki yapılandırılmış ve yapılandırılmamış verileri sentezlemek için Google Cloud BigQuery ve Vertex AI üzerine kurulu ajanları kullandı.
- Denetim maliyetleri %99 azaldı ve süre 14 günden bir saate indi
- General Mills, çalışanlarına verileri üzerinde üretken yapay zekaya güvenli erişim vererek 100 milyon $'ın üzerinde tasarruf sağladı
- Nevada İstihdam, Eğitim ve Rehabilitasyon Departmanı, hakemlerin 4x daha hızlı karar vermesine yardımcı olan bir itiraz asistanı geliştirdi.64
37. Veri görselleştirme ve sunum
Analitik ajanlar; ham verileri sunuma hazır görseller haline getirir, entegre araçlar olan Tableau veya Power BI'ı kullanarak karmaşık eğilimleri temiz kohort analizi grafiklerine ve finansal şelalelere dönüştürür.
Bilgisayar kullanıcısı olarak yapay zeka ajanları
“Computer Use”, yapay zekanın bir bilgisayarla tıpkı bir insan gibi etkileşim kurmasını sağlamayı amaçlar. Bu, işletim sistemine veya web'e özgü API'ler kullanmadan dijital görevleri gerçekleştirme esnekliği sağlar.
Yapay zeka ajanlarının görevleri insanlar gibi yerine getirmesi için iki yaklaşım vardır:
- İşletim sistemi grafik kullanıcı arayüzü (GUI) eylemlerini gerçekleştirme (Anthropic Claude, Microsoft OmniParser vb.).
- Web tarama (OpenAI Operator, Kura AI, Runner H, HyperWriteAI, MultiOn Agent Q vb.).
Araç örnekleri:
- ChatGPT Atlas with Agent Mode, Operator aracının halefi olarak uygulamalar arasında geçiş yapar ve GUI'yi birleştirmek için karmaşık web tabanlı görevleri tamamlar.1
- Kura AI ve Runner H, web tarayıcıları kullanarak görevleri tamamlamayı amaçlar.6566
- HyperWriteAI, çevrimiçi sipariş vermek için metin formlarını doldurmayı, düğmelere tıklamayı ve menü seçimleri yapmayı amaçlar.67
- Microsoft OmniParser, GUI otomasyonu için ajanların görsel arayüzleri anlamasını geliştirir.68
38. Form doldurma ve web otomasyonu
Ajanlar; web sayfalarında gezinir, alanlara tıklar ve kullanıcı prompt'larına veya yapılandırılmış verilere dayanarak formları doldurur.
Nasıl çalışır:
Gerçek hayat örneği: Form doldurma
Danfoss, endüstriyel üretimde e-posta tabanlı sipariş işlemeyi otomatikleştirmek için Google Cloud yapay zeka ajanlarını devreye aldı ve şu sonuçları elde etti:
- İşlemsel kararların %80'i otomatikleştirildi
- Ortalama müşteri yanıt süresi 42 saatten neredeyse gerçek zamana indirildi.70
39. Belge üretimi ve düzenleme
Ajanlar; yerel veya bulut ortamlarında dosyaları açar, düzenlemeler yapar, yeniden adlandırır, düzenler ve kaydeder.
Nasıl çalışır:
Anthropic Claude'dan “25 satırlık örnek gider oluştur, bunları bir elektronik tabloya kaydet ve ardından elektronik tabloyu aç” istenir.
Bu örnekte Claude:
- CSV dosyasını LibreOffice Calc uygulamasında açtı.
- 25 satırlık örnek gider verisi içeren bir CSV dosyası oluşturdu.
- LibreOffice Calc elektronik tablosunu kurdu.71
40. Web araştırması ve yapılandırılmış veri toplama
Temel otomasyon script'lerinin aksine, derin web araştırma ajanları birden fazla sayfadaki yapılandırılmamış bilgileri yorumlar ve içgörüleri yapılandırılmış bir biçimde döndürür.
Nasıl çalışır:
OpenAI Deep Research; ChatGPT içinde çok adımlı, yüksek bağlamlı web araştırması için tasarlanmış yeni bir otonom ajan yeteneği olarak karmaşık sorguları yanıtlamak için planlar, gezinir ve birden fazla kaynaktan gelen bilgileri sentezler.
41. CLI işlemleri ve script çalıştırma
Terminal tabanlı geliştirme iş akışları için tasarlanmış CLI tabanlı kodlama ajanları, Aider gibi; shell komutları çalıştırır, yazılım kurar, script'ler başlatır ve terminal arayüzlerindeki çıktıları yorumlar.
Nasıl çalışır:
CLI yerel bir yapay zeka kodlama ajanı olan Aider; geliştiriciler tarafından kod tabanlarını yeniden düzenlemek ve test paketlerini çalıştırmak gibi shell komutlarını yürütmek için kullanılır (pytest, npm test). Ajan; terminal çıktılarını yorumlar, hataları yinelemeli olarak düzeltir ve değişiklikleri doğrudan Git depolarına commit eder.72
Aider'a alternatif olarak Cognition, terminal tabanlı ajanlarla doğrudan rekabet eden CLI yerel bir varyantıyla otonom bir yapay zeka yazılım mühendisi olan Devin 2.0'ı teslim etti. Devin; kod tabanlarını yeniden düzenleyebilir, shell komutları çalıştırabilir, test paketlerini koşabilir ve değişiklikleri Git depolarına commit edebilir.73
42. Çok modlu uygulama navigasyonu ve koordinasyonu
Birleşik GUI ajanları (örn. OpenAI Operator prototipleri) uygulamalar arasında geçiş yapabilir.
Nasıl çalışır:
Sipariş teslimatı kullanım senaryosunu test etmek için Open Operator'e basit bir alışveriş talebi ilettim: 30 $ altında boho tarzı bir dekoratif yastık kılıfı satın almam için yardım et.
43. Otonom iş akışı ajanları (Uzun vadeli görevlendirme)
Bellek + araç kullanımına sahip planlama ajanları (örn. hedef belirlemeli Otomatik-GPT, Agent Q); girdi toplamak, eylemde bulunmak, planı gözden geçirmek gibi çeşitli araçlar arasında çok adımlı hedefleri yürütür ve gerçek zamanlı kararlar alır.

Nasıl çalışır:
Bu çok adımlı finansal rapor analizinde yapay zeka planlama ajanına şu görev verilir: “Geçen çeyreğin finansal performansını analiz et ve finans ekibi için bir özet hazırla.”
Ajandan şunları getirmesi istenir:
- Son şirket haberleri (en önemli 3 haber)
- Şirketin güncel hisse fiyatı (
AAPL) - Şirket bilgileri (örn. profil, piyasa değeri, sektör)
- Geçmiş hisse fiyatları (geçen ay boyunca 1 günlük aralıklarla)
- Analist önerileri (örn. al/tut/sat derecelendirmeleri)
İşte finansal rapor çıktısı:
MultiOn Agent Q uçak bileti rezervasyonu yapıyor.
Yapay zeka ajanları oluşturma
LangChain gibi araçlarla doğal dilde hava durumu araması gibi temel ajan uygulamalarından; uygulama geliştirme gibi daha karmaşık, otonom kullanım senaryolarına (örn. Cursor AI editörüyle bir Tic Tac Toe oyunu üretme) geçiş şu zorlukları doğurdu:
Bu geçiş; çok adımlı iş akışlarını yönetme, API hata döngülerini ele alma ve büyük kod tabanları genelinde bağlamı koruma gibi zorluklar ortaya çıkarır.
- Görev yürütmede karmaşıklığı yönetme
- Karar verme süreçlerine rehberlik eden desenleri standartlaştırma.
- Birden fazla seçeneği dahil etme ve bir görevi yürütmek için en uygun eylemi seçme. (örn. “Kullanıcı girdisine göre bu ekranı mı yoksa başka bir ekranı mı göstermeliyim?”).
- Dış sistemler ve API'lerle arayüz oluşturma
44. Özel yapay zeka ajanları üretme:
Yapay zeka ajanı geliştirme framework'leri şunları sağlayarak bu zorlukların üstesinden gelmeye yardımcı olur:
- Karar verme ve akıl yürütme framework'leri (örn. makine öğrenmesi veya olasılıksal modeller) desenleri standartlaştırmak ve birden fazla seçeneği dahil etmek için.
- Veri erişimi ve entegrasyon araçları (örn. API bağlayıcıları) dış sistemler ve API'lerle arayüz oluşturmak için.
Geliştirici ekosistemi; LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK ve Claude Agent SDK gibi uzmanlaşmış otonom ajan orkestrasyon araçlarını benimsiyor; çünkü bu araçlar çok ajanlı koordinasyon ve uzun vadeli görevler için yapılandırılmış iş akışları sunar.
Nasıl çalışır:
Microsoft 365 ile özel Slovenya gezi rehberi ajanı oluşturma:
Gerçek hayat örneği: Özel yapay zeka ajanları üretme
AppFolio, Realm-X emlak yönetimi copilot'unu zincir tabanlı mimariden LangGraph'a taşıdı ve değişikliğin sağladığı önce/sonra rakamlarını yayımladı.
- Taşımadan sonra yanıt doğruluğunda 2x iyileşme
- Emlak yöneticisi başına haftada 10 saatin üzerinde tasarruf
- Dinamik few-shot prompting, belirli özelliklerde performansı %40'tan %80'e çıkardı.77
SSS'ler
Kuruluşlar bu konuda birçok PoC yürütüyor olsa da, çok sayıda kurumsal iş akışında hataların maliyeti oldukça yüksektir. Örneğin,
Düzenlemeye tabi finans ve sağlık iş akışlarında tek bir ajan hatası maliyetli uyumluluk ihlallerini tetikleyebilir. LLM'lerin olasılıksal doğası, güvenilirliklerini azaltır ve üretim ortamlarında ajanların benimsenmesini yavaşlatır.
Karar Verme: Önceden tanımlanmış hedeflere ve gelişen bağlama dayanarak durumları değerlendirip eylemler seçerek asgari insan girdisiyle çalışır.
Sorun Çözme: Dört adımlı bir döngü izler: algıla → akıl yürüt → eyleme geç → öğren.
Otonomi: Otonom yapay zeka sistemleri bağımsız olarak eylemde bulunur.
Etkileşim: Çevresiyle proaktif şekilde etkileşime girer ve eylemlerini gerçek zamanlı olarak ayarlar (örn. dinamik sürüş kararları veren otonom araçlar).
Planlama: Karmaşık görevleri çözmesine ve uzun vadeli hedeflere ulaşmasına olanak tanıyan çok adımlı stratejileri yürütebilir.
Bu araştırmayı kaynak gösterin
Yayınlayacağınız yere uygun formatı seçin. Bağlantılı sürümü CMS'inize yapıştırmak, geri bağlantıyı korur.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Şimşek, Hazal},
title = {{40+ Otonom Yapay Zeka Kullanım Örnekleri: Gerçek Hayattan Örneklerle}},
year = {2026},
month = sep,
howpublished = {\url{https://aimultiple.com/agentic-ai}},
note = {AIMultiple. Erişim tarihi: 8 Eylül 2026}
}Değişiklik günlüğü
20 güncellemeUygulama Geliştirme bölümünde 'Gerçek hayat örneği' ifadesi 'Nasıl çalışır' ile değiştirilerek örneklerin niteliği açıklığa kavuşturuldu.
Kişiselleştirilmiş poliçe çözümü bölümüne gerçek hayattan bir örnek eklenerek, kavramın somut bir açıklaması sunuldu.
Gerçek hayattan bir örnekteki ülkeye özgü bir URL kaldırıldı, içeriği evrensel olarak erişilebilir hale getirildi.
Girişteki 'Gerçek hayat örneği' genişletildi, çapraz aracı işbirliği yeteneklerine dair daha geniş bir anlayış sunuldu.
CI/CD boru hattı izleme ve optimizasyonu bölümündeki 'Gerçek hayat örneği' güncellendi, Claude'un bir DevOps ajanı olarak rolüne dair daha net bir anlayış sağlandı.
















Yorum yapan ilk kişi olun
E-posta adresiniz yayınlanmayacak. Tüm alanlar gereklidir. Yorumlar orijinal dilinde bırakılır.