<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Mustafa Ozan Sindi on Medium]]></title>
        <description><![CDATA[Stories by Mustafa Ozan Sindi on Medium]]></description>
        <link>https://medium.com/@mosindi?source=rss-20f450a6941------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*yR57ef_ClTpJV46BZMkeCw.jpeg</url>
            <title>Stories by Mustafa Ozan Sindi on Medium</title>
            <link>https://medium.com/@mosindi?source=rss-20f450a6941------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Thu, 19 Nov 2026 02:02:04 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mosindi/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[ARCHITECTING AGENTIC AI — BÖLÜM 1: AI Agent’ın Ötesinde: Agentic Architecture’ı Anlamak]]></title>
            <link>https://mosindi.medium.com/architecting-agentic-ai-b%C3%B6l%C3%BCm-1-ai-agent%C4%B1n-%C3%B6tesinde-agentic-architecture-%C4%B1-anlamak-40381777388a?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/40381777388a</guid>
            <category><![CDATA[enterprise-architecture]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Sun, 06 Sep 2026 19:23:25 GMT</pubDate>
            <atom:updated>2026-09-06T19:23:25.121Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Deterministik workflow’lardan kontrollü otonomiye: bir sistemi gerçekten “agentic” yapan şey nedir?</em></p><figure><img alt="Kapak" src="https://cdn-images-1.medium.com/max/1024/1*90h02BHujrE9IDwzRiCtSQ.png" /></figure><p>Bugün “AI agent” kelimesini duymadan bir yapay zeka konferansını, ürün duyurusunu ya da mimari toplantıyı tamamlamak neredeyse mümkün değil. Fakat kavram yaygınlaştıkça iki farklı şey aynı kelimeyle anılmaya başladı: <strong>bir LLM’e birkaç tool bağlamak</strong> ve <strong>otonom karar verebilen bir yazılım sistemi tasarlamak</strong>.</p><p>Bu ikisi aynı şey değil.</p><p>Bir agent, mimarinin bir bileşenidir. <strong>Agentic architecture</strong> ise agent’ın nasıl çalıştığını, ne kadar özgür olduğunu, hangi tool’lara eriştiğini, state’in nerede tutulduğunu, hatadan nasıl döndüğünü, ne zaman insana sorduğunu ve bütün bu davranışın nasıl denetlendiğini tanımlayan sistem tasarımıdır.</p><p>Bu serinin çıkış noktası da tam olarak bu ayrım.</p><blockquote>Bir AI agent bir component’tir. Agentic architecture ise o component’in güvenli, gözlemlenebilir ve sürdürülebilir biçimde çalıştığı sistemdir.</blockquote><h3>LLM’den agent’a ne değişti?</h3><p>Klasik bir LLM uygulamasında akış oldukça basittir: uygulama bir prompt üretir, model cevap verir ve kontrol yeniden uygulamaya döner. RAG eklediğimizde modele daha iyi bağlam sağlarız. Tool calling eklediğimizde model dış dünyada işlem yapabilecek fonksiyonlar seçmeye başlar.</p><p>Agent ile birlikte kritik değişiklik şudur: <strong>bir sonraki adımı seçme yetkisinin bir bölümü modele devredilir.</strong></p><p>ReAct yaklaşımının temel fikri de reasoning ve action adımlarını birbirine bağlamaktı: model düşünür, aksiyon alır, ortamdan gelen sonucu gözlemler ve planını günceller. Bugünkü agent runtime’larının çoğu bu döngünün farklı varyasyonlarını uygular.</p><p>Basit bir mental model:</p><pre>Goal<br>  ↓<br>Reason<br>  ↓<br>Act ──→ Tool / API / Search<br>  ↑            │<br>  └── Observe ─┘</pre><p>Fakat bu loop tek başına production mimarisi değildir. Çünkü gerçek dünyada hemen şu sorular ortaya çıkar: Kaç iteration’a izin vereceğiz? Tool hata verirse ne olacak? Aynı ödeme iki kez tetiklenebilir mi? Agent yanlış kullanıcı adına işlem yapabilir mi? Context window büyüdüğünde neyi atacağız? İş 45 dakika sürerse process restart olduğunda nereden devam edeceğiz?</p><p>Bu soruların cevapları prompt’un içinde değil, mimarinin içindedir.</p><h3>Workflow ile agent arasındaki çizgi</h3><p>Anthropic’in “Building Effective Agents” çalışmasındaki en kullanışlı ayrımlardan biri workflow ve agent ayrımıdır. <strong>Workflow’da kontrol akışı uygulama kodu tarafından önceden tanımlıdır. Agent’ta ise model, görevin ilerleyişine ilişkin seçimlerin bir kısmını runtime’da yapar.</strong></p><p>Workflow:</p><pre>Input → Validate → Retrieve → Generate → Approve → Publish</pre><p>Agent:</p><pre>Goal<br>  ↓<br>Decide what to do next<br>  ├─ Search<br>  ├─ Call API<br>  ├─ Ask another agent<br>  ├─ Re-plan<br>  └─ Finish</pre><p>Bu fark yalnızca implementation detayı değildir. Test stratejisini, güvenliği, maliyet modelini, observability ihtiyacını ve hata senaryolarını değiştirir.</p><p>Deterministik workflow’da belirli bir input’un izleyeceği yolu büyük ölçüde biliyoruz. Agentic execution’da aynı hedefe iki başarılı çalıştırma farklı tool çağrıları ve farklı ara adımlarla ulaşabilir.</p><p>Bu yüzden “agentic” olmak bir boolean değildir.</p><figure><img alt="Otonomi spektrumu" src="https://cdn-images-1.medium.com/max/1024/1*5jcPb_ZXB4UTqAQ8l5HM4w.png" /></figure><h3>Otonomi bir spektrumdur</h3><p>Mimari kararları daha sağlıklı vermek için sistemi şu spektrumda düşünmek faydalıdır:</p><ol><li><strong>Deterministic workflow:</strong> Her adım kod tarafından belirlenir.</li><li><strong>LLM-assisted workflow:</strong> Bazı aşamalarda model sınıflandırma, özetleme veya üretim yapar ama kontrol kodda kalır.</li><li><strong>Agentic workflow:</strong> Workflow sınırları bellidir; belirli node’larda agent dinamik karar verir.</li><li><strong>Autonomous agent:</strong> Hedef verilir; plan ve tool kullanımı önemli ölçüde modele bırakılır.</li><li><strong>Multi-agent system:</strong> Birden fazla agent uzmanlaşır, iş paylaşır veya birbirine handoff yapar.</li></ol><p>Gerçek enterprise sistemlerinde çoğu zaman en iyi nokta ortadadır. OpenAI Agents SDK da orchestration’ın LLM tarafından veya kod tarafından yapılabileceğini ve bu iki yaklaşımın karıştırılabileceğini açıkça tanımlar. Microsoft Agent Framework ise workflow’ları explicit control için, agent’ları dinamik karar alan bileşenler olarak konumlandırır.</p><p>Buradan ilk mimari prensip çıkıyor:</p><blockquote><strong><em>Use code where behavior must be predictable. Use agents where decisions require reasoning. Use humans where consequences require accountability.</em></strong></blockquote><h3>Agentic architecture’ın anatomisi</h3><p>Bir production agentic sistemi yalnızca model ve tools üzerinden çizmek yetersizdir. En azından aşağıdaki katmanları düşünmek gerekir.</p><figure><img alt="Agentic architecture katmanları" src="https://cdn-images-1.medium.com/max/1024/1*bFi-8RjlM2hU0W3atQKrEg.png" /></figure><h4>Experience layer</h4><p>Kullanıcı, API, event, scheduler veya başka bir agent sistemin giriş noktasıdır. Burada conversation state ile business transaction state’i birbirine karıştırmamak önemlidir.</p><h4>Orchestration layer</h4><p>Routing, sequential flow, parallel fan-out, supervisor, handoff ve approval noktaları burada şekillenir. Kritik soru şudur: <strong>bir sonraki adımı kim seçiyor — kod mu, model mi?</strong></p><h4>Agent runtime</h4><p>Planlama, model çağrıları, tool execution, loop termination, budget ve error handling burada bulunur. Agent’ın “zeka” olarak gördüğümüz kısmı aslında bu runtime’ın yalnızca bir bölümüdür.</p><h4>Context, state ve memory</h4><p>Agent’ın o anda ne bildiğini, workflow’un mevcut durumunu ve geçmişten neyi hatırladığını ayrı problemler olarak ele almak gerekir. Serinin üçüncü yazısında bu ayrımı detaylandıracağız.</p><h4>Capability layer</h4><p>API’ler, veritabanları, arama, browser, code execution ve başka servisler. MCP gibi standartlar bu katmanın giderek standardize edilmesini hedefliyor.</p><h4>Cross-cutting controls</h4><p>Identity, authorization, guardrails, audit, observability, evaluation ve human-in-the-loop. Bunları “sonradan eklenen güvenlik özellikleri” olarak değil, mimarinin başından beri taşıdığı control plane olarak düşünmek gerekir.</p><p>AWS’nin güncel enterprise agentic AI rehberi de güvenlik, observability ve discoverability’yi belirli bir component’e değil, katmanlar arası concern olarak konumlandırıyor.</p><h3>Multi-agent neden varsayılan cevap olmamalı?</h3><p>Agentic AI konuşmalarında en sık gördüğüm tasarım hatalarından biri, karmaşık görünen her problemi birkaç agent’a bölmek.</p><p>Multi-agent mimarinin gerçek avantajları var. Anthropic’in Research sistemi orchestrator-worker pattern’iyle paralel subagent’lar kullanıyor ve kendi internal evaluation’larında single-agent alternatife göre ciddi performans artışı raporluyor. Aynı çalışma bedeli de açıkça gösteriyor: daha fazla token tüketimi, daha fazla coordination problemi, daha zor evaluation ve yeni failure mode’lar.</p><p>Bu yüzden şu ayrımı yapmak önemli:</p><blockquote><strong><em>Multi-agent bir mimari hedef değil, belirli bir darboğazı çözmek için kullanılan scaling pattern’ıdır.</em></strong></blockquote><p>Bir agent’ın çok fazla tool arasında seçim yapmakta zorlanması, context’in aşırı büyümesi, domain’lerin net biçimde ayrılabilmesi veya işin doğal olarak paralelleştirilebilmesi multi-agent için anlamlı gerekçelerdir. “Daha agentic görünmek” ise değildir.</p><h3>İlk architecture decision tree</h3><p>Bir use case’e agent eklemeden önce şu sırayla sormak daha sağlıklı:</p><p><strong>1. Problem deterministic kurallarla çözülebiliyor mu?</strong><br> Evetse workflow kullan.</p><p><strong>2. Belirsizlik, yorumlama veya dinamik planlama gerekiyor mu?</strong><br> Evetse belirli bir noktada agent kullan.</p><p><strong>3. Tek agent doğru context ve tools ile işi yapabiliyor mu?</strong><br> Evetse orada kal.</p><p><strong>4. Context/tool overload veya uzmanlaşma ihtiyacı oluştu mu?</strong><br> Specialist agent düşün.</p><p><strong>5. İş bağımsız alt görevlere ayrılabiliyor mu?</strong><br> Parallel workers anlamlı olabilir.</p><p><strong>6. Aksiyonun business riski yüksek mi?</strong><br> Otonomiyi azalt; approval ve policy enforcement ekle.</p><p>Bu yaklaşım “kaç agent kullanalım?” sorusunu ikinci plana atar. Asıl soru şudur:</p><blockquote><strong><em>Otonom karar verme, sistemin hangi noktasında deterministik kontrolden daha fazla değer üretiyor?</em></strong></blockquote><h3>Agentic sistemler aslında yeni bir distributed systems dalgası</h3><p>Agent’lar uzun-running hale geldikçe klasik yazılım mimarisi problemleri geri dönüyor: concurrency, retry, timeout, idempotency, durable state, queue, compensation, access control, audit ve distributed tracing.</p><p>Fark şu: bu kez kontrol akışının bir bölümünü nondeterministic bir model belirliyor.</p><p>Bu nedenle agentic architecture’ı yalnızca “LLM uygulama geliştirme” olarak görmek eksik kalıyor. Daha doğru çerçeve şudur:</p><p><strong>Agentic AI = AI reasoning + software architecture + distributed systems + security engineering.</strong></p><h3>Sonuç: Agent değil, kontrollü otonomi tasarlıyoruz</h3><p>Önümüzdeki dönemde agent framework’leri, model isimleri ve SDK’lar değişecek. Fakat bazı mimari sorular kalıcı olacak:</p><ul><li>Kararı kim veriyor?</li><li>Context’i kim yönetiyor?</li><li>State nerede?</li><li>Yetki ne kadar?</li><li>Hata olduğunda nereden devam ediyoruz?</li><li>Agent’ın yaptığı işi nasıl kanıtlıyoruz?</li><li>İnsan nerede devreye giriyor?</li></ul><p>Bu nedenle iyi bir agentic architecture, en fazla otonomi veren mimari değildir. <strong>İş değerinin gerektirdiği kadar otonomi verip geri kalan alanı deterministik kontrol altında tutan mimaridir.</strong></p><p>Serinin ikinci bölümünde bu sistemi oluşturan architecture pattern’larını açacağız: sequential, routing, parallelization, supervisor-worker, agents-as-tools, handoff, group chat ve evaluator-optimizer.</p><h3>Kaynaklar ve ileri okuma</h3><ul><li><a href="https://www.anthropic.com/engineering/building-effective-agents">Anthropic — Building Effective Agents</a></li><li><a href="https://openai.github.io/openai-agents-python/multi_agent/">OpenAI — Agent Orchestration</a></li><li><a href="https://docs.aws.amazon.com/prescriptive-guidance/latest/agentic-ai-foundations/introduction.html">AWS — Foundations of Agentic AI</a></li><li><a href="https://docs.aws.amazon.com/prescriptive-guidance/latest/govern-architect-agentic-ai/enterprise-architecture.html">AWS — Enterprise Agentic AI Architecture</a></li><li><a href="https://arxiv.org/abs/2210.03629">ReAct paper</a></li></ul><p><em>Originally published at </em><a href="https://mustafaozansindi.com.tr/articles/architecting-agentic-ai-1"><em>https://mustafaozansindi.com.tr</em></a><em>.</em></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=40381777388a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI Agentlarını Kurduk, Peki Kontrol Kimde? — Bölüm 4]]></title>
            <link>https://mosindi.medium.com/ai-agentlar%C4%B1n%C4%B1-kurduk-peki-kontrol-kimde-b%C3%B6l%C3%BCm-4-e8582b3ab44f?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/e8582b3ab44f</guid>
            <category><![CDATA[enterprise-architecture]]></category>
            <category><![CDATA[platform-engineering]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[ai-governance]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Tue, 01 Sep 2026 06:31:01 GMT</pubDate>
            <atom:updated>2026-09-01T06:31:01.544Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Agent Control Plane ve kurumsal işletim modeli</em></p><p>Tek bir agent için kimlik, yetki ve observability tasarlamak mümkündür. Asıl zorluk, farklı ekiplerin onlarca agent geliştirmeye başladığı noktada ortaya çıkar. Ortak standartlar kurulmazsa POC başarısı kısa sürede yeni bir teknik borç ve yönetişim problemine dönüşebilir.</p><h3>Her ekip kendi agent’ını geliştirirse ne olur?</h3><p>Yeni teknolojilerin kurumlara girişinde benzer bir döngüyü daha önce birçok kez yaşadık.</p><p>İlk olarak küçük ekipler denemeler yapar.</p><p>Başarılı POC’ler ortaya çıkar.</p><p>Farklı birimler kendi ihtiyaçları için araçlar ve platformlar seçer.</p><p>Bir süre sonra kurum içerisinde:</p><ul><li>Aynı işi yapan birden fazla agent,</li><li>Farklı model sağlayıcıları,</li><li>Birbirinden kopuk prompt yapıları,</li><li>Ortak olmayan güvenlik kontrolleri,</li><li>Farklı loglama standartları,</li><li>Sahibi belli olmayan servis hesapları,</li><li>Kontrol edilemeyen maliyetler,</li><li>Güncelliğini kaybetmiş agent’lar</li></ul><p>oluşmaya başlar.</p><p>Bugün “shadow IT” olarak adlandırdığımız problemin benzeri, yakın dönemde “shadow agent” problemi olarak karşımıza çıkabilir.</p><p>Microsoft’un agentic AI yönetişim olgunluk modelinde de agent yayılımı, belirsiz sorumluluklar, veri açığı ve maliyet artışı temel işletim riskleri arasında değerlendiriliyor.</p><p>Bu noktada kurumların ortak bir <strong>Agent Platformu</strong> veya <strong>Agent Control Plane</strong> yaklaşımına ihtiyacı olacaktır.</p><figure><img alt="Merkezi bir kontrol ekranının çevresinde farklı görevlerde çalışan AI agent’lar, kurumsal sistemler ve insan denetleyicilerden oluşan bağlantılı agent ekosistemi." src="https://cdn-images-1.medium.com/max/1024/1*hsIbksYS18Kui66pxGBoFA.png" /><figcaption><strong><em>Agent Control Plane, farklı agent ve araçları ortak yönetişim politikaları altında görünür ve yönetilebilir kılar.</em></strong></figcaption></figure><p><em>Agent Control Plane, farklı agent ve araçları ortak yönetişim politikaları altında görünür ve yönetilebilir kılar.</em></p><p>Bu platform bütün agent’ların aynı teknolojiyle geliştirilmesini zorunlu kılmak zorunda değildir. Ancak ortak politikaların merkezi biçimde uygulanmasını sağlamalıdır.</p><p>Bir Agent Control Plane’in temel yetkinlikleri şunlar olabilir:</p><ul><li>Agent registry ve envanter yönetimi,</li><li>Agent kimliği ve yetki yönetimi,</li><li>Onaylanmış model ve araç kataloğu,</li><li>Prompt ve sürüm yönetimi,</li><li>Evaluation ve kalite testleri,</li><li>Guardrail ve politika kontrolleri,</li><li>Trace ve audit kayıtları,</li><li>Maliyet ve kota yönetimi,</li><li>Human-in-the-loop mekanizmaları,</li><li>Yaşam döngüsü ve sahiplik yönetimi,</li><li>Incident response ve kill switch mekanizmaları.</li></ul><figure><img alt="İş birimleri, ürün ekipleri ve platform ekibindeki agent’lar ile human-in-the-loop mekanizmasını; kimlik, yetki, politika, evaluation, trace, maliyet ve kill switch sağlayan Agent Control Plane üzerinden modellere, araçlara, kurumsal veriye ve audit kayıtlarına bağlayan mimari diyagram." src="https://cdn-images-1.medium.com/max/1024/1*qTjBx_oRETVfllkuEfjS6w.png" /><figcaption><strong><em>Agent Control Plane için örnek katmanlama: ortak kontrol düzlemi, ekiplerin geliştirme özerkliğini korurken merkezi politikaları uygular.</em></strong></figcaption></figure><blockquote><em>Agent Control Plane için örnek katmanlama: ortak kontrol düzlemi, ekiplerin geliştirme özerkliğini korurken merkezi politikaları uygular.</em></blockquote><p>Böyle bir yapı, ekiplerin agent geliştirmesini yavaşlatmak için değil; her ekibin aynı güvenlik, gözlemlenebilirlik ve yönetişim problemlerini yeniden çözmek zorunda kalmaması için gereklidir.</p><p>Platform yaklaşımı merkezi kontrol ile ekip özerkliği arasında bir denge kurmalıdır.</p><p>Merkez ekip güvenli yolu tanımlar.</p><p>Ürün ekipleri ise bu sınırlar içerisinde kendi iş ihtiyaçlarına uygun agent’ları geliştirir.</p><h3>Teknik sahiplik ile iş sahipliği birbirinden ayrılmalı</h3><p>Agent’ın teknik olarak çalışmasından yazılım veya platform ekibi sorumlu olabilir.</p><p>Ancak agent’ın verdiği iş kararlarının sahibi teknik ekip olmamalıdır.</p><p>Örneğin finans süreçlerinde çalışan bir agent için sorumluluk dağılımı şöyle olabilir:</p><ul><li>Teknik ekip agent’ın güvenilir çalışmasını,</li><li>Güvenlik ekibi erişim politikalarını,</li><li>Veri ekibi kullanılan verinin kalitesini,</li><li>İş birimi karar kurallarını,</li><li>Süreç sahibi ise sonuçları ve risk toleransını üstlenmelidir.</li></ul><h4>Her agent için en azından şu soruların cevabı belli olmalıdır:</h4><ul><li>Bu agent’ın sahibi kim?</li><li>Hangi iş sonucundan sorumlu?</li><li>Hangi veri kaynaklarını kullanabilir?</li><li>Hangi aksiyonları bağımsız gerçekleştirebilir?</li><li>Hangi durumlarda insana eskalasyon yapar?</li><li>Performansını kim değerlendirir?</li><li>Hatalı davranışta kim devreye girer?</li><li>Agent ne zaman kullanımdan kaldırılır?</li></ul><blockquote>Sahibi belli olmayan bir agent, sahibi belli olmayan bir servisten daha büyük risk taşır. Çünkü yalnızca veri taşımakla kalmaz; karar verip işlem de gerçekleştirebilir.</blockquote><p>Agent yönetişimi yalnızca bir AI Governance kurulunun veya merkezi bir komitenin sorumluluğuna bırakılamaz.</p><p>Yönetişim günlük geliştirme ve işletim süreçlerine yerleşmelidir.</p><h3>Kontrol, otonominin karşıtı değildir</h3><p>Kontrol kelimesi çoğu zaman inovasyonu yavaşlatan merkezi mekanizmaları çağrıştırıyor.</p><p>Oysa doğru tasarlanmış kontrol mekanizmaları agent’ların daha geniş alanlarda ve daha yüksek güvenle kullanılabilmesini sağlar.</p><p>Kimliği belli olan, yetkileri sınırlandırılmış, davranışları izlenebilen ve gerektiğinde durdurulabilen bir agent’a daha fazla sorumluluk verebiliriz.</p><p>Kontrol edemediğimiz bir agent’ı ise yalnızca düşük riskli ve etkisi sınırlı senaryolarda kullanabiliriz.</p><p>Bu nedenle kontrol, otonominin karşıtı değildir.</p><p>Kontrol edilebilirlik, sürdürülebilir otonominin ön koşuludur.</p><p>Agent’ın her kararını önceden tahmin etmek mümkün olmayabilir. Zaten agentic sistemlerin değerinin bir kısmı, önceden tek tek kodlanmamış durumlarda muhakeme yapabilmelerinden gelir.</p><p>Fakat agent’ın bütün olası kararlarını bilmesek bile hareket edebileceği alanı sınırlandırabiliriz.</p><p>Tıpkı bir çalışana görev, rol, bütçe ve imza yetkisi tanımladığımız gibi agent’lar için de bir yetki çerçevesi oluşturabiliriz.</p><h3>Kurumlar nereden başlamalı?</h3><p>Agentic AI yönetişimi için ilk günden büyük ve karmaşık bir platform kurmak gerekmeyebilir.</p><p>Ancak bazı temel adımlar ertelenmemelidir:</p><h4>1. Agent envanteri oluşturun</h4><p>Hangi ekip hangi agent’ı geliştiriyor, agent hangi modeli ve araçları kullanıyor, hangi verilere erişiyor ve iş sahibi kim; görünür hale getirin.</p><h4>2. Otonomi seviyelerini tanımlayın</h4><p>Agent’ları yalnızca “var” veya “yok” şeklinde değerlendirmeyin. Bilgi veren, öneri oluşturan, onayla işlem yapan ve bağımsız aksiyon alan agent’ları birbirinden ayırın.</p><h4>3. Her agent’a ayrı kimlik verin</h4><p>Ortak ve geniş yetkili servis hesaplarından uzaklaşın. Agent ve kullanıcı kimliğini denetim kayıtlarında birlikte izleyin.</p><h4>4. Yetkiyi prompt ile sınırlandırmaya çalışmayın</h4><p>Kritik sınırları API, IAM, policy ve workflow katmanlarında uygulayın.</p><h4>5. Risk bazlı insan onayı tasarlayın</h4><p>Her işleme onay eklemek yerine yüksek etkili, geri döndürülemez veya mevzuata tabi karar noktalarını belirleyin.</p><h4>6. Davranışsal observability kurun</h4><p>Yalnızca hata loglarını değil; hedef, bağlam, karar, araç çağrısı, maliyet ve sonuç zincirini izleyin.</p><h4>7. Kill switch tasarlayın</h4><p>Beklenmeyen davranış gösteren bir agent’ın erişimlerini ve işlemlerini merkezi biçimde durdurabilin.</p><h4>8. İş sahipliğini netleştirin</h4><p>Agent’ın teknik sahibi ile verdiği kararların iş sahibini birbirinden ayırın.</p><h3>Sonuç: Mesele en fazla agent’a sahip olmak değil</h3><p>Önümüzdeki dönemde kurumların agent sayısı hızla artacak.</p><p>İnsan kaynaklarından finansa, yazılım geliştirmeden müşteri hizmetlerine, satıştan güvenlik operasyonlarına kadar birçok süreçte agent’lar görev almaya başlayacak.</p><p>Ancak rekabet avantajı yalnızca daha fazla agent geliştirmekten gelmeyecek.</p><p>Asıl farkı şu sorulara cevap verebilen kurumlar oluşturacak:</p><ul><li>Hangi agent’ın ne yaptığını biliyor muyuz?</li><li>Hangi verilere ve araçlara eriştiğini görebiliyor muyuz?</li><li>Yetkilerini merkezi olarak yönetebiliyor muyuz?</li><li>Verdiği kararları değerlendirebiliyor muyuz?</li><li>Kritik noktalarda kontrolü insana aktarabiliyor muyuz?</li><li>Gerektiğinde agent’ı hızlıca durdurabiliyor muyuz?</li><li>Ürettiği iş sonucunun sorumlusu belli mi?</li></ul><p>Agentic AI çağında başarılı kurumlar, en fazla agent’a veya en otonom agent’lara sahip olanlar olmayacak.</p><p>Başarılı kurumlar; agent’ların hangi sınırlar içinde hareket edeceğini bilen, davranışlarını gözlemleyebilen, yetkilerini yönetebilen ve gerektiğinde kontrolü yeniden insana aktarabilen kurumlar olacak.</p><p>Çünkü agent geliştirmek giderek kolaylaşacak.</p><p>Asıl zor olan, ona ne kadar güveneceğimizi ve ne kadar yetki vereceğimizi doğru tasarlamak olacak.</p><p>Ve belki de her agent projesine şu soruyla başlamamız gerekecek:</p><p>Bu agent ne yapabilir değil; ne yapmasına izin vermeliyiz?</p><h3>Kaynaklar ve ileri okuma</h3><ul><li><a href="https://learn.microsoft.com/en-us/agents/adoption-maturity-model/maturity-model-security-governance">Microsoft — Agentic AI Maturity Model: Security and Governance</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=e8582b3ab44f" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI Agentlarını Kurduk, Peki Kontrol Kimde? — Bölüm 3]]></title>
            <link>https://mosindi.medium.com/ai-agentlar%C4%B1n%C4%B1-kurduk-peki-kontrol-kimde-b%C3%B6l%C3%BCm-3-46058fe7c5df?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/46058fe7c5df</guid>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[ai-engineering]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[observability]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Mon, 31 Aug 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-08-31T06:01:01.936Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Agentic observability: Sistem çalışıyor olabilir, peki doğru işi mi yapıyor?</em></p><p>Klasik uygulamalarda başarılı bir API çağrısı, düşük hata oranı ve kabul edilebilir yanıt süresi bize sistemin teknik sağlığı hakkında güçlü sinyaller verir. Agentic sistemlerde ise bütün teknik göstergeler yeşilken iş sonucu yanlış olabilir. Bu nedenle gözlemlediğimiz şeyin kapsamı değişmek zorunda.</p><h3>Observability artık sistemin ayakta olup olmadığını izlemek değildir</h3><p>Geleneksel uygulamalarda observability denildiğinde genellikle CPU ve bellek kullanımı, yanıt süreleri, hata oranları, API çağrıları, veritabanı performansı ve uygulama logları gibi metrikleri izleriz.</p><p>Agentic sistemlerde bunların hiçbiri önemini kaybetmiyor. Fakat artık yeterli de değiller.</p><p>Çünkü teknik olarak sorunsuz çalışan bir agent, iş açısından tamamen yanlış bir karar verebilir.</p><p>API çağrısı başarılı olabilir.</p><p>İşlem 200 OK dönebilir.</p><p>Veritabanına kayıt eksiksiz yazılabilir.</p><p>Ancak agent yanlış müşteri için yanlış işlemi gerçekleştirmiş olabilir.</p><p>Bu nedenle agentic observability yalnızca sistemin sağlığını değil, agent’ın davranışını da gözlemlemelidir.</p><p>Şu sorulara cevap verebilmeliyiz:</p><ul><li>Agent hangi hedefle çalışmaya başladı?</li><li>Karar verirken hangi bağlamı kullandı?</li><li>Hangi dokümanlara ve verilere erişti?</li><li>Hangi araçları, hangi sırayla çağırdı?</li><li>Başka bir agent’tan görev aldı mı?</li><li>Hangi alternatifleri değerlendirdi?</li><li>İşlem neden insan onayına gönderildi veya gönderilmedi?</li><li>Üretilen sonucun doğruluk ve kalite seviyesi neydi?</li><li>Bir işin tamamlanması ne kadar sürdü ve ne kadara mal oldu?</li><li>Agent’ın davranışı zaman içerisinde değişti mi?</li></ul><p>Klasik monitoring bize sistemin çalışıp çalışmadığını söyler.</p><p>Agentic observability ise sistemin ne yaptığını, neden yaptığını ve beklenen sınırlar içinde kalıp kalmadığını anlamamızı sağlar.</p><p>Bu aynı zamanda denetim açısından da kritiktir. Haftalar sonra bir işlem sorgulandığında yalnızca sonuca değil, işlemi oluşturan karar ve araç kullanım zincirine de ulaşabilmemiz gerekir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TwsxeyXNsI4tf8OJyvIg6g.png" /><figcaption><strong><em>Agentic observability, teknik telemetriyi karar izi, iş sonucu, kalite ve maliyetle birlikte ele alır.</em></strong></figcaption></figure><h3>Başarı metriği yalnızca doğruluk olmamalı</h3><p>Agent projelerinde başarı çoğu zaman tek bir metrik üzerinden değerlendiriliyor:</p><blockquote>“Agent doğru cevap verdi mi?”</blockquote><p>Oysa üretim ortamında başarılı bir agent için doğruluk tek başına yeterli değildir.</p><p>Bir agent’ın performansını değerlendirirken en az şu boyutları birlikte izlemeliyiz:</p><ul><li>Görev tamamlama oranı,</li><li>Hatalı aksiyon oranı,</li><li>İnsan müdahalesi gerektiren işlem oranı,</li><li>İnsan tarafından geri çevrilen kararların oranı,</li><li>Politika ihlalleri,</li><li>Gereksiz araç çağrıları,</li><li>İşlem başına maliyet,</li><li>Ortalama tamamlanma süresi,</li><li>Kullanıcı memnuniyeti,</li><li>Geri alınan veya düzeltilen işlemler.</li></ul><p>Bir agent görevlerin yüzde 95&#39;ini tamamlıyor olabilir. Ancak kalan yüzde 5 içerisindeki hatalar yüksek finansal veya itibari etki oluşturuyorsa bu agent başarılı kabul edilemez.</p><p>Bu nedenle ölçüm tasarımı teknik metriklerle iş metriklerini bir araya getirmelidir.</p><p>Agent’ın “çalışıyor” olması ile kuruma güvenilir biçimde değer üretmesi aynı şey değildir.</p><h3>İzlenebilirlik, denetim kaydından daha fazlasıdır</h3><p>Audit kaydı bize işlemi kimin yaptığını söyler. Agentic observability ise hedefi, kullanılan bağlamı, araç çağrılarını, karar zincirini, maliyeti ve iş sonucunu aynı hikâyede birleştirir. Bu görünürlük olmadan hatayı yalnızca fark ederiz; nedenini ve tekrarını önleyecek kontrol noktasını bulamayız.</p><p>Başarı metriğini de tek bir doğruluk yüzdesine indirgememeliyiz. Düşük sıklıkta görülen ancak finansal veya itibari etkisi yüksek hatalar, ortalama başarı oranının arkasında kaybolabilir.</p><p>Agent’ın “çalışıyor” olması ile kuruma güvenilir biçimde değer üretmesi aynı şey değildir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=46058fe7c5df" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI Agentlarını Kurduk, Peki Kontrol Kimde? — Bölüm 2]]></title>
            <link>https://mosindi.medium.com/ai-agentlar%C4%B1n%C4%B1-kurduk-peki-kontrol-kimde-b%C3%B6l%C3%BCm-2-1601314c7f6a?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/1601314c7f6a</guid>
            <category><![CDATA[ai-governance]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[cybersecurity]]></category>
            <category><![CDATA[zero-trust]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Sun, 30 Aug 2026 06:01:01 GMT</pubDate>
            <atom:updated>2026-08-30T13:53:48.050Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Kimlik, yetki ve risk bazlı otonomi nasıl tasarlanmalı?</em></p><p>Bir önceki bölümde chatbot ile agent arasındaki temel farkın aksiyon olduğunu gördük. Agent yalnızca yanıt üretmiyor; kurumsal sistemlerde işlem yapabiliyor. Bu nedenle ikinci soru modelin ne kadar akıllı olduğu değil, bu dijital aktörün hangi kimlikle ve hangi sınırlar içinde hareket edeceğidir.</p><blockquote>Bu yazıdan önce okumak isterseniz <a href="https://medium.com/@mosindi/ai-agentlar%C4%B1n%C4%B1-kurduk-peki-kontrol-kimde-b%C3%B6l%C3%BCm-1-d05f6f9c7c02?sharedUserId=mosindi">Bölüm 1 - AI Agentlarını Kurduk, Peki Kontrol Kimde</a>?</blockquote><h3>Agent’ın bir kimliği olmalı</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*N5tj22ZiIQ3QPSU2gujhtw.png" /><figcaption><strong><em>Agent kimliği yalnızca erişimi açmamalı; hangi yolların kapalı kalacağını da belirlemelidir.</em></strong></figcaption></figure><p>Bugün birçok POC çalışmasında agent’lar ortak servis hesapları, geniş yetkili API anahtarları veya uygulama seviyesinde tanımlanan statik erişim bilgileriyle çalıştırılıyor.</p><p>POC tamamlanıyor, agent beklenen işlemi gerçekleştiriyor ve ilk bakışta ortada bir problem görünmüyor.</p><p>Ancak bu yaklaşım üretim ortamına taşındığında önemli sorular ortaya çıkıyor:</p><ul><li>İşlemi gerçekten hangi agent yaptı?</li><li>Agent kendi yetkisiyle mi, kullanıcının yetkisiyle mi hareket etti?</li><li>Aynı erişim bilgilerini başka agent’lar da kullanıyor mu?</li><li>Agent’ın görevi sona erdiğinde yetkileri otomatik olarak kaldırılıyor mu?</li><li>Bir erişim anahtarı ele geçirilirse hangi sistemler etkilenebilir?</li></ul><p>Her agent’ın insanlar ve diğer uygulamalar gibi tanımlanabilir bir dijital kimliğe sahip olması gerekir.</p><p>Bu kimliğin:</p><ul><li>Benzersiz olması,</li><li>Belirli bir görevle ilişkilendirilmesi,</li><li>En az yetki prensibine göre sınırlandırılması,</li><li>Süresi ve kapsamı belli erişimler kullanması,</li><li>Yaptığı işlemlerin kendi kimliğiyle kaydedilmesi,</li><li>Gerektiğinde hızla devre dışı bırakılabilmesi gerekir.</li></ul><p>Bir agent, kullanıcı adına işlem yapıyorsa denetim kayıtlarında hem kullanıcı hem de agent görünmelidir. Böylece yalnızca “O bu işlemi yaptı” değil, “Agent X, Mustafa’nın yetkilendirmesiyle bu işlemi gerçekleştirdi” denilebilir.</p><p>Burada kendimize basit bir soru sormamız gerekiyor:</p><p>Bir çalışana vermeyeceğimiz sınırsız yetkiyi, hata yapabileceğini bildiğimiz bir AI agent’a neden verelim?</p><p>Microsoft’un agentic sistemlere yönelik Zero Trust yaklaşımı da her agent’a doğrulanabilir bir kimlik verilmesini, varsayılan olarak hiçbir aksiyona izin verilmemesini ve yetkilerin rol ile risk seviyesine göre kademeli biçimde açılmasını öneriyor.</p><h3>En az yetki artık yeterli değil: En az aksiyon da gerekli</h3><p>Klasik güvenlik yaklaşımında “least privilege”, yani en az yetki prensibini konuşuruz.</p><p>Agentic sistemlerde buna bir kavram daha eklememiz gerekiyor:</p><blockquote><strong>En az aksiyon.</strong></blockquote><p>Agent’ın bir sisteme teknik olarak erişebilmesi, o sistemdeki bütün işlemleri gerçekleştirebilmesi anlamına gelmemelidir.</p><p>Örneğin bir agent’ın müşteri siparişlerini kontrol etmesi gerekiyorsa:</p><ul><li>Siparişleri okuyabilmesi gerekebilir,</li><li>Sipariş durumunu yorumlayabilmesi gerekebilir,</li><li>Kullanıcıya bilgi verebilmesi gerekebilir.</li></ul><p>Ancak aynı agent’ın:</p><ul><li>Siparişi iptal etmesi,</li><li>Ödeme bilgisini değiştirmesi,</li><li>İade başlatması,</li><li>Müşteriye sınırsız indirim tanımlaması gerekmeyebilir.</li></ul><p>Agent’a tüm sistemi açıp sonrasında prompt içerisine “Siparişleri iptal etme” yazmak bir güvenlik kontrolü değildir.</p><blockquote>Prompt bir davranış talimatıdır. Yetkilendirme mekanizması ise teknik bir sınırdır.</blockquote><p>Gerçek sınırlar modelin iyi niyetine, talimatı doğru yorumlamasına veya bağlamı unutmamasına bırakılmamalıdır. API, IAM, policy enforcement ve workflow katmanlarında uygulanmalıdır.</p><p>Agent yanlış karar verse bile sistem, izin verilmeyen aksiyonu gerçekleştirmesine müsaade etmemelidir.</p><h3>Human-in-the-loop, her adıma onay koymak değildir</h3><p>Agentic AI konuşulurken en sık önerilen kontrol yöntemlerinden biri “human-in-the-loop”, yani insanın sürecin içerisinde tutulmasıdır.</p><p>Fakat bu kavram bazen yanlış uygulanıyor.</p><p>Agent’ın gerçekleştirdiği her işlem için insan onayı istemek güvenli görünebilir. Ancak bu durumda agent, çalışanların önüne yeni bir onay kuyruğu oluşturan pahalı bir otomasyon aracına dönüşür.</p><p>Diğer taraftan agent’a tamamen bağımsız hareket etme yetkisi vermek de her süreç için kabul edilebilir değildir.</p><p>Doğru yaklaşım, otonomi seviyesini işlemin riskine göre belirlemektir.</p><figure><img alt="Düşük, orta, yüksek ve kritik risk seviyelerine göre AI agent davranışlarını; doğrudan aksiyon, kayıt oluşturma, insan onayı ve aksiyon kısıtıyla eşleştiren infografik." src="https://cdn-images-1.medium.com/max/1024/1*6FkuQYhW_yniDlLCxJ0arg.png" /></figure><p>Buradaki önemli nokta, onay kararının agent tarafından verilmemesidir.</p><p>Agent’a “Riskli olduğunu düşünüyorsan onay iste” demek yeterli değildir. Çünkü risk değerlendirmesini yapan bileşen ile kontrol edilmesi gereken bileşen aynı hale gelir.</p><p>Yüksek riskli ve geri döndürülemez işlemlerde insan onayı, modelin muhakemesine değil deterministik iş kurallarına bağlanmalıdır.</p><p>İşlem tutarı, veri sınıfı, müşteri tipi, etkilenen kullanıcı sayısı veya aksiyonun geri alınabilirliği gibi ölçülebilir kriterler onay mekanizmasını tetiklemelidir.</p><p>Human-in-the-loop, insanın her yerde bulunması değil; doğru karar noktasında devreye girmesidir.</p><h3>Otonomi, tek bir açma-kapama düğmesi değildir</h3><p>Agent’ları “otonom” veya “otonom değil” şeklinde iki sınıfa ayırmak yanıltıcıdır. Aynı agent; düşük riskli bir görevde doğrudan işlem yapabilir, orta riskli bir işlemde kayıt ve bildirim oluşturabilir, yüksek riskli bir kararda insan onayı bekleyebilir.</p><p>Doğru tasarım, agent’a genel bir serbestlik vermek yerine her aksiyon için kimlik, kapsam, süre, risk ve geri alınabilirlik sınırı tanımlar.</p><p>Kontrol edilebilirlik, sürdürülebilir otonominin ön koşuludur.</p><p>Bir sonraki bölümde kontrolün yalnızca erişim politikalarıyla bitmediğini ele alacağız. Teknik olarak hatasız çalışan bir agent’ın iş açısından yanlış karar verdiğini nasıl anlayabiliriz?</p><h3>Kaynaklar ve ileri okuma</h3><ul><li><a href="https://learn.microsoft.com/en-us/security/zero-trust/sfi/secure-agentic-systems">Microsoft — Secure Autonomous Agentic AI Systems</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=1601314c7f6a" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[AI Agentlarını Kurduk, Peki Kontrol Kimde? — Bölüm 1]]></title>
            <link>https://mosindi.medium.com/ai-agentlar%C4%B1n%C4%B1-kurduk-peki-kontrol-kimde-b%C3%B6l%C3%BCm-1-d05f6f9c7c02?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/d05f6f9c7c02</guid>
            <category><![CDATA[artificial-intelligence]]></category>
            <category><![CDATA[ai-governance]]></category>
            <category><![CDATA[agentic-ai]]></category>
            <category><![CDATA[ai-agent]]></category>
            <category><![CDATA[software-architecture]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Sat, 29 Aug 2026 10:08:12 GMT</pubDate>
            <atom:updated>2026-08-30T13:51:23.424Z</atom:updated>
            <content:encoded><![CDATA[<p><em>Chatbot’tan dijital aktöre: Agent’larla birlikte hangi risk değişti?</em></p><figure><img alt="Modern bir kontrol odasında, bir insanın kumanda panelinden mavi holografik bir AI agent’ı yönettiği sahne; insan denetimi ile agent otonomisini simgeliyor." src="https://cdn-images-1.medium.com/max/1024/1*Ey2OGZqrmhdBN0SiKPTXuQ.png" /><figcaption><em>İnsan denetimi ile agent otonomisi arasındaki sınır, üretim mimarisinin merkezine yerleşiyor.</em></figcaption></figure><p>Bu dört bölümlük seride agentic AI sistemlerini yalnızca model ve framework seçimi üzerinden değil; yetki, denetim ve işletim modeli açısından ele alacağım. İlk bölümde en temel ayrımla başlayalım: Bir chatbot ile gerçek dünyada aksiyon alan bir agent arasındaki fark neden mimariyi değiştiriyor?</p><h4>Bir AI agent düşünelim.</h4><p>Gelen e-postayı okuyor, talebi sınıflandırıyor, kurumsal sistemlerden gerekli bilgileri topluyor, uygun aksiyonu belirliyor ve işlemi tamamlıyor. Gerektiğinde başka bir agent’tan destek alıyor, bir API çağırıyor, kayıt oluşturuyor ve kullanıcıya yanıt veriyor.</p><p>Bir demo ortamında bütün bunlar oldukça etkileyici görünüyor.</p><p>Ancak aynı agent’ı gerçek kullanıcıların, gerçek verilerin ve gerçek finansal sonuçların bulunduğu üretim ortamına aldığımızda sorular değişmeye başlıyor:</p><ul><li>Agent hangi verilere erişebilir?</li><li>Hangi işlemleri kendi başına gerçekleştirebilir?</li><li>Bir kullanıcı adına hareket ettiğinde kimin yetkisini kullanır?</li><li>Yanlış karar verdiğinde işlem nasıl durdurulur?</li><li>Yapılan işlemin neden gerçekleştirildiği sonradan açıklanabilir mi?</li><li>Hatanın sorumluluğu agent’ı geliştiren ekipte mi, sürecin sahibinde mi, yoksa işlemi onaylayan kişide midir?</li></ul><p>Agentic AI çağında asıl mesele artık yalnızca “Bir agent geliştirebilir miyiz?” değil.</p><p>Bu agent’a hangi yetkiyi, hangi sınırlar içinde ve hangi denetim mekanizmalarıyla verebiliriz?</p><p>Çünkü bir agent’ı üretime almak, sisteme yeni bir yazılım bileşeni eklemekten daha fazlasıdır. Kuruma sınırlı da olsa karar verebilen, araç kullanabilen, veri okuyabilen ve bazı durumlarda doğrudan aksiyon alabilen yeni bir dijital aktör eklemektir.</p><p>Bu nedenle agentic AI dönüşümünü yalnızca bir yapay zekâ projesi olarak ele almak yeterli olmayacaktır.</p><p>Bu aynı zamanda bir kimlik, yetki, güvenlik, denetim ve işletim modeli problemidir.</p><h3>Chatbot ile agent arasındaki kritik fark: Aksiyon</h3><p>Bir chatbot kullanıcıya bilgi verir.</p><p>Bir agent ise aldığı bilgiye göre hareket edebilir.</p><figure><img alt="Solda yalnızca konuşan bir chatbot, sağda kurumsal sistemlere, veri tabanlarına ve iş akışlarına bağlanarak işlem yapan bir AI agent karşılaştırması." src="https://cdn-images-1.medium.com/max/1024/1*ZCNboUWL86fMmylfMwTBRA.png" /><figcaption><em>Chatbot bilgi üretir; agent ise araçlar ve sistemler üzerinden gerçek dünyada aksiyon alır.</em></figcaption></figure><blockquote><em>Chatbot bilgi üretir; agent ise araçlar ve sistemler üzerinden gerçek dünyada aksiyon alır.</em></blockquote><p>Bu fark küçük görünse de mimari açıdan oldukça büyüktür.</p><p>Bir chatbot yanlış cevap verdiğinde kullanıcı bu cevabı fark edebilir, doğrulayabilir veya görmezden gelebilir. Bir agent yanlış karar verdiğinde ise:</p><ul><li>Yanlış kişiye e-posta gönderebilir,</li><li>Hatalı bir kayıt oluşturabilir,</li><li>Bir müşteriye yanlış teklif sunabilir,</li><li>Yetkisiz bir veriye erişebilir,</li><li>Bir ödeme sürecini başlatabilir,</li><li>Üretim ortamında değişiklik yapabilir,</li><li>Hatta başka agent’ları harekete geçirebilir.</li></ul><p>Agent’ın ürettiği metin artık yalnızca bir çıktı değildir. Bazı senaryolarda başka sistemlerde gerçek bir değişikliğin başlangıç noktasıdır.</p><p>Bu nedenle agent mimarisinde yalnızca modelin ne kadar doğru cevap verdiğine odaklanamayız. Agent’ın hangi araçlara eriştiğini, hangi işlemleri yapabildiğini ve bu işlemlerin etkisini de tasarlamamız gerekir.</p><p>Agent güvenliği, yalnızca agent’ın ne söylediğiyle değil, ne yapabildiğiyle ilgilidir.</p><p>OWASP’ın 2026 için yayımladığı Agentic Applications Top 10 çalışması da riski artık yalnızca model çıktısı üzerinden değerlendirmiyor; agent hedeflerinin kötüye kullanılması, araçların istismar edilmesi, kimlik ve yetki sorunları, agent’lar arası güven ilişkileri ve kontrolsüz otonomi gibi konuları ayrı risk alanları olarak ele alıyor.</p><h3>Kontrol sorusu neden tasarımın başında sorulmalı?</h3><p>Agent üretime çıktıktan sonra kimlik, yetki ve denetim eklemek; çalışan bir sisteme sonradan güvenlik katmanı eklemek kadar zor ve maliyetli olabilir. Bu nedenle kontrol, POC sonrasında ele alınacak bir işletim detayı değil, agent tasarımının başlangıç koşuludur.</p><p>Bir agent projesinin ilk sorusu “Ne yapabilir?” değil, “Ne yapmasına izin vermeliyiz?” olmalıdır.</p><p>Bir sonraki bölümde bu soruyu somutlaştıracağız: Her agent’a neden ayrı kimlik vermeliyiz, “en az aksiyon” ne anlama geliyor ve insan onayını verimliliği yok etmeden nasıl tasarlayabiliriz?</p><h3>Kaynaklar ve ileri okuma</h3><ul><li><a href="https://genai.owasp.org/resource/owasp-top-10-for-agentic-applications-for-2026/">OWASP — Top 10 for Agentic Applications 2026</a></li></ul><h4><strong>Devemı için;</strong></h4><p><a href="https://medium.com/%40mosindi/ai-agentlar%C4%B1n%C4%B1-kurduk-peki-kontrol-kimde-b%C3%B6l%C3%BCm-2-1601314c7f6a">AI Agentlarını Kurduk, Peki Kontrol Kimde? — Bölüm 2</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=d05f6f9c7c02" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Modernizasyon Bir Proje Değil, Sürekli Bir Yolculuktur]]></title>
            <link>https://mosindi.medium.com/modernizasyon-bir-proje-de%C4%9Fil-s%C3%BCrekli-bir-yolculuktur-217b61c45792?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/217b61c45792</guid>
            <category><![CDATA[digital-transformation]]></category>
            <category><![CDATA[software-development]]></category>
            <category><![CDATA[application-modernization]]></category>
            <category><![CDATA[cloud-computing]]></category>
            <category><![CDATA[devops]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Wed, 22 Jul 2026 10:13:54 GMT</pubDate>
            <atom:updated>2026-07-22T10:13:54.894Z</atom:updated>
            <content:encoded><![CDATA[<h3>Uygulamadan DevOps’a, buluttan yapay zekâya: Sürekli Modernizasyon yaklaşımı</h3><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*SIcysKs28L2mmhLDYTzBAQ.png" /><figcaption><em>Uygulama, teslimat, güvenlik, altyapı, maliyet, gözlemlenebilirlik ve yapay zekâyı kapsayan Sürekli Modernizasyon yolculuğu.</em></figcaption></figure><p>Modernizasyon denildiğinde çoğunlukla akla eski bir uygulamanın yeni bir teknolojiyle yeniden yazılması veya buluta taşınması geliyor. Oysa gerçek modernizasyon, yalnızca uygulamanın kaynak koduyla sınırlı değildir.</p><p>Modernizasyon; yazılım geliştirme yaşam döngüsünün tamamını kapsar:</p><ul><li>Uygulama ve sistem mimarisi</li><li>Altyapı</li><li>DevOps ve DevSecOps süreçleri</li><li>Yazılım geliştirme metodolojileri</li><li>Güvenlik ve kalite kontrolleri</li><li>Monitoring ve observability</li><li>FinOps pratikleri</li><li>Yapay zekânın geliştirme süreçlerine dahil edilmesi</li><li>Uygulamaya AI destekli veya AI merkezli özellikler kazandırılması</li></ul><p>Bu nedenle modernizasyonu bir kez tamamlanacak dönüşüm projesi olarak değil, sürekli devam eden bir kurumsal yetkinlik olarak ele almak gerekir.</p><h3>Her şeyi bir günde değiştiremezsiniz</h3><p>Özellikle uzun yıllardır yaşayan uygulamalarda veya uzun süredir faaliyet gösteren şirketlerde bütün sistemi tek seferde dönüştürmeye çalışmak ciddi riskler oluşturur.</p><p>Teknolojiyi değiştirmek görece kolay olabilir. Ancak ekiplerin alışkanlıklarını, operasyon modellerini ve geliştirme kültürünü bir gecede değiştirmek mümkün değildir.</p><p>Büyük ve tek seferlik dönüşüm projeleri çoğu zaman şu sonuçları doğurur:</p><ul><li>Artan teknik ve operasyonel riskler</li><li>Kontrol edilemeyen maliyetler</li><li>Uzayan geçiş süreçleri</li><li>Ekibin değişime karşı direnç göstermesi</li><li>İş sürekliliğinin tehlikeye girmesi</li></ul><p>Bu yüzden sürekli modernizasyonun temel prensibi şudur:</p><blockquote><em>Küçük bir parçayı seç, ihtiyaca göre modernize et, sonuçlarını gözlemle, sorunları düzelt ve ardından bir sonraki parçaya geç.</em></blockquote><h3>Başlangıç noktası: Olgunluk Değerlendirmesi</h3><p>Modernizasyona başlamadan önce cevaplanması gereken ilk soru “Hangi teknolojiyi kullanalım?” değil, “Bugün hangi noktadayız?” olmalıdır.</p><p>Her kurumun teknik altyapısı, uygulama portföyü, ekip yapısı, güvenlik yaklaşımı ve değişime hazırlık seviyesi farklıdır. Bu nedenle herkes için geçerli tek bir modernizasyon yol haritası bulunmaz.</p><p>Kısa bir olgunluk değerlendirmesiyle;</p><ul><li>Geliştirme ve teslimat süreçlerinin mevcut durumu</li><li>Otomasyon seviyesi</li><li>Güvenlik pratikleri</li><li>Altyapı ve uygulama mimarisinin ihtiyaçları</li><li>Monitoring ve observability yetkinlikleri</li><li>Maliyet görünürlüğü</li><li>Ekibin kültürel ve operasyonel hazırlığı</li></ul><p>gibi başlıklar incelenebilir.</p><p>Buradaki amaç kuruma yalnızca bir puan vermek değildir. Amaç; darboğazları, riskleri ve hızlı değer üretilebilecek alanları görünür hale getirmektir.</p><p>Olgunluk değerlendirmesinin sonucunda büyük ve değişmez bir dönüşüm planı yerine, önceliklendirilmiş ve ölçülebilir bir modernizasyon yol haritası oluşturulmalıdır. Bu değerlendirme ayrı ve kapsamlı bir konu olduğu için detaylarını başka bir yazıda ele alacağım.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bMrOunuuModBk5rf2BwB0w.png" /><figcaption>Olgunluk değerlendirmesinin amacı kuruma puan vermek değil, modernizasyon önceliklerini görünür hale getirmektir.</figcaption></figure><h3>İlk uygulama adımı: Teslimat süreçlerini modernize etmek</h3><p>Olgunluk değerlendirmesinin ardından modernizasyona başlamak için ilk günden uygulama mimarisini veya altyapıyı değiştirmek zorunda değiliz.</p><p>Mevcut sistem ve uygulama mimarisini koruyarak DevOps pratiklerini iyileştirmek, çoğu kurum için en güvenli başlangıç noktalarından biridir.</p><p>Bu aşamada:</p><ul><li>Sürekli entegrasyon süreçleri standartlaştırılabilir.</li><li>Deployment işlemleri otomatikleştirilebilir.</li><li>SAST ve DAST kontrolleri pipeline’lara dahil edilebilir.</li><li>Güvenlik kontrolleri geliştirme sürecinin erken aşamalarına taşınabilir.</li><li>Test otomasyonu ve kalite eşikleri oluşturulabilir.</li><li>Hata durumlarını algılayan ve uygun aksiyonları alan self-healing pipeline’lar tasarlanabilir.</li></ul><p>Böylece uygulama henüz değişmeden yazılımın üretilme, test edilme ve yayınlanma biçimi modernleşmeye başlar.</p><p>Bu adım aynı zamanda ekibin yeni çalışma modeline kademeli biçimde alışmasını sağlar.</p><h3>Buluta taşınmak tek başına modernizasyon değildir</h3><p>Modernizasyonun sonraki adımlarından biri altyapının dönüştürülmesi olabilir. Ancak burada sık yapılan bir hata var:</p><blockquote><em>Buluta taşınmak, otomatik olarak modernleşmek anlamına gelmez.</em></blockquote><p>Sanal makineler üzerinde çalışan bir sistemi hiçbir mimari değişiklik yapmadan “lift and shift” yöntemiyle buluta taşımak yalnızca sistemin konumunu değiştirir. Mevcut operasyonel yükler, ölçeklenme problemleri ve maliyet sorunları büyük ölçüde devam eder.</p><p>Buna karşılık modernizasyon, ihtiyaca göre farklı şekillerde uygulanabilir:</p><ul><li>IIS üzerinde çalışan bir uygulamayı container üzerinde ve Linux ortamında çalıştırmak</li><li>Sanal makinedeki basit bir uygulamayı yönetilen bir uygulama platformuna taşımak</li><li>Manuel ölçeklenen bileşenleri otomatik ölçeklenebilir hale getirmek</li><li>Monolitin yalnızca ihtiyaç duyulan bölümünü ayrıştırmak</li><li>Operasyonel yükü azaltmak için yönetilen bulut servislerinden yararlanmak</li></ul><p>Her uygulamanın mikroservis mimarisine dönüştürülmesi gerekmez. Modernizasyonun amacı teknolojik trendleri takip etmek değil; iş ihtiyacına uygun biçimde riski, maliyeti ve operasyonel yükü azaltmaktır.</p><h3>Modernizasyonun maliyet boyutu: FinOps</h3><p>Plansız bir bulut geçişi maliyetleri azaltmak yerine katlanarak artırabilir.</p><p>Gereğinden büyük kaynaklar, kullanılmadığı halde açık kalan ortamlar ve takip edilmeyen veri transferleri beklenmeyen faturalar oluşturabilir. Bu nedenle altyapı modernizasyonuyla birlikte FinOps yaklaşımının da sürece dahil edilmesi gerekir.</p><p>FinOps yalnızca maliyet kısmak değildir. Ekiplerin kullandıkları kaynakların maliyetini görebilmesi, harcamaların iş değeriyle ilişkilendirilmesi ve kapasitenin gerçek ihtiyaca göre sürekli optimize edilmesidir.</p><p>Modernizasyon sonucunda daha yeni bir teknolojiye geçmiş olabiliriz. Ancak daha yüksek maliyetle aynı iş sonucunu üretiyorsak dönüşümün değerini yeniden değerlendirmeliyiz.</p><h3>Gözlemleyemediğimiz sistemi iyileştiremeyiz</h3><p>Her modernizasyon adımının ardından sistemin nasıl davrandığını izlememiz gerekir.</p><p>Monitoring bize sistemde bir problem olduğunu söyler. Observability ise bu problemin neden meydana geldiğini anlamamıza yardımcı olur.</p><p>Modernize edilen her parça için performans, hata oranları, kullanılabilirlik, güvenlik bulguları, kaynak tüketimi, maliyet, kullanıcı deneyimi ve iş sonuçları ölçülmelidir.</p><p>Sonuçlar beklendiği gibi değilse sistem düzeltilmeli, otomasyonlar iyileştirilmeli ve mümkün olan noktalarda self-healing mekanizmaları devreye alınmalıdır.</p><p>Olgunluk değerlendirmesi de yalnızca başlangıçta yapılan tek seferlik bir çalışma olmamalıdır. Belirli aralıklarla tekrarlandığında modernizasyonun gerçekten ilerleyip ilerlemediğini gösteren bir kontrol mekanizmasına dönüşür.</p><h3>Yapay zekâ da bu yolculuğun bir parçasıdır</h3><p>Bugün sürekli modernizasyonun kapsamına yapay zekâyı da dahil etmek gerekiyor.</p><p>Bu dönüşüm iki farklı yönde ilerler.</p><p>İlk olarak AI; kod üretimi, test senaryolarının hazırlanması, güvenlik bulgularının incelenmesi, dokümantasyon ve operasyonel sorunların analiz edilmesi gibi yazılım geliştirme süreçlerine dahil edilebilir.</p><p>İkinci olarak uygulamalara AI destekli özellikler kazandırılabilir. Daha ileri aşamada ise yapay zekâ, sonradan eklenen bir özellik olmaktan çıkarak ürünün merkezinde yer alan bir yetkinliğe dönüşebilir.</p><p>Ancak yapay zekâ da yalnızca popüler olduğu için sisteme eklenmemelidir. Güvenlik, veri gizliliği, doğruluk, maliyet ve ölçülebilir iş değeri birlikte değerlendirilmelidir.</p><h3>Sürekli Modernizasyon döngüsü</h3><p>Sürekli Modernizasyon yaklaşımını basit bir döngüyle özetleyebiliriz:</p><p><strong>Değerlendir → Önceliklendir → Modernize et → Yayınla → Gözlemle → İyileştir → Sonraki parçaya geç</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*9A9exGdTNwC3U-xgKmxV2Q.png" /><figcaption>Sürekli Modernizasyon, bitiş çizgisi olan bir proje değil; ölçme, iyileştirme ve yeniden önceliklendirme döngüsüdür</figcaption></figure><p>Bu yaklaşımda modernizasyonun kesin bir bitiş tarihi yoktur. Çünkü teknoloji, güvenlik tehditleri, kullanıcı beklentileri ve iş ihtiyaçları sürekli değişir.</p><p>Asıl amaç, bütün sistemi bir gecede değiştirmek değildir. Kurumun değişime güvenli, ölçülebilir ve sürdürülebilir biçimde devam edebilmesini sağlamaktır.</p><p>Kısacası Sürekli Modernizasyon, eski sistemleri yalnızca yeni teknolojilere taşımak değil; yazılımın geliştirilme, güvence altına alınma, yayınlanma, işletilme ve sürekli iyileştirilme biçimini dönüştürmektir.</p><p>Modernizasyon bir varış noktası değil, organizasyonun geliştirmesi gereken sürekli bir reflekstir.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=217b61c45792" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[Buluta Taşındık, Peki Neden Hâlâ Yavaşız?]]></title>
            <link>https://mosindi.medium.com/buluta-ta%C5%9F%C4%B1nd%C4%B1k-peki-neden-h%C3%A2l%C3%A2-yava%C5%9F%C4%B1z-db8bcbb95ec1?source=rss-20f450a6941------2</link>
            <guid isPermaLink="false">https://medium.com/p/db8bcbb95ec1</guid>
            <category><![CDATA[devops-practice]]></category>
            <category><![CDATA[cloud-native]]></category>
            <category><![CDATA[software-architecture]]></category>
            <category><![CDATA[devops]]></category>
            <dc:creator><![CDATA[Mustafa Ozan Sindi]]></dc:creator>
            <pubDate>Fri, 17 Apr 2026 14:01:03 GMT</pubDate>
            <atom:updated>2026-04-17T14:01:03.334Z</atom:updated>
            <content:encoded><![CDATA[<h4>Cloud-native dönüşümün teknoloji değil, kültür, sahiplik ve işletim modeli meselesi olduğunu neden yeniden düşünmeliyiz?</h4><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*QoRrdABlKYmAo1gf_TXhtg.png" /></figure><h3>Dönüşüm teknolojiyle değil, işletim modeliyle başlar</h3><p>Bugün birçok kurumun gündeminde aynı kelimeler var: cloud, Kubernetes, CI/CD, otomasyon, platform mühendisliği, mikroservisler, gözlemlenebilirlik…</p><p>Ama sahadaki gerçek çoğu zaman çok farklı.</p><p>Çünkü kurumlar genellikle modern araçları hayatına aldığında dönüşümün de otomatik olarak gerçekleşeceğini düşünüyor. Yeni platformlar kuruluyor, pipeline’lar yazılıyor, container’lar devreye alınıyor, bulut yatırımları yapılıyor. Fakat bir süre sonra aynı soru ortaya çıkıyor:</p><p><strong>Neden hâlâ istediğimiz hızda değiliz?</strong></p><p><strong>Neden ekipler hâlâ birbirine bağımlı?</strong></p><p><strong>Neden süreçler modern görünüyor ama çalışma biçimi hâlâ eski reflekslerle ilerliyor?</strong></p><p>Bence bunun cevabı net: Çünkü gerçek dönüşüm teknolojiyle başlamıyor. Teknoloji bunu mümkün kılıyor, evet. Ama dönüşümün kendisi; sahiplik modelinde, ekipler arası ilişkide, ölçüm yaklaşımında, liderlikte ve kültürde gerçekleşiyor.</p><p>Yakın zamanda yaptığımız eğitimde tam da bunu konuştuk. Cloud-native dünyayı yalnızca altyapı, container veya bulut servisleri ekseninde değil; bir <strong>işletim modeli dönüşümü</strong> olarak ele aldık. DevOps’u da bir araç seti ya da yalnızca pipeline konusu olarak değil, ekiplerin birlikte çalışma biçimini yeniden tanımlayan bir yaklaşım olarak değerlendirdik.</p><p>Bu yazıda, eğitim boyunca öne çıkan en kritik fikirleri biraz daha derli toplu bir şekilde paylaşmak istiyorum:<br> Neden cloud-native sadece buluta taşınmak değildir?<br> Neden DevOps bir ekip değil, bir kültürdür?<br> Ve neden legacy dediğimiz şey çoğu zaman eski teknolojiden çok, eski davranış biçimlerinde yaşar?</p><h3>TL;DR</h3><p>Cloud-native dönüşüm, buluta taşınmaktan ibaret değildir; gerçek başarı DevOps kültürü, net sahiplik, otomasyon, ölçüm ve doğru liderlikle teknolojiyi yeni bir çalışma biçimine dönüştürebilmektir.</p><h3>Cloud-native neden sadece “buluta taşınmak” değildir?</h3><p>Birçok kurum için bulut yolculuğu, mevcut sistemleri sanal makineler üzerinde yeniden çalıştırmakla başlıyor. Bu ilk adım bazı faydalar sağlayabilir: daha esnek kaynak kullanımı, daha hızlı ortam açma, belli ölçüde operasyonel rahatlık. Ancak bu yaklaşım tek başına cloud-native değildir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*kSzgQcv3rLAM3xLbhvFoXw.png" /></figure><p>Cloud-native yaklaşımın özü, sistemlerin bulutun doğasına uygun şekilde tasarlanmasıdır. Yani:</p><ul><li>Esnek ölçeklenebilen mimariler kurmak</li><li>Dağıtık sistemlerin gerektirdiği görünürlük ve dayanıklılığı sağlamak</li><li>Altyapıyı kod olarak yönetmek</li><li>Teslimat süreçlerini otomatikleştirmek</li><li>Geliştirme ve operasyon ekipleri arasındaki sınırları yeniden tanımlamak</li><li>Yazılımı yalnızca geliştirmek değil, işletmek ve sürekli iyileştirmek</li></ul><p>Buradaki kritik nokta şu: Buluta geçmek mümkündür, ama bulut gibi çalışmak çok daha farklı bir olgunluk gerektirir.</p><h3>DevOps neden bir araç seti değil, bir işletim modeli?</h3><p>DevOps yıllardır konuşuluyor. Buna rağmen birçok organizasyonda hâlâ yanlış anlaşılıyor. DevOps bazen sadece CI/CD pipeline kurmak, bazen de operasyon yükünü tek bir ekibe devretmek olarak görülüyor. Oysa DevOps’un asıl değeri, geliştirme ile operasyon arasındaki duvarları azaltmasında yatıyor.</p><p>DevOps’un temelinde şu fikir var:<br> Bir sistemi geliştiren ekip, o sistemin üretimdeki davranışından da sorumluluk duymalıdır.</p><p>Bu yaklaşım ekiplerin daha hızlı hareket etmesini sağlar. Çünkü teslimat, güvenlik, kalite, operasyon ve gözlemlenebilirlik gibi başlıklar sürecin sonuna eklenen kontroller olmaktan çıkar; işin doğal parçası haline gelir.</p><p>Gerçek DevOps kültürü şu soruları görünür kılar:</p><ul><li>Bir servisin gerçekten sahibi kim?</li><li>Bir hata olduğunda kim aksiyon alıyor?</li><li>Deploy süreci ne kadar otomatik?</li><li>Bir değişikliğin etkisini ne kadar hızlı görebiliyoruz?</li><li>Ekipler birbirine bağımlı mı, yoksa birlikte akabiliyor mu?</li></ul><p>Eğer bu soruların cevabı belirsizse, kullanılan araçların modern olması tek başına yeterli olmaz.</p><h3>En büyük hata: DevOps’u bir ekibe devretmek</h3><p>Sahada sık gördüğümüz en kritik problemlerden biri şu: Organizasyon DevOps’u bir kültür olarak benimsemek yerine, “DevOps ekibi” kurarak konuyu çözdüğünü düşünüyor.</p><p>Bu modelin kısa vadede pratik göründüğü oluyor. Merkezî bir ekip pipeline’ları kuruyor, altyapıyı yönetiyor, deployment’ları koordine ediyor. Ancak zamanla bu yapı yeni bir darboğaz üretiyor. Çünkü:</p><ul><li>Uygulama ekipleri kendi teslimat süreçlerini sahiplenmiyor</li><li>Operasyonel bilgi belirli kişilerde toplanıyor</li><li>Her iş aynı ekibe gidiyor ve akış yavaşlıyor</li><li>Sorumluluk paylaşımı yerine sorumluluk transferi yaşanıyor</li></ul><p>Sonuçta modern araçlarla çalışan ama eski reflekslerle yönetilen bir organizasyon ortaya çıkıyor.</p><p>DevOps’un amacı yeni bir silo yaratmak değil; siloları azaltmaktır.</p><h3>Silo’lar, sahiplik belirsizliği ve koordinasyon maliyeti</h3><p>Cloud-native dönüşümün önündeki en büyük engellerden biri teknoloji eksikliği değil, organizasyonel parçalanmadır. Özellikle büyük kurumlarda şu tabloyla sık karşılaşıyoruz:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vmCIVEp1pBCvVLd__klP5g.png" /></figure><ul><li>Geliştirme ekibi başka hedeflerle çalışıyor</li><li>Operasyon ekibi başka önceliklerle hareket ediyor</li><li>Güvenlik son aşamada devreye giriyor</li><li>Altyapı kararları merkezi ama uygulama ekipleri bundan kopuk</li><li>İzleme ve ölçüm süreçleri ortak bir dil üretmiyor</li></ul><p>Bu durumda sistem teknik olarak çalışsa bile organizasyon verimli çalışmıyor.</p><p>Sahiplik belirsizliği burada çok kritik. Bir servisin kodundan başka ekip, altyapısından başka ekip, izlenebilirliğinden başka ekip, güvenliğinden başka ekip sorumlu olduğunda; aslında hiç kimse bütün resmi sahiplenmiyor. Bu da sorunların çözümünü yavaşlatıyor, değişiklik maliyetini artırıyor ve hata durumlarında koordinasyon krizleri yaratıyor.</p><p>Cloud-native dünyada başarı, sadece dağıtık sistem kurmakla değil; dağıtık sorumluluğu yönetebilmekle mümkün.</p><h3>Legacy sadece teknoloji değildir</h3><p>“Legacy” denince çoğu kişinin aklına eski kod tabanı, monolitik mimari, güncellenmeyen framework’ler gelir. Oysa gerçek hayatta legacy çoğu zaman teknolojiden önce davranış biçimlerinde yaşar.</p><p>Örneğin:</p><ul><li>Her değişiklik için manuel onay beklenmesi</li><li>Deployment bilgisinin birkaç kişide toplanması</li><li>Dokümantasyon yerine sözlü bilgi akışına güvenilmesi</li><li>Süreçlerin e-posta ve Excel ile yürütülmesi</li><li>İzleme yapılmadan “çalışıyor gibi” kabul edilmesi</li><li>Dönüşümün veriyle değil, sezgiyle yönetilmesi</li></ul><p>Bunların hepsi legacy davranış örnekleridir. Yeni platformlar kurulduğunda bile bu alışkanlıklar devam ediyorsa, organizasyon modernleşmiş görünür ama gerçekte aynı şekilde çalışmaya devam eder.</p><p>Bu yüzden teknolojik modernizasyon ile operasyonel modernizasyon aynı şey değildir.</p><h3>Yetkinlik eksikleri dönüşüm hızını belirler</h3><p>Kurumsal dönüşümlerde en kritik başlıklardan biri de yetkinlik meselesidir. Cloud-native yapılar daha fazla otomasyon, daha fazla görünürlük ve daha fazla mühendislik disiplini gerektirir. Ancak bu gereksinimler organizasyon içinde her zaman aynı olgunlukta karşılanmaz.</p><p>Örneğin bir kurum Kubernetes kurabilir ama:</p><ul><li>Uygulama yaşam döngüsünü doğru modelleyemeyebilir</li><li>Gözlemlenebilirlik katmanını eksik bırakabilir</li><li>Incident yönetim süreçlerini olgunlaştıramayabilir</li><li>Güvenliği pipeline’ın doğal parçası haline getiremeyebilir</li><li>Metrik, log ve trace verisini birlikte okuyacak yetkinliği geliştirememiş olabilir</li></ul><p>Bu durumda platform vardır ama platformu etkili kullanacak kurumsal kapasite henüz oluşmamıştır.</p><p>Teknoloji yatırımı ile yetkinlik yatırımı birlikte ilerlemediğinde, dönüşüm yüzeyde kalır.</p><h3>Ölçemediğiniz dönüşümü yönetemezsiniz</h3><p>Dönüşüm projelerinde en çok ihmal edilen alanlardan biri ölçümdür. Birçok ekip “ilerlediğini” hisseder ama bunu gösterecek net metrikleri tanımlamaz. Oysa cloud-native ve DevOps dönüşümü sezgiyle değil, veriyle yönetilmelidir.</p><p>Ölçülmesi gereken başlıklara örnek olarak şunlar verilebilir:</p><ul><li>Deploy sıklığı</li><li>Lead time</li><li>Değişiklik başarısızlık oranı</li><li>Incident çözüm süresi</li><li>Ortam kurulum süreleri</li><li>Manuel adım sayısı</li><li>Servis bazlı görünürlük seviyesi</li><li>Otomasyon kapsama oranı</li><li>Güvenlik kontrollerinin pipeline entegrasyon düzeyi</li></ul><p>Bu tür metrikler sadece raporlama amacıyla değil, dönüşümün gerçekten nerede tıkandığını anlamak için gereklidir.</p><p>Modern araçlar kurup dashboard üretmek tek başına yeterli değildir. Önemli olan, o veriyi karar mekanizmasına dönüştürebilmektir.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CMxN2RkgcG1ttwEiokzO9Q.png" /></figure><h3>Liderlik ve kültür: görünmez işletim katmanı</h3><p>Teknik dönüşüm projelerinde çoğu zaman mimari, araçlar ve platformlar konuşulur. Ama işin en zor kısmı genellikle görünmeyen taraftadır: liderlik ve kültür.</p><p>Çünkü dönüşüm şu değişimleri beraberinde getirir:</p><ul><li>Ekiplerden daha fazla sahiplik beklenir</li><li>Karar alma daha dağıtık hale gelir</li><li>Şeffaflık artar</li><li>Hatalar daha görünür olur</li><li>Takımlar arası çalışma zorunluluğu yükselir</li><li>Öğrenme ve adaptasyon sürekli hale gelir</li></ul><p>Bunların her biri kültürel direnç üretme potansiyeline sahiptir.</p><p>Bu yüzden liderliğin rolü sadece hedef koymak değildir. Aynı zamanda güven üretmek, netlik sağlamak, yetki-sorumluluk dengesini kurmak ve ekiplere yeni çalışma biçimlerinde yalnız olmadıklarını hissettirmektir.</p><p>Dönüşüm sadece “ne yapıyoruz?” sorusuyla değil, “nasıl birlikte çalışıyoruz?” sorusuyla da ilgilidir.</p><h3>Gerçek hayatta dönüşüm nasıl görünür?</h3><p>Gerçek hayatta başarılı dönüşüm, tek seferlik büyük geçişlerden çok; tutarlı ve bilinçli adımların birleşimiyle ortaya çıkar.</p><p>Başarılı örneklerde genellikle şunları görürüz:</p><ul><li>Platform standardizasyonu ile ekip özerkliği arasında dengeli bir model</li><li>Self-service yaklaşımıyla hız kazanan teslimat süreçleri</li><li>Altyapı, güvenlik ve gözlemlenebilirliğin geliştirme yaşam döngüsüne entegre edilmesi</li><li>Takımların net sahiplik alanlarına sahip olması</li><li>Metriklerle desteklenen sürekli iyileştirme kültürü</li><li>Teknoloji kadar organizasyon tasarımının da ele alınması</li></ul><p>Yani dönüşüm, yalnızca “hangi tool’u kullandık?” sorusunun cevabı değildir.<br> Asıl soru şudur: Bu teknolojiyle birlikte organizasyon nasıl daha sağlıklı, hızlı ve sürdürülebilir çalışıyor?</p><h3>Bugünün büyük resmi</h3><p>Cloud-native dünya bize yeni araçlar sundu. DevOps yaklaşımı ise bu araçları anlamlı hale getirecek çalışma modelini önerdi. Ancak kurumlar için asıl mesele hâlâ aynı:</p><p>Modern platformlar kurmak kolay olabilir. Modern çalışma biçimleri üretmek ise çok daha zordur.</p><p>Gerçek dönüşüm; teknolojiyi, süreçleri, sahiplik modelini, ölçümü ve kültürü birlikte ele alabildiğimizde başlar. Aksi halde organizasyon yalnızca yeni isimlerle eski alışkanlıklarını sürdürür.</p><h3>Üç temel takeaway</h3><p><strong>1. Cloud-native bir altyapı tercihi değil, bir işletim modeli dönüşümüdür.</strong><br> Buluta çıkmak başka şeydir, bulut gibi çalışmak başka şey.</p><p><strong>2. DevOps bir ekip değil, ortak sorumluluk kültürüdür.</strong><br> DevOps’u merkezî bir takıma devretmek, çoğu zaman yeni bir darboğaz yaratır.</p><p><strong>3. Dönüşüm teknoloji kadar kültür, liderlik ve ölçüm işidir.</strong><br> Legacy davranışlar, yetkinlik eksikleri ve veriyle yönetilmeyen ilerleme, en modern platformları bile etkisiz hale getirebilir.</p><p>Bugün kurumların ihtiyacı sadece daha fazla araç değil; daha net sahiplik, daha güçlü iş birliği, daha yüksek görünürlük ve daha bilinçli bir dönüşüm yaklaşımı.</p><p>Çünkü geleceğin sistemleri kadar, geleceğin çalışma biçimlerini de inşa etmek zorundayız.</p><h3>Kaynaklar ve İleri Okuma</h3><p>Cloud-native yaklaşımın resmi ve en çok referans verilen tanımlarından biri CNCF tarafından yapılıyor. Özellikle “scalable, resilient, manageable and observable systems” vurgusu, bu yazıda anlattığımız dönüşüm mantığını çok iyi özetliyor:</p><ul><li><a href="https://www.cncf.io/about/who-we-are/?utm_source=chatgpt.com">CNCF — Who We Are / Cloud Native Definition</a></li></ul><p>“Bulut tabanlı” olmak ile “cloud-native” olmak arasındaki farkı daha net görmek için şu yazı faydalı:</p><ul><li><a href="https://www.cncf.io/blog/2023/09/04/cloud-based-versus-cloud-native-whats-the-difference/?utm_source=chatgpt.com">CNCF — Cloud-based versus Cloud Native</a></li></ul><p>DevOps’un yalnızca araçlardan ibaret olmadığını, kültür, hız, güvenilirlik ve iş birliği boyutuyla ele alan iyi giriş kaynakları:</p><ul><li><a href="https://cloud.google.com/devops?utm_source=chatgpt.com">Google Cloud — What is DevOps?</a></li><li><a href="https://docs.cloud.google.com/architecture/devops?utm_source=chatgpt.com">Google Cloud Architecture Center — DevOps Capabilities</a></li></ul><p>Dönüşümün veriyle yönetilmesi gerektiğini ve yaygın kullanılan performans metriklerini görmek için:</p><ul><li><a href="https://cloud.google.com/blog/products/devops-sre/using-the-four-keys-to-measure-your-devops-performance?utm_source=chatgpt.com">Google Cloud Blog — Four Keys / DORA Metrics</a></li><li><a href="https://cloud.google.com/resources/content/2025-dora-ai-assisted-software-development-report?utm_source=chatgpt.com">Google Cloud — 2025 DORA Report</a></li></ul><p>Liderlik, kültür ve operasyonel mükemmeliyet tarafını mimari çerçevede ele almak için:</p><ul><li><a href="https://learn.microsoft.com/en-us/azure/well-architected/operational-excellence/devops-culture?utm_source=chatgpt.com">Microsoft Learn — DevOps Culture</a></li><li><a href="https://learn.microsoft.com/en-us/azure/well-architected/operational-excellence/?utm_source=chatgpt.com">Microsoft Learn — Operational Excellence</a></li></ul><p>Mikroservis ve modern mimari tercihlerin neden daha yüksek operasyonel disiplin gerektirdiğini okumak için:</p><ul><li><a href="https://learn.microsoft.com/en-us/azure/architecture/guide/architecture-styles/microservices?utm_source=chatgpt.com">Microsoft Learn — Microservices Architecture Style</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=db8bcbb95ec1" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>