Kısa bir talimatta GPT-4o zamanın %91'inde doğru yanıt veriyordu. Aynı görevin daha uzun bir sürümünde ise zamanın %1'inde doğru yanıt veriyordu. %70 değil. %40 değil. Yüzde bir — istatistiksel gürültü (PNAS Nexus, 2026).
Bu çöküş, bir Head of Operations'ın 2026'da ajansal yapay zeka kararına taşıyabileceği en önemli tek sayıdır; çünkü her devreye almanın sessizce üzerine kurulduğu varsayımı devirir: bir yapay zeka ajanı bir görevi demoda iyi hallediyorsa, aynı görevin biraz daha zor bir sürümünü de yalnızca biraz daha kötü halledecektir. Öyle değil. Onu bir eşiğe kadar neredeyse kusursuz halleder, sonra neredeyse tümüyle başarısız olur. Operasyonlar için soru bir ajana güvenilip güvenilmeyeceği değildir. Uçurumun tam olarak nerede olduğunu bilmek — ve tam önüne döngüde bir insan kontrol kapısı koymaktır.
Bulgu: rampa değil, uçurum
Çalışma, CUNY'den Suketu Patel ve Jin Fan'a ait; PNAS Nexus'ta yayımlandı ve Haziran 2026'da kamuya açıldı (PsyPost, 2026). Yöntemleri tam da eski olduğu için zarif. Stroop görevini — bir kelimenin mürekkep rengini adlandırmanız gerekirken kelimenin kendisinin farklı bir rengi yazdığı klasik bilişsel psikoloji testini — sınır ötesi dil modellerine uyguladılar ve çelişen öğe listesini birkaç taneden kırk taneye uzatarak yükü artırdılar.
Sonuçlar çarpıcı. GPT-4o, beş öğelik kısa listelerde uyumsuz denemeleri zamanın %91'inde doğru yanıtladı. Listeyi yirmi ya da kırk çelişen öğeye çıkarın, doğruluğu %1'e düşüyordu. Claude 3.5 Sonnet daha uzun süre dayandı — ama o da sonunda düştü; kırk öğelik listelerde yaklaşık %10'a (PNAS Nexus, 2026).
Yalnızca uçlara değil, bu eğrinin biçimine bakın. Görev zorlaştıkça performans zarifçe bozulmadı. Neredeyse insan düzeyinde kaldı, sonra bir uçurumdan düştü. Operasyonların ajan güvenilirliğini nasıl düşündüğünü yeniden düzenlemesi gereken bulgu budur: tehlike bölgesi demodan görünmez. Basit bir vaka üzerinde temiz bir pilot, modelin nerede kırıldığı hakkında size hiçbir şey söylemez, çünkü kırılma süreksizdir.
Neden başarısız olan yürütücü kontrol — zeka değil
Bunu "yapay zeka hâlâ hata yapar" başlığı altına koyup geçmek kolay olurdu. Bu okuma mekanizmayı kaçırır ve mekanizma meselenin tümüdür.
Stroop görevi bilgiyi ya da akıl yürütme gücünü ölçmez. Yürütücü kontrolü ölçer — özellikle bir hedefi akılda tutma ("mürekkep rengini adlandır") ve daha güçlü, otomatik, rakip bir tepkiyi ("kelimeyi oku") bastırma yeteneğini. İnsan bilişsel sinirbiliminde dikkat ayrı sistemlere ayrışır ve yürütücü kontrol, çatışma altında hedef sürdürümünü yöneten sistemdir. Bu, salt örüntü tanımadan farklı bir yetidir.
Modellerin kendileri hakkında açığa çıkardığı şu: Transformer mimarileri baskın tepkide olağanüstüdür — hızlı, otomatik, istatistiksel olarak olası yanıt; rengi adlandırmak yerine kelimeyi okumanın makine karşılığı. Eksik olan şey, bağlam uzadığında ya da çelişen sinyallerle dolduğunda sağlam bir ket vurmadır. Yazarlar bunu, gerçek bir genel zekanın gerektireceği yürütücü kontrol için eksik bir kapasite olarak çerçeveler (PNAS Nexus, 2026).
Operasyonlar için şöyle çevirin: bir yapay zeka ajanı, iş yüküyle orantılı olarak yorulup özensizleşen bir junior çalışan değildir. Tek bir hedefi mükemmel biçimde sürdüren bir sistemdir — ta ki rakip kısıtların sayısı bir çizgiyi aşana kadar; o noktada hedef sürdürümü bozulmaz, buharlaşır. Başarısızlık "daha kötü çıktı" değildir. Model, sessizce yanlış ve daha kolay hedefe doğru optimize ederken, tam da başarıya benzeyen akıcı, kendinden emin bir metin üretir.
"Uzun ve çelişkili" sizin sahanızda nasıl görünür
Bir laboratuvarda yirmi çelişen kelime soyuttur. Gerçek iş akışlarınız daha kötüdür.
Bir ajana gerçekte ne sorduğunuzu düşünün. Üç eki, bir özel şartlar maddesi ve geçen hafta birinin e-postayla gönderdiği bir istisnası olan bir sözleşmeyle bir faturayı mutabakata getirmek. Bir müşteri şikâyetini, bir şey diyen bir politikaya, başka bir şey diyen bir yöneticinin daimi talimatına ve cumaya kadar ikisini de geçersiz kılan bir kampanyaya göre yönlendirmek. Düzenleyiciyi, hukuk ekibinin risk duruşunu ve account manager'ın ilişkisini birlikte tatmin etmesi gereken bir uyum yanıtı taslağı hazırlamak — tam olarak hizalanmayan üç hedef.
Bunların her biri sesi sonuna kadar açılmış bir Stroop görevidir. Uzun bağlam, çok sayıda eşzamanlı kısıt ve istisnalar hesaba katıldığında yanlış çıkan güçlü bir "apaçık" yanıt. Bunlar, çalışmanın yürütücü kontrolü uçurumun ötesine ittiğini gösterdiği koşulların ta kendisidir. Ve bunlar aynı zamanda orta ölçekli operasyonların otomatikleştirmeye en hevesli olduğu görevlerdir; çünkü bir ekibin saatlerini yiyen, sıkıcı ve karar yükü ağır işler bunlardır.
İşte tuzak bu. Otomasyon cazibesi en yüksek görevler, sessiz çöküşü tetiklemeye en yatkın görevlerle büyük ölçüde örtüşür. Ajan, temiz fatura üzerinde kusursuz bir demo yapar ve üç ekli olanda neredeyse tümüyle başarısız olur — ve kendinden emin biçimde başarısız olur, ki tehlikeli kısım budur.
Uçurumu görmezden gelmenin iş maliyeti
Bu teorik bir kaygı değil ve piyasa bunu şimdiden fiyatlıyor. Gartner, artan maliyetleri, belirsiz iş değerini ve yetersiz risk kontrollerini gerekçe göstererek, ajansal yapay zeka projelerinin %40'ından fazlasının 2027 sonuna kadar iptal edileceğini öngörüyor (Gartner, 2025).
Stroop bulgusu size bu kadar çoğunun neden başarısız olacağını söyler. Ekipler, bir ajanı seçilmiş, düşük çatışmalı bir iş diliminde pilot uygular, 91% tarzı bir doğruluk görür ve onu dağınık, yüksek çatışmalı üretim gerçekliğine ölçekler — orada aynı ajan çöküş noktasının ötesinde çalışır ve en zor vakalarda sessizce %1 kalitesinde çıktı üretir. Bunu izleyen maliyetler "yapay zeka başarısızlığı" olarak etiketlenmez. Üç adım aşağıda yakalanan mutabakat hataları, tam bir insan yeniden çalışması gerektiren uyum yanıtları ve sonunda tüm girişimi rafa kaldıran güven erozyonu olarak ortaya çıkar. Proje dramatik bir olaydan ölmez. Onu haklı çıkarması beklenen vakalarda tam da birikmiş sessiz başarısızlıklardan ölür.
Ajansal projelerini bu %40'ın dışında tutan kuruluşlar, en iyi modellere sahip olanlar olmayacak. Herkesin aynı sınır ötesi modellere erişimi var. Eğrinin pürüzsüz bir rampa olduğunu varsaymak yerine uçurum için tasarım yapanlar olacak.
Kapıyı nereye koymalı
Bir ajan yetersiz performans gösterdiğinde içgüdü, daha iyi promptlara uzanmaktır. Bu çalışma promptlamanın yanlış kaldıraç olduğunu söylüyor. Yürütücü kontrolün yapısal yokluğundan promptla çıkamazsınız; yalnızca uçurumu biraz kaydırabilirsiniz. Kalıcı kaldıraç mimaridir: çöküş noktasından önce konumlanmış, döngüde bir insan kontrol kapısı (human-in-the-loop), olaydan sonra değil.
Somut olarak bu, bu çeyrek için üç hamle demektir.
1. İş akışlarınızı görev türüne göre değil, çatışma yüküne göre haritalayın
Aday görevleri "basit" ve "karmaşık" diye ayırmayı bırakın. Onları taşıdıkları rakip kısıt sayısına ve ilgili bağlamın uzunluğuna göre sıralayın. Tek bir açık kuralı olan yüksek hacimli bir görev güvenli bir otomasyon hedefidir. Üç örtüşen politika ve bir yığın istisnası olan daha düşük hacimli bir görev, uçurumun yaşadığı yerdir — ne kadar rutin görünürse görünsün.
2. Kapıyı eşikten önce, deneysel olarak koyun
Çelişen kısıtları veya uzun bağlamı olan herhangi bir ajan iş akışı için zorunlu bir insan gözden geçirme noktası ekleyin. Modelin nerede kırıldığını tahmin etmeyin — onu çalışmanın yaptığı gibi test edin. Ajana gerçek bir görevin giderek dağınıklaşan sürümlerini verin ve süreksizliği izleyin. İnsan kontrol noktasını onun yakın tarafına koyun.
3. Gürültülü hatalar için değil, sessiz başarısızlık için ölçümleyin
Çöküş kendini duyurmaz; çıktı akıcı kalır. Dolayısıyla ajanın kendi düşük güvenli vakalarını işaretlemesine güvenemezsiniz. Herhangi bir yüksek çatışmalı iş akışına örnekleme ve nokta denetimi yerleştirin ve "demo çalıştı"yı doğrulamanın sonu değil, başlangıcı olarak görün.
Bunların hiçbiri yeni teknoloji gerektirmez. Ajan güvenilirliğini modelin değil, iş akışı tasarımının bir özelliği olarak ele almayı — ve modelin yetkinliğinin, bulabileceğiniz ama promptla aşamayacağınız bir kenarı olduğunu kabul etmeyi gerektirir.
Bu çeyrek için karar
Ekibinizin önümüzdeki iki çeyrekte bir yapay zeka ajanına devretmeyi planladığı süreçlerin listesini çıkarın. Her birinin yanına iki şey yazın: kaç tane çelişen kural veya istisna taşıdığı ve bir ajanın tutması gereken bağlamın ne kadar uzun olduğu. İkisinde de yüksek puan alan görevler sizin hızlı kazançlarınız değildir. Onlar sizin uçurum vakalarınızdır — ve çalışma diyor ki pilotu geçecek, gerçek işte başarısız olacaklar.
Onlar için hamle daha iyi bir ajan değildir. Çöküş noktasının önüne kasıtlı olarak yerleştirilmiş, döngüde bir insandır (human-in-the-loop). İptale doğru giden ajansal projelerin %40'ı çoğunlukla bir demoyu bir garanti sananlar olacak. Temiz vakayı geçen ve dağınık olanda çöken bir ajan, devreye aldığınız bir araç değildir. Henüz keşfetmediğiniz bir yükümlülüktür. Uçurum sizi bulmadan önce siz onu bulun.
