Yapay zekanın gelişiminde 3-4 yıl önce metin ve kod üreten, ardından karmaşık sorunları çözebilen ve çok adımlı görevleri yerine getirebilen modeller öne çıktı. Son dönemde ise modeller, kendilerine verilen görevin nasıl tamamlanacağını planlayıp, bilgisayar ve dijital araçları doğrudan kullanabilen, sonuçlarını değerlendiren ve gerektiğinde hatalarını düzelterek çalışmayı sürdüren sistemlere evrildi. Bu hızlı dönüşüm, yapay zekanın insanlara yanıt veren bir yazılımdan insanların hedefleri doğrultusunda görevleri otonom biçimde yürütebilen ajanlara dönüşmesini sağlarken alandaki rekabetin merkezinde ABD ve Çin'deki şirketler öne çıkıyor.
Yapay zekanın bu yeni aşamasında kullanıcıların her işlemi tek tek tarif etmesi yerine ulaşılmak istenen hedefi belirtmesi yeterli hale geliyor. Ajanlar, hedef doğrultusunda bilgisayarı kullanabiliyor, farklı uygulamalar arasında işlem yapabiliyor, dijital araçlardan yararlanabiliyor ve süreci baştan sona yönetebiliyor.
Yapay zeka "iş yapan" ajana dönüşüyor
Üretken yapay zekanın ilk döneminde kullanıcı sisteme bir soru veya komut veriyor ve karşılığında metin, görüntü veya kod alıyordu. Otonom ajanlarla birlikte ise sistem, daha büyük bir görevi parçalara ayırarak gerekli işlemleri sıralayabiliyor ve ortaya çıkan sonuçlara göre sonraki adımlarını belirleyebiliyor. Böylece "yapay zekaya bir şey yaptırmak" yerine "yapay zekaya kapsamlı görevler vermek" yeni kullanım biçimi haline geliyor.
Anthropic'in ağustos sonunda Claude modellerinin fiziksel cihazlarla etkileşimini mümkün kılmaya yönelik Model Hardware Standard çalışmasını araştırma ön izlemesine açması, yapay zekanın fiziksel dünyaya taşınmasına ilişkin önemli örneklerden birini oluşturuyor.
Çalışmayla yapay zeka ajanlarının mikroskop, robotik kol ve sıvı işleme sistemleri gibi farklı laboratuvar cihazlarını ortak bir yapı üzerinden kullanabilmesi ve bu cihazları aynı görev doğrultusunda koordine edebilmesi amaçlanıyor.
Anthropic'in denemelerinde Claude, bir lazerin hizalanması için ayar yaptıktan sonra kameradan aldığı görüntüyü değerlendirerek ışının konumunu yeniden kontrol etti ve gerekli düzeltmeleri tekrarladı. Bir başka çalışmada ise lazerin yeniden kilitlenmesi sürecini optimize eden Claude, yüzlerce denemenin ardından işlemin süresini yaklaşık 150 saniyeden 6 saniyeye indirirken başarı oranını yüzde 58'den yüzde 96'ya çıkardı.
Şirket, yapay zeka ajanlarının farklı donanım ve fiziksel sistemlerle ortak bir standart üzerinden iletişim kurabilmesini sağlamak amacıyla Model Hardware Standard (MHS) çalışmasını geliştiriyor. Bu yaklaşımda yapay zeka, tek bir cihazı kullanan operatörden ziyade, farklı makineleri aynı hedef doğrultusunda yöneten bir "orkestra şefi" rolüne yaklaşıyor.
OpenAI insan-bilgisayar işbirliğine ağırlık veriyor
OpenAI'nin yakın zamanda tanıttığı GPT-6 Astra da otonom ajanların bilgisayar kullanımındaki gelişiminin en yeni örneklerinden biri olarak öne çıkıyor.
Astra, bilgisayar ekranındaki uygulamalarla etkileşime geçerek uzun süreli ve çok aşamalı görevleri kullanıcı adına gerçekleştirebiliyor. Modelin yazılım geliştirme ve siber güvenlik gibi alanlarda da uzun süreli çalışabilmesi, yapay zekanın yalnızca işlem hakkında bilgi veren bir yardımcı olmaktan çıkıp işlemi doğrudan gerçekleştiren bir sisteme dönüşümünü hızlandırıyor.
Şirket tarafından sosyal medyada paylaşılan görüntülerde modelin, internet üzerinde araştırma yapma, bilgisayar oyunu yazma, elektronik tablolardaki verileri analiz etme ve sunum hazırlama gibi farklı işlemleri tek bir görev akışı içinde gerçekleştirebildiği görülüyor.
Astra ve Claude'daki gelişmeler, yapay zeka yarışında yeni ölçütün yalnızca modelin ne kadar doğru cevap verdiği olmadığını ortaya koyuyor. Modellerin bir görevi ne kadar süre insan müdahalesi olmadan sürdürebildiği, kaç farklı aracı kullanabildiği ve gerçek dünyadaki sistemlerle ne ölçüde etkileşime geçebildiği rekabetin yeni başlıklarını oluşturuyor.
Çinli modeller farklı yaklaşımlar sergiliyor
Çin'deki yapay zeka şirketleri de bu ajanlaşma eğilimine farklı yaklaşımlarla karşılık veriyor. DeepSeek'in ağustosta genel kullanıma açtığı V4 Pro modeli, ajan tabanlı yazılım geliştirme ve araç kullanımına odaklanırken, Moonshot AI'ın 17 Temmuz'da tanıttığı Kimi K3, karmaşık görevleri çok sayıda alt ajana bölerek eş zamanlı yürütme yaklaşımını öne çıkarıyor. Z.AI'ın GLM ailesinde ise uzun süreli görevler üzerinde çalışabilme, planlama, uygulama, test etme, hata düzeltme ve yeniden deneme döngülerinin sürdürülmesi öne çıkıyor.
Kimi'nin yaklaşımında çok sayıda yapay zeka ajanı bir "dijital iş gücü" gibi çalışırken, GLM aynı görev üzerinde uzun süre çalışarak sonucu adım adım geliştirmeye, DeepSeek ise modeli kodlama ortamları ve diğer dijital araçlarla birlikte çalıştırmaya odaklanıyor.
Yeni modelleri geliştirme süresi kısalıyor
Yapay zeka şirketlerinin yeni modeller geliştirmedeki süratinin de giderek artması, bu dönüşümü daha da hızlandırıyor. Modeller yalnızca kullanıcıların işlerini yapmak için değil, yeni yapay zeka sistemlerinin geliştirilmesi, kodlanması, test edilmesi ve iyileştirilmesi süreçlerinde de kullanılıyor. Böylece her yeni nesil model, bir sonraki modelin geliştirilmesinde kullanılan araçların da güçlenmesine katkı sağlıyor.
Bu gelişmeler, yapay zekanın insan düzeyinde genel yeteneklere sahip olması beklenen Yapay Genel Zeka'ya (AGI) ne kadar yaklaştığı ve mevcut gelişim hızının bu hedefe ne zaman ulaşılmasını sağlayabileceği sorularını yeniden gündeme getiriyor.