ConAI Compass Sayı 12

Merhaba sevgili okurumuz,

Bu hafta yapay zekâ gündemi bize şunu net biçimde gösterdi: AI artık “ne yapabildiğiyle” değil, nerede konumlandığı ve nasıl çalıştığıyla konuşuluyor.

Bir yanda sağlık gibi son derece hassas alanlarda, genel amaçlı sohbetten ayrılan daha özelleşmiş çözümler görüyoruz. OpenAI, Anthropic ve Google’ın aynı hafta içinde attığı adımlar, AI’nın artık yalnızca bilgi veren değil; veriye bağlanan, süreçlere giren ve uzmanlık alanlarında konumlanan bir araç haline geldiğini gösteriyor. Bu, hızdan çok yapı, genellikten çok bağlam demek.

Diğer yanda donanım tarafında farklı bir eğilim öne çıkıyor. Raspberry Pi’nin yeni AI HAT+ 2 hamlesi, büyük modellerin merkezî gücüne karşı daha küçük, yerel ve amaca yönelik AI sistemlerinin önünü açıyor. AI’nın mutlaka dev bulutlarda çalışması gerekmediğini; doğru kısıtlarla, doğru yerde değer üretebileceğini hatırlatıyor.

Ve haftanın konusu olarak ele aldığımız agent harness meselesi, tüm bu gelişmelerin ortak zeminini oluşturuyor. Modellerin giderek birbirine yaklaştığı bir dönemde farkı yaratan şey; bu sistemlerin nasıl ayakta tutulduğu, nasıl denetlendiği ve ne kadar güvenilir çalıştığı. Ajanların “akıllı” olması yetmiyor; dağılmadan çalışması gerekiyor.

Bu haftaki içerikler bir araya geldiğinde ortaya çıkan tablo şu: Yapay zekâ artık bir özellik değil, bir katman. Sağlıkta, ticarette, donanımda ya da ajan sistemlerinde… Asıl rekabet, bu katmanı ne kadar bilinçli kurabildiğinizde başlıyor.

Keyifli okumalar dileriz.

Bu bülteni okuyan her yeni kişi, yapay zekâyı daha sağlıklı tartışan bir iş dünyasına küçük bir katkı demek.

Eğer siz de faydalı bulduysanız, aşağıdaki linki çevrenizle paylaşabilirsiniz.

Geçen yıl yapay zekâ konuşurken çoğu zaman aynı yere dönüp durduk: hangi model daha iyi, hangisi daha hızlı, hangisi daha akıllı. Bu bakış bir süre işe yaradı. Çünkü sistemler çoğunlukla tek seferlik konuşmalar yapıyor, birkaç adımda biten işler üretiyordu.

Bugün ise beklenti değişti.

Artık “ajan” dediğimiz şeylerden, sadece cevap vermesini değil; plan yapmasını, araçlara bağlanmasını, dosya üretmesini, adım adım ilerlemesini ve gerektiğinde kaldığı yerden devam etmesini bekliyoruz. Yani bir sohbet botundan çok, bir iş arkadaşına benzeyen sistemler kurmaya çalışıyoruz.

Tam da bu noktada sahadaki asıl sorun ortaya çıkıyor: En çok bozulan şey zekâ değil, süreklilik. Model bir adım çok iyi gidiyor, sonra bağlam kayıyor; talimatlar gevşiyor; araç çağrıları karışıyor; iş yarım kalıyor. Bu tür hatalar benchmark’larda pek görünmüyor ama gerçek işte hemen kendini belli ediyor.

Agent harness kavramı, bu boşluğu kapatmak için konuşuluyor.

Agent harness, en basit haliyle, modelin etrafına kurulan ve ajanın “çalışma düzenini” ayakta tutan katman. Modelin kendisi değil; “agent”ın yaptığı işin mantığı da değil. Daha çok bir işletim sistemi gibi: ajanın hafızasını nasıl tutacağını, hangi aracı ne zaman çağıracağını, uzun işlerde bağlamı nasıl taşıyacağını, çıktıyı nasıl kontrol edeceğini ve iş yarım kalırsa nasıl devam edeceğini bu katman yönetiyor.

Bu yüzden aynı modeli kullanan iki ajanın bambaşka sonuçlar üretmesi şaşırtıcı değil. Biri iş bitirir, diğeri dağılır. Aradaki fark çoğu zaman modelden değil, harness’ten gelir.

Bu haftanın konusu olarak Agent Harness’ı seçmemizin nedeni de bu. Çünkü 2026’da “agentic AI” sahaya indikçe, tartışma model skorlarından çok şu soruya kayıyor: Bu sistemler güvenilir mi? Uzun işlerde kopuyor mu? Kontrol edilebilir mi? Bu soruların cevabı, prompt’ta değil; mimaride, yani harness katmanında.

1) Agent projesi, model seçimiyle başlamaz; çalışma katmanıyla başlar.
En iyi modeli almak, en iyi sonucu garanti etmiyor. Süreç yönetimi, hafıza, araç kullanımı ve doğrulama mekanizması yoksa, güçlü model sadece daha “inandırıcı” şekilde hata üretiyor.

2) Güvenilirlik, yeni performans metriği.
Kısa demolar değil; 30 adımlık, 3 saatlik, yarın devam edecek işler belirleyici oluyor. Agent’in asıl sınavı “bir seferde ne kadar akıllı” olduğu değil; “dağılmadan ne kadar sürdürebildiği”.

3) Yönetişim ve denetim, harness’in içinde çözülür.
Kim hangi veriye erişir, hangi aracı çağırır, hangi çıktı yayımlanır, hangi adım insana sorulur… Bunlar politika dokümanında değil, sistemin çalışma katmanında gerçek hale gelir. Bu yüzden harness, teknik bir detay değil; kontrol noktasıdır.

Agent harness’in ne olduğu, neden ortaya çıktığı ve agentic sistemlerde neden kritik bir katmana dönüştüğü üzerine yazının daha geniş ve İngilizce versiyonunu ConAIs Blog’da bulabilirsiniz.

Keyifli okumalar.

Hep söylüyoruz; 2025, yapay zekânın “potansiyel” olmaktan çıkıp gündelik ekonomik pratiklere yerleştiği yıl oldu. Belki hala “AI neleri yapabiliyor?” diye tartışanlar olabilir ama endüstrinin cevap aradığı sorular başka: AI nerede, nasıl ve hangi sınırlar içinde kullanılıyor?

Bu tabloyu geriye dönüp okuduğumuzda, yıl boyunca öne çıkan birkaç net eğilim var. Anthropic’in son Economic Index raporu da bu eğilimleri sayısallaştıran nadir çalışmalardan biri olarak dikkat çekiyor. Kısaca inceleyelim:

2025’te AI kullanımının patlayarak her alana yayıldığına dair anlatı var malum. Bu elbette doğru ama ama eksik bir anlatı. Veriler, kullanımın hala dar bir görev kümesi etrafında yoğunlaştığını gösteriyor. Kodlama, hata ayıklama, metin düzenleme, rutin ofis işleri gibi alanlar toplam kullanımın büyük bölümünü oluşturuyor.

Yani geçen yılın hikâyesi “her iş AI oldu” değil; bazı işlerin AI ile daha yoğun ve sistematik yapılır hale gelmesi.

Yıl başında sıkça konuşulan “tam otomasyon” beklentisi, 2025 ilerledikçe yerini daha temkinli bir modele bıraktı. Kullanıcılar ve şirketler AI’yi:

Bu değişim sadece etik ya da kültürel değil; pratik. Uzun ve karmaşık görevlerde AI’nin başarı oranı hâlâ sınırlı. Bu da insanın süreçten tamamen çıkmasını zorlaştırıyor.

2025’te AI’nin üretkenlik üzerindeki etkisi daha gerçekçi hesaplanmaya başlandı. Ham hız kazanımları etkileyici olsa da, işin içine doğrulama, kontrol ve hata maliyeti girdiğinde tablo dengeleniyor.

Basit özetle:

Bu da “AI verimliliği”nin artık net kazançlar + operasyonel riskler birlikte düşünülerek ele alındığını gösteriyor.

2025’in daha az konuşulan ama önemli gelişmelerinden biri şu: AI’nin dokunduğu görevler, çoğu zaman ekonomideki ortalamanın üzerinde beceri ve eğitim gerektiriyor.

Bu durum bazı mesleklerde beklenmedik sonuçlar doğuruyor:

Yani etki tek yönlü bir otomasyon hikâyesi değil, işin içeriğini yeniden düzenleyen bir dönüşüm.

2025 boyunca AI’nin küresel olarak “eşitlendiği” pek söylenemez. Yüksek gelirli ülkeler:

ABD içinde bazı yakınsama işaretleri görülse de, küresel ölçekte AI uçurumu büyük ölçüde yerli yerinde duruyor.

Geçen yılın sonunda ortaya çıkan tablo şu: AI artık bir gelecek vaadi değil, ekonomik bir altyapı bileşeni. Ancak bu altyapı:

Anthropic’in raporu bu resmi doğrulayan güçlü bir veri seti sunuyor; ama asıl önemli olan şu: 2025, AI’ın ne kadar “akıllı” olduğundan çok, nerede işe yaradığı ve nerede hâlâ tökezlediğinin netleştiği yıl oldu.

İlgilenenler raporu buradan indirebilir.

Raspberry Pi, Raspberry Pi 5 için geliştirdiği yeni donanım eklentisi AI HAT+ 2’yi duyurdu. Yeni kart, yalnızca bir ürün güncellemesi değil; üretken yapay zekânın daha küçük, daha kapalı ve daha amaca özel sistemlere yayılması açısından dikkat çekici bir adım olarak değerlendiriliyor.

AI HAT+ 2, daha önce ağırlıklı olarak görüntü işleme odaklı olan Raspberry Pi AI ekosistemini, metin ve çok modlu üretken modellerin yerel olarak çalışabildiği bir yapıya doğru genişletiyor.

Yeni kartın temel farkı, tüm yapay zekâ işlemlerinin cihaz üzerinde gerçekleşmesi. İnternet bağlantısı gerekmiyor; veri dışarı çıkmıyor; bulut servislerine bağımlılık ortadan kalkıyor.

Bu yaklaşım, Raspberry Pi’nin yıllardır benimsediği temel çizgiyle örtüşüyor: düşük maliyetli, erişilebilir donanımlar üzerinden küçük ama işlevsel ekosistemler yaratmak. AI HAT+ 2 ile bu anlayış, üretken yapay zekâ alanına taşınmış oluyor.

AI HAT+ 2’nin hedefi, ChatGPT veya Claude gibi devasa modellerle yarışmak değil. Kart, 1–2 milyar parametre ölçeğindeki daha küçük dil ve görsel-dil modellerini çalıştırmak üzere tasarlandı.

Bu da onu genel bilgi motorlarından ziyade:

sistemler kurmak isteyenler için anlamlı kılıyor. Raspberry Pi tarafında bu, “her şeyi bilen AI” yerine “işini bilen AI” yaklaşımının altını çiziyor.

Şirketin bu son duyurusu, üretken yapay zekânın tek merkezli, dev platformlar etrafında şekillenmek zorunda olmadığını da gösteriyor. Küçük donanımlar üzerinde çalışan, yerel veriyle beslenen ve dar bir probleme odaklanan AI sistemleri için alan açılıyor.

Raspberry Pi’nin bu hamlesi, özellikle:

gibi alanlarda üretken yapay zekânın daha erişilebilir hale gelmesine katkı sağlayabilir.

Yapay zekânın sağlık alanındaki rolü uzun süredir genel sohbet botları ve semptom sorularıyla tartışılıyordu. Geçtiğimiz hafta ise bu tartışma daha somut bir zemine indi. Geçtiğimiz hafta OpenAI, Anthropic ve Google DeepMind, evet, üçü birden; sağlık odaklı, belirli kullanım senaryolarına göre tasarlanmış üç ayrı ürünü duyurdu. Ürünler farklılık gösterse de ortak nokta şu: AI artık “soru–cevap”tan çıkıp veri, iş akışı ve tıbbi görüntülerle doğrudan çalışan bir katmana dönüşüyor.

OpenAI’nin haftanın ortasında tanıttığı ChatGPT Health, teknik olarak yeni bir sohbet yeteneğinden çok entegrasyon meselesine odaklanıyor. Daha önce sağlıkla ilgili AI kullanımı, kullanıcının semptomları elle yazdığı ve çoğu zaman genel tavsiyeler aldığı bir yapıdaydı. ChatGPT Health ise Apple Health, giyilebilir cihazlar ve güvenli sağlık kayıtlarıyla bağlantı kurarak bu boşluğu kapatmayı hedefliyor. Böylece model, tek seferlik sorular yerine uyku, kalp ritmi ya da kan değerleri gibi verileri zamana yayılmış biçimde okuyabiliyor; ham ölçümleri bağlama oturtarak daha anlamlı çıktılar üretmeye çalışıyor.

Anthropic cephesinde yaklaşım daha farklı. Claude for Healthcare, bireysel kullanıcıdan çok sağlık kurumlarının günlük iş yükünü hedefliyor. Hastanelerde klinik kodlama, ön onay süreçleri ve karmaşık hasta geçmişlerinin özetlenmesi ciddi bir idari yük oluşturuyor. Anthropic, “Constitutional AI” yaklaşımını bu noktada devreye sokarak, literatür taraması ve kayıt özetleme gibi işlerde daha kontrollü, kaynak gösteren bir yardımcı sunmayı amaçlıyor. PubMed gibi açık bilimsel kaynaklara atıf yapabilen bu yapı, doğrudan teşhis koymaktan ziyade klinik iş akışını hızlandıran bir destek katmanı olarak konumlanıyor.

Teknik açıdan en ileri adım ise Google DeepMind’den geldi. MedGemma 1.5, klasik 2D görüntülerle sınırlı kalan önceki modellerin ötesine geçerek 3D tıbbi görüntülerle, örneğin hacimsel MR ve BT taramalarıyla çalışabiliyor. Modelin açık ağırlıklarla yayımlanması, geliştiricilerin bu tür ileri görüntü analizlerini özel donanımlara ihtiyaç duymadan kullanabilmesini mümkün kılıyor. Bu da gelişmiş görüntüleme analizlerinin daha geniş bir ekosisteme yayılmasının önünü açıyor.

Bu üç duyuru birlikte okunduğunda, sağlıkta AI için yeni bir “asgari standart”tan söz etmek mümkün. Sürekli veri takibi OpenAI tarafında, karmaşık görüntü analizi Google’da, literatür ve klinik doğrulama ise Anthropic’te yoğunlaşıyor. Hiçbiri hekimlerin yerini almayı vaat etmiyor; ancak hem hasta hem de doktor için karar süreçlerini destekleyen yazılımsal bir katmanın hızla olgunlaştığını gösteriyor. Görünen o ki, yakın gelecekte aylık bir abonelik bedeliyle erişilen bu tür çok modlu araçlar, sağlık hizmetlerinde beklentilerin tabanını kalıcı biçimde yukarı çekecek.

Bu hafta da ConAI Compass’ın sonuna geldik. Yapay zekânın kurumlara, profesyonellere ve sürdürülebilirlik hedeflerine nasıl somut değer kattığını birlikte inceledik.

ConAIs olarak, teknolojiyi sadece bir araç değil, stratejik büyümenin ve dönüşümün katalizörü olarak görüyoruz. Eğer kurumunuzda yapay zekâyı yapılandırmak, iş süreçlerinize entegre etmek veya sürdürülebilirlik hedeflerinizle uyumlu hale getirmek istiyorsanız, aşağıdaki alanlarda size destek olabiliriz:

🔹 AI Stratejisi ve Dönüşüm Danışmanlığı – İş birimlerine özel yapay zekâ yol haritaları, veri altyapısı planlaması ve pilot uygulama tasarımı.

🔹 AI Uygulamaları ve Otomasyon Geliştirme – Üretken yapay zekâ destekli iç süreç otomasyonları, müşteri etkileşim sistemleri ve karar destek araçları.

🔹 Sürdürülebilirlik ve AI Çözümleri – Scope 3 veri takibi, enerji verimliliği analitiği ve karbon azaltım stratejilerini destekleyen yapay zekâ modelleri.

🔹 Eğitim ve Kapasite Geliştirme – Kurum içi ekiplerin yapay zekâyı etkin kullanması için atölye, uygulamalı eğitim ve yöneticiye özel oryantasyon programları.

ConAIs ile tanışın; birlikte daha akıllı, daha sürdürülebilir ve daha verimli bir gelecek inşa edelim.