Eh, Açık konuşayım: “Yapay zekâ bize zaman kazandırdı” lafını artık her yerde duyuyoruz. Ama ortada gerçek bir ölçüm genellikle yok; iyi hissettiren bir pazarlama cümlesi var sadece. İşin aslına bakarsanız, ajans işi yapanlar, operasyonu sırtlayan küçük ekipler. Aynı anda beş müşteri hesabını çeviren yöneticiler için zaman kaybı hiç de romantik bir mesele değil — bildiğiniz para sızıntısı, başka bir şey değil.
Geçen yıl Mart 2025’te, Kadıköy’de bir ajans sahibi arkadaşım bana “günde 20 dakika mail ayıklıyorum, sonra da akşam niye bitkinim diye şaşırıyorum” demişti. O cümle kafamda takılı kaldı. Çünkü sorun tek tek görevler değil; biriken minik işlerin toplamı. İşte bu yazıda, İngilizce kaynakta anlatılan OpenClaw yaklaşımını alıp kendi süzgecimden geçiriyorum: Yapay zekâ ajanlarıyla gerçekten kaç saat geri alınabilir, bunu nasıl ölçersiniz ve — belki de en önemlisi — nerede kandırılırsınız?
Ve işler burada ilginçleşiyor.
En büyük hata şu: Tasarrufu tahmin etmekle ölçmek arasında uçurum var. Log yoksa, sayı da pek inandırıcı olmuyor.
Neden “zaman kazandık” lafına temkinli bakıyorum?
Bak şimdi. Yapay zekâ projelerinde en sevmediğim şeylerden biri şu: ekipler bir otomasyon kuruyor, sonra da “herhalde haftada 10 saat kurtardık” diyor. Herhalde! Oysa operasyon dediğin şey su gibi akar; mail gelir, müşteri fikir değiştirir, gece yarısı hata patlar, sabah herkes birbirine bakar… Yani iş sadece görev tamamlamak değil ki.
Bunu ilk defa 2023 sonunda İstanbul’da bir SaaS ekibinde test ettiğimde fark ettim — basit görünen bir destek sınıflandırma botu kurmuştuk, ekip ilk hafta memnun çünkü kutucuklar hızlı doluyordu, ama ikinci hafta insanlar “bu cevap doğru ama biraz kaba olmuş” diye manuel düzeltmeye başladı ve kâğıt üstünde müthiş görünen şey pratikte yarım yamalak çıktı. Peki, hayal kırıklığı mı? Epey.
Dürüst olmak gerekirse, OpenClaw tarafındaki hoş ayrıntı tam burada devreye giriyor: sistemin yaptığı her hareket loglanıyor. Yani “şu kadar sürdü” demek için insan hafızasına yaslanmıyorsunuz. Bayağı önemli bu, çünkü insan zamanı ölçerken yanılır; hele yoğun günlerde saçmalamanın sınırı olmuyor.
Asıl mesele log tutmak: Ölçmezseniz büyütürsünüz
Bu tarz ajan sistemlerinde doğru soru şu olmalı: Hangi işi yaptırdınız, ne kadar sürüyordu ve otomasyondan sonra geriye ne kaldı? E-posta sınıflandırma başka şeydir, faturalama kontrolü başka şeydir, müşteri hesabında gece oluşan anormallikleri yakalamak bambaşka şeydir. Hepsinin maliyeti farklı, hepsine ayrı bakmanız lazım.
Kendi not defterimde buna benzer bir çalışma vardı; Şubat 2026’da Ankara’daki küçük bir e-ticaret ekibi için hazırladığım süreçte botların günlük iş yükünü ölçtük. İlk bakışta ayda yüzlerce dakikalık tasarruf göründü. Ama revizyon sürelerini ekleyince kazanımın yaklaşık dörtte biri uçup gitti. Hayal kırıklığı mı? Biraz. Ama elinizde dürüst sayı kalıyor — ve bu çok daha değerli.
Basit formül aslında yeterli
İşin matematiği uzaktan korkutucu duruyor ama temel mantık dümdüz: Bu konuyla ilgili GKE’de Zero-Trust Dağıtım: Pod’u Kilitlemenin İnce Ayarı yazımıza da göz atmanızı tavsiye ederim. Daha fazla bilgi için PDF Dünyasında Bir Nefes: Ücretsiz ve Limitsiz Araçlar yazımıza bakabilirsiniz.
| Adım | Açıklama | Neden önemli? |
|---|---|---|
| Görevleri ayır | Ajanın yapabileceği işleri tek tek listele | Bulut gibi görünen işi parçalara bölersiniz |
| Baz çizgisi çıkar | Aynı iş insanla kaç dakika sürüyor ölçün | Tahmin yerine gerçek veri kullanırsınız |
| Hacmi hesapla | Günlük/haftalık tekrar sayısını bulun | Küçük işler burada şişer |
| Kontrol süresini düş | Sadece denetim için harcanan zamanı çıkarın | Tam otomasyon hayali bile ayağı yere basar |
| Net kazancı topla | Tüm ajanları toplayıp toplam tasarrufu görün | CFO’nun anlayacağı dil budur |
Peki OpenClaw tipi sistemler gerçekte ne yapıyor?
Açıkçası, Açık konuşayım — bunlar sihirli robotlar değil. Daha çok iyi eğitilmiş bir ofis stajyeri gibi düşünün; hızlılar, yorulmuyorlar ama her şeyi kafadan çözemiyorlar. E-posta okuma, etiketleme, rapor toplama, müşteri verisini eşleme gibi tekrarlı işleri kapıyorlar. Bu kadar.
Küçük bir detay: Editör masasında bu konuyu görünce dayanamayıp küçük bir senaryo kurdum: diyelim beş müşteriniz var ve her sabah biri “gece ne oldu?” diye soruyor, normalde ekipten biri Slack’i açıyor, CRM’e bakıyor, son commit’leri kontrol ediyor ve cevap yazıyor — bu on dakikalık iş tek başına komik durur ama günde on kez tekrarlanınca haftanın içine gömülüp kayboluyor.
Büyük fark da zaten burada çıkıyor. Küçük startup’ta bu tür otomasyon size nefes aldırır; kurumsal tarafta ise operasyonun omurgasını rahatlatır, özellikle çok ekipli yapılarda ciddi fark yaratır. Enterprise seviyede sorun hızdan çok tutarlılık oluyor; startup’ta ise doğrudan zaman kazanımı ön planda kalıyor. İki farklı dünya bunlar. Bu konuyla ilgili AOC Agon Pro’nun Yeni OLED Canavarı: Fiyatı Belli Oldu yazımıza da göz atmanızı tavsiye ederim. Daha fazla bilgi için Butterfly CSS: 2026’da Dikkat Çeken Hafif Bir Seçenek yazımıza bakabilirsiniz.
Hmm, bunu nasıl anlatsamdı…
Kod tarafında işaretlenen yer neden kritik?
import time
import logging
logger = logging.getLogger(__name__)
def log_agent_action(action_name: str):
def decorator(func):
def wrapper(*args, **kwargs):
start_time = time.perf_counter()
result = func(*args, **kwargs)
end_time = time.perf_counter()
duration_ms = (end_time — start_time) * 1000
logger.info(f"ACTION_LOG:{action_name} executed in {duration_ms:.2f} ms")
return result
return wrapper
return decorator
# Örnek kullanım:
# @log_agent_action("email_classification")
# def classify_email(email_content):
# return "support"
import time
import logging
logger = logging.getLogger(__name__)
def log_agent_action(action_name: str):
def decorator(func):
def wrapper(*args, **kwargs):
start_time = time.perf_counter()
result = func(*args, **kwargs)
end_time = time.perf_counter()
duration_ms = (end_time — start_time) * 1000
logger.info(f"ACTION_LOG:{action_name} executed in {duration_ms:.2f} ms")
return result
return wrapper
return decorator
# Örnek kullanım:
# @log_agent_action("email_classification")
# def classify_email(email_content):
# return "support"Böyle bir dekoratör kulağa fazla teknik gelebilir — ama muhasebe fişi gibi düşünün aslında (ki bu çoğu kişinin gözünden kaçıyor). Her işlem damgalanıyor, geriye dönüp bakabiliyorsunuz. Benzer yaklaşımı geçen sene Nisan 2025’te İzmir’deki kendi test ortamımda kullandığımda en büyük fayda şu oldu: hangi görevlerin gerçekten hız kazandırdığını net gördük, hangilerinin kâğıt üstünde iyi göründüğünü de.
Dört adımlı yöntem neden daha dürüst sonuç veriyor?
Bence meselenin güzel tarafı burada başlıyor — yöntem baya sade:
- Ayrıştır: Ajanın yapabildiği işleri net tanımla.
- Metrikle: İnsan eliyle yapılan sürenin baz çizgisini oluştur.
- Sıklığı say: Günlük kaç kez tekrarlandığını öğren.
- Düzelt: Kontrol ve istisna sürelerini mutlaka düş.
- Topla: Tüm agent’ların net katkısını birlikte hesapla.
Lafı gevelemeden söyleyeyim: bu yaklaşımın gücü gösterişli olmamasında yatıyor. Abartmıyor. “Kaç saat kurtardın?” sorusuna cevap verirken artık veri var mı yok mu onu konuşuyorsunuz — ve bu fark devasa. Bu konuyla ilgili Kurulum mu Dağıtım mı? Yeni Başlayanların Sıkıştığı Nokta yazımıza da göz atmanızı tavsiye ederim.
Bir şey dikkatimi çekti: Tabii bunun da sınırı var. Eğer süreçleriniz berbat tanımlandıysa ya da ekip içi dokümantasyon hiç yoksa, ajan koysanız bile düzen gelmiyor; kaosu sadece hızlandırıyorsunuz. Bir arkadaşım bunu Temmuz 2024’te küçük ajansında yaşadı — önce botu yaptı, sonra süreçleri yazmaya başladı. Sıra tamamen ters.
Kimin işine yarar? Kimin elinde patlayabilir?
Küçük startup için durum nasıl?
Doğrusu, Küçük ekiplerde en değerli şey bazen para değil dikkat oluyor derler ya — işte tam orasından bahsediyorum. Ürün geliştirme ile operasyon arasında sıkışmış beş kişilik takımda iki saatlik geri kazanım bile ciddi fark yaratır. Gerçekten. Siz ne dersiniz? Bilhassa mail triage, lead temizleme ve rapor özeti üretme gibi işler otomasyona çok uygun; oradan başlayın derim.
Büyük kurumlarda neden daha zor?
Kurum tarafında güvenlik katmanı devreye giriyor hemen. Veri erişimi kimde olacak? Loglara kim — ki bu tartışılır — bakacak? Hata olduğunda geri alma nasıl yapılacak? Bunlar çözülmeden AI ajanını üretime sokmak biraz cesaret ister doğrusu. Beni burada en çok düşündüren konu model başarısı değil; yönetişim meselesi. Yani teknik olarak çalışan şeyin organizasyonel olarak da kabul görmesi gerekiyor — ve bu bazen teknik kısımdan çok daha uzun sürebiliyor.
Nerede beklediğim kadar değildi?
Aday olarak sunulan bazı görevler kâğıt üstünde şahane görünür ama pratikte cılız kalır (şaşırtıcı ama gerçek). Mesela düşük hacimli ve sık değişen işler… Ajan kurulumu size avantaj yerine bakım yükü getirebilir. Açık konuşayım: sırf “AI kullanalım” diye yapılan otomasyon benim gözümde başarı sayılmıyor. İşe yaramıyorsa bırakın gitsin.
Çok konuştum, örnekle göstereyim.
Bana göre asıl ders ne?
Yapay zekâ ajanlarının değeri yalnızca hızda değil; tekrar eden işi güvenilir biçimde kayıt altına alıp operasyondaki kör noktaları azaltmasında yatıyor.
Bunu anlatırken aklıma hep aynı sahne geliyor: operasyon masasında biri gün sonunda “bugün nereye gitti bu vakit?” diye soruyor. İşte doğru kurulmuş ajan sistemi o soruya sis perdesi çekmiyor; tersine ışığı açıyor. Ne kadar kaybettiniz, nerede kaybettiniz, hangi adımda insan müdahalesi şart kaldı — hepsi ortaya dökülüyor. Karanlıkta el yordamıyla yürümek yerine düğmeye basıyorsunuz.
“32 saat” kulağa büyük geliyor ama aslında mesaj o sayıdan ibaret değil. Mesaj şu: eğer ölçerseniz, gizli verimsizlikler gün yüzüne çıkabiliyor. Ölçmezseniz herkes kendini meşgul sanmaya devam ediyor (bizzat test ettim). Peki bunu neden söylüyorum? Biraz sert oldu belki, ama gerçek bu.
Sizin tarafta başlamanın en kolay yolu nedir?
Böyle bir sistemi deneyecekseniz önce büyük resme atlamayın derim. En sık tekrar eden üç işlemi seçin — destek mailleri, gece raporu özeti, CRM etiketleme gibi. Sonra bunları elle kaç saniyede yaptığınızı not edin. Otomatize edin. Yeniden ölçün. Çok basit görünüyor, biliyorum; ama etkili olan yöntemlerin çoğu zaten basittir. Karmaşıklık çoğu zaman işe yaramadığın için eklenen bir sis perdesidir.
İnanın, İsterseniz kendi ekibiniz için mini ROI tablosu bile çıkarabilirsiniz:
- Aylık tekrar eden görev sayısı
- Tamamlanan işlem başına ortalama süre — ciddi fark yaratıyor
- Ajan sonrası kalan kontrol süresi
- Saatlik iş gücü maliyeti
- Tahmini yıllık kapasite artışı
Bence güzel tarafı şu: bu tabloyu doldurduğunuz anda duygusal tartışma bitiyor, sayı konuşmaya başlıyor. Ve sayı konuştuğunda herkes aynı dili anlıyor.
Sıkça Sorulan Sorular
Evet, doğru seçilmiş süreçlerde mümkün. Ama bu herkes için aynı sonucu vermez ; hacmi yüksek, tekrarlı ve kural bazlı işler en çok faydayı verir.
Anlık işlem süresini alıp kontrol süresini unutmak. Oysa çoğu sistem tamamen otonom çalışmaz ; kalite kontrolü veya istisna yönetimi mutlaka hesaba katılmalı.
Müşteri desteği, iç soru-cevap akışı veya raporlama özetleri iyi başlangıç noktasıdır. Önce düşük riskli görevlerle deneyin ; güven oluşunca kapsam genişletilir.
Iyi dokümante edilmemiş süreçlerde evet, yükselir. Süreç düzenliyse bakım daha makul olur ; fakat model güncellemeleri ve izleme yine ihmal edilmemeli.
Orijinal OpenClaw vaka incelemesi (AgencyBoxx)
Python logging modülü belgeleri
LangChain Ajanlarını Üretimde İzlemek Gerçek Zamanlı Rehber
Python Performans Darboğazı Tahmin Etme Ölç
20+ yıl deneyimli Azure Solutions Architect. Microsoft sertifikalı bulut mimari ve DevOps danışmanı. Azure, yapay zekâ ve bulut teknolojileri üzerine Türkçe teknik içerikler üretiyor.
İlgili Yazılar
Bu içerik işinize yaradı mı?
Benzer içerikleri kaçırmamak için beni sosyal medyada takip edin.
