Agentic AI Nedir? Fabrikalarda Kendi Kararını Veren Yapay Zeka Dönemi

Son iki yılda üretim tesislerinde yapay zeka denince akla gelen şey netti: bir model, geçmiş veriye bakar, bir tahmin üretir, ekrana bir sayı yazar. Rulman arızası olasılığı yüzde 78. Bu parçada yüzey kusuru var. Bu hafta enerji tüketimi şu bandı aşacak.

Sonra ekranın karşısında bir insan oturur. Tahmini okur, doğru mu diye düşünür, iş emrini açar, bakım planını değiştirir, tedarikçiyi arar. Yani yapay zeka tahmin eder, insan iş yapar.

Agentic AI'ın değiştirdiği tam olarak burası. Bu yazıda kavramın ne olduğunu, pazarlama diliyle değil mühendislik diliyle açıklıyor; hangi üretim senaryolarında gerçekten karşılığı olduğunu, neden çoğu durumda buluta değil tesisin kendi donanımına kurulması gerektiğini ve bir pilotun nereden başlatılacağını anlatıyoruz.

Agentic AI nedir? Tanımı tek cümleye indirelim

Agentic AI, kendisine sonuç değil hedef verilen; o hedefe giden adımları kendisi planlayan, planı yürütmek için başka sistemleri kendisi çağıran ve sonuca bakıp planını güncelleyen yazılımdır.

Türkçede "ajan tabanlı yapay zeka" ya da kısaca "yapay zeka ajanı" olarak geçiyor. Buradaki "ajan" kelimesi, bir kimlik ya da kişilik anlamında değil; kendi adına eylemde bulunabilen birim anlamında kullanılıyor.

Farkı görmek için dört kuşağı yan yana koymak gerekiyor. Çünkü fabrikada bu dördü aynı anda, aynı hatta, birlikte çalışıyor — ve çoğu zaman hepsine birden "yapay zeka" deniyor.

Tablonun en önemli satırı sondan ikincisi. Bir ajanı ajan yapan şey daha akıllı olması değil, kendi dışındaki sistemlere erişebilmesidir. Bakım yönetim yazılımını (CMMS) sorgulayabilir, ERP'den stok bakabilir, SCADA'dan anlık değer okuyabilir, bir iş emri taslağı açabilir. Bu erişim yoksa elinizde ne kadar güçlü bir model olursa olsun ajan yoktur; çok iyi bir danışman vardır.

Bir ajan gerçekte nasıl çalışır?

Kavramın etrafındaki sisi dağıtmanın en hızlı yolu, döngüyü açıp bakmak. Bir yapay zeka ajanı sihirli bir kutu değil; beş adımlı, tekrar eden ve her adımı denetlenebilir bir döngüdür.

Bu döngünün fabrikada neye benzediğine dair somut bir örnek: bir dolum hattındaki pompa motorunun titreşim imzası değişiyor.

• Algı: Titreşim ve sıcaklık verisi eşiği aşıyor.
• Bağlam: Ajan CMMS'e bakıyor — aynı motorda 14 ay önce benzer bir imza var, o zaman rulman değişmiş. Stok sistemine bakıyor: yedek rulman depoda, bir adet.
• Planlama: Üretim planına bakıyor — hat cumartesi zaten duracak. Arızanın o güne kadar kritik seviyeye çıkma olasılığını değerlendiriyor.
• Araç çağrısı: CMMS'te cumartesi vardiyasına bir bakım iş emri taslağı açıyor, yedek parçayı rezerve ediyor, bakım şefine gerekçeli bir özet gönderiyor.
• Eylem ve onay: İş emrini kesinleştirmiyor. Bakım şefi onaylayınca yürürlüğe giriyor.
• Geri besleme: Cumartesi rulman söküldüğünde aşınma gerçekten var mı? Varsa ajanın kararı doğruydu, yoksa eşik fazla hassas. Sonuç kayda geçiyor.

Klasik bir kestirimci bakım sistemi bu zincirin yalnızca ilk adımını yapar ve bir alarm bırakır. Geri kalan altı adım bugün bir insanın zihninde ve mesaisinde duruyor. Ajanın kazandırdığı şey, işte o altı adım.

Otonomi bir düğme değil, bir merdivendir

Agentic AI etrafındaki en büyük yanlış anlama, bunun "açık/kapalı" bir özellik olduğunun sanılması. Oysa otonomi kademelidir ve fabrika sahasında en üst kademe çoğu zaman ne gerekli ne de istenirdir.

Bir ajan projesinde sorulacak ilk soru "ne kadar akıllı olsun" değil, "hangi kararı kendi başına verebilsin, hangisinde bize sorsun" sorusudur. Bu sınır yazılı olarak tanımlanmadığı sürece proje teknik olarak çalışsa bile kurumsal olarak sahiplenilemez.

Pratikte işe yarayan sınır tanımı şöyle görünür: ajan iş emri taslağı açabilir ama kapatamaz; set değeri önerebilir ama ±%5 bandının dışına çıkamaz; parça reddedebilir ama bir vardiyada en çok belirlenen adette, bu aşılırsa durup sorar.

Fabrikada gerçekten nerede işe yarıyor?

Aşağıdaki senaryolar, "yapay zeka ile yapılabilir" listesi değil; ajan yaklaşımının klasik yönteme göre net bir üstünlük sağladığı yerlerdir. Ortak özellikleri şu: kararın kendisi zor değil, ama kararı vermek için üç-dört farklı sisteme bakmak ve bunu sık sık tekrarlamak gerekiyor.

1. Kestirimci bakım: alarmdan iş emrine

Bugün çoğu tesiste kestirimci bakım modeli kurulu ama üretilen alarmların önemli bölümü değerlendirilmeden kapanıyor. Sebep modelin kötü olması değil; alarmı iş emrine çevirmenin bir insana 20-40 dakika sürmesi. Ajan, alarmın arkasındaki bağlamı (geçmiş arıza, yedek parça, üretim planı, vardiya doluluğu) kendisi toplayıp kararı bir onaya indirger.

2. Görsel denetim: kusur tespitinden kök nedene

Makine görüşü sistemi kusuru zaten buluyor. Ajanın eklediği katman şu: son iki saatte aynı kusur tipi arttı mı, arttıysa hangi parametre değişimiyle zaman olarak örtüşüyor, bu daha önce yaşandı mı ve o zaman ne yapılmıştı. Yani kusur sayma işinden kusuru durdurma işine geçiş.

3. Çizelgeleme: plan bozulduğunda yeniden plan

Üretim planı, bozulduğu anda değerini kaybeder. Bir tezgah durduğunda ya da acil sipariş girdiğinde planlamacı elindeki işi bırakıp yeniden çizelge kurar. Ajan bu durumda birkaç alternatif senaryoyu (teslim tarihi etkisi, kurulum süresi kaybı, fazla mesai maliyeti) hesaplayıp yan yana koyar. Kararı yine planlamacı verir — ama seçenekleri hazırlamak dakikalar değil saniyeler alır.

4. Enerji ve sarf optimizasyonu

Kompresör basıncı, fırın rampası, soğutma grubu devreye girme saati gibi ayarlar genelde "bir kez ayarlanıp unutulan" değerlerdir. Ajan bunları üretim programına, dış hava sıcaklığına ve elektrik tarifesine göre sürekli yeniden değerlendirebilir. Burada eylem küçük ve geri alınabilir olduğu için, L4 otonomiye en uygun senaryolardan biridir.

5. Saha bilgisi ve servis desteği

Bir arıza anında teknisyenin ihtiyacı olan şey, 400 sayfalık PDF değil; "bu hata kodu, bu modelde, bu revizyonda ne anlama geliyor ve daha önce nasıl çözüldü" cevabıdır. Ajan, kılavuzları, geçmiş servis kayıtlarını ve yedek parça listesini birlikte okuyup bunu üretir. Eylem riski düşük, kazanç yüksektir — bu yüzden çoğu tesiste ilk pilot için en doğru aday budur.

Neden bulut değil de uçta (edge) çalışmalı?

Ajanın "beyni" büyük bir model olduğu için ilk refleks buluta kurmaktır. Fabrika sahasında bu refleks dört yerde duvara çarpar.

Gecikme. Hattın hızına yetişmesi gereken bir karar için internet üzerinden gidip dönmek bütçeyi baştan tüketir. Aşağıdaki tablo, tipik gidiş-dönüş sürelerini gösteriyor — ağ gecikmesi, kuyruk ve çıkarım süresinin toplamı olarak.

Bant genişliği. Bir hat üstü kameranın ham görüntüsünü sürekli buluta göndermek, çoğu tesisin internet hattının altından kalkabileceği bir yük değildir. Uçta işlenip yalnızca sonucun ve şüpheli karelerin gönderilmesi, veriyi yüzde birlere indirir.

Veri egemenliği. Üretim reçetesi, kalite verisi ve tezgah parametreleri çoğu firmanın en hassas varlığıdır. Bunların tesis dışına çıkmaması çoğu zaman bir tercih değil, bir müşteri ya da mevzuat şartıdır.

Süreklilik. İnternet kesildiğinde hattın durmaması gerekir. Uçta çalışan bir ajan, bağlantı yokken de karar üretmeye devam eder; bağlantı geldiğinde merkezle senkronize olur.

Pratikte doğru kurulum çoğunlukla hibrittir: ağır model eğitimi merkezde ya da bulutta, karar üreten çalıştırma (çıkarım) katmanı sahada. ICC tarafında bu ayrımı uç bilişim (edge computing) başlığı altında ele alıyoruz.

Donanım gerçeği: bir ajan neyi ister?

Burada sektörde çok yaygın bir hata var: donanım seçimi TOPS değeri üzerinden yapılıyor. TOPS, saniyedeki tamsayı işlem kapasitesini ölçer ve görüntü işleme modelleri (CNN) için anlamlı bir göstergedir. Ancak bir ajanın karar katmanı dil modeli tarafında çalışıyorsa, orada asıl kısıt işlem gücü değildir.

Dil modeli çalıştırmanın kısıtı bellektir. Model ağırlıkları belleğe sığmıyorsa cihaz ne kadar hızlı olursa olsun modeli çalıştıramaz; sığıyorsa da üretim hızını belirleyen şey çoğunlukla bellek bant genişliğidir. Aşağıdaki grafik, yaygın model boyutlarının kabaca ne kadar bellek istediğini gösteriyor.

Buradan çıkan pratik kural: fabrika sahasında çalışan bir ajanın karar katmanı için genellikle 3–13 milyar parametre bandındaki, nicelenmiş (INT4/INT8) modeller yeterlidir. Çünkü ajanın işi şiir yazmak değil; sınırlı sayıda aracı doğru sırayla çağırmak ve yapılandırılmış bir çıktı üretmek.

Görüntü tarafı ise ayrı bir hesaptır ve orada TOPS gerçekten anlamlıdır. Karma bir kurulum tipik olarak şöyle dağılır:

Donanım tarafında gözden kaçırılmaması gereken üç nokta daha var:

• Termal davranış. Yapay zeka yükü, ofis yükünden farklı olarak işlemciyi uzun süre yüksek seviyede tutar. Kapalı bir saha kabininde bu, sürekli bir ısı yükü demektir. Fansız tasarımın burada seçilme sebebi sessizlik değil, tozlu ortamda kart havasını dışarı kapatmaktır.
• Depolama dayanımı. Ajan sürekli log yazar — karar kaydı, girdi, gerekçe, sonuç. Bu, tüketici SSD'lerinin hesaba katmadığı bir yazma rejimidir. Endüstriyel SSD, güç kesintisi koruması (PLP) ve beyan edilmiş TBW değeri gerekir.
• Tedarik sürekliliği. Bir ajan kurulumu bir yıllık iş değildir. Aynı donanımın 5 yıl boyunca aynı revizyonla temin edilebilmesi, PCN/EOL bildirimi yapılması, bakım tarafında kritik önemdedir.

Güvenlik ve sorumluluk: eylem alan bir sistemin farkı

Tahmin üreten bir sistem yanıldığında ekranda yanlış bir sayı olur. Eylem alan bir sistem yanıldığında sahada yanlış bir şey olur. Bu fark, mimarinin tamamını değiştirir.

Sahada işe yarayan asgari güvenlik çerçevesi şu başlıkları içerir:

• Katman ayrımı. Ajan, otomasyon ağının içinde serbest dolaşan bir bileşen olmamalıdır. Purdue / ISA-95 katmanlarına göre konumlandırılmalı, kontrol katmanına erişimi tanımlı ve denetimli bir arayüz üzerinden olmalıdır.
• En az yetki. Ajanın çağırabileceği her araç tek tek tanımlanmalı ve yazma yetkisi mümkün olduğunca taslak/öneri seviyesinde tutulmalıdır. "ERP'ye bağlandı" değil, "ERP'de şu üç fonksiyonu çağırabilir" denmelidir.
• Karar kaydı (audit log). Her kararın girdisi, gerekçesi, çağırdığı araçlar ve sonucu kaydedilmelidir. Bu hem hata ayıklama hem de denetim için zorunludur. Kaydı olmayan otonom karar, savunulabilir bir karar değildir.
• Geri alma ve durdurma. Ajanın uyguladığı her eylemin geri alınabilir olması ya da tek hamlede devre dışı bırakılabilmesi gerekir. Sistem tasarımında "kapatma valfi" en baştan konulmalıdır.
• Standart uyumu. Endüstriyel siber güvenlik tarafında IEC 62443 serisi, yapay zeka tarafında AB Yapay Zeka Yasası (EU AI Act) çerçevesi referans alınmalıdır. Yasa 2024'te yürürlüğe girdi ve yükümlülükleri kademeli olarak devreye giriyor; üretim süreçlerinde kullanılan bazı sistemler yüksek riskli sınıfa girebiliyor.

Bu listenin özeti şu: ajanın ne kadar iyi karar verdiği kadar, verdiği kararın izlenebilir ve durdurulabilir olması önemlidir. Teknik olarak mükemmel çalışan ama kimsenin neden öyle karar verdiğini açıklayamadığı bir sistem, ilk ciddi olayda kapatılır.

Nereden başlanır? 90 günlük gerçekçi bir pilot

Ajan projelerinin en sık başarısız olma sebebi teknoloji değil, kapsamdır. "Fabrikayı yapay zekaya bağlayalım" diye başlayan projeler, hangi kararın iyileştiğini kimse ölçemediği için sessizce durur. İşe yarayan yaklaşım tersidir: tek bir karar seçilir ve o karar ölçülür.

Dört aşamanın her birinde sorulması gereken soru şu:

• Kapsam (0–2. hafta): Hangi tek karar? O kararı bugün kim veriyor, hangi ekrana bakarak veriyor, ne kadar sürüyor? Ajanın erişeceği sistemler hangileri ve bu erişim teknik olarak mümkün mü?
• Temel hat (2–5. hafta): Bugünkü performans sayısal olarak nedir? Alarmların kaçı iş emrine dönüyor, karar ne kadar sürüyor, kaçında sonradan "yanlış karardı" deniyor? Bu sayı yoksa pilotun başarısı da ölçülemez.
• Gölge mod (5–10. hafta): Ajan canlı veriyle çalışır, kararını yazar, hiçbir şey uygulanmaz. Haftalık olarak ajanın kararı ile insanın kararı karşılaştırılır. Ayrışmaların her biri tek tek incelenir — çoğu zaman en değerli çıktı buradan gelir, çünkü sürecin kendisindeki tutarsızlıklar ortaya çıkar.
• Sınırlı canlı (10–13. hafta): Yalnızca düşük riskli ve geri alınabilir eylemler, yalnızca tanımlı sınırlar içinde, onaya bağlı olarak devreye alınır. Sınır dışına çıkan her durum insana gider.

Sahada en sık yapılan beş hata

1. Kararı değil, teknolojiyi seçmek. "Hangi modeli kullanalım" sorusu, "hangi kararı iyileştireceğiz" sorusundan önce sorulduğunda proje teknik bir denemeye dönüşür ve orada kalır.
2. Gölge modu atlamak. Ajanı doğrudan canlıya almak zaman kazandırmaz; ilk yanlış eylemde projeyi bitirir. Gölge mod hem doğruluk ölçer hem güven inşa eder.
3. Veri erişimini hafife almak. Projelerin çoğu modelde değil, "MES'ten şu alanı okuyamıyoruz" ya da "PLC'de o değer etiketlenmemiş" noktasında takılır. Kapsam aşamasında bu mutlaka doğrulanmalıdır.
4. Sadece TOPS'a bakarak donanım almak. Görüntü tarafı için anlamlı olan bu değer, karar katmanı için yanıltıcıdır. Bellek kapasitesi ve bant genişliği sorulmadan alınan donanım, modeli hiç çalıştıramayabilir.
5. Operatörü sürece dahil etmemek. Ajanın kararını denetleyecek olan kişi, o kararın gerekçesini göremiyorsa sistemi kullanmaz — reddeder. Gerekçe gösterimi bir "güzellik" değil, kullanım şartıdır.

ICC Dijital tarafında ne var?

Bir ajan kurulumunda yazılım tarafı tesise ve sürece özgüdür; donanım tarafı ise ölçeklenebilir ve standart olmalıdır. ICC Dijital olarak bu katmanda şu seçenekleri sunuyoruz:

• Yapay Zeka PC — GPU/NPU hızlandırmalı, karar katmanını ve model çıkarımını tesis içinde çalıştırmak için.
• Machine Vision Box PC — hat üstü görsel denetim ve gerçek zamanlı kusur tespiti için.
• IPC4PRO Box PC — fansız gövde, geniş DC giriş, çoklu LAN ve DIN-rail montaj ile saha panosunda çalışan kendi markamız.
• IoT Gateway ve DIN-rail PC — saha verisini toplayıp ilk işlemeyi noktada yapmak için.
• Endüstriyel Rack PC — tesis sunucu odasında ağır çıkarım ve merkezi ajan katmanı için.
• Uygulamanıza uygun modeli daraltmak için PC Finder aracını kullanabilirsiniz.

Kavramsal arka plan için uç bilişim ve yapay zeka çözümleri sayfalarımıza da göz atabilirsiniz.

Sonuç

Agentic AI, fabrikaya yeni bir zeka getirmiyor; mevcut zekayı eyleme bağlıyor. Kestirimci bakım modeli zaten vardı, makine görüşü zaten vardı, planlama algoritması zaten vardı. Eksik olan, bunların çıktısını alıp bir sonraki adımı başlatan katmandı ve o katman bugüne kadar insanın mesaisiydi.

Bu yüzden doğru soru "yapay zeka ajanı kuralım mı" değil. Doğru soru şu: tesisinizde hangi karar, doğru bilgi elde olduğu halde sırf kimse birleştirmeye vakit bulamadığı için geç veriliyor? Cevabı bulduğunuz yer, ilk pilotun yeri.

Ve teknik tarafta akılda kalması gereken üç cümle: Kararı uçta tut. Sınırı yazılı tanımla. Gölge modu atlama.

Sık Sorulan Sorular

Agentic AI ile ChatGPT gibi üretken yapay zeka arasındaki fark nedir?

Üretken yapay zeka kendisine sorulan soruya cevap üretir; iş yine soruyu soran kişide kalır. Agentic AI ise kendisine hedef verildiğinde o hedefe giden adımları kendisi planlar, bu adımları yürütmek için başka sistemleri (ERP, CMMS, SCADA gibi) kendisi çağırır ve sonucu görüp planını günceller. Aradaki fark, cevap üretmek ile işi yürütmek arasındaki farktır.

Fabrikada yapay zeka ajanı kurmak için mevcut PLC ve SCADA altyapısını değiştirmek gerekir mi?

Hayır. Ajan katmanı mevcut otomasyon altyapısının yerine geçmez, üzerine kurulur. PLC gerçek zamanlı kontrolü yapmaya devam eder; ajan bu katmandan veri okur ve kararlarını tanımlı, denetimli bir arayüz üzerinden iletir. Kontrol katmanına doğrudan serbest yazma yetkisi verilmesi güvenlik açısından önerilmez.

Yapay zeka ajanı için buluta bağlanmak zorunda mıyım?

Hayır. Hat hızına yetişmesi gereken kararlarda bulut zaten yetersiz kalır, çünkü gidiş-dönüş gecikmesi karar bütçesini tüketir. Yaygın kurulum hibrittir: model eğitimi merkezde veya bulutta yapılır, karar üreten çalıştırma katmanı ise tesiste, uç bilişim donanımı üzerinde çalışır. Bu aynı zamanda üretim verisinin tesis dışına çıkmamasını sağlar.

Ajan çalıştırmak için ne kadar güçlü donanım gerekir?

Karar katmanı için genellikle 3 ila 13 milyar parametre bandında, nicelenmiş (INT4/INT8) bir model yeterlidir; bu yaklaşık 2 ila 8 GB bellek ister. Görsel denetim gibi görüntü işleme görevleri ayrıca NPU veya GPU hızlandırma gerektirir. Donanım seçiminde yalnızca TOPS değerine bakmak yanıltıcıdır; dil modeli tarafında asıl kısıt bellek kapasitesi ve bellek bant genişliğidir.

Ajanın yanlış karar vermesi riskini nasıl yönetiriz?

Üç mekanizmayla: birincisi otonomi sınırının yazılı tanımlanması (ajan neyi kendi yapabilir, neyi soramadan yapamaz), ikincisi her kararın girdisi ve gerekçesiyle birlikte kayda geçmesi, üçüncüsü her eylemin geri alınabilir olması ve sistemin tek hamlede devre dışı bırakılabilmesi. Buna ek olarak canlıya geçmeden önce gölge modda çalıştırılması, doğruluğun sahada ölçülmesini sağlar.

Bir pilot proje ne kadar sürer?

Tek bir karar üzerine odaklanan gerçekçi bir pilot yaklaşık 90 gündür: iki hafta kapsam ve veri doğrulama, üç hafta mevcut durumun ölçülmesi, beş hafta gölge mod, üç hafta sınırlı canlı kullanım. Bu süreyi kısaltmanın en yaygın yolu gölge modu atlamaktır ve pratikte projeyi en çok riske atan karar da budur.

Tesisinizde ajan mimarisinin hangi karara uygulanabileceğini ve bunun hangi donanım sınıfını gerektirdiğini birlikte değerlendirelim. Uygulama noktalarınızı iletin, size uygun uç bilişim konfigürasyonunu çıkaralım. İletişime Geçin →