Şirketlerin Gerçekten Nasıl Çalıştığı Hakkında Bilgi Nerede Bulunur ve AI Ajanlarında Bilgi Sorunu

Geçen yıl, S&P Global bildirdiği üzere, şirketlerin çoğu AI girişimini terk etme oranının iki katından fazla arttığı bildirildi, yani %17’den %42’ye çıktı. Öncesinde, Gartner yayınladığı bir tahminde, agentic AI projelerinin %40’ının 2027 yılı sonuna kadar iptal edileceği öngörüsünde bulundu.

McKinsey & Company’ye göre, neredeyse tüm şirketler AI ajanları ile deneyler yapıyor. Ancak kaç tanesi pilot aşamasını geçti ve gerçekten operasyonel oldu? Yaklaşık olarak onda biri.

Endüstri, model hallucinations, yönetim eksikliği, yüksek GPU maliyetleri ve uzman eksikliği gibi açıklamalara sahip. Tüm bunlar gerçek zorluklar. Ancak üç yıldır bilgi yönetim sistemleri ve AI ajanları ile çalıştıktan sonra, şirketlerin ajanlarına eksik veri geçirdikleri farklı bir modeli giderek daha fazla görüyorum.

Pedagoji Bilimleri Doktoru olarak, bunu bir bilgi transferi problemi olarak görüyorum. Bir kişi kararlarını nasıl aldığı hakkında açıklama yapamazsa, mantığı yeni bir çalışana, hatta bir AI ajanına aktarılamaz. Neden böyle olduğunu ve buna ne yapılacağını keşfedelim.

Şirketlerin Gerçekten Nasıl Çalıştığı Hakkında Bilgi Nerede Bulunur

Bir büyük şirkete, çalışanların bilgisi nerede saklandığını sorun ve size uzun bir liste verecektir: Confluence, SharePoint, LMS platformları, FAQ botları, Slack arşivleri. Bu, RAG sisteminin ihtiyacını karşılayacağı bir yığın gibi görünebilir. Ancak kritik bir unsur eksik: insanların zihnindeki bilgi. Hiç kimse tarafından yazılmamış bilgi.

Bu neden bir sorun?

Çünkü bir AI ajanı, bir iş akışının bir kısmını devralmak için – bağlamı anlamak, bir eylem seçmek ve görevi tamamlamak için – sadece bir bilgi tabanına erişimi değil, aynı zamanda uzman bir uzman tarafından kullanılan karar verme mantığını da bilmelidir.

Yeni bir destek ajanı, bir müşteriden bir talep aldığını hayal edin: müşteri, bir hizmet için ödeme yaptığını iddia ediyor, ancak erişim aktif edilmedi. Senaryo, müşterinin beklemesini isteyen standart bir adımlar dizisi ile sona erer. Ancak ajan, durumun alışılmadık olduğunu fark eder: müşteri daha önce iki kez destek ekibi ile iletişime geçmiş ve sistemde son bir saat içinde birkaç benzer vaka vardır. Daha deneyimli bir meslektaşına başvurur ve o, bu durumu daha önce gördüğünü ve sorunun muhtemelen ödeme ağ geçidi, banka ve dahili etkinleştirme sistemi arasındaki bir arızadan kaynaklandığını, bu nedenle durumun başka bir departmana iletileceğini açıklar.

AI ajanı için bu mantık görünmez. Senaryoya, bilet geçmişine ve ödeme durumuna erişimi olabilir, ancak deneyimli bir operatörün hangi sinyalleri kesin olarak düşündüğünü bilmez. Uzmanlar bu bilgiyi kasıtlı olarak gizlemiyor. Sadece bunu formalize edemez veya adımlara ayıramaz: hangi seçeneklerin dışlandığını, neden belirli bir eylem seçildiğini ve standard senaryonun neden uygulanmadığını. Bilişsel bilim adamları buna zımni bilgi olarak atıfta bulunurlar – sahibi tarafından bile tam olarak fark edilmeyen örtük bilgi.

Bu, tıkanmanın belgedeki erişime değil, uzman deneyimini AI ajanını eğitebilecek bir forma dönüştürme aşamasında ortaya çıktığı anlamına gelir.

Buna Ne Yapılabilir

Bir AI ajanının etkili bir şekilde çalışması için, sadece bir LLM’yi bir kurumsal bilgi tabanına bağlamak yeterli değildir, çünkü başarılı kararlar genellikle zımni bilgiye dayanır. Öncelikle, yapılandırılmış karar verme kriterleri dahil olmak üzere bir bilgi katmanı oluşturulmalıdır.

Bilgi yönetiminde bu süreç, dışsallaştırma olarak adlandırılır – zımni bilgiyi açık bilgiye dönüştürme. Diğer bir deyişle, bir şirket sadece uzmanın ne yaptığını değil, nasıl düşündüğünü de anlamalıdır. Bu genellikle, bir metodolog, bilgi mühendisi veya eğitim tasarım uzmanı eşliğinde bir üst uzmandan derinlemesine görüşmeler yoluyla yapılır. Görevleri, uzmanın söylediği şeylere dayalı bir “talimat” yazmak değil, seçenek arasında seçim kriterlerini yeniden oluşturmak, kenar durumlarını ayırmak ve uzmanın zaten otomatik olarak ele aldığı tipik hataları ortaya çıkarmaktır.

Burada AI, önemli ölçüde yardımcı olabilir: görüşmeleri transkribe etmek, benzer durumları gruplamak, uzman açıklamalarını taslak senaryolara dönüştürmek ve doğrulama için durumlar oluşturmak. Ancak nihai yapı, uzman tarafından gözden geçirilip onaylanmalıdır.

Sonuç, işlevsel bir bilgi korpusu olmalıdır. Hem yeni çalışanları eğitmek hem de bir AI ajanını yapılandırmak için aynı anda iki yönde kullanılabilir. Her iki senaryo da aynı temele dayanır: üst uzmanlardan yapılandırılmış deneyim.

Alternatif, Confluence üzerinden RAG’nin mantığı hiçbir zaman belgelemeyen bir şekilde yeniden inşa edeceği varsayımına devam etmektir. Uygulamada, bu neredeyse hiç çalışmaz: sistem ilgili bir belgeyi alabilir, ancak bağlam ve deneyim temelinde doğru eylemi seçmesini öğrenemez.

AI Ajanının Çalışmaya Hazır Olduğunu Nasıl Kontrol Edersiniz

Uzman bilgisi senaryolara dönüştürüldü ve ajan yapılandırıldı. Ancak ajanın inandırıcı cevapları ile gerçek operasyonel performansı arasında bir boşluk vardır ve bu boşluk sadece doğrulama sırasında görünür. Bu aşamada, gerçekten gerekli tüm bilgiyi yakalayıp yakaladığınızı belirlemek önemlidir.

Pratik bir yaklaşım, senaryo tabanlı testtir. AI ajanına, bir uzmanın günlük işinden gerçek durumlar verin: bir müşteri ücreti protesto ediyor, alışılmadık bir e-posta geliyor veya temel senaryoya uymayan bir talep ortaya çıkıyor. Sonuçlar, başka bir LLM tarafından değil, bilgi korpusunu oluşturmaya yardımcı olan aynı uzman tarafından değerlendirilmelidir. Ajan, deneyimli uzmanın izlediği yola göre farklı bir yol izliyorsa, bu her zaman modelin zayıf olduğu anlamına gelmez. Daha sık, kritik bir kuralın, istisnanın veya örneğin eksik olduğunu gösterir. Bu durumda, süreç başa döner: metodolog, mantığı uzmandan açıklar, bilgi korpusu güncellenir, talimatlar iyileştirilir ve test tekrarlanır.

Bu döngü, isteğe bağlı bir adım değil, bir ajanın sadece “potansiyelini göstermek” yerine gerçekten iş yapmasını tanımlayan bir aşamadır. Bu, yavaş ve çok etkileyici olmayan bir süreçtir: gösterişli bir demo üretmez ve uzmanların katılımını gerektirir. Ancak bunu sistemli bir şekilde yapanlar, gerçekten uzmanların rutin iş yükünü azaltan ajanlara sahip olurlar. Bunu atlayanlar, altı ay içinde genellikle Gartner’ın %40’lık projelerin iptal edileceğini öngördüğü istatistiklere girerler.

Agentic AI, teknoloji nedeniyle başarısız olmaz – modern modeller zaten karmaşık görevleri gerçekleştirebilecek kapasiteye sahiptir. Şirketlerin AI ajanlarına eksik bilgi verdiğinden başarısız olur. 2024-2025’te bu, deneysel aşama tarafından açıklanabilirdi. 2026’da bu hata artık yüksek bir maliyetle gelir.