Gerçek Jarvis’e Ne Kadar Uzağız
AI teknolojisi yeni bir aşamaya girerken, OpenAI’nin öncülük ettiği büyük dil modeli dalgası yeni bir tavanla karşı karşıya: LLM’ler diyalog üretmede iyi, ancak çoklu görev yürütme, gerçek zamanlı algılama ve sistem entegrasyonu açısından yetersiz kalıyor. Buna karşılık, piyasa ve teknoloji, “konuşabilen”den “eylem yapabilen”e doğru evrilen yeni nesil AI Asistanı’nı çağırıyor; sesli çok modlu etkileşim, gerçek zamanlı yanıt, araç zinciri planlaması ve çapraz sistem yürütme yeteneklerini vurguluyor. Jarvis artık sadece hayal değil, gerçek akıllı ajanların mücadelesi yeni başlıyor.
AI Asistanı, şirketler için yeni bir kâr girişi nasıl olur? Gerçekten “artı trafik” getirebilir mi?
01 Genel Agent Mimarisi Kısıtlı, Görev Zekası Hala “Örnek Ev” Aşamasında mı?
Mevcut AI Asistanlarının gelişimindeki temel zorluklar, akıllı planlama ve çağrı, sistem gecikmesi ve koordinasyon, etkileşim hafızası ve insansı nitelikler ile ticari model ve uygulama yolları olmak üzere dört boyutta yoğunlaşıyor. Özellikle “zeka seviyesinde”, farklı teknik yollar kesişerek araştırılıyor: Temel model bahisli genel çerçevelerden, senaryo bazlı küçük kapalı döngü sistemlere, Browser-Use ve kodsuz Agent oluşturmaya kadar her yol, “Jarvis’in beyni nasıl görünmeli?” sorusunu yanıtlıyor.
AI Asistanı Zeka Seviyesi Teknik Yolları
Görev yürütme zekasında, temel bir yol, uzun menzilli, döngüsel ve genelleştirilebilir genel görev çerçeveleri oluşturmak; hedef anlamadan görev tamamlamaya kadar tüm süreci gerçekleştirmek ve senaryo görevlerini aşağı doğru uyumlu hale getirmek.
Bu tür çerçeveler, büyük dil modellerini temel karar verici olarak kullanır; temel mekanizmalar görev ayrıştırma (Planning), yürütme geri bildirimi (ReAct), araç planlaması (Tool Use) vb. içerir. [2-1]
Manus örneğinde, “çok adımlı görev planlama + araç zinciri kombinasyonu” mimarisi kullanılır; LLM “kontrol merkezi” olarak kullanılır, Planner modülü görevleri gerektiği gibi ayrıştırır ve yürütme sırasında ReAct stratejisiyle alt modeller ve dış araçlar çağrılır. [2-2][2-3]
Örneğin, e-ticaret fiyat karşılaştırması görevinde Manus, birden fazla site verisini adım adım tarar, fiyatları karşılaştırır ve sonuç verir.
Ancak gerçek testlerde, karmaşık web yapılarının taranmasında kapsama yetersizliği, bazı fiyat bilgilerinin atlanması, veri kalitesi, geri bildirim kullanımı ve çoklu model işbirliğinde hala istikrarsızlık gösteriyor. [2-4]
Genel mimarinin bir diğer temsilcisi MetaGPT, bu yolda Agent oluşturmanın “kod yürütme, hafıza yönetimi ve sistem çağrıları” gibi bileşenleri üst üste bindirmesini vurgular; “çapraz araç + çapraz sistem” bileşik planlama yeteneğine sahip olması gerektiğini belirtir.
Ancak MetaGPT ekibi, mevcut bu tür genel çerçevelerin gerçek dağıtımda genellikle yüksek gecikme, karmaşık çağrı zincirleri ve kontrol edilemez maliyetler gibi sorunlar yaşadığını düşünüyor. [2-5]
Başka bir teknik yol ise “senaryo bazlı derinlemesine yapmak”ı savunur; sabit senaryolar etrafında kısa menzilli görevlerin kapalı döngü çalışmasını gerçekleştirir.
Tipik temsilcisi Genspark, PPT otomatik üretimi gibi temel senaryolara odaklanır; GPT-4.1 modelinin çok modlu yeteneklerini, araç kullanımını ve derin çıkarım modüllerini entegre ederek metin girdisinden grafik içerik çıktısına otomasyon sağlar. [2-6]
Genel çerçevelere kıyasla, “senaryo bazlı derinlemesine yapmak” teknik yolu daha çok düşük eşikli dağıtım ve istikrarı vurgular; “zayıf genel, güçlü tamamlanma” uygulama taleplerine uygundur.
Ancak bu tür çözümler, yapılandırılmamış görevler veya alan göçünde (örneğin PPT dışı senaryolar, metin dışı harita görevleri) sistem performansı belirgin şekilde düşer; zayıf genel genelleme yeteneği yetersiz.
Örneğin Genspark, standart olmayan girdi işleme ve dinamik tema üretimi gibi alanlarda hala sınırlı.
Browser-Use tipi yollar ise daha uzun vadeli iyileştirme çözümleri araştırır; Agent’ın tarayıcıyı insan gibi kullanarak görevleri tamamlamasını sağlar.
Açık kaynaklı proje Browser-Use temsilcisi olarak, Agent’ın tarayıcı girişi, form doldurma, bilgi tarama ve işlem gönderme gibi işlevlerini destekler; Claude Desktop ile entegre edilebilir. [2-7]
Bir diğer temsilci Open Computer Agent (Hugging Face), klavye-fare simülasyonu yeteneğine sahiptir; bilet rezervasyonu, web kaydı gibi süreçleri destekler. [2-8]
Bu yolun avantajı, gerçek Web UI operasyonları, ekstra API erişimi gerektirmemesi; ancak istikrarı, güvenliği ve izin sistemi hala olgunlaşmamış, karmaşık görev akışlarındaki istisna işleme yeteneği sınırlı.
Küçük ve orta ölçekli işletmeler veya teknik olmayan kullanıcılar için, kodsuz araç (No-Code Agent Builder) yeni nesil AI Asistanı’nın önerilen çözümü haline geliyor.
Birçok kurum ve şirket bu yolu araştırıyor. Örneğin Stanford gibi kurumlar geçen yıl AutoGen Studio’yu yayınladı; kodsuz şekilde çoklu Agent iş akışlarını kurma, hata ayıklama ve dağıtmayı destekler; görsel sürükle-bırak ve otomatik LLM ile araç çağrısı. [2-9]
Base44 (bu yıl Haziran’da Wix tarafından 80 milyon dolar’a satın alındı), diyalog odaklı, kodsuz otomatik ön-arka uç üretimi, izinler, dağıtım, veritabanı vb. kapsamlı işlevler sağlar. [2-10]
Startup StackAI, kodsuz sürükle-bırak platformu sunar; Salesforce, Snowflake gibi iş sistemleriyle entegrasyon destekler, otomatik operasyon gerçekleştirir. Bu yıl Mayıs’ta 16 milyon dolar finansman aldı. [2-11]
AI Asistanı nihayetinde sesi ana olarak kullanıcıyla etkileşim kuracak. Sistem optimizasyonu seviyesinde, sesli etkileşim düşük gecikmesi, tam dupleks ses, yetenek ve donanım/sistem eylemi bağlaması, uygulama verisi/araç çağrısı vb. kesinlikle ana karşılaşılan zorluklar olacak.
