40+ Gerçek Hayattan Örneklerle Agentic AI Kullanım Alanları

Otonom üretken yapay zeka ajanları karmaşık görevleri çok az veya hiç insan gözetimi olmadan yürütür. Agentic AI, chatbot'lardan ve yardımcı pilotlardan farklıdır.

Geleneksel yapay zekanın, özellikle karmaşık iş akışlarında sıklıkla insan müdahalesi gerektiren üretken yapay zekanın aksine, agentic AI karar alma yetenekleri ve hedefe yönelik davranışı sayesinde süreçleri otonom olarak yönlendirmeyi ve optimize etmeyi amaçlar. Yapay zeka ajanları şu rollerde görev yapar:

Geliştirici olarak yapay zeka ajanları

1. Uygulama geliştirme

Yapay zeka kod düzenleyicileri, Cursor AI Editor, Windsurf Editor veReplit gibi araçlar uygulamaları oluşturmayı ve dağıtmayı amaçlar (örn. To-Do listesi uygulaması) şunlarla:

• İş için doğru araçları seçmek, örneğin API'ler için Flask veya frontend'ler için React.
• Seçilen dilde kod üretmek (örn. Python, JavaScript) basit prompt'lara dayalı olarak.
• İş akışlarını otomatikleştirmek, test ve dağıtım için GitHub Actions gibi entegrasyonlarla.

Nasıl çalışır:

Bir geliştirici OpenAI’in Operator ve Replit’in AI Agent araçlarını kullanarak 90 dakikada tam bir uygulama geliştirdi. İki ajan otonom olarak kimlik bilgilerini paylaştı ve testler çalıştırdı. Bu ajanlar arası iş birliği, ChatGPT Atlas Agent Mode'a entegre edilerek ajanın yeteneğini e-ticaret, seyahat rezervasyonu ve kurumsal web iş akışları gibi geliştirme ortamlarının ötesine taşıdı.¹

Cursor’ın ajan modu Composer, tek bir prompt'tan tam bir Tic Tac Toe oyunu üretmeyi amaçlar:“2 oyuncu için bir HTML, CSS ve JavaScript Tic Tac Toe oyunu oluşturun.”

Cursor birden fazla dosyada kod yazabilir, komutları yürütebilir ve hangi bağlama ihtiyaç duyduğunu otomatik olarak belirleyebilir (dosya eklemeye gerek yoktur).

Gerçek hayattan örnek: Building applications case study

Rakuten, geliştirme iş akışını Anthropic’in Claude Code aracını birim testi, API mock'lama, bileşen oluşturma, hata düzeltme ve dokümantasyon genelinde kullanarak yeniden yapılandırdı. Rakuten şunları başardı:

• Özellik pazara sunma süresi %79 azaldı
• Beş görevi paralel olarak yürütme
• Karmaşık kod tabanlarını ve mimari kararları anlama.⁴

Ajan oluşturma hakkında daha fazlasını keşfedin

Agentic AI sistemlerine güç veren altyapıyı keşfediyorsanız, en son benchmark'larımıza göz atmanızı öneririz:

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

2. Yapay zeka kodlamasıyla kendi API'nizi oluşturun

Yapay zeka kod düzenleyicileri, spesifikasyonları işlevsel koda dönüştürerek API oluşturmayı otomatikleştirir. Süreç tipik olarak şöyle işler:

• Çıktıyı geliştiricinin ortamına entegre etme, test, sürüm kontrolü ve dağıtım için.
• API spesifikasyonlarını alma (örn. OpenAPI/Swagger dosyaları).
• Belgelenen endpoint'lere, yöntemlere ve şemalara dayalı olarak backend kodu üretme.

Nasıl çalışır:

n8n ile yapay zeka ajanları için No-Code API iş akışları.

İşte bir API iş akışının üst düzey soyutlaması:

3. Doğal dilde kod düzenleme

Kod parçacıklarını seçebilir ve aşağıdaki gibi sade İngilizce komutlar verebilirsiniz:

“Tahtanın boyutunu iki katına çıkarın. Onu yeşil yapın – tıpkı bir Apple 2e gibi.” (aşağıdaki gerçek hayattan örneğe bakın).

Nasıl çalışır:

Cursor gibi kodlama ajanları niyeti belirler, ilgili kodu dosyalar genelinde değiştirir ve değişiklikleri uygular.

Gerçek hayattan örnek: Natural language code editing

Coinbase, Cursor etrafında inşa edilen ajan öncelikli bir mühendislik modeline geçti; sprint planlamasını yeniden tasarladı ve paralel ajan kullanımını genişletti; bu da şunlara yol açtı:

• Fikirden üretime geçiş süresinde %90 azalma
• Mühendis başına birleştirilen pull request sayısında %55 artış.⁷

4. Web sitesi oluşturma

Vercel'in v0, Bolt, Lovable ve CerebrasCoder gibi yapay zeka web sitesi oluşturucuları, e-öğrenme web siteleri gibi karmaşık platformlar oluşturmayı amaçlar ve şu temel sayfaları üretir:

• Ana sayfalar
• Kurs listeleme sayfaları
• Kişiselleştirilmiş öğrenci panoları

Benzer şekilde, Replit gibi yapay zeka kod düzenleyicileri web siteleri oluşturur ve API'lerden yararlanır.⁶

Nasıl çalışır:

İşte otomasyon iş akışı:

5. CRM panosu oluşturma

Ajanlar front-end arayüzünü oluşturabilir, back-end mantığını yapılandırabilir ve veritabanı etkileşimlerini kurabilir.

Nasıl çalışır:

Roo Code, otonom olarak eksiksiz CRM panoları oluşturmak için DeepSeek modelini kullanır.

6. Özyinelemeli kodlama

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

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

Nasıl çalışır:

GT Edge AI eski COBOL kodunu modern Java'ya dönüştürür.¹⁰

Persistent, COBOL kodunu otonom olarak Java'ya taşımak için kullanılan çok ajanlı bir framework sağlar; şu şekilde çalışır:¹¹

Gerçek hayattan örnek: Özyinelemeli kodlama

Küresel bir lojistik şirketi, ana bilgisayar modernizasyon programı sırasında IBM watsonx Code Assistant'ı kullandı. Araç, sistemi taradı, uygulamanın yapısal ve işlevsel bir modelini çıkardı ve Java'ya dönüştürülmek üzere belirli iş hizmetlerini izole etti. Bu şekilde IBM, firmanın şunlara ulaşmasına yardımcı oldu:

• COBOL'dan Java'ya dönüşümde geliştirici üretkenliğinde %60 artış
• Orijinal COBOL ile aynı çıktıları doğrulayan otomatik birim testleriyle doğrulanmış Java üretimi¹²

7. Kod refactoring

Özyinelemeli kodlama kullanan yapay zeka ajanları, kodun tasarımını nasıl çalıştığını değiştirmeden sürekli olarak iyileştirir; böylece anlaşılması ve bakımı daha kolay hale gelir.

Nasıl çalışır:

Teknoloji girişimi geliştiricileri, 25'ten fazla programlama dilinde kodunuzu yeniden düzenleyen bir ajan oluşturdu.¹³

Gerçek hayattan örnek: Kod refactoring

Cognition, Goldman Sachs, Santander ve Nubank'ı içeren müşteri tabanındaki üretim kullanımına dayanarak Devin'in 18 aylık performans değerlendirmesini yayımladı; taşıma ve refactoring çalışmaları için aşağıdaki hız ve birleştirme oranı rakamlarını bildirdi:

• Her dosyanın taşınması, bir insan mühendis için 30–40 saate kıyasla 3–4 saatte tamamlandı; bu kabaca 10x iyileştirmedir
• Oracle Java sürümü için eski desteği sonlandırdığında, Devin her depoyu bir insan mühendise göre 14x daha az sürede taşıdı
• Devin'in pull request'lerinin yaklaşık %67'si artık birleştiriliyor; bu oran önceki yaklaşık %34 seviyesinden yükseldi
• Müşteri tabanı genelinde yüz binlerce pull request birleştirildi.¹⁴

8. IDE'nizde kod önerileri oluşturma

GitHub Copilot, VS Code ve JetBrains IDE'lerinde çok adımlı kodlama görevleri yürütebilen, komutlar çalıştırabilen ve kod üzerinde bağımsız olarak yineleme yapabilen otonom bir ajan modu sunar; gerçek zamanlı önerilerin ve otomatik-tamamlamaların ötesine geçer.¹⁵

Gerçek hayattan örnek: Kod önerisi oluşturma

Accenture, geliştiricilerine GitHub Copilot'u rastgele 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 derlemelerde %84 artış; bu, kalite kaybı olmadan verimin arttığını gösterir
• Copilot'un önerilerinin yaklaşık %30'si kabul edildi ve üretilen karakterlerin %88'i düzenleyicide korundu
• Geliştiricilerin %90'si işlerinde daha tatmin olduklarını bildirdi ve %95'i kodlamaktan daha fazla keyif aldıklarını söyledi.¹⁷

9. CI/CD pipeline izleme ve optimizasyonu

Yapay zeka ajanları, Kubernetes gibi bulut yerel ortamlarda altyapıyı yönetir. Bu DevOps ajanları şunları amaçlar:

• Çalışan ingress controller'larını belirleme veya diğer iş yükleri
• Çalışan pod'ları belirleme
• Üst düzey komutları yorumlama, örneğin “NGINX pod'unu kapat”

Nasıl çalışır:

Araçlar veya wrapper'lar aracılığıyla Kubernetes'e bağlandığında, Claude küme durumunu sorgulamak için bir DevOps ajanı olarak görev yapabilir. “Çalışan pod'um var mı kontrol edin.”.

Gerçek hayattan örnek: CI/CD pipeline izleme ve optimizasyonu

NVIDIA, Cursor'u kod üretiminin ötesine taşıyarak hata ayıklama, kod inceleme, test üretimi ve QA alanlarına genişletti ve tüm git akışını otomatikleştirmek için özel kurallar yapılandırdı.

• 30.000 geliştirici genelinde 3x daha fazla kod commit edildi
• Özel kurallar dal oluşturmayı, kod commit'lerini, CI hata ayıklamayı ve sorun takibini otomatikleştirir
• Cursor, yazılım geliştirme yaşam döngüsünün hemen tüm ürün alanlarında ve her aşamasında kullanılıyor
• Özellikle nadir ve kalıcı hataları bulup çözmede etkilidir; ajanlar bunları düzeltmek için görevlendirilir.¹⁹

SecOps asistanı olarak yapay zeka ajanları

10. Tehdit istihbaratı

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

Nasıl çalışır:

Microsoft’in Security Copilot'u, tehdit istihbaratını dinamik olarak toplayan, filtreleyen ve özetleyen özel bir Threat Intelligence Briefing Agent içerir.

Gerçek hayattan örnek: Tehdit istihbaratı

TÜV SÜD ve Elanco, küresel BT ortamlarında araştırma 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 akışları arasında manuel olarak çalışmadan kullanılabilir yanıtlar alabilir.²¹

11. Tespit ve triyaj

Bu eylemler, daha derin analizden önce gürültüyü azaltmak ve uyarı verilerini düzenlemek için ilk sinyal alma aşamasında gerçekleşir.

• Uyarı tekilleştirme: Gürültüyü azaltmak için birden çok kaynaktan gelen aynı veya neredeyse aynı olayları kaldırır.
• Yanlış pozitif bastırma: Geçmiş çözümleme desenlerini kullanarak yinelenen zararsız uyarıları bastırır.
• Uyarı gruplama / kümeleme: İlgili uyarıları (aynı kullanıcı, ana bilgisayar veya taktik) tek bir olayda kümeler.

Nasıl çalışır:

Charlotte AI otonom tespit ve triyaj şunlarla gerçekleştirir:

• Belirleme bilinen TTP'lere dayalı zararlı davranışı.
• Çapraz referanslama yürütme desenleri ve dosya yolları.
• İnsan tarafından okunabilir bir karar açıklaması sağlama.

Gerçek hayattan örnek: Tespit ve triyaj

CrowdStrike, Charlotte AI Detection Triage'ı kendi Falcon Complete MDR analistlerinin verdiği milyonlarca gerçek triyaj kararıyla eğitti ve ardından müşteri tanımlı sınırlandırılmış otonomi altında yayımladı; böylece kuruluşlar, ajanın yardımsız hangi eylemleri yapabileceğini belirleyebilir.

• Falcon Complete'in insan uzman triyaj kararlarıyla %98'in üzerinde uyum oranı
• Haftada ortalama 40 saatten fazla manuel triyaj işi ortadan kaldırıldı
• Analist görmeden önce yanlış pozitifleri otonom olarak filtreler ve düşük riskli uyarıları kapatır
• Açıklanan hesaplama: ortalama triyajlanan uyarılar, uyarı başına beş dakikalık manuel triyaj süresiyle çarpıldı²³

12. Bağlamsal zenginleştirme ve tehdit atfı

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

Otomatik saldırgan atıf sistemleri CTI akışlarını alır, davranışsal ve zamansal özellikleri çıkarır ve olaylar genelinde benzerlik puanları hesaplar. Kümeleme algoritmaları daha sonra, desen örtüşmesine dayanarak saldırıları APT41, Mozi veya Lazarus gibi bilinen tehdit aktörleriyle eşleştirir.

Nasıl çalışır:

Google Chronicle + Mandiant + Gemini yapay zeka ajanları otonom olarak telemetri alır ve CTI akışlarını, uyarıları zenginleştirir IOC bağlamıyla (örn. IP itibarı, zararlı yazılım hash'leri) ve davranışsal desenleri MITRE ATT&CK framework'ündeki bilinen tehdit aktörü taktikleriyle çapraz referanslar.

Bu agentic kurulumda:

• Tespit: Bir yapay zeka ajanı, servis hesaplarını kullanarak yanal hareketi tespit eder.
• Zenginleştirme: Uyarıyı Chronicle logları, varlık envanteri ve Mandiant tehdit istihbaratı verileriyle otomatik olarak zenginleştirir.
• Atıf: İkinci bir ajan bu etkinliği, bilinen bir gruba atfedilen tarihsel saldırı zincirleriyle kümeler (örn. APT41).

13. Eskalasyon ve devir

• Uyarı çevirisi / sadeleştirme: Teknik uyarıları analist dostu özetlere dönüştürür.
• Otomatik biletleme ve analist atama: Biletler oluşturur ve olayları uygun seviyeye veya ekibe yönlendirir.

Nasıl çalışır:

Torq’un Socrates adlı agentic SOC orkestratörü, Tier-1 vaka yaşam döngüsü boyunca uzmanlaşmış alt ajanları (Runbook, Investigation, Remediation ve Case Management ajanları) koordine eder.

Eskalasyon ve devirde Socrates:

• ITSM platformlarında (örn. ServiceNow, Jira) vakaları otomatik olarak oluşturur, ilgili gözlemlenebilirler, zenginleştirme ve yapılandırılmış verilerle önceden doldurulur.
• İş yüküne ve vardiya programlarına göre analistleri atar.
• Özellikle güven düşük olduğunda, olay belirsiz olduğunda veya olası etki yüksek olduğunda seçici olarak eskalasyon yapar.
• Devirde tam zenginleştirmeyi ekler; böylece analistler ham bir uyarı yerine kullanıma hazır bir vaka dosyası alır.

Gerçek hayattan örnek: Eskalasyon ve devir vaka çalışması

Carvana, kullanıcı doğrulamadan vaka oluşturma ve analist atamaya kadar Tier-1 vaka yaşam döngüsü boyunca uzmanlaşmış alt ajanları koordine eden Socrates ile Torq HyperSOC'u devreye aldı.

• Carvana'nın Tier-1 güvenlik uyarılarının %100'ü artık agentic sistem tarafından işleniyor
• Dağıtımdan sonraki bir ay içinde 41 ayrı runbook otomatikleştirildi
• Analistler, önemli potansiyel organizasyonel etkiye sahip uyarılara odaklanmak üzere serbest kalıyor.²⁷

14. Proaktif yanıt eylemleri

SecOps'ta ajanlar endpoint'leri izole eder, hesapları devre dışı bırakır veya zararlı süreçleri sonlandırır. Bu sistemler şunları amaçlar:

• Doğal dil veya bağlamsal tetikleyiciler kullanarak logları otomatik olarak sorgulama
• Araştırmalar ve eskalasyon için otomatik playbook'lar çalıştırma
• Yeni kanıtlara veya yönlendirilmiş mantığa dayanarak iş akışlarını gerçek zamanlı olarak uyarlama
• İyileştirme için infrastructure-as-code üretme (örn. Terraform, Pulumi)
• Araştırma içgörülerine dayanarak tespit kurallarını tasarlar ve değiştirir

Nasıl çalışır:

Google, zararlı yazılım tespiti için yapılandırılmış bir Incident Response Plan yürütmek üzere birden çok alt ajandan yararlanan SOC Manager ajanını geliştirdi.²⁸

Agentic proje yapısı:

Olay müdahale planının son adımında (Adım 5: Tamamlama), IOC'lar (Uzlaşma Göstergeleri) SOC Manager ajanının otomatik bir containment runbook'u yürütmesiyle proaktif olarak engellendi (aşağıya bakın).

Gerçek hayattan örnek: Proaktif yanıt

Yönetilen tespit ve yanıt sağlayıcısı Deepwatch, müşterilerinin güvenlik yığınlarında analiz ve triyajı hızlandırmak için başarısız olan eski SOAR'ı Torq Hyperautomation ile değiştirdi.

• Tier 1 ve Tier 2 görevlerinin %90'den fazlası otomatikleştirildi
• Yıllar içinde biriken eski SOAR otomasyonları birkaç haftada yeniden oluşturuldu
• İsteğe bağlı oluşturulan iş akışlarıyla, şirketin daha önce elde ettiğinden daha hızlı müşteri katılımı.³⁰

15. Tehdit avcılığı

Tehdit avcılığındaki ajanlar şunları amaçlar:

• Kimlik, ağ ve bulut logları genelinde sürekli olarak anomalileri tarama
• IOC aramaları veya desen tespiti gibi tekrarlayan avları otomatikleştirme
• Davranışı geçmiş taban çizgileri ve akran etkinliğiyle karşılaştırarak bilinmeyen tehditleri işaretleme

Nasıl çalışır:

Araştırmacılar, yapay zeka ajanlarının tehdit tespiti için Sigma kuralları üretmek üzere iş birliği yaptığı Yerel LLM ile Otomatikleştirilen MITRE ATT&CK Güdümlü Tehdit Avcılığı sistemi geliştirdi.

Bu örnekte bir kullanıcı bir web arayüzü üzerinden bir istek girer (örn. “Kerberoasting avcılığı için bir Sigma kuralı oluşturun lütfen”).

Ajan 1 MITRE ATT&CK'den ilgili tespit yöntemlerini alırken, Ajan 2 bu girdiyi kullanarak bir dil modeliyle bağlama duyarlı Sigma kuralları üretir.³¹

16. Otomatik yazılım ve uygulama testi

Yapay zeka test ajanları, kapsamlı manuel müdahale olmadan birim, entegrasyon, güvenlik açığı ve performans testleri oluşturur ve yürütür. Ancak bu yapay zeka sistemlerini oluşturmak, önemli hesaplama gücü gerektirdiğinden kaynak yoğundur.

Nasıl çalışır:

Pcloudy’in Copilot'u selenium test komut dosyaları sağlar, test yapılacak uygun tarayıcıları bulur ve test senaryolarını yürütür.³²

Gerçek hayattan örnek: Otomatik test

Uber, kod artefaktlarını ve bağımlılıkları keşfetmek için build 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 incelenip eklenen 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.³³

Daha fazla bilgi: Yapay zeka ajan geliştiricileri ve açık kaynak yapay zeka ajanları.

İnsan benzeri oyun karakterleri olarak yapay zeka ajanları

Yapay zeka ajanları, NPC davranışları, oyun oynama ve uyum sağlama ve prosedürel içerik üretimi gerçekleştirerek oyun dünyasındaki NPC'leri ve diğer agentic süreçleri iyileştirir.

17. Agentic oyuncu olmayan karakterler (NPC'ler)

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

Gerçek hayattan örnek: NPC'ler

Araştırmacılar, The Sims'e benzer bir sandbox ortamı oluşturarak 25 ajanın yaşadığı ve “Stanford AI Village” adı verilen küçük bir sanal kasaba yarattı.

Bu kasabada kullanıcılar, ajanların haberleri paylaşmasını, ilişkiler kurmasını ve grup etkinlikleri düzenlemesini gözlemleyebilir ve onlarla etkileşime girebilir. ³⁴

Bu kavramların ardındaki temel bileşenler ve fikirlerin özeti aşağıdadır:

• Davranışsal komut dosyaları: Stanford AI Village ajanları, eylemler ve tepkiler için önceden tanımlanmış komut dosyaları kullanır. Bu, diğer NPC'lerle olumlu etkileşim kurma gibi temel davranışları içerebilir.
• Dinamik davranış: NPC'ler, oyuncunun eylemlerine göre davranışlarını ayarlamak için yapay zekayı kullanır; bu da oyun dünyasını daha duyarlı hale getirir.
• Yol bulma: NPC'ler oyun dünyasında etkili bir şekilde gezinmek, engellerin etrafından yol bulmak ve oyuncuyu takip etmek için algoritmalar kullanır.

18. Oyun oynama

Yapay zeka ajanları video oyunları oynar veya insan oyunculara belirli hedeflere ulaşmalarında yardımcı olur; bunun için şunlardan yararlanır:

• Yol bulma ve navigasyon: Oyun ajanları oyun ortamlarını keşfeder, optimal stratejileri bulmak için deneme yanılma kullanır. Örneğin, karar alma süreçlerini sürekli iyileştirerek karmaşık labirentlerde navigasyon yollarını öğrenirler.
• Girdi emülasyonu: Oyun ajanları klavye basışları, fare hareketleri veya gamepad kontrolleri gibi girdileri taklit eder. Bu, oyunda bir insan oyuncu gibi etkileşim kurmalarını sağlar.
• Oyun uyarlanabilirliği: Ajanlar oyuncunun oyun tarzını analiz eder ve oyun dünyasını, etkileşimleri ve görev tasarımını buna göre uyarlar. Örneğin, gizlilik oyuncusu daha az doğrudan savaş zorluğuyla karşılaşabilir.

Gerçek hayattan örnek: oyun oynama

Google DeepMind’in 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 ajanı³⁶

19. Prosedürel içerik üretimi

Yapay zeka ajanları, aşağıdakiler gibi çok miktarda oyun içeriğini algoritmik olarak üretme konusunda son derece yeteneklidir:

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

Nasıl çalışır:

Bir macera oyunu olan No Man’s Sky, tüm gezegenleri oluşturmak için prosedürel üretim kullanır; bunlar şunları içerir:

• Çeşitli topografyalar (örn. dağlar, vadiler, kanyonlar).
• Benzersiz biyomlar (örn. çöller, ormanlar, okyanuslar).
• Dinamik hava desenleri (örn. fırtınalar, yağış).³⁷

İçerik oluşturucu olarak yapay zeka ajanları

Yapay zeka ajanları içerik oluşturmayı, düzenlemeyi ve yayınlamayı otomatikleştirerek insan yazarlara yardımcı olur. Yapay zeka yazma asistanlarının bazı uygulamaları şunlardır:

20. Otomatik anlatı yazımı

Yapay zeka ajanları bölümleri özetleyerek, içeriği taslaklayarak ve üslubu cilalayarak bir anlatı yazar.

Gerçek hayattan örnek: Otomatik anlatı yazımı

Bir GitHub yapay zeka ajan projesinde, 10 uzmanlaşmış yapay zeka ajanı hiç insan yazımı olmadan 100.000 kelimelik (~300 sayfa) bir roman yazmak için otonom olarak çalıştı.³⁸ 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.
• Tekilleştirme ajanı: İçerik tekrarını ve çoğaltmaları önler.

İşte ajanların romanı nasıl oluşturduğunu gösteren bir Canlı Yayın:

21. Teknik rapor veya teklif yazımı

Yapay zeka ajanları aşağıdakileri içeren teknik raporları otonom olarak taslaklar:

• 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 özetleyerek teknik mühendislik raporları yazar.⁴⁰

22. Bilgi tabanlı makale üretimi

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

Nasıl çalışır:

Perplexity Pages, gen AI arama sonuçlarını yapılandırılmış Wikipedia sayfalarına dönüştürür.⁴¹

23. Dashboard ve diyagram üretimi

Ajanlar, metin prompt'larına dayalı olarak UI/UX bileşenleri, sistem diyagramları ve akış şemaları üreterek tasarım sürecini kolaylaştırır.

Nasıl çalışır:

FigJam AI, şunları üretmek için metin prompt'ları kullanır:

• Toplantılar ve takım egzersizleri için dashboard'lar
• Diyagramlar ve akış şemaları
• Görsel zaman çizelgeleri ve Gantt şemaları⁴²

Sigorta asistanı olarak yapay zeka ajanları

Ajanlar, hasar incelemesini, onayını ve dolandırıcılık tespitini otomatikleştirerek tüm hasar işleme yaşam döngüsünü kolaylaştırır. Örneğin, büyük ölçekli bir sigortacı, hasar iş akışına özel yapay zeka ajanları entegre ederek bireysel otomobil hasarlarının ~%90'ını otomatikleştirir. ⁴³

Oracle ve SAP gibi kurumsal satıcılar, tedarik zinciri yönetimi, finansal operasyonlar, İK ve müşteri deneyimi genelinde agentic AI'ı devreye aldı. Bu ajanlar envanter optimizasyonu, satın alma otomasyonu ve finansal mutabakatı yönetebilir.

24. Uçtan uca hasar işleme

Bir hasar gönderildiğinde, agentic AI sistemleri gönderilen formlardan ilgili verileri çıkarır, ayrıntıları mevcut veritabanlarıyla doğrular ve tutarsızlıkları veya olası dolandırıcılık sinyallerini işaretler.

Nasıl çalışır:

Microsoft’in Power Platform – bir sigorta hasar formunu otomatikleştirir:

Burada, Microsoft’in Power Platform:

• Hasar formu belgelerini yakaladı, onay kutusu seçimleri ve metinler gibi.
• Hasar formunu SharePoint'e yükledi içerik yönetim uygulamasına.
• Hasar formundan veri çıkardı; hasar kimliği ve onay kutusu değerleri (örn. hasar türü, poliçe numarası) gibi.
• Veri depolama için Dataverse ile entegre oldu; çıkarılan verileri (onay kutusu değerleri dahil) Microsoft Dataverse'e kaydetmek için.
• Formlarda iş akışları işledi; örneğin, hasarları onaylamak veya reddetmek için Power App ajanlarını kullandı.

25. Underwriting

Agentic AI, uzmanlaşmış ajanlarla underwriting'i otomatikleştirir; bunlar arasında hasar olasılığı değerlendirmesi için risk değerlendirme ajanı ve dinamik prim ayarlamaları için fiyatlandırma ajanı bulunur.

Nasıl çalışır:

Akira AI‘nın ajanları, çok ajanlı sistem aracılığıyla sigorta underwriting'ini ve risk değerlendirmesini otomatikleştirir; her biri underwriting'in kritik bir yönünde uzmanlaşmıştır:

• 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: Hasarlardaki ve başvurulardaki anomalileri veya şüpheli desenleri tespit eder.
• Fiyatlandırma ajanı: Pazar koşulları, rakip fiyatlandırması ve müşteri davranışı gibi faktörlere dayalı bir fiyatlandırma önerir.⁴⁵

Gerçek hayattan örnek: Underwriting

Zurich North America'nın ABD Orta Pazar ekibi, binlerce sayfalık maruziyet verisini, hasar geçmişini ve risk raporlarını, underwriter'ların kendi yargılarını uygulamadan önce ayarlayabileceği öz bir underwriting anlatısına dönüştüren Sixfold'u devreye aldı.

• İlk kullanıma alma sırasında 16 underwriter tarafından işlenen başvuruların %80'i Sixfold ile işlendi
• Başvuru başına ortalama 60 dakika tasarruf edildiği tahmin ediliyor
• Ocak 2025'te dört Orta Pazar ofisiyle başlatıldı, şimdi ülke çapında onlarca ofise genişliyor
• Sixfold, Zurich'e ticari sigorta kategorisinde kazandığı 2024 Zurich Innovation Championship aracılığıyla girdi.⁴⁶

26. Kişiselleştirilmiş poliçe çözümü

Ajanlar, hasar durumunu ve sonraki adımları poliçe sahibine iletir; bunlara gerekli ek belgeler, onay/ret güncellemeleri veya ödeme ayrıntıları dahildir.

Gerçek hayattan örnek: kişiselleştirilmiş poliçe çözümü

Lemonade’in AI Jim hasar sonuçlarını doğrudan poliçe sahibine iletir. Bir hasar dosyalandığında AI Jim:

• İlk Hasar Bildirimini (FNOL) alır; müşteriden kısa bir video veya metin.
• Konuşmaya dayalı triyaj yürütür, süreci müşteriye rehberlik etmek için açıklayıcı sorular sorar.
• Poliçe ve teminat ayrıntılarını doğrular kural tabanlı kontrollerle.
• Hasari onaylamadan önce dolandırıcılık önleme algoritmalarını yürütür.
• Bankaya ödeme talimatları 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 görevi içerir. İşte İK operasyonlarında agentic AI'ın temel örnekleri:

27. Özgeçmiş tarama

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

Nasıl çalışır:

PepsiCo, adayları iş gereksinimlerini ne kadar iyi karşıladıklarına göre sıralamak için yapay zeka araçları kullanır.⁴⁸

Gerçek hayattan örnek: Özgeçmiş tarama

Chipotle, Paradox'un konuşmaya dayalı yapay zekasını “Ava Cado” adlı sanal bir ekip üyesi olarak devreye aldı; bu üye adaylarla sohbet eder, şirket hakkındaki soruları yanıtlar, temel bilgileri toplar, mülakatları planlar ve bir yönetici aday seçtiğinde teklifleri gönderir.

• 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 iki katına çıktı.
• Kuzey Amerika ve Avrupa'da 3.500'den fazla restoranda kullanıma sunuldu.
• İngilizce, İspanyolca, Fransızca ve Almanca olarak çalışır.⁴⁹

28. Mülakat planlama

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

Nasıl çalışır:

LinkedIn HR Assistant, iş tanımlarını sentezleme, aday arama ve temel ön eleme görüşmeleri yapma gibi günlük görevleri yerine getirir.⁵⁰

Gerçek hayattan örnek: Mülakat planlama

ISS North America, yüksek hacimli ve dağıtık bir işe alım ortamında adaylar ve işe alım yöneticileri arasındaki idari planlama katmanını yönetmek için Paradox'un konuşmaya dayalı yapay zekasını kullandı.

• İşe alım süresinde %85 azalma
• Yılda yaklaşık 10.000 saat tasarruf edildi
• Aynı platformda Great Wolf Lodge yılda 700.000 $ tasarruf ediyor ve bir perakendeci mağaza liderlerine haftada 40.000 saatin üzerinde zaman geri kazandırdı
• Bir müşteri, dağıtımdan hemen sonra ortalama işe alım süresini 10 günün üzerinden beş günün altına düşürdü.⁵¹

29. Bordro otomasyonu

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

Finans otomasyonu çözümleri hakkında daha fazlasını keşfedin:

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

Nasıl çalışır:

Akira AI'nın çok ajanlı bordro sistemi, bordro döngüsünün her yönünü otomatikleştirir. Sistem aşağıdakiler dahil birkaç ajan kullanır:

Burada, Akira AI'nın çok ajanlı bordro sistemi aşağıdakiler dahil birkaç ajan kullanır:

• Veri alma ve ön işleme ajanı: İK ve finans sistemlerinden verileri temizlemek için veri çıkarma yöntemlerini kullanır.
• Bordro hesaplama ajanı: Ödeme, kesintiler ve ikramiyeler dahil bordro hesaplamalarını otomatikleştirir.
• Uyumluluk raporlama ajanı: Makine öğrenmesi kullanarak uyumluluk sorunlarını tespit eder.
• Soru çözüm ajanı: RAG kullanarak bordro sorunlarını çözer.

Müşteri hizmetleri asistanı olarak yapay zeka ajanları

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

• İncelikli sorguları yorumlama, sorular belirsiz veya karmaşık olsa bile
• Müşteri profillerinden, sipariş geçmişinden ve bilgi tabanlarından veri alırken sohbet, ses, e-posta kanallarında sorunsuz çalışma
• Daha bilgili ve kişiselleştirilmiş yanıtlar sağlamak için önceki etkileşimlerden bağlamı koruma
• Müşteri iletişim başlatmadan önce checkup'lar veya takipler için hatırlatıcılar göndermek gibi proaktif olarak etkileşim kurma

30. Müşteri çağrılarını yanıtlama:

Bir müşteri bir soru hakkında aradığında, yapay zeka ajanları çağrıyı doğal dille işler.

Nasıl çalışır:

Ada AI Agent müşteri çağrılarını yanıtlar:

31. Müşteri biletlerine yanıt verme

Yapay zeka ajanları bağlama özel yanıtlar sunar veya daha fazla yardım için müşterileri uygun kaynaklara yönlendirir.

Gerçek hayattan örnek: Müşteri biletlerine yanıt verme

Intercom’un Fin AI Agent'ı müşteri biletlerini otonom olarak çözer. Gelen her bilet için Fin:

• Müşterinin mesajından niyeti çıkarır.
• Bilgi tabanından, yardım makalelerinden ve bilet geçmişinden ilgili içeriği getirir.
• Bir yanıt taslağı hazırlar, ardından bileti tek başına çözüp çözemeyeceğine veya eskalasyon gerekip gerekmediğine karar verir.
• Eskalasyon yaptığında bağlamla devreder; tam konuşma metnini, sorunun özetini ve neden çözemediğini aktarır.

Synthesia ve Fundrise, aynı Intercom Fin ajanını startup ve büyüme aşaması ölçeğinde devreye alarak Klarna'nın kurumsal rakamlarına bir karşı nokta sundu.

• Synthesia: altı ay içinde 6.000'den fazla görüşme 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 vaka zirveleri yıldan yıla kabaca yarıya indi.⁵⁴

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 ise yapay zeka ses ajanlarını kullanır. ⁵⁵

Nasıl çalışır:

Toyota’nın E-Care yapay zeka ajanı, aracın yerleşik elektroniğine bağlanır ve müşterilere onarım veya servis gereksinimleri hakkında bilgi vermek için iletişime geçer; ardından aracın bir servis tesisine rezerve edilmesinde onlara rehberlik eder. Ajan, gelen servis çağrılarının genel yükünü azaltır.⁵⁶

Zamanlanmış toplu mesajların aksine, agentic dış arama her alıcıya göre uyarlanır. Bir hizmet kesintisinde ajan:

• Mesajı tüm tabana 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 ö.s.'de geri gelmesi bekleniyor”).
• Restorasyon beklenenden uzun sürerse otomatik olarak takip eder; müşteri endişelerle yanıtlarsa canlı bir ajana eskalasyon yapar.

33. SSS üretimi ve optimizasyonu

Ajanlar:

• Canlı müşteri etkileşimlerinden ve bilet geçmişinden SSS'leri otomatik olarak üretir ve günceller.
• Yinelenen sorguları belirlemek için CRM, sohbet ve bilgi tabanı araçlarıyla entegre olur.

Nasıl çalışır:

Zendesk’in Knowledge Builder'ı son 30 gündeki biletleri analiz eder; hem müşterilerin dile getirdiği sorunları hem de ajanların sağladığı çözümleri inceler ve taslak makalelerle dolu bir kategori yapısı oluşturur. Zendesk’in knowledge copilot'u daha sonra tabanı şöyle korur:

• İçerik boşluklarını belirleme ve yinelenen biletleri kısmen kapsayan makalelere güncelleme önerme.
• Bilet verilerinden taslak makaleler veya prosedürler üretme.
• Kapsam, tazelik (yakın zamanda güncellenen makalelerin payı) ve yapay zeka okunabilirliği (yapay zeka işleme için biçimlendirilen makalelerin payı) üzerinden içerik sağlığını puanlama.
• Yinelenen sorgulardaki artışları işaretleyerek (örn. parola sıfırlama) ve yeni yardım merkezi makaleleri önererek destek konularına dikkat çekme.

Kıyaslamalarımızı ve veri odaklı içgörülerimizi kaçırmayın. Düğme Google'ı açar; AIMultiple'ı seçmeniz, Google arama sonuçlarında AIMultiple'ı daha sık görmek istediğinizi onaylar.

Tercih edilen kaynak olarak ekle

Araştırma asistanı olarak yapay zeka ajanları

Araştırma asistanı olarak yapay zeka ajanları, veri analizi, literatür taraması, hipotez üretimi ve deneysel tasarıma yardımcı olmak için çeşitli alanlarda kullanılır.

Gerçek hayattan örnekler:

1. OpenAI’in Deep Research, o3 ve DeepSeek kullanarak büyük aramalar yürütürken büyük miktarda çevrimiçi bilgiyi sentezlemek ve doktora düzeyinde çok adımlı araştırmayı tamamlamak için muhakeme kullanır.⁵⁹⁶⁰

Araştırmacıların Deep Research'ten ayrıntılı bir prompt ile gerçek hayattan bir proje yürütmesini istediği bir deneyde, Deep Research:

• Araştırma projesinin kapsamını ve ayrıntılarını netleştirmek için başlamadan önce takip soruları sordu.
• Akademik ve sektör raporlarına dayalı 22 kaynaktan bulguları sentezledi.⁶¹

2. ChemicalQDevice’in klinik karar destek (CDS) sistemi ilaç keşfi için agentic iş akışını yürütmekle görevlendirildi. Bu örnekte ChemicalQDevice’in 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 zekayı (örn. GPT-4 veya özelleştirilmiş modeller) kullandı.⁶²

3. Uçtan uca agentic iş akışı sistemi otto-SR, literatür aramaları yapmak, dahil etme/hariç tutma kriterlerini uygulamak, yapılandırılmış verileri çıkarmak ve meta-analizler gerçekleştirmek için LLM'lerden yararlanır.⁶³

4. Google, bilimsel inceleme sürecinin bazı bölümlerini ölçekli olarak otomatikleştirmek için ICML ve STOC konferanslarında agentic bir hakem görevlendirdi. Bu dağıtımda ajan:

• El yazması başına 30 dakikalık geri dönüş süreleriyle yaklaşık 10.000 makale işledi.
• Standart zero-shot prompting yöntemlerine göre %34 daha fazla matematiksel hata yakaladı.⁶⁴

OpenAI’in Deep Research, ChemicalQDevice’in sistemi ve otto-SR aşağıda verilen çeşitli agentic kullanım alanlarında 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. Sepet terk oranındaki artış 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 deneme sonuçları gibi çeşitli kaynaklardan yapılandırılmış ve yapılandırılmamış verileri alır ve gelişen trendlere ilişkin içgörüler sağlar.

Veri madenciliği ve analizi vaka çalışması: AES

AES, iç denetim alanındaki yapılandırılmış ve yapılandırılmamış verileri sentezlemek için Google Cloud’un BigQuery ve Vertex AI üzerinde oluşturulan ajanları kullandı.

• Denetim maliyetleri %99 azaldı ve süre 14 günden bir saate indi
• General Mills, çalışanlarına verileri üzerinden üretken yapay zekaya güvenli erişim sağlayarak 100 milyon doların üzerinde tasarruf etti
• Nevada İstihdam, Eğitim ve Rehabilitasyon Departmanı, hakemlerin 4x daha hızlı karar vermesine yardımcı olan bir temyiz asistanı geliştirdi.⁶⁵

37. Veri görselleştirme ve sunum

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

Bilgisayar kullanıcısı olarak yapay zeka ajanları

“Computer Use”, yapay zekanın bir bilgisayarla 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 gerçekleştirmesi 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'lu ChatGPT Atlas, Operator aracının halefi olarak uygulamalar arasında geçiş yapar ve GUI'yi birleştirmek için karmaşık web tabanlı görevleri tamamlar.¹
2. Kura AI ve Runner H web tarayıcıları kullanarak görevleri tamamlamayı amaçlar.⁶⁶⁶⁷
3. HyperWriteAI çevrimiçi sipariş vermek için metin formlarını doldurmayı, düğmelere tıklamayı ve menü seçimleri yapmayı amaçlar.⁶⁸
4. Microsoft’un OmniParser'ı GUI otomasyonu için ajanın görsel arayüzleri anlamasını geliştirir.⁶⁹

38. Form doldurma ve web otomasyonu

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

Nasıl çalışır:

Gerçek hayattan örnek: Form doldurma

Danfoss, e-posta tabanlı sipariş işlemeyi otomatikleştirmek için endüstriyel üretimde Google Cloud yapay zeka ajanlarını devreye aldı ve şunları başardı:

• İşlemsel kararların %80'i otomatikleştirildi
• Ortalama müşteri yanıt süresi 42 saatten neredeyse gerçek zamanlıya indi.⁷¹

39. Belge üretimi ve düzenleme

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

Nasıl çalışır:

Anthropic’in Claude'undan “25 satır örnek harcama oluştur, bunları bir elektronik tabloya kaydet ve ardından elektronik tabloyu aç” isteniyor.

Bu örnekte, Claude:

• CSV dosyasını LibreOffice Calc uygulamasında açtı.
• 25 satır örnek harcama verisi içeren bir CSV dosyası oluşturdu.
• LibreOffice Calc elektronik tablosunu kurdu.⁷²

40. Web araştırması ve yapılandırılmış veri toplama

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

Nasıl çalışır:

OpenAI’in Deep Research'i, ChatGPT içindeki çok adımlı, yüksek bağlamlı web araştırması için tasarlanmış yeni bir agentic yetenek olup karmaşık sorguları yanıtlamak için planlar, gezinir ve birden çok kaynaktaki bilgileri sentezler.

41. CLI işlemleri ve komut dosyası yürütme

CLI tabanlı kodlama ajanları, terminal tabanlı geliştirme iş akışları için tasarlanmış Aider gibi, shell komutları çalıştırır, yazılım kurar, komut dosyaları başlatır ve terminal arayüzlerinde çıktıları yorumlar.

Nasıl çalışır:

Aider, CLI yerel bir yapay zeka kodlama ajanı olup geliştiriciler tarafından kod tabanlarını yeniden düzenlemek ve test paketlerini çalıştırmak gibi shell komutları yürütmek için kullanılır (pytest, npm test). Ajan, terminal çıktılarını yorumlar, hataları yinelemeli olarak düzeltir ve değişiklikleri doğrudan Git depolarına commit eder.⁷³

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 çalıştırabilir ve Git depolarına değişiklik commit edebilir.⁷⁴

42. Multimodal uygulama navigasyonu ve koordinasyonu

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

Nasıl çalışır:

Bir sipariş teslimatı kullanım senaryosunu test etmek için Open Operator'a basit bir alışveriş talebi ilettim: 30 $ altında boho tarzı bir dekoratif yastık kılıfı almama yardım edin.

43. Otonom iş akışı ajanları (Uzun vadeli görevlendirme)

Bellek + araç kullanımı olan planlama ajanları (örn. hedef belirleme özellikli Otomatik-GPT, Agent Q), çeşitli araçlar genelinde çok adımlı hedefleri yürütür (örn. girdi toplama, eylem yapma, planı gözden geçirme) ve gerçek zamanlı karar verir.

Nasıl çalışır:

Bu çok adımlı finansal rapor analizinde yapay zeka planlama ajanına şu görev verilir: “Geçen çeyreğin finansal performansını analiz edin ve finans ekibi için bir özet hazırlayın.”

Ajanın şunları getirmesi istenir:

• Son şirket haberleri (en iyi 3 haber)
• Şirketin mevcut 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 uçuş rezervasyonu yapıyor.

Yapay zeka ajanları oluşturma

LangChain gibi araçlar kullanılarak yapılan doğal dilde hava durumu aramaları gibi temel ajan uygulamalarından, uygulama geliştirme gibi daha karmaşık, otonom kullanım alanlarına (örn. Cursor AI düzenleyicisiyle Tic Tac Toe oyunu üretme) geçiş şu zorluklara yol açtı:

Bu geçiş, çok adımlı iş akışlarını yönetme, API hata döngülerini ele alma ve büyük kod tabanlarında bağlamı koruma gibi zorluklar sunar.

• Görev yürütmede karmaşıklığı yönetme
  • Karar alma süreçlerini yönlendiren desenleri standartlaştırma.
  • Birden çok 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 ajan geliştirme framework'leri şunları sağlayarak bu zorlukların üstesinden gelmeye yardımcı olur:

• Karar alma ve muhakeme framework'leri (örn. makine öğrenmesi veya olasılıksal modeller) desenleri standartlaştırmak ve birden çok seçeneği dahil etmek için.
• Veri erişimi ve entegrasyon araçları (örn. API bağlayıcıları) dış sistemler ve API'lerle arayüz oluşturmak için.

Geliştirici ekosistemi, çok ajanlı koordinasyon ve uzun vadeli görevler için yapılandırılmış iş akışları sunduklarından LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK ve Claude Agent SDK gibi uzmanlaşmış agentic orkestrasyon araçlarını benimsiyor.

Nasıl çalışır:

Microsoft 365 ile özel bir Slovenya seyahat rehberi ajanı oluşturma:

Gerçek hayattan örnek: Özel yapay zeka ajanları üretme

AppFolio, Realm-X gayrimenkul yönetimi copilot'unu zincir tabanlı mimariden LangGraph'a taşıdı ve değişikliğin sağladıklarını öncesi-sonrası rakamlarıyla yayımladı.

• Taşıma sonrasında yanıt doğruluğunda 2x iyileşme
• Gayrimenkul yöneticisi başına haftada 10 saatin üzerinde tasarruf
• Dinamik few-shot prompting, belirli özelliklerde performansı %40'tan %80'e çıkardı.⁷⁸

SSS'ler

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+ Gerçek Hayattan Örneklerle Agentic AI Kullanım Alanları}},
  year   = {2026},
  month  = sep,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Erişim tarihi: 8 Eylül 2026}
}

Değişiklik günlüğü

20 güncelleme

202620252024

1. 26 Ağu

   Uygulama Geliştirme bölümünde 'Gerçek hayat örneği' ifadesi 'Nasıl çalışır' ile değiştirilerek örneklerin niteliği açıklığa kavuşturuldu.

2. 4 Ağu

   Kişiselleştirilmiş poliçe çözümü bölümüne gerçek hayattan bir örnek eklenerek, kavramın somut bir açıklaması sunuldu.

3. 16 Tem

   Gerçek hayattan bir örnekteki ülkeye özgü bir URL kaldırıldı, içeriği evrensel olarak erişilebilir hale getirildi.

4. 8 Tem

   Girişteki 'Gerçek hayat örneği' genişletildi, çapraz aracı işbirliği yeteneklerine dair daha geniş bir anlayış sunuldu.

5. 7 Tem

   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.

Referans Linkleri

1.

Presentamos 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!" / X

3.

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

4.

Rakuten Claude Code case study | Claude

5.

APIs for AI Agents: The Only Beginner’s Guide You’ll Ever Need (n8n) - YouTube

6.

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

7.

Cursor · Customers

Cursor

8.

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

9.

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

10.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

11.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

12.

Watsonx Code Assistant for Z is the Rosetta Stone for COBOL - IBM Research

IBM

13.

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

14.

Devin's 2025 Performance Review: Learnings From 18 Months of Agents At Work | Cognition

Cognition

15.

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

16.

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

17.

Research: Quantifying GitHub Copilot’s impact in the enterprise with Accenture - The GitHub Blog

18.

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

19.

NVIDIA commits 3x more code across 30,000 developers with Cursor · Cursor

Cursor

20.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

21.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

22.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

23.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

24.

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

MDPI

25.

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

Google Cloud

26.

Torq Security Automation Demo | Phishing Response Workflow - YouTube

27.

Torq Expands Agentic AI Capabilities With Powerful New Autonomous, Collaborative Multi-Agent Framework For Security Operations | Torq

Torq®

28.

GitHub - dandye/adk_runbooks · GitHub

29.

Agentic Incident Response - YouTube

30.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

31.

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

32.

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

33.

Automated Software Test Generation at Industry Scale Using a Multi-Agent Architecture and Workflow Integration | Proceedings of the IEEE/ACM 48th International Conference on Software Engineering: Software Engineering in Practice

34.

Generative Agents: Interactive Simulacra of Human Behavior

35.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

36.

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

SIMA team

37.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

38.

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

39.

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

40.

Engineering

41.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

42.

Introducing AI to FigJam | Figma Blog

Figma

43.

Dutch Insurance Provider

44.

Automating an insurance claim form with AI Builder - YouTube

45.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

46.

AI tool brings real-world value to Zurich USMM underwriters

47.

Lemonade - Insurance claims handled instantly - YouTube

48.

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

49.

Chipotle's fresh new way to reduce time to hire by up to 75%. — Paradox

50.

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

LinkedIn Talent Solutions

51.

Paradox AI recruiting success stories — Paradox

52.

Ada Voice + Aircall - YouTube

53.

A demo of Intercom's Fin AI Copilot: an AI assistant for every support agent - YouTube

54.

Intercom Claude Platform (API) case study | Claude

55.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

56.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

57.

Live Demo Toyota & Cognigy Breaking New Boundaries - YouTube

58.

Knowledge Builder in action | Zendesk demo video - YouTube

59.

Introducing deep research | OpenAI

60.

Deep Research - Marginal REVOLUTION

61.

Deep Research: First Impressions

UX Tigers

62.

ChemicalQDevice

63.

Automation of Systematic Reviews with Large Language Models | medRxiv

64.

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

65.

25 of my favorite ROI+ customer stories | Google Cloud Blog

Google Cloud

66.

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

67.

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

TechCrunch

68.

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." / X

69.

OmniParser

70.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

71.

Google Cloud’s Business Trends Report 2026: Key findings

Google

72.

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

73.

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

74.

Devin | The AI Software Engineer

Cognition

75.

Creating an AI Agent for Financial Report Analysis - YouTube

76.

MultiOn AI Agent books a flight - YouTube

77.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

78.

LangGraph AI Agent Framework for Production Applications

Cem Dilmegani

Baş Analist

Takip Et

Cem, 2017'den beri AIMultiple bünyesinde baş analisttir. Cem'in AIMultiple'daki çalışmaları; Business Insider, Forbes, Morning Brew ve Washington Post gibi önde gelen küresel yayınlar, Deloitte ve HPE gibi küresel firmalar, Dünya Ekonomik Forumu gibi STK'lar ve Avrupa Komisyonu gibi uluslarüstü kuruluşlar tarafından alıntılanmıştır. [1], [2], [3], [4], [5] Kariyeri boyunca Cem; teknoloji danışmanı, teknoloji alıcısı ve teknoloji girişimcisi olarak görev yaptı. On yılı aşkın süre boyunca McKinsey & Company ve Altman Solon'da işletmelere teknoloji kararlarında danışmanlık yaptı. Ayrıca dijitalleşme üzerine bir McKinsey raporu yayımladı. CEO'ya rapor verirken bir telekom şirketinin teknoloji stratejisini ve satın alma süreçlerini yönetti. Ayrıca 2 yıl içinde 0'dan 7 haneli yıllık yinelenen gelire ve 9 haneli değerlemeye ulaşan derin teknoloji şirketi Hypatos'un ticari büyümesini yönetti. Cem'in Hypatos'taki çalışmaları TechCrunch ve Business Insider gibi önde gelen teknoloji yayınları tarafından ele alındı. Cem, uluslararası teknoloji konferanslarında düzenli olarak konuşma yapmaktadır. Boğaziçi Üniversitesi'nden bilgisayar mühendisi olarak mezun oldu ve Columbia Business School'dan MBA derecesine sahiptir.

Tam Profili Görüntüle

Araştıran

Hazal Şimşek

Endüstri Analisti

Takip Et

Hazal, AIMultiple'da süreç zekası (süreç madenciliği dahil) ve kurumsal otomasyon (BT otomasyonu ve düşük kodlu/kodsuz otomasyon dahil) konularına odaklanan bir endüstri analistidir.

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