Otomasyondan Bilişe: Agentik AI’nın Evrimi

Onlarca yıldır, kurumsal otomasyon tanıdık bir mantığı izledi: süreci tanımla, adımları kodla ve yazılımın bunları tutarlı bir şekilde yürütmesine izin ver. Betikler komutları otomatikleştirdi, çalıştırma kılavuzları prosedürleri kaydetti, orkestrasyon görevleri sistemler arasında bağladı ve AIOps operasyonel verilerin artan hacmine makine öğrenimini getirdi. Her ilerleme otomasyonu daha yetkin hâle getirdi, ancak kararların çoğunu hâlâ insanlar verdi. Süreci onlar belirledi; yazılım ise onu uyguladı.

Agentik AI bu ilişkiyi değiştiriyor. Sabit bir talimat kümesiyle başlamak yerine, bir ajan bir hedefle başlayabilir ve tanımlı sınırlar içinde bunu nasıl gerçekleştireceğini belirleyebilir. Bu, yalnızca bir yanıt üretmekten daha fazlasını gerektirir. Sistem, hedefi yorumlamalı, ilgili bağlamı toplamalı, kanıtları değerlendirmeli, hafızayı kullanmalı, araçlar veya otomasyonlar arasından seçim yapmalı ve koşullar değiştikçe ayarlama yapmalıdır. Anthropic benzer bir ayrım çizer iş akışları arasında, modellerin ve araçların önceden tanımlı kod yollarını izlediği, ajanların ise modelin kendi sürecini ve araç kullanımını dinamik olarak yönlendirebildiği.

Deterministik Yürütmeden Uyarlamalı Kararlara

Bunların hiçbiri geleneksel otomasyonu geçersiz kılmaz. Aslında, deterministik otomasyon, bilinen bir koşuldan bir eyleme giden yol iyi anlaşıldığında doğru yanıt olmaya devam eder. Bir hizmet sağlık kontrolünden geçmezse, yeniden başlatın. Bir istek belirli kriterleri karşılıyorsa, uygun kuyruğa yönlendirin. Bir arayüz eşik değerini aşarsa, bir bilet açın ve tanı çalıştırın. Bunlar, otomasyonun iyi yönettiği tekrarlanabilir eylem türleridir.

AIOps, otomasyonun tetiklenmesinden önce neler olduğunu yorumlamada organizasyonlara yardımcı olarak bu modeli genişletti: olayları ilişkilendirdi, anormallikleri belirledi, gürültüyü azalttı ve bağlam ekledi. Agentik AI, sinyal ile eylem arasına yargı ekleyerek bir sonraki adımı atıyor. Soru artık sadece “Bu koşul hangi iş akışını tetikler?” olmaktan çıktı. Şu anki hedef ve elimizdeki kanıtlar göz önüne alındığında, en iyi sonraki adım nedir?

Azalan bir hizmeti düşünün. Bir ajan, ne yapılacağına karar vermeden önce telemetriyi, topolojiyi, son değişiklikleri, biletleri, yapılandırma verilerini, geçmiş olayları ve iş etkisini incelemek zorunda kalabilir. Bir durumda kanıt, tanıdık bir düzeltmeye işaret ederken, başka bir durumda ajan daha fazla bilgi toplamalı veya yalnızca‑okunur bir tanı çalıştırmalı olabilir. Potansiyel etki yüksek olduğunda veya kanıtlar belirsiz olduğunda doğru karar, bir insanı devreye sokmak olabilir. Sistemin keşfettiklerine göre yolu uyarlama yeteneği, anlamlı bir kaymadır.

Bağlam ve Hafıza Kararın Kalitesini Değiştirir

Bağlam olmadan ajans çok faydalı değildir. Aynı belirti, topoloji, bakım aktivitesi, son değişiklikler, bağımlılıklar veya müşteri etkisine bağlı olarak tamamen farklı bir anlama gelebilir. Deneyimli operatörler bunu sezgisel olarak anlar; tek bir izole sinyaldan nadiren sonuç doğuran kararlar verirler. Bir tablo oluşturur, gözlemi çıkarımdan ayırır ve kanıtlara ne kadar güven duyulması gerektiğine karar verirler.

Hafıza başka bir boyut ekler. Google Cloud hafızayı agentik mimarilerin temel bir bileşeni olarak tanımlar çünkü ajansların bağlamı sürdürmesine ve önceki etkileşimlerden bilgi kullanmasına yardımcı olur. Operasyonlarda fırsat, yalnızca eski bir bileti almakla sınırlı değildir. Faydalı operasyonel hafıza, benzer koşullar ortaya çıktığında neler olduğunu, hangi hipotezin doğru çıktığını, hangi düzeltmenin denendiğini, işe yarayıp yararlanmadığını veya geri alınıp alınmadığını ve operatörlerin sonrasında ne öğrendiğini koruyabilir. Bu deneyim doğrulandıktan sonra, bir sonraki karar için kanıt haline gelebilir; bir ölüm raporuna kaybolan ya da bir uzmanın aklında kalan bilgi yerine.

Bilişsel bilimde ilginç bir paralellik vardır. Bilişsel dışlama üzerine araştırma, insanların bir görevin zihinsel gereksinimlerini azaltmak için dış araç ve eylemleri nasıl kullandığını incelerken, araç kullanımı üzerine araştırma tekrarlanan araç etkileşiminin insanların pratik erişimlerini ve eylem yeteneklerini nasıl temsil ettiklerini değiştirebileceğini göstermiştir. Kurumsal AI ile yapılan benzetme kelimesi kelimesine alınmamalıdır, ancak temel fikir faydalıdır: araçlar sadece zaman kazandırmaz. Zamanla, bir soruna yaklaşımımızı değiştirebilirler. İyi bilinen Londra taksi şoförleri üzerine araştırma ve navigasyon uzmanlığı, sürdürülen deneyimin bilişi kendisini şekillendirebileceğini bir kez daha hatırlatır. Bu nedenle işletmeler için tasarım sorusu, bir ajanın ne kadar işi devralabileceği değil, insan‑ajans sisteminin karmaşıklığı anlamada ve ona göre hareket etmede daha iyi hâle gelip gelmediğidir.

Ajanlar Otomasyonu Orkestre Etmeli, Yerine Geçmemeli

Bu, agentik AI’yı otomasyonun reddi olarak görmememin bir diğer nedeni. Kariyerimin erken dönemlerinde operasyon otomasyonu inşa etmek için yıllar harcadım ve bir ders benimle kaldı: yalnızca yürütme yeterli değildir. Otomasyonun güven kazanması gerekir. Operatörler, doğru eylemin doğru durum için, doğru yetkiyle ve nedenini anlayacak kadar kanıtla kullanıldığından emin olmalıdır.

Pratik bir agentik mimari bu yatırımı temel alır. Mevcut betikler, iş akışları, API’ler, orkestrasyon platformları ve alan‑özel araçlar, ajan gerektiğinde çağırabileceği yetenekler haline gelir. Kanıt bilinen bir düzeltmeyi destekliyorsa, ajan yeni bir eylem doğurmak yerine kanıtlanmış otomasyonu kullanabilir. Kanıt eksikse, daha fazla araştırma yapabilir. Değer, güvenilir yürütmeyi, yürütmenin ne zaman ve nasıl gerçekleşeceği konusunda daha uyarlamalı karar alma ile birleştirmesinden gelir.

Daha Fazla Özerklik, Yönetişimi Daha Önemli Kılar

Yazılımın eylemler arasında seçim yapabildiği an, yönetişim artık sonradan eklenebilecek bir şey olamaz. Bir kurumsal ajanın sadece teknik olarak ne yapabileceğini değil, belirli bir ortamda, belirli bir risk seviyesinde ve belirli bir kimlik ya da rol altında ne yapmaya yetkili olduğunu anlaması gerekir. NIST’in AI Risk Management Framework’ü, yönetişime daha geniş bir bakış açısını yansıtarak AI risk yönetimini yönetişim, haritalama, ölçüm ve yönetim etrafında düzenler; yönetişim diğer fonksiyonlar üzerinde de çalışır.

Pratikte bu, bir ajanın bir önerinin arkasındaki kanıtı gösterebilmesi, kullandığı sistem ve verileri netleştirmesi, belirsizliği ortaya koyması, onay gereksinimlerine saygı göstermesi ve neler olduğunu gösteren bir denetim izini bırakması anlamına gelir. Geri dönüşlülük de önemlidir. Yalnızca‑okunur bir tanı ile bir üretim yapılandırma değişikliği aynı özerklik eşiğine sahip olmamalıdır.

Bu nedenle insan denetimi, basitçe ortadan kaybolmak yerine daha hassas hâle gelir. Aynı ajan, kanıtları özerk olarak toplayabilir, bir düzeltme önerebilir, yüksek riskli bir eylemden önce onay talep edebilir ve ardından onaylanan eylemin gerçekten işe yarayıp yaramadığını doğrulayabilir. Amaç, insanları evrensel olarak “döngüde” ya da “dışarıda” ilan etmek değildir. İnsan yargısını, en çok değer kattığı noktalara yerleştirmektir.

Gerçek Avantaj, Eylem Sonrası Neler Oluyor ise

Belki de en önemli fark, bir eylem gerçekleştirildikten sonra ortaya çıkar. Geleneksel otomasyon genellikle iş akışının başarılı bir şekilde yürütülüp yürütülmediğini sorar. Bilişsel bir sistem daha zor bir soruya yönelmelidir: eylem istenen sonuca ulaştı mı ve gerçekleşenlerden ne öğrenmeliyiz?

Bu, geri bildirim döngüsünün değerini değiştirir. Başarılı bir düzeltme, gelecekte benzer bir durum için kanıtı güçlendirebilir. Başarısız bir hipotez, sistemin aynı mantığı tekrarlama olasılığını azaltmalıdır. Operatör düzeltmesi bir sonraki öneriyi iyileştirebilir, geri alma ise güvenin mevcut kanıtların haklı çıkardığından fazla olduğunu ortaya koyabilir. Zamanla, önemli varlık yalnızca daha büyük bir otomasyon kütüphanesi olmak değildir; durumlar, kanıtlar, kararlar, eylemler ve sonuçlar arasındaki birikmiş ilişkidir.

Bu bakış açısıyla, kurumsal otomasyonun evrimi bir nesil teknolojiyi diğeriyle değiştirmekten çok, zaten çalışan şeylerin etrafına yeni yetenekler eklemekle ilgilidir. Betikler eylemleri kodladı, çalıştırma kılavuzları prosedürleri yakaladı, orkestrasyon bunları bağladı ve AIOps giderek karmaşıklaşan operasyonel sinyalleri yorumlamaya yardımcı oldu. Agentik AI, hedefleri takip etme, bağlam ve kanıtlara dayanarak akıl yürütme, hafızadan yararlanma, mevcut yetenekler arasından seçim yapma, yönetişim sınırları içinde hareket etme ve sonuçtan öğrenme yeteneği ekler.

Son nokta sınırsız özerklik olmamalıdır. Sorumlu özerklik olmalıdır: ne zaman hareket edeceğini, ne zaman araştırma yapacağını, ne zaman izin isteyeceğini ve ne zaman duracağını tanıyan sistemler. Bu, otomasyondan bilişe geçiştir; makinelerin insan operasyonlarını yerini alması değil, işletmelerin algılamak, karar vermek, hareket etmek ve öğrenmek için daha iyi bir yol geliştirmesidir.