Yıllarca, "yapay zeka iş süreçlerini otomatize ediyor" cümlesini duyduk. Çoğu şirket bu cümleyi bir tek model, bir tek prompt çözümü olarak hayata geçirdi. Sonuç çoğunlukla aynıydı: ilk denemede umut veren, ölçeklenince dağılan çözümler. Çünkü süreç tek bir aktörün işi değildir: birden fazla rolün, birbirini doğrulayan adımların ve çoğu zaman bağlamsal kararların toplamıdır.

Agentic yaklaşım, tam da bu noktada devreye giriyor. Tek bir LLM'i bir çalışan gibi kullanmak yerine, çok aktörlü, rol tabanlı bir sistem inşa ediyoruz. Her agent kendi sorumluluk alanını bilir; çıktısı diğer agent'lar tarafından okunur, gerektiğinde sorgulanır, doğrulanır.

Klasik otomasyon ile farkı nedir?

Klasik iş akışı otomasyonu (RPA, Zapier, n8n vb.) kural tabanlıdır. Her ihtimal önceden tanımlanmalıdır; tanımsız bir durumla karşılaşıldığında akış durur ya da hatalı sonuç üretir. Sabit ve tekrar eden süreçlerde bu yaklaşım hâlâ doğru araçtır; ancak kurumsal süreçlerin önemli bir kısmı sabit değildir. Bu yüzden iki yaklaşım birbirinin alternatifi değil, tamamlayıcısıdır.

Agentic yapılar ise amaç tabanlıdır. Sistem, kuralları değil hedefi bilir. Hedefe ulaşmak için agent'lar arasında konuşur, plan kurar, gerektiğinde insanı içeren onay akışlarına başvurur. Yani esnektir, ama disiplinsiz değildir, çünkü her adım bir spesifikasyona göre denetlenir.

"Klasik otomasyon kuralları izler. Agentic sistem hedefi izler; sınırlarını spesifikasyon çizer."

Çok aktörlü sistemin anatomisi

Bir agentic sistem genellikle üç tür aktörden oluşur:

  • Planlayıcı (Planner): Verilen hedefi alt görevlere böler, hangi agent'ın hangi sırayla devreye gireceğini belirler.
  • Uygulayıcı (Executor): Belirli bir alt görevi yapan uzman agent. Bir uygulayıcı bir sözleşme analiz edebilir, bir diğeri müşteri iletişimi taslağı hazırlayabilir.
  • Denetleyici (Reviewer): Çıktıların spesifikasyona uyumunu kontrol eder. Sapmaları tespit eder, gerekirse görevi yeniden başlatır.

Bu üçlü, klasik bir takımın birebir karşılığıdır. Aradaki fark ölçektir: her agent paralel çalışabilir ve talimatları her seferinde aynı disiplinle uygular.

Agent'lar bir orkestra değildir; her biri kendi notasını çalan, ama birbirini dinleyen bir oda müziği topluluğudur.

Spec-driven yaklaşım neden kritik?

Agentic sistemler güçlüdür, ama sınırsız bırakıldıklarında hızla kontrolden çıkarlar. İşte spec-driven metodolojinin önemi burada: her agent'ın sınırları, çıktı formatı, geçerli durumları ve hata davranışları önceden tanımlanır.

Spec, hem insan tarafından okunabilir hem de agent'ların doğrudan tüketebileceği yapılandırılmış bir dokümandır. Yeni bir agent sisteme dahil edilirken yalnızca onun spec'i tanımlanır, geri kalan ekosistem değişmez.

Spec-driven'in üç faydası

  • Öngörülebilirlik: Agent ne yapacağını ve ne yapmayacağını bilir.
  • Test edilebilirlik: Spec aynı zamanda bir test çerçevesidir. Çıktı spec'e uyuyor mu? Otomatik kontrol edilebilir.
  • Sürdürülebilirlik: Ekipte bir kişi değişse bile sistem bilgisi spec'lerde kalır.

Pratikte agentic ne demek?

Q/MENS'i geliştirirken bu yaklaşımı sahaya taşıdık. Hukuk bürolarında bir matter (dosya), birden fazla rolün ortaklaşa yürüttüğü bir süreçtir: avukat, asistan, müşteri, muhasebe. Her birinin gördüğü bilgi farklı, sorumlulukları farklı.

Geleneksel bir CRM'de bu farklılık manuel iş yüküyle yönetilir. Q/MENS'te ise her rol bir agentic muhataba sahiptir: avukat agent'ı sözleşmeleri özetler, asistan agent'ı toplantı notlarını yazar, müşteri agent'ı durum güncellemesi taslağı hazırlar. Hepsi spec'lerine uygun, hepsi insan onayına açık.

Hedeflenen sonuç: tekrar eden işlerde belirgin zaman kazancı, daha düşük hata oranı ve daha tutarlı müşteri deneyimi. Ama belki en önemlisi: insan yine en kritik kararın merkezinde kalır, sadece artık tekrar eden işle değil, gerçekten yargı gerektiren konularla uğraşır.

Sonuç

Agentic workflow, LLM tabanlı sistemlerin yaratabileceği değeri tek komutluk bir parça olmaktan çıkarıp, kurumsal sürecin kendisi haline getirir. Spec-driven disiplin ile birleştiğinde ise kontrol kaybı korkusunu giderir.

Qhira Intelligence'da, müşterilerimizin süreçlerini bir tek aktörle değil, birbirini doğrulayan agent'lardan oluşan bir yapıyla yeniden tasarlıyoruz. Çünkü güvenilir sonuç tek bir modelden değil, birbirini denetleyen bir sistemden çıkar.

Kurumunuz için benzer bir çalışmayı konuşmak isterseniz: Agentic Solution · İletişim

For years, we've heard the line "artificial intelligence automates business processes." Most companies implemented it as a single-model, single-prompt solution. The result was usually the same: solutions that looked promising at first and fell apart at scale. Because a process is not the work of a single actor: it's the sum of multiple roles, mutually verifying steps, and often contextual decisions.

The agentic approach steps in precisely here. Instead of using a single LLM as one worker, we build a multi-actor, role-based system. Each agent knows its responsibility area; its output is read, questioned where needed, and verified by other agents.

How is it different from classical automation?

Classical workflow automation (RPA, Zapier, n8n etc.) is rule-based. Every possibility must be defined in advance; when an undefined case arrives, the flow halts or produces wrong output. For stable, repetitive processes this is still the right tool; but a large share of enterprise processes are not stable. That is why the two approaches are complementary, not alternatives.

Agentic systems, on the other hand, are goal-based. The system knows the objective, not just the rules. It talks across agents, builds plans, and falls back to human-in-the-loop approvals when needed. So it's flexible, but not undisciplined, because every step is reviewed against a specification.

"Classical automation follows the rules. Agentic systems follow the goal; the specification draws their boundaries."

Anatomy of a multi-actor system

An agentic system usually consists of three actor types:

  • Planner: Breaks the goal into sub-tasks, decides which agent steps in when.
  • Executor: A specialist agent doing a specific sub-task. One executor analyses contracts, another drafts client communications.
  • Reviewer: Checks output for spec compliance. Detects drift, restarts tasks if needed.

This trio mirrors a classic team. The difference is scale: every agent can run in parallel and applies instructions with the same discipline every time.

Agents are not an orchestra; they're more like a chamber music ensemble, each plays their own note, but listens to the others.

Why is spec-driven critical?

Agentic systems are powerful, but unbounded they spiral fast. That's the importance of spec-driven methodology: each agent's bounds, output format, valid states and error behavior are pre-defined.

A spec is a structured document, readable by humans and consumable by agents. When a new agent joins, only its spec is defined; the rest of the ecosystem stays put.

Three benefits of spec-driven

  • Predictability: The agent knows what it will and won't do.
  • Testability: The spec is also a test framework. Does the output match the spec? Automatically checkable.
  • Sustainability: Even when team members change, system knowledge stays in the specs.

What does agentic mean in practice?

While building Q/MENS, we took this approach to the field. In law firms, a matter is a process run jointly by multiple roles: lawyer, assistant, client, accounting. Each sees different information, has different responsibilities.

In a traditional CRM, this difference is managed through manual workload. In Q/MENS, every role has an agentic counterpart: the lawyer agent summarizes contracts, the assistant agent writes meeting notes, the client agent drafts status updates. All to spec, all open to human approval.

The intended outcome: noticeable time saved on repetitive work, a lower error rate and a more consistent client experience. But perhaps most importantly: humans stay at the center of the most critical decision, only now they no longer deal with repetitive work, only with matters that truly require judgment.

Conclusion

Agentic workflow takes the value LLM-based systems can create out of being a single-prompt fragment, and turns it into the enterprise process itself. Combined with spec-driven discipline, it removes the fear of losing control.

At Qhira Intelligence, we redesign our clients' processes not with a single actor, but with a structure of agents that verify each other. Because reliable results come not from a single model, but from a system that checks itself.

If you would like to discuss similar work for your organization: Agentic Solution · Contact