Qulak AI Agent Mimarisi: Otonom Rol ve Müfredat Üretimi

Kurumsal öğrenmede zor olan yalnızca yeni bir ders yazmak değildir. Asıl zorluk, değişen iş gereksinimlerini güvenilir kaynaklarla ilişkilendirip doğru rol tanımına, beceri beklentisine ve öğrenme yoluna dönüştürmektir. Tek bir genel amaçlı AI ajanı bunu yapabilir; ancak araştırma, doğrulama, taksonomi eşleme ve müfredat tasarımı aynı bağlamda sıkıştığında hata ayıklamak ve sorumluluğu izlemek zorlaşır.

Bu nedenle Qulak AI Agent Mimarisi başlığında önerilen yaklaşım, görevleri uzmanlaşmış ajanlara bölen bir Multi-Agent Swarm düzenidir. Buradaki “otonom” sözcüğü sınırsız yetki anlamına gelmez. Ajanlar araştırma ve taslak üretiminde bağımsız çalışabilir; rolün onaylanması, çalışana etkisi olan kararlar ve müfredatın yayınlanması kurumun yetkili insanlarında kalır.

Kısa cevap

Multi-Agent Swarm, rol ve müfredat üretimini tek bir modele bırakmak yerine araştırma, kaynak eleme, beceri modelleme, tasarım ve kalite kontrol rollerine dağıtır. Güvenilir bir mimaride her çıktı kaynağı, sürümü, belirsizliği ve insan onay durumuyla birlikte taşınır.

Kurumsal rol ve beceri zincirinizi satın alma öncesi somutlaştırmak mı istiyorsunuz? Önce veri akışını, insan onay noktalarını ve pilot kapsamını birlikte netleştirin.

Pilot kapsamını konuşun

Multi-Agent Swarm mimarisi nedir?

Multi-Agent Swarm, ortak bir hedef için birden fazla AI ajanının farklı alt görevlerde çalıştığı bir düzenektir. “Swarm” kelimesi yatay iş bölümünü çağrıştırsa da kurumsal kullanımda tamamen başıboş bir sürü yerine izinleri, görev sözleşmeleri ve durdurma koşulları tanımlı bir çalışma alanı gerekir. Aksi halde ajanlar aynı araştırmayı tekrarlar, kaynağı belirsiz bilgileri çoğaltır veya gereksiz kişisel veriyi akışa taşır.

Anthropic’in çok-etmenli araştırma sistemi yazısı, lider bir ajanın araştırma planı oluşturup uzman alt ajanları paralel çalıştırdığı orchestrator-worker desenini ve sonrasında kaynaklandırma adımını açıklar [1]. Bu, Qulak için doğrulanmış bir ürün modülü iddiası değildir; rol ve müfredat üretimini tasarlarken kullanılabilecek açık bir mimari referanstır.

Orkestratör

İş hedefini alt görevlere böler, hangi ajanın hangi veriye erişeceğini belirler ve tamamlanma koşulunu takip eder. İçerik üretmekten çok akışın kapsamını ve sırasını yönetir.

Araştırma ajanı

İzinli web kaynaklarını tarar, sayfa tarihini ve kurumunu kaydeder, iddiaları kısa kanıt parçalarına ayırır. Kaynaksız sonucu “kanıtlandı” olarak işaretlemez.

Beceri ve rol ajanı

Görev ailesi, beceri sözlüğü ve seviye tanımlarını ilişkilendirir. Benzer kavramları birleştirir; yeni bir rol önerisini mevcut taksonomiyle karşılaştırır.

Politika ve kalite ajanı

Kaynak çelişkilerini, hassas veri kullanımını, telif riskini, eksik kanıtı ve kurum politikası ihlallerini kontrol eder. Nihai insan onayının yerini almaz.

Canlı web araştırmasıyla rol nasıl üretilir?

Canlı web araştırması, modelin yalnızca eğitim verisine veya kurumun eski dokümanlarına dayanması yerine güncel ve denetlenebilir kaynakları araştırmasıdır. Ancak web erişimi tek başına doğruluk sağlamaz. Araştırma ajanı, arama sonucunu doğrudan müfredata kopyalamak yerine kaynağı açmalı, yayın tarihini ve bağlamı okumalı, aynı iddiayı mümkün olduğunda ikinci bir güvenilir kaynakla karşılaştırmalıdır.

OpenAI’nin deep research açıklaması da çok adımlı web araştırması, kaynakları sentezleme ve çıktıyı alıntılarla doğrulanabilir kılma ihtiyacını vurgular; aynı kaynak sınırlılık olarak yanlış çıkarım ve otoriter bilgiyle söylentiyi ayırt etme sorunlarını da belirtir [2]. Bu nedenle canlı araştırma, “otomatik gerçek” değil, kanıt toplama ve karar hazırlama katmanıdır.

İşi ve rol sorusunu tanımla

Önce “hangi rol, hangi iş bağlamında, hangi beceri açığı için?” soruları yazılır. Belirsiz hedef, daha çok ajan çalıştırarak düzelmez; yalnızca daha çok gürültü üretir.

Kaynakları kontrollü biçimde tara

Mevzuat, meslek standardı, kurum politikası ve güncel iş ilanları gibi kaynak sınıfları ayrılır. Alan adı izin listesi, tarih filtresi ve kaynak önceliği araştırmayı sınırlar.

Kanıtı beceri sinyaline dönüştür

Her iddia; kaynak URL’si, erişim tarihi, güven notu ve ilgili beceriyle birlikte tutulur. Çelişen kaynaklar gizlenmez; insan incelemesine gönderilir.

Rol ve müfredat taslağını üret

Rol amacı, sorumluluklar, ön koşullar, öğrenme kazanımları ve değerlendirme kanıtı birbirine bağlanır. Yeni içerik, kanıtlanmamış bir yetkinlik iddiasını gerçek gibi sunmaz.

İnsan onayı ve sürümleme

Konu uzmanı ve süreç sahibi taslağı inceler. Onaylanan sürümün kaynağı, değişiklik nedeni, onaylayan kişi ve geri dönüş planı kaydedilir.

Otonomi sınırı: veri minimizasyonu ve insan denetimi

Rol üretimi çalışanları etkileyebileceği için tasarımın merkezinde veri minimizasyonu olmalıdır. Bir çalışanın ham e-postalarını, özel nitelikli kişisel verilerini veya sınırsız performans geçmişini modele vermek yerine önce amaç belirlenir: örneğin bir beceri sözlüğündeki eksik tanımı güncellemek. Amaç için yeterli olmayan veri alınmaz; gerekiyorsa anonimleştirilir veya toplulaştırılır.

NIST AI Risk Management Framework, AI sistemlerinin tasarım, geliştirme, kullanım ve değerlendirme boyunca güvenilirlik kaygılarıyla yönetilmesini amaçlayan gönüllü bir çerçeve sunar [3]. AB Yapay Zekâ Yasası’nın konsolide metni ise yüksek riskli sistemler için veri yönetişimi, veri kökeni, kalite, önyargı incelemesi ve insan denetimi gibi başlıkları düzenler [4]. Her kullanım senaryosunun hukuki sınıfı ayrıca değerlendirilmelidir; bu makale hukuki görüş değildir.

Amaç sınırı: Ajanın hangi kararı hazırlayabileceği ve hangi kararı veremeyeceği yazılı olsun.
Veri sınırı: Gereksiz kişisel veri, ham çalışan içeriği ve özel nitelikli veri varsayılan olarak akışın dışında kalsın.
İzin sınırı: Araştırma, yazma, yayınlama ve dış sistemlere aktarma yetkileri birbirinden ayrılsın.
Kanıt sınırı: Her kazanım veya rol önerisi kaynak, tarih, belirsizlik ve sorumlu inceleyiciyle ilişkilendirilsin.
İtiraz sınırı: Çalışanlar ve yöneticiler otomatik öneriyi görebilsin, düzeltebilsin ve itiraz edebilsin.
Durdurma sınırı: Kaynak çelişkisi, hassas veri sinyali veya düşük güven oluştuğunda akış insan incelemesine kesilsin.

Satın alma öncesi karar tablosu

Bir AI agent veya Skills OS çözümünü değerlendirirken “kaç ajan var?” sorusu tek başına yeterli değildir. İyi bir RFP, çıktının nasıl kanıtlandığını, verinin nerede tutulduğunu ve insanın hangi noktada kontrol sahibi olduğunu ölçer. Aşağıdaki tablo, Qulak dahil her sağlayıcıya aynı soruları yöneltmek için kullanılabilir.

Kriter	Satıcıdan istenecek kanıt	Kabul testi
Rol–beceri–müfredat bağı	Kimlik, sürüm, seviye ve ilişki modelini gösteren örnek akış.	Bir rol değişikliğinin ilgili kazanımlara izlenebilir yansıması.
Canlı web araştırması	Kaynak izin listesi, tarih damgası, alıntı, çelişki ve geri çekme mekanizması.	Güncel bir konuda en az iki kaynakla kanıtlı taslak ve kaynaksız iddianın işaretlenmesi.
Veri ve mahremiyet	Veri akış şeması, saklama süresi, silme/anonimleştirme, alt işleyen ve erişim politikası.	Anonim örnek veriyle pilot; gereksiz alanların modele gitmediğinin doğrulanması.
İnsan denetimi	Onay rolleri, itiraz, audit log, manuel durdurma ve geri dönüş prosedürü.	Yetkisiz yayınlama engellenir; her değişiklik kişi ve zamanla raporlanır.
Entegrasyon ve çıkış	API, dışa aktarma formatları, kimlik yönetimi ve sözleşme sonu veri iade planı.	Örnek rol, kazanım ve kanıt verisi okunabilir biçimde dışarı alınır.
Toplam maliyet	Kullanım, araştırma, saklama, danışmanlık ve insan inceleme eforunun ticari modeli.	Gerçekçi pilot hacmiyle maliyet varsayımları yazılı olarak karşılaştırılır.

Qulak hangi koşullarda değerlendirilebilir?

Qulak, kurumunuzda rol, beceri, yetkinlik ve müfredat arasında dağınık bir ilişki varsa; bu ilişkiyi kaynaklı ve sürümlü bir yapı içinde ele almak istiyorsanız kısa listeye alınabilecek adaylardan biri olarak değerlendirilebilir. Özellikle canlı kaynak araştırmasını kurumsal taksonomiyle buluşturmak, konu uzmanlarının onayını akışa yerleştirmek ve öğrenme çıktısını rol gereksinimine bağlamak istediğiniz senaryolarda anlamlı bir keşif yapılabilir.

Bu değerlendirme, Qulak’ın her kurumda aynı entegrasyonları veya aynı AI rollerini sunduğu anlamına gelmez. Canlı ürün kapsamı, güvenlik belgeleri, veri işleme koşulları, entegrasyonlar, SLA ve fiyatlandırma demo, teknik inceleme ve sözleşme aşamasında doğrulanmalıdır. Sağlayıcıdan ölçülebilir bir pilot isteyin; performans yüzdesi veya genel “otonom” vaadi yerine sizin taksonominiz, anonim örnek veriniz ve kabul kriterleriniz üzerinden sonuç değerlendirin.

İlk pilot için dar bir görev ailesi seçmek daha sağlıklıdır. Örneğin tek bir rol grubunda kaynak toplama, beceri eşleme ve müfredat taslağı üretimi denenebilir. Pilot sonunda yalnızca çıktı kalitesini değil, kaynak izlenebilirliğini, insan inceleme süresini, hatalı önerilerin durdurulmasını ve verinin geri alınabilirliğini de puanlayın. Qulak’ın uygunluğu bu kanıtlarla, rakip seçeneklerle aynı tabloda karşılaştırılmalıdır.

Kontrollü bir AI agent pilotu tasarlayın

Rol ve müfredat üretimi için hedef rol grubunuzu, kaynak politikanızı, insan onay noktalarınızı ve kabul testinizi birlikte netleştirelim. Satın alma kararını varsayımla değil, ölçülebilir bir pilotla verin.

Pilot görüşmesi başlatın

Sıkça Sorulan Sorular

Multi-Agent Swarm ile tek bir AI ajanı arasındaki fark nedir?

Tek bir ajan bütün işi tek bağlamda yürütmeye çalışır. Multi-Agent Swarm ise araştırma, doğrulama, rol modelleme ve müfredat tasarımı gibi işleri uzmanlaşmış ajanlara böler. Kurumsal kullanımda bir politika ve kalite katmanı çıktıları birleştirir; son onay insan sorumlularında kalır.

Canlı web araştırması müfredatı otomatik olarak yayınlayabilir mi?

Yayınlamamalıdır. Canlı araştırma güncel kaynakları bulmak ve taslak üretmek için kullanılabilir. Kaynak geçerliliği, telif, kurum politikası ve müfredat uygunluğu kontrol edilir; konu uzmanı ve yetkili insan onayı olmadan içerik yayına alınmaz.

Otonom rol üretiminde hangi veriler kullanılmalı?

Öncelik; rol amacı, görev ailesi, beceri sözlüğü, onaylanmış politika ve anonimleştirilmiş ihtiyaç sinyallerinde olmalıdır. Gereksiz kişisel veri, ham çalışan iletişimi ve özel nitelikli veri amaç ve hukuki dayanak olmadan modele gönderilmemelidir.

Qulak hangi koşullarda değerlendirilebilir?

Qulak; kurum rol, beceri ve müfredat ilişkisini daha izlenebilir kurmak, canlı kaynak araştırmasını kontrollü bir akışa bağlamak ve yönetişimli bir pilot yürütmek istiyorsa değerlendirilebilir. Uygunluk demo, veri akış incelemesi, kabul testi ve ticari karşılaştırmayla doğrulanmalıdır.

İçerik ve metodoloji notu

Bu yazı, Qulak AI Motoru ve Beceri Mimarisi serisi kapsamında hazırlanmıştır. Mimari roller referans tasarımdır; güncel ürün kapsamı, entegrasyon, güvenlik ve ticari koşullar için Qulak ekibinden doğrulama alınmalıdır.

Qulak AI Agent Mimarisi: Otonom Rol ve Müfredat Üretimi