Bir ajanı akıllı yapan şey modelin kendisi mi, yoksa etrafına kurulan düzen mi?

Konuyla ilgili okuduğum yazıların çoğunda hemen hemen aynı iddia vardı. Anlatıldığına göre xAI’ın Grok Code Fast 1 modeli bir kodlama testinde yüzde 6,7’den yüzde 68,3’e çıkmış, üstelik modele tek bir dokunuş yapılmadan, yalnızca kodu düzenlerken kullandığı aracın biçimi değiştirilerek. Hepsi aynı rakamı, aynı çerçeveyle aktarıyordu.

Aynı model, aynı zekâ, başarı yaklaşık on katı. Bu cümleyi okuyan herkesin aklına aynı sonuç geliyor sanırım, demek ki asıl iş modelde değil, modelin etrafında. Ben de takıldım ve rakamın nereden geldiğini araştırdım. Şimdiden söyleyeyim, rakam uydurma değil ama yanındaki cümle yanlış, ve bu tek rakamın başına gelenler yazının geri kalanının da küçük bir modeli. Peki bir rakam, doğru olduğu hâlde, nasıl yanlış bir şey söyleyebilir?

Cevaba geçmeden yazının üç fikrini baştan söyleyeyim, çünkü gerisi bunların etrafında dönüyor.

Birincisi, yapay zekâ ajanını (sizin yerinize adım adım iş yapan programı) çalıştıran şey yalnızca model değil. Modelin etrafındaki düzen, yani adına harness denen katman, modelin yeteneğini gerçek hayatta işe yarayan bir sonuca çeviriyor.

İkincisi, bu düzenin bir kısmı modelin eksiklerine yazılmış geçici notlardan oluşuyor ve model güçlendikçe eskiyor, bir kısmı ise kalıcı.

Üçüncüsü, düzenin kimin elinde durduğu, ne kadar taşınabildiği ve açığın nerede çıktığı, modelin kendisi kadar stratejik bir mesele. Aşağıdaki her bölüm bu üçünden birine bağlanıyor.

Mutfağın düzeni

Harness İngilizcede at koşum takımı demek (koşum takımı, kayış, emniyet kayışı/bağı). Yapay zekâ dünyasında ise bir ajanın modelden geriye kalan her parçasına bu ad veriliyor. İşi adım adım yürüten kod, kullandığı araçlar, izinler ve “bitti” denmeden önce çalışan kontroller hep bunun içinde. Claude Code ya da Codex gibi bir kodlama ajanıyla çalışıyorsanız, aslında doğrudan modelle değil, onu saran bu katmanla konuşuyorsunuz.

Restoran mutfağı ile anlatmaya çalışayım. Şefi dünyanın en iyisinden seçebilirsiniz, ama cumartesi akşamı servisinin nasıl geçeceği şefin elinden kadar mutfağın düzenine bağlı. Bıçaklar nerede duruyor, siparişler rafta hangi sırayla dizili, duvarda tarif kartı asılı mı ve paso dediğimiz son noktada tabak müşteriye çıkmadan önce biri bakıp “bu çıkmaz” diyor mu? Tarif kartı iş başlamadan yön gösteriyor, paso iş bittikten sonra yakalıyor. Thoughtworks’ten Birgitta Böckeler bu ikiliye rehberler ve sensörler diyor ve bence şu an elimizdeki en işe yarar çerçeve bu.

Tabii benzetme bir yerde kırılıyor, çünkü mutfak çalışanı dünkü hatayı ertesi gün hatırlar, bu ajanlar oturumdan oturuma hatırlamıyorlar. Duvardaki notlar tek hafızaları.

O duvardaki notlar da aynı cinsten değil. Bir kısmı mutfağın kendisine yazılmış. Çiğ ürünün tahtası ayrı olacak, soğuk zincir kırılmayacak, kasaya yabancı el değmeyecek. Bir kısmı ise o günkü şefin huyuna. Tuzu fazla kaçırır, tadına bak; sosu hep geç ocağa alır. Şef değişince ikinci tür notlar ya gereksizleşir ya komik kaçar, birinciler yerinde kalır. Harness’ta da böyle. Yetki sınırları, kesin çalışan testler, kayıt tutma ve denetim birinci türe benziyor. Belirli talimat kalıpları, ajanı toparlamak için konan önlemler ve tek bir aracın biçimine uydurulmuş ayarlar ikinci türe. Bu çizgi bilimsel bir sınıflandırma değil, ben ayırdım.

Adını kim koydu?

Sorunun cevabı anlatana göre değişiyor. Bu uygulamaya harness mühendisliği diyen en eski yazı, bulabildiğim kadarıyla, Mitchell Hashimoto’nun Şubat 2026’daki yazısı. Hashimoto, ajanın bir hatasını gördüğünüzde onu bir daha olmasın diye mühendislikle çözmenizi öneriyor. Altı gün sonra OpenAI terimi başlığa taşıyıp yaygınlaştırdı. Bence mucit kavgasına gerek yok, zaten bir mutfakta da kimin ilk “paso” dediğini kimse merak etmez.

Bir milyon satır, sıfır satır elle kod

Terimi popüler yapan metin OpenAI’nin yazısı ve birinci fikrin, yani düzenin modelin yeteneğini işe çevirdiği fikrin, en iddialı sahnesi bu. Ekip 2025 Ağustos’unun sonunda projeye başlıyor ve temel kural olarak elle kod yazmamayı koyuyor. Beş ay sonra yazının kendi ifadesiyle bir milyon satır mertebesinde bir kod tabanı ortada duruyor, OpenAI da işin elle yazmanın yaklaşık onda biri sürede bittiğini tahmin ediyor. Güzel de, o satırları altı ay sonra kim okuyacak, kim bakacak?

Asıl ilgilendiğim pratikler. Ajana bin sayfalık bir talimat kitabı vermek işe yaramamış, kısa bir harita vermişler, ayrıntılar başka yerlerde duruyor. Denetim araçlarının hata mesajlarını bile ajana “şunu şöyle düzelt” diyecek biçimde yazmışlar. Ajan depoda ne varsa, kötüsü de dahil, çoğalttığı için dağınıklığı toplayan temizlikçi ajanlar da eklemişler.

Ama bunlar tek bir ekibin, adı hiç söylenmeyen bir iç ürün için yazdığı bir öz-rapor. Maliyet verisi yok, kalite verisi yok. Lopopolo’nun Nisan’daki röportajı resmi biraz inceltiyor. Kendi anlatışıyla ilk bir buçuk ay elle yazmaktan çok daha yavaş geçmiş, yeni bir model çıkınca verim belirgin biçimde fırlamış. İkinci fikir tam burada kendini gösteriyor. Model değişince düzenin payı da kayıyor ve hangi artışın hangisinden geldiğini ayırmak zorlaşıyor.

Bu yazıyı bir verimlilik kanıtı olarak değil, iyi tutulmuş bir çalışma günlüğü olarak okumak lazım. Ne yaptıklarını açıkça yazmışlar, sınırlarını da kendileri söylüyorlar. Tek bir ekibin, sıfırdan başlayan bir projede, kendi modelleriyle yaptığı işten genel bir yasa çıkarmak ise, biliyorsunuz, başka bir iş.

Rakamların peşinde

Şimdi başa dönelim. O yüzde 6,7’den 68,3’e giden rakam, bağımsız bir geliştiricinin Şubat 2026’da yayımladığı bir blog yazısından geliyor ve ünlü bir kodlama testi değil, yazarın kendi hazırladığı küçük bir test. Kodda rastgele bir yere mekanik bir bozulma konuyor, bir işaret değişiyor ya da bir doğru yanlışa dönüyor falan, model de bunu düzeltmeye çalışıyor. xAI’ın bu çalışmayla ilgisi yok, Grok yalnızca deney malzemesi, xAI’ın kendi duyurusundaki resmî sonuç da başka. Asıl ilginç kısım başlangıç noktası. Yüzde 6,7, modelin yabancı olduğu bir düzenleme biçimiyle alınan skor. Aynı model, başka araçların yaygın kullandığı biçimle zaten yüzde 67’ye yakın alıyormuş. Gerçekçi kazanç 61 puan değil, birkaç puan.

Bu hikâyeden bir ders çıkarıyorum. Yabancı bir araç biçimi bir modelin yeteneğini gizleyebiliyor. Solak bir aşçıya sağlak bıçak vermek gibi, aşçı kötü değil, bıçak ona göre değil. Cursor da her modele eğitiminde gördüğü araç biçimini verdiklerini anlatıyor. Yani birinci fikrin tersten kanıtı bu, düzen yeteneği işe çevirebiliyor ama uyumsuz bir düzen yeteneği örtebiliyor da.

Öbür popüler rakam da benzer bir hikâye. LangChain’in Deep Agents çalışmasında model sabit, yalnızca düzen değişiyor ve bir testte başarı yaklaşık 14 puan artıyor. Yazarlar iki şeyi kendileri söylüyor. Ayarı, puanlandıkları aynı görevlerin hata kayıtlarını okuyarak yapmışlar ve bu önlemler modeller geliştikçe büyük ihtimalle gereksiz hâle gelecek. Benim benzetmem, bir sınava, o sınavda yanlış yaptığınız soruları inceleyerek çalışmak gibi. İşe yarar, ama sonucu genel bir başarı gibi okuyamazsınız.

İki örnekte de aynı kalıp var. Rakamlar el değiştirdikçe testin adı ve başlangıç noktası yolda düşüyor. Grok rakamında bunu somut olarak gördüm. Aramalarımda xAI, OpenAI, Anthropic ya da LangChain gibi kurumların kendi yazılarında ya da hakemli bir dergide bu rakamın geçtiğine rastlamadım. Gördüğüm kopyaların hepsi, yani teknik bloglar ve topluluk yazıları, aynı tek blog yazısına çıkıyor. Aynı rakamın birden çok yerde geçmesi onu doğrulamıyor, çünkü hepsi aynı ilk kaynağın yankısı olabilir; dört kişi aynı dedikoduyu duyup birbirine anlatınca dedikodu doğrulanmış sayılır mı?

Elimizde sağlam bir şey de kalıyor, ama dikkatle okunması gerekiyor. Terminal-Bench 2.0 sonuç tablosunda aynı model farklı düzenlerle çok farklı sonuçlar alıyor, aradaki fark yirmi puanı aşıyor. “Düzen önemli” cümlesinin en sağlam dayanağı bu. Ama kontrollü bir deney değil, gönderimlerin çoğunu düzenleri satan firmalar kendileri yapmış ve koşullar birbirini tutmuyor. Karşı ağırlık aynı veriden geliyor. Tek bir düzen sabitlendiğinde modeller arasındaki fark daha da büyük, testi hazırlayanlar da makalelerinde model seçiminin çoğu zaman düzenden daha belirleyici olduğu sonucuna varıyor.

Bir de gürültü var. Anthropic yaptığı ölçümde yalnızca test sunucusunun ayarlarını oynatarak aynı modelin skorunu birkaç puan kaydırabildi. Yani küçük farklara ve tek seferlik ölçümlere şüpheyle bakmak lazım; kendi işinizde de farkın normal dalgalanmanın dışında kalıp kalmadığını, tekrar tekrar ölçerek görebilirsiniz.

Ortaya çıkan tablo şöyle, iki taraf da gerçek ve büyüklükleri aynı mertebede. “Düzen modelden daha önemli” cümlesi eldeki kanıtın taşıyamadığı bir cümle, ve başlık rakamlarının çoğunu düzen satan ya da öven tarafların bildirmiş olması tesadüf mü, bilemiyorum.

Bu avın kendisi de aslında bir harness. Kaynağı bulmak bir rehber, ölçümün nasıl yapıldığını sormak bir sensör; iddiayı parçalarına ayırmak, başka kaynakla karşılaştırmak ve sonucu şişirmemek de mutfağın paso kısmı. Bir rakam bu kontrollerden geçmeden yazıya girerse, denetlenmemiş bir ajan çıktısı gibi kendinden emin görünür ve yanlış olabilir.

Notlar eskir

Asıl tartışma bence başka yerde ve ikinci fikri en açık söyleyen Anthropic oldu. Hangi parça ne zaman eskiyor? Anthropic’ten Prithvi Rajasekaran Mart 2026’da bir düzendeki her bileşenin, modelin tek başına yapamadığı bir şeye dair bir varsayımı kodladığını yazdı. Her kural modelin bir zayıflığına karşı yazılmış bir tahmin, model güçlenince tahmin bayatlıyor. Somut silmeler de var. Yeni modeller çıktıkça önceki düzenin bazı parçaları atılmış, Temmuz’da da Claude Code’un sistem talimatının yüzde 80’inden fazlası silinmiş. İki not düşmek lazım. Bu silmelerin etkisine dair kanıt Anthropic’in kendi bildirimi ve kontrolsüz, üstelik Anthropic model kazancı satan bir firma, “iskeleye gerek kalmıyor” demesinde çıkarı var.

Duvar notlarına dönersek, silinen örneklerin hepsi ikinci türden, yani şefin huyuna yazılmış notlar. İzinlerin, kesin kontrollerin ya da kayıtların silindiğine dair bir örneğe rastlamadım, ama bunun kanıtı da yok. Bağımsız, uzun soluklu bir silme çalışması bilinmiyor. O yüzden düzenin geçici kısmına her model sürümünde yeniden sınanacak, son kullanma tarihli hipotezler gözüyle bakmak, kalıcı kısmına ise ciddi yatırım yapmak gerekiyor. Sizin ajanınıza yazdığınız kuralların kaçı bugünün modeli için hâlâ gerekli, bilen var mı?

Haklı eleştiriler

Bütün bunlara yöneltilen “eski fikirlerin yeniden ambalajlanması” itirazı kalabalık ve haksız sayılmaz. Fabio Akita Ağustos’ta bu kavramlara sert bir yazıyla karşı çıktı, Martin Fowler da Temmuz’da bugünkü düşüncenin teknolojinin şu anki durumuna fazla bağlı olup olmadığını sordu. Ben ikisine de kısmen katılıyorum. Test, kontrol ve izleme zaten vardı ve etiket onları bir araya getiriyor, ama yeni olan şey de gerçek, çünkü sistemin zayıf halkası artık sürüm sürüm değişen, olasılıksal bir model.

Daha isabetli bulduğum eleştiri “daha çok talimat daha iyi” varsayımına yönelik. Gloaguen ve arkadaşlarının çalışmasında bir yapay zekâya ürettirilen talimat dosyaları başarıyı artırmadı, hafifçe düşürdü ve maliyeti yükseltti; geliştiricinin elle yazdıkları ise anlamlı bir fark yaratmadı. Bence buradan çıkan sonuç, tek tuşla üretilen bir talimat dosyasını olduğu gibi kullanmamak, kısa tutmak ve yalnızca modelin kendi başına bulamayacağı şeyleri yazmak.

Mutfak kimin?

Notlar bu kadar işe yarıyorsa üçüncü fikre gelelim, mutfak kimin? Bir ajan ayrı ellerde durabilecek parçalardan oluşuyor, yani model, çalışma düzeni, araçlar, hafıza ve korkuluklar. Bir şirket hazır bir sağlayıcının altyapısıyla ajan kurduğunda, bu parçalardan hangisi gerçekten şirketin, hangisi sağlayıcının? Resmi bir cevap bulamadım, ama iki iz var.

Birincisi Harrison Chase’in Your harness, your memory yazısı. Chase, kapalı bir düzenin ajanın hafızasını, dolayısıyla sizi de kilitlediğini savunuyor. LangChain açık düzen araçları sattığı için bu savın çıkarı var, ama örnek somut. OpenAI’nin ajan döngüsü yazısı Codex’in konuşmayı sıkıştıran şifreli bir parça ürettiğini doğruluyor ve Chase’e göre bu parça yalnızca OpenAI ekosisteminde işe yarıyor. İkincisi Anthropic’in Managed Agents yazısı. Farklı düzenlerin takılabildiği bir yapı sunuyor, ama oturum günlüğü Anthropic’in platformunda duruyor.

Taşınabilirlik tarafında ise standartlar yer değiştirdi. Anthropic, Block ve OpenAI Aralık 2025’te Linux Foundation çatısı altında bir vakıf kurdu. Ajanların araçlara bağlanma standardı ve talimat dosyası biçimi oraya girdi, 22 Ekim 2026’da da Agent Skills katıldı. Benim okumam, araç tanımlarının, talimat dosyalarının ve hazır beceri paketlerinin böylece taşınabilir hâle geldiği yönünde. Adını bulabildiğim projeler arasında hafızayı ya da oturum geçmişini taşınabilir kılan görünmüyor, ve bu doğruysa kilit tam da standartların dışında kalan yerde kuruluyor.

İşin stratejik kısmı tam burada. Model sağlayıcıları zekâyı, düzen sağlayıcıları da o zekânın çalışma koşullarını kontrol etmeye başladığında rekabet yalnızca daha iyi model üretmekten ibaret kalmayacak, ajanın hangi ortamda, hangi kurallarla ve kimin kontrolünde çalışacağı da en az model kadar stratejik olacak. Bu kanıt değil öngörü, ama yukarıdaki örnekler bu yöne işaret ediyor. Kendinize şunu sorabilirsiniz, yarın modeli ya da sağlayıcıyı değiştirsem, talimatlarımdan, araçlarımdan, becerilerimden, kayıtlarımdan ve hafızamdan hangisi benimle gelir?

Açıklar da burada çıkıyor

Kontrolün öbür yüzü güvenlik, ve açıklar artık düzenin kendisinde çıkıyor. Anthropic’in otomatik mod yazısı kullanıcıların izin istemlerinin yaklaşık yüzde 93’ünü kabul ettiğini söylüyor. Düşünsenize, kapıda bir bekçi var ama gelenlerin yüzde 93’üne “geç” diyor. Bu kadar sık “evet” denen bir pencerenin ardında gerçekten okuyan biri var mı? Bence “kritik işlerde insan onayı” cümlesi bu rakamdan sonra yeniden düşünülmeli, çünkü onay penceresi bir güvenlik katmanından çok bir alışkanlığa dönüşüyor.

Gerçek açıklar da bunu doğruluyor. Cursor’un eski sürümlerinde kötü niyetli bir ajanın kendisine çizilen kapalı alandan çıkıp bilgisayarda kod çalıştırmasına izin veren, kritik seviyede puanlanmış bir açık bulundu, Claude Code’un kendi güvenlik bildirimlerinde de 2026 boyunca ciddi kayıtlar var. Claude Code belgeleri bu yüzden “asla” kurallarını düz yazı talimatlara değil teknik yasaklara yazmanızı öneriyor, çünkü bir talimat dosyası kural koymaz, ricada bulunur.

Pazartesi sabahı

Bütün bunları bir ekibe indirgemek gerekirse aşamalı bir plan öneriyorum. Aşamalar ve bitiş ölçütleri kaynaklardaki pratiklerden türettiğim bir derleme, kimsenin resmi tarifi değil. ölçütlerdeki sayılar örnek, kendi işinizde ölçerek ayarlayın. Son aşama geçici kısmı budama alışkanlığı kazandırıyor, öncekiler kalıcı zemini kuruyor.

İlk gün, ajanı kapalı bir alanda çalıştırın, canlı sistemlerin şifrelerini dışarıda tutun, “asla yapma” dediğiniz şeyleri talimat dosyasına değil teknik yasaklara yazın. Ajan canlı sistemlerin şifrelerine erişemiyorsa ve geri dönüşü zor komutlar otomatik olarak durduruluyorsa bu aşama bitmiştir.

İlk hafta, kısa bir talimat dosyası yazın, içinde yalnızca koddan çıkarılamayan bilgi ve projenin nasıl kurulup test edildiği olsun. Ajan testler yeşil olmadan “bitti” diyemiyorsa ve dosyadaki her satırın bir gerekçesi varsa, yani bir komut ya da geçmiş bir hata, bu aşama tamamdır.

İlk ay, Hashimoto’nun mandalını kurun. Ajan her hata yaptığında bir kural ya da kontrol ekleyin, karşılığında eskimiş bir satırı silin. Örneğin son yirmi ajan hatası sınıflandırılmışsa ve her sınıf için ya bir kontrol varsa ya da “bilerek yok” diye yazılmışsa bu aşama kapanır.

Her yeni model sürümünde, bir kuralı çıkarıp sonucu karşılaştırın ve aynı görevleri birkaç kez çalıştırıp normal dalgalanmayı ölçün. Fark o bandın içinde kalıyorsa kuralı silmek için gerekçeniz var. Her silme kararının yanında ölçtüğünüz dalgalanma ve tekrar sayısı yazılıysa bu döngü doğru işliyor demektir.

Duvardaki notlar

O yüzde 6,7’den 68,3’e cümlesi muhtemelen önümüze çıkıp duracak… Rakam uydurma değil ama yanında taşıması gereken üç şey eksik, yani hangi test, hangi başlangıç noktası ve kim ölçtü. Yazının üç fikrini bir cümleye sığdırmam gerekirse, düzen modelin yeteneğini işe çeviriyor, bir kısmı modelin eksiğine yazılmış bir not olduğu için eskiyor ve neyin nerede durduğu, kimin elinde olduğu bir gün modelden daha çok konuşulacak. Belki asıl geçiş burada, modele değil modelin çalıştığı düzene bakmaya başlamak.

Kendi ajanınızın duvarındaki notlara bir kez baktınız mı, hangisi hâlâ gerçek bir zayıflığın üstüne yazılmış, hangisi eski şefin kalıp bıraktığı alışkanlık? Ve şef değişirse, o duvar sizinle birlikte taşınabilir mi?

Kaynak notları

Kaynaklar aynı ağırlıkta değil, o yüzden güvenilirlik düzeylerine göre ayırıyorum.

Birincil kayıt ve ham veri. Terminal-Bench 2.0 sonuç veri seti (gönderimler katılımcıların kendi beyanı), CVE-2026-26268 kaydı ve Hashimoto’nun kişisel blogu.

Ön baskılar, hakemli olduğu doğrulanamayanlar. Terminal-Bench ve Gloaguen ve arkadaşları.

Şirketlerin kendi beyanı. OpenAI için Codex deneyi ve ajan döngüsü, Anthropic için harness tasarımı, altyapı gürültüsü, otomatik mod, Managed Agents ve Claude Code sistem istemi, LangChain için Deep Agents ve Your harness, your memory. Ayrıca Cursor ve xAI yazıları.

Tek kişinin kendi ölçümü. Grok rakamının çıktığı blog yazısı.

Bağımsız yorum. Böckeler’in harness mühendisliği makalesi, Fowler’ın 13 Temmuz notu, Akita’nın yazısı ve Latent Space röportajı, ki transkripti otomatik üretilmiş.