Microsoft Discovery ile Ar-Ge’de Yeni Oyun: Agentic Yapılar

Bir laboratuvarı değil, işleyişi dönüştürmek

İşin aslı şu ki, Ar-Ge tarafında en pahalı şey çoğu zaman model eğitimi falan değil; karar döngüsü. Yani bir fikrin doğup test edilmesi, sonuçların okunması, sonra tekrar revize edilmesi… Bu kısım uzadıkça uzuyor. Microsoft Discovery’nın beni heyecanlandıran tarafı da burada başlıyor. Konu sadece “daha akıllı bir yapay zekâ” değil, araştırma ve mühendislik ekiplerinin çalışma şeklini yeniden kurmaya çalışmak.

Ben bunu ilk kez 2024 sonunda bir üretim müşterisinde çok net gördüm. İstanbul’daki bir ekip, malzeme benzetimiyle ilgili veri kümelerini elle toparlamaya çalışıyordu; ekipte iyi mühendisler vardı. Süreç dağınıktı. Bir model öneri veriyor, başka bir araç sonuç çıkarıyor, üçüncü sistemde kayıt tutuluyordu. Hani klasik hikâye… Sonunda bilgi var ama akış yok. Microsoft Discovery gibi agentic bir yaklaşımın değeri tam burada ortaya çıkıyor: dağınık parçaları tek tek parlatmaktan çok, onları aynı masaya oturtuyor.

İlgili içerik: Blazor AI Components ile Agentic UI Oluşturmak

Bakın, burayı atlarsanız yazının kalanı anlamsız kalır.

Eh, Burada küçük bir ayrım yapayım: “agent” kelimesi kulağa bazen pazarlama kokuyor. Haklısınız, ben de ilk duyduğumda biraz temkinliydim. Ama pratikte bu yapı; araştırma sorusu sormak, aday üretmek, denemek, ölçmek ve yeni türü başlatmak için ciddi bir çerçeve sağlıyor. Yani yalnızca sohbet eden bot değil… daha çok yorulmadan çalışan bir ekip arkadaşı gibi düşünün.

Agentic R&D tam olarak neyi değiştiriyor?

Bakın şimdi, geleneksel AI çoğu zaman “bul ve getir” seviyesinde kalıyordu. Arama yapıyor, doküman özetliyor, belki sınıflandırma yapıyordu. Güzel işti ama yeterli değildi. Bilhassa ilaç keşfi, ileri malzeme tasarımı ya da karmaşık mühendislik senaryolarında mesele sadece bilgi bulmak değil; hipotez kurmak ve o hipotezi tekrar tekrar sınamak — valla güzel iş çıkarmışlar —

Microsoft’un anlattığı yeni yaklaşımda özel ajanlar devreye giriyor: biri bilgi topluyor, biri hipotez üretiyor, biri test planı çıkarıyor, biri sonuçları yorumluyor. Bu bana 2019’da Ankara’daki bir savunma sanayi projesinde yaşadığımız süreci hatırlattı (buna dikkat edin). O zamanlar benzer mantığı insanlarla kuruyorduk; biri veri hazırlıyor, biri doğruluyor, biri raporluyordu. Şimdi aynı iş yükünü bir düşüneyim… yazılım ajanlarına dağıtmak mümkün oluyor (şaşırtıcı ama gerçek). Kulağa basit geliyor ama etkisi bayağı büyük.

Bir de şu var: agentic yapıların asıl gücü hız değil sadece; kapsam genişliği. İnsan ekibi doğal olarak birkaç olasılığa bakarken agent yüzlerce kombinasyonu tarayabiliyor. Tabiî bunun bedeli de var: yanlış hedef tanımlarsanız gürültüyü büyütürsünüz. O yüzden bu sistemler sihir değil… disiplin istiyor.

Kısa bir not düşeyim buraya.

Türkiye’de bu iş neden farklı ilerliyor?

İşin garibi, Bunu Türkiye’deki şirketler açısından değerlendirirsek tablo biraz değişiyor (yanlış duymadınız). Bizde birçok kurumda Ar-Ge ile operasyon arasındaki sınır hâlâ oldukça sert. Araştırma yapan ekip ayrı yerde duruyor, ürünleşme başka yerde ilerliyor, güvenlik işe genelde en sona bırakılıyor (sonra herkes telaşlanıyor). Şimdi, microsoft Discovery gibi platformların bizde benimsenmesi için teknik yetenek kadar organizasyonel olgunluk da gerekiyor.

Dürüst olmak gerekirse, Kurumsal müşterilerimde gördüğüm kadarıyla Türkiye’de iki uç senaryo var: küçük startup ekibi “hemen deneyelim” diyor ama veri düzeni zayıf oluyor; büyük kurum işe her şeyi onaydan geçirip yavaşlıyor ama doğru kurgulanırsa ölçek alabiliyor. Küçük ekipseniz önce tek use-case seçin: (belki yanılıyorum ama) örneğin formül varyantı optimizasyonu ya da teknik doküman taraması gibi dar bir alanla başlayın. Enterprise tarafta işe governance katmanı şart — kim hangi veriyi görüyor, ajan hangi araca erişiyor, çıktı nasıl doğrulanıyor? Bunlar çözülmeden pilot güzel görünür ama prod’da patlar.

Bir dakika — bununla bitmedi.

Tuhaf ama, Ha bu arada maliyet tarafını da es geçmeyeyim: Azure üzerinde böyle bir mimariyi kurarken harcama genelde model çağrılarından çok orchestration ve veri erişimi katmanında şişiyor. TL bazında bakınca özellikle — en azından ben öyle düşünüyorum — uzun süreli denemeler can sıkabiliyor. O yüzden bütçesi kısıtlı olan kurumlara her zaman şunu söylüyorum: önce küçük batch’lerle başlayın, sonra otomasyonu artırın; körlemesine tam ölçek açmayın.

Senaryo	Küçük ekip	Büyük kurum
Başlangıç	Tek problem alanı seçilir	Pilot + güvenlik + uyumluluk birlikte tasarlanır
Veri yönetimi	Sadeleştirilmiş veri seti	Kurumsal veri gölü / lakehouse entegrasyonu
Maliyet	Düşük başlangıç bütçesi	Kapasite planlama ve FinOps şart
Kazanım	Hızlı öğrenme	Süreç standardizasyonu ve ölçek

Neden klasik LLM yaklaşımı yetmiyor?

Şöyle söyleyeyim, Açık konuşayım: yalnızca büyük dil modeli kullanıp buna “Ar-Ge çözümü” demek biraz iddialı kalıyor. Çünkü R&D dünyasında doğru cevap diye tek bir şey yok; bazen performans öncelikli olur, bazen regülasyon baskın gelir, bazen üretilebilirlik bütün planı bozar. Bir model size metin üretir ama trade-off yönetmezse iş yarım kalır.

Bunu geçen ay İzmir’deki bir enerji firmasında tartıştık mesela (Nisan 2026). Ekip iyi prompt yazıyordu ama süreç karar mekanizması yoktu. Model güzel fikirler veriyordu fakat hangisinin test edileceği belirsizdi… İşte agentic yaklaşım burada fark yaratıyor çünkü çıktıyı pasif bırakmıyor; önü sonraki adıma taşıyor.

BestEffort seviyesinde çalışan prototiplerle production-grade R&D platformu arasında ciddi fark var. Birincisi demo günü sizi kurtarır; ikincisi altı ay sonra hâlâ çalışır durumda kalır.

Agentic AI’ın gerçek gücü “cevap vermek” değil; araştırmayı yürütmekte yatıyor.
Ajanlar doğru kurgulanmazsa hız kazanırsınız ama kalite kaybedersiniz.

Teknik tarafta dikkat edilmesi gerekenler

Ajan zinciri mi kuracaksınız?

Eğer böyle bir platforma girecekseniz ilk bakmanız gereken şey veri sınırı değil sadece… görev sınırı olmalı yanı ajan neyi biliyor ve neyi bilmiyor? Bence bu ayrım çoğu projede atlanıyor (bizzat test ettim)

{
"agent_roles": [
"knowledge_retriever",
"hypothesis_generator",
"experiment_planner",
"result_analyzer"
],
"guardrails": [
"approved_data_sources_only",
"human_review_for_final_decision",
"audit_logging_enabled"
]
}

Açıkçası, Ayrıca güvenlik konusu hafife alınmamalı. Ben AZ-500 çalışırken de aynı şeyi görüyordum: en iyi mimarı bile yetkisiz erişim varsa çöker gider. Agentic sistemlerde izin modeli çok önemli çünkü ajanlar sıradan kullanıcıdan daha fazla yüzeye dokunabiliyor.

Maliyet nerede patlıyor?

Eh, Maliyet çoğu zaman görünmez şekilde büyüyor çünkü herkes ilk anda modele odaklanıyor; halbuki veri çekme istekleri, indeksleme işleri ve test döngülerinin sayısı faturayı büyüten ana unsur oluyor (özellikle uzun denemelerde). Eğer bütçe darsa önce sınırlı kapsamda PoC yapın ve günlük limit koyun.

Sorunsuz pilot için üç adım

• Tek bir iş problemini seçin: örneğin malzeme aday taraması veya teknik doküman sentezi.
• Ajan rollerini ayırın ve her role net giriş/çıkış tanımı verin.
• İnsan onayını son karara koyun; ilk sürümde tam otonomiye abanmayın.

Bunu Logosoft tarafında konuştuğumuz birkaç müşteri senaryosunda özellikle öneriyorum çünkü pilotların yüzde sekseni “çok geniş başladığı” için dağılıyor! Az kapsamlı başlamak bazen daha az heyecanlı görünüyor ama dürüst olayım… işe yarayan yöntem bu.

Nerede güçlü, nerede hâlâ ham?

İşin garibi, Bana göre Microsoft Discovery’nın güçlü yanı enterprise disiplinini agentic esneklikle buluşturmaya çalışmasıdır. Bu önemli çünkü kurumsal tarafta insanlar sadece akıllı sistemi değil, kontrol edilebilir sistemi istiyorlar. Tam burada platformun ciddiyeti hissediliyor.”

“Ama kusursuz mu? Değil tabiî. Mesela organizasyonunuz veri yönetişiminde zayıfsa ya da departmanlar arasında duvar varsa platform tek başına mucize yaratmaz. Ben açıkçası bazı noktalarda beklentimin altında kaldığını düşündüğüm ürünler gördüm; sebep genelde teknoloji değil uygulama disiplini oldu.”

“2025’te Hollanda’daki bir üretim firmasıyla yaptığımız görüşmede bunu net hissettik: Ekip hızlı sonuç istiyordu. Deney tasarımını düzgün kurmamıştı. Sonra geri dönüp veri sözlüğünü temizledik, ajanların görevlerini daralttık ve işler toparlandı. Yani sorun çoğu zaman araçta değil… yöntemde.”

Kendi açımdan kısa değerlendirme

İtiraf edeyim, Bence bu yönelim doğru yönde atılmış sağlam bir adım, ama henüz pişmesi lazım. Bilhassa de düzenlenmiş sektörlerde — finans, sağlık, savunma — agentic AI ancak denetim katmanı güçlüyse değer üretebilir. Yoksa güzel demo olur, hepsi bu.

Eğer siz de denemek istiyorsanız ilk iş olarak şu üç şeyi yapın: mevcut bilgi kaynaklarını çıkarın, kritik karar noktalarını yazın, ardından insan onayı gerektiren adımları belirleyin. Sonra ancak ajanları konuşturun. Tersinden giderseniz kaos çıkıyor, söyleyeyim.

Az önce “önce teknoloji” dedim gibi oldu. İlginç, değil mi? Aslında tam tersi daha doğru olabilir; önce süreç, sonra teknoloji.

Sıkça Sorulan Sorular

Microsoft Discovery ne?

Microsoft Discovery, Ar-Ge ekiplerine özel agentic AI tabanlı bir platform yaklaşımı. Amaç aslında şu: araştırma, hipotez üretme, test etme ve sonuç analizi döngüsünü olabildiğince hızlandırıyor.

Klasik yapay zekâdan farkı ne ki?

Klasik AI hani genelde cevap verir ya da bir şeyler üretir. Agentic yapı işe işi bizzat yürütmeye odaklanıyor; yani sadece yanıtlamıyor, bir sonraki adımı da kendisi tetikliyor. Bence bu fark pratikte çok büyük.

Küçük şirketler kullanabilir mi?

İşte, dürüst olmak gerekirse, Evet, ama açıkçası dar kapsamla başlamak şart. Tek bir use-case seçip kontrollü pilot yapmak, hemen büyük ölçeğe geçmekten çok daha mantıklı. Tecrübeme göre aceleyle genişleyenler pişman oluyor.

Büyük kurumlarda asıl dikkat edilmesi gereken ne?

Mesela güvenlik, veri yönetişimi ve audit izi gerçekten kritik. Ajanlara verilen yetkiler net tanımlanmazsa, proje teknik olarak gayet iyi çalışsa bile kurumsal tarafta kabul görmüyor. Yani teknik başarı tek başına yetmiyor.

Kaynaklar ve İleri Okuma

Microsoft Discovery blog yazısı

Azure Resmî Dokümantasyonu

Azure Architecture Center

GPT-5.5 ve Microsoft Foundry: Kurumsal AI Artık Ciddi: