AI Ajanları Neden Çuvallıyor?

Herkes AI Ajanı Yaptı… Sonra?

Son iki yılda neredeyse her şirket aynı şeyi denedi:

• “Veriyle konuş” chatbotları
• Otomatik raporlama ajanları
• BI yerine geçen akıllı asistanlar

Fikir basitti:

“Veriyi bağla, LLM’i koy, soruları cevaplasın.”

Gerçekte olan ise çok daha farklıydı:

• Yanlış cevaplar
• Tutarsız metrikler
• Güvenilmeyen çıktılar

Sonuç olarak, bu projelerin büyük bir kısmı ya rafa kaldırıldı ya da kimsenin kullanmadığı birer deneye dönüştü.

Sorun Model Değil, Bağlam Eksikliği

İlk refleks hep aynı oldu:

“Model SQL bilmiyor, zamanla düzelir.”

Evet, modeller gelişti.

Ama sorun ortadan kalkmadı.

Çünkü mesele SQL üretmek değil.

Asıl problem şu:

AI ajanı, şirketin nasıl çalıştığını bilmiyor.

Basit Bir Soru, Büyük Bir Kriz

Soru:

“Geçen çeyrek gelir artışı neydi?”

Bir insan için bu sorunun cevabı oldukça basit:

• Dashboard açılır
• 10 saniyede cevap bulunur

AI ajanı için ise süreç tamamen farklıdır:

• Tanımlar belirsiz
• Veri kaynakları dağınık
• Kurallar eksik

Ve sonuç: kaos.

Çünkü AI şu soruların hiçbirine net cevap veremez:

“Gelir” ne demek?

• ARR mi?
• Run rate mi?
• Net mi, brüt mü?

“Çeyrek” ne demek?

• Takvim yılı mı?
• Finansal yıl mı?
• Şirkete özel bir dönem mi?

Veri nerede?

• fct_revenue tablosu mu?
• mv_revenue_monthly mi?
• Excel mi?
• Slack mi?

Bu noktada AI genellikle şunu yapar:

Eksik bilgiyi varsayımla doldurur.

Ve çoğu zaman, oldukça ikna edici şekilde yanılır.

Modern Veri Yığını: Temiz Ama Yeterli Değil

Son 10 yılda veri dünyası ciddi bir dönüşüm geçirdi:

• Data warehouse’lar kuruldu
• ETL süreçleri standardize edildi
• Dashboard’lar yaygınlaştı

Ama kritik bir parça eksik kaldı:

👉 İş bilgisinin kendisi

Yani:

• Tanımlar
• Kurallar
• İstisnalar
• “Bu iş aslında böyle yapılır” bilgisi

Başka bir deyişle:

kurumsal hafıza (tribal knowledge)

Çözüm: Context Layer (Bağlam Katmanı)

Yeni yaklaşım şu:

Verinin üzerine bir “anlam katmanı” eklemek.

Bu katman şunları içerir:

• İş tanımları (revenue, churn vb.)
• Veri kaynaklarının doğruluk hiyerarşisi
• Kurallar ve istisnalar
• Hesaplama yöntemleri
• Geçmiş kararlar ve bağlam

Kısaca:

Veri + Anlam + Bağlantı = Gerçek içgörü

Semantic Layer Yetmiyor

“Zaten semantic layer var” itirazı burada gelir.

Evet, var. Ama yeterli değil.

Semantic layer ile context layer arasındaki fark:

Semantic layer:

• Daha statiktir
• Metrik tanımlarına odaklanır
• BI araçları için tasarlanmıştır
• İnsanların veri okumasını kolaylaştırır

Context layer:

• Dinamik ve sürekli güncellenir
• Tüm iş mantığını kapsar
• AI ajanları için tasarlanır
• Veri + iş kuralları + kurumsal bilgiyi birleştirir

Özetle:

Semantic layer → “Bu metrik nasıl hesaplanır?”

Context layer → “Bu iş aslında nasıl çalışır?”

Context Layer Nasıl Kurulur?

Gerçek dünyada bu iş birkaç adımdan oluşur:

1. Doğru veriye erişim

Tüm veri kaynaklarının erişilebilir olması gerekir:

• Warehouse
• CRM
• Operasyonel sistemler
• Dokümanlar

2. Otomatik bağlam çıkarımı

• Query geçmişi analiz edilir
• Sık kullanılan tablolar belirlenir
• Metrik tanımları çıkarılır

AI bu aşamada faydalıdır.

Ama tek başına yeterli değildir.

3. İnsan dokunuşu (kritik nokta)

Bazı bilgiler sadece insanların kafasındadır:

• “2025 sonrası US satışları için farklı sistem kullanılır”
• “Bu veri güvenilmez, alternatif kaynak kullan”

Bu bilgiler dokümante edilmezse:

AI yanlış karar üretmeye devam eder.

4. Ajanla entegrasyon

Context layer, API üzerinden ajana bağlanır.

Böylece ajan:

• Sadece veriye değil
• Bağlama da erişir

5. Sürekli güncelleme

Veri değişir.

İş kuralları değişir.

Şirket değişir.

Context layer da değişmek zorundadır.

Aksi durumda birkaç ay içinde sistem tekrar güvenilmez hale gelir.

Büyük Gerçek: AI Tek Başına Yetmez

Şirketlerin vardığı sonuç net:

AI = otomasyon

Context = doğruluk

Gerçek değer, bu ikisinin birleşiminde ortaya çıkar.

📊 Pazar Nereye Gidiyor?

Bugün üç farklı yaklaşım öne çıkıyor:

1. Data platformları (Snowflake, Databricks)
2. → Mevcut yapıya context eklemeye çalışıyor
3. AI data analyst araçları
4. → Önce ajan, sonra context yaklaşımı
5. Context-first çözümler
6. → Baştan bağlam üzerine inşa edilen sistemler

Henüz net bir kazanan yok.

Geleceğin AI’ı Daha Az “Zeki”, Daha Çok “Bilgili”

Bugünkü sorun şu:

AI çok şey biliyor.

Ama doğru şeyi bilmiyor.

Gelecek ise şu yönde ilerliyor:

• Daha az genel zeka
• Daha fazla kurumsal bağlam

Ve en kritik değişim:

👉 Değerli olan veri değil, verinin anlamı olacak.

İnsanlar uzun zamandır “veri yeni petroldür” diyor.

Gerçekte ise veri:

• Hamdır
• Dağınıktır
• Anlamsız olabilir

Rafine edilmediği sürece hiçbir değer üretmez.

AI ajanları da aynı noktada:

• Yakıt var
• Motor var
• Ama yön yok

Ve sistem yanlış yere gidince, suç genellikle AI’a atılıyor.

Oysa eksik olan şey baştan belliydi: bağlam.