Bilgisayar Kullanan Ajanlar: Demo ile Üretim Arasındaki 60 Puanlık Uçurum

Bir demo videoda ajan tarayıcıyı açıyor, formu dolduruyor, dosyayı indiriyor ve hepsi kırk saniye sürüyor. Aynı ajanı gerçek bir iş akışına koyduğunuzda üç yüz adım sonra kayboluyor. Bu, kötü bir mühendislik hatası değil; ölçülmüş ve yayınlanmış bir kalıp. 2026’da yayımlanan iki kıyaslama sonucu arasındaki uçurum, bilgisayar kullanan ajanlar hakkında bilmeniz gereken en yararlı tek çerçeveyi veriyor. Bu yazıda o uçurumu, ajanın gerçek döngüsünü, Türkçe arayüzlerde bozulan şeyleri ve ne zaman ajan yerine düz otomasyon kullanmanız gerektiğini anlatıyorum.

İki sayı: %83,5 ve %20,6#

Bilgisayar kullanan ajan (computer use), bir modelin ekran görüntüsüne bakıp fare ve klavye eylemleri üreterek bilgisayarı bir insan gibi kullanmasıdır. OpenAI’nin kendi Türkçe yerelleştirmesi de bu ifadeyi kullanıyor; alanın Türkçesi budur.

Bu alandaki referans kıyaslama OSWorld. Birinci sürümünün doğrulanmış hâli (OSWorld-Verified) bugün pratikte doyuma ulaşmış durumda: en iyi sonuç %83,5. İnsan temel çizgisi ise aynı sette %72,36. Yani manşet okumak isteyen biri rahatlıkla “ajanlar insanı geçti” diyebilir.

OSWorld 2.0 (arXiv:2606.29537, 28 Haziran 2026) tam olarak bunu test etmek için yapıldı: 108 uzun ufuklu iş akışı, medyan insan tamamlama süresi yaklaşık 1,6 saat, görev başına ortalama 318 araç çağrısı. Aynı sınıftaki en iyi model, 500 adımlık bütçeyle görevlerin yalnızca %20,6’sını tamamlıyor (kısmi puan %54,8).

Aradaki 60 puanlık fark bir model kusuru değil; kısa görevle uzun görev arasındaki farkın ta kendisi.

Pratik sonuç şu: bir ajanın tek uygulamada, üç-beş adımda bittiğini gösteren bir demo, o ajanın üç yüz adımlık bir süreci yürütebileceğine dair hiçbir kanıt sunmaz. Satın alma kararınızı verirken sorulacak doğru soru “hangi kıyaslamada kaç aldı” değil, “kaç adımlık bütçeyle ölçülmüş” sorusudur.

Döngü: algıla → yer belirle → uygula → doğrula#

Her bilgisayar kullanan ajan aynı dört adımlı döngüyü çevirir. Kavramsal olarak:

while not tamamlandi and adim < adim_butcesi:
    goruntu   = ekran_goruntusu_al()          # 1. algıla
    plan      = model(goruntu, hedef, gecmis) # 2. yer belirle + karar ver
    sonuc     = uygula(plan.eylem)            # 3. uygula (tıkla/yaz/kaydır)
    tamamlandi = dogrula(plan, ekran_goruntusu_al())  # 4. doğrula
    adim += 1

Bu döngünün maliyeti çoğu ekibi şaşırtıyor. Her adım en az bir ekran görüntüsü demektir; ekran görüntüsü görsel token demektir; 318 adımlık bir görev, aynı ekranın onlarca kez bağlama girmesi demektir. Bu yüzden ciddi uygulamalarda üç şey standarttır: eski ekran görüntülerini bağlamdan düşürmek, ekranı tam çözünürlükte değil küçültülmüş göndermek ve adım bütçesi koymak.

Piksel mi, erişilebilirlik ağacı mı?#

Yer belirleme (grounding), “kaydet düğmesi” gibi bir niyeti ekrandaki bir koordinata çevirme işidir ve ajanların en kırılgan parçasıdır. İki yaklaşım var:

• Piksel tabanlı: Model yalnızca ekran görüntüsüne bakar ve (x, y) üretir. Her uygulamada çalışır — oyun, uzak masaüstü, tuval tabanlı arayüz, hepsi. Karşılığında çözünürlük, ölçekleme (DPI) ve tema değişimlerine karşı kırılgandır.
• Erişilebilirlik ağacı / DOM tabanlı: Model, arayüzün yapısal temsilini okur ve öğeyi kimliğiyle seçer. Çok daha kararlıdır ve doğrulanabilir; ama yalnızca bu ağacı düzgün yayınlayan uygulamalarda çalışır.

Üretimde işe yarayan yaklaşım genellikle melez: mümkün olduğunda yapısal seçici, olmadığında piksel. Kritik nokta doğrulama: eylemden sonra beklenen değişikliğin gerçekleştiğini ayrı bir kontrolle teyit edin. “Tıkladım” ile “tıklama işe yaradı” arasındaki farkı ölçmeyen bir ajan, hatasını üç yüz adım boyunca taşır.

Türkçe arayüzlerde neler bozulur?#

Bu, Türkçe içeriklerde neredeyse hiç yazılmamış bir konu ve gerçek bir hata kaynağı. En büyüğü İ/ı sorunu: ajanın gördüğü ekran metnini beklenen metinle karşılaştırırken standart lower() kullanırsanız Türkçe’de yanlış sonuç alırsınız. Bu davranış Python’da doğrudan doğrulanabilir:

>>> "I".lower()          # Türkçe'de 'ı' olmalıydı
'i'
>>> "İ".lower()          # tek karakter değil, iki karakter döner
'i̇'                # 'i' + U+0307 (birleşen üstteki nokta)
>>> len("İ".lower())
2
>>> "ISTANBUL".lower()   # 'ıstanbul' değil
'istanbul'

Yani “İPTAL” yazan bir düğmeyi metin.lower() == "iptal" ile aramak, görünmez bir birleşen karakter yüzünden başarısız olur. Doğrusu, karşılaştırmadan önce Türkçe’ye özgü bir katlama uygulamak ve sonucu Unicode olarak normalleştirmektir:

import unicodedata

def tr_katla(s: str) -> str:
    """Turkce arayuz metnini guvenli sekilde kucult ve normallestir."""
    s = s.replace("I", "ı").replace("İ", "i")   # I->ı, İ->i
    s = s.lower()
    return unicodedata.normalize("NFC", s)

assert tr_katla("İPTAL")    == "iptal"
assert tr_katla("ISTANBUL") == "ıstanbul"

Aynı ailede iki tuzak daha var. Birincisi klavye düzeni: Türkçe Q ve Türkçe F düzenlerinde noktalama tuşları farklı yerdedir, bu yüzden ajanın metin yazma eylemi ham tuş kodları yerine metin girişi (type/insert) üzerinden gitmelidir. İkincisi tarih ve sayı biçimi: ekranda 13.08.2026 ve 1.250,75 görürsünüz; bunları İngilizce varsayımıyla ayrıştıran bir doğrulama adımı sessizce yanlış sonuç üretir.

Son olarak bir sınır kuralı: e-Devlet, bankacılık ve resmî başvuru akışlarını piksel tabanlı bir ajana otomatikleştirmeyin. Bu akışlar geri alınamaz, kimliğe bağlı ve çoğu zaman sözleşmeyle yasaklı. Bir ajanın yanlış düğmeye tıkladığında “geri al” tuşu yoktur.

Güvenlik: çözülmemiş sorun#

Bilgisayar kullanan bir ajan tanım gereği güvenilmeyen içeriğe bakıp eylem üretir. Bu, dolaylı prompt injection için ideal zemindir: sayfadaki gizli bir metin ajana talimat gibi görünür ve ajan onu uygular. OpenAI Aralık 2025’te bunun “muhtemelen hiçbir zaman tam olarak çözülemeyeceğini” açıkça belirtti; Brave, Perplexity Comet üzerinde gizli sayfa öğeleriyle dolaylı enjeksiyonu gösterdi.

Bunun doğru okunuşu “ajan kullanmayın” değil, “ajanın yapabileceklerini daraltın”. Üretimde işe yarayan sınırlar şunlar: ajanı ayrı bir sanal makinede veya kapsayıcıda çalıştırın; çıkış trafiğini yalnızca gereken alan adlarına izin veren bir listeyle kısıtlayın; oturum çerezlerini ve parola yöneticisini ajanın eriştiği profile koymayın; ve geri alınamaz her eylem için insan onayı isteyin. Ajanın gördüğü hiçbir metin, ajana verilmiş bir talimat değildir.

Ne zaman ajan, ne zaman Playwright?#

En pahalı hata, deterministik bir işi ajana yaptırmaktır. Karar tablosu:

Pratikte en sağlam mimari melezdir: ajan keşfeder, sonra bulduğu yolu deterministik bir betiğe çevirirsiniz. Ajanı her çalıştırmada yeniden keşfe göndermek, hem en pahalı hem en kırılgan seçenektir.

Kısacası bilgisayar kullanan ajanlar gerçek bir yetenek kazandırıyor, ama kısa demo ile uzun iş akışı arasındaki 60 puanlık fark, mimarinizi kurarken temel alacağınız sayıdır. Döngünün genel tasarımı için otonom ajan mimarileri, ekrandan gelen metnin neden talimat sayılmaması gerektiği için prompt injection ve güvenlik, ve bu ajanın gerçekten çalışıp çalışmadığını ölçmek için ajan değerlendirmesi yazılarına bakabilirsiniz.