Üretim işletmelerinde kullanılan bilgi, yalnızca veri tabanlarında, prosedürlerde, teknik dokümanlarda veya kurumsal yazılımlarda bulunan bilgilerden oluşmaz. Operatörlerin, bakım teknisyenlerinin, üretim şeflerinin, planlamacıların ve mühendislerin yıllar içinde kazandıkları deneyim de önemli bir bilgi kaynağıdır. Bu çalışanlar; arızalar, kalite sapmaları, malzeme sorunları, proses istikrarsızlıkları ve üretim kesintileri gibi durumlarla tekrar tekrar karşılaştıkça, resmi prosedürlerde yer almayan bir karar verme yetkinliği geliştirirler.

Bu tür bilgiye genellikle örtük bilgi (tacit knowledge) denir.

Deneyimli bir bakım teknisyeni, belirli bir pompadaki rulman problemini yalnızca titreşim seviyesine bakarak değil; titreşimin değişim eğilimi, motor akımındaki dalgalanma, ekipmanın geçmişi ve mevcut çalışma koşullarını birlikte değerlendirerek fark edebilir. Bir üretim şefi, planlama açısından uygun görünen belirli bir ürün sıralamasının gerçekte temizlik, geçiş veya proses kararlılığı sorunları yaratacağını deneyiminden bilir. Benzer şekilde bir kalite uzmanı, tüm parametreler spesifikasyon içinde görünmesine rağmen ürünün sınırda çalıştığını fark edebilir.

Bu bilgiler çoğu zaman kritik öneme sahiptir, fakat genellikle insanların zihninde kalır. Bu durum işletmeler açısından önemli bir risk oluşturur. Deneyimli bir çalışan emekli olduğunda, başka bir göreve geçtiğinde veya şirketten ayrıldığında organizasyon yalnızca bir çalışanını kaybetmez; aynı zamanda yıllar içinde oluşmuş operasyonel bilgisinin bir bölümünü de kaybedebilir. Bu risk özellikle kritik bilginin birkaç kişide yoğunlaştığı üretim KOBİ’lerinde daha belirgindir.

Dijitalleşme bu sorunu kısmen çözmüştür. İşletme yazılımaları (ERP, MES,..) ve kalite sistemleri giderek daha fazla üretim ve işlem verisini kayıt altına almaktadır. Ancak bu sistemler çoğunlukla ne olduğunu kaydederler. Bir kararın neden verildiğini, hangi alternatiflerin değerlendirildiğini, hangi bağlamsal işaretlerin kararı etkilediğini veya sonuçtan ne öğrenildiğini her zaman kayıt altına almaz.

Bu ayrım, üretim işletmeleri Generative AI ve Agentic AI kullanmaya başladıkça daha da önemli hale gelmektedir.

Bir yapay zekâ sistemi fabrikanın deneyimini kendiliğinden bilmez. Bir Large Language Model çok geniş genel bilgiye sahip olabilir; ancak işletme içindeki pompanın geçmiş davranışını, bir hammaddenin proseste yarattığı özel etkiyi veya bir alarmın hangi koşullarda gerçekten kritik hale geldiğini doğal olarak bilemez. Bu bilgilerin modele sağlanması gerekir.

Bu nedenle temel soru yalnızca daha fazla veri toplamak değildir.

Daha önemli soru şudur: Organizasyonun bildiği ancak bilgi sistemlerinin henüz bilmediği ne kadar örtük bilgimiz var?

Agentic AI bu boşluğu azaltmak için önemli bir araç olabilir.

Agentic AI geniş bir operasyonel süreç içinde çalışabilir. Bilgi toplayabilir, kurumsal sistemlerle etkileşime girebilir, workflow durumunu takip edebilir, analitik araçları kullanabilir, görevleri koordine edebilir, insan onayı isteyebilir ve gerçekleşen sonuçları kaydedebilir. Bu özellik, Agentic AI’ya yalnızca mevcut bilgiyi kullanma değil, yeni operasyonel deneyimi yakalama imkânı da verir.

Örneğin bir predictive-maintenance sürecini ele alalım.

Bir condition-monitoring modeli kritik bir pompada anormal davranış tespit eder. Maintenance Agent ilgili bakım manuelini, geçmiş doğrulanmış bakım vakalarını, sensör geçmişini ve CMMS kayıtlarını inceler. Gerekli yedek parçayı belirler. Sistem stok durumunu kontrol eder, bakım önerisini hazırlar, gerekli onayları koordine eder ve bakım tamamlandığında gerçek sonucu kaydeder.

Asıl öğrenme fırsatı bakım sonrasında ortaya çıkar.

Sistem ilk tahmini gerçek arıza ile, önerilen müdahaleyi yapılan müdahale ile ve beklenen sonucu gerçek sonuçla karşılaştırabilir. Ardından bir Learning Agent şu tür bir öneri oluşturabilir:

“Bu çalışma koşullarında titreşim artışı ile motor akımındaki dalgalanmanın birlikte görülmesi rulman aşınmasıyla ilişkili olabilir.”

Ancak bu bilgi doğrudan kurumsal hafızaya yazılmamalıdır.

Çünkü AI olayı yanlış yorumlamış olabilir. Gözlenen durum istisnai olabilir. Kritik bir bağlamsal değişken eksik olabilir. Bir makine için geçerli olan sonuç başka bir ekipmanda geçerli olmayabilir.

Bu nedenle Agentic AI’nın hedefi kontrolsüz öğrenme değil, doğrulanmış öğrenme (validated learning) olmalıdır.

Sistem tarafından üretilen öğrenme önerisi yetkili bir domain expert tarafından incelenebilir. Uzman öneriyi onaylayabilir, düzeltebilir veya reddedebilir. Ancak bu doğrulamadan sonra bilgi kalıcı kurumsal hafızanın bir parçası haline gelmelidir.

Bu döngü şu şekilde düşünülebilir:

Operasyonel Olay → Enterprise-Grounded Reasoning → Karar → Aksiyon → Sonuç → Öğrenme Önerisi → Uzman Doğrulaması → Kurumsal Hafıza

Burada önemli bir başka ayrım da AI memory ile kurumsal hafıza arasındadır.

Kurumsal hafıza, dil modelinin her etkileşimden sonra kendi iç parametrelerini değiştirmesi anlamına gelmemelidir. Endüstriyel uygulamalarda daha güvenli yaklaşım, hafızayı dış ve yönetilebilir bilgi yapılarında tutmaktır. Bu kurumsal hafıza yapıları; geçmiş operasyonel deneyimleri, alınan kararları, uzman değerlendirmelerini, gerçekleşen sonuçları, istisnai durumları ve doğrulanmış öğrenimleri sistematik biçimde saklayan dijital bilgi kaynaklarından oluşabilir.  AI modeli gelecekte benzer bir olayla karşılaştığında bu bilgileri retrieve ederek reasoning sürecinde kullanabilir.

Bu yaklaşımın önemli bir governance avantajı vardır: organizasyon hangi bilginin yeniden kullanılabilir kurumsal bilgi haline geleceği üzerinde kontrolünü korur. Başka bir ifadeyle: AI neyin öğrenilmesi gerektiğini önerebilir; fakat organizasyon neyin hatırlanacağına karar vermelidir.

Agentic AI ayrıca bilgi yakalama sürecini daha pratik hale getirebilir. Geleneksel knowledge-management uygulamalarında çalışanlardan olay sonrasında lessons learned raporları hazırlamaları beklenir. Ancak üretim baskısı altında bu faaliyetler kolaylıkla ertelenebilir veya yüzeysel kalabilir. Agentic bir workflow ise olayın büyük bölümünü zaten kayıt altına alır: ilk alarm, kullanılan kanıtlar, önerilen diagnosis, kullanılan malzemeler, onay geçmişi, gerçekleştirilen bakım, teknisyen geri bildirimi ve gerçek sonuç. Sistem bu bilgileri otomatik olarak bir araya getirip uzmana yapılandırılmış bir öğrenme önerisi sunabilir.

Uzmandan tüm olayı baştan yazması yerine şu sorulara cevap vermesi istenebilir:

§  İlk diagnosis doğru muydu?

§  Beklenmeyen ne bulundu?

§  Bu vaka gelecekte kullanılmalı mı?

§  Hangi koşullar altında geçerli?

§  Benzer durumda neye özellikle dikkat edilmeli?

Böylece deneyimli çalışanların rolü ortadan kalkmaz; aksine daha kritik hale gelir.

Uzmanlar yalnızca karar veren kişiler olmaktan çıkarak aynı zamanda kurumsal bilginin doğrulayıcısı ve küratörü haline gelir.

Bu yaklaşım AI readiness kavramını da genişletir. Şirketler genellikle “yeterli verimiz var mı?”, “altyapımız hazır mı?” veya “hangi modeli kullanmalıyız?” sorularını sorar.

Ancak şu soruyu da sormalıdır:

Kritik operasyonel bilgimizin ne kadarı hâlâ yalnızca insanların zihninde?

Standart dışı durumların çok olduuğu  süreçler, sürekli informal problem çözümü gerektiren operasyonlar, karar gerekçelerinin kaydedilmediği alanlar ve birkaç deneyimli çalışana aşırı bağımlı süreçler bu açıdan özellikle önemlidir.

Agentic AI bu nedenle yalnızca bir otomasyon veya execution teknolojisi olarak görülmemelidir. Doğru tasarlandığında aynı zamanda kurumsal öğrenme ve kurumsal hafıza altyapısı olarak da kullanılabilir.

Ama amaç insan bilgisini AI’ya aktararak insanı sistemden çıkarmak değildir.

Asıl amaç, bireysel deneyimi kalıcı ve yeniden kullanılabilir bir organizasyonel yetkinliğe dönüştürmektir.

Bu perspektiften bakıldığında, üretim yöneticilerinin Agentic AI konusunda sorması gereken en önemli sorulardan biri belki de şudur:

En deneyimli çalışanınız yarın şirketten ayrılsa fabrikanız artık neyi bilemez hale gelir?