Coding Agent’den Dijital Çalışana: AI Uygulamaları Tek Bir Sistem Mimarisine Yakınsıyor

Yunqi Konferansı’ndaki birkaç Agent ürününün standlarını peş peşge gezdikten sonra en beklenmedik keşif şu oldu: Görünüşte tamamen farklı sektörlerde yer alsalar da, temelde aynı işletim sistemine sahipler.

Qoder yazılım geliştirme yapıyor, QwenWork bilgi işlerini yürütüyor, TinyFish Web Browser Agent olarak görev yapıyor, WonderClip video üretiyor, OpenSearch ise arama ve araştırma işlevleri gerçekleştiriyor.

Belirli sektörleri bir kenara bırakırsak, hepsinin temel yapısı büyük ölçüde örtüşüyor:

Bağlam → Planlama → Beceri → Yürütme → Doğrulama → Hafıza → İş Sonucu
(Context → Planning → Skill → Execution → Verification → Memory → Business Outcome)

İşte Agent ürünlerinin yakınsadığı ortak sistem mimarisi budur.

⚠ Bu makale, Alibaba Cloud ekosistemi (Qoder/QwenWork/TinyFish/WonderClip/OpenSearch) örnekleri üzerinden hazırlanmıştır. Ancak aşağıdaki mimari değerlendirmeler, kendi kendine inşa edilen senaryolar, Huawei Cloud, AWS, Azure ve GCP’nin Agent platformları için de aynı şekilde geçerlidir — yedi katmanlı yığın, mühendislik yapısının yakınsamasıdır, tek bir bulut sağlayıcısının özel bir sonucu değildir.

一、Agent’ın çekirdeği “cevap verebilme”den “sürekli çalıştırabilme”ye kaymıştır

Chatbot döneminde sistemin temel döngüsü son derece basitti: kullanıcı girdi verir, model çıktı üretir.

Agent döneminde görevler dakikalarca, saatlerce hatta daha uzun sürebilir. Dosya okuması, tarayıcı kullanımı, API çağrısı, kod yürütme, eşzamansız görev bekleme, sonuç kontrolü, hata durumunda yeniden deneme ve durum kaydetme gibi işlemler gerekir.

Tek bir Prompt ve tek bir model bu kadarına yetmez.

Sistem artık bir Runtime’a sahip olmak zorundadır.

QwenWork’ın Legal Document Fill Out Görevi Yüksek Düzeyde Temsili

QwenWork’un yerinde gösteriminde sunulan Legal Document Fill Out (Yasal Belge Doldurma) görevi oldukça öğretici bir örnek. Bu görev, izole bir Sandbox Container içinde çalışıyor; Agent sanal bir masaüstüne sahip ve belge işleme araçlarını çağırabiliyor. Marketing Content Generation (Pazarlama İçeriği Üretimi) görevinde ise bunun üzerine PPT, görseller, Lip Sync (Dudak Senkronizasyonu), Python, Pillow ve FFmpeg gibi farklı araçlar ekleniyor.

Agent’ın Çalışma Ortamı Artık Programlanabilir Bir Bilgisayara Yaklaşıyor

Bu, izole bir koruma alanına sahip, çeşitli çalışma zamanları ve araçları çağırabilen, görevlerini kesintisiz sürdürebilen bir çalışma birimi. Sandbox Container izolasyon sağlarken, sanal masaüstü grafik arayüz üzerinde görsel işlem yapma yeteneği sunuyor. Araç çağırma özelliği ise modelin “konuşma” aşamasından “eylem” aşamasına geçişini mümkün kılıyor. Bu kombinasyon bir kez stabil hale geldiğinde, Agent insan düşüncesini değil, insan operasyonlarını devralmaya gerçek anlamda başlıyor.

İki: Qoder’ın “One Foundation”ı Bir Slogan Değil, Ürün Sinyali

Qoder’un standında şu ifade yer alıyordu:

One workbench. Four entries. One foundation.
(Tek çalışma tezgahı. Dört giriş noktası. Tek temel.)

Üst katmanda Workbench, CLI, IDE, JetBrains Eklentisi bulunuyor ve Cloud Agents, Agent SDK ile genişletilebilir yapıda tasarlanmış.

Ancak gerçekten dikkat edilmesi gereken, alttaki bu ortak Foundation katmanıdır.

Her giriş noktası için ayrı bir Agent implementasyonu yapılırsa, sistem hızla kontrol edilemez hale gelir. Daha akıllıca bir yaklaşım, görev planlama, yetkilendirme, araçlar, Sandbox, Bellek, Model Router ve Doğrulama gibi yetenekleri ortak bir Harness olarak kurgulamaktır.

Giriş noktaları sadece farklı kullanıcı profillerine ve farklı senaryolara uyum sağlamaktan sorumludur: CLI programcılar için, IDE geliştiriciler için, Workbench teknik olmayan roller için, JetBrains mevcut kod taşıma senaryoları için, Cloud Agents eşzamansız tetikleme için, Agent SDK ise üçüncü taraf entegrasyonları için tasarlanmıştır. Alt katmanda ise planlama, bellek, araç ağ geçidi, doğrulama ve güvenlik modeli tüm bu giriş noktaları arasında paylaşılmaktadır.

Bu yeniden kullanımın değeri görünenden çok daha büyük. Bir organizasyonda Coding Agent’ın Sandbox tasarım deneyimi, Permission tasarım deneyimi ve Recovery deneyimi doğrudan Browser Agent’a, Content Agent’a ve Ops Agent’a aktarılabilir. Tekrar tekerlek icat etmenin en pahalı kısmı geliştirme maliyeti değil; sorun çıktığında farklı Agent’ların tutarsız davranışlarından kaynaklanan yönetim felaketidir — aynı kod, IDE Agent’ta değiştirilebilir, CLI Agent’ta da değiştirilebilir, ancak Permission Model farklıdır, denetim günlüğü formatları farklıdır ve sorun yaşandığında izleme yapılamaz.

Üçüncü Bölüm: Bir Genel Amaçlı Agent Stack En Az Yedi Katmandan Oluşur — ve Her Katman İçin “Kendi Yap / Paylaş / Doğrulanacak” Yatırım Haritası

Bu içerikleri soyutlaştırdıktan sonra, Agent Stack’ı yedi katmana ayırdım. Aşağıdaki tablo, bir organizasyonun en pratik sorusuna da yanıt veriyor: Hangi katmanlar kendi başına inşa edilmeli, hangi katmanlar doğrudan açık kaynak veya tedarik yoluyla paylaşılabilir, hangileri henüz net değil.

Katman	İçerik	Yatırım Kararı (2026 Saha Gözlemleri)
1. Giriş Noktası (Entry)	Web / CLI / IDE / IM / API / GitHub Issue / Kurumsal Çalışma Masası	Uyarlama katmanını kendiniz inşa etmeyin——kullanıcılarınız için en uygun giriş noktası biçimini seçin
2. Görev (Task)	Hedef / Spesifikasyon / Bağlam / Kabul Kriterleri / Öncelik / Bütçe	Kendi bünyenizde inşa edin, ancak ince tutun——Task sözleşmesi kötü yazılırsa, sonraki aşamaların tamamı bozulur
3. Bağlam ve Bellek (Context & Memory)	Kurumsal bilgi, kod bilgisi, geçmiş görevler, kararlar, kullanıcı tercihleri, mevcut durum	Mutlaka kendi bünyenizde inşa edin——Bağlam, satın alınamayacak bir organizasyonel varlıktır
4. Planlama ve Beceri (Planning & Skill)	Görev ayrıştırma, Beceri seçimi, model seçimi, paralel strateji	Beceriyi kendi bünyenizde inşa edin, Planlama’da dışarıdan güç alınabilir——Beceri, şirketiniz için bir savunma hattıdır

| 5. Çalışma Zamanı ve Araçlar | Shell / Browser / Computer Use / Filesystem / Git / Database / MCP / Kurumsal API | Yarı Özelleştirme——Genel çalışma zamanı ortamları Browser Use, Anthropic Agent SDK gibi açık kaynak yığınlarından yararlanabilir; kurumsal API ağ geçidi mutlaka kendi bünyesinde geliştirilmelidir |
| 6. Doğrulama ve Kurtarma | Test, kurallar kontrolü, sonuç değerlendirme, hata kurtarma, yeniden deneme ve geri alma | Tam Özelleştirme——Doğrulama kuralları iş süreçlerine sıkı sıkıya bağlıdır, satın alınan çözümler çalıştırılamaz |
| 7. Yönetişim | İzinler, Gizli Anahtarlar, Denetim, Maliyet, Politika, İnsan Onayı | Mutlaka Özelleştirme——Üstelik mühendislik perspektifinden değil, uyumluluk perspektifinden tasarlanmalıdır |

Aşağıda yedi katmanın temel değerlendirmelerini tek tek ele alıyoruz:

Birinci Katman Giriş Noktası. Web, CLI, IDE, IM, API, GitHub Issue, kurumsal çalışma masaları——bunların hepsi yalnızca görevlerin ulaşım noktalarıdır; kendileri başlı başına iş değeri üretmezler.

İkinci Katman: Task

Goal, Spec, Context, Acceptance Criteria, Priority ve Budget tanımlarının tamamı bir Task’ın parçası olmalıdır. Kaliteli bir Task tanımı şunları net bir şekilde belirtmelidir: hedef, yapılma nedeni, tamamlandığında başarının nasıl doğrulanacağı, öncelik seviyesi ve harcanabilecek bütçe. Bir Agent sistemi bu altı alanı bile eksik tutuyorsa, görev sistemin içinde kaybolmaya başlar.

Üçüncü Katman: Context & Memory

Kurumsal bilgi birikimi, kod tabanı bilgisi, geçmiş görevler, alınan kararlar, kullanıcı tercihleri ve mevcut durum bilgisi bu katmanda yönetilir. Qoder’ın sahada vurguladığı Repo Wiki, Knowledge Graph ve Knowledge Cards, bu katmanın somut uygulama biçimleridir—dağınık gerçeklikleri “makine tarafından geri çağrılabilir varlıklara” dönüştürürler.

Dördüncü Katman: Planning & Skill

Sistem bu katmanda bir görevin nasıl parçalara ayrılacağına karar verir, hangi yeniden kullanılabilir Skill’lerin seçileceğini belirler, hangi adımların güçlü modellere ihtiyaç duyduğunu ve hangilerinin paralel olarak yürütülebileceğini değerlendirir. Bu katman, Agent’ın gerçek anlamda “düşünmeye” başladığı yerdir ve model kapasitelerinin en yoğun şekilde kullanıldığı aşamadır.

Beşinci Katman: Runtime & Tools

Shell, Browser, Computer Use, Filesystem, Git, Database, MCP ve kurumsal API’ler bu katmana dahildir. Bu katman, Agent’ın gerçek dünyayla temas kurduğu arayüzdür.

Altıncı Katman: Verification & Recovery

Test, kural kontrolü, sonuç değerlendirmesi, hata kurtarma, yeniden deneme ve geri alma işlemleri bu katmanda gerçekleşir.

Yedinci Katman: Governance

Yetkilendirme, Secrets, denetim, maliyet, politika ve insan onayı bu katmanın kapsamındadır. Bunlara ek olarak daha detaylı unsurlar da bulunur: algoritma kaydı (Çin’de zorunlu model ve algoritma tescili), model açıklanabilirliği, hata atfı, üçüncü taraf bağımlılık yönetimi ve veri çıkış kontrolü — bu gereksinimler, yoğun düzenlenmiş sektörlerde (sağlık, finans, ulaşım, medya, kamu güvenliği) Agent sistemlerinin üretim ortamına alınabilmesi için kaçınılmaz zorunluluklardır.

Model bu katmanların her birinde rol oynar, ancak artık tüm Agent platformunu temsil etmez. Son iki yılda en az anlaşılan kavram değişimi budur — birçok ekip modelleri karşılaştırmaya aşırı zaman harcadı, oysa bir sistemin üretim ortamına çıkıp çıkamayacağını belirleyen asıl faktör bu son altı katmandır.

Dört, Browser Agent — Agent ile Gerçek Dünya Arasındaki Arayüzü Tamamlıyor

TinyFish gibi ürünler bu yaklaşımın tipik temsilcileridir.

Birçok gerçek iş sistemi kullanışlı API’lere sahip değil veya kullanıcıların web sitesinde oturum açması, dinamik sayfalarla etkileşime girmesi, form doldurması, sayfa geçişleri yapması ve dosya indirmesi gerekiyor. Geleneksel otomasyon Playwright veya Puppeteer betiklerine dayanıyor ve sayfa değiştiğinde hemen işlevsiz hale geliyor. Browser Agent ise modelin web sayfalarını doğrudan anlamasını ve eylemler gerçekleştirmesini sağlıyor.

Bu tür yetenekler, Agent Runtime’daki kritik bir boşluğu dolduruyor: gerçek web ortamı.

Bir dış bağlantı gönderme Aracısı, operasyon Aracısı, tedarik Aracısı veya araştırma Aracısı, web sitelerinde eylemler gerçekleştirme ihtiyacı duyabilir.

Ama asıl zorluk hiçbir zaman “düğmeye tıklanabilir mi” değil. Üretim sistemleri aynı zamanda oturum yönetimini çözmeli—Cookie’ler ve Token’lar nasıl yönetilir, süresi dolduğunda ne yapılır; eşzamanlılığı—bir görev içinde birden fazla sekmede aynı anda işlem yapıldığında nasıl senkronize edilir; hata kurtarmayı—sayfa çökmesi veya ağ kesintisi durumunda nasıl devam edilir; yinelenen gönderimleri—ağ titremelerinden sonra tıklama eylemlerinin tekrar tekrar çalıştırılması nasıl önlenir; proxy’leri—bölgesel/IP kısıtlamaları nasıl aşılır; CAPTCHA’ları—insan-makine doğrulaması nasıl geçilir; izinleri—çoklu hesap izolasyonu nasıl sağlanır; ve son olarak “görevin gerçekten tamamlandığını kanıtlamayı”—eylemlerin gerçekten etkili olup olmadığı nasıl doğrulanır.

Biraz daha derine inersek, dolaylı istem enjeksiyonu (Indirect Prompt Injection), 2026’da Browser Agent için en gerçekçi güvenlik tehdidi olacak. OWASP, 2026 AI tehditleri sıralamasında istem enjeksiyonunu birinci sıraya koyuyor; sayfaya gizli bir metin parçası yerleştirmek, Agent’ın kullanıcının Cookie’lerini dışarı göndermesini sağlamaya yetiyor. Mimari düzeyinde eksiksiz bir çözüm yok; yapılabilecek şey, Sandbox,动作白名单 (eylem beyaz listesi) ve Ambient Credential kontrolü konularında mühendislik tavizleri vermek.

Browser Use de Harness’e dahil edilmeli. Yalnızca Demo düzeyinde yetenekler kesinlikle yeterli değil. Bir kuruluş Browser Agent’ı üretimde kullanmak istiyorsa, bu katmanın maliyeti zaten yeni bir RPA sistemi kurmaya yetebilir.

Dolayısıyla Browser Agent bir uygulama gibi görünse de aslında Runtime’ın (çalışma zamanının) bir parçası.

Beş, Verification (Doğrulama) — Agent’ın Daha Yüksek İzinler Alıp Alamayacağını Belirler

Agent sistemlerinde çok net bir kural var: Özerklik ne kadar yüksek olursa, doğrulama ve yönetişim de o kadar güçlü olmalı.

Yalnızca e-posta taslağı hazırlayabilen bir Agent’ın hata maliyeti sınırlıdır.

Üretim veritabanını değiştirebilen, kod gönderebilen, reklam bütçesi harcayabilen ve kurumsal arka uç sistemlerini yönetebilen bir Agent’ın risk profili tamamen farklıdır.

Gerçek anlamda olgun bir Agent platformu yalnızca “ne yapabilir” sorusunu yanıtlamakla kalmaz, aynı zamanda şunları net bir şekilde ifade edebilmelidir:

Hangi kaynaklara erişim izni var;
Hangi değişiklikleri yapma yetkisi var;
Hangi eylemler onay gerektiriyor;
Her adımda hangi denetim izleri bırakılıyor;
Başarısızlık durumunda nasıl kurtarma yapılıyor;
Sistem, görevin gerçekten tamamlandığını nasıl kanıtlıyor.

Burada mühendislik açısından kritik bir değerlendirme noktası var: Eğer bir Agent her eylemi için doğrulanabilir kanıt sunamıyorsa, özerklik düzeyi “önerici” konumunda tutulmalıdır. Başka bir deyişle, özerklik, özellik listesiyle değil, uyum çerçevesi içinde doğrulanmış yeteneklerle kademeli olarak genişletilir. Bir Agent fonksiyonel olarak 100 API çağırabilir olsa bile, her çağrının beklenen sonuca ulaştığını kanıtlayamıyorsa, finans, sağlık ve sın ötesi veri gibi sıkı düzenlemeye tabi senaryolarda yalnızca “önerici” rolünde kalabilir.

İşte bu nedenle kurumsal ortamlarda Governance giderek daha kritik hale geliyor — bu, uyum departmanının değil, mühendislik ekibinin başından itibaren Runtime ile birlikte tasarlaması gereken bir yetenek.

Altı、Model Router Temel Bir Dağıtıcı Olacak——Ama Her Katmanda En Pahalı Model Gerekmiyor

Çoklu model kullanımı gittikçe yaygınlaşıyor.

Değerli bir çoklu model sistemi, kullanıcının sadece açılır menüden GPT, Qwen, Claude veya başka bir model seçmesiyle sınırlı değil.

Daha akıllıca bir yaklaşım, görevi sistemin otomatik olarak yönlendirmesidir.

Karmaşık planlama ve mimari kararlar için güçlü model; sıradan kod implementasyonu ve metin düzenleme için daha ucuz model; görsel görevler için çoklu modal model; toplu sınıflandırma için hızlı model; kritik inceleme için yeniden güçlü model kullanılır.

Bunun arkasında basit bir mühendislik mantığı yatar: Farklı görevlerin modelden beklediği “yetenek-maliyet” dengesi tamamen farklıdır. Güçlü bir modeli toplu sınıflandırma için kullanmak israftır; hızlı bir modeli mimari kararlar için kullanmak sürekli revizyona yol açar. Requesty, 2026’da yayınladığı bir deneyimde şu rakamları paylaştı: Rutin görevlerin %70’ini nano modele, %20’sini orta seviye modele, %10’unu frontier modele yönlendirmek, sorgu başına ortalama maliyeti %60 ila %80 arasında düşürürken kalite neredeyse kayıpsız kalıyor——bu yönlendirici bir gösterge niteliğindedir, kesin rakamlar görev türüne ve yönlendirme stratejisine bağlıdır.

Modeller kademeli olarak çağrılabilir bir hesaplama kaynağına dönüşüyor. Agent Platform, kalite, hız, maliyet ve risk arasında dinamik bir seçim yapmaktan sorumludur.

Kademeli Yönlendirmenin Pratik Örneği

Bir Agent “Rakip fiyatlandırma stratejisini analiz et ve öneriler sun” görevini aldığında, önce “görevi anlama, adımlara ayırma ve öncelik belirleme” aşamasında güçlü modeli kullanır; ardından “100 SKU’yu fiyat aralığına göre sınıflandırma” aşamasına geçtiğinde hızlı modele geçiş yapar; sınıflandırma sonuçları elde edildiğinde ise kapsamlı değerlendirme yapmak için tekrar güçlü modele döner.

Tüm görevlerde en pahalı modelin kullanılması sistem maliyetini yüksek tutar; tüm görevlerde ucuz modelin kullanılması ise karmaşık düğüm noktalarında sürekli başarısızlıklara yol açar. Gerçek mühendislik değeri, hangi modelin seçildiğinden değil, yönlendirme stratejisinden gelir.

Yedi、Skill——Genel Runtime ile Dikey İş Alanını Birbirine Bağlayan Kritik Katman ve Gelecekteki Rekabet Avantajı

Genel bir Agent Runtime’ın kendisi iş değeri taşımaz. Gerçek senaryolara ancak Skill aracılığıyla entegre olur.

Coding Skill, bir Repo’yu nasıl okuyacağını, Spec yazacağını, Test çalıştıracağını ve PR oluşturacağını bilir. Şu kuralları belirler: Unit test önce çalıştırılmalıdır durumları, atlanmasına izin verilen durumlar, PR açıklamasında hangi alanların bulunması gerektiği, hangi değişikliklerin mutlaka insan tarafından Review edilmesi gerektiği.

SEO Research Skill, anahtar kelime bulmayı, Search Intent analizi yapmayı, rekabet yoğunluğunu doğrulamayı, içerik ana hatları oluşturmayı ve sayfanın indexlenip indexlenmediğini kontrol etmeyi bilir. Bu, birkaç kelimeyle ifade edilebilecek “anahtar kelime araştırması” değil, eksiksiz bir süreç bütünüdür.

E-commerce Creative Skill, marka, SKU, platform formatları, uyumluluk gereksinimleri ve inceleme süreçlerini bilir. Her platformun görsel boyut sınırlarını, yasaklı ifadeleri, kategori niteliklerini ve yayın öncesi son kontrol mekanizmasını anlaması gerekir.

Ops Skill, izleme sistemlerini, logları, konteynerleri, veritabanlarını ve geri alma mekanizmalarını nasıl kontrol edeceğini bilir. Hangi alarmların otomatik müdahale gerektirdiğini, hangilerinin insan operatör tarafından ele alınması gerektiğini ve güvenli bir geri alma noktasının ne zaman oluştuğunu ayırt edebilmelidir.

Skill sadece bir SOP değildir; sürüm yönetimi, bağımlılık yönetimi, iterasyon yönetimi ve hata durumunda devreye giren yedekleme mekanizmalarıyla donatılmış, çalıştırılabilir bir varlıktır. Anthropic’in 2025 yılı Ekim ayinde hayata geçirdiği Skills protokolüne uygun şekilde, her alan uzmanlığı bir SKILL.md klasörü olarak paketlenebilir ve farklı Agent platformları ihtiyaç duydukça bu klasörü yükleyebilir—böylece her seferinde sıfırdan kod yazmak zorunda kalmazlar.

Skill, genel yürütme yeteneklerini alana özgü bilgiyle birleştirir.

Dolayısıyla gelecekteki birçok AI uygulamasının rekabet avantajı, kapsamlı gerçek görevlerle doğrulanan Domain Skills‘de yatacaktır. Bu Skills, “bu alanda işlerin nasıl yapılması gerektiği” bilgisini içerir—yeni model mimarileriyle kolayca ikame edilemez, yeni platformlar tarafından kolayca displacement edilemez; aksine zamanla bileşik getiri sağlayarak değer kazanır.

Bir organizasyon sürekli olarak Skill biriktirebilir ve her yeni görevi Skill’e artımlı bir güncelleme haline getirebilirse, o zaman bu organizasyonun AI kapasitesi satın alınmış değil, organik olarak gelişmiş demektir.

Sekizinci Bölüm: Sektör Perspektifi – Dört Tür Organizasyonun Gerçek Uygulama Biçimleri

Aşağıdaki dört paragraf bir anlatı değil, soyut “yedi katmanlı Stack”ın somut sektörlere haritalanmasıdır; farklı sektörlerde darboğazların nerede olduğunu gösterir.

Telekomünikasyon/Servis Sağlayıcılar: Tarife değişiklikleri, kurumsal özel hat açılışları ve çapraz alan arıza lokasyonu, BSS/OSS/CRM/faturalama gibi birden fazla alanı kapsar. Agent uygulamasındaki en büyük sorun çapraz alan mutabakatıdır – bir Agent CRM’de kullanıcı tarifesini değiştirdiğinde, faturalama ve OSS sistemlerine de同步 bildirmesi gerekir; aksi takdirde fatura dönemleri hizalanamaz. Stack’taki en değerli katmanlar, beşinci katman Runtime & Tools (çoklu alan arayüzlerini açma) ve yedinci katman Governance (mali denetim) katmanlarıdır.

Finans/Bankacılık: Risk kontrolü, kara para aklamanın önlenmesi, mutabakat ve düzenleyici raporlama süreçlerinin tamamı açıklanabilirlik, denetlenebilirlik ve izlenebilirlik gerektirir. Bir kara para aklamayı önleme Agent’ı her “onaylama” veya “reddetme” kararını, hangi kurala, hangi işlem geçmişine veya hangi müşteri verilerine dayandığını açıklayabilmelidir. Stack’te en değerli katman 6. katman olan Verification (açıklanabilir kanıt zinciri) ve 7. katman olan Governance’dır (algoritma kayıt sistemi + veri sınır ötesi transfer kontrolü) — bu iki katman, yerel finans düzenleyici çerçevesi altında üretim zorunluluğudur, isteğe bağlı bir özellik değildir.

Üretim: MES, ERP, QMS ve SRM sistemleri uzun süredir birbirinden bağımsız çalışıyor; çapraz alan kararları (örneğin “kapasite yetersiz olduğunda ek hammadde alımı yapılmalı mı?”) dört sistem arasında sürekli veri alışverişi gerektiriyor. Üretim sektöründe bir Agent’ın gerçek işlevi tek bir sistemin yerini almak değil, sistemler arası orkestrasyon katmanı olmaktır. ERP’deki hammadde stoklarını, QMS’deki hata oranlarını, MES’deki kapasite kullanım oranlarını ve SRM’deki tedarikçi performans verilerini eş zamanlı olarak okuyarak bütünleşik bir değerlendirme sunar. Stack’te en değerli katman 5. katman olan Runtime (kurumsal API ağ geçidi) ve 3. katman olan Context’tir (teknolojik bilgi birikimi, geçmiş arızalar ve atölye deneyimi).

E-ticaret: Büyük kampanya dönemlerinde çapraz domain operasyonları (sipariş, ödeme, envanter, lojistik, müşteri hizmetleri), yük testi / envanter tutarlılığı / sahtecilik önleme / platformlar arası mutabakat. E-ticarette Agent’ın en erken uygulandığı alanlar yaratıcı operasyonlar (ürün görsellerini değiştirme, arka plan ayarlama, çok dilli içerik hazırlama) ve müşteri temsilcisi asistanlığıdır. Stack’te en değerli katmanlar 4. katman Skill (her platform SKU/kanal için uyumluluk ve içerik denetimi süreçleri) ve 6. katman Verification’dır (içeriğin platform kurallarına uygunluğunun otomatik kontrolü).

Dört tür organizasyonun ortak noktası: Stack ne kadar aşağıya inerse o kadar paylaşıma uygun, ne kadar yukarı çıkarsa o kadar kendi bünyesinde geliştirmeye değer. Runtime, Model Router, Tool Gateway gibi temel yetenekler birkaç firma tarafından ortaklaşa geliştirilebilir veya olgun açık kaynak stack’ler satın alınabilir; Skill, Context ve Governance ise mutlaka kendi bünyesinde geliştirilmelidir çünkü bunlar iş süreçlerine, uyumluluk gereksinimlerine ve organizasyonel varlıklara sıkı sıkıya bağlıdır.

Dokuz, Son Ürünler Farklı Görünebilir Ancak Temelde Aynı OS’u Paylaşırlar

Bir Coding Agent ile bir video Agent’ın kullanıcı arayüzü, kullanıcı deneyimi ve iş modeli tamamen farklı olabilir.

Ancak her ikisi de temelde şunlara ihtiyaç duyar: Context, Task, Skill, Tools, Runtime, Verification, Memory ve Governance; ve hepsi sonunda iş sonuçlarına dönüşür.

Bir kurumsal bilgi Agent’ı ile bir Browser Agent’ı birbirinden çok farklı görünebilir, ancak sonuçta her ikisi de yetkilendirme, durum yönetimi, hata kurtarma ve denetim sorunlarını çözmek zorundadır.

Dolayısıyla gelecekte birden fazla AI ürünü geliştirirken iki katmanı ayırt etmek mantıklıdır.

Üst katman dikey kalsın. Her ürün kendi başına bütün bir Job etrafında şekillenir; kullanıcı deneyimi, veri nesneleri ve iş metrikleri ürüne özgüdür. Coding Agent’ın odak noktası Repo ve Code Review’dur, video Agent’ının odak noktası Script ve Asset’tir, araştırma Agent’ının odak noktası ise Source ve Citation’dur. Bu alanlardaki dikey derinlik, genel yeteneklerle ikame edilemez.

Alt katman mümkün olduğunca paylaşılsın. Agent Runtime, Model Router, Tool Gateway, Memory, Audit, Secrets ve Evaluation ortak altyapı bileşenleri olarak tasarlanabilir.

Bu yaklaşım hem her ürünün tekerleği yeniden icat etmesini önler hem de baştan itibaren devasa ama kullanıcısı olmayan bir “her derde deva Agent platformu” oluşturma tuzağından korur — ki bu, son iki yılda birçok ekibin düştüğü bir tuzaktır; tüm senaryoları bir kerede bitirmeye çalışıp sonunda hiçbir senaryoyu kullanılabilir derinliğe taşıyamamışlardır.

Daha sağlam bir yaklaşım, önce somut görevlerden değer doğrulamasıyla başlayıp, ardından tekrarlayan alt katman yeteneklerini çıkarmaktır. Temel değerlendirme şudur: Genel katman, somut senaryolardan evrilir, mimari diyagramlarından değil. Başından itibaren “tüm senaryoları destekleyen” bir Runtime tasarlamak, genellikle hiçbir senaryo için yeterince optimize edilememiş olmak anlamına gelir.

Karar Vericiler İçin Çıkarımlar

Yıllık geliri 5 milyar TL’nin üzerindeki bir şirketin AI sorumlusu (CDO/CIO/CTO) olarak, hemen başlayabileceğiniz üç kritik adım bulunmaktadır.

1. Kuruluşunuzun Mevcut Agent Stack Yedi Katmanlı Haritasını Çizin

Aceleyle ürün satın almak yerine, her katmanın şu an boş mu, harici mi yoksa yarı mamul mü olduğunu görün. Bu harita, gerçek darboğazları ortaya çıkaracaktır.

2. Yüksek ROI’li Tek Bir Senaryo Seçin ve Tam Dikey Döngüyü Tamamlayın

Runtime oluşturmaya öncelik vermeyin. Coding Agent, müşteri hizmetleri desteği veya Ar-Ge asistanından birini seçin ve Context, Task, Skill, Verification katmanlarının dördünü de çalıştırın; ardından “platform kurma” konuşmasına geçin.

3. Governance’ı Uyumluluk Değil, Mühendislik Seviyesinde Ele Alın

İzinler, denetim, açıklanabilirlik, hata atfı ve üçüncü taraf bağımlılık yönetimi—bunları baştan itibaren işlevsel Agent’larla birlikte tasarlayın, sonradan tamamlamak için uğraşmayın.

Muhtemelen Sorduğunuz Sorular

S1: Bu yedi katmanlı Stack, Gartner ve IDC’nin önerdiği çoklu Agent orkestrasyon çerçevelerinden nasıl farklı?

Gartner/IDC, kurumsal düzeyde çoklu Agent işbirliği ve yönetişimine odaklanır; bu makaledeki yedi katman ise tek bir Agent’ın dahili mühendislik yapısını ele alır. Bir kuruluş ikisini aynı anda düşünebilir—tek Agent yedi katman üzerinden ilerler, çoklu Agent’lar arasındaki ilişkiler ise orkestrasyonla yönetilir. Stack mikrodür, orkestrasyon makrodur.

S2: Model katmanı neden ayrı bir katman olarak ele alınmıyor?

Çünkü model, Agent sisteminde yatay olarak entegre edilmiş bir kaynak; münhasır bir katman değil. Model Router, farklı modelleri farklı bilgi işlem gücü kaynakları olarak planlıyor ve bunları Runtime’daki Shell, Browser ile aynı seviyede “araç” olarak değerlendiriyor. Model elbette kritik önem taşıyor, ancak Agent’ın karmaşıklığını tek başına üstlenemez.

S3: Küçük ekipler bu katmanı atlayıp doğrudan ChatGPT veya Claude gibi uçtan uca ürünleri mi kullanmalı?

Evet. Yıllık geliri 1 milyarın altında olan ve organizasyonel karmaşıklığı düşük ekipler için, hazır Agent ürünlerini (Browser Use, Manus, Alibaba Cloud Bailian Agent vb.) kullanmak daha uygun maliyetlidir. Bu makalede ele alınan yedi katman yapısı, “yıllık geliri 5 milyarın üzerinde olan kuruluşlar kendi Agent platformlarını kurmalı mı” sorusundan yola çıkılarak hazırlanmıştır—küçük ekiplerin platform inşa etmesi tersine optimizasyon olur.

Geriye Dönük Öz-Inceleme (Sizin İçin, Benim İçin)

Aşağıdaki üç ifadeden herhangi birine içtenlikle katılıyorsanız, bu sizin anlatılar tarafından yönlendirildiğinizi, kanıtlarla değil hareket ettiğinizi gösterir:

“Model yeterince güçlü olunca, Agent kendi başına çalışır.”(Model gerekli koşuldur, yeterli koşul değildir. Üretim ortamına alınıp alınmayacağı son altı katmana bağlıdır.)

“Evrensel bir Agent platformuna ihtiyacımız var.”(Bu fikrin maliyeti, büyük olasılıkla 6 ay içinde sağlayabileceği iş değerini aşacaktır.)

“Skill’ler model stabil hale gelince biriktirilebilir.”(Skill kurumsal bir varlıktır; bir gün geciktirmek, bir gün bileşik getiri kaybı demektir.)

Yukarıdaki üç ifadeye hiçbirisine katılmadıysanız, okumaya devam edin.

Kaynak Açıklamaları (Kaynaklar + Kanıt Düzeyleri + Konum Etiketleri)

“One workbench. Four entries. One foundation.” — Qoder resmi stantı ve blogu, 2026 Cloud Town Konferansı (Yunqi) sahası + Alibaba Cloud Community’nin 31 Ağustos 2026’da yayımladığı “Introducing Qoder 1.0” makalesi. Kanıt düzeyi: Üretici iddiası (Alibaba duruşu).
QwenWork Legal Document Fill Out: Sandbox Container + Sanal Masaüstü + Araç Çağrısı — Alibaba Cloud QwenWork canlı demoları, Alibaba Cloud Community’nin 25 Eylül 2026 makalesi. Kanıt düzeyi: Üretici iddiası (Alibaba duruşu).
QoderWake “dijital çalışan” ürünü olarak, 30 Nisan 2026’da Alibaba tarafından piyasaya sürüldü — Baidu Ansiklopedi Qoder maddesi + Alibaba resmi kaynakları. Kanıt düzeyi: Üretici iddiası (Alibaba duruşu).
OWASP 2026 tehdit listesi Prompt Injection’ı birinci sıraya koyuyor ——State of Browser Use, Mayıs 2026 özeti (Michael Livs blog). Kanıt düzeyi: Üçüncü taraf derlemesi (OWASP pozisyonu, sektör konsensüsü).
Requesty: Kademeli yönlendirmede 70/20/10 dağılımı maliyetleri %60-80 azaltabilir ——Requesty resmi blogu, 2026. Kanıt düzeyi: Üretici iddiası (model yönlendirme servis sağlayıcısı perspektifi, rakamlar iyimser, sadece yönelimsel gösterge niteliğinde).
Microsoft Agent Governance Toolkit (AGT), 2026-04-02 tarihinde MIT lisansıyla açık kaynak olarak yayınlandı ——niteagent.com haberi. Kanıt düzeyi: Üçüncü taraf derlemesi (Microsoft perspektifi, ancak AGT açık kaynak proje olduğundan rakamlar doğrulanabilir).
Anthropic Skills Protokolü: 2025-10-16’da yayımlandı, 2025-12-18’de açık standart olarak açık kaynak haline getirildi — Anthropic Engineering blogu, Substack’ta özet ve Medium LM Po. Kanıt düzeyi: Üretici iddiası + Üçüncü taraf özeti (Anthropic’in bakış açısı).
IDC, 2026’da %40 üreticinin AI destekli planlama kullanacağını öngörüyor — Groovy Web 2026 özeti, IDC raporuna atıfta bulunuyor. Kanıt düzeyi: Üçüncü taraf özeti (IDC’nin bakış açısı, rakamlar yalnızca yön gösterir).
Stripe ‘Minions’ her hafta 1.300’den fazla PR birleştiriyor, 0 kişi kod yazıyor, tamamen insan gücüyle inceleme — Stripe mühendislik ekibinden Steve Kaliski, How I AI 2026-03-25 programında ve ByteMonk 2026-02-14’te aktardı. Kanıt düzeyi: Üretici iddiası (Stripe’in bakış açısı, rakamlar referans alınabilir, senaryo Stripe mühendislik ekibi içinde, sektör ortalamasına genellenemez).
BCG 2026 Applied AI Index: agentic AI’nin toplam AI değerinin %22’sini oluşturuyor (2026) → %39 (2030) ——BCG tarafından kamuoyuna açıklanan rapor. Kanıt düzeyi: Üçüncü taraf sentezi (Danışmanlık kuruluşu perspektifi, sayısal yönsel referans).
Gartner’ın 2026 yılında kurumsal uygulamaların %40’ına görev odaklı AI Agent entegre edileceğini öngörmesi, 2025’te bu oranın %5’in altında olduğu göz önüne alındığında ——Paul Okhrem’in 2026 tarihli derlemesinden, Gartner’a atıfta bulunulmuştur. Kanıt düzeyi: Üçüncü taraf sentezi (Gartner perspektifi, yönsel referans).
Çin CAC/NDRC/MIIT’nin ortaklaşa yayımladığı “Ak agent (Intelligent Agent) Standardizasyon Uygulaması ve İnovasyon Geliştirme Uygulama Görüşü”, 2026-07-15 tarihinde yürürlüğe girmiştir ——Rimon Law’un 2026 Temmuz aylık Çin AI düzenlemeleri bülteni. Kanıt düzeyi: Üçüncü taraf sentezi (Hukuk kuruluşu perspektifi, düzenleyici belgeler doğrulanabilir).
TinyFish: 47 Milyon Dolar Yatırım Aldı, Müşterileri Arasında Google, DoorDash ve Amazon Var, Tarayıcı Soğuk Başlatma Süresi <250ms — SwitchTools 2026 İncelemesi. Kanıt Düzeyi: Üçüncü Taraf Derleme (Ürün İnceleme Sitesi Perspektifi, Rakamlar TinyFish Resmi Kaynaklarıyla Doğrulanmalı).

Kurumsal Agent platformunun nasıl inşa edileceğini, hangi yeteneklerin iç geliştirme / satın alma / paylaşımlı kullanım yoluyla temin edileceğini ve hangi Agent Runtime bileşenlerinin en yüksek yeniden kullanım değerine sahip olduğunu değerlendirme sürecindeyseniz, bizimle iletişime geçmekten çekinmeyin. Kurumsal AI dönüşüm danışmanlığı hizmetimiz kapsamında — Agent mimarisi tasarımı, Runtime konfigürasyonu ve Skill birikimi konularında — “tekil Agent” çözümlerinizi “kurumsal düzeyde Agent platformuna” dönüştürmenize destek oluyoruz.

Kurumsal Eğitim: Yönetim kadrosu ve operasyonel ana kadrolara yönelik, 3 günlük temel kurs 90.000 ¥/oturum; Agent Stack’in yedi katmanı, Governance mühendislik perspektifi ve Skill biriktirme metodolojisini ekibinize adım adım aktarıyoruz.

Özel Danışmanlık: 90 dakikalık mimari tanı €3.000’den başlayan fiyatlarla, kuruluşunuzun mevcut yedi katmanlı durumunun analizi, eksik katmanların tespiti ve tedarik ile kendi geliştirme kararının değerlendirilmesi için bağımsız bir rapor sunuyoruz; derinlemesine proje desteği proje bazlı fiyatlandırılır.

Yönetim Kadrosu Sunumları ve Sektör Konuşmaları: Sektör konferansları / kapalı toplantılar / forum temalı sunumları için, iletişime geçtikten sonra gündem özelleştirilir.

İşbirliği e-postası: [email protected]

Ek Okuma: “AI Dönüşümü İçin Yedi Adımlık Çerçeve”, kurumsal AI uygulamasının eksiksiz yol haritasını sistematik olarak açıklar.

Yerelleştirme Noktaları (Çok Dilli Çeviri Referansı, IAIUSE Çok Dilli Stratejisi·2026-08-09)

19 dilde çeviri yapılırken, aşağıdaki içerikler hedef dil pazarına göre yerelleştirilir, yapı/görsel değişmez:

中文稿内容	İngilizce versiyon	Japonca versiyon	Almanca versiyon	Arapça versiyon
Qoder / QwenWork / TinyFish / WonderClip / OpenSearch	Qoder / QwenWork / TinyFish / WonderClip / OpenSearch (ürün adları korunur)	Qoder / QwenWork / TinyFish / WonderClip / OpenSearch	Qoder / QwenWork / TinyFish / WonderClip / OpenSearch	Qoder / QwenWork / TinyFish / WonderClip / OpenSearch

中国银行(金融案例)	JPMorgan / Goldman Sachs	Mitsubishi UFJ / SMFG	Deutsche Bank / Commerzbank	Emirates NBD / QNB
Sandbox Container / Sanal Masaüstü / Araç Çağırma	Sandbox Container / Virtual Desktop / Tool Calling	サンドボックス / 仮想デスクトップ / ツール呼び出し	Sandbox-Container / Virtueller Desktop / Werkzeugaufruf	حاوية معزولة / سطح مكتب افتراضي / استدعاء الأدوات
One Foundation / Harness	One Foundation / Harness	One Foundation / Harness	One Foundation / Harness	One Foundation / Harness

Alan Becerisi / Kodlama Becerisi / SEO Araştırma Becerisi / E-Ticaret Yaratıcılık Becerisi / Operasyon Becerisi

Bu Seri Hakkında

“Cloud Summit İzlenimleri”, IAIUSE’nin sektör sahası serisi olarak 2026 Cloud Summit’ten yola çıkarak, araştırmacı perspektifiyle yapay zeka endüstrisinde gerçekleşen değişimleri çözümlüyor — gündem takibi değil, yalnızca yatırım yapılan yönlerin ve kanıtların güçlülüğüne odaklanma.

Seri, model katmanının üzerindeki sistem katmanları, Agent uygulamaları, Context varlıkları, kurumsal AI organizasyon tasarımı ve AI ürün rekabet birimi göçü gibi konuları kapsayarak yaklaşık 10 makaleden oluşuyor.

Sekiz yılı aşkın büyük ölçekli kurumsal danışmanlık ve iş analizi deneyimim var. Daha önce IBM’de çalıştım ve telekomünikasyon, finans, sigorta ve imalat sektörlerinde projelerde yer aldım. Ardından operatör ürünleri, internet ürünleri ve AI uygulama geliştirme alanlarında talep analizi, ürün tasarımı ve çapraz takım uygulamaları üzerinde çalışmaya devam ettim. Bu hesabın arkasında aslında küçük bir ekip var – uzun süredir birlikte çalıştığım 1-2 meslektaşım ve ben, AI programlama araştırmaları, kurumsal yönetim vaka analizleri ve koçluk sohbetleri konularında ayrı ayrı sorumluluk üstleniyoruz. Yazıda “kurumsal yolculuklarında yanında olduğumuz” projelerin çoğu, ekibimizin birlikte teslim ettiği çalışmalardır.

Araştırma veri tabanımız 200’ü aşkın makaleden oluşmaktadır. Bu serinin değerlendirmeleri, sahadan edindiğim gözlemlerime ve sektörler arası doğrulamalarına dayanmaktadır; belirgin bir yazarlık perspektifi taşır ve hiçbir üreticiyi temsil etmez.