Loop Engineering (Döngü Mühendisliği)

Şunu düşünün: Yeni işe başlayan bir çalışanınız var. Ona bir kere görev veriyorsunuz, o da işi bitirene kadar kendi başına çalışıyor. Her beş dakikada bir "şuraya bakar mısınız" diye sormuyor, hatasını kendi fark edip kendi düzeltiyor. 2026 yazında yapay zekâ dünyasında herkesin konuştuğu şey tam olarak bu. Açıkçası neredeyse her sabah yeni bir yapay zeka modeline, araca, metoda, mühendisliğe uyanıyoruz.

Yapay zeka programlarını (bunlara ajan diyoruz; kendi başına karar alıp birden fazla işi art arda yapabilen yazılımlar) artık tek tek yönlendirmek yerine, onları kendi kendine çalıştıran bir düzen kuruyoruz. Buna loop engineering (döngü mühendisliği) deniyor. Bu yazıda ne olduğunu, işinizi nasıl etkileyebileceğini ve gerçek şirketlerin başına neler geldiğini sade bir dille anlatacağız.

Bir Haftada Yayılan Fikir

7 Haziran 2026'da bir yazılımcı, Peter Steinberger, sosyal medyada kısa bir şey paylaştı: Yapay zekaya artık tek tek talimat vermeyin, onu kendi kendine çalıştıracak bir sistem kurun. Paylaşım bir gün içinde beş milyon kez görüntülendi¹. Ertesi gün Google'da çalışan Addy Osmani bu fikre bir isim ve bir çerçeve kazandırdı². Aynı hafta Claude'u sunan şirket Anthropic'te çalışan Boris Cherny de benzer bir şey söyledi: "Artık yapay zekayı ben yönlendirmiyorum, onu yönlendiren bir sistem kurdum, benim işim o sistemi oluşturmak."²

Neden şimdi oldu bu? Çünkü yapay zeka araçları artık saatlerce kendi başına çalışıp kendi hatasını düzeltebilecek kadar iyileşti¹. Bir yıl önce bir yapay zekaya görev verip beş dakikada bir kontrol etmeniz gerekiyordu. Bugün bazı ekipler bir işi akşam bırakıyor, sabah sonucunu görüyor.

Şekil 1: Haziran 2026'da bu fikri doğuran gelişmeler

Peki Bu Fikir Nereden Çıktı?

Aslında temel fikir yeni değil. 2022'de araştırmacılar bir yöntem buldular: Yapay zekaya bir soruyu tek seferde cevaplatmak yerine üç adımı tekrar tekrar yaptırmak. Önce düşünsün, sonra bir şey yapsın (bir arama yapsın, bir hesap çalıştırsın), sonra sonucu görüp yeniden düşünsün⁷. Bugün var olan hemen her yapay zekâ programının içinde, siz fark etmeseniz de, bu basit döngü çalışıyor.

Loop engineering'in eklediği şey şu: tek bir görevi bitirmek için dönen bu döngüyü büyütmek. Artık sadece "görevi nasıl bitiririm" değil, "bu işi kim başlatıyor, ne zaman duruyor, sonucu kim kontrol ediyor" sorularına da bir sistem cevap veriyor⁶.

Bunu dört adımlı bir gelişim olarak da görebilirsiniz. Önce yapay zekaya ne söyleyeceğinizle uğraştınız. Sonra ona hangi bilgiyi göstereceğinizle. Sonra hangi ortamda, hangi yetkiyle çalışacağıyla. Şimdi de bütün bunları hangi döngünün yönettiğiyle ilgileniyorsunuz¹⁶.

Tablo 1: Dört yıllık bir gelişimin son durağı

Aşama	Odaklandığı Şey	Somut Örnek
Prompt Yazma (2022-2024) Prompt	Modele doğru kelimeleri, doğru sırayla söylemek	Bir rol vermek, görevi adımlara bölmek, örnek eklemek, "adım adım düşün" demek
Bilgiyi Düzenleme (2024-2025) Context	Modelin o an hangi bilgiyi göreceğini seçmek	İlgili dosyaları, geçmiş yazışmaları bağlama eklemek; gereksizi çıkarmak
Ortamı Kurma (2026) Harness	Yapay zekânın hangi ortamda, hangi yetkiyle çalıştığını belirlemek	Hangi programlara erişebileceğini, neyi değiştirebileceğini tanımlamak
Döngü Kurma (2026) Loop	Bütün bunları hangi döngünün yönettiğini tasarlamak	Otomatik başlatma, ayrı bir denetleyici, bir ilerleme kaydı ve bir durma kuralını birlikte kurmak

Bir Döngü İçeride Nasıl Çalışıyor?

Bunu bir restoran mutfağı gibi düşünün. Bir aşçı var, o da yapay zekânın kendisi. Ama mutfağın düzgün işlemesi için başka şeyler de lazım: aşçıyı ne zaman işe başlatacağını söyleyen bir zil, aşçının başka kimseyle karışmayan kendi tezgahı, duvarda asılı bir tarif defteri (her seferinde aynı şeyi baştan anlatmaya gerek kalmasın diye), mutfağın dışarıyla bağlantısı (sipariş ekranı, tedarikçi hattı), ayrı bir kalite kontrolcü (yemeği pişiren kişi değil, başka biri tadına bakıyor) ve bir sipariş defteri (vardiya değişince hangi masaya ne gönderildiği kaybolmasın diye).

Addy Osmani'nin makalesi tam olarak bunları sayıyor²³. Bence en kritik olanı kalite kontrolcü kısmı: yemeği pişiren kişi kendi yemeğini kendi onaylarsa hatasını görmesi zor. Ayrı bir göz koymak, işi yapanla onaylayanı birbirinden ayırıyor.

Somut bir örnek şöyle işliyor: bir araştırma yapan yapay zeka önce bir cevap taslağı yazıyor, sonra taslaktaki her iddiayı tek tek kaynaklarla karşılaştırıyor. Bir iddia dayanaksız kalıyorsa o noktaya geri dönüp yeniden araştırıyor; cevap sağlam duruma gelene kadar bu turu tekrarlıyor¹⁴. Riskli işlerde (bir ödeme yapmak, bir müşteriye kesin bir söz vermek gibi) ayrı bir denetleyicinin devrede olması özellikle önemli; aksi hâlde yapay zekâ kendi taslağına kendi onayını veriyor.

Şekil 2: İyi kurulmuş bir döngünün parçaları

Döngü Ne Zaman Çalışır, Ne Zaman Durur?

Bir döngü farklı şekillerde tetiklenebilir: sürekli açık kalıp belirli aralıklarla kontrol edebilir, belirli bir saatte çalışabilir, bir olay olduğunda (yeni bir talep geldiğinde) devreye girebilir ya da bir hedef tanımlanana kadar tekrar edebilir⁴. Son tip özellikle yaygınlaştı: bir tamamlanma koşulu tanımlıyorsunuz, yapay zeka o koşul karşılanana kadar kendi başına çalışıyor⁵.

Somut bir örnek: bir ekip mesai bitmeden bir hedef tanımlıyor, "şu özelliği uygula, bütün testler geçsin." Yapay zeka gece boyunca aynı çevrimi tekrarlıyor: dener, kontrol eder, hata varsa düzeltir, yeniden dener; ya testler geçene ya da deneme hakkı bitene kadar¹³. Sabah ekip masaya oturduğunda önlerinde incelenmeyi bekleyen, hazır bir çalışma buluyor.

Ama bir çekince var: Yapay zekanın bir işi "bitti" sayması kendi kararı, yani öznel. Bu yüzden yaygın bir çözüm şu: yapay zeka "bitirdim" dediğinde araya bir kontrol giriyor, gerçekten doğru yapılıp yapılmadığını dışarıdan bir ölçütle kontrol ediyor, olmuyorsa işi geri veriyor⁵. Kaçan, durmayan bir döngüyü fark etmek kolay; asıl tehlikeli olan, kısa sürede temiz bir şekilde bitip size tamamen yanlış ama emin görünen bir sonuç veren döngü².

Somut Bir Örnek: Yapay Zekâda Görünürlüğü Artırmak

Şirketlerin son dönemde en çok sorduğu sorulardan biri şu: Müşteriler artık Google'a değil, doğrudan ChatGPT'ye, Claude'a ya da Perplexity'ye soru soruyor; markam bu cevapların içinde nasıl yer alır? Buna genellikle "yapay zekada görünürlük" ya da GEO (üretken motor optimizasyonu) deniyor²⁰. Loop engineering burada da işe yarıyor, çünkü bu da aynı problem: bir işi bir kere yapıp bırakmak değil, sürekli izleyip düzeltmek.

Böyle bir döngü şöyle kurulabilir: bir otomasyon her hafta belirli bir soru listesini ("X hizmetinde en iyi firmalar", "Y nasıl yapılır" gibi) sırayla birkaç yapay zekâ aracına soruyor. Bir denetleyici, markanızın hangi cevaplarda geçtiğini, hangilerinde geçmediğini kaydediyor; geçmediği yerlerde içerik neden yetersiz kaldığını inceliyor: sayfada net bir cevap var mı, somut bir sayı var mı, alıntılanabilir bir cümle var mı. Bulduğu eksiği bir taslak hâline getirip bir editöre onaya sunuyor; onaylanan değişiklik yayına çıkıyor. Bütün geçmiş bir kayıtta tutuluyor, böylece üç ay önce hangi sorularda görünmediğinizi, şimdi görünüp görünmediğinizi karşılaştırabiliyorsunuz²⁰.

Burada da aynı parçalar devrede: otomasyon (haftalık soru turu), denetleyici (görünürlük kontrolü), yazılı kural (hangi cümlelerin alıntılanabilir olduğuna dair bir rehber), insan onayı (içerik yayından önce kontrol) ve ilerleme kaydı (zaman içindeki değişim). Fark şu: döngünün çıktısı bir yazılım değil, bir metin; ama mantık birebir aynı. Araştırmacılar da benzer bir yöne gidiyor: bir markanın görünürlüğünü tek seferlik bir düzenlemeyle değil, geçmiş denemelerden hangisinin işe yaradığını hatırlayıp bir sonrakinde kullanan, sürekli öğrenen bir sistemle artırmayı deniyorlar²¹.

Çalışanlar İçin Ne Değişiyor?

Şimdi asıl merak edilen soruya gelelim: bu benim işimi nasıl etkiler?

Kısa cevap: iş büsbütün ortadan kalkmıyor, işin şekli değişiyor. Rutin, tekrar eden kısımlar (aynı raporu her hafta aynı formatta hazırlamak, aynı tür soruları cevaplamak, aynı kontrolü elle yapmak) yapay zekaya devrediliyor. Geriye kalan kısım daha çok karar verme ve istisna yönetimi oluyor: "bu cevap doğru mu, bu müşteriye böyle mi davranmalıyım" gibi sorular.

Bunun en çarpıcı örneği Klarna'da yaşandı. İsveçli finans şirketi Klarna, 2024'te müşteri hizmetlerinin büyük kısmını yapay zekâya devretti; görüşme süresini 11 dakikadan 2 dakikanın altına indirdi, işlem başına maliyeti yüzde kırk düşürdü¹⁷. Kulağa harika geliyordu. Ama 2025'e gelindiğinde CEO Sebastian Siemiatkowski şunu kabul etti: maliyeti çok öne çıkarınca kalite düştü. Karmaşık ya da duygusal talepler karşısında yapay zekâ yetersiz kaldı, müşteri memnuniyeti geriledi. Şirket insan çalışan almaya geri döndü, bu kez esnek bir çalışma modeliyle¹⁷.

Klarna'nın hikâyesi tam da loop engineering'in vurguladığı şeyi doğruluyor: döngü kendi başına çalışsın, ama işin karmaşıklaştığı ya da riskin arttığı yerde bir insanın devreye girmesi gerekiyor. Toyota'nın Andon kordonu (Andon Cord) aynı mantık: hat kendiliğinden dönüyor, ama bir sorun görülünce durup insana soruyor⁸. Yani çalışanlar için gerçek fayda, tekrar eden işi bırakıp, tam olarak bu tür kararlara daha çok zaman ayırabilmek.

Şirketler İçin Fayda Ne?

Rakamlar cesaret verici görünüyor: PwC'nin anketine göre yapay zeka ajanı kullanan şirketlerin üçte ikisi artan verimlilik bildiriyor, yarısından fazlası maliyet tasarrufu görüyor¹⁸. Bazı sektörlerde (bankacılık, sigorta, müşteri hizmetleri) bu kazanç daha da yüksek çıkıyor.

Ama madalyonun öbür yüzü de var. Uber, 2026'nın ilk dört ayında bütün yıllık yapay zekâ bütçesini tüketti¹⁹. Sorun yapay zekanın işe yaramaması değildi; mühendisler onu tam da tasarlandığı gibi kullanıyordu. Sorun, kimsenin bir üst sınır koymamış olmasıydı: döngü ne kadar çok çalışırsa o kadar çok işlem yapıyordu, üstelik şirket içi bir kullanım tablosu bile daha fazla kullanmayı teşvik ediyordu. Uber sonunda her mühendis için aylık 1.500 dolarlık bir üst sınır koymak zorunda kaldı¹⁹.

Bu iki örnek birlikte okunduğunda net bir ders çıkıyor: loop engineering'in faydası gerçek, ama sınırsız bırakılırsa hem kalitede hem maliyette sürprizle karşılaşabilirsiniz. İyi kurulmuş bir döngü ile kontrolsüz bırakılmış bir döngü arasındaki fark, tam olarak yukarıda saydığımız parçaların, özellikle ayrı bir denetleyicinin ve bir durma kuralının, olup olmadığında gizli.

Tablo 2: Gerçek şirketlerden başarı ve başarısızlık örnekleri

Şirket	Ne Yaptı	Sonuç
Klarna (başarılı + ders)	Müşteri hizmetlerinin büyük kısmını yapay zekaya devretti, görüşme süresini 11 dakikadan 2 dakikanın altına indirdi	Hız ve maliyet iyileşti, ama karmaşık taleplerde kalite düştü. Şirket insan desteğine geri döndü; şimdi ikisini birlikte kullanıyor
Uber (başarısız - kontrolsüz)	Mühendislere sınırsız yapay zeka araç erişimi verdi, kullanımı bir liderlik tablosuyla teşvik etti	Yıllık bütçe dört ayda tükendi. Kişi başı aylık 1.500 dolarlık bir üst sınır koymak zorunda kaldı
300+ makalelik bir destek hattı (başarılı)	Kendi döngüsünü sıfırdan yazmak yerine hazır, denetimli bir çözüm satın aldı	Bakım yükünden kurtuldu, destek hattı istikrarlı çalışmaya devam etti
Bir yazılım ekibi (başarılı)	Net bir hedef ve tur limitiyle gece boyu çalışan bir döngü kurdu	Sabah incelenmeye hazır, testleri geçmiş bir değişiklik önerisiyle karşılaştı

Toyota'nın 70 Yıl Önce Çözdüğü Problem

Doğrusu şu: bu konudaki yazıları okurken aklıma sürekli aynı şey geldi. Loop engineering'in anlattığı hikâye, üretim mühendisliğinin onlarca yıldır bildiği bir hikâyenin yazılım versiyonu.

Toyota'nın üretim sisteminin merkezinde bir döngü var: Planla, Uygula, Kontrol Et, Harekete Geç. Bir işçi bir süreçte iyileştirme fikri buluyor, küçük bir değişikliği deniyor, sonucu ölçüyor, işe yarıyorsa yeni standart hâline getiriyor⁹. Bu yaklaşım kaizen (sürekli iyileştirme) adıyla biliniyor; Toyota'nın felsefesi şu: kusursuz bir süreç yok, herkes küçük de olsa bir aksaklık bulmakla yükümlü⁸. Klasik örnek şu: bir montaj işçisi günde onlarca kez aynı aleti almak için uzandığını fark ediyor, basit bir alet rafı öneriyor ve bu öneri o istasyonun yeni standardı oluyor¹². İkinci ayağı şu: bir hata görüldüğünde hat otomatik olarak duruyor, bir işçi bir ip çekip sorunu işaretliyor, kök neden bulunmadan hat yeniden çalışmıyor⁹. Üçüncüsü: en iyi uygulama bir belgeye yazılıyor, ama bu belge sabit değil, bir işçi daha iyi bir yol bulduğunda belge güncelleniyor¹⁰.

Şekil 3: Yapay zekâ döngüsü ile Toyota'nın döngüsü yan yana. İkisi de "bir sorun bulununcaya kadar tekrarla" mantığıyla çalışıyor

Yan yana koyduğunuzda eşleşme şaşırtıcı derecede net. "Kontrol Et" adımı, loop engineering'in ayrı denetleyicisine karşılık geliyor. Kordonu çekip hattı durdurmak, yapay zekanın riskli bir eylemi durdurup insana sorması ile aynı işi görüyor. Yazılı standart, neredeyse birebir yapay zekaya verilen kural dosyasıyla aynı: ikisi de öğrenilen bir şeyi yeniden anlatmak yerine bir kere yazıp sürekli güncellenen bir referansa dönüştürüyor.

Fark da var elbette. Toyota'nın döngüsü insan yargısıyla ve fiziksel bir hatla dönüyor, yapay zekânın döngüsü işlem gücüyle. Ama ikisinin de ısrar ettiği şey aynı: bir döngünün gerçek bir durma ve doğrulama koşulu olmalı, sonsuz bir hareket değil.

Tablo 3: Loop engineering ile Toyota'nın yöntemi arasındaki eşleşme

Loop Engineering	Toyota Üretim Sistemi	Ortak İlke
Ayrı bir denetleyici yapay zeka	PDCA döngüsünün "Kontrol Et" adımı	İşi yapanı değil, sonucu ayrı bir gözle denetle
Riskli anda durup insana sorma	Andon kordonu + Jidoka	Şüpheli anda dur, insana sor
Yazılı kural / talimat dosyası	Standart iş belgesi	Öğrenileni yaz, öğrenildikçe güncelle
İlerleme kaydı dosyası	Kaizen panosu / iyileştirme kaydı	İlerleme kişide değil sistemde kalıcı olsun
Zamanlanmış / tetiklenen çalıştırma	Kaizen etkinliği takvimi	İyileştirme bir seferlik değil, tekrar eden bir ritim

Türkiye İçin Ne Anlama Geliyor?

KOBİ'lerle yaptığım projelerde sık gördüğüm bir hata var: bir ekip otomasyona büyük ölçekte başlıyor, üç hafta sonra fatura bütçeyi aşıyor ve proje rafa kalkıyor. Daha önce Süreç Optimizasyonundaki Beş Tuzak yazımda da değindiğim gibi, sorun genelde teknoloji değil, kapsamın baştan çok büyük seçilmesi.

Loop engineering'i denemek isteyen bir Türkiye şirketi için tavsiyem, tıpkı bir kaizen etkinliğinde olduğu gibi, tek bir tekrarlayan işle başlamak: haftalık bir rapor, bir kontrol listesi, tekrar eden bir müşteri sorusu. Önce bir ilerleme kaydı eklemek, sonra bir denetleyici koymak, en son bir zamanlayıcıya bağlamak. Şirket çapında bir "yapay zeka dönüşümü" ilan etmek yerine, bir çalışanın masasından başlayan bir kaizen gibi düşünmek daha gerçekçi.

Yıllardır bu alanda danışmanlık yapan biri olarak şunu ekleyeyim: Türkiye'deki şirketlerin çoğu zaten Toyota'nın yönteminin bir versiyonunu biliyor, otomotiv tedarik zincirinde çalışan neredeyse herkes bir kaizen eğitiminden geçmiştir. Loop engineering'i yeni bir teknoloji olarak değil, zaten bildiğiniz bir disiplini yeni bir araç setine taşımak olarak görmek, çalışanların direncini de azaltıyor.

Şunu da eklemek lazım: her şirketin kendi döngüsünü sıfırdan yazması şart değil. 300'den fazla makalelik bir destek hattını yöneten bir donanım şirketinin mühendislik ekibi, kendi döngülerini kendileri yazmak yerine hazır bir çözüm kullanmayı seçti; gerekçeleri, sürekli bakım isteyen bir sistemi sırtlanmak istememeleriydi¹⁵. Bazı işler için doğru karar hazır bir çözüm satın almak, bazıları için kendi ekibinizle kurmak. Tercih, işin ne kadar kritik ve ne kadar tekrarlayan olduğuna bağlı.

Toyota'nın 1950'lerde öğrendiği ders şuydu: bir sistemi bir kere kurup unutamazsınız, onu sürekli kontrol eden bir mekanizma kurmanız gerekir. Loop engineering aynı dersi yazılım ajanlarına uyguluyor; sadece yetmiş yıl sonra, bir fabrika hattı yerine bir ekranda. Klarna ile Uber'in hikâyeleri de aynı şeyi başka bir açıdan gösteriyor: teknoloji hazır, asıl mesele onu kimin, hangi sınırla, ne zaman devreye sokacağını iyi düşünmek. Sorulması gereken soru belki de şu: sizin ekibinizde bu döngüyü kim sahipleniyor?

Kaynaklar

1. Aikipedia: Loop Engineering — Champaign Magazine, Haziran 2026

2. Loop Engineering — Addy Osmani, 8 Haziran 2026

3. Addy Osmani's Loop Engineering: The 5 Components — AI Builder Club, 2026

4. Loop Engineering: How to Build AI Agent Loops That Run Themselves — Requesty, 2026

5. Agentic Loops: From ReAct to Loop Engineering — Data Science Dojo, 9 Haziran 2026

6. The Art of Loop Engineering — LangChain, 16 Haziran 2026

7. ReAct: Synergizing Reasoning and Acting in Language Models — Yao ve ark., ICLR 2023

8. What is kaizen and how does Toyota use it? — Toyota UK

9. The Power of PDCA, Jidoka, Kaizen & Standard Work in Sync — OrcaLean

10. How Does Toyota Use Standard Work for Problem-Solving in Lean Manufacturing? — OrcaLean

11. Loop Engineering Guide (2026) — AI Builder Club (Andrew Ng, "3 key loops")

12. Kaizen: The Power of Continuous Improvement in TPS — OrcaLean

13. Loop Engineering: The Missing Layer That Makes AI Coding Agents Work in Production — ShiftAsia, 7 Temmuz 2026

14. Loop Engineering with Agents — Suman Das, Haziran 2026

15. Loop engineering explained: designing AI agent loops in 2026 — eesel AI

16. What Is Loop Engineering? A Complete Guide from Prompt to Harness Engineering — Tosea.ai, 2026

17. Klarna's AI customer service deployment | AI Autopsy 002 — Bigeye, Haziran 2026

18. PwC's AI Agent Survey — PwC, 2026

19. Uber Burns Its 2026 AI Budget In Four Months On Claude Code — Forbes, 17 Mayıs 2026

20. Generative Engine Optimization (GEO): Complete Guide — Strapi

21. AgenticGEO: A Self-Evolving Agentic System for Generative Engine Optimization — arXiv, 2026

---

EDT CENTER OLARAK NELER YAPIYORUZ?

• Dijital Dönüşüm Olgunluk Seviyesi Ölçümü

• Yapay Zeka Olgunluk Seviyesi Ölçümü

• Ana Veri Yönetimi

• İş Yazılım Analiz, Değerlendirme, Araştırma, Sözleşme Yönetimi ve Uygun Tedarikçi Seçimi

• İş Yazılım Denetim

• Strateji Belgesi Oluşturma

• Şirket İçi Özel Eğitim Programları (Yapay Zeka, Veri Okuryazarlığı, Liderlik)

• Proje Yönetimi

Dijital dönüşüm yolculuğunuza bugün başlamak veya mevcut yapay zeka stratejinizi güncellemek için EDT Center uzmanlarıyla iletişime geçin:

📧 contact@edtcenter.com | 📞 +90 541 946 5000  | 🌐 www.edtcenter.com

---