AI Ajanları Pratikte: Tanımların Ötesinde Gerçek Bir Kurulum

AI ajanı nedir sorusunun cevabını artık herkes biliyor gibi görünüyor: kendi kendine karar alan, araçları kullanabilen yapay zeka. Ama bu tanım, bir ajanı gerçekten nasıl kurduğunuzu, kaça mal olduğunu ve nerede yanlış gidebileceğini söylemiyor. Bu yazı tanımı geçip gerçek bir kurulum hikayesine, somut maliyetlere ve sık karşılaşılan sorunlara odaklanıyor.

AI altyapı kararlarını genel olarak ele aldığımız yazıda ajan mimarisinin chatbot ve RAG'dan farkını özetlemiştik; burada o farkın pratikte ne anlama geldiğini, gerçek bir kurulum üzerinden gösteriyoruz.

Chatbot ile AI ajanı arasındaki fark nedir?

Chatbot'a toplantı ayarla dediğinizde takviminize bakabilirsiniz cevabını alırsınız; sorulan soruya bilgiyle karşılık verir ama iş yapmaz. AI ajanına aynı şeyi söylediğinizde takviminizi kontrol eder, uygun bir saat bulur, toplantı odasını ayırır ve davetiyeyi gönderir; görevi baştan sona kendisi yürütür. Fark, cevap vermek ile eylem almak arasındaki farktır ve bu tek cümlelik ayrım, hangi teknolojiyi satın almanız gerektiğini büyük ölçüde belirler.

Bu fark riski de değiştirir. Chatbot yanlış bilgi verdiğinde sadece yanlış bir cevap almış olursunuz; ajan yanlış bir bilgiye dayanarak eylem alırsa (yanlış siparişi onaylarsa, yanlış tutarda bir iade işlerse) bu eylemi geri almanız gerekir. Teknik olarak bir ajan, durum yöneten, birden fazla adımı planlayan, gerektiğinde araçları (e-posta gönderme, veritabanı sorgulama, ödeme işleme gibi) çağırabilen bir sistemdir; sadece metin üretmez, sisteminize bağlanıp orada değişiklik yapar.

Bu ayrım pratikte önemli çünkü çoğu şirket aslında chatbot'a ihtiyaç duyarken ajan satın alıyor, ya da tam tersi. Sadece bilgi vermesi yeterli bir kullanım alanı (sık sorulan sorular, ürün bilgisi) için ajan kurmak gereksiz karmaşıklık ve maliyet demek; gerçekten çok adımlı bir işi yürütmesi gereken bir görev için chatbot kurmak ise hiçbir zaman istenen sonucu vermez.

Gerçek bir kurulum hikayesi: fatura işleme ajanı

Tedarik zinciri yönetiminde çalışan bir ekip, haftada 40-50 faturayı elle işliyordu; her fatura günde yaklaşık iki saat sürüyordu, e-posta eklerini açmak, tutarları kontrol etmek, envanter tablosuna işlemek ve ERP'de sipariş kaydı oluşturmak gerekiyordu. Kurulan ajan şöyle çalışıyor: gelen e-postadaki PDF eki otomatik çıkarılıyor, görsel anlayan bir modele gönderiliyor, çıkan veriler mevcut bir envanter tablosuyla karşılaştırılıyor, uyuşuyorsa ERP'de sipariş otomatik oluşturuluyor.

Sonuç: faturaların yaklaşık yüzde 90'ı artık insan müdahalesi olmadan işleniyor, ekip haftada 8-10 saat kazanıyor. Kurulum, hazır bir otomasyon aracıyla (n8n) birkaç saatte tamamlandı; operasyon yöneticisi kendisi bu iş akışını değiştirmeyi öğrendi. Bu örneğin öğrettiği şey şu: bir AI ajanı her zaman büyük, aylarca süren bir mühendislik projesi olmak zorunda değil; dar kapsamlı, tek bir tekrarlayan görevi hedefleyen bir ajan, birkaç günde kurulup somut zaman kazandırabiliyor.

Kalan yüzde 10'luk kısım (uyuşmayan tutar, okunamayan bir tarama, tanınmayan bir tedarikçi formatı) otomatik olarak bir insana yönlendiriliyor; ajan bunu tahmin etmeye çalışmıyor, işaretleyip bekletiyor. Bu tasarım kararı, projenin güvenilirliğinin asıl kaynağı: ajan ne zaman emin olmadığını biliyor ve o noktada devreye insan giriyor. Aynı prensip farklı sektörlerde de karşımıza çıkıyor; bir güvenlik ekibinin aylar süren soruşturma sürecini n8n ile iki günde kurup soruşturma süresini haftalardan yarım saate indirdiği örnekler de var, gösteriyor ki dar kapsamlı otomasyon farklı alanlara da taşınabiliyor.

Hangi araçlarla kurulur?

Kod yazarak kuran ekipler için LangGraph ve CrewAI gibi açık kaynak framework'ler, ya da Claude Agent SDK gibi sağlayıcı-spesifik araçlar öne çıkıyor. Kod yazmadan kurmak isteyen KOBİ'ler için n8n'in AI Agent node'u erişilebilir bir seçenek; küçük bir sanal sunucuda ayda 5-10 dolar gibi düşük bir maliyetle kendi barındırmanız (self-host) bile mümkün.

Framework seçimi maliyeti doğrudan etkiliyor. Ajanlar döngü halinde çalıştığı için token tüketimi normal bir sohbete göre çok daha yüksek olabiliyor; bir örnekte bir startup CrewAI ile ayda 7.800 dolar harcarken, LangGraph'a geçerek aynı sonucu 3.500 dolara indirdi. Bu, hangi aracı seçtiğinizin hem geliştirme kolaylığını hem aylık işletme faturasını belirlediğini gösteriyor.

Bir diğer pratik ölçüt: ajanınız kaç adımda bir dış sisteme (e-posta, CRM, ödeme) dokunuyor. Adım sayısı arttıkça hem token tüketimi hem hata ihtimali katlanarak artıyor; üç-dört adımlı bir ajan genelde güvenilir çalışırken, on adımı aşan zincirler test etmesi ve hata ayıklaması giderek zorlaşan bir karmaşıklığa giriyor. İlk projenizde adım sayısını kasıtlı olarak az tutmak, hem maliyeti hem riski kontrol altında tutmanın en basit yolu.

Maliyet gerçeği

Global kaynaklara göre bir kavram kanıtlama (POC) 5.000-30.000 dolar aralığında, basit reaktif bir ajan 10.000-50.000 dolar aralığında, kapsamlı bir MVP 20.000-60.000 dolar aralığında, kurumsal ölçekte çok adımlı bir ajan sistemi ise 100.000-500.000 dolar ve üzerinde bir yatırım gerektirebiliyor. Örnek bir bütçe kırılımı: keşif 5.000 dolar, geliştirme ve RAG entegrasyonu 22.000 dolar, sistem entegrasyonları 10.000 dolar, test 5.000 dolar, devreye alma 3.000 dolar, toplam yaklaşık 45.000 dolar.

Kurulum maliyeti buzdağının sadece görünen kısmı. Üç yıllık toplam sahip olma maliyetinin yalnızca yüzde 25-35'ini oluşturuyor; yıllık bakım kurulum maliyetinin yüzde 15-30'unu ekliyor, aylık işletme maliyeti devreye alma sonrası 500-15.000 dolar arasında değişebiliyor. Bir ajan projesine bütçe ayırırken kurulumun yanında en az bir yıllık işletmeyi de hesaba katın.

Türkiye'deki KOBİ'ler için bu rakamlar doğrudan uygulanabilir değil; yerli bir ekiple çalıştığınızda işçilik maliyeti kalemi TL bazında belirgin şekilde daha düşük çıkar, API ve altyapı maliyetleri ise döviz bazlı kaldığı için sabit kalır. Yukarıdaki n8n tabanlı fatura örneği gibi dar kapsamlı bir ajan projesi, kurumsal ölçekteki 100.000 doların çok altında, birkaç bin dolarlık bir bütçeyle kurulabiliyor; büyük rakamlar genelde çok adımlı, çok sistemli kurumsal ajan mimarilerine ait.

Neden çoğu ajan projesi başarısız olur?

Sektör raporlarına göre kontrollü bir demo ortamında sorunsuz çalışan kurumsal ajanların önemli bir kısmı, gerçek iş akışlarına geçtiğinde beklenen performansı gösteremiyor; Gartner, 2027'ye kadar agentic AI projelerinin yüzde 40'ından fazlasının iptal edileceğini öngörüyor. Bu iddialı bir rakam ama sahadaki gözlemle örtüşüyor: demo'da mükemmel çalışan bir ajan, gerçek verinin dağınıklığıyla karşılaşınca sık sık şaşırıyor.

Başlıca hata türleri: modelin var olmayan bir aracı çağırmaya çalışması (halüsine edilmiş tool çağrısı), çok adımlı bir planın ortasında kopması, kötü niyetli bir kullanıcının modeli kandırmaya çalışması (prompt injection) ve döngü içinde kontrolsüz maliyet artışı. Kurumların ancak beşte biri otonom ajanlar için olgun bir yönetişim modeline sahip; geri kalanı büyük ölçüde denetimsiz ilerliyor. Bu yüzden yüksek riskli her adımda bir insan onay noktası (human-in-the-loop) hâlâ en güvenilir emniyet ağı; RAG halüsinasyon riskini azaltır ama tek başına yeterli değildir.

Pazar büyüklüğüne dair rakamlar kaynaktan kaynağa değişiyor ama büyüme yönü net: agentic AI pazarının 2026'da yaklaşık 9-11 milyar dolar aralığında olduğu, önümüzdeki yıllarda kat kat büyümesinin beklendiği tahmin ediliyor. Kurumsal tarafta ilgi de yüksek: büyük şirketlerdeki BT yöneticilerinin büyük çoğunluğu agentic AI'a ilgili, ama sadece küçük bir kısmı bunu gerçekten üretime ölçeklendirmiş durumda. Bu boşluk (ilgi yüksek, gerçek üretim düşük) tam olarak yukarıdaki başarısızlık nedenlerinden kaynaklanıyor.

Sık sorulan sorular

AI ajanı kurmak için mutlaka kod yazan bir ekibe mi ihtiyacım var?

Hayır. n8n gibi görsel otomasyon araçları, kod yazmadan da bir ajan kurmanıza izin veriyor; tekrarlayan, iyi tanımlı bir görev için bu genelde yeterli. Çok adımlı, karmaşık karar mantığı gerektiren ajanlarda kod tabanlı bir framework (LangGraph, CrewAI gibi) daha esnek sonuç verir. Pratik bir yol: ilk projeyi görsel bir araçla kurup işe yaradığını gördükten sonra, gerçekten ihtiyaç varsa kod tabanlı bir çözüme geçmek; tersi sıralama (önce büyük bir mühendislik yatırımı yapıp sonra ihtiyacı doğrulamak) daha riskli.

Bir ajan projesinin başarılı olduğunu nereden anlarım?

Kurulumdan önce net bir ölçüt belirleyin: işlenen fatura oranı, kazanılan saat, azalan hata sayısı gibi somut bir rakam. Ölçmeden başlayan projeler, altı ay sonra işe yarıyor mu sorusuna öznel bir izlenimle cevap vermek zorunda kalıyor; bu da bütçe kararlarını zorlaştırıyor. Yukarıdaki fatura örneğinde bu ölçüt netti: haftalık kazanılan saat sayısı. Kendi projeniz için de kurulumdan önce benzer, tek bir rakama indirgenebilen bir ölçüt seçin.

Somut Türkiye senaryosu: müşteri talebi karşılama ajanı

Küçük bir e-ticaret işletmesi düşünün: müşteri destek ekibi günde onlarca kez aynı soruları cevaplıyor (kargo nerede, iade nasıl yapılır, ürün stokta var mı). Kurulan bir ajan, WhatsApp üzerinden gelen bu soruları otomatik karşılıyor, kargo takip sistemine bağlanıp güncel durumu bildiriyor, iade talebini sistemde otomatik açıyor.

Kritik karar burada insan onay noktasının nereye konduğu. Ajan, iade talebini açabiliyor ama parayı otomatik iade etmiyor; bu son adım hâlâ bir insanın onayını gerektiriyor, çünkü geri alınması zor bir eylem. Kargo durumu bildirmek gibi düşük riskli görevler tamamen otonom bırakılıyor. İlk ayda destek ekibinin cevapladığı soru sayısı belirgin şekilde azalıyor, ekip daha karmaşık ve gerçekten insan gerektiren taleplere odaklanabiliyor.

İkinci ayda işletme, ajanı ürün öneri sorularına da genişletmeyi deniyor; ama burada bir sorun çıkıyor: ajan, stokta olmayan bir ürünü stokta var gibi öneriyor çünkü stok verisi günlük değil haftalık güncelleniyor. Bu, ajan projelerinde sık görülen bir dersi doğruluyor: ajanın kalitesi, bağlandığı verinin güncelliğinden bağımsız değil. Sorun aslında veri akışında; işletme stok güncellemesini günlük hale getirdikten sonra öneriler doğrulaşıyor.

Peki siz ne yapmalısınız?

• İlk ajan projenizi dar kapsamlı, tek bir tekrarlayan görevle sınırlı tutun; büyük ve çok adımlı bir sistemle başlamayın.
• Geri alınması zor her eylem için (ödeme, iade, sözleşme onayı gibi) mutlaka bir insan onay noktası tanımlayın.
• Framework seçimini hem geliştirme kolaylığına hem token tüketimi ve aylık maliyete göre değerlendirin.
• Bütçenizi hem kurulum hem en az bir yıllık işletme ve bakım için ayırın.
• Demo'da çalışması yeterli görmeyin; ajanı gerçek, dağınık veriyle test etmeden canlıya almayın.

AI ajanları artık bir gelecek vaadi değil, bugün kurulabilen bir teknoloji; ama en iyi sonucu genelde en dar kapsamlı ve en iyi denetlenen ajan veriyor, en gösterişli olan değil. Büyük, her şeyi otomatikleştiren bir sistem hayal etmek yerine, bu hafta ekibinizin en çok şikayet ettiği tek bir tekrarlayan görevi bulun; ajan kararınızı oradan başlatın.