İçinde bulunduğumuz dönemi açıklamak için Martec’s Law oldukça güçlü bir çerçeve sunuyor: teknoloji çok hızlı gelişiyor, ancak organizasyonların süreçlerini, yetkinliklerini ve yönetim biçimlerini aynı hızda dönüştürmesi kolay değil. Bugün pek çok üretim şirketinin yaşadığı temel sorun da tam olarak bu. Yeni teknolojilere erişim artık eskisi kadar zor değil; asıl zorluk, bu teknolojileri mevcut operasyon yapısına doğru sırayla entegre etmek ve gerçek iş sonucuna dönüştürmek.

Burada önemli olan, üretimin temel yönetim prensiplerinin aslında değişmemiş olmasıdır. Lean ve Agile yaklaşımlar yıllardır bize akışı hızlandırmayı, israfı azaltmayı, pazara daha hızlı cevap vermeyi, tedarik zincirini bütünsel yönetmeyi ve Operational Excellence sağlamayı öğretiyor. Bugün değişen şey bu hedefler değil; bu hedeflere ulaşmak için kullandığımız metotlardır. Digitalization bu açıdan yeni bir amaç değil, mevcut operasyonel hedeflere ulaşmak için geliştirdiğimiz yeni bir yetkinlik katmanıdır.

Dijital dönüşümün ilk aşaması interoperability ve connectivity oldu. ERP, MES, SCADA, WMS, makineler ve sensörler birbirine bağlandıkça üretim ortamında bir CPS backbone oluşmaya başladı. Böylece veriyi yalnızca üretmek değil, farklı sistemler arasında taşımak, birleştirmek ve gerçek zamanlı olarak erişilebilir hale getirmek mümkün oldu. Başka bir ifadeyle, önce fabrikanın dijital sinir sistemi oluşturuldu.

Bunun üzerine Machine Learning ve Deep Learning uygulamaları ile perception yeteneği gelişti. Anomaly detection, predictive maintenance, quality prediction gibi uygulamalar sayesinde sistemler artık sahada ne olduğunu daha erken ve daha doğru biçimde algılayabiliyor. Bu katmanın temel sorusu “What is happening?” oldu.

Ardından LLM’ler ve Generative AI ile birlikte reasoning yeteneği önemli ölçüde genişledi. RAG, teknik dokümanlar, geçmiş bakım kayıtları ve kurumsal bilgi kaynaklarıyla desteklenen modeller, yalnızca bir olayı tespit etmekle kalmayıp, onun ne anlama geldiğini ve hangi operasyonel bağlam içinde değerlendirilmesi gerektiğini yorumlamaya başladı. Böylece odak “What does this mean?” sorusuna kaydı.

Bugün ise bir sonraki aşamaya geçiyoruz: enterprise reasoning and coordinated action. Çünkü görmek ve anlamak tek başına yeterli değil. Üretimde asıl değer, doğru bilginin zamanında doğru aksiyona dönüşmesiyle ortaya çıkar. Agentic AI bu noktada devreye girerek AI agents, enterprise systems, tools ve workflows arasında koordinasyon sağlar ve “What should be done next?” sorusuna cevap üretir.

Örneğin bir makinedeki arızayı Traditional AI ile tespit etmek perception, arıza kodunu ve geçmiş vakaları LLM ve RAG ile yorumlamak reasoning, gerekli yedek parçayı kontrol etmek, bakım iş emrini hazırlamak veya üretim planını revize etmek ise action tarafını oluşturur. Agentic AI bu adımları birbirinden bağımsız teknolojiler olarak değil, tanımlanmış bir operasyonel hedef doğrultusunda çalışan bütünleşik bir sistem olarak koordine eder.

Bu nedenle üretimin geleceğinin Agentic AI üzerine şekillenmesi güçlü bir olasılıktır. Ancak burada önemli bir ayrım yapılmalıdır: Agentic AI, Autonomous AI değildir. Üretimde safety, quality, delivery ve cost üzerinde doğrudan etkisi olan kararlar söz konusu olduğunda insan kontrolü sistemden çıkarılmamalıdır. Human-in-the-Loop (HITL) yaklaşımında insan; approval, validation, escalation ve governance noktalarında sistemin aktif bir parçası olmaya devam eder. Değişen, insanın sistemler arasında veri taşıyan veya bilgi arayan kişi olmaktan çıkıp daha çok kararları denetleyen, istisnaları yöneten ve sistemi yöneten bir role geçmesidir.

Ancak bu seviyeye geçebilmek yalnızca yeni bir AI platformu satın almakla mümkün değildir. Agentic AI, teknoloji kadar organizasyonel hazırlık da gerektirir. Bu hazırlık üç temel boyutta ele alınabilir.

1. Data and Knowledge Readiness

Agentic AI’ın güvenilir biçimde reasoning yapabilmesi için önce işletmenin kendi verisine ve bilgisine erişebilmesi gerekir. LLM’ler güçlü genel reasoning yeteneklerine sahip olsalar da fabrikanın güncel stok seviyesini, makine durumunu, üretim önceliklerini, bakım geçmişini veya işletmeye özgü kuralları kendiliğinden bilmezler. Bu bilgiler sistem tarafından doğru zamanda ve doğru bağlam içinde modele sağlanmalıdır.

Bu nedenle ilk gereklilik AI-ready data and knowledge foundation oluşturmaktır. Teknik dokümanlar, SOP’ler, bakım kayıtları ve geçmiş vakalar doğrulanmalı, güncel tutulmalı ve gerektiğinde RAG ile erişilebilir hale getirilmelidir. ERP, MES ve CMMS gibi structured systems içindeki veriler ise tutarlı identifiers, açık data definitions ve doğru ilişkilerle makine tarafından yorumlanabilir hale getirilmelidir.

Burada connectivity tekrar kritik hale gelir. Güncel veya gerçek zamanlı bilgiye erişilemeyen bir sistem, operasyonel koşullar değiştiğinde güvenilir karar veremez. Dolayısıyla CPS backbone yalnızca dijital dönüşümün önceki aşamasına ait bir altyapı değil, Agentic AI’ın güncel enterprise context oluşturabilmesinin de ön koşuludur.

Aynı şekilde organizational learning de bu bilgi yapısının bir parçası olarak ele alınmalıdır. Geçmiş kararlar, doğrulanmış çözümler, operatör geri bildirimleri ve başarılı veya başarısız vakalar sistematik biçimde kurumsal hafızaya aktarılabilirse, bunlar gelecekteki reasoning süreçleri için yeniden kullanılabilir bir bilgi kaynağına dönüşür. Buradaki öğrenme, LLM’in kendi kendine sürekli yeniden eğitilmesi değil; doğrulanmış deneyimin kontrollü biçimde organizational knowledge içine alınmasıdır.

2. Process Readiness

İkinci boyut Process Readiness’tir. Agentic AI, tanımlanmamış, istikrarsız veya sürekli kişisel yorumlarla yürütülen süreçleri güvenilir biçimde orkestre edemez. Bir agent’ın ne zaman harekete geçeceği, hangi veriyi kullanacağı, hangi aracı çağıracağı, hangi noktada onay isteyeceği ve hangi durumda insana escalation yapacağı açık biçimde tanımlanmalıdır.

Bu nedenle süreçler önce görünür hale getirilmeli; process ownership, task boundaries, decision points, approval rules, exception paths ve escalation koşulları belirlenmelidir. Burada Lean düşünce yeniden kritik hale gelir. Çünkü kötü tasarlanmış bir süreci doğrudan otomatikleştirmek, yalnızca mevcut israfı daha hızlı çalıştırmak anlamına gelebilir.

Dolayısıyla Agentic AI’a geçişte iki temel prensip özellikle önemlidir:

Simplify before automating.
Standardize before orchestrating.

Manual reconciliation, gereksiz approval adımları, tekrar eden bilgi aramaları ve sistemler arasındaki manuel hand-off’lar önce azaltılmalıdır. Ardından agentic orchestration devreye alınmalıdır. Bu yaklaşım Digital Muda kavramını doğrudan Agentic AI uygulama mantığına bağlar.

3. People and Organizational Readiness

Üçüncü boyut People and Organizational Readiness’tir. Üretimde kritik bilginin önemli bir bölümü hâlâ tacit knowledge biçimindedir. Deneyimli bakım teknisyeninin bir titreşim değişimini nasıl yorumladığı, planlamacının hangi siparişi neden öne aldığı veya kalite mühendisinin hangi durumda prosesi durdurduğu her zaman ERP’de veya SOP içinde açık biçimde bulunmaz.

Bu nedenle Subject Matter Experts, Agentic AI tasarımının dışında değil, doğrudan içinde yer almalıdır. İnsanlar bilgi kaynaklarını doğrulamalı, iş kurallarını tanımlamalı, agent rollerini ve yetkilerini belirlemeli, exception ve escalation koşullarını tasarlamalıdır.

Burada Human-in-the-Loop yalnızca sistem sonunda verilen bir “approve/reject” butonu olarak düşünülmemelidir. İnsan katılımı yaşam döngüsünün farklı aşamalarında gerçekleşir:

• Human-in-the-design loop: süreçleri, kuralları, veri kaynaklarını ve agent authority sınırlarını tanımlar.
• Human-in-the-operational loop: gerektiğinde agent’ın önerisini gözden geçirir, onaylar, durdurur veya düzeltir.
• Human-in-the-learning loop: sonuçları değerlendirir ve hangi deneyimlerin organizational knowledge içine alınacağına karar verir.

Dolayısıyla Agentic AI, insan kararını ortadan kaldırmaz; insanın rolünü manual coordination görevlerinden system design, supervision, exception management and governance rollerine taşır.

Cross-Cutting Governance

Bu üç readiness boyutunun üzerinde ise governance yer almalıdır. Çünkü bir agent’ın teknik olarak bir ERP kaydını değiştirebilmesi, o işlemi yapmaya organizasyonel olarak yetkili olduğu anlamına gelmez. Bu nedenle Agentic AI’da temel prensiplerden biri Bounded AI Agency olmalıdır.

Agent’ların hangi verilere erişebileceği, hangi işlemleri gerçekleştirebileceği, hangi parasal veya operasyonel limitler içinde hareket edebileceği, hangi kararların insan onayı gerektirdiği ve hangi durumda işlemin durdurulacağı açık biçimde tanımlanmalıdır. Sistem aynı zamanda traceable, monitorable, controllable ve mümkün olduğunda reversible olmalıdır.

Bu nedenle Agentic AI readiness yalnızca teknolojik hazırlık değildir. Daha doğru biçimde:

Agentic AI readiness is a socio-technical preparedness challenge.

Başarılı uygulama; Data and Knowledge Readiness, Process Readiness ve People and Organizational Readiness boyutlarının birlikte geliştirilmesini ve bunların cross-cutting governance ile kontrol edilmesini gerektirir.

 

Özetle;

Build the flow → Integrate the systems → Connect the data → Add intelligence → Orchestrate the action → Govern the execution.