Ajantik Yapay Zekâ ve Model Bağlam Protokolü (MCP)

1. Giriş

Ocak 2025'te OpenAI'ın kurucu ortağı Greg Brockman, sosyal medyada kısa ama iddialı bir öngörüde bulundu: "2025, yapay zekânın sohbet robotlarından ajanlara dönüşümünün yılı olacak" [1]. Bu tahmin, yapay zekâ endüstrisinin yeni favori sözcüğünü — "ajantik yapay zekâ" (agentic AI) — resmi olarak taçlandırıyordu. Brockman'ın öngörüsünün üzerinden henüz birkaç ay geçmişken, Cisco'nun 2025 AI Readiness Index araştırmasına göre organizasyonların yüzde 83'ü ajantik yapay zekâ sistemlerini keşfetmeye veya konuşlandırmaya başlamıştı [2]. Google Scholar'da "AI agent" veya "agentic AI" terimlerini içeren akademik yayınların sayısı, 2025 yılında önceki tüm yılların toplamını aşmıştı [3]. Yapay zekâ, metin üreten pasif bir sohbet aracı olmaktan çıkıp yazılım araçlarını kullanan, API çağrıları yapan, çok adımlı görevleri bağımsız biçimde tamamlayan ve diğer sistemlerle koordine olan otonom bir aktöre dönüşüyordu [1][4].

Bu dönüşümün altyapısal omurgasını, Kasım 2024'te Anthropic tarafından açık kaynak olarak yayımlanan Model Bağlam Protokolü (Model Context Protocol, MCP) oluşturmuştur [5]. MCP, yapay zekâ asistanlarını dış veri kaynaklarına, iş araçlarına ve geliştirme ortamlarına bağlamak için standart bir protokol sunarak, her veri kaynağı için ayrı entegrasyon yazma zorunluluğunu ortadan kaldırmıştır [5][6]. Anthropic'in resmi tanımlamasıyla, MCP'nin yapay zekâ modelleri için yaptığı şey, USB-C standardının cihazlar için yaptığının aynısıdır: herhangi bir yapay zekâ modelinin herhangi bir veri kaynağına veya araca — nerede barındırıldığına bakılmaksızın — bağlanmasını kolaylaştırmak [6]. Mart 2025'te OpenAI CEO'su Sam Altman'ın MCP desteğini duyurması [7], Nisan 2025'te Google DeepMind CEO'su Demis Hassabis'in Gemini modellerinde MCP uyumluluğunu teyit etmesi [8] ve Mayıs 2025'te Microsoft'un Build konferansında MCP'nin yönlendirme komitesine katılması [7], protokolü bir şirketin iç aracından endüstri standardına dönüştürmüştür.

Bir önceki bölümde ele aldığımız DeepSeek olayı, verimlilik paradigmasını meşrulaştırarak yapay zekâ modellerinin daha az kaynakla daha fazla şey başarabileceğini kanıtlamıştı. Ajantik yapay zekâ ise bu kapasiteyi yeni bir boyuta taşımıştır: artık mesele yalnızca modelin ne kadar zeki olduğu değil, modelin dünya ile ne kadar etkili biçimde etkileşime girebileceğidir. 2025 yılı, yapay zekânın "bilme" (knowing) aşamasından "yapma" (doing) aşamasına geçişini somutlaştırmış; bu geçiş, yapay zekâ tarihinin en köklü paradigma değişimlerinden birini temsil etmektedir [1][4].

Bu bölümde ele alınacak temel argüman şudur: Ajantik yapay zekâ ve MCP, büyük dil modellerini izole metin üreticilerinden bağlantılı, araç kullanan ve otonom karar veren sistemlere dönüştürerek, yapay zekânın toplumsal etkisini niteliksel olarak farklı bir düzeye taşımıştır. Ancak bu dönüşüm, güvenlik, hesap verebilirlik, otomasyon önyargısı ve emek piyasası etkileri açısından benzeri görülmemiş yeni riskler yaratmıştır.

2. Literatür Taraması

Ajantik yapay zekâ ve MCP üzerine akademik ve endüstriyel literatür, birbirine bağlı birkaç araştırma geleneğine dayanmaktadır.

Birinci eksen, ajan kavramının yapay zekâ tarihindeki kökleridir. Russell ve Norvig'in (2020) standart ders kitabı, yapay zekâ ajanını "çevresini algılayan ve bu çevre üzerinde eylemde bulunan" bir varlık olarak tanımlamıştır [9]. Bu tanım, 1950'lerden bu yana yapay zekâ araştırmalarının temel kavramsal çerçevesini oluşturmuştur. Ancak 2025'e kadar bu tanım büyük ölçüde teorik kalmıştır; pratik yapay zekâ uygulamalarının çoğu — ChatGPT, Claude, Gemini gibi sohbet arayüzleri — esasen "algılama-eylem" döngüsünden yoksun, tek yönlü metin üretim sistemleri olarak işlev görmüştür [1][10]. Minsky'nin (1986) The Society of Mind çalışmasında ortaya koyduğu çoklu ajan vizyonu — zekânın basit ajanların etkileşiminden doğduğu fikri — ajantik yapay zekânın kavramsal atasıdır [11]. Wooldridge ve Jennings'in (1995) çoklu ajan sistemleri üzerine öncü çalışması, ajan özerkliği, sosyal yetkinlik ve reaktivite kavramlarını formel biçimde tanımlamıştır [12].

İkinci eksen, araç kullanımı ve fonksiyon çağrısı (function calling) paradigmasının teknik gelişimidir. OpenAI, 2023'te GPT Actions ve fonksiyon çağrısı API'sini sunarak büyük dil modellerinin dış araçlarla etkileşimini ilk kez geniş çapta mümkün kılmıştır [13]. Schick ve arkadaşları (2023), "Toolformer" çalışmasında dil modellerinin hangi araçları ne zaman çağıracağını kendi kendine öğrenebildiğini göstermiştir [14]. Qin ve arkadaşları (2023), "ToolLLM" çalışmasında 16.000'den fazla API ile etkileşim kurabilen bir sistem geliştirmiştir [15]. Bu çalışmalar, MCP'nin çözmeyi hedeflediği "N×M entegrasyon problemi"nin — N model ile M araç arasındaki her bağlantı için ayrı bir adaptör gerekliliğinin — akademik temellerini atmıştır [5].

Üçüncü eksen, otonom yapay zekâ ajanlarının deneysel uygulamalarıdır. Yao ve arkadaşlarının (2022) ReAct çerçevesi, akıl yürütme (reasoning) ile eylem (acting) adımlarını tek bir döngüde birleştirerek, dil modellerinin araç kullanımını akıl yürütme süreciyle entegre etmiştir [16]. Significant Gravitas'ın AutoGPT projesi (2023), GPT-4'ü otonom bir ajana dönüştüren açık kaynak bir deney olarak büyük ilgi görmüş; ancak güvenilirlik sorunları nedeniyle pratik kullanımda sınırlı kalmıştır [17]. Wang ve arkadaşlarının (2024) kapsamlı tarama makalesi, büyük dil modeli tabanlı ajanların planlama, hafıza ve araç kullanımı bileşenlerini sistematik biçimde analiz etmiştir [18].

Dördüncü eksen, protokol standardizasyonu ve birlikte çalışabilirlik (interoperability) alanıdır. MCP, JSON-RPC 2.0 üzerine inşa edilmiş ve Microsoft'un Language Server Protocol (LSP) standardından ilham almıştır [5][6]. LSP, programlama dili desteğinin editörler arasında standartlaştırılmasını sağlamıştı; MCP, benzer biçimde yapay zekâ modellerinin araç ve veri kaynağı entegrasyonunu standartlaştırmayı hedeflemiştir [5][19]. Aralık 2025'te Anthropic, MCP'yi Linux Foundation bünyesindeki Agentic AI Foundation'a (AAIF) devretmiş; kurucu ortaklar arasında Anthropic, Block ve OpenAI yer almıştır [7][19]. Bu hamle, protokolün satıcıdan bağımsız, açık bir altyapı standardına dönüşümünü simgelemiştir.

Beşinci eksen, ajantik yapay zekânın güvenlik ve yönetişim boyutlarıdır. MIT'nin 2025 AI Agent Index raporu, incelenen 30 ajandan yalnızca 4'ünün ajana özgü güvenlik kartı (system card) yayımladığını ve 25'inin iç güvenlik test sonuçlarını paylaşmadığını ortaya koymuştur [3]. ABD Ulusal Standartlar ve Teknoloji Enstitüsü (NIST), Ocak 2025'te ajan ele geçirme (agent hijacking) senaryolarına yönelik somut değerlendirme rehberi yayımlamıştır [20]. Avrupa Birliği'nin 2025 Genel Amaçlı Yapay Zekâ Uygulama Kodu (General-Purpose AI Code of Practice), ajantik sistemlerin risk yönetimi, şeffaflık ve kayıt tutma gereksinimlerini tanımlamıştır [21].

Eleştirel perspektiften, 2025 yılında "ajan yıkama" (agent-washing) kavramı ortaya çıkmıştır: mevcut otomasyon betiklerinin ve basit asistanların, gerçek özerklik, karar sınırları veya hesap verebilirlik mekanizmaları olmaksızın "ajan" olarak yeniden etiketlenmesi [22]. Bender ve arkadaşlarının (2021) "stokastik papağanlar" eleştirisi, ajantik bağlamda yeni bir aciliyet kazanmıştır: eğer dil modelleri dili gerçekten anlamıyorsa, onlara otonom eylem yetkisi vermek ne ölçüde güvenlidir [23]?

Türkçe literatürde, ajantik yapay zekâ konusu henüz sınırlı akademik ilgiye sahiptir. Safaya ve arkadaşlarının (2022) Türkçe NLP kıyaslama çalışması, çok dilli modellerin araç kullanımı ve ajantik görevlerdeki performansını dolaylı olarak ilgilendirmektedir [24].

3. Tarihsel ve Teorik Arka Plan

Ajan Kavramının Altmış Yıllık Yolculuğu

"Ajan" kavramı, yapay zekâ alanının en eski ve en merkezi kavramlarından biridir. 1956 Dartmouth Konferansı'nda John McCarthy ve Marvin Minsky'nin formüle ettiği yapay zekâ vizyonu, temelde "otonom biçimde düşünen ve eylemde bulunan" bir sistem yaratma hedefini içermekteydi [25]. Ancak yapay zekâ tarihinin büyük bölümünde, bu vizyon ile pratik uygulamalar arasında derin bir uçurum kalmıştır.

1960'ların Genel Problem Çözücüsü (General Problem Solver, GPS), Newell ve Simon'ın "evrensel ajan" vizyonunun erken bir somutlaşmasıydı; ancak gerçek dünya ile etkileşim kapasitesinden yoksundu [26]. 1980'lerin uzman sistemleri, belirli alanlarda karar veren yazılımlar olarak dar anlamda "ajan" işlevi görmüş, ancak bu sistemlerin esnekliği ve genellenebilirliği sınırlı kalmıştır. 1990'ların çoklu ajan sistemleri araştırmaları — Jennings, Sycara ve Wooldridge'in çalışmaları — ajan kavramını formel olarak tanımlayarak özerklik, sosyal yetkinlik, reaktivite ve proaktivite bileşenlerini ayrıştırmıştır [12][27]. 2000'lerin robotik ajanları — Boston Dynamics'in ilk prototiplerine kadar — fiziksel dünya ile etkileşim boyutunu eklemiştir.

Bölüm 26'da ele aldığımız Minsky'nin "zihin toplumu" kavramı, ajantik yapay zekânın en derin entelektüel köklerinden birini oluşturmaktadır [11]. Minsky'nin "basit ajanların etkileşiminden karmaşık zekanın doğduğu" tezi, 2025'te çoklu ajan orkestrasyon sistemlerinde — bir üst ajan'ın alt ajanları koordine ettiği yapılarda — somutlaşmıştır [28].

Sohbet Robotlarından Ajanlara: Paradigma Değişiminin Altyapısı

2022-2024 yılları arasında büyük dil modelleri, çeşitli "proto-ajantik" yetenekler kazanmıştır. OpenAI'ın Haziran 2023'te tanıttığı fonksiyon çağrısı (function calling) mekanizması, modellerin yapılandırılmış JSON çıktısı üreterek belirli araçları çağırmasını mümkün kılmıştır [13]. Aynı yıl tanıtılan ChatGPT eklenti çerçevesi (plugin framework), dış hizmetlerle entegrasyonu ilk kez tüketici düzeyinde sunmuş; ancak satıcıya özgü bağlayıcılar gerektirdiğinden ölçeklenebilirlik sorunu yaşamıştır [13][19]. Anthropic'in 2024'te tanıttığı bilgisayar kullanımı (computer use) özelliği, yapay zekâ modellerinin ekran görüntüsü alarak ve fare/klavye simüle ederek yazılımlarla doğrudan etkileşimini mümkün kılmıştır [29].

Bu gelişmelerin ortak sorunu, her entegrasyonun özel olarak kodlanması gerekliliğiydi. N adet yapay zekâ modeli ile M adet araç arasında N×M sayıda bağlayıcı yazmak, hem geliştirme maliyetini hem de bakım yükünü katlanarak artırmaktaydı [5]. MCP, tam da bu "N×M problemi"ni çözmek için tasarlanmıştır: tek bir standart protokol aracılığıyla herhangi bir modelin herhangi bir araca bağlanabilmesi [5][6].

Kurumsal ve Teknolojik Bağlam

2025'in ajantik yapay zekâ yılı olarak kristalleşmesinde birkaç yapısal faktör belirleyici olmuştur. Birincisi, modellerin akıl yürütme kapasitelerindeki artıştır: OpenAI'ın o1 modeli (2024) ve DeepSeek-R1 (2025), düşünce zinciri (chain-of-thought) tabanlı çok adımlı muhakeme yeteneklerini dramatik biçimde geliştirmiştir [30][31]. Bu akıl yürütme kapasitesi, çok adımlı görevleri planlama ve yürütme için ön koşuldur. İkincisi, açık kaynak model ekosisteminin olgunlaşmasıdır: Bölüm 42-44'te ele aldığımız Llama ve DeepSeek modelleri, ajantik sistemlerin altyapısını oluşturan erişilebilir ve güçlü temel modeller sağlamıştır [32][33]. Üçüncüsü, kodlama asistanlarının yaygınlaşmasıdır: Cursor, GitHub Copilot ve Windsurf gibi araçlar, geliştiricilerin yapay zekâ ile "birlikte çalışma" deneyimini normalleştirmiş ve ajantik etkileşim kalıplarına zemin hazırlamıştır [1][4].

4. Ana Konu Analizi

4a. Temel Mekanizma: Model Bağlam Protokolü (MCP) ve Ajantik Altyapı

MCP'nin teknik mimarisi. Model Bağlam Protokolü, istemci-sunucu (client-server) mimarisi üzerine inşa edilmiş açık bir standarttır [5]. Üç temel bileşen içermektedir: birincisi, "araçlar" (tools) — yapay zekâ modellerinin dış dünya ile etkileşimini sağlayan çalıştırılabilir işlevler; ikincisi, "kaynaklar" (resources) — modellerin okuyabileceği veri kaynakları; üçüncüsü, "istemler" (prompts) — belirli bir alan için yeniden kullanılabilir etkileşim şablonları [5][6]. Protokol, JSON-RPC 2.0 taşıma katmanı üzerinde çalışmakta ve Python, TypeScript, C# ve Java gibi ana programlama dillerinde yazılım geliştirme kitleri (SDK) sunmaktadır [5].

MCP'nin kritik yeniliği, yapay zekâ modellerinin hangi araçları kullanacağını otomatik olarak belirleyebilmesidir [6]. Geleneksel API entegrasyonlarında, geliştirici her API çağrısının ne zaman ve nasıl yapılacağını deterministik biçimde programlar. MCP'de ise model, mevcut araçların listesini inceler, kullanıcının isteğine en uygun araçları seçer ve uygun sırayla çağırır — bu süreç deterministik değil, olasılıksal bir karar verme sürecidir [6][19]. Bu özellik, MCP'yi geleneksel API entegrasyonlarından kategorik olarak ayıran temel farktır.

MCP'nin hızlı benimsenmesi. MCP, Kasım 2024'te Anthropic tarafından yayımlandığında, başlangıçta yalnızca geliştiricilerin yapay zekâ destekli kodlama deneyimlerini iyileştirmek için kullanılan niş bir araç olarak algılanmıştır [19]. Örneğin, Windsurf editörü MCP aracılığıyla Puppeteer'ı çağırarak geliştirdiği web uygulamasını otomatik olarak test edebiliyordu [19]. Ancak protokolün ağ etkileri (network effects) hızla işlemeye başlamıştır: her yeni MCP sunucusu, mevcut tüm MCP istemcilerine otomatik olarak erişilebilir hale gelmiş; bu da hem sunucu hem istemci geliştirme teşvikini artırmıştır [7][19].

Mart 2025'te OpenAI'ın MCP desteğini duyurması, protokolün kaderini belirleyen kritik dönüm noktası olmuştur [7]. Bu karar, OpenAI'ın kendi rakip çerçevelerinden (GPT Actions) vazgeçerek Anthropic'in standardına katılması anlamına geliyordu — yapay zekâ endüstrisinde nadir görülen bir stratejik uzlaşma [7][19]. Sam Altman'ın ifadesiyle: "İnsanlar MCP'yi seviyor ve ürünlerimize destek eklemekten heyecan duyuyoruz" [7]. Mayıs 2025'te Microsoft'un Build konferansında GitHub ve Microsoft'un MCP yönlendirme komitesine katılması, protokolü fiilen evrensel bir endüstri standardına dönüştürmüştür [7]. Aralık 2025'te MCP'nin Linux Foundation bünyesindeki Agentic AI Foundation'a devredilmesi, standardizasyon sürecini kurumsal olarak güvence altına almıştır [19].

Ajantik tarayıcılar ve tüketici ürünleri. 2025'in ortalarından itibaren "ajantik tarayıcılar" (agentic browsers) ortaya çıkmıştır [1]. Perplexity'nin Comet'i, Browser Company'nin Dia'sı, OpenAI'ın GPT Atlas'ı ve Opera Neon gibi ürünler, web tarayıcısını pasif bir arayüzden aktif bir katılımcıya dönüştürmüştür [1][4]. Bu tarayıcılar, yalnızca tatil seçeneklerini araştırmakla kalmıyor, tatili doğrudan rezerve edebiliyordu — "arama"dan "eyleme" geçiş, tüketici deneyiminde somutlaşıyordu [1].

4b. Kilit Aktörler ve Katkıları

Anthropic ve MCP'nin doğuşu. MCP'nin köken hikâyesi pragmatik bir motivasyona dayanmaktadır: Anthropic geliştiricisi David Soria Parra'nın Claude Desktop ile IDE'si arasında sürekli kod kopyalamak zorunda kalmasından duyduğu hayal kırıklığı [19]. Bu bireysel deneyimden doğan çözüm, yapay zekâ ekosisteminin altyapısal standardı haline gelmiştir. Anthropic'in stratejik kararı — protokolü açık kaynak olarak yayımlaması ve rakiplerine açması — şirketin "güvenli ve yararlı yapay zekâ" misyonuyla tutarlıdır ve Meta'nın Bölüm 42-43'te ele aldığımız "açık ağırlıklı model" stratejisiyle paralel bir endüstri dinamiğini yansıtmaktadır [5][34].

OpenAI ve ajantik altyapı. OpenAI, 2025 yılında ajantik yapay zekâyı stratejik öncelik olarak konumlandırmıştır. Mart 2025'te Responses API, araç kullanımı ve Python Agents SDK'sı tanıtılmış; Ekim 2025'te AgentKit, Agent Builder ve genişletilmiş Evals paketi yayımlanmıştır [4][35]. Ocak 2025'te piyasaya sürülen Operator ürünü, tarayıcı tabanlı bir ajantik sistem olarak CUA (Computer-Using Agent) modeli üzerine inşa edilmiştir [22].

Google, Microsoft ve kurumsal benimseme. Google DeepMind'ın Gemini modellerinde MCP desteğini teyit etmesi, protokolün üç büyük yapay zekâ laboratuvarının tamamı tarafından benimsendiğini göstermiştir [8]. Microsoft, Build 2025 konferansını "yapay zekâ ajanlarının çağı" temasıyla düzenlemiş, Copilot Studio ve Azure AI üzerinden çoklu ajan orkestrasyonu ve kurumsal kontrol mekanizmalarını sunmuştur [35]. Bu kurumsal benimseme, ajantik yapay zekânın deneysel bir kavramdan üretim düzeyinde bir altyapıya geçtiğinin somut göstergesidir.

Block (eski Square) ve topluluk. Block, AAIF'nin kurucu ortaklarından biri olarak MCP ekosistemine hem sunucu uygulamaları hem de "goose" adlı açık kaynak ajan çerçevesiyle katkıda bulunmuştur [19][36]. Topluluk tarafından geliştirilen binlerce MCP sunucusu — Google Drive, Slack, GitHub, Salesforce gibi kurumsal sistemler için — protokolün ekosistem genişliğini dramatik biçimde artırmıştır [5][6].

4c. Dönem İçindeki Yeri

Ajantik yapay zekânın 2025'teki yükselişi, yapay zekâ tarihinin tekrarlayan bir kalıbını yeniden somutlaştırmıştır: temel bir yetenek kazanıldıktan sonra (dil üretimi), bu yeteneğin dünya ile etkileşim boyutunun eklenmesi (araç kullanımı ve otonom eylem). Bu kalıp, bilgisayar biliminin tarihinde defalarca gözlemlenmiştir: mainframe bilgisayarlardan kişisel bilgisayarlara, kişisel bilgisayarlardan internet bağlantılı bilgisayarlara, statik web sitelerinden etkileşimli web uygulamalarına geçişler, hep "izole hesaplama"dan "bağlantılı eyleme" doğru evrim göstermiştir [37].

Ancak ajantik yapay zekâ, bu kalıbı yeni bir düzeye taşımıştır. Önceki paradigma değişimlerinde, bağlantı ve etkileşim deterministik kurallarla yönetilmiştir — bir web uygulaması, geliştiricinin yazdığı kodu çalıştırır. Ajantik yapay zekâda ise etkileşim, olasılıksal bir karar verme modeli tarafından yönlendirilmektedir [4][6]. Bu fark, ajantik sistemlerin potansiyelini artırırken, aynı zamanda öngörülemezlik ve güvenlik sorunlarını da beraberinde getirmektedir [3][20].

2025 yılında ajantik yapay zekânın somutlaştığı alanlar şunlardır: kodlama ajanları (Cursor, GitHub Copilot, Claude Code), tarayıcı ajanları (Operator, Comet, Dia), iş akışı otomasyon ajanları (n8n, Google Antigravity) ve kurumsal ajanlar (Salesforce Agentforce, ServiceNow, SAP) [1][4][22]. BCG'nin 2025 raporuna göre, üretken yapay zekâ kullanan şirketler yüzde 15 ile 30 arasında verimlilik artışı elde etmiş, bazıları yüzde 80'e varan iyileştirme hedeflemektedir [2].

4d. Genel Yapay Zekâ Tarihindeki Yeri

Ajantik yapay zekâ, yapay zekâ tarihinin en temel gerilimlerinden birini — "düşünen makineler" ile "eylemde bulunan makineler" arasındaki gerilimi — yeni bir senteze kavuşturmuştur. McCarthy'nin 1956'daki "yapay zekâ" vizyonu, başından beri hem düşünme hem de eylem kapasitesini içermekteydi [25]. Ancak alanın tarihsel gelişimi, bu iki boyutu farklı hızlarda ilerletmiştir: düşünme kapasitesi (akıl yürütme, dil anlama, örüntü tanıma) sürekli gelişirken, eylem kapasitesi (araç kullanımı, çevre etkileşimi, otonom karar verme) görece geride kalmıştır.

2025, bu dengenin yeniden kurulduğu yıl olmuştur. MCP ve ajantik çerçeveler, modellerin düşünme kapasitesini eylem kapasitesiyle birleştirmenin altyapısal koşullarını yaratmıştır [5][6]. Bu birleşim, yapay zekânın toplumsal etkisini niteliksel olarak farklı bir düzeye taşımaktadır: metin üreten bir model, "bilgi" üretir; araç kullanan bir ajan ise "eylem" üretir [1][4]. Bilgi üretimi, insanın karar verme sürecini destekler; eylem üretimi ise insanın karar verme sürecinin bir kısmını doğrudan devralır. Bu fark, güvenlik, hesap verebilirlik ve etik açısından kategorik olarak farklı bir risk profili yaratmaktadır [3][20].

Ajantik paradigma olmadan, yapay zekânın gelecekteki en iddialı hedefleri — yapay genel zekâ (AGI), tam otonom bilimsel keşif, karmaşık iş süreçlerinin uçtan uca otomasyonu — gerçekleştirilemez. Bu anlamda, 2025'in ajantik dönüşümü, yapay zekâ tarihinin "sonraki büyük adımlarının" ön koşulunu oluşturmaktadır.

5. Eleştirel Değerlendirme

"Ajan yıkama" ve kavramsal enflasyon. 2025 yılında "ajan" kavramı, pazarlama amaçlı biçimde genişletilmiş ve sulandırılmıştır [22]. Mevcut robotik süreç otomasyonu (RPA) betikleri ve basit asistanlar, gerçek özerklik veya karar sınırları olmaksızın "ajan" olarak yeniden etiketlenmiştir [22]. Avelange'ın (2025) ifadesiyle: "Eğer bir sistem güvenli biçimde hareket edemiyorsa, uyum sağlayamıyorsa ve sürekli insan denetimi olmadan toparlanamıyorsa, ajantik değildir — daha iyi pazarlanmış bir otomasyon'dur" [22]. Bu kavramsal enflasyon, gerçek ajantik yetenekler ile pazarlama söylemi arasındaki ayrımı bulanıklaştırmaktadır.

Güvenlik ve ele geçirme riskleri. Otonom biçimde eylemde bulunan yapay zekâ ajanları, ele geçirme (hijacking), dolaylı istem enjeksiyonu (indirect prompt injection) ve yetkisiz eylem riskleri taşımaktadır [3][20]. MIT'nin AI Agent Index raporuna göre, incelenen 30 ajandan 25'i iç güvenlik test sonuçlarını paylaşmamış, 23'ü bağımsız üçüncü taraf testinden geçmemiştir [3]. NIST'in Ocak 2025 rehberi, "ele geçirme senaryosu" kavramını değerlendirme birimi olarak tanımlayarak, ajanların kötü niyetli görevleri tamamlayıp tamamlayamayacağını test etmeyi önermiştir [20]. Kasım 2025'te Anthropic'in Claude Code ajanının bir siber saldırının parçalarını otomatikleştirmek için kötüye kullanıldığını açıklaması, bu risklerin teorik olmadığını somut biçimde göstermiştir [1].

Hesap verebilirlik boşluğu. Ajantik sistemlerin otonom kararları, hesap verebilirlik açısından yeni sorunlar yaratmaktadır [38]. Bir ajan hatalı bir işlem gerçekleştirdiğinde — yanlış bir e-posta gönderdiğinde, hatalı bir sipariş verdiğinde, yanlış bir kişiyi aradığında — sorumluluk kime aittir? Kullanıcıya mı, ajana talimat veren modele mi, modeli geliştiren şirkete mi, yoksa MCP sunucusunu sağlayan üçüncü tarafa mı [38]? Bu soru, yapay zekâ yönetişiminin en acil ve çözümlenmemiş problemlerinden birini oluşturmaktadır.

Otomasyon önyargısı ve "insan döngüde" yanılsaması. Bölüm 38'de ele aldığımız hibrit zekâ çerçevesinin temel uyarısı — insanların otomatik sistemlerin çıktılarına sistematik biçimde aşırı güvenme eğilimi — ajantik bağlamda daha da kritik hale gelmiştir [39]. Parasuraman ve Riley'nin (1997) belgelediği otomasyon önyargısı, ajanların otonom eylemlerinin "onay" mekanizmalarıyla denetlendiği sistemlerde ciddi bir risk oluşturmaktadır [40]: kullanıcılar, ajan kararlarını eleştirel biçimde değerlendirmek yerine otomatik olarak onaylama eğilimi gösterebilirler.

Bugünden bakıldığında. 2025'in ajantik yapay zekâ vaadi ile gerçekliği arasında önemli bir fark mevcuttur. IBM'in anket verileri, geliştiricilerin yüzde 99'unun yapay zekâ ajanlarını keşfettiğini veya geliştirdiğini gösterse de [41], gerçek anlamda otonom, güvenilir ve ölçeklenebilir ajan dağıtımları 2025 sonunda hâlâ sınırlı kalmıştır [22]. Hay'in (2025) ifadesiyle: "Çoğu organizasyon ajana hazır değil. Heyecan verici olan iş, modellerden değil, kurumsal API'ların nasıl açılacağından gelecek" [41]. Bu gözlem, ajantik yapay zekânın teknik kapasitesinin kurumsal hazırlığın çok ilerisinde olduğunu düşündürmektedir.

6. Etik ve Toplumsal Boyutlar

Emek piyasası dönüşümü. Ajantik yapay zekânın en derin toplumsal etkisi, beyaz yakalı emek piyasasında olacaktır [42]. Krazimo CEO'su Verghese'nin (2025) tahminlerine göre, beyaz yakalı işlerin yüzde 40 ila 70'i üç yıl içinde otomatize edilebilir hale gelecektir — ancak "otomatize edilebilir" ile "otomatize edilmiş" arasında büyük bir fark vardır [22]. Bu dönüşüm, Bölüm 38'de ele aldığımız hibrit zekâ çerçevesinin merkezinde yer alan "insan-makine işbirliği" modelini doğrudan sınamaktadır: ajantik sistemler, insanı tamamlayan bir araç mı yoksa insanın yerini alan bir ikame mi olacaktır?

Güç yoğunlaşması ve erişim eşitsizliği. MIT'nin AI Agent Index raporuna göre, ajantik yapay zekâ geliştirme büyük ölçüde ABD (30 ajandan 21'i) ve Çin'de (5'i) yoğunlaşmıştır [3]. Bu coğrafi yoğunlaşma, ajantik teknolojilerin faydalarının küresel düzeyde eşit biçimde dağılmaması riskini artırmaktadır. Gelişmekte olan ülkelerdeki araştırmacılar ve girişimciler, ajantik altyapıya erişimde yapısal dezavantajlarla karşı karşıyadır.

Gizlilik ve gözetim. Otonom biçimde e-posta okuyan, takvim yöneten, dosyalara erişen ve internet üzerinde işlem yapan ajanlar, kullanıcıların dijital yaşamlarına benzeri görülmemiş düzeyde erişim kazanmaktadır [1][38]. Bu erişim, hem bireysel gizlilik hem de kurumsal veri güvenliği açısından ciddi riskler taşımaktadır. MCP sunucularının kullanıcı verilerini nasıl işlediği, depoladığı ve paylaştığı konusundaki şeffaflık, henüz yeterli düzeyde standartlaştırılmamıştır [3][5].

Çevresel maliyet. Ajantik sistemler, her görev için birden fazla model çağrısı, araç etkileşimi ve sonuç değerlendirmesi gerektirdiğinden, basit sohbet etkileşimlerine kıyasla çok daha yüksek hesaplama maliyetine sahiptir [43]. Schwartz ve arkadaşlarının (2020) "Green AI" manifestosunda vurgulanan çevresel kaygılar, ajantik paradigmayla birlikte yoğunlaşmaktadır [43].

7. Güncel Uygulamalar ve Miras

MCP ekosisteminin genişlemesi. 2025 sonu itibarıyla binlerce MCP sunucusu geliştirilmiş ve çeşitli dizin platformları (MCP.so gibi) aracılığıyla keşfedilebilir hale gelmiştir [6][19]. Google Drive, Slack, GitHub, Salesforce, PostgreSQL ve daha birçok kurumsal sistem için MCP sunucuları mevcuttur [5]. Bu ekosistem genişliği, MCP'yi yalnızca bir protokolden öte, ajantik yapay zekânın "bağlantı katmanı" haline getirmiştir.

Kodlama ajanlarının olgunlaşması. Claude Code, Cursor, GitHub Copilot ve benzeri kodlama ajanları, 2025'te yazılım geliştirme süreçlerini köklü biçimde dönüştürmüştür [1][4]. Bu araçlar, dosya sistemi navigasyonundan test çalıştırmaya, hata ayıklamadan dağıtıma kadar yazılım geliştirmenin tüm aşamalarında otonom biçimde çalışabilmektedir. SnapLogic CTO'su Stone'un (2025) ifadesiyle: "Bağlam mühendisliği — insanlar ve modeller arasındaki paylaşılan otomasyon dili olarak işlev gören yapılandırılmış kısa biçim şartnameleri oluşturmak — yapay zekâ geliştiricileri için en çok aranan beceri haline geldi" [22].

Kurumsal ajan orkestrasyonu. McKinsey'in 2025 raporuna göre, çoklu ajan iş akışları — belge işleme, müşteri adayı değerlendirme, kredi notu analizi gibi sıkı kapsamlı görevlerde — somut iş değeri üretmeye başlamıştır [44]. Ortak kalıp şudur: değer, özerkliğin kademeli olarak artırıldığı, koruma raylarının açıkça tanımlandığı ve değerlendirmenin sürekli yapıldığı durumlarda ortaya çıkmaktadır [44].

ISO/IEC 42001 ve düzenleyici çerçeve. ISO, 2025'te organizasyon genelinde yapay zekâ yönetişimi için ISO/IEC 42001 Sorumlu Yapay Zekâ paketini resmi olarak yayımlamıştır [21]. AB'nin Genel Amaçlı Yapay Zekâ Uygulama Kodu, ajantik sistemlerin risk yönetimi, şeffaflık ve kayıt tutma gereksinimlerini tanımlamıştır [21]. NIST'in ajan ele geçirme değerlendirme rehberi, güvenlik testlerinin standartlaşmasına yönelik somut bir adım olmuştur [20]. Bu düzenleyici gelişmeler, ajantik yapay zekânın "deneyden üretime" geçişinin yönetişim boyutunu oluşturmaktadır.

Akademik miras. 2025, ajantik yapay zekâ araştırmalarının kurumsallaştığı yıl olmuştur. MIT'nin AI Agent Index [3], alandaki ilk sistematik kıyaslama çerçevesini sunmuştur. Anthropic'in MCP spesifikasyonu [5], yapay zekâ-araç etkileşiminin standartlaştırılması için referans doküman haline gelmiştir. AAIF'nin kuruluşu [19], ajantik altyapının açık ve satıcıdan bağımsız biçimde geliştirilmesinin kurumsal güvencesini sağlamıştır.

8. Bölüm Özeti

Bu bölümde, 2025 yılının yapay zekâ tarihindeki en belirleyici gelişmelerinden birini — büyük dil modellerinin izole metin üreticilerinden bağlantılı, araç kullanan ve otonom eylemde bulunan ajanlara dönüşümünü — çok boyutlu bir perspektiften analiz ettik. Model Bağlam Protokolü (MCP), Anthropic tarafından Kasım 2024'te açık kaynak olarak yayımlanmış ve bir yıl içinde OpenAI, Google DeepMind ve Microsoft dahil endüstrinin tüm büyük aktörleri tarafından benimsenmiş, Aralık 2025'te Linux Foundation bünyesindeki Agentic AI Foundation'a devredilerek evrensel bir standarda dönüşmüştür [5][7][19].

Ajantik yapay zekâ, yapay zekâ tarihinin kuruluşundan beri var olan — ama pratik olarak gerçekleştirilemeyen — "algılayan, akıl yürüten ve eylemde bulunan otonom sistem" vizyonunu somutlaştırmıştır [1][4][9]. Bu dönüşüm, yapay zekânın toplumsal etkisini niteliksel olarak farklı bir düzeye taşımıştır: metin üreten bir model bilgi üretirken, araç kullanan bir ajan eylem üretmektedir. Bu fark, güvenlik, hesap verebilirlik, emek piyasası dinamikleri ve etik açısından kategorik olarak yeni bir risk ve fırsat profili yaratmıştır [3][20][38].

Kitabımızın genel argümanı açısından, ajantik yapay zekânın yükselişi birkaç temel temayı yeniden doğrulamaktadır. Birincisi, yapay zekâ tarihinin tekrarlayan "izole hesaplamadan bağlantılı eyleme" kalıbını somutlaştırmaktadır. İkincisi, teknolojik standartların (MCP) endüstri dinamiklerini nasıl şekillendirdiğini göstermektedir — tıpkı TCP/IP'nin interneti veya HTTP'nin web'i standartlaştırması gibi. Üçüncüsü, güvenlik ve yönetişim çerçevelerinin teknolojik gelişmenin gerisinde kaldığı tekrarlayan sorunun, ajantik çağda daha da acil hale geldiğini ortaya koymaktadır.

Bir sonraki bölümde ele alacağımız yapay zekâ düzenleme ve yönetişim tartışmaları, ajantik yapay zekânın yarattığı bu yeni risk profiline toplumların ve hükümetlerin nasıl yanıt vermeye çalıştığını inceleyecektir.

---

9. Kaynakça

[1] The Conversation. (2026, 5 Ocak). AI agents arrived in 2025 — here's what happened and the challenges ahead in 2026. The Conversation. https://theconversation.com/ai-agents-arrived-in-2025-heres-what-happened-and-the-challenges-ahead-in-2026-272325

[2] Cisco. (2025). 2025 AI Readiness Index. Cisco Systems.

[3] MIT. (2025). The 2025 AI Agent Index. MIT AI Agent Index. https://aiagentindex.mit.edu/

[4] Skywork AI. (2025, 7 Ekim). The rise of agentic AI: Why 2025 is the year of AI agents. Skywork AI Blog. https://skywork.ai/blog/agentic-ai-2025/

[5] Anthropic. (2024, 25 Kasım). Introducing the Model Context Protocol. Anthropic News. https://www.anthropic.com/news/model-context-protocol

[6] Google Cloud. (2025). What is Model Context Protocol (MCP)? A guide. Google Cloud. https://cloud.google.com/discover/what-is-model-context-protocol

[7] The New Stack. (2025, 18 Aralık). Why the Model Context Protocol won. The New Stack. https://thenewstack.io/why-the-model-context-protocol-won/

[8] Hassabis, D. (2025, Nisan). MCP desteği hakkında açıklama. The Verge tarafından aktarılmıştır.

[9] Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4. baskı). Pearson.

[10] Bubeck, S., Chandrasekaran, V., Eldan, R., Gehrke, J., Horvitz, E., Kamar, E., ... & Zhang, Y. (2023). Sparks of artificial general intelligence: Early experiments with GPT-4. arXiv preprint arXiv:2303.12712.

[11] Minsky, M. (1986). The Society of Mind. Simon & Schuster.

[12] Wooldridge, M., & Jennings, N. R. (1995). Intelligent agents: Theory and practice. The Knowledge Engineering Review, 10(2), 115–152.

[13] OpenAI. (2023). Function calling and other API updates. OpenAI Blog. https://openai.com/blog/function-calling-and-other-api-updates

[14] Schick, T., Dwivedi-Yu, J., Dessì, R., Raileanu, R., Lomeli, M., Hambro, E., ... & Scialom, T. (2023). Toolformer: Language models can teach themselves to use tools. Advances in Neural Information Processing Systems, 36.

[15] Qin, Y., Liang, S., Ye, Y., Zhu, K., Yan, L., Lu, Y., ... & Sun, M. (2023). ToolLLM: Facilitating large language models to master 16000+ real-world APIs. arXiv preprint arXiv:2307.16789.

[16] Yao, S., Zhao, J., Yu, D., Du, N., Shafran, I., Narasimhan, K., & Cao, Y. (2022). ReAct: Synergizing reasoning and acting in language models. arXiv preprint arXiv:2210.03629.

[17] Significant Gravitas. (2023). AutoGPT: An autonomous GPT-4 experiment. GitHub Repository. https://github.com/Significant-Gravitas/AutoGPT

[18] Wang, L., Ma, C., Feng, X., Zhang, Z., Yang, H., Zhang, J., ... & Wang, J. (2024). A survey on large language model based autonomous agents. Frontiers of Computer Science, 18(6), 186345.

[19] Pento. (2025). A year of MCP: From internal experiment to industry standard. Pento Blog. https://www.pento.ai/blog/a-year-of-mcp-2025-review

[20] National Institute of Standards and Technology. (2025). Evaluation guidance for agent hijacking scenarios. NIST Technical Blog.

[21] European Union. (2025). General-purpose AI code of practice. Official Journal of the European Union.

[22] SDxCentral. (2026, 16 Ocak). Was 2025 really the year of the AI agent? SDxCentral. https://www.sdxcentral.com/analysis/was-2025-really-the-year-of-the-ai-agent/

[23] Bender, E. M., Gebru, T., McMillan-Major, A., & Shmitchell, S. (2021). On the dangers of stochastic parrots: Can language models be too big? Proceedings of the 2021 ACM Conference on Fairness, Accountability, and Transparency (FAccT), 610–623.

[24] Safaya, A., Kurfalı, M., & Yanık, L. (2022). Mukayese: Turkish NLP strikes back. Proceedings of the 2022 Conference on Empirical Methods in Natural Language Processing (EMNLP).

[25] McCarthy, J., Minsky, M. L., Rochester, N., & Shannon, C. E. (1955). A proposal for the Dartmouth summer research project on artificial intelligence. AI Magazine, 27(4), 12–14.

[26] Newell, A., & Simon, H. A. (1963). GPS, a program that simulates human thought. In E. A. Feigenbaum & J. Feldman (Eds.), Computers and Thought (ss. 279–293). McGraw-Hill.

[27] Sycara, K. P. (1998). Multiagent systems. AI Magazine, 19(2), 79–92.

[28] Futurum Group. (2025, 3 Aralık). Was 2025 really the year of agentic AI, or just more agentic hype? Futurum. https://futurumgroup.com/insights/was-2025-really-the-year-of-agentic-ai-or-just-more-agentic-hype/

[29] Anthropic. (2024, 29 Ekim). Developing a computer use model. Anthropic News. https://www.anthropic.com/news/developing-computer-use

[30] OpenAI. (2024). Learning to reason with LLMs. OpenAI Blog. https://openai.com/index/learning-to-reason-with-llms/

[31] DeepSeek-AI. (2025). DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning. arXiv preprint arXiv:2501.12948.

[32] Grattafiori, A., Dubey, A., Jauhri, A., ve diğerleri. (2024). The Llama 3 herd of models. arXiv preprint arXiv:2407.21783.

[33] Touvron, H., Lavril, T., Izacard, G., Martinet, X., Lachaux, M.-A., Lacroix, T., ... & Lample, G. (2023). LLaMA: Open and efficient foundation language models. arXiv preprint arXiv:2302.13971.

[34] Zuckerberg, M. (2024, 23 Temmuz). Open source AI is the path forward. Meta Blog.

[35] Microsoft. (2025, 19 Mayıs). The age of AI agents: Microsoft Build 2025. Microsoft Blog.

[36] Block. (2025). Goose: An open-source agent framework. GitHub Repository.

[37] Berners-Lee, T. (2000). Weaving the Web: The Original Design and Ultimate Destiny of the World Wide Web. HarperBusiness.

[38] Floridi, L., & Chiriatti, M. (2020). GPT-3: Its nature, scope, limits, and consequences. Minds and Machines, 30(4), 681–694.

[39] Dellermann, D., Ebel, P., Söllner, M., & Leimeister, J. M. (2019). Hybrid intelligence. Business & Information Systems Engineering, 61(5), 637–643.

[40] Parasuraman, R., & Riley, V. (1997). Humans and automation: Use, misuse, disuse, abuse. Human Factors, 39(2), 230–253.

[41] IBM. (2025, 18 Kasım). AI agents in 2025: Expectations vs. reality. IBM Think. https://www.ibm.com/think/insights/ai-agents-2025-expectations-vs-reality

[42] Autor, D. H. (2015). Why are there still so many jobs? The history and future of workplace automation. Journal of Economic Perspectives, 29(3), 3–30.

[43] Schwartz, R., Dodge, J., Smith, N. A., & Etzioni, O. (2020). Green AI. Communications of the ACM, 63(12), 54–63.

[44] McKinsey & Company. (2025). Advanced industries agentic AI case work. McKinsey Digital.

---

10. Tartışma Soruları

1. Analitik: MCP'nin bir yıl içinde evrensel endüstri standardına dönüşmesi, yapay zekâ ekosistemindeki "ağ etkileri" (network effects) dinamiklerini nasıl yansıtmaktadır? OpenAI'ın kendi rakip çerçevelerinden (GPT Actions) vazgeçerek Anthropic'in standardına katılması kararını stratejik açıdan nasıl değerlendirirsiniz? Bu durum, teknoloji standardizasyonu tarihindeki hangi önceki örneklerle karşılaştırılabilir?

2. Karşılaştırmalı: Ajantik yapay zekânın "araç kullanarak eylemde bulunma" kapasitesi ile Bölüm 38'de ele aldığımız hibrit zekâ (Hybrid Intelligence) çerçevesinin "insan-makine tamamlayıcılığı" ilkesi arasında nasıl bir gerilim vardır? Ajantik sistemler, hibrit zekânın temel varsayımlarını desteklemekte midir yoksa sorgulamakta mıdır?

3. Spekülatif: MCP geliştirilmemiş ve yapay zekâ endüstrisi parçalı protokollerle devam etmiş olsaydı, ajantik yapay zekânın 2025'teki yükselişi gerçekleşir miydi? Protokol standardizasyonunun teknolojik yeniliğe etkisi hakkında bu varsayımsal senaryo ne söylemektedir?

4. Etik: Otonom biçimde eylemde bulunan bir yapay zekâ ajanı hatalı bir işlem gerçekleştirdiğinde — yanlış bir e-posta gönderdiğinde, hatalı bir sipariş verdiğinde, hassas verilere yetkisiz biçimde eriştiğinde — hukuki ve ahlaki sorumluluk kime aittir? Bu "hesap verebilirlik boşluğu" nasıl doldurulabilir?

5. Güncel: MIT'nin 2025 AI Agent Index raporuna göre, incelenen 30 ajandan yalnızca 4'ü ajana özgü güvenlik kartı yayımlamıştır. Bu güvenlik dokümantasyonu eksikliği, ajantik yapay zekânın güvenlik-kritik uygulamalarda (sağlık, finans, savunma) konuşlandırılması açısından ne anlama gelmektedir?

6. Analitik: "Ajan yıkama" (agent-washing) kavramı, 2010'ların "yapay zekâ yıkaması" (AI-washing) kavramıyla nasıl karşılaştırılabilir? Pazarlama söylemi ile teknik gerçeklik arasındaki bu uçurum, yapay zekâ alanında tekrarlayan bir kalıp mıdır ve bu kalıbın toplumsal maliyetleri nelerdir?

7. Karşılaştırmalı: Ajantik yapay zekânın emek piyasası üzerindeki potansiyel etkisi ile önceki otomasyon dalgalarının (sanayi devrimi, bilgisayarlaşma, internet) etkileri arasında ne tür yapısal benzerlikler ve farklılıklar vardır? Ajantik otomasyon, önceki dalgalardan niteliksel olarak farklı mıdır?

8. Etik: MCP sunucuları aracılığıyla kullanıcıların e-postalarına, takvimlerine, dosyalarına ve finansal işlemlerine erişen ajanlar, gözetim kapitalizmi açısından nasıl bir risk profili oluşturmaktadır? Bu erişimin sınırları kim tarafından ve hangi ilkelere göre belirlenmelidir?

9. Spekülatif: Ajantik yapay zekâ sistemlerinin yaygınlaşması, yapay genel zekâ (AGI) tartışmalarını nasıl etkileyecektir? Araç kullanabilen, çok adımlı görevleri planlayabilen ve otonom kararlar verebilen ajanlar, AGI'ya bir adım daha mı yaklaşmıştır yoksa bu iki kavram arasında kategorik bir fark var mıdır?

10. Güncel: Türkiye'nin ajantik yapay zekâ altyapısına katkısı ve bu altyapıdan yararlanması konusunda mevcut durum nedir? Türkçe dil desteğinin sınırlılıkları, Türk geliştiricilerin ve işletmelerin ajantik sistemlerden faydalanmasını nasıl etkilemektedir? Bu eşitsizliğin giderilmesi için hangi kurumsal ve teknik adımlar atılmalıdır?