Yapay zeka ajanı (AI agent) ile iş akışı otomasyonu nasıl yapılır?

Yapay zeka ajanı (AI agent) ile iş akışı otomasyonu aynı komutu her gün ChatGPT ekranına yazıp sonucu kopyalamaktan ibaret değildir. Asıl değer, tekrarlanan işi arkada takip eden, veriyi doğru yere taşıyan, hata oluşunca duran, gerekli noktada insandan onay isteyen ve sonucu kayda geçiren sistemlerden oluşur. İnsanlar artık yalnızca cevap değil, çalışan süreç istemekte... Agentic AI, yalnızca metin üreten sohbet botu değildir. Amacı anlar, uygun aracı seçer, veriyi doğrular, işlem sonucunu işler ve gerektiğinde sonraki adıma geçer. Bu yüzden otonom iş akışı otomasyonu klasik otomasyonla yapay zeka arasındaki en verimli kesişim noktasıdır. Burada değer, güzel cevapta değil işi doğru sırayla tamamlayan mimaridedir.

Doğru tasarlanmış bir ajan sistemi e-posta okuyabilir, form verisini ayıklayabilir, müşteri niyetini sınıflandırabilir, CRM kaydını güncelleyebilir, SQL veritabanına temiz veri yazabilir, teklif taslağı hazırlayabilir ve son adımı onaya bırakabilir. Kötü tasarlanmış sistem ise tek büyük promptla her şeyi yapmaya çalışır. İlk sorun da burada başlar.

Sohbet botu ile yapay zeka ajanı arasındaki kritik fark

Sohbet botu genellikle kullanıcıdan komut alır ve tek cevap üretir. Yapay zeka ajanı ise süreci takip eder. Aradaki fark konuşma yeteneği değil, araç kullanma ve karar verme düzenidir. Ajanın arkasında webhook, API, veritabanı, dosya deposu, RAG katmanı, hata yakalama, işlem kaydı ve izleme mekanizması bulunur.

Bu farkı basit şekilde düşünün. Reaktif yapay zekada müşteri e-postasını kopyalar, modele yapıştırır ve cevabı siz gönderirsiniz. Ajan mimarisinde e-posta geldiği anda tetikleyici çalışır, içerik temizlenir, talep sınıflandırılır, ilgili müşteri kaydı bulunur, taslak cevap hazırlanır ve riskli durum varsa işlem beklemeye alınır. İnsan, her adımı elle yapmaz.

Yine de ajanı tamamen serbest bırakmak doğru değildir. Ajanın alanı net değilse otomasyon hız değil risk üretir. Agentic AI projelerinde güven sınırsız yetkiden değil sınırlı ve denetlenebilir yetkiden gelir. Hangi dosyayı okuyacağı, hangi tabloya yazacağı, hangi durumda duracağı ve hangi işlemde onay isteyeceği önceden belirlenmelidir.

Modern ajan mimarisi nasıl kurulur

Bugünün üretim sistemlerinde yalnızca prompt zincirleme yeterli değildir. Gelişmiş ajanlar Function Calling ve Structured Outputs kullanarak konuşur. Modelden bir fıkra değil, CRM sistemine doğrudan gönderilebilecek formatta, şeması önceden belirlenmiş bir JSON payload istenir. Sistemin kırılmamasını sağlayan temel kalkan budur.

Bu katmanda beş kavram birlikte çalışır. İlki araç çağırmadır, yani modelin dış dünyadaki bir API'yi tetiklemesi. İkincisi yapılandırılmış çıktı, yani modelin serbest metin yerine şemaya uygun yanıt vermesi. Üçüncüsü semantic routing yani talebi niyete göre doğru akışa yönlendirmek. Dördüncüsü Human-in-the-Loop (HITL) yani kritik adımları insan onayına bağlamak. Beşincisi ise kayıt, izleme ve değerlendirmedir.

Burada MCP de önem kazanır. Model Context Protocol (MCP), AI uygulamalarını dış veri kaynakları ve araçlarla standart biçimde konuşturan açık bir protokoldür. Bir ajan yalnızca tek bir SaaS'a bağlı kalmak zorunda değildir; veri kaynağı, dosya sistemi, özel servisler ve iç araçlar aynı çatı altında erişilebilir hale gelir. Böylece entegrasyon mantığı kişisel hack'lerden çıkıp yönetilebilir bir yapıya dönüşür.

Durum yönetimi de kritik bir ayrımdır. Olay tabanlı düşük kod akışları çoğu zaman kısa ömürlü ve basit işler için uygundur. Buna karşılık LangGraph gibi stateful graph yapıları, akışın durumunu koruyarak ara kesmelerde devam etmeyi, adım adım kontrol etmeyi ve gerektiğinde aynı süreci yeniden çalıştırmayı kolaylaştırır. Üretimde esas fark, sistemin ne kadar akıllı göründüğü değil, ne kadar dayanıklı olduğudur.

Low-code ajan mimarisi Make.com ve n8n ile nerede işe yarar?

Make.com AI agent kurulumu ve n8n yapay zeka entegrasyonu arayanların asıl ihtiyacı araç ekranını öğrenmek değildir. Kullanıcı, gelen verinin nasıl tetikleneceğini, hangi noktada LLM kullanılacağını, hangi adımda klasik kuralın yeterli olduğunu ve sonucun nereye yazılacağını bilmek ister.

Make.com görsel senaryo mantığıyla hızlı operasyon akışları için uygundur. E-posta, form, tablo, CRM ve bildirim adımlarını tek ekranda bağlamak isteyen ekipler için pratiktir. n8n ise webhook, HTTP isteği, kod adımı, LLM node, veritabanı ve API bağlantılarını aynı akışta yönetmek isteyen teknik ekiplerde öne çıkar. İki araçta da başarı node sayısından değil veri düzeninden gelir.

Projede ilk baktığım yer prompt değildir. İlk kontrol edilmesi gereken şey payload yapısıdır. Form alanı değiştiğinde, e-posta içeriği HTML olarak geldiğinde, API cevabı boş döndüğünde veya tarih formatı bozulduğunda sistem ne yapacak sorusu cevaplanmalıdır. Hata yakalama adımı eklenmeyen workflow ilk beklenmeyen veride durur. Bazen sorun modelde değil modele giden kirli veridedir.

Webhook, LLM, RAG ve veritabanı aynı süreçte nasıl bağlanır?

Sağlam bir ajan mimarisi tek promptla başlamaz. Süreç küçük ve denetlenebilir parçalara ayrılır. Her parça kendi çıktısını üretir, sonraki parça bu çıktıyı kontrol ederek kullanır. Böylece hata oluştuğunda nerede bozulduğu anlaşılır.

1. Webhook yeni e-posta, form, sipariş, dosya veya sistem uyarısını yakalar.
2. Veri temizleme adımı imza, takip kodu, gereksiz HTML etiketleri, bozuk karakterler ve tekrar eden metni ayıklar. Gerektiğinde RegEx ya da özel script node'ları kullanılarak payload hafifletilir.
3. LLM adımı talebi satış, destek, iade, şikayet, başvuru veya bilgi isteği gibi sınıflara ayırır.
4. RAG katmanı şirket dokümanı, ürün bilgisi, fiyat kuralı, yardım makalesi veya önceki kayıt içinden ilgili bağlamı getirir.
5. Semantic routing ve HITL adımı risk skorlaması yapar, işlemin doğrudan API'ye mi gideceğini yoksa insan onayına mı düşeceğini belirler.
6. CRM veya SQL veritabanı adımı doğrulanmış alanları kayıt altına alır.
7. Log ve observability adımı kullanılan kaynakları, model kararını, hata mesajını, token maliyetini, gecikmeyi ve işlem sonucunu saklar.

Bu akış, SQL veritabanına yazan yapay zeka ajanı veya webhook ile yapay zeka otomasyonu arayan kullanıcının aradığı pratik cevaptır. Ajanın her şeyi bilmesi gerekmez. Doğru anda doğru araca erişmesi gerekir.

CrewAI, LangGraph, LlamaIndex, Botpress, Pinecone ve Qdrant nasıl konumlanır?

Araç seçimi sürecin riskine ve teknik seviyeye göre yapılmalıdır. CrewAI, Python tarafında rol bazlı ajanlar ve kontrollü görev akışları tasarlamak isteyen geliştiriciler için uygundur. CrewAI otonom ajan zinciri arayan kullanıcı genellikle araştırma, kontrol, değerlendirme ve çıktı üretimi gibi görevleri farklı ajanlara ayırmak ister.

LangGraph, uzun soluklu ve durumlu ajan akışlarında öne çıkar. Düğüm tabanlı yapı sayesinde deterministik adımlar ile LLM destekli adımlar aynı grafikte birleştirilebilir. LlamaIndex, şirket dokümanlarını ve veri kaynaklarını ajanlara bağlama tarafında işe yarar. PDF, bilgi tabanı, destek yazısı, ürün dokümanı veya dahili dosya koleksiyonu üzerinden cevap üretilecekse RAG katmanı gerekir. Pinecone ve Qdrant gibi vektör veritabanları da bu noktada devreye girer. Veriyi parçalar, indeksler ve sorguya uygun bölümü modele taşımayı kolaylaştırır.

Botpress ise müşteriyle konuşan arayüzün arka tarafta belirli araçlara bağlanması gereken destek ve satış senaryolarında kullanılabilir. Burada önemli nokta şudur. Botpress konuşma tarafını yönetebilir, Make.com veya n8n arka plan iş akışını taşıyabilir, LlamaIndex şirket bilgisini getirebilir, CrewAI ise kod tabanlı çok ajanlı görevi yürütebilir. Aracı amaç sanmak en pahalı hatadır.

Prompt zincirleme, bellek ve context engineering nasıl tasarlanmalı?

Prompt zincirleme, uzun talimatı tek metne sıkıştırmak yerine işi parçalara ayırmaktır. İlk prompt niyeti sınıflandırır, ikinci prompt gerekli alanları çıkarır, üçüncü prompt şirket verisiyle karşılaştırır, dördüncü prompt sonucu düzenler. Böyle çalışınca her adım test edilebilir hale gelir.

Bellek tarafında iki ayrı katman düşünülmelidir. Kısa süreli bellek mevcut işlemdeki geçici bilgiyi tutar. Uzun süreli bellek ise şirket dokümanları, müşteri geçmişi, ürün bilgisi, politika metni ve destek makalesi gibi kalıcı kaynaklardan beslenir. Her şeyi belleğe atmak çözüm değildir. Gürültülü veri, ajanı yanıltır. Bu noktada context engineering yaklaşımı devreye girer. Amaç modele daha çok veri vermek değil, doğru veriyi doğru anda, doğru biçimde vermektir.

RAG sistemlerinde bağlam bütünlüğü neden bozulur?

RAG projelerinde en sık gördüğüm sorun bağlamın yanlış parçalanmasıdır. Dokümanlar sabit uzunlukla bölünürse anlam akışı kırılır. Fiyat tablosu başka parçada, istisna kuralı başka parçada, uyarı metni başka parçada kalır. Model eksik bağlamla cevap üretir ve sonuç güven vermez.

Bunu önlemek için semantic chunking kullanılmalıdır. Karakter sayısına göre yapılan sabit parçalama çoğu zaman bağlamı ortadan böler. Bunun yerine cümlenin ve paragrafın anlam bütünlüğünü koruyan parçalama yöntemi seçilmeli, chunk overlap doğru ayarlanmalı, başlık bilgisi korunmalı, metadata alanları kaybolmamalı ve gerekirse hybrid search ile exact match sinyali ile semantik sinyal birlikte kullanılmalıdır. Qdrant ve LangChain dokümantasyonlarında da chunking, embeddings ve retrieval kalitesinin test edilmesi gerektiği açık biçimde vurgulanır. Aynı dokümanı farklı yöntemlerle bölüp gerçek kullanıcı sorularıyla denemek, teoride iyi görünen ama pratikte zayıf kalan ayarları hızlıca ortaya çıkarır.

RAG tarafında tek benzerlik eşiğine güvenmek hatadır. Bazı şirket dokümanlarında düşük eşik alakasız sonuç getirir, yüksek eşik gerekli istisnayı kaçırır. En doğru ayar, gerçek kullanıcı sorularıyla yapılan denemede ve gerekirse reranking ile ortaya çıkar. Vektör gömme tek başına yeterli değildir. İndeks kalitesi, metadata disiplini ve geri çağırma testi birlikte düşünülmelidir.

Görünmez yapay zeka sistemleri nerede değer üretir?

Görünmez yapay zeka, kullanıcının yapay zeka paneli görmediği sistemdir. Müşteri form doldurur, destek talebi açar, sipariş verir veya belge yükler. Arka planda ajan çalışır. Talep sınıflanır, eksik bilgi ayrılır, görev oluşturulur, kayıt güncellenir ve gerekiyorsa cevap taslağı hazırlanır.

Bu yaklaşım özellikle mikro işletmeler, e-ticaret ekipleri ve dijital ajanslar için değerlidir. Çünkü çalışanların her gün yaptığı tekrar işleri azaltır. Aynı e-postayı defalarca okumak, form verisini elle etiketlemek, müşteri notunu CRM alanına taşımak veya toplantı notundan görev çıkarmak insan zamanı harcar. Ajan bu yükü arkada taşır.

Fakat görünmez sistem demek kontrolsüz sistem demek değildir. Kullanıcı panel görmese bile yönetici log görmelidir. Hangi talebin neden satış olarak işaretlendiği, hangi dokümanın kullanıldığı, hangi API çağrısının hata verdiği ve hangi kaydın neden beklemeye alındığı izlenebilmelidir. Denetlenemeyen ajan büyüdükçe sorun çıkarır.

E-ticaret iade operasyonunda otonom ajan senaryosu

Teoriyi somutlaştıralım. Müşteriden iade talebi geldiğinde klasik yöntemde e-posta okunur, sipariş numarası bulunur, iade sebebi anlaşılır, kargo kuralı kontrol edilir, müşteri geçmişine bakılır ve cevap yazılır. Ajan mimarisinde bu adımlar ayrı parçalar halinde çalışır.

Mail tetikleyicisi yeni mesajı alır. Temizleme adımı imza ve gereksiz HTML içeriği çıkarır. İlk ajan iade sebebini ve müşteri duygu durumunu sınıflandırır. İkinci adım sipariş veritabanından ürün ve teslimat bilgisini kontrol eder. RAG katmanı iade politikasındaki ilgili maddeyi getirir. Karar adımı talebin otomatik yanıtlanıp yanıtlanamayacağını belirler. Düşük riskli taleplerde iade kodu taslak olarak hazırlanır, riskli taleplerde çalışan onayı istenir.

Burada dikkat edilmesi gereken nokta yetkidir. Ajanın doğrudan para iadesi yapması, siparişi iptal etmesi veya müşteri hesabında kalıcı değişiklik yapması risk taşır. İlk aşamada ajan sınıflandırma, özetleme, taslak hazırlama ve kayıt güncelleme işlerinde kullanılmalıdır. Canlı finansal işlem insan onayına bağlanmalıdır.

Agentic AI güvenliği hangi noktada başlar?

Güvenlik prompt metninden önce yetki sınırıyla başlar. Ajan hangi veriyi okuyabilir, hangi aracı çağırabilir, hangi tabloya yazabilir, hangi işlemi tek başına tamamlayabilir soruları netleşmeden üretim ortamına geçilmemelidir.

Prompt injection riski özellikle dışarıdan gelen e-posta, form, PDF ve web içeriğinde çıkar. Kullanıcı metni model tarafından sistem talimatı gibi algılanmamalıdır. Bu yüzden sistem talimatı, kullanıcı verisi, araç çıktısı ve şirket dokümanı ayrı katmanlar olarak ele alınmalıdır. Modelden gelen çıktı da doğrudan çalıştırılmamalı, doğrulama adımından geçmelidir.

Ajanlara gereğinden fazla yetki vermek başka önemli hatadır. E-posta sınıflandıracak ajana ödeme alma, fiyat değiştirme veya kayıt silme yetkisi verilmemelidir. Önce okuma, sonra taslak üretme, ardından sınırlı yazma izni verilmelidir. Dry-run test, işlem limiti, izin listesi, hata eşiği ve geri alma planı olmadan otonom ajan canlı sisteme alınmamalıdır. Kontrol edilmeyen entegrasyon, otomasyon değil operasyon riski üretir.

Yapay zeka süreç tasarımcılığı neden ayrı uzmanlık alanına dönüşüyor?

Yapay zeka süreç tasarımcısı yalnızca prompt yazan kişi değildir. İş akışını parçalara ayırır, veri kaynağını belirler, karar noktalarını netleştirir, araçları seçer, hata yolunu çizer ve ölçüm kriteri koyar. Teknik ekip ile operasyon ekibi arasındaki dili sadeleştirir.

Satış ekibi gelen talepleri ayırmak istiyoruz dediğinde süreç tasarımcısı bunu makinenin anlayacağı sıraya çevirir. Talep hangi kanaldan geliyor, hangi alanlar zorunlu, sıcak müşteri nasıl anlaşılır, hangi durumda görev açılır, hangi durumda teklif taslağı hazırlanır, hangi durumda insan onayı gerekir soruları cevaplanır. Bu sorular cevaplanmadan hazırlanan ajan sistemi genellikle ilk hafta aksar.

Türkçe internetteki boşluk tam burada duruyor. Yüzeysel yapay zeka aracı listeleri çoktur, fakat çalışan ajan mimarisi anlatan içerik azdır. Bu yüzden yapay zeka süreç tasarımcılığı, ajanslar, KOBİ danışmanları, yazılım ekipleri ve operasyon yöneticileri için değerli uzmanlık alanı haline geliyor.

İlk otonom iş akışı nasıl seçilmeli?

İlk deneme para, hukuk veya müşteri kaybı riski yüksek yerden başlamamalıdır. En doğru seçim zaman alan ama geri alınabilir süreçtir. Gelen e-postayı sınıflandırma, destek talebini özetleme, lead kaydını temizleme, toplantı notundan görev çıkarma veya belge içinden alan ayıklama iyi adaylardır.

İlk akışı küçük tutmak gerekir. Örneğin müşteri e-postasını analiz edip SQL veritabanına yazan ve otomatik teklif hazırlayan ajan tek hamlede canlıya alınmamalıdır. Önce sınıflandırma yapılır. Sonra bilgi çıkarımı eklenir. Ardından CRM taslak kaydı açılır. En son teklif taslağı ve insan onayı eklenir.

Bu yöntem hatayı görünür yapar. Hangi prompt yanıldı, hangi veri eksik geldi, hangi API cevabı bozuldu, hangi kayıt yanlış eşleşti kolay anlaşılır. Ajan projelerinde başarı çoğu zaman model seçiminden değil sürecin küçük ve test edilebilir parçalara ayrılmasından gelir. Ölçemediğiniz ajanı geliştiremezsiniz.

Türkçe aramalarda asıl fırsat hangi kelimelerde?

Yapay zeka kelimesinde rekabet etmek zordur. Fırsat, niyeti netleşmiş uzun aramalarda büyür. Make.com AI agent kurulumu, n8n yapay zeka ajanı nasıl yapılır, CrewAI otonom ajan zinciri, LlamaIndex RAG entegrasyonu, webhook ile yapay zeka otomasyonu, CRM için otonom yapay zeka ajanı, SQL veritabanına yazan AI workflow, vektör veritabanı ile hafızalı yapay zeka ajanı ve API entegrasyonu ile JSON payload yönetimi aynı ihtiyaca bağlanır.

Bu aramaları yapan kişi çoğu zaman merak için okumaz. İşini hızlandırmak, müşteri talebini kaçırmamak, ekip içi tekrar işi azaltmak, teklif sürecini toparlamak veya destek yükünü düşürmek ister. Bu yüzden içerik araç tanıtımı gibi değil uygulanabilir mimari anlatımı gibi hazırlanmalıdır.

Doğru konumlanma, Agentic AI kavramını otonom iş akışı otomasyonu ile aynı çatıya bağlamaktır. Hedef yalnızca otonom yapay zeka nedir araması değildir. Hedef, bunu kendi işime nasıl uygularım sorusudur. Okuyucu sayfadan ayrıldığında hangi süreçle başlayacağını, hangi araçları seçeceğini, hangi riski kontrol edeceğini ve hangi adımı onaya bağlayacağını anlamalıdır.

Son karar hangi mimariyle verilmeli?

Agentic AI ve otonom iş akışı otomasyonu, yapay zeka kullanımında en pratik kırılma noktalarından biridir. Sohbet ekranı bilgi verir. Ajan tabanlı sistem iş yürütür. Aradaki fark veriye bağlanma, araç kullanma, karar verme, kayıt oluşturma, performansı izleme ve hatayı denetleme becerisidir.

En mantıklı hamle, tek süreci seçip uçtan uca çizmektir. Tetikleyici, veri temizleme, LLM kararı, RAG kaynağı, araç çağrısı, kayıt adımı, onay kapısı ve log ekranı netleştiğinde araç seçimi kolaylaşır. Make.com, n8n, CrewAI, LangGraph, LlamaIndex, Botpress, Pinecone, Qdrant ve MCP bu tasarımın parçası olabilir. Merkezde araç değil süreç yer alır.

Bugün Türkçe internetteki açık alan tam burada duruyor. Herkes yapay zeka aracını anlatıyor, az kişi çalışan ajan mimarisini gösteriyor. Bu boşluğu dolduran içerik hem teknik okuyucunun arama niyetini karşılar hem işletme sahibine uygulanabilir karar verir. Agentic AI aramasının gerçek ticari değeri de buradadır.