Yapay zeka ajanları soru-cevap aşamasını çoktan geçti; bireyler ve şirketler için kod yazıyor, işlem yapıyor, iş akışlarını yürütüyor ve finansal işlemleri gerçekleştirebiliyor. Pilot uygulamalardan gerçek iş süreçlerine geçiş hızlanırken, bu teknolojinin ne kadar güvenilir ve ekonomik olduğu da giderek büyüyen bir tartışma konusu. Ajanlara ne ölçüde karar ve işlem yetkisi verilmeli? Hataları kim, nasıl denetleyecek? İnsan müdahalesi ne zaman gerekli olacak? Birden fazla ajanın birlikte çalışması gerçekten verimliliği artırıyor mu? Daha da önemlisi, sağlanan verimlilik kazanımları sistemlerin kurulumu, denetimi ve hatalarının yol açtığı maliyetleri karşılıyor mu?
Bu soruların ekonomik boyutunu araştıran isimlerden Mehmet İhsan Canayaz, yapay zeka ajanlarının düşük kullanım maliyetlerinin, şirketler için düşük toplam maliyet anlamına gelmediğini vurguluyor. Canayaz’a göre bir ajanın ekonomik değeri yalnızca kullandığı modelin yeteneklerine veya token maliyetine bakılarak hesaplanamaz. Ajanların nasıl görevlendirildiği, birbirleriyle nasıl etkileşime girdiği, hangi araçlara erişebildiği ve nasıl denetlendiği de sonuçları belirliyor. Araştırmaları, daha fazla ajanın birlikte çalışmasının her zaman daha yüksek performans sağlamadığını, koordinasyon sorunlarının beklenen verimlilik kazanımlarını ortadan kaldırabildiğini gösteriyor.
Oxford Üniversitesi’nde finansal ekonomi doktorasını tamamlayan, 2017–2026 yılları arasında Penn State’te görev yapan ve bugün University of Cincinnati’de finans alanında öğretim üyesi olan Canayaz, AI Agency adlı çalışma makalesinde tekli ve çoklu ajan sistemlerinin performansını, koordinasyon sorunlarını ve ekonomik maliyetlerini inceliyor. Zhe Wang ile hazırladığı Crafting an AI Compass araştırmasında ise küresel yapay zeka standartlarının şirketlerin yenilikçilik faaliyetleri ve teknolojik yetkinlikleri üzerindeki etkilerini ele alıyor.
Canayaz, Satırarası’nın yapay zeka ajanlarının ekonomisi, bankacılıkta kullanımının önündeki engeller ve yeni riskler hakkındaki sorularını yanıtladı.
Bankalar yapay zeka ajanlarının gerçek maliyetini hesaplayabiliyor mu? Ajanların pilot uygulamalardan iş süreçlerine taşındığı bugün, model ve token bedelleri dışında hangi maliyetlerin ölçülmesi ve yönetime raporlanması gerektiğini düşünüyorsunuz?
Token harcamasını izlemek görece kolay; çünkü fatura olarak önünüze geliyor. Asıl zorluk, ajanların tasarımının ve denetiminin toplam maliyeti nasıl etkilediğini ölçmekte. Yapay zekâ ajanlarının maliyetli veya pozitif net değer (NPV) yaratan bir yatırım olup olmadığını değerlendirmek için yönetimin token dışında üç kalemi izlemesini isterim. Birincisi, ajanları veriye, araçlara ve mevcut yazılımlara bağlamak dâhil, yapay zekâ iş gücünün tasarım ve entegrasyon maliyetidir. İkincisi yönetişim maliyetidir; yani inceleme ve gerektiğinde sorunların yetkili kişilere aktarılması için harcanan personel zamanı. Üçüncüsü ise hataları ve kötüye kullanımı tespit edip düzeltmenin maliyeti ile bunların yol açtığı kayıplardır.
Bu maliyetler, model seçiminin yanı sıra ajanların nasıl görevlendirildiğine, sistemlere nasıl entegre edildiğine ve nasıl denetlendiğine bağlıdır. Kontrollü deneylerin önemi de buradan geliyor. Her şirkete uyan tek bir tasarım yok. AI Agency çalışmasındaki gibi deneyler, farklı çalışma düzenlerini aynı görevler üzerinde karşılaştırarak doğruluklarını ve maliyetlerini değerlendirmeyi sağlıyor. Böylece şirket, ajanları iş süreçlerine taşımadan önce seçeneklerini sınayabiliyor. Yapay zekâ konusunda uzman ekonomistlerin gözetiminde yürütülen kontrollü deneylerin, bankaların kararlarına yol göstermesi gerektiğini düşünüyorum.
AI Agency deneyinizde tek ajan %92 doğruluğa ulaşırken işbirlikçi ajanların ortalaması %64, sıralı çalışanlarınki %39’da kalmıştı. Çok ajanlı sistemler neden her zaman daha iyi sonuç vermiyor? Daha gelişmiş modeller ve orkestrasyon araçlarıyla bugün aynı deneyi tekrarlasanız sonucun değişmesini bekler miydiniz?
Ajan sayısı arttıkça koordinasyon ihtiyacı da artar. Koordinasyon ise dikkatli bir tasarım ve yönetişim gerektirir. Söz konusu deneyde, sıralı çalışan ajanların ilk aşamada yaptığı hatalar zincir boyunca sonraki ajanlara taşındı. Birlikte çalışan ajanlar ise kimi zaman doğru yanıtı buldukları hâlde tartışmaya devam etti. Ben bunlara uzlaşma sarmalları adını verdim. Açık yetki sınırları ve talimatlar, bu sarmalları sınırlayarak çok ajanlı yapıların performansını iyileştirdi. Buradan çıkan ders, performansın model kapasitesinin yanı sıra iş bölümüne ve yönetişim tasarımına da bağlı olduğudur.
Daha gelişmiş modeller ve orkestrasyon araçları bugün sonuçları değiştirebilir. Aynı sıralamanın korunup korunmadığını görmek için deneyi karşılaştırılabilir görevler ve ölçütlerle tekrarlamak gerekir. Ajanların yeteneklerinin artması, izleme ihtiyacını da artırabilir veya bazı hataların önceden kestirilmesini zorlaştırabilir. Bu nedenle şirketler ajan sistemini bir bütün olarak değerlendirmeli ve kullanıma aldıktan sonra da izlemeyi sürdürmeli.
Araştırmanız, daha gelişmiş bir modelin her koşulda daha yüksek ekonomik değer yaratmadığını gösteriyordu. Özellikle gerekli araçlara erişmeden yanıt üretme ve ajanların gereksiz iletişim döngülerine girmesi gibi sorunları incelemiştiniz. 2024’ten bu yana bu sorunlar ne ölçüde giderildi? Ekonomik getiriyi sınırlayan yeni mekanizmalar ortaya çıktı mı?
Güncel ajan geliştirme araçları bu sorunların bazılarına karşı pratik kontroller sunuyor. Mesela AutoGen, konuşmaları mesaj, token veya süre sınırlarıyla sonlandırmaya imkân veriyor. Araştırmalarımdaki gözlemlerim de bir durdurma kuralının, görevin doğru ve verimli biçimde tamamlandığını tek başına göstermediğine işaret ediyor. Bu kuralları uygun biçimde belirlemek de kolay değil: Görevin ne kadar süreceği öngörülemiyorsa katı bir süre veya mesaj sınırı işi yarıda kesebilir. Bu nedenle maliyeti ve riski sınırlayan durdurma kurallarını, görevin gerçekten tamamlandığını doğrulayan kontrollerle birlikte tasarlamak gerekiyor.
Bir ajan, gerekli bir adımı atladığı hâlde ikna edici bir yanıt üretebilir. Bu nedenle yalnızca son yanıtı değerlendirmek yetmez; hangi işlemlerin gerçekten yapıldığını da doğrulamak gerekir. Kaynak veriyi, araç kullanımını ve ortaya çıkan eylemleri kontrol etmek kaynak gerektirir. Model çıktılarının açıklanmasındaki güçlükler de bu yükü artırabilir. Her gelişmiş modelin mutlaka daha pahalı denetleneceğini varsaymadan, bu doğrulama maliyetlerini ekonomik değerlendirmeye dâhil etmek gerekir.
Araştırmanızdaki “denetim” esas olarak açık talimatlar, işlem sınırları ve durdurma kurallarıydı; her kararda insan onayının maliyetini ölçmüyordunuz. Gerçek bankacılık işlemlerinde insan onayı riskleri azaltırken verimlilik kazanımını ne ölçüde sınırlıyor? Ekonomik açıdan uygun insan denetimi düzeyi nasıl belirlenebilir?
İnsan onayı, düşük olasılıklı fakat büyük kayıplara yol açabilecek hataları azaltabilir; ancak zaman ve emek gerektirir, işlemi de geciktirebilir. Her adımda onay istemek, her iş sürecinde ekonomik olarak anlamlı olmayabilir. Mevzuatın gerektirdiği kontroller korunarak, ek denetimin önlediği beklenen kayıp ile yarattığı maliyet ve gecikme karşılaştırılmalı. Crafting an AI Compass çalışmam, yapay zekâ standartlarının hazırlanma süreçlerini inceliyor. Ortak standartları çözümün bir parçası olarak görüyorum. Yapay zekâ sistemleri, şirketlerin kolayca fark edemediği önyargılar ve sınırlılıklar taşıyabilir. Test, belgeleme ve değerlendirmede ortak yöntemler kullanılması denetimi daha tutarlı hâle getirebilir. Standartlar olgunlaştıkça denetimin daha doğru noktalara yönelmesine ve maliyetinin azalmasına yardımcı olmalarını bekliyorum.
İngiltere Merkez Bankası ve FCA’nın 26 Ekim 2026 tarihli araştırmasında, ayrıntılı ankete katılan finans kuruluşlarının %80’i yapay zeka ajanlarını devreye aldığını, yalnızca %2’si ise geniş özerkliğe sahip ajanlar kullandığını bildirdi. Kullanımın yaygınlığı ile özerklik düzeyi arasındaki bu büyük farkı nasıl yorumluyorsunuz? Başlıca engel teknik güvenilirlik, düzenleme, kurumsal sorumluluk ya da ekonomik getirinin belirsizliği mi?
Bu farkı, kurumların ajanlara sınırlı yetki vermeyi tercih ettiğinin bir işareti olarak okuyorum. Ekonomik açıdan özellikle önemsediğim iki konu, hesap verebilirlik ve getirinin belirsizliği. Bir görevi ajana devretmek, kurumun sorumluluk ve denetim ihtiyacını ortadan kaldırmıyor. Ajanın eylemleri yeterince izlenemiyor veya doğrulanamıyorsa riskini ölçmek ve daha fazla özerklik vermeyi gerekçelendirmek zorlaşır. Yine de yetki ve işlem tutarı sınırları, maruz kalınabilecek kaybı sınırlamaya yardımcı olabilir. Anket, dış sağlayıcılardan alınan yapay zekâ hizmetlerinde güvenlik, operasyonel dayanıklılık ve tedarikçilerin sınırlı şeffaflığını önemli kısıtlar olarak öne çıkarıyor. Ankette bildirilen bu kısıtları, benim hesap verebilirliğe ve getiriye verdiğim ağırlıktan ayırmak gerekir. Temel soru, kurumun kullandığı sistemin risklerini değerlendirip kontrol edip edemediğidir.
Crafting an AI Compass çalışmanızda, yapay zeka standartlarının hazırlanmasına katılımın şirketler için yenilikçilik ve yetkinlik geliştirme bakımından avantajlar yaratabildiğini ortaya koyuyorsunuz. Son gelişmeler ışığında bu süreç büyük bankalar ile teknoloji sağlayıcıları arasındaki güç dengesini nasıl etkiliyor? Standartlar bilgi paylaşımını mı güçlendiriyor, yoksa mevcut oyuncuların konumunu mu sağlamlaştırıyor?
Çalışmam, yapay zekâ standartlarının hazırlanmasına katılımın bilgi paylaşımını, yenilikçiliği ve yetkinlik geliştirmeyi destekleyebildiğini gösteriyor. Patent üretiminde öncü şirketlerde patent faaliyetleri artarken, diğer şirketler yapay zekânın uygulanması, devreye alınması ve yönetişimiyle ilgili insan kaynağını geliştiriyor. Büyük bankalar ve teknoloji sağlayıcıları bu süreçlere daha fazla kaynak ayırabilir; bu da küresel standartların belirlenmesinde gündemi etkileme güçlerini artırabilir. Küçük bankalar ve finteklerin etkili katılımını kolaylaştırmak bu yüzden önemli. Bankalar açısından katılımın yararlarını patent gelirleriyle açıklamak yerine bilgiye ve ekosisteme erişime, sistemlerin birbiriyle çalışabilmesine ve tedarikçileri değerlendirme ve değiştirme imkânına odaklanmak gerekir.
Veri gizliliği üzerine önceki araştırmanız, bazı veri koruma düzenlemelerinin büyük veri birikimine sahip yerleşik şirketlere avantaj sağlayabileceğine işaret ediyordu. Açık bankacılık, veri taşınabilirliği ve yeni yapay zeka uygulamaları bu değerlendirmenizi değiştirdi mi? Tüketiciyi koruyan kuralların rekabeti istemeden sınırlaması hangi koşullarda söz konusu olabilir?
Temel kaygım geçerliliğini koruyor; ancak hangi koşullarda ortaya çıktığını belirtmek gerekiyor. Sohbet tabanlı yapay zekâ şirketleri üzerine yaptığım çalışmada, Kaliforniya Tüketici Gizliliği Yasası’nın (CCPA) önceden kendi tüketici verisini toplamış şirketlere göreli bir avantaj sağladığını bulduk. Koruyucu kurallar, uyum maliyetleri büyük ölçüde sabit olduğunda ya da rıza ve erişim süreçleri gereksiz ölçüde zorlaştırıldığında rekabeti istemeden sınırlayabilir. Amaç, gizliliği korurken kurallara uygun biçimde piyasaya girişi, veriye erişimi ve sağlayıcı değiştirmeyi mümkün kılmak olmalı.
Agentic Valuation Lab kapsamında öğrencileriniz yapay zeka ajanlarıyla şirket değerleme, birleşme-satın alma ve halka arz vakaları üzerinde çalışıyor. Bu uygulamada ajanların en sık hangi yanlış varsayımlarını veya hatalarını görüyorsunuz? Bu deneyimlerinizin AI Agency araştırmanızla doğrudan bir araştırma bağlantısı bulunuyor mu?
Laboratuvarın iki temel amacı var. Birincisi, öğrenciler yapay zekâ ile şirket değerlemesi yapıyor ve süreç boyunca onun varsayımlarını sınıyor. Sınıftaki gözlemlerimde sık karşılaştığım sorunlardan biri, özellikle emsal şirket veya emsal işlem seçiminde, savunulamayan varsayımlar. Bazı örneklerde seçilen şirketler, ürünler, muhasebe uygulamaları veya sektör bakımından benzerlikten çok kamuoyundaki görünürlüğü yansıtıyor. Güncel olmayan, doğrulanamayan veya yanlış veriler de tekrar eden sorunlar arasında. Bunları fark etmek için kaynakları ve varsayımları kontrol etmek gerekiyor; yüzeysel bir inceleme yeterli olmayabiliyor.
İkincisi, kaldıraçlı satın alma (LBO) ile birleşme ve satın alma (M&A) simülasyonlarımda yapay zekâ ajanları satıcı, finansman sorumlusu ve proje yöneticisi gibi tarafları canlandırıyor. Öğrenciler, hedef şirketin finansal verilerini kullanarak her tarafla müzakere ediyor ve satın almayı tamamlayıp tamamlamayacaklarına karar veriyor. Laboratuvarı, öğrencinin her ajanla ayrı ayrı müzakere edeceği şekilde tasarladım. AI Agency çalışmam ve oradaki maliyetli etkileşim döngülerine ilişkin bulgular bu tercihe yön verdi. Dou, Goldstein ve Ji de konuyla ilgili bir uyarı sunuyor. Belirli piyasa simülasyonlarında, pekiştirmeli öğrenme kullanan alım satım algoritmalarının açık bir anlaşma veya iletişim olmadan da danışıklı sonuçları sürdürebildiğini gösteriyorlar. Bu bulguyu, ajanların nasıl etkileşime girdiğini dikkatle tasarlamanın ve test etmenin önemine işaret eden bir sonuç olarak değerlendiriyorum.
AI Agency çalışmasını 2024’te hazırlarken şirket yöneticilerinin ajanlar konusunda en çok yanıldığı ekonomik varsayım sizce neydi? 2026 sonunda hâlâ aynı yanılgı mı öne çıkıyor? O tarihten bu yana kendi değerlendirmenizi değiştirmenize yol açan yeni bir kanıt, başarılı uygulama veya başarısızlık oldu mu?
Bence temel yanılgı, düşük token fiyatlarının doğrudan düşük toplam maliyet anlamına geldiğini varsaymaktı. Ajanların yarattığı değer, görevlerin nasıl tasarlandığına, hangi araçları kullanabildiklerine ve nasıl denetlendiklerine bağlı. Bu ayrımın 2026’da da önemli olduğunu düşünüyorum. Bu yıl yaşanan bir olay görüşümü pekiştirdi. OpenAI, 21 Temmuz 2026 tarihli açıklamasında ve 26 Ağustos’taki takip raporunda, siber güvenlik değerlendirmelerinde kullanılan modellerin test çözümlerini ararken yalıtım kontrollerini aşarak Hugging Face altyapısına yetkisiz erişim sağladığını bildirdi. Bu olay, bazı güvenlik kısıtlarının azaltıldığı özel bir değerlendirme ortamında yaşandı. Benim çıkardığım ekonomik ders, erişim sınırlarının, güvenlik kontrollerinin, izlemenin ve olaylara müdahalenin baştan itibaren yatırım hesabına dâhil edilmesi gerektiği. Bence 2026’da insanlarla yapay zekâ arasındaki etkileşimlerin yanı sıra, yapay zekâ ajanlarının birbirleriyle etkileşiminden doğabilecek sorunlara da hazırlıklı olmamız gerekiyor. Örneğin müşteriler bankanın ajanlarıyla doğrudan görüşmek yerine kendi ajanlarını kullandığında, yetkinin sınırlarının, bilgi paylaşımının ve sorumluluğun nasıl belirleneceğini şimdiden ele almalıyız.
Kaynakça
Canayaz, M. AI Agency. Çalışma makalesi; SSRN kaydındaki son güncelleme 4 Haziran 2025.
Canayaz, M. ve Wang, Z. Crafting an AI Compass: The Influence of Global AI Standards on Firms. Çalışma makalesi; 7 Haziran 2026 tarihli SSRN sürümü.
Canayaz, M., Kantorovitch, I. ve Mihet, R. (2021). Privacy Laws and Value of Personal Data. Swiss Finance Institute Araştırma Makalesi 21-92.
Dou, W., Goldstein, I. ve Ji, Y. (2025). AI-Powered Trading, Algorithmic Collusion, and Price Efficiency. NBER Çalışma Makalesi 34054.
İngiltere Merkez Bankası ve Finansal Davranış Otoritesi (2026). Artificial intelligence in UK financial services – 2026. 26 Ekim.
Microsoft. AutoGen AgentChat belgeleri: Termination. Erişim tarihi 28 Ekim 2026.
OpenAI (2026). OpenAI and Hugging Face partner to address security incident during model evaluation. 21 Temmuz.
OpenAI (2026). The Hugging Face incident and the road ahead. 26 Ağustos.
