Üretim işletmeleri son yıllarda sensörler, kurumsal yazılımlar, kalite sistemleri ve dijital dashboard’lar aracılığıyla büyük miktarda veri üretmeye başladı. Buna rağmen birçok işletme hâlâ veriyi zamanında ve koordineli aksiyona dönüştürmekte zorlanıyor. Başka bir ifadeyle fabrikalar giderek daha data-rich, ancak aynı ölçüde action-capable değil. Operasyonel kararlar çoğu zaman farklı sistemlerden veri toplama, kayıtları karşılaştırma, doküman arama, onay bekleme ve birimler arasında tekrar tekrar iletişim kurma gibi manuel faaliyetlere dayanıyor. Bu durum, dijitalleşmenin fiziksel israfları azaltırken bilgi ve karar akışlarında yeni bir digital muda üretmesine yol açabiliyor.

Agentic AI, bu boşluğu kapatmayı amaçlayan yeni bir yaklaşım sunuyor. Geleneksel yapay zekâ modelleri çoğunlukla “Ne oluyor?” sorusuna cevap verir. Bir kalite riskini sınıflandırabilir, ekipman arızasını tahmin edebilir veya talep seviyesini öngörebilir. Generative AI ise “Bu ne anlama geliyor?” sorusunu destekler; teknik dokümanları yorumlar, geçmiş kayıtları özetler ve karar hazırlığı yapar. Ancak üretim ortamında asıl değer, bu çıktının “Şimdi ne yapılmalı?” sorusuna bağlanmasıyla oluşur. Agentic AI, veri, bilgi, dijital araçlar, kurumsal sistemler ve insan karar noktaları arasında çok adımlı iş akışlarını koordine ederek bu geçişi sağlar.

Bununla birlikte Agentic AI, tek başına gelişmiş bir model veya akıllı bir chatbot değildir. Birden fazla AI agent, analitik model, kurumsal sistem, workflow kuralı ve insan onay noktasını ortak bir operasyonel hedef etrafında bir araya getiren yönetişimli bir orkestrasyon sistemidir. Bir predictive maintenance modeli yaklaşan arızayı tespit edebilir; bir agent ilgili bakım prosedürünü bulabilir; başka bir agent stok kontrolü yapabilir. Ancak Agentic AI’ın gerçek işlevi, bu faaliyetleri birbirine bağlamak, sürecin hangi aşamada olduğunu izlemek, gerekli onayları devreye almak ve sonucu koordineli aksiyona dönüştürmektir.

Enterprise Grounding: İşletme Gerçekliğine Dayalı Reasoning

Bu noktada temel bir gerçek ortaya çıkar: Agentic AI’ın güvenilirliği, modelin kapasitesinden önce işletmenin veri ortamına bağlıdır. Büyük Dil Modelleri işletmenin güncel durumunu kendiliğinden bilmez. Hangi makinenin durduğunu, hangi malzemenin stokta bulunduğunu, hangi bakım prosedürünün geçerli olduğunu veya hangi satın alma talebinin onay beklediğini ancak bu bilgiler çalışma anında kendilerine doğru şekilde sağlanırsa yorumlayabilirler.

Bu nedenle kurumsal Agentic AI’ın temel gereksinimlerinden biri Enterprise Grounding’dir. Enterprise Grounding, genel amaçlı modeli işletmeye özgü, güncel ve doğrulanmış bilgilerle ilişkilendirir.

Bu aşamada Context Window konusuna değinmek yararlı olacaktır. Context Window, modelin belirli bir görev sırasında reasoning yaptığı geçici bilgi ortamıdır. Bu ortam iki temel bilgi grubundan oluşur: Control Context ve Dynamic Enterprise Evidence.

• Control Context, agent’ın nasıl davranacağını tanımlar. System instructions, agent rolleri, yetki sınırları, tool tanımları, workflow kuralları, escalation koşulları ve çıktı gereksinimleri bu grupta yer alır. Bu bilgiler çoğunlukla tasarım aşamasında hazırlanır ve sık değişmez.
• Dynamic Enterprise Evidence ise agent’ın ne hakkında reasoning yaptığını belirler. Kurumsal dokümanlardan getirilen bilgiler, operasyonel kayıtlar, analitik çıktılar, tool responses, güncel workflow state ve insan kararları bu gruba girer. Süreç ilerledikçe bu bilgiler değişir ve güncellenir.

Bu ayrım önemlidir. Control Context, agent’ın davranış biçimini belirlerken Dynamic Enterprise Evidence, kararın dayandığı gerçekliği sağlar. Çok iyi hazırlanmış talimatlar, yanlış stok bilgisini veya eski bir prosedürü telafi edemez. Bu nedenle agent çıktılarının güvenilirliği, Context Window’a aktarılan bilginin doğruluğuna, güncelliğine ve bağlama uygunluğuna bağlıdır.

Daha fazla bilgi her zaman daha iyi reasoning anlamına gelmez. Gereksiz, tekrar eden veya çelişkili içerikler çıktı kalitesini düşürebilir. Amaç, Context Window’u mümkün olduğunca doldurmak değil, görev için gerekli olan en küçük fakat yeterli bağlamı oluşturmaktır. Bu yaklaşım Context Engineering olarak adlandırılır.

Enterprise Grounding Mekanizmaları

Kurumsal bilgi Context Window’a üç mekanizma üzerinden aktarılır: Retrieve, Derive ve Interact.

• Retrieve, işletmede zaten bulunan bilgi ve kayıtları getirir. Teknik kılavuzlar, SOP’lar ve geçmiş vakalar RAG ile; ERP, MES, WMS ve CMMS kayıtları ise kontrollü veri erişim araçları ve Text-to-SQL kullanılarak sorgulanabilir. Retrieve, “İşletme bu konu hakkında ne biliyor?” sorusuna cevap verir.
• Derive, doğrudan kayıtlı olmayan yeni analitik bilgiyi üretir. Predictive models, simülasyonlar, optimizasyon yöntemleri veya analitik hesaplamalar bu amaçla kullanılabilir. Derive, “Hangi bilginin hesaplanması veya tahmin edilmesi gerekiyor?” sorusunu karşılar.
• Interact, reasoning sürecini güncel operasyonel durumla ilişkilendirir. Sensörlerden, kurumsal uygulamalardan ve insan karar noktalarından canlı bilgi toplar. Interact ise “Şu anda ne oluyor?” sorusuna cevap verir.

Bu üç mekanizma birlikte, işletmenin geçmiş bilgisini, yeni analitik sonuçları ve güncel durumunu Context Window içinde bir araya getirir.

Data and Knowledge Preparation

Ham kurumsal veriler ve dokümanlar doğrudan agentic reasoning için uygun değildir. Bilginin modele aktarılmadan önce anlamı, doğruluğu, güncelliği ve erişim koşulları açık hâle getirilmelidir. Bu nedenle Enterprise Grounding, model çalıştırıldığında değil, veri ortamı hazırlanırken başlar.

Yapılandırılmış veriler için ERP, MES, WMS ve CMMS sistemlerindeki tabloların amaçları, kolon anlamları, ilişkileri ve iş kuralları açıklanmalıdır. Ortak tanımlayıcılar, standart terminoloji ve bir Data Dictionary oluşturulması, doğal dildeki taleplerin doğru kayıtlara yönlendirilmesini kolaylaştırır.

Yapılandırılmamış bilgiler için teknik dokümanlar, SOP’lar ve bakım kayıtları doğruluk ve güncellik açısından kontrol edilmelidir. Onaylanan içerikler temizlenmeli, anlamlı parçalara ayrılmalı, metadata ile zenginleştirilmeli ve bir vector database içinde indexlenmelidir. Böylece RAG daha ilgili ve güvenilir bilgi getirebilir.

Canlı ve analitik kaynakların da güvenilir olması gerekir. Predictive model çıktıları, sensör verileri ve insan onayları açık ve izlenebilir kayıtlar üzerinden yönetilmelidir.

Sonuç olarak Agentic AI yalnızca bir model seçimi meselesi değildir. Başarı, verinin doğru, güncel, erişilebilir ve makine tarafından yorumlanabilir hâle getirilmesine bağlıdır. Bu nedenle Agentic AI, model çalıştırıldığında değil, kurumsal veri ve bilgi ortamı hazırlanırken başlar.

Önce Data Foundation, Sonra Agent Network

İşletmelerin Agentic AI’a geçerken yaptığı en yaygın hata, ilk olarak model, platform veya agent sayısına odaklanmaktır. Oysa en gelişmiş model bile yanlış veya eksik veriyle güvenilir operasyonel sonuç üretemez.

Daha sağlıklı bir geçiş sırası şöyledir:

• Önce kritik süreci seçin.
• Ardından gerekli veri ve bilgi kaynaklarını belirleyin.
• Structured data için schema ve Data Dictionary hazırlayın.
• Unstructured data için doğrulama, chunking, metadata ve indexing yapın.
• Canlı sistem bağlantılarını ve yetkileri tanımlayın.
• Son olarak agent rollerini, tools, workflow ve Human-in-the-Loop noktalarını tasarlayın.

Agentic AI’ın gerçek değeri tam otonomide değil; veriyi, kurumsal bilgiyi, kararları ve aksiyonları kontrollü bir akış içinde birbirine bağlamasında ortaya çıkar. Bu nedenle Agentic AI’a geçiş, model çalıştırıldığında değil, kurumsal veri ortamı hazırlanırken başlar. İşletmeler için ilk yatırım alanı daha büyük modeller değil; güvenilir, erişilebilir, güncel ve makine tarafından anlaşılabilir bir enterprise data foundation olmalıdır.