40+ Gerçek Hayattan Örneklerle Agentic AI Kullanım Alanları

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

Karmaşık iş akışlarında genellikle insan müdahalesi gerektiren geleneksel yapay zekadan, özellikle üretken yapay zekadan farklı olarak, agentic AI karar verme yetenekleri ve hedefe yönelik davranışı sayesinde süreçleri otonom şekilde yönlendirmeyi ve optimize etmeyi amaçlar. Yapay zeka ajanları şu rollerde kullanılır:

AI ajanları geliştirici olarak

1. Uygulama oluşturma

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

• İş için doğru araçları seçme; örneğin API'ler için Flask veya ön yüzler için React.
• Basit prompt'lara dayanarak seçilen dilde (örn. Python, JavaScript) kod üretme.
• Test ve dağıtım için GitHub Actions gibi entegrasyonlarla iş akışlarını otomatikleştirme.

Nasıl çalışır:

Bir geliştirici, OpenAI'nin Operator'ü ve Replit'in AI Agent'ı kullanarak 90 dakikada eksiksiz bir uygulama geliştirdi. İki ajan otonom olarak kimlik bilgilerini paylaştı ve testler çalıştırdı. Bu ajanlar arası iş birliği ChatGPT Atlas Agent Mode'a entegre edildi ve ajanın yeteneği geliştirme ortamlarının ötesine, e-ticaret, seyahat rezervasyonu ve kurumsal web iş akışları gibi alanlara genişletildi.¹

Cursor'ın ajan modu Composer tek bir prompt'tan: "2 oyuncu için HTML, CSS ve JavaScript ile Tic Tac Toe oyunu üret." ile eksiksiz bir Tic Tac Toe oyunu oluşturmayı amaçlar.

Cursor, birden fazla dosyada kodlama yapabilir, komutlar çalıştırabilir ve hangi bağlama ihtiyaç duyduğunu otomatik olarak belirleyebilir (dosya eklemeye gerek kalmaz).

Gerçek hayattan örnek: Building applications case study

Rakuten, geliştirme iş akışını Anthropic'in Claude Code ile birim testi, API mock'ları, bileşen oluşturma, hata düzeltme ve dokümantasyon alanlarında yeniden kurdu. Rakuten şunları elde etti:

• Özelliklerin pazara sunulma süresi %79 kısaldı
• Aynı anda beş görevi paralel yürütme
• Karmaşık kod tabanlarını ve mimari kararları anlama.⁴

Ajan oluşturma hakkında daha fazlasını keşfedin

Agentic AI sistemlerini destekleyen altyapıyı inceliyorsanız, en son benchmark'larımıza göz atmanızı öneririz:

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

2. Yapay zeka kodlamayla kendi API'nizi oluşturun 

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

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

Nasıl çalışır:

n8n ile AI ajanları için kodsuz API iş akışları.

İşte bir API iş akışının üst düzey soyutlaması:

3. Doğal dille kod düzenleme

Kod parçacıklarını seçebilir ve şu türde sade İngilizce komutlar verebilirsiniz:

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

Nasıl çalışır:

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

Gerçek hayattan örnek: Natural language code editing

Coinbase, Cursor etrafında şekillenen ajan öncelikli bir mühendislik modeline geçti; sprint planlamasını yeniden tasarladı ve paralel ajan kullanımını genişletti. Böylece şunlar sağlandı:

• Fikirden üretime geçme süresinde %90 azalma
• Mühendis başına birleştirilen pull request sayısında %55 artış.⁶

4. Web sitesi oluşturma

v0 by Vercel, Bolt, Lovable ve CerebrasCoder gibi AI web sitesi oluşturucuları, e-öğrenme siteleri gibi karmaşık platformlar oluşturmayı amaçlar ve şu tür önemli sayfalar üretir:

• Ana sayfalar
• Kurs listeleme sayfaları
• Kişiselleştirilmiş öğrenci panoları

Benzer şekilde, Replit gibi yapay zeka kod düzenleyicileri web siteleri oluşturur ve API'lerden yararlanır.⁵

Nasıl çalışır:

İşte otomasyon iş akışı:

5. CRM panosu oluşturma

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

Nasıl çalışır:

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

6. Özyinelemeli kodlama

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

Ajanlar 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.⁹

Persistent, COBOL kodunu Java'ya otonom şekilde taşımak için kullanılan çok ajanlı bir framework sunar; şu şekilde çalışır:¹⁰

Gerçek hayattan örnek: Özyinelemeli kodlama

Küresel bir lojistik şirketi, ana bilgisayar modernizasyon programı sırasında IBM watsonx Code Assistant kullandı. Araç, altyapıyı taradı, uygulamanın yapısal ve işlevsel bir modelini çıkardı ve Java'ya dönüştürme için belirli iş hizmetlerini izole etti. Bu sayede IBM, firmanın şunları elde etmesine yardımcı oldu:

• COBOL'dan Java'ya dönüştürmede geliştirici üretkenliğinde %60 artış
• Otomatik birim testleriyle doğrulanan üretilmiş Java, orijinal COBOL ile aynı çıktıları doğruladı¹¹

7. Kod yeniden düzenleme

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

Nasıl çalışır:

Teknoloji girişimi geliştiricileri, 25+ programlama dilinde kodunuzu yeniden düzenleyen bir ajan oluşturdu.¹²

Gerçek hayattan örnek: Kod yeniden düzenleme

Cognition, Goldman Sachs, Santander ve Nubank'ı da kapsayan müşteri tabanındaki üretim kullanımına dayanarak Devin'in 18 aylık performans değerlendirmesini yayınladı ve taşıma ile yeniden düzenleme çalışmaları için şu hız ve birleştirme oranı rakamlarını bildirdi:

• Her dosyanın taşınması, bir insan mühendis için gereken 30–40 saate kıyasla 3–4 saatte tamamlandı; bu yaklaşık 10x iyileşme sağladı
• 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'ten yükseldi
• Müşteri tabanında yüz binlerce pull request birleştirildi.¹³

8. IDE'nizde kod önerileri oluşturma

GitHub Copilot, VS Code ve JetBrains IDE'lerinde çok adımlı kodlama görevlerini yerine getirebilen, komutları çalıştıran ve kod üzerinde bağımsız olarak yineleme yapabilen otonom bir ajan modu sunar; gerçek zamanlı önerilerin ve otomatik-tamamlamaların ötesine geçer.¹⁴

Gerçek hayattan örnek: Kod önerisi oluşturma

Accenture, GitHub Copilot'u geliştiricilerine randomize kontrollü bir deneme kapsamında sundu; bir gruba erişim verildi ve kontrol grubuna verilmedi. Accenture'ın kendi DevOps telemetrisinden ölçülen sonuçlar şunlardır:

• Geliştirici başına pull request sayısında %8,69 artış
• Pull request birleştirme oranında %15 artış
• Başarılı build sayısında %84 artış; bu, kalite ödün vermeden verimin arttığını gösteriyor
• Copilot önerilerinin yaklaşık %30'u kabul edildi ve üretilen karakterlerin %88'i editörde korundu
• Geliştiricilerin %90'ı işlerinde daha tatmin olduklarını bildirdi ve %95'i kodlamaktan daha çok keyif aldığını söyledi.¹⁶

9. CI/CD pipeline izleme ve optimizasyonu

AI 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
• “NGINX pod'unu kapat” gibi üst düzey komutları yorumlama

Nasıl çalışır:

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

Gerçek hayattan örnek: CI/CD pipeline izleme ve optimizasyonu

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

• 3x daha fazla kod 30.000 geliştirici genelinde commit edildi
• Özel kurallar dal oluşturmayı, kod commit'lerini, CI hata ayıklamayı ve sorun takibini otomatikleştiriyor
• Cursor, neredeyse tüm ürün alanlarında ve yazılım geliştirme yaşam döngüsünün her aşamasında kullanılıyor
• Özellikle nadir ve kalıcı hataları bulup çözmede etkili; bu hataları düzeltmek için ajanlar gönderiliyor

AI ajanları SecOps asistanı olarak

10. Tehdit istihbaratı

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

Nasıl çalışır:

Microsoft'un Security Copilot ürünü, tehdit istihbaratını dinamik olarak toplayan, filtreleyen ve özetleyen uzmanlaşmış bir Threat Intelligence Briefing Agent içerir.

Gerçek hayattan örnek: 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 akışları 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 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 gibi tek bir olayda kümeler.

Nasıl çalışır:

Charlotte AI şu yollarla otonom tespit ve triyaj gerçekleştirir:

• Bilinen TTP'lere dayanarak kötü amaçlı davranışı belirleme.
• Çalıştırma desenlerini ve dosya yollarını çapraz referanslama.
• 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 müşterilerin, ajanın denetimsiz olarak hangi eylemleri gerçekleştirebileceğini belirlediği sınırlı otonomi altında yayınladı.

• Falcon Complete'in insan uzman triyaj kararlarıyla %98'in üzerinde uyum oranı
• Ortalama olarak haftada 40 saatten fazla manuel triyaj işi ortadan kaldırıldı
• Bir analist görmeden önce yanlış pozitifleri otonom olarak filtreler ve düşük riskli uyarıları kapatır
• Açıklanan hesaplama: triyajlanan ortalama uyarı sayısı, uyarı başına beş dakikalık manuel triyaj süresiyle çarpılmıştır²²

12. Bağlamsal zenginleştirme ve tehdit atfetme

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

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

Nasıl çalışır:

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

Bu agentic kurulumda:

• Tespit: Bir AI ajanı, servis hesaplarını kullanarak yanal hareketi tespit eder.
• Zenginleştirme: Uyarıyı Chronicle logları, varlık envanteri ve Mandiant tehdit istihbaratından gelen verilerle otomatik olarak zenginleştirir.
• Atfetme: İkinci bir ajan, bu etkinliği bilinen bir gruba (örn. APT41) atfedilen geçmiş saldırı zincirleriyle kümelendirir.

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:

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

Eskalasyon ve devir sırasında Socrates:

• ITSM platformlarında (örn. ServiceNow, Jira) ilgili gözlemlenebilirler, zenginleştirme ve yapılandırılmış verilerle önceden doldurulmuş olarak otomatik vaka oluşturur.
• İş yüküne ve vardiya programlarına göre analistler atar.
• Özellikle güven düşükse, olay belirsizse veya potansiyel etki yüksekse seçici şekilde eskalasyon yapar.
• Devir sırasında tam zenginleştirmeyi ekler, böylece analistler ham uyarı yerine harekete 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 ele alınıyor
• Dağıtımdan sonraki bir ay içinde 41 ayrı runbook otomatikleştirildi
• Analistler, önemli potansiyel kurumsal etkiye sahip uyarılara odaklanmak üzere serbest kaldı.
• ²⁵

14. Proaktif yanıt eylemleri

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

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

Nasıl çalışır:

Google, kötü amaçlı yazılım tespiti için yapılandırılmış bir Olay Müdahale Planı yürütmek üzere birden çok alt ajanı kullanan SOC Manager agent'ını geliştirdi.²⁶

Agentic proje yapısı:

Olay müdahale planının son adımında (Adım 5: Tamamlama), IOC'ler (Compromise Göstergeleri), otomatik bir containment runbook'u yürüten SOC Manager agent tarafından proaktif olarak engellendi (aşağıya bakın).

Kaynak:
Mandiant ve Google Cloud Security²⁷

Gerçek hayattan örnek: Proaktif yanıt

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

• Tier 1 ve Tier 2 görevlerinin %90'ından fazlası otomatikleştirildi
• Yılların birikmiş eski SOAR otomasyonları birkaç haftada yeniden oluşturuldu
• Şirketin daha önce elde ettiğinden daha hızlı müşteri katılımı sağlandı; iş akışları talebe göre oluşturuldu.²⁸

15. Tehdit avı

Tehdit avındaki ajanlar şunları amaçlar:

• Kimlik, ağ ve bulut logları genelinde anormallikleri sürekli tarama
• IOC aramaları veya desen tespiti gibi tekrarlayan avları otomatikleştirme
• Davranışı geçmiş taban çizgileriyle ve eş etkinlikleriyle karşılaştırarak bilinmeyen tehditleri işaretleme

Nasıl çalışır:

Araştırmacılar, AI ajanlarının tehdit tespiti için Sigma kuralları üretmek üzere iş birliği yaptığı Yerel LLM ile Otomatikleştirilen MITRE ATT&CK Odaklı Tehdit Avı sistemi geliştirdi.

Bu örnekte kullanıcı, web arayüzü üzerinden bir istek girer (örn. "Kerberoasting avı için bir Sigma kuralı oluştur").

Ajan 1, MITRE ATT&CK'ten ilgili tespit yöntemlerini alırken, Ajan 2 bu girdiyi kullanarak bir dil modeliyle bağlama duyarlı Sigma kuralları üretir.²⁹

16. Otomatik yazılım ve uygulama testi

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

Nasıl çalışır:

Pcloudy'nin Copilot'u selenium test scriptleri sağlar, test için kullanılabilir tarayıcıları bulur ve test senaryolarını yürütür.³⁰

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 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 ediyor.³¹

Devamını okuyun: AI ajan oluşturucuları ve açık kaynaklı AI ajanları.

AI ajanları insan benzeri oyun karakterleri olarak

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

17. Agentic oyuncu olmayan karakterler (NPC'ler)

Oyunlardaki tam otonom AI ajanları, oyuncu olmayan karakterlere (NPC'ler) insan benzeri davranış ve oynanış sağlar.

Gerçek hayattan örnek: NPC'ler

Araştırmacılar, "Stanford AI Village" adı verilen 25 ajanla The Sims'e benzer bir sandbox ortamı kurarak AI ile dolu küçük bir sanal kasaba oluşturdu.

Bu kasabada kullanıcılar, ajanların haber paylaşmasını, ilişkiler kurmasını ve grup etkinlikleri düzenlemesini gözlemleyebilir ve ajanlarla etkileşime girebilir. ³²

İşte bu kavramların arkasındaki temel bileşenlere ve fikirlere genel bakış:

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

18 Oyun oynama

AI ajanları, aşağıdakilerden yararlanarak video oyunları oynar veya insan oyuncuların belirli hedeflere ulaşmasına yardımcı olur:

• Yol bulma ve navigasyon: Oyun ajanları, deneme yanılma yoluyla optimal stratejiler bulmak için oyun ortamlarını keşfeder. Örneğin, karar alma süreçlerini sürekli iyileştirerek karmaşık labirentlerde gezinme yollarını öğrenirler.
• Girdi emülasyonu: Oyun ajanları, klavye basışları, fare hareketleri veya gamepad kontrolleri gibi girdileri taklit eder. Bu da oyunla bir insan oyuncunun yapacağı gibi etkileşim kurmalarını sağlar.
• Oynanış uyarlanabilirliği: Ajanlar, bir oyuncunun oynanış 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 hayattan örnek: oyun oynama

Google DeepMind'in Scalable Instructable Multi-Agent (SIMA) sistemi oyun durumlarında gezinir ve etkileşime girer. SIMA, No Man's Sky ve Goat Simulator gibi oyunları oynamayı amaçlar.

Kaynak: Google³⁴

19. Prosedürel içerik üretimi

AI ajanları, aşağıdakiler gibi büyük 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, aşağıdakileri oluşturmak için prosedürel üretimi kullanır:

• Çeşitli topografyalar (örn. dağlar, vadiler, kanyonlar).
• Benzersiz biyomlar (örn. çöller, ormanlar, okyanuslar).
• Dinamik hava desenleri (örn. fırtınalar, yağış).³⁵

AI ajanları içerik üreticisi olarak

AI ajanları, içerik oluşturma, düzenleme ve yayınlamayı otomatikleştirerek insan yazarlara yardımcı olur. AI yazım asistanlarının bazı uygulamaları şunlardır:

20. Otomatik anlatı yazımı

AI ajanları; bölümleri özetleyerek, içerik taslağı hazırlayarak ve üslubu parlatarak bir anlatı yazar.

Gerçek hayattan örnek: Otomatik anlatı yazımı

Bir GitHub AI ajanı projesinde, 10 uzman AI ajanı, hiç insan yazımı olmadan 100.000 kelimelik (~300 sayfa) bir roman yazmak için otonom olarak çalıştı.³⁶ 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 tekrarları önler.

İşte ajanların romanı nasıl oluşturduğunu gösteren bir canlı yayın:

21. Teknik rapor veya teklif yazımı

AI ajanları aşağıdakiler de dahil olmak üzere teknik raporları otonom olarak taslak halinde hazırlar:

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

Nasıl çalışır:

Bir AI yazım asistanı olan ParagraphAI, zaman çizelgesini, bütçeyi ve gereken kaynaklarla personeli özetleyerek teknik mühendislik raporları yazar.³⁸

22. Bilgiye dayalı 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, üretken AI arama sonuçlarını yapılandırılmış Wikipedia sayfalarına dönüştürür.³⁹

23. Panel ve diyagram üretimi

Ajanlar, metin prompt'larına dayanarak UI/UX bileşenleri, sistem diyagramları ve akış şemaları üretir ve 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 şemaları⁴⁰

AI ajanları sigorta asistanı olarak

Ajanlar, hasar inceleme, onay ve dolandırıcılık tespitini otomatikleştirerek tüm hasar işleme yaşam döngüsünü kolaylaştırır. Örneğin, büyük ölçekli bir sigortacı, hasar iş akışına özel AI ajanları entegre ederek bireysel otomobil hasarlarının yaklaşık %90'ını otomatikleştirir. ⁴¹

Oracle ve SAP gibi kurumsal tedarikçiler, tedarik zinciri yönetimi, finans operasyonları, İK ve müşteri deneyimi genelinde agentic AI'ı devreye aldı. Bu ajanlar envanter optimizasyonunu, satın alma otomasyonunu ve finansal mutabakatı yürütebilir.

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

Burada Microsoft'un Power Platform'u:

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

25. Sigortalama

Agentic AI, sigortalamayı; hasar olasılığı değerlendirmesi için bir risk değerlendirme ajanı ve dinamik prim ayarlamaları için bir fiyatlandırma ajanı gibi uzmanlaşmış ajanlarla otomatikleştirir.

Nasıl çalışır:

Akira AI'ın ajanları, her biri sigortalamanın kritik bir yönünde uzmanlaşmış çok ajanlı sistem aracılığıyla sigorta sigortalamasını 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: Hasar ve başvurulardaki anormallikleri veya şüpheli desenleri tespit eder.
• Fiyatlandırma ajanı: Pazar koşulları, rakip fiyatlandırması ve müşteri davranışı gibi faktörlere dayanarak fiyatlandırma önerir.⁴³

Gerçek hayattan örnek: Sigortalama

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

• İlk dağıtım sırasında 16 sigortacı tarafından ele alınan başvuruların %80'i Sixfold ile işlendi
• Başvuru başına ortalama tahmini 60 dakika tasarruf sağlandı
• Ocak 2025'te dört Orta Pazar ofisiyle başlatıldı; şimdi ülke genelinde düzinelerce ofise yayılıyor
• Sixfold, Zurich'e ticari sigorta kategorisinde kazandığı 2024 Zurich Innovation Championship aracılığıyla girdi.⁴⁴

26. Kişiselleştirilmiş poliçe çözümü

Ajanlar, hasar durumunu ve sonraki adımları; gerekli ek belgeler, onay/red güncellemeleri veya ödeme ayrıntıları dahil olmak üzere poliçe sahibine iletir.

Gerçek hayattan örnek: kişiselleştirilmiş poliçe çözümü

Lemonade'in AI Jim'i hasar sonuçlarını doğrudan poliçe sahibine iletir. Hasar dosyası açıldığında AI Jim:

• Müşteriden gelen kısa bir video veya metin olan İlk Hasar Bildirimini (FNOL) alır.
• Konuşmaya dayalı triyaj yürütür; süreç boyunca müşteriye rehberlik etmek için açıklayıcı sorular sorar.
• Kural tabanlı kontrollerle poliçe ve teminat ayrıntılarını doğrular.
• Hasarı onaylamadan önce dolandırıcılık karşıtı algoritmaları yürütür.
• Bankaya ödeme talimatları gönderir ve poliçe sahibine hasarın kabul edildiğini bildirir.

AI ajanları insan kaynakları (İK) asistanı olarak

İK operasyonları genellikle özgeçmiş tarama gibi otomatikleştirilebilecek çok sayıda tekrarlayan görevi içerir. İK operasyonlarında agentic AI'ın temel örnekleri şunlardır:

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 AI araçları kullanır.⁴⁵

Gerçek hayattan örnek: Özgeçmiş tarama

Chipotle, Paradox'un konuşmaya dayalı AI'sını "Ava Cado" adında sanal bir ekip üyesi olarak devreye aldı. Ava Cado adaylarla sohbet eder, şirket hakkındaki soruları yanıtlar, temel bilgileri toplar, görüşmeleri planlar ve bir yönetici adayı seçtiğinde teklifleri gönderir.

• Başvurudan işe başlama tarihine kadar geçen süre 12 günden dört güne indi; bu, %75'e varan bir azalmayı ifade ediyor
• 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 alındı
• İngilizce, İspanyolca, Fransızca ve Almanca dillerinde çalışır.⁴⁶

28. Görüşme planlama

Ajanlar, görüşmelerin planlanmasını ve en uygun zamanları bulmak için adaylarla işe alım yöneticileri arasındaki koordinasyonu yürütebilir.

Nasıl çalışır:

LinkedIn HR Assistant, iş tanımlarını sentezleme, aday arama ve temel tarama görüşmeleri yapma gibi günlük görevleri yerine getirir.⁴⁷

Gerçek hayattan örnek: Görüşme 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 AI'sını 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 haftada 40.000 saatin üzerinde süreyi mağaza liderlerine geri kazandırdı
• Bir müşteri, dağıtımdan hemen sonra ortalama işe alım süresini 10 günün üzerinden beş günün altına indirdi.⁴⁸

29. Bordro otomasyonu

Bordro işleme sürecindeki 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.

Finans otomasyonu çözümleri hakkında daha fazlasını keşfedin:

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

Nasıl çalışır:

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

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

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

AI ajanları müşteri hizmetleri asistanı olarak

Geleneksel chatbot'lar basit sorguları ele alır ancak karmaşık taleplerde zorlanır. Agentic müşteri hizmetleri araçları bunu şu şekilde çözer:

• Sorular belirsiz veya karmaşık olsa da incelikli talepleri yorumlama
• Müşteri profillerinden, sipariş geçmişinden ve bilgi tabanlarından veri alırken sohbet, ses ve e-posta kanallarında sorunsuz çalışma
• Önceki etkileşimlerden bağlamı koruma; böylece daha bilgili ve kişiselleştirilmiş yanıtlar sağlama
• Müşteri iletişimi başlatmadan önce kontrol veya takip hatırlatmaları göndermek gibi proaktif etkileşim kurma

30. Müşteri çağrılarını yanıtlama:

Bir müşteri bir talep hakkında aradığında, AI ajanları çağrıyı doğal dille işler.

Nasıl çalışır:

Ada AI Agent müşteri çağrılarını yanıtlar:

31. Müşteri biletlerine yanıt verme

AI 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 sırasında bağlamla birlikte devreder; tam transkripti, sorunun özetini ve neden çözemediğini iletir.

Synthesia ve Fundrise, aynı Intercom Fin ajanını startup ve büyüme aşaması ölçeğinde devreye alarak Klarna'nın kurumsal rakamlarına bir karşı örnek 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 yaklaşık yarıya indi.⁵⁰

32. Takip ve bilgilendirici SMS gönderme

Bir etkileşimden sonra ajanlar, müşterileri takip etmek için SMS mesajları gönderir. Şirketlerin %42,8'i proaktif erişim için AI metin ajanlarını, %33,4'ü ise AI sesli ajanlarını kullanıyor. ⁵¹

Nasıl çalışır:

Toyota'nın E-Care AI ajanı, aracın yerleşik elektroniğine bağlanır ve müşterileri onarım veya servis gereksinimleri hakkında bilgilendirmek için onlarla iletişime geçer; ardından aracın bir servis tesisine rezerve edilmesi sürecinde onlara rehberlik eder. Ajan, gelen servis çağrılarının genel yükünü azaltır.⁵²

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

• Tüm kullanıcı tabanına mesaj göndermek yerine hangi mahallelerin etkilendiğini belirler.
• Her müşterinin tercih ettiği kanalı kontrol eder (SMS, WhatsApp, sesli arama veya e-posta).
• Kişiselleştirilmiş güncellemeler gönderir (örn. "Elektriğin 16:15'te geri gelmesi bekleniyor").
• Kurtarma beklenenden uzun sürerse otomatik olarak takip eder; müşteri endişeleriyle yanıt verirse canlı bir ajana eskalasyon yapar.

33. SSS üretimi ve optimizasyonu

Ajanlar:

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

Nasıl çalışır:

Zendesk'in Knowledge Builder ürünü, son 30 güne ait biletleri analiz eder; hem müşterilerin dile getirdiği sorunlara hem de ajanların sağladığı çözümlere bakar ve taslak makalelerle dolu bir kategori yapısı oluşturur. Zendesk'in knowledge copilot'u daha sonra tabanı şu şekilde korur:

• İçerik boşluklarını belirler ve yinelenen biletleri kısmen kapsayan makaleler için güncellemeler önerir.
• Bilet verilerinden taslak makaleler veya prosedürler üretir.
• Kapsama, güncellik (yakın zamanda güncellenen makalelerin payı) ve AI okunabilirliği (AI işleme için biçimlendirilen makalelerin payı) açısından içerik sağlığını puanlar.
• Tekrarlayan sorgulardaki ani artışları (örn. şifre sıfırlama) işaretleyerek destek konularını öne çıkarır ve yeni yardım merkezi makaleleri önerir.

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

AI ajanları araştırma asistanı olarak

Araştırma asistanı olarak AI ajanları; veri analizi, literatür taraması, hipotez üretimi ve deneysel tasarım konularında yardımcı olmak için çeşitli alanlarda kullanılır.

Gerçek hayattan örnekler:

1. OpenAI'ın Deep Research ürünü, o3 ve DeepSeek kullanarak büyük aramalar yürütürken büyük miktarda çevrimiçi bilgiyi sentezlemek ve Ph.D düzeyinde çok adımlı araştırmayı tamamlamak için akıl yürütme kullanır.⁵³⁵⁴

Araştırmacıların Deep Research'ten ayrıntılı bir prompt ile gerçek hayattan bir proje 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.⁵⁵

2. ChemicalQDevice'in klinik karar destek (CDS) sistemi, ilaç keşfi için agentic iş akışı yürütmek üzere görevlendirildi. Bu örnekte ChemicalQDevice'in sistemi:

• Veri kümelerinden geniş miktarda klinik literatürü analiz etti.
• GitHub Actions gibi araçlarla otomatik kodlama yürüttü.
• Hipotezler üretmek, deneysel tasarımlar önermek ve araştırma raporları yazmak için üretken AI (örn. GPT-4 veya özelleştirilmiş modeller) kullandı.⁵⁶

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.⁵⁷

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

• Makale başına 30 dakikalık geri dönüş süreleriyle yaklaşık 10.000 makaleyi işledi. 
• Standart zero-shot prompting yöntemlerinden %34 daha fazla matematiksel hata yakaladı.⁵⁸

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

34. Literatür taraması ve bilgi keşfi

AI ajanları, belirli araştırma konuları veya hipotezlerle ilgili çalışmaları, makaleleri ve 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 ani bir artış gibi bir anormallik 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

AI ajanları, araştırma veritabanları, sosyal medya, patentler veya klinik deneme 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'un BigQuery ve Vertex AI üzerinde geliştirilen ajanları kullandı.

• Denetim maliyetleri %99 azaldı ve süre 14 günden bir saate indi
• General Mills, çalışanlarına verileri üzerinde üretken AI'a güvenli erişim sağlayarak 100 milyon $'dan fazla tasarruf etti
• Nevada İstihdam, Eğitim ve Rehabilitasyon Departmanı, hakemlerin 4x daha hızlı karar vermesine yardımcı olan bir itiraz asistanı geliştirdi.⁵⁹

37. Veri görselleştirme ve sunum

Analitik ajanlar, ham verileri otomatik olarak sunuma hazır görsellere dönüştürür; karmaşık eğilimleri Tableau veya Power BI gibi entegre araçları kullanarak temiz kohort analizi grafiklerine ve finansal şelale diyagramlarına dönüştürür.

AI ajanları bilgisayar kullanıcısı olarak

"Computer Use", AI'ın bir bilgisayarla bir insan gibi etkileşim kurmasını sağlamayı amaçlar. Bu, işletim sistemine veya web'e özgü API'ler kullanmadan dijital görevleri yerine getirme esnekliği sunar. 

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

1. İşletim sistemi grafiksel kullanıcı arayüzü (GUI) eylemlerini 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. ChatGPT Atlas with Agent Mode, Operator tool'un halefi olarak uygulamalar arasında geçiş yapar ve GUI'yi birleştirmek için karmaşık web tabanlı görevleri tamamlar.¹
2. Kura AI ve Runner H, web tarayıcılarını kullanarak görevleri tamamlamayı amaçlar.⁶⁰⁶¹
3. HyperWriteAI, çevrimiçi sipariş vermek için metin formlarını doldurmayı, düğmelere tıklamayı ve menü seçimleri yapmayı amaçlar.⁶²
4. Microsoft'un OmniParser'ı, GUI otomasyonu için ajanın görsel arayüzleri anlamasını geliştirir.⁶³

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 AI ajanlarını devreye aldı ve şunları elde etti:

• İşlemsel kararların %80'i otomatikleştirildi
• Ortalama müşteri yanıt süresi 42 saatten neredeyse gerçek zamana indirildi.⁶⁵

39. Belge oluşturma 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 gider oluştur, bunları bir elektronik tabloya kaydet ve ardından tabloyu aç" istenir.

Bu örnekte Claude:

• CSV dosyasını LibreOffice Calc uygulamasında açtı.
• 25 satır örnek gider verisiyle bir CSV dosyası oluşturdu.
• LibreOffice Calc elektronik tablosunu kurdu.⁶⁶

40. Web araştırması ve yapılandırılmış veri toplama

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

Nasıl çalışır:

OpenAI'ın Deep Research ürünü, ChatGPT içinde çok adımlı, yüksek bağlamlı web araştırması için tasarlanmış yeni bir agentic yetenektir; karmaşık sorguları yanıtlamak için planlar, gezinir ve birden çok kaynaktaki bilgileri sentezler.

41. CLI işlemleri ve script yürütme

Aider gibi terminal tabanlı geliştirme iş akışları için tasarlanmış CLI tabanlı kodlama ajanları, shell komutları çalıştırır, yazılım kurar, script'ler başlatır ve terminal arayüzlerindeki çıktıları yorumlar.

Nasıl çalışır:

CLI'ye özgü bir AI 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.⁶⁷

Aider'a alternatif olarak Cognition, terminal tabanlı ajanlarla doğrudan rekabet eden CLI'ye özgü bir varyanta sahip otonom bir AI yazılım mühendisi olan Devin 2.0 ürününü sundu. Devin; kod tabanlarını yeniden düzenleyebilir, shell komutları yürütebilir, test paketleri çalıştırabilir ve değişiklikleri Git depolarına commit edebilir.⁶⁸

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 $'ın altında boho tarzı bir kırlent yastık kılıfı almama yardım et.

43. Otonom iş akışı ajanları (Uzun vadeli görevlendirme)

Bellek ve araç kullanımına sahip planlama ajanları (örn. Otomatik-GPT, hedef belirleme özellikli Agent Q), çeşitli araçlar arasında çok adımlı hedefleri yürütür (örn. girdi toplama, eylemde bulunma, planı gözden geçirme) ve gerçek zamanlı kararlar alır.

Nasıl çalışır:

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

Ajandan şunları getirmesi istenir:

• Güncel şirket haberleri (en iyi 3 hikaye)
• Şirketin güncel hisse fiyatı (AAPL)
• Şirket bilgileri (örn. profil, piyasa değeri, sektör)
• Geçmiş hisse fiyatları (son bir ay boyunca 1 günlük aralıklarla)
• Analist önerileri (örn. al/tut/sat notları)

İşte finansal rapor çıktısı:

MultiOn Agent Q bir uçuş rezervasyonu yapıyor.

AI ajanları oluşturma

LangChain gibi araçları kullanan doğal dilde hava durumu aramaları gibi temel ajan uygulamalarından, uygulama geliştirme gibi daha karmaşık ve otonom kullanım alanlarına (örn. Cursor AI editörüyle Tic Tac Toe oyunu üretme) geçiş şu zorlukları ortaya çıkardı:

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

• Görev yürütmedeki karmaşıklığı yönetme
  • Karar alma süreçlerine yön veren 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?").
• Harici sistemler ve API'lerle arayüz oluşturma

44. Özel AI ajanları üretme:

AI ajan oluşturma framework'leri, aşağıdakileri sağlayarak bu zorlukların üstesinden gelmeye yardımcı olur:

• Karar alma ve akıl yürütme framework'leri (örn. makine öğrenimi veya olasılıksal modeller) desenleri standartlaştırmak ve birden çok seçeneği dahil etmek için.
• Veri erişimi ve entegrasyon araçları (örn. API konnektörleri) harici sistemler ve API'lerle arayüz oluşturmak için.

Geliştirici ekosistemi; LangGraph, CrewAI, Google Agent Development Kit, Mastra, OpenAI Agents SDK ve Claude Agent SDK gibi özel agentic orkestrasyon araçlarını benimsiyor; çünkü bu araçlar çok ajanlı koordinasyon ve uzun vadeli görevler için yapılandırılmış iş akışları sunuyor.

Nasıl çalışır:

Microsoft 365 ile özel bir Slovenya gezi rehberi ajanı oluşturma:

Gerçek hayattan örnek: Özel AI ajanları üretme

AppFolio, Realm-X emlak yönetimi copilot'unu zincir tabanlı bir mimariden LangGraph'a taşıdı ve bu değişikliğin sağladığı önce-sonra rakamlarını yayınladı.

• Geçiş sonrasında yanıt doğruluğunda 2x iyileşme
• Emlak yöneticisi başına haftada 10 saatten fazla tasarruf
• Dinamik few-shot prompting, belirli özelliklerdeki performansı %40'tan %80'e çıkardı.⁷²

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  = aug,
  howpublished    = {\url{https://aimultiple.com/agentic-ai}},
  note   = {AIMultiple. Erişim tarihi: 26 Ağustos 2026}
}

Değişiklik günlüğü

20 güncelleme

1. 202626 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.

6. 202513 Kas

   Makalenin dilini, ajanssal yapay zekanın yeteneklerini açıklığa kavuşturarak güncelledik ve okuyuculara otonom işlevleri hakkında daha kesin bir anlayış sağladık.

7. 16 Tem

   Makalenin numaralandırması güncellendi, okuyuculara kullanım durumlarının daha doğru bir sayısını sunuldu.

8. 20 Haz

   Okuyuculara yapay zeka ajanı uygulamaları için daha net, daha spesifik kategoriler sunarak 'Geliştirme ve BT operasyonları' bölümü güncellendi.

9. 19 Haz

   Genişletilmiş 'Ajan AI Kullanım Durumları' bölümü, okuyuculara çeşitli alanlardaki ajan AI uygulamaları hakkında daha ayrıntılı ve yapılandırılmış bir anlayış sunuyor.

10. 11 Nis

    'AI ajanları geliştirici olarak' bölümü güncellendi, okuyuculara AI kodlama ajanı yetenekleri ve gerçek yaşam örnekleri hakkında daha net, daha yapılandırılmış bir genel bakış sunuldu.

11. 14 Şub

    Giriş güncellenerek ajan tabanlı yapay zekanın tanımı ve diğer yapay zeka türlerinden farkı açıklığa kavuşturuldu, böylece okuyuculara daha net bir temel anlayış sunuldu.

12. 13 Şub

    Güncellendi 'Geliştirici olarak yapay zeka ajanları' bölümü, otonom yapay zeka yazılım ajanları hakkında daha güncel örnekler ve detaylar sunuldu.

13. 12 Şub

    Perakende ve e-ticaret asistanları, yapay zeka aracı kategorileri listesinden çıkarıldı ve makalenin kapsamı daraltıldı.

14. 11 Şub

    AI ajanlarının geliştirme projelerine nasıl entegre olduğunu daha net açıklayan ve önde gelen AI ajan araçlarına dair daha spesifik örnekler sunan 'Geliştirici olarak AI ajanları' bölümü güncellendi.

15. 10 Şub

    Giriş güncellenerek gerçek hayattan örneklerin kapsamı netleştirildi, bu da okuyucuların makalenin odağını anlamasına yardımcı oldu.

16. 31 Oca

    Makale genelindeki kullanım örneklerinin numaralandırılması güncellendi, okuyucular için daha net ve tutarlı bir sıralama sağlandı.

17. 30 Oca

    Yapay zeka ajanlarının bilgisayarlarla etkileşimine dair güncel uygulamalar sunarak, 'Yapay zeka ajanları bilgisayar kullanıcısı olarak' bölümünü yeni örneklerle güncelledi.

18. 29 Oca

    Yapay zeka ajanları geliştiriciler bölümü, yeni alt bölümler ve örneklerle genişletilerek, okuyuculara yazılım geliştirmede ajans yapay zekası hakkında daha kapsamlı bir anlayış sunuldu.

19. 28 Oca

    Giriş, bölüm 1 ve bölüm 2 güncellendi, okuyuculara daha net açıklamalar ve daha alakalı örnekler sunuldu.

20. 202425 Ara

    AI ajanlarının geliştiriciler olarak tanıtımı genişletildi, yetenekleri ve örnekleri hakkında daha net bir genel bakış sunuldu.

Referans Linkleri

1.

Introducing Operator | OpenAI

2.

Lamar on X: "this is wild just paired openai operator with replit agent to build an app watch as two ai agents team up, exchange credentials, and start testing ai agent ai agent the future is here and it’s insane!" / X

3.

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

4.

Rakuten Claude Code case study | Claude by Anthropic

5.

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

6.

Cursor · Customers

Cursor

7.

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

8.

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

9.

Local Models & Inference Engines | GT EDGE AI

GT EDGE AI

10.

COBOL to Java Migration with Multi-Agent Frameworks

Persistent Systems

11.

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

IBM

12.

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

13.

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

Cognition

14.

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

15.

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

16.

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

17.

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

18.

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

Cursor

19.

Microsoft Security Copilot Threat Intelligence Briefing Agent | Microsoft Learn

20.

Microsoft Security Copilot – Microsoft Adoption

Microsoft Corporation LLC

21.

Using Agentic AI to Power Cloud Detection & Response | CrowdStrike

CrowdStrike

22.

CrowdStrike Unveils Charlotte AI Detection Triage for Faster SOC Triage

CrowdStrike

23.

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

MDPI

24.

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

Google Cloud

25.

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

Torq®

26.

GitHub - dandye/adk_runbooks · GitHub

27.

Agentic Incident Response - YouTube

28.

Case Study: Deepwatch Maximizes MDR Customer ROI | Torq

Torq®

29.

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

30.

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

31.

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

32.

Generative Agents: Interactive Simulacra of Human Behavior

33.

Generative Agents: Interactive Simulacra of Human Behavior - YouTube

34.

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

SIMA team

35.

Procedural generation - No Man's Sky Wiki

Contributors to No Man's Sky Wiki

36.

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

37.

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

38.

Engineering

39.

Perplexity AI - Wikipedia

Contributors to Wikimedia projects

40.

Introducing AI to FigJam | Figma Blog

Figma

41.

Dutch Insurance Provider

42.

Automating an insurance claim form with AI Builder - YouTube

43.

Transforming Insurance Underwriting with Agentic AI Risk Evaluation

ElixirClaw

44.

AI tool brings real-world value to Zurich USMM underwriters

45.

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

46.

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

47.

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

LinkedIn Talent Solutions

48.

Paradox AI recruiting success stories — Paradox

49.

Ada Voice + Aircall - YouTube

50.

Intercom Claude Platform (API) case study | Claude by Anthropic

51.

5 ways agentic AI can powerfully transform proactive engagement | NiCE

NiCE

52.

AI Agent Examples and Use Cases for Enterprise Contact Centers

Cognigy

53.

Introducing deep research | OpenAI

54.

Deep Research - Marginal REVOLUTION

55.

Deep Research: First Impressions

UX Tigers

56.

ChemicalQDevice

57.

Automation of Systematic Reviews with Large Language Models | medRxiv

58.

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

59.

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

Google Cloud

60.

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

61.

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

TechCrunch

62.

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

63.

OmniParser

64.

Create an AI agent to fill forms from your private documents

IBMSkillsNetwork

65.

Google Cloud’s Business Trends Report 2026: Key findings

Google

66.

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

67.

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

68.

Devin | The AI Software Engineer

Cognition

69.

Creating an AI Agent for Financial Report Analysis - YouTube

70.

MultiOn AI Agent books a flight - YouTube

71.

Lisa Crosbie – Tech Tutorials | Microsoft Business Applications

72.

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